在数学和物理学的众多领域中，矩阵是一种非常强大的工具，它能够帮助我们理解和处理线性系统。而反称矩阵（也称为 skew-symmetric 矩阵）是一种特殊的矩阵，其特征值具有独特的性质：全为纯虚数。下面，我们将深入解析这一现象背后的秘密。
反称矩阵的定义
首先，我们需要明确什么是反称矩阵。一个 ( n \times n ) 的矩阵 ( A ) 被称为反称矩阵，当且仅当对于所有的 ( i ) 和 ( j )（其中 ( i \neq j )），都有 ( A{ij} = -A{ji} )。换句话说，反称矩阵的主对角线上的元素全为零，并且其非对角线元素关于原点对称。
特征值和特征向量的基本概念
在矩阵理论中，特征值和特征向量是描述矩阵特性的重要概念。对于一个 ( n \times n ) 的矩阵 ( A )，如果存在一个非零向量 ( \mathbf{v} ) 和一个标量 ( \lambda )，使得 ( A\mathbf{v} = \lambda\mathbf{v} )，则称 ( \lambda ) 为矩阵 ( A ) 的一个特征值，而 ( \mathbf{v} ) 是对应于这个特征值的特征向量。
反称矩阵的特征值解析
现在，让我们回到反称矩阵的特征值。对于任何非零的特征向量 ( \mathbf{v} )，都有：
[ A\mathbf{v} = \lambda\mathbf{v} ]
将 ( A ) 的定义代入上式，我们得到：
[ A_{ij}vi = -A{ji}v_j = \lambda v_i ]
由于 ( \mathbf{v} ) 是非零的，我们可以假设 ( v_i \neq 0 )。因此，上述等式可以重写为：
[ \lambda = -\frac{A{ij}}{A{ji}} ]
接下来，我们需要证明对于反称矩阵 ( A )，上述等式中的 ( \lambda ) 必须是纯虚数。
证明
假设 ( \lambda = a + bi )，其中 ( a ) 和 ( b ) 是实数，且 ( b \neq 0 )。将 ( \lambda ) 的表达式代入之前的等式，我们得到：
[ a + bi = -\frac{A{ij}}{A{ji}} ]
由于 ( A ) 是反称矩阵，所以 ( A{ij} = -A{ji} )。因此，上式可以简化为：
[ a + bi = \frac{A{ij}}{A{ji}} ]
这意味着 ( a ) 和 ( b ) 必须满足以下条件：
[ a = -b ]
因此，( \lambda ) 可以写成：
[ \lambda = a - ai = a(1 - i) ]
由于 ( a ) 是实数，所以 ( 1 - i ) 是一个复数，且它的模长为 1。这意味着 ( \lambda ) 是一个纯虚数。
结论
通过上述证明，我们得出结论：对于一个 ( n \times n ) 的反称矩阵 ( A )，它的所有特征值都是纯虚数。这一性质在数学和物理学中有着广泛的应用，尤其是在处理与对称性和守恒定律相关的问题时。