歡迎來到矩陣與線性空間的世界！
你好！在高等數學（Further Mathematics）這一章中，我們將深入探索矩陣與線性空間。請不要把矩陣僅僅看作是一堆數字的方框，它們其實是強大的工具，可以用來進行圖形變換、求解複雜的方程組，甚至是描述多維空間的運作規則。無論你是目標是奪得 A*，還是僅僅想打好基礎，這些筆記都旨在一步步引導你。讓我們開始吧！
1. \(3 \times 3\) 矩陣的運算
你之前已經接觸過 \(2 \times 2\) 矩陣了。現在，我們要進階到 \(3 \times 3\) 的矩陣。其運算規則非常相似，只是涉及的數字更多，需要更加細心！
加法與減法
正如一般的數值加減法一樣，你只需要將相同位置的對應元素進行加減即可。記住：只有維度相同的矩陣才能進行加減運算。
矩陣乘法
要將兩個矩陣 \(A\) 和 \(B\) 相乘，我們使用「列乘行」（Row by Column）規則。你需要將第一個矩陣的行（row）中的元素與第二個矩陣的列（column）中的元素對應相乘，然後將結果加總。
小撇步：試著想像一個「L」型。你的左手沿著行水平移動，右手沿著列垂直移動。
重要提示：在矩陣的世界裡，順序非常重要！一般來說，\(AB \neq BA\)。交換順序通常會得到不同的結果。
\(3 \times 3\) 矩陣的行列式
行列式（Determinant），記作 \(det(A)\) 或 \(|A|\)，是一個能反映矩陣特徵的數值。對於一個矩陣：
\(A = \begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix}\)
行列式的計算方式為：
\(det(A) = a(ei - fh) - b(di - fg) + c(dh - eg)\)
記憶技巧：在展開第一行元素時，記得使用 +、-、+ 的符號規則。
逆矩陣
逆矩陣 \(A^{-1}\) 是可以「抵消」矩陣 \(A\) 運算效果的矩陣。當你將一個矩陣與其逆矩陣相乘時，會得到單位矩陣（Identity Matrix，記作 \(I\)）。
\(A \times A^{-1} = I\)
注意：若 \(det(A) = 0\)，該矩陣稱為奇異矩陣（singular matrix），是沒有逆矩陣的！
快速回顧：
• 運算方式為列乘行。
• \(AB\) 不等於 \(BA\)。
• 若 \(det(A) = 0\)，則無法求出逆矩陣。
2. 線性方程組的求解
矩陣非常適合用來求解諸如 \(2x + 3y - z = 10\) 之類的方程組。我們可以將其表示為 \(Ax = b\)。
列運算與行梯形形式
為了求解這些方程，我們使用高斯消去法（Gaussian Elimination）。目標是執行「列運算」（Row Operations），將矩陣轉換為行梯形形式（Row Echelon Form, REF），它看起來像是在左下角形成一階梯狀的零。
三種合法操作：
1. 交換兩行。
2. 將某一行乘以一個非零常數。
3. 將一行的倍數加到另一行或從中減去。
幾何意義
當你求解一個包含 3 個變數的 3 方程組時，你實際上是在尋找三個平面在三維空間中交會的情況：
• 唯一解：三個平面交於空間中的一點。
• 無窮多解：三個平面交於一條線，或者它們本質上是同一個平面。
• 無解：這三個平面無法同時相交（例如它們形成三角柱狀或彼此平行）。
3. 線性變換
矩陣可以像是一台「機器」，它接收一個向量並輸出一個新的向量，這稱為線性變換（Linear Transformation）。
如果我們有一個變換 \(T: \mathbb{R}^n \to \mathbb{R}^m\)，代表我們將一個擁有 \(n\) 個分量的向量轉換為擁有 \(m\) 個分量的向量。在你的課程範圍內，\(n\) 和 \(m\) 最大為 3。
例子：一個 \(2 \times 2\) 矩陣可以旋轉二維平面上的點，而一個 \(3 \times 3\) 矩陣則可以旋轉三維空間中的點。
4. 特徵值與特徵向量
不要被這些生僻的名稱嚇到了！「Eigen」在德文中意為「自身的」或「特徵的」。
特徵向量（Eigenvector）是一個特殊的向量，當它與矩陣 \(A\) 相乘時，其方向不會改變。它只會被拉伸或壓縮，而這個拉伸或壓縮的倍數就稱為特徵值（Eigenvalue，記作 \(\lambda\)）。
其方程為：\(Av = \lambda v\)
如何求得：
1. 解 \(det(A - \lambda I) = 0\) 以求出特徵值 (\(\lambda\))。
2. 對於每個 \(\lambda\)，解 \((A - \lambda I)v = 0\) 以求出相應的特徵向量 (\(v\))。
注意：對於本課程，我們只專注於特徵值為實數的情況。
對角化
如果一個方陣 \(M\) 擁有足夠多的特徵向量，我們可以將其寫成一個非常簡潔的形式：
\(M = QDQ^{-1}\)
• \(D\) 是一個對角矩陣（Diagonal Matrix）（除對角線外均為零），對角線上存放的是特徵值。
• \(Q\) 是一個矩陣，其各列為對應的特徵向量。
為什麼要這樣做？這樣做可以讓計算矩陣的冪次變得非常簡單！\(M^n = QD^nQ^{-1}\)。計算 \(D^n\) 很簡單，只需將對角線上的數字各自取 \(n\) 次方即可。
重點總結：特徵向量是矩陣的「自然軸」。對角化利用這些軸，將複雜的計算化繁為簡。
5. 線性空間與子空間
線性空間（Linear Space，又稱向量空間）是一組滿足特定規則（公理）的物件（向量）集合，例如：你可以將它們相加，也可以用數字乘以它們，且結果仍然落在該空間內。
子空間
子空間（Subspace）是一個更大的線性空間內部的較小空間，它同樣遵循所有規則。
類比：如果「整個三維空間」是線性空間，那麼「穿過原點的平面」就是一個子空間。
線性相關與生成（Span）
• 生成（Span）：一組向量的「生成」是指通過將這些向量相加或縮放所能到達的所有位置。它就像是這些向量所覆蓋的「領土」。
• 線性獨立（Linear Independence）：如果一組向量中的任何一個都不能由其他向量組合而成，則稱這組向量是線性獨立的。它們都是「原創的」，並提供了新的維度方向。
基底與維度
基底（Basis）是「恰到好處」的一組向量：它們既能生成整個空間，又是線性獨立的。它是構建該空間所需的最小「積木」集合。
維度（Dimension）就是基底中向量的個數。
6. 特殊矩陣空間與秩
觀察一個矩陣時，我們可以找出四個重要的空間：
1. 列空間（Row Space）：由各行所生成的空間。
2. 行空間（Column Space，或稱值域空間 Range Space）：由各列所生成的空間。這代表了變換 \(Ax\) 的所有可能輸出。
3. 零空間（Null Space，或稱核 Kernel）：所有被「壓縮」為零的向量 \(x\) 的集合，即 \(Ax = 0\)。
秩與零度
• 秩（Rank）：行空間的維度（即有多少個線性獨立的列）。
• 零度（Nullity）：零空間的維度。
秩-零度定理（Rank-Nullity Theorem）：
對於一個 \(n\) 階方陣：
秩 + 零度 = \(n\)
你知道嗎？無論是從行還是從列的角度來看，一個矩陣的秩始終是相同的！這是矩陣的一個基本性質。
常見錯誤：學生經常忘記零空間總是包含零向量，但零空間的「維度」（即零度）只計算導致結果為零的自由變數數量或獨立方向的個數。
最終勉勵：線性代數就像學習一門新語言。起初，語法（公理和定義）可能感覺很生硬，但一旦你開始「開口說」它，你就會在物理、工程和計算機科學中處處看到它的身影。繼續練習那些列運算吧——你一定可以做到的！