高等代数（下）· 结构与几何

绪论 几何的面孔：从结构到空间0.1 从上册的最后一页说起：结构问题之后是什么

上册结束在《多项式环 𝔽[x] 与数域》。在那里我们看到：商环 ℝ[x]/(x²＋1) 与复数域 ℂ 是同一个东西的两副面孔——所谓「结构」，就是把两个看似不同的对象看成同一个。上册的收官句是：「方程问题」至此彻底升格为「结构问题」。

那么，结构问题之后是什么？下册的回答是：让结构显形。结构语言（矩阵、映射、群、环）威力巨大，但它抽象——看不见、摸不着。几何恰好相反：一个旋转、一面镜子、一条抛物线，人人都能「看见」。下册的任务，是在这两者之间架一座桥：把代数结构翻译成几何图像，也把几何直觉翻译回代数语言。

下册分六章。前四章（第七至第十章）是代数的纵深：特征值与对角化、欧氏空间与正交变换、对称变换与二次型、若尔当标准形。后两章（第十一、十二章）是几何的登场：仿射几何与射影几何——它们将兑现上册绪论埋下的全部承诺。

方法论旁注：上册明线是「解方程」，下册明线仍是「解方程」——但问题升级了。第七章问「不解方程能否预测未来」，第八章问「方程无解时什么是最优解」，第九章问「解出来的曲线属于哪一类」。明线不断线，只是越走越高。

绪论 几何的面孔：从结构到空间0.2 第三副面孔：几何——让结构可见

上册绪论讲过数学的两副面孔：算法的面孔（会算就是懂）与结构的面孔（懂了才能算得更远）。现在请出第三副面孔——几何的面孔：看见了，才算真懂。

这不是一句口号。看一个上册的例子：方程组有无穷多解时，解集是「特解＋齐次解集」——这是代数说法。几何说法一句话：解集是空间中的一张平面。两句话信息量相同，但后者一眼看穿全部：维数、位置、平行关系，全都在图上。

几何面孔还有一个实际好处：它替记忆减负。「实对称矩阵必可正交对角化」——背下来要费点劲；「椭球总有三根互相垂直的主轴」——几乎不用背。代数保证几何陈述的严格性，几何给代数陈述以直观，两者互为印证。

方法论旁注：三副面孔不是三个学科，而是理解深度递进的三级台阶。算法级会做，结构级会解释，几何级会预见——好的数学家在三级台阶间自由上下。本书每一章的插图，都是在为搭第三级台阶。

绪论 几何的面孔：从结构到空间0.3 下册路线图：六章的明线、暗线与几何线

下册六章各有一句「一句话简介」，串起来就是整册的路线图。阅读时建议随身带三根线：明线（方程与最优）、暗线（结构语言的升级）、几何线（看得见的图像）。

三章一处枢纽值得预先指出：第八章将证明欧氏变换 E(n) ＝ 正交变换 O(n) ⋉ 平移 ℝⁿ——这正是上册第三章结尾埋下的预告；第十一章将把它放进更大的仿射变换群，第十二章再放进射影变换群。一层套一层，几何的版图就是这样展开的。

方法论旁注：三根线不是并列的装饰。明线始终知道「这一章为解决什么问题而设」，暗线让积累「结构语言的新词汇」，几何线让随时能把新词汇画出来。合上书能复述这三根线，整册就没有白读。

绪论 几何的面孔：从结构到空间0.4 预告一：特征值——矩阵的多项式身份证

第七章的第一个惊喜是：矩阵的「特征」居然是一个多项式的根。上册第六章练熟的因式分解，在这里立刻变现。

看一个种群的例子。某地每年有九成的城市居民留在城市、一成迁往乡村；乡村居民两成进城、八成留乡。设第 n 年城乡人口比例 u_n : r_n，一年后：

用矩阵语言，向量 v_n 每年乘一次矩阵 A。问：很多年以后，城乡比例趋向什么？消元帮不上忙——这里没有方程组要解。答案是：存在一个方向 v，乘 A 之后方向不变，只有长度伸缩：

对上面的迁移矩阵，取 v ＝ (2, 1)、λ ＝ 1：Av ＝ (0.9×2＋0.2×1, 0.1×2＋0.8×1) ＝ (2, 1) ＝ v，吻合。方向 (2,1) 就是不动方向——长期来看，城乡人口比趋向 2 : 1，无论初始比例如何。另一个特征值 λ ＝ 0.7 则控制「多快」到达这个比例：λ 越接近 1，收敛越慢。

「哪些方向不动、各伸缩几倍」——这个问题叫特征值问题，它把「预测长期行为」化归为「求一个多项式的根」。第七章将完整展开。

方法论旁注：特征值是下册使用频率最高的一个概念——动力系统、二次型、若尔当形、主轴定理、PCA，全都靠它。它的出现方式值得记住：不是解方程，而是找一个在变换下不变的方向。「不变」二字，是结构思维的核心动作。

绪论 几何的面孔：从结构到空间0.5 预告二：最小二乘——明线在「无解」处的最后一问

上册的明线止步于一个尴尬的角落：方程组无解。三次测量一个物理量，数据几乎不可能精确落在一条直线上——三个方程两个未知数，一般无解。消元在这里宣告「无解」，然后呢？测量总得有个说法。

下册第八章的答案是：无解，就退而求最优。设三点 (0, 1)、(1, 2)、(2, 2)，求最贴近它们的直线 y ＝ mx ＋ b。「最优」取为残差平方和最小。这引出一组新方程——正规方程，它一定有解：

解得 b ＝ 7/6、m ＝ 1/2，即拟合直线 y ＝ x/2 ＋ 7/6，残差平方和 1/6。三条不相容的方程，第一次有了「最优的近似解」。

这个「最优解」从哪来？来自一个几何动作：投影。把观测向量投影到可达到的子空间上——影子就是最优解。而「投影」的定义依赖垂直，垂直的定义依赖内积。于是一条逻辑链浮现：

第八章就沿这条链走。走到头可以发现：明线从「求解」到「求优」，数学从精确王国踏进了数据世界——今天满世界的回归分析、机器学习，源头都在这一章。

方法论旁注：「无解」从来不是故事的结尾，而是提新问题的开端。数学史上多次重大进展都始于把「不可解」改写成「可优化」——最小二乘是第一例，也是最干净的一例。

绪论 几何的面孔：从结构到空间0.6 预告三：Erlangen 纲领——几何是研究不变量的学问

十九世纪几何学的处境一度很尴尬：欧氏几何、射影几何、仿射几何……各门各派，公理互不相同，彼此什么关系？1872 年，23 岁的 Felix Klein 在埃尔朗根大学提出一份纲领，一句话镇住全场：

于是一团乱麻变成了一幅嵌套地图。变换群越大，保持不变的性质越少，几何越「粗」；群越小，不变量越多，几何越「细」。三门的从属关系是：

这份纲领把上册与下册焊在了一起。上册第三章已经认得 O(n)、SL(n) 这些群；下册第八、十一、十二章将逐一请它们登台，让每种群定义一种几何。「结构问题」的终点，是「几何问题」的起点。

方法论旁注：Erlangen 纲领是「现代性」的标本——它不新增定理，而是给已有定理重新排座次：分类的标准从「对象」换成了「保持对象不变的变换」。学完下册会承认：这个视角转换的冲击力，不亚于把方程问题升格为结构问题。

绪论 几何的面孔：从结构到空间0.7 与上册的接口：符号总表与预备知识清单

下册默认已带上册的全部行囊。为免翻检，先把最常用的符号与出处列成总表；每章开讲前还会有「本童行李」清单。

预备知识清单（按章列出，开工前自查）：第七章需第六章的带余除法与因式定理；第八章需第四章的子空间与基、第五章的正交补雏形；第九章需第三章的行列式、第七章的特征值；第十章需第六章的唯一分解；第十一、十二章需第四章的商空间直觉与第八章的欧氏变换。

方法论旁注：接口清单不是复习目录，而是一份「依赖图」——它说明：若第七章卡壳，多半该回第六章补带余除法；若第十章吃力，回第六章看唯一分解。缺什么补什么，不必重读整册。

绪论 几何的面孔：从结构到空间0.8 三条建议（TeX 标准约定续）

建议一：每图必亲手重画一遍。本册图示密集（一步一图是体例），但「看懂」与「能画出」之间隔着一条鸿沟。重画不需要画得好，只需要画的过程逼回答：这张图里谁是向量、谁是点、哪个角是直角、哪段长度被保持了——这正是几何语言的核心词汇。

建议二：符号书写守 TeX 惯例。与上册一致：变量斜体、函数名与算子正体（det、tr、rank、GL_n、O(n)、E(n) 均正体）；向量为粗体或加箭头（本册排版中变量斜体、向量记号由上下文标明）；矩阵用不带括线的行内记法时，务必写清行列。符号是数学的普通话——普通话不标准，别人就听不懂心里那幅图。

建议三：数值例先算后看。本册例题延续「答案在页内、过程在页内、验算在页内」的体例，但自己动笔再往下读。特别是三个高频动作：算 2×2 特征值（第七章起）、做 Gram–Schmidt 前两步（第八章起）、化一个二元二次型为标准形（第九章起）。这三个动作练到不假思索，后面六章的坡度会平缓一半。

最后一件事：上册说过，这门课的一切从《九章》方程术——张苍法——出发。下册的终点站 Erlangen 纲领离算筹很远，但路线没变过：从一个具体问题出发，把它的解法提炼成算法，把算法背后的关系升格为结构，再让结构长出几何的模样。格物致知，JUST FOR FUN——出发。

阅读地图：赶时间者可走「主线包」第七章 7.1–7.14 → 第八章 8.1–8.13 → 第九章 9.1–9.14 → 第十一章 11.1–11.13；欲览全景者逐章读完札记与综合站——那里藏着每章的「为什么」。

第七章 特征值与对角化：矩阵的自我描述7.1 导引：种群迁移的长期行为——一个不用消元的问题

上册的明线是解方程组：给一组方程，消元、回代、得解。但有一类重要问题，连方程组都列不出来。某地每年：城市居民九成留城、一成迁乡；乡村居民两成进城、八成留乡。设第 n 年城乡人口比为 u_n : r_n，则：

矩阵语言一句话：向量 v_n 每年乘一次矩阵 A：v_(n+1) ＝ Av_n。问：五十年后城乡比例是多少？这是问 A⁵⁰ 的行为——连乘五十次当然可以，但笨。有没有更好的办法？

关键观察：有一个特殊比例 2 : 1——若今年城乡人口按 (2, 1) 分布，明年还是 (2, 1)：

这个方向在变换下纹丝不动。长期行为由它主导：无论初始比例如何，几十年后必然趋向 2 : 1。第七章的全部内容，就是把「找不动方向」这件事做成一门系统的学问。

方法论旁注：注意问题的类型转换。解 Ax ＝ b 是「一次性」问题——消元做完就收工；而 v_n ＝ Aⁿv₀ 是「反复作用」问题——要理解矩阵作为变换的长期品格。理解一个变换，最省力的办法是找它在哪些方向上「偷懒」（只伸缩、不转向）。

第七章 特征值与对角化：矩阵的自我描述7.2 不变子空间：特征值问题的几何提法

先把「不动方向」说精确。矩阵乘向量的两个效果：转向与伸缩。绝大多数向量被矩阵乘过之后，方向都变了；但常有几个特殊方向，矩阵对它们只做伸缩——这些方向是变换的「骨架」。

两个立即可得的例子：{0} 与全空间 ℝⁿ 永远不变——「平凡」不变子空间。特征值问题就是找非平凡的不变子空间，尤其是一维的：一维不变子空间是一条过原点的直线 L，对一切 v ∈ L 有 Av ∈ L；而 L 里的向量被乘后还在 L 内，就意味着 Av ＝ λv——直线上的向量只能被伸缩。

反例也要看：对迁移矩阵 A，直线 span{e₁} 不是不变子空间，因为 Ae₁ ＝ (0.9, 0.1) 跑出了 x 轴。不变性是「整条直线一起检验」，不是只看一个向量。

方法论旁注：「不变」是结构思维的核心动作——上册找不变量（行列式、秩、特征多项式），本章找不变子空间，下册第十一章找变换群下的不变性质。数学家面对变换的第一反应永远是：什么被保持住了？

第七章 特征值与对角化：矩阵的自我描述7.3 特征值与特征向量：定义与第一批例子

三条读法，一条都不能少：① v 必须非零——否则任何 λ 都平凡成立，定义作废；② λ 必须落在所在的数域里——实矩阵的某些特征方向只在复数域里存在（7.16 节详谈）；③ 特征向量从不单独出现——若 v 是 λ 的特征向量，则一切 cv（c≠0）都是：特征值养活的是一整条直线，不是一个向量。

第一批例子。对迁移矩阵，(2, 1) 属于 λ ＝ 1，(1, −1) 属于 λ ＝ 0.7：A(1, −1) ＝ (0.9−0.2, 0.1−0.8) ＝ (0.7, −0.7)。对初等矩阵：倍乘矩阵 diag(3, 1) 的特征值是 3 与 1，特征向量分别是 e₁ 与 e₂——对角矩阵的「自我描述」就写在对角线上。这暗示了本章的终点：能把一般矩阵化成对角阵，就等于把它的自我描述读了出来。

方法论旁注：定义里有三个量——矩阵、数、向量。初学者常盯着 λ 求 λ；高手的目光落在方向上：先问哪些方向不动，再问不动时缩放了几倍。方向是几何的，倍数是代数的，两者合起来才是完整的特征信息。

第七章 特征值与对角化：矩阵的自我描述7.4 特征多项式：来自第六章 𝔽[x] 的接口

怎么把特征向量找出来？把定义移项：Av ＝ λv，即 (λI − A)v ＝ 0。这是齐次方程组，有非零解 ⟺ 系数矩阵不可逆 ⟺ det(λI − A) ＝ 0（上册第三章的等价说法在这里全部兑现）。

第六章 𝔽[x] 的全部家当在此变现：求特征值＝因式分解。二阶情形有快捷公式——f(λ) ＝ λ² − (tr A)λ ＋ det A，两根之和＝迹、两根之积＝行列式。看主例 A ＝ 4123：

特征值 λ₁ ＝ 2、λ₂ ＝ 5。f 的图像直观呈现「特征值＝曲线与横轴的交点」：

方法论旁注：这是一个教科书级的「接口」案例——上册第六章建多项式环时我们说「通往抽象代数的接口」，本章就是第一个大客户：矩阵把「我是谁」的问题寄存在了一个多项式身上。多项式是矩阵的名片。

第七章 特征值与对角化：矩阵的自我描述7.5 求特征值的完整流程：det(A−λI) 的代价与技巧

标准流程四步：① 写 det(λI − A)；② 化简为多项式；③ 因式分解（第六章工具）；④ 解根——实根（在 𝔽 内的根）即特征值。三阶以内手算全可行；阶数一高，展开 det 就爆炸（n! 项），这也是数值线性代数另起炉灶的原因（综合站实验页将演示幂法）。

两个省力技巧。技巧一：上/下三角矩阵的特征值就是全部对角元——det(λI − A) 此时是三角形行列式，等于对角元之积 (λ−a₁₁)⋯(λ−a_nn)。技巧二：分块三角矩阵的特征值＝各对角块特征值之并——行列式按拉普拉斯展开（第三章 3.8）。看一个分块例：

左上块给特征值 2；右下块 3443 的特征方程是 λ²−6λ−7＝(λ−7)(λ+1)。总特征值 {2, 7, −1}：和 8＝tr A ✓，积 −14＝det A ✓。一条内部竖线把矩阵切成两块，特征值也按块切割——结构决定算法。

方法论旁注：求 det 的技巧（三角化、分块、展开）在这里全部重新上岗，但目的变了——上册算 det 是为了判断可逆，本章算 det 是为了分解多项式。同一个动作，服务不同的问题。

第七章 特征值与对角化：矩阵的自我描述7.6 特征子空间与几何重数

找到一个特征值 λ 后，求属于它的特征向量＝解齐次方程组 (λI − A)x ＝ 0。解集是子空间（第五章的语言：核）：

把主例 4123 的两个特征子空间求出来。λ＝2：λI−A ＝ −2−1−2−1（注意符号：是 −1，不是 ＋1），方程 −2x₁−x₂＝0 给 x₂＝−2x₁，特征向量 (1, −2)。验证：A(1, −2) ＝ (4−2, 2−6) ＝ (2, −4) ＝ 2(1, −2) ✓。这里故意指出一个高频错误：若把 (λI−A) 写成 −2＋1−2＋1，会解出假向量 (1, 2)——一验即穿帮：A(1, 2) ＝ (6, 8) ≠ 2(1, 2)。特征向量求出来必须回代验证，一个符号之差就全盘皆错。λ＝5：λI−A ＝ 1−12−2，x₁＝x₂，特征向量 (1, 1)，验证 A(1, 1) ＝ (5, 5) ✓。于是 V₂ ＝ span{(1, −2)}、V₅ ＝ span{(1, 1)}，各一维，两条不同直线。

方法论旁注：本页故意保留了一次真实的排错过程——验算发现矛盾，回查发现符号错。上册反复说的「程序对、手稿错」在特征值问题上尤其凶险：特征向量是双向等式，错一个符号也能「看起来像那么回事」。回代验证是唯一的护身符。

第七章 特征值与对角化：矩阵的自我描述7.7 代数重数与几何重数：为何必须区分

同一个特征值有两副「重数」面孔。代数重数：λ 作为特征多项式 f(λ) 的根的重数（第六章 6.11 的重数语言）。几何重数：特征子空间 Vλ 的维数。一个管代数，一个管几何，两者可以不相等。

最小例子：A ＝ 2102。f(λ) ＝ (λ−2)²，λ＝2 的代数重数是 2。但求特征向量：(λI−A) ＝ 0−100，方程组只有一条独立约束 −x₂＝0，解空间 span{(1, 0)}——一维。几何重数 1 < 代数重数 2。

差在哪？看 A−2I ＝ 0100：这个矩阵不是零，但它平方后是零（幂零，第六章 6.14 的判据 A′^k＝0）。它把 e₂ 打到 e₁、再把 e₁ 打成 0——有一个「将死」的方向，但没有第二维可以安放它。几何重数落后的部分，就是这个幂零尾巴。

方法论旁注：几何重数 ≤ 代数重数永远成立（本册第十章将给出证明）；等号何时成立，是「可对角化」判定的全部内容（7.10）。一个看似定义性的小差别，决定了一整章的理论走向——好概念的定义差别，都是长出定理的地方。

第七章 特征值与对角化：矩阵的自我描述7.8 相似：同一线性变换的两种记法

换一组基，同一个线性变换的矩阵就换一副面孔。第四章讲过坐标过渡：B ＝ P⁻¹AP（P 是旧基到新基的过渡矩阵）。这个关系太重要，值得专门命名：

三句话理解相似：① 相似＝同一个变换的两套坐标记录——变换没变，变的是描述它的语言；② 相似是等价关系（自反、对称、传递，各用一句话可验），全体 n 阶方阵被切成一个个相似类；③ 在相似类里，对角矩阵是最受的成员——若 A 与某个对角阵相似，则称 A 可对角化。

相似与特征值的汇合点：λ 是 A 的特征值 ⟺ λ 是 P⁻¹AP 的特征值，且特征向量按 v ↦ P⁻¹v 平移对应。验证一行：(λI−A)v＝0 ⟺ P⁻¹(λI−A)P·P⁻¹v ＝ (λI−P⁻¹AP)P⁻¹v ＝ 0。

方法论旁注：相似关系把「矩阵的海洋」切成相似类，每一类挑一个最简单的代表——对角阵最好，次选三角阵（7.16），实在不行还有若尔当形（第十章）。分类＋找标准形，这是结构数学的标准打法，上册的等价标准形（第二章 2.14）已经预演过一次。

第七章 特征值与对角化：矩阵的自我描述7.9 相似不变量：行列式、迹与特征多项式

如果 B ＝ P⁻¹AP，什么在换基时保持不变？一条链式论证全搞定：det(P⁻¹AP) ＝ det P⁻¹ · det A · det P ＝ det A（det P⁻¹ · det P ＝ 1）。迹用循环性质 tr(XY) ＝ tr(YX)：A

由 tr 与 det 不变，立即得特征多项式不变：f_B(λ) ＝ det(λI − P⁻¹AP) ＝ det(P⁻¹(λI − A)P) ＝ f_A(λ)。于是特征值是相似不变量——这正合直觉：特征方向是变换自身的几何属性，岂能随记账语言而变？

不变量的用处是反向排除：若两矩阵 tr 或 det 不同，立刻不相似。例：1234 与 3412 迹都是 5，但 det 分别是 −2 与 2——不相似，一行判毕。反过来，「不变量全等 ⟹ 相似」却不成立：不变量只是必要条件，完整的相似分类要等第十章的不变因子。

方法论旁注：上册第三章把 det 叫「可乘的不变量」，本章 tr 与特征多项式加入不变量家族。不变量的价值在两条：相等时提供「可能相似」的证据，不等时提供「必然不相似」的死刑判决。做排除法，后者更好用。

第七章 特征值与对角化：矩阵的自我描述7.10 可对角化的判定：n 个无关特征向量

证明的核心是一行矩阵恒等式。设 P 的列为 v₁, …, v_n，则 AP 的第 j 列是 Av_j ＝ λ_jv_j，而 PD 的第 j 列是 λ_jv_j（D 是把特征值按同样顺序排在对角线上）。于是：

「P 可逆」靠的就是 n 个特征向量线性无关。整章的理论在这一行恒等式里收拢：对角化成功与否，取决于能否凑齐 n 个无关的方向。

由判定定理立刻得到两条推论：① n 个特征值互不相同 ⟹ 可对角化（不同特征值的特征向量线性无关——习题课十的证明题）；② 特征值有重根时仍可能可对角化，判据是：每个特征值的几何重数都达到它的代数重数（「名额全部兑现」）。回头看 7.7 的两类例子：2102 的 λ＝2 有 2 个名额只兑现 1 个——不可对角化；而例12 的对称矩阵 λ＝3 的 2 个名额全部兑现——可对角化。

方法论旁注：判定定理把「对角化」从愿望变成了可操作的验收标准。注意它的语言完全是结构性的——不问矩阵元素长什么样，只问「无关方向的数目」。数字问题被翻译成了计数问题，这是现代性的又一次显形。

第七章 特征值与对角化：矩阵的自我描述7.11 对角化三步法：求根、求向量、拼矩阵

可对角化的矩阵，操作流程固定为三步，以主例 4123 全程演示。

验收：AP 的第一列是 A(1, −2) ＝ (2, −4) ＝ 2·(1, −2)，第二列是 A(1, 1) ＝ (5, 5) ＝ 5·(1, 1)——恰好是 PD 的两列，故 P⁻¹AP ＝ diag(2, 5) ✓（程序验算：det P ＝ 1×1−1×(−2) ＝ 3，P⁻¹ ＝ ⅓1−121，乘回去正是 D）。

两个高频翻车点，都写在明处：① P 的列与 D 的对角元顺序错位——把 diag(2,5) 写成 diag(5,2) 而 P 不动，验收立刻失败；② 特征向量忘了回代——带着假向量进 P，整块全错。三步法本身没有难点，难点全在第六章的因式分解和本页的符号纪律。

方法论旁注：三步法是「结构给出算法」的又一例——判定定理（7.10）保证 P 可逆，恒等式 AP＝PD 保证方法正确，剩下的只是执行。理论不停留在装饰，直接变成手上的三步。

第七章 特征值与对角化：矩阵的自我描述7.12 应用一：离散动力系统与长期行为

回到 7.1 的迁移矩阵，现在可以算到底。特征向量 (2, 1)（λ＝1）与 (1, −1)（λ＝0.7）无关，构成 ℝ² 的一组基。任何初始分布都能分解：

连乘 n 次变成了两个数的一次幂——这就是对角化的威力。取 v₀ ＝ (3, 1)：解 c₁(2,1)＋c₂(1,−1)＝(3,1) 得 c₁＝4/3、c₂＝1/3。于是：

长期比例 (8/3) : (4/3) ＝ 2 : 1，与初始值 (3, 1) 无关——因为 0.7ⁿ → 0 把第二项抹平了。第二特征值 λ₂ ＝ 0.7 决定收敛速度：|λ₂| 越小抹得越快。

一般规律一表收齐（𝔽＝ℝ，主特征值 λ₁ ＝ 1 且 |其余| < 1 的情形）：长期状态由 λ₁ 的特征向量决定，收敛速度由第二大的 |λ| 决定。人口迁移、品牌市场份额、网页排名（PageRank 的骨架），全是这一个模板。

方法论旁注：注意论证的分工——对角化负责把 Aⁿ 变成数的一次幂，绝对值不等式负责「抹平」。代数给公式，分析给极限，两者合手才摸得到「长期」。这也预告了下一章的主题：要谈「大小」，先得有度量。

第七章 特征值与对角化：矩阵的自我描述7.13 应用二：斐波那契数列的闭式

斐波那契数列 F₁＝F₂＝1、F_n+1＝F_n＋F_n−1 的每一项都由前两项递推，看似与矩阵无关。令状态向量 w_n ＝ (F_n+1, F_n)，则递推写成矩阵式：

又是动力系统模板。特征方程 λ² − λ − 1 ＝ 0（两根之「和＝1、积＝−1」正是 tr 与 det），解出 φ ＝ (1＋√5)/2 ≈ 1.618 与 ψ ＝ (1−√5)/2 ≈ −0.618——黄金分割比从这里自己走了出来。通项公式（Binet 公式）：

程序验算两条硬事实：1110¹⁰ ＝ 89555534（右上角正是 F₁₀ ＝ 55）；F₁₂ ＝ 144。由于 |ψ| < 1，ψⁿ 迅速消失，于是 F_n ≈ φⁿ/√5——相邻两项之比 F_n+1/F_n → φ：递推数列的极限行为，又一次由特征值统治。

方法论旁注：这个例子的迷人之处在于两层结构的相遇——离散的整数递推（F_n 永远是正整数）与连续的实数极限（φ 是无理数）在特征值处握手。Binet 公式右边全是无理数，左边永远是整数——验算这条「矛盾」，是本章最有趣的练习之一。

第七章 特征值与对角化：矩阵的自我描述7.14 凯莱—哈密顿定理：矩阵满足自己的特征多项式

「矩阵吃自己的名片」——这是本册迄今最惊人的一个等式。二阶主例立刻可验：A ＝ 4123，f(λ) ＝ λ²−7λ＋10，则 f(A) ＝ A²−7A＋10I。算出 A² ＝ 1871411，代进去：

四个零不是巧合，是定理。直觉图像：特征多项式的每个根 λ_i 对应一个「伸缩 i 倍」的不变方向；矩阵作用于全部方向的总效果，必然消去自己——每个方向都被自己的因子消化了。严格证明在第十章（借助若尔当形的语言最清晰），本章先用、先验、先享受。

方法论旁注：凯莱—哈密顿是「接口」思想的极致——特征多项式本是第六章多项式环里的对象，在这里反向作用于矩阵世界。数的世界与矩阵的世界之间不是单行道：多项式求值映射 λ ↦ f(A) 是环同态（保持加法与乘法），这句话的完全体在第十章模论视角处揭晓。

第七章 特征值与对角化：矩阵的自我描述7.15 凯莱—哈密顿的应用：逆与幂的快速计算

定理立即变现。二阶情形 f(λ) ＝ λ²−(tr A)λ＋det A，故 A²−(tr A)A＋(det A)I ＝ 0。若 A 可逆（det ≠ 0），两边乘 A⁻¹：

主例验算：tr ＝ 7、det ＝ 10，得 A⁻¹ ＝ (7I−A)/10 ＝ 3−1−24/10——与伴随矩阵法的结果完全一致（第三章 3.13），但推导短了一半。高阶收益更大：n 阶矩阵的逆不再需要 n² 个代数余子式，一条公式即得。

幂的递推更漂亮。由 A² ＝ 7A−10I，任何高次幂都能「降次」为 A 的一次式：A³ ＝ A·A² ＝ 7A²−10A ＝ 7(7A−10I)−10A ＝ 39A−70I；A⁴ ＝ 39A²−70A ＝ 39(7A−10I)−70A ＝ 203A−390I……一般地 A^k ＝ b_kA＋c_kI，而系数 (b_k, c_k) 恰好满足与 f 同款的递推——矩阵幂的难题退化成二项递推。例10 将给出完整算例：1331 的五次幂，两行写完。

方法论旁注：与 7.11 的对角化求幂对比——对角化是「换到特征坐标再数幂」，凯莱—哈密顿是「原地降次」。两条路通向同一个 A^k，一个动坐标、一个动代数。同一问题多备一条路，是计算者的基本功。

第七章 特征值与对角化：矩阵的自我描述7.16 三角化：复数域上必可上三角化

对角化会失败（7.7 的幂零尾巴），但有一步退路永远走得通——前提是把数域放宽到 ℂ：

定理的几何版（右边的子空间链）才是本体：复数域上，不变子空间永远凑得齐 n 维——每步抓一个特征向量进商空间即可（特征多项式在 ℂ 上必有根，代数基本定理在此入职）。实数域则不然：旋转 90° 的矩阵 0−110 特征方程 λ²＋1＝0 无实根——平面上除 0 外没有任何方向被它只伸缩，实特征值一个也没有。ℂ 一到，特征值 ±i 立刻现身，上三角化畅通。

上三角化虽不及对角化干脆，但保住了两条命脉：对角元仍是全部特征值；矩阵多项式的计算仍是三角阵的便宜账。它是第十章若尔当标准形的半成品——三角化给出「骨架」，若尔当块补齐「关节」。

方法论旁注：本页是数域敏感性的正课。上册第六章建数域 𝔽 时说过「多项式的根未必在 𝔽 里」，如今后果落地：同一个矩阵，在 ℝ 上不可对角化，在 ℂ 上可能就化得动。做特征值问题，先声明数域——这是纪律，不是洁癖。

第七章 特征值与对角化：矩阵的自我描述7.17 现代接口：特征值是表示论的最小样本

把镜头拉远。一个抽象群 G 如何被「看见」？表示论的回答：让 G 作用在向量空间上——把每个群元素映成一个矩阵，乘法结构保持（群同态）。抽象变具体，全靠矩阵代言。而研究一个矩阵，第一步就是上一章学的：求它的特征值与特征方向。

最小样本：循环群 G ＝ {e, g, g²}（g³＝e）。给 g 指派矩阵 A，约束是 A³ ＝ I——用凯莱—哈密顿的语言重说：特征值 λ 必须满足 λ³＝1。复数域上三个解 1、ω、ω²（三次单位根，第六章 6.13 的老朋友）。抽象群的结构约束，变成了特征值的代数约束；群论问题从这一步开始变成多项式问题。

再往前一步是范畴论的语言：表示是函子——从群范畴到向量空间范畴的 functor，把对象映成空间、把运算映成线性映射（上册第五章 5.18 的函数子已经预演过这个语法）。特征值则是评价「这个函子映得怎么样」的第一指标。

方法论旁注：本页只求「见过」——表示论是把抽象代数变成线性代数的总机器，本章的求特征值是它的最小齿轮。下册第十一章的仿射群、第十二章的射影群 PGL(3)，都会以「群 → 矩阵 → 特征值」的三段式再次登场。

第七章 特征值与对角化：矩阵的自我描述7.18 与明线汇合：特征值回答「消元之后」的问题

张苍法解决的是：给定 Ax ＝ b，一次解出 x——「一次性」问题。本章解决的是：给定 A，理解反复作用 Aⁿ 的全部行为——「终身」问题。两条线不是替代关系，是接力关系：消元把方程组压缩成阶梯形，亮出秩；特征值把变换压缩成特征方向，亮出谱。一个管「此刻的解」，一个管「长远的势」。

四行合观，就是这门课的总地图：消元与行列式回答「此刻」，特征值回答「长远」，相似分类回答「本质」。从方程问题到结构问题的升格，在第七章完成了第二次——上册第五章把解方程升格为求原像，本章把解方程升格为理解变换本身。

方法论旁注：特征值概念的「出生证明」值得记一笔——它不是从定义出发发明的，而是被问题逼出来的：动力系统要长期预测、二次曲线要分类（第九章）、微分方程要解（第十章）。一个好概念永远带着它的出生问题一起上路。

第七章 特征值与对角化：矩阵的自我描述例1 二阶矩阵的特征值与特征向量全过程

收尾顺手记下两个不变量：tr ＝ 1＋3 ＝ 4、det ＝ 1×3 ＝ 3——与开头的快速公式互为印证。特征值问题做完，先看「和与积」，一眼抓符号错。

方法点评：二阶题「公式直取＋回代双验」三分钟收工。真正要练的是回代不跳步：7.6 页的假向量事故就发生在跳步里。

第七章 特征值与对角化：矩阵的自我描述例2 特征子空间的基与几何重数

本例值得记住一个「计数器」习惯：把每个特征值的两个重数并排记账。全部「几何＝代数」且代数重数之和为 n 时，P 就一定拼得出来——记账表就是判定表。

方法点评：特征子空间是第五章核概念的最小应用实例：ker(λI−A)。旧概念在新语境里直接上岗，不需要任何改造——这就是结构语言的复利。

第七章 特征值与对角化：矩阵的自我描述例3 三角矩阵：特征值写在对角线上

三角矩阵教训深刻：整齐不等于好化。对角线读出特征值容易（技巧一免算 det），但可对角化与否仍要看几何重数。上三角与对角之间隔着一整层幂零尾巴。

方法点评：本例同时示范了 7.5 的技巧一与 7.7 的重数记账。看到三角阵先写特征值（免费），再查重数兑现情况（三行内完成）。

第七章 特征值与对角化：矩阵的自我描述例4 相似验证与不变量核对

计算顺序有讲究：先算 AP 再左乘 P⁻¹，两步矩阵乘法，每步都是二阶小块；硬算 P⁻¹AP 三连乘容易错。不变量核对放在最后——不符就是算错了，回查别犹豫。

方法点评：相似验证的本质是「特征向量拼成 P 后 AP＝PD」。直接验证 AP＝PD（列对应）比硬算 P⁻¹AP 更快更稳——上一行恒等式就是为省算力而生的。

第七章 特征值与对角化：矩阵的自我描述例5 可对角化判定：成功例

本例的 P 有个好性质：列互相垂直（(1,1)·(1,−1)＝0）。这不是巧合，是「对称」送的礼物——第八章 Gram–Schmidt 之后，这份礼物会升级成「正交对角化」。

方法点评：特征值互异是「免检通道」，判定三行收工；但不要养成依赖——重根情形（例12）才是真功夫。

第七章 特征值与对角化：矩阵的自我描述例6 不可对角化例：代数重数≠几何重数

「数量矩阵只与自身相似」是判断不可对角化的最快武器：凡是 f(λ) ＝ (λ−a)ⁿ 且 A≠aI，立刻出局。

方法点评：失败例和成功例一样重要——它们共同圈定了定理的边界。第十章会回来收编这个矩阵：若尔当形 2102 正是它的「标准像」，幂零尾巴不再是无处安放的碎片。

第七章 特征值与对角化：矩阵的自我描述例7 对角化求 A¹⁰

算力账本：直接乘需要 9 次矩阵乘法；对角化 3 次加 2 次数幂。差距在 n 大时是天文数字——而「P⁻¹ 恰好是 P/2」这类小惊喜（正交列的馈赠）会反复出现。

方法点评：结构上值得看一眼 A¹⁰ ＝ a＋1aaa＋1 型（a＝29524）：对称、行和同为 2a＋1——初始对称性被幂运算保持。对称矩阵的幂仍对称，这不是巧合，是「转置反变」的推论（上册第二章 2.6）。

第七章 特征值与对角化：矩阵的自我描述例8 动力系统：市场份额的长期比例

与 7.1 迁移模型同构，只换了参数。模板复用的价值正在于此：换数据不换思路。自查一件事——为什么 λ＝1 一定是特征值？（行和为 1 的「随机矩阵」永远有 λ＝1：全 1 向量是转置矩阵的特征向量，而 A 与 A^T 同特征值——习题课十的证明题。）

方法点评：动力系统三问——稳态是什么（λ＝1 方向）、多快到达（第二大 |λ|）、初始是否重要（不重要，只要衰减条件成立）。三问全部由特征值作答。

第七章 特征值与对角化：矩阵的自我描述例9 斐波那契闭式与 F₁₂

降次手法值得单独学：任何 φ^k 都能写成 a_kφ＋b_k（用 φ²＝φ＋1 反复代入）——这正是 7.15 递推思想的「数版」。特征值的世界里，代数数与幂是天生一对。

方法点评：整数数列用无理数公式表出，初看「越化越繁」，实则把递推变成了指数：问第 10¹⁸ 项，递推要算宇宙寿命，闭式一行即得——理论威力以数量级计价。

第七章 特征值与对角化：矩阵的自我描述例10 凯莱—哈密顿求逆与求 A⁵

复核一份交叉证据：A 的特征值是 4 与 −2，则 A⁵ 的特征值应为 4⁵＝1024 与 (−2)⁵＝−32。验证：496＋528 ＝ 1024 ✓、496−528 ＝ −32 ✓——特征值与幂的「谱对应」（σ(A^k) ＝ {λ^k}）在两个方向上都自洽，这比任何一次单独计算都更可信。

方法点评：凯莱—哈密顿路线的完整流程：特征方程 → 逆的闭式 → 幂的降次链。全章两条「求 A^k」路线（对角化/降次）在此正式会师，考生可任选，验算者应双修。

第七章 特征值与对角化：矩阵的自我描述例11 三阶特征多项式：主子式之路

「主子式之路」避开了三阶 det(λI−A) 的全展开，两项一项算，出错面小得多。试根也有次序：先试 ±1、±2 这类小因子——第六章有理根定理（6.14）在矩阵章再次上岗。

方法点评：一处精妙——三个特征向量 (1,−1,1)、(1,0,−1)、(1,2,1) 两两不成倍数，且 A 对称。对称＋互异根双重保险，P 一定拼得出来（9.10 会证明对称矩阵的重根也自动补齐）。

第七章 特征值与对角化：矩阵的自我描述例12 三阶完整对角化全过程

本例三处值得铭记：① 行和结构先行观察（行和常是 0 或 1，直接送一个特征值）；② 重根不可怕，怕的是名额不兑现；③ 对称矩阵的重根恰好都兑现——第九章谱定理将把这从「本例恰好」升级为「永远成立」。

方法点评：三阶题的推荐节奏——观察行和/列和 → tr 与 det 报账 → 试根因式分解 → 逐个特征值解方程组并回代 → 拼矩阵。五步走完，难度其实低于一次三阶行列式的硬展开。

第七章 特征值与对角化：矩阵的自我描述习题课一 特征值与特征向量的计算

点评：四题全走「tr/det 快捷 → 因式分解 → 解方程组 → 回代」四拍。第 3 题提醒：二重根不是死刑，几何重数才是判决书。

第七章 特征值与对角化：矩阵的自我描述习题课二 特征多项式

点评：特征多项式是矩阵的「档案」——第 3 题说明档案连转置都改不了。求档案的三条路（全展开、主子式、三角直读）按矩阵形状选用。

第七章 特征值与对角化：矩阵的自我描述习题课三 相似与不变量

点评：不变量是「死刑判决书」，出判决只要一行；但「不变量全等 ⟹ 相似」不成立——排除法好用，认定法要等若尔当形。

第七章 特征值与对角化：矩阵的自我描述习题课四 可对角化判定

点评：判定三连问：几个不同根？重根的几何重数够不够名额？一句话总结——互异保送，重根面试。

第七章 特征值与对角化：矩阵的自我描述习题课五 对角化求幂

点评：第 3 题的「谱对应」是免算神器——σ(A^k) ＝ {λ^k}，行列式与迹按谱直接报数，与例10 的交叉验证同一招。

第七章 特征值与对角化：矩阵的自我描述习题课六 动力系统应用

点评：动力系统的全部长期问题都是特征值问题——稳态（λ＝1）、速度（|λ₂|）、失效（|λ|＝1 的边界情形）。第 4 题是「定理的条件意识」训练。

第七章 特征值与对角化：矩阵的自我描述习题课七 凯莱—哈密顿

点评：第 3 题是本章最重要的「半证明」——对角化范围内定理完全透明；第 4 题诚实指出盲区：不可对角化的矩阵要等若尔当形收编。

第七章 特征值与对角化：矩阵的自我描述习题课八 三角化与数域

点评：数域是特征值问题的「海关」——先报关（声明 𝔽）再入境。第 4 题预告第八章的补偿方案：实旋转虽无实特征方向，却是正交变换的模范公民。

第七章 特征值与对角化：矩阵的自我描述习题课九 综合判定

点评：综合判定四件套：不变量排除、谱对应反推、可逆性对接、多项式换基。第 4 题是第 3 题答案的推广——相似是「多项式稳定」的等价关系。

第七章 特征值与对角化：矩阵的自我描述习题课十 证明初步

点评：第 1 题的消去手法（两次作用作差）是特征值证明的「万能钥匙」，务必亲手写全。它正是 7.10 判定定理证明的地基。

第七章 特征值与对角化：矩阵的自我描述习题课十一 上机实验与数值误差

点评：手工章与数值章的分界线就在本页：解析法（第六章因式分解＋本章三步法）教育理解，迭代法（幂法→QR）承担生产。两条轨道都通向谱，各自的「为什么成立」同样深刻。

第七章 特征值与对角化：矩阵的自我描述复盘：错题归档 E1–E8 与三问

复盘三问（合上书自答）：① 判定可对角化的完整条件，能用「名额」语言一句话说清吗？② 凯莱—哈密顿给的两条路（降次/对角化）各适合什么场景？③ 数域声明为什么是纪律而不是洁癖？

答句自查：①「几何重数逐个兑现代数重数，且总数为 n」；② 幂少阶大用降次，幂多阶小用对角化；③ 特征值是否存在、是否互异，全由数域决定。

第七章 特征值与对角化：矩阵的自我描述格物札记① 特征值的身世：从热传导到谱

傅里叶的分离变量（1807/1822）。特征值问题的第一个高光时刻不在代数，而在物理：傅里叶研究热传导，把解写成「分离变量」的叠加——每个模态按自己的指数速率冷却。这些速率，就是微分算子的特征值。热的平衡态由最大时间尺度的模态主导——与本章迁移矩阵的「长期行为由 λ₁ 主导」是同一个数学骨架的连续版。

柯西与对称矩阵（1829）。柯西研究二次型（第九章的主角）时证明：实对称矩阵的特征值全是实数，且存在一组互相垂直的特征方向。这是本章例5「P 的列恰好垂直」背后的定理——第九章谱定理的前奏。

雅可比的算法（1846）与凯莱的矩阵代数（1858）。雅可比给出对称矩阵特征值的旋转迭代算法（第九章实验页的雅可比法即此）；凯莱则把矩阵本身立为运算对象，写出凯莱—哈密顿定理的第一个版本。没有凯莱把「矩阵」当成一个数一样的整体，就没有 f(A) 可谈。

佩龙—弗罗贝尼乌斯（1907/1912）。元素全为正的矩阵必有单的主特征值、对应的特征向量全为正——迁移矩阵、市场份额、后续札记的网页排序，其「唯一稳态」的严格保障都是这条定理。本章的 7.12 是它的教学版。

史料说明：以上年代为通行说法，细节可查柯西全集（Série II, t. IX）与凯莱《A Memoir on the Theory of Matrices》（Phil. Trans., 1858）。

第七章 特征值与对角化：矩阵的自我描述格物札记② 「特征」为何叫 eigen：一个词的旅行

eigenvalue 是数学英语里罕见的整体借词：不翻译、不改编，把德语 Eigenwert（ eigen ＝ 自己的、固有的；Wert ＝ 值）原样搬进英文。1904 年，希尔伯特在积分方程与谱理论的开创性工作中系统使用 Eigenwert——他研究的对象是无穷维的「算子」，其「谱」类比光谱：每种成分一条线、一个频率。特征值的现代图像（谱＝变换的身份证）正是这个物理隐喻的代数化。

英语世界先是用 characteristic value（特征值一词的汉语直译来源）与 proper value（法语 valeur propre 的直译），最终 eigenvalue 胜出——大概是它不与任何其他术语撞车。汉语「特征值」译得极好：特征，本义是「特别的征象、可据以辨认的标志」，正是「凭它认出这个变换」的意思。俄语 собственное значение、日语 固有値，与德语原意一脉相承。

一词多国，学理同一：特征值是对象在「换尽坐标语言之后」仍然保留的自我描述。本章开头说「特征值是矩阵的名片」，现在可以补全：名片之所以可信，因为它经得起反复翻译——相似变换随便换，名片上的数字不变（7.9）。

史料说明：希尔伯特《Grundzüge einer allgemeinen Theorie der linearen Integralgleichungen》1904 年起分篇发表（Nachr. Kgl. Ges. Wiss. Göttingen）。「谱」一词的物理来源见其谱理论诸篇。

第七章 特征值与对角化：矩阵的自我描述章小结：知识图谱与方法表

收官提醒：本章一切结论都有「数域」前提；下一章将给空间装上度量，让「特征方向互相垂直」从惊喜变成定理。

第七章 特征值与对角化：矩阵的自我描述思想卡：让矩阵自己说话

这条思想在本书的三次现身：第二章「矩阵是消元的载体」——静态的账本；第五章「矩阵是映射的表示」——动作的记录；本章「矩阵是被谱描述的变换」——性格的档案。同一个表格对象，三级理解层层加深，而本章到达了它的代数顶点：一张 4×4 的数表，本质上只是 4 个数（特征值）加上 4 个方向（特征向量）——n² 个数其实只承载 2n 个信息（可对角化情形），其余都是坐标语言的冗余。

往外延伸一步：物理学的能级（算子谱）、统计学的方差分解（主成分）、图论的连通性（邻接谱），都在使用同一句话——想认识一个变换，先问它不动什么、放大什么、抹掉什么。这也是结构数学的一般程序：对象不重要，对象在映射下的行为才重要。

一句话带走本章：消元让矩阵开口回答提问，特征值让矩阵开口自我介绍。

第七章 特征值与对角化：矩阵的自我描述挑战一：对角化竞赛——谁的三阶矩阵最好算

点评：竞赛的真正考题是节奏感——先免检、再面试、后判出局。第 3 题的「传递性」与第 4 题的「同档案不同性格」，一个立相似类的秩序，一个划分类的边界。

第七章 特征值与对角化：矩阵的自我描述挑战二：重根的几何——不变子空间搭积木

点评：不变子空间是「变换的关节」。可对角化 ⟺ 关节能搭满 n 个互相独立的直和块；不可对角化时关节之间的「牵连」由若尔当块记录——第十章的舞台已搭好。

第七章 特征值与对角化：矩阵的自我描述实验：幂法——让最大特征值自己浮出来

手工求特征值靠 det 展开与因式分解，n 大时不可行。实际数值软件用迭代：幂法是最古老、最直观的一个。

原理一列即明：v₀ 分解成特征向量组合后，每乘一次 A，各成分按 |λ_i| 的幂此消彼长，最大者胜出。用主例 4123 验证（主特征值 5，向量 (1, 1)）：

方向单调趋向 (1, 1)，比值趋向 5——两条曲线（方向、倍率）都在收敛，且收敛率恰由次大特征值 |0.7…|＝|λ₂/λ₁| 控制：本例 |λ₂/λ₁| ＝ 2/5 ＝ 0.4，误差每步约乘 0.4，与表中 0.286→0.103→0.039 的比值相符（≈0.4 的连乘）✓。

实验任务：换 λ₂ 更接近 λ₁ 的矩阵（如特征值 5 与 4.9）重跑，观察收敛骤缓——「次大比」是幂法的命门。

点评：幂法教学价值有三——把 7.12 的「长期行为」从叙事变成算法；暴露「谱隙」的作用；预告 QR 迭代（数值线性代数的标准引擎）。

第七章 特征值与对角化：矩阵的自我描述章测试与评讲

评讲：T1 查回代纪律；T2 查名额语言；T3 查双路互验；T4 查模板复用；T5 最重——直和分解与特征子空间的对接，是第八、九章「分解思想」的预演。

第八章 欧氏空间：度量、正交与最小二乘8.1 导引：地图上的距离——从数量到结构

上册的明线是解方程组；第七章把问题交给特征值。可现实中有一类方程组根本无解：测量有误差、数据有噪声，三条方程挤在两个未知数上，彼此矛盾。放弃吗？不行——工程师要的是「最像解的解」。要谈「最像」，先得会谈距离与角度。这一章，我们给向量空间装上「尺子」：内积。

距离并不只有一种。两点之间，直线最短是欧氏的答案；出租车只能在网格街道上行驶，那是曼哈顿的答案；国际象棋里车的步数，又是另一种。先把它们摆在一起看一看。

本章采用最自然的一把：欧氏尺子。但我们不只「会用」它，还要公理化它——把「内积」拆成几条最小公理，再看整个理论如何从公理中长出来。这正是全书一以贯之的做法：从算法到结构，从结构到公理。

第八章 欧氏空间：度量、正交与最小二乘8.2 内积：公理化定义与第一批例子

第一批例子。例一（标准内积）：ℝⁿ 上 ⟨x, y⟩ ＝ x₁y₁＋…＋x_ny_n。例二（加权内积）：⟨x, y⟩ ＝ 2x₁y₁＋3x₂y₂——对称、线性、正定样样成立，同样是合法内积。同一个空间可以装不同的内积，正如同一张地图可以配不同的比例尺。

例三（迹内积）：矩阵空间上 ⟨A, B⟩ ＝ tr(A^TB)，把「向量」的概念推广到矩阵。反例更要紧：⟨x, y⟩ ＝ x₁y₁−x₂y₂ 破坏正定——⟨(0,1),(0,1)⟩ ＝ −1＜0，这不是内积（它是第九章「二次型」的主角之一）。

第八章 欧氏空间：度量、正交与最小二乘8.3 柯西—施瓦茨不等式与三角不等式

证明的一句话版本：对任意实数 t，‖u−tv‖² ≥ 0。展开成 t 的二次三项式，判别式必非正——正是初中判别式那一步，把它用在抽象空间里。可见「不等式」背后藏着「二次函数与最小值」这根老线。

数值检验。取 u ＝ (1, 2, 2)、v ＝ (2, 0, 1)：⟨u, v⟩ ＝ 4，‖u‖‖v‖ ＝ 3·√5，而 4² ＝ 16 ≤ 45 ✓。等号情形：取 (1, 2, 3) 与 (2, 4, 6)（共线），两边都是 28² ＝ 784 ✓。不等式不神秘，它就是「斜乘不斜乘」的代数宣言。

由它立刻得到三角不等式：‖u＋v‖ ≤ ‖u‖＋‖v‖（两边平方后用柯西—施瓦茨）。两点之间直线最短——这句几何直觉，从此有了代数身份证。有了长度与夹角，下一步自然轮到「垂直」。

第八章 欧氏空间：度量、正交与最小二乘8.4 长度、夹角与正交

内积送我们两件度量工具。长度：‖v‖ ＝ √⟨v, v⟩，满足正齐次与三角不等式，称为由内积诱导的范数。夹角：cos θ ＝ ⟨u, v⟩ / (‖u‖‖v‖)——柯西—施瓦茨恰好保证这个比值落在 [−1, 1]，反余弦有定义。公理与定理就这样咬合。

例如 (1, 0) 与 (1, 1)：cos θ ＝ 1/(1·√2) ＝ 1/√2，夹角 45°。又如 (1, 2) 与 (−2, 1)：内积 ＝ −2＋2 ＝ 0，夹角 90°。

「垂直」升级为「正交」，一词之变，疆域大涨：函数可以正交（三角函数系）、多项式可以正交（勒让德多项式）、信号可以正交（傅里叶分析的地基）。几何直观给了代数一个词，代数拿它回报了整个分析学。

勾股定理在内积语言里只是「正交」的一次变现：若 u ⊥ v，则 ‖u＋v‖² ＝ ‖u‖²＋‖v‖²。两千年前《周髀算经》里商高说的「勾三股四弦五」，如今是内积展开式中交叉项恰好为零的一句话——老定理换上了结构的新衣。

第八章 欧氏空间：度量、正交与最小二乘8.5 正交基与标准正交基

基底的选法千百种，但有一类特别好写。正交基：两两正交的基；标准正交基：再要求每个向量都是单位长。记标准正交基为 e₁, …, e_n，那么任何向量的坐标瞬间可求：

坐标＝内积。对比一般基底：要求坐标得解一个线性方程组（消元上场）；换标准正交基：每个坐标一次内积搞定。这就是「选好基底，方程组消失」——基底的品质，决定了计算的代价。

标准正交基还有一条「勾股批发」性质：向量范数的平方等于各坐标的平方和（交叉项全部为零）。于是「长度」在标准正交基下变成最朴素的坐标运算——这正是我们下一步要制造标准正交基的动力：好工具不该靠运气碰到，要有生产线。

第八章 欧氏空间：度量、正交与最小二乘8.6 Gram–Schmidt 正交化：算法与几何图像

生产线来了。想法极朴素：拿到一组基，逐个「减去它在已有方向上的影子」，剩下的必然与已有方向正交。这一算法以 Gram 与 Schmidt 命名，是本章用得最多的机器。

主例。取 (1, 1, 0)、(1, 0, 1)、(0, 1, 1)。v₁ ＝ (1, 1, 0)；第二步：⟨(1,0,1), (1,1,0)⟩/2 ＝ 1/2，减去半份 (1,1,0) 得 v₂ ＝ (1/2, −1/2, 1)，同向于 (1, −1, 2)；第三步：减去在 v₁、v₂ 上的影子得 v₃ ＝ (−2/3, 2/3, 2/3)，同向于 (−1, 1, 1)。单位化：

若再乘出 Q（列＝标准正交基）与上三角 R，就有 A ＝ QR——数值线性代数的门牌号，第 8.16 节再会它。

第八章 欧氏空间：度量、正交与最小二乘8.7 正交补与投影

两条立刻能证的性质：dim W＋dim W⊥ ＝ dim V；( W⊥ )⊥ ＝ W。例如 ℝ³ 中 W ＝ span{(1, 1, 1)}，则 W⊥ ＝ {x : x₁＋x₂＋x₃ ＝ 0}，是过原点的一张平面——一条直线配一张垂直平面，维数 1＋2 ＝ 3，分毫不差。

数值例。v ＝ (1, 2, 3)，W ＝ span{(1, 1, 0), (1, −1, 2)}（恰好是 8.6 节制造的前两个正交方向）。系数：⟨v, v₁⟩/2 ＝ 3/2，⟨v, v₂⟩/6 ＝ 5/6，投影 ＝ (7/3, 2/3, 5/3)，残差 ＝ (−4/3, 4/3, 4/3) ⊥ W，距离² ＝ 16/3。全部数字验算已核。

投影有什么用？它回答一个天下无双的问题：子空间里哪一点离我最近？答案是唯一的——就是投影。下一页把这个「最近」变成定理。

第八章 欧氏空间：度量、正交与最小二乘8.8 正交投影定理：最佳逼近

证明只要一行：‖v − w‖² ＝ ‖(v − proj) ＋ (proj − w)‖² ＝ ‖v − proj‖²＋‖proj − w‖²（中间那步用了残差 ⊥ W，勾股定理收编一切）——第二项非负，且 w 越偏离投影它越大。

「最佳逼近」是本章一切应用的理论心脏。数据拟合、信号去噪、回归分析——说法各异，骨架同一：真值在子空间之外，就在子空间里找最近点。把「最近」翻译成坐标语言，就得到下一节的正规方程——明线在「无解」处的最后一问，终于要给出答案。

第八章 欧氏空间：度量、正交与最小二乘8.9 最小二乘：无解方程组的最优解（明线终章）

现在兑现绪论的预告。设 Ax ＝ b 无解——b 不在 A 的列空间里。退而求其次：找 x̂ 使 ‖Ax − b‖ 最小。8.8 节说：把 b 正交投影到列空间 C(A) 上，投影点 Ax̂ 的原像就是答案。残差 b − Ax̂ ⊥ C(A)，即与 A 的每一列正交：

主例（数据拟合）。三点 (0, 1)、(1, 2)、(2, 2) 拟合直线 y ＝ kx＋b。列矩阵 A 的两列是 (0, 1, 2) 与 (1, 1, 1)，右端 (1, 2, 2)。正规方程 A^TAx̂ ＝ A^Tb 即 5333x̂ ＝ (6, 5)，解得 k ＝ 1/2、b ＝ 7/6：

细看残差 (−1/6, 1/3, −1/6)：它与 A 的两列都正交（⟨残差, (0,1,2)⟩ ＝ 1/3−1/3 ＝ 0，⟨残差, (1,1,1)⟩ ＝ −1/6＋1/3−1/6 ＝ 0）✓。残差与数据正交——模型拿走了数据里它能解释的全部，剩下的残差是纯粹的「噪声方向」。这句几何判词，就是回归分析的魂。

明线至此收官：上册张苍法消元解「有解」的方程组；今日最小二乘解「无解」的最优。一问一答，首尾相衔。

第八章 欧氏空间：度量、正交与最小二乘8.10 正交矩阵与群 O(n)

正交矩阵是「装进矩阵的内积」：Q^TQ ＝ I 的第 (i, j) 元恰是第 i 列与第 j 列的内积。它也是「不变形状矩阵」：⟨Qx, Qy⟩ ＝ ⟨x, y⟩，长度、夹角、距离原封不动——只转不拉、只转不斜。

例。Q ＝ 3/5−4/54/53/5：两列模长都是 1、相互内积为 0 ✓；det Q ＝ 9/25＋16/25 ＝ 1。一般地 det Q ＝ ±1：取行列式得 (det Q)² ＝ 1。行列式为 ＋1 的子群叫 SO(n)——「纯旋转」，行列式 −1 的成员必含一次镜像。

O(n) 对矩阵乘法成群：单位元在内（I）、逆在内（Q⁻¹ ＝ Q^T，逆就是转置——何等干净）、乘积封闭（保内积的复合仍保内积）。这是本书第一个「由几何要求定出的群」，为第十一章 Erlangen 纲领埋下伏笔。

第八章 欧氏空间：度量、正交与最小二乘8.11 正交变换的几何：旋转与反射

平面上 O(2) 的成员只有两种，一张名册点完。旋转：R(θ) ＝ cos θ−sin θsin θcos θ，det ＝ ＋1，整平面绕原点转角 θ。反射：关于过原点、倾角 θ/2 的直线镜像，矩阵 cos θsin θsin θ−cos θ，det ＝ −1。

②的验证例子已入验算：关于 x 轴与关于 45° 线（坐标互换 0110）两次反射，复合恰为 R(90°)，周期 4——转四次回到原地。这条「两镜转两倍角」是光学与几何共用的老知识，如今是群论里二面体群 D_n 的生成关系。

矩阵语言核对一遍：反射 S 满足 S² ＝ I、det S ＝ −1；而 S·R(θ) 行列式为 −1 且平方为 I——仍是反射。行列式在这里不是计算，是分类标签。

第八章 欧氏空间：度量、正交与最小二乘8.12 欧氏变换 E(n)=O(n)⋉ℝⁿ（兑现第三章预告）

正交变换都得绕原点转，可刚体还会平移。补上它：形如 f(x) ＝ Ax＋t（A ∈ O(n)、t ∈ ℝⁿ）的映射叫欧氏变换，全体记作 E(n)。上册第三章预告的「欧氏变换与正交变换的联系」，现在有了准确答案：每个欧氏变换＝一个正交变换＋一次平移，先转后挪。

主例。取 A ＝ R(90°) ＝ 0−110、t ＝ (3, 2)：点 (2, 1) 先转成 (−1, 2)，再平移到 (2, 4)。保距验证：|f(p) − f(q)| ＝ |A(p − q)| ＝ |p − q|——平移部分在相减时对消，距离只由 A 负责（验算已核）。

「⋉」里那个小尾巴（semi 的 s）说的是：平移部分不是独立的——旋转会「拧动」平移。群论为一个朴素的几何事实（先转后挪与先挪后转不同）保留了位置。这正是本册副标题的玩法：结构问题的一套语言，覆盖几何问题的一大家族。

第八章 欧氏空间：度量、正交与最小二乘8.13 等距同构：刚体运动的代数

判定例：线性部分 3/5−4/54/53/5 是正交的 ⟹ 是等距；线性部分 1101 不正交（把 (0,1) 拉长成 (1,1)，长度 √2）⟹ 不是等距。一把尺子量到底：看线性部分是否正交。

平面的等距同构按「有没有不动点、有没有不变方向」分四类，一张表点清（分类的证明用 8.11 的复合律即可拼出）：

刚体在平面上怎么动，本质只有这四招。 壁纸群（平面晶体群）把这四种基本动作编织成 17 种对称花样——阿尔罕布拉宫的墙面上早把它们画全了，数学直到 19 世纪才数清楚。几何、群论、艺术在此会师。

第八章 欧氏空间：度量、正交与最小二乘8.14 欧氏同构与维数不变量

两个欧氏空间（带内积的向量空间）什么时候算「同一个」？存在保持内积的双射时——称欧氏同构。判定出奇地省力：n 维欧氏空间之间，把一组标准正交基映到标准正交基的线性映射，必是欧氏同构（内积由基上的取值唯一决定，而两边基上的内积都恰好是 δ_ij）。

立刻的推论：欧氏同构 ⟹ 维数相同。维数是欧氏结构的不变量——直线（1 维）与平面（2 维）带再多装饰也不同构。这与上册「同构的向量空间维数相等」一脉相承，只是「保运算」升级成了「保内积」。

把「同构」当作等价关系来分类对象、把「不变量」当作分类的标签——这套思路本书已用三回（向量空间、群、欧氏空间）。它是抽象代数教给几何的第一件武器，下两章还会更锋利。

第八章 欧氏空间：度量、正交与最小二乘8.15 现代接口：内积空间与希尔伯特空间一瞥

本章的公理（8.2 节）没说 V 必须有限维。放开这一条，分析学的大门打开：无限维内积空间里，正交、投影、最小二乘全部活着，只差一条技术保证——完备性（柯西列都收敛）。

傅里叶级数在 ℓ² 语言里是一句话：三角函数系是一组标准正交基，傅里叶系数就是坐标＝内积——8.5 节「坐标＝内积」的无限维回声。量子力学的态矢量住在希尔伯特空间里，测量对应投影——8.8 节的最佳逼近，是物理定律的数学骨架。一个公理播下去，长出二十世纪的两大领域。

第八章 欧氏空间：度量、正交与最小二乘8.16 应用：数据拟合与秩亏问题

最小二乘不止拟合直线。模型族任选：多项式、指数、三角——只要参数是线性的，都能装进 Ax ＝ b 的模子。例如三点定抛物线 y ＝ ax²＋bx＋c 过 (−1, 2)、(0, −1)、(1, 2)：三个方程、三个未知数，恰好可解，a ＝ 3、b ＝ 0、c ＝ −1（例 12 详算）。点多了、方程矛盾了，就交最小二乘。

秩亏的尴尬要交代：若 A 的列线性相关（比如把 x² 与 x 两列放成同一列的两倍），正规方程 A^TAx̂ ＝ A^Tb 有无穷多解——但别慌：投影点 Ax̂ 仍唯一（最佳逼近唯一），不唯一的只是「用哪组参数抵达它」。工程上补一条「取范数最小的解」（最小范数解）或干脆做正则化，就能挑出一个代表。数值线代里这叫伪逆，此处立此存照。

回归实践里还有一条暗线：残差诊断。残差应与所有列正交（正规方程），若残差与某条漏掉的变量相关，说明模型漏了项——「残差不纯」是最小二乘给数据分析的哨兵。8.9 节那句「残差是噪声方向」，这里是它的用法。

第八章 欧氏空间：度量、正交与最小二乘8.17 范畴接口：内积作为被保持的结构

用范畴的眼光回看本章：对象是「欧氏空间」，态射是「保持内积的线性映射」。这个范畴里，同构＝欧氏同构＝正交等价；自同构群恰好是 O(n)（绕原点）与 E(n)（整体刚体）。「保什么，就是什么」——保线性是向量空间范畴，保内积是欧氏范畴，保距离是度量范畴。

这也解释了 O(n) 何以「高贵」：它不是碰巧成群的矩阵集合，而是内积这一结构的全部对称——群里每个元素都见证「什么没变」。第十一章 Klein 把这句口号立成纲领：几何＝研究某群作用下不变的性质。今天我们先交出它最古老的一章：欧氏几何。

第八章 欧氏空间：度量、正交与最小二乘8.18 与下一章衔接：为什么「对称」值得单开一章

本章遗留一个耀眼的缺口。正交矩阵虽好，但任给一个实矩阵，我们最想问的还是：它能不能「正交地」对角化——Q^TAQ ＝ 对角、且 Q 正交？这对一般矩阵不行（第七章有反例），却对一类矩阵恒成立：实对称矩阵（A^T ＝ A）。这就是第九章的谱定理，几何名字更响：主轴定理。

「对称」凭什么值得单开一章？三条理由。其一，它无处不在：二次型的矩阵天然对称（x^TAx 交叉系数平均化）、数据协方差矩阵天然对称、图网络拉普拉斯算子天然对称。其二，它行为最好：特征值全实、特征向量可取成标准正交基、谱定理无附加条件。其三，它是几何：正交对角化＝把斜放的椭圆摆正——二次曲线分类（第九章 9.12）与主成分分析（9.17）都是它的一次变现。

下一章，让对称开口说话。

第八章 欧氏空间：度量、正交与最小二乘例1 内积的验证与反例

方法点评：验证内积抓最弱一环——正定。对称与线性很少坏，正定一坏全盘皆输；验正定优先试特殊向量 (0, 1) 这类「单点试探」。

第八章 欧氏空间：度量、正交与最小二乘例2 柯西—施瓦茨的运用

方法点评：柯西—施瓦茨最常用的姿势是「先平方去根号」：两边的平方 16 与 45 都是整数，比较干净。等号判据（共线）是反向应用的好工具——见挑战题。

第八章 欧氏空间：度量、正交与最小二乘例3 求标准正交基（Gram–Schmidt 全过程）

方法点评：每步之后立刻「自检内积为零」，错一步后面全错。分数随时通分或先「取倍数化为整数向量」再单位化——比例不变，运算减负。

第八章 欧氏空间：度量、正交与最小二乘例4 正交补的计算

第八章 欧氏空间：度量、正交与最小二乘例5 求向量到子空间的投影

方法点评：生成元若不正交，先 Gram–Schmidt 再投影——多一步，省掉解 2×2 正规方程的分数海。正交性是「计算红利」，要用足。

第八章 欧氏空间：度量、正交与最小二乘例6 最小二乘：直线拟合

方法点评：n 个点给 Σx、Σx²、Σy、Σxy 四个统计量，正规方程 Σx²ΣxΣxn·(k, b) ＝ (Σxy, Σy) 一套即中。验算永远做两件事：残差正交＋平方和最小。

第八章 欧氏空间：度量、正交与最小二乘例7 最小二乘：不相容方程组

方法点评：几何读法是三张直线图上找「加权质心式的最近交点」；代数读法是残差⊥列空间。两种读法同解——本章的看家本领就是把几何与代数来回去译。

第八章 欧氏空间：度量、正交与最小二乘例8 判断正交矩阵并求行列式

方法点评：判正交＝查「列列单位、两两内积为零」，一个条件两条目。行列式正负是「旋转/反射」的免费标签，判完正交顺手读出。

第八章 欧氏空间：度量、正交与最小二乘例9 旋转矩阵与反射矩阵

方法点评：见矩阵「猜身份」的口诀——对角元相等且反对称位置差负号 ⟹ 旋转；正对称位置 ⟹ 反射。行列式是最终裁判。

第八章 欧氏空间：度量、正交与最小二乘例10 欧氏变换的分解：旋转＋平移

方法点评：欧氏变换的逆「转回去、退回来」，顺序相反——这正是复合律 (A₁, t₁)∘(A₂, t₂) 里 A₁t₂ 一项的来源：先做的平移，要先被转走。

第八章 欧氏空间：度量、正交与最小二乘例11 等距同构的判定

方法点评：仿射映射判等距，只看线性部分是否 ∈ O(2)；平移永远无辜。四类等距（图 8-13）可由「det 的符号＋有无不动点」两问定类。

第八章 欧氏空间：度量、正交与最小二乘例12 数据拟合综合题

方法点评：设计矩阵列满秩时 n 点 n 参数可以「精确解」；模型降阶后改走最小二乘。会算两个模型、会比较残差，比会背公式重要得多。

第八章 欧氏空间：度量、正交与最小二乘习题课一 内积与范数

第八章 欧氏空间：度量、正交与最小二乘习题课二 正交性

第八章 欧氏空间：度量、正交与最小二乘习题课三 Gram–Schmidt

第八章 欧氏空间：度量、正交与最小二乘习题课四 正交补与投影

第八章 欧氏空间：度量、正交与最小二乘习题课五 最佳逼近

第八章 欧氏空间：度量、正交与最小二乘习题课六 最小二乘

第八章 欧氏空间：度量、正交与最小二乘习题课七 正交矩阵

第八章 欧氏空间：度量、正交与最小二乘习题课八 欧氏变换

第八章 欧氏空间：度量、正交与最小二乘习题课九 等距同构

第八章 欧氏空间：度量、正交与最小二乘习题课十 综合计算

第八章 欧氏空间：度量、正交与最小二乘习题课十一 证明初步

第八章 欧氏空间：度量、正交与最小二乘复盘：错题归档 E1–E8 与三问

复盘三问：①「最优」从哪里来？——从「无解」来，从度量来。②正交为什么省钱？——坐标＝内积，方程组消失。③det 为什么是标签？——它是保定向性的不变量，旋转与反射的分水岭。

第八章 欧氏空间：度量、正交与最小二乘格物札记① 最小二乘的两副身世：高斯与勒让德的优先权之争

1801 年元旦，天文学家皮亚齐发现谷神星，观测四十天后它隐入日光。它还会回来吗？二十四岁的高斯用新发明的轨道计算法预言了位置，同年 12 月谷神星在预言处现身，高斯一夜成名。他后来说：轨道计算里用的参数估计法，1795 年（十八岁时）他已在用——但没发表。

1805 年，勒让德出版《确定彗星轨道的新方法》，附录里第一次公开发表「最小二乘」这个名字与方法：使误差平方和最小。1806 年起高斯宣布自己早已在用，两人为此冷战多年。优先权之争没有仲裁人，但有一条公道线：勒让德给了方法一个名字与第一次公开；高斯给了它一个概率解释（误差服从正态分布时，最小二乘是最概然估计——「高斯误差曲线」由此冠名）。今天统计学里的「正态分布」与天文学里的「高斯轨道」，各领一份遗产。

格物一言：科学史反复上演同一幕——未发表的洞察不算数。写下来、公开它、给它起名字，是发现的一部分。

第八章 欧氏空间：度量、正交与最小二乘格物札记② 从 ℝⁿ 到 ℓ²：希尔伯特空间的诞生

欧氏几何统治直观世界两千年，可 19 世纪的数学家发现自己要住进无限维：傅里叶想用无穷多个三角函数叠加表示任意函数；施瓦茨在函数空间里做变分；积分方程的未知量干脆是一个函数。向量还是向量，只是坐标有无穷多个——「内积」Σa_ib_i 会不会发散？要不要担心？

答案由两条收束。其一，只收平方可和的数列：ℓ² ＝ {Σa_i² ＜ ∞}，柯西—施瓦茨保证内积收敛；其二，补上完备性：要求柯西列都收敛。1912 年前后，希尔伯特在积分方程工作中系统使用 ℓ²，其学生施密特（正是 Gram–Schmidt 的 Schmidt）把几何语言——正交、投影、勾股——原样搬了进去。里斯与菲舍尔证明了 ℓ² 与 L² 的同构，1907 年。冯·诺伊曼1920 年代将其公理化并命名为 Hilbert space，成为量子力学的舞台：态是向量，测量是投影，可观测量是（第九章预告的）对称算子。

回头看本章：欧氏空间的每条定理——正交分解、最佳逼近、坐标＝内积——都在无限维完好存续。公理化的胜利莫过于此：三维空间里养大的直觉，搬进无限维还能用，只多付一条「完备性」的房租。

格物一言：抽象不是逃离直观，而是给直观发永久签证——让它合法移民到从不曾去过的地方。

第八章 欧氏空间：度量、正交与最小二乘章小结：知识图谱与方法表

第八章 欧氏空间：度量、正交与最小二乘思想卡：最优解也是解

第八章 欧氏空间：度量、正交与最小二乘挑战一：最小二乘拟合竞赛

第八章 欧氏空间：度量、正交与最小二乘挑战二：旋转与反射的复合周期

第八章 欧氏空间：度量、正交与最小二乘实验：用程序实现 Gram–Schmidt 并检验正交性

实验设计三步。第一步，拿例 3 的三个向量跑一遍，对照手算结果 (1, 1, 0)/√2、(1, −1, 2)/√6、(−1, 1, 1)/√3——程序与算术互为证伪。第二步，正交性体检：算矩阵 Q^TQ 与单位阵的最大偏差，好实现应给出 10⁻¹⁵ 量级（浮点的极限就是它）。第三步，故意喂一组近共线的向量（如 (1, 0) 与 (1, 10⁻⁸)），观察偏差变大——再正交化（对每个 v[j] 重复减影子两遍）能把数值稳定性救回来，这是数值线性代数的标准补丁。

观察要点。注意伪代码里用的是 ⟨b_j, q_i⟩ 而不是 ⟨b_j, v_i⟩/‖v_i‖²——两者代数等价（已单位化），但前者减去的是「对最终正交基」的投影，浮点误差更小。讲义版公式是给手算的，程序版是给机器的：同一个定理，两种实现，各有各的战场。

第八章 欧氏空间：度量、正交与最小二乘章测试与评讲

评讲：T1、T2 查定义与身份标签；T3 查投影流程与自检习惯；T4 查正规方程＋残差验证的组合拳；T5 查复合律。五题全对，第八章毕业——下一章，对称开口说话。

第九章 对称变换与二次型：主轴定理9.1 导引：椭圆的方程里，交叉项从哪里来

第六章把「方程问题」升格为「结构问题」，第八章给空间装上了度量。现在把镜头对准一类最熟悉的对象：二次曲线的方程。圆的方程干干净净：x²＋y²＝r²，没有交叉项。可同一只椭圆，斜着一放，方程里就冒出了 xy 项——比如本章的主例：

它是一只规规矩矩的椭圆，却带着「不规矩」的交叉项。交叉项从哪里来？从「斜着看」来：把坐标系旋转 45°，用新坐标 (u, v) 代替 (x, y)，同一只椭圆立刻现出原形——3u²＋7v²＝8，交叉项消失。这一章的全部剧情，就是这场「转正」的代数学：哪些项能被坐标变换抹掉，哪些量怎么变换都抹不掉。

抹平之后还剩下什么？3 和 7 这两个系数——它们不再随坐标旋转而改变，是不变量。找出全部不变量、用不变量给二次型分类，这就是「从方程问题到结构问题」在本章的落地。而完成这场转正的工具，正是上一章的特征值：3 与 7 恰好是矩阵 5−2−25 的两个特征值。主轴定理＝对称矩阵的谱定理＋几何解读，这是全章的题眼。

第九章 对称变换与二次型：主轴定理9.2 双线性函数：吃两个向量、对每个都线性

先把对象立起来。双线性函数是吃两个向量、输出一个数的运算 f(α, β)，并且对两个变量各自都是线性的：固定 β，f 是 α 的线性函数；固定 α，f 又是 β 的线性函数。像天平的两个托盘——先在一头放砝码还是先在另一头放，结果一样。

它在标准基下的长相是一个矩阵。设 α、β 的坐标列是 x、y，令

例：f((x₁, x₂), (y₁, y₂)) ＝ 2x₁y₁ − x₁y₂ ＋ 3x₂y₁ ＋ x₂y₂，则

验算：x^TAy ＝ 2x₁y₁ − x₁y₂ ＋ 3x₂y₁ ＋ x₂y₂ ✓。更妙的是矩阵是唯一的：只要知道 f 在所有 (ε_i, ε_j) 上的值，A 就被完全确定。于是「双线性函数的研究」整体翻译成「矩阵的研究」——这是全书反复出现的把戏：把几何的、结构的问题，翻译成矩阵语言。

（第八章的内积就是这个框架的贵客：⟨α, β⟩ 是一个双线性函数（还是对称、正定的），标准内积的矩阵是单位阵 I。「度量」与「双线性」在此会师。）

第九章 对称变换与二次型：主轴定理9.3 对称：f(α, β) ＝ f(β, α) 的代数画像

双线性函数里最要紧的一类是对称的：交换两个变量，值不变。这条几何性质翻译成矩阵语言干净利落——

证明一眼看穿：f(ε_i, ε_j) ＝ a_ij 而 f(ε_j, ε_i) ＝ a_ji，对称要求 a_ij ＝ a_ji，这正是 A^T ＝ A 的逐条分述。

对称型还随身携带一件礼物：让它两个变量「合体」。令 q(α) ＝ f(α, α)，得到一个二次型；反过来，从 q 也能把 f 完整还原——

这半页的极化恒等式是现代数学的一颗种子：它说「内积」这类双线性信息可以完全编码进「长度」（二次型）里。第八章末尾提到希尔伯特空间由范数诱导内积，其合法性正来自这里。一个对称型 ⟺ 一个二次型 ⟺ 一张对称矩阵，三件套一一对应， 本章后面在这三者之间自由切换。

第九章 对称变换与二次型：主轴定理9.4 二次型：只有对称部分在干活

把三件套里的「二次型」单独拉出来看。它是 n 个变量的齐次二次多项式：每一项要么是平方 x_i²，要么是交叉 2a_ijx_ix_j。矩阵写法 q(x) ＝ x^TAx 展开后：

主例认领户口：5x² − 4xy ＋ 5y² 的矩阵是 5−2−25——平方项上对角线，交叉项系数 −4 拆成对称的两半 −2、−2。

一个值得停一停的细节：若矩阵 A 不对称，x^TAx 照样有定义，但反对称部分完全隐形——因为 x^TBx ＝ 0 对反对称 B 恒成立（标量的转置等于自身：x^TBx ＝ (x^TBx)^T ＝ x^TB^Tx ＝ −x^TBx）。所以

这个「只有对称部分在干活」的事实，正是本章标题里「对称变换」出场的原因：二次型的全部信息都住在对称矩阵里，而对称矩阵的谱结构（上一章预告的谱定理）将把一切说清楚。

第九章 对称变换与二次型：主轴定理9.5 合同变换：换坐标系，矩阵怎么变

现在主角登场：换坐标系。设新基由可逆矩阵 C 给出（列＝新基向量），坐标变换 x ＝ Cy。代入二次型：

新矩阵是 C^TAC。这个变形叫合同（congruent）。它与第七章的「相似」并排放好：

两行各管一摊：管「变换」用相似，管「型」用合同。若 C 恰好是正交矩阵（C^T ＝ C⁻¹），则 C^TAC ＝ C⁻¹AC——正交合同同时是相似，两表在此交汇。这不是巧合：正交变换（旋转、反射）是既保长度又保角度的换坐标方式，它换来的新矩阵既继承特征值、又继承型的几何。主轴定理的全部魔法都压在这条交汇线上。

合同显然保持对称性：(C^TAC)^T ＝ C^TA^TC ＝ C^TAC。保持秩：可逆矩阵左乘右乘不降秩。但迹、行列式、特征值都不是合同不变量——主例的 5−2−25 合同到对角 3007 用的是正交 C，那三个量才侥幸保住；换一般的 C 就变了。那么合同的真正不变量是什么？惯性定理即将揭晓。

第九章 对称变换与二次型：主轴定理9.6 配方法：徒手把二次型拉成标准形

先解决「能不能抹平」：拉格朗日配方法给出构造性证明——任何二次型都可以只靠「配方＋换元」化成标准形（只含平方项）。三种局面各有一招：

局面一：含平方项。例：q ＝ x₁² ＋ 2x₂² ＋ 5x₃² ＋ 2x₁x₂ ＋ 2x₁x₃ ＋ 6x₂x₃。把含 x₁ 的项全部圈住：

局面二：只有交叉项。例：q ＝ 2x₁x₂ ＋ 2x₁x₃ − 6x₂x₃。没有平方项可抓，先造一个：令 x₁ ＝ y₁ ＋ y₂、x₂ ＝ y₁ − y₂，则 2x₁x₂ ＝ 2y₁² − 2y₂²，交叉项裂变成平方项，回到局面一。配方得标准形 2z₁² − 2z₂² ＋ 6z₃²（正惯性 2、负惯性 1、符号差 1）。

局面三：主例直接验算。5x² − 4xy ＋ 5y² ＝ 5(x − ⅖y)² ＋ 21⁄5·y²——正惯性 2，与正交对角化所得 3u² ＋ 7v² 一致（比例系数不同：一般配方不保长度，正交变换才保）。

第九章 对称变换与二次型：主轴定理9.7 惯性定理：能抹掉的是系数，抹不掉的是符号

配方法的答案因人而异：同一主例，配方给 5(x − ⅖y)² ＋ 21⁄5 y²，正交对角化给 3u² ＋ 7v²——系数对不上！那什么才靠得住？

一句话记牢：合同变换能抹掉的是系数的大小，抹不掉的是系数的符号。正的怎么换都是正的，负的怎么换都是负的。这就是合同的「指纹」。

给一个直观的理由（完整证明留作习题课十一）：若 q 在两套标准形里正项个数不同，取 p ＞ p′，则 q 可以写成 p 个正平方与 q 个负平方之和，也可以写成 p′ 个正平方与 q′ 个负平方之和。两套写法同时成立时，在一个精心挑选的 (p′＋q) 维子空间上，第一套写法给出平方和 ≤ 0 的形式，第二套写法却给出平方和 ＞ 0——矛盾。子空间维数的计数把符号「锁死」了。

第九章 对称变换与二次型：主轴定理9.8 正定性：五张通行证，验一张即可

惯性指数最重要的特例是 (p, q) ＝ (n, 0)：正定——除零向量外处处取正值。第八章的内积公理「⟨x, x⟩ ＞ 0」正是它。正定有五张等价的通行证，验出任何一张，其余自动到手：

五条各有用武之地：①是定义、最直接；②连回上一章谱定理；③是本节惯性定理的现成推论；④最好算（下一节专讲）；⑤最有几何味——正定矩阵就是「斜着写的单位阵」：任何正定型都是标准平方和 　y₁² ＋ … ＋ y_n² 经换元 y ＝ C⁻¹x 得来的。

顺手把家族谱系排好：q ＞ 0（非零处）正定｜q ＜ 0 负定｜p、q 都非零 不定（主例的 5x² － 4xy ＋ 5y² 其实正定，p ＝ 2；而 x² − y² 不定，p ＝ q ＝ 1）｜p ＝ n、q ＝ 0 但秩不足半正定。第八章的正交性、投影、最小二乘，全部骑在「正定」这一档上。

第九章 对称变换与二次型：主轴定理9.9 顺序主子式：不用求特征值的判别法

五张通行证里最好算的是④。顺序主子式 Δ_k 是左上角 k×k 子块的行列式，它们像台阶一样一层层验：

证明思路值得看一眼（④ ⟹ ①）：对 n 归纳。Δ₁ ＞ 0 保证 a₁₁ ＞ 0，用 a₁₁ 做主元消去第一行第一列，剩下的 (n−1) 阶块仍对称、且它的顺序主子式恰是 Δ₂, …, Δ_n，由归纳假设块正定，再按配方把 x₁ 的项配成完全平方，整体即正。每一步都是「配方法＋计数」的复用——第九章的方法在给自己搭桥。

两条警戒线必须画：其一，判负定用的是「奇数阶 Δ_k ＜ 0、偶数阶 Δ_k ＞ 0」，不是「全负」；其二（考试高发）：判半正定时，顺序主子式非负是必要而不充分的，必须检查全部主子式。反例：000−1 的 Δ₁ ＝ 0、Δ₂ ＝ 0，按「顺序」看全是非负，但它负定方向赫然在列——副对角外的主子式 a₂₂ ＝ −1 才是真相。矩阵的「体检」要做全套。

第九章 对称变换与二次型：主轴定理9.10 对称变换与谱定理：对称矩阵的正交对角化

前八节在「型」的世界里打转，现在切换到「变换」。设 T 是欧氏空间 V 上的线性变换，若它满足 ⟨Tα, β⟩ ＝ ⟨α, Tβ⟩，称 T 为对称变换。在标准正交基下，对称变换的矩阵恰是实对称矩阵（⟨Tε_j, ε_i⟩ ＝ a_ij ＝ ⟨ε_j, Tε_i⟩ ＝ a_ji）。几何画像：T 对任何一对向量的「一侧作用」等于「另一侧作用」——它是对自己忠实的变换。

证明的两块基石：其一，实对称矩阵的特征多项式在复数域里有根（第六章代数基本定理），但每个根都是实数——对 λ 的特征向量 x（可能复的）算 ⟨Ax, x⟩ 的共轭对称性，虚部自动抵消；其二，不同特征值的特征向量自动正交：λ₁⟨x₁, x₂⟩ ＝ ⟨Ax₁, x₂⟩ ＝ ⟨x₁, Ax₂⟩ ＝ λ₂⟨x₁, x₂⟩，而 λ₁ ≠ λ₂，故 ⟨x₁, x₂⟩ ＝ 0。同一特征值内部的子空间再按第八章施密特正交化处理——正交基齐了。

对比第七章：一般矩阵可对角化是奢望（要 n 个无关特征向量）；对称矩阵可正交对角化是必然。对称这个条件，把「奢望」变成「宪法」。

第九章 对称变换与二次型：主轴定理9.11 主轴定理：把椭圆扶正

一切就绪，把谱定理按回二次型——这一步的几何名字叫主轴定理。设二次型 q(x) ＝ x^TAx（A 对称），取正交矩阵 Q 使 Q^TAQ ＝ diag(λ₁, …, λ_n)，令 x ＝ Qy：

交叉项彻底消失，且这次系数不是任意的配方结果，而是特征值本身——惯性定理的 (p, q) 在这里有了精确到数值的版本。新坐标轴的方向是 Q 的列，即 A 的标准正交特征向量，称为二次型的主轴。

主例验收：5−2−25 的特征值 3、7，特征向量 (1, 1)、(1, −1)（恰已正交，各除以 √2 即标准正交）。取 x ＝ Qy 旋转 45°，5x² − 4xy ＋ 5y² ＝ 3u² ＋ 7v²。图 9-1 的预告全部兑现：椭圆的长轴沿特征值小的方向（3u² ＋ 7v² ＝ 8 中 u 方向系数小、伸得远），主轴不是比喻，是字面意义的「轴」。