主題
Search

對稱雙線性形式


向量空間 V 上的對稱雙線性形式是一個雙線性函式

 Q:V×V->R
(1)

滿足 Q(v,w)=Q(w,v)

例如,如果 A 是一個 n×n 對稱矩陣,那麼

 Q(v,w)=v^(T)Aw=<v,Aw>
(2)

是一個對稱雙線性形式。考慮

 A=[1 2; 2 -3],
(3)

那麼

 Q((a_1,a_2),(b_1,b_2))=a_1b_1+2a_1b_2+2a_2b_1-3a_2b_2.
(4)

一個二次形式也可以被標記為 Q,因為二次形式與對稱雙線性形式存在一一對應關係。注意 Q(a)=Q(a,a) 是一個二次形式。如果 Q(a) 是一個二次形式,那麼它透過下式定義一個對稱雙線性形式

 Q(a,b)=1/2[Q(a+b)-Q(a)-Q(b)].
(5)

對稱雙線性形式的核,或根,是向量的集合

 KerQ={v:Q(v,w)=0 for all w in V}.
(6)

如果一個二次形式的核為零,則稱其為非退化的。也就是說,如果對於所有 v in V,存在一個 w in V 使得 Q(v,w)!=0Q 的秩是矩陣 (a_(ij))=Q(e_i,e_j) 的秩。

如果存在一個基 {v_i}(稱為正交基),使得 (b_(ij))=Q(v_i,v_j) 是一個 對角矩陣,則形式 Q 是對角化的。或者,存在一個矩陣 C 使得

 Q(Cv,Cw)=(Cv)^(T)A(Cw)=v^(T)(C^(T)AC)w
(7)

是一個對角二次形式。矩陣 C 的第 j 列是向量 v_j

一個非退化的對稱雙線性形式可以被對角化,使用 格拉姆-施密特正交化 找到 v_i,使得對角矩陣 C^(T)AC 的項為 1 或 -1。如果有 p 個 1 和 q-1,那麼 Q 被稱為具有 矩陣符號差 (p,q)。實非退化對稱雙線性形式透過它們的符號差進行分類,意義在於給定兩個具有符號差 (p,q) 的形式的向量空間,存在向量空間的同構,將一個形式對映到另一個形式。

對於所有非零 v,滿足 Q(v,v)>0 的對稱雙線性形式稱為正定。例如,通常的內積是正定的。正定形式具有符號差 (n,0)。負定形式是正定形式的負數,並具有符號差 (0,n)。如果該形式既不是正定的也不是負定的,那麼必須存在向量 w!=0 使得 Q(w,w)=0,稱為迷向向量。

一般的對稱雙線性形式 Q 可以被對角化,對角項為 1、-1 或 0,因為形式 Q商向量空間 V/KerQ 上總是非退化的。如果 V 是一個復向量空間,那麼對稱雙線性形式可以被對角化,使其項為 1 或 0。對於其他,對稱雙線性形式比實數或複數情況更多。例如,如果域特徵為 2,那麼不可能除以 2,因為 2=0。因此,在特徵 2 中,二次形式和對稱雙線性形式之間沒有對應關係。

向量空間上的對稱雙線性形式,其 k 不是實數,已經對一些進行了分類。還有關於自由阿貝爾群上的對稱雙線性形式的定理,例如 Z^n

一個對稱雙線性形式 Q 透過給定一個基 e_i 並設定 a_(ij)=Q(e_i,e_j) 對應於一個矩陣 A。如果基的改變將一個形式變為另一個形式,則認為兩個對稱雙線性形式是等價的。因此,A∼CAC^(T),其中 C 是任何可逆矩陣。因此,對稱雙線性形式的秩是一個不變數。

此外,detA 可以透過 (detC)^2detA 改變。 detAk^*/k^*^2 中的陪集是 Q 的一個良好定義的不變數,稱為判別式。對於實數形式,它要麼是 1 要麼是 -1。對於 Q,判別式可以是任何有理數 a/b,其中 ab無平方因子的。在有限域上的對稱雙線性形式由其秩和判別式確定。

p-adic 數 Q_p 上的對稱雙線性形式由其秩、判別式和另一個不變數 epsilon(Q) 表徵。給定一個對於 Q 正交的基 e_i,定義 a_i=Q(e_1,e_i),那麼

 epsilon(Q)=product_(i<j)(a_i,a_j)
(8)

其中 (a_i,a_j)希爾伯特符號

兩個對稱雙線性形式在有理數上是等價的 當且僅當 它們在每個 Q_p 以及實數(也稱為 Q_infty)中都是等價的。 Q_p 中的資料可以被認為是“區域性”資訊,可以將其拼湊起來以產生 Q 中的“全域性”資訊。因此,有理數形式具有可數個不同的不變數,對於每個素數有三個,對於實數有兩個。


另請參閱

對角二次形式, , 希爾伯特符號, 內積, 矩陣指標, p-adic 數, 二次形式, 符號差, 向量空間

此條目由 Todd Rowland 貢獻

使用 探索

請引用為

Rowland, Todd. "對稱雙線性形式"。來自 Web 資源,由 Eric W. Weisstein 建立。 https://mathworld.tw/SymmetricBilinearForm.html

主題分類