向量组
向量及向量组的线性相关性
n维向量： n n n个数构成的地一个有序数组 [ a 1 , a 2 , ⋯ , a n ] [a_1,a_2,\cdots,a_n] [a1,a2,⋯,an]称为一个 n n n维向量，记成 α = [ a 1 , a 2 , ⋯ , a n ] \alpha=[a_1,a_2,\cdots,a_n] α=[a1,a2,⋯,an],并称 α \alpha α为n维行向量， α T \alpha^T αT称为n维列向量。 a i a_i ai称为其第 i i i个分量
线性组合：设有 m m m个 n n n维向量 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm及m个数 k 1 , k 2 , ⋯ , k m k_1,k_2,\cdots,k_m k1,k2,⋯,km,则向量 k 1 α 1 + k 2 α 2 + ⋯ + k m α m k_1\alpha_1+k_2\alpha_2+ \cdots +k_m\alpha_m k1α1+k2α2+⋯+kmαm称为向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm的线性组合。
线性表出：若向量 β \beta β能表示成向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm的线性组合，则称向量 β \beta β能被向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性表出。
线性相关：对 m m m个 n n n维向量 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\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,\cdots,k_m k1,k2,⋯,km,使得 k 1 α 1 + k 2 α 2 + ⋯ + k m α m = 0 k_1\alpha_1+k_2\alpha_2+ \cdots +k_m\alpha_m=0 k1α1+k2α2+⋯+kmαm=0,则称向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性相关。
线性无关：若不存在不全为零的数 k 1 , k 2 , ⋯ , k m k_1,k_2,\cdots,k_m k1,k2,⋯,km,使得 k 1 α 1 + k 2 α 2 + ⋯ + k m α m = 0 k_1\alpha_1+k_2\alpha_2+ \cdots +k_m\alpha_m=0 k1α1+k2α2+⋯+kmαm=0,则称向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性无关。
判断线性相关性的七大定理
- 向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性相关的充要条件是向量组中至少有一个向量可由其余的 n − 1 n-1 n−1个向量线性表出。
- 若向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性无关，而 β , α 1 , α 2 ， ⋯ , α m \beta,\alpha_1,\alpha_2，\cdots,\alpha_m β,α1,α2，⋯,αm线性相关，则 β \beta β可由 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性表示，且表示法唯一。
- 如果向量组 β 1 , β 2 ， ⋯ , β t \beta_1,\beta_2，\cdots,\beta_t β1,β2，⋯,βt可由 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性表示，且 t > s t>s t>s,则 β 1 , β 2 ， ⋯ , β t \beta_1,\beta_2，\cdots,\beta_t β1,β2，⋯,βt线性相关（以少表多，多的相关）
- 设有 m m m个 n n n维列向量 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm， A = [ α 1 , α 2 ， ⋯ , α m ] A=[\alpha_1,\alpha_2，\cdots,\alpha_m] A=[α1,α2，⋯,αm]，则向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性相关的充分必要条件是 A x = 0 Ax=0 Ax=0有非零解。
- 向量 β \beta β可由向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性表出 ⟺ \iff ⟺非齐次线性方程组 A x = β Ax=\beta Ax=β有解 ⟺ r ( [ α 1 , α 2 ， ⋯ , α m ] ) = r [ α 1 , α 2 , ⋯ , α m , β ] ) \iff r([\alpha_1,\alpha_2，\cdots,\alpha_m])=r[\alpha_1,\alpha_2,\cdots,\alpha_m,\beta]) ⟺r([α1,α2，⋯,αm])=r[α1,α2,⋯,αm,β])
- 如果向量组 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm中有一部分向量线性相关，则整个向量组线性相关。
- 如果一组 n n n维向量 α 1 , α 2 ， ⋯ , α s \alpha_1,\alpha_2，\cdots,\alpha_s α1,α2，⋯,αs线性无关，那么把这些向量各任意添加m个分量所得到的新向量 ( n + m (n+m (n+m维 ) ) )组 α 1 ∗ , α 2 ∗ ， ⋯ , α s ∗ \alpha_1^*,\alpha_2^*，\cdots,\alpha_s^* α1∗,α2∗，⋯,αs∗也是线性无关的；如果 α 1 , α 2 ， ⋯ , α s \alpha_1,\alpha_2，\cdots,\alpha_s α1,α2，⋯,αs相信相关，那么他们各去掉相同的若干分量所得到的新向量组也是线性相关的。（原来无关 ⇒ \Rightarrow ⇒延长无关，原来相关 ⇒ \Rightarrow ⇒缩短必相关）
极大线性无关组、等价向量组、向量组的秩
极大线性无关组
在向量组 α 1 , α 2 ， ⋯ , α s \alpha_1,\alpha_2，\cdots,\alpha_s α1,α2，⋯,αs中，若存在部分组 α i 1 , α i 2 ， ⋯ , α i r \alpha_{i_{1}},\alpha_{i_{2}}，\cdots,\alpha_{i_{r}} αi1,αi2，⋯,αir满足
- α i 1 , α i 2 ， ⋯ , α i r \alpha_{i_{1}},\alpha_{i_{2}}，\cdots,\alpha_{i_{r}} αi1,αi2，⋯,αir线性无关
- 向量组中的任一向量 α i \alpha_i αi均可由 α i 1 , α i 2 ， ⋯ , α i r \alpha_{i_{1}},\alpha_{i_{2}}，\cdots,\alpha_{i_{r}} αi1,αi2，⋯,αir线性表出
则称 α i 1 , α i 2 ， ⋯ , α i r \alpha_{i_{1}},\alpha_{i_{2}}，\cdots,\alpha_{i_{r}} αi1,αi2，⋯,αir是缘相连组的一组极大线性无关组
等价向量组
两个可以相互线性表出的向量组是等价向量组 r ( I ) = r ( I I ) = r ( I , I I ) r(I)=r(II)=r(I,II) r(I)=r(II)=r(I,II)
向量组的秩
向量组的极大线性无关组中所包含向量的个数r称为向量组的秩，记为 r a n k ( α 1 , α 2 ， ⋯ , α s ) = r rank(\alpha_1,\alpha_2，\cdots,\alpha_s)=r rank(α1,α2，⋯,αs)=r或 r ( α 1 , α 2 ， ⋯ , α s ) = r r(\alpha_1,\alpha_2，\cdots,\alpha_s)=r r(α1,α2，⋯,αs)=r
性质
- 三秩相同： r ( A ) （矩阵的秩） = A 的行秩（ A 的行向量的秩） = A 的列秩（ A 的列向量的秩） r(A)（矩阵的秩）=A的行秩（A的行向量的秩）=A的列秩（A的列向量的秩） r(A)（矩阵的秩）=A的行秩（A的行向量的秩）=A的列秩（A的列向量的秩）
- 若 A A A经过初等行变换得到 B B B,则 A A A和 B B B的行向量组是等价向量组, A A A和 B B B的扔和相应的部分列向量组具有相同的线性相关性
- 向量组 β 1 , β 2 ， ⋯ , β t \beta_1,\beta_2，\cdots,\beta_t β1,β2，⋯,βt可由 α 1 , α 2 ， ⋯ , α m \alpha_1,\alpha_2，\cdots,\alpha_m α1,α2，⋯,αm线性表示，则 r ( β 1 , β 2 ， ⋯ , β t ) ⩽ r ( α 1 , α 2 ， ⋯ , α m ) r(\beta_1,\beta_2，\cdots,\beta_t) \leqslant r(\alpha_1,\alpha_2，\cdots,\alpha_m) r(β1,β2，⋯,βt)⩽r(α1,α2，⋯,αm)
向量空间
概念
若 ξ 1 , ξ 2 , ⋯ , ξ n \xi_1,\xi_2,\cdots,\xi_n ξ1,ξ2,⋯,ξn是n维向量空间 R n R^n Rn中线性无关的有序向量组，则任一向量 α ∈ R n \alpha \in R^n α∈Rn均可由 ξ 1 , ξ 2 , ⋯ , ξ n \xi_1,\xi_2,\cdots,\xi_n ξ1,ξ2,⋯,ξn线性表出，记表出式为 α = a 1 ξ 1 + a 2 ξ 2 + ⋯ + a n ξ n \alpha =a_1\xi_1+a_2\xi_2+\cdots+a_n\xi_n α=a1ξ1+a2ξ2+⋯+anξn,称有序向量组 ξ 1 , ξ 2 , ⋯ , ξ n \xi_1,\xi_2,\cdots,\xi_n ξ1,ξ2,⋯,ξn是 R n R^n Rn的一个基，基向量的个数 n n n称为向量空间的维数，而 [ a 1 , a 2 , ⋯ , a n ] [a_1,a_2,\cdots,a_n] [a1,a2,⋯,an]称为向量 α \alpha α在基 ξ 1 , ξ 2 , ⋯ , ξ n \xi_1,\xi_2,\cdots,\xi_n ξ1,ξ2,⋯,ξn下的坐标，或称为 α \alpha α的坐标行向量。
基变换
[
η
1
,
η
2
,
⋯
，
η
n
]
=
[
ξ
1
,
ξ
2
,
⋯
,
ξ
n
]
C
(*)
[\eta_1,\eta_2,\cdots，\eta_n]=[\xi_1,\xi_2,\cdots,\xi_n]C \tag{*}
[η1,η2,⋯，ηn]=[ξ1,ξ2,⋯,ξn]C(*)
矩阵
C
C
C称为由基
ξ
1
,
ξ
2
,
⋯
,
ξ
n
\xi_1,\xi_2,\cdots,\xi_n
ξ1,ξ2,⋯,ξn到基
η
1
,
η
2
,
⋯
,
η
n
\eta_1,\eta_2,\cdots,\eta_n
η1,η2,⋯,ηn的过渡矩阵
坐标变换
α
=
[
ξ
1
,
ξ
2
,
⋯
,
ξ
n
]
x
=
[
η
1
,
η
2
,
⋯
,
η
n
]
y
=
[
ξ
1
,
ξ
2
,
⋯
,
ξ
n
]
C
y
\alpha =[\xi_1,\xi_2,\cdots,\xi_n]\pmb x=[\eta_1,\eta_2,\cdots,\eta_n]\pmb y=[\xi_1,\xi_2,\cdots,\xi_n]C\pmb y
α=[ξ1,ξ2,⋯,ξn]x=[η1,η2,⋯,ηn]y=[ξ1,ξ2,⋯,ξn]Cy
x = C y (坐标变换公式) \pmb x = C \pmb y\tag{坐标变换公式} x=Cy(坐标变换公式)
特征值与特征向量
特征值与特征向量
设 A A A是 n n n阶矩阵， λ \lambda λ是一个数，若存在 n n n维非零列向量 ξ ≠ 0 \xi \neq 0 ξ=0,使得 A ξ = λ ξ A\xi=\lambda \xi Aξ=λξ,则称 λ \lambda λ是 A A A的特征值， ξ \xi ξ是 A A A的对应于特征值 λ \lambda λ的特征向量
∣ λ E − A ∣ = 0 \mid \lambda E-A\mid =0 ∣λE−A∣=0称为A的特征方程，有 n n n个根， λ E − A \lambda E-A λE−A被称为特征矩阵，$\mid \lambda E-A\mid $被称为特征多项式
特征值的性质
- ∑ i = 1 n λ i = ∑ i = 1 n a i i = t r ( A ) [ 对角线元素 ] \sum_{i=1}^n\lambda_i=\sum_{i=1}^na_{ii}=tr(A)[对角线元素] ∑i=1nλi=∑i=1naii=tr(A)[对角线元素]
- ∏ i = 1 n λ i = ∣ A ∣ \prod_{i=1}^n\lambda_i=\mid A\mid ∏i=1nλi=∣A∣
特征向量的性质
- k k k重特征值 λ \lambda λ至多只有 k k k个线性无关的特征向量， λ \lambda λ有 s s s个线性无关的特征向量，称 k k k为特征值 λ \lambda λ的代数重数， s s s为特征值 λ \lambda λ的几何重数
- 若 ξ 1 , ξ 2 \xi_1,\xi_2 ξ1,ξ2是 A A A的属于不同特征 λ 1 , λ 2 \lambda_1,\lambda_2 λ1,λ2的特征向量，则 ξ 1 , ξ 2 \xi_1,\xi_2 ξ1,ξ2线性无关
- 若 ξ 1 , ξ 2 \xi_1,\xi_2 ξ1,ξ2是 A A A的属于同一特征值 λ \lambda λ的特征向量，则 k 1 ξ 1 + k 2 ξ 2 k_1\xi_1+k_2\xi_2 k1ξ1+k2ξ2仍是 A A A的属于特征值 λ \lambda λ的特征向量
- 若 ξ 1 , ξ 2 \xi_1,\xi_2 ξ1,ξ2是 A A A的属于不同特征值 λ \lambda λ的特征向量，则 k 1 ξ 1 + k 2 ξ 2 k_1\xi_1+k_2\xi_2 k1ξ1+k2ξ2不是 A A A的特征向量
与
A
A
A有关的常用的特征值和特征向量
矩阵
A
k
A
A
k
f
(
A
)
A
−
1
A
∗
P
−
1
A
P
特征值
λ
k
λ
λ
k
f
(
λ
)
1
λ
∣
A
∣
λ
λ
特征向量
ξ
ξ
ξ
ξ
ξ
ξ
P
−
1
ξ
\begin{matrix} &矩阵 &A &kA &A^k &f(A) &A^{-1} &A^* &P^{-1}AP\\ &特征值 & \lambda &k\lambda &\lambda^k &f(\lambda) &\frac{1}{\lambda}&\frac{|A|}{\lambda}&\lambda\\ &特征向量 &\xi &\xi &\xi&\xi&\xi&\xi&P^{-1}\xi \end{matrix}
矩阵特征值特征向量AλξkAkλξAkλkξf(A)f(λ)ξA−1λ1ξA∗λ∣A∣ξP−1APλP−1ξ
上下三角的特征值就是对角线元素
矩阵的相似
设 A A A， B B B是两个 n n n阶方程，若存在 n n n阶可逆矩阵 P P P，使得 P − 1 A P = B P^{-1}AP=B P−1AP=B,则 A A A相似于 B B B，记作 A ∼ B A \sim B A∼B
性质
-
若 A ∼ B A \sim B A∼B,则
-
r ( A ) = r ( B ) r(A)=r(B) r(A)=r(B)
-
∣ A ∣ = ∣ B ∣ \mid A\mid =\mid B\mid ∣A∣=∣B∣
-
t r ( A ) = t r ( B ) tr(A)=tr(B) tr(A)=tr(B)
-
A , B A,B A,B有相同的特征值（或 ∣ λ E − A ∣ = ∣ λ E − B ∣ \mid \lambda E-A\mid =\mid \lambda E -B\mid ∣λE−A∣=∣λE−B∣）
-
A − 1 ∼ B − 1 、 A T ∼ B T 、 A ∗ ∼ B ∗ A^{-1}\sim B^{-1}、A^T \sim B^T、A^* \sim B^* A−1∼B−1、AT∼BT、A∗∼B∗
-
f ( A ) ∼ f ( B ) 、 A m ∼ B m f(A) \sim f(B)、A^m \sim B^m f(A)∼f(B)、Am∼Bm
-
-
A ∼ B , B ∼ C ⟹ A ∼ C A \sim B,B \sim C \Longrightarrow A \sim C A∼B,B∼C⟹A∼C
-
A ∼ C , B ∼ D ⟹ ∣ A O O B ∣ ∼ ∣ C O O D ∣ A\sim C,B \sim D \Longrightarrow \begin{vmatrix}\pmb A&\pmb O\\\pmb O&\pmb B\\\end{vmatrix} \sim \begin{vmatrix}\pmb C&\pmb O\\\pmb O&\pmb D\\\end{vmatrix} A∼C,B∼D⟹ AOOB ∼ COOD
矩阵的相似对角化
设
n
n
n阶矩阵
A
A
A，若存在
n
n
n阶可逆矩阵
P
P
P,使得
P
−
1
A
P
=
Λ
P^{-1}AP=\Lambda
P−1AP=Λ,其中
Λ
\Lambda
Λ是对角矩阵，则称
A
A
A可相似对角化，
Λ
\Lambda
Λ是
A
A
A的相似标准形
Λ
=
∣
λ
1
λ
2
⋱
λ
n
∣
\Lambda=\begin{vmatrix} \lambda_1&&&\\ &\lambda_2&&\\ &&\ddots&\\ &&&\lambda_n\\ \end{vmatrix}
Λ=
λ1λ2⋱λn
矩阵可相似对角化的条件
充要条件
- A ∼ Λ ⟺ n A \sim \Lambda\iff n A∼Λ⟺n个线性无关的特征向量
- A ∼ Λ ⟺ A A \sim \Lambda\iff A A∼Λ⟺A对应于每个 k i k_i ki重特征值都有 k i k_i ki个线性无关的特征向量
充分条件
- A A A是实对称矩阵 ⟹ A ∼ Λ \Longrightarrow A \sim \Lambda ⟹A∼Λ
- A A A有 n n n个互异特征值 ⟹ A ∼ Λ \Longrightarrow A \sim \Lambda ⟹A∼Λ
- A 2 = A ⟹ A ∼ Λ A^2=A \Longrightarrow A \sim \Lambda A2=A⟹A∼Λ
- A 2 = E ⟹ A ∼ Λ A^2=E \Longrightarrow A \sim \Lambda A2=E⟹A∼Λ
- r ( A ) = 1 且 t r ( A ) ≠ 0 ⟹ A ∼ Λ r(A)=1且tr(A)\neq 0\Longrightarrow A \sim \Lambda r(A)=1且tr(A)=0⟹A∼Λ
必要条件
A ∼ Λ ⟹ r ( A ) = A \sim \Lambda \Longrightarrow r(A)= A∼Λ⟹r(A)=非零特征值的个数
否定条件
- A ≠ O , A k = O ⟹ A A\neq O,A^k=O\Longrightarrow A A=O,Ak=O⟹A不可相似对角化
- A A A的特征值全为 k k k但 $ A \neq kE \Longrightarrow A$不可相似对角化
实对称矩阵
- A A A是实对称矩阵，则 A A A的特征值是实数，特征向量是实向量
- 不同特征值的特征向量相互正交
- 可用正交矩阵相似对角化
正交矩阵
- 若 A A A为正交矩阵，则
A T A = E ⟺ A − 1 = A T ⟺ A 由规范正交基组成 ⟺ A T , A − 1 , A ∗ , − A 都是正交矩阵 \begin{aligned} A^TA=E &\iff A^{-1}=A^T\\ &\iff A由规范正交基组成\\ &\iff A^T,A^{-1},A^*,-A都是正交矩阵 \end{aligned} ATA=E⟺A−1=AT⟺A由规范正交基组成⟺AT,A−1,A∗,−A都是正交矩阵
- 若 A , B A,B A,B为同阶正交矩阵，则 A B AB AB为正交矩阵， A + B A+B A+B不一定
二次型
二次型的定义及其矩阵表达式
n元二次型,简称二次型
f
(
x
1
,
x
2
,
.
.
.
,
x
n
)
=
a
11
x
1
2
+
2
a
12
x
1
x
2
+
⋯
+
2
a
1
n
x
1
x
n
a
22
x
2
2
+
⋯
+
2
a
2
n
x
2
x
n
+
⋯
+
a
n
n
x
n
2
\begin{aligned} f(x_1,x_2,...,x_n)=a_{11}x_1^2+2a_{12}x_1x_2+ \cdots + &2a_{1n}x_1x_n\\ a_{22}x_2^2+ \cdots +&2a_{2n}x_2x_n\\ +\cdots&\\ +&a_{nn}x_n^2 \end{aligned}
f(x1,x2,...,xn)=a11x12+2a12x1x2+⋯+a22x22+⋯++⋯+2a1nx1xn2a2nx2xnannxn2
若
a
i
j
=
a
j
i
⟹
2
a
i
j
x
i
x
j
=
a
i
j
x
i
x
j
+
a
j
i
x
j
x
i
a_{ij}=a_{ji} \Longrightarrow 2a_{ij}x_ix_j=a_{ij}x_ix_j+a_{ji}x_jx_i
aij=aji⟹2aijxixj=aijxixj+ajixjxi,则
f
(
x
1
,
x
2
,
.
.
.
,
x
n
)
=
∑
i
=
1
n
∑
j
=
1
n
a
i
j
x
i
x
j
=
x
T
A
x
f(x_1,x_2,...,x_n)=\sum_{i=1}^n\sum_{j=1}^na_{ij}x_ix_j=x^TAx
f(x1,x2,...,xn)=i=1∑nj=1∑naijxixj=xTAx
A = ∣ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n ∣ , x = ∣ x 1 x 2 ⋮ x n ∣ A=\begin{vmatrix} a_{11}&a_{12}&\cdots&a_{1n}\\ a_{21}&a_{22}&\cdots&a_{2n}\\ \vdots&\vdots&&\vdots\\ a_{n1}&a_{n2}&\cdots&a_{nn}\\ \end{vmatrix}, x=\begin{vmatrix} x_1\\ x_2\\ \vdots\\ x_n \end{vmatrix} A= a11a21⋮an1a12a22⋮an2⋯⋯⋯a1na2n⋮ann ,x= x1x2⋮xn
A A A称为二次型 f ( x ) f(x) f(x)的矩阵， A A A是一个对称矩阵，是唯一的。
合同变换
定义
合同变换
- 定义：设 A A A, B B B为 n n n阶实对称矩阵，若存在可逆矩阵 C C C，使得 C T A C = B C^TAC=B CTAC=B，则称 A A A与 B B B合同，记作 A ≃ B A\simeq B A≃B
- 用正、负惯性指数： A , B A,B A,B合同 ⟺ p A = p B , q A = q B \iff p_A=p_B,q_A=q_B ⟺pA=pB,qA=qB(相同的正、负惯性指数)
- 用传递性
线性变换
x = C y x=Cy x=Cy
称为从 y 1 , y 2 , ⋯ , y n y_1,y_2,\cdots,y_n y1,y2,⋯,yn到 x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn的线性变换，若 ∣ C ∣ ≠ 0 \mid C\mid \neq 0 ∣C∣=0,也称为可逆线性变换
若 f ( x ) = x T A , x = C y , ⇒ f ( x ) = ( C y ) T A ( C y ) = y T ( C T A C ) y = y T B y f(x)=x^TA,x=Cy, \Rightarrow f(x)=(Cy)^TA(Cy)=y^T(C^TAC)y=y^TBy f(x)=xTA,x=Cy,⇒f(x)=(Cy)TA(Cy)=yT(CTAC)y=yTBy
性质
- 合同变换具有反身性、对称性、传递性
- 可逆线性变换不会改变二次型的秩
- 对称矩阵合同的矩阵也是对称矩阵
二次型的标准形、规范形
-
若二次型中只有平方项，没有交叉项，即 f ( x ) = d 1 x 1 2 + d 2 x 2 2 + ⋯ + d n x n 2 f(x)=d_1x_1^2+d_2x_2^2+\cdots + d_nx_n^2 f(x)=d1x12+d2x22+⋯+dnxn2 的二次型为标准形
-
若标准形中，系数 d i d_i di仅为 1 , − 1 , 0 1,-1,0 1,−1,0,称为规范形
-
任何二次型都可通过配方法化成标准形及规范形 ⟺ \iff ⟺任何实对称矩阵 A A A，必存在可逆矩阵 C C C，使得 C T A C = Λ C^TAC=\Lambda CTAC=Λ
Λ = ∣ 1 − 1 0 ⋱ − 1 ∣ \Lambda=\begin{vmatrix} 1&&&&\\ &-1&&&\\ &&0&&\\ &&&\ddots&&\\ &&&&-1\\ \end{vmatrix} Λ= 1−10⋱−1 -
任何二次型也可通过正交变成成标准形 ⟺ \iff ⟺任何实对称矩阵 A A A，一定存在正交矩阵 Q Q Q，使得 Q − 1 A Q = Q T A Q = Λ Q^{-1}AQ=Q^TAQ=\Lambda Q−1AQ=QTAQ=Λ
Λ = ∣ λ 1 λ 2 ⋱ λ n ∣ \Lambda=\begin{vmatrix} \lambda_1&&&\\ &\lambda_2&&\\ &&\ddots&\\ &&&\lambda_n\\ \end{vmatrix} Λ= λ1λ2⋱λn
惯性定理
无论选取什么样的可逆线性变换，将二次型化为标准形或规范形，其正向个数 p p p，负向个数 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。 r = p + q r=p+q r=p+q
两个二次型合同的充要条件是有相同的正、负惯性指数。
正交变换法
对于 f = x T A x f=x^TAx f=xTAx
-
求 A A A的特征值 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn
-
求 A A A对应于特征值 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn的特征向量 ξ 1 , ξ 2 , ⋯ , ξ n \xi_1,\xi_2,\cdots,\xi_n ξ1,ξ2,⋯,ξn
-
将 ξ 1 , ξ 2 , ⋯ , ξ n \xi_1,\xi_2,\cdots,\xi_n ξ1,ξ2,⋯,ξn正交化、单位化为 η 1 , η 2 , ⋯ , η n \eta_1,\eta_2,\cdots,\eta_n η1,η2,⋯,ηn
施密特正交法 β 1 = α 1 , β 2 = α 2 − ( α 2 , β 1 ) ( β 1 , β 1 ) β 1 \beta_1=\alpha_1,\beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1 β1=α1,β2=α2−(β1,β1)(α2,β1)β1
-
令 Q = [ η 1 , η 2 , ⋯ , η n ] Q=[\eta_1,\eta_2,\cdots,\eta_n] Q=[η1,η2,⋯,ηn],则 Q Q Q为正交矩阵，且 Q − 1 A Q = Q T A Q = Λ Q^{-1}AQ=Q^TAQ=\Lambda Q−1AQ=QTAQ=Λ
于是
f
=
x
T
A
x
=
(
Q
y
)
T
A
(
Q
y
)
=
y
T
Λ
y
f=x^TAx=(Qy)^TA(Qy)=y^T\Lambda y
f=xTAx=(Qy)TA(Qy)=yTΛy
正定二次型及其判别
定义
n n n元二次型 f ( x 1 , x 2 , ⋯ , x n ) = x T A x f(x_1,x_2,\cdots,x_n)=x^TAx f(x1,x2,⋯,xn)=xTAx.若对任意的 x = [ x 1 , x 2 , ⋯ , x n ] T ≠ 0 x=[x_1,x_2,\cdots,x_n]^T\neq 0 x=[x1,x2,⋯,xn]T=0,均有 x T A x > 0 x^TAx>0 xTAx>0,则称 f f f为正定二次型，称二次型的对应矩阵 A A A为正定矩阵
前提
A = A T A=A^T A=AT
二次型正定的充要条件
n 元二次型 f = x T A x 正定 ⟺ 对任意 x ≠ 0 , 有 x T A x > 0 ⟺ f 的正惯性指数 p = n ⟺ 存在可逆矩阵 D ，使 A = D T D ⟺ A ≃ E ⟺ A 的特征值 λ i > 0 ⟺ A 的全部顺序主子式均大于 0 \begin{aligned} n元二次型f=x^TAx正定 &\iff 对任意x \neq0,有x^TAx>0\\ &\iff f的正惯性指数p=n\\ &\iff 存在可逆矩阵D，使A=D^TD\\ &\iff A \simeq E\\ &\iff A的特征值\lambda_i>0\\ &\iff A的全部顺序主子式均大于0\\ \end{aligned} n元二次型f=xTAx正定⟺对任意x=0,有xTAx>0⟺f的正惯性指数p=n⟺存在可逆矩阵D，使A=DTD⟺A≃E⟺A的特征值λi>0⟺A的全部顺序主子式均大于0
二次型正定的必要条件
-
a i i > 0 a_{ii}>0 aii>0
-
∣ A ∣ > 0 \mid A\mid >0 ∣A∣>0
结论
- 若 A A A正定，则 A − 1 , A ∗ , A m , k A ( k > 0 ) , C T A C A^{-1},A^*,A^m,kA(k>0),C^TAC A−1,A∗,Am,kA(k>0),CTAC均正定
- 若 A , B A,B A,B正定，则 A + B A+B A+B正定， ∣ A O O B ∣ \begin{vmatrix}\pmb A&\pmb O\\\pmb O&\pmb B\\\end{vmatrix} AOOB 正定
- 若 A , B A,B A,B正定，则 A B AB AB正定的充要条件是 A B = B A AB=BA AB=BA
- 若 A A A正定且是正交矩阵，则 A = E A=E A=E
2520
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
