MatNoble

Day 6: 缠绕的算子 —— 可交换矩阵与不变子空间

目录
图解：当两个算子可交换时，它们共享同一套“骨架”（特征向量） ◎ 图解：当两个算子可交换时，它们共享同一套“骨架”（特征向量）

引言

在量子力学里，有一个著名的反直觉现象：你无法同时精确测量粒子的位置和动量。海森堡不确定性原理告诉我们，这背后的数学原因仅仅是因为代表位置的矩阵 $\mathbf{X}$ 和代表动量的矩阵 $\mathbf{P}$ 不可交换，即 $\mathbf{X}\mathbf{P} \neq \mathbf{P}\mathbf{X}$。

反之，如果两个算子满足 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$，物理学家会说这两个物理量是“相容”的。这意味着什么？意味着它们可以“共享”本征态。

回到线性代数，“可交换” (Commutativity) 这个性质，远比 $2 \times 3 = 3 \times 2$ 深刻得多。它揭示了两个矩阵在几何结构上的 “缠绕” 与 “和谐”。

今天，我们就来拆解 $\mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}$ 背后的几何秘密。

几何直觉：和谐的变形

想象 $\mathbf{A}$ 和 $\mathbf{B}$ 是两台对空间进行拉伸或旋转的机器。

  • $\mathbf{A}$ 的作用是：沿着 $x$ 轴拉伸 2 倍，沿着 $y$ 轴拉伸 3 倍。
  • $\mathbf{B}$ 的作用是：沿着 $x$ 轴拉伸 5 倍，沿着 $y$ 轴拉伸 1 倍。

此时，先做 $\mathbf{A}$ 再做 $\mathbf{B}$（即 $\mathbf{B}\mathbf{A}$），还是反过来做（即 $\mathbf{A}\mathbf{B}$），最终盒子被拉伸的形状是一模一样的。为什么？因为它们都在操作同一套轴——也就是它们有共同的特征向量。

但如果 $\mathbf{B}$ 是旋转 $45^\circ$ 呢？

  • 方案 1 ($\mathbf{B}\mathbf{A}$)：$\mathbf{A}$ 先把盒子沿着 $x,y$ 轴拉长了，然后 $\mathbf{B}$ 把它整个斜着转过来。
  • 方案 2 ($\mathbf{A}\mathbf{B}$)：$\mathbf{B}$ 先把盒子转斜了，然后 $\mathbf{A}$ 依然死板地沿着原来的 $x,y$ 轴方向拉伸。

结果显然不同！方案 2 中，$\mathbf{A}$ 拉伸的方向不再是盒子现在的长边方向，而是原来的坐标轴方向，这会把盒子拉得“面目全非”。

直觉结论：

如果 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$，说明 $\mathbf{B}$ 尊重 $\mathbf{A}$ 的特征方向。它不会把 $\mathbf{A}$ 的特征向量“踢出”它所属的空间。

核心定理：不变子空间与公共特征向量

1. 它是谁的人？

让我们把上面的直觉钉死在数学定义上。

定理： 若 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$，则 $\mathbf{A}$ 的任意一个特征子空间（Eigenspace）都是 $\mathbf{B}$-不变的。

【证明】 设 $\boldsymbol{x}$ 是 $\mathbf{A}$ 的属于特征值 $\lambda$ 的特征向量，即 $\mathbf{A}\boldsymbol{x} = \lambda \boldsymbol{x}$。 我们来看看 $\mathbf{B}\boldsymbol{x}$ 这个新向量到底是何方神圣。 我们将 $\mathbf{A}$ 作用在它身上： $$\mathbf{A}(\mathbf{B}\boldsymbol{x}) = (\mathbf{A}\mathbf{B})\boldsymbol{x} = (\mathbf{B}\mathbf{A})\boldsymbol{x} = \mathbf{B}(\mathbf{A}\boldsymbol{x}) = \mathbf{B}(\lambda \boldsymbol{x}) = \lambda (\mathbf{B}\boldsymbol{x})$$

解读：

  1. 看头尾：$\mathbf{A}(\mathbf{B}\boldsymbol{x}) = \lambda (\mathbf{B}\boldsymbol{x})$。
  2. 这说明什么？说明 $\mathbf{B}\boldsymbol{x}$ 也是 $\mathbf{A}$ 的特征向量（属于同一个特征值 $\lambda$），除非它是零向量。
  3. 几何意义：向量 $\boldsymbol{x}$ 原本乖乖待在 $\mathbf{A}$ 的特征空间 $V_\lambda$ 里，经过 $\mathbf{B}$ 的变换，$\mathbf{B}\boldsymbol{x}$ 居然还在 $V_\lambda$ 这个圈子里，没有跑出去。这就是“不变子空间”的真谛。

2. 公共特征向量 (Common Eigenvectors)

如果 $\mathbf{A}$ 的特征值 $\lambda$ 是单重的（对应的特征空间只有 1 维，就是一条直线），事情就更有趣了。

  • $\boldsymbol{x}$ 在这条直线上。
  • 由刚才的证明，$\mathbf{B}\boldsymbol{x}$ 也必须在这条直线上。
  • 在直线上共线意味着什么？意味着 $\mathbf{B}\boldsymbol{x}$ 只能是 $\boldsymbol{x}$ 的缩放！ $$\mathbf{B}\boldsymbol{x} = \mu \boldsymbol{x}$$

惊人结论：

如果 $\mathbf{A}$ 的特征值都是单重的，且 $\mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}$，那么 $\mathbf{A}$ 的特征向量自动成为 $\mathbf{B}$ 的特征向量！

如果特征值有重根呢？虽然 $\mathbf{B}\boldsymbol{x}$ 不一定平行于 $\boldsymbol{x}$（它只是在同一个平面里转），但我们依然可以在这个平面里找到一组基，让它们既是 $\mathbf{A}$ 的特征向量，也是 $\mathbf{B}$ 的特征向量。

终极定理（同时对角化）： 两个可对角化矩阵 $\mathbf{A}, \mathbf{B}$ 可交换 $\iff$ 它们拥有完全相同的一组特征基（可以同时被对角化）。 $$\mathbf{P}^{-1}\mathbf{A}\mathbf{P} = \boldsymbol{\Lambda}_1, \quad \mathbf{P}^{-1}\mathbf{B}\mathbf{P} = \boldsymbol{\Lambda}_2$$

深度解析：双算子系统的解耦

为什么考研和竞赛如此迷恋 $\mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}$？因为这是解耦的关键。

当你面对一个复杂的矩阵方程（比如 $\mathbf{A}\boldsymbol{x} + \mathbf{B}\boldsymbol{x} = \boldsymbol{0}$）时，如果 $\mathbf{A}$ 和 $\mathbf{B}$ 可交换，你就可以在一个统一的坐标系下审视它们。

  • 在这个坐标系 $\mathbf{P}$ 下，$\mathbf{A}$ 变成了对角阵 $\text{diag}(\lambda_i)$。
  • $\mathbf{B}$ 也变成了对角阵 $\text{diag}(\mu_i)$。
  • 复杂的矩阵运算瞬间退化成了 $n$ 个独立的标量运算！

这就像解联立方程组时，一旦找到了正确的变量代换，方程组就自动分离变量了，整个世界都清爽了。

✍️ 课后实战：交换性的威力

  1. （基础证明） 设 $\mathbf{A}$ 有 $n$ 个互异特征值 $\lambda_1, \dots, \lambda_n$，对应的特征向量为 $\boldsymbol{p}_1, \dots, \boldsymbol{p}_n$。若 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$，证明 $\mathbf{B}$ 在基 $\boldsymbol{p}_i$ 下也是对角矩阵（即 $\boldsymbol{p}_i$ 也是 $\mathbf{B}$ 的特征向量）。
🔐 点击查看解析 / Click to Reveal
【证】 由 $\mathbf{A}$ 的特征值互异可知，其特征子空间 $V_{\lambda_i}$ 均为一维，且由 $\boldsymbol{p}_i$ 生成。 根据正文结论，$\mathbf{B}$ 保持 $\mathbf{A}$ 的特征子空间不变。即 $\mathbf{B}\boldsymbol{p}_i \in V_{\lambda_i}$。 因为 $V_{\lambda_i}$ 是一维的，所以 $\mathbf{B}\boldsymbol{p}_i$ 必须与 $\boldsymbol{p}_i$ 共线。 即存在标量 $\mu_i$，使得： $$\mathbf{B}\boldsymbol{p}_i = \mu_i \boldsymbol{p}_i$$ 这意味着 $\boldsymbol{p}_i$ 也是 $\mathbf{B}$ 的特征向量。 若令 $\mathbf{P} = (\boldsymbol{p}_1, \dots, \boldsymbol{p}_n)$，则 $\mathbf{P}^{-1}\mathbf{B}\mathbf{P} = \text{diag}(\mu_1, \dots, \mu_n)$。
  1. （Frobenius 理论应用） 设 $\mathbf{A} = \text{diag}(1, 2, 3)$，$\mathbf{B}$ 是一个 $3 \times 3$ 矩阵。 若 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$，试确定 $\mathbf{B}$ 的形式。它有多少个自由参数？
🔐 点击查看解析 / Click to Reveal

【思路】 这道题直接考察了我们前面提到的“双中心化子”直觉。由于 $\mathbf{A}$ 的对角元（特征值）互异，$\mathbf{B}$ 受到极强的约束。

【解】 设 $\mathbf{B} = (b_{ij})_{3 \times 3}$。 计算 $\mathbf{A}\mathbf{B}$ 和 $\mathbf{B}\mathbf{A}$：

  • $\mathbf{A}\mathbf{B}$：第 $i$ 行乘以 $\lambda_i$。即 $(\lambda_i b_{ij})$。
  • $\mathbf{B}\mathbf{A}$：第 $j$ 列乘以 $\lambda_j$。即 $(b_{ij} \lambda_j)$。

要使 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$，必须有： $$\lambda_i b_{ij} = b_{ij} \lambda_j \implies b_{ij} (\lambda_i - \lambda_j) = 0$$ 已知 $\mathbf{A} = \text{diag}(1, 2, 3)$，特征值互异 ($\lambda_i \neq \lambda_j$ 当 $i \neq j$)。 所以当 $i \neq j$ 时，$(\lambda_i - \lambda_j) \neq 0$，这迫使 $b_{ij} = 0$。

结论： $\mathbf{B}$ 的非对角元全为 0，必须是对角矩阵： $$\mathbf{B} = \begin{pmatrix} b_{11} & 0 & 0 \\ 0 & b_{22} & 0 \\ 0 & 0 & b_{33} \end{pmatrix}$$ 它有 3 个自由参数。这正好对应了多项式 $c_0\mathbf{I} + c_1\mathbf{A} + c_2\mathbf{A}^2$ 的 3 个系数。这验证了 $\mathbf{B}$ 可以表示为 $\mathbf{A}$ 的多项式。

  1. （经典证明） 设 $\mathbf{A}$ 为 $n$ 阶实对称矩阵，$\mathbf{B}$ 为 $n$ 阶实反对称矩阵，且 $\mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}$。 证明：$\mathbf{A}$ 与 $\mathbf{B}$ 的乘积 $\mathbf{A}\mathbf{B}$ 是反对称矩阵。
🔐 点击查看解析 / Click to Reveal

【证】 我们要证明的是 $(\mathbf{A}\mathbf{B})^\mathsf{T} = - \mathbf{A}\mathbf{B}$。 利用转置运算法则： $$(\mathbf{A}\mathbf{B})^\mathsf{T} = \mathbf{B}^\mathsf{T} \mathbf{A}^\mathsf{T}$$ 利用 $\mathbf{A}, \mathbf{B}$ 的对称性/反对称性：

  • $\mathbf{A}$ 对称 $\implies \mathbf{A}^\mathsf{T} = \mathbf{A}$
  • $\mathbf{B}$ 反对称 $\implies \mathbf{B}^\mathsf{T} = - \mathbf{B}$

代入得： $$(\mathbf{A}\mathbf{B})^\mathsf{T} = (-\mathbf{B}) \mathbf{A} = - \mathbf{B}\mathbf{A}$$ 关键一步！利用可交换性 $\mathbf{A}\mathbf{B} = \mathbf{B}\mathbf{A}$： $$- \mathbf{B}\mathbf{A} = - \mathbf{A}\mathbf{B}$$ 证毕。

线性代数重构计划 (The Plan)

相关文章：

加载评论