在數學上,複值域函數的正定函數 是和正定矩陣 有關的特質。
令
R
{\displaystyle \mathbb {R} }
是實數 集合,
C
{\displaystyle \mathbb {C} }
為複數 集合。
函數
f
:
R
→
C
{\displaystyle f:\mathbb {R} \to \mathbb {C} }
稱為半正定 ,若針對所有實數x 1 , …, x n , n × n 矩陣
A
=
(
a
i
j
)
i
,
j
=
1
n
,
a
i
j
=
f
(
x
i
−
x
j
)
{\displaystyle A=\left(a_{ij}\right)_{i,j=1}^{n}~,\quad a_{ij}=f(x_{i}-x_{j})}
都是半正定矩陣 [來源請求] 。
依照定義,半正定矩陣(像是
A
{\displaystyle A}
)會是埃爾米特矩陣 ,因此f (−x )是f (x ))的共軛複數 。
若上述矩陣改為正定矩陣、半負定矩陣及負定矩陣,則函數則為正定函數 、半負定函數 及負定函數 。
舉例
若
(
X
,
⟨
⋅
,
⋅
⟩
)
{\displaystyle (X,\langle \cdot ,\cdot \rangle )}
是實內積空間 ,則
g
y
:
X
→
C
{\displaystyle g_{y}\colon X\to \mathbb {C} }
,
x
↦
exp
(
i
⟨
y
,
x
⟩
)
{\displaystyle x\mapsto \exp(i\langle y,x\rangle )}
對於每一個
y
∈
X
{\displaystyle y\in X}
是正定:針對所有
u
∈
C
n
{\displaystyle u\in \mathbb {C} ^{n}}
,以及所有
x
1
,
…
,
x
n
{\displaystyle x_{1},\ldots ,x_{n}}
,可得
u
∗
A
(
g
y
)
u
=
∑
j
,
k
=
1
n
u
k
¯
u
j
e
i
⟨
y
,
x
k
−
x
j
⟩
=
∑
k
=
1
n
u
k
¯
e
i
⟨
y
,
x
k
⟩
∑
j
=
1
n
u
j
e
−
i
⟨
y
,
x
j
⟩
=
|
∑
j
=
1
n
u
j
¯
e
i
⟨
y
,
x
j
⟩
|
2
≥
0.
{\displaystyle u^{*}A^{(g_{y})}u=\sum _{j,k=1}^{n}{\overline {u_{k}}}u_{j}e^{i\langle y,x_{k}-x_{j}\rangle }=\sum _{k=1}^{n}{\overline {u_{k}}}e^{i\langle y,x_{k}\rangle }\sum _{j=1}^{n}u_{j}e^{-i\langle y,x_{j}\rangle }=\left|\sum _{j=1}^{n}{\overline {u_{j}}}e^{i\langle y,x_{j}\rangle }\right|^{2}\geq 0.}
正定函數的非負線性組合也是正定函數,像是餘弦函數 是上述函數的非負線性組合,因此是正定的:
cos
(
x
)
=
1
2
(
e
i
x
+
e
−
i
x
)
=
1
2
(
g
1
+
g
−
1
)
.
{\displaystyle \cos(x)={\frac {1}{2}}(e^{ix}+e^{-ix})={\frac {1}{2}}(g_{1}+g_{-1}).}
若有正定函數
f
:
R
→
C
{\displaystyle f\colon \mathbb {R} \to \mathbb {C} }
,以及向量空間
X
{\displaystyle X}
,可以建立正定函數
f
:
X
→
C
{\displaystyle f\colon X\to \mathbb {C} }
:選擇線性函數
ϕ
:
X
→
R
{\displaystyle \phi \colon X\to \mathbb {R} }
,並且定義
f
∗
:=
f
∘
ϕ
{\displaystyle f^{*}:=f\circ \phi }
.
則
u
∗
A
(
f
∗
)
u
=
∑
j
,
k
=
1
n
u
k
¯
u
j
f
∗
(
x
k
−
x
j
)
=
∑
j
,
k
=
1
n
u
k
¯
u
j
f
(
ϕ
(
x
k
)
−
ϕ
(
x
j
)
)
=
u
∗
A
~
(
f
)
u
≥
0
,
{\displaystyle u^{*}A^{(f^{*})}u=\sum _{j,k=1}^{n}{\overline {u_{k}}}u_{j}f^{*}(x_{k}-x_{j})=\sum _{j,k=1}^{n}{\overline {u_{k}}}u_{j}f(\phi (x_{k})-\phi (x_{j}))=u^{*}{\tilde {A}}^{(f)}u\geq 0,}
其中
A
~
(
f
)
=
(
f
(
ϕ
(
x
i
)
−
ϕ
(
x
j
)
)
=
f
(
x
~
i
−
x
~
j
)
)
i
,
j
{\displaystyle {\tilde {A}}^{(f)}={\big (}f(\phi (x_{i})-\phi (x_{j}))=f({\tilde {x}}_{i}-{\tilde {x}}_{j}){\big )}_{i,j}}
,而在
ϕ
{\displaystyle \phi }
線性 時,每一個
x
~
k
:=
ϕ
(
x
k
)
{\displaystyle {\tilde {x}}_{k}:=\phi (x_{k})}
都是不同的[ 1] 。
Bochner定理
正定函數也出現在傅立葉變換 的理論中,可以看出一個函數f 正定就是可以成為在函數g (且g (y ) ≥ 0)在實數線上傅立葉變換的充份條件。
反過來的結果就是Bochner定理 ,提到在實數線上的連續 正定函數是正測度 的傅立葉變換[ 2] 。
應用
在統計學 (特別是貝葉斯統計 )裡,此定理常用在實函數中,一般來說,會在
R
d
{\displaystyle R^{d}}
裡選幾個點,針對其純量值進行n 個純量的量測,若要量測結果有高度相關性,這些點需要互相靠近。實際上,必須小心確保所得的共變異數矩陣(n × n 矩陣)恆為正定矩陣。有一個作法是定義一個相關矩陣,再乘以純量,得到協方差矩陣,所得的一定是正定矩陣。Bochner定理表示,若二個點的相關係數只會隨其距離而變化(也就是距離的函數f ),則函數f 一定會是正定函數,以確保共變異數矩陣A 是正定的。
在此context下,一般不會用傅立葉變換,而是稱f (x )是對稱 機率密度函數 (PDF)的特徵函數 。
擴展
參見
腳註
參考
Christian Berg, Christensen, Paul Ressel. Harmonic Analysis on Semigroups , GTM, Springer Verlag.
Z. Sasvári, Positive Definite and Definitizable Functions , Akademie Verlag, 1994
Wells, J. H.; Williams, L. R. Embeddings and extensions in analysis . Ergebnisse der Mathematik und ihrer Grenzgebiete, Band 84. Springer-Verlag, New York-Heidelberg, 1975. vii+108 pp.
外部連結