{
  "id": "triangular-matrix",
  "title": "三角矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "三角矩阵是主对角线一侧元素全为零的方阵，可高效求解线性方程组，并方便地计算行列式和特征值。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/triangular-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/triangular-matrix/",
      "json": "https://aiwiki.page/en/triangular-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "三角矩阵是主对角线下方或上方的元素全为零的方矩阵。这两种情形分别称为上三角矩阵和下三角矩阵。三角矩阵在线性代数中具有基础性地位，因为这种结构使行列式、特征值以及线性方程组的解都较易计算。许多算法先将一般矩阵变换为三角形式，再利用这些性质进行计算。"
    },
    {
      "heading": "定义与记号",
      "text": "设 \\(A=(a_{ij})\\) 是一个定义在域（数学）上的 \\(n\\times n\\) 矩阵，通常取实数域或复数域。\n\n若\n\n\\[a_{ij}=0\\qquad\\text{whenever }i>j,\\]\n\n则称该矩阵为上三角矩阵；若\n\n\\[a_{ij}=0\\qquad\\text{whenever }i<j,\\]\n\n则称其为下三角矩阵。\n\n例如，\n\n\\[U= \\begin{pmatrix} 2&-1&4\\\\ 0&3&5\\\\ 0&0&-2 \\end{pmatrix}, \\qquad L= \\begin{pmatrix} 1&0&0\\\\ 6&4&0\\\\ -3&2&7 \\end{pmatrix}\\]\n\n分别是上三角矩阵和下三角矩阵。\n\n主对角线由元素 \\(a_{11},\\ldots,a_{nn}\\) 组成。定义并不要求对角线另一侧允许非零的元素一定非零。特别地，每个对角矩阵既是上三角矩阵，也是下三角矩阵；零矩阵和单位矩阵也是如此。\n\n三角矩阵这一术语通常用于方阵。相应的矩形矩阵通常称为上梯形矩阵或下梯形矩阵。\n\n严格三角形式与单位三角形式\n\n若矩阵满足\n\n\\[a_{ij}=0\\qquad\\text{whenever }i\\geq j,\\]\n\n则称其为严格上三角矩阵，此时对角线元素也全为零。严格下三角矩阵的定义与此类似。\n\n单位上三角矩阵或单位下三角矩阵的每个对角线元素都等于 \\(1\\)。这两类矩阵统称为单位三角矩阵。“单位”指的是对角线元素，并不表示矩阵具有正交性或酉结构。"
    },
    {
      "heading": "代数性质",
      "text": "固定阶数的上三角矩阵对加法、数乘和矩阵乘法均封闭。下三角矩阵也具有这些性质。\n\n对于上三角矩阵 \\(A\\) 和 \\(B\\)，其乘积满足\n\n\\[(AB)_{ij}=\\sum_{k=1}^{n}a_{ik}b_{kj}.\\]\n\n当 \\(i>j\\) 时，一个求和项要有可能非零，就必须同时满足 \\(k\\geq i\\) 和 \\(k\\leq j\\)，这是不可能的。因此，\\(AB\\) 是上三角矩阵。其对角线元素满足\n\n\\[(AB)_{ii}=a_{ii}b_{ii}.\\]\n\n因此，上三角矩阵构成一个代数，同时也是一个向量空间，其维数为\n\n\\[\\frac{n(n+1)}{2}.\\]\n\n严格上三角矩阵构成一个维数为 \\(n(n-1)/2\\) 的向量空间。\n\n对上三角矩阵进行矩阵转置，会得到下三角矩阵，反之亦然。共轭转置也会使上下三角形式互换。\n\n行列式、迹与可逆性\n\n对于任意三角矩阵，都有\n\n\\[\\det A=\\prod_{i=1}^{n}a_{ii}.\\]\n\n因此，三角矩阵可逆，当且仅当每个对角线元素都非零。\n\n若 \\(A\\) 可逆且为上三角矩阵，则其逆矩阵也是上三角矩阵，并且\n\n\\[(A^{-1})_{ii}=\\frac{1}{a_{ii}}.\\]\n\n下三角矩阵也有相应的结论。特别地，单位三角矩阵的逆矩阵仍是单位三角矩阵。\n\n矩阵的迹为\n\n\\[\\operatorname{tr}A=\\sum_{i=1}^{n}a_{ii}.\\]\n\n虽然这一迹公式对所有方阵都成立，但三角形式还能直接显示矩阵的特征值。\n\n三角矩阵的秩一般不等于其非零对角线元素的个数。例如，\n\n\\[\\begin{pmatrix} 0&1\\\\ 0&0 \\end{pmatrix}\\]\n\n的秩为 \\(1\\)，尽管它没有任何非零对角线元素。确定秩时，必须考察矩阵的整体结构。\n\n严格三角性与幂零性\n\n每个 \\(n\\times n\\) 严格三角矩阵 \\(N\\) 都满足\n\n\\[N^n=0.\\]\n\n这样的矩阵称为幂零矩阵。随着乘方次数增加，可能非零的元素会逐渐远离对角线，直至所有元素都为零。\n\n由此可知，\\(I+N\\) 可逆，且其逆矩阵具有如下有限展开式：\n\n\\[(I+N)^{-1} = I-N+N^2-\\cdots+(-1)^{n-1}N^{n-1}.\\]\n\n由于更高次幂全部为零，因此不需要使用极限论证。"
    },
    {
      "heading": "三角方程组的求解",
      "text": "当线性方程组的系数矩阵为三角矩阵时，可以按顺序逐个求解未知量，而不必进行完整的消元过程。\n\n回代法\n\n对于对角线元素均非零的上三角方程组\n\n\\[Ux=b\\]\n\n，最后一个方程可确定 \\(x_n\\)。其余未知量按逆序求得：\n\n\\[x_i= \\frac{b_i-\\displaystyle\\sum_{j=i+1}^{n}u_{ij}x_j} {u_{ii}}, \\qquad i=n,n-1,\\ldots,1.\\]\n\n这一过程称为回代法。\n\n例如，\n\n\\[\\begin{pmatrix} 2&1&-1\\\\ 0&3&2\\\\ 0&0&4 \\end{pmatrix} \\begin{pmatrix} x_1\\\\x_2\\\\x_3 \\end{pmatrix} = \\begin{pmatrix} 2\\\\5\\\\4 \\end{pmatrix}\\]\n\n给出\n\n\\[x_3=1,\\qquad x_2=1,\\qquad x_1=1.\\]\n\n前代法\n\n对于下三角方程组\n\n\\[Lx=b,\\]\n\n从上到下依次求解各个方程：\n\n\\[x_i= \\frac{b_i-\\displaystyle\\sum_{j=1}^{i-1}l_{ij}x_j} {l_{ii}}, \\qquad i=1,2,\\ldots,n.\\]\n\n这称为前代法。\n\n对于稠密三角矩阵，用大O记号表示，这两种方法均需要 \\(O(n^2)\\) 次算术运算；相比之下，对一般稠密矩阵进行标准消元需要 \\(O(n^3)\\) 次运算。单位三角方程组无需执行除以对角线元素的运算。\n\n如果某个对角线元素为零，就不能在对应步骤直接使用这些公式。此时，方程组可能无解，也可能有无穷多解，具体取决于其他系数和右端项。"
    },
    {
      "heading": "特征值与三角化",
      "text": "对于三角矩阵 \\(A\\)，采用 \\(\\chi_A(t)=\\det(tI-A)\\) 的约定，其特征多项式为\n\n\\[\\chi_A(t)=\\prod_{i=1}^{n}(t-a_{ii}).\\]\n\n因此，按代数重数计数，其特征值恰好就是各个对角线元素。\n\n三角矩阵不一定可以进行矩阵对角化。例如，\n\n\\[A= \\begin{pmatrix} 1&1\\\\ 0&1 \\end{pmatrix}\\]\n\n具有重特征值 \\(1\\)，但只有一个线性无关的特征向量。\n\n相似变换为三角形式\n\n如果一个矩阵在某个域上与某个上三角矩阵相似，即存在可逆矩阵 \\(S\\)，使得\n\n\\[T=S^{-1}AS\\]\n\n为上三角矩阵，则称该矩阵在该域上可三角化。\n\n域上的方阵在该域上可三角化，当且仅当其特征多项式在该域上能够分解为一次因式的乘积。因此：\n\n- 每个复方阵都可三角化。\n- 实方阵在实数域上可三角化，当且仅当其所有特征值都是实数。\n- 具有非实特征值的实矩阵不能通过相似变换化为实三角矩阵。\n\n舒尔分解在复数域上给出了一个更强的结论：\n\n\\[A=QTQ^*,\\]\n\n其中 \\(Q\\) 是酉矩阵，\\(T\\) 是上三角矩阵。在实数域上，相应的实舒尔形式是分块上三角形式，其对角块为 \\(1\\times1\\) 块和 \\(2\\times2\\) 块；后者对应非实的共轭特征值对。\n\n不变子空间\n\n三角形式具有几何解释。如果一个线性映射在有序基 \\(v_1,\\ldots,v_n\\) 下的矩阵为上三角矩阵，那么每个子空间\n\n\\[V_k=\\operatorname{span}(v_1,\\ldots,v_k)\\]\n\n在该映射下都保持不变。这些逐层嵌套的子空间构成一个完全不变旗：\n\n\\[\\{0\\}\\subset V_1\\subset V_2\\subset\\cdots\\subset V_n.\\]\n\n反过来，选取与这样的旗相适配的基，就能使该映射的矩阵成为上三角矩阵。"
    },
    {
      "heading": "在矩阵分解中的作用",
      "text": "三角矩阵广泛出现于数值线性代数中，尤其是在将一般问题归结为三角方程组求解的方法中。\n\n高斯消元法与 LU 分解\n\n高斯消元法通过消去对角线下方的元素得到上三角矩阵。消元过程中使用的乘数可以存储在一个下三角矩阵中，从而得到LU分解。\n\n采用行主元选取时，一种常用的约定是\n\n\\[PA=LU,\\]\n\n其中 \\(P\\) 是置换矩阵，\\(L\\) 是单位下三角矩阵，\\(U\\) 是上三角矩阵。这样，求解 \\(Ax=b\\) 就转化为求解\n\n\\[Ly=Pb,\\qquad Ux=y.\\]\n\n得到这些分解因子后，就可以处理多个不同的右端项，而无需重复分解。\n\nQR 分解与 Cholesky 分解\n\n在QR分解\n\n\\[A=QR,\\]\n\n中，若为方阵情形，因子 \\(R\\) 是上三角矩阵；在适当的矩形矩阵表述中，\\(R\\) 则是上梯形矩阵。这种结构用于线性方程组和最小二乘问题的求解算法。\n\n对于实对称正定矩阵，Cholesky分解具有如下形式：\n\n\\[A=LL^{\\mathsf T},\\]\n\n其中 \\(L\\) 是对角线元素均为正数的下三角矩阵。对于复埃尔米特正定矩阵，相应的分解为 \\(A=LL^*\\)。"
    },
    {
      "heading": "分块三角矩阵",
      "text": "分块上三角矩阵在分块对角线下方的各块均为零：\n\n\\[A= \\begin{pmatrix} B&C\\\\ 0&D \\end{pmatrix},\\]\n\n其中对角块 \\(B\\) 和 \\(D\\) 都是方阵，但它们本身不必是三角矩阵。\n\n其行列式和特征多项式满足\n\n\\[\\det A=\\det B\\,\\det D, \\qquad \\chi_A(t)=\\chi_B(t)\\chi_D(t).\\]\n\n因此，计入重数后，它的特征值就是各个对角块的特征值。\n\n若 \\(B\\) 和 \\(D\\) 可逆，则\n\n\\[A^{-1}= \\begin{pmatrix} B^{-1}&-B^{-1}CD^{-1}\\\\ 0&D^{-1} \\end{pmatrix}.\\]\n\n分块三角方程组可通过分块前代法或分块回代法求解。这使算法能够按组处理变量，并在每个块内使用高效的矩阵运算。"
    },
    {
      "heading": "数值计算中的注意事项与局限",
      "text": "三角结构虽然能减少计算量，却不能保证问题具有良好的条件性。三角矩阵的条件数可以任意大，此时矩阵元素或右端项中的误差可能导致解发生很大的变化。\n\n标准的代入求解算法具有良好的后向误差性质：在通常的算术模型下，排除上溢和下溢后，计算得到的解可以视为某个邻近三角方程组的精确解。前向误差的大小仍取决于问题的条件性。\n\n很小的对角线元素可能导致很大的中间值或上溢，但仅凭其绝对大小并不能可靠地判断条件性。例如，在标准诱导范数下，无论非零标量多么小，单位矩阵的该标量倍数的条件数始终为 \\(1\\)。\n\n在程序实现中，三角矩阵中已知为零的那一半无需显式存储。单位对角线元素也可以隐式表示。如果只需要求解 \\(Ax=b\\)，直接采用三角方程组的代入求解通常比显式构造 \\(A^{-1}\\) 更合适。"
    }
  ],
  "links": [
    "matrix",
    "linear-algebra",
    "determinant",
    "eigenvalues-and-eigenvectors",
    "field-mathematics",
    "real-number",
    "complex-number",
    "identity-matrix",
    "matrix-multiplication",
    "vector-space",
    "matrix-transpose",
    "conjugate-transpose",
    "inverse-matrix",
    "matrix-trace",
    "matrix-rank",
    "system-of-linear-equations",
    "big-o-notation",
    "characteristic-polynomial",
    "matrix-diagonalization",
    "matrix-similarity",
    "schur-decomposition",
    "unitary-matrix",
    "linear-map",
    "basis-linear-algebra",
    "numerical-linear-algebra",
    "gaussian-elimination",
    "lu-decomposition",
    "qr-decomposition",
    "positive-definite-matrix",
    "cholesky-decomposition",
    "condition-number"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}