w wyl123ly 的博客
MD

6-2-矩阵的对角化

113 KB 2026.10.11 原文件

6-2-矩阵的对角化

一句话概括

如果 阶矩阵 有 个线性无关的特征向量(eigenvector),把它们按列拼成矩阵 ,把对应的特征值(eigenvalue)按同样顺序放到对角线上得到 ,那么

这就是对角化(diagonalization)。它的价值在于:对角矩阵的幂、指数、逆都是逐元素运算,于是 这类"难算"的问题被翻译成 这类"好算"的问题。

本篇覆盖: 的推导、可对角化的充要条件、重根时的判别、不可对角化的典型例子、 与 Fibonacci 通项、差分方程的长时间行为、相似矩阵与相似不变量、Jordan 形简介,以及 numpy 验证代码。

一、定义

1.1 相似与对角化

定义 6.2.1(相似矩阵,similar matrices) 设 都是 阶方阵。若存在 阶可逆矩阵 ,使得

则称 与 相似,记作 ,并称 为过渡矩阵(或相似变换矩阵)。

定义 6.2.2(可对角化,diagonalizable) 设 是 阶方阵。若 相似于某个对角矩阵 ,即存在可逆矩阵 使

则称 可对角化。把 化为对角形这件事,叫做对 的对角化。

把上式两边左乘 ,得到本篇反复使用的主公式:

说明(对角元不唯一) 若把 的列重新排序, 的对角元也按同样顺序重排,得到的仍是 的一个对角化。所以对角化中的 只在下述意义下唯一:对角线上恰好是 的全部特征值(按代数重数计)。但 绝不唯一——每一列都可以乘任意非零常数,甚至可以在同一特征值的特征空间内做任意可逆线性组合。

1.2 主公式的推导

设 有 个线性无关的特征向量 ,对应的特征值是 ,即

第一步:把 个特征向量按列拼成矩阵。

第二步:用"逐列看"的方式算 。 矩阵乘法 的第 列就是 乘以 的第 列:

第三步:把右侧写成 。 矩阵 右乘对角矩阵 的效果是"给第 列乘上 ":

第四步:合并。 于是 。由于 线性无关, 的列线性无关,故 可逆,两边左乘 :

这就是对角化的完整推导。注意它没有用到任何技巧,只用了一条核心事实:,以及"矩阵乘矩阵 = 逐列作用"。


二、为什么需要 个线性无关的特征向量

上面的推导中," 可逆"这一步是要害,而不是形式上的补充说明。

关键逻辑链

存在 可逆 的 列线性无关 有 个线性无关的特征向量。

为什么必须可逆?因为对角化的定义要求 是等价变换: 必须存在,才能把 两边"除掉 "。

如果特征向量不够 个,会发生什么?假设只有 个线性无关的特征向量,我们最多拼出一个 的矩阵 ,得到

其中 是 阶对角矩阵。但 是一个"矮胖"矩阵,没有逆。 的列只张成 的一个 维子空间,我们无法用它表示整个空间,也无法两边左乘 。这与"四大子空间"的语言完全一致:特征向量太少 特征向量张不满 无法为 找到一组由特征向量构成的基(basis)。

一句话记忆

对角化 = 用特征向量当基。要找得到一组特征向量基,就必须有 个线性无关的特征向量。请对照 3-4-线性无关基与维数 中"基"的定义。

2.1 重根的两种"重数"

要精确表述"特征向量够不够",需要区分同一个特征值的两种重数。

定义 6.2.3(代数重数,algebraic multiplicity) 设 是 的特征多项式 的根,则 作为该多项式因子的次数称为它的代数重数,记作 。

定义 6.2.4(几何重数,geometric multiplicity) 特征值 对应的特征空间 的维数称为它的几何重数,记作 :

几何重数就是"这个特征值能贡献多少个线性无关的特征向量"。

不等式方向不要记反

永远是 。几何重数不会超过代数重数(证明见定理 6.2.4)。所以"特征向量不够"只可能发生在重根上,且只可能是几何重数偏小。


三、几何直观

3.1 换一组基,矩阵就变简单

矩阵是线性变换在某组基下的表示。对角化的含义是:换一组基(这组基就是特征向量),同一个变换的矩阵变成了对角形。

  • 标准基下: 的每一列告诉我们"第 个标准基向量被送到哪里",各列之间互相纠缠,看不出结构。
  • 特征向量基下:第 个基向量被送到 倍的自己,方向不变,只伸缩。基向量之间再无耦合,所以矩阵是对角的。

用坐标变换的语言写出来更清楚。设 在标准基下的坐标是 ,在特征向量基下的坐标是 ,则 。考察 在这两组坐标下的式子:

在特征向量坐标里, 个分量各自独立演化:

这就是对角化的全部几何内容:它把耦合的 维系统拆成 个互不干扰的一维系统。

3.2 图示(文字描述)

想象 平面上的变换 :

  • 在标准基 、 下, 已经偏离了 方向, 也偏离了 方向 —— 标准基下"看不出规律"。
  • 沿 方向的向量 被送到 ,方向不变、长度变 3 倍;沿 方向的向量 被送到 ,方向不变、长度变 1 倍(被"翻转")。
  • 因此 的本质是:在 方向拉伸 3 倍,在 方向保持长度(乘 1),两个方向互相垂直、互不干扰。对角化 记录的正是这两个伸缩率。

若把坐标系旋转 使新坐标轴对准这两个特征方向,矩阵就变成 。对角化 = 把坐标系转到特征方向上去。

3.3 一个重要的几何后果

对角化以后, 的迭代 的轨迹也被拆成了两个独立方向上的等比数列: 分量每步乘 3, 分量每步乘 1。所以:

  • 若某个 ,对应的分量会指数增长,最终把整个向量"拉"到该特征方向上(这就是幂法求主特征值的原理,见 11-3-迭代方法与预条件)。
  • 若所有 ,所有分量都衰减,。

四、性质与定理

定理 6.2.1(对角化的充要条件)

表述 设 是 阶方阵。则 可对角化,当且仅当 有 个线性无关的特征向量。

证明

()设 ,其中 可逆、 为对角矩阵。则 ,即 ,其中 是 的第 列。于是每个 都是 的特征向量( 为对应特征值),而 可逆意味着 线性无关。故 有 个线性无关的特征向量。

()这是第一节 1.2 的推导:取 个线性无关的特征向量拼成 ,可逆; 给出 ,故 可对角化。

适用条件 必须是方阵;结论在任意数域上讨论(本库默认实数域,若特征值为复数则 、 可取复矩阵,见 9-2-Hermitian矩阵与酉矩阵)。

定理 6.2.2(几何重数 = 代数重数)

表述 阶方阵 可对角化,当且仅当 的每个特征值都满足

即几何重数等于代数重数。

证明

设 的互异特征值为 ,对应特征空间 。

先证一个事实:属于互异特征值的特征向量线性无关。设 是这些特征向量间最短的线性相关关系( 最小)。两边左乘 :

用它减去 倍的原式:

由于 ,系数 当 ,这给出了一个更短的相关关系,与 的最小性矛盾。故属于互异特征值的特征向量线性无关。推论:把各特征空间的基合并起来,得到的向量组仍线性无关,故

现在证明两个方向。

()设每个 。特征多项式的次数为 ,而各代数重数之和 (计重数共 个复根)。于是

即 有 个线性无关的特征向量(各特征空间的基合并后共 个,且已证线性无关),由定理 6.2.1 知 可对角化。

()设 可对角化。则 ( 个线性无关特征向量按其特征值分组,每组不超过该特征空间的维数,同时总数又不超过各特征空间维数之和,故恰好相等)。若对某个 有 ,则由定理 6.2.4 的 得

与 矛盾。故 对一切 成立。

适用条件 讨论代数重数时需在代数闭域(如 )上数根;在 上若特征多项式有复根,则 在 上不可对角化,但在 上可以(如旋转矩阵,见例 6.2.6)。

定理 6.2.3(特征值互异必可对角化)

表述 若 阶方阵 的 个特征值互不相同,则 有 个线性无关的特征向量,因而可对角化。

证明 每个特征值的代数重数为 1,几何重数满足 ,故 。由定理 6.2.2, 可对角化。也可直接用定理 6.2.2 证明中已证的"互异特征值的特征向量线性无关"。

适用条件 这是充分不必要条件。特征值有重根时 仍可能可对角化(例 6.2.3 的 是二重根,但可对角化)。

定理 6.2.4(几何重数不超过代数重数)

表述 对 的任一特征值 ,有 。

证明思路 取特征空间 的一组基 (),把它扩充为 的一组基 ,令 为这组基按列拼成的可逆矩阵。则

因为对前 列有 ,所以在 基下前 列只在自身方向有分量。这是一个分块上三角矩阵,其行列式为

所以 在特征多项式中至少出现 次,即 。 是显然的(特征空间非零)。

适用条件 这里用到"相似矩阵有相同的特征多项式"(定理 6.2.6),是它的一个应用。

定理 6.2.5(相似矩阵的判定与不变量)

表述 若 ( 可逆),则 与 有相同的特征多项式,因而有相同的特征值(计重数)、相同的迹(trace)、相同的行列式(determinant)和相同的秩(rank)。

证明

特征多项式:

特征值相同立即由此得出。迹:特征多项式是 ,多项式相同故 与 相同(也可直接算 ,这里用了轮换性质 )。秩:、 可逆即满秩,左乘右乘可逆矩阵不改变秩,故 。

相似不变量清单

| 不变量 | 是否相似不变 | 说明 |

|---|---|---|

| 特征多项式 | 是 | 相似的核心不变量 |

| 特征值(含重数) | 是 | 由特征多项式决定 |

| 迹 | 是 | 特征多项式的 次项系数 |

| 行列式 | 是 | 特征多项式的常数项 |

| 秩 | 是 | 左乘右乘可逆矩阵不变秩 |

| 各特征值的代数重数、几何重数 | 是 | 特征空间被 同构映射 |

| 列空间 | 否 | 把列空间搬到别处 |

| 特征向量本身 | 否 | ,向量被"搬运" |

| 元素之和 | 否 | 只有对角线之和(迹)不变 |

适用条件 相似不变量是必要条件而非充分条件:两个矩阵特征多项式相同,不一定相似。例如

的特征多项式都是 ,但 可对角化( 本身就是对角阵,且 只能相似于 )而 不可对角化,故二者不相似。要判断相似,需要比特征多项式更强的完全不变量(如 Jordan 形或有理标准形)。

定理 6.2.6( 与 相似)

表述 任意方阵 与其转置 相似。

证明思路(路线一:Jordan 形) 在 上,任何方阵都相似于唯一的 Jordan 形 (不计块的排列顺序),即 。对 Jordan 块 ( 是移位矩阵)取转置得到 ,它仍是同阶的 Jordan 块( 也是移位矩阵,只是位置从上方移到下方,可通过行、列的对称置换变换回来)。所以 与 相似,进而

即 相似于 ,而 ,由相似的传递性得 。

证明思路(路线二:特征值 + 直接验算特征多项式) 先用"按行展开"验证特征多项式相同:

其中用了 (见 5-1-行列式的性质)。所以 与 有相同的特征多项式、相同的特征值,从而有相同的 Jordan 形(因为 Jordan 形完全由初等因子决定,而初等因子由特征矩阵 的不变因子决定; 与 有相同的行列式因子,故不变因子相同)。于是 。

适用条件 路线一需要在 上讨论(保证 Jordan 形存在)。在 上结论同样成立,只是 Jordan 形要换成实 Jordan 形或有理标准形。

一个值得记住的推论

既然 ,那么 与 必有相同的特征值。这一点用起来很方便:算 的特征多项式算不动时,可以改算 的(两者恒等,但行列式展开的手感可能不同)。另外, 与 的特征向量一般不同——相似变换把特征向量也搬走了,所以不要以为 与 的特征向量相同。


五、计算方法与步骤

5.1 判断并实施对角化的标准流程

五步法

1. 求特征值:解特征方程 ,把特征多项式因式分解,得到全部特征值及各自的代数重数 。

2. 逐个求特征空间:对每个特征值 ,解齐次方程 ,即求零空间 。用消元法化为行阶梯形,找出主元变量与自由变量,写出基础解系,其向量个数就是几何重数 。

3. 判可对角化:比较每个特征值。若所有 ,则可对角化;只要有一个 ,就不可对角化(此时若题目要求,改求 Jordan 形)。

4. 拼 与 :把全部特征向量(共 个,即各特征空间的基础解系拼起来)按列排成 ; 的对角元按 的列的同一顺序填对应特征值。

5. (可选)验算:抽查 是否成立,或验证 、。这是最省事的自检,能立刻发现"特征值算错"或"列与特征值对错位置"这两类最常见的错误。

5.2 计算 的步骤

  1. 按 5.1 求出 。
  2. 取幂:,其中

  1. 若只需 ,不必算出 :令 (即解线性方程组求 ),则

  1. 观察长时间行为: 时,由 最大的项主导。

为什么

中间的 反复相消:

归纳即得 。注意这个技巧依赖 与 是同一个式子;如果写成 、 且 ,就不能这样相消。

5.3 用 numpy 验证对角化

import numpy as np

A = np.array([[2.0, 1.0],
              [1.0, 2.0]])

# 1) numpy.linalg.eig 返回特征值数组 w 与特征向量矩阵 V(V 的第 i 列对应 w[i])
w, V = np.linalg.eig(A)
print("特征值:", w)
print("特征向量矩阵 S = V:\n", V)

# 2) 验证 A = S Lambda S^-1
S, Lam = V, np.diag(w)
print("S Lambda S^-1 =\n", S @ Lam @ np.linalg.inv(S))
print("与 A 一致?", np.allclose(S @ Lam @ np.linalg.inv(S), A))

# 3) 验证 S^-1 A S = Lambda(对角)
print("S^-1 A S =\n", np.linalg.inv(S) @ A @ S)

# 4) 对角化算 A^k,与 np.linalg.matrix_power 对比
k = 5
A_k_diag = S @ np.diag(w ** k) @ np.linalg.inv(S)
A_k_pow = np.linalg.matrix_power(A, k)
print("A^%d (对角化) =\n" % k, A_k_diag)
print("A^%d (矩阵幂) =\n" % k, A_k_pow)
print("一致?", np.allclose(A_k_diag, A_k_pow))

# 5) 判断是否可对角化:V 的秩是否等于 n
print("可对角化?", np.linalg.matrix_rank(V) == A.shape[0])

numpy 的两点注意

1. eig 不保证特征向量矩阵满秩。文档明确指出:"The array eigenvectors may not be of maximum rank, that is, some of the columns may be linearly dependent, although round-off error may obscure that fact."(见参考来源)。这正是不可对角化的信号,所以判断可对角化时要看 matrix_rank(V),而不是想当然。

2. 浮点误差会掩盖重根。文档举例: 理论上特征值是 ,但数值结果会输出两个几乎相等的值。重根附近的判断要格外小心。


六、例题

例 6.2.1(完整的对角化流程)

题目 把 对角化,并用结果计算 。

解

第一步:求特征值。 是上三角矩阵,特征值就是对角元,或直接展开:

故 ,,都是代数重数 1 的单根。由定理 6.2.3, 必可对角化,无需再检查。

第二步:求 的特征向量。 解 :

是自由变量。基础解系取 。

第三步:求 的特征向量。 解 :

取 。

第四步:拼 与 。

注意顺序对应: 的第 1 列 对应 ,第 2 列 对应 。

第五步:求 。 对 矩阵用公式 ,,故

第六步:验算。 检查 :

再验两个不变量: ✓; ✓。

第七步:计算 。 由 :

答 ,其中 、;。

用题目本身做自检

直接手算验证一下也很快:,。规律是 ,。取 : ✓, ✓。这种"先算几个小幂找规律再验证"的习惯非常有用——它不仅检查答案,还常常直接暴露通项公式。

例 6.2.2(Fibonacci 数列:对角化导出通项)

题目 Fibonacci 数列(斐波那契数列)由 、、 定义。用矩阵对角化导出 的通项公式(Binet 公式)。

解

第一步:把递推写成矩阵形式。 设状态向量

则

记 ,于是 。(这就是"构造矩阵"这一步:把二阶递推压成二维一阶系统。)

第二步:求特征值。

解 :

记

( 就是黄金比 。两个特征值互异,故可对角化。)

第三步:求特征向量。

对 :,

用第二行:,即 。取 ,得

对 同理得 。于是

第四步:把初值写成特征向量的组合。 令 ,即解 :

第二行给 ,即 。第一行给 ,代入 :

第五步:写通项。

取第一个分量:

把指标换成 ,得 Binet 公式:

第六步:验算。 取 (注意 ):

11.6180341
22.6180341
34.2360682
46.8541023
511.0901705

全部吻合 ✓。

答 ,其中 。

这个例题告诉我们什么

1. 通项公式是"两个等比数列之差"。因为 ,第二项随 迅速衰减,所以 ,且 (黄金比)。

2. 整个过程只用了对角化的四步:求特征值 → 求特征向量 → 分解初值 → 组合。这套流程对任何"常系数线性递推"都适用。

3. 不需要真的算出 。若只需要 ,解一次 ( 的方程组)就够了,比求 更省事。

例 6.2.3(重根但可对角化:几何重数 = 代数重数)

题目 判断 是否可对角化;若可,求出 与 。

解

第一步:求特征值。 关键是分块: 的第一行第一列与其他部分解耦。沿第一行展开更好算:

展开中括号:

所以

特征值为 ,三个互异单根(把符号整理成 更直观:特征多项式 )。由定理 6.2.3, 可对角化:

顺便验一下不变量:,而 ✓;,而 ✓。

第二步:求各个特征向量。

对 : 解 ,

第一行给 ;第二行给 ,即 。取 :

对 : ,第三行是第二行的 2 倍,消元后

取 :

对 : ,消元:

自由,取

第三步:拼 与 。

第四步:验证 可逆并抽查。 沿第一行展开:

故 可逆 ✓。抽查 :

答 可对角化, 与 如上。

别把"对称"和"正交"混为一谈

这个 其实是对称矩阵()。由 6-4-对称矩阵与正定矩阵 的谱定理,对称矩阵一定可正交对角化,即存在正交矩阵 使 。

但我们这里求出的 的三列既不互相垂直也不是单位向量:(这一对恰好垂直),但 、、。所以这里的 不是正交矩阵。

结论:"可对角化"比"可正交对角化"弱。对一般矩阵只能要求 ;只有对称矩阵才能升级为 。本题只是碰巧 对称,用一般方法算出的 不是正交的也完全正常。

例 6.2.4(不可对角化的详细分析)

题目 分析 能否对角化。

解

第一步:求特征值与代数重数。

唯一特征值 ,代数重数 。

第二步:求特征空间,定几何重数。 解 :

方程是 , 自由。所以

即几何重数 。

第三步:判别。 ,由定理 6.2.2, 不可对角化。

第四步:从"特征向量不够"直接看结论。 的全部特征向量都是 的形式,它们全在一条直线上,最多只能提供 1 个线性无关的向量。而对角化需要 个线性无关的特征向量。无论怎样选取, 的第二列都无法与第一列线性无关, 必定奇异。因此 不存在, 无从谈起。

换个角度,假设 可对角化:由于唯一特征值是 2, 只能是 。于是

与 矛盾。故 不可对角化。

第五步:那 怎么算? 注意 ,其中 。因为 与 可交换( 与任何矩阵都可交换),二项式定理可用:

而 ,所以 的项全为 ,只剩两项:

验算 :,与直接计算完全一致 ✓。

答 不可对角化,因为 (特征向量不够 2 个)。补救办法:把它拆成 ( 幂零),或使用 Jordan 形(见下节 7.3)。

这个例子的三个教训

1. 有 个特征值(计重数)不等于有 个线性无关的特征向量。 本题"有 2 个特征值",但只有 1 个线性无关的特征向量。

2. 不要用" 有重特征值"直接判定不可对角化。 重根只是"可能出问题"的信号,必须实际去算 。反例: 有重根 ,但它是单位矩阵的倍数,特征空间是整个 ,,当然可对角化(,)。

3. 不可对角化≠无法计算幂。用 的二项式展开( 幂零)照样能得到 的显式公式,而且公式里出现了 前面的因子 ——这正是"不可对角化"在增长率上的痕迹:除了指数增长还多了一个多项式因子。

例 6.2.5(差分方程的通解与长时间行为)

题目 差分方程 ,其中 ,。求 的通解,并说明 时的极限。

解

第一步:求特征值。

因式分解:。故

(自检: ✓, ✓。)

第二步:求特征向量。

:,方程 ,即 。取 。

:,方程 ,即 。取 。

(顺带注意:,因为 是对称矩阵。)

第三步:分解初值。 令 :

第四步:写通解。

第五步:验证。 :,而 ✓。

: ✓(与数值计算一致)。

第六步:长时间行为。 因为 ,项 ,所以

答 ,当 时 。

长时间行为的判定法则

设 可对角化,,则 。当 很大时:

- 若某个 :该项指数增长,(除非它的系数 )。主导项是 最大的那个, 的方向趋于该特征方向。

- 若所有 :所有项衰减,。

- 若所有 且 的特征值都是单根: 收敛到稳态 ( 的项不衰减也不增长)。本题就是这种情形: 给出稳态, 的成分被"洗掉"。

- 若某个 而代数重数大于几何重数: 会线性增长(出现 因子),不收敛。

Markov 矩阵的稳态正是"、其余 "这一情形,详见 10-2-Markov矩阵与稳态。

例 6.2.6(复数特征值:在实数域不可对角化,在复数域可以)

题目 判断旋转矩阵 在 上是否可对角化。

解 特征多项式 ,在 上无实根。因此 在 上没有特征值,更没有特征向量,不可能在实数域上对角化。

在 上,特征值为 ,互异,故可对角化,且特征向量可取

验算 ✓。

几何解释 旋转 没有任何"不变的实方向"——每个非零向量都被转走了。这就是实特征向量不存在的原因。复数特征值 的模长都是 1(),说明旋转不改变长度,只改变方向;在微分方程语言里这对应"中心型"的周期轨(见 6-3-微分方程组与矩阵指数)。


七、应用

7.1 差分方程 的通解

这是对角化最直接的应用。设 可对角化,,。任何初值 都可以唯一写成特征向量的组合

于是差分方程的通解是

其结构与二阶常系数线性递推的"特征根法"完全一样,只不过这里的"根"是矩阵的特征值,"系数"由方程组 决定。长时间行为完全由特征值的模长决定(见例 6.2.5 的判定法则)。

典型场景:

场景 的性质结论
人口/种群逐年演化非负矩阵,趋于稳定年龄分布,增长率 (Perron–Frobenius)
Markov 链 列和为 1,收敛到稳态分布(见 [[10-2-Markov矩阵与稳态]])
迭代算法 迭代矩阵 时收敛(见 [[11-3-迭代方法与预条件]])
Fibonacci 型递推companion 矩阵通项是两个等比数列之差

7.2 特征值与稳定性

对离散动力系统 , 是平衡点。由通解 可知:

离散系统的稳定性判据

- 若所有 : 对一切初值成立, 是渐近稳定(asymptotically stable)的;

- 若存在某个 :存在初值使 , 是不稳定的;

- 若 且模为 1 的特征值都是单根、其余 : 有界但不趋于 (中性稳定 / 临界情形)。

量 称为 的谱半径(spectral radius)。上面的判据可以概括为: 渐近稳定。

这个判据是数值分析中迭代法收敛性的理论基础,也是 11-2-范数与条件数 里讨论误差放大倍数的出发点。

7.3 相似矩阵与 Jordan 形(不可对角化时的补救)

相似的本质: 表示"同一个线性变换在两组不同基下的矩阵"(见 8-3-相似矩阵与基变换)。 是基变换矩阵, 是换基后的新矩阵。对角化就是在所有相似于 的矩阵中,寻找最简单的那个。

问题:不可对角化的矩阵怎么办?还能不能找到"最简形式"?

答:能。这就是 Jordan 形(Jordan form)。若 的特征值为 (计重数),则存在可逆矩阵 使

其中每个 Jordan 块(Jordan block)形如

是幂零(nilpotent)的移位矩阵。例 6.2.4 中的 本身就是一个 的 Jordan 块。

对角化与 Jordan 形的关系(只需记住三点)

1. 可对角化 每个 Jordan 块都是 ,即 。

2. Jordan 形是"次优选择":当特征向量不够时,允许对角线相邻位置出现 1,代价是出现幂零部分。幂零部分导致 中多出 的多项式因子(见例 6.2.4 的 ),但指数部分仍由特征值决定。所以在稳定性判断上, 仍然是决定性的。

3. Jordan 形的主要意义是理论性的:它给出相似分类的完全不变量(Jordan 块的大小与排列),从而解决了"两个矩阵何时相似"这个问题。数值上它不可用——Jordan 形对微小扰动极度敏感(Jordan 块在扰动下会分裂成一组互异特征值),因此实际计算中几乎从不求 Jordan 形,而是用 Schur 分解或 SVD。

第 8 章会从"基变换"的角度再次讨论相似与 Jordan 形,见 8-3-相似矩阵与基变换。


八、易错点

十个高频错误

1. 的列顺序与 的对角元顺序必须一致。 把 放在第 2 列却把 写在 位置,会得到错误结果。检查方法:验算 (逐列看,)。注意本题按不同顺序重排 的列是允许的,只要 跟着重排,结果仍然正确——错误的是"错位"而不是"重排"。

2. 把"有重特征值"当作"不可对角化"的充分条件。 重根只提示"需要检查",必须实算 。 有重根但可对角化。

3. 算错几何重数。 ,是零空间的维数,不是 的秩,也不是"非零行数"。消元后数"自由变量个数"最保险。

4. 忘了验证 可逆。 尤其当特征值有重根、特征向量中出现"看起来一样"的向量时,一定要算 ,或检查向量组线性无关。

5. 误以为 中的 、 可以随便换位置。 矩阵乘法不交换:(除非 )。相消只发生在相邻的 。

6. 对含参数或复特征值的矩阵硬套实数结论。 在 上不可对角化,在 上可以。答案要说明在哪个数域上讨论。

7. 把"相似"当"相等"或"等价"用。 相似要求过渡矩阵可逆(且左乘 、右乘 )。若把可逆去掉只剩 ( 可逆),那叫等价(等价只保持秩),不保持特征值。

8. 以为 意味着特征向量也相同。 相似只保证特征值相同;特征向量被 搬运了。对称矩阵这一特殊情形下"左、右特征向量"才重合(因为 )。

9. 用 时忘了 是逐元素取幂。 对角矩阵的幂是 ,不是 的整体 次幂的某种"矩阵幂"再逐元素;实际上两者一致,但非对角矩阵的幂绝不是逐元素取幂()。对角化的价值恰恰在于"把矩阵幂变成逐元素幂"。

10. 在需要"正交"的场合用了非正交的 。 若要用 (对称矩阵)、(省去求逆)、或做主轴变换,必须先确认矩阵对称,否则只能用 。见 6-4-对称矩阵与正定矩阵。


九、练习题

练习 6.2.1(基础) 把 对角化,写出 与 ,并验算 、。

练习 6.2.2(基础) 判断下列矩阵能否对角化,说明理由:

(提示: 要说明"在 上"还是"在 上"。)

练习 6.2.3(进阶) 设 。

(a)求 的特征值与特征向量;(b)写出 的显式表达式;(c)求 (提示:结果是一个秩 1 矩阵,请解释为什么是秩 1)。

练习 6.2.4(进阶) 令 为 阶方阵,且 (这样的矩阵叫幂等矩阵,idempotent)。证明 可对角化,且其特征值只能是 0 或 1。(提示:先证 对每个特征值成立;再证明 ,且 中每个非零向量都是特征值 1 的特征向量, 中每个非零向量都是特征值 0 的特征向量。)

练习 6.2.5(思考) 设 可对角化, 是多项式。定义 。

(a)证明 的特征向量也是 的特征向量,对应特征值为 ;

(b)由此证明 的每个特征值都形如 ,其中 是 的特征值;

(c)举例说明:若把" 可对角化"这个条件去掉,结论(b)是否仍成立?(提示:考虑 与 。)


十、常见问题 FAQ

Q1:对角化有什么用?为什么不直接算 ?

A:直接做矩阵乘法求 需要 次矩阵乘法,每次 ;而对角化后算 只需 次标量幂 加两次矩阵乘法,与 无关。更重要的是,对角化给出的是公式(含 )而不是一堆数字,从公式立刻能读出:增长率由哪个 决定、 时趋向哪里。 时,前者是不现实的,后者是一行公式。同理,求 、判断稳定性、求通项公式,都要靠对角化。

Q2:特征向量不唯一,那 也不唯一,答案会不会不一样?

A: 确实不唯一,但 的对角元集合(作为特征值的多重集)是唯一的。具体地:

  • 每个特征向量都可以乘任意非零常数:();
  • 同一特征值的特征空间内可以做任意可逆线性组合;
  • 的列可以重新排列( 同步重排)。

这些操作都不改变 的成立,所以都是"合法的不同答案"。但 的对角元必须是 的全部特征值——若你算出 的对角元之和 ,那一定错了。

Q3:如果 不可对角化,是不是就"没办法"了?

A:不是。有三条路:

  1. Jordan 形:, 是"最接近对角"的矩阵。理论价值高,但数值上不稳定(见 7.3)。
  2. Schur 分解:任何方阵都有 ( 正交, 上三角,对角元是特征值)。数值稳定,实践中用它替代 Jordan 形。对称矩阵的 Schur 分解就是 ,即谱定理。
  3. 矩阵指数 / 幂级数:对含 的解析函数(如 ),即使 不可对角化也能算——用 的二项式展开, 幂零使级数只有有限项。见 6-3-微分方程组与矩阵指数。

Q4:怎么快速判断"能不能对角化"?有没有省事的办法?

A:按信息量从多到少:

  1. 个特征值互异 → 一定可对角化(定理 6.2.3)。这条最省事,先看特征值有没有重根。
  2. 是对称矩阵 → 一定可对角化,而且可正交对角化(谱定理,见 6-4-对称矩阵与正定矩阵)。注意"对实矩阵而言,对称"是充分不必要条件:非对称矩阵也可能可对角化。
  3. 有重根 → 必须实算 ,逐个与 比较。这一步没法省。
  4. 快速判"不可"的技巧:若某个 满足 (即 )而 ,则一定不可对角化,可立刻停止计算。例 6.2.4 的 秩为 1,,一眼判定。

十一、矩阵可对角化的充要条件

定理 6.2.7(可对角化充要条件的五种等价表述)

表述 设 是 阶方阵,在 上讨论它的特征多项式(保证 个根都数得到)。下列五个命题互相等价:

  1. 可对角化:存在可逆矩阵 与对角矩阵 使 ;
  2. 有 个线性无关的特征向量;
  3. 的每一个特征值都满足 (几何重数等于代数重数);
  4. 各个特征空间的维数之和等于 :;
  5. 的最小多项式 没有重根(即 是互异一次因式之积)。

证明 命题 1 与命题 2 的等价是定理 6.2.1;命题 2、3、4 的等价是定理 6.2.2(关键中间结论是 ,且属于互异特征值的特征向量线性无关);命题 5 属于 Jordan 形语言: 可对角化 每个 Jordan 块都是 最小多项式无重根。

什么是「最小多项式」

定义 使 的次数最低的首一多项式 称为 的最小多项式(minimal polynomial)。

三条常用性质:

1. 存在唯一:由 Cayley–Hamilton 定理, 满足自己的特征多项式,所以这样的多项式一定存在;首一与次数最低保证唯一。

2. 整除特征多项式:,因此 的根一定是 的特征值,且 。

3. 判别性: 可对角化 无重根(即上面的命题 5)。

这个工具在例 6.2.8 里会派上大用场:它让我们不必求 Jordan 形与过渡矩阵,就能算出不可对角化矩阵的 。

判定流程(考试直接照做)

四步判定法

1. 读特征值:解 ,写下每个特征值及其代数重数 。若 是三角矩阵或分块三角矩阵,特征值就是对角元,直接读。

2. 看有没有重根:若 个特征值互异,立刻判定「可对角化」(定理 6.2.3),结束。

3. 有重根时算几何重数:对每个重根 做行化简,数自由变量个数,得 。单根不必算(必有 ,由 夹出来)。

4. 逐个比对:所有 才可对角化;只要出现一个 ,立刻停止,结论是「不可对角化」。

关于这一步的三个常见误解

1. 不等式 的方向不能记反。 出问题的永远是几何重数偏小;若算出 ,必定是秩或重数算错了。

2. 「特征多项式有重根」不能当作「不可对角化」的理由。 重根只是警报,必须实算 。 有重根 (),但 ,照样可对角化。

3. 「 个特征值(计重数)」不等于「 个线性无关的特征向量」。 前者由特征多项式给出,后者才是对角化的真正要求。 有两个特征值(都等于 2),却只有一个线性无关的特征向量。

例 6.2.7(含参数矩阵: 取何值时可对角化)

题目

设 ,其中 为实参数。问 取何值时 可对角化?在可对角化时写出 与 。

第 1 步:求特征值并记录代数重数。 是上三角矩阵,特征值就是对角元:

所以 、。自检: ✓;(三角矩阵的行列式等于对角元之积)✓。

第 2 步:先处理单根 。 单根必有 ,本来不必算;为熟练起见算一遍:

前两行 与 不成比例(第二行的第一个分量为 ,而第一行的第一个分量为 ),故 ,于是

第 3 步:处理重根 ,这是本题唯一的风险点。

按 是否为零分两种情形。

情形一:。 第 1 行 与第 3 行 不成比例,第 2 行是零行,故 :

几何重数小于代数重数,由定理 6.2.7, 不可对角化。

情形二:。 此时

第 4 步:结论与验证。 当且仅当 时 可对角化,而且此时 本身就是对角矩阵,取 、 即可:

特征空间可以直接读出来: 时 给出的方程是 ( 自由),基础解系为 、; 给出的方程是 ( 自由),基础解系为 。三者构成标准基,故 ✓。

答 当且仅当 时 可对角化(此时 、);当 时 , 不可对角化。

参数题的通用套路

含参数的可对角化问题,参数只会影响「重根处的秩」。做法固定:

1. 先求特征多项式,尽量因式分解,把参数隔离出来(本题是三角矩阵,特征值与 无关,这是最省事的情形);

2. 找出重根 —— 只有它需要检查;

3. 写出 ,讨论参数取什么值时它的秩会跳变(通常就是某些元素变为零的值);

4. 要求 ,反解参数。

本题的分界值就是 : 时秩为 2, 时秩降到 1,恰好「腾出」一个自由变量,把 从 1 抬到 2。

例 6.2.8(三阶双根的完整判定;不可对角化时如何求 )

题目

设 。

(1)判断 能否对角化;

(2)若不能,求 ( 为正整数)。

第 1 步:求特征值。 第 3 列只有 位置非零,按第 3 列展开最省事:

把中括号展开:

所以

特征值为 ()与 ()。自检: ✓; ✓(第二次用到了按第 3 列展开,即令 )。

第 2 步:单根 自动合格。

第 3 行 与前两行都不成比例,故 , ✓。对应的特征向量:由第 3 行 ,由第 1 行 , 自由,取

第 3 步:重根 的几何重数。 行化简

(第 2 行恰好是第 1 行的 倍,被消成零行。)剩下的两行 与 不成比例,故 :

结论: 不可对角化 —— 它只能提供 个线性无关的特征向量,不足 个。顺便求出这个唯一的( 的)特征方向:由第 3 行 ,由第 1 行 ,取 得

第 4 步:改用「 + 待定系数」求幂。 既然不能对角化,就换一条路:把 表示成 的低次多项式。

思路:找一个次数尽可能低的多项式 ,使 能被 的最小多项式 整除。于是 ,即

先定出 。特征多项式是 ,由 Cayley–Hamilton 定理 满足它;又因为 不可对角化(第 3 步已证),由定理 6.2.7 的命题 5, 必须含重根因子 ;而 又整除特征多项式(性质 2),故

于是取 (次数为 ),并要求

因为 在 处是二重根,这个整除条件等价于三个等式:

(二重根处必须「值相等 + 导数相等」;若只有单根,只需值相等。)

第 5 步:解出待定系数。

(三行依次来自 、、。)

第 3 式减第 1 式得 ;再减去第 2 式:

回代第 2 式:。

回代第 1 式:。

于是得到幂的降次公式:

第 6 步:算出 并逐元素代入。 先算

把三个系数记为 、、,逐元素代入( 与 位置在 、、 中都是零,故恒为 ):

位置组合化简结果
—

( 一行中 ; 一行中 。)于是

第 7 步:验算(这一步不能省)。

取 :、、,降次公式给出 ✓;代入显式结果得 ✓。

取 :显式结果给出 ,与第 6 步算出的 完全一致 ✓。

取 :、、,故 ,其 元素为 , 元素为 ,与显式结果的 、 一致 ✓。

答 (1) 不可对角化,理由:,线性无关的特征向量只有 个;(2) 如上式。

这个例题的四个收获

1. 不可对角化不等于「算不出 」。 只要知道最小多项式,用「待定系数 + Cayley–Hamilton」就够了,完全不需要 Jordan 形与过渡矩阵。这是国内教材处理这类问题的标准手法(俗称「用哈密顿–凯莱定理降幂」)。

2. 重根处的条件要「值 + 导数」一起匹配。 这正是「重根要乘 (离散情形)或 (连续情形)」的代数根源: 迫使 的系数里出现 的一次项,于是 中出现因子 —— 见结果中的 位置 、 位置 。

3. 能对角化时优先用 ,只有当几何重数不足时才动用这套待定系数法。两条路线都要会。

4. 验算几乎免费:把 代进去,就能查出绝大多数系数错误。这也是「先算小幂找规律」这一习惯的价值。


十二、相似矩阵

12.1 定义与三个基本性质

回顾定义 6.2.1:若存在可逆矩阵 使 ,则称 与 相似,记作 , 称为过渡矩阵(相似变换矩阵)。

定理 6.2.8(相似是等价关系)

设 都是 阶方阵,则

1. 反身性:;

2. 对称性:若 ,则 ;

3. 传递性:若 且 ,则 。

证明

(1) 取 : ✓。

(2) 设 。两边左乘 、右乘 :,即 。取过渡矩阵 (仍可逆),得 ✓。

(3) 设 、。代入:

最后一步用了 。由于 可逆, 也可逆,故 ✓。

为什么「等价关系」这件事重要

等价关系意味着相似把 阶矩阵的集合划分成若干相似类,同一类里的矩阵共享全部相似不变量。于是「对角化」这件事就有了精确的含义:在 所在的相似类里,寻找最简单的那个代表元。如果这个代表元是对角矩阵,就说明 可对角化;如果找不到对角矩阵,就退而求其次找 Jordan 形(见 7.3 节)。这条思路与 8-3-相似矩阵与基变换 里「同一个线性变换在不同基下的矩阵」完全一致。

12.2 相似不变量与相似判定

定理 6.2.5 已经证明:相似的矩阵有相同的特征多项式,因而特征值、迹、行列式、秩都相同。 判定两个矩阵是否相似时,把这些不变量当作「筛子」逐层过滤:

定理 6.2.9(相似判定的必要条件与充分条件)

(一)必要条件(不满足就直接否定)

| 量 | 是否相似不变 | 说明 |

|---|---|---|

| 特征多项式 | 是 | 核心不变量 |

| 特征值(计重数) | 是 | 由特征多项式决定 |

| 迹 、行列式 | 是 | 特征多项式的两个系数 |

| 秩 | 是 | 左右乘可逆矩阵不变秩 |

| 各特征值的代数重数 、几何重数 | 是 | 特征空间被同构搬运 |

| 是否可对角化 | 是 | 见定理 6.2.10 |

| Jordan 形(不计块的排列) | 是 | 完全不变量 |

| 行列元素之和、 | 否 | 只有对角线之和(迹)不变 |

(二)充分条件(国内最常用) 若 与 都可对角化,且特征值相同(计重数),则 。

(三) 阶矩阵的完整判据 设 都是 阶方阵,则 当且仅当同时满足下面两条:

1. 且 ;

2. 「 是数量矩阵 」与「 是数量矩阵 」同时成立,或同时不成立。

证明

(二)设 、 可对角化且特征值相同。把公共特征值按同一顺序排成 ,则 且 。由定理 6.2.8 的对称性与传递性, ✓。

(三)记 、。两个矩阵有相同的特征多项式 ,故特征值相同(计重数),分两种情形。

  • 判别式 (两个互异实根):由定理 6.2.3 两者都可对角化,由(二) ✓。
  • 判别式 (重根 ):由 Cayley–Hamilton 定理,

  • 若 ,即 是数量矩阵,则 只与自身相似(因为 )。此时 。
  • 若 ,且 :记 、,两者都是非零且平方为零的矩阵。对任一个这样的 ,取 使 ,则 线性无关(若 ,则 ,矛盾)。令 ,则

即 。这说明任何非零、平方为零的 阶矩阵都相似于同一个矩阵 ,于是 ,进而 ✓。

反之,若 ,由相似不变量知迹与行列式相同,且数量矩阵只能与数量矩阵相似 ✓。

三个必须记住的边界

1. 「迹相同 + 行列式相同」对 不再是充分条件。 反例见例 6.2.9(a): 与 有完全相同的特征多项式、迹、行列式、秩,却不相似。

2. 即使对 阶矩阵,「迹 + 行列式」也要加上第三条。 与 的迹都是 、行列式都是 ,但 只与自己相似,故 与 不相似。

3. 不要用「特征值相同」代替「特征值相同(计重数)」。 例如 与 的特征值集合都是 的子集,但重数不同 —— 一定要按重数比较,即比较特征多项式。

定理 6.2.10(可对角化性是相似不变量)

表述 若 ,则 可对角化 可对角化。更强地:若 且 ,则 相似于同一个 :

证明 上式直接计算即可,其中用了 。由于 可逆, 可对角化,且过渡矩阵是 。反之把 与 的角色互换即可。

推论(判相似的实用链条) 若 与 都可对角化,则

若其中一个不可对角化,就必须动用 Jordan 形,或按(一)中的必要条件逐步排除。

例 6.2.9(判断两个矩阵是否相似)

题目

(a)判断 与 是否相似;

(b)判断 与 是否相似;若相似,求过渡矩阵 使 。

(a)第 1 步:先算不变量(必要条件)。 两个矩阵都是上三角矩阵,特征值都是对角元。

特征多项式都是 ;两者的秩都是 (都可逆,)。所有必要条件全部通过 —— 这说明「迹 + 行列式」这一层筛不出差别,必须继续往下查。

(a)第 2 步:检查可对角化性(这是真正的分水岭)。

本身就是对角矩阵,、, 可对角化(而且 就是它的对角化)。

对 ,只需检查重根 :

第 1 行 与第 3 行 不成比例,第 2 行为零行,故 ,

由定理 6.2.7, 不可对角化。

(a)第 3 步:结论。 由定理 6.2.10,可对角化性是相似不变量。 可对角化而 不可,故

(a)第 4 步:几何解释。 有两个线性无关的特征向量张成 的特征空间( 平面),再加上 一共 个; 的特征空间 是方程 、 的解,只有 轴这一条直线。同一个特征值 的「几何尺寸」不同,这就是它们不相似的根源。 的 Jordan 形是 (含一个 的 Jordan 块),而 的 Jordan 形就是它自己。

(b)第 1 步:算不变量。 两个矩阵都是上三角,特征值直接读出:

,,特征多项式都是 ,特征值互异。

(b)第 2 步:由充分条件判定相似。 特征值互异 两者都可对角化(定理 6.2.3),且特征值相同,由定理 6.2.9(二),

(b)第 3 步:分别求出两者的对角化。

对 : 时 ,方程 ,取 ; 时 ,方程 ,取 。于是

对 : 时 ,方程 ,取 ; 时 ,方程 ,取 。于是

第 4 步:拼出过渡矩阵。 由 与 ( 相同,因为两个特征值在 、 中的排列顺序一致),得

所以取 即满足 :

第 5 步:验算。 ,故 可逆,且 。逐个相乘:

答 (a):两者特征多项式、迹、行列式、秩全都相同,但 可对角化而 不可()。(b),可取 。

相似判定的三条纪律

1. 先算不变量,再查可对角化性。 顺序不能颠倒:不变量相同只是「有可能相似」,可对角化性不同则「一定不相似」。

2. 不要只凭「特征值相同」就下相似的结论。 必须确认两者都可对角化(或者用 Jordan 形)。

3. 过渡矩阵 不唯一。 特征向量可以任意伸缩、同一特征空间内可以任意换基、 与 中特征值的排列顺序也可以同时改,得到的 都合法。只要 可逆且 成立就正确,不必与标准答案逐元素相同。


十三、相似理论的应用(附录六)

一句话概括

对角化把「难算的矩阵运算」翻译成「好算的标量运算」。一旦有了 ,矩阵的幂、多项式、递推数列、种群演化、Markov 链的极限全都变成 个标量公式的组合。本节把这些应用串成一条线,并给出两道完整例题。

13.1 应用总表

要算的东西用到的公式关键点后续去处
矩阵的幂 对角矩阵的幂是逐元素取幂[[6-3-微分方程组与矩阵指数]](连续版 )
矩阵多项式 本节的速算示范
常系数线性递推构造友矩阵(companion matrix)二阶递推压成二维一阶系统例 6.2.2 的 Fibonacci;[[6-3-微分方程组与矩阵指数]] 的 7.2 节
种群/人口模型Leslie 矩阵,长期增长率 主特征值非负矩阵由 Perron–Frobenius 保证有正主特征向量例 6.2.10(a)
Markov 链的幂, 其余 极限是稳态分布[[10-2-Markov矩阵与稳态]]
迭代法的收敛性迭代矩阵的谱半径 [[11-3-迭代方法与预条件]]
差分方程长时间行为主导项是 最大者6-2 的 7.1、7.2 节

13.2 矩阵多项式的速算(含公式证明)

定理 6.2.11(矩阵多项式的对角化公式)

设 , 是任意多项式,则

证明 对单项式,由 (5.2 节):

把 逐项相加( 时 、),并提出公共的 与 :

而 是对角矩阵,其第 个对角元为 ✓。

速算示范: 可以「杀掉」某些特征方向

取 (特征值 与 ,见 3.2 节的几何讨论)与 。

因为 、,所以

其中 是 的单位特征向量。

直接验算:,,于是

读出来的信息: 的秩掉到 ,因为 把 的特征方向整个「压平」了。这正是 Cayley–Hamilton 定理( 特征多项式时 )与最小多项式的直观含义:多项式作用在矩阵上,就是分别作用在每个特征值上。

例 6.2.10(应用:种群模型与 Markov 链的幂)

题目

(a)种群模型:某生物种群按年龄分为「幼体」与「成体」两组,记 为第 年的数量(单位:万)。每年每只成体产生 只幼体;幼体一年后有一半长成成体(另一半死亡);成体一年后全部死亡(一代生)。取 。写出演化矩阵 ,求 ,并讨论长期增长与年龄结构。

(b)Markov 链的幂:设 (每一列和为 )。求 与极限 ,并求稳态分布。

(a)第 1 步:写出演化矩阵。 由题意

即

(这类「繁殖率在第一行、存活率在次对角线」的矩阵叫 Leslie 矩阵,是种群生态学的标准工具。)

(a)第 2 步:求特征值。

故

自检: ✓, ✓。两个特征值互异且模相等,故 。

(a)第 3 步:求特征向量。 对 :

取 ,得 ( 的行也给出同一个方程:,即 ✓)。同理对 得

(a)第 4 步:分解初值。 令 ,即 ,其中 :

(自检: ✓, ✓。)

(a)第 5 步:写出通项。

即

(a)第 6 步:验算前两步。 :

公式给出 ✓; ✓。

:,。公式给出 ✓; ✓。

(a)第 7 步:长期行为。 因为 ,两项都按 增长,总和(种群总数)每年乘 ,即年增长率约 。但两项符号交替,所以:

  • 为偶数时 ,两项同号相加;
  • 为奇数时两项反号相减。

结果就是年龄结构在两年之间来回摆动:把状态除以 归一化后,它在两个方向之间交替。

当 为偶数时:

当 为奇数时:

(验算 :,正是 、 ✓; 同理给出 ✓。)

于是 的比例在 与 之间来回跳跃,永远不收敛到固定的年龄分布 —— 这就是 Leslie 模型著名的周期 振荡。

(a)第 8 步:与「收敛到稳定年龄结构」的条件对照。 生态学中常说的「种群最终趋于稳定的年龄结构、按 增长」,需要严格的不等式

本题中 ,条件是临界的,于是出现周期为 的振荡(Leslie 模型的著名现象)。若让成体也能存活一半(即 ,此时 、),特征值满足 ,即 与 ,,振荡就会逐渐衰减,结构趋于稳定。这就是「去掉(严格)条件会怎样」的实例:等号成立时不再收敛,只剩振荡。

(b)第 1 步:求特征值。 的每一列和为 (随机矩阵),因此必有 :事实上 ,即 是 的特征向量,而 与 有相同的特征值(定理 6.2.6)。另一个特征值由迹与行列式定出:

自检: ✓。

(b)第 2 步:求特征向量。

:,方程 ,即 。取 。

:,方程 。取 。

(b)第 3 步:求 。 由 ,,

于是

(b)第 4 步:验算。 :得 ✓。

:得 ✓。

(b)第 5 步:取极限与稳态。 因为 ,:

两列相同,说明无论初始分布如何,最终的分布都趋于 —— 这就是稳态分布(steady state)。它正比于特征向量 ,归一化后为 ✓。

答 (a), 由第 5 步的公式给出;种群每年增长 倍,年龄结构每两年交替一次,不收敛(因为 )。(b) 如第 3 步,,稳态分布为 。

两个应用的对比:为什么一个有极限、一个没有

| | (a)种群模型 | (b)Markov 链 |

|---|---|---|

| 特征值 | | |

| 主导特征值 | | |

| 次特征值与主导之比 | | |

| 归一化后是否收敛 | 否,周期 振荡 | 是,收敛到稳态 |

| 结论 | 总量指数增长,结构不收敛 | 分布收敛到稳态 |

一般规律:只要 ,归一化后的状态就收敛到主导特征向量方向;比值越小收敛越快。 这条规律统一解释了种群模型的稳定年龄结构、Markov 链的稳态、幂法求主特征值(11-3-迭代方法与预条件)以及 PageRank 的收敛速度(10-2-Markov矩阵与稳态)。

另外注意(a)(b)的连续对应物: 的连续版本是 ,那里的判据从 换成 ,见 6-3-微分方程组与矩阵指数。

13.3 用 numpy 验证(只依赖 numpy)

import numpy as np

# ---------- (a) 种群模型 ----------
# 手算得到的特征分解(用显式 S,便于与纸面结果逐项对照)
r2 = np.sqrt(2.0)
S = np.array([[2 * r2, -2 * r2],
              [1.0,    1.0]])
Lam = np.diag([r2, -r2])
A = S @ Lam @ np.linalg.inv(S)               # 还原出 A = [[0, 4], [0.5, 0]]
                                             # 打印时 (1,1) 位置是 -4.6e-17,即 0(浮点舍入)
u0 = np.array([200.0, 100.0])

print("A =\n", A)
print("A 的特征值:", np.linalg.eigvals(A))    # [ 1.41421356 -1.41421356]
c = np.linalg.solve(S, u0)                   # 初值在特征向量基下的坐标
print("坐标 c:", c)                           # [85.35534 14.64466]

k = 6
u_diag = S @ np.diag(np.diag(Lam) ** k) @ c   # A^k u0 = S Lambda^k c
u_pow = np.linalg.matrix_power(A, k) @ u0     # 直接做矩阵幂
print("u_6 (对角化):", u_diag)                 # [1600. 800.]
print("u_6 (矩阵幂):", u_pow)
print("一致?", np.allclose(u_diag, u_pow))
print("总数 u_6:", u_diag.sum(), " 总数 u_0:", u0.sum())   # 2400.0 与 300.0

# ---------- (b) Markov 链 ----------
P = np.array([[0.8, 0.3],
              [0.2, 0.7]])
wp, Sp = np.linalg.eig(P)
print("P 的特征值:", wp)                      # [1.  0.5]
Pk = Sp @ np.diag(wp ** 10) @ np.linalg.inv(Sp)
print("P^10 =\n", Pk)                        # 两列都趋于 [0.6, 0.4]
print("P 的列和:", P.sum(axis=0))             # [1. 1.]

# ---------- 矩阵多项式:f(A) = S f(Lambda) S^-1 ----------
M = np.array([[2.0, 1.0],
              [1.0, 2.0]])
f = lambda x: x**3 - 3*x + 2                 # 逐元素作用于特征值
wM, SM = np.linalg.eig(M)
fM_diag = SM @ np.diag(f(wM)) @ np.linalg.inv(SM)
fM_direct = np.linalg.matrix_power(M, 3) - 3*M + 2*np.eye(2)
print("f(M) (对角化) =\n", fM_diag)           # [[10. 10.] [10. 10.]]
print("f(M) (直接算) =\n", fM_direct)
print("一致?", np.allclose(fM_diag, fM_direct))
print("f(M) 的秩:", np.linalg.matrix_rank(fM_diag, tol=1e-9))   # 1

运行后可以确认三件事:

  • :总数从 变成 ,正是「每两年翻一倍」,即每年乘 的节奏(因为 ,所以 ,这一点用手算也能立刻验证:);
  • 的两列几乎相同,趋近于稳态 ;
  • 用两条路线算出的结果完全一致,且秩为 ( 把 的特征方向整个压平了)。

用 numpy 判断「是否相似」时不要只看特征值

np.linalg.eig 返回的特征值几乎必然相同(因为相似矩阵特征多项式相同),但反过来不成立。判断两个矩阵是否相似,numpy 里最实用的做法是比较特征向量的可逆性(matrix_rank(S) 是否等于 )以及是否有相同的 Jordan 结构;数值上更稳妥的方式是比较奇异值(7-1-SVD的构造与几何意义)或直接验证能否解出过渡矩阵 。另外,含重根时浮点误差会掩盖「几何重数不足」这一事实,务必结合理论判断。


十四、两道证明题(含「去掉条件会怎样」)

例 6.2.11(与可对角化矩阵可交换的矩阵)

题目

设 是 阶矩阵,其 个特征值 两两互异。证明:若 阶矩阵 满足 ,则 一定是 的多项式,即存在多项式 使 。并说明「特征值互异」这个条件能否去掉。

证明

第 1 步:把 对角化。 特征值两两互异,由定理 6.2.3, 可对角化。取 的列为对应特征向量,则

第 2 步:把交换关系搬到对角坐标系。 令 ( 与 相似,因此 是我们要解出的对象)。由 :

这里先左乘 再右乘 ,得到

第 3 步:比较元素,证明 是对角矩阵。 记 。 的 元素是 (左乘对角矩阵给第 行乘 ), 的 元素是 (右乘对角矩阵给第 列乘 )。由 :

当 时 (互异),故 。于是

第 4 步:构造插值多项式。 因为 两两互异,存在(唯一)次数不超过 的多项式 使

(这是经典的 Lagrange 插值问题: 个互异点上的取值可以唯一确定一个次数 的多项式)。

第 5 步:回到原坐标系。 对角矩阵的多项式仍是可逐元素计算的对角矩阵:

再由定理 6.2.11(矩阵多项式的对角化公式),。于是

第 6 步:去掉「互异」条件会怎样(两个反例)。

  • 反例一:(特征值全相等)。 任何矩阵 都与 可交换(),但 的多项式只有 这一种形式,显然不能等于任意 。
  • 反例二:(有重根但可对角化)。 取 ,它与 可交换(对角矩阵之间总可交换)。但 的多项式必形如 —— 前两个对角元必须相等,而 的前两个对角元是 与 ,故 不是 的多项式。

结论 「特征值互异」不能减弱为「可对角化」:只要某个特征值的代数重数 ,它的特征空间内就多出「可自由交换的维度」,而多项式无法区分同一个特征值对应的不同特征方向。

这个结论的直观读法

有 个互异特征值时, 被 的特征方向一对一地区分开:每个方向上的伸缩率各不相同。与 可交换的矩阵 不能"打乱"这些方向(否则 ),所以它只能在各个特征方向上分别伸缩,也就是 。这与定理 6.2.6 中「 与 相似但特征向量不同」的讨论正好互补:特征向量决定了矩阵的"坐标系",而相似不变量只记录了"伸缩率"。 相关的变换视角见 8-2-线性变换的矩阵表示。

例 6.2.12(可对角化性的传播与 、 的特征多项式)

题目

(1)设 可对角化, 为正整数。证明 也可对角化,且 的特征向量都是 的特征向量;再举例说明逆命题不成立(即 可对角化不能推出 可对角化)。

(2)设 是同阶方阵。证明 与 有相同的特征多项式。

(1)证明

由 (、 可逆)得

中间的 反复相消(见 5.2 节的说明)。因为 仍是对角矩阵,且 可逆,所以 可对角化。

再看特征向量:设 。则

(对 归纳:)。所以 的每个特征向量都是 的特征向量,对应特征值为 。

逆命题的反例。 取

零矩阵当然可对角化(它本身就是对角矩阵)。但 不可对角化:它的特征多项式是 ,唯一特征值 的代数重数为 ,而 的秩为 ,故 ,由定理 6.2.7 不可对角化。

(2)证明

情形一: 可逆。 此时

(把右边展开: ✓)。这说明 与 相似,过渡矩阵是 (也可取 )。由定理 6.2.5,相似矩阵有相同的特征多项式:

情形二: 不可逆(一般情形)。 用分块行列式的恒等式。先证明对任意 阶 有

考察 阶分块矩阵 ,用两种方式做分块消元:

  • 用左上角的 消去左下角的 :第二行减去「 乘第一行」,得到 ,其行列式为 。
  • 用右下角的 消去右上角的 :第一行减去「 乘第二行」,得到 ,其行列式为 。

(两次操作都是「把一行的倍数加到另一行」,不改变行列式。)由同一个矩阵的行列式唯一, 成立。

现在取任意 ,在 中令 、:

两边同乘 ( 阶矩阵,):

两边都是 的多项式(分别是 与 的特征多项式),在无穷多个 上相等,故作为多项式恒等:

顺带得到的结论:同阶方阵总有 (比较 的系数)与 (令 )。前者正是定理 6.2.5 中「迹在轮换下不变」这一性质的来源。

注意「特征多项式相同」不等于「相似」

(2)的结论只说 与 的特征多项式相同,并不保证它们相似。例如 、 给出 而 :两者特征多项式都是 ,但 与任意矩阵相乘都为零,( 具有秩 ,见 3-5-四大子空间的维数),显然不相似。特征多项式相同只是相似的「必要」信息,判断相似还必须比较可对角化性(或 Jordan 结构)。


本篇小结

三张"身份证"

1. 对角化公式(全篇的主公式)

其中 的列是 的 个线性无关特征向量, 的对角元按同一顺序填对应特征值。由此免费得到一串公式:

2. 可对角化的判据(考试用这张表)

| 判据 | 结论 | 使用场景 |

|---|---|---|

| 有 个线性无关的特征向量 | 可对角化(定义) | 理论证明 |

| 每个特征值 | 可对角化 | 手算主判据 |

| | 可对角化 | 等价表述 |

| 个特征值互异 | 可对角化(充分不必要) | 最快的捷径 |

| 是实对称矩阵 | 可正交对角化(充分不必要) | 见 6-4-对称矩阵与正定矩阵 |

| 存在某个 使 | 不可对角化 | 一眼否定 |

| 最小多项式无重根 | 可对角化 | 求 、判断 Jordan 块 |

3. 相似的三层信息

| 层次 | 内容 | 用途 |

|---|---|---|

| 必要条件 | 特征多项式、特征值(计重数)、迹、行列式、秩、、、可对角化性 | 快速排除「不相似」 |

| 充分条件 | 都可对角化 + 特征值相同 | 快速断定「相似」并求过渡矩阵 |

| 完全不变量 | Jordan 形( 或存在重根时唯一可靠的判据) | 理论分类 |

与前后的衔接(本篇在库里的位置)

- 向上:6-1-特征值引论 提供特征值、特征向量、两个重数的定义;本篇把它升级为「结构定理」。

- 向下(连续化): 把 换成 就是 6-3-微分方程组与矩阵指数 的 ;离散判据 与连续判据 互为对应。

- 向下(升级):矩阵对称时 可换成正交矩阵 ,得到 ,见 6-4-对称矩阵与正定矩阵;再往下是二次型与惯性定理,见 6-5-二次型与标准形。

- 换基视角:相似就是「同一个线性变换在两族基下的矩阵」,见 8-2-线性变换的矩阵表示 与 8-3-相似矩阵与基变换;「对角化 = 找一组使矩阵最简单的基」这一说法在那里得到几何解释。

- 应用出口:长期行为与稳态用 10-2-Markov矩阵与稳态;迭代收敛性用 11-3-迭代方法与预条件;协方差矩阵与 PCA 用 12-2-协方差矩阵、7-3-主成分分析PCA;分解体系的全局对比见 附录-矩阵分解总览。

自测清单(能全部答出来才算掌握)

1. 为什么对角化要求 可逆?如果特征向量只有 个,能得到什么形式的部分结论?

2. 的不等号方向为什么不能反?举一个 的重根例子与一个 的例子。

3. 两个矩阵「迹相同、行列式相同、秩相同、特征值相同」却仍不相似,怎么解释?请构造一个 阶例子。

4. 不可对角化的矩阵如何求 ?为什么结果里会出现因子 ?这与最小多项式有什么关系?

5. 可对角化时, 的秩为什么可能远小于 的秩?请用 的情形解释。


相关笔记

  • 6-1-特征值引论:特征值、特征向量与特征多项式的定义与求法;本篇是它的直接延续。
  • 6-3-微分方程组与矩阵指数:把 换成连续版本 ,对角化变成计算矩阵指数 的钥匙。
  • 6-4-对称矩阵与正定矩阵:对称矩阵的对角化可以升级为正交对角化 ,本篇的一般结论在那里被加强。
  • 附录-矩阵分解总览: 与 、、 的统一对比,理解"对角化在整个分解体系中的位置"。
  • 8-3-相似矩阵与基变换:从线性变换与换基的角度重新解释相似矩阵与对角化。
  • 10-2-Markov矩阵与稳态:差分方程长时间行为的经典应用,Markov 矩阵的稳态由 决定。

参考来源

  • MIT OpenCourseWare 18.06 Linear Algebra(Gilbert Strang),Lecture 22: Diagonalization and powers of A:<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/resources/lecture-22-diagonalization-and-powers-of-a/>
  • Strang, Gilbert. Introduction to Linear Algebra, 5th ed. Wellesley-Cambridge Press, 2016, ISBN 9780980232776,第 6.2 节 "Diagonalizing a Matrix"。教材主页:<https://math.mit.edu/~gs/linearalgebra/>
  • NumPy 官方文档 numpy.linalg.eig(含"特征向量矩阵可能不满秩"的说明与浮点误差示例):<https://numpy.org/doc/stable/reference/generated/numpy.linalg.eig.html>
  • MIT OpenCourseWare 18.06 课程主页(视频、习题与考试题):<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
  • 同济大学数学系《线性代数》第六版,高等教育出版社,第五章第 2 节「相似矩阵与矩阵可对角化的条件」、第 3 节「实对称矩阵的对角化」。