Further Pure Mathematics 1 (Paper 1) - 第 1.4 章：矩陣 (Matrices)
你好！歡迎來到矩陣的世界！如果這些矩形的數字陣列起初看起來讓你感到有點壓力，不用擔心。矩陣是數學中最強大的工具之一，應用極為廣泛，從電腦圖學（對 3D 物體進行變換）到處理海量數據集以及求解複雜的聯立方程組，都少不了它。
在本章中，我們將在現有的矩陣基礎上，進一步掌握進階運算，理解它們與二維空間幾何的聯繫，並探討逆矩陣 (inverses) 和不變線 (invariant lines) 等概念。讓我們開始吧！
1. 矩陣運算與術語
1.1 理解矩陣階數與特殊矩陣
矩陣由其維度或階數 (order) 定義，表示為 (行數) \( \times \) (列數)。本課程重點關注最高 \( 3 \times 3 \) 的矩陣。
- 例子： 矩陣 \( A = \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix} \) 的階數為 \( 2 \times 3 \)。
關鍵術語：
- 方陣 (Square Matrix)：行數等於列數的矩陣（例如 \( 2 \times 2 \) 或 \( 3 \times 3 \)）。
- 零矩陣 (Zero Matrix, O)：所有元素均為 0 的矩陣。在加法或乘法（如果兼容）運算中，它的表現如同數字 0。
- 單位矩陣 (Identity Matrix, I)：主對角線元素全為 1，其餘位置均為 0 的方陣。當你將任何矩陣 \( M \) 乘以 \( I \) 時，結果仍為 \( M \)：\( MI = IM = M \)。
例子： $$ I_2 = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}, \quad I_3 = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix} $$
1.2 加法、減法與標量乘法
這些運算非常直接：
- 加法與減法：只有當矩陣的階數完全相同時，才能進行加法或減法。你只需將對應位置的元素相加或相減即可。
- 標量乘法 (Scalar Multiplication)：將矩陣中的每一個元素乘以該標量常數。
快速回顧：這些都是元素對元素的運算。如果階數不匹配，加減法是無法進行的。
1.3 矩陣乘法
矩陣乘法是較為棘手但極其重要的運算！
兼容性規則：
只有當矩陣 \( A \)（階數 \( m \times n \)）的列數等於矩陣 \( B \)（階數 \( p \times q \)）的行數（即 \( n = p \)）時，才能進行乘法 \( AB \)。結果矩陣 \( AB \) 的階數將會是 \( m \times q \)。
乘法步驟（行乘以列）：
要計算乘積 \( AB \) 中第 \( i \) 行第 \( j \) 列的元素，你需要將 \( A \) 的第 \( i \) 行與 \( B \) 的第 \( j \) 列的對應元素相乘並求和。
必須銘記的重點：
矩陣乘法通常不具交換律 (not commutative)。在幾乎所有情況下，\( AB \neq BA \)。乘法的順序非常重要，特別是在處理幾何變換時！
運算小貼士：務必先檢查階數！對於乘法，記住「內部數字必須相等」的規則，並且要牢記順序就是一切。
2. 行列式與逆矩陣
行列式 (determinant) 是僅與方陣相關聯的標量值。它提供了關於矩陣是否存在逆矩陣，以及矩陣如何在幾何變換中對面積進行縮放的關鍵資訊。
2.1 2x2 矩陣的行列式
對於一般的 \( 2 \times 2 \) 矩陣 \( M = \begin{pmatrix} a & b \\ c & d \end{pmatrix} \)： $$ \text{det } M = ad - bc $$
記憶小技巧：將主對角線（從左上到右下）上的元素相乘，然後減去另一條對角線上元素相乘的積。
2.2 3x3 矩陣的行列式
對於 \( 3 \times 3 \) 矩陣，行列式是通過餘子式展開 (cofactor expansion) 來計算的。
對於 \( M = \begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} \)，沿第一行展開（最常用的方法）：
$$ \text{det } M = a(ei - fh) - b(di - fg) + c(dh - eg) $$
如果看起來很長，別擔心！記住這個模式：
- 從第一個元素 \( a \) 開始，乘以劃掉 \( a \) 所在行和列後剩餘的 \( 2 \times 2 \) 矩陣的行列式。
- 減去第二個元素 \( b \)，並乘以其對應的 \( 2 \times 2 \) 行列式。
- 加上第三個元素 \( c \)，並乘以其對應的 \( 2 \times 2 \) 行列式。
2.3 非奇異矩陣與奇異矩陣
方陣 \( M \) 根據其行列式進行分類：
- 非奇異矩陣 (Non-Singular Matrix)：若 \( \text{det } M \neq 0 \)。這類矩陣存在逆矩陣 \( M^{-1} \)。
- 奇異矩陣 (Singular Matrix)：若 \( \text{det } M = 0 \)。這類矩陣不存在逆矩陣。從幾何意義上講，它們會將面積（或體積）映射為零，這意味著資訊遺失了。
2.4 求逆矩陣 (\( M^{-1} \))
逆矩陣 \( M^{-1} \) 用於「抵銷」\( M \) 的作用，使得 \( M M^{-1} = M^{-1} M = I \)。
2x2 矩陣的逆矩陣：
對於 \( M = \begin{pmatrix} a & b \\ c & d \end{pmatrix} \)，前提是 \( \text{det } M \neq 0 \)： $$ M^{-1} = \frac{1}{\text{det } M} \begin{pmatrix} d & -b \\ -c & a \end{pmatrix} $$
簡單技巧：互換 \( a \) 和 \( d \)，將 \( b \) 和 \( c \) 變號，然後將結果矩陣除以行列式。
3x3 矩陣的逆矩陣：
求 \( 3 \times 3 \) 矩陣的逆矩陣涉及計算餘子矩陣 (matrix of cofactors)，將其轉置得到伴隨矩陣 (adjugate matrix)，然後除以行列式。這是一個多步驟過程： $$ M^{-1} = \frac{1}{\text{det } M} (\text{Adj } M) $$
逆矩陣乘積規則：
對於兩個非奇異矩陣 \( A \) 和 \( B \)： $$ (AB)^{-1} = B^{-1}A^{-1} $$
類比：想像變換過程。如果你先穿上襪子 (\( B \)) 再穿上鞋子 (\( A \))，要撤銷這個過程，你必須先脫掉鞋子 (\( A^{-1} \))，然後再脫掉襪子 (\( B^{-1} \))。逆序是必須的！
行列式與逆矩陣的小結：如果行列式為零，停下來！說明沒有逆矩陣。逆矩陣規則 \((AB)^{-1} = B^{-1}A^{-1}\) 對於解決複合變換問題至關重要。
3. 矩陣與幾何變換 (2D)
\( 2 \times 2 \) 矩陣 \( M \) 通過方程 \( M \begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} x' \\ y' \end{pmatrix} \) 將位置向量 \( \begin{pmatrix} x \\ y \end{pmatrix} \) 變換為新位置向量 \( \begin{pmatrix} x' \\ y' \end{pmatrix} \)。
3.1 理解基本變換
你必須能夠識別並應用標準的二維變換矩陣：
- 旋轉 (Rotation)：旋轉由角度 \( \theta \) 定義（正角度為逆時針方向）。繞原點旋轉角度 \( \theta \) 的矩陣為： $$ R = \begin{pmatrix} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{pmatrix} $$
- 反射 (Reflection)：沿直線（通常經過原點）的鏡像變換。
- 放大 (Enlargement/Scaling)：以原點為中心，放大倍數為 \( k \) 的矩陣為： $$ E = \begin{pmatrix} k & 0 \\ 0 & k \end{pmatrix} $$
- 拉伸 (Stretch)：平行於軸的拉伸。例子：平行於 x 軸的拉伸倍數 \( k \)：\( \begin{pmatrix} k & 0 \\ 0 & 1 \end{pmatrix} \)。
- 剪切 (Shear)：一種使點平行於固定直線（不變線）移動的變換，位移量與點到該直線的距離成正比。例子：平行於 x 軸的剪切：\( \begin{pmatrix} 1 & k \\ 0 & 1 \end{pmatrix} \)。
3.2 變換的複合
如果變換 \( T_1 \) 由矩陣 \( M_1 \) 表示，變換 \( T_2 \) 由矩陣 \( M_2 \) 表示，且點 \( P \) 先經過 \( T_1 \) 再經過 \( T_2 \)：
最終的變換矩陣 \( M \) 為乘積 \( M_2 M_1 \)。
記住順序！
要找到最終矩陣，請按照變換發生的順序「由右至左」書寫矩陣（最左邊的矩陣是最後進行的變換）。
3.3 逆變換
如果矩陣 \( A \) 代表一種變換，那麼逆矩陣 \( A^{-1} \) 就代表逆變換 (inverse transformation)，它將圖像映射回原始物體。
- 例子：如果 \( A \) 是順時針旋轉 \( 30^\circ \)，則 \( A^{-1} \) 是逆時針旋轉 \( 30^\circ \)。
3.4 面積縮放因子
當區域經由矩陣 \( M \) 變換時，圖像面積與原始區域面積的關係取決於 \( M \) 的行列式。
$$ \text{面積縮放因子} = |\text{det } M| $$
我們使用行列式的絕對值，因為面積永遠為正。負的行列式僅意味著發生了反射（翻轉了方向）。
變換小結：變換矩陣應用方式為 \( M \mathbf{x} \)。對於 \( T_2 \) 後接 \( T_1 \) 的序列，組合矩陣為 \( T_1 T_2 \)。行列式的絕對值給出了面積縮放因子。
4. 不變點與不變線
理解不變特徵通常是考試重點，需要設立並求解特定的矩陣方程。
4.1 不變點 (Invariant Points)
不變點是指點 \( P \) 在經過變換 \( M \) 後保持位置不動。
如果 \( P = \begin{pmatrix} x \\ y \end{pmatrix} \) 是一個不變點，那麼： $$ M P = P $$
這可以使用單位矩陣 \( I \) 重寫為： $$ M P - I P = \mathbf{0} \quad \Rightarrow \quad (M - I) P = \mathbf{0} $$
你只需為 \( x \) 和 \( y \) 求解由此產生的聯立方程組。
- 常見情境：對於以原點為中心的放大變換，唯一的不變點就是原點本身 \((0, 0)\)。
4.2 通過原點的不變線 (\( y = mx \))
不變線是指一條直線，儘管線上的點可能會移動，但整條直線被映射回自身。
對於通過原點的直線 \( y = mx \)，我們將通用點 \( \begin{pmatrix} x \\ mx \end{pmatrix} \) 代入變換矩陣 \( M \)。
設 \( M = \begin{pmatrix} a & b \\ c & d \end{pmatrix} \)。如果該直線是不變的，變換後的點 \( M \begin{pmatrix} x \\ mx \end{pmatrix} \) 必須仍然落在直線 \( y = mx \) 上。
變換後的點 \( \begin{pmatrix} x' \\ y' \end{pmatrix} \) 為： $$ \begin{pmatrix} a & b \\ c & d \end{pmatrix} \begin{pmatrix} x \\ mx \end{pmatrix} = \begin{pmatrix} ax + bmx \\ cx + dmx \end{pmatrix} $$
由於此新點必須滿足斜率條件 \( y' = m x' \)： $$ cx + dmx = m(ax + bmx) $$
由於這對所有 \( x \neq 0 \) 都成立，我們可以除以 \( x \) 並解出不變斜率 \( m \)： $$ c + dm = ma + bm^2 $$ $$ bm^2 + (a - d)m - c = 0 $$
解這個二次方程即可得到通過原點的不變線的斜率 \( m \)。
4.3 不變線（不一定通過原點）
如果問題要求找出所有不變線（包括不通過原點的 \( y = mx + c \)），你需要遵循類似的原則：將通用點 \( \begin{pmatrix} x \\ mx + c \end{pmatrix} \) 代入矩陣 \( M \)，並確保變換後的座標 \( x' \) 和 \( y' \) 滿足原直線方程 \( y' = m x' + c \)。
常見錯誤：
不要混淆不變點與不變線。點保持不變意味著 \( P' = P \)。線保持不變意味著 \( P' \) 仍在直線上，但 \( P' \) 不一定等於 \( P \)。
不變性小結：不變點求解方程 \((M - I)P = \mathbf{0}\)。通過原點的不變線則通過確保變換後的點維持斜率 \( m \) 來構建二次方程進行求解。