欢迎来到矩阵的世界！
各位进阶数学（Further Mathematicians）的同学们，大家好！这一章我们将要探索矩阵（Matrices）。你可以把矩阵想像成一种将资讯组织成网格的方法，就像电子表格一样。虽然起初它们看起来只是一堆数字方格，但矩阵其实是功能强大的工具，广泛应用于计算机图形学、工程学和物理学中，用来解决复杂问题及变换空间中的图形。如果感觉有太多新术语，请别担心——我们会一步一步为大家拆解！
1. 矩阵的语言
在我们开始用矩阵进行运算之前，必须先掌握它的专门用语。矩阵是一个将数字（或复数）排列成列（rows）和行（columns）的长方形阵列。
你需要掌握的关键术语：
- 维度（Dimensions，\(m \times n\)）： 我们透过列数（\(m\)）和行数（\(n\)）来描述矩阵的大小。记忆小技巧：永远先数“向下”（列），再数“向右”（行）。
- 方阵（Square Matrix）： 行数等于列数的矩阵（例如 \(2 \times 2\) 或 \(3 \times 3\)）。
- 零矩阵（Zero/Null Matrix）： 所有元素皆为 \(0\) 的矩阵，以符号 0 表示。
- 单位矩阵（Identity Matrix，\(I\)）： 主对角线（从左上到右下）均为 \(1\)，其余元素皆为 \(0\) 的方阵。它在矩阵乘法中的作用就像普通乘法中的数字“1”。
- 转置矩阵（Transpose，\(M^T\)）： 将矩阵的行与列互换后得到的矩阵。第一列会变成第一行，以此类推。
- 相等矩阵（Equal Matrices）： 两个矩阵必须维度相同，且对应位置的每个元素都完全相同，它们才相等。
快速回顾： 矩阵只有在尺寸“匹配”的情况下才能进行特定运算。我们将在下一节中说明这意味着什么！
2. 矩阵算术
矩阵的加减法很简单，但乘法则需要更加专注。
加法与减法
进行加减法时，矩阵必须是相同大小的。你只需要将相同位置的数字进行相加或相减即可。
\(\begin{pmatrix} a & b \\ c & d \end{pmatrix} + \begin{pmatrix} e & f \\ g & h \end{pmatrix} = \begin{pmatrix} a+e & b+f \\ c+g & d+h \end{pmatrix}\)
标量乘法（Scalar Multiplication）
这指的是将矩阵与一个单一数字（标量，scalar）相乘。只需将矩阵中的每一个元素都乘以该数字即可。
矩阵乘法（最棘手的部分！）
要将矩阵 \(A\) 乘以矩阵 \(B\)，A 的行数必须与 B 的列数相匹配，我们称之为相容（conformable）。
规则：列乘行（Row by Column）。 要计算结果中的某个元素，你需要将第一个矩阵的某一“列”的元素与第二个矩阵的某一“行”的元素对应相乘，然后将结果加总。
例子： 要得到结果矩阵左上角的元素，请使用 \(A\) 的第一列与 \(B\) 的第一行进行运算。
重要性质：
- 不可交换（Not Commutative）： 通常 \(AB \neq BA\)。顺序很重要！
- 结合律（Associative）： \((AB)C = A(BC)\)。只要保持顺序不变，你可以任意分组。
- 零矩阵： 任何矩阵乘以零矩阵，结果均为零矩阵。
- 单位矩阵： 任何矩阵 \(M\) 乘以单位矩阵 \(I\)，其值保持不变：\(MI = IM = M\)。
核心重点： 在矩阵乘法中，顺序就是一切。想像一下穿袜子再穿鞋的过程——你不能随意调换顺序，否则结果会完全不同！
3. 行列式（Determinants）
行列式是一个由方阵计算出的单一数值，它能告诉我们该矩阵所代表的变换的“缩放”程度。
计算行列式（\(\det M\) 或 \(|M|\)）：
- 对于 \(2 \times 2\) 矩阵 \(\begin{pmatrix} a & b \\ c & d \end{pmatrix}\)：行列式值为 \(ad - bc\)。
- 对于 \(3 \times 3\) 矩阵： 计算数值时可以使用计算器，但若是代数形式，则需要沿著某一行或某一列使用余子式（minors）和代数余子式（cofactors）进行“展开”。
这代表什么意义？
- 面积/体积缩放因子： 在二维空间中，变换矩阵的行列式就是面积缩放因子。在三维空间中，它是体积缩放因子。
- 定向（Orientation）： 如果 \(\det M\) 为正数，则定向保持不变；如果为负数，则物件被“翻转”（例如反射），定向会反转。
- 奇异矩阵（Singular Matrix）： 如果 \(\det M = 0\)，该矩阵称为奇异矩阵。这意味着变换将物件压缩至更低维度（例如将二维形状压缩成一条线）。奇异矩阵没有逆矩阵。
小贴士： \(\det(AB) = \det(A) \times \det(B)\)。这是在考试中非常实用的快捷技巧！
4. 逆矩阵（Inverse Matrices）
矩阵 \(M\) 的逆矩阵（记作 \(M^{-1}\)）是能“抵销”\(M\) 所做变换的矩阵。当你将矩阵与其逆矩阵相乘时，会得到单位矩阵：\(MM^{-1} = I\)。
如何求逆矩阵：
- 对于 \(2 \times 2\) 矩阵 \(\begin{pmatrix} a & b \\ c & d \end{pmatrix}\)：
1. 交换 \(a\) 和 \(d\)。
2. 将 \(b\) 和 \(c\) 变号。
3. 将整个矩阵乘以 \(\frac{1}{\det M}\)。 - 对于 \(3 \times 3\) 矩阵： 这涉及计算代数余子式矩阵、转置它，然后除以行列式值。务必在考试中尽可能使用计算器检查结果！
逆矩阵的性质：
- 穿鞋袜规则（Shoes and Socks Rule）： \((AB)^{-1} = B^{-1}A^{-1}\)。要撤销一系列动作，你必须先撤销最后那个动作！
- 仅限非奇异矩阵： 只有行列式不为零的矩阵才拥有逆矩阵。
核心重点： 逆矩阵是矩阵版本的除法。我们不是“除以 \(M\)”，而是乘以 \(M^{-1}\)。
5. 线性变换（Linear Transformations）
矩阵可以代表坐标系中点的移动。我们将矩阵乘以代表原始物件（object）的列向量，即可得到变换后图像（image）。
必须记住的二维变换：
- 旋转（Rotation）： \(\begin{pmatrix} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{pmatrix}\)，代表绕原点逆时针旋转 \(\theta\)。
- 反射（Reflection）： 针对 \(x\) 轴、\(y\) 轴，或如 \(y = x\) 和 \(y = -x\) 这类直线的反射，有不同的矩阵。
- 放大（Enlargement）： \(\begin{pmatrix} k & 0 \\ 0 & k \end{pmatrix}\)，其中 \(k\) 是缩放因子。
- 拉伸（Stretch）： 平行于某个轴。例如，平行于 \(x\) 轴、缩放因子为 \(k\) 的拉伸矩阵为 \(\begin{pmatrix} k & 0 \\ 0 & 1 \end{pmatrix}\)。
- 切变（Shear）： 其中一个轴保持固定，而点根据其距离该轴的远近进行平行移动。
连续变换：
如果你先执行变换 \(B\)，再执行变换 \(A\)，总合变换矩阵为 \(AB\)。
千万别忘记：位于右侧的矩阵是先执行的！
三维变换：
在三维空间中，我们使用 \(3 \times 3\) 矩阵。你需要具备识别平面反射（如 \(x=0\)）以及绕 \(x, y, z\) 轴旋转的能力。
你知道吗？ 在三维旋转中，旋转轴本身是不变的。因此，绕 \(z\) 轴旋转的矩阵，其中一列一定长得像 \(\begin{pmatrix} 0 \\ 0 \\ 1 \end{pmatrix}\)。
6. 不变点与不变直线（Invariant Points and Lines）
有时候，变换会使图形上的某些部分保持原位。
- 不变点（Invariant Point）： 指不会移动的点。原点 \((0,0)\) 对于这些线性变换而言，永远是一个不变点。
- 不变点直线（Line of Invariant Points）： 直线上的每一个点都保持在原位。
- 不变直线（Invariant Line）： 整条直线的位置不变，但直线上的个别点可能会沿著该直线滑动。
小贴士： 若要找出不变点，请解方程 \(M \mathbf{x} = \mathbf{x}\)，其中 \(\mathbf{x} = \begin{pmatrix} x \\ y \end{pmatrix}\)。
7. 解联立方程组
矩阵最实用的用途之一就是解方程组。我们可以将如下方程组：
\(ax + by = e\)
\(cx + dy = f\)
写成矩阵方程式：\(M\mathbf{x} = \mathbf{c}\)，其中 \(M = \begin{pmatrix} a & b \\ c & d \end{pmatrix}\)、\(\mathbf{x} = \begin{pmatrix} x \\ y \end{pmatrix}\) 以及 \(\mathbf{c} = \begin{pmatrix} e \\ f \end{pmatrix}\)。
解的类型：
- 唯一解（Unique Solution）： 当 \(\det M \neq 0\) 时存在。你可以使用 \(\mathbf{x} = M^{-1}\mathbf{c}\) 求得。
- 无解（No Solution，不相容）： 方程组代表平行且永不相交的线或平面。这发生在 \(\det M = 0\) 且方程组互相矛盾时。
- 无限多解（Infinite Solutions，相容）： 方程组代表同一条线，或是交于一条线的平面。这发生在 \(\det M = 0\) 且方程之间成倍数关系时。
几何解释（三维）：
当解三个变量的三个方程时，你是在观察三个平面如何在空间中相交。它们可能交于一点、交于一条线，或者完全不相交！
总结： 矩阵不仅仅是数字，它们是移动空间的指令！掌握行列式以理解大小，运用逆矩阵来解方程，并熟练乘法规则以结合各种变换。你一定没问题的！