矩陣對角化計算機

透過計算特徵值、特徵向量以及分解 A = PDP⁻¹ 來對角化方陣。支援 2×2 到 5×5 矩陣，提供逐步解法、特徵多項式、重數分析和互動式視覺化。

免費使用無需註冊即時出結果

矩陣對角化計算機立即免費試用 ▼

矩陣對角化計算機

這款矩陣對角化計算機能將任何方陣分解為 A = PDP⁻¹ 的形式，其中 D 是由特徵值組成的對角矩陣，而 P 是由特徵向量組成的矩陣。輸入 2×2 到 5×5 的矩陣，即可獲得完整的分解結果、逐步解題步驟、特徵多項式、代數和幾何重數分析，以及分解過程的互動式動畫。

什麼是矩陣對角化？

矩陣對角化是尋找矩陣 P 和 D 的過程，使得：

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

其中 D 是一個對角矩陣，其對角線元素為 A 的特徵值，而 P 是一個可逆矩陣，其各列為對應的特徵向量。等價地，$D = P^{-1}AP$，這意味著 D 與 A 是相似的。

特徵值

滿足 Av = λv 的純量 λ。它們出現在 D 的對角線上。

→

特徵向量

滿足 Av = λv 的非零向量 v。它們構成了 P 的各列。

◇

對角矩陣 D

對角線上包含特徵值，其餘位置為零。易於計算矩陣冪。

↔

相似性

A 和 D 是相似矩陣 — 它們代表不同基底下的同一個線性變換。

如何進行矩陣對角化

第一步： 選擇矩陣大小（2×2 到 5×5）並在網格中輸入數值。您也可以點擊快速範例以載入預設矩陣進行測試。

第二步： 點擊對角化矩陣。計算機會計算特徵多項式 det(A − λI) 並找出其根（特徵值）。

第三步： 對於每個特徵值，工具會求解 (A − λI)x = 0 以找到特徵向量，並檢查代數重數與幾何重數，以判斷矩陣是否可對角化。

第四步： 如果可對角化，計算機將構建 P（特徵向量作為各列）、D（對角線上的特徵值）和 P⁻¹，然後驗證 PDP⁻¹ = A。

第五步： 探索動畫分解，視覺化 A 如何分解為 P × D × P⁻¹，並使用導覽控制項查看完整解題步驟。

矩陣何時可對角化？

條件	可對角化？	範例
n 個相異實數特徵值	總是可行	$\begin{pmatrix}2&1\\0&3\end{pmatrix}$ → λ = 2, 3
對稱矩陣 (A = Aᵀ)	總是可行（實數 λ）	譜定理保證正交對角化
重複 λ 且 AM = GM	可行	$\begin{pmatrix}5&0\\0&5\end{pmatrix}$ → λ = 5 (AM=2, GM=2)
重複 λ 且 AM > GM	否	$\begin{pmatrix}1&1\\0&1\end{pmatrix}$ → λ = 1 (AM=2, GM=1)
複數特徵值	在 ℂ 上：檢查 AM = GM	$\begin{pmatrix}0&-1\\1&0\end{pmatrix}$ → λ = ±i

代數重數 vs. 幾何重數

對於每個特徵值 λ：

• 代數重數 (AM)：λ 作為特徵多項式 det(A − λI) = 0 的根出現的次數。

• 幾何重數 (GM)：特徵空間 ker(A − λI) 的維度，即線性無關特徵向量的數量。

當且僅當對每一個特徵值，GM = AM 時，矩陣才可對角化。條件 1 ≤ GM ≤ AM 始終成立。

為什麼對角化很重要

⚡

矩陣冪

$A^k = PD^kP^{-1}$。由於 D 是對角矩陣，$D^k$ 只需將每個特徵值取 k 次方即可。

📈

微分方程

當 A 被對角化時，方程組 x' = Ax 可解構為獨立的方程：x' = PDP⁻¹x。

🔗

馬可夫鏈

轉移矩陣的長期行為由特徵值決定 — 對角化能揭示穩定狀態。

📊

PCA

主成分分析透過對角化協變異數矩陣，找出最大變異數的方向。

對角化與其他分解的比較

分解方式	形式	要求
特徵分解 (本工具)	A = PDP⁻¹	n 個線性無關特徵向量
譜分解 (對稱)	A = QΛQᵀ	A = Aᵀ (Q 為正交矩陣)
若爾當標準型 (Jordan Normal Form)	A = PJP⁻¹	任何方陣
奇異值分解 (SVD)	A = UΣVᵀ	任何矩陣（甚至是非方陣）
LU 分解	A = LU	方陣，需滿足特定條件

常見問題

矩陣對角化是什麼意思？

對角化矩陣 A 意味著找到一個可逆矩陣 P 和一個對角矩陣 D，使得 A = PDP⁻¹。D 的對角線元素是特徵值，而 P 的各列是對應的特徵向量。

矩陣在什麼時候可以對角化？

當且僅當對於每個特徵值，其幾何重數等於代數重數時，矩陣才是可對角化的。等價地說，對於一個 n×n 矩陣，必須有 n 個線性無關的特徵向量。所有實數對稱矩陣和所有具有 n 個相異特徵值的矩陣都是可對角化的。

代數重數和幾何重數有什麼區別？

代數重數是特徵值作為特徵多項式根出現的次數。幾何重數是特徵空間的維度，即該特徵值對應的線性無關特徵向量的數量。當且僅當這兩個數值對每個特徵值都相等時，矩陣才可對角化。

具有複數特徵值的矩陣可以對角化嗎？

是的，只要每個特徵值的幾何重數等於代數重數，具有複數特徵值的矩陣仍然可以在複數範圍內對角化。產生的 P 和 D 矩陣將包含複數元素。

矩陣對角化的應用有哪些？

矩陣對角化用於高效計算矩陣冪 (A^k = PD^kP⁻¹)、求解微分方程組、分析馬可夫鏈及其穩定狀態行為、在統計學中進行主成分分析，以及理解物理和工程中的線性變換。

引用此內容、頁面或工具為：

"矩陣對角化計算機" 於 https://MiniWebtool.com/zh-tw/矩陣對角化計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 MiniWebtool 團隊製作。更新日期：2026-04-12

開發者 API 可用: 用一次 JSON HTTP 請求，把這個工具接入你的應用程式、自動化流程或代理。查看 API 文件

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

矩陣對角化計算機

矩陣對角化計算機

什麼是矩陣對角化？

如何進行矩陣對角化

矩陣何時可對角化？

代數重數 vs. 幾何重數

為什麼對角化很重要

對角化與其他分解的比較

常見問題

線性代數:

熱門與最新工具:

升級 Pro，一個 ZIP 下載全部檔案

條件	可對角化？	範例
n 個相異實數特徵值	總是可行	\(\begin{pmatrix}2&1\\0&3\end{pmatrix}\) → λ = 2, 3
對稱矩陣 (A = Aᵀ)	總是可行（實數 λ）	譜定理保證正交對角化
重複 λ 且 AM = GM	可行	\(\begin{pmatrix}5&0\\0&5\end{pmatrix}\) → λ = 5 (AM=2, GM=2)
重複 λ 且 AM > GM	否	\(\begin{pmatrix}1&1\\0&1\end{pmatrix}\) → λ = 1 (AM=2, GM=1)
複數特徵值	在 ℂ 上：檢查 AM = GM	\(\begin{pmatrix}0&-1\\1&0\end{pmatrix}\) → λ = ±i