Matrices and linear spaces

欢迎来到矩阵与线性空间的世界！

你好！在高等数学（Further Mathematics）这一章中，我们将深入探索矩阵与线性空间。请不要把矩阵仅仅看作是一堆数字的方框，它们其实是强大的工具，可以用来进行图形变换、求解复杂的方程组，甚至是描述多维空间的运作规则。无论你的目标是夺得 A*，还是仅仅想打好基础，这些笔记都旨在一步步引导你。让我们开始吧！

1. \(3 \times 3\) 矩阵的运算

你之前已经接触过 \(2 \times 2\) 矩阵了。现在，我们要进阶到 \(3 \times 3\) 的矩阵。其运算规则非常相似，只是涉及的数字更多，需要更加细心！

加法与减法

正如一般的数值加减法一样，你只需要将相同位置的对应元素进行加减即可。记住：只有维度相同的矩阵才能进行加减运算。

矩阵乘法

要将两个矩阵 \(A\) 和 \(B\) 相乘，我们使用“行乘列”（Row by Column）规则。你需要将第一个矩阵的行（row）中的元素与第二个矩阵的列（column）中的元素对应相乘，然后将结果加总。

小撇步：试着想象一个“L”型。你的左手沿着行水平移动，右手沿着列垂直移动。

重要提示：在矩阵的世界里，顺序非常重要！一般来说，\(AB \neq BA\)。交换顺序通常会得到不同的结果。

\(3 \times 3\) 矩阵的行列式

行列式（Determinant），记作 \(det(A)\) 或 \(|A|\)，是一个能反映矩阵特征的数值。对于一个矩阵：
\(A = \begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix}\)
行列式的计算方式为：
\(det(A) = a(ei - fh) - b(di - fg) + c(dh - eg)\)

记忆技巧：在展开第一行元素时，记得使用 +、-、+ 的符号规则。

逆矩阵

逆矩阵 \(A^{-1}\) 是可以“抵消”矩阵 \(A\) 运算效果的矩阵。当你将一个矩阵与其逆矩阵相乘时，会得到单位矩阵（Identity Matrix，记作 \(I\)）。
\(A \times A^{-1} = I\)
注意：若 \(det(A) = 0\)，该矩阵称为奇异矩阵（singular matrix），是没有逆矩阵的！

快速回顾：
• 运算方式为行乘列。
• \(AB\) 不等于 \(BA\)。
• 若 \(det(A) = 0\)，则无法求出逆矩阵。

2. 线性方程组的求解

矩阵非常适合用来求解诸如 \(2x + 3y - z = 10\) 之类的方程组。我们可以将其表示为 \(Ax = b\)。

行运算与行阶梯形

为了求解这些方程，我们使用高斯消去法（Gaussian Elimination）。目标是执行“行运算”（Row Operations），将矩阵转换为行阶梯形（Row Echelon Form, REF），它看起来像是在左下角形成一阶梯状的零。

三种合法操作：
1. 交换两行。
2. 将某一行乘以一个非零常数。
3. 将一行的倍数加到另一行或从中减去。

几何意义

当你求解一个包含 3 个变量的 3 方程组时，你实际上是在寻找三个平面在三维空间中交会的情况：
• 唯一解：三个平面交于空间中的一点。
• 无穷多解：三个平面交于一条线，或者它们本质上是同一个平面。
• 无解：这三个平面无法同时相交（例如它们形成三角柱状或彼此平行）。

3. 线性变换

矩阵可以像是一台“机器”，它接收一个向量并输出一个新的向量，这称为线性变换（Linear Transformation）。

如果我们有一个变换 \(T: \mathbb{R}^n \to \mathbb{R}^m\)，代表我们将一个拥有 \(n\) 个分量的向量转换为拥有 \(m\) 个分量的向量。在你的课程范围内，\(n\) 和 \(m\) 最大为 3。

例子：一个 \(2 \times 2\) 矩阵可以旋转二维平面上的点，而一个 \(3 \times 3\) 矩阵则可以旋转三维空间中的点。

4. 特征值与特征向量

不要被这些生僻的名称吓到了！“Eigen”在德文中意为“自身的”或“特征的”。

特征向量（Eigenvector）是一个特殊的向量，当它与矩阵 \(A\) 相乘时，其方向不会改变。它只会由拉伸或压缩，而这个拉伸或压缩的倍数就称为特征值（Eigenvalue，记作 \(\lambda\)）。

其方程为：\(Av = \lambda v\)

如何求得：

1. 解 \(det(A - \lambda I) = 0\) 以求出特征值 (\(\lambda\))。
2. 对于每个 \(\lambda\)，解 \((A - \lambda I)v = 0\) 以求出相应的特征向量 (\(v\))。
注意：对于本课程，我们只专注于特征值为实数的情况。

对角化

如果一个方阵 \(M\) 拥有足够多的特征向量，我们可以将其写成一个非常简洁的形式：
\(M = QDQ^{-1}\)
• \(D\) 是一个对角矩阵（Diagonal Matrix）（除对角线外均为零），对角线上存放的是特征值。
• \(Q\) 是一个矩阵，其各列为对应的特征向量。

为什么要这样做？这样做可以让计算矩阵的幂次变得非常简单！\(M^n = QD^nQ^{-1}\)。计算 \(D^n\) 很简单，只需将对角线上的数字各自取 \(n\) 次方即可。

重点总结：特征向量是矩阵的“自然轴”。对角化利用这些轴，将复杂的计算化繁为简。

5. 线性空间与子空间

线性空间（Linear Space，又称向量空间）是一组满足特定规则（公理）的物件（向量）集合，例如：你可以将它们相加，也可以用数字乘以它们，且结果仍然落在该空间内。

子空间

子空间（Subspace）是一个更大的线性空间内部的较小空间，它同样遵循所有规则。
类比：如果“整个三维空间”是线性空间，那么“穿过原点的平面”就是一个子空间。

线性相关与生成（Span）

• 生成（Span）：一组向量的“生成”是指通过将这些向量相加或缩放所能到达的所有位置。它就像是这些向量所覆盖的“领土”。
• 线性独立（Linear Independence）：如果一组向量中的任何一个都不能由其他向量组合而成，则称这组向量是线性独立的。它们都是“原创的”，并提供了新的维度方向。

基底与维度

基底（Basis）是“恰到好处”的一组向量：它们既能生成整个空间，又是线性独立的。它是构建该空间所需的最小“积木”集合。
维度（Dimension）就是基底中向量的个数。

6. 特殊矩阵空间与秩

观察一个矩阵时，我们可以找出四个重要的空间：

1. 行空间（Row Space）：由各行所生成的空间。
2. 列空间（Column Space，或称值域空间 Range Space）：由各列所生成的空间。这代表了变换 \(Ax\) 的所有可能输出。
3. 零空间（Null Space，或称核 Kernel）：所有被“压缩”为零的向量 \(x\) 的集合，即 \(Ax = 0\)。

秩与零度

• 秩（Rank）：列空间的维度（即有多少个线性独立的列）。
• 零度（Nullity）：零空间的维度。

秩-零度定理（Rank-Nullity Theorem）：
对于一个 \(n\) 阶方阵：
秩 + 零度 = \(n\)

你知道吗？无论是从行还是从列的角度来看，一个矩阵的秩始终是相同的！这是矩阵的一个基本性质。

常见错误：学生经常忘记零空间总是包含零向量，但零空间的“维度”（即零度）只计算导致结果为零的自由变量数量或独立方向的个数。

最终勉励：线性代数就像学习一门新语言。起初，语法（公理和定义）可能感觉很生硬，但一旦你开始“开口说”它，你就会在物理、工程和计算机科学中处处看到它的身影。继续练习那些行运算吧——你一定可以做到的！