第 5 章 复向量空间上的算子 — 章节汇总

全章概览

第 5 章是线性代数的”算子核心篇”——它将第 3 章的一般线性映射聚焦到算子 $T\in \mathcal{L}(V)$（从空间到自身的映射），引入特征值与特征向量作为理解算子行为的基本工具。本章从不变子空间出发，建立最小多项式理论，证明复向量空间上每个算子都可上三角化（Schur 分解的抽象形式），给出可对角化的多重等价刻画，最后研究可交换算子的同时对角化与同时上三角化。

逻辑链条：算子定义 → 不变子空间 → 特征值/特征向量 → 线性无关性 → $p(T)$ → 最小多项式 → 上三角矩阵 → 特征值=对角线 → 可对角化 → 最小多项式无重根 → 可交换算子 → 同时对角化/上三角化

核心主线：特征值是算子的”DNA”，最小多项式是”基因图谱”，上三角化是”最简表示的第一步”，对角化是”最简表示的终极目标”

---

一、全章知识框架思维导图

graph TB
    A["第5章 复向量空间上的算子"] --> B["5A 不变子空间与特征值"]
    A --> C["5B 最小多项式"]
    A --> D["5C 上三角矩阵"]
    A --> E["5D 可对角化算子"]
    A --> F["5E 可交换算子"]
    B -->|"特征值存在性"| C
    B -->|"p的不变性"| C
    C -->|"最小多项式可分解"| D
    D -->|"对角线即特征值"| E
    E -->|"特征空间直和"| F
    B -.->|"第7章 谱定理"| G["后续章节"]
    C -.->|"第8章 广义特征向量"| H["后续章节"]
    D -.->|"第6章 内积空间"| I["后续章节"]
    F -.->|"第7章 正规算子"| J["后续章节"]

---

二、全章核心知识点与重点公式汇总

5A 不变子空间、特征值和特征向量（5A 不变子空间、特征值和特征向量）

编号	类型	名称	内容
5.1	定义	==算子==	$T\in \mathcal{L}(V)$，从向量空间到自身的线性映射
5.2	定义	==不变子空间==	$U\subseteq V$ 在 $T$ 下不变：$Tu\in U$ 对所有 $u\in U$
5.5	定义	==特征值==	$\exists v\ne 0$ 使 $Tv=\lambda v$
5.7	定理	特征值的等价条件	$\lambda$ 是特征值 $\iff$ $T-\lambda I$ 不是单射/满射/不可逆
5.8	定义	==特征向量==	$v\ne 0$ 且 $Tv=\lambda v$，即 $v\in \text{null}(T-\lambda I)$
5.11	定理	不同特征值的特征向量线性无关	对应互异特征值的特征向量组线性无关
5.12	定理	特征值个数上界	互异特征值个数 $\le \dim V$
5.14	记号	$p(T)$	多项式作用于算子：$p(T)=a_{0}I+a_{1}T+\cdots +a_m{T}^m$
5.17	定理	乘积性质	$(pq)(T)=p(T)q(T)$，$p(T)q(T)=q(T)p(T)$
5.18	定理	$p(T)$ 的零空间和值域不变	$\text{null}p(T)$ 和 $\text{range}p(T)$ 在 $T$ 下不变

5B 最小多项式（5B 最小多项式）

编号	类型	名称	内容
5.19	定理	==复向量空间上特征值的存在性==	有限维复向量空间上每个算子都有特征值
5.21	定义	首一多项式	最高次项系数为 $1$ 的多项式
5.22/5.24	定理/定义	==最小多项式==	唯一首一多项式 $p$ 使 $p(T)=0$，$\mathrm{deg}p\le \dim V$，$p\mid q$ 若 $q(T)=0$
5.27	定理	特征值=最小多项式的零点	$\lambda$ 是特征值 $\iff$ $p(\lambda )=0$
5.29	定理	$q(T)=0$ 的充要条件	$q(T)=0$ $\iff$ $p\mid q$（$p$ 为最小多项式）
5.31	定理	受限算子的最小多项式	$T
5.32	定理	可逆性判定	$T$ 不可逆 $\iff$ 最小多项式常数项为 $0$
5.33	定理	偶数维的零空间	无特征值时 $\dim \text{null}(T^2+I)$ 是偶数
5.34	定理	==奇数维实空间总有特征值==	奇数维实向量空间上每个算子都有特征值

5C 上三角矩阵（5C 上三角矩阵）

编号	类型	名称	内容
5.35	定义	==算子的矩阵== $\mathcal{M}(T)$	方阵，第 $k$ 列 = $T{v}_k$ 在基下的坐标
5.37	定义	矩阵的对角线	$A_{1,1},A_{2,2},\dots ,A_{n,n}$
5.38	定义	==上三角矩阵==	对角线以下所有元素为零
5.39	定理	上三角矩阵的等价条件	上三角 $\iff$ $\text{span}(v_1,\dots ,v_k)$ 在 $T$ 下不变 $\iff$ $T{v}_k\in \text{span}(v_1,\dots ,v_k)$
5.40	定理	上三角算子满足的等式	$(T-{\lambda }_{1}I)\cdots (T-{\lambda }_{n}I)=0$
5.41	定理	==特征值=对角线元素==	上三角矩阵的对角线元素恰为全部特征值
5.44	定理	上三角矩阵存在的充要条件	有上三角矩阵 $\iff$ 最小多项式可分解为一次因式之积
5.47	定理	==$\mathbb{C}$ 上每个算子都可上三角化==	复向量空间上 $T$ 总有上三角矩阵（Schur 分解）

5D 可对角化算子（5D 可对角化算子）

编号	类型	名称	内容
5.48	定义	对角矩阵	对角线之外全为零的方阵
5.50	定义	==可对角化==	存在基使 $\mathcal{M}(T)$ 为对角矩阵
5.52	定义	==特征空间== $E(\lambda ,T)$	$\text{null}(T-\lambda I)=\{v:Tv=\lambda v\}$
5.54	定理	特征空间之和是直和	$E({\lambda }_1,T)+\cdots +E({\lambda }_m,T)$ 是直和，维数之和 $\le \dim V$
5.55	定理	==可对角化的四条等价条件==	可对角化 $\iff$ 特征向量基 $\iff$ 特征空间直和分解 $\iff$ 维数等式
5.58	定理	互异特征值足够多则可对角化	$\dim V$ 个互异特征值 $\Rightarrow$ 可对角化
5.62	定理	==可对角化 $\iff$ 最小多项式无重根==	最小多项式为 $(z-{\lambda }_1)\cdots (z-{\lambda }_m)$，${\lambda }_j$ 互不相同
5.65	定理	限制于不变子空间仍可对角化	$T$ 可对角化且 $U$ 不变 $\Rightarrow$ $T
5.66	定义	格什戈林圆盘	$D_j={z:
5.67	定理	格什戈林圆盘定理	每个特征值至少属于一个格什戈林圆盘

5E 可交换算子（5E 可交换算子）

编号	类型	名称	内容
5.71	定义	==可交换==	$ST=TS$
5.74	命题	可交换算子对应可交换矩阵	$ST=TS$ $\iff$ $\mathcal{M}(S)\mathcal{M}(T)=\mathcal{M}(T)\mathcal{M}(S)$（同基下）
5.75	引理	==特征空间在可交换算子下不变==	$ST=TS$ $\Rightarrow$ $E(\lambda ,S)$ 在 $T$ 下不变
5.76	定理	==同时对角化 $\iff$ 可交换==	两个可对角化算子可同时对角化当且仅当可交换
5.78	定理	公共特征向量	复向量空间上每对可交换算子都有公共特征向量
5.80	定理	同时上三角化	复向量空间上可交换算子可同时上三角化
5.81	定理	和与积的特征值	$S+T$ 的特征值 $=$ $S$ 的特征值 $+$ $T$ 的特征值；$ST$ 类似（乘积）

---

三、章节学习脉络梳理

5A 不变子空间、特征值和特征向量

核心问题：算子作用在空间上时，哪些子空间是”稳定”的？算子的”固有方向”是什么？

• 算子 $T\in \mathcal{L}(V)$ 是从空间到自身的线性映射——它可以取幂 $T^m$，这是算子区别于一般线性映射的关键
• 不变子空间是”分而治之”的工具：若 $V=V_1\oplus \cdots \oplus V_m$ 且每个 $V_k$ 不变，则理解 $T$ 归结为理解各 $T{|}_{V_k}$
• 一维不变子空间自然导出特征值与特征向量：$Tv=\lambda v$ 意味着 $T$ 将 $v$ 映射到其所在直线上
• 定理 5.7 给出特征值的四条等价条件，其中”$T-\lambda I$ 不可逆”最实用
• 不同特征值对应的特征向量线性无关（5.11），由此得特征值个数 $\le \dim V$（5.12）
• $p(T)$ 的理论为下一节做准备：$p(T)$ 与 $T$ 可交换（5.17），$\text{null}p(T)$ 和 $\text{range}p(T)$ 在 $T$ 下不变（5.18）

关键收获：特征值和特征向量是理解算子行为的最基本工具。不变子空间提供了”分而治之”的框架，而一维不变子空间恰好对应特征向量。

5B 最小多项式

核心问题：如何”消灭”一个算子？算子的特征值信息能否被一个多项式完全编码？

• 复向量空间上每个算子都有特征值（5.19）——这是全章最重要的存在性定理，证明利用了代数基本定理
• 最小多项式是”消灭”算子的次数最低的首一多项式：$p(T)=0$，$\mathrm{deg}p\le \dim V$，且整除所有满足 $q(T)=0$ 的 $q$
• 特征值恰好是最小多项式的零点（5.27）——最小多项式编码了全部特征值信息
• $q(T)=0$ $\iff$ $p\mid q$（5.29）：最小多项式是算子的”DNA”
• 可逆性判定（5.32）：$T$ 不可逆 $\iff$ 最小多项式常数项为 $0$（即 $0$ 是特征值）
• 奇数维实向量空间上每个算子都有特征值（5.34）——利用偶数维零空间定理（5.33）和商空间归纳法证明

关键收获：最小多项式是算子的”基因图谱”——它不仅决定了特征值的存在性和可逆性，还为后续可对角化判据（5.62）和上三角化充要条件（5.44）奠定基础。

5C 上三角矩阵

核心问题：能否通过选取合适的基使算子的矩阵尽可能简单？

• 算子的矩阵 $\mathcal{M}(T)$ 一定是方阵——与一般线性映射的长方形矩阵不同
• 上三角矩阵对应一组嵌套的不变子空间链：$\{0\}\subseteq \text{span}(v_1)\subseteq \cdots \subseteq V$
• 上三角算子满足 $(T-{\lambda }_{1}I)\cdots (T-{\lambda }_{n}I)=0$（5.40）——这是连接上三角矩阵与特征值的桥梁
• ==特征值=对角线元素==（5.41）：上三角矩阵的对角线直接给出全部特征值
• 存在上三角矩阵 $\iff$ 最小多项式可分解为一次因式之积（5.44）——取决于域 $\mathbb{F}$ 的选择
• ==$\mathbb{C}$ 上每个算子都可上三角化==（5.47）——本质上是 Schur 分解的抽象形式，由代数基本定理保证

关键收获：上三角矩阵是”最简矩阵表示”的第一步。在复数域上，每个算子都可以上三角化，特征值可以直接从对角线读出。这是后续对角化理论和谱定理的基础。

5D 可对角化算子

核心问题：什么时候算子可以”最简化”为对角矩阵？如何判定？

• 可对角化意味着存在特征向量基——对角矩阵使算子的幂、多项式、逆的计算极其简单
• 特征空间 $E(\lambda ,T)=\text{null}(T-\lambda I)$ 是对应于 $\lambda$ 的所有特征向量加上零向量
• 特征空间之和是直和（5.54），维数之和 $\le \dim V$
• 可对角化的四条等价条件（5.55）：可对角化 $\iff$ 特征向量基 $\iff$ 特征空间直和分解 $\iff$ 维数等式
• ==可对角化 $\iff$ 最小多项式无重根==（5.62）：这是判定可对角化的终极工具
• 可对角化算子限制于不变子空间仍可对角化（5.65）——5E 中同时对角化的关键引理
• 格什戈林圆盘定理（5.67）给出特征值的定位工具——不需要计算特征多项式

关键收获：可对角化是算子”最理想”的矩阵表示。判定可对角化有两条路线：几何路线（维数等式 5.55(d)）和代数路线（最小多项式无重根 5.62），后者往往更高效。

5E 可交换算子

核心问题：两个算子何时能共享同一组”优良基”？

• 可交换 $ST=TS$ 是一个极强的约束条件——随机矩阵对中仅约 $0.3\%$ 可交换
• 特征空间在可交换算子下不变（5.75）——这是本节所有后续定理的基础，证明核心是利用 $ST=TS$ 交换作用顺序
• ==可对角化算子可同时对角化 $\iff$ 可交换==（5.76）：本节最重要的定理，充分性证明展示精妙的”分治”策略
• 复向量空间上每对可交换算子都有公共特征向量（5.78）——在 $S$ 的特征空间里找 $T$ 的特征向量
• 可交换算子可同时上三角化（5.80）——不要求可对角化，推广了 5.47
• 和与积的特征值公式（5.81）：$S+T$ 的特征值 $=$ $S$ 的特征值 $+$ $T$ 的特征值（类似乘积）

关键收获：可交换性看似简单的代数条件，却蕴含深刻的结构信息——它保证了特征空间的不变性，从而使得两个算子可以共享同一组优良基。这对理解谱定理中正规算子的同时对角化至关重要。

---

四、补充理解与跨章展望

4.1 第 5 章的核心方法论

第 5 章建立了算子理论的三大核心方法论：

1. “选取好基”策略：通过选取使 $\mathcal{M}(T)$ 尽可能简单的基来理解算子。上三角矩阵是第一步（5.47），对角矩阵是终极目标（5.55）。这一策略在第 7 章谱定理中达到顶峰——正规算子关于标准正交基有对角矩阵。

2. “最小多项式”判别法：最小多项式统一了特征值存在性（5.27）、可逆性判定（5.32）、上三角化充要条件（5.44）和可对角化判据（5.62）。在第 8 章中，最小多项式的因式分解将导出广义特征空间分解。

3. “分而治之”的分解思想：不变子空间将 $V$ 分解为更小的子空间，在每个子空间上分别研究算子。特征空间直和分解（5.55(c)）是最理想的情形。在第 8 章中，广义特征空间分解将这一思想推广到不可对角化的情形。

4.2 第 5 章与后续章节的关联地图

第 5 章概念	后续章节中的深化
算子 $T\in \mathcal{L}(V)$	第 6 章：内积空间上的算子、伴随算子 $T^{\ast }$
不变子空间	第 7 章：不变子空间在谱定理证明中的核心作用
特征值/特征向量	第 7 章：正规算子的特征值都是实数/特征向量标准正交
最小多项式	第 8 章：Cayley-Hamilton 定理、广义特征空间分解
上三角矩阵（5.47）	第 7 章：Schur 分解的精确形式（标准正交基版本）
可对角化（5.55）	第 7 章：正规算子可对角化（谱定理 7.24）
最小多项式无重根（5.62）	第 8 章：最小多项式的因式分解与广义特征空间
特征空间 $E(\lambda ,T)$	第 8 章：广义特征空间 $G(\lambda ,T)$
可交换算子（5.76）	第 7 章：正规算子与 $T^{\ast }$ 可交换（$T{T}^{\ast }=T^{\ast }T$）
同时对角化（5.76）	第 7 章：正规算子族的同时对角化
同时上三角化（5.80）	第 7 章：可交换正规算子族的同时对角化
换基公式 $A=C^{-1}BC$（3D 可逆性和同构）	第 5 章：相似矩阵有相同的特征值、迹和行列式
基本定理 3.21（3B 零空间和值域）	第 5 章：特征空间维数之和 $\le \dim V$（5.54）
商空间 $V/U$（3E 向量空间的积和商）	第 5 章：奇数维特征值存在性证明（5.34）
对偶空间 $V^{\prime }$（3F 对偶）	第 7 章：Riesz 表示定理使 $V\cong V^{\prime }$ 自然化

4.3 为什么第 5 章是算子理论的基石？

第 5 章建立了算子理论的四大支柱：

• 特征值理论：特征值和特征向量是理解算子行为的最基本工具。第 7 章的谱定理和第 8 章的 Jordan 标准形都是特征值理论的深化。

• 最小多项式：最小多项式是算子的”基因图谱”，统一了特征值存在性、可逆性、上三角化和可对角化的判别。第 8 章的 Cayley-Hamilton 定理是最小多项式理论的巅峰。

• 上三角化：$\mathbb{C}$ 上每个算子都可上三角化（5.47），这是 Schur 分解的抽象形式。第 7 章将这一结果加强为”关于标准正交基可上三角化”。

• 可对角化：可对角化的四条等价条件（5.55）和最小多项式判据（5.62）提供了完整的判定工具。第 7 章将证明正规算子一定可对角化——这是谱定理的核心。

可以毫不夸张地说：第 5 章将第 3 章的"一般映射理论"聚焦到"算子理论"，建立了从抽象到具体的完整桥梁，是后续谱定理和 Jordan 标准形理论的直接基础。

---

五、全章总复习题

使用说明

以下复习题覆盖第 5 章全部五节的核心知识点。建议在不查阅笔记的情况下独立完成，然后对照答案自评。每题标注了考查的节次和知识点。

A. 不变子空间与特征值（5A）

A1. 设 $T\in \mathcal{L}({\mathbb{C}}^2)$，$T(z_1,z_2)=(z_2,z_1)$。求 $T$ 的所有特征值和对应的特征空间。

查看解答

$T(z_1,z_2)=(z_2,z_1)=\lambda (z_1,z_2)$ 即 $z_2=\lambda z_1$ 且 $z_1=\lambda z_2$。

代入得 $z_1={\lambda }^2{z}_1$，故 ${\lambda }^2=1$，$\lambda =1$ 或 $\lambda =-1$。

• $\lambda =1$：$z_2=z_1$，$E(1,T)=\text{span}((1,1))$。
• $\lambda =-1$：$z_2=-z_1$，$E(-1,T)=\text{span}((1,-1))$。

$\dim E(1,T)+\dim E(-1,T)=1+1=2=\dim {\mathbb{C}}^2$，故 $T$ 可对角化。$■$

A2. 设 $T\in \mathcal{L}(V)$，$U$ 是 $V$ 的子空间。证明：$U$ 在 $T$ 下不变当且仅当 $T{|}_U$ 是 $U$ 上的算子。

查看解答

($\Rightarrow$)：$U$ 在 $T$ 下不变，即对每个 $u\in U$ 有 $Tu\in U$。因此 $T{|}_U:U\to U$ 是良定义的线性映射，即 $U$ 上的算子。

($\Leftarrow$)：$T{|}_U$ 是 $U$ 上的算子意味着 $T{|}_U:U\to U$，即对每个 $u\in U$ 有 $Tu=T{|}_U(u)\in U$。故 $U$ 在 $T$ 下不变。$■$

B. 最小多项式（5B）

B1. 设 $T\in \mathcal{L}({\mathbb{C}}^3)$ 的最小多项式为 $p(z)=(z-2)(z-5)(z-8)$。求 $T$ 的所有特征值，并判断 $T$ 是否可对角化。

查看解答

由定理 5.27，特征值 = 最小多项式的零点 = $\{2,5,8\}$。

最小多项式无重根（三个一次因式互不相同），由定理 5.62，$T$ 可对角化。$■$

B2. 设 $T\in \mathcal{L}(V)$ 不可逆。证明 $0$ 是 $T$ 的特征值。

查看解答

$T$ 不可逆 $\iff$ 最小多项式 $p$ 的常数项为 $0$（定理 5.32）$\iff$ $p(0)=0$ $\iff$ $0$ 是 $p$ 的零点 $\iff$ $0$ 是 $T$ 的特征值（定理 5.27）。$■$

C. 上三角矩阵（5C）

C1. 设 $T\in \mathcal{L}({\mathbb{C}}^4)$ 关于某基的矩阵为 $\left(\begin{array}{cccc}3& 7& 1& 2\\ 0& 5& 8& 3\\ 0& 0& 3& 1\\ 0& 0& 0& 6\end{array}\right)$ 求 $T$ 的所有特征值。

查看解答

矩阵是上三角矩阵，由定理 5.41，特征值 = 对角线元素 = $\{3,5,3,6\}$。

注意 $3$ 出现两次——它是代数重数为 $2$ 的特征值。$■$

C2. 举例说明存在 $\mathbb{R}$ 上的算子没有上三角矩阵。

查看解答

设 $T\in \mathcal{L}({\mathbb{R}}^2)$，$T(x,y)=(-y,x)$（旋转 $90°$）。

$T$ 在 $\mathbb{R}$ 上没有特征值（见 5A 例 5.9）。若 $T$ 有上三角矩阵，则对角线元素都是特征值（定理 5.41），矛盾。

故 $T$ 在 $\mathbb{R}$ 上没有上三角矩阵。$■$

D. 可对角化算子（5D）

D1. 设 $T\in \mathcal{L}({\mathbb{C}}^3)$，$T(x,y,z)=(y,z,0)$。判断 $T$ 是否可对角化。

查看解答

$T$ 的唯一特征值是 $0$（见 5D 例 5.57），$E(0,T)=\text{span}((1,0,0))$，$\dim E(0,T)=1$。

由定理 5.55(d)：$\dim E(0,T)=1<3=\dim V$，故 $T$ 不可对角化。$■$

D2. 设 $T\in \mathcal{L}({\mathbb{C}}^4)$ 的最小多项式为 $p(z)=(z-1)(z-2)(z-3)$。证明 $T$ 可对角化，并求 $\dim E(1,T)+\dim E(2,T)+\dim E(3,T)$。

查看解答

$p$ 无重根，由定理 5.62，$T$ 可对角化。

由定理 5.55(d)：$\dim E(1,T)+\dim E(2,T)+\dim E(3,T)=\dim V=4$。$■$

E. 可交换算子（5E）

E1. 设 $S,T\in \mathcal{L}(V)$ 可对角化且可交换。证明存在 $V$ 的基使 $\mathcal{M}(S)$ 和 $\mathcal{M}(T)$ 都是对角矩阵。

查看解答

由定理 5.76，两个可对角化算子可同时对角化当且仅当可交换。

$S$ 可对角化 $\Rightarrow$ $V=E({\lambda }_1,S)\oplus \cdots \oplus E({\lambda }_m,S)$（5.55(c)）。

$ST=TS$ $\Rightarrow$ 每个 $E({\lambda }_k,S)$ 在 $T$ 下不变（引理 5.75）。

$T$ 可对角化 $\Rightarrow$ 每个 $T{|}_{E({\lambda }_k,S)}$ 可对角化（定理 5.65）。

在每个 $E({\lambda }_k,S)$ 中取 $T$ 的特征向量基，合并得到 $V$ 的基。该基中每个向量既是 $S$ 的特征向量又是 $T$ 的特征向量，故 $\mathcal{M}(S)$ 和 $\mathcal{M}(T)$ 都是对角矩阵。$■$

E2. 设 $S,T\in \mathcal{L}({\mathbb{C}}^3)$ 可交换，$S$ 的特征值为 $1,2,3$，$T$ 的特征值为 $4,5$。证明 $S+T$ 的每个特征值都等于 $S$ 的某个特征值加上 $T$ 的某个特征值。

查看解答

由定理 5.80，$S$ 和 $T$ 可同时上三角化：存在基使 $\mathcal{M}(S)$ 和 $\mathcal{M}(T)$ 都是上三角矩阵。

$\mathcal{M}(S)$ 的对角线元素为 $S$ 的特征值 $\{1,2,3\}$，$\mathcal{M}(T)$ 的对角线元素为 $T$ 的特征值 $\{4,5,\alpha \}$（其中 $\alpha$ 是某个特征值，可能重复）。

$\mathcal{M}(S+T)=\mathcal{M}(S)+\mathcal{M}(T)$ 仍为上三角矩阵，对角线元素为对应位置之和：$\{1+4,2+5,3+\alpha \}$。

由定理 5.41，$S+T$ 的特征值恰为这些对角线元素，每个都等于 $S$ 的某个特征值加上 $T$ 的某个特征值。$■$

---

六、各节笔记索引

节	笔记链接	核心主题
5A	5A 不变子空间、特征值和特征向量	算子、不变子空间、特征值、特征向量、$p(T)$
5B	5B 最小多项式	特征值存在性、最小多项式、可逆性判定、奇数维特征值
5C	5C 上三角矩阵	算子的矩阵、上三角矩阵、==特征值=对角线==、Schur 分解
5D	5D 可对角化算子	可对角化、特征空间、四条等价条件、最小多项式无重根、格什戈林圆盘
5E	5E 可交换算子	可交换、特征空间不变、同时对角化、同时上三角化

---

七、全章核心公式

必须熟记的公式与定理

1. ==特征值的等价条件==（定理 5.7）：$\lambda$ 是特征值 $\iff$ $T-\lambda I$ 不可逆
2. ==不同特征值的特征向量线性无关==（定理 5.11）：对应互异特征值的特征向量组线性无关
3. ==复向量空间上每个算子都有特征值==（定理 5.19）：有限维复向量空间上 $T$ 至少有一个特征值
4. ==最小多项式==（定理 5.22/5.24）：唯一首一多项式 $p$ 使 $p(T)=0$，$\mathrm{deg}p\le \dim V$
5. 特征值=最小多项式的零点（定理 5.27）：$\lambda$ 是特征值 $\iff$ $p(\lambda )=0$
6. $q(T)=0$ 的充要条件（定理 5.29）：$q(T)=0$ $\iff$ $p\mid q$
7. ==上三角算子等式==（定理 5.40）：$(T-{\lambda }_{1}I)\cdots (T-{\lambda }_{n}I)=0$
8. ==特征值=对角线元素==（定理 5.41）：上三角矩阵的对角线元素恰为全部特征值
9. ==$\mathbb{C}$ 上每个算子都可上三角化==（定理 5.47）
10. ==可对角化的四条等价条件==（定理 5.55）：可对角化 $\iff$ 特征向量基 $\iff$ 特征空间直和 $\iff$ 维数等式
11. ==可对角化 $\iff$ 最小多项式无重根==（定理 5.62）
12. ==同时对角化 $\iff$ 可交换==（定理 5.76）：两个可对角化算子可同时对角化当且仅当可交换

易错提醒

• 特征值要求 $v\ne 0$——$T0=\lambda 0$ 对所有 $\lambda$ 成立，不能用来定义特征值
• 同一个算子在不同数域上可能有不同的特征值结构——$\mathbb{R}$ 上旋转 $90°$ 无特征值，$\mathbb{C}$ 上有
• 有特征值不等于可对角化——关键看特征空间维数之和是否等于 $\dim V$
• 最小多项式的次数上界是 $\dim V$（不是 $\dim V^2$）
• 上三角矩阵的第一个基向量一定是特征向量，但其余基向量不一定是
• 可交换性是极强的约束——随机矩阵对中仅约 $0.3\%$ 可交换
• 两个可交换算子有公共特征向量，但不一定有共同的特征值

复向量空间上的算子