mobile wallpaper 1mobile wallpaper 2mobile wallpaper 3mobile wallpaper 4
Profile Image of the Author
Coldgerm
Bilibili
公告
还在建还在建UvU
标签
2080 字
5 分钟
5.3矩阵的对角化
2026-06-14
线性代数
矩阵
/
对角化
/
数学
/
线性代数
  • 矩阵可对角化的条件
    • n阶矩阵A可对角化的充要条件是有n个线性无关的特征向量
    • 若n阶矩阵A有n个互异的特征值，则A可对角化
    • A的每个重特征值对应的线性无关特征向量的个数恰好等于该特征值的重数；
    • 对于 A的任一s重特征值，齐次线性方程组的基础解系含有s个向量
    • 对于 A 的任一s重特征值，有 nr(入E一A)=s；
    • 对于 A 的任一 s重特征值，有 r(入E一A)=n一s。　
  • 可逆矩阵P及对角形矩阵的求法

矩阵的对角化#

一、可对角化的定义#

设 A\boldsymbol{A} 为 nn 阶方阵，若存在可逆矩阵P\boldsymbol{P}，使得：

P−1AP=Λ\boxed{\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{\Lambda}}

其中 Λ=(λ10λ2⋱0λn)\boldsymbol{\Lambda} = \begin{pmatrix}\lambda_1 & & & 0 \\& \lambda_2 & & \\& & \ddots & \\0 & & & \lambda_n\end{pmatrix} 为对角形矩阵，则称 A\boldsymbol{A}可对角化（diagonalizable）。

Λ\boldsymbol{\Lambda} 的对角线元素就是 A\boldsymbol{A} 的全部 nn 个特征值（重根按重数出现）。P\boldsymbol{P} 的列向量就是 A\boldsymbol{A} 的 nn 个线性无关的特征向量。

二、矩阵可对角化的条件#

2.1 充要条件（核心定理）#

定理：nn 阶矩阵 A\boldsymbol{A} 可对角化的充要条件是 A\boldsymbol{A} 有 nn 个线性无关的特征向量。

含义：只要能从 A\boldsymbol{A} 的所有特征向量中找出 nn 个线性无关的，把它们按列排成 P\boldsymbol{P}，P\boldsymbol{P} 就可逆，进而实现对角化。

2.2 充分条件（便于快速判定）#

充分条件一：nn 个互异特征值#

若 nn 阶矩阵 A\boldsymbol{A} 有 nn 个互不相同的特征值，则 A\boldsymbol{A}一定可对角化。

原因：不同特征值对应的特征向量线性无关，nn 个互异特征值各自提供一个特征向量，共 nn 个线性无关的特征向量，满足充要条件。

注意：这是充分非必要条件。有重特征值时仍然可能可对角化，需要进一步判定。

充分条件二：实对称矩阵#

若 A\boldsymbol{A} 是实对称矩阵（AT=A\boldsymbol{A}^\mathrm{T} = \boldsymbol{A}），则 A\boldsymbol{A}一定可对角化，且存在正交矩阵Q\boldsymbol{Q} 使得 Q−1AQ=QTAQ=Λ\boldsymbol{Q}^{-1}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{Q}^\mathrm{T}\boldsymbol{A}\boldsymbol{Q} = \boldsymbol{\Lambda}。

2.3 含重特征值的判定条件（关键）#

当 A\boldsymbol{A} 有重特征值时，可对角化的判定需要逐一检查每个重特征值。

设 λ0\lambda_0 是 A\boldsymbol{A} 的一个 ss 重特征值（即特征多项式含因子 (λ−λ0)s(\lambda - \lambda_0)^s），有以下等价条件：

等价条件 ①：线性无关特征向量个数 = 重数#

A\boldsymbol{A} 可对角化 ⟺\Longleftrightarrow 对 A\boldsymbol{A} 的每个特征值，其线性无关特征向量的个数恰好等于该特征值的重数。

即对任一 ss 重特征值 λ0\lambda_0，属于 λ0\lambda_0 的线性无关特征向量恰有 ss 个。

等价条件 ②：基础解系含 ss 个向量#

A\boldsymbol{A} 可对角化 ⟺\Longleftrightarrow 对 A\boldsymbol{A} 的任一 ss 重特征值 λ0\lambda_0，齐次线性方程组 (λ0E−A)x=0(\lambda_0 \boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \boldsymbol{0} 的基础解系含有 ss 个向量。

基础解系中向量的个数 = 自由变量的个数 = n−r(λ0E−A)n - r(\lambda_0 \boldsymbol{E} - \boldsymbol{A})，也就是解空间的维数。

等价条件 ③：自由变量的个数 = ss#

A\boldsymbol{A} 可对角化 ⟺\Longleftrightarrow 对 A\boldsymbol{A} 的任一 ss 重特征值 λ0\lambda_0，有：

n−r(λ0E−A)=s\boxed{n - r(\lambda_0 \boldsymbol{E} - \boldsymbol{A}) = s}

即：自由变量的个数 = 该特征值的重数。

其中：

  • nn = 未知数个数（矩阵阶数）
  • r(λ0E−A)r(\lambda_0 \boldsymbol{E} - \boldsymbol{A}) = 矩阵 (λ0E−A)(\lambda_0 \boldsymbol{E} - \boldsymbol{A}) 的秩
  • n−r(λ0E−A)n - r(\lambda_0 \boldsymbol{E} - \boldsymbol{A}) = 齐次方程组 (λ0E−A)x=0(\lambda_0 \boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \boldsymbol{0} 的基础解系中向量个数

等价条件 ④：秩的条件#

A\boldsymbol{A} 可对角化 ⟺\Longleftrightarrow 对 A\boldsymbol{A} 的任一 ss 重特征值 λ0\lambda_0，有：

r(λ0E−A)=n−s\boxed{r(\lambda_0 \boldsymbol{E} - \boldsymbol{A}) = n - s}

这是条件 ③ 的等价变形，移项即得。

2.4 条件总结表#

条件类型具体表述
充要条件A\boldsymbol{A} 有 nn 个线性无关的特征向量
充分条件一A\boldsymbol{A} 有 nn 个互不相同的特征值
充分条件二A\boldsymbol{A} 是实对称矩阵
充要条件（重根情形）对每个 ss 重特征值 λ0\lambda_0，以下全等价：
① 线性无关特征向量个数 = ss
② (λ0E−A)x=0(\lambda_0 \boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \boldsymbol{0} 的基础解系含 ss 个向量
③ n−r(λ0E−A)=sn - r(\lambda_0 \boldsymbol{E} - \boldsymbol{A}) = s
④ r(λ0E−A)=n−sr(\lambda_0 \boldsymbol{E} - \boldsymbol{A}) = n - s

三、两个核心概念：代数重数与几何重数#

3.1 定义#

概念定义通俗理解
代数重数特征值 λ0\lambda_0 在特征多项式中的重数 ss“理论上”有多少个 λ0\lambda_0
几何重数属于 λ0\lambda_0 的线性无关特征向量的个数 = n−r(λ0E−A)n - r(\lambda_0 \boldsymbol{E} - \boldsymbol{A})“实际上”能找到几个线性无关的特征向量

3.2 可对角化的重述#

A 可对角化  ⟺  对每个特征值，几何重数 = 代数重数\boldsymbol{A} \text{ 可对角化} \;\Longleftrightarrow\; \text{对每个特征值，几何重数 = 代数重数}

恒有：几何重数 ⩽\leqslant 代数重数（ss 重特征值的线性无关特征向量个数 ⩽s\leqslant s）。可对角化就是要求这个 ⩽\leqslant 取到等号。

四、可逆矩阵 P\boldsymbol{P} 及对角形矩阵 Λ\boldsymbol{\Lambda} 的求法#

4.1 标准步骤#

第一步：求全部特征值#

解特征方程 ∣λE−A∣=0|\lambda \boldsymbol{E} - \boldsymbol{A}| = 0，得到 A\boldsymbol{A} 的全部 nn 个特征值 λ1,λ2,…,λn\lambda_1, \lambda_2, \dots, \lambda_n（重根按重数重复写出）。

第二步：判断是否可对角化#

  • 若共有 nn 个互异特征值 → 一定可对角化，继续。
  • 若有重特征值，对每个 ss 重特征值 λ0\lambda_0，计算 r(λ0E−A)r(\lambda_0 \boldsymbol{E} - \boldsymbol{A})，验证 r=n−sr = n - s 是否成立。若对每个重特征值都成立，则可对角化；若有一个不成立，则不可对角化，停止。

第三步：对每个特征值求特征向量#

对每个特征值 λi\lambda_i，求解齐次线性方程组：

(λiE−A)x=0(\lambda_i \boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \boldsymbol{0}
  • 若 λi\lambda_i 是单特征值，求出1 个线性无关的特征向量 αi\boldsymbol{\alpha}_i。
  • 若 λi\lambda_i 是 ss 重特征值，求出 ss 个线性无关的特征向量 αi1,αi2,…,αis\boldsymbol{\alpha}_{i1}, \boldsymbol{\alpha}_{i2}, \dots, \boldsymbol{\alpha}_{is}（即基础解系）。

第四步：构造可逆矩阵 P\boldsymbol{P}#

将得到的 nn 个线性无关的特征向量按列排布：

P=(α1,α2,…,αn)\boxed{\boldsymbol{P} = (\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \dots, \boldsymbol{\alpha}_n)}

注意：列向量的排列顺序必须与对角矩阵中特征值的排列顺序一一对应。

第五步：写出对角形矩阵 Λ\boldsymbol{\Lambda}#

在 Λ\boldsymbol{\Lambda} 的主对角线上，按 P\boldsymbol{P} 中列向量的对应顺序放置特征值：

Λ=(λ10λ2⋱0λn)\boxed{\boldsymbol{\Lambda} = \begin{pmatrix} \lambda_1 & & & 0 \\ & \lambda_2 & & \\ & & \ddots & \\ 0 & & & \lambda_n \end{pmatrix}}

其中 λi\lambda_i 的位置对应 αi\boldsymbol{\alpha}_i 在 P\boldsymbol{P} 中的列位置。

第六步：验证（可选）#

验证 P−1AP=Λ\boldsymbol{P}^{-1}\boldsymbol{A}\boldsymbol{P} = \boldsymbol{\Lambda}，或等价地 AP=PΛ\boldsymbol{A}\boldsymbol{P} = \boldsymbol{P}\boldsymbol{\Lambda}。

4.2 完整示例#

将矩阵 A=(1−113)\boldsymbol{A} = \begin{pmatrix} 1 & -1 \\ 1 & 3 \end{pmatrix} 对角化（若可对角化）。

第一步：求特征值#

∣λE−A∣=∣λ−11−1λ−3∣=(λ−1)(λ−3)+1=λ2−4λ+4=(λ−2)2|\lambda \boldsymbol{E} - \boldsymbol{A}| = \begin{vmatrix} \lambda-1 & 1 \\ -1 & \lambda-3 \end{vmatrix} = (\lambda-1)(\lambda-3) + 1 = \lambda^2 - 4\lambda + 4 = (\lambda-2)^2

特征值：λ=2\lambda = 2（二重特征值，s=2s = 2）。

第二步：判断可对角化#

(λE−A)=(11−1−1)→行变换(1100)(\lambda \boldsymbol{E} - \boldsymbol{A}) = \begin{pmatrix} 1 & 1 \\ -1 & -1 \end{pmatrix} \xrightarrow{\text{行变换}} \begin{pmatrix} 1 & 1 \\ 0 & 0 \end{pmatrix}

r(2E−A)=1r(2\boldsymbol{E} - \boldsymbol{A}) = 1，n−s=2−2=0n - s = 2 - 2 = 0。

1≠01 \neq 0，即 r≠n−sr \neq n - s → 不可对角化。停止。

4.3 另一个示例（可对角化）#

将矩阵 A=(2112)\boldsymbol{A} = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix} 对角化。

第一步：求特征值#

∣λE−A∣=∣λ−2−1−1λ−2∣=(λ−2)2−1=(λ−1)(λ−3)|\lambda \boldsymbol{E} - \boldsymbol{A}| = \begin{vmatrix} \lambda-2 & -1 \\ -1 & \lambda-2 \end{vmatrix} = (\lambda-2)^2 - 1 = (\lambda-1)(\lambda-3)

特征值：λ1=1\lambda_1 = 1（单根），λ2=3\lambda_2 = 3（单根）。共 2 个互异特征值 → 可对角化。

第二步：求 λ1=1\lambda_1 = 1 的特征向量#

(1E−A)=(−1−1−1−1)→行变换(1100)(1\boldsymbol{E} - \boldsymbol{A}) = \begin{pmatrix} -1 & -1 \\ -1 & -1 \end{pmatrix} \xrightarrow{\text{行变换}} \begin{pmatrix} 1 & 1 \\ 0 & 0 \end{pmatrix}

同解方程 x1+x2=0  ⟹  x1=−x2x_1 + x_2 = 0 \;\Longrightarrow\; x_1 = -x_2。取 x2=1x_2 = 1，得：

α1=(−11)\boldsymbol{\alpha}_1 = \begin{pmatrix} -1 \\ 1 \end{pmatrix}

第三步：求 λ2=3\lambda_2 = 3 的特征向量#

(3E−A)=(1−1−11)→行变换(1−100)(3\boldsymbol{E} - \boldsymbol{A}) = \begin{pmatrix} 1 & -1 \\ -1 & 1 \end{pmatrix} \xrightarrow{\text{行变换}} \begin{pmatrix} 1 & -1 \\ 0 & 0 \end{pmatrix}

同解方程 x1−x2=0  ⟹  x1=x2x_1 - x_2 = 0 \;\Longrightarrow\; x_1 = x_2。取 x2=1x_2 = 1，得：

α2=(11)\boldsymbol{\alpha}_2 = \begin{pmatrix} 1 \\ 1 \end{pmatrix}

第四步：构造 P\boldsymbol{P} 和 Λ\boldsymbol{\Lambda}#

P=(α1,α2)=(−1111)\boldsymbol{P} = (\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2) = \begin{pmatrix} -1 & 1 \\ 1 & 1 \end{pmatrix}Λ=(λ100λ2)=(1003)\boldsymbol{\Lambda} = \begin{pmatrix} \lambda_1 & 0 \\ 0 & \lambda_2 \end{pmatrix} = \begin{pmatrix} 1 & 0 \\ 0 & 3 \end{pmatrix}

验证#

AP=(2112)(−1111)=(−1313)\boldsymbol{A}\boldsymbol{P} = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix} \begin{pmatrix} -1 & 1 \\ 1 & 1 \end{pmatrix} = \begin{pmatrix} -1 & 3 \\ 1 & 3 \end{pmatrix}PΛ=(−1111)(1003)=(−1313)\boldsymbol{P}\boldsymbol{\Lambda} = \begin{pmatrix} -1 & 1 \\ 1 & 1 \end{pmatrix} \begin{pmatrix} 1 & 0 \\ 0 & 3 \end{pmatrix} = \begin{pmatrix} -1 & 3 \\ 1 & 3 \end{pmatrix}

AP=PΛ\boldsymbol{A}\boldsymbol{P} = \boldsymbol{P}\boldsymbol{\Lambda} ✓

五、含重特征值且可对角化的示例#

将矩阵 A=(001010100)\boldsymbol{A} = \begin{pmatrix} 0 & 0 & 1 \\ 0 & 1 & 0 \\ 1 & 0 & 0 \end{pmatrix} 对角化。

第一步：求特征值#

∣λE−A∣=∣λ0−10λ−10−10λ∣|\lambda \boldsymbol{E} - \boldsymbol{A}| = \begin{vmatrix} \lambda & 0 & -1 \\ 0 & \lambda-1 & 0 \\ -1 & 0 & \lambda \end{vmatrix}

按第二行展开：

=(λ−1)(λ2−1)=(λ−1)2(λ+1)= (\lambda-1)(\lambda^2 - 1) = (\lambda-1)^2(\lambda+1)

特征值：λ1=1\lambda_1 = 1（二重，s=2s = 2），λ2=−1\lambda_2 = -1（单根）。

第二步：判断可对角化#

对 λ=1\lambda = 1：

(1E−A)=(10−1000−101)→行变换(10−1000000)(1\boldsymbol{E} - \boldsymbol{A}) = \begin{pmatrix} 1 & 0 & -1 \\ 0 & 0 & 0 \\ -1 & 0 & 1 \end{pmatrix} \xrightarrow{\text{行变换}} \begin{pmatrix} 1 & 0 & -1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}

r=1r = 1，n−s=3−2=1n - s = 3 - 2 = 1。1=11 = 1 ✓ → 二重特征值满足条件，可对角化。

对单特征值 λ=−1\lambda = -1 自动成立，无需验证。

第三步：求特征向量#

对 λ=1\lambda = 1：同解方程 x1−x3=0x_1 - x_3 = 0，即 x1=x3x_1 = x_3。自由变量：x2,x3x_2, x_3。依次取 (x2,x3)=(1,0)(x_2, x_3) = (1, 0) 和 (0,1)(0, 1)：

α1=(010),α2=(101)\boldsymbol{\alpha}_1 = \begin{pmatrix} 0 \\ 1 \\ 0 \end{pmatrix}, \quad \boldsymbol{\alpha}_2 = \begin{pmatrix} 1 \\ 0 \\ 1 \end{pmatrix}

对 λ=−1\lambda = -1：

(−1E−A)=(−10−10−20−10−1)→行变换(101010000)(-1\boldsymbol{E} - \boldsymbol{A}) = \begin{pmatrix} -1 & 0 & -1 \\ 0 & -2 & 0 \\ -1 & 0 & -1 \end{pmatrix} \xrightarrow{\text{行变换}} \begin{pmatrix} 1 & 0 & 1 \\ 0 & 1 & 0 \\ 0 & 0 & 0 \end{pmatrix}

同解方程组 x1+x3=0x_1 + x_3 = 0，x2=0x_2 = 0。取 x3=1x_3 = 1：

α3=(−101)\boldsymbol{\alpha}_3 = \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix}

第四步：构造 P\boldsymbol{P} 和 Λ\boldsymbol{\Lambda}#

P=(α1,α2,α3)=(01−1100011)\boldsymbol{P} = (\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \boldsymbol{\alpha}_3) = \begin{pmatrix} 0 & 1 & -1 \\ 1 & 0 & 0 \\ 0 & 1 & 1 \end{pmatrix}Λ=(10001000−1)\boldsymbol{\Lambda} = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & -1 \end{pmatrix}

六、求解流程图#

                n 阶矩阵 A
                    │
                    ▼
            求特征值 |λE - A| = 0
                    │
            ┌───────┴────────┐
            │                │
      有 n 个互异特征值   有重特征值
            │                │
            │           ┌────┴────────────┐
            │           │                 │
            │       对每个 s 重特征值    对某个 s 重特征值
            │       验证 r = n - s       验证 r ≠ n - s
            │           │                 │
            ▼           ▼                 ▼
        可对角化    可对角化          不可对角化
            │           │                （结束）
            └─────┬─────┘
                  │
                  ▼
       对每个特征值 λᵢ，求解
      (λᵢE - A)x = 0 的非零解
         得到全部特征向量
                  │
                  ▼
        将 n 个线性无关特征向量
          按列排成矩阵 P
                  │
                  ▼
        对角矩阵 Λ 的对角线元素
        = 对应的特征值（同顺序）
                  │
                  ▼
            A = PΛP⁻¹

七、常见误区与注记#

误区解释
有重特征值就一定不能对角化❌ 错误。有重特征值时仍可能可对角化，需要验证 r=n−sr = n - s 是否成立
不同特征值个数 = 可对角化❌ 不准确。应看线性无关特征向量的总数是否 = nn
P\boldsymbol{P} 的列可以任意排列❌ P\boldsymbol{P} 的列排列顺序必须与 Λ\boldsymbol{\Lambda} 的对角线元素一一对应
基础解系就是特征向量基础解系的全体非零线性组合是全部特征向量，基础解系本身只是其中一组线性无关的代表

八、可对角化的意义#

  • 计算高次幂：Am=PΛmP−1\boldsymbol{A}^m = \boldsymbol{P}\boldsymbol{\Lambda}^m\boldsymbol{P}^{-1}，而对角矩阵的高次幂极容易计算（对角线元素各自 mm 次方）；
  • 矩阵函数：f(A)=Pf(Λ)P−1f(\boldsymbol{A}) = \boldsymbol{P} f(\boldsymbol{\Lambda}) \boldsymbol{P}^{-1}；
  • 解微分方程组：x′(t)=Ax(t)\boldsymbol{x}'(t) = \boldsymbol{A}\boldsymbol{x}(t) 通过对角化解耦为 nn 个独立方程；
  • 二次型标准化：对称矩阵的正交对角化用于将二次型化为标准形。
分享

如果这篇文章对你有帮助，欢迎分享给更多人！

5.3矩阵的对角化
https://wander-seek.asia/posts/53矩阵的对角化/
作者
Coldgerm
发布于
2026-06-14
许可协议
CC BY-NC-SA 4.0

部分信息可能已经过时

5.2相似矩阵的概念和性质
5.5实对称矩阵的相似对角化
相关文章 智能推荐
1
2.9矩阵的初等变换
线性代数 2026-06-03
2
2.5矩阵的转置
线性代数 2026-04-21
3
2.7方阵的伴随矩阵
线性代数 2026-05-11
4
2.14矩阵的秩
线性代数 2026-06-10
5
2.10初等矩阵
线性代数 2026-06-03
随机文章 随机推荐
1
1.9无穷小的比较
高等数学 2025-11-13
2
5.5实对称矩阵的相似对角化
线性代数 2026-06-14
3
2.2.6微分中值定理
高等数学 2025-12-15
4
6.6用偏导求隐函数的导
高等数学 2026-05-16
5
2.2.7泰勒公式
高等数学 2025-12-15
© 2026 Coldgerm. All Rights Reserved. / RSS / Atom / Sitemap
Powered by Astro & Mizuki  Version 9.0

目录