Coldgerm

Bilibili

公告

还在建还在建UvU

Learn More

标签

偏导数向量对角化微分数学方程组极值极限特征值特征向量矩阵秩积分线性代数行列式高等数学

Coldgerm

Bilibili

公告

还在建还在建UvU

Learn More

标签

偏导数向量对角化微分数学方程组极值极限特征值特征向量矩阵秩积分线性代数行列式高等数学

Coldgerm

Bilibili

公告

还在建还在建UvU

Learn More

标签

偏导数向量对角化微分数学方程组极值极限特征值特征向量矩阵秩积分线性代数行列式高等数学

1972 字

5 分钟

6.2化二次型为标准形

2026-06-15

线性代数

无标签

《化二次型为标准形》包括但不限于：

配方法化二次型为标准形
正交变换法化二次型为标准形
实对称矩阵A和B合同的充要条件
- 有相同的秩和正惯性指数
  - 若实对称矩阵A和B相似，则A与B合同
- A与B有相同的秩和相同的负惯性指数
- A与B有相同的正惯性指数和相同的负惯性指数
- A与B有相同的规范形
- A与B的正、负特征值个数相等

化二次型为标准形#

一、配方法化二次型为标准形#

1.1 基本思想#

通过逐步配方消去交叉项，最终只剩平方项。每次抓住一个变量，将所有含该变量的项集中，配成完全平方，剩余部分不再含该变量。

1.2 两种配方策略#

策略一：有平方项时（直接配方）#

步骤：

在 $f$ 中选一个系数非零的平方项（如 $a_{11}x_1^2$ ，其中 $a_{11} \neq 0$ ）；
将 $f$ 中所有含 $x_1$ 的项集中： $a_{11}x_1^2 + 2a_{12}x_1x_2 + 2a_{13}x_1x_3 + \cdots$ ；
提取 $a_{11}$ 后对 $x_1$ 配方：
$a_{11}\left(x_1 + \frac{a_{12}}{a_{11}}x_2 + \frac{a_{13}}{a_{11}}x_3 + \cdots + \frac{a_{1n}}{a_{11}}x_n\right)^2 - \text{（剩余项）}$
令 $y_1 = x_1 + \frac{a_{12}}{a_{11}}x_2 + \cdots + \frac{a_{1n}}{a_{11}}x_n$ ， $y_i = x_i$ （ $i \geqslant 2$ ）；
剩余部分为仅含 $x_2, \dots, x_n$ （不含 $x_1$ ）的二次型，对剩余部分重复上述步骤。

策略二：没有平方项时（先制造平方项）#

若 $f$ 不含任何平方项（所有 $a_{ii} = 0$ ），则必存在交叉项，设为 $2a_{12}x_1x_2$ （ $a_{12} \neq 0$ ）。

制造平方项的方法：

令：

\begin{cases} x_1 = y_1 + y_2 \\ x_2 = y_1 - y_2 \\ x_i = y_i \quad (i \geqslant 3) \end{cases}

则 $x_1x_2 = y_1^2 - y_2^2$ ，出现平方项，再使用策略一。

1.3 配方法示例#

将 $f(x_1, x_2, x_3) = x_1^2 + 2x_1x_2 + 2x_1x_3 + 2x_2^2 + 4x_2x_3 + 3x_3^2$ 化为标准形。

解：

(1) 集中含 $x_1$ 的项： $x_1^2 + 2x_1x_2 + 2x_1x_3$ ，配方：

f = [x_1^2 + 2x_1(x_2 + x_3) + (x_2 + x_3)^2] - (x_2 + x_3)^2 + 2x_2^2 + 4x_2x_3 + 3x_3^2

= (x_1 + x_2 + x_3)^2 - (x_2^2 + 2x_2x_3 + x_3^2) + 2x_2^2 + 4x_2x_3 + 3x_3^2

(2) 合并剩余项：

f = (x_1 + x_2 + x_3)^2 + x_2^2 + 2x_2x_3 + 2x_3^2

(3) 对 $x_2$ 配方：

f = (x_1 + x_2 + x_3)^2 + (x_2^2 + 2x_2x_3 + x_3^2) - x_3^2 + 2x_3^2

= (x_1 + x_2 + x_3)^2 + (x_2 + x_3)^2 + x_3^2

(4) 令：

\begin{cases} y_1 = x_1 + x_2 + x_3 \\ y_2 = x_2 + x_3 \\ y_3 = x_3 \end{cases}

得标准形：

\boxed{f = y_1^2 + y_2^2 + y_3^2}

1.4 配方法的可逆变换矩阵#

上述变换可写出 $\boldsymbol{x} = \boldsymbol{C}\boldsymbol{y}$ ：

由 $y_3 = x_3 \;\Rightarrow\; x_3 = y_3$ ， $y_2 = x_2 + x_3 \;\Rightarrow\; x_2 = y_2 - y_3$ ， $y_1 = x_1 + x_2 + x_3 \;\Rightarrow\; x_1 = y_1 - y_2$ ，故：

\boldsymbol{C} = \begin{pmatrix} 1 & -1 & 0 \\ 0 & 1 & -1 \\ 0 & 0 & 1 \end{pmatrix}, \quad |\boldsymbol{C}| = 1 \neq 0

一般结论：配方得到的变换矩阵是主对角线全为 1（或非零）的上三角矩阵，必然可逆。

1.5 配方法的优缺点#

优点	缺点
操作简单直观，不需要特征值	标准形不唯一（系数未必是特征值）
任何二次型都适用	不保留几何性质（不保长度和角度）
变换矩阵明确可求	结果依赖于配方顺序

二、正交变换法化二次型为标准形#

2.1 基本定理#

主轴定理：对于 $n$ 元实二次型 $f(\boldsymbol{x}) = \boldsymbol{x}^\mathrm{T}\boldsymbol{A}\boldsymbol{x}$ （ $\boldsymbol{A}$ 为 $n$ 阶实对称矩阵），一定存在正交线性变换 $\boldsymbol{x} = \boldsymbol{Q}\boldsymbol{y}$ （ $\boldsymbol{Q}$ 为正交矩阵），使得二次型化为标准形：

\boxed{f = \lambda_1 y_1^2 + \lambda_2 y_2^2 + \cdots + \lambda_n y_n^2}

其中 $\lambda_1, \lambda_2, \dots, \lambda_n$ 是 $\boldsymbol{A}$ 的全部特征值（重根按重数出现）。

本质：正交变换法就是实对称矩阵的正交相似对角化在二次型中的应用。

2.2 完整步骤#

第一步：写出二次型的矩阵 $\boldsymbol{A}$ #

将二次型写成对称矩阵形式 $f = \boldsymbol{x}^\mathrm{T}\boldsymbol{A}\boldsymbol{x}$ 。

第二步：求 $\boldsymbol{A}$ 的全部特征值#

解特征方程 $|\lambda \boldsymbol{E} - \boldsymbol{A}| = 0$ ，得到 $\lambda_1, \lambda_2, \dots, \lambda_n$ （重根按重数写出）。

第三步：求每个特征值对应的特征向量#

对每个 $\lambda_i$ ，求解 $(\lambda_i \boldsymbol{E} - \boldsymbol{A})\boldsymbol{x} = \boldsymbol{0}$ ，得到基础解系。

第四步：施密特正交化（仅重特征值需要）#

对每个重特征值的多个特征向量进行施密特正交化，使它们两两正交。

注意：不同特征值对应的特征向量自动正交，无需处理。

第五步：单位化#

将所有正交化后的特征向量逐个单位化：

\boldsymbol{\eta}_i = \frac{\boldsymbol{\beta}_i}{\|\boldsymbol{\beta}_i\|}

得到 $n$ 个标准正交的特征向量 $\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \dots, \boldsymbol{\eta}_n$ 。

第六步：构造正交矩阵 $\boldsymbol{Q}$ 并写出标准形#

将 $\boldsymbol{\eta}_1, \dots, \boldsymbol{\eta}_n$ 按列排成正交矩阵：

\boldsymbol{Q} = (\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \dots, \boldsymbol{\eta}_n)

则正交变换为 $\boldsymbol{x} = \boldsymbol{Q}\boldsymbol{y}$ ，在此变换下：

\boxed{f = \boldsymbol{x}^\mathrm{T}\boldsymbol{A}\boldsymbol{x} = \boldsymbol{y}^\mathrm{T}(\boldsymbol{Q}^\mathrm{T}\boldsymbol{A}\boldsymbol{Q})\boldsymbol{y} = \lambda_1 y_1^2 + \lambda_2 y_2^2 + \cdots + \lambda_n y_n^2}

关键：特征值在标准形中的排列顺序必须与 $\boldsymbol{Q}$ 中对应特征向量的排列顺序一致。

2.3 完整示例#

将 $f(x_1, x_2, x_3) = 2x_1x_2 + 2x_1x_3 + 2x_2x_3$ 用正交变换法化为标准形。

第一步：写出矩阵#

f = (x_1, x_2, x_3)\begin{pmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{pmatrix}\begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix}, \quad \boldsymbol{A} = \begin{pmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{pmatrix}

第二步：求特征值#

|\lambda \boldsymbol{E} - \boldsymbol{A}| = \begin{vmatrix} \lambda & -1 & -1 \\ -1 & \lambda & -1 \\ -1 & -1 & \lambda \end{vmatrix}

各行和相等（均为 $\lambda - 2$ ），将第 2、3 列加到第 1 列：

= \begin{vmatrix} \lambda-2 & -1 & -1 \\ \lambda-2 & \lambda & -1 \\ \lambda-2 & -1 & \lambda \end{vmatrix} = (\lambda-2)\begin{vmatrix} 1 & -1 & -1 \\ 1 & \lambda & -1 \\ 1 & -1 & \lambda \end{vmatrix}

= (\lambda-2)\begin{vmatrix} 1 & -1 & -1 \\ 0 & \lambda+1 & 0 \\ 0 & 0 & \lambda+1 \end{vmatrix} = (\lambda-2)(\lambda+1)^2

特征值： $\lambda_1 = 2$ （单根）， $\lambda_2 = \lambda_3 = -1$ （二重根）。

第三步：求特征向量#

对 $\lambda_1 = 2$ ：

(2\boldsymbol{E} - \boldsymbol{A}) = \begin{pmatrix} 2 & -1 & -1 \\ -1 & 2 & -1 \\ -1 & -1 & 2 \end{pmatrix} \xrightarrow{\text{行变换}} \begin{pmatrix} 1 & 0 & -1 \\ 0 & 1 & -1 \\ 0 & 0 & 0 \end{pmatrix}

同解方程： $x_1 = x_3,\; x_2 = x_3$ 。取 $x_3 = 1$ ：

\boldsymbol{\alpha}_1 = \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}

对 $\lambda_2 = -1$ （二重）：

(-1\boldsymbol{E} - \boldsymbol{A}) = \begin{pmatrix} -1 & -1 & -1 \\ -1 & -1 & -1 \\ -1 & -1 & -1 \end{pmatrix} \xrightarrow{\text{行变换}} \begin{pmatrix} 1 & 1 & 1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}

同解方程： $x_1 + x_2 + x_3 = 0$ ，即 $x_1 = -x_2 - x_3$ 。自由变量 $x_2, x_3$ 。依次取 $(1, 0)$ 和 $(0, 1)$ ：

\boldsymbol{\alpha}_2 = \begin{pmatrix} -1 \\ 1 \\ 0 \end{pmatrix}, \quad \boldsymbol{\alpha}_3 = \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix}

第四步：施密特正交化（对 $\lambda = -1$ 的两个特征向量）#

验证： $(\boldsymbol{\alpha}_2, \boldsymbol{\alpha}_3) = 1 \neq 0$ ，不正交，需正交化。

\boldsymbol{\beta}_2 = \boldsymbol{\alpha}_2 = \begin{pmatrix} -1 \\ 1 \\ 0 \end{pmatrix}

\boldsymbol{\beta}_3 = \boldsymbol{\alpha}_3 - \frac{(\boldsymbol{\alpha}_3, \boldsymbol{\beta}_2)}{(\boldsymbol{\beta}_2, \boldsymbol{\beta}_2)}\boldsymbol{\beta}_2 = \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix} - \frac{1}{2}\begin{pmatrix} -1 \\ 1 \\ 0 \end{pmatrix} = \begin{pmatrix} -\frac{1}{2} \\ -\frac{1}{2} \\ 1 \end{pmatrix}

验证： $(\boldsymbol{\beta}_2, \boldsymbol{\beta}_3) = 0$ ✓。

$\boldsymbol{\alpha}_1$ 与 $\boldsymbol{\beta}_2, \boldsymbol{\beta}_3$ 已自动正交（不同特征值），无需处理。

第五步：单位化#

\|\boldsymbol{\alpha}_1\| = \sqrt{3} \;\Longrightarrow\; \boldsymbol{\eta}_1 = \frac{1}{\sqrt{3}}\begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}

\|\boldsymbol{\beta}_2\| = \sqrt{2} \;\Longrightarrow\; \boldsymbol{\eta}_2 = \frac{1}{\sqrt{2}}\begin{pmatrix} -1 \\ 1 \\ 0 \end{pmatrix}

\|\boldsymbol{\beta}_3\| = \frac{\sqrt{6}}{2} \;\Longrightarrow\; \boldsymbol{\eta}_3 = \frac{1}{\sqrt{6}}\begin{pmatrix} -1 \\ -1 \\ 2 \end{pmatrix}

第六步：写出正交矩阵 $\boldsymbol{Q}$ 和标准形#

\boldsymbol{Q} = (\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \boldsymbol{\eta}_3) = \begin{pmatrix} \frac{1}{\sqrt{3}} & -\frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{6}} \\ \frac{1}{\sqrt{3}} & \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{6}} \\ \frac{1}{\sqrt{3}} & 0 & \frac{2}{\sqrt{6}} \end{pmatrix}

在正交变换 $\boldsymbol{x} = \boldsymbol{Q}\boldsymbol{y}$ 下，标准形为：

\boxed{f = 2y_1^2 - y_2^2 - y_3^2}

2.4 正交变换法的核心优势#

优势	说明
标准形的系数就是特征值	几何意义明确
保持向量长度和夹角	$\\|\boldsymbol{Q}\boldsymbol{x}\\| = \\|\boldsymbol{x}\\|$ ， $(\boldsymbol{Q}\boldsymbol{x}, \boldsymbol{Q}\boldsymbol{y}) = (\boldsymbol{x}, \boldsymbol{y})$
变换可逆且逆易于求得	$\boldsymbol{Q}^{-1} = \boldsymbol{Q}^\mathrm{T}$

三、配方法与正交变换法的对比#

对比项	配方法	正交变换法
变换类型	可逆线性变换	正交变换
变换矩阵	$\boldsymbol{C}$ （可逆，一般非正交）	$\boldsymbol{Q}$ （正交矩阵）
标准形系数	不一定是特征值	恰为特征值
标准形唯一性	不唯一	系数唯一（排列可不同）
是否保长度/角度	否	是
计算难度	简单	需求特征值和特征向量，较复杂
适用场景	仅需标准形	需特征值或正交变换时

四、实对称矩阵合同的充要条件#

4.1 合同的核心判定定理#

两个 $n$ 阶实对称矩阵 $\boldsymbol{A}$ 和 $\boldsymbol{B}$ 合同的充要条件有以下几个等价表述：

4.2 充要条件一：相同的秩和正惯性指数#

\boxed{\boldsymbol{A} \simeq \boldsymbol{B} \;\Longleftrightarrow\; r(\boldsymbol{A}) = r(\boldsymbol{B}) \;\text{且}\; p(\boldsymbol{A}) = p(\boldsymbol{B})}

其中 $p$ 为正惯性指数。

4.3 充要条件二：相同的秩和负惯性指数#

\boxed{\boldsymbol{A} \simeq \boldsymbol{B} \;\Longleftrightarrow\; r(\boldsymbol{A}) = r(\boldsymbol{B}) \;\text{且}\; q(\boldsymbol{A}) = q(\boldsymbol{B})}

其中 $q$ 为负惯性指数。

注：由 $r = p + q$ ，条件一和条件二等价（秩同 + 正惯性指数同 $\iff$ 秩同 + 负惯性指数同）。

4.4 充要条件三：相同的正惯性指数和负惯性指数#

\boxed{\boldsymbol{A} \simeq \boldsymbol{B} \;\Longleftrightarrow\; p(\boldsymbol{A}) = p(\boldsymbol{B}) \;\text{且}\; q(\boldsymbol{A}) = q(\boldsymbol{B})}

该条件自动蕴含秩相等（ $r = p + q$ ），故无需单独提秩。

4.5 充要条件四：相同的规范形#

\boxed{\boldsymbol{A} \simeq \boldsymbol{B} \;\Longleftrightarrow\; \boldsymbol{A} \text{ 与 } \boldsymbol{B} \text{ 有相同的规范形}}

即两者均可通过合同变换化为同一个矩阵：

\begin{pmatrix} \boldsymbol{E}_p & & \\ & -\boldsymbol{E}_q & \\ & & \boldsymbol{0} \end{pmatrix}

惯性定理保证规范形由 $p, q$ 唯一确定，因此规范形相同 $\Longleftrightarrow$ $p, q$ 相同。

4.6 充要条件五：正负特征值个数相等#

\boxed{\boldsymbol{A} \simeq \boldsymbol{B} \;\Longleftrightarrow\; \boldsymbol{A} \text{ 与 } \boldsymbol{B} \text{ 的正特征值个数相等，负特征值个数相等，零特征值个数也相等}}

解释：实对称矩阵的特征值全为实数，正特征值的个数 = 正惯性指数 $p$ ，负特征值的个数 = 负惯性指数 $q$ ，零特征值的个数 = $n - r$ 。三者全对应相等即合同。

4.7 相似 $\Rightarrow$ 合同（实对称矩阵情形）#

特别结论：若 $\boldsymbol{A}$ 和 $\boldsymbol{B}$ 都是实对称矩阵，且 $\boldsymbol{A} \sim \boldsymbol{B}$ （相似），则 $\boldsymbol{A}$ 与 $\boldsymbol{B}$ 必合同。

原因：实对称矩阵相似 $\Rightarrow$ 特征值全相同 $\Rightarrow$ 正、负、零特征值个数相同 $\Rightarrow$ 合同。

但反之不然：合同不一定相似（合同只要求惯性指数相同，不要求特征值具体数值相同）。例如 $\begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$ 与 $\begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix}$ 合同但不相似。

4.8 充要条件汇总表#

序号	充要条件	核心要素
①	秩相同 + 正惯性指数相同	$r$ 和 $p$
②	秩相同 + 负惯性指数相同	$r$ 和 $q$
③	正惯性指数相同 + 负惯性指数相同	$p$ 和 $q$ （自动推出秩相同）
④	规范形相同	对角矩阵由 $p, q$ 唯一确定
⑤	正、负、零特征值个数分别相等	$p, q, n-p-q$
⑥	实对称矩阵相似 ⇒ 合同（充分条件）	相似 ⇒ 特征值全同 ⇒ 合同

五、化二次型为标准形的方法选用指南#

1
需要化二次型为标准形
2
        │
3
        ├── 只需要标准形、不计较变换类型
4
        │     └── 配方法（简单快捷）
5
        │
6
        ├── 需要特征值、做正交变换
7
        │     └── 正交变换法
8
        │
9
        ├── 需要判断二次型的正定性
10
        │     └── 配方法 or 正交变换法均可
11
        │
12
        └── 需要求正交矩阵 Q
13
              └── 正交变换法（唯一选择）

如果这篇文章对你有帮助，欢迎分享给更多人！

6.2化二次型为标准形

https://wander-seek.asia/posts/62化二次型为标准形/

作者

Coldgerm

发布于

2026-06-15

许可协议

CC BY-NC-SA 4.0

部分信息可能已经过时

3.6向量组的秩

6.3二次型与对称矩阵的有定性

Wander & seek

化二次型为标准形#

一、配方法化二次型为标准形#

1.1 基本思想#

1.2 两种配方策略#

策略一：有平方项时（直接配方）#

策略二：没有平方项时（先制造平方项）#

1.3 配方法示例#

1.4 配方法的可逆变换矩阵#

1.5 配方法的优缺点#

二、正交变换法化二次型为标准形#

2.1 基本定理#

2.2 完整步骤#

第一步：写出二次型的矩阵 $\boldsymbol{A}$ #

第二步：求 $\boldsymbol{A}$ 的全部特征值#

第三步：求每个特征值对应的特征向量#

第四步：施密特正交化（仅重特征值需要）#

第五步：单位化#

第六步：构造正交矩阵 $\boldsymbol{Q}$ 并写出标准形#

2.3 完整示例#

第一步：写出矩阵#

第二步：求特征值#

第三步：求特征向量#

第四步：施密特正交化（对 $\lambda = -1$ 的两个特征向量）#

第五步：单位化#

第六步：写出正交矩阵 $\boldsymbol{Q}$ 和标准形#

2.4 正交变换法的核心优势#

三、配方法与正交变换法的对比#

四、实对称矩阵合同的充要条件#

4.1 合同的核心判定定理#

4.2 充要条件一：相同的秩和正惯性指数#

4.3 充要条件二：相同的秩和负惯性指数#

4.4 充要条件三：相同的正惯性指数和负惯性指数#

4.5 充要条件四：相同的规范形#

4.6 充要条件五：正负特征值个数相等#

4.7 相似 $\Rightarrow$ 合同（实对称矩阵情形）#

4.8 充要条件汇总表#

五、化二次型为标准形的方法选用指南#

目录

Wander & seek

化二次型为标准形#

一、配方法化二次型为标准形#

1.1 基本思想#

1.2 两种配方策略#

策略一：有平方项时（直接配方）#

策略二：没有平方项时（先制造平方项）#

1.3 配方法示例#

1.4 配方法的可逆变换矩阵#

1.5 配方法的优缺点#

二、正交变换法化二次型为标准形#

2.1 基本定理#

2.2 完整步骤#

第一步：写出二次型的矩阵 A\boldsymbol{A}A#

第二步：求 A\boldsymbol{A}A 的全部特征值#

第三步：求每个特征值对应的特征向量#

第四步：施密特正交化（仅重特征值需要）#

第五步：单位化#

第六步：构造正交矩阵 Q\boldsymbol{Q}Q 并写出标准形#

2.3 完整示例#

第一步：写出矩阵#

第二步：求特征值#

第三步：求特征向量#

第四步：施密特正交化（对 λ=−1\lambda = -1λ=−1 的两个特征向量）#

第五步：单位化#

第六步：写出正交矩阵 Q\boldsymbol{Q}Q 和标准形#

2.4 正交变换法的核心优势#

三、配方法与正交变换法的对比#

四、实对称矩阵合同的充要条件#

4.1 合同的核心判定定理#

4.2 充要条件一：相同的秩和正惯性指数#

4.3 充要条件二：相同的秩和负惯性指数#

4.4 充要条件三：相同的正惯性指数和负惯性指数#

4.5 充要条件四：相同的规范形#

4.6 充要条件五：正负特征值个数相等#

4.7 相似 ⇒\Rightarrow⇒ 合同（实对称矩阵情形）#

4.8 充要条件汇总表#

五、化二次型为标准形的方法选用指南#

目录

第一步：写出二次型的矩阵 $\boldsymbol{A}$ #

第二步：求 $\boldsymbol{A}$ 的全部特征值#

第六步：构造正交矩阵 $\boldsymbol{Q}$ 并写出标准形#

第四步：施密特正交化（对 $\lambda = -1$ 的两个特征向量）#

第六步：写出正交矩阵 $\boldsymbol{Q}$ 和标准形#

4.7 相似 $\Rightarrow$ 合同（实对称矩阵情形）#