1500 字
4 分钟
考研数学学习记录2026-04-27
2026-04-27

考研数学学习记录 | 2026-04-27#

今日学习内容#

今天数学学习共计四个小时,整体覆盖线代、概率论与高数三个模块:

  1. 线代模块:完成了特征值和特征向量的错题复盘,重点梳理了两类核心题型:一是特征值、特征向量的常规求法;二是已知部分特征值或特征向量反求矩阵A的题型,解题关键在于利用题目给出的隐含条件(如迹、行列式)求出第三个未知特征值/特征向量,结合特征向量线性无关性构造可逆矩阵Q与对角化矩阵Λ,最终通过A=QΛQ⁻¹推导出原矩阵。复盘过程中重点结合了A与伴随矩阵A的关联公式进行解题,攻克了此前混淆A特征值与A特征值关系的误区。
  2. 概率论模块:完成了多维随机变量及其分布的收官学习,重点攻克两个高频考点:一是二维(多维)随机变量的最大、最小分布的推导逻辑与公式应用;二是离散型与连续型随机变量混合的函数分布求解方法,通过全概率公式拆分离散变量的取值情况,结合连续变量的分布函数完成积分计算。
  3. 高数模块:完成了针对性刷题练习,系统回忆并巩固了点到平面的距离公式、向量叉乘的运算规则与几何意义,修正了此前对公式系数与运算顺序的记忆偏差。

薄弱点#

  1. 特征值与特征向量的逆向求解题型中,结合伴随矩阵A的考点时,容易混淆A的特征值与原矩阵A的特征值的转换关系,偶尔会记错A*的特征值计算公式;
  2. 多维随机变量的最大、最小分布的边界条件划分容易出错,尤其是在非独立随机变量的场景下,容易误用独立场景的简化公式;
  3. 离散型与连续型混合的随机变量函数分布求解时,积分区间的确定容易出现偏差,导致积分范围计算错误;
  4. 向量叉乘的运算顺序与点到平面距离公式的常数项符号容易混淆,偶尔会出现公式记错的情况。

AI知识点带复盘#

1. 特征值与特征向量模块#

常规求法#

对于n阶矩阵A,特征值λ满足特征方程λEA=0|\lambda E - A|=0,求解得到所有特征值后,代入齐次线性方程组(λEA)x=0(\lambda E - A)\boldsymbol{x}=0,求得基础解系即为对应λ的线性无关特征向量,所有解的线性组合(非零)即为λ对应的全部特征向量。

逆向求矩阵A#

若已知A的部分特征值λ1,λ2\lambda_1,\lambda_2与对应特征向量α1,α2\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,且A可对角化:

  • 利用矩阵的迹tr(A)=λ1+λ2+λ3\text{tr}(A)=\lambda_1+\lambda_2+\lambda_3,可求得第三个特征值λ3\lambda_3
  • 若A为实对称矩阵,则λ3\lambda_3对应的特征向量α3\boldsymbol{\alpha}_3α1,α2\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2正交,可通过正交性求解α3\boldsymbol{\alpha}_3
  • 构造可逆矩阵Q=[α1,α2,α3]Q=[\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\boldsymbol{\alpha}_3],对角矩阵Λ=diag(λ1,λ2,λ3)\Lambda=\text{diag}(\lambda_1,\lambda_2,\lambda_3),则A=QΛQ1A=Q\Lambda Q^{-1},若特征向量正交单位化,则Q为正交矩阵,Q1=QTQ^{-1}=Q^T,计算更简便。

伴随矩阵关联考点#

伴随矩阵A满足AA=AA=AEA^*A=AA^*=|A|E,若λ是A的非零特征值,对应的特征向量为α\boldsymbol{\alpha},则Aα=AA1α=AλαA^*\boldsymbol{\alpha}=|A|A^{-1}\boldsymbol{\alpha}=\frac{|A|}{\lambda} \cdot \boldsymbol{\alpha},即A的特征值为Aλ\frac{|A|}{\lambda},对应特征向量仍为α\boldsymbol{\alpha},这一转换是结合A*考点解题的核心公式。

2. 多维随机变量分布模块#

最大、最小分布#

设X,Y为两个随机变量,联合分布函数为F(x,y)F(x,y)

  • 最大分布:Fmax(z)=P{max(X,Y)z}=P{Xz,Yz}F_{\text{max}}(z) = P\{\text{max}(X,Y) \leq z\} = P\{X \leq z, Y \leq z\},若X,Y独立,则Fmax(z)=FX(z)FY(z)F_{\text{max}}(z)=F_X(z)F_Y(z)
  • 最小分布:Fmin(z)=P{min(X,Y)z}=1P{X>z,Y>z}F_{\text{min}}(z) = P\{\text{min}(X,Y) \leq z\} = 1 - P\{X>z, Y>z\},若X,Y独立,则Fmin(z)=1[1FX(z)][1FY(z)]F_{\text{min}}(z)=1 - [1-F_X(z)][1-F_Y(z)]。 需注意非独立场景下不能直接套用独立简化公式,需通过联合分布直接计算概率。

离散+连续混合函数分布#

设X为离散型随机变量,取值为{xk}\{x_k\},概率为P(X=xk)=pkP(X=x_k)=p_k,Y为连续型随机变量,概率密度为fY(y)f_Y(y),且X,Y独立,则对于Z=g(X,Y)Z=g(X,Y),其分布函数可通过全概率公式拆分: FZ(z)=P{g(X,Y)z}=kP(X=xk)P{g(xk,Y)zX=xk}F_Z(z) = P\{g(X,Y) \leq z\} = \sum_{k} P(X=x_k) \cdot P\{g(x_k,Y) \leq z | X=x_k\} 再根据每个xkx_k对应的g(xk,Y)g(x_k,Y)的形式,结合fY(y)f_Y(y)计算对应的积分概率即可。

3. 高数向量代数模块#

向量叉乘#

设向量a=(ax,ay,az)\boldsymbol{a}=(a_x,a_y,a_z)b=(bx,by,bz)\boldsymbol{b}=(b_x,b_y,b_z),则叉乘结果为: a×b=(aybzazby, azbxaxbz, axbyaybx)\boldsymbol{a} \times \boldsymbol{b} = (a_y b_z - a_z b_y,\ a_z b_x - a_x b_z,\ a_x b_y - a_y b_x) 其几何意义为结果向量垂直于a\boldsymbol{a}b\boldsymbol{b}所在的平面,模长a×b=absinθ|\boldsymbol{a} \times \boldsymbol{b}|=|\boldsymbol{a}||\boldsymbol{b}|\sin\thetaθ\thetaa\boldsymbol{a}b\boldsymbol{b}的夹角,可用于求解平面的法向量。

点到平面距离公式#

设平面的一般式方程为Ax+By+Cz+D=0Ax + By + Cz + D = 0,空间内一点P(x0,y0,z0)P(x_0,y_0,z_0),则点P到该平面的距离为: d=Ax0+By0+Cz0+DA2+B2+C2d = \frac{|Ax_0 + By_0 + Cz_0 + D|}{\sqrt{A^2 + B^2 + C^2}} 需注意平面方程需整理为标准一般式,常数项D的符号不影响绝对值计算结果。

今日小结#

今日共计完成4小时考研数学学习,按计划完成了线代特征值模块的错题复盘、概率论多维随机变量分布的收官学习以及高数向量相关知识点的巩固练习。通过复盘梳理了逆向求矩阵A的完整解题逻辑,明确了伴随矩阵与特征值的关联考点,攻克了混合随机变量分布的解题难点,修正了此前对高数公式的记忆偏差。整体学习节奏平稳,完成了当日预设的全部学习任务,对薄弱考点的认知更加清晰。

💡 碎碎念:稳步积累,持续提升。

文档内容由 AI 辅助生成

分享

如果这篇文章对你有帮助,欢迎分享给更多人!

考研数学学习记录2026-04-27
https://elysiaweb.vercel.app/posts/math/4-27/
作者
程翊雪
发布于
2026-04-27
许可协议
Unlicensed

部分信息可能已经过时

目录