【高等代数】03 - 二次型和矩阵的分解

　　线性函数也是线性代数的重点知识，尤为是双线性函数，本质上定义了向量之间的二元运算。而后在非退化线性替换下，引出了矩阵的合同关系\(B=P'AP\)（记做\(A\cong B\)），相似于线性变换的标准型讨论，这里一样须要讨论合同关系下的等价类和标准型。对称双线性函数是最多见的向量运算，它的度量矩阵是对称矩阵，利用初等变换和概括法，不难证实任何数域上的对称矩阵都合同于一个对角矩阵。这个结论为对称矩阵的讨论提供了很是便利的方法，而对于实对称矩阵正交分解\(A=T^{-1}DT\)，更是完美地横跨类似变换和等价变换两个彻底不一样的领域，这使得实对称矩阵在线性代数中有着重要的位置。

1. 二次型

1.1 惯性指数

　　对角线上依次是\(1,-1,0\)的合同矩阵称为原矩阵的标准型，由初等变换易知复对称矩阵\(A\)的标准型是\(\begin{bmatrix}I_r&0\\0&0\end{bmatrix}\)，其中\(r\)是\(A\)的秩。当\(A\)为实对称矩阵时，它的标准型则为\(\text{diag}\{I_r,-I_s,0\}\)，其中\(r,s\)分别称为正（负）惯性指数。因为惯性指数的惟一性，再结合对称矩阵的正交变换\(T'DT\)，可知正负惯性指数分别是\(A\)正负特征值的个数。这还说明了，类似变换不改变矩阵的惯性指数。

　　因为惯性指数是合同对称矩阵的“彻底不变量”，那么对对称双线性函数的讨论彻底能够脱离精确的线性函数范畴。尤为是其对称性，使得更简单经常使用的二次型即可以彻底表明原矩阵，而正（负）定矩阵的概念更是根据二次型的特色命名的。如今站在二次型的角度，看看惯性指数还有什么特殊的意义。对二次型\(f(x_1,\cdots,x_n)\)，假设某个线性替换（不必定非退化）能够把它变成形式（1）左，下面证实\(p\geqslant r,q\geqslant s\)。

\[f(x_1,\cdots,x_n)=z_1^2+\cdots+z_p^2-z_{p+1}^2-\cdots-z_{p+q}^2\;\Rightarrow\;p\geqslant r,q\geqslant s\tag{1}\]

　　另外设\(f(x_1,\cdots,x_n)\)标准型是\(y_1^2+\cdots+y_r^2-y_{r+1}^2-\cdots-y_{r+s}^2\)，以及\(HX=Z,GX=Y\)，则有\(HG^{-1}Y=Z\)。若是\(p<r\)，取\(Y=(y_1,\cdots,y_r,0,\cdots,0)'\)，并令\(Z\)的前\(p\)个元素为\(0\)，则由\(p<r\)可知这样的\(Y\ne 0\)是存在的。但这时\(f(Y)>0\)而\(f(Z)\leqslant 0\)，矛盾，这就证实了\(p\geqslant r\)，一样能够证实\(q\geqslant s\)。这个结论说明惯性指数是全部“标准型”中\(\pm 1\)个数最少的。

　　要知道实对称矩阵的惯性指数，通常要计算全部特征值，计算复杂度较高。参考下面的2.1段，可知顺序主子式不为\(0\)的矩阵，能够有分解\(A=R'DR\)，其中\(R'\)为对角全为\(1\)的上三角矩阵，\(D\)为对角非零的对角矩阵。且其中\(A\)的顺序主子式和\(D\)的顺序主子式彻底相同，而\(D\)的惯性指数显然能够由顺序主子式彻底肯定，最终就是说\(A\)的惯性指数它的顺序主子式彻底肯定。完整地讲，若是\(A\)的顺序主子式\(A_k\)都非零，则序列\(1,A_1,A_2,\cdots,A_n\)的变号次数就是\(A\)的负惯性指数，不变号次数就是正惯性指数。

1.2 （半）正定矩阵

　　正负惯性指数中有一项为\(0\)时，二次型在全部非零向量上表现出明显的符号特色（恒正、恒负、非正、非负），它们分别称为正定、负定、半负定、半正定，对应的矩阵也有相应的名称。尤为正定矩阵的恒正性，使得他很适合用来做为向量的度量，来定义向量的范数和距离。另外，对这类矩阵（二次型）的讨论有着很是实际的意义，因为对称性，这里仅讨论正定矩阵和半正定矩阵。

　　注意到正定矩阵合同于单位矩阵\(I\)，也就是说正定矩阵存在分解\(A=C'C\)，其中\(C\)可逆。也能够换个说法，存在可逆矩阵\(C\)可把正定\(A\)对角化为\(C'AC=I\)。对另外任意的实对称矩阵\(B\)，\(C'BC\)仍然是实对称矩阵，故存在实正交矩阵\(T\)，使得\(T'C'BCT=D=\text{diag}\{\mu_i\}\)。

　　设\(P=CT\)，则有结论：当\(A\)为正定矩阵，\(B\)为实对称矩阵时，存在实可逆矩阵\(P\)使得\(P'AP=I,P'BP=D\)。这时容易有式（2）成立，当\(B\)是半正定矩阵时有\(\mu_i\geqslant 0\)，从而获得\(|A+B|\geqslant|A|+|B|\)，其中等号成立的充要条件是\(B=0\)。

\[|A+B|=|P^{-1}|^2\prod_{i=1}^n(1+\mu_i);\;\;|A|+|B|=|P^{-1}|^2(1+\prod_{i=1}^n\mu_i)\tag{2}\]

　　如今考察正定矩阵\(A=\begin{bmatrix}B&C\\C'&D\end{bmatrix}\)，用初等变换可将它对角化为\(\begin{bmatrix}B&0\\0&D-C'B^{-1}C\end{bmatrix}\)，从而\(B,D,D-C'B^{-1}C\)都是正定矩阵。另外一方面有式（3）左成立，再由刚才的不等式可有式（3）右成立，从而对正定矩阵\(A\)，总有估计式\(|A|\leqslant\prod a_{ii}\)成立。

\[\begin{vmatrix}B&C\\C'&D\end{vmatrix}=|B||D-C'B^{-1}C|\leqslant|B||D|\tag{3}\]

1.3 断定条件

　　正定（半正定）矩阵的典型特色就是，它的合同对角矩阵的对角元为正数（非负），故它的行列式为也为正数（非负）。再从二次型的角度考察正定（半正定）矩阵\(A\)，它使得任意\(X'AX\)为正数（非负）。取\(X\)为某\(k\)个维度的向量（其它\(n-k\)个维度为\(0\)），\(X'AX\)仍然是正定（半正定）的，其对应的行列式是\(A\)的一个主子式，这就证实了正定（半正定）矩阵的全部主子式为正数（非负）。

　　反之，对全部主子式为正数（非负）的实对称矩阵\(A\)，若是它不是正定（半正定）的，则存在特征值\(\lambda<0\)。如今来考察特征多项式\(f(\lambda)\)，前面知道它的每一项是\((-1)^k\lambda^{n-k}B_k\)，其中\(B_k\)是\(A\)的全部\(k\)阶主子式之和。因为\(B_k\)不可能所有为\(0\)（除非全\(0\)矩阵，而它是半正定的），故有\(f(\lambda)\ne 0\)，这与\(\lambda\)是特征值矛盾，从而证实了逆命题也成立。

　　以上证实了正定（半正定）矩阵的充要条件是全部主子式为正数（非负）。2.1节中还有结论：顺序主子式皆非零的实对称矩阵，它的惯性指数由顺序主子式彻底肯定，从而对于正定矩阵而言，它的充要条件能够弱化为顺序主子式皆为正数。但要注意顺序主子式皆非负，并非半正定的充分条件，最简单的反例就是\(\begin{bmatrix}0&0\\0&-1\end{bmatrix}\)。

　　除了以上正定的充要条件，有时也能够综合正定矩阵的性质来断定。正定矩阵的一个典型特色是它合同于单位矩阵\(I\)，由此它能够分解为\(P'P\)，其中\(P\)可逆。设\(A,B\)皆为正定矩阵，来考察\(AB\)的正定的充要条件，首先必须得有\(AB\)对称，由此能够推出\(AB=BA\)。反之若是\(AB\)对称，设\(A=CC'\)，其中\(C\)可逆，则\(C^{-1}ABC=C'BC\)。由\(B\)正定知\(C'BC\)正定，因此它的特征值皆为正，从而\(AB\)的特征值也为正，证得\(AB\)正定。

 　　再看一个复杂一点的状况，假设\(A,B\)正定，考察矩阵\(C=\{a_{ij}b_{ij}\}\)。设\(B\)有正交分解\(T'DT\)，其中\(D=\text{diag}\{\mu_i\}\)，\(\mu_i>0\)是\(B\)的特征向量。这样可有\(b_{ij}=\sum\limits_k\mu_kt_{ki}t_{k_j}\)，这样可有\(C=\sum\limits_k\mu_kC_k\)，其中\(C_k=[t_{ki}t_{kj}a_{ij}]\)。对任意列向量\(X\)，\(X’C_kX=\delta'_kA\delta_k\)，其中\(\delta_k=[t_{k1}x_1,\cdots,t_{kn}x_n]'\)。易知\(\delta_k\)不全为\(0\)，从而\(X'CX=\sum\limits_k\mu_kX'C_kX>0\)，这就证实了\(C\)也是正定矩阵。

1.4 实可逆矩阵

　　前面提到，任何正定矩阵均可以分解为\(C'C\)，其中\(C\)是实可逆矩阵。反之，对任意实矩阵\(C\)（不必定是方阵），来考察对称矩阵\(C'C\)。设有\(C'C\alpha=\lambda\alpha\)，两边左乘\(\alpha'\)获得\(|C\alpha|^2=\lambda|\alpha|^2\)，从而能够获得\(\lambda\geqslant 0\)。即\(C'C\)是半正定矩阵，尤为当\(C'C\)可逆时，它仍是正定矩阵。

　　另外，若是令方阵\(C\)有特征值\(\mu\)和特征向量\(\alpha\)，则\(\alpha'C'C\alpha=\mu^2|\alpha|^2\)。再由上一篇式（18）可得\(\alpha'C'C\alpha\in[\lambda_1,\lambda_n]|\alpha|^2\)，其中\(\lambda_1,\lambda_n\)是\(C'C\)的最小（大）特征值，从而\(\mu^2\in[\lambda_1,\lambda_n]\)。因为\(C'C\)的特征值非负，则能够获得估算式\(\sqrt{\lambda_1}\leqslant|\mu|\leqslant\sqrt{\lambda_n}\)。当\(C\)可逆时，因为\(A=C'C\)为正定矩阵，由1.2节的估计式可获得\(|C|^2=|C'C|\leqslant \prod\limits_i a_{ii}\)，其中\(a_{ii}=\sum\limits_j c_{ji}^2\)，这就获得式（4）的Hadamard不等式。

\[|C|\ne 0\;\Rightarrow\;|C|^2\leqslant \prod_{i=1}^n\sum_{j=1}^n c_{ij}^2\tag{4}\]

2. 矩阵的分解

　　矩阵的分解是矩阵计算的主要课题，它的任务是把通常性的矩阵分解为一些特殊矩阵（对角矩阵、三角矩阵、正交矩阵等）的乘积、或特殊形式的乘积（类似、合同等）。这不只能帮助分析矩阵的本质，分解获得的特殊矩阵还能便于计算、分析复杂的表达式。这里再举一些通常性的例子，在“矩阵计算”（也叫“矩阵分析”）这门课中，咱们会见到更普遍的应用。

2.1 初等矩阵分解

　　先来看一个基础的，咱们知道任何可逆矩阵均可以经过初等变换变成\(I\)，这就是说能够矩阵均可以分解为一些初等矩阵的乘积（\(P(j,i(k)),P(i(k)),P(i,j)\)）。另外由式（5）可知，\(P(i,j)\)能够由其它两个初等矩阵表示，从而可逆矩阵均可以表示为两类初等矩阵之积（\(P(j,i(k)),P(i(k))\)）。其实不难发现，只用\(P(j,i(k))\)就能够把\(A\)对角化，且除了最后一个\(a'_{nn}\)外均可以化为\(1\)，也就是说\(P(i(k))\)只要在最后出现一下就能够了。特别地，当\(|A|=1\)时，连最后这个\(P(n(1/|A|))\)都不须要，\(A\)能够拆分为若干\(P(j,i(k))\)之积。

\[P(i,j)=P(i,j(-1))P(j,i(1))P(i,j(-1))P(i(-1))\tag{5}\]

　　继续增强以上条件，先假设\(a_{11}\ne 0\)，那么能够只用下三角的\(P(j,i(k))\)，将\(A\)的第一列的后\(n-1\)个数变成\(0\)。若是变换后的\(a'_{22}\ne 0\)，这个过程还能够继续下去，直到把\(A\)变成一个上三角矩阵\(U\)。注意到这样的变换并不改变顺序主子式的值，从而加入的一系列条件等价于\(A\)的全部顺序主子式都不为\(0\)。而根据全部\(P(j,i(k))\)变换特色，可知它们组合后的矩阵\(B\)是一个下三角矩阵，且对角线皆为\(1\)。

　　结论能够总结为：若是\(A\)的全部顺序主子式都不为\(0\)，则存在下三角矩阵\(B\)和上三角矩阵\(U\)，使得\(BA=U\)。从而矩阵\(A\)有分解\(A=LU\)，其中\(L=B^{-1}\)为对角全为\(1\)的下三角矩阵（单位下三角矩阵），\(U\)是可逆上三角矩阵。知足条件的矩阵\(A\)显然都存在LU分解，而且用反证法还可知这样的分解是惟一的。设有两个分解\(L_1U_1=L_2U_2\)，则有\(L_2^{-1}L_1=U_2U_1^{-1}\)。等式左边是单位下三角矩阵，右边为上三角矩阵，从而等式为单位矩阵，进而有\(L_1=L_2,U_1=U_2\)，故LU分解惟一。

　　当以上结论做用于有一样性质（顺序主子式非零）的对称矩阵\(A\)时，一样可获得惟一分解\(A=LDL'\)，其中\(L\)同上、\(D\)为可逆对角矩阵。这个结论在第一段中已经被使用过两次，请再回头品味它的应用。

　　关于初等变换，固然还有一个浅显的结论值得一提。对于通常的矩阵\(A_{m\times n}\)，经过初等变换能够把它变成\(\begin{bmatrix}I_r&0\\0&0\end{bmatrix}\)的形式。这就是说\(A_{m\times n}\)能够分解为\(P_m\begin{bmatrix}I_r&0\\0&0\end{bmatrix}Q_n\)，其中\(P,Q\)可逆、\(r\)为\(A\)的秩。

2.2 正交分解

　　根据Schmidt正交化方法可知，任何可逆矩阵\(A\)均可以分解为\(QR\)，其中\(Q\)为正交矩阵、\(R\)为上三角矩阵，这样的分解称为QR分解。另外，假设存在两个不一样的分解\(Q_1R_1=Q_2R_2\)，则有\(Q_2^{-1}Q_1=R_1R_2^{-1}\)，等式左边是正交矩阵，右边为上三角矩阵。而显然三角正交矩阵只能是\(I\)，故有\(Q_1=Q_2,R_1=R_2\)，这说明QR分解是惟一的。其实对于通常的列满矩阵\(A_{m\times n}\)，同样能够证实它有惟一分解\(Q_{m\times n}R_n\)，其中\(Q\)为列满秩矩阵，\(R\)为上三角方阵。

　　对于任意复矩阵\(A\)，先找到任意特征值\(\lambda\)及特征向量\(\alpha\)，将\(\alpha\)单位化并开展为正交基\(\{\eta_1,\cdots,\eta_n\}\)。考察正交矩阵\(T_0=[\eta_1,\cdots,\eta_n]\)下的正交变换\(B=T_0^{-1}AT_0\)，易知\(B\)有形式\(\begin{bmatrix}\lambda&\beta\\0&C\end{bmatrix}\)。利用概括法能够证实，\(A\)正交类似于一个上三角矩阵\(U\)，即存在正交矩阵\(T\)使得\(A=T^{-1}UT\)。

　　对任意实矩阵\(A\)，若是假设它的特征值都是实数，相似刚才的推论能够获得相同的结论。这时若是再附加对称的条件，则一样证得\(A\)正交类似于对角矩阵。这是咱们熟悉的结论，这里从另外一个视角再看到它。固然这个条件也能够以其它形式给出，好比假设\(A'A=AA'\)（正规矩阵），能够获得\(UU'=U'U\)，依次对比等式两边的对角线可知\(U\)为对角矩阵（从而\(A\)为对称矩阵）。

2.3 正定矩阵的分解

　　因为实对称矩阵能够有正交变换\(A=T^{-1}DT\)，若是\(A\)正定，则能够有拆分\(D=D_0^2\)，其中\(D_0=\text{diag}\{\sqrt{\lambda_i}\}\)。这样就能够说正定矩阵能够有分解\(A=C^2\)，其中\(C\)为正定矩阵。\(C=T^{-1}D_0T\)是显然的一个分解（\(A=C^2\)），那它是否是惟一分解呢？设有两种分解\(C_1=T_1^{-1}D_1T_1,C_2=T_2^{-1}D_2T_2\)，由\(C_1^2=C_2^2\)可得\(D_1^2S=SD_2^2\)，其中\(S=T_1T_2^{-1}\)为正交矩阵。这样就有\(d_{1i}^2s_{ij}=s_{ij}d_{2j}^2\)，无论怎样都有\(d_{1i}s_{ij}=s_{ij}d_{2j}\)，从而\(D_1S=SD_2\)。再按原路返回便获得\(C_1=C_2\)，分解的惟一性得证。

　　另外，当\(A\)为实可逆矩阵时，\(A'A\)是正定矩阵，从而能够有惟一分解\(A'A=S_1^2\)，其中\(S_1\)是正定矩阵。容易验证\((A')^{-1}S_1\)是正交矩阵，从而存在分解\(A=TS_1\)，其中\(T\)为正交矩阵。取\(S_2=TS_1T^{-1}\)，则有\(A=S_2T\)，其中\(S_2\)也是正定矩阵。另外不难证实\(S_1,S_2\)的惟一性，从而获得极分解定理：实可逆矩阵有惟一分解\(A=TS_1=S_2T\)，其中\(T\)为正交矩阵、\(S_1,S_2\)为正定矩阵。进一步地，能够将\(S_1\)进行正交分解，从而实可逆矩阵\(A\)有分解\(T_1DT_2\)，其中\(T_1,T_2\)为正交矩阵、\(D=\text{diag}\{\sqrt{\lambda_i}\}\)（\(\lambda_i\)为\(A'A\)特征值）。

2.4 矩阵分解总结

　　如下式（6）~（11）总结了至今讲到的重要矩阵分解，其中\(P\)是可逆矩阵、\(T,Q\)是正交矩阵、\(S\)为正定矩阵、\(L\)为对角线全为\(1\)的下三角矩阵、\(U,R\)为可逆上三角矩阵，\(\overset{*}{=}\)表示分解惟一。\(D\)为对角矩阵，其中式（8）中\(D\)的对角元素为全部特征值，（11）式中\(D\)可逆。

\[|A|\ne 0\;\Rightarrow\; A\overset{*}{=}QR\overset{*}{=}TS_1\overset{*}{=}S_2T=T_1DT_2\tag{6}\]

\[A=A'\Rightarrow A=P'DP\tag{7}\]

\[A=A',A\in \mathbb{R}_{n\times n}\Rightarrow A=T'DT\tag{8}\]

\[A\cong I,A\in \mathbb{R}_{n\times n}\;\Rightarrow\;A=P'P\overset{*}{=}S^2\tag{9}\]

\[A_k=\begin{vmatrix}a_{11}&\cdots&a_{1k}\\\vdots&\ddots&\vdots\\a_{k1}&\cdots&a_{kk}\end{vmatrix}\ne 0,(k=1,\cdots,n)\;\Rightarrow\; A\overset{*}{=}LU\tag{10}\]

\[A=A',A_k\ne 0\;\Rightarrow\;A=LDL'\tag{11}\]