深入探索线性代数核心：正惯性指数、规范型与合同变换的不变性原理
在高等数学与线性代数的研究中，二次型（Quadratic Form）是一个极其重要的概念。当我们面对一个复杂的多元二次多项式时，如何判断它的性质？如何简化它的表达形式？这时，惯性定理（Law of Inertia）便成为了我们的指南针。而其中，“正数”相关的部分，即正惯性指数，是判定二次型正定性的关键指标。
简单来说，无论我们如何旋转、缩放坐标系（即进行怎样的非退化线性变换），二次型中“正”的成分数量是固定不变的。这个不变的数值 ，就是我们要寻找的“二次型惯性定理正数”的核心含义。
由法国数学家雅各比（Jacobi）首先发现，并由英国数学家萨洛蒙·赫尔维茨（Salomon Hurwitz）严格证明的惯性定理，是二次型理论中的基石。该定理不仅确立了规范型的唯一性，更为后续的特征值理论奠定了基础。
对于任意一个实二次型 （其中 为实对称矩阵），总存在非奇异矩阵 ，使得 ，其中 为对角矩阵，且对角元仅为 。在此规范型中：
规范型中正项的数量。若 ，则矩阵正定；若 且 ，则矩阵不定。
规范型中负项的数量。它反映了二次型“负方向”的维度。
定义为 。虽然 和 是独立不变的，但有时符号差也被用来描述二次型的特征。
在实际解题或科研中，我们需要通过具体方法计算出给定二次型的正惯性指数。以下是三种最常用的方法：
这是最基础且通用的方法，特别适用于手算和小规模矩阵。通过逐步消元，将二次型转化为平方和的形式。
示例： 对于 ，配方得 。两项系数均为正，故 。
由于实对称矩阵必可正交对角化，二次型的标准型系数即为矩阵的特征值。正惯性指数等于正特征值的个数。
| 特征值符号 | 对正惯性指数的贡献 | 适用场景 |
|---|---|---|
| 计入 | 计算量较大，适合编程或高阶对称矩阵 | |
| 不计入 | 矩阵奇异 | |
| 不计入 | 计入负惯性指数 |
仅适用于判定正定性。如果矩阵的所有顺序主子式均大于0，则正惯性指数 。
对于一般情况（非正定），可以使用Jacobi方法（基于主子式比值）来间接判断，但此方法较为繁琐，通常用于理论证明而非快速计算。
根据网络搜索数据，学习者关于二次型惯性定理正数的疑问主要集中在以下几个方面。我们通过具体案例来解答这些高频问题。
问题： 已知二次型 的正惯性指数为2，求参数范围。
解析： 写出矩阵 ，计算其特征值或顺序主子式。由于 ，说明矩阵不是正定的，至少有一个非正特征值。通过讨论行列式 的符号及主子式，可以确定参数 的约束条件。通常这类题目考察的是对惯性指数与特征值符号关系的深刻理解。
问题： 矩阵 与 是否合同？它们的正惯性指数是否相同？
解析：
1. 对于 ，特征值为 。正惯性指数 。
2. 对于 ，特征值为 。正惯性指数 。
3. 因为 且 （注意：这里秩为2？不，A的秩为1，B的秩为1。修正：A的特征值是2和0，秩为1。B的特征值是2和0，秩为1。），且符号差相同，故两矩阵合同。这验证了惯性定理：合同矩阵具有相同的正负惯性指数。
误区： 很多学生认为只要对角线元素大于0，矩阵就是正定的。
纠正： 这是错误的。例如 ，对角线均为1，但特征值为 。正惯性指数 ，负惯性指数 。这是一个不定二次型，而非正定。必须检查所有顺序主子式或所有特征值是否为正。
正惯性指数是指二次型通过非退化线性变换化为规范型后，其中正平方项的个数。它是二次型的一个不变量，记为 。它反映了二次型在“正方向”上的维度。
惯性定理指出，任何实二次型都可以通过适当的非退化线性变换化为规范型，且规范型中正平方项的个数（正惯性指数）和负平方项的个数（负惯性指数）是唯一确定的，与变换方式无关。
判断正定性的常用方法有：
1. 定义法：对于任意非零向量 ，都有 。
2. 特征值法：矩阵 的所有特征值均大于0。
3. 主子式法：矩阵 的所有顺序主子式均大于0。
4. 惯性指数法：正惯性指数 等于变量个数 。
如果正惯性指数 ，且矩阵非零，则该二次型为负定（若 ）或半负定（若 ）。这意味着对于所有非零向量 ，都有 。
不一定。合同只要求正负惯性指数相同，而相似要求特征值完全相同。例如，矩阵 和 是合同的（因为都正定，），但它们不相似（特征值不同）。
本文档旨在提供学术参考，内容基于线性代数通用理论。如有争议，请以最新教材为准。