实正定矩阵

贡献者： addis

预备知识　对称矩阵的本征问题，复合命题（高中），矩阵与线性映射

　　¹实数正定矩阵（positive definite matrix）定义如下。另见 “正定矩阵（复数）”，由于复数包含实数的情况，你也可以直接学习这篇而跳过本文。

定义 1　

　　若一个对称矩阵 $A$ ，对任意非零实数列向量 $v$ 都满足

\begin{matrix} (1) & v^{T} A v > 0, \end{matrix}

那么它就是正定矩阵。

　　类似地，也可以定义半正定矩阵（把式 1 中 $>$ 替换为 $⩾$ ），负定矩阵（ $<$ ），半负定矩阵（ $⩽$ ）。

　　其中 $v^{T}$ 表示 $v$ 的转置。

　　它对应一个对称 2-线性函数， $q (v) = v^{T} A v$ 是对应的二次型。

定理 1　

　　一个矩阵 $A$ 是正定矩阵当且仅当其本征值都大于零。半正定矩阵和（半）负定矩阵的定义也类似。

　　证明：令 $A$ 的本征矢为 ${{\hat{v}}_{i}}$ （一组正交归一基底），对应本征值为 $λ_{i}$ （实数），令非零矢量为 $v = \sum_{i} c_{i} {\hat{v}}_{i}$ （ $c_{i}$ 不全为零）。那么

\begin{matrix} (2) & v^{T} A v = \sum_{i} λ_{i} {| c_{i} |}^{2}, \end{matrix}

可见若所有

λ_{i} > 0

，结果必然是正的。若要求对任意不全为零的

c_{1}, c_{2}, \dots

等式都大于零，那么也能反推出所有

λ_{i} > 0

。

定理 2　

　　正定（负定）矩阵都是满秩的。

　　证明：对于非零 $x$ ， $x^{T} A x \neq 0$ ，说明 $A x \neq 0$ ，所以齐次方程组 $A x = 0$ 唯一的解就是 $x = 0$ ，所以矩阵是满秩的，证毕。

例 1　

　　求二维对称矩阵

\begin{matrix} (3) & H = (\begin{matrix} a & b \\ b & d \end{matrix}) \end{matrix}

正定的充分必要条件。

　　用特征多项式直接求本征值

\begin{matrix} (4) & (λ - a) (λ - d) - {| b |}^{2} = 0 . \end{matrix}

λ

必定有解，利用求根公式，两个解大于零的充要条件是

\begin{matrix} (5) & a d > {| b |}^{2} (a > 0) . \end{matrix}

1. ^ 参考 Wikipedia 相关页面。

致读者：小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。因此，我们请求广大读者热心打赏 ，使网站得以健康发展。如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损，并在接下来的一年里向所有读者继续免费提供优质内容。但遗憾的是只有不到 1% 的读者愿意捐款，他们的付出帮助了 99% 的读者免费获取知识，我们在此表示感谢。