第6章 二次型
> 🧭 **先看路牌，再看内容**（30秒，防止"背规矩不知干嘛"）
>
> **你在整本书的哪里**：这是第 6 章（共 6 章），也是**全书收官**。整本线代讲"**变形**"。本章是第 5 章特征值理论的"应用篇"：**用特征值这把手术刀，剖开一个曲面（橡皮泥）的形状，看清它多鼓多瘪、往哪鼓。**
>
> - 📍 **本章角色**：全书的"收官应用"——把二次型（全是平方项和交叉项的公式）翻译成对称矩阵，用特征值分析形状。**前 5 章所有工具在这里汇合。**
> - 🎯 **学完能干嘛**：把二次型化成标准形（配方法/正交变换法）；判断正定/负定（正惯性指数）；看清"歪椭圆"的真实形状。
> - 🔗 **和前后章的关系**：第5章的特征值/特征向量是本章的手术刀；本章让前面所有知识"找到用武之地"。
> - 🎬 **本章直觉（一句话）**：二次型 = 描述"拉橡皮泥"的公式；正交变换 = 一副"矫正眼镜"，把歪的椭圆扶正，看清它多鼓多瘪。
> 🔔 **课前激活**（花30秒想想再往下读）
>
> 想象一块橡皮泥放在坐标纸上。你从左右和上下两个方向拉它——左右拉会变宽，上下拉会变长。但如果同时从多个方向拉，橡皮泥可能被"斜着扯"变形。二次型就是描述这种"拉伸和交叉拉扯"的数学公式。而本章的核心是：**有没有一个办法，把你拉的方向"转正"，让所有的拉扯都变成沿着正方向的纯拉伸？**
>
> 答案是：能。**正交变换就是那副"矫正眼镜"**——它把歪着的椭圆"扶正"，让你看清曲面的本来面目。
>
> 这是线性代数的最后一章。前面学的行列式、矩阵、方程组、特征值全部会在这里汇合。二次型本质上是把前面所有知识串起来的一个应用。
---
> 🧭 **从哪来——第5章到第6章的桥梁**
第5章我们学会了看透一个矩阵的"骨骼结构"——特征值和特征向量。就像给一个人拍X光片，我们能看到骨头往哪些方向长、每个方向上拉得多长。
有了这副X光眼之后，一个很自然的问题是：**能不能用它来分析一个曲面的形状？**
想象你手里有一个橡皮泥捏的椭圆球。你想知道它"哪边鼓、哪边凹、鼓多少、凹多少"。如果你把描述这个曲面的公式写下来，你会发现它恰好是一个二次型——全是变量的平方项和交叉乘积项。然后你把这个公式"翻译"成一个对称矩阵，再用第5章的特征值工具去分析这个矩阵——特征值告诉你每个方向的弯曲程度，特征向量告诉你弯曲的方向。整个第6章就是在做这件事。
所以这一章不是"新知识"，而是**第5章特征值理论在"研究弯曲形状"上的应用**。你前面学的一切——行列式算可逆、矩阵做容器、向量搭骨架、方程组解未知数、特征值看本质——全部在这一章找到了用武之地。
> 📌 **学完这章你能回答：**
> - 二次型的公式里为什么同时有"平方项"和"交叉项"？它们分别描述了什么？
> - 怎么把一个"歪着"的椭圆通过旋转坐标轴"扶正"？
> - 什么叫"正定"？怎么判断一个二次型是不是正定的？
> - 正交变换法和配方法各在什么时候用？
> - 二次型和前面五章之间是什么关系？
---
## 本章考什么
二次型是线性代数的"大汇演"——前面五章的知识全部汇聚于此。
| 题型 | 考频 | 常考题型 | 难度 |
|------|:----:|----------|:----:|
| 写出二次型的矩阵 | ⭐⭐⭐ | 选择/填空/解答（大题第一步） | ★ |
| 配方法化标准形 | ⭐⭐ | 填空/解答 | ★★ |
| 正交变换法化标准形 | ⭐⭐⭐ | 解答（大题，11分） | ★★★ |
| 惯性指数与规范形 | ⭐⭐ | 选择/填空 | ★★ |
| 正定性的判别 | ⭐⭐⭐ | 选择/填空/解答 | ★★★ |
| 合同矩阵的判断 | ⭐⭐ | 选择 | ★★ |
---
## 二、核心知识与解题方法
### 📦 知识块A：二次型基础与标准形
> 📌 这块学完你就能回答：
> - 二次型的公式里为什么同时有"平方项"和"交叉项"？它们分别描述了什么？
> - 怎么把带交叉项的二次型写成对称矩阵？（交叉项系数为什么要除以2？）
> - 正交变换法和配方法怎么化标准形？各在什么时候用？
> - 标准形和规范形的区别是什么？哪个是唯一的？
### 0. 发生式第一课：二次型是怎么被发明的？（先读这一节！）
> 🔔 **这一节回答你最想问的问题**：为什么最后一章要学"二次型"？它是不是又一个人为定义？
>
> **答案一句话：二次型是"描述曲面/曲线形状"时自然长出来的公式——而它的核心问题"化标准形"，就是在回答'这个曲面到底多鼓多瘪、往哪鼓'。** 跟着发现一遍。
#### 第一步：一个现实问题——怎么描述一个歪的椭圆？
想象你面前有一个椭圆。它可能是：
- **正的椭圆**：横着放，x 方向长、y 方向短 → 公式很简单：$\frac{x^2}{a^2} + \frac{y^2}{b^2} = 1$（只有平方项）
- **歪的椭圆**：斜着放，转了一个角度 → 公式里就会出现"交叉项"：$ax^2 + bxy + cy^2 = 1$（那个 bxy 就是"歪"的标志）
> 🛑 **停下来想一想**：正椭圆为什么"正"？因为它的"对称轴"正好是 x 轴和 y 轴。歪椭圆为什么"歪"？因为它转了个角度，对称轴不再是坐标轴了。
>
> **二次型 = 描述这种"拉扯+歪斜"形状的公式**。平方项描述"正着拉多少"，交叉项描述"歪着扯多少"。
#### 第二步：核心问题——把歪的扶正（化标准形）
歪椭圆看着费劲，能不能"转正"它？——**能！换一个坐标系（旋转坐标轴），歪椭圆在新坐标系里就变回正椭圆**，公式只剩平方项，交叉项消失了。
> 🛑 **这就是"化标准形"的来路**：不是人为要求的化简游戏，而是**"把歪的椭圆转正，看清它本来面目"**。交叉项 = 坐标轴歪了；消除交叉项 = 把坐标轴转到椭圆的对称轴方向。
#### 第三步：用什么转？——第5章的特征向量（收官汇合）
问题来了：怎么找到"该转的角度"？——**第5章学的特征值/特征向量就是答案：**
- 椭圆的对称轴方向 = 二次型矩阵的**特征向量**（变形中方向不变的方向）
- 每个方向鼓多少 = 对应的**特征值**
**第6章 = 第5章特征值理论在"分析曲面形状"上的应用**。前5章学的行列式、矩阵、向量、方程组、特征值，全部在这一章汇合。
> ✅ **本节收获自检**（能答上来才算过）：
> - 二次型描述什么？（曲面/曲线的形状：拉扯+歪斜）
> - 平方项和交叉项分别描述什么？（正着拉多少 / 歪着扯多少）
> - "化标准形"是在干嘛？（把歪的椭圆转正，看清本来面目）
> - 用什么转正？（第5章的特征向量——椭圆的对称轴方向）
> 📖 **接下来**：1.1 节用"橡皮泥"比喻确认二次型是什么，1.2 节教你怎么把二次型写成矩阵（对称矩阵）——你已经知道它从哪来了，后面全是"怎么算"。
### 1.1 什么是二次型？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你面前有一块橡皮泥。你分别从左右和上下两个方向拉它——左右拉会变宽，上下拉会变长。但如果同时拉，橡皮泥可能被"斜着扯"变形。
> 📌 **这节学完你就能回答：**
> - 二次型的公式里为什么同时有"平方项"和"交叉项"？它们分别描述了什么？
> - 两个变量的二次型画出来是什么形状？三个变量呢？
> - 二次型和之前学的行列式、矩阵有什么关系？
#### 先想一个场景：橡皮泥被"斜着扯"了
把一块橡皮泥放在坐标纸上。你只从左右拉——它会沿着 x1 方向变宽，这就是 `x1²` 的意思（沿着 x1 方向纯拉伸）。你只从上下拉——它会沿着 x2 方向变长，这就是 `x2²` 的意思。可是如果你同时从好几个方向拉，橡皮泥就会被**斜着扯**变形——这就是 `x1·x2` 的意思。
**难在哪？** 平拉和竖拉都好描述（各自是平方项），但"斜着拉"怎么用数学写下来？它同时牵扯到 x1 和 x2 两个方向——这就是为什么会出现 `x1·x2` 这种"交叉乘积项"。橡皮泥上所有的"纯拉伸"和"交叉拉扯"加起来，就是**二次型**。
**💬 生活比喻**：
想象你在捏一块橡皮泥。**二次型就是描述"橡皮泥各方向拉伸和交叉拉扯"的公式**。
具体来说：
- `x1²` 意思是"沿着 x1 方向纯拉伸"
- `x2²` 意思是"沿着 x2 方向纯拉伸"
- `x1·x2` 意思是"x1 方向和 x2 方向互相拉扯"
二次型就是所有这些"纯拉伸"和"交叉拉扯"的总和。
**📖 几何直觉**：
- **两个变量的二次型**：`f = a·x1² + b·x1·x2 + c·x2²`，在平面上画出来是一个**椭圆（或双曲线、抛物线）**
- **三个变量的二次型**：在空间中画出来是一个**椭球面（或双曲面）**
**🔑 一句话记住**：二次型 = 多个变量的平方项 + 交叉乘积项的总和。
> 🛑 **停下来想一想**：如果二次型只有平方项、没有任何交叉项，它在平面上画出来是什么形状？和带交叉项的区别是什么？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用自己的话解释：为什么 `x1·x2` 叫"交叉拉扯"？
> **❷ 深度思考** — 生活中还有哪些"交叉影响"的例子？
> **❸ 考试演练** — 判断：`f = x1 + x2² + x1·x3` 是不是二次型？为什么？
📖 点击查看参考答案
**❶ 参考答案**：x1·x2 叫"交叉拉扯"是因为它同时涉及 x1 和 x2 两个方向——它不是单纯地在一个方向上拉橡皮泥，而是"斜着拉"。系数为正时，同增同减会让 f 变大；系数为负时，一个增大另一个减小会让 f 变大。就像两个人拉一块布——同方向拉和反方向拉，形状变化完全不同。
**❷ 参考答案**：学习时间——数学花 x1 小时、英语花 x2 小时。x1² 表示数学"越学越有效率"，x1·x2 表示数学和英语的交叉影响。做菜——盐 x1 克、糖 x2 克，x1·x2 是咸甜搭配的"化学反应"（盐能提甜）。
**❸ 参考答案**：不是二次型。因为 x1 只是一次项（变量出现次数为 1），二次型要求**每一项中变量出现的总次数都是 2**。
---
### 1.2 二次型怎么用矩阵表示？（本章最重要的基本功！）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 如果你有一张快递单，上面记录了一个包裹的：发件人、收件人、重量、地址、保价金额……你会怎么整理这些信息？大概率是一张表格。一个二次型里也有很多"信息"——每个平方项的系数、每个交叉项的系数。想一想：怎么把这些零散的数字也整齐地写进一张"方表格"里？
> 📌 **这节学完你就能回答：**
> - 二次型写成矩阵，交叉项系数为什么要除以 2？
> - 从矩阵反推回二次型时，非对角线元素为什么要乘以 2？
> - 为什么二次型的矩阵一定是对称的？
#### 先看一道题：把 f = x1² + 4x1·x2 + 3x2² 写进"表格"
看到这题，先别慌。我们已经知道二次型由"平方项 + 交叉项"组成，可**怎么把这一串零散的数字装进一张方表格？难在哪？** ——平方项 x1² 和 x2² 各有一个"主人"（x1 自己、x2 自己），好办；可交叉项 4x1·x2 有**两个主人**（x1 和 x2），到底算谁的？
🧠 这一步在想什么：**先猜一种写法的后果**。如果把交叉项系数 4 原样写进表格，比如写成 $\begin{bmatrix} 0 & 4 \\ 0 & 0 \end{bmatrix}$——用矩阵乘法算一下：[x1, x2] · $\begin{bmatrix} 0 & 4 \\ 0 & 0 \end{bmatrix}$ · $\begin{bmatrix} x1 \\ x2 \end{bmatrix}$ = 4·x2·x1 = 4x1x2，竟然也还原出来了！可是……这个矩阵不对称，而且还有别的写法 $\begin{bmatrix} 0 & 1 \\ 3 & 0 \end{bmatrix}$、$\begin{bmatrix} 0 & 3 \\ 1 & 0 \end{bmatrix}$ 都能还原出 4x1x2——**同一个二次型对应无数个矩阵，乱套了**。
🔍 回头看看：为了让"一个二次型 ↔ 一个矩阵"一一对应，考研约定**必须写对称矩阵**。而对称之后，交叉项系数就要**一人分一半**：4x1x2 的系数 4 劈成两半，一半放 (1,2)，一半放 (2,1)——每个位置写 2。这样 (1,2) 和 (2,1) 都是 2，矩阵对称，展开后恰好是 2x1x2 + 2x2x1 = 4x1x2，完美还原！
**💬 生活比喻**：
就像快递单上把包裹的所有信息都写在一张表格里一样——**二次型的所有信息（每个平方项的系数、每个交叉项的系数）也可以写在一张正方形的表格（矩阵）里**。并且，为了让"双人抬"的交叉项公平分配，我们把交叉项的系数**一人分一半**。
**📖 正式规则**（三步走）：
```
第一步：平方项 x_i² 的系数 → 放在矩阵的第 i 行第 i 列（对角线位置），原样照抄
第二步：交叉项 x_i·x_j 的系数 → 砍一半，一半放 (i,j) 位置，另一半放 (j,i) 位置
第三步：矩阵必须是对称的（第 i 行第 j 列 = 第 j 行第 i 列），如果不是，说明写错了
```
**⚠️ 最容易错的地方（交叉项系数取半）**：
很多同学看到交叉项系数是 4，就直接把 4 写在矩阵里。**这是错的！**
规则：交叉项 x_i·x_j 的系数，在写矩阵时**必须除以 2 再放进去**（因为矩阵的 (i,j) 位置和 (j,i) 位置各放一半，加起来才等于原来的系数）。
**📝 举例**：
把 `f = x1² + 4·x1·x2 + 3·x2²` 写成矩阵：
```
x1² 的系数 → 1 → 放在 (1,1) 位置
x2² 的系数 → 3 → 放在 (2,2) 位置
x1·x2 的系数 → 4 → 砍半 → 2 → 放在 (1,2) 和 (2,1) 位置
矩阵 A = [1 2]
[2 3]
```
**验证**：[x1, x2] · A · $\begin{bmatrix} x1 \\ x2 \end{bmatrix}$ = x1² + 2x1x2 + 2x2x1 + 3x2² = x1² + 4x1x2 + 3x2² ✓
**🔑 口诀**："平方系数照抄对角，交叉系数对半分两边。"
✍️ **立刻练一道**（趁热打铁，30 秒做完）：写出 `f = x1² - 2x1x2 + 4x2²` 的矩阵。（答案：A = $\begin{bmatrix} 1 & -1 \\ -1 & 4 \end{bmatrix}$，验证见本节后面的题6-1。）
> 🛑 **停下来想一想**：如果我把 `f = 2x1² + 6x1x2 + 4x2²` 写成矩阵，请问 (1,2) 位置应该填几？如果是 6 的话——请你用矩阵乘法验证一下，算出来的二次型还是原来的 f 吗？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 把 `f = 3x1² - 2x1x2 + x2²` 写成矩阵。写完自己用矩阵乘法验证一遍。
> **❷ 深度思考** — 如果我把交叉项在矩阵里写成"3 和 1"（加起来也是 4），为什么说这种写法"不公平"？
> **❸ 考试演练** — 已知对称矩阵 A = $\begin{bmatrix} 2 & -1 \\ -1 & 5 \end{bmatrix}$，写出对应的二次型。
📖 点击查看参考答案
**❶ 参考答案**：
平方项：3x1² → (1,1)=3；x2² → (2,2)=1
交叉项：-2x1x2 → 系数-2，取半得-1 → (1,2)=(2,1)=-1
```
A = [3 -1]
[-1 1]
```
验证：[x1,x2]·$\begin{bmatrix} 3 & -1 \\ -1 & 1 \end{bmatrix}$·$\begin{bmatrix} x1 \\ x2 \end{bmatrix}$ = 3x1² - x1x2 - x2x1 + x2² = 3x1² - 2x1x2 + x2² ✓
**❷ 参考答案**：写成"3 和 1"虽然加起来也是 4，但 (1,2)≠(2,1)，矩阵不对称了。后果是同一个二次型可以对应无数个矩阵（只要 (i,j)+(j,i)=交叉项系数就行），那"二次型的矩阵"就没有唯一标准答案了。考研规定必须写对称矩阵，就是为了建立"一个二次型 ↔ 一个矩阵"的一一对应关系。
**❸ 参考答案**：反向操作——对角线直接抄，非对角线乘 2。
(1,1)=2 → 2x1²；(2,2)=5 → 5x2²；(1,2)=-1 且 (2,1)=-1 → x1x2 系数=2×(-1)=-2。
答案：**f = 2x1² - 2x1x2 + 5x2²**。
---
### 1.3 为什么表示二次型的矩阵一定是对称矩阵？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 两个人一起搬一张桌子——桌子重量是 20 公斤。如果一个人扛 15 公斤、另一个人扛 5 公斤，虽然加起来也是 20 公斤，但这种分配"不公平"。二次型写矩阵的时候，交叉项也面临同样的问题。
> 📌 **这节学完你就能回答：**
> - 为什么我们约定二次型的矩阵必须是对称的？
> - 不对称的矩阵能不能表示同一个二次型？如果能，有什么坏处？
> - 考研中"写出二次型的矩阵"默认要求什么？
#### 先想一个困境：同一个二次型，怎么会有"无数张身份证"？
上节结尾我们瞥见了一个怪现象：二次型 `f = 2x1·x2`，居然可以写成 $\begin{bmatrix} 0 & 2 \\ 0 & 0 \end{bmatrix}$、$\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$、$\begin{bmatrix} 0 & 3 \\ -1 & 0 \end{bmatrix}$……一堆完全不同的矩阵，而且每个都能展开还原成 2x1x2！
**难在哪？** 一个二次型对应一堆矩阵——就像同一个人有无数张不同的身份证，考试对答案时"谁写的都对"，完全乱套。怎么把这个乱局收住？
🧠 这一步在想什么：**观察乱从何来**。展开后交叉项系数 = a₁₂ + a₂₁。两个位置加起来等于 2，就有无数种拆法——这是"两个未知数一个方程"在捣乱。**要让写法唯一，就强制要求 a₁₂ = a₂₁**（对称）。对称后交叉项系数 = 2a₁₂，于是 a₁₂ = a₂₁ = 原始系数的一半——每个二次型就只有一个唯一的矩阵了。
🔍 回头看看：**对称不是"天生如此"，而是"唯一表示"逼出来的必然选择**。这正是本章的地基。这也是为什么考试里写矩阵时，交叉项系数必须"除以 2"——根源就在这里。
**💬 生活比喻**：
交叉项 x1·x2 就像是两个人一起抬一个箱子——重量要公平分配，两个人各承担一半。而对称矩阵就是"公平分配"的写法。
**📖 正式解释**：
任何一个二次型都可以写成 `XᵀAX` 的形式。虽然同一个二次型对应的 A 不唯一，但**我们约定 A 是对称矩阵**后，这个对应关系就变成**一对一**了。
**考研规矩**：题目说"写出二次型的矩阵"，不特别说明的话，就是写**对称矩阵**。
✍️ **立刻练一道**：判断题——二次型 `f = 4x1x2` 可以写成哪些 2×2 矩阵？至少写出两个。为什么考试只认对称的那个？（答案：可以写成 A₁ = $\begin{bmatrix} 0 & 4 \\ 0 & 0 \end{bmatrix}$、A₂ = $\begin{bmatrix} 0 & 2 \\ 2 & 0 \end{bmatrix}$ 等，只要 (1,2)+(2,1)=4；规定取对称矩阵后，只有 A₂ 是唯一正确答案。详见下面的思考题❶。）
> 🛑 **停下来想一想**：如果考试中有人把 `f = 2x1x2` 的矩阵写成 $\begin{bmatrix} 0 & 2 \\ 0 & 0 \end{bmatrix}$——这个矩阵不对称，但它算出来的 XᵀAX 确实等于 2x1x2。这个人"数学上"没错，但"考试上"错了——你知道为什么吗？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 二次型 `f = 4x1x2` 可以写成哪些 2×2 矩阵？至少写出两个。为什么只取对称的那个？
> **❷ 考试演练** — 判断题："二次型 f = XᵀAX 中，A 必须是对称矩阵。"这句话对吗？
📖 点击查看参考答案
**❶ 参考答案**：f = 4x1x2 可以写成 A₁ = $\begin{bmatrix} 0 & 4 \\ 0 & 0 \end{bmatrix}$（不对称），A₂ = $\begin{bmatrix} 0 & 2 \\ 2 & 0 \end{bmatrix}$（对称）等等。只要 (1,2)+(2,1)=4 即可。规定取对称矩阵后，只有 A₂ 是正确答案——建立了唯一对应关系。
**❷ 参考答案**：在二次型理论中，我们总是假设 A 是实对称矩阵——因为不对称的矩阵不讨论正定、合同等性质。考研中"二次型的矩阵"指的就是那个唯一的对称矩阵。
---
### 🔬 灵魂定理①：为什么二次型一定能写成 f = xᵀAx，且 A 一定是对称的？
> 这是整个二次型理论的"地基定理"——没有它，后面合同、标准形、正定这些概念全都架不起来。前面 1.2 和 1.3 讲了"怎么做"（操作规则），这里讲清楚"为什么必须这样做"。你已经自己发现了"对称 = 唯一表示"的直觉，这里把这个直觉升级成严格的数学证明。
**① 🏠 生活场景：一张快递单的"两面记录法"**
快递单上记录了包裹的多种信息——发件人、收件人、重量、保价金额。现在想象一张特殊的快递单：只有"寄出"和"收到"两个方向，而且每一项信息都被记录了两遍——寄出方向写一遍，收到方向也对称地写一遍。二次型的矩阵表示就是这个"双面快递单"——所有平方项写在表格的对角线上（自己对自己），所有交叉项对半分写在对称的两个位置（互相都能看到对方）。
**② 📖 正式陈述**
**条件**：给定 n 元二次型 f(x₁, ..., xₙ) = Σaᵢᵢxᵢ² + Σᵢ<ⱼ 2aᵢⱼxᵢxⱼ。
**结论**：
1. f 一定可以写成 f = xᵀAx 的形式，其中 x = (x₁, ..., xₙ)ᵀ，A 是 n×n 方阵。
2. 如果我们**强制要求** A 是对称的（Aᵀ = A），那么每个二次型 f 都**唯一对应**一个对称矩阵 A。
3. 推导出关键规则：平方项系数直接放在 aᵢᵢ（对角线），交叉项 xᵢxⱼ 的系数必须**对半劈开**——一半放 aᵢⱼ，一半放 aⱼᵢ。
**③ 🧠 完整推导**
**第0步：把任意二次型的通式写清楚**
设 n 元二次型：
$$f(x_1, \ldots, x_n) = \sum_{i=1}^{n} a_{ii} x_i^2 + \sum_{1 \le i < j \le n} 2a_{ij} x_i x_j$$
> 大白话：把二次型拆成两类——平方项（自己×自己）和交叉项（两个不同变量相乘）。注意交叉项系数前面故意写了个 2——这不是巧合，是为了后面"对半分"埋下的伏笔。任何一个二次型都可以写成这个通式（如果需要，系数可以是 0）。
**第1步：构造矩阵 A —— 把系数"装进表格"**
定义一个 n×n 矩阵 A = (aᵢⱼ)，规则如下：
- 对角线位置 (i, i)：放 aᵢᵢ（平方项系数原样照抄）
- 非对角线位置 (i, j)，i ≠ j：放 aᵢⱼ（也就是交叉项系数的一半！）
并且强制令 aⱼᵢ = aᵢⱼ，即 A 是对称的。
> 大白话：平方项只有一个"主人"——xᵢ² 的系数自然归 aᵢᵢ 管。但交叉项 xᵢxⱼ 有两个"主人"——xᵢ 和 xⱼ 各有一半的"所有权"。所以系数拆成两半，各放一半在对称位置。
**第2步：把 xᵀAx 展开——看看这样做对不对**
$$x^{\mathsf{T}}Ax = (x_1, \ldots, x_n)\begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\\\ a_{21} & a_{22} & \cdots & a_{2n} \\\\ \vdots & \vdots & \ddots & \vdots \\\\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{pmatrix}\begin{pmatrix} x_1 \\\\ x_2 \\\\ \vdots \\\\ x_n \end{pmatrix}$$
先算 Ax（矩阵乘列向量）——结果是列向量，第 i 个分量 = aᵢ₁x₁ + aᵢ₂x₂ + ... + aᵢₙxₙ。
再左乘 xᵀ（行向量乘列向量 = 一个数）：
$$x^{\mathsf{T}}Ax = \sum_{i=1}^{n}\sum_{j=1}^{n} a_{ij} x_i x_j$$
> 大白话：xᵀAx 算出来的结果，是把矩阵 A 里的每一个数 aᵢⱼ，都乘上对应的 xᵢ 和 xⱼ，然后全部加起来。这个双重求和是关键的观察窗口。
**第3步：把双重求和中对称位置的两项合并——见证"对半分"的必然性**
把双重求和拆成三部分：对角线（i = j）+ 上三角（i < j）+ 下三角（i > j）。
$$x^{\mathsf{T}}Ax = \sum_{i=1}^{n} a_{ii} x_i^2 + \sum_{i 大白话：i=j 时是平方项——对角线元素 aᵢᵢ 和 xᵢ² 搭配，出现一次。i ≠ j 时，aᵢⱼ·xᵢxⱼ 和 aⱼᵢ·xⱼxᵢ 是两项——因为 xᵢxⱼ = xⱼxᵢ，所以它们合并成 (aᵢⱼ + aⱼᵢ)·xᵢxⱼ。
现在回到我们最初写的二次型通式：
$$f = \sum_{i} a_{ii} x_i^2 + \sum_{i 大白话：这个等式就是全部秘密所在！左边是 xᵀAx 展开后 xᵢxⱼ 的实际系数（两项之和），右边是原始二次型中 xᵢxⱼ 的系数。要让矩阵表示正确，aᵢⱼ 和 aⱼᵢ 加起来必须等于交叉项的原始系数。
**第4步：证明"对称"是唯一合理的选择**
方程 aᵢⱼ + aⱼᵢ = 原始交叉项系数，两个未知数一个方程 → 无穷多解！这意味着同一个二次型可以对应无穷多个不一样的矩阵。
例如 f = 4x₁x₂：只要 a₁₂ + a₂₁ = 4 就行——(0, 4)、(1, 3)、(2, 2)、(-1, 5)……全都可以！
> 大白话：如果不强制对称，同一个二次型会对应无数个矩阵——这就像同一个人有无数张不同的身份证，完全乱套了。
为了让对应关系变成"一对一"，我们强制令 aᵢⱼ = aⱼᵢ（对称）。代入 aᵢⱼ + aⱼᵢ = 2aᵢⱼ = 原始系数，解得 **aᵢⱼ = aⱼᵢ = 原始系数的一半**。
> 大白话：强制对称 = 强制"公平分配"。交叉项系数劈成两半，一人分一半——这样每个二次型就只有一个唯一的矩阵了。这就是考研"交叉项系数除以 2"这个规矩的数学根源。
**第5步：验证 A 的对称性是构造出来的，不是假设的**
回到第1步——我们构造 A 时故意令 aⱼᵢ = aᵢⱼ。这不是说"假设 A 对称"，而是"我们把 A 造成对称的"。所以结论是：
**任何一个二次型都天然对应一个唯一的对称矩阵。** 对称不是额外施加的限制——而是从"要求一一对应"这个需求中自然推导出来的必然结果。
> 大白话：就像两个人抬东西——如果要求每个人的承担量记录在一个表格里，且表格得能唯一还原出总重量，那么表格必须是对称的（两人各记一半）。不对称的表格要么信息不全，要么一个人记了两次。
**④ 📝 推导复盘（大白话串讲）**
整个推导回答了两个问题：
**问题一：为什么偏偏是 xᵀAx 这个形式？** 因为 xᵀAx 展开后恰好是 ΣΣaᵢⱼxᵢxⱼ——一个"所有变量两两相乘（包括自己乘自己）再乘以对应系数"的总和。这恰好和二次型的定义（平方项 + 交叉项）完美吻合。xᵀAx 不是"凑出来"的，而是"展开后自然就是二次型"。
**问题二：为什么 A 必须是对称的？** 因为展开后发现交叉项系数 = aᵢⱼ + aⱼᵢ，两个未知数一个方程——不强制对称就有无穷多种写法。强制对称（aᵢⱼ = aⱼᵢ）后，aᵢⱼ = 原始系数的一半——对应关系变成一对一。所以"对称"是从"唯一性需求"中推导出来的必然结论，不是拍脑袋规定的。
**多通道对照表**：
| 通道 | 核心内容 |
|------|----------|
| 生活类比 | 快递单的双面记录——每条交叉信息在对称位置各写一半 |
| 代数推导 | 展开 xᵀAx → ΣΣaᵢⱼxᵢxⱼ → 合并对称项 → aᵢⱼ+aⱼᵢ = 原始系数 |
| 关键方程 | aᵢⱼ + aⱼᵢ = 交叉项原始系数（两个未知数一个方程 → 无穷解） |
| 强制对称 | aᵢⱼ = aⱼᵢ → aᵢⱼ = 原始系数/2（唯一解） |
| 一句话 | 对称不是规定，是"唯一表示"逼出来的必然选择 |
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "二次型的矩阵天生就是对称的" $\begin{vmatrix} ❌ 不是"天生"的——是我们**强制构造**成对称的。如果不强制，f = 4x₁x₂ 可以对应 [0 & 4 \\ 0 & 0] 或 [0 & 2 \\ 2 & 0] 或无数个矩阵。 \end{vmatrix}$
| "先有矩阵，再有二次型" | ❌ 因果关系搞反了。是**先有二次型**（一个含平方项和交叉项的代数表达式），然后我们**为它构造**了一个对称矩阵作为代表。 |
| "aᵢⱼ = aⱼᵢ 是因为矩阵本来就应该对称" | ❌ 不是因为"应该"，而是因为这样构造能保证 f = xᵀAx 恰好还原原始二次型，且对应关系唯一。 |
| "把交叉项系数除以 2 是人为规定" | ⚠️ 对了一半。确实是"规定"，但这个规定有一个硬邦邦的数学理由——不除以 2 就没法保证 aᵢⱼ = aⱼᵢ（对称），不对称则一个二次型对应无穷个矩阵。 |
| "xᵀAx 这个写法只对二次型有效" | ✅ 确实。如果不是二次型（比如有一次项或常数项），xᵀAx 这种纯二次型矩阵表示就不够用了——需要更一般的二次函数表示。 |
**⑥ 🔗 链条位置**
```
二次型原始定义（平方项 + 交叉项）
↓ 构造对称矩阵 A（平方照抄对角，交叉取半放两边）
f = xᵀAx（矩阵表示，A 对称）
↓ 这是全章的"地基"
1.4 二次型的秩（= A 的秩 = 非零特征值个数）
1.5 合同矩阵（CᵀAC = B，同一二次型的不同变量表示）
↓ 进一步
1.6、1.8、1.9 化标准形（配方法和正交变换法——都是在操作这个 A）
↓
1.11-1.14 正定性判别（定义法和主子式法——最终都归结到 A 的性质）
```
这个定理是整个第6章的"语法规则"——就像学英语先学字母和发音，学二次型先学矩阵表示。所有后续概念（合同、标准形、惯性指数、正定）都建立在 f = xᵀAx 这个地基之上。如果矩阵写错了（交叉项忘取半），后面全盘皆输。
> 🛑 **停下来想一想**：如果有人跟你说"二次型 f = x₁² + 6x₁x₂ + x₂² 的矩阵是 $\begin{bmatrix} 1 & 6 \\ 0 & 1 \end{bmatrix}$"，你用上面的推导指出他错在哪两个地方：(1) 数学上——展开后能还原 f 吗？(2) 约定上——这个矩阵符合考研规范吗？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"两个人抬箱子"的比喻，解释为什么交叉项系数必须对半分。
> **❷ 深度思考** — 如果不强制对称，f = 2x₁x₂ 可以写成多少个不同的矩阵？写出三个不同的，并验证每个都能展开成 2x₁x₂。
> **❸ 考试演练** — 二次型 f = x₁² + 4x₁x₂ + x₂² 的唯一对称矩阵是什么？写出后展开验证。
📖 点击查看参考答案
**❶ 参考答案**：两个人抬一个箱子的重量 = 原始交叉项系数。如果一张表格只记"甲承担了多少"，没记乙承担了多少，那从表格反推总重量时信息不全（甲承担量 ≠ 总重量）。对称矩阵就是"两人各记一半"——甲记自己承担的，乙也记自己承担的，加起来就是总重量。而且对称保证了"甲看乙的位置"和"乙看甲的位置"数字一样——公平。
**❷ 参考答案**：f = 2x₁x₂ = xᵀAx。展开后交叉项系数 = a₁₂ + a₂₁ = 2。取 (a₁₂, a₂₁) = (2, 0) → A = $\begin{bmatrix} 0 & 2 \\ 0 & 0 \end{bmatrix}$；取 (1, 1) → A = $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$；取 (3, -1) → A = $\begin{bmatrix} 0 & 3 \\ -1 & 0 \end{bmatrix}$。全都对！这就是无穷多解的来源。
**❸ 参考答案**：平方项 → (1,1)=1, (2,2)=1。交叉项 4x₁x₂ → 取半 → (1,2)=(2,1)=2。A = $\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$。验证：xᵀAx = [x₁, x₂]$\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$$\begin{bmatrix} x₁ \\ x₂ \end{bmatrix}$ = x₁² + 2x₁x₂ + 2x₂x₁ + x₂² = x₁² + 4x₁x₂ + x₂² ✓。
---
### 1.4 二次型的秩是什么？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 想象你把一团橡皮泥摊开——如果三个方向都拉伸了，橡皮泥是"立体"的；如果只在一个平面上拉伸，橡皮泥就"扁"成了煎饼。怎么用一个数字来衡量——这个曲面到底在几个方向上真正有"厚度"？
> 📌 **这节学完你就能回答：**
> - 二次型的秩等于什么？怎么算最快？
> - 秩 = 3, 2, 1, 0 分别对应什么几何形状？
> - "已知二次型的秩求参数"这类题怎么做？
#### 先看一道题：一个曲面到底"厚"在几个方向上？
看到这题，先别慌。给你一个二次型 `f = x1² + 2x2² + a·x3² + 2x1x2 + 2x2x3`，如果告诉你它的秩是 2，让你求 a——**难在哪？** 我们连"秩"是什么都还没定义，怎么求 a？而且"秩是 2"这句话，到底在说曲面"厚"在几个方向上？
🧠 这一步在想什么：**先定一个能数"厚度方向"的数**。橡皮泥被拉成了几个独立的伸展方向，这个"方向个数"就是我们要找的量。数学上有个现成的工具——第2章学的**矩阵的秩**（独立行/列的个数）。而二次型的"厚度"藏在它的矩阵里：矩阵秩是几，二次型的秩就是几。
🔍 回头看看：原来**二次型的秩 = 它对应矩阵的秩**。又因为矩阵是对称矩阵，秩还等于**非零特征值的个数**（特征值就是"每个方向的拉伸倍数"，倍数不为 0 的方向才算"有厚度"）。
📌 以后就这么办：写对称矩阵 → 数非零特征值（或直接算矩阵秩）→ 这就是二次型的秩。
**💬 生活比喻**：
二次型的秩，就是"这个橡皮泥被拉伸到的维数"。
- 秩 = 3：立体形状（三维椭球），丰满
- 秩 = 2：被压成了一张平面椭圆，像煎饼一样
- 秩 = 1：被拉成了一条线
- 秩 = 0：被压成了一个点（恒为零）
**📖 正式定义**：
二次型的秩 = 它对应的对称矩阵 A 的秩。因为 A 是对称矩阵，秩也等于**非零特征值的个数**。
**📝 不同秩对应的几何意义**（以三元二次型为例）：
- **秩 = 3**（满秩）：f = 常数 表示一个**椭球面**
- **秩 = 2**：f = 常数 表示一个**椭圆柱面**
- **秩 = 1**：f = 常数 表示**两个平行平面**
**📝 典型例题——已知秩求参数**：
已知二次型 `f = x1² + 2x2² + a·x3² + 2x1x2 + 2x2x3` 的秩为 2，求 a 的值。
点击展开解答
**解**：先写出对称矩阵，再算秩。
矩阵为：
```
A = [1 1 0]
[1 2 1]
[0 1 a]
```
秩为 2，说明行列式为 0（不满秩）。
计算 |A|：按第一行展开，|A| = 1·(2a - 1) - 1·(a - 0) + 0 = 2a - 1 - a = a - 1 = 0，所以 **a = 1**。
验证：a = 1 时，前两列线性无关，第三列可被线性表示，秩确实为 2。
✍️ **立刻练一道**（30 秒做完）：一个三元二次型，如果它对应的矩阵特征值为 5, 0, 0，它的秩是多少？几何上对应什么形状？（答案：秩 = 非零特征值个数 = 1；几何上对应两个平行平面——只有一个方向有"弯曲"。详见下面的思考题❶。）
> 🛑 **停下来想一想**：一个人告诉你"我画了一个三元二次型的曲面，它长得像一根无限长的管道"。你能立刻说出这个二次型的秩是多少吗？为什么？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 一个三元二次型，如果它对应的矩阵特征值为 5, 0, 0，它的秩是多少？几何上对应什么形状？
> **❷ 考试演练** — 已知二次型 f = x1² + 3x2² + b·x3² + 2x1x2 + 4x2x3 的秩为 2，求 b。
📖 点击查看参考答案
**❶ 参考答案**：秩 = 非零特征值的个数 = 1（只有 5 是非零的）。几何上对应两个平行平面——因为只有一个方向有"弯曲"，另外两个方向是平的。
**❷ 参考答案**：
写矩阵：A = $\begin{bmatrix} 1 & 1 & 0 \\ 1 & 3 & 2 \\ 0 & 2 & b \end{bmatrix}$
秩=2 → |A|=0 → 1×(3b-4) - 1×(b-0) = 3b-4-b = 2b-4 = 0 → b=2
验证：b=2时，$\begin{vmatrix} 1 & 1 \\ 1 & 3 \end{vmatrix}$ = 2 ≠ 0，秩确实为2 ✓
---
### 1.5 什么是合同矩阵？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> "你好"用中文说是"你好"，用英语说是"Hello"，用日语说是"こんにちは"——三个版本的文字完全不同，但表达的是同一个意思。数学里有没有类似的情况？同一个二次型，在不同变量名下看起来不一样，但"骨子里"是同一个东西？
> 📌 **这节学完你就能回答：**
> - 合同矩阵的定义和直观含义是什么？
> - 合同和相似、等价这三者有什么不同？
> - 为什么"合同"这个概念在二次型理论中这么重要？
#### 先看一个场景：同一个二次型，换个"变量名"会怎样？
看到这个场景，先别慌。手里有个二次型 `f = x1² + 4x1x2 + 3x2²`，它的矩阵是 A = $\begin{bmatrix} 1 & 2 \\ 2 & 3 \end{bmatrix}$。现在**换个变量名**：令 x1 = y1 + y2, x2 = y1 - y2。**难在哪？** 代入之后，f 在 y 名下长得完全不一样了——那"这还是同一个二次型吗"怎么判断？
🧠 这一步在想什么：**别慌，用矩阵语言看穿它**。把换变量写成 x = Cy（C 是那个可逆的变换矩阵），代入 f = xᵀAx，得到 f = (Cy)ᵀA(Cy) = yᵀ(CᵀAC)y。看！新变量的矩阵变成了 **CᵀAC**。原来的 A 和新矩阵 B = CᵀAC，描述的是同一个二次型——只是"语言"不同。
🔍 回头看看：**"同一个二次型的不同语言版本"在数学上就叫"合同"**。合同矩阵不是新东西，它就是我们天天在做的"换变量"。
**💬 生活比喻**：
就像一篇文章翻译成不同语言——词汇变了（变量名变了），但文章的意思（惯性指数——大白话：就是标准形里正系数的个数和负系数的个数，它后面会正式定义，现在先理解为"正负号的个数"就行）没变。**合同矩阵就是"同一篇文章的不同语言版本"**。
**📖 正式定义**：
存在**可逆矩阵** C，使得 `CᵀAC = B`，则称 A 与 B 合同，记作 A ≃ B。
**🔑 直观理解**：合同 = 通过"换变量"（可逆变换）可以把 A 代表的二次型变成 B 代表的二次型。
**⚠️ 注意区分**：
- **相似**（第5章）：`P⁻¹AP = B`——同一个线性变换在不同坐标基下
- **合同**（本章）：`CᵀAC = B`——同一个二次型在不同变量下
- **等价**（第2章）：`PAQ = B`——最宽松，只要秩相等就是等价
关系链（对于实对称矩阵）：**相似 ⇒ 合同 ⇒ 等价**（但反过来不成立）
✍️ **立刻练一道**（30 秒做完）：用你自己的话说，A 和 B 合同，"换变量"具体是怎么换的？为什么要求变换矩阵 C 必须是可逆的？（答案：令 X = CY，代入 f = XᵀAX = (CY)ᵀA(CY) = Yᵀ(CᵀAC)Y = YᵀBY；C 不可逆就不能从 Y 唯一解回 X，翻译"回不去"。详见下面的思考题❶。）
> 🛑 **停下来想一想**：相似变换用的是 P⁻¹AP，合同变换用的是 CᵀAC。为什么相似是"逆"而合同是"转置"？提示——想想这两个变换分别是用来处理什么的。
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用你自己的话说：A 和 B 合同，"换变量"具体是怎么换的？为什么要求变换矩阵 C 必须是可逆的？
> **❷ 考试演练** — 判断：A 与 B 合同，能否推出 A 与 B 相似？反过来呢？
📖 点击查看参考答案
**❶ 参考答案**：换变量就是令 X = CY（C 可逆），代入 f = XᵀAX = (CY)ᵀA(CY) = Yᵀ(CᵀAC)Y = YᵀBY。如果 C 不可逆，就不能从 Y 唯一地解回 X（"翻译不回去"），而且变换可能丢失信息。
**❷ 参考答案**：对于实对称矩阵——合同不能推出相似（反例：diag(1,4) 合同于 diag(2,3) 但不相似）；但相似可以推出合同（因为相似意味着特征值完全相同，正负号分布自然相同，惯性指数相同就合同）。
---
### 🔬 灵魂定理②：合同变换到底保持了矩阵的哪些性质？（秩、对称性、正定性）
> 1.5 节讲了合同的定义和直观含义。但这留下了一个关键问题：合同变换（CᵀAC）到底改变了什么、保留了什么？知道"什么变、什么不变"才能正确使用合同这个概念——尤其是在判断两个矩阵是否合同、以及理解惯性定理的时候。你可以先自己猜一猜：换了个变量名，矩阵的哪些"身家资料"会变、哪些不会？
**① 🏠 生活场景：用不同语言写同一篇文章**
同一篇文章——你把它翻译成英语、日语、法语。词汇完全变了（矩阵的元素变了），但文章有几个"铁打不变"的东西：(1) 总字数大致相当（秩不变）；(2) 如果是小说，它还是小说，不会变成诗歌（对称性不变）；(3) 文章的情感基调——是积极向上的还是消极悲观的——不会因为翻译而颠倒（正定性不变）。
合同变换 CᵀAC 就是这个"翻译过程"——矩阵的元素变了，但骨子里的三大性质纹丝不动。
**② 📖 正式陈述**
**条件**：A 是 n 阶实对称矩阵，C 是 n 阶可逆矩阵（|C| ≠ 0），B = CᵀAC。
**结论（合同变换保持三条性质）**：
| 性质 | 是否保持 | 证明关键词 |
|------|:------:|-----------|
| **秩** | ✅ 保持 | 可逆矩阵乘法不改变秩 |
| **对称性** | ✅ 保持 | (CᵀAC)ᵀ = CᵀAᵀC = CᵀAC |
| **正定性** | ✅ 保持 | xᵀBx = (Cx)ᵀA(Cx)，C 可逆保证 Cx ≠ 0 |
| 特征值 | ❌ 不保持 | 合同 ≠ 相似，特征值可以完全改变（但正负号个数不变！） |
| 行列式 | ❌ 不保持 | |B| = |C|²·|A|，多了一个 |C|² 的因子 |
**③ 🧠 完整推导**
**第0步：回顾合同的定义**
B = CᵀAC，其中 C 是可逆矩阵。这个等式来自"换变量"操作：令 x = Cy，则 f = xᵀAx = (Cy)ᵀA(Cy) = yᵀ(CᵀAC)y = yᵀBy。
> 大白话：B 就是同一个二次型在"新变量名 y"下的矩阵。C 是翻译字典（可逆 = 能翻译过去也能翻译回来）。
---
**性质一：合同保持秩——r(B) = r(A)**
**推导**：因为 C 和 Cᵀ 都是可逆矩阵（满秩），而"乘以可逆矩阵不改变秩"（这是第2章的基本结论）。Cᵀ 满秩 → r(CᵀA) = r(A) → 再右乘可逆矩阵 C → r(CᵀAC) = r(CᵀA) = r(A)。两步连起来：r(B) = r(A)。
> 大白话：可逆矩阵就像"无损压缩"——乘上去不会丢掉任何信息，也不会制造假信息。所以 A 的"信息量"（秩）经过合同变换后完好无损。
---
**性质二：合同保持对称性——若 A 对称，则 B 也对称**
**推导**：Bᵀ = (CᵀAC)ᵀ = CᵀAᵀ(Cᵀ)ᵀ = CᵀAᵀC。因为 A 对称（Aᵀ = A），所以 Bᵀ = CᵀAC = B。即 B 也是对称的。
> 大白话：转置操作把括号里的东西翻转——CᵀAC 翻转后变成 CᵀAᵀC。因为 A 本身就对称（Aᵀ = A），翻不翻一样，所以 B 也自动对称。对称性就像一个人的脸——左边右边是镜像的，翻过来看还是那个人。
---
**性质三：合同保持正定性——若 A 正定，则 B 也正定**
**推导**：需要证明对任意非零向量 y ≠ 0，有 yᵀBy > 0。
代入 B = CᵀAC：yᵀBy = yᵀ(CᵀAC)y = (Cy)ᵀA(Cy)。
令 z = Cy。因为 y ≠ 0 且 C 可逆（C 的零空间只有 {0}——零空间就是所有让 Cx = 0 的向量 x 组成的集合，C 可逆时这个集合里只有零向量），所以 z = Cy ≠ 0。
因为 A 正定，对任意非零向量 z，都有 zᵀAz > 0。
所以 yᵀBy = zᵀAz > 0。B 正定。✓
> 大白话：合同变换只是换了一套"变量名"——把 x 换成 y。原来在 x 坐标系下，不管取什么值，f 永远大于 0（正定）。换到 y 坐标系，因为翻译字典 C 是可逆的（不会把一个非零 y 翻译成零向量 x），所以 f 在 y 下仍然永远大于 0。正定性是二次型的内在属性——就像碗的"凹陷朝向"，不管你从哪个角度看，它永远朝着同一个方向。
---
**反例：特征值为什么不被合同保持？**
这是同学们最容易混淆的地方。A = diag(1, 4)，B = diag(2, 3)。取 C = diag(√2, √3/2)（可逆），则 CᵀAC = diag(2, 3) = B。但 A 的特征值是 1 和 4，B 的特征值是 2 和 3——特征值全变了！
但注意：正特征值个数 A 有 2 个，B 也有 2 个 → 正惯性指数都是 2。惯性指数被保持了！
> 大白话：特征值是"带上尺子量的结果"——换一把尺子（换变量），数值就变了。但"正号还是负号"这件事不会因为换尺子而改变。惯性指数（正负号的个数）才是合同的不变量——这正是惯性定理的内容。
**④ 📝 推导复盘（大白话串讲）**
合同变换 CᵀAC 本质上就是"给二次型换个变量名"。既然是换名字，那么：
1. **秩不变**——信息量不因换名字而增减（可逆的"字典"C 不丢信息）
2. **对称性不变**——A 是对称的，换名字后 B 自动对称（转置翻转后还原）
3. **正定性不变**——f 永远 > 0 这件事和变量叫什么名字没关系（只要字典能双向翻译）
4. **特征值会变**——特征值是"拿尺子量出来的数"，换套坐标系，数值自然变了
5. **但特征值的正负号个数不变**——虽然数值变了，但正号还是正号，负号还是负号（惯性定理）
**多通道对照表**：
| 通道 | 核心内容 |
|------|----------|
| 生活类比 | 文章翻译——字词变了，篇幅/体裁/基调不变 |
| 秩 | 可逆矩阵乘法 = 无损操作 → 秩不变 |
| 对称性 | Bᵀ = (CᵀAC)ᵀ = CᵀAᵀC = CᵀAC = B（因为 Aᵀ = A） |
| 正定性 | yᵀBy = (Cy)ᵀA(Cy)，C 可逆 → Cy≠0 → 正定性传承 |
| 特征值 | 不保持（数值变），但正负号个数保持（惯性指数不变） |
| 一句话 | 合同 = 换名字——骨子里的代数性质不变，量出来的数值会变 |
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "合同保持秩，所以也保持特征值" | ❌ 大错！秩 = 非零特征值个数，只保证"非零的个数"不变，不保证"具体数值"不变。反例：diag(1,4) 和 diag(2,3) 合同但特征值不同。 |
| "合同保持正定性，所以特征值也全正" | ⚠️ 混淆了因果。正定 ⇒ 合同变换后仍然正定（结论），但不保证变换前后特征值相同。只能说"特征值全正 ⇔ 正定"这个等价关系在合同变换后仍然成立（换了矩阵后，新矩阵的特征值也全正）。 |
| "A 正定，B = CᵀAC，则 B 的特征值全正" | ✅ 这句话是对的！因为 B 也是正定的，所以 B 的特征值全正。但 B 的特征值不等于 A 的特征值。 |
| "合同保持对称性，所以非对称矩阵不能讨论合同" | ✅ 确实。考研中合同关系默认在实对称矩阵之间讨论，虽然 CᵀAC 运算本身对任意方阵都有定义。 |
| "合同保持行列式符号" | ⚠️ 部分正确。因为 |B| = |C|²·|A|，而 |C|² > 0，所以 |A| 和 |B| 同号。行列式的符号（正/负/零）确实被合同保持。但数值变了。 |
**⑥ 🔗 链条位置**
```
1.5 合同定义：B = CᵀAC，C 可逆
↓
【本定理】合同保持：秩 / 对称性 / 正定性 / 行列式的符号
不保持：特征值具体数值（但保持正负号个数）
↓ 秩不变 → 可以直接用来判断两个矩阵是否可能合同
↓ 对称性不变 → 实对称矩阵合同后仍是实对称矩阵
↓ 正定性不变 → 合同变换不改变二次型的"凹凸性"
↓ 特征值正负号不变 → 导向灵魂定理④（惯性定理）
```
> 🛑 **停下来想一想**：A 是正定矩阵，B 和 A 合同。那么 A+B 一定正定吗？A 和 B 一定相似吗？分别判断。
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"文章翻译"的比喻，分别解释秩、对称性、正定性在合同变换下不变的原因。
> **❷ 深度思考** — 已知 A 的特征值为 2, 3, -1。B 和 A 合同。问：B 的特征值可能是 1, 0, -5 吗？为什么？
> **❸ 考试演练** — 设 A 是三阶正定矩阵，C 是可逆矩阵。证明 B = CᵀAC 也是正定矩阵（考研标准证明格式）。
📖 点击查看参考答案
**❶ 参考答案**：秩不变=文章的"总字数级别"不因翻译而变（可逆翻译不丢信息）。对称性不变=文章体裁（小说还是小说，不会变成诗）——Aᵀ=A 经转置运算后自然传播给 B。正定性不变=文章的情感基调（积极的文章翻成外语还是积极的）——正定性由 f>0 定义，而 f = xᵀAx = yᵀBy 是同一个数值。
**❷ 参考答案**：不可能。A 的特征值 2, 3, -1 → 正特征值有 2 个，负特征值有 1 个，零特征值有 0 个。合同保持惯性指数 → B 也必须 p=2, q=1。而 1, 0, -5 的惯性指数是 p=1, q=1, 零=1——惯性指数不同，不可能合同！
**❸ 参考答案**：① 先证对称：Bᵀ = (CᵀAC)ᵀ = CᵀAᵀC = CᵀAC = B（A 正定⇒A 对称）。② 对任意 y ≠ 0：yᵀBy = yᵀCᵀACy = (Cy)ᵀA(Cy)。因为 C 可逆且 y ≠ 0，所以 z = Cy ≠ 0。A 正定 ⇒ zᵀAz > 0。所以 yᵀBy > 0。因此 B 正定。✓
---
### 🔬 灵魂定理③：正交变换为什么能消去所有交叉项？
> 这是二次型全章最核心的原理。前面讲了"怎么做"（操作流程），这里讲清楚"为什么能这么做"。你已经知道换变量 x = Cy 会得到 yᵀ(CᵀAC)y——那如果挑一个特别聪明的 C（正交矩阵 Q），能不能让 CᵀAC 变成对角阵，把交叉项全消掉？这个定理就是回答"为什么能"。
**① 🏠 生活场景：把歪画扶正**
你家里墙上挂了一幅画，钉子在正中间，但画框歪了30度——看着特别别扭。你的办法不是重画一幅，而是走过去、握住画框、轻轻一转，让画框的边和地板平行。画的内容没变、大小没变、形状没变——但看起来舒服了。
二次型就是这幅"歪着的画"。`x1²` 和 `x2²` 是画的内容（纯拉伸），`x1·x2` 是画框歪掉的角度（交叉拉扯）。正交变换就是那双"无形的手"——它旋转坐标系，把画框扶正，让所有交叉项消失。**关键：旋转不改变图形的形状和大小，只改变观察角度。**
**② 📖 正式陈述**
**条件**：给定 n 元二次型 f(x₁, ..., xₙ) = xᵀAx，其中 A 是 n 阶**实对称矩阵**。
**结论**：存在一个**正交矩阵** Q（Qᵀ = Q⁻¹，即 Q 的列是两两正交的单位向量），做变量替换 x = Qy 后，二次型变为：
$$f = \lambda_1 y_1^2 + \lambda_2 y_2^2 + \cdots + \lambda_n y_n^2$$
其中 λ₁, ..., λₙ 恰好是 A 的**全部特征值**。所有交叉项（yᵢyⱼ，i≠j）的系数全部为零。
**几何含义**：正交变换 x = Qy 本质上是**旋转（或反射）坐标系**。在新的坐标系下，二次型曲面的"主轴"恰好和坐标轴对齐，所以看起来只有纯平方项。
**③ 🧠 完整推导**
**第0步：回顾第5章的关键遗产**
在第五章我们学过：任何一个实对称矩阵 A，都可以被正交对角化——即存在正交矩阵 Q 使得
$$Q^{-1}AQ = Q^{\mathsf{T}}AQ = \Lambda = \begin{pmatrix} \lambda_1 & & \\\\ & \ddots & \\\\ & & \lambda_n \end{pmatrix}$$
其中 λᵢ 是 A 的特征值，Q 的列是对应的单位正交特征向量。
> 大白话：第5章给了我们一个"万能旋转器"。随便给一个对称矩阵，都能找到一组互相垂直的方向（特征向量），沿着这些方向看，矩阵就变成了最简单的对角形——所有"拉扯"都沿着坐标轴方向，交叉影响全部消失。
**第1步：把二次型写成矩阵形式**
$$f(x_1, \ldots, x_n) = \mathbf{x}^{\mathsf{T}}A\mathbf{x}$$
其中 x = (x₁, ..., xₙ)ᵀ 是变量列向量，A 是对称矩阵。
> 大白话：把二次型"翻译"成矩阵语言。这是动手前必须做的——就像给手机插上充电线，矩阵形式才能接通后面的所有工具。交叉项 xᵢxⱼ 的系数被"劈成两半"放在对称位置 aᵢⱼ 和 aⱼᵢ。
**第2步：做正交变换 x = Qy**
把每一个原来的变量 xᵢ 用新的变量 y₁, ..., yₙ 的线性组合替换。注意 Q 是正交矩阵，所以 Qᵀ = Q⁻¹。
$$f = \mathbf{x}^{\mathsf{T}}A\mathbf{x} = (Q\mathbf{y})^{\mathsf{T}}A(Q\mathbf{y})$$
> 大白话：我们要换到新坐标系了。原来用 x 坐标描述曲面是歪的，现在换成 y 坐标——就像你不面朝画框歪着的方向，而是站到正对画框的位置去看它。
**第3步：展开转置——最重要的代数操作！**
根据转置的性质 (AB)ᵀ = BᵀAᵀ：
$$(Q\mathbf{y})^{\mathsf{T}} = \mathbf{y}^{\mathsf{T}}Q^{\mathsf{T}}$$
所以：
$$f = \mathbf{y}^{\mathsf{T}}Q^{\mathsf{T}}AQ\mathbf{y}$$
> 大白话：矩阵乘法的"脱括号法则"——就像你把衣服从洗衣机拿出来之前要先把水脱掉，转置操作把 Q 从右边"翻"到了左边，变成了 Qᵀ。注意这里出现了 QᵀAQ ——这正是第五章的主角！
**第4步：利用正交对角化的结论——魔法时刻！**
QᵀAQ = Λ（这正是第五章花了一整章证明的结论！），所以：
$$f = \mathbf{y}^{\mathsf{T}}\Lambda\mathbf{y}$$
> 大白话：这是整个推导的"魔法时刻"！QᵀAQ = Λ 不是随便来的，是第五章的核心结论。正交矩阵 Q 把 A 夹在中间一转，A 就被"压扁"成了对角阵 Λ——只剩下对角线上的特征值，其他位置全是零。交叉拉扯的"指挥部"（A 的非对角元素）被团灭了！
**第5步：展开对角阵乘法**
$$f = (y_1, y_2, \ldots, y_n)\begin{pmatrix} \lambda_1 & & \\\\ & \ddots & \\\\ & & \lambda_n \end{pmatrix}\begin{pmatrix} y_1 \\\\ y_2 \\\\ \vdots \\\\ y_n \end{pmatrix}$$
$$= \lambda_1 y_1^2 + \lambda_2 y_2^2 + \cdots + \lambda_n y_n^2$$
> 大白话：最后一步只是老老实实做矩阵乘法。因为 Λ 只有对角线有东西，乘出来自然只有 yᵢ² 。交叉项 yᵢyⱼ 的系数全部来自 Λ 的非对角线位置——而那些位置全是零！这就是交叉项消失的根本原因。
**第6步：回头检查——交叉项去哪了？**
原来 A 的非对角线元素 aᵢⱼ（i≠j）产生了交叉项 aᵢⱼ·xᵢxⱼ。正交变换后，新矩阵变成了 Λ——一个纯对角阵，非对角线全是 0。交叉项的"源头"被切断了。
> 大白话：交叉项不是被"消掉了"，而是被"旋转没了"——就像你侧着看一根棍子，它斜在你的视野里；你转到正对它的方向，它就直了。棍子本身没变，你换了个角度看而已。二次型的曲面也完全没变——只是你的坐标系旋转到和曲面的天然方向对齐了。
**④ 📝 推导复盘（大白话串讲）**
整个推导的核心逻辑就是一句话：**第五章告诉我们实对称矩阵可以对角化，第六章直接用这个结论来消交叉项。**
具体来说：一个二次型写成 xᵀAx，中间的 A 是"指挥中心"——它决定了哪些方向有交叉拉扯。正交变换 x = Qy 就是换一个角度看问题。Q 是怎么找的？就是 A 的特征向量拼成的。因为 Q 把 A "夹击"后（QᵀAQ）变成了对角阵 Λ，所以新变量 y 下就只剩纯平方项了。
再用几何语言说一遍：A 的特征向量就是曲面的"天然轴线"方向——就像椭圆的长轴和短轴。正交变换就是把坐标轴旋转到和这些天然轴线对齐。对齐之后，曲面的方程在坐标轴方向上就是最简单的——只有 λᵢyᵢ²，没有交叉项。就像把一个斜放的椭圆转正——椭圆本身没变，只是你的坐标系转了一下。
**多通道对照表**：
| 通道 | 核心内容 |
|------|----------|
| 生活类比 | 把歪画扶正——旋转画框，不重画 |
| 几何直觉 | 旋转坐标轴对齐曲面的天然轴线（特征向量方向） |
| 代数推导 | xᵀAx → (Qy)ᵀA(Qy) → yᵀ(QᵀAQ)y → yᵀΛy → Σλᵢyᵢ² |
| 矩阵本质 | QᵀAQ = Λ（正交相似对角化） |
| 一句话 | 第五章的对角化 + 变量替换 = 交叉项消失 |
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "正交变换就是随便换个变量" | ❌ 大错！正交变换要求变换矩阵 Q 的列是两两正交的单位向量。普通的可逆变换也能消交叉项（配方法就是），但所得的标准形系数不一定是特征值。 |
| "正交变换后系数一定等于特征值" | ✅ 是的。正交变换 = 正交相似对角化，对角线上就是特征值。但请注意：配方法得到的标准形系数**不一定等于特征值**！ |
| "所有对称矩阵都能对角化，所以随便一个 Q 都行" | ❌ 不是随便一个 Q！Q 必须是 A 的**特征向量**拼成的正交矩阵。随便取的正交矩阵不能把 A 对角化。 |
| "正交变换改变了图形的形状" | ❌ 正交变换（旋转+反射）是**刚体运动**，保持长度和角度不变。二次型曲面的形状、大小完全不变，只是"摆正了"。 |
| "二次型的标准形是唯一的" | ❌ 标准形不唯一（配方法和正交变换法得到的系数可能不同），但正负号个数是唯一的。**规范形才唯一。** |
**⑥ 🔗 链条位置**
```
Ch5 实对称矩阵的正交对角化（QᵀAQ = Λ）
↓ 提供理论工具
【本定理】正交变换 x=Qy 把二次型化为标准形 λ₁y₁²+...+λₙyₙ²
↓ 直接导出
1.6 标准形的定义 + 1.9 正交变换法六步操作流程
↓ 进一步
灵魂定理④（惯性定理）（p,q不变）→ 规范形 → 1.11 正定性判别
```
从第五章到本章的关系：第五章解决了"怎么把矩阵对角化"，第六章回答"对角化在二次型里意味着什么"。整条链环环相扣——前面学的特征值理论，到这一章终于找到了实际应用。
> 🛑 **停下来想一想**：如果 A 不是对称矩阵，上面的推导哪一步会卡住？提示——第五章的"实对称矩阵可正交对角化"这个结论，对非对称矩阵还成立吗？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"歪画扶正"的比喻，一步步对应正交变换推导的每一环（xᵀAx → Qy → QᵀAQ → Λ → Σλᵢyᵢ²）。
> **❷ 深度思考** — 配方法也能消交叉项，但得到的系数不一定是特征值。从 QᵀAQ = Λ 这个等式出发，解释为什么正交变换法得到的系数一定是特征值，而配方法得到的不是。
> **❸ 考试演练** — 已知二次型 f = xᵀAx 在正交变换 x = Qy 下化为 3y₁² - 2y₂²。问：A 的特征值是什么？正惯性指数 p 和负惯性指数 q 各是多少？
📖 点击查看参考答案
**❶ 参考答案**：歪画 = 原始二次型 xᵀAx（有交叉项）；走到画前面 = 换变量 x=Qy；画的边框 = 矩阵变成了 QᵀAQ；边框和墙对齐 = QᵀAQ = Λ 成了对角阵；画面变正 = 只剩 λᵢyᵢ² 纯平方项。
**❷ 参考答案**：正交变换的"配方"是 QᵀAQ = Λ，其中 Λ 的对角元恰好就是特征值（这是第五章证明的结论——相似对角化的对角元等于特征值）。配方法用的是 CᵀAC（合同变换），C 不是正交矩阵，CᵀAC 的对角元不一定是特征值。两者的共同点：正负号个数一样（惯性定理）。
**❸ 参考答案**：特征值就是 3 和 -2。正惯性指数 p = 1（只有一个正特征值 3），负惯性指数 q = 1（只有一个负特征值 -2），符号差 = 0，秩 = 2。
---
### 1.6 什么是二次型的标准形？规范形？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你看一幅歪着挂的画——画面本身是好的，但因为它歪了 30 度，看着就别扭。你本能地想把它"扶正"。二次型也一样：一个带交叉项的二次型就像一个"歪着"的椭圆，我们想通过旋转坐标轴把它扶正，只剩下"正方向"的纯平方项。
> 📌 **这节学完你就能回答：**
> - 标准形和规范形的区别是什么？哪个是唯一的？
> - 为什么书上说的"标准形不唯一"而"规范形唯一"？
> - 从标准形变到规范形，本质上做了什么操作？
#### 先看一个目标：化到"最清爽"，然后还要再进一步
灵魂定理③告诉我们：正交变换能把二次型变成 `λ1·y1² + λ2·y2² + ...`——没有交叉项，全是纯平方项。**难在哪？** 这个结果系数五花八门（1、3、-2、0……），看着还是不够"统一"。而且换个方法化简，系数又变一组——同一个二次型，怎么长得五花八门？
🧠 这一步在想什么：**给"化到什么程度"定个标准**。第一步，只要"没有交叉项、只有纯平方项"，就叫**标准形**（系数随便，所以不唯一）。第二步，既然系数能变，那就把每个平方项再"归一"——系数改成 1、-1 或 0（做尺度变换 zᵢ = √|dᵢ|·yᵢ），这就叫**规范形**。
🔍 回头看看：标准形管"交叉项消了没"，规范形管"系数是不是标准化的 ±1、0"。标准形不唯一（方法不同系数不同），但规范形**唯一**——因为系数只剩符号，而正负号的个数被惯性定理锁死了（下一节就讲）。
**💬 生活比喻**：
二次型本来的样子很乱——有平方项、有交叉项、混在一起。我们通过"换变量"（就像把坐标系旋转一下），可以把**交叉项全部消掉**，只剩下纯平方项，这就是**标准形**。至于**规范形**，就是把标准形再"标准化"——每个平方项的系数只能是 1、-1 或 0。就像把所有分数通分到最简形式一样。
**📖 正式定义**：
- **标准形**：`f = d1·y1² + d2·y2² + ... + dr·yr²`（没有交叉项，系数可以是任意实数）
- **规范形**：`f = y1² + ... + yp² - y(p+1)² - ... - y(p+q)²`（系数只能是 1、-1 或 0）
**两者的关系**：
```
标准形 → 对变量做尺度变换（z_i = sqrt(|d_i|)·y_i）→ 规范形
即：系数 d_i 变为 d_i/|d_i| = ±1
标准形不唯一（方法不同结果不同），规范形唯一！
```
**🔑 重要区别**：
| | 标准形 | 规范形 |
|---|--------|--------|
| 系数 | 任意实数 | 只能是 1、-1、0 |
| 唯一性 | 不唯一 | **唯一** |
| 用途 | 了解大概结构 | 判断两个二次型是否合同 |
✍️ **立刻练一道**（30 秒做完）：二次型 f 在某变换下得到标准形 `2y1² - 3y2² + 0·y3²`。问：(1) f 的秩是多少？(2) 规范形是什么？(3) p 和 q 各是多少？（答案：秩 = 非零系数个数 = 2；规范形 = y₁² - y₂²；p = 1, q = 1。详见下面的思考题❷。）
> 🛑 **停下来想一想**：`f = 2y1² + 3y2²` 和 `f = 4z1² + 6z2²` 都是同一个二次型的标准形吗？如果是，它们的规范形分别是什么？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用自己的话解释：为什么标准形不唯一？
> **❷ 考试演练** — 二次型 f 在某变换下得到标准形 2y1² - 3y2² + 0·y3²。问：(1) f 的秩是多少？(2) 规范形是什么？(3) p 和 q 各是多少？
📖 点击查看参考答案
**❶ 参考答案**：标准形不唯一，因为不同的化简方法得到的结果中，系数的具体数值可以不同，但系数的**正负号分布**不变。例如二次型的矩阵 diag(2,3)，配方法可能得到 f = 2y1² + 3y2²（系数 2 和 3），先做一次可逆变换再配方法可能得到 f = 8z1² + 12z2²（系数 8 和 12）。系数不同，但两个都是正的——正负号分布一致。
**❷ 参考答案**：(1) 秩 = 非零系数的个数 = 2。(2) 规范形 = y1² - y2²。(3) p = 1，q = 1，符号差 = p - q = 0。
---
### 🔬 灵魂定理④：惯性定理——正负号个数为什么铁打不变？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你用手机拍一段视频——横着拍和竖着拍，画面里的"内容"没有变，只是"角度"不同。如果让你在横版视频和竖版视频中找出"永远不变"的东西——你会找什么？二次型也一样——不管你用什么方式化简它，有一些东西是铁打不动的。上一节说"规范形唯一"，凭什么敢这么说？正负号的个数为什么铁打不变？这一节就用严谨的证明回答你。
> 📌 **这节学完你就能回答：**
> - 惯性定理说了什么？为什么叫"惯性"？
> - 正惯性指数 p、负惯性指数 q、符号差分别是什么？怎么算？
> - 惯性指数和特征值之间有什么关系？
**💬 生活比喻**：
惯性定理说的是一句大实话：**不管你用什么方式"换变量"，二次型中正平方项的个数、负平方项的个数、零平方项的个数，是铁打不变的**。就像你把一团橡皮泥捏扁拉长——不管怎么捏，它该凸的地方还是凸的，该凹的地方还是凹的，该平的地方还是平的。
**② 📖 正式陈述**
**条件**：设 f(x) = xᵀAx 是 n 元实二次型，A 是 n 阶实对称矩阵。用任意一种可逆线性变换 x = Cy（C 可逆）将 f 化为标准形：
$$f = d_1 y_1^2 + d_2 y_2^2 + \cdots + d_r y_r^2$$
其中 r 是二次型的秩，d₁, ..., dᵣ 是非零实数。
**惯性定理的结论**：无论你用什么可逆变换 C（配方法也好、正交变换法也好、随便什么可逆变换也好），标准形中**正系数的个数 p** 和**负系数的个数 q** 是铁打不变的。零系数的个数 = n - (p + q) = n - r。
**术语速查表**：
| 名称 | 符号 | 含义 | 考试等价说法 |
|------|------|------|-------------|
| 正惯性指数 | p | 标准形中正系数的个数 | = 正特征值的个数（用正交变换法时） |
| 负惯性指数 | q | 标准形中负系数的个数 | = 负特征值的个数（用正交变换法时） |
| 符号差 | p - q | 正负之差 | 判断合同关系时有用 |
| 惯性指数 | (p, q) | 合称，二次型的"身份证号码" | 两个二次型合同 ⇔ (p,q) 完全相同 |
| 秩 | r = p + q | 非零系数的总个数 | = 非零特征值的个数 |
**③ 🧠 完整推导（反证法 + 维数公式）**
> 💡 **可选深读**：下面这段证明用到了一个前面没单独讲过的事实——两个子空间的交、并的维数关系：若 V = U₁ + U₂，则 dim(U₁ ∩ U₂) = dimU₁ + dimU₂ − dim(U₁ + U₂)。大白话就是：甲占了 U₁ 间房、乙占了 U₂ 间房，两家合起来共占 U₁ + U₂ 间房，那么两家"同住"的房间数 = 甲的房间数 + 乙的房间数 − 合起来的房间数。它本身不难，但如果你只想先学会怎么用惯性定理做题，**可以直接跳过这段证明**，不影响后面任何内容——考试只需要记住结论：p、q 铁打不变。
**证明思路——先给一张地图**
我们要证明：假设你用方法一得到 p₁ 个正项，用方法二得到 p₂ 个正项——那么 p₁ 一定等于 p₂。
怎么证？反证法三步走：
1. **假设** p₁ > p₂（假设不一样大）
2. **构造矛盾**：找两个子空间——方法一的"好方向"（p₁ 维）和方法二的"不好方向"（n-p₂ 维）。两个维数加起来超过 n，所以必然有"重叠住户"（交集非零）
3. **拿到矛盾**：那个重叠住户上的点，方法一说它 > 0，方法二说它 ≤ 0——同一个数不能又大于 0 又不大于 0！
所以 p₁ 不能大于 p₂。反过来也不成立。结论：p₁ = p₂。
> 大白话地图：用"假设不一样→造出不可能的矛盾→所以必须一样"的老套路。
---
**第1步：把问题说清楚**
假设用两种不同的可逆变换，得到两个标准形：
- 变换一（x = C₁y）：f = a₁y₁² + a₂y₂² + ... + a_{p₁}y_{p₁}² + （后面全是 ≤ 0 的系数）
- 前 p₁ 个系数 > 0（正项），中间 q₁ 个 < 0（负项），后面全是 0
- 变换二（x = C₂z）：f = b₁z₁² + b₂z₂² + ... + b_{p₂}z_{p₂}² + （后面全是 ≤ 0 的系数）
- 前 p₂ 个系数 > 0，其余 ≤ 0
假设 p₁ > p₂（变换一给出了更多的正项）。我们要从这推出矛盾。
> 大白话：两个人用不同方法整理同一个房间，一个人报告说有 5 个"凸起"（正项），另一个人说只有 3 个。房间是同一个，怎么可能？我们要严格证明：这种事绝不可能发生。
**第2步：分析两个变换之间的关系**
令 P = C₂⁻¹C₁，这是一个可逆矩阵（两个可逆矩阵的乘积）。从 y 坐标系到 z 坐标系的转换关系是：
$$z = C_2^{-1}x = C_2^{-1}(C_1y) = (C_2^{-1}C_1)y = Py$$
所以 z = Py，而且 P 可逆。
> 大白话：两个"换变量"方案之间也存在一个翻译关系 P——就像中文版和英文版之间有一本双语字典。P 可逆意味着翻译可以在两个方向上进行（来回都行）。
**第3步：构造两个关键子空间（核心技巧！）**
在 **y 坐标系**下，定义一个子空间 V₁：
$$V_1 = \{(y_1, \ldots, y_{p_1}, 0, \ldots, 0) \mid y_i \in \mathbb{R}\}$$
即只有前 p₁ 个坐标可以非零，后面全是 0。V₁ 的维数 = p₁。在 V₁ 中的任何非零向量 y，代入变换一的标准形，只有正系数参与：
$$f = a_1 y_1^2 + \cdots + a_{p_1} y_{p_1}^2 > 0 \quad (\text{如果 } y \neq 0)$$
在 **z 坐标系**下，定义一个子空间 V₂：
$$V_2 = \{(0, \ldots, 0, z_{p_2+1}, \ldots, z_n) \mid z_i \in \mathbb{R}\}$$
即前 p₂ 个坐标强制为 0，只有后面 n - p₂ 个坐标可以非零。V₂ 的维数 = n - p₂。在 V₂ 中的任何向量 z，代入变换二的标准形，所有系数都 ≤ 0：
$$f = b_{p_2+1} z_{p_2+1}^2 + \cdots \leq 0$$
> 大白话：V₁ 是方法一眼中的"纯好方向"（只要你待在这个子空间里，f 永远是正数）。V₂ 是方法二眼中的"非好方向"（待在这个子空间里，f 永远 ≤ 0）。
**第4步：把两个子空间都拉到原来的 x-空间（关键一步！）**
V₁ 在 x-空间中的像是 W₁ = C₁(V₁)。因为 C₁ 是可逆矩阵（线性同构——大白话：可逆矩阵把向量空间一 一映射到另一个空间，不丢信息、也不制造重复），它不改变子空间的维数，所以 dim(W₁) = p₁。
V₂ 在 x-空间中的像是 W₂ = C₂(V₂)。同理 dim(W₂) = n - p₂。
现在 W₁ 和 W₂ 都是 ℝⁿ 的子空间。用**维数公式**：
$$\dim(W_1 \cap W_2) = \dim(W_1) + \dim(W_2) - \dim(W_1 + W_2)$$
$$\geq p_1 + (n - p_2) - n = p_1 - p_2$$
因为我们假设了 p₁ > p₂，所以 p₁ - p₂ ≥ 1。这意味着：
$$\dim(W_1 \cap W_2) \geq 1$$
**W₁ 和 W₂ 的交集中至少存在一个非零向量！**
> 大白话（极度重要！）：这是整个证明最核心的一步。想象一个大房子（n 维空间），甲占了 p₁ 个"房间"（W₁），乙占了 n-p₂ 个"房间"（W₂）。如果 p₁ > p₂，那么甲和乙占的房间总数 p₁ + (n-p₂) > n——超过了房子的总容量！东西太多了，必然有重叠。维数公式把这个直觉变成了精确的数学事实。
**第5步：拿到矛盾——证明的高潮！**
既然 dim(W₁ ∩ W₂) ≥ 1，我们就可以在交集里取一个非零向量 x₀ ∈ W₁ ∩ W₂（那个"重叠住户"）。
因为 x₀ ∈ W₁：存在某个 y₀ ∈ V₁（y₀ ≠ 0）使得 x₀ = C₁y₀。代入变换一的标准形：
$$f(x_0) = a_1(y_0)_1^2 + \cdots + a_{p_1}(y_0)_{p_1}^2 > 0$$
另一边，因为 x₀ ∈ W₂：存在某个 z₀ ∈ V₂ 使得 x₀ = C₂z₀。代入变换二的标准形：
$$f(x_0) = b_{p_2+1}(z_0)_{p_2+1}^2 + \cdots + b_n(z_0)_n^2 \leq 0$$
**矛盾！** 同一个数 f(x₀) 不能同时 > 0 又 ≤ 0！
> 大白话：同一个点 x₀，在甲的尺子下测得是"凸的"（f > 0），在乙的尺子下测得是"凹的或平的"（f ≤ 0）。一个点不可能同时凸又凹——这就像一个人不能同时在南极和赤道。矛盾说明一开始的假设"p₁ > p₂"站不住脚。
**第6步：完成证明**
因为 p₁ > p₂ 导致了矛盾，所以 p₁ 不能大于 p₂，即 p₁ ≤ p₂。
现在交换变换一和变换二的角色——把刚才的论证原封不动地再用一遍。如果 p₂ > p₁，同样推出矛盾。所以 p₂ ≤ p₁。
p₁ ≤ p₂ 且 p₂ ≤ p₁ ⇒ **p₁ = p₂**。正惯性指数唯一确定！
负惯性指数 q 可以用完全相同的方法证明唯一性（或者更简单：把 f 换成 -f，所有正负号颠倒，正惯性指数就变成了原来的负惯性指数。既然正惯性指数唯一，负惯性指数自然也唯一）。
> 大白话：正项个数是铁打不动的，负项个数也是铁打不动的。不管你怎么换变量、怎么化简，这两个数字就像一个人的指纹——独一无二、永不改变。这就是"惯性"两个字的来历——不变、稳固、铁板钉钉。
**④ 📝 推导复盘（大白话串讲）**
惯性定理的证明用的是数学家最爱的一招：**反证法 + 维数公式**。整体逻辑非常优美：
1. 假设正项个数不一样（p₁ > p₂）
2. 造两个子空间——一个来自方法一的"好方向"（p₁ 维），一个来自方法二的"不好方向"（n-p₂ 维）
3. 因为 p₁ + (n-p₂) > n，两个子空间必然有重叠（维数公式）
4. 重叠里的向量被两个方法同时判定为"好"（> 0）和"不好"（≤ 0）——矛盾！
5. 所以 p₁ = p₂，惯性指数是绝对的
用生活比喻串一遍：两个人用不同尺子测量同一块橡皮泥的凹凸。一个人说凸起有 5 处，另一个说只有 3 处。如果第一个人是对的，他那 5 个凸方向总面积加上第二个人的"非凸方向"总面积，必然超过橡皮泥的总面积——这意味着有重叠区域。那个重叠区域上的点，在第一把尺子下是凸的（> 0），在第二把尺子下是凹的或平的（≤ 0）。一个点不能同时凸又凹。所以第一个人的"5 处"不可能对——最多和第二个人的"3 处"一样多。同理推回去，第二个人的"3 处"也不可能超过第一个人的"5 处"。结论：凸起的个数是绝对不变的。
**多通道对照表**：
| 通道 | 核心内容 |
|------|----------|
| 生活类比 | 橡皮泥的凸起和凹陷——不管怎么捏，该凸的地方还是凸的 |
| 几何直觉 | 合同变换 = 用不同尺子量同一个椭圆——拉伸方向数不变 |
| 签名比喻 | (p, q) = 曲面的"签名"——像人的指纹，独一无二 |
| 代数证明 | 反证法：假设 p₁>p₂ → 维数公式 → 交集非零 → f>0 且 ≤0 → 矛盾 |
| 证明工具 | 维数公式 dim(U∩V) = dim(U)+dim(V)-dim(U+V) |
| 一句话 | 正负号的个数是二次型的"守恒量"，任何可逆变换都不能改变 |
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "惯性指数就是特征值的正负号个数" | ⚠️ 这句话只对了一半。用**正交变换法**时，标准形的系数确实等于特征值，所以 p = 正特征值个数，q = 负特征值个数。但惯性定理本身**不需要特征值**——即使不通过特征值，配方法也能得到标准形，正负号个数同样是 p 和 q。上面这个反证法完全不涉及特征值——它只用了可逆变换的性质。 |
| "标准形是唯一的" | ❌ 标准形不唯一。配方法得到的系数可能是 2, 8，正交变换法得到的可能是 4, 6。但正项个数都是 2——这就是惯性定理保护的东西。 |
| "规范形是唯一的" | ✅ 对！因为规范形把系数压到 ±1，p 和 q 唯一确定了规范形的内容和顺序。 |
| "合同 ⇔ 惯性指数相同" | ✅ 完全正确（对实对称矩阵）。两个矩阵合同，当且仅当它们的惯性指数 (p, q) 完全相同。这是判断合同关系的最强工具。 |
| "符号差 = p - q" | ✅ 是 p - q，不是 p + q。考试中经常有同学把符号差写成 p + q。 |
| "惯性指数和秩的关系" | 秩 r = p + q（非零系数的总个数 = 正项数 + 负项数）。零系数对应的维数 = n - r。 |
| "惯性定理的证明用了特征值" | ❌ 完全没用！证明只用了可逆变换和维数公式——这说明惯性指数是比特征值更基本的量（它只依赖于合同关系，不依赖于相似关系）。 |
**⑥ 🔗 链条位置**
```
Ch5 特征值理论 + 1.5 合同矩阵（CᵀAC = B）
↓
1.6 标准形和规范形（定义——什么是"化到最简单"）
↓
1.8 两种化简方法（配方法 + 正交变换法——怎么化）
↓ 引出问题：不同方法得到的系数不同，但有没有不变的东西？
【本定理】惯性定理——正项个数 p、负项个数 q 是唯一确定的！
↓ 直接导出
规范形唯一（系数固定为 ±1, 0——因为 p,q 确定了）
↓
知识块B 题型F（合同判断——p,q 相同 ⇔ 合同，惯性指数是合同的"身份证"）
↓
知识块C 1.11 / 题型E（正定性判别——p = n ⇔ 正定；p < n 但 q = 0 ⇔ 半正定）
```
惯性定理是二次型理论中**最深刻的定理**——它告诉我们，在变量变换的表象之下，有一些根本的性质是永远不会改变的。这就像物理学的能量守恒、动量守恒——无论你从哪个参考系看，某些量永远不变。在数学中，(p, q) 就是二次型的"守恒量"。
✍️ **立刻练一道**（30 秒做完）：二次型 f 经过配方法得到标准形 f = 2y₁² - 3y₂² + 0·y₃²，经过正交变换法得到标准形 f = 5z₁² - z₂²。求：(1) p, q, 符号差, 秩；(2) 特征值的正负号分布。（答案：p=1, q=1, 符号差=0, 秩=2；特征值为 5 和 -1（还有一个 0）。详见下面的思考题❸。）
> 🛑 **停下来想一想**：为什么这个定理叫"惯性"定理？提示——"惯性"在物理中说的是"物体保持原来运动状态的性质"。在二次型中，什么保持"不变"？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"橡皮泥的凹凸"解释：为什么惯性指数是"守恒量"？如果一个人把橡皮泥捏扁了（做了一次可逆变换），哪些东西变了，哪些东西没变？
> **❷ 深度思考** — 在反证法的第4步，维数公式告诉我们 dim(W₁ ∩ W₂) ≥ p₁ - p₂。如果 p₁ = p₂，这个不等式变成 dim ≥ 0——还能保证交集里一定有非零向量吗？为什么证明失败不了？（提示：想想如果 p₁ = p₂，反证法还成立吗？）
> **❸ 考试演练** — 二次型 f 经过配方法得到标准形 f = 2y₁² - 3y₂² + 0·y₃²，经过正交变换法得到标准形 f = 5z₁² - z₂²。求：(1) p, q, 符号差, 秩；(2) 特征值的正负号分布。
📖 点击查看参考答案
**❶ 参考答案**：可逆变换就像把橡皮泥捏扁拉长——形状变了（标准形系数变了），但凸起的方向数量（p）和凹陷的方向数量（q）不变。因为可逆变换是"连续变形"，不会把一个凸起捏成凹陷，也不会把凹陷捏成凸起——它只能改变"凸的程度"（系数大小），不能改变"凸还是凹"这个本质属性。
**❷ 参考答案**：如果 p₁ = p₂，维数公式只能保证 dim(W₁ ∩ W₂) ≥ 0——交集可能只有零向量（退化情况）。这意味着反证法找不到矛盾向量。但反证法的前提是"假设 p₁ > p₂"——在这个前提下，p₁-p₂ ≥ 1，不等式变成了 ≥ 1，保证了一定有非零向量在交集里。所以证明是严密的——只有在"假设不对等"时才能推出矛盾，恰好证明了"必须对等"。
**❸ 参考答案**：(1) p = 1（配方法中正系数有 2 一个，正交变换法中正系数有 5 一个——虽然数值不同，但个数都是 1），q = 1，符号差 = 0，秩 = 2。(2) 正交变换法的标准形系数等于特征值，所以特征值是 5 和 -1（还有一个 0）。正特征值 1 个，负特征值 1 个，零特征值 1 个。
---
### 1.8 怎么把二次型变成标准形？——两种方法的对比
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 一个凌乱的房间，你想把它整理干净。有两种思路：第一，按物品类别逐个归置——先把所有书集中到一个角落，再把衣服叠好，最后扫地。第二，直接换一个"最顺手"的视角——站在房间的角落，沿着墙壁的方向把东西摆正。二次型化标准形也对应这两种思路：一种是代数上的"逐个消灭"（配方法），一种是几何上的"换个角度看"（正交变换法）。
> 📌 **这节学完你就能回答：**
> - 配方法和正交变换法的核心区别是什么？
> - 两种方法得到的标准形系数有什么不同？为什么？
> - 什么情况下选配方法？什么情况下选正交变换法？
#### 先看一道题：同一个二次型，两种方法各算一遍
看到这题，先别慌。手里有个二次型 `f = x1² + 2x2² + 2x1x2 + 4x1x3 + 2x2x3`，要用配方法化标准形。**难在哪？** 交叉项有 2x1x2、4x1x3、2x2x3 三个，乱七八糟的，从哪儿下手？
🧠 这一步在想什么：**逮住一个变量，把和它有关的项先全部归拢**。比如先收拾 x1——把所有含 x1 的项拖出来配成一个完全平方，x1 就"消失"了；剩下只有 x2、x3 的部分继续如法炮制。这就是**配方法**。
现在动手：
📝 用配方法把它算完（点开看全过程）
**第一步**：集中含 x1 的所有项：
f = x1² + 2x1x2 + 4x1x3 + 2x2² + 2x2x3
= (x1² + 2x1x2 + 4x1x3) + 2x2² + 2x2x3
**第二步**：按 x1 配方：
x1² + 2x1(x2 + 2x3) = (x1 + x2 + 2x3)² - (x2 + 2x3)²
所以：f = (x1 + x2 + 2x3)² - (x2 + 2x3)² + 2x2² + 2x2x3
= (x1 + x2 + 2x3)² - x2² - 4x2x3 - 4x3² + 2x2² + 2x2x3
= (x1 + x2 + 2x3)² + x2² - 2x2x3 - 4x3²
**第三步**：处理剩余的 x2：
含 x2 的项：x2² - 2x2x3 = (x2 - x3)² - x3²
所以：f = (x1 + x2 + 2x3)² + (x2 - x3)² - x3² - 4x3²
= (x1 + x2 + 2x3)² + (x2 - x3)² - 5x3²
**第四步**：设：
y1 = x1 + x2 + 2x3
y2 = x2 - x3
y3 = x3
反解出变换关系：
x3 = y3
x2 = y2 + y3
x1 = y1 - y2 - 3y3
变换矩阵：
P = [1 -1 -3]
[0 1 1]
[0 0 1]
|P| = 1 ≠ 0 ✓（可逆）
**标准形**：`f = y1² + y2² - 5y3²`
正惯性指数 p = 2，负惯性指数 q = 1。
🔍 回头看看：配方法的全程就一件事——**按变量一个个"打包完全平方"**，交叉项就被吸收进了平方里。那如果换用正交变换法（求特征值），得到标准形系数是特征值——很可能和配方得到的 1、1、-5 不一样！**这说明两种方法得到的标准形系数可以不同，但正负号个数一定一样（惯性定理）。**
**📋 两种方法的操作对比**：
#### 方法一：配方法（代数法）
**💬 比喻**：就像整理一个乱糟糟的房间——先把跟 x1 有关的东西全归到一起，配成一个完整的平方；然后处理剩下跟 x2 有关的东西……逐个消灭交叉项。
**步骤口诀**：
```
有平方项 → 集中所有含 x_i 的项 → 配成完全平方
无平方项 → 先用 x_i = y_i + y_j, x_j = y_i - y_j 造出平方项
每次处理完一个变量，剩下的继续配方
```
**⚠️ 注意**：配方法得到的变换矩阵必须是**可逆的**（行列式不为 0），否则无效！
#### 方法二：正交变换法（特征值法）
**💬 比喻**：就像把坐标系旋转到一个"最舒服"的角度——在这个角度下，橡皮泥的拉伸方向恰好沿着坐标轴，没有"互相拉扯"了。
**步骤口诀**：
```
写出对称矩阵 A → 求 A 的所有特征值和特征向量
→ 重根特征向量施密特正交化 → 所有特征向量单位化
→ 拼成正交矩阵 Q → 做变换 X = QY → 标准形系数 = 特征值
```
**两个方法的核心区别**：
| | 配方法 | 正交变换法 |
|---|--------|-----------|
| 本质 | 代数配方 | 求特征值与特征向量 |
| 标准形系数 | **不一定是特征值** | **一定等于特征值** |
| 变换矩阵 | 可逆矩阵，不一定是正交的 | **正交矩阵**（Q⁻¹ = Qᵀ） |
| 考题指示词 | "用可逆线性变换" | "用正交变换" |
✍️ **立刻练一道**（30 秒做完）：同一个二次型 f，甲用配方法得到标准形 `2y1² + 8y2²`，乙用正交变换法得到标准形 `4z1² + 6z2²`。两人的答案矛盾吗？这个二次型的矩阵特征值大约是多少？（答案：不矛盾！特征值就是 4 和 6。详见下面的思考题❷。）
> 🛑 **停下来想一想**：为什么正交变换法得到的标准形系数一定等于特征值，而配方法不一定？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"整理房间"的比喻，分别描述配方法和正交变换法的过程。
> **❷ 考试演练** — 同一个二次型 f，甲用配方法得到标准形 `2y1² + 8y2²`，乙用正交变换法得到标准形 `4z1² + 6z2²`。两人的答案矛盾吗？这个二次型的矩阵特征值大约是多少？
📖 点击查看参考答案
**❶ 参考答案**：配方法——先把和 x1 有关的东西全拉出来，凑成完全平方，减去多出来的部分，再和剩余部分合并。正交变换法——写出矩阵，求特征值和特征向量，旋转坐标轴到特征向量方向上，标准形系数等于特征值。
**❷ 参考答案**：不矛盾！配方法得到的系数 2 和 8 不一定等于特征值，正交变换法得到的 4 和 6 才等于特征值。所以特征值就是 4 和 6。虽然系数不同，但正负符号一致（都是正的），正惯性指数 p 在两个方法下都是 2——这是惯性定理的体现。
---
### 🔬 方法原理①：配方法为什么能消去交叉项？（走场景→推导→复盘→易错边界）
> 1.8 对比了配方法和正交变换法的步骤。但"配平方"这个操作背后有一整套代数逻辑——为什么"凑完全平方"就能让交叉项消失？这里把原理一条一条拆开。
**① 🏠 生活场景：整理杂货铺**
一个杂货铺的货架乱成一团——苹果和橘子混放、牙膏和毛巾堆在一起。你想把它整理干净。配方法就是"按品类逐个归置"：先把所有"含苹果"的货品集中到一个箱子，再把剩下的"含橘子"的集中到另一个箱子……每归置完一类，"交叉混杂"就少一类。整理到只剩最后一类时，货架自然清清爽爽，什么东西在什么位置一目了然——这就是"每个变量单独成项"（标准形）的直觉。
**② 📖 代数原理：配方法的本质是"完全平方展开的逆运算"**
**核心公式**（所有人都背过的初中公式）：
$$(u + v)^2 = u^2 + 2uv + v^2$$
**反过来读**（这就是配方法！）：
$$u^2 + 2uv = (u + v)^2 - v^2$$
> 大白话：左边是"分散的"（一个平方项 u² + 一个交叉项 2uv），右边是"集中的"（一个整体平方 (u+v)² 减去一个纯补偿项 v²）。配方法就是反复用这个逆公式——把分散的平方+交叉组合打包成集中的完全平方，把"多出来"的部分减掉。
**③ 🧠 推导——为什么逐变量配方必然消灭所有交叉项？**
**第1步：只看某个变量（比如 x₁），把所有含它的项拉出来**
原始二次型 f = Σaᵢᵢxᵢ² + Σᵢ<ⱼ 2aᵢⱼxᵢxⱼ。把所有"含 x₁"的项集中：
含 x₁ 的项 = a₁₁x₁² + 2a₁₂x₁x₂ + 2a₁₃x₁x₃ + ... + 2a₁ₙx₁xₙ
提出公因子（如果是完全平方式的系数）：把含 x₁ 的项写成 a₁₁·(x₁² + 2·(a₁₂/a₁₁)·x₁x₂ + ...) ——但为了不引入分数，更常见的做法是直接把前两项配成完全平方。
> 大白话：就像整理杂货铺——先不管橘子、香蕉、苹果混在一起，只盯住"苹果"（x₁），把所有含苹果的货品全部拖出来。
**第2步：对 x₁ 做"集中配方"——核心操作！**
把含 x₁ 的项重组成：
$$a_{11}\left(x_1 + \frac{a_{12}}{a_{11}}x_2 + \cdots + \frac{a_{1n}}{a_{11}}x_n\right)^2 - \text{（补偿项）}$$
补偿项 = 展开完全平方后"多出来"的那些不含 x₁ 的项（全是 x₂, ..., xₙ 的二次型）。
> 大白话：把"苹果+苹果混着橘子的部分"打包成一个密封箱子——箱子里苹果和橘子在一起，但箱子外面只剩橘子了。箱子里面是啥不重要（反正是一个整体平方），箱子外面是"处理完苹果后剩下的杂货"。
**第3步：处理"剩下的"——x₁ 彻底消失！**
配方之后，f = (含 x₁ 的完全平方) + (只含 x₂, ..., xₙ 的二次型)。注意：**剩下的部分完全不含 x₁ 了！** ——因为所有含 x₁ 的项都已经被"吸收"进了那个完全平方里。
> 大白话：第一步归置完苹果后，货架上苹果彻底清理干净了。剩下的只有橘子、香蕉……苹果再也不会"交叉混入"其他区域。
**第4步：递归——对剩下的变量重复同样操作**
现在只剩 x₂, ..., xₙ 的二次型——这是一个规模更小的同类问题。继续对 x₂ 做配方 → x₂ 被吸进第二个完全平方 → 剩余只有 x₃, ..., xₙ → 继续……
> 大白话：同样的套路反复用——归置完苹果归置橘子，归置完橘子归置香蕉……规模越来越小，直到最后一个"货架"只剩一个品类。
**第5步：为什么最终只剩纯平方项？**
每做一次配方，目标变量 xᵢ 就被"封存"进一个完全平方中，不再以任何形式出现在剩余部分。当所有变量都被"封存"完毕，原来的二次型变成了：
$$f = (\text{含 }x_1\text{ 的平方}) + (\text{含 }x_2\text{ 的平方}) + \cdots + (\text{含 }x_n\text{ 的平方})$$
每一项内部只有"纯平方"（完全平方展开后自然不含交叉项），项与项之间的变量互不重叠。所以最终得到的 y₁², y₂², ..., yᵣ² 全是纯平方项——标准形！
> 大白话：每个变量都被归置到了"自己的专属箱子"里，箱子之间互不相通。交叉项被消灭的根本原因不是"抵消"——而是**被隔离了**。每个变量只出现在自己的平方里，不跟别的变量"串门"。
**④ 📝 推导复盘（大白话串讲）**
配方法的本质是"分流隔离"而非"抵消消灭"。用初中公式 u²+2uv = (u+v)² - v²，把含 x₁ 的平方项和所有 x₁ 参与的交叉项一起打包成一个"完全平方包裹"。打包之后，x₁ 在这个包裹里，但包裹外面只剩不含 x₁ 的项。重复这个操作——每次消灭一个变量的"对外交叉关系"，直到所有变量都被封存在各自的包裹中。最终得到：每个变量只有自己的平方项，没有变量之间的交叉——标准形。
**关键洞察**：配方法不是"消掉"交叉项，而是把交叉项"兼并"进了完全平方之中。就像两个人合租——要么你搬走（消掉），要么你们结婚（兼并为一个家庭单位）。配方法选的是第二条路——每对"交叉关系"都被整合进了一个更大的平方结构。
✍️ **立刻练一道**（把刚悟出的方法马上用起来）：f = x₁² + 4x₁x₂ + 3x₂²。用配方法化标准形，并写出变换矩阵，验证其可逆。（答案：f = (x₁+2x₂)² - x₂²；令 y₁ = x₁+2x₂, y₂ = x₂，C = $\begin{bmatrix} 1 & -2 \\ 0 & 1 \end{bmatrix}$，|C| = 1 ≠ 0；标准形 f = y₁² - y₂²，p=1, q=1，不定。详见下面的思考题❸。）
**多通道对照表**：
| 通道 | 核心内容 |
|------|----------|
| 生活类比 | 整理杂货铺——逐品类归置，每个品类进自己的箱子 |
| 核心公式 | u² + 2uv = (u+v)² - v²（反过来用！） |
| 代数本质 | 把含 xᵢ 的所有项集中 → 配成完全平方 → xᵢ 消失于剩余部分 |
| 消除机制 | 隔离——每个变量只出现在自己的平方中 |
| 与正交变换的区别 | 配方法 = 逐个击破（代数操作）；正交变换 = 整体旋转（几何操作） |
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "配方法就是凑完全平方，随便凑就行" | ❌ 必须保证变换矩阵 C **可逆**（|C| ≠ 0）。如果凑出来的变换不可逆，"新变量"不能还原为"旧变量"——这不是合法操作。 |
| "没有平方项就不能配方" | ❌ 可以用 x₁ = y₁ + y₂, x₂ = y₁ - y₂ 先造出平方项（因为 (y₁+y₂)(y₁-y₂) = y₁² - y₂²）。这本质上是在变量空间中做了一次"旋转"，造出了平方项。 |
| "配方法得到的系数就是特征值" | ❌ 配方法得到的是合同标准形——系数不一定是特征值。特征值来源于正交变换（相似对角化），而配方法做的是合同变换——两者本质不同！ |
| "配方法和正交变换法得到的结果一定相同" | ❌ 不一定。系数可以不同，但正负号个数一定相同（惯性定理）。 |
| "每次配方必须用同一个操作顺序" | ⚠️ 不必须。不同的配方顺序可能得到不同的标准形（系数不同），但正负号个数（p,q）永远相同。 |
> 🛑 **停下来想一想**：如果用配方法处理 f = x₁² + 2x₁x₂ + x₂²，你会发现配方后只剩一个完全平方——秩 = 1。试试看，这个结果意味着什么？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"整理杂货铺"的比喻，解释为什么配方法每做一步，交叉项就少一类。
> **❷ 深度思考** — 配方法和正交变换法都能消交叉项。它们的"消灭机制"有什么本质不同？（提示：一个是"兼并"，一个是"旋转"）
> **❸ 考试演练** — f = x₁² + 4x₁x₂ + 3x₂²。用配方法化标准形，并写出变换矩阵，验证其可逆。
📖 点击查看参考答案
**❶ 参考答案**：每做一步配方，目标变量 xᵢ 就被"封存"进一个完全平方里——这个完全平方作为一个整体存在于最终表达式中，xᵢ 不会出现在其他地方。所以做完一个变量，它和其他变量的"交叉关系"就被斩断了。
**❷ 参考答案**：配方法 = 兼并——把交叉项"吸进"完全平方里，让两个变量在平方内部共存（但对外表现为一个整体）。正交变换法 = 旋转——旋转坐标轴到特征向量方向，让交叉项自然而然地消失（因为在新坐标系下纵向和横向不再互相影响）。前者是代数上的结构重组，后者是几何上的视角转换。
**❸ 参考答案**：f = (x₁+2x₂)² - x₂²。令 y₁ = x₁+2x₂, y₂ = x₂。反解：x₂ = y₂, x₁ = y₁ - 2y₂。变换矩阵 C = $\begin{bmatrix} 1 & -2 \\ 0 & 1 \end{bmatrix}$，|C| = 1 ≠ 0 ✓。标准形：f = y₁² - y₂²（p=1, q=1，不定二次型）。
---
### 1.9 正交变换法化标准形——详细步骤
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你有一副"魔法眼镜"——戴上之后，所有歪着的东西看起来都是正的。你需要知道每个方向的"弯曲程度"（度数），以及镜片该朝哪个方向打磨。正交变换法的全部步骤就是：先算出每个方向的"拉伸倍数"（特征值），再找到每个方向对应的"方位指向"（特征向量），最后组装成眼镜（正交矩阵 Q）。
> 📌 **这节学完你就能回答：**
> - 正交变换法六步流程是什么？为什么"先正交化再单位化"？
> - 什么时候必须做施密特正交化？什么时候可以跳过？
> - 正交矩阵 Q 的列顺序和标准形系数的顺序有什么关系？
#### 先看一道题：亲手走一遍正交变换法
看到这题，先别慌。用正交变换化 `f = 2x1² + 3x2² + 3x3² + 4x2x3` 为标准形，求正交矩阵 Q。**难在哪？** 灵魂定理③说"旋转坐标系就能消交叉项"，但**Q 到底怎么造出来？** 总不能瞎转。
🧠 这一步在想什么：**定理告诉我们 Q 的列 = 单位正交特征向量**。那就按这个思路一步步来：先写矩阵，再算特征值（这决定每个方向的"拉伸倍数"），再算特征向量（这决定"旋转的方向"），重根要正交化、全部要单位化，最后拼成 Q。下面亲手走一遍：
📝 用正交变换法把它算完（点开看全过程）
**第1步**：写出对称矩阵。
A = [2 0 0]
[0 3 2]
[0 2 3]
**第2步**：求特征值。
|λE - A| = (λ-2)[(λ-3)² - 4] = (λ-2)(λ-1)(λ-5) = 0
特征值：λ₁ = 1, λ₂ = 2, λ₃ = 5（全是单根，不需要正交化）
**第3步**：求特征向量。
对 λ₁ = 1：α₁ = (0, -1, 1)ᵀ
对 λ₂ = 2：α₂ = (1, 0, 0)ᵀ
对 λ₃ = 5：α₃ = (0, 1, 1)ᵀ
**第4步**：三个特征值全是单根 → 不需要施密特正交化。
**第5步**：单位化。
|α₁| = √2 → ε₁ = (0, -1/√2, 1/√2)ᵀ
|α₂| = 1 → ε₂ = (1, 0, 0)ᵀ
|α₃| = √2 → ε₃ = (0, 1/√2, 1/√2)ᵀ
**第6步**：构造正交矩阵 Q。
Q = [ε₁ ε₂ ε₃] = [0 1 0 ]
[-1/√2 0 1/√2 ]
[1/√2 0 1/√2 ]
标准形：`f = 1·y1² + 2·y2² + 5·y3²`
⚠️ 注意：正交矩阵的列的顺序必须和特征值的顺序对应。
🔍 回头看看：刚才我们其实**已经把六步流程走了一遍**！写矩阵（第1步）→ 求特征值（第2步）→ 求特征向量（第3步）→ 正交化（第4步，这里单根省了）→ 单位化（第5步）→ 拼 Q 写答案（第6步）。下面把这条流程正式写下来。
**💬 完整比喻**：
正交变换就像给你一副特制眼镜，戴上这副眼镜后，原本扭曲的"二次型曲面"看起来就是标准的椭圆/椭球了。这副眼镜的制作过程就是：
1. 算出曲面在不同方向的"拉伸倍数"（特征值）
2. 找出每个方向的"坐标指向"（特征向量）
3. 把这些指向打磨成互相垂直、长度都是 1 的标准指路牌（施密特正交化 + 单位化）
4. 把这些标准指路牌拼成一幅"导航图"（正交矩阵 Q）
5. 戴上眼镜：`X = QY`
**📋 标准六步流程**：
```
第1步：写出对称矩阵 A
第2步：求特征方程 |λE - A| = 0 的根 → 得到所有特征值
第3步：对每个特征值，解 (A - λE)x = 0 → 得到基础解系（特征向量）
第4步：【关键】重根对应的特征向量 → 施密特正交化
单根对应的特征向量 → 自动正交，不需要这步
第5步：所有特征向量单位化（变成长度为 1 的单位向量）
第6步：以单位正交特征向量为列，拼出正交矩阵 Q
写出标准形：f = λ1·y1² + λ2·y2² + ... + λn·yn²
```
**🔑 六步速记口诀**：写矩阵→求特征值→求向量→正交化（重根才做）→单位化→拼Q写答案
**⚠️ 最容易犯的五个错误**：
1. **矩阵写错了**：交叉项系数忘了除以 2！
2. **顺序乱了**：正交矩阵的列的顺序必须和标准形中特征值的顺序一致
3. **忘了正交化**：重根的特征向量必须做施密特正交化
4. **忘了单位化**：正交矩阵的列向量长度必须是 1
5. **先后顺序**：**建议先正交化再单位化**（计算更方便）
✍️ **立刻练一道**（把刚悟出的六步马上用起来）：用正交变换化 `f = x1² + x2² + 4x1x2` 为标准形。（答案：矩阵 $\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$，特征值 λ=3 和 λ=-1，标准形 **f = 3y1² - y2²**，p=1, q=1，不定。详见**题型C**的半扶练习，或做配套练习题6-20。）
> 🛑 **停下来想一想**：如果一个 3×3 矩阵有三个互不相同的特征值（比如 1, 2, 3），它的正交变换法步骤中，哪些步骤可以跳过？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"制作魔法眼镜"的比喻，把正交变换法的六步讲一遍。
> **❷ 考试演练** — 在正交变换法的六步中，每一步如果做错了，分别会导致什么结果？
📖 点击查看参考答案
**❶ 参考答案**：第1步（写矩阵）= 测量你的"视力状况"。第2步（求特征值）= 测出每个方向的"度数"。第3步（求特征向量）= 找出每个度数对应的"散光方向"。第4步（施密特正交化）= 如果两个方向的度数一样，需要把它们打磨成垂直的。第5步（单位化）= 把所有方向标尺统一刻成"1 厘米"的长度。第6步（拼 Q）= 把磨好的镜片按度数顺序装进眼镜框。
**❷ 参考答案**：第1步（矩阵写错）→整个六步全白做，整道大题 0 分。第2步（特征值求错）→后面全错。第3步（特征向量求错）→Q 就错了。第4步（漏做正交化）→Q 的列不一定两两正交→Q 不是正交矩阵。第5步（漏做单位化）→Q 的列长度不是 1→Q 不是正交矩阵。第6步（顺序写错）→系数和列不对应→扣分。
---
### 🔬 方法原理②：正交变换法六步，每步为什么必须这样做？
> 1.9 节给出了正交变换法的六步操作流程。但只知道"怎么做"还不够——考试中一步做错，后面全盘崩。这里把每一步的**数学理由**讲透，让你在做每一步时脑中都有清晰的"为什么"。
**① 🏠 生活场景：打造一副特制眼镜**
你要给一个"歪着看世界"的人配一副矫正眼镜。不能随便买现成的——必须经过精确的六个步骤：
1. **测量视力**（写矩阵）——先搞清楚他到底"怎么看东西"的
2. **测度数**（求特征值）——算出每个方向需要多少度的矫正
3. **定散光方向**（求特征向量）——找出每个度数对应的散光轴向
4. **打磨镜片垂直**（施密特正交化）——如果两个度数一样，必须确保镜片互相垂直，不能互相干扰
5. **统一刻度**（单位化）——把所有镜片磨成标准厚度，确保"1度"的基准一致
6. **装框**（拼Q写答案）——按度数顺序装进眼镜框，顺序不能乱
**② 🔬 每步的数学原理**
---
**第1步：写出对称矩阵 A —— 为什么交叉项要取半？**
**数学理由**：因为只有对称矩阵可以被正交对角化。第五章的核心结论是"实对称矩阵 A 存在正交矩阵 Q 使得 QᵀAQ = Λ"。如果 A 不对称，这条结论就不成立——后面的特征值、特征向量全都无从谈起。
交叉项取半的原因：要保证矩阵在二次型展开时还原原始的交叉项系数（见灵魂定理①的推导）。xᵀAx 展开后，xᵢxⱼ 的系数 = aᵢⱼ + aⱼᵢ。令 aᵢⱼ = aⱼᵢ（对称），则 aᵢⱼ = 原始交叉项系数的一半。
> 大白话：这一步是"地基"。地基歪了，整栋楼全塌。矩阵写错 = 整道大题直接 0 分。
**⛔ 这一步做错的后果**：后面的特征值和特征向量全部算的是"错的矩阵"——整道大题一分不得。
---
**第2步：求特征值 |λE - A| = 0 —— 为什么必须通过特征方程？**
**数学理由**：特征值 λ 的定义就是 |λE - A| = 0 的非零解。求解这个方程得到的所有 λ 恰好是"对角化后标准形的系数"。因为最终标准形 f = λ₁y₁² + λ₂y₂² + ... + λₙyₙ²，每个系数 λᵢ = 曲面对应方向上的"拉伸倍数"。
> 大白话：特征值 = 每个矫正方向的"度数"。度数测错了，眼镜就没法用。
**⛔ 这一步做错的后果**：特征值错了 → 特征向量跟着全错 → 正交矩阵 Q 全盘错。
---
**第3步：对每个 λ 解 (A - λE)x = 0 —— 本质是干什么？**
**数学理由**：这是第4章"解齐次线性方程组"的直接应用。(A - λE)x = 0 的解空间 = λ 对应的特征子空间。解出来的基础解系 = 特征向量的"生成元"。
每个特征向量指明了：在"特征方向"上，矩阵 A 对向量的作用仅仅是"伸缩"（伸缩倍率 = 特征值 λ）。特征向量就是曲面的"天然轴线"方向。
> 大白话：每个度数（特征值）对应一个"矫正方向"（特征向量）。这个方向的含义是——沿着这个方向看过去，曲面是纯拉伸的，没有扭曲。
**⛔ 这一步做错的后果**：特征向量方向错了 → Q 的列方向不对 → 标准形的变量 yᵢ 和系数 λᵢ 的对应关系全乱。
---
**第4步：施密特正交化 —— 只对重根做！为什么单根不用做？**
**数学理由**：第五章证明了——实对称矩阵的**不同特征值对应的特征向量自动正交**。所以单根对应的特征向量天然互相垂直，不需要再正交化。
但如果一个特征值是重根（例如 λ₁ = λ₂），它的特征子空间是 2 维（或更高维）。在这个子空间里取出的基础解系 α₁, α₂——它们线性无关，但**不一定正交**。我们需要的正交矩阵 Q 要求**所有列向量都两两正交**。所以必须用施密特正交化把 α₁, α₂ 加工成互相垂直的 β₁, β₂。
**施密特公式的逻辑**：
$$\beta_2 = \alpha_2 - \frac{\alpha_2 \cdot \beta_1}{\beta_1 \cdot \beta_1} \beta_1$$
意思是：从 α₂ 中"减去它在 β₁ 方向上的投影"，剩下的部分就一定和 β₁ 垂直了。
> 大白话：有两个矫正方向度数一样（重根）。它们在一个平面上，但不一定互相垂直。施密特正交化就是"把歪着的一个拧到和另一个成直角"——这样两个镜片才互不干扰。
**⛔ 这一步漏做的后果**：Q 的列不全正交 → Q 不是正交矩阵 → "正交变换"名存实亡。
---
**第5步：单位化 —— 为什么要让所有特征向量长度都变成 1？**
**数学理由**：正交矩阵的定义要求：Q 的每一列都是单位向量（长度为 1），且两两正交。只有满足这两条，才能保证 Qᵀ = Q⁻¹。
单位化的操作：ε = β / |β|（向量除以自己的长度）。这相当于把每个方向上的"尺子"统一成 1 厘米长——确保正交变换 x = Qy 是**不缩放的旋转**（保持长度不变）。
> 大白话：所有指路牌的长度必须统一成 1。如果有的方向标尺长、有的短，旋转时会把曲面"拉变形"——正交变换必须是"刚体运动"（不改变形状和大小的旋转/反射）。
**⛔ 这一步漏做的后果**：Q 不是正交矩阵 → Qᵀ ≠ Q⁻¹ → 变换后的结果不保证是标准形。
**⚠️ 重要顺序提示**：先正交化，后单位化！如果反过来——先单位化再做施密特正交化——正交化会破坏单位长度，你又得重新单位化一次，多此一举。
---
**第6步：拼正交矩阵 Q 并写标准形 —— 顺序为什么重要？**
**数学理由**：Q 的第 i 列 = λᵢ 对应的单位正交特征向量。标准形 f = λ₁y₁² + λ₂y₂² + ... + λₙyₙ²。Q 的列的顺序**必须**和 λᵢ 在标准形中的排列顺序一致！
因为 x = Qy = (ε₁, ε₂, ..., εₙ)(y₁, y₂, ..., yₙ)ᵀ = y₁ε₁ + y₂ε₂ + ... + yₙεₙ。而 QᵀAQ = diag(λ₁, ..., λₙ) 的对角元顺序 = Q 的列的顺序。
> 大白话：眼镜框有左右两个镜片槽——左镜片槽对应 λ₁，右镜片槽对应 λ₂。你把左右镜片装反了，度数就对不上位置了——看出来的"矫正效果"就会错位（系数和变量名对不上）。
**⛔ 这一步顺序写错的后果**：标准形的系数顺序和题目要求的对应关系不一致 → 考试扣分。
---
**③ 📝 六步逻辑依赖链（为什么顺序不能乱）**
```
第1步（写矩阵）→ 决定了你后面算的是什么东西
↓ 唯一依赖
第2步（特征值）→ 决定了有几个方向、每个方向的拉伸倍数
↓ 一对一依赖
第3步（特征向量）→ 每个特征值对应一个方向，单根1个、重根多个
↓ 重根才做
第4步（正交化）→ 确保重根子空间内的向量互相垂直
↓ 所有向量都做
第5步（单位化）→ 确保每个向量长度为 1（正交矩阵的必要条件）
↓ 拼接
第6步（拼Q写答案）→ 顺序 = 特征值顺序，错位则全错
```
每一步的输出是下一步的输入——就像流水线，任何一环出错，下游全崩。
**④ 📝 推导复盘（大白话串讲）**
正交变换法的六步是一条严密的逻辑链：
1. 矩阵写对是地基（地基歪了全塌）
2. 特征值测"度数"（多少度矫正）
3. 特征向量定"方向"（往哪个方向矫正）
4. 重根方向要"磨垂直"（度数相同的方向必须互不干扰）
5. 所有方向标尺统一为 1（正交矩阵要求）
6. 按顺序装框（镜片和度数必须一一对应）
每一步都有确切的数学理由，不是"规定这么做"，而是"不这么做就不对"。
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "矩阵写对了就行，验证没必要" | ❌ 必须用 xᵀAx 展开验证一遍！交叉项取半是最高频的错误——花 30 秒验证可以避免后面 20 分钟全白做。 |
| "求特征向量，解方程组时抄错符号" | ⚠️ 最容易犯的粗心错误。(A-λE)x = 0 中，符号写错一个 → 整个特征向量就不对。建议每求完一个特征向量，立刻代入 (A-λE)α 验证是否等于 0。 |
| "特征向量直接就是正交矩阵的列" | ❌ 还差两步——重根的向量要正交化，所有向量要单位化。不做这两步，Q 不是正交矩阵！ |
| "施密特正交化只做一次就够了" | ✅ 对，但要注意：如果有三个重根（三重根），需要对三个向量做两次施密特正交化（β₂ 对 β₁ 正交化，β₃ 同时对 β₁ 和 β₂ 正交化）。 |
| "单位化就是除以向量的长度" | ✅ 对，但注意"长度"指 ||α|| = √(α·α)。经常有同学用向量分量之和代替向量长度——这是概念错误。 |
> 🛑 **停下来想一想**：如果 A 的所有特征值都互不相同（全是单根），六步中哪些步骤可以简化？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"配眼镜"的比喻，把正交变换六步讲一遍，每步对应眼镜制作的哪个环节。
> **❷ 深度思考** — 如果一个矩阵对称但不满秩（有零特征值），正交变换法还能做吗？哪一步会受影响？
> **❸ 考试演练** — 已知正交变换法的结果：f = 3y₁² - y₂²。如果我把 Q 的第一列和第二列交换，标准形变成什么？
📖 点击查看参考答案
**❶ 参考答案**：第1步=验光（测出原始视力数据）；第2步=确定每一方向的度数（特征值）；第3步=确定散光轴向（特征向量方向）；第4步=打磨镜片使互相垂直（度数相同的方向正交化）；第5步=统一镜片厚度标准（单位化）；第6步=按度数顺序装框（拼Q写标准形）。
**❷ 参考答案**：能做！零特征值意味着"A 在某方向上是平的"——对应的特征向量仍然可以正常求取（解 Ax = 0 即可）。零特征值对应的特征向量和其他非零特征值的特征向量仍然自动正交（实对称矩阵的性质）。唯一的影响：标准形中有一项的系数为 0，这一项可以直接省略——秩 < n。
**❸ 参考答案**：交换 Q 的第一、二列 → 标准形变为 f = -y₁² + 3y₂²。特征值的顺序和 Q 的列顺序绑定的——Q 的第 i 列对应标准形第 i 个系数。
---
### 1.10 什么情况下用配方法比正交变换法更方便？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你要去 3 公里外的超市——走路 40 分钟、骑车 15 分钟、开车 5 分钟（但停车 10 分钟）。显然骑车最快。工具没有绝对的好坏，只有"适不适合当前情况"。解二次型题目也一样——配方和正交变换都是好工具，但不同的题目选不同的工具。
> 📌 **这节学完你就能回答：**
> - 哪些题目更适合配方法？哪些必须用正交变换法？
> - 如果题目没有明确说用什么方法，我该怎么选？
**选配方法的情况**：
- 二次型中交叉项很少（比如只有一个交叉项）
- 平方项系数简单（比如系数都是 1、2 这样的小整数）
- 变量个数少（2 个或 3 个）
- 题目明确说"用可逆线性变换"（不是正交变换）
**选正交变换法的情况**：
- 题目明确说"用正交变换"
- 需要求标准形的系数（它们就是特征值）
- 和特征值、特征向量结合起来考
- 需要判断正定性（直接看特征值正负）
✍️ **立刻练一道**（30 秒做完）：给你一个二次型 `f = x1² + 3x2² - 2x1x2`，你会选配方法还是正交变换法？为什么？（答案：只有一个交叉项、系数简单，配方法更省事，两步出答案；但考试若明确写"用正交变换"就必须用正交变换法。详见下面的思考题❶。）
> 🛑 **停下来想一想**：如果题目说"化二次型为标准形"，没说用什么方法——你用配方法得到 f = 2y1² + 3y2²，同桌用正交变换法得到 f = 5z1² + 1z2²。你们俩谁的答案对？还是都对？
> 💡 **阅读思考题**
>
> **❶** 给你一个二次型 `f = x1² + 3x2² - 2x1x2`，你会选配方法还是正交变换法？为什么？
> **❷** 题目："用可逆线性变换化 f 为标准形"——这里"可逆线性变换"意味着什么？该选哪种方法？
📖 点击查看参考答案
**❶ 参考答案**：这个二次型只有一个交叉项 -2x1x2，系数简单——配方法更省事。集中 x1→(x1-x2)²+2x2²，两步出答案。但考试中如果题目明确写"用正交变换"，那就必须用正交变换法。
**❷ 参考答案**："可逆线性变换"意味着变换矩阵必须可逆（行列式不为 0），但不要求是正交矩阵。这暗示你应该用配方法。口诀：看到"正交变换"→必用正交变换法；看到"可逆线性变换"→优选配方法。
---
#### 🎯 解题方法
> 以下三种题型对应知识块A中的核心技能。先读完知识块A再回头做这些题——每个方法都在前面的知识点中讲过了。
### 题型A：写出二次型的矩阵（⭐⭐⭐）
**🎯 识别特征**：给出二次型的具体表达式，要求写出对应的**对称矩阵**。
#### 先看一道题，跟着找感觉
写出 `f(x1, x2, x3) = 2x1² + 3x2² + x3² - 4x1x2 + 6x1x3 - 8x2x3` 的矩阵。**难在哪？** 五个平方项交叉项混在一起，最怕的就是交叉项系数忘了取半。怎么稳？
🧠 这一步在想什么：**按口诀一步步来，写完立刻验证**。平方项系数照抄对角（2、3、1）；每个交叉项系数除以 2 放到对称两个位置（-4→-2，6→3，-8→-4）；最后检查对称性。
📝 完整解答（点开看）
平方项：2, 3, 1 → 对角线 (1,1)=2, (2,2)=3, (3,3)=1
交叉项：
-4x1x2 → 系数 -4，除以 2 → -2 → (1,2) 和 (2,1) 都是 -2
6x1x3 → 系数 6，除以 2 → 3 → (1,3) 和 (3,1) 都是 3
-8x2x3 → 系数 -8，除以 2 → -4 → (2,3) 和 (3,2) 都是 -4
矩阵 A = [ 2 -2 3 ]
[ -2 3 -4 ]
[ 3 -4 1 ]
检查对称性：Aᵀ = A ✓
🔍 回头看看：这题的关键操作其实是——**交叉项系数取半**（正向），以及**矩阵对称检查**。下面把这条路径写成标准步骤。
**📋 解题步骤**：
```
第1步：确定变量个数 n → 矩阵是 n×n 的
第2步：看平方项 x_i² 的系数 → 放到 (i,i) 位置（对角线）
第3步：看交叉项 x_i·x_j 的系数 → 除以 2 → 放到 (i,j) 和 (j,i) 位置
第4步：检查是否对称 → (i,j) 和 (j,i) 必须相等
第5步（反向）：如果给的是对称矩阵，反写回二次型
→ (i,i) 位置的数 × x_i²
→ (i,j) 位置的数 × 2 × x_i·x_j
```
**⚠️ 最容易错的地方**：
- 交叉项系数**除以 2**——这是第一杀手
- 反向写时**乘以 2**——跟正向操作相反，容易搞混
✍️ **立刻练一道**（马上用起来）：写出 `f(x1, x2, x3) = x1² - 2x2² + 3x1x2 - 4x1x3` 的矩阵。（答案：平方项 (1,1)=1, (2,2)=-2, (3,3)=0；交叉项 3x1x2→取半→1.5 放 (1,2)/(2,1)，-4x1x3→取半→-2 放 (1,3)/(3,1)。详见本节阅读思考题❷。）
> 🚫 **找找茬**（交叉项取半——最高频的错）：
某同学要写出 `f = x1² + 6x1x2 + 5x2²` 的矩阵，得 A = $\begin{bmatrix} 1 & 6 \\ 6 & 5 \end{bmatrix}$。错在哪？
📖 点开看错因和正解
**错在哪**：交叉项系数 6 必须**先除以 2** 再放进矩阵。他忘了取半，直接抄了 6。
用他的矩阵反算：XᵀAX = x1² + 6x1x2 + 6x2x1 + 5x2² = x1² + **12**x1x2 + 5x2²，交叉项变成 12 了！
**正解**：6÷2 = 3 → (1,2)=(2,1)=3 → **A = $\begin{bmatrix} 1 & 3 \\ 3 & 5 \end{bmatrix}$**。
**教训**：写完矩阵一定要反乘验证一遍——这是发现"忘取半"的唯一保险。
> 💡 **阅读思考题**
>
> **❶** 正向（二次型→矩阵）：交叉项取半。反向（矩阵→二次型）：交叉项取双。为什么恰好相反？
> **❷** 写出 `f(x1, x2, x3) = x1² - 2x2² + 3x1x2 - 4x1x3` 的矩阵。
📖 点击查看参考答案
**❶ 参考答案**：XᵀAX 展开时，x_i·x_j 会出现两次——一次来自 (i,j) 位置的 a_ij·x_i·x_j，一次来自 (j,i) 位置的 a_ji·x_j·x_i。如果 A 是对称的，这两项合并为 2a_ij·x_i·x_j。所以正向（已知系数，求 a_ij）→ 除以 2；反向（已知 a_ij，求系数）→ 乘以 2。
**❷ 参考答案**：
平方项：x1² 系数 1 → (1,1)=1；-2x2² → (2,2)=-2；x3² 没有出现 → (3,3)=0。
交叉项：3x1x2 → 取半 → 1.5 → (1,2)=(2,1)=1.5；-4x1x3 → 取半 → -2 → (1,3)=(3,1)=-2。没有 x2x3 → (2,3)=(3,2)=0。
---
#### 配套练习
**题6-1 ⭐ 基础 | 用模板A（写矩阵）**
写出二次型 `f(x1, x2) = x1² - 2x1x2 + 4x2²` 的矩阵。
📖 点击查看答案
A = $\begin{bmatrix} 1 & -1 \\ -1 & 4 \end{bmatrix}$
验证：xᵀAx = x1² - x1x2 - x2x1 + 4x2² = x1² - 2x1x2 + 4x2² ✓
---
**题6-2 ⭐ 基础 | 用模板A（反向：矩阵写回二次型）**
已知对称矩阵 A = $\begin{bmatrix} 1 & 2 \\ 2 & 3 \end{bmatrix}$，写出对应的二次型。
📖 点击查看答案
**f = x1² + 4x1x2 + 3x2²**
正向：交叉取半；反向：交叉取双。
(1,2) = 2 → x1x2 系数 = 2×2 = 4
---
**题6-17 ⭐ 基础 | 用模板A（反向：三阶矩阵写回二次型）**
已知对称矩阵 A = $\begin{bmatrix} 2 & -1 & 0 \\ -1 & 3 & 2 \\ 0 & 2 & -1 \end{bmatrix}$，写出对应的二次型。
📖 点击查看答案
**f = 2x₁² + 3x₂² - x₃² - 2x₁x₂ + 4x₂x₃**
口诀："正向取半，反向取双。" (1,3) 位置是 0，所以没有 x₁x₃ 这一项。
---
### 题型B：配方法化标准形（⭐⭐）
**🎯 识别特征**：题目说"用可逆线性变换化二次型为标准形"，或者没指定方法但二次型交叉项少。
#### 配方法的标准步骤
> 配方法怎么一步步走，我们已经在 1.8 节亲手做完一遍了（那道 `f = x1² + 2x2² + 2x1x2 + 4x1x3 + 2x2x3` 的完整配方过程）。这里把它提炼成标准步骤，拿来直接套用。
**📋 解题步骤**：
```
情况一：有平方项
第1步：选一个变量（比如 x1），把二次型中所有含 x1 的项集中到一起
第2步：按 x1 配方，凑成 (ax1 + bx2 + cx3 + ...)² 的形式
第3步：配方后，剩余部分只含 x2, x3, ...（x1 消失了）
第4步：继续处理剩余部分，重复第1-3步
第5步：写出变换关系 X = PY，验证 |P| ≠ 0
情况二：没有平方项（全是交叉项）
第1步：选两个变量（比如 x1, x2），设：
x1 = y1 + y2
x2 = y1 - y2
这样 x1x2 就变成了 (y1+y2)(y1-y2) = y1² - y2²
第2步：替换后按"情况一"继续配方
```
✍️ **立刻练一道**（马上用起来）：用配方法化 `f = x1² + 4x1x2 + 5x2² + 2x2x3 + x3²` 为标准形。（答案：f = (x1+2x2)² + (x2+x3)²，标准形 **f = y1² + y2²**，秩=2，p=2, q=0，是半正定。详见下面的半扶练习。）
> 🪜 **半扶练习**：用配方法化 `f = x1² + 4x1x2 + 5x2² + 2x2x3 + x3²` 为标准形。
📖 扶完了，点这里对答案
第1步：先收拾含 x1 的项 x1² + 4x1x2，凑完全平方 → (x1 + 2x2)² - 4x2²。
第2步：-4x2² + 5x2² + 2x2x3 + x3² = x2² + 2x2x3 + x3²。
第3步：x2² + 2x2x3 + x3² 恰好是完全平方 (x2 + x3)²。
第4步：f = (x1+2x2)² + (x2+x3)²。令 y1=x1+2x2, y2=x2+x3, y3=x3，标准形 **f = y1² + y2²**（秩=2，p=2, q=0，是半正定）。
---
#### 配套练习
**题6-3 ⭐ 基础 | 用模板B（配方法入门）**
用配方法化 `f = x1² + 6x1x2 + 10x2²` 为标准形。
📖 点击查看答案
f = (x1 + 3x2)² + x2²
令 y1 = x1 + 3x2, y2 = x2
变换矩阵 P = $\begin{bmatrix} 1 & -3 \\ 0 & 1 \end{bmatrix}$，|P| = 1 ≠ 0 ✓
标准形：**f = y1² + y2²**
---
**题6-7 ⭐⭐ 中等 | 用模板B（配方法——无平方项型）**
用配方法化 `f = 2x1x2 + 2x1x3 - 6x2x3` 为标准形。
📖 点击查看答案
**分析**：没有平方项，全是交叉项！需要先构造平方项。
设 x1 = y1 + y2, x2 = y1 - y2, x3 = y3
代入后得：f = 2y1² - 2y2² - 4y1y3 + 8y2y3（仍含交叉项，还需再配方）
对 y1、y2 再配方：先把含 y1 的项配成 2y1² − 4y1y3 = 2(y1 − y3)² − 2y3²，再把含 y2 的项配成 −2y2² + 8y2y3 = −2(y2 − 2y3)² + 8y3²，两式相加（注意 y3² 的系数 −2 + 8 = 6）得：2y1² - 2y2² - 4y1y3 + 8y2y3 = 2(y1-y3)² - 2(y2-2y3)² + 6y3²
令 z1 = y1 - y3, z2 = y2 - 2y3, z3 = y3，得标准形：**f = 2z1² - 2z2² + 6z3²**
正惯性指数 p = 2，负惯性指数 q = 1。
---
**题6-9 ⭐⭐ 中等 | 用模板B（配方法+惯性指数）**
已知二次型 `f = x1² + 2x2² - x3² + 2x1x2`。(1) 用配方法化为标准形；(2) 求惯性指数。
📖 点击查看答案
(1) 标准形：**f = y₁² + y₂² - y₃²**
(2) **p = 2，q = 1**
---
**题6-30 ⭐⭐ 中等 | 用模板B+D（配方→惯性指数→规范形→正定性，四合一串联）**
设 f(x₁, x₂, x₃) = x₁² + 5x₂² + 2x₃² + 4x₁x₂ + 2x₁x₃ + 6x₂x₃。(1) 配方法化标准形；(2) 求惯性指数和规范形；(3) 判断是否正定。
📖 点击查看答案
(1) 先集中含 x₁ 的项：x₁² + 4x₁x₂ + 2x₁x₃ = (x₁+2x₂+x₃)² − (4x₂² + x₃² + 4x₂x₃)。代回原式，剩余的 (5x₂² + 2x₃² + 6x₂x₃) 减去多出的 (4x₂² + x₃² + 4x₂x₃)，正好剩 x₂² + x₃² + 2x₂x₃ = (x₂+x₃)²。所以 f = (x₁+2x₂+x₃)² + (x₂+x₃)²，标准形：**f = y₁² + y₂²**
(2) p=2, q=0, 规范形：z₁² + z₂²
(3) 由标准形 f = y₁² + y₂² 知 p=2, q=0 → **半正定**（不正定）
---
### 题型C：正交变换法化标准形（⭐⭐⭐，大题核心题型）
**🎯 识别特征**：题目明确说"求正交变换 X=QY，化二次型为标准形"。这是考研数学一/二/三每年必考的大题题型，分值通常在 11 分左右。
#### 正交变换法的标准六步
> 正交变换法的六步，我们已经在 1.9 节亲手做完一遍了（那道 `f = 2x1² + 3x2² + 3x3² + 4x2x3` 的完整过程）。这里把它提炼成标准流程，拿来直接套用。
**📋 标准六步流程**：
```
第1步：写出二次型的对称矩阵 A（注意交叉项系数取半！）
第2步：求 |λE - A| = 0 → 得到全部特征值 λ1, λ2, ..., λn
第3步：对每个 λᵢ，解 (A - λᵢE)x = 0 → 得到基础解系
第4步：如果某特征值是重根 → 对其特征向量做施密特正交化
如果某特征值是单根 → 不需要这步
第5步：将所有特征向量单位化（除以各自的长度）
第6步：用单位正交特征向量为列，拼成 Q → 写标准形
```
**🔑 第4步详解——施密特正交化**：
对于重根 λ 对应的两个线性无关的特征向量 α₁, α₂：
```
β₁ = α₁
β₂ = α₂ - (α₂·β₁)/(β₁·β₁) × β₁
```
**🔑 第5步详解——单位化**：
```
ε = β / |β|（用向量的长度去除它本身）
```
✍️ **立刻练一道**（马上用起来）：用正交变换化 `f = x1² + x2² + 4x1x2` 为标准形。（答案：矩阵 A = $\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$，特征值 λ=3 和 λ=-1，Q = $\begin{bmatrix} 1/\sqrt{2} & 1/\sqrt{2} \\ 1/\sqrt{2} & -1/\sqrt{2} \end{bmatrix}$，标准形 **f = 3y1² - y2²**，p=1, q=1，是不定二次型。详见下面的半扶练习。）
> 🗣️ **出声思考：正交变换法完整思维流**：扫描题目→"用正交变换"→先写矩阵，小心交叉项取半！→算特征值→全是单根，省了正交化→求特征向量→快速正交检查→单位化→写答案。
> 🪜 **半扶练习**：用正交变换化 `f = x1² + x2² + 4x1x2` 为标准形。
📖 点这里对答案
矩阵 A = $\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$。
特征值 λ = 3 和 λ = -1。
λ=3 → 特征向量 (1,1)ᵀ；λ=-1 → 特征向量 (1,-1)ᵀ。
单位化 ε₁=(1/√2, 1/√2)ᵀ, ε₂=(1/√2, -1/√2)ᵀ。
Q = $\begin{bmatrix} 1/\sqrt{2} & 1/\sqrt{2} \\ 1/\sqrt{2} & -1/\sqrt{2} \end{bmatrix}$。
标准形 **f = 3y1² - y2²**（p=1, q=1，是不定二次型）。
---
#### 配套练习
**题6-20 ⭐ 基础 | 用模板C（正交变换法——三阶互异特征值）**
用正交变换化 f(x₁, x₂, x₃) = x₁² + x₂² + x₃² + 2x₁x₂ 为标准形，并写出所用的正交矩阵 Q。
📖 点击查看答案
A = $\begin{bmatrix} 1 & 1 & 0 \\ 1 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}$
特征值 λ₁=0, λ₂=2, λ₃=1，三个互异。
Q = $\begin{bmatrix} -1/\sqrt{2} & 1/\sqrt{2} & 0 \\ 1/\sqrt{2} & 1/\sqrt{2} & 0 \\ 0 & 0 & 1 \end{bmatrix}$
标准形：**f = 2y₂² + y₃²**
---
**题6-24 ⭐ 基础 | 用模板C（二次型在单位球面上的最值）**
设 A 是 3 阶实对称矩阵，特征值为 5, 2, -1。二次型 f = XᵀAX 在约束条件 x₁² + x₂² + x₃² = 1 下的最大值和最小值分别是多少？
📖 点击查看答案
最大值 = **5**；最小值 = **-1**。
---
**题6-8 ⭐⭐ 中等 | 用模板C（正交变换法——含重根）**
用正交变换化 `f = 2x1² + 2x2² + 2x3² + 2x1x2 + 2x1x3 + 2x2x3` 为标准形。
📖 点击查看答案
A = $\begin{bmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{bmatrix}$
特征值：λ₁=4, λ₂=λ₃=1（重根！需要施密特正交化）
α₁=(1,1,1)ᵀ, α₂=(-1,1,0)ᵀ, α₃=(-1,0,1)ᵀ
施密特正交化：β₂=(-1,1,0)ᵀ, β₃=(-1/2,-1/2,1)ᵀ（化简为(-1,-1,2)ᵀ）
单位化后得 Q，标准形：**f = 4y1² + y2² + y3²**（正定！）
---
**题6-27 ⭐⭐ 中等 | 用模板C（正交变换法——含重根+施密特正交化）**
用正交变换化 f(x₁, x₂, x₃) = 3x₁² + 3x₂² + 3x₃² + 2x₁x₂ + 2x₁x₃ + 2x₂x₃ 为标准形，写出正交矩阵 Q。
📖 点击查看答案
A = $\begin{bmatrix} 3 & 1 & 1 \\ 1 & 3 & 1 \\ 1 & 1 & 3 \end{bmatrix}$
特征值：λ₁=5, λ₂=λ₃=2（重根）
λ=5 对应 α₁=(1,1,1)ᵀ；λ=2 对应特征子空间 x₁+x₂+x₃=0，取 α₂=(−1,1,0)ᵀ、α₃=(−1,0,1)ᵀ
施密特正交化得：β₂=(−1,1,0)ᵀ，β₃=(−1,−1,2)ᵀ
单位化得：ε₁=(1/√3, 1/√3, 1/√3)ᵀ，ε₂=(−1/√2, 1/√2, 0)ᵀ，ε₃=(−1/√6, −1/√6, 2/√6)ᵀ
正交矩阵 Q = $\begin{bmatrix} 1/\sqrt{3} & −1/\sqrt{2} & −1/\sqrt{6} \\ 1/\sqrt{3} & 1/\sqrt{2} & −1/\sqrt{6} \\ 1/\sqrt{3} & 0 & 2/\sqrt{6} \end{bmatrix}$
标准形：**f = 5y₁² + 2y₂² + 2y₃²**（正定！）
---
**题6-13 ⭐⭐ 真题 | 2015年数学一 | 用模板C**
设二次型 f 在正交变换 X=PY 下的标准形为 2y₁² + y₂² - y₃²，其中 P = (e₁, e₂, e₃)。若 Q = (e₁, -e₃, e₂)，则 f 在正交变换 X=QY 下的标准形为：
(A) **2y₁² - y₂² + y₃²** (B) 2y₁² + y₂² - y₃² (C) 2y₁² - y₂² - y₃² (D) 2y₁² + y₂² + y₃²
📖 点击查看答案
✅ 答案：**(A) 2y₁² - y₂² + y₃²**
关键理解：改变正交矩阵中列的排列顺序，只是改变了特征值在标准形中的排列顺序，特征值本身不变。特征向量的符号取反也不影响特征值。
---
**题6-14 ⭐⭐⭐ 真题 | 2018年数学一 | 用模板C（大题型）**
已知二次型 f(x₁,x₂,x₃) = x₁² + x₂² + x₃² + 2x₁x₂ + 2x₁x₃ + 2x₂x₃。
(1) 用正交变换化 f 为标准形。
(2) 求 f 在条件 x₁² + x₂² + x₃² = 1 下的最大值和最小值。
📖 点击查看答案
(1) A = $\begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}$，特征值 λ₁=3, λ₂=λ₃=0
标准形：**f = 3y₁²**
(2) 最大值 = **3**（等于最大特征值），最小值 = **0**（等于最小特征值）
---
**题6-16 ⭐⭐⭐ 真题 | 2013年数学一 | 用模板C+E**
设二次型 f(x₁,x₂,x₃) = 2(a₁x₁ + a₂x₂ + a₃x₃)² + (b₁x₁ + b₂x₂ + b₃x₃)²，记 α = $\begin{bmatrix} a₁ \\ a₂ \\ a₃ \end{bmatrix}$，β = $\begin{bmatrix} b₁ \\ b₂ \\ b₃ \end{bmatrix}$。
(1) 证明 f 对应的矩阵为 2ααᵀ + ββᵀ。
(2) 若 α, β 正交且都是单位向量，证明 f 在正交变换下的标准形为 2y₁² + y₂²。
📖 点击查看答案
(1) f = 2(αᵀx)² + (βᵀx)² = xᵀ(2ααᵀ + ββᵀ)x，因此对应矩阵为 **2ααᵀ + ββᵀ**。
(2) 对 α：Aα = 2α → λ=2；对 β：Aβ = β → λ=1；对与 α,β 都正交的 γ：Aγ = 0 → λ=0。
标准形：**f = 2y₁² + y₂²**。
---
**题6-32 ⭐⭐⭐ 真题 | 用模板C+E（正交变换+正定性综合——含参）**
已知二次型 f(x₁, x₂, x₃) = x₁² + ax₂² + x₃² + 2x₁x₂ + 2x₁x₃ + 2x₂x₃ 的秩为 2。(1) 求 a 满足的条件；(2) 说明 f 的标准形系数如何随 a 变化（并用 a=3、a=2 两个例子验证）；(3) 判断 f 在 a 取不同值时的正定性。
📖 点击查看答案
(1) A = $\begin{bmatrix} 1 & 1 & 1 \\ 1 & a & 1 \\ 1 & 1 & 1 \end{bmatrix}$。第一行和第三行完全相同，所以 |A| = 0 恒成立，秩最多是 2。秩为 2 需要至少有一个二阶子式非零：左上角二阶子式 $\begin{vmatrix} 1 & 1 \\ 1 & a \end{vmatrix}$ = a−1 ≠ 0 → **a ≠ 1**。
注意：秩为 2 只能推出 a ≠ 1，**a 不是一个唯一确定的数值**，而是"任意不等于 1 的数"。所以(1)的正确答法不是"a = 某个值"，而是给出范围 a ≠ 1（原题若写"求 a 的值"，问法有缺陷、条件不足）。
(2) 特征值随 a 变化，不能用一个特例代替通解。手算特征多项式：
|λE−A| = $\begin{vmatrix} λ−1 & −1 & −1 \\ −1 & λ−a & −1 \\ −1 & −1 & λ−1 \end{vmatrix}$ = λ[λ² − (a+2)λ + 2(a−1)]，
即特征值为 λ = 0 和 λ = [(a+2) ± √((a−2)²+8)] / 2。
例一，a=3：√((3−2)²+8) = 3，特征值为 0、4、1 → 标准形 y₂² + 4y₃²。
例二，a=2：√((2−2)²+8) = 2√2，特征值为 0、2+√2、2−√2 → 标准形 (2+√2)y₁² + (2−√2)y₂²。
可见标准形系数随 a 变，**不能用 a=3 代表所有 a**。
(3) 配方 f = (x₁+x₂+x₃)² + (a−1)x₂²。结合秩为 2（a ≠ 1）分情况：
· a>1：两个平方系数都为正 → p=2, q=0 → **半正定**（有零特征值，不是正定）；
· a<1：一个正一个负 → p=1, q=1 → **不定**。
所以无论 a 取什么值（只要 a ≠ 1），f 都**不是正定**。
---
**题6-35 ⭐⭐⭐ 真题 | 用模板C（二次型在椭球面上的最值——综合应用题）**
设二次型 f(x₁, x₂) = 5x₁² + 5x₂² - 6x₁x₂。
(1) 用正交变换化 f 为标准形，写出 Q。
(2) 求 f 在约束条件 x₁² + x₂² = 4 下的最大值和最小值。
(3) 方程 f(x₁, x₂) = 8 表示什么曲线？
📖 点击查看答案
(1) A = $\begin{bmatrix} 5 & -3 \\ -3 & 5 \end{bmatrix}$。特征值 λ₁=2, λ₂=8。标准形：**f = 2y₁² + 8y₂²**。
(2) 最大值=32，最小值=8（约束半径为 2，最值=特征值×r²）。
(3) 2y₁²+8y₂²=8 → y₁²/4 + y₂²=1 → **椭圆**。
---
### 📦 知识块B：惯性指数与规范形
> 📌 这块学完你就能回答：
> - 惯性指数（p和q）和特征值之间有什么关系？怎么互相推导？
> - 不把二次型完全化成标准形，怎么快速求正、负惯性指数？
> - 两个二次型的惯性指数相同意味着什么？（合同判断的核心）
> ⬆️ 前置知识：标准形、规范形、惯性指数的基础定义已在知识块A的1.6节和灵魂定理④（惯性定理）讲过。这里进一步看它们和特征值的深层联系。
#### 先看一个场景：特征值已经把 p、q"写好了"
看到这个场景，先别慌。已知二次型 f 的矩阵特征值为 3, -1, 2。要求 p, q, 符号差，还要写规范形。**难在哪？** 明明没化标准形，怎么直接读出惯性指数？
🧠 这一步在想什么：**用正交变换法时，标准形系数 = 特征值**（灵魂定理③）。所以数特征值的正负号个数就行：正的 3 和 2（2 个）→ p=2；负的 -1（1 个）→ q=1。规范形系数只保留符号 → y₁² + y₂² - y₃²。
🔍 回头看看：原来求惯性指数可以**完全不用配方**——直接数特征值正负号个数！这就是最快的路子。
**🔄 联系特征值**：
- A 的正特征值个数 = 正惯性指数 p
- A 的负特征值个数 = 负惯性指数 q
- A 的零特征值个数 = n - p - q
✍️ **立刻练一道**（30 秒做完）：已知二次型 f 的矩阵特征值为 3, -1, 2。(1) 求 p, q, 符号差；(2) 写出规范形；(3) 若另一个二次型 g 的矩阵特征值为 5, -2, 1，问 f 和 g 是否合同？为什么？（答案：p=2, q=1, 符号差=1；规范形 y₁²+y₂²-y₃²；g 的 p=2, q=1，惯性指数相同 → 合同。详见下面的思考题❷。）
> 🛑 **停下来想一想**：如果两个二次型的惯性指数都是 p=2, q=1，它们的规范形一定一样吗？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用橡皮泥的比喻，解释"正惯性指数 p=2, q=1, 符号差=1"在几何上意味着什么。
> **❷ 考试演练** — 已知二次型 f 的矩阵特征值为 3, -1, 2。(1) 求 p, q, 符号差；(2) 写出规范形；(3) 若另一个二次型 g 的矩阵特征值为 5, -2, 1，问 f 和 g 是否合同？为什么？
📖 点击查看参考答案
**❶ 参考答案**：p=2 意味着橡皮泥在两个方向上凸起（像碗的正面），q=1 意味着在一个方向上下凹（像碗翻过来），总的"鼓起的方向"比"凹陷的方向"多一个（符号差=1）。整个橡皮泥既有凸又有凹，属于"马鞍形"（不定二次型）。
**❷ 参考答案**：(1) 正特征值有 3 和 2 → p=2；负特征值有 -1 → q=1；符号差 = 2-1 = 1。(2) 规范形 = y1² + y2² - y3²。(3) f 和 g 合同。因为 g 的特征值 5, -2, 1 中，正的有 5 和 1（两个），负的有 -2（一个）→ p=2, q=1。惯性指数相同→合同。
---
#### 🎯 解题方法
> 以下题型对应知识块B的核心技能——计算惯性指数和规范形，以及用惯性指数判断合同关系。
### 题型D：惯性指数的计算与规范形（⭐⭐）
**🎯 识别特征**：
- 直接问"二次型的正惯性指数为多少？"
- 问"二次型的规范形是什么？"
- 问"二次型的符号差是多少？"
#### 先看一道题，跟着找感觉
已知二次型 `f = 2x1² + 2x2² + 2x3² + 2x1x2 + 2x1x3 - 2x2x3`，求规范形。**难在哪？** 直接配方又慢又容易错，有没有更快的路子？
🧠 这一步在想什么：**写矩阵→求特征值→数正负号**。矩阵是 A = $\begin{bmatrix} 2 & 1 & 1 \\ 1 & 2 & -1 \\ 1 & -1 & 2 \end{bmatrix}$，特征方程 |λE - A| = λ(λ-3)² = 0，特征值 λ₁=0, λ₂=λ₃=3。正特征值 2 个、负 0 个 → p=2, q=0 → 规范形 y₁² + y₂²。
📝 完整解答（点开看）
A = $\begin{bmatrix} 2 & 1 & 1 \\ 1 & 2 & -1 \\ 1 & -1 & 2 \end{bmatrix}$
|λE - A| = λ(λ-3)² = 0
特征值：λ₁ = 0, λ₂ = λ₃ = 3
正特征值个数 = 2，负特征值个数 = 0。
正惯性指数 p = 2，负惯性指数 q = 0。
规范形 = **y1² + y2²**（秩为 2，所以只有两项）
🔍 回头看看：**求惯性指数/规范形，最快路径是"数特征值正负号"**，根本不用化完整标准形。下面把这条路径写成标准步骤。
**📋 解题思路**（不需完整化标准形，只需要知道惯性指数）：
```
方法一：求特征值（最快，推荐）
第1步：写出对称矩阵 A
第2步：求 A 的特征值
第3步：正惯性指数 p = 正特征值个数
负惯性指数 q = 负特征值个数
符号差 = p - q
方法二：配方（不需求特征值）
第1步：配方得到标准形
第2步：数正平方项个数 → p，数负平方项个数 → q
```
✍️ **立刻练一道**（马上用起来）：二次型 `f = x1² - 2x2² + 3x3²` 的正惯性指数是多少？规范形是什么？（答案：正系数 1、3 共 2 个，负系数 -2 共 1 个 → p=2, q=1，符号差 1；规范形 **f = y1² + y2² - y3²**。详见配套练习题6-4。）
---
#### 配套练习
**题6-4 ⭐ 基础 | 用模板D（惯性指数）**
二次型 `f = x1² - 2x2² + 3x3²` 的正惯性指数是多少？规范形是什么？
📖 点击查看答案
系数：1, -2, 3 → 正系数有 1 和 3（两个），负系数有 -2（一个）。
正惯性指数 p = **2**，负惯性指数 q = **1**，符号差 = 1。
规范形：**f = y1² + y2² - y3²**
---
**题6-18 ⭐ 基础 | 用模板D（规范形识别——选择题）**
二次型 f(x₁, x₂, x₃) = 2x₁² - 3x₂² + x₃² 的规范形是（ ）
(A) 2y₁² - 3y₂² + y₃² (B) y₁² + y₂² - y₃² (C) y₁² + y₂² + y₃² (D) y₁² - y₂² - y₃²
📖 点击查看答案
✅ 答案：**(B) y₁² + y₂² - y₃²**
规范形只看系数的**符号**和**个数**，不看具体数值。
---
**题6-22 ⭐ 基础 | 用模板D（已知秩求参数）**
已知二次型 f = x₁² + 2x₂² + ax₃² + 2x₁x₂ + 2x₂x₃ 的秩为 2，求 a 的值，并写出此时的规范形。
📖 点击查看答案
A = $\begin{bmatrix} 1 & 1 & 0 \\ 1 & 2 & 1 \\ 0 & 1 & a \end{bmatrix}$
秩为 2 → |A| = 0 → a-1 = 0 → **a = 1**
特征值为 0, 1, 3 → p=2, q=0
规范形：**y₁² + y₂²**
---
**题6-23 ⭐ 基础 | 用模板D（已知正交变换后的标准形，反推特征值与惯性指数）**
已知二次型 f 在正交变换 X = QY 下的标准形为 3y₁² - 2y₂² + 0·y₃²。求秩、p、q、规范形、特征值。
📖 点击查看答案
特征值为 3, -2, 0。
秩 = 2，p = 1，q = 1，符号差 = 0
规范形 = y₁² - y₂²
---
**题6-12 ⭐⭐⭐ 真题 | 2016年数学二/三 | 用模板D+E**
设二次型 f(x₁,x₂,x₃) = a(x₁²+x₂²+x₃²) + 2x₁x₂ + 2x₁x₃ + 2x₂x₃ 的正、负惯性指数分别为 1 和 2，则：
(A) a > 1 (B) a < -2 (C) **-2 < a < 1** (D) a = 1 或 a = -2
📖 点击查看答案
矩阵：A = $\begin{bmatrix} a & 1 & 1 \\ 1 & a & 1 \\ 1 & 1 & a \end{bmatrix}$
特征值：λ₁ = a+2，λ₂ = λ₃ = a-1
由 p=1, q=2 知：a+2 > 0 且 a-1 < 0
解得：**-2 < a < 1** → 答案 **(C)**
---
### 📦 知识块C：正定性与综合
> 📌 这块学完你就能回答：
> - 什么叫"正定"？怎么判断一个二次型是不是正定的？（五种方法各在什么时候用？）
> - 顺序主子式法怎么算？正定的必要条件有哪些？半正定、负定呢？
> - 二次型在单位球面上的最大值和最小值怎么求？和特征值有什么关系？
> - 矩阵的相似、合同、等价——三者怎么区分？各在什么场景下用？
### 1.11 什么是正定二次型？（形象理解）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 想象两个碗——一个正着放（碗口朝上），一个倒扣着。你往正着放的碗里扔一颗珠子，不管从哪个方向扔，珠子最终都会滚到碗底。你往倒扣的碗上放一颗珠子，它会立刻滚到地上。正定二次型就像"正着放的碗"——不管变量取什么值（只要不全为零），二次型的值永远大于 0。
> 📌 **这节学完你就能回答：**
> - 正定二次型的直观含义和正式定义是什么？
> - 为什么"正定"在数学和应用中这么重要？
#### 先想一个场景：怎么判断"永远大于 0"？
看到这个场景，先别慌。拿到一个二次型 `f = x1² + x2²`，不用算都知道它恒大于 0（只要 (x1, x2) ≠ (0,0)）——两个平方和，怎么可能为负？**难在哪？** 像 `f = x1² - 3x2²` 这样的呢？取 x1=0, x2=1，f = -3 < 0，就变负了。判断"是不是永远大于 0"，正是这一节的主题。
🧠 这一步在想什么：**给"永远 > 0"这个现象起个名字，叫"正定"**。正定二次型就像正着放的碗——不管变量取什么值（只要不全为零），值永远 > 0。几何上，`f = 常数` 画出来是椭圆（二维）或椭球面（三维），碗口永远朝上。
**💬 生活比喻**：正定二次型就像是**一个永远向上凸的碗**。不管 `(x1, x2, ..., xn)` 取什么值（只要不全为零），二次型算出来的值永远大于 0。
**几何意义**：
- 二维：`f(x1,x2) = 常数` 画出来是椭圆
- 三维：`f(x1,x2,x3) = 常数` 画出来是椭球面
**📖 正式定义**：
对任意不全为零的 `x1, ..., xn`，恒有 `f(x1, ..., xn) > 0`，则称 f 是**正定二次型**，对应的矩阵 A 是**正定矩阵**。
✍️ **立刻练一道**（30 秒做完）：判断：f = 2x1² + 3x2² 是否正定？f = 2x1² - 3x2² 呢？（答案：f = 2x1² + 3x2² 正定——只要 (x1,x2) ≠ (0,0)，至少一个平方项为正；f = 2x1² - 3x2² 不正定——取 x1=0, x2=1，f = -3 < 0，是不定二次型。详见下面的思考题❶。）
> 🛑 **停下来想一想**：`f = x1² + x2²` 是正定的。`f = x1²` 在二元情况下（变量是 x1 和 x2）是正定吗？为什么？
> 💡 **阅读思考题**
>
> **❶** 判断：f = 2x1² + 3x2² 是否正定？f = 2x1² - 3x2² 呢？
> **❷** 在工程中，"正定"对应系统的"稳定性"——你能想到"正定 = 稳定"的其他生活例子吗？
📖 点击查看参考答案
**❶ 参考答案**：f = 2x1² + 3x2² 是正定的。因为只要 (x1,x2) ≠ (0,0)，至少有一个平方项为正，和一定 > 0。f = 2x1² - 3x2² 不是正定。取 x1=0, x2=1，f = -3 < 0，存在非零向量使 f 为负——这就是"不定二次型"（马鞍形）。
**❷ 参考答案**：弹簧的弹力——偏离平衡位置越远，回复力越大，能量函数是正定的。总之，"正定"意味着系统有唯一的最小值点，系统天然会趋向那里——这就是稳定性的数学描述。
---
### 1.12 判断正定性的五种方法（哪个最常用？）
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你要判断一个碗是不是"完美无缺的碗"（正定）。你可以：(1) 在每个位置滴一滴水，看水是不是都往碗底流；(2) 检查碗的每个"切角"是不是都向上弯；(3) 测碗在不同方向的弯曲程度；(4) 看能不能把碗旋转放正变成一个标准碗；(5) 数碗的正弯曲和负弯曲各有多少。每种方法都有适合的场景。
> 📌 **这节学完你就能回答：**
> - 五种判别正定的方法分别是什么？各自的适用场景？
> - "顺序主子式法"为什么是考研实战中最常用的？
#### 先想一个困境：正定没法一个个值去试，怎么办？
判断 f 是不是正定，**难在哪？** 定义说"对任意 x ≠ 0，f > 0"——可"任意"是无穷多个点，总不能一个一个试吧？必须找到**不用穷举的判据**。
🧠 这一步在想什么：**从"正定 = 碗口朝上"这个几何直觉出发，开发几种检查法**。回顾前面学过的工具：
- 直接按定义证（对抽象矩阵证明题好用）→ **定义法**
- 看特征值（正交变换后系数 = 特征值，全正就正定）→ **特征值法**
- 看惯性指数（p = n 就正定，1.11/1.6 学过）→ **惯性指数法**
- 看能否化成单位矩阵（规范形 = E 就正定）→ **合同于单位矩阵法**
- 检查左上角一串行列式（数值题最省力）→ **顺序主子式法**
🔍 回头看看：五种方法其实是同一件事的五张面孔（等价性见灵魂定理⑤），只是适用场景不同。数值题用**顺序主子式法**最快，抽象证明用**定义法**。
**📖 五种判别方法**：
| 方法 | 条件 | 适用场景 |
|------|------|---------|
| **定义法** | 任意 x≠0，xᵀAx > 0 | 抽象矩阵的证明题 |
| **顺序主子式法** ⭐⭐⭐ | 所有顺序主子式 > 0 | 具体数值矩阵（含参数）——最常用！ |
| **特征值法** | 所有特征值 > 0 | 已知特征值或易求特征值 |
| **惯性指数法** | 正惯性指数 p = n | 已知标准形/规范形 |
| **合同于单位矩阵法** | A ≃ E（即存在可逆C，使 A=CᵀC） | 理论证明 |
**🔑 考研实战口诀**："数值含参——顺序主子式；抽象证明——定义法上。"
✍️ **立刻练一道**（30 秒做完）：对以下三种情况，分别选择最合适的判别方法：(a) A = $\begin{bmatrix} 2 & 1 \\ 1 & t \end{bmatrix}$，问 t 为何值时 A 正定？(b) 已知 A 的特征值为 2, 3, 5，判断是否正定。(c) 已知 A 是正定矩阵，证明 A⁻¹ 也正定。（答案：(a) 顺序主子式法；(b) 特征值法；(c) 定义法。详见下面的思考题❶。）
> 🛑 **停下来想一想**：如果一个题目给你一个带参数 t 的具体 3×3 矩阵，让你求 t 的范围使矩阵正定——你第一反应应该用哪种方法？
> 💡 **阅读思考题**
>
> **❶** 对以下三种情况，分别选择最合适的判别方法：(a) A = $\begin{bmatrix} 2 & 1 \\ 1 & t \end{bmatrix}$，问 t 为何值时 A 正定？(b) 已知 A 的特征值为 2, 3, 5，判断是否正定。(c) 已知 A 是正定矩阵，证明 A⁻¹ 也正定。
📖 点击查看参考答案
**❶ 参考答案**：(a) 顺序主子式法——Δ₁=2>0，Δ₂=2t-1>0 → t>1/2。(b) 特征值法——全部 > 0，正定。(c) 定义法——先证 (A⁻¹)ᵀ = A⁻¹（对称），再证对任意 x≠0, xᵀA⁻¹x > 0。
---
### 🔬 灵魂定理⑤：五种正定判别方法为什么等价？
> 1.12 节列出了五种判别法，但只说"它们都能用"，没讲"它们为什么是同一件事的五张面孔"。这个等价性是考研证明题的常见考点，也是真正理解"正定"的关键。你可以先猜一猜：为什么"所有特征值全正"和"所有顺序主子式全正"会指向同一个结论？
**① 🏠 生活场景：判断一碗是不是完美无缺——五种检查法殊途同归**
你要买一只碗，想知道它是不是"完美无缺"（正定）。五种检查法：
1. **定义法**（最原始）：在碗的每个位置滴一滴水——如果每一滴水都滚向碗底中心，碗是好的
2. **特征值法**（看弯曲）：测量碗在每个方向上的弯曲程度——如果每个方向都向上弯（曲率为正），碗是好的
3. **惯性指数法**（数凸凹）：数有多少个方向凸起（正惯性指数 p）——如果所有方向都凸起（p = n），碗是好的
4. **合同于单位矩阵法**（找标准碗）：看能不能通过"拉伸变形"把这只碗变成一只标准圆碗（单位矩阵）——如果能，碗是好的
5. **顺序主子式法**（切西瓜检查）：从碗口开始，一次切一小块下来，检查每块的"弯曲性质"——如果每块都是向上弯的，整碗是好的
这五种方法说的是同一件事——就像用体温计、血检、CT 都可以判断一个人有没有发烧，五条路通向同一个结论。
**② 📖 正式陈述**
**条件**：A 是 n 阶实对称矩阵。
**结论**：以下五个命题**完全等价**（任何一个成立 ⇒ 其余四个都成立）：
1. **定义条件**：对任意非零向量 x ∈ ℝⁿ，xᵀAx > 0
2. **特征值条件**：A 的所有特征值 λᵢ > 0
3. **惯性指数条件**：正惯性指数 p = n（即规范形为 y₁² + y₂² + ... + yₙ²）
4. **合同条件**：A 与单位矩阵 E 合同（即存在可逆矩阵 C 使 A = CᵀC）
5. **顺序主子式条件**：A 的所有顺序主子式 Δ₁, Δ₂, ..., Δₙ > 0
**③ 🧠 等价性推导——证明环**
证明五个条件等价的标准套路是"打环"——证明 (1)→(2)→(3)→(4)→(1)，再单独证 (5)↔(2)。搭好环后，五个条件就"一荣俱荣、一损俱损"。
---
**环链一：(1) 定义法 ⇒ (2) 特征值法**
**逻辑**：假设对任意 x ≠ 0 都有 xᵀAx > 0。取 x 为 A 的任一特征向量 α（对应的特征值为 λ），则：
$$\alpha^{\mathsf{T}}A\alpha = \alpha^{\mathsf{T}}(\lambda\alpha) = \lambda \cdot \|\alpha\|^2$$
因为 α ≠ 0（特征向量定义），所以 ||α||² > 0。又因 xᵀAx > 0 对任意非零 x 成立，所以 αᵀAα > 0，推出 λ > 0。
> 大白话：定义说"所有方向上 f 都大于 0"。特征向量方向是一种特殊方向——代入进去恰好是 λ·||α||²。因为 ||α||² 永远是正数，f > 0 就逼出 λ > 0。所有特征向量对应的 λ 都 > 0，即所有特征值 > 0。
---
**环链二：(2) 特征值法 ⇒ (3) 惯性指数法**
**逻辑**：A 是实对称矩阵 ⇒ 存在正交矩阵 Q 使 QᵀAQ = diag(λ₁, ..., λₙ)。正交变换下标准形的系数 = 特征值。如果所有 λᵢ > 0，则标准形中所有系数 > 0 → 正项个数 p = n，负项个数 q = 0。惯性指数为 (n, 0)。规范形 = y₁² + ... + yₙ²。
> 大白话：特征值全正 = 标准形的 n 个系数全正 = 正惯性指数 p = n。这个方向几乎不需要证明——定义直接对接。
---
**环链三：(3) 惯性指数法 ⇒ (4) 合同于单位矩阵法**
**逻辑**：p = n, q = 0 意味着 A 的规范形是 y₁² + ... + yₙ²（n 个正 1）。规范形对应的矩阵是单位矩阵 E。规范形是通过可逆变换得到的，所以 A 合同于 E —— 即存在可逆矩阵 C 使得 CᵀAC = E。也可以写成 A = (C⁻¹)ᵀ(C⁻¹) = PᵀP（令 P = C⁻¹）。
> 大白话：惯性指数 (n, 0) ⇒ 规范形 = 单位矩阵 ⇒ A 和 E 合同。A 可以通过"换变量"变成最简单的"各方向拉伸倍数都是 1"的标准形式。这意味着 A 本质上就是一个"半径为 1 的标准圆碗"，只是被捏变形了。
---
**环链四：(4) 合同于单位矩阵 ⇒ (1) 定义法**
**逻辑**：若 A = CᵀC（C 可逆），则对任意 x ≠ 0：
$$x^{\mathsf{T}}Ax = x^{\mathsf{T}}C^{\mathsf{T}}Cx = (Cx)^{\mathsf{T}}(Cx) = \|Cx\|^2$$
因为 C 可逆且 x ≠ 0，所以 Cx ≠ 0，从而 ||Cx||² > 0。所以 xᵀAx > 0。回到定义条件 ✓。
> 大白话：A 能被拆成 CᵀC（C 可逆），意味着 f = xᵀAx = (Cx)ᵀ(Cx) = ||Cx||² ——直接变成了一个向量的长度平方。长度平方永远是 ≥ 0，且 C 可逆保证 Cx ≠ 0 时长度 > 0。所以 A = CᵀC 这种形式直接保证了正定性。
---
**环链五（独立线路）：(2) 特征值法 ↔ (5) 顺序主子式法**
这是整个等价性中最不显然的一环——为什么"主子式全正"和"特征值全正"等价？
**方向 (2)⇒(5)**：特征值全正 ⇒ 顺序主子式全正。因为特征值全正 ⇒ A 正定 ⇒ 对任意非零向量，特别地，取 x = (x₁, ..., xₖ, 0, ..., 0)ᵀ（只有前 k 个分量非零），则：
$$(x_1, ..., x_k) A_k \begin{pmatrix} x_1 \\\\ \vdots \\\\ x_k \end{pmatrix} = x^{\mathsf{T}}Ax > 0$$
其中 Aₖ 是 A 的前 k 行前 k 列组成的子矩阵。这说明 Aₖ 也是正定矩阵（作为 k 元二次型）。正定矩阵的行列式 > 0（因为行列式 = 所有特征值之积，全正 → 积 > 0）。所以 Δₖ = |Aₖ| > 0。
> 大白话：如果整个碗是正定的，那切下来任何一块"角"也必然是正定的。每个角的正定性意味着它的行列式 > 0 ——这就是顺序主子式全正。
**方向 (5)⇒(2)**（这是考研中常考的证明题素材）：顺序主子式全正 ⇒ 特征值全正。这个方向需要一点技巧——核心证明见下一个定理"顺序主子式的原理推导"。
> 大白话：所有"角"都向上弯 ⇒ 整个碗向上弯。这个方向的严格证明需要借助"如果有一个特征值 ≤ 0，就会有一个主子式 ≤ 0"的反证法。
---
**④ 📝 等价性总览图**
```
┌──────────────────────────────┐
│ (1) 定义法：xᵀAx > 0 ∀x≠0 │
└──────────┬───────────────────┘
│ 取x=特征向量α → λ||α||²>0
↓
┌──────────────────────────────┐
│ (2) 特征值法：λᵢ > 0 全正 │
└──────────┬───────────────────┘
│ 正交对角化 QᵀAQ=diag(λᵢ)
┌──────────┼──────────┐
↓ ↓ ↓
标准形系数全正 特征值全正 ⇔ 顺序主子式全正
↓ ↓ ↓
│ (3) 惯性指数p=n (5) 主子式法
│ ↓
│ 规范形 = E → (4) A=CᵀC
│ ↓
│ 回代 xᵀAx=||Cx||²>0 → 回到(1)
└──────────┘
```
整个等价环首尾相连，五个条件中的任何一个都可以通过这条环链推出其余四个。
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "五种方法等价 = 在任何情况下都能互换" | ❌ "等价"指的是**逻辑上**等价（一个成立则全都成立），不是说**使用上**方便程度相同。数值题用顺序主子式最快，抽象证明用定义法或特征值法最方便。 |
| "顺序主子式全正，矩阵一定正定——不需要对称" $\begin{vmatrix} ❌ 大错！顺序主子式法只对**实对称矩阵**有效。矩阵 [1 & 3 \\ 0 & 1] 的主子式全正（Δ₁=1 & Δ₂=1），但它不对称——根本就不讨论正定性！ \end{vmatrix}$
| "合同于 E = 相似于 E" | ❌ 合同不要求特征值相同。diag(2, 3) 合同于 E（因为可以取 C = diag(1/√2, 1/√3) 使 Cᵀ·diag(2,3)·C = E），但它不相似于 E（特征值不同）。 |
| "定义法和特征值法一样" | ⚠️ 逻辑上等价，但使用场景不同。定义法是"正向推导"，多用于证明题。特征值法是"反向检查"，多用于已知特征值的情况。 |
| "惯性指数 p=n 就是正定" | ✅ 完全正确——而且这个表述恰好说明正定性只取决于"正负号的分布"，和系数的具体大小无关。 |
**⑥ 🔗 链条位置**
```
1.11 正定的定义（xᵀAx > 0）
↓
1.12 五种判别法的罗列
↓
【本定理】五种方法的等价性证明——它们为什么是同一件事
↓
1.13 顺序主子式——五种方法中最实用的一个（具体算法）
1.14 必要条件——快速排除法（利用等价性中已证明的"正定⇒对角线全正"等）
```
> 🛑 **停下来想一想**：如果一个矩阵的特征值全是正数，但矩阵不对称——它"正定"吗？从五种方法各自由发，分别判断。
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 画出五种判别方法的"环链图"，标出每一条箭头对应什么推理。
> **❷ 深度思考** — 在等价环中，哪个方向是最"不显然"的？为什么？
> **❸ 考试演练** — 已知 A = BᵀB，其中 B 是 m×n 矩阵。问：A 是否一定正定？什么条件下 A 正定？
📖 点击查看参考答案
**❶ 参考答案**：见上方的等价性总览图。
**❷ 参考答案**：最不显然的是"顺序主子式全正 ⇒ 特征值全正"。因为主子式是行列式的值，特征值是特征方程的根——两者之间没有直接的一眼看穿的代数关系。这个方向需要借助 Aₖ 的正定性传递性质，或者用反证法（如果有一个特征值 ≤ 0 ⇒ 存在某个主子式 ≤ 0）。其他方向都比较直接。
**❸ 参考答案**：A = BᵀB 一定是对称的（(BᵀB)ᵀ = BᵀB）。对任意 x ≠ 0：xᵀAx = xᵀBᵀBx = ||Bx||² ≥ 0。所以 A 至少是半正定。A 正定 ⇔ ||Bx||² > 0 对所有 x ≠ 0 ⇔ Bx ≠ 0 对所有 x ≠ 0 ⇔ B 的零空间只有 {0} ⇔ B 的列向量线性无关（即 B 列满秩）。
---
### 1.13 顺序主子式是怎么算的？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你买了一个西瓜，想知道它是不是好的。你不用把整个瓜切开——只需要在瓜皮上切几个小三角口子，看看每个切口处的果肉颜色和甜度。如果每个切口都是好的，整瓜大概率是好的。顺序主子式就是"切角检查法"——从左上角开始，一圈一圈外扩，每个"角"的行列式都算一遍。
> 📌 **这节学完你就能回答：**
> - 顺序主子式是怎么定义的？Δ₁, Δ₂, Δ₃ 分别取矩阵的哪些部分？
> - 正定要求所有顺序主子式满足什么条件？
#### 先看一道题：亲手算一串"切角"的行列式
看到这题，先别慌。矩阵 A = $\begin{bmatrix} 2 & 1 & 0 \\ 1 & 3 & -1 \\ 0 & -1 & 4 \end{bmatrix}$，怎么判断它正不正定？**难在哪？** 求三个特征值要解三次方程，太麻烦。有没有更省力的法子？
🧠 这一步在想什么：**试试"切角检查法"**——从左上角开始，切 1×1 的角算行列式，再切 2×2 的角，最后切整个矩阵。这就是**顺序主子式**：Δ₁ 取前 1 行 1 列，Δ₂ 取前 2 行 2 列，Δ₃ 取全部。算一下：
📝 完整解答（点开看）
```
Δ₁ = |2| = 2 > 0 ✓
Δ₂ = |2 1| = 6 - 1 = 5 > 0 ✓
|1 3|
Δ₃ = |A| = |2 1 0| = 2×(3×4 − (−1)×(−1)) − 1×(1×4 − (−1)×0) + 0
|1 3 −1|
|0 −1 4|
= 2×(12 − 1) − 1×4 = 22 − 4 = 18 > 0 ✓
```
三个都大于 0，则矩阵正定。
🔍 回头看看：**"切角检查法"的操作**是——从左上角开始，逐层外扩，每层算行列式，全部 > 0 就正定。下面把"切什么角、怎么切"正式写下来。
**📖 定义**：
n 阶方阵 A 的第 k 个顺序主子式 Δₖ，就是取 A 的前 k 行和前 k 列组成的 k 阶子矩阵的行列式。
```
3 阶矩阵 A 的三个顺序主子式：
Δ₁ = |a₁₁| （取第1行第1列）
Δ₂ = |a₁₁ a₁₂| （取前2行前2列）
|a₂₁ a₂₂|
Δ₃ = |A| （取全部——即矩阵的行列式）
```
✍️ **立刻练一道**（马上用起来）：矩阵 A = $\begin{bmatrix} 1 & t \\ t & 4 \end{bmatrix}$，若 A 正定，求 t 的范围。（答案：Δ₁ = 1 > 0 ✓ 自动满足；Δ₂ = $\begin{vmatrix} 1 & t \\ t & 4 \end{vmatrix}$ = 4 - t² > 0 → -2 < t < 2。详见下面的思考题❷。）
> 🛑 **停下来想一想**：如果 Δ₁ > 0, Δ₂ > 0, 但 Δ₃ < 0——这个矩阵正定吗？它在几何上对应什么形状？
> 💡 **阅读思考题**
>
> **❶** 矩阵 A = $\begin{bmatrix} 3 & -1 & 2 \\ -1 & 2 & 0 \\ 2 & 0 & 4 \end{bmatrix}$，写出 Δ₁, Δ₂, Δ₃ 并计算 Δ₁ 和 Δ₂。
> **❷** 矩阵 A = $\begin{bmatrix} 1 & t \\ t & 4 \end{bmatrix}$，若 A 正定，求 t 的范围。
📖 点击查看参考答案
**❶ 参考答案**：Δ₁ = |3| = 3。Δ₂ = $\begin{vmatrix} 3 & -1 \\ -1 & 2 \end{vmatrix}$ = 3×2 - (-1)×(-1) = 6 - 1 = 5。Δ₃ = |A| 取全部三行三列（计算略）。
**❷ 参考答案**：Δ₁ = |1| = 1 > 0 ✓（自动满足）。Δ₂ = $\begin{vmatrix} 1 & t \\ t & 4 \end{vmatrix}$ = 4 - t² > 0 → t² < 4 → -2 < t < 2。答案是 -2 < t < 2。
---
### 🔬 灵魂定理⑥：为什么顺序主子式能判断正定性？
> 1.13 节教了"怎么算"顺序主子式，但还有一个大问题没回答：为什么"几个角上的行列式大于 0"就能保证"整个二次型在所有方向上都大于 0"？这两件事乍一看毫无关系——这个定理正是要打通这个看似"跳跃"的逻辑。
**① 🏠 生活场景：西瓜检查法——切三角口子判断整个瓜好坏**
买西瓜时，你不用切开整个瓜——小贩在瓜皮上切一个三角小口子，拉出一小块瓜肉给你看。如果这个小三角口的瓜肉是红的、甜的——说明这个瓜大概率是好的。然后再切第二个稍大的三角口，再切第三个……每次切开的口子都比上一次大一圈，但始终是从"左上角"往外扩展。如果每一刀切出来的都是好肉——整个瓜就好。
顺序主子式就是这个"逐层切三角口检查法"：Δ₁ 看左上角 1×1 那"一小口"，Δ₂ 看左上角 2×2 那"一中口"，Δ₃ 看整个瓜——如果每一口都"甜"（行列式 > 0），瓜就是好的（正定）。
**② 📖 正式陈述**
**条件**：A 是 n 阶实对称矩阵，其 k 阶顺序主子式定义为 Δₖ = |Aₖ|，其中 Aₖ 是 A 的前 k 行前 k 列组成的子矩阵。
**结论**：A 正定 ⇔ Δ₁ > 0, Δ₂ > 0, ..., Δₙ > 0（所有顺序主子式全正）。
**③ 🧠 完整推导——"为什么"的证明**
整个证明分两大步：先证"正定 ⇒ 主子式全正"（简单方向），再证"主子式全正 ⇒ 正定"（需要技巧的核心方向）。
---
**第一大步：正定 ⇒ 顺序主子式全正（简单，但包含关键洞察）**
**第1步**：设 A 正定。取任意 k ∈ {1, 2, ..., n}，考虑子矩阵 Aₖ（A 的前 k 行前 k 列）。
**第2步**：构造一个特殊向量 x —— 只有前 k 个分量非零，后面 n-k 个分量全部取 0：
$$x = (x_1, x_2, \ldots, x_k, 0, 0, \ldots, 0)^{\mathsf{T}}$$
> 大白话：只在前 k 个方向上"动"，后面的方向"不动"（=0）。这相当于"只在这个 k 维切面里观察二次型"。
**第3步**：计算这个 x 下的二次型值：
$$x^{\mathsf{T}}Ax = (x_1, \ldots, x_k) A_k \begin{pmatrix} x_1 \\\\ \vdots \\\\ x_k \end{pmatrix}$$
> 大白话：因为后面 n-k 个分量全是 0，所以 A 中和这些零分量相乘的部分全部消失——留下的恰好是前 k 行前 k 列的子矩阵 Aₖ 参与的运算。这本质上就是把 n 元二次型"限制"到前 k 个变量上。
**第4步**：利用正定性——只要 (x₁, ..., xₖ) 不全为零（即 x ≠ 0），就有 xᵀAx > 0。所以：
$$(x_1, \ldots, x_k) A_k \begin{pmatrix} x_1 \\\\ \vdots \\\\ x_k \end{pmatrix} > 0 \quad \text{对任意 } (x_1, \ldots, x_k) \neq 0$$
这意味着 **Aₖ 作为 k 元二次型也是正定的！**
> 大白话：如果整个碗是好的（正定），那切下来任何一个角也必然是好的——因为"角"就是在"限制方向"上观察的结果。
**第5步**：正定矩阵 ⇒ 行列式 > 0。因为对正定矩阵，所有特征值 > 0，而行列式 = 所有特征值之积 > 0。所以 Δₖ = |Aₖ| > 0 ✓。
> 大白话：正定 ⇒ 特征值全正 ⇒ 行列式 = 特征值乘积 > 0。这个方向简单到几乎不需要证明——切一刀下来，特征是好的，行列式自然是正的。
---
**第二大步：顺序主子式全正 ⇒ 正定（核心——用数学归纳法）**
这个方向需要数学归纳法——顺着 k = 1, 2, ..., n 逐级证明 Aₖ 正定。
**第1步：奠基——k = 1 时**
Δ₁ = |a₁₁| = a₁₁ > 0。对任意 x₁ ≠ 0：x₁ᵀA₁x₁ = a₁₁x₁² > 0。所以 A₁ 正定 ✓。
**第2步：归纳假设——假设 Aₖ 正定（即前 k 个变量的二次型是正定的）**
即：对任意非零的 (x₁, ..., xₖ)，有 (x₁, ..., xₖ)Aₖ(x₁, ..., xₖ)ᵀ > 0。这等价于 Aₖ 的所有特征值 > 0。
> 大白话：假设我们切到第 k 层——前 k×k 的"角"是好的（正定）。现在要证明切到第 k+1 层时也是好的。
**第3步：归纳递推——考虑 A_{k+1}**
把 A_{k+1} 写成分块形式：
$$A_{k+1} = \begin{pmatrix} A_k & \mathbf{b} \\\\ \mathbf{b}^{\mathsf{T}} & a_{k+1,k+1} \end{pmatrix}$$
其中 b = (a₁,_{k+1}, a₂,_{k+1}, ..., a_{k,_{k+1}})ᵀ 是第 k+1 列的前 k 个元素组成的列向量。
> 大白话：A_{k+1} 比 Aₖ 多了一圈——多了一行和一列。Aₖ 是原来的"角"，新的一圈是"往外扩展"的部分。
**第4步：利用 Aₖ 的正定性做"消元"——关键技巧！**
因为 Aₖ 正定 ⇒ Aₖ 可逆。构造如下可逆分块矩阵：
$$P = \begin{pmatrix} I_k & -A_k^{-1}\mathbf{b} \\\\ 0 & 1 \end{pmatrix}$$
计算 PᵀA_{k+1}P：
$$P^{\mathsf{T}}A_{k+1}P = \begin{pmatrix} A_k & 0 \\\\ 0 & a_{k+1,k+1} - \mathbf{b}^{\mathsf{T}}A_k^{-1}\mathbf{b} \end{pmatrix}$$
> 大白话：这步是"合同消元"——用合同变换（不是相似变换！）把 A_{k+1} 的第 k+1 行和第 k+1 列的"外围一圈"全部消成 0（除了右下角自己）。这相当于用前 k 个变量"吸收掉"它们和第 k+1 个变量之间的交叉关系。
**第5步：看右下角的"新元素"——核心判断依据！**
令 s = a_{k+1,k+1} - bᵀAₖ⁻¹b（这个数叫"舒尔补"——你不需要记这个名字，只需知道它是"减去交叉影响后的纯平方"）。
经过合同变换后，A_{k+1} 合同于：
$$\begin{pmatrix} A_k & 0 \\\\ 0 & s \end{pmatrix}$$
**第6步：利用条件 Δ_{k+1} > 0 来推断 s > 0**
$$0 < \Delta_{k+1} = |A_{k+1}| = |P^{\mathsf{T}}A_{k+1}P| / |P|^2 = |A_k| \cdot s / 1$$
因为 |P| = 1（P 是三角矩阵，对角元全是 1），且 |Aₖ| > 0（由 Δₖ > 0 保证），所以 s > 0。
> 大白话：第 k+1 层的行列式 Δ_{k+1} > 0 = 第 k 层行列式（已知 > 0）× s（未知）。所以 s = Δ_{k+1} / Δₖ > 0。s > 0 意味着"新扩展出去的那个方向"上，纯拉伸也是正的！
**第7步：完成归纳——A_{k+1} 正定 ✓**
现在 A_{k+1} 合同于 diag(Aₖ, s)。Aₖ 正定（归纳假设）+ s > 0（刚才证明了）⇒ diag(Aₖ, s) 作为一个分块对角矩阵，它的特征值 = Aₖ 的特征值（全正）∪ {s}（正）。所以 diag(Aₖ, s) 正定 ⇒ 和它合同的 A_{k+1} 也正定（合同保持正定性——见灵魂定理②）。
由 k = 1 奠基，加上 k → k+1 的递推，对所有 k = 1, 2, ..., n，Aₖ 都正定。特别地，k = n 时 Aₙ = A 正定 ✓。
**④ 📝 推导复盘（大白话串讲）**
顺序主子式法的原理用一句话说就是：**一层一层往外扩，每一层都检查"新扩展的方向弯曲方向对不对"**。
- Δ₁ > 0：第一个方向向上弯 ✓
- Δ₂ > 0 = Δ₁ × s₂ > 0，而 Δ₁ > 0 ⇒ s₂ > 0：第二个方向也向上弯 ✓
- Δ₃ > 0 = Δ₂ × s₃ > 0，而 Δ₂ > 0 ⇒ s₃ > 0：第三个方向也向上弯 ✓
- ...
每一步的 sₖ 恰好衡量了"第 k 个新扩展方向上，被前 k-1 个方向吸收掉交叉影响后，还剩下多少纯向上的弯曲力"。如果每一步的 sₖ 都 > 0，最终所有方向都向上弯 → 正定。
✍️ **立刻练一道**（马上用起来）：用顺序主子式法判断 A = $\begin{bmatrix} 2 & -1 & 0 \\ -1 & 2 & -1 \\ 0 & -1 & 2 \end{bmatrix}$ 是否正定。（答案：Δ₁ = 2 > 0；Δ₂ = 3 > 0；Δ₃ = 4 > 0，全部 > 0 → 正定。详见下面的思考题❸。）
**多通道对照表**：
| 通道 | 核心内容 |
|------|----------|
| 生活类比 | 西瓜检查法——逐层切三角口，每层都甜则整瓜好 |
| 正定⇒主子式 | 正定⇒Aₖ正定⇒特征值全正⇒|Aₖ|>0（切角传递正定性） |
| 主子式⇒正定 | 数学归纳法：Δ₁>0 奠基 → 假设 Aₖ 正定 → 构造合同消元 → s>0 → A_{k+1} 正定 |
| 关键技巧 | 合同变换消元 + 舒尔补 s = a - bᵀA⁻¹b |
| 递推核心 | Δ_{k+1} = Δₖ × s_{k+1}，Δₖ>0 且 Δ_{k+1}>0 ⇒ s_{k+1}>0 |
| 一句话 | 每一层行列式为正 = 该层新方向"纯弯曲"为正 |
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "顺序主子式 > 0 = 正定，对所有矩阵都成立" | ❌ 必须是对称矩阵！主子式法对非对称矩阵不适用——非对称矩阵根本不在正定性的讨论范围内。 |
| "主子式和顺序主子式是一回事" | ❌ 不一样！**顺序主子式**是从左上角开始取的（Δ₁, Δ₂, ..., Δₙ），是正定性的判据。**主子式**是取任意行和对应列（不一定要从左上角开始），所有主子式 ≥ 0 是**半正定**的判据。考研正定性题只能用顺序主子式！ |
| "顺序主子式全正 ⇒ 矩阵特征值全正" | ✅ 对（实对称矩阵），但这是结论不是前提——上面的归纳法恰好证明了这个方向。 |
| "Δ₁ > 0 就够了，后面的不用算" | ❌ Δ₁ > 0 只保证第一个方向向上弯。后面的 Δ₂, Δ₃, ... 各自独立地保证对应方向的弯曲。缺少任何一个都可能漏掉"某个方向向下弯"的情况。 |
| "顺序主子式是行列式 = 非零就够，不一定要 > 0" $\begin{vmatrix} ⚠️ 非零只保证可逆（满秩），不保证正定。例如 A = [-1 & 0 \\ 0 & -1]：Δ₁ = -1 < 0（不满足 > 0），虽然 Δ₂ = 1 > 0。这个矩阵是负定的，不是正定的！ \end{vmatrix}$
| "正定矩阵的所有主子式都 > 0" | ✅ 更准确地说：如果矩阵正定，不光是**顺序**主子式，连**所有**主子式都 > 0（因为任何主子矩阵也是正定的）。但反过来不成立——所有主子式 > 0 不一定正定（需要对称性）。 |
**⑥ 🔗 链条位置**
```
1.11 正定定义
↓
1.12 五种判别法（罗列）
↓
灵魂定理⑤（五种等价性证明环）
↓ 其中"主子式法 ⇔ 特征值法"这一环需要单独展开
【本定理】顺序主子式原理——为什么 Δ₁,...,Δₙ > 0 ⇔ 正定
↓ 提供了快速数值判断工具
1.13 顺序主子式的具体算法（操作层面）
1.14 必要条件（"快速排除法"的根据——因为正定 ⇒ 主子式全正 ⇒ 对角线元素全正）
```
> 🛑 **停下来想一想**：矩阵 A = $\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}$ 的顺序主子式 Δ₁ = 1 > 0, Δ₂ = -3 < 0。从"逐层检查"的角度，第二个方向发生了什么？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"切西瓜"比喻解释：如果 Δ₁ > 0, Δ₂ > 0, 但 Δ₃ < 0，意味着什么？
> **❷ 深度思考** — 在归纳法的第 6 步中，为什么 s = a_{k+1,k+1} - bᵀAₖ⁻¹b 被解释为"减去交叉影响后的纯平方"？
> **❸ 考试演练** — 用顺序主子式法判断 A = $\begin{bmatrix} 2 & -1 & 0 \\ -1 & 2 & -1 \\ 0 & -1 & 2 \end{bmatrix}$ 是否正定。
📖 点击查看参考答案
**❶ 参考答案**：切第一口（1×1 的角）——甜；切第二口（2×2 的角）——甜；切第三口（整个瓜，3×3）——苦！这意味着前两个方向是向上弯的，但第三个新扩展的方向是向下弯的（或平的）——所以第三个方向的"纯拉伸"s₃ 是负数。整体是"马鞍形"，不定二次型。
**❷ 参考答案**：a_{k+1,k+1} 是第 k+1 个变量和它自己的"纯平方"系数。b 记录了第 k+1 个变量和前 k 个变量之间的"交叉拉扯"。通过合同变换，前 k 个变量把这种"交叉拉扯"全部吸收掉了——就像配方法一样——剩下的 s 就是第 k+1 个变量"独自的纯拉伸"。所以 s > 0 意味着第 k+1 个方向也是向上弯的。
**❸ 参考答案**：Δ₁ = |2| = 2 > 0 ✓。Δ₂ = $\begin{vmatrix} 2 & -1 \\ -1 & 2 \end{vmatrix}$ = 4 - 1 = 3 > 0 ✓。Δ₃ = |A| = 2(4-1) - (-1)(-2-0) + 0 = 2·3 - 1·(-2)(-1) = 6 - 2 = 4 > 0 ✓。所有顺序主子式 > 0 → A 正定。
---
### 1.14 正定的必要条件——快速排除法
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 你去买鸡蛋——不用一个个打开看，拿起来摇一摇（散了黄的鸡蛋有晃动声）、看一看（有裂缝的直接淘汰）、闻一闻（臭的直接扔）。这些"快速检查"不是 100% 准确，但能快速排除 90% 的问题。正定矩阵也有自己的"快速检查法"——三条必要条件。
#### 先想一个场景：别急着算主子式，先"摇一摇、闻一闻"
看到这个场景，先别慌。考试里判断正定，**难在哪？** 每次都老老实实算 Δ₁, Δ₂, Δ₃ 太慢。能不能一眼先排除一批"明显不正定"的？比如矩阵 $\begin{bmatrix} 2 & 0 \\ 0 & -5 \end{bmatrix}$——对角线有个 -5，取 x=(0,1) 就有 f = -5 < 0，肯定不正定！
🧠 这一步在想什么：**找几个"不满足就直接排除"的必要条件**。(1) 必须实对称；(2) 对角线元素全 > 0（令其他变量为 0，只剩 aᵢᵢ·xᵢ²）；(3) |A| > 0（行列式 = 特征值之积）。满足这些**不一定**正定（所以只是"必要"），但违反任何一条**一定**不正定。
🔍 回头看看：这三条就是**正定的必要条件**——像买鸡蛋的"摇一摇、看一看、闻一闻"，秒杀明显不对的选项。不过要注意：它们只是"必要"，不能拿来"充分"判断。
**📖 正定的必要条件**（不满足任何一条就直接排除正定）：
| 条件 | 为什么？ |
|------|---------|
| A 必须是实对称矩阵 | 不对称的矩阵不能代表二次型 |
| 所有主对角元素 aᵢᵢ > 0 | 令其他变量为 0，只剩 aᵢᵢ·xᵢ² > 0 |
| |A| > 0（行列式大于 0） | 矩阵可逆且"体积"为正 |
**⚠️ 重要**：这些都是**必要条件**，不是充分条件！满足全部必要条件，也不一定正定——必须进一步用充分条件验证。
✍️ **立刻练一道**（30 秒做完）：四个选项中，哪个一定不是正定矩阵？（用必要条件秒杀）：(A) $\begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$ (B) $\begin{bmatrix} 1 & 0 \\ 0 & -3 \end{bmatrix}$ (C) $\begin{bmatrix} -1 & 0 \\ 0 & 1 \end{bmatrix}$ (D) $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$（答案：(B)(C)(D) 都能秒杀——对角线有负或零，只有 (A) 需要进一步验证。详见下面的思考题❶。）
> 🛑 **停下来想一想**：矩阵 A = $\begin{bmatrix} 1 & 3 \\ 3 & 1 \end{bmatrix}$：对角线全正 ✓，行列式 = 1-9 = -8 < 0 ✗。你能在 1 秒内判断它不是正定吗？
> 💡 **阅读思考题**
>
> **❶** 四个选项中，哪个一定不是正定矩阵？（用必要条件秒杀）：(A) $\begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$ (B) $\begin{bmatrix} 1 & 0 \\ 0 & -3 \end{bmatrix}$ (C) $\begin{bmatrix} -1 & 0 \\ 0 & 1 \end{bmatrix}$ (D) $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$
📖 点击查看参考答案
**❶ 参考答案**：(B) 对角线有 -3 → 一定不是正定。(C) 对角线有 -1 → 同理排除。(D) 对角线有 0 → a₁₁=0 → 取 x=(1,0)ᵀ, f=0 → 不正定。所以 (B)(C)(D) 都可以用必要条件秒杀，只有 (A) 需要进一步验证（实际 Δ₁=2>0, Δ₂=4-1=3>0，确实是正定的）。
---
### 1.14B 半正定、半负定与不定二次型
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 前面说正定是"正着放的碗"——所有水珠都滚向碗底。那如果你有一个盘子——平底的，水倒在上面不会流走（不会变负），但也不会往中间聚——这就是"半正定"。生活中还有"马鞍"——往前走上坡（正值），往侧面走下坡（负值）——这就是"不定"。
#### 先看一个场景：f 可以等于 0，算什么？
看到这个场景，先别慌。`f = x1² + x2² + 2x1x2`，配方得 f = (x1+x2)²。**难在哪？** 它永远 ≥ 0，从不为负——但取 x1=1, x2=-1（非零！）时 f = 0。那它还是"正定"吗？显然不是——正定要求"只要不全为零就 > 0"。
🧠 这一步在想什么：**"允许等于 0"和"严格大于 0"要分开**。像 f = (x1+x2)² 这种"≥ 0 且存在非零向量使 f=0"的，叫**半正定**；"≤ 0 且存在非零向量使 f=0"叫**半负定**；"既有正又有负"叫**不定**。正定、半正定、负定、不定——这就是二次型的四种"身份"。
🔍 回头看看：区分它们的关键就一句话——**f 能不能取到 0**（半正定/半负定），以及**有没有正负两边都取到**（不定）。
**（1）半正定**：对所有非零向量 x ≠ 0，f(x) ≥ 0（可以等于 0），并且存在某个非零向量使 f = 0。
**（2）半负定**：对所有非零向量 x ≠ 0，f(x) ≤ 0，并且存在某个非零向量使 f = 0。
**（3）不定**：存在某些非零向量使 f > 0，也存在某些非零向量使 f < 0。
**（4）判别条件简表**：
| 类型 | 特征值条件 | 主子式条件 |
|------|-----------|-----------|
| **正定** | 所有特征值 **> 0** | 所有顺序主子式 > 0 |
| **半正定** | 所有特征值 **≥ 0**，且至少一个 = 0 | 所有**主子式**（不只是顺序主子式）≥ 0 |
| **负定** | 所有特征值 **< 0** | 奇数阶顺序主子式 < 0，偶数阶 > 0 |
| **不定** | 既有正特征值又有负特征值 | 不满足以上任何一种 |
**⚠️ 重要区分——正定 vs 半正定**：
| | 正定 | 半正定 |
|---|------|--------|
| 对非零向量 | f(x) **严格 > 0** | f(x) ≥ 0，**允许等于 0** |
| 特征值 | 全部 > 0 | 全部 ≥ 0 且至少一个 = 0 |
| 行列式 | |A| > 0 | |A| = 0（不满秩） |
✍️ **立刻练一道**（30 秒做完）：判断二次型 f = x1² + x2² + 2x1x2 是否正定？是否半正定？（答案：矩阵 $\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}$，Δ₂ = 0 不正定；特征值 2 和 0 全 ≥ 0 → 半正定；配方 f = (x1+x2)² ≥ 0 且取 x1=1, x2=-1 时 f=0。详见下面的思考题❶。）
> 🛑 **停下来想一想**：A = $\begin{bmatrix} 1 & 0 \\ 0 & 0 \end{bmatrix}$——是不是半正定？B = $\begin{bmatrix} 0 & 0 \\ 0 & -1 \end{bmatrix}$——是不是半正定？
> 💡 **阅读思考题**
>
> **❶** 判断二次型 f = x1² + x2² + 2x1x2 是否正定？是否半正定？
📖 点击查看参考答案
**❶ 参考答案**：矩阵 A = $\begin{bmatrix} 1 & 1 \\ 1 & 1 \end{bmatrix}$。Δ₁ = 1 > 0 ✓。Δ₂ = 1-1 = 0，不满足 > 0 → 不是正定。特征值：λ₁ = 2, λ₂ = 0 → 全 ≥ 0 → 是半正定。验证：配方 f = (x1+x2)² ≥ 0，取 x1=1, x2=-1 ≠ 0 → f = 0，确实存在非零向量使 f=0。
---
### 1.15 二次型的最值问题是什么意思？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 想象你在一个大气球的表面上走——气球的大小是固定的（相当于约束条件 x1²+x2²+x3²=1）。气球的每一处温度不同（温度 = 二次型 f 的值）。你想知道：气球上最热的地方在哪里？温度有多高？不需要走遍气球每一寸——答案就藏在特征值里。
> 📌 **这节学完你就能回答：**
> - 在单位球面上，二次型的最大值、最小值是多少？和特征值什么关系？
#### 先看一道题：气球上最热的地方在哪？
看到这题，先别慌。约束 x₁² + x₂² + x₃² = 1 是单位球面，f = XᵀAX 在球面上的最大值最小值是多少？**难在哪？** 球面无穷多个点，不可能一个个试。
🧠 这一步在想什么：**用正交变换把 f 化成标准形**——在单位球面上，正交变换只是旋转，不改变点的"到原点距离"，所以约束不变。化完就变成 y₁² + y₂² + y₃² = 1 下的 λ₁y₁² + λ₂y₂² + λ₃y₃²。想让这个式子最大，就把"全部的 y"都压在最大特征值那个方向上；想让式子最小，就全压在最小特征值那个方向上。
🔍 回头看看：原来**最值 = 特征值极值**——最大值就是最大特征值 λ₁，最小值就是最小特征值 λₙ。不用走遍球面，答案就在特征值里。
**📖 正式结论（用特征值解决）**：
设 A 的特征值为 λ₁ ≥ λ₂ ≥ ... ≥ λₙ，约束条件为 x₁² + ... + xₙ² = 1，则：
- f 的**最大值** = 最大的特征值 λ₁
- f 的**最小值** = 最小的特征值 λₙ
**🔑 一句话**：在单位球面上，二次型的取值范围被"夹"在最小特征值和最大特征值之间。
✍️ **立刻练一道**（30 秒做完）：设 A 的特征值为 5, 1, -2。在单位球面上，XᵀAX 的取值范围是什么？（答案：[-2, 5]。最大值 5（在特征值 5 对应的特征向量方向上取得），最小值 -2（在特征值 -2 对应的特征向量方向上取得）。详见下面的思考题❶。）
> 🛑 **停下来想一想**：如果约束条件变成 x1² + x2² = 4（半径=2 的圆），二次型 f = 2x1² + 8x2² 在这个圆上的最大值是多少？
> 💡 **阅读思考题**
>
> **❶** 设 A 的特征值为 5, 1, -2。在单位球面上，XᵀAX 的取值范围是什么？
> **❷** 已知 f = 3x1² + 3x2² + 2x1x2，求 f 在 x1² + x2² = 1 下的最大值和最小值。
📖 点击查看参考答案
**❶ 参考答案**：取值范围是 [-2, 5]。最大值 5（在特征值 5 对应的特征向量方向上取得），最小值 -2（在特征值 -2 对应的特征向量方向上取得）。
**❷ 参考答案**：矩阵 A = $\begin{bmatrix} 3 & 1 \\ 1 & 3 \end{bmatrix}$，特征值 λ₁=4, λ₂=2。在单位圆上，最大值 = 4，最小值 = 2。取最大值时，(x1,x2) 平行于 λ₁=4 的特征向量 (1,1)ᵀ。取最小值时，(x1,x2) 平行于 λ₂=2 的特征向量 (1,-1)ᵀ。
---
### 1.16 矩阵的相似、合同、等价——三者怎么区分？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 同一张照片，你可以横着拍、竖着拍（等价——信息量不变），也可以用不同分辨率拍（相似——同一个"变换"换了坐标），还可以在不同滤镜下看（合同——同一个二次型换了变量名）。这三者都在说"本质相同、表现形式不同"，但"相同"到什么程度各不相同。
#### 先看一个场景：diag(1,4) 和 diag(2,3) 是什么关系？
看到这个场景，先别慌。A = diag(1, 4)，B = diag(2, 3)。**难在哪？** 它俩长得不一样，但好像又"有点关系"——秩一样，惯性指数一样，就是特征值不一样。这到底算什么关系？
🧠 这一步在想什么：**按三种关系逐个"套标准"**。等价 = 秩相同 → 是（秩都 2）；合同 = 惯性指数相同 → 是（p 都 2, q 都 0）；相似 = 特征值完全相同 → 不是（1,4 vs 2,3）。所以它俩**等价、也合同，但不相似**。
🔍 回头看看：三种关系的"精细度"从粗到细是**等价 < 合同 < 相似**——等价只看秩，合同多看惯性指数，相似要求特征值全同。这就是它们区分的钥匙。
**📖 完整对比表**：
| | 等价 | 相似 | 合同 |
|---|------|------|------|
| **定义** | PAQ = B | P⁻¹AP = B | CᵀAC = B |
| **P, Q 条件** | P, Q 均可逆 | P 可逆 | C 可逆 |
| **秩** | 相同 | 相同 | 相同 |
| **特征值** | 无关系 | **完全相同** | 无关系（只要求正负号分布相同） |
| **正负惯性指数** | 无关系 | — | **相同**（判定合同的充要条件） |
| **几何含义** | 秩相同的矩阵（可经可逆初等变换互化） | 同一个线性变换在不同基下的矩阵 | 同一个二次型在不同坐标系下的矩阵 |
| **适用对象** | 任意同型矩阵 | 方阵 | 实对称矩阵 |
**🔑 关系链（实对称矩阵范围内）**：
```
相似 ──→ 合同 ──→ 等价
（特征值相同自然惯性指数相同，惯性指数相同自然秩相同）
```
⚠️ 注意：对于非实对称的一般方阵，相似不一定合同！
✍️ **立刻练一道**（30 秒做完）：设 A = diag(1, 4), B = diag(2, 3)。则 A 与 B（ ）(A) 相似且合同 (B) 合同但不相似 (C) 相似但不合同 (D) 既不相似也不合同。（答案：**(B) 合同但不相似**——惯性指数相同但特征值不同。详见配套练习题6-26。）
> 🛑 **停下来想一想**：A = diag(1, 4) 和 B = diag(2, 3)。分别判断：(1) 等价？(2) 合同？(3) 相似？
> 💡 **阅读思考题**
>
> **❶** 对于实对称矩阵，判断命题真假：(a) A 与 B 相似 ⇒ A 与 B 合同。(b) A 与 B 合同 ⇒ A 与 B 等价。(c) A 与 B 等价 ⇒ A 与 B 合同。
📖 点击查看参考答案
**❶ 参考答案**：(a) ✅ 相似⇒特征值完全一样⇒正负特征值个数一样⇒惯性指数一样⇒合同。(b) ✅ 合同⇒惯性指数一样⇒秩一样⇒等价。(c) ❌ 等价只保证秩相同，惯性指数可以不同。反例：diag(1,1) 和 diag(1,-1) 秩都是 2（等价），但惯性指数 (2,0) vs (1,1) → 不合同。
---
### 🔬 方法原理③：相似、合同、等价——三者到底哪里不同、哪里重合？
> 1.16 节给了对比表，但"什么时候重合、什么时候不同"这个问题如果不从定义根源上推导，考试一混就错。这里从三个定义出发，一条一条理清三者的关系。
**① 🏠 生活场景：三张"等价关系身份证"**
同一个人，可以有三张不同的"等价身份证"：
- **等价** = 两个人身高体重完全一样（秩相同）——最粗糙，只看"体格"
- **合同** = 两个人虽然长相不同，但"骨架子"一样——正负方向的数量分布一致（惯性指数相同）
- **相似** = 两个人是同一个人的不同照片——所有特征完全一样（特征值相同），只是角度/光线不同
三者的"精细度"从低到高：等价 < 合同 < 相似——越往上越精细，满足的条件越多。
**② 📖 三个定义的对比推导**
先从最宽松的讲起，逐级收紧：
---
**第一级：等价 —— 最宽松**
**定义**：A 和 B 等价 ⇔ 存在可逆矩阵 P, Q 使得 **PAQ = B**。
**直观理解**：A 可以通过一系列初等行变换和列变换变成 B。等价只看"信息量"（秩）——只要秩相同，不管具体数值怎么分布，都算等价。
**考试常考结论**：
- A 等价于 B ⇔ r(A) = r(B)（同型矩阵）
- 等价是最宽松的关系——所有合同/相似的矩阵，首先一定是等价的
- 等价不要求矩阵是对称的，也不要求是方阵
> 大白话：等价 = 两个人身高体重一样。张三 175cm/70kg 和李四 175cm/70kg——只看这两个数字，不管脸长什么样。
---
**第二级：合同 —— 中等精细**
**定义**：A 和 B 合同 ⇔ 存在可逆矩阵 C 使得 **CᵀAC = B**（且 A, B 都是实对称矩阵）。
**直观理解**：这是二次型的"翻译关系"——同一个二次型在不同的变量名下的矩阵表示。合同只看"凹凸分布"（惯性指数）——几个方向凸、几个方向凹。
**考试常考结论**：
- 对实对称矩阵：A 合同于 B ⇔ p(A) = p(B) 且 q(A) = q(B)（惯性指数相同）
- 合同保持：秩、对称性、正定性、行列式符号
- 合同**不保持**：特征值的具体数值
> 大白话：合同 = 两个人骨架子一样。张三宽肩窄胯（两个正方向一个负方向），李四虽然高矮不同，但也是宽肩窄胯——骨架类型一致。
---
**第三级：相似 —— 最严格**
**定义**：A 和 B 相似 ⇔ 存在可逆矩阵 P 使得 **P⁻¹AP = B**。
**直观理解**：同一个线性变换在不同的基下的矩阵表示。相似要求两个矩阵"本质上完全一样"——特征值、特征向量（在不同坐标系下）、秩、行列式……全部一致。
**考试常考结论**：
- A 相似于 B ⇔ A 和 B 有相同的特征值（含代数重数）
- 相似保持：特征值、秩、行列式、迹——几乎所有数值量都相同
- 相似 ⇒ 等价（因为 P⁻¹AP = B 也是 PAQ = B 的特例，取 P₁ = P⁻¹, Q = P 即可）
> 大白话：相似 = 同一个人的不同照片。所有特征（眼睛大小、鼻子高度……）完全一样，只是拍摄角度不同——"骨架子"（惯性指数）和"具体尺寸"（特征值）全一样。
---
**③ 🧠 三者关系推导——关键在"什么时候重合、什么时候不同"**
**推导一：相似 ⇒ 合同（对实对称矩阵成立）**
设 A 和 B 是实对称矩阵且 A 相似于 B。则存在可逆矩阵 P 使 P⁻¹AP = B。
因为相似 ⇒ 特征值完全相同（含重数）。对于实对称矩阵，特征值相同 ⇒ 正特征值个数相同、负特征值个数相同 ⇒ 惯性指数 (p, q) 相同 ⇒ 合同。
> 大白话：特征值全一样 → 正负号分布自然全一样 → 合同。相似比合同更精细（不仅知道正负，还知道具体数值），所以相似自动包含合同。
⚠️ **注意：这个结论对非对称矩阵不成立！** 因为非对称矩阵可能不可对角化，或者合同没有定义。
---
**推导二：合同 ⇒ 相似（对实对称矩阵不成立！）**
**反例**：A = diag(1, 4)，B = diag(2, 3)。两者都是实对称矩阵。
- 惯性指数：A: p=2, q=0；B: p=2, q=0 → **合同** ✓
- 特征值：A: 1, 4；B: 2, 3 → 特征值不同 → **不相似** ✗
> 大白话：合同只看"几个正、几个负"（符号分布），不关心"正得多大"。相似要求"正得一模一样"。所以合同不等于相似。
---
**推导三：合同 ⇒ 等价（总是成立）**
设 A 合同于 B，则 CᵀAC = B。令 P = Cᵀ, Q = C，则 PAQ = B。P, Q 均可逆 ⇒ A 等价于 B ✓。
> 大白话：合同是"特殊的等价"——CᵀAC 天然就是 PAQ 的一种特例（P=Cᵀ, Q=C）。所以合同必然等价。反之不成立——等价只要求秩相同，秩相同不能保证惯性指数相同。
**反例**：A = diag(1, 1), B = diag(1, -1)。秩都是 2 → 等价 ✓。但惯性指数 (2,0) vs (1,1) → 不合同 ✗。
---
**推导四：三者重合的特殊情况——什么时候相似和合同是同一回事？**
**关键问题**：对实对称矩阵，什么时候"合同 = 相似"？
答案：当两个矩阵的特征值**完全相同**（而不只是正负号个数相同）时。因为实对称矩阵的特征值完全确定了惯性指数（正负号个数）加上所有合同不变量外，还确定了特征值本身。两个实对称矩阵的惯性指数相同 + 特征值具体数值相同 ⇒ 它们通过正交变换可以化成**完全相同**的对角阵 ⇒ 它们既合同又相似。
更重要的是：两个实对称矩阵**正交相似**（P 是正交矩阵：P⁻¹ = Pᵀ）⇔ 它们既相似又合同。因为正交相似变换 PᵀAP = P⁻¹AP = B 同时满足合同和相似的定义！
> 大白话：正交变换（QᵀAQ）是"合同"和"相似"的交集——因为它同时满足 CᵀAC（合同，C=Q）和 P⁻¹AP（相似，P=Q，且 Q⁻¹=Qᵀ）。这就是为什么正交变换法这么重要——它是连接"二次型的世界"（合同）和"线性变换的世界"（相似）的桥梁！
---
**④ 📝 三者关系总览图**
```
对实对称矩阵 A, B：
等价 ⇔ r(A) = r(B)
↑
│ （合同 ⇒ 等价，反之不成立）
│
合同 ⇔ p(A)=p(B), q(A)=q(B)（惯性指数相同）
↑
│ （相似 ⇒ 合同，反之不成立）
│
相似 ⇔ 特征值完全相同（含重数）
特殊情况：正交相似（QᵀAQ = Q⁻¹AQ = B）
⇔ 既合同又相似（因为 Qᵀ=Q⁻¹）
⇔ 特征值完全相同（相似的要求）
```
**⑤ ⚠️ 易错边界**
| 误区 | 正解 |
|------|------|
| "合同就是相似" | ❌ 合同只看正负号分布，相似要求特征值全等。diag(1,4) 和 diag(2,3) 合同但不相似。 |
| "相似就是合同" | ✅ 对实对称矩阵成立。特征值全等 ⇒ 正负号分布全等 ⇒ 惯性指数相同 ⇒ 合同。但对非对称矩阵不成立（合同只对实对称矩阵定义）。 |
| "等价就是合同" | ❌ 等价只看秩。diag(1,1) 和 diag(1,-1) 秩都是 2（等价），但惯性指数 (2,0) vs (1,1)（不合同）。 |
| "正交变换只是合同变换" | ⚠️ 不全面。正交变换 QᵀAQ 既是合同变换（形式为 CᵀAC），也是相似变换（因为 Qᵀ = Q⁻¹，形式为 P⁻¹AP）。正因如此，正交变换同时保持惯性指数（合同）和特征值（相似）。 |
| "三个概念只对对称矩阵有意义" | ❌ 等价对任意矩阵都有定义。相似对方阵有定义。合同主要讨论实对称矩阵。 |
| "两个矩阵合同 ⇒ 它们有相同的特征值" | ❌ 这是最常见的混淆！合同**不保证**特征值相同——只保证正负号个数相同。上面 diag(1,4) 和 diag(2,3) 就是反例。 |
**⑥ 🔗 链条位置**
```
Ch2 矩阵的秩（等价的基础——秩相同 ⇔ 等价）
+
Ch5 特征值与相似对角化（相似的基础——特征值相同 ⇔ 相似）
+
Ch6 惯性定理（合同的基础——惯性指数相同 ⇔ 合同）
↓
【本方法】三者关系的严格推导：定义→性质→反例→重合条件
↓ 应用
1.5/1.16 概念辨析 + 题型F（判断两个矩阵是否合同/相似/等价）
```
✍️ **立刻练一道**（马上用起来）：对于 A = diag(2, 2, -1) 和 B = diag(3, 1, -1)：(a) 判断是否等价？(b) 判断是否合同？(c) 判断是否相似？(d) 是否存在正交矩阵 Q 使 QᵀAQ = B？（答案：(a) 等价 ✓；(b) 合同 ✓；(c) 不相似 ✗；(d) 不存在这样的 Q。详见下面的思考题❸。）
> 🛑 **停下来想一想**：两个实对称矩阵，如果它们既合同又相似——它们的特征值必须满足什么条件？
> 💡 **阅读思考题**
>
> **❶ 理解检测** — 用"身份证"的比喻，分别解释等价、合同、相似三者的"信息量"差异。
> **❷ 深度思考** — 为什么正交变换 QᵀAQ 同时是合同变换和相似变换？这个事实对理解"正交变换法化标准形"有什么意义？
> **❸ 考试演练** — 对于 A = diag(2, 2, -1) 和 B = diag(3, 1, -1)：(a) 判断是否等价？(b) 判断是否合同？(c) 判断是否相似？(d) 是否存在正交矩阵 Q 使 QᵀAQ = B？
📖 点击查看参考答案
**❶ 参考答案**：等价 = 身份证上只写身高体重（秩）——信息量最少。合同 = 身份证上写了骨架类型（几个宽、几个窄 = 惯性指数）——信息量中等。相似 = 身份证上写了所有身体精确尺寸（特征值）——信息量最大、最精确。
**❷ 参考答案**：因为正交矩阵 Q 满足 Qᵀ = Q⁻¹，所以 QᵀAQ = Q⁻¹AQ。等号左边 QᵀAQ 是合同变换的形式（CᵀAC），等号右边 Q⁻¹AQ 是相似变换的形式（P⁻¹AP）。这意味着正交变换得到的结果同时满足："新二次型和旧二次型有相同的惯性指数"（合同的性质）和 "新矩阵和旧矩阵有相同的特征值"（相似的性质）。这就是为什么正交变换法得到的标准形系数恰好等于特征值——因为正交变换同时在做"换变量"（合同）和"特征值不变"（相似）！
**❸ 参考答案**：(a) 都是 3×3 且秩都为 3（两个矩阵都可逆）→ 等价 ✓。(b) A: 特征值 2,2,-1 → p=2, q=1。B: 特征值 3,1,-1 → p=2, q=1。惯性指数相同 → 合同 ✓。(c) A 特征值 2,2,-1；B 特征值 3,1,-1。特征值不同 → 不相似 ✗。(d) 正交变换要求既合同又相似 → 要求特征值相同。A 和 B 特征值不同 → 不存在这样的 Q ✗。
---
### 1.17 二次型和特征值之间有什么深层关系？
> 🔔 **课前激活**（动笔写30秒再往下读）
>
> 学完前面 16 个小节，你可能会想：二次型和特征值到底是什么关系？现在请你闭上眼睛回顾一下：你在二次型中用特征值做了哪些事情？至少说出三件。
#### 先看一个"串珠"：特征值在二次型里出现了几次？
看到这个场景，先别慌。回头把整章翻一遍，数一数特征值出现在哪儿——**难在哪？** 记得不全？别急，这正是本节要做的：把特征值在二次型里"串成一条线"。
🧠 这一步在想什么：**逐条盘点**。(1) 正交变换法化标准形 = 正交相似对角化，标准形系数 = 特征值；(2) 正惯性指数 p = 正特征值个数；(3) 负惯性指数 q = 负特征值个数；(4) 二次型的秩 = 非零特征值个数；(5) 正定 ⇔ 所有特征值 > 0；(6) 单位球面上最值 = 最大/最小特征值。
🔍 回头看看：特征值就是二次型曲面的"骨架"——弯曲程度（特征值）和弯曲方向（特征向量）全在这里。二次型这章，本质是第 5 章特征值理论的"终极应用"。
**💬 生活比喻**：
第 5 章学的特征值和特征向量，就像是二次型曲面的"骨架"——特征值告诉我们这个曲面在每个骨架方向上的"弯曲程度"，特征向量告诉我们骨架的方向。
**📖 深层联系**：
1. 正交变换法化标准形 = 实对称矩阵的正交相似对角化（第 5 章核心技能）
2. 标准形的系数 = 特征值
3. 正惯性指数 = 正特征值的个数
4. 二次型的秩 = 非零特征值的个数
5. 正定 ⇔ 所有特征值 > 0
6. 在单位球面上的最值 = 最大/最小特征值
**🔑 一句话**：二次型这章是第 5 章特征值理论的"终极应用"——前面学的一切，在这里开花结果。
✍️ **立刻练一道**（30 秒做完）："二次型的秩 = 非零特征值的个数"，这个结论来自哪两个事实的结合？（答案：(1) 二次型的定义——秩 = 对应矩阵 A 的秩；(2) 实对称矩阵可正交对角化，对角化后非零对角元素个数 = 非零特征值个数 = 秩。详见下面的思考题❷。）
> 🛑 **停下来想一想**：如果有人问你"线代六章之间到底是什么关系"，你会怎么回答？试着把六章串成一条线。
> 💡 **阅读思考题**
>
> **❶** 列出特征值在二次型中出现的所有地方（至少 6 处）。
> **❷** "二次型的秩 = 非零特征值的个数"，这个结论来自哪两个事实的结合？
📖 点击查看参考答案
**❶ 参考答案**：(1) 正交变换法——标准形系数 = 特征值。(2) 正惯性指数 p = 正特征值个数。(3) 负惯性指数 q = 负特征值个数。(4) 二次型的秩 = 非零特征值个数。(5) 正定 ⇔ 全部特征值 > 0。(6) 单位球面上的最大值 = 最大特征值，最小值 = 最小特征值。
**❷ 参考答案**：来自两个事实的结合：(1) 二次型的定义：秩 = 对应矩阵 A 的秩。(2) 对于实对称矩阵 A，存在正交矩阵 Q 使得 QᵀAQ = diag(λ₁,...,λₙ)，对角化后非零对角元素个数 = 非零特征值个数 = 秩。所以二次型的秩 = 非零特征值个数。
---
### 📋 自检清单
学完这一层，你应该能回答：
1. ✅ 二次型是什么？能用"橡皮泥拉伸"的比喻讲给别人听吗？
2. ✅ 二次型写矩阵时，交叉项系数为什么要除以 2？
3. ✅ 二次型的秩怎么求？
4. ✅ 什么是合同矩阵？和"相似""等价"有什么区别？
5. ✅ 标准形和规范形的区别是什么？哪个是唯一的？
6. ✅ 惯性定理在说什么？正惯性指数和负惯性指数怎么算？
7. ✅ 配方法和正交变换法的步骤分别是什么？各自得到的结果有什么不同？
8. ✅ 正交变换法中，施密特正交化和单位化的顺序是什么？
9. ✅ 正定二次型是什么？五种判别方法分别是什么？
10. ✅ 顺序主子式怎么算？什么叫"所有顺序主子式大于 0"？
11. ✅ 正定的必要条件有哪些？为什么它们只是"必要"而非"充分"？
12. ✅ 二次型在单位球面上的最大值和最小值由什么决定？
13. ✅ 半正定和正定的核心区别是什么？判别条件有什么不同？
---
### 未归属练习题
**题6-6 ⭐ 基础 | 概念综合**
设 A 是 3 阶实对称矩阵，特征值为 2, 3, 0。回答：
(1) 二次型的秩是多少？(2) 正惯性指数和负惯性指数？(3) 规范形？(4) 是否正定？
📖 点击查看答案
(1) 秩 = 非零特征值个数 = **2**
(2) p = **2**（两个正特征值 2 和 3），q = **0**
(3) 规范形 = **y1² + y2²**
(4) **不正定**。正定要求所有特征值 > 0，这里有一个为 0。实际上是**半正定**。
---
#### 概念辨析判断题
判断下列说法是否正确：
1. 二次型的矩阵一定是方阵，但不一定是对称矩阵。（ ）
2. 二次型 `f = 2x1² + 6x1x2 + 5x2²` 对应的矩阵是 $\begin{bmatrix} 2 & 6 \\ 6 & 5 \end{bmatrix}$。（ ）
3. 标准形和规范形都是唯一的。（ ）
4. 两个实对称矩阵相似，则它们一定合同。（ ）
5. 两个实对称矩阵合同，则它们一定相似。（ ）
6. 正定矩阵的对角线元素一定全大于 0。（ ）
7. 矩阵 A 的所有顺序主子式大于 0，则 A 正定。（ ）
8. 二次型经过正交变换后，标准形的系数一定是特征值。（ ）
9. 二次型经过配方法后，标准形的系数一定是特征值。（ ）
10. 惯性指数相同的两个二次型，它们对应的矩阵一定合同。（ ）
📖 点击查看答案
1. ❌ 这句话前半句对（二次型的矩阵一定是方阵），后半句按数学事实也对——同一个二次型确实可以对应非对称矩阵（如 f=2x₁x₂ 可对应 $\begin{bmatrix} 0 & 2 \\ 0 & 0 \end{bmatrix}$）。但考研约定里"二次型的矩阵"一律指那个唯一的对称矩阵，所以按考研约定判 ❌。考试时题目说"二次型的矩阵"，永远写对称矩阵。
2. ❌ 交叉项系数 6 要除以 2！正确矩阵是 $\begin{bmatrix} 2 & 3 \\ 3 & 5 \end{bmatrix}$。
3. ❌ 标准形**不唯一**，规范形是**唯一的**。
4. ✅ 相似 ⇒ 特征值完全相同 ⇒ 惯性指数相同 ⇒ 合同。
5. ❌ 合同只要求惯性指数相同，特征值本身可以不同。
6. ✅ 令除 xᵢ 之外所有变量为 0，则 f = aᵢᵢ·xᵢ² > 0。
7. ⚠️ **不全对！** 还必须要求 A 是**实对称矩阵**。
8. ✅ 正交变换法 = 正交相似对角化，对角线上就是特征值。
9. ❌ 配方法不保证系数是特征值！
10. ✅ 对于实对称矩阵来说，合同 ⇔ 秩相同且正惯性指数相同。
答对 8 题以上：✅ 基础扎实；6-7 题：⚠️ 需要复习；5 题以下：🔴 建议重读概念。
---
#### 🎯 解题方法
> 以下两种题型对应知识块C的核心技能——正定性判别和合同矩阵判断。读完1.11~1.17后再来做。
### 题型E：正定性的判别（⭐⭐⭐）
**🎯 识别特征**：
- "判断下列二次型是否正定"
- "参数 t 满足什么条件时，二次型正定？"
- "证明矩阵 A 是正定矩阵"
#### 先看一道题，跟着找感觉
`f = x1² + x2² + 5x3² + 2t·x1x2 - 2x1x3 + 4x2x3`，问 t 取何值时 f 正定？**难在哪？** 三个变量、含参数 t，直接看特征值不现实。用哪个方法？
🧠 这一步在想什么：**数值含参数 → 用顺序主子式法**。写矩阵，算 Δ₁, Δ₂, Δ₃，令每个都 > 0，解不等式组取交集。
📝 完整解答（点开看）
A = $\begin{bmatrix} 1 & t & -1 \\ t & 1 & 2 \\ -1 & 2 & 5 \end{bmatrix}$
Δ₁ = |1| = 1 > 0 ✓
Δ₂ = $\begin{vmatrix} 1 & t \\ t & 1 \end{vmatrix}$ = 1 - t² > 0 → **-1 < t < 1**
Δ₃ = |A| = $\begin{vmatrix} 1 & t & −1 \\ t & 1 & 2 \\ −1 & 2 & 5 \end{vmatrix}$。按第一行展开：
= 1×(1×5 − 2×2) − t×(t×5 − 2×(−1)) + (−1)×(t×2 − 1×(−1))
= 1×(5−4) − t×(5t+2) − 1×(2t+1)
= 1 − 5t² − 2t − 2t − 1 = **−5t² − 4t** > 0 → 5t² + 4t < 0 → **-4/5 < t < 0**
取交集：**-4/5 < t < 0**
🔍 回头看看：**数值含参的正定性题 = 顺序主子式法**，三步走：写矩阵 → 算全部 Δᵢ → 令都 > 0 解不等式组。抽象证明题则改用定义法（见下面）。
**📋 方法选择决策树**：
```
拿到题目 →
是具体数值（含参数）的二次型吗？
是 → 用"顺序主子式法"（最常用）
否 → 是抽象矩阵吗？
是 → 用"定义法"或"特征值法"
```
#### 子题型E1：顺序主子式法（数值型/含参）
```
第1步：写出对称矩阵 A
第2步：计算所有顺序主子式 Δ₁, Δ₂, ..., Δₙ
第3步：令每个 Δᵢ > 0 → 解不等式组 → 得到参数范围
```
#### 子题型E2：定义法（抽象型证明题）
```
第1步：确认 A 是实对称矩阵（必说！）
第2步：对任意 x ≠ 0，构造 xᵀAx
第3步：证明 xᵀAx > 0
```
**📝 典型例题**：设 A 是 n 阶正定矩阵，证明 A⁻¹ 也是正定矩阵。
点击展开解答
**第1步**：A 是正定矩阵 → A 实对称且可逆。(A⁻¹)ᵀ = (Aᵀ)⁻¹ = A⁻¹ → A⁻¹ 也是实对称矩阵 ✓
**第2步**：对任意 x ≠ 0，因 A 可逆，存在唯一的 y ≠ 0 使得 x = Ay。
**第3步**：xᵀA⁻¹x = (Ay)ᵀA⁻¹(Ay) = yᵀAᵀA⁻¹Ay = yᵀAy。因为 A 正定且 y ≠ 0，所以 yᵀAy > 0。因此 xᵀA⁻¹x > 0。所以 A⁻¹ 正定。✓
✍️ **立刻练一道**（马上用起来）：不用计算，判断 `f = -x1² - x2² - 3x3²` 是否正定。（答案：不正定——取 x1=1, x2=0, x3=0 得 f = -1 < 0，是负定的。详见配套练习题6-5。）
> 🚫 **找找茬**（正定判断——最容易中招的逻辑漏洞）：
某同学说："看这个二次型 f = 2x1² + 2x1x2 + x2²，系数都正的，肯定正定！"对不对？
📖 找到茬了吗？
**错在哪**："系数都正的"不能证明正定。
正确做法：写出矩阵 A = $\begin{bmatrix} 2 & 1 \\ 1 & 1 \end{bmatrix}$，算顺序主子式：Δ₁ = 2 > 0 ✓。Δ₂ = 2×1 - 1×1 = 1 > 0 ✓。确实正定！但**碰巧**正定了，不是因为他那个理由正确。
举个反例：f = x1² + 10x1x2 + x2²，系数也"全正"，但矩阵 A = $\begin{bmatrix} 1 & 5 \\ 5 & 1 \end{bmatrix}$，Δ₂ = 1-25 = -24 < 0 → **不正定**！
**教训**：二次项系数全正 ≠ 正定。判断正定必须走完整流程。
---
#### 配套练习
**题6-5 ⭐ 基础 | 用模板E（正定性概念判断）**
不用计算，判断 `f = -x1² - x2² - 3x3²` 是否正定。
📖 点击查看答案
**不是正定**。取 x1=1, x2=0, x3=0，得 f = -1 < 0。这个二次型是**负定**的。
---
**题6-19 ⭐ 基础 | 用模板E（正定必要条件——快速排除选择题）**
下列矩阵中，一定不是正定矩阵的是（ ）
(A) $\begin{bmatrix} 3 & 1 \\ 1 & 2 \end{bmatrix}$ (B) $\begin{bmatrix} 2 & 0 \\ 0 & -5 \end{bmatrix}$ (C) $\begin{bmatrix} 4 & -1 \\ -1 & 2 \end{bmatrix}$ (D) $\begin{bmatrix} 1 & 2 \\ 2 & 6 \end{bmatrix}$
📖 点击查看答案
✅ 答案：**(B)** 对角线有 -5 → 直接排除。
---
**题6-21 ⭐ 基础 | 用模板E（负定二次型判断）**
判断二次型 f = -2x₁² - 3x₂² - x₃² + 2x₁x₂ 是否负定。
📖 点击查看答案
取 -A = $\begin{bmatrix} 2 & -1 & 0 \\ -1 & 3 & 0 \\ 0 & 0 & 1 \end{bmatrix}$。Δ₁=2>0, Δ₂=5>0, Δ₃=5>0 → -A 正定，所以 A 负定。
✅ **f 是负定二次型**。
---
**题6-10 ⭐⭐ 中等 | 用模板E1（顺序主子式——含参）**
问 t 满足什么条件时，矩阵 A = $\begin{bmatrix} 1 & t & 0 \\ t & 2 & 1 \\ 0 & 1 & 3 \end{bmatrix}$ 正定？
📖 点击查看答案
Δ₁ = 1 > 0 ✓；Δ₂ = 2 - t² > 0 → -√2 < t < √2
Δ₃ = 5 - 3t² > 0 → -√(5/3) < t < √(5/3)
交集：**-√(5/3) < t < √(5/3)**
---
**题6-25 ⭐⭐ 中等 | 用模板E1（顺序主子式——含参正定性填空题）**
设二次型 f(x₁, x₂) = x₁² + 2t·x₁x₂ + 4x₂²。若 f 正定，则 t 的取值范围是 ______。
📖 点击查看答案
A = $\begin{bmatrix} 1 & t \\ t & 4 \end{bmatrix}$。Δ₁ = 1 > 0 ✓。Δ₂ = 4 - t² > 0 → **-2 < t < 2**
---
**题6-28 ⭐⭐ 中等 | 用模板E（半正定二次型判断）**
判断二次型 f(x₁, x₂, x₃) = x₁² + x₂² + x₃² + 2x₁x₂ + 2x₁x₃ + 2x₂x₃ 是否正定？是否半正定？
📖 点击查看答案
A = $\begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}$。Δ₂ = 0 → 不是正定。
特征值：3, 0, 0 → 全 ≥ 0 → **是半正定**。
（也可配方：f = (x₁+x₂+x₃)² ≥ 0。）
---
**题6-15 ⭐⭐⭐ 真题 | 综合题 | 用模板E2（证明题）**
设 A 是 n 阶正定矩阵，B 是 n 阶实可逆矩阵。证明 BᵀAB 也是正定矩阵。
📖 点击查看答案
**证明**：先证 (BᵀAB)ᵀ = BᵀAB（对称）。对任意 x ≠ 0，xᵀ(BᵀAB)x = (Bx)ᵀA(Bx)。B 可逆且 x ≠ 0 → Bx ≠ 0。A 正定 → (Bx)ᵀA(Bx) > 0。所以 BᵀAB 正定。✓
---
**题6-34 ⭐⭐⭐ 真题 | 用模板E2（正定矩阵性质——证明题）**
设 A, B 都是 n 阶正定矩阵。证明：(1) A 的特征值全大于 0；(2) |A| > 0；(3) 若 AB = BA，则 AB 也是正定矩阵。
📖 点击查看答案
(1) Aα=λα → αᵀAα=λ|α|² → λ>0。
(2) 行列式=所有特征值之积，全>0→|A|>0。
(3) (AB)ᵀ=BᵀAᵀ=BA=AB→AB 对称。A,B 可交换→可同时正交对角化→AB 特征值全>0→AB 正定。
---
### 题型F：合同矩阵的判断（⭐⭐）
**🎯 识别特征**："下列矩阵中与 A 合同的是？""判断 A 与 B 是否合同？"
#### 先看一道题，跟着找感觉
判断下列矩阵中哪个与 A = $\begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}$ 合同：
(A) $\begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}$ (B) $\begin{bmatrix} 3 & 0 \\ 0 & -1 \end{bmatrix}$ (C) $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$ (D) $\begin{bmatrix} 1 & 0 \\ 0 & 0 \end{bmatrix}$
**难在哪？** 四个选项逐一代入 CᵀAC = B 找一个 C？那要解多少方程！肯定有更省事的判据。
🧠 这一步在想什么：**合同 = 惯性指数相同**（灵魂定理④、知识块B）。只要比 p 和 q 就行：A 的特征值是 1, 3 → p=2, q=0。逐个看选项，谁的 p=2, q=0 谁就合同。
📝 完整解答（点开看）
A 的特征值：λ = 1, 3 → p=2, q=0
逐个检查：
(A) diag(1,1)：特征值 1, 1 → p=2, q=0 → **合同** ✓
(B) diag(3,-1)：特征值 3, -1 → p=1, q=1 → 不合同 ✗
(C) $\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}$：特征值 1, -1 → p=1, q=1 → 不合同 ✗
(D) diag(1,0)：特征值 1, 0 → 秩为 1 ≠ 2 → 不合同 ✗
✅ 答案：**(A)**
提示：A 和 (A) 虽然合同，但不相似！A 的特征值是 1, 3；(A) 的特征值是 1, 1。
🔍 回头看看：**判断合同的最强判据 = 比惯性指数**——分别求特征值、数正负号个数，一样就合同。下面把这条路径写成标准步骤。
**📋 解题步骤**：
```
方法：比较正负惯性指数（考研唯一标准答案）
第1步：确认两个矩阵都是实对称矩阵
第2步：分别求出两个矩阵的特征值（或分别配方求惯性指数）
第3步：比较：
正特征值个数相等 + 负特征值个数相等 → 合同
否则 → 不合同
快速排除法：
秩不同 → 直接不合同
行列式符号不同 → 可能不合同
```
✍️ **立刻练一道**（马上用起来）：设 A = diag(2, 3, -1)，B = diag(4, 1, -2)，判断 A 与 B 是否合同？是否相似？（答案：A: p=2, q=1；B: p=2, q=1 → 合同 ✓；特征值不同 → 不相似 ✗。详见配套练习题6-11。）
---
#### 配套练习
**题6-11 ⭐⭐ 中等 | 用模板F（合同判断）**
设 A = diag(2, 3, -1)，B = diag(4, 1, -2)，判断 A 与 B 是否合同？是否相似？
📖 点击查看答案
A: p=2, q=1；B: p=2, q=1
**合同** ✓（惯性指数相同），**不相似** ✗（特征值不同）
---
**题6-26 ⭐⭐ 中等 | 用模板F（合同与相似辨析——选择题）**
设 A = diag(1, 4), B = diag(2, 3)。则 A 与 B（ ）
(A) 相似且合同 (B) 合同但不相似 (C) 相似但不合同 (D) 既不相似也不合同
📖 点击查看答案
✅ 答案：**(B) 合同但不相似。**
A 特征值 1,4 → p=2,q=0；B 特征值 2,3 → p=2,q=0。惯性指数相同→合同。特征值不同→不相似。
---
**题6-29 ⭐⭐ 中等 | 用模板F（合同判断——用惯性指数法，含参数）**
设 A = diag(1, 1, -2)，B = diag(2, -1, k)。若 A 与 B 合同，求 k 的取值范围。
📖 点击查看答案
A: p=2, q=1。B 已有正 1 个（2），负 1 个（-1）。要 p=2,q=1 → k 必须为正 → **k > 0**
---
**题6-31 ⭐⭐ 中等 | 用模板F+E（合同与正定混合——选择题）**
设 A, B 都是 n 阶正定矩阵，则下列矩阵中一定正定的是（ ）
(A) A - B (B) AB (C) A + B (D) -A
📖 点击查看答案
✅ 答案：**(C) A + B**。A+B 对称，且 xᵀ(A+B)x = xᵀAx + xᵀBx > 0。
---
**题6-33 ⭐⭐⭐ 真题 | 用模板F（合同、相似、等价三概念辨析——选择题）**
设 A, B 为 n 阶实对称矩阵。下列说法中正确的个数是（ ）
(1) 若 A 与 B 相似，则 A 与 B 合同。
(2) 若 A 与 B 合同，则 A 与 B 相似。
(3) 若 A 与 B 合同，则 A 与 B 等价。
(4) 若 A 与 B 等价，则 A 与 B 合同。
(A) 1 个 (B) **2 个** (C) 3 个 (D) 4 个
📖 点击查看答案
(1) ✅ (2) ❌ (3) ✅ (4) ❌
正确的有 2 个。✅ 答案：**(B)**
核心关系链：相似 ⇒ 合同 ⇒ 等价。反过来都不成立！
---
## 三、综合混搭练习
> 前面的题大多"一题一考点"。真实考试里，二次型常常和第5章特征值、第4章方程组混在一起考——因为**求特征向量本质上就是解齐次方程组**，**二次型标准化本质上靠特征值**。下面 4 道题不告诉你该用哪个方法，逼你自己判断该动哪个知识点。
**交叉题1**（二次型 ↔ 特征值，反向推）：已知三元二次型 f 是正定的，它对应矩阵 A 的两个特征值是 2 和 3，且 A 的迹（对角线元素之和）为 6。求第三个特征值，并写出 f 的规范形。
📖 点击查看答案
迹 = 特征值之和：2 + 3 + λ₃ = 6 → **λ₃ = 1**。三个特征值 2, 3, 1 全大于 0。
规范形 = **y1² + y2² + y3²**。
💡 用到：第5章"特征值之和 = 迹" + 本章"正定 ⇔ 特征值全正"。
**交叉题2**（求特征向量 = 解齐次方程组）：二次型 f = XᵀAX，其中 A = $\begin{bmatrix} 3 & 0 & 0 \\ 0 & 2 & 2 \\ 0 & 2 & 2 \end{bmatrix}$。不做完整正交变换，只回答：(1) f 的秩；(2) 正交变换下的标准形；(3) 特征值 0 对应的一个特征向量。
📖 点击查看答案
特征值为 3, 4, 0。(1) 秩 = **2**。(2) 标准形 = **3y₁² + 4y₂²**。(3) 特征向量 **(0, -1, 1)ᵀ**。
💡 用到：第4章"解齐次方程组求基础解系"正是求特征向量的本质动作。
**交叉题3**（自己判断：配方还是特征值？）：给你 f = 4x₁x₂ + 4x₁x₃ + 4x₂x₃，只要求"求正、负惯性指数"。你会选哪种方法？为什么？请给出 p 和 q。
📖 点击查看答案
A = $\begin{bmatrix} 0 & 2 & 2 \\ 2 & 0 & 2 \\ 2 & 2 & 0 \end{bmatrix}$，特殊矩阵特征值 = 4（一个）和 -2（两个）。**p=1, q=2**，不定二次型。
💡 用到：第5章特殊矩阵特征值速算 + 本章惯性指数。
**交叉题4**（正定 → 最值，一条龙）：已知 f = 2x₁² + 2x₂² + 2x₃² + 2x₁x₂ + 2x₁x₃ + 2x₂x₃。(1) 它正定吗？(2) 在约束 x₁²+x₂²+x₃²=1 上，f 的最大值、最小值各是多少？
📖 点击查看答案
A = $\begin{bmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{bmatrix}$，特征值 = 4, 1, 1。
(1) 全大于 0 → **正定**。(2) 最大值 = **4**，最小值 = **1**。
💡 用到：第5章特征值 + 本章"正定判别" + "单位球面最值 = 特征值极值"。
---
## 四、名师对比
> 本章暂无名师对比内容，可直接跳到下一节。
---
## 五、速查卡片
### 速查卡片
| 看到什么 | 用什么方法 | 第一步 |
|---------|-----------|--------|
| 给二次型表达式求矩阵 | **题型A**：交叉项系数取半 | 确定阶数→对角线放平方系数→交叉取半 |
| "用可逆线性变换化标准形" | **题型B**：配方法 | 集中含某变量的所有项→配方 |
| "用正交变换化标准形" | **题型C**：正交变换法 | 写对称矩阵→求特征值→求特征向量 |
| 全是交叉项没平方项 | **题型B变体**：x₁=y₁+y₂, x₂=y₁-y₂ | 先构造平方项→再配方 |
| 求正负惯性指数/规范形 | **题型D**：求特征值数正负号 | 写矩阵→求特征值→数正负零个数 |
| "判断是否正定"/求参数范围 | **题型E1**：顺序主子式法 | 写矩阵→算Δ₁,Δ₂,...→令都>0 |
| 抽象矩阵证正定 | **题型E2**：定义法 | 先证对称→对任意x≠0,证xᵀAx>0 |
| "哪个与A合同" | **题型F**：比较惯性指数 | 分别求特征值→比较正负号个数 |
| 正交变换后标准形系数变了 | 对应特征值顺序变了 | Q的列顺序 = 特征值的顺序 |
| 矩阵不对称 | **不能讨论正定和合同** | 先检查对称性！ |
---
## 六、概念辨析
> 本章的关键概念辨析已融入知识块C的1.16节「相似、合同、等价——三者怎么区分」。此处不再单独列出。
---
## 七、考试导航
二次型在考研数学一/二/三中都有考查。数学一常考大题（正交变换法 + 最值问题共约 11 分），数学三有时不考大题但选择题和填空题必有。
### 各章节知识联动表
因为二次型是最后一章，这里把前面各章在本章中的应用整理出来：
| 前置知识（章） | 在二次型中的用途 |
|---------------|----------------|
| 第1章 行列式 | 计算顺序主子式（正定判别）、验证变换矩阵可逆 |
| 第2章 矩阵 | 矩阵的秩（二次型的秩）、对称矩阵的性质、逆矩阵 |
| 第3章 向量 | 线性相关/线性无关、向量组的秩（判断特征向量是否线性无关的基础） |
| 第4章 线性方程组 | 求特征向量的基础解系、解含参不等式 |
| 第5章 特征值 | 施密特正交化（含单位化）、向量内积、正交变换法的核心——求特征值与特征向量、相似对角化 |
### 考试导航表
| 考点 | 出题频率 | 常考题型 | 对应模板 | 数一 | 数二 | 数三 |
|------|:--------:|---------|:--------:|:---:|:---:|:---:|
| 正交变换法化标准形 | 很高 | 解答（大题，11分） | 题型C | ✅ | ✅ | ✅ |
| 正定性判别（顺序主子式） | 很高 | 选择/填空/解答 | 题型E | ✅ | ✅ | ✅ |
| 写出二次型的矩阵 | 很高 | 选择/填空/解答（大题第一步） | 题型A | ✅ | ✅ | ✅ |
| 惯性指数与规范形 | 较高 | 选择/填空 | 题型D | ✅ | ✅ | ✅ |
| 合同矩阵判断 | 较高 | 选择 | 题型F | ✅ | ✅ | ✅ |
| 二次型最值问题 | 较高 | 选择/填空/解答 | 题型C | ✅ | ❌ | ❌ |
| 配方法 | 中等 | 填空/解答（部分步骤） | 题型B | ✅ | ✅ | ✅ |
| 抽象正定性证明 | 中等 | 解答（证明题） | 题型E2 | ✅ | ✅ | ✅ |
| 半正定/负定 | 低 | 选择（偶尔出现） | 题型E | ✅ | ❌ | ❌ |
> 💡 **复习策略**：数一同学重点练正交变换大题和最值问题，这两个常常结合在一起考一道 11 分大题。数二/三同学重点练正定性判别和惯性指数——选择题出题频率极高。**所有同学都必须滚瓜烂熟的基础技能**：写出二次型矩阵（交叉项取半）——这是每道大题的第一步。
### 本章核心关系图（学完必看）
```
第5章 特征值与特征向量
│
│ 正交相似对角化
▼
┌───────────────────────┐
│ 正交变换法 │ → 标准形（系数=特征值）
│ （必须通过特征值） │
└───────────────────────┘
│
第2章 矩阵的秩 │ 第1章 行列式
（秩=非零特征值个数） │ （顺序主子式判别正定）
│
┌───────────┴───────────┐
│ 二次型 │
└───────────┬───────────┘
│
┌───────────┴───────────┐
│ 配方法 │ → 标准形（系数不一定=特征值）
│ （纯代数，不经过特征值）│ 但惯性指数永远不变
└───────────────────────┘
│
▼
惯性定理（p, q 是绝对的）
│
┌───────────┼───────────┐
│ │ │
规范形 正定性判别 合同判断
（系数=1,-1,0）（p=n?） （p和q相同?）
```
---
## 八、自检清单
> 学完本章后逐项打勾。卡住的地方回对应的知识块重看。
- [ ] 能写出任意二次型的对称矩阵（交叉项系数取半）（见知识块A）
- [ ] 能用配方法化二次型为标准形（见知识块A）
- [ ] 能用正交变换法化二次型为标准形（含施密特正交化、单位化）（见知识块A）
- [ ] 能区分标准形和规范形，知道前者不唯一、后者唯一（见知识块A）
- [ ] 能计算正惯性指数p、负惯性指数q和符号差p−q（见知识块B）
- [ ] 能利用特征值快速求惯性指数（正特征值个数=p，负特征值个数=q）（见知识块B）
- [ ] 能根据惯性指数写出二次型的规范形（见知识块B）
- [ ] 能用顺序主子式法判断正定性（见知识块C）
- [ ] 能用特征值法判断正定性（所有特征值>0）（见知识块C）
- [ ] 能用定义法证明抽象矩阵的正定性（见知识块C）
- [ ] 能判断半正定、半负定、不定二次型（见知识块C）
- [ ] 能求解二次型在单位球面上的最大值和最小值（见知识块C）
- [ ] 能区分相似、合同、等价三种矩阵关系（见知识块C）
- [ ] 能判断两个矩阵是否合同（见知识块C）
---
## 🧪 学完自测
### 选择题（每题只有一个正确答案）
**1.** 二次型 f(x₁, x₂) = 3x₁² - 4x₁x₂ + x₂² 对应的对称矩阵是（ ）
A) $\begin{bmatrix} 3 & -4 \\ -4 & 1 \end{bmatrix}$ B) $\begin{bmatrix} 3 & -2 \\ -2 & 1 \end{bmatrix}$ C) $\begin{bmatrix} 3 & 4 \\ 4 & 1 \end{bmatrix}$ D) $\begin{bmatrix} 3 & -4 \\ 0 & 1 \end{bmatrix}$
**2.** 设 3 阶实对称矩阵 A 的特征值为 0, 2, 4，则二次型 XᵀAX 的规范形是（ ）
A) y₁² + y₂² + y₃² B) y₁² + y₂² C) y₁² - y₂² D) 2y₁² + 4y₂²
**3.** 矩阵 A = $\begin{bmatrix} 1 & t & 0 \\ t & 2 & 1 \\ 0 & 1 & 1 \end{bmatrix}$ 正定，则 t 的取值范围是（ ）
A) -1 < t < 1 B) -√2 < t < √2 C) t < 1 D) t > 0
**4.** 设 A = diag(2, 2, -1), B = diag(3, 1, -1)，则下列正确的是（ ）
A) A 与 B 相似且合同 B) A 与 B 合同但不相似 C) A 与 B 相似但不合同 D) A 与 B 既不相似也不合同
### 判断题（正确的打✅，错误的打❌）
**5.** 用配方法化二次型为标准形时，标准形的系数就是二次型矩阵的特征值。（ ）
**6.** 对于 n 阶实对称矩阵 A，所有顺序主子式大于 0 是 A 正定的充要条件。（ ）
### 简答题（写出关键步骤）
**7.** 用正交变换化 f(x₁, x₂, x₃) = 2x₁² + 2x₂² + 2x₃² + 2x₁x₂ + 2x₁x₃ + 2x₂x₃ 为标准形，写出正交矩阵 Q。
**8.** 什么是惯性定理？为什么两个实对称矩阵的惯性指数相同就说明它们合同？
**9.** 设 A 是实对称矩阵，且 A² = A。证明：二次型 f = XᵀAX 是半正定的，并说明 f 是否一定是正定的。
**10.** 设二次型 f(x₁, x₂, x₃) 对应的矩阵特征值为 5, 3, 1。求 f 在约束 x₁² + x₂² + x₃² = 1 下的最大值和最小值，并说明取得最值时 X 满足什么条件。
📖 点击查看答案与解析
**1. B**。交叉项系数 -4 除以 2 得 -2，矩阵为 $\begin{bmatrix} 3 & -2 \\ -2 & 1 \end{bmatrix}$。
**2. B**。正特征值有 2 个（2 和 4），负特征值有 0 个。规范形是 y₁² + y₂²。注意规范形的项数等于秩（非零特征值的个数），不总是等于变量个数！
**3. A**。Δ₁=1>0 ✓；Δ₂=2-t²>0 → -√20 → -1 0 是正定的充要条件。
**7. A = $\begin{bmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{bmatrix}$。特征值：λ₁=4, λ₂=λ₃=1。λ=4 对应 α₁=(1,1,1)ᵀ；λ=1 对应特征子空间 x₁+x₂+x₃=0，取 α₂=(−1,1,0)ᵀ、α₃=(−1,0,1)ᵀ，施密特正交化得 β₂=(−1,1,0)ᵀ、β₃=(−1,−1,2)ᵀ，单位化得 ε₁=(1/√3,1/√3,1/√3)ᵀ，ε₂=(−1/√2,1/√2,0)ᵀ，ε₃=(−1/√6,−1/√6,2/√6)ᵀ，正交矩阵 Q = $\begin{bmatrix} 1/\sqrt{3} & −1/\sqrt{2} & −1/\sqrt{6} \\ 1/\sqrt{3} & 1/\sqrt{2} & −1/\sqrt{6} \\ 1/\sqrt{3} & 0 & 2/\sqrt{6} \end{bmatrix}$。标准形：f = 4y₁² + y₂² + y₃²。**
**8.** 惯性定理：同一个二次型，不管你用什么可逆线性变换去化简它，标准形中正平方项的个数和负平方项的个数永远不变。因为两个惯性指数相同的实对称矩阵都合同于同一个规范形，由合同关系的传递性，它们合同。
**9.** A² = A → 特征值只能是 0 或 1。所有特征值 ≥ 0 → 半正定。不一定正定（如果 A 有特征值 0，则不满秩）。
**10.** 最大值 = 5（在 λ₁=5 对应的特征向量方向上），最小值 = 1（在 λ₃=1 对应的特征向量方向上）。
**自评标准**：
- 答对 9-10 题：✅ 掌握扎实
- 答对 7-8 题：⚠️ 基础不错
- 答对 5-6 题：🔶 需要回顾
- 答对 4 题及以下：🔴 建议重学
---
## 本章知识推导链（学完必看）
学完二次型，你脑中应该有一条清晰的"知识流水线"——每一个概念都在前一个的基础上生长出来，没有哪个是凭空出现的。下面这张图就是整章的"骨架图"：
```
二次型 f(x₁, ..., xₙ)
（平方项 + 交叉项的总和）
│
│ 写出对称矩阵（交叉项系数取半）
▼
┌───────────────────────┐
│ 矩阵表示：f = xᵀAx │
│ A 是实对称矩阵 │
│ 地基定理：唯一对应 │
└───────────┬───────────┘
│
│ 换变量 x = Cy（C 可逆）
▼
┌───────────────────────┐
│ 合同变换：CᵀAC = B │
│ 同一二次型的不同 │
│ 变量名表示 │
│ 合同保持：秩、对称 │
│ 性、正定性 │
└───────────┬───────────┘
│
┌───────────────┼───────────────┐
│ │ │
▼ ▼ ▼
配方法 正交变换法 惯性定理
（逐个配方消灭） （旋转坐标轴） （p 和 q 铁打不动）
C 可逆即可 Q 是正交矩阵 不管怎么换变量
系数≠特征值 系数=特征值 正负号个数永远不变
│ │ │
└───────────────┼───────────────┘
│
▼
┌───────────────────────┐
│ 标准形 │
│ d₁y₁² + ... + dᵣyᵣ² │
│ 系数任意，不唯一 │
└───────────┬───────────┘
│
│ 再做一次尺度变换
│ zᵢ = √|dᵢ|·yᵢ
▼
┌───────────────────────┐
│ 规范形 │
│ y₁²+...+y_p² │
│ -y_{p+1}²-...-y_{p+q}²│
│ 系数只能是 1、-1、0 │
│ 唯一！（p,q 确定了） │
└───────────┬───────────┘
│
┌───────────────┼───────────────┐
│ │ │
▼ ▼ ▼
p=n 时正定 p0, q>0
（碗口朝上） 半正定（盘子） 不定（马鞍）
│
┌───────────┼───────────┐
│ │ │
▼ ▼ ▼
定义法 特征值法 顺序主子式法
xᵀAx>0 λᵢ>0 全正 Δ₁,...,Δₙ>0
└───────────┼───────────┘
│
▼
五种方法等价
（说的是同一件事的五张面孔）
```
**怎么看这张图**：从上往下走，每一步都在回答"前一步引出的问题"。二次型需要矩阵来装它的系数（矩阵表示）→ 同一个二次型在不同变量下矩阵会变（合同）→ 那就想办法把矩阵变到最简单（标准形）→ 简化方法不止一种但有些东西永远不变（惯性定理）→ 那就规定一个"终极简化版"（规范形）→ 基于规范形就能判断曲面的凹凸性质（正定性）。
---
## 🏁 回顾来路——全书六章的完整拼图
二次型是线性代数的最后一章。学到这里，请退后一步，看看六章是怎样拼成一幅完整图画的。
| 章节 | 生活比喻 | 核心本事 | 为下一章准备了什么 |
|------|---------|---------|------------------|
| 第1章 行列式 | 一把"标尺" | 判断矩阵可逆、算体积 | 给第2章提供了判断可逆的工具 |
| 第2章 矩阵 | 一张"万能表格" | 承载数据、做变换 | 给第3章提供了运算对象 |
| 第3章 向量组 | 空间的"骨架" | 描述维度、方向、线性关系 | 给第4章提供了"解的结构"语言 |
| 第4章 线性方程组 | 一个"翻译官" | 把实际问题翻译成方程来解 | 给第5章提供了"解基础解系"的本事 |
| 第5章 特征值 | 一副"X光机" | 看透矩阵的本质结构 | 给第6章提供了核心分析工具 |
| 第6章 二次型 | 一个"汇合点" | 用前面五章的全部本事分析曲面 | 全书收官——前面学的全在这里用上了 |
**六章之间的"搭肩膀"关系**：
```
第1章 行列式
│ 判断可逆的工具
▼
第2章 矩阵 ────────────── 运算对象 ──────────────┐
│ 矩阵的秩 │
▼ │
第3章 向量组 ──────── 维度与方向的语言 ────────┤
│ 解的结构（基础解系） │
▼ │
第4章 线性方程组 ──── 解方程的本事 ────────────┤
│ 特征向量的求法（本质就是解齐次方程组） │
▼ │
第5章 特征值 ────── 核心分析工具 ──────────────┤
│ 正交对角化 + 特征值理论 │
▼ ▼
第6章 二次型 ──────── 全部本事汇聚，分析曲面 ────┘
```
每章都不是孤立的岛屿，而是踩着前一章的肩膀往上走。行列式告诉你矩阵什么时候"站得稳"（可逆）；矩阵提供了运算的"容器"；向量组给了你描述空间的语言；方程组教会你"解"的本事；特征值让你看透矩阵的"骨骼"；最后的二次型把前面五样本事全部用上，完成对一个曲面的完整分析。
从"行列式是个什么东西"开始，到现在能对一个二次型曲面做完整的分析——你已经从线性代数的门外走进了门内。
> 🎉 恭喜学完线性代数全部6章！接下来要做的事只有一件：反复练习，让这些方法变成你的条件反射。