矩阵对角化计算器

通过计算特征值、特征向量和分解式 A = PDP⁻¹ 来对角化方阵。支持 2×2 到 5×5 矩阵，提供分步解决方案、特征多项式、重数分析和交互式可视化。

免费使用无需注册即时出结果

矩阵对角化计算器立即免费试用 ▼

矩阵对角化计算器

矩阵对角化计算器可将任何方阵分解为 A = PDP⁻¹ 形式，其中 D 是由特征值组成的对角矩阵，P 是由特征向量组成的矩阵。输入 2×2 到 5×5 的矩阵，即可获得包含逐步解题过程、特征多项式、代数和几何重数分析以及分解动画的完整分解结果。

什么是矩阵对角化？

矩阵对角化是寻找矩阵 P 和 D 的过程，使得：

$$A = PDP^{-1}$$

其中 D 是一个对角矩阵，其对角线元素是 A 的特征值，P 是一个可逆矩阵，其各列是相应的特征向量。等价地，$D = P^{-1}AP$，这意味着 D 与 A 相似。

特征值

满足 Av = λv 的标量 λ。它们出现在 D 的对角线上。

→

特征向量

满足 Av = λv 的非零向量 v。它们构成 P 的各列。

◇

对角矩阵 D

对角线上包含特征值，其余位置为零。易于计算幂。

↔

相似性

A 和 D 是相似矩阵 —— 它们在不同的基下代表相同的线性变换。

如何对角化一个矩阵

第 1 步：选择矩阵大小（2×2 到 5×5）并在网格中输入数值。你也可以点击快速示例来加载预设矩阵进行测试。

第 2 步：点击“矩阵对角化”。计算器将计算特征多项式 det(A − λI) 并寻找其根（特征值）。

第 3 步：对于每个特征值，工具将求解 (A − λI)x = 0 以找到特征向量，并检查代数重数与几何重数，以确定该矩阵是否可对角化。

第 4 步：如果可对角化，计算器将构造 P（特征向量作为列）、D（对角线上的特征值）和 P⁻¹，然后验证 PDP⁻¹ = A。

第 5 步：探索动画分解视图，直观了解 A 如何分解为 P × D × P⁻¹，并使用导航控制按钮查看完整解题步骤。

矩阵在什么时候可以对角化？

条件	可对角化？	示例
n 个不同的实特征值	总是可以	$\begin{pmatrix}2&1\\0&3\end{pmatrix}$ → λ = 2, 3
对称矩阵 (A = Aᵀ)	总是可以（实 λ）	谱定理保证正交对角化
重复 λ 且 AM = GM	可以	$\begin{pmatrix}5&0\\0&5\end{pmatrix}$ → λ = 5 (AM=2, GM=2)
重复 λ 且 AM > GM	不可以	$\begin{pmatrix}1&1\\0&1\end{pmatrix}$ → λ = 1 (AM=2, GM=1)
复数特征值	在 ℂ 上：检查 AM = GM	$\begin{pmatrix}0&-1\\1&0\end{pmatrix}$ → λ = ±i

代数重数 vs 几何重数

对于每个特征值 λ：

• 代数重数 (AM)：λ 作为特征多项式 det(A − λI) = 0 的根出现的次数。

• 几何重数 (GM)：特征空间 ker(A − λI) 的维数，即线性无关特征向量的数量。

当且仅当对于每个特征值 GM = AM 时，矩阵才是可对角化的。1 ≤ GM ≤ AM 这一条件始终成立。

为什么对角化很重要

⚡

矩阵的幂

$A^k = PD^kP^{-1}$。由于 D 是对角矩阵，$D^k$ 只需将每个特征值取 k 次幂。

📈

微分方程

当 A 被对角化为 x' = PDP⁻¹x 时，方程组 x' = Ax 可以解耦成独立的单变量方程。

🔗

马尔可夫链

转移矩阵的长期行为由特征值决定 —— 对角化可以揭示稳态。

📊

PCA

主成分分析通过对角化协方差矩阵来寻找最大方差的方向。

对角化与其他分解的比较

分解方式	形式	要求
特征分解（本工具）	A = PDP⁻¹	n 个线性无关的特征向量
谱分解（对称）	A = QΛQᵀ	A = Aᵀ (Q 为正交矩阵)
Jordan 标准型	A = PJP⁻¹	任何方阵
SVD (奇异值分解)	A = UΣVᵀ	任何矩阵（甚至非方阵）
LU 分解	A = LU	满足特定条件的方阵

常见问题解答

矩阵对角化是什么意思？

对角化矩阵 A 意味着找到一个可逆矩阵 P 和一个对角矩阵 D，使得 A = PDP⁻¹。D 的对角线元素是特征值，P 的列是相应的特征向量。

矩阵在什么时候可以对角化？

当且仅当对于每个特征值，其几何重数等于代数重数时，矩阵才是可对角化的。等价地，对于 n×n 矩阵，必须存在 n 个线性无关的特征向量。所有实对称矩阵和所有具有 n 个不同特征值的矩阵都是可对角化的。

代数重数和几何重数有什么区别？

代数重数是特征值作为特征多项式根出现的次数。几何重数是特征空间的维数，即对应于该特征值的线性无关特征向量的数量。当且仅当每个特征值的这两个数值相等时，矩阵才可对角化。

具有复数特征值的矩阵可以对角化吗？

可以，只要每个特征值的几何重数等于代数重数，具有复数特征值的矩阵仍然可以在复数域上进行对角化。生成的 P 和 D 矩阵将包含复数元素。

矩阵对角化有哪些应用？

矩阵对角化用于高效计算矩阵的幂 (A^k = PD^kP⁻¹)、求解微分方程组、分析马尔可夫链和稳态行为、在统计学中进行主成分分析，以及理解物理和工程中的线性变换。

引用此内容、页面或工具为：

"矩阵对角化计算器" 于 https://MiniWebtool.com/zh-cn/矩阵对角化计算器/，来自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 团队制作。更新日期：2026-04-12

开发者 API 可用: 用一次 JSON HTTP 请求，把这个工具接入你的应用、自动化流程或智能体。查看 API 文档

您还可以尝试我们的 AI数学解题器 GPT，通过自然语言问答解决您的数学问题。

矩阵对角化计算器

矩阵对角化计算器

什么是矩阵对角化？

如何对角化一个矩阵

矩阵在什么时候可以对角化？

代数重数 vs 几何重数

为什么对角化很重要

对角化与其他分解的比较

常见问题解答

线性代数:

热门与最新工具:

用 Pro 一键把全部文件打包成 ZIP 下载

条件	可对角化？	示例
n 个不同的实特征值	总是可以	\(\begin{pmatrix}2&1\\0&3\end{pmatrix}\) → λ = 2, 3
对称矩阵 (A = Aᵀ)	总是可以（实 λ）	谱定理保证正交对角化
重复 λ 且 AM = GM	可以	\(\begin{pmatrix}5&0\\0&5\end{pmatrix}\) → λ = 5 (AM=2, GM=2)
重复 λ 且 AM > GM	不可以	\(\begin{pmatrix}1&1\\0&1\end{pmatrix}\) → λ = 1 (AM=2, GM=1)
复数特征值	在 ℂ 上：检查 AM = GM	\(\begin{pmatrix}0&-1\\1&0\end{pmatrix}\) → λ = ±i