欢迎来到 Extra Pure 矩阵的世界！
在 Core Pure 的学习中，你已经掌握了矩阵如何变换空间——包括翻转、旋转和拉伸图形。在这个 Extra Pure 章节中，我们要深入探讨矩阵的“核心机制”。你将学会如何找出那些特殊的方向，在这些方向上，变换只会单纯地拉伸空间而不会改变其方向。这些特殊方向称为特征向量 (Eigenvectors)。我们还会发现计算矩阵高次幂的巧妙捷径，并探索一个美妙的定理——凯莱-哈密顿定理 (Cayley-Hamilton Theorem)。
如果起初觉得有些抽象，别担心！ 我们会运用大量的类比来帮助理解。你可以把这一章看作是学习矩阵的“DNA”。
1. 特征值与特征向量 (Eigenvalues and Eigenvectors)
当你用矩阵乘上一个向量时，该向量的长度和方向通常都会改变。然而，对于大多数矩阵而言，存在一些特殊的向量，它们在变换后只会改变长度，而方向保持不变（或刚好反向）。
它们是什么？
- 特征向量 (Eigenvector)：一个非零向量 \(\mathbf{v}\)，当它与矩阵 \(\mathbf{M}\) 相乘时，结果为该向量自身的倍数。
- 特征值 (Eigenvalue)：特征向量被拉伸（或压缩）的比例因子 \(\lambda\) (lambda)。
其基本方程式为：\( \mathbf{M}\mathbf{v} = \lambda\mathbf{v} \)
特征方程式 (Characteristic Equation)
要找到这些特殊数值，我们使用特征方程式：
\(\det(\mathbf{M} - \lambda\mathbf{I}) = 0\)
其中 \(\mathbf{I}\) 是单位矩阵 (Identity Matrix)。解出这个方程式会得到一个关于 \(\lambda\) 的多项式。对于 \(2 \times 2\) 矩阵，这是一个二次方程式；对于 \(3 \times 3\) 矩阵，则是一个三次方程式。
逐步计算过程：
- 将矩阵 \(\mathbf{M}\) 的主对角线元素各减去 \(\lambda\)。
- 计算这个新矩阵的行列式 (determinant)，并令其为零。
- 解出 \(\lambda\) 以求得特征值。
- 对于每个特征值，将其代回 \((\mathbf{M} - \lambda\mathbf{I})\mathbf{v} = \mathbf{0}\) 以求出对应的特征向量。
小结：特征向量就像一条“固定轨道”，变换过程会沿着这些轨道进行。而特征值则告诉你该变换是在拉伸（\(\lambda > 1\)）、压缩（\(0 < \lambda < 1\)）还是镜像反射（\(\lambda\) 为负数）。
2. 对角化 (Diagonalisation)
对角矩阵（除了主对角线外其余皆为零）是运算起来“最轻松”的矩阵。对角化就是将复杂的矩阵 \(\mathbf{M}\) 转化为简单的对角矩阵 \(\mathbf{D}\) 的过程。
运作原理
如果矩阵 \(\mathbf{M}\) 拥有相异的实数特征值，我们可以将其写成以下形式：
\( \mathbf{M} = \mathbf{P}\mathbf{D}\mathbf{P}^{-1} \)
- \(\mathbf{D}\) 是对角矩阵，其主对角线上放置的是各个特征值。
- \(\mathbf{P}\) 是模态矩阵 (modal matrix)，其每一列都是对应于 \(\mathbf{D}\) 中特征值的特征向量。
类比：想象你有一套用复杂语言编写的说明书 (\(\mathbf{M}\))。对角化就像是把这些说明书翻译成一种非常简单的语言 (\(\mathbf{D}\))，完成计算后，再翻译回原始形式 (\(\mathbf{P}\) 和 \(\mathbf{P}^{-1}\))。
关键要点：要进行对角化，你只需要找到特征值及其对应的特征向量。请务必确保 \(\mathbf{P}\) 中的特征向量顺序与 \(\mathbf{D}\) 中的特征值顺序一致！
3. 矩阵的幂 (Powers of Matrices)
徒手计算 \(\mathbf{M}^{10}\) 简直是噩梦一场。但对角化为我们提供了一个极佳的捷径。
由于 \( \mathbf{M} = \mathbf{P}\mathbf{D}\mathbf{P}^{-1} \)，当我们将 \(\mathbf{M}\) 自乘时，中间的 \(\mathbf{P}^{-1}\) 和 \(\mathbf{P}\) 会相互抵消（因为 \(\mathbf{P}^{-1}\mathbf{P} = \mathbf{I}\)）。
这就导出了漂亮的公式：
\( \mathbf{M}^n = \mathbf{P}\mathbf{D}^n\mathbf{P}^{-1} \)
因为 \(\mathbf{D}\) 是对角矩阵，\(\mathbf{D}^n\) 只需将对角线上的每个特征值分别取 \(n\) 次方即可。是不是很简单！
常见错误：别忘了矩阵乘法不具交换律。你必须严格遵守顺序：先 \(\mathbf{P}\)，再 \(\mathbf{D}^n\)，最后 \(\mathbf{P}^{-1}\)。顺序一旦搞错，答案就全错了！
4. 凯莱-哈密顿定理 (The Cayley-Hamilton Theorem)
这是矩阵代数中最令人惊叹的定理之一。它指出：每个方阵都满足其自身的特征方程式。
如果你的特征方程式是 \(\lambda^2 - 5\lambda + 6 = 0\)，那么矩阵 \(\mathbf{M}\) 将满足：
\( \mathbf{M}^2 - 5\mathbf{M} + 6\mathbf{I} = \mathbf{0} \)
为什么这很有用？
- 求逆矩阵：你可以重新排列方程式来求出 \(\mathbf{M}^{-1}\)，而无需使用传统的行列式/伴随矩阵法。只需将整个方程式乘上 \(\mathbf{M}^{-1}\) 即可。
- 高次幂运算：你可以将 \(\mathbf{M}^3\) 等高次项表示为 \(\mathbf{M}\) 和 \(\mathbf{I}\) 的低次项组合。
你知道吗？虽然看起来你只是在“把 \(\lambda\) 替换成 \(\mathbf{M}\)”，但千万别忘记将常数项（如上例中的 \(6\)）乘上单位矩阵 \(\mathbf{I}\)，使其转变为矩阵形式。
5. 几何意义
特征值和特征向量为我们揭示了二维和三维变换的本质。
在二维变换中：
- 特征向量代表通过原点的一条不变线 (invariant line)。这条线上的任何点在变换后仍然位于这条线上。
- 如果 \(\lambda = 1\)，则该线上的每一个点都是不变点 (invariant point)（它们完全没有移动）。
在三维变换中：
- 如果一个 \(3 \times 3\) 矩阵代表平面镜像反射，那么该平面本身就是由 \(\lambda = 1\) 的特征向量组成的。而该平面的法向量 (normal) 则是一个特征值为 \(\lambda = -1\) 的特征向量。
- 如果一个矩阵代表绕轴旋转，那么旋转轴就是特征值为 \(\lambda = 1\) 的特征向量（因为轴上的点不会移动）。
总结提示：当题目要求你找出“不变线”或“旋转轴”时，实际上就是在要求你找出特征向量！
重点复习箱
1. 特征方程式： \(\det(\mathbf{M} - \lambda\mathbf{I}) = 0\)
2. 特征向量条件： \(\mathbf{M}\mathbf{v} = \lambda\mathbf{v}\)
3. 对角化： \(\mathbf{M} = \mathbf{P}\mathbf{D}\mathbf{P}^{-1}\)
4. 矩阵的幂： \(\mathbf{M}^n = \mathbf{P}\mathbf{D}^n\mathbf{P}^{-1}\)
5. 凯莱-哈密顿定理： 矩阵满足其自身的多项式方程式。