{
  "id": "cayley-hamilton-theorem",
  "title": "凯莱–哈密顿定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "凯莱–哈密顿定理断言，每个方阵都满足其自身的特征多项式，揭示了行列式、矩阵幂与线性算子代数结构之间的联系。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "哈密顿–凯莱定理",
    "凯莱–哈密尔顿定理"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cayley-hamilton-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cayley-hamilton-theorem/",
      "json": "https://aiwiki.page/en/cayley-hamilton-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "凯莱–哈密顿定理是线性代数中的一项基本定理，指出每个方矩阵都满足其自身的特征多项式。若 \\(A\\) 是一个 \\(n\\times n\\) 矩阵，且\n\n\\[p_A(t)=\\det(tI-A)=t^n+c_{n-1}t^{n-1}+\\cdots+c_1t+c_0,\\]\n\n则\n\n\\[p_A(A)=A^n+c_{n-1}A^{n-1}+\\cdots+c_1A+c_0I=0.\\]\n\n这里，\\(I\\) 表示单位矩阵，等式右端为零矩阵。该定理将 \\(A\\) 的任意足够高次幂表示为较低次幂的线性组合，因此在线性算子、多项式恒等式和矩阵函数的研究中具有核心地位。"
    },
    {
      "heading": "定理的表述与解释",
      "text": "该定理对任意域上的方阵都成立，包括实数域、复数域和有限域。更一般地，它对任意含幺交换环上的矩阵都成立。\n\n对于标量多项式\n\n\\[f(t)=a_0+a_1t+\\cdots+a_mt^m,\\]\n\n在矩阵处求值的含义是\n\n\\[f(A)=a_0I+a_1A+\\cdots+a_mA^m.\\]\n\n因此，常数项必须理解为 \\(I\\) 的标量倍数，而不是直接与矩阵相加的标量。\n\n特征多项式通过行列式定义。其首项系数为 \\(1\\)，并且\n\n\\[c_{n-1}=-\\operatorname{tr}(A), \\qquad c_0=(-1)^n\\det(A),\\]\n\n其中 \\(\\operatorname{tr}(A)\\) 是矩阵的迹。\n\n该定理也有不依赖于基的表述。若 \\(T:V\\to V\\) 是有限维向量空间上的线性映射，则\n\n\\[p_T(T)=0.\\]\n\n多项式 \\(p_T\\) 可由 \\(T\\) 在任意一组基下的矩阵计算得到。由于相似矩阵具有相同的特征多项式，它不依赖于基的选择。"
    },
    {
      "heading": "示例",
      "text": "二阶矩阵的恒等式\n\n对于\n\n\\[A=\\begin{pmatrix}a&b\\\\c&d\\end{pmatrix},\\]\n\n其特征多项式为\n\n\\[p_A(t)=t^2-(a+d)t+(ad-bc).\\]\n\n由定理可得\n\n\\[A^2-(a+d)A+(ad-bc)I=0,\\]\n\n等价地，\n\n\\[A^2-\\operatorname{tr}(A)A+\\det(A)I=0.\\]\n\n例如，令\n\n\\[A=\\begin{pmatrix}1&2\\\\3&4\\end{pmatrix}.\\]\n\n由于 \\(\\operatorname{tr}(A)=5\\) 且 \\(\\det(A)=-2\\)，有\n\n\\[p_A(t)=t^2-5t-2.\\]\n\n直接计算可得\n\n\\[A^2=\\begin{pmatrix}7&10\\\\15&22\\end{pmatrix}=5A+2I.\\]\n\n因此 \\(p_A(A)=0\\)。\n\n将这个恒等式再乘以 \\(A\\) 的各次幂，可得\n\n\\[A^{k+2}=5A^{k+1}+2A^k \\qquad(k\\geq 0).\\]\n\n因此，在矩阵序列 \\(I,A,A^2,\\ldots\\) 中，每个固定位置上的元素都满足同一个标量递推关系。\n\n具有重特征值的矩阵\n\n考虑\n\n\\[N=\\begin{pmatrix}0&1\\\\0&0\\end{pmatrix}.\\]\n\n其特征多项式为 \\(t^2\\)，由定理可得 \\(N^2=0\\)，尽管 \\(N\\neq0\\)。\n\n这个例子说明，该定理并不只是关于特征值的陈述。一个在所有特征值处取零的多项式，在矩阵处求值时未必为零：多项式 \\(t\\) 在 \\(N\\) 唯一的特征值处取零，但 \\(N\\) 本身并不为零。"
    },
    {
      "heading": "利用伴随矩阵恒等式的证明",
      "text": "一种标准证明使用伴随矩阵，即由代数余子式组成的矩阵的转置。这一证明适用于任意含幺交换环，不需要使用特征值或除法。\n\n对于一个 \\(n\\times n\\) 矩阵 \\(A\\)，记\n\n\\[\\operatorname{adj}(tI-A) = B_0+B_1t+\\cdots+B_{n-1}t^{n-1},\\]\n\n其中每个 \\(B_j\\) 都是系数环上的矩阵。由伴随矩阵恒等式可得\n\n\\[(tI-A)\\operatorname{adj}(tI-A)=p_A(t)I.\\]\n\n比较 \\(t\\) 的各次幂的系数，得到\n\n\\[B_{n-1}=I,\\]\n\n\\[B_{k-1}-AB_k=c_kI \\qquad(1\\leq k\\leq n-1),\\]\n\n以及\n\n\\[-AB_0=c_0I.\\]\n\n将带有指标 \\(k\\) 的等式左乘 \\(A^k\\)，并将 \\(B_{n-1}=I\\) 左乘 \\(A^n\\)。把所有这些等式连同常数项等式相加，得到\n\n\\[\\begin{aligned} p_A(A) &=A^nB_{n-1} +\\sum_{k=1}^{n-1} \\left(A^kB_{k-1}-A^{k+1}B_k\\right) -AB_0\\\\ &=0. \\end{aligned}\\]\n\n各项均与相邻项相互抵消。\n\n一种看似简便的做法是直接在 \\(\\det(tI-A)\\) 中“令 \\(t=A\\)”。如果没有严谨定义求值过程，这种论证就会混淆标量多项式求值与将矩阵代入行列式表达式这两种操作。上述比较系数的证明避免了这一问题。"
    },
    {
      "heading": "与最小多项式的关系",
      "text": "在域 \\(F\\) 上，最小多项式 \\(m_A(t)\\) 是满足\n\n\\[m_A(A)=0.\\]\n\n的次数最低的唯一首一正次多项式。\n\n每个零化 \\(A\\) 的多项式都能被 \\(m_A\\) 整除。事实上，由多项式除法可得\n\n\\[f(t)=q(t)m_A(t)+r(t), \\qquad \\deg r<\\deg m_A.\\]\n\n若 \\(f(A)=0\\)，则 \\(r(A)=0\\)；由 \\(m_A\\) 次数的最小性，必有 \\(r=0\\)。\n\n因此，凯莱–哈密顿定理蕴含\n\n\\[m_A(t)\\mid p_A(t), \\qquad \\deg m_A\\leq n.\\]\n\n特征多项式未必是次数最低的零化多项式。例如，对于 \\(n\\times n\\) 单位矩阵，\n\n\\[p_I(t)=(t-1)^n, \\qquad m_I(t)=t-1.\\]\n\n最小多项式也刻画了矩阵的可对角化性：一个矩阵在 \\(F\\) 上可对角化，当且仅当其最小多项式在 \\(F\\) 上分解为互不相同的一次因子的乘积。这一条件强于凯莱–哈密顿恒等式，后者无论矩阵是否可对角化都成立。"
    },
    {
      "heading": "推论与应用",
      "text": "幂与多项式的降次\n\n将特征多项式恒等式移项，得到\n\n\\[A^n=-c_{n-1}A^{n-1}-\\cdots-c_1A-c_0I.\\]\n\n反复使用这一关系，可将 \\(A\\) 的任意非负整数次幂化为\n\n\\[I,A,\\ldots,A^{n-1}.\\]\n\n的线性组合。\n\n更一般地，若由多项式除法得到\n\n\\[f(t)=q(t)p_A(t)+r(t), \\qquad \\deg r<n,\\]\n\n则\n\n\\[f(A)=r(A).\\]\n\n改用最小多项式，还可以进一步降低所需的次数。\n\n因此，代数\n\n\\[F[A]=\\{f(A):f\\in F[t]\\}\\]\n\n由 \\(I,A,\\ldots,A^{n-1}\\) 张成。它的维数恰好等于 \\(\\deg m_A\\)，因为低于该次数的各次幂线性无关。\n\n逆矩阵\n\n若 \\(A\\) 是域上的可逆矩阵，则 \\(c_0\\neq0\\)。将特征多项式恒等式乘以 \\(A^{-1}\\)，得到\n\n\\[A^{-1} = -\\frac{1}{c_0} \\left( A^{n-1}+c_{n-1}A^{n-2}+\\cdots+c_2A+c_1I \\right).\\]\n\n因此，逆矩阵可表示为 \\(A\\) 的多项式。\n\n对于 \\(2\\times2\\) 可逆矩阵，上式变为\n\n\\[A^{-1} = \\frac{\\operatorname{tr}(A)I-A}{\\det(A)}.\\]\n\n在交换环上，当 \\(c_0\\) 是单位元时，同一公式也适用。在这种情况下，仅仅非零并不足够。\n\n矩阵函数与微分方程\n\n对于实矩阵或复矩阵，矩阵指数由收敛的幂级数定义：\n\n\\[e^{tA}=\\sum_{k=0}^{\\infty}\\frac{t^kA^k}{k!}.\\]\n\n由于 \\(A\\) 的所有幂都属于一个有限维的张成空间，这个指数可以表示为\n\n\\[e^{tA}=a_0(t)I+a_1(t)A+\\cdots+a_{d-1}(t)A^{d-1},\\]\n\n其中 \\(d=\\deg m_A\\)。\n\n这种表示有助于求解形如\n\n\\[x'(t)=Ax(t), \\qquad x(t)=e^{tA}x(0).\\]\n\n的常系数常微分方程。\n这些标量系数函数体现了对时间的指数依赖；当最小多项式的重因子要求时，还会包含对时间的多项式依赖。\n\n线性递推关系\n\n对于固定向量 \\(u,v\\)，定义\n\n\\[s_k=u^{\\mathsf T}A^kv.\\]\n\n将特征多项式恒等式乘以 \\(A^k\\)，再分别从两侧乘以这些向量，得到\n\n\\[s_{k+n}+c_{n-1}s_{k+n-1}+\\cdots+c_0s_k=0.\\]\n\n这将矩阵迭代与线性递推关系联系起来，其中包括转移矩阵和有限状态系统中出现的递推关系。"
    },
    {
      "heading": "历史发展",
      "text": "该定理以阿瑟·凯莱和威廉·罗 Rowan·哈密顿命名。哈密顿在研究四元数时得到了一个相关恒等式。凯莱在1858年关于矩阵理论的论文中提出了这一一般矩阵定理，并验证了低阶情形，但并未给出如今教科书中常见的一般性证明。\n\n该定理的发展是19世纪矩阵观念演变的一部分：矩阵逐渐被视为独立的代数对象，而不再仅仅是用于求解方程的系数排列。"
    },
    {
      "heading": "适用范围与计算局限",
      "text": "有限维假设至关重要。无限维向量空间上的算子未必满足任何非零多项式恒等式。例如，在多项式空间 \\(F[x]\\) 上，乘以 \\(x\\) 定义了一个算子 \\(T\\)，对于任意非零多项式 \\(q\\)，都有\n\n\\[q(T)1=q(x)\\neq0\\]\n\n因此，\\(T\\) 不存在非零的零化多项式。\n\n系数环的交换性假设也很重要。对于非交换环上的矩阵，通常的行列式和特征多项式一般不再具有证明中所用的性质。\n\n尽管该定理给出了计算矩阵幂、逆矩阵和矩阵函数的精确公式，但它本身并不一定能提供最佳的数值算法。在浮点运算中，计算特征多项式的系数并组合矩阵的高次幂，可能引入显著的舍入误差和消去误差。因此，实际的数值线性代数通常采用针对具体计算任务设计的方法，例如用矩阵分解求解线性方程组，以及用专门算法计算矩阵指数。"
    }
  ],
  "links": [
    "linear-algebra",
    "matrix",
    "characteristic-polynomial",
    "identity-matrix",
    "field-mathematics",
    "ring-mathematics",
    "polynomial",
    "determinant",
    "matrix-trace",
    "vector-space",
    "linear-map",
    "matrix-similarity",
    "recurrence-relation",
    "eigenvalues-and-eigenvectors",
    "adjugate-matrix",
    "minimal-polynomial",
    "matrix-diagonalization",
    "linear-combination",
    "dimension-vector-space",
    "inverse-matrix",
    "power-series",
    "ordinary-differential-equation",
    "transition-matrix",
    "quaternion",
    "floating-point-arithmetic",
    "numerical-linear-algebra"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}