行列式
- n阶行列式的某一行(列)的每个元素与另一行(列)对应元素的代数余子式乘积之和为0
- 若n×n行列式为从左下到右上的对角行列式,则其符号为 ( − 1 ) n ( n + 1 ) n (-1)^{\frac{n(n+1)}{n}} (−1)nn(n+1)
矩阵
- [ λ λ … … λ ] k = [ λ k λ k … … λ k ] \begin{bmatrix} \lambda&&& &\\&\lambda&&&\\&&……&&\\&&&&\lambda \end{bmatrix}^{k}=\begin{bmatrix} \lambda ^k&&& &\\&\lambda ^k&&&\\&&……&&\\&&&&\lambda ^k\end{bmatrix} ⎣⎢⎢⎡λλ……λ⎦⎥⎥⎤k=⎣⎢⎢⎡λkλk……λk⎦⎥⎥⎤
- 矩阵A和B可交换 ⇒ \Rightarrow ⇒AB=BA
- A A ∗ = ∣ A ∣ AA^*=|A| AA∗=∣A∣
- 矩阵A可逆 ⇒ ∣ A ∣ ̸ = 0 \Rightarrow |A|\not=0 ⇒∣A∤=0
- ∣ A − 1 ∣ = ∣ A ∣ − 1 |A^{-1}|=|A|^{-1} ∣A−1∣=∣A∣−1
- ∣ A ∗ ∣ = ∣ A ∣ n − 1 |A^*|=|A|^{n-1} ∣A∗∣=∣A∣n−1
- 分块矩阵:
D
=
[
A
O
O
B
]
D=\begin{bmatrix}A&O\\O&B\end{bmatrix}
D=[AOOB],则
D
n
=
[
A
O
O
B
]
n
D^n=\begin{bmatrix}A&O\\O&B\end{bmatrix}^n
Dn=[AOOB]n;
∣ D n ∣ = ∣ A n ∣ ∣ B n ∣ |D^n|=\begin{vmatrix}A^n\end{vmatrix}\begin{vmatrix}B^n\end{vmatrix} ∣Dn∣=∣∣An∣∣∣∣Bn∣∣
∣ D n ∣ = ∣ A n ∣ ∣ B n ∣ |D^n|=\begin{vmatrix}A^n\end{vmatrix}\begin{vmatrix}B^n\end{vmatrix} ∣Dn∣=∣∣An∣∣∣∣Bn∣∣ ∣ D n ∣ = ∣ A n ∣ ∣ B n ∣ |D^n|=\begin{vmatrix}A^n\end{vmatrix}\begin{vmatrix}B^n\end{vmatrix} ∣Dn∣=∣∣An∣∣∣∣Bn∣∣ - 矩阵A是对称矩阵 ,则 A T = A A^T=A AT=A
- 矩阵A是反对称矩阵 ,则 A T = − A A^T=-A AT=−A
- 矩阵A是正定矩阵 ,则 A A T = E AA^T=E AAT=E
- 矩阵A,B为n阶矩阵,则 ∣ A B ∣ = ∣ A ∣ ∣ B ∣ |AB|=|A||B| ∣AB∣=∣A∣∣B∣
- ∣ A T ∣ = ∣ A ∣ |A^T|=|A| ∣AT∣=∣A∣
线性方程组
- 方程有解: { 唯 一 解 : r ( A ) = r ( A ‾ ) = n 无 穷 解 : r ( A ) = r ( A ‾ ) < n \begin{cases}唯一解:r(A)=r(\overline{A})=n\\无穷解:r(A)=r(\overline{A})<n\end{cases} {唯一解:r(A)=r(A)=n无穷解:r(A)=r(A)<n
- 方程无解: r ( A ) ̸ = r ( A ‾ ) r(A)\not=r(\overline{A}) r(A)̸=r(A)
- 非齐次线性方程组有解判别:
- 求|A|,并令|A|=0 (有未知量时,求解未知量 λ \lambda λ)
- 若 ∣ A ∣ ̸ = 0 |A|\not=0 ∣A∤=0,则方程有唯一解;若|A|=0,方程无穷解,此时进一步讨论
- 将 λ \lambda λ代入原矩阵,若 r ( A ) ̸ = r ( A ‾ ) r(A)\not=r(\overline{A}) r(A)̸=r(A),方程无解,否则进一步讨论
- 将增广矩阵 A ‾ \overline{A} A化为阶梯形,求自由未知量
令自由未知量为0,求得特解 ξ ∗ \xi ^* ξ∗,再分别令各个自由未知量为1,求 ξ i \xi _i ξi- 则通解为 ξ ∗ + k 1 ξ 1 + k 2 ξ 2 + … … \xi ^*+k_1\xi_1+k_2\xi _2+…… ξ∗+k1ξ1+k2ξ2+……
向量与坐标变换
- 向量线性相关性判别:
- (定义)对于m个n维向量 α 1 , α 2 , … … α m \alpha _1,\alpha _2,……\alpha _m α1,α2,……αm,若存在一组不全为零的数 k 1 , k 2 , … … , k m k_1,k_2,……,k_m k1,k2,……,km使得线性组合 k 1 α 1 + k 2 α 2 + , … … , k m α m = 0 k_1\alpha _1+k_2\alpha _2+,……,k_m\alpha _m=0 k1α1+k2α2+,……,kmαm=0成立,则称向量组 α 1 , α 2 , … … α m \alpha _1,\alpha _2,……\alpha _m α1,α2,……αm线性相关
- 记 A = [ α 1 , α 2 , … … α s ] A=[\alpha _1,\alpha _2,……\alpha _s] A=[α1,α2,……αs]
向量 β \beta β可由向量组 [ α 1 , α 2 , … … α s ] [\alpha _1,\alpha _2,……\alpha _s] [α1,α2,……αs]线性表出
   ⟺    \iff ⟺非齐次线性方程组
[ α 1 , α 2 , … … α s ] [ x 1 x 2 . . . x s ] = α 1 x 1 + α 2 x 2 + … α s x s = β [\alpha _1,\alpha _2,……\alpha _s]\begin{bmatrix}x_1\\x_2\\.\\.\\.\\x_s\end{bmatrix}=\alpha _1x_1+\alpha _2x_2+…\alpha _sx_s=\beta [α1,α2,……αs]⎣⎢⎢⎢⎢⎢⎢⎡x1x2...xs⎦⎥⎥⎥⎥⎥⎥⎤=α1x1+α2x2+…αsxs=β 有解
   ⟺    \iff ⟺ r [ α 1 , α 2 , … … α s ] = r [ α 1 , α 2 , … … α s , β ] r[\alpha _1,\alpha _2,……\alpha _s]=r[\alpha _1,\alpha _2,……\alpha _s,\beta] r[α1,α2,……αs]=r[α1,α2,……αs,β]
(不能线性表出    ⟺    A x = 0 只 有 零 解    ⟺    r ( A ) ̸ = r ( [ A , β ] ) \iff Ax=0只有零解\iff r(A)\not= r([A,\beta]) ⟺Ax=0只有零解⟺r(A)̸=r([A,β]))- 向量组 α 1 , α 2 , … … α s \alpha _1,\alpha _2,……\alpha _s α1,α2,……αs线性相关
   ⟺    \iff ⟺齐次线性方程组
[ α 1 , α 2 , … … α s ] [ x 1 x 2 . . . x s ] = α 1 x 1 + α 2 x 2 + … α s x s = 0 [\alpha _1,\alpha _2,……\alpha _s]\begin{bmatrix}x_1\\x_2\\.\\.\\.\\x_s\end{bmatrix}=\alpha _1x_1+\alpha _2x_2+…\alpha _sx_s=0 [α1,α2,……αs]⎣⎢⎢⎢⎢⎢⎢⎡x1x2...xs⎦⎥⎥⎥⎥⎥⎥⎤=α1x1+α2x2+…αsxs=0 有非零解
   ⟺    \iff ⟺ 向量组的秩 r ( α 1 , α 2 , … … α s ) < s r(\alpha _1,\alpha _2,……\alpha _s)<s r(α1,α2,……αs)<s
(线性无关    ⟺    A x = 0 \iff Ax=0 ⟺Ax=0只有零解    ⟺    \iff ⟺A的列秩= s s s- n+1个n维列向量,因 r ( α 1 , α 2 , … … α s , β ) ≤ n < n + 1 r(\alpha _1,\alpha _2,……\alpha _s,\beta)\le n< n+1 r(α1,α2,……αs,β)≤n<n+1,故 [ α 1 , α 2 , … … α n + 1 ] x = 0 [\alpha _1,\alpha _2,……\alpha _{n+1 }]x=0 [α1,α2,……αn+1]x=0必有非零解    ⟺    α 1 , α 2 , … … α n , α n + 1 \iff \alpha _1,\alpha _2,……\alpha _n,\alpha _{n+1 } ⟺α1,α2,……αn,αn+1线性相关
- 向量组 α 1 , α 2 , … … α s ( s ≥ 2 ) \alpha _1,\alpha _2,……\alpha _s(s\ge2) α1,α2,……αs(s≥2)线性相关的充要条件是向量组中至少有一个向量可以由其余s-1个向量线性表出
反正,向量组 α 1 , α 2 , … … α s ( s ≥ 2 \alpha _1,\alpha _2,……\alpha _s(s\ge2 α1,α2,……αs(s≥2)线性无关的条件是任意一个向量都不能由其余的线性表出- 若向量组 α 1 , α 2 , … … α s \alpha _1,\alpha _2,……\alpha _s α1,α2,……αs线性无关,而向量组 α 1 , α 2 , … … α s , β ) \alpha _1,\alpha _2,……\alpha _s,\beta) α1,α2,……αs,β)线性相关,则 β \beta β可由 α 1 , α 2 , … … α s \alpha _1,\alpha _2,……\alpha _s α1,α2,……αs线性表出,且表示方法唯一
- 若向量组 ( Ⅰ ) β 1 , β 2 , … … β s (Ⅰ )\beta _1,\beta _2,……\beta _s (Ⅰ)β1,β2,……βs中的每一个向量 β i ( i = 1 , 2 , … , s ) \beta_i(i=1,2,…,s) βi(i=1,2,…,s)均可由向量组 ( Ⅱ ) α 1 , α 2 , … … α t (Ⅱ)\alpha _1,\alpha _2,……\alpha _t (Ⅱ)α1,α2,……αt线性表出,且 s > t s>t s>t,则向量组 ( Ⅰ ) β 1 , β 2 , … … β s (Ⅰ )\beta _1,\beta _2,……\beta _s (Ⅰ)β1,β2,……βs线性相关
若向量组 ( Ⅰ ) β 1 , β 2 , … … β s (Ⅰ )\beta _1,\beta _2,……\beta _s (Ⅰ)β1,β2,……βs中的每一个向量 β i ( i = 1 , 2 , … , s ) \beta_i(i=1,2,…,s) βi(i=1,2,…,s)均可由向量组 ( Ⅱ ) α 1 , α 2 , … … α t (Ⅱ)\alpha _1,\alpha _2,……\alpha _t (Ⅱ)α1,α2,……αt线性表出,且向量组 ( Ⅰ ) β 1 , β 2 , … … β s (Ⅰ )\beta _1,\beta _2,……\beta _s (Ⅰ)β1,β2,……βs线性无关,则 s ≤ t s\le t s≤t
- 一个向量在一组向量下的坐标
(求 β \beta β在 α 1 , α 2 , … α n \alpha_1,\alpha_2,…\alpha_n α1,α2,…αn下的坐标)
① r [ α 1 T , α 2 T , … , α n T ] = ? n r[\alpha^T_1,\alpha^T_2,…,\alpha^T_n]\overset ?=n r[α1T,α2T,…,αnT]=?n(判断是否为一组基底)
② [ α 1 T , α 2 T , … , α n T , β T ] → [ E ∣ β ′ T ] [\alpha^T_1,\alpha^T_2,…,\alpha^T_n,\beta^T]\rightarrow[E|\beta^{'T}] [α1T,α2T,…,αnT,βT]→[E∣β′T]
则 β ′ \beta^{'} β′为新基底下的坐标 - 过渡矩阵: A = E A , B = E B = A A − 1 B A=EA , B=EB=AA^{-1}B A=EA,B=EB=AA−1B
- 施密特正交化 β 1 = α 1 \beta_1=\alpha_1 β1=α1 β 2 = α 2 − ( α 2 , β 1 ) ( β 1 , β 1 ) β 1 \beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1 β2=α2−(β1,β1)(α2,β1)β1 β 3 = α 3 − ( α 3 , β 2 ) ( β 2 , β 2 ) − ( α 2 , β 1 ) ( β 1 , β 1 ) β 1 \beta_3=\alpha_3-\frac{(\alpha_3,\beta_2)}{(\beta_2,\beta_2)}-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1 β3=α3−(β2,β2)(α3,β2)−(β1,β1)(α2,β1)β1
特征值与特征向量
- (定义) A ξ = λ ξ , ξ ̸ = 0 A\xi=\lambda\xi,\xi\not=0 Aξ=λξ,ξ̸=0,则 λ \lambda λ为A的特征值, ξ \xi ξ是A的属于 λ \lambda λ的特征向量
- 特征值与特征向量的求法
已知矩阵A,求其特征值与特征向量
- 求 ∣ λ E − A ∣ = 0 |\lambda E-A|=0 ∣λE−A∣=0时,取得A的特征值 λ i \lambda_i λi
- 分别带入 λ i \lambda_i λi,对于 λ i \lambda_i λi,由 ( λ 1 − E ) x = 0 (\lambda_1-E)x=0 (λ1−E)x=0
其中 x = [ x 1 x 2 . . x n ] x=\begin{bmatrix}x_1\\x_2\\.\\.\\x_n\end{bmatrix} x=⎣⎢⎢⎢⎢⎡x1x2..xn⎦⎥⎥⎥⎥⎤- 得基础解系 ξ 1 = [ y 1 , y 2 , … , y n ] T , k 1 ξ 1 ( k ̸ = 0 ) \xi_1=[y_1,y_2,…,y_n]^T,k_1\xi_1(k\not=0) ξ1=[y1,y2,…,yn]T,k1ξ1(k̸=0)为对应于 λ i \lambda_i λi的全部特征向量
- 矩阵的对角线元素之和为A的迹,记作
t
r
(
A
)
tr(A)
tr(A)
并且有 t r ( A ) = λ 1 + λ 2 + … + λ n = a 11 + a 22 + … a n n tr(A)=\lambda_1+\lambda_2+…+\lambda_n=a_{11}+a_{22}+…a_{nn} tr(A)=λ1+λ2+…+λn=a11+a22+…ann - ∣ A ∣ = λ 1 λ 2 … λ n |A|=\lambda_1\lambda_2…\lambda_n ∣A∣=λ1λ2…λn
- 若 λ \lambda λ为A的特征值,则有 A − 1 = 1 λ A^{-1}=\frac{1}{\lambda} A−1=λ1
相似矩阵与相似对角化
- (定义)若A,B是两个n阶方阵,若存在n阶可逆矩阵P,使得 P − 1 A P = B P^{-1}AP=B P−1AP=B,则称A相似于B(A~B)
- 相似矩阵的性质(A~B)
- r ( A ) = r ( B ) r(A)=r(B) r(A)=r(B)
- |A|=|B|
- ∣ λ E − A ∣ = ∣ λ E − B ∣ |\lambda E-A|=|\lambda E-B| ∣λE−A∣=∣λE−B∣
- A和B有相同的特征值
- tr(A)=tr(B)
- A m A^m Am~ B m B^m Bm
- A − 1 A^{-1} A−1~ B − 1 B^{-1} B−1
- 如果A相似于一个对角型矩阵,则称A可对角化
- 矩阵可对角化的条件
- n阶矩阵 A A A~ Λ \Lambda Λ有n个线性无关的特征向量
- 矩阵A的属于不同特征值的特征向量线性无关
若n阶矩阵A有n个不同的特征值,则A有n个线性无关的特征向量,于是 A A A~ Λ \Lambda Λ- 设 λ 0 \lambda_0 λ0是A的r重特征值,则A的对应于 λ 0 \lambda_0 λ0的线性无关的特征向量个数小于r。
矩阵A相似于对角矩阵    ⟺    \iff ⟺A的对应的每个 r i r_i ri重特征值都有 r i r_i ri个线性无关的特征向量
- 判断矩阵是否相似于对角矩阵步骤如下:
(1)是否是实对称矩阵,实对称矩阵必然相似于对角矩阵
(2)特征值是否都是单根,若是,则比相似于对角矩阵
(3)若特征值是r重根,且对应有r个线性无关的特征向量,则相似于对角矩阵
(4)*满足 A 2 = A A^2=A A2=A的方针也必然相似于对角矩阵
- 实对称矩阵: A T = A ( A ∈ R n × n ) A^T=A(A\in R^{n×n}) AT=A(A∈Rn×n)
1.A是实对称矩阵,则A的特征值是实数,特征值向量是实向量
2. 实对称矩阵A的属于不同特征值的不同向量相互正交
3. 实对称矩阵必然相似于对角矩阵,即必有n个线性无关的特征向量
ξ 1 , ξ 2 , … , ξ n \xi_1,\xi_2,…,\xi_n ξ1,ξ2,…,ξn,即必有可逆矩阵 P = [ ξ 1 , ξ 2 , … , ξ n ] P=[\xi_1,\xi_2,…,\xi_n] P=[ξ1,ξ2,…,ξn]使得 P − 1 A P = Λ P^{-1}AP=\Lambda P−1AP=Λ,其中 Λ = d i a g ( λ 1 , λ 2 , … , λ n ) \Lambda=diag(\lambda_1,\lambda_2,…,\lambda_n) Λ=diag(λ1,λ2,…,λn),且存在正交矩阵Q,使得 Q − 1 A Q = Q T A Q = Λ Q^{-1}AQ=Q^TAQ=\Lambda Q−1AQ=QTAQ=Λ,故A正交相似于 Λ \Lambda Λ
二次型
- f ( x ) = x T A x ( A T = A ) f(x)=x^TAx(A^T=A) f(x)=xTAx(AT=A),实对称矩阵A称为二次型 f ( x ) f(x) f(x)的矩阵
- 矩阵的合同 : B = C T A C B=C^TAC B=CTAC,则称A与B合同
- 二次型的标准型:若二次型中之含有平方项,没有交叉项
即形如 d 1 x 1 + d 2 x 2 + d_1x_1+d_2x_2+ d1x1+d2x2+即形如 d 1 x 1 + d 2 x 2 + … + d n x n d_1x_1+d_2x_2+…+d_nx_n d1x1+d2x2+…+dnxn的二次型称为标准型 - 二次型的规范型,在标准型中,系数 d i ( i = 1 , 2 , … n ) d_i(i=1,2,…n) di(i=1,2,…n)仅为 0 , 1 , − 1 0,1,-1 0,1,−1时二次称为规范型
- 惯性定理:无论选取什么样的可逆线性变换,将二次型化为标准型或者规范形,其正项之数 p p p,负项之数 q q q都是不变的, p p p称为正惯性指数, q q q称为负惯性指数
注: (1)若二次型的秩为 r r r,则 r = p + q r=p+q r=p+q,合同变换不改变正、负惯性指数
(2)两个二次型(或实对称矩阵)合同的充要条件是有相同的正、负惯性指数,或有相同的秩及正(负)惯性指数。
- 正定二次型及其判别
- 二次型正定的充要条件: n n n元二次型 f ( x 1 , x 2 , … , x n ) = x T A x f(x_1,x_2,…,x_n)=x^TAx f(x1,x2,…,xn)=xTAx,若对于任意的 x = [ x 1 , x 2 , … , x n ] T ̸ = 0 x=[x_1,x_2,…,x_n]^T\not=0 x=[x1,x2,…,xn]T̸=0,均有 x T A x > 0 x^TAx>0 xTAx>0,则成 f f f为正定二次型,称二次型的对应矩阵A为正定矩阵
- 二次型正定的必要条件:
(1) a i i > 0 ( i = 1 , 2 , … , n ) ; a_{ii}>0(i=1,2,…,n); aii>0(i=1,2,…,n);
(2) ∣ A ∣ > 0 |A|>0 ∣A∣>0
- 用配方法化二次型为标准型
化二次型 f ( x 1 , x 2 , x 3 ) = x 1 2 + 2 x 1 x 2 + 2 x 1 x 3 − x 2 2 − 2 x 2 x 3 − x 3 2 f(x_1,x_2,x_3)=x_1^2+2x_1x_2+2x_1x_3-x_2^2-2x_2x_3-x_3^2 f(x1,x2,x3)=x12+2x1x2+2x1x3−x22−2x2x3−x32为标准型,并写出可逆线性变换
- 先对 x 1 2 x_1^2 x12及所有含 x 1 x_1 x1的混合项 2 x 1 x 2 , 2 x 1 x 3 2x_1x_2,2x_1x_3 2x1x2,2x1x3配完全平方,有:
f ( x 1 , x 2 , x 3 ) = ( x 1 + x 2 + x 3 ) 2 − x 2 2 − x 3 2 − 2 x 2 x 3 − x 2 2 − 2 x 2 x 3 − x 3 2 f(x_1,x_2,x_3)=(x_1+x_2+x_3)^2-x_2^2-x_3^2-2x_2x_3-x_2^2-2x_2x_3-x_3^2 f(x1,x2,x3)=(x1+x2+x3)2−x22−x32−2x2x3−x22−2x2x3−x32
= ( x 1 + x 2 + x 3 ) 2 − 2 x 2 2 − 4 x 2 x 3 − 2 x 3 2 =(x_1+x_2+x_3)^2-2x_2^2-4x_2x_3-2x_3^2 =(x1+x2+x3)2−2x22−4x2x3−2x32- 再对 2 x 2 2 2x_2^2 2x22所有含 x 2 x_2 x2的混合项 − 4 x 2 x 3 -4x_2x_3 −4x2x3配完全平方,有:
f ( x 1 , x 2 , x 3 ) = ( x 1 + x 2 + x 3 ) 2 − 2 ( x 2 + x 3 ) f(x_1,x_2,x_3)=(x_1+x_2+x_3)^2-2(x_2+x_3) f(x1,x2,x3)=(x1+x2+x3)2−2(x2+x3)- 作线性变换
{ y 1 = x 1 + x 2 + x 3 y 2 = x 2 + x 3 y 3 = x 3 即 { x 1 = y 1 − y 2 x 2 = y 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}即\begin{cases}x_1=y_1-y_2\\x_2=y_2-y_3\\x_3=y_3\end{cases} ⎩⎪⎨⎪⎧y1=x1+x2+x3y2=x2+x3y3=x3即⎩⎪⎨⎪⎧x1=y1−y2x2=y2−y3x3=y3- 把二次型化为标准型
f ( x 1 , x 2 , x 3 ) → x = C y y 1 2 − 2 y 2 2 f(x_1,x_2,x_3)\xrightarrow{x=Cy}y_1^2-2y_2^2 f(x1,x2,x3)x=Cyy12−2y22- 将线性变换表示为矩阵形式
其中 C = [ 1 − 1 0 0 1 − 1 0 0 1 ] , 因 ∣ C ∣ = 1 ̸ = 0 C=\begin{bmatrix}1&-1&0\\0&1&-1\\0&0&1\end{bmatrix},因|C|=1\not=0 C=⎣⎡100−1100−11⎦⎤,因∣C∣=1̸=0
故所作变换是线性可逆变化
注:
[1]. 当配方法时没有平方项的时候,作可逆线性变换 { x 1 = y 1 + y 2 x 2 = y 2 − y 3 x 3 = y 3 \begin{cases}x_1=y_1+y_2\\x_2=y_2-y_3\\x_3=y_3\end{cases} ⎩⎪⎨⎪⎧x1=y1+y2x2=y2−y3x3=y3使其出现平方项
[2]. 当总的完全平方项的项数小于变量个数时,用视作缺少的平方项的系数为0
即 f ( x 1 , x 2 , x 3 ) = ( x 1 + x 2 + x 3 ) 2 − 2 ( x 2 + x 3 ) + 0 x 3 2 f(x_1,x_2,x_3)=(x_1+x_2+x_3)^2-2(x_2+x_3)+0x_3^2 f(x1,x2,x3)=(x1+x2+x3)2−2(x2+x3)+0x32
变换为 { x 1 = y 1 + y 2 x 2 = y 2 + y 3 x 3 = y 3 \begin{cases}x_1=y_1+y_2\\x_2=y_2+y_3\\x_3=y_3\end{cases} ⎩⎪⎨⎪⎧x1=y1+y2x2=y2+y3x3=y3
而若变换为 { x 1 = y 1 + y 2 x 2 = y 2 − y 3 \begin{cases}x_1=y_1+y_2\\x_2=y_2-y_3\end{cases} {x1=y1+y2x2=y2−y3显然是不可逆的
- 正交变换化二次型
用正交变换化二次型 f ( x 1 , x 2 , x 3 ) = 2 x 1 2 + 5 x 2 2 + 5 x 3 2 + 4 x 1 x 2 − 4 x 1 x 3 − 8 x 2 x 3 f(x_1,x_2,x_3)=2x_1^2+5x_2^2+5x_3^2+4x_1x_2-4x_1x_3-8x_2x_3 f(x1,x2,x3)=2x12+5x22+5x32+4x1x2−4x1x3−8x2x3为标准型
- 写出二次型的对应矩阵
A = [ 2 2 − 2 2 5 − 4 − 2 − 4 5 ] A=\begin{bmatrix}2&2&-2\\2&5&-4\\-2&-4&5\end{bmatrix} A=⎣⎡22−225−4−2−45⎦⎤- 求其特征方程
∣ λ E − A ∣ = ∣ λ − 2 − 2 2 − 2 λ − 5 4 2 4 λ − 5 ∣ = ( λ − 1 ) 2 ( λ − 10 ) = 0    ⟹    λ 1 = λ 2 = 1 , λ 3 = 10 |\lambda E-A|=\begin{vmatrix}\lambda-2&-2&2\\-2&\lambda-5&4\\2&4&\lambda-5\end{vmatrix}=(\lambda-1)^2(\lambda-10)=0\implies\lambda_1=\lambda_2=1,\lambda_3=10 ∣λE−A∣=∣∣∣∣∣∣λ−2−22−2λ−5424λ−5∣∣∣∣∣∣=(λ−1)2(λ−10)=0⟹λ1=λ2=1,λ3=10- 当 λ 1 = λ 2 = 1 \lambda_1=\lambda_2=1 λ1=λ2=1时,有 ( E − A ) x = [ − 1 − 2 2 − 2 − 4 4 2 4 − 4 ] [ x 1 x 2 x 3 ] = 0 (E-A)x=\begin{bmatrix}-1&-2&2\\-2&-4&4\\2&4&-4\end{bmatrix}\begin{bmatrix}x_1\\x_2\\x_3\end{bmatrix}=0 (E−A)x=⎣⎡−1−22−2−4424−4⎦⎤⎣⎡x1x2x3⎦⎤=0解得基础解系为 ξ 1 = [ − 2 , 1 , 0 ] T , ξ 2 = [ 2 , 0 , 1 ] T \xi_1=[-2,1,0]^T,\xi_2=[2,0,1]^T ξ1=[−2,1,0]T,ξ2=[2,0,1]T
- 当 λ 3 = 10 \lambda_3=10 λ3=10时,有 ( 10 E − A ) x = [ − 8 − 2 2 − 2 5 4 2 4 5 ] [ x 1 x 2 x 3 ] = 0 (10E-A)x=\begin{bmatrix}-8&-2&2\\-2&5&4\\2&4&5\end{bmatrix}\begin{bmatrix}x_1\\x_2\\x_3\end{bmatrix}=0 (10E−A)x=⎣⎡−8−22−254245⎦⎤⎣⎡x1x2x3⎦⎤=0解得基础解系为 ξ 3 = [ 1 , 2 , − 2 ] T \xi_3=[1,2,-2]^T ξ3=[1,2,−2]T
- 对于属于 λ 1 = λ 2 = 1 \lambda_1=\lambda_2=1 λ1=λ2=1的特征向量 ξ 1 , ξ 2 \xi_1,\xi_2 ξ1,ξ2标准正交化 η 1 = ξ 1 = [ − 2 , 1 , 0 ] T \eta_1=\xi_1=[-2,1,0]^T η1=ξ1=[−2,1,0]T η 2 = ξ 2 − ( η 2 , ξ 1 ) ( ξ 1 , ξ 1 ) η 1 = [ 2 5 , 4 5 , 1 ] T , 不 妨 取 η 2 = [ 2 , 4 , 5 ] T \eta_2=\xi_2-\frac{(\eta_2,\xi_1)}{(\xi_1,\xi_1)}\eta_1=[\frac{2}{5},\frac{4}{5},1]^T,不妨取\eta_2=[2,4,5]^T η2=ξ2−(ξ1,ξ1)(η2,ξ1)η1=[52,54,1]T,不妨取η2=[2,4,5]T
6.再将 η 1 , η 2 , ξ 3 \eta_1,\eta_2,\xi_3 η1,η2,ξ3单位化 η 1 0 = [ − 2 5 1 5 0 ] , η 2 0 = [ 2 3 5 4 3 5 5 3 5 ] , η 3 0 = [ 1 3 2 3 − 2 3 ] \eta^0_1=\begin{bmatrix}\frac{-2}{\sqrt5}\\\\\frac{1}{\sqrt{5}}\\\\0\end{bmatrix},\eta_2^0=\begin{bmatrix}\frac{2}{3\sqrt5}\\\\\frac{4}{3\sqrt{5}}\\\\\frac{5}{3\sqrt5}\end{bmatrix},\eta_3^0=\begin{bmatrix}\frac{1}{3}\\\\\frac{2}{3}\\\\-\frac{2}{3}\end{bmatrix} η10=⎣⎢⎢⎢⎢⎡5−2510⎦⎥⎥⎥⎥⎤,η20=⎣⎢⎢⎢⎢⎢⎡352354355⎦⎥⎥⎥⎥⎥⎤,η30=⎣⎢⎢⎢⎢⎡3132−32⎦⎥⎥⎥⎥⎤得正交矩阵 Q = [ η 1 0 , η 2 0 , η 3 0 ] Q=[\eta^0_1,\eta^0_2,\eta^0_3] Q=[η10,η20,η30],令 x = Q y x=Qy x=Qy,则原二次型化标准型为
f ( x 1 , x 2 , x 3 ) = x T A x → x = Q y y T Q T A Q y = y 1 2 + y 2 2 + 10 y 3 2 f(x_1,x_2,x_3)=x^TAx\xrightarrow{x=Qy}y^TQ^TAQy=y_1^2+y_2^2+10y_3^2 f(x1,x2,x3)=xTAxx=QyyTQTAQy=y12+y22+10y32
其中正交变换为 x = Q y = [ − 2 5 2 3 5 1 3 1 5 4 3 5 2 3 0 5 3 5 − 2 3 ] [ y 1 y 2 y 3 ] x=Qy=\begin{bmatrix}\frac{-2}{\sqrt5}&\frac{2}{3\sqrt5}&\frac{1}{3}\\\\\frac{1}{\sqrt{5}}&\frac{4}{3\sqrt{5}}&\frac{2}{3}\\\\0&\frac{5}{3\sqrt5}&-\frac{2}{3}\end{bmatrix}\begin{bmatrix}y_1\\\\y_2\\\\y_3\end{bmatrix} x=Qy=⎣⎢⎢⎢⎢⎢⎡5−25103523543553132−32⎦⎥⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎡y1y2y3⎦⎥⎥⎥⎥⎤
40.判别二次型的正定性
- 判别对应矩阵的各阶顺序主子式是否都大于零
- 判断 A A A的特征值是否全都大于零
- 利用配方法化为标准型,判断 f f f的正惯性指数 p p p时候等于n(未知量个数)
- 用定义,看是否对任意的 x = [ x 1 , x 2 , x 3 ] T ̸ = 0 x=[x_1,x_2,x_3]^T\not=0 x=[x1,x2,x3]T̸=0,有 x T A x > 0 x^TAx>0 xTAx>0.