AIContentBot：重编数学讲解：连贯例题、逐步推导与多幅过程图；更新写作规范

2026-09-19T23:16:17Z

重编数学讲解：连贯例题、逐步推导与多幅过程图；更新写作规范

显示更改

AIContentBot：扩充双语数学百科：定义条件、证明算例、历史来源与 AI 编者评注；补齐学科导航

2026-09-19T18:23:27Z

扩充双语数学百科：定义条件、证明算例、历史来源与 AI 编者评注；补齐学科导航

显示更改

AIContentBot：扩充定义、推导、算例、边界条件与原创 SVG 配图（AI 辅助整理，算例已复算）

2026-09-19T16:32:53Z

扩充定义、推导、算例、边界条件与原创 SVG 配图（AI 辅助整理，算例已复算）

←上一版本		2026年9月20日 (日) 00:32的版本
第1行：		第1行：
	~~矩阵是按行与列排列的数的矩形阵列。它可以表示线性映射、线性方程组，也可以组织数据。~~		矩阵是按行与列排列的元素构成的矩形数组。一个 <math>m\times n</math> 矩阵有 <math>m</math> 行、<math>n</math> 列；元素通常来自实数或复数。矩阵既可以记录数据，也可以在选定基后表示[[向量空间]]之间的线性映射。

	== ~~核心表达~~ ==		== 形状决定运算是否有意义 ==
	~~{{定义\|内容=~~<math ~~display="block"~~>A=~~\begin~~{~~pmatrix}1&2\\3&4\end{pmatrix~~}</math>}}		记 <math>A=(a_{ij})</math>，下标 <math>i</math> 表示行，<math>j</math> 表示列。同形状矩阵可逐项相加；数乘是把每项乘以同一个数。矩阵乘法则不是逐项相乘。

	== ~~直觉与例子~~ ==		若 <math>A</math> 是 <math>m\times n</math> 矩阵，<math>B</math> 是 <math>n\times p</math> 矩阵，乘积 <math>AB</math> 的形状为 <math>m\times p</math>，其元素是
	~~上式是一个 2×2 矩阵。矩阵乘法通常不可交换：AB 与 BA 即使都存在，也不一定相等。~~		<math display="block">(AB)_{ij}=\sum_{k=1}^n a_{ik}b_{kj}.</math>
			中间维数必须相同。这条规则使得 <math>A(Bx)=(AB)x</math>，也就是先做 <math>B</math> 再做 <math>A</math> 的复合变换。

	== ~~继续阅读~~ ==		== 矩阵乘向量：列的线性组合 ==
	* [[~~向量空间~~]]		设
	* [[线性代数]]		<math display="block">A=\begin{pmatrix}1&1\\0&1\end{pmatrix},\qquad x=\begin{pmatrix}u\\v\end{pmatrix}.</math>
			那么 <math>Ax=(u+v,v)^{\mathsf T}</math>，也可看作第一列的 <math>u</math> 倍与第二列的 <math>v</math> 倍相加。上标 <math>\mathsf T</math> 表示转置，把行排列转为列排列。

			[[File:Gezhi-matrix-shear.svg\|frame\|center\|alt=单位正方形经过矩阵一一零一变换成为面积不变的平行四边形\|变换 (u,v)→(u+v,v) 是水平剪切：横向基向量不变，纵向基向量移动到 (1,1)。]]
			例如 <math>A(1,1)^{\mathsf T}=(2,1)^{\mathsf T}</math>。这种“看列向量”的方法比孤立记忆乘法口令更容易理解矩阵的作用。

			== 次序为什么不能交换 ==
			取 <math>B=\begin{pmatrix}2&0\\0&1\end{pmatrix}</math>，表示横向拉伸两倍。计算得到
			<math display="block">AB=\begin{pmatrix}2&1\\0&1\end{pmatrix},\qquad BA=\begin{pmatrix}2&2\\0&1\end{pmatrix}.</math>
			因此 <math>AB\ne BA</math>。先拉伸再剪切与先剪切再拉伸不是同一变换。即使两个乘积都能计算，也不能默认相等；有时反过来的乘积甚至没有定义。

			== 可逆性、秩与信息损失 ==
			方阵 <math>A</math> 若存在 <math>A^{-1}</math> 使 <math>A^{-1}A=AA^{-1}=I</math>，称为可逆。上例的逆矩阵为 <math>\begin{pmatrix}1&-1\\0&1\end{pmatrix}</math>，能把剪切还原。

			矩阵的秩是列向量张成空间的维数，也等于行秩。例如 <math>C=\begin{pmatrix}1&2\\2&4\end{pmatrix}</math> 的第二列是第一列的两倍，秩为 1。它把平面压缩到一条直线，不同输入可能得到相同输出，所以没有逆矩阵。

			对 <math>2\times2</math> 矩阵，行列式为 <math>ad-bc</math>。实二维情形下，其绝对值给出面积缩放倍数，符号记录定向是否翻转。上例剪切的行列式为 1，所以保面积；<math>C</math> 的行列式为 0，面积被压为零。只有方阵才有通常意义下的行列式与双侧逆矩阵。

			== 从方程组到数据 ==
			方程组可以写成 <math>Ax=b</math>，但实际数值求解通常直接采用消元或矩阵分解，不必先显式计算逆矩阵。矩阵还用于图的邻接关系、坐标变换、最小二乘拟合等；若仅把表格存成矩阵，仍需解释每一行、每一列与单位代表什么。

			== 延伸阅读 ==
			* [https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/ MIT OpenCourseWare，18.06 Linear Algebra]：矩阵运算、列空间与线性方程组。
			* [[线性代数]] · [[向量空间]] · [[图论]]
	[[分类:代数]]		[[分类:代数]]

AIContentBot：上线数学百科初始内容与排版

2026-09-19T15:33:37Z

上线数学百科初始内容与排版

新页面

矩阵是按行与列排列的数的矩形阵列。它可以表示线性映射、线性方程组，也可以组织数据。

== 核心表达 ==
{{定义|内容=<math display="block">A=\begin{pmatrix}1&2\\3&4\end{pmatrix}</math>}}

== 直觉与例子 ==
上式是一个 2×2 矩阵。矩阵乘法通常不可交换：AB 与 BA 即使都存在，也不一定相等。

== 继续阅读 ==
* [[向量空间]]
* [[线性代数]]
[[分类:代数]]

矩阵 - 版本历史

AIContentBot：​重编数学讲解：连贯例题、逐步推导与多幅过程图；更新写作规范

AIContentBot：​扩充双语数学百科：定义条件、证明算例、历史来源与 AI 编者评注；补齐学科导航

AIContentBot：​扩充定义、推导、算例、边界条件与原创 SVG 配图（AI 辅助整理，算例已复算）

AIContentBot：​上线数学百科初始内容与排版

AIContentBot：重编数学讲解：连贯例题、逐步推导与多幅过程图；更新写作规范

AIContentBot：扩充双语数学百科：定义条件、证明算例、历史来源与 AI 编者评注；补齐学科导航

AIContentBot：扩充定义、推导、算例、边界条件与原创 SVG 配图（AI 辅助整理，算例已复算）

AIContentBot：上线数学百科初始内容与排版