本页目录

高代 III · 矩阵

矩阵在本页完成身份升级：从"方程组的系数表"变成自带代数运算的对象。乘法为什么那样定义、逆矩阵何时存在、分块怎么用、秩的不等式体系——这些是后面一切结构理论（相似、合同、分解）的操作基础。

1. 运算与乘法的本质

加法、数乘逐元素；乘法 \((AB)_{ij} = \sum_k a_{ik}b_{kj}\)。为什么这样定义？因为矩阵乘法 = 线性映射的复合（高代 IV 将正式建立；先记住这个视角，乘法的一切"怪癖"都由它解释）：

不交换：\(AB \neq BA\)（映射复合本来就不交换）；
有零因子：\(AB = 0 \nRightarrow A = 0\) 或 \(B = 0\)；不能消去：\(AB = AC \nRightarrow B = C\)（除非 \(A\) 可逆）；
结合律、分配律成立；\((AB)^\top = B^\top A^\top\)（穿衣脱衣顺序）。

方阵幂与多项式：\(A^k\)、\(f(A) = a_n A^n + \cdots + a_0 I\)；同一矩阵的多项式彼此交换——这一小事实是高代 V 里 Cayley–Hamilton 与最小多项式理论的操作基础。

特殊矩阵速查：对角、数量矩阵 \(kI\)（与一切方阵交换，且只有它们如此）、上/下三角（乘积保持三角）、对称 \(A^\top = A\) / 反对称 \(A^\top = -A\)（任意方阵 = 对称 + 反对称的唯一分解 \(A = \frac{A + A^\top}{2} + \frac{A - A^\top}{2}\)）、正交矩阵（高代 VI）、幂等 \(A^2 = A\)（投影）、幂零 \(A^k = 0\)。

2. 逆矩阵

定义 \(AB = BA = I\) 则 \(B = A^{-1}\)（存在必唯一）。

定理（可逆判别大集合） 对 \(n\) 阶方阵，以下等价：\(A\) 可逆 \(\iff \det A \neq 0 \iff \mathrm{rank}\,A = n \iff Ax = 0\) 只有零解 \(\iff\) 行（列）向量组线性无关 \(\iff A\) 可写成初等矩阵之积 \(\iff\) 0 不是 \(A\) 的特征值。这张等价清单是线性代数的"中枢神经"，各页概念在此汇合，值得整体背诵。

求逆两法：伴随法 \(A^{-1} = \frac{1}{\det A}\mathrm{adj}(A)\)（理论用、\(2\times2\) 速算 \(\begin{pmatrix} a&b\\c&d\end{pmatrix}^{-1} = \frac{1}{ad-bc}\begin{pmatrix} d&-b\\-c&a\end{pmatrix}\)）；初等变换法 \((A \mid I) \xrightarrow{\text{行变换}} (I \mid A^{-1})\)（实算用）。

性质：\((AB)^{-1} = B^{-1}A^{-1}\)；\((A^\top)^{-1} = (A^{-1})^\top\)；\(\det A^{-1} = (\det A)^{-1}\)。

伴随矩阵补充公式（考试常客）：\(\det(\mathrm{adj} A) = (\det A)^{n-1}\)；\(\mathrm{rank}(\mathrm{adj}A) = n / 1 / 0\) 分别对应 \(\mathrm{rank}A = n / n{-}1 / {<}n{-}1\)。

3. 分块矩阵

把矩阵按块划分，块当元素做运算（乘法要求分法相容）。三个高频武器：

分块对角：\(\mathrm{diag}(A_1, A_2)\) 的逆/幂/行列式逐块算，\(\det = \det A_1 \det A_2\)；
分块三角：\(\det\begin{pmatrix} A & C \\ 0 & B \end{pmatrix} = \det A \det B\)；
打洞（Schur 补）：用块消元处理 \(\begin{pmatrix} A & B \\ C & D\end{pmatrix}\)，\(A\) 可逆时行列式 \(= \det A \cdot \det(D - CA^{-1}B)\)。🔗 Schur 补在数值分析（分块消元）、统计（条件高斯分布的协方差！概率页）中反复出现。

列/行视角（比元素视角更重要的思维方式）：\(Ax\) = A 的列的线性组合（系数是 \(x\) 的分量）；\(AB\) 的每列 = \(A\) 乘 \(B\) 的对应列。🔗 神经网络每层 \(Wx\) 就该这样读（ai 课 04 讲）。

4. 初等矩阵与等价标准形

初等矩阵 = 单位阵做一次初等变换；左乘 = 行变换、右乘 = 列变换。初等矩阵皆可逆。

定理（等价标准形） 任意 \(m \times n\) 矩阵存在可逆 \(P, Q\)：

\[ PAQ = \begin{pmatrix} I_r & 0 \\ 0 & 0 \end{pmatrix}, \qquad r = \mathrm{rank}\,A \]

——在"两边随便乘可逆阵"的等价关系下，秩是唯一的不变量。这是三大标准形（等价/相似/合同）中最粗的一个，后两个分别在高代 V、VI 登场，"变换群越小、不变量越细"的主线由此开始。

5. 秩的不等式体系

（证明思路多为"解空间包含关系"或"分块打洞"，每条至少会用。）

不等式	备注
\(\mathrm{rank}(A + B) \leq \mathrm{rank}A + \mathrm{rank}B\)
\(\mathrm{rank}(AB) \leq \min(\mathrm{rank}A, \mathrm{rank}B)\)	乘法不增秩
\(\mathrm{rank}(AB) \geq \mathrm{rank}A + \mathrm{rank}B - n\)	Sylvester；\(AB = 0 \Rightarrow \mathrm{rank}A + \mathrm{rank}B \leq n\)
\(P, Q\) 可逆 ⇒ \(\mathrm{rank}(PAQ) = \mathrm{rank}A\)	可逆乘法保秩
\(\mathrm{rank}(A^\top A) = \mathrm{rank}A\)	实矩阵；最小二乘法方程可解性的依据

🔗 AI 衔接：低秩 = 信息冗余可压缩——LoRA（comfy 课 05 讲 \(\Delta W = BA\)，\(\mathrm{rank} \leq r\)）、推荐系统矩阵分解、模型压缩全部立足于秩的语言。

6. 典型例题

例 1（求逆） \(A = \begin{pmatrix} 1 & 2 & 3 \\ 2 & 5 & 3 \\ 1 & 0 & 8 \end{pmatrix}\)：\((A\mid I)\) 行变换到 \((I \mid A^{-1})\)，得 \(A^{-1} = \begin{pmatrix} -40 & 16 & 9 \\ 13 & -5 & -3 \\ 5 & -2 & -1 \end{pmatrix}\)（验算 \(AA^{-1} = I\) 一次，防手滑）。

例 2（Sylvester 应用） \(A^2 = I\)（对合矩阵），证明 \(\mathrm{rank}(A + I) + \mathrm{rank}(A - I) = n\)。解：\((A+I)(A-I) = 0\) ⇒ 秩和 \(\leq n\)（Sylvester）；又 \((A+I) - (A-I) = 2I\) ⇒ 秩和 \(\geq \mathrm{rank}(2I) = n\)。两头夹住等号。"乘积为零 + 和为可逆"双夹是这类题的固定拳法。

例 3（分块求逆） \(M = \begin{pmatrix} A & 0 \\ C & B \end{pmatrix}\)（\(A, B\) 可逆），验证 \(M^{-1} = \begin{pmatrix} A^{-1} & 0 \\ -B^{-1}CA^{-1} & B^{-1} \end{pmatrix}\)（按块乘一遍即可；记结构不记公式：对角块取逆，角块"左右夹逆再变号"）。\(\blacksquare\)

下一页离开具体矩阵，进入公理化的世界：线性空间与线性映射——"矩阵是线性映射在基下的照片"这句话将正式成立。