2020-王谱三套卷-数学一
2020-王谱3-1
T2 可以画图解决,\(\displaystyle N=a^2\max_{0<x<a}\{|f^{'}(x)|\}\Rightarrow |f^{'}(x)|\leqslant\dfrac N{a^2}\),故 \(f(x)\) 图像夹在两直线之间,\(M\leqslant\dfrac N2\)
T7 \(F(n_1,\,n_2)\) 与 \(\dfrac1{F(n_2,\,n_1)}\) 同分布,如这里的 \(Y\) 和 \(\dfrac1Y\) 同分布
- 关于上分位数:\(F\) 分布 \(F_{1-\alpha}(n_1,\,n_2)=\dfrac1{F_\alpha(n_2,\,n_1)}\);\(t\) 分布 \(t_{1-\alpha}(n)=-t_\alpha(n),\,t^2_{\frac\alpha2}(n)=F_\alpha(1,\,n)\)
T11 奇谐函数偶次分量为 \(0\),偶谐函数奇次分量为 \(0\)
T14 \(f(x,\,y)\) 可以拆成 \(f_X(x)f_Y(y)\),说明 \(X,\,Y\) 独立
T15 这道题没说可导,最好还是积分上去罢。本题 \(f(x)\) 原函数 \(F(x)\) 用分部,化简后还需要再往上积一次
T19 第一类曲面积分有的 \(\Sigma\) 本身就是一个圆(如平面切球体),有的投影 \(D_{xy}\) 才是一个圆(如平面切柱体),注意别搞错了
T23 细节:
- 关于大小写问题:
- 最大似然函数 \(L\) 中,\(x_i\) 用小写;
- 令 \(\dfrac{\mathrm{d}\ln L(\theta)}{\mathrm{d}\theta}=0\) 得到的 \(\displaystyle\theta=\dfrac1n\sum_{i=1}^nx_i\) 中,\(x_i\) 用小写;
- 最后得出结论 \(\displaystyle\therefore\hat{\theta}=\dfrac1n\sum_{i=1}^nX_i\) 中,\(X_i\) 用大写
- 问 \(n\rightarrow\infty\) 时,\(\hat\theta\)(本题即 \(\overline{X}\))近似服从什么分布,标准步骤:
- \(\mu=EX=\theta,\,\sigma^2=DX=\theta^2\),由列维-林德伯格中心极限定理,\(\displaystyle\lim_{n\rightarrow\infty}P\left\{\dfrac{\displaystyle\sum_{i=0}^nX_i-n\mu}{\sqrt{n}\sigma}\leqslant x\right\}=\Phi(x)\)
- 即 \(\displaystyle\lim_{n\rightarrow\infty}P\left\{\dfrac{\dfrac1n\displaystyle\sum_{i=0}^nX_i-\theta}{\sqrt{\dfrac{\theta^2}{n}}}\leqslant x\right\}=\Phi(x)\),即 \(\dfrac{\hat\theta-\theta}{\sqrt{\dfrac{\theta^2}{n}}}\) 近似服从 \(N(0,\,1)\) 分布,即 \(\hat\theta\) 近似服从 \(N(\theta,\,\dfrac{\theta^2}{n})\) 分布
2020-王谱3-2
T7 有放回的抽签问题,每一次抽签的分布都相同,本题计算期望只用 \(3\times一次的期望\) 即可
T16 二元函数只有一个变量真正在变化,可对其求偏导构造出偏微分
T18 涉及积分的题目,感觉经常有 \(\displaystyle\int_0^x(t-x)f(t)\,\mathrm{d}t\) 类型的构造,还不太熟悉。。
T19 顺便复习一下曲面积分的参数方程做法,感觉和雅可比其实是一样的
T22 感觉还是按 \(X\) 竖 \(Y\) 横来画表
2020-王谱3-3
T10 先将 \(f(x)=\dfrac{\sin x}x\) 展开再求导;\(x-\dfrac {x^3}3+\dfrac{x^5}5-\cdots=\arctan x\)
T11 注意曲线/曲面,球面/球体,注意积分区域
T16 已知 \(f(u,\,v)\),求 \(w=f(x+y,\,x-y)\) 全微分:先对 \(u,\,v\) 全微分后,\(\mathrm{d}u=\mathrm{d}x+\mathrm{d}y,\,\mathrm{d}v=\mathrm{d}x-\mathrm{d}y\)
T22 \(X,\,Y\) 独立,只要满足 \(F(x,\,y)=F_X(x)\cdot F_Y(y)\) 或 \(f(x,\,y)=f_X(x)\cdot f_Y(y)\) 即可直接得出结论