Lecture 22: Diagonalization and Powers of A

目录 · ← l20 · l22 →

Lecture 22: Diagonalization and Powers of A

概述

上一讲我们学会了求特征值 $\lambda$ 与特征向量 $\mathbf{x}$：解 $\det(A-\lambda I)=0$，再解 $(A-\lambda I)\mathbf{x}=\mathbf{0}$。当时那些特征向量看起来只是”某些特殊的向量”，似乎用处有限。

本讲要把它们变成一台机器。核心结论是：若 $A$ 有 $n$ 个线性无关的特征向量，把它们按列排成 $S$，则

这就是对角化（diagonalization）。它的最大价值立刻显现：$A^k = S\Lambda^k S^{-1}$，把”矩阵连乘 $k$ 次”变成”对角元各自取 $k$ 次方”。1838 年的 Fibonacci 数列、人口的长期趋势、马尔可夫链的稳态——全部由这一条公式统一处理。本讲的主线就是：换到特征向量的坐标系里，矩阵乘法退化成逐坐标的简单伸缩。

这是特征值章节（21-25）的中枢一讲：讲次 23 的微分方程用 $S e^{\Lambda t}S^{-1}$，讲次 24 的马尔可夫稳态是 $\lambda=1$ 的特征向量，讲次 25 的对称矩阵把 $S$ 换成正交矩阵 $Q$。

核心概念的几何直觉

对角化 $A = S\Lambda S^{-1}$

• 定义与目的：设 $A$ 是 $n\times n$ 矩阵。若存在可逆矩阵 $S$ 与对角矩阵 $\Lambda$ 使得 $A=S\Lambda S^{-1}$，则称 $A$ 可对角化，并称 $S$ 把 $A$ 对角化。由 $AS=S\Lambda$ 的列形式立刻读出：$S$ 的第 $j$ 列 $\mathbf{x}_j$ 必须满足 $A\mathbf{x}_j=\lambda_j\mathbf{x}_j$——$S$ 的列就是 $A$ 的特征向量，$\Lambda$ 的对角元就是对应的特征值。目的：把”耦合的、难算的 $A$”翻译成”解耦的、易算的 $\Lambda$”。

• 几何直觉（它在空间中是什么样子？）：这是本讲最重要的一句话——$A$ 在特征向量坐标系下就是 $\Lambda$。想象一个倾斜的、把圆压成椭圆的变换 $A$。绝大多数向量被 $A$ 作用后方向都变了，计算 $A^{100}\mathbf{u}_0$ 需要考虑方向不断搅动的耦合效应。但若我们换一套坐标轴——不用标准的 $\mathbf{e}_1,\mathbf{e}_2$，而用特征向量 $\mathbf{x}_1,\mathbf{x}_2$ 当新坐标轴——那么在这个新坐标系里，$A$ 只做一件事：把第 1 个坐标乘 $\lambda_1$，第 2 个坐标乘 $\lambda_2$，方向完全不搅动。$S$ 是”翻译器”（把新坐标写成标准坐标：$S\hat{\mathbf{u}}=\mathbf{u}$），$S^{-1}$ 是”反向翻译器”。链式阅读 $A=S\Lambda S^{-1}$ 应当读成：

  \[\mathbf{u}\;\xrightarrow{\;S^{-1}\;}\;\hat{\mathbf{u}}\;\xrightarrow{\;\Lambda\;}\;\text{逐坐标伸缩}\;\xrightarrow{\;S\;}\;\text{翻译回原坐标系}\]

  这就是”换基”（change of basis）的第一次登场——讲次 31 会专门做这件事。

• 具体示例：$A=\begin{bmatrix}2&1\\1&2\end{bmatrix}$ 的特征值是 $3$（方向 $\mathbf{x}_1=\begin{bmatrix}1\\1\end{bmatrix}$）与 $1$（方向 $\mathbf{x}_2=\begin{bmatrix}1\\-1\end{bmatrix}$）。取 $\mathbf{u}_0=\begin{bmatrix}1\\0\end{bmatrix}$。在标准坐标系里 $A\mathbf{u}_0=\begin{bmatrix}2\\1\end{bmatrix}$，看不出规律。换成特征向量坐标：$\mathbf{u}_0 = \tfrac12\mathbf{x}_1+\tfrac12\mathbf{x}_2$，于是

  \[A^k\mathbf{u}_0=\tfrac12\,3^k\begin{bmatrix}1\\1\end{bmatrix}+\tfrac12\,1^k\begin{bmatrix}1\\-1\end{bmatrix}.\]

  两个分量各自独立增长，$3^k$ 项很快压倒一切——$k$ 大时 $\mathbf{u}_0$ 的像几乎完全落在 $\mathbf{x}_1$ 方向上。整个”幂”的问题被化简为两个标量的幂。

  下面这张图是本讲的”总路线图”。上排是标准 $\mathbf{e}$ 坐标系里的耦合视图，下排是特征向量坐标系里的解耦视图；注意从左上到右下，被搅动的椭圆问题变成了两条互不相干的直线伸缩：

   【标准坐标系 (e1,e2)：耦合、方向被搅动】

        e2
         |        x1=[1,1]  (λ=3)      x2=[1,-1] (λ=1)
         |          \                 /
         |           \   椭圆 A(单位圆)   /
         |            \             /
      ---+-------------+-----------+------> e1
         |            /             \
         |           /               \
         |          /                 \
         |
      A 把圆压成斜椭圆：绝大多数向量方向都变了，A^k 难以预测

  ==================== S^{-1}  换基（用 x1,x2 当新坐标轴） ====================

   【特征向量坐标系 (x1,x2)：解耦、只有伸缩】

        x2
         |          A^ 只做: 坐标1 x λ1=3
         |                   坐标2 x λ2=1
         |      ┌──────────────┐
         |      │  Λ = diag(3,1)│   矩形/圆保持轴对齐
         |      └──────────────┘
      ---+--------------------------> x1
         |
      在 (x1,x2) 坐标里 A 就是 Λ：两个坐标各自独立缩放，永不混合

  ============== S  换回标准坐标系（得到 A 的像） ==============

收敛定理：$A^k$ 的长期命运

• 定义与目的：设 $A$ 可对角化，特征值 $\lambda_1,\dots,\lambda_n$。则 $A^k\to0$（即对每个初始向量 $\mathbf{u}_0$ 都有 $A^k\mathbf{u}_0\to\mathbf{0}$）$\iff$ 所有 $\vert \lambda_i\vert <1$。更一般地（不需要可对角化，谱半径定理）：$A^k\to0\iff\rho(A)=\max_i\vert \lambda_i\vert <1$。
• 几何直觉：$A^k\mathbf{u}_0=\sum_i\lambda_i^k c_i\mathbf{x}_i$。每一项是”第 $i$ 个方向上的独立衰减/增长”。要让所有方向都死掉，必须每一个 $\vert \lambda_i\vert <1$——只要有一个 $\vert \lambda_i\vert >1$，选 $\mathbf{u}_0=\mathbf{x}_i$ 就发散；只要有一个 $\vert \lambda_i\vert =1$，选 $\mathbf{u}_0=\mathbf{x}_i$ 就既不衰减也不发散（如 $\lambda=-1$ 时永久原地翻转）。“存在”与”所有”的差别正是本定理的全部内容。

• 具体示例：$A=\begin{bmatrix}0.5&0\\0&2\end{bmatrix}$ 有 $\vert \lambda_2\vert =2>1$，取 $\mathbf{u}_0=\mathbf{e}_2$ 得 $\mathbf{u}_k=2^k\mathbf{e}_2\to\infty$；但取 $\mathbf{u}_0=\mathbf{e}_1$ 反而收敛。可见”某些初始向量发散”与”全部收敛”是两码事。而 $A=\begin{bmatrix}0.8&0.3\\0.2&0.7\end{bmatrix}$（$\lambda=1,0.5$，有 $\vert \lambda_1\vert =1$）的 $\mathbf{u}_k$ 收敛到稳态而非 $\mathbf{0}$——因为 $\lambda=1$ 的成分被完整保留。

  2×2 的快速判据（连特征值都常可跳过）：设 $\tau=\operatorname{tr}A,\ \delta=\det A$。 \(\lambda_{1,2}=\frac{\tau\pm\sqrt{\tau^2-4\delta}}{2}.\)

  • $\delta<1$ 且 $\vert \tau\vert <1+\delta$ 时两个特征值模都小于 1（Jury 判据的 2×2 版本）；
  • $\tau^2<4\delta$ 时特征值为共轭复数，此时 $\vert \lambda\vert ^2=\lambda_1\lambda_2=\delta$，衰减性完全由 $\det A<1$ 判定；
  • $\tau^2=4\delta$ 时出现重根，需检查 $\dim N(A-\lambda I)$ 是否为 2 才知可否对角化。

可对角化的充要条件

• 定义与目的：$A$ 可对角化 $\iff$ $A$ 有 $n$ 个线性无关的特征向量。等价说法：对每个特征值，几何重数 = 代数重数（几何重数 $=\dim N(A-\lambda I)$，代数重数 $=$ 该特征值在特征多项式中作为根的重数）。没有重根时（$n$ 个互异特征值）自动可对角化——因为互异特征值的特征向量必然线性无关。
• 几何直觉：特征向量必须张成整个空间。若只有 $n-1$ 个独立特征向量，就存在某个方向在特征向量坐标系里”没有名字”，$S$ 不满秩、不可逆，翻译器失效。重根好比”两个方向被压扁成一个方向”：$\lambda=3$ 若是二重根但 $\dim N(A-3I)=1$，说明 $A-3I$ 的零空间只有一条线，$A$ 在该处有剪切（shear）行为，没有任何一整套坐标轴能让它变成纯粹伸缩。
• 具体示例：$A=\begin{bmatrix}3&1\\0&3\end{bmatrix}$：$\operatorname{tr}=6$、$\det=9$，故 $\lambda=3$ 是二重根。但 $A-3I=\begin{bmatrix}0&1\\0&0\end{bmatrix}$ 的秩为 $1$，零空间维数 $=2-1=1$，只有一个独立特征向量 $\begin{bmatrix}1\\0\end{bmatrix}$。不可对角化（讲次 28 用 Jordan 形补救）。对照 $A=\begin{bmatrix}2&1\\1&2\end{bmatrix}$：$\lambda=3,1$ 互异，两个特征向量独立，可对角化。

$A^k = S\Lambda^k S^{-1}$：把幂变成标量幂

• 定义与目的：若 $A=S\Lambda S^{-1}$，则对任意正整数 $k$，$A^k=S\Lambda^k S^{-1}$，其中 $\Lambda^k=\operatorname{diag}(\lambda_1^k,\dots,\lambda_n^k)$。这是对角化最重要的应用：把 $O(kn^3)$ 的连乘，变成 $n$ 次标量幂。
• 几何直觉：$S^{-1}$ 把初始向量翻译成特征坐标，$\Lambda^k$ 在特征坐标里就是”每个方向独立地乘以自己的 $\lambda^k$”，$S$ 再翻译回来。$S$ 与 $S^{-1}$ 在连乘中反复相遇、互相抵消为 $I$——中间的”翻译开销”只付两次，无论 $k$ 多大。
• 具体示例：见下一节完整推导与 $A^3$ 的双路对照。

计算步骤与手算演示

示例 1：$A=\begin{bmatrix}2&1\\1&2\end{bmatrix}$ 的完整对角化与 $A^3$

步骤 1：求特征值。 用迹与行列式（讲次 21 的加速技巧）：

特征多项式 $\lambda^2-4\lambda+3=(\lambda-3)(\lambda-1)=0$，故

步骤 2：求特征向量。 对 $\lambda_1=3$：$A-3I=\begin{bmatrix}-1&1\\1&-1\end{bmatrix}$，方程 $-x_1+x_2=0$，取 $\mathbf{x}_1=\begin{bmatrix}1\\1\end{bmatrix}$。对 $\lambda_2=1$：$A-I=\begin{bmatrix}1&1\\1&1\end{bmatrix}$，方程 $x_1+x_2=0$，取 $\mathbf{x}_2=\begin{bmatrix}1\\-1\end{bmatrix}$。两者不成比例，线性无关，可对角化。

步骤 3：装配 $S$、$S^{-1}$、$\Lambda$。

2×2 逆矩阵公式 $\begin{bmatrix}a&b\\c&d\end{bmatrix}^{-1}=\frac{1}{ad-bc}\begin{bmatrix}d&-b\\-c&a\end{bmatrix}$ 给出

请留意这个巧合：$S$ 恰好对称，且 $S^{-1}=\tfrac12 S$。验算 $S\cdot\tfrac12 S=\tfrac12\begin{bmatrix}1&1\\1&-1\end{bmatrix}^2=\tfrac12\begin{bmatrix}2&0\\0&2\end{bmatrix}=I$ ✓（脚本已核对）。

步骤 4：验证 $S\Lambda S^{-1}=A$。 先算 $S\Lambda$（右乘对角矩阵 = 按列乘 $\lambda_j$）：

再右乘 $S^{-1}=\tfrac12\begin{bmatrix}1&1\\1&-1\end{bmatrix}$：

步骤 5：用 $S\Lambda^3S^{-1}$ 算 $A^3$。 $\Lambda^3=\operatorname{diag}(27,1)$：

步骤 6：直接连乘 $A\cdot A\cdot A$ 对照。

两条路结果完全一致 ✓（脚本核对：brute $=[\![14,13],[13,14]\!]$，via $S$ $=[\![14,13],[13,14]\!]$）。

步骤 7：写出 $A^k$ 通式。 $\Lambda^k=\operatorname{diag}(3^k,1)$：

脚本核对：$k=2$ 给 $\begin{bmatrix}5&4\\4&5\end{bmatrix}$ ✓，$k=5$ 给 $\begin{bmatrix}122&121\\121&122\end{bmatrix}$ ✓。注意所有 $A^k$ 都保持”对角线相同、副对角线相同”的对称结构，这是 $A$ 对称（讲次 25 主题）留下的烙印。

【计算机制解说】：为什么 $S\Lambda S^{-1}$ 的连乘可以塌缩？关键在于中间的 $S^{-1}S$ 反复相消：

归纳下去 $A^k=S\Lambda^kS^{-1}$。这个推导成立的前提正是 $S$ 可逆——而 $S$ 可逆 $\iff$ 列线性无关 $\iff$ 有 $n$ 个独立特征向量。所以”能否对角化”这个抽象条件，在这里变成了一个非常具体的开关：没有可逆的 $S$，$A^k$ 的快速公式就断了。另外，为什么 $\Lambda^k$ 这么好算？因为对角矩阵幂 $=$ 逐元素幂：反复乘对角矩阵只在每个坐标上独立地重复标量乘法，方向不混合。

示例 2：Fibonacci 数列——Strang 的招牌例子

步骤 1：把递推写成矩阵。 Fibonacci 数列 $F_0=0,F_1=1$，递推 $F_{k+1}=F_k+F_{k-1}$。令状态向量 $\mathbf{u}k=\begin{bmatrix}F{k+1}\\F_k\end{bmatrix}$，则

于是 $\mathbf{u}_k=A^k\mathbf{u}_0$，$\mathbf{u}_0=\begin{bmatrix}F_1\\F_0\end{bmatrix}=\begin{bmatrix}1\\0\end{bmatrix}$。递推（串行、需逐步算）变成了幂（可一次跳跃）。

步骤 2：求特征值。 $\operatorname{tr}A=1$，$\det A=0-1=-1$，故

即

两个漂亮的事实（脚本核对）：$\lambda_1\lambda_2=\det A=-1$，$\lambda_1+\lambda_2=\operatorname{tr}A=1$。$\varphi$ 就是黄金比例，而 $\lambda_2=-1/\varphi$，绝对值小于 1。

步骤 3：求特征向量。 对 $\lambda_1=\varphi$：$A-\varphi I=\begin{bmatrix}1-\varphi&1\\1&-\varphi\end{bmatrix}$，第二行给出 $x_1=\varphi x_2$，取 $\mathbf{x}_1=\begin{bmatrix}\varphi\\1\end{bmatrix}$。脚本核对 $A\begin{bmatrix}\varphi\\1\end{bmatrix}=\begin{bmatrix}\varphi^2\\\varphi\end{bmatrix}=\begin{bmatrix}2.618034\\1.618034\end{bmatrix}$，而 $\varphi^2=\varphi+1=2.618034$ ✓。同理 $\mathbf{x}_2=\begin{bmatrix}\lambda_2\\1\end{bmatrix}$，$A\mathbf{x}_2=\begin{bmatrix}\lambda_2^2\\\lambda_2\end{bmatrix}$ ✓。

步骤 4：展开解。 因为 $\lambda_1\ne\lambda_2$，$\mathbf{x}_1,\mathbf{x}_2$ 无关，$A$ 可对角化，故

用 $\mathbf{u}_0=\begin{bmatrix}1\\0\end{bmatrix}=\begin{bmatrix}F_1\\F_0\end{bmatrix}$ 解出 $c_1=\dfrac{1}{\varphi-\lambda_2}=\dfrac{1}{\sqrt5}$，$c_2=-\dfrac{1}{\sqrt5}$。取 $\mathbf{u}_k$ 的第二个分量 $F_k$：

这就是 Binet 公式——它从对角化里”掉出来”了，不需要任何额外技巧。脚本核对：$F_{10}=55$ ✓，$F_{20}=6765$ ✓，$F_{30}=832040$ ✓。

步骤 5：为什么 $F_k\approx \varphi^k/\sqrt5$。 因为 $\vert \lambda_2\vert =0.618<1$，所以 $\lambda_2^k\to0$，第二项迅速可忽略。$k=10$ 时 $\varphi^{10}/\sqrt5\approx122.99/\sqrt5$ 附近的误差已只是 $\lambda_2^{10}/\sqrt5\approx0.008$ 量级，取整即得 $55$。主导特征值 $\varphi$ 决定了 Fibonacci 的增长速率：$F_{k+1}/F_k\to\varphi$。这解释了为什么向日葵种子数、松果鳞片数总落在 $1,1,2,3,5,8,13,21,34,55,\dots$ 上。

【计算机制解说】：本例揭示了”幂法”的普遍机制。任何 $\mathbf{u}_0$ 分解到特征向量基上后，$k$ 步之后各项按 $\lambda_i^k$ 缩放。因此绝对值最大的特征值最终压倒其他所有项，$k$ 大时 $\mathbf{u}_k$ 方向趋向该特征向量（讲次 21 末尾的 Power of $A$ 与此呼应，Google 的 PageRank 就用这个机制）。反之，若 $\vert \lambda_2\vert <1$，它对应的成分被”洗掉”——这正是下一例收敛的来源。注意：只有 $\lambda_1\ne\lambda_2$ 才能写 $c_1\lambda_1^k\mathbf{x}_1+c_2\lambda_2^k\mathbf{x}_2$ 这个干净形式；重根时需要用 $k\lambda^k$ 的修正项（Jordan 形，讲次 28）。

示例 3：稳定性——两个方向分别衰减与发散

(a) 对角矩阵 $A=\begin{bmatrix}0.5&0\\0&2\end{bmatrix}$。 特征值 $\lambda_1=0.5,\lambda_2=2$，特征向量就是标准基 $\mathbf{e}_1,\mathbf{e}_2$（对角线矩阵无需换基，$S=I$）。取 $\mathbf{u}_0=\begin{bmatrix}1\\1\end{bmatrix}=\mathbf{e}_1+\mathbf{e}_2$，则

$k=10$ 时 $\mathbf{u}_{10}=\begin{bmatrix}0.00098\\1024\end{bmatrix}$：第一坐标几乎归零，第二坐标爆炸。同一矩阵、同一初始向量，一个方向收敛、一个方向发散——这说明”$A^k\to0$”这种问法必须对所有方向成立才有意义（见收敛定理）。

(b) 马尔可夫型矩阵 $A=\begin{bmatrix}0.8&0.3\\0.2&0.7\end{bmatrix}$。 注意每列和为 1（列随机）。$\operatorname{tr}A=1.5$，$\det A=0.8\times0.7-0.3\times0.2=0.56-0.06=0.50$，故 $\lambda^2-1.5\lambda+0.5=(\lambda-1)(\lambda-0.5)=0$，即 $\lambda_1=1,\lambda_2=0.5$。特征向量 $\mathbf{x}_1=\begin{bmatrix}0.6\\0.4\end{bmatrix}$（稳态），$\mathbf{x}_2=\begin{bmatrix}1\\-1\end{bmatrix}$。脚本核对：$A\begin{bmatrix}3\\2\end{bmatrix}=\begin{bmatrix}3\\2\end{bmatrix}$ ✓（$3:2$ 即 $0.6:0.4$，确实是不动点）。

从 $\mathbf{u}_0=\begin{bmatrix}1\\0\end{bmatrix}$ 出发，解 $a_1\mathbf{x}_1+a_2\mathbf{x}_2=\mathbf{u}_0$ 得 $a_1=1,\ a_2=0.4$（验算：$1\cdot\begin{bmatrix}0.6\\0.4\end{bmatrix}+0.4\cdot\begin{bmatrix}1\\-1\end{bmatrix}=\begin{bmatrix}1.0\\0.0\end{bmatrix}$ ✓），于是

脚本核对这条公式：$k=1$ 给 $\begin{bmatrix}0.8\\0.2\end{bmatrix}$、$k=2$ 给 $\begin{bmatrix}0.7\\0.3\end{bmatrix}$、$k=5$ 给 $\begin{bmatrix}0.6125\\0.3875\end{bmatrix}$、$k=10$ 给 $\begin{bmatrix}0.600391\\0.399609\end{bmatrix}$，与直接连乘 $A^k\mathbf{u}_0$ 逐位吻合 ✓。注意 $\vert \lambda_2\vert =0.5<1$，$0.4\cdot0.5^k$ 的扰动迅速消失，$\mathbf{u}_k$ 单调地爬向稳态 $\begin{bmatrix}0.6\\0.4\end{bmatrix}$。

脚本核对 $A^2=\begin{bmatrix}0.7&0.45\\0.3&0.55\end{bmatrix}$、$A^5=\begin{bmatrix}0.6125&0.5813\\0.3875&0.4187\end{bmatrix}$：两列正在趋同，且趋同到 $(0.6,0.4)$ 的比例。因为 $\vert \lambda_2\vert =0.5<1$，$0.5^k$ 项消失，只剩 $\lambda_1=1$ 的稳态。这就是马尔可夫链的稳态（讲次 24）：稳态 $\iff$ 存在特征值 1，收敛速度由第二特征值 $0.5$ 决定（称为收敛率）。

【计算机制解说】：为什么”$\vert \lambda_1\vert =1$ 决定了不衰减”？在特征坐标下 $\hat{\mathbf{u}}_k=\Lambda^k\hat{\mathbf{u}}_0$ 的每个分量是 $\lambda_i^k\hat{u}_i(0)$。$\lambda_i^k$ 的三种命运截然不同：$\vert \lambda_i\vert <1$ 则 $\to0$（记忆被洗掉）；$\vert \lambda_i\vert >1$ 则 $\to\infty$（该成分爆炸，只要 $\hat u_i(0)\ne0$）；$\vert \lambda_i\vert =1$ 则大小不变（$\lambda=1$ 完全不动，$\lambda=-1$ 每步翻转符号，$\vert \lambda\vert =1$ 但 $\lambda\ne\pm1$ 则在单位圆上旋转）。所以长期行为完全由 $\vert \lambda_i\vert $ 与 1 的大小关系分类，与 $A$ 的具体数字无关。这就是特征值被称为”矩阵的 DNA”的原因。

示例 4：$3\times3$ 重根但仍可对角化——A = 3I + J₃（全 1 矩阵）

这个例子专门用来击碎”有重根就不可对角化”的误解。

步骤 1：矩阵与特征值。 令

$\operatorname{tr}A=9$，$\det A=20$（脚本核对）。观察 $A=2I+J$，其中 $J$ 是元素全为 1 的矩阵。$J\mathbf{1}=3\mathbf{1}$（每行和都是 3），故 $A\mathbf{1}=(2+3)\mathbf{1}=5\mathbf{1}$，得 $\lambda_1=5$、$\mathbf{x}_1=\begin{bmatrix}1\\1\\1\end{bmatrix}$。对任何与 $\mathbf{1}$ 正交的向量 $\mathbf{v}$（即分量和为零），$J\mathbf{v}=\mathbf{0}$，故 $A\mathbf{v}=2\mathbf{v}$——所以 $\lambda=2$ 是二重根。

步骤 2：重根处的几何重数。 $A-2I=J$ 的秩为 1（所有行相同），故

几何重数 $2$ = 代数重数 $2$ ✓。于是存在两个独立特征向量：$\mathbf{x}_2=\begin{bmatrix}1\\-1\\0\end{bmatrix}$、$\mathbf{x}_3=\begin{bmatrix}1\\0\\-1\end{bmatrix}$。

步骤 3：装配并验证。

脚本核对 $AS=S\Lambda$ ✓，且 $S\Lambda S^{-1}=A$ ✓（$S^{-1}=\frac13\begin{bmatrix}1&1&1\\1&-2&1\\1&1&-2\end{bmatrix}$）。

步骤 4：$A^3$。 由于重特征值只有 $2^3=8$ 一种幂：

直接连乘核对：$A^2=\begin{bmatrix}11&7&7\\7&11&7\\7&7&11\end{bmatrix}$，$A^3=A^2A=\begin{bmatrix}47&39&39\\39&47&39\\39&39&47\end{bmatrix}$ ✓（脚本一致）。

【计算机制解说】：为什么重根有时可对角化、有时不行？判据不是”有没有重根”，而是“重根处能否凑够那么多条独立的特征向量”。本例中 $A-2I$ 的零空间是二维平面（而非常见的一条直线），因为 $A-2I$ 把整个与 $\mathbf{1}$ 正交的平面都压成了零——这个平面上每一条直线都是 $A$-不变方向。对比 $\begin{bmatrix}3&1\\0&3\end{bmatrix}$：那里 $A-3I$ 的零空间只有一维，平面另一维被”剪切”，凑不出 2 条独立直线。矩阵能否对角化，本质上是”$A$ 是否在某组基下同时只做伸缩”——即 $A$ 有多少个不变方向。这也是为什么对称矩阵（讲次 25）永远可对角化：对称性保证了每个特征值都有”完整维度”的不变子空间。

矩阵分解的核心思想

本讲的主角是特征值分解（eigendecomposition），也是课程里继 $A=LU$、$A=QR$、$A=Q\Lambda Q^{\mathsf T}$ 之后的又一种核心分解。

形式：$A=S\Lambda S^{-1}$，其中 $S$ 的列是 $n$ 个线性无关的特征向量，$\Lambda=\operatorname{diag}(\lambda_1,\dots,\lambda_n)$。等价写法 $AS=S\Lambda$（更好记：右乘对角矩阵等于按列缩放）。

含义：这是“换基到特征向量”的分解。$A=LU$ 把矩阵拆成”消元 + 回代”，$A=QR$ 拆成”正交基 + 上三角”，而 $A=S\Lambda S^{-1}$ 拆成”翻译 + 逐坐标伸缩 + 翻译回来”。它回答的不是”如何解方程组”，而是“这个变换本质上是几个方向上的独立伸缩”——它揭示 $A$ 的动力学而非 $A$ 的可解性。

揭示的结构性质：

• 稳定性：$A^k\to0$ 当且仅当所有 $\vert \lambda_i\vert <1$。$\lambda_i$ 的模决定每个模式的生死。
• 长期主导模式：$\vert \lambda_{\max}\vert $ 决定增长率（Fibonacci 的 $\varphi$），对应特征向量决定极限方向（马尔可夫稳态、PageRank）。
• 不变子空间：每个特征向量张成一条 $A$-不变直线；$\Lambda$ 把这些直线显式暴露出来。
• 对称时的强化：$A=A^{\mathsf T}$ 时特征值全实、特征向量正交，$S$ 可取正交矩阵 $Q$，于是 $A=Q\Lambda Q^{\mathsf T}$、$S^{-1}=S^{\mathsf T}$——既是最稳定的分解，也是数值上最好的分解（讲次 25）。

应用价值：

1. 幂运算：$A^k=S\Lambda^kS^{-1}$（本讲核心）。
2. 逆矩阵：若所有 $\lambda_i\ne0$，$A^{-1}=S\Lambda^{-1}S^{-1}$（$\Lambda^{-1}=\operatorname{diag}(1/\lambda_i)$）。这也顺手证明了”$A$ 可逆 $\iff$ 无零特征值”，与讲次 21 一致。
3. 微分方程：$\frac{d\mathbf{u}}{dt}=A\mathbf{u}$ 有解 $\mathbf{u}(t)=e^{At}\mathbf{u}(0)=Se^{\Lambda t}S^{-1}\mathbf{u}(0)$（讲次 23）。
4. 矩阵函数：任何函数 $f$ 都可用 $f(A)=Sf(\Lambda)S^{-1}$ 定义（$e^{At}$、$\sqrt A$ 皆如此）。
5. 降复杂度：把 $n$ 维耦合问题化为 $n$ 个一维独立问题——所有”分而治之”思想的代数原型。

与其他讲次的关联

• 讲次 21（特征值与特征向量）：本讲是它的直接续集。21 讲回答”$\lambda$ 和 $\mathbf{x}$ 怎么求”，22 讲回答”求出来干什么用”——把它们装进 $S$ 和 $\Lambda$，换取 $A^k$、$A^{-1}$、$e^{At}$ 的公式。
• 讲次 18-20（行列式）：$\det A=\prod_i\lambda_i$ 与 $\operatorname{tr}A=\sum_i\lambda_i$ 是求特征值的加速通道，本讲反复使用（例 1、例 2、例 3b 都靠迹+行列式一步到位）。
• 讲次 23（微分方程 $du/dt=Au$）：解为 $Se^{\Lambda t}S^{-1}\mathbf{u}(0)=\sum_i c_i e^{\lambda_i t}\mathbf{x}_i$。稳定性判据变成”所有 $\operatorname{Re}\lambda_i<0$”——与幂情形的 $\vert \lambda_i\vert <1$ 是同一思想的不同版本。
• 讲次 24（马尔可夫矩阵）：列随机矩阵必有 $\lambda=1$；稳态就是 $\lambda=1$ 的特征向量。本讲例 3(b) 已经预演。收敛性要求其余 $\vert \lambda_i\vert <1$。
• 讲次 25（对称矩阵与正定）：$A=A^{\mathsf T}$ 时 $S$ 可取正交 $Q$，$A=Q\Lambda Q^{\mathsf T}$；且实对称矩阵一定可对角化（即使有重根，几何重数也必等于代数重数）——本讲的”可对角化条件”在对称情形自动满足。
• 讲次 27-28（正定与 Jordan 形）：退化（不可对角化）情形由 Jordan 形接手，$A=SJS^{-1}$ 中 $J$ 是”最接近对角”的三角矩阵；本讲例 2 提到的 $k\lambda^k$ 修正项就出自那里。
• 讲次 29（SVD）：任意矩阵（包括长方阵、不可对角化的）都有 $A=U\Sigma V^{\mathsf T}$——把”两个不同基”允许进来，代价是 $\Sigma$ 里的奇异值而非特征值。
• 讲次 31（基变换与相似）：$A=S\Lambda S^{-1}$ 说明 $A$ 与 $\Lambda$ 相似（$B=M^{-1}AM$）。相似矩阵描述同一个线性变换在不同基下的矩阵，因此共享特征值——这正是对角化何以可能：$\Lambda$ 就是那个变换在特征向量基下的最简写法。
• 讲次 1-5（$A=LU$）与讲次 14-17（$A=QR$）：三种分解对照——$LU$ 服务于解方程，$QR$ 服务于最小二乘与正交性，$S\Lambda S^{-1}$ 服务于动力学与幂。选择哪种分解，取决于你想问矩阵什么问题。

关键要点

1. 对角化公式：若 $n\times n$ 矩阵 $A$ 有 $n$ 个线性无关的特征向量，把它们按列排成 $S$，则 $A=S\Lambda S^{-1}$，$\Lambda=\operatorname{diag}(\lambda_1,\dots,\lambda_n)$；等价地 $AS=S\Lambda$。
2. 充要条件：$A$ 可对角化 $\iff$ 有 $n$ 个线性无关特征向量 $\iff$ 每个特征值的几何重数 $=$ 代数重数。$n$ 个互异特征值 $\Rightarrow$ 可对角化（反之不真）。
3. 幂公式：$A^k=S\Lambda^kS^{-1}=\sum_{i=1}^{n}\lambda_i^k\,\mathbf{x}_i\mathbf{y}_i^{\mathsf T}$（其中 $\mathbf{y}_i^{\mathsf T}$ 是 $S^{-1}$ 的第 $i$ 行）。幂运算 → 标量幂，这是对角化的全部价值所在。
4. 收敛判据（幂情形）：$A^k\to0\iff$ 所有 $\vert \lambda_i\vert <1$。只要有一个 $\vert \lambda_i\vert >1$，就存在初始向量使 $A^k\mathbf{u}0$ 发散；$\vert \lambda_i\vert =1$ 的成分既不衰减也不发散。长期行为由 $\vert \lambda{\max}\vert $ 主导。
5. 迹/行列式判据（2×2 快速版）：$\lambda_{1,2}=\dfrac{\operatorname{tr}A\pm\sqrt{(\operatorname{tr}A)^2-4\det A}}{2}$。判别式 $<0$ 时特征值为共轭复数（此时 $\vert \lambda\vert ^2=\det A$，可用 $\det A<1$ 判定衰减）；$(\operatorname{tr}A)^2=4\det A$ 时出现重根，需检查 $\dim N(A-\lambda I)$ 才知可否对角化。注意 $\det A=0$ 必有一个 $\lambda=0$——矩阵奇异。

常见误区与注意事项

1. 以为所有矩阵都可对角化。 这是最普遍的误解。$\begin{bmatrix}3&1\\0&3\end{bmatrix}$ 就不可对角化：$\lambda=3$ 是二重根但只有一条特征向量直线。必须检查特征向量的个数与独立性，不能只凭”$n$ 个特征值（含重数）”就下结论。
2. 忘记 $S$ 的列必须线性无关。 常见错误：重根情形下把同一个特征向量的两个倍数（如 $\begin{bmatrix}1\\0\end{bmatrix}$ 与 $\begin{bmatrix}2\\0\end{bmatrix}$）塞进 $S$ 的两列。此时 $\det S=0$，$S^{-1}$ 不存在，后续一切公式失效。先算 $\det S$，它是你的安全阀。
3. 混淆 $A^k$ 公式里 $S$ 与 $S^{-1}$ 的顺序，以及 $\Lambda^k$ 与特征向量的配对顺序。 正确顺序是 $A^k=S\Lambda^kS^{-1}$（不是 $S^{-1}\Lambda^kS$，也不是 $S\Lambda S^{-1}$ 的各次方随便换序）。同时 $\Lambda$ 的对角元顺序与 $S$ 的列顺序必须一一对应：若 $S$ 的第一列是 $\lambda=1$ 的特征向量，则 $\Lambda_{11}$ 必须是 $1$，不能是 $3$。换序会让结果算错，且验算 $S\Lambda S^{-1}=A$ 会立刻暴露。
4. 以为特征值必须是实数。 实矩阵的特征值可能是共轭复数，例如旋转矩阵 $\begin{bmatrix}0&-1\\1&0\end{bmatrix}$：$\operatorname{tr}=0,\det=1$，$\lambda=\pm i$，$\vert \lambda\vert =1$ 表示纯旋转——既不衰减也不发散，是”周期性振荡”这一第三类长期行为。此时实矩阵 $A$ 在实数域内不可对角化（$S$ 会是复矩阵），需用实 Jordan/旋转块描述。另注意：即使 $\lambda$ 是复数，$A^k$ 仍是实矩阵，共轭项总是成对出现并组合成实结果。
5. 把”$A$ 可逆”与”$A$ 可对角化”混为一谈。 这是两个完全独立的性质。$\begin{bmatrix}3&1\\0&3\end{bmatrix}$ 可逆（$\det=9\ne0$）却不可对角化；$\begin{bmatrix}0&0\\0&1\end{bmatrix}$ 不可逆却可对角化（$\lambda=0,1$，$\mathbf{e}_1,\mathbf{e}_2$）。可逆性看是否有零特征值（讲次 21），可对角化看独立特征向量是否够数。

思考题（带答案）

Q1.（计算题）设 $A=\begin{bmatrix}4&1\\2&3\end{bmatrix}$。求 $A$ 的对角化 $A=S\Lambda S^{-1}$，写出 $A^{100}$ 的表达式，并指出 $A^{100}$ 中占主导的项与第二特征值成分的相对大小。

Q2.（概念题）判断下列说法真假，并说明理由： (a) 若 $A$ 是 $3\times3$ 实矩阵且有 3 个互异特征值，则 $A$ 一定可对角化。 (b) 若 $A$ 可逆，则 $A$ 一定可对角化。 (c) 若 $A$ 的所有特征值满足 $\vert \lambda\vert <1$，则 $A^k\to0$。 (d) 若 $A$ 与 $B$ 有相同的特征值，则 $A,B$ 相似。

Q3.（综合题）设 Fibonacci 矩阵 $A=\begin{bmatrix}1&1\\1&0\end{bmatrix}$，状态 $\mathbf{u}k=\begin{bmatrix}F{k+1}\\F_k\end{bmatrix}$。 (a) 用对角化方案写出 $\mathbf{u}k$ 的闭式解，并据此求 $F{10}$。 (b) 求 $\lim_{k\to\infty}F_{k+1}/F_k$。 (c) 若把递推改成 $G_{k+1}=G_k+G_{k-1}$ 但初值 $G_0=2,G_1=1$（Lucas 数），说明长期增长率是否改变。