Практический тест по диагонализации с пошаговым интерактивным уроком
Используйте вопросы ниже на странице, чтобы отработать диагонализацию: распознавать, когда у матрицы есть базис из собственных векторов, читать и строить \(A=PDP^{-1}\), сопоставлять собственные векторы в \(P\) с собственными значениями в \(D\), использовать различные собственные значения как быстрый достаточный признак, проверять повторяющиеся собственные значения через геометрическую кратность, замечать ошибки при работе с жордановыми блоками, вычислять степени как \(A^n=PD^nP^{-1}\) и использовать собственные значения для следа, определителя, ранга, обратимости, проекций, нильпотентных случаев и проверок минимального многочлена. Если нужно повторить материал, откройте урок: там есть понятные примеры и короткие проверки.
Ответьте на набор вопросов и разберите ошибки в конце.
Как работает эта практика по диагонализации
1. Выполните набор практики: ответьте на вопросы о базисе из собственных векторов, подобии, степенях, повторяющихся собственных значениях и матричных инвариантах ниже на странице.
2. Откройте урок: повторите, что означает \(A=PDP^{-1}\), как проверить, хватает ли собственных векторов, и как использовать диагональную форму.
3. Повторите: вернитесь к набору вопросов и спрашивайте, имеет ли матрица полный базис из собственных векторов.
Что вы изучите в уроке по диагонализации
Смысл \(A=PDP^{-1}\)
Диагонализуемая: существует базис, составленный из собственных векторов
\(P\): столбцы - собственные векторы в выбранном порядке
\(D\): диагональные элементы - соответствующие собственные значения
Проверки диагонализуемости
В размерности \(n\) для диагонализации нужны \(n\) линейно независимых собственных векторов
Различные собственные значения гарантируют независимые собственные векторы
Для повторяющихся собственных значений нужны размерности собственных подпространств, а не только характеристический многочлен
Построение и использование формы
Стройте \(P\) из собственного базиса и помещайте соответствующие собственные значения на диагональ \(D\)
Используйте \(A^n=PD^nP^{-1}\), потому что степени диагональной матрицы считаются поэлементно
След, определитель, ранг и обратимость становятся быстрыми диагональными проверками
Структура и ошибки
Нетривиальный жорданов блок имеет слишком мало собственных векторов и не диагонализуем
Диагонализуемая матрица с одним собственным значением \(\lambda\) равна \(\lambda I\)
Поле имеет значение: некоторые вещественные матрицы диагонализуются только после разрешения комплексных собственных векторов
Цель: Научиться решать, диагонализуема ли матрица, строить форму \(A=PDP^{-1}\), когда это возможно, и использовать диагональную форму для степеней, инвариантов и структурных выводов. Центральный вопрос всегда один: дают ли собственные подпространства базис всего пространства?
Критерии успеха
Формулировать, что диагонализуемость означает наличие базиса из собственных векторов.
Объяснять роли \(P\), \(D\) и \(P^{-1}\) в \(A=PDP^{-1}\).
Использовать различные собственные значения как быстрый достаточный признак.
Для повторяющихся собственных значений сравнивать алгебраическую и геометрическую кратность.
Строить \(P\) и \(D\) в согласованном порядке.
Вычислять степени через \(A^n=PD^nP^{-1}\).
Использовать диагональные элементы, чтобы читать след, определитель, ранг, обратимость и простые полиномиальные соотношения.
Распознавать типичные ошибки, связанные с жордановыми блоками, выбором поля и повторяющимися корнями.
Ключевая лексика
Диагонализуемая: подобна диагональной матрице; равносильно тому, что она диагональна в некотором базисе из собственных векторов.
Собственный базис: базис, полностью состоящий из собственных векторов \(A\).
Подобие: \(A=PDP^{-1}\), то есть \(A\) и \(D\) представляют одно и то же линейное отображение в разных базисах.
Алгебраическая кратность: кратность собственного значения как корня характеристического многочлена.
Геометрическая кратность: размерность собственного подпространства \(E_\lambda\).
Проверка минимальным многочленом: матрица диагонализуема ровно тогда, когда минимальный многочлен раскладывается на линейные множители без повторяющихся корней.
Быстрая предварительная проверка
Предварительная проверка 1: Матрица \(A\) диагонализуема, когда у нее есть:
Подсказка: диагонализация - это переход к базису, в котором матрица действует масштабированием каждого базисного вектора.
Предварительная проверка 2: Если \(A=PDP^{-1}\), чем являются диагональные элементы \(D\)?
Подсказка: каждый столбец \(P\) умножается на соответствующий ему диагональный элемент.
Собственный базис делает матрицу диагональной
Цель обучения: Связать формулу \(A=PDP^{-1}\) с базисом из собственных векторов и понять, почему порядок столбцов важен.
Ключевая идея
Пусть \(v_1,\dots,v_n\) - базис и \(Av_i=\lambda_i v_i\). Поместите эти векторы в столбцы \(P\), а соответствующие собственные значения - на диагональ \(D\): \[P=\begin{pmatrix}|& &|\\ v_1&\cdots&v_n\\ |& &|\end{pmatrix},\qquad D=\operatorname{diag}(\lambda_1,\dots,\lambda_n).\] Тогда \(AP=PD\), значит \(A=PDP^{-1}\). Формула не является магией: она говорит, что в базисе из собственных векторов \(A\) только масштабирует координаты.
Контрольный список распознавания
Найдите собственные значения и собственные подпространства.
Выберите достаточно независимых собственных векторов, чтобы получить базис.
Поместите собственные векторы в столбцы \(P\).
Поместите соответствующие собственные значения в том же порядке на \(D\).
Векторы \((1,1)\) и \((1,-1)\) являются собственными: \(A(1,1)=(1,1)\) и \(A(1,-1)=(-1,1)=-(1,-1)\). Поэтому \(P=\begin{pmatrix}1&1\\1&-1\end{pmatrix}\) и \(D=\operatorname{diag}(1,-1)\), причем столбцы согласованы с диагональными элементами. Так как два собственных вектора независимы, \(A=PDP^{-1}\).
Попробуйте
Попробуйте 1: В \(A=PDP^{-1}\) что содержат столбцы \(P\)?
Подсказка: умножение \(A\) на столбец \(P\) должно масштабировать этот же столбец.
Попробуйте 2: Если первый столбец \(P\) имеет собственное значение \(2\), а второй - собственное значение \(5\), чему равна \(D\)?
Подсказка: сохраняйте диагональные элементы в том же порядке, что и собственные векторы в \(P\).
Диагонализуемость означает достаточно независимых собственных векторов
Цель обучения: Определять диагонализуемость, считая независимые собственные векторы, а не только находя собственные значения.
Ключевая идея
Для матрицы \(n\times n\) диагонализация требует \(n\) линейно независимых собственных векторов. Различные собственные значения полезны, потому что собственные векторы, принадлежащие различным собственным значениям, автоматически линейно независимы. Поэтому \(n\) различных собственных значений в размерности \(n\) гарантируют диагонализуемость. Повторяющиеся собственные значения не всегда плохи, но для них нужно проверять размерности собственных подпространств.
Контрольный список распознавания
Если у матрицы есть \(n\) различных собственных значений над используемым полем, она диагонализуема.
Если собственные значения повторяются, вычислите каждое собственное подпространство \(E_\lambda=\ker(A-\lambda I)\).
Сложите размерности собственных подпространств.
Матрица диагонализуема ровно тогда, когда эта сумма равна \(n\).
Разобранный пример
Пример: У матрицы \(3\times3\) есть собственные значения \(1\), \(2\) и \(5\). Что из этого следует?
Три собственных значения различны, поэтому есть три независимых собственных вектора. В размерности \(3\) это полный базис из собственных векторов. Матрица диагонализуема.
Попробуйте
Попробуйте 1: Если у матрицы \(3\times3\) есть три различных собственных значения, что из этого следует?
Подсказка: собственные векторы для различных собственных значений линейно независимы.
Попробуйте 2: Сколько собственных векторов должно быть в базисе у диагонализуемой матрицы \(4\times4\)?
Подсказка: базис из собственных векторов 4-мерного пространства имеет четыре базисных вектора.
Одной кратности недостаточно
Цель обучения: Разделять алгебраическую кратность и геометрическую кратность и распознавать препятствие в виде жорданова блока.
Ключевая идея
Повторяющееся собственное значение все еще может быть диагонализуемым, но только если его собственное подпространство достаточно велико. Для каждого собственного значения \(\lambda\) \[\dim E_\lambda\le \text{algebraic multiplicity of }\lambda.\] Диагонализация требует равенства для каждого собственного значения, поэтому геометрические кратности в сумме дают \(n\). Нетривиальный жорданов блок не проходит проверку, потому что для повторяющегося собственного значения у него есть только одно направление собственных векторов.
Типичные ошибки
Повторяющийся корень характеристического многочлена не означает автоматически, что матрица не диагонализуема.
Треугольная матрица не обязательно диагонализуема.
Матрица с одним собственным значением может быть диагонализуемой только если она уже является скалярной матрицей на всем пространстве.
У нетривиального жорданова блока слишком мало собственных векторов.
Разобранный пример
Пример: Диагонализуема ли \(J=\begin{pmatrix}1&1\\0&1\end{pmatrix}\)?
Единственное собственное значение равно \(1\). Решим \((J-I)v=0\): \(\begin{pmatrix}0&1\\0&0\end{pmatrix}\begin{pmatrix}x\\y\end{pmatrix}=0\), поэтому \(y=0\). Собственное подпространство равно \(\operatorname{span}\{(1,0)\}\), оно одномерно. Матрице \(2\times2\) нужны два независимых собственных вектора, значит \(J\) не диагонализуема.
Попробуйте
Попробуйте 1: Диагонализуема ли \(\begin{pmatrix}1&1\\0&1\end{pmatrix}\)?
Подсказка: вычислите собственное подпространство для повторяющегося собственного значения \(1\).
Попробуйте 2: Диагонализуемая матрица, у которой все собственные значения равны \(5\), это:
Подсказка: в базисе из собственных векторов диагональная матрица была бы \(5I\), а \(P(5I)P^{-1}=5I\).
Сопоставляйте каждый собственный вектор с его собственным значением
Цель обучения: Аккуратно строить диагонализацию и не нарушать соответствие порядка \(P\) и \(D\).
Ключевая идея
После нахождения собственного базиса диагонализация в основном является аккуратным учетом. Если столбцы \(P\) равны \(v_1,\dots,v_n\), то диагональные элементы \(D\) должны быть \(\lambda_1,\dots,\lambda_n\), где \(Av_i=\lambda_i v_i\). Порядок столбцов можно менять, но \(D\) должна меняться в том же порядке.
Контрольный список распознавания
Выбирайте независимые собственные векторы, пока не получите базис.
Запишите их как столбцы \(P\).
Запишите соответствующие собственные значения на диагонали \(D\).
Проверьте \(AP=PD\), что часто быстрее, чем перемножать \(PDP^{-1}\).
Вычисляйте \(P^{-1}\) только тогда, когда оно действительно нужно для дальнейшего расчета.
Разобранный пример
Пример: Для \(A=\begin{pmatrix}2&1\\0&3\end{pmatrix}\) постройте \(P\) и \(D\).
Для \(\lambda=2\) имеем \(A(1,0)=2(1,0)\), поэтому возьмем \(v_1=(1,0)\). Для \(\lambda=3\) решаем \((A-3I)v=0\), получаем \(y=x\), поэтому возьмем \(v_2=(1,1)\). Тогда \[P=\begin{pmatrix}1&1\\0&1\end{pmatrix},\qquad D=\operatorname{diag}(2,3).\] Столбцы независимы, и \(AP=PD\), значит \(A=PDP^{-1}\).
Попробуйте
Попробуйте 1: Если первый столбец \(P\) - собственный вектор с собственным значением \(4\), а второй столбец имеет собственное значение \(-1\), чему равна \(D\)?
Подсказка: первый диагональный элемент соответствует первому столбцу, а второй диагональный элемент - второму столбцу.
Попробуйте 2: Если \(A=PDP^{-1}\), \(P\) должна быть:
Подсказка: формула содержит \(P^{-1}\).
Диагонализация превращает степени в поэлементные степени
Цель обучения: Использовать диагонализацию для вычисления степеней и быстрого чтения эффектов собственных значений.
Ключевая идея
Если \(A=PDP^{-1}\), то при повторном умножении средние множители сокращаются: \[A^n=(PDP^{-1})^n=PD^nP^{-1}.\] Для \(D=\operatorname{diag}(\lambda_1,\dots,\lambda_n)\) \[D^n=\operatorname{diag}(\lambda_1^n,\dots,\lambda_n^n).\] Та же идея работает для многих многочленов от \(A\): применяйте многочлен к каждому диагональному элементу.
Разобранный пример
Пример: Если \(D=\operatorname{diag}(2,-1)\), вычислите \(D^3\).
Степени диагональной матрицы берутся поэлементно: \[D^3=\operatorname{diag}(2^3,(-1)^3)=\operatorname{diag}(8,-1).\] Поэтому, если \(A=PDP^{-1}\), то \(A^3=P\operatorname{diag}(8,-1)P^{-1}\).
Попробуйте
Попробуйте 1: Если \(A=PDP^{-1}\), чему равно \(A^3\)?
Попробуйте 2: Если \(A\) диагонализуема с собственными значениями \(2\) и \(3\), каковы собственные значения \(A^2\)?
Подсказка: возведение \(A\) в квадрат возводит в квадрат диагональные элементы в диагональной форме.
Итог
\(A^n=PD^nP^{-1}\), а не \(P^nD^nP^{-n}\).
Степени диагональной матрицы считаются поэлементно.
Если ни одно собственное значение не равно \(0\), то \(A^{-1}=PD^{-1}P^{-1}\).
Используйте диагональные элементы, чтобы читать структуру
Цель обучения: Переводить уравнения с диагонализуемой матрицей в уравнения для ее собственных значений.
Ключевая идея
Когда \(A=PDP^{-1}\), многие структурные факты сводятся к диагональным элементам. \(A\) обратима ровно тогда, когда каждое собственное значение ненулевое. След равен сумме собственных значений, определитель - их произведению, а ранг - числу ненулевых диагональных элементов в \(D\). Если \(A\) удовлетворяет полиномиальному уравнению, например \(A^2=A\), то каждое собственное значение удовлетворяет тому же скалярному уравнению \(\lambda^2=\lambda\).
Разобранный пример
Пример: Если \(A\) диагонализуема и \(A^2=A\), какими могут быть собственные значения?
В диагональной форме \(D^2=D\). Поэтому каждый диагональный элемент \(\lambda\) удовлетворяет \(\lambda^2=\lambda\), или \(\lambda(\lambda-1)=0\). Возможны только собственные значения \(0\) и \(1\).
Попробуйте
Попробуйте 1: Если \(A\) диагонализуема и \(A^2=0\), то \(A\) является:
Подсказка: каждое собственное значение \(\lambda\) удовлетворяет \(\lambda^2=0\), значит \(D\) должна быть нулевой диагональной матрицей.
Попробуйте 2: Если \(D=\operatorname{diag}(0,1,2)\), чему равен ранг \(D\)?
Цель обучения: Понять зависимость от поля, проверки минимальным многочленом и завершить надежным итоговым списком.
Ключевая идея
Диагонализация зависит от поля. Над \(\mathbb{R}\) матрица с невещественными собственными значениями не может иметь вещественный базис из собственных векторов. Над \(\mathbb{C}\) эти собственные значения могут стать доступными. Компактный тест высокого уровня: матрица диагонализуема над полем ровно тогда, когда ее минимальный многочлен раскладывается над этим полем и не имеет повторяющихся корней.
Типичные ошибки
Подобные матрицы имеют одинаковые след, определитель, характеристический многочлен и собственные значения, но не одинаковые элементы.
Диагонализуемая не означает диагональная в исходном базисе.
Наличия собственных значений недостаточно; собственные подпространства должны давать базис.
Различные собственные значения достаточны, но не необходимы.
Минимальный многочлен должен раскладываться на различные линейные множители над выбранным полем.
Разобранный пример
Пример: Сравните поворот \(R=\begin{pmatrix}0&-1\\1&0\end{pmatrix}\) над \(\mathbb{R}\) и над \(\mathbb{C}\).
Характеристическое уравнение равно \(\lambda^2+1=0\). Над \(\mathbb{R}\) у него нет корней, поэтому нет вещественного собственного базиса и вещественной диагонализации. Над \(\mathbb{C}\) собственные значения равны \(i\) и \(-i\), они различны, значит матрица диагонализуема над \(\mathbb{C}\).
Попробуйте
Попробуйте 1: Если матрица диагонализуема, ее минимальный многочлен имеет:
Подсказка: диагонализация исключает поведение с повторяющимся жордановым блоком.
Попробуйте 2: Диагонализуем ли нетривиальный жорданов блок \(2\times2\)?
Подсказка: у него только одно направление собственных векторов для повторяющегося собственного значения.
Итоговое повторение
Диагонализуемость означает, что существует базис из собственных векторов.
\(A=PDP^{-1}\), где столбцы \(P\) равны собственным векторам, а диагональные элементы \(D\) - соответствующим собственным значениям.
\(n\) различных собственных значений в размерности \(n\) гарантируют диагонализуемость.
Повторяющиеся собственные значения требуют проверки размерности собственного подпространства.
Нетривиальные жордановы блоки не диагонализуемы.
Степени удовлетворяют \(A^n=PD^nP^{-1}\).
След, определитель, ранг, обратимость и полиномиальные уравнения можно читать из диагональной формы.
Поле и минимальный многочлен имеют значение.
Следующий шаг: Закройте этот урок и попробуйте пройти тест снова. Для каждого вопроса сначала решите, спрашивают ли вас о проверке собственным базисом, построении \(P\) и \(D\), ловушке с повторяющимся собственным значением или следствии из диагональных элементов.
Набор практики
Практические вопросы по теме Diagonalization с мгновенным результатом
Ответьте на все 10 вопросов ниже, затем получите итоговый результат и разбор ошибок, чтобы точно понять, что улучшить.
0/10отвечено
Вопрос 1Нет ответа
Матрица \(A\) диагонализуема, если у нее есть:
Правильный ответ: A. Базис из собственных векторов
Объяснение: Диагонализация означает, что существует базис из собственных векторов.
Вопрос 2Нет ответа
Если матрица \(2\times2\) имеет два различных действительных собственных значения, диагонализуема ли она над \(\mathbb{R}\)?
Правильный ответ: D. Да
Объяснение: Собственные векторы для различных собственных значений линейно независимы.
