本文的閱讀等級:中級
令 為一個 階實對稱矩陣。若任一向量 使得二次型 ,我們稱 是正定 (positive definite) 矩陣 (見“特殊矩陣 (6):正定矩陣”)。若任一向量 皆滿足 ,則稱 為半正定 (positive semidefinite) 矩陣。本文介紹幾個半正定矩陣的判別方法。如欲將本文內容推廣至 Hermitian 複矩陣,僅須將實數系 替換為複數系 ,並且將轉置 替換為共軛轉置 即可。
正定矩陣存在多種等價性質和判別方法 (見“正定矩陣的性質與判別方法”):
- 特徵值: 的所有特徵值皆為正數。
- 軸元 (pivot): 的所有軸元皆為正數。
- Cholesky 分解:存在一個 階可逆矩陣 ,使得 (見“Cholesky 分解”)。
- 領先主子陣 (leading principal submatrix) 的行列式: 的所有領先主子陣的行列式皆為正數。
舉一例,實對稱矩陣
的特徵值是 和 。矩陣 的 LDU 分解為
,
可知 有軸元 和 。矩陣 的 Cholesky 分解為
,
其中 是可逆矩陣。最後, 的領先主子陣的行列式如下:
。
上述結果都指出 是一個正定矩陣。
如果不仔細考量,你或許認為直接將正定矩陣判別方法中的「正數」改為「非負數」即可套用至半正定矩陣,但事實並非完全如此。若 是不可逆的,則 不存在 LU 分解,而且縱使 的領先主子陣行列式皆非負值也不能保證 是半正定 (見“答謝一誠──關於判斷正定、負定或未定二次型的問題”),例如,。下面列舉一些與正定矩陣相仿的半正定矩陣等價性質及判別方法 (含定義):
- 定義:對於任一 ,。
- 特徵值: 的所有特徵值為非負數。
- 矩陣分解:存在一個 階實矩陣 使得 且 。
- 主子陣之行列式: 的所有主子陣之行列式為非負值。
以下證明過程使用實對稱矩陣的兩個關鍵性質:實對稱矩陣 的特徵值 必為實數,並可正交對角化 (見“實對稱矩陣可正交對角化的證明”),也就是說,存在單範正交 (orthonormal) 特徵向量 。
(1) (2):考慮特徵方程 。利用半正定矩陣定義,可得
,
故知 ,。
(2) (1):因為 構成 的一組基底,任一 可唯一表示成 。若 ,,則
證得 是一個半正定矩陣。
(2) (3):在不失一般性的原則下,假設 ,。令 且 為一個正交 (orthogonal) 矩陣,。實對稱矩陣 可正交對角化如下:
,
上式中,。因為 是可逆的, 且 ,但是 ,故可推得 。
(3) (4):設 。令 代表 的任一 階主子陣 (未必是領先主子陣), 為一個排列矩陣使得
,
其中 是 階分塊,乘開比較可得 。對於任一 ,,故知 是實對稱半正定。根據 (2), 的特徵值皆非負值,可推論 (因為行列式等於特徵值的積)。
(4) (2):考慮 的特徵多項式
其中 ,,是所有 階主子陣行列式的和 (見“特徵多項式蘊藏的訊息”),並定義 。若 的所有主子陣行列式大於或等於零,則 ,。所以, 蘊含 ,這說明 不含負根,也就是說, 的特徵值不為負數。
最後舉一個簡單的例子說明半正定矩陣的判別方法。見下例,
有特徵值 和 ,並可分解為
,
其中 。又 的所有主子陣包括 ,,及 本身,行列式分別是 ,,。這三種檢查方式一致判定 是半正定矩陣。
連續看了幾篇一點小疑惑: 難道沒有一個比較robust且一致性的判斷檢驗嗎? 雖然我還是覺得不明朗時從定義來比較合理欸…
上面介紹的四個半正定矩陣判別方式都是有效的,差異在於操作的難易度。
(1)定義必須檢驗每一,使得;
(2)必須算出的個特徵值;
(3)可透過正交對角化實現,如證明過程顯示,但既然已經知道特徵值,這個做法也就失去實用價值;
(4)必須計算個尺寸不一的行列式。
實際應用時,我們通常採用方法(2)或(4)。