《高等工程数学》习题卷一(AI出题)

第1大题(共8小题,每小题5分,共40分)

1.1 已知线性空间 V = R 3 V=\mathbb{R}^3 V=R3的一组基 B = { ( 1 , 0 , 0 ) , ( 0 , 1 , 0 ) , ( 0 , 0 , 1 ) } B=\{(1,0,0),(0,1,0),(0,0,1)\} B={(1,0,0),(0,1,0),(0,0,1)},向量 v = ( 2 , 3 , 4 ) v=(2,3,4) v=(2,3,4)在该基下的坐标是多少?

解:由于 B B B V V V的一组基,因此 v v v可以表示为 v = a 1 ( 1 , 0 , 0 ) + a 2 ( 0 , 1 , 0 ) + a 3 ( 0 , 0 , 1 ) v=a_1(1,0,0)+a_2(0,1,0)+a_3(0,0,1) v=a1(1,0,0)+a2(0,1,0)+a3(0,0,1),其中 a 1 , a 2 , a 3 a_1,a_2,a_3 a1,a2,a3 v v v B B B下的坐标。因此,我们只需要求出 a 1 , a 2 , a 3 a_1,a_2,a_3 a1,a2,a3即可。

v v v代入上式得:

( 2 , 3 , 4 ) = a 1 ( 1 , 0 , 0 ) + a 2 ( 0 , 1 , 0 ) + a 3 ( 0 , 0 , 1 ) (2,3,4)=a_1(1,0,0)+a_2(0,1,0)+a_3(0,0,1) (2,3,4)=a1(1,0,0)+a2(0,1,0)+a3(0,0,1)

化简得:

{ a 1 = 2 a 2 = 3 a 3 = 4 \begin{cases}a_1=2\\a_2=3\\a_3=4\end{cases} a1=2a2=3a3=4

因此,向量 v v v在基 B B B下的坐标为 ( 2 , 3 , 4 ) (2,3,4) (2,3,4)

1.2 给定欧氏空间 R 3 \mathbb{R}^3 R3的标准正交基 { e 1 , e 2 , e 3 } \{\mathbf{e}_1,\mathbf{e}_2,\mathbf{e}_3\} {e1,e2,e3},向量 v = ( 1 , 2 , 2 ) \mathbf{v}=(1,2,2) v=(1,2,2)的长度为多少?

解答过程:

v \mathbf{v} v的长度为 ∥ v ∥ = v ⋅ v = 1 2 + 2 2 + 2 2 = 9 = 3 \|\mathbf{v}\|=\sqrt{\mathbf{v}\cdot\mathbf{v}}=\sqrt{1^2+2^2+2^2}=\sqrt{9}=3 v=vv =12+22+22 =9 =3

答案: 3 3 3

1.3 给定矩阵 A = ( 1 2 3 4 5 6 7 8 9 ) A=\begin{pmatrix}1&2&3\\4&5&6\\7&8&9\end{pmatrix} A=147258369,求其2-范数、无穷范数、1-范数。

解答过程:

A A A的2-范数为 ∥ A ∥ 2 = λ max ⁡ ( A T A ) = λ max ⁡ ( 66 78 90 78 93 108 90 108 126 ) = 294 \|A\|_2=\sqrt{\lambda_{\max}(A^TA)}=\sqrt{\lambda_{\max}\begin{pmatrix}66&78&90\\78&93&108\\90&108&126\end{pmatrix}}=\sqrt{294} A2=λmax(ATA) =λmax667890789310890108126 =294

A A A的无穷范数为 ∥ A ∥ ∞ = max ⁡ 1 ≤ i ≤ 3 ∑ j = 1 3 ∣ a i j ∣ = max ⁡ { 6 , 15 , 24 } = 24 \|A\|_{\infty}=\max_{1\leq i\leq 3}\sum_{j=1}^3|a_{ij}|=\max\{6,15,24\}=24 A=max1i3j=13aij=max{6,15,24}=24

A A A的1-范数为 ∥ A ∥ 1 = max ⁡ 1 ≤ j ≤ 3 ∑ i = 1 3 ∣ a i j ∣ = max ⁡ { 12 , 15 , 18 } = 18 \|A\|_1=\max_{1\leq j\leq 3}\sum_{i=1}^3|a_{ij}|=\max\{12,15,18\}=18 A1=max1j3i=13aij=max{12,15,18}=18

答案: 294 , 24 , 18 \sqrt{294},24,18 294 ,24,18

1.4 确定方阵 A A A幂级数 ∑ k = 0 ∞ A k \sum_{k=0}^{\infty}A^k k=0Ak收敛的条件。

解答过程:

ρ ( A ) < 1 \rho(A)<1 ρ(A)<1时,幂级数 ∑ k = 0 ∞ A k \sum_{k=0}^{\infty}A^k k=0Ak收敛,其中 ρ ( A ) \rho(A) ρ(A) A A A的谱半径。

答案: ρ ( A ) < 1 \rho(A)<1 ρ(A)<1

1.5 给定样本 { x 1 , x 2 , … , x n } \{x_1,x_2,\ldots,x_n\} {x1,x2,,xn},计算其平均数、众数、中位数。

解答过程:

样本的平均数为 x ˉ = 1 n ∑ i = 1 n x i \bar{x}=\frac{1}{n}\sum_{i=1}^nx_i xˉ=n1i=1nxi

样本的众数为出现次数最多的数。

样本的中位数为将样本从小到大排序后,位于中间位置的数,若样本个数为偶数,则中位数为中间两个数的平均数。

答案:平均数为 x ˉ \bar{x} xˉ,众数为出现次数最多的数,中位数为样本的中位数。

1.6 给定来自正态总体 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2)的样本 { x 1 , x 2 , … , x n } \{x_1,x_2,\ldots,x_n\} {x1,x2,,xn},确定统计量 x ˉ − μ s / n \frac{\bar{x}-\mu}{s/\sqrt{n}} s/n xˉμ的分布以及常数。

解答过程:

由中心极限定理可知,当样本容量 n n n足够大时, x ˉ − μ s / n \frac{\bar{x}-\mu}{s/\sqrt{n}} s/n xˉμ的分布近似于标准正态分布 N ( 0 , 1 ) N(0,1) N(0,1)

其中 s s s为样本标准差,常数为 n \sqrt{n} n

答案: N ( 0 , 1 ) N(0,1) N(0,1),常数为 n \sqrt{n} n

1.7 给定样本 { x 1 , x 2 , … , x n } \{x_1,x_2,\ldots,x_n\} {x1,x2,,xn},其概率密度函数为 f ( x ; θ ) = 1 θ e − x θ f(x;\theta)=\frac{1}{\theta}\mathrm{e}^{-\frac{x}{\theta}} f(x;θ)=θ1eθx,其中 θ > 0 \theta>0 θ>0为未知参数。设 θ ^ \hat{\theta} θ^ θ \theta θ的矩估计,计算 θ ^ \hat{\theta} θ^的值。

解答过程:

θ ^ \hat{\theta} θ^ θ \theta θ的一阶矩,即 θ ^ = 1 n ∑ i = 1 n x i \hat{\theta}=\frac{1}{n}\sum_{i=1}^nx_i θ^=n1i=1nxi

答案: θ ^ = 1 n ∑ i = 1 n x i \hat{\theta}=\frac{1}{n}\sum_{i=1}^nx_i θ^=n1i=1nxi

1.8 给定正态总体 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2)的样本 { x 1 , x 2 , … , x n } \{x_1,x_2,\ldots,x_n\} {x1,x2,,xn},求 μ \mu μ的置信区间,置信水平为 1 − α 1-\alpha 1α

解答过程:

由于 x ˉ − μ s / n \frac{\bar{x}-\mu}{s/\sqrt{n}} s/n xˉμ的分布近似于标准正态分布 N ( 0 , 1 ) N(0,1) N(0,1),因此有
P ( − z α / 2 < x ˉ − μ s / n < z α / 2 ) = 1 − α P\left(-z_{\alpha/2}<\frac{\bar{x}-\mu}{s/\sqrt{n}}P(zα/2<s/n xˉμ<zα/2)=1α
其中 z α / 2 z_{\alpha/2} zα/2为标准正态分布的上 α / 2 \alpha/2 α/2分位数。

移项得
P ( x ˉ − z α / 2 s n < μ < x ˉ + z α / 2 s n ) = 1 − α P\left(\bar{x}-\frac{z_{\alpha/2}s}{\sqrt{n}}<\mu<\bar{x}+\frac{z_{\alpha/2}s}{\sqrt{n}}\right)=1-\alpha P(xˉn zα/2s<μ<xˉ+n zα/2s)=1α
因此 μ \mu μ的置信区间为 ( x ˉ − z α / 2 s n , x ˉ + z α / 2 s n ) \left(\bar{x}-\frac{z_{\alpha/2}s}{\sqrt{n}},\bar{x}+\frac{z_{\alpha/2}s}{\sqrt{n}}\right) (xˉn zα/2s,xˉ+n zα/2s)

答案: ( x ˉ − z α / 2 s n , x ˉ + z α / 2 s n ) \left(\bar{x}-\frac{z_{\alpha/2}s}{\sqrt{n}},\bar{x}+\frac{z_{\alpha/2}s}{\sqrt{n}}\right) (xˉn zα/2s,xˉ+n zα/2s)

第2大题(共2小题,每小题5分,共10分)
2.1 给定线性变换 T : R 3 → R 3 T:\mathbb{R}^3\rightarrow\mathbb{R}^3 T:R3R3,使得 T ( 1 0 0 ) = ( 1 1 0 ) T\begin{pmatrix}1\\0\\0\end{pmatrix}=\begin{pmatrix}1\\1\\0\end{pmatrix} T100=110 T ( 0 1 0 ) = ( 0 1 1 ) T\begin{pmatrix}0\\1\\0\end{pmatrix}=\begin{pmatrix}0\\1\\1\end{pmatrix} T010=011 T ( 0 0 1 ) = ( 1 1 1 ) T\begin{pmatrix}0\\0\\1\end{pmatrix}=\begin{pmatrix}1\\1\\1\end{pmatrix} T001=111。求 ( 2 − 1 3 ) \begin{pmatrix}2\\-1\\3\end{pmatrix} 213 T T T下的像。

解:设 ( 2 − 1 3 ) \begin{pmatrix}2\\-1\\3\end{pmatrix} 213在基 { ( 1 0 0 ) , ( 0 1 0 ) , ( 0 0 1 ) } \{\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix},\begin{pmatrix}0\\0\\1\end{pmatrix}\} {100,010,001}下的坐标为 ( a b c ) \begin{pmatrix}a\\b\\c\end{pmatrix} abc,则有

( 2 − 1 3 ) = a ( 1 0 0 ) + b ( 0 1 0 ) + c ( 0 0 1 ) \begin{pmatrix}2\\-1\\3\end{pmatrix}=a\begin{pmatrix}1\\0\\0\end{pmatrix}+b\begin{pmatrix}0\\1\\0\end{pmatrix}+c\begin{pmatrix}0\\0\\1\end{pmatrix} 213=a100+b010+c001

解得 a = 2 , b = − 1 , c = 3 a=2,b=-1,c=3 a=2,b=1,c=3,因此 ( 2 − 1 3 ) \begin{pmatrix}2\\-1\\3\end{pmatrix} 213在基 { ( 1 0 0 ) , ( 0 1 0 ) , ( 0 0 1 ) } \{\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix},\begin{pmatrix}0\\0\\1\end{pmatrix}\} {100,010,001}下的坐标为 ( 2 − 1 3 ) \begin{pmatrix}2\\-1\\3\end{pmatrix} 213

由于 ( 1 0 0 ) \begin{pmatrix}1\\0\\0\end{pmatrix} 100 T T T下的像为 ( 1 1 0 ) \begin{pmatrix}1\\1\\0\end{pmatrix} 110 ( 0 1 0 ) \begin{pmatrix}0\\1\\0\end{pmatrix} 010 T T T下的像为 ( 0 1 1 ) \begin{pmatrix}0\\1\\1\end{pmatrix} 011 ( 0 0 1 ) \begin{pmatrix}0\\0\\1\end{pmatrix} 001 T T T下的像为 ( 1 1 1 ) \begin{pmatrix}1\\1\\1\end{pmatrix} 111,因此 T T T在基 { ( 1 0 0 ) , ( 0 1 0 ) , ( 0 0 1 ) } \{\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix},\begin{pmatrix}0\\0\\1\end{pmatrix}\} {100,010,001}下的矩阵为

[ T ] = ( 1 0 1 1 1 1 0 1 1 ) [T]=\begin{pmatrix}1&0&1\\1&1&1\\0&1&1\end{pmatrix} [T]=110011111

因此, ( 2 − 1 3 ) \begin{pmatrix}2\\-1\\3\end{pmatrix} 213 T T T下的像为

( 1 0 1 1 1 1 0 1 1 ) ( 2 − 1 3 ) = ( 5 4 2 ) \begin{pmatrix}1&0&1\\1&1&1\\0&1&1\end{pmatrix}\begin{pmatrix}2\\-1\\3\end{pmatrix}=\begin{pmatrix}5\\4\\2\end{pmatrix} 110011111213=542

答案: ( 5 4 2 ) \begin{pmatrix}5\\4\\2\end{pmatrix} 542

2.2 给定线性变换 T : R 3 → R 3 T:\mathbb{R}^3\rightarrow\mathbb{R}^3 T:R3R3,使得 T ( 1 0 0 ) = ( 1 1 0 ) T\begin{pmatrix}1\\0\\0\end{pmatrix}=\begin{pmatrix}1\\1\\0\end{pmatrix} T100=110 T ( 0 1 0 ) = ( 0 1 1 ) T\begin{pmatrix}0\\1\\0\end{pmatrix}=\begin{pmatrix}0\\1\\1\end{pmatrix} T010=011 T ( 0 0 1 ) = ( 1 1 1 ) T\begin{pmatrix}0\\0\\1\end{pmatrix}=\begin{pmatrix}1\\1\\1\end{pmatrix} T001=111。求 T T T在基 { ( 1 0 0 ) , ( 0 1 0 ) , ( 0 0 1 ) } \{\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix},\begin{pmatrix}0\\0\\1\end{pmatrix}\} {100,010,001}下的矩阵。

解:由于 ( 1 0 0 ) \begin{pmatrix}1\\0\\0\end{pmatrix} 100 T T T下的像为 ( 1 1 0 ) \begin{pmatrix}1\\1\\0\end{pmatrix} 110 ( 0 1 0 ) \begin{pmatrix}0\\1\\0\end{pmatrix} 010 T T T下的像为 ( 0 1 1 ) \begin{pmatrix}0\\1\\1\end{pmatrix} 011 ( 0 0 1 ) \begin{pmatrix}0\\0\\1\end{pmatrix} 001 T T T下的像为 ( 1 1 1 ) \begin{pmatrix}1\\1\\1\end{pmatrix} 111,因此 T T T在基 { ( 1 0 0 ) , ( 0 1 0 ) , ( 0 0 1 ) } \{\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix},\begin{pmatrix}0\\0\\1\end{pmatrix}\} {100,010,001}下的矩阵为

[ T ] = ( 1 0 1 1 1 1 0 1 1 ) [T]=\begin{pmatrix}1&0&1\\1&1&1\\0&1&1\end{pmatrix} [T]=110011111

答案: ( 1 0 1 1 1 1 0 1 1 ) \begin{pmatrix}1&0&1\\1&1&1\\0&1&1\end{pmatrix} 110011111

试卷

第3大题(共10分)

设线性变换 T : R 3 → R 3 T:\mathbb{R}^3\rightarrow\mathbb{R}^3 T:R3R3 的矩阵为 A = ( 1 2 − 1 2 4 − 2 − 1 − 2 1 ) A=\begin{pmatrix}1&2&-1\\2&4&-2\\-1&-2&1\end{pmatrix} A=121242121,求 T T T 的零空间和值空间,并判断 T T T 是否可以相似对角化。

解答过程:

首先,我们需要求出 T T T 的特征值和特征向量,以便后续的计算。

∣ A − λ I ∣ = 0 |A-\lambda I|=0 AλI=0 可得:

∣ 1 − λ 2 − 1 2 4 − λ − 2 − 1 − 2 1 − λ ∣ = 0 \begin{vmatrix}1-\lambda&2&-1\\2&4-\lambda&-2\\-1&-2&1-\lambda\end{vmatrix}=0 1λ2124λ2121λ=0

化简得:

( λ − 3 ) ( λ − 1 ) 2 = 0 (\lambda-3)(\lambda-1)^2=0 (λ3)(λ1)2=0

因此, T T T 的特征值为 λ 1 = 3 \lambda_1=3 λ1=3 λ 2 = λ 3 = 1 \lambda_2=\lambda_3=1 λ2=λ3=1

接下来,我们分别求出 T T T 对应于不同特征值的特征向量。

λ = 3 \lambda=3 λ=3 时,解方程组 ( A − 3 I ) x = 0 (A-3I)\boldsymbol{x}=\boldsymbol{0} (A3I)x=0,得到:

( − 2 2 − 1 2 1 − 2 − 1 − 2 − 2 ) ( x 1 x 2 x 3 ) = ( 0 0 0 ) \begin{pmatrix}-2&2&-1\\2&1&-2\\-1&-2&-2\end{pmatrix}\begin{pmatrix}x_1\\x_2\\x_3\end{pmatrix}=\begin{pmatrix}0\\0\\0\end{pmatrix} 221212122x1x2x3=000

化简得:

{ − 2 x 1 + 2 x 2 − x 3 = 0 2 x 1 + x 2 − 2 x 3 = 0 − x 1 − 2 x 2 − 2 x 3 = 0 \begin{cases}-2x_1+2x_2-x_3=0\\2x_1+x_2-2x_3=0\\-x_1-2x_2-2x_3=0\end{cases} 2x1+2x2x3=02x1+x22x3=0x12x22x3=0

解得 x 1 = − 2 x 3 , x 2 = − x 3 x_1=-2x_3,x_2=-x_3 x1=2x3,x2=x3,因此, v 1 = ( − 2 − 1 1 ) \boldsymbol{v}_1=\begin{pmatrix}-2\\-1\\1\end{pmatrix} v1=211 T T T 对应于特征值 λ 1 = 3 \lambda_1=3 λ1=3 的特征向量。

λ = 1 \lambda=1 λ=1 时,解方程组 ( A − I ) x = 0 (A-I)\boldsymbol{x}=\boldsymbol{0} (AI)x=0,得到:

( 0 2 − 1 2 3 − 2 − 1 − 2 0 ) ( x 1 x 2 x 3 ) = ( 0 0 0 ) \begin{pmatrix}0&2&-1\\2&3&-2\\-1&-2&0\end{pmatrix}\begin{pmatrix}x_1\\x_2\\x_3\end{pmatrix}=\begin{pmatrix}0\\0\\0\end{pmatrix} 021232120x1x2x3=000

化简得:

{ 2 x 2 − x 3 = 0 2 x 1 + x 2 − 2 x 3 = 0 − x 1 − 2 x 2 = 0 \begin{cases}2x_2-x_3=0\\2x_1+x_2-2x_3=0\\-x_1-2x_2=0\end{cases} 2x2x3=02x1+x22x3=0x12x2=0

解得 x 1 = − 2 x 2 , x 3 = 2 x 2 x_1=-2x_2,x_3=2x_2 x1=2x2,x3=2x2,因此, v 2 = ( − 2 1 0 ) \boldsymbol{v}_2=\begin{pmatrix}-2\\1\\0\end{pmatrix} v2=210 v 3 = ( 1 0 2 ) \boldsymbol{v}_3=\begin{pmatrix}1\\0\\2\end{pmatrix} v3=102 T T T 对应于特征值 λ 2 = λ 3 = 1 \lambda_2=\lambda_3=1 λ2=λ3=1 的特征向量。

接下来,我们可以根据特征向量构造出 T T T 的相似对角矩阵 D D D

D = ( λ 1 0 0 0 λ 2 0 0 0 λ 3 ) = ( 3 0 0 0 1 0 0 0 1 ) D=\begin{pmatrix}\lambda_1&0&0\\0&\lambda_2&0\\0&0&\lambda_3\end{pmatrix}=\begin{pmatrix}3&0&0\\0&1&0\\0&0&1\end{pmatrix} D=λ1000λ2000λ3=300010001

然后,我们可以求出 T T T 的相似矩阵 P P P

P = ( v 1 v 2 v 3 ) = ( − 2 − 2 1 − 1 1 0 1 0 2 ) P=\begin{pmatrix}\boldsymbol{v}_1&\boldsymbol{v}_2&\boldsymbol{v}_3\end{pmatrix}=\begin{pmatrix}-2&-2&1\\-1&1&0\\1&0&2\end{pmatrix} P=(v1v2v3)=211210102

最后,我们可以验证 P − 1 A P = D P^{-1}AP=D P1AP=D 是否成立。计算可得:

P − 1 A P = ( − 1 2 1 2 1 2 − 1 2 − 1 2 1 2 1 0 2 ) ( 1 2 − 1 2 4 − 2 − 1 − 2 1 ) ( − 2 − 2 1 − 1 1 0 1 0 2 ) = ( 3 0 0 0 1 0 0 0 1 ) = D P^{-1}AP=\begin{pmatrix}-\frac{1}{2}&\frac{1}{2}&\frac{1}{2}\\-\frac{1}{2}&-\frac{1}{2}&\frac{1}{2}\\1&0&2\end{pmatrix}\begin{pmatrix}1&2&-1\\2&4&-2\\-1&-2&1\end{pmatrix}\begin{pmatrix}-2&-2&1\\-1&1&0\\1&0&2\end{pmatrix}=\begin{pmatrix}3&0&0\\0&1&0\\0&0&1\end{pmatrix}=D P1AP=212112121021212121242121211210102=300010001=D

因此, T T T 可以相似对角化。

最后,我们可以求出 T T T 的零空间和值空间。

由于 T T T 可以相似对角化,因此, T T T 的零空间就是 A A A 的零空间,即解方程组 A x = 0 A\boldsymbol{x}=\boldsymbol{0} Ax=0,得到:

( 1 2 − 1 2 4 − 2 − 1 − 2 1 ) ( x 1 x 2 x 3 ) = ( 0 0 0 ) \begin{pmatrix}1&2&-1\\2&4&-2\\-1&-2&1\end{pmatrix}\begin{pmatrix}x_1\\x_2\\x_3\end{pmatrix}=\begin{pmatrix}0\\0\\0\end{pmatrix} 121242121x1x2x3=000

化简得:

{ x 1 = − 2 x 2 + x 3 x 2 = x 2 x 3 = x 3 \begin{cases}x_1=-2x_2+x_3\\x_2=x_2\\x_3=x_3\end{cases} x1=2x2+x3x2=x2x3=x3

因此, T T T 的零空间为 s p a n { ( − 2 1 0 ) , ( 1 0 1 ) } \mathrm{span}\left\{\begin{pmatrix}-2\\1\\0\end{pmatrix},\begin{pmatrix}1\\0\\1\end{pmatrix}\right\} span210,101

又因为 T T T 可以相似对角化,因此, T T T 的值空间就是 D D D 的列空间,即 s p a n { ( 3 0 0 ) , ( 1 0 0 ) , ( 0 1 0 ) } \mathrm{span}\left\{\begin{pmatrix}3\\0\\0\end{pmatrix},\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix}\right\} span300,100,010

答案:

T T T 的零空间为 s p a n { ( − 2 1 0 ) , ( 1 0 1 ) } \mathrm{span}\left\{\begin{pmatrix}-2\\1\\0\end{pmatrix},\begin{pmatrix}1\\0\\1\end{pmatrix}\right\} span210,101,值空间为 s p a n { ( 3 0 0 ) , ( 1 0 0 ) , ( 0 1 0 ) } \mathrm{span}\left\{\begin{pmatrix}3\\0\\0\end{pmatrix},\begin{pmatrix}1\\0\\0\end{pmatrix},\begin{pmatrix}0\\1\\0\end{pmatrix}\right\} span300,100,010 T T T 可以相似对角化。

第4大题(共10分)

已知矩阵 A = ( 1 1 0 0 1 1 0 0 1 ) A=\begin{pmatrix}1&1&0\\0&1&1\\0&0&1\end{pmatrix} A=100110011,求:

(1)矩阵 A A A的最小多项式和Jordan标准形;

(2)设 f ( x ) = ( x 1 0 0 x 1 0 0 x ) f(x)=\begin{pmatrix}x&1&0\\0&x&1\\0&0&x\end{pmatrix} f(x)=x001x001x,求 f ( A ) f(A) f(A)的Jordan标准形。

解:

(1)矩阵 A A A的特征多项式为:

det ( λ I − A ) = ∣ λ − 1 − 1 0 0 λ − 1 − 1 0 0 λ − 1 ∣ = ( λ − 1 ) 3 . \begin{aligned} \text{det}(\lambda I-A)&=\begin{vmatrix}\lambda-1&-1&0\\0&\lambda-1&-1\\0&0&\lambda-1\end{vmatrix}\\ &= (\lambda-1)^3. \end{aligned} det(λIA)=λ1001λ1001λ1=(λ1)3.

因此,矩阵 A A A的特征值为 λ = 1 \lambda=1 λ=1,且代数重数为 3 3 3

λ = 1 \lambda=1 λ=1代入 ( λ I − A ) (\lambda I-A) (λIA),得到

( λ I − A ) = ( 0 − 1 0 0 0 − 1 0 0 0 ) . (\lambda I-A)=\begin{pmatrix}0&-1&0\\0&0&-1\\0&0&0\end{pmatrix}. (λIA)=000100010.

因此, ( λ I − A ) 3 = 0 (\lambda I-A)^3=0 (λIA)3=0,即 ( A − I ) 3 = 0 (A-I)^3=0 (AI)3=0

所以,矩阵 A A A的最小多项式为 m ( x ) = ( x − 1 ) 2 m(x)=(x-1)^2 m(x)=(x1)2,Jordan标准形为

J = ( 1 1 0 0 1 1 0 0 1 ) . J=\begin{pmatrix}1&1&0\\0&1&1\\0&0&1\end{pmatrix}. J=100110011.

(2)矩阵 f ( A ) f(A) f(A)的特征多项式为:

det ( λ I − f ( A ) ) = ∣ λ − A 11 − A 12 − A 13 − A 21 λ − A 22 − A 23 − A 31 − A 32 λ − A 33 ∣ = ∣ λ − 1 − 1 0 0 λ − 1 − 1 0 0 λ ∣ = λ ( λ − 1 ) 2 . \begin{aligned} \text{det}(\lambda I-f(A))&=\begin{vmatrix}\lambda-A_{11}&-A_{12}&-A_{13}\\-A_{21}&\lambda-A_{22}&-A_{23}\\-A_{31}&-A_{32}&\lambda-A_{33}\end{vmatrix}\\ &=\begin{vmatrix}\lambda-1&-1&0\\0&\lambda-1&-1\\0&0&\lambda\end{vmatrix}\\ &=\lambda(\lambda-1)^2. \end{aligned} det(λIf(A))=λA11A21A31A12λA22A32A13A23λA33=λ1001λ1001λ=λ(λ1)2.

因此,矩阵 f ( A ) f(A) f(A)的特征值为 λ = 0 , 1 \lambda=0,1 λ=0,1,且代数重数分别为 1 , 2 1,2 1,2

λ = 0 \lambda=0 λ=0代入 ( λ I − f ( A ) ) (\lambda I-f(A)) (λIf(A)),得到

( λ I − f ( A ) ) = ( − 1 − 1 0 0 − 1 − 1 0 0 0 ) . (\lambda I-f(A))=\begin{pmatrix}-1&-1&0\\0&-1&-1\\0&0&0\end{pmatrix}. (λIf(A))=100110010.

因此, ( λ I − f ( A ) ) 2 = ( 1 2 1 0 1 2 0 0 0 ) (\lambda I-f(A))^2=\begin{pmatrix}1&2&1\\0&1&2\\0&0&0\end{pmatrix} (λIf(A))2=100210120

λ = 1 \lambda=1 λ=1代入 ( λ I − f ( A ) ) (\lambda I-f(A)) (λIf(A)),得到

( λ I − f ( A ) ) = ( 0 − 1 0 0 0 − 1 0 0 − 1 ) . (\lambda I-f(A))=\begin{pmatrix}0&-1&0\\0&0&-1\\0&0&-1\end{pmatrix}. (λIf(A))=000100011.

因此, ( λ I − f ( A ) ) 2 = 0 (\lambda I-f(A))^2=0 (λIf(A))2=0

所以,矩阵 f ( A ) f(A) f(A)的Jordan标准形为

J = ( 1 1 0 0 1 1 0 0 0 ) . J=\begin{pmatrix}1&1&0\\0&1&1\\0&0&0\end{pmatrix}. J=100110010.

答案:(1) m ( x ) = ( x − 1 ) 2 m(x)=(x-1)^2 m(x)=(x1)2 J = ( 1 1 0 0 1 1 0 0 1 ) J=\begin{pmatrix}1&1&0\\0&1&1\\0&0&1\end{pmatrix} J=100110011;(2) J = ( 1 1 0 0 1 1 0 0 0 ) J=\begin{pmatrix}1&1&0\\0&1&1\\0&0&0\end{pmatrix} J=100110010

第5大题(共10分)

假设总体 X X X 服从参数为 θ \theta θ 的指数分布,即 X ∼ E x p ( θ ) X\sim Exp(\theta) XExp(θ),样本容量为 n n n,样本值为 x 1 , x 2 , ⋯   , x n x_1,x_2,\cdots,x_n x1,x2,,xn

(1) 求 θ \theta θ 的极大似然估计量。

解:总体 X X X 的概率密度函数为 f ( x ; θ ) = 1 θ e − x θ , x > 0 f(x;\theta)=\frac{1}{\theta}e^{-\frac{x}{\theta}},x>0 f(x;θ)=θ1eθx,x>0

样本的似然函数为 L ( θ ; x 1 , x 2 , ⋯   , x n ) = ∏ i = 1 n f ( x i ; θ ) = ∏ i = 1 n 1 θ e − x i θ = 1 θ n e − ∑ i = 1 n x i θ L(\theta;x_1,x_2,\cdots,x_n)=\prod_{i=1}^n f(x_i;\theta)=\prod_{i=1}^n\frac{1}{\theta}e^{-\frac{x_i}{\theta}}=\frac{1}{\theta^n}e^{-\frac{\sum_{i=1}^n x_i}{\theta}} L(θ;x1,x2,,xn)=i=1nf(xi;θ)=i=1nθ1eθxi=θn1eθi=1nxi

取对数得到 ln ⁡ L ( θ ; x 1 , x 2 , ⋯   , x n ) = − n ln ⁡ θ − ∑ i = 1 n x i θ \ln L(\theta;x_1,x_2,\cdots,x_n)=-n\ln\theta-\frac{\sum_{i=1}^n x_i}{\theta} lnL(θ;x1,x2,,xn)=nlnθθi=1nxi

θ \theta θ 求导得到 d ln ⁡ L ( θ ; x 1 , x 2 , ⋯   , x n ) d θ = − n θ + ∑ i = 1 n x i θ 2 \frac{\mathrm{d}\ln L(\theta;x_1,x_2,\cdots,x_n)}{\mathrm{d}\theta}=-\frac{n}{\theta}+\frac{\sum_{i=1}^n x_i}{\theta^2} dθdlnL(θ;x1,x2,,xn)=θn+θ2i=1nxi

令导数等于零,解得 θ ^ = ∑ i = 1 n x i n \hat{\theta}=\frac{\sum_{i=1}^n x_i}{n} θ^=ni=1nxi

(2) 证明 θ ^ \hat{\theta} θ^ θ \theta θ 的最小方差无偏估计。

解:由于 θ ^ = ∑ i = 1 n x i n \hat{\theta}=\frac{\sum_{i=1}^n x_i}{n} θ^=ni=1nxi,因此 θ ^ \hat{\theta} θ^ θ \theta θ 的无偏估计。

又因为 V a r ( θ ^ ) = V a r ( ∑ i = 1 n x i n ) = 1 n 2 ∑ i = 1 n V a r ( x i ) = θ 2 n Var(\hat{\theta})=Var(\frac{\sum_{i=1}^n x_i}{n})=\frac{1}{n^2}\sum_{i=1}^n Var(x_i)=\frac{\theta^2}{n} Var(θ^)=Var(ni=1nxi)=n21i=1nVar(xi)=nθ2

因此, θ ^ \hat{\theta} θ^ 的方差为 θ 2 n \frac{\theta^2}{n} nθ2,是 θ \theta θ 的最小方差无偏估计。

第6大题(共10分)

假设总体 X X X 服从正态分布 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2),样本容量为 n n n,样本均值为 x ‾ \overline{x} x,样本标准差为 s s s

(1) 假设检验的原假设和备择假设分别为 H 0 : μ = μ 0 H_0:\mu=\mu_0 H0:μ=μ0 H 1 : μ ≠ μ 0 H_1:\mu\neq\mu_0 H1:μ=μ0,其中 μ 0 \mu_0 μ0 是已知的常数。给出检验统计量的表达式。

解:检验统计量为 t = x ‾ − μ 0 s / n t=\frac{\overline{x}-\mu_0}{s/\sqrt{n}} t=s/n xμ0,其中 x ‾ \overline{x} x 是样本均值, s s s 是样本标准差, n n n 是样本容量。

(2) 假设检验的拒绝域为 ∣ t ∣ > t α / 2 ( n − 1 ) |t|>t_{\alpha/2}(n-1) t>tα/2(n1),其中 α \alpha α 是显著性水平, t α / 2 ( n − 1 ) t_{\alpha/2}(n-1) tα/2(n1) 是自由度为 n − 1 n-1 n1 t t t 分布上侧 α / 2 \alpha/2 α/2 分位数。给出样本容量的确定方法,使得第Ⅱ类错误概率不超过 β \beta β

解:第Ⅱ类错误概率为 β \beta β,即 P ( ∣ t ∣ ≤ t α / 2 ( n − 1 ) ∣ μ = μ 1 ) = 1 − β P(|t|\leq t_{\alpha/2}(n-1)|\mu=\mu_1)=1-\beta P(ttα/2(n1)μ=μ1)=1β,其中 μ 1 \mu_1 μ1 是真实的总体均值。

由于 t t t 统计量服从自由度为 n − 1 n-1 n1 t t t 分布,因此 t α / 2 ( n − 1 ) t_{\alpha/2}(n-1) tα/2(n1) 是常数。为了使第Ⅱ类错误概率不超过 β \beta β,需要满足 P ( ∣ t ∣ ≤ t α / 2 ( n − 1 ) ∣ μ = μ 1 ) = 1 − β P(|t|\leq t_{\alpha/2}(n-1)|\mu=\mu_1)=1-\beta P(ttα/2(n1)μ=μ1)=1β,即 P ( − t α / 2 ( n − 1 ) ≤ x ‾ − μ 1 s / n ≤ t α / 2 ( n − 1 ) ) = 1 − β P(-t_{\alpha/2}(n-1)\leq\frac{\overline{x}-\mu_1}{s/\sqrt{n}}\leq t_{\alpha/2}(n-1))=1-\beta P(tα/2(n1)s/n xμ1tα/2(n1))=1β

根据标准正态分布的性质,可得 P ( − z α / 2 ≤ x ‾ − μ 1 s / n ≤ z α / 2 ) = 1 − β P(-z_{\alpha/2}\leq\frac{\overline{x}-\mu_1}{s/\sqrt{n}}\leq z_{\alpha/2})=1-\beta P(zα/2s/n xμ1zα/2)=1β,其中 z α / 2 z_{\alpha/2} zα/2 是标准正态分布上侧 α / 2 \alpha/2 α/2 分位数。

因此,需要满足 z α / 2 s n = ∣ μ 1 − μ 0 ∣ n ≤ t α / 2 ( n − 1 ) \frac{z_{\alpha/2}s}{\sqrt{n}}=\frac{|\mu_1-\mu_0|}{\sqrt{n}}\leq t_{\alpha/2}(n-1) n zα/2s=n μ1μ0tα/2(n1),即 n ≥ ( z α / 2 s ∣ μ 1 − μ 0 ∣ ) 2 n\geq(\frac{z_{\alpha/2}s}{|\mu_1-\mu_0|})^2 n(μ1μ0zα/2s)2

第7大题(共10分)
已知线性正态回归模型 y i = β 1 x i 1 + β 2 x i 2 + ⋯ + β p x i p + ϵ i y_i = \beta_1 x_{i1} + \beta_2 x_{i2} + \cdots + \beta_p x_{ip} + \epsilon_i yi=β1xi1+β2xi2++βpxip+ϵi,其中 i = 1 , 2 , ⋯   , n i=1,2,\cdots,n i=1,2,,n ϵ i ∼ N ( 0 , σ 2 ) \epsilon_i\sim N(0,\sigma^2) ϵiN(0,σ2) x i 1 , x i 2 , ⋯   , x i p x_{i1},x_{i2},\cdots,x_{ip} xi1,xi2,,xip 是已知的常数, y 1 , y 2 , ⋯   , y n y_1,y_2,\cdots,y_n y1,y2,,yn 是观测值。现在要求该模型参数的最小二乘估计,并判断这些估计量是否独立。

解答过程:

定义观测数据的矩阵表示 Y = ( y 1 , y 2 , ⋯   , y n ) ′ Y=(y_1,y_2,\cdots,y_n)' Y=(y1,y2,,yn),协变量的矩阵表示 X = ( x i 1 , x i 2 , ⋯   , x i p ) X=(x_{i1},x_{i2},\cdots,x_{ip}) X=(xi1,xi2,,xip),将 β \beta β 的最小二乘估计量表示为 β ^ = ( β 1 ^ , β 2 ^ , ⋯   , β p ^ ) ′ \hat{\beta}=(\hat{\beta_1},\hat{\beta_2},\cdots,\hat{\beta_p})' β^=(β1^,β2^,,βp^)

首先,计算 β ^ \hat{\beta} β^

β ^ = ( X ′ X ) − 1 X ′ Y \hat{\beta}=(X'X)^{-1}X'Y β^=(XX)1XY

其中, ( X ′ X ) − 1 (X'X)^{-1} (XX)1 表示矩阵 ( X ′ X ) (X'X) (XX) 的逆矩阵。这个公式就是最小二乘估计量的标准表达式。下面需要证明这个公式的正确性。

构造最小二乘估计量的误差函数:

S ( β ) = ∑ i = 1 n ( y i − β 1 x i 1 − β 2 x i 2 − ⋯ − β p x i p ) 2 S(\beta)=\sum_{i=1}^n (y_i-\beta_1 x_{i1}-\beta_2 x_{i2}-\cdots-\beta_p x_{ip})^2 S(β)=i=1n(yiβ1xi1β2xi2βpxip)2

β \beta β 求导,令导数为零:

∂ S ∂ β = 2 ∑ i = 1 n x i ( y i − β 1 x i 1 − β 2 x i 2 − ⋯ − β p x i p ) = 0 \frac{\partial S}{\partial \beta}=2\sum_{i=1}^n x_i(y_i-\beta_1 x_{i1}-\beta_2 x_{i2}-\cdots-\beta_p x_{ip})=0 βS=2i=1nxi(yiβ1xi1β2xi2βpxip)=0

其中, x i x_i xi 表示第 i i i 个观测对应的协变量向量。

化简得:

X ′ ( Y − X β ) = 0 X'(Y-X\beta)=0 X(YXβ)=0

解得:

β ^ = ( X ′ X ) − 1 X ′ Y \hat{\beta}=(X'X)^{-1}X'Y β^=(XX)1XY

因此,最小二乘估计量的标准公式得到证明。

接下来,需要判断这些估计量是否独立。

由于 ϵ i \epsilon_i ϵi 是正态分布的,因此

β ^ ∼ N p ( β , ( X ′ X ) − 1 σ 2 ) \hat{\beta} \sim N_p(\beta,(X'X)^{-1}\sigma^2) β^Np(β,(XX)1σ2)

其中, N p N_p Np 表示 p p p 维正态分布, ( X ′ X ) − 1 σ 2 (X'X)^{-1}\sigma^2 (XX)1σ2 β ^ \hat{\beta} β^ 的协方差矩阵。

可以发现, β ^ \hat{\beta} β^ 的分布不依赖于 σ 2 \sigma^2 σ2,因此, β ^ \hat{\beta} β^ σ 2 \sigma^2 σ2 独立。

而这意味着, β ^ \hat{\beta} β^ 的每个分量都与 σ 2 \sigma^2 σ2 独立,即最小二乘估计量的参数是独立的。

答案:

线性正态回归模型参数的最小二乘估计是 β ^ = ( X ′ X ) − 1 X ′ Y \hat{\beta}=(X'X)^{-1}X'Y β^=(XX)1XY,这些估计量独立。

你可能感兴趣的:(笔记,高等工程数学)