Математика / Матрицы, определители

Диагонализируемость при различных собственных значениях

Если матрица n x n имеет n различных собственных значений, то она диагонализируема. Разным собственным значениям соответствуют линейно независимые собственные векторы.

Опубликовано: 12 мая 2026 г.Обновлено: 12 мая 2026 г.

Линейная алгебра Собственные значения и векторы

Формула

\lambda_1,\ldots,\lambda_n\text{ различны}\Longrightarrow A\text{ диагонализируема}

distinct-eigenvalues Разные значения дают независимые направления

Схема показывает n разных lambda и по одному собственному вектору от каждого значения, которые собираются в базис.

n различных собственных значений - быстрый путь к диагонализации.

Обозначения

$\lambda_i$: различные собственные значения матрицы A, числа
$A$: квадратная матрица размера n x n, матрица
$n$: размер матрицы и число различных собственных значений, число
$v_i$: собственный вектор, соответствующий lambda_i, вектор

Условия применения

Матрица A должна иметь размер n x n.
Нужно найти n попарно различных собственных значений в рассматриваемом поле.
Для каждого собственного значения существует хотя бы один ненулевой собственный вектор.

Ограничения

Это достаточный, но не необходимый критерий: матрица может быть диагонализируема и с повторными собственными значениями.
Если различных собственных значений меньше n, нужно применять общий критерий через собственные пространства.
Над R критерий может не сработать для матрицы с комплексными корнями, хотя над C она может диагонализироваться.

Подробное объяснение

Главный факт состоит в том, что собственные векторы, отвечающие попарно различным собственным значениям, линейно независимы. Поэтому если у матрицы n x n есть n разных собственных значений, можно выбрать по одному собственному вектору для каждого значения и получить n независимых векторов.

Эти n векторов образуют базис пространства. В этом базисе оператор действует диагонально: каждый базисный вектор умножается на свое собственное значение. Значит матрица диагонализируема. Формула является быстрым практическим критерием, потому что не требует вычислять размерности всех собственных пространств.

Однако критерий не покрывает все диагонализируемые матрицы. Повторные собственные значения могут иметь достаточно большие собственные пространства. Например, единичная матрица имеет одно собственное значение 1 алгебраической кратности n, но любое направление является собственным, поэтому матрица диагонализируема.

В задачах этот критерий часто используют сразу после нахождения характеристического многочлена. Если все корни простые, можно записать: так как собственные значения попарно различны, матрица диагонализируема. Затем, если нужна явная диагонализация, для каждого корня решают систему (A-lambda I)v=0.

Как пользоваться формулой

Найдите характеристический многочлен A.
Найдите его корни в выбранном поле.
Проверьте, что корней n и все они различны.
Сделайте вывод о диагонализируемости.
Для построения P найдите по одному собственному вектору для каждого корня.

Историческая справка

Независимость собственных векторов для различных собственных значений стала одним из базовых результатов спектральной теории матриц. Исторически она выросла из изучения характеристических корней и линейных подстановок: разные корни дают разные собственные режимы, которые не смешиваются линейной зависимостью. В учебной линейной алгебре этот факт является первым простым критерием диагонализируемости. Он стоит перед более тонкими случаями с повторными корнями, где уже нужны геометрические кратности и нормальные формы Жордана.

В XIX веке диагонализация выросла из задач о приведении линейных преобразований и квадратичных форм к более простому виду. Смысл был не в красивой записи ради записи, а в том, чтобы заменить связанную систему координат независимыми направлениями. Позже тот же язык стал базовым для дифференциальных уравнений, механики, статистики и численных методов. Поэтому страница "Диагонализируемость при различных собственных значениях" находится на границе между абстрактной алгеброй и вычислительной практикой: она объясняет, когда сложный оператор можно читать как набор независимых масштабирований.

Историческая линия формулы

Критерий n различных собственных значений является стандартным следствием теории собственных векторов. Его историческая линия связана с характеристическими корнями, матричной алгеброй и дальнейшей классификацией линейных операторов, а не с отдельным персональным авторством.

Огюстен Луи Коши 1789-1857 Артур Кэли 1821-1895 Фердинанд Георг Фробениус 1849-1917

Пример

Пусть характеристический многочлен матрицы 3 x 3 равен p_A(lambda)=(lambda-1)(lambda-2)(lambda-5). У матрицы три различных собственных значения: 1, 2 и 5. Для каждого из них существует ненулевое собственное пространство. Собственные векторы, соответствующие различным собственным значениям, линейно независимы. Значит можно выбрать по одному собственному вектору из каждого собственного пространства и получить три независимых собственных вектора. Они образуют базис R^3 или C^3, и матрица диагонализируема. При этом сами векторы все еще нужно найти, если требуется построить P.

Частая ошибка

Частая ошибка - считать этот критерий двусторонним. Если у матрицы нет n различных собственных значений, она все равно может быть диагонализируема, например диагональная матрица diag(2,2,3). Вторая ошибка - забывать, что собственные значения должны лежать в выбранном поле. Третья ошибка - после доказательства диагонализируемости не находить собственные векторы, хотя для явной диагонализации P и D они нужны. Еще одна ошибка - считать разные корни без проверки кратности при округленных численных значениях.

Практика

Задачи с решением

Быстрый вывод о диагонализации

Условие. У матрицы 4 x 4 собственные значения -1, 0, 2, 5. Что можно сказать?

Решение. Есть 4 различных собственных значения для матрицы 4 x 4. Значит есть 4 независимых собственных вектора.

Ответ. Матрица диагонализируема.

Понять границы критерия

Условие. У матрицы 3 x 3 собственные значения 2 и 7. Можно ли сразу сказать, что она не диагонализируема?

Решение. Нет. Различных значений меньше трех, но повторное значение может иметь собственное пространство нужной размерности.

Ответ. Нет, нужно проверить геометрические кратности.

Дополнительные источники

MIT OpenCourseWare 18.06SC, Diagonalization
Jim Hefferon, Linear Algebra, distinct eigenvalues
TUDelft Interactive Linear Algebra, diagonalization

Связанные формулы

Математика

Собственное значение и собственный вектор

$Av=\lambda v,\quad v\ne0$

Собственный вектор матрицы A - это ненулевой вектор, который после умножения на A остается на той же прямой. Собственное значение lambda показывает, во сколько раз этот вектор растягивается, сжимается или меняет направление.

Математика

Критерий диагонализируемости через геометрические кратности

$A\text{ диагонализируема}\Longleftrightarrow \sum_{\lambda\in\sigma(A)}\dim E_\lambda=n$

Матрица n x n диагонализируема тогда и только тогда, когда сумма размерностей всех ее собственных пространств равна n. Это означает, что собственных векторов хватает на базис.

Математика

Алгебраическая кратность собственного значения

$p_A(\lambda)=(\lambda-\lambda_0)^k q(\lambda),\quad q(\lambda_0)\ne0$

Алгебраическая кратность собственного значения lambda0 - это степень, с которой множитель lambda-lambda0 входит в характеристический многочлен.

Математика

Диагонализация матрицы

$A=PDP^{-1}$

Диагонализация представляет квадратную матрицу A в виде A=PDP^{-1}, где D диагональна, а столбцы P являются собственными векторами A. Это переводит действие оператора в собственный базис.