一文通俗搞懂线性无关特征向量个数≤特征值重数

线代有个很难理解的知识点，即同一特征值的线性无关特征向量个数要小于等于特征值重数。 这个结论是怎么来的呢？本文用最朴素的证明来帮助大家弄懂这个知识点（结论推导所用的都是基础的线代知识，只是有些数学式子比较复杂，认真看完，理解很容易，相信自己！）。

a.首先一起看下会用到的两个tips：

tip 1：一定可以找到n个线性无关的n维向量，且它们可以表示任何一个n维向量

比如2维向量：能找到 ${\alpha }_1=(1,0{)}^T和{\alpha }_2=(1,1{)}^T$
两个线性无关的向量，能表示二维平面里面的所有向量。
3维向量：能找到 ${\alpha }_1=(1,0,0{)}^T，{\alpha }_2=(1,1,0{)}^T，{\alpha }_3=(0,1,1{)}^T$三个线性无关的向量，能表示三维立体空间里面的所有向量。

tip 2：来计算一下某种行列式的值

n阶行列式：

以5阶为例，一起来找规律。

由此可见，其行列式的值都是x的某次方乘以一堆式子。

于是我们将此规律扩展到n维：

拓展到n维（为了方便，将后面的常数用“星号”代替）
至此两个需要用到的tips讲完了，接着开始证明。

b.准备就绪，开始证明：

设A为n阶矩阵， ${\lambda }_1$ 是它特征值（重根）， ${\alpha }_1{\alpha }_m$ 分别为其m个线性无关的特征向量。所以我们所要证明的就是 ${\lambda }_1$ 的重数要≥m

证明：

1.构造一个n阶可逆矩阵P：

由于${\alpha }_1$ ~ ${\alpha }_m$ 为n维向量，所以一定能找到 ${\alpha }_{m+1}$ ~${\alpha }_n$，使 ${\alpha }_1$ ~ ${\alpha }_n$ 线性无关且可以表示任何一个n维向量（根据前面tip 1得到的）
因此可以构造出一个n阶可逆矩阵
$P=\left({\alpha }_1,{\alpha }_2,\dots ,{\alpha }_m,{\alpha }_{m+1},\dots ，{\alpha }_n\right)$

2.A左乘可逆矩阵P：

$AP=\left(A{\alpha }_1,A{\alpha }_2,\dots ,A{\alpha }_m,A{\alpha }_{m+1},\dots ，A{\alpha }_n\right)$
由特征值与特征向量的关系：$A{\alpha }_i={\lambda }_1{\alpha }_i$ （其中i=1，2，……，m）得
$AP=\left({\lambda }_1{\alpha }_1,{\lambda }_1{\alpha }_2,\dots ,{\lambda }_1{\alpha }_m,A{\alpha }_{m+1},\dots ，A{\alpha }_n\right)$
又因为： $A{\alpha }_i$ 的结果为n维向量（i=m+1，m+2，…，n）
所以 $A{\alpha }_i$ 的结果可以用${\alpha }_1$ ~ α n \alpha_{n} α