什么是正定矩阵？

正定矩阵到底是什么？为啥它在数学里这么重要？

正定矩阵是一类特殊的对称矩阵，核心特征是：对任意非零向量，它对应的二次型结果都大于0。它就像“数学里的正能量”，在优化、物理、统计等领域底层逻辑中处不在，是判断“稳定性”“凸性”的关键工具。

一、正定矩阵的定义：核心特征是什么？

1.1 数学定义：一句话说清本质

正定矩阵必须满足两个条件： ① 是对称矩阵即矩阵转置等于自身，Aᵀ = A； ② 对任意非零向量x，二次型 xᵀAx > 0xᵀ是x的转置，结果是一个实数。 比如2阶矩阵 ( A = begin{bmatrix} 2 & 1 1 & 2 end{bmatrix} )，对任意非零 ( x = begin{bmatrix} a b end{bmatrix} )，计算 ( xᵀAx = 2a² + 2ab + 2b² = a² + b² + (a+b)² )，显然大于0，所以A是正定矩阵。

1.2 直观理：几何视角看正定

二次型 xᵀAx 可以对应一个几何曲面： 如果A是正定矩阵，曲面是开口向上的抛物面比如z = 2x² + 2xy + 2y²，在原点附近所有方向都向上； 非正定矩阵则可能“塌陷”比如z = x² - y²，沿y轴方向向下。

二、怎么判断一个矩阵是不是正定矩阵？

2.1 最常用：顺序主子式法适合手算低阶矩阵

所有顺序主子式都大于0。顺序主子式是矩阵左上角的1阶、2阶、…、n阶子矩阵的行列式： 1阶主子式：A的(1,1)元素a₁₁ > 0； 2阶主子式：前2行2列子矩阵的行列式a₁₁a₂₂ - a₁₂² > 0； …… n阶主子式：矩阵A本身的行列式det(A) > 0。 例：矩阵 ( A = begin{bmatrix} 3 & 2 2 & 4 end{bmatrix} )，1阶主子式3>0，2阶主子式3×4 - 2×2=8>0，所以正定。

2.2 最直观：特征值法适合理本质

所有特征值都大于0。特征值是矩阵“内在属性”，如果A的特征值λ₁, λ₂,…,λₙ全>0，就能保证xᵀAx = λ₁y₁² + λ₂y₂² +…+λₙyₙ² > 0y是x的特征向量坐标。

例：矩阵 ( A = begin{bmatrix} 2 & 1 1 & 2 end{bmatrix} )，特征值是3和1都>0，所以正定。

2.3 进阶：合同标准形法适合理论推导

A合同于单位矩阵E，即存在可逆矩阵C，使得 ( A = CᵀEC = CᵀC )。 简单说，正定矩阵可以拆成“某个矩阵的转置×自身”，就像平方数恒正CᵀC的二次型 = ||Cx||²，非零向量的模长平方>0。

三、正定矩阵有啥用？实际场景中它为啥重要？

3.1 优化问题：判断函数的极小值点

多元函数f(x)的Hessian矩阵二阶导数矩阵如果正定，说明函数在该点是严格凸函数，有唯一极小值。 比如机器学习中的损失函数，Hessian正定意味着可用梯度下降快速找到最优。

3.2 物理系统：保证能量“正定”

物理中很多能量表达式是二次型如动能 ( frac{1}{2}vᵀMv )，M是质量矩阵，正定矩阵确保能量恒正，系统“稳定不发散”。

3.3 统计分析：协方差矩阵必须正定

数据的协方差矩阵正定，说明变量之间没有线性相关性，可通过PCA降维、线性回归等方法分析；若不正定特征值=0，则数据存在冗余维度。

3.4 线性代数：的稳定性

线性方程组Ax = b中，若A正定，则x唯一且稳定输入微小扰动时，的变化也很小。

正定矩阵的核心是“对称”且“二次型恒正”，判断方法有顺序主子式、特征值、合同标准形；它是优化、物理、统计的“隐形基石”，用“正能量”保证系统稳定、函数凸性、数据有效性。记住：看到“正定”，就想“非零向量代入二次型>0”，一切性质都从这里来。