欢迎来到矩阵代数学习指南！
你好！既然你已经读到了这一章，说明你正在步入进阶数学（Further Mathematics）中最强大且最令人兴奋的领域之一。别担心，如果矩阵起初看起来很陌生——它们其实只是一种能够同时处理大量数字和方程的简洁、有序的方法。
矩阵使我们能够进行复杂的变换（例如在二维和三维空间中旋转图形），并高效地求解大型线性方程组。学完本章后，你将成为矩阵运算、行列式、逆矩阵，以及特征向量和特征值这些关键概念的大师。
什么是矩阵？
你可以把矩阵看作是一个数字的长方形排列（一种高级的电子表格！），按照行和列进行组织。
- 矩阵的阶（order）由其行数和列数定义，记作 \(m \times n\)。
第 1 节：矩阵代数基础（FPP1.1 复习）
1.1 基本运算
加法与减法
只有当矩阵的阶完全相同时，你才能对它们进行加法或减法运算。只需将对应位置的元素相加或相减即可。
示例：
如果 \(A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}\) 且 \(B = \begin{pmatrix} 5 & 0 \\ -1 & 2 \end{pmatrix}\)，那么 \(A+B = \begin{pmatrix} 1+5 & 2+0 \\ 3+(-1) & 4+2 \end{pmatrix} = \begin{pmatrix} 6 & 2 \\ 2 & 6 \end{pmatrix}\)。
标量乘法
标量（scalar）就是一个普通的数字。要将矩阵乘以标量，只需将矩阵中的每个元素都乘以该数字。
矩阵乘法（最高至 \(3 \times 3\)）
这通常是第一个主要挑战，但通过练习，它会变得非常简单！
规则检查：要将矩阵 \(A\)（阶为 \(m \times n\)）乘以矩阵 \(B\)（阶为 \(p \times q\)），矩阵 \(A\) 的列数必须等于矩阵 \(B\) 的行数。即 \(n = p\)。
结果矩阵 \(AB\) 的阶将为 \(m \times q\)。
计算过程：“行乘列”
乘积矩阵 \(AB\) 中第 \(i\) 行第 \(j\) 列的元素，是通过将 \(A\) 的第 \(i\) 行的元素与 \(B\) 的第 \(j\) 列的对应元素相乘，然后对结果求和得到的。
类比：想象你正把第一个矩阵的行滑过第二个矩阵的列。每一对相遇的元素相乘，最后把结果加在一起。
重要概念：非交换性
与普通数字 \(xy = yx\) 不同，对于矩阵而言，矩阵乘法通常不满足交换律。
\(\mathbf{AB \neq BA}\)（即使两个乘积都有意义）。
常见错误：假设 \(AB\) 和 \(BA\) 的结果相同。一定要检查要求的顺序！
1.2 单位矩阵与转置矩阵
单位矩阵，\(I\)
单位矩阵（Identity Matrix），记作 \(I\)，是矩阵世界里的“数字 1”。当你用矩阵 \(A\) 乘以单位矩阵 \(I\) 时，你得到的还是 \(A\)。
\(AI = IA = A\)
它是一个方阵（行数 = 列数），主对角线（从左上到右下）上全是 1，其余位置全是 0。
\(2 \times 2\) 单位矩阵：\(I = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}\)
\(3 \times 3\) 单位矩阵：\(I = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}\)
转置矩阵，\(A^T\)
矩阵 \(A\) 的转置（Transpose），记作 \(A^T\)，通过交换矩阵的行和列得到。
示例：如果 \(A = \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix}\)，那么 \(A^T = \begin{pmatrix} 1 & 4 \\ 2 & 5 \\ 3 & 6 \end{pmatrix}\)。
关键转置结论（大纲要求）：
乘积的转置会反转顺序：
\((AB)^T = B^T A^T\)
第 1 节快速小结：掌握“行乘列”的乘法，并记住矩阵通常不可交换。单位矩阵是你的好朋友，而转置会改变乘法顺序。
第 2 节：行列式与逆矩阵
行列式（determinant）是一个由方阵计算出的单一数值。它为我们提供了关于矩阵的关键信息，特别是判断该矩阵是否拥有逆矩阵。
2.1 \(2 \times 2\) 矩阵的行列式
对于矩阵 \(A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}\)，其行列式 \(\det(A)\) 或 \(|A|\) 为：
$$\det(A) = ad - bc$$
记忆技巧：将主对角线上的元素（\(a\) 和 \(d\)）相乘，然后减去另一条对角线上元素（\(b\) 和 \(c\)）的乘积。
2.2 \(2 \times 2\) 矩阵的逆矩阵
逆矩阵（Inverse Matrix） \(A^{-1}\) 是满足 \(A A^{-1} = A^{-1} A = I\) 的矩阵。
对于 \(A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}\)，其逆矩阵的公式为：
$$A^{-1} = \frac{1}{\det(A)} \begin{pmatrix} d & -b \\ -c & a \end{pmatrix}$$
\(2 \times 2\) 逆矩阵的计算步骤：
- 计算行列式 \(\det(A) = ad - bc\)。
- 交换 \(a\) 和 \(d\) 的位置。
- 将 \(b\) 和 \(c\) 变号。
- 将得到的矩阵乘以 \(\frac{1}{\det(A)}\)。
奇异矩阵与非奇异矩阵
如果 \(\det(A) \neq 0\)，则矩阵 \(A\) 是非奇异的（non-singular）。如果是非奇异的，它的逆矩阵 \(A^{-1}\) 存在。
如果 \(\det(A) = 0\)，则矩阵 \(A\) 是奇异的（singular）。如果是奇异的，分数 \(\frac{1}{0}\) 是未定义的，这意味着逆矩阵不存在。
2.3 \(3 \times 3\) 矩阵的行列式（FP2 水平）
计算 \(3 \times 3\) 矩阵的行列式需要用到余子式展开（cofactor expansion）法。
对于 \(A = \begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix}\)，你可以沿任意行或列展开。通常我们使用第一行：
余子式展开步骤：
- 选择一行或一列（如果可能，选包含 0 的那一行/列，这会让计算更简单！）。
- 使用交替符号模式（称为余子式符号）：
\(\begin{pmatrix} + & - & + \\ - & + & - \\ + & - & + \end{pmatrix}\) - 对于第一个元素，将其与遮掉该元素所在行和列后剩余的 \(2 \times 2\) 矩阵的行列式（这称为子式/minor）相乘。
- 对第二个和第三个元素重复上述步骤，记得应用正确的符号。
- 将所有结果相加。
2.4 \(3 \times 3\) 矩阵的逆矩阵（FP2 水平）
求 \(3 \times 3\) 矩阵的逆矩阵过程较繁琐，但遵循其定义：
$$A^{-1} = \frac{1}{\det(A)} \text{Adj}(A)$$
其中 \(\text{Adj}(A)\) 是伴随矩阵（adjugate matrix）（即余子式矩阵的转置）。
鼓励一下：虽然步骤很多（求 9 个子式，应用符号得到 9 个余子式，转置它们，最后除以行列式），但只要拆解开来，它本质上就是反复进行 \(2 \times 2\) 行列式的计算。保持整洁和有序！
2.5 乘积的行列式
关键结论（大纲要求）：
矩阵乘积的行列式等于各矩阵行列式的乘积。这对于 \(2 \times 2\) 和 \(3 \times 3\) 矩阵均适用：
$$\det(AB) = \det(A) \det(B)$$
关键逆矩阵结论（大纲要求）：
乘积的逆矩阵会反转顺序：
$$(AB)^{-1} = B^{-1} A^{-1}$$
第 2 节快速小结：行列式告诉你是否存在逆矩阵（如果 \(\det \neq 0\)）。\(2 \times 2\) 和 \(3 \times 3\) 的方法不同，后者依赖于余子式。
第 3 节：矩阵与几何变换
矩阵是几何变换中处理点和形状的有力工具。如果一个点用列向量 \(\mathbf{x}\) 表示，那么变换后的点 \(\mathbf{x}'\) 由 \(\mathbf{x}' = M \mathbf{x}\) 给出，其中 \(M\) 是变换矩阵。
3.1 二维变换（\(2 \times 2\) 矩阵）
教学大纲涵盖了以原点为变换中心的标准变换。你应该熟悉以下变换的矩阵：
- 旋转（绕原点旋转 \(\theta\) 角）： $$R = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix}$$
- 反射（关于过原点的直线，例如 x 轴、y 轴或 \(y=x\)）。
- 拉伸（平行于 x 轴或 y 轴）。
- 放缩/扩充（中心在原点，比例因子为 \(k\)）： $$\begin{pmatrix} k & 0 \\ 0 & k \end{pmatrix}$$
-
错切（Shear）（例如，平行于 x 轴）：
$$\begin{pmatrix} 1 & k \\ 0 & 1 \end{pmatrix}$$
注意：你只需要能够识别平行于 x 轴或 y 轴的错切矩阵即可。如果不变直线不是轴线之一，题目会告诉你它是一个错切。
变换的复合
如果变换 \(T_1\)（矩阵 \(M_1\)）后接着进行变换 \(T_2\)（矩阵 \(M_2\)），则复合变换 \(T\) 由矩阵 \(M = M_2 M_1\) 表示。
顺序很重要！就像函数复合一样，*先*执行的变换矩阵要放在向量的右侧。
行列式与面积比例因子（二维）
行列式的绝对值 \(|\det(M)|\) 给出了变换的面积比例因子。
如果 \(\det(M)\) 为负，意味着变换包含反射（它改变了图形的方向）。
3.2 三维变换（\(3 \times 3\) 矩阵，FP2 水平）
在三维空间中，矩阵变换的是 \(\begin{pmatrix} x \\ y \\ z \end{pmatrix}\) 向量。
旋转
你只需要掌握绕坐标轴（x、y 或 z）的旋转。
你知道吗？这些矩阵在公式手册里都有，但理解它们的运作原理很有帮助。绕 x 轴旋转不会改变 \(x\)，所以第一列/行看起来像 \(\begin{pmatrix} 1 & 0 & 0 \end{pmatrix}\)。
反射
你必须能够处理关于以下特定平面的反射（这些平面都经过原点）：
\(x=0\)（即 \(yz\) 平面）、\(y=0\)、\(z=0\)。
以及坐标相等的平面：\(x=y\)、\(x=z\)、\(y=z\)。
示例：关于 \(xy\) 平面（\(z=0\)）的反射。这会翻转 \(z\) 的符号，但保持 \(x\) 和 \(y\) 不变： $$M = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & -1 \end{pmatrix}$$
行列式与体积比例因子（三维）
对于 \(3 \times 3\) 矩阵 \(M\)，行列式的绝对值 \(|\det(M)|\) 给出了变换的体积比例因子。
3.3 不变点与不变直线
不变点（Invariant Point）是指变换 \(M\) 后位置不发生改变的点。
如果 \(\mathbf{x}\) 是一个不变点，那么：
$$M\mathbf{x} = \mathbf{x}$$
这可以改写为：
$$M\mathbf{x} = I\mathbf{x}$$
$$(M - I)\mathbf{x} = \mathbf{0}$$
不变直线（Invariant Line）是指直线上的每一个点在变换后仍落在该直线上（直线上的点可能会移动，但直线本身保持在同一位置）。
感到困惑？想象一面镜子。镜子本身就是一个不变平面。如果你站在镜面上，你就会停留在镜面上（不变直线/平面）。如果你站在铰链线上，那就是一个不变点。
第 3 节快速小结：矩阵移动点！行列式是面积（二维）或体积（三维）的比例因子。记住组合顺序 \(M_2 M_1\)。不变点满足 \((M-I)\mathbf{x} = \mathbf{0}\)。
第 4 节：特征值与特征向量（FP2 水平）
这是矩阵代数中最抽象的概念，但它们在物理和计算等高级应用中非常有用。
4.1 定义与概念
当矩阵 \(M\) 变换向量 \(\mathbf{e}\) 时，变换后的向量 \(M\mathbf{e}\) 通常指向一个完全不同的方向。
然而，某些特殊的向量（称为特征向量/Eigenvectors）在变换中只会被缩放（拉伸或压缩）。它们的方向不会改变（或者方向变为相反，这相当于乘以负数比例）。
- 特征向量 \(\mathbf{e}\) 是一个非零向量，满足当它乘以矩阵 \(M\) 时，结果是 \(\mathbf{e}\) 的标量倍。
- 特征值（Eigenvalue） \(\lambda\)（lambda）是特征向量被缩放的标量因子。
这种关系总结为特征值方程：
$$M\mathbf{e} = \lambda \mathbf{e}$$
大纲说明：本课程只涉及实特征值，尽管复特征值也是存在的。允许存在重复的特征值。
4.2 求特征值：特征方程
为了求特征值 \(\lambda\)，我们必须重组特征值方程：
$$M\mathbf{e} = \lambda I \mathbf{e}$$ $$M\mathbf{e} - \lambda I \mathbf{e} = \mathbf{0}$$ $$(M - \lambda I)\mathbf{e} = \mathbf{0}$$由于特征向量 \(\mathbf{e}\) 被定义为非零向量，该方程组仅当矩阵 \((M - \lambda I)\) 为奇异（singular）时才有非平凡解。
因此，特征值 \(\lambda\) 是特征方程（Characteristic Equation）的解：
$$\det(M - \lambda I) = 0$$
\(2 \times 2\) 或 \(3 \times 3\) 矩阵的计算步骤：
- 通过从 \(M\) 的主对角线上的每个元素中减去 \(\lambda\)，构成矩阵 \((M - \lambda I)\)。
- 计算 \((M - \lambda I)\) 的行列式。
- 令行列式等于零：\(\det(M - \lambda I) = 0\)。
- 求解所得的多项式方程（\(2 \times 2\) 为二次方程，\(3 \times 3\) 为三次方程）以求出 \(\lambda\) 的值（特征值）。
4.3 求特征向量
一旦找到特征值 \(\lambda\)，就可以通过将 \(\lambda\) 代入方程来求对应的特征向量 \(\mathbf{e}\)：
$$(M - \lambda I)\mathbf{e} = \mathbf{0}$$
这会导出一个线性方程组。因为 \(\det(M - \lambda I) = 0\)，这些方程将是线性相关的，这意味着你会找到一整条向量线（特征向量可以乘以任何常数进行缩放）。通常，我们取特征向量的最简整数形式。
常见错误：误将 \(\mathbf{e} = \mathbf{0}\) 设为解。记住，特征向量必须是非零的！
第 4 节快速小结：特征向量是矩阵缩放的特殊方向，缩放比例由特征值 \(\lambda\) 决定。首先使用特征方程 \(\det(M - \lambda I) = 0\) 求出 \(\lambda\)。