4.4协方差和相关系数 问题对于二维随机变量(,): 已知联合分布 边缘分布 对二维随机变量除每个随机变量各自 的概率特性外,相互之间可能还有某种联系 问题是用一个怎样的数去反映这种联系 数 反映了随机变量X,Y之间的某种关系

7.2点估计的评价标准 对于同一个未知参数,不同的方法得 到的估计量可能不同,于是提出问题 应该选用哪一种估计量? 用何标准来评价一个估计量的好坏? (1)无偏性 常用 标准 （2)有效性 (3)致性

第二章矩阵 要求: 1、理解矩阵的概念。掌握一些特殊矩阵及其性质,如零矩阵、单位矩阵、对角矩阵、三角矩阵、对称矩阵等 2、掌握矩阵的基本运算及其运算规则,如线性运算、乘法运算、矩阵行列式运算等 3、理解逆矩阵概念,掌握逆矩阵性质及矩阵可逆的充分必要条件,了解伴随矩阵概念; 4、掌握矩阵的初等变换,了解初等矩阵的性质和矩阵等价的概念,掌握用初等变换求过矩阵的方法。 5、掌握矩阵的分块运算

2.3连续型随机变量 连续型rv的概念 定义设是随机变量,若存在一个非负 可积函数(x),使得 其中F(x)是它的分布函数 则称x是连续型rv,f(x)是它的概率 密度函数(p.d.f.),简记为df

4.1.3线性空间的基与维数,向量的坐标 设V是数域K上的线性空间, 定义4.9基和维数 如果在V中存在n个向量a1,a2,…,an,满足 1)、a1,a2,…,an线性无关; 2)、V中任一向量在K上可表成a1,a2,…,an的线性组合, 则称a1,a2,,an为V的一组基。 基即是V的一个极大线性无关部分组

第四章4-3线性映射与线性变换 4.3.1线性映射的定义 定义设U,V为数域K上的线性空间,φ:U→V为映射,且满足以下两个条件: i)、(a+)=(a)+(),(a,B∈U); i)、(ka)=k(a),(a∈U,k∈K), 则称为(由U到V的)线性映射, 由数域K上的线性空间U到V的K的线性映射的全体记为Hom(U,V),或简记为 Hom(U,). 定义中的i和)二条件可用下述一条代替 (ka+1)=k(a)+kq(B),(a,B∈U,k,l∈K)

第五章5-3实与复二次型的分类 1.复、实二次型的规范形 定理复数域上的任一二次型f在可逆变数替换下都可化为规范形 zi+…+z, 其中r是f的秩.复二次型的规范形是唯一的. 证明复数域C上给定二次型) f=, x,x, ( =ai 设它在可逆线性变数替换X=TZ下变为标准型 d1z2+d2z2+…an 这相当于在C上n维线性空间V内做一个基变换 (n2n)=(1,2EnT 使对称双线性函数f(a,B)在新基下的矩阵成对角形

第六章带度量的线性空间 6-1欧几里得空间 设f是实线性空间V上的一个正定、对称的双线性函数,则Va,B∈V,(a,): f(a,B)称为向量a与B的内积;具有内积的实线性空间称为欧几里得空间(简称欧氏空 间) 对任意α∈V,定义 lalv(a,a) 为向量a的长度或模.|a|=1时,称a为单位向量 命题1.1(柯西-布尼雅可夫斯基不等式)对欧氏空间V内任意两个向量a,,有

9-2C,R,Q上多项式的因式分解 9.2.1复数域、实数域上多项式的因式分解 定理(高等代数基本定理)复数域C上任意一个次数≥1的多项式在C内必有一个 根。 这个定理的证明是放在复变函数课程中完成的。 由高等代数基本定理,我们得到C[x]内多项式的因式分解的重要结论: 命题C[x]内一个次数≥1的多项式p(x)是不可约多项式的充分必要条件为它是一次 多项式。 证明在任一数域K上的一次多项式f(x)都是K[x]内的不可约多项式(因为 (f(x),f(x)=1)。现在假设p(x)是C[x]内的一个不可约多项式

9.2.2Qx]内多项式的因式分解 定义9.12定义Z[x]={axn+a1x+…+∈Z,i=01n}。 假设f(x)∈Z[x],f(x)≠0及±1。如果g(x)h(x)∈[x],使得f(x)=g(x)h(x), 且g(x)≠±1,h(x)≠±1,则称f(x)在Z[x]内可约,否则称f(x)在Z[x]内不可约 定义9.13设 f(x)=ax+axn+…+an∈Z[x], 这里n≥1。如果(aa1an)=1,则称f(x)是一个本原多项式。 命题Q[x]内一个非零多项式f(x)可以表成一个有理数k和一个本原多项式f(x)的