8.1特征值性质和估计

矩阵特征值问题核心知识点详解与推导证明

各位同学，今天我们系统讲解矩阵特征值问题的核心定义、性质、定理与推导，这是数值线性代数、科学工程计算的核心基础，贯穿振动分析、系统稳定性、数据降维等诸多领域。我们从定义出发，一步步完成推导证明，最后做系统归纳。

---

一、特征值与特征向量的核心定义与基础推导

1. 定义的引入

设\(n\)阶实方阵\(A\in\mathbb{R}^{n\times n}\)，特征值问题的核心是：找到复数\(\lambda\in\mathbb{C}\)和非零向量\(x\in\mathbb{C}^n\)，使得

\[Ax=\lambda x \tag{8.1} \]

其中：

• \(\lambda\)称为矩阵\(A\)的特征值；
• 非零向量\(x\)称为矩阵\(A\)属于特征值\(\lambda\)的特征向量。

关键强调：特征向量必须满足\(x\neq0\)。若\(x=0\)，对任意\(\lambda\)都满足\(Ax=\lambda x\)，没有任何数学意义，这是初学者最容易忽略的核心前提。

2. 特征多项式与特征方程的推导

对式(8.1)移项变形，可得：

\[Ax - \lambda x = 0 \implies (\lambda I - A)x = 0 \]

其中\(I\)是\(n\)阶单位矩阵。

上式是齐次线性方程组，根据线性代数基本定理：齐次线性方程组有非零解的充要条件是系数矩阵的行列式为0（若行列式不为0，系数矩阵可逆，方程组只有零解\(x=0\)，不符合特征向量非零的要求）。因此必须满足：

\[\det(\lambda I - A)=0 \]

我们将行列式展开，定义特征多项式\(p(\lambda)\)：

\[p(\lambda)=\det(\lambda I - A)=\begin{vmatrix} \lambda - a_{11} & -a_{12} & \dots & -a_{1n} \\ -a_{21} & \lambda - a_{22} & \dots & -a_{2n} \\ \vdots & \vdots & & \vdots \\ -a_{n1} & -a_{n2} & \dots & \lambda - a_{nn} \end{vmatrix}\]

特征多项式的展开推导

\(n\)阶行列式的展开是所有不同行不同列元素乘积的代数和，其中：

• 最高次项\(\lambda^n\)仅来自主对角线元素的乘积\((\lambda - a_{11})(\lambda - a_{22})\dots(\lambda - a_{nn})\)，系数为1；
• \(\lambda^{n-1}\)项也仅来自主对角线乘积的展开，系数为\(-(a_{11}+a_{22}+\dots+a_{nn})=-\mathrm{tr}(A)\)，其中\(\mathrm{tr}(A)\)称为矩阵\(A\)的迹，即主对角线元素之和；
• 其余项最多包含\(n-2\)个主对角线元素，因此\(\lambda\)的最高次数不超过\(n-2\)。

因此特征多项式的标准形式为：

\[p(\lambda)=\lambda^n + c_1\lambda^{n-1} + \dots + c_{n-1}\lambda + c_n = 0 \tag{8.2} \]

式(8.2)称为矩阵\(A\)的特征方程。

3. 迹、行列式与特征值的核心恒等式推导

根据代数基本定理，\(n\)次代数方程\(p(\lambda)=0\)在复数域内有且仅有\(n\)个根（重根按重数计算），记为\(\lambda_1,\lambda_2,\dots,\lambda_n\)，即矩阵\(A\)的全部特征值。因此特征多项式可因式分解为：

\[p(\lambda)=(\lambda - \lambda_1)(\lambda - \lambda_2)\dots(\lambda - \lambda_n) \]

将因式分解式展开，与标准形式(8.2)做系数对应相等，即可得到两个核心恒等式：

1. 迹与特征值的和：
   因式分解展开后，\(\lambda^{n-1}\)的系数为\(-(\lambda_1+\lambda_2+\dots+\lambda_n)\)，与标准形式的\(c_1=-\mathrm{tr}(A)\)对应，消去负号得：

   \[\mathrm{tr}(A)=\sum_{i=1}^n a_{ii} = \sum_{i=1}^n \lambda_i \]

   结论：矩阵的迹等于其所有特征值的和。

2. 行列式与特征值的积：
   因式分解展开后，常数项为\((-1)^n\lambda_1\lambda_2\dots\lambda_n\)；而标准形式的常数项\(c_n=p(0)=\det(-A)=(-1)^n\det(A)\)，对应消去\((-1)^n\)得：

   \[\det(A) = \lambda_1\lambda_2\dots\lambda_n \]

   结论：矩阵的行列式等于其所有特征值的乘积。

核心意义：这两个恒等式是特征值最基础的性质，是后续所有推导的基础，也是验证特征值计算是否正确的核心依据。

---

二、特征值与特征向量的基本性质及证明

性质1：\(A^T\)与\(A\)有完全相同的特征值

证明：
要证明两个矩阵有相同的特征值，只需证明它们的特征多项式完全相同。
根据转置的性质：\((\lambda I)^T=\lambda I^T=\lambda I\)，因此\(\lambda I - A^T = (\lambda I - A)^T\)。
再根据行列式的核心性质：任意方阵的转置的行列式等于自身的行列式，即\(\det(M^T)=\det(M)\)。
因此：

\[\det(\lambda I - A^T)=\det\left((\lambda I - A)^T\right)=\det(\lambda I - A) \]

\(A^T\)与\(A\)的特征多项式完全相同，因此特征值完全相同。

补充提醒：\(A^T\)与\(A\)特征值相同，但特征向量不一定相同，切勿混淆。

性质2：若\(A\)非奇异（可逆），则\(A^{-1}\)的特征值为\(\lambda^{-1}\)，特征向量与\(A\)相同

证明：
\(A\)可逆的充要条件是\(\det(A)\neq0\)，根据行列式与特征值的关系，\(A\)的所有特征值\(\lambda\neq0\)，因此\(\lambda^{-1}\)有意义。
已知\(Ax=\lambda x\)（\(x\neq0\)），等式两边同时左乘\(A^{-1}\)：

\[A^{-1}Ax = A^{-1}\lambda x \]

左边\(A^{-1}A=I\)，因此\(Ix=x\)；右边\(\lambda\)为常数，可提出，因此：

\[x = \lambda A^{-1}x \]

两边同时除以非零常数\(\lambda\)，得：

\[A^{-1}x = \lambda^{-1}x \]

根据定义，\(\lambda^{-1}\)是\(A^{-1}\)的特征值，对应的特征向量仍为\(x\)。

性质3：相似矩阵\(B=S^{-1}AS\)（\(S\)可逆）与\(A\)有相同的特征多项式

证明：
相似矩阵的定义：存在可逆矩阵\(S\)，使得\(B=S^{-1}AS\)。我们直接计算\(B\)的特征多项式：

\[\det(\lambda I - B)=\det(\lambda I - S^{-1}AS) \]

利用单位矩阵的恒等变形：\(\lambda I = S^{-1}\lambda I S\)，代入得：

\[\det(\lambda I - B)=\det\left(S^{-1}\lambda I S - S^{-1}AS\right)=\det\left(S^{-1}(\lambda I - A)S\right) \]

根据行列式乘积性质：\(\det(MN)=\det(M)\det(N)\)，因此：

\[\det\left(S^{-1}(\lambda I - A)S\right)=\det(S^{-1})\cdot\det(\lambda I - A)\cdot\det(S) \]

又因为\(\det(S^{-1})=\frac{1}{\det(S)}\)，因此\(\det(S^{-1})\cdot\det(S)=1\)，最终得：

\[\det(\lambda I - B)=\det(\lambda I - A) \]

结论：相似矩阵有相同的特征多项式、相同的特征值，因此迹和行列式也相同（迹、行列式是相似不变量）；但特征向量不一定相同，\(B\)的特征向量为\(S^{-1}x\)（\(x\)为\(A\)的特征向量）。

补充性质：实矩阵的复特征值共轭成对出现

结论：实矩阵的复特征值与复特征向量一定共轭成对出现，且复特征向量的实部和虚部线性无关。
证明：
设\(A\)为实矩阵，\(\lambda=a+ib\)（\(b\neq0\)）为复特征值，\(x=u+iv\)为对应的复特征向量，即\(Ax=\lambda x\)（\(x\neq0\)）。
对等式两边取共轭，实矩阵满足\(\bar{A}=A\)，因此：

\[\bar{A}\bar{x}=\bar{\lambda}\bar{x} \implies A\bar{x}=\bar{\lambda}\bar{x} \]

\(\bar{x}\neq0\)，因此\(\bar{\lambda}=a-ib\)也是\(A\)的特征值，对应特征向量为\(\bar{x}=u-iv\)，即复特征值、特征向量共轭成对出现。

再证明实部\(u\)和虚部\(v\)线性无关（反证法）：
将\(Ax=\lambda x\)展开，实部、虚部分别对应相等，得：

\[Au = au - bv, \quad Av = bu + av \]

假设\(u,v\)线性相关，则存在不全为0的实数\(k_1,k_2\)，使得\(k_1u + k_2v=0\)。

• 若\(v=0\)，则\(x=u\)为实向量，\(\lambda=a\)为实数，与\(\lambda\)是复特征值矛盾；
• 若\(u=kv\)（\(k\)为实数），代入\(Au=au-bv\)，得\(Av=(a+ib)v\)，左边\(Av\)为实向量，右边为虚部非零的复向量，矛盾。
  因此假设不成立，\(u,v\)线性无关。

---

三、特征值的运算性质（定理8.1）及证明

定理8.1 设\(\lambda\)为\(A\in\mathbb{R}^{n\times n}\)的特征值，即\(Ax=\lambda x,x\neq0\)，则：

1. \(c\lambda\)为\(cA\)的特征值（\(c\)为非零常数）；
2. \(\lambda-\mu\)为\(A-\mu I\)的特征值（\(\mu\)为常数）；
3. \(\lambda^k\)为\(A^k\)的特征值（\(k\)为正整数）。

证明(1)

已知\(Ax=\lambda x\)，等式两边同时乘以常数\(c\)，得：

\[cAx = c\lambda x \implies (cA)x = (c\lambda)x \]

\(x\neq0\)，因此\(c\lambda\)是\(cA\)的特征值。

证明(2)

直接展开计算：

\[(A-\mu I)x = Ax - \mu Ix = \lambda x - \mu x = (\lambda - \mu)x \]

\(x\neq0\)，因此\(\lambda-\mu\)是\(A-\mu I\)的特征值。

证明(3)

采用数学归纳法：

• 基例：\(k=1\)时，\(A^1x=\lambda^1x\)，显然成立；
• 归纳假设：假设\(k=m\)时，\(A^m x=\lambda^m x\)成立；
• 归纳递推：\(k=m+1\)时，
  \[A^{m+1}x = A\cdot A^m x = A(\lambda^m x) = \lambda^m Ax = \lambda^m \cdot \lambda x = \lambda^{m+1}x \]
  等式成立。

根据数学归纳法，对所有正整数\(k\)，\(\lambda^k\)是\(A^k\)的特征值。

推广：该结论可拓展到矩阵多项式，若\(f(A)=a_0A^m+a_1A^{m-1}+\dots+a_mI\)，则\(f(A)\)的特征值为\(f(\lambda)=a_0\lambda^m+a_1\lambda^{m-1}+\dots+a_m\)。

---

四、矩阵可对角化定理（定理8.2）及证明

矩阵可对角化定义：若存在可逆矩阵\(P\)，使得\(P^{-1}AP=\mathrm{diag}(\lambda_1,\lambda_2,\dots,\lambda_n)\)（对角矩阵），则称矩阵\(A\)可对角化。

定理8.2(2)：不同特征值对应的特征向量线性无关

结论：若\(A\)有\(m\)个（\(m\leq n\)）不同的特征值\(\lambda_1,\lambda_2,\dots,\lambda_m\)，则对应的特征向量\(x_1,x_2,\dots,x_m\)线性无关。

证明：采用数学归纳法+反证法

• 基例：\(m=1\)时，单个非零特征向量\(x_1\)必然线性无关，成立；
• 归纳假设：假设\(m=k\)时，\(k\)个不同特征值对应的特征向量\(x_1,\dots,x_k\)线性无关；
• 归纳递推：考虑\(m=k+1\)的情况，设存在不全为0的常数\(c_1,\dots,c_{k+1}\)，使得
  \[c_1x_1 + c_2x_2 + \dots + c_{k+1}x_{k+1}=0 \tag{*} \]
  等式两边同时左乘\(A\)，结合\(Ax_i=\lambda_i x_i\)，得：
  \[c_1\lambda_1x_1 + c_2\lambda_2x_2 + \dots + c_{k+1}\lambda_{k+1}x_{k+1}=0 \tag{**} \]
  对式(*)两边同时乘以\(\lambda_{k+1}\)，得：
  \[c_1\lambda_{k+1}x_1 + c_2\lambda_{k+1}x_2 + \dots + c_{k+1}\lambda_{k+1}x_{k+1}=0 \tag{***} \]
  用式()减去式(*)，得：
  \[c_1(\lambda_1-\lambda_{k+1})x_1 + c_2(\lambda_2-\lambda_{k+1})x_2 + \dots + c_k(\lambda_k-\lambda_{k+1})x_k=0 \]
  根据归纳假设，\(x_1,\dots,x_k\)线性无关，因此系数必须全为0：
  \[c_i(\lambda_i-\lambda_{k+1})=0 \quad (i=1,\dots,k) \]
  由于\(\lambda_1,\dots,\lambda_{k+1}\)互不相同，\(\lambda_i-\lambda_{k+1}\neq0\)，因此\(c_1=c_2=\dots=c_k=0\)。
  代入式(*)，得\(c_{k+1}x_{k+1}=0\)，而\(x_{k+1}\neq0\)，因此\(c_{k+1}=0\)，与“常数不全为0”的假设矛盾。

因此\(x_1,\dots,x_{k+1}\)线性无关，根据数学归纳法，结论成立。

定理8.2(1)：矩阵可对角化的充要条件

结论：\(A\in\mathbb{R}^{n\times n}\)可对角化的充分必要条件是\(A\)具有\(n\)个线性无关的特征向量。

必要性证明（可对角化\(\implies\)有\(n\)个线性无关特征向量）

若\(A\)可对角化，即存在可逆矩阵\(P\)，使得\(P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n)\)。
将\(P\)按列分块：\(P=[p_1\ p_2\ \dots\ p_n]\)，其中\(p_i\)是\(P\)的第\(i\)列向量。
\(P\)可逆，因此\(P\)的列向量\(p_1,\dots,p_n\)线性无关，且均为非零向量。

对\(P^{-1}AP=\Lambda\)两边左乘\(P\)，得\(AP=P\Lambda\)，分别展开左右两边：

• 左边：\(AP=A[p_1\ p_2\ \dots\ p_n]=[Ap_1\ Ap_2\ \dots\ Ap_n]\)
• 右边：\(P\Lambda=[p_1\ p_2\ \dots\ p_n]\cdot\mathrm{diag}(\lambda_1,\dots,\lambda_n)=[\lambda_1p_1\ \lambda_2p_2\ \dots\ \lambda_np_n]\)

矩阵相等则对应列向量相等，因此\(Ap_i=\lambda_i p_i\)（\(i=1,\dots,n\)），即\(p_1,\dots,p_n\)是\(A\)的\(n\)个线性无关的特征向量，必要性得证。

充分性证明（有\(n\)个线性无关特征向量\(\implies\)可对角化）

若\(A\)有\(n\)个线性无关的特征向量\(p_1,\dots,p_n\)，对应特征值\(\lambda_1,\dots,\lambda_n\)，即\(Ap_i=\lambda_i p_i\)。

构造矩阵\(P=[p_1\ p_2\ \dots\ p_n]\)，由于\(p_1,\dots,p_n\)线性无关，\(P\)列满秩，为可逆方阵。
计算\(AP\)：

\[AP=A[p_1\ \dots\ p_n]=[Ap_1\ \dots\ Ap_n]=[\lambda_1p_1\ \dots\ \lambda_np_n]=P\cdot\mathrm{diag}(\lambda_1,\dots,\lambda_n) \]

两边左乘\(P^{-1}\)，得\(P^{-1}AP=\mathrm{diag}(\lambda_1,\dots,\lambda_n)\)，即\(A\)可对角化，充分性得证。

核心推论：若\(A\)有\(n\)个不同的特征值，则\(A\)一定可对角化（充分不必要条件，例如单位矩阵特征值全为1，但本身就是对角矩阵，可对角化）。

---

五、实对称矩阵的瑞利商性质（定理8.3）及证明

前提：实对称矩阵\(A\in\mathbb{R}^{n\times n}\)满足\(A^T=A\)，其所有特征值均为实数，且可正交对角化（存在正交矩阵\(Q\)，使得\(Q^TAQ=\mathrm{diag}(\lambda_1,\dots,\lambda_n)\)）。

瑞利商定义：对非零向量\(x\in\mathbb{R}^n\)，定义

\[R(x)=\frac{(Ax,x)}{(x,x)}, \quad x\neq0 \]

其中\((x,y)=x^Ty\)为\(\mathbb{R}^n\)中的标准内积，\((x,x)=||x||_2^2>0\)（\(x\neq0\)）。

定理8.3 设实对称矩阵\(A\)的特征值按大小排序为\(\lambda_1\geq\lambda_2\geq\dots\geq\lambda_n\)，则：

1. 对任意非零向量\(x\in\mathbb{R}^n\)，有\(\lambda_n \leq R(x) \leq \lambda_1\)；
2. \(\lambda_1=\max_{x\neq0} R(x)\)，\(\lambda_n=\min_{x\neq0} R(x)\)。

证明(1)

实对称矩阵可正交对角化，即存在正交矩阵\(Q\)（\(Q^TQ=QQ^T=I\)），使得\(Q^TAQ=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n)\)。

对任意非零向量\(x\)，做线性变换\(x=Qy\)（\(y\neq0\)，正交变换保持非零性），正交变换保持内积不变：

\[(x,x)=(Qy,Qy)=(Qy)^T(Qy)=y^TQ^TQy=y^Ty=(y,y) \]

计算\((Ax,x)\)：

\[(Ax,x)=(AQy,Qy)=(Q\Lambda Q^T Qy,Qy)=(Q\Lambda y,Qy)=y^T\Lambda^T Q^T Q y=y^T\Lambda y \]

展开得：

\[y^T\Lambda y = \lambda_1y_1^2 + \lambda_2y_2^2 + \dots + \lambda_ny_n^2 \]

由于\(\lambda_1\geq\lambda_2\geq\dots\geq\lambda_n\)，对所有\(i\)有\(\lambda_n\leq\lambda_i\leq\lambda_1\)，因此：

\[\lambda_n(y_1^2+\dots+y_n^2) \leq y^T\Lambda y \leq \lambda_1(y_1^2+\dots+y_n^2) \]

即：

\[\lambda_n (y,y) \leq (Ax,x) \leq \lambda_1 (y,y) \]

结合\((y,y)=(x,x)>0\)，两边同时除以\((x,x)\)，得：

\[\lambda_n \leq \frac{(Ax,x)}{(x,x)} \leq \lambda_1 \]

结论(1)得证。

证明(2)

由结论(1)，\(R(x)\leq\lambda_1\)对所有非零\(x\)成立，我们只需证明\(R(x)\)可以取到\(\lambda_1\)：
取\(x_1\)为\(\lambda_1\)对应的特征向量，即\(Ax_1=\lambda_1x_1\)，\(x_1\neq0\)，则：

\[R(x_1)=\frac{(Ax_1,x_1)}{(x_1,x_1)}=\frac{\lambda_1(x_1,x_1)}{(x_1,x_1)}=\lambda_1 \]

因此\(\lambda_1\)是\(R(x)\)的最大值，即\(\lambda_1=\max_{x\neq0} R(x)\)。

同理，取\(x_n\)为\(\lambda_n\)对应的特征向量，\(Ax_n=\lambda_nx_n\)，则\(R(x_n)=\lambda_n\)，因此\(\lambda_n=\min_{x\neq0} R(x)\)，结论(2)得证。

工程意义：瑞利商是数值计算中求矩阵最大/最小特征值的核心工具，瑞利商迭代法收敛速度快，是工程中求解大型矩阵特征值的常用方法。

---

六、核心知识点系统归纳总结表

分类	核心结论	适用条件	关键说明/推导核心
核心定义	特征值与特征向量：满足\(Ax=\lambda x\)的\(\lambda\in\mathbb{C}\)为特征值，非零\(x\in\mathbb{C}^n\)为对应特征向量	\(A\in\mathbb{R}^{n\times n}\)，\(x\neq0\)	齐次方程组\((\lambda I - A)x=0\)有非零解\(\iff\det(\lambda I - A)=0\)
核心定义	特征多项式：\(p(\lambda)=\det(\lambda I - A)\)，特征方程：\(p(\lambda)=0\)	\(A\in\mathbb{R}^{n\times n}\)	展开为\(n\)次多项式\(p(\lambda)=\lambda^n + c_1\lambda^{n-1}+\dots+c_n\)
核心定义	矩阵的迹：\(\mathrm{tr}(A)=\sum_{i=1}^n a_{ii}\)	\(A\in\mathbb{R}^{n\times n}\)	主对角线元素之和，是矩阵相似不变量
核心定义	瑞利商：\(R(x)=\frac{(Ax,x)}{(x,x)}\)（\((x,x)=x^Tx\)）	\(A\)为实对称矩阵，\(x\in\mathbb{R}^n,x\neq0\)	\(R(x)\)为实数，取值介于\(A\)的最小、最大特征值之间
核心恒等式	\(\mathrm{tr}(A)=\sum_{i=1}^n \lambda_i\)	\(A\in\mathbb{R}^{n\times n}\)，\(\lambda_1\dots\lambda_n\)为\(A\)的全部特征值	特征多项式\(\lambda^{n-1}\)项的系数对应相等
核心恒等式	\(\det(A)=\prod_{i=1}^n \lambda_i\)	\(A\in\mathbb{R}^{n\times n}\)，\(\lambda_1\dots\lambda_n\)为\(A\)的全部特征值	特征多项式常数项对应相等
基本性质	\(A^T\)与\(A\)有完全相同的特征值	\(A\in\mathbb{R}^{n\times n}\)	特征多项式相同：\(\det(\lambda I - A^T)=\det(\lambda I - A)\)，特征向量不一定相同
基本性质	若\(A\)可逆，则\(A^{-1}\)的特征值为\(\lambda^{-1}\)，特征向量与\(A\)相同	\(A\)可逆（\(\lambda\neq0\)），\(Ax=\lambda x,x\neq0\)	对\(Ax=\lambda x\)左乘\(A^{-1}\)，变形得\(A^{-1}x=\lambda^{-1}x\)
基本性质	相似矩阵\(B=S^{-1}AS\)与\(A\)有相同的特征多项式、特征值	\(S\)可逆，\(A,B\)为同阶方阵	\(\det(\lambda I - B)=\det(S^{-1}(\lambda I - A)S)=\det(\lambda I - A)\)
基本性质	实矩阵的复特征值、复特征向量共轭成对出现	\(A\in\mathbb{R}^{n\times n}\)，\(\lambda=a+ib(b\neq0)\)为复特征值	对\(Ax=\lambda x\)取共轭，得\(A\bar{x}=\bar{\lambda}\bar{x}\)；复特征向量的实部、虚部线性无关
运算性质	\(c\lambda\)是\(cA\)的特征值（\(c\)为常数）	\(Ax=\lambda x,x\neq0\)	对\(Ax=\lambda x\)乘\(c\)，得\((cA)x=(c\lambda)x\)
运算性质	\(\lambda-\mu\)是\(A-\mu I\)的特征值（\(\mu\)为常数）	\(Ax=\lambda x,x\neq0\)	\((A-\mu I)x=Ax-\mu x=(\lambda-\mu)x\)
运算性质	\(\lambda^k\)是\(A^k\)的特征值（\(k\)为正整数）	\(Ax=\lambda x,x\neq0\)	数学归纳法证明，递推得\(A^{m+1}x=\lambda^{m+1}x\)
可对角化定理	不同特征值对应的特征向量线性无关	\(A\in\mathbb{R}^{n\times n}\)，\(\lambda_1\dots\lambda_m\)为\(m\)个不同特征值	数学归纳法+反证法，构造线性组合消元推导
可对角化定理	\(A\)可对角化的充要条件：\(A\)有\(n\)个线性无关的特征向量	\(A\in\mathbb{R}^{n\times n}\)	必要性：可逆矩阵\(P\)的列向量为线性无关特征向量；充分性：以特征向量为列构造可逆矩阵\(P\)
可对角化推论	若\(A\)有\(n\)个不同的特征值，则\(A\)一定可对角化	\(A\in\mathbb{R}^{n\times n}\)	不同特征值对应特征向量线性无关，满足可对角化充要条件（充分不必要）
瑞利商性质	对任意非零\(x\in\mathbb{R}^n\)，\(\lambda_n\leq R(x)\leq\lambda_1\)	\(A\)为\(n\)阶实对称矩阵，\(\lambda_1\geq\dots\geq\lambda_n\)为特征值	实对称矩阵正交对角化，令\(x=Qy\)，通过特征值上下界放缩证明
瑞利商性质	\(\lambda_1=\max_{x\neq0} R(x)\)，\(\lambda_n=\min_{x\neq0} R(x)\)	\(A\)为\(n\)阶实对称矩阵	取对应特征向量时，\(R(x)\)可取到\(\lambda_1\)和\(\lambda_n\)，即为最值

---

格什戈林圆盘定理 知识点详解与完整推导证明

各位同学，今天我们讲解的格什戈林（Gershgorin）圆盘定理，是数值线性代数中特征值估计的核心工具，也是工程应用中最实用的特征值范围判定方法。

在之前的课程中，我们学习了特征值的精确求解方法，但在实际科学与工程问题中，我们经常遇到两类核心场景：

1. 面对高阶大型矩阵，精确计算特征值的计算成本极高；
2. 我们不需要特征值的精确值，仅需判断其范围——比如判断线性动力系统是否稳定（特征值实部是否小于0）、矩阵是否正定（特征值是否全正）、迭代算法是否收敛（谱半径是否小于1）。

格什戈林圆盘定理仅通过矩阵元素本身，无需复杂计算，就能快速给出特征值的范围，完美解决了这类问题。

---

一、格什戈林圆盘的核心定义（定义8.1）

设\(A=(a_{ij})_{n\times n}\)是\(n\)阶复方阵（实方阵是其最常用的特例），我们先明确两个核心概念：

1. 第\(i\)个行去心和\(r_i\)

\[r_i = \sum_{\substack{j=1 \\ j\neq i}}^n |a_{ij}| \quad (i=1,2,\dots,n) \]

关键强调（初学者高频易错点）：

• \(r_i\)是矩阵第\(i\)行，去掉主对角线元素\(a_{ii}\)后，其余所有元素的绝对值之和，因此称为「去心行和」，绝对不能把\(j=i\)的\(|a_{ii}|\)计入求和。
• 绝对值\(|\cdot|\)：当\(a_{ij}\)为实数时是普通绝对值，为复数时是复数的模长，保证\(r_i\)一定是非负实数。

2. 格什戈林圆盘\(D_i\)

我们在复平面上定义集合：

\[D_i = \left\{ z \mid |z - a_{ii}| \leq r_i,\ z\in\mathbb{C} \right\} \]

这个集合\(D_i\)称为矩阵\(A\)的第\(i\)个格什戈林圆盘，所有\(D_i\)的集合称为\(A\)的格什戈林圆盘族。

几何意义拆解：

• 复平面：横轴为复数的实部，纵轴为复数的虚部；
• 圆心：圆盘的圆心是主对角线元素\(a_{ii}\)，若\(A\)是实矩阵，\(a_{ii}\)为实数，所有圆盘的圆心都落在复平面的实轴上；
• 半径：圆盘的半径就是去心行和\(r_i\)，半径非负；
• 圆盘本质：复平面上，所有到圆心\(a_{ii}\)的距离（模长）不超过半径\(r_i\)的复数的集合。

直观示例：2阶实矩阵\(A=\begin{pmatrix} 3 & 1 \\ 2 & 4 \end{pmatrix}\)

• 第1行去心和\(r_1=|1|=1\)，第1个圆盘\(D_1\)：圆心\(3\)，半径\(1\)，对应复平面上\(|z-3|\leq1\)，实轴投影为区间\([2,4]\)；
• 第2行去心和\(r_2=|2|=2\)，第2个圆盘\(D_2\)：圆心\(4\)，半径\(2\)，对应\(|z-4|\leq2\)，实轴投影为区间\([2,6]\)；
• 两个圆盘的并集为\([2,6]\)，根据定理，\(A\)的所有特征值都落在这个区间内（精确计算得特征值为\(2\)和\(5\)，完全符合结论）。

---

二、格什戈林圆盘定理（定理8.4）详解与完整证明

定理8.4(1)：特征值的圆盘并集包含性

定理完整表述

设\(A=(a_{ij})_{n\times n}\)是\(n\)阶复方阵，则\(A\)的每一个特征值，都必属于\(A\)的某一个格什戈林圆盘\(D_i\)中。
换句话说：\(A\)的全部特征值，都包含在复平面上\(n\)个格什戈林圆盘的并集\(\bigcup_{i=1}^n D_i\)中。

---

结论(1)的逐步骤严谨证明

证明完全基于特征值与特征向量的定义，结合复数的三角不等式，每一步都明确依据，无任何跳步。

步骤1：从特征值的核心定义出发
设\(\lambda\)是矩阵\(A\)的任意一个特征值，根据定义，存在非零向量\(x=(x_1,x_2,\dots,x_n)^T\in\mathbb{C}^n\)，使得

\[Ax = \lambda x \]

这个非零向量\(x\)就是\(\lambda\)对应的特征向量。

步骤2：选取特征向量的最大模分量
因为\(x\neq0\)，其分量不全为0，我们取\(x\)的分量中模长最大的项，记其下标为\(k\)，即：

\[|x_k| = \max_{1\leq i\leq n} |x_i| = \|x\|_\infty \neq 0 \]

核心前提强调：\(|x_k|\)一定不等于0！因为\(x\)是非零向量，无穷范数\(\|x\|_\infty\)是分量模长的最大值，若最大值为0，则所有分量均为0，与\(x\neq0\)矛盾。这是后续不等式放缩的关键基础。

步骤3：展开特征方程的第\(k\)行，完成核心变形
将矩阵方程\(Ax=\lambda x\)按行展开，第\(k\)行的方程为：

\[\sum_{j=1}^n a_{kj} x_j = \lambda x_k \]

我们把等式左边\(j=k\)的主对角线项单独拆分，移到等式右侧：

\[a_{kk}x_k + \sum_{\substack{j=1 \\ j\neq k}}^n a_{kj} x_j = \lambda x_k \]

移项后得到证明的核心等式：

\[(\lambda - a_{kk}) x_k = \sum_{\substack{j=1 \\ j\neq k}}^n a_{kj} x_j \]

这一步将特征值与主对角线元素的差单独放在左侧，非主对角线项全部放在右侧，为后续放缩做准备。

步骤4：两边取模长，应用复数三角不等式
对上述等式两边同时取复数的模长，根据复数模长的性质\(|ab|=|a|\cdot|b|\)，以及三角不等式（和的模长不超过模长的和）\(|\sum_{j} z_j| \leq \sum_{j} |z_j|\)，可得：

\[|\lambda - a_{kk}| \cdot |x_k| = \left| \sum_{\substack{j=1 \\ j\neq k}}^n a_{kj} x_j \right| \leq \sum_{\substack{j=1 \\ j\neq k}}^n |a_{kj}| \cdot |x_j| \]

步骤5：利用最大模分量完成不等式放缩
步骤2中已确定\(|x_k|\)是所有分量模长的最大值，因此对任意\(j\neq k\)，都有\(|x_j| \leq |x_k|\)。将这个上界代入右侧求和式，可得：

\[\sum_{\substack{j=1 \\ j\neq k}}^n |a_{kj}| \cdot |x_j| \leq \sum_{\substack{j=1 \\ j\neq k}}^n |a_{kj}| \cdot |x_k| \]

右侧的\(|x_k|\)与求和下标\(j\)无关，可作为常数提出，因此：

\[\sum_{\substack{j=1 \\ j\neq k}}^n |a_{kj}| \cdot |x_k| = |x_k| \cdot \sum_{\substack{j=1 \\ j\neq k}}^n |a_{kj}| = |x_k| \cdot r_k \]

这里的\(r_k\)就是我们定义的第\(k\)个去心行和。

步骤6：化简得到最终结论
结合步骤4和步骤5的结果，我们得到：

\[|\lambda - a_{kk}| \cdot |x_k| \leq |x_k| \cdot r_k \]

由于\(|x_k| \neq 0\)，不等式两边同时除以\(|x_k|\)，不等号方向保持不变，最终得到：

\[|\lambda - a_{kk}| \leq r_k \]

根据格什戈林圆盘的定义，该不等式说明：特征值\(\lambda\)属于第\(k\)个格什戈林圆盘\(D_k\)。
由于\(\lambda\)是\(A\)的任意一个特征值，因此\(A\)的所有特征值都必属于某一个格什戈林圆盘，即全部包含在所有圆盘的并集中，结论(1)得证。

---

结论(1)的核心说明与高频误区纠正

1. 适用范围：该结论对任意复方阵都成立，无额外限制条件，适用范围极广。
2. 最常见的认知错误：很多初学者会误以为「每个格什戈林圆盘里都有一个特征值」，这是完全错误的。定理(1)仅说明「每个特征值都在某个圆盘里」，反向不成立。
   反例验证：矩阵\(A=\begin{pmatrix} 0 & 3 \\ 1 & 0 \end{pmatrix}\)
   • 第1个圆盘\(D_1\)：圆心\(0\)，半径\(|3|=3\)，即\(|z|\leq3\)；
   • 第2个圆盘\(D_2\)：圆心\(0\)，半径\(|1|=1\)，即\(|z|\leq1\)；
     两个圆盘的并集是\(|z|\leq3\)，而\(A\)的特征值是\(\sqrt{3}\)和\(-\sqrt{3}\)，全部落在\(D_1\)中，\(D_2\)内没有任何特征值，完美验证了上述误区的错误性。

---

定理8.4(2)：连通分支的特征值计数性质

定理完整表述

如果矩阵\(A\)的\(m\)个格什戈林圆盘组成一个连通的并集\(S\)，且\(S\)与余下的\(n-m\)个格什戈林圆盘完全分离（无任何交集），那么\(S\)中恰好包含\(A\)的\(m\)个特征值（重特征值按重数计算）。

核心推论（工程最常用）：如果\(A\)的某一个格什戈林圆盘\(D_i\)是孤立的（与其他所有圆盘都无交集），那么\(D_i\)中精确包含\(A\)的一个特征值。

---

结论(2)的证明思路

该结论的核心依据是复矩阵特征值的连续性，我们拆解核心逻辑，帮助大家理解结论的本质：

步骤1：构造连续变化的矩阵族
我们构造依赖参数\(t\in[0,1]\)的矩阵族\(A(t)\)：

\[A(t) = D + t(A - D) \]

其中\(D=\mathrm{diag}(a_{11},a_{22},\dots,a_{nn})\)是\(A\)的主对角线构成的对角矩阵。

• 当\(t=0\)时，\(A(0)=D\)，是对角矩阵，特征值就是主对角线元素\(a_{11},a_{22},\dots,a_{nn}\)，每个特征值对应一个圆盘\(D_i(0)\)（此时半径为0，圆盘就是点\(a_{ii}\)），每个圆盘内恰好1个特征值；
• 当\(t=1\)时，\(A(1)=A\)，就是我们的原矩阵；
• 当\(t\)从0连续变化到1时，\(A(t)\)的元素连续变化，圆盘的圆心固定为\(a_{ii}\)，半径\(t\cdot r_i\)从0连续增长到\(r_i\)，圆盘连续扩大。

步骤2：特征值的连续性
根据复分析的核心结论：矩阵的特征值是矩阵元素的连续函数。当矩阵的元素连续变化时，特征值会在复平面上连续变化，不会发生「跳跃」。

步骤3：连通分支的隔离性
设\(S\)是\(m\)个圆盘组成的连通并集，与其他\(n-m\)个圆盘完全分离，中间存在无圆盘覆盖的「隔离带」：

• \(t=0\)时，\(S\)对应的\(m\)个点内有\(m\)个特征值，其余\(n-m\)个点内有\(n-m\)个特征值；
• 由于隔离带的存在，特征值连续变化时，无法从\(S\)内跳到隔离带外，也无法从外跳进\(S\)内；
• 因此当\(t=1\)时，\(S\)内仍然恰好有\(m\)个特征值，其余\(n-m\)个圆盘内有\(n-m\)个特征值。

推论验证：矩阵\(A=\begin{pmatrix} 3 & 0.5 \\ 0.2 & 6 \end{pmatrix}\)

• \(D_1\)：\(|z-3|\leq0.5\)，对应区间\([2.5,3.5]\)；
• \(D_2\)：\(|z-6|\leq0.2\)，对应区间\([5.8,6.2]\)；
  两个圆盘完全分离，均为孤立圆盘，因此每个圆盘内恰好有1个特征值（精确计算得特征值约为2.97和6.03，完全符合结论）。

---

三、定理的优化：对角相似变换改进特征值估计

格什戈林圆盘定理的优势是计算简单，但当圆盘重叠时，估计范围会过大，我们可以通过对角相似变换优化圆盘，缩小半径、分离重叠圆盘，得到更精确的估计。

1. 优化的核心原理

相似矩阵有完全相同的特征值！我们对\(A\)做相似变换\(B=D^{-1}AD\)（\(D\)为可逆对角矩阵），\(B\)与\(A\)的特征值完全相同，但\(B\)的格什戈林圆盘与\(A\)不同，可通过调整\(D\)让圆盘更小、更分离。

2. 变换的构造与圆盘变化

取对角矩阵\(D=\mathrm{diag}(\alpha_1,\alpha_2,\dots,\alpha_n)\)（\(\alpha_i>0\)），则\(D^{-1}=\mathrm{diag}(\alpha_1^{-1},\alpha_2^{-1},\dots,\alpha_n^{-1})\)。
计算\(B=D^{-1}AD\)的元素：

\[B=(b_{ij})_{n\times n}, \quad b_{ij} = \frac{\alpha_j}{\alpha_i} a_{ij} \]

核心变化规律：

• 主对角线元素\(b_{ii}=a_{ii}\)，即圆盘的圆心完全不变；
• 第\(i\)个去心行和（新半径）为：
  \[r_i' = \sum_{\substack{j=1 \\ j\neq i}}^n |b_{ij}| = \sum_{\substack{j=1 \\ j\neq i}}^n \frac{\alpha_j}{\alpha_i} |a_{ij}| \]
  可通过调整\(\alpha_i\)的大小，缩小特定圆盘的半径。

3. 实用技巧

• 要缩小第\(k\)个圆盘的半径：取\(\alpha_k>1\)，其余\(\alpha_i=1\)，此时\(r_k' = \frac{r_k}{\alpha_k}\)，\(\alpha_k\)越大，半径越小；
• 拓展：结合列格什戈林圆盘（\(A\)与\(A^T\)特征值相同，因此特征值也在列去心和构造的圆盘并集中），取行、列圆盘的交集，可得到更精确的估计范围。

---

四、核心知识点归纳总结表

分类	核心内容	完整表述	关键依据与注意事项
基础定义	行去心和\(r_i\)	$r_i = \sum_{\substack{j=1 \ j\neq i}}^n	a_
基础定义	格什戈林圆盘\(D_i\)	$D_i = \left{ z \mid	z - a_
核心定理(1)	特征值的并集包含性	矩阵\(A\)的所有特征值，都包含在其所有格什戈林圆盘的并集\(\bigcup_{i=1}^n D_i\)中	适用于所有复方阵；仅说明「特征值属于某个圆盘」，不保证每个圆盘都有特征值
核心定理(2)	连通分支的计数性质	\(m\)个连通且与其他圆盘分离的格什戈林圆盘的并集，恰好包含\(A\)的\(m\)个特征值（重数计入）	核心依据是矩阵特征值的连续性；孤立圆盘（\(m=1\)）恰好包含1个特征值，是工程最常用的推论
定理优化	对角相似变换	取可逆对角矩阵\(D=\mathrm{diag}(\alpha_1,\dots,\alpha_n)\)，对\(B=D^{-1}AD\)应用圆盘定理，\(B\)与\(A\)特征值相同	变换后圆心不变，半径变为$r_i'=\sum_{\substack{j=1 \ j\neq i}}^n \frac{\alpha_j}
拓展结论	列格什戈林圆盘	列去心和$c_i=\sum_{\substack{j=1 \ j\neq i}}^n	a_
工程应用	典型使用场景	1. 线性系统稳定性判定（特征值实部是否小于0）；2. 矩阵正定性判定（特征值是否全正）；3. 迭代法收敛性判定（谱半径是否小于1）；4. 高阶矩阵特征值的快速粗估计	无需复杂计算，仅通过矩阵元素即可快速得到特征值范围，计算成本为\(O(n^2)\)，远低于特征值精确求解的\(O(n^3)\)
易错纠正	高频误区	1. 误将\(a_{ii}\)计入\(r_i\)的求和；2. 误以为每个圆盘里必有一个特征值；3. 忽略复平面概念，仅在实数域理解圆盘	定理(1)是「特征值属于圆盘」，不是「圆盘包含特征值」，只有分离的连通分支才有计数性质

---

例8.1 格什戈林圆盘定理应用 全流程详解

本例题是格什戈林圆盘定理的经典应用，完整展示了特征值基础范围估计→对角相似变换优化估计→精确值验证的全流程，帮助大家掌握定理的实际使用方法，以及如何提升特征值估计的精度。

---

一、题目与基础准备

我们需要估计3阶实方阵

\[A = \begin{pmatrix} 4 & 1 & 0 \\ 1 & 0 & -1 \\ 1 & 1 & -4 \end{pmatrix} \]

的特征值范围，核心工具是格什戈林圆盘定理，先回顾核心定义：

1. 第\(i\)个行去心和：\(r_i = \sum_{\substack{j=1 \\ j\neq i}}^n |a_{ij}|\)（第\(i\)行非主对角线元素的绝对值之和）；
2. 第\(i\)个格什戈林圆盘：\(D_i = \{ \lambda \mid |\lambda - a_{ii}| \leq r_i \}\)，圆心为第\(i\)个主对角线元素，半径为行去心和。

---

二、第一步：原始格什戈林圆盘计算与基础估计

1. 逐行计算圆盘

我们对矩阵\(A\)的每一行，分别计算去心行和与对应圆盘：

• 第1行（\(i=1\)）：主对角线元素\(a_{11}=4\)，非主对角线元素为\(1,0\)
  去心行和\(r_1=|1|+|0|=1\)，对应圆盘\(D_1\)：\(|\lambda - 4| \leq 1\)
  实轴投影区间：\([4-1, 4+1] = [3,5]\)

• 第2行（\(i=2\)）：主对角线元素\(a_{22}=0\)，非主对角线元素为\(1,-1\)
  去心行和\(r_2=|1|+|-1|=2\)，对应圆盘\(D_2\)：\(|\lambda| \leq 2\)
  实轴投影区间：\([-2,2]\)

• 第3行（\(i=3\)）：主对角线元素\(a_{33}=-4\)，非主对角线元素为\(1,1\)
  去心行和\(r_3=|1|+|1|=2\)，对应圆盘\(D_3\)：\(|\lambda + 4| \leq 2\)
  实轴投影区间：\([-6,-2]\)

2. 基于定理的基础估计

根据格什戈林圆盘定理，我们得到以下结论：

1. 并集包含性：\(A\)的所有特征值都落在3个圆盘的并集\(D_1\cup D_2\cup D_3\)中，即实轴上的\([-6,2] \cup [3,5]\)。
2. 孤立圆盘的计数性质：
   • \(D_1=[3,5]\)与\(D_2、D_3\)无任何交集，是孤立圆盘。根据定理推论，孤立圆盘内恰好包含\(A\)的1个特征值；又因为实矩阵的复特征值共轭成对出现，单个圆盘内不可能存在一对复特征值，因此这个特征值一定是实特征值，范围为\(3 \leq \lambda_1 \leq 5\)。
   • \(D_2=[-2,2]\)和\(D_3=[-6,-2]\)在\(\lambda=-2\)处连通，组成一个包含2个圆盘的连通分支，因此恰好包含\(A\)的剩下2个特征值\(\lambda_2、\lambda_3\)，范围为\([-6,2]\)，无法区分两个特征值的具体区间，估计精度不足。

---

三、第二步：对角相似变换优化估计

1. 优化的核心原理

相似矩阵具有完全相同的特征值。我们构造可逆对角矩阵\(D\)，对\(A\)做相似变换\(A_1=D^{-1}AD\)，\(A_1\)与\(A\)的特征值完全一致，但可以通过调整\(D\)的元素，改变圆盘的半径，让原本连通的圆盘分离，得到更精确的估计。

2. 构造变换矩阵与计算\(A_1\)

例题中选取对角矩阵的逆为：

\[D^{-1} = \begin{pmatrix} 1 & & \\ & 1 & \\ & & 0.9 \end{pmatrix} \]

对应的对角矩阵\(D = \begin{pmatrix} 1 & & \\ & 1 & \\ & & 1/0.9 \end{pmatrix}\)。

根据对角矩阵的乘法规则：\(D^{-1}AD\)的元素满足\(b_{ij} = \frac{\alpha_j}{\alpha_i}a_{ij}\)（\(\alpha_i\)为\(D\)的对角元素），逐行计算得到：

\[A_1 = D^{-1}AD = \begin{pmatrix} 4 & 1 & 0 \\ 1 & 0 & -\frac{10}{9} \\ 0.9 & 0.9 & -4 \end{pmatrix} \]

3. 计算\(A_1\)的格什戈林圆盘与优化估计

对\(A_1\)逐行计算圆盘：

• 第1行：主对角线\(4\)，去心行和\(|1|+|0|=1\)，圆盘\(E_1\)：\(|\lambda-4|\leq1\)，区间\([3,5]\)，与原圆盘一致。
• 第2行：主对角线\(0\)，去心行和\(|1|+|-\frac{10}{9}|=\frac{19}{9}\approx2.11\)，圆盘\(E_2\)：\(|\lambda|\leq\frac{19}{9}\)，区间\([-\frac{19}{9},\frac{19}{9}]\approx[-2.11,2.11]\)。
• 第3行：主对角线\(-4\)，去心行和\(|0.9|+|0.9|=1.8\)，圆盘\(E_3\)：\(|\lambda+4|\leq1.8\)，区间\([-5.8,-2.2]\)。

4. 优化后的结论

此时3个圆盘的连通性发生了关键变化：

• \(E_1=[3,5]\)、\(E_2=[-2.11,2.11]\)、\(E_3=[-5.8,-2.2]\)两两之间无交集，全部为孤立圆盘。
• 根据定理推论，每个孤立圆盘内恰好包含\(A\)的1个实特征值，得到高精度估计：
  1. \(3 \leq \lambda_1 \leq 5\)
  2. \(-\frac{19}{9} \leq \lambda_2 \leq \frac{19}{9}\)（约\(-2.11 \leq \lambda_2 \leq 2.11\)）
  3. \(-5.8 \leq \lambda_3 \leq -2.2\)

---

四、精确值验证

我们通过求解\(A\)的特征方程，验证估计的正确性：

1. 特征方程：\(\det(\lambda I - A)=0\)，展开计算得：
   \[\lambda^3 -16\lambda -7=0 \]

2. 求解三次方程，得到3个实特征值的精确数值：
   • \(\lambda_1\approx4.2030\)，落在\([3,5]\)内；
   • \(\lambda_2\approx-0.4429\)，落在\([-\frac{19}{9},\frac{19}{9}]\)内；
   • \(\lambda_3\approx-3.7601\)，落在\([-5.8,-2.2]\)内。

所有精确值完全符合我们的估计范围，验证了格什戈林圆盘定理的正确性，以及对角相似变换的优化效果。

---

五、核心内容归纳总结表

阶段	圆盘编号	圆盘表达式	实轴区间	连通性分析	估计结论
原始估计	\(D_1\)	$	\lambda-4	\leq1$	\([3,5]\)
原始估计	\(D_2\)	$	\lambda	\leq2$	\([-2,2]\)
原始估计	\(D_3\)	$	\lambda+4	\leq2$	\([-6,-2]\)
优化估计	\(E_1\)	$	\lambda-4	\leq1$	\([3,5]\)
优化估计	\(E_2\)	$	\lambda	\leq\frac{19}{9}$	\([-\frac{19}{9},\frac{19}{9}]\)
优化估计	\(E_3\)	$	\lambda+4	\leq1.8$	\([-5.8,-2.2]\)

核心方法总结

1. 格什戈林圆盘定理可仅通过矩阵元素快速给出特征值的范围，无需复杂的特征方程求解；
2. 孤立圆盘可精确锁定单个特征值，连通圆盘仅能确定特征值的并集范围；
3. 对角相似变换是优化估计的核心方法，可在不改变特征值的前提下调整圆盘半径，分离重叠圆盘，大幅提升估计精度。

---

Bauer-Fike定理 知识点详解与完整推导证明

各位同学，今天我们讲解的Bauer-Fike定理，是矩阵特征值扰动分析的核心奠基性定理，解决的是数值计算与工程应用中的核心问题：当矩阵元素存在微小扰动（测量误差、舍入误差、计算截断误差）时，矩阵的特征值会发生多大的变化？ 也就是特征值对扰动的敏感性问题。

在之前的课程中，我们学习了特征值的定义、性质与范围估计，而在实际应用中，我们拿到的矩阵永远不可能是“绝对精确”的，因此必须明确：扰动后的特征值与原特征值的偏差边界在哪里？Bauer-Fike定理就给出了这个偏差的严格上界。

---

一、定理背景与核心符号说明

1. 问题背景

设原矩阵为\(A\in\mathbb{R}^{n\times n}\)，其特征值为\(\lambda_1,\lambda_2,\dots,\lambda_n\)；由于误差存在，我们实际处理的是扰动矩阵\(A+E\)，其中\(E\)为扰动矩阵（通常\(||E||\)很小），设\(\mu\)是\(A+E\)的任意一个特征值。

我们的核心目标：找到\(\mu\)到原矩阵\(A\)的所有特征值的最小距离的上界，即\(\min_{\lambda\in\sigma(A)} |\lambda-\mu|\)的上界，其中\(\sigma(A)\)表示矩阵\(A\)的谱（所有特征值的集合）。

2. 核心符号说明

符号	含义
\(P^{-1}AP=D=\mathrm{diag}(\lambda_1,\lambda_2,\dots,\lambda_n)\)	矩阵\(A\)可对角化，\(P\)为对角化的相似变换矩阵（特征向量矩阵），\(D\)为\(A\)的特征值对角矩阵
$
\(\mathrm{cond}(P)\)	矩阵\(P\)的条件数，$\mathrm{cond}(P)=
\(\sigma(A)\)	矩阵\(A\)的谱，即\(A\)的所有特征值的集合

---

二、Bauer-Fike定理完整表述

定理8.5（Bauer-Fike定理） 设\(A\in\mathbb{R}^{n\times n}\)是可对角化矩阵，满足\(P^{-1}AP=D=\mathrm{diag}(\lambda_1,\lambda_2,\dots,\lambda_n)\)；\(\mu\)是扰动矩阵\(A+E\)的任意一个特征值，则有：

\[\min_{\lambda\in\sigma(A)} |\lambda - \mu| \leq ||P^{-1}||_p \cdot ||P||_p \cdot ||E||_p \tag{8.3} \]

定理的直观解读

扰动后的特征值\(\mu\)，到原矩阵\(A\)的所有特征值的最小距离，不会超过「对角化矩阵\(P\)的条件数」与「扰动矩阵\(E\)的范数」的乘积。

• 若\(\mathrm{cond}(P)\)很小（良态），则微小的扰动\(E\)只会带来特征值的微小变化；
• 若\(\mathrm{cond}(P)\)很大（病态），哪怕扰动\(E\)极小，也可能导致特征值发生巨大变化。

---

三、定理的逐步骤严谨证明

我们分两种情况讨论，核心证明针对非平凡情况：

情况1：\(\mu\in\sigma(A)\)（\(\mu\)本身就是原矩阵\(A\)的特征值）

此时\(\min_{\lambda\in\sigma(A)} |\lambda-\mu|=0\)，不等式右边\(||P^{-1}||\cdot||P||\cdot||E||\geq0\)，不等式显然成立，无需额外证明。

情况2：\(\mu\notin\sigma(A)\)（\(\mu\)不是原矩阵的特征值，非平凡情况）

这是证明的核心，我们从特征值的定义出发，逐步变形推导，每一步都明确依据。

步骤1：从扰动矩阵的特征方程出发

\(\mu\)是\(A+E\)的特征值，根据特征值定义，存在非零向量\(x\neq0\)，使得：

\[(A+E)x = \mu x \]

移项得到核心方程：

\[(A + E - \mu I)x = 0 \tag{1} \]

步骤2：代入对角化分解，做相似变换变形

已知\(A\)可对角化，即\(A=PDP^{-1}\)，将其代入式(1)，并在等式两边同时左乘\(P^{-1}\)（\(P\)可逆，左乘不改变等式成立性）：

\[P^{-1}(PDP^{-1} + E - \mu I)x = 0 \]

展开并整理：

\[P^{-1}PDP^{-1}x + P^{-1}E x - P^{-1}\mu I x = 0 \]

利用\(P^{-1}P=I\)，化简得：

\[D P^{-1}x + P^{-1}E x - \mu P^{-1}x = 0 \]

为了简化表达式，我们引入中间变量\(y = P^{-1}x\)。这里有一个关键前提：\(y\neq0\)。因为\(P\)是可逆矩阵，可逆矩阵乘非零向量\(x\)，结果一定是非零向量，因此\(y\neq0\)。

同时，我们将\(P^{-1}E x\)变形为\(P^{-1}E P P^{-1}x = P^{-1}E P y\)（利用\(I=PP^{-1}\)做恒等变形），最终方程整理为：

\[(D - \mu I)y = - (P^{-1} E P) y \tag{2} \]

步骤3：利用可逆性变形，引入范数

因为\(\mu\notin\sigma(A)\)，所以对所有\(\lambda_i\in\sigma(A)\)，都有\(\lambda_i - \mu \neq 0\)。而\(D - \mu I\)是对角矩阵，对角元为\(\lambda_i - \mu\)，因此\(D - \mu I\)是可逆矩阵。

我们在式(2)两边同时左乘\((D - \mu I)^{-1}\)，得到：

\[y = - (D - \mu I)^{-1} (P^{-1} E P) y \tag{3} \]

对式(3)两边同时取\(p\)-范数，根据矩阵范数的相容性（\(||AB|| \leq ||A|| \cdot ||B||\)），右边的范数满足：

\[|| - (D - \mu I)^{-1} (P^{-1} E P) y || \leq ||(D - \mu I)^{-1}|| \cdot ||P^{-1} E P|| \cdot ||y|| \]

因此有：

\[||y|| \leq ||(D - \mu I)^{-1}|| \cdot ||P^{-1}|| \cdot ||E|| \cdot ||P|| \cdot ||y|| \tag{4} \]

这里再次利用了范数的相容性：\(||P^{-1}EP|| \leq ||P^{-1}|| \cdot ||E|| \cdot ||P||\)。

步骤4：化简不等式，计算对角矩阵的范数

因为\(y\neq0\)，所以\(||y||>0\)，我们可以在式(4)两边同时除以\(||y||\)，不等号方向不变，得到：

\[1 \leq ||(D - \mu I)^{-1}|| \cdot ||P^{-1}|| \cdot ||P|| \cdot ||E|| \tag{5} \]

接下来计算对角矩阵\((D - \mu I)^{-1}\)的\(p\)-范数：
\((D - \mu I)^{-1}\)仍是对角矩阵，其对角元为\(\frac{1}{\lambda_i - \mu}\)（\(i=1,2,\dots,n\)）。
对于\(p=1,2,\infty\)这三种范数，对角矩阵的范数等于其对角元绝对值的最大值，即：

\[||(D - \mu I)^{-1}||_p = \max_{1\leq i\leq n} \left| \frac{1}{\lambda_i - \mu} \right| = \frac{1}{\min_{1\leq i\leq n} |\lambda_i - \mu|} \]

我们记\(m = \min_{\lambda\in\sigma(A)} |\lambda - \mu|\)，则\(||(D - \mu I)^{-1}||_p = \frac{1}{m}\)。

步骤5：得到最终结论

将\(||(D - \mu I)^{-1}||_p = \frac{1}{m}\)代入式(5)，得到：

\[1 \leq \frac{1}{m} \cdot ||P^{-1}||_p \cdot ||P||_p \cdot ||E||_p \]

两边同时乘以\(m\)，不等号方向不变，最终得到：

\[m \leq ||P^{-1}||_p \cdot ||P||_p \cdot ||E||_p \]

即：

\[\min_{\lambda\in\sigma(A)} |\lambda - \mu| \leq ||P^{-1}||_p \cdot ||P||_p \cdot ||E||_p \]

定理得证。

---

四、定理的核心延伸概念解读

1. 特征值问题的条件数

从定理结论可以看到，\(||P^{-1}|| \cdot ||P|| = \mathrm{cond}(P)\)是特征值扰动的放大系数：扰动\(E\)的影响会被\(\mathrm{cond}(P)\)放大，决定了特征值的敏感性。

但注意：将\(A\)对角化的相似变换矩阵\(P\)不是唯一的，不同的\(P\)会得到不同的\(\mathrm{cond}(P)\)。为了得到最紧的上界，我们定义：

\[\nu(A) = \inf\left\{ \mathrm{cond}(P) \mid P^{-1}AP = \mathrm{diag}(\lambda_1,\dots,\lambda_n) \right\} \]

\(\nu(A)\)称为矩阵\(A\)的特征值问题的条件数，它是所有可能的对角化矩阵\(P\)的条件数的下确界，刻画了矩阵\(A\)本身的特征值对扰动的敏感程度。

• 若\(\nu(A)\)很小，说明\(A\)的特征值问题是良态的，微小扰动只会带来特征值的微小变化；
• 若\(\nu(A)\)很大，说明\(A\)的特征值问题是病态的，哪怕微小扰动也可能导致特征值大幅偏移。

2. 两个条件数的核心区别（高频易错点）

很多初学者会混淆「特征值问题的条件数\(\nu(A)\)」和「线性方程组的条件数\(\mathrm{cond}(A)\)」，这是两个完全独立的概念，二者没有必然联系，我们用教材中的经典例子说明：

例子：二阶对角矩阵\(A = \mathrm{diag}(1, 10^{-10})\)

1. 线性方程组的条件数：\(\mathrm{cond}(A) = ||A||_\infty \cdot ||A^{-1}||_\infty = 1 \times 10^{10} = 10^{10}\)，是严重病态的，求解线性方程组\(Ax=b\)时，\(b\)的微小误差会导致解的巨大偏差；
2. 特征值问题的条件数：\(A\)本身就是对角矩阵，取\(P=I\)（单位矩阵），\(\mathrm{cond}(I)=1\)，因此\(\nu(A) \leq 1\)，是完全良态的，哪怕\(A\)有微小扰动，特征值的变化也极小。

这个例子清晰说明：同一个矩阵，线性方程组的条件数和特征值问题的条件数可以相差极大，二者是完全不同的概念，切勿混淆。

---

五、定理的意义与局限性

1. 定理的核心意义

1. 通用上界：给出了所有可对角化矩阵特征值扰动的通用上界，为数值计算中特征值的误差分析提供了严格的理论依据；
2. 敏感性根源：明确了特征值对扰动的敏感性，根源不在于矩阵本身的条件数，而在于特征向量矩阵\(P\)的病态程度；
3. 工程指导：在工程计算（如结构动力学、控制系统稳定性分析）中，可通过该定理判断计算得到的特征值的可靠性，评估误差范围。

2. 定理的局限性

1. 适用范围限制：仅适用于可对角化矩阵（非亏损矩阵），对于不可对角化的亏损矩阵（存在亏损特征值，Jordan标准型非对角），该定理不适用，需要更复杂的扰动分析理论；
2. 上界的松紧性：给出的是全局上界，部分场景下上界可能偏松，尤其是当\(\mathrm{cond}(P)\)很大时，无法区分不同特征值的个体敏感性；
3. 条件数的计算难度：特征值问题的条件数\(\nu(A)\)难以精确计算，实际应用中通常用某一个对角化矩阵\(P\)的\(\mathrm{cond}(P)\)近似代替。

---

六、核心知识点归纳总结表

分类	核心内容	关键说明
定理核心前提	1. \(A\in\mathbb{R}^{n\times n}\)可对角化，\(P^{-1}AP=D=\mathrm{diag}(\lambda_1,\dots,\lambda_n)\)； 2. \(\mu\)是扰动矩阵\(A+E\)的任意特征值； 3. $
定理核心结论	$\min_{\lambda\in\sigma(A)} |\lambda - \mu| \leq	|P^{-1}|
证明核心步骤	1. 从扰动特征方程出发，代入对角化分解； 2. 引入中间变量\(y=P^{-1}x\)，整理方程； 3. 两边取范数，利用范数相容性放缩； 4. 计算对角矩阵的范数，化简得到结论	关键前提：\(y\neq0\)、\(D-\mu I\)可逆、范数的相容性
特征值问题条件数	\(\nu(A) = \inf\left\{ \mathrm{cond}(P) \mid P^{-1}AP=D \right\}\)	刻画矩阵本身的特征值敏感性，是所有对角化矩阵\(P\)的条件数的下确界
两个条件数的区别	特征值问题的条件数\(\nu(A)\) vs 线性方程组的条件数\(\mathrm{cond}(A)\)	二者是完全独立的概念，无必然联系；前者由特征向量矩阵的病态程度决定，后者由矩阵本身的病态程度决定
定理意义	1. 给出特征值扰动的严格上界； 2. 明确特征值敏感性的根源； 3. 为数值计算的误差分析提供理论基础	是特征值扰动分析的奠基性定理，广泛应用于数值计算与工程领域
定理局限性	1. 仅适用于可对角化矩阵； 2. 上界可能偏松； 3. 特征值问题条件数难以精确计算	亏损矩阵的扰动分析需要更复杂的Jordan标准型相关理论