特征值、特征向量与相似对角化

可以把特征值、特征向量、相似对角化看成线性代数里非常核心的一条主线：

一个矩阵代表一种线性变换；特征向量是在这种变换下“方向不变”的特殊方向，特征值描述沿这个方向被放大、缩小或翻转多少；相似对角化则是在寻找一套最适合这个变换的坐标系，使这个复杂变换变成各个方向独立缩放。

如果真正理解了这句话，后面的公式就会变得很自然。

---

一、先从“矩阵到底在干什么”开始

矩阵最重要的理解不是“一堆数字”，而是：

矩阵代表一个线性变换。

例如

$$A=\left(\begin{array}{cc}2& 0\\ 0& 3\end{array}\right)$$

作用于向量

$$\mathbf{x}=\left(\begin{array}{c}x\\ y\end{array}\right)$$

得到

$$A\mathbf{x}=\left(\begin{array}{c}2x\\ 3y\end{array}\right).$$

它的几何意义非常简单：

• 横坐标放大 2 倍；
• 纵坐标放大 3 倍。

也就是说，这个矩阵已经非常“干净”。

但一般矩阵不是这样的，例如

$$A=\left(\begin{array}{cc}3& 1\\ 1& 3\end{array}\right).$$

你看着它，很难一眼说：

它到底在哪些方向放大多少？

特征值和特征向量，就是为了回答这个问题。

---

二、什么是特征向量？

1. 一般向量经过矩阵后，方向会改变

对于一般向量 $\mathbf{x}$，矩阵作用后得到

$$A\mathbf{x}.$$

通常：

$$A\mathbf{x}$$

和原来的

$$\mathbf{x}$$

方向不同。

例如一个向量原来朝东北，经过矩阵以后可能变成朝西北。

---

2. 但有一些特殊方向，经过变换后方向不乱跑

如果存在一个非零向量

$$\mathbf{v}\ne 0$$

使得

$$A\mathbf{v}=\lambda \mathbf{v},$$

那么我们称：

• $\mathbf{v}$ 是矩阵 $A$ 的特征向量；
• $\lambda$ 是对应的特征值。

这就是特征值特征向量的定义。

---

三、这个公式究竟是什么意思？

核心就是

$$A\mathbf{v}=\lambda \mathbf{v}.$$

左边：

$$A\mathbf{v}$$

表示矩阵对向量做了一次线性变换。

右边：

$$\lambda \mathbf{v}$$

表示仅仅把原向量乘了一个数。

所以这个等式说明：

矩阵对这个特殊向量的作用，本质上居然只是“乘一个数”。

因此：

当

$$\lambda >1$$

方向不变，长度放大。

---

当

$$0<\lambda <1$$

方向不变，长度缩短。

---

当

$$\lambda <0$$

方向发生反转，同时长度按

$$|\lambda |$$

缩放。

---

当

$$\lambda =0$$

则

$$A\mathbf{v}=0.$$

说明这个方向被矩阵完全压扁了。

---

四、为什么特征向量如此特殊？

想象一个线性变换把整个平面进行：

• 拉伸；
• 压缩；
• 剪切；
• 旋转；
• 翻转；
• 或这些操作的组合。

平面上绝大多数向量的方向都会改变。

但是有时会存在一些非常特殊的直线：

这条直线上的向量变换以后仍然留在这条直线上。

这些方向就是特征方向。

而特征向量就是沿这些方向取出的非零向量。

因此严格地说：

真正本质的其实不是某一个特征向量，而是一个“特征方向”。

因为如果

$$A\mathbf{v}=\lambda \mathbf{v},$$

那么对于任意非零常数 $c$，

$$A(c\mathbf{v})=cA\mathbf{v}=c\lambda \mathbf{v}=\lambda (c\mathbf{v}).$$

所以

$$2\mathbf{v},-3\mathbf{v},100\mathbf{v}$$

全部都是同一特征值对应的特征向量。

---

五、为什么要研究特征值？

因为对于复杂矩阵

$$A,$$

直接研究

$$A\mathbf{x}$$

可能很复杂。

但如果找到了特征向量：

$$A{\mathbf{v}}_1={\lambda }_1{\mathbf{v}}_1$$ $$A{\mathbf{v}}_2={\lambda }_2{\mathbf{v}}_2$$

那么在这些方向上，矩阵的行为异常简单：

$${\mathbf{v}}_1\stackrel{A}{\to }{\lambda }_1{\mathbf{v}}_1$$ $${\mathbf{v}}_2\stackrel{A}{\to }{\lambda }_2{\mathbf{v}}_2.$$

也就是说：

复杂的矩阵变换，在自己的“天然方向”上，其实就是单纯缩放。

这正是特征值理论最深刻的思想之一。

---

六、来看一个真正有意义的例子

设

$$A=\left(\begin{array}{cc}3& 1\\ 1& 3\end{array}\right).$$

我们先试两个方向。

取

$${\mathbf{v}}_1=\left(\begin{array}{c}1\\ 1\end{array}\right).$$

那么

$$A{\mathbf{v}}_1=\left(\begin{array}{cc}3& 1\\ 1& 3\end{array}\right)\left(\begin{array}{c}1\\ 1\end{array}\right)=\left(\begin{array}{c}4\\ 4\end{array}\right)=4\left(\begin{array}{c}1\\ 1\end{array}\right).$$

所以：

$${\lambda }_1=4.$$

也就是说，在

$$y=x$$

这个方向上，矩阵放大 4 倍。

再取

$${\mathbf{v}}_2=\left(\begin{array}{c}1\\ -1\end{array}\right).$$

有

$$A{\mathbf{v}}_2=\left(\begin{array}{c}2\\ -2\end{array}\right)=2\left(\begin{array}{c}1\\ -1\end{array}\right).$$

所以

$${\lambda }_2=2.$$

于是这个看起来并不简单的矩阵，本质上其实是：

• 沿 $y=x$ 方向放大 4 倍；
• 沿 $y=-x$ 方向放大 2 倍。

这才是矩阵 $A$ 真正的“内在结构”。

---

七、特征值公式是怎么来的？

我们要求

$$A\mathbf{v}=\lambda \mathbf{v}.$$

移项：

$$A\mathbf{v}-\lambda \mathbf{v}=0.$$

因为

$$\lambda \mathbf{v}=\lambda I\mathbf{v},$$

所以

$$(A-\lambda I)\mathbf{v}=0.$$

我们要求特征向量不能是零向量：

$$\mathbf{v}\ne 0.$$

因此这个齐次方程必须存在非零解。

根据线性方程组理论：

$$(A-\lambda I)\mathbf{v}=0$$

存在非零解，当且仅当

$$A-\lambda I$$

不可逆。

所以

$$|A-\lambda I|=0.$$

这就是特征方程。

---

八、为什么必须令行列式为零？

因为如果

$$|A-\lambda I|\ne 0,$$

那么

$$A-\lambda I$$

可逆。

于是

$$(A-\lambda I)\mathbf{v}=0$$

两边左乘逆矩阵：

$$\mathbf{v}=0.$$

但特征向量要求

$$\mathbf{v}\ne 0.$$

矛盾。

因此必须满足：

$$|A-\lambda I|=0.$$

这其实没有任何神秘之处。

---

九、实际怎么求？

还是

$$A=\left(\begin{array}{cc}3& 1\\ 1& 3\end{array}\right).$$

求

$$|A-\lambda I|=0.$$

即

$$\left|\begin{array}{cc}3-\lambda & 1\\ 1& 3-\lambda \end{array}\right|=0.$$

于是

$$(3-\lambda {)}^2-1=0.$$

展开：

$${\lambda }^2-6\lambda +8=0.$$

因此

$${\lambda }_1=4,{\lambda }_2=2.$$

---

求 $\lambda =4$ 对应的特征向量：

$$(A-4I)\mathbf{x}=0.$$

即

$$\left(\begin{array}{cc}-1& 1\\ 1& -1\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\end{array}\right)=0.$$

得到

$$x_1=x_2.$$

因此可以取

$${\mathbf{v}}_1=\left(\begin{array}{c}1\\ 1\end{array}\right).$$

类似得到

$${\mathbf{v}}_2=\left(\begin{array}{c}1\\ -1\end{array}\right).$$

---

十、一个特别重要的认识：特征值不是“坐标系的产物”

矩阵里的元素会随着基的改变而发生变化。

但是特征值不会因为换坐标系而改变。

为什么？

因为特征值描述的其实是：

这个线性变换本身有哪些天然缩放倍率。

它属于线性变换的内在性质，而不是某套坐标系的表面写法。

这就引出了：

相似矩阵

---

十一、什么叫两个矩阵相似？

如果存在可逆矩阵 $P$，使得

$$B=P^{-1}AP,$$

则称 $A,B$ 相似。

很多学生会把这个公式硬背。

实际上它真正的含义非常简单：

$A$ 和 $B$ 是同一个线性变换，在两套不同基下的矩阵表示。

---

十二、为什么会出现 $P^{-1}AP$？

这是理解相似变换最关键的一步。

假设现在有：

• 旧坐标系；
• 新坐标系。

设新基为

$${\mathbf{p}}_1,{\mathbf{p}}_2,\cdots ,{\mathbf{p}}_n.$$

把这些基向量作为列组成：

$$P=\left(\begin{array}{cccc}|& |& & |\\ {\mathbf{p}}_1& {\mathbf{p}}_2& \cdots & {\mathbf{p}}_n\\ |& |& & |\end{array}\right).$$

假设某个向量在新基下坐标为

$$[\mathbf{x}{]}_{\text{new}}.$$

那么在旧基下：

$$[\mathbf{x}{]}_{\text{old}}=P[\mathbf{x}{]}_{\text{new}}.$$

然后矩阵 $A$ 在旧坐标系中作用：

$$AP[\mathbf{x}{]}_{\text{new}}.$$

最后再转换回新坐标系：

$$P^{-1}AP[\mathbf{x}{]}_{\text{new}}.$$

所以新坐标系中的矩阵就是

$$B=P^{-1}AP.$$

这就是相似公式的来源。

因此可以记成一个过程：

$$\text{新坐标}\stackrel{P}{\to }\text{旧坐标}\stackrel{A}{\to }\text{旧坐标}\stackrel{P^{-1}}{\to }\text{新坐标}.$$

所以：

$$B=P^{-1}AP.$$

---

十三、那么“相似对角化”是什么？

如果可以找到一个可逆矩阵 $P$，使

$$P^{-1}AP=\Lambda ,$$

其中

$$\Lambda =\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right),$$

那么称 $A$ 可以相似对角化。

也可以写成

$$A=P\Lambda P^{-1}.$$

---

十四、为什么偏偏会变成对角矩阵？

因为如果把一组特征向量作为新的基：

$$P=({\mathbf{v}}_1,{\mathbf{v}}_2,\cdots ,{\mathbf{v}}_n),$$

而且

$$A{\mathbf{v}}_i={\lambda }_i{\mathbf{v}}_i,$$

那么

$$AP=A({\mathbf{v}}_1,\cdots ,{\mathbf{v}}_n).$$

等于

$$AP=(A{\mathbf{v}}_1,\cdots ,A{\mathbf{v}}_n).$$

所以

$$AP=({\lambda }_1{\mathbf{v}}_1,\cdots ,{\lambda }_n{\mathbf{v}}_n).$$

这又可以写成

$$AP=P\left(\begin{array}{ccc}{\lambda }_1& & \\ & \ddots & \\ & & {\lambda }_n\end{array}\right).$$

于是

$$AP=P\Lambda .$$

左乘 $P^{-1}$：

$$P^{-1}AP=\Lambda .$$

所以对角化根本不是一个凭空出现的技巧。

其本质就是：

把特征向量当成新的坐标轴。

---

十五、这是理解相似对角化最重要的一幅图景

原来的标准坐标轴可能是：

$${\mathbf{e}}_1,{\mathbf{e}}_2.$$

但是矩阵 $A$ 自己真正喜欢的方向可能是：

$${\mathbf{v}}_1,{\mathbf{v}}_2.$$

如果你坚持用

$${\mathbf{e}}_1,{\mathbf{e}}_2$$

来看它，矩阵就显得很复杂：

$$A=\left(\begin{array}{cc}3& 1\\ 1& 3\end{array}\right).$$

但是如果改用

$${\mathbf{v}}_1=\left(\begin{array}{c}1\\ 1\end{array}\right),{\mathbf{v}}_2=\left(\begin{array}{c}1\\ -1\end{array}\right)$$

作为坐标轴，

那么矩阵变成

$$\Lambda =\left(\begin{array}{cc}4& 0\\ 0& 2\end{array}\right).$$

这说明：

原来的复杂矩阵，其实只是因为你选了一套“不合适的坐标系”。

换到矩阵自己的天然坐标系以后：

$$(x_1,x_2)$$

直接变成

$$(4x_1,2x_2).$$

再简单不过。

---

十六、所以相似对角化到底在干什么？

可以浓缩成一句：

寻找一种坐标系，使一个复杂线性变换变成若干互不干扰的一维缩放。

比如三维情况下：

$$\Lambda =\left(\begin{array}{ccc}2& 0& 0\\ 0& 5& 0\\ 0& 0& -1\end{array}\right).$$

意味着：

• 第一个特征方向放大 2 倍；
• 第二个特征方向放大 5 倍；
• 第三个特征方向反向，大小不变。

复杂的多维运动，被彻底拆成了几个独立的一维问题。

---

十七、为什么有些矩阵不能对角化？

关键是：

要拿特征向量作为一组基。

在 $n$ 维空间中，一组基需要

$$n$$

个线性无关向量。

因此：

$$\boxed{A\text{ 可对角化}⟺A\text{ 有 }n\text{ 个线性无关的特征向量}}$$

这是最重要的判定思想。

---

十八、不同特征值对应的特征向量一定线性无关

这是一个非常重要的定理。

如果

$${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_k$$

互不相同，那么对应的特征向量

$${\mathbf{v}}_1,{\mathbf{v}}_2,\cdots ,{\mathbf{v}}_k$$

必然线性无关。

因此，如果一个 $n$ 阶矩阵有 $n$ 个互不相同的特征值，那么：

$$\boxed{A\text{ 一定可以对角化}}$$

注意：

反过来不成立。

即使特征值有重复，也可能可以对角化。

例如单位矩阵

$$I=\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)$$

只有一个不同的特征值：

$$\lambda =1,$$

但任何非零向量都是特征向量，因此当然可以对角化。

---

十九、代数重数与几何重数

假设特征方程中

$$(\lambda -2{)}^3=0.$$

那么 $\lambda =2$ 的代数重数为 3。

但对应特征向量来自

$$(A-2I)\mathbf{x}=0.$$

这个解空间的维数叫：

几何重数。

例如可能只有

$$\dim \ker (A-2I)=1.$$

那么只能找到一个线性无关特征向量。

虽然 $\lambda =2$ 在特征方程里出现了 3 次，但却没有足够的特征方向。

所以无法对角化。

基本关系是

$$1\le \text{几何重数}\le \text{代数重数}.$$

矩阵可对角化的本质条件则是：

$$\boxed{\text{每个特征值的几何重数}=\text{代数重数}}$$

---

二十、一个不能对角化的经典例子

例如

$$A=\left(\begin{array}{cc}1& 1\\ 0& 1\end{array}\right).$$

特征方程：

$$|A-\lambda I|=\left|\begin{array}{cc}1-\lambda & 1\\ 0& 1-\lambda \end{array}\right|=(1-\lambda {)}^2.$$

因此只有

$$\lambda =1$$

且代数重数为 2。

求特征向量：

$$(A-I)\mathbf{x}=\left(\begin{array}{cc}0& 1\\ 0& 0\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\end{array}\right)=0.$$

得到

$$x_2=0.$$

所以只有一个特征方向：

$$\left(\begin{array}{c}1\\ 0\end{array}\right).$$

二维空间需要两个线性无关的基向量，但这里只有一个。

所以无法构造

$$P=({\mathbf{v}}_1,{\mathbf{v}}_2).$$

因此不能对角化。

---

二十一、为什么对角化这么重要？

因为对角矩阵太容易计算了。

例如

$$\Lambda =\left(\begin{array}{cc}2& 0\\ 0& 3\end{array}\right).$$

那么

$${\Lambda }^2=\left(\begin{array}{cc}{2}^2& 0\\ 0& 3^2\end{array}\right)$$

进一步

$${\Lambda }^n=\left(\begin{array}{cc}{2}^n& 0\\ 0& 3^n\end{array}\right).$$

所以如果

$$A=P\Lambda P^{-1},$$

那么

$$A^2=P\Lambda P^{-1}P\Lambda P^{-1}=P{\Lambda }^2{P}^{-1}.$$

同理

$$\boxed{A^n=P{\Lambda }^n{P}^{-1}}$$

这能把一个很复杂的矩阵高次幂问题瞬间简化。

---

二十二、为什么中间的 $P^{-1}P$ 会消掉？

因为

$$P^{-1}P=I.$$

例如

$$A^3=(P\Lambda P^{-1})(P\Lambda P^{-1})(P\Lambda P^{-1}).$$

整理：

$$A^3=P\Lambda (P^{-1}P)\Lambda (P^{-1}P)\Lambda P^{-1}.$$

所以

$$A^3=P{\Lambda }^3{P}^{-1}.$$

因此矩阵幂变得非常简单。

---

二十三、这在现实里有什么用？

应用极其广泛。

1. 动态系统

例如

$${\mathbf{x}}_{n+1}=A{\mathbf{x}}_n.$$

那么

$${\mathbf{x}}_n=A^n{\mathbf{x}}_0.$$

如果

$$A=P\Lambda P^{-1},$$

则

$${\mathbf{x}}_n=P{\Lambda }^n{P}^{-1}{\mathbf{x}}_0.$$

因此系统长期行为由

$${\lambda }_i^n$$

决定。

如果

$$|{\lambda }_i|<1,$$

该方向越来越小。

如果

$$|{\lambda }_i|>1,$$

该方向越来越大。

如果

$$|{\lambda }_i|=1,$$

可能持续振荡或保持。

所以：

特征值决定系统是否稳定。

---

二十四、微分方程里也一样

考虑

$${\mathbf{x}}^{\prime }(t)=A\mathbf{x}(t).$$

如果存在特征向量

$$A\mathbf{v}=\lambda \mathbf{v},$$

猜一个解

$$\mathbf{x}(t)=e^{\lambda t}\mathbf{v}.$$

那么

$${\mathbf{x}}^{\prime }(t)=\lambda e^{\lambda t}\mathbf{v}.$$

另一方面

$$A\mathbf{x}=e^{\lambda t}A\mathbf{v}=\lambda e^{\lambda t}\mathbf{v}.$$

因此确实满足方程。

所以特征值决定：

$$e^{\lambda t}$$

这样的增长或衰减模式。

这就是为什么微分方程、控制理论里到处都是特征值。

---

二十五、PCA 为什么也会出现特征向量？

数据分析里的 PCA（主成分分析）本质上是在找：

数据变化最大的方向。

数据的协方差矩阵是一个对称矩阵。

它的：

• 特征向量 = 数据的主要方向；
• 特征值 = 沿这个方向的数据方差大小。

最大的特征值对应的特征向量，就是最主要的变化方向。

所以 PCA 的本质就是：

换一套最适合数据的坐标轴。

这和对角化思想其实完全相同。

---

二十六、为什么对称矩阵特别重要？

对于实对称矩阵

$$A^T=A,$$

存在一个非常强大的结论：

实对称矩阵一定可以找到一组正交单位特征向量。

于是可以组成正交矩阵

$$Q=({\mathbf{q}}_1,\cdots ,{\mathbf{q}}_n)$$

并且

$$Q^{-1}=Q^T.$$

因此

$$Q^{T}AQ=\Lambda .$$

或者

$$A=Q\Lambda Q^T.$$

这叫：

正交对角化。

这比普通相似对角化更漂亮。

因为不仅换了一套特征向量坐标系，而且这套坐标系仍然是：

• 互相垂直；
• 长度为 1。

所以只是进行了旋转或反射，没有把坐标系扭曲。

---

二十七、特征向量一定正交吗？

不是。

这是一个非常常见的误区。

一般矩阵的不同特征值对应特征向量：

$$\text{一定线性无关}$$

但：

$$\boxed{\text{不一定正交}}$$

只有对于实对称矩阵等特殊情况，才有漂亮的正交性质。

例如：

$$A=A^T$$

时，不同特征值对应的特征向量一定正交。

---

二十八、从“换坐标”角度理解对角化

这是我最推荐你真正掌握的理解。

假设

$$P=({\mathbf{v}}_1,{\mathbf{v}}_2).$$

任何向量都可以写成

$$\mathbf{x}=c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2.$$

于是

$$A\mathbf{x}=c_{1}A{\mathbf{v}}_1+c_{2}A{\mathbf{v}}_2.$$

利用特征关系：

$$A\mathbf{x}=c_1{\lambda }_1{\mathbf{v}}_1+c_2{\lambda }_2{\mathbf{v}}_2.$$

所以在特征向量坐标系中：

原坐标

$$(c_1,c_2)$$

经过变换以后直接变成

$$({\lambda }_1{c}_1,{\lambda }_2{c}_2).$$

这就是为什么矩阵变成：

$$\left(\begin{array}{cc}{\lambda }_1& 0\\ 0& {\lambda }_2\end{array}\right).$$

没有交叉项。

没有

$$a_{12},a_{21}.$$

因为各个方向完全解耦了。

---

二十九、因此“对角矩阵”的真正含义是什么？

例如

$$D=\left(\begin{array}{ccc}2& 0& 0\\ 0& 3& 0\\ 0& 0& 5\end{array}\right).$$

它不是仅仅“主对角线上有数字”。

它真正表示：

三个坐标方向互不干扰。

分别进行

$$x_1\to 2x_1,$$ $$x_2\to 3x_2,$$ $$x_3\to 5x_3.$$

所以所谓对角化，其实就是：

把耦合系统变成解耦系统。

这句话在数学、物理、工程中都非常重要。

---

三十、为什么叫“特征”值？

英文是：

• eigenvalue；
• eigenvector。

其中德语 eigen 大概有：

自己的、固有的、本征的

意思。

所以有时候中文也叫：

• 本征值；
• 本征向量。

它强调的是：

这些值并不是人为坐标系附加给矩阵的，而是这个线性变换自身固有的结构。

所以“特征值”这个翻译其实非常准确。

---

三十一、相似矩阵为什么有相同的特征值？

因为它们表示的是同一个线性变换，只是坐标系不同。

代数上也可以证明。

如果

$$B=P^{-1}AP,$$

那么

$$|\lambda I-B|=|\lambda I-P^{-1}AP|.$$

因为

$$\lambda I=P^{-1}(\lambda I)P,$$

所以

$$\lambda I-B=P^{-1}(\lambda I-A)P.$$

取行列式：

$$|\lambda I-B|=|P^{-1}||\lambda I-A||P|.$$

又因为

$$|P^{-1}||P|=1,$$

所以

$$|\lambda I-B|=|\lambda I-A|.$$

因此特征多项式完全一样。

所以特征值一样。

---

三十二、特征值和行列式、迹有什么关系？

如果一个 $n$ 阶矩阵的特征值为

$${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_n$$

按代数重数计算，那么：

$$\boxed{|A|={\lambda }_1{\lambda }_2\cdots {\lambda }_n}$$

以及

$$\boxed{\mathrm{tr}(A)={\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n}$$

其中

$$\mathrm{tr}(A)$$

是矩阵的迹，即主对角线元素之和。

这两条在考研里非常常用。

---

三十三、为什么行列式等于特征值乘积？

如果能对角化：

$$A=P\Lambda P^{-1}.$$

那么

$$|A|=|P||\Lambda ||P^{-1}|=|\Lambda |.$$

而

$$|\Lambda |={\lambda }_1{\lambda }_2\cdots {\lambda }_n.$$

所以

$$|A|=\prod _{i=1}^n{\lambda }_i.$$

更一般情况下这个结论仍然成立。

---

三十四、为什么行列式为零等价于有零特征值？

根据

$$|A|={\lambda }_1\cdots {\lambda }_n,$$

因此

$$|A|=0$$

当且仅当至少一个

$${\lambda }_i=0.$$

而

$$\lambda =0$$

是特征值意味着存在

$$\mathbf{v}\ne 0$$

满足

$$A\mathbf{v}=0.$$

这意味着 $A$ 把某个非零方向压缩到了零。

因此矩阵丢失了信息，当然不可逆。

这又把很多概念连接起来：

$$A\text{ 不可逆}$$ $$⟺|A|=0$$ $$⟺0\text{ 是 }A\text{ 的特征值}$$ $$⟺A\mathbf{x}=0\text{ 有非零解}$$ $$⟺\mathrm{rank}(A)<n.$$

这些其实是同一件事情的不同描述。

---

三十五、特征值还能告诉我们矩阵高次作用后的主要方向

假设

$$\mathbf{x}=c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2$$

且

$$|{\lambda }_1|>|{\lambda }_2|.$$

那么

$$A^n\mathbf{x}=c_1{\lambda }_1^n{\mathbf{v}}_1+c_2{\lambda }_2^n{\mathbf{v}}_2.$$

提取 ${\lambda }_1^n$：

$$A^n\mathbf{x}={\lambda }_1^n\left(c_1{\mathbf{v}}_1+c_2{\left(\frac{{\lambda }_2}{{\lambda }_1}\right)}^n{\mathbf{v}}_2\right).$$

因为

$$\left|\frac{{\lambda }_2}{{\lambda }_1}\right|<1,$$

所以当

$$n\to \infty$$

时：

$${\left(\frac{{\lambda }_2}{{\lambda }_1}\right)}^n\to 0.$$

因此方向最终越来越接近

$${\mathbf{v}}_1.$$

这说明：

绝对值最大的特征值对应的特征方向，往往决定一个系统长期的主导行为。

这就是“主特征值”的意义。

Google PageRank、幂迭代法等背后都有类似思想。

---

三十六、把几个核心概念串成一条完整逻辑链

你可以这样理解整个章节：

第一步：矩阵

矩阵描述线性变换：

$$\mathbf{x}\mapsto A\mathbf{x}.$$

第二步：寻找特殊方向

寻找

$$A\mathbf{v}=\lambda \mathbf{v}.$$

这些是矩阵自己的天然方向。

第三步：求特征值

由于

$$(A-\lambda I)\mathbf{v}=0$$

需要非零解，所以

$$|A-\lambda I|=0.$$

第四步：求特征向量

对每个 $\lambda$，求

$$(A-\lambda I)\mathbf{x}=0.$$

第五步：如果有足够多线性无关特征向量

组成

$$P=({\mathbf{v}}_1,\dots ,{\mathbf{v}}_n).$$

第六步：换到特征向量坐标系

得到

$$P^{-1}AP=\Lambda .$$

第七步：复杂线性变换彻底解耦

变成

$$\Lambda =\mathrm{diag}({\lambda }_1,\dots ,{\lambda }_n).$$

---

三十七、最终最深层的理解

如果只记一句话，可以记：

特征向量是线性变换最自然的坐标轴，特征值是沿这些天然坐标轴的缩放倍率。

而：

相似对角化，就是放弃人为选定的标准坐标轴，改用线性变换自己的天然坐标轴描述问题。

于是原本复杂的

$$A$$

变成

$$\Lambda =\left(\begin{array}{ccc}{\lambda }_1& & \\ & \ddots & \\ & & {\lambda }_n\end{array}\right).$$

因此对角化绝不只是为了“把矩阵化成对角矩阵”。

它真正的目的在于：

$$\boxed{\text{发现线性变换最本质、最简单的结构}}$$

或者更形象地说：

矩阵表面上可能在旋转、剪切、拉伸、混合各个坐标，但如果能找到它自己的特征坐标系，你会发现它本质上只是在几个独立方向上分别乘了几个数。

这就是为什么特征值、特征向量、相似对角化会成为整个线性代数最核心的内容之一。