线性代数——二次型和矩阵的正定

引言

• 绘制二次曲线$xy=1$和$\frac{y^2}{2}-\frac{x^2}{2}=1$的图像

import numpy as np
import matplotlib.pyplot as plt
import mpl_toolkits.axisartist as axisartist

# 创建画布
fig = plt.figure(figsize=(12, 6))
# 使用axisartist.Subplot方法创建一个绘图区对象ax
ax = axisartist.Subplot(fig, 121)  
# 将绘图区对象添加到画布中
fig.add_axes(ax)
# 设置绘图区所有坐标轴隐藏
ax.axis[:].set_visible(False)
# 添加新的坐标轴，第一个0代表平行直线，第二个0代表该直线经过0点
ax.axis["x"] = ax.new_floating_axis(0,0)
# 给x坐标轴加上箭头，"->"表示是空箭头，size = 1.0表示箭头大小
ax.axis["x"].set_axisline_style("->", size = 1.0)
# 添加y坐标轴，且加上箭头，"-|>"是实心箭头
ax.axis["y"] = ax.new_floating_axis(1,0)
ax.axis["y"].set_axisline_style("-|>", size = 1.0)
# 设置x、y轴上刻度显示方向
ax.axis["x"].set_axis_direction("top")
ax.axis["y"].set_axis_direction("right")
# 设置坐标距离
plt.axis("equal")
# 添加标题
plt.title(r'$xy=1$', y=1.1)
# 计算点
x1 = np.linspace(-5, -0.2, 100)
x2 = np.linspace(0.2, 5, 100)
plt.plot(x1, 1/x1, x2, 1/x2)

# 绘制第二幅图
ax2 = axisartist.Subplot(fig, 122)  
fig.add_axes(ax2)
ax2.axis[:].set_visible(False)
ax2.axis["x"] = ax2.new_floating_axis(0,0)
ax2.axis["x"].set_axisline_style("->", size = 1.0)
ax2.axis["y"] = ax2.new_floating_axis(1,0)
ax2.axis["y"].set_axisline_style("-|>", size = 1.0)
ax2.axis["x"].set_axis_direction("top")
ax2.axis["y"].set_axis_direction("right")
plt.axis("equal")
plt.title(r'$\frac{y^2}{2}-\frac{x^2}{2}=1$', y=1.1)
x = np.linspace(-5, 5, 100)
y1 = (x**2 + 2)**0.5
plt.plot(x, -y1, x, y1)

plt.show()

• 对比两个图像，相当于旋转了45°
• 通过变量的线性变换化简一个二次齐次多项式，使它只含有平方项，就是把方程化为标准形。
• 这样做的意义是便于研究二次曲线，如标准形$m{x}^2+n{y}^2=1$中m和n的正负代表不同类型的双曲线。

二次型

• 含有n个变量x₁，x₂，…，x_n的二次齐次函数$$\begin{gathered} f(x_1,x_2,\cdots ,x_n)=a_{11}{x}_1^2+a_{22}{x}_2^2+\cdots +a_{nn}{x}_n^2 \\ +2a_{12}{x}_1{x}_2+2a_{13}{x}_1{x}_3+\cdots +2a_{n-1,n}{x}_{n-1}{x}_n \end{gathered}$$称为二次型。
• 对于二次型，主要问题是寻求可逆的线性变换$$\{\begin{array}{c}{x}_1=c_{11}{y}_1+c_{12}{y}_2+\cdots +c_{1n}{y}_n,\\ x_2=c_{21}{y}_1+c_{22}{y}_2+\cdots +c_{2n}{y}_n,\\ \cdots \\ x_n=c_{n1}{y}_1+c_{n2}{y}_2+\cdots +c_{nn}{y}_n,\end{array}$$使二次型只含有平方项，也就是$$f=k_1{y}_1^2+k_2{y}_2^2+\cdots +k_n{y}_n^2,$$这种只含有平方项的二次型，称为二次型的标准型（或法式）。
• 如果标准形的系数只在1，-1，0三个数中取值，也就是$$f=y_1^2+\cdots +y_p^2-y_{p+1}^2-\cdots -y_r^2,$$则称上式为二次型的规范形。
• 取$a_{ij}=a_{ji}$，则$2a_{ij}{x}_i{x}_j=a_{ij}{x}_i{x}_j+a_{ji}{x}_j{x}_i$，于是$$\begin{gathered} f=a_{11}{x}_1^2+a_{12}{x}_1{x}_2+\cdots +a_{1n}{x}_1{x}_n \\ +a_{21}{x}_2{x}_1+a_{22}{x}_2^2+\cdots +a_{2n}{x}_2{x}_n \\ +\cdots +a_{n1}{x}_n{x}_1+a_{n2}{x}_n{x}_2+\cdots +a_{nn}{x}_n^2 \\ =\sum _{i,j=1}^n{a}_{ij}{x}_i{x}_j \\ =\left(x_1,x_2,\cdots ,x_n\right)\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right]\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right] \\ =x^{T}Ax \end{gathered}$$其中A为对称阵。
  【例】$f=x^2-3z^2-4xy+yz$用矩阵记号写出来，就是$$f=(x,y,z)\left[\begin{array}{ccc}1& -2& 0\\ -2& 0& \frac{1}{2}\\ 0& \frac{1}{2}& -3\end{array}\right]\left[\begin{array}{c}x\\ y\\ z\end{array}\right]$$

二次型化标准形和规范形

• 如果A是对角阵，f就是标准形。
• 定理：任给二次型$f={\sum }_{i,j=1}^n{a}_{ij}{x}_i{x}_j(a_{ij}=a_{ji})$，总有正交变换x=Py，使f化为标准形$f={\lambda }_1{y}_1^2+{\lambda }_2{y}_2^2+\cdots +{\lambda }_n{y}_n^2$，其中${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_n$是f的矩阵A的特征值。
  证明：任给对称阵A，总有正交阵P，使P^-1AP = P^TAP = Λ，其中Λ是以A的n个特征值为对角元的对角阵，于是有$$A=(P^T{)}^{-1}\Lambda P^{-1}=(P^{-1}{)}^T\Lambda P^{-1}\stackrel{令Q=P^{-1}}{=}{Q}^T\Lambda Q,$$$$f=x^{T}Ax=x^T{Q}^T\Lambda Qx=(Qx{)}^T\Lambda Qx\stackrel{令y=Qx}{=}{y}^T\Lambda y$$
• 要把标准形$f={\lambda }_1{y}_1^2+{\lambda }_2{y}_2^2+\cdots +{\lambda }_n{y}_n^2$化成规范形，只需令$$\{\begin{array}{c}{z}_1=\sqrt{|{\lambda }_1|}{y}_1\\ z_2=\sqrt{|{\lambda }_2|}{y}_2\\ \cdots \\ z_n=\sqrt{|{\lambda }_n|}{y}_n\end{array}$$即得f的规范形$$f=\pm z_1^2\pm z_2^2\pm \cdots \pm z_n^2(正负与{\lambda }_i相同).$$

正定二次型

• 惯性定理：设有二次型$f=x^{T}Ax$，它的秩为r，有两个可逆变换x=Cy和x=Pz使$$f=k_1{y}_1^2+k_2{y}_2^2+\cdots +k_r{y}_r^2(k_i\ne 0)$$及$$f={\lambda }_1{z}_1^2+{\lambda }_2{z}_2^2+\cdots +{\lambda }_r{z}_r^2({\lambda }_i\ne 0),$$则k₁，…，k_r中正数的个数与λ₁，…，λ_r中正数的个数相等。
• 二次型的标准形中正系数的个数称为二次型的正惯性指数，负系数的个数称为负惯性指数。
• 设有二次型$f=x^{T}Ax$，如果对任何x ≠ 0，都有f > 0，则称f为正定二次型，并称对称阵A是正定的；如果对任何x ≠ 0，都有f < 0，则称f为负定二次型，并称对称阵A是负定的。f⩾0,半正定；f⩽0,半负定。
• 定理：n元二次型$f=x^{T}Ax$为正定的充分必要条件是：它的标准形的n个系数全为正，即它的规范形的n个系数全为1，亦即它的正惯性指数等于n。
• 推论：对称阵A为正定的充分必要条件是：A的特征值全为正，即|A|≠0，亦即A可逆。