{
  "id": "diagonal-matrix",
  "title": "对角矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "对角矩阵的主对角线以外的元素均为零，使矩阵运算和线性变换分析尤为简便。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/diagonal-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/diagonal-matrix/",
      "json": "https://aiwiki.page/en/diagonal-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "对角矩阵是主对角线以外的元素均为零的方形矩阵。其对角元素可以任意取值，包括零。对角矩阵在线性代数中具有基础性地位，因为它所表示的变换分别独立作用于各个坐标方向，而且当矩阵表示为对角形式时，许多矩阵计算都会变得十分简单。"
    },
    {
      "heading": "定义与记号",
      "text": "域（数学） \\(F\\) 上的一个 \\(n\\times n\\) 矩阵 \\(D=(d_{ij})\\) 称为对角矩阵，如果\n\n\\[d_{ij}=0\\qquad\\text{whenever }i\\ne j.\\]\n\n通常记作\n\n\\[D=\\operatorname{diag}(d_1,\\ldots,d_n) = \\begin{pmatrix} d_1&0&\\cdots&0\\\\ 0&d_2&\\cdots&0\\\\ \\vdots&\\vdots&\\ddots&\\vdots\\\\ 0&0&\\cdots&d_n \\end{pmatrix}.\\]\n\n例如，\n\n\\[\\begin{pmatrix} 3&0&0\\\\ 0&-2&0\\\\ 0&0&0 \\end{pmatrix}\\]\n\n是对角矩阵。对角线上出现零并不影响它成为对角矩阵；定义中的限制仅针对非对角元素。\n\n重要的特殊情形包括：\n\n- 零矩阵：所有元素均为零。\n- 单位矩阵 \\(I_n=\\operatorname{diag}(1,\\ldots,1)\\)。\n- 数量矩阵 \\(cI_n\\)：所有对角元素都相等。\n\n每个对角矩阵既是上三角矩阵，也是下三角矩阵。反过来，任何既是上三角矩阵又是下三角矩阵的方阵都是对角矩阵。\n\n在某些语境中，也允许使用矩形对角矩阵：如果一个 \\(m\\times n\\) 矩阵在 \\(i\\ne j\\) 时，其 \\((i,j)\\) 元均为零，就称其为对角矩阵。这一约定在奇异值分解中特别有用。除非另有说明，“对角矩阵”通常指方阵。"
    },
    {
      "heading": "作为线性变换的解释",
      "text": "对角矩阵作用于坐标向量时，有\n\n\\[D \\begin{pmatrix} x_1\\\\ \\vdots\\\\ x_n \\end{pmatrix} = \\begin{pmatrix} d_1x_1\\\\ \\vdots\\\\ d_nx_n \\end{pmatrix}.\\]\n\n每个输出坐标只取决于相应的输入坐标，各坐标方向之间不会相互混合。\n\n在实数范围内，乘以 \\(d_i\\) 会使第 \\(i\\) 个坐标按比例缩放。负值会使其方向反转，零值则会消去该分量。\n\n更一般地，有限维向量空间上的线性映射 \\(T\\) 关于一组基（线性代数） \\(v_1,\\ldots,v_n\\) 的矩阵为对角矩阵，当且仅当对每个 \\(i\\) 都有\n\n\\[T(v_i)=d_i v_i\\]\n\n成立。因此，每个基向量都是特征向量，对应的特征值为 \\(d_i\\)。\n\n所以，矩阵是否为对角矩阵取决于所选的基。同一个变换在一组基下的矩阵可能是对角矩阵，而在另一组基下则不是。"
    },
    {
      "heading": "算术运算与代数性质",
      "text": "设\n\n\\[D=\\operatorname{diag}(d_1,\\ldots,d_n), \\qquad E=\\operatorname{diag}(e_1,\\ldots,e_n).\\]\n\n加法和矩阵乘法可化为逐坐标运算：\n\n\\[D+E=\\operatorname{diag}(d_1+e_1,\\ldots,d_n+e_n),\\]\n\n\\[DE=\\operatorname{diag}(d_1e_1,\\ldots,d_ne_n).\\]\n\n因此，同阶对角矩阵的乘法满足交换律：\n\n\\[DE=ED.\\]\n\n这些运算连同数量乘法，使全体 \\(n\\times n\\) 对角矩阵构成一个交换代数，它与配备逐坐标乘法的 \\(F^n\\) 自然同构。\n\n对角矩阵不一定与任意矩阵可交换。对于 \\(A=(a_{ij})\\)，有\n\n\\[(DA)_{ij}=d_i a_{ij}, \\qquad (AD)_{ij}=a_{ij}d_j.\\]\n\n因此，左乘 \\(D\\) 会对各行进行缩放，右乘则会对各列进行缩放。此外，\n\n\\[DA=AD \\quad\\Longleftrightarrow\\quad (d_i-d_j)a_{ij}=0 \\quad\\text{for all }i,j.\\]\n\n如果所有 \\(d_i\\) 两两不同，那么与 \\(D\\) 可交换的每个矩阵本身都必须是对角矩阵。如果存在重复的对角元素，则相应坐标块内可以出现额外的非零元素。\n\n逆矩阵与幂\n\n对角矩阵可逆，当且仅当每个对角元素都非零。此时，它的逆矩阵为\n\n\\[D^{-1}=\\operatorname{diag}(d_1^{-1},\\ldots,d_n^{-1}).\\]\n\n对于每个正整数 \\(k\\)，都有\n\n\\[D^k=\\operatorname{diag}(d_1^k,\\ldots,d_n^k),\\]\n\n并且 \\(D^0=I_n\\)。当 \\(D\\) 可逆时，还可以定义负整数次幂。\n\n行列式、迹与秩\n\n主要的数值不变量可以直接得到：\n\n\\[\\det D=\\prod_{i=1}^{n}d_i, \\qquad \\operatorname{tr}D=\\sum_{i=1}^{n}d_i.\\]\n\n它们分别是 \\(D\\) 的行列式和矩阵的迹。其矩阵的秩等于非零对角元素的个数。\n\n其零空间由零对角元素所对应的坐标向量张成，其像空间则由非零对角元素所对应的坐标向量张成。"
    },
    {
      "heading": "特征值与对角化",
      "text": "\\(D\\) 的特征值与特征向量可直接由其对角形式看出：按代数重数计，特征值恰好就是各个对角元素。采用 \\(\\chi_D(t)=\\det(tI_n-D)\\) 的约定，其特征多项式为\n\n\\[\\chi_D(t)=\\prod_{i=1}^{n}(t-d_i).\\]\n\n对于特征值 \\(\\lambda\\)，其特征空间由所有满足以下条件的向量组成：非零坐标只能出现在满足 \\(d_i=\\lambda\\) 的下标位置。因此，该特征空间的维数等于 \\(\\lambda\\) 在对角线上出现的次数。\n\n对角矩阵与可对角化矩阵\n\n如果存在可逆矩阵 \\(P\\)，使得\n\n\\[P^{-1}AP=D\\]\n\n其中 \\(D\\) 为对角矩阵，就称矩阵 \\(A\\) 在 \\(F\\) 上可对角化。\\(P\\) 的各列构成由 \\(A\\) 的特征向量组成的一组基。这是一种矩阵相似变换，这一过程称为矩阵对角化。\n\n对角矩阵在给定基下已经是对角形式，而可对角化矩阵则不一定如此。并非每个矩阵都可对角化。例如，\n\n\\[\\begin{pmatrix} 1&1\\\\ 0&1 \\end{pmatrix}\\]\n\n只有一个线性无关的特征向量，无法通过相似变换化为对角矩阵。\n\n可对角化性还取决于所讨论的域。一个实矩阵可能在复数域上可对角化，却在实数域上不可对角化。\n\n谱定理给出了重要的充分条件：\n\n- 每个实对称矩阵都有一组由实特征向量组成的标准正交基，并且可以写成 \\(A=QDQ^{\\mathsf T}\\)，其中 \\(Q\\) 是正交矩阵。\n- 每个复埃尔米特矩阵都具有对角化表示 \\(A=UDU^*\\)，其中 \\(U\\) 是酉矩阵，\\(D\\) 是实对角矩阵。\n- 更一般地，每个复正规矩阵都可以酉对角化，但其特征值不一定是实数。"
    },
    {
      "heading": "转置、正定性与矩阵函数",
      "text": "每个对角矩阵都等于其矩阵转置：\n\n\\[D^{\\mathsf T}=D.\\]\n\n不过，对于复数元素，其共轭转置为\n\n\\[D^*=\\operatorname{diag}(\\overline{d_1},\\ldots,\\overline{d_n}).\\]\n\n因此，复对角矩阵是埃尔米特矩阵，当且仅当其所有对角元素都是实数。每个复对角矩阵都是正规矩阵。\n\n实对角矩阵是正定矩阵，当且仅当所有 \\(d_i>0\\)，因为\n\n\\[x^{\\mathsf T}Dx=\\sum_{i=1}^{n}d_i x_i^2.\\]\n\n它是半正定矩阵，当且仅当所有 \\(d_i\\geq0\\)。\n\n对于多项式 \\(p\\)，有\n\n\\[p(D)=\\operatorname{diag}\\bigl(p(d_1),\\ldots,p(d_n)\\bigr).\\]\n\n对于由收敛幂级数定义的函数，在相应级数收敛的范围内，同样适用这一逐坐标计算规则。例如，\n\n\\[e^D=\\operatorname{diag}(e^{d_1},\\ldots,e^{d_n}).\\]\n\n这使得对角形式在计算矩阵的幂、指数及其他矩阵函数时特别有用。当 \\(A=PDP^{-1}\\) 时，多项式求值得到\n\n\\[p(A)=Pp(D)P^{-1}.\\]"
    },
    {
      "heading": "计算与应用",
      "text": "存储对角矩阵时，只需存储其 \\(n\\) 个对角元素，而不必存储 \\(n^2\\) 个元素。此时，矩阵与向量相乘只需要 \\(O(n)\\) 次算术运算。因此，对角矩阵是稀疏矩阵的一类重要特例。\n\n对于线性方程组 \\(Dx=b\\)，若每个 \\(d_i\\ne0\\)，其解直接为\n\n\\[x_i=\\frac{b_i}{d_i}.\\]\n\n若 \\(d_i=0\\)，则对应的方程只有在 \\(b_i=0\\) 时才有解；此时，\\(x_i\\) 可以任意取值。\n\n在欧几里得算子范数下，非奇异的实或复对角矩阵的条件数为\n\n\\[\\kappa_2(D)= \\frac{\\max_i|d_i|}{\\min_i|d_i|}.\\]\n\n因此，运算简单并不意味着数值条件良好：如果某些对角元素的绝对值相对于最大的绝对值非常小，对角方程组就可能对扰动十分敏感。\n\n其他重要用途包括：\n\n- 微分方程。 将常系数矩阵对角化，可以把相互耦合的线性微分方程组分解为彼此独立的标量方程。\n- 统计学。 对角协方差矩阵表明，不同分量之间的两两协方差为零。一般而言，这并不意味着统计独立。\n- 矩阵分解。 奇异值分解利用正交矩阵或酉矩阵因子，以及一个由非负奇异值组成、可能为矩形的对角矩阵，来表示实矩阵或复矩阵。与相似对角化不同，它适用于所有矩阵。\n- 坐标缩放。 对角矩阵可以实现逐坐标加权和尺度变换，包括在数值算法中对变量重新缩放。"
    }
  ],
  "links": [
    "matrix",
    "linear-algebra",
    "field-mathematics",
    "identity-matrix",
    "vector-space",
    "linear-map",
    "basis-linear-algebra",
    "matrix-multiplication",
    "inverse-matrix",
    "determinant",
    "matrix-trace",
    "matrix-rank",
    "null-space",
    "eigenvalues-and-eigenvectors",
    "characteristic-polynomial",
    "eigenspace",
    "matrix-similarity",
    "matrix-diagonalization",
    "spectral-theorem",
    "orthogonal-matrix",
    "unitary-matrix",
    "matrix-transpose",
    "conjugate-transpose",
    "positive-definite-matrix",
    "polynomial",
    "sparse-matrix",
    "system-of-linear-equations",
    "condition-number",
    "covariance-matrix",
    "singular-value-decomposition"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}