В математиката матрица (мн.ч. матрици) е правоъгълна таблица от числа, подредени в редове и колони. Редовете се четат хоризонтално (отляво надясно), а колоните — вертикално (отгоре надолу). Горната лява клетка обикновено се обозначава като ред 1, колона 1 (i = 1, j = 1); индексът на произволен елемент се отбелязва с aij — елементът на i‑тия ред и j‑тата колона (вижте диаграмата).
Матриците обикновено се означават с главни букви, например ,
и
. Съществуват ясни правила за събиране, изваждане и "умножаване" на матрици, които се различават от тези за обикновените числа. Например произведението
не винаги е равно на
(умножението на матрици е обикновено некомутативно). Матрица може да бъде и едноизмерна (ред–вектор или колона–вектор) или да има по-голям брой измерения (напр. тензор), но в класическата линейна алгебра говорим предимно за двумерни таблици.
Нотация и размерности
Ако матрица A има m реда и n колони, казваме, че размерът ѝ е m × n (четете “m на n”).
- Редовият вектор е матрица с 1 ред и n колони (1 × n).
- Колонният вектор е матрица с m реда и 1 колона (m × 1).
- Квадратна матрица е тази с равен брой редове и колони (n × n) — за нея имат смисъл понятия като детерминанта и обратна матрица.
Видове матрици (често срещани)
- Нулева матрица — всички елементи са нули.
- Единична (идентична) матрица I — квадратна матрица с 1 на диагонала и 0 извън него; неутрален елемент за умножение.
- Диагонална матрица — всички елементи извън главния диагонал са нули.
- Триъгълна (горна/долна) — всички елементи под (или над) диагонала са нули.
- Симетрична матрица — A = A^T (за реални матрици елементите са огледално равни).
- Ортонормална/ортогонална — Q^T Q = I (за реални матрици колони/редове са ортонормални вектори).
- Разрежена (sparse) — повечето елементи са нули; използва се в изчислителни приложения.
Основни операции
- Събиране и изваждане — възможни само за матрици със същата размерност; извършва се елемент по елемент: (A ± B)ij = Aij ± Bij.
- Умножение със скалар — всеки елемент се умножава по това число.
- Умножение на матрици — ако A е m × n и B е n × p, тогава произведението AB е m × p. Елементът (AB)ij се получава като сума от произведения: (AB)ij = sum over k от 1 до n на Aik · Bkj. За да може да умножим A и B, броят на колоните на A трябва да съвпада с броя на редовете на B. В резултат умножението обикновено не е комутативно (AB ≠ BA).
- Транспониране — A^T е матрица, получена чрез обръщане на редовете и колоните: (A^T)ij = Aji.
- Детерминанта — дефинирана само за квадратни матрици; дава мярка за обратимостта (det(A) ≠ 0 ⇔ A има обратна матрица).
- Обратна матрица — за квадратна матрица A с обрат A^−1 е вярно: A A^−1 = A^−1 A = I. Обратна матрица съществува само за невзаимно изключващи (незасичащи) матрици с det(A) ≠ 0.
- Ранг — максималният брой линейно независими редове или колони; важен за решаването на линейни системи.
- Следа (trace) — сумата от диагоналните елементи на квадратна матрица; трaс е инвариант при сходства.
Основни свойства
- Ассоциативност за умножение: (AB)C = A(BC) (когато размерностите позволяват).
- Дистрибутивност: A(B + C) = AB + AC и (A + B)C = AC + BC.
- За транспониране: (AB)^T = B^T A^T.
- За детерминанта: det(AB) = det(A) · det(B) (за квадратни матрици).
- Ако A е обратима, тогава (A^−1)^T = (A^T)^−1.
Приложения
Матриците са основен инструмент във много области:
- Решаване на линейни системи от уравнения (Ax = b) — чрез методи като елиминация, инверсна матрица или факторизации (LU, QR).
- Линейни трансформации и геометрични преобразования — в компютърна графика, роботика и 3D моделиране.
- Статистика и машинно обучение — ковариационни матрици, модели на регресия, невронни мрежи и др.
- Физика и инженерство — системи от уравнения, моделиране на динамика, анализ на сигнали.
- Маркови вериги и модели на вероятности — матриците на преходи.
Къде се изучават матриците
В много природни и технически науки матриците са повсеместни. В университетските програми курсовете за матрици и линейна алгебра (линейна алгебра) обикновено се преподават рано в обучението. Матриците също са ключови в компютърните науки, инженерните науки, физиката, икономиката и статистиката.
За по-задълбочено изучаване е полезно да се запознаете с понятия като собствените стойности и собствените вектори (eigenvalues и eigenvectors), ортогонални проекции, факторизации (LU, QR, SVD) и алгоритми за числено решаване на големи матрични задачи.

