跳到主要内容

Matrices 考纲知识点

1. Eigenvalues and Eigenvectors（特征值与特征向量）​

  • 理解特征值的定义：Av=λvA\mathbf{v} = \lambda\mathbf{v}，v≠0\mathbf{v} \neq \mathbf{0}
  • 会推导特征方程 det⁡(A−λI)=0\det(A - \lambda I) = 0
  • 能求解 2×22 \times 2 和 3×33 \times 3 矩阵的特征值
  • 能通过解 (A−λI)v=0(A - \lambda I)\mathbf{v} = \mathbf{0} 求特征向量
  • 理解特征向量的非零性质

2. Characteristic Equation（特征方程）​

  • 能展开 2×22 \times 2 和 3×33 \times 3 行列式得到特征多项式
  • 能因式分解二次和三次特征多项式
  • 对于 2×22 \times 2 矩阵：λ2−tr⁡(A)λ+det⁡(A)=0\lambda^2 - \operatorname{tr}(A)\lambda + \det(A) = 0
  • 对于 3×33 \times 3 矩阵：−λ3+tr⁡(A)λ2−⋯+det⁡(A)=0-\lambda^3 + \operatorname{tr}(A)\lambda^2 - \cdots + \det(A) = 0（注意符号）

3. Cayley-Hamilton Theorem（Cayley-Hamilton 定理）​

  • 理解定理内容：矩阵 AA 满足其自身的特征方程
  • 能代入 AA 得到矩阵方程
  • 能利用该定理求 A−1A^{-1}、A2A^2、A3A^3 等
  • 能化简矩阵多项式，如 (A−kI)n(A - kI)^n

4. Diagonalization（对角化）​

  • 理解 A=PDP−1A = PDP^{-1} 的含义
  • 能构造 PP（列向量为特征向量）和 DD（对角元为特征值）
  • 会验证 PP 的可逆性（特征向量线性无关）
  • 能计算 P−1P^{-1}

5. Powers of Matrices（矩阵高次幂）​

  • 掌握 An=PDnP−1A^n = PD^nP^{-1}
  • 能计算 AnA^n 用于 nn 较大时的情形
  • 理解 DnD^n 的计算：Dn=diag⁡(λ1n,λ2n,… )D^n = \operatorname{diag}(\lambda_1^n, \lambda_2^n, \dots)
  • 能用此方法求解 A5A^5、A10A^{10} 等
  • 能处理形如 (pA+qI)n(pA + qI)^n 的矩阵表达式
  • 理解若 AA 的特征值为 λ\lambda，则 f(A)f(A) 的特征值为 f(λ)f(\lambda)
  • 理解 f(A)=Pf(D)P−1f(A) = Pf(D)P^{-1}，其中 f(D)=diag⁡(f(λ1),f(λ2),… )f(D) = \operatorname{diag}(f(\lambda_1), f(\lambda_2), \dots)