---
title: 6-2-矩阵的对角化
aliases:
  - 对角化
  - Diagonalization
  - 矩阵幂
tags:
  - 线代/特征值
  - 类型/教程
created: 2026-10-11
updated: 2026-10-11
level: 进阶
chapter: "6.2"
prerequisites:
  - "[[6-1-特征值引论]]"
  - "[[3-4-线性无关基与维数]]"
sources:
  - https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/resources/lecture-22-diagonalization-and-powers-of-a/
  - https://math.mit.edu/~gs/linearalgebra/
  - https://numpy.org/doc/stable/reference/generated/numpy.linalg.eig.html
---

# 6-2-矩阵的对角化

> [!abstract] 一句话概括
> 如果 $n$ 阶矩阵 $A$ 有 $n$ 个线性无关的特征向量（eigenvector），把它们按列拼成矩阵 $S$，把对应的特征值（eigenvalue）按同样顺序放到对角线上得到 $\Lambda$，那么
> $$A = S\Lambda S^{-1}$$
> 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 $A^k$ 这类"难算"的问题被翻译成 $\lambda_i^k$ 这类"好算"的问题。
>
> 本篇覆盖：$A = S\Lambda S^{-1}$ 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、$A^k = S\Lambda^k S^{-1}$ 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 $A, B$ 都是 $n$ 阶方阵。若存在 $n$ 阶**可逆**矩阵 $M$，使得

$$B = M^{-1}AM,$$

则称 $A$ 与 $B$ **相似**，记作 $A \sim B$，并称 $M$ 为**过渡矩阵**（或相似变换矩阵）。

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

$$S^{-1}AS = \Lambda, \qquad \Lambda = \operatorname{diag}(\lambda_1, \lambda_2, \dots, \lambda_n) = \begin{bmatrix} \lambda_1 & & \\ & \ddots & \\ & & \lambda_n \end{bmatrix},$$

则称 $A$ **可对角化**。把 $A$ 化为对角形这件事，叫做对 $A$ 的**对角化**。

把上式两边左乘 $S$，得到本篇反复使用的主公式：

$$AS = S\Lambda \qquad\Longleftrightarrow\qquad \boxed{A = S\Lambda S^{-1}}$$

**说明（对角元不唯一）** 若把 $S$ 的列重新排序，$\Lambda$ 的对角元也按同样顺序重排，得到的仍是 $A$ 的一个对角化。所以对角化中的 $\Lambda$ 只在下述意义下唯一：对角线上恰好是 $A$ 的全部特征值（按代数重数计）。**但 $S$ 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 $A$ 有 $n$ 个线性无关的特征向量 $\mathbf{x}_1, \mathbf{x}_2, \dots, \mathbf{x}_n$，对应的特征值是 $\lambda_1, \dots, \lambda_n$，即

$$A\mathbf{x}_i = \lambda_i \mathbf{x}_i, \qquad i = 1, 2, \dots, n.$$

**第一步：把 $n$ 个特征向量按列拼成矩阵。**

$$S = \begin{bmatrix} \mathbf{x}_1 & \mathbf{x}_2 & \cdots & \mathbf{x}_n \end{bmatrix} = \begin{bmatrix} \uparrow & \uparrow & & \uparrow \\ \mathbf{x}_1 & \mathbf{x}_2 & \cdots & \mathbf{x}_n \\ \downarrow & \downarrow & & \downarrow \end{bmatrix}$$

**第二步：用"逐列看"的方式算 $AS$。** 矩阵乘法 $AS$ 的第 $i$ 列就是 $A$ 乘以 $S$ 的第 $i$ 列：

$$AS = \begin{bmatrix} A\mathbf{x}_1 & A\mathbf{x}_2 & \cdots & A\mathbf{x}_n \end{bmatrix} = \begin{bmatrix} \lambda_1 \mathbf{x}_1 & \lambda_2 \mathbf{x}_2 & \cdots & \lambda_n \mathbf{x}_n \end{bmatrix}.$$

**第三步：把右侧写成 $S\Lambda$。** 矩阵 $S$ 右乘对角矩阵 $\Lambda$ 的效果是"给第 $i$ 列乘上 $\lambda_i$"：

$$S\Lambda = \begin{bmatrix} \mathbf{x}_1 & \mathbf{x}_2 & \cdots & \mathbf{x}_n \end{bmatrix} \begin{bmatrix} \lambda_1 & & \\ & \ddots & \\ & & \lambda_n \end{bmatrix} = \begin{bmatrix} \lambda_1 \mathbf{x}_1 & \lambda_2 \mathbf{x}_2 & \cdots & \lambda_n \mathbf{x}_n \end{bmatrix}.$$

**第四步：合并。** 于是 $AS = S\Lambda$。由于 $\mathbf{x}_1, \dots, \mathbf{x}_n$ 线性无关，$S$ 的列线性无关，故 $S$ 可逆，两边左乘 $S^{-1}$：

$$S^{-1}AS = \Lambda, \qquad A = S\Lambda S^{-1}. \qquad \blacksquare$$

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：$A\mathbf{x}_i = \lambda_i \mathbf{x}_i$，以及"矩阵乘矩阵 = 逐列作用"。

---

## 二、为什么需要 $n$ 个线性无关的特征向量

上面的推导中，"$S$ 可逆"这一步是**要害**，而不是形式上的补充说明。

> [!important] 关键逻辑链
> $A = S\Lambda S^{-1}$ 存在 $\iff$ $S$ 可逆 $\iff$ $S$ 的 $n$ 列线性无关 $\iff$ $A$ 有 $n$ 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 $S^{-1}AS = \Lambda$ 是**等价变换**：$S^{-1}$ 必须存在，才能把 $AS = S\Lambda$ 两边"除掉 $S$"。

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

$$A S_k = S_k \Lambda_k,$$

其中 $\Lambda_k$ 是 $k$ 阶对角矩阵。但 $S_k$ 是一个"矮胖"矩阵，**没有逆**。$S_k$ 的列只张成 $\mathbb{R}^n$ 的一个 $k$ 维子空间，我们无法用它表示整个空间，也无法两边左乘 $S_k^{-1}$。这与"四大子空间"的语言完全一致：特征向量太少 $\iff$ 特征向量张不满 $\mathbb{R}^n$ $\iff$ 无法为 $A$ 找到一组由特征向量构成的**基**（basis）。

> [!tip] 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 $n$ 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 $\lambda_0$ 是 $A$ 的特征多项式 $\det(A - \lambda I) = 0$ 的根，则 $\lambda_0$ 作为该多项式因子的次数称为它的**代数重数**，记作 $a(\lambda_0)$。

**定义 6.2.4（几何重数，geometric multiplicity）** 特征值 $\lambda_0$ 对应的特征空间 $\mathbf{N}(A - \lambda_0 I)$ 的维数称为它的**几何重数**，记作 $g(\lambda_0)$：

$$g(\lambda_0) = \dim \mathbf{N}(A - \lambda_0 I) = n - \operatorname{rank}(A - \lambda_0 I).$$

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"。

> [!warning] 不等式方向不要记反
> 永远是 $1 \le g(\lambda_0) \le a(\lambda_0)$。**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**：$A$ 的每一列告诉我们"第 $i$ 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 $i$ 个基向量被送到 $\lambda_i$ 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 $\mathbf{u}$ 在标准基下的坐标是 $\mathbf{x}$，在特征向量基下的坐标是 $\mathbf{c}$，则 $\mathbf{x} = S\mathbf{c}$。考察 $A$ 在这两组坐标下的式子：

$$\mathbf{x}_{k+1} = A\mathbf{x}_k \quad\Longrightarrow\quad S\mathbf{c}_{k+1} = A S \mathbf{c}_k = S\Lambda \mathbf{c}_k \quad\Longrightarrow\quad \mathbf{c}_{k+1} = \Lambda \mathbf{c}_k.$$

在特征向量坐标里，$n$ 个分量**各自独立演化**：

$$c_i(k+1) = \lambda_i c_i(k) \quad\Longrightarrow\quad c_i(k) = \lambda_i^k c_i(0).$$

这就是对角化的全部几何内容：**它把耦合的 $n$ 维系统拆成 $n$ 个互不干扰的一维系统**。

### 3.2 图示（文字描述）

想象 $\mathbb{R}^2$ 平面上的变换 $A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$：

- 在标准基 $\mathbf{e}_1 = (1,0)^{\mathrm{T}}$、$\mathbf{e}_2 = (0,1)^{\mathrm{T}}$ 下，$A\mathbf{e}_1 = (2,1)^{\mathrm{T}}$ 已经偏离了 $\mathbf{e}_1$ 方向，$A\mathbf{e}_2 = (1,2)^{\mathrm{T}}$ 也偏离了 $\mathbf{e}_2$ 方向 —— 标准基下"看不出规律"。
- 沿 $45^\circ$ 方向的向量 $(1,1)^{\mathrm{T}}$ 被送到 $(3,3)^{\mathrm{T}}$，方向不变、长度变 3 倍；沿 $135^\circ$ 方向的向量 $(1,-1)^{\mathrm{T}}$ 被送到 $(-1,1)^{\mathrm{T}}$，方向不变、长度变 1 倍（被"翻转"）。
- 因此 $A$ 的本质是：**在 $45^\circ$ 方向拉伸 3 倍，在 $135^\circ$ 方向保持长度（乘 1）**，两个方向互相垂直、互不干扰。对角化 $\Lambda = \operatorname{diag}(3,1)$ 记录的正是这两个伸缩率。

若把坐标系旋转 $45^\circ$ 使新坐标轴对准这两个特征方向，矩阵就变成 $\begin{bmatrix} 3 & 0 \\ 0 & 1 \end{bmatrix}$。**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，$A$ 的迭代 $\mathbf{x}, A\mathbf{x}, A^2\mathbf{x}, \dots$ 的轨迹也被拆成了两个独立方向上的等比数列：$45^\circ$ 分量每步乘 3，$135^\circ$ 分量每步乘 1。所以：

- 若某个 $|\lambda_i| > 1$，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 $|\lambda_i| < 1$，所有分量都衰减，$\mathbf{x}_k \to \mathbf{0}$。

---

## 四、性质与定理

### 定理 6.2.1（对角化的充要条件）

**表述** 设 $A$ 是 $n$ 阶方阵。则 $A$ 可对角化，当且仅当 $A$ 有 $n$ 个线性无关的特征向量。

**证明**
（$\Rightarrow$）设 $A = S\Lambda S^{-1}$，其中 $S$ 可逆、$\Lambda$ 为对角矩阵。则 $AS = S\Lambda$，即 $A\mathbf{s}_i = \lambda_i \mathbf{s}_i$，其中 $\mathbf{s}_i$ 是 $S$ 的第 $i$ 列。于是每个 $\mathbf{s}_i$ 都是 $A$ 的特征向量（$\lambda_i$ 为对应特征值），而 $S$ 可逆意味着 $\mathbf{s}_1, \dots, \mathbf{s}_n$ 线性无关。故 $A$ 有 $n$ 个线性无关的特征向量。

（$\Leftarrow$）这是第一节 1.2 的推导：取 $n$ 个线性无关的特征向量拼成 $S$，可逆；$AS = S\Lambda$ 给出 $S^{-1}AS = \Lambda$，故 $A$ 可对角化。$\blacksquare$

**适用条件** $A$ 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 $S$、$\Lambda$ 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** $n$ 阶方阵 $A$ 可对角化，当且仅当 $A$ 的**每个**特征值都满足

$$g(\lambda_i) = a(\lambda_i),$$

即几何重数等于代数重数。

**证明**
设 $A$ 的互异特征值为 $\lambda_1, \dots, \lambda_m$，对应特征空间 $E_i = \mathbf{N}(A - \lambda_i I)$。

先证一个事实：**属于互异特征值的特征向量线性无关**。设 $\sum_{i=1}^{k} c_i \mathbf{v}_i = \mathbf{0}$ 是这些特征向量间最短的线性相关关系（$k$ 最小）。两边左乘 $A$：

$$\sum_{i=1}^{k} c_i \lambda_i \mathbf{v}_i = \mathbf{0}.$$

用它减去 $\lambda_k$ 倍的原式：

$$\sum_{i=1}^{k-1} c_i (\lambda_i - \lambda_k) \mathbf{v}_i = \mathbf{0}.$$

由于 $\lambda_i \ne \lambda_k$，系数 $c_i(\lambda_i - \lambda_k) \ne 0$ 当 $c_i \ne 0$，这给出了一个更短的相关关系，与 $k$ 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

$$\sum_{i=1}^{m} g(\lambda_i) = \dim\left( E_1 + E_2 + \cdots + E_m \right).$$

现在证明两个方向。

（$\Leftarrow$）设每个 $g(\lambda_i) = a(\lambda_i)$。特征多项式的次数为 $n$，而各代数重数之和 $\sum_i a(\lambda_i) = n$（计重数共 $n$ 个复根）。于是

$$\sum_{i=1}^{m} g(\lambda_i) = \sum_{i=1}^{m} a(\lambda_i) = n.$$

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

（$\Rightarrow$）设 $A$ 可对角化。则 $\sum_{j=1}^{M} g(\mu_j) = n$（$n$ 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 $i$ 有 $g(\lambda_i) < a(\lambda_i)$，则由定理 6.2.4 的 $g \le a$ 得

$$\sum_j g(\mu_j) < \sum_j a(\mu_j) = n,$$

与 $\sum_j g(\mu_j) = n$ 矛盾。故 $g(\lambda_i) = a(\lambda_i)$ 对一切 $i$ 成立。$\blacksquare$

**适用条件** 讨论代数重数时需在代数闭域（如 $\mathbb{C}$）上数根；在 $\mathbb{R}$ 上若特征多项式有复根，则 $A$ 在 $\mathbb{R}$ 上不可对角化，但在 $\mathbb{C}$ 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 $n$ 阶方阵 $A$ 的 $n$ 个特征值互不相同，则 $A$ 有 $n$ 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 $1 \le g(\lambda_i) \le a(\lambda_i) = 1$，故 $g(\lambda_i) = 1 = a(\lambda_i)$。由定理 6.2.2，$A$ 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"。$\blacksquare$

**适用条件** 这是**充分不必要**条件。特征值有重根时 $A$ 仍可能可对角化（例 6.2.3 的 $\lambda = 1$ 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 $A$ 的任一特征值 $\lambda_0$，有 $1 \le g(\lambda_0) \le a(\lambda_0)$。

**证明思路** 取特征空间 $E = \mathbf{N}(A - \lambda_0 I)$ 的一组基 $\mathbf{v}_1, \dots, \mathbf{v}_g$（$g = g(\lambda_0)$），把它扩充为 $\mathbb{R}^n$ 的一组基 $\mathbf{v}_1, \dots, \mathbf{v}_g, \mathbf{w}_{g+1}, \dots, \mathbf{w}_n$，令 $P$ 为这组基按列拼成的可逆矩阵。则

$$P^{-1}AP = \begin{bmatrix} \lambda_0 I_g & B \\ 0 & C \end{bmatrix},$$

因为对前 $g$ 列有 $A\mathbf{v}_i = \lambda_0 \mathbf{v}_i$，所以在 $\mathbf{v}$ 基下前 $g$ 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

$$\det(P^{-1}AP - \lambda I) = \det(\lambda_0 I_g - \lambda I_g)\cdot \det(C - \lambda I) = (\lambda_0 - \lambda)^g \det(C - \lambda I).$$

所以 $\lambda_0$ 在特征多项式中至少出现 $g$ 次，即 $g(\lambda_0) \le a(\lambda_0)$。$g \ge 1$ 是显然的（特征空间非零）。$\blacksquare$

**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 $B = M^{-1}AM$（$M$ 可逆），则 $A$ 与 $B$ 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：
$$\det(B - \lambda I) = \det(M^{-1}AM - \lambda M^{-1}M) = \det\left(M^{-1}(A - \lambda I)M\right) = \det(M^{-1})\det(A-\lambda I)\det(M) = \det(A - \lambda I).$$
**特征值相同**立即由此得出。**迹**：特征多项式是 $\lambda^n - (\operatorname{tr}A)\lambda^{n-1} + \cdots + (-1)^n \det A$，多项式相同故 $\operatorname{tr}$ 与 $\det$ 相同（也可直接算 $\operatorname{tr}(M^{-1}AM) = \operatorname{tr}(AMM^{-1}) = \operatorname{tr}A$，这里用了轮换性质 $\operatorname{tr}(XY) = \operatorname{tr}(YX)$）。**秩**：$M$、$M^{-1}$ 可逆即满秩，左乘右乘可逆矩阵不改变秩，故 $\operatorname{rank}(M^{-1}AM) = \operatorname{rank}(A)$。$\blacksquare$

> [!important] 相似不变量清单
> | 不变量 | 是否相似不变 | 说明 |
> |---|---|---|
> | 特征多项式 $\det(A - \lambda I)$ | 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 $\operatorname{tr}A = \sum \lambda_i$ | 是 | 特征多项式的 $n-1$ 次项系数 |
> | 行列式 $\det A = \prod \lambda_i$ | 是 | 特征多项式的常数项 |
> | 秩 $\operatorname{rank}A$ | 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 $M^{-1}$ 同构映射 |
> | 列空间 $\mathbf{C}(A)$ | **否** | $M^{-1}$ 把列空间搬到别处 |
> | 特征向量本身 | **否** | $A\mathbf{x} = \lambda\mathbf{x} \Rightarrow B(M^{-1}\mathbf{x}) = \lambda (M^{-1}\mathbf{x})$，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

$$A = \begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}, \qquad B = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}$$

的特征多项式都是 $(\lambda - 1)^2$，但 $A$ 可对角化（$A$ 本身就是对角阵，且 $A \sim I$ 只能相似于 $I$）而 $B$ 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（$A$ 与 $A^{\mathrm{T}}$ 相似）

**表述** 任意方阵 $A$ 与其转置 $A^{\mathrm{T}}$ 相似。

**证明思路（路线一：Jordan 形）** 在 $\mathbb{C}$ 上，任何方阵都相似于唯一的 Jordan 形 $J$（不计块的排列顺序），即 $A = M^{-1}JM$。对 Jordan 块 $J_k(\lambda) = \lambda I + N$（$N$ 是移位矩阵）取转置得到 $J_k(\lambda)^{\mathrm{T}} = \lambda I + N^{\mathrm{T}}$，它仍是同阶的 Jordan 块（$N^{\mathrm{T}}$ 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 $J^{\mathrm{T}}$ 与 $J$ 相似，进而

$$A^{\mathrm{T}} = (M^{-1}JM)^{\mathrm{T}} = M^{\mathrm{T}} J^{\mathrm{T}} (M^{-1})^{\mathrm{T}} = M^{\mathrm{T}} J^{\mathrm{T}} (M^{\mathrm{T}})^{-1},$$

即 $A^{\mathrm{T}}$ 相似于 $J^{\mathrm{T}}$，而 $J^{\mathrm{T}} \sim J \sim A$，由相似的传递性得 $A^{\mathrm{T}} \sim A$。

**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：

$$\det(A^{\mathrm{T}} - \lambda I) = \det\left((A - \lambda I)^{\mathrm{T}}\right) = \det(A - \lambda I),$$

其中用了 $\det(B^{\mathrm{T}}) = \det B$（见 [[5-1-行列式的性质]]）。所以 $A$ 与 $A^{\mathrm{T}}$ 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 $\lambda I - A$ 的不变因子决定；$\lambda I - A^{\mathrm{T}} = (\lambda I - A)^{\mathrm{T}}$ 与 $\lambda I - A$ 有相同的行列式因子，故不变因子相同）。于是 $A \sim J \sim A^{\mathrm{T}}$。

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

> [!note] 一个值得记住的推论
> 既然 $A \sim A^{\mathrm{T}}$，那么 $A$ 与 $A^{\mathrm{T}}$ **必有相同的特征值**。这一点用起来很方便：算 $A$ 的特征多项式算不动时，可以改算 $A^{\mathrm{T}}$ 的（两者恒等，但行列式展开的手感可能不同）。另外，$A$ 与 $A^{\mathrm{T}}$ 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 $A$ 与 $A^{\mathrm{T}}$ 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

> [!tip] 五步法
> 1. **求特征值**：解特征方程 $\det(A - \lambda I) = 0$，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** $a(\lambda_i)$。
> 2. **逐个求特征空间**：对每个特征值 $\lambda_i$，解齐次方程 $(A - \lambda_i I)\mathbf{x} = \mathbf{0}$，即求零空间 $\mathbf{N}(A - \lambda_i I)$。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** $g(\lambda_i)$。
> 3. **判可对角化**：比较每个特征值。若**所有** $g(\lambda_i) = a(\lambda_i)$，则可对角化；只要有一个 $g(\lambda_i) < a(\lambda_i)$，就**不可对角化**（此时若题目要求，改求 Jordan 形）。
> 4. **拼 $S$ 与 $\Lambda$**：把全部特征向量（共 $n$ 个，即各特征空间的基础解系拼起来）按列排成 $S$；$\Lambda$ 的对角元按 $S$ 的列的**同一顺序**填对应特征值。
> 5. **（可选）验算**：抽查 $AS = S\Lambda$ 是否成立，或验证 $\operatorname{tr}\Lambda = \operatorname{tr}A$、$\det\Lambda = \det A$。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 $A^k$ 的步骤

1. 按 5.1 求出 $A = S\Lambda S^{-1}$。
2. 取幂：$A^k = S\Lambda^k S^{-1}$，其中
$$\Lambda^k = \begin{bmatrix} \lambda_1^k & & \\ & \ddots & \\ & & \lambda_n^k \end{bmatrix}.$$
3. 若只需 $A^k\mathbf{u}_0$，**不必算出 $A^k$**：令 $S\mathbf{c} = \mathbf{u}_0$（即解线性方程组求 $\mathbf{c}$），则
$$A^k\mathbf{u}_0 = S\Lambda^k \mathbf{c} = c_1\lambda_1^k \mathbf{x}_1 + c_2\lambda_2^k\mathbf{x}_2 + \cdots + c_n\lambda_n^k \mathbf{x}_n.$$
4. 观察长时间行为：$k \to \infty$ 时，由 $|\lambda_i|$ 最大的项主导。

> [!important] 为什么 $A^k = S\Lambda^k S^{-1}$
> 中间的 $S^{-1}S$ 反复相消：
> $$A^2 = (S\Lambda S^{-1})(S\Lambda S^{-1}) = S\Lambda (S^{-1}S) \Lambda S^{-1} = S\Lambda^2 S^{-1}.$$
> 归纳即得 $A^k = S\Lambda^k S^{-1}$。**注意这个技巧依赖 $A$ 与 $S\Lambda S^{-1}$ 是同一个式子**；如果写成 $A = S\Lambda S^{-1}$、$B = T\Lambda T^{-1}$ 且 $S \ne T$，就不能这样相消。

### 5.3 用 numpy 验证对角化

```python
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])
```

> [!warning] 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：$\begin{bmatrix} 1 + 10^{-9} & 0 \\ 0 & 1 - 10^{-9} \end{bmatrix}$ 理论上特征值是 $1 \pm 10^{-9}$，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 $A = \begin{bmatrix} 1 & 2 \\ 0 & 3 \end{bmatrix}$ 对角化，并用结果计算 $A^5$。

**解**

**第一步：求特征值。** $A$ 是上三角矩阵，特征值就是对角元，或直接展开：

$$\det(A - \lambda I) = \begin{vmatrix} 1 - \lambda & 2 \\ 0 & 3 - \lambda \end{vmatrix} = (1-\lambda)(3-\lambda).$$

故 $\lambda_1 = 1$，$\lambda_2 = 3$，都是代数重数 1 的单根。由定理 6.2.3，$A$ **必可对角化**，无需再检查。

**第二步：求 $\lambda_1 = 1$ 的特征向量。** 解 $(A - I)\mathbf{x} = \mathbf{0}$：

$$A - I = \begin{bmatrix} 0 & 2 \\ 0 & 2 \end{bmatrix} \xrightarrow{\text{消元}} \begin{bmatrix} 0 & 2 \\ 0 & 0 \end{bmatrix} \Longrightarrow 2x_2 = 0 \Longrightarrow x_2 = 0.$$

$x_1$ 是自由变量。基础解系取 $\mathbf{x}_1 = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$。

**第三步：求 $\lambda_2 = 3$ 的特征向量。** 解 $(A - 3I)\mathbf{x} = \mathbf{0}$：

$$A - 3I = \begin{bmatrix} -2 & 2 \\ 0 & 0 \end{bmatrix} \Longrightarrow -2x_1 + 2x_2 = 0 \Longrightarrow x_1 = x_2.$$

取 $\mathbf{x}_2 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$。

**第四步：拼 $S$ 与 $\Lambda$。**

$$S = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}, \qquad \Lambda = \begin{bmatrix} 1 & 0 \\ 0 & 3 \end{bmatrix}.$$

注意**顺序对应**：$S$ 的第 1 列 $\mathbf{x}_1$ 对应 $\lambda_1 = 1$，第 2 列 $\mathbf{x}_2$ 对应 $\lambda_2 = 3$。

**第五步：求 $S^{-1}$。** 对 $2\times2$ 矩阵用公式 $\begin{bmatrix} a & b \\ c & d \end{bmatrix}^{-1} = \frac{1}{ad - bc}\begin{bmatrix} d & -b \\ -c & a \end{bmatrix}$，$\det S = 1\cdot 1 - 1\cdot 0 = 1$，故

$$S^{-1} = \begin{bmatrix} 1 & -1 \\ 0 & 1 \end{bmatrix}.$$

**第六步：验算。** 检查 $S^{-1}AS = \Lambda$：

$$S^{-1}AS = \begin{bmatrix} 1 & -1 \\ 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & 2 \\ 0 & 3 \end{bmatrix}\begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix} = \begin{bmatrix} 1 & -1 \\ 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & 3 \\ 0 & 3 \end{bmatrix} = \begin{bmatrix} 1 & 0 \\ 0 & 3 \end{bmatrix} = \Lambda. \quad \checkmark$$

再验两个不变量：$\operatorname{tr}\Lambda = 1 + 3 = 4 = 1 + 3 = \operatorname{tr}A$ ✓；$\det\Lambda = 3 = \det A$ ✓。

**第七步：计算 $A^5$。** 由 $A^5 = S\Lambda^5 S^{-1}$：

$$\Lambda^5 = \begin{bmatrix} 1^5 & 0 \\ 0 & 3^5 \end{bmatrix} = \begin{bmatrix} 1 & 0 \\ 0 & 243 \end{bmatrix},$$

$$A^5 = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & 0 \\ 0 & 243 \end{bmatrix}\begin{bmatrix} 1 & -1 \\ 0 & 1 \end{bmatrix} = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & -1 \\ 0 & 243 \end{bmatrix} = \begin{bmatrix} 1 & 242 \\ 0 & 243 \end{bmatrix}.$$

**答** $A = S\Lambda S^{-1}$，其中 $S = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}$、$\Lambda = \begin{bmatrix} 1 & 0 \\ 0 & 3 \end{bmatrix}$；$A^5 = \begin{bmatrix} 1 & 242 \\ 0 & 243 \end{bmatrix}$。

> [!tip] 用题目本身做自检
> 直接手算验证一下也很快：$A^2 = \begin{bmatrix} 1 & 8 \\ 0 & 9 \end{bmatrix}$，$A^3 = A^2A = \begin{bmatrix} 1 & 26 \\ 0 & 27 \end{bmatrix}$。规律是 $(A^k)_{12} = 3^k - 1$，$(A^k)_{22} = 3^k$。取 $k = 5$：$243 - 1 = 242$ ✓，$3^5 = 243$ ✓。**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 $F_0 = 0$、$F_1 = 1$、$F_{k+2} = F_{k+1} + F_k$ 定义。用矩阵对角化导出 $F_k$ 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

$$\mathbf{u}_k = \begin{bmatrix} F_{k+1} \\ F_k \end{bmatrix}, \qquad \mathbf{u}_0 = \begin{bmatrix} F_1 \\ F_0 \end{bmatrix} = \begin{bmatrix} 1 \\ 0 \end{bmatrix}.$$

则

$$\mathbf{u}_{k+1} = \begin{bmatrix} F_{k+2} \\ F_{k+1} \end{bmatrix} = \begin{bmatrix} F_{k+1} + F_k \\ F_{k+1} \end{bmatrix} = \begin{bmatrix} 1 & 1 \\ 1 & 0 \end{bmatrix}\begin{bmatrix} F_{k+1} \\ F_k \end{bmatrix} = A\mathbf{u}_k.$$

记 $A = \begin{bmatrix} 1 & 1 \\ 1 & 0 \end{bmatrix}$，于是 $\mathbf{u}_k = A^k \mathbf{u}_0$。（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。**

$$\det(A - \lambda I) = \begin{vmatrix} 1 - \lambda & 1 \\ 1 & -\lambda \end{vmatrix} = (1-\lambda)(-\lambda) - 1 = \lambda^2 - \lambda - 1.$$

解 $\lambda^2 - \lambda - 1 = 0$：

$$\lambda = \frac{1 \pm \sqrt{1 + 4}}{2} = \frac{1 \pm \sqrt{5}}{2}.$$

记

$$\lambda_1 = \frac{1 + \sqrt{5}}{2} \approx 1.618, \qquad \lambda_2 = \frac{1 - \sqrt{5}}{2} \approx -0.618.$$

（$\lambda_1$ 就是**黄金比** $\varphi$。两个特征值互异，故可对角化。）

**第三步：求特征向量。**

对 $\lambda_1$：$(A - \lambda_1 I)\mathbf{x} = \mathbf{0}$，

$$\begin{bmatrix} 1 - \lambda_1 & 1 \\ 1 & -\lambda_1 \end{bmatrix}\begin{bmatrix} x_1 \\ x_2 \end{bmatrix} = \mathbf{0}.$$

用第二行：$x_1 - \lambda_1 x_2 = 0$，即 $x_1 = \lambda_1 x_2$。取 $x_2 = 1$，得

$$\mathbf{x}_1 = \begin{bmatrix} \lambda_1 \\ 1 \end{bmatrix}.$$

对 $\lambda_2$ 同理得 $\mathbf{x}_2 = \begin{bmatrix} \lambda_2 \\ 1 \end{bmatrix}$。于是

$$S = \begin{bmatrix} \lambda_1 & \lambda_2 \\ 1 & 1 \end{bmatrix}, \qquad \Lambda = \begin{bmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{bmatrix}.$$

**第四步：把初值写成特征向量的组合。** 令 $\mathbf{u}_0 = c_1\mathbf{x}_1 + c_2\mathbf{x}_2$，即解 $S\mathbf{c} = \mathbf{u}_0$：

$$\begin{bmatrix} \lambda_1 & \lambda_2 \\ 1 & 1 \end{bmatrix}\begin{bmatrix} c_1 \\ c_2 \end{bmatrix} = \begin{bmatrix} 1 \\ 0 \end{bmatrix}.$$

第二行给 $c_1 + c_2 = 0$，即 $c_2 = -c_1$。第一行给 $\lambda_1 c_1 + \lambda_2 c_2 = 1$，代入 $c_2 = -c_1$：

$$c_1(\lambda_1 - \lambda_2) = 1 \Longrightarrow c_1 = \frac{1}{\lambda_1 - \lambda_2} = \frac{1}{\sqrt{5}}, \qquad c_2 = -\frac{1}{\sqrt{5}}.$$

**第五步：写通项。**

$$\mathbf{u}_k = A^k\mathbf{u}_0 = c_1\lambda_1^k \mathbf{x}_1 + c_2\lambda_2^k\mathbf{x}_2 = \frac{1}{\sqrt{5}}\lambda_1^k\begin{bmatrix} \lambda_1 \\ 1 \end{bmatrix} - \frac{1}{\sqrt{5}}\lambda_2^k \begin{bmatrix} \lambda_2 \\ 1 \end{bmatrix}.$$

取第一个分量：

$$F_{k+1} = \frac{\lambda_1^{k+1} - \lambda_2^{k+1}}{\sqrt{5}}.$$

把指标换成 $n = k+1$，得 **Binet 公式**：

$$\boxed{F_n = \frac{1}{\sqrt{5}}\left[\left(\frac{1+\sqrt{5}}{2}\right)^n - \left(\frac{1-\sqrt{5}}{2}\right)^n\right]}$$

**第六步：验算。** 取 $n = 1, 2, 3, 4, 5$（注意 $\lambda_1 - \lambda_2 = \sqrt{5}$）：

| $n$ | $\lambda_1^n$ | $\lambda_2^n$ | $(\lambda_1^n - \lambda_2^n)/\sqrt{5}$ | $F_n$ |
|---|---|---|---|---|
| 1 | 1.618034 | $-0.618034$ | $2.236068/2.236068 = 1.000$ | 1 |
| 2 | 2.618034 | $0.381966$ | $2.236068/2.236068 = 1.000$ | 1 |
| 3 | 4.236068 | $-0.236068$ | $4.472136/2.236068 = 2.000$ | 2 |
| 4 | 6.854102 | $0.145898$ | $6.708204/2.236068 = 3.000$ | 3 |
| 5 | 11.090170 | $-0.090170$ | $11.180340/2.236068 = 5.000$ | 5 |

全部吻合 ✓。

**答** $F_n = \dfrac{\lambda_1^n - \lambda_2^n}{\sqrt{5}}$，其中 $\lambda_{1,2} = \dfrac{1 \pm \sqrt{5}}{2}$。

> [!important] 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 $|\lambda_2| < 0.62 < 1$，第二项随 $n$ 迅速衰减，所以 $F_n \approx \lambda_1^n/\sqrt{5}$，且 $F_{n+1}/F_n \to \lambda_1 = \varphi$（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 $A^k$**。若只需要 $A^k\mathbf{u}_0$，解一次 $S\mathbf{c} = \mathbf{u}_0$（$2\times2$ 的方程组）就够了，比求 $S^{-1}$ 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 $A = \begin{bmatrix} 2 & 0 & 0 \\ 0 & 3 & 4 \\ 0 & 4 & 9 \end{bmatrix}$ 是否可对角化；若可，求出 $S$ 与 $\Lambda$。

**解**

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

$$\det(A - \lambda I) = (2 - \lambda)\cdot\begin{vmatrix} 3 - \lambda & 4 \\ 4 & 9 - \lambda \end{vmatrix} = (2-\lambda)\left[(3-\lambda)(9-\lambda) - 16\right].$$

展开中括号：

$$(3-\lambda)(9-\lambda) - 16 = 27 - 12\lambda + \lambda^2 - 16 = \lambda^2 - 12\lambda + 11 = (\lambda - 1)(\lambda - 11).$$

所以

$$\det(A - \lambda I) = (2 - \lambda)(\lambda - 1)(\lambda - 11),$$

特征值为 $\lambda = 2,\ 1,\ 11$，**三个互异单根**（把符号整理成 $(2-\lambda)(1-\lambda)(11-\lambda)$ 更直观：特征多项式 $= (2-\lambda)(1-\lambda)(11-\lambda)$）。由定理 6.2.3，$A$ **可对角化**：

$$a(2) = a(1) = a(11) = 1.$$

顺便验一下不变量：$\operatorname{tr}A = 2 + 3 + 9 = 14$，而 $2 + 1 + 11 = 14$ ✓；$\det A = 2 \times (27 - 16) = 2 \times 11 = 22$，而 $2 \times 1 \times 11 = 22$ ✓。

**第二步：求各个特征向量。**

**对 $\lambda = 11$：** 解 $(A - 11I)\mathbf{x} = \mathbf{0}$，

$$A - 11I = \begin{bmatrix} -9 & 0 & 0 \\ 0 & -8 & 4 \\ 0 & 4 & -2 \end{bmatrix} \xrightarrow{\text{消元}} \begin{bmatrix} -9 & 0 & 0 \\ 0 & -8 & 4 \\ 0 & 0 & 0 \end{bmatrix}.$$

第一行给 $x_1 = 0$；第二行给 $-8x_2 + 4x_3 = 0$，即 $x_3 = 2x_2$。取 $x_2 = 1$：

$$\mathbf{x}_1 = \begin{bmatrix} 0 \\ 1 \\ 2 \end{bmatrix}.$$

**对 $\lambda = 1$：** $A - I = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 2 & 4 \\ 0 & 4 & 8 \end{bmatrix}$，第三行是第二行的 2 倍，消元后

$$\begin{bmatrix} 1 & 0 & 0 \\ 0 & 2 & 4 \\ 0 & 0 & 0 \end{bmatrix} \Longrightarrow x_1 = 0,\quad 2x_2 + 4x_3 = 0 \Longrightarrow x_2 = -2x_3.$$

取 $x_3 = 1$：

$$\mathbf{x}_2 = \begin{bmatrix} 0 \\ -2 \\ 1 \end{bmatrix}.$$

**对 $\lambda = 2$：** $A - 2I = \begin{bmatrix} 0 & 0 & 0 \\ 0 & 1 & 4 \\ 0 & 4 & 7 \end{bmatrix}$，消元：

$$\begin{bmatrix} 0 & 0 & 0 \\ 0 & 1 & 4 \\ 0 & 0 & -9 \end{bmatrix} \Longrightarrow x_2 + 4x_3 = 0,\quad -9x_3 = 0 \Longrightarrow x_2 = x_3 = 0.$$

$x_1$ 自由，取

$$\mathbf{x}_3 = \begin{bmatrix} 1 \\ 0 \\ 0 \end{bmatrix}.$$

**第三步：拼 $S$ 与 $\Lambda$。**

$$S = \begin{bmatrix} 0 & 0 & 1 \\ 1 & -2 & 0 \\ 2 & 1 & 0 \end{bmatrix}, \qquad \Lambda = \begin{bmatrix} 11 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 2 \end{bmatrix}.$$

**第四步：验证 $S$ 可逆并抽查。** 沿第一行展开：

$$\det S = 1 \cdot \begin{vmatrix} 1 & -2 \\ 2 & 1 \end{vmatrix} = 1\cdot(1 + 4) = 5 \ne 0,$$

故 $S$ 可逆 ✓。抽查 $A\mathbf{x}_1 = 11\mathbf{x}_1$：

$$A\mathbf{x}_1 = \begin{bmatrix} 2 & 0 & 0 \\ 0 & 3 & 4 \\ 0 & 4 & 9 \end{bmatrix}\begin{bmatrix} 0 \\ 1 \\ 2 \end{bmatrix} = \begin{bmatrix} 0 \\ 3 + 8 \\ 4 + 18 \end{bmatrix} = \begin{bmatrix} 0 \\ 11 \\ 22 \end{bmatrix} = 11\begin{bmatrix} 0 \\ 1 \\ 2 \end{bmatrix}. \quad \checkmark$$

**答** $A$ 可对角化，$S$ 与 $\Lambda$ 如上。

> [!warning] 别把"对称"和"正交"混为一谈
> 这个 $A$ 其实是对称矩阵（$A^{\mathrm{T}} = A$）。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 $Q$ 使 $A = Q\Lambda Q^{\mathrm{T}}$。
> 但我们这里求出的 $S$ 的三列**既不互相垂直也不是单位向量**：$\mathbf{x}_1\cdot\mathbf{x}_2 = 0\cdot 0 + 1\cdot(-2) + 2\cdot 1 = 0$（这一对恰好垂直），但 $\mathbf{x}_3\cdot\mathbf{x}_1 = 0$、$\mathbf{x}_3 \cdot \mathbf{x}_3 = 1$、$\|\mathbf{x}_1\| = \sqrt{5}$。所以这里的 $S$ **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 $A = S\Lambda S^{-1}$；只有对称矩阵才能升级为 $A = Q\Lambda Q^{\mathrm{T}}$。本题只是碰巧 $A$ 对称，用一般方法算出的 $S$ 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 $J = \begin{bmatrix} 2 & 1 \\ 0 & 2 \end{bmatrix}$ 能否对角化。

**解**

**第一步：求特征值与代数重数。**

$$\det(J - \lambda I) = \begin{vmatrix} 2 - \lambda & 1 \\ 0 & 2 - \lambda \end{vmatrix} = (2-\lambda)^2.$$

唯一特征值 $\lambda = 2$，**代数重数** $a(2) = 2$。

**第二步：求特征空间，定几何重数。** 解 $(J - 2I)\mathbf{x} = \mathbf{0}$：

$$J - 2I = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}.$$

方程是 $x_2 = 0$，$x_1$ 自由。所以

$$\mathbf{N}(J - 2I) = \left\{ t\begin{bmatrix} 1 \\ 0 \end{bmatrix} : t \in \mathbb{R} \right\}, \qquad \dim = 1.$$

即**几何重数** $g(2) = 1$。

**第三步：判别。** $g(2) = 1 < 2 = a(2)$，由定理 6.2.2，**$J$ 不可对角化**。

**第四步：从"特征向量不够"直接看结论。** $J$ 的全部特征向量都是 $\begin{bmatrix} t \\ 0 \end{bmatrix}$ 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 $2$ 个线性无关的特征向量。**无论怎样选取，$S$ 的第二列都无法与第一列线性无关**，$S$ 必定奇异。因此 $S^{-1}$ 不存在，$A = S\Lambda S^{-1}$ 无从谈起。

换个角度，假设 $J$ 可对角化：由于唯一特征值是 2，$\Lambda$ 只能是 $\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix} = 2I$。于是

$$J = S\Lambda S^{-1} = S(2I)S^{-1} = 2\,SS^{-1} = 2I = \begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix},$$

与 $J = \begin{bmatrix} 2 & 1 \\ 0 & 2 \end{bmatrix}$ 矛盾。**故 $J$ 不可对角化。**

**第五步：那 $J^k$ 怎么算？** 注意 $J = 2I + N$，其中 $N = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$。因为 $2I$ 与 $N$ **可交换**（$2I$ 与任何矩阵都可交换），二项式定理可用：

$$J^k = (2I + N)^k = \sum_{i=0}^{k}\binom{k}{i}(2I)^{k-i}N^i.$$

而 $N^2 = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix} = \begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix} = O$，所以 $i \ge 2$ 的项全为 $\mathbf{0}$，只剩两项：

$$J^k = (2I)^k + k(2I)^{k-1}N = \begin{bmatrix} 2^k & 0 \\ 0 & 2^k \end{bmatrix} + k2^{k-1}\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix} = \begin{bmatrix} 2^k & k\,2^{k-1} \\ 0 & 2^k \end{bmatrix}.$$

**验算** $k = 5$：$J^5 = \begin{bmatrix} 32 & 5\times 16 \\ 0 & 32 \end{bmatrix} = \begin{bmatrix} 32 & 80 \\ 0 & 32 \end{bmatrix}$，与直接计算完全一致 ✓。

**答** $J$ 不可对角化，因为 $g(2) = 1 < a(2) = 2$（特征向量不够 2 个）。补救办法：把它拆成 $2I + N$（$N$ 幂零），或使用 Jordan 形（见下节 7.3）。

> [!warning] 这个例子的三个教训
> 1. **有 $n$ 个特征值（计重数）不等于有 $n$ 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"$A$ 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 $\dim\mathbf{N}(A - \lambda I)$。反例：$\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}$ 有重根 $\lambda = 2$，但它是单位矩阵的倍数，特征空间是**整个** $\mathbb{R}^2$，$g(2) = 2 = a(2)$，当然可对角化（$\Lambda = A$，$S = I$）。
> 3. **不可对角化≠无法计算幂**。用 $A = \lambda I + N$ 的二项式展开（$N$ 幂零）照样能得到 $A^k$ 的显式公式，而且公式里出现了 $\lambda^{k-1}$ 前面的因子 $k$ ——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 $\mathbf{u}_{k+1} = A\mathbf{u}_k$，其中 $A = \begin{bmatrix} 0.8 & 0.2 \\ 0.2 & 0.8 \end{bmatrix}$，$\mathbf{u}_0 = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$。求 $\mathbf{u}_k$ 的通解，并说明 $k \to \infty$ 时的极限。

**解**

**第一步：求特征值。**

$$\det(A - \lambda I) = \begin{vmatrix} 0.8 - \lambda & 0.2 \\ 0.2 & 0.8 - \lambda \end{vmatrix} = (0.8-\lambda)^2 - 0.04 = \lambda^2 - 1.6\lambda + 0.6.$$

因式分解：$\lambda^2 - 1.6\lambda + 0.6 = (\lambda - 1)(\lambda - 0.6)$。故

$$\lambda_1 = 1, \qquad \lambda_2 = 0.6.$$

（自检：$\operatorname{tr} = 1.6 = 1 + 0.6$ ✓，$\det = 0.6 = 1 \times 0.6$ ✓。）

**第二步：求特征向量。**

$\lambda_1 = 1$：$A - I = \begin{bmatrix} -0.2 & 0.2 \\ 0.2 & -0.2 \end{bmatrix}$，方程 $-0.2x_1 + 0.2x_2 = 0$，即 $x_1 = x_2$。取 $\mathbf{x}_1 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$。

$\lambda_2 = 0.6$：$A - 0.6I = \begin{bmatrix} 0.2 & 0.2 \\ 0.2 & 0.2 \end{bmatrix}$，方程 $x_1 + x_2 = 0$，即 $x_2 = -x_1$。取 $\mathbf{x}_2 = \begin{bmatrix} 1 \\ -1 \end{bmatrix}$。

（顺带注意：$\mathbf{x}_1 \perp \mathbf{x}_2$，因为 $A$ 是对称矩阵。）

**第三步：分解初值。** 令 $\mathbf{u}_0 = c_1\mathbf{x}_1 + c_2\mathbf{x}_2$：

$$\begin{bmatrix} 1 \\ 0 \end{bmatrix} = c_1\begin{bmatrix} 1 \\ 1 \end{bmatrix} + c_2\begin{bmatrix} 1 \\ -1 \end{bmatrix} \Longrightarrow \begin{cases} c_1 + c_2 = 1 \\ c_1 - c_2 = 0 \end{cases} \Longrightarrow c_1 = c_2 = \frac{1}{2}.$$

**第四步：写通解。**

$$\mathbf{u}_k = A^k\mathbf{u}_0 = \frac{1}{2}(1)^k\begin{bmatrix} 1 \\ 1 \end{bmatrix} + \frac{1}{2}(0.6)^k\begin{bmatrix} 1 \\ -1 \end{bmatrix} = \frac{1}{2}\begin{bmatrix} 1 + 0.6^k \\ 1 - 0.6^k \end{bmatrix}.$$

**第五步：验证。** $k = 1$：$\mathbf{u}_1 = \frac{1}{2}\begin{bmatrix} 1.6 \\ 0.4 \end{bmatrix} = \begin{bmatrix} 0.8 \\ 0.2 \end{bmatrix}$，而 $A\mathbf{u}_0 = \begin{bmatrix} 0.8 \\ 0.2 \end{bmatrix}$ ✓。

$k = 5$：$\mathbf{u}_5 = \frac{1}{2}\begin{bmatrix} 1 + 0.07776 \\ 1 - 0.07776 \end{bmatrix} = \begin{bmatrix} 0.53888 \\ 0.46112 \end{bmatrix}$ ✓（与数值计算一致）。

**第六步：长时间行为。** 因为 $|\lambda_2| = 0.6 < 1$，项 $0.6^k \to 0$，所以

$$\mathbf{u}_k \longrightarrow \frac{1}{2}\begin{bmatrix} 1 \\ 1 \end{bmatrix} = \begin{bmatrix} 0.5 \\ 0.5 \end{bmatrix} \quad (k \to \infty).$$

**答** $\mathbf{u}_k = \frac{1}{2}\begin{bmatrix} 1 + 0.6^k \\ 1 - 0.6^k \end{bmatrix}$，当 $k\to\infty$ 时 $\mathbf{u}_k \to (0.5, 0.5)^{\mathrm{T}}$。

> [!important] 长时间行为的判定法则
> 设 $A$ 可对角化，$\mathbf{u}_0 = \sum_i c_i \mathbf{x}_i$，则 $\mathbf{u}_k = \sum_i c_i \lambda_i^k \mathbf{x}_i$。当 $k$ 很大时：
> - 若某个 $|\lambda_i| > 1$：该项指数增长，$\|\mathbf{u}_k\| \to \infty$（除非它的系数 $c_i = 0$）。**主导项是 $|\lambda_i|$ 最大的那个**，$\mathbf{u}_k$ 的方向趋于该特征方向。
> - 若所有 $|\lambda_i| < 1$：所有项衰减，$\mathbf{u}_k \to \mathbf{0}$。
> - 若所有 $|\lambda_i| \le 1$ 且 $|\lambda_i| = 1$ 的特征值都是单根：$\mathbf{u}_k$ 收敛到稳态 $\sum_{|\lambda_i| = 1} c_i\lambda_i^k\mathbf{x}_i$（$|\lambda_i| = 1$ 的项不衰减也不增长）。本题就是这种情形：$\lambda_1 = 1$ 给出稳态，$\lambda_2 = 0.6$ 的成分被"洗掉"。
> - 若某个 $|\lambda_i| = 1$ 而代数重数大于几何重数：$\mathbf{u}_k$ 会**线性增长**（出现 $k$ 因子），不收敛。
>
> Markov 矩阵的稳态正是"$\lambda_1 = 1$、其余 $|\lambda_i| < 1$"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 $R = \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}$ 在 $\mathbb{R}$ 上是否可对角化。

**解** 特征多项式 $\det(R - \lambda I) = \lambda^2 + 1$，在 $\mathbb{R}$ 上**无实根**。因此 $R$ 在 $\mathbb{R}$ 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 $\mathbb{C}$ 上，特征值为 $\lambda = \pm \mathrm{i}$，互异，故可对角化，且特征向量可取

$$\mathbf{x}_1 = \begin{bmatrix} 1 \\ -\mathrm{i} \end{bmatrix} \ (\lambda = \mathrm{i}), \qquad \mathbf{x}_2 = \begin{bmatrix} 1 \\ \mathrm{i} \end{bmatrix} \ (\lambda = -\mathrm{i}).$$

**验算** $R\mathbf{x}_1 = \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}\begin{bmatrix} 1 \\ -\mathrm{i} \end{bmatrix} = \begin{bmatrix} \mathrm{i} \\ 1 \end{bmatrix} = \mathrm{i}\begin{bmatrix} 1 \\ -\mathrm{i} \end{bmatrix}$ ✓。

**几何解释** 旋转 $90^\circ$ 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 $\pm\mathrm{i}$ 的模长都是 1（$|\lambda| = 1$），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 $\mathbf{u}_{k+1} = A\mathbf{u}_k$ 的通解

这是对角化最直接的应用。设 $A$ 可对角化，$\Lambda = \operatorname{diag}(\lambda_1, \dots, \lambda_n)$，$S = [\mathbf{x}_1, \dots, \mathbf{x}_n]$。任何初值 $\mathbf{u}_0$ 都可以唯一写成特征向量的组合

$$\mathbf{u}_0 = c_1\mathbf{x}_1 + c_2\mathbf{x}_2 + \cdots + c_n\mathbf{x}_n, \qquad \mathbf{c} = S^{-1}\mathbf{u}_0,$$

于是差分方程的**通解**是

$$\boxed{\mathbf{u}_k = c_1\lambda_1^k\mathbf{x}_1 + c_2\lambda_2^k\mathbf{x}_2 + \cdots + c_n\lambda_n^k\mathbf{x}_n}$$

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 $S\mathbf{c} = \mathbf{u}_0$ 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 | $A$ 的性质 | 结论 |
|---|---|---|
| 人口/种群逐年演化 | 非负矩阵，$\lvert \lambda_1\rvert > \lvert \lambda_i\rvert$ | 趋于稳定年龄分布，增长率 $\to \lambda_1$（Perron–Frobenius） |
| Markov 链 $\mathbf{u}_{k+1} = P\mathbf{u}_k$ | 列和为 1，$\lambda_1 = 1$ | 收敛到稳态分布（见 [[10-2-Markov矩阵与稳态]]） |
| 迭代算法 $\mathbf{x}_{k+1} = M\mathbf{x}_k + \mathbf{b}$ | 迭代矩阵 $M$ | $\rho(M) < 1$ 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 $\mathbf{u}_{k+1} = A\mathbf{u}_k$，$\mathbf{u} = \mathbf{0}$ 是平衡点。由通解 $\mathbf{u}_k = \sum_i c_i\lambda_i^k\mathbf{x}_i$ 可知：

> [!important] 离散系统的稳定性判据
> - 若**所有** $|\lambda_i| < 1$：$\mathbf{u}_k \to \mathbf{0}$ 对一切初值成立，$\mathbf{0}$ 是**渐近稳定**（asymptotically stable）的；
> - 若存在某个 $|\lambda_i| > 1$：存在初值使 $\|\mathbf{u}_k\|\to\infty$，$\mathbf{0}$ 是**不稳定**的；
> - 若 $\max_i |\lambda_i| = 1$ 且模为 1 的特征值都是单根、其余 $|\lambda_i| < 1$：$\mathbf{u}_k$ **有界但不趋于 $\mathbf{0}$**（中性稳定 / 临界情形）。
>
> 量 $\rho(A) = \max_i|\lambda_i|$ 称为 $A$ 的**谱半径**（spectral radius）。上面的判据可以概括为：**$\rho(A) < 1 \iff$ 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**：$B = M^{-1}AM$ 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]]）。$M$ 是基变换矩阵，$M^{-1}AM$ 是换基后的新矩阵。对角化就是在所有相似于 $A$ 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 $A$ 的特征值为 $\lambda_1, \dots, \lambda_n$（计重数），则存在可逆矩阵 $M$ 使

$$A = MJM^{-1}, \qquad J = \begin{bmatrix} J_1 & & \\ & \ddots & \\ & & J_m \end{bmatrix},$$

其中每个 **Jordan 块**（Jordan block）形如

$$J_i = \begin{bmatrix} \lambda_i & 1 & & \\ & \lambda_i & \ddots & \\ & & \ddots & 1 \\ & & & \lambda_i \end{bmatrix} = \lambda_i I + N_i,$$

$N_i$ 是**幂零**（nilpotent）的移位矩阵。例 6.2.4 中的 $\begin{bmatrix} 2 & 1 \\ 0 & 2 \end{bmatrix}$ 本身就是一个 $2\times 2$ 的 Jordan 块。

> [!important] 对角化与 Jordan 形的关系（只需记住三点）
> 1. **可对角化 $\iff$ 每个 Jordan 块都是 $1\times 1$**，即 $J = \Lambda$。
> 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 $A^k$ 中多出 $k$ 的多项式因子（见例 6.2.4 的 $A^k = \begin{bmatrix} 2^k & k2^{k-1} \\ 0 & 2^k \end{bmatrix}$），但**指数部分仍由特征值决定**。所以在稳定性判断上，$\rho(A)$ 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

> [!warning] 十个高频错误
> 1. **$S$ 的列顺序与 $\Lambda$ 的对角元顺序必须一致。** 把 $\mathbf{x}_1$ 放在第 2 列却把 $\lambda_1$ 写在 $(1,1)$ 位置，会得到错误结果。检查方法：验算 $AS = S\Lambda$（逐列看，$A\mathbf{s}_i = \lambda_i\mathbf{s}_i$）。注意本题按不同顺序重排 $S$ 的列是**允许**的，只要 $\Lambda$ 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 $\dim\mathbf{N}(A - \lambda I)$。$\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}$ 有重根但可对角化。
> 3. **算错几何重数。** $g(\lambda) = \dim\mathbf{N}(A - \lambda I) = n - \operatorname{rank}(A - \lambda I)$，是**零空间的维数**，不是 $A - \lambda I$ 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 $S$ 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 $\det S \ne 0$，或检查向量组线性无关。
> 5. **误以为 $A^k = S\Lambda^k S^{-1}$ 中的 $S$、$S^{-1}$ 可以随便换位置。** 矩阵乘法不交换：$S\Lambda^kS^{-1} \ne \Lambda^kSS^{-1}$（除非 $S = I$）。相消只发生在相邻的 $S^{-1}S$。
> 6. **对含参数或复特征值的矩阵硬套实数结论。** $\begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}$ 在 $\mathbb{R}$ 上不可对角化，在 $\mathbb{C}$ 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 $M^{-1}$、右乘 $M$）。若把可逆去掉只剩 $B = PAQ$（$P, Q$ 可逆），那叫**等价**（等价只保持秩），不保持特征值。
> 8. **以为 $A \sim A^{\mathrm{T}}$ 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 $M^{-1}$ 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 $A = A^{\mathrm{T}}$）。
> 9. **用 $A^k = S\Lambda^kS^{-1}$ 时忘了 $\Lambda^k$ 是逐元素取幂。** 对角矩阵的幂是 $\lambda_i^k$，不是 $\Lambda$ 的整体 $k$ 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**（$\begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}^2 \ne \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}$）。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 $S$。** 若要用 $A = Q\Lambda Q^{\mathrm{T}}$（对称矩阵）、$Q^{-1} = Q^{\mathrm{T}}$（省去求逆）、或做主轴变换，必须先确认矩阵对称，否则只能用 $S^{-1}$。见 [[6-4-对称矩阵与正定矩阵]]。

---

## 九、练习题

**练习 6.2.1（基础）** 把 $A = \begin{bmatrix} 4 & 3 \\ 1 & 2 \end{bmatrix}$ 对角化，写出 $S$ 与 $\Lambda$，并验算 $\operatorname{tr}\Lambda = \operatorname{tr}A$、$\det\Lambda = \det A$。

**练习 6.2.2（基础）** 判断下列矩阵能否对角化，说明理由：
$$A_1 = \begin{bmatrix} 3 & 1 \\ 0 & 3 \end{bmatrix}, \qquad A_2 = \begin{bmatrix} 3 & 0 \\ 0 & 3 \end{bmatrix}, \qquad A_3 = \begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}, \qquad A_4 = \begin{bmatrix} 0 & 1 \\ -1 & 0 \end{bmatrix}.$$
（提示：$A_4$ 要说明"在 $\mathbb{R}$ 上"还是"在 $\mathbb{C}$ 上"。）

**练习 6.2.3（进阶）** 设 $A = \begin{bmatrix} 0 & 1 \\ -2 & 3 \end{bmatrix}$。
（a）求 $A$ 的特征值与特征向量；（b）写出 $A^k$ 的显式表达式；（c）求 $\lim_{k\to\infty} A^k / 2^k$（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 $A$ 为 $n$ 阶方阵，且 $A^2 = A$（这样的矩阵叫**幂等矩阵**，idempotent）。证明 $A$ 可对角化，且其特征值只能是 0 或 1。（提示：先证 $\lambda^2 = \lambda$ 对每个特征值成立；再证明 $\mathbb{R}^n = \mathbf{C}(A) \oplus \mathbf{N}(A)$，且 $\mathbf{C}(A)$ 中每个非零向量都是特征值 1 的特征向量，$\mathbf{N}(A)$ 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 $A$ 可对角化，$p(x) = c_0 + c_1x + \cdots + c_mx^m$ 是多项式。定义 $p(A) = c_0I + c_1A + \cdots + c_mA^m$。
（a）证明 $A$ 的特征向量也是 $p(A)$ 的特征向量，对应特征值为 $p(\lambda_i)$；
（b）由此证明 $p(A)$ 的**每个**特征值都形如 $p(\lambda_i)$，其中 $\lambda_i$ 是 $A$ 的特征值；
（c）举例说明：若把"$A$ 可对角化"这个条件去掉，结论（b）是否仍成立？（提示：考虑 $A = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$ 与 $p(x) = x^2$。）

---

## 十、常见问题 FAQ

**Q1：对角化有什么用？为什么不直接算 $A^k$？**

A：直接做矩阵乘法求 $A^k$ 需要 $k - 1$ 次矩阵乘法，每次 $O(n^3)$；而对角化后算 $A^k$ 只需 $n$ 次标量幂 $\lambda_i^k$ 加两次矩阵乘法，**与 $k$ 无关**。更重要的是，对角化给出的是**公式**（含 $\lambda_i^k$）而不是一堆数字，从公式立刻能读出：增长率由哪个 $\lambda_i$ 决定、$k\to\infty$ 时趋向哪里。$k = 1000$ 时，前者是不现实的，后者是一行公式。同理，求 $A^{100}$、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 $S$ 也不唯一，答案会不会不一样？**

A：$S$ **确实不唯一**，但 $\Lambda$ 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：$\mathbf{x}_i \to t\mathbf{x}_i$（$t \ne 0$）；
- 同一特征值的特征空间内可以做任意可逆线性组合；
- $S$ 的列可以重新排列（$\Lambda$ 同步重排）。
这些操作都不改变 $A = S\Lambda S^{-1}$ 的成立，所以都是"合法的不同答案"。**但 $\Lambda$ 的对角元必须是 $A$ 的全部特征值**——若你算出 $\Lambda$ 的对角元之和 $\ne \operatorname{tr}A$，那一定错了。

**Q3：如果 $A$ 不可对角化，是不是就"没办法"了？**

A：不是。有三条路：
1. **Jordan 形**：$A = MJM^{-1}$，$J$ 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 $A = QTQ^{\mathrm{T}}$（$Q$ 正交，$T$ 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 $T = \Lambda$，即谱定理。
3. **矩阵指数 / 幂级数**：对含 $A$ 的解析函数（如 $e^{At}$），即使 $A$ 不可对角化也能算——用 $A = \lambda I + N$ 的二项式展开，$N$ 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. **$n$ 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. **$A$ 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 $g(\lambda) = n - \operatorname{rank}(A - \lambda I)$**，逐个与 $a(\lambda)$ 比较。这一步没法省。
4. **快速判"不可"的技巧**：若某个 $\lambda$ 满足 $\operatorname{rank}(A - \lambda I) = n - 1$（即 $g(\lambda) = 1$）而 $a(\lambda) \ge 2$，则**一定不可对角化**，可立刻停止计算。例 6.2.4 的 $J - 2I = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$ 秩为 1，$g(2) = 2 - 1 = 1 < 2$，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 $A$ 是 $n$ 阶方阵，在 $\mathbb{C}$ 上讨论它的特征多项式（保证 $n$ 个根都数得到）。下列五个命题**互相等价**：

1. $A$ **可对角化**：存在可逆矩阵 $S$ 与对角矩阵 $\Lambda$ 使 $S^{-1}AS = \Lambda$；
2. $A$ 有 **$n$ 个线性无关的特征向量**；
3. $A$ 的**每一个**特征值都满足 **$g(\lambda_i) = a(\lambda_i)$**（几何重数等于代数重数）；
4. 各个特征空间的维数之和等于 $n$：$\sum_{i=1}^{m} g(\lambda_i) = n$；
5. $A$ 的**最小多项式** $m(\lambda)$ 没有重根（即 $m(\lambda)$ 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 $\sum_i g(\lambda_i) = \dim(E_1 + \cdots + E_m) \le n$，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：$A$ 可对角化 $\iff$ 每个 Jordan 块都是 $1\times 1$ $\iff$ 最小多项式无重根。$\blacksquare$

> [!important] 什么是「最小多项式」
> **定义** 使 $m(A) = O$ 的**次数最低的首一多项式** $m(\lambda)$ 称为 $A$ 的**最小多项式**（minimal polynomial）。
> 三条常用性质：
> 1. **存在唯一**：由 Cayley–Hamilton 定理，$A$ 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**：$m(\lambda) \mid \det(\lambda I - A)$，因此 $m$ 的根一定是 $A$ 的特征值，且 $\deg m \le n$。
> 3. **判别性**：$A$ 可对角化 $\iff$ $m(\lambda)$ 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 $A^k$。**

### 判定流程（考试直接照做）

> [!tip] 四步判定法
> 1. **读特征值**：解 $\det(A - \lambda I) = 0$，写下每个特征值及其**代数重数** $a(\lambda_i)$。若 $A$ 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 $n$ 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 $\lambda$ 做行化简，数自由变量个数，得 $g(\lambda) = n - \operatorname{rank}(A - \lambda I)$。**单根不必算**（必有 $g = 1 = a$，由 $1 \le g \le a = 1$ 夹出来）。
> 4. **逐个比对**：所有 $g(\lambda_i) = a(\lambda_i)$ 才可对角化；只要出现一个 $g < a$，立刻停止，结论是「不可对角化」。

> [!warning] 关于这一步的三个常见误解
> 1. **不等式 $1 \le g(\lambda) \le a(\lambda)$ 的方向不能记反。** 出问题的永远是几何重数**偏小**；若算出 $g > a$，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 $g(\lambda)$。$\begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}$ 有重根 $1$（$a = 2$），但 $g(1) = 2$，照样可对角化。
> 3. **「$n$ 个特征值（计重数）」不等于「$n$ 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。$\begin{bmatrix} 2 & 1 \\ 0 & 2 \end{bmatrix}$ 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：$a$ 取何值时可对角化）

> [!example] 题目
> 设 $A = \begin{bmatrix} 1 & a & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 2 \end{bmatrix}$，其中 $a$ 为实参数。问 $a$ 取何值时 $A$ 可对角化？在可对角化时写出 $S$ 与 $\Lambda$。

**第 1 步：求特征值并记录代数重数。** $A$ 是**上三角矩阵**，特征值就是对角元：

$$\lambda_1 = \lambda_2 = 1, \qquad \lambda_3 = 2,$$

所以 $a(1) = 2$、$a(2) = 1$。自检：$\operatorname{tr}A = 1 + 1 + 2 = 4 = 1 + 1 + 2$ ✓；$\det A = 1\cdot 1\cdot 2 = 2$（三角矩阵的行列式等于对角元之积）✓。

**第 2 步：先处理单根 $\lambda = 2$。** 单根必有 $g(2) = 1 = a(2)$，本来不必算；为熟练起见算一遍：

$$A - 2I = \begin{bmatrix} -1 & a & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 0 \end{bmatrix}.$$

前两行 $(-1, a, 0)$ 与 $(0, -1, 0)$ 不成比例（第二行的第一个分量为 $0$，而第一行的第一个分量为 $-1 \ne 0$），故 $\operatorname{rank}(A - 2I) = 2$，于是

$$g(2) = 3 - \operatorname{rank}(A - 2I) = 3 - 2 = 1 = a(2). \quad \checkmark$$

**第 3 步：处理重根 $\lambda = 1$，这是本题唯一的风险点。**

$$A - I = \begin{bmatrix} 0 & a & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}.$$

按 $a$ 是否为零分两种情形。

**情形一：$a \ne 0$。** 第 1 行 $(0, a, 0)$ 与第 3 行 $(0, 0, 1)$ 不成比例，第 2 行是零行，故 $\operatorname{rank}(A - I) = 2$：

$$g(1) = 3 - \operatorname{rank}(A - I) = 3 - 2 = 1 < 2 = a(1).$$

几何重数小于代数重数，由定理 6.2.7，**$A$ 不可对角化**。

**情形二：$a = 0$。** 此时

$$A - I = \begin{bmatrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}, \qquad \operatorname{rank}(A - I) = 1,$$

$$g(1) = 3 - 1 = 2 = a(1). \quad \checkmark$$

**第 4 步：结论与验证。** 当且仅当 $a = 0$ 时 $A$ 可对角化，而且此时 $A$ **本身就是对角矩阵**，取 $S = I$、$\Lambda = A$ 即可：

$$A = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 2 \end{bmatrix} = \Lambda, \qquad S = I.$$

特征空间可以直接读出来：$a = 0$ 时 $A - I$ 给出的方程是 $x_3 = 0$（$x_1, x_2$ 自由），基础解系为 $\mathbf{e}_1 = (1,0,0)^{\mathrm{T}}$、$\mathbf{e}_2 = (0,1,0)^{\mathrm{T}}$；$A - 2I$ 给出的方程是 $x_1 = x_2 = 0$（$x_3$ 自由），基础解系为 $\mathbf{e}_3 = (0,0,1)^{\mathrm{T}}$。三者构成标准基，故 $S = [\mathbf{e}_1, \mathbf{e}_2, \mathbf{e}_3] = I$ ✓。

**答** 当且仅当 $a = 0$ 时 $A$ 可对角化（此时 $S = I$、$\Lambda = A$）；当 $a \ne 0$ 时 $g(1) = 1 < 2 = a(1)$，$A$ 不可对角化。

> [!tip] 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 $a$ 无关，这是最省事的情形）；
> 2. 找出**重根** $\lambda_0$ —— 只有它需要检查；
> 3. 写出 $A - \lambda_0 I$，**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 $\operatorname{rank}(A - \lambda_0 I) = n - a(\lambda_0)$，反解参数。
>
> 本题的分界值就是 $a = 0$：$a \ne 0$ 时秩为 2，$a = 0$ 时秩降到 1，恰好「腾出」一个自由变量，把 $g(1)$ 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 $A^k$）

> [!example] 题目
> 设 $A = \begin{bmatrix} -1 & 1 & 0 \\ -4 & 3 & 0 \\ 1 & 0 & 2 \end{bmatrix}$。
> （1）判断 $A$ 能否对角化；
> （2）若不能，求 $A^k$（$k$ 为正整数）。

**第 1 步：求特征值。** 第 3 列只有 $(3,3)$ 位置非零，按第 3 列展开最省事：

$$\det(A - \lambda I) = (2 - \lambda)\begin{vmatrix} -1 - \lambda & 1 \\ -4 & 3 - \lambda \end{vmatrix} = (2-\lambda)\left[(-1-\lambda)(3-\lambda) + 4\right].$$

把中括号展开：

$$(-1-\lambda)(3-\lambda) + 4 = \left(\lambda^2 - 2\lambda - 3\right) + 4 = \lambda^2 - 2\lambda + 1 = (\lambda - 1)^2,$$

所以

$$\det(A - \lambda I) = (2 - \lambda)(\lambda - 1)^2 = -(\lambda - 2)(\lambda - 1)^2.$$

特征值为 $\lambda = 1$（$a(1) = 2$）与 $\lambda = 2$（$a(2) = 1$）。自检：$\operatorname{tr}A = -1 + 3 + 2 = 4 = 1 + 1 + 2$ ✓；$\det A = 2\cdot\left[(-1)\cdot 3 - 1\cdot(-4)\right] = 2\cdot(-3 + 4) = 2 = 1\cdot 1\cdot 2$ ✓（第二次用到了按第 3 列展开，即令 $\lambda = 0$）。

**第 2 步：单根 $\lambda = 2$ 自动合格。**

$$A - 2I = \begin{bmatrix} -3 & 1 & 0 \\ -4 & 1 & 0 \\ 1 & 0 & 0 \end{bmatrix},$$

第 3 行 $(1,0,0)$ 与前两行都不成比例，故 $\operatorname{rank}(A - 2I) = 2$，$g(2) = 3 - 2 = 1 = a(2)$ ✓。对应的特征向量：由第 3 行 $x_1 = 0$，由第 1 行 $x_2 = 3x_1 = 0$，$x_3$ 自由，取

$$\mathbf{u} = \begin{bmatrix} 0 \\ 0 \\ 1 \end{bmatrix}, \qquad A\mathbf{u} = \begin{bmatrix} 0 \\ 0 \\ 2 \end{bmatrix} = 2\mathbf{u}. \quad \checkmark$$

**第 3 步：重根 $\lambda = 1$ 的几何重数。** 行化简

$$A - I = \begin{bmatrix} -2 & 1 & 0 \\ -4 & 2 & 0 \\ 1 & 0 & 1 \end{bmatrix} \longrightarrow \begin{bmatrix} -2 & 1 & 0 \\ 0 & 0 & 0 \\ 1 & 0 & 1 \end{bmatrix},$$

（第 2 行恰好是第 1 行的 $2$ 倍，被消成零行。）剩下的两行 $(-2,1,0)$ 与 $(1,0,1)$ 不成比例，故 $\operatorname{rank}(A - I) = 2$：

$$g(1) = 3 - \operatorname{rank}(A - I) = 3 - 2 = 1 < 2 = a(1).$$

**结论：$A$ 不可对角化** —— 它只能提供 $1 + 1 = 2$ 个线性无关的特征向量，不足 $3$ 个。顺便求出这个唯一的（$\lambda = 1$ 的）特征方向：由第 3 行 $x_1 + x_3 = 0$，由第 1 行 $-2x_1 + x_2 = 0$，取 $x_1 = 1$ 得

$$\mathbf{v} = \begin{bmatrix} 1 \\ 2 \\ -1 \end{bmatrix}, \qquad A\mathbf{v} = \begin{bmatrix} -1 + 2 \\ -4 + 6 \\ 1 - 2 \end{bmatrix} = \begin{bmatrix} 1 \\ 2 \\ -1 \end{bmatrix} = 1\cdot\mathbf{v}. \quad \checkmark$$

**第 4 步：改用「$A^k = q(A)$ + 待定系数」求幂。** 既然不能对角化，就换一条路：把 $A^k$ 表示成 $A$ 的**低次多项式**。

思路：找一个次数尽可能低的多项式 $q(\lambda)$，使 $\lambda^k - q(\lambda)$ 能被 $A$ 的**最小多项式** $m(\lambda)$ 整除。于是 $A^k - q(A) = O$，即

$$A^k = q(A).$$

先定出 $m(\lambda)$。特征多项式是 $(\lambda - 1)^2(\lambda - 2)$，由 Cayley–Hamilton 定理 $A$ 满足它；又因为 $A$ **不可对角化**（第 3 步已证），由定理 6.2.7 的命题 5，$m(\lambda)$ **必须含重根因子** $(\lambda - 1)^2$；而 $m$ 又整除特征多项式（性质 2），故

$$m(\lambda) = (\lambda - 1)^2(\lambda - 2), \qquad \deg m = 3.$$

于是取 $q(\lambda) = \alpha\lambda^2 + \beta\lambda + \gamma$（次数为 $\deg m - 1 = 2$），并要求

$$m(\lambda) \mid \left[\lambda^k - q(\lambda)\right].$$

因为 $m$ 在 $\lambda = 1$ 处是**二重根**，这个整除条件等价于三个等式：

$$q(1) = 1^k = 1, \qquad q'(1) = k\cdot 1^{k-1} = k, \qquad q(2) = 2^k.$$

（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。**

$$q'(\lambda) = 2\alpha\lambda + \beta,$$

$$\begin{cases} \alpha + \beta + \gamma = 1 & \left(q(1) = 1\right) \\ 2\alpha + \beta = k & \left(q'(1) = k\right) \\ 4\alpha + 2\beta + \gamma = 2^k & \left(q(2) = 2^k\right) \end{cases}$$

（三行依次来自 $q(1) = 1$、$q'(1) = k$、$q(2) = 2^k$。）

第 3 式减第 1 式得 $3\alpha + \beta = 2^k - 1$；再减去第 2 式：

$$\alpha = \left(2^k - 1\right) - k = 2^k - k - 1.$$

回代第 2 式：$\beta = k - 2\alpha = k - 2\left(2^k - k - 1\right) = 3k + 2 - 2^{k+1}$。

回代第 1 式：$\gamma = 1 - \alpha - \beta = 1 - \left(2^k - k - 1\right) - \left(3k + 2 - 2^{k+1}\right) = 2^k - 2k$。

于是得到**幂的降次公式**：

$$A^k = \left(2^k - k - 1\right)A^2 + \left(3k + 2 - 2^{k+1}\right)A + \left(2^k - 2k\right)I.$$

**第 6 步：算出 $A^2$ 并逐元素代入。** 先算

$$A^2 = \begin{bmatrix} -1 & 1 & 0 \\ -4 & 3 & 0 \\ 1 & 0 & 2 \end{bmatrix}\begin{bmatrix} -1 & 1 & 0 \\ -4 & 3 & 0 \\ 1 & 0 & 2 \end{bmatrix} = \begin{bmatrix} 1 - 4 & -1 + 3 & 0 \\ 4 - 12 & -4 + 9 & 0 \\ -1 + 2 & 1 + 0 & 0 + 4 \end{bmatrix} = \begin{bmatrix} -3 & 2 & 0 \\ -8 & 5 & 0 \\ 1 & 1 & 4 \end{bmatrix}.$$

把三个系数记为 $\alpha = 2^k - k - 1$、$\beta = 3k + 2 - 2^{k+1}$、$\gamma = 2^k - 2k$，逐元素代入（$(1,3)$ 与 $(2,3)$ 位置在 $A$、$A^2$、$I$ 中都是零，故恒为 $0$）：

| 位置 | 组合 | 化简 | 结果 |
|---|---|---|---|
| $(1,1)$ | $-3\alpha - \beta + \gamma$ | $-3\cdot 2^k + 3k + 3 - 3k - 2 + 2^{k+1} + 2^k - 2k$ | $1 - 2k$ |
| $(1,2)$ | $2\alpha + \beta$ | $2^{k+1} - 2k - 2 + 3k + 2 - 2^{k+1}$ | $k$ |
| $(2,1)$ | $-8\alpha - 4\beta$ | $-2^{k+3} + 8k + 8 - 12k - 8 + 2^{k+3}$ | $-4k$ |
| $(2,2)$ | $5\alpha + 3\beta + \gamma$ | $-2^k + 4k + 1 + 2^k - 2k$ | $2k + 1$ |
| $(3,1)$ | $\alpha + \beta$ | $2^k - k - 1 + 3k + 2 - 2^{k+1}$ | $2k + 1 - 2^k$ |
| $(3,2)$ | $\alpha$ | — | $2^k - k - 1$ |
| $(3,3)$ | $4\alpha + 2\beta + \gamma$ | $4\cdot 2^k - 4k - 4 + 6k + 4 - 2^{k+2} + 2^k - 2k$ | $2^k$ |

（$(1,1)$ 一行中 $-3\cdot 2^k + 2^{k+1} + 2^k = -3\cdot2^k + 2\cdot2^k + 2^k = 0$；$(3,3)$ 一行中 $4\cdot 2^k - 2^{k+2} + 2^k = 4\cdot2^k - 4\cdot2^k + 2^k = 2^k$。）于是

$$A^k = \begin{bmatrix} 1 - 2k & k & 0 \\ -4k & 2k + 1 & 0 \\ 2k + 1 - 2^k & 2^k - k - 1 & 2^k \end{bmatrix}.$$

**第 7 步：验算（这一步不能省）。**

取 $k = 1$：$\alpha = 0$、$\beta = 1$、$\gamma = 0$，降次公式给出 $A^1 = A$ ✓；代入显式结果得 $\begin{bmatrix} -1 & 1 & 0 \\ -4 & 3 & 0 \\ 1 & 0 & 2 \end{bmatrix}$ ✓。

取 $k = 2$：显式结果给出 $\begin{bmatrix} -3 & 2 & 0 \\ -8 & 5 & 0 \\ 1 & 1 & 4 \end{bmatrix}$，与第 6 步算出的 $A^2$ 完全一致 ✓。

取 $k = 3$：$\alpha = 8 - 3 - 1 = 4$、$\beta = 9 + 2 - 16 = -5$、$\gamma = 8 - 6 = 2$，故 $A^3 = 4A^2 - 5A + 2I$，其 $(1,1)$ 元素为 $4(-3) - 5(-1) + 2 = -5$，$(2,2)$ 元素为 $4\cdot5 - 5\cdot3 + 2 = 7$，与显式结果的 $1 - 2\cdot3 = -5$、$2\cdot3+1 = 7$ 一致 ✓。

**答** （1）$A$ 不可对角化，理由：$g(1) = 1 < 2 = a(1)$，线性无关的特征向量只有 $2$ 个；（2）$A^k$ 如上式。

> [!important] 这个例题的四个收获
> 1. **不可对角化不等于「算不出 $A^k$」。** 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 $k$（离散情形）或 $t$（连续情形）」的代数根源：$(\lambda - \lambda_0)^2 \mid m(\lambda)$ 迫使 $q$ 的系数里出现 $k$ 的一次项，于是 $A^k$ 中出现因子 $k$ —— 见结果中的 $(1,2)$ 位置 $= k$、$(2,1)$ 位置 $= -4k$。
> 3. **能对角化时优先用 $S\Lambda^k S^{-1}$**，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 $k = 1, 2$ 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 $P$ 使 $B = P^{-1}AP$，则称 $A$ 与 $B$ **相似**，记作 $A \sim B$，$P$ 称为**过渡矩阵**（相似变换矩阵）。

> [!important] 定理 6.2.8（相似是等价关系）
> 设 $A, B, C$ 都是 $n$ 阶方阵，则
> 1. **反身性**：$A \sim A$；
> 2. **对称性**：若 $A \sim B$，则 $B \sim A$；
> 3. **传递性**：若 $A \sim B$ 且 $B \sim C$，则 $A \sim C$。

**证明**

(1) 取 $P = I$：$A = I^{-1}AI$ ✓。

(2) 设 $B = P^{-1}AP$。两边左乘 $P$、右乘 $P^{-1}$：$PBP^{-1} = A$，即 $A = \left(P^{-1}\right)^{-1} B \left(P^{-1}\right)$。取过渡矩阵 $Q = P^{-1}$（仍可逆），得 $B \sim A$ ✓。

(3) 设 $B = P^{-1}AP$、$C = Q^{-1}BQ$。代入：

$$C = Q^{-1}\left(P^{-1}AP\right)Q = \left(Q^{-1}P^{-1}\right)A\left(PQ\right) = (PQ)^{-1}A(PQ),$$

最后一步用了 $(PQ)^{-1} = Q^{-1}P^{-1}$。由于 $P, Q$ 可逆，$PQ$ 也可逆，故 $A \sim C$ ✓。$\blacksquare$

> [!tip] 为什么「等价关系」这件事重要
> 等价关系意味着相似把 $n$ 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 $A$ 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 $A$ 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：

> [!important] 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 $\det(\lambda I - A)$ | 是 | 核心不变量 |
> | 特征值（计重数） | 是 | 由特征多项式决定 |
> | 迹 $\operatorname{tr}A$、行列式 $\det A$ | 是 | 特征多项式的两个系数 |
> | 秩 $\operatorname{rank}A$ | 是 | 左右乘可逆矩阵不变秩 |
> | 各特征值的代数重数 $a(\lambda)$、几何重数 $g(\lambda)$ | 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、$\sum a_{ij}^2$ | 否 | 只有对角线之和（迹）不变 |
>
> **（二）充分条件（国内最常用）** 若 $A$ 与 $B$ **都可对角化**，且**特征值相同（计重数）**，则 $A \sim B$。
>
> **（三）$2$ 阶矩阵的完整判据** 设 $A, B$ 都是 $2$ 阶方阵，则 $A \sim B$ 当且仅当同时满足下面两条：
> 1. $\operatorname{tr}A = \operatorname{tr}B$ 且 $\det A = \det B$；
> 2. 「$A$ 是数量矩阵 $\lambda I$」与「$B$ 是数量矩阵 $\lambda I$」同时成立，或同时不成立。

**证明**

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

（三）记 $T = \operatorname{tr}A = \operatorname{tr}B$、$D = \det A = \det B$。两个矩阵有相同的特征多项式 $\lambda^2 - T\lambda + D$，故特征值相同（计重数），分两种情形。

- **判别式 $T^2 - 4D \ne 0$（两个互异实根）**：由定理 6.2.3 两者都可对角化，由（二）$A \sim B$ ✓。
- **判别式 $T^2 - 4D = 0$（重根 $\lambda = T/2$）**：由 Cayley–Hamilton 定理，
$$\left(A - \lambda I\right)^2 = A^2 - 2\lambda A + \lambda^2 I = O.$$
  - 若 $A - \lambda I = O$，即 $A = \lambda I$ 是**数量矩阵**，则 $A$ 只与自身相似（因为 $P^{-1}(\lambda I)P = \lambda I$）。此时 $A \sim B \iff B = \lambda I$。
  - 若 $A - \lambda I \ne O$，且 $B - \lambda I \ne O$：记 $N_A = A - \lambda I$、$N_B = B - \lambda I$，两者都是**非零且平方为零**的矩阵。对任一个这样的 $N$，取 $\mathbf{w}$ 使 $N\mathbf{w} \ne \mathbf{0}$，则 $\left\{N\mathbf{w}, \mathbf{w}\right\}$ 线性无关（若 $\mathbf{w} = cN\mathbf{w}$，则 $N\mathbf{w} = cN^2\mathbf{w} = \mathbf{0}$，矛盾）。令 $P = \left[N\mathbf{w}\ \ \mathbf{w}\right]$，则

$$NP = \left[N^2\mathbf{w}\ \ N\mathbf{w}\right] = \left[\mathbf{0}\ \ N\mathbf{w}\right] = P\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix},$$

即 $P^{-1}NP = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$。这说明**任何**非零、平方为零的 $2$ 阶矩阵都相似于同一个矩阵 $\begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}$，于是 $N_A \sim N_B$，进而 $A = \lambda I + N_A \sim \lambda I + N_B = B$ ✓。

反之，若 $A \sim B$，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 ✓。$\blacksquare$

> [!warning] 三个必须记住的边界
> 1. **「迹相同 + 行列式相同」对 $n \ge 3$ 不再是充分条件。** 反例见例 6.2.9（a）：$\operatorname{diag}(2,2,3)$ 与 $\begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$ 有完全相同的特征多项式、迹、行列式、秩，却不相似。
> 2. **即使对 $2$ 阶矩阵，「迹 + 行列式」也要加上第三条。** $A = I$ 与 $B = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}$ 的迹都是 $2$、行列式都是 $1$，但 $A$ 只与自己相似，故 $A$ 与 $B$ **不**相似。
> 3. **不要用「特征值相同」代替「特征值相同（计重数）」。** 例如 $\operatorname{diag}(0,0)$ 与 $\operatorname{diag}(0,1)$ 的特征值集合都是 $\{0\}$ 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 $A \sim B$，则 $A$ 可对角化 $\iff$ $B$ 可对角化。更强地：若 $A = S\Lambda S^{-1}$ 且 $B = P^{-1}AP$，则 $B$ 相似于**同一个** $\Lambda$：

$$B = P^{-1}\left(S\Lambda S^{-1}\right)P = \left(P^{-1}S\right)\Lambda\left(P^{-1}S\right)^{-1}.$$

**证明** 上式直接计算即可，其中用了 $\left(P^{-1}S\right)^{-1} = S^{-1}P$。由于 $P^{-1}S$ 可逆，$B$ 可对角化，且过渡矩阵是 $P^{-1}S$。反之把 $A$ 与 $B$ 的角色互换即可。$\blacksquare$

**推论（判相似的实用链条）** 若 $A$ 与 $B$ **都可对角化**，则

$$A \sim B \iff \det(\lambda I - A) \equiv \det(\lambda I - B).$$

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）

> [!example] 题目
> （a）判断 $A = \begin{bmatrix} 2 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$ 与 $B = \begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$ 是否相似；
> （b）判断 $A = \begin{bmatrix} 1 & 1 \\ 0 & 2 \end{bmatrix}$ 与 $B = \begin{bmatrix} 1 & 0 \\ -1 & 2 \end{bmatrix}$ 是否相似；若相似，求过渡矩阵 $P$ 使 $B = P^{-1}AP$。

**（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。

$$\operatorname{tr}A = 2 + 2 + 3 = 7, \qquad \det A = 2\cdot 2\cdot 3 = 12;$$
$$\operatorname{tr}B = 2 + 2 + 3 = 7, \qquad \det B = 2\cdot 2\cdot 3 = 12.$$

特征多项式都是 $(\lambda - 2)^2(\lambda - 3)$；两者的秩都是 $3$（都可逆，$\det \ne 0$）。**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）。**

$A$ 本身就是对角矩阵，$g_A(2) = 2 = a_A(2)$、$g_A(3) = 1$，**$A$ 可对角化**（而且 $A \sim A$ 就是它的对角化）。

对 $B$，只需检查重根 $\lambda = 2$：

$$B - 2I = \begin{bmatrix} 0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}.$$

第 1 行 $(0,1,0)$ 与第 3 行 $(0,0,1)$ 不成比例，第 2 行为零行，故 $\operatorname{rank}(B - 2I) = 2$，

$$g_B(2) = 3 - 2 = 1 < 2 = a_B(2).$$

由定理 6.2.7，**$B$ 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。$A$ 可对角化而 $B$ 不可，故

$$A \not\sim B.$$

**（a）第 4 步：几何解释。** $A$ 有两个线性无关的特征向量张成 $\lambda = 2$ 的特征空间（$x_1 x_2$ 平面），再加上 $(0,0,1)^{\mathrm{T}}$ 一共 $3$ 个；$B$ 的特征空间 $\mathbf{N}(B - 2I)$ 是方程 $x_2 = 0$、$x_3 = 0$ 的解，只有 $x_1$ 轴这一条直线。**同一个特征值 $2$ 的「几何尺寸」不同**，这就是它们不相似的根源。$B$ 的 Jordan 形是 $\begin{bmatrix} 2 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$（含一个 $2\times 2$ 的 Jordan 块），而 $A$ 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：

$$A = \begin{bmatrix} 1 & 1 \\ 0 & 2 \end{bmatrix}:\ \lambda = 1, 2; \qquad B = \begin{bmatrix} 1 & 0 \\ -1 & 2 \end{bmatrix}:\ \lambda = 1, 2.$$

$\operatorname{tr}A = \operatorname{tr}B = 3$，$\det A = \det B = 2$，特征多项式都是 $(\lambda - 1)(\lambda - 2)$，**特征值互异**。

**（b）第 2 步：由充分条件判定相似。** 特征值互异 $\Rightarrow$ 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），

$$A \sim B. \quad \checkmark$$

**（b）第 3 步：分别求出两者的对角化。**

对 $A$：$\lambda = 1$ 时 $A - I = \begin{bmatrix} 0 & 1 \\ 0 & 1 \end{bmatrix}$，方程 $x_2 = 0$，取 $\mathbf{s}_1 = \begin{bmatrix} 1 \\ 0 \end{bmatrix}$；$\lambda = 2$ 时 $A - 2I = \begin{bmatrix} -1 & 1 \\ 0 & 0 \end{bmatrix}$，方程 $x_1 = x_2$，取 $\mathbf{s}_2 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$。于是

$$S_1 = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}, \qquad \det S_1 = 1, \qquad S_1^{-1} = \begin{bmatrix} 1 & -1 \\ 0 & 1 \end{bmatrix}, \qquad S_1^{-1}AS_1 = \begin{bmatrix} 1 & 0 \\ 0 & 2 \end{bmatrix}.$$

对 $B$：$\lambda = 1$ 时 $B - I = \begin{bmatrix} 0 & 0 \\ -1 & 1 \end{bmatrix}$，方程 $x_1 = x_2$，取 $\mathbf{t}_1 = \begin{bmatrix} 1 \\ 1 \end{bmatrix}$；$\lambda = 2$ 时 $B - 2I = \begin{bmatrix} -1 & 0 \\ -1 & 0 \end{bmatrix}$，方程 $x_1 = 0$，取 $\mathbf{t}_2 = \begin{bmatrix} 0 \\ 1 \end{bmatrix}$。于是

$$S_2 = \begin{bmatrix} 1 & 0 \\ 1 & 1 \end{bmatrix}, \qquad \det S_2 = 1, \qquad S_2^{-1} = \begin{bmatrix} 1 & 0 \\ -1 & 1 \end{bmatrix}, \qquad S_2^{-1}BS_2 = \begin{bmatrix} 1 & 0 \\ 0 & 2 \end{bmatrix}.$$

**第 4 步：拼出过渡矩阵。** 由 $A = S_1\Lambda S_1^{-1}$ 与 $B = S_2\Lambda S_2^{-1}$（$\Lambda$ 相同，因为两个特征值在 $S_1$、$S_2$ 中的排列顺序一致），得

$$B = S_2\Lambda S_2^{-1} = S_2\left(S_1^{-1}AS_1\right)S_2^{-1} = \left(S_2S_1^{-1}\right)A\left(S_2S_1^{-1}\right)^{-1}.$$

所以取 $P = S_1S_2^{-1}$ 即满足 $B = P^{-1}AP$：

$$P = S_1S_2^{-1} = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & 0 \\ -1 & 1 \end{bmatrix} = \begin{bmatrix} 1 - 1 & 0 + 1 \\ 0 - 1 & 0 + 1 \end{bmatrix} = \begin{bmatrix} 0 & 1 \\ -1 & 1 \end{bmatrix}.$$

**第 5 步：验算。** $\det P = 0\cdot 1 - 1\cdot(-1) = 1 \ne 0$，故 $P$ 可逆，且 $P^{-1} = \begin{bmatrix} 1 & -1 \\ 1 & 0 \end{bmatrix}$。逐个相乘：

$$P^{-1}AP = \begin{bmatrix} 1 & -1 \\ 1 & 0 \end{bmatrix}\begin{bmatrix} 1 & 1 \\ 0 & 2 \end{bmatrix} = \begin{bmatrix} 1 & 1 - 2 \\ 1 & 1 \end{bmatrix} = \begin{bmatrix} 1 & -1 \\ 1 & 1 \end{bmatrix},$$

$$\begin{bmatrix} 1 & -1 \\ 1 & 1 \end{bmatrix}\begin{bmatrix} 0 & 1 \\ -1 & 1 \end{bmatrix} = \begin{bmatrix} 0 + 1 & 1 - 1 \\ 0 - 1 & 1 + 1 \end{bmatrix} = \begin{bmatrix} 1 & 0 \\ -1 & 2 \end{bmatrix} = B. \quad \checkmark$$

**答** （a）$A \not\sim B$：两者特征多项式、迹、行列式、秩全都相同，但 $A$ 可对角化而 $B$ 不可（$g_B(2) = 1 < 2$）。（b）$A \sim B$，可取 $P = \begin{bmatrix} 0 & 1 \\ -1 & 1 \end{bmatrix}$。

> [!warning] 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 $P$ 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、$S_1$ 与 $S_2$ 中特征值的排列顺序也可以同时改，得到的 $P$ 都合法。**只要 $P$ 可逆且 $P^{-1}AP = B$ 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）

> [!abstract] 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 $A = S\Lambda S^{-1}$，矩阵的**幂**、**多项式**、**递推数列**、**种群演化**、**Markov 链的极限**全都变成 $n$ 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 $A^k$ | $A^k = S\Lambda^k S^{-1}$ | 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 $e^{At} = Se^{\Lambda t}S^{-1}$） |
| 矩阵多项式 $f(A)$ | $f(A) = Sf(\Lambda)S^{-1}$ | $f(\Lambda) = \operatorname{diag}\left(f(\lambda_1),\dots,f(\lambda_n)\right)$ | 本节的速算示范 |
| 常系数线性递推 | 构造**友矩阵**（companion matrix）$\mathbf{u}_{k+1} = A\mathbf{u}_k$ | 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 | $P^k = S\Lambda^kS^{-1}$，$\lambda_1 = 1$ 其余 $\lvert \lambda_i\rvert < 1$ | 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 $\rho(M) < 1$ | $\rho(M) = \max_i\lvert \lambda_i\rvert$ | [[11-3-迭代方法与预条件]] |
| 差分方程长时间行为 | $\mathbf{u}_k = \sum_i c_i\lambda_i^k\mathbf{x}_i$ | 主导项是 $\lvert \lambda_i\rvert$ 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）

> [!important] 定理 6.2.11（矩阵多项式的对角化公式）
> 设 $A = S\Lambda S^{-1}$，$f(x) = c_0 + c_1x + \cdots + c_mx^m$ 是任意多项式，则
> $$f(A) = c_0I + c_1A + \cdots + c_mA^m = S\,f(\Lambda)\,S^{-1}, \qquad f(\Lambda) = \begin{bmatrix} f(\lambda_1) & & \\ & \ddots & \\ & & f(\lambda_n) \end{bmatrix}.$$

**证明** 对单项式，由 $A^k = S\Lambda^kS^{-1}$（5.2 节）：

$$c_kA^k = c_kS\Lambda^kS^{-1} = S\left(c_k\Lambda^k\right)S^{-1}.$$

把 $k = 0, 1, \dots, m$ 逐项相加（$k = 0$ 时 $\Lambda^0 = I$、$A^0 = I$），并提出公共的 $S$ 与 $S^{-1}$：

$$f(A) = \sum_{k=0}^{m}c_kA^k = S\left(\sum_{k=0}^{m}c_k\Lambda^k\right)S^{-1} = Sf(\Lambda)S^{-1}.$$

而 $f(\Lambda)$ 是对角矩阵，其第 $i$ 个对角元为 $\sum_k c_k\lambda_i^k = f(\lambda_i)$ ✓。$\blacksquare$

> [!tip] 速算示范：$f(A)$ 可以「杀掉」某些特征方向
> 取 $A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$（特征值 $1$ 与 $3$，见 3.2 节的几何讨论）与 $f(x) = x^3 - 3x + 2 = (x-1)^2(x+2)$。
> 因为 $f(1) = 0$、$f(3) = 27 - 9 + 2 = 20$，所以
> $$f(A) = S\begin{bmatrix} 0 & 0 \\ 0 & 20 \end{bmatrix}S^{-1} = 20\,\mathbf{q}_2\mathbf{q}_2^{\mathrm{T}} = 20\cdot\frac{1}{2}\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix} = \begin{bmatrix} 10 & 10 \\ 10 & 10 \end{bmatrix},$$
> 其中 $\mathbf{q}_2 = \frac{1}{\sqrt{2}}(1,1)^{\mathrm{T}}$ 是 $\lambda = 3$ 的单位特征向量。
> **直接验算**：$A^2 = \begin{bmatrix} 5 & 4 \\ 4 & 5 \end{bmatrix}$，$A^3 = A^2A = \begin{bmatrix} 14 & 13 \\ 13 & 14 \end{bmatrix}$，于是
> $$A^3 - 3A + 2I = \begin{bmatrix} 14 - 6 + 2 & 13 - 3 \\ 13 - 3 & 14 - 6 + 2 \end{bmatrix} = \begin{bmatrix} 10 & 10 \\ 10 & 10 \end{bmatrix}. \quad \checkmark$$
> **读出来的信息**：$f(A)$ 的秩掉到 $1$，因为 $f(1) = 0$ 把 $\lambda = 1$ 的特征方向整个「压平」了。这正是 Cayley–Hamilton 定理（$f = $ 特征多项式时 $f(A) = O$）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）

> [!example] 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 $\mathbf{u}_k = \begin{bmatrix} j_k \\ a_k \end{bmatrix}$ 为第 $k$ 年的数量（单位：万）。每年每只成体产生 $4$ 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 $\mathbf{u}_0 = \begin{bmatrix} 200 \\ 100 \end{bmatrix}$。写出演化矩阵 $A$，求 $\mathbf{u}_k$，并讨论长期增长与年龄结构。
> （b）**Markov 链的幂**：设 $P = \begin{bmatrix} 0.8 & 0.3 \\ 0.2 & 0.7 \end{bmatrix}$（每一**列**和为 $1$）。求 $P^k$ 与极限 $\lim_{k\to\infty}P^k$，并求稳态分布。

**（a）第 1 步：写出演化矩阵。** 由题意

$$j_{k+1} = 4a_k, \qquad a_{k+1} = 0.5j_k,$$

即

$$\mathbf{u}_{k+1} = \begin{bmatrix} j_{k+1} \\ a_{k+1} \end{bmatrix} = \begin{bmatrix} 0 & 4 \\ 0.5 & 0 \end{bmatrix}\begin{bmatrix} j_k \\ a_k \end{bmatrix} = A\mathbf{u}_k, \qquad A = \begin{bmatrix} 0 & 4 \\ 0.5 & 0 \end{bmatrix}.$$

（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。**

$$\det(A - \lambda I) = \begin{vmatrix} -\lambda & 4 \\ 0.5 & -\lambda \end{vmatrix} = \lambda^2 - 2.$$

故

$$\lambda_1 = \sqrt{2} \approx 1.4142, \qquad \lambda_2 = -\sqrt{2} \approx -1.4142.$$

自检：$\operatorname{tr}A = 0 = \sqrt{2} + (-\sqrt{2})$ ✓，$\det A = 0 - 2 = -2 = \sqrt{2}\cdot(-\sqrt{2})$ ✓。两个特征值互异且模相等，故 $|\lambda_1| = |\lambda_2| = \sqrt{2}$。

**（a）第 3 步：求特征向量。** 对 $\lambda_1 = \sqrt{2}$：

$$A - \sqrt{2}I = \begin{bmatrix} -\sqrt{2} & 4 \\ 0.5 & -\sqrt{2} \end{bmatrix}, \qquad -\sqrt{2}x_1 + 4x_2 = 0 \Longrightarrow x_1 = \frac{4}{\sqrt{2}}x_2 = 2\sqrt{2}\,x_2.$$

取 $x_2 = 1$，得 $\mathbf{x}_1 = \begin{bmatrix} 2\sqrt{2} \\ 1 \end{bmatrix}$（$\lambda = 1$ 的行也给出同一个方程：$0.5x_1 = \sqrt{2}x_2$，即 $x_1 = 2\sqrt{2}x_2$ ✓）。同理对 $\lambda_2 = -\sqrt{2}$ 得

$$\mathbf{x}_2 = \begin{bmatrix} -2\sqrt{2} \\ 1 \end{bmatrix}.$$

**（a）第 4 步：分解初值。** 令 $\mathbf{u}_0 = c_1\mathbf{x}_1 + c_2\mathbf{x}_2$，即 $S\mathbf{c} = \mathbf{u}_0$，其中 $S = \begin{bmatrix} 2\sqrt{2} & -2\sqrt{2} \\ 1 & 1 \end{bmatrix}$：

$$\begin{cases} 2\sqrt{2}\left(c_1 - c_2\right) = 200 \\ c_1 + c_2 = 100 \end{cases} \Longrightarrow \begin{cases} c_1 - c_2 = \dfrac{100}{\sqrt{2}} = 50\sqrt{2} \\ c_1 + c_2 = 100 \end{cases}$$

$$c_1 = \frac{100 + 50\sqrt{2}}{2} = 50 + 25\sqrt{2} \approx 85.355, \qquad c_2 = 50 - 25\sqrt{2} \approx 14.645.$$

（自检：$c_1 + c_2 = 100$ ✓，$c_1 - c_2 = 50\sqrt{2}$ ✓。）

**（a）第 5 步：写出通项。**

$$\mathbf{u}_k = c_1\left(\sqrt{2}\right)^k\begin{bmatrix} 2\sqrt{2} \\ 1 \end{bmatrix} + c_2\left(-\sqrt{2}\right)^k\begin{bmatrix} -2\sqrt{2} \\ 1 \end{bmatrix}$$

即

$$j_k = 2\sqrt{2}\left[c_1\left(\sqrt{2}\right)^k - c_2\left(-\sqrt{2}\right)^k\right], \qquad a_k = c_1\left(\sqrt{2}\right)^k + c_2\left(-\sqrt{2}\right)^k.$$

**（a）第 6 步：验算前两步。** $k = 1$：

$$j_1 = 4a_0 = 400, \qquad a_1 = 0.5j_0 = 100.$$

公式给出 $j_1 = 2\sqrt{2}\left[c_1\sqrt{2} + c_2\sqrt{2}\right] = 4\left(c_1 + c_2\right) = 400$ ✓；$a_1 = \sqrt{2}\left(c_1 - c_2\right) = \sqrt{2}\cdot 50\sqrt{2} = 100$ ✓。

$k = 2$：$j_2 = 4a_1 = 400$，$a_2 = 0.5j_1 = 200$。公式给出 $j_2 = 2\sqrt{2}\left[c_1\cdot 2 - c_2\cdot 2\right] = 4\sqrt{2}\left(c_1 - c_2\right) = 4\sqrt{2}\cdot 50\sqrt{2} = 400$ ✓；$a_2 = 2\left(c_1 + c_2\right) = 200$ ✓。

**（a）第 7 步：长期行为。** 因为 $|\lambda_1| = |\lambda_2| = \sqrt{2}$，两项都按 $\left(\sqrt{2}\right)^k$ 增长，**总和（种群总数）每年乘 $\sqrt{2} \approx 1.4142$，即年增长率约 $41.4\%$**。但两项符号交替，所以：

- $k$ 为偶数时 $\left(-\sqrt{2}\right)^k = \left(\sqrt{2}\right)^k$，两项同号相加；
- $k$ 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 $\left(\sqrt{2}\right)^k$ 归一化后，它在两个方向之间交替。

当 $k$ 为**偶数**时：

$$\frac{\mathbf{u}_k}{\left(\sqrt{2}\right)^k} = \begin{bmatrix} 2\sqrt{2}\left(c_1 - c_2\right) \\ c_1 + c_2 \end{bmatrix} = \begin{bmatrix} 200 \\ 100 \end{bmatrix}, \qquad j:a = 2:1.$$

当 $k$ 为**奇数**时：

$$\frac{\mathbf{u}_k}{\left(\sqrt{2}\right)^k} = \begin{bmatrix} 2\sqrt{2}\left(c_1 + c_2\right) \\ c_1 - c_2 \end{bmatrix} = \begin{bmatrix} 200\sqrt{2} \\ 50\sqrt{2} \end{bmatrix}, \qquad j:a = 4:1.$$

（验算 $k = 1$：$\sqrt{2}\begin{bmatrix} 200\sqrt{2} \\ 50\sqrt{2} \end{bmatrix} = \begin{bmatrix} 400 \\ 100 \end{bmatrix}$，正是 $j_1 = 4a_0 = 400$、$a_1 = 0.5j_0 = 100$ ✓；$k = 3$ 同理给出 $(800, 200)^{\mathrm{T}}$ ✓。）

**于是 $j:a$ 的比例在 $2:1$ 与 $4:1$ 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 $2$ 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 $\lambda_1$ 增长」，需要**严格**的不等式

$$|\lambda_2| < \lambda_1.$$

本题中 $|\lambda_2| = \lambda_1 = \sqrt{2}$，条件是**临界**的，于是出现周期为 $2$ 的振荡（Leslie 模型的著名现象）。若让**成体也能存活一半**（即 $A = \begin{bmatrix} 0 & 4 \\ 0.5 & 0.5 \end{bmatrix}$，此时 $\operatorname{tr}A = 0.5$、$\det A = -2$），特征值满足 $\lambda^2 - 0.5\lambda - 2 = 0$，即 $1.686$ 与 $-1.186$，$\left|\lambda_2\right|/\lambda_1 \approx 0.70 < 1$，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。** $P$ 的每一列和为 $1$（随机矩阵），因此必有 $\lambda_1 = 1$：事实上 $P^{\mathrm{T}}\mathbf{1} = \mathbf{1}$，即 $\mathbf{1}$ 是 $P^{\mathrm{T}}$ 的特征向量，而 $P$ 与 $P^{\mathrm{T}}$ 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：

$$\operatorname{tr}P = 0.8 + 0.7 = 1.5 = 1 + \lambda_2 \Longrightarrow \lambda_2 = 0.5.$$

自检：$\det P = 0.8\times0.7 - 0.3\times0.2 = 0.56 - 0.06 = 0.5 = 1\times0.5$ ✓。

**（b）第 2 步：求特征向量。**

$\lambda_1 = 1$：$P - I = \begin{bmatrix} -0.2 & 0.3 \\ 0.2 & -0.3 \end{bmatrix}$，方程 $-0.2x_1 + 0.3x_2 = 0$，即 $x_1 = 1.5x_2$。取 $\mathbf{x}_1 = \begin{bmatrix} 3 \\ 2 \end{bmatrix}$。

$\lambda_2 = 0.5$：$P - 0.5I = \begin{bmatrix} 0.3 & 0.3 \\ 0.2 & 0.2 \end{bmatrix}$，方程 $x_1 + x_2 = 0$。取 $\mathbf{x}_2 = \begin{bmatrix} 1 \\ -1 \end{bmatrix}$。

**（b）第 3 步：求 $P^k$。** 由 $S = \begin{bmatrix} 3 & 1 \\ 2 & -1 \end{bmatrix}$，$\det S = -3 - 2 = -5$，

$$S^{-1} = \frac{1}{-5}\begin{bmatrix} -1 & -1 \\ -2 & 3 \end{bmatrix} = \begin{bmatrix} 0.2 & 0.2 \\ 0.4 & -0.6 \end{bmatrix}.$$

于是

$$P^k = S\begin{bmatrix} 1 & 0 \\ 0 & 0.5^k \end{bmatrix}S^{-1} = \begin{bmatrix} 3 & 0.5^k \\ 2 & -0.5^k \end{bmatrix}\begin{bmatrix} 0.2 & 0.2 \\ 0.4 & -0.6 \end{bmatrix} = \begin{bmatrix} 0.6 + 0.4\cdot 0.5^k & 0.6 - 0.6\cdot 0.5^k \\ 0.4 - 0.4\cdot 0.5^k & 0.4 + 0.6\cdot 0.5^k \end{bmatrix}.$$

**（b）第 4 步：验算。** $k = 0$：得 $\begin{bmatrix} 0.6 + 0.4 & 0.6 - 0.6 \\ 0.4 - 0.4 & 0.4 + 0.6 \end{bmatrix} = \begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}$ ✓。

$k = 1$：得 $\begin{bmatrix} 0.6 + 0.2 & 0.6 - 0.3 \\ 0.4 - 0.2 & 0.4 + 0.3 \end{bmatrix} = \begin{bmatrix} 0.8 & 0.3 \\ 0.2 & 0.7 \end{bmatrix} = P$ ✓。

**（b）第 5 步：取极限与稳态。** 因为 $|0.5| < 1$，$0.5^k \to 0$：

$$\lim_{k\to\infty}P^k = \begin{bmatrix} 0.6 & 0.6 \\ 0.4 & 0.4 \end{bmatrix}.$$

两列相同，说明**无论初始分布如何，最终的分布都趋于 $\begin{bmatrix} 0.6 \\ 0.4 \end{bmatrix}$** —— 这就是**稳态分布**（steady state）。它正比于特征向量 $\mathbf{x}_1 = (3,2)^{\mathrm{T}}$，归一化后为 $\frac{1}{5}(3,2)^{\mathrm{T}} = (0.6, 0.4)^{\mathrm{T}}$ ✓。

**答** （a）$A = \begin{bmatrix} 0 & 4 \\ 0.5 & 0 \end{bmatrix}$，$\mathbf{u}_k$ 由第 5 步的公式给出；种群每年增长 $\sqrt{2}$ 倍，年龄结构每两年交替一次，不收敛（因为 $|\lambda_2| = \lambda_1$）。（b）$P^k$ 如第 3 步，$\lim_{k\to\infty}P^k = \begin{bmatrix} 0.6 & 0.6 \\ 0.4 & 0.4 \end{bmatrix}$，稳态分布为 $(0.6, 0.4)^{\mathrm{T}}$。

> [!important] 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 | $\pm\sqrt{2}$ | $1,\ 0.5$ |
> | 主导特征值 | $\sqrt{2} > 1$ | $1$ |
> | 次特征值与主导之比 | $\left|\lambda_2\right|/\left|\lambda_1\right| = 1$ | $0.5$ |
> | 归一化后是否收敛 | **否**，周期 $2$ 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 $\left|\lambda_2\right| < \left|\lambda_1\right|$，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：$\mathbf{u}_{k+1} = A\mathbf{u}_k$ 的连续版本是 $\dfrac{\mathrm{d}\mathbf{u}}{\mathrm{d}t} = A\mathbf{u}$，那里的判据从 $|\lambda| < 1$ 换成 $\operatorname{Re}\lambda < 0$，见 [[6-3-微分方程组与矩阵指数]]。

### 13.3 用 numpy 验证（只依赖 numpy）

```python
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：

- $\mathbf{u}_6 = A^6\mathbf{u}_0 = (1600, 800)^{\mathrm{T}}$：总数从 $300$ 变成 $2400 = 300\times 2^3$，正是「**每两年翻一倍**」，即每年乘 $\sqrt{2}$ 的节奏（因为 $A^2 = 2I$，所以 $A^{2m} = 2^mI$，这一点用手算也能立刻验证：$A^2 = \begin{bmatrix} 0 & 4 \\ 0.5 & 0 \end{bmatrix}^2 = \begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}$）；
- $P^{10}$ 的两列几乎相同，趋近于稳态 $(0.6, 0.4)^{\mathrm{T}}$；
- $f(M)$ 用两条路线算出的结果完全一致，且**秩为 $1$**（$f(1) = 0$ 把 $\lambda = 1$ 的特征方向整个压平了）。

> [!warning] 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 $n$）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 $P$。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）

> [!example] 题目
> 设 $A$ 是 $n$ 阶矩阵，其 $n$ 个特征值 $\lambda_1, \dots, \lambda_n$ **两两互异**。证明：若 $n$ 阶矩阵 $C$ 满足 $AC = CA$，则 $C$ 一定是 $A$ 的多项式，即存在多项式 $f(x)$ 使 $C = f(A)$。并说明「特征值互异」这个条件能否去掉。

**证明**

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

$$A = S\Lambda S^{-1}, \qquad \Lambda = \operatorname{diag}\left(\lambda_1, \dots, \lambda_n\right), \qquad \det S \ne 0.$$

**第 2 步：把交换关系搬到对角坐标系。** 令 $B = S^{-1}CS$（$B$ 与 $C$ 相似，因此 $B$ 是我们要解出的对象）。由 $AC = CA$：

$$S\Lambda S^{-1}C = CS\Lambda S^{-1} \Longrightarrow \Lambda\left(S^{-1}C\right) = \left(S^{-1}C\right)\Lambda S^{-1}S = \left(S^{-1}C\right)\Lambda,$$

这里先左乘 $S^{-1}$ 再右乘 $S$，得到

$$\Lambda B = B\Lambda, \qquad B = S^{-1}CS.$$

**第 3 步：比较元素，证明 $B$ 是对角矩阵。** 记 $B = \left(b_{ij}\right)$。$\Lambda B$ 的 $(i,j)$ 元素是 $\lambda_ib_{ij}$（左乘对角矩阵给第 $i$ 行乘 $\lambda_i$），$B\Lambda$ 的 $(i,j)$ 元素是 $b_{ij}\lambda_j$（右乘对角矩阵给第 $j$ 列乘 $\lambda_j$）。由 $\Lambda B = B\Lambda$：

$$\left(\lambda_i - \lambda_j\right)b_{ij} = 0, \qquad \forall\, i, j.$$

当 $i \ne j$ 时 $\lambda_i \ne \lambda_j$（互异），故 $b_{ij} = 0$。于是

$$B = \operatorname{diag}\left(b_1, b_2, \dots, b_n\right), \qquad b_i = b_{ii}.$$

**第 4 步：构造插值多项式。** 因为 $\lambda_1, \dots, \lambda_n$ 两两互异，存在（唯一）次数不超过 $n-1$ 的多项式 $f$ 使

$$f(\lambda_i) = b_i, \qquad i = 1, 2, \dots, n$$

（这是经典的 Lagrange 插值问题：$n$ 个互异点上的取值可以唯一确定一个次数 $< n$ 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：

$$f(\Lambda) = \operatorname{diag}\left(f(\lambda_1), \dots, f(\lambda_n)\right) = \operatorname{diag}\left(b_1, \dots, b_n\right) = B.$$

再由定理 6.2.11（矩阵多项式的对角化公式），$f(A) = Sf(\Lambda)S^{-1}$。于是

$$C = SBS^{-1} = Sf(\Lambda)S^{-1} = f(A). \qquad \blacksquare$$

**第 6 步：去掉「互异」条件会怎样（两个反例）。**

- **反例一：$A = I$（特征值全相等）。** 任何矩阵 $C$ 都与 $I$ 可交换（$IC = CI$），但 $I$ 的多项式只有 $f(I) = f(1)I = cI$ 这一种形式，显然不能等于任意 $C$。
- **反例二：$A = \operatorname{diag}(1, 1, 2)$（有重根但可对角化）。** 取 $C = \operatorname{diag}(0, 1, 0)$，它与 $A$ 可交换（对角矩阵之间总可交换）。但 $A$ 的多项式必形如 $f(A) = \operatorname{diag}\left(f(1), f(1), f(2)\right)$ —— **前两个对角元必须相等**，而 $C$ 的前两个对角元是 $0$ 与 $1$，故 $C$ 不是 $A$ 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 $\ge 2$，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。

> [!tip] 这个结论的直观读法
> $A$ 有 $n$ 个互异特征值时，$\mathbb{R}^n$ 被 $A$ 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 $A$ 可交换的矩阵 $C$ 不能"打乱"这些方向（否则 $AC \ne CA$），所以它只能**在各个特征方向上分别伸缩**，也就是 $C = f(A)$。这与定理 6.2.6 中「$A$ 与 $A^{\mathrm{T}}$ 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 $AB$、$BA$ 的特征多项式）

> [!example] 题目
> （1）设 $A$ 可对角化，$k$ 为正整数。证明 $A^k$ 也可对角化，且 $A$ 的特征向量都是 $A^k$ 的特征向量；再举例说明**逆命题不成立**（即 $A^k$ 可对角化不能推出 $A$ 可对角化）。
> （2）设 $A, B$ 是**同阶**方阵。证明 $AB$ 与 $BA$ 有相同的特征多项式。

**（1）证明**

由 $A = S\Lambda S^{-1}$（$\Lambda = \operatorname{diag}(\lambda_1,\dots,\lambda_n)$、$S$ 可逆）得

$$A^k = \left(S\Lambda S^{-1}\right)^k = S\Lambda^kS^{-1},$$

中间的 $S^{-1}S$ 反复相消（见 5.2 节的说明）。因为 $\Lambda^k = \operatorname{diag}\left(\lambda_1^k, \dots, \lambda_n^k\right)$ 仍是对角矩阵，且 $S$ 可逆，所以 $A^k$ 可对角化。

再看特征向量：设 $A\mathbf{x}_i = \lambda_i\mathbf{x}_i$。则

$$A^k\mathbf{x}_i = \lambda_i^k\mathbf{x}_i$$

（对 $k$ 归纳：$A^{k}\mathbf{x}_i = A\left(\lambda_i^{k-1}\mathbf{x}_i\right) = \lambda_i^{k-1}A\mathbf{x}_i = \lambda_i^k\mathbf{x}_i$）。所以 $A$ 的每个特征向量都是 $A^k$ 的特征向量，对应特征值为 $\lambda_i^k$。$\blacksquare$

**逆命题的反例。** 取

$$A = \begin{bmatrix} 0 & 1 \\ 0 & 0 \end{bmatrix}, \qquad A^2 = \begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix} = O.$$

零矩阵当然可对角化（它本身就是对角矩阵）。但 $A$ 不可对角化：它的特征多项式是 $\lambda^2$，唯一特征值 $\lambda = 0$ 的代数重数为 $2$，而 $A - 0\cdot I = A$ 的秩为 $1$，故 $g(0) = 2 - 1 = 1 < 2$，由定理 6.2.7 不可对角化。

**（2）证明**

**情形一：$A$ 可逆。** 此时

$$BA = A^{-1}\left(AB\right)A,$$

（把右边展开：$A^{-1}(AB)A = A^{-1}ABA = BA$ ✓）。这说明 $BA$ 与 $AB$ **相似**，过渡矩阵是 $A^{-1}$（也可取 $A$）。由定理 6.2.5，相似矩阵有相同的特征多项式：

$$\det\left(\lambda I - BA\right) = \det\left(\lambda I - AB\right). \qquad \checkmark$$

**情形二：$A$ 不可逆（一般情形）。** 用分块行列式的恒等式。先证明对任意 $n$ 阶 $X, Y$ 有

$$\det\left(I - XY\right) = \det\left(I - YX\right). \qquad (\ast)$$

考察 $2n$ 阶分块矩阵 $\begin{bmatrix} I & X \\ Y & I \end{bmatrix}$，用两种方式做分块消元：

- 用左上角的 $I$ 消去左下角的 $Y$：第二行减去「$Y$ 乘第一行」，得到 $\begin{bmatrix} I & X \\ 0 & I - YX \end{bmatrix}$，其行列式为 $\det I \cdot \det\left(I - YX\right) = \det\left(I - YX\right)$。
- 用右下角的 $I$ 消去右上角的 $X$：第一行减去「$X$ 乘第二行」，得到 $\begin{bmatrix} I - XY & 0 \\ Y & I \end{bmatrix}$，其行列式为 $\det\left(I - XY\right)\cdot\det I = \det\left(I - XY\right)$。

（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，$(\ast)$ 成立。

现在取任意 $\lambda \ne 0$，在 $(\ast)$ 中令 $X = A/\lambda$、$Y = B$：

$$\det\left(I - \frac{AB}{\lambda}\right) = \det\left(I - \frac{BA}{\lambda}\right).$$

两边同乘 $\lambda^n$（$n$ 阶矩阵，$\det(cM) = c^n\det M$）：

$$\det\left(\lambda I - AB\right) = \det\left(\lambda I - BA\right), \qquad \forall\, \lambda \ne 0.$$

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

$$\det\left(\lambda I - AB\right) \equiv \det\left(\lambda I - BA\right). \qquad \blacksquare$$

**顺带得到的结论**：同阶方阵总有 $\operatorname{tr}(AB) = \operatorname{tr}(BA)$（比较 $\lambda^{n-1}$ 的系数）与 $\det(AB) = \det(BA)$（令 $\lambda = 0$）。前者正是定理 6.2.5 中「迹在轮换下不变」这一性质的来源。

> [!warning] 注意「特征多项式相同」不等于「相似」
> （2）的结论只说 $AB$ 与 $BA$ 的**特征多项式**相同，并不保证它们相似。例如 $A = \begin{bmatrix} 1 & 0 \\ 0 & 0 \end{bmatrix}$、$B = \begin{bmatrix} 0 & 0 \\ 1 & 0 \end{bmatrix}$ 给出 $AB = O$ 而 $BA = \begin{bmatrix} 0 & 0 \\ 1 & 0 \end{bmatrix}$：两者特征多项式都是 $\lambda^2$，但 $AB = O$ 与任意矩阵相乘都为零，$BA \ne O$（$BA$ 具有秩 $1$，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

> [!important] 三张"身份证"
> **1. 对角化公式（全篇的主公式）**
> $$A = S\Lambda S^{-1} \quad\Longleftrightarrow\quad S^{-1}AS = \Lambda \quad\Longleftrightarrow\quad AS = S\Lambda,$$
> 其中 $S$ 的列是 $A$ 的 $n$ 个线性无关特征向量，$\Lambda$ 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：
> $$A^k = S\Lambda^kS^{-1}, \qquad f(A) = Sf(\Lambda)S^{-1}, \qquad e^{At} = Se^{\Lambda t}S^{-1}.$$
>
> **2. 可对角化的判据（考试用这张表）**
>
> | 判据 | 结论 | 使用场景 |
> |---|---|---|
> | 有 $n$ 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 $g(\lambda) = a(\lambda)$ | 可对角化 | **手算主判据** |
> | $\sum_i g(\lambda_i) = n$ | 可对角化 | 等价表述 |
> | $n$ 个特征值互异 | 可对角化（充分不必要） | 最快的捷径 |
> | $A$ 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 $\lambda$ 使 $g(\lambda) < a(\lambda)$ | **不可**对角化 | 一眼否定 |
> | 最小多项式无重根 | 可对角化 | 求 $A^k$、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、$a(\lambda)$、$g(\lambda)$、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（$n \ge 3$ 或存在重根时唯一可靠的判据） | 理论分类 |

> [!tip] 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）**：$A^k = S\Lambda^kS^{-1}$ 把 $\lambda^k$ 换成 $e^{\lambda t}$ 就是 [[6-3-微分方程组与矩阵指数]] 的 $e^{At} = Se^{\Lambda t}S^{-1}$；离散判据 $|\lambda| < 1$ 与连续判据 $\operatorname{Re}\lambda < 0$ 互为对应。
> - **向下（升级）**：矩阵对称时 $S$ 可换成正交矩阵 $Q$，得到 $A = Q\Lambda Q^{\mathrm{T}}$，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]]。

> [!warning] 自测清单（能全部答出来才算掌握）
> 1. 为什么对角化要求 $S$ 可逆？如果特征向量只有 $k < n$ 个，能得到什么形式的部分结论？
> 2. $g(\lambda) \le a(\lambda)$ 的不等号方向为什么不能反？举一个 $g = a$ 的重根例子与一个 $g < a$ 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 $3$ 阶例子。
> 4. 不可对角化的矩阵如何求 $A^k$？为什么结果里会出现因子 $k$？这与最小多项式有什么关系？
> 5. $A$ 可对角化时，$f(A)$ 的秩为什么可能远小于 $A$ 的秩？请用 $f(1) = 0$ 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 $\mathbf{u}_{k+1} = A\mathbf{u}_k$ 换成连续版本 $\mathrm{d}\mathbf{u}/\mathrm{d}t = A\mathbf{u}$，对角化变成计算矩阵指数 $e^{At}$ 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 $A = Q\Lambda Q^{\mathrm{T}}$，本篇的一般结论在那里被加强。
- [[附录-矩阵分解总览]]：$A = S\Lambda S^{-1}$ 与 $A = LU$、$A = QR$、$A = U\Sigma V^{\mathrm{T}}$ 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 $\lambda_1 = 1$ 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」。
