【什么矩阵是正定矩阵】在数学中，尤其是线性代数领域，正定矩阵是一个非常重要的概念，广泛应用于优化、统计学、物理学和工程学等领域。正定矩阵不仅具有良好的数值性质，还能保证某些函数的凸性或唯一解的存在性。本文将对正定矩阵进行简要总结，并通过表格形式直观展示其定义、性质及判断方法。
一、正定矩阵的定义
一个实对称矩阵 $ A $ 被称为正定矩阵，如果对于所有非零向量 $ x \in \mathbb{R}^n $，都有：
$$
x^T A x > 0
$$
即：当 $ x \neq 0 $ 时，二次型 $ x^T A x $ 的值始终为正。
若上述条件改为 $ x^T A x \geq 0 $，则称该矩阵为半正定矩阵；若存在 $ x \neq 0 $ 使得 $ x^T A x < 0 $，则称为负定矩阵或不定矩阵。
二、正定矩阵的性质
| 性质 | 描述 |
| 对称性 | 正定矩阵一定是实对称矩阵（即 $ A = A^T $） |
| 特征值 | 所有特征值均为正实数 |
| 行列式 | 行列式 $ \det(A) > 0 $ |
| 主子式 | 所有顺序主子式均为正数（即 $ \det(A_{1..k}) > 0 $，$ k=1,2,...,n $） |
| 可逆性 | 正定矩阵一定可逆，且其逆矩阵也是正定矩阵 |
| 二次型 | 对于任何非零向量 $ x $，二次型 $ x^T A x > 0 $ |
三、判断正定矩阵的方法
| 方法 | 说明 |
| 特征值法 | 计算矩阵的所有特征值，若全部为正，则为正定矩阵 |
| 求行列式法 | 计算各阶顺序主子式的行列式，若都为正，则为正定矩阵 |
| Cholesky 分解 | 若能对矩阵进行 Cholesky 分解（即 $ A = L L^T $），则为正定矩阵 |
| 二次型检验 | 对任意非零向量 $ x $，计算 $ x^T A x $，若始终大于 0，则为正定矩阵 |
四、常见例子
| 矩阵 | 是否正定 | 说明 |
| $ \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix} $ | 是 | 特征值为 3 和 1，均为正 |
| $ \begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix} $ | 否 | 存在负特征值 |
| $ \begin{bmatrix} 4 & 2 \\ 2 & 1 \end{bmatrix} $ | 否 | 行列式为 0，不是正定 |
| $ \begin{bmatrix} 5 & 3 \\ 3 & 5 \end{bmatrix} $ | 是 | 特征值为 8 和 2，均为正 |
五、应用场景
- 优化问题：在无约束优化中，目标函数的 Hessian 矩阵为正定时，表示该点为局部极小值点。
- 机器学习：在支持向量机、高斯过程等模型中，正定矩阵用于构造核函数。
- 物理系统：如弹性力学中的刚度矩阵通常为正定矩阵，确保系统的稳定性。
六、总结
正定矩阵是线性代数中一类具有良好性质的对称矩阵，其核心特征是所有特征值为正，并且对于所有非零向量，二次型均大于零。判断正定矩阵的方法包括特征值分析、行列式检查、Cholesky 分解等。理解正定矩阵有助于深入掌握矩阵理论及其在多个领域的应用。