数学常用公式

三角函数常用公式

• $se{c}^2\theta =1+t{g}^2\theta$

倍角公式

1. $sin2\theta =2sin\theta cos\theta$
2. $cos2\theta =co{s}^2\theta -si{n}^2\theta$

半角公式

1. $si{n}^2\frac{\theta }{2}=\frac{1-cos\theta }{2}$
2. $co{s}^2\frac{\theta }{2}=\frac{1+cos\theta }{2}$

和差公式

1. $sin(\alpha +\beta )=sin\alpha cos\beta +cos\alpha sin\beta$
2. $sin(\alpha -\beta )=sin\alpha cos\beta -cos\alpha sin\beta$
3. $cos(\alpha +\beta )=cos\alpha cos\beta -sin\alpha sin\beta$
4. $cos(\alpha -\beta )=cos\alpha cos\beta +sin\alpha sin\beta$

积化和差公式

1. $sin\alpha cos\beta =\frac{1}{2}[sina(\alpha +\beta )+sin(\alpha -\beta )]$
2. $cos\alpha cos\beta =\frac{1}{2}[cos(\alpha +\beta )+cos(\alpha -\beta )]$
3. $sin\alpha sina\beta =-\frac{1}{2}[cos(\alpha +\beta )-cos(\alpha -\beta )]$

和差化积

1. $sin\alpha +sin\beta =2sin(\frac{\alpha +\beta }{2})cos(\frac{\alpha -\beta }{2})$
2. $sin\alpha -sin\beta =2sin(\frac{\alpha -\beta }{2})cos(\frac{\alpha +\beta }{2})$
3. $cos\alpha +cos\beta =2cos(\frac{\alpha +\beta }{2})cos(\frac{\alpha -\beta }{2})$
4. $cos\alpha -cos\beta =-2sin(\frac{\alpha +\beta }{2})sin(\frac{\alpha -\beta }{2})$

万能公式

1. $sinx=\frac{2tg\frac{x}{2}}{1+t{g}^2\frac{x}{2}}$
2. $cosx=\frac{1-t{g}^2\frac{x}{2}}{1+t{g}^2\frac{x}{2}}$
3. $sinx=\frac{tgx}{\sqrt{1+t{g}^{2}x}}$
4. $cosx=\frac{1}{\sqrt{1+t{g}^{2}x}}$

导数公式

1. $(e^x{)}^{{}^{\prime }}=e^x$
2. $(a^x{)}^{{}^{\prime }}=a^{x}lna$
3. $(lnx{)}^{{}^{\prime }}=\frac{1}{x}$
4. $(log{a}^x{)}^{{}^{\prime }}=\frac{1}{xlna}$
5. $(\sqrt{x}{)}^{{}^{\prime }}=\frac{1}{2\sqrt{x}}$
6. $(tgx{)}^{{}^{\prime }}=se{c}^{2}x$
7. $(ctx{)}^{{}^{\prime }}=-sc{c}^{2}x$
8. $(secx{)}^{{}^{\prime }}=secxtgx$
9. $(cscx{)}^{{}^{\prime }}=-cscxctgx$

积分公式

1. $\int \frac{1}{1+x^2}dx=arctgx+C=-arcctgx+C$
2. $\int \frac{1}{\sqrt{1-x^2}}dx=arcsinx+C$
3. $\int se{c}^{2}xdx=tgx+C$
4. $\int \frac{1}{2\sqrt{x}}dx=\sqrt{x}+C$
5. $\int \frac{1}{x}dx=ln|x|+C$
6. $\int cs{c}^{2}xdx=-ctgx+C$
7. $\int secxdx=ln|secx+tgx|+C$
8. 若在区域D上有，f(x,y) <= g(x,y) => ${\iint }_{D}f(x,y)d\sigma \le {\iint }_{D}g(x,y)d\sigma$
9. $|{\iint }_{D}f(x,y)d\sigma |\le {\iint }_D|f(x,y)|d\sigma$

欧拉公式

$$e^{i\beta }=cos\beta +isin\beta$$

在区域D上连续的函数一定可积

大数定理/中心极限定理

依概率收敛于

$$X_n{\to }^{P}A$$
lim ⁡ n − > ∞ P { ∣ X n − A ∣ < ϵ } = 1 \lim_{n->\infty}P\{|X_n-A|<\epsilon\}=1 n−>∞lim​P{∣Xn​−A∣<ϵ}=1

切比雪夫不等式

P { X ≥ ϵ } ≤ E ( X ) ϵ P\{X\ge\epsilon\}\le\frac{E(X)}{\epsilon} P{X≥ϵ}≤ϵE(X)​
P { ∣ X − E ( X ) ∣ ≤ ϵ } ≥ σ 2 ϵ 2 P\{|X-E(X)|\le\epsilon\}\ge\frac{\sigma^2}{\epsilon^2} P{∣X−E(X)∣≤ϵ}≥ϵ2σ2​

大数定理

lim ⁡ n − > ∞ P { ∣ X − E ( X ) ∣ < ϵ } = 1 \lim_{n->\infty}P\{|X-E(X)|<\epsilon\}=1 n−>∞lim​P{∣X−E(X)∣<ϵ}=1
lim ⁡ n − > ∞ P { ∣ E ( X ) − μ ∣ < ϵ } = 1 \lim_{n->\infty}P\{|E(X)-\mu|<\epsilon\}=1 n−>∞lim​P{∣E(X)−μ∣<ϵ}=1

• 若分布为伯努利分布，则有：
  lim ⁡ n − > ∞ P { ∣ n A n − p ∣ < ϵ } = 1 \lim_{n->\infty}P\{|\frac{n_A}{n}-p|<\epsilon\}=1 n−>∞lim​P{∣nnA​​−p∣<ϵ}=1

中心极限定理

• 随机变量相互独立
  lim ⁡ n − > ∞ P { ∑ ( X i − μ i ) S n ≤ x } = Φ ( x ) ; S n = ∑ σ 2 \lim_{n->\infty}P\{\frac{\sum(X_i-\mu_i)}{S_n}\le x\}=\Phi(x); S_n=\sqrt{\sum\sigma^2} n−>∞lim​P{Sn​∑(Xi​−μi​)​≤x}=Φ(x);Sn​=∑σ2 ​
• 随机变量相互独立，同分布
  lim ⁡ n − > ∞ P { ∑ X i − n μ σ n ≤ x } = Φ ( x ) \lim_{n->\infty}P\{\frac{\sum X_i-n\mu}{\sigma\sqrt{n}}\le x\}=\Phi(x) n−>∞lim​P{σn ​∑Xi​−nμ​≤x}=Φ(x)
• 随机变量相互独立，满足B(n,p):
  lim ⁡ n − > ∞ P { ∑ X i − n p n p ( 1 − p ) ≤ x } = Φ ( x ) \lim_{n->\infty}P\{\frac{\sum X_i-np}{\sqrt{np(1-p)}}\le x\}=\Phi(x) n−>∞lim​P{np(1−p) ​∑Xi​−np​≤x}=Φ(x)

伽马函数- $\Gamma (a)$

$$\Gamma (a)={\int }_0^{+\infty }{e}^{-x}{x}^{(}a-1)dx$$
$$\Gamma (n)=(n-1)\Gamma (n-1)$$
$$\Gamma (\frac{1}{2})=\sqrt{\pi }$$

数量统计分布函数

卡方分布-${\varkappa }^2(n)$

• 定义：标准正态分布的平方和。${\varkappa }^2(n)={\sum }_{i=1}^n[N_i(0,1){]}^2$
• 期望值=n ;方差=2n
• 性质：
  1. 可加性：${\varkappa }^2(m)+{\varkappa }^2(n)={\varkappa }^2(m+n)$

T分布-$T(n)$

• 定义：$T(n)=\frac{N(0,1)}{\sqrt{{\varkappa }^2(n)/n}}$
• 期望值=0；方差=$\frac{n}{n-2},(n>2)$

F分布-$F(m,n)$

• 定义：$F(m,n)=\frac{{\varkappa }^2(m)/m}{{\varkappa }^2(n)/n}$
• 期望值=$\frac{n}{n-2}$; 方差=$\frac{2n^2(n+m-2)}{m(n-2)(n-4)},(n>4)$
• 性质：
  1. $\frac{1}{F(m,n)}=F(n,m)$
  2. $[t(n){]}^2=F(1,n)$

单正态总体抽样分布

总体分布：$N(\mu ,{\sigma }^2)$
$\overline{X}=N(\mu ,\frac{{\sigma }^2}{n})$
$\frac{\overline{X}-\mu }{\sigma /\sqrt{n}}=N(0,1)$
$\frac{\overline{X}-\mu }{S/\sqrt{n}}=T(n-1)$
$\frac{(n-1)S^2}{{\sigma }^2}={\varkappa }^2(n-1)$

两个正态总体抽样分布

总体分布： X~$N({\mu }_1,{\sigma }_1^2)$ Y~$N({\mu }_2,{\sigma }_2^2)$

$\frac{(\overline{X}-\overline{Y})-({\mu }_1-{\mu }_2)}{\sqrt{{\sigma }_1^2/n_1+{\sigma }_2^2/n_2}}$~$N(0,1)$
$\frac{S_1^2/S_2^2}{{\sigma }_1^2/{\sigma }_2^2}$~$F(n_1-1,n_2-1)$
当${\sigma }_1^2={\sigma }_2^2={\sigma }^2$,
$$S_w=\frac{n_1-1}{n_1+n_2-2}{S}_1+\frac{n_2-1}{n_1+n_2-2}{S}_2$$
$\frac{(\overline{X}-\overline{Y})-({\mu }_1-{\mu }_2)}{S_w\sqrt{}1/n_1+1/n_2}$~$T(n_1+n_2-2)$

抽样分布的参数估计

点估计

1. 矩估计
2. 极大似然估计
3. 估计的评价标准: 无偏性，有效性，相合性

置信区间

1. 正态分布总体均值置信区间
   1.1 方差已知情况
   $$(\overline{X}-u_{\alpha /2}\frac{\sigma }{\sqrt{n}},\overline{X}+u_{\alpha /2}\frac{\sigma }{\sqrt{n}})$$
   1.2 方差未知情况（${\sigma }_1^2={\sigma }_2^2=\sigma$）
   $$(\overline{X}-t_{\alpha /2}\frac{S}{\sqrt{n}},\overline{X}+t_{\alpha /2}\frac{S}{\sqrt{n}})$$

2. 正态分布总体方差置信区间
   $$(\frac{(n-1)S^2}{{\varkappa }_{\alpha /2}^2},\frac{(n-1)S^2}{{\varkappa }_{1-\alpha /2}^2})$$

3. 两个正态分布总体均值差置信区间
   3.1 方差已知情况
   $$(\overline{X}-\overline{Y}-u_{\alpha /2}\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}},\overline{X}-\overline{Y}+u_{\alpha /2}\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}})$$
   3.2 方差未知情况（${\sigma }_1^2={\sigma }_2^2=\sigma$）
   $$(\overline{X}-\overline{Y}-t_{\alpha /2}{S}_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}},\overline{X}-\overline{Y}+t_{\alpha /2}{S}_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}})$$

4. 两个正态分布总体方差的置信区间
   $$(\frac{S_1^2}{S_2^2}\frac{1}{F_{\alpha /2}(n_1-1,n_2-1)},\frac{S_1^2}{S_2^2}\frac{1}{F_{1-\alpha /2}(n_1-1,n_2-1)})$$