若 $\begin{vmatrix} a_{1} & a_{2} & a_{3} \\ b_{1} & b_{2} & b_{3} \\ c_{1} & c_{2} & c_{3} \end{vmatrix} = m$, 则 $\begin{vmatrix} a_{1} & 2c_{1}-5b_{1} & 3b_{1} \\ a_{2} & 2c_{2}-5b_{2} & 3b_{2} \\ a_{3} & 2c_{3}-5b_{3} & 3b_{3} \end{vmatrix} = ?$
已知二次型 $f\left(x_{1}, x_{2}, x_{3}\right) = 3 x_{1}^{2} + 4 x_{2}^{2} + 3 x_{3}^{2} + 2 x_{1} x_{3}$.
（Ⅰ）求正交矩阵 $\boldsymbol{Q}$, 使正交变换 $\boldsymbol{x} = \boldsymbol{Q} \boldsymbol{y}$ 将 $f\left(x_{1}, x_{2}, x_{3}\right)$ 化为标准形；
（Ⅱ）证明 $\min\limits_{\boldsymbol{x} \neq 0} \dfrac{f\left(\boldsymbol{x}\right)}{\boldsymbol{x}^{\top} \boldsymbol{x}} = 2$.
由二次型 $f$ 的表达式 $f\left(x_{1}, x_{2}, x_{3}\right) = 3 x_{1}^{2} + 4 x_{2}^{2} + 3 x_{3}^{2} + 2 x_{1} x_{3}$ 可知，二次型 $f$ 对应的矩阵 $\boldsymbol{A}$ 为：
$$
\boldsymbol{A} = \begin{pmatrix}
3 & 0 & 1 \\
0 & 4 & 0 \\
1 & 0 & 3
\end{pmatrix}
$$
接着，通过矩阵 $\boldsymbol{A}$ 的特征多项式求解矩阵 $\boldsymbol{A}$ 的特征值：
$$
\begin{aligned}
\begin{vmatrix}
\lambda \boldsymbol{E} – \boldsymbol{A}
\end{vmatrix} & = \begin{vmatrix}
\lambda – 3 & 0 & -1 \\
0 & \lambda – 4 & 0 \\
-1 & 0 & \lambda – 3
\end{vmatrix} \\ \\
& \textcolor{lightgreen}{ \leadsto } \textcolor{gray}{\text{在第二行展开这个行列式}} \\ \\
& = \left(\lambda – 4\right) \begin{vmatrix}
\lambda – 3 & -1 \\
-1 & \lambda – 3
\end{vmatrix} \\ \\
& = \left(\lambda – 4\right) \cdot \left[ \left(\lambda – 3 \right)^{2} – 1 \right] \\ \\
& = \left(\lambda – 4\right) \left(\lambda^{2} – 6 \lambda + 9 – 1\right) \\ \\
& = \left(\lambda – 4\right) \left(\lambda^{2} – 6 \lambda + 8\right) \\ \\
& \textcolor{lightgreen}{ \leadsto } \begin{cases}
\lambda – 4 = 0 \\
\lambda^{2} – 6 \lambda + 8 = 0
\end{cases} \\ \\
& \textcolor{lightgreen}{ \leadsto } \textcolor{lightgreen}{ \lambda_{1} = 2, \, \lambda_{2} = 4, \, \lambda_{3} = 4 }
\end{aligned}
$$
在有的解析中，会先将 $\left(\lambda – 4\right) \left(\lambda^{2} – 6 \lambda + 8\right)$ 转换为 $\left(\lambda – 4\right)^{2} \left(\lambda – 2\right)$ 后，再求解 $\lambda$ 的取值，事实上，这一步完全没有必要. 因为，转换的过程中需要先将 $\left(\lambda^{2} – 6 \lambda + 8\right)$ 转为 $\left( \lambda – 4 \right) \left( \lambda + 2 \right)$, 但在这一步中，我们就已经求解出来了 $\lambda$ 的两个取值.
于是，根据特征值的计算公式 $\left( \lambda_{i} \boldsymbol{E} – \boldsymbol{A} \right) \boldsymbol{\alpha}_{i} = \left( \boldsymbol{A} – \lambda_{i} \boldsymbol{E} \right) \boldsymbol{\alpha}_{i} = 0$, 可知：
$\textcolor{lightgreen}{\blacktriangleright}$ 当 $\lambda = 2$ 时：
$$
2 \boldsymbol{E} – \boldsymbol{A} = \begin{pmatrix}
-1 & 0 & -1 \\
0 & -2 & 0 \\
-1 & 0 & -1
\end{pmatrix} \to \begin{pmatrix}
1 & 0 & 1 \\
0 & 1 & 0 \\
0 & 0 & 0
\end{pmatrix} \to \textcolor{lightgreen}{ \boldsymbol{\alpha}_{3} = \begin{pmatrix}
-1 \\
0 \\
1
\end{pmatrix}
}
$$
$\textcolor{lightgreen}{\blacktriangleright}$ 当 $\lambda = 4$ 时：
$$
4 \boldsymbol{E} – \boldsymbol{A} = \begin{pmatrix}
1 & 0 & -1 \\
0 & 0 & 0 \\
0 & 0 & 0
\end{pmatrix} \to \textcolor{lightgreen}{ \boldsymbol{\alpha}_{1} = \begin{pmatrix}
0 \\
1 \\
0
\end{pmatrix} }, \, \textcolor{lightgreen}{ \boldsymbol{\alpha}_{2} = \begin{pmatrix}
1 \\
0 \\
1
\end{pmatrix} }
$$
$\textcolor{lightgreen}{\blacktriangleright}$ 经过计算验证可知，向量 $\boldsymbol{\alpha}_{1}$, $\boldsymbol{\alpha}_{2}$, $\boldsymbol{\alpha}_{3}$ 已经是正交向量：
$$
\begin{aligned}
& \ \boldsymbol{\alpha}_{1}^{\top} \boldsymbol{\alpha}_{2} = \begin{pmatrix}
0, 1, 0
\end{pmatrix} \begin{pmatrix}
1 \\
0 \\
1
\end{pmatrix} = 0 \\ \\
& \ \boldsymbol{\alpha}_{1}^{\top} \boldsymbol{\alpha}_{3} = \begin{pmatrix}
0, 1, 0
\end{pmatrix} \begin{pmatrix}
-1 \\
0 \\
1
\end{pmatrix} = 0 \\ \\
& \ \boldsymbol{\alpha}_{2}^{\top} \boldsymbol{\alpha}_{3} = \begin{pmatrix}
0, 1, 0
\end{pmatrix} \begin{pmatrix}
-1 \\
0 \\
1
\end{pmatrix} = 0 \\ \\
\end{aligned}
$$
$\textcolor{lightgreen}{\blacktriangleright}$ 因此，直接对向量 $\boldsymbol{\alpha}_{1}$, $\boldsymbol{\alpha}_{2}$, $\boldsymbol{\alpha}_{3}$ 进行单位化即可：
$$
\boldsymbol{\beta}_{1} = \boldsymbol{\alpha}_{1} = \begin{pmatrix}
0 \\ 1 \\ 0
\end{pmatrix}, \, \boldsymbol{\beta}_{2} = \frac{\boldsymbol{\alpha}_{2}}{\left|\boldsymbol{\alpha}_{2}\right|} = \begin{pmatrix}
\frac{1}{\sqrt{2}} \\ 0 \\ \frac{1}{\sqrt{2}}
\end{pmatrix}, \, \boldsymbol{\beta}_{3} = \frac{\boldsymbol{\alpha}_{3}}{\left|\boldsymbol{\alpha}_{3}\right|} = \begin{pmatrix}
\frac{-1}{\sqrt{2}} \\ 0 \\ \frac{1}{\sqrt{2}}
\end{pmatrix}
$$
综上，可得：
$$
\boldsymbol{Q} = \begin{pmatrix}
0 & \frac{1}{\sqrt{2}} & \frac{-1}{\sqrt{2}} \\
1 & 0 & 0 \\
0 & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}}
\end{pmatrix}
$$
同时可知，正交变换 $\boldsymbol{x} = \boldsymbol{Q} \boldsymbol{y}$ 对应的标准型为：
$$
f\left(x_{1}, x_{2}, x_{3}\right) = f = 4 y_{1}^{2} + 4 y_{2}^{2} + 2 y_{3}^{2}
$$
$\textcolor{orange}{\blacktriangleright}$ 注意 1：在上面的计算过程中，之所以由 $\boldsymbol{Q} = \begin{pmatrix} 0 & \frac{1}{\sqrt{2}} & \frac{-1}{\sqrt{2}} \\ 1 & 0 & 0 \\ 0 & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{pmatrix}$ 可以得出 $f = 4 y_{1}^{2} + 4 y_{2}^{2} + 2 y_{3}^{2}$, 是因为，根据二次型的定义可知：$\boldsymbol{Q}^{-1} \boldsymbol{A} \boldsymbol{Q} = \boldsymbol{Q}^{\top} \boldsymbol{A} \boldsymbol{Q} = \begin{pmatrix} 0 & \frac{1}{\sqrt{2}} & \frac{-1}{\sqrt{2}} \\ 1 & 0 & 0 \\ 0 & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{pmatrix}^{\top} \begin{pmatrix} 3 & 0 & 1 \\ 0 & 4 & 0 \\ 1 & 0 & 3 \end{pmatrix} \begin{pmatrix} 0 & \frac{1}{\sqrt{2}} & \frac{-1}{\sqrt{2}} \\ 1 & 0 & 0 \\ 0 & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{pmatrix} = \begin{pmatrix} 4 & 0 & 0 \\ 0 & 4 & 0 \\ 0 & 0 & 2 \end{pmatrix}$.
$\textcolor{orange}{\blacktriangleright}$ 注意 2：根据 $\lambda$ 的先后顺序不同，矩阵 $\boldsymbol{Q}$ 和对应的标准型 $f$ 也可以是如下这些形式：
$$
\begin{aligned}
& \ \textcolor{white}{\blacktriangleright} \boldsymbol{Q} = \begin{pmatrix}
\frac{1}{\sqrt{2}} & 0 & \frac{-1}{\sqrt{2}} \\
0 & 1 & 0 \\
\frac{1}{\sqrt{2}} & 0 & \frac{1}{\sqrt{2}}
\end{pmatrix}, \, f = 4 y_{1}^{2} + 4 y_{2}^{2} + 2 y_{3}^{2} \\ \\
& \ \textcolor{white}{\blacktriangleright} \boldsymbol{Q} = \begin{pmatrix}
\frac{-1}{\sqrt{2}} & 0 & \frac{1}{\sqrt{2}} \\
0 & 1 & 0 \\
\frac{1}{\sqrt{2}} & 0 & \frac{1}{\sqrt{2}}
\end{pmatrix}, \, f = 2 y_{1}^{2} + 4 y_{2}^{2} + 4 y_{3}^{2} \\ \\
& \ \textcolor{white}{\blacktriangleright} \boldsymbol{Q} = \begin{pmatrix}
\frac{-1}{\sqrt{2}} & \frac{1}{\sqrt{2}} & 0 \\
0 & 0 & 1 \\
\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} & 0
\end{pmatrix}, \, f = 2 y_{1}^{2} + 4 y_{2}^{2} + 4 y_{3}^{2} \\ \\
& \ \textcolor{white}{\blacktriangleright} \boldsymbol{Q} = \begin{pmatrix}
0 & \frac{-1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \\
1 & 0 & 0 \\
0 & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}}
\end{pmatrix}, \, f = 4 y_{1}^{2} + 2 y_{2}^{2} + 4 y_{3}^{2} \\ \\
& \ \textcolor{white}{\blacktriangleright} \boldsymbol{Q} = \begin{pmatrix}
\frac{1}{\sqrt{2}} & \frac{-1}{\sqrt{2}} & 0 \\
0 & 0 & 1 \\
\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} & 0
\end{pmatrix}, \, f = 4 y_{1}^{2} + 2 y_{2}^{2} + 4 y_{3}^{2} \\ \\
\end{aligned}
$$
$\textcolor{lightgreen}{\blacktriangleright}$ 分析可知，第（Ⅱ）问要求解的式子 “$\min\limits_{\boldsymbol{x} \neq 0} \dfrac{f\left(\boldsymbol{x}\right)}{\boldsymbol{x}^{\top} \boldsymbol{x}} = 2$” 中向量 $\boldsymbol{x}$ 的内积 “$\boldsymbol{x}^{\top} \boldsymbol{x}$” 实际上就是向量长度的平方，因为向量的长度就是用根号下向量的内积表示的.
例如，向量 $\boldsymbol{x} = \begin{pmatrix} x_{1}, x_{2}, \cdots x_{n} \end{pmatrix}$ 的长度 $\lVert \boldsymbol{x} \rVert$ 为：
$$
\lVert \boldsymbol{x} \rVert = \sqrt{\boldsymbol{x}^{\top} \boldsymbol{x}} = \sqrt{x_{1}^{2} + x_{2}^{2} + \cdots + x_{n}^{2}}
$$
类似的，向量 $\boldsymbol{y} = \begin{pmatrix} y_{1}, y_{2}, \cdots y_{n} \end{pmatrix}$ 的长度 $\lVert \boldsymbol{y} \rVert$ 为：
$$
\lVert \boldsymbol{y} \rVert = \sqrt{\boldsymbol{y}^{\top} \boldsymbol{y}} = \sqrt{y_{1}^{2} + y_{2}^{2} + \cdots + y_{n}^{2}}
$$
$\textcolor{lightgreen}{\blacktriangleright}$ 接着，从「荒原之梦考研数学」的《全面理解正交向量与正交矩阵》这篇讲义可知，正交变换 $\boldsymbol{x} = \boldsymbol{Q} \boldsymbol{y}$ 只会改变向量的方向，不会改变向量的长度，所以：
$$
\begin{aligned}
& \ \lVert \boldsymbol{x} \rVert = \lVert \boldsymbol{y} \rVert \\ \\
\textcolor{lightgreen}{ \leadsto } & \ \lVert \boldsymbol{x} \rVert^{2} = \lVert \boldsymbol{y} \rVert^{2} \\ \\
\textcolor{lightgreen}{ \leadsto } & \ \textcolor{lightgreen}{ \boldsymbol{x}^{\top} \boldsymbol{x} = \boldsymbol{y}^{\top} \boldsymbol{y} }
\end{aligned}
$$
当然，对于 $\textcolor{lightgreen}{ \boldsymbol{x}^{\top} \boldsymbol{x} = \boldsymbol{y}^{\top} \boldsymbol{y} }$ 这个结论，我们也可以通过下面的步骤完成证明：
$$
\begin{aligned}
& \ \boldsymbol{x} = \boldsymbol{Q} \boldsymbol{y} \\ \\
\textcolor{lightgreen}{ \leadsto } & \ \boldsymbol{x}^{\top} \boldsymbol{x} = \left( \boldsymbol{Q} \boldsymbol{y} \right)^{\top} \left( \boldsymbol{Q} \boldsymbol{y} \right) \\ \\
\textcolor{lightgreen}{ \leadsto } & \ \boldsymbol{x}^{\top} \boldsymbol{x} = \boldsymbol{y}^{\top} \boldsymbol{Q}^{\top} \boldsymbol{Q} \boldsymbol{y} \\ \\
\textcolor{lightgreen}{ \leadsto } & \ \boldsymbol{x}^{\top} \boldsymbol{x} = \boldsymbol{y}^{\top} \left( \boldsymbol{Q}^{\top} \boldsymbol{Q} \right) \boldsymbol{y} \\ \\
\textcolor{lightgreen}{ \leadsto } & \ \boldsymbol{x}^{\top} \boldsymbol{x} = \boldsymbol{y}^{\top} \boldsymbol{E} \boldsymbol{y} \\ \\
\textcolor{lightgreen}{ \leadsto } & \ \textcolor{lightgreen}{ \boldsymbol{x}^{\top} \boldsymbol{x} = \boldsymbol{y}^{\top} \boldsymbol{y} }
\end{aligned}
$$
$\textcolor{lightgreen}{\blacktriangleright}$ 综上：
$$
\begin{aligned}
\frac{f}{\boldsymbol{x}^{\top} \boldsymbol{x}} & = \frac{f}{\boldsymbol{y}^{\top} \boldsymbol{y}} \\ \\
& = \frac{4 y_{1}^{2} + 4 y_{2}^{2} + 2 y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} \\ \\
& = \frac{2 y_{1}^{2} + 2 y_{2}^{2} + 2 y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} + \frac{2 y_{1}^{2} + 2 y_{2}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} \\ \\
& = 2 + \frac{2 y_{1}^{2} + 2 y_{2}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}}
\end{aligned}
$$
又因为，$\frac{2 y_{1}^{2} + 2 y_{2}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}}$ 中都是平方项，一定大于等于零，所以：
$$
\frac{f}{\boldsymbol{x}^{\top} \boldsymbol{x}} = 2 + \frac{2 y_{1}^{2} + 2 y_{2}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} \geqslant 2
$$
由于 $\boldsymbol{x} = \boldsymbol{Q} \boldsymbol{y}$, 所以，当 $\boldsymbol{x} = \left( x_{1}, x_{2}, x_{3} \right)$ 的时候，$\boldsymbol{y} = \left( y_{1}, y_{2}, y_{3} \right)$.
$\textcolor{lightgreen}{\blacktriangleright}$ 因此可知，$\min_{\boldsymbol{x} \neq 0} \frac{f}{\boldsymbol{x}^{\top} \boldsymbol{x}} = 2$ 得证.
$\textcolor{orange}{\blacktriangleright}$ 注意 3：虽然下面的式子也是正确的，但是，仅凭下面的式子，我们只能直接得出 $\frac{4 y_{1}^{2} + 4 y_{2}^{2} + 2 y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}}$ 的取值范围在 $\left[ 0, 4 \right]$ 上，而不能直接说 $\frac{4 y_{1}^{2} + 4 y_{2}^{2} + 2 y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}}$ 的最小值为 $2$, 最大值为 $4$:
$$
\frac{4 y_{1}^{2} + 4 y_{2}^{2} + \textcolor{pink}{2} y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} \geqslant \frac{\textcolor{pink}{2} y_{1}^{2} + \textcolor{pink}{2} y_{2}^{2} + \textcolor{pink}{2} y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} = 2
$$
$$
\frac{\textcolor{lightblue}{4} y_{1}^{2} + \textcolor{lightblue}{4} y_{2}^{2} + 2 y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} \leqslant \frac{\textcolor{lightblue}{4} y_{1}^{2} + \textcolor{lightblue}{4} y_{2}^{2} + \textcolor{lightblue}{4} y_{3}^{2}}{y_{1}^{2} + y_{2}^{2} + y_{3}^{2}} = 4
$$
涵盖高等数学基础概念、解题技巧等内容，图文并茂，计算过程清晰严谨。
以独特的视角解析线性代数，让繁复的知识变得直观明了。
通过专题的形式对数学知识结构做必要的补充，使所学知识更加连贯坚实。
根据「荒原之梦考研数学」《相似变换、合同变换和正交变换三者之间的包含关系》这篇讲义可知，正交矩阵是正交变换的基础，同时，我们也知道，正交向量又是正交矩阵的基础.
在本文中，「荒原之梦考研数学」将为同学们详细讲解什么是正交向量，什么是正交矩阵，同时帮助同学们理清楚正交向量与正交矩阵之间的一个容易混淆的知识点.
继续阅读“全面理解正交向量与正交矩阵”设函数 $f\left(x\right)$ 在 $\left(-\infty, +\infty\right)$ 内具有二阶连续导数，证明：$f^{\prime \prime}\left(x\right) \geqslant 0$ 的充分必要条件是对任意的不同实数 $a, b$, 有 $f\left(\frac{a + b}{2}\right) \leqslant \frac{1}{b – a} \int_{a}^{b} f\left(x\right) \mathrm{~d} x$ 成立.
难度评级：
继续阅读“2022考研数二第21题解析：泰勒公式、函数的单调性、拉格朗日中值定理、定积分、不等式的证明、洛必达、极限的保号性”在一些证明过程中，我们会看到诸如“不失一般性地假设”这样的表达，“不妨设”的另一个名字是“不妨设”.
那么，什么是“不妨设”？为什么这样“设”是“不妨”的呢？
在本文中，「荒原之梦考研数学」就给同学们针对上述问题做一个详细的讲解.
继续阅读“什么是“不失一般性地假设”？什么是“不妨设”？”由《峰图 | 从包含关系的视角理解充分条件与必要条件》这篇讲义可知，我们可以用几何图形的相互包含关系表示充分条件和必要条件. 而反证法则可以将对充分条件的证明转为对必要条件的证明，或者将对必要条件的证明转为对充分条件的证明.
在本文中，「荒原之梦考研数学」将通过图示和比喻的方式，帮助同学们快速建立对上述的反证法证明逻辑的形象理解.
继续阅读“峰图 | 从包含关系的视角理解用反证法逆转充分条件和必要条件的证明逻辑”在本文中，「荒原之梦考研数学」将通过绘图的方式，从几何包含关系的视角，帮助同学们建立对数学中“充分条件”、“必要条件”和“充要条件”之间关系的形象理解.
继续阅读“峰图 | 从包含关系的视角理解充分条件与必要条件”已知可微函数 $f\left(u, v\right)$ 满足 $\frac{\partial f\left(u, v\right)}{\partial u} – \frac{\partial f\left(u, v\right)}{\partial v} = 2 \left(u – v\right) \mathrm{e}^{-\left(u + v\right)}$, 且 $f\left(u, 0\right) = u^{2} \mathrm{e}^{-u}$.
（1）记 $g\left(x, y\right) = f\left(x, y – x\right)$, 求 $\frac{\partial g\left(x, y\right)}{\partial x}$;
（2）求 $f\left(u, v\right)$ 的表达式和极值.
已知平面区域 $D = \left\{\left(x, y\right) \mid y – 2 \leqslant x \leqslant \sqrt{4 – y^{2}}, \ 0 \leqslant y \leqslant 2\right\}$, 计算 $I = \iint_{D} \frac{\left(x – y\right)^{2}}{x^{2} + y^{2}} \mathrm{~d}x \mathrm{d}y$.
>> 本文底部有点赞按钮，觉得有帮助，可以点个赞嘛~
设函数 $y \left( x \right)$ 是微分方程 $2 x y^{\prime} – 4 y = 2 \ln x – 1$, 满足条件 $y\left( 1 \right) = \frac{1}{4}$ 的解，求曲线 $y = y\left(x\right) \left( 1 \leqslant x \leqslant e \right)$ 的弧长.
继续阅读“2022考研数二第18题解析：一阶线性微分方程、曲线的弧长”已知函数 $f\left(x\right)$ 在 $x = 1$ 处可导，且 $\lim\limits_{x \to 0} \frac{f\left(\mathrm{e}^{x^{2}}\right) – 3 f\left(1 + \sin^{2} x\right)}{x^{2}} = 2$，求 $f^{\prime}\left(1\right)$.
设 $\boldsymbol{A}$ 为 $3$ 阶矩阵，交换 $\boldsymbol{A}$ 的第 $2$ 行和第 $3$ 行，再将第 $2$ 列的 $-1$ 倍加到第一列，得到矩阵 $\begin{bmatrix} -2 & 1 & -1 \\ 1 & -1 & 0 \\ -1 & 0 & 0 \end{bmatrix}$, 则 $\boldsymbol{A}^{-1}$ 的迹 $\operatorname{tr} \left(\boldsymbol{A}^{-1}\right) = \underline{\qquad\qquad}$.
已知曲线 $L$ 的极坐标方程为 $r = \sin 3 \theta \left( 0 \leqslant \theta \leqslant \frac{\pi}{3} \right)$, 则 $L$ 围成有界区域的面积为 $\underline{\qquad\qquad}$.
$y^{\prime\prime\prime} – 2 y^{\prime\prime} + 5 y^{\prime} = 0$, 通解 $y\left(x\right) = \underline{\qquad\qquad}$.
