5D 可对角化算子

本节概览

本节是第5章的核心高潮，引入对角矩阵与可对角化的概念，建立可对角化的多重等价刻画——特征向量基、特征空间直和分解、维数等式、最小多项式无重根。最后介绍格什戈林圆盘定理，给出特征值的定位工具。

逻辑链条：对角矩阵 → 可对角化定义 → 特征空间 E(λ,T) → 特征空间直和 → 4条等价条件 → 充分条件(5.58) → 最小多项式无重根(5.62) → 限制不变子空间(5.65) → 格什戈林圆盘(5.67)

前置依赖：5A 不变子空间、特征值和特征向量（算子、特征值、特征向量、不变子空间）、5B 最小多项式（最小多项式、q(T)=0、5.29/5.31）、5C 上三角矩阵（上三角矩阵、5.40/5.41/5.44）、第4章 多项式（因式分解、带余除法）

核心主线：可对角化是算子”最理想”的矩阵表示——对角矩阵使算子的幂、多项式、逆的计算都变得极其简单。判定可对角化的核心工具是最小多项式：无重根 ⟺ 可对角化。

---

一、对角矩阵与可对角化

对角矩阵

定义 5.48：对角矩阵（diagonal matrix）

称一个方阵为对角矩阵，若其中所有在对角线之外的元素都等于 $0$。

对角矩阵的一般形式为： $\left(\begin{array}{cccc}{\lambda }_1& 0& \cdots & 0\\ 0& {\lambda }_2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\lambda }_n\end{array}\right)$ 记作 $\text{diag}({\lambda }_1,{\lambda }_2,\dots ,{\lambda }_n)$。

例 5.49：对角矩阵实例

$\left(\begin{array}{ccc}8& 0& 0\\ 0& 5& 0\\ 0& 0& 5\end{array}\right)$ 是一个 $3\times 3$ 对角矩阵，记作 $\text{diag}(8,5,5)$。

注意对角线上的元素可以重复——$5$ 出现了两次。

对角矩阵的运算优势

对角矩阵是上三角矩阵的特例（对角线以上也全为零），具有极其简单的运算性质：

• 乘法：$\text{diag}({\lambda }_1,\dots ,{\lambda }_n)\cdot \text{diag}({\mu }_1,\dots ,{\mu }_n)=\text{diag}({\lambda }_1{\mu }_1,\dots ,{\lambda }_n{\mu }_n)$
• 幂运算：$\text{diag}({\lambda }_1,\dots ,{\lambda }_n{)}^m=\text{diag}({\lambda }_1^m,\dots ,{\lambda }_n^m)$
• 行列式：$\det ={\lambda }_1\cdot {\lambda }_2\cdots {\lambda }_n$
• 迹：$\text{tr}={\lambda }_1+{\lambda }_2+\cdots +{\lambda }_n$

可对角化的定义

定义 5.50：可对角化（diagonalizable）

设 $T\in \mathcal{L}(V)$。称 $T$ 是可对角化的，若存在 $V$ 的基使得 $T$ 关于该基的矩阵是对角矩阵。

例 5.51：对角化需要选取合适的基

考虑 ${\mathbb{R}}^2$ 上的算子 $T(x,y)=(41x+7y,-20x+74y)$。

关于标准基 $(1,0),(0,1)$ 的矩阵为： $M(T)=\left(\begin{array}{cc}41& 7\\ -20& 74\end{array}\right)$ 这不是对角矩阵。

但 $T$ 是可对角化的。取基 $(1,4),(7,5)$：

• $T(1,4)=(41\cdot 1+7\cdot 4,-20\cdot 1+74\cdot 4)=(69,276)=69(1,4)$
• $T(7,5)=(41\cdot 7+7\cdot 5,-20\cdot 7+74\cdot 5)=(322,230)=46(7,5)$

因此关于基 $(1,4),(7,5)$，$T$ 的矩阵为： $M(T)=\left(\begin{array}{cc}69& 0\\ 0& 46\end{array}\right)=\text{diag}(69,46)$

特征值为 $69$ 和 $46$，对应的特征向量分别为 $(1,4)$ 和 $(7,5)$。

注意

• 一个算子是否可对角化与基的选取有关——关于某个基的矩阵不是对角矩阵，不代表算子不可对角化。
• 不要把”矩阵可对角化”和”矩阵本身是对角矩阵”混淆。

特征空间

定义 5.52：特征空间（eigenspace）

设 $T\in \mathcal{L}(V)$ 且 $\lambda \in \mathbb{F}$。$T$ 对应于 $\lambda$ 的特征空间定义为： $E(\lambda ,T)=\text{null}(T-\lambda I)=\{v\in V:Tv=\lambda v\}$

特征空间的关键性质

• $E(\lambda ,T)$ 是 $V$ 的子空间（零空间的子空间）
• $\lambda$ 是 $T$ 的特征值 $⟺$ $E(\lambda ,T)\ne \{0\}$（即 $\dim E(\lambda ,T)\ge 1$）
• $E(\lambda ,T)$ 中的每个非零向量都是对应于 $\lambda$ 的特征向量
• $\dim E(\lambda ,T)$ 称为 $\lambda$ 的几何重数

例 5.53：特征空间实例

设 $T\in \mathcal{L}({\mathbb{C}}^3)$ 的矩阵为 $\text{diag}(8,5,5)$，即 $T(z_1,z_2,z_3)=(8z_1,5z_2,5z_3)$。

• 特征值 $8$：$E(8,T)=\{(z_1,0,0):z_1\in \mathbb{C}\}=\text{span}((1,0,0))$，$\dim E(8,T)=1$
• 特征值 $5$：$E(5,T)=\{(0,z_2,z_3):z_2,z_3\in \mathbb{C}\}=\text{span}((0,1,0),(0,0,1))$，$\dim E(5,T)=2$

注意 $\dim E(8,T)+\dim E(5,T)=1+2=3=\dim {\mathbb{C}}^3$，这正是 $T$ 可对角化的原因（定理 5.55）。

特征空间之和是直和

定理 5.54：特征空间之和是直和

设 $T\in \mathcal{L}(V)$。设 ${\lambda }_1,\dots ,{\lambda }_m$ 是 $T$ 的互不相同的特征值。则 $E({\lambda }_1,T)+\cdots +E({\lambda }_m,T)\text{ 是直和}$ 且 $\dim E({\lambda }_1,T)+\cdots +\dim E({\lambda }_m,T)\le \dim V$。

证明思路

直和部分：要证零向量表示唯一。设 $v_1+\cdots +v_m=0$，其中 $v_k\in E({\lambda }_k,T)$。由定理 5.11（不同特征值对应的特征向量线性无关），各 $v_k=0$。由命题 1.45，和为直和。

维数部分：直和的维数等于各分量维数之和（定理 3.94），而直和是 $V$ 的子空间，故维数不超过 $\dim V$（推论 2.37）。$■$

关键洞察

这个证明的核心是"不同特征空间指向不同方向"——它们的交集只有零向量。 这与定理 5.11的证明思路一脉相承，都是利用”不同特征值的差不为零”来消去分量。

可对角化的四条等价条件

定理 5.55：可对角化的等价条件

设 $T\in \mathcal{L}(V)$，并设 ${\lambda }_1,\dots ,{\lambda }_m$ 是 $T$ 的所有互不相同的特征值。则以下四条等价：

• (a) $T$ 是可对角化的。
• (b) $V$ 存在由 $T$ 的特征向量构成的基。
• (c) $V=E({\lambda }_1,T)\oplus \cdots \oplus E({\lambda }_m,T)$。
• (d) $\dim V=\dim E({\lambda }_1,T)+\cdots +\dim E({\lambda }_m,T)$。

证明思路

按 $(a)⟺(b)\Rightarrow (c)\Rightarrow (d)\Rightarrow (b)$ 的路线循环证明。

(a) $\iff$ (b)：对角矩阵的第 $k$ 列只有第 $k$ 个位置非零 $\iff$ $T{v}_k={\lambda }_k{v}_k$ $\iff$ 基向量都是特征向量。

(b) $\Rightarrow$ (c)：将特征向量基按对应特征值分组。每个向量是各特征空间中向量的组合，由 5.54 分解是直和。

(c) $\Rightarrow$ (d)：直和的维数等于各分量维数之和（3.94）。

(d) $\Rightarrow$ (b)：由 5.54，特征空间之和是直和，维数为 $\sum \dim E({\lambda }_k,T)=\dim V$。合并各 $E({\lambda }_k,T)$ 的基得到 $\dim V$ 个线性无关向量，构成基（2.38），每个基向量都是特征向量。$■$

四条等价条件的直觉含义

条件	直觉含义
(a) 可对角化	矩阵视角：存在基使矩阵为对角矩阵
(b) 特征向量构成基	几何视角：空间被特征向量”铺满”
(c) 特征空间直和分解	结构视角：空间被特征空间完全分解
(d) 维数等式	数值视角：各特征空间维数之和恰好等于全空间维数

==条件 (d) 在实际计算中最常用：算出每个特征空间的维数，看它们的和是否等于 $\dim V$。==

---

二、可对角化的判定

不可对角化的反例

例 5.57：不可对角化的算子

定义 $T\in \mathcal{L}({\mathbb{C}}^3)$ 为 $T(a,b,c)=(b,c,0)$。

求特征值：设 $T(z_1,z_2,z_3)=\lambda (z_1,z_2,z_3)$，即 $(z_2,z_3,0)=(\lambda z_1,\lambda z_2,\lambda z_3)$。

由第三个分量：$\lambda z_3=0$。

• 若 $\lambda \ne 0$，则 $z_3=0$；由第二个分量 $z_3=\lambda z_2$ 得 $z_2=0$；由第一个分量 $z_2=\lambda z_1$ 得 $z_1=0$。所以 $(z_1,z_2,z_3)=(0,0,0)$，不是特征向量。
• 若 $\lambda =0$，则 $(z_2,z_3,0)=(0,0,0)$，即 $z_2=z_3=0$，$z_1$ 任意。

因此 $T$ 的唯一特征值是 $0$，且 $E(0,T)=\{(a,0,0):a\in \mathbb{C}\}=\text{span}((1,0,0))$ $\dim E(0,T)=1<3=\dim V$

由定理 5.55 (d)，$T$ 不可对角化。

关键教训

• 有特征值不等于可对角化。例 5.57 中 $T$ 有特征值 $0$，但不可对角化。
• 关键不是”有几个特征值”，而是”特征空间维数之和是否等于 $\dim V$“。

互异特征值足够多则可对角化

定理 5.58：互异特征值足够多 $\Rightarrow$ 可对角化

设 $T\in \mathcal{L}(V)$。若 $T$ 有 $\dim V$ 个互不相同的特征值，则 $T$ 是可对角化的。

证明思路

设 ${\lambda }_1,\dots ,{\lambda }_n$ 是 $T$ 的 $n=\dim V$ 个互不相同的特征值。对每个 ${\lambda }_k$ 取一个对应的特征向量 $v_k\ne 0$。由定理 5.11，不同特征值对应的特征向量线性无关，故 $v_1,\dots ,v_n$ 线性无关。$n$ 个线性无关的向量构成 $\dim V=n$ 的空间的一组基。由定理 5.55 (b) $\Rightarrow$ (a)，$T$ 可对角化。$■$

充分条件 vs 必要条件

定理 5.58 是充分条件（但非必要条件）。比如恒等算子 $I$ 只有一个特征值 $1$，但它是可对角化的（$E(1,I)=V$）。

定理 5.58 的价值在于：当你发现一个算子有足够多的互异特征值时，可以立刻断言它可对角化，而无需计算特征空间的维数。

利用对角化计算 $T^{100}$

例 5.59：对角化的强大应用——计算 $T^{100}$

设 $T\in \mathcal{L}({\mathbb{R}}^3)$ 定义为 $T(x,y,z)=(2x+y,5y+3z,8z)$。

第一步：求特征值和特征向量。

$M(T)=\left(\begin{array}{ccc}2& 1& 0\\ 0& 5& 3\\ 0& 0& 8\end{array}\right)$，已经是上三角矩阵。由定理 5.41，特征值为对角线元素 $2,5,8$。

• $\lambda =2$：$(T-2I)(x,y,z)=(y,3z,6z)=(0,0,0)$，即 $y=z=0$，特征向量 $(1,0,0)$。
• $\lambda =5$：$(T-5I)(x,y,z)=(-3x+y,3z,3z)=(0,0,0)$，即 $y=3x,z=0$，特征向量 $(1,3,0)$。
• $\lambda =8$：$(T-8I)(x,y,z)=(-6x+y,-3y+3z,0)=(0,0,0)$，即 $y=6x,z=2y=12x$，特征向量 $(1,6,6)$。

第二步：写出对角化。

关于基 $(1,0,0),(1,3,0),(1,6,6)$，$M(T)=\text{diag}(2,5,8)$。

第三步：计算 $T^{100}(0,0,1)$。

将 $(0,0,1)$ 用特征向量基表示。设 $(0,0,1)=a(1,0,0)+b(1,3,0)+c(1,6,6)$，解得 $a=1/6,b=-1/3,c=1/6$。

$T^{100}(0,0,1)=\frac{1}{6}\cdot 2^{100}(1,0,0)-\frac{1}{3}\cdot 5^{100}(1,3,0)+\frac{1}{6}\cdot 8^{100}(1,6,6)$

化简得： $T^{100}(0,0,1)=\left(\frac{1}{6}(2^{100}-2\cdot 5^{100}+8^{100}),6\cdot 8^{100}-6\cdot 5^{100},6\cdot 8^{100}\right)$

对角化的威力

==直接计算 $T^{100}$ 需要做 $100$ 次矩阵乘法，而对角化后只需计算 ${\lambda }^{100}$——从 $O(n^4\cdot 100)$ 的计算量降为 $O(n)$ 的标量幂运算。==

可对角化但无法求出确切特征值

例 5.60：可对角化但无法求出确切特征值

考虑 ${\mathbb{C}}^5$ 上的算子 $T$，其最小多项式有 $5$ 个互不相同的零点。由定理 5.62（稍后证明），$T$ 可对角化。

但如果最小多项式是 $5$ 次一般多项式，即使知道可对角化，也可能无法用根式表达特征值的精确值（由 Abel-Ruffini 定理，$5$ 次以上多项式一般没有根式解）。

这说明：可对角化是一个结构性结论，与能否"算出"特征值是两回事。

不可对角化的判定——最小多项式视角

例 5.61：利用最小多项式判定不可对角化

设 $T\in \mathcal{L}({\mathbb{C}}^3)$，$T(x,y,z)=(6x+3y+4z,6y+2z,7z)$。

$M(T)=\left(\begin{array}{ccc}6& 3& 4\\ 0& 6& 2\\ 0& 0& 7\end{array}\right)$，上三角矩阵，特征值为 $6,6,7$。

验证 $(T-6I{)}^2(T-7I)=0$（直接计算可验证），但 $(T-6I)(T-7I)\ne 0$。

因此最小多项式为 $q(z)=(z-6{)}^2(z-7)$，含有 $(z-6)$ 的平方因子——有重根。

由定理 5.62（稍后证明），$T$ 不可对角化。

可对角化的充要条件——最小多项式无重根

定理 5.62：可对角化 $⟺$ 最小多项式无重根

设 $T\in \mathcal{L}(V)$。则 $T$ 可对角化当且仅当 $T$ 的最小多项式为 $(z-{\lambda }_1)(z-{\lambda }_2)\cdots (z-{\lambda }_m)$，其中 ${\lambda }_1,\dots ,{\lambda }_m$ 互不相同。

证明思路

($\Rightarrow$)方向：可对角化 $\Rightarrow$ 最小多项式无重根。

设 $T$ 可对角化，${\lambda }_1,\dots ,{\lambda }_m$ 是 $T$ 的互不相同的特征值。由定理 5.55 (c)： $V=E({\lambda }_1,T)\oplus \cdots \oplus E({\lambda }_m,T)$

定义 $q(z)=(z-{\lambda }_1)(z-{\lambda }_2)\cdots (z-{\lambda }_m)$。任取 $v\in V$，由直和分解写成 $v=v_1+\cdots +v_m$，其中 $v_k\in E({\lambda }_k,T)$。则 $q(T)v_k=q({\lambda }_k)v_k=0$（因为 $q({\lambda }_k)$ 中含因子 $({\lambda }_k-{\lambda }_k)=0$）。故 $q(T)v=0$，即 $q(T)=0$。

由5.29，最小多项式 $p$ 整除 $q$。由于 $q$ 无重根，$p$ 也无重根，故 $p=(z-{\lambda }_1)\cdots (z-{\lambda }_m)$。

---

($\Leftarrow$)方向：最小多项式无重根 $\Rightarrow$ 可对角化。

对最小多项式的根的个数 $m$ 做数学归纳法。

$m=1$：$p(z)=z-{\lambda }_1$，即 $T={\lambda }_{1}I$，显然可对角化。

$m>1$：设 $p(z)=(z-{\lambda }_1)\cdots (z-{\lambda }_m)$，${\lambda }_j$ 互不相同。令 $\lambda ={\lambda }_m$。

断言 1：$U=\text{range}(T-\lambda I)$ 在 $T$ 下不变（由5.18）。

断言 2：$T{|}_U$ 的最小多项式整除 $(z-{\lambda }_1)\cdots (z-{\lambda }_{m-1})$，无重根。由归纳假设，$T{|}_U$ 可对角化。

断言 3：$\text{range}(T-\lambda I)\cap \text{null}(T-\lambda I)=\{0\}$。

证明：设 $v\in \text{range}(T-\lambda I)\cap \text{null}(T-\lambda I)$，则 $(T-\lambda I)v=0$ 且存在 $w$ 使 $v=(T-\lambda I)w$。令 $q(z)=(z-{\lambda }_1)\cdots (z-{\lambda }_{m-1})$。则 $q(T)v=q(T)(T-\lambda I)w=p(T)w=0$。但 $q(\lambda )=(\lambda -{\lambda }_1)\cdots (\lambda -{\lambda }_{m-1})\ne 0$（因为 $\lambda ={\lambda }_m$ 与其他 ${\lambda }_k$ 互异），故 $q(T){|}_{E(\lambda ,T)}$ 是乘以 $q(\lambda )\ne 0$，可逆。因此 $v=0$。

由3.94和3.21（秩-零度定理），$\dim \text{range}+\dim \text{null}=\dim V$。由于交集为零，$\text{range}\oplus \text{null}=V$。

完成归纳：$T{|}_U$ 可对角化（断言 2），$\text{null}(T-\lambda I)=E(\lambda ,T)$。合并 $U$ 和 $E(\lambda ,T)$ 的特征向量基，得到 $V$ 的特征向量基。由 5.55 (b) $\Rightarrow$ (a)，$T$ 可对角化。$■$

核心结论

最小多项式无重根 ⟺ 可对角化。这是判定可对角化的终极工具——不需要求出特征值，只需检查最小多项式是否有重根。

深层原因：断言 3 的证明中，关键一步是 $q(\lambda )\ne 0$。当最小多项式无重根时，$q({\lambda }_k)\ne 0$ 对所有 $k$ 成立，保证了 $q(T){|}_{E({\lambda }_k,T)}$ 可逆。但如果最小多项式有重根 $(z-\lambda {)}^2$，则 $q(z)$ 中仍含 $(z-\lambda )$，导致 $q(\lambda )=0$，论证失效。

---

三、可对角化算子的性质

限制于不变子空间仍可对角化

定理 5.65：可对角化算子限制于不变子空间仍可对角化

设 $T\in \mathcal{L}(V)$ 可对角化，$U$ 是 $V$ 的在 $T$ 下不变的子空间。则 $T{|}_U$ 也可对角化。

证明思路

$T$ 可对角化 $\Rightarrow$ 由定理 5.62，$T$ 的最小多项式 $p$ 无重根，即 $p=(z-{\lambda }_1)\cdots (z-{\lambda }_m)$。

$T{|}_U$ 的最小多项式 $p_U$ 整除 $p$（由5.31，因为 $p(T)=0$ 蕴含 $p(T{|}_U)=0$）。

$p$ 无重根 $\Rightarrow$ $p_U$ 也无重根（$p_U$ 的根都是 $p$ 的根，且重数不超过 $p$ 中的重数）。

由定理 5.62，$T{|}_U$ 可对角化。$■$

证明的简洁性

这个证明极其简洁，充分体现了最小多项式判别法的威力——它把一个几何问题（不变子空间上的可对角化）转化为了一个纯代数问题（多项式整除关系）。

---

四、格什戈林圆盘定理

格什戈林圆盘的定义

定义 5.66：格什戈林圆盘（Gershgorin disk）

设 $A$ 是 $n\times n$ 矩阵。对 $j=1,\dots ,n$，第 $j$ 个格什戈林圆盘定义为复平面上的闭圆盘： $D_j=\left\{z\in \mathbb{C}:|z-A_{j,j}|\le {\sum }_{k\ne j}|A_{j,k}|\right\}$

即以对角线元素 $A_{j,j}$ 为圆心，以第 $j$ 行非对角线元素的绝对值之和为半径的圆盘。

直觉理解

格什戈林圆盘的半径 ${\sum }_{k\ne j}|A_{j,k}|$ 度量了第 $j$ 行中”非对角线元素的总影响力”。如果非对角线元素都很小（接近对角矩阵），则圆盘很小，特征值被紧紧约束在对角线元素附近。

格什戈林圆盘定理

定理 5.67：格什戈林圆盘定理（Gershgorin Disk Theorem）

设 $A$ 是 $n\times n$ 矩阵（元素在 $\mathbb{C}$ 中）。则 $A$ 的每个特征值都至少属于一个格什戈林圆盘 $D_j$。

证明思路

设 $\lambda$ 是 $A$ 的特征值，$w=(c_1,\dots ,c_n{)}^T$ 是对应的特征向量（$w\ne 0$），即 $Aw=\lambda w$。

将 $w$ 用基表示 $w={\sum }_j{c}_j{v}_j$。取使 $|c_j|$ 最大的那个 $j$（即 $|c_j|={\max }_k|c_k|$，且 $c_j\ne 0$）。

比较特征方程 $Aw=\lambda w$ 在 $v_j$ 方向上的系数： $A_{j,j}{c}_j+{\sum }_{k\ne j}{A}_{j,k}{c}_k=\lambda c_j$

改写为 $(A_{j,j}-\lambda )c_j=-{\sum }_{k\ne j}{A}_{j,k}{c}_k$。两边取绝对值： $|A_{j,j}-\lambda |\cdot |c_j|=\left|{\sum }_{k\ne j}{A}_{j,k}{c}_k\right|\le {\sum }_{k\ne j}|A_{j,k}|\cdot |c_k|$

由于 $|c_k|\le |c_j|$（$j$ 是最大分量的下标），故： ${\sum }_{k\ne j}|A_{j,k}|\cdot |c_k|\le {\sum }_{k\ne j}|A_{j,k}|\cdot |c_j|=|c_j|\cdot {\sum }_{k\ne j}|A_{j,k}|$

约去 $|c_j|>0$： $|A_{j,j}-\lambda |\le {\sum }_{k\ne j}|A_{j,k}|$

这正是说 $\lambda \in D_j$。$■$

定理的意义

格什戈林圆盘定理告诉我们，特征值”不会跑太远”——每个特征值都至少被一个以对角线元素为中心的圆盘”捕获”。

实际应用：

• 特征值的粗略定位：不需要计算特征多项式，只需看矩阵的元素就能给出特征值的范围
• 严格对角占优矩阵：如果 $|A_{j,j}|>{\sum }_{k\ne j}|A_{j,k}|$ 对所有 $j$ 成立，则每个圆盘不包含原点，矩阵可逆
• 数值稳定性：如果格什戈林圆盘彼此分离，则每个圆盘恰好包含一个特征值

格什戈林圆盘定理的应用实例

考虑矩阵： $A=\left(\begin{array}{ccc}4& 1& 0\\ 1& 3& 1\\ 0& 1& 5\end{array}\right)$

三个格什戈林圆盘为：

• $D_1$：圆心 $4$，半径 $1$，即 $|z-4|\le 1$
• $D_2$：圆心 $3$，半径 $2$，即 $|z-3|\le 2$
• $D_3$：圆心 $5$，半径 $1$，即 $|z-5|\le 1$

$A$ 的所有特征值都落在 $D_1\cup D_2\cup D_3$ 中。

---

五、知识结构总览

graph TD
    A["对角矩阵<br/>Def 5.48"] --> B["可对角化<br/>Def 5.50"]
    B --> C["特征空间<br/>Def 5.52"]
    C --> D["特征空间直和<br/>Thm 5.54"]
    D --> E["四条等价条件<br/>Thm 5.55"]
    E --> F["充分条件<br/>Thm 5.58"]
    E --> G["最小多项式无重根<br/>Thm 5.62"]
    G --> H["限制不变子空间<br/>Thm 5.65"]
    A --> I["格什戈林圆盘<br/>Def 5.66 Thm 5.67"]

---

六、核心思想与证明技巧

核心思想

1. ==可对角化 = 存在一组基使 T 只做拉伸不做旋转==——最理想的矩阵表示。对角化把算子”拆解”为各坐标方向上独立的标量乘法。
2. 可对角化有 4 种等价刻画（定理 5.55）——可根据具体情况选择最方便的验证方式：(a) 对角矩阵、(b) 特征向量基、(c) 特征空间直和分解、(d) 维数等式。
3. 最小多项式无重根是判定可对角化的终极工具——不需要求出特征值，只需检查最小多项式是否有重根。重根的存在标志着”广义特征向量”的存在，标志着 Jordan 块的出现。
4. 格什戈林圆盘提供特征值的"粗定位"——非对角元素小时特征值接近对角线元素。无需精确计算就能定位特征值，体现了”先粗后精”的数学思维。

证明技巧

1. 合并各特征空间的基构造特征向量基（定理 5.55 中 (d) $\Rightarrow$ (b)）：直和的基可以合并，$\dim V$ 个线性无关向量就是基。
2. 利用 $\text{range}(T-{\lambda }_{m}I)\cap \text{null}(T-{\lambda }_{m}I)=\{0\}$ 的维数论证（定理 5.62）：关键在于 $q(\lambda )\ne 0$ 保证 $q(T){|}_{E(\lambda ,T)}$ 可逆。
3. 对最小多项式的因式个数做归纳法（定理 5.62 的 ($\Leftarrow$) 方向）：$m$ 个根的情形通过 $\text{range}(T-{\lambda }_{m}I)$ 降为 $m-1$ 个根。
4. 利用对角化计算算子的高次幂（例 5.59）：$T^n$ 在特征向量基下就是对角矩阵的 $n$ 次幂，标量幂运算替代矩阵乘法。
5. 取最大坐标分量证明格什戈林定理（定理 5.67）：取 $|c_j|$ 最大的 $j$，利用 $|c_k|/|c_j|\le 1$ 放缩后约掉 $|c_j|$。

---

七、补充理解与易混淆点

可对角化的几何意义

Note

可对角化意味着存在一组基，使 $T$ 在每个基向量方向上只做拉伸（乘以标量），不做旋转或剪切。

不可对角化意味着存在”剪切”效应——如 Jordan 块 $\left(\begin{array}{ccc}\lambda & 1& 0\\ 0& \lambda & 1\\ 0& 0& \lambda \end{array}\right)$ 中，$T$ 在第二个基向量方向上不仅有拉伸还有”推移”。

可对角化是”最理想”的矩阵表示，但并非所有算子都能达到。在 $\mathbb{C}$ 上，每个算子都能上三角化（5.47），但只有满足最小多项式无重根的算子才能对角化（5.62）。

来源：Georgia Tech “Interactive Linear Algebra” Diagonalization 章节、Boston University “Diagonalization — Linear Algebra, Geometry, and Computation”、Ohio State “Eigenvalues and Eigenvectors” 讲义

为什么最小多项式无重根等价于可对角化

Note

最小多项式的重根对应 Jordan 块的大小——重根次数 = 最大 Jordan 块的尺寸。

无重根意味着所有 Jordan 块都是 $1\times 1$ 的，即对角矩阵。

有重根意味着存在 $\ge 2\times 2$ 的 Jordan 块，此时不可对角化。

定理 5.62 的证明不依赖 Jordan 标准形（第8章才引入），而是直接利用 range 和 null 的直和分解，这是 Axler 教材的独特处理方式。

来源：Keith Conrad (UConn) “The Minimal Polynomial and Some Applications”、CSDN “可对角化等价于极小多项式为互不相同一次式的乘积”、Vaia “Undergraduate Algebra” Ch.5

格什戈林圆盘定理的应用

Note

• 严格对角占优矩阵（$|A_{j,j}|>{\sum }_{k\ne j}|A_{j,k}|$）的格什戈林圆盘不包含原点 $\Rightarrow$ 矩阵可逆（$0$ 不是特征值）
• 非对角元素很小时，特征值接近对角线元素——这是数值方法中迭代法的理论基础
• 孤立圆盘恰好包含一个特征值（连通分支定理）

来源：UCLA ECE133B “Geršgorin bounds” (Vandenberghe)、Ohio State Ximera “Gershgorin’s Theorem”、Nebraska-Lincoln M447 Homework Solutions

常见误区

误区1："有 $n$ 个特征值就可对角化"

❌ 特征值个数等于 $\dim V$ 就可对角化 ✅ 需要 $n$ 个互不相同的特征值（定理 5.58），或特征空间维数之和等于 $\dim V$（定理 5.55(d)）。例如恒等算子 $I_3$ 只有一个特征值 $1$，但 $\dim E(1,I_3)=3=\dim V$，所以可对角化。

误区2："上三角矩阵都可对角化"

❌ 上三角矩阵一定可对角化 ✅ 上三角不保证可对角化。反例：$T(a,b,c)=(b,c,0)$ 的矩阵 $\left(\begin{array}{ccc}0& 1& 0\\ 0& 0& 1\\ 0& 0& 0\end{array}\right)$ 是上三角但不可对角化（最小多项式 $z^3$ 有重根 $0$）。

误区3："可对角化只与特征值有关"

❌ 只要知道特征值就能判断可对角化 ✅ 还需要检查特征空间的维数（几何重数）或最小多项式是否有重根。例如 $T(x,y,z)=(6x+3y+4z,6y+2z,7z)$ 有特征值 $6$ 和 $7$，但最小多项式 $(z-6{)}^2(z-7)$ 有重根 $\Rightarrow$ 不可对角化。

误区4：" $T^2$ 可对角化 $\Rightarrow$ $T$ 可对角化"

❌ 算子幂可对角化则原算子也可对角化 ✅ 反例：$T(x,y)=(y,0)$ 在 ${\mathbb{C}}^2$ 上，$T^2=0$ 可对角化（零算子），但 $T$ 的最小多项式 $z^2$ 有重根 $\Rightarrow$ $T$ 不可对角化。不过若 $T$ 可逆且 $\mathbb{F}=\mathbb{C}$，则 $T$ 可对角化 $\iff$ $T^k$ 可对角化（习题14(b)）。

误区5："格什戈林圆盘给出精确的特征值"

❌ 圆盘定理精确给出特征值的位置 ✅ 圆盘定理只给出特征值的包含区域，不精确。但当非对角元素相对于对角元素很小时，圆盘很小，特征值被精确定位。这是严格对角占优矩阵可逆的理论基础。

误区6："实算子不可能可对角化"

❌ 实数域上算子不能可对角化 ✅ 若最小多项式在 $\mathbb{R}$ 上可分解为不同一次因式之积，实算子也可对角化。例如 $T(x,y)=(2x,5y)$ 在 ${\mathbb{R}}^2$ 上可对角化（最小多项式 $(z-2)(z-5)$ 在 $\mathbb{R}$ 上可分解）。关键是最小多项式能否在 $\mathbb{F}$ 上分解，而非 $\mathbb{F}$ 的选择。

---

八、习题精选

推荐习题

编号	标题	核心考点	难度
1	$T^4=I$ 和 $T^4=T$ 的可对角化	最小多项式无重根	低
2	$\text{null}(T-\lambda I)\oplus \text{range}(T-\lambda I)$	等价刻画	中
3	相同特征值的三维算子相似	可对角化+相似	中
4	$T^2$ 可对角化但 $T$ 不可对角化	算子幂	中
5	最小多项式与导数的公因式	无需零点信息	高
6	不变子空间的刻画	特征空间	高
7	斐波那契数列的对角化	经典应用	高

习题1：$T^4=I$ 和 $T^4=T$ 的可对角化

习题1

(a) 如果 $T^4=I$，那么 $T$ 可对角化。(b) 如果 $T^4=T$，那么 $T$ 可对角化。(c) 给出一例：$T\in \mathcal{L}({\mathbb{C}}^2)$ 使得 $T^4=T^2$ 且 $T$ 不可对角化。

查看解答

(a) $T^4-I=0$，即 $(T^2-I)(T^2+I)=0$，即 $(T-I)(T+I)(T^2+I)=0$。

在 $\mathbb{C}$ 上，$T^2+I=(T-iI)(T+iI)$，故 $T^4-I=(T-I)(T+I)(T-iI)(T+iI)=0$。

最小多项式整除 $(z-1)(z+1)(z-i)(z+i)$，无重根 $\Rightarrow$ 可对角化（5.62）。

(b) $T^4-T=0$，即 $T(T^3-I)=0$，即 $T(T-I)(T^2+T+I)=0$。

在 $\mathbb{C}$ 上，$T^2+T+I$ 的零点为 $\frac{-1\pm \sqrt{3}i}{2}$（即 ${\omega }_3$ 和 ${\omega }_3^2$，三次单位根），故 $T^2+T+I=(T-{\omega }_{3}I)(T-{\omega }_3^{2}I)$。

最小多项式整除 $z(z-1)(z-{\omega }_3)(z-{\omega }_3^2)$，在 $\mathbb{C}$ 上无重根 $\Rightarrow$ 可对角化。

(c) $T(x,y)=(y,0)$。$T^2=0$，$T^4=0=T^2$。$T$ 的最小多项式是 $z^2$（有重根）$\Rightarrow$ $T$ 不可对角化。

习题5：$\text{null}(T-\lambda I)\oplus \text{range}(T-\lambda I)$

习题5

$V$ 是有限维复向量空间，$T\in \mathcal{L}(V)$。证明：$T$ 可对角化 $\iff$ $V=\text{null}(T-\lambda I)\oplus \text{range}(T-\lambda I)$ 对任一 $\lambda \in \mathbb{C}$ 成立。

查看解答

($\Rightarrow$) $T$ 可对角化 $\Rightarrow$ 最小多项式 $=(z-{\lambda }_1)\cdots (z-{\lambda }_m)$（5.62）。

对任意 $\lambda \in \mathbb{C}$：

• 若 $\lambda$ 不是特征值，$\text{null}(T-\lambda I)=\{0\}$，$T-\lambda I$ 可逆，$\text{range}(T-\lambda I)=V$，直和成立。
• 若 $\lambda ={\lambda }_j$ 是特征值，则由 5.62 的证明（断言 3），$\text{range}(T-{\lambda }_{j}I)\oplus \text{null}(T-{\lambda }_{j}I)=V$。

($\Leftarrow$) 取 $\lambda$ 为 $T$ 的任意特征值。由条件，$\text{range}(T-\lambda I)\cap \text{null}(T-\lambda I)=\{0\}$。由3.94和3.21，$\dim \text{range}+\dim \text{null}=\dim V$。

对每个特征值 ${\lambda }_j$，$\dim E({\lambda }_j,T)=\dim \text{null}(T-{\lambda }_{j}I)$。由 5.55 (d)，$T$ 可对角化。

习题9：相同特征值的三维算子相似

习题9

$R,T\in \mathcal{L}({\mathbb{F}}^3)$ 都有特征值 $2$、$6$ 和 $7$。证明：存在可逆算子 $S\in \mathcal{L}({\mathbb{F}}^3)$ 使得 $R=S^{-1}TS$。

查看解答

$R$ 和 $T$ 各有 $3$ 个互不相同的特征值 $\Rightarrow$ 由 5.58，$R$ 和 $T$ 都可对角化。

设 $R$ 关于基 $u_1,u_2,u_3$ 的矩阵为 $\text{diag}(2,6,7)$，$T$ 关于基 $v_1,v_2,v_3$ 的矩阵为 $\text{diag}(2,6,7)$。

定义 $S\in \mathcal{L}({\mathbb{F}}^3)$ 为 $S(u_j)=v_j$。则 $S$ 可逆（将一组基映为另一组基）。

验证：$S^{-1}TS(u_j)=S^{-1}T(v_j)=S^{-1}({\lambda }_j{v}_j)={\lambda }_j{S}^{-1}(v_j)={\lambda }_j{u}_j=R(u_j)$。

故 $R=S^{-1}TS$。$■$

习题14：$T^2$ 可对角化但 $T$ 不可对角化

习题14

(a) 给出一例：有限维复向量空间和算子 $T$，使得 $T^2$ 可对角化但 $T$ 不可对角化。(b) 设 $\mathbb{F}=\mathbb{C}$，$k$ 是正整数，$T\in \mathcal{L}(V)$ 可逆。证明：$T$ 可对角化 $\iff$ $T^k$ 可对角化。

查看解答

(a) $T\in \mathcal{L}({\mathbb{C}}^2)$，$T(x,y)=(y,0)$。$T^2=0$ 可对角化（零算子），但 $T$ 的最小多项式 $z^2$ 有重根 $\Rightarrow$ $T$ 不可对角化。

(b)

($\Rightarrow$) $T$ 可对角化 $\Rightarrow$ 存在特征向量基使 $M(T)=\text{diag}({\lambda }_1,\dots ,{\lambda }_n)$。则 $M(T^k)=\text{diag}({\lambda }_1^k,\dots ,{\lambda }_n^k)$，仍为对角矩阵 $\Rightarrow$ $T^k$ 可对角化。

($\Leftarrow$) 设 $T^k$ 可对角化。$T$ 可逆 $\Rightarrow$ $0$ 不是 $T$ 的特征值 $\Rightarrow$ $T$ 的最小多项式 $p(z)$ 的常数项 $\ne 0$，$p(z)$ 的每个零点 $\lambda \ne 0$。

$T^k$ 可对角化 $\Rightarrow$ $T^k$ 的最小多项式 $q(z)$ 无重根（5.62）。

$p(T)=0\Rightarrow p(T^k)=0$（因为 $p(T^k)=p(T^k)$，且 $T^k$ 的多项式也是 $T$ 的多项式）。实际上更直接：$p(z)$ 整除某个 $r(z)$ 使得 $r(T^k)=0$。但更简洁的证法是：

$T^k$ 的最小多项式 $q$ 无重根。$p(T)=0\Rightarrow$ 存在多项式 $h$ 使得 $p(z)|h(z^k)$（因为 $T$ 的特征值 ${\lambda }_j\ne 0$，$z^k-{\lambda }_j^k=(z-{\lambda }_j)(z-{\omega }_k{\lambda }_j)\cdots (z-{\omega }_k^{k-1}{\lambda }_j)$，其中 ${\omega }_k$ 是 $k$ 次单位根）。

更直接的证法：$p(z)$ 整除 $q(z^k)$（因为 $q(T^k)=0$ 意味着 $q(z^k)$ 是 $T$ 的零化多项式）。$q$ 无重根 $\Rightarrow$ $q(z^k)$ 的每个不可约因式形如 $(z-{\lambda }_j)$（因为 ${\lambda }_j\ne 0$，$z^k-{\mu }_j$ 的根互不相同），故 $p$ 无重根 $\Rightarrow$ $T$ 可对角化（5.62）。

习题15：最小多项式与导数的公因式

习题15

$V$ 是有限维复向量空间，$T\in \mathcal{L}(V)$，$p$ 是 $T$ 的最小多项式。证明下列等价：(a) $T$ 可对角化。(b) 不存在 $\lambda \in \mathbb{C}$ 使得 $p$ 是 $(z-\lambda {)}^2$ 的多项式倍。(c) $p$ 和 $p^{\prime }$ 没有公共零点。(d) $p$ 和 $p^{\prime }$ 的最大公因式是常多项式 $1$。

查看解答

(a) $\iff$ (b)：由 5.62，$T$ 可对角化 $\iff$ 最小多项式 $=(z-{\lambda }_1)\cdots (z-{\lambda }_m)$ 无重根 $\iff$ 不存在 $\lambda$ 使 $(z-\lambda {)}^2|p$。

(b) $\iff$ (c)：$(z-\lambda {)}^2|p$ $\iff$ $\lambda$ 是 $p$ 的零点且 $p^{\prime }(\lambda )=0$。

证明：若 $p(z)=(z-\lambda {)}^{2}q(z)$，则 $p^{\prime }(z)=2(z-\lambda )q(z)+(z-\lambda {)}^2{q}^{\prime }(z)$，故 $p^{\prime }(\lambda )=0$。反之，若 $\lambda$ 是 $p$ 的零点且 $p^{\prime }(\lambda )=0$，则 $\lambda$ 至少是 $p$ 的二重零点（否则 $p(z)=(z-\lambda )q(z)$，$q(\lambda )\ne 0$，$p^{\prime }(\lambda )=q(\lambda )\ne 0$，矛盾），故 $(z-\lambda {)}^2|p$。

因此 $p$ 和 $p^{\prime }$ 有公共零点 $\iff$ 存在 $\lambda$ 使 $(z-\lambda {)}^2|p$。

(c) $\iff$ (d)：$p$ 和 $p^{\prime }$ 的最大公因式非常数 $\iff$ 它们有公共零点（在 $\mathbb{C}$ 上，非常数多项式至少有一个零点）。

因此 (a) $\iff$ (b) $\iff$ (c) $\iff$ (d)。$■$

注：(d) 的意义在于：可用欧几里得算法求 $\gcd (p,p^{\prime })$，==不需要知道 $p$ 的零点==！

习题16：不变子空间的刻画

习题16

$T\in \mathcal{L}(V)$ 可对角化，${\lambda }_1,\dots ,{\lambda }_m$ 是 $T$ 的所有互异特征值。证明：$V$ 的子空间 $U$ 在 $T$ 下不变 $\iff$ 存在 $U_1,\dots ,U_m$ 使得 $U_k\subseteq E({\lambda }_k,T)$ 且 $U=U_1\oplus \cdots \oplus U_m$。

查看解答

($\Leftarrow$) 若 $U_k\subseteq E({\lambda }_k,T)$，则 $T{U}_k\subseteq T(E({\lambda }_k,T))={\lambda }_{k}E({\lambda }_k,T)\subseteq E({\lambda }_k,T)$。故 $T(U_1\oplus \cdots \oplus U_m)\subseteq U_1\oplus \cdots \oplus U_m$。

($\Rightarrow$) 设 $U$ 在 $T$ 下不变。因为 $T$ 可对角化，$V=E({\lambda }_1,T)\oplus \cdots \oplus E({\lambda }_m,T)$。

对 $u\in U$，唯一写成 $u=u_1+\cdots +u_m$，$u_k\in E({\lambda }_k,T)$。

定义投影 $P_k:V\to E({\lambda }_k,T)$。由 Lagrange 插值，$P_k$ 可以表示为 $T$ 的多项式：$P_k={\prod }_{j\ne k}\frac{T-{\lambda }_{j}I}{{\lambda }_k-{\lambda }_j}$。

因为 $U$ 在 $T$ 下不变，$U$ 也在 $T$ 的多项式下不变，故 $P_k(U)\subseteq U$。

令 $U_k=P_k(U)\subseteq U\cap E({\lambda }_k,T)$。则 $U=U_1\oplus \cdots \oplus U_m$（因为 $u=\sum P_{k}u$，且各 $P_k$ 的像互不相交）。$■$

习题21：斐波那契数列的对角化

习题21

斐波那契数列定义为 $F_0=0,F_1=1,F_n=F_{n-2}+F_{n-1}$ ($n\ge 2$)。定义 $T\in \mathcal{L}({\mathbb{R}}^2)$ 为 $T(x,y)=(y,x+y)$。 (a) 证明 $T^n(0,1)=(F_n,F_{n+1})$。 (b) 求 $T$ 的特征值。 (c) 求 ${\mathbb{R}}^2$ 的一个由 $T$ 的特征向量构成的基。 (d) 用 (c) 计算 $T^n(0,1)$，得出 $F_n=\frac{1}{\sqrt{5}}\left({\left(\frac{1+\sqrt{5}}{2}\right)}^n-{\left(\frac{1-\sqrt{5}}{2}\right)}^n\right)$。 (e) 证明 $F_n$ 是最接近 ${\left(\frac{1+\sqrt{5}}{2}\right)}^n/\sqrt{5}$ 的整数。

查看解答

(a) 归纳法。

$n=0$：$T^0(0,1)=(0,1)=(F_0,F_1)$ ✓

$n=1$：$T(0,1)=(1,0+1)=(1,1)=(F_1,F_2)$ ✓

归纳步骤：若 $T^n(0,1)=(F_n,F_{n+1})$，则 $T^{n+1}(0,1)=T(F_n,F_{n+1})=(F_{n+1},F_n+F_{n+1})=(F_{n+1},F_{n+2})$ ✓

(b) $M(T)=\left(\begin{array}{cc}0& 1\\ 1& 1\end{array}\right)$。特征方程： $\det \left(\begin{array}{cc}-\lambda & 1\\ 1& 1-\lambda \end{array}\right)={\lambda }^2-\lambda -1=0$

解得 $\lambda =\frac{1\pm \sqrt{5}}{2}$。记 $\phi =\frac{1+\sqrt{5}}{2}$（黄金比例），$\psi =\frac{1-\sqrt{5}}{2}$。

(c) ${\lambda }_1=\phi$：$\left(\begin{array}{cc}-\phi & 1\\ 1& 1-\phi \end{array}\right)\left(\begin{array}{c}x\\ y\end{array}\right)=0$，取特征向量 $(1,\phi )$。

${\lambda }_2=\psi$：$\left(\begin{array}{cc}-\psi & 1\\ 1& 1-\psi \end{array}\right)\left(\begin{array}{c}x\\ y\end{array}\right)=0$，取特征向量 $(1,\psi )$。

$(1,\phi )$ 和 $(1,\psi )$ 线性无关（$\phi \ne \psi$），构成 ${\mathbb{R}}^2$ 的基。

(d) 将 $(0,1)$ 用特征向量基表示。

设 $(0,1)=a(1,\phi )+b(1,\psi )$，即： $a+b=0,a\phi +b\psi =1$

由第一式 $b=-a$，代入第二式：$a(\phi -\psi )=1$，故 $a=\frac{1}{\phi -\psi }=\frac{1}{\sqrt{5}}$，$b=-\frac{1}{\sqrt{5}}$。

因此： $T^n(0,1)=\frac{1}{\sqrt{5}}{\phi }^n(1,\phi )-\frac{1}{\sqrt{5}}{\psi }^n(1,\psi )=\frac{1}{\sqrt{5}}({\phi }^n-{\psi }^n,{\phi }^{n+1}-{\psi }^{n+1})$

比较第一个分量：$F_n=\frac{{\phi }^n-{\psi }^n}{\sqrt{5}}=\frac{1}{\sqrt{5}}\left({\left(\frac{1+\sqrt{5}}{2}\right)}^n-{\left(\frac{1-\sqrt{5}}{2}\right)}^n\right)$。

这就是著名的 Binet 公式。

(e) $|\psi |=\frac{\sqrt{5}-1}{2}\approx 0.618<1$，故 $|{\psi }^n/\sqrt{5}|<1/2$（当 $n\ge 1$ 时）。

$F_n={\phi }^n/\sqrt{5}-{\psi }^n/\sqrt{5}$，其中 $|{\psi }^n/\sqrt{5}|<1/2$。

因此 $F_n$ 是距离 ${\phi }^n/\sqrt{5}$ 最近的整数。$■$

---

九、视频学习指南

视频资源

资源	主题	链接
3Blue1Brown	特征值与特征向量（直觉理解）	Essence of Linear Algebra
Dr. Peyam	Diagonalization	YouTube
Michael Penn	Gershgorin Circle Theorem	YouTube
Zach Star	线性代数核心概念	YouTube

视频精要

• 3Blue1Brown 的特征值视频提供了极佳的几何直觉——特征向量是”变换中方向不变的向量”，特征值是”拉伸因子”，适合作为本节的入门
• Dr. Peyam 的对角化视频更贴近教材风格，适合深入学习证明细节
• Michael Penn 的格什戈林圆盘定理视频有清晰的证明演示，适合配合定理 5.67 学习
• 建议先看 3Blue1Brown 建立直觉，再结合教材和本笔记学习严格证明

---

十、教材原文

可对角化