正定性
正定二次型
正定二次型的定义
定义
定义是对概念、术语或对象含义的精确描述。理解定义是学习任何知识领域的基础,每个概念都有其明确的定义。
设 Q(x) 是 n 元二次型,如果对任意非零向量 x,都有:
Q(x)>0
则称 Q(x) 为正定二次型。
正定矩阵的定义
定义
定义是对概念、术语或对象含义的精确描述。理解定义是学习任何知识领域的基础,每个概念都有其明确的定义。
设 A 是 n 阶实对称矩阵,如果对任意非零向量 x,都有:
xTAx>0
则称 A 为正定矩阵。
正定二次型的例子
例 1:Q(x1,x2)=x12+2x22 是正定二次型。
例 2:Q(x1,x2,x3)=x12+x22+x32 是正定二次型。
正定性的判别法
特征值判别法
数学定理
定理是数学中经过严格证明的命题,是数学推理的基础。定理通常包含条件和结论,是数学知识体系的重要组成部分。
特征值判别法
实对称矩阵 A 正定的充要条件是 A 的所有特征值都是正数。
证明
证明:
- 充分性:设 A 的所有特征值都是正数,则通过正交对角化 A=QDQT,其中 D 的对角元素都是正数。对任意非零向量 x,xTAx=xTQDQTx=yTDy>0,其中 y=QTx。
- 必要性:设 A 正定,λ 是 A 的特征值,x 是对应的特征向量,则 0<xTAx=λxTx,所以 λ>0。
顺序主子式判别法
数学定理
定理是数学中经过严格证明的命题,是数学推理的基础。定理通常包含条件和结论,是数学知识体系的重要组成部分。
顺序主子式判别法
实对称矩阵 A 正定的充要条件是 A 的所有顺序主子式都是正数。
定义
定义是对概念、术语或对象含义的精确描述。理解定义是学习任何知识领域的基础,每个概念都有其明确的定义。
设 A=(aij) 是 n 阶矩阵,则:
- A1=a11
- A2=a11a21a12a22
- …
- An=∣A∣
称为 A 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
定义
定义是对概念、术语或对象含义的精确描述。理解定义是学习任何知识领域的基础,每个概念都有其明确的定义。
设 Q(x) 是 n 元二次型,如果对任意非零向量 x,都有:
Q(x)<0
则称 Q(x) 为负定二次型。
半正定二次型
定义
定义是对概念、术语或对象含义的精确描述。理解定义是学习任何知识领域的基础,每个概念都有其明确的定义。
设 Q(x) 是 n 元二次型,如果对任意向量 x,都有:
Q(x)≥0
则称 Q(x) 为半正定二次型。
半负定二次型
定义
定义是对概念、术语或对象含义的精确描述。理解定义是学习任何知识领域的基础,每个概念都有其明确的定义。
设 Q(x) 是 n 元二次型,如果对任意向量 x,都有:
Q(x)≤0
则称 Q(x) 为半负定二次型。
不定二次型
定义
定义是对概念、术语或对象含义的精确描述。理解定义是学习任何知识领域的基础,每个概念都有其明确的定义。
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)=21xTAx+bTx+c,其中 A 是正定矩阵,则 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)=xTAx 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=LLT,其中 L 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 A 是正定矩阵,则 A 的所有特征值都是正数,所以 ∣A∣=∏i=1nλi>0。
证明性质 2:
设 A 是正定矩阵,ei 是第 i 个标准基向量,则 0<eiTAei=aii。
练习题
练习 1
判断二次型 Q(x1,x2)=x12+2x22 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:
- 矩阵表示:A=(1002)
- 对任意非零向量 x=(x1x2),Q(x)=x12+2x22>0
- 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) 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:
- 方法一:求特征值
- 特征方程:∣A−λI∣=λ2−4λ+3=0
- 特征值:λ1=1,λ2=3,都是正数
- 方法二:检查顺序主子式
- ∣A1∣=2>0
- ∣A2∣=3>0
答案:是正定矩阵
练习 3
判断二次型 Q(x1,x2)=−x12−2x22 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:
- 矩阵表示:A=(−100−2)
- 对任意非零向量 x=(x1x2),Q(x)=−x12−2x22<0
- 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) 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:
- 特征方程:∣A−λI∣=λ2−2λ=0
- 特征值:λ1=0,λ2=2
- 有零特征值,所以不是正定矩阵
- 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:
- 设 A 是正定矩阵
- 正定矩阵的所有特征值都是正数
- 行列式等于特征值的积:∣A∣=∏i=1nλi
- 所有特征值都是正数,所以它们的积也是正数
- 因此 ∣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 |
|---|
| xTAx | 数学符号 | x transpose A x | 二次型;正定即对任意非零 x 有 xTAx>0 |
| Q(x)>0 | 数学符号 | Q of x greater than zero | 正定二次型的定义 |
| A=QDQT | 数学符号 | A equals Q D Q transpose | 实对称矩阵的正交对角化,D 对角元为特征值 |
| λ | 希腊字母 | Lambda(兰姆达) | A 的特征值,正定当且仅当所有 λ>0 |
| Ai | 数学符号 | A i | A 的顺序主子式,正定当且仅当所有 Ai>0 |
| ei | 数学符号 | e i | 第 i 个标准基向量,用于证明 aii>0 |
| A=LLT | 数学符号 | A equals L L transpose | 正定矩阵的 Cholesky 分解,L 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 x 都有 Q(x)>0 |
| 正定矩阵 | positive definite matrix | /ˈpɒzətɪv ˈdefɪnət ˈmeɪtrɪks/ | 对任意非零向量 x 都有 xTAx>0 的对称矩阵 |
| 特征值判别法 | eigenvalue criterion | /ˈaɪɡənvæljuː kraɪˈtɪəriən/ | A 正定 ⟺ 所有特征值都是正数 |
| 顺序主子式 | leading principal minor | /ˈliːdɪŋ ˈprɪnsəpl ˈmaɪnə/ | A1,A2,…,An;正定 ⟺ 全部为正 |
| 负定 | negative definite | /ˈneɡətɪv ˈdefɪnət/ | 对任意非零向量 x 都有 Q(x)<0 |
| 半正定 | positive semidefinite | /ˈpɒzətɪv ˈsemidɪfɪnət/ | 对任意向量 x 都有 Q(x)≥0 |
| 半负定 | negative semidefinite | /ˈneɡətɪv ˈsemidɪfɪnət/ | 对任意向量 x 都有 Q(x)≤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=LLT |