Diagonalizing a Matrix 利用线性变换，将可对角化的一般矩阵转化为对角矩阵（如果不能对角化，可以化为 Jordan矩阵）
一、矩阵对角化的原理
对可对角化的矩阵 , 计算特征值和特征向量，得到两个特殊矩阵：
\large A \vec{x}=\lambda\vec{x} \end{align}$$ 1. **对角矩阵** $\Lambda$：对角线上的各个元素为**特征值** 2. **矩阵** $X$：各个列向量为对角矩阵上的特征值元素所对应的**特征向量** $$\begin{align} AX=A \begin{pmatrix} \\ \mathbf{x}_{1} & \cdots & \mathbf{x}_{n}\\ \\ \end{pmatrix}=\begin{pmatrix} \\ \lambda_{1}\mathbf{x}_{1} & \cdots & \lambda_{n}\mathbf{x}_{n}\\ \\ \end{pmatrix} \end{align}$$ $$\begin{align} X\Lambda=\begin{pmatrix} \\ \mathbf{x}_{1} & \cdots & \mathbf{x}_{n}\\ \\ \end{pmatrix} \begin{pmatrix} \lambda_{1}\\ & \ddots \\ & & \lambda_{n} \end{pmatrix}=\begin{pmatrix} \\ \lambda_{1}\mathbf{x}_{1} & \cdots & \lambda_{n}\mathbf{x}_{n}\\ \\ \end{pmatrix} \end{align}$$ 所以有 $AX=X\Lambda$，进一步可以将（**可对角化的**）矩阵进行对角化： $$\begin{align} A=X\Lambda X^{-1} \quad \Lambda=X^{-1}AX \end{align}$$ 利用矩阵对角化，可以方便地计算**矩阵的幂**： $$\begin{align} A^{k}=(X\Lambda X^{-1})(X\Lambda X^{-1})\cdots(X\Lambda X^{-1})=X\Lambda^{k}X^{-1} \end{align}$$ **相似矩阵**：**Similar Matrix** 如果 $A=BCB^{-1}$ ，只要 $B$ 可逆，则称 $A$ 和 $C$ 相似，且 $A$ 和 $C$ 有相同的特征值 假设有 $C\mathbf{x}=\lambda \mathbf{x}$, 则：$AB\mathbf{x}=BCB^{-1}B\mathbf{x}=BC\mathbf{x}= B\lambda \mathbf{x} =\lambda(B\mathbf{x})$ 所以 $A$ 也有相同的特征值 $\lambda$ ### 二、矩阵对角化的条件 之前反复出现的条件：**可对角化**，具体指的是什么呢？ 几何重数 Geometric Multiplicity ：线性独立的**特征向量**的数目 代数重数 Algebraic Multiplicity ：**特征值** 的最大重复数 如果 GM < AM，则 A 不能被对角化 ### 三、应用实例 研究微分方程和差分方程 求解差分方程：[[斐波那契数列\|斐波那契数列]] 求解微分方程：[[微分方程组\|微分方程组]] --- ## AI 结构化补充（2026-05-02） **Diagonalizing a Matrix** 利用[[线性变换\|线性变换]]，将**可对角化**的一般矩阵转化为对角矩阵（如果不能对角化，可以化为 [[Jordan矩阵\|Jordan矩阵]]） 严格地说，设 $A$ 是域 $\mathbb F$ 上的 $n$ 阶方阵。若存在可逆矩阵 $X\in\mathbb F^{n\times n}$ 与对角矩阵 $\Lambda\in\mathbb F^{n\times n}$，使X
则称 $A$ 在 $\mathbb F$ 上可对角化。域不能省略：实矩阵可能不能在 $\mathbb R$ 上对角化，却可以在 $\mathbb C$ 上对角化，例如平面旋转矩阵的特征值通常是复数。 ### 一、矩阵对角化的原理 对**可对角化**的矩阵 $A$, 计算[[特征值和特征向量\|特征值和特征向量]]，得到两个特殊矩阵： $$\begin{align} \large A \vec{x}=\lambda\vec{x} \end{align}$$ 1. **对角矩阵** $\Lambda$：对角线上的各个元素为**特征值** 2. **矩阵** $X$：各个列向量为对角矩阵上的特征值元素所对应的**特征向量** $$\begin{align} AX=A \begin{pmatrix} \\ \mathbf{x}_{1} & \cdots & \mathbf{x}_{n}\\ \\ \end{pmatrix}=\begin{pmatrix} \\ \lambda_{1}\mathbf{x}_{1} & \cdots & \lambda_{n}\mathbf{x}_{n}\\ \\ \end{pmatrix} \end{align}$$ $$\begin{align} X\Lambda=\begin{pmatrix} \\ \mathbf{x}_{1} & \cdots & \mathbf{x}_{n}\\ \\ \end{pmatrix} \begin{pmatrix} \lambda_{1}\\ & \ddots \\ & & \lambda_{n} \end{pmatrix}=\begin{pmatrix} \\ \lambda_{1}\mathbf{x}_{1} & \cdots & \lambda_{n}\mathbf{x}_{n}\\ \\ \end{pmatrix} \end{align}$$ 所以有 $AX=X\Lambda$，进一步可以将（**可对角化的**）矩阵进行对角化： $$\begin{align} A=X\Lambda X^{-1} \quad \Lambda=X^{-1}AX \end{align}$$ $A=X\Lambda X^{-1}$ 的精确条件是 $X$ 可逆，也就是 $n$ 阶矩阵 $A$ 有 $n$ 个线性无关特征向量。$X$ 的列是右特征向量，$\Lambda$ 的对角元是对应特征值；$X^{-1}$ 的各行给出与这组基配对的左侧坐标。 利用矩阵对角化，可以方便地计算**矩阵的幂**： $$\begin{align} A^{k}=(X\Lambda X^{-1})(X\Lambda X^{-1})\cdots(X\Lambda X^{-1})=X\Lambda^{k}X^{-1} \end{align}$$ **相似矩阵**：**Similar Matrix** 如果 $A=BCB^{-1}$ ，只要 $B$ 可逆，则称 $A$ 和 $C$ 相似，且 $A$ 和 $C$ 有相同的特征值 假设有 $C\mathbf{x}=\lambda \mathbf{x}$, 则：$A(B\mathbf{x})=BCB^{-1}B\mathbf{x}=BC\mathbf{x}= B\lambda \mathbf{x} =\lambda(B\mathbf{x})$ 所以 $A$ 也有相同的特征值 $\lambda$ ### 二、矩阵对角化的条件 之前反复出现的条件：**可对角化**，具体指的是什么呢？ 几何重数 Geometric Multiplicity ：线性独立的**特征向量**的数目 代数重数 Algebraic Multiplicity ：**特征值** 的最大重复数 如果 GM < AM，则 A 不能被对角化 更完整的判别是：$A$ 在 $\mathbb F$ 上可对角化，当且仅当特征多项式在 $\mathbb F$ 中完全分裂，并且每个特征值 $\lambda$ 的几何重数等于代数重数：\dim\ker(A-\lambda I)=m_a(\lambda).
在复数域中，特征多项式总能分裂，所以主要障碍是特征向量是否足够；在实数域中，还要先检查是否存在非实特征值。 ### 三、应用实例 研究微分方程和差分方程 求解差分方程：[[斐波那契数列\|斐波那契数列]] 求解微分方程：[[微分方程组\|微分方程组]] ### 可对角化边界 矩阵对角化的核心分解是X^{-1}AX=\Lambda, \qquad A=X\Lambda X
其中 $X$ 的列是 $n$ 个线性无关特征向量，$\Lambda$ 的对角元是对应特征值。这个前提不能省略：有特征值不等于有足够多的特征向量。 互异特征值保证对应特征向量线性无关，因此给出可对角化的充分条件。重特征值不必导致失败，但必须检查几何重数是否等于代数重数；若某个重根缺少足够特征向量，只能转向 Jordan 形式或其他标准形。 对角化的几何含义是把空间分解成若干一维不变方向：V=E_{\lambda_1}\oplus\cdots\oplus E_{\lambda_s},
其中每个 $E_{\lambda}$ 是特征子空间。在这些方向上，线性变换只做标量伸缩。若只能分解出二维旋转平面或广义特征向量链，就不能在原域上写成纯对角形式。 ### 核心公式链 把特征向量按列排成X=[x_1\ \cdots\ x_n], \qquad \Lambda=\operatorname{diag}(\lambda_1,\ldots,\lambda_n),
则每个列等式 $Ax_i=\lambda_i x_i$ 合并为AX=X\Lambda.
如果这些特征向量线性无关，$X^{-1}$ 存在，公式可以改写成两种等价的对角化形式：X^{-1}AX=\Lambda, \qquad A=X\Lambda X
这个链条强调了两个边界：$\Lambda$ 的对角元顺序必须和 $X$ 的列顺序一致；没有满秩 $X$ 时，$X^{-1}$ 不存在，公式就不能成立。 唯一性只发生在有限意义上。特征值的多重集合由 $A$ 唯一决定，但 $\Lambda$ 的对角顺序可以任意交换，只要同步交换 $X$ 的列。每个特征向量也可以乘以非零标量；在重特征值对应的特征子空间内，还可以任取一组基。因此 $X$ 通常远不唯一，真正不变的是各特征子空间及其维数。 ### 三角矩阵例子 三角矩阵的特征值可直接从对角线读出。例如A=\begin{pmatrix}1&5\0&6\end{pmatrix}
的特征值是 $1,6$，可取特征向量x_1=\begin{pmatrix}1\0\end{pmatrix}, \qquad x_2=\begin{pmatrix}1\1\end{pmatrix}, \qquad X=\begin{pmatrix}1&1\0&1\end{pmatrix}.
X^{-1}AX
\begin{pmatrix}1&-1\0&1\end{pmatrix} \begin{pmatrix}1&5\0&6\end{pmatrix} \begin{pmatrix}1&1\0&1\end{pmatrix}
\begin{pmatrix}1&0\0&6\end{pmatrix}.
A^k =X\Lambda^kX^{-1}
\begin{pmatrix} 1&6^k-1\ 0&6^k \end{pmatrix}.
### 可对角化与可逆性 没有重复特征值时，不同特征值对应的特征向量自动线性无关，所以 $n$ 阶矩阵若有 $n$ 个互异特征值，就一定可对角化。反过来，重复特征值只表示需要检查特征向量是否足够，并不自动失败。 可逆性和可对角化不是同一件事。可逆性只看特征值中是否有 $0$；可对角化看能否找到足够多线性无关特征向量。矩阵\begin{pmatrix}1&1\0&1\end{pmatrix}
行列式为 $1$，所以可逆，但它只有一条特征向量方向，不能对角化；而\begin{pmatrix}0&0\0&1\end{pmatrix}
已经是对角矩阵，所以可对角化，却不可逆。 还要注意两个极端情形。标量矩阵 $A=\lambda I$ 已经是对角矩阵，且任意基都是特征向量基，因此对角化最不唯一。Jordan 块\begin{pmatrix}\lambda&1\0&\lambda\end{pmatrix}