36 交错多重线性型

交错多重线性型 #

这讲讲什么：给「吃 $m$ 个向量、吐一个数」的函数加两条要求——每个位置都线性、有两个输入相同就归零——然后看这类函数还剩多少自由度。答案出人意料地小：$m>\dim V$ 时只剩零函数，$m=\dim V$ 时只差一个标量。行列式就是那个被归一化的唯一者。
前置：35 讲的双线性型（$m=2$ 的情形）；04 讲的线性相关性引理；05、06 讲的基与维数；12 讲的线性泛函（只有拓展节用到）。
一句话：交错性把「体积」从所有多线性函数里单独挑了出来——因为只有体积会在两条边重合时归零。

---

一、为什么需要它 #

先问一个不该被跳过的问题：行列式为什么是那个公式？

任何一本教材都会给你一排符号：$n$ 阶方阵的行列式等于「取不同行不同列的 $n$ 个数相乘、按排列的奇偶加正负号、全部加起来」。这个式子可以背，也可以算，但它没有回答「凭什么只能是它」。难道不能设计另一种同样好用的「方阵 $\mapsto$ 数」的规则吗？

答案是：能设计的很多，但满足三条朴素要求的只有一个（差一个倍数）。这三条要求是：

1. 每一列单独看是线性的（一列乘 $2$，整个值乘 $2$；一列拆成两段相加，值也拆成两段相加）；
2. 两列相同则值为 $0$（矩阵被压扁了，没有「体积」可言）；
3. 单位矩阵的值为 $1$（把单位立方体定为体积 $1$）。

把第 1 条抽象出来就是多重线性型，加上第 2 条就是交错多重线性型，再加第 3 条就唯一确定了行列式。所以这一讲真正在做的事是：把行列式的「必然性」证明出来，而不是再抄一遍公式。

没有这套语言会怎样？你会一直把行列式当成一个「碰巧长这样的计算技巧」，遇到「为什么 $\det(AB)=\det A\det B$」「为什么换两行变号」「为什么可逆等价于 $\det\neq 0$」时，只能逐条记结论。有了这套语言，这些全部是定义的直接推论——因为交错的 $n$ 重线性型只有一维，任何两个这样的东西只能差一个标量，剩下的就是比系数。

读完这一讲，你应该能回答：

1. 「在每个位置都线性」到底是什么意思？它和「对整个元组线性」差在哪？
2. 交错性（重复输入给 $0$）为什么会强迫函数在交换两个输入时变号？这个「强迫」是怎么算出来的？
3. $n$ 维空间上，交错的 $n$ 重线性型为什么只有一维？为什么 $m>n$ 时连一维都没有？

---

二、定义与最小例子 #

2.1 先把「$m$ 个位置」写清楚 #

对正整数 $m$，记

$$V_m=\underbrace{V\times\cdots\times V}_{m\text{ 个}}$$

它的元素是有序的 $m$ 元组 $(v_1,\dots,v_m)$，每个 $v_k\in V$。

定义（$m$ 重线性型）：$V$ 上的 $m$ 重线性型是一个函数 $\alpha:V_m\to\mathbb{F}$，它在每个位置都是线性的（其他位置固定不动）。也就是说，对每个 $k\in\{1,\dots,m\}$ 和任意固定的 $u_1,\dots,u_m\in V$，函数

$$v\longmapsto \alpha(u_1,\dots,u_{k-1},\,v,\,u_{k+1},\dots,u_m)$$

是从 $V$ 到 $\mathbb{F}$ 的线性映射。

把「线性」摊开写就是两条：

$$\alpha(\dots,\lambda v+\mu w,\dots)=\lambda\,\alpha(\dots,v,\dots)+\mu\,\alpha(\dots,w,\dots)$$

（$\lambda,\mu\in\mathbb{F}$，且只改动第 $k$ 个位置，其余位置一个字都不动。）$V$ 上全体 $m$ 重线性型构成的集合记作 $V^{(m)}$，它在通常的函数加法与标量乘法下是向量空间（逐点验证即可：两个 $m$ 重线性型相加，在每个位置仍线性）。

两个端点情形值得单独记住：$m=1$ 时它就是 $V$ 上的线性泛函（12 讲的主题）；$m=2$ 时它就是 35 讲的双线性型。所以这一讲不是新东西，是把 35 讲从两个位置推到 $m$ 个位置。

2.2 交错性：只加一条要求 #

定义（交错型）：设 $\alpha$ 是 $V$ 上的 $m$ 重线性型。如果只要 $v_1,\dots,v_m$ 中有两个不同位置取了相同的向量——即存在 $j\neq k$ 使 $v_j=v_k$——就有

$$\alpha(v_1,\dots,v_m)=0,$$

则称 $\alpha$ 是交错的。全体交错 $m$ 重线性型记作 $V^{(m)}_{\mathrm{alt}}$，它是 $V^{(m)}$ 的子空间（零函数显然交错；两个交错型相加、乘标量，在「重复输入」处的值仍是 $0$）。

2.3 四个最小例子 #

例 1（$V=\mathbb{F}^2$，最小的交错型）

$$\alpha\big((u_1,u_2),(v_1,v_2)\big)=u_1v_2-u_2v_1.$$

• 对第一个位置线性：$u_1v_2-u_2v_1$ 是 $u$ 的两个坐标的一次齐次式，系数是 $v_2$ 与 $-v_1$，故线性 ✓
• 对第二个位置线性：同理 ✓
• 交错：取两个输入相同，即 $(u_1,u_2)=(v_1,v_2)$，则值 $=u_1u_2-u_2u_1=0$ ✓

这个 $\alpha$ 就是 $2\times 2$ 行列式。注意「交错」这一步只用了一次交换律——它自动成立，不需要额外设计。

例 2（两个双线性型拼成 4 重线性型）

设 $\alpha,\rho$ 是 $V$ 上的双线性型，定义

$$\beta(v_1,v_2,v_3,v_4)=\alpha(v_1,v_2)\,\rho(v_3,v_4).$$

固定 $v_2,v_3,v_4$，$\beta$ 对 $v_1$ 是「$\alpha(\cdot,v_2)$ 这个线性泛函」乘以常数 $\rho(v_3,v_4)$，故线性；其余三个位置同理。所以 $\beta\in V^{(4)}$。

但它一般不是交错的：取 $v_1=v_3$，$\beta=\alpha(v_1,v_2)\rho(v_1,v_4)$，没有任何理由为 $0$。这个例子说明「多重线性」比「交错」宽得多——交错是额外的强约束。

例 3（迹型）

设 $\mathcal{L}(V)$ 是全体算子构成的空间，定义

$$\beta(T_1,\dots,T_m)=\operatorname{tr}(T_1T_2\cdots T_m).$$

迹是线性的，而固定 $T_2,\dots,T_m$ 后 $T_1\mapsto T_1T_2\cdots T_m$ 也是线性的（左乘一个固定算子），故 $\beta$ 在每个位置线性，是 $\mathcal{L}(V)$ 上的 $m$ 重线性型。它不交错：所有位置都取恒等算子 $I$，则 $\beta=\operatorname{tr}(I^m)=\operatorname{tr}(I)=\dim V\neq 0$，尽管 $m\ge 2$ 时这 $m$ 个输入全都相同。

例 4（$3\times 3$ 行列式，最值得手算的一个）

$$\alpha(x,y,z)=x_1y_2z_3+x_2y_3z_1+x_3y_1z_2-x_3y_2z_1-x_1y_3z_2-x_2y_1z_3.$$

六项、正负各三。验证交错直接取 $x=y$ 会算得很乱，更好的办法是相信 3.1：只要「重复则零」成立，交换就变号。而「重复则零」在这里也不难验：若 $x=y$，则每一项 $x_{?}x_{?}z_{?}$ 都成对出现——例如 $x_1x_2z_3$ 与 $-x_2x_1z_3$ 相消。这正是 3.7 里构造非零交错型时用的同一个相消技巧。

回看定义：四个例子里，只有例 1 与例 4 交错。它们的共同点是：值可以用一个「取不同行不同列再乘起来、按顺序加符号」的和来表示。这个观察不是巧合，3.6 会把它变成定理。

---

三、几个必须自己算一遍的结论 #

这一节是全讲的重心。每个结论都给出完整推导，请边读边在纸上跟一遍——尤其是 3.1 和 3.6。

3.1 交错 ⟹ 交换两个位置变号 #

设 $\alpha$ 交错，$v_1,v_2$ 任意。在前两个位置都填 $v_1+v_2$：

$$0=\alpha(v_1+v_2,\ v_1+v_2,\ v_3,\dots,v_m).$$

左边是 $0$，因为两个位置取了同一个向量。现在把右边按第一个位置拆开（用第一位置的线性）：

$$\alpha(v_1+v_2,v_1+v_2,\dots)=\alpha(v_1,v_1+v_2,\dots)+\alpha(v_2,v_1+v_2,\dots).$$

再对每一项按第二个位置拆开：

$$\begin{aligned} 0={}&\alpha(v_1,v_1,\dots)+\alpha(v_1,v_2,\dots)\\ &+\alpha(v_2,v_1,\dots)+\alpha(v_2,v_2,\dots). \end{aligned}$$

其中第一项与第四项因前两个位置相同而为 $0$，于是

$$\alpha(v_1,v_2,v_3,\dots,v_m)=-\alpha(v_2,v_1,v_3,\dots,v_m).$$

这就是反称性，而且它是被推导出来的，不是假设。

把 3.1 用到任意两个位置 $j<k$：只需把上面论证里的「前两个位置」换成「第 $j$、第 $k$ 个位置」，其余位置原样固定，结论完全一样：

$$\alpha(\dots,v_k,\dots,v_j,\dots)=-\alpha(\dots,v_j,\dots,v_k,\dots).$$

3.2 线性相关组代入，值是 0 #

设 $v_1,\dots,v_m$ 线性相关。由 04 讲的线性相关性引理，其中某个向量是它前面向量的线性组合：存在 $k$ 与 $b_1,\dots,b_{k-1}$ 使

$$v_k=b_1v_1+\cdots+b_{k-1}v_{k-1}.$$

只对第 $k$ 个位置用线性：

$$\begin{aligned} \alpha(v_1,\dots,v_m) &=\alpha\Big(v_1,\dots,v_{k-1},\ \sum_{j=1}^{k-1}b_jv_j,\ v_{k+1},\dots,v_m\Big)\\ &=\sum_{j=1}^{k-1}b_j\,\alpha(v_1,\dots,v_{k-1},\,v_j,\,v_{k+1},\dots,v_m). \end{aligned}$$

看第 $j$ 项：它的第 $j$ 个位置是 $v_j$，第 $k$ 个位置也是 $v_j$，两个不同位置取值相同，故该项为 $0$。$k-1$ 项全为 $0$，所以总和为 $0$。

这一步之后，很多结论都会自动掉出来。

3.3 $m>\dim V$ 时只有零函数 #

设 $n=\dim V$，$m>n$。任取 $v_1,\dots,v_m\in V$：$m$ 个向量放在 $n$ 维空间里，长度超过维数，必然线性相关（04 讲的长度不等式）；由 3.2，$\alpha(v_1,\dots,v_m)=0$。

$m$ 元组是任取的，所以 $\alpha$ 恒等于 $0$——零函数是唯一的交错 $m$ 重线性型。

3.4 排列与它的符号 #

要把「多次交换」说清楚，就得数交换次数，而交换次数的奇偶需要一套记账工具。

排列：$(1,\dots,m)$ 的一个排列是不重不漏地含有 $1,\dots,m$ 的 $m$ 元组 $(j_1,\dots,j_m)$。全体记作 $\operatorname{perm}_m$，共 $m!$ 个。

逆序数：$(j_1,\dots,j_m)$ 中满足「$k<\ell$ 但 $k$ 排在 $\ell$ 之后」的整数对 $(k,\ell)$ 的个数，记作 $N$。

符号：

$$\operatorname{sign}(j_1,\dots,j_m)=(-1)^N.$$

三个必须自己数一遍的例子：

排列	逆序对	$N$	符号
$(1,2,3,4)$	无	$0$	$+1$
$(2,1,3,4)$	$(1,2)$	$1$	$-1$
$(2,3,4,1)$	$(1,2),(1,3),(1,4)$	$3$	$-1$
$(2,3,\dots,m,1)$	$(1,2),(1,3),\dots,(1,m)$	$m-1$	$(-1)^{m-1}$

注意最后一行：把 $1$ 挪到末尾，逆序对恰好是 $(1,\ell)$ 这一族，共 $m-1$ 个。这个模式在 3.5 里会被反复用到。

关键性质：交换排列中的任意两项，符号乘以 $-1$。

证明思路分三段，每一段都只需数数：

1. 只看被交换的那两项自身：它们在交换前若按自然顺序，交换后就不按，反之亦然。所以这一对的逆序状态翻转，贡献变化 $\pm1$（奇数）。
2. 只看某个中间项与这两项组成的两个数对：若中间项原来与两者都合自然顺序，交换后与两者都不合；原来都不合，交换后都合；原来恰好与一个合，交换后仍恰好与一个合（只是换成了另一个）。三种情形下，这两个数对的逆序数变化分别是 $2$、$-2$、$0$，全是偶数。
3. 其余数对（两个都不在被交换范围内，或与被交换项无关的）状态不变。

于是总逆序数变化 = 奇数 + 若干偶数 = 奇数，符号必然变号。

这条性质是本讲 3.5、3.6 两个公式的全部技术基础。

3.5 一般换位公式 #

结论：若 $\alpha$ 交错，则对任何排列 $(j_1,\dots,j_m)$，

$$\alpha(v_{j_1},\dots,v_{j_m})=\operatorname{sign}(j_1,\dots,j_m)\,\alpha(v_1,\dots,v_m).$$

证明：从 $\alpha(v_{j_1},\dots,v_{j_m})$ 出发，目标是把下标变成 $(1,\dots,m)$。用一系列「交换两个位置」的操作把排列 $(j_1,\dots,j_m)$ 逐步还原成 $(1,\dots,m)$——总能做到，因为排列只是重排，而交换可以生成任何重排。

每做一次交换，两件事同步发生：

• 由 3.1，$\alpha$ 的值乘以 $-1$；
• 由 3.4，排列的符号乘以 $-1$。

所以不管中间走了几步，「$\alpha$ 的值」与「符号」的乘积始终不变。走到终点时排列是 $(1,\dots,m)$，符号为 $+1$，值就是 $\alpha(v_1,\dots,v_m)$。因此起点处

$$\alpha(v_{j_1},\dots,v_{j_m})=\operatorname{sign}(j_1,\dots,j_m)^{-1}\alpha(v_1,\dots,v_m)=\operatorname{sign}(j_1,\dots,j_m)\alpha(v_1,\dots,v_m),$$

最后一步用了 $\operatorname{sign}=\pm1$ 与自身互逆。

小验证：$m=3$ 时

$$\alpha(v_3,v_1,v_2)=\operatorname{sign}(3,1,2)\alpha(v_1,v_2,v_3).$$

$(3,1,2)$ 的逆序对是 $(1,3),(2,3)$，$N=2$，符号 $+1$，所以两值相等。手算一遍：交换第 1、3 位得 $-\alpha(v_2,v_1,v_3)$，再交换前两位得 $+\alpha(v_1,v_2,v_3)$——两次交换，确实没变号 ✓

3.6 主公式：$n$ 维空间上的交错 $n$ 重线性型 #

这是整讲的技术核心。设 $n=\dim V$，$e_1,\dots,e_n$ 是 $V$ 的一个基，$v_1,\dots,v_n\in V$。把每个 $v_k$ 用基表示：

$$v_k=\sum_{j=1}^{n}b_{j,k}\,e_j,\qquad k=1,\dots,n.$$

（注意下标顺序：$b_{j,k}$ 是「第 $k$ 个向量在第 $j$ 个基向量上的系数」，即矩阵的第 $j$ 行第 $k$ 列。）

结论：

$$\alpha(v_1,\dots,v_n)=\alpha(e_1,\dots,e_n)\sum_{(j_1,\dots,j_n)\in\operatorname{perm}_n}\operatorname{sign}(j_1,\dots,j_n)\,b_{j_1,1}b_{j_2,2}\cdots b_{j_n,n}.$$

证明分四步，一步都不能省。

第一步：把每个位置展开。 由第 1 个位置的线性，

$$\alpha(v_1,v_2,\dots,v_n)=\sum_{j_1=1}^{n}b_{j_1,1}\,\alpha(e_{j_1},v_2,\dots,v_n).$$

再对第 2 个位置做同样的事，得双重和；如此做 $n$ 次：

$$\alpha(v_1,\dots,v_n)=\sum_{j_1=1}^{n}\cdots\sum_{j_n=1}^{n}b_{j_1,1}\cdots b_{j_n,n}\,\alpha(e_{j_1},\dots,e_{j_n}).$$

这里系数可以提到 $\alpha$ 外面，因为 $\alpha$ 在每个位置都是线性的——这就是「多重线性」在计算上的全部用处。

第二步：只留互异的指标。 共有 $n^n$ 项。若某个 $n$ 元组 $(j_1,\dots,j_n)$ 中有两个指标相同，比如 $j_p=j_q$，那么 $\alpha(e_{j_1},\dots,e_{j_n})$ 有两个位置是同一个基向量，由交错性为 $0$。所以只有「$j_1,\dots,j_n$ 两两互异」的项存活，而互异的 $n$ 元组恰好就是 $\operatorname{perm}_n$：

$$\alpha(v_1,\dots,v_n)=\sum_{(j_1,\dots,j_n)\in\operatorname{perm}_n}b_{j_1,1}\cdots b_{j_n,n}\,\alpha(e_{j_1},\dots,e_{j_n}).$$

第三步：用 3.5 把 $\alpha(e_{j_1},\dots,e_{j_n})$ 换成符号乘常数。

$$\alpha(e_{j_1},\dots,e_{j_n})=\operatorname{sign}(j_1,\dots,j_n)\,\alpha(e_1,\dots,e_n).$$

第四步：提出公因子。 $\alpha(e_1,\dots,e_n)$ 与求和指标无关，可以提到和号外，得到结论。

最小算例（$n=2$，务必自己动手）：设 $v_1=b_{1,1}e_1+b_{2,1}e_2$，$v_2=b_{1,2}e_1+b_{2,2}e_2$。排列只有两个：$(1,2)$ 符号 $+1$，$(2,1)$ 符号 $-1$。于是

$$\begin{aligned} \alpha(v_1,v_2)&=\alpha(e_1,e_2)\big(b_{1,1}b_{2,2}-b_{2,1}b_{1,2}\big)\\ &=\alpha(e_1,e_2)\begin{vmatrix}b_{1,1}&b_{1,2}\\ b_{2,1}&b_{2,2}\end{vmatrix}. \end{aligned}$$

$n$ 维的结论只有一句话：交错 $n$ 重线性型在任意输入上的值，等于它在基上的值乘以一个完全由坐标决定的数。 那个数就是行列式。换句话说，一旦知道了 $\alpha(e_1,\dots,e_n)$ 这一个数，$\alpha$ 在所有输入上的值就全部被锁死了。

3.7 维数：$\dim V^{(\dim V)}_{\mathrm{alt}}=1$ #

上界。 设 $\alpha\neq 0$ 是交错的 $n$ 重线性型，$\alpha'$ 是任一个。先注意：$\alpha(e_1,\dots,e_n)\neq 0$ 对某个基成立——因为若 $\alpha$ 在所有输入上非零，取一组使 $\alpha\neq 0$ 的输入，由 3.2 的逆否命题它必线性无关，$n$ 个线性无关向量就是基。

于是可以取 $c\in\mathbb{F}$ 使

$$\alpha'(e_1,\dots,e_n)=c\,\alpha(e_1,\dots,e_n).$$

对任意 $v_1,\dots,v_n$，3.6 给出

$$\begin{aligned} \alpha'(v_1,\dots,v_n)&=\alpha'(e_1,\dots,e_n)\sum_{\operatorname{perm}}\operatorname{sign}\cdot b_{j_1,1}\cdots b_{j_n,n}\\ &=c\,\alpha(e_1,\dots,e_n)\sum_{\operatorname{perm}}\operatorname{sign}\cdot b_{j_1,1}\cdots b_{j_n,n}=c\,\alpha(v_1,\dots,v_n). \end{aligned}$$

$v_1,\dots,v_n$ 任意，故 $\alpha'=c\alpha$。也就是说，任何 $\alpha'$ 都在 $\alpha$ 的一维张成里，$\dim\le 1$。

下界（要证明不为零维）。 上界只说明「至多一维」，还得真的造一个非零的出来。取对偶基 $\varphi_1,\dots,\varphi_n$（即 $v=\sum_j\varphi_j(v)e_j$，$\varphi_j$ 就是「取第 $j$ 个坐标」），定义

$$\alpha(v_1,\dots,v_n)=\sum_{(j_1,\dots,j_n)\in\operatorname{perm}_n}\operatorname{sign}(j_1,\dots,j_n)\,\varphi_{j_1}(v_1)\cdots\varphi_{j_n}(v_n).\tag{3.1}$$

• 多重线性：每一项是 $n$ 个线性泛函的乘积，每个 $v_k$ 恰好出现一次，故对每个位置线性。
• 交错：设 $v_1=v_2$。对每个排列 $(j_1,j_2,j_3,\dots,j_n)$，把前两位对调得到的排列 $(j_2,j_1,j_3,\dots,j_n)$ 符号相反（3.4），而 $\varphi_{j_1}(v_1)\varphi_{j_2}(v_2)=\varphi_{j_1}(v)\varphi_{j_2}(v)=\varphi_{j_2}(v_1)\varphi_{j_1}(v_2)$ 数值相同。于是这两项在和中成对相消，总和为 $0$。其余位置同理。所以 $\alpha$ 交错。
• 非零：取 $v_k=e_k$，则 $\varphi_j(e_k)=\delta_{jk}$，求和里只有排列 $(1,\dots,n)$ 的那一项不为零，值为 $1$。所以 $\alpha(e_1,\dots,e_n)=1\neq 0$。

上下界合起来，$\dim V^{(n)}_{\mathrm{alt}}=1$。

3.8 归一化：行列式就是那个唯一者 #

把 3.7 的两件事合起来：交错 $n$ 重线性型构成一维空间；其中满足 $\alpha(e_1,\dots,e_n)=1$ 的只有一个。37 讲定义行列式时走的就是这条公理化路线——「多重线性 + 交错 + 单位阵取 $1$」，三条锁死一个函数。

而 3.6 又告诉我们这个唯一函数的具体公式就是

$$\det A=\sum_{(j_1,\dots,j_n)\in\operatorname{perm}_n}\operatorname{sign}(j_1,\dots,j_n)\,a_{j_1,1}a_{j_2,2}\cdots a_{j_n,n}$$

（把 $b_{j,k}$ 换成矩阵元 $a_{j,k}$）。于是「公理化定义」与「排列求和定义」在这里接上了：前者告诉你为什么只能是它，后者告诉你具体怎么算。两种定义不是竞争关系，是同一件事的两个侧面。

3.9 反向：值非零 ⟺ 线性无关 #

设 $n=\dim V$，$\alpha$ 是非零的交错 $n$ 重线性型，$e_1,\dots,e_n\in V$。则

$$\alpha(e_1,\dots,e_n)\neq 0\quad\Longleftrightarrow\quad e_1,\dots,e_n\text{ 线性无关}.$$

• $\Rightarrow$：若相关，由 3.2 值为 $0$，与假设矛盾。

• $\Leftarrow$：若无关，则 $n$ 个无关向量在 $n$ 维空间里构成基。反设 $\alpha(e_1,\dots,e_n)=0$。对任意 $v_1,\dots,v_n$，3.6 把它们按基 $e$ 展开后给出

  $$\alpha(v_1,\dots,v_n)=\alpha(e_1,\dots,e_n)\cdot(\text{某个数})=0.$$

  也就是说 $\alpha$ 恒等于零函数，与「$\alpha$ 非零」矛盾。故 $\alpha(e_1,\dots,e_n)\neq 0$。

这条证明很短，但它用到了一个容易被忽略的事实：3.6 里的基可以任取。既然 $e$ 是基，任何输入组都能用 $e$ 展开，于是 $\alpha(e)=0$ 会立刻把整个 $\alpha$ 拖成零。

---

四、几何直观 / 记忆钩子 #

4.1 交错 = 「压扁了就归零」 #

把 $\alpha(v_1,\dots,v_n)$ 想成「以 $v_1,\dots,v_n$ 为棱的平行体的有向体积」。

• 若两条棱重合（$v_j=v_k$），平行体退化成低维的东西，体积为 $0$ ← 这就是交错性；
• 某条棱拉长 $2$ 倍，体积也乘 $2$；把一条棱拆成两段，体积分成两部分相加 ← 这就是多重线性；
• 交换两条棱，同一个平行体被「翻了个面」，定向反转 ← 这就是变号。

这三条不是三个独立的规定，是同一个几何对象的三张脸。所以定义里只写「重复归零」就够了，另外两张脸会自动长出来。

4.2 符号 = 洗牌的奇偶 #

$\operatorname{sign}(j_1,\dots,j_m)$ 只有一个信息量：把乱序洗回顺序要洗奇数次还是偶数次。所以：

奇数次交换 → 值变号；偶数次交换 → 值不变。

这句口诀比逆序数的定义好记，也比逆序数好算。只有在真要写公式时才回去数逆序对。

4.3 一条递推的记忆链 #

把整讲的逻辑压成四步，每步只依赖上一步：

$$\underbrace{\text{重复归零}}_{\text{定义}}\Longrightarrow\underbrace{\text{换位变号}}_{3.1}\Longrightarrow\underbrace{\text{按排列符号展开}}_{3.5,\ 3.6}\Longrightarrow\underbrace{\text{只差一个标量}}_{3.7}$$

考试时如果忘了 3.6 的公式，从 3.1 重新推一遍只要三分钟——这就是为什么 3.1 必须自己算过一次。

4.4 两个「数一数」的钩子 #

• 为什么 $m>n$ 时归零？ $n$ 维空间里最多塞 $n$ 个独立方向，第 $m$ 个必然落在前面张成的空间里，于是「有一个位置是其余位置的组合」，一展开就出现「两个位置相同」的项。
• 为什么恰好一维？ 因为 $\alpha$ 的全部信息就是一个数 $\alpha(e_1,\dots,e_n)$（3.6），而这个数可以任取。一个自由度 = 一维。

---

五、常见误区 #

$$\alpha(2v,2v)=4\,\alpha(v,v)\neq 2\,\alpha(v,v)\quad(\text{当 }\alpha(v,v)\neq0).$$

每个位置各乘一个 $2$，一共乘 $2^m$。 同理，各位置加一个 $w$ 会产生 $2^m$ 项，不是 $2$ 项。
记住这条，算 $\alpha(v_1+w,v_2+w)$ 时才不会漏项。

---

六、拓展（可跳过） #

6.1 $\dim V^{(m)}=(\dim V)^m$ #

非交错的 $m$ 重线性型有多少？取基 $e_1,\dots,e_n$ 与对偶基 $\varphi_1,\dots,\varphi_n$。对每个 $m$ 元指标 $(j_1,\dots,j_m)\in\{1,\dots,n\}^m$，定义

$$\beta_{j_1\cdots j_m}(v_1,\dots,v_m)=\varphi_{j_1}(v_1)\varphi_{j_2}(v_2)\cdots\varphi_{j_m}(v_m).$$

每个 $\beta$ 都是 $m$ 重线性型（每个 $v_k$ 只出现在一个因子里，且是一次）。它们构成一组基：任何 $\beta$ 由它在所有 $(e_{j_1},\dots,e_{j_m})$ 上的值决定（与 3.6 第一步同样的展开），而这些值共 $n^m$ 个、可任意指定，故

$$\dim V^{(m)}=n^m.$$

对照 3.7：加上交错性后，维数从 $n^n$ 塌缩到 $1$。这个塌缩幅度就是「交错」这条要求的全部力量。

6.2 中间情形：$\dim V^{(m)}_{\mathrm{alt}}=\binom{n}{m}$ #

$m$ 介于 $1$ 与 $n$ 之间时，维数是组合数。论证与 3.6 同款：$\alpha$ 在所有输入上的值由它在基上的值 $\alpha(e_{i_1},\dots,e_{i_m})$ 决定；指标有重复的项为 $0$；互异的指标组可以重排成递增的一组，代价是乘一个符号（3.5）。所以 $\alpha$ 由它在

$$(e_{i_1},\dots,e_{i_m}),\qquad 1\le i_1<i_2<\cdots<i_m\le n$$

这些「递增指标组」上的值决定，共 $\binom{n}{m}$ 个自由度；反过来这些值可以任意指定（用 6.1 的 $\beta$ 做交替化，见 6.4）。

结论：

$$\dim V^{(m)}_{\mathrm{alt}}=\binom{n}{m}\quad(m\le n),\qquad =0\quad(m>n).$$

检验端点：$m=n$ 给 $\binom{n}{n}=1$，与 3.7 一致；$m=1$ 给 $\binom{n}{1}=n$，即线性泛函空间 $V'$ 是 $n$ 维，与 12 讲一致；$m=2$ 给 $\binom{n}{2}$，即交错双线性型（反对称矩阵）的维数是 $\binom{n}{2}$，$n=3$ 时是 $3$——恰好对应叉积的三个分量。

6.3 名字的来历：外幂与楔积 #

把 $V^{(m)}_{\mathrm{alt}}$ 记作 $\Lambda^m(V)$（读作「$V$ 的 $m$ 次外幂」）。它有乘法结构：把交错 $p$ 重线性型与交错 $q$ 重线性型「相乘」，再把结果交替化，得到交错 $(p+q)$ 重线性型，记作 $\alpha\wedge\beta$，读作楔积。核心性质正是交错性的代数翻译：

$$v\wedge v=0,\qquad v\wedge w=-w\wedge v.$$

而 $\Lambda^n(V)$ 是一维的这一事实，用外代数的话说就是「$n$ 维空间的外代数的顶层只有一个方向」——那个方向上的「单位向量」就是体积元，取坐标后就是行列式。

6.4 把任意多线性型「掰」成交错型（交替化） #

给定任意 $m$ 重线性型 $\beta$，令

$$\alpha(v_1,\dots,v_m)=\sum_{(j_1,\dots,j_m)\in\operatorname{perm}_m}\operatorname{sign}(j_1,\dots,j_m)\,\beta(v_{j_1},\dots,v_{j_m}).$$

$\alpha$ 自动是交错的：交换 $v_1,v_2$ 会让每一项对应到「前两位对调、符号相反」的另一项，两项相消（与 3.7 中验证交错的论证完全一样）。这个操作叫交替化，它把「多重线性」升级成「交错多重线性」，也是 6.2 里构造任意指定值的交错型的工具。

---

七、自测（先做，再看答案） #

1. 设 $\alpha,\rho$ 是 $V$ 上的双线性型，$\beta(v_1,v_2,v_3,v_4)=\alpha(v_1,v_2)\rho(v_3,v_4)$。$\beta$ 是 4 重线性型吗？它交错吗？给出判据。

2. 不看书，自己用两行推出：交错 $\Rightarrow$ 交换第 2、3 个位置变号。写清每一步用了哪条性质。

3. 设 $V=\mathbb{R}^2$，$\alpha(v,w)=v_1w_2-v_2w_1$。取 $v_1=(1,2)$、$v_2=(3,5)$，求 $\alpha(v_1,v_2)$。再用 3.6 的公式重算一遍，核对两个结果。

4. 求 $\dim\Lambda^3(\mathbb{F}^5)$ 与 $\dim\Lambda^4(\mathbb{F}^3)$。后者为 $0$ 的理由是什么？

5. 在 $\mathbb{R}^3$ 上给出一个非零交错 2 重线性型 $\alpha$ 与一组线性无关的 $v_1,v_2$，使 $\alpha(v_1,v_2)=0$。并说明这为什么不违反 3.9。

答案（点开）

1. 是 4 重线性型：固定 $v_2,v_3,v_4$ 后 $\beta$ 是 $\alpha(\cdot,v_2)$（一个线性泛函）乘常数 $\rho(v_3,v_4)$，线性；其余位置同理。
一般不是交错的。 判据：$\beta$ 交错要求「任意两个位置取相同向量就给 $0$」，
而 $\beta(v_1,v_2,v_1,v_4)=\alpha(v_1,v_2)\rho(v_1,v_4)$，两个因子一般都不为零。
只有当 $\alpha$ 或 $\rho$ 有某个因子恒为零时才会退化成交错型（例如 $\rho$ 交错且两两配对成立的特殊构造）。
要点：多重线性对「相乘拼接」封闭，交错性不封闭。

2. 在两个位置（第 2、3 位）都填 $v_2+v_3$：

$$0=\alpha(v_1,\ v_2+v_3,\ v_2+v_3,\ v_4,\dots)$$

左边为 $0$ 用的是交错性（两位置相同）。把右边按第 2 位拆成两项、每项再按第 3 位拆成两项，用的是第 2、3 位置的线性：

$$0=\alpha(v_1,v_2,v_2,\dots)+\alpha(v_1,v_2,v_3,\dots)+\alpha(v_1,v_3,v_2,\dots)+\alpha(v_1,v_3,v_3,\dots).$$

首尾两项因两位置相同而为 $0$（交错性），剩下

$$\alpha(v_1,v_2,v_3,\dots)=-\alpha(v_1,v_3,v_2,\dots).\qquad\blacksquare$$

全程只用了交错性与逐位置线性，与 3.1 一字不差，只是位置换了。

3. 直接算：$\alpha=1\cdot5-2\cdot3=5-6=-1$。
用 3.6：坐标矩阵 $\begin{pmatrix}1&3\\2&5\end{pmatrix}$，即 $b_{1,1}=1,b_{2,1}=2,b_{1,2}=3,b_{2,2}=5$。
两个排列：$(1,2)$ 符号 $+1$ 给 $b_{1,1}b_{2,2}=5$；$(2,1)$ 符号 $-1$ 给 $-b_{2,1}b_{1,2}=-6$。
合计 $-1$，且 $\alpha(e_1,e_2)=1-0=1$，故 $\alpha=-1$ ✓ 两法一致。

4. $\dim\Lambda^3(\mathbb{F}^5)=\binom{5}{3}=10$；$\dim\Lambda^4(\mathbb{F}^3)=\binom{3}{4}=0$，也可直接说：$m=4>3=\dim V$，由 3.3 只有零函数，故空间是零维的。
（$\binom{n}{m}$ 在 $m>n$ 时按 $0$ 理解，与 3.3 相容。）

5. 取 $\alpha(u,v)=u_1v_2-u_2v_1$（非零：$\alpha(e_1,e_2)=1$），再取

$$v_1=e_2=(0,1,0),\qquad v_2=e_3=(0,0,1).$$

两者线性无关（标准基的两个成员），但 $\alpha(e_2,e_3)=0\cdot1-1\cdot0=0$。
不违反 3.9，因为 3.9 的前提是「$m=\dim V$」，而这里 $m=2<3=\dim V$。
$\alpha$ 只看得见 $e_1,e_2$ 张成的那张平面，对 $e_3$ 方向完全失明。

---

八、复习卡 #

项	内容
$m$ 重线性型	$\alpha:V_m\to\mathbb{F}$，每个位置固定其余时都线性
记号	$V^{(m)}$：全体 $m$ 重线性型；$V^{(m)}_{\mathrm{alt}}$：其中交错的那些
交错	存在 $j\neq k$ 使 $v_j=v_k$ $\Rightarrow$ $\alpha(v_1,\dots,v_m)=0$
子空间	$V^{(m)}_{\mathrm{alt}}\le V^{(m)}$（加法、数乘后仍交错）
交错 $\Rightarrow$ 反称	两位置填 $v+w$ 展开，得 $\alpha(\dots,v,w,\dots)=-\alpha(\dots,w,v,\dots)$
相关 $\Rightarrow$ 零	用 04 讲线性相关性引理 + 第 $k$ 位置线性
$m>\dim V$	只有零函数：$V^{(m)}_{\mathrm{alt}}=\{0\}$
逆序数 / 符号	$N=$ 逆序对个数，$\operatorname{sign}=(-1)^N$
换位变号（排列）	交换排列两项 $\Rightarrow$ 符号乘 $-1$；故奇偶次交换决定 $\alpha$ 是否变号
换位公式	$\alpha(v_{j_1},\dots,v_{j_m})=\operatorname{sign}(j_1,\dots,j_m)\alpha(v_1,\dots,v_m)$
主公式（$n=\dim V$）	$\alpha(v_1,\dots,v_n)=\alpha(e_1,\dots,e_n)\sum_{\operatorname{perm}}\operatorname{sign}\,b_{j_1,1}\cdots b_{j_n,n}$
维数	$\dim V^{(n)}_{\mathrm{alt}}=1$；一般地 $\dim V^{(m)}_{\mathrm{alt}}=\binom{n}{m}$（$m\le n$），否则 $0$
$\dim V^{(m)}$	$=n^m$
行列式	交错 $n$ 重线性型 + 归一化 $\alpha(e_1,\dots,e_n)=1$，唯一
非零判据	$n=\dim V$、$\alpha$ 非零交错 $\Rightarrow$ $\alpha(e_1,\dots,e_n)\neq0$ 当且仅当 $e_1,\dots,e_n$ 无关
几何	交错 = 体积在退化棱上归零；多重线性 = 逐方向缩放；变号 = 定向翻转
口诀	「重复即零 → 换位变号 → 奇偶定号 → 只差标量」

---

九、出处与延伸（可选，不影响阅读） #

• 主要来源：Sheldon Axler《线性代数应该这样学》第四版（吴俊达、何阳译）第 9 章 9B 节「交错多重线性型」，印刷页 289–295（PDF p302–309）。本节的定义、主公式、维数为 $1$ 的证明与不自相矛盾的反向判据，均按该处原文核对过条件与编号顺序。
• 与相邻主题的接口：原文中本讲前后两节分别是双线性型与二次型（对应本课程 35 讲）、用本讲结论公理化地定义行列式（对应本课程 37 讲）。本讲的主要结论在原文中的编号落在 9.24–9.39 区间，正文不引编号，需要回查时按标题检索即可：「交错多重线性型」「排列」「符号」。
• 术语别名：「交错多重线性型」= alternating multilinear form；「反称」= antisymmetric / skew-symmetric；「$m$ 重线性型」也译「$m$ 线性型」「多线性型」；$\Lambda^m(V)$ 读作「$V$ 的 $m$ 次外幂」（exterior power）。
• 习题里的三道好题：原文习题 9B 第 3 题（把「相邻两位相同则零」减弱成条件仍能推出交错）、第 5 题（交替化）、第 7 题（$m<\dim V$ 时反向判据失效的反例）——本讲的自测第 2、5 题就是第 3、7 题的改写。
• 想深挖时：外代数与楔积的系统讲法可查任何一本多重线性代数教材的「exterior algebra / 外积」章；微分形式（$\mathrm{d}x\wedge\mathrm{d}y$）的整套符号体系就是这套语言在分析里的落地——那里的「交错」正是为了让二重积分换元时出现雅可比行列式。
• 历史注记：把行列式刻画为「唯一的交错 $n$ 重线性型」是 19 世纪末 Weierstrass、Kronecker 一系工作的产物，它取代了更早的排列求和定义成为现代标准讲法；两者等价性由本讲 3.6 与 3.7 给出。