正定性

正定二次型

正定二次型的定义

正定二次型

设 Q(x)Q(x) 是 nn 元二次型,如果对任意非零向量 xx,都有: Q(x)>0Q(x) > 0

则称 Q(x)Q(x) 为正定二次型。

正定矩阵的定义

正定矩阵

设 AA 是 nn 阶实对称矩阵,如果对任意非零向量 xx,都有: xTAx>0x^TAx > 0

则称 AA 为正定矩阵。

正定二次型的例子

例 1:Q(x1,x2)=x12+2x22Q(x_1, x_2) = x_1^2 + 2x_2^2 是正定二次型。

例 2:Q(x1,x2,x3)=x12+x22+x32Q(x_1, x_2, x_3) = x_1^2 + x_2^2 + x_3^2 是正定二次型。

正定性的判别法

特征值判别法

特征值判别法

实对称矩阵 AA 正定的充要条件是 AA 的所有特征值都是正数。

证明

证明:

  • 充分性:设 AA 的所有特征值都是正数,则通过正交对角化 A=QDQTA = QDQ^T,其中 DD 的对角元素都是正数。对任意非零向量 xx,xTAx=xTQDQTx=yTDy>0x^TAx = x^TQDQ^Tx = y^TDy > 0,其中 y=QTxy = Q^Tx。
  • 必要性:设 AA 正定,λ\lambda 是 AA 的特征值,x⃗\vec{x} 是对应的特征向量,则 0<x⃗TAx⃗=λx⃗Tx⃗0 < \vec{x}^TA\vec{x} = \lambda\vec{x}^T\vec{x},所以 λ>0\lambda > 0。

顺序主子式判别法

顺序主子式判别法

实对称矩阵 AA 正定的充要条件是 AA 的所有顺序主子式都是正数。

顺序主子式

设 A=(aij)A = (a_{ij}) 是 nn 阶矩阵,则:

  • A1=a11A_1 = a_{11}
  • A2=∣a11a12a21a22∣A_2 = \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}
  • …\dots
  • An=∣A∣A_n = |A|

称为 AA 的顺序主子式。

判别法的比较

判别法优点缺点
特征值判别法理论完整计算复杂
顺序主子式判别法计算简单只适用于实对称矩阵

负定性和半正定性

负定二次型

负定二次型

设 Q(x)Q(x) 是 nn 元二次型,如果对任意非零向量 xx,都有: Q(x)<0Q(x) < 0

则称 Q(x)Q(x) 为负定二次型。

半正定二次型

半正定二次型

设 Q(x)Q(x) 是 nn 元二次型,如果对任意向量 xx,都有: Q(x)≥0Q(x) \geq 0

则称 Q(x)Q(x) 为半正定二次型。

半负定二次型

半负定二次型

设 Q(x)Q(x) 是 nn 元二次型,如果对任意向量 xx,都有: Q(x)≤0Q(x) \leq 0

则称 Q(x)Q(x) 为半负定二次型。

不定二次型

不定二次型

既不是正定也不是负定的二次型称为不定二次型。

正定性的应用

在优化中的应用

应用 1:二次函数的最优化 设 f(x)=12xTAx+bTx+cf(x) = \frac{1}{2}x^TAx + b^Tx + c,其中 AA 是正定矩阵,则 f(x)f(x) 有唯一的最小值点。

应用 2:牛顿法 在牛顿法中,如果海森矩阵是正定的,则算法收敛。

在几何中的应用

应用 3:椭球面 正定二次型 Q(x)=xTAxQ(x) = x^TAx 表示椭球面。

应用 4:距离度量 正定矩阵可以用来定义距离度量。

在数值分析中的应用

应用 5:矩阵分解 正定矩阵可以进行 Cholesky 分解:A=LLTA = LL^T,其中 LL 是下三角矩阵。

正定矩阵的性质

基本性质

性质 1:正定矩阵的行列式大于零。

性质 2:正定矩阵的主对角元素都是正数。

性质 3:正定矩阵的逆矩阵也是正定矩阵。

性质 4:两个正定矩阵的和也是正定矩阵。

证明

证明性质 1: 设 AA 是正定矩阵,则 AA 的所有特征值都是正数,所以 ∣A∣=∏i=1nλi>0|A| = \prod_{i=1}^n \lambda_i > 0。

证明性质 2: 设 AA 是正定矩阵,eie_i 是第 ii 个标准基向量,则 0<eiTAei=aii0 < e_i^TAe_i = a_{ii}。

练习题

练习 1

判断二次型 Q(x1,x2)=x12+2x22Q(x_1,x_2) = x_1^2 + 2x_2^2 是否正定。

参考答案

解题思路: 检查二次型的正定性。

详细步骤:

  1. 矩阵表示:A=(1002)A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}
  2. 对任意非零向量 x=(x1x2)x = \begin{pmatrix} x_1 \\ x_2 \end{pmatrix},Q(x)=x12+2x22>0Q(x) = x_1^2 + 2x_2^2 > 0
  3. 所以是正定二次型

答案:是正定二次型

练习 2

判断矩阵 A=(2112)A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix} 是否正定。

参考答案

解题思路: 通过特征值或顺序主子式判断正定性。

详细步骤:

  1. 方法一:求特征值
    • 特征方程:∣A−λI∣=λ2−4λ+3=0|A - \lambda I| = \lambda^2 - 4\lambda + 3 = 0
    • 特征值:λ1=1\lambda_1 = 1,λ2=3\lambda_2 = 3,都是正数
  2. 方法二:检查顺序主子式
    • ∣A1∣=2>0|A_1| = 2 > 0
    • ∣A2∣=3>0|A_2| = 3 > 0

答案:是正定矩阵

练习 3

判断二次型 Q(x1,x2)=−x12−2x22Q(x_1, x_2) = -x_1^2 - 2x_2^2 的正定性。

参考答案

解题思路: 检查二次型的正定性。

详细步骤:

  1. 矩阵表示:A=(−100−2)A = \begin{pmatrix} -1 & 0 \\ 0 & -2 \end{pmatrix}
  2. 对任意非零向量 x=(x1x2)x = \begin{pmatrix} x_1 \\ x_2 \end{pmatrix},Q(x)=−x12−2x22<0Q(x) = -x_1^2 - 2x_2^2 < 0
  3. 所以是负定二次型

答案:是负定二次型

练习 4

判断矩阵 A=(1111)A = \begin{pmatrix} 1 & 1 \\ 1 & 1 \end{pmatrix} 的正定性。

参考答案

解题思路: 通过特征值判断正定性。

详细步骤:

  1. 特征方程:∣A−λI∣=λ2−2λ=0|A - \lambda I| = \lambda^2 - 2\lambda = 0
  2. 特征值:λ1=0\lambda_1 = 0,λ2=2\lambda_2 = 2
  3. 有零特征值,所以不是正定矩阵
  4. 但所有特征值都是非负数,所以是半正定矩阵

答案:是半正定矩阵

练习 5

证明:正定矩阵的行列式大于零。

参考答案

解题思路: 利用正定矩阵的特征值性质。

详细步骤:

  1. 设 AA 是正定矩阵
  2. 正定矩阵的所有特征值都是正数
  3. 行列式等于特征值的积:∣A∣=∏i=1nλi|A| = \prod_{i=1}^n \lambda_i
  4. 所有特征值都是正数,所以它们的积也是正数
  5. 因此 ∣A∣>0|A| > 0

答案:证明完成

总结

本文出现的符号

符号类型读音/说明在本文中的含义
xTAxx^TAx数学符号x transpose A x二次型;正定即对任意非零 xx 有 xTAx>0x^TAx>0
Q(x)>0Q(x) > 0数学符号Q of x greater than zero正定二次型的定义
A=QDQTA = QDQ^T数学符号A equals Q D Q transpose实对称矩阵的正交对角化,DD 对角元为特征值
λ\lambda希腊字母Lambda(兰姆达)AA 的特征值,正定当且仅当所有 λ>0\lambda>0
AiA_i数学符号A iAA 的顺序主子式,正定当且仅当所有 Ai>0A_i>0
eie_i数学符号e i第 ii 个标准基向量,用于证明 aii>0a_{ii}>0
A=LLTA = LL^T数学符号A equals L L transpose正定矩阵的 Cholesky 分解,LL 为下三角矩阵

中英对照

中文术语英文术语音标说明
正定二次型positive definite quadratic form/ˈpɒzətɪv ˈdefɪnət kwɒˈdrætɪk fɔːm/对任意非零向量 xx 都有 Q(x)>0Q(x)>0
正定矩阵positive definite matrix/ˈpɒzətɪv ˈdefɪnət ˈmeɪtrɪks/对任意非零向量 xx 都有 xTAx>0x^TAx>0 的对称矩阵
特征值判别法eigenvalue criterion/ˈaɪɡənvæljuː kraɪˈtɪəriən/AA 正定 ⟺ 所有特征值都是正数
顺序主子式leading principal minor/ˈliːdɪŋ ˈprɪnsəpl ˈmaɪnə/A1,A2,…,AnA_1,A_2,\dots,A_n;正定 ⟺ 全部为正
负定negative definite/ˈneɡətɪv ˈdefɪnət/对任意非零向量 xx 都有 Q(x)<0Q(x)<0
半正定positive semidefinite/ˈpɒzətɪv ˈsemidɪfɪnət/对任意向量 xx 都有 Q(x)≥0Q(x)\geq 0
半负定negative semidefinite/ˈneɡətɪv ˈsemidɪfɪnət/对任意向量 xx 都有 Q(x)≤0Q(x)\leq 0
不定indefinite/ɪnˈdefɪnət/既不是正定也不是负定的二次型
海森矩阵Hessian matrix/ˈhesiən ˈmeɪtrɪks/牛顿法中若其正定则算法收敛
Cholesky 分解Cholesky decomposition/kəˈleski ˌdiːkɒmpəˈzɪʃən/正定矩阵可分解为 A=LLTA=LL^T

发现内容有问题?

告诉我们哪里需要改进。