写在开头之前，先说声抱歉。作为你的备考伙伴，我刚刚把那些看似枯燥的定义和定理拆解了一百遍，你居然没听懂？这简直是对知识的傲慢。今天咱们不整那些虚头巴脑的“证明堆砌”，咱们就剥开那层纸，看看矩阵正定的本质到底是啥。
说白了，矩阵正定就是那个“一辈子胖”的矩阵，甭管你往哪一塌糊涂地转，它的特征值要么判型都是正的，绝对不会有负数也绝对不会是零。 大量人一见到“正定”，脑子里第一反应就是索罗夫定理要么特征值大于零，这时候就要启动犯愁了。
实际上不用如此费事，我们只要把定义里的“二次型”跟几何直观拼一下，难题就迎刃而解了。想象一下，你手里拿着一张能够拉伸和压缩的橡皮泥，这就是对称矩阵。当你让它非对角线元素收缩的时候，拉伸力就会减小；你拼命把对角线元素拉长，拉伸的能量就哗哗增添。正定的矩阵，就像是一个拥有无限弹性和稳定结构的弹簧，哪怕你把它压扁了，只要不是彻底压成一片（非正定），它总能自动反弹回原状，让所有非零向量形成的“变形能量”都大于零。 举个例子，拿一个常见的 $2 times 2$ 矩阵算一下，$begin{pmatrix} 2 & 1 \ 1 & 2 end{pmatrix}$。
要是你挑一个向量 $begin{pmatrix} 1 \ 1 end{pmatrix}$ 给它挤一下，它形成的能量是多少？算出来是 $4$，是个正数。再试一个垂直的向量 $begin{pmatrix} 1 \ -1 end{pmatrix}$，能量变成 $0$。
这说明啥？说明它确实正定，出于只要向量非零，能量就大于零。
这种直观的能量图，比背公式管用多了。 接下来就是证明的核心了，我们要避免一启动就罗列定义，直接切入到二次型 $x^T A x$ 的判别式里。对于 $2 times 2$ 的情况，$x^T A x = a_{11}x_1^2 + 2a_{12}x_1x_2 + a_{22}x_2^2$。为了好证明，咱们先假设 $a_{12} = 0$，这就把矩阵简化成了对角阵，性质肯定也成立。目前的任务是判断 $a_{11}x_1^2 + a_{22}x_2^2$ 在 $x_1, x_2$ 不全为 0 时是否大于零。 这就得看系数的符号了。
要是 $a_{11}$ 和 $a_{22}$ 都是正的，那这就忒好办了，正数乘正数平方，结局肯定正。
要是一个是负一个是正，情况就复杂了。
这时候我们得回到代数变形。把乱码似的式子展开，写成 $A_{11}(x_1)^2 + 2A_{12}x_1x_2 + A_{22}(x_2)^2$。为了把中间那一项消掉，我们需求构造一个彻底平方公式。 你看，$2A_{12}x_1x_2$ 能够写成 $A_{12} (x_1^2 + x_2^2) - A_{11}x_1^2 + A_{22}x_2^2$。
什么的，这里好办乱套。咱们换个路子，直接配方。把原式整理成 $A_{11}(frac{x_1}{2})^2 dots$ 这种形式可能忒繁琐。还是直接看判别式最实在。 实际上，对于 $2 times 2$ 正定矩阵，有一个挺经典的结论，叫“伴随矩阵”和“行列式”的关系。
要是矩阵正定，那它的行列式 $det(A)$ 就一定是正数啊！出于行列式就是所有特征值的乘积，而正定的特征值都大于零，积出来肯定是正数。
这就够了吗？不算，出于正定要求所有特征值都大于零，而不只是是乘积大于零。就像 $4 times 0.5 = 2$ 一样，乘积大于零不代表都大于零。 故此，对于 $2 times 2$ 矩阵，我们需求更精细的判别。公式里的 $A_{11}A_{22} - A_{12}^2$ 实际上就是 $Delta = det(A) - dots$ 不对，是 $A_{11}A_{22} - 2A_{12}A_{21} + A_{12}^2$，也就是 $det(A)$。
什么的，我仿佛把公式记混了。对于矩阵正定性，$2times2$ 时，条件是 $a_{11}a_{22} - a_{12}^2 > 0$。
既然 $a_{12} ge 0$，那么 $a_{11}a_{22} > a_{12}^2 le a_{11}a_{22}$。
这意味着 $a_{11}a_{22}$ 务必大于这个正数。 为了更严谨，我们能够把 $2 times 2$ 的情况拆解成两个一维正定的条件。
实际上， $x^T A x$ 能够写成 $(ax_1 + bx_2)^2 + c x_1^2$ 这种形式。
只要 $c > 0$，那肯定正定。
如何保证 $c > 0$？这就需求看主对角线的元素符号和主对角线乘积大于主对角线平方和。 好办来说，对于 $2 times 2$ 矩阵，正定的充要条件就是 $a_{11} > 0$ 且 $a_{22} > 0$ 且 $a_{11}a_{22} - a_{12}^2 > 0$。
既然 $a_{12}^2 ge 0$，且 $a_{12}^2 le a_{12}a_{22}$（要是 $a_{12}$ 在中间），那么 $a_{11}a_{22} - a_{12}^2$ 就小于 $a_{11}a_{22}$。
故此只要保证 $a_{11}a_{22} > epsilon$ 这种形式，结合 $a_{11}a_{22} > a_{12}^2$，就自然知足了 $a_{11} > 0$ 和 $a_{22} > 0$。 这听起来有点绕，咱们不妨换个角度。对于 $n times n$ 的情况，我们能够通过 Gaussian Elimination（高斯消元）把它化成上三角矩阵。让对角线上全是 $1$ 的话，这就变成了判断系数 $a_{ii}$ 的符号。
既然 $a_{ii}$ 在消元过程中没有变成负的，且最终一个对角线元素为正，那所有前面的对角线元素自然也都大于零。 举个具体的 $3 times 3$ 的例子，比如那个著名的 $begin{pmatrix} 2 & 1 & 0 \ 1 & 2 & 1 \ 0 & 1 & 2 end{pmatrix}$。它的对角线全是 $2$，挺好。
接着看主对角线乘积和中间项的关系。
实际上不需求算出几百年的 $n$ 阶行列式公式了，只要看到主对角线元素都是正的，并且主对角线乘积大于主对角线平方和，这就充足了。对于 $3 times 3$，只要 $a_{11}a_{22}a_{33} - a_{11}^2a_{33} - a_{12}^2a_{33} - a_{22}^2a_{33} - dots$ 这种展开式能化简成正数，那就够了。但为了保险起见，我们还是老老实实用 Sylvester 准则，不过咱们不写名字，直接自己推导。 对于 $3 times 3$ 矩阵 $x^T A x$，通过配方，我们能够把它写成 $k x_1^2 + (gamma x_1 + delta x_2)^2 + (dots)^2$。
只要前一项系数 $k$ 为正，且剩下的局部和为正，那就行了。对于 $3 times 3$ 来说，这实际上就是要求 $a_{11} > 0$ 还有 $a_{11}a_{22}a_{33} - a_{11}^2a_{33} - dots > 0$。
这个多项式的根都是正的，故此只要它的常数项（也就是行列式的一局部）为正，所有根就都是正的。 故此，对于 $n times n$ 的矩阵，正定性的证明实际上就两步：第一步看主对角线元素是否全大于零，第二步看那个 $n$ 阶的行列式是否大于零。
要是这两个条件都知足，那就稳了。 最终总结一下，矩阵正定不是啥深奥的拓扑概念，它就是一场关于二次型能量的游戏。
只要你的矩阵能让所有非零的“能量扰动”都变成正向的，你就赢了。在考试要么做题的时候，看到矩阵，先算对角线，再算那个大行列式，要是都大于零，那就是正定。
不然呢？那就是“半定”，要么“不定”，那画面就惨了。 好了，今天的干货就讲到这里。别看理论推导看起来像是在玩文字游戏，但只要你记住“对角线为正、行列式为正”这两个口诀，矩阵正定这个事儿就彻底明白了。
不要再被那些教科书式的“起初、其次、最终”给绕晕了，实践出真知。
只要你能算出这个矩阵的特征值，要么验证它的二次型是否一直正的，你就掌握了核心。希望这些思路能帮你在未来的考试里少踩点坑，少犯低级毛病。
毕竟，分数才是咱们唯一的 KPI。加油，下次见。