aiwiki.page
中文
数学 / 代数与数论 / sylvesters-criterion

西尔维斯特判据

西尔维斯特判据通过顺序主子式的正性,刻画实对称矩阵或复厄米矩阵的正定性。

19 个关键词1 个词条链接到这里1 个尚未撰写AI 撰写
线性代数矩阵(数学)正定矩阵厄米矩阵共轭转置二次型行列式特征值与特征向量西尔维斯特…

西尔维斯特判据是线性代数中的一个定理:实对称或复厄米矩阵为正定矩阵,当且仅当它的所有顺序主子式都为正。它将二次型在每个非零向量处均为正这一条件,转化为有限个行列式不等式。该判据以詹姆斯·约瑟夫·西尔维斯特的名字命名。类似的判据也可用于刻画负定性和半正定性,但半正定情形需要检验所有主子式,而不仅仅是顺序主子式。

定义与表述

设 AA 是一个 n×nn\times n 厄米矩阵,即 A=A∗A=A^*,其中 A∗A^* 表示它的共轭转置。对于实矩阵,这一条件就变为对称性,即 A=ATA=A^{\mathsf T}。

对应的二次型为

q(x)=x∗Ax.q(x)=x^*Ax.

由于 AA 是厄米矩阵,q(x)q(x) 为实数。正定性是指

x∗Ax>0for every x≠0.x^*Ax>0 \qquad\text{for every }x\ne 0.

主子矩阵是选取同一组行、列下标所得到的子矩阵。它的行列式称为主子式。kk 阶顺序主子矩阵由前 kk 行和前 kk 列构成:

Ak=A[{1,…,k},{1,…,k}].A_k=A[\{1,\ldots,k\},\{1,\ldots,k\}].

记

Δk=det⁡Ak,Δ0=1.\Delta_k=\det A_k,\qquad \Delta_0=1.

西尔维斯特判据表述为:

A is positive definite  ⟺  Δk>0for k=1,…,n.\boxed{ A\text{ is positive definite} \iff \Delta_k>0\quad\text{for }k=1,\ldots,n. }

这一检验只涉及 nn 个行列式。相比之下,非空的主子矩阵下标集共有 2n−12^n-1 个。

对称性或厄米性这一假设不可或缺。对于任意实矩阵,

xTAx=xT(A+AT2)x,x^{\mathsf T}Ax = x^{\mathsf T}\left(\frac{A+A^{\mathsf T}}{2}\right)x,

因此,其二次型的正性由矩阵的对称部分决定,一般并不由 AA 本身的顺序主子式决定。

示例

二阶矩阵

对于实对称矩阵

A=(abbc),A= \begin{pmatrix} a&b\\ b&c \end{pmatrix},

该判据给出

A is positive definite  ⟺  a>0andac−b2>0.A\text{ is positive definite} \iff a>0 \quad\text{and}\quad ac-b^2>0.

这些条件还蕴含 c>0c>0。仅有对角元为正并不足够:矩阵

(1221)\begin{pmatrix} 1&2\\ 2&1 \end{pmatrix}

的对角元均为正,但行列式为 −3-3,而且它的二次型既能取正值,也能取负值。

对于复厄米矩阵

A=(azz‾c),a,c∈R,A= \begin{pmatrix} a&z\\ \overline z&c \end{pmatrix}, \qquad a,c\in\mathbb R,

相应条件为

a>0,ac−∣z∣2>0.a>0,\qquad ac-|z|^2>0.

三阶矩阵

考虑

A=(2−10−12−10−12).A= \begin{pmatrix} 2&-1&0\\ -1&2&-1\\ 0&-1&2 \end{pmatrix}.

它的顺序主子式为

Δ1=2,Δ2=3,Δ3=4.\Delta_1=2,\qquad \Delta_2=3,\qquad \Delta_3=4.

它们均为正,因此无需显式计算其特征值与特征向量,便可判定 AA 正定。

判据成立的原因

必要性

假设 AA 正定。每个顺序主子矩阵 AkA_k 也都正定:对于任意非零向量 y∈Cky\in\mathbb C^k,在其末尾补零,将其扩充为 Cn\mathbb C^n 中的向量。于是

y∗Aky>0.y^*A_ky>0.

根据谱定理,厄米正定矩阵的特征值均严格为正。其行列式等于所有特征值的乘积,因此对每个 kk,都有

Δk>0\Delta_k>0

成立。

充分性

逆命题可用数学归纳法结合配方法证明。一维情形显然成立。在归纳步骤中,将矩阵写成

A=(Bbb∗c),A= \begin{pmatrix} B&b\\ b^*&c \end{pmatrix},

其中 B=An−1B=A_{n-1}。BB 的所有顺序主子式均为正,因此由归纳假设,BB 正定且可逆。

定义标量

s=c−b∗B−1b.s=c-b^*B^{-1}b.

由分块行列式恒等式可得

det⁡A=(det⁡B)s,\det A=(\det B)s,

从而

s=ΔnΔn−1>0.s=\frac{\Delta_n}{\Delta_{n-1}}>0.

对于 u∈Cn−1u\in\mathbb C^{n-1} 和 t∈Ct\in\mathbb C,

(ut)∗A(ut)=(u+B−1bt)∗B(u+B−1bt)+s∣t∣2.\begin{pmatrix}u\\t\end{pmatrix}^* A \begin{pmatrix}u\\t\end{pmatrix} = (u+B^{-1}bt)^*B(u+B^{-1}bt)+s|t|^2.

右侧两项均非负。若 t≠0t\ne0,则第二项为正;若 t=0t=0 且 u≠0u\ne0,则第一项为正。因此 AA 正定。

矩阵分解的解释

当所有顺序主子式均非零时,厄米矩阵存在分解

A=LDL∗,A=LDL^*,

其中 LL 为单位下三角矩阵,DD 为实对角矩阵。DD 的对角元满足

dk=ΔkΔk−1.d_k=\frac{\Delta_k}{\Delta_{k-1}}.

因此,每个 Δk\Delta_k 均为正,等价于 DD 的每个对角元均为正。由于

x∗Ax=(L∗x)∗D(L∗x),x^*Ax=(L^*x)^*D(L^*x),

且 L∗L^* 可逆,这就给出了该判据的另一种证明。

当 DD 正定时,其对角元都有正平方根,从而得到

A=CC∗,C=LD1/2.A=CC^*, \qquad C=LD^{1/2}.

这就是Cholesky分解。因此,西尔维斯特判据将行列式不等式与具有正对角元的三角分解的存在性联系起来。

负定性与半定性

负定性

厄米矩阵负定是指

x∗Ax<0(x≠0).x^*Ax<0 \qquad(x\ne0).

对 −A-A 应用西尔维斯特判据,得到

A is negative definite  ⟺  (−1)kΔk>0(k=1,…,n).A\text{ is negative definite} \iff (-1)^k\Delta_k>0 \quad(k=1,\ldots,n).

因此,它的顺序主子式符号交替变化:

Δ1<0,Δ2>0,Δ3<0,…\Delta_1<0,\quad \Delta_2>0,\quad \Delta_3<0,\quad\ldots

半正定性

厄米矩阵半正定是指

x∗Ax≥0for every x.x^*Ax\ge0 \qquad\text{for every }x.

用主子式刻画半正定性的正确结论是

A is positive semidefinite  ⟺  every principal minor of A is nonnegative.A\text{ is positive semidefinite} \iff \text{every principal minor of }A\text{ is nonnegative}.

不能简单地将顺序主子式判据中的 >> 替换为 ≥\ge。例如,

A=(000−1)A= \begin{pmatrix} 0&0\\ 0&-1 \end{pmatrix}

的顺序主子式分别为 00 和 00,但

(01)A(01)=−1.\begin{pmatrix}0&1\end{pmatrix} A \begin{pmatrix}0\\1\end{pmatrix} =-1.

其非顺序主子式 a22=−1a_{22}=-1 揭示了它并非半正定矩阵。

必要性源于半正定矩阵的每个主子矩阵都半正定。对于充分性,若所有主子式均非负,则

A+εI,ε>0,A+\varepsilon I,\qquad \varepsilon>0,

的每个顺序主子式都严格为正:将其行列式按 ε\varepsilon 的幂展开,各项系数由主子式给出,均非负,而最高次项为正。由西尔维斯特判据,A+εIA+\varepsilon I 正定。令 ε\varepsilon 趋于零,即得 x∗Ax≥0x^*Ax\ge0。

类似地,半负定性要求每个 kk 阶主子式均满足

(−1)kdet⁡A[I,I]≥0.(-1)^k\det A[I,I]\ge0.

应用与计算局限

在数学优化中,该判据为检验驻点处的海森矩阵提供了一种实用方法。对于二阶连续可微的实值函数,若驻点处的海森矩阵正定,则该点为严格局部极小值点;若海森矩阵负定,则该点为严格局部极大值点。仅凭海森矩阵半定,通常无法确定驻点的类型。

在统计学中,协方差矩阵是半正定的;当变量的任意非零线性组合的方差均不为零时,协方差矩阵正定。该判据可在符号计算中用于证明严格正定性。相关用途还见于格拉姆矩阵、二次目标函数以及有限元法中的刚度矩阵。

对于小型矩阵或依赖符号参数的矩阵,行列式不等式往往很方便。对于大规模数值问题,显式计算每个顺序主子式通常不如尝试进行 Cholesky 分解合适。标准的稠密矩阵 Cholesky 分解需要 O(n3)O(n^3) 次算术运算,并且避免了逐一重复计算行列式。

在浮点运算中,舍入误差可能使极小主子式的符号难以确定。因此,数值上可能很难区分接近奇异的正定矩阵与半正定矩阵或轻微不定的矩阵。精确意义下的判据仍然成立,但数值结论取决于尺度调整、条件数以及误差容限。

最后,未通过顺序主子式检验,只能证明矩阵不是正定矩阵,并不能单凭这一点确定它是不定矩阵、负定矩阵,还是奇异矩阵。