w wyl123ly 的博客
MD

6-5-二次型与标准形

30 KB 2026.10.11 原文件

6-5-二次型与标准形

本篇讲什么

二次型(quadratic form)是只含二次项的多元多项式,写成矩阵形式就是 。

本篇讲清:二次型与对称矩阵的一一对应、配方法与正交变换法两种化标准形的路径、惯性定理(为什么要化标准形、化出来的结果唯一到什么程度)、与正定性判定的衔接,以及二次曲面分类这个典型应用。

这一篇是国内教材(同济版第五章)的重点,也是 Strang 体系中对称矩阵谱分解的直接应用。

一、定义

1.1 二次型

只含二次项(不含量的一次项与常数项)的 元多项式称为二次型。任意二次型都可写成

其中 是 阶方阵,。

1.2 关键约定:取 对称

同一个二次型可以由不同的矩阵表示。因为 与 是同一项,我们总可以把系数平分:

为什么总是取对称矩阵

令 ,则 对称且 对一切 成立。

于是二次型与对称矩阵一一对应。此后凡说"二次型 的矩阵",一律指那个对称矩阵。

这条约定不是形式主义:只有对称矩阵才有实特征值与正交特征向量(谱定理),而这正是下一篇要用的全部工具。

交叉项的系数要平分

的矩阵是

不是 。交叉项 要拆成 ,所以 。


二、几何直观

2.1 二次型是"沿各方向的伸缩量"

对对称矩阵做谱分解 ,令 (正交变换,不改变长度),则

右边没有交叉项——这就是"标准形"。

一句话理解标准形

化标准形 = 换一组坐标轴,让它们正好是二次型的主轴(特征向量方向)。

在新坐标系下,二次型退化成各方向独立的平方项之和,伸缩比例就是特征值。

2.2 水平集就是二次曲线/曲面

方程 的图像完全由特征值的符号决定:

特征值符号 的图像 的图像
全正椭圆椭球
全负空集(因为 )空集
一正一负双曲线单叶双曲面
有零抛物线/平行直线族(退化)柱面/锥面(退化)

这就是二次曲面分类的全部依据

判断 是椭球还是双曲面,不需要画出图形——只看特征值的符号(即惯性指数)。

而"化标准形"就是把这句话变成可计算的流程。


三、性质与定理

3.1 矩阵的合同关系

定义(合同)

若存在可逆矩阵 使 ,称 与 合同(congruent)。

性质:合同是等价关系(自反、对称、传递);合同的矩阵秩相同。

与相似的区别(这是最容易混淆的地方):

关系定义保持什么出现场景
相似特征值、迹、行列式同一个线性变换换基
合同秩、惯性指数(特征值符号个数)二次型换坐标

相似不一定合同,合同不一定相似

- 相似只要求 可逆;合同额外要求 以转置形式出现,因此合同的矩阵必须同阶且对称性保持。

- 但当 取为正交矩阵 时,,此时既相似又合同——这就是正交变换法的特殊之处:它同时保持特征值和惯性。

3.2 标准形与规范形

定义

- 标准形:只含平方项的形式 ( 是任意实数)。

- 规范形:平方项系数只取 、、 的形式。由惯性定理,规范形唯一。

3.3 惯性定理

惯性定理(Sylvester 惯性定律)

二次型经任意可逆线性变换化为标准形后,正平方项的个数 与负平方项的个数 都是不变的。

- 称为正惯性指数, 称为负惯性指数;

- (二次型的秩,即矩阵 的秩);

- 称为符号差。

为什么重要:它说明"标准形不唯一(系数可以随便缩放),但正负项的个数唯一"。所以二次型的本质分类量是 ,而不是具体系数。

证明思路:用秩与正定性两件事夹逼。设同一个二次型有两种化法,正项个数分别为 。考虑两个对应子空间的交,其维数至少是 ,于是存在非零向量使 与 同时成立,矛盾。

与特征值符号的对应

由正交变换法, = 正特征值的个数, = 负特征值的个数, = 非零特征值的个数。

惯性定理说的其实就是"特征值的符号个数不随坐标变换改变"——这从谱定理看是显然的,但在不知道谱定理的年代它需要单独证明。

3.4 正定二次型

定义

对一切 都有 ,称二次型正定,对应的对称矩阵正定。

判定条件(与 6-4-对称矩阵与正定矩阵 完全一致,此处按二次型语言重述):

判定表述
特征值法全部特征值
配方法配方后全部平方项系数
顺序主子式各阶顺序主子式全 (Sylvester 判据)
惯性指数正惯性指数 (即规范形为 )
分解法存在可逆 使

四、计算方法与步骤

4.1 方法一:配方法(Lagrange 配方法)

适用:任意二次型,国内考试首选,不需要求特征值。

步骤:

  1. 若存在某个 (有平方项),以 为主元配方:把含 的全部项集中,配成完全平方,余下部分不再含 。
  2. 对余下部分重复第 1 步。
  3. 若所有 但存在 (只有交叉项),先做一次"造平方项"的可逆变换(例如令 ,),再回到第 1 步。
  4. 最后写出所用的可逆变换 ,并验证 可逆。

配方法最常见的失分点

变换矩阵 必须可逆,否则化出的标准形不合法(惯性定理的前提就是可逆变换)。

写完 一定要检查 。

4.2 方法二:正交变换法

适用:需要同时知道几何形状(主轴方向与半轴长)时;也是理论推导的标准工具。

步骤:

  1. 写出二次型的对称矩阵 。
  2. 求 的特征值 。
  3. 求对应的特征向量,做 Schmidt 正交化并单位化,得到正交矩阵 。
  4. 令 ,则

  1. 由惯性定理,正项个数即正特征值个数。

两种方法怎么选

- 只要标准形/判正定 → 配方法(快,不用解特征方程)。

- 要问主轴、要画图、要解释几何 → 正交变换法。

- 考试中"求正交变换化二次型为标准形"是固定题型,必须用方法二。


五、例题

5.1 例题 1:配方法化标准形(完整不跳步)

题目

用配方法化二次型 为标准形,并写出所用的可逆变换。

第 1 步:写出对称矩阵。

注意交叉项系数平分:,,。

第 2 步:以 为主元配方。 集中所有含 的项:

代回原式:

展开 并整理余项:

第 3 步:写出变换。

令

即 ,其中 。反解得到 :

第 4 步:验证与结论。

所以变换可逆,标准形为

从这个结果能立刻读出三件事

正惯性指数 ,负惯性指数 ,秩 。

由 且 ,该二次型是半正定的(不是正定,因为秩不足)。

这与 的秩 一致:。

5.2 例题 2:正交变换法化标准形

题目

求正交变换把 化为标准形,并判断二次曲面的类型。

第 1 步:矩阵。

第 2 步:特征值。

得 ,。(验算:,,均正确。)

第 3 步:特征向量与单位化。

对 :,取 ,单位化得 。

对 :,取 ,单位化得 。

(对称矩阵自动给出正交特征向量:,无需额外 Schmidt 正交化。)

第 4 步:正交矩阵与标准形。

第 5 步:曲面类型。

在 坐标下是 ,即半轴长为 与 的椭圆。

主轴方向是 与 ,即旋转了 。

用特征值直接读出半轴长

椭球 ( 正定)的半轴长是 ——最大特征值对应最短半轴。

这是 7-1-SVD的构造与几何意义 中"单位圆映成椭圆、奇异值是半轴长"的同一件事。


5.3 例题 3:没有平方项时怎么配方(造平方项)

题目

用配方法化 为标准形。

第 1 步:先造出平方项。 二次型里一个平方项都没有,配方无从下手。这时先做一次可逆线性变换把交叉项"拆"成平方项。取

用意是让 直接产生两个平方项。代入:

合并同类项:

第 2 步:以 为主元配方。

所以

第 3 步:对剩下的 配方。

代回得

其中已令 ,,。

第 4 步:写出总的变换矩阵并验证可逆。 把两步变换串起来:

即 ,其中

变换可逆,故

读结论:正惯性指数 ,负惯性指数 ,秩 。用特征值核对: 的特征值约为 、、,同样是两正一负,与惯性定理一致。

"没有平方项"的处理口诀

先做一次 组合把交叉项变成平方项,再按常规配方。

不要试图把某个变量解出来代入——那个变换往往不可逆(解出一个变量等于丢掉一个自由度)。

5.4 例题 4:由标准形写规范形

题目

把例题 3 的结果化为规范形,并写出惯性指数与符号差。

做法:标准形 的各项系数都非零,直接用缩放把系数变成 。令

三个替换都可逆,代回得

这就是规范形:只含系数 与 。

量值
正惯性指数
负惯性指数
秩
符号差

标准形不唯一,规范形唯一

例题 3 用配方法得到系数 ;换成正交变换法,得到的系数是三个特征值 。

两组标准形的系数完全不同,但正负项个数都是"两正一负"——这正是惯性定理的内容。

而规范形 是唯一的,与用什么变换无关。

5.5 例题 5:含参数的正定性讨论(考试高频题型)

题目

问 取何值时,二次型 正定?

第 1 步:写出对称矩阵。 交叉项系数平分:

第 2 步:用顺序主子式判据(含参数问题最快的路径,不必求特征值):

第 3 步:解不等式组。

因为 ,取交集得

第 4 步:数值复核。 取 (区间内),特征值为 ,全正 → 正定;取 (区间外),特征值出现 → 不正定; 恰为边界,特征值为 ,出现零 → 半正定但不正定,与 吻合。

含参数正定题最常见的两个失分点

1. 只算 就下结论。必须全部顺序主子式都大于零。

2. 把"半正定"当成"正定"。 时 ,存在非零向量使 ,不是正定。端点一律不取。

5.6 例题 6:判断两个矩阵是否合同

题目

判断 与 是否合同;若是,求可逆矩阵 使 。

第 1 步:用惯性指数判断(不必真的找 )。

两者的特征值都是一正一负,故惯性指数都是 。由惯性定理,它们合同。

第 2 步:显式构造 。 先把 正交对角化。 的单位特征向量为 (对应 )与 (对应 ),于是

取 ,则 。

再把 变成 :取 ,验算

所以取 ,且 。数值复核:,代入得 ✓

合同与相似的判别路径完全不同

- 判相似:比特征值、迹、行列式、秩,还要看能否对角化(见 6-2-矩阵的对角化)。

- 判合同:只看惯性指数 ,即只看特征值的正负个数,不看具体数值。

上例中 的特征值是 , 的是 ——特征值都不同,却仍然合同。

5.7 例题 7(证明):合同的不变量

题目

设 与 合同。证明 ,且两者的正惯性指数相同。

证明(秩)。 由合同的定义,存在可逆矩阵 使 。可逆矩阵左乘或右乘都不改变秩(左乘可逆矩阵相当于若干次初等行变换),故

证明(惯性指数)。 设 经可逆变换化为规范形( 个 、 个 、其余为 )。由合同的传递性, 也能化为同一个规范形:先用 把 变回 ,再作 的那组变换。而规范形唯一,故 的正负惯性指数与 相同。

三个关系不要再混

| 关系 | 定义 | 不变量 |

|---|---|---|

| 等价 | ( 可逆) | 秩 |

| 合同 | ( 可逆) | 秩 + 惯性指数 |

| 相似 | ( 可逆) | 秩 + 特征值(含重数) |

层次是:等价 ⊃ 合同、等价 ⊃ 相似;合同与相似互不包含。

但当 是正交矩阵时 ,此时正交相似就是正交合同,两者重合——这正是实对称矩阵谱分解的优点。

六、应用

6.1 多元函数极值的二阶条件

在临界点处,,其中 是 Hessian 矩阵。于是:

Hessian 的正定性结论
正定极小值
负定极大值
不定(有正有负特征值)鞍点
半定但奇异失效,需更高阶信息

为什么这比"逐变量求二阶偏导"更本质

逐变量判别只对二元情形方便;用二次型语言,任意维数下结论都一致,而且"鞍点"的含义变得清楚:存在一个方向上升、另一个方向下降。

6.2 二次曲面与二次曲线的分类

把 化标准形后,符号与零的分布直接决定曲面类型,见第二节的表格。

6.3 统计与优化中的二次型

  • 协方差矩阵给出的 是组合方差(见 12-2-协方差矩阵)
  • 最小二乘的残差平方和 是二次型(见 4-3-最小二乘逼近)
  • 带约束的二次优化(Rayleigh 商)的极值就是特征值

6.4 用 numpy 验证本篇结论

数值验证:惯性指数、标准形与正定性

本示例只需要 numpy:

```bash

pip install numpy

```

```python

import numpy as np

# 例题 1 的矩阵

A = np.array([[1., 1., 1.],

[1., 2., 2.],

[1., 2., 2.]])

print("A 对称?", np.allclose(A, A.T))

print("rank(A) =", np.linalg.matrix_rank(A)) # 秩应为 2

print("det(A) =", round(float(np.linalg.det(A)), 10)) # 秩不足 -> det = 0

w = np.linalg.eigvalsh(A) # 对称矩阵用 eigvalsh,返回实特征值且升序

print("特征值 =", np.round(w, 6))

p = int((w > 1e-9).sum()) # 正惯性指数

q = int((w < -1e-9).sum()) # 负惯性指数

print(f"正惯性指数 p = {p}, 负惯性指数 q = {q}, 秩 r = {p + q}")

# 预期 p = 2, q = 0 -> 半正定(秩不足,不是正定)

# 例题 2:椭圆的半轴长 = 1/sqrt(特征值)

B = np.array([[2., 1.],

[1., 2.]])

wb = np.linalg.eigvalsh(B)

print("B 特征值 =", wb) # [1. 3.]

print("半轴长 =", 1.0 / np.sqrt(wb)) # [1. 0.5774]

print("正定?", bool((wb > 0).all()))

# Sylvester 判据:全部顺序主子式 > 0

lead = [float(np.linalg.det(B[:k, :k])) for k in (1, 2)]

print("顺序主子式 =", lead, "-> 正定?", all(d > 0 for d in lead))

```

为什么每个结论都值得数值验一遍

惯性指数、半轴长、正定性这些结论都是可以立刻用几行代码查证的。

手算容易在"交叉项系数是否平分""特征值是否排序""判据用顺序主子式还是全部主子式"这几处出错——

数值验证能让这些错误当场暴露。

七、易错点

六个高频错误

1. 交叉项系数忘记平分。 对应 ,写成 会使矩阵不对称,后续全部失效。

2. 配方法给出的变换矩阵不可逆。化标准形要求可逆线性变换;写出 必须验证 。

3. 把"合同"与"相似"混用。合同是 ,保持惯性指数;相似是 ,保持特征值。只有正交变换同时满足两者。

4. 以为标准形唯一。标准形不唯一(系数可以缩放),唯一的是规范形(正负项个数由惯性定理固定)。

5. 用正交变换法时忘记单位化。只正交化不单位化得到的 不是正交矩阵,此时 不保长度,几何结论(半轴长)会错。

6. 判断正定时只检查 。必须检查全部顺序主子式(Sylvester 判据),只查最高阶是不够的。

八、练习题

  1. 基础题:写出 的对称矩阵,并说明矩阵的秩。
  2. 进阶题:用配方法化 为标准形(注意没有平方项,需要先做"造平方项"的变换),写出可逆变换矩阵并验证其行列式非零。
  3. 进阶题:用正交变换法化 为标准形,写出正交矩阵,并判断 的曲面类型。
  4. 证明题:设 是 阶实对称矩阵,证明" 正定"与"存在可逆矩阵 使 "等价。
  5. 思考题:同一个二次型用配方法与正交变换法得到的两组标准形系数不同(例如例题 2 中配方法可能得到 )。请解释为什么这不违反惯性定理。

九、常见问题(FAQ) Q:为什么要化标准形?直接用原式不行吗?

A:原式含交叉项,各变量耦合在一起,看不出形状也求不了极值。化标准形后各项独立,符号直接给出几何类型与极值性质——这正是"标准形"的意义。

Q:配方法和正交变换法结果不一样,哪个对?

A:都对。标准形不唯一(系数可缩放),但正负项个数(惯性指数)必然相同——这就是惯性定理的内容。要唯一结果就用规范形。

Q:二次型一定要对称矩阵表示吗?

A:二次型本身只对应唯一的对称矩阵。非对称矩阵也能算出同一个二次型,但那只是表示冗余,且非对称矩阵没有谱定理可用。

Q: 意味着什么?

A:如果 正定,只有 ;如果半正定, 是 的零空间(非平凡);如果不定,这个集合是一个锥面。

本篇小结

一张表:正定的八个等价条件

设 是 阶实对称矩阵,以下条件互相等价(考试里哪个好用就用哪个):

序号条件适用场合
1对一切 有 定义,理论上用
2全部特征值 矩阵小、易求特征值时
3全部顺序主子式 含参数问题首选
4正惯性指数 (规范形为 )已化成标准形时
5存在可逆矩阵 使 证明题、构造性
6 与 合同概念题
7存在可逆 使 且 为上三角(即 Cholesky)数值计算
8 的各阶主子式之和为正(等价于特征值的初等对称函数全正)了解即可

条件 3 必须是顺序主子式,不能换成"全部主子式"

判断正定用顺序主子式(左上角 );

判断半正定才用全部主子式()。这两个判据混用是最常见的错误之一。

本篇的六个核心结论

  1. 二次型与对称矩阵一一对应。写矩阵时交叉项系数必须平分: 对应 。
  2. 化标准形有两条路:配方法(快,任意二次型都行)与正交变换法(能同时给出主轴与半轴长)。要"正交变换"时只能用后者。
  3. 标准形不唯一,规范形唯一。不变量是惯性指数 ,不是具体系数。
  4. 惯性定理:可逆变换不改变正、负平方项的个数。等价说法是"特征值的正负个数不变"。
  5. 三种关系的层次:等价(保秩)⊃ 合同(保秩 + 惯性指数);相似(保秩 + 特征值)与合同互不包含,但正交时重合。
  6. 正定 ⟺ 二次曲面是椭球 ⟺ 临界点是极小值。这条把代数判据与几何、优化三件事连起来了。

最容易混的三组概念 | 容易混 | 区别 |

------
标准形 / 规范形系数任意 / 系数只能是 ;前者不唯一,后者唯一
合同 / 相似保惯性指数 / 保特征值;判法完全不同
正定 / 半正定全部顺序主子式 / 全部主子式 ;端点取不取的区别

相关笔记

  • 6-4-对称矩阵与正定矩阵:谱定理与正定判别的完整基础
  • 6-2-矩阵的对角化:正交对角化与相似变换
  • 6-1-特征值引论:特征值与特征向量的求法
  • 4-3-最小二乘逼近:残差平方和就是一个二次型
  • 7-1-SVD的构造与几何意义:椭圆半轴与奇异值的同一件事
  • 附录-矩阵分解总览: 与其他分解的关系
  • 常用公式速查:正定判定与二次型公式汇总

参考来源

  • Gilbert Strang《Introduction to Linear Algebra》第 5 版,§6.4 正定矩阵、§6.5 二次型与曲面
  • 同济大学数学系《线性代数》(第七版)第五章 §5.5–§5.7,高等教育出版社
  • MIT 18.06 Linear Algebra 公开课(第 27 讲 Positive Definite Matrices 及相关讲次):<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
  • Strang 教材配套主页:<https://math.mit.edu/~gs/linearalgebra/>
  • NumPy 对称矩阵特征值文档(eigh 返回实特征值且升序):<https://numpy.org/doc/stable/reference/generated/numpy.linalg.eigh.html>

关于符号与教材差异

国内教材把"正惯性指数/负惯性指数"记作 / ,有些教材用 / ;Strange 教材不使用惯性指数这个术语,而是直接用特征值的符号个数。

两种说法等价。遇到与所用教材不一致的记号时,以授课教材为准。