企业官网建设流程全解析

开篇先问一个问题：你在做矩阵运算的时候，有没有一种感觉——加减乘除刚上手觉得简单，但一到转置、逆矩阵、伴随矩阵这些性质一起涌过来的时候，整个人就乱了？

我当年学线性代数的时候，最痛苦的不是某个单独的公式记不住，而是性质太多、彼此纠缠，做题时不知道该优先用哪一条。尤其是矩阵运算这一块，每一类运算都有自己的一套运算法则，有的能交换顺序，有的死活不能，有的要取转置，有的要取逆，稍不留神就对错了方向。今天这篇笔记我特意把矩阵运算里最容易混、最常考、考试时最坑的几个点全部拉出来，做一个彻底的梳理和对比。

说实话，这个系列写到第十篇，前面的内容已经铺垫了不少基础概念。但越是往深走，我越发现：矩阵运算的真正难点不在于“会算”，而在于“会选”——面对一道题，你能不能快速判断该用哪些性质，能不能一眼看出这个式子能化简成什么样子。

这篇文章适合正在学线性代数的大学生、准备考研复习的备考生，以及工作中需要用到矩阵运算的工程师。我不会堆砌连篇累牍的教材原文，而是用做题的视角，把转置、逆矩阵、伴随矩阵、分块矩阵这些最容易出问题的运算方式一个个拆开揉碎。每讲一个知识点，都会搭配例子和我在实际做题中踩过的坑。

1. 转置运算的三条黄金法则，以及那个最容易记反的结论

先来盘一盘转置。转置可以说是矩阵运算里最“温和”的一类操作——它不改变矩阵的元素，只是把行列互换。可恰恰是这个看似简单的操作，在组合运算时容易搞混顺序。

1.1 转置的线性性质和乘积转置

转置运算满足线性性质，这是最基础的一条：

[ (A+B)^T = A^T + B^T ] [ (kA)^T = kA^T ]

这两条跟加法、数乘配合得很好用。比如你在化简 ((2A+3B)^T) 的时候，可以直接拆成 (2A^T + 3B^T)，系数提出来不用管。没什么坑，平时做题直接用就行。

但真正需要警惕的，是乘积的转置公式：

[ (AB)^T = B^T A^T ]

这个公式的重点是顺序要反过来。我记得第一次做题的时候，想当然地写了 ((AB)^T = A^T B^T)，结果后面整个化简过程全乱了。为什么会反序？这就要从矩阵乘法的定义说起。

矩阵相乘，结果的第 (i) 行第 (j) 列元素是左矩阵的第 (i) 行与右矩阵的第 (j) 列对应元素相乘再相加。如果你对 (AB) 取转置，相当于把结果的行列互换——原来的第 (i) 行第 (j) 列，变成了第 (j) 行第 (i) 列。你回头去看生成这个元素的过程：它对应的是 (A) 的第 (i) 行和 (B) 的第 (j) 列。转置之后要变成 (A^T) 的第 (i) 列和 (B^T) 的第 (j) 行，这时为了保持乘法能进行，两个因子的位置就得互换，于是必须写成 (B^T A^T)。

记忆技巧：你只需要记住“穿上衣服要反过来”——把转置想象成穿衣过程，先穿内衣再穿外套，脱衣服时得先脱外套再脱内衣。所以 ((AB)^T) 里面 (A) 相当于内衣，(B) 相当于外套，转置就是“脱衣服”，得先脱 (B)，再脱 (A)。

1.2 转置的推广：多个矩阵连乘也没问题

这个公式可以推广到多个矩阵连乘的情况：

[ (ABC \cdots Z)^T = Z^T \cdots C^T B^T A^T ]

也就是说，不管中间有多少个矩阵相乘，取转置之后所有矩阵的转置按相反顺序排列就可以了。这个推广我在考研复习时用得很频繁，因为很多证明题会碰到三项连乘的形式，比如让你证明 ((A^T BA)^T) 等于什么。你可以直接写：

[ (A^TBA)^T = A^T B^T (A^T)^T = A^T B^T A ]

注意这里有个小细节：((A^T)^T = A)，双重转置等于原矩阵，这是一个特别常用的性质，后面很多化简都会用到它。

1.3 对称矩阵和反对称矩阵的判断技巧

转置的一个重要应用场景就是判断矩阵是否对称。

• 如果 (A^T = A)，那么 (A) 是对称矩阵；
• 如果 (A^T = -A)，那么 (A) 是反对称矩阵。

做题时经常会给一个带参数的矩阵，让你求参数使得它是对称矩阵或反对称矩阵。思路就是对应位置元素相等或互为相反数，列方程解参数。

这里再送一个经常考的性质：(A + A^T) 一定是对称矩阵，因为 ((A + A^T)^T = A^T + A = A + A^T)；(A - A^T) 一定是反对称矩阵。而且任何一个方阵 (A) 都可以分解成一个对称矩阵和反对称矩阵之和：

[ A = \frac{A + A^T}{2} + \frac{A - A^T}{2} ]

这个分解在某些特定题型里很好用，虽然不是每次都能派上用场，但证明题里如果遇到给任意方阵让你证明它能表示成对称与反对称之和，直接写这个分解就行。

2. 逆矩阵的核心逻辑：什么时候能逆，怎么求，怎么用

逆矩阵是矩阵运算里最重要的部分之一，也是考试大题最爱出题的地方。这一节我会讲得细一些，把能逆的条件、求逆的方法以及逆矩阵相关的运算性质一次性理清楚。

2.1 可逆的充要条件与行列式的关系

一个方阵 (A) 可逆的充要条件是 (|A| \neq 0)，也就说行列式不为零。这个结论是所有逆矩阵问题的出发点。做题时，判断一个矩阵是否可逆，第一步永远是先看行列式：

• (|A| = 0)：矩阵不可逆，也叫奇异矩阵；
• (|A| \neq 0)：矩阵可逆，也叫非奇异矩阵。

这里我要特别提醒一个容易踩的坑：有些同学看到矩阵里有字母参数，就以为一定可逆，直接去做逆矩阵，结果推导到一半发现分母上的 (|A|) 可能为零，前功尽弃。正确做法是先算 (|A|)，结合题目条件判断是否一定不为零，再进行后续操作。

还有一种常见的出题方式：已知 (A^2 = A)，问你 (A + I) 是否可逆。这种题不能直接断言，要动笔去凑：假设 (A + I) 不可逆，看能不能推出矛盾；或者直接构造某个矩阵乘以 (A+I) 等于单位阵。

2.2 方阵的逆矩阵求法：伴随矩阵法与初等行变换法对比

求逆矩阵有两条主流路径：伴随矩阵法和初等行变换法。

伴随矩阵法的公式是：

[ A^{-1} = \frac{1}{|A|} A^* ]

这里的 (A^*) 是伴随矩阵。使用这个方法时，要求行列式 (|A|)，还要算每一个元素的代数余子式，再转置排列成伴随矩阵。理论上可行，但实际操作中，三阶以上的矩阵用伴随矩阵法求逆，计算量非常可观，很容易算错一个代数余子式导致全盘皆输。

我在实际教学和做题中，建议这样选：

• 二阶矩阵求逆：用伴随矩阵法，速度快，不易出错；
• 三阶及以上的矩阵：首选初等行变换法。

初等行变换法的原理是这样的：对矩阵 ([A | I]) 做初等行变换，当左边变成单位阵 (I) 时，右边就是 (A^{-1})。这个方法的理论基础是：对矩阵左乘一个初等矩阵，相当于做一次相应的初等行变换。你用一系列初等行变换把 (A) 化成 (I)，相当于左乘了一系列初等矩阵的乘积 (E)，使得 (EA = I)，于是 (E = A^{-1})。当你同时对右边也做相同的行变换时，右边的 (I) 就变成了 (EI = E = A^{-1})。

初等行变换法不仅适用性强，而且能够帮你检查 (A) 是否可逆——如果变换过程中出现某一行全变为零的情况，说明矩阵不可逆。

2.3 逆矩阵的运算性质：顺序、转置与幂的组合

逆矩阵的性质，是考试中的“把分题”，但也是易错点。我把最重要的几条逐一列出：

[ (A^{-1})^{-1} = A ] [ (kA)^{-1} = \frac{1}{k} A^{-1}, \quad k \neq 0 ] [ (AB)^{-1} = B^{-1} A^{-1} ] [ (A^T)^{-1} = (A^{-1})^T ] [ (A^m)^{-1} = (A^{-1})^m ]

这里最值得注意的是第三条：((AB)^{-1} = B^{-1} A^{-1})，乘法的逆和乘法的转置一样，都得反序。为什么？因为你需要验证 ((AB)(B^{-1}A^{-1}) = I)。把括号展开：

[ (AB)(B^{-1}A^{-1}) = A(BB^{-1})A^{-1} = AIA^{-1} = AA^{-1} = I ]

如果顺序不反过来，写成 (A^{-1}B^{-1})，那就得不到单位阵了。

还有一个考试常考的性质：((A^T)^{-1} = (A^{-1})^T)，即“先逆后转置”等于“先转置后逆”。这个其实很好记，可以说“逆和转置这两个运算可交换”，做题时可以自由互换顺序，哪个形式好算就用哪个。

2.4 伴随矩阵的核心恒等式 (AA^* = A^*A = |A|I)

伴随矩阵 (A^*) 有一个极其重要的性质：对于任意 (n) 阶方阵 (A)，有

[ AA^* = A^*A = |A|I ]

这个恒等式是求逆矩阵公式 (A^{-1} = \frac{A^*}{|A|}) 的根本来源。这个式子的重要性远超公式表面——很多证明题就是靠它来“无中生有”地制造出逆矩阵或者 (|A|) 的幂次的。

实战例子：如果题目告诉你 (A) 是三阶方阵，且 (|A| = 2)，让你求 (|A^|)。根据 (AA^= |A|I)，两边取行列式：

[ |A| \cdot |A^*| = ||A|I| = |A|^n ]

当 (n = 3) 时，右边是 (|A|^3)。于是：

[ |A| \cdot |A^*| = |A|^3 ]

因为 (|A| \neq 0)，两边同时除以 (|A|)，得到：

[ |A^*| = |A|^{n-1} ]

代入 (|A| = 2)，(n = 3)，得到 (|A^*| = 2^2 = 4)。

注意：这里有个细节，(||A|I| = |A|^n)，因为 (|A|) 是个数，(|A|I) 是对角元都是 (|A|) 的对角矩阵，它的行列式等于 (\prod_{i=1}^n |A| = |A|^n)。就是 (n) 个 (|A|) 相乘。我们上面用的是三阶，如果是二阶，那就是 (|A|^2)。

另外，如果题目突然问 (A^{-1}) 的伴随矩阵 ((A^{-1})^) 是多少，你也可以从恒等式出发。因为 ((A^{-1})^= |A^{-1}| (A^{-1})^{-1} = \frac{1}{|A|} A)。但要注意公式 (B^* = |B| B^{-1}) 只有在 (B) 可逆时才成立。这里 (A^{-1}) 当然可逆，所以直接套就行。

3. 分块矩阵运算：打破“必须拼成完整矩阵才能算”的偏见

很多同学一看到分块矩阵就头皮发麻，觉得又多了一套规则。其实分块矩阵的核心思想很简单：把一个矩阵按行列方向切割成若干块，每块当成一个“元素”来运算。这跟超市收银员把小票分门别类整理是同一个道理。

3.1 分块矩阵加减与数乘：逐块运算，维度匹配是前提

分块矩阵的加减法和数乘，规则跟普通矩阵几乎一样：

• 两个分块方式完全相同的矩阵相加，对应分块相加减；
• 数乘分块矩阵，数乘每一个分块。

这里的关键是：两个矩阵分块的方式必须一致，也就是说第一行第一列的分块大小要匹配，才能对应相加减。如果分块方式不同，即便原矩阵能相加，分块之后也无法逐块相加。

举个例子，假设：

[ A = \begin{bmatrix} A_{11} & A_{12} \ A_{21} & A_{22} \end{bmatrix},\quad B = \begin{bmatrix} B_{11} & B_{12} \ B_{21} & B_{22} \end{bmatrix} ]

其中 (A_{11}) 和 (B_{11}) 的行列数都相同，其他分块同理。那么：

[ A + B = \begin{bmatrix} A_{11} + B_{11} & A_{12} + B_{12} \ A_{21} + B_{21} & A_{22} + B_{22} \end{bmatrix} ]

3.2 分块矩阵乘法：遵循“左行右列”的匹配法则

分块矩阵的乘法是这一节的核心。两个矩阵 (A_{m \times n}) 和 (B_{n \times p}) 相乘时，我们可以对它们进行分块，但要保证 (A) 的列的分块方式与 (B) 的行的分块方式一致。

设：

[ A = \begin{bmatrix} A_{11} & A_{12} \ A_{21} & A_{22} \end{bmatrix},\quad B = \begin{bmatrix} B_{11} & B_{12} \ B_{21} & B_{22} \end{bmatrix} ]

若 (A_{11}) 的列数等于 (B_{11}) 的行数，(A_{12}) 的列数等于 (B_{21}) 的行数，则可以按照类似于普通矩阵乘法的方式计算：

[ AB = \begin{bmatrix} A_{11}B_{11} + A_{12}B_{21} & A_{11}B_{12} + A_{12}B_{22} \ A_{21}B_{11} + A_{22}B_{21} & A_{21}B_{12} + A_{22}B_{22} \end{bmatrix} ]

这里我踩过一个印象很深的坑：分块之后进行乘法，里面的每一个小矩阵的乘法也要保证维度匹配，而且不能随便交换顺序。有次做题，我把 (A_{11}B_{11}) 写成了 (B_{11}A_{11})，理由竟然是“我刚好觉得这样好算”，结果整个结果错得离谱。矩阵乘法不满足交换律，分块矩阵乘法中每个“元素”相乘也是同样的道理。

提示：分块矩阵乘法的适用场景，往往是矩阵里出现很多零块、单位块时，可以大幅减少运算量。比如上三角分块矩阵、对角分块矩阵，乘法会非常简便。如果分块后全是满块，分块运算并不能省太多计算量，有时反而更麻烦。做题时要先判断分块是否真的有利于简化。

3.3 对角分块矩阵的逆与幂：一个极其好用的结论

如果矩阵可以写成对角分块形式：

[ A = \begin{bmatrix} A_{1} & & \ & A_{2} & \ & & \ddots & \ & & & A_{k} \end{bmatrix} ]

并且每个对角块 (A_i) 都可逆，那么：

[ A^{-1} = \begin{bmatrix} A_{1}^{-1} & & \ & A_{2}^{-1} & \ & & \ddots & \ & & & A_{k}^{-1} \end{bmatrix} ]

也就是说，对角分块矩阵的逆，等于每个对角块分别取逆之后放在原来的位置上。这个结论在考试中属于性价比最高的一类，因为它把一个大矩阵求逆的问题拆成了若干个小矩阵求逆的问题。

对角分块矩阵的幂也有类似的结论：

[ A^m = \begin{bmatrix} A_{1}^m & & \ & A_{2}^m & \ & & \ddots & \ & & & A_{k}^m \end{bmatrix} ]

也就是说，对角分块矩阵的 (m) 次幂，等于每个对角块分别取 (m) 次幂。

但这里要提醒一句：这些结论只对“对角分块”适用，对角块以外的位置必须为零矩阵。如果分块矩阵是“上三角分块”或“下三角分块”，求逆公式会变得复杂得多，没有这么简单。分块矩阵的逆在上下三角的情况下不能直接用对角块的逆来拼。

3.4 分块矩阵和行列式：一种简化计算的有效路径

对于分块矩阵，如果它是分块对角矩阵或者分块上（下）三角矩阵，行列式可以直接写作对角线分块行列式的乘积：

[ \det\begin{bmatrix} A & C \ 0 & B \end{bmatrix} = |A| \cdot |B| ]

其中左上和右下可以是任意可逆或不可逆矩阵（前提是它们都是方阵），左下是零矩阵，右上是某个矩阵。这种情况下，行列式计算简化为小矩阵行列式的乘积。

这个结论在计算高阶矩阵的行列式时经常能救命。比如一个 (6 \times 6) 的矩阵，如果你能通过行列变换把它化成两个 (3 \times 3) 的分块上三角形式，计算量直接从“令人崩溃”变成“轻松愉快”。

4. 矩阵运算中那些“知道就赚到”的组合性质与做题顺序

到了这一节，我来聊聊矩阵运算之间的“联动”。单一运算的性质好背，难的是几个运算凑在一个式子里，你分不清先算哪个、哪些能交换。这里的核心原则其实就一句话：按定义和性质逐步化简，以凑出已知信息为目标。

4.1 转置、逆、伴随三种运算的交换关系网络

转置 (T)、逆 (-1)、伴随 (*) 这三个“单目运算”作用在同一个矩阵上时，它们的先后顺序是可以互换的。我用表格把这几种组合形式整理出来：

这几组关系为什么成立？核心原因在于：这些运算本质上都是基于行列式和代数余子式定义的，它们对矩阵的“结构”有一种天然的兼容性。你单独去推导每一组也不难，但考试时如果每次现推，时间就浪费太多了。建议直接记住表格中的等价关系。

4.2 乘法和加法混合时的化简陷阱

矩阵运算中，((A+B)^2) 这类式子是最容易出错的点。

先看正确展开：

[ (A+B)^2 = (A+B)(A+B) = A^2 + AB + BA + B^2 ]

注意，这里的中间两项是 (AB + BA)，不能合并成 (2AB)，除非 (A) 和 (B) 可交换，也就是 (AB = BA)。如果题目没有明确说明 (A) 与 (B) 可交换，那么中间项必须保留为 (AB + BA)。

同理：

[ (A+B)(A-B) = A^2 - AB + BA - B^2 ]

这个也不能直接写成 (A^2 - B^2)。只有 (AB = BA) 时才能进一步化简。

为什么一定要掌握这个小细节？因为在考研和期末考试里，经常会有那种“已知 (A)、(B) 可交换，且满足某个等式，证明 (AB = 0) 或某某矩阵可逆”的证明题。这时候你必须准确展开，知道哪些项能合并、哪些不能，才能推出题目想要的结果。

做题顺序建议：先看有没有可交换条件，再决定能否合并中间项。如果没有可交换条件，就老老实实保留所有项。

4.3 利用伴随矩阵恒等式和行列式性质快速求值

还有一种高频考题是“已知 (A) 是三阶可逆矩阵，(|A| = -2)，求 (|2A^|)”。这类题建议大家先推出一个常用结论。由 (AA^= |A|I)，两边取行列式：

[ |A| \cdot |A^*| = |A|^n ]

如果 (A) 可逆，则：

[ |A^*| = |A|^{n-1} ]

这个公式在很多题里可以当作现成结论直接用。那么 (|2A^|) 是三阶矩阵，对 (A^) 做数乘 2，等于每一个元素都乘 2，相当于行列式中每行提取一个 2，三阶矩阵提 3 次，所以：

[ |2A^| = 2^3 \cdot |A^| = 8 \cdot |A|^{n-1} ]

代入 (|A| = -2)，(n = 3)，得到：

[ |2A^*| = 8 \cdot (-2)^2 = 8 \cdot 4 = 32 ]

数乘矩阵的行列式公式：(|kA| = k^n |A|)。这里特别容易错，很多人会写成 (|kA| = k|A|)，忘记每个元素都乘了 (k)，行列式每一行都要提一个 (k)，共 (n) 行，所以要提 (n) 次。

4.4 具体实例：一道综合题的完整推导过程

最后我来完整演示一道综合题，把上面这些性质串起来用。

设 (A) 是 (n) 阶方阵，满足 (A^2 - 3A + 2I = 0)，证明 (A) 可逆，并求 (A^{-1})。

看到这种题，大家的第一反应是“能直接用求逆公式吗”？其实这类题的思路是把已知等式拆出因式，想办法让 (A) 乘上某个矩阵等于单位阵。

从 (A^2 - 3A + 2I = 0) 出发，我们把它改写成：

[ A^2 - 3A = -2I ]

左边提 (A)（这里要注意，矩阵提公因子时，因为是在左边乘 (A)，所以要写成 (A(A - 3I))，因为 (A) 和 (-3I) 之间 (A) 与 (I) 可交换，所以这样提是正确的）：

[ A(A - 3I) = -2I ]

两边同乘 (-\frac{1}{2})：

[ A \cdot \left(-\frac{1}{2}(A - 3I)\right) = I ]

这样我们就构造出了 (A) 的逆矩阵：

[ A^{-1} = -\frac{1}{2}(A - 3I) = \frac{3I - A}{2} ]

这个题的核心逻辑就是：要证明可逆，等价于找到另一个矩阵 (B) 使得 (AB = I)。你不一定非要算出具体的伴随矩阵或用初等行变换，只要能从题设条件里凑出这个“乘起来等于单位阵”的矩阵就行。

类似的题型还有：

• (A^2 = A)，则 (A - 2I) 可逆（凑 ((A-2I)(A+I) = -2I)）；
• (A^3 = 2I)，则 (A + 4I) 可逆？（可以试试用 (A^3 + 64I = 66I) 之类的变形）

每次拿到这种题，我的经验是先观察等式的形式，猜想要找的逆矩阵大概长什么样，然后利用“乘开等于 (I)”的方向去凑。这个方法比硬套逆矩阵公式要快得多。

5. 矩阵运算的易错点集中盘点：我这些年踩过的坑

讲完核心运算，最后一部分把我在做题过程中踩过、也看别人反复踩的坑集中梳理一下。这些坑如果不注意，考试时丢分真的特别可惜。

5.1 坑一：(AB = AC) 且 (A \neq 0) 时，误以为 (B = C)

这是矩阵运算里最经典的“反直觉”结论。在数的运算中，(ab = ac) 且 (a \neq 0) 时，可以约去 (a) 得到 (b = c)。但矩阵运算中，即使 (A) 是非零矩阵，也可能存在 (AB = AC) 但 (B \neq C) 的情况。

只有当 (A) 可逆时，才能在等式两边左乘 (A^{-1}) 得到 (B = C)。如果 (A) 不可逆，约分操作就是非法的。

注意：做题时看到 (AB = AC)，第一反应应该是“先确认 (A) 是否可逆”，而不是直接写 (B = C)。可逆时才能约，不可逆时这个等式最多只能告诉你 ((B-C)) 的列向量都在 (A) 的零空间里。

5.2 坑二：误以为 ((AB)^m = A^m B^m)

这个结论只有在 (AB = BA) 时才成立。一般地：

[ (AB)^2 = ABAB ]

除非 (B) 与 (A) 可交换，否则不能把中间的 (BA) 换成 (AB)，也就不能合并成 (A^2B^2)。

考试里经常出判断正误题，专门在 ((AB)^2 = A^2B^2) 这里挖坑。大家看到平方就条件反射想展开成 (A^2B^2)，这是大忌。

5.3 坑三：使用初等行变换求逆时，把列变换也混进去

求逆矩阵 (A^{-1}) 时，只能用初等行变换，不能同时用列变换。因为初等行变换相当于左乘初等矩阵，而列变换相当于右乘初等矩阵。如果你一会儿做行变换，一会儿做列变换，最后得到的“右边矩阵”既不是标准的 (A^{-1})，整个推导也没有了理论依据。

正确的操作是：从始至终只用行变换，把左边化成单位阵。如果行变换过程中发现某一行全为零，说明矩阵不可逆，直接停下。

5.4 坑四：求伴随矩阵时，忘记代数余子式需要转置排列

伴随矩阵 (A^*) 的定义是：先求出每个元素的代数余子式 (A_{ij})，然后排列成矩阵，但注意下标要转置——第 (i) 行第 (j) 列的元素是 (A_{ji}) 而不是 (A_{ij})。

这是我见过的最常见的低级错误之一。很多同学习惯性把代数余子式直接放在对应位置，结果整个伴随矩阵都错了。一个实用的检查方法是：你对任意二阶矩阵 (A = \begin{bmatrix} a & b \ c & d \end{bmatrix}) 求伴随矩阵时，结果应该是 (\begin{bmatrix} d & -b \ -c & a \end{bmatrix})，也就是主对角线互换，副对角线变号。如果按“直接放不转置”的做法，得到的是 (\begin{bmatrix} d & -c \ -b & a \end{bmatrix})，明显就错了。

6. 一些实用的复习思路与做题建议

写到这儿，该讲的矩阵运算法则和应用我已经尽量讲透了。最后聊几句复习层面的建议。

6.1 把性质整理成一张互相关联的网络

矩阵运算的性质零零散散，如果只是在脑袋里单独记忆，很容易忘。我自己的做法是：每次学完一块知识，自己动手在纸上画一张“关系图”——不是那种复杂的思维导图，而是把相关的公式串在一起。比如遇到 (AB = I)，立刻联想到 (AB) 可逆、(A) 可逆、(B) 可逆、(A^{-1} = B)、(B^{-1} = A)、((AB)^{-1} = I^{-1}) 等等。这种联想式记忆比死记硬背要高效得多。

6.2 做题时先判断“能不能用公式”，再动手计算

很多同学拿到题目就猛算，不做判断。比如看到 ((A+B)^2) 直接展开，却没有先确认是否可交换；看到 (AB = AC) 就想约掉 (A)，却没先判断可逆性。养成“先判断、后计算”的习惯，能帮你避开大部分丢分点。

6.3 用例题反向验证公式的记忆是否准确

一个比较好的验证方法是：拿具体的二阶矩阵代入公式检验。因为二阶矩阵运算简单，你可以快速判断 ((A+B)^2) 的展开式对不对、((AB)^{-1}) 是不是真的等于 (B^{-1}A^{-1})。这种“数字化验证”在复习时特别好用，能及时纠正记忆偏差。

我自己在复习线性代数时就是这么干的：每背一个公式，随手拿两个二阶矩阵算一算，验证边做边算，远比单纯看教材可靠得多。

矩阵运算这个章节内容多且琐碎，但它是一整门线性代数后续一切内容的基石。把这里的每一步走扎实，后面学到向量空间、特征值、二次型时，就不会因为运算卡壳而影响新概念的理解。这篇笔记希望能帮你把矩阵运算的框架搭得更稳。如果你还有哪个具体推导想讨论的，欢迎在评论区聊。