线性代数——二次型

这篇具有很好参考价值的文章主要介绍了线性代数——二次型。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

系列文章目录

  • 学习高等数学和线性代数需要的初等数学知识
  • 线性代数——行列式
  • 线性代数——矩阵
  • 线性代数——向量
  • 线性代数——线性方程组
  • 线性代数——特征值和特征向量
  • 线性代数——二次型

版权声明

本文大部分内容皆来自李永乐老师考研教材和视频课。

二次型

将含有 n n n个变量 x 1 , x 2 , … , x n x_1,x_2,\dots,x_n x1,x2,,xn的二次齐次函数 f ( x 1 , x 2 , … , x n ) f(x_1,x_2,\dots,x_n) f(x1,x2,,xn)称为 n n n二次型。现有一二次型
x 1 2 + 5 x 2 2 − 4 x 3 2 − 2 x 1 x 2 + 6 x 2 x 3 = x 1 2 − x 1 x 2 − x 1 x 2 + 5 x 2 2 + 3 x 2 x 3 + 3 x 2 x 3 − 4 x 3 2 = x 1 ( x 1 − x 2 ) + x 2 ( − x 1 + 5 x 2 + 3 x 3 ) + x 3 ( 3 x 2 − 4 x 3 ) = [ x 1 x 2 x 3 ] [ x 1 − x 2 − x 1 + 5 x 2 + 3 x 3 3 x 2 − 4 x 3 ] = [ x 1 x 2 x 3 ] [ 1 − 1 0 − 1 5 3 0 3 − 4 ] [ x 1 x 2 x 3 ] x_1^2+5x_2^2-4x_3^2-2x_1x_2+6x_2x_3\\ =x_1^2-x_1x_2-x_1x_2+5x_2^2+3x_2x_3+3x_2x_3-4x_3^2\\ =x_1(x_1-x_2)+x_2(-x_1+5x_2+3x_3)+x_3(3x_2-4x_3)\\ {=} \begin{bmatrix} x_1&x_2&x_3 \end{bmatrix} \begin{bmatrix} x_1-x_2\\ -x_1+5x_2+3x_3\\ 3x_2-4x_3 \end{bmatrix}\\ {=} \begin{bmatrix} x_1&x_2&x_3 \end{bmatrix} \begin{bmatrix} 1&-1&0\\ -1&5&3\\ 0&3&-4 \end{bmatrix} \begin{bmatrix} x_1\\ x_2\\ x_3 \end{bmatrix} x12+5x224x322x1x2+6x2x3=x12x1x2x1x2+5x22+3x2x3+3x2x34x32=x1(x1x2)+x2(x1+5x2+3x3)+x3(3x24x3)=[x1x2x3] x1x2x1+5x2+3x33x24x3 =[x1x2x3] 110153034 x1x2x3
那么对于 n n n元二次型有矩阵表示
f ( x 1 , x 2 , … , x n ) = x T A x f(x_1,x_2,\dots,x_n)=x^TAx f(x1,x2,,xn)=xTAx
其中 x = ( x 1 , x 2 , … , x n ) T , A = [ a i j ] x=(x_1,x_2,\dots,x_n)^T,A=[a_{ij}] x=(x1,x2,,xn)T,A=[aij],并且规定将 A A A化为对称矩阵,因为对称矩阵是唯一的,所以就能唯一确认一个二次型,那么就称 A A A二次型的矩阵 r ( A ) r(A) r(A)称为二次型的秩,记为 r ( f ) r(f) r(f)。 如果二次型中只含有变量的平方项,所有混合项 x i x j ( i ≠ j ) x_ix_j(i\neq j) xixj(i=j)的系数全为零,即
x T A x = d 1 x 1 2 + d 2 x 2 2 + ⋯ + d n x n 2 x^TAx=d_1x_1^2+d_2x_2^2+\dots+d_nx_n^2 xTAx=d1x12+d2x22++dnxn2
则称这样的二次型为标准型,在标准型中,若平方项的系数 d j d_j dj 1 , − 1 1,-1 1,1 0 0 0,即
x T A x = x 1 2 + x 2 2 + ⋯ + x p 2 − x p + 1 2 − ⋯ − x p + q 2 x^TAx=x_1^2+x_2^2+\dots+x_p^2-x_{p+1}^2-\dots-x_{p+q}^2 xTAx=x12+x22++xp2xp+12xp+q2
则称其为二次型的规范型。在标准型中,正平方项的个数 p p p称为二次型的正惯性指数,负平方项的个数 q q q称为二次型的负惯性指数

  • 在求解二次型的矩阵时,如果得出的矩阵 B B B不是对称矩阵,那么可通过以下方法将该矩阵化为对称矩阵 A A A
    • a i i = b i i a_{ii}=b_{ii} aii=bii
    • a i j = 1 2 ( b i j + b j i ) a_{ij}=\frac{1}{2}(b_{ij}+b_{ji}) aij=21(bij+bji)

坐标变换

如果
[ x 1 x 2 x 3 ]   = [ c 11 c 12 c 13 c 21 c 22 c 23 c 31 c 32 c 33 ] [ y 1 y 2 y 3 ] ⇓ x = C y \begin{bmatrix} x_1\\ x_2\\ x_3 \end{bmatrix} \ = \begin{bmatrix} c_{11}&c_{12}&c_{13}\\ c_{21}&c_{22}&c_{23}\\ c_{31}&c_{32}&c_{33}\\ \end{bmatrix} \begin{bmatrix} y_1\\ y_2\\ y_3 \end{bmatrix}\\ \Downarrow\\ x=Cy x1x2x3  = c11c21c31c12c22c32c13c23c33 y1y2y3 x=Cy
满足 | C ∣ ≠ 0 \colorbox{axqua}|C|\neq 0 |C=0,则称上式为 x = ( x 1 , x 2 , x 3 ) T x=(x_1,x_2,x_3)^T x=(x1,x2,x3)T y = ( y 1 , y 2 , y 3 ) T y=(y_1,y_2,y_3)^T y=(y1,y2,y3)T坐标变换。任何一个二次型 x T A x x^TAx xTAx都可以通过坐标变换化成标准型,通常有以下两种方法:

  • 配方法
    例:将二次型 f ( x 1 , x 2 , x 3 ) = x 1 2 + 2 x 2 2 + 5 x 3 2 + 2 x 1 x 2 + 2 x 1 x 3 + 6 x 2 x 3 f(x_1,x_2,x_3)=x_1^2+2x_2^2+5x_3^2+2x_1x_2+2x_1x_3+6x_2x_3 f(x1,x2,x3)=x12+2x22+5x32+2x1x2+2x1x3+6x2x3化为标准型。
    解:
    f ( x 1 , x 2 , x 3 ) = [ x 1 2 + 2 x 1 ( x 2 + x 3 ) + ( x 2 + x 3 ) 2 ] − ( x 2 + x 3 ) 2 + 2 x 2 2 + 5 x 3 2 + 6 x 2 x 3 = ( x 1 + x 2 + x 3 ) 2 + x 2 2 + 4 x 2 x 3 + 4 x 3 2 = ( x 1 + x 2 + x 3 ) 2 + ( x 2 + x 3 ) 2 f(x_1,x_2,x_3)=[x_1^2+2x_1(x_2+x_3)+(x_2+x_3)^2]-(x_2+x_3)^2+2x_2^2+5x_3^2+6x_2x_3\\ =(x_1+x_2+x_3)^2+x_2^2+4x_2x_3+4x_3^2\\ =(x_1+x_2+x_3)^2+(x_2+x_3)^2 f(x1,x2,x3)=[x12+2x1(x2+x3)+(x2+x3)2](x2+x3)2+2x22+5x32+6x2x3=(x1+x2+x3)2+x22+4x2x3+4x32=(x1+x2+x3)2+(x2+x3)2

    { y 1 = x 1 + x 2 + x 3 y 2 = x 2 + x 3 y 3 = x 3 ⇒ { x 1 = y 1 − y 2 + y 3 x 2 = y 2 − 2 y 3 x 3 = y 3 \begin{cases} y_1=x_1+x_2+x_3\\ y_2=x_2+x_3\\ y_3=x_3 \end{cases} \Rightarrow \begin{cases} x_1=y_1-y_2+y_3\\ x_2=y_2-2y_3\\ x_3=y_3 \end{cases} y1=x1+x2+x3y2=x2+x3y3=x3 x1=y1y2+y3x2=y22y3x3=y3
    x = C y , C = [ 1 − 1 1 0 1 − 2 0 0 1 ] x=Cy,C=\begin{bmatrix}1&-1&1\\0&1&-2\\0&0&1\end{bmatrix} x=Cy,C= 100110121
  • 正交变换法
    当且仅当 A A A n n n阶实对称矩阵时, A A A必可对角化,且总存在正交矩阵 Q Q Q,使得
    Q − 1 A Q = Q T A Q = Λ = [ λ 1 λ 2 ⋱ λ n ] Q^{-1}AQ=Q^TAQ=\Lambda= \begin{bmatrix} \lambda_1&&&\\ &\lambda_2&&\\ &&\ddots&\\ &&&\lambda_n\\ \end{bmatrix} Q1AQ=QTAQ=Λ= λ1λ2λn
    那么令 x = Q y x=Qy x=Qy,则
    x T A x = ( Q y ) T A ( Q y ) = y T Q T A Q y = y T Λ y = λ 1 y 1 2 + λ 2 y 2 2 + ⋯ + λ n y n 2 x^TAx=(Qy)^TA(Qy)\\ =y^TQ^TAQy\\ =y^T\Lambda y\\ =\lambda_1y_1^2+\lambda_2y_2^2+\dots+\lambda_ny_n^2 xTAx=(Qy)TA(Qy)=yTQTAQy=yTΛy=λ1y12+λ2y22++λnyn2
    即对任意一个 n n n元二次型 x T A x x^TAx xTAx,其中 A A A n n n阶实对称矩阵,必存在正交变换 x = Q y x=Qy x=Qy Q Q Q是正交矩阵),使得 x T A x x^TAx xTAx化成标准型
    λ 1 y 1 2 + λ 2 y 2 2 + ⋯ + λ n y n 2 \lambda_1y_1^2+\lambda_2y_2^2+\dots+\lambda_ny_n^2 λ1y12+λ2y22++λnyn2
    这里 λ 1 , λ 2 , … λ n \lambda_1,\lambda_2,\dots\lambda_n λ1,λ2,λn A A A n n n个特征值。对标准型再次进行坐标变换即可化为规范型。

坐标变换的性质如下:

  • 二次型 x T A x x^TAx xTAx经坐标变换 x = C y x=Cy x=Cy得到二次型 y T B y y^TBy yTBy,其中 B = C T A C B=C^TAC B=CTAC
  • 惯性定理:对于一个二次型,不论选取怎样的坐标变换使其化为标准型,其中正平方项的个数 p p p,负平方项的个数 q q q都是由所给二次型唯一确定的。即二次型的规范型是唯一确认的。

矩阵合同

两个 n n n阶矩阵 A A A B B B,如果存在可逆矩阵 C C C,使得 B = C T A C B=C^TAC B=CTAC就称矩阵 A A A B B B合同,记作 A ≃ B A\simeq B AB,并称由 A A A B B B的变换为合同变换,称 C C C为合同变换的矩阵。 给定一个二次型
f ( x 1 , x 2 , x 3 ) = x T A x f(x_1,x_2,x_3)=x^TAx f(x1,x2,x3)=xTAx
对其进行一次任意的 x = C y x=Cy x=Cy坐标变换:
f ( x 1 , x 2 , x 3 ) = x T A x = ( C y ) T A ( C y ) = y T C T A C y = y T B y f(x_1,x_2,x_3)=x^TAx\\ =(Cy)^TA(Cy)\\ =y^TC^TACy\\ =y^TBy f(x1,x2,x3)=xTAx=(Cy)TA(Cy)=yTCTACy=yTBy
其中 B = C T A C B^=C^TAC B=CTAC,即 A ≃ B ⇔ A\simeq B\Leftrightarrow AB对二次型 x T A x x^TAx xTAx做一次 x = C y x=Cy x=Cy坐标变换。合同的性质如下:

  • A ≃ A A\simeq A AA
  • A ≃ B ⇒ B ≃ A A\simeq B\Rightarrow B\simeq A ABBA
  • A ≃ B , B ≃ C ⇒ A ≃ C A\simeq B,B\simeq C\Rightarrow A\simeq C AB,BCAC
  • 对于实对称矩阵而言:
    • A ≃ B ⇔ x T A x A\simeq B\Leftrightarrow x^TAx ABxTAx x T B x x^TBx xTBx有相同的正、负惯性指数。
    • A ≃ B A\simeq B AB,其中一个为实对称矩阵,则另一个必为实对称矩阵。

正定二次型

设二次型 x T A x x^TAx xTAx,如果对任何 x ≠ O x\neq O x=O,恒有 x T A x > 0 x^TAx>0 xTAx>0,则称二次型 x T A x x^TAx xTAx正定二次型,并称矩阵 A A A正定矩阵

  • 正定二次型经坐标变换其正定性保持不变。
  • n n n元二次型 x T A x x^TAx xTAx正定
    ⇔ A \Leftrightarrow A A的正惯性指数是 n n n
    ⇔ A \Leftrightarrow A A E E E合同
    ⇔ A \Leftrightarrow A A的所有特征值均为正数
    ⇔ A \Leftrightarrow A A的各阶顺序主子式均大于零
    ⇒ a i i > 0 \Rightarrow a_{ii}>0 aii>0
    ⇒ ∣ A ∣ > 0 \Rightarrow |A|>0 A>0
    ⇒ \Rightarrow 平方项系数大于零

偏导法求解二次型

在使用配方法求解二次型的规范型时,极其需要技巧性,而偏导法求是一种通用型的简易方法,它将求解二次型分为以下两种情形:文章来源地址https://www.toymoban.com/news/detail-615325.html

  • 情形一:如果 f ( x 1 , … , x n ) f(x_1,\dots,x_n) f(x1,,xn)中含有某变量的平方项,即 a i i ( i = 1 , … , n ) a_{ii}(i=1,\dots,n) aii(i=1,,n)中至少有一个不为零,不妨设 a 11 ≠ 0 a_{11}\neq0 a11=0,记 f 1 = 1 2 ∂ f ∂ x 1 f_1=\frac{1}{2} \frac{\partial f}{\partial x_1} f1=21x1f,令
    f ( x 1 , … , x n ) = 1 a 11 ( f 1 ) 2 + g f(x_1,\dots,x_n)=\frac{1}{a_{11}}(f_1)^2+g f(x1,,xn)=a111(f1)2+g
    求得 g g g,此时 g g g中已不含 x 1 x_1 x1,再记 g 1 = 1 2 ∂ g ∂ x 2 g_1=\frac{1}{2} \frac{\partial g}{\partial x_2} g1=21x2g,并令
    f ( x 1 , … , x n ) = 1 a 11 ( f 1 ) 2 + 1 a 22 ( g 1 ) 2 + h f(x_1,\dots,x_n)=\frac{1}{a_{11}}(f_1)^2+\frac{1}{a_{22}}(g_1)^2+h f(x1,,xn)=a111(f1)2+a221(g1)2+h
    此时 h h h中已不含 x 1 x_1 x1 x 2 x_2 x2,按照这种步骤继续运算,可将二次型转换为标准型。
  • 情形二:如果 f ( x 1 , … , x n ) f(x_1,\dots,x_n) f(x1,,xn)中不含有任一变量的平方项,即 a i i = 0 ( i = 1 , … , n ) a_{ii}=0(i=1,\dots,n) aii=0(i=1,,n),但至少有一个 a 1 j ≠ 0 ( j > 1 ) a_{1j}\neq0(j>1) a1j=0(j>1)不为零 ( a i j (a_{ij} (aij x 1 x 2 x_1x_2 x1x2项的系数),不妨设 a 12 ≠ 0 a_{12}\neq0 a12=0,记 f 1 = 1 2 ∂ f ∂ x 1 , f 2 = 1 2 ∂ f ∂ x 2 f_1=\frac{1}{2}\frac{\partial f}{\partial x_1},f_2=\frac{1}{2}\frac{\partial f}{\partial x_2} f1=21x1f,f2=21x2f,令
    f ( x 1 , … , x n ) = 1 a 12 [ ( f 1 + f 2 ) 2 − ( f 1 − f 2 ) 2 ] + ψ f(x_1,\dots,x_n)=\frac{1}{a_{12}}[(f_1+f_2)^2-(f_1-f_2)^2]+\psi f(x1,,xn)=a121[(f1+f2)2(f1f2)2]+ψ
    求得 ψ \psi ψ,此时 ψ \psi ψ中已不含 x 1 x_1 x1 x 2 x_2 x2,观察 ψ \psi ψ的结构,如果 ψ \psi ψ中含有变量的平方项,则按照情形1中的方法进行,否则按照情形2中的方法进行,直至二次型化为标准型。

到了这里,关于线性代数——二次型的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性代数-二次型及其正定性

    二次型:含有n个变量的二次齐次多项式 二次型矩阵:x T Ax,其中A为实对称矩阵 任给一个实二次型,就唯一确定一个实对称矩阵;反之,任给一个实对称矩阵,也可以唯一确认一个实二次型,因此,实二次型与实对称矩阵之间存在一一对应关系, 称实对称矩阵A为二次型f的矩阵,二次型f称为

    2024年02月08日
    浏览(46)
  • 【考研数学】线性代数第六章 —— 二次型(3,正定矩阵与正定二次型)

    (1)二次型 f ( x 1 , x 2 , x 3 ) = x 1 2 + 3 x 2 2 + 2 x 3 2 = X T A X f(x_1,x_2,x_3)=x_1^2+3x_2^2+2x_3^2=pmb{X^TAX} f ( x 1 ​ , x 2 ​ , x 3 ​ ) = x 1 2 ​ + 3 x 2 2 ​ + 2 x 3 2 ​ = X T A X 有如下特点: 对任意的 x 1 , x 2 , x 3 x_1,x_2,x_3 x 1 ​ , x 2 ​ , x 3 ​ ,有 f ( x 1 , x 2 , x 3 ) ≥ 0 f(x_1,x_2,x_3)geq0 f ( x 1 ​

    2024年02月07日
    浏览(48)
  • 【考研数学】线性代数第六章 —— 二次型(2,基本定理及二次型标准化方法)

    了解了关于二次型的基本概念以及梳理了矩阵三大关系后,我们继续往后学习二次型的内容。 定理 1 —— (标准型定理)任何二次型 X T A X pmb{X}^Tpmb{AX} X T A X 总可以经过可逆的线性变换 X = P Y pmb{X=PY} X = P Y ,即 P pmb{P} P 为可逆矩阵,把二次型 f ( X ) f(pmb{X}) f ( X ) 化为标准

    2024年02月07日
    浏览(41)
  • 线性代数Python计算:二次型的标准形计算

    为寻求正交变换 y = P T x boldsymbol{y}=boldsymbol{P}^text{T}boldsymbol{x} y = P T x ,使得二次型 f = x T A x f=boldsymbol{x}^text{T}boldsymbol{Ax} f = x T Ax 的标准形为 f = y T Λ y f=boldsymbol{y}^text{T}boldsymbol{Lambda y} f = y T Λ y ,其中 Λ boldsymbol{Lambda} Λ 为一对角阵,只需要调用numpy.linalg的eigh函数

    2023年04月20日
    浏览(82)
  • 从零开始学数据分析之——《线性代数》第六章 二次型

    6.1.1 二次型及其矩阵 定义:n个变量的二次齐次函数                          称为的一个n元二次型,简称为二次型 二次型转换为矩阵表达式: 1)平方项的系数直接作为主对角元素 2)交叉项的系数除以2放两个对称的相应位置上 二次型的矩阵一定是对称的 二次型

    2024年01月20日
    浏览(39)
  • 线性代数(应用篇):第五章:特征值与特征向量、第六章:二次型

    1.定义 设 A A A 是 n n n 阶方阵, λ λ λ 是一个数,若存在 n n n 维非零列向量 ξ ξ ξ ,使得 A ξ = λ ξ ( ξ ≠ 0 ) Aξ=λξ quad (ξ≠0) A ξ = λ ξ ( ξ  = 0 ) 则称 λ λ λ 是 A A A 的特征值, ξ ξ ξ 是 A A A 的对应于(属于)特征值 λ λ λ 的特征向量。 注: ①只有方阵才有特征值和特征

    2024年02月14日
    浏览(46)
  • 线性代数(应用篇):Ch5.相似理论 Ch6.二次型

    1.定义 设 A A A 是 n n n 阶方阵, λ λ λ 是一个数,若存在 n n n 维非零列向量 ξ ξ ξ ,使得 A ξ = λ ξ ( ξ ≠ 0 ) Aξ=λξ quad (ξ≠0) A ξ = λ ξ ( ξ  = 0 ) 则称 λ λ λ 是 A A A 的特征值, ξ ξ ξ 是 A A A 的对应于(属于)特征值 λ λ λ 的特征向量。 注: ①只有方阵才有特征值和特征

    2024年02月03日
    浏览(50)
  • 线性代数高级--二次型--特征值与特征向量--特征值分解--多元函数的泰勒展开

    目录 二次型 概念 示例   性质和特点 特征值与特征向量 概念 示例  注意  性质和特点  特征值分解 注意 多元函数的泰勒展开  回顾一元函数泰勒展开  多元函数的泰勒展开 概念 二次型是一个关于向量的二次多项式,通常用矩阵表示。 考虑一个n维向量x = [x₁, x₂, ...,

    2024年02月11日
    浏览(53)
  • 机器学习-线性代数

    二维空间-Singular 平行的线是 linear dependence 的,singular的,相交的线是Non-singular的,交点就是二元方程解   在机器学习的计算过程中,等式右边的常数全部转化为0,确保每条线都经过(0,0) 三维空间-singular 平面相交于一条线或者重叠,则为singular 线性相关 有唯一解的方程

    2024年03月20日
    浏览(50)
  • 机器学习线性代数基础

    本文是斯坦福大学CS 229机器学习课程的基础材料,原始文件下载 原文作者:Zico Kolter,修改:Chuong Do, Tengyu Ma 翻译:黄海广 备注:请关注github的更新,线性代数和概率论已经更新完毕。 1. 基础概念和符号 线性代数提供了一种紧凑地表示和操作线性方程组的方法。 例如,以

    2024年02月13日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包