关于由互异实向量构造的矩阵Aₙ的特征向量推导与证明问询

嗨，看起来你已经在这个有趣的矩阵问题上取得了不错的进展！先把问题背景和你的观察再梳理清楚，然后咱们一起拆解特征向量规律背后的原理：

问题背景 #

假设我们有一个由互异实数组成的向量 $[x_1,x_2,\ldots,x_n]$，基于该向量构造矩阵 $A_n$，其中元素定义为：
$$a_{ij} = \frac{x_i}{x_i-x_j} \quad (i \neq j)$$
$$a_{ii} = \sum_{j\neq i} \frac{x_i}{x_i-x_j}$$

你已经推导出矩阵 $A_n$ 的特征值为 $[n-1, n-2, \ldots, 0]$，但对左特征向量的规律理解存在困难，希望能找到并证明任意此类矩阵 $A_n$ 的特征向量的具体公式。

你的观察（以A₄为例） #

对于 $A_4$，特征值为 ${0,1,2,3}$，你总结出对应每个特征值 $\lambda$，构造特征向量的规律如下：

• 针对某个分量 $e_k$，先取集合 ${x_1,\ldots,x_n} \setminus {x_k}$
• 取该集合中所有大小为 $(n-1)-\lambda$ 的子集
• $e_k$ 是这些子集的元素乘积之和

比如特征值 $\lambda=2$ 时，$(4-1)-2=1$，即取单元素子集，求和后得到对应的特征向量分量，这个规律在A₄中成立，但你不清楚背后的原理。

推导与证明思路 #

咱们可以从拉格朗日插值多项式和矩阵的算子本质入手来解释这个规律，这会让整个逻辑变得清晰：

1. 矩阵Aₙ的本质：拉格朗日基下的微分算子矩阵
   首先回忆拉格朗日基多项式 $L_i(t) = \prod_{j \neq i} \frac{t - x_j}{x_i - x_j}$，它满足 $L_i(x_k) = \delta_{ik}$（只有当 $i=k$ 时取值为1，其余为0）。

   观察矩阵 $A_n$ 的元素：

   • 对角元 $a_{ii} = \sum_{j \neq i} \frac{x_i}{x_i - x_j} = x_i \cdot L_i'(x_i)$（因为 $L_i'(x_i) = \sum_{j \neq i} \frac{1}{x_i - x_j}$，这是拉格朗日基导数的经典结论）
   • 非对角元 $a_{ij} = \frac{x_i}{x_i - x_j} = -x_i \cdot L_j'(x_i)$（推导一下：$L_j'(x_i)$ 展开后，唯一含 $\frac{1}{x_j - x_i}$ 的项就是去掉 $(t-x_i)$ 后的乘积，所以 $L_j'(x_i) = -\frac{1}{x_i - x_j}$）

   这说明矩阵 $A_n$ 其实是线性算子 $T(p)(t) = t p'(t)$ 在拉格朗日基 ${L_1,\ldots,L_n}$ 下的表示矩阵。这个算子作用在次数不超过 $n-1$ 的多项式空间 $\mathcal{P}_{n-1}$ 上，它的特征值很好算：对于单项式 $t^k$，$T(tk) = k t^k$，所以特征值就是 $0,1,\ldots,n-1$，和你发现的完全一致！

2. 左特征向量：对偶空间的特征泛函
   左特征向量对应算子 $T$ 的对偶算子的特征向量。简单来说，我们要找线性泛函 $\phi: \mathcal{P}_{n-1} \to \mathbb{R}$，使得 $\phi(T(p)) = \lambda \phi(p)$ 对所有多项式 $p$ 成立。

   而你观察到的“去掉 $x_k$ 后大小为 $m=(n-1)-\lambda$ 的子集乘积之和”，其实就是**$m$ 次初等对称多项式在去掉 $x_k$ 后的取值**，记为 $e_m^{(k)}(x_i) = \sum_{\substack{1 \leq i_1 < \ldots < i_m \leq n \ i_j \neq k}} x_{i_1}\cdots x_{i_m}$。

   要证明这个向量是左特征向量，只需要验证 $v A_n = \lambda v$，其中 $v = [e_m^{(k)}(x_1), e_m^{(k)}(x_2), \ldots, e_m^{(k)}(x_n)]$，$\lambda = n-1 - m$。

   验证时可以利用拉格朗日插值的一个恒等式：对于任意 $t \leq n-1$，$\sum_{j=1}^n \frac{x_j^t}{x_j - x_i} = x_i^{t-1} + x_i^{t-2} + \ldots + 1$。把对称多项式拆成单项式的组合，代入这个恒等式就能推导出：
   $$(v A_n)_i = (n-1 - m) \cdot v_i$$
   这就证明了该向量确实是对应特征值 $\lambda$ 的左特征向量。

3. 直观理解
   算子 $T(p)=t p'(t)$ 的作用是给多项式的每一项 $t^k$ 乘上系数 $k$，也就是“按次数加权”。特征值 $\lambda$ 对应权重，而 $m=(n-1)-\lambda$ 是对称多项式的次数：次数越低的对称多项式，对应越高的特征值（比如 $m=0$ 时，对称多项式是1，对应特征值 $n-1$），这和单项式的规律完全匹配——低次项对应小特征值，高次项对应大特征值，对称多项式作为单项式的组合，自然继承了这个特性。

备注：内容来源于stack exchange，提问作者John Doe