湖南大学 2026年高等代数第4题

考研真题

📝 题目

4.求 $n$ 阶方阵 $\displaystyle A=\left(\begin{array}{cccc}0 & -1 & & \\ & 0 & \ddots & \\ & & \ddots & -1 \\ -1 & & & 0\end{array}\right)$ 的特征值与特征子空间.

💡 答案解析

暂无答案解析

📋 详细解题步骤

步骤 1/6
目标:写出矩阵A的具体形式
矩阵A是n阶循环矩阵,其形式为: $$A = \begin{pmatrix} 0 & -1 & 0 & \cdots & 0 \\ 0 & 0 & -1 & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & 0 & \cdots & -1 \\ -1 & 0 & 0 & \cdots & 0 \end{pmatrix}.$$
提示:注意矩阵中只有次对角线和左下角元素为-1,其余为0。
步骤 2/6
目标:写出特征多项式
特征多项式为 $\det(\lambda I - A)$,其中 $\lambda I - A$ 为: $$\lambda I - A = \begin{pmatrix} \lambda & 1 & 0 & \cdots & 0 \\ 0 & \lambda & 1 & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & 0 & \cdots & 1 \\ 1 & 0 & 0 & \cdots & \lambda \end{pmatrix}.$$
提示:注意符号:$A$中有-1,所以$\lambda I - A$中对应位置为1。
步骤 3/6
目标:计算行列式得到特征多项式
按第一行展开或利用循环矩阵性质,得特征多项式为: $$\det(\lambda I - A) = \lambda^n + (-1)^{n-1} = 0.$$ 即 $\lambda^n = (-1)^n$。
公式:$$\det(\lambda I - A) = \lambda^n + (-1)^{n-1}$$
提示:展开时注意符号,可先对第一行展开,得到递推关系。
步骤 4/6
目标:求解特征值
由 $\lambda^n = (-1)^n$,得 $\lambda^n = e^{i n \pi}$(因为 $(-1)^n = e^{i n \pi}$)。所以特征值为: $$\lambda_k = e^{i \frac{(2k+1)\pi}{n}}, \quad k=0,1,\dots,n-1$$ 当 $n$ 为奇数时;当 $n$ 为偶数时,$(-1)^n=1$,特征值为 $\lambda_k = e^{i \frac{2k\pi}{n}}$。统一可写为 $\lambda_k = \cos\frac{(2k+1)\pi}{n} + i\sin\frac{(2k+1)\pi}{n}$($n$ 奇数)或 $\lambda_k = \cos\frac{2k\pi}{n} + i\sin\frac{2k\pi}{n}$($n$ 偶数)。
公式:$$\lambda_k = e^{i \frac{(2k+1)\pi}{n}} \quad (n\text{奇数}) \quad \text{或} \quad \lambda_k = e^{i \frac{2k\pi}{n}} \quad (n\text{偶数})$$
提示:注意区分n的奇偶性,特征值都是复数单位根。
步骤 5/6
目标:求特征向量
对于每个特征值 $\lambda$,解齐次线性方程组 $(\lambda I - A)\mathbf{x}=0$。设 $\mathbf{x}=(x_1,x_2,\dots,x_n)^T$,由方程得: $$\lambda x_1 + x_2 = 0, \quad \lambda x_2 + x_3 = 0, \quad \dots, \quad \lambda x_{n-1} + x_n = 0, \quad x_1 + \lambda x_n = 0.$$ 前 $n-1$ 个方程给出 $x_2 = -\lambda x_1, x_3 = -\lambda x_2 = \lambda^2 x_1, \dots, x_n = (-\lambda)^{n-1} x_1$。代入最后一个方程得 $x_1 + \lambda (-\lambda)^{n-1} x_1 = x_1(1+(-1)^{n-1}\lambda^n)=0$,由于 $\lambda^n=(-1)^n$,故 $1+(-1)^{n-1}(-1)^n=1+(-1)^{2n-1}=1-1=0$,恒成立。因此特征向量为 $\mathbf{v} = (1, -\lambda, \lambda^2, \dots, (-\lambda)^{n-1})^T$。但通常取 $\mathbf{v} = (1, \lambda, \lambda^2, \dots, \lambda^{n-1})^T$,因为 $-\lambda$ 可吸收进常数因子(注意:实际上 $(-\lambda)^{k} = (-1)^k \lambda^k$,但特征向量可以乘以非零常数,所以可取 $\mathbf{v} = (1, \lambda, \lambda^2, \dots, \lambda^{n-1})^T$ 作为代表)。
公式:$$\mathbf{v}_\lambda = (1, \lambda, \lambda^2, \dots, \lambda^{n-1})^T$$
提示:注意符号:由方程得 $x_{k+1} = -\lambda x_k$,所以 $x_k = (-\lambda)^{k-1} x_1$。但通常取 $x_1=1$ 并简化符号,得到 $\mathbf{v} = (1, \lambda, \lambda^2, \dots, \lambda^{n-1})^T$ 也是正确的,因为 $(-\lambda)^k$ 与 $\lambda^k$ 只差一个常数因子,但需注意验证最后一个方程。
步骤 6/6
目标:确定特征子空间
每个特征值 $\lambda_k$ 对应的特征子空间是一维的,由特征向量 $\mathbf{v}_k = (1, \lambda_k, \lambda_k^2, \dots, \lambda_k^{n-1})^T$ 张成。即: $$V_{\lambda_k} = \operatorname{span}\{(1, \lambda_k, \lambda_k^2, \dots, \lambda_k^{n-1})^T\}.$$
提示:由于特征值互异(当n>1时),每个特征子空间维数为1。

📷 拍照上传批改

拍照上传批改功能已预留入口,后续接入图片上传、OCR识别与AI批改。