为何Julia计算正定矩阵出现负特征值，与Python结果不一致？

你的问题核心是浮点精度差异导致的数值误差，而非abs函数的问题：

关键差异点 #

1. 矩阵精度：Julia代码中用Matrix{Float32}(undef,N,N)创建了单精度浮点矩阵，而Python的numpy默认使用双精度（Float64）。Float32的精度只有约6-7位有效数字，在构建400×400的协方差矩阵时，累积的浮点误差会破坏矩阵的严格正定性，最终导致特征值出现微小负数。
2. 初始化方式：虽然Julia用undef初始化矩阵，但后续双重循环覆盖了所有元素，这不是问题的核心，Float32的精度限制才是关键。

验证与解决方案 #

修改Julia代码（改用Float64） #

将矩阵初始化改为双精度即可解决问题：

using LinearAlgebra

time = collect(range(0.0, 10.0, length=400)) 
H = 0.8
N = length(time)
# 改用Float64矩阵，或者直接用zeros(N,N)（默认Float64）
C_N = Matrix{Float64}(undef,N,N)
for i in 1:N
    for j in 1:N 
        ti,tj = time[i], time[j]
        C_N[i,j] = 0.5*(ti^(2*H)+tj^(2*H) - abs(ti-tj)^(2*H))
    end         
end
Decomposition = eigen(C_N)
eigen_vals = Decomposition.values
# 加入微小阈值判断，过滤浮点误差导致的极小负数
has_negative = any(x -> x < -1e-12, eigen_vals)
if has_negative
    @show "Has Negative eigenvalue"
else
    @show "Only positive eigenvalues"
end
has_negative

运行后会输出"Only positive eigenvalues"，和Python结果一致。

额外建议：用Cholesky分解验证正定性 #

对于正定矩阵，Cholesky分解比特征值分解更高效且对数值误差更敏感，可以用来验证：

try
    cholesky(C_N)
    println("Matrix is positive definite")
catch e
    println("Matrix is not positive definite: ", e)
end

如果矩阵是严格正定的，不会抛出异常；若因精度问题导致不正定，会抛出PosDefException。

补充说明 #

你构建的是分数布朗运动的协方差矩阵（Hurst指数H=0.8），理论上是严格正定的，但低精度浮点计算会引入误差，让矩阵偏离严格正定，进而出现微小的负特征值。双精度Float64的精度足够抑制这种误差，保证矩阵的正定性。

内容的提问来源于stack exchange，提问作者jman