1 定义与基本性质
1.1 负定矩阵的形式定义 实情形与复情形
设 \(A\in\mathbb{R}^{n\times n}\)。若对任意非零向量 \(x\)，都有 \[ x^\top A x<0, \] 则称 \(A\) 为负定矩阵。若在复数情形下 \(A\in\mathbb{C}^{n\times n}\)，通常要求 \(A\) 为厄米矩阵（满足 \(A^*=A\)），并用伴随转置表示二次型，则条件表述为：对任意非零向量 \(x\)，都有 \[ x^*Ax<0. \] 在实数与复数框架中，二次型的严格负值性刻画了“处处向下”的曲率方向。
1.2 与负半定矩阵、正定矩阵的关系
与负定相对应的是负半定：当对任意 \(x\) 都满足 \[ x^\top A x\le 0 \quad (\text{或 } x^*Ax\le 0) \] 且允许存在非零 \(x\) 使二次型取到 0 时，称为负半定矩阵。两者的差别集中在“严格不等号”是否能去除。
同理，正定矩阵要求对任意非零 \(x\)，二次型恒为正： \[ x^\top A x>0. \] 因此正定与负定可视为同一类几何性质在符号方向上的镜像。
1.3 几何直观：二次型的“严格向下”含义
将二次型 \(q(x)=x^\top A x\) 看作关于 \(x\) 的标量函数，其“曲率方向”由矩阵 \(A\) 决定。负定意味着除原点外任意方向上的二次型取严格负值：沿任何非零方向推离原点，函数值都向下偏移。换句话说，该二次型在原点附近没有“平坦的二阶方向”或“向上的拱起”，而是呈现一致的向下倾斜。
1.4 基本推论：唯一性与非零向量约束
负定的严格性带来多个直接后果。例如，若 \(A\) 为负定，则 \(x^\top A x=0\) 只能在 \(x=0\) 时发生，因此二次型的零值集合退化为单点。进一步地，由于二次型对所有非零向量都严格为负，矩阵 \(A\) 不会在某个非零方向上“失去曲率”，这与后续关于可逆性、秩以及行列式符号的结论相一致。
2 等价判定条件
2.1 通过特征值判别（谱定理视角）
当 \(A\) 是对称（实情形）或厄米（复情形）矩阵时，可以使用谱分解思想。此时存在正交（或酉）变换将 \(A\) 对角化，二次型在坐标变换后对应到特征值的加权和。由此可得等价判别：
- \(A\) 为负定 \(\iff A\) 的所有特征值均为负。
此判别是理论上最常用的等价条件之一，也为数值计算提供了清晰目标：只要确认特征值全部落在负半轴上即可。
2.2 通过二次型判别（定义的直接检验）
最直接的方法仍是回到定义：对所有非零 \(x\) 检查 \(x^\top A x<0\)。在实际操作中由于“所有向量”无法穷举，通常用此条件作为推理起点，或借助等价条件把全量检验转化为有限判据（如特征值、主子式等）。
2.3 主子式判别与符号规律（Sylvester 判别法）
对于对称矩阵，Sylvester 判别法给出基于主子式的判别规则。负定与正定的符号模式相对应：通过考察从左上角起的各阶主子式（leading principal minors）的符号，可以判定矩阵是否为负定。直观上，这些主子式相当于在逐步“剖分”空间时累计约束的符号一致性，从而保证二次型在每个维度上的严格向下行为。
2.4 与可逆性、秩和行列式的联系
负定矩阵必然可逆：若存在非零向量 \(x\) 使 \(Ax=0\)，则 \(x^\top A x=0\) 与负定的严格不等号相矛盾。因此负定矩阵的秩满（\(\mathrm{rank}(A)=n\)）。同时，由于特征值都为负，行列式等于特征值的乘积也会反映符号规律：在实对称情形下，\(\det(A)\neq 0\)，其符号随维度与负号个数的奇偶性而变化。
3 结构性刻画与分解方法
3.1 对称（或厄米）矩阵的特征分解
对称或厄米矩阵可以通过谱定理分解为“特征向量基”与“特征值对角阵”的组合。负定矩阵对应的分解中，所有对角元（特征值）都为负。该结构性结果使得二次型的符号可以直接读出：在特征向量坐标系下，二次型变为特征值的加权和，而负定保证所有权重的符号一致性（特征值全为负）。
3.2 负定矩阵的标准形与坐标变换
在适当的坐标变换下，负定矩阵可化为对角的标准形。一般可将其表示为 \[ A = -Q^\top D Q \] （实情形为正交矩阵 \(Q\)，复情形为酉矩阵并用伴随转置），其中 \(D\) 为正对角矩阵（对应 \(-A\) 的正特征值）。该标准形强调负定本质上等价于“负号乘上正定结构”，从而把复杂的二次型问题转化为符号清晰的对角情形。
3.3 类 Cholesky 的分解思路（通过符号变换转化）
Cholesky 分解常用于判定与分解正定矩阵。对负定矩阵，可通过符号变换引入类似分解思路：若 \(A\) 负定，则 \(-A\) 为正定，因此 \(-A\) 可作 Cholesky 分解。将其还原回 \(A\)，即可得到负定矩阵的“近似 Cholesky”形式。此类分解在数值计算中常用于稳定地验证曲率条件，并在迭代算法中提供高效的实现路径。
3.4 与 SVD/特征值分解的比较适用性
- 特征值分解更贴合负定判别，因为负定与“特征值全为负”直接对应（对称/厄米前提下）。
- SVD（奇异值分解）主要反映矩阵的“能量/放缩”而非直接的符号信息；对非正态或非对称情形，SVD 很难单凭奇异值推出二次型的严格负性。
因此在需要判断 \(x^\top A x\) 的符号性质时，对称/厄米假设下的特征值分解通常更直接，而在实现层面 Cholesky 型分解常更高效。
4 运算与保持性（代数性质）
4.1 尺度变换：乘以正数/负数的影响
设 \(c\in\mathbb{R}\)。若 \(A\) 负定：
- 当 \(c>0\) 时，\(cA\) 仍负定，因为二次型整体按比例缩放，严格负号保留。
- 当 \(c<0\) 时，\(cA\) 变为正定：符号翻转导致二次型整体变正。
该规则说明负定与正定在标量乘法下相互转化，且严格性不会丢失。
4.2 加法与线性组合：哪些情形仍保持负定
一般情形下，两个负定矩阵的和仍是负定：若 \(A,B\) 负定，则对任意非零 \(x\)，有 \[ x^\top(A+B)x=x^\top Ax + x^\top Bx<0+0<0, \] 因此 \(A+B\) 仍负定。更一般地，当线性组合的系数保持为正（即 \( \alpha_i>0\) 且各被加矩阵负定），和式仍保持负定。反之，若出现负系数，符号可能抵消，负定性不再有普遍保证。
4.3 相似变换不变性（合同变换与一致性）
负定性在合同变换下保持：若 \(A\) 为负定且 \(M\) 为可逆矩阵，则 \[ M^\top A M \] 仍为负定。其原因是令 \(y= Mx\)，当 \(x\neq 0\) 时必有 \(y\neq 0\)，于是 \[ x^\top(M^\top A M)x = (Mx)^\top A (Mx) = y^\top A y<0. \] 这类不变性说明负定是“与坐标系统无关”的几何性质，而不是某种特定基下的偶然现象。
4.4 主子矩阵与 Schur 补：局部性质推导
负定矩阵的性质往往能在局部结构中传递。主子矩阵（由选择若干行列构成的对应子阵）在合适条件下仍保持负定或给出“半定”的边界结论。进一步地，利用 Schur 补可以把大矩阵的判定转化为对分块部分的判别：当某个分块可逆且整体满足严格曲率要求时，Schur 补会继承相应的负定性。该思路在证明与算法分块求解中很常见。
5 与优化与数值分析的联系
5.1 凹函数的二阶判别：Hessian 为负定的含义
在优化中，目标函数的二阶性质由 Hessian（海森矩阵）刻画。若某个二次可微函数 \(f(x)\) 在点附近满足 Hessian 为负定，则 \(f\) 在该点呈现严格凹性，从而对应“唯一的局部最优极大结构”（在极大值语境下）。因此负定矩阵常被视为“二阶凹性”的代数条件。
5.2 二次规划中的可行性与最优性直觉
二次规划涉及二次目标或二次约束。若目标的二次项矩阵为负定，则目标为凹函数（在适当条件下），从而最优性分析更倾向于“寻找最大化”的结构；若约束侧的二次形式满足对应的曲率方向，则可获得可行域的形状控制。负定条件通常对应问题的几何形态更“单峰/碗状”，便于理论和算法收敛性质的讨论。
5.3 牛顿法/拟牛顿法中的曲率条件
在牛顿法或拟牛顿法中，需要利用 Hessian 或其近似来构造搜索方向。若在迭代点处的 Hessian（或近似矩阵）为负定，则在最大化问题中可以得到满足曲率需求的步长方向；在最小化问题则需要正定或半正定的类似条件（符号约定会影响判据）。因此负定并非只属于理论：它常直接决定迭代方向是否“朝着正确的二阶形状”更新。
5.4 数值判别：容差、稳定性与误差来源
实际计算中往往遇到数值误差与舍入误差。特征值是否“严格小于 0”不一定能在浮点环境下完美体现，因此需要设置容差：例如将绝对值很小的特征值视为接近 0，从而避免把本应“负半定”误判为“负定”或相反。分解算法（特征值、Cholesky 型、Schur 补）也会引入误差传播，判定时通常结合条件数、残差以及迭代稳定性综合评估。
6 应用示例与典型计算
6.1 二次型示例：从 \(x^\top A x\) 判断负定
考虑给定对称矩阵 \(A\)。要验证其负定性，可以先把 \(x^\top A x\) 展开成关于 \(x\) 的二次表达式。若能证明对任意非零 \(x\) 该表达式恒为负，则负定得证。常见做法是将二次型配方或利用变量替换把表达式化为“负的平方和”形式，从而直接观察严格负号。
6.2 2×2 与 3×3 情形的判别练习
在低维情况下，主子式判别或特征值符号检验更容易手算。例如对 \(2\times 2\) 对称矩阵，可以通过首阶主子式与二阶主子式的符号规则快速判定；对于 \(3\times 3\) 则需要考察更全面的主子式符号一致性。练习时通常强调：必须同时满足“所有阶次的判据”，单看某些元素的正负并不能推出结论。
6.3 参数化矩阵的“参数区间”求解
当矩阵含参数（如 \(A(\theta)\)）时，负定性往往转化为“参数满足某些不等式”的集合。具体流程是：选择一种等价判别（如特征值符号或主子式符号），把判别条件写成对参数的代数不等式，然后解出参数区间。最终得到的区间描述了矩阵随参数变化时曲率方向保持一致的范围。
6.4 将结论转化为工程可解释量
在应用里，负定矩阵常被解释为系统在某种能量或成本函数下具有“向下的曲率”。例如在信号处理或几何建模中，二次型可能代表局部度量的离散形式；负定则对应度量在变化方向上总是减少、形成“凹形盆地”。把抽象判别与可观测量建立对应关系，有助于工程人员用直觉校验计算结果。
7 相关概念与扩展
7.1 负半定矩阵与“非严格”判别
负半定与负定的核心差异在于允许出现零曲率方向。也就是说，除非零向量外存在某些方向使二次型等于 0。该情况常导致优化中出现“平坦谷底”或非唯一性：极值可能不再严格唯一，而是沿某些方向保持同一函数值。
7.2 不定矩阵：混合符号特征的情形
若对称矩阵既有正又有负特征值，则称为不定矩阵。此时二次型在不同方向上的符号会发生变化，几何形态类似“马鞍面”，对应优化问题中可能出现鞍点或方向性极值冲突。理解不定性有助于避免把局部曲率误当作全局形态。
7.3 矩阵不等式与 LMI 的基本关系（概览层面）
矩阵不等式（如 \(A\prec 0\) 表示负定）是线性矩阵不等式（LMI）理论的基础组成部分。LMI把矩阵条件转换为可以被系统性求解的方法框架，从而服务于控制、滤波与工程优化等领域。就概览而言，负定矩阵作为 LMI 中常见的不等号对象，为设计与可行性判断提供了标准语言。
7.4 复数域上的厄米负定矩阵
在复数域中，负定条件通常仍以二次型 \(x^*Ax\) 的严格负性定义，并要求 \(A\) 为厄米矩阵以保证二次型为实标量且可用于判别。厄米负定矩阵的谱性质与实对称情形相类：其特征值全为负，从而维持相同的几何与优化解释。
8 常见误区与小抄
8.1 负定不等于元素全为负（反例提醒）
很多人容易把“负定”误认为矩阵每个元素都为负。事实上，负定取决于二次型 \(x^\top A x\) 的整体符号，而不是单个条目的符号。一个矩阵可以含有正元素，但只要二次型对任意非零向量都严格为负，它仍可能是负定。
8.2 “对称/厄米”条件的重要性
若不满足对称或厄米条件，二次型 \(x^\top Ax\) 的几何含义可能不再与谱性质直接对应。多数等价判别（如“特征值全为负”）依赖对称/厄米结构。因此在使用判别条件前，先确认矩阵的结构前提是关键步骤。
8.3 判别用错条件的后果（主子式与特征值）
将 Sylvester 判别法与维数阶次对应错误，或在数值计算中把接近零的特征值误当作严格负值，都可能导致把负半定误判为负定，或将真实负定判成不成立。这会影响优化算法的曲率判断、收敛速度甚至可行性分析的正确性。
8.4 记忆小技巧：负定、半定与特征值符号的对应规则
便于记忆的对应关系可总结为：在对称/厄米情形下，负定对应“特征值全部严格为负”，负半定对应“特征值不大于零”，不定则对应“特征值存在正负混合”。若再配合“严格不等号 ↔ 只有零向量能使二次型为 0”的直观，可以在推理与检查时减少混淆。