考研数学：秩为1的矩阵的特征值分析

关于秩为1矩阵的重要结论

作者：小海考研人

在考研数学线性代数中，秩为1的矩阵具有特殊意义，往年常考察其相关知识点。

其一是秩为 1 矩阵的特征值，特征值的计算是一个基本考点，其计算方法很多，包括：根据特征值的定义进行计算、由特征方程计算、利用特征值的各种性质进行计算，这些方法都是求特征值的基本方法，同学们需要熟练掌握，但这些方法只是针对一般矩阵的普遍方法，而对于一些特殊矩阵，有时采用一些特殊的方法或技巧则可以更灵活、更有效地解决问题。下文将对秩为1的特殊矩阵的特征值的计算方法做些分析，并提供典型例题供大家参考。

其二是秩为1矩阵是否能相似对角化，知道结论可以秒出结果。

其三是将秩为1矩阵拆为两列向量的乘积，在很多大题中常会用到。

秩为1 的矩阵的特征值分析

若 $n$ 阶矩阵 $A=\left(a_{ii}\right)$ 的秩为 1，则 $A$ 的特征值为
$${\lambda }_1={\lambda }_2=\cdots {\lambda }_{n-1}=0$$
当 ${\sum }_{i=1}^n{a}_{ii}\ne 0$ 时，0为 $A$ 的 $n-1$ 重特征值；当${\sum }_{i=1}^n{a}_{ii}=0$ 时，0为 $A$ 的 $n$ 重特征值。这个结论可以用不同的方法证明（需要重点掌握）

证：法1（方程组法）

若 $R(A)=1$ ,则 $Ax=0$ 的基础解系含 $n-1$ 个线性无关解向量，由于 $Ax=0=0\cdot x$，所以这 $n-1$ 个线性无关的解向量都是属于特征值0的特征向量，因此0至少是 $A$ 的 $n-1$ 重特征值。

设${\lambda }_1={\lambda }_2=\cdots {\lambda }_{n-1}=0$，则由特征值的性质 ${\lambda }_1+{\lambda }_2+\cdots {\lambda }_{n-1}+{\lambda }_n={\sum }_{i=1}^n{a}_{ii}$ 得： ${\lambda }_n={\sum }_{i=1}^n{a}_{ii}$ 。由此可知：

当 ${\sum }_{i=1}^n{a}_{ii}\ne 0$ 时，0为 $A$ 的 $n-1$ 重特征值；当${\sum }_{i=1}^n{a}_{ii}=0$ 时，0为 $A$ 的 $n$ 重特征值.

法2（特征方程法）

若 $R(A)=1$ ，则 $A$ 的列向量组的秩为 1，不妨设 $A$ 的第一列为 $\alpha ={\left(a_1,a_2,\cdots ,a_n\right)}^T\ne 0\left(a_1\ne 0\right)$，则其它列均可由 $\alpha$ 线性表示，于是 $A$ 可表示为：

$A=\left(b_1\alpha ,b_2\alpha ,\cdots ,b_n\alpha \right)=\alpha {\beta }^T$，其中 $b_1=1,\beta ={\left(b_1,b_2,\cdots ,b_n\right)}^T$

$$|\lambda E-A|=\left|\begin{array}{cccc}\lambda -a_1{b}_1& -a_1{b}_2& \cdots & -a_1{b}_n\\ -a_2{b}_1& \lambda -a_2{b}_2& \cdots & -a_2{b}_n\\ ⋮& ⋮& & ⋮\\ -a_n{b}_1& -a_n{b}_2& \cdots & \lambda -a_n{b}_n\end{array}\right|$$

$$=\left|\begin{array}{cccc}\lambda -a_1{b}_1& -a_1{b}_2& \cdots & -a_1{b}_n\\ -\frac{a_2}{a_1}\lambda & \lambda & \cdots & 0\\ ⋮& ⋮& & ⋮\\ -\frac{a_n}{a_1}\lambda & 0& \cdots & \lambda \end{array}\right|$$

$$=\begin{array}{cccc}\lambda -{\sum }_{i=1}^n{a}_i{b}_i& -a_1{b}_2& \cdots & -a_1{b}_n\\ 0& \lambda & \cdots & 0\\ ⋮& ⋮& & ⋮\\ 0& 0& \cdots & \lambda \end{array}$$

$$={\lambda }^{n-1}\left(\lambda -\sum _{i=1}^n{a}_i{b}_i\right)$$

故：${\lambda }_1={\lambda }_2=\cdots ={\lambda }_{n-1}=0,{\lambda }_n={\sum }_{i=1}^n{a}_i{b}_i$

由于 $A=\left(a_i{b}_j\right)=\left(a_{ii}\right),$ 所以 $a_{ii}=a_i{b}_i,$ 故 ${\lambda }_n={\sum }_{i=1}^n{a}_i{b}_i={\sum }_{i=1}^n{a}_{ii}$

由此可知 $,$ 当 ${\sum }_{i=1}^n{a}_{ii}\ne 0$时, 0 为 $A$ 的 $n-1$ 重特征值 $;$ 当 ${\sum }_{i=1}^n{a}_{ii}=0$ 时 $,0$ 为 $A$ 的 $n$ 重特征值。

秩为1矩阵的其他重要结论

若 $A_{n\times n},$ 且 $r(A)=1$

• 矩阵 $A$ 都可以拆成两向量乘积，即 $A=\alpha {\beta }^T$，其中 $\alpha$ 和 $\beta$ 为非零列向量
• $A^n=\alpha {\beta }^T\alpha {\beta }^T\cdots \alpha {\beta }^T={\left({\beta }^T\alpha \right)}^{n-1}\cdot A,$ 令人惊喜的是 ${\beta }^T\alpha =\mathrm{tr}(A)={\sum }_{i=1}^n{a}_n$
• 若 $\mathrm{tr}(A)={\sum }_{i=1}^n{a}_n\ne 0,$ 则矩阵 $A$ 可相似对角化，否则不可相似对角化。