企业官网建设流程全解析

二次型这块内容，我一直觉得是线性代数里最容易被低估的知识点。考试的时候看起来就是“化标准形、判断正定”这几板斧，好像只要会配方法和顺序主子式就能对付过去。但只要往后学到多元函数的极值判断、物理里的能量表达式、数据降维里的PCA，甚至经济学里的效用函数分析，你一定会再遇到二次型。那时候如果你只记得“公式怎么套”，没有真正理解它背后的几何意义和矩阵结构，学起来会相当吃力。这篇文章我就把二次型这个主题完整拆开讲一遍，包括定义、化标准形的几种实操方法、惯性定理、正定性判断，以及它在实际场景里到底怎么用，希望能帮你把这部分真正学透。

这篇文章适合正在复习线性代数期末考、考研数学，或者工作中需要用到多元二次函数分析的读者。我会尽量用直白的语言把“为什么这么做”讲清楚，而不只是摆公式。

1. 先从“一个多项式”说起：二次型的本质是什么

1.1 从初中配方法到n元二次齐次函数

先看一个最简单的例子。初中学一元二次函数的时候，我们见过这样的式子：

f(x) = ax² + bx + c

这是一元二次函数，最高次数是2。到了多元微积分里，我们开始接触二元函数：

f(x₁, x₂) = x₁² + 2x₁x₂ + 3x₂²

这也是二次的，但每一项的次数都是2。注意，没有一个项是只含x₁或只含x₂的一次项，也没有常数项。像这种“所有项的次数都正好等于2”的多元多项式，就叫二次齐次函数。人在词源上，“二次型”里的“型”指的就是这种齐次多项式结构。

推广到n个变量的情况，就得到一个一般形式：

f(x₁, x₂, ..., xₙ) = a₁₁x₁² + a₁₂x₁x₂ + ... + aₙₙxₙ²

每一项要么是一个变量的平方，要么是两个不同变量的乘积，所有系数都是实数。这就是我们说的n元二次型。

这个定义看起来平平无奇，但它有一个很容易被忽略的关键点：交叉项。交叉项a₁₂x₁x₂的存在，意味着变量之间不是独立的，它们会“相互影响”。这就像在物理系统中，两个自由度之间存在耦合，二次型就是用来描述这种耦合关系的天然工具。

1.2 为什么非要写成矩阵形式

直接研究这个多项式当然也可以，但效率太低。线性代数的核心思想，就是用矩阵把复杂的线性结构统一起来。二次型也是这么做的。

把上面的n元二次型写成矩阵乘法的形式：

f(x₁, x₂, ..., xₙ) = xᵀAx

其中x = (x₁, x₂, ..., xₙ)ᵀ是列向量，A是一个n×n的对称矩阵。这里的对称性非常重要，因为交叉项xᵢxⱼ和xⱼxᵢ本质上是一回事，所以矩阵A的第i行第j列和第j行第i列的元素必然是相等的。

怎么从多项式写出矩阵A？规则很简单：矩阵对角线上的元素aᵢᵢ就是平方项xᵢ²的系数，而非对角线元素aᵢⱼ（i≠j）等于交叉项xᵢxⱼ系数的一半。为什么是一半？因为展开xᵀAx的时候，aᵢⱼxᵢxⱼ和aⱼᵢxⱼxᵢ这两项会同时出现，合在一起正好是2aᵢⱼxᵢxⱼ，要还原出原始系数，就得在矩阵里先存一半。

举个例子：

f(x₁, x₂, x₃) = x₁² + 2x₁x₂ + 2x₂² + 4x₂x₃ + 5x₃²

这个多项式对应的对称矩阵是：

A = [[1, 1, 0], [1, 2, 2], [0, 2, 5]]

你看，x₁²的系数1直接放在第1行第1列；x₂²的系数2放在第2行第2列；x₃²的系数5放在第3行第3列。交叉项2x₁x₂的系数是2，取一半得1，放在(1,2)和(2,1)位置；交叉项4x₂x₃的系数是4，取一半得2，放在(2,3)和(3,2)位置。没有的交叉项，对应的对称位置就是0。

这一步是整个二次型学习的基石。因为后续所有操作——化标准形、判断正定、求惯性指数——全都是在这个矩阵A上做的。如果你写矩阵这一步就错了，后面全部白算。

1.3 矩阵A的三条基本性质

关于二次型对应的矩阵A，有三条性质是必须刻在脑子里的：

• 对称性：Aᵀ = A。这是定义所要求的，也是后续所有定理成立的前提。
• 唯一性：给定一个二次型，对应的对称矩阵是唯一的。也就是说，二次型和对称矩阵之间是一一对应的关系。
• 可逆线性变换下，矩阵发生合同变换。这一点是下一节理解化标准形的关键。

这里特别说明一下合同变换。两个n阶方阵A和B，如果存在一个可逆矩阵C，使得B = CᵀAC，就称A与B合同。合同关系和相似关系是两回事，相似是存在可逆矩阵P，P⁻¹AP = B，强调的是特征值不变；合同强调的是二次型在可逆线性变换下“同一件事物的不同坐标表达”。这一点很多同学会混淆，后面讲到惯性定理的时候还会再提到。

2. 化标准形：把“纠缠”的变量拆开

2.1 为什么要化标准形

二次型的一般形式里，交叉项是“变量之间的纠缠”。x₁x₂这个项的存在，意味着你在看x₁的变化时，还要同时考虑x₂，这给研究带来了很大的麻烦。

设想一个场景：你在评估一个投资组合的风险，组合里有两只股票，收益分别是x₁和x₂，组合的风险表达式里有一个交叉项ρx₁x₂，ρ是相关系数。这个交叉项让你很难独立判断每只股票对整体风险的贡献。如果能把二次型化成只含平方项的形式，也就是：

f = d₁y₁² + d₂y₂² + ... + dₙyₙ²

那每个变量就独立了，所有分析都变得清晰简单。这个过程就叫“化标准形”。

几何上看，化标准形相当于对坐标系做了一个旋转和缩放（也就是可逆线性变换），让二次曲面的主轴和新的坐标轴对齐。比如一个椭圆，在原来的坐标系里可能是倾斜的，方程里带交叉项xy；换了坐标轴之后，椭圆的长轴和短轴就正好落在新坐标轴上，方程里就只剩下x²和y²了。

2.2 核心方法一：配方法（拉格朗日配方法）

化标准形最基础、最不需要动脑子的方法是配方法，所以也最适合考试拿分。核心思路就是从二次型里凑出完全平方项，把交叉项一个一个消掉。

直接看例子，还是用刚才那个二次型：

f = x₁² + 2x₁x₂ + 2x₂² + 4x₂x₃ + 5x₃²

第一步，找第一个变量的项。凡包含x₁的项是x₁² + 2x₁x₂。把x₂当成常数，对x₁配方：

x₁² + 2x₁x₂ = (x₁ + x₂)² - x₂²

所以原式变成：

f = (x₁ + x₂)² - x₂² + 2x₂² + 4x₂x₃ + 5x₃² = (x₁ + x₂)² + x₂² + 4x₂x₃ + 5x₃²

第二步，现在处理剩下的x₂和x₃之间的项。x₂² + 4x₂x₃，继续配方：

x₂² + 4x₂x₃ = (x₂ + 2x₃)² - 4x₃²

代回去：

f = (x₁ + x₂)² + (x₂ + 2x₃)² + x₃²

这就化成了标准形。如果我们令：

y₁ = x₁ + x₂ y₂ = x₂ + 2x₃ y₃ = x₃

那么f = y₁² + y₂² + y₃²。这里的y₁、y₂、y₃就是新的变量，它们和原来的x₁、x₂、x₃之间是一个可逆线性变换。具体写出来就是：

y₁ = x₁ + x₂ y₂ = x₂ + 2x₃ y₃ = x₃

写成矩阵形式y = Px，其中：

P = [[1, 1, 0], [0, 1, 2], [0, 0, 1]]

这个矩阵的行列式是1，不等于0，所以是可逆的，说明这个变换是合法的。

配方法的操作步骤整理如下：

• 如果某个xᵢ²的系数不为零，就把含xᵢ的所有项集中起来配方；
• 用新变量yᵢ代替配方得到的完全平方项里面那个“整体”；
• 对剩下的变量重复这个过程；
• 如果所有平方项系数都为零，但存在交叉项aᵢⱼxᵢxⱼ，就先做一次线性变换xᵢ = uᵢ + uⱼ, xⱼ = uᵢ - uⱼ，强行制造出平方项，再继续配方。

这个方法的好处是过程直观，不容易出错。坏处是当变量多的时候，写起来比较长，而且算出来的变换矩阵需要自己额外整理。

2.3 核心方法二：初等变换法（合同变换法）

如果不想一遍一遍配方，尤其变量数比较多的时候，用初等变换法在矩阵层面一步到位，会更高效。

原理是这样的：对对称矩阵A实施一系列“成对”的初等变换——每对变换包括一次行变换和一次同类型的列变换——等价于在A左右两边同时乘以一个初等矩阵E的转置和E本身，也就是做合同变换。当A被化成了对角矩阵Λ时，这些列变换的乘积矩阵C就满足CᵀAC = Λ，C的每一列就是新坐标基下的变换向量。

实操时有一个加速技巧：把A和单位矩阵I并排放在一起，拼成一个n×2n的矩阵(A | I)。然后对左边这个A做行变换和列变换，注意每次对A做了什么行变换，也要对右侧I做同样的行变换；而对A做列变换时，右侧I不用动。目标是把A化简为对角矩阵，整个过程结束后，右侧I留下的就是变换矩阵C。

用同一个例子说明。拼起来：

(A | I) = [[1, 1, 0, 1, 0, 0], [1, 2, 2, 0, 1, 0], [0, 2, 5, 0, 0, 1]]

第一对操作：把第2行减去第1行，再把第2列减去第1列。行变换作用在左右两块上，列变换只作用在左块上。

左块变成：

[[1, 0, 0], [0, 1, 2], [0, 2, 5]]

右块变成：

[[1, 0, 0], [-1, 1, 0], [0, 0, 1]]

第二对操作：把第3行减去2倍的第2行，再把第3列减去2倍的第2列。左块变成：

[[1, 0, 0], [0, 1, 0], [0, 0, 1]]

此时A已经变成了单位矩阵I。右侧对应的矩阵就是变换矩阵C：

C = [[1, 0, 0], [-1, 1, 0], [0, -2, 1]]

验证一下，用CᵀAC计算，得到的确实是对角阵diag(1, 1, 1)。

两种方法殊途同归。配方法适合手算和考试，因为计算量小、不容易出错；初等变换法适合需要同时求出变换矩阵的场景，再比如编程实现的时候，只需要对矩阵做遍历操作，不需要人去“凝视”多项式。实际操作中，我个人的习惯是：三阶以下用配方，三阶以上用初等变换法，或者干脆用矩阵的合同对角化程序处理。

2.4 化标准形的常见误区

• 只做行变换不做列变换。这是最容易犯的错误。合同变换必须行列成对做，只做单边变换得到的是相似变换的结果，适用于求特征值，不适用于二次型化标准形。
• 列变换作用到了右侧矩阵。记住，右侧只跟行变换走，列变换不要碰右侧矩阵。
• 配方之后忘记整理变换矩阵。很多教材的答案直接给出标准化结果，但作业考试里往往要求写出所用的可逆线性变换，这个变换矩阵就是配方时定义的新变量和旧变量之间的关系，一定要顺手整理出来。
• 配方法遇到“缺平方项”的题目直接放弃。比如f = 2x₁x₂这样的二次型，没有x₁²也没有x₂²，这时先做变换x₁ = y₁ + y₂，x₂ = y₁ - y₂，就能得到y₁² - y₂²，然后再继续操作。

3. 惯性定理：标准形不唯一，但“正负个数”唯一

3.1 标准形真的不唯一

很多同学学到化标准形的时候会有一个疑问：为什么同一道题，我用配方法得到的是y₁² + y₂² + y₃²，隔壁同学用另一种方法得到的是2z₁² + 3z₂² + 6z₃²？书上说都对，这合理吗？

合理。因为可逆线性变换有无数种，每一种都会把二次型变成一个新的标准形。就像同一个椭圆，你可以用(x轴为长轴)的方程描述，也可以用(按任意角度旋转后的坐标系)的方程描述，方程的形式必然随着坐标系改变。

但是，不管标准形里的系数具体是几，有几项正的、有几项负的，这个“正负号的个数”是不变的。这就是惯性定理的核心内容。

3.2 惯性定理的准确表述

设实二次型f(x₁, ..., xₙ) = xᵀAx经过任意可逆线性变换化为标准形：

f = d₁y₁² + d₂y₂² + ... + dₙyₙ²

其中d₁, ..., dₙ都不为零（如果某些系数为0，对应项消失）。那么标准形中正系数的个数p和负系数的个数q是唯一确定的，不随变换的改变而改变。

这里的p称为正惯性指数，q称为负惯性指数，p - q称为符号差，p + q = r就是矩阵A的秩。这三个数p、q、p-q，彼此互相决定，知道其中两个就能推出第三个。

用刚才的例子：无论怎么变换，diag(1, 1, 1)是三个正号，所以p=3，q=0，符号差p-q=3。另一个同学得到的diag(2, 3, 6)也是三个正号，p=3，q=0。这就是为什么两个结果都是对的。

但如果你化到某个标准形是y₁² - y₂² + y₃²，p=2，q=1，那就说明原二次型的惯性指数是(2, 1)，不可能再通过可逆线性变换变成三个全正的平方和——除非允许复数变换，但实二次型里我们不讨论这种情况。

3.3 规范形：把标准形“归一化”

既然标准形不唯一，那为了统一表达，能不能规定一种最“标准”的形式？可以的。只要在标准形的基础上，每个非零平方项再做一次伸缩变换，把系数化成±1就行。

比如两个标准形y₁² + y₂² + y₃²和2z₁² + 3z₂² + 6z₃²，分别令u₁ = y₁, u₂ = y₂, u₃ = y₃和u₁ = √2z₁, u₂ = √3z₂, u₃ = √6z₃，就都变成了：

u₁² + u₂² + u₃²

这就是规范形。一般地，任意实二次型都可以化为：

z₁² + ... + z_p² - z_{p+1}² - ... - z_{p+q}²

这种形式，其中正项个数p就是正惯性指数，负项个数q就是负惯性指数。

我见过不少同学背了一堆惯性定理的结论，却不知道规范形和标准形的区别。简单说：标准形系数可以是任意非零实数；规范形系数只能是±1和0。规范形是标准形的“唯一代表”，同一个二次型的所有标准形，对应同一个规范形。

3.4 惯性定理的几何直觉

为什么要理解这个？因为惯性定理告诉我们一个“不变量”——无论你怎么换坐标系，一个二次曲面的“形状类型”不会变。

举例来说，三维空间里的二次曲面，x² + y² + z² = 1代表椭球面，x² + y² - z² = 1代表单叶双曲面，x² - y² - z² = 1代表双叶双曲面。椭球面无论你怎么旋转坐标系，都不可能变成一个双曲面。这正对应着惯性指数里的正负号个数不同。椭球面的p=3，q=0；单叶双曲面p=2，q=1；双叶双曲面p=1，q=2。它们属于本质不同的类型。

所以惯性定理在几何分类、相对论时空结构、优化理论等地方都有应用。它强调的核心是：二次型在可逆线性变换下保持不变的本质属性，不是具体的系数，而是正负惯性指数。

4. 正定二次型：最特殊也最常用的一类

4.1 正定与半正定的定义

在所有的二次型里，正定二次型是性质最好的一类，也是考试和实际应用里考得最多的一类。

定义：如果对任意不全为零的实向量x，都有：

f(x) = xᵀAx > 0

就称二次型f是正定的，对应矩阵A称为正定矩阵。如果f(x) ≥ 0，且存在非零向量使f(x) = 0，称半正定。

类比一下：正定矩阵就像一个“永远取正值的能量函数”。在物理系统里，如果一个系统的势能可以写成xᵀAx且A正定，说明这个系统在平衡位置附近是稳定的，任何偏离平衡的位移都会让势能增加。这在判断力学系统稳定性、控制系统收敛性时是核心依据。

4.2 判断正定的五个等价条件

这是二次型里最需要背熟的一组结论。以下五个条件均为n阶实对称矩阵A正定的充要条件：

• 正惯性指数p = n，即所有特征值都大于0；
• 存在可逆矩阵C，使A = CᵀC（即A与单位矩阵合同）；
• A的所有特征值都为正；
• A的所有顺序主子式都为正；
• A的所有主子式都为正。

第一条和第二条是定义层面的条件，考试常用来证明一些抽象命题；第三条特征值法是理论上最干净的方法，但要算特征值的话计算成本偏高，小规模题目还行；第四条顺序主子式法是手算判断正定最常用的方法，因为它只需要算几个行列式，不用求特征值。

4.3 顺序主子式法实操

什么叫顺序主子式？矩阵A的k阶顺序主子式就是取前k行、前k列组成的子矩阵的行列式。正定的充要条件是所有顺序主子式都大于0。

举一个三阶例子。判断：

A = [[2, -1, 0], [-1, 2, -1], [0, -1, 2]]

一阶顺序主子式：D₁ = 2 > 0。

二阶顺序主子式：D₂ = |2, -1; -1, 2| = 4 - 1 = 3 > 0。

三阶顺序主子式：D₃ = |2, -1, 0; -1, 2, -1; 0, -1, 2|。计算得到D₃ = 4 > 0。

三个顺序主子式全部大于0，所以A是正定矩阵。这个矩阵是差分方程中常见的三对角矩阵，在数值分析里经常出现，它的正定性保证了离散拉普拉斯算子在数值求解中的稳定性。

4.4 负定、半正定的判断方法

负定矩阵的判断，不用单独另背一套，只需要对-A使用正定的判定法则：-A正定当且仅当A负定。

具体的判别法是：A负定的充要条件是A的奇数阶顺序主子式小于0，偶数阶顺序主子式大于0。也就是符号正负交替，且第一个是负的。

半正定则要求所有主子式非负，并且矩阵至少有一个特征值为0。注意，这里说的是“主子式”而不是“顺序主子式”。区别在于：主子式可以是任意选取若干行列组成的子矩阵的行列式，不要求是前k行k列。这一点非常容易出错，很多教材上的课后习题就是专门挖这个坑的。

举一个经典反例说明为什么不能只用顺序主子式判断半正定。考虑矩阵：

B = [[0, 0], [0, -1]]

它的顺序主子式D₁ = 0, D₂ = 0，都非负。但B显然不是半正定矩阵，因为取x = (0, 1)ᵀ时，xᵀBx = -1 < 0。所以判断半正定必须检查所有主子式，而不只是顺序主子式。

4.5 正定判断的常见错误

• 只检查对角线元素是否全为正。对角线为正只是必要条件，远不是充分条件。反例：[[1, 2], [2, 1]]对角线都是正的，但特征值是3和-1，不定矩阵。
• 用顺序主子式判断半正定。如上所述，半正定必须查全部主子式。
• 把“所有特征值非负”和“所有顺序主子式非负”混为一谈。对半正定矩阵，顺序主子式非负是必要条件，但不是充分条件。
• 忽略对称性前提。如果给的矩阵不是对称矩阵，请先检查对称部分。因为xᵀAx本质上是xᵀ((A+Aᵀ)/2)x，二次型只跟实对称部分有关。

5. 一次讲透：二次型的实际应用场景

5.1 多元函数极值判断

这是二次型最直接、最“功利”的应用，也是高等数学和线性代数交汇的地方。判断一个多元函数在临界点是极大还是极小，需要用到二阶偏导数矩阵（Hessian矩阵）。这个矩阵就是二次型在泰勒展开中的二次项系数矩阵。

设f(x₁, ..., xₙ)在点x₀处梯度为零，H是Hessian矩阵（所有二阶偏导组成的对称矩阵）。判断如下：

• 如果H正定，则该点是严格局部极小值点；
• 如果H负定，则该点是严格局部极大值点；
• 如果H不定（既有正特征值又有负特征值），则该点是鞍点；
• 如果H半正定或半负定，需要进一步考察更高阶项，不能直接下结论。

这里二次型的正定性工具就派上用场了。用顺序主子式判断H的正定性，比去算n个特征值要快得多。二元函数的情形你们在高等数学里学过：f_xx > 0且f_xx·f_yy - f_xy² > 0时取极小值。这其实就是二阶Hessian矩阵正定的两个顺序主子式条件。

5.2 二次曲线与二次曲面的分类

在解析几何里，一个一般的二元二次方程：

ax² + 2bxy + cy² + dx + ey + f = 0

前面这个二次齐次部分ax² + 2bxy + cy²就是一个二次型。通过旋转坐标系把交叉项消掉，方程就变成了标准形式，然后一眼就能看出它到底是椭圆、双曲线还是抛物线。

由于惯性定理保证了旋转前后正负惯性指数不变，所以分类结果是唯一确定的。比如：

• 椭圆型：p = 2，q = 0，二次项部分恒正或恒负；
• 双曲型：p = 1，q = 1，二次项部分可正可负；
• 抛物型：p + q < 2，即二次型秩小于变量数，说明退化。

这个分类正是偏微分方程里椭圆型、双曲型、抛物型方程分类的基础。你后面学数学物理方程的时候，判断一个二阶偏微分方程属于哪一类，本质上就是在看其最高阶项的系数矩阵的特征值符号。二次型的基础在这里直接延续下来了。

5.3 工程与数据领域里的二次型

再往远一点说，二次型在工程和数据领域出现的频率超乎想象。

结构力学里的应变能、动能表达式，本质上都是速度向量或位移向量的二次型；判断结构是否稳定，就看相应的能量矩阵是否正定。振动分析里的质量矩阵和刚度矩阵，通常都是对称正定矩阵，特征值分解直接给出固有频率和振型。

信号处理里，协方差矩阵是一个典型的半正定矩阵。PCA主成分分析的事情，就是找一组正交变换，让数据在某个方向上的投影方差最大化，这等价于把协方差矩阵这个二次型对角化。你在机器学习里看到的“马氏距离”表达式(x-μ)ᵀΣ⁻¹(x-μ)，也是一个二次型，用来衡量样本到分布中心的距离，同时考虑各维度的方差和相关性。

经济学里，效用函数在均衡点的二阶近似就是Hessian矩阵二次型，判断消费者最优解是否稳定，同样要检查这个二次型是否正定。

这些例子说明一个观点：二次型不是线性代数书末章一个孤立的、只为了出题而存在的知识点，它是连接线性代数和实际世界的一个关键枢纽。

6. 常见问题速查与学习避坑指南

6.1 几个高频易错点对照

6.2 我做题和教学里踩过的坑

第一坑：配方时把新变量定义错。很多同学配方写出了f = (x₁+x₂)² + ...这样的形式，却直接说y₁ = x₁，y₂ = x₂。记住，新变量是“完全平方里那个整体”，不是原来的单个变量。写成标准形后，务必把“标准形是什么”和“用了什么变换”两件事分开列出，缺一不可。

第二坑：初等变换法做完之后，搞不清C到底取在左边还是右边。记住口诀：对(A|I)做“行变换同步右侧”操作，当左边A化为对角阵D时，右侧矩阵就是满足CᵀAC = D的C。但如果题目要求的是“可逆线性变换x = Cy”，那么变换矩阵是C，而中间那个向量关系写的是y = C⁻¹x，两者不要弄混。

第三坑：学完正定性，做题的时候遇到参数讨论就慌。比如已知二次型f = x₁² + 4x₂² + 2a x₁x₂ + 4x₃²，问参数a取何值时二次型正定。这种题其实就是套顺序主子式的条件，写出D₁ = 1、D₂ = 4 - a²、D₃ = 4(4 - a²)，要求全部大于0，得到|a| < 2。多练几道这种参数题，比背十条定理更有效。

6.3 复习建议：如何高效掌握二次型

• 先写对矩阵。拿到一个二次型，无论题目问什么，先把它对应的对称矩阵写出来。这一步错了，后面全错。
• 三种方法至少各做一道完整题：配方法、初等变换法、特征值法（利用正交变换化标准形）。有的教材把正交变换化标准形放在实对称矩阵对角化那一节，本质上就是施密特正交化之后得到的标准形系数是特征值，这只是一个特殊情形。但“正交变换”这个东西有一个额外性质——保持向量长度和夹角不变，所以它是唯一一种“几何上不扭曲”的化标准形方式，在几何应用里更重要。
• 主动画一画二次型的等值线。哪怕是亲手画一个x₁² + 2x₂² = 1的椭圆，再对比x₁² - 2x₂² = 1的双曲线，你对正定、不定的感受就会完全不同。线性代数太抽象的话，图形会给你一个“锚定”的直觉。
• 做一遍从二次型到规范形的完整链：先化标准形，再标准化为规范形，写出正惯性指数和负惯性指数。这一条链走顺了，考试里关于二次型的大部分小题就都能拿分了。

结尾

这篇文章从二次型的定义讲到矩阵表示，再讲到化标准形、惯性定理、正定判断，最后落到实际应用，基本上把“线性代数(10): 二次型”这个主题覆盖完整了。如果你正在准备考试，我建议你把配方法和顺序主子式法练到条件反射的程度——它们是最稳定的得分点；如果你是想理解背后的数学结构，那不妨多想想惯性定理和合同变换之间的内在联系。我个人在教这门课和做工程分析时的体会是，二次型真正的力量不在于那一堆计算技巧，而在于它提供了一个“把二次结构当作矩阵来研究”的思维范式。这个范式你一旦掌握了，后面去学优化理论、控制系统、数据降维，会发现到处都是它的影子。所以花点时间把这个主题吃透，绝对是值得的。