README

数学 & 统计知识大全（附视频）

数学 & 统计知识大全（附视频）高等数学1. 导数定义2. 左右导数导数的几何意义和物理意义3. 函数的可导性与连续性之间的关系4. 平面曲线的切线和法线5. 四则运算法则6. 基本导数与微分表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8. 常用高阶导数公式9. 微分中值定理，泰勒公式10. 洛必达法则11. 泰勒公式12. 函数单调性的判断13. 渐近线的求法14. 函数凹凸性的判断15. 弧微分16.曲率17.曲率半径线性代数行列式矩阵1.矩阵的加法2.矩阵的数乘3.矩阵的乘法4. $\mathbf{A}^{\mathbf{T}}$ 、 $\mathbf{A}^{\mathbf{-1}}$ 、 $\mathbf{A}^{\mathbf{*}}$ 三者之间的关系5.有关 $\mathbf{A}^{\mathbf{*}}$ 的结论6.有关 $\mathbf{A}^{\mathbf{- 1}}$ 的结论7.有关矩阵秩的结论8.分块求逆公式向量1.有关向量组的线性表示2.有关向量组的线性相关性3.有关向量组的线性表示4.向量组的秩与矩阵的秩之间的关系5. $\mathbf{n}$ 维向量空间的基变换公式及过渡矩阵6.坐标变换公式7.向量的内积8.Schmidt正交化9.正交基及规范正交基线性方程组1．克莱姆法则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矩阵的特征值和特征向量1.矩阵的特征值和特征向量的概念及性质2.相似变换、相似矩阵的概念及性质3.矩阵可相似对角化的充分必要条件4.实对称矩阵的特征值、特征向量及相似对角阵二次型1. $\mathbf{n}$ 个变量的二次齐次函数2.惯性定理，二次型的标准形和规范形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概率论和数理统计随机事件和概率1.事件的关系与运算2.运算律3.德 $\centerdot$ 摩根律4.完全事件组 5.概率的基本公式6.事件的独立性7.独立重复试验 随机变量及其概率分布1.随机变量及概率分布2.分布函数的概念与性质3.离散型随机变量的概率分布4.连续型随机变量的概率密度5.常见分布6.随机变量函数的概率分布7.重要公式与结论多维随机变量及其分布1.二维随机变量及其联合分布2.二维离散型随机变量的分布3. 二维连续性随机变量的密度4.常见二维随机变量的联合分布5.随机变量的独立性和相关性6.两个随机变量简单函数的概率分布7.重要公式与结论随机变量的数字特征1.数学期望2.方差： $D(X) = E\left\lbrack X - E(X) \right\rbrack^{2} = E(X^{2}) - \left\lbrack E(X) \right\rbrack^{2}$ 3.标准差： $\sqrt{D(X)}$ ，4.离散型： $D(X) = \sum_{i}^{}{\left\lbrack x_{i} - E(X) \right\rbrack^{2}p_{i}}$ 5.连续型： $D(X) = {\int_{- \infty}^{+ \infty}\left\lbrack x - E(X) \right\rbrack}^{2}f(x)dx$ 6.随机变量函数的数学期望7.协方差 8.相关系数9.重要公式与结论数理统计的基本概念1.基本概念2.分布3.正态总体的常用样本分布4.重要公式与结论

数据科学（data science）需要较强的数学基础，我本科纯数出身，倒是不用学习到特别冗长复杂的理论证明，但是向量矩阵、概率统计是一定要深度掌握的！

高等数学

1. 导数定义

导数和微分的概念

\begin{matrix} (8) & f^{'} (x_{0}) = lim_{Δ x \to 0} \frac{f (x_{0} + Δ x) - f (x_{0})}{Δ x} \end{matrix}

或者：

\begin{matrix} (9) & $ f^{'} (x_{0}) = lim_{x \to x_{0}} \frac{f (x) - f (x_{0})}{x - x_{0}} \end{matrix}

2. 左右导数导数的几何意义和物理意义

$f(x)$ $x_0$ 处的左、右导数分别定义为：

左导数：

\begin{matrix} (10) & {f^{'}}_{-} (x_{0}) = lim_{Δ x \to 0^{-}} \frac{f (x_{0} + Δ x) - f (x_{0})}{Δ x} = lim_{x \to x_{0}^{-}} \frac{f (x) - f (x_{0})}{x - x_{0}}, (x = x_{0} + Δ x) \end{matrix}

右导数：

\begin{matrix} (11) & {f^{'}}_{+} (x_{0}) = lim_{Δ x \to 0^{+}} \frac{f (x_{0} + Δ x) - f (x_{0})}{Δ x} = lim_{x \to x_{0}^{+}} \frac{f (x) - f (x_{0})}{x - x_{0}} \end{matrix}

3. 函数的可导性与连续性之间的关系

Th1: $f(x)$ $x_0$ $\Leftrightarrow f(x)$ $x_0$ 处可导

Th2: $x_0$ $y=f(x)$ $x_0$ 处连续，反之则不成立。即函数连续不一定可导。

Th3: ${f}'({{x}_{0}})$ $\Leftrightarrow {{{f}'}_{-}}({{x}_{0}})={{{f}'}_{+}}({{x}_{0}})$

4. 平面曲线的切线和法线

$y-{{y}_{0}}=f'({{x}_{0}})(x-{{x}_{0}})$ $y-{{y}_{0}}=-\frac{1}{f'({{x}_{0}})}(x-{{x}_{0}}),f'({{x}_{0}})\ne 0$

5. 四则运算法则

$u=u(x)，v=v(x)$ $x$ 可导则

$(u\pm v{)}'={u}'\pm {v}'$ $d(u\pm v)=du\pm dv$
$(uv{)}'=u{v}'+v{u}'$ $d(uv)=udv+vdu$
$(\frac{u}{v}{)}'=\frac{v{u}'-u{v}'}{{{v}^{2}}}(v\ne 0)$ $d(\frac{u}{v})=\frac{vdu-udv}{{{v}^{2}}}$

6. 基本导数与微分表

$y=c$ ${y}'=0$ $dy=0$
$y={{x}^{\alpha }}$ $\alpha$ ${y}'=\alpha {{x}^{\alpha -1}}$ $dy=\alpha {{x}^{\alpha -1}}dx$
$y={{a}^{x}}$ ${y}'={{a}^{x}}\ln a$ $dy={{a}^{x}}\ln adx$ $({{{e}}^{x}}{)}'={{{e}}^{x}}$ $d({{{e}}^{x}})={{{e}}^{x}}dx$
$y={{\log }_{a}}x$ ${y}'=\frac{1}{x\ln a}$ $dy=\frac{1}{x\ln a}dx$ $y=\ln x$ $(\ln x{)}'=\frac{1}{x}$ $d(\ln x)=\frac{1}{x}dx$

$y=\sin x$ ${y}'=\cos x$ $d(\sin x)=\cos xdx$

$y=\cos x$ ${y}'=-\sin x$ $d(\cos x)=-\sin xdx$

$y=\tan x$ ${y}'=\frac{1}{{{\cos }^{2}}x}={{\sec }^{2}}x$ $d(\tan x)={{\sec }^{2}}xdx$
$y=\cot x$ ${y}'=-\frac{1}{{{\sin }^{2}}x}=-{{\csc }^{2}}x$ $d(\cot x)=-{{\csc }^{2}}xdx$
$y=\sec x$ ${y}'=\sec x\tan x$ $d(\sec x)=\sec x\tan xdx$
$y=\csc x$ ${y}'=-\csc x\cot x$ $d(\csc x)=-\csc x\cot xdx$
$y=\arcsin x$ ${y}'=\frac{1}{\sqrt{1-{{x}^{2}}}}$ $d(\arcsin x)=\frac{1}{\sqrt{1-{{x}^{2}}}}dx$

$y=\arccos x$

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

$y=\arctan x$

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

$y=\operatorname{arc}\cot x$

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

$d(\operatorname{arc}\cot x)=-\frac{1}{1+{{x}^{2}}}dx$

$y=shx$

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

$y=chx$

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

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

$y=f(x)$ $x$ $x$ ${f}'(x)\ne 0$ $x$ $y$ $\frac{dy}{dx}=\frac{1}{\frac{dx}{dy}}$ $\mu =\varphi (x)$ $x$ $y=f(\mu )$ $\mu$ $\mu =\varphi (x)$ $y=f(\varphi (x))$ $x$ ${y}'={f}'(\mu )\cdot {\varphi }'(x)$ $\frac{dy}{dx}$ $x$ $y$ $x$ $y$ $x$ $\frac{1}{y}$ ${{y}^{2}}$ $ln y$ ${{{e}}^{y}}$ $x$ $x$ $F(x,y)=0$ $\frac{dy}{dx}=-\frac{{{{{F}'}}_{x}}(x,y)}{{{{{F}'}}_{y}}(x,y)}$ ${{{F}'}_{x}}(x,y)$ ${{{F}'}_{y}}(x,y)$ $F(x,y)$ $x$ $y$ 的偏导数 3)利用微分形式不变性

8. 常用高阶导数公式

$({{a}^{x}}){{\,}^{(n)}}={{a}^{x}}{{\ln }^{n}}a\quad (a>{0})\quad \quad ({{{e}}^{x}}){{\,}^{(n)}}={e}{{\,}^{x}}$ $(\sin kx{)}{{\,}^{(n)}}={{k}^{n}}\sin (kx+n\cdot \frac{\pi }{{2}})$ $(\cos kx{)}{{\,}^{(n)}}={{k}^{n}}\cos (kx+n\cdot \frac{\pi }{{2}})$ $({{x}^{m}}){{\,}^{(n)}}=m(m-1)\cdots (m-n+1){{x}^{m-n}}$ $(\ln x){{\,}^{(n)}}={{(-{1})}^{(n-{1})}}\frac{(n-{1})!}{{{x}^{n}}}$ $u(x)\,,v(x)$ $n$ ${{(uv)}^{(n)}}=\sum\limits_{i={0}}^{n}{c_{n}^{i}{{u}^{(i)}}{{v}^{(n-i)}}}$ ${{u}^{({0})}}=u$ ${{v}^{({0})}}=v$

9. 微分中值定理，泰勒公式

Th1:(费马定理)

$f(x)$ $f(x)$ ${{x}_{0}}$ $f(x)\le f({{x}_{0}})$ $f(x)\ge f({{x}_{0}})$ ,

$f(x)$ ${{x}_{0}}$ ${f}'({{x}_{0}})=0$

Th2:(罗尔定理)

$f(x)$ $[a,b]$ 上连续；

$(a,b)$ 内可导；

$f(a)=f(b)$ ；

$(a,b)$ $\xi$ ${f}'(\xi )=0$ Th3: (拉格朗日中值定理)

$f(x)$ $[a,b]$ 上连续；

$(a,b)$ 内可导；

$(a,b)$ $\xi$ $\frac{f(b)-f(a)}{b-a}={f}'(\xi )$

Th4: (柯西中值定理)

$f(x)$ $g(x)$ $[a,b]$ 上连续；

$(a,b)$ ${f}'(x)$ ${g}'(x)$ ${g}'(x)\ne 0$

$(a,b)$ $\xi$ $\frac{f(b)-f(a)}{g(b)-g(a)}=\frac{{f}'(\xi )}{{g}'(\xi )}$

10. 洛必达法则

$\frac{0}{0}$ $f\left( x \right),g\left( x \right)$ $\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,f\left( x \right)=0,\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,g\left( x \right)=0$ ;

$f\left( x \right),g\left( x \right)$ ${{x}_{0}}$ ${{x}_{0}}$ ${g}'\left( x \right)\ne 0$ ;

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

$X>0$ $\left| x \right|>X$ $f\left( x \right),g\left( x \right)$ ${g}'\left( x \right)\ne 0$ $\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{{f}'\left( x \right)}{{g}'\left( x \right)}$ $\infty$ )。

$\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{f\left( x \right)}{g\left( x \right)}=\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{{f}'\left( x \right)}{{g}'\left( x \right)}$ $\frac{\infty }{\infty }$ $f\left( x \right),g\left( x \right)$ $\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,f\left( x \right)=\infty ,\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,g\left( x \right)=\infty$ $f\left( x \right),g\left( x \right)$ ${{x}_{0}}$ ${{x}_{0}}$ ${g}'\left( x \right)\ne 0$ $\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{{f}'\left( x \right)}{{g}'\left( x \right)}$ $\infty$ $\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{f\left( x \right)}{g\left( x \right)}=\underset{x\to {{x}_{0}}}{\mathop{\lim }}\,\frac{{f}'\left( x \right)}{{g}'\left( x \right)}.$ ${I{I}'}$ $\frac{\infty }{\infty }$ ${{I}'}$ 可写出。

11. 泰勒公式

$f(x)$ ${{x}_{0}}$ $n+1$ ${{x}_{0}}$ $x$ ${{x}_{0}}$ $x$ $\xi$ $f(x)=f({{x}_{0}})+{f}'({{x}_{0}})(x-{{x}_{0}})+\frac{1}{2!}{f}''({{x}_{0}}){{(x-{{x}_{0}})}^{2}}+\cdots$ $+\frac{{{f}^{(n)}}({{x}_{0}})}{n!}{{(x-{{x}_{0}})}^{n}}+{{R}_{n}}(x)$ ${{R}_{n}}(x)=\frac{{{f}^{(n+1)}}(\xi )}{(n+1)!}{{(x-{{x}_{0}})}^{n+1}}$ $f(x)$ ${{x}_{0}}$ $n$ 阶泰勒余项。

${{x}_{0}}=0$ $n$ $f(x)=f(0)+{f}'(0)x+\frac{1}{2!}{f}''(0){{x}^{2}}+\cdots +\frac{{{f}^{(n)}}(0)}{n!}{{x}^{n}}+{{R}_{n}}(x)$ ${{R}_{n}}(x)=\frac{{{f}^{(n+1)}}(\xi )}{(n+1)!}{{x}^{n+1}}$ $\xi$ $x$ 之间.(1)式称为麦克劳林公式

${{x}_{0}}=0$ 处的泰勒公式

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

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

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

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

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

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

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

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

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

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

12. 函数单调性的判断

Th1: $f(x)$ $(a,b)$ $\forall x\in (a,b)$ $f\,'(x)>0$ $f\,'(x)<0$ $f(x)$ $(a,b)$ 内是单调增加的（或单调减少）

Th2: $f(x)$ ${{x}_{0}}$ ${{x}_{0}}$ $f\,'({{x}_{0}})=0$ 。

Th3: $f(x)$ ${{x}_{0}}$ $f\,'({{x}_{0}})=0$ $f(x)$ ${{x}_{0}}$ $f\,'({{x}_{0}})$ $x$ ${{x}_{0}}$ $f\,'(x)$ $f({{x}_{0}})$ $x$ ${{x}_{0}}$ $f\,'(x)$ $f({{x}_{0}})$ $f\,'(x)$ $x={{x}_{0}}$ $f({{x}_{0}})$ 不是极值。

Th4: $f(x)$ ${{x}_{0}}$ $f''(x)\ne 0$ $f\,'({{x}_{0}})=0$ $f'\,'({{x}_{0}})<0$ $f({{x}_{0}})$ $f'\,'({{x}_{0}})>0$ $f({{x}_{0}})$ $f'\,'({{x}_{0}})<0$ ，此方法失效。

13. 渐近线的求法

$\underset{x\to +\infty }{\mathop{\lim }}\,f(x)=b$ $\underset{x\to -\infty }{\mathop{\lim }}\,f(x)=b$ ，则

$y=b$ $y=f(x)$ 的水平渐近线。

$\underset{x\to x_{0}^{-}}{\mathop{\lim }}\,f(x)=\infty$ $\underset{x\to x_{0}^{+}}{\mathop{\lim }}\,f(x)=\infty$ ，则

$x={{x}_{0}}$ $y=f(x)$ 的铅直渐近线。

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

14. 函数凹凸性的判断

Th1: $f''(x)<0$ $f''(x)>0$ $f(x)$ 在I上是凸的（或凹的）。

Th2: ${{x}_{0}}$ $f''(x)=0$ $f''(x)$ $x$ ${{x}_{0}}$ $f''(x)$ $({{x}_{0}},f({{x}_{0}}))$ 为拐点。

Th3: $f(x)$ ${{x}_{0}}$ $f''(x)=0$ $f'''(x)\ne 0$ $({{x}_{0}},f({{x}_{0}}))$ 为拐点。

15. 弧微分

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

16.曲率

$y=f(x)$ $(x,y)$ $k=\frac{\left| y'' \right|}{{{(1+y{{'}^{2}})}^{\tfrac{3}{2}}}}$ $\left\{ \begin{align} & x=\varphi (t) \\ & y=\psi (t) \\ \end{align} \right.,$ $k=\frac{\left| \varphi '(t)\psi ''(t)-\varphi ''(t)\psi '(t) \right|}{{{[\varphi {{'}^{2}}(t)+\psi {{'}^{2}}(t)]}^{\tfrac{3}{2}}}}$ 。

17.曲率半径

$M$ $k(k\ne 0)$ $M$ $\rho$ $\rho =\frac{1}{k}$ 。

线性代数

行列式

行列式按行（列）展开定理

$A = ( a_{{ij}} )_{n \times n}$ $a_{i1}A_{j1} +a_{i2}A_{j2} + \cdots + a_{{in}}A_{{jn}} = \begin{cases}|A|,i=j\\ 0,i \neq j\end{cases}$

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

$D_{n} = \begin{vmatrix} 1 & 1 & \ldots & 1 \\ x_{1} & x_{2} & \ldots & x_{n} \\ \ldots & \ldots & \ldots & \ldots \\ x_{1}^{n - 1} & x_{2}^{n - 1} & \ldots & x_{n}^{n - 1} \\ \end{vmatrix} = \prod_{1 \leq j < i \leq n}^{}\,(x_{i} - x_{j})$

$A,B$ $n$ $\left| {AB} \right| = \left| A \right|\left| B \right| = \left| B \right|\left| A \right| = \left| {BA} \right|$ $\left| A \pm B \right| = \left| A \right| \pm \left| B \right|$ 不一定成立。

$\left| {kA} \right| = k^{n}\left| A \right|$ $A$ $n$ 阶方阵。

$A$ $n$ $|A^{T}| = |A|;|A^{- 1}| = |A|^{- 1}$ $A$ $|A^{*}| = |A|^{n - 1}$

$n \geq 2$

$\left| \begin{matrix} & {A\quad O} \\ & {O\quad B} \\ \end{matrix} \right| = \left| \begin{matrix} & {A\quad C} \\ & {O\quad B} \\ \end{matrix} \right| = \left| \begin{matrix} & {A\quad O} \\ & {C\quad B} \\ \end{matrix} \right| =| A||B|$ $A,B$ $\left| \begin{matrix} {O} & A_{m \times m} \\ B_{n \times n} & { O} \\ \end{matrix} \right| = ({- 1)}^{{mn}}|A||B|$ 。

$D_{n} = \begin{vmatrix} 1 & 1 & \ldots & 1 \\ x_{1} & x_{2} & \ldots & x_{n} \\ \ldots & \ldots & \ldots & \ldots \\ x_{1}^{n - 1} & x_{2}^{n 1} & \ldots & x_{n}^{n - 1} \\ \end{vmatrix} = \prod_{1 \leq j < i \leq n}^{}\,(x_{i} - x_{j})$

$A$ $n$ $\lambda_{i}(i = 1,2\cdots,n)$ $A$ $n$ $|A| = \prod_{i = 1}^{n}\lambda_{i}$

矩阵

$m \times n$ $a_{{ij}}$ $m$ $n$ $\begin{bmatrix} a_{11}\quad a_{12}\quad\cdots\quad a_{1n} \\ a_{21}\quad a_{22}\quad\cdots\quad a_{2n} \\ \quad\cdots\cdots\cdots\cdots\cdots \\ a_{m1}\quad a_{m2}\quad\cdots\quad a_{{mn}} \\ \end{bmatrix}$ $A$ $\left( a_{{ij}} \right)_{m \times n}$ $m = n$ $A$ $n$ $n$ 阶方阵。

矩阵的线性运算

1.矩阵的加法

$A = (a_{{ij}}),B = (b_{{ij}})$ $m \times n$ $m \times n$ $C = c_{{ij}}) = a_{{ij}} + b_{{ij}}$ $A$ $B$ $A + B = C$ 。

2.矩阵的数乘

$A = (a_{{ij}})$ $m \times n$ $k$ $m \times n$ $(ka_{{ij}})$ $k$ $A$ ${kA}$ 。

3.矩阵的乘法

$A = (a_{{ij}})$ $m \times n$ $B = (b_{{ij}})$ $n \times s$ $m \times s$ $C = (c_{{ij}})$ $c_{{ij}} = a_{i1}b_{1j} + a_{i2}b_{2j} + \cdots + a_{{in}}b_{{nj}} = \sum_{k =1}^{n}{a_{{ik}}b_{{kj}}}$ ${AB}$ $C = AB$ 。

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

${(A^{T})}^{T} = A,{(AB)}^{T} = B^{T}A^{T},{(kA)}^{T} = kA^{T},{(A \pm B)}^{T} = A^{T} \pm B^{T}$

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

${(A \pm B)}^{- 1} = A^{- 1} \pm B^{- 1}$ 不一定成立。

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

$\left( A \pm B \right)^{*} = A^{*} \pm B^{*}$ 不一定成立。

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

5.有关 $\mathbf{A}^{\mathbf{*}}$ 的结论

$AA^{*} = A^{*}A = |A|E$

$|A^{*}| = |A|^{n - 1}\ (n \geq 2),\ \ \ \ {(kA)}^{*} = k^{n -1}A^{*},{{\ \ }\left( A^{*} \right)}^{*} = |A|^{n - 2}A(n \geq 3)$

$A$ $A^{*} = |A|A^{- 1},{(A^{*})}^{*} = \frac{1}{|A|}A$

$A$ $n$ 阶方阵，则：

$r(A^*)=\begin{cases}n,\quad r(A)=n\\ 1,\quad r(A)=n-1\\ 0,\quad r(A)<n-1\end{cases}$

6.有关 $\mathbf{A}^{\mathbf{- 1}}$ 的结论

$A$ $\Leftrightarrow AB = E; \Leftrightarrow |A| \neq 0; \Leftrightarrow r(A) = n;$

$\Leftrightarrow A$ $\Leftrightarrow A;\Leftrightarrow Ax = 0$ 。

7.有关矩阵秩的结论

$r(A)$ =行秩=列秩；

$r(A_{m \times n}) \leq \min(m,n);$

$A \neq 0 \Rightarrow r(A) \geq 1$ ；

$r(A \pm B) \leq r(A) + r(B);$

(5) 初等变换不改变矩阵的秩

$r(A) + r(B) - n \leq r(AB) \leq \min(r(A),r(B)),$ $AB = O$ $r(A) + r(B) \leq n$

$A^{- 1}$ $\Rightarrow r(AB) = r(B);$ $B^{- 1}$ $\Rightarrow r(AB) = r(A);$

$r(A_{m \times n}) = n \Rightarrow r(AB) = r(B);$ $r(A_{m \times s}) = n\Rightarrow r(AB) = r\left( A \right)$ 。

$r(A_{m \times s}) = n \Leftrightarrow Ax = 0$ 只有零解

8.分块求逆公式

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

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

$A$ $B$ 均为可逆方阵。

向量

1.有关向量组的线性表示

$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\Leftrightarrow$ 至少有一个向量可以用其余向量线性表示。

$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\beta$ $\Leftrightarrow \beta$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ 唯一线性表示。

$\beta$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\Leftrightarrow r(\alpha_{1},\alpha_{2},\cdots,\alpha_{s}) =r(\alpha_{1},\alpha_{2},\cdots,\alpha_{s},\beta)$ 。

2.有关向量组的线性相关性

(1)部分相关，整体相关；整体无关，部分无关.

$n$ $n$ $\alpha_{1},\alpha_{2}\cdots\alpha_{n}$ $\Leftrightarrow \left|\left\lbrack \alpha_{1}\alpha_{2}\cdots\alpha_{n} \right\rbrack \right| \neq0$ $n$ $n$ $\alpha_{1},\alpha_{2}\cdots\alpha_{n}$ $\Leftrightarrow |\lbrack\alpha_{1},\alpha_{2},\cdots,\alpha_{n}\rbrack| = 0$ 。

$n + 1$ $n$ 维向量线性相关。

$\alpha_{1},\alpha_{2}\cdots\alpha_{S}$ 线性无关，则添加分量后仍线性无关；或一组向量线性相关，去掉某些分量后仍线性相关。

3.有关向量组的线性表示

$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\Leftrightarrow$ 至少有一个向量可以用其余向量线性表示。

$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\beta$ $\Leftrightarrow\beta$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ 唯一线性表示。

$\beta$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\Leftrightarrow r(\alpha_{1},\alpha_{2},\cdots,\alpha_{s}) =r(\alpha_{1},\alpha_{2},\cdots,\alpha_{s},\beta)$

4.向量组的秩与矩阵的秩之间的关系

$r(A_{m \times n}) =r$ $A$ $r(A)$ $A$ 的行列向量组的线性相关性关系为：

$r(A_{m \times n}) = r = m$ $A$ 的行向量组线性无关。

$r(A_{m \times n}) = r < m$ $A$ 的行向量组线性相关。

$r(A_{m \times n}) = r = n$ $A$ 的列向量组线性无关。

$r(A_{m \times n}) = r < n$ $A$ 的列向量组线性相关。

5. $\mathbf{n}$ 维向量空间的基变换公式及过渡矩阵

$\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$ $\beta_{1},\beta_{2},\cdots,\beta_{n}$ $V$ 的两组基，则基变换公式为：

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

$C$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$ $\beta_{1},\beta_{2},\cdots,\beta_{n}$ 的过渡矩阵。

6.坐标变换公式

$\gamma$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$ $\beta_{1},\beta_{2},\cdots,\beta_{n}$ $X = {(x_{1},x_{2},\cdots,x_{n})}^{T}$ ，

$Y = \left( y_{1},y_{2},\cdots,y_{n} \right)^{T}$ $\gamma =x_{1}\alpha_{1} + x_{2}\alpha_{2} + \cdots + x_{n}\alpha_{n} = y_{1}\beta_{1} +y_{2}\beta_{2} + \cdots + y_{n}\beta_{n}$ $X = CY$ $Y = C^{- 1}X$ $C$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$ $\beta_{1},\beta_{2},\cdots,\beta_{n}$ 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

$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ $\beta_{1},\beta_{2},\cdots,\beta_{s}$ $\beta_{i}$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{i}$ $(i= 1,2,\cdots,n)$ $\beta_{i}$ $\gamma_{i} =\frac{\beta_{i}}{\left| \beta_{i}\right|}$ $\gamma_{1},\gamma_{2},\cdots,\gamma_{i}$ $\beta_{1} = \alpha_{1}$ $\beta_{2} = \alpha_{2} -\frac{(\alpha_{2},\beta_{1})}{(\beta_{1},\beta_{1})}\beta_{1}$ $\beta_{3} =\alpha_{3} - \frac{(\alpha_{3},\beta_{1})}{(\beta_{1},\beta_{1})}\beta_{1} -\frac{(\alpha_{3},\beta_{2})}{(\beta_{2},\beta_{2})}\beta_{2}$ ，

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

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

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。

线性方程组

1．克莱姆法则

$\begin{cases} a_{11}x_{1} + a_{12}x_{2} + \cdots +a_{1n}x_{n} = b_{1} \\ a_{21}x_{1} + a_{22}x_{2} + \cdots + a_{2n}x_{n} =b_{2} \\ \quad\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots \\ a_{n1}x_{1} + a_{n2}x_{2} + \cdots + a_{{nn}}x_{n} = b_{n} \\ \end{cases}$ $D = \left| A \right| \neq 0$ $x_{1} = \frac{D_{1}}{D},x_{2} = \frac{D_{2}}{D},\cdots,x_{n} =\frac{D_{n}}{D}$ $D_{j}$ $D$ $j$ 列元素换成方程组右端的常数列所得的行列式。

2. $n$ $A$ $\Leftrightarrow Ax = 0$ $\Leftrightarrow\forall b,Ax = b$ $r(A_{m \times n}) = n \Leftrightarrow Ax= 0$ 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

$A$ $m \times n$ $r(A_{m \times n}) = m$ $Ax =b$ $r(A) = r(A \vdots b) = m$ $Ax = b$ 有解。

$x_{1},x_{2},\cdots x_{s}$ $Ax = b$ $k_{1}x_{1} + k_{2}x_{2}\cdots + k_{s}x_{s}$ $k_{1} + k_{2} + \cdots + k_{s} = 1$ $Ax =b$ $k_{1} + k_{2} + \cdots + k_{s} = 0$ $Ax =0$ $\frac{x_{1} + x_{2}}{2}$ $Ax = b$ $2x_{3} - (x_{1} +x_{2})$ $Ax = 0$ 的解。

${Ax} = b$ $\Leftrightarrow r(A) + 1 =r(\overline{A}) \Leftrightarrow b$ $A$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$ 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

${Ax} = 0$ ${Ax}= 0$ $n - r(A)$ ，解空间的一组基称为齐次方程组的基础解系。

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

$\eta_{1},\eta_{2},\cdots,\eta_{t}$ ${Ax} = 0$ 的解；
$\eta_{1},\eta_{2},\cdots,\eta_{t}$ 线性无关；
${Ax} = 0$ $\eta_{1},\eta_{2},\cdots,\eta_{t}$ $k_{1}\eta_{1} + k_{2}\eta_{2} + \cdots + k_{t}\eta_{t}$ ${Ax} = 0$ $k_{1},k_{2},\cdots,k_{t}$ 是任意常数。

矩阵的特征值和特征向量

1.矩阵的特征值和特征向量的概念及性质

$\lambda$ $A$ ${kA},{aA} + {bE},A^{2},A^{m},f(A),A^{T},A^{- 1},A^{*}$ ${kλ},{aλ} + b,\lambda^{2},\lambda^{m},f(\lambda),\lambda,\lambda^{- 1},\frac{|A|}{\lambda},$ $A^{T}$ 例外）。

$\lambda_{1},\lambda_{2},\cdots,\lambda_{n}$ $A$ $n$ $\sum_{i= 1}^{n}\lambda_{i} = \sum_{i = 1}^{n}a_{{ii}},\prod_{i = 1}^{n}\lambda_{i}= |A|$ $|A| \neq 0 \Leftrightarrow A$ 没有特征值。

$\lambda_{1},\lambda_{2},\cdots,\lambda_{s}$ $A$ $s$ $\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$ ，

$\alpha = k_{1}\alpha_{1} + k_{2}\alpha_{2} + \cdots + k_{s}\alpha_{s}$ ,

$A^{n}\alpha = k_{1}A^{n}\alpha_{1} + k_{2}A^{n}\alpha_{2} + \cdots +k_{s}A^{n}\alpha_{s} = k_{1}\lambda_{1}^{n}\alpha_{1} +k_{2}\lambda_{2}^{n}\alpha_{2} + \cdots k_{s}\lambda_{s}^{n}\alpha_{s}$ 。

2.相似变换、相似矩阵的概念及性质

$A \sim B$ ，则

$A^{T} \sim B^{T},A^{- 1} \sim B^{- 1},,A^{*} \sim B^{*}$
$|A| = |B|,\sum_{i = 1}^{n}A_{{ii}} = \sum_{i =1}^{n}b_{{ii}},r(A) = r(B)$
$|\lambda E - A| = |\lambda E - B|$ $\forall\lambda$ 成立

3.矩阵可相似对角化的充分必要条件

$A$ $n$ $A$ $\Leftrightarrow$ $k_{i}$ $\lambda_{i}$ $n-r(\lambda_{i}E - A) = k_{i}$

$A$ $P^{- 1}{AP} = \Lambda,$ $A = {PΛ}P^{-1}$ $A^{n} = P\Lambda^{n}P^{- 1}$

(3) 重要结论

$A \sim B,C \sim D$ $\begin{bmatrix} A & O \\ O & C \\\end{bmatrix} \sim \begin{bmatrix} B & O \\ O & D \\\end{bmatrix}$ .
$A \sim B$ $f(A) \sim f(B),\left| f(A) \right| \sim \left| f(B)\right|$ $f(A)$ $n$ $A$ 的多项式。
$A$ $A$ )

4.实对称矩阵的特征值、特征向量及相似对角阵

$A,B$ $n$ $P$ $B =P^{- 1}{AP}$ $A$ $B$ $A \sim B$ 。

$A \sim B$ 则有：

$A^{T} \sim B^{T}$
$A^{- 1} \sim B^{- 1}$ $A$ $B$ 均可逆）
$A^{k} \sim B^{k}$ $k$ 为正整数）
$\left| {λE} - A \right| = \left| {λE} - B \right|$ $A,B$ 有相同的特征值
$\left| A \right| = \left| B \right|$ $A,B$ 同时可逆或者不可逆
$\left( A \right) =$ $\left( B \right),\left| {λE} - A \right| =\left| {λE} - B \right|$ $A,B$ 不一定相似

二次型

1. $\mathbf{n}$ 个变量的二次齐次函数

$f(x_{1},x_{2},\cdots,x_{n}) = \sum_{i = 1}^{n}{\sum_{j =1}^{n}{a_{{ij}}x_{i}y_{j}}}$ $a_{{ij}} = a_{{ji}}(i,j =1,2,\cdots,n)$ $n$ $x = \ \begin{bmatrix}x_{1} \\ x_{1} \\ \vdots \\ x_{n} \\ \end{bmatrix},A = \begin{bmatrix} a_{11}& a_{12}& \cdots & a_{1n} \\ a_{21}& a_{22}& \cdots & a_{2n} \\ \cdots &\cdots &\cdots &\cdots \\ a_{n1}& a_{n2} & \cdots & a_{{nn}} \\\end{bmatrix}$ $f$ $f =x^{T}{Ax}$ $A$ $a_{{ij}} =a_{{ji}}(i,j =1,2,\cdots,n)$ $A$ 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

$f = \left( x_{1},x_{2},\cdots,x_{n} \right) =x^{T}{Ax}$ $x = {Cy}$ $f = x^{T}{Ax} =y^{T}C^{T}{AC}$

$y = \sum_{i = 1}^{r}{d_{i}y_{i}^{2}}$ $f(r \leq n)$ $r(A)$ 唯一确定。

(3) 规范形

$f$ $f = z_{1}^{2} + z_{2}^{2} + \cdots z_{p}^{2} - z_{p + 1}^{2} - \cdots -z_{r}^{2}$ $r$ $A$ $p$ $r -p$ 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

$A$ $\Rightarrow {kA}(k > 0),A^{T},A^{- 1},A^{*}$ $|A| >0$ $A$ $a_{{ii}} > 0$ $|A_{{ii}}| > 0$

$A$ $B$ $\Rightarrow A +B$ ${AB}$ ${BA}$ 不一定正定

$A$ $\Leftrightarrow f(x) = x^{T}{Ax} > 0,\forall x \neq 0$

$\Leftrightarrow A$ 的各阶顺序主子式全大于零

$\Leftrightarrow A$ 的所有特征值大于零

$\Leftrightarrow A$ $n$

$\Leftrightarrow$ $P$ $A = P^{T}P$

$\Leftrightarrow$ $Q$ $Q^{T}{AQ} = Q^{- 1}{AQ} =\begin{pmatrix} \lambda_{1} & & \\ \begin{matrix} & \\ & \\ \end{matrix} &\ddots & \\ & & \lambda_{n} \\ \end{pmatrix},$

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

概率论和数理统计

随机事件和概率

1.事件的关系与运算

$A \subset B$ $A$ $B$ 发生。

$A = B$ $A \subset B$ $B \subset A$ 。

$A\bigcup B$ $A + B$ $A$ $B$ 中至少有一个发生。

$A - B$ $A$ $B$ 不发生。

$A\bigcap B$ ${AB}$ $A$ $B$ 同时发生。

$A\bigcap B$ $\varnothing$ 。

$A\bigcap B=\varnothing ,A\bigcup B=\Omega ,A=\bar{B},B=\bar{A}$

2.运算律

$A\bigcup B=B\bigcup A,A\bigcap B=B\bigcap A$ $(A\bigcup B)\bigcup C=A\bigcup (B\bigcup C)$ $(A\bigcap B)\bigcap C=A\bigcap (B\bigcap C)$

$\centerdot$ 摩根律

$\overline{A\bigcup B}=\bar{A}\bigcap \bar{B}$ $\overline{A\bigcap B}=\bar{A}\bigcup \bar{B}$

4.完全事件组

${{A}_{1}}{{A}_{2}}\cdots {{A}_{n}}$ ${{A}_{i}}\bigcap {{A}_{j}}=\varnothing, i\ne j ,\underset{i=1}{\overset{n}{\mathop \bigcup }}\,=\Omega$

5.概率的基本公式

$P(B|A)=\frac{P(AB)}{P(A)}$ $A$ $B$ $P(A)=\sum\limits_{i=1}^{n}{P(A|{{B}_{i}})P({{B}_{i}}),{{B}_{i}}{{B}_{j}}}=\varnothing ,i\ne j,\underset{i=1}{\overset{n}{\mathop{\bigcup }}}\,{{B}_{i}}=\Omega$ (3) Bayes公式：

$P({{B}_{j}}|A)=\frac{P(A|{{B}_{j}})P({{B}_{j}})}{\sum\limits_{i=1}^{n}{P(A|{{B}_{i}})P({{B}_{i}})}},j=1,2,\cdots ,n$ ${{B}_{i}}$ $P({{A}_{1}}{{A}_{2}})=P({{A}_{1}})P({{A}_{2}}|{{A}_{1}})=P({{A}_{2}})P({{A}_{1}}|{{A}_{2}})$ $P({{A}_{1}}{{A}_{2}}\cdots {{A}_{n}})=P({{A}_{1}})P({{A}_{2}}|{{A}_{1}})P({{A}_{3}}|{{A}_{1}}{{A}_{2}})\cdots P({{A}_{n}}|{{A}_{1}}{{A}_{2}}\cdots {{A}_{n-1}})$

6.事件的独立性

$A$ $B$ $\Leftrightarrow P(AB)=P(A)P(B)$ $A$ $B$ $C$ $\Leftrightarrow P(AB)=P(A)P(B)$ $P(BC)=P(B)P(C)$ $P(AC)=P(A)P(C)$ $A$ $B$ $C$ $\Leftrightarrow P(AB)=P(A)P(B)$ $P(BC)=P(B)P(C)$ $P(AC)=P(A)P(C)$ $P(ABC)=P(A)P(B)P(C)$

7.独立重复试验

$n$ $p$ $n$ $A$ $k$ $P(X=k)=C_{n}^{k}{{p}^{k}}{{(1-p)}^{n-k}}$ 8.重要公式与结论

$P(\bar{A})=1-P(A)$

$P(A\bigcup B)=P(A)+P(B)-P(AB)$ $P(A\bigcup B\bigcup C)=P(A)+P(B)+P(C)-P(AB)-P(BC)-P(AC)+P(ABC)$ $P(A-B)=P(A)-P(AB)$ $P(A\bar{B})=P(A)-P(AB),P(A)=P(AB)+P(A\bar{B}),$ $P(A\bigcup B)=P(A)+P(\bar{A}B)=P(AB)+P(A\bar{B})+P(\bar{A}B)$ $P(\centerdot |B)$ $P({{\bar{A}}_{1}}|B)=1-P({{A}_{1}}|B)$ $P({{A}_{1}}\bigcup {{A}_{2}}|B)=P({{A}_{1}}|B)+P({{A}_{2}}|B)-P({{A}_{1}}{{A}_{2}}|B)$ $P({{A}_{1}}{{A}_{2}}|B)=P({{A}_{1}}|B)P({{A}_{2}}|{{A}_{1}}B)$ ${{A}_{1}},{{A}_{2}},\cdots ,{{A}_{n}}$ $P(\bigcap\limits_{i=1}^{n}{{{A}_{i}}})=\prod\limits_{i=1}^{n}{P({{A}_{i}})},$ $P(\bigcup\limits_{i=1}^{n}{{{A}_{i}}})=\prod\limits_{i=1}^{n}{(1-P({{A}_{i}}))}$ $A$ $B$ $\Rightarrow$ $A$ $B$ $A$ $B$ $\Rightarrow$ $A$ $B$ ${{A}_{1}},{{A}_{2}},\cdots ,{{A}_{m}},{{B}_{1}},{{B}_{2}},\cdots ,{{B}_{n}}$ $f({{A}_{1}},{{A}_{2}},\cdots ,{{A}_{m}})$ $g({{B}_{1}},{{B}_{2}},\cdots ,{{B}_{n}})$ $f(\centerdot ),g(\centerdot )$ 分别表示对相应事件做任意事件运算后所得的事件，另外，概率为1（或0）的事件与任何事件相互独立.

随机变量及其概率分布

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

$F(x) = P(X \leq x), - \infty < x < + \infty$

$0 \leq F(x) \leq 1$

$F(x)$ 单调不减

$F(x + 0) = F(x)$

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

3.离散型随机变量的概率分布

$P(X = x_{i}) = p_{i},i = 1,2,\cdots,n,\cdots\quad\quad p_{i} \geq 0,\sum_{i =1}^{\infty}p_{i} = 1$

4.连续型随机变量的概率密度

$f(x)$ ;非负可积，且:

$f(x) \geq 0,$

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

$x$ $f(x)$ 的连续点，则:

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

5.常见分布

$P(X = k) = p^{k}{(1 - p)}^{1 - k},k = 0,1$

$B(n,p)$ $P(X = k) = C_{n}^{k}p^{k}{(1 - p)}^{n - k},k =0,1,\cdots,n$

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

$U(a,b)$ $f(x) = \{ \begin{matrix} & \frac{1}{b - a},a < x< b \\ & 0, \\ \end{matrix}$

$N(\mu,\sigma^{2}):$ $\varphi(x) =\frac{1}{\sqrt{2\pi}\sigma}e^{- \frac{{(x - \mu)}^{2}}{2\sigma^{2}}},\sigma > 0,\infty < x < + \infty$

$E(\lambda):f(x) =\{ \begin{matrix} & \lambda e^{-{λx}},x > 0,\lambda > 0 \\ & 0, \\ \end{matrix}$

$G(p):P(X = k) = {(1 - p)}^{k - 1}p,0 < p < 1,k = 1,2,\cdots.$

$H(N,M,n):P(X = k) = \frac{C_{M}^{k}C_{N - M}^{n -k}}{C_{N}^{n}},k =0,1,\cdots,min(n,M)$

6.随机变量函数的概率分布

$P(X = x_{1}) = p_{i},Y = g(X)$

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

$X\tilde{\ }f_{X}(x),Y = g(x)$

$F_{y}(y) = P(Y \leq y) = P(g(X) \leq y) = \int_{g(x) \leq y}^{}{f_{x}(x)dx}$ $f_{Y}(y) = F'_{Y}(y)$

7.重要公式与结论

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

$X\sim N\left( \mu,\sigma^{2} \right) \Rightarrow \frac{X -\mu}{\sigma}\sim N\left( 0,1 \right),P(X \leq a) = \Phi(\frac{a -\mu}{\sigma})$

$X\sim E(\lambda) \Rightarrow P(X > s + t|X > s) = P(X > t)$

$X\sim G(p) \Rightarrow P(X = m + k|X > m) = P(X = k)$

(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。

多维随机变量及其分布

1.二维随机变量及其联合分布

$(X,Y)$ $F(x,y) = P(X \leq x,Y \leq y)$

2.二维离散型随机变量的分布

$P\{ X = x_{i},Y = y_{j}\} = p_{{ij}};i,j =1,2,\cdots$

$p_{i \cdot} = \sum_{j = 1}^{\infty}p_{{ij}},i =1,2,\cdots$ $p_{\cdot j} = \sum_{i}^{\infty}p_{{ij}},j = 1,2,\cdots$

$P\{ X = x_{i}|Y = y_{j}\} = \frac{p_{{ij}}}{p_{\cdot j}}$ $P\{ Y = y_{j}|X = x_{i}\} = \frac{p_{{ij}}}{p_{i \cdot}}$

3. 二维连续性随机变量的密度

$f(x,y):$

$f(x,y) \geq 0$
$\int_{- \infty}^{+ \infty}{\int_{- \infty}^{+ \infty}{f(x,y)dxdy}} = 1$

$F(x,y) = \int_{- \infty}^{x}{\int_{- \infty}^{y}{f(u,v)dudv}}$

$f_{X}\left( x \right) = \int_{- \infty}^{+ \infty}{f\left( x,y \right){dy}}$ $f_{Y}(y) = \int_{- \infty}^{+ \infty}{f(x,y)dx}$

$f_{X|Y}\left( x \middle| y \right) = \frac{f\left( x,y \right)}{f_{Y}\left( y \right)}$ $f_{Y|X}(y|x) = \frac{f(x,y)}{f_{X}(x)}$

4.常见二维随机变量的联合分布

$(x,y) \sim U(D)$ $f(x,y) = \begin{cases} \frac{1}{S(D)},(x,y) \in D \\ 0,其他 \end{cases}$

$(X,Y)\sim N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)$ $(X,Y)\sim N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)$

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

5.随机变量的独立性和相关性

$X$ $Y$ $\Leftrightarrow F\left( x,y \right) = F_{X}\left( x \right)F_{Y}\left( y \right)$ :

$\Leftrightarrow p_{{ij}} = p_{i \cdot} \cdot p_{\cdot j}$ $\Leftrightarrow f\left( x,y \right) = f_{X}\left( x \right)f_{Y}\left( y \right)$ （连续型）

$X$ $Y$ 的相关性：

$\rho_{{XY}} = 0$ $X$ $Y$ $X$ $Y$ 相关

6.两个随机变量简单函数的概率分布

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

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

$\left( X,Y \right) \sim f\left( x,y \right),Z = g\left( X,Y \right)$ 则：

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

7.重要公式与结论

$f_{X}(x) = \int_{- \infty}^{+ \infty}{f(x,y)dy,}$ $f_{Y}(y) = \int_{- \infty}^{+ \infty}{f(x,y)dx}$

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

$(X,Y)$ $N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)$ 则有：

$X\sim N\left( \mu_{1},\sigma_{1}^{2} \right),Y\sim N(\mu_{2},\sigma_{2}^{2}).$
$X$ $Y$ $\Leftrightarrow \rho = 0$ $X$ $Y$ 不相关。
$C_{1}X + C_{2}Y\sim N(C_{1}\mu_{1} + C_{2}\mu_{2},C_{1}^{2}\sigma_{1}^{2} + C_{2}^{2}\sigma_{2}^{2} + 2C_{1}C_{2}\sigma_{1}\sigma_{2}\rho)$
${\ X}$ $Y=y$ $N(\mu_{1} + \rho\frac{\sigma_{1}}{\sigma_{2}}(y - \mu_{2}),\sigma_{1}^{2}(1 - \rho^{2}))$
$Y$ $X = x$ $N(\mu_{2} + \rho\frac{\sigma_{2}}{\sigma_{1}}(x - \mu_{1}),\sigma_{2}^{2}(1 - \rho^{2}))$

$X$ $Y$ $N(\mu_{1},\sigma_{1}^{2}),N(\mu_{1},\sigma_{2}^{2}),$ $\left( X,Y \right)\sim N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},0),$

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

$X$ $Y$ $f\left( x \right)$ $g\left( x \right)$ $f\left( X \right)$ $g(Y)$ 也相互独立。

随机变量的数字特征

1.数学期望

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

$X\sim f(x),E(X) = \int_{- \infty}^{+ \infty}{xf(x)dx}$

性质：

$E(C) = C,E\lbrack E(X)\rbrack = E(X)$

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

$X$ $Y$ $E(XY) = E(X)E(Y)$

$\left\lbrack E(XY) \right\rbrack^{2} \leq E(X^{2})E(Y^{2})$

2.方差 $D(X) = E\left\lbrack X - E(X) \right\rbrack^{2} = E(X^{2}) - \left\lbrack E(X) \right\rbrack^{2}$

3.标准差 $\sqrt{D(X)}$ ，

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

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

性质：

$\ D(C) = 0,D\lbrack E(X)\rbrack = 0,D\lbrack D(X)\rbrack = 0$

$X$ $Y$ $D(X \pm Y) = D(X) + D(Y)$

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

$D(X \pm Y) = D(X) + D(Y) \pm 2Cov(X,Y) = D(X) + D(Y) \pm 2\rho\sqrt{D(X)}\sqrt{D(Y)}$

$\ D\left( X \right) < E\left( X - C \right)^{2},C \neq E\left( X \right)$

$\ D(X) = 0 \Leftrightarrow P\left\{ X = C \right\} = 1$

6.随机变量函数的数学期望

$Y = g(x)$

$X$ $P\{ X = x_{i}\} = p_{i},E(Y) = \sum_{i}^{}{g(x_{i})p_{i}}$ ；

$X$ $X\sim f(x),E(Y) = \int_{- \infty}^{+ \infty}{g(x)f(x)dx}$

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

7.协方差

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

8.相关系数

$\rho_{{XY}} = \frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$ $k$ $E(X^{k})$ $k$ $E\left\{ {\lbrack X - E(X)\rbrack}^{k} \right\}$

性质：

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

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

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

$\ \left| \rho\left( X,Y \right) \right| \leq 1$

$\ \rho\left( X,Y \right) = 1 \Leftrightarrow P\left( Y = aX + b \right) = 1$ $a > 0$

$\rho\left( X,Y \right) = - 1 \Leftrightarrow P\left( Y = aX + b \right) = 1$ $a < 0$

9.重要公式与结论

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

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

$\left| \rho\left( X,Y \right) \right| \leq 1,$ $\rho\left( X,Y \right) = 1 \Leftrightarrow P\left( Y = aX + b \right) = 1$ $a > 0$

$\rho\left( X,Y \right) = - 1 \Leftrightarrow P\left( Y = aX + b \right) = 1$ $a < 0$

(4) 下面5个条件互为充要条件：

$\rho(X,Y) = 0$ $\Leftrightarrow Cov(X,Y) = 0$ $\Leftrightarrow E(X,Y) = E(X)E(Y)$ $\Leftrightarrow D(X + Y) = D(X) + D(Y)$ $\Leftrightarrow D(X - Y) = D(X) + D(Y)$

$X$ $Y$ 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。

数理统计的基本概念

1.基本概念

$X$ 表示。

个体：组成总体的每个基本元素。

$X$ $n$ $X_{1},X_{2}\cdots,X_{n}$ $n$ 的简单随机样本，简称样本。

$X_{1},X_{2}\cdots,X_{n},$ $X$ $g(X_{1},X_{2}\cdots,X_{n})$ $g()$ $g(X_{1},X_{2}\cdots,X_{n})$ 为统计量。

$\overline{X} = \frac{1}{n}\sum_{i = 1}^{n}X_{i}$

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

$k$ $A_{k} = \frac{1}{n}\sum_{i = 1}^{n}X_{i}^{k},k = 1,2,\cdots$

$k$ $B_{k} = \frac{1}{n}\sum_{i = 1}^{n}{(X_{i} - \overline{X})}^{k},k = 1,2,\cdots$

2.分布

$\chi^{2}$ $\chi^{2} = X_{1}^{2} + X_{2}^{2} + \cdots + X_{n}^{2}\sim\chi^{2}(n)$ $X_{1},X_{2}\cdots,X_{n},$ $N(0,1)$

$t$ $T = \frac{X}{\sqrt{Y/n}}\sim t(n)$ $X\sim N\left( 0,1 \right),Y\sim\chi^{2}(n),$ $X$ $Y$ 相互独立。

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

$P(X \leq x_{\alpha}) = \alpha,$ $x_{\alpha}$ $X$ $\alpha$ 分位数

3.正态总体的常用样本分布

$X_{1},X_{2}\cdots,X_{n}$ $N(\mu,\sigma^{2})$ 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：

$\overline{X}\sim N\left( \mu,\frac{\sigma^{2}}{n} \right){\ \ }$ $\frac{\overline{X} - \mu}{\frac{\sigma}{\sqrt{n}}}\sim N(0,1)$
$\frac{(n - 1)S^{2}}{\sigma^{2}} = \frac{1}{\sigma^{2}}\sum_{i = 1}^{n}{{(X_{i} - \overline{X})}^{2}\sim\chi^{2}(n - 1)}$
$\frac{1}{\sigma^{2}}\sum_{i = 1}^{n}{{(X_{i} - \mu)}^{2}\sim\chi^{2}(n)}$

${\ \ }\frac{\overline{X} - \mu}{S/\sqrt{n}}\sim t(n - 1)$

4.重要公式与结论

$\chi^{2}\sim\chi^{2}(n)$ $E(\chi^{2}(n)) = n,D(\chi^{2}(n)) = 2n;$

$T\sim t(n)$ $E(T) = 0,D(T) = \frac{n}{n - 2}(n > 2)$ ；

$F\tilde{\ }F(m,n)$ $\frac{1}{F}\sim F(n,m),F_{a/2}(m,n) = \frac{1}{F_{1 - a/2}(n,m)};$

$X$ $E(\overline{X}) = E(X),E(S^{2}) = D(X),D(\overline{X}) = \frac{D(X)}{n}$

数学 & 统计知识大全（附视频）

高等数学

1. 导数定义

2. 左右导数导数的几何意义和物理意义

3. 函数的可导性与连续性之间的关系

4. 平面曲线的切线和法线

5. 四则运算法则

6. 基本导数与微分表

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

8. 常用高阶导数公式

9. 微分中值定理，泰勒公式

10. 洛必达法则

11. 泰勒公式

12. 函数单调性的判断

13. 渐近线的求法

14. 函数凹凸性的判断

15. 弧微分

16.曲率

17.曲率半径

线性代数

行列式

矩阵

1.矩阵的加法

2.矩阵的数乘

3.矩阵的乘法

4. AT\mathbf{A}^{\mathbf{T}}、A−1\mathbf{A}^{\mathbf{-1}}、A∗\mathbf{A}^{\mathbf{*}}三者之间的关系

5.有关A∗\mathbf{A}^{\mathbf{*}}的结论

6.有关A−1\mathbf{A}^{\mathbf{- 1}}的结论

7.有关矩阵秩的结论

8.分块求逆公式

向量

1.有关向量组的线性表示

2.有关向量组的线性相关性

3.有关向量组的线性表示

4.向量组的秩与矩阵的秩之间的关系

5.n\mathbf{n}维向量空间的基变换公式及过渡矩阵

6.坐标变换公式

7.向量的内积

8.Schmidt正交化

9.正交基及规范正交基

线性方程组

1．克莱姆法则

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

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

矩阵的特征值和特征向量

1.矩阵的特征值和特征向量的概念及性质

2.相似变换、相似矩阵的概念及性质

3.矩阵可相似对角化的充分必要条件

4.实对称矩阵的特征值、特征向量及相似对角阵

二次型

1.n\mathbf{n}个变量的二次齐次函数

2.惯性定理，二次型的标准形和规范形

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

概率论和数理统计

随机事件和概率

1.事件的关系与运算

2.运算律

3.德⋅\centerdot 摩根律

4.完全事件组

5.概率的基本公式

6.事件的独立性

7.独立重复试验

随机变量及其概率分布

1.随机变量及概率分布

2.分布函数的概念与性质

3.离散型随机变量的概率分布

4.连续型随机变量的概率密度

5.常见分布

6.随机变量函数的概率分布

7.重要公式与结论

多维随机变量及其分布

1.二维随机变量及其联合分布

2.二维离散型随机变量的分布

3. 二维连续性随机变量的密度

4.常见二维随机变量的联合分布

5.随机变量的独立性和相关性

6.两个随机变量简单函数的概率分布

7.重要公式与结论

随机变量的数字特征

1.数学期望

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

5.有关 $\mathbf{A}^{\mathbf{*}}$ 的结论

6.有关 $\mathbf{A}^{\mathbf{- 1}}$ 的结论

5. $\mathbf{n}$ 维向量空间的基变换公式及过渡矩阵

1. $\mathbf{n}$ 个变量的二次齐次函数

$\centerdot$ 摩根律

2.方差 $D(X) = E\left\lbrack X - E(X) \right\rbrack^{2} = E(X^{2}) - \left\lbrack E(X) \right\rbrack^{2}$

3.标准差 $\sqrt{D(X)}$ ，

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

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