算子可对角化的充要条件

对于 $n$ 维有限维向量空间 $V$ 上的线性算子 $T$ ，其可对角化的充要条件包括：

  • 特征向量基： 算子 $T$ 存在 $n$ 个线性无关的特征向量（即 $V$ 存在一组完全由 $T$ 的特征向量组成的基）。
  • 特征子空间直和： 向量空间 $V$ 是 $T$ 的所有特征子空间的直和。
$$V = E_{\lambda_1} \oplus E_{\lambda_2} \oplus \dots \oplus E_{\lambda_k}$$
  • 代数重数等于几何重数： $T$ 的特征多项式在所在数域上可全部分解为一次因式的乘积，且对于每一个特征值 $\lambda_i$ ，其代数重数等于几何重数（即 $\dim(E_{\lambda_i})$ 等于该特征值在特征多项式中的重数）。
  • 极小多项式无重根： $T$ 的极小多项式 $m(x)$ 在所在数域上可分解为互不相同的线性因式的乘积。
$$m(x) = (x - \lambda_1)(x - \lambda_2)\dots(x - \lambda_k)$$

算子可对角化的充分条件

  • 特征值互异： 算子 $T$ 具有 $n$ 个互不相同的特征值（即特征多项式无重根）。
  • 自伴随算子（实对称）： 在实内积空间中，若 $T$ 为自伴随算子（其在标准正交基下的矩阵为实对称矩阵），则 $T$ 必然可被正交对角化。
  • 正规算子： 在复内积空间中，若 $T$ 满足 $T^\*T = TT^\*$ （即正规算子，对应矩阵包括埃尔米特矩阵、反埃尔米特矩阵、酉矩阵等），则 $T$ 必然可被酉对角化。
  • 存在无重根的化零多项式： 若算子 $T$ 满足某个无重根的多项式方程 $f(T) = 0$ ，则 $T$ 可对角化。例如幂等算子（满足 $x^2 - x = 0$ ）与对合算子（满足 $x^2 - 1 = 0$ ）均必然可对角化。

设 $V$ 是数域 $\mathbb{F}$ 上的有限维向量空间， $T$ 是 $V$ 上的线性算子。

算子 $T$ 关于 $V$ 的某组基具有上三角阵的充要条件是：

$T$ 的特征多项式（或最小多项式）在数域 $\mathbb{F}$ 上可以完全分解为一次因式的乘积。 换句话说， $T$ 的所有特征值都必须存在于该数域 $\mathbb{F}$ 中。

深入解析与等价视角

为了达到举一反三的效果，我们可以从以下几个不同的视角来深入理解这个充要条件：

1. 多项式分解视角

设 $T$ 的特征多项式为 $p(z)$ ，如果它在上三角化条件下，必然可以写为：

$$p(z) = (z - \lambda_1)^{m_1}(z - \lambda_2)^{m_2} \dots (z - \lambda_k)^{m_k}$$

其中，所有的特征值 $\lambda_i \in \mathbb{F}$ 。

  • 推论：如果 $\mathbb{F}$ 是复数域 $\mathbb{C}$ ，根据代数基本定理，任何多项式在复数域上都可以完全分解。因此可以得出一个非常重要的结论：在复向量空间中，任何线性算子都必定存在某组基使其矩阵表现为上三角阵。

2. 不变子空间视角（核心结构）

算子 $T$ 在基 $v_1, v_2, \dots, v_n$ 下具有上三角矩阵，当且仅当对于每个 $j = 1, \dots, n$ ，其张成的子空间 $\operatorname{span}(v_1, \dots, v_j)$ 都是 $T$ -不变子空间。

这意味着算子 $T$ 作用在基向量 $v_j$ 上时，产生的结果只能由它本身及排在它前面的基向量线性表出：

$$T(v_j) \in \operatorname{span}(v_1, \dots, v_j)$$

要保证这样一系列嵌套的、维度从 $1$ 到 $n$ 的不变子空间链存在，第一步就要求存在一个一维不变子空间，即必须存在特征向量和属于该数域的特征值。

举一反三：如何构造这组“上三角化基”？

理解了充要条件后，掌握“如何构造出这组基”的思路，有助于你解决证明题和具体的计算题。这通常通过数学归纳法结合商空间（或矩阵分块）来实现：

  1. 寻找起步特征向量：因为特征多项式在 $\mathbb{F}$ 上完全分解，所以 $T$ 至少有一个在 $\mathbb{F}$ 中的特征值 $\lambda_1$ 以及对应的特征向量 $v_1$ 。此时 $\operatorname{span}(v_1)$ 是一个一维的 $T$ -不变子空间，这构成了我们要找的第一列。
  2. 扩充基与矩阵分块：将 $v_1$ 扩充为 $V$ 的一组基。在这组基下， $T$ 的矩阵形式的第一列将是 $(\lambda_1, 0, \dots, 0)^T$ 。矩阵可以分块为一个左上角是 $\lambda_1$ ，右下角是一个 $(n-1) \times (n-1)$ 的子矩阵 $A'$ 的形式。
  3. 商空间映射（降维打击）：这个右下角的子矩阵 $A'$ ，本质上代表了诱导算子在商空间 $V / \operatorname{span}(v_1)$ 上的作用。
  4. 递归操作：因为原特征多项式完全分解，可以证明这个降维后的子矩阵 $A'$ 的特征多项式同样在 $\mathbb{F}$ 上完全分解。对它重复步骤1的操作，继续寻找特征向量，直到处理完所有 $n$ 个维度。最终得到的基底就能让原算子呈现上三角阵。

对比延伸：与“对角化”的界限

将“上三角化”与“对角化”的充要条件放在一起对比，能让你对算子的结构有更清晰的认识：

  • 上三角化：只需要特征多项式在数域上完全分解即可。它允许特征值有重根，且不强求该特征值的几何重数（特征子空间的维度）等于代数重数（特征多项式中该根的次数）。
  • 对角化（更严格的条件）：不仅需要特征多项式完全分解，还必须满足每个特征值的几何重数严格等于代数重数（等价于其最小多项式不仅要完全分解，而且不能有重根）。