如何在R中生成向量x使其外积为正定矩阵？求可行改进方案

单个n维向量x的外积xx^T的秩最多是1（当x非零时），而n阶正定矩阵要求必须是满秩（秩为n），所以xx^T永远只能是半正定矩阵（当x≠0时），不可能是正定矩阵。你用is.positive.definite(xxT)得到FALSE是正常的，换成is.positive.semi.definite(xxT)（同样来自matrixcalc包），只要x不是全零向量，结果会是TRUE：

set.seed(3)
n <- 5  
x <- rnorm(n)
xxT <- outer(x, x)

library(matrixcalc)
is.positive.semi.definite(xxT)
# [1] TRUE

如果你实际需求是生成正定矩阵（而非执着于单个向量的外积），这里有几种可靠的方法：

方法1：多个线性无关向量的外积之和 #

当你有k个线性无关的n维向量（k≥n）时，它们的外积之和是正定矩阵。比如生成n个线性无关的随机向量，然后求和：

set.seed(3)
n <- 5
# 生成n个线性无关的n维向量
vectors <- replicate(n, rnorm(n))
# 计算每个向量的外积并求和
positive_definite_mat <- Reduce("+", lapply(1:n, function(i) outer(vectors[,i], vectors[,i])))

is.positive.definite(positive_definite_mat)
# [1] TRUE

方法2：对称矩阵加对角修正 #

先生成随机对称矩阵，再加上一个足够大的对角矩阵，确保所有特征值为正：

set.seed(3)
n <- 5
# 生成随机对称矩阵
A <- matrix(rnorm(n*n), nrow = n)
A <- (A + t(A))/2
# 加上n倍单位矩阵，保证正定
positive_definite_mat <- A + n * diag(n)

is.positive.definite(positive_definite_mat)
# [1] TRUE

方法3：利用Cholesky分解 #

正定矩阵可以表示为L%*%t(L)，其中L是上三角（或下三角）矩阵：

set.seed(3)
n <- 5
# 生成上三角矩阵
L <- matrix(rnorm(n*n), nrow = n)
L[lower.tri(L)] <- 0
# 构造正定矩阵
positive_definite_mat <- L %*% t(L)

is.positive.definite(positive_definite_mat)
# [1] TRUE

方法4：样本协方差矩阵 #

生成一组随机样本，计算其协方差矩阵（样本量大于n时，大概率正定）：

set.seed(3)
n <- 5
# 生成100个n维样本点
sample_data <- matrix(rnorm(100*n), nrow = 100)
# 计算协方差矩阵
positive_definite_mat <- cov(sample_data)

is.positive.definite(positive_definite_mat)
# [1] TRUE

内容的提问来源于stack exchange，提问作者Adrian