Math Labs

Đại số

Dạng song tuyến tính và toàn phương

Các hàm tuyến tính theo từng biến vectơ, hoặc bậc hai theo một biến, dùng để định nghĩa độ dài và góc.

Trực giácĐo hình dạng bằng hai vectơ cùng lúc

Tích vô hướng quen thuộc u⋅v\mathbf{u}\cdot\mathbf{v} nhận hai vectơ và trả về một số, tuyến tính theo từng biến; một dạng song tuyến tính là ý tưởng này được tổng quát hóa, B(u,v)=u⊤AvB(\mathbf{u},\mathbf{v}) = \mathbf{u}^\top A \mathbf{v}, cho phép ma trận AA xoắn và gia trọng các vectơ trước khi kết hợp chúng. Đưa cùng một vectơ vào cả hai chỗ cho một dạng toàn phương Q(x)=x⊤AxQ(\mathbf{x}) = \mathbf{x}^\top A \mathbf{x}, mà các tập mức Q(x)=cQ(\mathbf{x})=c vẽ nên elip, hyperbol, hoặc đường suy biến tùy theo hình dạng của AA — các đường conic từ hình học phổ thông, giờ ở chiều bất kỳ.

Mặt yên ngựa z=x²−y² có thể xoay trên miền vuông hữu hạn −1,6≤x,y≤1,6; chiều cao được thu phóng để hiển thị.
Dạng toàn phương được vẽ là z=Q(x,y)=x2−y2z=Q(x,y)=x^2-y^2: mặt cong lên theo trục xx và cong xuống theo trục yy, tạo thành yên ngựa có chữ ký (1,1)(1,1).

Phổ thôngTừ tích vô hướng đến dạng song tuyến tính tổng quát

Định nghĩa: Dạng song tuyến tính và dạng toàn phương

Một dạng song tuyến tính trên Rn\mathbb{R}^n là một hàm B(u,v)B(\mathbf{u},\mathbf{v}) tuyến tính riêng theo từng biến; trong tọa độ nó luôn có dạng B(u,v)=u⊤AvB(\mathbf{u},\mathbf{v}) = \mathbf{u}^\top A \mathbf{v} với ma trận n×nn \times n ký hiệu AA. Khi A⊤=AA^\top = A dạng này đối xứng, và dạng toàn phương đi kèm là Q(x)=x⊤AxQ(\mathbf{x}) = \mathbf{x}^\top A \mathbf{x}. Ngược lại, mọi dạng toàn phương xác định duy nhất dạng song tuyến tính đối xứng của nó qua đồng nhất thức phân cực B(u,v)=12(Q(u+v)−Q(u)−Q(v))B(\mathbf{u},\mathbf{v}) = \tfrac{1}{2}(Q(\mathbf{u}+\mathbf{v}) - Q(\mathbf{u}) - Q(\mathbf{v})), nên ta luôn chọn AA đối xứng.

B(u,v)=u⊤Av,Q(x)=x⊤AxB(\mathbf{u},\mathbf{v}) = \mathbf{u}^\top A \mathbf{v}, \qquad Q(\mathbf{x}) = \mathbf{x}^\top A \mathbf{x}

Đổi cơ sở theo x=Py\mathbf{x} = P\mathbf{y} (với PP khả nghịch) thay ma trận AA không phải bằng đồng dạng P−1APP^{-1}AP, mà bằng tương đương hợp A′=P⊤APA' = P^\top A P. Trong một cơ sở mà A′A' là ma trận đường chéo, dạng toàn phương trở thành tổng bình phương thuần túy d1y12+⋯+dnyn2d_1 y_1^2 + \cdots + d_n y_n^2, và số lượng hệ số dương, âm, bằng không tạo thành cặp chỉ số quán tính (n+,n−,n0)(n_+, n_-, n_0).

A′=P⊤AP,Q(Py)=d1y12+⋯+dnyn2A' = P^\top A P, \qquad Q(P\mathbf{y}) = d_1 y_1^2 + \cdots + d_n y_n^2
Phân loại dạng toàn phương thực theo chỉ số quán tính
LoạiChỉ số (n+,n−,n0)(n_+, n_-, n_0) và hình học
Xác định dương (Q(x)>0Q(\mathbf{x})>0 khi x≠0\mathbf{x}\neq\mathbf{0})(n,0,0)(n,0,0); tập mức là elipxôit, đồ thị là lòng chảo ngửa lên
Xác định âm (Q(x)<0Q(\mathbf{x})<0 khi x≠0\mathbf{x}\neq\mathbf{0})(0,n,0)(0,n,0); tập mức là elipxôit, đồ thị là vòm úp xuống
Không xác định dấu (nhận cả hai dấu)n+>0n_+>0 và n−>0n_->0; tập mức là hyperbolôit, đồ thị là yên ngựa
Nửa xác định / suy biếnn0>0n_0>0; có hướng phẳng nơi QQ triệt tiêu, tập mức thành hình trụ

Đại họcChéo hóa và luật quán tính Sylvester

Mọi dạng toàn phương thực Q(x)=x⊤AxQ(\mathbf{x}) = \mathbf{x}^\top A \mathbf{x} đều có thể đưa về dạng đường chéo thuần túy d1y12+⋯+dnyn2d_1 y_1^2 + \cdots + d_n y_n^2 nhờ một phép đổi biến tuyến tính khả nghịch x=Py\mathbf{x}=P\mathbf{y}.

Vì sao đúng?

Ta thậm chí không cần trị riêng để chéo hóa một dạng toàn phương: phép ghép bình phương quen thuộc ở phổ thông, áp dụng lần lượt từng biến, đã gom hết mọi số hạng chéo xixjx_i x_j vào trong một bình phương.

Chứng minh

Ta chứng minh bằng quy nạp theo số biến nn; trường hợp n=1n=1 đã là một số hạng duy nhất a11x12a_{11}x_1^2.

Với n>1n > 1, nếu toàn bộ dạng bằng không thì không cần làm gì. Ngược lại, trước hết giả sử có một hệ số đường chéo khác không; sau khi đánh số lại các biến ta có thể giả sử a11≠0a_{11} \neq 0. Gom mọi số hạng chứa x1x_1 lại cho a11x12+2x1(a12x2+⋯+a1nxn)a_{11}x_1^2 + 2x_1(a_{12}x_2 + \cdots + a_{1n}x_n) cộng với một dạng toàn phương chỉ phụ thuộc x2,…,xnx_2,\dots,x_n.

Đặt y1=x1+a12a11x2+⋯+a1na11xny_1 = x_1 + \frac{a_{12}}{a_{11}}x_2 + \cdots + \frac{a_{1n}}{a_{11}}x_n và yk=xky_k = x_k với k≥2k \ge 2 là một phép đổi biến tuyến tính khả nghịch, và a11y12a_{11}y_1^2 khớp hết mọi số hạng chứa x1x_1 sai khác một phần dư chỉ phụ thuộc y2,…,yny_2,\dots,y_n; do đó Q=a11y12+Q′(y2,…,yn)Q = a_{11}y_1^2 + Q'(y_2,\dots,y_n).

Nếu ngược lại mọi phần tử đường chéo đều bằng không (aii=0a_{ii}=0 với mọi ii), chọn một số hạng chéo khác không 2a12x1x22a_{12}x_1 x_2 với a12≠0a_{12} \neq 0. Phép thế khả nghịch x1=u1+u2x_1 = u_1 + u_2, x2=u1−u2x_2 = u_1 - u_2 biến 2a12x1x22a_{12}x_1 x_2 thành 2a12(u12−u22)2a_{12}(u_1^2 - u_2^2), tạo ra hệ số đường chéo khác không và đưa về trường hợp trước. Áp dụng giả thiết quy nạp cho Q′(y2,…,yn)Q'(y_2,\dots,y_n) hoàn tất việc chéo hóa.

Bất kể dùng phép đổi cơ sở khả nghịch nào để chéo hóa một dạng toàn phương thực QQ trên Rn\mathbb{R}^n, số lượng n+n_+ hệ số dương, số lượng n−n_- hệ số âm, và số lượng n0n_0 hệ số bằng không luôn giữ nguyên; bộ ba (n+,n−,n0)(n_+, n_-, n_0) là một bất biến nội tại của QQ.

Vì sao đúng?

Chuyển sang hệ tọa độ mới có thể kéo giãn các trục và làm đổi độ lớn từng hệ số đường chéo did_i, nhưng không bao giờ biến một hướng cong lên thành hướng cong xuống mà không đi qua hướng phẳng — nên số lượng trục cong lên, cong xuống và phẳng bị khóa cố định mãi mãi.

Chứng minh

Giả sử QQ được chéo hóa trong hai cơ sở {e1,…,en}\{\mathbf{e}_1,\dots,\mathbf{e}_n\} và {f1,…,fn}\{\mathbf{f}_1,\dots,\mathbf{f}_n\}, với số lượng hệ số dương, âm, bằng không là (n+,n−,n0)(n_+, n_-, n_0) trong cơ sở thứ nhất và (p+,p−,p0)(p_+, p_-, p_0) trong cơ sở thứ hai. Sắp thứ tự mỗi cơ sở sao cho các hệ số dương đứng trước, rồi đến âm, rồi đến không.

Giả sử phản chứng rằng n+>p+n_+ > p_+. Đặt V+=span(e1,…,en+)V_+ = \mathrm{span}(\mathbf{e}_1,\dots,\mathbf{e}_{n_+}), một không gian con chiều n+n_+ mà trên đó Q(x)>0Q(\mathbf{x}) > 0 với mọi x∈V+\mathbf{x} \in V_+ khác không (vì chỉ các bình phương dương trong khai triển theo e\mathbf{e} xuất hiện trên V+V_+).

Tương tự, đặt W−=span(fp++1,…,fn)W_- = \mathrm{span}(\mathbf{f}_{p_+ + 1},\dots,\mathbf{f}_n), một không gian con chiều n−p+n - p_+ mà trên đó Q(x)≤0Q(\mathbf{x}) \le 0 với mọi x∈W−\mathbf{x} \in W_- (vì chỉ các bình phương âm và bằng không trong khai triển theo f\mathbf{f} xuất hiện trên W−W_-).

Bây giờ đếm số chiều trong Rn\mathbb{R}^n: vì n+>p+n_+ > p_+, ta có dim⁡V++dim⁡W−=n++(n−p+)>n\dim V_+ + \dim W_- = n_+ + (n - p_+) > n. Theo công thức số chiều cho không gian con, hai không gian con có tổng số chiều lớn hơn nn không thể có giao tầm thường; do đó tồn tại một vectơ khác không v∈V+∩W−\mathbf{v} \in V_+ \cap W_-.

Vì v∈V+\mathbf{v} \in V_+ và v≠0\mathbf{v} \neq \mathbf{0}, ta phải có Q(v)>0Q(\mathbf{v}) > 0; vì v∈W−\mathbf{v} \in W_-, ta đồng thời phải có Q(v)≤0Q(\mathbf{v}) \le 0, mâu thuẫn trực tiếp. Vậy n+≤p+n_+ \le p_+, và do tính đối xứng giữa hai cơ sở nên p+≤n+p_+ \le n_+, suy ra n+=p+n_+ = p_+. Áp dụng lập luận y hệt cho −Q-Q cho n−=p−n_- = p_-, và cuối cùng n0=n−n+−n−=p0n_0 = n - n_+ - n_- = p_0.

Đại họcỨng dụng thực tiễn và Ví dụ minh họa

Dạng toàn phương và chỉ số quán tính của chúng quyết định một điểm dừng của hàm nhiều biến là cực tiểu, cực đại hay điểm yên ngựa, đồng thời mã hóa cấu trúc nhân quả của không-thời gian trong thuyết tương đối hẹp.

Ví dụ: Kiểm tra đạo hàm cấp hai qua dạng toàn phương Hesse

Phân loại điểm dừng (0,0)(0,0) của f(x,y)=x2+4xy+y2f(x,y) = x^2 + 4xy + y^2 bằng cách tìm chỉ số quán tính của dạng toàn phương tương ứng.

Lời giải

Gần (0,0)(0,0) hàm số đã là một dạng toàn phương thuần túy Q(x,y)=x2+4xy+y2Q(x,y) = x^2 + 4xy + y^2 với ma trận đối xứng A=(1221)A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix} (lưu ý phần tử ngoài đường chéo bằng một nửa hệ số của xyxy).

Ghép bình phương theo xx: x2+4xy+y2=(x+2y)2−4y2+y2=(x+2y)2−3y2x^2 + 4xy + y^2 = (x + 2y)^2 - 4y^2 + y^2 = (x + 2y)^2 - 3y^2. Trong tọa độ mới u=x+2yu = x + 2y, v=yv = y, biểu thức là u2−3v2u^2 - 3v^2.

Có một bình phương dương (+u2+u^2) và một bình phương âm (−3v2-3v^2), nên chỉ số quán tính là (1,1,0)(1,1,0) — dạng không xác định dấu. Dọc theo v=0v=0 hàm cong lên như +u2+u^2, còn dọc theo u=0u=0 nó cong xuống như −3v2-3v^2, nên (0,0)(0,0) là điểm yên ngựa, không phải cực tiểu cũng không phải cực đại địa phương.

Ví dụ: Khoảng không-thời gian Minkowski và chỉ số nhân quả

Trong thuyết tương đối hẹp (với c=1c=1), khoảng không-thời gian giữa sự kiện (t,x,y,z)(t,x,y,z) và gốc tọa độ là dạng toàn phương s2=t2−x2−y2−z2s^2 = t^2 - x^2 - y^2 - z^2. Tìm chỉ số quán tính của nó, và giải thích qua luật Sylvester vì sao mọi quan sát viên quán tính đều đồng ý về việc hai sự kiện có thể liên hệ nhân quả hay không.

Lời giải

Dạng s2=t2−x2−y2−z2s^2 = t^2 - x^2 - y^2 - z^2 đã ở dạng đường chéo với ma trận η=diag(1,−1,−1,−1)\eta = \mathrm{diag}(1,-1,-1,-1): một hệ số +1+1 và ba hệ số −1-1, nên chỉ số quán tính của nó là (1,3,0)(1,3,0) — không xác định dấu, chứ không xác định dương như khoảng cách Euclid.

Các sự kiện có s2>0s^2 > 0 (cách nhau kiểu thời gian) nằm trong nón ánh sáng và có thể nối bằng tín hiệu chậm hơn ánh sáng; các sự kiện có s2<0s^2 < 0 (cách nhau kiểu không gian) nằm ngoài và không thể tác động lẫn nhau; các sự kiện có s2=0s^2 = 0 (kiểu ánh sáng) chỉ nối được bằng tia sáng.

Chuyển từ quan sát viên quán tính này sang quan sát viên khác là một phép đổi tọa độ tuyến tính (phép biến đổi Lorentz) bảo toàn dạng s2s^2, và theo luật quán tính Sylvester chỉ số (1,3,0)(1,3,0) — một chiều thời gian và ba chiều không gian — không thể bị thay đổi bởi bất kỳ phép đổi tọa độ khả nghịch nào. Do đó dấu của s2s^2 bất biến, nên mọi quan sát viên đều đồng ý cặp sự kiện nào thuộc kiểu thời gian, không gian hay ánh sáng.

Ma trận đối xứng AA gắn với dạng toàn phương Q(x,y)=3x2−6xy+5y2Q(x,y) = 3x^2 - 6xy + 5y^2 là gì?

Chỉ số quán tính (n+,n−,n0)(n_+, n_-, n_0) của Q(x,y)=x2−2xy+y2Q(x,y) = x^2 - 2xy + y^2 là gì?

Luật quán tính Sylvester khẳng định điều gì khi một dạng toàn phương thực được chéo hóa trong hai cơ sở khác nhau?

Nếu ma trận Hesse của hàm trơn f(x,y)f(x,y) tại một điểm dừng có dạng toàn phương với chỉ số quán tính (2,0,0)(2,0,0), đó là điểm dừng loại gì?

Tài liệu tham khảo

  1. Roger A. Horn, Charles R. Johnson (2012). Matrix Analysis (2nd ed.)
  2. Gilbert Strang (2016). Introduction to Linear Algebra