特征值 一、基本要求 1.理解矩阵的特征值、特征向量的概念并掌握其求法; 2.了解相似矩阵的概念、性质及矩阵对角化的充要条件,会化矩阵为相似对角形 二、内容提要 1.特征值与特征向量 设A为n阶方阵,a为n维非零列向量,为一个数,使得则称为A的一个特征值,a为A对应于的一个特征向量 2.特征向量的性质 (1)对应于不同特征值的特征向量是线性无关的 (2)同一特征值的特征向量a1,a2,…,am的任意非零线性组合

矩阵 一、基本要求 1.理解矩阵的概念,掌握单位矩阵、对角矩阵、对称矩阵、反对称矩阵及其性质; 2.熟练掌握矩阵的线性运算、乘法运算、转置运算及其各种运算的规律 3.知道方阵的行列式及其性质 4.理解逆矩阵的概念及逆矩阵存在的充分必要条件,掌握矩阵求逆的方法,会用初等变换或伴随矩阵求逆矩阵; 5.熟练掌握矩阵的初等变换,了解初等矩阵; 6.理解矩阵的秩的概念,会求矩阵的秩;

一、概率的定义 一个随机事件在一次试验中可能发生,也可能不发生,但我们希望知道事件发生的可能性大 小,并且用数来刻划它。我们称用来刻画事件发生可能性大小的数为事件发生的概率。在概率论 发展初期,概率是用频率来定义,称为概率的统计定义。它的优点是比较直观,但是通过频率来 求概率,需要做的试验次数多、费时、费力,不严格,并且也不利于理论上的推广

一、二维随机变量的概念及其分布函数 1.概念 定义 1.设是随机试验E的样本空间,X(a),y(a)是定义在上的随机变量,称有序组 (X,)为二维随机变量或二维随机向量,简记为R.v(x,y)。称(Xx2x)为n维随机变量或 n维随机向量

一、大数定律 我们知道,概率论与数理统计是研究随机现象统计规律性的数学分支。但是,只有对大量随 机现象进行观测时,随机现象的统计规律性才会呈现出来。为了考察“大量”的随机现象,就导 致了极限定理的研究。概率论中极限定理的内容是很广泛的,其中最主要的是大数定律和中心极 限定理 在引入大数定理之前我们先证明一个重要的定理

一、参数估计含义 假设总体的分布类型已知,但其所含的某些参数未知,利用样本资料,对这些未知参数进行 估计称为参数估计。参数估计又分为点估计和区间估计,这次课我们讲点估计及其评价标准

•§1 退化的数学模型和对角化 •§2 无约束恢复 •§3 有约束恢复 •§4 几何失真校正 •§5 投影重建

•§1 退化的数学模型和对角化 •§2 无约束恢复 •§3 有约束恢复 •§4 几何失真校正 •§5 投影重建

前面我们讲了参数估计,但在很多场合下我们并不需要对参数进行估计,而是要对总体的分 布或参数作某种检验,这就是我们假设检验要解决的问题

由于很多总体都是正态总体,所以正态总体参数的假设检验尤为重要,利用上一节课讲过的 方法和正态总体的均值方差函数的性质,可导出下列检验表