Matrices

欢迎来到矩阵的世界！

在本章中，我们将一起探索矩阵（Matrices）。你可以将矩阵想象成一个“数学电子表格”——它是一种将数字整理成行与列的工具，能让我们一次性解决复杂的问题。矩阵是现代科技的基石；从电子游戏中的计算机图形学，到 Google 用来为搜索结果排名的算法，背后都少不了它的功劳。

如果起初觉得这些概念有点“天外来客”般的陌生，也不用担心。我们将循序渐进，从基础运算开始，一直深入到如何在 3D 空间中进行图形变换！

1. 矩阵算术（基础入门）

矩阵由其阶（Order）（即大小）定义，写作 行 \(\times\) 列。例如，一个 \(2 \times 3\) 的矩阵代表它有 2 行 3 列。

加法、减法与标量乘法

要进行矩阵的加减法，矩阵必须是可相容的（Conformable），简单来说就是它们必须完全一样大。你只需要将相同位置的数字进行对应的加减即可。

标量乘法（Scalar Multiplication）就更简单了：只需将矩阵内的每一个数字，都乘以同一个外在的数（标量）即可。

矩阵乘法

两个矩阵的乘法就比较特别了。不是简单地把对应位置的数字相乘，而是要进行“行乘以列（Rows by Columns）”的运算。

相容规则：要将矩阵 \(A\) 与 \(B\) 相乘，\(A\) 的列数必须与 \(B\) 的行数相等。
记忆小撇步：如果把两者的阶写在旁边，中间的数字必须相同。例如，一个 \((2 \times \mathbf{3})\) 的矩阵可以乘以一个 \((\mathbf{3} \times 4)\) 的矩阵。

特殊矩阵

• 零矩阵（Zero Matrix，\(\mathbf{0}\)）：所有元素皆为 0。将它加到任何矩阵中，原矩阵都不会改变。
• 单位矩阵（Identity Matrix，\(\mathbf{I}\)）：矩阵中的“1”。它是一个主对角线（从左上到右下）为 1，其余位置皆为 0 的方阵。将任何矩阵与 \(\mathbf{I}\) 相乘后，该矩阵保持不变：\(AI = A\)。

重点复习：请记住，在矩阵乘法中，顺序非常重要！通常情况下，\(AB \neq BA\)。

2. 变换：用数学移动图形

我们可以使用矩阵来移动图表上的点和图形，这称为线性变换（Linear Transformation）。

二维变换

一个 \(2 \times 2\) 的矩阵可以表示反射、旋转和缩放。我们只需找出“单位向量”\(\begin{pmatrix} 1 \\ 0 \end{pmatrix}\) 和 \(\begin{pmatrix} 0 \\ 1 \end{pmatrix}\) 变换后的位置，这些坐标就会成为我们变换矩阵的列。

连续变换

如果你想对图形进行反射，然后再进行旋转，你需要将这些矩阵相乘。
注意：变换的应用顺序是由右至左。如果 \(R\) 代表旋转，\(S\) 代表缩放，那么“先旋转后缩放”写作 \(SR\)。

三维变换

课程大纲将 3D 变换限制于：

• 在 \(x=0\)、\(y=0\) 或 \(z=0\) 平面上的反射。
• 绕 \(x\)、\(y\) 或 \(z\) 轴的旋转。

不变点与不变线

• 不变点（Invariant Point）：在变换后位置保持不变的点。在线性变换中，原点 \((0,0)\) 永远是不变点。
• 不变线（Invariant Line）：线上的每一个点在变换后依然落在这条直线上（尽管点本身可能会沿着线滑动）。

核心概念：变换其实就是一种利用矩阵乘法来“重新映射”空间的方法。

3. 行列式：比例因子

矩阵的行列式（Determinant），写作 \(\det A\) 或 \(|A|\)，是一个能告诉我们关于该矩阵许多信息的单一数值。

计算行列式

• 对于 \(2 \times 2\) 矩阵 \(\begin{pmatrix} a & b \\ c & d \end{pmatrix}\)，行列式为 \(ad - bc\)。
• 对于 \(3 \times 3\) 矩阵，我们使用“按行或列展开”的方法。这涉及将元素乘以较小的 \(2 \times 2\) 矩阵的行列式（余子式，Minors）。

它代表什么？

行列式是该变换的面积比例因子（二维情况）或体积比例因子（三维情况）。
你知道吗？如果行列式是负数，代表该图形在缩放的同时，还发生了反射或“翻转”。

奇异矩阵（Singular Matrices）

如果 \(\det A = 0\)，该矩阵称为奇异矩阵。这意味着变换将图形压缩到了更低的维度（例如将二维正方形压缩成一维线段）。奇异矩阵没有逆矩阵。

4. 逆矩阵：反向操作

矩阵 \(A\) 的逆矩阵（Inverse），写作 \(A^{-1}\)，就是一个能“撤销”\(A\) 之变换的矩阵。
\(AA^{-1} = I\)。

求逆矩阵的方法

• 对于 \(2 \times 2\) 矩阵：交换主对角线元素，改变其余两个元素的符号，最后除以行列式。
• 对于 \(3 \times 3\) 矩阵：这是一个较繁琐的过程，涉及伴随矩阵（Adjugate）与行列式的计算。

重点复习：你不能直接除以矩阵，我们改为乘以逆矩阵。要解 \(AX = B\)，我们使用 \(X = A^{-1}B\)。

5. 解线性方程组

矩阵让我们能够高效地解决包含三个未知数（\(x, y, z\)）的线性方程组。

我们将系统写作 \(AX = B\)，其中 \(A\) 是系数矩阵。如果 \(\det A \neq 0\)，通过 \(X = A^{-1}B\) 即可得到唯一的解。

当解法失效时（几何意义）

如果 \(\det A = 0\)，方程组要么是矛盾的（无解），要么是相关的（无限多解）。从几何学上来说，这代表了三个平面在 3D 空间中的互动方式：

• 唯一解：三个平面交于一点。
• 无解：平面可能形成一个三角柱，或者彼此平行。
• 无限多解：平面交于一条直线（称为“平面束”），或三个平面重合。

常见错误：同学常忘记若 \(\det A = 0\)，必须使用代入法或高斯消元法来确认失效的“原因”（究竟是平面束还是三角柱？）。

6. 特征值与特征向量

这听起来很吓人，但概念其实很优美。对于矩阵 \(A\)，特征向量（Eigenvector）是指在变换过程中方向保持不变的特定方向。它只会被拉伸或压缩，而这个缩放倍数称为特征值（Eigenvalue，\(\lambda\)）。

特征方程

要求特征值，我们求解：\(\det(A - \lambda I) = 0\)。
这会给我们一个关于 \(\lambda\) 的多项式方程。得到 \(\lambda\) 后，将其代回 \((A - \lambda I)\mathbf{v} = 0\) 即可找到向量 \(\mathbf{v}\)。

对角化

如果一个矩阵拥有足够多的特征向量，我们能将它写成“对角”形式：
\(\mathbf{M} = \mathbf{UDU}^{-1}\)
其中 \(\mathbf{D}\) 是由特征值组成的对角矩阵，\(\mathbf{U}\) 是由特征向量组成的矩阵。
为什么要这样做？这让计算矩阵的乘方变得非常容易：\(\mathbf{M}^n = \mathbf{UD}^n\mathbf{U}^{-1}\)。你只需要将对角线上的数字各自进行 \(n\) 次方运算即可！

总结检查清单

- 算术：你是否熟练“行乘以列”的乘法？
- 变换：你还记得变换顺序是“由右至左”吗？
- 行列式：你能计算 \(3 \times 3\) 行列式并利用行列运算将其因式分解吗？
- 逆矩阵：你清楚 \(3 \times 3\) 逆矩阵的计算步骤吗？
- 方程组：你能解释为什么三个平面可能没有共同交点吗？
- 特征值：你能解特征方程找到 \(\lambda\) 吗？

如果觉得内容很多，不用担心！矩阵是一项熟能生巧的技能。继续练习绘制变换图形并计算行列式，这些规律很快就会变得显而易见。