矩阵

矩阵（Matrix）

一句话定义

矩阵是线性映射关于特定基的表示——换基后矩阵按相似变换 $B=S^{-1}AS$ 变化。矩阵不是线性代数的起点，而是线性映射的坐标化身。

LADR 的定义路径

抽象层面：线性映射 T: V → W
    ↓ 选定基 (v₁,...,vₙ) 和 (w₁,...,wₘ)
具体层面：矩阵 M(T) = [Tv_k 在 w_j 下的坐标]

核心洞察：矩阵的列 = 基向量的像（坐标）。这是理解矩阵最直观的方式。

形式定义（定义 3.29）

$m\times n$ 矩阵 $A$ 是 $\mathbb{F}$ 中元素构成的 $m$ 行 $n$ 列矩形阵列： $A_{j,k}=A\text{ 的第 }j\text{ 行第 }k\text{ 列的元素}$

矩阵运算的真正来源

运算	来源
加法	$\mathcal{M}(S+T)=\mathcal{M}(S)+\mathcal{M}(T)$
标量乘法	$\mathcal{M}(\lambda T)=\lambda \mathcal{M}(T)$
乘法	$\mathcal{M}(ST)=\mathcal{M}(S)\mathcal{M}(T)$（由复合映射唯一确定！）

Important

矩阵乘法不是任意规定的——它是从 $\mathcal{M}(ST)=\mathcal{M}(S)\mathcal{M}(T)$ 反推出来的必然结果。

基本定理

列秩 = 行秩（定理 3.57）

矩阵的列秩（列空间维数）= 行秩（行空间维数）。

证明思路：行列分解 + 转置对称性 $\Rightarrow$ 优雅的对偶证明。

可逆等价条件（定理 3.69）

设 $A$ 为 $n\times n$ 矩阵，以下等价：

1. $A$ 可逆
2. $A$ 的列秩 = $n$
3. $A$ 的行秩 = $n$
4. $\det A\ne 0$

换基公式（定理 3.84）

若 $v_1,\dots ,v_n$ 和 ${\tilde{v}}_1,\dots ,{\tilde{v}}_n$ 是 $V$ 的两组基，过渡矩阵 $S$ 满足： $[{\tilde{v}}_1\cdots {\tilde{v}}_n]=[v_1\cdots v_n]S$

则同一线性映射 $T$ 关于两组基的矩阵满足： $\tilde{A}=S^{-1}AS$

换基公式的意义：相似矩阵是同一个线性映射在不同坐标系下的化身。

与其他概念的联系

• linear-map：矩阵是线性映射的表示，选基决定矩阵形式
• rank-nullity-theorem：维数公式通过列空间/行空间刻画线性映射
• determinant：行列式是方阵的重要不变量，$\det A\ne 0\iff A$ 可逆

章节定位

3C 节建立矩阵与线性映射的对应关系。LADR 的核心观点：矩阵只是线性映射关于特定基的表示，线性映射本身与基的选取无关。

详见：第3章 线性映射 — 章节汇总