{
  "id": "positive-definite-matrix",
  "title": "正定矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "对任意非零向量，其二次型的值都严格为正的对称矩阵或厄米矩阵。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "正定阵"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/positive-definite-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/positive-definite-matrix/",
      "json": "https://aiwiki.page/en/positive-definite-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "正定矩阵是指对任意非零向量，其对应的二次表达式的值都严格为正的方矩阵。按照线性代数中的标准约定，实矩阵须为对称矩阵，复矩阵须为厄米矩阵。正定性将矩阵代数与几何、优化和统计建模联系起来：它刻画了非退化的长度平方，以及具有唯一极小值的二次函数。(mit.edu)"
    },
    {
      "heading": "定义与约定",
      "text": "实对称矩阵 \\(A\\in\\mathbb R^{n\\times n}\\) 称为正定矩阵，如果\n\n\\[x^{T}Ax>0 \\qquad\\text{对所有 }x\\in\\mathbb R^n,\\quad x\\ne0.\\]\n\n这里，\\(x^T\\) 表示矩阵转置，\\(q_A(x)=x^TAx\\) 是一个二次型。必须排除零向量，因为 \\(q_A(0)=0\\)。(mit.edu)\n\n对于元素为复数的矩阵，相应的定义为\n\n\\[A=A^*,\\qquad z^*Az>0\\quad(z\\ne0),\\]\n\n其中 \\(A^*\\) 是共轭转置。条件 \\(A=A^*\\) 定义了厄米矩阵，并保证 \\(z^*Az\\) 为实数。正定性通常记为 \\(A\\succ0\\)。(mit.edu)\n\n有些作者也将满足 \\(x^TAx>0\\) 的非对称实矩阵称为正定矩阵。在这种更宽泛的约定下，正定性仅取决于矩阵的对称部分，因为\n\n\\[x^TAx=x^T\\frac{A+A^T}{2}x.\\]\n\n下文讨论的性质均采用对称矩阵或厄米矩阵的约定。(web.mit.edu)\n\n半正定矩阵记为 \\(A\\succeq0\\)，允许非零向量对应的二次型值等于零。半正定矩阵是正定矩阵，当且仅当它可逆。负定是指 \\(-A\\) 为正定矩阵；不定的厄米矩阵对应的二次型既可取正值，也可取负值。(web.mit.edu)"
    },
    {
      "heading": "等价刻画",
      "text": "对于对称矩阵或厄米矩阵 \\(A\\)，以下几个条件等价：\n\n- 特征值均为正： \\(A\\) 的每个特征值都严格为正。\n- 西尔维斯特判据： 每个顺序主子式都为正。顺序主子式是左上角 \\(k\\times k\\) 子矩阵的行列式，其中 \\(k=1,\\ldots,n\\)。\n- Cholesky分解： \\(A=LL^*\\)，其中 \\(L\\) 为下三角矩阵，且其对角元素均为严格正的实数。\n- 格拉姆表示： \\(A=B^*B\\)，其中矩阵 \\(B\\) 的各列线性无关。(mit.edu)\n\n谱定理解释了第一种刻画。将 \\(A\\) 写成 \\(A=Q\\Lambda Q^*\\)，可得\n\n\\[z^*Az=\\sum_{i=1}^n\\lambda_i|(Q^*z)_i|^2.\\]\n\n该表达式对每个非零 \\(z\\) 都为正，当且仅当每个 \\(\\lambda_i>0\\)。同样，\\(z^*B^*Bz=\\|Bz\\|_2^2\\)，它对每个非零 \\(z\\) 都为正，当且仅当 \\(B\\) 的核仅包含零向量。(web.mit.edu)\n\n西尔维斯特判据不能简化为只检查对角元素或行列式。例如，\\(\\operatorname{diag}(1,-1,-1)\\) 的行列式为正，但它并不是正定矩阵。对于半正定性，仅有顺序主子式非负还不够；必须所有主子式都非负。(web.mit.edu)"
    },
    {
      "heading": "示例与几何意义",
      "text": "对于\n\n\\[A=\\begin{pmatrix}2&-1\\\\-1&2\\end{pmatrix},\\]\n\n其顺序主子式为 \\(2\\) 和 \\(3\\)，并且对非零 \\(x\\)，有\n\n\\[x^TAx=(x_1-x_2)^2+x_1^2+x_2^2>0.\\]\n\n因此，尽管 \\(A\\) 的非对角元素为负，它仍是正定矩阵。相比之下，所有元素都等于 \\(1\\) 的矩阵是半正定矩阵，但也是奇异矩阵：其二次型在 \\((1,-1)^T\\) 处为零。这些例子说明，定性涉及整个二次型，而不是各个元素是否为正。(ocw.mit.edu)\n\n正定矩阵定义了一个内积\n\n\\[\\langle x,y\\rangle_A=x^*Ay\\]\n\n以及相应的范数 \\(\\|x\\|_A=\\sqrt{x^*Ax}\\)。反过来，在有限维空间的任意一组基下，表示内积的矩阵都是正定矩阵。对于实矩阵，\\(x^TAx=1\\) 描述一个椭球面，其主轴方向是 \\(A\\) 的特征向量，半轴长度为 \\(1/\\sqrt{\\lambda_i}\\)。(cs.cornell.edu)"
    },
    {
      "heading": "代数结构与计算",
      "text": "正定矩阵的逆矩阵也是正定矩阵。对于可逆矩阵 \\(S\\)，合同变换 \\(A\\mapsto S^*AS\\) 也保持正定性，这反映了坐标变换的性质。每个正定矩阵都有唯一的正定平方根矩阵，可通过将其特征值替换为各自的正平方根得到。(web.mit.edu)\n\n在由对称矩阵或厄米矩阵组成的实向量空间中，正定矩阵构成一个开凸集。其闭包是半正定锥。特别地，正定矩阵的正权重加权和仍为正定矩阵；当 \\(A\\succeq0\\) 且 \\(\\varepsilon>0\\) 时，有 \\(A+\\varepsilon I\\succ0\\)，其中 \\(I\\) 为单位矩阵。(web.stanford.edu)\n\n在计算中，Cholesky分解既提供矩阵分解，也提供实用的正定性检验方法。一旦得到 \\(A=LL^*\\)，便可通过求解两个三角方程组来求解线性方程组 \\(Ax=b\\)。正定性并不保证矩阵具有良好的条件性：最小特征值很小时，解可能对扰动和浮点运算中的舍入误差十分敏感。(netlib.org)"
    },
    {
      "heading": "应用",
      "text": "在数学优化中，二次函数\n\n\\[f(x)=\\tfrac12x^TAx-b^Tx\\]\n\n的海森矩阵为 \\(A\\)。若 \\(A\\succ0\\)，则该函数严格凸，且具有唯一的极小点 \\(x=A^{-1}b\\)。更一般地，对于二阶连续可微函数，如果其在某个驻点处的海森矩阵正定，则该驻点必为严格局部极小点，但这并不是严格局部极小点的必要条件。(ocw.mit.edu)\n\n在统计学中，协方差矩阵 \\(\\Sigma\\) 是半正定矩阵，因为\n\n\\[v^T\\Sigma v=\\operatorname{Var}(v^TX)\\ge0.\\]\n\n它是正定矩阵，当且仅当每个非零线性组合都具有正的方差。因此，非退化的多元正态分布具有正定的协方差矩阵。类似地，格拉姆矩阵 \\(X^TX\\) 是正定矩阵，当且仅当 \\(X\\) 的列满秩；无论其秩如何，加上 \\(\\lambda I\\)（其中 \\(\\lambda>0\\)）后，所得矩阵都是正定矩阵。(web.stanford.edu)"
    }
  ],
  "links": [
    "matrix",
    "linear-algebra",
    "matrix-transpose",
    "quadratic-form",
    "complex-number",
    "conjugate-transpose",
    "hermitian-matrix",
    "positive-semidefinite-matrix",
    "eigenvalues-and-eigenvectors",
    "determinant",
    "spectral-theorem",
    "sylvesters-criterion",
    "inner-product",
    "norm-mathematics",
    "inverse-matrix",
    "convex-set",
    "identity-matrix",
    "cholesky-decomposition",
    "system-of-linear-equations",
    "floating-point-arithmetic",
    "mathematical-optimization",
    "hessian-matrix",
    "statistics",
    "covariance-matrix",
    "variance",
    "multivariate-normal-distribution",
    "gram-matrix"
  ],
  "sources": [
    {
      "title": "mit.edu/~9.520/fall17/slides/mathcamp/mathcamp-slides.pdf",
      "url": "https://www.mit.edu/~9.520/fall17/slides/mathcamp/mathcamp-slides.pdf"
    },
    {
      "title": "mit.edu/~18.06/Fall2022/pset13sol.html",
      "url": "https://www.mit.edu/~18.06/Fall2022/pset13sol.html"
    },
    {
      "title": "web.mit.edu/dimitrib/www/Appendix_A_NEW_ALG.pdf",
      "url": "https://web.mit.edu/dimitrib/www/Appendix_A_NEW_ALG.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/2-29-numerical-fluid-mechanics-spring-2015/1839ca0d0ab0b2de…",
      "url": "https://ocw.mit.edu/courses/2-29-numerical-fluid-mechanics-spring-2015/1839ca0d0ab0b2de100c75d5a629331e_MIT2_29S15_Lecture7.pdf"
    },
    {
      "title": "cs.cornell.edu/courses/cs6210/2025fa/lec/2025-08-25-slides.html",
      "url": "https://www.cs.cornell.edu/courses/cs6210/2025fa/lec/2025-08-25-slides.html"
    },
    {
      "title": "web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf",
      "url": "https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf"
    },
    {
      "title": "netlib.org/lapack/lawnspdf/lawn117.pdf",
      "url": "https://www.netlib.org/lapack/lawnspdf/lawn117.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/d163e012754258d3b374548504…",
      "url": "https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/d163e012754258d3b374548504d8a18a_MIT18_06SCF11_Ses3.3sum.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}