Positive Semidefinite Matrix

半正定矩阵（Positive Semidefinite Matrix）

半正定二次型

​ 定义：设二次型 ${\mathbf{x}}^{\mathbf{T}}A\mathbf{x}$，若对任意 $\mathbf{x}\ne 0$，都有 $f(\mathbf{x})⩾0$，则称 $f$ 为半正定二次型。

半正定矩阵

​ 定义：设实对称矩阵 $A$，若对任意 $\mathbf{x}\ne 0$，都有 ${\mathbf{x}}^{\mathbf{T}}A\mathbf{x}⩾0$，则称 $A$ 为半正定矩阵。

​ 定理：$n$ 元二次型 $f=x^{T}Ax$ 为半正定的充分必要条件：它的标准形的 $n$ 个系数全为非负，即它的规范形的 $n$ 个系数全为 $0$ 或 $1$。

​ 证： 设可逆变换 $x=Cy$ 使
$$f(x)=f(Cy)=\sum _{i=1}^n{k}_i{y}_i^2$$
​ 充分性：设 $k_i⩾0(i=1,2,...,n)$，故
$$f(x)=\sum _{i=1}^n{k}_i{y}_i^2⩾0$$
​ 必要性：反证法，假设有 $k_s<0$，则当 $y=e_s$（单位坐标向量）时，$C{e}_s\ne 0$，$f(C{e}_s)=k_s<0$，这与 $f$ 为半正定相矛盾，即证得 $k_i⩾0(i=1,2,...,n)$。

​ 推论：对称矩阵 $A$ 为半正定矩阵的充分必要条件：$A$ 的特征值全为非负。

​ 证：$n$ 阶对称矩阵 $A$ 为半正定矩阵
​ $⟺$ $f(x)=x^{T}Ax$ 为半正定二次型
​ $⟺$ $f$ 的标准形的 $n$ 个系数全为非负，而这 $n$ 个系数是 $A$ 的 $n$ 个特征值
​ $⟺$ $A$ 的特征值全为非负

​ 推论：满秩半正定矩阵为正定矩阵。

​ 证： 设 $n$ 阶满秩半正定矩阵 $A$，其特征值为 ${\lambda }_1,{\lambda }_2,...,{\lambda }_n$，有
$${\lambda }_1{\lambda }_2\cdots {\lambda }_n=|A|$$
由于满秩矩阵为可逆矩阵，所以 ${\lambda }_i\ne 0(i=1,2,...,n)$；又半正定矩阵的特征值全为非负， 得 $A$ 的特征值全为正，即证得 $A$ 为正定矩阵。