簡介：歡迎來到進階矩陣代數！
在之前的學習（FP1）中，你已經學過矩陣如何像「食譜」一樣，對二維空間中的點進行變換。在 FP3 單元中，我們要更進一步！我們將探討矩陣在三維空間中的運作方式、如何將積「反轉置」（un-transpose），並透過特徵值 (eigenvalues) 和特徵向量 (eigenvectors) 來深入了解矩陣的「DNA」。這些工具的應用範圍極廣，從電子遊戲的電腦繪圖，到預測建築物在地震中的震動情況，都少不了它們。如果一開始覺得有些抽象，別擔心——我們將會一步步為你拆解！
1. 三維空間中的線性變換
三維變換的運作原理與二維相同，只是多了一個座標 (\(z\))。一個 \(3 \times 3\) 的矩陣可以在三維空間中移動、旋轉或拉伸物體。
組合變換
當我們連續進行多次變換時，我們會將矩陣相乘。但請記住，順序非常重要！
如果你先進行變換 B，再進行變換 A，組合後的矩陣就是 AB。
記憶小撇步：「穿襪與穿鞋」法則
將矩陣乘法想像成穿衣過程。如果 B 是「穿襪子」，而 A 是「穿鞋子」，你會寫成 AB（先進行的步驟寫在右邊）。如果你搞反了順序，結果會完全不同（而且非常不舒服）！
逆變換
如果一個變換 M 移動了一個圖形，那麼它的逆矩陣 \(M^{-1}\) 就是「復原」按鈕，能將圖形精確地移回原來的位置。
重點總結： 對於組合變換，AB 意味著先執行 B，再執行 A。
2. 轉置矩陣與其奧秘
矩陣的轉置 (transpose)（記作 \(A^T\)）是透過交換矩陣的行與列而得到的。想像一下將矩陣沿著主對角線翻轉。
範例： 如果第一行是 \((1, 2, 3)\)，那麼在轉置矩陣中，它就會變成第一列。
矩陣積的轉置
兩個矩陣相乘後的轉置有一個特殊規則：
\((AB)^T = B^T A^T\)
請留意 A 和 B 的順序互換了！這是學生最容易失分的地方，請務必多加留意。
快速複習：
1. 轉置 = 交換行與列。
2. \((AB)^T = B^T A^T\)（記得反轉順序！）。
3. \(3 \times 3\) 矩陣的行列式與逆矩陣
行列式 (determinant)，寫作 \(det(A)\) 或 \(|A|\)，是一個單一的數值，用來表示變換的體積縮放因子。
- 如果 \(det(A) = 5\)，表示變換後圖形的體積會變成原來的 5 倍。
- 如果 \(det(A) = 0\)，該矩陣稱為奇異矩陣 (singular)。這意味著它將三維圖形壓扁成二維平面或一維線段（體積消失）。
- 如果 \(det(A) \neq 0\)，該矩陣稱為非奇異矩陣 (non-singular)，且具備逆矩陣。
求 \(3 \times 3\) 矩陣的逆矩陣
這是一個多步驟的過程。別慌張，按照這個「食譜」做就好：
1. 求出子矩陣 (Matrix of Minors)（內部每個 \(2 \times 2\) 小方塊的行列式）。
2. 應用餘因子矩陣 (Matrix of Cofactors)（套用加減符號的「棋盤」）。
3. 將結果轉置 (Transpose) 以得到伴隨矩陣 (Adjugate matrix)。
4. 乘以 \(\frac{1}{det(A)}\)。
重要規則： 就像轉置一樣，乘積的逆矩陣也會反轉順序：
\((AB)^{-1} = B^{-1} A^{-1}\)
你知道嗎？ 行列式可以是負數！這僅代表該圖形在縮放的同時被「由內向外翻轉」（反射）了。
4. 特徵值與特徵向量
聽起來是很深奧的術語，但概念其實很美。當矩陣對空間進行變換時，大部分向量都會改變方向。然而，有些特殊的向量只會變長或變短——它們的方向保持不變。這些就是特徵向量 (eigenvectors)，而它們被拉伸的倍數就是特徵值 (eigenvalue, \(\lambda\))。
核心方程式為： \(A\mathbf{v} = \lambda \mathbf{v}\)
如何求出它們（步驟教學）：
1. 求特徵值 (\(\lambda\))： 解特徵方程式 \(det(A - \lambda I) = 0\)。對於 \(3 \times 3\) 矩陣，這通常會得出一個三次方程式。
2. 求特徵向量 (\(\mathbf{v}\))： 對於每個 \(\lambda\)，將其代回 \((A - \lambda I)\mathbf{v} = 0\) 並解出 \(\mathbf{v}\) 的分量。
3. 標準化向量 (Normalised Vectors)： 有時候考試會要求「標準化」特徵向量。這只是要求你縮放向量，使其總長度為 1。
類比： 想像一個旋轉的地球儀。表面上的每個點都移動到了新位置，除了旋轉軸上的點。旋轉軸就像一個特徵值為 1 的特徵向量（它既不移動也不會被拉伸）！
重點總結： 特徵向量是變換中那些「穩定不變」的方向。
5. 對稱矩陣的對角化
對稱矩陣 (symmetric matrix) 是指滿足 \(A = A^T\) 的矩陣。這些矩陣非常特別，因為它們的特徵向量彼此永遠垂直（正交）。
我們可以利用這點將矩陣簡化為對角矩陣 (diagonal matrix)（只有對角線上有數字，其餘皆為零）。這會讓後續計算輕鬆得多！
正交矩陣 P
如果我們求出對稱矩陣的特徵向量並將其標準化，就能將它們放入一個矩陣 P 中。這個矩陣是正交矩陣 (orthogonal)，意味著 \(P^T = P^{-1}\)。
你需要掌握的核心結果是：
\(P^T AP = D\)
其中 D 是一個對角矩陣，其主對角線上的元素就是特徵值。
常見錯誤： 在建立對角矩陣 D 時，請務必確保特徵值的順序與矩陣 P 中對應的特徵向量順序一致！
總結： 對角化就像是利用特徵值和特徵向量，將矩陣簡化為最純粹的形式。
最後快速檢查！
- 運算順序：\(AB\) 代表先執行 B，再執行 A。
- 反轉規則：\((AB)^T = B^T A^T\) 及 \((AB)^{-1} = B^{-1} A^{-1}\)。
- 奇異矩陣：\(det(A) = 0\)（無逆矩陣）。
- 特徵方程式：\(A\mathbf{v} = \lambda \mathbf{v}\)。
- 對稱矩陣：可對角化為 \(P^T AP = D\)。
矩陣運算因為步驟繁多，有時會讓人感到棘手，但只要多加練習，你很快就能看出其中的規律。祝你學習順利！