完整学习资料 · 连续阅读

线性代数

这份资料不把矩阵、行列式、空间、特征值和二次型看成七组孤立题型：先用矩阵把线性问题写下来，再用行列式、秩与空间结构判断信息是否丢失，继而研究线性变换如何改变方向、长度与坐标，最后回到二次型和线性变换的统一语言。

第一次阅读按章节跟随同一条主线，先辨认对象、空间和条件；第二次再用书签回到计算步骤、判定条件和易错符号。几何图像用于解释代数结构，不能替代题目中的维数、秩与约束检查。

7 个学习站点 · 54 个知识单元 · 阅读位置自动保存到本设备

贯穿整份资料的核心问题

面对一个线性问题，我们怎样从“如何表示和求解”逐步走到“它在什么空间中、哪些方向最重要、这种变换真正做了什么”？

从矩阵操作到线性变换：一条贯通七章的线性代数路线。下面每一站都不是独立考点清单，而是替这个问题补上一段必要的解释。

第 1 站
第一章矩阵及其初等变换
本章包含 1.1 矩阵及其运算、1.2 高斯消元法与矩阵的初等变换、1.3 逆矩阵、1.4 分块矩阵，先建立矩阵语言，再学习用初等变换解决方程组、求逆和处理分块结构。
矩阵概念与特殊矩阵矩阵线性运算矩阵乘法方阵的幂与多项式矩阵转置与对称矩阵线性方程组的矩阵形式高斯消元与阶梯形矩阵方程组解的判定矩阵初等变换与等价初等矩阵逆矩阵的概念与性质可逆矩阵的等价判定用行初等变换求逆矩阵分块矩阵及其运算分块对角矩阵的逆
第 2 站
第二章行列式
本章包含 n 阶行列式的定义、行列式性质与计算、拉普拉斯定理、克拉默法则和矩阵的秩，承接第一章的逆矩阵、线性方程组和初等变换，为后续向量空间与特征值内容打基础。
n阶行列式的定义行列式的性质与计算代数余子式与按行列展开拉普拉斯定理克拉默法则伴随矩阵的定义与核心性质矩阵秩的概念与计算行列式乘法性与可逆性矩阵乘积的秩与秩不等式
第 3 站
第三章几何空间
本章从空间直角坐标系和向量出发，学习向量的内积、外积与混合积，再用向量语言描述平面、空间直线及其位置关系。
空间坐标与向量表示向量的内积、外积与混合积平面方程与位置关系空间直线方程与位置关系向量夹角与正交投影点到平面的距离与垂足
第 4 站
第四章 n 维向量空间
本章把前面的矩阵与方程组推广到 n 维：理解向量空间、线性相关、向量组的秩和极大无关组，并掌握线性方程组解的结构。
n 维向量空间与子空间线性组合、线性相关与线性无关向量组的秩与极大无关组齐次与非齐次方程组解的结构齐次方程组的基础解系非齐次方程组的相容性与解集
第 5 站
第五章特征值与特征向量
本章学习特征值与特征向量的计算、矩阵的相似与可对角化、n 维向量的内积和正交性，以及实对称矩阵的正交对角化。
特征值与特征向量相似矩阵与可对角化内积、范数与正交性实对称矩阵的正交对角化特征多项式、迹与行列式施密特正交化与标准正交组
第 6 站
第六章二次型与二次曲面
本章把矩阵、特征值和空间几何联系起来：理解实二次型及其标准形、正定性，并能识别常见二次曲面和空间曲线。
实二次型与标准形正定二次型曲面与空间曲线的表示常见二次曲面的识别正定性的顺序主子式判别二次曲面的截面法
第 7 站
第七章线性空间与线性变换
本章进一步抽象线性代数的共同结构，学习线性空间、基与坐标、欧氏空间，以及线性变换、核与像的基本语言。
线性空间与子空间基、维数与坐标欧氏空间的内积与正交线性变换、核与像线性变换的矩阵表示秩—零度定理

阅读足迹

会自动记住阅读进度；需要回看的地方，再用自己的话留一个标签。

第 1 站

第一章矩阵及其初等变换

本章包含 1.1 矩阵及其运算、1.2 高斯消元法与矩阵的初等变换、1.3 逆矩阵、1.4 分块矩阵，先建立矩阵语言，再学习用初等变换解决方程组、求逆和处理分块结构。

本章要回答：怎样把一组线性关系写成矩阵，并通过不改变解集本质的操作把问题化简？

当矩阵能否逆、方程是否唯一可解成为问题时，下一章会用一个标量——行列式——记录这种可逆性与体积缩放。

01 · 1.1 矩阵及其运算

矩阵概念与特殊矩阵

矩阵是按行列排列的数表，也是描述线性方程组和实际关系的基础工具。

本节先从线性方程组、航班关系等例子引入矩阵，强调矩阵的行数、列数、元素位置和同型矩阵。常见特殊矩阵包括零矩阵、方阵、单位矩阵、对角矩阵、上三角矩阵和下三角矩阵。

读到这里，应该能做到：能读出一个矩阵的阶数和元素位置，并能区分一般对角矩阵与单位矩阵。

公式与边界

A = (a_{ij})_{m \times n}

单位矩阵 I 的主对角元为 1, 其余元为 0

使用前先确认

1.两个矩阵相等，必须先同型，再要求每个对应位置的元素相等。
2.单位矩阵一定是方阵；它的主对角元全为 1，其余元素全为 0。
3.元素 $a_{ij}$ 的下标顺序固定：先看第 $i$ 行，再看第 $j$ 列。

02 · 1.1 矩阵及其运算

矩阵线性运算

矩阵加减法和数乘都按对应元素进行，但加减法必须要求矩阵同型。

矩阵线性运算包括矩阵相等、加法、负矩阵、减法和数乘。加法和减法只对同型矩阵有意义，数乘则是把每个元素同时乘以同一个数。

读到这里，应该能做到：能先判断两个矩阵能否相加或相减，再逐个位置完成加减和数乘。

公式与边界

A + B = (a_{ij} + b_{ij})

k A = (k a_{ij})

A + (- A) = O

使用前先确认

1. $A + B$ 与 $A - B$ 有意义的前提是 $A, B$ 同型；只要行数或列数有一项不同，就不能直接运算。
2.数乘 $k A$ 不改变矩阵的阶数，系数 $k$ 要乘到 $A$ 的每一个元素。
3.负矩阵 $- A$ 是把 $A$ 的每个元素变成相反数，而不是改变行列位置。

03 · 1.1 矩阵及其运算

矩阵乘法

矩阵乘法要求左矩阵列数等于右矩阵行数，结果元素来自行与列的对应乘积求和。

矩阵乘法可用于表达产量利润、线性方程组等问题。若 A 为 m×t 矩阵，B 为 t×n 矩阵，则 AB 为 m×n 矩阵，其中第 i 行第 j 列元素由 A 的第 i 行与 B 的第 j 列对应相乘再求和得到。

读到这里，应该能做到：能用“左列等于右行”判断乘法是否有意义，并按“左行乘右列”计算一个结果元素。

公式与边界

c_{ij} = a_{i} 1 b_{1} j + a_{i} 2 b_{2} j + ... + a_{i t} b_{t j}

(A B) C = A (B C)

(A B)^{T} = B^{T} A^{T}

使用前先确认

1.若 $A$ 是 $m \times t$ 矩阵、 $B$ 是 $t \times n$ 矩阵， $A B$ 才有意义，结果是 $m \times n$ 矩阵。
2.一个结果元素 $c_{ij}$ 只由 $A$ 的第 $i$ 行与 $B$ 的第 $j$ 列相乘求和得到。
3.即使 $A B$ 和 $B A$ 都有意义，它们通常也不相等；计算前不要交换顺序。

04 · 1.1 矩阵及其运算

方阵的幂与多项式

只有方阵才能自然定义幂，方阵多项式就是把数的多项式中的变量替换成方阵。

方阵的幂由连续矩阵乘法定义，方阵多项式由方阵幂、数量矩阵和矩阵加法组合而成。由于方阵和单位矩阵可交换，许多普通多项式恒等式在同一个方阵上仍可使用。

读到这里，应该能做到：能判断何时可以写矩阵的幂，并在矩阵多项式中正确处理常数项 $a_{0} I$ 。

公式与边界

A^{k + 1} = A^{k} A

f (A) = a_{m} A^{m} + ... + a_{1} A + a_{0} I

使用前先确认

1. $A^{2}, A^{3}, \dots$ 只对方阵 $A$ 定义，因为连续相乘要求每一步的行列数都能对上。
2.矩阵多项式的常数项不是普通数字，而是 $a_{0} I$ ，这样它才能和其他矩阵项相加。
3.只涉及同一个方阵 $A$ 的幂时可沿用普通多项式的整理；涉及不同矩阵时，不能随意交换顺序。

05 · 1.1 矩阵及其运算

矩阵转置与对称矩阵

转置会交换矩阵的行和列，并让乘积顺序反过来。

矩阵转置把 A 的第 i 行第 j 列元素变为 A^T 的第 j 行第 i 列元素。转置满足和、数乘、乘积等运算法则。方阵若满足 A^T=A，则为对称矩阵；若满足 A^T=-A，则为反对称矩阵。

公式与边界

(A^{T})^{T} = A

(A + B)^{T} = A^{T} + B^{T}

(A B)^{T} = B^{T} A^{T}

A^{T} = A 为对称矩阵

06 · 1.2 高斯消元法与矩阵的初等变换

线性方程组的矩阵形式

线性方程组可以写成 AX=b，齐次方程组则写成 AX=0。

矩阵形式把方程组中的系数、未知量和常数项分开表示。A 是系数矩阵，X 是未知量列向量，b 是常数列向量；当 b=0 时为齐次线性方程组。

公式与边界

A X = b

A X = 0

07 · 1.2 高斯消元法与矩阵的初等变换

高斯消元与阶梯形矩阵

高斯消元就是对增广矩阵作行初等变换，把方程组化成更容易回代和判断的阶梯形。

行初等变换包括交换两行、某行乘以非零数、某行加上另一行的倍数。高斯消元通过这些同解变换把增广矩阵化为行阶梯形或简化行阶梯形，用来判断无解、唯一解或无穷多解。

公式与边界

非零行首元逐行右移

零行位于非零行下方

08 · 1.2 高斯消元法与矩阵的初等变换

方程组解的判定

阶梯形中的非零行数和未知量个数决定方程组解的情况。

非齐次方程组可通过增广矩阵的阶梯形判断是否出现矛盾行；有解时，若主元个数小于未知量个数，则有自由变量和无穷多解。齐次方程组总有零解，当方程个数少于未知量个数时必有非零解。

公式与边界

齐次方程组 A X = 0 总有零解

m < n 的齐次方程组必有非零解

09 · 1.2 高斯消元法与矩阵的初等变换

矩阵初等变换与等价

有限次初等变换可以把一个矩阵变成与它等价的矩阵。

矩阵的行或列初等变换包括交换、非零倍乘和倍加。若矩阵 B 可由 A 经有限次初等变换得到，则称 A 与 B 等价。矩阵等价具有自反性、对称性和传递性。

公式与边界

A 与 B 等价记为 A B

10 · 1.2 高斯消元法与矩阵的初等变换

初等矩阵

对单位矩阵作一次初等变换得到的矩阵叫初等矩阵。

初等矩阵对应三类初等变换。对矩阵 A 作一次行初等变换，等价于在 A 左边乘相应的初等矩阵；作一次列初等变换，等价于在 A 右边乘相应的初等矩阵。

公式与边界

左乘行, 右乘列

11 · 1.3 逆矩阵

逆矩阵的概念与性质

方阵 A 若存在 B 使 AB=BA=I，则 A 可逆，B 是 A 的逆矩阵。

逆矩阵只讨论方阵。可逆矩阵的逆矩阵唯一，常见性质包括乘积的逆、数乘的逆和转置的逆。可逆矩阵与初等变换、初等矩阵有紧密联系。

公式与边界

A A^{- 1} = A^{- 1} A = I

(A B)^{- 1} = B^{- 1} A^{- 1}

(A^{T})^{- 1} = (A^{- 1})^{T}

12 · 1.3 逆矩阵

可逆矩阵的等价判定

方阵可逆等价于它能通过有限次行初等变换化为单位矩阵。

教材将可逆性与初等变换联系起来：A 可逆、A 等价于单位矩阵、A 可表示为有限个初等矩阵的乘积等命题彼此等价。这为用行初等变换求逆矩阵提供依据。

公式与边界

A 可逆 \Leftrightarrow A 可经行初等变换化为 I

13 · 1.3 逆矩阵

用行初等变换求逆矩阵

把 (A, I) 作行初等变换化为 (I, A^-1)，即可得到 A 的逆矩阵。

求逆矩阵的简便方法是把 A 与单位矩阵并排成分块矩阵，对整个增广矩阵同步作行初等变换。当左边化为单位矩阵时，右边就是 A 的逆矩阵。

公式与边界

(A, I) - > (I, A^{- 1})

14 · 1.4 分块矩阵

分块矩阵及其运算

分块矩阵把大矩阵按行列切成小块，再像普通矩阵一样按块进行运算。

分块矩阵适合处理结构明显的大矩阵。加法和数乘要求分块方式相同；乘法要求块之间的尺寸匹配；转置时不仅要转置每个子块，还要交换块的位置。

公式与边界

(A B)_{ij} = \sum A_{ik} B_{k j}

(A_{ij})^{T} = (A_{j i}^{T})

15 · 1.4 分块矩阵

分块对角矩阵的逆

分块对角矩阵可逆时，它的逆也是分块对角形式，每个对角块分别取逆。

当分块对角矩阵的每个对角块都可逆时，整体矩阵可逆，其逆矩阵由各对角块逆矩阵组成。这类结构常用于快速计算大矩阵的逆。

公式与边界

d ia g (A_{1}, ..., A_{k})^{- 1} = d ia g (A_{1}^{- 1}, ..., A_{k}^{- 1})

第 2 站

第二章行列式

本章包含 n 阶行列式的定义、行列式性质与计算、拉普拉斯定理、克拉默法则和矩阵的秩，承接第一章的逆矩阵、线性方程组和初等变换，为后续向量空间与特征值内容打基础。

本章要回答：行列式为什么不仅是计算符号，还能告诉我们矩阵是否可逆、空间体积是否退化？

行列式与秩把“是否退化”说清楚后，第三章转而把向量、直线和平面放回可视化的三维空间中理解。

16 · 2.1 n阶行列式的定义

n阶行列式的定义

行列式是方阵对应的一个数值，二阶行列式为 ad-bc，三阶行列式可用对角线法则计算。

行列式只对方阵定义，结果是一个数。二阶行列式可用 ad-bc 计算，三阶行列式可用对角线法则，四阶及以上不能直接套用对角线法则，需要使用性质、展开或其他方法计算。n 阶行列式可以理解为从不同行不同列中各取一个元素相乘，再按排列符号求代数和。

公式与边界

二阶行列式：

a b c d = a d - b c

适用对象：

A \in R^{n \times n}

对角线法则：

n = 3

（只适用于三阶行列式）

17 · 2.2 行列式的性质与计算

行列式的性质与计算

行列式的性质是化简计算的核心工具，尤其要区分换行变号、倍加不变和公因子提取。

行列式转置后值不变；交换两行或两列会使行列式变号；某一行或某一列有公因子时可以提出；某一行加上另一行的倍数，行列式不变；若两行或两列成比例，则行列式为零。这些性质常用于把行列式化简成更容易计算的形式。

公式与边界

转置：

∣ A^{T} ∣ = ∣ A ∣

（A 为方阵）

数乘：

∣ k A ∣ = k^{n} ∣ A ∣

（A 为 n 阶方阵）

比例行（列）：

∣ A ∣ = 0

18 · 2.2 行列式的性质与计算

代数余子式与按行列展开

行列式可以按任意一行或一列展开，关键是把元素和对应的代数余子式配对。

划去第 i 行第 j 列后得到的行列式称为余子式，记作 M_ij；在余子式前乘以符号因子 (-1)^i+j 后得到代数余子式 A_ij。行列式可以按任一行或任一列展开，展开时每个元素都要乘以它对应的代数余子式。计算时通常选择零元素较多的行或列展开。

公式与边界

代数余子式：

A_{ij} = (- 1)^{i + j} M_{ij}

（n\ge2）

按第 i 行展开：

∣ A ∣ = j = 1 \sum n a_{ij} A_{ij}

按第 j 列展开：

∣ A ∣ = i = 1 \sum n a_{ij} A_{ij}

19 · 2.3 拉普拉斯定理

拉普拉斯定理

拉普拉斯定理把按一行展开推广为按若干行展开，是处理分块和含零结构行列式的重要工具。

拉普拉斯定理说明：从 n 阶行列式中选定 k 行，取这些行中的所有 k 阶子式，并分别乘以对应的代数余子式再求和，可以得到原行列式。k=1 时就是普通的按一行展开。第一版只要求理解它是按行列展开的推广，能判断适用场景，不展开复杂证明。

公式与边界

按 k 行展开：

D = \sum M_{I, J} A_{I, J}

（1\le k\le n-1）

符号因子：

(- 1)^{\sum I + \sum J}

普通按行（列）展开：

k = 1

20 · 2.4 克拉默法则

克拉默法则

对于线性方程组 $A X = b$ ，当 $∣ A ∣ \neq = 0$ 时，克拉默法则可以用行列式表示它的唯一解。

对于 n 元线性方程组 $A X = b$ ，若 $A$ 是 n 阶方阵且 $∣ A ∣ \neq = 0$ ，则方程组有唯一解。把 $A$ 的第 $i$ 列替换为常数项列向量 $b$ ，得到 $A_{i}$ ；第 $i$ 个未知量可由相应行列式之比求出。克拉默法则更适合理解理论关系和处理小规模计算，不适合大规模手算。

公式与边界

克拉默公式：

x_{i} = \frac{∣ A _{i} ∣}{∣ A ∣}, i = 1, 2, \dots, n

替换矩阵：

A_{i} = [a_{1}, \dots, a_{i - 1}, b, a_{i + 1}, \dots, a_{n}]

齐次情形：

A X = 0 有非零解 \Leftrightarrow ∣ A ∣ = 0

21 · 2.2 行列式的性质与计算

伴随矩阵的定义与核心性质

伴随矩阵由代数余子式矩阵转置得到，并可用来表示可逆矩阵的逆。

对 n 阶方阵 A，把每个元素对应的代数余子式排成矩阵，再作转置，得到 A 的伴随矩阵 A*。伴随矩阵满足 AA*=A*A=|A|I，因此当 |A|≠0 时，A 的逆矩阵可以表示为 A*/|A|。第一版先掌握定义和求逆公式，暂不展开伴随矩阵秩的规律。

公式与边界

定义：

A^{*} = (A_{ij})^{T}

（A 为方阵）

核心恒等式：

A A^{*} = A^{*} A = ∣ A ∣ I

求逆公式：

A^{- 1} = \frac{A ^{*}}{∣ A ∣}

（\lvert A\rvert\ne0）

22 · 2.5 矩阵的秩

矩阵秩的概念与计算

矩阵的秩可理解为行阶梯形中的非零行数，初等变换是计算秩的重要方法。

矩阵的秩可以从两个角度理解：一是矩阵中非零子式的最高阶数，二是把矩阵化为行阶梯形后非零行的个数。实际计算中常用初等变换把矩阵化为阶梯形。秩适用于任意 m×n 矩阵，满足 0≤R(A)≤min(m,n)，并为后续判断向量组、线性方程组和空间维数提供基础。

公式与边界

秩的范围：

0 \leq r (A) \leq min (m, n)

（A 为 m\times n 矩阵）

初等变换：

r (P A) = r (A)

（P 可逆）

自由变量数：

n - r (A)

（n 为未知量个数）

23 · 2.2 行列式性质与可逆性

行列式乘法性与可逆性

方阵乘积的行列式等于各自行列式的乘积，因此行列式是否为零能直接判断方阵能否可逆。

对同阶方阵， $∣ A B ∣ = ∣ A ∣ ∣ B ∣$ 。这条性质把矩阵乘法与可逆性连接起来：若 $∣ A ∣ \neq = 0$ ，则 $A$ 可逆；若 $∣ A ∣ = 0$ ，则 $A$ 不可逆。求逆公式中的分母正是这个非零条件。

读到这里，应该能做到：能在涉及乘积、逆矩阵或方程组唯一解时，先用行列式的非零条件判断对象是否可逆。

公式与边界

乘法性：

∣ A B ∣ = ∣ A ∣ ∣ B ∣

可逆判别：

A^{- 1} 存在 ⟺ ∣ A ∣ \neq = 0

逆的行列式：

∣ A^{- 1} ∣ = \frac{1}{∣ A ∣}

使用前先确认

1.行列式只属于方阵；写 $∣ A ∣$ 前先确认 $A$ 是方阵。
2.乘法性中的 $A, B$ 必须是同阶方阵，才能同时讨论 $∣ A ∣$ 、 $∣ B ∣$ 与 $∣ A B ∣$ 。
3. $∣ A ∣ \neq = 0$ 是可逆的充要条件，不是只在求逆时才使用的技巧。

24 · 2.5 矩阵的秩

矩阵乘积的秩与秩不等式

矩阵相乘不会凭空增加独立方向，因此乘积的秩不超过任一因子的秩。

若乘积 $A B$ 有意义，则 $r (A B) \leq r (A)$ 且 $r (A B) \leq r (B)$ 。把 $B$ 的列向量先经过 $A$ 变换，可以理解为输出方向不可能比原来的独立方向更多。这个结论常用于快速排除不可能的秩，或判断方程组和线性变换的上界。

读到这里，应该能做到：能从 $r (A B) \leq min {r (A), r (B)}$ 给出乘积秩的上界，并知道等号不是默认成立。

公式与边界

基本不等式：

r (A B) \leq min {r (A), r (B)}

加法上界：

r (A + B) \leq r (A) + r (B)

满列秩条件：

r (A) = n \Rightarrow Ker (A) = {0}

使用前先确认

1.先检查 $A B$ 的阶数是否匹配；乘积无意义时不能谈 $r (A B)$ 。
2.不等式给出上界，不保证 $r (A B)$ 等于两者中较小的一个。
3.若 $A$ 或 $B$ 为零矩阵，则 $A B$ 为零矩阵，秩为 0。

第 3 站

第三章几何空间

本章从空间直角坐标系和向量出发，学习向量的内积、外积与混合积，再用向量语言描述平面、空间直线及其位置关系。

本章要回答：点、直线与平面的位置关系，如何统一改写成向量的线性关系、内积和法向量条件？

三维图像提供直觉，但方法不应停在三维；下一章把线性组合、相关性和解空间推广到任意 n 维。

25 · 3.1 空间直角坐标系与向量

空间坐标与向量表示

空间向量可以用三维坐标表示，位置变化可转化为两点坐标之差。

在空间直角坐标系中，向量可用三个坐标分量表示。向量的长度、方向和起终点关系能帮助我们把几何问题翻译成代数计算；两点确定的位移向量，就是终点坐标减去起点坐标。

公式与边界

坐标表示：

α = (x, y, z)^{T}

两点差向量：

A B = (x_{B} - x_{A}, y_{B} - y_{A}, z_{B} - z_{A})^{T}

向量长度：

∥ α ∥ = x^{2} + y^{2} + z^{2}

26 · 3.2 向量的乘法

向量的内积、外积与混合积

内积用来判断垂直，外积给出垂直于两个向量的方向，混合积可联系空间共面关系。

对非零空间向量，内积为零可判断两向量垂直；外积的结果是一个同时垂直于两个因子的向量，并且交换顺序会改变符号。混合积把三个向量联系起来，在判断共面关系时很有用。第一版先掌握几何含义和基本判断。

公式与边界

内积：

α \cdot β = x_{1} x_{2} + y_{1} y_{2} + z_{1} z_{2}

垂直判断：

α \cdot β = 0

外积反交换：

α \times β = - β \times α

共面判断：

[α, β, γ] = 0

27 · 3.3 平面

平面方程与位置关系

平面的一般方程中，三个一次项系数组成它的法向量。

平面可以通过一点和一个法向量确定，也可写成一般方程。比较两个平面的法向量，能够初步判断它们是平行、重合还是相交；涉及多个平面时，可把方程组与前面学过的秩和解的判定联系起来。

公式与边界

一般方程：

A x + B y + C z + D = 0

法向量：

n = (A, B, C)^{T}

点法式：

A (x - x_{0}) + B (y - y_{0}) + C (z - z_{0}) = 0

28 · 3.4 空间直线

空间直线方程与位置关系

空间直线由一点和一个方向向量确定，方向向量是判断平行、相交和异面的关键。

空间直线常用向量式、参数式或对称式表示。两条直线的位置关系不能只看方向向量：方向向量成比例时还要看是否共线；方向向量不成比例时，还要结合方程判断是否真正相交。

公式与边界

向量式：

r = r_{0} + t a

参数式：

x = x_{0} + a t, y = y_{0} + b t, z = z_{0} + c t

平行方向：

a \times b = 0

29 · 3.2 向量的乘法

向量夹角与正交投影

内积同时记录长度和夹角，投影则把一个向量在指定方向上的有效分量提取出来。

对非零向量 $α, β$ ，内积满足 $(α, β) = ∥ α ∥ ∥ β ∥ cos θ$ 。把 $α$ 投影到 $β$ 的方向上，需要先除以 $∥ β ∥^{2}$ ，这样结果才与 $β$ 共线且长度正确。

读到这里，应该能做到：能由内积判断夹角和垂直关系，并正确写出一个向量在非零向量方向上的正交投影。

公式与边界

夹角公式：

cos θ = \frac{( α , β )}{∥ α ∥ ∥ β ∥}

正交判别：

(α, β) = 0

向量投影：

proj_{β} α = \frac{( α , β )}{( β , β )} β

使用前先确认

1.计算投影时，作为投影方向的 $β$ 必须非零。
2.内积为 0 只能说明两个非零向量垂直；若包含零向量，夹角并不定义。
3.投影结果是一个向量，标量投影则只是一个带符号长度。

30 · 3.3 平面

点到平面的距离与垂足

点到平面的最短线段一定沿平面的法向量，因此距离公式来自法向量方向上的投影。

对平面 $A x + B y + C z + D = 0$ 和点 $P_{0} (x_{0}, y_{0}, z_{0})$ ，把点坐标代入左侧得到有向偏离量，再除以法向量长度即可得到距离。公式中的绝对值保证距离非负；若要找垂足，还需沿法向量写出过点直线。

读到这里，应该能做到：能识别平面法向量，使用距离公式计算点到平面的距离，并说明绝对值出现的原因。

公式与边界

法向量：

n = (A, B, C)^{T}

点面距离：

d = \frac{∣ A x _{0} + B y _{0} + C z _{0} + D ∣}{A ^{2} + B ^{2} + C ^{2}}

法线：

r = r_{0} + t n

使用前先确认

1. $A, B, C$ 不能同时为 0，否则给出的不是一个平面。
2.距离始终非负，因此分子必须取绝对值。
3.要求垂足时，要使用经过给定点且方向为法向量的直线。

第 4 站

第四章 n 维向量空间

本章把前面的矩阵与方程组推广到 n 维：理解向量空间、线性相关、向量组的秩和极大无关组，并掌握线性方程组解的结构。

本章要回答：一组向量真正能提供多少独立方向，方程组的解又怎样由特解与齐次解结构化描述？

空间结构建立后，下一步不只是找解，而是研究矩阵作用在某些特殊方向上时会怎样简单地伸缩。

31 · 4.1 n维向量空间的概念

n 维向量空间与子空间

n 维向量空间把二维、三维向量的加法和数乘规则推广到任意有限维。

$R^{n}$ 中的元素是 n 个实数构成的列向量。一个非空集合若对向量加法和数乘都封闭，就能构成子空间；因此子空间一定含零向量。理解空间的关键不是画图，而是检查运算规则是否仍成立。

公式与边界

n维空间：

R^{n} = {(x_{1}, \dots, x_{n})^{T} ∣ x_{i} \in R}

封闭性：

α, β \in W \Rightarrow α + β \in W

数乘封闭：

α \in W, k \in R \Rightarrow k α \in W

32 · 4.2 向量组的线性相关性

线性组合、线性相关与线性无关

一个向量能否由其他向量线性表示，是判断向量组是否冗余的核心。

向量组的线性组合是用一组数乘系数把各向量相加。若存在一组不全为零的系数使线性组合等于零向量，则该向量组线性相关；否则线性无关。对有限向量组，线性相关等价于其中至少一个向量可由其余向量线性表示。

公式与边界

线性组合：

β = k_{1} α_{1} + \dots + k_{m} α_{m}

线性相关：

k_{1} α_{1} + \dots + k_{m} α_{m} = 0

线性无关：

k_{1} = \dots = k_{m} = 0

33 · 4.3 向量组的秩与极大无关组

向量组的秩与极大无关组

向量组的秩是其中最多能保留多少个线性无关向量，极大无关组就是这样一组核心向量。

把向量组排成以向量为列的矩阵后，向量组的秩等于该矩阵的秩。极大无关组中的向量线性无关，而原向量组中其余向量都可由它表示；实际计算时常把矩阵化为行阶梯形，再从主元列追溯原向量。

公式与边界

向量组矩阵：

A = (α_{1}, \dots, α_{m})

秩的对应：

r (α_{1}, \dots, α_{m}) = r (A)

极大无关组向量个数：

r (A)

34 · 4.4 线性方程组解的结构

齐次与非齐次方程组解的结构

非齐次方程组的所有解，等于一个特解加上对应齐次方程组的所有解。

若齐次方程组 $A X = 0$ 的系数矩阵秩为 r，未知量个数为 n 且 r<n，则它的基础解系含 n-r 个向量。非齐次方程组 $A X = b$ 有解时，任选一个特解，再加上对应齐次方程组的通解，就得到原方程组的通解。

公式与边界

齐次方程组：

A X = 0

基础解系个数：

n - r (A)

非齐次通解：

X = X_{p} + X_{h}

35 · 4.4 线性方程组解的结构

齐次方程组的基础解系

齐次方程组的所有解组成一个子空间，基础解系就是描述这个解空间的一组基。

把 $A X = 0$ 化为行阶梯形后，用自由变量分别取一个为 1、其余为 0 的方式可构造基础解系。若未知量有 $n$ 个、秩为 $r$ ，自由变量数为 $n - r$ ，这也就是基础解系中向量的个数。

读到这里，应该能做到：能从阶梯形矩阵识别主变量与自由变量，并按自由变量逐个取值构造基础解系。

公式与边界

齐次方程组：

A X = 0

自由变量数：

n - r (A)

通解：

X = c_{1} η_{1} + \dots + c_{s} η_{s}

使用前先确认

1.基础解系讨论的是齐次方程组 $A X = 0$ 的解空间。
2.自由变量数为 $n - r (A)$ ，其中 $n$ 是未知量个数，不是方程个数。
3.构造出的向量必须都满足原齐次方程组，且彼此线性无关。

36 · 4.4 线性方程组解的结构

非齐次方程组的相容性与解集

非齐次方程组是否有解由系数矩阵与增广矩阵的秩决定；有解时，解集是一个特解平移齐次解空间得到的集合。

对于 $A X = b$ ，当且仅当 $r (A) = r (A ∣ b)$ 时方程组有解。若共同秩等于未知量个数，则唯一解；若小于未知量个数，则有无穷多解。任何一个特解加上 $A X = 0$ 的通解，恰好给出全部解。

读到这里，应该能做到：能用秩判别 $A X = b$ 是否有解，并在有解时区分唯一解与无穷多解。

公式与边界

有解条件：

r (A) = r (A ∣ b)

唯一解：

r (A) = r (A ∣ b) = n

全部解：

X = X_{p} + X_{h}

使用前先确认

1.必须比较系数矩阵和增广矩阵的秩，而不是只计算其中一个。
2.若 $r (A) \neq = r (A ∣ b)$ ，方程组无解，不能继续写通解。
3.特解不是全部解；有自由变量时还要加上齐次通解。

第 5 站

第五章特征值与特征向量

本章学习特征值与特征向量的计算、矩阵的相似与可对角化、n 维向量的内积和正交性，以及实对称矩阵的正交对角化。

本章要回答：线性变换下哪些方向只会被伸缩而不被扭转，什么时候又能选一组坐标把矩阵化到最简单？

对称矩阵的正交对角化会在下一章再次出现：它把交叉项复杂的二次型变成可以直接辨认形状与正定性的平方和。

37 · 5.1 特征值与特征向量的概念与计算

特征值与特征向量

特征向量在矩阵变换后方向不变，只被相应的特征值缩放。

对 n 阶方阵 A，若存在非零向量 $α$ 和数 $λ$ ，使 $A α = λ α$ ，则 $λ$ 是 A 的特征值， $α$ 是对应特征向量。先由特征方程求出 $λ$ ，再解齐次方程组 $(λ I - A) α = 0$ 求特征向量。

读到这里，应该能做到：能把“方向不变、长度可变”的图形直觉，翻译成 $A α = λ α$ ，并按“先特征值、后特征向量”的顺序完成基本计算。

公式与边界

定义：

A α = λ α, α \neq = 0

特征方程：

∣ λ I - A ∣ = 0

特征向量方程：

(λ I - A) α = 0

线性变换前后的坐标网格，金色向量保持同一方向 — 把矩阵看成对平面网格的整体变形。金色箭头展示“方向保持”的特征向量直觉；蓝色箭头则提醒你，一般向量通常会改变方向。

38 · 5.2 矩阵的相似对角化

相似矩阵与可对角化

相似矩阵表示同一个线性变换在不同基下的矩阵，而对角化能把计算集中到各个特征值上。

若存在可逆矩阵 P 使 $B = P^{- 1} A P$ ，则 A 与 B 相似。若能选出 n 个线性无关的特征向量作为 P 的列，就有 $P^{- 1} A P = Λ$ ，其中 $Λ$ 是由对应特征值构成的对角矩阵。n 阶矩阵有 n 个互异特征值是可对角化的充分条件。

公式与边界

相似关系：

B = P^{- 1} A P, P 可逆

对角化：

P^{- 1} A P = Λ

P 的列：

n 个线性无关的特征向量

39 · 5.3 n 维向量空间的正交性

内积、范数与正交性

内积把向量的长度和夹角代数化，正交向量组让表示与计算更清楚。

在 $R^{n}$ 中，向量内积是对应分量乘积之和，范数是由内积得到的长度。两个非零向量内积为零时正交；每个向量长度为 1 的正交向量组称为标准正交组。正交化的目标是保持张成空间不变，同时得到相互正交的向量。

公式与边界

内积：

(α, β) = i = 1 \sum n a_{i} b_{i}

范数：

∥ α ∥ = (α, α)

正交：

α ⊥ β ⟺ (α, β) = 0

40 · 5.4 实对称矩阵的相似对角化

实对称矩阵的正交对角化

实对称矩阵总能用一组标准正交特征向量对角化，这是二次型化简的重要基础。

若实矩阵 A 满足 $A^{T} = A$ ，则 A 的特征值都为实数；属于不同特征值的特征向量彼此正交。经过适当选择和归一化，可构造正交矩阵 Q，使 $Q^{T} A Q = Λ$ 。这里 $Q^{- 1} = Q^{T}$ ，对角元是 A 的特征值。

公式与边界

实对称：

A^{T} = A

正交矩阵：

Q^{T} Q = I, Q^{- 1} = Q^{T}

正交对角化：

Q^{T} A Q = Λ

41 · 5.1 特征值与特征向量的概念与计算

特征多项式、迹与行列式

特征多项式的根给出特征值，而特征值的和与积分别连接到矩阵的迹和行列式。

对 $n$ 阶矩阵，特征方程 $∣ λ I - A ∣ = 0$ 的根（按代数重数计）是特征值。它们的和等于 $tr (A)$ ，积等于 $∣ A ∣$ 。这些关系适合用于检验计算、快速排除选项，但不能单独替代求特征向量。

读到这里，应该能做到：能从特征多项式得到特征值，并用迹与行列式核对特征值的和与积。

公式与边界

特征方程：

∣ λ I - A ∣ = 0

迹：

tr (A) = λ_{1} + \dots + λ_{n}

行列式：

∣ A ∣ = λ_{1} \dots λ_{n}

使用前先确认

1.迹与行列式关系中的特征值要按代数重数重复计算。
2.该关系针对方阵；非方阵没有完整的特征多项式与行列式。
3.和与积正确不代表每个特征值都已完全确定。

42 · 5.3 n 维向量空间的正交性

施密特正交化与标准正交组

施密特正交化逐步减去已有方向上的投影，把线性无关向量组变成张成同一空间的正交组。

从 $α_{1}, α_{2}, \dots$ 出发，先保留第一个向量，再从后一个向量中减去它在已得到正交向量上的投影。得到非零正交向量 $β_{i}$ 后，除以自身范数即可单位化为标准正交组。过程不改变张成空间。

读到这里，应该能做到：能解释“减去投影”为什么会产生垂直方向，并区分正交化和最后的单位化。

公式与边界

β_{1} = α_{1}

β_{2} = α_{2} - \frac{( α _{2} , β _{1} )}{( β _{1} , β _{1} )} β_{1}

e_{i} = \frac{β _{i}}{∥ β _{i} ∥}

使用前先确认

1.输入向量组应线性无关，否则某一步可能得到零向量而无法单位化。
2.投影分母为 $(β_{i}, β_{i})$ ，所以被投影的方向必须非零。
3.正交组不一定标准；还要逐个除以范数才得到标准正交组。

第 6 站

第六章二次型与二次曲面

本章把矩阵、特征值和空间几何联系起来：理解实二次型及其标准形、正定性，并能识别常见二次曲面和空间曲线。

本章要回答：含交叉项的二次表达式怎样通过合适坐标变换露出它的标准形，并据此判断正定性和曲面形状？

坐标变换不只是化简技巧；最后一章会把“保持线性结构的映射”本身作为研究对象，统一解释核、像和矩阵表示。

43 · 6.1 实二次型及其标准形

实二次型与标准形

实二次型可以用对称矩阵表示，经过可逆变量替换后可化为若干平方项的和。

含 n 个实变量的二次齐次多项式称为实二次型，可写为 $f (X) = X^{T} A X$ ，其中 A 可取为对称矩阵。含交叉项时，对称矩阵的两个对应非对角元各取该交叉项系数的一半。经过可逆线性替换，二次型可化成只含平方项的标准形。

读到这里，应该能做到：能从二次型读出对应对称矩阵，特别是把交叉项系数平均分到两个对称位置，并理解标准形为什么只剩平方项。

公式与边界

矩阵形式：

f (X) = X^{T} A X, A = A^{T}

标准形：

f (Y) = d_{1} y_{1}^{2} + \dots + d_{n} y_{n}^{2}

交叉项系数：

a_{ij} = a_{j i} = \frac{b}{2}

44 · 6.2 正定二次型

正定二次型

正定二次型对每个非零向量都给出正值，描述了稳定的“向上开口”二次结构。

若实二次型 $f (X)$ 对任意非零实向量 X 都满足 $f (X) > 0$ ，则称它正定；若既能取正也能取负，则是不定的。对实对称矩阵 A， $X^{T} A X$ 正定当且仅当 A 的全部特征值为正。本版先掌握定义、简单判别和特征值条件。

读到这里，应该能做到：能区分正定、半正定与不定，并在实对称矩阵前提下，把“所有非零向量取正”连接到“全部特征值为正”。

公式与边界

正定：

X \neq = 0 \Rightarrow X^{T} A X > 0

半正定：

X^{T} A X \geq 0

特征值判别（A=A^{T}）：

λ_{i} > 0 (i = 1, \dots, n)

向上开口的二次型曲面和底部等高线 — 正定二次型可用向上开口的碗形来理解：中心是唯一最低处，沿任意非零方向离开中心都会上升。图形仅作直觉辅助，判别须回到公式条件。

45 · 6.3 曲面与空间曲线

曲面与空间曲线的表示

方程和参数都是描述空间几何对象的语言，前者方便判断归属，后者方便追踪运动。

空间曲面常由三元方程 $F (x, y, z) = 0$ 给出，空间曲线可看作两个曲面的交线，也可用参数方程表示。参数方程把 x、y、z 都写成同一参数的函数；代入检验可以判断一个点是否在给定曲面或曲线上。

公式与边界

曲面方程：

F (x, y, z) = 0

参数曲线：

r (t) = (x (t), y (t), z (t))^{T}

球面：

x^{2} + y^{2} + z^{2} = R^{2}

46 · 6.4 二次曲面

常见二次曲面的识别

二次曲面的符号、常数和变量位置决定它是椭球面、双曲面、锥面还是抛物面。

本版先识别最常见的标准方程：三个平方项同号且等于 1 常对应椭球面；两个正平方项减一个平方项等于 1 常对应单叶双曲面；等于 0 的齐次二次式常给出锥面；一个变量等于另外变量平方和时常对应椭圆抛物面。图形细节以后续交互可视化补充。

公式与边界

椭球面：

x^{2} / a^{2} + y^{2} / b^{2} + z^{2} / c^{2} = 1

单叶双曲面：

x^{2} / a^{2} + y^{2} / b^{2} - z^{2} / c^{2} = 1

椭圆抛物面：

z = x^{2} / a^{2} + y^{2} / b^{2}

47 · 6.2 正定二次型

正定性的顺序主子式判别

对实对称矩阵，所有顺序主子式都为正是判定正定的一种直接方法。

设 $A$ 为实对称矩阵，记左上角 $k \times k$ 子矩阵为 $A^{(k)}$ ，其行列式为 $Δ_{k}$ 。当 $Δ_{1}, Δ_{2}, \dots, Δ_{n}$ 全部大于 0 时， $X^{T} A X$ 正定。它与特征值判别服务于同一目标，但使用前提和操作路径要分清。

读到这里，应该能做到：能识别顺序主子式是“左上角依次截取”的行列式，并在实对称矩阵前提下使用正定判别。

公式与边界

顺序主子式：

Δ_{k} = ∣ A^{(k)} ∣

正定判别：

Δ_{1} > 0, \dots, Δ_{n} > 0

前提：

A = A^{T}

使用前先确认

1.该判别直接用于实对称矩阵；不能跳过对称性检查。
2.需要依次检查全部 $Δ_{1}$ 到 $Δ_{n}$ ，只检查一个不够。
3.顺序主子式不是任意选择的主子式。

48 · 6.4 二次曲面

二次曲面的截面法

固定一个变量观察截面，把三维曲面还原成圆、椭圆、双曲线或抛物线，是识别曲面的可靠方法。

面对三元二次方程时，可以固定 $x$ 、 $y$ 或 $z$ 为常数，考察剩下两个变量的平面曲线。不同截面的形状、是否为空以及随常数变化的趋势，能帮助区分椭球面、双曲面、锥面和抛物面。

读到这里，应该能做到：能选择一个变量固定，写出对应二维截面，并用截面的存在性和形状辅助判断曲面类别。

公式与边界

椭球面：

\frac{x ^{2}}{a ^{2}} + \frac{y ^{2}}{b ^{2}} + \frac{z ^{2}}{c ^{2}} = 1

固定 z=z_0：

\frac{x ^{2}}{a ^{2}} + \frac{y ^{2}}{b ^{2}} = 1 - \frac{z _{0}^{2}}{c ^{2}}

锥面：

\frac{x ^{2}}{a ^{2}} + \frac{y ^{2}}{b ^{2}} - \frac{z ^{2}}{c ^{2}} = 0

使用前先确认

1.截面是在指定平面内观察到的二维曲线，不是原曲面的全部形状。
2.固定不同变量可能得到不同类型的截面，应结合多个方向判断。
3.当方程无实数解时，该截面为空，不能误画成曲线。

第 7 站

第七章线性空间与线性变换

本章进一步抽象线性代数的共同结构，学习线性空间、基与坐标、欧氏空间，以及线性变换、核与像的基本语言。

本章要回答：一个线性变换到底保留了哪些结构、压扁了哪些方向，又怎样用核、像和矩阵把这种变化说清楚？

至此，矩阵、方程组、空间、特征分解与二次型都能被看作同一件事的不同视角：在线性结构中选择表示、判断约束，并理解变换。

49 · 7.1 线性空间的概念

线性空间与子空间

线性空间抽取了向量加法和数乘的共同规则，让多项式、矩阵等对象也能像向量一样研究。

只要一个集合定义了满足线性空间公理的加法和数乘，它的元素不必是几何箭头，也可以是多项式、矩阵或函数。子空间是原线性空间的非空子集，并沿用原来的运算；实际判断时，重点检查零元、加法封闭和数乘封闭。

公式与边界

子空间判别：

W \neq = \emptyset, α, β \in W \Rightarrow α + β \in W

数乘封闭：

k \in R, α \in W \Rightarrow k α \in W

子空间一定含零元

50 · 7.2 线性空间的基、维数与坐标

基、维数与坐标

一组基既不冗余又能表示空间中所有向量，坐标就是向量在这组基下的唯一系数。

若一组向量线性无关且能生成线性空间，则它是一组基。有限维线性空间任意两组基含有相同数目的向量，这个数叫维数。固定一组有序基后，每个向量都能唯一地写成基向量的线性组合，系数列就是该向量的坐标。

公式与边界

基：

线性无关且张成空间

维数：

d imV = 基向量个数

坐标：

α = x_{1} ε_{1} + \dots + x_{n} ε_{n}

51 · 7.3 欧氏空间

欧氏空间的内积与正交

欧氏空间在线性空间上加入内积，使长度、夹角、投影与正交都有统一定义。

欧氏空间是带有实内积的线性空间。内积满足对称性、线性性和正定性，因此可定义范数、距离和正交。与第五章的 $R^{n}$ 内积相比，这一节强调这些概念可以放在线性空间的一般框架中使用。

公式与边界

对称性：

(α, β) = (β, α)

正定性：

(α, α) > 0, α \neq = 0

范数：

∥ α ∥ = (α, α)

52 · 7.4 线性变换

线性变换、核与像

线性变换保持向量加法和数乘结构，核描述被压到零的方向，像描述能够到达的全部结果。

映射 T 若满足 $T (α + β) = T (α) + T (β)$ 和 $T (k α) = k T (α)$ ，就是线性变换。它必满足 $T (0) = 0$ 。核由所有映到零向量的元素组成，像由所有输出组成；在有限维情形，选定基后线性变换可由一个矩阵表示。

公式与边界

线性性：

T (k α + l β) = k T (α) + l T (β)

核：

K er (T) = {α ∣ T (α) = 0}

像：

I m (T) = {T (α) ∣ α \in V}

53 · 7.4 线性变换

线性变换的矩阵表示

选定输入与输出的基后，线性变换对每个基向量的像按列排成一个矩阵，就能把变换计算转成矩阵乘法。

设 T: $V \to W$ ，选定 $V$ 的基和 $W$ 的基。把每个输入基向量经过 $T$ 后在输出基下的坐标列依次写成矩阵的列，得到 $[T]$ 。于是任意向量的坐标满足 $[T (v)] = [T] [v]$ ；换基会改变矩阵表示，但不会改变变换本身。

读到这里，应该能做到：能说明矩阵的列从哪里来，并区分线性变换本身与它在特定基下的矩阵表示。

公式与边界

[T] = ([T (v_{1})] \dots [T (v_{n})])

[T (v)] = [T] [v]

T (0) = 0

使用前先确认

1.输入空间与输出空间的基都要先固定，矩阵表示才有明确含义。
2.第 $j$ 列是第 $j$ 个输入基向量的像在输出基下的坐标。
3.矩阵相乘时，坐标所使用的基必须前后一致。

54 · 7.4 线性变换

秩—零度定理

有限维线性变换中，输入空间的维数等于像的维数与核的维数之和。

对有限维线性变换 T: $V \to W$ ，有 $dim V = dim Ker (T) + dim Im (T)$ 。它解释了一个变换一方面保留了多少独立输出方向，另一方面又压扁了多少输入方向；在矩阵语言中就是列数等于秩加零空间维数。

读到这里，应该能做到：能用秩—零度定理在已知核维数或像维数时求另一项，并理解它对应“保留与压缩”的维数分配。

公式与边界

dim V = dim Ker (T) + dim Im (T)

nullity (A) = n - r (A)

rank (T) = dim Im (T)

使用前先确认

1.定理用于有限维线性空间与线性变换。
2.零度是核的维数，不是核中某个向量的长度。
3.矩阵版本中，定义域维数对应矩阵的列数。

面对一个线性问题，我们怎样从“如何表示和求解”逐步走到“它在什么空间中、哪些方向最重要、这种变换真正做了什么”？

第一章 矩阵及其初等变换

第二章 行列式

第三章 几何空间

第四章 n 维向量空间

第五章 特征值与特征向量

第六章 二次型与二次曲面

第七章 线性空间与线性变换

公式与边界

使用前先确认

公式与边界

使用前先确认

公式与边界

使用前先确认

公式与边界

使用前先确认

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

使用前先确认

公式与边界

使用前先确认

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

使用前先确认

公式与边界

使用前先确认

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

使用前先确认

公式与边界

使用前先确认

公式与边界

公式与边界

公式与边界

公式与边界

公式与边界

使用前先确认

公式与边界

第一章矩阵及其初等变换

第二章行列式

第三章几何空间

第五章特征值与特征向量

第六章二次型与二次曲面

第七章线性空间与线性变换