数学一知识点积累

指记录本人不熟悉的知识点。（会不时更新，并将自己不熟练的部分置顶，不分大学科，只分小知识点）

在看到“光明”的同时，更要准备困难，更要有底线思维。

高数

（1~4周）

函数 极限 连续

函数是微积分的研究对象。确定函数有两个法则，定义域和对应法则。
有界函数，值域在一个有限的范围内。

奇函数 f(0)=0
奇函数积分为偶函数，偶函数积分为奇函数，
奇函数求导为偶函数，偶函数求导是奇函数

∫

导数 微分 中值定理

一般，由极坐标表示的曲线，可把θ视作参数，写出曲线的参数方程，再利用参数方程求导公式即可得出函数的导数。

不定积分 定积分

向量代数与空间解析几何

多元微分

dz = $\frac{\partial z}{\partial x}$dx+ $\frac{\partial z}{\partial y}$dy

线性代数

行列式 矩阵 向量 方程组

A是n阶矩阵 A* = (A_ji )_n*n（代数余子式）

1. (AB) * = B *A *
2. $($$A^T$${)}^{\ast }$ = $($$A^{\ast }$${)}^T$
3. $($$A^{-1}$${)}^{\ast }$ = $($$A^{\ast }$${)}^{-1}$
4. AA* = A*A = |A|E
5. 当|A| ！=0 时，$A\ast \frac{A^{\ast }}{|A|}$ = $\frac{A^{\ast }}{|A|}$A = E,则 $A^{-1}$ = $A\ast \frac{A^{\ast }}{|A|}$
   另一方面，$\frac{A}{|A|}$$A^{\ast }$ = $A^{\ast }$ * $\frac{A}{|A|}$ = E,则$($$A^{\ast }$${）}^{-1}$ = $\frac{A}{|A|}$
   A的伴随矩阵=A的模*A的逆矩阵

$$r(A^{\ast })=\{\begin{array}{rlr}n& ,& r(A)=n\\ n-1& ,& r(A)=n-1\\ 0& =& r(A)<n-1\end{array}$$
向量组等价的基本判定是：两个向量组可以互相线性表示。
矩阵等价，只需满足两矩阵之间可以通过一系列可逆变换，也即若干可逆矩阵相乘得到。

方程组有解，系数矩阵秩=增广矩阵的秩
方程组无解，系数矩阵秩≠增广矩阵的秩

特征值和特征向量 二次型

1.设A为n阶矩阵，若
Aα = λα（α≠0），则称λ是A的特征值，α是A的属于λ的特征向量。
将上式变形（λE-A）· α = 0 (α≠0)，即齐次线性方程组（λE-α）=0有非零解

2 求特征值与特征向量
方法一：
解方程|λE-A|=0 得特征值λ
解方程组（λE-A）α = 0 得特征向量α
方法二：利用定义Αα=λα

3.特征值的性质
设A为n阶矩阵，A的特征值为λ₁，λ₂，λ₃…λ_n,则

1. λ₁+λ₂+…+λ_n = ${\sum }_{i=1}^n$a_ii = tr(A), 称tr(A)= ${\sum }_{i=1}^n$a_ii为A的迹。
2. λ₁λ₂…λ_n=|A|

4 特征向量的性质

1. 不同特征值对应的特征向量是线性无关的
2. 设A为n阶矩阵，λ_k为A的k重特征值（k>1）,则属于λ_k的线性无关的特征向量个数不超过k个。
3. 设A为n阶矩阵，Aα₁ = λ₁α₁， Aα₂ = λ₂α₂， λ₁≠λ₂，其中α₁ ≠ 0，α₂ ≠ 0，则α₁ +α₂ 不是A的特征向量。

实对称矩阵的不同特征值对应的特征向量正交
A~B 意味着 迹相同（对角线元素相加之和）并且 行列式相同
A=$\alpha {\beta }^T$,（α, β）意思是tr(A) = A的迹

概率

B二项分布 binomial distribution X~B(n, p) n表示测验的次数，p表示一次非0的概率
P泊松分布 poisson’s distribution
U均匀分布 uniform distribution
E指数分布 exponential distribution
N正态分布 normal distribution X~N（u1,n1） $2X$~N(2u1, $2^2$*n1) Y~ N(u2, n2) X+Y~N(u1+u2, n1+n2) X-Y ~N(u1-u2, n1+n2)

随机事件 随机变量 多维随机变量 数字特征

相互独立的条件下，联合概率密度为两个概率密度相乘，然后求二重积分。###
连续性随机变量的分布函数也是连续函数。

数学期望 E(x)=${\sum }_{i=1}^{\infty }$ xp(x) 数学期望反应平均值

泊松分布是离散型的。

指数分布 期望是参数的倒数
正态分布 期望是μ 也是对称轴
柯西分布没有期望
数学期望可能存在也可能不存在








第三条，变量相减，则期望相减，简便复杂变量运算
第四条反过来不成立

方差

方差反映随机变量取值关于平均值的平均离散程度。




泊松分布，期望和方差都是其参数λ
正态分布，方差是${\sigma }^2$


二项分布的方差，利用性质3. np(1-p)

协方差 相关系数 矩
协方差和相关系数反映两个随机变量的关系

协方差有可能存在，也有可能不存在

相不相关，算协方差。

相关系数

相不相关只是，线性关系。 别的关系不知道，独立是啥关系都没有。

大数定律 极限中心定理

频率依概率收敛于统计概率

中心极限定理

给了一个近似计算公式

数理统计 参数估计 假设检验