矩阵的迹是什么有什么性质在聊线性代数的时候，我们经常会被各种复杂的符号绕晕，但“矩阵的迹”这个物品其实是个例外——它既直观又神秘。简单说，它就是方阵主对角线上所有数字加起来的总和。别看定义这么短，它在物理、计算机科学以及量子力学里可是个“隐形大佬”。很多时候，我们不需要算出整个矩阵的全部信息，光看这个“迹”，就能判断出矩阵的一些核心特征。
咱们先得明确一点：这玩意儿只对方阵（行数和列数一样的矩阵）有效。如果你拿一个长方形矩阵来硬套，那是不存在“迹”的概念的。通常我们会用 $\texttr}(A)$ 或者 $\textTr}(A)$ 来记号。假设你有一个 $n \times n$ 的矩阵 $A$，它的迹就是 $a_11} + a_22} + \dots + a_nn}$。
为什么我们要关注“迹”？
很多时候我们处理矩阵是为了求特征值、做相似变换或者解决微分方程组。直接算特征值往往很麻烦，需要解高次方程，但求迹却简单得多。而且，迹有个非常迷人的特性：它在相似变换下是不变的。由此可见不管你怎么换坐标轴、怎么调整基向量，只要这两个矩阵本质上是同一个线性变换的不同表现，它们的迹就是相等的。这特点质让“迹”成了判断两个矩阵是否等价的重要线索。
为了让大家更清晰地领会它的行为模式，我整理了一个包含核心性质的对照表，这比单纯看公式要好懂一些：
| 性质类别 | 数学表达 | 通俗解释与注意事项 |
| : | : | : |
| 基本定义 | $\texttr}(A) = \sum_i=1}^n a_ii}$ | 只看主对角线，其他位置全是浮云。非方阵无迹。 |
| 加法运算 | $\texttr}(A+B) = \texttr}(A) + \texttr}(B)$ | 迹对加法很友好，可以直接拆开分别算再相加。 |
| 数乘运算 | $\texttr}(kA) = k \cdot \texttr}(A)$ | 提公因式很简单，常数因子可以提出来乘到结局上。 |
| 转置不变性 | $\texttr}(A^T) = \texttr}(A)$ | 把矩阵上下翻转，对角线没变，因此迹天然也不变。 |
| 循环交换律 | $\texttr}(AB) = \texttr}(BA)$ | 重点！虽然矩阵乘法本身不可交换 ($AB \neq BA$)，但它们乘积的迹是相等的。这也是很多证明题的突破口。 |
| 特征值联系 | $\texttr}(A) = \sum \lambda_i$ | 迹等于所有特征值的和。这是连接矩阵元素与谱特性的桥梁。 |
| 幂运算 | $\texttr}(A^n) = \sum \lambda_i^n$ | 矩阵 $n$ 次方的迹，等于其特征值 $n$ 次方后的和。 |
多少容易踩的坑
虽然上面的表格看起来很完美，但在实际做题或者写代码的时候，有多少地方还是容易让人掉以轻心。
开门见山说，千万别搞混了“乘积的迹”和“迹的乘积”。很多人直觉上会觉得 $\texttr}(AB) = \texttr}(A)\texttr}(B)$，这是错的。迹不具备这种分配性质。比如单位矩阵 $I_2$ 乘以自身，迹分别是 2 和 2，乘积是 4；但如果选两个不同的矩阵，结局可能完全不一样。这一点在概率统计或者机器进修的损失函数推导里经常被用到，搞错了会导致后续所有推导失效。
接下来要讲，关于复数域的情况。如果矩阵里的元素是复数，取迹时依然是实部虚部都加起来，并不自动取共轭。不过要注意，如果是在内积空间讨论厄米特矩阵（Hermitian matrix），其特征值必须是实数，这时候迹才是实数。如果是普通复矩阵，迹也可能是复数，但这不影响定义的通用性。
小编归纳一下
说到底，“矩阵的迹”之因此重要，不是由于它计算有多快，而是由于它代表了某种“不变量”。就像我们在宇宙中运动一样，不管参考系怎么选（矩阵相似变换），物体本身的质量或者说某些物理量的总和（迹）是保持不变的。这种稳定性在数学全球里非常稀缺。当你下次面对一堆复杂的矩阵运算想不出头绪时，不妨回头看看那个主对角线上的数字之和，说不定这就是难题解决的钥匙。
希望这篇梳理能帮你把这一概念吃透。如果在具体习题里遇到了关于迹的独特技巧难题，欢迎随时回来探讨，毕竟数学这物品，只有动手算过一遍才能真的记住。
