欢迎来到进阶矩阵代数 (Further Matrix Algebra)！
在之前的学习中，你已经学会了矩阵的加法、乘法以及如何求逆矩阵。你可以把那当作学习开车的过程，而这一章，我们要打开引擎盖，深入了解它的运作原理！我们将探讨特征值 (Eigenvalues) 和特征向量 (Eigenvectors)，它们就像是矩阵的“DNA”，决定了矩阵在变换过程中的表现。如果刚开始听起来有点深奥，别担心——我们会一步一步把它拆解开来。
1. 特征值与特征向量
想象你有一个二维变换矩阵 \(A\)。通常，当你用 \(A\) 乘以一个向量时，该向量的长度和方向都会改变。然而，对于大多数矩阵而言，存在一些特殊的“魔法”方向，在这些方向上，向量只会改变其长度。
关键术语：
- 特征向量 (Eigenvector, \(v\))： 一个非零向量，在变换后仍保持在同一条直线上（方向不变）。
- 特征值 (Eigenvalue, \(\lambda\))： 该特征向量被拉伸或压缩的比例因子。
基本方程式为：\(Av = \lambda v\)
如何求特征值（特征方程式）
为了求出 \(2 \times 2\) 矩阵 \(A\) 的特征值 (\(\lambda\))，我们使用特征方程式 (characteristic equation)：
\(\det(A - \lambda I) = 0\)
其中 \(I\) 是单位矩阵 \( \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} \)。
步骤：
- 从主对角线（左上至右下）的数字中减去 \(\lambda\)。
- 计算这个新矩阵的行列式 (determinant)。
- 将行列式设为零，解出关于 \(\lambda\) 的二次方程式。
例子： 若 \(A = \begin{pmatrix} 1 & 1 \\ 4 & 1 \end{pmatrix}\)，其特征方程式为：
\(\det \begin{pmatrix} 1-\lambda & 1 \\ 4 & 1-\lambda \end{pmatrix} = 0\)
\((1-\lambda)^2 - 4 = 0\)
解得 \(\lambda = 3\) 及 \(\lambda = -1\)。
如何求特征向量
一旦你求出特征值 (\(\lambda\))，将其代回方程式 \((A - \lambda I)v = 0\)。你需要寻找一个满足条件的向量 \(v = \begin{pmatrix} x \\ y \end{pmatrix}\)。
小贴士： 你通常会得到两个看起来不同但实质上成比例的方程式。只需为 \(x\) 选一个简单的值（例如 1），然后算出对应的 \(y\) 即可。
单位化向量 (Normalised Vectors)
有时考试会要求求出单位化特征向量 (normalised eigenvector)。这意味着该向量的长度（模长）必须为 1。
要将向量单位化，请除以其模长：\(\hat{v} = \frac{v}{|v|}\)。
快速回顾：重要情况
- 重复的特征值： 有时二次方程式会给出相同的两个值（例如 \(\lambda = 2, 2\)）。
- 复数特征值： 如果二次方程式没有实数解，特征值将是复数（例如 \(2 \pm 3i\)）。这通常代表旋转。
核心观念： 特征值告诉我们矩阵的“比例因子”，而特征向量告诉我们那些“不发生旋转”的特定方向。
2. 对角化 (Diagonalization)
将一个矩阵自乘 100 次 (\(A^{100}\)) 是场灾难。然而，将对角矩阵 (diagonal matrix)（仅对角线上有数字的矩阵）进行乘方是非常简单的——你只需要将对角线上的数字各自进行乘方即可！
目标： 我们希望找到一种方法，将 \(A\) 表示为对角矩阵 \(D\)。
公式：\(P^{-1}AP = D\)
- \(D\)（对角矩阵）： 其主对角线上包含所有的特征值。
- \(P\)（模态矩阵）： 其列 (columns) 由对应的特征向量组成。请务必确保 \(P\) 中列的顺序与 \(D\) 中特征值的顺序相对应！
类比： 把 \(P\) 想成一位翻译员。它将我们“杂乱”的矩阵 \(A\) 翻译成一种“简单”的语言 (\(D\))，让我们可以轻松进行计算，最后再由 \(P^{-1}\) 翻译回来。
对称矩阵与正交对角化
如果一个矩阵是对称的 (symmetric)（即沿对角线翻转后矩阵不变），则会发生一件特别的事：它的特征向量总是彼此垂直 (orthogonal) 的。
在这种情况下，如果你使用单位化**特征向量来构建 \(P\)，那么 \(P\) 将成为一个正交矩阵 (orthogonal matrix)。这里有一个超强捷径：\(P^{-1} = P^T\)（逆矩阵即为转置矩阵！）。
常见错误：
在构建矩阵 \(P\) 时，学生经常会弄错列的顺序。如果 \(D\) 中的第一个特征值是 \(\lambda_1\)，那么 \(P\) 的第一列必须是与 \(\lambda_1\) 相关联的特征向量。
核心观念： 对角化简化了矩阵，使我们能够轻松计算高次幂或理解其结构。
3. 凯莱-哈密顿定理 (Cayley-Hamilton Theorem)
这个定理听起来很厉害，但其实有一个非常简单且酷的含义：“每个矩阵都满足其自身的特征方程式。”
如果矩阵 \(A\) 的特征方程式是 \(\lambda^2 - 5\lambda + 6 = 0\)，那么根据定理：
\(A^2 - 5A + 6I = 0\)
注意：常数项 \(6\) 必须变为 \(6I\)，因为你不能将一个单纯的数字加到矩阵上！
用途：
- 求逆矩阵 (\(A^{-1}\))： 将方程式中的每一项都乘以 \(A^{-1}\)。
\(A - 5I + 6A^{-1} = 0\)
然后重新整理求出 \(A^{-1} = \frac{1}{6}(5I - A)\)。这通常比标准方法快得多！ - 求 \(A\) 的高次幂： 你可以重新整理方程式来求 \(A^2 = 5A - 6I\)。若要求 \(A^3\)，两边同乘以 \(A\)，并代入 \(A^2\) 的式子即可。
小知识： 此定理适用于任何大小的矩阵，但在 AS Level 课程中，你只需要专注于 \(2 \times 2\) 矩阵。
核心观念： 凯莱-哈密顿定理将矩阵代数转化为“普通”代数，使得求逆矩阵和乘方变得轻而易举。
总结清单
在开始练习题之前，请确保你已熟练掌握：
- 透过解 \(\det(A - \lambda I) = 0\) 求特征值。
- 透过解 \((A - \lambda I)v = 0\) 求特征向量。
- 将向量单位化，使其模长为 1。
- 为对角化设置 \(P\) 和 \(D\)。
- 对于对称矩阵，使用 \(P^T\) 代替 \(P^{-1}\)。
- 将特征方程式中的 \(\lambda\) 替换为 \(A\)，运用凯莱-哈密顿定理。
如果刚开始觉得很难，别担心——特征值相对于 GCSE 或标准 A Level 数学是一个很大的跨越，但只要多练习特征方程式，很快就会变成你的直觉！