第5章 特征值与特征向量
> 🧭 **先看路牌，再看内容**（30秒，防止"背规矩不知干嘛"）
>
> **你在整本书的哪里**：这是第 5 章（共 6 章），也是"上半场的收官之战"。整本线代讲"**变形**"。前四章都是"给定动作，问结果"；本章换了个最深刻的问题：**有没有一些方向，被捏了之后方向不变，只是被拉长/压短？**（特征向量/特征值）
>
> - 📍 **本章角色**：全书的"看透结构"——找到变形中不转向的"特权方向"（特征向量）和被拉长的倍数（特征值）。**考研每年必出大题（约11分）**。
> - 🎯 **学完能干嘛**：求特征值和特征向量；判断矩阵能不能对角化；把复杂的变形拆成"沿几个主轴伸缩"来理解。
> - 🔗 **和前后章的关系**：把前四章当工具箱（行列式求特征值、方程组求特征向量）；为第6章二次型（分析曲面形状）提供手术刀。
> - 🎬 **本章直觉（一句话）**：地球自转时地轴方向不变——特征向量就是变形中"方向不转向的箭头"，特征值就是它被拉长/压短的倍数。
> **使用说明**：核心知识是概念（先看懂"是什么"），解题方法是模板（再看"怎么考"），练习题是练习（最后动手做）。建议按顺序来，不要跳。
>
> **本章地位**：特征值与特征向量是线性代数"上半场"的收官之战。它把前面四章（行列式、矩阵、秩、方程组）全部串起来，同时为第6章二次型铺路。**考研每年必出一道大题（约11分）**，小题也经常出现。
> ### 📍 从哪来：前四章的"汇合点"
>
> 前面四章走了很长的路——
>
> - **第1章行列式**：学会了"箱子被压扁了没"（行列式为零的判断）
> - **第2章矩阵**：学会了"揉捏动作"怎么写、怎么算
> - **第2章秩（2.15节）**：学会了"揉捏完之后还剩几个独立方向"
> - **第4章方程组**：学会了"解 Ax=b"——给定揉捏动作和结果，反推原来的东西
>
> 四章学完，一个自然的问题冒出来：**有没有一些"特殊方向"，揉捏之后方向完全不变，只是被拉长或压短了？** 这就是 `Ax = λx`——特征值与特征向量的全部故事的起点。
>
> 本章把前四章当成工具箱，反过来问一个更深刻的问题：**不是"给定 x 求 b"，而是"给定 A，找让它表现得像个数一样简单的方向 x"。**
## 本章考什么
| 考点 | 考频 | 题型 | 对应知识块 |
|------|------|------|------------|
| 特征值与特征向量的基本计算 | 很高 | 计算/填空 | 知识块A |
| 特征值五大性质（迹、行列式、f(A)特征值） | 很高 | 选择/填空/简答 | 知识块A |
| 相似矩阵的性质与判定 | 高 | 选择/填空 | 知识块B |
| 判断矩阵能否相似对角化 | 很高 | 选择/填空/解答 | 知识块B |
| 矩阵的相似对角化（求P使P^(-1)AP=Λ） | 很高 | 计算/解答 | 知识块B |
| 实对称矩阵的正交对角化（求Q使Q^(T)AQ=Λ） | 很高（每年必考大题） | 计算/解答（约11分） | 知识块C |
| 由特征值/特征向量反推矩阵的性质 | 较高 | 计算/填空 | 知识块C |
| 施密特正交化 | 较高 | 计算（嵌套在大题中） | 知识块C |
> 🔴 本章是考研线性代数分值最集中的章节——大题约11分（基本每年必出）+ 小题若干（约3-6分），合计约14-17分。
## 二、核心知识与解题方法
### 📦 知识块A：特征值特征向量基础
> 📌 这块学完你就能回答：
>
> 1. 特征值和特征向量到底是什么？能用自己的话说出来吗？
> 2. 给你一个矩阵，怎么一步步求出它的特征值和特征向量？
> 3. 特征值有哪五大核心性质？已知特征值怎么快速推出关联矩阵的特征值？
> 4. 秩为1的矩阵为什么能"秒杀"求特征值？
### 0. 发生式第一课：特征值是怎么被发明的？（先读这一节！）
> 🔔 **这一节回答你最想问的问题**：为什么数学家要费劲找"特征值"这种东西？Ax=λx 这个等式到底想解决什么问题？
>
> **答案一句话：特征值/特征向量是回答"这个变形动作，有没有'方向不变'的特权方向"这个问题时，自然长出来的工具。** 跟着发现一遍。
#### 第一步：一个动作，两种看法
回想整本线代的主线：矩阵 = 变形动作（捏纸）。
- **第2章的视角**：给定动作 A 和箭头 x，问"x 被捏到哪了"（Ax = y）
- **第4章的视角**：给定动作 A 和结果 y，问"谁被捏成了 y"（Ax = y 解方程组）
这两个视角都问"单个箭头去哪了"。现在换个更深刻的问题：
> 🛑 **停下来想一想**：一个变形动作（比如拉伸+旋转），捏空间里**所有**箭头时，大多数箭头都被掰弯了方向。但——**有没有一些箭头，方向完全不变，只是被拉长或压短？**
想想生活中的例子：
- 地球自转：大多数方向都在转，但**地轴方向永远不变**，只是"自己转自己"
- 拉橡皮筋：横向的线被拉长但方向不变；斜着的线方向就变了
- 压扁一张纸：纸面内的方向不变，垂直纸面的方向被压没了
**这些"方向不变的特权箭头"太特殊了，值得专门研究——它们就是"特征向量"（eigenvector，"eigen"=本征的、固有的），被拉长/压短的倍数就是"特征值"（eigenvalue）。**
#### 第二步：把"方向不变"翻译成数学等式
方向不变、只是变长变短，用数学说就是：
$$A\vec{x} = \lambda\vec{x}$$
- $\vec{x}$ = 特征向量（方向不变的箭头）
- $\lambda$ = 特征值（被拉长/压短的倍数）
- 等式意思：**动作 A 作用在 x 上，效果等同于"用一个数 λ 去乘 x"**——一个复杂的动作，在某些方向上变得像一个数那么简单！
> 🛑 **这就是 Ax=λx 的来路**：不是天降定义，是把"方向不变"这个几何事实翻译成代数语言。**找特征值 = 找"哪些方向被这个动作'善待'了（方向不变）"。**
#### 第三步：为什么这很有用？
一个复杂的变形动作（矩阵），可以分解成"沿几个特权方向分别伸缩"——就像一台复杂机器拆成几个简单零件：
- **判断能不能"对角化"**：能不能把复杂动作拆成"沿主轴各自伸缩"（第5章后半）
- **分析曲面形状**：特征值告诉你每个方向鼓多少（第6章二次型）
- **考研必考**：每年一道大题（约11分）
> ✅ **本节收获自检**（能答上来才算过）：
> - 特征向量是什么？（变形中方向不变的箭头）
> - 特征值是什么？（那个方向被拉长/压短的倍数）
> - Ax=λx 想表达什么？（复杂动作在某些方向上像"乘一个数"那么简单）
> - 为什么值得研究？（能把复杂变形拆成沿特权方向伸缩，是第6章的手术刀）
> 📖 **接下来**：1.1 节会用"橡皮泥"比喻确认特征值是什么，1.2 节教你怎么把 λ 从 Ax=λx 里"抓"出来（特征方程）——你已经知道它从哪来了，后面全是"怎么算"。
## 1.1 特征值与特征向量到底是什么？（本章灵魂）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 闭上眼睛想：你面前有一块方形橡皮泥。用双手捏住左右两边往外拉——中间那些点都往左右跑了。但有没有哪些点"方向完全没变"，只是离中心更远了？如果有，你觉得在什么位置？如果做的是"旋转"（像转盘子），还有方向不变的点吗？
**💬 生活比喻**：
想象你有一块橡皮泥，现在你用手去**揉捏**它——把整块橡皮泥拉伸、压缩、扭转。
- 大部分位置上的点，揉捏之后**跑到了完全不同的方向**
- 但是！总有几个**特殊的方向**，揉捏之后这个方向上的点**还待在原来的方向上**，只是被拉长或压短了
比如：你沿着左右方向拉伸橡皮泥——那么**正左方和正右方**这两个方向上的所有点，方向完全没变（还是指向左或右），只是离中心更远了。
**特征向量** = 这些"方向不変"的特殊方向
**特征值** = 在这个方向上被拉长（或压短）的倍数
再比如**旋转**：把一张纸旋转 90 度——纸上**每一个**箭头的方向都变了，没有一个箭头还指向原来的方向。所以旋转变换**没有实特征向量**（但有复数特征向量，后面会讲）。
**📖 正式定义**：
设 A 是 n 阶方阵。如果存在一个数 λ 和一个非零列向量 x，使得：
```
A·x = λ·x
```
则称 λ 为矩阵 A 的**特征值**，x 为 A 的属于 λ 的**特征向量**。
**🔑 一句话记住**：矩阵乘以特征向量，效果等同于一个数乘以特征向量——方向不变，只伸缩。
> ⭐⭐⭐ 核心概念——理解这句话就理解了本章 80%
---
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 用自己的话解释：A=$\begin{bmatrix} 3 & 0 \\ 0 & -2 \end{bmatrix}$（对角矩阵），它的特征值和特征向量分别是什么？（提示：看对角线，想每个坐标轴方向被怎么拉伸了）
>
> **❷ 深度思考** ⭐⭐ — 投影仪把3D世界投到2D屏幕上，相当于一个"压扁"操作。投影矩阵有特征值0（被压掉的那个维度上所有向量都被缩成0）。如果投影仪的镜头歪了（不是一个正投影），那些"压扁方向"的特征向量还在吗？它们的方向和投影方向有什么关系？
>
> **❸ 考试演练** ⭐⭐ — 判断：若x是A的特征向量，则2x也是A的特征向量。若x和y都是A属于λ的特征向量，则x+y也是。（按"定义验证→结论"两步回答）
📖 点击查看参考答案
**❶ 参考答案**：A=$\begin{bmatrix} 3 & 0 \\ 0 & -2 \end{bmatrix}$。x轴方向[1,0]ᵀ被拉伸3倍（λ₁=3），y轴方向[0,1]ᵀ被拉伸-2倍（λ₂=-2）。负数特征值意味着不仅长度变了（2倍），方向还反了——原来向上的箭头变成了向下。
**❷ 参考答案**：投影仪的"压扁方向"就是被压掉的那条光线方向——沿着这条光线上的所有点，投影后都落到屏幕上的同一个点（特征值=0）。如果镜头歪了（斜投影），压扁方向不再是垂直于屏幕——但它还是一个特征向量（特征值=0），只是方向变了。无论正投影还是斜投影，"被压扁的那个维度"一定对应特征值0的特征向量。
**❸ 参考答案**：第一条：Ax=λx ⇒ A(2x)=2Ax=2λx=λ(2x)，所以2x也是特征向量（方向不变，只是长度变了）。✅。第二条：(x+y)满足A(x+y)=Ax+Ay=λx+λy=λ(x+y)，所以x+y也是特征向量（除非x+y=0）。✅。两条都正确。
> 📌 **这节学完你就能回答：**
> - 特征值和特征向量到底是什么？能用"橡皮泥揉捏"讲给别人听吗？
> - 为什么特征向量必须是非零向量？如果允许零向量会发生什么？
> - 给你A=$\begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix}$，能不能一眼看出它的特征值和特征向量？
> - "旋转90度"这个操作为什么没有实的特征向量？
### 为什么特征向量必须非零？
**💬 比喻**：如果允许零向量，那任何数乘零向量都等于零向量——零向量和任何矩阵相乘也都是零向量。这就好比说"任何人都是你爸爸"——太宽泛了，没有意义。所以我们必须规定特征向量不能是零向量。
---
### 几何直观：二维例子
矩阵 A = $\begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix}$，它把平面上每一个点 (x, y) 变成 (2x, 3y)。
- 向量 `[1, 0]ᵀ`（水平向右）：变换后变成 `[2, 0]ᵀ`——方向不变（还是水平向右），长度变 2 倍。特征值 λ = 2。
- 向量 `[0, 1]ᵀ`（竖直向上）：变换后变成 `[0, 3]ᵀ`——方向不变（还是竖直向上），长度变 3 倍。特征值 λ = 3。
- 向量 `[1, 1]ᵀ`（45 度方向）：变换后变成 `[2, 3]ᵀ`——方向变了！不是特征向量。
> 🛑 **停下来想一想**：[1,1]ᵀ 变换后变成了 [2,3]ᵀ——方向变了，所以不是特征向量。那 [2,2]ᵀ 呢？变换后是什么？方向变了吗？
---
## 1.2 特征方程——怎么把特征值"抓"出来？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你要找"方向不变的箭头"，但方向有无穷多个——你不可能一个一个试。数学家的策略是：别直接找箭头，先找"拉伸倍数λ"。如果λ找对了，对应的箭头自然就出来了。凭直觉想：为什么不先找λ？λ的范围是无理数吗？有没有什么条件能帮我们把λ"筛"出来？
**💬 生活比喻**：
你想知道橡皮泥被揉捏后，哪些方向保持不变。你不能一个一个方向去试——方向无穷多！数学家发明了一个"探测器"：**特征方程**。
这个探测器就像一个**筛子**——把矩阵丢进去，它会吐出一个方程，解这个方程就得到了所有特征值。
**难在哪？** ——λ 不是一个能直接看出来的量。方向有无数个，λ 也有无数个可能，总不能一个一个去试吧？唯一的出路是：把"找特征值"这件无限的事，**压缩成"解一个方程"这件有限的事**。方程解出来的根，就是全部特征值。下面这个推导就是干这件事的——从 Ax=λx 一步步把 |A-λE|=0 挤出来。
**🧠 完整推导** — 特征方程是怎么来的？
> 这是本章第一个"灵魂推导"——把几何直觉（方向不变）翻译成代数条件（行列式=0）。只用了四行推导，但每一步都有深意。下面一步步拆开看。
**第1步：从定义出发**
```
A·x = λ·x
```
这是我们最原始的出发点——矩阵乘以向量，效果等同于一个数乘以向量。
> 大白话：你在揉橡皮泥。找一个方向 x，揉完之后它还在原来那条线上，只是被拉长了 λ 倍（也可能是压短了或者反向拉）。这就是 `A·x = λ·x` 画出来的画面。
**第2步：把右边移到左边**
```
A·x - λ·x = 0
```
把等号右边的 `λ·x` 挪到左边，变成减号。等式右边归零——数学上叫"齐次形式"。
> 大白话：我想看看"揉捏之后的效果"减去"单纯拉伸 λ 倍的效果"到底差多少。如果在某个方向上两者恰好相等，那差值就是零向量——这就是我们要找的方向。
**第3步：提取 x——最关键、最容易错的一步！**
```
(A - λE)·x = 0
```
这里有一个初学者踩坑率最高的细节：**λ 是一个数，A 是一个矩阵**，它们不能直接相减！就像不能说"3 减去一张桌子"。要先把 λ "升格"成矩阵——乘以单位矩阵 E。E 的作用就像数字"1"：乘谁也不改变人家。λE 就是一个对角线上全是 λ、其他地方全是零的矩阵。这样 `A - λE` 就是"矩阵减矩阵"，合法了。
> 大白话：λ 只是一个孤零零的数字，我要把它装进一个"矩阵壳子"里（乘以单位阵 E），变成和 A 同样尺寸的矩阵，才能做减法。E 就像一个铸模——把数字 λ 浇铸成矩阵的形状。
> 🛑 **停下来想一想**：λ是一个数，A是一个矩阵。你说"3减去一张桌子"有意义吗？λE就是把λ这个数字"浇铸"成矩阵形状的模具。如果忘了写E，写成|A-λ|=0——这个式子哪里不合法？
**第4步：认出这是一个齐次线性方程组**
`(A - λE)·x = 0` 的本质：把 `(A - λE)` 当成系数矩阵，把 x 当成未知向量——这就是第 4 章学过的**齐次线性方程组**！
> 大白话：这一步和第 4 章"接上头"了——原来求特征向量就是解一个齐次方程组！前面学的"系数矩阵""自由变量""基础解系"全都用得上。这不是新东西，只是换了一件马甲。
**第5步：要求 x ≠ 0——这是命门！**
我们找的是**特征向量**，特征向量定义上就必须是非零向量。零向量没有方向（或者说它指向所有方向），说它"被揉捏后方向不变"毫无意义——就像问"一辆停了发动机的车朝哪个方向开"。
> 大白话：零向量被任何矩阵乘完还是零向量——它没有方向，也就不存在"方向变没变"的问题。所以必须排除零向量，只找真正的"方向不变的箭头"。
**第6步：齐次方程组有非零解 ⇔ 行列式为零**
齐次方程组 `B·x = 0` 要有非零解，系数矩阵 B 的行列式**必须为零**。如果行列式不为零，方程组只有唯一的零解（x = 0）——那第 5 步就白干了。这是第 1 章和第 4 章反复强调的核心结论。
> 大白话：行列式不为零 = 箱子没被压扁 = 三个维度都饱满。这样的矩阵做变换，只有原点被钉住，其他所有点全部挪位。要让某个"非原点"的点也留在原来方向上，箱子必须被"压扁"至少一个维度——行列式为零正是"压扁了"的数学表达。
**第7步：得出特征方程！**
```
|A - λE| = 0
```
这个等式就是赫赫有名的**特征方程**。
左边 `|A - λE|` 展开后是一个关于 λ 的 n 次多项式，叫**特征多项式**。比如 2 阶矩阵展开得到 λ 的二次式，3 阶矩阵得到 λ 的三次式。令它等于零，解出来的 λ 就是特征值。
> 大白话：上面这七步，核心推导只有四行——从 `Ax = λx` 到 `(A - λE)x = 0` 再到 `|A - λE| = 0`。四步跨越了几何直觉到代数计算。搞懂这四步，你就抓住了本章的"总开关"。
---
> 📌 **这节学完你就能回答：**
> - |A-λE|=0 这个特征方程是怎么从Ax=λx一步步推出来的？每一步为什么"非这样不可"？
> - 为什么要把λ"升格"成λE才能和A相减？直接写|A-λ|为什么是错的？
> - 特征方程和第四章的齐次方程组有什么联系？为什么说"求特征向量就是解齐次方程组"？
> - 特征多项式是几次的？它的根（特征值）一定是实数吗？
> 🛑 **停下来想一想**：整个推导有7步，但核心只有4行——Ax=λx → Ax-λx=0 → (A-λE)x=0 → |A-λE|=0。如果让你把这4行讲给一个刚学完第4章的同学听，你会怎么解释第3行到第4行的跳跃？（提示：第4章学了什么关键结论？）
**📝 推导复盘** — 用大白话重新串一遍
整个推导的逻辑就像一条链子，一环扣一环：
1. **起点**：我想找"揉捏后方向不变的箭头" → `Ax = λx`
2. **移项**：把等式改成"揉捏效果 - 单纯拉伸效果 = 零" → `Ax - λx = 0`
3. **升格**：把 λ 这个数装进矩阵壳子 λE，才能和 A 做减法 → `(A - λE)x = 0`
4. **认亲**：这正是一个齐次线性方程组！要找非零解 x
5. **条件**：齐次方程组有非零解 ⇔ 系数行列式为零
6. **结果**：`|A - λE| = 0`
就像侦探破案：你想抓住"方向不变的向量"这个嫌疑人，但既不知道它长什么样（x 未知），也不知道拉伸倍数是多少（λ 未知）。你手里只有一个线索 `Ax = λx`。你顺藤摸瓜，四步推理发现——只要 λ 让 `|A - λE|` 等于零，就一定能找到对应的 x。于是策略出来了：**先把 λ 求出来（解特征方程），再回头用 λ 找 x（解齐次方程组）**。这就是"先求特征值、再求特征向量"的逻辑来源。
✍️ **立刻练一道**：把 A=$\begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$ 代入特征方程 |A-λE|=0，写出 A-λE 的矩阵形式（不用算行列式）。（答案：A-λE = $\begin{bmatrix} 1-λ & 2 \\ 3 & 4-λ \end{bmatrix}$。主对角线各减 λ，其他位置不动。）这也正是下方阅读思考题❶。
---
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 把A=$\begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$代入特征方程|A-λE|=0，写出A-λE的矩阵形式（不用算行列式）。
>
> **❷ 深度思考** ⭐⭐ — 特征方程|A-λE|=0本质上是一个"n次方程=0"的问题。回忆初中一元二次方程的判别式Δ=b²-4ac：Δ>0两个实根、Δ=0一个重根、Δ<0无实根。对于2阶矩阵的特征方程λ² - tr(A)λ + |A| = 0（tr(A) 叫**迹**，就是主对角线上元素之和，§1.5 会详细讲；这个公式就是 2 阶特征多项式的展开，§1.5 也会推导），判别式是什么？它如何影响特征值的"实vs虚"和"单vs重"？
>
> **❸ 考试演练** ⭐⭐ — 已知A=$\begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}$（旋转90度矩阵）。求特征方程，解特征值，并解释为什么特征值是虚数——这和"旋转没有实特征向量"的几何事实如何对应？
📖 点击查看参考答案
**❶ 参考答案**：A-λE = $\begin{bmatrix} 1-λ & 2 \\ 3 & 4-λ \end{bmatrix}$。主对角线各减λ，其他位置不变。
**❷ 参考答案**：2阶特征多项式为 λ² - tr(A)λ + |A|。判别式 Δ = tr(A)² - 4|A|。Δ>0 → 两个不同实特征值；Δ=0 → 一个二重实特征值；Δ<0 → 一对共轭复特征值。这和一元二次方程完全一样——因为2阶特征多项式就是λ的二次式。
**❸ 参考答案**：A-λE=$\begin{bmatrix} -λ & -1 \\ 1 & -λ \end{bmatrix}$ → |A-λE|=λ²+1=0 → λ=±i（虚数）。几何解释：旋转90度把每个方向都改变了90度——没有任何实方向能保持方向不变。虚数特征值i说明在"复平面"的意义下有"虚拟的方向不变性"，但在实数世界里——确实一个方向不变的箭头都没有。复数特征值总是成对出现（共轭）。
**⚠️ 易错边界** — 反例和常见误区
1. **λ 是数，不能直接和矩阵相减！** 最常见的初学错误是写成 `|A - λ|` 或者 `(A - λ)x = 0`——都错了。必须是 `|A - λE|` 和 `(A - λE)x = 0`。E 这个"铸模"不能省。
2. **特征向量必须非零！** 零向量能让 `A·0 = λ·0` 对全世界所有 λ 都成立——如果允许零向量当特征向量，"任何数都是特征值"，特征值这个概念就彻底废了。
3. **特征值一定是实数吗？** 不一定！比如旋转 90° 的矩阵 $\begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}$，特征方程是 `λ² + 1 = 0`，特征值是虚数 i 和 -i——说明旋转确实把所有实方向都改变了。但**实对称矩阵**的特征值一定是实数（1.13 节会证明为什么）。
4. **反例**：A = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$，特征方程 `λ² = 0`，λ = 0 是二重根，但解 `(A - 0E)x = 0` 只能找到一个线性无关的特征向量。特征方程给的 λ 是"候选者"，候选者能不能"招到足够多的小弟（特征向量）"，是 1.9-1.10 节对角化的关键。
---
**⑥ 链条位置** — 从哪来 → 本定理 → 到哪去
```
[第1章 行列式] [第4章 方程组]
"行列式=0 ⇔ 压扁了" "齐次方程组非零解 ⇔ 行列式=0"
↘ ↙
[第5章 §1.2 特征方程 |A-λE|=0]
"几何直觉 → 代数条件的翻译器"
↓
[§1.3 求特征值] → [§1.4 求特征向量]
"解特征方程得 λ" "解齐次方程组得 x"
↓
[§1.9-1.10 对角化] → [第6章 二次型]
"特征向量够不够拼 P" "特征值写成标准形"
```
**从哪来**：第 1 章的"行列式为零 = 矩阵被压扁"和第 4 章的"齐次方程组有非零解 ⇔ 行列式为零"，两个前置知识点在此汇合。前面四章不学透，这段推导寸步难行。
**本定理**：`|A - λE| = 0` 是把几何定义 `Ax = λx` 变成可算的代数方程的**唯一桥梁**。没有它，特征值只能靠猜。
**到哪去**：有了特征方程求出 λ → 1.3-1.4 用 λ 找特征向量 → 1.9-1.10 看特征向量够不够拼成 P 来对角化 → 第 6 章用特征值写二次型的标准形。
> ⭐⭐⭐ 核心——所有特征值计算的起点。这四个推导步骤（移项→升格→认方程组→行列式为零）是本章一切计算的"源代码"。
---
## 1.3 求特征值的标准步骤
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 回忆1.2节：特征方程帮你把λ"筛"出来了。现在问题变成纯计算——给你一个具体矩阵A，把|A-λE|=0展开→得到一个多项式→解方程得λ。这个过程在数学上叫"把几何问题翻译成代数计算"。试着对A=$\begin{bmatrix} 3 & 1 \\ 1 & 3 \end{bmatrix}$写出A-λE（不用算行列式），你觉得这个矩阵有什么"对称"的特点？
#### 先看一道题：求 A = $\begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$ 的特征值
看到这题，先别慌。我们上一节已经悟出特征值满足特征方程 |A-λE|=0，也知道 "先求 λ、再求 x" 的大方向。可"求特征值"到底怎么下手？**难在哪？** ——λ 是"藏在 A 里面的数"，不是一个能直接读出来的未知量。怎么把它挖出来？
回想 1.2 节悟出的总开关：**特征方程 |A-λE|=0**。那这题就顺着它做——把 A 带进去。
🧠 这一步在想什么：**先列 |A-λE|=0**——这是把"求特征值"翻译成"解方程"的总开关。A-λE 就是 $\begin{bmatrix} 2-λ & 1 \\ 1 & 2-λ \end{bmatrix}$，把行列式展开：
```
|A - λE| = (2-λ)(2-λ) - 1×1 = λ² - 4λ + 4 - 1 = λ² - 4λ + 3
```
> 大白话：2 阶矩阵的行列式就是"交叉相乘再相减"（第1章学过）。对 2 阶矩阵，这永远会变成一个 λ 的二次式——这就是特征多项式。
方程列出来了，下一步就是解它——就像解初中一元二次方程：
```
λ² - 4λ + 3 = 0 → (λ-1)(λ-3) = 0 → λ₁ = 1, λ₂ = 3
```
🔍 回头看看我们做了什么：原来"求特征值"就三步——**列方程 → 展开 → 解方程**。第一步永远是列 |A-λE|=0；第二步是把行列式展开成 λ 的多项式；第三步是令它等于零求根。每一步都被上一步"逼"出来，没有一步是多余的。
📌 以后就这么办：求特征值三连——① 写 A-λE（主对角线各减 λ）② 算行列式得到特征多项式 ③ 令它 = 0，解出 λ。
✍️ **立刻练一道**：求矩阵 A = $\begin{bmatrix} 3 & 1 \\ 1 & 3 \end{bmatrix}$ 的特征值。（提示：这个矩阵和例题长得几乎一样——主对角线都是同一个数、副对角线都是 1。答案：|A-λE|=(3-λ)²-1 = λ²-6λ+8 = (λ-2)(λ-4) → λ₁=2, λ₂=4。这就是 1.3 节课前激活里那个"对称"矩阵的答案。）
> 🛑 **停下来想一想**：验算一下——特征值1和3加起来=4，A的迹=2+2=4。对上了！这个验算方法（迹=特征值和）可以帮你快速发现计算错误。如果算出来的特征值之和≠迹，说明哪步算错了？
> ⭐⭐⭐ 核心——这三步是本章所有计算的基础，必须滚瓜烂熟
> 📌 **这节学完你就能回答：**
> - 求特征值的三个标准步骤是什么？每步容易在哪里出错？
> - 如果把A-λE写错了（比如不在对角线上减λ，或者忘了写E），会有什么后果？
> - 为什么特征多项式一定是λ的n次多项式？
---
## 1.4 求特征向量的标准步骤
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 上一节已经求出了λ₁=1, λ₂=3。现在把λ₁=1代入(A-λE)，这个矩阵变成了$\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}$——注意，它的行列式恰好为0（两行相同）。为什么行列式为0是"好事"？如果行列式不为0，方程组(A-λE)x=0会有什么解？这和"求特征向量"的目的有什么关系？
#### 先看一道题：接着上一题，求属于 λ₁ = 1 的特征向量
看到这题，先别慌。上一节求出了 λ₁=1、λ₂=3，现在要找出"属于 λ₁=1 的方向不变的箭头"。**难在哪？** ——λ 知道了，可 x 还是藏在里面。而且方向有无穷多个，怎么锁定"方向不变的"那几个？
回想 1.2 节悟出的那个认亲结论：**特征向量就是齐次方程组 (A - λE)x = 0 的非零解**。那思路就通了——把 λ=1 代入，解这个齐次方程组，找到的"方向"就是特征向量。
🧠 这一步在想什么：**先代入 λ**——把 λ=1 塞进 A-λE，得到具体的数字矩阵，这时才谈得上"解方程组"。
```
A - 1·E = $\begin{bmatrix} 2-1 & 1 \\ 1 & 2-1 \end{bmatrix}$ = $\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}$
```
注意！这个矩阵的行列式恰好为 0（两行完全相同）——**这正是"好事"**：1.2 节说过，行列式不为 0 时方程组只有零解 x=0，而那恰恰不是我们要的（特征向量必须非零）。现在行列式为 0，说明存在非零解，有戏！
解 $\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}$·$\begin{bmatrix} x₁ \\ x₂ \end{bmatrix}$ = $\begin{bmatrix} 0 \\ 0 \end{bmatrix}$——第二行等于第一行，删掉冗余，只剩一个有效方程：
```
x₁ + x₂ = 0 → x₁ = -x₂
```
> 大白话：这是第 4 章的老朋友——齐次方程组，求基础解系（自由变量法）。给 x₂ 一个值，x₁ 就被 x₂ 唯一确定了，得到一个"方向"。
令 x₂ = 1，得 x₁ = -1 → 特征向量 `[-1, 1]ᵀ`。
属于 λ₁ = 1 的全体特征向量为：`k·[-1, 1]ᵀ`（k ≠ 0 为任意常数）。
🔍 回头看看我们做了什么：对每个 λᵢ，"求特征向量"就三步——**代入 (A - λᵢE) → 解齐次方程组 (A - λᵢE)x = 0 → 求基础解系**。每一步都是前面已学知识的组合（代入是计算、解方程组是第4章、基础解系就是特征向量），没有一个新东西。
📌 以后就这么办：对每个特征值 λᵢ，求特征向量三连——① 代入 λᵢ 得 (A - λᵢE) ② 解 (A - λᵢE)x = 0 ③ 基础解系就是属于 λᵢ 的特征向量（全体特征向量 = 基础解系的任意非零线性组合）。
✍️ **立刻练一道**：还是上面那个矩阵 A = $\begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$，求属于 λ₂ = 3 的特征向量。（答案：A-3E = $\begin{bmatrix} -1 & 1 \\ 1 & -1 \end{bmatrix}$，解方程组得 -x₁ + x₂ = 0 → x₁ = x₂，基础解系取 [1, 1]ᵀ，即全体特征向量 k·[1, 1]ᵀ。）
> 🛑 **停下来想一想**：换个取法——令x₂=-1，得x₁=1 → 特征向量[1,-1]ᵀ。它和[-1,1]ᵀ是不是同一个方向？观察一下：一个是不是另一个的倍数？（[1,-1]ᵀ = -1 × [-1,1]ᵀ，确实是）——特征向量允许"整体缩放任意倍数"，所以这俩是同一个方向，写哪个都行。
> 📌 **这节学完你就能回答：**
> - 对每个特征值求特征向量的三步是什么？为什么必须先知道特征值才能求特征向量？
> - 基础解系中的向量个数由什么决定？如果(A-λE)化简后只剩一行，能求出几个线性无关的特征向量？
> - 为什么特征向量写答案时必须加"k≠0"？如果忘了写，扣不扣分？
> ⭐⭐⭐ 核心——注意！特征向量**不唯一**：如果 x 是特征向量，那 kx（k≠0）也是，因为方向一样。但通常取最简单的整数形式。
---
## 1.5 特征值的五大核心性质（必须刻在脑子里！）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 体检报告上有身高、体重、血压——看似不同，其实都源自同一个身体。矩阵也有五条"体检指标"：特征值之和、特征值之积、不同特征值的向量是否打架、重根能带几个"小弟"、能不能"恢复原状"。凭直觉猜一下：这五条里哪几条是"算出来的"（代数），哪几条是"看出来的"（几何）？它们之间有没有共同源头？
### 性质1：迹 = 特征值之和
**💬 比喻**：矩阵主对角线上所有数的总和（叫"迹"），等于所有特征值加起来。就像一队士兵的总身高，不管你怎么排列，加起来都一样。
**📖 公式**：`λ₁ + λ₂ + ... + λₙ = a₁₁ + a₂₂ + ... + aₙₙ = tr(A)`（tr 是"迹"的缩写）
**用处**：算出一个特征值后，用这个性质快速验证另一个。
> 🛑 **先停一下想：这五条性质从哪冒出来的？** ——上面五条看名字毫无关联（身高、体重、血压……），但矩阵的这五条"体检指标"其实**全是同一个东西的五个分身**：特征多项式 |A - λE|。1.2 节说过，特征多项式是 λ 的 n 次多项式；而 λ₁...λₙ 又是它的根。把"同一个多项式"分别按"展开式"和"按根分解"两种写法比一比，性质和2 就蹦出来了；性质3、4 要用 Ax=λx 的定义推；性质5 只是性质2 的一句话推论。别急着背五条，下面的"灵魂推导"会从这一个源头把它们逐个"长"出来。
---
### 性质2：行列式 = 特征值之积
**💬 比喻**：箱子体积等于各个方向上拉伸倍数的乘积。
**📖 公式**：`|A| = λ₁ · λ₂ · ... · λₙ`
**用处**：如果有特征值为 0，行列式一定为 0（箱子被压扁了）。反过来，行列式为 0 说明至少一个特征值是 0。
> 🛑 **停下来想一想**：|A|=0意味着什么？用性质2解释：有一个特征值为0 → 乘积为0 → 行列式为0 → 箱子被压扁。那反过来呢？如果行列式为0，用性质2能推出什么？
---
### 性质3：不同特征值对应的特征向量线性无关
**💬 比喻**：不同方向上的"不变量"各自独立，没有哪个可以用其他的拼出来。
**📖**：如果 λ₁, λ₂, ..., λₘ 互不相同，则它们对应的特征向量 x₁, x₂, ..., xₘ 线性无关。
**用处**：这是矩阵能相似对角化的重要基础。
---
### 性质4：k 重特征值最多有 k 个线性无关的特征向量
**💬 比喻**：如果一个拉伸倍数重复出现了 k 次，那么在这个"不变方向"上，你最多能找到 k 个互相独立的箭头。但有时候找不到那么多——因为矩阵可能在这个方向上"卡住了"。
**📖**：设 λ₀ 是 A 的 k 重特征值，则属于 λ₀ 的线性无关特征向量的个数 ≤ k。
**重要性**：当"等于 k"时 → 可以相似对角化；当"小于 k"时 → 不能相似对角化。
---
### 性质5：特征值决定矩阵的可逆性
**📖**：A 可逆（行列式不为零） ⇔ 所有特征值都不为零。
**💬**：所有拉伸倍数都不为零 → 空间没被压扁 → 可以恢复原状。
---
### 补充考点（考研高频）：AB 与 BA 的迹、行列式与特征值
**📖 结论**：对任意 n 阶方阵 A、B：
- tr(AB) = tr(BA)（迹可以"循环"挪位）
- |AB| = |BA|（行列式可以交换顺序）
- AB 与 BA 有**相同的非零特征值**（含相同的代数重数；**代数重数**=某个特征值作为特征方程根出现的次数，也就是它是几重根，下方推导三会用到）
**💬 比喻**：A 和 B 是两步"揉捏动作"。先 A 后 B（AB）和先 B 后 A（BA），得到的矩阵一般不同，但"被压扁了几个方向、每个方向拉伸多少"这类信息基本一致——只有被压成零的那些方向（特征值 0）可能对不上。
**🧠 证明思路**：先看 A **可逆**的情形——BA = A⁻¹(AB)A，这表示 BA 是把 AB"换了一个坐标系"来看（这就是**相似**，§1.8 会正式定义；换坐标系不改变特征值）。所以 A 可逆时，AB 与 BA 的特征值完全相同。A **不可逆**时，可以给 A 加上一个极小的扰动 A + tE（t 取足够小的非零数）把它变成可逆，此时 AB 与 BA 的非零特征值仍然相同，再让 t 趋于 0，结论照常成立——所以对任意 A、B，AB 与 BA 的**非零**特征值（含重数）都相同。（更直白地说：两者的特征多项式只差 λ 的若干次因子，差的都是"0 这个特征值的重数"，非零特征值一个不差。）
> 🎯 考研常考：选择题/判断题"AB 与 BA 是否有相同的非零特征值"——记住"非零特征值相同"即可快速判断。
---
> 📌 **这节学完你就能回答：**
> - 迹=特征值和、行列式=特征值积——这两个公式怎么用特征多项式展开证明的？
> - "不同特征值的特征向量线性无关"——这个证明用了什么巧妙的"最小反例"技巧？
> - k重特征值最多k个线性无关特征向量——"最多"这个词意味着什么？什么时候"等于"、什么时候"小于"？
> - 五个性质中，哪两个是"同一个多项式展开式比较系数"推出的？哪一个是反证法推出的？
### 🧠 灵魂推导：五大性质的证明——特征多项式的"五个分身"
**① 生活场景** 🎬
你拿到一份体检报告，上面有五项指标：身高、体重、血压、心率、血脂。这五项指标看起来各自独立，但实际上它们有一个共同的"源头"——你的身体状况。
矩阵的五大性质也是同样的道理。迹、行列式、线性无关性、重根限制、可逆性——这五条看似不同，其实全部源于同一个东西：**特征多项式 |A - λE|**。特征多项式就像矩阵的"DNA"，五大性质是从 DNA 中提取的五项"体检指标"。
下面逐一推导每条性质的证明。
**② 正式陈述**
设 A 是 n 阶方阵，特征值为 λ₁, λ₂, ..., λₙ（在复数范围内计重数）。则：
- **性质 1**：tr(A) = λ₁ + λ₂ + ... + λₙ（迹 = 特征值和）
- **性质 2**：|A| = λ₁ · λ₂ · ... · λₙ（行列式 = 特征值积）
- **性质 3**：属于不同特征值的特征向量线性无关
- **性质 4**：k 重特征值对应最多 k 个线性无关的特征向量
- **性质 5**：A 可逆 ⇔ 所有特征值 λᵢ ≠ 0
**③ 🧠 完整推导**
---
**推导一：性质 1 和性质 2 — 迹 = 特征值和，行列式 = 特征值积**
这两个性质的证明共用一个起点——将特征多项式展开。
**第1步**：写出特征多项式 |A - λE|。
```
A - λE = [a₁₁-λ, a₁₂, ..., a₁ₙ ]
[a₂₁, a₂₂-λ, ..., a₂ₙ ]
[ ..., ..., ..., ... ]
[aₙ₁, aₙ₂, ..., aₙₙ-λ]
```
**第2步**：将 |A - λE| 按多项式展开。
|A - λE| 是一个关于 λ 的 n 次多项式。最高次项 λⁿ 来自主对角线上 n 个 (aᵢᵢ - λ) 的乘积中各取 (-λ) 相乘：`(-λ)ⁿ = (-1)ⁿ λⁿ`。
次高次项 λⁿ⁻¹ 呢？只有一种产生方式：在主对角线上取 n-1 个 (-λ) 和一个 aᵢᵢ（共 n 种选法，每种贡献 (-λ)ⁿ⁻¹ aᵢᵢ），加起来得到 `(-1)ⁿ⁻¹ (a₁₁ + a₂₂ + ... + aₙₙ) λⁿ⁻¹`。
展开式为：
```
|A - λE| = (-1)ⁿ λⁿ + (-1)ⁿ⁻¹ (tr A) λⁿ⁻¹ + ... + |A|
```
> 大白话：把行列式展开成 λ 的多项式。最高次项 λⁿ 的系数是 (-1)ⁿ；次高次项 λⁿ⁻¹ 的系数是 (-1)ⁿ⁻¹ 乘以迹；常数项（λ = 0 时的值）等于 |A|。
**第3步**：从另一角度——利用特征值 λ₁, ..., λₙ 是特征多项式的根。
因为 λ₁, ..., λₙ 是 |A - λE| = 0 的全部根（在复数范围内），特征多项式可以因式分解为：
```
|A - λE| = (λ₁ - λ)(λ₂ - λ)...(λₙ - λ)
```
展开此式：
```
(λ₁ - λ)(λ₂ - λ)...(λₙ - λ) = (-1)ⁿ λⁿ + (-1)ⁿ⁻¹ (Σλᵢ) λⁿ⁻¹ + ... + (λ₁λ₂...λₙ)
```
> 大白话：用"根"的形式重写特征多项式——就像 x²-5x+6 = (x-2)(x-3) 一样。展开后 λⁿ⁻¹ 的系数 = (-1)ⁿ⁻¹ 乘以所有根的和，常数项 = 所有根的乘积。
**第4步**：对比两个展开式——同一个多项式，展开方式不同，各项系数必须相等！
比较 λⁿ⁻¹ 项系数：
```
(-1)ⁿ⁻¹ (tr A) = (-1)ⁿ⁻¹ (λ₁ + λ₂ + ... + λₙ)
→ tr(A) = λ₁ + λ₂ + ... + λₙ ✅ 性质 1 得证！
```
比较常数项（令 λ = 0）：
```
|A - 0·E| = (λ₁)(λ₂)...(λₙ)
→ |A| = λ₁ · λ₂ · ... · λₙ ✅ 性质 2 得证！
```
> 大白话：同一个多项式穿了"两件衣服"——一件是展开式的系数（tr(A) 和 |A|），另一件是因式分解的根之和与根之积（Σλᵢ 和 Πλᵢ）。既然两件衣服包的是同一个人，里面的数字必须对得上。这就是迹=特征值和、行列式=特征值积的证明。
---
**推导二：性质 3 — 不同特征值对应的特征向量线性无关**
这个证明用的是"反证法+最小性"，短小精悍。
**第1步**：假设结论不成立——存在一组不同特征值 λ₁, λ₂, ..., λₘ，它们对应的特征向量 x₁, x₂, ..., xₘ 线性相关。
那么存在不全为零的系数 c₁, ..., cₘ 使得：
```
c₁x₁ + c₂x₂ + ... + cₘxₘ = 0
```
**第2步**：在所有这样的线性相关关系中，取非零系数最少的那一组（最短线性关系）。不妨设这组关系中非零系数的下标是从 1 到 r（r ≤ m），即：
```
c₁x₁ + c₂x₂ + ... + cᵣxᵣ = 0 （所有 cᵢ ≠ 0）
```
**第3步**：对等式两边左乘 A，并利用 Axᵢ = λᵢxᵢ：
```
c₁λ₁x₁ + c₂λ₂x₂ + ... + cᵣλᵣxᵣ = 0 ...①
```
**第4步**：对原始等式两边乘以 λᵣ：
```
c₁λᵣx₁ + c₂λᵣx₂ + ... + cᵣλᵣxᵣ = 0 ...②
```
**第5步**：① - ②，消掉最后一项：
```
c₁(λ₁ - λᵣ)x₁ + c₂(λ₂ - λᵣ)x₂ + ... + cᵣ₋₁(λᵣ₋₁ - λᵣ)xᵣ₋₁ = 0
```
因为 λᵢ 互不相同，所以 λᵢ - λᵣ ≠ 0（i < r），又 cᵢ ≠ 0 → 新的系数 cᵢ(λᵢ - λᵣ) ≠ 0。
> 大白话：这得到了一个**更短的**线性相关关系（只有 r-1 个向量，系数仍然全非零）。但"r 是最短的"这一约定被打破了——矛盾！
**第6步**：矛盾说明"存在线性相关关系"的假设不成立。因此 x₁, ..., xₘ 必须线性无关。
> 大白话：这个证明的思维很妙——不是直接去证"它们线性无关不好证"，而是假设它们线性相关然后看"最短的线性关系是哪个"——最短的那个会被特征值不同这个条件"压缩"成更短的关系，从而产生矛盾。"最短性"就像一条不断收紧的绳索，最后把可能性勒没了。
✅ **性质 3 得证**。
---
**推导三：性质 4 — k 重特征值最多有 k 个线性无关特征向量**
设 λ₀ 是 A 的 k 重特征值（在特征多项式中作为根出现 k 次）。设属于 λ₀ 的线性无关特征向量有 s 个，记为 x₁, ..., xₛ。
将这 s 个向量扩充为整个 n 维空间的一组基（总可以找到 n-s 个额外的线性无关向量补齐），排成矩阵 P。对 A 做相似变换 P⁻¹AP：
由于前 s 个基向量满足 Axᵢ = λ₀xᵢ，变换后的矩阵具有分块形式：
```
P⁻¹AP = [λ₀Eₛ * ]
[ 0 B ]
```
其中 Eₛ 是 s 阶单位矩阵，B 是 (n-s) 阶方阵。这个矩阵的特征多项式为：
```
|P⁻¹AP - λE| = (λ₀ - λ)ˢ · |B - λE|
```
因为 |P⁻¹AP - λE| = |P⁻¹|·|A - λE|·|P| = |A - λE|（行列式的乘法性质，第 1 章已学），所以相似变换不改变特征多项式：|A - λE| = |P⁻¹AP - λE| = (λ₀ - λ)ˢ · |B - λE|。
λ₀ 在特征多项式中作为根的重数 ≥ s。而已知 λ₀ 的代数重数为 k（**代数重数**=λ₀ 作为特征方程根出现的次数，也就是它是几重根），所以 s ≤ k。
> 大白话：用一组特征向量扩充成全空间的一组基，把 A 变成一个"上三角分块"形式。前 s 个对角块给出 s 个 λ₀ 根因子。特征多项式里 λ₀ 的因子数至少是 s，而 λ₀ 总共只出现 k 次——所以 s 不能超过 k。换句话说，有几个线性无关特征向量，特征多项式里 λ₀ 这个根至少要出现几次。"根的数量"是有上限的（k 重），所以特征向量数量也有上限（≤ k）。
✅ **性质 4 得证**。
---
> 🛑 **停下来想一想**：性质3的证明用了"找最短线性相关关系"这个技巧——假设有一组线性相关的特征向量，取其中非零系数最少的那组。然后乘以A再用特征值一减，消掉最后一个向量，得到了一个更短的关系——矛盾！这种"取最短"的证法在数学里叫什么？你还见过类似的证明吗？
**推导四：性质 5 — A 可逆 ⇔ 所有特征值 ≠ 0**
由性质 2：|A| = λ₁ · λ₂ · ... · λₙ
A 可逆 ⇔ |A| ≠ 0（第 1 章行列式的基本结论）
|A| ≠ 0 ⇔ λ₁ · λ₂ · ... · λₙ ≠ 0 ⇔ 所有 λᵢ ≠ 0
> 大白话：连乘等于零，说明至少有一个因子是零。行列式等于所有特征值乘起来——只要有一个特征值是 0，行列式就是 0，箱子就被压扁，逆矩阵就不存在。反过来，全部非零 → 行列式非零 → 可逆。
✅ **性质 5 得证**。
---
**📝 推导复盘** — 大白话串讲
五大性质的证明路线图：
```
特征多项式 |A - λE|
│
├── 展开式视角 ──→ 系数比较 ──→ 性质1（迹=特征值和）
│ └── 性质2（行列式=特征值积）
│
├── 因式分解视角 ──→ (λ₁-λ)(λ₂-λ)...(λₙ-λ) ──→ 同样可推性质1和2
│
├── 定义式 Ax=λx + 反证法 ──→ 性质3（不同λ的特征向量线性无关）
│
├── 基扩充 + 相似分块 ──→ 重数比较 ──→ 性质4（k重根≤k个无关向量）
│
└── 性质2的直接推论 ──→ 性质5（可逆 ⇔ 所有λ≠0）
```
五条性质各有各的证法，但都扎根于同一个起点——特征多项式的结构和 Ax = λx 的定义。理解了这个源头，五大性质就变成了"同一个故事从五个角度讲"，而不是五条需要死记硬背的公式。
✍️ **立刻练一道**：已知 3 阶矩阵 A 的特征值为 1, 2, 3（各单根），求 tr(A) 和 |A|。（提示：用性质1 和性质2，不用知道 A 长什么样。答案：tr(A) = 1+2+3 = 6，|A| = 1×2×3 = 6。这正是下方阅读思考题❶。）
---
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 3阶矩阵A的特征值为1,2,3（各单根）。求tr(A)和|A|。不要求A的具体元素。
>
> **❷ 深度思考** ⭐⭐ — 性质3说"不同特征值的特征向量线性无关"。它的逆命题成立吗？——"特征向量线性无关"能推出"特征值不同"吗？想一个反例（提示：考虑单位矩阵E）。
>
> **❸ 考试演练** ⭐⭐ — 已知A是3阶矩阵，tr(A)=6，|A|=6，且A有一个特征值为1。求另外两个特征值。
>
> 📖 点击查看参考答案
>
> **❶ 参考答案**：tr(A)=1+2+3=6，|A|=1×2×3=6。
>
> **❷ 参考答案**：逆命题不成立！取A=E（单位矩阵），特征值全是1（完全相同），但可以取n个线性无关的特征向量（各坐标轴方向[1,0,...,0]ᵀ, [0,1,...,0]ᵀ等）。不同特征值→线性无关（正向成立）；线性无关↛特征值不同（反向不成立）。
>
> **❸ 参考答案**：设特征值为1, λ₂, λ₃。由迹：1+λ₂+λ₃=6 → λ₂+λ₃=5。由行列式：1×λ₂×λ₃=6 → λ₂×λ₃=6。解方程组：λ₂, λ₃是t²-5t+6=0的根=2和3。所以另外两个特征值为2和3。
>
**⚠️ 易错边界** — 反例和常见误区
1. **性质 1 和 2 必须计重数！** "特征值和"和"特征值积"中的 λᵢ 要按照重数计算。如果 λ = 2 是二重根，它要在和中出现两次、在积中出现两次。这是隐形的易错点——3 阶矩阵有特征值 1（单根）和 2（二重根），和 = 1+2+2 = 5，积 = 1×2×2 = 4。
2. **性质 3 的逆命题不成立！** "特征向量线性无关"不能推出"特征值不同"。比如单位矩阵 E：特征值全是 1（全部相同），但它的特征向量可以取 n 个线性无关的（如各坐标轴方向）。反过来：不同特征值 → 向量一定无关（性质 3 对）。向量无关 → 特征值可能相同或不相同（性质 3 的逆不对）。
3. **性质 4 的几何重数可以小于代数重数。** 先认识这两个词：**几何重数**=属于 λ₀ 的线性无关特征向量的个数（可用 n - r(A - λ₀E) 算出）；**代数重数**=λ₀ 作为特征方程根的次数（几重根）。于是 s（几何重数）≤ k（代数重数），等号不总成立。反例 1.2 节中的 A = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$：λ = 0 代数重数 = 2，几何重数 = 1 < 2。
4. **性质 5 对实对称矩阵有更强结论。** 一般矩阵：有零特征值 → 行列式 = 0 → 不可逆。实对称矩阵：秩 = 非零特征值个数（1.13 节性质⑤），这个对一般矩阵不成立。
5. **性质 1 和 2 是所有快速计算的核心。** 结合 1.6 节的 f(A) 特征值公式 → 不求矩阵本身就能算出 |f(A)| 和 tr(f(A))。这是题型 B 的全部底层逻辑。
---
**⑥ 链条位置** — 从哪来 → 本推导 → 到哪去
```
[§1.2 特征方程 |A-λE|=0]
"特征多项式是 λ 的 n 次多项式"
↓
[§1.5 五大性质推导]
"特征多项式 = 五大性质的共同源头"
├── 性质1+2：展开式系数比较 → 迹和行列式
├── 性质3：反证法+最短线性关系 → 不同λ的向量无关
├── 性质4：基扩充+分块矩阵 → 几何重数≤代数重数
└── 性质5：性质2的推论 → 可逆⇔全非零
↓
[§1.6 关联矩阵特征值] ← [§1.9-1.10 对角化]
"性质1+2 + f(A)公式" "性质3+4 = 对角化命门"
↓
[题型B 特征值性质综合应用]
"不求A算行列式、迹、可逆性"
```
**从哪来**：1.2 节的特征多项式 |A - λE| 是一切推导的起点。其特征多项式可以按展开式写（含 tr(A) 和 |A| 系数），也可以按因式分解写（含 Σλᵢ 和 Πλᵢ 因子）。
**本推导**：证明了五大性质——两个代数性质（迹和、行列式积）来自展开式系数比较，两个几何性质（无关性、重根限制）来自基扩充和反证法，一个判定性质（可逆性）是前者的直接推论。
**到哪去**：性质 1、2、5 是 1.6 节"关联矩阵特征值"和题型 B 的基础（不求矩阵算行列式/迹/可逆性）；性质 3、4 是 1.9-1.10 节对角化判定条件的核心（什么时候能对角化、什么时候不能）。
---
## 1.6 关联矩阵的特征值（同一个特征向量！）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你知道弹簧的弹性系数是5。那两根同样的弹簧并联——弹性系数是多少？串联呢？如果给弹簧加一个"预紧力"（相当于A+kE），弹性系数怎么变？凭生活直觉回答：①弹性系数变了吗？②弹簧的形变方向（相当于特征向量）变了吗？
> ⭐⭐⭐ 核心——考研反复考！已知 A 的特征值，求 A 的"亲戚矩阵"的特征值。
> 看到这张表，先别慌。**难在哪？** ——一下子甩出 8 个公式，看着就要背死。但注意关键点：这些"亲戚矩阵"和 A **共享同一套特征向量**，只有特征值变了！那问题就变成：给定一个特征向量 x（Ax=λx），把它放进各种"亲戚"里算一遍，每个公式都会自己跑出来——所以这张表根本不用背，下面"灵魂推导"里那个"融化规则"会带你亲手推一遍。
**关键点**：这些"亲戚矩阵"和 A **共享同一套特征向量**，只有特征值变了！
| 矩阵 | 特征值公式 | 通俗理解 |
|------|-----------|----------|
| A | λ | 原始拉伸倍数 |
| kA | kλ | 先拉伸再整体放大 k 倍 |
| A + kE | λ + k | 在每个方向上都多加 k |
| A^n | λ^n | 连做 n 次拉伸 |
| A⁻¹（A 可逆时） | 1/λ | 拉伸的逆操作——压回去 |
| A*（伴随矩阵） | |A|/λ | 等于逆矩阵的 |A| 倍 |
| Aᵀ（转置） | λ（相同！） | 转置后拉伸倍数不变 |
| P⁻¹AP（相似矩阵） | λ（相同！） | 换一个角度看，拉伸倍数不变 |
> 📌 **这节学完你就能回答：**
> - 已知A的特征值λ，怎么快速求出A²、A³、A⁻¹、A+kE、A*、Aᵀ、P⁻¹AP的特征值？
> - 为什么所有这些"亲戚矩阵"都和A共享同一套特征向量？
> - "A遇特征向量就融化"是什么意思？这个口诀怎么帮你推导出所有的关联矩阵特征值公式？
**📝 例子**：已知 A 的特征值为 2 和 -1，求 B = A² + 3A - 2E 的特征值。
B 的特征值 = 2² + 3×2 - 2 = 4 + 6 - 2 = 8，以及 (-1)² + 3×(-1) - 2 = 1 - 3 - 2 = -4。
所以 B 的特征值为 **8 和 -4**。
> 🛑 **停下来想一想**：多项式代入的关键条件是"A遇到自己的特征向量就融化"。但如果A不是遇到"自己的"特征向量——比如拿A去乘别人的特征向量——A还会融化吗？这说明了什么？
> ⚠️ 注意：这个"多项式代入"的方法，特征向量不变，只把 λ 代入多项式算。
---
### 🧠 灵魂推导：为什么 f(A) 的特征值 = f(λ) 且特征向量不变？
**① 生活场景** 🎬
你有一个弹簧，拉它 1 厘米需要用 5 牛顿的力（特征值 λ = 5）。现在你想知道：
- 如果挂两个同样的弹簧并联（A²），拉力特性会变成什么？
- 如果在这个弹簧上再串联一根辅助弹簧（A + kE）呢？
- 如果把弹簧反过来压（A⁻¹），回复力是多大？
你本能地觉得：这些"变种弹簧"的特性应该和原弹簧的特性 λ = 5 有直接关系——并联是 5² = 25，加辅助是 5 + k，反向是 1/5。
这个直觉是对的。而且**所有"变种弹簧"的形变方向（特征向量）和原弹簧一模一样**——因为弹簧的结构（特征方向）没有变，只是每根弹簧的弹性系数（特征值）按照新规则重新算。
**② 正式陈述**
设 A 是 n 阶方阵，λ 是 A 的一个特征值，x 是对应的特征向量（Ax = λx）。对于任意多项式 f(t) = a₀ + a₁t + a₂t² + ... + aₘtᵐ，定义矩阵多项式 f(A) = a₀E + a₁A + a₂A² + ... + aₘAᵐ。则：
1. **特征值**：f(λ) 是 f(A) 的特征值
2. **特征向量不变**：x 也是 f(A) 的属于 f(λ) 的特征向量，即 f(A)x = f(λ)x
**③ 🧠 完整推导**
---
**第1步：先验证最简单的单项式——A² 和 Aᵐ**
已知 Ax = λx，计算 A²x：
```
A²x = A(Ax) = A(λx) = λ(Ax) = λ(λx) = λ²x
```
> 大白话：A 作用于 x 就是拉伸 λ 倍。再作用一次 A——对已经拉伸了 λ 倍的向量再拉伸 λ 倍，总共拉伸 λ² 倍。方向还是那个方向（特征向量 x 没变），只是拉伸倍数变成了 λ²。
推广到任意正整数 m：
```
Aᵐx = λᵐx （可以用数学归纳法严格证明）
```
---
**第2步：验证 A⁻¹（A 可逆时）**
如果 A 可逆（所有特征值 ≠ 0），在 Ax = λx 两边左乘 A⁻¹：
```
A⁻¹Ax = A⁻¹(λx)
x = λ A⁻¹x
A⁻¹x = (1/λ) x
```
> 大白话：A 把 x 拉伸 λ 倍，那逆操作当然是把 x 压回 1/λ 倍。x 的方向同样不变——因为逆操作只是沿着同一个方向"退回去"。
---
**第3步：验证 kA 和 A + kE**
kA：`(kA)x = k(Ax) = k(λx) = (kλ)x`——特征值乘以 k，向量不变。
A + kE：`(A + kE)x = Ax + kEx = λx + kx = (λ + k)x`——特征值加 k，向量不变。
> 大白话：kA 就是"每个方向上的拉伸效果整体放大 k 倍"。A + kE 就是"在每个特征方向上额外加 k"（注意 kE 在所有方向上都额外加 k，因为这个"加"对所有向量一视同仁）。两个操作都不改变特征方向——方向还是那些方向。
---
**第4步：核心——组合起来，任意多项式 f(A)**
设 f(t) = a₀ + a₁t + a₂t² + ... + aₘtᵐ。则：
```
f(A)x = (a₀E + a₁A + a₂A² + ... + aₘAᵐ)x
= a₀Ex + a₁Ax + a₂A²x + ... + aₘAᵐx
= a₀x + a₁λx + a₂λ²x + ... + aₘλᵐx
= (a₀ + a₁λ + a₂λ² + ... + aₘλᵐ)x
= f(λ)·x
```
> 大白话：把多项式一项一项地作用在 x 上——每一项的 Aᵐx 变成 λᵐx，提出 x 后剩下多项式在 λ 的值。推导的关键在于：**多项式中的每一项，A 和 x 相遇后 A 就"融化"成了 λ**，最终只剩下标量多项式 f(λ) 乘以同一个特征向量 x。
---
**第5步：推广到 A*（伴随矩阵）**
伴随矩阵满足 A*A = |A|E。对于特征向量 x：
```
(A*A)x = A*(Ax) ← 左边换种写法：A*(Ax) = (A*A)x（矩阵乘法结合律）
(A*A)x = A*(λx) ← 先把Ax换成λx
(A*A)x = λ A*x ← 右边 A*(λx)：λ 是数，提出来变成 λ A*x（这就是补上的对接一步）
|A|Ex = λ A*x ← 左边用A*A=|A|E替换
|A|x = λ A*x ← Ex就是x
A*x = (|A|/λ) x ← 两边同除λ
```
> 大白话：伴随矩阵的特征值 = 行列式除以特征值。这不算多项式直接代入，而是通过伴随矩阵的定义式推出来的，但结果同样简洁——特征向量不变，特征值按规则换算。
---
**📝 推导复盘** — 大白话串讲
整个关联矩阵特征值公式的"总开关"只有一步：**A 遇上它的特征向量 x 时，A 就"融化"成特征值 λ**。
```
Ax = λx ← 这是"融化规则"
A²x = A(Ax) = A(λx) = λ(Ax) = λ²x ← A 每次遇到 x 就变成 λ
Aᵐx = λᵐx ← 推广到任意次幂
(A+kE)x = λx + kx = (λ+k)x ← 加减法也保持
f(A)x = f(λ)x ← 终极形式：多项式整个套上去
```
所以"关联矩阵特征值表"（上面的表格）并不需要死记硬背——**只要记住 A 遇上自己的特征向量就融化**，所有公式都能临时推出来。
📌 以后就这么办：已知 A 的特征值 λ 和特征向量 x，求任何"亲戚矩阵"的特征值——① 认准 A 的特征向量 x（它没变）② 把这个亲戚作用在 x 上，A 每次遇到 x 就"融化"成 λ ③ 剩下的数就是新特征值。例如：kA 遇 x → kλ；A+kE 遇 x → λ+k；A² 遇 x → λ²。
✍️ **立刻练一道**：已知 A 的特征值为 1, 2, 3，求 |A² + E|。（提示：先把 A²+E 的特征值算出来——每个 λ 代入 f(λ)=λ²+1，再乘起来。答案：f(1)=2, f(2)=5, f(3)=10，|A²+E| = 2×5×10 = 100。永远不展开矩阵！这正是下方阅读思考题❸。）
---
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 已知A的特征值为2和-1，求B=A²+3A-2E的特征值。要求写出代入多项式f(λ)=λ²+3λ-2的每一步。
>
> **❷ 深度思考** ⭐⭐ — f(A)的特征向量和A的特征向量"一样"这个结论，有没有例外？考虑f(t)=t²，A有特征值1和-1。f(1)=f(-1)=1——两个不同的λ"合并"成了同一个f(λ)。此时f(A)的特征空间会怎样变化？
>
> **❸ 考试演练** ⭐⭐ — 已知A的特征值为1,2,3，求|A²+E|。不用求A的具体元素。
>
> 📖 点击查看参考答案
>
> **❶ 参考答案**：f(2)=2²+3×2-2=4+6-2=8；f(-1)=(-1)²+3×(-1)-2=1-3-2=-4。B的特征值为8和-4。
>
> **❷ 参考答案**：如果f(λ₁)=f(λ₂)但λ₁≠λ₂，原本两个不同的特征空间在f(A)下"合并"了——f(A)的属于f(λ₁)的特征空间包含了A的两个特征空间的和，比A的更大。换句话说，f(A)的特征向量"至少"包含A的特征向量，但可能更多。（**特征空间**=属于同一个特征值的全体特征向量，再补上零向量；比如属于 λ 的特征空间就是方程组 (A-λE)x=0 的全部解。本章唯一用到这个词，理解成"某个特征值对应的所有特征方向"即可。）
>
> **❸ 参考答案**：A²+E的特征值：f(1)=1+1=2, f(2)=4+1=5, f(3)=9+1=10。|A²+E|=2×5×10=100。永远不展开矩阵！
>
**⚠️ 易错边界** — 反例和常见误区
1. **多项式代入只能用于多项式！** f(A) 必须是 A 的**多项式**（加、减、乘、数乘的组合）。像 e^A, sin(A) 这类"超多项式"函数，虽然也可以用同样的逻辑定义（通过泰勒展开），但考研范围内只考多项式。
2. **A⁻¹ 的特征值是 1/λ，前提是 λ ≠ 0。** 如果 λ = 0，A 不可逆，A⁻¹ 不存在。同理 A* 的特征值公式中 |A|/λ，若 λ = 0 且不是所有特征值都为 0，则对应的 A* 特征值可能是 0 或其他值，需要具体分析。
3. **f(A) 的特征值用 f(λ) 算，但 f(A) 的特征向量未必和 A 的**所有**特征向量一样！** 如果 f(λ₁) = f(λ₂) 而 λ₁ ≠ λ₂（比如 f(t) = t²，λ₁ = 1, λ₂ = -1 → f(1) = f(-1) = 1），那么 f(A) 会把原本"不同"的特征值合并成相同的——此时 f(A) 的特征空间可能比 A 的更大（两个原本不同的特征空间合并了）。特征向量方向**仍然包含原来的 x**，但可能有新的。
4. **不要把 f(A) 的特征值公式和行列式的多项式混淆。** |f(A)| 不能直接写成 f(|A|)！正确做法是：先用上述公式求出 f(A) 的全部特征值，再乘起来得到行列式。
---
**⑥ 链条位置** — 从哪来 → 本推导 → 到哪去
```
[§1.1 特征值定义]
"Ax = λx"
↓
[§1.5 五大性质]
"迹和、行列式积"
↓
[§1.6 关联矩阵特征值推导]
"f(A)x = f(λ)x — A 遇 x 即融化"
↓
[题型B 特征值性质应用]
"已知 λ，秒算 f(A) 的特征值、行列式、迹"
↓
[§1.12 用对角化求 Aⁿ] → [题型D]
"Aⁿ = PΛⁿP⁻¹" "实操"
```
**从哪来**：1.1 节 Ax = λx 的定义是唯一前提。整个推导就是反复套用这个等式。
**本推导**：证明了 A 的任意多项式 f(A) 作用在 x 上，A 每次遇到 x 即"融化"为 λ——最终 f(A)x = f(λ)x。这是"已知 A 的特征值，求关联矩阵特征值"全部公式的理论基础。
**到哪去**：题型 B 大量使用这组公式——给 A 的特征值，秒算 A²+3A-2E 的行列式、迹、是否可逆。1.12 节 Aⁿ = PΛⁿP⁻¹ 本质上也是这个融化规则的矩阵版本（PΛⁿP⁻¹ 中的 Λⁿ = f(Λ), f(t)=tⁿ）。
---
## 1.7 秩为 1 的矩阵——快速求特征值的"秒杀技"
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 复印机有个特点：每一页都是第一页的复印件——后面的页面全是第一页的翻版。如果有100页，真正"独立"的只有第1页。矩阵的每一行如果都是第一行的倍数——这和复印机一样，真正"独立"的方向只有一个。猜一下：这样的矩阵，特征值会是什么规律？
**💬 生活比喻**：
秩为 1 的矩阵就像一个"复印机"——它的每一行都是第一行的复印件（成比例），每一列也都是第一列的复印件。这样的矩阵只有一个"独立方向"。
#### 先想一个问题：这样"只有一页真货"的矩阵，特征值会是什么规律？
看到这题，先别慌。**难在哪？** ——特征方程 |A-λE|=0 对 n 阶矩阵要展开成一个 n 次多项式，n 一大就要命。但秩为 1 的矩阵这么特殊，是不是该有捷径？
回想 1.5 节的性质 4：k 重特征值最多有 k 个线性无关的特征向量。秩为 1 意味着"只有一个独立方向"——也就是**最多只有一个独立的特征方向**。而每个非零特征值都要贡献至少一个独立的特征方向（用 Ax=λx 检验：非零 λ 时，x = Ax/λ 落在列空间里，所以每个非零特征值都占掉列空间里的一个独立方向）。独立方向就一个，所以非零特征值最多只能有一个！
🧠 这一步在想什么：既然最多一个非零特征值，那 n 个特征值里至少有 n-1 个是 0。剩下的那个是谁？——用 1.5 节性质 1（迹 = 特征值之和）一验就算出来了：
```
λ₁ + λ₂ + ... + λₙ = tr(A)
0 + 0 + ... + 非零那个 = tr(A)
```
🔍 回头看看我们做了什么：不用展开特征多项式，全靠"独立方向只有一个"和"迹=特征值和"这两条已有知识，就把秩为 1 矩阵的特征值整套规律逼了出来——**n-1 个 0，剩一个 = 迹**。
📌 以后就这么办：看到秩为 1 的矩阵（各行/各列成比例），直接秒杀——① 有 n-1 个特征值为 0 ② 剩下的那个特征值 = tr(A)（主对角线之和）。
**📖 结论**：如果 n 阶矩阵 A 的秩为 1，则：
- 有 n-1 个特征值为 **0**
- 剩下的那个特征值 = **tr(A)**（主对角线之和）
**常见形式**：`A = α·βᵀ`（一个列向量乘以一个行向量），此时秩为 1，唯一非零特征值 = βᵀα（内积）。
✍️ **立刻练一道**：快速求 A = $\begin{bmatrix} 1 & 2 & 3 \\ 2 & 4 & 6 \\ 3 & 6 & 9 \end{bmatrix}$ 的特征值。（提示：第二行 = 2×第一行、第三行 = 3×第一行，各行成比例 → 秩为 1。答案：n-1=2 个特征值为 0，剩下的 = tr(A) = 1+4+9 = 14，即特征值为 14, 0, 0。这正是后面题5-4，也是题型A秒杀法的例 1。）
> 🛑 **停下来想一想**：秩为1的矩阵有n-1个特征值为0，唯一非零特征值=tr(A)。但有没有可能tr(A)也等于0？如果tr(A)=0，说明什么？这时矩阵的秩还是1吗？
> ⭐⭐ 高频——选择填空题中经常出现，用这个结论可以秒杀
> 📌 **这节学完你就能回答：**
> - 秩为1的n阶矩阵，特征值有什么"0海一粟"的规律？
> - 唯一非零特征值等于什么？怎么用迹快速算出来？
> - 什么形式的矩阵一看就是秩1矩阵？αβᵀ是什么意思？
---
#### 🎯 解题方法
##### 题型A：求特征值与特征向量（基础计算）
**🎯 识别特征**：给一个具体的数字矩阵（2阶、3阶常见），要求求特征值和特征向量。
> 看到这类题，先别慌。回想 1.3 和 1.4 节——"求特征值三连"和"求特征向量三连"你已经亲手悟出来了，这里只是把它们拼成一道完整题的五步流程。**难在哪？** ——求完特征值还要回头求特征向量，两步要衔接好，别漏了任何一个 λ。
**📋 解题步骤**：
```
第1步：写出 A - λE（主对角线每个元素减 λ）
第2步：计算 |A - λE|，得特征多项式
第3步：令特征多项式 = 0，求出所有特征值
第4步：对每个特征值 λᵢ：
→ 代入 (A - λᵢE)
→ 解方程组 (A - λᵢE)x = 0
→ 求出基础解系（整齐写法：乘以公分母去分数）
第5步：写出答案：λ₁ = ...，对应特征向量为 ...；λ₂ = ...，对应特征向量为 ...
```
**📝 典型例题**：
求矩阵 A = $\begin{bmatrix} 1 & -1 \\ 2 & 4 \end{bmatrix}$ 的特征值和特征向量。
📖 点击展开解答
第1步：A - λE = $\begin{bmatrix} 1-λ & -1 \\ 2 & 4-λ \end{bmatrix}$
第2步：`|A - λE| = (1-λ)(4-λ) - (-1)×2 = (λ² - 5λ + 4) + 2 = λ² - 5λ + 6`
第3步：`λ² - 5λ + 6 = 0` → `(λ-2)(λ-3) = 0` → λ₁ = 2, λ₂ = 3
第4步（λ₁ = 2）：
(A - 2E) = $\begin{bmatrix} -1 & -1 \\ 2 & 2 \end{bmatrix}$ → 解方程组，得 x₁ + x₂ = 0 → x₁ = -x₂
基础解系：`[-1, 1]ᵀ`（或 `[1, -1]ᵀ`）
第4步（λ₂ = 3）：
(A - 3E) = $\begin{bmatrix} -2 & -1 \\ 2 & 1 \end{bmatrix}$ → 行简化 → 解方程组，得 2x₁ + x₂ = 0 → x₂ = -2x₁
基础解系：`[1, -2]ᵀ`
> 🗣️ **老师出声思考**（跟着老师的思路走一遍）
>
> "好，拿到一个矩阵，第一步干嘛？写A-λE。A=$\begin{bmatrix} 1 & -1 \\ 2 & 4 \end{bmatrix}$，所以A-λE就是主对角线各减λ：$\begin{bmatrix} 1-λ & -1 \\ 2 & 4-λ \end{bmatrix}$。
>
> 第二步，算行列式。2阶矩阵好算——交叉相乘再相减：(1-λ)(4-λ) - (-1)×2。前面展开是λ²-5λ+4，后面是-(-2)=+2。总共λ²-5λ+6。
>
> 第三步，令它等于0：λ²-5λ+6=0。这个我会——十字相乘法，(λ-2)(λ-3)=0。所以λ₁=2, λ₂=3。两个特征值到手！
>
> 现在对每个λ找特征向量。先λ₁=2：把λ=2代入A-λE，得$\begin{bmatrix} 1-2 & -1 \\ 2 & 4-2 \end{bmatrix}$=$\begin{bmatrix} -1 & -1 \\ 2 & 2 \end{bmatrix}$。解$\begin{bmatrix} -1 & -1 \\ 2 & 2 \end{bmatrix}$$\begin{bmatrix} x₁ \\ x₂ \end{bmatrix}$=$\begin{bmatrix} 0 \\ 0 \end{bmatrix}$。哎第二行就是第一行乘-2——所以有效方程只有一个：x₁+x₂=0。令x₂=1，x₁=-1。特征向量是[-1,1]ᵀ。别忘了k≠0！
>
> 再λ₂=3：A-3E=$\begin{bmatrix} -2 & -1 \\ 2 & 1 \end{bmatrix}$。这俩行成比例（第二行=第一行×(-1)）——又是一个有效方程：2x₁+x₂=0。令x₁=1，x₂=-2。特征向量[1,-2]ᵀ。完事！
>
> 最后偷懒验证一下：迹=1+4=5，特征值和=2+3=5，对上了！放心交卷。"
✅ 答案：
- λ₁ = 2，特征向量 k₁·[-1, 1]ᵀ（k₁ ≠ 0）
- λ₂ = 3，特征向量 k₂·[1, -2]ᵀ（k₂ ≠ 0）
> 💡 本题使用模板A：基础特征值特征向量计算。
---
**⚠️ 最容易错的地方**：
1. **A - λE 写错**：只在主对角线上减 λ，其他位置不要动！
2. **特征多项式算错**：3阶时特别容易在符号上出错，建议用 Sarrus 法则验算
3. **特征向量的写法**：能去分母去分母，尽量用整数表示
4. **忘记写"k ≠ 0"**：特征向量不能是零向量
✍️ **立刻练一道**：求矩阵 A = $\begin{bmatrix} 3 & 1 \\ 5 & -1 \end{bmatrix}$ 的特征值和特征向量。（提示：用五步流程走一遍，算完用"迹=特征值和、行列式=特征值积"验算。答案：|A-λE|=(3-λ)(-1-λ)-5 = λ²-2λ-8 = (λ-4)(λ+2) → λ₁=4, λ₂=-2；λ₁=4 对应特征向量 k₁[1, 1]ᵀ，λ₂=-2 对应 k₂[1, -5]ᵀ。这也正是后面题5-1。）
---
##### 题型A-特别技巧：秩为1矩阵秒杀法
**🎯 识别特征**：矩阵各行（或各列）成比例。
**📋 秒杀公式**：
- n-1 个特征值 = 0
- 剩下的那个特征值 = tr(A)（主对角线之和）
**📝 例子**：A = $\begin{bmatrix} 1 & 2 & 3 \\ 2 & 4 & 6 \\ 3 & 6 & 9 \end{bmatrix}$
每行都是 [1, 2, 3] 的倍数 → 秩为 1。
tr(A) = 1 + 4 + 9 = 14。
秒杀：特征值为 **14, 0, 0**（0 是二重根）。
> 如果老老实实展开求 |A - λE|，会算到天荒地老！
---
##### 题型B：特征值性质的应用（迹、行列式、秩的关系）
**🎯 识别特征**：不给具体矩阵，给一些关于矩阵的条件，要求求特征值、行列式或迹。
> 看到这类题，先别慌。**难在哪？** ——矩阵是"隐形的"，连一个数字都没给，怎么求特征值？别忘了你手里的三件武器：特征方程（1.2 节）、"A 遇特征向量就融化"（1.6 节）、迹=特征值和/行列式=特征值积（1.5 节）。下面这张工具箱就是这三件武器在不同条件下换着用——每一条都能在上文找到它的"出处"。
**📋 核心工具箱**：
| 条件 | 可推出的结论 | 出处 |
|------|------------|------|
| \|A + kE\| = 0 | -k 是 A 的一个特征值 | 特征方程（1.2） |
| Ax = kx（x ≠ 0） | k 是特征值 | 特征值定义（1.1） |
| A 各行和相等 = s | s 是特征值（对应特征向量全为 1） | 定义验证（1.1） |
| A² = A（幂等矩阵） | 特征值只能是 0 或 1 | 融化规则 f(A)（1.6） |
| A² = E（对合矩阵） | 特征值只能是 1 或 -1 | 融化规则 f(A)（1.6） |
| A² = 0（幂零矩阵） | 所有特征值 = 0 | 融化规则 f(A)（1.6） |
| Aᵀ = -A（反对称）的奇数阶 | \|A\| = 0（有零特征值） | 行列式=特征值积（1.5） |
**📝 典型例题**：
已知 A 是 3 阶矩阵，特征值为 1, 2, -1。求 |A² + A - 2E|。
📖 点击展开解答
**核心思路**：不求矩阵本身，通过特征值算。
A 的特征值为 1, 2, -1。
B = A² + A - 2E 的特征值：
- λ₁ = 1² + 1 - 2 = 0
- λ₂ = 2² + 2 - 2 = 4
- λ₃ = (-1)² + (-1) - 2 = -2
|B| = 0 × 4 × (-2) = **0**
✅ 答案：**0**
> 💡 本题使用模板B：特征值性质应用——永不展开矩阵，始终通过特征值算。
✍️ **立刻练一道**：已知 3 阶矩阵 A 的特征值为 1, 2, -1。求 B = A³ - 5A² 的迹和行列式。（提示：把每个 λ 代入 f(λ) = λ³ - 5λ²，再用"迹=特征值和、行列式=特征值积"。答案：B 的特征值为 -4, -12, -6；tr(B) = -22，|B| = -288。这正是后面题5-12。）
---
### 📦 知识块B：相似对角化
> 📌 这块学完你就能回答：
>
> 1. 什么是相似矩阵？相似矩阵哪五个东西一定相同？反过来成立吗？
> 2. 矩阵能相似对角化的充要条件是什么？"n个不同特征值"是充分还是必要条件？
> 3. 给你一个矩阵，怎么一步步把它对角化？P和Λ怎么构造？
> 4. 对角化之后怎么求A的n次方？为什么要这样算？
## 1.8 相似矩阵——"换一个角度观察同一个变换"
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你在北京用手机拍了一张天安门，朋友在侧面用单反也拍了同一座天安门。两张照片看起来完全不同（角度不同、像素不同、颜色不同）——但拍的是"同一座建筑"。数学里，同一个"揉捏操作"从不同坐标角度看，写出来的矩阵也不同——但它们"相似"。你猜：两座"同一建筑"的照片，哪些信息一定完全一样？（比如建筑的高度？还是照片的像素数？）
**💬 生活比喻**：
想象你在不同位置架两台摄像机，拍摄同一个物体变形。两台摄像机拍到的画面不同（矩阵不同），但拍的是**同一个变形过程**（本质相同）。
矩阵 A 和 B 相似，意思是：它们代表的是**同一个线性变换**，只是用**不同的坐标系**来描述。
#### 先想一个问题：两台摄像机拍同一个变形，画面数字不同——哪些东西一定相同？
看到这题，先别慌。**难在哪？** ——"同一个变换换坐标系"是个画面，可矩阵的数字全变了，怎么抓住"没变的部分"？先把"换坐标系"翻译成数学：B = P⁻¹AP（P 是可逆的"视角切换器"）。既然 B 和 A 是同一个变换，那变换的"体检指标"——特征值、行列式、迹、秩、特征多项式——就一个都不能变。这五条就是"五同"。下面"灵魂推导"会用一步步代数证明：为什么 P 和 P⁻¹ 这两件"外套"裹来裹去，里头的体检报告纹丝不动。
**📖 正式定义**：
如果存在可逆矩阵 P，使得 `P⁻¹AP = B`，则称 A 与 B **相似**，记为 A ~ B。
**相似矩阵的"五同"性质**：
| 性质 | 含义 |
|------|------|
| 特征值相同 | 拉伸倍数不因换坐标系而改变 |
| 行列式相同 | 体积缩放倍数相同 |
| 迹相同 | 各方向拉伸倍数总和相同 |
| 秩相同 | "独立方向"的个数相同 |
| 特征多项式相同 | 这五条其实都源于这一条 |
> 📌 **这节学完你就能回答：**
> - "相似"到底是什么意思？相似矩阵的哪五个东西一定相同？
> - 如果两个矩阵特征值、行列式、迹、秩、特征多项式都相同——它们一定相似吗？为什么？
> - 证明"特征多项式相同"时，λE=P⁻¹(λE)P这一步为什么是神来之笔？
> - 相似和等价有什么区别？
**⚠️ 反过来不成立！** 特征值（或特征多项式）相同，**不代表**两个矩阵相似。比如 $\begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix}$ 和 $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$ 特征值都是 0（特征多项式都是 λ²），但它们不相似。
> 🛑 **停下来想一想**："特征值相同"能不能保证"相似"？考虑两个矩阵都只有特征值0（二重根）——A=$\begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix}$和B=$\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$。它们特征值相同（都是0,0），但秩不同（A秩0，B秩1）。这说明光看特征值够不够判断相似？
> ⭐⭐⭐ 核心——选择题中，以上五条任何一条不满足，立刻判定不相似！
---
### 🧠 灵魂推导：为什么相似矩阵"五同"？
**① 生活场景** 🎬
你用手机和单反相机分别拍同一个花瓶。手机拍的像素低、偏色，单反拍的清晰、鲜艳——两张照片看起来完全不同（矩阵不同），但它们拍的是**同一个花瓶**（同一个线性变换）。
相似矩阵就是这个道理：A 和 B = P⁻¹AP 看起来数字不同，但它们是同一个变换在不同坐标系下的"照片"。既然是同一个变换，那它的"体检指标"——特征值、行列式、迹、秩、特征多项式——应该在所有照片中保持一致。
下面逐一推导这五个不变量的证明。
**② 正式陈述**
设 A 和 B 是 n 阶方阵，且 A ~ B（存在可逆矩阵 P 使得 P⁻¹AP = B）。则：
1. A 与 B 的特征多项式相同 → 特征值相同
2. A 与 B 的行列式相同：|A| = |B|
3. A 与 B 的迹相同：tr(A) = tr(B)
4. A 与 B 的秩相同：r(A) = r(B)
5. A 与 B 的特征值相同（由第 1 条直接推出）
**③ 🧠 完整推导**
---
**推导一：特征多项式相同（最根本的一条，其余四条都源于此）**
**第1步**：写出 B 的特征多项式。
```
|B - λE| = |P⁻¹AP - λE|
```
> 大白话：B 是 P⁻¹AP，代入特征多项式的定义。
**第2步**：把 λE 塞进 P⁻¹(...)P 的壳里——这是最关键的操作。
```
λE = λ·P⁻¹P = P⁻¹(λE)P
```
因为 P⁻¹P = E，所以 λE = λ(P⁻¹P) = P⁻¹(λE)P。
> 大白话：E = P⁻¹P，两边乘以 λ，得到 λE = P⁻¹(λE)P。这步很巧——把孤零零的 λE"穿"上了 P⁻¹ 和 P 的两层外衣，为下一步合并铺垫。
**第3步**：将 P⁻¹AP - λE 写成 P⁻¹(...)P 的形式。
```
B - λE = P⁻¹AP - P⁻¹(λE)P
= P⁻¹(A - λE)P
```
两项都有 P⁻¹ 开头、P 结尾，提取公共因子：`P⁻¹(A - λE)P`。
> 大白话：减法拆成"有公因式"的形式——就像 ax + ay = a(x+y)。这里 a 是 P⁻¹(...)P 这个"壳"，里面的 (A - λE) 和 λE 合并了。
**第4步**：利用行列式的性质 |XYZ| = |X|·|Y|·|Z|。
```
|B - λE| = |P⁻¹(A - λE)P|
= |P⁻¹| · |A - λE| · |P|
```
**第5步**：|P⁻¹| 和 |P| 互为倒数（|P⁻¹| = 1/|P|），乘积为 1。
```
|B - λE| = (1/|P|) · |A - λE| · |P|
= |A - λE|
```
**特征多项式完全相同！** 既然多项式一样，解出来的根（特征值）自然也完全一样。
> 大白话：P⁻¹ 和 P 的行列式一个在分子一个在分母，乘在一起消了。就像把 A 的特征多项式"穿"了 P 和 P⁻¹ 两件外套，脱掉后里面的特征多项式原封未动。所以相似变换"换视角"不会改变矩阵的"体检报告"。
---
> 🛑 **停下来想一想**：证明的核心技巧是"把λE写成P⁻¹(λE)P"。这个技巧的本质是什么？为什么E可以换成P⁻¹P？这一步能推广到其他场景吗？
**推导二：行列式相同**
由推导一：特征多项式相同 → 令 λ = 0 代入：
```
|B - 0·E| = |A - 0·E|
|B| = |A|
```
或者直接用行列式的乘法性质：|B| = |P⁻¹AP| = |P⁻¹|·|A|·|P| = |A|。
> 大白话：行列式是特征多项式在 λ = 0 时的值。既然整个多项式都一样，那在 λ = 0 的值自然也一样。
---
**推导三：迹相同**
迹等于特征值之和（1.5 节性质 1）。既然 A 和 B 的特征值完全相同（推导一），把它们加起来自然相等。
tr(B) = Σ λᵢ = tr(A)
> 大白话：特征值是同一个篮子里的同一堆水果，加起来自然一样。
也可以用迹的循环性质：tr(B) = tr(P⁻¹AP) = tr(APP⁻¹) = tr(A)。
---
**推导四：秩相同**
这里先提醒一句：想走"从特征值推秩"这条路会踩坑——一般矩阵"秩=非零特征值的个数"并不成立（只有实对称矩阵才成立，见下方易错边界第2条），所以本节不绕那条路。更直接的证法：P 可逆意味着 P 和 P⁻¹ 都是满秩矩阵。满秩矩阵乘以任何矩阵不会改变原矩阵的秩。
r(B) = r(P⁻¹AP) = r(AP) = r(A)
> 大白话：P 可逆 = 不会把空间"压扁"（各列线性无关）。用不压扁的转换器翻来翻去，原来有几个独立维度（秩）仍然有几个。秩就像一个人的身高——换把尺子量还是那个身高。
---
**推导五：特征值相同**
已经在推导一中证明了——特征多项式相同，根（特征值）自然相同。
---
**📝 推导复盘** — 大白话串讲
相似矩阵的"五同"中，最根本的是**特征多项式相同**。另外四同都可以从它推导出来：
```
特征多项式相同（|B - λE| = |A - λE|）
├── 令 λ = 0 → 行列式相同（|B| = |A|）
├── 两边求根 → 特征值相同（λ_B = λ_A）
│ ├── 特征值加起来 → 迹相同（tr(B) = tr(A)）
│ └── 非零特征值个数 → 秩相同（r(B) = r(A)，实对称时严格成立）
└── （加上 P 可逆的论证也可独立证明秩相同）
```
证明的核心技巧只有两步：① 把 λE 写成 P⁻¹(λE)P ② 利用行列式的乘法性质和 |P⁻¹|·|P| = 1 消掉。
✍️ **立刻练一道**：已知矩阵 A = $\begin{bmatrix} 1 & 0 \\ 0 & 2 \end{bmatrix}$，取可逆矩阵 P = $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$，求 B = P⁻¹AP，并说说 A 和 B 是不是相似矩阵、"五同"里哪几条一眼就能看出来。（提示：B 就是换个坐标描述同一个变换；把 P⁻¹ 当作"先逆着转回去"，再按顺序算。答案：P⁻¹ = $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$（转置就是自己，因为它是对称的），B = P⁻¹AP = $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$$\begin{bmatrix} 1 & 0 \\ 0 & 2 \end{bmatrix}$$\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$ = $\begin{bmatrix} 2 & 0 \\ 0 & 1 \end{bmatrix}$。A 和 B 相似（这正是定义 P⁻¹AP = B）；"五同"里特征多项式、特征值（1 和 2 换个顺序）、行列式（2）、迹（3）都一眼对上。）
---
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — A=$\begin{bmatrix} 1 & 0 \\ 0 & 2 \end{bmatrix}$和B=$\begin{bmatrix} 2 & 0 \\ 0 & 1 \end{bmatrix}$相似吗？验证"五同"并判定。
>
> **❷ 深度思考** ⭐⭐ — 选择题常考："两个矩阵相似，则它们必有相同的____"（多选：特征值/行列式/迹/秩/特征向量/特征多项式）。哪些该选？哪些不该选？为什么"特征向量"不该选？
>
> **❸ 考试演练** ⭐⭐ — A~B，P⁻¹AP=B。若x是A属于λ的特征向量，问B属于λ的特征向量是哪个？用P和x表示，并验证。
>
> 📖 点击查看参考答案
>
> **❶ 参考答案**：特征值：A是1,2，B是2,1——相同（排列不同但集合相同）。行列式：|A|=2，|B|=2 ✓。迹：tr(A)=3，tr(B)=3 ✓。秩：都满秩 ✓。取P=$\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$（交换两行），则P⁻¹AP=$\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$$\begin{bmatrix} 1 & 0 \\ 0 & 2 \end{bmatrix}$$\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$=$\begin{bmatrix} 2 & 0 \\ 0 & 1 \end{bmatrix}$=B。相似！✓
>
> **❷ 参考答案**：应选：特征值、行列式、迹、秩、特征多项式。不选：特征向量。因为若P⁻¹AP=B，A的特征向量是x，则B的特征向量是P⁻¹x——变了！特征向量依赖坐标系，相似变换恰好就是换坐标系。
>
> **❸ 参考答案**：B属于λ的特征向量是P⁻¹x。验证：B(P⁻¹x)=P⁻¹AP·P⁻¹x=P⁻¹Ax=P⁻¹(λx)=λ(P⁻¹x) ✓。
>
**⚠️ 易错边界** — 反例和常见误区
1. **"反过来"不成立：特征值（或特征多项式）相同不代表相似！** 这是选择题中最大的陷阱。经典反例：A = $\begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix}$ 和 B = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$——特征值都是 0（二重根），特征多项式都是 λ²，但它们不相似（A 可以对角化而 B 不能——相似变换不改变对角化能力）。所以记牢：**相似 ⇒ 五同**（特征值、行列式、迹、秩、特征多项式都相同），但反过来**五同全相同也只是必要条件，不能用来判定相似**——判定相似还要看特征向量的结构是否一致。
2. **秩 = 非零特征值个数只对实对称矩阵成立！** 推导四中用"特征值推出秩"只适用于实对称矩阵。对一般矩阵，A = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$ 秩为 1 但特征值全是 0。
3. **不要把"相似"和"等价"混淆。** "相似"要求 P 可逆且是方阵之间的变换（P⁻¹AP = B）；"等价"只要求 PAQ = B 且 P, Q 可逆（不要求 Q = P⁻¹）。相似比等价更"严格"——相似的矩阵必然是等价的，反之不然。
4. **两个不同大小的矩阵不能谈论相似。** 相似矩阵必须同阶（都是 n × n）。行列式和迹相同意味着 n 必须相同，但在判断题中读到"矩阵 A 和 B 有相同的特征值"时要先确认它们是不是同阶方阵。
---
**⑥ 链条位置** — 从哪来 → 本推导 → 到哪去
```
[§1.2 特征方程] [第1章 行列式]
"|A - λE| = 0" "|XYZ| = |X||Y||Z|"
↘ ↙
[§1.8 相似矩阵五同性质推导]
"P⁻¹AP = B → 五同（多项行列迹秩特征值）"
↓
[§1.9 对角化充要条件推导]
"存在 P 使 P⁻¹AP = Λ（对角阵）"
↓
[§1.10 对角化判定条件]
"五同是对角化的前置检查清单"
```
**从哪来**：第 1 章的行列式乘法性质 `|XYZ| = |X||Y||Z|` 和第 5 章 1.2 节的特征多项式定义。证明的核心是把 λE 写成 P⁻¹(λE)P——这个技巧在第 2 章矩阵乘法中学过。
**本推导**：证明了"相似"这种换了坐标系的关系下，矩阵的五个核心体检指标全部不变。最根本的是特征多项式相同，其他四条都是它的推论。
**到哪去**：有了"五同"这个武器，1.9-1.10 节讨论对角化时就可以放心——只要 A 相似于对角阵 Λ，Λ 的特征值（对角线上直接读）就是 A 的特征值。这也是判定不相似的快捷方法：五同中任何一条不满足，立刻判不相似。
---
## 1.9 矩阵的相似对角化——"把矩阵变成最简单的形态"
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你有一张歪着拍的照片——想把它"摆正"。如果你能找到照片歪斜的"主轴方向"（特征向量），然后沿着这些主轴去看——照片就自动变正了（对角化）。问题是：一张普通的歪照片一定有"主轴"吗？所有照片都能被摆正吗？凭直觉猜一下——什么情况下照片"摆不正"？
**💬 生活比喻**：
任何一个"揉捏"操作，如果你**沿着特征向量的方向去看**，它就变成了一个极其简单的操作——每个方向独立地拉伸（或压缩），互不干扰。
把一个矩阵对角化，就好比：把一张歪着拍的身份证照片，旋转摆正，让它"堂堂正正"——对角线以外全是零。
#### 先想一个问题：把"揉捏"摆正成对角阵——到底意味着什么？
看到这题，先别慌。**难在哪？** ——"对角化"三个字，指的是 A 和某个对角阵 Λ **相似**（1.8 节：存在可逆 P 使 P⁻¹AP = Λ）。但为什么这么个形式就值得大书特书？——因为 Λ 是"最简单的形态"：每个方向独立拉伸、互不干扰，对角线上直接读出特征值。可问题是：**这个"最简单的形态"里的对角线和 P 的每一列，到底由谁构成？** 答案其实就藏在定义式里，下面"灵魂推导"会拆给你看——拆开 P⁻¹AP = Λ，P 的每一列就是特征向量，Λ 对角线就是对应特征值。
**📖 正式定义**：
如果 A 相似于一个对角矩阵 Λ，即存在可逆矩阵 P 使得：
```
P⁻¹AP = Λ = diag(λ₁, λ₂, ..., λₙ)
```
则称 A **可相似对角化**。P 的每一列是 A 的特征向量，Λ 的对角线是相应的特征值。
**⚠️ 关键：P 中特征向量的排列顺序必须和 Λ 中对角线特征值的顺序一致！**（第一列对第一个特征值，第二列对第二个……这是考试丢分的重灾区。）
> ⭐⭐⭐ 核心——对角化是本章所有大题的核心
> 📌 **这节学完你就能回答：**
> - "可对角化"到底是什么意思？P和Λ分别由什么构成？
> - 为什么"可对角化 ⇔ 有n个线性无关的特征向量"？这个充要条件是怎么从AP=PΛ一步步推出来的？
> - "n个不同特征值"只是充分条件——单位矩阵E的特征值全相同但可以对角化，怎么理解这个"反例"？
> - 几何重数和代数重数有什么区别？哪个≤哪个？
---
### 🧠 灵魂推导：为什么"可对角化 ⇔ 有 n 个线性无关的特征向量"？
> 这是线性代数中最漂亮的推导之一！它把"对角化"这个代数操作、特征向量这个几何概念、线性无关这个秩的条件，像拼图一样严丝合缝地拼在一起。下面跟着走一遍，你会发现每一步都"非这样不可"。
**① 生活场景** 🎬
想象你是一个摄影师，要从最佳角度拍摄一座雕塑。
- 如果你站在**正面**拍——照片里只有高度和宽度，没有深度。信息被"压缩"了。
- 如果你绕着雕塑走，从**三个互相垂直的方向**各拍一张——三张照片完美还原雕塑的全部信息。
矩阵对角化就是"找一个最佳拍摄角度"：当你把坐标系旋转到特征向量的方向上，复杂的矩阵变换就变成了最简单的形式——每个方向独立拉伸，互不干扰，就像从正面、侧面、上面三张标准照一样干净利落。
**② 正式陈述**
设 A 是 n 阶方阵。以下条件等价（互为充要条件）：
- **(a)** A 可相似对角化，即存在可逆矩阵 P 使得 `P⁻¹AP = Λ`（Λ 是对角矩阵）
- **(b)** A 有 n 个线性无关的特征向量
- **(c)** 对于 A 的每个 k 重特征值，恰好有 k 个线性无关的特征向量属于它
**(a) ⇔ (b) 是本节要推导的核心等价关系**；(b) ⇔ (c) 是它的细化版本。
**③ 🧠 完整推导**
---
**方向一：(a) ⇒ (b) — 如果能对角化，则一定有 n 个线性无关的特征向量**
**第1步：写出对角化的等式**
```
P⁻¹AP = Λ
```
其中 `Λ = diag(λ₁, λ₂, ..., λₙ)`，对角线上是特征值。P 是可逆矩阵（各列线性无关）。
> 大白话：这是对角化的定义——存在一个"切换视角"的矩阵 P，在新视角下 A 变成了最简单的对角阵 Λ。
**第2步：两边左乘 P**
```
AP = PΛ
```
把 P⁻¹ 挪到等号右边变成乘 P。因为 `P·P⁻¹ = E`。
> 大白话：把等式两边的 P 和 P⁻¹ 调整一下位置，让 P 从"分母"翻到"分子"。这就像把分数 `x/y = z` 变成 `x = yz` 一样自然。
**第3步：把 P 按列拆开**
这是最关键的"脑洞大开"一步。把 P 写成列向量的形式：
```
P = [p₁, p₂, ..., pₙ]
```
即 P 的第 1 列是向量 p₁，第 2 列是 p₂……第 n 列是 pₙ。
> 大白话：P 是一个方阵，我现在不是把它当成一个整体看，而是拆成一列一列的"竖条"。每一列就是一个向量。因为 P 可逆，这 n 个列向量线性无关。
**第4步：计算 PΛ**
把 Λ（对角阵）乘在 P 的右边：
```
PΛ = [p₁, p₂, ..., pₙ] · diag(λ₁, λ₂, ..., λₙ)
= [λ₁p₁, λ₂p₂, ..., λₙpₙ]
```
对角阵右乘的效果：**把每一列乘以对角线上对应的那个数**。第 1 列乘 λ₁，第 2 列乘 λ₂……
> 大白话：对角阵右乘就像一个"分拣员"——它找到第 1 列，给它乘上 λ₁；找到第 2 列，给它乘上 λ₂……每个列向量独立被放缩，互不干扰。
**第5步：计算 AP**
```
AP = A·[p₁, p₂, ..., pₙ]
= [Ap₁, Ap₂, ..., Apₙ]
```
矩阵乘法中，A 乘以一个以列为单位的矩阵，结果就是 A 分别乘以每一列。
> 大白话：A 左乘 P 就是把 P 的每一列都"送进揉捏机 A"里揉一遍。第 1 列揉成 Ap₁，第 2 列揉成 Ap₂……
**第6步：令两边相等——见证奇迹的时刻！**
由 `AP = PΛ`：
```
[Ap₁, Ap₂, ..., Apₙ] = [λ₁p₁, λ₂p₂, ..., λₙpₙ]
```
两边的矩阵相等，意味着对应的每一列都相等：
```
Ap₁ = λ₁p₁
Ap₂ = λ₂p₂
⋮
Apₙ = λₙpₙ
```
> 大白话：当你把等式两边按列对齐，每一对列都在说同一句话——"A 乘以这一列，等于一个数乘以这一列"。这恰恰就是特征值和特征向量的定义！
**第7步：得出结论**
每一个 pⱼ 都满足 `Apⱼ = λⱼpⱼ`，而且 pⱼ ≠ 0（因为 P 可逆，各列不会为零）。
所以：**p₁, p₂, ..., pₙ 就是 A 的 n 个特征向量**，对应的特征值分别是 λ₁, λ₂, ..., λₙ。
因为 P 可逆 → P 的各列线性无关 → **这 n 个特征向量线性无关**。
✅ 方向一得证：如果能对角化，一定能找到 n 个线性无关的特征向量。
> 🛑 **停下来想一想**：方向一的推导里，最关键的一步是把AP=PΛ按列拆开。得到[Ap₁,...,Apₙ]=[λ₁p₁,...,λₙpₙ]后，对应列相等即Apⱼ=λⱼpⱼ。这意味着P的每一列天然就是特征向量！那对角线化是不是其实就是"把特征向量收集起来排成矩阵"？这和"先求特征向量再拼P"的做题顺序是不是一回事？
---
**方向二：(b) ⇒ (a) — 如果有 n 个线性无关的特征向量，则一定能对角化**
这个方向就是把上面的推导**倒过来走**：
1. 假设你已经有 n 个线性无关的特征向量 p₁, ..., pₙ，对应的特征值 λ₁, ..., λₙ
2. 把它们按列排成矩阵 P = [p₁, ..., pₙ] → P 可逆（因为各列线性无关）
3. 由于 Apⱼ = λⱼpⱼ（特征向量的定义），所以 AP = [Ap₁, ..., Apₙ] = [λ₁p₁, ..., λₙpₙ]
4. 而 PΛ = P·diag(λ₁, ..., λₙ) = [λ₁p₁, ..., λₙpₙ]（对角阵右乘就是按列放缩）
5. 所以 AP = PΛ
6. 两边左乘 P⁻¹：P⁻¹AP = Λ
✅ 方向二也得证！把特征向量排成 P，特征值排成 Λ，对角化自然就完成了。
> 大白话总结：方向一说"能对角化 → 必有 n 个线性无关特征向量"（拆开 P 找特征向量），方向二说"有 n 个线性无关特征向量 → 能对角化"（把特征向量拼成 P）。两个方向合在一起，就是完整的**充要条件**。
---
**细化：(b) ⇔ (c) — 为什么等价于"每个 k 重特征值恰有 k 个无关特征向量"**
n 个特征向量线性无关，意味着什么？把特征值相同的特征向量归到一组：
- 属于 λ₁ 的有 s₁ 个线性无关特征向量（s₁ ≤ λ₁ 的重数）
- 属于 λ₂ 的有 s₂ 个
- ……
因为不同特征值的特征向量一定线性无关（1.5 节性质 3），所以总线性无关向量数 = s₁ + s₂ + ...。
这个和要等于 n，而 n 又等于所有特征值的重数之和（λ₁ 的重数 + λ₂ 的重数 + ... = n）。
每个 sᵢ ≤ 对应重数（1.5 节性质 4），总和又要等于 n → **每个 sᵢ 必须恰好等于对应重数**。
所以"有 n 个线性无关特征向量"(b) 等价于"每个 k 重特征值恰好贡献 k 个线性无关特征向量"(c)。
---
**📝 推导复盘** — 大白话串讲
这个推导是线性代数里的一条"珍珠项链"：
`P⁻¹AP = Λ` → 左乘 P → `AP = PΛ` → 把 P 按列拆开 → `[Ap₁, ..., Apₙ] = [λ₁p₁, ..., λₙpₙ]` → 逐列相等 → `Apⱼ = λⱼpⱼ` → **P 的每一列都是特征向量！**
反过来也通：有特征向量 → 排成 P → 自动满足 `AP = PΛ` → 左乘 P⁻¹ → `P⁻¹AP = Λ`。
整个论证的核心技巧只有一个——**把矩阵按列拆开看**。这个"按列分块"的思维在第 2 章矩阵乘法中埋了伏笔（矩阵乘矩阵 = 左边矩阵分别乘右边矩阵的每一列），在这里终于开花结果。
✍️ **立刻练一道**：已知 A = $\begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$、P = $\begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}$，验证 P⁻¹AP 是不是对角阵，并说说 P 的每一列是什么。（提示：P 的两列分别对应 A 的两个特征值方向，先算 P⁻¹，再按顺序乘。答案：P⁻¹ = $\begin{bmatrix} 1/2 & 1/2 \\ 1/2 & -1/2 \end{bmatrix}$，P⁻¹AP = $\begin{bmatrix} 3 & 0 \\ 0 & 1 \end{bmatrix}$ 是对角阵 → A 可相似对角化；P 的两列 [1,1]ᵀ、[1,-1]ᵀ 正是 A 分别属于 λ=3、λ=1 的特征向量。这正是下方阅读思考题❶的动手版。）
---
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 用自己的话说：为什么"AP=PΛ"按列拆开后，P的每一列一定是特征向量？把AP和PΛ都按列写出来，逐列对照。
>
> **❷ 深度思考** ⭐⭐ — 能对角化的矩阵是"幸运儿"——它有完整的特征向量做骨架。不能对角化的矩阵"卡住了"。如果一个矩阵不能对角化，它最"接近对角"的形式是什么？听说过"若尔当标准形"吗？它和对角化有什么不同？
>
> **❸ 考试演练** ⭐⭐ — A是3阶矩阵，特征值为2（二重根）和3（单根）。已知n-r(A-2E)=1。判断A能否对角化并说明理由。
>
> 📖 点击查看参考答案
>
> **❶ 参考答案**：AP=A[p₁,...,pₙ]=[Ap₁,...,Apₙ]。PΛ=[p₁,...,pₙ]diag(λ₁,...,λₙ)=[λ₁p₁,...,λₙpₙ]。等式AP=PΛ两边逐列对应：Ap₁=λ₁p₁, Ap₂=λ₂p₂,..., Apₙ=λₙpₙ。pⱼ非零（P可逆）→每个pⱼ都是特征向量！
>
> **❷ 参考答案**：不能对角化的矩阵，最接近对角的形式是若尔当标准形——对角线上是特征值，但对角线上方会出现若干"1"（若尔当块）。比如$\begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 1 \\ 0 & 0 & 2 \end{bmatrix}$有一个3×3的若尔当块。若尔当形保持特征值不变但"不够对角化"——它记录了几何重数不足的信息。考研范围内不要求计算若尔当形，但理解它的存在有助于理解"不能对角化"。
>
> **❸ 参考答案**：λ=2是二重根（代数重数=2，几何重数=1）。（补一句定义方便回忆：**代数重数**=λ₀ 作为特征方程根的次数（几重根）；**几何重数**=属于 λ₀ 的线性无关特征向量个数 = n - r(A-λ₀E)。这两个词在下方"易错边界"会正式定义。）因为几何重数(1)<代数重数(2)，不满足"每个k重特征值恰好有k个线性无关特征向量"的充要条件。❌ 不能对角化。
>
**⚠️ 易错边界** — 反例和常见误区
1. **"n 个不同特征值"只是充分条件，不是必要条件！** 单位矩阵 E 只有一个特征值 1（n 重根），但它本身就是对角阵。对角化的关键是特征向量**线性无关**，而不是特征值**互不相同**。
2. **必须区分"代数重数"和"几何重数"**：
- **代数重数**：特征方程中 λ₀ 作为根出现了几次（比如 λ₀ 是三重根）
- **几何重数**：属于 λ₀ 的线性无关特征向量的个数 = `n - r(A - λ₀E)`
- **对角化能成功的唯一标志**：每个特征值的几何重数 = 代数重数（即 k 重根恰好有 k 个线性无关特征向量）
3. **反例**：A = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$，λ = 0 是二重根（代数重数 = 2），但 r(A - 0E) = r(A) = 1 → n - r = 2 - 1 = 1（几何重数 = 1 < 2）。几何重数 < 代数重数 → **不能对角化**。这是最经典的"卡住了"的案例。
> 🛑 **停下来想一想**：A=$\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$的特征值λ=0（二重根）。但解(A-0E)x=0，即$\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$$\begin{bmatrix} x₁ \\ x₂ \end{bmatrix}$=$\begin{bmatrix} 0 \\ 0 \end{bmatrix}$→x₂=0，x₁自由。所以只有一个特征向量[1,0]ᵀ。n-r(A)=2-1=1<2——几何重数<代数重数，不能对角化。如果反过来，遇到一个二重根但n-r=2的矩阵——它能对角化吗？
4. **不是所有矩阵都能对角化！** 线性代数课本里一半以上的矩阵都不能对角化。能对角化的矩阵是"幸运儿"——它有一套完整的特征向量做"骨架"。不能对角化的矩阵就像歪了的书架——你再怎么旋转视角，它也不会变成干干净净的对角形。
---
**⑥ 链条位置** — 从哪来 → 本推导 → 到哪去
```
[§1.2 特征方程] [§1.5 五大性质]
"求出特征值 λ" "不同λ的向量线性无关"
↘ ↙
[§1.9-1.10 对角化充要条件推导]
"为什么对角化 = n个无关特征向量"
↓
[§1.11 对角化步骤] → [§1.12 求 Aⁿ]
"手把手实操" "对角化最经典应用"
↓
[§1.13 实对称对角化] → [第6章 二次型]
"最好的矩阵一定行" "特征值就是标准形系数"
```
**从哪来**：1.2 节教会了怎么求特征值和特征向量；1.5 节证明了不同特征值的特征向量一定线性无关。这两个基础知识是本节推导的前提。
**本推导**：证明了"可对角化 ⇔ 有 n 个线性无关特征向量 ⇔ 每个 k 重特征值恰有 k 个无关特征向量"。这三个条件是等价的——你说哪一个都可以，说的是同一件事。
**到哪去**：有了这个充要条件，1.11 节就可以放心地给出对角化的操作步骤；1.13 节在此之上证明实对称矩阵"必然满足"这个条件，从而一定可以对角化。
---
## 1.10 矩阵能相似对角化的条件（必须分清"充分"和"充要"！）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 整理房间有三种情况：①房间本身就是方的（实对称=必然能整好）；②房间里有n个完全不同的方向（n个不同特征值=一定能整好）；③有些方向重复了（有重根）——这时候要看"重复的方向里能不能找到足够多的独立箭头"。你现在能判断一个随机的3阶矩阵能对角化的概率大还是不能对角化的概率大吗？
**💬 比喻**：
想把房间里的东西整理整齐，有三种情况：
- **情况A（必然可以）**：房间本身就是方的（实对称矩阵）→ 一定能整理整齐
- **情况B（一定可以）**：房间里有 n 个完全不同的方向（n 个不同特征值）→ 也能整理整齐
- **情况C（看情况）**：有些方向重复了（有重根特征值）→ 得看重复的方向里能不能找到足够多的独立箭头
> 看到下面这张判定表，先别慌。**难在哪？** ——四个条件排在一起，很容易分不清谁是谁。其实它们都来自 1.9 节的同一个充要条件——"有 n 个线性无关的特征向量"。这张表只是把"怎么检查这个条件"按由省力到费力的顺序排开：实对称最省事（直接通过）、n 个不同特征值次省事（也直接通过）、有重根就得动手数几何重数（n - r(A-λ₀E) 是否等于重数）。
**📖 判定条件（按优先级排序）**：
| 优先级 | 条件 | 结论 | 类型 |
|--------|------|------|------|
| ① | A 是**实对称矩阵** | **必然可以**（而且还能正交对角化） | 充分条件 |
| ② | A 有 **n 个互不相同的特征值** | **一定可以** | 充分条件 |
| ③ | 每个 k 重特征值，恰好有 k 个线性无关的特征向量 | **可以** | **充要条件** |
| ④ | A 有 n 个线性无关的特征向量 | **可以** | 充要条件（宏观版） |
> 💡 小提示：**实对称矩阵**=元素全是实数、且 Aᵀ=A 的矩阵（第2章概念）。"实对称矩阵一定可以对角化"这个结论要到 §1.13 才专门证明，这里先直接引用、记住结论即可。
> 🛑 **停下来想一想**：优先级①（实对称）和优先级②（n个不同特征值）哪个更"强"？假设一个矩阵既是实对称又有重根——用条件①还是条件③？如果另一个矩阵不是实对称但有n个不同特征值——用条件②还是条件③？
**🔑 常用判断口诀**：对于重根 λ₀（k 重），检查 `n - r(A - λ₀E) = k`？
- 等于 k → 有 k 个线性无关特征向量 → 可以
- 小于 k → 不足 k 个 → 不可以对角化
> ⭐⭐⭐ "n 个不同特征值"只是**充分条件**，不是必要的！单位矩阵 E 只有一个特征值（n 重根），但它本身就是对角阵。
✍️ **立刻练一道**：判断矩阵 A = $\begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$ 能否相似对角化。（提示：上三角，特征值直接读对角线；λ=2 是二重根，用它算 n - r(A-2E) 与重数比一比。答案：特征值 = 2, 2, 3；A-2E = $\begin{bmatrix} 0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}$，r = 2 → n-r = 3-2 = 1 < 重数 2，几何重数不足 → **不能**对角化。反观另一个二重根矩阵 A = $\begin{bmatrix} 1 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 2 \end{bmatrix}$（后面"题型C"里会算），λ=2 时 n-r = 2 = 重数 → 能对角化。同样是"二重根"，结果却相反——判据就在 n - r 与重数相不相等。）
> 📌 **这节学完你就能回答：**
> - 判定对角化的四个条件按优先级怎么排？哪个是"必然可以"、哪个是"一定可以"、哪个是"看情况"？
> - "n个不同特征值"为什么只是充分条件不是必要条件？举一个反例。
> - 给定k重特征值，怎么用 n-r(A-λ₀E) 算几何重数？怎么判断等于k还是小于k？
---
## 1.11 相似对角化的标准步骤
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 装修挂画：先测量歪了多少度（求λ），再确定往哪个方向转（求特征向量），检查画框能不能被摆正（验证条件），然后动手摆（构造P和Λ）。如果画框本身是歪的（不能对角化），做到一半才发现——前面的功夫全白费。你觉得在哪一步"先检查能不能"最省时间？
#### 先看一道题：把 A = $\begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix}$ 对角化（即求可逆矩阵 P 使 P⁻¹AP 为对角阵）
看到这题，先别慌。**难在哪？** ——要把一个陌生的矩阵 A 变成对角阵 Λ，还要找个"切换视角"的 P，听着就没头绪。可 1.9 节已经给了我们整个思路的地图：对角化 ⇔ 凑齐 n 个线性无关的特征向量排成 P，特征值排进 Λ。那这道题就是照着地图走一遍，看看到底要走几步。
🧠 第一步在想什么：**先求特征值**。1.9 节说过，找特征向量的前提是先知道特征值——每个特征向量都"属于"某个 λ。于是先用 1.3 节的"求特征值三连"：
```
|A - λE| = $\begin{vmatrix} 2-λ & -1 \\ -1 & 2-λ \end{vmatrix}$ = (2-λ)² - 1 = λ² - 4λ + 3 = (λ-1)(λ-3) = 0
```
得 λ₁ = 1, λ₂ = 3（互不相同 → 由 1.10 节条件②，一定可以对角化，心里先松口气）。
🧠 第二步在想什么：**对每个特征值求特征向量**。用 1.4 节的"求特征向量三连"，一个 λ 一个 λ 地解：
```
λ=1：A-E = $\begin{bmatrix} 1 & -1 \\ -1 & 1 \end{bmatrix}$ → x₁ - x₂ = 0 → 特征向量 [1, 1]ᵀ
λ=3：A-3E = $\begin{bmatrix} -1 & -1 \\ -1 & -1 \end{bmatrix}$ → x₁ + x₂ = 0 → 特征向量 [1, -1]ᵀ
```
数一数：凑齐了 2 个线性无关的特征向量，正好等于阶数 n=2 → 可以对角化 ✓。
🧠 第三步在想什么：**把特征向量排成 P，特征值排进 Λ**。这是 1.9 节"方向二"告诉我们的组装法——pⱼ 和 λⱼ 必须一一对应：
```
P = [1 1] Λ = [1 0]
[1 -1] [0 3]
```
🔍 回头看看我们做了什么：整个对角化就五步，而且每一步都不是新东西——求特征值（1.3）、求特征向量（1.4）、数够不够 n 个（1.9/1.10 的充要条件）、排 P 和 Λ（1.9 方向二）、验证。我们不是背了一张新流程表，而是把前面学过的工具按逻辑顺序组装起来。真正的"新智慧"只有一点：**先检查能不能对角化，再往下做**——免得白干。
📌 以后就这么办：对角化五步——① 求特征值（解 |A - λE| = 0）② 对每个特征值求特征向量（解 (A - λᵢE)x = 0）③ 验证是否有 n 个线性无关的特征向量（没有 → 不能对角化，止步！）④ 构造 P =（特征向量竖着排）、Λ = diag(特征值) ⑤ 验证 P⁻¹AP = Λ（可不写，但心里要确认）。
✍️ **立刻练一道**：把 A = $\begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix}$ 对角化后，求 A³。（提示：A = PΛP⁻¹，所以 A³ = PΛ³P⁻¹，Λ³ 只把对角线各自三次方——1³=1, 3³=27。答案：Λ³ = diag(1, 27)，A³ = P diag(1, 27) P⁻¹ = $\begin{bmatrix} 14 & -13 \\ -13 & 14 \end{bmatrix}$。）
**⚠️ 最容易错的环节**：P 中特征向量的顺序必须和 Λ 对角线上特征值的顺序一致！
> 📌 **这节学完你就能回答：**
> - 对角化五步是哪五步？每一步"为什么非这样不可"？
> - 为什么"先验证条件"比"先求特征向量"更聪明？
> - P的列和Λ对角线必须怎样对齐？如果顺序写反了会怎样？
> - 最后一步验证——为什么用Ap=λp检查比算P⁻¹AP省事？
---
### 🧠 方法原理：对角化五步——每一步为什么非这样不可？
**💬 生活场景** 🎬
你想把一面歪挂的画框摆正。不能直接上手掰——得先测量歪了多少度（求特征值），再确定往哪个方向转（求特征向量），检查画框结构能不能被摆正（验证条件），然后才能动手调整（构造 P 和 Λ），最后确认画框确实正了（验证）。
对角化的五个步骤，每一步都有"非这样不可"的理由。下面逐一拆解。
**🧠 推导** — 每一步为什么？
---
**第1步：求特征值（解 |A - λE| = 0）——为什么从这开始？**
从 1.9 节的对角化充要条件推导我们已经知道：可对角化 ⇔ 有 n 个线性无关的特征向量。而找特征向量的前提是先知道特征值——因为每个特征向量都"属于"某个特征值。
特征方程 |A - λE| = 0 的推导（1.2 节）告诉我们：λ 只有让这个行列式为零，齐次方程组 (A - λE)x = 0 才可能有非零解（即特征向量）。所以先把所有"候选 λ"找出来。
> 大白话：要找方向不变的箭头，得先知道拉伸倍数是多少。特征方程就像一个筛子——把可能的 λ 值全筛出来，一个不漏。
**为什么不能跳过这一步直接用 λ 猜？** 因为矩阵的"揉捏"效果不是肉眼能看出来的——绝大多数 λ 值代入 (A - λE) 后行列式不为零，方程组只有零解，找不到特征向量。必须用 |A - λE| = 0 把 λ 精确求出来。
---
**第2步：对每个特征值求特征向量（解 (A - λE)x = 0）——为什么必须逐个处理？**
对每个 λ，代入 (A - λE) 得到具体的数字矩阵，再解齐次方程组。这个过程其实是在"搜捕"所有在 λ 这个拉伸倍数下方向不变的向量。
**为什么要逐个处理？** 不同 λ 对应的特征向量"住"在不同的子空间里——λ = 2 的特征向量和 λ = 3 的特征向量，分别由 (A - 2E)x = 0 和 (A - 3E)x = 0 来确定。两个方程组完全独立，必须分别求解。
解的基础解系中向量的个数 = n - r(A - λE)，这个数值叫该特征值的"几何重数"——它决定了后面能否对角化。
> 大白话：不同拉伸倍数对应不同的"方向不变家族"，每个家族得单独调查，不能混在一起。拿放大镜每个 λ 仔细看——它手下到底有几个线性无关的小弟（特征向量）。
---
**第3步：验证是否有 n 个线性无关的特征向量——为什么这是"生死关"？**
这是五步中最关键的一步，也是判断矩阵"能不能被摆正"的命门。
把属于各特征值的特征向量全算出来后，数一数：总共找到了几个线性无关的特征向量？
- **恰好 n 个** → 可以对角化（1.9 节充要条件保证） ✓
- **少于 n 个** → 不能对角化，到此为止 ✗
**为什么不到 n 个就不行？** P 需要可逆（P⁻¹ 必须存在），而 P 可逆 ⇔ P 的各列（即各特征向量）线性无关。如果特征向量不够 n 个，P 的列凑不齐 n 个线性无关的向量，P 的逆矩阵就无法定义——"对角化"在数学上不成立。
最常见的卡死情况：某个 k 重特征值，n - r(A - λE) < k（几何重数小于代数重数）——就像 1.9 节反例中的 A = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$，特征值 0 是二重根但只有一个特征向量。
> 大白话：就像你要用三根支架撑起一个三脚架。如果只有两根支架（两个线性无关特征向量），再怎么摆都撑不起三维空间。必须有恰好三根（三个线性无关特征向量），支架才稳——P 才可逆。
> 🛑 **停下来想一想**：假设你跳过第3步验证，直接构造P和Λ——结果发现P不可逆（行列式为0）。这是什么意思？说明第2步时哪一步出了问题？
---
**第4步：构造 P 和 Λ——为什么这样排就对了？**
这个构造方法的正确性已经在 1.9 节"方向二"的推导中完整证明了：`Apⱼ = λⱼpⱼ` → 把 p₁...pₙ 按列排成 P → `AP = PΛ` → `P⁻¹AP = Λ`。
关键在于：**P 的第 j 列和 Λ 的第 (j,j) 位置必须对应同一个 λ！**
```
P = [p₁ p₂ ... pₙ] Λ = diag(λ₁, λ₂, ..., λₙ)
↑ ↑ ↑ ↑ ↑ ↑
对应λ₁ 对应λ₂ 对应λₙ 和左边一一对齐
```
如果顺序乱了——比如 P 的第 1 列对应 λ₂，Λ 的 (1,1) 位置放的是 λ₁——则 AP = PΛ 不成立，整个构造就废了。
> 大白话：P 和 Λ 就是一张对照表——P 的每一列"属于"Λ 对角线上对应位置的那个数。造表的时候必须一一对齐，不能张冠李戴。这是考试丢分的重灾区。
---
**第5步：验证 P⁻¹AP = Λ——为什么可以省略但心里得确认？**
考试中这一步通常不要求写出完整的 P⁻¹ 和乘法过程（除非题目明确要求验证），但自己心里要过一遍——确保没有低级错误（顺序不对、特征向量算错等）。
**简单自查法**：检查 P 的各列是否确实满足 `Apⱼ = λⱼpⱼ`（用原始定义验证，不需要算逆矩阵）。如果对每个 j 都成立，那 `AP = PΛ` 就成立 → `P⁻¹AP = Λ` 自动成立。
> 大白话：不用真的去算逆矩阵那么麻烦——拿 A 乘以 P 的每一列，看看结果是不是等于 λ 乘以那一列。是的话就对了。这是最省事的验证方法。
---
**📝 复盘总结**
对角化五步是一个"筛选-配对-组装"的流水线：
1. **筛 λ**（特征方程）→ 找出所有"拉伸倍数"
2. **配向量**（解方程组）→ 给每个 λ 找到它的"方向不变的箭头"
3. **数一数**（验证条件）→ 箭头够不够 n 个？不够就到此为止
4. **组装**（排 P 和 Λ）→ 列向量排队，特征值对号入座
5. **确认**（验证）→ 用定义式 Ap = λp 逐一核查
每一步都建立在前面推导的坚实基础之上——不是拍脑袋想出来的，是逻辑推导"逼"出来的唯一正确路径。
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 用口诀总结对角化五步："筛λ→配向量→数一数→排队→验证"。每步对应什么操作？
>
> **❷ 深度思考** ⭐⭐ — 对一个3阶矩阵做对角化。第2步求特征向量时，你发现λ=2是二重根，解(A-2E)x=0得到了两个线性无关的特征向量。此时你能"预测"对角化一定成功吗？还需要做什么检查？
>
> **❸ 考试演练** ⭐⭐ — A=$\begin{bmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 0 & 0 & 1 \end{bmatrix}$的特征值全是1（三重根）。按对角化五步走——会在第几步失败？为什么？
>
> 📖 点击查看参考答案
>
> **❶ 参考答案**：筛λ=解|A-λE|=0求特征值；配向量=对每个λ解(A-λE)x=0求特征向量；数一数=验证n个线性无关特征向量（每个k重根恰好k个）；排队=P的列排特征向量、Λ对角线排对应特征值；验证=用Ap=λp逐列检查。
>
> **❷ 参考答案**：不能100%确定！λ=2有两个线性无关特征向量（好兆头）。但还需要检查其他特征值——如果还有一个特征值是单根，那总共有2+1=3个线性无关特征向量=n→可以对角化✓。但如果还有其他二重根且几何重数不足，总数不够n→不能对角化。必须数清所有特征值的"总计"是否达到n。
>
> **❸ 参考答案**：在第3步失败。A是上三角，特征值λ=1（三重根），代数重数=3。A-E=$\begin{bmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{bmatrix}$，r(A-E)=2 → n-r=1。几何重数=1 < 3=代数重数 → 不能对角化！中途停止，不继续构造P。
>
---
**⚠️ 易错边界**
1. **先验证再做！** 最惨的错误是花了半小时把 P 和 Λ 全算完，结果第 3 步发现不能对角化——白做。遇到重根先算 n - r(A - λE)，确认 OK 再继续。
2. **P 和 Λ 顺序必须对齐。** 第 j 列特征向量对应 Λ 的 (j,j) 特征值——这是最容易出错的地方，偏偏一错整个答案全废。
3. **P 中特征向量排列顺序可以不同，对应的 Λ 也不同。** 比如把 λ₁ 的特征向量放第 3 列、λ₂ 的放第 1 列——只要 Λ 对角线上跟着调整（λ₁ 放 (3,3)，λ₂ 放 (1,1)），P⁻¹AP 仍然是 Λ（只是对角线上排列不同）。所以答案不唯一，但常规做法是按 λ 从小到大排列。
4. **做 P⁻¹ 的计算时容易出错。** 如果是 3 阶矩阵，用伴随矩阵法求 P⁻¹ 要算 9 个余子式——建议算完后用 P·P⁻¹ 验算是否等于 E。
---
**⑥ 链条位置** — 从哪来 → 本方法 → 到哪去
```
[§1.2 特征方程] → [§1.9-1.10 对角化充要条件推导]
"|A-λE|=0 筛出 λ" "对角化 ⇔ n个无关特征向量"
↓ ↓
[§1.11 对角化步骤原理]
"每一步为什么非这样不可"
↓
[§1.12 Aⁿ = PΛⁿP⁻¹] → [题型D 对角化] → [§1.13 实对称对角化]
"对角化最经典应用" "实操" "更强的条件保证"
```
---
## 1.12 用对角化求 A 的 n 次方
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你想知道100天后连锁店各分店的营业额。如果直接算"今天的营业额 × 运营矩阵 × 运营矩阵 × ...（乘100次）"，计算量巨大。但如果你能找到一种"坐标系"，在这个坐标系里各分店互不影响、各自独立增长——100天后各分店的营业额就是"今天的×增长率的一百次方"。凭直觉猜：这个"神奇的坐标系"的坐标轴方向是什么？
**💬 比喻**：
假如你想算一家公司 100 天后的状态。直接一天一天算太累了！但如果能把问题拆成"每天独立增长的方向"（特征方向），那就简单了——每个方向上的增长率各自算 100 次方就行。
#### 先看一道题：已知 P⁻¹AP = Λ（对角阵），求 Aⁿ
看到这题，先别慌。**难在哪？** ——A 是个满矩阵，直接连乘 n 次，n 一大就要命。上一节我们刚学会把 A"摆正"成对角阵 Λ（P⁻¹AP = Λ）。既然 Λ 那么好算，能不能顺着"摆正"的功劳把 Aⁿ 也变成"好算"？这就是下面这段推导要回答的——别先背公式 Aⁿ = PΛⁿP⁻¹，我们亲手把它从对角化里"长"出来。
> ⭐⭐ 高频——2000 年数学一就考了用特征值求长期分布的应用题
> 📌 **这节学完你就能回答：**
> - Aⁿ = PΛⁿP⁻¹ 这个公式是怎么从对角化推导出来的？中间的P⁻¹P为什么能"消掉"？
> - Λⁿ 为什么这么好算？如果Λ是对角阵，Λⁿ的对角线元素是什么？
> - 使用这个公式的前提条件是什么？如果A不能对角化，还能用吗？
---
### 🧠 方法原理：为什么 Aⁿ = PΛⁿP⁻¹ 一定对？
**💬 生活场景** 🎬
想象你是一家连锁店的老板，有 100 家分店。每家店的月度营业额构成一个 100 维向量。总公司的"运营矩阵"A 描述了一个月后各店营业额的转移关系。
你想知道一年（12 个月）后的营业额分布。直接算 A 连乘 12 次——100 阶矩阵乘 12 次，计算量巨大。但如果你能找到一个"最佳视角"（特征向量做坐标轴），在这个视角下总公司运营变成了"每家店独立增长、互不干扰"——那 A¹² 就只是每个方向上增长率的 12 次方。
这就是对角化求 Aⁿ 的核心思想：**换个坐标系让运算简化，算完再换回来**。
**🧠 推导** — 为什么 Aⁿ = PΛⁿP⁻¹？
**第1步：写出对角化的等式**
```
P⁻¹AP = Λ
```
其中 Λ 是对角矩阵，对角线上是特征值 λ₁, λ₂, ..., λₙ。
> 大白话：P 是"切换视角"的转换器——P⁻¹AP 的意思是把 A 从标准视角切换到特征向量视角，在新视角下 A 变成了最简单的形式 Λ（对角阵，除了对角线全是零）。
**第2步：从等式反解出 A**
```
P⁻¹AP = Λ
→ A = PΛP⁻¹ （两边左乘 P、右乘 P⁻¹）
```
> 大白话：把等式变形，把 A 表示成"P × Λ × P⁻¹"的夹心结构。这个"夹心"表示法正是对角化所有魔力所在——Λ 在中间是干净的（对角阵），P 和 P⁻¹ 在两边做"翻译"。
**第3步：算 A²——见证奇迹**
```
A² = A·A
= (PΛP⁻¹)·(PΛP⁻¹)
= PΛ(P⁻¹P)ΛP⁻¹ （重新加括号，把中间两个凑到一起）
= PΛ E ΛP⁻¹ （P⁻¹P = E，相遇即消）
= PΛΛP⁻¹
= PΛ²P⁻¹
```
> 大白话：A² 中，中间的 P⁻¹P 碰在一起就是 E——**消掉了！** 这个消掉是最关键的一步。两边的 P 和 P⁻¹ 像两块"面包"，中间的 Λ² 是"夹心"。A² 的夹心是 Λ²（对角线上每个数平方），面包还是原来那两块。
> 🛑 **停下来想一想**：A² = PΛ²P⁻¹ 的关键在于中间的P⁻¹P相遇消掉。如果把A看成"面包-夹心-面包"（PΛP⁻¹），那A³等于什么？中间的P⁻¹P消了几次？如果从A²=...和A³=...，你能看出Aⁿ的规律吗？
**第4步：推广到 Aⁿ——数学归纳法**
```
A³ = A²·A = (PΛ²P⁻¹)·(PΛP⁻¹) = PΛ²(P⁻¹P)ΛP⁻¹ = PΛ³P⁻¹
以此类推：
Aⁿ = PΛⁿP⁻¹
```
其中 Λⁿ = diag(λ₁ⁿ, λ₂ⁿ, ..., λₙⁿ)。
> 大白话：每次多乘一个 A，中间就多出一个 `(P⁻¹P)` 相遇消掉——永远只剩头尾的 P 和 P⁻¹ 加上中间的 Λ 更上一层方。所以 A 的 n 次方 = P 不动 × 对角阵各自 n 次方 × P⁻¹ 不动。
**第5步：为什么 Λⁿ 这么好算？**
Λ 是对角矩阵（只有对角线有数），两个对角矩阵相乘就是对应对角线元素各自相乘：
```
Λ² = diag(λ₁, ..., λₙ) × diag(λ₁, ..., λₙ) = diag(λ₁², ..., λₙ²)
Λⁿ = diag(λ₁ⁿ, ..., λₙⁿ)
```
> 大白话：对角阵的 n 次方就是对每个对角线上的数各自求 n 次方——比直接乘 A 不知道轻松多少倍。就像把"算 100 家连锁店的月度矩阵 12 次方"变成了"算每家店增长率各自 12 次方"。
---
**📝 复盘总结**
整个 Aⁿ = PΛⁿP⁻¹ 的推导只有三个关键点：
1. **夹心结构**：`A = PΛP⁻¹`——对角化把 A 写成"面包-夹心-面包"的形式
2. **P⁻¹P 相遇消掉**：A² 中两个夹心结构拼在一起，中间的 P⁻¹P = E 自动抵消
3. **对角阵好算幂**：Λⁿ 只需把对角线每个数各自 n 次方
把这三步合在一起——Aⁿ 的运算从"n 次满矩阵乘法"降级为"n 个标量的幂运算 + 两次矩阵乘法（乘 P 和 P⁻¹）"。当 n 很大时，这是天差地别的效率提升。
📌 以后就这么办：只要 A 能对角化（P⁻¹AP = Λ），求 Aⁿ 就四步——① 先对角化得 P 和 Λ ② 写出 A = PΛP⁻¹（夹心结构）③ 中间的 P⁻¹P 相遇全消掉，得 Aⁿ = PΛⁿP⁻¹ ④ Λⁿ 只把对角线各自 n 次方。
**📖 公式**：如果 `P⁻¹AP = Λ`，则
```
Aⁿ = P·Λⁿ·P⁻¹
```
其中 Λⁿ = diag(λ₁ⁿ, λ₂ⁿ, ..., λₙⁿ)——就是把对角线上每个数各自 n 次方。
✍️ **立刻练一道**：已知 A = $\begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix}$ 可对角化为 P = $\begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}$、Λ = diag(1, 3)（1.11 节刚做过），求 Aⁿ。（提示：Aⁿ = PΛⁿP⁻¹，P⁻¹ = (1/2)$\begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}$。答案：Aⁿ = (1/2)·$\begin{bmatrix} 1+3ⁿ & 1-3ⁿ \\ 1-3ⁿ & 1+3ⁿ \end{bmatrix}$——这正是后面题5-10 的完整答案。）
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 已知P⁻¹AP=diag(2,3)。写出A⁵的表达式（用P和P⁻¹表示），并写出Λ⁵的对角线元素。
>
> **❷ 深度思考** ⭐⭐ — Aⁿ = PΛⁿP⁻¹这个公式要求A可对角化。如果A不能对角化，有没有"替代公式"？比如有没有办法用"若尔当形"算Aⁿ？（提示：若尔当块的n次方不再是每个对角线元素各自n次方，而会出现一些组合数）
>
> **❸ 考试演练** ⭐⭐ — A=PΛP⁻¹，Λ=diag(1,0.5)。求lim(n→∞) Aⁿ。提示：考虑Λⁿ的对角线元素趋近于什么。
>
> 📖 点击查看参考答案
>
> **❶ 参考答案**：A⁵ = P diag(2⁵, 3⁵) P⁻¹ = P diag(32, 243) P⁻¹。
>
> **❷ 参考答案**：不能对角化时可用若尔当标准形J=P⁻¹AP。J的对角线是特征值，对角线上一行有若干1。Jⁿ = P⁻¹AⁿP。若尔当块的n次方公式为：$\begin{bmatrix} λ & 1 \\ 0 & λ \end{bmatrix}$ⁿ = $\begin{bmatrix} λⁿ & nλⁿ⁻¹ \\ 0 & λⁿ \end{bmatrix}$。3阶若尔当块更复杂，出现n(n-1)/2·λⁿ⁻²等项。考研一般只考可对角化的情况。
>
> **❸ 参考答案**：Λⁿ = diag(1ⁿ, 0.5ⁿ)。当n→∞，1ⁿ→1，0.5ⁿ→0。所以lim Aⁿ = P diag(1,0) P⁻¹。这个极限矩阵的秩为1——长期来看，只有一个"增长方向"存活下来，另一个方向被衰减到零。
>
---
**⚠️ 易错边界**
1. **前提条件：A 必须能对角化！** 如果 A 不能对角化（特征向量不够 n 个），这个公式就不能用。在使用 Aⁿ = PΛⁿP⁻¹ 之前，必须先确认 A 可以相似对角化。
2. **P 和 Λ 的顺序必须一致！** P 的第 1 列特征向量对应的特征值必须放在 Λ 的 (1,1) 位置，第 2 列对应 (2,2)……顺序一乱，PΛⁿP⁻¹ 算出的就不是 Aⁿ。
3. **P⁻¹ 必须真的求出来。** P⁻¹ 不能用"随便写一个"——必须通过伴随矩阵法或初等变换法正经算出来。很多同学卡在 P⁻¹ 的计算上。
4. **特征值为 0 时注意：0ⁿ = 0（n≥1）。** 如果某个 λ = 0，那 Λⁿ 对应对角线位置就是 0——这个方向上的变换在经过一次后就"压扁"了，之后再乘多少次 A 都是 0。
---
**⑥ 链条位置** — 从哪来 → 本方法 → 到哪去
```
[§1.9-1.10 对角化充要条件推导]
"对角化 ⇔ n 个无关特征向量"
↓
[§1.11 对角化步骤] → [§1.12 Aⁿ = PΛⁿP⁻¹ 原理推导]
"求出 P 和 Λ" "为什么夹心结构能让幂运算降级"
↓
[题型D 对角化 + 求 Aⁿ] → [第6章 实对称矩阵的幂]
"实操" "二次型中也会用到"
```
---
#### 🎯 解题方法
##### 题型C：判断矩阵能否相似对角化
**🎯 识别特征**：给一个矩阵（可能含参数），问能否对角化，或求参数使其能对角化。
> 看到这类题，先别慌。**难在哪？** ——对角化的充要条件（1.9/1.10 节）你已经学过：每个 k 重特征值恰好有 k 个线性无关特征向量。但题目常常不直接给特征向量，怎么快速判断？——把充要条件翻译成一句能算的话：**"恰好 k 个" ⇔ n - r(A - λ₀E) = k**。下面这个判定流程就是这条口决在三种情况下的展开。
**📋 判定流程（按优先级）**：
```
情况1：是实对称矩阵吗？（实对称=元素全实数且 Aᵀ=A，第2章概念；实对称矩阵一定可对角化，这个结论 §1.13 会专门讲，这里先直接引用）→ 是 → 必然能！（直接通过）
情况2：特征值全都互不相同吗？→ 是 → 一定能！（直接通过）
情况3：有重根特征值 λ₀（k 重）
→ 算 r(A - λ₀E)（该矩阵的秩）
→ 若 n - r(A - λ₀E) = k → 能对角化
→ 若 n - r(A - λ₀E) < k → 不能对角化
```
**📝 典型例题**：
判断矩阵 A = $\begin{bmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 0 & 0 & 1 \end{bmatrix}$ 能否对角化。
📖 点击展开解答
**分析**：A 是上三角矩阵，特征值 = 主对角线元素 = 1, 1, 1（三重根！）。
检查 λ = 1 时：A - E = $\begin{bmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{bmatrix}$
r(A - E) = 2（非零行有 2 行）
n - r(A - E) = 3 - 2 = 1 < 3（三重根但只有 1 个线性无关特征向量）
❌ **不能对角化**！
> 💡 这题是经典反例：单位矩阵 E 有 n 重根但可以对角化（它本身就是对角阵），而这里的矩阵有三个相同的特征值，却不能对角化。关键是看特征向量的个数。
>
> 本题使用模板C：判断对角化条件。
✍️ **立刻练一道**：判断矩阵 A = $\begin{bmatrix} 1 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 2 \end{bmatrix}$ 能否相似对角化。（提示：上三角，特征值 = 对角线 = 1, 2, 2；λ=2 是二重根，算 n - r(A-2E)。答案：A-2E = $\begin{bmatrix} -1 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix}$，r = 1 → n-r = 3-1 = 2 = 重数 2 ✓，加上 λ=1 的 1 个，共 3 个无关特征向量 → **可以**对角化。这正是上面🚫找找茬里的那道题，先自己做再对答案！）
---
> 🚫 **找找茬**（同桌的作业本上有两处错误，你能帮他改过来吗？）
>
> 题目：判断矩阵A=$\begin{bmatrix} 1 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 2 \end{bmatrix}$能否相似对角化。
>
> 同桌的解答：
> "A是上三角矩阵，特征值是1,2,2。有三个特征值但2是重根。既然有重根——那一定不能对角化。因为对角化的充要条件是有n个不同的特征值。"
>
> 找出上面的错误，写出正确的判定过程。
>
>
> 📖 点击查看答案（先自己找！）
>
> **错误1**："有重根→一定不能对角化" → 错！有重根不等于不能对角化，还要看几何重数是否等于代数重数。
>
> **错误2**："对角化的充要条件是有n个不同的特征值" → 错！n个不同特征值只是充分条件，充要条件是有n个线性无关的特征向量。
>
> **正确做法**：λ=2是二重根。A-2E=$\begin{bmatrix} -1 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix}$，r(A-2E)=1 → n-r=3-1=2。二重根恰好2个线性无关特征向量！加上λ=1的1个→总共3个=n→**可以**对角化。所以有重根也能对角化——关键看几何重数。
>
>
##### 题型D：矩阵的相似对角化（求 P 使 P⁻¹AP = Λ）
**🎯 识别特征**：要求找出可逆矩阵 P 和对角矩阵 Λ，使 P⁻¹AP = Λ。
> 看到这类题，先别慌。**难在哪？** ——要交出 P 和 Λ 两个答案。可 1.11 节你已经亲手悟出对角化五步，1.9 节也证明了"P 的每一列就是特征向量"。所以这里只是把五步流程再走一遍，**注意别让 P 和 Λ 的顺序对不上**——这是本题型唯一的新坑。
**📋 标准步骤**：
```
第1步：求特征值（解 |A - λE| = 0）
第2步：对每个特征值求特征向量（解 (A - λᵢE)x = 0）
第3步：检查是否有 n 个线性无关特征向量
→ 如果有重根，特别检查：每个 k 重特征值是否恰好有 k 个无关特征向量
→ 满足 → 继续；不满足 → 不能对角化，止步
第4步：P = (α₁, α₂, ..., αₙ) 把特征向量按列竖排
Λ = diag(λ₁, λ₂, ..., λₙ) 特征值按对应位置放对角线上
第5步（可选）：验证 P⁻¹AP 是否等于 Λ
```
**📝 典型例题**：
设 A = $\begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix}$，求可逆矩阵 P 使 P⁻¹AP 为对角阵。
📖 点击展开解答
第1步：|A - λE| = $\begin{vmatrix} 2-λ & -1 \\ -1 & 2-λ \end{vmatrix}$ = (2-λ)² - 1 = λ² - 4λ + 3 = (λ-1)(λ-3) = 0
特征值：λ₁ = 1, λ₂ = 3（互不相同 → 一定可以对角化 ✓）
第2步（λ₁ = 1）：
(A - E) = $\begin{bmatrix} 1 & -1 \\ -1 & 1 \end{bmatrix}$ → 行简化 → x₁ - x₂ = 0 → x₁ = x₂
特征向量：`[1, 1]ᵀ`
第2步（λ₂ = 3）：
(A - 3E) = $\begin{bmatrix} -1 & -1 \\ -1 & -1 \end{bmatrix}$ → x₁ + x₂ = 0 → x₁ = -x₂
特征向量：`[1, -1]ᵀ`
第4步：
```
P = [1 1] Λ = [1 0]
[1 -1] [0 3]
```
✅ 答案：存在 P = $\begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}$，使得 P⁻¹AP = diag(1, 3)。
> 💡 顺便注意到：因为 A 是实对称矩阵，两个特征向量 [1,1]ᵀ 和 [1,-1]ᵀ 恰好正交（内积 = 1×1 + 1×(-1) = 0）。这是实对称矩阵的性质在起作用，**§1.13 会证明这个性质**。
>
> 本题使用模板D：相似对角化。
✍️ **立刻练一道**：设矩阵 A = $\begin{bmatrix} 2 & 0 & 0 \\ 0 & 3 & 0 \\ 0 & 0 & 5 \end{bmatrix}$，求可逆矩阵 P 使 P⁻¹AP 为对角阵。（提示：A 本身就是对角阵，特征值直接读对角线——对角矩阵的特征值就是对角线，单位坐标向量就是特征向量，不需要任何计算。答案：P = E（单位矩阵），Λ = diag(2, 3, 5)。这正是后面题5-2。）
---
### 📦 知识块C：实对称矩阵与综合
> 📌 这块学完你就能回答：
>
> 1. 实对称矩阵为什么是"好脾气"矩阵？它有哪五大核心性质？
> 2. 施密特正交化什么时候需要做、什么时候不需要做？先正交化还是先单位化？
> 3. 正交矩阵是什么？怎么快速判断一个矩阵是不是正交矩阵？
> 4. 特征值和特征向量怎么把前面四章的全部知识串起来？
#### 1.13 预备：内积与正交（正交对角化需要的基础）
> 🔔 **先抛一个问题**（想10秒再往下读）：在平面里，你怎么判断两个向量"垂直"？光看画图不够——图能画出来，但没法"算"出来。考研要的是**一个能动手算的公式**，把"垂直"翻译成数字。这一节就把这个公式备好：后面 1.13 节的正交对角化、1.14 节的施密特正交化，全靠它。
**📖 内积（点乘）定义**：两个向量对应分量**相乘再相加**。比如：
```
(1, 2) · (3, 4) = 1×3 + 2×4 = 3 + 8 = 11
```
> 💬 **生活比喻**：内积像"两个向量朝着同一个方向使的劲儿有多大"。俩人一起推箱子——方向越一致，劲儿越大（内积大）；方向完全垂直，一个人使劲等于白费（内积 = 0）；方向相反，就是互相拆台（内积是负的）。**同向使劲最大、垂直使不上劲、反向是负的**——记住这句话，内积就有了画面。
**📖 正交定义**：两个向量内积 = 0，就叫**正交**（"垂直"的正式说法）。比如：
```
(1, 0) · (0, 1) = 1×0 + 0×1 = 0 → (1,0) 和 (0,1) 正交
```
> 🛑 **停下来想想**：一个横一个竖，画图一看就"垂直"。但有了公式就不用画图了——以后在 n 维空间里没法画图，**内积 = 0 就是"垂直"的唯一判断标准**。这就是为什么必须能"算"。
**📖 向量长度（模长）**：一个向量跟自己做内积，再开方。比如：
```
|(3, 4)| = √(3×3 + 4×4) = √(9 + 16) = √25 = 5
```
> 📌 **投影直觉（一句话，施密特正交化要用它当工具）**：a 在 b 上的投影长度 = (a·b) ÷ |b|。分子是"a 在 b 的方向上能分到多少劲儿"。
>
> 🧭 **投影向量（施密特实际要用的）**：投影长度 × b 方向的单位向量 = $\frac{a\cdot b}{b\cdot b}\cdot b$——方向沿 b，长度是投影长度。先记住"投影向量 = $\frac{a\cdot b}{b\cdot b}$ 倍的 b"，施密特正交化时直接用。，分母是"b 有多长"，一除就把"劲儿"换算成 b 的刻度。
> ✍️ **投影举个例子（为施密特做准备）**：a = (3,4)，b = (1,0)。投影长度 = (3×1 + 4×0) ÷ 1 = 3——正好是 a 在横轴上的"影子"长度，很直观。
> ⚠️ **来源标注**：内积本质是**向量的运算**——它是第 3 章向量组内容的延伸，在平面里就是老朋友"点乘"。考研线性代数里它主要就在这里派上用场：判断正交、算长度、做施密特正交化。现在把工具箱备好，后面用到时直接拿。
> 📌 **以后就这么办**：看见"垂直/正交"→ 算内积看是不是 0；看见"长度"→ 自己和自己内积再开方；看见"投影"→ (a·b) ÷ |b|。三句话，本章后半段全靠它们。
## 1.13 实对称矩阵——考研最爱考的"好脾气"矩阵
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 压一根弹簧——不管从哪个角度压，弹簧一定沿某个实在的方向被压缩，不会"压缩出一个虚数来"。实对称矩阵就像一根规矩的弹簧。现在想象两根不同弹性的弹簧，一根压缩倍数大、一根小——它们被压缩的方向之间，有没有什么特殊的几何关系？（提示：两根独立的弹簧各自朝不同的方向，它们之间是"各管各的"还是"互相垂直"？）
**💬 比喻**：
实对称矩阵就像一个**规矩的弹簧**——无论你怎么从不同方向拉伸它，它的特征值永远是实数，不会跑出"虚数"这种现实中看不到的东西。而且它永远可以被"摆正"（对角化），不需要担心它"卡住"。
#### 先想一个问题：为什么"规矩的弹簧"这么好用？
看到这题，先别慌。**难在哪？** ——前面学了那么久，特征值可能是虚数（1.2 节旋转矩阵）、可能卡住不能对角化（1.9 节 A=$\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$），一堆"不听话"的矩阵。可考试最爱考实对称矩阵——它凭什么这么"好脾气"？下面这张表就是答案，但别急着背——先看这三条"超能力"是怎么被 A 的一个特性（Aᵀ = A）逼出来的，理解了就全记住了。
**📖 实对称矩阵的五大核心性质**：
| 性质 | 说明 | 重要程度 |
|------|------|----------|
| ① 特征值全是实数 | 不会出现复数特征值 | ⭐⭐ |
| ② 不同特征值的特征向量**互相正交**（垂直） | 这是最常用的性质！ | ⭐⭐⭐ |
| ③ 一定可对角化，且可用**正交矩阵**对角化 | Q⁻¹AQ = QᵀAQ = Λ | ⭐⭐⭐ |
| ④ k 重特征值必有 k 个线性无关的特征向量 | 实对称矩阵不会"卡住" | ⭐⭐ |
| ⑤ 秩 = 非零特征值的个数 | **仅实对称矩阵能用！** | ⭐⭐ |
**⚠️ 注意**：性质⑤对一般矩阵不成立！很多同学在不该用的时候乱用，这是常见错误。
✍️ **立刻练一道**：已知 A = $\begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$ 是实对称矩阵，试判断它能不能对角化，并猜一下它的两个特征向量方向之间有什么关系。（提示：直接用实对称矩阵的性质，不用展开计算。答案：实对称矩阵一定可以对角化（性质③）；它的两个特征值 3、1 互不相同，对应的特征向量 [1,1]ᵀ 与 [1,-1]ᵀ 内积 = 0，**正好互相垂直**——这正是性质②"不同特征值的特征向量正交"。）
> 📌 **这节学完你就能回答：**
> - 实对称矩阵为什么叫"好脾气"矩阵？它有哪五大"超能力"？
> - "不同特征值的特征向量互相正交"——这个最重要的性质是怎么用A的对称性"一滑到底"证明的？
> - 为什么实对称矩阵一定可以对角化，而且能用正交矩阵对角化？这和一般矩阵的对角化有什么不同？
> - "秩=非零特征值个数"为什么仅对实对称矩阵成立？举一个一般矩阵的反例。
---
### 🧠 灵魂推导：实对称矩阵的三层"为什么"
> 上面那张表格列了五大性质，但性质不是天上掉下来的。下面我们逐个推导其中最核心的三个，理解它们"为什么对"。这三个推导串在一起，也解释了为什么实对称矩阵一定能用正交矩阵对角化。
---
#### 推导一：为什么实对称矩阵的特征值全是实数？
**① 生活场景** 🏠
想象你压一根弹簧。不管从什么角度压，弹簧一定沿某个**实在的方向**被压缩——不会"压缩出一个虚数来"。实对称矩阵就像一根规矩的弹簧——它的特征值一定是实数，不会跑到"虚数空间"里去。
**② 正式陈述**
设 A 是 n 阶实对称矩阵（即 A 中的所有元素都是实数，且 Aᵀ = A），则 A 的所有特征值都是实数。
**③ 🧠 推导**
这个证明用到复数共轭，但不难。核心思路是：假设 λ 是一个特征值（可能是复数），然后证明 λ 等于它自己的共轭，从而证明 λ 一定是实数。
**第1步**：设 λ 是 A 的特征值，x 是对应的特征向量（x ≠ 0，且 x 可能是复数向量）。
```
Ax = λx
```
> 大白话：从定义出发，假设存在特征值和特征向量，不假设 λ 是不是实数。
**第2步**：对等式两边取共轭转置。
共轭转置的意思是：先把每个元素取共轭（实数的共轭是自己，虚数 a+bi 的共轭是 a-bi），再把整个向量或矩阵转置。记作 `x^*`（读作"x 的共轭转置"）。
因为 A 是实矩阵（元素全是实数），所以 A 的共轭就是 A 自己。λ 的共轭记作 λ̄。
对 `Ax = λx` 两边取共轭转置：
```
x^* Aᵀ = λ̄ x^*
```
由于 A 是实对称矩阵：Aᵀ = A，所以：
```
x^* A = λ̄ x^*
```
> 大白话：把等式翻转一下（转置），数字变共轭。因为 A 的元素全是实数（共轭不变），又是对称的（转置不变），所以 A 整体完全不变。
**第3步**：用 `x^*` 左乘 `Ax = λx`：
```
x^* A x = λ (x^* x)
```
> 大白话：在 `Ax = λx` 两边左乘 `x^*`。`x^* x` 是向量 x 与自己的内积（各分量模长的平方和），一定是正实数（因为 x ≠ 0）。
**第4步**：用 `x` 右乘 `x^* A = λ̄ x^*`：
```
x^* A x = λ̄ (x^* x)
```
> 大白话：在 `x^* A = λ̄ x^*` 两边右乘 x。得到 `x^* A x` 的另一个表达式。
**第5步**：第 3 步和第 4 步都算出了 `x^* A x`，令它们相等：
```
λ (x^* x) = λ̄ (x^* x)
```
由于 `x^* x > 0`（正实数，不为零），可以两边同时消掉：
```
λ = λ̄
```
一个复数等于自己的共轭，说明它的虚部为零——**λ 是实数**！
> 大白话：这个证明的妙处在于把 A 的对称性（Aᵀ = A）偷偷用上了——在取共轭转置的时候，如果 A 不对称，`x^* A x` 的两个表达式就对不上了。对称性正是"特征值必为实数"的幕后功臣。
> 🛑 **停下来想一想**：推导一用了一个巧妙的技巧——在Ax=λx两边分别左乘x*和右乘x*，得到同一个数x*Ax的两种表达式，然后比较得出λ=λ̄（实数）。这个技巧的核心是"A的对称性让两边算出来一致的"。如果A不对称，哪一步会卡住？
---
#### 推导二：不同特征值对应的特征向量为什么正交？
这是实对称矩阵**最重要、最常用**的性质，也是考研反复考的知识点。
**① 生活场景** 📐
如果你在一个长方形房间里玩弹簧——左右方向拉一个倍数，前后方向拉另一个倍数。这两个方向天然就是**垂直的**。实对称矩阵也一样：不同拉伸倍数对应的"不変方向"，天然是互相垂直的。这不是巧合，是数学可以严格证明的。
**② 正式陈述**
设 A 是实对称矩阵，λ₁ ≠ λ₂ 是 A 的两个不同特征值，x₁, x₂ 分别是对应的特征向量。则 x₁ 与 x₂ 正交（即 `x₁ᵀ x₂ = 0`，等价于内积为零）。
**③ 🧠 推导**（用"同时从两边夹击"的技巧）
这个证明短小精悍——只有四行，但极其精妙。
**第1步**：写出两个特征向量的定义式。
```
Ax₁ = λ₁x₁ (1)
Ax₂ = λ₂x₂ (2)
```
> 大白话：两个不同的特征值，分别对应两个不同的"方向不变"的向量。
**第2步**：在 (1) 式两边左乘 `x₂ᵀ`。
```
x₂ᵀ A x₁ = λ₁ (x₂ᵀ x₁) (3)
```
> 大白话：把 x₂ 转置后左乘到等式 (1) 上。`x₂ᵀ A x₁` 是一个数（1×1 矩阵），等于向量 x₂ 与 Ax₁ 的内积。
**第3步**：对 `x₂ᵀ A x₁` 换个角度算——利用 A 的对称性。
因为 Aᵀ = A：
```
x₂ᵀ A x₁ = x₂ᵀ Aᵀ x₁ = (A x₂)ᵀ x₁ = (λ₂ x₂)ᵀ x₁ = λ₂ (x₂ᵀ x₁) (4)
```
分解这个关键步骤：
- `x₂ᵀ A x₁`：从左边看——x₂ 内积 (Ax₁)
- 因为 A 对称（Aᵀ = A），转置不变：`x₂ᵀ Aᵀ x₁`
- 利用转置性质 `(AB)ᵀ = BᵀAᵀ`：`(A x₂)ᵀ x₁`
- Ax₂ = λ₂x₂：`(λ₂ x₂)ᵀ x₁`
- λ₂ 是标量可提出：`λ₂ (x₂ᵀ x₁)`
> 大白话：这一步是"神来之笔"——同一个数 `x₂ᵀ A x₁`，我从左边算得到 λ₁ 倍的内积，从右边算（利用对称性把 A 翻到另一边去）得到 λ₂ 倍的内积。同一个数算出了两种表达式！
**第4步**：令 (3) 和 (4) 相等。
```
λ₁ (x₂ᵀ x₁) = λ₂ (x₂ᵀ x₁)
```
移项：
```
(λ₁ - λ₂)(x₂ᵀ x₁) = 0
```
因为 λ₁ ≠ λ₂（两个特征值不同），所以 λ₁ - λ₂ ≠ 0。于是：
```
x₂ᵀ x₁ = 0
```
**x₁ 与 x₂ 正交！** 证明完毕。
> 大白话：上面这四行推导是线性代数里最"四两拨千斤"的证明之一——不需要任何复杂的计算，只靠对称性把 A 从等式一边"滑"到另一边，就得到了正交性的必然结论。
> 🛑 **停下来想一想**：推导二是线性代数里最经典的"四行证明"——x₂ᵀAx₁，从左边算得λ₁倍内积，从右边（利用A对称翻过去）算得λ₂倍内积，令相等得(λ₁-λ₂)x₂ᵀx₁=0。因为λ₁≠λ₂，所以x₂ᵀx₁=0（正交）。如果λ₁=λ₂，能否推出x₂ᵀx₁=0？不能——这就是为什么同一个特征值内部的向量需要施密特正交化。
---
#### 推导三：结合施密特正交化 → QᵀAQ = Λ
前两个推导告诉我们：
1. 实对称矩阵的特征值全是实数（不会出现虚数，放心用）
2. 不同特征值的特征向量自动正交
现在把拼图拼完整：
**情况 1：所有特征值互不相同** → 每个特征值贡献一个特征向量，总共 n 个。因为特征值不同，这 n 个向量两两正交（由推导二保证）。把它们各自**单位化**（除以自己的长度变成单位向量），按列排成矩阵 Q。Q 的各列是两两正交的单位向量 → **Q 是正交矩阵**（QᵀQ = E）→ `QᵀAQ = Λ`。
> 大白话：如果特征值全不同，连施密特正交化都不用做——不同特征值的向量已经自动正交了，直接单位化、排好队就行。这是最省事的场景。
**情况 2：有重根** → 比如 λ₀ 是 k 重根。实对称矩阵的性质④保证了：属于 λ₀ 的线性无关特征向量恰好有 k 个。但这 k 个向量之间**不一定正交**——它们只是线性无关，不能保证互相垂直。这时候请出**施密特正交化**（1.14 节）：把这 k 个向量变成 k 个互相正交的向量。然后再单位化。
最终效果：不论有没有重根，通过"天然正交（不同特征值之间）+ 施密特正交化（同一特征值内部）+ 单位化"，总能构造出 n 个两两正交的单位向量。排成 Q → **Q 是正交矩阵** → `QᵀAQ = Λ`。
> 大白话：实对称矩阵是"最好脾气"的矩阵——它永远可以被正交对角化。不同特征值的向量天然正交帮你省事，同一特征值的向量施密特正交化帮你收尾。两条路配合，总能造出一个正交矩阵 Q。
---
**📝 推导复盘** — 三条推导串成一条完整逻辑链
整个实对称矩阵"正交对角化"的逻辑可以画成一条流水线：
1. **实对称** →（利用 Aᵀ = A）→ **特征值全是实数**（推导一：共轭转置法）
2. **实对称 + 特征值不同** →（利用 Aᵀ = A 把 A 从左边"滑"到右边）→ **特征向量自动正交**（推导二：两边夹击法）
3. **自动正交 + 施密特补足 + 单位化** → **n 个两两正交单位向量** → 排成 **正交矩阵 Q** → **QᵀAQ = Λ**
其中第三步的细节：
- 不同特征值之间：天然正交 ✓ → 各自单位化即可
- 同一特征值内部：可能不正交 → 施密特正交化 → 再单位化
- 最容易多做的事：不同特征值之间还去做施密特正交化——没必要，浪费时间还容易出错！
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 已知A是实对称矩阵，特征值为1,1,3。λ=1对应的两个特征向量是否一定正交？λ=1的向量和λ=3的向量是否一定正交？如果不一定正交，需要做什么？
>
> **❷ 深度思考** ⭐⭐ — 实对称矩阵的"正交对角化"(QᵀAQ=Λ)和普通对角化(P⁻¹AP=Λ)有什么区别？Q和P的构造过程有什么不同？为什么Q更"贵"（多出正交化和单位化的步骤）？什么考试场景下必须出Q而不是P？
>
> **❸ 考试演练** ⭐⭐ — 判断：若A是实对称矩阵且|A|<0，则A必有负特征值。用性质证明或举反例。
📖 点击查看参考答案
**❶ 参考答案**：λ=1的两个特征向量之间不一定正交——它们只是线性无关（性质④保证有2个无关向量），但可能不正交，需要施密特正交化。λ=1的向量和λ=3的向量之间一定正交——性质②保证不同特征值的特征向量自动正交，不需要施密特。这是最容易"多做"的地方！
**❷ 参考答案**：普通对角化P⁻¹AP=Λ，P只需要可逆（各列线性无关）。正交对角化QᵀAQ=Λ，Q必须正交（各列两两正交+单位长度）。构造Q比P多两步：①对同一特征值内部的向量施密特正交化；②所有向量单位化。考试中题目说"求正交矩阵Q"时必须用Q；说"求可逆矩阵P使P⁻¹AP=Λ"时用P即可。Q更"贵"但Q⁻¹=Qᵀ——求逆矩阵只需转置，省了计算量。
**❸ 参考答案**：正确！|A|=λ₁·λ₂·...·λₙ。实对称矩阵所有特征值都是实数。如果所有λᵢ≥0，乘积≥0→|A|≥0，与|A|<0矛盾。所以至少有一个特征值<0。
---
**⚠️ 易错边界** — 反例和常见误区
1. **"对称"这个条件是关键！** 对于非对称矩阵，不同特征值的特征向量**不一定正交**。比如 A = $\begin{bmatrix} 1 & 2 \\ 0 & 3 \end{bmatrix}$，特征值 1 和 3 不同，但特征向量分别是 `[1, 0]ᵀ` 和 `[1, 1]ᵀ`，内积 = 1 ≠ 0。不对称 = 推导二中第 3 步行不通（Aᵀ ≠ A，A 滑不过去）。
2. **不要对不同特征值的特征向量做施密特正交化！** 它们已经天然正交了，再做施密特纯属多此一举——浪费时间、增加计算量、引入四舍五入误差。
3. **先正交化，再单位化——顺序不能反！** 如果先单位化再做施密特，正交化之后的向量长度不再是 1，还得重新单位化。先正交后单位，一遍过。
4. **性质⑤（秩 = 非零特征值个数）仅对实对称矩阵成立！** 对一般矩阵不成立。比如 A = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$，秩为 1，但特征值全是 0——两个非零特征值个数（0）不等于秩（1）。这道陷阱题考研经常出。
---
**⑥ 链条位置** — 从哪来 → 本推导 → 到哪去
```
[§1.2 特征方程] [§1.9-1.10 对角化条件]
"求出特征值 λ" "对角化 ⇔ n个无关特征向量"
↘ ↙
[§1.13 实对称矩阵正交对角化原理]
"为什么实对称=正交对角化保证"
├─ 推导一：特征值全为实数
├─ 推导二：不同λ的向量正交
└─ 推导三：结合施密特 → QᵀAQ = Λ
↓
[§1.14 施密特正交化] → [§1.15 正交矩阵]
"实操工具" "Q 满足什么条件"
↓
[题型E 正交对角化五步法] → [第6章 二次型]
"每年必考的11分大题" "特征值 = 标准形系数"
```
**从哪来**：1.2 节的 `|A - λE| = 0` 求出特征值；1.9-1.10 节证明了对角化等价于 n 个线性无关特征向量。本节在这两个基础之上"加了一把火"——对称性。
**本推导**：证明了实对称矩阵的三大"超能力"——特征值实、向量正交、必然可正交对角化。这三条是第 6 章二次型标准化的理论基础。
**到哪去**：1.14 节教施密特正交化的具体操作（为同一特征值内部的向量服务），1.15 节定义正交矩阵 Q，题型 E 给出完整的正交对角化五步法，第 6 章二次型中实对称矩阵的"正交对角化"是核心工具。
> ⭐⭐⭐ 核心——实对称矩阵的"不同特征值的特征向量正交"这个性质，是本章和第六章之间最重要的桥梁，在考研综合题中反复使用。
---
## 1.14 施密特正交化（Schmidt Orthogonalization）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你手上有两根歪斜的筷子，一头都钉在桌子上。你想把第二根"掰"一下让它和第一根垂直——但不能改变它俩张成的平面。怎么办？最简单的办法：看看第二根往第一根方向"歪了多少"（投影），把那部分削掉，剩下的自然就和第一根垂直了。现在如果给你三根歪斜的筷子，怎么把第三根也掰正（同时垂直于前两根）？
**💬 生活比喻**：
想象你手里有三根长短不一、歪歪扭扭的树枝。你想把它们变成三根**互相垂直的干净棍子**，而且第一根保持原来方向不变。
#### 先看一道题：α₁ = (1, 1, 0)ᵀ, α₂ = (1, 0, 1)ᵀ 不正交，请把它们变成两个互相垂直的向量
看到这题，先别慌。**难在哪？** ——α₁ 和 α₂ 本来就不垂直（内积 α₁·α₂ = 1 ≠ 0），可 1.13 节告诉我们：实对称矩阵做正交对角化时，同一特征值内部的向量"可能不正交"，必须把它们掰成互相垂直的。到底怎么掰？总不能随手乱画吧？
课前激活已经给了思路：**第二根筷子之所以歪，是因为它有一部分"影子"投在了第一根的方向上——把这段影子削掉，剩下的自然就垂直了**。把这条路走通，就得到施密特正交化。
🧠 这一步在想什么：**先固定第一根**——β₁ = α₁ = (1, 1, 0)ᵀ 保持不动。然后把 α₂ 里"歪向 β₁ 的部分"算出来、削掉。
那"歪了多少"怎么算？答案藏在**投影**里——我们把"影子"这个词翻成数学：向量 v 在方向 u 上的投影向量是 `(v·u)/(u·u)·u`，这个公式下面马上就会推出来。先套到 α₂ 在 β₁ 方向上的投影：
```
投影 = (α₂·β₁)/(β₁·β₁) · β₁ = (1×1 + 0×1 + 1×0)/(1+1+0) · (1,1,0)ᵀ = (1/2)·(1,1,0)ᵀ
```
> 大白话：`(α₂·β₁)/(β₁·β₁)` 这个分数，分子是"α₂ 和 β₁ 有多像"（内积），分母是"β₁ 有多长"（自身内积）。分数值就是 α₂ 在 β₁ 方向上"够得着多远"的刻度。
接下来就是"削"——从 α₂ 身上减掉这段影子：
```
β₂ = α₂ - 投影 = (1, 0, 1)ᵀ - (1/2, 1/2, 0)ᵀ = (1/2, -1/2, 1)ᵀ
```
验证一下到底垂直没垂直：
```
β₂·β₁ = (1/2)×1 + (-1/2)×1 + 1×0 = 1/2 - 1/2 + 0 = 0 ✓ 真的垂直了！
```
> 🛑 **停下来想一想**：如果α₂碰巧和β₁已经正交（内积=0），施密特公式会给出β₂=α₂——保持原样。这说明施密特程序是"安全的"——已经正交的向量不会被破坏。这在实际做题中有什么好处？（不用先检查是否正交，直接套公式即可！）
🔍 回头看看我们做了什么：整个"掰正"就一句话——**减投影**。第一根不动；第二根把歪向第一根的影子削掉；第三根把歪向前两根的影子都削掉……每削一次，剩下的部分就多垂直一个方向。我们不是背公式，是把"削影子"这个生活直觉翻译成了投影公式。
📌 以后就这么办：施密特正交化递推——① β₁ = α₁（第一根保留）② 从 α₂ 开始，把它在前面所有已正交化向量上的投影全减掉：β₂ = α₂ - (α₂·β₁)/(β₁·β₁)·β₁ ③ 推广：βₖ = αₖ - Σ(j=1..k-1)(αₖ·βⱼ)/(βⱼ·βⱼ)·βⱼ。做完整套后，再把每根"削成标准长度 1"（除以自己的长度，叫**单位化**）。
**📖 正交化公式**（对向量组 α₁, α₂, α₃）：
```
β₁ = α₁（第一根保留）
β₂ = α₂ - (α₂·β₁)/(β₁·β₁) · β₁ （削掉歪向β₁的部分）
β₃ = α₃ - (α₃·β₁)/(β₁·β₁) · β₁ - (α₃·β₂)/(β₂·β₂) · β₂ （削掉歪向β₁和β₂的部分）
```
> 📌 **这节学完你就能回答：**
> - 施密特正交化的本质是什么？为什么"减投影=得正交"？
> - β₂=α₂-(α₂·β₁)/(β₁·β₁)·β₁ 这个公式里的分数部分代表什么？
> - 先正交化还是先单位化？顺序反了会怎样？
> - 什么时候需要施密特正交化？什么时候做了反而是"多此一举"？
**单位化**（把每根棍子削成标准长度 1）：
```
ηᵢ = βᵢ / ||βᵢ||（向量除以自己的长度）
```
**⚠️ 执行铁律：先正交化，再单位化！顺序不能反！**
> 🛑 **停下来想一想**：如果先单位化再做施密特——正交化之后向量长度还一定是1吗？为什么不？（提示：减投影会让向量变短）所以正确顺序是：先正交化（保持方向调整），再单位化（统一长度）。
✍️ **立刻练一道**：上面对 α₁=(1,1,0)ᵀ、α₂=(1,0,1)ᵀ 做施密特，得到 β₂=(1/2, -1/2, 1)ᵀ。去分母后取 β₂ = (1, -1, 2)ᵀ，再把它单位化。（提示：||β₂|| = √(1+1+4) = √6。答案：η₂ = (1/√6, -1/√6, 2/√6)ᵀ。这也正是下方阅读思考题❶要你做的完整版。）
---
### 什么时候需要施密特正交化？（考试最容易多做事的地方）
| 题目要求 | 是否需要施密特正交化 |
|----------|---------------------|
| 只求 P 使 P⁻¹AP = Λ（普通对角化） | ❌ 不需要——只要特征向量线性无关就行 |
| 求正交矩阵 Q 使 QᵀAQ = Λ | ✅ 需要——而且单位化也不能忘 |
| 实对称矩阵，只求相似对角化 | ❌ 不需要（除非明确说要"正交"） |
| 二次型正交变换化标准形（第6章） | ✅ 需要 |
**🔑 简化技巧**：
- 实对称矩阵中**不同特征值**对应的特征向量**天然正交**，只需各自**单位化**即可
- **只有同一个特征值（重根）的多个特征向量之间**，才需要施密特正交化
---
### 🧠 灵魂推导：施密特正交化——为什么减掉投影就能得到正交向量？
**① 生活场景** 🎬
你有两根歪斜的筷子，一头都钉在桌子上的同一点。第一根指向东北偏上，第二根指向正北偏下——它们不垂直。你想把第二根筷子"掰"一下，让它和第一根垂直，但尽量保持原来的朝向。
怎么办？思路很简单：第二根筷子的"歪"，歪就歪在它有一部分"影子"投在了第一根筷子的方向上。把这一截"影子"砍掉，剩下的部分自然而然地就和第一根垂直了。
施密特正交化做的正是这件事——**用投影算出"歪了多少"，然后减掉它**。
**② 正式陈述**
设 α₁, α₂, ..., αₙ 是一组线性无关的向量。施密特正交化通过以下递推公式，将它们变成一组两两正交的向量 β₁, β₂, ..., βₙ：
```
β₁ = α₁
β₂ = α₂ - (α₂·β₁)/(β₁·β₁) · β₁
β₃ = α₃ - (α₃·β₁)/(β₁·β₁) · β₁ - (α₃·β₂)/(β₂·β₂) · β₂
...
βₖ = αₖ - Σ(j=1 to k-1) (αₖ·βⱼ)/(βⱼ·βⱼ) · βⱼ
```
每一步都是：**取下一个原始向量，把它在所有已正交化向量上的投影分量全部减掉，剩下的就是垂直于前面所有向量的部分。**
**③ 🧠 完整推导** — 以 β₂ 为例看几何本质
**第1步：问题的几何刻画**
有 α₁ 和 α₂ 两个不共线的向量（线性无关）。β₁ = α₁ 已经就位。现在要找 β₂，使得 β₂ 与 β₁ 正交（β₂ ⟂ β₁），同时 β₂ 和 α₂ 在 β₁ 方向上的"跨度"一致。
> 大白话：我们不是凭空捏造 β₂——β₂ 必须由 α₂ 改造而来，而且改造的方式只能是"减去 β₁ 的某个倍数"。因为 β₁ 和 α₂ 张成的平面就是原始 α₁ 和 α₂ 张成的平面——换个正交基，不改平面本身。
**第2步：将 α₂ 分解为"沿 β₁ 方向的分量"和"垂直于 β₁ 的分量"**
任何向量都可以分解为：在某方向上的投影 + 垂直于该方向的分量。α₂ 也不例外：
```
α₂ = (α₂ 在 β₁ 方向上的投影向量) + (α₂ 垂直于 β₁ 的分量)
```
> 大白话：就像把一道斜射的阳光分解为"沿地面的水平分量"和"垂直于地面的竖直分量"——任何向量在给定方向上都可以这样拆。
**第3步：写出投影向量**
任意向量 v 在方向 u 上的投影向量公式为：
```
proj_u(v) = (v·u)/(u·u) · u
```
其中 `(v·u)/(u·u)` 是投影的**标量系数**（v 的末端到 u 所在直线的垂足坐标），乘以单位化后的 u 方向。
把这个公式套到 α₂ 在 β₁ 上的投影：
```
α₂ 在 β₁ 上的投影 = (α₂·β₁)/(β₁·β₁) · β₁
```
> 大白话：`(α₂·β₁)/(β₁·β₁)` 这个分数，分子是"α₂ 和 β₁ 有多像"（内积），分母是"β₁ 有多长"（自身内积）。分数值就是 α₂ 在 β₁ 方向上"够得着多远"的刻度数。分数大于 0 → α₂ 和 β₁ 同向有重叠；分数小于 0 → 反向；分数 = 0 → 已经垂直，不用处理。
**第4步：减掉投影——核心一步**
```
β₂ = α₂ - (α₂·β₁)/(β₁·β₁) · β₁
```
几何含义：从 α₂ 身上，把"歪向 β₁ 的那部分"完全剥掉。剩下的 β₂ 必然垂直于 β₁。
> 大白话：这一步就像钣金师傅校准 L 形角铁——角铁的一条边歪了，师傅把它夹在台钳上，把歪向垂直方向的那部分锉掉。锉掉的量就是投影量，锉完就垂直了。
**第5步：验证 β₂ ⟂ β₁**
```
β₂·β₁ = [α₂ - (α₂·β₁)/(β₁·β₁)·β₁] · β₁
= α₂·β₁ - (α₂·β₁)/(β₁·β₁) · (β₁·β₁)
= α₂·β₁ - α₂·β₁
= 0
```
> 大白话：内积为零就是正交——减掉投影后，两个向量确实垂直了。这个验证只用了一行：投影系数刚好被构造为"让内积抵消为零"的那个数。
> 🛑 **停下来想一想**：如果α₂碰巧和β₁已经正交（内积=0），施密特公式会给出β₂=α₂——保持原样。这说明施密特程序是"安全的"——已经正交的向量不会被破坏。这在实际做题中有什么好处？（不用先检查是否正交，直接套公式即可！）
**第6步：推广到 β₃ 及以后**
β₃ 需要同时垂直于 β₁ 和 β₂。同理，把 α₃ 在 β₁ 和 β₂ 两个方向上的投影分量都减掉：
```
β₃ = α₃ - (α₃·β₁)/(β₁·β₁)·β₁ - (α₃·β₂)/(β₂·β₂)·β₂
```
以此类推。每一步递推：减掉前面**所有**已正交化向量上的投影。
> 大白话：第一根筷子不动；第二根筷子把歪向第一根的部分削掉；第三根筷子把歪向前两根的部分都削掉……每一轮削掉的都是"已经在前面方向上的影子"。削完全部影子后，剩下的自然和前面所有方向都垂直。
---
**📝 推导复盘** — 大白话串讲
施密特正交化的核心只有一句话：**减投影 = 得正交**。
证明链条很简洁：投影公式 `(v·u)/(u·u)·u` → β₂ = α₂ - 投影 → 代入内积 β₂·β₁ → 消掉得 0 → 正交。
把这个过程迭代 n 次，就能把任意一组线性无关的向量变成一组两两正交的向量。再加上单位化（除以各自长度），就得到了一组"规范正交基"——这正是正交矩阵 Q 的每一列。
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 对α₁=(1,1,0)ᵀ, α₂=(1,0,1)ᵀ做施密特正交化。写出β₁和β₂（不需要单位化）。
>
> **❷ 深度思考** ⭐⭐ — 施密特正交化出来的结果不唯一——取决于你按什么顺序处理向量。如果把α₁和α₂的顺序交换，先取β₁=α₂再做，得到的正交基和之前一样吗？（方向会不同，但都正交，都是合法的正交基）。这说明施密特正交化是一种"约定"而非"唯一标准答案"——考试时怕不怕？
>
> **❸ 考试演练** ⭐⭐ — 实对称矩阵A的特征值λ=2（二重根），对应特征向量α₁=(1,1,0)ᵀ, α₂=(1,-1,1)ᵀ。判断这两个向量是否正交。若不正交，对它们做施密特正交化。
📖 点击查看参考答案
**❶ 参考答案**：β₁=α₁=(1,1,0)ᵀ。α₂·β₁=1×1+0×1+1×0=1。β₁·β₁=1+1+0=2。β₂=α₂-1/2·β₁=(1,0,1)ᵀ-(1/2,1/2,0)ᵀ=(1/2,-1/2,1)ᵀ。去分母→(1,-1,2)ᵀ。
**❷ 参考答案**：结果通常不同。比如先取β₁=α₂=(1,0,1)ᵀ，再从α₁里减投影，得到的正交基和先取α₁所得的基不一样——但两组都是合法正交基（都张成同一个平面）。考试时按题目给向量的顺序做即可，顺序不同答案不同但都算对——只要做的是正确的施密特步骤。
**❸ 参考答案**：α₁·α₂=1×1+1×(-1)+0×1=0。恰好正交！不需要施密特。但注意：不同特征值的向量自动正交（实对称），同一特征值的向量只是"可能"正交——这里是碰巧正交了，但考试时仍然需要验证一下（一步内积的事）。
---
**⚠️ 易错边界** — 反例和常见误区
1. **公式记反了——减的是投影不是加！** 最常见的错误是写成 `α₂ + 投影`。几何上看：α₂ 已经歪向 β₁ 了，再加投影只会更歪。减投影才是在"掰正"。
2. **顺序不能反：先正交化，再单位化！** 如果先把所有 α 单位化了再做施密特——正交化之后的向量长度不再是 1（因为减投影会缩短向量），还得重新单位化，等于干了两遍。先正交后单位，一遍过。
3. **不同特征值的特征向量不需要施密特！** 实对称矩阵中，不同特征值的特征向量已经天然正交（1.13 节推导二已证明）。对它们做施密特纯属多此一举——浪费时间、增加计算量、还可能引入四舍五入误差。**只有同一特征值（重根）内部的多个特征向量之间，才需要施密特。**
4. **施密特出来的向量可以差一个倍数。** 去分母后的 β₂（比如从 (-1/2, 0, 1/2)ᵀ 取 (-1, 0, 1)ᵀ）和不去分母的 β₂ 方向相同，都是正交的——因为正交性只和方向有关，和长度无关。考试中通常会去分母让答案整洁，但不去分母也不算错，只要后面单位化就行了。
5. **如果 α₂ 已经和 β₁ 正交了怎么办？** 此时内积 α₂·β₁ = 0 → 投影系数 = 0 → β₂ = α₂（保持不变）。施密特程序可以放心执行——已经正交的向量不会被画蛇添足。
---
**⑥ 链条位置** — 从哪来 → 本推导 → 到哪去
```
[§1.13 实对称矩阵正交对角化原理]
"不同λ的特征向量天然正交"
↓
同一特征值内部向量可能不正交
↓
[§1.14 施密特正交化几何推导]
"减投影 = 得正交：把不正交的掰成互相垂直"
↓
+ 单位化（除以各自长度）
↓
n 个两两正交的单位向量
↓
[§1.15 正交矩阵] → [题型E 正交对角化] → [第6章 二次型]
"排成 Q" "QᵀAQ = Λ" "正交变换"
```
**从哪来**：1.13 节证明了不同特征值的特征向量天然正交。但如果某个特征值是 k 重根，它的 k 个特征向量之间不一定正交——需要施密特来"收尾"。
**本推导**：正交化的几何本质 = α₂ 减去在 β₁ 方向上的投影 → 剩余部分垂直于 β₁。推广到 n 个向量，每一步减掉前面所有已正交化方向上的投影。
**到哪去**：正交化 + 单位化 → n 个两两正交的单位向量 → 按列排成正交矩阵 Q → QᵀAQ = Λ。施密特是实现"正交对角化"流程中不可或缺的一环，专门处理重根带来的"不正交"问题。
---
## 1.15 正交矩阵——"不会扭曲形状的变换"
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 转桌子：你坐在转盘前，把转盘转了30度——桌上每个菜都换了位置，但每盘菜的大小、形状、两盘菜之间的距离完全没变。如果把"转桌子"写成一个矩阵，它有什么特殊性质？如果桌子不仅能转还能"翻面"（像镜子反射），对应的矩阵又有什么不同？
**💬 生活比喻**：
正交矩阵就像一个**刚体运动**——旋转或镜面反射。一个茶杯被旋转后，茶杯的形状、大小完全不变，只是在空间中的朝向变了。
换句话说，正交矩阵对应的变换只改变方向，不改变长度和角度——就像一个完美的"转盘"。
#### 先想一个问题：怎么用一行数学把"转桌子的矩阵"锁定住？
看到这题，先别慌。**难在哪？** ——"旋转不变形"是个很直观的感觉，可落到矩阵上，怎么写出一行"又短又准"的条件？转盘上的矩阵千千万，总得有个一眼就能验的式子。
还记得 1.9 节把矩阵按列拆开的那个脑洞吗？用它来解剖"旋转矩阵" Q：旋转不改变长度和角度，说明 Q 的每一列（原坐标轴的方向）被转过去后，**仍然是长度 1 的坐标轴，而且彼此仍然垂直**。换句话说，Q 的各列是"两两正交的单位向量"。
🧠 这一步在想什么：怎么把"各列正交且单位"合并成一行式子？——把 Q 的各列拿出来做内积，排成一个矩阵 QᵀQ（第 i 行第 j 列 = 第 i 列与第 j 列的内积）：对角线是各列长度平方 = 1，非对角线是两列内积 = 0。这不正好是单位矩阵 E 吗！
```
各列长度=1、两两正交 ⇔ QᵀQ = E
```
🔍 回头看看我们做了什么："旋转不变形"这个生活直觉，翻译成数学就一行——**QᵀQ = E**。更进一步，QᵀQ = E 意味着 Q⁻¹ 就是 Qᵀ（逆矩阵 = 转置），求逆几乎免费，这在正交对角化里价值连城。
📌 以后就这么办：判断一个矩阵是不是正交矩阵，验两件事——① QᵀQ = E（或 Q⁻¹ = Qᵀ）② 等价地：各列长度都 = 1 且不同列内积 = 0。两条都是同一条规则的不同说法。
**📖 定义与性质**：
矩阵 Q 满足 `QᵀQ = QQᵀ = E`（即 Q⁻¹ = Qᵀ），则称 Q 为**正交矩阵**。
**等价条件（常考判断）**：
- Q 的每一列（行）都是单位向量
- Q 的不同列（行）两两正交
- 正交矩阵的行列式必为 1 或 -1（必要条件，不能反过来用）
> ⚠️ 注意：|Q| = ±1 只是必要条件，只用来快速排除，不能用来判定正交——行列式为 ±1 不一定就是正交矩阵（见"易错边界"第2条）。
> ⭐⭐ 高频——概念题常考"以下哪个是正交矩阵"，验证两件事：每列长度为1，不同列内积为0。
✍️ **立刻练一道**：判断 Q = $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$ 和 Q' = $\begin{bmatrix} 2 & 0 \\ 0 & 1 \end{bmatrix}$ 哪个是正交矩阵。（提示：只看两件事——各列长度是不是 1、不同列内积是不是 0。答案：Q 的两列是 [0,1]ᵀ、[1,0]ᵀ，长度都是 1，内积 0 → QᵀQ = E，是正交矩阵（它把 x 轴和 y 轴对调，就像翻一面镜子）。Q' 的第二列 [0,1]ᵀ 长度是 1，但第一列 [2,0]ᵀ 长度是 2 ≠ 1 → 不是正交矩阵。）
> 📌 **这节学完你就能回答：**
> - 正交矩阵的定义是什么？为什么Qᵀ=Q⁻¹这个等式如此重要？
> - "各列两两正交+各列长度=1"——这两个条件分别对应QᵀQ=E的什么位置？
> - 正交矩阵为什么"不扭曲形状"？从保持内积和保持长度两个角度解释。
> - |Q|=1和|Q|=-1分别对应什么几何操作？
---
### 🧠 灵魂推导：为什么 Qᵀ = Q⁻¹ 意味着"不扭曲形状"？
**① 生活场景** 🎬
想象你手里拿着一张照片。你可以做两种操作：
- **拉伸**：把照片左右拉宽——正方形变长方形，角度变了，长度变了
- **旋转**：把照片转 90 度——每个像素都移动了，但照片上的图案形状、大小、角度**完全不变**
正交矩阵就是"纯旋转（或镜面反射）"的数学表达——它改变向量的朝向，但**不改变向量的长度，也不改变两个向量之间的夹角**。Qᵀ = Q⁻¹ 这一行短短的等式，正是"不扭曲形状"全部秘密的浓缩。
**② 正式陈述**
设 Q 是 n 阶实矩阵。以下条件等价：
- (a) Q 是正交矩阵：QᵀQ = QQᵀ = E（即 Q⁻¹ = Qᵀ）
- (b) Q 的各列是两两正交的单位向量（列向量组是规范正交基）
- (c) Q 保持内积：(Qx)·(Qy) = x·y（对任意向量 x, y 成立）
- (d) Q 保持长度：||Qx|| = ||x||（对任意向量 x 成立）
**(a) ⇔ (b) 是定义等价**；(a) ⇔ (c) ⇔ (d) 是几何含义等价。四个条件说来说去是同一件事——**正交变换 = 刚体运动**（只旋转不扭曲）。
**③ 🧠 完整推导**
---
**推导一：(a) ⇔ (b) — QᵀQ = E 等价于各列规范正交**
**第1步**：把 Q 按列拆开。
```
Q = [q₁, q₂, ..., qₙ]
```
> 大白话：和推导对角化条件时一样的思路——把 Q 拆成 n 个列向量。
**第2步**：计算 QᵀQ。
Qᵀ 是把 Q 转置——原来的列变成行：
```
[q₁ᵀ]
QᵀQ = [q₂ᵀ] · [q₁, q₂, ..., qₙ]
[ ... ]
[qₙᵀ]
```
根据分块矩阵乘法：QᵀQ 的第 i 行第 j 列 = **qᵢᵀ qⱼ**（第 i 个列向量与第 j 个列向量的内积）。
> 大白话：QᵀQ 这个矩阵的每个位置，恰好是 Q 的两个列向量做内积的结果——对角线是各列自己的长度平方，非对角线是两列的重叠程度。
**第3步**：QᵀQ = E 逐项对照。
E 这个单位矩阵：对角线全是 1，非对角线全是 0。
- **对角线位置(i,i)**：qᵢᵀ qᵢ = 1 → ||qᵢ||² = 1 → 每一列的长度 = 1（都是单位向量）
- **非对角线位置(i,j), i≠j**：qᵢᵀ qⱼ = 0 → 不同列的内积 = 0（两两正交）
反过来也通：如果各列长度均为 1 且两两正交，则 QᵀQ 的对角线全是 1、非对角线全是 0 → QᵀQ = E。
> 大白话：QᵀQ = E 这一行等式，等于同时对 Q 的各列提了两个要求——每列长度 = 1（单位）、不同列互相垂直（正交）。两条加在一起就是"规范正交基"。为什么叫"正交"矩阵？因为各列互相正交。但叫法容易误导——光正交不够，还得是单位长度。
> 🛑 **停下来想一想**：QᵀQ=E用分块乘法展开后，对角线位置是qᵢᵀqᵢ=1→每列长度=1；非对角线是qᵢᵀqⱼ=0→不同列正交。那QQᵀ=E呢？它对应Q的"行"满足什么条件？（行的长度也是1，不同行也正交——正交矩阵的行和列有对称的性质！）
---
**推导二：(a) ⇔ (c) — 正交矩阵保持内积**
**第1步**：对任意向量 x, y，计算 (Qx) 与 (Qy) 的内积。
```
(Qx)·(Qy) = (Qx)ᵀ(Qy) = xᵀ Qᵀ Q y
```
> 大白话：两个向量的内积 = 一个转置乘另一个。利用 (AB)ᵀ = BᵀAᵀ，把括号拆开——(Qx)ᵀ = xᵀQᵀ。
**第2步**：如果 Q 是正交矩阵（QᵀQ = E），则：
```
xᵀ Qᵀ Q y = xᵀ E y = xᵀ y = x·y
```
变换前后内积不变！反过来：如果对任意 x, y 都有 xᵀ Qᵀ Q y = xᵀ y，取特殊的 x, y（单位坐标向量），可以推出 QᵀQ 每个元素 = E 的对应元素 → QᵀQ = E。
> 大白话：Q 作用于两个向量后，两个向量之间的夹角和彼此的投影关系完全不变。就像把两根筷子同时旋转 30 度——它们之间的夹角还是原来的夹角。
---
**推导三：(c) ⇔ (d) — 保持内积等价于保持长度**
长度平方 = 向量和自己的内积：||x||² = x·x。
如果 Q 保持内积（对所有 x, y），则取 y = x：||Qx||² = (Qx)·(Qx) = x·x = ||x||²。保持内积必然保持长度。
反过来：如果 Q 保持长度，通过极化恒等式 `x·y = (||x+y||² - ||x-y||²)/4`，用长度的不变性推出内积也不变。
> 大白话：长度不变是内积不变的特例。如果连任意两个向量的"夹角余弦"都不变（内积不变），长度自然也不变。所以 Qᵀ = Q⁻¹ 最简洁的几何翻译是：**Q 就像转桌子——东西转了个角度，大小形状全不变**。
---
**📝 推导复盘** — 大白话串讲
整个正交矩阵的逻辑有四层，像剥洋葱：
1. **代数层**：QᵀQ = E ⇔ Q⁻¹ = Qᵀ（逆矩阵 = 转置，巨省事）
2. **列向量层**：QᵀQ = E ⇔ 各列两两正交 + 长度均为 1（把 QᵀQ 按分块乘法逐格看）
3. **内积层**：QᵀQ = E ⇔ (Qx)·(Qy) = x·y（变换不改变任意两个向量之间的夹角）
4. **几何层**：QᵀQ = E ⇔ ||Qx|| = ||x||（变换不改变任何一个向量的长度）
从代数定义出发，一层层推到几何含义，最终落在一句话上：**正交变换 = 刚体运动**。
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 判断以下矩阵是否是正交矩阵：(a)$\begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix}$；(b)$\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}$；(c)$\begin{bmatrix} cosθ & -sinθ \\ sinθ & cosθ \end{bmatrix}$。分别验证QᵀQ是否等于E。
>
> **❷ 深度思考** ⭐⭐ — 正交矩阵的各列构成一组"规范正交基"。这和三维空间里的xyz坐标轴有什么联系？如果把正交矩阵的列想象成旋转后的新坐标轴——QᵀAQ=Λ这个操作，用几何语言怎么描述？
>
> **❸ 考试演练** ⭐⭐ — 已知α₁,α₂,α₃是两两正交的三维单位向量。把它们按列排成Q。求证：QᵀQ=E，且|det(Q)|=1。
📖 点击查看参考答案
**❶ 参考答案**：(a) QᵀQ=$\begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix}$ᵀ$\begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix}$=$\begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}$=E ✓ 正交。(b) QᵀQ=$\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}$ᵀ$\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}$=$\begin{bmatrix} 4 & 0 \\ 0 & 4 \end{bmatrix}$≠E ✗ 列长度=2≠1。(c) QᵀQ=$\begin{bmatrix} cosθ & sinθ \\ -sinθ & cosθ \end{bmatrix}$$\begin{bmatrix} cosθ & -sinθ \\ sinθ & cosθ \end{bmatrix}$=$\begin{bmatrix} cos²θ+sin²θ & -cosθsinθ+sinθcosθ \\ -sinθcosθ+cosθsinθ & sin²θ+cos²θ \end{bmatrix}$=$\begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}$=E ✓ 正交（旋转矩阵）。
**❷ 参考答案**：正交矩阵的列就是新的坐标轴方向（互相垂直、每个轴长度为1）。QᵀAQ=Λ的几何含义：把空间旋转（乘以Qᵀ），让坐标轴对准特征向量方向，在这个新视角下变换变成对角阵（各轴独立伸缩），然后旋转回原来的视角（乘以Q）。三个操作合在一起：旋转→拉伸→旋转回来——这就是"正交对角化"的几何本质。
**❸ 参考答案**：Q=[α₁ α₂ α₃]。QᵀQ的(i,j)位置=αᵢᵀαⱼ。i=j时=||αᵢ||²=1；i≠j时=0（正交）。所以QᵀQ=E。|det(Q)|=√det(QᵀQ)=√det(E)=1。正交矩阵行列式的绝对值必为1。
---
**⚠️ 易错边界** — 反例和常见误区
1. **"各列正交"≠"正交矩阵"！** 各列正交但长度不为 1 的不是正交矩阵。比如 Q = $\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}$，各列正交（一个水平一个垂直），但长度都是 2 ≠ 1，QᵀQ = $\begin{bmatrix} 4 & 0 \\ 0 & 4 \end{bmatrix}$ ≠ E。正交矩阵要求**既正交又单位**。
2. **行列式 = ±1 不保证是正交矩阵！** 比如 A = $\begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}$，行列式为 1，但它不是正交矩阵（列向量 [1,0]ᵀ 和 [1,1]ᵀ 不正交：内积 = 1 ≠ 0）。
3. **不要在不需要的地方强行正交化！** 普通对角化只需要 P 可逆（各列线性无关），不要求各列正交+单位。只有题目明确要求"正交矩阵 Q"或"正交变换"时才需要正交化+单位化全套流程。
4. **Q 的行列式 = 1 是旋转，= -1 是反射（镜像）。** 前者可以在三维空间中连续转出来，后者包含了"翻面"——像把左手手套翻成右手手套，不能通过连续旋转实现。
---
**⑥ 链条位置** — 从哪来 → 本推导 → 到哪去
```
[§1.13 实对称正交对角化原理]
"不同λ的向量天然正交"
↓
[§1.14 施密特正交化] → [§1.15 正交矩阵性质推导]
"把不正交的向量掰正" "Qᵀ=Q⁻¹ 为什么 = 不扭曲形状"
↓ ↓
[题型E 正交对角化五步法] ← Q 正是用这些规范正交向量拼的
"QᵀAQ = Λ"
↓
[第6章 二次型]
"正交变换化标准形"
```
**从哪来**：1.13 节证明了实对称矩阵的不同特征向量天然正交；1.14 节教了施密特正交化把同一特征值内部不正交的向量"掰正"。两条路配合，最终产出 n 个两两正交的单位向量 → 排成的矩阵就是正交矩阵 Q。
**本推导**：Qᵀ = Q⁻¹ 这行等式等价于三层几何事实——列向量规范正交、保持内积、保持长度。最核心的认知：正交变换 = 不扭曲形状的刚体运动。
**到哪去**：题型 E（每年必考 11 分大题）中，Q 就是用规范正交特征向量排成的矩阵，用它实现 QᵀAQ = Λ。第 6 章二次型中，"正交变换"就是拿 Q 来做变量替换消除交叉项。
---
## 1.16 特征值、特征向量与前面章节的联系
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 闭眼想：第1章行列式→第2章矩阵→第3章向量组→第4章方程组→第5章特征值。这五章像不像一条"流水线"？每一章的产品正好是下一章的原料。如果让你把前四章分别用一句话概括，然后说它们在第5章"哪里派上了用场"——你能说全吗？试试默写。
**💬 串联比喻**：
整个线性代数就像搭积木：
- **第1章行列式**：算"箱子体积"——特征值的乘积就是行列式
- **第2章矩阵**：矩阵是"揉捏动作"——特征值和特征向量描述这个揉捏动作的本质
- **第2章秩（2.15节）**：矩阵有几个"独立方向"——秩为 1 时特征值有快速求法
- **第4章方程组**：`(A - λE)x = 0` 就是一个齐次方程组——求特征向量就是解方程组
- **第5章特征值**：是"揉捏动作"的体检报告——告诉你每个方向上被拉伸了多少
- **第6章二次型**：二次型本质就是实对称矩阵——标准形中的系数就是特征值
> 📌 **这节学完你就能回答：**
> - 前四章（行列式/矩阵/秩/方程组）的知识在第5章分别用在了哪些地方？
> - 特征值怎么把"行列式、迹、秩、方程组"四样东西像串糖葫芦一样串起来？
> - 第5章为第6章二次型铺了什么路？
---
> 💡 **阅读思考题**
>
> **❶ 理解检测** ⭐ — 列出前四章和第5章特征值的具体连接：举例说明第4章的"齐次方程组有非零解"怎么在特征值计算中反复使用。
>
> **❷ 深度思考** ⭐⭐ — 如果让你设计一门"精简版线性代数"课程，只讲一条主线——你会选哪个概念作为"贯穿全书的红线"？为什么特征值可能是一个好的候选？
>
> **❸ 考试演练** ⭐⭐ — 综合题思路：题目给了一个3阶矩阵A，要求同时用到行列式（第1章）、秩（第2章）、齐次方程组（第4章）、特征值（第5章）的知识。请设计一道这样的综合题，并写出解答思路大纲。
📖 点击查看参考答案
**❶ 参考答案**：第1章：|A-λE|=0（特征方程就是行列式为0）。第2章：A-λE的构造和矩阵运算、相似变换P⁻¹AP。第2章：秩为1矩阵的特征值秒杀、n-r(A-λE)算几何重数。第4章：(A-λE)x=0就是齐次方程组——求特征向量就是求基础解系！每章都在这"露脸"了。
**❷ 参考答案**：特征值是个好的候选红线。因为：①它连接了行列式（|A|=Πλ）、迹（tr(A)=Σλ）、秩（非零特征值个数）；②求特征向量就是解方程组(A-λE)x=0（第4章）；③对角化统一了矩阵运算（第2章）；④二次型的标准形系数就是特征值（第6章）。特征值像一根线，把整本书的珠子串成了项链。
**❸ 参考答案**：（开放题）示例——已知A=$\begin{bmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{bmatrix}$。解法思路：①第1章：|A-λE|展开得特征多项式（行列式计算），得λ=1（二重）,4（单）。②第4章：对λ=1解(A-E)x=0（齐次方程组），得两个特征向量。③第2章：n-r(A-E)验证二重根的几何重数=2。④第5章：三个线性无关特征向量→可对角化→P⁻¹AP=diag(1,1,4)。四章知识全部上阵！
#### 🎯 解题方法
##### 题型E：实对称矩阵的正交对角化（求 Q 使 QᵀAQ = Λ）⭐⭐⭐ 最重要题型
**🎯 识别特征**：
- 明确写"实对称矩阵"或给了对称矩阵
- 要求"求正交矩阵 Q"
- 或者说"求正交变换"
> 看到这类题，先别慌。**难在哪？** ——普通对角化用 P（只要列线性无关就行），正交对角化却要 Q（各列还得两两正交 + 单位长度）。多出来的活儿就是 1.14 节的施密特正交化和单位化。所以五步法的前两步和题型A/D 一模一样，**新智慧只有第 3、4 步**：只对同一特征值的向量做施密特、全部单位化。
**📋 标准步骤（五步法）**：
```
第1步：求特征值（同题型A）
第2步：求特征向量（同题型A）
第3步：正交化——只对同一特征值（重根）的多个特征向量做施密特正交化
（不同特征值的特征向量已然正交，不需要处理！）
第4步：单位化——所有特征向量都除以自己的长度，变成单位向量
第5步：拼接——Q = (单位化后的向量竖排)，Λ = diag(特征值)
验证：QᵀAQ = Λ（等价于 Q⁻¹AQ = Λ，因为 Q⁻¹ = Qᵀ）
```
**⚠️ 最容易错的地方（血泪教训）**：
1. **不同特征值的特征向量不需要施密特正交化！** 它们天然正交。盲目全做既浪费时间又容易引入计算错误。
2. **先正交化再单位化，顺序不能反！**
3. **Q 中向量的排列顺序必须和 Λ 对角线上的特征值顺序一致！**
4. **单位化不是"除以最大的数"，是除以向量的长度！**（长度 = 各分量平方和开根号）
> 💡 看到这类题的完整操作流程，可以对照下面的 2006 年真题走一遍；练手可先做后面"半扶练习"里的实对称正交对角化三级题（第一级已帮你求好特征值）。
**📝 典型例题**（2006年数学一真题核心步骤）：
设三阶实对称矩阵 A 的各行元素之和均为 3，向量 α₁ = (-1, 2, -1)ᵀ，α₂ = (0, -1, 1)ᵀ 是 Ax = 0 的解。求正交矩阵 Q 使 QᵀAQ 为对角阵。
📖 点击展开解答
**第1步：求特征值。**
"各行元素之和均为 3" → A·[1,1,1]ᵀ = [3,3,3]ᵀ = 3·[1,1,1]ᵀ → λ₁ = 3，α₀ = (1,1,1)ᵀ
"Ax = 0" 有非零解 α₁, α₂，且它们线性无关 → λ = 0 是特征值，至少是二重的。
3 阶矩阵最多 3 个特征值 → λ₁ = 3, λ₂ = λ₃ = 0（二重根）。
**第2步：求特征向量。**
λ₁ = 3：特征向量为 (1, 1, 1)ᵀ
λ₂ = λ₃ = 0：特征向量为 α₁ 和 α₂ 的所有线性组合。基础解系取 α₁ = (-1, 2, -1)ᵀ 和 α₂ = (0, -1, 1)ᵀ。
**第3步：正交化。**
不同特征值的特征向量：λ₁=3 的向量与 λ₂=λ₃=0 的向量必然正交（实对称矩阵性质，可以验证但不需要做施密特）。
同一特征值 λ=0 的两个向量 α₁ 和 α₂：
验证内积：(-1)×0 + 2×(-1) + (-1)×1 = -2 - 1 = -3 ≠ 0，它们不正交！需要对它们做施密特正交化。
取 β₁ = α₁ = (-1, 2, -1)ᵀ
β₂ = α₂ - (α₂·β₁)/(β₁·β₁) · β₁
= (0, -1, 1)ᵀ - (-3)/(6) · (-1, 2, -1)ᵀ
= (0, -1, 1)ᵀ - (-1/2)·(-1, 2, -1)ᵀ
= (0, -1, 1)ᵀ - (1/2, -1, 1/2)ᵀ
= (-1/2, 0, 1/2)ᵀ
整理（去分母乘2）：β₂ 可取 (-1, 0, 1)ᵀ
**第4步：单位化。**
① (1,1,1)ᵀ → 长度 = √3 → η₁ = (1/√3, 1/√3, 1/√3)ᵀ
② (-1, 2, -1)ᵀ → 长度 = √6 → η₂ = (-1/√6, 2/√6, -1/√6)ᵀ
③ (-1, 0, 1)ᵀ → 长度 = √2 → η₃ = (-1/√2, 0, 1/√2)ᵀ
**第5步：拼接。**
```
Q = [1/√3 -1/√6 -1/√2]
[1/√3 2/√6 0 ]
[1/√3 -1/√6 1/√2]
Λ = diag(3, 0, 0)
```
> 🗣️ **老师出声思考**（跟着老师的思路走一遍）
>
> "这道题是2006年数学一真题，12分大题。别怕，一步步拆。
>
> 第一眼看到'各行元素之和均为3'——这个条件翻译成人话就是A×[1,1,1]ᵀ=[3,3,3]ᵀ=3×[1,1,1]ᵀ。所以λ₁=3，特征向量(1,1,1)ᵀ。白送的特征值，不要白不要！
>
> 第二眼看到'Ax=0的解是α₁=(-1,2,-1)ᵀ, α₂=(0,-1,1)ᵀ'——Ax=0的意思就是A乘以这些向量等于0乘以这些向量。所以λ=0是特征值！而且给了两个线性无关的解→λ=0至少是二重根。
>
> 3阶矩阵，已经有λ₁=3（单根）和λ=0（至少二重）——只能是λ₂=λ₃=0（正好二重）。特征值齐了！
>
> 现在不同特征值的向量自动正交（实对称矩阵）——λ₁=3的(1,1,1)ᵀ和λ=0的那俩自动垂直。但λ=0那俩自己之间呢？算内积：(-1)×0+2×(-1)+(-1)×1=-3≠0，不正交！得施密特。
>
> 正交化：β₁=α₁=(-1,2,-1)ᵀ。β₂=α₂投影减法：(0,-1,1)ᵀ-(-3/6)(-1,2,-1)ᵀ=(-1/2,0,1/2)ᵀ→去分母取(-1,0,1)ᵀ。
>
> 单位化：三个向量各除长度。√3, √6, √2。得到Q的三列。
>
> Λ=diag(3,0,0)。验证一下：三个列两两内积是不是0？是！每列长度是不是1？是！完美——12分到手。"
✅ 验证：η₁·η₂ = 1/√3×(-1/√6) + 1/√3×(2/√6) + 1/√3×(-1/√6) = (-1+2-1)/√18 = 0 ✓（正交）
η₁·η₃ = -1/√6 + 0 + 1/√6 = 0 ✓（正交）
η₂·η₃ = 1/√12 + 0 + (-1/√12) = 0 ✓（正交）
> 💡 本题使用模板E：实对称矩阵正交对角化。注意：不同特征值的向量天然正交——只需要对 λ=0（二重根）的两个特征向量做施密特正交化。
>
> 这是 2006 年数学一真题，12 分大题！
✍️ **立刻练一道**：设实对称矩阵 A = $\begin{bmatrix} 5 & -2 \\ -2 & 2 \end{bmatrix}$，求正交矩阵 Q 使 QᵀAQ 为对角阵。（提示：五步法走一遍——特征值、特征向量、有重根吗、单位化、排 Q。答案：|A-λE|=(5-λ)(2-λ)-4 = λ²-7λ+6 = (λ-1)(λ-6)，无重根 → 不需施密特；λ=1 对应特征向量 [1,2]ᵀ、λ=6 对应 [2,-1]ᵀ（正好正交），单位化各除 √5，Q = $\begin{bmatrix} 1/\sqrt{5} & 2/\sqrt{5} \\ 2/\sqrt{5} & -1/\sqrt{5} \end{bmatrix}$，Λ = diag(1, 6)。这正是下面"半扶练习"的第三级，先自己做再对答案！）
---
##### 题型F：由特征值反推矩阵的性质
**🎯 识别特征**：题目不给矩阵 A 的具体元素，只给特征值的部分信息，要求推断 A 的某些性质或计算相关表达式。
> 看到这类题，先别慌。**难在哪？** ——比题型B 更进一步：连特征值都只给一半（或者只给一个方程），还得自己先把 λ 的范围挖出来。工具还是那两件——① 给 A 满足的多项式方程（如 A²+2A=0），就把 A 换成 λ 代入（1.6 节融化规则），先框出 λ 的取值；② 再结合"特征向量够不够 n 个"（1.9 节充要条件）判断对角化。下面这张表和例题就是这两件工具的用法。
**📋 常见考法**：
| 考法 | 思路 |
|------|------|
| 知道 A²=A，求特征值范围 | λ²=λ → λ=0 或 1 |
| 知道 A²=0，证明 A 不能对角化（除非 A=0） | λ²=0 → 所有 λ=0，但除非 A=0 否则特征向量不够 |
| 知道 Aᵀ=-A 且 n 为奇数，证明 |A|=0 | 至少一个 λ=0 |
| 已知特征值，求 A* 或 A⁻¹ 的特征值 | 用 |A|/λ 或 1/λ |
| 已知 |A+kE|=0 之类的条件 | 每个这样的方程给出一个特征值 = -k |
**📝 典型例题**（抽象型）：
已知 3 阶矩阵 A 满足 A² + 2A = 0，且 A 不是零矩阵。判断 A 能否对角化，并说明理由。
📖 点击展开解答
由 A² + 2A = 0 → A(A + 2E) = 0
设 λ 是 A 的任意特征值，则 λ² + 2λ = 0 → λ(λ + 2) = 0 → λ = 0 或 λ = -2。
所以 A 的特征值只能取值 0 或 -2。
**结论：A 一定可以对角化。**
理由（用人话讲）：A 满足的方程 A(A+2E)=0 里，两个因子 A 和 A+2E 对应的特征值 0 和 -2 互不相同、没有重复根。任取一个向量 v，它总能拆成两块——
- 第一块 u = ((A+2E)/2)·v：算一下 A·u = A(A+2E)v/2 = (A²+2A)v/2 = 0，所以 u 落在特征值 0 的方向上（或为零向量）；
- 第二块 w = -(A/2)·v：(A+2E)·w = -(A²+2A)v/2 = 0，即 A·w = -2w，所以 w 落在特征值 -2 的方向上（或为零向量）。
两块加回来：u + w = ((A+2E)/2 - A/2)·v = v。也就是说，**任意向量都能表示成"特征值 0 的特征向量 + 特征值 -2 的特征向量"**，这两种方向合在一起恰好铺满整个空间——特征向量足够多，所以 A 一定可以对角化。（这和题5-11 中"A²=E 的矩阵一定可对角化"是同一个道理：矩阵满足一个没有重根的方程，就会自动凑够特征向量。题目特意说 A 不是零矩阵，是为了排除 A=0 的平凡情形——不过就算 A=0，它本身就是对角阵，结论照样成立。）
> 💡 本题的启发：知道特征值只有 0 和 -2 两种，还不足以判断能否对角化，关键要看特征向量够不够；而像 A²+2A=0、A²=E 这类"矩阵满足一个无重根方程"的条件，恰好能保证特征向量足够——这是判断抽象矩阵能否对角化的一种常用思路。
>
> 本题使用模板F：由特征值反推矩阵性质。
✍️ **立刻练一道**：设 A 是 3 阶实矩阵，满足 A² = E，且 A ≠ ±E。求 A 的特征值的所有可能取值，并判断 A 能否对角化。（提示：把 A 换成 λ 代入 A²=E——λ²=1 → λ = ±1。答案：特征值只能取 1 或 -1；满足 A²=E 的"对合矩阵"一定可以对角化。这正是后面题5-11，先自己做再对答案！）
---
## 三、综合混搭练习
> 下面是从第3层练习中精选的题目，按知识块分组，建议先做自己薄弱块的题。
> 这一层的目标：动手做。每题都标了难度和对应的解题模板。
> **建议**：先自己做，卡住了再看答案。答案折叠在每道题下面。
---
## ⭐ 基础题（检验概念理解）
> 🪜 **半扶练习**（跟着扶手走→自己走：基础特征值特征向量计算）
>
> **第一级：我扶着你走**
>
> 求矩阵A=$\begin{bmatrix} 2 & 3 \\ 0 & 1 \end{bmatrix}$的特征值和特征向量。我已经帮你完成了第1步——A-λE=$\begin{bmatrix} 2-λ & 3 \\ 0 & 1-λ \end{bmatrix}$。请继续完成第2-4步。
>
>
> 📖 点击查看答案
>
> |A-λE|=(2-λ)(1-λ)-3×0=(2-λ)(1-λ)。令=0→λ₁=2, λ₂=1。
> λ₁=2：A-2E=$\begin{bmatrix} 0 & 3 \\ 0 & -1 \end{bmatrix}$→x₂=0, x₁自由。特征向量[1,0]ᵀ。
> λ₂=1：A-E=$\begin{bmatrix} 1 & 3 \\ 0 & 0 \end{bmatrix}$→x₁+3x₂=0。特征向量[3,-1]ᵀ（或[-3,1]ᵀ）。
> 验算：迹=2+1=3=特征值和2+1✓；行列式=2=|A|✓
>
>
>
> **第二级：我扶一半**
>
> 求矩阵B=$\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$的特征值和特征向量。（提示：对称矩阵特征向量天然正交，可用来验算。）
>
>
> 📖 点击查看答案
>
> B-λE=$\begin{bmatrix} 1-λ & 2 \\ 2 & 1-λ \end{bmatrix}$→|B-λE|=(1-λ)²-4=λ²-2λ-3=(λ-3)(λ+1)=0→λ₁=3,λ₂=-1。
> λ₁=3：B-3E=$\begin{bmatrix} -2 & 2 \\ 2 & -2 \end{bmatrix}$→x₁-x₂=0→x₁=x₂。特征向量[1,1]ᵀ。
> λ₂=-1：B+E=$\begin{bmatrix} 2 & 2 \\ 2 & 2 \end{bmatrix}$→x₁+x₂=0→x₁=-x₂。特征向量[1,-1]ᵀ。
> 验算正交：[1,1]·[1,-1]=0✓（实对称矩阵天然正交！）
>
>
>
> **第三级：你自己走**
>
> 求矩阵C=$\begin{bmatrix} 0 & 1 \\ -2 & 3 \end{bmatrix}$的特征值和特征向量。（完全自己做，做完对答案。）
>
>
> 📖 点击查看答案
>
> C-λE=$\begin{bmatrix} -λ & 1 \\ -2 & 3-λ \end{bmatrix}$→|C-λE|=-λ(3-λ)-1×(-2)=λ²-3λ+2=(λ-1)(λ-2)=0→λ₁=1,λ₂=2。
> λ₁=1：C-E=$\begin{bmatrix} -1 & 1 \\ -2 & 2 \end{bmatrix}$→x₁-x₂=0→x₁=x₂。特征向量[1,1]ᵀ。
> λ₂=2：C-2E=$\begin{bmatrix} -2 & 1 \\ -2 & 1 \end{bmatrix}$→2x₁-x₂=0→x₂=2x₁。特征向量[1,2]ᵀ。
> 验算：迹=0+3=3=1+2✓；行列式=0×3-1×(-2)=2=1×2✓
>
>
### 题5-1 ⭐ 基础 | 用模板A（求特征值与特征向量）
求矩阵 A = $\begin{bmatrix} 3 & 1 \\ 5 & -1 \end{bmatrix}$ 的特征值和特征向量。
📖 点击查看答案
第1步：A - λE = $\begin{bmatrix} 3-λ & 1 \\ 5 & -1-λ \end{bmatrix}$
第2步：`|A - λE| = (3-λ)(-1-λ) - 5×1 = -3 - 3λ + λ + λ² - 5 = λ² - 2λ - 8`
第3步：`λ² - 2λ - 8 = 0` → `(λ-4)(λ+2) = 0` → λ₁ = 4, λ₂ = -2
第4步（λ₁ = 4）：
(A - 4E) = $\begin{bmatrix} -1 & 1 \\ 5 & -5 \end{bmatrix}$ → x₁ - x₂ = 0 → x₁ = x₂
特征向量：`[1, 1]ᵀ`
第4步（λ₂ = -2）：
(A + 2E) = $\begin{bmatrix} 5 & 1 \\ 5 & 1 \end{bmatrix}$ → 5x₁ + x₂ = 0 → x₂ = -5x₁
特征向量：`[1, -5]ᵀ`
✅ 答案：
- λ₁ = 4，特征向量 k₁[1, 1]ᵀ（k₁ ≠ 0）
- λ₂ = -2，特征向量 k₂[1, -5]ᵀ（k₂ ≠ 0）
> 本题使用模板A：基础特征值特征向量计算。
---
### 题5-2 ⭐ 基础 | 用模板A（3阶矩阵特征值）
求矩阵 A = $\begin{bmatrix} 2 & 0 & 0 \\ 0 & 3 & 0 \\ 0 & 0 & 5 \end{bmatrix}$ 的特征值和特征向量。
📖 点击查看答案
这是一个**对角矩阵**！对角矩阵的特征值直接读对角线：λ₁ = 2, λ₂ = 3, λ₃ = 5。
特征向量也很简单——就是各坐标轴方向：
- λ₁ = 2：`(1, 0, 0)ᵀ`
- λ₂ = 3：`(0, 1, 0)ᵀ`
- λ₃ = 5：`(0, 0, 1)ᵀ`
✅ 对于对角矩阵，对角线上就是特征值，单位坐标向量就是特征向量。不需要任何计算！
> 💡 先观察再动手！如果是特殊矩阵（对角、三角），直接读结果。
>
> 本题使用模板A。
---
### 题5-3 ⭐ 基础 | 用模板B（特征值性质——利用迹和行列式验证）
矩阵 A 的特征值为 2, -1, 3。求：(1) |A$\begin{vmatrix} (2) & tr(A) \\ (3) \end{vmatrix}$A - E|。
📖 点击查看答案
(1) |A| = 2 × (-1) × 3 = **-6**（特征值之积 = 行列式）
(2) tr(A) = 2 + (-1) + 3 = **4**（特征值之和 = 迹）
(3) A - E 的特征值：2-1=1, -1-1=-2, 3-1=2
|A - E| = 1 × (-2) × 2 = **-4**
> 本题使用模板B：特征值性质应用。
---
### 题5-4 ⭐ 基础 | 用模板B（秩为1矩阵秒杀）
利用秩为 1 矩阵的性质，快速求 A = $\begin{bmatrix} 1 & 2 & 3 \\ 2 & 4 & 6 \\ 3 & 6 & 9 \end{bmatrix}$ 的特征值。
📖 点击查看答案
观察：第一行 [1, 2, 3]，第二行 = 2×第一行，第三行 = 3×第一行 → 各行成比例 → r(A) = 1。
秩为 1 的 3 阶矩阵：
- 3 - 1 = 2 个特征值为 0
- 剩下的特征值 = tr(A) = 1 + 4 + 9 = 14
✅ 答案：特征值为 **14, 0, 0**（0 为二重根）。
> 本题使用模板A的秩1秒杀技巧：不用展开特征多项式，节省大量时间！
---
### 题5-5 ⭐ 基础 | 用模板B（各行和相等）
已知 3 阶矩阵 A 的各行元素之和均为 5，且 A 的特征值为 5, 2, -1。写出 5 对应的一个特征向量。
📖 点击查看答案
"各行之和均为 5"意味着：A·[1, 1, 1]ᵀ = [5, 5, 5]ᵀ = 5·[1, 1, 1]ᵀ
所以 **5 是一个特征值，其对应的一个特征向量为 (1, 1, 1)ᵀ**。
✅ 这就是"各行和相等"信息的用法——直接给出特征值和最简单的一个特征向量。
> 本题使用模板B。
---
### 题5-6 ⭐ 基础 | 概念判断题（综合性）
已知矩阵 A 可逆，且 A 的特征值为 1 和 -2（二重根）。求：(1) |A⁻¹|; (2) A* 的特征值; (3) A² + 3A - E 的特征值。
📖 点击查看答案
A 是 3 阶，特征值为 1, -2, -2（-2 是二重根）。
(1) |A| = 1 × (-2) × (-2) = 4
|A⁻¹| = 1/|A| = **1/4**
(2) A* 的特征值 = |A|/λ：
- |A|/1 = 4
- |A|/(-2) = -2（二重根）
✅ A* 的特征值为 **4, -2, -2**
(3) B = A² + 3A - E 的特征值：
- 对于 λ = 1：1² + 3×1 - 1 = 3
- 对于 λ = -2：(-2)² + 3×(-2) - 1 = 4 - 6 - 1 = -3（二重根）
✅ B 的特征值为 **3, -3, -3**
> 本题使用模板B：关联矩阵的特征值。
---
## ⭐⭐ 中等题（检验计算能力）
### 题5-7 ⭐⭐ 中等 | 用模板C（判断能否对角化）
判断下列矩阵能否相似对角化，并说明理由：
(1) A = $\begin{bmatrix} 1 & 2 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$
(2) B = $\begin{bmatrix} 1 & 1 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 2 \end{bmatrix}$
📖 点击查看答案
**(1)** A 是上三角矩阵，特征值 = 对角线元素 = 1, 2, 3。
三个特征值互不相同 → **一定能**相似对角化。✓
**(2)** B 是上三角矩阵，特征值 = 对角线元素 = 1, 1, 2。
λ = 1 是二重根！需要检查 λ = 1 时有多少个线性无关的特征向量。
B - E = $\begin{bmatrix} 0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}$ → r(B - E) = 2（第1行和第3行非零）
n - r(B - E) = 3 - 2 = 1 < 2（二重根只有 1 个线性无关特征向量）
❌ **不能**相似对角化。
> **对比总结**：A 和 B 看起来很像，只差了一个位置（A(2,2)=2, B(2,2)=1），但对角化的结论完全不同！关键在于重根时特征向量的个数。
>
> 本题使用模板C：判断对角化条件。
---
### 题5-8 ⭐⭐ 中等 | 用模板D（相似对角化——经典3阶）
设矩阵 A = $\begin{bmatrix} 1 & -1 & 1 \\ 2 & 4 & -2 \\ -3 & -3 & 5 \end{bmatrix}$。
(1) 求 A 的特征值和特征向量。
(2) 求可逆矩阵 P，使得 P⁻¹AP 为对角阵。
📖 点击查看答案
**(1) 求特征值：**
```
A - λE = |1-λ, -1, 1 |
| 2 , 4-λ, -2 |
|-3 , -3 , 5-λ|
```
计算行列式（按第一行展开）：
```
det(A - λE) = (1-λ)·|4-λ -2| - (-1)·| 2 -2| + 1·| 2 4-λ|
|-3 5-λ| |-3 5-λ| |-3 -3|
第1项：(1-λ) × [(4-λ)(5-λ) - (-2)(-3)] = (1-λ)(λ² - 9λ + 20 - 6) = (1-λ)(λ² - 9λ + 14)
第2项：+1 × [2(5-λ) - (-2)(-3)] = 10 - 2λ - 6 = 4 - 2λ
第3项：1 × [2(-3) - (4-λ)(-3)] = -6 + 12 - 3λ = 6 - 3λ
合并：det(A - λE) = (1-λ)(λ² - 9λ + 14) + (4 - 2λ) + (6 - 3λ)
= (-λ³ + 10λ² - 23λ + 14) + 10 - 5λ
= -λ³ + 10λ² - 28λ + 24
```
特征多项式 = -(λ-2)²(λ-6)
λ₁ = λ₂ = 2（二重根），λ₃ = 6
**(2) 求特征向量：**
λ = 2：解 (A - 2E)x = 0
```
A - 2E = $\begin{bmatrix} -1 & -1 & 1 \\ 2 & 2 & -2 \\ -3 & -3 & 3 \end{bmatrix}$
→ 行简化 → x₁ + x₂ - x₃ = 0
```
注意：三行全部成比例，秩为 1。n - r = 3 - 1 = 2 → 有 2 个线性无关特征向量（二重根有 2 个 → 可以对角化 ✓）
基础解系：取 [1, -1, 0]ᵀ 和 [1, 0, 1]ᵀ
λ = 6：解 (A - 6E)x = 0
```
A - 6E = $\begin{bmatrix} -5 & -1 & 1 \\ 2 & -2 & -2 \\ -3 & -3 & -1 \end{bmatrix}$
→ 行简化 → 得特征向量 [1, -2, 3]ᵀ
```
**(3) 构造 P：**
```
P = [1 1 1]
[-1 0 -2]
[0 1 3]
Λ = diag(2, 2, 6)
```
✅ 验证：P 的三列线性无关（可以算行列式验证 ≠ 0），所以 P 可逆。
> 💡 关键检查点：λ=2 是二重根，有 2 个线性无关特征向量 → 能对角化。如果 λ=2 只有 1 个特征向量，此题就不能对角化。
>
> 本题使用模板D：相似对角化。
---
> 🪜 **半扶练习**（从扶到放——实对称正交对角化五步法）
>
> **第一级：我扶着你走**
>
> 设实对称矩阵A=$\begin{bmatrix} 3 & 0 \\ 0 & 2 \end{bmatrix}$。求正交矩阵Q使QᵀAQ=Λ。我已经帮你求了特征值——λ₁=3, λ₂=2。继续完成第2-5步。
>
>
> 📖 点击查看答案
>
> λ₁=3→A-3E=$\begin{bmatrix} 0 & 0 \\ 0 & -1 \end{bmatrix}$→x₂=0, x₁自由→[1,0]ᵀ。λ₂=2→A-2E=$\begin{bmatrix} 1 & 0 \\ 0 & 0 \end{bmatrix}$→x₁=0, x₂自由→[0,1]ᵀ。
> 无重根+不同特征值→天然正交✓，不需要施密特。
> 单位化：两向量长度都是1。Q=$\begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}$，Λ=diag(3,2)。QᵀAQ=Λ✓
>
>
>
> **第二级：我扶一半**
>
> A=$\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$（实对称）。求正交矩阵Q。（提示：有重根吗？需要施密特吗？）
>
>
> 📖 点击查看答案
>
> 特征值：|A-λE|=(1-λ)²-4=λ²-2λ-3=(λ-3)(λ+1)→λ₁=3,λ₂=-1。无重根→不同特征值向量天然正交，不需要施密特！
> λ=3→[1,1]ᵀ；λ=-1→[1,-1]ᵀ。验证正交：1×1+1×(-1)=0✓。
> 单位化各除√2。Q=$\begin{bmatrix} 1/\sqrt{2} & 1/\sqrt{2} \\ 1/\sqrt{2} & -1/\sqrt{2} \end{bmatrix}$。Λ=diag(3,-1)。
>
>
>
> **第三级：你自己走**
>
> A=$\begin{bmatrix} 5 & -2 \\ -2 & 2 \end{bmatrix}$（实对称）。求正交矩阵Q使QᵀAQ=Λ。完全自己做，五步法走一遍。
>
>
> 📖 点击查看答案
>
> 特征值：|A-λE|=(5-λ)(2-λ)-(-2)(-2)=λ²-7λ+6=(λ-1)(λ-6)→λ₁=1,λ₂=6。无重根→无需施密特。
> λ=1：A-E=$\begin{bmatrix} 4 & -2 \\ -2 & 1 \end{bmatrix}$→$\begin{bmatrix} 2 & -1 \\ 0 & 0 \end{bmatrix}$→2x₁-x₂=0→[1,2]ᵀ。
> λ=6：A-6E=$\begin{bmatrix} -1 & -2 \\ -2 & -4 \end{bmatrix}$→$\begin{bmatrix} 1 & 2 \\ 0 & 0 \end{bmatrix}$→x₁+2x₂=0→[2,-1]ᵀ。
> 正交验证：[1,2]·[2,-1]=2-2=0✓。单位化各除√5。Q=$\begin{bmatrix} 1/\sqrt{5} & 2/\sqrt{5} \\ 2/\sqrt{5} & -1/\sqrt{5} \end{bmatrix}$。Λ=diag(1,6)。
>
>
### 题5-9 ⭐⭐ 中等 | 用模板E（实对称正交对角化——不含重根）
设实对称矩阵 A = $\begin{bmatrix} 2 & 2 & -2 \\ 2 & 5 & -4 \\ -2 & -4 & 5 \end{bmatrix}$，求正交矩阵 Q 使 QᵀAQ 为对角阵。
📖 点击查看答案
**第1步：求特征值。**
```
|A - λE| = |2-λ 2 -2 |
| 2 5-λ -4 |
|-2 -4 5-λ |
```
计算行列式……特征多项式 = -(λ-1)²(λ-10) = 0
λ₁ = λ₂ = 1（二重根），λ₃ = 10
**第2步：求特征向量。**
λ = 1：解 (A - E)x = 0
```
A - E = $\begin{bmatrix} 1 & 2 & -2 \\ 2 & 4 & -4 \\ -2 & -4 & 4 \end{bmatrix}$
→ 行简化 → x₁ + 2x₂ - 2x₃ = 0
```
n - r = 2 → 二重根有 2 个独立特征向量 ✓
基础解系：α₁ = (-2, 1, 0)ᵀ, α₂ = (2, 0, 1)ᵀ
λ = 10：解 (A - 10E)x = 0
```
A - 10E = $\begin{bmatrix} -8 & 2 & -2 \\ 2 & -5 & -4 \\ -2 & -4 & -5 \end{bmatrix}$
→ 行简化 → 得 α₃ = (1, 2, -2)ᵀ
```
验证正交性：α₁·α₃ = -2+2+0 = 0 ✓；α₂·α₃ = 2+0-2 = 0 ✓（不同特征值天然正交）
但 α₁·α₂ = -4+0+0 = -4 ≠ 0 → 同一特征值的两个向量不正交！
**第3步：正交化（只对 λ=1 的两个向量）。**
β₁ = α₁ = (-2, 1, 0)ᵀ
β₂ = α₂ - (α₂·β₁)/(β₁·β₁) × β₁ = (2, 0, 1)ᵀ - (-4/5) × (-2, 1, 0)ᵀ
= (2, 0, 1)ᵀ - (8/5, -4/5, 0)ᵀ = (2/5, 4/5, 1)ᵀ
去分母乘 5：β₂ = (2, 4, 5)ᵀ
**第4步：单位化。**
η₁ = β₁/|β₁| = (-2, 1, 0)ᵀ / √5 = (-2/√5, 1/√5, 0)ᵀ
η₂ = β₂/|β₂| = (2, 4, 5)ᵀ / √45 = (2/√45, 4/√45, 5/√45)ᵀ
η₃ = α₃/|α₃| = (1, 2, -2)ᵀ / 3 = (1/3, 2/3, -2/3)ᵀ
**第5步：排 Q。**
```
Q = [-2/√5 2/√45 1/3 ]
[ 1/√5 4/√45 2/3 ]
[ 0 5/√45 -2/3 ]
Λ = diag(1, 1, 10)
```
✅ 完成！
> ⚠️ 注意：λ=1 是二重根，两个特征向量需要施密特正交化。λ=10 是单根，和 λ=1 的向量天然正交，不需要处理，只单位化即可。
>
> 本题使用模板E：实对称矩阵正交对角化。
---
### 题5-10 ⭐⭐ 中等 | 用模板D（利用对角化求 Aⁿ）
已知 A = $\begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix}$，求 Aⁿ。
📖 点击查看答案
**第1步：对角化。（前面已做过）**
特征值：λ₁ = 1, λ₂ = 3
特征向量：α₁ = (1, 1)ᵀ, α₂ = (1, -1)ᵀ
```
P = [1 1] Λ = [1 0] P⁻¹ = (1/2)[1 1]
[1 -1] [0 3] [1 -1]
```
（P⁻¹ = adj(P)/|P| = $\begin{bmatrix} -1 & -1 \\ -1 & 1 \end{bmatrix}$/(-2) = (1/2)$\begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}$）
**第2步：Aⁿ = P·Λⁿ·P⁻¹。**
```
Aⁿ = [1 1] × [1ⁿ 0] × (1/2)[1 1]
[1 -1] [0 3ⁿ] [1 -1]
= (1/2) × [1 1] × [1ⁿ 1ⁿ]
[1 -1] [3ⁿ -3ⁿ]
= (1/2) × [1ⁿ+3ⁿ 1ⁿ-3ⁿ]
[1ⁿ-3ⁿ 1ⁿ+3ⁿ]
```
✅ 答案：**Aⁿ = (1/2) × $\begin{bmatrix} 1+3ⁿ & 1-3ⁿ \\ 1-3ⁿ & 1+3ⁿ \end{bmatrix}$**
> 💡 对角化最经典的应用：求矩阵的 n 次方。Aⁿ = P·Λⁿ·P⁻¹，而 Λⁿ 就是对角线上每个数各自 n 次方，非常容易算。
>
> 本题使用模板D：对角化求 Aⁿ。
---
### 题5-11 ⭐⭐ 中等 | 用模板F（抽象矩阵——由方程推特征值范围）
设 A 是 3 阶实矩阵，满足 A² = E（E 是单位矩阵），且 A ≠ ±E。求 A 的特征值的所有可能取值，并判断 A 能否对角化。
📖 点击查看答案
**求特征值范围**：设 λ 是 A 的任意特征值，x 是对应特征向量。
A²x = λ²x，但 A² = E，所以 A²x = Ex = x
因此 λ²x = x → (λ² - 1)x = 0
由于 x ≠ 0 → λ² = 1 → **λ = 1 或 λ = -1**
**对角化判定**：满足 A² = E 的矩阵称为"对合矩阵"。对合矩阵**一定可以对角化**。用人话讲：A²=E 说明 (A-E)(A+E)=0，特征值只能是 1 或 -1（上面已证）；而且任取一个向量 v 都能拆成两块 v = (v+Av)/2 + (v-Av)/2——前一半 (v+Av)/2 被 A 一乘还是它自己（落在特征值 1 的方向上），后一半 (v-Av)/2 被 A 一乘变成相反方向（落在特征值 -1 的方向上）。所以任何向量都是"1 的方向 + -1 的方向"拼出来的，特征向量足够铺满整个空间，A 一定可以对角化。（这与题型F 里"A²+2A=0 的矩阵一定可对角化"是同一个道理。所谓"最小多项式"这类结论考研不要求，记住"对合矩阵一定可对角化"即可。）
另外，由于 3 阶且 A ≠ ±E，特征值不能全是 1 也不能全是 -1。可能组合：
- 两个 1、一个 -1（迹 = 1）
- 一个 1、两个 -1（迹 = -1）
✅ 答案：特征值只能取 1 或 -1；A 一定可以对角化。
> 本题使用模板F：由矩阵方程反推特征值。
---
### 题5-12 ⭐⭐ 中等 | 用模板B（综合运用特征值性质）
已知 3 阶矩阵 A 的特征值为 1, 2, -1。B = A³ - 5A²。求：(1) |B|; (2) B 的迹; (3) B 是否可逆？
📖 点击查看答案
B = A³ - 5A²，其特征值 = A 的特征值代入多项式 f(λ) = λ³ - 5λ²。
- λ = 1：1³ - 5×1² = 1 - 5 = -4
- λ = 2：2³ - 5×2² = 8 - 20 = -12
- λ = -1：(-1)³ - 5×(-1)² = -1 - 5 = -6
所以 B 的特征值为 **-4, -12, -6**。
(1) |B| = (-4) × (-12) × (-6) = **-288**
(2) tr(B) = (-4) + (-12) + (-6) = **-22**
(3) B 的所有特征值都不为零 → B 可逆 ✓
> 💡 再次验证：永远通过特征值去算行列式和迹，不要试图求出 A 和 B 的具体元素！
>
> 本题使用模板B：特征值性质综合应用。
---
## ⭐⭐⭐ 真题（检验实战能力）
### 题5-13 ⭐⭐⭐ 真题 | 2009年数学一（实对称+对角化+多项式）
设 A = $\begin{bmatrix} 1 & -1 & -1 \\ -1 & 1 & 1 \\ -1 & 1 & 1 \end{bmatrix}$。
(1) 求 A 的特征值和特征向量。
(2) 判断 A 能否相似对角化。若能，求可逆矩阵 P 使 P⁻¹AP 为对角阵。
(3) 求 Aⁿ。
📖 点击查看答案
**(1) 求特征值：**
观察 A：第2行 = 第3行！A 是实对称矩阵。
```
|A - λE| = |1-λ -1 -1 |
|-1 1-λ 1 |
|-1 1 1-λ |
```
第2行第3行成比例（第2行 - 第3行可以产生全零行）……
特征多项式 = -λ³ + 3λ² = **-λ²(λ - 3)**（注意前面有负号——这是 |A - λE| 展开的正常结果；若写成 |λE - A| 才是 λ²(λ - 3)。负号不影响根，特征值仍是 3, 0, 0）
λ₁ = 3（单根），λ₂ = λ₃ = 0（二重根）
**特征向量：**
λ = 3：解 (A - 3E)x = 0，得 α₁ = (1, -1, -1)ᵀ
λ = 0（二重根）：解 Ax = 0，得 α₂ = (1, 1, 0)ᵀ, α₃ = (1, 0, 1)ᵀ
验证：n - r(A) = 3 - 1 = 2 → 二重根有 2 个独立特征向量 → 可以对角化 ✓
**(2) 构造 P：**
```
P = [1 1 1]
[-1 1 0]
[-1 0 1]
Λ = diag(3, 0, 0)
```
**(3) 求 Aⁿ：**
Aⁿ = P·Λⁿ·P⁻¹ = P·diag(3ⁿ, 0, 0)·P⁻¹
（其中 P⁻¹ 需要计算，可以用伴随矩阵法，也可以利用特征向量正交性简化）
✅ Aⁿ = 3ⁿ⁻¹ × A（这个简洁的结果来自 λ₁=3, λ₂=λ₃=0 的特殊结构）
> 本题使用模板D和模板B：对角化+求Aⁿ的综合运用。
---
### 题5-14 ⭐⭐⭐ 真题 | 抽象矩阵+反推
已知 3 阶矩阵 A 的特征值为 1, 2, 3，对应的特征向量分别为 α₁, α₂, α₃。设 β = α₁ + α₂ + α₃。
(1) 证明 β, Aβ, A²β 线性无关。
(2) 若 A³β = aA²β + bAβ + cβ，求 a, b, c。
📖 点击查看答案
**(1) 证明线性无关：**
利用特征向量的性质：Aαᵢ = λᵢαᵢ（λ₁=1, λ₂=2, λ₃=3）。
β = α₁ + α₂ + α₃
Aβ = 1·α₁ + 2·α₂ + 3·α₃
A²β = 1²·α₁ + 2²·α₂ + 3²·α₃ = α₁ + 4α₂ + 9α₃
考虑组合 k₁β + k₂Aβ + k₃A²β = 0，展开得：
(k₁+k₂+k₃)α₁ + (k₁+2k₂+4k₃)α₂ + (k₁+3k₂+9k₃)α₃ = 0
因为 α₁, α₂, α₃ 属于不同特征值→线性无关，所以：
```
k₁ + k₂ + k₃ = 0
k₁ + 2k₂ + 4k₃ = 0
k₁ + 3k₂ + 9k₃ = 0
```
系数行列式是范德蒙德行列式 = (2-1)(3-1)(3-2) = 2 ≠ 0 → 只有零解 → k₁=k₂=k₃=0
✅ β, Aβ, A²β 线性无关。
**(2) 求 a, b, c：**
设 f(λ) = λ³ - aλ² - bλ - c。由已知 A³β = aA²β + bAβ + cβ，即 f(A)β = 0。
β 可以表示为特征向量的线性组合，f(A)β = f(1)α₁ + f(2)α₂ + f(3)α₃。
更直接的方法：
A³β = α₁ + 8α₂ + 27α₃
aA²β + bAβ + cβ = (a+b+c)α₁ + (4a+2b+c)α₂ + (9a+3b+c)α₃
比较系数：
```
a + b + c = 1
4a + 2b + c = 8
9a + 3b + c = 27
```
解得：a = 6, b = -11, c = 6
✅ 答案：**a = 6, b = -11, c = 6**
> 💡 这些数恰好是 A 的特征多项式 λ³ - 6λ² + 11λ - 6 的系数（取负号）。这不是巧合——每个矩阵的特征多项式代入自身都得零矩阵，这就是 Cayley-Hamilton 定理的思想（选学，本章不要求）。
---
### 题5-15 ⭐⭐⭐ 真题 | 综合（伴随矩阵+对角化+由条件推矩阵）
已知 3 阶矩阵 A 满足：Aα₁ = 2α₁, Aα₂ = α₁ + 2α₂, Aα₃ = α₂ + 2α₃，其中 α₁, α₂, α₃ 线性无关。
(1) 求 A 的特征值和特征向量。
(2) 判断 A 能否对角化，并说明理由。
(3) 若 α₁ = (1, 0, 0)ᵀ, α₂ = (0, 1, 0)ᵀ, α₃ = (0, 0, 1)ᵀ，求 A。
📖 点击查看答案
**(1) 求特征值：**
由 Aα₁ = 2α₁ → λ₁ = 2，α₁ 是特征向量。
对于 α₂：Aα₂ = α₁ + 2α₂，不是特征向量的定义式（多了 α₁ 项）。但我们可以看看 A 在这组基下的表示矩阵。
把 α₁, α₂, α₃ 排成矩阵 P，则 AP = A(α₁,α₂,α₃) = (2α₁, α₁+2α₂, α₂+2α₃)
= (α₁,α₂,α₃) × $\begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 1 \\ 0 & 0 & 2 \end{bmatrix}$
所以存在可逆矩阵 P 使得 P⁻¹AP = $\begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 1 \\ 0 & 0 & 2 \end{bmatrix}$
A 相似于一个上三角矩阵，特征值看对角线：λ₁ = λ₂ = λ₃ = **2**（三重根！）
**(2) 判断能否对角化：**
A 相似于矩阵 B = $\begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 1 \\ 0 & 0 & 2 \end{bmatrix}$。检查 B - 2E = $\begin{bmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{bmatrix}$，r(B - 2E) = 2。
n - r = 3 - 2 = 1 < 3 → 三重根只有 1 个线性无关特征向量。
❌ **不能对角化**。
**(3) 求矩阵 A：**
若 α₁,α₂,α₃ 是单位坐标向量，则 P = E，所以：
```
A = [2 1 0]
[0 2 1]
[0 0 2]
```
✅ 这就是所谓的"若尔当块"——一个不能对角化但所有特征值都相同的矩阵的经典例子。
> 💡 本题是"不能对角化"的经典考法——用基变换把一个不能对角化的矩阵的特征值伪装起来。关键一步是看出 A 在该组基下的矩阵形式。
>
> 本题综合使用模板C和F。
---
### 题5-16 ⭐⭐⭐ 真题 | 实对称+正交对角化+含参数
已知实对称矩阵 A = $\begin{bmatrix} 1 & 1 & a \\ 1 & 1 & a \\ a & a & 1 \end{bmatrix}$，其中 a 是实数。求参数 a，使得 A 的秩为 2，并求正交矩阵 Q 使 QᵀAQ 为对角阵。
📖 点击查看答案
**求参数 a：**
A 的前两行完全相同 → 秩 ≤ 2（因为最多 2 个不同的行）。
需要秩 = 2，即第三行不能是前两行的线性组合。或者通过行列式 = 0 来约束。
|A| = 0 的条件（秩 < 3）……令行列式 = 0，解得 a = ?
实际上：A = $\begin{bmatrix} 1 & 1 & a \\ 1 & 1 & a \\ a & a & 1 \end{bmatrix}$。由于前两行相同，自动有 |A| = 0。
秩 = 2 要求：存在一个 2 阶子式不为零。取前两行前两列：$\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}$→行列式为 0。取第1行第3行第1列第3列：$\begin{bmatrix} 1 & a \\ a & 1 \end{bmatrix}$→行列式 = 1-a²。
令秩=2，需要 1-a² ≠ 0 → **a ≠ ±1**。
若 a = 1：A = $\begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}$，秩=1。
若 a = -1：秩也是 1。
所以只要 a ≠ ±1 即可保证秩 = 2。（取一个简单值，比如 a = 0 继续做）
**取 a = 0**：
A = $\begin{bmatrix} 1 & 1 & 0 \\ 1 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}$
特征值：
|A - λE| = (1-λ)·$\begin{vmatrix} 1-λ & 1 \\ 1 & 1-λ \end{vmatrix}$ = (1-λ)[(1-λ)² - 1]（按第三行展开）
= (1-λ)(λ² - 2λ) = (1-λ)λ(λ-2)
λ₁ = 0, λ₂ = 1, λ₃ = 2（三个互不相同 → 自动正交 ✓）
特征向量：
λ = 0：(1, -1, 0)ᵀ（或 (1, -1, 0)ᵀ → 验证：A×(1,-1,0)ᵀ = (0,0,0)ᵀ ✓）
λ = 1：(0, 0, 1)ᵀ
λ = 2：(1, 1, 0)ᵀ
验证正交性：(1,-1,0)·(0,0,1) = 0 ✓；(1,-1,0)·(1,1,0) = 0 ✓；(0,0,1)·(1,1,0) = 0 ✓
三个向量两两正交！不同特征值天然正交。
单位化：
η₁ = (1/√2, -1/√2, 0)ᵀ
η₂ = (0, 0, 1)ᵀ
η₃ = (1/√2, 1/√2, 0)ᵀ
✅
```
Q = [1/√2 0 1/√2]
[-1/√2 0 1/√2]
[ 0 1 0 ]
Λ = diag(0, 1, 2)
```
> 本题使用模板E：实对称矩阵正交对角化+含参数分析。
---
### 题5-17 ⭐⭐⭐ 真题 | 2018年数学一（抽象综合题）
设 A 为 3 阶矩阵，α₁, α₂, α₃ 是线性无关的 3 维列向量，满足：
Aα₁ = α₂ + α₃, Aα₂ = α₁ + α₃, Aα₃ = α₁ + α₂。
(1) 求 A 在基 α₁, α₂, α₃ 下的矩阵。
(2) 求 A 的特征值和特征向量。
(3) 判断 A 能否相似对角化。
📖 点击查看答案
**(1) 求矩阵表示：**
令 P = (α₁, α₂, α₃)，则：
AP = A(α₁, α₂, α₃) = (Aα₁, Aα₂, Aα₃)
= (α₂+α₃, α₁+α₃, α₁+α₂)
= (α₁,α₂,α₃) · $\begin{bmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{bmatrix}$
所以 B = P⁻¹AP = $\begin{bmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{bmatrix}$（A 相似于 B）
**(2) 求特征值（用 B 即可，相似矩阵特征值相同）：**
```
|B - λE| = |-λ 1 1|
| 1 -λ 1|
| 1 1 -λ|
```
行和相等（都等于 2-λ），用行和相等法：C₁+C₂+C₃ → 第一列全为 2-λ。
行列式 = (2-λ)(λ+1)² → λ₁ = 2, λ₂ = λ₃ = -1（二重根）
所以 A 的特征值为：**λ₁ = 2, λ₂ = λ₃ = -1**。
特征向量（用 B 的特征向量，再转回 A）：
- λ = 2：解 (B-2E)x=0 → (1, 1, 1)ᵀ
- λ = -1：解 (B+E)x=0 → (1, -1, 0)ᵀ 和 (1, 0, -1)ᵀ
n - r(B+E) = 3 - 1 = 2 = 重数 → 对角化条件满足 ✓
对应 A 的特征向量（用 P 转回去）：
- A 属于 2 的特征向量：α₁ + α₂ + α₃
- A 属于 -1 的特征向量：α₁ - α₂, α₁ - α₃（以及它们的线性组合）
**(3) 判断：** B 是实对称矩阵！所以 B 一定可以对角化。又 A ~ B，所以 A 也能对角化。
✅ **可以相似对角化**。
> 💡 本题是典型的"给一个变换在一组基下的动作，求特征值"的考法。核心技巧：写出在该组基下的表示矩阵（相似于原矩阵），然后转化为熟悉的矩阵运算。
>
> 本题综合使用所有模板。
---
## 四、名师对比
> 本章暂不需要名师对比（推导已足够清晰）
## 五、速查卡片
| 看到什么 | 用什么方法 | 第一步 |
|----------|-----------|--------|
| 具体数字矩阵，求特征值特征向量 | **题型A**：|A - λE|=0 → 解方程组 | 写 A - λE |
| 各行（列）成比例 | **秩1秒杀**：n-1 个 0，剩一个 = 迹 | 算主对角线之和 |
| \|A+kE\|=0 之类条件 | **题型B**：特征值性质 | 每个方程对应一个特征值 |
| 各行和相等 | **题型B**：和 = 特征值，向量全为 1 | 提取行和 |
| 问能否对角化 | **题型C**：先看是否实对称→再看特征值是否都不相同→再查重根 | 求特征值 |
| 求 P 使 P⁻¹AP=Λ | **题型D**：求特征值→特征向量→排 P | 解 \|A-λE\|=0 |
| 实对称+求正交矩阵 Q | **题型E**：求特征值→特征向量→只对重根正交化→单位化 | 求特征值 |
| 已知特征值求 |A|, tr(A) | **题型B**：积=行列式，和=迹 | 所有 λ 乘起来/加起来 |
| 求 Aⁿ | **题型D**：对角化后 Aⁿ = PΛⁿP⁻¹ | 先对角化 |
| 给 A 满足多项式方程 | **题型F**：把 λ 代入方程，推 λ 范围 | 令 A→λ |
---
> 🚫 **找找茬**（下面这段话有4个错误，先自己找，再往下看答案）
>
> 小明复习特征值时写了这样一段总结：
>
> "特征向量可以是零向量，因为零向量乘以任何矩阵还是零向量，满足Ax=λx。如果n阶矩阵有n个不同的特征值，那它一定可以对角化——这是充要条件。两个矩阵如果特征值相同、行列式相同、迹相同，那它们一定相似。实对称矩阵的秩等于它有几个特征值不为零，这个结论对所有方阵都成立。"
>
> 上面这段话里有4处概念错误。你能全找出来吗？
>
>
> 📖 点击查看答案（先自己找！）
>
> **错误1**："特征向量可以是零向量" → 错！特征向量定义上必须是非零向量。零向量会让"任何数都是特征值"——整个概念废掉。
>
> **错误2**："n个不同特征值→一定可以对角化——这是充要条件" → 错！这是**充分条件**不是充要条件。充要条件是"有n个线性无关的特征向量"。单位矩阵E只有一个特征值（n重根）但可以对角化。
>
> **错误3**："特征值、行列式、迹相同→一定相似" → 错！"五同"反过来不成立。比如A=$\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$和B=$\begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix}$，特征值相同、行列式=0、迹=0，但不相似（A秩=1,B秩=0）。
>
> **错误4**："秩=非零特征值个数对所有方阵成立" → 错！这个结论仅对实对称矩阵成立。反例A=$\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$：秩=1，但特征值全是0。
>
>
## 六、概念辨析
判断下列说法是否正确（答案在下方）：
1. 如果 x 是 A 的特征向量，那么 2x 也是 A 的特征向量。（ ）
2. 特征向量可以为零向量。（ ）
3. A 和 Aᵀ 的特征值一定相同。（ ）
4. 如果 A 可逆，则 A 的所有特征值都不为零。（ ）
5. n 阶矩阵 A 有 n 个不同的特征值，则 A 可以对角化。（ ）
6. 如果 A 可以对角化，则 A 一定有 n 个不同的特征值。（ ）
7. 相似矩阵的特征向量相同。（ ）
8. 实对称矩阵的不同特征值对应的特征向量一定正交。（ ）
9. k 重特征值一定有 k 个线性无关的特征向量。（ ）
10. 实对称矩阵的秩等于其非零特征值的个数。（ ）
📖 点击查看答案
1. ✅ 正确。特征向量乘以非零常数仍是特征向量（方向不变）。
2. ❌ 错误。特征向量**定义上**就要求是非零向量。
3. ✅ 正确。Aᵀ 和 A 的特征多项式相同（因为 |Aᵀ - λE| = |(A - λE)ᵀ| = |A - λE|）。
4. ✅ 正确。|A| = 所有特征值乘积，可逆意味着 |A| ≠ 0 → 没有零特征值。
5. ✅ 正确。"n 个不同特征值"是相似对角化的充分条件。
6. ❌ 错误。单位矩阵 E 只有一个特征值（n 重根），但它本身就是对角阵。充要条件是"有 n 个线性无关的特征向量"。
7. ❌ 错误。相似矩阵的**特征值**相同，但**特征向量**一般不同。若 P⁻¹AP = B，A 的特征向量是 x，则 B 的特征向量是 P⁻¹x。
8. ✅ 正确。这是实对称矩阵最重要的性质。
9. ❌ 错误。最多有 k 个（几何重数 ≤ 代数重数）。例如 A = $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$，特征值 0 是二重根，但只有一个线性无关的特征向量。
10. ✅ 正确。但要注意**这个结论仅对实对称矩阵成立**！对一般矩阵不适用。
答对 8 题以上：✅ 基础扎实；6-7 题：⚠️ 需要复习概念；5 题以下：🔴 建议重读第 1 层。
---
## 七、考试导航
| 章内位置 | 考什么 | 怎么考 | 对应模板 |
|----------|--------|--------|----------|
| 知识块A | 特征值特征向量的定义与计算 | 选择/填空/计算 | 题型A |
| 知识块A | 特征值五大性质、关联矩阵特征值 | 选择/填空/简答 | 题型B |
| 知识块A | 秩为1矩阵快速求特征值 | 选择/填空 | 题型A-特别技巧 |
| 知识块B | 相似矩阵性质判定 | 选择/填空 | 题型C |
| 知识块B | 判断能否对角化 | 选择/填空/解答 | 题型C |
| 知识块B | 相似对角化（求P和Λ） | 计算/解答 | 题型D |
| 知识块B | 用对角化求A的n次方 | 计算/解答 | 题型D |
| 知识块C | 实对称矩阵正交对角化 | 计算/解答（约11分） | 题型E |
| 知识块C | 施密特正交化 | 计算（嵌套在大题中） | 题型E |
| 知识块C | 由特征值反推矩阵性质 | 选择/填空/计算 | 题型F |
| 全章 | 综合运用 | 真题大题 | 全部模板 |
> 💡 **考试最大得分点**：知识块C中的题型E（实对称正交对角化）是每年必考的11分大题，优先攻克！
## 八、自检清单
学完本章，你应该能回答：
1. ✅ 特征值和特征向量是什么？能用"橡皮泥揉捏方向不变"讲给别人听吗？（见知识块A）
2. ✅ 特征方程 `|A - λE| = 0` 是怎么来的？（见知识块A）
3. ✅ 求特征值的三步是什么？求特征向量的三步是什么？（见知识块A）
4. ✅ 五个核心性质分别是什么？（迹和、行列式积、不同λ的向量无关、重根限制、可逆条件）（见知识块A）
5. ✅ 已知 A 的特征值，怎么求 A²、A⁻¹、A+kE 的特征值？（见知识块A）
6. ✅ 秩为 1 的矩阵有几个非零特征值？等于什么？（见知识块A）
7. ✅ 相似矩阵是什么？相似矩阵哪五个东西相同？（见知识块B）
8. ✅ 矩阵能对角化的充要条件是什么？"n 个不同特征值"是充分还是必要条件？（见知识块B）
9. ✅ 实对称矩阵的五大核心性质是什么？最重要的性质是哪条？（见知识块C）
10. ✅ 施密特正交化什么时候需要做、什么时候不需要做？（见知识块C）
11. ✅ 正交矩阵满足什么条件？怎么快速判断一个矩阵是不是正交矩阵？（见知识块C）
12. ✅ 怎么用对角化来求 A 的 n 次方？（见知识块B）
## 🧪 学完自测
做完以上练习题后，对照表格：
| 层级 | 题数 | 正确率目标 | 你的正确率 |
|------|------|-----------|------------|
| ⭐ 基础 | 6题 | ≥ 80% | __/6 |
| ⭐⭐ 中等 | 6题 | ≥ 60% | __/6 |
| ⭐⭐⭐ 真题 | 5题 | ≥ 40% | __/5 |
- 基础题不达标 → 回到知识块A/B复习概念（特征值和特征向量的定义与计算）
- 中等题不达标 → 回到知识块B/C复习对应模板（对角化、正交化、特征值性质）
- 真题不达标 → 正常！真题综合性强，多做几遍历练，重点是**实对称正交对角化**和**抽象条件反推**
---
## 📐 本章推导全链（一图纵览）
从"方向不变的向量"出发，到"实对称矩阵必然正交对角化"，本章的知识是一条完整的逻辑链：
```
[定义] Ax = λx
"方向不变，只伸缩"
│
▼
┌─────────────────────┐
│ §1.2 特征方程 │
│ |A - λE| = 0 │ ← 第1章行列式 + 第4章齐次方程组在此汇合
│ "几何直觉→代数计算" │
└────────┬────────────┘
│
┌─────┴─────┐
▼ ▼
求特征值 λ 求特征向量 x
(解多项式) (解齐次方程组)
│ │
└─────┬─────┘
▼
┌──────────────────────────┐
│ §1.5 五大性质 │
│ 迹=特征值和│行列式=特征值积│
│ 不同λ向量无关│重根限制│可逆│
└────────┬─────────────────┘
│
┌─────┴─────┐
▼ ▼
§1.6 关联矩阵 §1.8 相似矩阵
f(A)特征值 "换坐标系视角"
│ │
└─────┬─────┘
▼
┌──────────────────────────┐
│ §1.9-1.10 相似对角化 │
│ P⁻¹AP = Λ │
│ 充要条件: n个无关特征向量 │
└────────┬─────────────────┘
│
┌─────┴─────┐
▼ ▼
§1.11 对角化步骤 §1.12 求 Aⁿ
"五步法" "PΛⁿP⁻¹"
│
▼
┌────────────────────────────────┐
│ §1.13-1.15 实对称正交对角化 │
│ 对称 → λ全实数 │
│ 不同λ → 向量天然正交 │
│ 重根 → 施密特正交化掰正 │
│ 单位化 → 拼成正交矩阵 Q │
│ QᵀAQ = Λ （每年约11分大题） │
└────────┬───────────────────────┘
│
▼
┌──────────────────────┐
│ 第6章 二次型 │
│ 特征值 → 标准形系数 │
│ 正交变换 → 消除交叉项 │
└──────────────────────┘
```
> 跟着箭头走一遍：定义出发 → 特征方程把几何翻译成代数 → 五大性质给特征值"画像" → 特征向量够不够决定能否对角化 → 实对称矩阵"天生好脾气"保证正交对角化 → 最终通向二次型的标准形。
# 📌 本章关键公式速记卡
| 公式 | 记忆口诀 |
|------|----------|
| \|A - λE\| = 0 | 特征方程——让矩阵被压扁 |
| Σλᵢ = tr(A) | 迹 = 特征值之和 |
| Πλᵢ = \|A\| | 行列式 = 特征值之积 |
| (A + kE) 特征值 = λ + k | 每个特征值都加了 k |
| Aⁿ 特征值 = λⁿ | 特征值各自 n 次方 |
| 实对称 → 不同 λ 的特征向量正交 | 最重要！反复用！ |
| k 重根 → 最多 k 个无关特征向量 | 几何重数 ≤ 代数重数 |
| n 个不同 λ → 一定能对角化 | 充分但不必要 |
| Q⁻¹ = Qᵀ（正交矩阵） | 逆矩阵 = 转置，超方便 |
| Aⁿ = PΛⁿP⁻¹ | 对角化后求 n 次方 |
---
> **第5章完成！** 特征值与特征向量是线性代数最"有用"的章节之一——它不仅是考研大题的热门考点，也是后续二次型的基础，甚至在物理（振动模态）、工程（主成分分析）、计算机（PageRank 算法）中都有广泛应用。
>
> 核心心法就两句：
> 1. **特征向量 = 矩阵揉捏下方向不变的向量**
> 2. **实对称矩阵 → 不同特征值的特征向量正交 → 可以用正交矩阵对角化**
>
> 搞懂这两句话，本章就拿下了八成。剩下的就是多算、多练、多积累"坑"在哪里。
>
---
> 🚪 **接下来：第6章 二次型——特征值最漂亮的"几何舞台"**
>
> 第5章学会了算特征值、拼特征向量、对角化。但你可能还在想：**这些东西到底有什么用？**
>
> 第6章就给你一个最漂亮的答案。二次型——比如 `f(x₁, x₂) = 3x₁² + 2x₁x₂ + 3x₂²`——本质上就是实对称矩阵在说话。它的"标准形"（把交叉项消掉，只剩平方项）的系数，恰好就是矩阵的特征值。而用来消交叉项的"正交变换"，恰好就是用特征向量拼成的正交矩阵 Q。
>
> 一句话串起来两章：**第5章算出来的特征值和特征向量，在第6章变成了二次曲线的"骨架"——特征值决定曲线的形状（椭圆还是双曲线），特征向量决定曲线的朝向。**
>
> → 翻开 **第6章 二次型**