#特征值与特征向量

#考点定位

• 大纲位置：线性代数第五章——矩阵的特征值和特征向量（数一、数二公共考点，全卷第一大题源）
• 常见题型：具体矩阵求特征值与特征向量（大题第一步）、抽象矩阵的特征值判定（选择/填空高频）、由特征值/特征向量反求矩阵 $A$ 或求参数（大题）、判断矩阵是否可对角化（选择）、实对称矩阵正交对角化（解答题完整流程，常与二次型合为大题）、利用相似对角化求 $A^n$（填空/大题）
• 考查频率：高。线代大题（约 11 分）几乎每年落在"特征值 → 对角化 → 二次型"主线上，本章是主线中段
• 前置知识：矩阵（逆矩阵、伴随矩阵、秩、矩阵多项式）、行列式（含参数行列式计算）；求特征向量时解齐次方程组依赖 线性方程组，特征向量无关性判据依赖 向量组
• 定位：本章是一条完整的"算法管线"——求特征多项式 → 解特征方程 → 解齐次方程组 → 判可对角化 → 构造变换矩阵。理论核心只有两个定理：可对角化判据（几何重数 = 代数重数）与实对称矩阵正交对角化定理。工程师直觉：特征向量就是矩阵所代表的线性变换作用下"方向不变"的轴，对角化 = 换到这组坐标轴下看变换，变换退化为沿各轴的纯缩放

#核心讲解

#定义与几何含义

定义（特征值与特征向量）：设 $A$ 为 $n$ 阶方阵，若存在数 $\lambda$ 与非零 $n$ 维列向量 $\xi$，使

$A\xi = \lambda\xi$

则称 $\lambda$ 为 $A$ 的特征值，$\xi$ 为 $A$ 的属于 $\lambda$ 的特征向量。

两个不可丢的细节：

1. 特征向量必须非零（零向量对任何 $\lambda$ 都满足方程，无信息量）；特征值可以为 $0$
2. 属于 $\lambda$ 的特征向量不唯一：若 $\xi$ 属于 $\lambda$，则 $k\xi\ (k \neq 0)$ 也属于 $\lambda$；更进一步，属于同一 $\lambda$ 的特征向量的非零线性组合仍属于 $\lambda$——即"属于 $\lambda$ 的全部特征向量"构成一个去掉零向量的子空间（特征子空间 $V_\lambda = \{x \mid Ax = \lambda x\} = N(\lambda E - A)$，即齐次方程组 $(\lambda E - A)x = 0$ 的解空间）

移项得 $(\lambda E - A)\xi = 0$，即 $\xi$ 是齐次方程组的非零解，而非零解存在当且仅当系数行列式为零：

定义（特征方程）：

$|\lambda E - A| = \lambda^n - (\mathrm{tr}\,A)\lambda^{n-1} + \cdots + (-1)^n|A| = 0$

称 $f(\lambda) = |\lambda E - A|$ 为特征多项式，$\lambda E - A$ 为特征矩阵。在复数范围内 $n$ 次方程恰有 $n$ 个根（计重数），故 $n$ 阶方阵恰有 $n$ 个特征值（计重数）。实矩阵的特征值可能是复数（如旋转矩阵），考研范围内主要处理实特征值；实对称矩阵特征值必为实数（见后文定理）。

#求特征值与特征向量：四步流程

对具体数字矩阵，严格执行以下管线（这是所有大题的第一步，必须零失误）：

1. 写特征矩阵并算特征多项式 $|\lambda E - A|$。技巧：先把某行/列凑出 $\lambda$ 的公因子再展开；三阶以上优先用行变换化简。注意是 $\lambda E - A$（对角线为 $\lambda - a_{ii}$）而不是 $a_{ii} - \lambda$，两者差 $(-1)^n$ 倍，方程的根相同但展开式符号要一致
2. 解特征方程 $|\lambda E - A| = 0$，得全部特征值 $\lambda_1, \dots, \lambda_s$（$\lambda_i$ 为 $k_i$ 重根时说 $\lambda_i$ 的代数重数为 $k_i$，$\sum k_i = n$）。求根后立即用两检验量核验（见性质①②），这是最有效的自查
3. 逐个解齐次方程组 $(\lambda_i E - A)x = 0$：对系数矩阵作初等行变换，求基础解系 $\xi_{i1}, \dots, \xi_{it_i}$（$t_i = n - r(\lambda_i E - A)$，称 $t_i$ 为 $\lambda_i$ 的几何重数，即特征子空间维数）
4. 写出全部特征向量：属于 $\lambda_i$ 的全部特征向量为 $c_1\xi_{i1} + \cdots + c_{t_i}\xi_{it_i} \neq 0$（组合系数不全为零）

例（完整流程）：求 $A = \begin{pmatrix} 1 & 2 & 0 \\ 2 & 1 & 0 \\ 0 & 0 & -1 \end{pmatrix}$ 的特征值与特征向量。

第 1 步：按第三列展开（两个 0 在该列），$|\lambda E - A| = \begin{vmatrix} \lambda - 1 & -2 & 0 \\ -2 & \lambda - 1 & 0 \\ 0 & 0 & \lambda + 1 \end{vmatrix} = (\lambda + 1)\left[(\lambda - 1)^2 - 4\right] = (\lambda + 1)^2(\lambda - 3)$。

第 2 步：$\lambda_1 = -1$（二重），$\lambda_2 = 3$。核验：$\mathrm{tr}\,A = 1 + 1 - 1 = 1 = -1 - 1 + 3$ ✓；$|A| \overset{\text{第三列展开}}{=} -1 \cdot (1 - 4) = 3 = (-1)(-1)(3)$ ✓。

第 3 步：对 $\lambda_1 = -1$：$-E - A = \begin{pmatrix} -2 & -2 & 0 \\ -2 & -2 & 0 \\ 0 & 0 & 0 \end{pmatrix} \to \begin{pmatrix} 1 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}$，秩为 1，基础解系 $\xi_{11} = (-1, 1, 0)^T$，$\xi_{12} = (0, 0, 1)^T$。对 $\lambda_2 = 3$：$3E - A = \begin{pmatrix} 2 & -2 & 0 \\ -2 & 2 & 0 \\ 0 & 0 & 4 \end{pmatrix} \to \begin{pmatrix} 1 & -1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{pmatrix}$，基础解系 $\xi_{21} = (1, 1, 0)^T$。

第 4 步：属于 $-1$ 的全部特征向量为 $c_1(-1,1,0)^T + c_2(0,0,1)^T$（$c_1, c_2$ 不全为零）；属于 $3$ 的全部特征向量为 $c(1,1,0)^T$（$c \neq 0$）。

#性质体系

① 迹与行列式（最重要的两个守恒量）：设 $A$ 的 $n$ 个特征值为 $\lambda_1, \dots, \lambda_n$（计重数），则

$\sum_{i=1}^{n}\lambda_i = \mathrm{tr}\,A = a_{11} + a_{22} + \cdots + a_{nn}, \qquad \prod_{i=1}^{n}\lambda_i = |A|$

证明思路：特征多项式 $f(\lambda) = |\lambda E - A|$ 的 $\lambda^{n-1}$ 系数来自展开中"每行每列恰取一个元素"里对角线项的扰动，等于 $-\mathrm{tr}\,A$；由 Vieta 定理 $\sum\lambda_i = \mathrm{tr}\,A$。令 $\lambda = 0$ 得 $f(0) = |-A| = (-1)^n|A| = \prod(0 - \lambda_i) = (-1)^n\prod\lambda_i$，即 $\prod\lambda_i = |A|$。

② 0 特征值与可逆性（选择高频）：

$0 \text{ 是 } A \text{ 的特征值} \iff |A| = 0 \iff A \text{ 不可逆} \iff Ax = 0 \text{ 有非零解}$

换言之：$A$ 可逆 $\iff$ $A$ 的特征值全不为零。

③ 特征值的函数变换（抽象矩阵特征值结论总表）：若 $\lambda$ 是 $A$ 的特征值、$\xi$ 是对应的特征向量，则：

这张表的用法是双向的：已知 $A$ 的特征值推 $f(A)$、$A^{*}$ 的特征值（填空高频）；已知 $f(A)$ 有某特征值反解 $A$ 的特征值（如"$A^2 = A$ 则特征值只能是 0 或 1"：$\lambda^2 = \lambda$）。

④ 特征向量的线性无关性（对角化的理论基石）：

• 不同特征值的特征向量线性无关：设 $\lambda_1, \dots, \lambda_s$ 互不相同，$\xi_i$ 分别属于 $\lambda_i$，则 $\xi_1, \dots, \xi_s$ 线性无关。证明思路（数学归纳 + 系数消去）：设 $\sum c_i\xi_i = 0$，左乘 $A$ 得 $\sum c_i\lambda_i\xi_i = 0$；用 $\lambda_s$ 乘第一式再相减消去 $\xi_s$，由归纳假设前 $s-1$ 个向量无关得 $c_i(\lambda_i - \lambda_s) = 0$，而 $\lambda_i \neq \lambda_s$，故 $c_i = 0$，回代得 $c_s = 0$
• 推广：$\lambda_i$ 互不相同，则把各特征子空间的基合并起来仍线性无关
• 几何重数 ≤ 代数重数：$k_i$ 重特征值 $\lambda_i$ 至多有 $k_i$ 个线性无关的特征向量，即 $n - r(\lambda_i E - A) \leq k_i$。这是判对角化时天天用的不等式

⑤ 属于同一特征值的特征向量：若 $\xi_1, \xi_2$ 都属于 $\lambda$，则非零组合 $c_1\xi_1 + c_2\xi_2$ 也属于 $\lambda$；但属于不同特征值的特征向量的和不再是特征向量（设 $A(\xi_1 + \xi_2) = \mu(\xi_1 + \xi_2)$，展开比较即可推出矛盾）。

#相似矩阵：定义与必要条件组

定义（相似）：设 $A, B$ 为 $n$ 阶方阵，若存在可逆矩阵 $P$，使

$P^{-1}AP = B$

则称 $A$ 与 $B$ 相似，记 $A \sim B$；称这一过程为相似变换，$P$ 为相似变换矩阵。

几何/工程直觉：$P^{-1}AP$ 就是"换基"。把 $A$ 看作线性变换在自然基下的矩阵，$P$ 的列向量是新基，则 $B = P^{-1}AP$ 是同一变换在新基下的矩阵。相似矩阵是同一个线性变换在不同坐标系下的表示——所以一切"坐标系无关"的量（特征值、迹、行列式、秩）都必须相同。

相似关系的代数性质：反身性（$A \sim A$，取 $P = E$）、对称性（$A \sim B \Rightarrow B \sim A$，换用 $P^{-1}$）、传递性（变换矩阵相乘）。故相似是等价关系，可以按相似分类讨论。

必要条件组（$A \sim B$ 能推出什么——判"必不相似"的武器）：若 $A \sim B$，则

使用规则：以上全部是必要不充分条件。任一条不满足即可断定不相似；全部满足也不能断定相似（反例见下）。判"相似"的最常用充分路线：两者都可对角化且特征值相同（含重数） $\Rightarrow$ 相似（因为都与同一个对角阵相似，由传递性）。

典型选择题陷阱辨析：

• "$A \sim B$ 则 $A, B$ 有相同的特征向量"——错。向量被 $P^{-1}$ 搬动：$B(P^{-1}\xi) = P^{-1}A\xi = \lambda(P^{-1}\xi)$，特征向量一般变了
• "特征值相同（含重数） $\Rightarrow$ 相似"——错。反例 $A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$ 与 $E$：特征值全为 1，但与 $E$ 相似的只有 $E$（$P^{-1}EP = E$）
• "$A \sim B \Rightarrow A^T \sim B^T$"——对（少考但成立）：$B^T = (P^{-1}AP)^T = P^TA^T(P^T)^{-1}$，即 $A^T$ 经可逆阵 $(P^T)^{-1}$ 相似于 $B^T$

#矩阵可对角化的充要条件与充分条件

定义（可对角化）：若 $A$ 与某个对角阵 $\Lambda$ 相似，即存在可逆 $P$ 使 $P^{-1}AP = \Lambda$，称 $A$ 可对角化（可相似对角化）。

为什么追求对角化：对角阵的幂、多项式、行列式都是逐元素操作。$A = P\Lambda P^{-1} \Rightarrow A^n = P\Lambda^nP^{-1}$，把矩阵幂问题降维成数的幂问题（工程直觉：特征分解正是数值算法中处理矩阵函数的标准手段）。

核心定理（可对角化的充要条件）：$n$ 阶方阵 $A$ 可对角化 $\iff$ $A$ 有 $n$ 个线性无关的特征向量。且此时 $P = (\xi_1, \dots, \xi_n)$（特征向量按列拼），$\Lambda = \mathrm{diag}(\lambda_1, \dots, \lambda_n)$（对角元与列顺序对应）。

证明思路："$\Rightarrow$"：$P^{-1}AP = \Lambda \iff AP = P\Lambda$，按列写开即 $Ap_j = \lambda_jp_j$，$P$ 可逆故各列线性无关且均非零，每个 $p_j$ 都是特征向量。"$\Leftarrow$"：$n$ 个无关特征向量拼成 $P$ 必可逆，逆推回去即得对角化。

推论（k 重特征值判据——实战判据）：$A$ 可对角化 $\iff$ 每个 $k_i$ 重特征值 $\lambda_i$ 恰有 $k_i$ 个线性无关的特征向量，即

$n - r(\lambda_i E - A) = k_i \quad\Longleftrightarrow\quad r(\lambda_i E - A) = n - k_i \quad(\text{对每个特征值检验})$

理由：$n$ 个互异单根自动贡献 $n$ 个无关向量（性质④）；重根最多"足额"供应 $k_i$ 个（几何重数 $\leq$ 代数重数），要凑满 $n$ 个无关向量，必须每个重根足额。

充分条件（不用逐个验证即可下结论的情形）：

不可对角化的典型：$A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$，$\lambda = 1$ 二重，$r(E - A) = r\begin{pmatrix} 0 & -1 \\ 0 & 0 \end{pmatrix} = 1 \neq 2 - 2 = 0$，几何重数 $1 < 2$，不可对角化。这类矩阵正是 Jordan 标准形理论里的 Jordan 块（考研不要求 Jordan 理论，但要知道"卡壳"一定发生在重根处）。

判别流程（对具体矩阵）：求特征值 $\to$ 无重根直接可对角化 $\to$ 有重根的 $\lambda$ 逐一检验 $r(\lambda E - A) \overset{?}{=} n - k$ $\to$ 全部通过才可对角化。

#实对称矩阵：正交对角化定理

定理（实对称矩阵的三大性质）：设 $A$ 为 $n$ 阶实对称矩阵（$A^T = A$），则：

1. 特征值全为实数。证明思路：设 $A\xi = \lambda\xi$（允许 $\lambda$ 复、$\xi$ 复）。两边取共轭转置，用 $A$ 实且对称（$\bar{A}^T = A$）得 $\bar{\xi}^TA = \bar{\lambda}\bar{\xi}^T$。右乘 $\xi$：$\bar{\xi}^TA\xi = \bar{\lambda}\bar{\xi}^T\xi$；另一方面原式左乘 $\bar{\xi}^T$：$\bar{\xi}^TA\xi = \lambda\bar{\xi}^T\xi$。相减得 $(\lambda - \bar{\lambda})\bar{\xi}^T\xi = 0$，而 $\bar{\xi}^T\xi = \sum_{i}|\xi_i|^2 > 0$（$\xi \neq 0$），故 $\lambda = \bar{\lambda}$ 为实数
2. 属于不同特征值的特征向量正交。证明思路：$A\xi_1 = \lambda_1\xi_1$，$A\xi_2 = \lambda_2\xi_2$，$\lambda_1 \neq \lambda_2$。第二式左乘 $\xi_1^T$：$\xi_1^TA\xi_2 = \lambda_2\xi_1^T\xi_2$；将其转置并用 $A^T = A$：$\xi_2^TA\xi_1 = \lambda_2\xi_2^T\xi_1$；第一式左乘 $\xi_2^T$：$\xi_2^TA\xi_1 = \lambda_1\xi_2^T\xi_1$。两式相等故 $(\lambda_1 - \lambda_2)(\xi_1, \xi_2) = 0$，内积 $(\xi_1, \xi_2) = 0$
3. 必可正交对角化：存在正交矩阵 $Q$（$Q^TQ = E$，从而 $Q^{-1} = Q^T$），使 $Q^TAQ = \Lambda$ 为实对角阵

正交对角化定理证明思路（结构理解即可）：对阶数归纳。取单位特征向量 $q_1$（特征值 $\lambda_1$），扩充为 $\mathbb{R}^n$ 的标准正交基拼成 $Q_1$，则 $Q_1^TAQ_1 = \begin{pmatrix} \lambda_1 & \alpha^T \\ O & A_1 \end{pmatrix}$；由整体仍对称推出 $\alpha = 0$ 且 $A_1$ 为 $n - 1$ 阶实对称阵，归纳即可。关键拼装事实：互异特征值的特征向量天然正交（性质 2）；同一特征值特征子空间内部用施密特正交化造出正交基——两部分合并即得 $n$ 个两两正交的单位特征向量，拼成 $Q$。

矩阵关系层级总表（选择题背景框架）：

实对称矩阵之间：正交相似 $\iff$ 相似 $\iff$ 合同 $\iff$ 特征值相同（含重数）。一般矩阵之间这些关系两两互不蕴含（相似与合同互不推出）。

#对角化流程：一般可逆变换 $P$ 的求法

目标：求可逆 $P$ 与对角阵 $\Lambda$，使 $P^{-1}AP = \Lambda$。

完整步骤：

1. 求出 $A$ 的全部特征值 $\lambda_1, \dots, \lambda_s$（重数 $k_1, \dots, k_s$，$\sum k_i = n$）
2. 对每个 $\lambda_i$ 解 $(\lambda_i E - A)x = 0$，求基础解系（即 $k_i$ 个无关特征向量；不足 $k_i$ 个则不可对角化，流程终止）
3. 将全部 $n$ 个特征向量按列拼成 $P = (\xi_1, \xi_2, \dots, \xi_n)$
4. 按相同顺序写出 $\Lambda = \mathrm{diag}(\lambda_{(1)}, \dots, \lambda_{(n)})$——第 $j$ 列特征向量对应第 $j$ 个对角元，顺序错位是最高频计算事故
5. 验算：$AP = P\Lambda$ 是否成立（逐列检验 $A\xi_j = \lambda_j\xi_j$，比算 $P^{-1}$ 便宜得多）

注意：$P$ 不唯一——特征向量可任取非零缩放、同一特征子空间内可换基、不同特征值的向量顺序可换（$\Lambda$ 随之同步换序即可）。

#正交相似变换矩阵 $Q$ 的求法（实对称矩阵专用，大题标准动作）

目标：实对称 $A$，求正交矩阵 $Q$ 使 $Q^TAQ = \Lambda$（对角）。

完整步骤：

1. 求全部特征值 $\lambda_1, \dots, \lambda_s$
2. 对每个 $\lambda_i$ 求特征子空间的一组基（基础解系）
3. 同一特征子空间内部做施密特正交化 + 单位化；不同特征值之间不必正交化（天然正交），但都要单位化
4. 把处理后的向量按列拼成 $Q$，对应顺序写 $\Lambda$

施密特正交化公式回顾（详细推导见向量组）：对线性无关的 $\alpha_1, \dots, \alpha_m$，

$\beta_1 = \alpha_1,\qquad \beta_j = \alpha_j - \sum_{i=1}^{j-1}\frac{(\alpha_j, \beta_i)}{(\beta_i, \beta_i)}\beta_i\ (j = 2, \dots, m)$

得正交组 $\beta_1, \dots, \beta_m$（施密特正交化保持张成空间不变，故 $\beta_j$ 仍是该特征值的特征向量）；再单位化 $\eta_j = \beta_j / \|\beta_j\|$。单个向量只需单位化。

完整例题（模拟题）：设 $A = \begin{pmatrix} 0 & -1 & 1 \\ -1 & 0 & 1 \\ 1 & 1 & 0 \end{pmatrix}$，求正交矩阵 $Q$ 使 $Q^TAQ$ 为对角阵。

• 特征多项式：$|\lambda E - A|$ 中把第二、三行加到第一行提取 $(\lambda - 1)$，再展开得 $|\lambda E - A| = (\lambda - 1)^2(\lambda + 2)$（核验：$\mathrm{tr}\,A = 0 = 1 + 1 - 2$ ✓；$|A| = -2 = 1 \cdot 1 \cdot (-2)$ ✓）。特征值 $\lambda_1 = 1$（二重），$\lambda_2 = -2$
• 对 $\lambda_1 = 1$：$E - A = \begin{pmatrix} 1 & 1 & -1 \\ 1 & 1 & -1 \\ -1 & -1 & 1 \end{pmatrix} \to \begin{pmatrix} 1 & 1 & -1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}$，秩 1，几何重数 $2 =$ 代数重数 ✓。基础解系 $\alpha_1 = (-1, 1, 0)^T$，$\alpha_2 = (1, 0, 1)^T$
• 对 $\lambda_2 = -2$：$-2E - A = \begin{pmatrix} -2 & 1 & -1 \\ 1 & -2 & -1 \\ -1 & -1 & -2 \end{pmatrix} \to \begin{pmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 0 & 0 & 0 \end{pmatrix}$，基础解系 $\alpha_3 = (-1, -1, 1)^T$
• $\lambda_1$ 子空间内施密特：$\beta_1 = \alpha_1 = (-1, 1, 0)^T$；$\beta_2 = \alpha_2 - \dfrac{(\alpha_2, \beta_1)}{(\beta_1, \beta_1)}\beta_1 = (1,0,1)^T - \dfrac{-1}{2}(-1,1,0)^T = \left(\dfrac{1}{2}, \dfrac{1}{2}, 1\right)^T$，为去分数可取 $\beta_2 = (1, 1, 2)^T$（正交化后允许整体缩放）
• 单位化：$\eta_1 = \dfrac{1}{\sqrt{2}}(-1, 1, 0)^T$，$\eta_2 = \dfrac{1}{\sqrt{6}}(1, 1, 2)^T$，$\eta_3 = \dfrac{1}{\sqrt{3}}(-1, -1, 1)^T$
• 拼装：

$Q = \begin{pmatrix} -\dfrac{1}{\sqrt{2}} & \dfrac{1}{\sqrt{6}} & -\dfrac{1}{\sqrt{3}} \\ \dfrac{1}{\sqrt{2}} & \dfrac{1}{\sqrt{6}} & -\dfrac{1}{\sqrt{3}} \\ 0 & \dfrac{2}{\sqrt{6}} & \dfrac{1}{\sqrt{3}} \end{pmatrix},\qquad Q^TAQ = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & -2 \end{pmatrix}$

• 验算方式：检验 $A\eta_1 = \eta_1$、$A\eta_2 = \eta_2$、$A\eta_3 = -2\eta_3$（避免直接算三阶矩阵乘法）

#相似对角化的应用：题型套路库

套路一：求 $A^n$。若 $A$ 可对角化，$A = P\Lambda P^{-1}$，则

$A^n = P\Lambda^nP^{-1},\qquad \Lambda^n = \mathrm{diag}(\lambda_1^n, \dots, \lambda_n^n)$

只需求出 $P$、$\Lambda$ 与一次 $P^{-1}$，之后任意次幂都是"三个矩阵相乘"。这是 $A^n$ 型填空的唯一通用解法（低阶矩阵若列向量成比例可用递推/秩一拆解 $A = \alpha\beta^T \Rightarrow A^n = \beta^T\alpha \cdot A$，见矩阵章矩阵幂一节；但通用武器是对角化）。

套路二：由特征值特征向量反求 $A$（"知子求母"）。设 $A$ 是三阶矩阵，已知三个无关特征向量 $\xi_1, \xi_2, \xi_3$ 及对应特征值 $\lambda_1, \lambda_2, \lambda_3$，则

$A = P\Lambda P^{-1},\qquad P = (\xi_1, \xi_2, \xi_3),\ \Lambda = \mathrm{diag}(\lambda_1, \lambda_2, \lambda_3)$

计算技巧：不必求 $P^{-1}$ 再乘两次，改用 $AP = P\Lambda$——右边已知，把 $A$ 的 9 个元素当未知数解线性方程组（实际按列解，每列 3 个方程 3 个未知数），或者求 $P^{-1}$ 用伴随法。另一种高频变体：已知 $A$ 的全部特征值与 $|A|$、$\mathrm{tr}\,A$ 配合部分特征向量求参数，本质是性质①②的应用。

套路三：判断 $A$ 能否对角化并说明理由（大题论证题）。标准论证模板：

1. 写出 $|\lambda E - A|$ 并因式分解，得特征值及重数
2. 对每个重根 $\lambda$：计算 $r(\lambda E - A)$，与 $n - k$ 比较
3. 结论：全部相等则可对角化（并给出 $P$）；某处 $n - r(\lambda E - A) < k$ 则不可对角化
4. 常见参数题：含参数 $a$ 的矩阵"求 $a$ 使 $A$ 可对角化"——对重根情形令 $r(\lambda E - A) = n - k$ 反解参数

套路四：由相似条件求参数。$A \sim B$ 已知，特征值相同 $\Rightarrow$ 两特征多项式相等 $\Rightarrow$ 取 $\lambda$ 的特殊值（或比较系数、比较 $\mathrm{tr}$ 与 $|A|$）解出参数；求参数后必须回代验证（特征值相同只是必要条件，参数题有时有多解需筛选，若题给相似则验证 $P$ 存在，实对称情形直接成立）。

套路五：求 $f(A)$（矩阵多项式的值）。$f(A) = Pf(\Lambda)P^{-1}$，$f(\Lambda) = \mathrm{diag}(f(\lambda_1), \dots, f(\lambda_n))$。典型如求 $A^{-1}$、$A^* = |A|A^{-1}$、$A^{100} + 2A^{50} + E$ 等，全部走"对角化再逐元素作用"管线。

#例题

例 1（抽象矩阵特征值，模拟题）：设 $A$ 是三阶矩阵，特征值为 $1, 2, 3$，求：(1) $|A^* + E|$；(2) $\mathrm{tr}(A^{-1})$；(3) $|A^2 - 2A + E|$ 能否直接写出？

解析：

(1) $|A| = 1 \times 2 \times 3 = 6$，故 $A^* = 6A^{-1}$ 的特征值为 $6 \cdot \dfrac{1}{\lambda}$，即 $6, 3, 2$；$A^* + E$ 的特征值为 $7, 4, 3$，$|A^* + E| = 7 \times 4 \times 3 = 84$。

(2) $A^{-1}$ 的特征值为 $1, \dfrac{1}{2}, \dfrac{1}{3}$，故 $\mathrm{tr}(A^{-1}) = 1 + \dfrac{1}{2} + \dfrac{1}{3} = \dfrac{11}{6}$。

(3) 能：$A^2 - 2A + E = (A - E)^2$，$A - E$ 的特征值为 $0, 1, 2$，平方后为 $0, 1, 4$，行列式为 $0$。另一条思路：$\lambda = 1$ 使 $f(\lambda) = \lambda^2 - 2\lambda + 1 = 0$，行列式（特征值之积）必含零因子。

点评：抽象特征值题的通法就是查总表——每张"派生矩阵"的特征值都可由 $\lambda$ 表出，再套 $\prod$ 与 $\sum$ 两个恒等式。

例 2（含参可对角化判定，模拟题）：设 $A = \begin{pmatrix} 1 & 1 & a \\ 0 & 2 & 0 \\ a & 1 & 1 \end{pmatrix}$，问 $a$ 取何值时 $A$ 可对角化？

解析：$|\lambda E - A| = \begin{vmatrix} \lambda - 1 & -1 & -a \\ 0 & \lambda - 2 & 0 \\ -a & -1 & \lambda - 1 \end{vmatrix}$ 按第二行展开 $= (\lambda - 2)\left[(\lambda - 1)^2 - a^2\right] = (\lambda - 2)(\lambda - 1 - a)(\lambda - 1 + a)$。

• $a \neq 0$ 时三个特征值 $2, 1 + a, 1 - a$ 互异，必可对角化
• $a = 0$ 时特征值为 $1$（二重）、$2$。检验重根：$E - A = \begin{pmatrix} 0 & -1 & 0 \\ 0 & -1 & 0 \\ 0 & -1 & 0 \end{pmatrix}$（$a = 0$ 时原矩阵第 1、3 列相同），秩为 $1$，几何重数 $3 - 1 = 2 =$ 代数重数 ✓，仍可对角化

结论：一切实数 $a$ 均使 $A$ 可对角化。

点评：含参判定题的固定路径——先因式分解特征多项式，分"互异/出重根"两类讨论；重根情形只需查一个秩。

例 3（模拟题，求 $A^n$）：设 $A = \begin{pmatrix} 1 & 2 & 0 \\ 2 & 1 & 0 \\ 0 & 0 & -1 \end{pmatrix}$，求 $A^{99}$。

解析：这正是核心讲解四步流程中的例题矩阵，已求得 $\lambda = -1$（二重）对应 $\xi_{11} = (-1, 1, 0)^T$、$\xi_{12} = (0, 0, 1)^T$；$\lambda = 3$ 对应 $\xi_{21} = (1, 1, 0)^T$。$A$ 是实对称矩阵，必可对角化。按"特征向量按列拼、对角元同序"取

$P = (\xi_{11}, \xi_{12}, \xi_{21}) = \begin{pmatrix} -1 & 0 & 1 \\ 1 & 0 & 1 \\ 0 & 1 & 0 \end{pmatrix},\qquad \Lambda = \mathrm{diag}(-1, -1, 3)$

求逆：$|P| = 2$，逐个算代数余子式得伴随矩阵，$P^{-1} = \dfrac{1}{2}\begin{pmatrix} -1 & 1 & 0 \\ 0 & 0 & 2 \\ 1 & 1 & 0 \end{pmatrix}$（可验算 $PP^{-1} = E$）。于是

$A^{99} = P\Lambda^{99}P^{-1} = P\begin{pmatrix} (-1)^{99} & 0 & 0 \\ 0 & (-1)^{99} & 0 \\ 0 & 0 & 3^{99} \end{pmatrix}P^{-1}$

先算左乘：$P\Lambda^{99} = \begin{pmatrix} 1 & 0 & 3^{99} \\ -1 & 0 & 3^{99} \\ 0 & -1 & 0 \end{pmatrix}$（第 $j$ 列乘以对应特征值的 99 次幂）。再右乘 $P^{-1}$，逐行点乘第 1 行：$\dfrac{1}{2}\left(1 \times (-1) + 3^{99} \times 1\right) = \dfrac{3^{99} - 1}{2}$（(1,1) 元）、$\dfrac{1}{2}\left(1 \times 1 + 3^{99} \times 1\right) = \dfrac{3^{99} + 1}{2}$（(1,2) 元）、$0$（(1,3) 元）。第 2 行对称，第 3 行只有 $\dfrac{1}{2}(-1)\times 2 = -1$。汇总：

$A^{99} = \frac{1}{2}\begin{pmatrix} 3^{99} - 1 & 3^{99} + 1 & 0 \\ 3^{99} + 1 & 3^{99} - 1 & 0 \\ 0 & 0 & -2 \end{pmatrix}$

锚点校验：把指数换成 $n = 1$ 重跑同结构得 $A^1 = \dfrac{1}{2}\begin{pmatrix} 2 & 4 & 0 \\ 4 & 2 & 0 \\ 0 & 0 & -2 \end{pmatrix} = A$ ✓，链路正确。这是矩阵幂题最有效的自查动作。

点评：求 $A^n$ 的完整管线 = 特征对 $(λ_i, \xi_i)$ → 拼 $P$、$\Lambda$ → 求一次 $P^{-1}$ → $P\Lambda^nP^{-1}$ 两次连乘。考试中即使最后连乘出错，正确写出 $P$、$\Lambda$、$P^{-1}$ 已能锁定大部分过程分；平时训练要养成"逐行逐列点乘 + $n=1$ 锚点回代"的双重纪律。

#常见坑

1. 特征向量忘写"非零"与"不全为零"：特征向量定义排除零向量；"全部特征向量"的答案必须带系数约束（$k \neq 0$ 或 $c_1, c_2$ 不全为零）
2. $\lambda E - A$ 写成 $A - \lambda E$ 还混用：两者根相同但展开符号相反，一次计算内必须统一；建议固定用 $\lambda E - A$
3. 求完特征值不核验：$\sum\lambda_i \overset{?}{=} \mathrm{tr}A$、$\prod\lambda_i \overset{?}{=} |A|$，两秒防大错
4. $P$ 与 $\Lambda$ 顺序错位：$P$ 的第 $j$ 列必须对应 $\Lambda$ 的第 $j$ 个对角元；换列必须同步换对角元
5. 把"特征值相同"当"相似"的充分条件：只有双方都可对角化时才成立；上三角块 $\begin{pmatrix} \lambda & 1 \\ 0 & \lambda \end{pmatrix}$ 与 $\lambda E$ 是标准反例
6. 重根判据漏检：判对角化只查重根的 $r(\lambda E - A) = n - k$；单根无需检验。漏检任何一个重根都可能得出错误结论
7. 实对称矩阵不同特征值间的向量重复施密特：互异特征值的向量天然正交，只需各自子空间内正交化、最后统一单位化；对全部向量一把施密特既浪费又会把特征向量混出特征子空间（施密特组合跨子空间就不再是特征向量）
8. $A^*$ 的特征值记错：是 $\dfrac{|A|}{\lambda}$ 不是 $\dfrac{1}{\lambda}$（除非 $|A| = 1$）；$A^* = |A|A^{-1}$ 是记忆锚点
9. $A^T$ 特征向量想当然照抄：特征值相同、特征向量一般不同
10. $\xi_1 + \xi_2$ 型陷阱：不同特征值的特征向量之和不是特征向量；同一特征值的非零组合才是

#自测

1. 设 $A = \begin{pmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{pmatrix}$，求 $A$ 的特征值与特征向量，并判断 $A$ 能否对角化
2. 设三阶方阵 $A$ 满足 $A^2 = A$（幂等），证明 $A$ 的特征值只能是 $0$ 或 $1$，并说明 $A$ 可对角化 $\iff r(A) + r(A - E) = 3$
3. 设 $A$ 为四阶实对称矩阵，$r(A) = 3$ 且 $\mathrm{tr}(A) = 6$，求 $A$ 的全部特征值应满足的约束，并问这样的矩阵是否必可对角化
4. 已知三阶矩阵 $A$ 的特征值为 $1, -1, 2$，求 $|2A^* + 3E|$
5. 设 $A = \begin{pmatrix} 2 & 0 & 0 \\ 1 & 2 & 0 \\ 0 & 1 & 2 \end{pmatrix}$，判断 $A$ 能否对角化，说明理由

#自测答案与简析

1. $\lambda_1 = 4$，特征向量 $k(1,1,1)^T\ (k \neq 0)$；$\lambda_2 = \lambda_3 = 1$，特征向量 $c_1(-1,1,0)^T + c_2(-1,0,1)^T$（不全为零）。重根 $1$ 处 $r(E - A) = 1 = 3 - 2$，几何重数 $2 =$ 代数重数，且 $A$ 实对称，可对角化
2. $A\xi = \lambda\xi \Rightarrow A^2\xi = \lambda^2\xi = A\xi = \lambda\xi \Rightarrow \lambda(\lambda - 1) = 0$。可对角化 $\iff$ 特征子空间维数和为 3 $\iff n - r(0 \cdot E - A) + n - r(E - A) = 3$，即 $r(A) + r(A - E) = 3$
3. $r(A) = 3 \Rightarrow 0$ 是单特征值（几何重数 $1 \leq$ 代数重数，且实对称时相等）；$\mathrm{tr}(A) = 6$ 为其余三个特征值之和，非零但具体值不定（只需三数之和为 6）。实对称必可正交对角化——是，与特征值具体取值无关
4. $|A| = 1 \times (-1) \times 2 = -2$，$A^*$ 特征值为 $\dfrac{-2}{\lambda}$：$-2, 2, -1$；$2A^* + 3E$ 特征值为 $-1, 7, 1$，行列式 $= 7$
5. 上三角阵特征值全为 $2$（三重）。$2E - A = \begin{pmatrix} 0 & 0 & 0 \\ -1 & 0 & 0 \\ 0 & -1 & 0 \end{pmatrix}$，秩 $2$，几何重数 $3 - 2 = 1 < 3$，不可对角化（典型 Jordan 块链）