矩陣 (Further Pure Mathematics 2: 單元 2.2)
歡迎來到 Further Pure Mathematics 2 的「矩陣」章節！如果你在 FP1 階段已經接觸過矩陣，那你應該已經熟悉了基礎運算和二維變換。現在，我們要深入探討矩陣的威力，重點會放在解決複雜的三維線性系統，並引入改變遊戲規則的概念：特徵值 (eigenvalues) 與 特徵向量 (eigenvectors)。
為什麼這很重要？ 矩陣是現代數據科學、物理學（如量子力學！）和工程學的通用語言。例如，理解特徵值能幫助我們描述自然頻率、系統穩定性及主軸——本質上，就是描述複雜系統在壓力或變化下的行為。讓我們一起攻克這個強大的課題吧！
1. 解線性方程組（三個未知數）
在 FP2 中，你需要處理三個變量、三個聯立線性方程組的問題，這些方程在三維空間中通常代表平面。我們利用矩陣來構建並有效率地解決這些問題。
構建矩陣方程
考慮以下方程組：
\(a_{11}x + a_{12}y + a_{13}z = b_1\)
\(a_{21}x + a_{22}y + a_{23}z = b_2\)
\(a_{31}x + a_{32}y + a_{33}z = b_3\)
此方程組可簡寫為：
\(A\mathbf{x} = \mathbf{b}\)
其中 \(A\) 是係數矩陣 (coefficient matrix)，\(\mathbf{x}\) 是變量向量 (variable vector)，而 \(\mathbf{b}\) 是常數向量 (constant vector)：
\( A = \begin{pmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{pmatrix}, \quad \mathbf{x} = \begin{pmatrix} x \\ y \\ z \end{pmatrix}, \quad \mathbf{b} = \begin{pmatrix} b_1 \\ b_2 \\ b_3 \end{pmatrix} \)
相容性與幾何解釋
解的數量完全取決於 \(A\) 的行列式，記作 \(\det A\)，以及該系統是相容的 (consistent，有解) 還是不相容的 (inconsistent，無解)。
情況 1：唯一解（最理想的情況）
如果係數矩陣 \(A\) 是非奇異的 (non-singular)：
- 條件： \(\det A \neq 0\)。
- 解： 存在唯一解，由 \(\mathbf{x} = A^{-1}\mathbf{b}\) 給出。
- 幾何解釋： 三個平面交於空間中的唯一一個共同點。
情況 2：奇異矩陣 (\(\det A = 0\))
如果 \(A\) 是奇異的 (singular)，則系統要麼有無窮多解，要麼無解。我們必須檢查系統的相容性（即 \(\mathbf{b}\) 與 \(A\) 的關係是否正確）。這通常透過列運算（高斯消元法）或向量方法來檢查方程是否相關。
A) 無窮多解（相容系統）
如果 \(\det A = 0\) 且系統相容：
- 幾何解釋：
- 三個平面交於同一條直線。（無窮多解中最常見的情況）
- 三個平面完全重合（或其中兩個重合，第三個穿過該重合平面）。
- 解法： 在處理相容的奇異系統時，其中一個變量（有時是兩個）將成為自由參數，解通常以參數形式表達（例如 \(x=k, y=2k+1\)）。
B) 無解（不相容系統）
如果 \(\det A = 0\) 且系統不相容：
- 幾何解釋： 平面之間沒有共同交點或直線。它們通常形成一個三棱柱（例如兩個平面平行，或三個平面兩兩相交但三者不共點），或者是三個相互平行的獨立平面。
- 偵測： 在進行列運算過程中，你會得到矛盾的結果，例如 \(0 = k\)（其中 \(k\) 為非零常數）。
線性系統重點總結： 行列式告訴你是否**存在唯一解 (\(\det A \neq 0\))。如果 \(\det A = 0\)，你必須進一步探討相容性，以確定是無解還是有無窮多解，並透過幾何方式（點、線或無交集）來解釋結果。
2. 特徵值與特徵向量
特徵理論是進階矩陣運算的核心，它幫助我們找出那些經過矩陣變換後，方向不變、僅發生伸縮的特殊向量。
類比： 想像一個變換機（矩陣 \(A\)）。當你把向量 (\(\mathbf{x}\)) 放進去，它通常會把向量扭曲、旋轉並拉伸。而特徵向量 (eigenvector) 就像一根形狀完美的棍子，放進機器後，出來的方向完全沒變——它只是被拉長或縮短了。而特徵值 (eigenvalue) 就是這個伸縮的比例因子。
特徵值方程
對於方陣 \(A\)，一個標量 \(\lambda\)（特徵值）和一個非零向量 \(\mathbf{e}\)（特徵向量）滿足以下方程：
\(A\mathbf{e} = \lambda\mathbf{e}\)
為了找出非零特徵向量，我們重組方程：
\(A\mathbf{e} - \lambda\mathbf{e} = \mathbf{0}\)
\((A - \lambda I)\mathbf{e} = \mathbf{0}\)
其中 \(I\) 為單位矩陣。
步驟拆解：求特徵值 (\(\lambda\))
為了存在非平凡解（即 \(\mathbf{e} \neq \mathbf{0}\)），矩陣 \((A - \lambda I)\) 必須是奇異的**。因此，它的行列式必須為零。
1. 建立特徵方程 (Characteristic Equation)：
\(\det(A - \lambda I) = 0\)
2. 解 \(\lambda\)： 解這個多項式方程即可得到特徵值。
小知識： 如果 \(A\) 是 2x2 矩陣，特徵方程是二次的；如果是 3x3 矩陣，則是三次的。別擔心，解決從矩陣導出的三次方程時，通常會出現容易辨識或因式分解的整數根！
步驟拆解：求特徵向量 (\(\mathbf{e}\))
1. 代回 \(\lambda\)： 對於求出的每一個特徵值 \(\lambda\)，將其代回方程 \((A - \lambda I)\mathbf{e} = \mathbf{0}\)。
2. 解方程組： 由於 \(\det(A - \lambda I) = 0\)，該系統是奇異的，必有無窮多組解。透過解聯立方程，你會找到特徵向量 \(\mathbf{e}\) 的唯一方向。（\(\mathbf{e}\) 的各分量將以相對比例呈現，通常涉及一個任意常數 \(k\)）。
避免常見錯誤： 特徵向量僅由其方向**定義。當你求解 \(\mathbf{e}\) 時，請務必將向量寫成最簡形式（通常將其中一個分量設為 1，或以 \(k\) 來表示所有分量）。
3. 矩陣的對角化 (Diagonalisation)
對角化是一種簡化矩陣的技術，讓我們能輕鬆進行計算高次方等運算。
考試範圍限制： 此方法下的對角化僅限於特徵值為實數且相異 (real and distinct) 的情況。
對角形式 (\(D\)) 與對角化公式
如果一個矩陣 \(A\) 可對角化，它可以寫成：
\(A = Q D Q^{-1}\)
其中：
- \(D\)（對角矩陣）： 在主對角線上包含 \(A\) 的特徵值 \(\lambda_i\)，其餘位置均為零。
\(D = \begin{pmatrix} \lambda_1 & 0 & 0 \\ 0 & \lambda_2 & 0 \\ 0 & 0 & \lambda_3 \end{pmatrix}\)
- \(Q\)（模態矩陣）： 由對應的特徵向量 \(\mathbf{e}_i\) 作為行 (column) 組成。關鍵是，\(Q\) 中特徵向量的順序必須與 \(D\) 中特徵值的順序一致。
\(Q = \begin{pmatrix} \mathbf{e}_1 & \mathbf{e}_2 & \mathbf{e}_3 \end{pmatrix}\)
利用對角化計算高次方
計算一般 3x3 矩陣的高次方（例如 \(A^{100}\)）非常繁瑣，但利用對角形式，計算會變得簡單：
\(A^n = (Q D Q^{-1})(Q D Q^{-1}) \dots (Q D Q^{-1})\)
由於中間項會抵消（\(Q^{-1}Q = I\)），式子會大幅簡化為：
\(A^n = Q D^n Q^{-1}\)
而 \(D^n\) 的計算極其簡單：
\( D^n = \begin{pmatrix} \lambda_1^n & 0 & 0 \\ 0 & \lambda_2^n & 0 \\ 0 & 0 & \lambda_3^n \end{pmatrix} \)
計算 \(A^n\) 的步驟：
- 找出特徵值 (\(\lambda_i\))。
- 找出對應的特徵向量 (\(\mathbf{e}_i\))。
- 建構 \(D\) 和 \(Q\)。
- 計算 \(Q^{-1}\)（使用 FP1 學過的方法，擴展至 3x3）。
- 計算 \(D^n\)。
- 計算 \(A^n = Q D^n Q^{-1}\)。
對角化重點總結： 對角化是計算矩陣高次方的強大工具，它將繁重的運算轉化為透過對角矩陣 \(D\) 進行的一系列簡單乘法。
4. 凱萊-哈密頓定理 (Cayley-Hamilton Theorem)
這一定理提供了一個強大的捷徑，特別是對於求解矩陣的逆或小次方，而不需要計算所有特徵向量。
基本原理
該定理指出：每個方陣都滿足其自身的特徵方程。
如果特徵方程為 \(P(\lambda) = \det(A - \lambda I) = 0\)，那麼將 \(\lambda\) 替換為矩陣 \(A\)（常數項需乘以單位矩陣 \(I\)），結果將等於零矩陣：
\(P(A) = \mathbf{0}\)
例子： 如果一個 2x2 矩陣的特徵方程是 \(\lambda^2 - 4\lambda + 3 = 0\)，則根據定理：
\(A^2 - 4A + 3I = \mathbf{0}\)
應用一：計算 \(A\) 的高次方
我們可以利用特徵方程將 \(A\) 的高次方表達為較低次方的組合。
從上述例子，重組方程即可得到 \(A^2\)：
\(A^2 = 4A - 3I\)
若要計算 \(A^3\)，兩邊同乘 \(A\)：
\(A^3 = 4A^2 - 3IA = 4A^2 - 3A\)
接著代入 \(A^2\) 的表達式：
\(A^3 = 4(4A - 3I) - 3A = 16A - 12I - 3A = 13A - 12I\)
這種方法能快速計算 \(A\) 的連續次方。
應用二：求逆矩陣 \(A^{-1}\)
我們可以使用該定理導出 \(A^{-1}\) 的表達式，而不必使用傳統的伴隨矩陣法（對於 3x3 矩陣特別有用）。
從特徵方程開始，兩邊同乘 \(A^{-1}\)：
\(A^2 - 4A + 3I = \mathbf{0}\)
(乘以 \(A^{-1}\))
\(A^{-1}(A^2) - 4A^{-1}(A) + 3A^{-1}(I) = A^{-1}(\mathbf{0})\)
\(A - 4I + 3A^{-1} = \mathbf{0}\)
重組式子以隔離 \(A^{-1}\)：
\(3A^{-1} = 4I - A\)
\(A^{-1} = \frac{1}{3}(4I - A)\)
這讓你僅需簡單的標量乘法和矩陣減法即可算出逆矩陣。
快速複習箱：FP2 矩陣要點
- 線性系統： 若 \(\det A \neq 0\)，有唯一解；若 \(\det A = 0\)，檢查相容性（無解或無窮多解，需幾何解釋）。
- 特徵理論： 利用 \(\det(A - \lambda I) = 0\) 求 \(\lambda\)；利用 \((A - \lambda I)\mathbf{e} = \mathbf{0}\) 求 \(\mathbf{e}\)。
- 對角化： \(A^n = Q D^n Q^{-1}\)（僅適用於實數且相異的特徵值）。
- 凱萊-哈密頓： \(P(A) = \mathbf{0}\)（用於透過代入法求 \(A^n\) 或 \(A^{-1}\)）。