高等数学 / 系统课时

判断矩阵何时可以对角化

判断矩阵何时可以对角化

本篇解决一个核心判断:已知方阵的特征值后,怎样确认它能否写成 A=PDP−1A=PDP^{-1}。关键不在于“有没有特征值”,而在于是否能找到足够多线性无关的特征向量来组成可逆矩阵 PP。

学习目标

  • 能用“是否存在 nn 个线性无关特征向量”判断 n×nn\times n 矩阵能否对角化。
  • 能区分特征值的代数重数与几何重数。
  • 能处理重特征值,并判断它是否导致特征向量数量不足。

可对角化真正要求什么

若

A=PDP−1A=PDP^{-1}

其中 DD 是对角矩阵,那么 PP 的每一列都必须是 AA 的特征向量,而 DD 对角线上的元素就是这些列对应的特征值。因为 PP 必须可逆,所以它的列必须线性无关。

因此,对一个 n×nn\times n 矩阵,最直接的判据是:矩阵可对角化,当且仅当能找到 nn 个线性无关的特征向量。

如果矩阵有 nn 个互不相同的特征值,那么不同特征值对应的特征向量必然线性无关,因此一定可对角化。但“特征值互不相同”只是充分条件,不是必要条件;重复特征值仍然可能拥有足够多的特征向量。

用两种重数判断特征向量够不够

设 λ\lambda 是特征值。它在特征多项式中作为根出现的次数,称为代数重数 mam_a;零空间

ker⁡(A−λI)\ker(A-\lambda I)

的维数称为几何重数 mgm_g。对任意特征值都有

1≤mg≤ma1\le m_g\le m_a

几何重数直接告诉你:这个特征值能够提供多少个线性无关的特征向量。

当特征多项式在当前数域上能够完全分解时,矩阵可对角化等价于每个特征值都满足 mg=mam_g=m_a;也等价于所有特征空间维数之和为 nn。

矩阵可对角化的判断流程

对比两个只有一个特征值的矩阵

考虑

A=[2102]A=\begin{bmatrix}2&1\\0&2\end{bmatrix}

它的特征多项式为 (2−λ)2(2-\lambda)^2,所以 λ=2\lambda=2 的代数重数是 ma=2m_a=2。但

A−2I=[0100]A-2I=\begin{bmatrix}0&1\\0&0\end{bmatrix}

只有一个自由变量,故 dim⁡ker⁡(A−2I)=1\dim\ker(A-2I)=1,也就是 mg=1m_g=1。这个矩阵只能提供一个线性无关的特征向量,无法组成 2×22\times2 的可逆矩阵 PP,因此不可对角化。

再看

B=[2002]B=\begin{bmatrix}2&0\\0&2\end{bmatrix}

它同样只有特征值 λ=2\lambda=2,且代数重数为 22。但此时 B−2IB-2I 是零矩阵,零空间就是整个 R2\mathbb{R}^2,所以 mg=2m_g=2。可以任取两条线性无关方向作为特征向量,因此 BB 可以对角化。

这组对比说明:重特征值本身不是问题,真正的问题是几何重数是否缩水。

快速判断时按这个顺序

实际计算时,可以依次检查:

  1. 求特征多项式并确定所有特征值及其代数重数。
  2. 若已经得到 nn 个互不相同的特征值,立即判定可对角化。
  3. 对每个重复特征值计算 ker⁡(A−λI)\ker(A-\lambda I) 的维数,得到几何重数。
  4. 若每个特征值都满足 mg=mam_g=m_a,并且总共得到 nn 个线性无关特征向量,则可对角化;否则不可对角化。

还要注意数域。一个实矩阵可能没有足够的实特征值,因此在 R\mathbb{R} 上不能对角化,却可能在 C\mathbb{C} 上可以。判断时必须先明确讨论的是实数域还是复数域。

最后只需记住一件事:对角化是在寻找一组由特征向量组成的基。代数重数描述“特征值重复了几次”,几何重数描述“这个特征值实际提供了多少个独立方向”;只有这些方向总数达到矩阵维数,才真正能够对角化。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

判断矩阵何时可以对角化

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通