如何通过行列式判断矩阵是否正定？

Question

如何通过行列式判断矩阵是否正定？一个常见的技术问题是：是否所有顺序主子式（即左上角各阶子矩阵的行列式）均为正，就能判定一个实对称矩阵是正定的？许多初学者误认为只需检查整个矩阵的行列式为正即可，但实际上必须全部前 $ k \times k $ 阶顺序主子式行列式大于零（$ k = 1, 2, \dots, n $）。例如，一个 $ 3\times3 $ 矩阵需满足一阶、二阶和三阶顺序主子式全为正。这一条件与 Sylvester 准则等价，但若矩阵非对称或未验证所有主子式，则可能导致错误判断。

Answer 1

1. 基础概念：正定矩阵的定义与背景

在数值计算、优化理论和机器学习等领域，正定矩阵扮演着至关重要的角色。一个 n×n 实对称矩阵 A 被称为正定，当且仅当对于任意非零向量 x ∈ ℝⁿ，都有：

x^TAx > 0

这一性质保证了二次型函数的严格凸性，在梯度下降、牛顿法等算法中至关重要。判断矩阵是否正定的方法有多种，包括特征值法、Cholesky 分解以及本文重点讨论的——基于行列式的 Sylvester 准则。

2. 行列式视角：顺序主子式的引入

行列式是线性代数中的核心工具之一。对于正定性的判定，我们关注的是矩阵的顺序主子式（leading principal minors），即从左上角开始的 k×k 子矩阵的行列式。设矩阵 A 的第 k 阶顺序主子式为 Dₖ，则 Sylvester 准则指出：

• 若 A 是实对称矩阵，则 A 正定 ⇔ 所有 Dₖ > 0 （k = 1, 2, ..., n）

注意，这里强调“所有”而非“仅最后一个”。许多初学者误以为 det(A) > 0 就足够，但这是错误的。例如以下反例：

矩阵 A	det(A)	是否正定？
[[2, -3], [-3, 4]]	8 - 9 = -1	否
[[1, 2], [2, 1]]	1 - 4 = -3	否（尽管一阶主子式为1>0）
[[2, 1], [1, 2]]	4 - 1 = 3 > 0	是（D₁=2>0, D₂=3>0）

3. 深入分析：Sylvester 准则的数学逻辑

Sylvester 准则的本质在于将正定性转化为可计算的代数条件。其证明依赖于数学归纳法与合同变换理论。关键步骤如下：

1. 实对称矩阵可通过正交对角化表示为 A = QΛQᵀ
2. 正定性等价于所有特征值 λᵢ > 0
3. 而顺序主子式全正可递推地构造出 Cholesky 分解 A = LLᵀ
4. 因此，Dₖ > 0 成为存在性与唯一性的充要条件

这说明行列式条件不仅实用，而且具有坚实的理论基础。然而，该准则。若矩阵不对称，即使所有顺序主子式为正，也不能保证正定性。

4. 常见误区与边界情况分析

在工程实践中，开发者常犯以下几类错误：

graph TD
    A[输入矩阵] --> B{是否对称?}
    B -- 否 --> C[不能使用Sylvester准则]
    B -- 是 --> D[计算各阶顺序主子式]
    D --> E[全部大于0?]
    E -- 是 --> F[正定]
    E -- 否 --> G[非正定]

• 误区一：认为 det(A) > 0 即可判定正定 —— 忽视低阶主子式可能导致误判
• 误区二：将 Sylvester 准则应用于非对称矩阵 —— 如 [[1, 3], [0, 1]]，其 D₁=1, D₂=1，但并非正定
• 边界情况：半正定矩阵（允许 Dₖ ≥ 0）需用其他方法验证，如特征值非负

5. 实际应用：代码实现与性能考量

在 Python 中，我们可以编写函数自动验证 Sylvester 准则：

import numpy as np

def is_positive_definite_sylvester(A):
    if not np.allclose(A, A.T):  # 检查对称性
        return False
    n = A.shape[0]
    for k in range(1, n+1):
        sub_matrix = A[:k, :k]
        if np.linalg.det(sub_matrix) <= 0:
            return False
    return True

# 示例测试
A = np.array([[2, -1, 0],
              [-1, 2, -1],
              [0, -1, 2]])
print(is_positive_definite_sylvester(A))  # 输出: True

虽然该方法直观，但在高维场景下计算多个行列式成本较高（O(n⁴)）。更高效的替代方案是尝试 Cholesky 分解（O(n³)），若成功则直接判定正定。

6. 多维度对比：不同判定方法的适用场景

方法	复杂度	适用条件	优点	缺点
Sylvester 准则	O(n⁴)	实对称矩阵	理论清晰，易于理解	计算开销大
特征值法	O(n³)	任意方阵	结果精确	对病态矩阵敏感
Cholesky 分解	O(n³)	正定或半正定	高效且具构造性	失败不提供原因
Gershgorin 圆盘法	O(n²)	估计谱范围	快速粗略判断	只能给出充分条件

在实际系统设计中，建议优先采用 Cholesky 分解作为默认路径，辅以 Sylvester 准则用于教学解释或调试验证。