Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/线性代数-第5讲-特征值与特征向量/07-点6-对角化的应用.md
T
Yimu f4a849cd9d fix(线代第5讲): 点 1 补「几何重数与可对角化判据」,新增题 5,全讲 36 题
用户反馈:点 1 的题里出现"能否对角化""几何重数",但知识点只到 1.1—1.3,
没讲重数与判据,做题时无从下手。

结构变更(题号向后顺延,无删改):
- 新增 §1.3 几何重数与可对角化判据(够用版):代数/几何重数定义、
  m=n-r(λE-A)、1≤m≤n、可对角化四条同义判据、判定三步、两个反直觉点、
  双矩阵对照表;明示"完整推导见 §2.3,判定例题见点 3 §3.2"
- 原 §1.3 特征向量的性质 → §1.4(性质本身未动)
- 题 4 由 1.2 改标 1.3(它本就要求讨论可对角化),解析补"第 0 步数清 n_i"
  与"缺 n_i-m_i 个向量"的判断
- 新增题 5 · 1.3:A=[[0,1,1],[1,0,1],[1,1,0]],重根 λ=-1 却可对角化的正例
  (与题 4 的 a=1 反例成对);sympy 验:特征值 2,-1,-1,det=2,r(-E-A)=1
- 原题 5/6 → 题 6/7,标签 1.3 → 1.4

同步:盘点 §1.3/§1.4 与 §2.3 互指、速查卡四节补"单根不验"算法与三条性质、
README 题量表 7 题;全讲题量口径由错记的 34 修正为 36(实际一直是 35,少算 1)。

顺带修本讲 12 处 `**…$ **`(加粗以公式收尾)——网页端会露星号,
涉及点 1 题 2/3/4 的分情形标签、点 2、点 4、点 5、点 6、速查卡。

校验:gen_crosslinks 8 文件 36 题 18 知识点;check_md_links 212 链接 0 异常;
fix_gitea_math 0 处待修。02 文件 12077 字符、01 文件 12603 字符,均 < 1.3 万。
2026-10-26 19:11:48 +08:00

182 lines
9.9 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
tags: [数学一, 在学练习, 线性代数, 特征值, 矩阵幂, 应用]
专题: 线性代数 第5讲 · 点6 对角化的应用
日期: 2026-10-24
状态: 知识点带题(6.1 求矩阵幂、6.2 算行列式与秩,4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 6 对角化的应用
> 真题锚点:2017·20(解答 11 分)|重要度 ★★★
> 依赖:点 3 的对角化。盘点对应:§6 全节。
**组织原则**:先列知识点(求幂 → 算行列式与秩),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 6.1 用对角化求矩阵幂(出处:[知识章 similar.tex §9](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
若 $A=P\Lambda P^{-1}$ ,则
$$A^{m}=P\Lambda^{m}P^{-1}=P\,\mathrm{diag}(\lambda_1^m,\dots,\lambda_n^m)\,P^{-1}.$$
**四步**:特征值与特征向量 $\to$ 拼 $P$ 与 $\Lambda$ $\to$ 求 $P^{-1}$ $\to$ 三矩阵相乘。
**$P^{-1}$ 速算**:二阶用 $\dfrac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix}$ ;尽量让 $P$ 的列为整数且 $\lvert P\rvert=\pm1$ ,则 $P^{-1}$ 也是整数阵。
**特殊结构捷径**:若 $A=aI+bJ$ ($J$ 为全 1 矩阵),则 $J^k=n^{k-1}J$ ,故
$$A^{m}=a^{m}E+\frac{(a+nb)^{m}-a^{m}}{n}J .$$
## 知识点 6.2 用特征值算行列式与秩(出处:[知识章 similar.tex §9](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
$$\lvert A\rvert=\prod\lambda_i,\qquad\lvert f(A)\rvert=\prod f(\lambda_i).$$
**秩的公式要看条件**:
$$r(A)=\text{非零特征值的个数}\qquad(\text{仅当}\ A\ \text{可对角化}).$$
更一般的写法:$r(A)=n-\dim N(A)=n-\#\{$ 属于 0 的线性无关特征向量$\}$ ,这个式子**无条件成立**。
反例警示:$\begin{pmatrix}0&1\\0&0\end{pmatrix}$ 特征值全为 0,但秩为 1,不可对角化。
---
## 题目(按知识点顺序对应)
### 题 1 · 6.1:二阶求 $A^n$ (★★☆)
> 设 $A=\begin{pmatrix}1&2\\0&3\end{pmatrix}$ ,求 $A^{n}$ ($n$ 为正整数)。
**怎么想**:上三角,特征值直接读 $1,3$ ,互异故可对角化。求两个特征向量拼 $P$ ,再套公式。**最后用 $n=1$ 回代自查**——这一步能抓住 90% 的算错。
**解**:
**第 1 步:特征值与特征向量。** $\lambda_1=1,\ \lambda_2=3$ 。
$\lambda_1=1$ :$E-A=\begin{pmatrix}0&-2\\0&-2\end{pmatrix}$ ,得 $x_2=0$ ,$\xi_1=(1,0)^{\mathrm T}$ 。
$\lambda_2=3$ :$3E-A=\begin{pmatrix}2&-2\\0&0\end{pmatrix}$ ,得 $x_1=x_2$ ,$\xi_2=(1,1)^{\mathrm T}$ 。
**第 2 步:拼 $P$ 与 $\Lambda$ 。**
$$P=\begin{pmatrix}1&1\\0&1\end{pmatrix},\qquad\Lambda=\begin{pmatrix}1&0\\0&3\end{pmatrix},\qquad P^{-1}=\begin{pmatrix}1&-1\\0&1\end{pmatrix}.$$
**第 3 步:套公式。**
$$A^{n}=P\Lambda^{n}P^{-1}=\begin{pmatrix}1&1\\0&1\end{pmatrix}\begin{pmatrix}1&0\\0&3^{n}\end{pmatrix}\begin{pmatrix}1&-1\\0&1\end{pmatrix}$$
$$=\begin{pmatrix}1&3^{n}\\0&3^{n}\end{pmatrix}\begin{pmatrix}1&-1\\0&1\end{pmatrix}=\begin{pmatrix}1&3^{n}-1\\0&3^{n}\end{pmatrix}.$$
**验算**:$n=1$ 时 $\begin{pmatrix}1&2\\0&3\end{pmatrix}=A$ ✓;$n=2$ 时 $\begin{pmatrix}1&8\\0&9\end{pmatrix}$ ,而 $A^2=\begin{pmatrix}1&2\\0&3\end{pmatrix}^2=\begin{pmatrix}1&2+6\\0&9\end{pmatrix}=\begin{pmatrix}1&8\\0&9\end{pmatrix}$ ✓。
**带走结论**:**用 $n=1$ 和 $n=2$ 双验**。$A^n$ 的答案里若出现 $3^n-1$ 这种结构,说明特征值含 1(不动方向)——从右上角非零可知 $A\ne E$ ,合理。
> **关联** · 盘点 [§6.1 用对角化求矩阵幂](01-知识点盘点.md#user-content-61-用对角化求矩阵幂) | 上游 — | 下游 [点 6 题 2](07-点6-对角化的应用.md#user-content-题-2--61全-1-矩阵结构的快速求幂) | 速查 [十 求矩阵幂](09-速查卡.md#user-content-十-求矩阵幂)
---
### 题 2 · 6.1:全 1 矩阵结构的快速求幂(★★★)
> 【2017·20 变体】设 $A=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix}$ ,求 $A^{n}$ 。
**怎么想**:识别结构 $A=E+J$ ($J$ 为全 1 矩阵)。$J$ 的秩为 1、特征值 $3,0,0$ ,故 $J^k=3^{k-1}J$ ,二项式展开即可。**不要走"求 $P$ 、求 $P^{-1}$ 、三个矩阵相乘"的老路**——三阶算下来极易出错。
**解**:
**第 1 步:识别结构。** $A=E+J$ ,其中 $J=\begin{pmatrix}1&1&1\\1&1&1\\1&1&1\end{pmatrix}$ 。
**第 2 步:$J$ 的幂。** $J$ 的每一列都是 $(1,1,1)^{\mathrm T}$ ,故 $J^2=3J$ ,归纳得
$$J^{k}=3^{k-1}J\qquad(k\geqslant1).$$
**第 3 步:二项式展开。** $E$ 与 $J$ 可交换,故
$$A^{n}=(E+J)^{n}=\sum_{k=0}^{n}\binom{n}{k}J^{k}=E+\Big(\sum_{k=1}^{n}\binom{n}{k}3^{k-1}\Big)J .$$
而
$$\sum_{k=1}^{n}\binom{n}{k}3^{k-1}=\frac13\Big(\sum_{k=1}^{n}\binom{n}{k}3^{k}\Big)=\frac{(1+3)^{n}-1}{3}=\frac{4^{n}-1}{3}.$$
故
$$A^{n}=E+\frac{4^{n}-1}{3}J .$$
**验算**:$n=1$ 时 $E+\frac{3}{3}J=E+J=A$ ✓;$n=2$ 时 $E+\frac{15}{3}J=E+5J=\begin{pmatrix}6&5&5\\5&6&5\\5&5&6\end{pmatrix}$ ,而 $A^2=(E+J)^2=E+2J+J^2=E+2J+3J=E+5J$ ✓。
**带走结论**:**看到 $aI+bJ$ 结构就走二项式,不走对角化**。$J^k=n^{k-1}J$ 这条要背下来——它是"秩 1 矩阵"的通用性质($J=\mathbf{1}\mathbf{1}^{\mathrm T}$ ,故 $J^k=\mathbf{1}(\mathbf{1}^{\mathrm T}\mathbf{1})^{k-1}\mathbf{1}^{\mathrm T}=n^{k-1}J$ )。
> **关联** · 盘点 [§6.1 用对角化求矩阵幂](01-知识点盘点.md#user-content-61-用对角化求矩阵幂) | 上游 [点 6 题 1](07-点6-对角化的应用.md#user-content-题-1--61二阶求-an-) | 下游 — | 速查 [十 求矩阵幂](09-速查卡.md#user-content-十-求矩阵幂)
---
### 题 3 · 6.2:特征值算行列式与秩(★★☆)
> 设 $A$ 为三阶矩阵,特征值为 $2,2,0$ ,且 $A$ 可对角化。求:
>
> (Ⅰ)$\lvert A\rvert$ ;(Ⅱ)$r(A)$ ;(Ⅲ)$r(A^{*})$ ;(Ⅳ)$\lvert A^{*}+E\rvert$ 。
**怎么想**:四问全部由特征值回答,但(Ⅲ)要用伴随矩阵的秩公式(第 2 讲),(Ⅳ)要先用 $r(A^{*})=1$ 判"$A^{*}$ 不可逆"。
**解**:(Ⅰ)$\lvert A\rvert=2\times2\times0=0$ 。
(Ⅱ)$A$ 可对角化,故 $r(A)=$ 非零特征值个数 $=2$ 。(也可由 $A\sim\mathrm{diag}(2,2,0)$ 直接读秩。)
(Ⅲ)$r(A)=2=n-1$ ,由伴随矩阵的秩公式 $r(A^{*})=1$ 。
(Ⅳ)注意 $A$ 不可逆(有零特征值),公式 $\lvert A\rvert/\lambda$ 在 $\lambda=0$ 处失效,**不能**用它算 $A^{*}$ 的特征值。
改从伴随矩阵与对角化的一致性走:$A=P\Lambda P^{-1}$ 时 $A^{*}=P\Lambda^{*}P^{-1}$ ,其中 $\Lambda=\mathrm{diag}(2,2,0)$ 的伴随为
$$\Lambda^{*}=\mathrm{diag}\big(2\times0,\ 2\times0,\ 2\times2\big)=\mathrm{diag}(0,0,4)$$
(对角阵的伴随仍是"其余对角元之积")。于是 $A^{*}+E=P(\Lambda^{*}+E)P^{-1}$ ,特征值为 $0+1,0+1,4+1=1,1,5$ ,
$$\lvert A^{*}+E\rvert=1\times1\times5=5 .$$
**验算**:直接取 $A=\mathrm{diag}(2,2,0)$ (相似不改行列式),则 $A^{*}+E=\mathrm{diag}(1,1,5)$ ,行列式 $5$ ✓。
**带走结论**:**$A$ 不可逆时 $A^{*}$ 的特征值要用"其余对角元之积"算**。最稳的办法是先把 $A$ 化成对角阵(相似变换保持 $A^{*}$ 的相似关系),对角阵的伴随直接读。
**带走结论**:**当 $A$ 不可逆时必须改用"两两乘积"算**,套 $\lvert A\rvert/\lambda$ 会错。最稳的办法是直接把 $A$ 化成对角阵再算 $A^{*}$ (对角阵的伴随也是对角阵,元素是其余对角元之积)。
> **关联** · 盘点 [§6.2 用特征值算行列式与秩](01-知识点盘点.md#user-content-62-用特征值算行列式与秩) | 上游 — | 下游 [点 6 题 4](07-点6-对角化的应用.md#user-content-题-4--62秩与特征值的联手) | 速查 [十一 四处最容易丢分](09-速查卡.md#user-content-十一-四处最容易丢分)
---
### 题 4 · 6.2:秩与特征值的联手(★★★)
> 【2017·20 骨架】设 $A$ 为三阶矩阵,$r(A)=2$ ,$\operatorname{tr}(A)=4$ ,且 $A$ 有两个相等的特征值。求:
>
> (Ⅰ)$A$ 的全部特征值;
> (Ⅱ)$r(A^{*})$ ;
> (Ⅲ)判断 $Ax=0$ 的基础解系含几个向量,并说明 $A^{*}x=0$ 与 $Ax=0$ 是否同解。
**怎么想**:$r(A)=2<n$ 说明 $\lvert A\rvert=0$ ,必有一个零特征值。剩下两个由"有两个相等特征值"与迹定出。第(Ⅲ)问把第 4 讲的维数与第 2 讲的伴随秩串起来。
**解**:
**(Ⅰ)** $r(A)=2<3$ 故 $\lvert A\rvert=0$ ,即至少一个特征值为 0。
设三个特征值为 $\lambda,\lambda,0$ ("有两个相等"且已有一个 0;若三个都相等则 $\lambda=\lambda=\lambda$ 且其一为 0,即全为 0,此时 $\operatorname{tr}A=0\ne4$ ,排除)。
由迹:$\lambda+\lambda+0=4\Rightarrow\lambda=2$ 。
故特征值为 $2,2,0$ 。
**(Ⅱ)** $r(A)=2=n-1$ ,由伴随矩阵秩公式
$$r(A^{*})=1 .$$
**(Ⅲ)** $Ax=0$ 的基础解系含 $n-r(A)=3-2=1$ 个向量。
$A^{*}x=0$ 的基础解系含 $n-r(A^{*})=3-1=2$ 个向量。两者维数不同(1 与 2),故**不同解**。
(更强的结论:$r(A)=n-1$ 时,$A^{*}$ 的非零列是 $Ax=0$ 的基础解系,故 $N(A)\subsetneq N(A^{*})$ ,见第 4 讲点 8 题 5。)
**验算**:取 $A=\mathrm{diag}(2,2,0)$ ,$r(A)=2$ 、$\operatorname{tr}A=4$ ✓,特征值 $2,2,0$ ✓;$A^{*}=\mathrm{diag}(0,0,4)$ ,$r(A^{*})=1$ ✓;$A^{*}x=0$ 即 $4x_3=0$ ,解空间 2 维 ✓。
**带走结论**:**"$r(A)=n-1$ "是伴随矩阵题的发令枪**——它同时给出 $r(A^{*})=1$ 、$\lvert A\rvert=0$ 、$N(A)$ 一维三件事。看到这个条件就该把第 2 讲的秩公式和第 4 讲的维数一起调出来。
> **关联** · 盘点 [§6.2 用特征值算行列式与秩](01-知识点盘点.md#user-content-62-用特征值算行列式与秩) | 上游 [点 6 题 3](07-点6-对角化的应用.md#user-content-题-3--62特征值算行列式与秩) | 下游 — | 速查 [十一 四处最容易丢分](09-速查卡.md#user-content-十一-四处最容易丢分)
---