Matrix algebra

歡迎來到矩陣代數（Matrix Algebra）學習指南！

哈囉！既然你已經讀到這一章，代表你正式踏入了進階數學（Further Mathematics）中最有力且最令人興奮的領域之一。別擔心矩陣一開始看起來會很怪——它們其實只是一種整齊、有條理的方式，讓我們能同時處理大量的數字與方程式。

矩陣讓我們能夠執行複雜的變換（例如在二維和三維空間中旋轉圖形），並高效率地求解大型線性方程組。本章結束時，你將會精通矩陣運算、行列式（determinants）、逆矩陣（inverses），以及特徵向量（eigenvectors）與特徵值（eigenvalues）這些至關重要的概念。

什麼是矩陣？

想像矩陣是一個矩形的數字陣列（可以把它當成高階版的試算表！），由行（row）與列（column）排列而成。

• 矩陣的階數（order）是由其行數和列數定義的，記作 \(m \times n\)。

第一節：矩陣代數基礎（FPP1.1 複習）

1.1 基本運算

加法與減法

只有在兩個矩陣的階數完全相同時，你才能進行加法或減法。你只需要將對應位置的元素相加或相減即可。

例子：
若 \(A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}\) 且 \(B = \begin{pmatrix} 5 & 0 \\ -1 & 2 \end{pmatrix}\)，則 \(A+B = \begin{pmatrix} 1+5 & 2+0 \\ 3+(-1) & 4+2 \end{pmatrix} = \begin{pmatrix} 6 & 2 \\ 2 & 6 \end{pmatrix}\)。

純量乘法（Scalar Multiplication）

純量（scalar）只是一個普通的數。要將矩陣乘以一個純量，你只需要將矩陣中的每一個元素都乘以該數。

矩陣乘法（最高至 \(3 \times 3\)）

這通常是第一個主要的挑戰，但只要多加練習，它其實非常直接！

規則檢查：若要將矩陣 \(A\)（階數 \(m \times n\)）乘以矩陣 \(B\)（階數 \(p \times q\)），\(A\) 的列數必須等於 \(B\) 的行數，即 \(n = p\)。
乘積矩陣 \(AB\) 的階數將會是 \(m \times q\)。

運算過程：「行乘列」（Row by Column）
乘積 \(AB\) 中第 \(i\) 行、第 \(j\) 列的元素，是透過將 \(A\) 的第 \(i\) 行元素與 \(B\) 的第 \(j\) 列對應元素相乘，最後將結果相加而得到的。

類比：想像你在第一個矩陣的行上滑動，去乘第二個矩陣的列。每一對對應到的數字相乘，然後把乘積加起來。

重要概念：非交換性（Non-Commutativity）
與一般數字 \(xy = yx\) 不同，對於矩陣而言，矩陣乘法通常不具交換性。
\(\mathbf{AB \neq BA}\)（即使兩者皆存在）。

常見錯誤：假設 \(AB\) 和 \(BA\) 是一樣的。務必檢查要求的順序！

1.2 單位矩陣（Identity Matrix）與轉置矩陣（Transpose Matrix）

單位矩陣 \(I\)

單位矩陣（Identity Matrix）記作 \(I\)，相當於數字裡的 1。當你將任何矩陣 \(A\) 乘以單位矩陣 \(I\) 時，你會得到 \(A\) 本身。

\(AI = IA = A\)

它是一個方陣（行數=列數），主對角線（從左上到右下）全是 1，其餘位置全是 0。

\(2 \times 2\) 單位矩陣：\(I = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}\)
\(3 \times 3\) 單位矩陣：\(I = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}\)

轉置矩陣 \(A^T\)

矩陣 \(A\) 的轉置（Transpose）記作 \(A^T\)，是將行與列互換而得到的。

例子：若 \(A = \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix}\)，則 \(A^T = \begin{pmatrix} 1 & 4 \\ 2 & 5 \\ 3 & 6 \end{pmatrix}\)。

關鍵轉置性質（課程大綱要求）：
乘積的轉置會反轉順序：
\((AB)^T = B^T A^T\)

第一節重點回顧：熟練「行乘列」的乘法，並記住矩陣通常不可交換。單位矩陣是你的好朋友，轉置則會反轉乘法順序。

第二節：行列式與逆矩陣

行列式（Determinant）是從方陣計算出的一個單一數字。它提供了關於矩陣的關鍵資訊，特別是該矩陣是否存在逆矩陣。

2.1 \(2 \times 2\) 矩陣的行列式

對於矩陣 \(A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}\)，其行列式 \(\det(A)\) 或 \(|A|\) 為：
$$\det(A) = ad - bc$$

記憶小撇步：將主對角線的元素（\(a\) 和 \(d\)）相乘，然後減去另一條對角線（\(b\) 和 \(c\)）的乘積。

2.2 \(2 \times 2\) 矩陣的逆矩陣

逆矩陣（Inverse Matrix）\(A^{-1}\) 是滿足 \(A A^{-1} = A^{-1} A = I\) 的矩陣。

\(A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}\) 的逆矩陣公式為：
$$A^{-1} = \frac{1}{\det(A)} \begin{pmatrix} d & -b \\ -c & a \end{pmatrix}$$

\(2 \times 2\) 逆矩陣計算步驟：

1. 計算行列式 \(\det(A) = ad - bc\)。
2. 交換 \(a\) 和 \(d\)。
3. 改變 \(b\) 和 \(c\) 的符號。
4. 將所得矩陣乘以 \(\frac{1}{\det(A)}\)。

非奇異矩陣與奇異矩陣

若 \(\det(A) \neq 0\)，矩陣 \(A\) 為非奇異矩陣（non-singular）。非奇異矩陣存在逆矩陣 \(A^{-1}\)。

若 \(\det(A) = 0\)，矩陣 \(A\) 為奇異矩陣（singular）。由於 \(\frac{1}{0}\) 沒有意義，這意味著該矩陣不存在逆矩陣。

2.3 \(3 \times 3\) 矩陣的行列式（FP2 水平）

計算 \(3 \times 3\) 矩陣的行列式需要使用餘因子展開（cofactor expansion）的方法。
對於 \(A = \begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix}\)，你可以沿著任何行或列展開。通常使用第一行：

$$\det(A) = a \begin{vmatrix} e & f \\ h & i \end{vmatrix} - b \begin{vmatrix} d & f \\ g & i \end{vmatrix} + c \begin{vmatrix} d & e \\ g & h \end{vmatrix}$$

步驟：餘因子展開

1. 選擇一行或一列（如果該行或列有零，計算會更輕鬆！）。
2. 使用交替的符號模式（稱為餘因子符號）：
   \(\begin{pmatrix} + & - & + \\ - & + & - \\ + & - & + \end{pmatrix}\)
3. 對於第一個元素，將其乘以該元素所處的行與列劃掉後剩下的 \(2 \times 2\) 矩陣之行列式（這稱為子式/餘子式，minor）。
4. 對第二和第三個元素重複此步驟，記得應用符號模式中的正確符號。
5. 將結果相加。

2.4 \(3 \times 3\) 矩陣的逆矩陣（FP2 水平）

求 \(3 \times 3\) 矩陣的逆矩陣很繁瑣，但過程遵循定義：
$$A^{-1} = \frac{1}{\det(A)} \text{Adj}(A)$$
其中 \(\text{Adj}(A)\) 是伴隨矩陣（adjugate matrix）（即餘因子矩陣的轉置）。

鼓勵一下：雖然步驟很多（需計算 9 個子式、加上符號得到 9 個餘因子、進行轉置，最後除以行列式），但只要拆解開來，其實就是重複計算 \(2 \times 2\) 行列式。保持整潔有序就沒問題！

2.5 乘積的行列式

關鍵性質（課程大綱要求）：
矩陣乘積的行列式等於其各自行列式的乘積。這對於 \(2 \times 2\) 和 \(3 \times 3\) 矩陣皆成立：
$$\det(AB) = \det(A) \det(B)$$

關鍵逆矩陣性質（課程大綱要求）：
乘積的逆矩陣會反轉順序：
$$(AB)^{-1} = B^{-1} A^{-1}$$

第二節重點回顧：行列式能告訴你逆矩陣是否存在（只要 \(\det \neq 0\)）。\(2 \times 2\) 和 \(3 \times 3\) 的方法不同，後者依賴於餘因子。

第三節：矩陣與幾何變換

矩陣是幾何中變換點與圖形的強大工具。若點以列向量 \(\mathbf{x}\) 表示，則變換後的點 \(\mathbf{x}'\) 可由 \(\mathbf{x}' = M \mathbf{x}\) 求得，其中 \(M\) 為變換矩陣。

3.1 二維變換（\(2 \times 2\) 矩陣）

課程大綱涵蓋以原點為變換中心的標準變換。你應該熟悉以下矩陣：

• 旋轉（Rotation）（繞原點旋轉 \(\theta\) 角）： $$R = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix}$$
• 反射（Reflection）（沿著過原點的線，例如 x 軸、y 軸或 \(y=x\)）。
• 拉伸（Stretch）（平行於 x 軸或 y 軸）。
• 放大（Enlargement）（中心在原點，比例因子 \(k\)）： $$\begin{pmatrix} k & 0 \\ 0 & k \end{pmatrix}$$
• 錯切（Shear）（例如平行於 x 軸）： $$\begin{pmatrix} 1 & k \\ 0 & 1 \end{pmatrix}$$
  注意：你只需要能夠辨識平行於 x 或 y 軸的錯切矩陣。如果恆定直線（invariant line）不是軸線，題目會告知這是錯切變換。

變換的組合

若變換 \(T_1\)（矩陣 \(M_1\)）之後接著進行變換 \(T_2\)（矩陣 \(M_2\)），則組合後的變換 \(T\) 可由矩陣 \(M = M_2 M_1\) 表示。

順序很重要！就像函數的複合一樣，*先*應用的矩陣要放在靠近向量的右側。

行列式與面積比例因子（二維）

行列式的絕對值 \(|\det(M)|\) 給出了變換的面積比例因子（area scale factor）。
若 \(\det(M)\) 為負，意味著變換包含反射（它反轉了方向）。

3.2 三維變換（\(3 \times 3\) 矩陣，FP2 水平）

在三維空間中，矩陣變換的是 \(\begin{pmatrix} x \\ y \\ z \end{pmatrix}\) 向量。

旋轉

你只需要了解繞坐標軸（x、y 或 z）的旋轉。
你知道嗎？這些矩陣會提供在公式手冊中，但理解其運作原理很有幫助。繞 x 軸旋轉會使 \(x\) 不變，因此第一行/列看起來像 \(\begin{pmatrix} 1 & 0 & 0 \end{pmatrix}\)。

反射

你必須能夠處理在下列特定平面（皆過原點）的反射：
\(x=0\) (\(yz\)-平面)、\(y=0\)、\(z=0\)。
以及坐標相等平面：\(x=y\)、\(x=z\)、\(y=z\)。

例子：沿 \(xy\)-平面 (\(z=0\)) 反射。這會改變 \(z\) 的符號，但保持 \(x\) 和 \(y\) 不變： $$M = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & -1 \end{pmatrix}$$

行列式與體積比例因子（三維）

對於 \(3 \times 3\) 矩陣 \(M\)，行列式的絕對值 \(|\det(M)|\) 給出了變換的體積比例因子（volume scale factor）。

3.3 恆定點（Invariant Points）與恆定直線（Invariant Lines）

恆定點（Invariant Point）是指變換 \(M\) 後位置不變的點。
若 \(\mathbf{x}\) 為恆定點，則：
$$M\mathbf{x} = \mathbf{x}$$

這可以改寫為：
$$M\mathbf{x} = I\mathbf{x}$$
$$(M - I)\mathbf{x} = \mathbf{0}$$

恆定直線（Invariant Line）是指線上的每一個點在變換後仍落在同一條直線上（直線上的點可能移動，但整條線維持原位）。

覺得困難嗎？想像一面鏡子。鏡子本身就是一個恆定平面。如果你正好站在鏡子上，你就會留在鏡子上（恆定線/平面）。如果你站在鉸鏈線上，那就是恆定點。

第三節重點回顧：矩陣能移動點！行列式是面積（二維）或體積（三維）的比例因子。記住組合順序 \(M_2 M_1\)。恆定點滿足 \((M-I)\mathbf{x} = \mathbf{0}\)。

第四節：特徵值與特徵向量（FP2 水平）

這是矩陣代數中最抽象的概念，但它們在物理和計算等進階應用中非常有用。

4.1 定義與概念

當矩陣 \(M\) 變換一個向量 \(\mathbf{e}\) 時，變換後的向量 \(M\mathbf{e}\) 通常會指向一個完全不同的方向。

然而，某些特殊的向量（稱為特徵向量，Eigenvectors）在變換下僅會被縮放（伸展或壓縮），它們不會改變方向（或者變為相反方向，即乘以一個負的比例因子）。

• 特徵向量（Eigenvector）\(\mathbf{e}\) 是一個非零向量，使得當乘以矩陣 \(M\) 時，結果是 \(\mathbf{e}\) 的純量倍數。
• 特徵值（Eigenvalue），即 \(\lambda\)（lambda），是特徵向量被縮放的純量因子。

此關係總結為特徵值方程式：
$$M\mathbf{e} = \lambda \mathbf{e}$$

課程說明：在本課程中，你只會處理實數特徵值，儘管也存在複數特徵值。重複的特徵值是允許的。

4.2 尋找特徵值：特徵方程式（Characteristic Equation）

為了求出特徵值 \(\lambda\)，我們必須整理特徵值方程式：

$$M\mathbf{e} = \lambda I \mathbf{e}$$ $$M\mathbf{e} - \lambda I \mathbf{e} = \mathbf{0}$$ $$(M - \lambda I)\mathbf{e} = \mathbf{0}$$

由於 \(\mathbf{e}\)（特徵向量）定義為非零向量，這個方程組只有在矩陣 \((M - \lambda I)\) 為奇異矩陣時，才有非平凡解（non-trivial solution）。

因此，特徵值 \(\lambda\) 是特徵方程式的解：
$$\det(M - \lambda I) = 0$$

\(2 \times 2\) 或 \(3 \times 3\) 矩陣計算步驟：

1. 透過從 \(M\) 的主對角線元素減去 \(\lambda\)，形成矩陣 \((M - \lambda I)\)。
2. 計算 \((M - \lambda I)\) 的行列式。
3. 將行列式設為零：\(\det(M - \lambda I) = 0\)。
4. 解出多項式（\(2 \times 2\) 為二次方程，\(3 \times 3\) 為三次方程）以求出 \(\lambda\) 的值。

4.3 尋找特徵向量

一旦求得特徵值 \(\lambda\)，你就可以將 \(\lambda\) 代回以下方程式來求得對應的特徵向量 \(\mathbf{e}\)：
$$(M - \lambda I)\mathbf{e} = \mathbf{0}$$

這會得到一組線性方程組。由於 \(\det(M - \lambda I) = 0\)，這些方程式會線性相關，意味著你會找到一整條可能的向量（特徵向量可以乘以任何常數）。你通常可以選擇最簡單的整數形式作為特徵向量。

常見錯誤：不小心將 \(\mathbf{e} = \mathbf{0}\)。記住，特徵向量必須是非零的！

第四節重點回顧：特徵向量是那些僅被特徵值 \(\lambda\) 縮放的特殊方向。先利用特徵方程式 \(\det(M - \lambda I) = 0\) 求出 \(\lambda\)。