歡迎來到進階矩陣代數 (Further Matrix Algebra)！
你好！如果你已經進展到 Further Pure 3，說明你已經是一位數學高手了。本章節「進階矩陣代數」看起來或許有些抽象，但它是應用數學中最為強大的工具之一。
別擔心如果矩陣在以前對你來說有點棘手。我們將聚焦於兩個迷人的核心概念：如何利用 3x3 矩陣描述三維空間中的變換，以及如何找出能簡化一切問題的特殊「穩定方向」（特徵向量，Eigenvectors）。
你可以將矩陣想像成幾何學中精密的指令手冊。讓我們深入探索，解鎖它們的秘密吧！
第一節：回顧三維變換
在 FP1 和 FP2 中，你已經掌握了用於二維變換（反射、旋轉、放大縮小）的 2x2 矩陣。現在，我們要利用 3x3 矩陣將其擴展到三維空間。
1.1 理解 3x3 變換矩陣
一個 3x3 矩陣 \(\mathbf{A}\) 會將一個 3D 位置向量 \(\mathbf{r} = \begin{pmatrix} x \\ y \\ z \end{pmatrix}\) 變換為新的位置向量 \(\mathbf{r}' = \mathbf{A}\mathbf{r}\)。
矩陣的結構取決於三個基底向量（basis vectors）的變換結果：
- 第一行（Column 1）：\(\mathbf{i} = \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix}\) 變換後的位置。
- 第二行（Column 2）：\(\mathbf{j} = \begin{pmatrix} 0 \\ 1 \\ 0 \end{pmatrix}\) 變換後的位置。
- 第三行（Column 3）：\(\mathbf{k} = \begin{pmatrix} 0 \\ 0 \\ 1 \end{pmatrix}\) 變換後的位置。
重點：如果你需要找出某個變換的矩陣，只需追蹤單位軸向量（\(\mathbf{i}\)、\(\mathbf{j}\)、\(\mathbf{k}\)）變換後去了哪裡。這些新向量即為變換矩陣的行。
1.2 標準三維變換矩陣
你必須熟悉標準的變換矩陣。以下是幾個重要的例子：
繞軸旋轉
在 3D 旋轉時，旋轉軸保持固定。
範例：繞 z 軸旋轉角度 \(\theta\)。
z 軸固定，所以 \(\mathbf{k}\) 保持不變：\(\begin{pmatrix} 0 \\ 0 \\ 1 \end{pmatrix}\)。上方 2x2 的區塊則負責處理 xy 平面上的標準二維旋轉。
\[ \mathbf{R}_z = \begin{pmatrix} \cos \theta & -\sin \theta & 0 \\ \sin \theta & \cos \theta & 0 \\ 0 & 0 & 1 \end{pmatrix} \]
平面反射
反射矩陣會將垂直於該平面的分量進行翻轉。
範例：在 \(xy\) 平面（\(z=0\)）上的反射。
\(\mathbf{i}\) 和 \(\mathbf{j}\) 位於平面上，因此保持不變。而 \(\mathbf{k}\) 則變為 \(-\mathbf{k}\)。
\[ \mathbf{M}_{xy} = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & -1 \end{pmatrix} \]
放大（縮放）
相對於原點進行比例因子為 \(k\) 的放大（或拉伸）：
\[ \mathbf{E} = \begin{pmatrix} k & 0 & 0 \\ 0 & k & 0 \\ 0 & 0 & k \end{pmatrix} \]
快速複習：幾何詮釋
變換矩陣的行列式（Determinant），\(\det(\mathbf{A})\)，代表了變換後體積的縮放比例。
- 如果 \(\det(\mathbf{A}) = 1\)，則體積不變（例如：旋轉）。
- 如果 \(\det(\mathbf{A}) = -1\)，則體積不變，但方向性（Orientation）反轉（例如：反射）。
- 如果 \(\det(\mathbf{A}) = k^3\)，則體積按 \(k^3\) 倍進行縮放（例如：比例因子為 \(k\) 的放大）。
第二節：特徵值與特徵向量 (Eigenvalues and Eigenvectors)
這是 FP3 矩陣代數的核心概念。它處理的是找出那些在變換後仍保持原方向，僅被縮放了某個因子的特殊向量。
比喻：想像一塊被拉伸的橡皮擦（變換）。大部分的點都會移動並改變方向，但「特徵向量」就像是畫在橡皮擦上的線條，它們只會變長或變短，但始終留在原本的直線上。
2.1 定義特徵值與特徵向量
它們的關係由以下方程定義：
\[ \mathbf{A}\mathbf{v} = \lambda\mathbf{v} \]
- \(\mathbf{A}\) 是矩陣（通常為 2x2 或 3x3）。
- \(\mathbf{v}\) 是特徵向量（那個特殊的方向）。
- \(\lambda\) (lambda) 是特徵值（縮放比例因子）。
注意：特徵向量不能是零向量（\(\mathbf{v} \ne \mathbf{0}\)）。
2.2 步驟說明：尋找特徵值 (\(\lambda\))
為了找出縮放因子 (\(\lambda\))，我們對關鍵方程式進行重組：
\(\mathbf{A}\mathbf{v} = \lambda\mathbf{v}\)
\(\mathbf{A}\mathbf{v} - \lambda\mathbf{v} = \mathbf{0}\)
我們必須引入單位矩陣 \(\mathbf{I}\)，以便正確提取 \(\mathbf{v}\)：
\[ (\mathbf{A} - \lambda\mathbf{I})\mathbf{v} = \mathbf{0} \]
為了得到非平凡解（即 \(\mathbf{v} \ne \mathbf{0}\) 時），矩陣 \((\mathbf{A} - \lambda\mathbf{I})\) 必須是奇異矩陣（不可逆）。
這引出了特徵方程（Characteristic Equation）：
\[ \det(\mathbf{A} - \lambda\mathbf{I}) = 0 \]
操作步驟：
- 建立矩陣 \((\mathbf{A} - \lambda\mathbf{I})\)： 從 \(\mathbf{A}\) 的主對角線元素中減去 \(\lambda\)。
- 計算行列式： 計算 \(\det(\mathbf{A} - \lambda\mathbf{I})\)。對於 3x3 矩陣，這將得到一個關於 \(\lambda\) 的三次多項式。
- 求解方程： 解出 \(\lambda\)。這些解就是你的特徵值。（如果特徵值是整數，你可能需要使用因式定理及綜合除法）。
常見錯誤提醒： 學生常忘記在寫特徵方程時包含單位矩陣 \(\mathbf{I}\)。你不能直接從矩陣（\(\mathbf{A}\)）中減去標量（\(\lambda\)）！
2.3 步驟說明：尋找特徵向量 (\(\mathbf{v}\))
一旦你有了特徵值 (\(\lambda\))，就可以透過將每個 \(\lambda\) 代回定義方程來找出對應的特徵向量：
\[ (\mathbf{A} - \lambda\mathbf{I})\mathbf{v} = \mathbf{0} \]
操作步驟：
- 選擇一個特徵值： 選取其中一個算出的特徵值 \(\lambda_1\)。
- 代入： 將 \(\lambda_1\) 代入 \((\mathbf{A} - \lambda_1\mathbf{I})\)。
- 建立方程組： 設 \(\mathbf{v} = \begin{pmatrix} x \\ y \\ z \end{pmatrix}\)，並根據 \((\mathbf{A} - \lambda_1\mathbf{I})\mathbf{v} = \mathbf{0}\) 寫出線性方程組。
- 求解（參數化）： 因為行列式為零，方程組會是線性相關的。你通常只需要用其中兩個方程來解出 \(x, y, z\) 的比例。
提示：令其中一個變數（通常是 \(z\) 或 \(x\)）等於一個參數，例如 \(t\) 或 \(k\)，然後用這個參數表示其他變數。 - 定義特徵向量： 將特徵向量 \(\mathbf{v}\) 寫成最簡形式（通常透過設定 \(t=1\) 或其他適合的整數，讓分量為整數）。
你知道嗎？ 如果 \(\mathbf{v}\) 是一個特徵向量，那麼 \(\mathbf{v}\) 的任何標量倍數（例如 \(3\mathbf{v}\) 或 \(-0.5\mathbf{v}\)）也是對應於同一個特徵值 \(\lambda\) 的特徵向量。我們通常尋找最簡單的非零整數表達形式。
重點：特徵值的概念
特徵值 (\(\lambda\)) 是透過解特徵多項式得到的標量。特徵向量 (\(\mathbf{v}\)) 是透過將這些標量代回 \((\mathbf{A} - \lambda\mathbf{I})\mathbf{v} = \mathbf{0}\) 得到的向量。
第三節：矩陣對角化 (Diagonalisation)
對角化是將複雜的矩陣 \(\mathbf{A}\) 變換為更簡單的矩陣 \(\mathbf{D}\) 的過程，其中 \(\mathbf{D}\) 是一個對角矩陣（即除了主對角線外，其他所有元素皆為零的矩陣）。
為什麼我們要在意這個？因為對角矩陣非常容易運算，特別是在計算矩陣冪次時。
3.1 對角化過程
我們利用特徵向量和特徵值來構造兩個新的矩陣：
- 模態矩陣（Modal Matrix, \(\mathbf{P}\)）： 此矩陣的各列由 \(\mathbf{A}\) 的特徵向量組成。
- 對角矩陣（\(\mathbf{D}\)）： 此矩陣的對角線上是 \(\mathbf{A}\) 對應的特徵值，其餘位置均為零。
連結這些矩陣的關係式為：
\[ \mathbf{D} = \mathbf{P}^{-1}\mathbf{A}\mathbf{P} \]
如果題目要求你對角化 \(\mathbf{A}\)，你需要找出 \(\mathbf{P}\)、\(\mathbf{D}\)，有時還需要找出 \(\mathbf{P}^{-1}\)。
關鍵步驟：順序很重要！
\(\mathbf{P}\) 中特徵向量的順序必須與 \(\mathbf{D}\) 中特徵值的順序一致。
如果： \[ \mathbf{P} = \begin{pmatrix} | & | & | \\ \mathbf{v}_1 & \mathbf{v}_2 & \mathbf{v}_3 \\ | & | & | \end{pmatrix} \] 則： \[ \mathbf{D} = \begin{pmatrix} \lambda_1 & 0 & 0 \\ 0 & \lambda_2 & 0 \\ 0 & 0 & \lambda_3 \end{pmatrix} \] 其中 \(\mathbf{v}_i\) 是對應於特徵值 \(\lambda_i\) 的特徵向量。
3.2 利用對角化計算矩陣冪次 (\(\mathbf{A}^n\))
這是對角化最主要的应用。計算 \(\mathbf{A}^{10}\) 非常痛苦，但計算 \(\mathbf{D}^{10}\) 卻輕而易舉！
從對角化公式開始： \(\mathbf{D} = \mathbf{P}^{-1}\mathbf{A}\mathbf{P}\)
重組公式以得到 \(\mathbf{A}\)（左乘 \(\mathbf{P}\)，右乘 \(\mathbf{P}^{-1}\)）： \[ \mathbf{A} = \mathbf{P}\mathbf{D}\mathbf{P}^{-1} \]
現在，讓我們計算 \(\mathbf{A}^2\)：
\(\mathbf{A}^2 = (\mathbf{P}\mathbf{D}\mathbf{P}^{-1})(\mathbf{P}\mathbf{D}\mathbf{P}^{-1})\)
因為 \(\mathbf{P}^{-1}\mathbf{P} = \mathbf{I}\)（單位矩陣），中間的項抵消了：
\(\mathbf{A}^2 = \mathbf{P}\mathbf{D}(\mathbf{I})\mathbf{D}\mathbf{P}^{-1} = \mathbf{P}\mathbf{D}^2\mathbf{P}^{-1}\)
推廣到任意冪次 \(n\)： \[ \mathbf{A}^n = \mathbf{P}\mathbf{D}^n\mathbf{P}^{-1} \]
計算 \(\mathbf{D}^n\)：
這是最簡單的部分！如果 \(\mathbf{D}\) 是對角矩陣，你只需要將每個對角元素各自提升至 \(n\) 次方：
如果 \[ \mathbf{D} = \begin{pmatrix} a & 0 & 0 \\ 0 & b & 0 \\ 0 & 0 & c \end{pmatrix} \] 則 \[ \mathbf{D}^n = \begin{pmatrix} a^n & 0 & 0 \\ 0 & b^n & 0 \\ 0 & 0 & c^n \end{pmatrix} \]
因此，要找到 \(\mathbf{A}^n\)，你只需要進行三次矩陣乘法：\(\mathbf{P}\) 乘以 \(\mathbf{D}^n\)，再乘以 \(\mathbf{P}^{-1}\)。
快速複習：對角化步驟
- 找出所有特徵值 \(\lambda_i\)。
- 找出對應的特徵向量 \(\mathbf{v}_i\)。
- 構造模態矩陣 \(\mathbf{P}\)（各列為 \(\mathbf{v}_i\)）。
- 構造對角矩陣 \(\mathbf{D}\)（對角元素為對應的 \(\lambda_i\)）。
- 求模態矩陣的逆矩陣 \(\mathbf{P}^{-1}\)。
- 使用 \(\mathbf{P}\mathbf{D}^n\mathbf{P}^{-1}\) 計算 \(\mathbf{A}^n\)。
總結與最後的鼓勵
你現在已經攻克了本章最進階的概念：理解利用 3x3 矩陣處理三維幾何、發現特徵向量的特殊穩定性，並透過對角化來簡化運算。
記住，本章的重點不僅僅是運算技巧，更在於理解 \(\mathbf{A}\mathbf{v} = \lambda\mathbf{v}\) 在幾何變換上的真正含義。保持練習特徵方程——那是通往成功的鑰匙！你絕對可以做到的！