Matrices

欢迎来到矩阵（Matrices）的世界！

在这个章节中，我们将一起探索矩阵。你可以把矩阵想像成一个组织严密的“电子表格”或“数值网格”。虽然它们乍看之下只是一堆放在格子里的数字，但它们是非常强大的工具，广泛应用于计算机图形学、工程学和物理学，用来处理物体变换以及求解复杂的联立方程组。别担心，即使一开始看起来有很多新术语，我们一步一步来，很快就能上手！

1. 矩阵的语言

在我们进行矩阵运算前，必须先学会如何描述它们。矩阵简单来说就是一个数值（实数或复数皆可）的矩形排列。

维度：「m x n」规则

我们总是透过行（Rows，水平方向）和列（Columns，垂直方向）来描述矩阵的大小。
一个拥有 m 行和 n 列的矩阵被称为 \(m \times n\) 矩阵。

记忆小撇步：记住 「RC」。先 Rows（行），再 Columns（列）！

必知术语：

• 方阵（Square Matrix）：行数与列数相等的矩阵（例如 \(2 \times 2\) 或 \(3 \times 3\)）。
• 矩形矩阵（Rectangular Matrix）：行数与列数不相等的矩阵。
• 零矩阵（Zero/Null Matrix）：每一个元素皆为 0 的矩阵。它相当于数字中的“0”。
• 单位矩阵（Identity Matrix，记作 \(I\)）：“主对角线”（从左上到右下）全是 1，其余位置全是 0 的方阵。在矩阵乘法中，它的地位就像数字“1”一样。
• 转置矩阵（Transpose，记作 \(M^T\)）：将行与列互换后的结果。原矩阵的第一行会变成转置后的第一列，以此类推。
• 相等矩阵（Equal Matrices）：两个矩阵相等的前提是：它们的维度相同，且对应的每一个元素都必须完全相同。

快速复习：要找到 \(\begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}\) 的转置矩阵，将第一行 \((1, 2)\) 变为第一列。结果就是 \(\begin{pmatrix} 1 & 3 \\ 2 & 4 \end{pmatrix}\)。

核心重点：务必先检查阶数（order）（行 \(\times\) 列）。这决定了你是否能对它们进行运算！

2. 矩阵算术：加法、减法与乘法

加法与减法

若要进行矩阵的加减法，矩阵必须是可相容的（conformable）。这意味着它们的大小必须完全相同。
只需将对应位置的数字相加或相减即可。

纯量乘法（Scalar Multiplication）

这指的是将矩阵乘以一个单一数字（即“纯量”）。你只需要将矩阵内的每一个元素都乘以该数字。

矩阵乘法（最棘手的部分！）

矩阵乘法并非简单地将对应位置的数字相乘。我们使用「横行乘直列（Row by Column）」的方法。

步骤解析：
1. 检查是否能相乘：第一个矩阵的列数必须等于第二个矩阵的行数。
2. 在第一个矩阵中横向移动，在第二个矩阵中向下移动，将对应的数对相乘并累加。
3. 你知道吗？ 矩阵乘法具有结合律 \((AB)C = A(BC)\)，但不具有交换律。这表示通常 \(AB \neq BA\)。顺序非常重要！

常见错误：切勿以为 \(A^2\) 只是将矩阵内每一个数字平方。\(A^2\) 代表 \(A \times A\)，你必须使用完整的矩阵乘法规则。

核心重点：加法很简单（大小须相同），但乘法需要运用「横行乘直列」的方法。记得随时检查乘法的顺序！

3. 行列式（Determinants）：比例因子

每一个方阵都有一个与之对应的特殊数字，称为行列式，写作 \(\det M\) 或 \(|M|\)。

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： 若是纯数值矩阵，你可以使用计算器；但你也应该学会如何使用余因子（minors）展开（将其拆解为较小的 \(2 \times 2\) 矩阵）。

它代表什么意义？

行列式代表该矩阵所进行变换的面积比例因子（二维）或体积比例因子（三维）。
- 若 \(\det = 2\)，图形的面积会加倍。
- 若 \(\det = 1\)，面积保持不变。
- 若 \(\det = 0\)，该矩阵称为奇异矩阵（singular）。此时图形被压缩成一条线或一个点（面积/体积为零），且该矩阵没有逆矩阵。

重要性质： \(\det(AB) = \det(A) \times \det(B)\)。这在考试中是一个非常好用的捷径！

核心重点：行列式 = 比例因子。如果行列式为零，则该矩阵无法求逆（即奇异矩阵）。

4. 逆矩阵（Inverses）：「复原」按钮

矩阵 \(A\) 的逆矩阵写作 \(A^{-1}\)。当你将一个矩阵乘以它的逆矩阵时，会得到单位矩阵：\(AA^{-1} = I\)。

寻找逆矩阵

• 非奇异矩阵：只有在矩阵为非奇异（non-singular）（即 \(\det \neq 0\)）时，才能求得逆矩阵。
• 对于 \(2 \times 2\) 矩阵：将主对角线的数字交换，另外两个数字变号，最后除以行列式：\(A^{-1} = \frac{1}{\det A} \begin{pmatrix} d & -b \\ -c & a \end{pmatrix}\)。
• 性质：一个非常有用的规则是 \((AB)^{-1} = B^{-1}A^{-1}\)。注意顺序颠倒了！

核心重点：逆矩阵能「抵消」原矩阵的作用。若无法求出行列式，也就无法求出逆矩阵。

5. 线性变换（Linear Transformations）

矩阵可以用来表示二维或三维空间中的点移动。我们称原本的点为物体（object），变换后的点为像（image）。

二维变换

你需要学会如何求出以下变换的矩阵：

• 反射：关于 x 轴、y 轴，或直线 \(y = x\) 及 \(y = -x\)。
• 旋转：绕原点旋转（正角度为逆时针方向）。
• 缩放：以原点为中心进行比例缩放。
• 拉伸与错切（Stretches and Shears）：平行于坐标轴的方向。

连续变换

如果你想先进行变换 B，再进行变换 A，总合的矩阵为 \(AB\)。
类比：就像先穿袜子再穿鞋子一样。写在左边的最后一个矩阵，就是最后执行的步骤！

不变性（Invariance）

• 不变点（Invariant Point）：变换后位置保持不变的点（例如，在这些矩阵中，原点始终是不变点）。
• 不变线（Invariant Line）：线上的每一点在变换后仍落在同一条直线上。
• 不变点直线（Line of Invariant Points）：一条特殊的线，线上每一个点的位置完全不发生移动。

核心重点：矩阵就是移动的指令。处理连续变换时，请由右向左读取！

6. 联立方程求解

我们可以使用矩阵来求解如下方程组：
\(ax + by = e\)
\(cx + dy = f\)

这可以写成：\(\begin{pmatrix} a & b \\ c & d \end{pmatrix} \begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} e \\ f \end{pmatrix}\)。
为了求出 \(x\) 和 \(y\)，我们只需将右侧乘以逆矩阵：\(X = A^{-1}B\)。

快速复习：此方法仅在存在唯一解时有效，这意味着矩阵必须是非奇异的（\(\det \neq 0\)）。如果行列式为零，方程组的直线可能是平行的或完全重合的！

核心重点：矩阵将繁琐的方程组转化为简单的「乘以逆矩阵」问题。