矩陣代數進階簡介
歡迎來到進階數學中最具威力的章節之一！到目前為止，你已經學過矩陣如何進行圖形變換以及解方程。在本章中，我們將深入探索矩陣的「核心」，找出它的特徵值（Eigenvalues）與特徵向量（Eigenvectors）。你可以把這些看作矩陣的「DNA」——它們揭示了矩陣拉伸或縮放空間的基本方式。這個課題至關重要，從 Google 的搜尋演算法到工程師研究橋樑震動，無處不在。如果起初覺得概念抽象也別擔心，我們將會循序漸進地為你拆解！
1. 特徵值與特徵向量
想像你對一系列向量進行矩陣變換。大多數向量會偏離原本的路徑並發生旋轉。然而，對於每一個矩陣，總會有特殊的「固執」向量，它們會維持在原本的直線上——它們只會被拉長或縮短。這就是我們的特徵向量，而它們被拉伸的倍數就是特徵值（\(\lambda\)）。先修檢測：單位矩陣
在開始之前，請記住單位矩陣（Identity Matrix，記作 \(I\)）。對於一個 \(2 \times 2\) 的矩陣，\(I = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}\)。將一個矩陣乘以 \(I\)，就像將數字乘以 1 一樣，什麼也不會改變。我們利用 \(\lambda I\) 將純量 \(\lambda\) 轉化為矩陣，以便將其從矩陣 \(A\) 中減去。特徵方程
要找出矩陣 \(A\) 的特徵值，我們需要解特徵方程（Characteristic Equation）：\( \det(A - \lambda I) = 0 \)
逐步過程：
1. 將 \(\lambda\) 從矩陣 \(A\) 的主對角線元素中減去。
2. 計算這個新矩陣的行列式（Determinant）。
3. 將所得的多項式設為零，並解出 \(\lambda\)。
範例：對於 \(2 \times 2\) 矩陣，這通常會得到一個二次方程；對於 \(3 \times 3\) 矩陣，則會得到一個三次方程。
尋找特徵向量
一旦你有了特徵值（\(\lambda\)），將每一個特徵值代回方程式中：\( (A - \lambda I)\mathbf{v} = 0 \)
在此，\(\mathbf{v}\) 是特徵向量 \(\begin{pmatrix} x \\ y \end{pmatrix}\)。你會得到一組聯立方程。由於特徵向量代表的是一個方向，因此答案不只有一個——你所得向量的任何倍數也都是特徵向量！
重點複習：
• 特徵值（\(\lambda\)）：拉伸的縮放比例。
• 特徵向量（\(\mathbf{v}\)）：保持方向不變的向量。
• 正規化向量（Normalised Vector）：長度為 1 的特徵向量。若要將 \(\begin{pmatrix} 3 \\ 4 \end{pmatrix}\) 正規化，請將其除以模長 \(\sqrt{3^2 + 4^2} = 5\)，得到 \(\begin{pmatrix} 0.6 \\ 0.8 \end{pmatrix}\)。
複數與重複的特徵值
有時候，你的二次或三次方程可能會出現重根（Repeated Roots）（例如 \(\lambda = 2, 2, 5\)）或複數根（Complex Roots）（例如 \(\lambda = 3 \pm 2i\)）。• 重複的特徵值：這有時會導致特徵向量的個數少於預期，但在本課程範圍內，你處理的多數情況仍是可以對角化的。
• 複數特徵值：這些通常代表涉及旋轉的變換。如果矩陣包含實數，複數特徵值總是成共軛對（Conjugate Pairs）出現。
核心觀念：特徵值透過解 \(\det(A - \lambda I) = 0\) 求得，而特徵向量則是與這些縮放比例相關的方向。
2. 對角化（Diagonalisation）
矩陣可能會很複雜。對角化是一種將矩陣表示為最簡形式的方法——即對角矩陣（Diagonal Matrix，記作 \(D\)），除了主對角線之外，其餘位置皆為零。公式
如果矩陣 \(A\) 擁有足夠多的特徵向量來構成基底，我們可以寫成：\( A = PDP^{-1} \) 或 \( D = P^{-1}AP \)
其中：
• \(D\)：包含特徵值在主對角線上的對角矩陣。
• \(P\)：模態矩陣（Modal Matrix），其每一列均為對應到 \(D\) 中特徵值的特徵向量。
你知道嗎？對角化矩陣能讓求高次方變得非常簡單。例如，\(A^{10} = PD^{10}P^{-1}\)。由於 \(D\) 是對角矩陣，你只需要將對角線上的個別數字取 10 次方即可！這比將矩陣 \(A\) 自乘十次要快得多。
對稱矩陣與正交對角化
對稱矩陣（Symmetric Matrix）滿足 \(A = A^T\)（主對角線兩側如同鏡像）。它們非常特殊，因為：1. 所有的特徵值必定為實數。
2. 它們的特徵向量必定互相垂直（正交，Orthogonal）。
當我們將這些正交的特徵向量正規化後，矩陣 \(P\) 就會變成正交矩陣（Orthogonal Matrix）。對於正交矩陣，其反矩陣等於其轉置矩陣：\(P^{-1} = P^T\)。
這簡化了我們的公式：\( D = P^T A P \)。
常見錯誤提醒：在建立矩陣 \(P\) 時，務必確保特徵向量的順序與矩陣 \(D\) 中特徵值的順序相匹配。如果 \(\lambda_1\) 是 \(D\) 中的第一個元素，那麼它對應的特徵向量必須是 \(P\) 中的第一列。
核心觀念：對角化利用特徵值與特徵向量簡化矩陣，使高次方等複雜運算變得輕鬆許多。
3. 凱萊-哈密頓定理（Cayley-Hamilton Theorem）
凱萊-哈密頓定理是一個優美且出人意料的規則。它指出：每一個方陣都滿足其自身的特徵方程。這是什麼意思？
如果矩陣 \(A\) 的特徵方程是 \(\lambda^2 - 5\lambda + 6 = 0\)，那麼該定理告訴我們：\( A^2 - 5A + 6I = \mathbf{0} \)
（注意常數 6 如何變成了 \(6I\)，因為我們是在處理矩陣運算，而 0 則變成了零矩陣 \(\mathbf{0}\)）。
這有什麼用？
1. 求反矩陣 (\(A^{-1}\))：不需要使用冗長的行列式方法，你可以重新排列凱萊-哈密頓方程式。
範例：從 \( A^2 - 5A + 6I = \mathbf{0} \) 開始，將所有項乘以 \(A^{-1}\)：
\( A - 5I + 6A^{-1} = \mathbf{0} \)
\( 6A^{-1} = 5I - A \)
\( A^{-1} = \frac{1}{6}(5I - A) \)
2. 求高次方：
你可以將 \(A^3, A^4\) 等表示為 \(A\) 與 \(I\) 的線性組合。這比手動相乘快得多。
記憶小撇步：凱萊-哈密頓定理就像一個「矩陣捷徑」。如果你在解出特徵方程後遇到要求 \(A^{-1}\) 或 \(A^n\) 的題目，這通常就是題目預設的解題路徑！
核心觀念：凱萊-哈密頓定理允許我們在特徵方程中將 \(\lambda\) 換成 \(A\)，從而高效地解出反矩陣與高次方。
本章總結
恭喜你！你已經掌握了進階矩陣代數的核心。以下是重點速查：• 使用 \( \det(A - \lambda I) = 0 \) 求特徵值。
• 使用 \( (A - \lambda I)\mathbf{v} = 0 \) 求特徵向量。
• 使用 \( D = P^{-1}AP \) 進行對角化，簡化矩陣次方運算。
• 對於對稱矩陣，使用正交對角化（\(P^{-1} = P^T\)）。
• 使用凱萊-哈密頓定理將特徵方程轉換為矩陣恆等式，以求反矩陣。
別擔心 \(3 \times 3\) 行列式的計算過程繁瑣——熟能生巧，記得時刻檢查正負號！