简介：欢迎来到进阶矩阵代数！
在之前的学习（FP1）中，你已经学过矩阵如何像“食谱”一样，对二维空间中的点进行变换。在 FP3 单元中，我们要更进一步！我们将探讨矩阵在三维空间中的运作方式、如何将积“反转置”（un-transpose），并透过特征值 (eigenvalues) 和特征向量 (eigenvectors) 来深入了解矩阵的“DNA”。这些工具的应用范围极广，从电子游戏的电脑绘图，到预测建筑物在地震中的震动情况，都少不了它们。如果一开始觉得有些抽象，别担心——我们将会一步步为你拆解！
1. 三维空间中的线性变换
三维变换的运作原理与二维相同，只是多了一个坐标 (\(z\))。一个 \(3 \times 3\) 的矩阵可以在三维空间中移动、旋转或拉伸物体。
组合变换
当我们连续进行多次变换时，我们会将矩阵相乘。但请记住，顺序非常重要！
如果你先进行变换 B，再进行变换 A，组合后的矩阵就是 AB。
记忆小撇步：“穿袜与穿鞋”法则
将矩阵乘法想像成穿衣过程。如果 B 是“穿袜子”，而 A 是“穿鞋子”，你会写成 AB（先进行的步骤写在右边）。如果你搞反了顺序，结果会完全不同（而且非常不舒服）！
逆变换
如果一个变换 M 移动了一个图形，那么它的逆矩阵 \(M^{-1}\) 就是“复原”按钮，能将图形精确地移回原来的位置。
重点总结： 对于组合变换，AB 意味着先执行 B，再执行 A。
2. 转置矩阵与其奥秘
矩阵的转置 (transpose)（记作 \(A^T\)）是透过交换矩阵的行与列而得到的。想像一下将矩阵沿着主对角线翻转。
范例： 如果第一行是 \((1, 2, 3)\)，那么在转置矩阵中，它就会变成第一列。
矩阵积的转置
两个矩阵相乘后的转置有一个特殊规则：
\((AB)^T = B^T A^T\)
请留意 A 和 B 的顺序互换了！这是学生最容易失分的地方，请务必多加留意。
快速复习：
1. 转置 = 交换行与列。
2. \((AB)^T = B^T A^T\)（记得反转顺序！）。
3. \(3 \times 3\) 矩阵的行列式与逆矩阵
行列式 (determinant)，写作 \(det(A)\) 或 \(|A|\)，是一个单一的数值，用来表示变换的体积缩放因子。
- 如果 \(det(A) = 5\)，表示变换后图形的体积会变成原来的 5 倍。
- 如果 \(det(A) = 0\)，该矩阵称为奇异矩阵 (singular)。这意味着它将三维图形压扁成二维平面或一维线段（体积消失）。
- 如果 \(det(A) \neq 0\)，该矩阵称为非奇异矩阵 (non-singular)，且具备逆矩阵。
求 \(3 \times 3\) 矩阵的逆矩阵
这是一个多步骤的过程。别慌张，按照这个“食谱”做就好：
1. 求出子矩阵 (Matrix of Minors)（内部每个 \(2 \times 2\) 小方块的行列式）。
2. 应用余因子矩阵 (Matrix of Cofactors)（套用加减符号的“棋盘”）。
3. 将结果转置 (Transpose) 以得到伴随矩阵 (Adjugate matrix)。
4. 乘以 \(\frac{1}{det(A)}\)。
重要规则： 就像转置一样，乘积的逆矩阵也会反转顺序：
\((AB)^{-1} = B^{-1} A^{-1}\)
你知道吗？ 行列式可以是负数！这仅代表该图形在缩放的同时被“由内向外翻转”（反射）了。
4. 特征值与特征向量
听起来是很深奥的术语，但概念其实很美。当矩阵对空间进行变换时，大部分向量都会改变方向。然而，有些特殊的向量只会变长或变短——它们的方向保持不变。这些就是特征向量 (eigenvectors)，而它们被拉伸的倍数就是特征值 (eigenvalue, \(\lambda\))。
核心方程式为： \(A\mathbf{v} = \lambda \mathbf{v}\)
如何求出它们（步骤教学）：
1. 求特征值 (\(\lambda\))： 解特征方程式 \(det(A - \lambda I) = 0\)。对于 \(3 \times 3\) 矩阵，这通常会得出一个三次方程式。
2. 求特征向量 (\(\mathbf{v}\))： 对于每个 \(\lambda\)，将其代回 \((A - \lambda I)\mathbf{v} = 0\) 并解出 \(\mathbf{v}\) 的分量。
3. 标准化向量 (Normalised Vectors)： 有时候考试会要求“标准化”特征向量。这只是要求你缩放向量，使其总长度为 1。
类比： 想像一个旋转的地球仪。表面上的每个点都移动到了新位置，除了旋转轴上的点。旋转轴就像一个特征值为 1 的特征向量（它既不移动也不会被拉伸）！
重点总结： 特征向量是变换中那些“稳定不变”的方向。
5. 对称矩阵的对角化
对称矩阵 (symmetric matrix) 是指满足 \(A = A^T\) 的矩阵。这些矩阵非常特别，因为它们的特征向量彼此永远垂直（正交）。
我们可以利用这点将矩阵简化为对角矩阵 (diagonal matrix)（只有对角线上有数字，其余皆为零）。这会让后续计算轻松得多！
正交矩阵 P
如果我们求出对称矩阵的特征向量并将其标准化，就能将它们放入一个矩阵 P 中。这个矩阵是正交矩阵 (orthogonal)，意味着 \(P^T = P^{-1}\)。
你需要掌握的核心结果是：
\(P^T AP = D\)
其中 D 是一个对角矩阵，其主对角线上的元素就是特征值。
常见错误： 在建立对角矩阵 D 时，请务必确保特征值的顺序与矩阵 P 中对应的特征向量顺序一致！
总结： 对角化就像是利用特征值和特征向量，将矩阵简化为最纯粹的形式。
最后快速检查！
- 运算顺序：\(AB\) 代表先执行 B，再执行 A。
- 反转规则：\((AB)^T = B^T A^T\) 及 \((AB)^{-1} = B^{-1} A^{-1}\)。
- 奇异矩阵：\(det(A) = 0\)（无逆矩阵）。
- 特征方程式：\(A\mathbf{v} = \lambda \mathbf{v}\)。
- 对称矩阵：可对角化为 \(P^T AP = D\)。
矩阵运算因为步骤繁多，有时会让人感到棘手，但只要多加练习，你很快就能看出其中的规律。祝你学习顺利！