{
  "id": "matrix-trace",
  "title": "矩阵的迹",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "矩阵的迹是方阵主对角线元素之和，等于按代数重数计的特征值之和，且不随基的改变而改变。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "矩阵迹",
    "迹"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/matrix-trace/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/matrix-trace/",
      "json": "https://aiwiki.page/en/matrix-trace.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "矩阵的迹是将方阵的主对角线元素相加得到的标量。这里的方阵是一种行数与列数相等的矩阵。迹通常记作 \\(\\operatorname{tr}(A)\\) 或 \\(\\operatorname{Tr}(A)\\)，是线性代数中的一项基本运算。尽管迹是通过矩阵元素定义的，但它不随基的改变而改变，并且等于矩阵的所有特征值按代数重数计算后的总和。因此，迹描述的是矩阵所表示的线性算子的内在性质，而不仅仅是其坐标表示的性质。(learning.quantum.ibm.com)"
    },
    {
      "heading": "定义与基本性质",
      "text": "对于一个 \\(n\\times n\\) 矩阵 \\(A=(a_{ij})\\)，\n\n\\[\\operatorname{tr}(A)=\\sum_{i=1}^{n}a_{ii}.\\]\n\n例如，\n\n\\[A=\\begin{pmatrix}2&7\\\\-1&3\\end{pmatrix} \\quad\\Longrightarrow\\quad \\operatorname{tr}(A)=2+3=5.\\]\n\n只有主对角线元素直接参与求和。这个定义适用于实数、复数以及更一般的域（数学）上的矩阵。(online.stat.psu.edu)\n\n迹具有线性性：对于同型矩阵 \\(A,B\\) 和标量 \\(\\alpha,\\beta\\)，\n\n\\[\\operatorname{tr}(\\alpha A+\\beta B) =\\alpha\\operatorname{tr}(A)+\\beta\\operatorname{tr}(B).\\]\n\n因此，迹是定义在方阵构成的向量空间上的标量值线性映射。单位矩阵 \\(I_n\\) 的迹为 \\(n\\)，零矩阵的迹为零。矩阵转置不改变迹：\n\n\\[\\operatorname{tr}(A^{\\mathsf T})=\\operatorname{tr}(A).\\]\n\n这些恒等式都可以直接通过对主对角线元素求和得到。(learning.quantum.ibm.com)"
    },
    {
      "heading": "循环性与基无关性",
      "text": "一个特别有用的恒等式是\n\n\\[\\operatorname{tr}(AB)=\\operatorname{tr}(BA).\\]\n\n即使 \\(A\\) 为 \\(m\\times n\\) 矩阵、\\(B\\) 为 \\(n\\times m\\) 矩阵，这个恒等式仍然成立，因此两个乘积不必具有相同的大小。展开主对角线元素之和，即可直接证明：\n\n\\[\\operatorname{tr}(AB) =\\sum_{i=1}^{m}\\sum_{j=1}^{n}a_{ij}b_{ji} =\\operatorname{tr}(BA).\\]\n\n更一般地，只要各因子的维数相容，就可以循环移动因子：\n\n\\[\\operatorname{tr}(ABC) =\\operatorname{tr}(BCA) =\\operatorname{tr}(CAB).\\]\n\n但这并不意味着可以任意改变因子的顺序；一般而言，\\(\\operatorname{tr}(ABC)\\ne\\operatorname{tr}(ACB)\\)。(ericdarve.github.io)\n\n对于任意可逆矩阵 \\(S\\)，由循环性可得\n\n\\[\\operatorname{tr}(S^{-1}AS) =\\operatorname{tr}(ASS^{-1}) =\\operatorname{tr}(A).\\]\n\n矩阵 \\(A\\) 与 \\(S^{-1}AS\\) 是同一个线性变换在不同基（线性代数）下的表示。因此，有限维空间上算子的迹可以通过它的任意矩阵表示来定义。正是这种基无关性，使迹在不依赖坐标的表述中发挥重要作用。(ericdarve.github.io)"
    },
    {
      "heading": "特征值与特征多项式",
      "text": "设 \\(\\lambda_1,\\ldots,\\lambda_n\\) 是一个复方阵的特征值，每个特征值按其代数重数重复计入，则\n\n\\[\\operatorname{tr}(A)=\\lambda_1+\\cdots+\\lambda_n.\\]\n\n对于实矩阵，也必须将非实特征值计入。行列式是这些特征值的乘积，而迹则是它们的和。当矩阵的阶数大于二时，这两个量中的任何一个都不能单独确定全部特征值。(math.mit.edu)\n\n上述恒等式不要求矩阵能够进行矩阵对角化。采用约定\n\n\\[p_A(t)=\\det(tI-A),\\]\n\n则特征多项式的前几项为\n\n\\[p_A(t)=t^n-\\operatorname{tr}(A)t^{n-1}+\\cdots.\\]\n\n将它在复数域上分解为一次因子的乘积，就可以看出 \\(t^{n-1}\\) 的系数是所有根之和的相反数。对于 \\(2\\times2\\) 矩阵，由此得到完整公式\n\n\\[p_A(t)=t^2-\\operatorname{tr}(A)t+\\det(A).\\]\n\n因此，迹与行列式共同确定了两个特征值及其重数。(math.mit.edu)"
    },
    {
      "heading": "内积与微分",
      "text": "对于同型实矩阵 \\(A,B\\)，\n\n\\[\\langle A,B\\rangle_F =\\operatorname{tr}(A^{\\mathsf T}B) =\\sum_{i,j}a_{ij}b_{ij}.\\]\n\n这就是弗罗贝尼乌斯内积，其对应范数的平方为\n\n\\[\\|A\\|_F^2=\\operatorname{tr}(A^{\\mathsf T}A).\\]\n\n对于复矩阵，将转置替换为共轭转置 \\(A^*\\)，即可得到 \\(\\operatorname{tr}(A^*B)\\)。因此，迹可以将逐元素求和写成简洁的矩阵表达式。(math.uwaterloo.ca)\n\n在数学优化中，这种记法也能简化求导。对于实矩阵变量 \\(X\\)，采用逐元素定义梯度的约定，有\n\n\\[\\nabla_X\\operatorname{tr}(C^{\\mathsf T}X)=C, \\qquad \\nabla_X\\operatorname{tr}(X^{\\mathsf T}X)=2X.\\]\n\n第二个恒等式是对矩阵误差平方项和二次惩罚项求导的基础。(math.uwaterloo.ca)"
    },
    {
      "heading": "统计学与量子力学中的应用",
      "text": "对于协方差矩阵为 \\(\\Sigma\\) 的实随机向量，\\(\\Sigma\\) 的迹等于各分量的方差之和。若其均值为 \\(\\mu\\)，且二阶矩有限，则\n\n\\[\\mathbb E\\!\\left[\\|X-\\mu\\|^2\\right] =\\operatorname{tr}(\\Sigma).\\]\n\n更一般地，对于固定的实对称矩阵 \\(A\\)，\n\n\\[\\mathbb E[X^{\\mathsf T}AX] =\\operatorname{tr}(A\\Sigma)+\\mu^{\\mathsf T}A\\mu.\\]\n\n这些公式将迹与二次表达式的期望值联系起来，而不要求随机向量服从正态分布。(math.uwaterloo.ca)\n\n在有限维量子力学中，密度矩阵 \\(\\rho\\) 是半正定矩阵，并满足归一化条件 \\(\\operatorname{tr}(\\rho)=1\\)。对于用 \\(O\\) 表示的可观测量，其期望值为 \\(\\operatorname{tr}(\\rho O)\\)。与迹相关的偏迹运算会从复合系统的描述中消去一个子系统，得到剩余子系统的密度矩阵，而不是一个标量。(learning.quantum.ibm.com)"
    },
    {
      "heading": "计算与估计",
      "text": "如果可以直接获取主对角线元素，计算迹只需将这些元素相加：对于 \\(n\\times n\\) 矩阵，需要 \\(n-1\\) 次加法。因此，没有必要仅为求迹而计算特征值。这一运算次数可以直接由定义得出。(online.stat.psu.edu)\n\n对于主要通过矩阵与向量的乘积来访问的大型矩阵，随机估计提供了另一种方法。若实随机向量 \\(z\\) 满足 \\(\\mathbb E[zz^{\\mathsf T}]=I\\)，则\n\n\\[\\mathbb E[z^{\\mathsf T}Az]=\\operatorname{tr}(A).\\]\n\n对多次独立计算的结果取平均，就能得到迹的无偏估计。哈钦森型方法利用这样的二次型，避免显式构造矩阵，包括科学计算中出现的大型导数矩阵。(arxiv.org)"
    }
  ],
  "links": [
    "matrix",
    "linear-algebra",
    "real-number",
    "complex-number",
    "field-mathematics",
    "vector-space",
    "linear-map",
    "identity-matrix",
    "matrix-transpose",
    "linear-transformation",
    "basis-linear-algebra",
    "eigenvalues-and-eigenvectors",
    "determinant",
    "matrix-diagonalization",
    "characteristic-polynomial",
    "inner-product",
    "mathematical-optimization",
    "gradient",
    "covariance-matrix",
    "variance",
    "expected-value",
    "quantum-mechanics",
    "density-matrix"
  ],
  "sources": [
    {
      "title": "learning.quantum.ibm.com/course/general-formulation-of-quantum-information/dens…",
      "url": "https://learning.quantum.ibm.com/course/general-formulation-of-quantum-information/density-matrices"
    },
    {
      "title": "online.stat.psu.edu/statprogram/reviews/matrix-algebra/properties",
      "url": "https://online.stat.psu.edu/statprogram/reviews/matrix-algebra/properties"
    },
    {
      "title": "ericdarve.github.io/NLA/content/trace.html",
      "url": "https://ericdarve.github.io/NLA/content/trace.html"
    },
    {
      "title": "math.mit.edu/~gs/dela/dela_6-1.pdf",
      "url": "https://math.mit.edu/~gs/dela/dela_6-1.pdf"
    },
    {
      "title": "math.uwaterloo.ca/~hwolkowi/matrixcookbook.pdf",
      "url": "https://www.math.uwaterloo.ca/~hwolkowi/matrixcookbook.pdf"
    },
    {
      "title": "arxiv.org/abs/2312.14499",
      "url": "https://arxiv.org/abs/2312.14499"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}