【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(21):正定二次型

1,109 阅读2分钟

小知识,大挑战!本文正在参与“程序员必备小知识”创作活动。

前言

Hello!小伙伴!

非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~

 

自我介绍 ଘ(੭ˊᵕˋ)੭

昵称:海轰

标签:程序猿|C++选手|学生

简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖...已保研。目前正在学习C++/Linux/Python

学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!

 

机器学习小白阶段

文章仅作为自己的学习笔记 用于知识体系建立以及复习

知其然 知其所以然!

5.7 正定二次型

二次型的标准型不是惟一的,只是标准形中所含的项数是确定的(即二次型的秩)

定理9:惯性定理

设有二次型f=xTAxf=x^TAx,它的秩为rr,有两个可逆变换

x=Cyx=Pzx=Cy、x=Pz

使

f=k1y12+k2y22+....+kryr2(ki0)f=k_1y_1^2+k_2y_2^2+....+k_ry_r^2(k_i\neq0)

f=λ1z12+λ2z22+...+λrzr2(λi0)f=\lambda_1z_1^2+\lambda_2z_2^2+...+\lambda_rz_r^2(\lambda_i\neq0)

k1,...,krk_1,...,k_r中正数的个数与λ1,....,λr\lambda_1,....,\lambda_r中正数的个数相等


二次型的标准型中正系数的个数称为二次型的正惯性系数,负系数的个数称为负惯性系数

若二次型ff的正惯性系数指数为pp,秩为rr,则ff的规范形可确定为

f=y12+...+yp2yp+12...yr2f=y_1^2+...+y_p^2-y_{p+1}^2-...-y_r^2

定义10

设有二次型f(x)=xTAxf(x)=x^TAx

  • 如果对任何x0x\neq0,都有f(x)>0f(x)>0,则称ff正定二次型,并称对称阵A是正定的
  • 如果对任何x0x\neq0,都有f(x)<0f(x)<0,则称ff负定二次型,并称对称阵AA是负定的

定理10

nn元二次型f=xTAxf=x^TAx为正定的充分必要条件是:它的标准型的nn个系数全为正,即它的规范形的nn个系数全为1,亦即它的正惯性指数等于nn

推论

对称阵AA为正定的充分必要条件是:AA的特征值全为正

定理11:赫尔维茨定理

对称阵AA正定的充分必要条件是:A的各阶主子式都为正,即

在这里插入图片描述 对称正AA负定的充分必要条件是:奇数阶主子式为负,而偶数阶主子式为正,即

在这里插入图片描述

举例

例17

判定二次型f=5x26y24z2+4xy+4xzf=-5x^2-6y^2-4z^2+4xy+4xz的正定性

解答:

二次型ff的矩阵AA

A=[522260204]A=\begin{bmatrix} -5 & 2 & 2\\ 2 & -6 & 0\\ 2 & 0 & -4 \end{bmatrix}

一阶主子式

a11=5<0|a_{11}|=-5<0

二阶主子式

a11a12a21a22=5226=26>0\begin{vmatrix} a_{11} & a_{12}\\ a_{21} & a_{22} \end{vmatrix}=\begin{vmatrix} -5 & 2\\ 2 & -6 \end{vmatrix}=26>0

三阶主子式

a11a12a13a21a22a23a31a32a33=522260204=80<0\begin{vmatrix} a_{11} & a_{12} & a_{13}\\ a_{21} & a_{22} & a_{23}\\ a_{31} & a_{32} & a_{33}\\ \end{vmatrix}=\begin{vmatrix} -5 & 2 & 2\\ 2 & -6 & 0\\ 2 & 0 & -4 \end{vmatrix}=-80<0

发现一阶、三阶都为负,二阶为正

根据定理11:赫尔维茨定理,得到

ff是负定二次型

结语

说明:

  • 参考于 课本《线性代数》第五版 同济大学数学系编
  • 配合书中概念讲解 结合了自己的一些理解及思考

文章仅作为学习笔记,记录从0到1的一个过程

希望对您有所帮助,如有错误欢迎小伙伴指正~

我是 海轰ଘ(੭ˊᵕˋ)੭

如果您觉得写得可以的话,请点个赞吧

谢谢支持 ❤️

在这里插入图片描述