第 4 章　矩阵运算

4.1矩阵相等：一模一样才算相等

两个矩阵什么时候「相等」？很直接：形状相同（行数、列数都一样），且每个对应位置上的元素都相等。

比如 [[1,2],[3,4]] 和 [[1,2],[3,4]] 相等；但 [[1,2],[3,4]] 和 [[1,2,0],[3,4,0]] 不等，因为形状都不同（前者 2×2，后者 2×3）。

这看起来是废话，但它确立了后面所有运算的「公平起跑线」：所有运算，本质都是在对应元素之间做文章。

「逐元素」三个字值得再咂摸一遍。一个 m 行 n 列的矩阵共有 mn 个元素，所以「A = B」这一个式子，实际上是 mn 个标量等式的打包：第 1 行第 1 列对第 1 行第 1 列，第 1 行第 2 列对第 1 行第 2 列……一个不多、一个不少。矩阵语言的全部威力，都建立在「一个记号打包一整批信息」之上——相等是这样，后面所有的运算也是这样。

顺着相等的定义，认识两位新朋友。零矩阵 O：所有元素都是 0 的矩阵，它是矩阵加法里的「0」——任何同形矩阵 A 都满足 A + O = A。负矩阵 −A：把 A 的每个元素取相反数，A + (−A) = O。所谓减法，其实就是「加负矩阵」：A − B = A + (−B)。你发现了吗？交换律、结合律、单位元、逆元——这套装备和第 1 章向量的、和普通数字的，一模一样。第 2 章说过：凡是凑齐这套装备的对象，都活在一个「向量空间」里；全体 m×n 矩阵也是其中一员，这一章不过是把那套公理在新对象身上重新演示一遍。

工程语境里，「矩阵相等」是个极严格的标准。比如结构试验中，同一试件分两轮采集的应变矩阵（行 = 测点、列 = 载荷级）若能逐元素完全一致，才敢下结论说「两轮数据无漂移、传感器无松动」；真实数据总有噪声，逐元素相等几乎不可能出现，工程师退而求其次去比均值、比最大偏差——但那是另一回事：矩阵相等的定义里没有「差不多」，差一点点就是不相等。数值程序判断两个矩阵是否一致，也因此必须逐元素比较，而不是比某个汇总指标。

顺带一个辨析：[[1,0],[0,1]] 与 [[2,0],[0,0.5]]，把每行每列各取一个元素连乘求和，两者都得到 1（这个「汇总指标」第 7 章会正式登场，叫行列式），但它们显然是两个不同的矩阵。这提醒你：哪怕某个「单个数字指标」相等，也绝不代表矩阵相等——矩阵的信息量是一整张表，任何汇总指标都会丢掉细节。往后你还会遇到「迹」「秩」「行列式」这些把矩阵压缩成一个数的指标，它们各有各的用处，但没有谁能代替矩阵本身。

趁早给自己挂一根弦：矩阵有两种身份。它可以是一张「数据表」——行 = 测点、列 = 通道的读数记录；也可以是一套「操作说明」——下一章要讲的变换。本章讲的运算对两种身份都成立，但味道不同：两张表相加，是数据合并；两套操作相加，是效果叠加。心里带着这根弦，后面读到「矩阵乘向量」时就不会错把操作说明当成数据表来理解。

顺带分清两个容易打架的记号习惯：数学里「A = B」是一个判断——问的是两个既有对象是否一模一样；编程里「A = B」通常是一个赋值——让 A 变成 B 的副本。读代码、读论文时留个心眼，别把两种「等于」混为一谈。另外，第 3 章把方程组压成增广矩阵时，我们其实已经在依赖「同形」的纪律：系数矩阵每列对应一个未知数，多一列少一列，整套对应关系就散架了。本章不过是把这套「表格纪律」正式化成规则：先对齐形状，再谈运算。

「m×n」这个形状记号也有读法纪律：横着的行数在前、竖着的列数在后，2×3 读作「两行三列」。把行列说反不是口误小事——它直接决定一个乘法有没有定义。建议养成拿到矩阵先报形状的习惯：「几乘几」脱口而出，如同木工下料前先报「长宽厚」；尺寸不清就动刀，是数学车间和木工车间共同的大忌。

顺带把「方阵」这个词交代了：行数 = 列数的矩阵叫方阵（n×n），它才有「主对角线」可言——左上到右下那条斜线，是转置、单位矩阵、对称矩阵共同关心的轴线。长方形矩阵没有对角线，所以「对称」「幂」这些概念都以方阵为前提；你会在后文反复看到「此结论仅对方阵成立」的限定，根源就在形状。

4.2加减法与数乘：逐元素操作

加法与减法

两个同形矩阵相加，就是把对应位置的元素相加，结果还是一个同形矩阵。减法同理，逐元素相减。

数乘

用一个标量 k 乘矩阵，就是把每个元素都乘 k——和第 1 章向量的数乘一模一样，只是现在对整张表格操作。

2 · [[1,2],[3,4]] = [[2,4],[6,8]]

由于加法、数乘都是「逐元素」的，数字世界的运算律被原封不动地继承了下来（每条都可以用「逐元素」直接验证）：

• 交换律：A + B = B + A（每个格子做的都是 a_ij + b_ij，两个数相加当然可交换）；
• 结合律：(A + B) + C = A + (B + C)；
• 数乘分配：k(A + B) = kA + kB，(k + l)A = kA + lA；
• 数乘结合：k(lA) = (kl)A。

一个高频翻车现场必须点破：把 2×2 与 2×3 的两张表「硬加」。形状不同，就没有「对应位置」——右边那张表多出来的第 3 列，在左边找不到对手。工程里对应的场景是「两轮布点不一致」：第二轮临时增加了一个测点，两张原始读数表就不能直接相加，得先约定缺测位置怎么处理（补零、插值，或干脆剔除该点）——但注意，补零是数据管理的行政决定，不是数学意义上的「矩阵加法」；数学只认同形。另一类常见事故是行列贴反：[[1,2],[3,4]] 与 [[1,3],[2,4]] 形状同为 2×2，但对应位置元素不同，当然不相等——后一张其实是前一张的转置。录入试验数据时把行列粘反，是数据处理里最常见的低级错误之一；好在转置可逆，发现后整表救得回来，但前提是你得先发现。

「逐元素」也不是低效的代名词，恰恰相反——它是可批量、可并行的特征。把 500 个测点 × 20 个工况的大表整体乘 0.98 做单位换算，一次数乘搞定；编程里写一句数组乘法，背后就是 m×n 次标量乘法由机器自动完成。数据分析工具里一切「整列整体运算」的功能，数学内核都是本节的逐元素操作。

负矩阵也有鲜活的工程画面：线性系统里加载与卸载互为逆过程——同一级载荷施加时读数变化矩阵若为 A，完全卸除时的读数变化就近乎 −A（理想线性情形）。做「加载—卸载」循环试验时若读数回不到零，工程上叫迟滞、间隙或残余变形，其大小恰是衡量系统偏离理想线性的标尺。−A 不是一个抽象符号，它是每一次「撤销」在数学里的样子。

差值矩阵的日常用法也值得点名：B − A 不是一张「负数表」，而是「第二轮相对第一轮的变化量」。试验后处理里直接把 B − A 画成热力图，哪个测点、哪个工况变化最大一目了然——逐元素减法在这里是最灵的对比工具；反过来，两轮一致的希望全都寄托在 B − A ≈ O 上。

一个高频混淆放在这里解决：2A 与 A² 完全是两回事。2A 是数乘，把每个元素乘 2；A²（写作 A·A）是矩阵乘法，按下一节的「行乘列」来算。对 A = [[1,2],[3,4]]：2A = [[2,4],[6,8]]，而 A² = [[7,10],[15,22]]——无论数值还是算法都不挨着。数字世界里 x² 与 2x 偶尔相等（x = 2 时），矩阵世界里这种巧合更别指望；而且 A² 还要求 A 是方阵，长方形矩阵连「平方」的资格都没有。

4.3矩阵乘法：行乘列

矩阵乘法是最关键、也最「不按常理」的运算。它不是逐元素相乘，而是「行乘列」。

规则：第 i 行 × 第 j 列

设 A 是 m×n 矩阵，B 是 n×p 矩阵，那么乘积 C = AB 是 m×p 矩阵，其中 C 的第 i 行第 j 列元素 c_ij，等于 A 的第 i 行 与 B 的第 j 列 的「点积」——对应元素相乘再相加：

c_ij = a_i1b_1j + a_i2b_2j + … + a_inb_nj

把「中间对齐」再拆开看一层。「行乘列」要求把 A 的第 i 行与 B 的第 j 列做「对应相乘再相加」，这一步的前提是：两者长度相同。A 的第 i 行有 n 个数（因为 A 有 n 列），B 的第 j 列有 n 个数（因为 B 有 n 行）——所以「A 的列数 = B 的行数」不是谁拍脑袋的规定，而是「配对」这个动作自带的物理要求。一旦对齐，结果形状也自动确定：A 提供 m 个行号、B 提供 p 个列号，所以 AB 是 m×p。练两个形状题：2×3 矩阵乘 3×4 矩阵 → 2×4 ✓；3×4 矩阵乘 2×3 矩阵 → 中间的 4 与 2 对不上，根本没定义 ✗。

更隐蔽的坑：AB 有定义、BA 没定义，是完全可能的。比如 A 是 2×3、B 是 3×4：AB 是 2×4，算得出来；可 BA 需要「B 的列数 4 = A 的行数 2」，直接不成立。所以「先乘 AB 还是先乘 BA」有时根本不是「选哪个」的问题，而是「只有一个能选」。写工程计算程序时忘了检查形状，运行时就会收到一次「维度不匹配」的报错——几乎每个和矩阵软件打交道的人都撞过这堵墙。

再给你一个规模的直觉：两个 n×n 矩阵相乘，按定义要算 n² 个格子，每个格子 n 次乘法、n−1 次加法，总量约 n³ 次乘加。n = 2 时是 8 次乘法，无足轻重；n = 3 时 27 次；可当 n = 1000（大型结构分析、整机有限元模型动辄上万自由度）时，n³ = 10⁹，十亿次量级——朴素算法在真实工程尺度上会让人等到怀疑人生。这既解释了为什么数值计算界要死磕「快速矩阵乘法」这类算法，也提醒你：手算练的是理解，工程规模靠的是算法与计算机。

还必须认识一位特殊角色——单位矩阵 I：对角线全 1、其余全 0 的方阵。它对矩阵的作用相当于数字里的 1：IA = A，AI = A。拿 2×2 验证：[[1,0],[0,1]]·[[a,b],[c,d]] = [[1×a+0×c, 1×b+0×d],[0×a+1×c, 0×b+1×d]] = [[a,b],[c,d]]，原样奉还。乘法的「两副面孔」在它身上看得最清楚：作为运算，它「什么都没做」；作为动作（下一章），它「原地不动」。

初学者算乘法最常见的动作变形，是把「行乘列」做成「行乘行」——拿 A 的第 1 行去乘 B 的第 1 行。记住：B 是竖着被使用的，第 j 列才参与配对。自检技巧是想象两片透明胶片叠压：A 的横向第 i 行与 B 的纵向第 j 列十字相交，交点正对你的目标格 (i,j)——「十字定位」一次，扫描方向就不会错。

再埋一把下一章的钥匙：AB 的第 j 列 = A 乘上 B 的第 j 列。现在可以先把它当一条免费的自检工具用：算完 AB 后抽第 1 列，看它是否恰好等于 A·(B 的第 1 列)；若对不上，八成是中途扫错了行。这条式子的完整画面（为什么乘积的列会这样「接力」），等下一章摊开「矩阵 = 动作」的视角后你会恍然大悟。

一个具体例子

算 2×2 矩阵的乘法：

看 (1,1) 位置：A 的第 1 行是 [1, 2]，B 的第 1 列是 [5, 7]，两两相乘再相加：1×5 + 2×7 = 19。这就是「行乘列」。

为什么是「对应相乘再相加」这个奇怪的动作，而不是「逐元素相乘」？这正是下一章要回答的核心问题——答案藏在「线性变换」里。现在先把这个规则练熟。

这种「数量表 × 价格表」的结构在工程界无处不在：物料清单汇总成本、工时矩阵乘费率矩阵核算报价、多坐标系变换的连乘——本质上都是把「逐项相乘再求和」的算账动作，压缩成一次矩阵乘法。矩阵记法的收益在这里看得最清楚：三家车间、八种原料、五类费用，表格再大，「数量表 × 价格表」这六个字不变。

再体会一次例题 3 里「行与列的身份」：P 的行是车间（谁在消耗）、列是原料（消耗什么）；Q 的行是原料（被计价）、列是价格类型（怎么计价）。乘积 PQ 的行继承了 P 的行身份（车间），列继承了 Q 的列身份（价格类型）——中间的「原料」标签被乘掉了，像接力棒交完就退场。工程报表里判断「两张表乘完长什么样」，先看标签的接力：行标签接左乘数的行，列标签接右乘数的列，中间标签对齐消失。这条经验在后面解方程组、读系数矩阵时还会反复用到。

一个精巧的辨析收尾：同样两个向量，先横后竖还是先竖后横，结果天差地别。行向量乘列向量：[1,2]·[[3],[4]] = 1×3 + 2×4 = 11，结果是 1×1 的一个数（第 1 章的点积）；反过来列乘行：[[3],[4]]·[1,2] = [[3,6],[4,8]]，结果是 2×2 的矩阵（每个元素 = 列的第 i 个 × 行的第 j 个，这个动作叫外积）。点积把信息「浓缩成一个数」，外积把信息「摊开成一张表」——两个方向、两种用途，全看你把向量横放还是竖放。

练到这里，给自己立三条规矩：动手前先问形状（能不能乘、结果几乘几）；动手时横竖扫描（行乘列，不重不漏）；动手后抽查一两个元素（用组合的含义复核）。下一章会把这些机械动作翻译成几何语言——「矩阵是动作，乘法是连招」，你会看到同一个规则的两副面孔。

4.4转置：行变列、列变行

最后一个基础运算叫 转置（transpose），记作 A^T。做法极简单：把矩阵沿「左上到右下」的对角线翻个个儿——原来的第 1 行变成第 1 列，第 2 行变成第 2 列，依此类推。

转置有个好用的性质：(AB)^T = B^TA^T（注意顺序颠倒了！）。这个「顺序反转」在第 11 章特征值、对称矩阵里还会反复出现。

把转置的运算律列一张清单，前几条完全符合直觉：(Aᵀ)ᵀ = A（翻两次回原样）；(A + B)ᵀ = Aᵀ + Bᵀ；(kA)ᵀ = kAᵀ。唯独涉及乘法的那条要倒着写：(AB)ᵀ = BᵀAᵀ。

为什么顺序会反过来？代数上看一眼就明白。(AB)ᵀ 的 (i,j) 元素 = AB 的 (j,i) 元素 = 「A 第 j 行」点乘「B 第 i 列」；而「A 第 j 行」正是 Aᵀ 的第 j 列、「B 第 i 列」正是 Bᵀ 的第 i 行——按「行乘列」重新组装，恰好得到 Bᵀ 的第 i 行乘 Aᵀ 的第 j 列，也就是 (BᵀAᵀ) 的 (i,j) 元素，逐字对位、严丝合缝。想要直觉版？把它想成「倒带」：AB 是「先做 B 再做 A」两部连播，把录像倒放（转置），先出场的必然是后做的那一段——顺序自然颠倒了。

转置还引出一类重要角色：对称矩阵——满足 Aᵀ = A 的方阵，沿主对角线翻折后与自身重合，例如 [[2,1],[1,3]]。它在工程里出镜率极高：结构分析中的刚度矩阵天然对称，根源是功的互等定理——在第 1 点施加单位力在第 2 点引起的位移，等于在第 2 点施加单位力在第 1 点引起的位移。这个对称性不只是好看：要存储的大型矩阵数据量直接砍掉一半，解方程的算法也趁机提速。第 12 章讲二次型时，对称矩阵是绝对主角，这条伏笔请先记下。

转置在数据工作里也天天见面：一张「行 = 测点、列 = 试验工况」的读数矩阵，转置后变成「行 = 工况、列 = 测点」。电子表格里「复制 → 选择性粘贴 → 转置」那个选项，数学名字就叫矩阵转置。行与列从来都是同一批数据的两种摆法——转置，就是换一个视角重新读它。

转置还能帮你看破一件事：第 1 章的点积，其实就是一种矩阵乘法。行向量 u 乘列向量 vᵀ：u 是 1×n、vᵀ 是 n×1，按「行乘列」正好得到 1×1 的一个数——上节的 [1,2]·[[3],[4]] = 11 就是这么来的。换句话说，「行乘列」规则对你并不陌生：它是点积从向量世界到矩阵世界的自然推广。转置在这里扮演的角色，就是把竖着的向量放平、把躺着的向量立起，让维度顺利对齐。

对称矩阵的孪生兄弟也顺带认识一下：满足 Aᵀ = −A 的叫反对称矩阵，其对角线必为 0（因为 a_ii = −a_ii，一个数等于自己的相反数只能是 0）。有趣的是，任何方阵都能拆成「对称 + 反对称」两半：A = (A+Aᵀ)/2 + (A−Aᵀ)/2，前一半对称、后一半反对称。结构分析里把一般载荷分解成对称载荷组与反对称载荷组，分别用半结构算完再叠加——正是这套分解思想的工程化身，第 12 章二次型还会再遇到这对兄弟。

4.5运算律：哪些成立，哪些不成立

矩阵运算和数字运算长得像，但有一个致命区别，必须刻进脑子：

举例：[[1,2],[3,4]] × [[0,1],[1,0]] 和反过来乘，结果完全不同。你可以动手算一算，会发现 AB 的两列交换了，而 BA 的两行交换了。

好在，另一些规则仍然成立（假设维度都匹配）：

其实被打破的数字直觉不止交换律一条，消去律也会翻车。数字世界里，ab = ac 且 a ≠ 0，就能两边约去 a 得到 b = c；矩阵世界里 AB = AC 推不出 B = C，甚至 AB = O（零矩阵）也推不出「A = O 或 B = O」。看一道例题。

进阶视角：分块矩阵——把「块」当元素玩

矩阵大了以后，逐元素操作会让人眼花。一个管理复杂度的思路是 分块（partition）：用几条横线竖线把大矩阵切成小矩阵，每一块当作一个「大元素」。分块之后，「行乘列」的规则原样适用——块的乘积按块展开，只要块的形状按「块尺寸」对齐（左块的列数 = 右块的行数）。普通乘法要求「数对数」，分块乘法要求「块对块」，逻辑同构。

挑一个最实用的分块模式——块对角矩阵。设 A = [[B, O],[O, C]]（B、C 坐镇对角线，其余是零块），则 A² = [[B², O],[O, C²]]。代个数：B = [[2,0],[0,3]]，C = [5]，则 A = [[2,0,0],[0,3,0],[0,0,5]]，A² = [[4,0,0],[0,9,0],[0,0,25]]——分块视角下这不过是 B² = [[4,0],[0,9]] 与 C² = [25] 各自平方、互不打扰，一个 3×3 的平方被拆成「一个 2×2 的平方 + 一个 1×1 的平方」。

分块不只是省事，它对应工程里的「解耦」思想：互不影响的子系统在总矩阵里自然形成对角块。比如结构振动分析中，若两个部件近似解耦，各自的特性矩阵就藏在总刚度矩阵的对角块上；数值软件也靠分块把放不进内存的大矩阵切成小块轮流处理、并行计算。你会逐渐体会到：线性代数的每一种「记法」，背后都对应一种管理工程复杂度的手段。

补一条与零矩阵有关的运算纪律：A + O = A，A·O = O，O·A = O——加法里的 0 依旧安分守己；但「乘积为零」不再意味着「因子为零」（例题 7 已亲眼所见 AB = O 而 A、B 均非零）。这条纪律在解方程时极其要紧：看到 AB = O，正确的反应不是「A 或 B 必有一个为零」，而是「信息不足，需进一步分析」。工程里对应的问题意识是：一组测量全为零，不代表系统没工作，也可能是两条相互抵消的通路在起作用。

最后说说幂运算与结合律的关系。A³ = (A·A)·A = A·(A·A)——结合律保证了「怎么加括号都一样」，这是「幂」有意义的根基（不必担心定义歧义）。但轮到 (AB)³ 时你就要警觉：它等于 AB·AB·AB，A 与 B 严格交替，绝不能随手「展开」成 A³B³——想把三个 A 挪到一起、三个 B 挪到一起，必须交换某些 A 与 B 的位置，而乘法恰恰不能交换。数字世界人人会背的 (ab)³ = a³b³，在矩阵世界一般失效，失效原因和交换律是同一个。什么时候能救回来？只有 A、B 恰好可交换（AB = BA）的特殊情形。

反过来，结合律送了你一份实用的礼物：计算顺序的自由。三个变换连乘时，(AB)C 与 A(BC) 结果一样，但计算量可能天差地别——工程数值软件内部天天做这种权衡：先合并哪两个矩阵、先作用在哪一端，选错分组可能白算十倍的量。你手算时同理：先挑简单的两个乘出来，常常能把后面的大头省掉。「结果不因分组而变」让分组成为纯粹的效率问题——规则不变、顺序自由，这正是结合律的工程价值（对照：交换律失效，乘法之间没有这份自由）。