强化学习课程学习(2)——必备数学基础集锦荨cecilia

下面是常见的一些数学基础概念,建议大家收藏后再仔细阅读,遇到不懂的概念可以直接在这里查~

1.导数定义:

导数和微分的概念

或者:

2.左右导数导数的几何意义和物理意义

函数\(f(x)\)在\(x_0\)处的左、右导数分别定义为:

左导数:

右导数:

3.函数的可导性与连续性之间的关系

Th1:函数f(x)在\(x_0\)处可微\(\Leftrightarrowf(x)在x_0处可导\)

Th2:\(若函数在点x_0处可导,则y=f(x)在点x_0处连续,反之则不成立。即函数连续不一定可导。\)

Th3:

4.平面曲线的切线和法线

切线方程:\(y-{{y}_{0}}=f'({{x}_{0}})(x-{{x}_{0}})\)法线方程:\(y-{{y}_{0}}=-\frac{1}{f'({{x}_{0}})}(x-{{x}_{0}}),f'({{x}_{0}})\ne0\)

5.四则运算法则

6.基本导数与微分表(1)\(y=c(常数){y}'=0dy=0\)(2)\(y={{x}^{\alpha}}(\alpha为实数){y}'=\alpha{{x}^{\alpha-1}}dy=\alpha{{x}^{\alpha-1}}dx\)(3)\(y={{a}^{x}}{y}'={{a}^{x}}\lnady={{a}^{x}}\lnadx特例:({{{e}}^{x}}{)}'={{{e}}^{x}}d({{{e}}^{x}})={{{e}}^{x}}dx\)

(4)\(y={{\log}_{a}}x\)\({y}'=\frac{1}{x\lna}\)

\(dy=\frac{1}{x\lna}dx\)特例:\(y=\lnx\)\((\lnx{)}'=\frac{1}{x}\)\(d(\lnx)=\frac{1}{x}dx\)

(5)\(y=\sinx\)

\({y}'=\cosx\)\(d(\sinx)=\cosxdx\)

(6)\(y=\cosx\)

\({y}'=-\sinxd(\cosx)=-\sinxdx\)

(7)\(y=\tanx\)

\({y}'=\frac{1}{{{\cos}^{2}}x}={{\sec}^{2}}x\)\(d(\tanx)={{\sec}^{2}}xdx\)(8)\(y=\cotx\)\({y}'=-\frac{1}{{{\sin}^{2}}x}=-{{\csc}^{2}}x\)\(d(\cotx)=-{{\csc}^{2}}xdx\)(9)\(y=\secx\)\({y}'=\secx\tanx\)

\(d(\secx)=\secx\tanxdx\)(10)\(y=\cscx\)\({y}'=-\cscx\cotx\)

\(d(\cscx)=-\cscx\cotxdx\)(11)\(y=\arcsinx\)

\({y}'=\frac{1}{\sqrt{1-{{x}^{2}}}}\)

\(d(\arcsinx)=\frac{1}{\sqrt{1-{{x}^{2}}}}dx\)(12)\(y=\arccosx\)

\({y}'=-\frac{1}{\sqrt{1-{{x}^{2}}}}\)\(d(\arccosx)=-\frac{1}{\sqrt{1-{{x}^{2}}}}dx\)

(13)\(y=\arctanx\)

\({y}'=\frac{1}{1+{{x}^{2}}}\)\(d(\arctanx)=\frac{1}{1+{{x}^{2}}}dx\)

(14)\(y=\operatorname{arc}\cotx\)

\({y}'=-\frac{1}{1+{{x}^{2}}}\)

\(d(\operatorname{arc}\cotx)=-\frac{1}{1+{{x}^{2}}}dx\)(15)\(y=shx\)

\({y}'=chx\)\(d(shx)=chxdx\)

(16)\(y=chx\)

\({y}'=shx\)\(d(chx)=shxdx\)

7.复合函数,反函数,隐函数以及参数方程所确定的函数的微分法

(1)反函数的运算法则:\(设y=f(x)在点x的某邻域内单调连续,在点x处可导且{f}'(x)\ne0,则其反函数在点x所对应的y处可导,并且有\frac{dy}{dx}=\frac{1}{\frac{dx}{dy}}\)(2)复合函数的运算法则:\(若\mu=\varphi(x)在点x可导,而y=f(\mu)在对应点\mu(\mu=\varphi(x))可导,则复合函数y=f(\varphi(x))在点x可导,且{y}'={f}'(\mu)\cdot{\varphi}'(x)\)(3)\(隐函数导数\frac{dy}{dx}的求法一般有三种方法:1)方程两边对x求导,要记住y是x的函数,则y的函数是x的复合函数.例如\frac{1}{y},{{y}^{2}},lny,{{{e}}^{y}}等均是x的复合函数.\)对x求导应按复合函数连锁法则做.2)公式法.由F(x,y)=0知\(\frac{dy}{dx}=-\frac{{{{{F}'}}_{x}}(x,y)}{{{{{F}'}}_{y}}(x,y)}其中,,其中,{{{F}'}_{x}}(x,y)\),\({{{F}'}_{y}}(x,y)分别表示分别表示F(x,y)对对x和和y\)的偏导数3)利用微分形式不变性

8.常用高阶导数公式

(1)\(({{a}^{x}}){{\,}^{(n)}}={{a}^{x}}{{\ln}^{n}}a\quad(a>{0})\quad\quad({{{e}}^{x}}){{\,}^{(n)}}={e}{{\,}^{x}}\)(2)\((\sinkx{)}{{\,}^{(n)}}={{k}^{n}}\sin(kx+n\cdot\frac{\pi}{{2}})\)(3)\((\coskx{)}{{\,}^{(n)}}={{k}^{n}}\cos(kx+n\cdot\frac{\pi}{{2}})\)(4)\(({{x}^{m}}){{\,}^{(n)}}=m(m-1)\cdots(m-n+1){{x}^{m-n}}\)(5)\((\lnx){{\,}^{(n)}}={{(-{1})}^{(n-{1})}}\frac{(n-{1})!}{{{x}^{n}}}\)(6)莱布尼兹公式:若\(u(x)\,,v(x)\)均\(n\)阶可导,则\({{(uv)}^{(n)}}=\sum\limits_{i={0}}^{n}{c_{n}^{i}{{u}^{(i)}}{{v}^{(n-i)}}}\),其中\({{u}^{({0})}}=u\),\({{v}^{({0})}}=v\)

9.微分中值定理,泰勒公式

Th1:(费马定理)

若函数\(f(x)\)满足条件:(1)函数\(f(x)\)在\({{x}_{0}}\)的某邻域内有定义,并且在此邻域内恒有\(f(x)\lef({{x}_{0}})\)或\(f(x)\gef({{x}_{0}})\),

(2)\(f(x)\)在\({{x}_{0}}\)处可导,则有\({f}'({{x}_{0}})=0\)

Th2:(罗尔定理)

设函数\(f(x)\)满足条件:(1)在闭区间\([a,b]\)上连续;

(2)在\((a,b)\)内可导;

(3)\(f(a)=f(b)\);

则在\((a,b)\)内一存在个$\xi$,使\({f}'(\xi)=0\)Th3:(拉格朗日中值定理)

设函数\(f(x)\)满足条件:(1)在\([a,b]\)上连续;

则在\((a,b)\)内一存在个$\xi$,使\(\frac{f(b)-f(a)}{b-a}={f}'(\xi)\)

Th4:(柯西中值定理)

设函数\(f(x)\),\(g(x)\)满足条件:(1)在\([a,b]\)上连续;

(2)在\((a,b)\)内可导且\({f}'(x)\),\({g}'(x)\)均存在,且\({g}'(x)\ne0\)

则在\((a,b)\)内存在一个$\xi$,使\(\frac{f(b)-f(a)}{g(b)-g(a)}=\frac{{f}'(\xi)}{{g}'(\xi)}\)

10.洛必达法则法则Ⅰ(\(\frac{0}{0}\)型)设函数\(f\left(x\right),g\left(x\right)\)满足条件:\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,f\left(x\right)=0,\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,g\left(x\right)=0\);

\(f\left(x\right),g\left(x\right)\)在\({{x}_{0}}\)的邻域内可导,(在\({{x}_{0}}\)处可除外)且\({g}'\left(x\right)\ne0\);

\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{{f}'\left(x\right)}{{g}'\left(x\right)}\)存在(或$\infty$)。

则:\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{f\left(x\right)}{g\left(x\right)}=\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{{f}'\left(x\right)}{{g}'\left(x\right)}\)。法则\({{I}'}\)(\(\frac{0}{0}\)型)设函数\(f\left(x\right),g\left(x\right)\)满足条件:\(\underset{x\to\infty}{\mathop{\lim}}\,f\left(x\right)=0,\underset{x\to\infty}{\mathop{\lim}}\,g\left(x\right)=0\);

存在一个\(X>0\),当\(\left|x\right|>X\)时,\(f\left(x\right),g\left(x\right)\)可导,且\({g}'\left(x\right)\ne0\);\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{{f}'\left(x\right)}{{g}'\left(x\right)}\)存在(或$\infty$)。

则\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{f\left(x\right)}{g\left(x\right)}=\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{{f}'\left(x\right)}{{g}'\left(x\right)}\)法则Ⅱ(\(\frac{\infty}{\infty}\)型)设函数\(f\left(x\right),g\left(x\right)\)满足条件:\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,f\left(x\right)=\infty,\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,g\left(x\right)=\infty\);\(f\left(x\right),g\left(x\right)\)在\({{x}_{0}}\)的邻域内可导(在\({{x}_{0}}\)处可除外)且\({g}'\left(x\right)\ne0\);\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{{f}'\left(x\right)}{{g}'\left(x\right)}\)存在(或$\infty\()。则\)\(\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{f\left(x\right)}{g\left(x\right)}=\underset{x\to{{x}_{0}}}{\mathop{\lim}}\,\frac{{f}'\left(x\right)}{{g}'\left(x\right)}\)$同理法则\({I{I}'}\)(\(\frac{\infty}{\infty}\)型)仿法则\({{I}'}\)可写出。

11.泰勒公式

设函数\(f(x)\)在点\({{x}_{0}}\)处的某邻域内具有\(n+1\)阶导数,则对该邻域内异于\({{x}_{0}}\)的任意点\(x\),在\({{x}_{0}}\)与\(x\)之间至少存在一个\(\xi\),使得:\(f(x)=f({{x}_{0}})+{f}'({{x}_{0}})(x-{{x}_{0}})+\frac{1}{2!}{f}''({{x}_{0}}){{(x-{{x}_{0}})}^{2}}+\cdots\)\(+\frac{{{f}^{(n)}}({{x}_{0}})}{n!}{{(x-{{x}_{0}})}^{n}}+{{R}_{n}}(x)\)其中\({{R}_{n}}(x)=\frac{{{f}^{(n+1)}}(\xi)}{(n+1)!}{{(x-{{x}_{0}})}^{n+1}}\)称为\(f(x)\)在点\({{x}_{0}}\)处的\(n\)阶泰勒余项。

令\({{x}_{0}}=0\),则\(n\)阶泰勒公式\(f(x)=f(0)+{f}'(0)x+\frac{1}{2!}{f}''(0){{x}^{2}}+\cdots+\frac{{{f}^{(n)}}(0)}{n!}{{x}^{n}}+{{R}_{n}}(x)\)……(1)其中\({{R}_{n}}(x)=\frac{{{f}^{(n+1)}}(\xi)}{(n+1)!}{{x}^{n+1}}\),$\xi\(在0与\)x$之间.(1)式称为麦克劳林公式

常用五种函数在\({{x}_{0}}=0\)处的泰勒公式

(1)\({{{e}}^{x}}=1+x+\frac{1}{2!}{{x}^{2}}+\cdots+\frac{1}{n!}{{x}^{n}}+\frac{{{x}^{n+1}}}{(n+1)!}{{e}^{\xi}}\)

或\(=1+x+\frac{1}{2!}{{x}^{2}}+\cdots+\frac{1}{n!}{{x}^{n}}+o({{x}^{n}})\)

(2)\(\sinx=x-\frac{1}{3!}{{x}^{3}}+\cdots+\frac{{{x}^{n}}}{n!}\sin\frac{n\pi}{2}+\frac{{{x}^{n+1}}}{(n+1)!}\sin(\xi+\frac{n+1}{2}\pi)\)

或\(=x-\frac{1}{3!}{{x}^{3}}+\cdots+\frac{{{x}^{n}}}{n!}\sin\frac{n\pi}{2}+o({{x}^{n}})\)

(3)\(\cosx=1-\frac{1}{2!}{{x}^{2}}+\cdots+\frac{{{x}^{n}}}{n!}\cos\frac{n\pi}{2}+\frac{{{x}^{n+1}}}{(n+1)!}\cos(\xi+\frac{n+1}{2}\pi)\)

或\(=1-\frac{1}{2!}{{x}^{2}}+\cdots+\frac{{{x}^{n}}}{n!}\cos\frac{n\pi}{2}+o({{x}^{n}})\)

(4)\(\ln(1+x)=x-\frac{1}{2}{{x}^{2}}+\frac{1}{3}{{x}^{3}}-\cdots+{{(-1)}^{n-1}}\frac{{{x}^{n}}}{n}+\frac{{{(-1)}^{n}}{{x}^{n+1}}}{(n+1){{(1+\xi)}^{n+1}}}\)

或\(=x-\frac{1}{2}{{x}^{2}}+\frac{1}{3}{{x}^{3}}-\cdots+{{(-1)}^{n-1}}\frac{{{x}^{n}}}{n}+o({{x}^{n}})\)

(5)\({{(1+x)}^{m}}=1+mx+\frac{m(m-1)}{2!}{{x}^{2}}+\cdots+\frac{m(m-1)\cdots(m-n+1)}{n!}{{x}^{n}}\)\(+\frac{m(m-1)\cdots(m-n+1)}{(n+1)!}{{x}^{n+1}}{{(1+\xi)}^{m-n-1}}\)

或\({{(1+x)}^{m}}=1+mx+\frac{m(m-1)}{2!}{{x}^{2}}+\cdots\),\(+\frac{m(m-1)\cdots(m-n+1)}{n!}{{x}^{n}}+o({{x}^{n}})\)

12.函数单调性的判断Th1:设函数\(f(x)\)在\((a,b)\)区间内可导,如果对\(\forallx\in(a,b)\),都有\(f\,'(x)>0\)(或\(f\,'(x)<0\)),则函数\(f(x)\)在\((a,b)\)内是单调增加的(或单调减少)

Th2:(取极值的必要条件)设函数\(f(x)\)在\({{x}_{0}}\)处可导,且在\({{x}_{0}}\)处取极值,则\(f\,'({{x}_{0}})=0\)。

Th3:(取极值的第一充分条件)设函数\(f(x)\)在\({{x}_{0}}\)的某一邻域内可微,且\(f\,'({{x}_{0}})=0\)(或\(f(x)\)在\({{x}_{0}}\)处连续,但\(f\,'({{x}_{0}})\)不存在。)(1)若当\(x\)经过\({{x}_{0}}\)时,\(f\,'(x)\)由“+”变“-”,则\(f({{x}_{0}})\)为极大值;(2)若当\(x\)经过\({{x}_{0}}\)时,\(f\,'(x)\)由“-”变“+”,则\(f({{x}_{0}})\)为极小值;(3)若\(f\,'(x)\)经过\(x={{x}_{0}}\)的两侧不变号,则\(f({{x}_{0}})\)不是极值。

Th4:(取极值的第二充分条件)设\(f(x)\)在点\({{x}_{0}}\)处有\(f''(x)\ne0\),且\(f\,'({{x}_{0}})=0\),则当\(f'\,'({{x}_{0}})<0\)时,\(f({{x}_{0}})\)为极大值;当\(f'\,'({{x}_{0}})>0\)时,\(f({{x}_{0}})\)为极小值。注:如果\(f'\,'({{x}_{0}})<0\),此方法失效。

13.渐近线的求法(1)水平渐近线若\(\underset{x\to+\infty}{\mathop{\lim}}\,f(x)=b\),或\(\underset{x\to-\infty}{\mathop{\lim}}\,f(x)=b\),则

\(y=b\)称为函数\(y=f(x)\)的水平渐近线。

(2)铅直渐近线若$$\underset{x\tox_{0}^{-}}{\mathop{\lim}},f(x)=\infty$$,或$$\underset{x\tox_{0}^{+}}{\mathop{\lim}},f(x)=\infty$$,则

\(x={{x}_{0}}\)称为\(y=f(x)\)的铅直渐近线。

(3)斜渐近线若\(a=\underset{x\to\infty}{\mathop{\lim}}\,\frac{f(x)}{x},\quadb=\underset{x\to\infty}{\mathop{\lim}}\,[f(x)-ax]\),则\(y=ax+b\)称为\(y=f(x)\)的斜渐近线。

14.函数凹凸性的判断Th1:(凹凸性的判别定理)\(若在I上f''(x)<0(或f''(x)>0),则f(x)在I上是凸的(或凹的)。\)

Th2:(拐点的判别定理1)若在\({{x}_{0}}处处f''(x)=0,(或,(或f''(x)不存在),当不存在),当x变动经过变动经过{{x}_{0}}时,时,f''(x)变号,则变号,则({{x}_{0}},f({{x}_{0}}))\)为拐点。

Th3:(拐点的判别定理2)设\(f(x)\)在\({{x}_{0}}\)点的某邻域内有三阶导数,且\(f''(x)=0\),\(f'''(x)\ne0\),则\(({{x}_{0}},f({{x}_{0}}))\)为拐点。

15.弧微分

\(dS=\sqrt{1+y{{'}^{2}}}dx\)

16.曲率

曲线\(y=f(x)\)在点\((x,y)\)处的曲率\(k=\frac{\left|y''\right|}{{{(1+y{{'}^{2}})}^{\tfrac{3}{2}}}}\)。对于参数方程\(\left\{\begin{align}&x=\varphi(t)\\&y=\psi(t)\\\end{align}\right.,\)\(k=\frac{\left|\varphi'(t)\psi''(t)-\varphi''(t)\psi'(t)\right|}{{{[\varphi{{'}^{2}}(t)+\psi{{'}^{2}}(t)]}^{\tfrac{3}{2}}}}\)。

17.曲率半径

\(曲线在点M处的曲率k(k\ne0)与曲线在点M处的曲率半径\rho有如下关系:\rho=\frac{1}{k}。\)

1.行列式按行(列)展开定理

(1)设\(A=(a_{{ij}})_{n\timesn}\),则:\(a_{i1}A_{j1}+a_{i2}A_{j2}+\cdots+a_{{in}}A_{{jn}}=\begin{cases}|A|,i=j\\0,i\neqj\end{cases}\)

或\(a_{1i}A_{1j}+a_{2i}A_{2j}+\cdots+a_{{ni}}A_{{nj}}=\begin{cases}|A|,i=j\\0,i\neqj\end{cases}\)即\(AA^{*}=A^{*}A=\left|A\right|E,\)其中:\(A^{*}=\begin{pmatrix}A_{11}&A_{12}&\ldots&A_{1n}\\A_{21}&A_{22}&\ldots&A_{2n}\\\ldots&\ldots&\ldots&\ldots\\A_{n1}&A_{n2}&\ldots&A_{{nn}}\\\end{pmatrix}=(A_{{ji}})={(A_{{ij}})}^{T}\)

\(D_{n}=\begin{vmatrix}1&1&\ldots&1\\x_{1}&x_{2}&\ldots&x_{n}\\\ldots&\ldots&\ldots&\ldots\\x_{1}^{n-1}&x_{2}^{n-1}&\ldots&x_{n}^{n-1}\\\end{vmatrix}=\prod_{1\leqj

(2)设\(A,B\)为\(n\)阶方阵,则\(\left|{AB}\right|=\left|A\right|\left|B\right|=\left|B\right|\left|A\right|=\left|{BA}\right|\),但\(\left|A\pmB\right|=\left|A\right|\pm\left|B\right|\)不一定成立。

(3)\(\left|{kA}\right|=k^{n}\left|A\right|\),\(A\)为\(n\)阶方阵。

(4)设\(A\)为\(n\)阶方阵,\(|A^{T}|=|A|;|A^{-1}|=|A|^{-1}\)(若\(A\)可逆),\(|A^{*}|=|A|^{n-1}\)

\(n\geq2\)

(5)\(\left|\begin{matrix}&{A\quadO}\\&{O\quadB}\\\end{matrix}\right|=\left|\begin{matrix}&{A\quadC}\\&{O\quadB}\\\end{matrix}\right|=\left|\begin{matrix}&{A\quadO}\\&{C\quadB}\\\end{matrix}\right|=|A||B|\),\(A,B\)为方阵,但\(\left|\begin{matrix}{O}&A_{m\timesm}\\B_{n\timesn}&{O}\\\end{matrix}\right|=({-1)}^{{mn}}|A||B|\)。

(6)范德蒙行列式\(D_{n}=\begin{vmatrix}1&1&\ldots&1\\x_{1}&x_{2}&\ldots&x_{n}\\\ldots&\ldots&\ldots&\ldots\\x_{1}^{n-1}&x_{2}^{n1}&\ldots&x_{n}^{n-1}\\\end{vmatrix}=\prod_{1\leqj

设\(A\)是\(n\)阶方阵,\(\lambda_{i}(i=1,2\cdots,n)\)是\(A\)的\(n\)个特征值,则\(|A|=\prod_{i=1}^{n}\lambda_{i}\)

矩阵:\(m\timesn\)个数\(a_{{ij}}\)排成\(m\)行\(n\)列的表格\(\begin{bmatrix}a_{11}\quada_{12}\quad\cdots\quada_{1n}\\a_{21}\quada_{22}\quad\cdots\quada_{2n}\\\quad\cdots\cdots\cdots\cdots\cdots\\a_{m1}\quada_{m2}\quad\cdots\quada_{{mn}}\\\end{bmatrix}\)称为矩阵,简记为\(A\),或者\(\left(a_{{ij}}\right)_{m\timesn}\)。若\(m=n\),则称\(A\)是\(n\)阶矩阵或\(n\)阶方阵。

矩阵的线性运算

1.矩阵的加法

设\(A=(a_{{ij}}),B=(b_{{ij}})\)是两个\(m\timesn\)矩阵,则\(m\timesn\)矩阵\(C=c_{{ij}})=a_{{ij}}+b_{{ij}}\)称为矩阵\(A\)与\(B\)的和,记为\(A+B=C\)。

2.矩阵的数乘

设\(A=(a_{{ij}})\)是\(m\timesn\)矩阵,\(k\)是一个常数,则\(m\timesn\)矩阵\((ka_{{ij}})\)称为数\(k\)与矩阵\(A\)的数乘,记为\({kA}\)。

3.矩阵的乘法

设\(A=(a_{{ij}})\)是\(m\timesn\)矩阵,\(B=(b_{{ij}})\)是\(n\timess\)矩阵,那么\(m\timess\)矩阵\(C=(c_{{ij}})\),其中\(c_{{ij}}=a_{i1}b_{1j}+a_{i2}b_{2j}+\cdots+a_{{in}}b_{{nj}}=\sum_{k=1}^{n}{a_{{ik}}b_{{kj}}}\)称为\({AB}\)的乘积,记为\(C=AB\)。

4.\(\mathbf{A}^{\mathbf{T}}\)、\(\mathbf{A}^{\mathbf{-1}}\)、\(\mathbf{A}^{\mathbf{*}}\)三者之间的关系

(1)\({(A^{T})}^{T}=A,{(AB)}^{T}=B^{T}A^{T},{(kA)}^{T}=kA^{T},{(A\pmB)}^{T}=A^{T}\pmB^{T}\)

(2)\(\left(A^{-1}\right)^{-1}=A,\left({AB}\right)^{-1}=B^{-1}A^{-1},\left({kA}\right)^{-1}=\frac{1}{k}A^{-1},\)

但\({(A\pmB)}^{-1}=A^{-1}\pmB^{-1}\)不一定成立。

(3)\(\left(A^{*}\right)^{*}=|A|^{n-2}\A\\(n\geq3)\),\(\left({AB}\right)^{*}=B^{*}A^{*},\)\(\left({kA}\right)^{*}=k^{n-1}A^{*}{\\}\left(n\geq2\right)\)

但\(\left(A\pmB\right)^{*}=A^{*}\pmB^{*}\)不一定成立。

(4)\({(A^{-1})}^{T}={(A^{T})}^{-1},\\left(A^{-1}\right)^{*}={(AA^{*})}^{-1},{(A^{*})}^{T}=\left(A^{T}\right)^{*}\)

5.有关\(\mathbf{A}^{\mathbf{*}}\)的结论

(1)\(AA^{*}=A^{*}A=|A|E\)

(2)\(|A^{*}|=|A|^{n-1}\(n\geq2),\\\\{(kA)}^{*}=k^{n-1}A^{*},{{\\}\left(A^{*}\right)}^{*}=|A|^{n-2}A(n\geq3)\)

(3)若\(A\)可逆,则\(A^{*}=|A|A^{-1},{(A^{*})}^{*}=\frac{1}{|A|}A\)

(4)若\(A\)为\(n\)阶方阵,则:

\(r(A^*)=\begin{cases}n,\quadr(A)=n\\1,\quadr(A)=n-1\\0,\quadr(A)

6.有关\(\mathbf{A}^{\mathbf{-1}}\)的结论

\(A\)可逆\(\LeftrightarrowAB=E;\Leftrightarrow|A|\neq0;\Leftrightarrowr(A)=n;\)

\(\LeftrightarrowA\)可以表示为初等矩阵的乘积;\(\LeftrightarrowA;\LeftrightarrowAx=0\)。

7.有关矩阵秩的结论

(1)秩\(r(A)\)=行秩=列秩;

(2)\(r(A_{m\timesn})\leq\min(m,n);\)

(3)\(A\neq0\Rightarrowr(A)\geq1\);

(4)\(r(A\pmB)\leqr(A)+r(B);\)

(5)初等变换不改变矩阵的秩

(6)\(r(A)+r(B)-n\leqr(AB)\leq\min(r(A),r(B)),\)特别若\(AB=O\)则:\(r(A)+r(B)\leqn\)

(7)若\(A^{-1}\)存在\(\Rightarrowr(AB)=r(B);\)若\(B^{-1}\)存在\(\Rightarrowr(AB)=r(A);\)

若\(r(A_{m\timesn})=n\Rightarrowr(AB)=r(B);\)若\(r(A_{m\timess})=n\Rightarrowr(AB)=r\left(A\right)\)。

(8)\(r(A_{m\timess})=n\LeftrightarrowAx=0\)只有零解

8.分块求逆公式

\(\begin{pmatrix}A&O\\O&B\\\end{pmatrix}^{-1}=\begin{pmatrix}A^{-1}&O\\O&B^{-1}\\\end{pmatrix}\);\(\begin{pmatrix}A&C\\O&B\\\end{pmatrix}^{-1}=\begin{pmatrix}A^{-1}&-A^{-1}CB^{-1}\\O&B^{-1}\\\end{pmatrix}\);

\(\begin{pmatrix}A&O\\C&B\\\end{pmatrix}^{-1}=\begin{pmatrix}A^{-1}&{O}\\-B^{-1}CA^{-1}&B^{-1}\\\end{pmatrix}\);\(\begin{pmatrix}O&A\\B&O\\\end{pmatrix}^{-1}=\begin{pmatrix}O&B^{-1}\\A^{-1}&O\\\end{pmatrix}\)

这里\(A\),\(B\)均为可逆方阵。

1.有关向量组的线性表示

(3)\(\beta\)可以由\(\alpha_{1},\alpha_{2},\cdots,\alpha_{s}\)线性表示\(\Leftrightarrowr(\alpha_{1},\alpha_{2},\cdots,\alpha_{s})=r(\alpha_{1},\alpha_{2},\cdots,\alpha_{s},\beta)\)。

3.有关向量组的线性表示

(3)\(\beta\)可以由\(\alpha_{1},\alpha_{2},\cdots,\alpha_{s}\)线性表示\(\Leftrightarrowr(\alpha_{1},\alpha_{2},\cdots,\alpha_{s})=r(\alpha_{1},\alpha_{2},\cdots,\alpha_{s},\beta)\)

4.向量组的秩与矩阵的秩之间的关系

(1)若\(r(A_{m\timesn})=r=m\),则\(A\)的行向量组线性无关。

(3)若\(r(A_{m\timesn})=r=n\),则\(A\)的列向量组线性无关。

5.\(\mathbf{n}\)维向量空间的基变换公式及过渡矩阵

若\(\alpha_{1},\alpha_{2},\cdots,\alpha_{n}\)与\(\beta_{1},\beta_{2},\cdots,\beta_{n}\)是向量空间\(V\)的两组基,则基变换公式为:

\((\beta_{1},\beta_{2},\cdots,\beta_{n})=(\alpha_{1},\alpha_{2},\cdots,\alpha_{n})\begin{bmatrix}c_{11}&c_{12}&\cdots&c_{1n}\\c_{21}&c_{22}&\cdots&c_{2n}\\\cdots&\cdots&\cdots&\cdots\\c_{n1}&c_{n2}&\cdots&c_{{nn}}\\\end{bmatrix}=(\alpha_{1},\alpha_{2},\cdots,\alpha_{n})C\)

其中\(C\)是可逆矩阵,称为由基\(\alpha_{1},\alpha_{2},\cdots,\alpha_{n}\)到基\(\beta_{1},\beta_{2},\cdots,\beta_{n}\)的过渡矩阵。

6.坐标变换公式

若向量\(\gamma\)在基\(\alpha_{1},\alpha_{2},\cdots,\alpha_{n}\)与基\(\beta_{1},\beta_{2},\cdots,\beta_{n}\)的坐标分别是\(X={(x_{1},x_{2},\cdots,x_{n})}^{T}\),

\(Y=\left(y_{1},y_{2},\cdots,y_{n}\right)^{T}\)即:\(\gamma=x_{1}\alpha_{1}+x_{2}\alpha_{2}+\cdots+x_{n}\alpha_{n}=y_{1}\beta_{1}+y_{2}\beta_{2}+\cdots+y_{n}\beta_{n}\),则向量坐标变换公式为\(X=CY\)或\(Y=C^{-1}X\),其中\(C\)是从基\(\alpha_{1},\alpha_{2},\cdots,\alpha_{n}\)到基\(\beta_{1},\beta_{2},\cdots,\beta_{n}\)的过渡矩阵。

7.向量的内积

\((\alpha,\beta)=a_{1}b_{1}+a_{2}b_{2}+\cdots+a_{n}b_{n}=\alpha^{T}\beta=\beta^{T}\alpha\)

8.Schmidt正交化

若\(\alpha_{1},\alpha_{2},\cdots,\alpha_{s}\)线性无关,则可构造\(\beta_{1},\beta_{2},\cdots,\beta_{s}\)使其两两正交,且\(\beta_{i}\)仅是\(\alpha_{1},\alpha_{2},\cdots,\alpha_{i}\)的线性组合\((i=1,2,\cdots,n)\),再把\(\beta_{i}\)单位化,记\(\gamma_{i}=\frac{\beta_{i}}{\left|\beta_{i}\right|}\),则\(\gamma_{1},\gamma_{2},\cdots,\gamma_{i}\)是规范正交向量组。其中\(\beta_{1}=\alpha_{1}\),\(\beta_{2}=\alpha_{2}-\frac{(\alpha_{2},\beta_{1})}{(\beta_{1},\beta_{1})}\beta_{1}\),\(\beta_{3}=\alpha_{3}-\frac{(\alpha_{3},\beta_{1})}{(\beta_{1},\beta_{1})}\beta_{1}-\frac{(\alpha_{3},\beta_{2})}{(\beta_{2},\beta_{2})}\beta_{2}\),

............

\(\beta_{s}=\alpha_{s}-\frac{(\alpha_{s},\beta_{1})}{(\beta_{1},\beta_{1})}\beta_{1}-\frac{(\alpha_{s},\beta_{2})}{(\beta_{2},\beta_{2})}\beta_{2}-\cdots-\frac{(\alpha_{s},\beta_{s-1})}{(\beta_{s-1},\beta_{s-1})}\beta_{s-1}\)

9.正交基及规范正交基

向量空间一组基中的向量如果两两正交,就称为正交基;若正交基中每个向量都是单位向量,就称其为规范正交基。

1.克莱姆法则

线性方程组\(\begin{cases}a_{11}x_{1}+a_{12}x_{2}+\cdots+a_{1n}x_{n}=b_{1}\\a_{21}x_{1}+a_{22}x_{2}+\cdots+a_{2n}x_{n}=b_{2}\\\quad\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots\\a_{n1}x_{1}+a_{n2}x_{2}+\cdots+a_{{nn}}x_{n}=b_{n}\\\end{cases}\),如果系数行列式\(D=\left|A\right|\neq0\),则方程组有唯一解,\(x_{1}=\frac{D_{1}}{D},x_{2}=\frac{D_{2}}{D},\cdots,x_{n}=\frac{D_{n}}{D}\),其中\(D_{j}\)是把\(D\)中第\(j\)列元素换成方程组右端的常数列所得的行列式。

2.\(n\)阶矩阵\(A\)可逆\(\LeftrightarrowAx=0\)只有零解。\(\Leftrightarrow\forallb,Ax=b\)总有唯一解,一般地,\(r(A_{m\timesn})=n\LeftrightarrowAx=0\)只有零解。

3.非奇次线性方程组有解的充分必要条件,线性方程组解的性质和解的结构

(1)设\(A\)为\(m\timesn\)矩阵,若\(r(A_{m\timesn})=m\),则对\(Ax=b\)而言必有\(r(A)=r(A\vdotsb)=m\),从而\(Ax=b\)有解。

(2)设\(x_{1},x_{2},\cdotsx_{s}\)为\(Ax=b\)的解,则\(k_{1}x_{1}+k_{2}x_{2}\cdots+k_{s}x_{s}\)当\(k_{1}+k_{2}+\cdots+k_{s}=1\)时仍为\(Ax=b\)的解;但当\(k_{1}+k_{2}+\cdots+k_{s}=0\)时,则为\(Ax=0\)的解。特别\(\frac{x_{1}+x_{2}}{2}\)为\(Ax=b\)的解;\(2x_{3}-(x_{1}+x_{2})\)为\(Ax=0\)的解。

(3)非齐次线性方程组\({Ax}=b\)无解\(\Leftrightarrowr(A)+1=r(\overline{A})\Leftrightarrowb\)不能由\(A\)的列向量\(\alpha_{1},\alpha_{2},\cdots,\alpha_{n}\)线性表示。

4.奇次线性方程组的基础解系和通解,解空间,非奇次线性方程组的通解

(1)齐次方程组\({Ax}=0\)恒有解(必有零解)。当有非零解时,由于解向量的任意线性组合仍是该齐次方程组的解向量,因此\({Ax}=0\)的全体解向量构成一个向量空间,称为该方程组的解空间,解空间的维数是\(n-r(A)\),解空间的一组基称为齐次方程组的基础解系。

(2)\(\eta_{1},\eta_{2},\cdots,\eta_{t}\)是\({Ax}=0\)的基础解系,即:

1.矩阵的特征值和特征向量的概念及性质

(1)设\(\lambda\)是\(A\)的一个特征值,则\({kA},{aA}+{bE},A^{2},A^{m},f(A),A^{T},A^{-1},A^{*}\)有一个特征值分别为\({kλ},{aλ}+b,\lambda^{2},\lambda^{m},f(\lambda),\lambda,\lambda^{-1},\frac{|A|}{\lambda},\)且对应特征向量相同(\(A^{T}\)例外)。

(2)若\(\lambda_{1},\lambda_{2},\cdots,\lambda_{n}\)为\(A\)的\(n\)个特征值,则\(\sum_{i=1}^{n}\lambda_{i}=\sum_{i=1}^{n}a_{{ii}},\prod_{i=1}^{n}\lambda_{i}=|A|\),从而\(|A|\neq0\LeftrightarrowA\)没有特征值。

(3)设\(\lambda_{1},\lambda_{2},\cdots,\lambda_{s}\)为\(A\)的\(s\)个特征值,对应特征向量为\(\alpha_{1},\alpha_{2},\cdots,\alpha_{s}\),

若:\(\alpha=k_{1}\alpha_{1}+k_{2}\alpha_{2}+\cdots+k_{s}\alpha_{s}\),

则:\(A^{n}\alpha=k_{1}A^{n}\alpha_{1}+k_{2}A^{n}\alpha_{2}+\cdots+k_{s}A^{n}\alpha_{s}=k_{1}\lambda_{1}^{n}\alpha_{1}+k_{2}\lambda_{2}^{n}\alpha_{2}+\cdotsk_{s}\lambda_{s}^{n}\alpha_{s}\)。

2.相似变换、相似矩阵的概念及性质

(1)若\(A\simB\),则

3.矩阵可相似对角化的充分必要条件

(1)设\(A\)为\(n\)阶方阵,则\(A\)可对角化\(\Leftrightarrow\)对每个\(k_{i}\)重根特征值\(\lambda_{i}\),有\(n-r(\lambda_{i}E-A)=k_{i}\)

(2)设\(A\)可对角化,则由\(P^{-1}{AP}=\Lambda,\)有\(A={PΛ}P^{-1}\),从而\(A^{n}=P\Lambda^{n}P^{-1}\)

(3)重要结论

4.实对称矩阵的特征值、特征向量及相似对角阵

(1)相似矩阵:设\(A,B\)为两个\(n\)阶方阵,如果存在一个可逆矩阵\(P\),使得\(B=P^{-1}{AP}\)成立,则称矩阵\(A\)与\(B\)相似,记为\(A\simB\)。

(2)相似矩阵的性质:如果\(A\simB\)则有:

1.\(\mathbf{n}\)个变量\(\mathbf{x}_{\mathbf{1}}\mathbf{,}\mathbf{x}_{\mathbf{2}}\mathbf{,\cdots,}\mathbf{x}_{\mathbf{n}}\)的二次齐次函数

\(f(x_{1},x_{2},\cdots,x_{n})=\sum_{i=1}^{n}{\sum_{j=1}^{n}{a_{{ij}}x_{i}y_{j}}}\),其中\(a_{{ij}}=a_{{ji}}(i,j=1,2,\cdots,n)\),称为\(n\)元二次型,简称二次型.若令\(x=\\begin{bmatrix}x_{1}\\x_{1}\\\vdots\\x_{n}\\\end{bmatrix},A=\begin{bmatrix}a_{11}&a_{12}&\cdots&a_{1n}\\a_{21}&a_{22}&\cdots&a_{2n}\\\cdots&\cdots&\cdots&\cdots\\a_{n1}&a_{n2}&\cdots&a_{{nn}}\\\end{bmatrix}\),这二次型\(f\)可改写成矩阵向量形式\(f=x^{T}{Ax}\)。其中\(A\)称为二次型矩阵,因为\(a_{{ij}}=a_{{ji}}(i,j=1,2,\cdots,n)\),所以二次型矩阵均为对称矩阵,且二次型与对称矩阵一一对应,并把矩阵\(A\)的秩称为二次型的秩。

2.惯性定理,二次型的标准形和规范形

(1)惯性定理

对于任一二次型,不论选取怎样的合同变换使它化为仅含平方项的标准型,其正负惯性指数与所选变换无关,这就是所谓的惯性定理。

(2)标准形

二次型\(f=\left(x_{1},x_{2},\cdots,x_{n}\right)=x^{T}{Ax}\)经过合同变换\(x={Cy}\)化为\(f=x^{T}{Ax}=y^{T}C^{T}{AC}\)

\(y=\sum_{i=1}^{r}{d_{i}y_{i}^{2}}\)称为\(f(r\leqn)\)的标准形。在一般的数域内,二次型的标准形不是唯一的,与所作的合同变换有关,但系数不为零的平方项的个数由\(r(A)\)唯一确定。

(3)规范形

任一实二次型\(f\)都可经过合同变换化为规范形\(f=z_{1}^{2}+z_{2}^{2}+\cdotsz_{p}^{2}-z_{p+1}^{2}-\cdots-z_{r}^{2}\),其中\(r\)为\(A\)的秩,\(p\)为正惯性指数,\(r-p\)为负惯性指数,且规范型唯一。

3.用正交变换和配方法化二次型为标准形,二次型及其矩阵的正定性

设\(A\)正定\(\Rightarrow{kA}(k>0),A^{T},A^{-1},A^{*}\)正定;\(|A|>0\),\(A\)可逆;\(a_{{ii}}>0\),且\(|A_{{ii}}|>0\)

\(A\),\(B\)正定\(\RightarrowA+B\)正定,但\({AB}\),\({BA}\)不一定正定

\(A\)正定\(\Leftrightarrowf(x)=x^{T}{Ax}>0,\forallx\neq0\)

\(\LeftrightarrowA\)的各阶顺序主子式全大于零

\(\LeftrightarrowA\)的所有特征值大于零

\(\LeftrightarrowA\)的正惯性指数为\(n\)

\(\Leftrightarrow\)存在可逆阵\(P\)使\(A=P^{T}P\)

\(\Leftrightarrow\)存在正交矩阵\(Q\),使\(Q^{T}{AQ}=Q^{-1}{AQ}=\begin{pmatrix}\lambda_{1}&&\\\begin{matrix}&\\&\\\end{matrix}&\ddots&\\&&\lambda_{n}\\\end{pmatrix},\)

其中\(\lambda_{i}>0,i=1,2,\cdots,n.\)正定\(\Rightarrow{kA}(k>0),A^{T},A^{-1},A^{*}\)正定;\(|A|>0,A\)可逆;\(a_{{ii}}>0\),且\(|A_{{ii}}|>0\)。

1.事件的关系与运算

(1)子事件:\(A\subsetB\),若\(A\)发生,则\(B\)发生。

(2)相等事件:\(A=B\),即\(A\subsetB\),且\(B\subsetA\)。

(3)和事件:\(A\bigcupB\)(或\(A+B\)),\(A\)与\(B\)中至少有一个发生。

(4)差事件:\(A-B\),\(A\)发生但\(B\)不发生。

(5)积事件:\(A\bigcapB\)(或\({AB}\)),\(A\)与\(B\)同时发生。

(6)互斥事件(互不相容):\(A\bigcapB\)=\(\varnothing\)。

(7)互逆事件(对立事件):\(A\bigcapB=\varnothing,A\bigcupB=\Omega,A=\bar{B},B=\bar{A}\)2.运算律(1)交换律:\(A\bigcupB=B\bigcupA,A\bigcapB=B\bigcapA\)(2)结合律:\((A\bigcupB)\bigcupC=A\bigcup(B\bigcupC)\)(3)分配律:\((A\bigcapB)\bigcapC=A\bigcap(B\bigcapC)\)3.德$\centerdot$摩根律

\(\overline{A\bigcupB}=\bar{A}\bigcap\bar{B}\)\(\overline{A\bigcapB}=\bar{A}\bigcup\bar{B}\)4.完全事件组

\({{A}_{1}}{{A}_{2}}\cdots{{A}_{n}}\)两两互斥,且和事件为必然事件,即${{A}{i}}\bigcap{{A}{j}}=\varnothing,i\nej,\underset{i=1}{\overset{n}{\mathop\bigcup}},=\Omega$

5.概率的基本公式(1)条件概率:\(P(B|A)=\frac{P(AB)}{P(A)}\),表示\(A\)发生的条件下,\(B\)发生的概率。(2)全概率公式:\(P(A)=\sum\limits_{i=1}^{n}{P(A|{{B}_{i}})P({{B}_{i}}),{{B}_{i}}{{B}_{j}}}=\varnothing,i\nej,\underset{i=1}{\overset{n}{\mathop{\bigcup}}}\,{{B}_{i}}=\Omega\)(3)Bayes公式:

\(P({{B}_{j}}|A)=\frac{P(A|{{B}_{j}})P({{B}_{j}})}{\sum\limits_{i=1}^{n}{P(A|{{B}_{i}})P({{B}_{i}})}},j=1,2,\cdots,n\)注:上述公式中事件\({{B}_{i}}\)的个数可为可列个。(4)乘法公式:\(P({{A}_{1}}{{A}_{2}})=P({{A}_{1}})P({{A}_{2}}|{{A}_{1}})=P({{A}_{2}})P({{A}_{1}}|{{A}_{2}})\)\(P({{A}_{1}}{{A}_{2}}\cdots{{A}_{n}})=P({{A}_{1}})P({{A}_{2}}|{{A}_{1}})P({{A}_{3}}|{{A}_{1}}{{A}_{2}})\cdotsP({{A}_{n}}|{{A}_{1}}{{A}_{2}}\cdots{{A}_{n-1}})\)

6.事件的独立性(1)\(A\)与\(B\)相互独立\(\LeftrightarrowP(AB)=P(A)P(B)\)(2)\(A\),\(B\),\(C\)两两独立\(\LeftrightarrowP(AB)=P(A)P(B)\);\(P(BC)=P(B)P(C)\);\(P(AC)=P(A)P(C)\);(3)\(A\),\(B\),\(C\)相互独立\(\LeftrightarrowP(AB)=P(A)P(B)\);\(P(BC)=P(B)P(C)\);\(P(AC)=P(A)P(C)\);\(P(ABC)=P(A)P(B)P(C)\)

7.独立重复试验

1.随机变量及概率分布

取值带有随机性的变量,严格地说是定义在样本空间上,取值于实数的函数称为随机变量,概率分布通常指分布函数或分布律

2.分布函数的概念与性质

定义:\(F(x)=P(X\leqx),-\infty

性质:(1)\(0\leqF(x)\leq1\)

(2)\(F(x)\)单调不减

(3)右连续\(F(x+0)=F(x)\)

(4)\(F(-\infty)=0,F(+\infty)=1\)

3.离散型随机变量的概率分布

\(P(X=x_{i})=p_{i},i=1,2,\cdots,n,\cdots\quad\quadp_{i}\geq0,\sum_{i=1}^{\infty}p_{i}=1\)

4.连续型随机变量的概率密度

概率密度\(f(x)\);非负可积,且:

(1)\(f(x)\geq0,\)

(2)\(\int_{-\infty}^{+\infty}{f(x){dx}=1}\)

(3)\(x\)为\(f(x)\)的连续点,则:

\(f(x)=F'(x)\)分布函数\(F(x)=\int_{-\infty}^{x}{f(t){dt}}\)

5.常见分布

(1)0-1分布:\(P(X=k)=p^{k}{(1-p)}^{1-k},k=0,1\)

(2)二项分布:\(B(n,p)\):\(P(X=k)=C_{n}^{k}p^{k}{(1-p)}^{n-k},k=0,1,\cdots,n\)

(3)Poisson分布:\(p(\lambda)\):\(P(X=k)=\frac{\lambda^{k}}{k!}e^{-\lambda},\lambda>0,k=0,1,2\cdots\)

(4)均匀分布\(U(a,b)\):\(f(x)=\{\begin{matrix}&\frac{1}{b-a},a

(5)正态分布:\(N(\mu,\sigma^{2}):\)\(\varphi(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{{(x-\mu)}^{2}}{2\sigma^{2}}},\sigma>0,\infty

(6)指数分布:$E(\lambda):f(x)={\begin{matrix}&\lambdae^{-{λx}},x>0,\lambda>0\&0,\\end{matrix}$

(7)几何分布:\(G(p):P(X=k)={(1-p)}^{k-1}p,0

(8)超几何分布:\(H(N,M,n):P(X=k)=\frac{C_{M}^{k}C_{N-M}^{n-k}}{C_{N}^{n}},k=0,1,\cdots,min(n,M)\)

6.随机变量函数的概率分布

(1)离散型:\(P(X=x_{1})=p_{i},Y=g(X)\)

则:\(P(Y=y_{j})=\sum_{g(x_{i})=y_{i}}^{}{P(X=x_{i})}\)

(2)连续型:\(X\tilde{\}f_{X}(x),Y=g(x)\)

则:\(F_{y}(y)=P(Y\leqy)=P(g(X)\leqy)=\int_{g(x)\leqy}^{}{f_{x}(x)dx}\),\(f_{Y}(y)=F'_{Y}(y)\)

7.重要公式与结论

(1)\(X\simN(0,1)\Rightarrow\varphi(0)=\frac{1}{\sqrt{2\pi}},\Phi(0)=\frac{1}{2},\)\(\Phi(-a)=P(X\leq-a)=1-\Phi(a)\)

(2)\(X\simN\left(\mu,\sigma^{2}\right)\Rightarrow\frac{X-\mu}{\sigma}\simN\left(0,1\right),P(X\leqa)=\Phi(\frac{a-\mu}{\sigma})\)

(3)\(X\simE(\lambda)\RightarrowP(X>s+t|X>s)=P(X>t)\)

(4)\(X\simG(p)\RightarrowP(X=m+k|X>m)=P(X=k)\)

(5)离散型随机变量的分布函数为阶梯间断函数;连续型随机变量的分布函数为连续函数,但不一定为处处可导函数。

(6)存在既非离散也非连续型随机变量。

1.二维随机变量及其联合分布

由两个随机变量构成的随机向量\((X,Y)\),联合分布为\(F(x,y)=P(X\leqx,Y\leqy)\)

2.二维离散型随机变量的分布

(1)联合概率分布律\(P\{X=x_{i},Y=y_{j}\}=p_{{ij}};i,j=1,2,\cdots\)

(2)边缘分布律\(p_{i\cdot}=\sum_{j=1}^{\infty}p_{{ij}},i=1,2,\cdots\)\(p_{\cdotj}=\sum_{i}^{\infty}p_{{ij}},j=1,2,\cdots\)

(3)条件分布律\(P\{X=x_{i}|Y=y_{j}\}=\frac{p_{{ij}}}{p_{\cdotj}}\)\(P\{Y=y_{j}|X=x_{i}\}=\frac{p_{{ij}}}{p_{i\cdot}}\)

3.二维连续性随机变量的密度

(1)联合概率密度\(f(x,y):\)

(2)分布函数:\(F(x,y)=\int_{-\infty}^{x}{\int_{-\infty}^{y}{f(u,v)dudv}}\)

(3)边缘概率密度:\(f_{X}\left(x\right)=\int_{-\infty}^{+\infty}{f\left(x,y\right){dy}}\)\(f_{Y}(y)=\int_{-\infty}^{+\infty}{f(x,y)dx}\)

(4)条件概率密度:\(f_{X|Y}\left(x\middle|y\right)=\frac{f\left(x,y\right)}{f_{Y}\left(y\right)}\)\(f_{Y|X}(y|x)=\frac{f(x,y)}{f_{X}(x)}\)

4.常见二维随机变量的联合分布

(1)二维均匀分布:\((x,y)\simU(D)\),\(f(x,y)=\begin{cases}\frac{1}{S(D)},(x,y)\inD\\0,其他\end{cases}\)

(2)二维正态分布:\((X,Y)\simN(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)\),\((X,Y)\simN(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)\)

\(f(x,y)=\frac{1}{2\pi\sigma_{1}\sigma_{2}\sqrt{1-\rho^{2}}}.\exp\left\{\frac{-1}{2(1-\rho^{2})}\lbrack\frac{{(x-\mu_{1})}^{2}}{\sigma_{1}^{2}}-2\rho\frac{(x-\mu_{1})(y-\mu_{2})}{\sigma_{1}\sigma_{2}}+\frac{{(y-\mu_{2})}^{2}}{\sigma_{2}^{2}}\rbrack\right\}\)

\(X\)和\(Y\)的相互独立:\(\LeftrightarrowF\left(x,y\right)=F_{X}\left(x\right)F_{Y}\left(y\right)\):

\(\Leftrightarrowp_{{ij}}=p_{i\cdot}\cdotp_{\cdotj}\)(离散型)\(\Leftrightarrowf\left(x,y\right)=f_{X}\left(x\right)f_{Y}\left(y\right)\)(连续型)

6.两个随机变量简单函数的概率分布

离散型:\(P\left(X=x_{i},Y=y_{i}\right)=p_{{ij}},Z=g\left(X,Y\right)\)则:

\(P(Z=z_{k})=P\left\{g\left(X,Y\right)=z_{k}\right\}=\sum_{g\left(x_{i},y_{i}\right)=z_{k}}^{}{P\left(X=x_{i},Y=y_{j}\right)}\)

连续型:\(\left(X,Y\right)\simf\left(x,y\right),Z=g\left(X,Y\right)\)则:

\(F_{z}\left(z\right)=P\left\{g\left(X,Y\right)\leqz\right\}=\iint_{g(x,y)\leqz}^{}{f(x,y)dxdy}\),\(f_{z}(z)=F'_{z}(z)\)

(1)边缘密度公式:\(f_{X}(x)=\int_{-\infty}^{+\infty}{f(x,y)dy,}\)\(f_{Y}(y)=\int_{-\infty}^{+\infty}{f(x,y)dx}\)

(2)\(P\left\{\left(X,Y\right)\inD\right\}=\iint_{D}^{}{f\left(x,y\right){dxdy}}\)

(3)若\((X,Y)\)服从二维正态分布\(N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)\)则有:

(4)若\(X\)与\(Y\)独立,且分别服从\(N(\mu_{1},\sigma_{1}^{2}),N(\mu_{1},\sigma_{2}^{2}),\)则:\(\left(X,Y\right)\simN(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},0),\)

\(C_{1}X+C_{2}Y\tilde{\}N(C_{1}\mu_{1}+C_{2}\mu_{2},C_{1}^{2}\sigma_{1}^{2}C_{2}^{2}\sigma_{2}^{2}).\)

(5)若\(X\)与\(Y\)相互独立,\(f\left(x\right)\)和\(g\left(x\right)\)为连续函数,则\(f\left(X\right)\)和\(g(Y)\)也相互独立。

1.数学期望

离散型:\(P\left\{X=x_{i}\right\}=p_{i},E(X)=\sum_{i}^{}{x_{i}p_{i}}\);

连续型:\(X\simf(x),E(X)=\int_{-\infty}^{+\infty}{xf(x)dx}\)

性质:

(1)\(E(C)=C,E\lbrackE(X)\rbrack=E(X)\)

(2)\(E(C_{1}X+C_{2}Y)=C_{1}E(X)+C_{2}E(Y)\)

(3)若\(X\)和\(Y\)独立,则\(E(XY)=E(X)E(Y)\)

(4)\(\left\lbrackE(XY)\right\rbrack^{2}\leqE(X^{2})E(Y^{2})\)

2.方差:\(D(X)=E\left\lbrackX-E(X)\right\rbrack^{2}=E(X^{2})-\left\lbrackE(X)\right\rbrack^{2}\)

3.标准差:\(\sqrt{D(X)}\),

4.离散型:\(D(X)=\sum_{i}^{}{\left\lbrackx_{i}-E(X)\right\rbrack^{2}p_{i}}\)

5.连续型:\(D(X)={\int_{-\infty}^{+\infty}\left\lbrackx-E(X)\right\rbrack}^{2}f(x)dx\)

(1)\(\D(C)=0,D\lbrackE(X)\rbrack=0,D\lbrackD(X)\rbrack=0\)

(2)\(X\)与\(Y\)相互独立,则\(D(X\pmY)=D(X)+D(Y)\)

(3)\(\D\left(C_{1}X+C_{2}\right)=C_{1}^{2}D\left(X\right)\)

(4)一般有\(D(X\pmY)=D(X)+D(Y)\pm2Cov(X,Y)=D(X)+D(Y)\pm2\rho\sqrt{D(X)}\sqrt{D(Y)}\)

(5)\(\D\left(X\right)

(6)\(\D(X)=0\LeftrightarrowP\left\{X=C\right\}=1\)

6.随机变量函数的数学期望

(1)对于函数\(Y=g(x)\)

\(X\)为离散型:\(P\{X=x_{i}\}=p_{i},E(Y)=\sum_{i}^{}{g(x_{i})p_{i}}\);

\(X\)为连续型:\(X\simf(x),E(Y)=\int_{-\infty}^{+\infty}{g(x)f(x)dx}\)

(2)\(Z=g(X,Y)\);\(\left(X,Y\right)\simP\{X=x_{i},Y=y_{j}\}=p_{{ij}}\);\(E(Z)=\sum_{i}^{}{\sum_{j}^{}{g(x_{i},y_{j})p_{{ij}}}}\)\(\left(X,Y\right)\simf(x,y)\);\(E(Z)=\int_{-\infty}^{+\infty}{\int_{-\infty}^{+\infty}{g(x,y)f(x,y)dxdy}}\)

7.协方差

\(Cov(X,Y)=E\left\lbrack(X-E(X)(Y-E(Y))\right\rbrack\)

\(\rho_{{XY}}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}\),\(k\)阶原点矩\(E(X^{k})\);\(k\)阶中心矩\(E\left\{{\lbrackX-E(X)\rbrack}^{k}\right\}\)

(1)\(\Cov(X,Y)=Cov(Y,X)\)

(2)\(\Cov(aX,bY)=abCov(Y,X)\)

(3)\(\Cov(X_{1}+X_{2},Y)=Cov(X_{1},Y)+Cov(X_{2},Y)\)

(4)\(\\left|\rho\left(X,Y\right)\right|\leq1\)

(5)\(\\rho\left(X,Y\right)=1\LeftrightarrowP\left(Y=aX+b\right)=1\),其中\(a>0\)

\(\rho\left(X,Y\right)=-1\LeftrightarrowP\left(Y=aX+b\right)=1\),其中\(a<0\)

9.重要公式与结论

(1)\(\D(X)=E(X^{2})-E^{2}(X)\)

(2)\(\Cov(X,Y)=E(XY)-E(X)E(Y)\)

(3)\(\left|\rho\left(X,Y\right)\right|\leq1,\)且\(\rho\left(X,Y\right)=1\LeftrightarrowP\left(Y=aX+b\right)=1\),其中\(a>0\)

(4)下面5个条件互为充要条件:

\(\rho(X,Y)=0\)\(\LeftrightarrowCov(X,Y)=0\)\(\LeftrightarrowE(X,Y)=E(X)E(Y)\)\(\LeftrightarrowD(X+Y)=D(X)+D(Y)\)\(\LeftrightarrowD(X-Y)=D(X)+D(Y)\)

注:\(X\)与\(Y\)独立为上述5个条件中任何一个成立的充分条件,但非必要条件。

1.基本概念

总体:研究对象的全体,它是一个随机变量,用\(X\)表示。

个体:组成总体的每个基本元素。

简单随机样本:来自总体\(X\)的\(n\)个相互独立且与总体同分布的随机变量\(X_{1},X_{2}\cdots,X_{n}\),称为容量为\(n\)的简单随机样本,简称样本。

统计量:设\(X_{1},X_{2}\cdots,X_{n},\)是来自总体\(X\)的一个样本,\(g(X_{1},X_{2}\cdots,X_{n})\))是样本的连续函数,且\(g()\)中不含任何未知参数,则称\(g(X_{1},X_{2}\cdots,X_{n})\)为统计量。

样本均值:\(\overline{X}=\frac{1}{n}\sum_{i=1}^{n}X_{i}\)

样本方差:\(S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}{(X_{i}-\overline{X})}^{2}\)

样本矩:样本\(k\)阶原点矩:\(A_{k}=\frac{1}{n}\sum_{i=1}^{n}X_{i}^{k},k=1,2,\cdots\)

样本\(k\)阶中心矩:\(B_{k}=\frac{1}{n}\sum_{i=1}^{n}{(X_{i}-\overline{X})}^{k},k=1,2,\cdots\)

2.分布

\(\chi^{2}\)分布:\(\chi^{2}=X_{1}^{2}+X_{2}^{2}+\cdots+X_{n}^{2}\sim\chi^{2}(n)\),其中\(X_{1},X_{2}\cdots,X_{n},\)相互独立,且同服从\(N(0,1)\)

\(t\)分布:\(T=\frac{X}{\sqrt{Y/n}}\simt(n)\),其中\(X\simN\left(0,1\right),Y\sim\chi^{2}(n),\)且\(X\),\(Y\)相互独立。

\(F\)分布:\(F=\frac{X/n_{1}}{Y/n_{2}}\simF(n_{1},n_{2})\),其中\(X\sim\chi^{2}\left(n_{1}\right),Y\sim\chi^{2}(n_{2}),\)且\(X\),\(Y\)相互独立。

分位数:若\(P(X\leqx_{\alpha})=\alpha,\)则称\(x_{\alpha}\)为\(X\)的\(\alpha\)分位数

3.正态总体的常用样本分布

(1)设\(X_{1},X_{2}\cdots,X_{n}\)为来自正态总体\(N(\mu,\sigma^{2})\)的样本,

\(\overline{X}=\frac{1}{n}\sum_{i=1}^{n}X_{i},S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}{{(X_{i}-\overline{X})}^{2},}\)则:

4)\({\\}\frac{\overline{X}-\mu}{S/\sqrt{n}}\simt(n-1)\)

4.重要公式与结论

(1)对于\(\chi^{2}\sim\chi^{2}(n)\),有\(E(\chi^{2}(n))=n,D(\chi^{2}(n))=2n;\)

(2)对于\(T\simt(n)\),有\(E(T)=0,D(T)=\frac{n}{n-2}(n>2)\);

(3)对于\(F\tilde{\}F(m,n)\),有\(\frac{1}{F}\simF(n,m),F_{a/2}(m,n)=\frac{1}{F_{1-a/2}(n,m)};\)

(4)对于任意总体\(X\),有\(E(\overline{X})=E(X),E(S^{2})=D(X),D(\overline{X})=\frac{D(X)}{n}\)

THE END
1.线性相关的三种判断方法1、向量a1,a2,…,an(n≧2)线性相关的充要条件是这n个向量中的一个为其余(n-1)个向量的线性组合。 2、一个向量线性相关的充分条件是它是一个零向量。 3、两个向量a、b共线的充要条件是a、b线性相关。 4、三个向量a、b、c共面的充要条件是a、b、c线性相关。 http://www.gaokao.com/e/20211129/61a4ef34ac0d3.shtml
2.向量线性相关的条件向量a1,a2,……,an(n≧2)线性相关的充要条件是这n个向量中的一个为其余(n-1)个向量的线性组合https://edu.iask.sina.com.cn/jy/2YJ0LTKccib.html
3.CDALevel1方差分析和一元线性回归分析r绝对值小于0.3,可视为不相关 我们运用t检验来验证两个变量是否存在线性相关关系 原假设,H0,ρ=0,两变量间无直线相关关系 检验统计量t 散点图适用条件: 数据间相互独立,变量为连续变量,两边两间关系是线性的。 二、简单线性回归的概念条件,内容,特点。 https://www.jianshu.com/p/e89bc0202ad2
4.2020年中级经济师《经济基础》考点及母题:统计部分11相关系数的取值含义 1.r 的取值与两变量之间的相关关系 (1)0 (2)-1≤r <0:负线性相关。 (3)r=1:完全正线性相关。 (4)r=-1:完全负线性相关。 (5)r=0:不存在线性相关关系,但并不能说明两变量之间没有任何关系 它们之间可能存在非线性相关关系。 https://www.hqwx.com/web_news/html/2020-10/16032640474685.html
5.统计计量实证研究中常犯的18个统计学错误,避坑防雷指南!10 使用最小二乘法条件 自变量之间不能存在完全共线性。 总体方程误差项服从均值为0的正态分布(大数定理)。 误差项的方差不受自变量影响且为固定值(同方差性)。 11 最大似然估计与最小二乘法区别 最小二乘法是基于几何意义上距离最小。 最大似然估计是基于概率意义上出现的概率最大。 https://card.weibo.com/article/m/show/id/2309634710193559896078
6.向量组线性相关的充分必要条件为.C. 项目总进度目标实现的条件 D. 项目施工方案的比选 E. 项目实施的总部署 查看完整题目与答案 下列选项是我国银监会提出的具体目标的是()。 A. 通过审慎有效的监管,保护广大存款人和金融消费者的利益 B. 通过审慎有效的监管,增进市场信心 C. 通过金融、相关金融知识的宣传教育工作和相关信息的披露,https://www.shuashuati.com/ti/f7f6078577c4448ba5179aebc96c5cb8.html?fm=bd8327dd42f4f98fab7b4c99f76971abd9
7.向量线性相关的条件是什么?向量线性相关的条件是什么? 相关知识点: 试题来源: 解析 向量a1,a2,……,an(n≧2)线性相关的充要条件是这n个向量中的一个为其余(n-1)个向量的线性组合。一个向量线性相关的充分条件是它是一个零向量。两个向量a、b共线的充要条件是a、b线性相关。三个向量a、b、c共面的充要条件是a、b、c线性相关。https://easylearn.baidu.com/edu-page/tiangong/questiondetail?id=1762982149021064348&fr=search
8.TCCT通讯Newsletter2017No.01量测随机延迟下带相关乘性噪声的非线性系统分布式估计 控制理论与应用, 2016,33(11):1431-1441 Abstract | PDF 亢克松,刘乐,方一鸣,郑会成 伺服电机驱动的连铸结晶器振动位移系统反步滑模控制 控制理论与应用, 2016,33(11):1442-1448 Abstract | PDF 杨青运,陈谋 考虑输入饱和的近空间飞行器姿态容错控制 控https://tcct.amss.ac.cn/newsletter/2017/201701/journal.html
9.多重线性回归分析(MultipleLinearRegressionAnalysis)——理论条件1:样本量至少应是自变量个数的5~10倍。 条件2:自变量若为连续变量,需要与因变量之间存在线性关系,可通过绘制散点图予以考察。 条件3:各观测值之间相互独立,即残差之间不存在自相关。 条件4:不存在显著的多变量异常值。 条件5:自变量之间无多重共线性。 https://mengte.online/archives/3680
10.全国2002年10月自考(课程代码:00142)计量经济学试题11.线性回归模型中,检验H0:时,所用的统计量服从( ) A.t(n-k+1) B.t(n-k-2) C.t(n-k-1) D.t(n-k+2) 12.调整的判定系数与多重判定系数之间有如下关系( ) 13.当需求完全无弹性时,( ) A.价格与需求量之间存在完全线性关系 B.价格上升速度与需求量下降速度相等 C.无论价格如何变动,需求量https://www.cqzk.net/lnzt/2017/0216/10266.html
11.普通物理学(一)课程教学大纲使学生掌握导体静电平衡条件,理解电解质的极化,掌握电容器及其组合的计算方法,掌握电场能量的计算。 第十一章 直流电路 1.教学内容 欧姆定律、焦耳一楞次定律、电动势、基尔霍夫定律。 2.教学要点 使学生掌握欧姆定律、楞次定律的积分形式,理解微分形式,掌握电动势概念,应用基尔霍尔夫定律计算复杂电路。 https://physics.suda.edu.cn/6f/8f/c1873a28559/page.htm
12.2024北京大学353卫生综合考研大纲最新发布!2.单因素方差分析的概念、应用与条件(方差齐性检验) 3.均数之间的多重比较(SNK法、Dunnet-t检验、事前对比检验) 4.协方差分析 5 Kruskal-Wallis秩和检验 6.随机区组设计的方差分析 7.Friedman秩和检验 十一、简单线性相关与回归 1.简单线性相关 (1)线性相关的概念 https://www.gaodun.com/kaoyan/1519168.html
13.相关系数r是在曲线相关条件下,说明两个变量之间相关关系密切程度的相关系数r是在曲线相关条件下,说明两个变量之间相关关系密切程度的统计分析指标() 查看答案https://www.shangxueba.com/ask/21973717.html
14.经济学:计量经济学必看考点(考试必看)考试题库25、问答题 识别的条件条件包括阶条件和秩条件。 点击查看答案26、问答题 工具变量选择必须满足的条件是什么? 点击查看答案27、问答题 联立方程计量经济学模型中结构式方程的结构参数为什么不能直接应用OLS估计? 点击查看答案28、单项选择题 完全多重共线性时,下列判断不正确的是()。 http://www.91exam.org/exam/87-1066/1066498.html
15.《卫生统计学》知识点天枫信息技术线性回归模型成立的四个前提条件:线性,独立,正态,等方差。 第十三章 线性相关 1. 直线相关(linear correlation)又称简单相关(simple correlation),用于双变量正态分布资料。有正相关、负相关和零相关等关系。直线相关的性质可由散点图直观的说明。 相关系数又称积差相关系数(coefficient of product -moment correlathttps://5kk.cc/Article/144
16.多元线性回归容易忽视的几个问题(1)多重共线性Cor函数式计算各个解释变量之间的相关关系,可以看出consumption和construction相关系数达到了0.998,我们就可以怀疑变量之间存在多重共线性。 条件判别法,计算的条件指数值为4.86e+15,说明存在严重的多重共线性。 最后我们再看一下方差膨胀因子法,这里需要注意一下,很多教材中还在使用bstats包,目前这个包已经不存在了,vif函https://cloud.tencent.com/developer/article/1411708
17.资本资产定价范文12篇(全文)套利定价理论研究在完全竞争和无摩擦资本市场的假设条件下, 任何风险资产的单期预期率与和它相关的影响风险因子的关系, 套利定价理论认为, 套利行为是市场均衡价格形成的一个决定因素。只要市场未达到均衡状态, 市场上就会存在无风险套利机会, 并且用多个因素来解释风险资产收益, 并根据无套利原则, 得到风险资产均衡https://www.99xueshu.com/w/ikeyz0qa9y6x.html
18.化学药物制剂人体生物利用度和生物等效性研究技术指导原则药效动力学研究在无可行的药代动力学研究方法建立生物等效性研究时(如无灵敏的血药浓度检测方法、浓度和效应之间不存在线性相关),可以考虑用明确的可分级定量的人体药效学指标通过效应-时间曲线(Effect-Time curve)与参比制剂比较来确定生物等效性。 临床比较试验https://www.canbigou.com/d/382.html
19.向量组线性相关的充要条件两个向量a、b共线的充要条件是a、b线性相关;三个向量a、b、c共面的充要条件是a、b、c线性相关;对于s个向量而言,其线性相关的充要条件是:存在s个常数,使得以此s个常数为系数的该组向量的代数和等于零。 线性相关的定理 1、向量a1,a2,···,an(n≧2)线性相关的充要条件是这n个向量中的一个为其余(nhttp://www.chusan.com/zhongkao/81218.html