歡迎來到矩陣的世界！
在本章中，我們將一起探索矩陣（Matrices）。你可以將矩陣想像成一個「數學試算表」——它是一種將數字整理成行與列的工具，能讓我們一次過解決複雜的問題。矩陣是現代科技的基石；從電子遊戲中的電腦繪圖，到 Google 用來為搜尋結果排名的演算法，背後都少不了它的功勞。
如果起初覺得這些概念有點「天外來客」般的陌生，也不用擔心。我們將循序漸進，從基礎運算開始，一直深入到如何在 3D 空間中進行圖形變換！
1. 矩陣算術（基礎入門）
矩陣由其階（Order）（即大小）定義，寫作 行 \(\times\) 列。例如，一個 \(2 \times 3\) 的矩陣代表它有 2 行 3 列。
加法、減法與標量乘法
要進行矩陣的加減法，矩陣必須是可相容的（Conformable），簡單來說就是它們必須完全一樣大。你只需要將相同位置的數字進行對應的加減即可。
標量乘法（Scalar Multiplication）就更簡單了：只需將矩陣內的每一個數字，都乘以同一個外在的數（標量）即可。
矩陣乘法
兩個矩陣的乘法就比較特別了。不是簡單地把對應位置的數字相乘，而是要進行「行乘以列（Rows by Columns）」的運算。
相容規則：要將矩陣 \(A\) 與 \(B\) 相乘，\(A\) 的列數必須與 \(B\) 的行數相等。
記憶小撇步：如果把兩者的階寫在旁邊，中間的數字必須相同。例如，一個 \((2 \times \mathbf{3})\) 的矩陣可以乘以一個 \((\mathbf{3} \times 4)\) 的矩陣。
特殊矩陣
- 零矩陣（Zero Matrix，\(\mathbf{0}\)）：所有元素皆為 0。將它加到任何矩陣中，原矩陣都不會改變。
- 單位矩陣（Identity Matrix，\(\mathbf{I}\)）：矩陣中的「1」。它是一個主對角線（從左上到右下）為 1，其餘位置皆為 0 的方陣。將任何矩陣與 \(\mathbf{I}\) 相乘後，該矩陣保持不變：\(AI = A\)。
重點複習：請記住，在矩陣乘法中，順序非常重要！通常情況下，\(AB \neq BA\)。
2. 變換：用數學移動圖形
我們可以使用矩陣來移動圖表上的點和圖形，這稱為線性變換（Linear Transformation）。
二維變換
一個 \(2 \times 2\) 的矩陣可以表示反射、旋轉和放大縮小。我們只需找出「單位向量」\(\begin{pmatrix} 1 \\ 0 \end{pmatrix}\) 和 \(\begin{pmatrix} 0 \\ 1 \end{pmatrix}\) 變換後的位置，這些座標就會成為我們變換矩陣的行。
連續變換
如果你想對圖形進行反射，然後再進行旋轉，你需要將這些矩陣相乘。
注意：變換的應用順序是由右至左。如果 \(R\) 代表旋轉，\(S\) 代表縮放，那麼「先旋轉後縮放」寫作 \(SR\)。
三維變換
課程大綱將 3D 變換限制於：
- 在 \(x=0\)、\(y=0\) 或 \(z=0\) 平面上的反射。
- 繞 \(x\)、\(y\) 或 \(z\) 軸的旋轉。
不變點與不變線
- 不變點（Invariant Point）：在變換後位置保持不變的點。在線性變換中，原點 \((0,0)\) 永遠是不變點。
- 不變線（Invariant Line）：線上的每一個點在變換後依然落在這條直線上（儘管點本身可能會沿著線滑動）。
核心概念：變換其實就是一種利用矩陣乘法來「重新映射」空間的方法。
3. 行列式：比例因子
矩陣的行列式（Determinant），寫作 \(\det A\) 或 \(|A|\)，是一個能告訴我們關於該矩陣許多資訊的單一數值。
計算行列式
- 對於 \(2 \times 2\) 矩陣 \(\begin{pmatrix} a & b \\ c & d \end{pmatrix}\)，行列式為 \(ad - bc\)。
- 對於 \(3 \times 3\) 矩陣，我們使用「按行或列展開」的方法。這涉及將元素乘以較小的 \(2 \times 2\) 矩陣的行列式（餘子式，Minors）。
它代表什麼？
行列式是該變換的面積比例因子（二維情況）或體積比例因子（三維情況）。
你知道嗎？如果行列式是負數，代表該圖形在縮放的同時，還發生了反射或「翻轉」。
奇異矩陣（Singular Matrices）
如果 \(\det A = 0\)，該矩陣稱為奇異矩陣。這意味著變換將圖形壓縮到了更低的維度（例如將二維正方形壓縮成一維線段）。奇異矩陣沒有反矩陣。
4. 反矩陣：反向操作
矩陣 \(A\) 的反矩陣（Inverse）**，寫作 \(A^{-1}\)，就是一個能「撤銷」\(A\) 之變換的矩陣。
\(AA^{-1} = I\)。
求反矩陣的方法
- 對於 \(2 \times 2\) 矩陣：交換主對角線元素，改變其餘兩個元素的符號，最後除以行列式。
- 對於 \(3 \times 3\) 矩陣：這是一個較繁瑣的過程，涉及伴隨矩陣（Adjucate）與行列式的計算。
重點複習：你不能直接除以矩陣，我們改為乘以反矩陣。要解 \(AX = B\)，我們使用 \(X = A^{-1}B\)。
5. 解聯立方程組
矩陣讓我們能夠高效地解決包含三個未知數（\(x, y, z\)）的三元方程組。
我們將系統寫作 \(AX = B\)，其中 \(A\) 是係數矩陣。如果 \(\det A \neq 0\)，透過 \(X = A^{-1}B\) 即可得到唯一的解。
當解法失效時（幾何意義）
如果 \(\det A = 0\)，方程組要麼是矛盾的（無解），要麼是相關的（無限多解）。從幾何學上來說，這代表了三個平面在 3D 空間中的互動方式：
- 唯一解：三個平面交於一點。
- 無解：平面可能形成一個三角柱，或者彼此平行。
- 無限多解：平面交於一條直線（稱為「平面束」），或三個平面重合。
常見錯誤：同學常忘記若 \(\det A = 0\)，必須使用代入法或高斯消去法來確認失效的「原因」（究竟是平面束還是三角柱？）。
6. 特徵值與特徵向量
這聽起來很嚇人，但概念其實很優美。對於矩陣 \(A\)，特徵向量（Eigenvector）**是指在變換過程中方向保持不變的特定方向。它只會被拉伸或壓縮，而這個縮放倍數稱為特徵值（Eigenvalue，\(\lambda\)）。
特徵方程
要求特徵值，我們求解：\(\det(A - \lambda I) = 0\)。
這會給我們一個關於 \(\lambda\) 的多項式方程。得到 \(\lambda\) 後，將其代回 \((A - \lambda I)\mathbf{v} = 0\) 即可找到向量 \(\mathbf{v}\)。
對角化
如果一個矩陣擁有足夠多的特徵向量，我們能將它寫成「對角」形式：
\(\mathbf{M} = \mathbf{UDU}^{-1}\)
其中 \(\mathbf{D}\) 是由特徵值組成的對角矩陣，\(\mathbf{U}\) 是由特徵向量組成的矩陣。
為什麼要這樣做？這讓計算矩陣的乘方變得非常容易：\(\mathbf{M}^n = \mathbf{UD}^n\mathbf{U}^{-1}\)。你只需要將對角線上的數字各自進行 \(n\) 次方運算即可！
總結檢查清單
- 算術：你是否熟練「行乘以列」的乘法？
- 變換：你還記得變換順序是「由右至左」嗎？
- 行列式：你能計算 \(3 \times 3\) 行列式並利用行列運算將其因式分解嗎？
- 反矩陣：你清楚 \(3 \times 3\) 反矩陣的計算步驟嗎？
- 方程組：你能解釋為什麼三個平面可能沒有共同交點嗎？
- 特徵值：你能解特徵方程找到 \(\lambda\) 嗎？
如果覺得內容很多，不用擔心！矩陣是一項熟能生巧的技能。繼續練習繪製變換圖形並計算行列式，這些規律很快就會變得顯而易見。