21 可交换算子

可交换算子 #

这讲讲什么：两个算子满足 $ST=TS$ 时，它们的世界立刻变得整齐——共享特征向量、共享基、共享三角形状；交换性就是把「分别简单」升级成「同时简单」的那把钥匙
前置：17 讲（特征值与特征向量）、19 讲（上三角矩阵）、20 讲（可对角化）
一句话：$ST=TS$ 的真正含义不是「乘法顺序无所谓」，而是「$T$ 把 $S$ 的每个特征空间搬回它自己」——一切结论都从这一句长出来。

---

一、为什么需要它 #

到 20 讲为止，我们一直在做同一件事：给一个算子挑一组好基，让它的矩阵尽量简单。可对角化的挑成对角，不能对角化的退一步挑成上三角。

但只要空间上不止一个算子，这个思路就不够用了。

设想手里有两个算子 $S$ 和 $T$，你想研究它们的和 $S+T$、积 $ST$，或者想同时测量两个量。你能不能先挑一组基把 $S$ 化成对角，再回头顾 $T$？通常不行：让 $S$ 好看的基，往往把 $T$ 弄成一团乱麻。两个算子各自都有「自己的好基」，而这两组基一般不同。

于是出现一个非常自然的问题：

什么时候存在一组基，让 $S$ 和 $T$ 同时变简单？

这个问题有实际背景。数学物理里，两个可观测量能「同时测准」的判据，就是它们对应的算子可交换；微分方程里，两个偏微分算子作用的次序无关，方程组才好解；数值计算里，如果一个矩阵能同时被两个结构对角化，求逆、求幂都会便宜得多。

回答它的关键是下面这个纯代数的条件：

$$ST=TS$$

本讲要把这件事讲透，一共四层：

1. $ST=TS$ 到底约束了什么（第二节、第三节 3.1）——它比你想的强得多。
2. 核心结构定理：可交换 $\Rightarrow$ 其中一个的特征空间在另一个下不变（第三节 3.2）。
3. 两个招牌结论：复空间上必有公共特征向量（3.3），复空间上必可同时上三角化（3.5）。
4. 条件为什么必须是复数（3.4）——这一条最容易被跳过，也最该亲手算。

---

二、定义与最小例子 #

定义（可交换）：设 $S,T$ 是同一个向量空间 $V$ 上的算子，若

$$ST=TS$$

则称 $S$ 与 $T$ 可交换。对同阶方阵 $A,B$，若 $AB=BA$，同样称它们可交换。

注意两个前提，缺一不可：

• 同一个空间。$S:V\to V$ 与 $T:W\to W$ 在 $V\neq W$ 时，$ST$ 根本写不出来。
• 复合有意义。$ST$ 表示先作用 $T$、再作用 $S$；$TS$ 是反过来的次序。只有当两个复合都存在时，等式才有内容。

例 1：恒等算子的倍数，和谁都可交换 #

若 $I$ 是 $V$ 上的恒等算子、$\lambda\in\mathbb{F}$，则对任意算子 $T$，

$$(\lambda I)T=\lambda(IT)=\lambda T=\lambda(TI)=T(\lambda I)$$

所以 $\lambda I$ 与 $V$ 上每一个算子都可交换。这是最容易的一类，也提醒你：可交换不等于两个算子「差不多」，因为 $\lambda I$ 和任何 $T$ 都可以差得很远。

例 2：同一个算子的多项式，彼此可交换 #

设 $T$ 是算子，则 $T^2$ 与 $T^3$ 可交换，因为

$$T^2T^3=T^5=T^3T^2$$

更一般地，若 $p,q$ 是多项式，则 $p(T)$ 与 $q(T)$ 可交换。理由只有一句话：$T$ 的幂之间互相可交换（$T^mT^n=T^{m+n}=T^nT^m$），而 $p(T),q(T)$ 都是这些幂的线性组合，展开后每一项都能对上。

这条看起来平淡，其实是本讲最重要的「造例工厂」：想找一对可交换的算子，最省事的办法就是取同一个 $T$ 的两个多项式。

例 3：一对可交换矩阵，手算一遍 #

取

$$S=\begin{pmatrix}1&1\\ 0&1\end{pmatrix},\qquad T=\begin{pmatrix}2&-3\\ 0&2\end{pmatrix}$$

它们是 $A=\begin{pmatrix}0&1\\ 0&0\end{pmatrix}$ 的多项式：$S=I+A$、$T=2I-3A$。按例 2，必然可交换。直接算也很快：

$$ST=\begin{pmatrix}1&1\\ 0&1\end{pmatrix}\begin{pmatrix}2&-3\\ 0&2\end{pmatrix}=\begin{pmatrix}2&-1\\ 0&2\end{pmatrix}$$

$$TS=\begin{pmatrix}2&-3\\ 0&2\end{pmatrix}\begin{pmatrix}1&1\\ 0&1\end{pmatrix}=\begin{pmatrix}2&-1\\ 0&2\end{pmatrix}$$

两边一致。注意这两个矩阵都是上三角，对角线分别是 $(1,1)$ 与 $(2,2)$。

例 4：一对不可交换矩阵（用来对照） #

$$A=\begin{pmatrix}1&1\\ 0&1\end{pmatrix},\qquad B=\begin{pmatrix}1&0\\ 1&1\end{pmatrix}$$

$$AB=\begin{pmatrix}1&1\\ 0&1\end{pmatrix}\begin{pmatrix}1&0\\ 1&1\end{pmatrix}=\begin{pmatrix}2&1\\ 1&1\end{pmatrix}$$

$$BA=\begin{pmatrix}1&0\\ 1&1\end{pmatrix}\begin{pmatrix}1&1\\ 0&1\end{pmatrix}=\begin{pmatrix}1&1\\ 1&2\end{pmatrix}$$

$AB\neq BA$。这一对矩阵长得很像，元素只差一个位置，可交换性就没了——交换性对元素位置极度敏感，不能靠「看起来对称」判断。

交换性和基的关系 #

一个必须先说清的技术点：$ST=TS$ 是算子的等式，与基无关；而 $AB=BA$ 是矩阵的等式，依赖基。两者的关系是干净的：

命题：设 $S,T\in\mathcal{L}(V)$，$v_1,\dots,v_n$ 是 $V$ 的基。则 $S,T$ 可交换，当且仅当它们关于这组基的矩阵可交换。

证明：矩阵表示把复合对应成乘法，即 $M(ST)=M(S)M(T)$（09 讲）。又因为同一个算子的矩阵表示唯一（矩阵表示是单射），所以

$$\begin{aligned}ST=TS &\iff M(ST)=M(TS)\\ &\iff M(S)M(T)=M(T)M(S)\end{aligned}$$

最后一步正是两个矩阵可交换的定义。

---

三、几个必须自己算一遍的结论 #

3.1 $ST=TS$ 到底有多强：手解一次中心化子 #

很多人对 $AB=BA$ 的印象是「碰巧相等」。算一次就知道不对。

取

$$A=\begin{pmatrix}1&0\\ 0&2\end{pmatrix},\qquad B=\begin{pmatrix}a&b\\ c&d\end{pmatrix}$$

要求 $AB=BA$。

$$AB=\begin{pmatrix}1&0\\ 0&2\end{pmatrix}\begin{pmatrix}a&b\\ c&d\end{pmatrix}=\begin{pmatrix}a&b\\ 2c&2d\end{pmatrix}$$

$$BA=\begin{pmatrix}a&b\\ c&d\end{pmatrix}\begin{pmatrix}1&0\\ 0&2\end{pmatrix}=\begin{pmatrix}a&2b\\ c&2d\end{pmatrix}$$

逐元素比较：$(1,2)$ 位置给出 $b=2b$，即 $b=0$；$(2,1)$ 位置给出 $2c=c$，即 $c=0$。$a,d$ 完全自由。所以

$$B=\begin{pmatrix}a&0\\ 0&d\end{pmatrix}$$

结论：与 $A$ 可交换的矩阵恰好是对角矩阵，构成 $2$ 维空间（自由参数只有 $a,d$ 两个），而 $2\times2$ 矩阵全体是 $4$ 维的。也就是说，条件 $AB=BA$ 一刀砍掉了两个自由度。

顺手对比：若取 $A=I$，则 $AB=B=BA$ 对任意 $B$ 成立，可交换的矩阵是 $4$ 维（全部）。特征值越「挤在一起」，交换性越松；特征值互异时最紧。这是一条很好用的直觉。

3.2 核心结构定理：特征空间在另一个算子下不变 #

下面这条是本讲所有后续结论的发动机。

定理：设 $S,T\in\mathcal{L}(V)$ 可交换，$\lambda\in\mathbb{F}$。则 $S$ 的特征空间 $E(\lambda,S)$ 在 $T$ 下不变。

证明：设 $v\in E(\lambda,S)$，即 $Sv=\lambda v$。要证 $Tv$ 也在 $E(\lambda,S)$ 里，也就是要证 $S(Tv)=\lambda(Tv)$。算：

$$S(Tv)=(ST)v=(TS)v=T(Sv)=T(\lambda v)=\lambda Tv$$

倒数第二个等号用了 $Sv=\lambda v$，最后一个用了线性性。于是 $S(Tv)=\lambda Tv$，即 $Tv\in E(\lambda,S)$。

这个证明短到容易让人低估它。它的分量在于给出了一个结构：$S$ 把空间切成若干块特征空间，而 $T$ 不敢把这些块搬到别处去，只能在一块内部折腾。用矩阵语言说，若 $S$ 可对角化，则在这组特征基下 $T$ 是块对角的，每一块对应一个特征空间。

手算核对一遍。取复数域上的

$$S=\begin{pmatrix}0&-1\\ 1&0\end{pmatrix},\qquad T=I+S=\begin{pmatrix}1&-1\\ 1&1\end{pmatrix}$$

$T$ 是 $S$ 的多项式，故可交换。$S$ 的特征值是 $\mathrm{i},-\mathrm{i}$，特征向量：

$$E(\mathrm{i},S)=\operatorname{span}\big((1,-\mathrm{i})\big),\qquad E(-\mathrm{i},S)=\operatorname{span}\big((1,\mathrm{i})\big)$$

（验算：$S(1,-\mathrm{i})=(\mathrm{i},1)=\mathrm{i}(1,-\mathrm{i})$ ✓。）

按定理，一维的 $E(\mathrm{i},S)$ 应在 $T$ 下不变——一维子空间要不变，只能被映进自己。直接算：

$$T(1,-\mathrm{i})=(1\cdot 1+(-1)(-\mathrm{i}),\ 1\cdot 1+1\cdot(-\mathrm{i}))=(1+\mathrm{i},\ 1-\mathrm{i})$$

而 $(1+\mathrm{i})(1,-\mathrm{i})=(1+\mathrm{i},\ -(1+\mathrm{i})\mathrm{i})=(1+\mathrm{i},\ 1-\mathrm{i})$，确实在原来的直线上 ✓。顺带我们读出了：$T$ 在这个方向上作用为乘以 $1+\mathrm{i}$。

3.3 招牌结论之一：复空间上必有公共特征向量 #

先回顾一个事实（17 讲）：非零有限维复向量空间上的每个算子都有特征向量。它的依据是：特征多项式在 $\mathbb{C}$ 上必有一次因式，于是必有特征值；有特征值就有非零特征向量。这一步是整个证明的燃料。

定理：设 $V$ 是非零有限维复向量空间，$S,T\in\mathcal{L}(V)$ 可交换。则 $S$ 与 $T$ 有公共的特征向量，即存在 $v\neq 0$ 与 $\alpha,\beta\in\mathbb{C}$，使

$$Sv=\alpha v,\qquad Tv=\beta v$$

证明：分三步。

第一步，取一个特征空间。 由上述事实，$S$ 有特征值，设为 $\lambda$。于是 $E(\lambda,S)\neq\{0\}$。

第二步，把它限制成一个小空间。 由 3.2，$E(\lambda,S)$ 在 $T$ 下不变。也就是说，把 $T$ 限制在 $E(\lambda,S)$ 上，得到一个货真价实的算子

$$T\big|_{E(\lambda,S)}:E(\lambda,S)\to E(\lambda,S)$$

第三步，在这个小空间里再用一次那个事实。 $E(\lambda,S)$ 是非零有限维复向量空间，所以限制算子 $T|_{E(\lambda,S)}$ 有特征向量。取一个，记作 $v$，设 $Tv=\beta v$。

这个 $v$ 同时满足两件事：它在 $E(\lambda,S)$ 里，所以 $Sv=\lambda v$；它是限制算子的特征向量，所以 $Tv=\beta v$。$v$ 就是公共特征向量。

再强调一处细节：定理只保证有公共特征向量，不保证有公共特征值。$S$ 在这条向量上的特征值是 $\lambda$，$T$ 的是 $\beta$，两者可以毫无关系。这个区别在第五节会被做成一个陷阱。

例证：接着 3.2 的那对算子。公共特征向量是 $(1,-\mathrm{i})$：对 $S$ 的特征值是 $\mathrm{i}$，对 $T$ 的特征值是 $1+\mathrm{i}$，确实不同。另一条 $(1,\mathrm{i})$ 也对 $S,T$ 同时是特征向量。这两条刚好凑成 $\mathbb{C}^2$ 的基——这不是巧合，3.6 会解释。

再看一个「$T$ 在整块上都是纯缩放」的情形，帮你体会第三步在做什么：

$$S=\begin{pmatrix}0&-1&0\\ 1&0&0\\ 0&0&5\end{pmatrix},\qquad T=\begin{pmatrix}5&0&0\\ 0&5&0\\ 0&0&1\end{pmatrix}\quad\text{（}\mathbb{C}^3\text{ 上）}$$

$T$ 是块对角 $\operatorname{diag}(5,5,1)$，直接验算 $ST=TS$ 成立。$S$ 的特征值是 $\mathrm{i},-\mathrm{i},5$，而 $E(\mathrm{i},S)=\operatorname{span}\big((1,-\mathrm{i},0)\big)$。在这个一维空间上 $T$ 作用为乘以 $5$，于是这条向量既是 $S$ 的（特征值 $\mathrm{i}$）又是 $T$ 的（特征值 $5$）特征向量。

3.4 为什么必须复数：一个实数反例 #

定理里「复」字不是修辞。去掉它，结论就假。

取 $\mathbb{R}^2$ 上两个算子

$$S=\begin{pmatrix}0&-1\\ 1&0\end{pmatrix},\qquad T=S+I=\begin{pmatrix}1&-1\\ 1&1\end{pmatrix}$$

先验可交换：$T$ 是 $S$ 的多项式，$ST=S^2+S=TS$ ✓。

再查 $S$ 的实特征值：特征多项式

$$\det(S-zI)=\begin{vmatrix}-z&-1\\ 1&-z\end{vmatrix}=z^2+1$$

在 $\mathbb{R}$ 上无根。所以 $S$ 在 $\mathbb{R}^2$ 上一个特征向量都没有：它把每个非零向量都转出原来的直线（转 $90^\circ$）。

于是公共特征向量不存在——连 $S$ 自己的特征向量都不存在。

再看 $T$：$\det(T-zI)=(1-z)^2+1=z^2-2z+2$，判别式 $4-8<0$，同样无实根，$T$ 也没有实特征向量。

值得记住的是：这对算子在 $\mathbb{C}$ 上立刻变乖。放到 $\mathbb{C}^2$ 上看，特征值是 $\pm\mathrm{i}$ 与 $1\pm\mathrm{i}$，公共特征向量 $(1,-\mathrm{i})$ 就出现了。同一个算子、同一个等式，换个数域，结论从「无」变成「有」。 这就是 19 讲反复强调的那件事：能否把矩阵化简，取决于你在哪个域上工作。

一个技术性补充：$T$ 是 $S$ 的多项式这件事不是巧合。满足「与 $S$ 可交换」的实矩阵，在 $S$ 的特征值互异（在 $\mathbb{C}$ 上）时必须是 $S$ 的多项式，因此必然是 $aI+bS$ 的形状。而 $aI+bS$（$b\neq0$）在几何上是「旋转 + 缩放」，同样没有实特征方向。在 $\mathbb{R}^2$ 上，能与 $S$ 可交换的非平凡算子只能是同类，于是全军覆没。

3.5 招牌结论之二：可同时上三角化 #

复空间上，单个算子总能上三角化（19 讲）。可交换的一对，能同时上三角化。

定理：设 $V$ 是有限维复向量空间，$S,T\in\mathcal{L}(V)$ 可交换。则存在 $V$ 的一组基，使 $S$ 与 $T$ 关于这组基都有上三角矩阵。

证明：对 $n=\dim V$ 归纳。

奠基 $n=1$：$1\times1$ 矩阵都是上三角，成立。

归纳步：设 $n>1$，且结论对所有维数 $n-1$ 的复空间成立。

第一步，找一条共同的起跑线。 由 3.3，$S,T$ 有公共特征向量，记作 $v_1$。于是

$$Sv_1\in\operatorname{span}(v_1),\qquad Tv_1\in\operatorname{span}(v_1)$$

第二步，把 $v_1$ 拆出去。 取子空间 $W$ 使

$$V=\operatorname{span}(v_1)\oplus W$$

（任何一维子空间都有补空间，05 讲的扩充定理：把 $v_1$ 扩充成基，其余基向量就张成 $W$。）

第三步，把算子「压」到 $W$ 上。 定义线性映射 $P:V\to W$ 为

$$P(av_1+w)=w\qquad(a\in\mathbb{C},\ w\in W)$$

也就是沿 $v_1$ 方向投影到 $W$。注意 $Pv_1=0$，且对任何 $u\in V$ 都有

$$u=P(u)+\text{（}v_1\text{ 的倍数）}\tag{3.1}$$

第四步，在 $W$ 上造两个算子。

$$\hat{S}w=P(Sw),\qquad \hat{T}w=P(Tw)\qquad(w\in W)$$

要能用归纳假设，先得证明 $\hat{S},\hat{T}$ 可交换。取 $w\in W$，由 (3.1) 可写 $Tw=av_1+P(Tw)=av_1+\hat{T}w$，于是

$$\begin{aligned}(\hat{S}\hat{T})w &=\hat{S}(\hat{T}w)=P\big(S(\hat{T}w)\big)\\ &=P\big(S(Tw-av_1)\big)\\ &=P(STw)-a\,P(Sv_1)\\ &=P(STw)\end{aligned}$$

最后一步用了 $Sv_1$ 是 $v_1$ 的倍数、而 $P$ 把它打成 $0$。同理 $(\hat{T}\hat{S})w=P(TSw)$。由 $ST=TS$ 得 $(\hat{S}\hat{T})w=(\hat{T}\hat{S})w$。

第五步，归纳。 $\hat{S},\hat{T}$ 是 $n-1$ 维复空间 $W$ 上的一对可交换算子，由归纳假设，存在 $W$ 的基 $v_2,\dots,v_n$，使 $\hat{S},\hat{T}$ 关于它都是上三角。于是 $v_1,v_2,\dots,v_n$ 是 $V$ 的基。

第六步，把上三角搬回去。 对 $k\ge2$，由 (3.1)，

$$Sv_k=a_kv_1+\hat{S}v_k,\qquad Tv_k=b_kv_1+\hat{T}v_k$$

而「$\hat{S}$ 关于 $v_2,\dots,v_n$ 上三角」意味着 $\hat{S}v_k\in\operatorname{span}(v_2,\dots,v_k)$（这正是上三角的等价刻画，19 讲）。合并得

$$Sv_k\in\operatorname{span}(v_1,\dots,v_k),\qquad Tv_k\in\operatorname{span}(v_1,\dots,v_k)$$

再加上 $Sv_1,Tv_1\in\operatorname{span}(v_1)$，两个算子关于 $v_1,\dots,v_n$ 都是上三角。$\blacksquare$

对比一下：单个算子的上三角化只要「特征多项式能拆开」；一对算子要同时上三角化，除了各自能拆开，还得额外付「可交换」这笔钱。后者不能省——第五节有反例。

3.6 什么时候能同时对角化 #

上三角化之后，自然问：能不能更进一步，两个都化成对角？

定理：设 $S,T\in\mathcal{L}(V)$ 都可对角化。则存在一组基使 $S,T$ 关于它都有对角矩阵，当且仅当 $S,T$ 可交换。

证明（$\Leftarrow$，有内容的方向）：设 $S,T$ 可交换且都可对角化。设 $\lambda_1,\dots,\lambda_m$ 是 $S$ 的全部互异特征值。$S$ 可对角化，等价于空间能拆成特征空间的直和（20 讲）：

$$V=E(\lambda_1,S)\oplus\cdots\oplus E(\lambda_m,S)\tag{3.2}$$

每一步都用上了前面的东西：

1. 每个 $E(\lambda_k,S)$ 在 $T$ 下不变——这是 3.2。
2. 限制算子 $T|_{E(\lambda_k,S)}$ 可对角化。为什么？$T$ 可对角化，意味着极小多项式无重根（20 讲），而限制算子的极小多项式整除原极小多项式，故也无重根，故可对角化。
3. 于是每个 $E(\lambda_k,S)$ 有一组由 $T$ 的特征向量组成的基。
4. 把这些基拼起来。由 (3.2)，拼出来的是 $V$ 的基；基中每个向量同时是 $S$ 与 $T$ 的特征向量。
5. 在这组基下，两个矩阵都是对角矩阵。

证明（$\Rightarrow$）：若 $S,T$ 关于同一组基都是对角，则两个对角矩阵相乘只需对应位置相乘，与次序无关，故可交换；再由第二节的命题得 $S,T$ 可交换。

顺手看一个「真的需要换基」的例子。3.2 里那对复算子 $S=\begin{pmatrix}0&-1\\ 1&0\end{pmatrix}$、$T=I+S$：特征值互异，都可对角化，可交换。公共特征向量是 $(1,-\mathrm{i})$ 与 $(1,\mathrm{i})$，取

$$v_1=(1,-\mathrm{i}),\qquad v_2=(1,\mathrm{i})$$

则关于基 $v_1,v_2$：

$$M(S)=\begin{pmatrix}\mathrm{i}&0\\ 0&-\mathrm{i}\end{pmatrix},\qquad M(T)=\begin{pmatrix}1+\mathrm{i}&0\\ 0&1-\mathrm{i}\end{pmatrix}$$

两个都是对角。标准基下它们不是对角——同时对角化确实需要换基，不是把原矩阵「擦一擦」就行的。

3.7 和与积的特征值 #

最后一条结论，是把上三角化的红利直接兑现。

定理：设 $V$ 是有限维复向量空间，$S,T$ 可交换。则

• $S+T$ 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；
• $ST$ 的每个特征值，都等于 $S$ 的某个特征值乘以 $T$ 的某个特征值。

（更精确的说法见下面的「配对」提醒。）

证明：由 3.5，取基使 $S,T$ 都是上三角。此时

$$M(S+T)=M(S)+M(T),\qquad M(ST)=M(S)M(T)$$

• 上三角 + 上三角 = 上三角，且对角元逐个相加。
• 上三角 × 上三角 = 上三角，且对角元逐个相乘。
• 上三角矩阵的对角元就是该算子的全部特征值（19 讲）。

三条合起来就是结论。$\blacksquare$

手算核对。取

$$S=\begin{pmatrix}1&1\\ 0&2\end{pmatrix},\qquad T=S^2=\begin{pmatrix}1&3\\ 0&4\end{pmatrix}$$

$T$ 是 $S$ 的多项式，可交换。$S$ 的特征值是 $1,2$；$T$ 的是 $1,4$。于是

$$S+T=\begin{pmatrix}2&4\\ 0&6\end{pmatrix}\ \text{特征值}\ 2,6=1+1,\ 2+4\ ✓$$

$$ST=S^3=\begin{pmatrix}1&7\\ 0&8\end{pmatrix}\ \text{特征值}\ 1,8=1\cdot1,\ 2\cdot4\ ✓$$

---

四、几何直观 / 记忆钩子 #

图像：$S$ 切块，$T$ 只在块内活动 #

把 $S$ 的特征空间想成把空间切成的几块「领地」。3.2 说：$T$ 没有越境许可——它把每一块映回自己。若 $S$ 可对角化，那么在这组特征基下 $T$ 长得像

$$\begin{pmatrix}\boxed{\ast}&&&&\\ &\boxed{\ast}&&&\\ &&\boxed{\ast}&&\\ &&&\ddots&\\ &&&&\boxed{\ast}\end{pmatrix}$$

每个方块对应一个 $E(\lambda_k,S)$，块外全是 $0$。

• 要证「有公共特征向量」：先挑一块最小的领地（$S$ 的一个特征空间），$T$ 在里面必有特征方向 → 3.3。
• 要证「能同时上三角化」：先在最外面钉一根 $v_1$，把空间压小一维，重复 → 3.5。
• 要证「能同时对角化」：块内 $T$ 也能对角化，于是整块整块地铺满特征向量 → 3.6。

三种结论，同一个图景，只是问「块内还能多整齐」。

记忆钩子 #

交换 = 允许越位传球。 $ST=TS$ 的唯一功能，是让你在计算中把一个算子从另一个的左边推到右边。所有证明里那一步「$S$ 越过 $T$」都长得一模一样。

$S$ 的领地，$T$ 的舞台。 $E(\lambda,S)$ 是 $S$ 划的地，$T$ 在上面表演但不出界。

先切块，再块内。 遇到「两个算子同时简单化」的问题，固定一个、切它的特征空间、在小空间上处理另一个。

一张对照表 #

你手上的条件	能得到的结论	结论强度
单个算子，$\mathbb{C}$ 上	有特征向量；可上三角化	弱
两个算子可交换，$\mathbb{C}$ 上	有公共特征向量	中
两个算子可交换，$\mathbb{C}$ 上	可同时上三角化	较强
两个算子可交换且都可对角化	可同时对角化	最强
两个算子可交换，$\mathbb{R}$ 上	不再由定理保证（3.4 给了失败例）	无

---

五、常见误区 #

$$A=\begin{pmatrix}1&0\\ 0&2\end{pmatrix},\qquad B=\begin{pmatrix}1&1\\ 0&1\end{pmatrix}$$

$$AB=\begin{pmatrix}1&1\\ 0&2\end{pmatrix},\qquad BA=\begin{pmatrix}1&2\\ 0&2\end{pmatrix}$$

不等。对角 + 上三角没有任何自动的交换性；要交换，还得 $B$ 的非对角元落在 $A$ 的「等特征值块」里（3.1 的计算正是在算这件事）。

---

六、拓展（可选，可跳过） #

6.1 偏微分算子为什么可交换 #

取 $m$ 为非负整数，$V$ 是二元复系数多项式构成的复向量空间

$$V=\Big\{\,p(w,z)=\sum_{j+k\le m}a_{j,k}w^jz^k\ :\ a_{j,k}\in\mathbb{C}\,\Big\}$$

在 $V$ 上定义两个算子

$$D_w p=\frac{\partial p}{\partial w}=\sum_{j+k\le m}j\,a_{j,k}w^{j-1}z^k,\qquad D_z p=\frac{\partial p}{\partial z}=\sum_{j+k\le m}k\,a_{j,k}w^jz^{k-1}$$

（两项都把系数为 $0$ 的项自动丢掉，所以仍在 $V$ 内。）$D_w$ 只对 $w$ 求导、把 $z$ 当常数，$D_z$ 反之。直接算：

$$(D_wD_z)p=\sum_{j+k\le m}jk\,a_{j,k}w^{j-1}z^{k-1}=(D_zD_w)p$$

所以 $D_w,D_z$ 可交换。 这背后是「混合偏导数与次序无关」这条分析学事实的代数版本，只不过这里我们是在多项式上直接验证的，不需要连续性之类的前提。

按 3.3，它们该有公共特征向量。算一下：两者的特征值都只有 $0$（求导降次，总会降到 $0$），而

$$E(0,D_w)=\Big\{\sum_{k=0}^{m}a_kz^k\Big\},\qquad E(0,D_z)=\Big\{\sum_{j=0}^{m}c_jw^j\Big\}$$

前者是「只含 $z$ 的多项式」，后者是「只含 $w$ 的多项式」，交集是常值函数。常值函数被两个算子都打成 $0$，正是公共特征向量 ✓。这个例子还顺带说明：可交换的一对算子，公共特征空间可以很小。

6.2 交换性有多罕见：一个可以自己跑的计数 #

$2\times2$、元素取 $[-5,5]$ 内整数的矩阵共 $11^4=14{,}641$ 个，有序对共 $11^8=214{,}358{,}881$ 对，其中可交换的只有 $674{,}609$ 对，约占 $0.31\%$。

嫌这个数太大不好验，可以换到最小的域 $\mathbb{F}_2=\{0,1\}$ 上。$2\times2$ 矩阵共 $16$ 个，有序对 $256$ 对；逐个试乘（四行双重循环即可），可交换的有 $88$ 对，占 $34\%$。比例跳这么高，是因为 $\mathbb{F}_2$ 的元素太少、矩阵太「退化」。域越小、特征值越挤，交换性越常见——这和 3.1 结尾那句「特征值互异时最紧」是同一件事。

6.3 从两个推广到任意多个 #

3.3、3.5、3.6 都可以从「一对」推广到「一族」：设 $\mathcal{E}\subseteq\mathcal{L}(V)$ 中任意两个元素都可交换（$\mathcal{E}$ 可以是无限集），则在非零有限维复空间上，存在一个向量同时是 $\mathcal{E}$ 中每个元素的特征向量；也存在一组基使 $\mathcal{E}$ 中每个元素都有上三角矩阵。证明思路不变：先用 3.3 取一条公共特征向量，再对它做归纳——只是归纳时「压到 $W$ 上的整族算子仍然两两可交换」这一步要重做一遍。

同样的推广对 3.6 成立，但要额外要求族中每个元素都可对角化。这一步不能省：一族两两可交换、个个可对角化，才保证有公共的特征基。

6.4 一句话的物理版本 #

在量子力学里，可观测量由（自伴）算子表示，可能的测量结果是它的特征值。两个量能同时被精确测定，当且仅当对应算子可交换——这正是 3.6：可交换 + 可对角化（自伴算子自动满足）$\Rightarrow$ 存在公共特征基，于是两个量在同一组状态上同时有确定值。不确定性原理的数学内核，就是「两个算子不可交换」。

---

七、自测（先做，再看答案） #

1. 设 $A=\begin{pmatrix}2&1\\ 0&3\end{pmatrix}$。求所有与 $A$ 可交换的 $2\times2$ 矩阵 $B$，并说出这个集合的维数。

2. 验证 $S=\begin{pmatrix}0&-1\\ 1&0\end{pmatrix}$ 与 $T=\begin{pmatrix}1&-1\\ 1&1\end{pmatrix}$ 可交换；说明它们在 $\mathbb{R}$ 上没有公共特征向量；再在 $\mathbb{C}$ 上找出一条公共特征向量并写出两个对应的特征值。

3. 举一对可交换、但不能同时对角化的算子，并说明是哪一条前提被破坏了。

4. 在 3.5 的归纳证明里，为什么 $P(Sv_1)=0$？如果 $v_1$ 只是「$T$ 的特征向量」而不是「$S,T$ 的公共特征向量」，第四步会怎么坏？

5. 设 $S=\begin{pmatrix}1&1\\ 0&2\end{pmatrix}$，$T=2S-I$。不逐个求特征多项式，直接说出 $S+T$ 与 $ST$ 的特征值。

答案（点开）

1. 设 $B=\begin{pmatrix}a&b\\ c&d\end{pmatrix}$。则

$$AB=\begin{pmatrix}2a+c&2b+d\\ 3c&3d\end{pmatrix},\qquad BA=\begin{pmatrix}2a&a+3b\\ 2c&c+3d\end{pmatrix}$$

逐元素比较：

• $(1,1)$：$2a+c=2a\Rightarrow c=0$。
• $(2,1)$：$3c=2c\Rightarrow c=0$（与上一条一致）。
• $(2,2)$：$3d=c+3d\Rightarrow c=0$。
• $(1,2)$：$2b+d=a+3b\Rightarrow d=a+b$。

所以

$$B=\begin{pmatrix}a&b\\ 0&a+b\end{pmatrix}=a\begin{pmatrix}1&0\\ 0&1\end{pmatrix}+b\begin{pmatrix}0&1\\ 0&1\end{pmatrix}$$

两个自由参数，集合是 $2$ 维的。顺带验证它确实是 $A$ 的多项式：$A-2I=\begin{pmatrix}0&1\\ 0&0\end{pmatrix}$，于是

$$(a-2b)I+bA=\begin{pmatrix}a-2b+2b&b\\ 0&a-2b+3b\end{pmatrix}=\begin{pmatrix}a&b\\ 0&a+b\end{pmatrix}=B$$

与 3.1 的注一致（$A$ 的特征值 $2,3$ 互异，故与它可交换者恰为它的多项式）。

2. $T=S+I$，故 $ST=S^2+S=TS$ ✓。
在 $\mathbb{R}$ 上：$\det(S-zI)=z^2+1$ 无实根，$S$ 没有实特征向量，所以谈不上公共的。同理 $\det(T-zI)=z^2-2z+2$ 的判别式为 $-4<0$。
在 $\mathbb{C}$ 上：取 $v=(1,-\mathrm{i})$。$Sv=(\mathrm{i},1)=\mathrm{i}(1,-\mathrm{i})$，特征值 $\mathrm{i}$；$Tv=(1+\mathrm{i},1-\mathrm{i})=(1+\mathrm{i})(1,-\mathrm{i})$，特征值 $1+\mathrm{i}$。两个特征值不同，这很正常（见误区 2）。

3. 最简单的：$S=T=\begin{pmatrix}1&1\\ 0&1\end{pmatrix}$。可交换，但 $S$ 不可对角化（特征值只有 $1$，$E(1,S)=\operatorname{span}(e_1)$ 只有一维）。
被破坏的前提是「两个都可对角化」。
也许你会想找一对各自可对角化、可交换、却不能同时对角化的——找不到，3.6 说那不可能。

4. $P$ 是沿 $v_1$ 方向投影到 $W$，其核为 $\operatorname{span}(v_1)$。$v_1$ 是 $S$ 的特征向量，故 $Sv_1\in\operatorname{span}(v_1)=\ker P$，于是 $P(Sv_1)=0$。
若 $v_1$ 只是 $T$ 的特征向量，那么 $Sv_1$ 一般不在 $\operatorname{span}(v_1)$ 里，$P(Sv_1)\neq0$，计算 $(\hat{S}\hat{T})w$ 时多出的那一项 $-aP(Sv_1)$ 就消不掉，$\hat{S}\hat{T}=\hat{T}\hat{S}$ 推不出来，归纳假设用不上。这就是「公共」二字的用处。

5. $T=2S-I$ 是 $S$ 的多项式，可交换。$S$ 的特征值是 $1,2$，故 $T$ 的特征值是 $2\cdot1-1=1$ 与 $2\cdot2-1=3$。于是 $S+T$ 的特征值是 $1+1=2$、$2+3=5$；$ST$ 的特征值是 $1\cdot1=1$、$2\cdot3=6$。
直接验证：$S+T=3S-I=\begin{pmatrix}2&3\\ 0&5\end{pmatrix}$，对角元 $2,5$ ✓；$ST=2S^2-S=\begin{pmatrix}1&5\\ 0&6\end{pmatrix}$，对角元 $1,6$ ✓。

---

八、复习卡 #

项	内容
定义	$ST=TS$（同空间算子）；$AB=BA$（同阶方阵）
可交换与基	$S,T$ 可交换 $\iff$ 它们关于同一组基的矩阵可交换
相似不变	相似变换保持可交换性
最松的例子	$\lambda I$ 与任何算子可交换
最紧的例子	特征值互异的 $A$：与它可交换的矩阵恰是它的多项式，$n$ 维
核心定理	$S,T$ 可交换 $\Rightarrow$ $E(\lambda,S)$ 在 $T$ 下不变
核心定理的证明	$S(Tv)=(ST)v=(TS)v=T(Sv)=\lambda Tv$
交换性的唯一作用	允许把一个算子从另一个的左边推到右边
公共特征向量	非零有限维复空间上，可交换的一对必有公共特征向量
证明骨架	切一块（$E(\lambda,S)$）→ 块内找（$T$ 限制后有特征向量）
公共特征值	不保证；$\alpha$ 与 $\beta$ 可以无关
实数域反例	$S=\begin{pmatrix}0&-1\\ 1&0\end{pmatrix}$，$T=S+I$：可交换，但两者都无实特征向量
实反例为什么失效	证明第一步要取特征值；$\mathbb{R}$ 上可能没有
同时上三角化	复空间上可交换的一对，存在基使两者都上三角
上三角化证明	对 $n$ 归纳：取 $v_1$，$V=\operatorname{span}(v_1)\oplus W$，用 $P$ 把算子压到 $W$
同时对角化	可交换 + 两个都可对角化 $\iff$ 存在公共特征基
对角化证明要点	$V=\bigoplus E(\lambda_k,S)$；每个 $E(\lambda_k,S)$ 在 $T$ 下不变且 $T$ 在其上可对角化
和的特征值	存在配对，$\lambda_i(S+T)=\alpha_i+\beta_i$
积的特征值	存在配对，$\lambda_i(ST)=\alpha_i\beta_i$
配对警告	不是任意 $\alpha+\beta$ 都是特征值：$\operatorname{diag}(1,2)+\operatorname{diag}(3,4)$ 无 $5$
可交换有多罕见	$[-5,5]$ 整数 $2\times2$ 矩阵：$11^8$ 对中约 $0.3\%$
常见误判	对角 $\times$ 上三角不一定可交换

---

九、出处与延伸（可选，不影响阅读） #

• 主线出处：本讲对应《线性代数应该这样学》（第 4 版）第 5E 节「可交换算子」，印刷页码 146–150（PDF 第 160–164 页）。原文编号：5.71（可交换的定义）、5.72（偏微分算子可交换的例子）、5.74（可交换算子对应可交换矩阵）、5.75（特征空间在可交换算子下不变）、5.76（可同时对角化 $\iff$ 可交换）、5.78（可交换算子的公共特征向量）、5.79（偏微分算子的公共特征向量）、5.80（可交换算子可同时上三角化）、5.81（可交换算子的和与积的特征值）。
• 本讲的顺序调整：原文把 5.76（同时对角化）排在 5.78（公共特征向量）之前。本讲改成「5.75 → 5.78 → 5.80 → 5.76 → 5.81」，理由是 5.78 用的工具（特征空间不变 + 复空间必有特征值）最少，先讲它能让读者更早看到「切块、块内找」这个主旋律；5.76 的证明要引用 5.75 与「可对角化 $\iff$ 极小多项式无重根」，放在上三角化之后更顺。逻辑依赖没有改变。
• 任务说明与原文的一处出入：写作提纲把「在小空间上用归纳法」归到了公共特征向量定理。核对原文后：5.78 的证明不用归纳法，它只降一次维，用的是「非零有限维复空间上每个算子有特征向量」这条既有结论；真正的归纳法在 5.80（同时上三角化）。本讲按原文写。
• 第三节 3.1 的「$n$ 维多项式」说法：原文未展开这一条，它是「与特征值互异的矩阵可交换者皆为其多项式」这一经典结论的应用，本讲只作为直觉使用，未给完整证明。
• 第四节对照表中「$\mathbb{R}$ 上不再由定理保证」：准确说是「3.3、3.5、5.81 的证明都失效」，且 3.4 给出了确凿的失败例；但不宜反过来说「$\mathbb{R}$ 上永远不存在公共特征向量」（例如 $S=T$ 且 $S$ 有实特征向量时显然存在）。
• 习题对应：第 5E 节习题 2、9 是把 5.76、5.78、5.80 推广到任意（可无限）算子族；习题 3 把 5.75 推广到 $\operatorname{null}p(S)$ 与 $\operatorname{range}p(S)$；习题 4 是「对角与上三角是否可交换」（第五节误区 3）；习题 5 是「可交换 $\iff$ 对偶算子可交换」；习题 6 是「存在 $\alpha,\lambda$ 使两个值域之和真包含于 $V$」；习题 7 是「$S$ 可对角化 + 可交换 $\Rightarrow$ 一组基使 $S$ 对角、$T$ 上三角」；习题 8 是 5.72 在 $m=3$ 时的具体基；习题 10 说明 5.81 在实空间上失效（即 3.4 的思路）。
• 想深挖时：交换代数里「中心化子」与「双中心化子定理」是 3.1 那类计算的系统化；算子代数里「可交换算子族的联合谱」是 5.81 的高维版本；数值线性代数里「同时对角化」对应广义特征值问题 $Ax=\lambda Bx$ 与联合近似对角化（JADE 一类算法）。
• 术语别名：可交换 = commute = 交换；中心化子 = centralizer；同时上三角化 = simultaneous triangularization；同时对角化 = simultaneous diagonalization；公共特征向量 = common eigenvector。这些译名差异不影响内容。