为什么矩阵的谱半径不大于任何诱导范数

本指南将为你拆解这个核心数学定理的证明逻辑。你不需要提前掌握深刻的泛函分析，只需跟随每一步的推理，就能亲手完成证明。

第一步：明确两个关键定义

在开始证明前，先确认你理解以下两个概念：

1. 谱半径：对于一个方阵 $A$，其谱半径 $\rho(A)$ 等于 $A$ 所有特征值的模的最大值。即 $\rho(A) = \max\{ |\lambda| : \lambda \text{ 是 } A \text{ 的特征值} \}$。
2. 诱导范数：给定一个向量范数 $\|\cdot\|$，矩阵 $A$ 的诱导范数定义为 $\|A\| = \max_{\|x\|=1} \|A x\|$。直观地，它衡量了矩阵对单位向量的最大拉伸程度。

牢记：谱半径只关心特征值的“大小”，而诱导范数关心矩阵作为线性算子的“放大能力”。我们的目标是证明：对于任何向量范数导出的诱导范数，都有 $\rho(A) \le \|A\|$。

第二步：从特征向量入手建立基础不等式

假设 $(\lambda, v)$ 是 $A$ 的一个特征对，即 $A v = \lambda v$，其中 $v \neq 0$。我们可以取这个特征向量并归一化：令 $u = v / \|v\|$，则 $\|u\| = 1$，且 $A u = \lambda u$（因为 $A(\frac{v}{\|v\|}) = \frac{\lambda v}{\|v\|} = \lambda u$）。

现在，计算诱导范数 $\|A\|$ 的下界。由于 $\|A\|$ 是 $\max_{\|x\|=1} \|A x\|$，而 $u$ 是一个满足 $\|u\|=1$ 的特定向量，所以必然有：

$$ \|A\| \ge \|A u\| = \|\lambda u\| = |\lambda| \cdot \|u\| = |\lambda| $$

得到：对于任意特征值 $\lambda$，有 $|\lambda| \le \|A\|$。

关键结论：因为上式对所有特征值都成立，所以所有特征值的模都不超过 $\|A\|$。而谱半径是这些模的最大值，因此直接推出 $\rho(A) \le \|A\|$。

第三步：处理更一般的诱导范数（含证明的完整性）

上面的证明依赖于“存在一个特征向量且其范数为1”。这总是成立的，因为特征向量非零，除以它的范数即可。但注意：我们使用的向量范数 $\|\cdot\|$ 正是定义诱导范数所用的那个。这个范数可以是任意向量范数（如 $l_1$、$l_2$、$l_\infty$ 等），证明中并未对范数类型做任何假设。因此，结论对任何由向量范数诱导的矩阵范数都成立。

验证：有些诱导范数定义可能涉及 $\max_{x\neq 0} \frac{\|A x\|}{\|x\|}$，这等价于 $\max_{\|x\|=1} \|A x\|$。我们上面使用的正是后一种等价形式。

第四步：展示一个具体例子以加深理解

假设矩阵 $A = \begin{pmatrix} 2 & 0 \\ 0 & 1 \end{pmatrix}$。它的特征值为 $2$ 和 $1$，谱半径 $\rho(A) = 2$。

• 计算诱导的 $l_2$ 范数（即谱范数）：$\|A\|_2 = \max_{\|x\|_2=1} \|A x\|_2 = 2$（因为最大奇异值为2）。此时 $\rho(A) = \|A\|_2$，不等式取等。
• 计算诱导的 $l_\infty$ 范数（行和范数）：$\|A\|_\infty = \max_i \sum_j |a_{ij}| = \max(2, 1) = 2$，同样等于谱半径。
• 计算诱导的 $l_1$ 范数（列和范数）：$\|A\|_1 = \max_j \sum_i |a_{ij}| = \max(2, 1) = 2$。

再考虑一个非对称矩阵 $B = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}$。特征值均为 $0$，谱半径 $\rho(B) = 0$。诱导范数 $\|B\|_2 = 1$（奇异值为1），$\rho(B) = 0 < 1$，不等式严格成立。

注意：谱半径可能远小于某些诱导范数，但永远不会大于它们。

第五步：总结证明的实质（即最终结论）

整个证明的核心只有一行不等式：

$$ |\lambda| = \|\lambda u\| = \|A u\| \le \max_{\|x\|=1} \|A x\| = \|A\| $$

对每个特征值 $\lambda$ 成立，取最大值即得 $\rho(A) \le \|A\|$。没有任何花哨的技巧，只是利用了“最大值不小于任一特定值”的简单事实。