φ 高等代数学习系统(谢帅版)
例题 / 第六章 特征值 / 6.2 特征值和特征向量

例6.3

第六章 特征值 · 6.2 特征值和特征向量 · 难度 2.4

题目

设 φ\varphi 是线性空间 VV 上的线性变换,VV 有一个直和分解:
V=V1⊕V2⊕⋯⊕Vm,V=V_1\oplus V_2\oplus\cdots\oplus V_m,
其中 ViV_i 都是 φ\varphi-不变子空间。
(1) 设 φ\varphi 限制在 ViV_i 上的特征多项式为 fi(λ)f_i(\lambda),求证:φ\varphi 的特征多项式 f(λ)=f1(λ)f2(λ)⋯fm(λ)f(\lambda)=f_1(\lambda)f_2(\lambda)\cdots f_m(\lambda)。
(2) 设 λ0\lambda_0 是 φ\varphi 的特征值,V0={v∈V∣φ(v)=λ0v}V_0=\{v\in V\mid\varphi(v)=\lambda_0 v\} 为特征子空间,Vi,0=Vi∩V0={v∈Vi∣φ(v)=λ0v}V_{i,0}=V_i\cap V_0=\{v\in V_i\mid\varphi(v)=\lambda_0 v\},求证:V0=V1,0⊕V2,0⊕⋯⊕Vm,0V_0=V_{1,0}\oplus V_{2,0}\oplus\cdots\oplus V_{m,0}。

解析

证明:(1) 取 ViV_i 的一组基,将它们拼成 VV 的一组基。记 AiA_i 是 φ\varphi 在 ViV_i 上的限制在 ViV_i 所取基下的表示矩阵,则 φ\varphi 在 VV 的这组基下的表示矩阵为分块对角矩阵 A=diag{A1,A2,⋯ ,Am}A=\mathrm{diag}\{A_1,A_2,\cdots,A_m\},于是
f(λ)=∣λIn−A∣=∣λI−A1∣∣λI−A2∣⋯∣λI−Am∣,f(\lambda)=|\lambda I_n-A|=|\lambda I-A_1||\lambda I-A_2|\cdots|\lambda I-A_m|,
即 f(λ)=f1(λ)f2(λ)⋯fm(λ)f(\lambda)=f_1(\lambda)f_2(\lambda)\cdots f_m(\lambda)。

(2) 任取 α∈V0\alpha\in V_0,设 α=α1+α2+⋯+αm\alpha=\alpha_1+\alpha_2+\cdots+\alpha_m,其中 αi∈Vi\alpha_i\in V_i,则
φ(α1)+φ(α2)+⋯+φ(αm)=φ(α)=λ0α=λ0α1+λ0α2+⋯+λ0αm.\varphi(\alpha_1)+\varphi(\alpha_2)+\cdots+\varphi(\alpha_m)=\varphi(\alpha)=\lambda_0\alpha=\lambda_0\alpha_1+\lambda_0\alpha_2+\cdots+\lambda_0\alpha_m.
注意到 φ(αi)∈Vi\varphi(\alpha_i)\in V_i,故由直和的充要条件可得 φ(αi)=λ0αi\varphi(\alpha_i)=\lambda_0\alpha_i,即 αi∈Vi,0\alpha_i\in V_{i,0},从而 V0=V1,0+V2,0+⋯+Vm,0V_0=V_{1,0}+V_{2,0}+\cdots+V_{m,0}。注意到 Vi,0⊆ViV_{i,0}\subseteq V_i,故
Vi,0∩(V1,0+⋯+Vi−1,0)⊆Vi∩(V1+⋯+Vi−1)=0,2≤i≤m,V_{i,0}\cap(V_{1,0}+\cdots+V_{i-1,0})\subseteq V_i\cap(V_1+\cdots+V_{i-1})=0,\quad 2\le i\le m,
于是上述和为直和。□\square
注:将例6.36.3 的条件和结论代数化之后,可知:对分块对角矩阵 A=diag{A1,A2,⋯ ,Am}A=\mathrm{diag}\{A_1,A_2,\cdots,A_m\} 的任一特征值 λ0\lambda_0,其代数重数等于每个分块的代数重数之和,其几何重数等于每个分块的几何重数之和。

这道题在站内还有打卡、做题反思与 AI 学情分析。登录后继续。