【什么是负定矩阵】负定矩阵是线性代数中一个重要的概念，广泛应用于数学、物理、工程和经济学等领域。它与正定矩阵相对，但具有相反的性质。理解负定矩阵有助于分析二次型的性质、优化问题以及系统稳定性等。
一、
负定矩阵是指一个对称矩阵 $ A $，对于所有非零向量 $ x $，都有 $ x^T A x < 0 $。换句话说，该矩阵对应的二次型在所有非零向量上都为负值。
负定矩阵与正定矩阵有相似的判定方法，但符号相反。判断一个矩阵是否为负定，通常可以通过其特征值、主子式或逆矩阵等方法进行验证。
负定矩阵在优化中常用于判断极值点的类型（如极大值），在微分方程中可用于判断系统的稳定性。
二、表格对比：正定矩阵 vs 负定矩阵
| 特性 | 正定矩阵 | 负定矩阵 |
| 定义 | 对于所有非零向量 $ x $，$ x^T A x > 0 $ | 对于所有非零向量 $ x $，$ x^T A x < 0 $ |
| 特征值 | 所有特征值均为正 | 所有特征值均为负 |
| 主子式 | 所有顺序主子式均大于 0 | 所有顺序主子式均小于 0（符号交替） |
| 逆矩阵 | 存在且也为正定 | 存在且也为负定 |
| 二次型 | 始终为正 | 始终为负 |
| 应用 | 最小值点、稳定系统 | 极大值点、不稳定系统 |
三、简要判断方法
1. 特征值法：若矩阵的所有特征值均为负，则该矩阵为负定。
2. 主子式法：若所有顺序主子式的符号为负（即奇数阶主子式为负，偶数阶主子式为正），则矩阵为负定。
3. 二次型法：直接计算 $ x^T A x $，若结果恒为负，则矩阵为负定。
四、举例说明
设矩阵
$$
A = \begin{bmatrix}
-2 & 1 \\
1 & -3
\end{bmatrix}
$$
对该矩阵进行检验：
- 特征值：解特征方程 $ \det(A - \lambda I) = 0 $，得 $ \lambda_1 = -1, \lambda_2 = -4 $，均为负值 → 负定。
- 主子式：一阶主子式为 -2 < 0；二阶主子式为 $ (-2)(-3) - (1)^2 = 6 - 1 = 5 > 0 $ → 符合负定条件。
因此，该矩阵为负定矩阵。
五、总结
负定矩阵是一个具有明确数学定义的对称矩阵，其核心特性在于所有非零向量对应的二次型均为负值。它在多个领域中具有重要应用，尤其在优化和系统稳定性分析中不可或缺。通过特征值、主子式或二次型的判断方法，可以有效识别负定矩阵。