二次型 → 矩阵的正定性 → 特征值

二次型 → 矩阵的正定性 → 特征值

二次型

定义 含有 n n n个变量 x 1 , x 2 , ⋯   , x n x_1, x_2, \cdots, x_n x1,x2,⋯,xn的二次方程

x T A x + B x + α = 0 {\bm x}^{\rm T} {\bm A} {\bm x} + {\bm B} {\bm x} + \alpha = 0 xTAx+Bx+α=0

其中， x = ( x 1 , x 2 , ⋯   , x n ) T {\bm x} = (x_1, x_2, \cdots, x_n)^{\rm T} x=(x1,x2,⋯,xn)T， A = ( a i j ) {\bm A} = (a_{ij}) A=(aij)为 n × n n \times n n×n对称矩阵， B {\bm B} B为 1 × n 1 \times n 1×n矩阵， α \alpha α为常数。

称 n n n元函数

f ( x 1 , x 2 , ⋯   , x n ) = f ( x ) = x T A x = ∑ i = 1 n ( ∑ j = 1 n a i j x j ) x i f(x_1, x_2, \cdots, x_n) = f({\bm x}) = {\bm x}^{\rm T} {\bm A} {\bm x} = \sum_{i=1}^n \left( \sum_{j=1}^n a_{ij} x_j \right) x_i f(x1,x2,⋯,xn)=f(x)=xTAx=i=1∑n(j=1∑naijxj)xi

为二次方程关联的 n n n个变量的二次型，简称二次型。对称矩阵 A {\bm A} A称作二次型 f ( x ) f(x) f(x)的矩阵，矩阵 A {\bm A} A的秩称为二次型 f ( x ) f({\bm x}) f(x)的秩，二次型 f ( x ) f({\bm x}) f(x)也称作对称矩阵 A {\bm A} A的二次型。

定义 一个实对称矩阵 A {\bm A} A称为

1. 正定的，若对 R n \mathbb{R}^n Rn中所有非零 x {\bm x} x， x T A x > 0 {\bm x}^{\rm T} {\bm A} {\bm x} > 0 xTAx>0;
2. 负定的，若对 R n \mathbb{R}^n Rn中所有非零 x {\bm x} x， x T A x < 0 {\bm x}^{\rm T} {\bm A} {\bm x} < 0 xTAx<0;
3. 半正定的，若对 R n \mathbb{R}^n Rn中所有非零 x {\bm x} x， x T A x ⩾ 0 {\bm x}^{\rm T} {\bm A} {\bm x} \geqslant 0 xTAx⩾0;
4. 半负定的，若对 R n \mathbb{R}^n Rn中所有非零 x {\bm x} x， x T A x ⩽ 0 {\bm x}^{\rm T} {\bm A} {\bm x} \leqslant 0 xTAx⩽0;
5. 不定的，若 x T A x {\bm x}^{\rm T} {\bm A} {\bm x} xTAx的取值有不同的符号。

作为一个性能指标，矩阵的二次型刻画矩阵的正定性。

特征值

很多应用问题都涉及将一个线性变换重复作用到一个向量上。求解这类问题的关键是找到一组新的基向量（特征向量），使得线性变换对该组基向量的作用仅是进行某种程度的收缩或拉伸，收缩或拉伸的倍数通常称为缩放因子（特征值）。

定义 令 A {\bm A} A为 n × n n \times n n×n矩阵，如果存在非零向量 x {\bm x} x使得

A x = λ x {\bm A}{\bm x} = \lambda {\bm x} Ax=λx

成立，则称数 λ \lambda λ是矩阵 A {\bm A} A的特征值，称非零向量 x {\bm x} x为属于（或对应于） λ \lambda λ的特征向量。

矩阵的正定性与特征值

对称矩阵的特征值均为实数，且存在一个由其特征向量组成的正交基。

1. 正定矩阵：所有特征值取正实数的矩阵。
2. 半正定矩阵：各个特征值取非负实数的矩阵。
3. 负定矩阵：全部特征值为负实数的矩阵。
4. 半负定矩阵：每个特征值取非正实数的矩阵。
5. 不定矩阵：特征值有些取正实数，另一些取负实数的矩阵。

二次型与特征值

1. 正定矩阵：

   • 如果对于所有非零向量 x ∈ R n {\bm x} \in \mathbb{R}^n x∈Rn，都有 x T A x > 0 {\bm x}^{\rm T} {\bm A} {\bm x} > 0 xTAx>0，则称矩阵 A {\bm A} A是正定的。
   • 正定矩阵的所有特征值都是正数。

2. 负定矩阵：

   • 如果对于所有非零向量 x ∈ R n {\bm x} \in \mathbb{R}^n x∈Rn，都有 x T A x < 0 {\bm x}^{\rm T} {\bm A} {\bm x} < 0 xTAx<0，则称矩阵 A {\bm A} A是负定的。
   • 负定矩阵的所有特征值都是负数。

3. 半正定矩阵：

   • 如果对于所有非零向量 x ∈ R n {\bm x} \in \mathbb{R}^n x∈Rn，都有 x T A x ⩾ 0 {\bm x}^{\rm T} {\bm A} {\bm x} \geqslant 0 xTAx⩾0，则称矩阵 A {\bm A} A是半正定的。
   • 半正定矩阵的所有特征值都是非负的。

4. 半负定矩阵：

   • 如果对于所有非零向量 x ∈ R n {\bm x} \in \mathbb{R}^n x∈Rn，都有 x T A x ⩽ 0 {\bm x}^{\rm T} {\bm A} {\bm x} \leqslant 0 xTAx⩽0，则称矩阵 A {\bm A} A是半负定的。
   • 半负定矩阵的所有特征值都是非正的。

5. 不定矩阵：

   • 如果存在不同的非零向量 x ∈ R n {\bm x} \in \mathbb{R}^n x∈Rn，使得 x T A x {\bm x}^{\rm T} {\bm A} {\bm x} xTAx的取值有正有负，则称矩阵 A {\bm A} A是不定的。
   • 不定矩阵的特征值既有正的也有负的。