矩陣與行列式：當一堆數字排成方陣，就能解開線性方程組

當「一堆數字排成方陣」突然能解開三條方程式

假設你經營一間小咖啡店，週末三天的銷售紀錄讓你很困惑：第一天賣出 2 杯拿鐵、1 杯美式、1 杯卡布，總收入 320 元；第二天 1 杯拿鐵、3 杯美式、1 杯卡布，收入 350 元；第三天 1 杯拿鐵、1 杯美式、2 杯卡布，收入 330 元。問題來了——每種咖啡的單價各是多少？

你當然可以用國中學的「代入消去法」一步步硬解，但如果咖啡有 10 種、紀錄有 10 天呢？這時，把所有「係數」抽出來排成一個整齊的方陣，再用一套系統化的規則去操作它，會比逐式消去快得多、也不容易出錯。這個方陣，就叫做矩陣（matrix）；而那套操作規則，正是線性代數（linear algebra）的起點。

矩陣是什麼：把方程組「拆成三塊」

上面的咖啡問題，用方程式寫出來是：

$$ \begin{cases} 2x + 1y + 1z = 320 \\ 1x + 3y + 1z = 350 \\ 1x + 1y + 2z = 330 \end{cases} $$

其中 $x, y, z$ 分別是拿鐵、美式、卡布的單價。注意到一件事：方程式裡真正「變動」的資訊有三塊——係數（咖啡杯數）、未知數（單價）、常數（總收入）。矩陣的核心想法，就是把這三塊各自打包：

$$ \underbrace{\begin{pmatrix} 2 & 1 & 1 \\ 1 & 3 & 1 \\ 1 & 1 & 2 \end{pmatrix}}_{A\ (\text{係數矩陣})} \underbrace{\begin{pmatrix} x \\ y \\ z \end{pmatrix}}_{\mathbf{x}} = \underbrace{\begin{pmatrix} 320 \\ 350 \\ 330 \end{pmatrix}}_{\mathbf{b}} $$

於是整組方程式被濃縮成一句話：$A\mathbf{x} = \mathbf{b}$。

一個矩陣就是一個由數字排成的矩形陣列。我們說一個矩陣是 $m \times n$（讀作「$m$ 乘 $n$」），表示它有 $m$ 個橫列（row）、$n$ 個直行（column）。上面的 $A$ 是 $3 \times 3$，是行數與列數相等的方陣（square matrix）。我們用 $a_{ij}$ 表示第 $i$ 列、第 $j$ 行的元素，例如 $a_{23} = 1$（第二列第三行）。

請特別記住「列在前、行在後」這個慣例，這是初學者最容易弄反的地方。

矩陣的基本運算：加法簡單，乘法有玄機

加減法與純量乘法

矩陣的加法與減法非常直覺：同樣大小的兩個矩陣，把對應位置的元素逐一相加即可。

$$ \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix} + \begin{pmatrix} 5 & 6 \\ 7 & 8 \end{pmatrix} = \begin{pmatrix} 6 & 8 \\ 10 & 12 \end{pmatrix} $$

純量乘法（一個數字乘上整個矩陣）也是逐元素進行：

$$ 3 \times \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix} = \begin{pmatrix} 3 & 6 \\ 9 & 12 \end{pmatrix} $$

矩陣乘法：行列相遇才有意義

矩陣乘法則是真正的關鍵，它的定義乍看不直覺，卻正是讓 $A\mathbf{x}=\mathbf{b}$ 成立的原因。規則是：要計算 $C = AB$，$C$ 的第 $i$ 列第 $j$ 行元素，等於 $A$ 的第 $i$ 列與 $B$ 的第 $j$ 行做「對應相乘再相加」：

$$ c_{ij} = \sum_{k=1}^{n} a_{ik}\, b_{kj} $$

這意味著：只有當 $A$ 的行數等於 $B$ 的列數時，乘法才有定義。若 $A$ 是 $m \times n$、$B$ 是 $n \times p$，則 $AB$ 是 $m \times p$。

舉個具體例子：

$$ \begin{pmatrix} 2 & 1 & 1 \\ 1 & 3 & 1 \\ 1 & 1 & 2 \end{pmatrix} \begin{pmatrix} x \\ y \\ z \end{pmatrix} = \begin{pmatrix} 2x + 1y + 1z \\ 1x + 3y + 1z \\ 1x + 1y + 2z \end{pmatrix} $$

看出來了嗎？把這個結果跟原本的方程組對照，正好就是左邊三條式子。矩陣乘法的定義，本質上就是「打包多條線性方程式」這件事的數學語言。

一個務必牢記的迷思：矩陣乘法不滿足交換律。 一般而言 $AB \neq BA$，甚至 $AB$ 有定義時 $BA$ 可能根本不能計算。這跟一般數字的乘法很不一樣，初學時請隨時提醒自己。

單位矩陣與反矩陣：矩陣世界的「1」與「倒數」

在實數裡，$1$ 是乘法單位元素（任何數乘 1 不變），而非零數 $a$ 有倒數 $a^{-1}$ 使 $a \cdot a^{-1} = 1$。矩陣世界裡也有對應的概念。

單位矩陣（identity matrix） $I$ 是對角線全為 1、其餘為 0 的方陣：

$$ I_3 = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix} $$

它滿足 $AI = IA = A$，扮演著「乘法不改變」的角色。

反矩陣（inverse matrix） $A^{-1}$ 則是滿足 $A A^{-1} = A^{-1} A = I$ 的方陣。一旦找到它，解方程組就變得異常乾淨：

$$ A\mathbf{x} = \mathbf{b} \;\Longrightarrow\; A^{-1}A\mathbf{x} = A^{-1}\mathbf{b} \;\Longrightarrow\; \mathbf{x} = A^{-1}\mathbf{b} $$

但要小心：不是每個方陣都有反矩陣。 就像 $0$ 沒有倒數一樣，某些矩陣是「退化」的，無法求逆。判斷的關鍵，就是接下來要介紹的行列式。

行列式：一個數字，看穿矩陣的「胖瘦」

行列式（determinant） 是只對方陣定義的一個純量，記作 $\det(A)$ 或 $|A|$。它最重要的功能是：

$A$ 可逆（有反矩陣）$\iff \det(A) \neq 0$。

對 $2 \times 2$ 矩陣，行列式的公式很簡單：

$$ \det\begin{pmatrix} a & b \\ c & d \end{pmatrix} = ad - bc $$

對 $3 \times 3$ 矩陣，可用「沿第一列展開（cofactor expansion）」：

$$ \det\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} = a\begin{vmatrix} e & f \\ h & i \end{vmatrix} - b\begin{vmatrix} d & f \\ g & i \end{vmatrix} + c\begin{vmatrix} d & e \\ g & h \end{vmatrix} $$

注意正負號交錯（$+,-,+$）的規律，這來自餘因子（cofactor）的符號 $(-1)^{i+j}$。

行列式還有一個漂亮的幾何意義：$2 \times 2$ 矩陣的行列式絕對值，等於它把單位正方形映射後得到的平行四邊形面積；$3 \times 3$ 則對應平行六面體的體積。當 $\det(A) = 0$，代表這個映射把空間「壓扁」了——把面積或體積壓成零——也就難怪它不可逆：被壓扁的資訊無法還原。

看一個例子：回到咖啡店

讓我們真的把咖啡單價解出來。係數矩陣

$$ A = \begin{pmatrix} 2 & 1 & 1 \\ 1 & 3 & 1 \\ 1 & 1 & 2 \end{pmatrix} $$

先算行列式，沿第一列展開：

$$ \det(A) = 2\begin{vmatrix} 3 & 1 \\ 1 & 2 \end{vmatrix} - 1\begin{vmatrix} 1 & 1 \\ 1 & 2 \end{vmatrix} + 1\begin{vmatrix} 1 & 3 \\ 1 & 1 \end{vmatrix} $$

$$ = 2(3\cdot 2 - 1\cdot 1) - 1(1\cdot 2 - 1\cdot 1) + 1(1\cdot 1 - 3\cdot 1) $$

$$ = 2(5) - 1(1) + 1(-2) = 10 - 1 - 2 = 7 $$

由於 $\det(A) = 7 \neq 0$，這個系統有唯一解。我們可以用克拉瑪法則（Cramer's rule）直接求每個未知數：把 $A$ 的第 $j$ 行換成常數向量 $\mathbf{b}$，得到矩陣 $A_j$，則

$$ x_j = \frac{\det(A_j)}{\det(A)} $$

求拿鐵單價 $x$，把第一行換成 $\mathbf{b} = (320, 350, 330)^\top$：

$$ A_x = \begin{pmatrix} 320 & 1 & 1 \\ 350 & 3 & 1 \\ 330 & 1 & 2 \end{pmatrix} $$

$$ \det(A_x) = 320(3\cdot 2 - 1\cdot 1) - 1(350\cdot 2 - 1\cdot 330) + 1(350\cdot 1 - 3\cdot 330) $$

$$ = 320(5) - (700 - 330) + (350 - 990) = 1600 - 370 - 640 = 590 $$

所以 $x = 590 / 7 \approx 84.3$ 元。同理可求出 $y$（美式）與 $z$（卡布）。實務上，當常數設計得「漂亮」時會剛好整除；這裡刻意用真實感的數字，是想讓你看到計算的真實樣貌。

動手試試

請你自己驗證一個更小的系統：

$$ \begin{cases} 2x + 3y = 8 \\ x - y = -1 \end{cases} $$

寫成矩陣形式 $A = \begin{pmatrix} 2 & 3 \\ 1 & -1 \end{pmatrix}$，$\mathbf{b} = \begin{pmatrix} 8 \\ -1 \end{pmatrix}$。先算 $\det(A) = 2\cdot(-1) - 3\cdot 1 = -5 \neq 0$，所以有唯一解。用克拉瑪法則：

$$ x = \frac{\begin{vmatrix} 8 & 3 \\ -1 & -1 \end{vmatrix}}{-5} = \frac{-8 - (-3)}{-5} = \frac{-5}{-5} = 1, \quad y = \frac{\begin{vmatrix} 2 & 8 \\ 1 & -1 \end{vmatrix}}{-5} = \frac{-2 - 8}{-5} = \frac{-10}{-5} = 2 $$

代回原式檢驗：$2(1)+3(2)=8$ ✓，$1-2=-1$ ✓。

高斯消去法：電腦真正在用的解法

雖然克拉瑪法則公式優雅，但它在維度大時計算量會爆炸（要算 $n+1$ 個行列式，而每個 $n \times n$ 行列式的展開複雜度極高）。實務上解大型線性系統，標準工具是高斯消去法（Gaussian elimination）。

它的精神是對「增廣矩陣（augmented matrix）」$[A \mid \mathbf{b}]$ 做三種列運算，把左半邊化成階梯形：

1. 交換兩列；
2. 某一列乘上非零常數；
3. 某一列加上另一列的倍數。

這些運算不改變方程組的解集。以咖啡系統為例（這裡只示意流程）：

$$ \left[\begin{array}{ccc|c} 2 & 1 & 1 & 320 \\ 1 & 3 & 1 & 350 \\ 1 & 1 & 2 & 330 \end{array}\right] \;\longrightarrow\; \cdots \;\longrightarrow\; \left[\begin{array}{ccc|c} 1 & 0 & 0 & x \\ 0 & 1 & 0 & y \\ 0 & 0 & 1 & z \end{array}\right] $$

當左邊化成單位矩陣時，右邊就直接讀出答案。高斯消去法的計算量約為 $\frac{2}{3}n^3$，遠優於克拉瑪法則，這也是為什麼幾乎所有數值軟體（如 NumPy、MATLAB）內部都採用它（或其變體 LU 分解）來解 $A\mathbf{x}=\mathbf{b}$。

重點回顧

1. 矩陣是線性方程組的緊湊表示：$A\mathbf{x} = \mathbf{b}$ 把係數、未知數、常數三塊分開打包，矩陣乘法的定義正好還原出每一條方程式。
2. 矩陣乘法不可交換：一般 $AB \neq BA$，且乘法有定義的前提是「前者的行數等於後者的列數」。
3. 行列式是一個判別數：$\det(A) \neq 0 \iff A$ 可逆 $\iff$ 方程組有唯一解；幾何上它是面積／體積的縮放倍率。
4. 求解有多種工具：小系統可用反矩陣或克拉瑪法則；大系統實務上用高斯消去法，計算效率高出許多。
5. 小心常見迷思：列在前、行在後；不是每個方陣都可逆；行列式為零代表空間被壓扁、資訊遺失。

深入探討（研究所視角）

從研究所的線性代數來看，本文介紹的矩陣其實只是冰山一角。真正統攝一切的核心概念是線性映射（linear transformation）：一個矩陣 $A$ 並非只是數字陣列，而是一個從向量空間 $\mathbb{R}^n$ 到 $\mathbb{R}^m$ 的函數 $T(\mathbf{x}) = A\mathbf{x}$，它保持加法與純量乘法。矩陣只是這個抽象映射在「選定一組基底（basis）」之後的座標表示，換一組基底，同一個映射會有不同的矩陣外觀。

在這個視角下，「$A\mathbf{x} = \mathbf{b}$ 是否有解」變成「$\mathbf{b}$ 是否落在 $A$ 的行空間（column space）裡」的問題，而解的個數則由秩—零度定理（rank–nullity theorem）精確刻畫：$\text{rank}(A) + \dim(\ker A) = n$。當零空間（kernel）非平凡時，解不唯一；行列式為零，正對應到秩不足、零空間非零的情形。這把「行列式為零」「不可逆」「壓扁空間」三件事統一在同一個結構下。

更進一步是特徵值與特徵向量（eigenvalue & eigenvector）：滿足 $A\mathbf{v} = \lambda \mathbf{v}$ 的非零向量 $\mathbf{v}$ 是被 $A$「只伸縮、不轉向」的特殊方向。特徵值由特徵多項式 $\det(A - \lambda I) = 0$ 決定——你會發現行列式在此再度登場。而 $\det(A) = \prod_i \lambda_i$（所有特徵值之積）、$\text{tr}(A) = \sum_i \lambda_i$（跡為特徵值之和），這些恆等式把本文的計算工具與深層結構連了起來。

這些理論並非象牙塔內的玄學。在 Uedu 優學院所關注的教育多模態資料分析（Educational Omics）中，學習者的多維資料常被組織成矩陣，而奇異值分解（singular value decomposition, SVD）——把任意矩陣拆成 $A = U\Sigma V^\top$ 的技術——正是主成分分析（PCA）、推薦系統、潛在語意分析的數學引擎。當我們想從上百個學習指標中萃取「最關鍵的幾個維度」，本質上就是在找矩陣最大的幾個奇異值與對應方向。從咖啡店的三條方程式，到分析數萬名學習者的認知歷程，背後是同一套線性代數語言。掌握矩陣與行列式，就是拿到了通往現代資料科學、機器學習與計算科學的第一把鑰匙。