11 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
复盘专项 · 第一次模拟遗忘点 · 知识点盘点 | 2026-10-30 | 知识点盘点(§1—§6 地图 + §0.4 题级对照),覆盖对照见 01b,配套 6 个点分册共 16 题 |
|
复盘专项 · 第一次模拟遗忘点 · 知识点盘点
「第一次模拟」十个选择题里,第 3 题(多元函数可微/偏导/方向导数关系)、第 8 题(条件分布下协方差计算)、第 10 题(假设检验拒绝域)完全忘了,填空 第 13 题(方向导数计算) 也忘了。本盘点把这几处的全部考点摊开当字典查,配套 6 个点分册共 16 题(知识点带题、题带完整解)。
六个点的核心记忆锚:
- 点 1(多元函数关系):偏导连续 ⟹ 可微;偏导存在、方向导数全存在都推不出可微——忘就忘在这几条"推不出"上。
- 点 2(方向导数):方向导数 = 梯度
\cdot单位方向;最大=|\nabla f|沿梯度方向。 - 点 3(全微分与链式):
df的系数就是偏导;复合函数不能直接"换变量"。 - 点 4(条件分布):$E(XY)=E[X\cdot E(Y\mid X)]$——条件分布题的总开关。
- 点 5(协方差):$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;不独立时
D(X\pm Y)有交叉项。 - 点 6(假设检验):拒绝域三看(单双侧 → 方向 → 分布自由度);
\alpha与\beta此消彼长。
0 导航(四张表)
0.1 按遗忘优先级排(时间紧就照这个顺序)
| 优先 | 点 | 原题锚点 | 题量 | 文件 |
|---|---|---|---|---|
| 1 | 多元函数定义关系 | 原卷第 3 题(完全忘了) | 3 | 02 |
| 2 | 条件分布与协方差 | 原卷第 8 题(完全忘了) | 3 | 05 |
| 3 | 假设检验拒绝域 | 原卷第 10 题(完全忘了) | 3 | 07 |
| 4 | 方向导数与梯度 | 原卷第 13 题(填空,忘了) | 3 | 03 |
| 5 | 全微分与链式法则 | 同章易考(顺带补) | 2 | 04 |
| 6 | 协方差与方差联动 | 同章易考(顺带补) | 2 | 06 |
0.2 依赖链(也就是建议的阅读顺序)
02 多元函数关系 → 03 方向导数与梯度 → 04 全微分与链式 → 05 条件分布与协方差 → 06 协方差与方差联动 → 07 假设检验。前三个点是多元函数一条链(关系判断 → 计算工具 → 全微分),后三个点是概率统计一条链(条件分布 → 协方差 → 检验)。两条链互不依赖,可按遗忘轻重跳。
0.3 符号约定
| 记号 | 含义 |
|---|---|
f_x,f_y |
对 x,y 的偏导;f_{xy} 混合偏导 |
\Delta z |
全增量 f(x+\Delta x,y+\Delta y)-f(x,y) |
\rho |
\sqrt{\Delta x^2+\Delta y^2} |
\nabla f |
梯度 (f_x,f_y,f_z) |
\boldsymbol e |
单位方向向量 |
E(Y\mid X) |
条件期望(X 的函数) |
\operatorname{Cov}(X,Y) |
协方差 |
\rho_{XY} |
相关系数 |
\alpha,\beta |
第Ⅰ类、第Ⅱ类错误概率 |
0.4 知识点与练习文件对照(按知识点粒度)
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 连续与偏导存在 | 点 1 题 1 |
| §1.2 可微与方向导数 | 点 1 题 2 |
| §1.3 四组关系与判定武器 | 点 1 题 3 |
| §2.1 方向导数公式与单位化 | 点 2 题 1、点 2 题 2 |
| §2.2 梯度与最值 | 点 2 题 3 |
| §3.1 全微分 | 点 3 题 1 |
| §3.2 链式法则 | 点 3 题 2 |
| §4.1 重期望公式 | 点 4 题 1 |
§4.2 E(XY) 的展开 |
点 4 题 2 |
| §4.3 条件二阶矩与方差 | 点 4 题 3 |
| §5.1 协方差定义与性质 | 点 5 题 1 |
| §5.2 方差联动 | 点 5 题 2 |
| §6.1 三看定拒绝域 | 点 6 题 1、点 6 题 2 |
| §6.2 两类错误 | 点 6 题 3 |
1 多元函数:连续 / 偏导存在 / 可微 / 方向导数(对应原卷第 3 题)
1.1 连续与偏导存在
连续:$\lim\limits_{(x,y)\to(x_0,y_0)}f(x,y)=f(x_0,y_0)$——沿任意路径趋近极限存在且等于函数值(必须"任意路径",一条路径不够)。
偏导:$f_x(x_0,y_0)=\lim\limits_{\Delta x\to0}\dfrac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}$,f_y 同理——只沿坐标轴方向的差商极限。
两者无关:偏导存在 ⟹ 连续是假的。反例 $f=\dfrac{xy}{x^2+y^2}$(原点补 0):$f_x(0,0)=f_y(0,0)=0$(沿坐标轴恒为 0),但沿 y=x 趋近时 $f\to\dfrac12\ne0$,不连续。
1.2 可微与方向导数
可微:若全增量 $\Delta z=f_x\Delta x+f_y\Delta y+o(\rho)$,则 f 在点可微——全增量能写成"线性主部 + 高阶无穷小"。
方向导数:$\dfrac{\partial f}{\partial\boldsymbol e}=\lim\limits_{t\to0}\dfrac{f(x_0+t\cos\theta,y_0+t\sin\theta)-f(x_0,y_0)}{t}$——沿射线的差商极限。可微时 $\dfrac{\partial f}{\partial\boldsymbol e}=f_x\cos\theta+f_y\sin\theta$。
两者无关之二:方向导数全存在 ⟹ 可微是假的。反例 $f=\dfrac{x^2y^2}{(x^2+y^2)^{3/2}}$(原点补 0):沿任意方向 (\cos\theta,\sin\theta) 方向导数 =\cos^2\theta\sin^2\theta 都存在,但可微则方向导数必为 $f_x\cos\theta+f_y\sin\theta=0$,取 \theta=\dfrac\pi4 得 $\dfrac14\ne0$,矛盾 ⟹ 不可微。
1.3 四组关系与判定武器(必背)
| 关系 | 结论 | 反例 / 说明 |
|---|---|---|
| 偏导连续 ⟹ 可微 | √ 充分条件 | f_x,f_y 某邻域存在且在该点连续 |
| 可微 ⟹ 连续、偏导存在 | √ | 可微是最强条件 |
| 偏导存在 ⟹ 连续 | ✗ | f=\dfrac{xy}{x^2+y^2} |
| 方向导数全存在 ⟹ 可微 | ✗ | f=\dfrac{x^2y^2}{(x^2+y^2)^{3/2}} |
| 偏导存在 ⟹ 方向导数存在 | ✗ | 偏导只是两条坐标轴方向 |
f_{xy}=f_{yx} |
需混合偏导连续 | 只"存在"不够 |
判定武器:①偏导连续 ⟹ 可微(直接用);②定义法检验 $\dfrac{\Delta z-f_x\Delta x-f_y\Delta y}{\rho}\to0$;③可微则方向导数 $=f_x\cos\theta+f_y\sin\theta$——沿某方向算出来不等,立即判不可微。
2 方向导数与梯度(对应原卷第 13 题)
2.1 方向导数公式与单位化
可微时,沿单位方向 $\boldsymbol e=(e_1,e_2,e_3)$:
\frac{\partial f}{\partial\boldsymbol e}=\nabla f\cdot\boldsymbol e=f_xe_1+f_ye_2+f_ze_3.
坑(唯一分岔点):方向向量必须先单位化。给 \boldsymbol l=(3,-4) 要用 $\left(\dfrac35,-\dfrac45\right)$,模 5 不能省。三步:梯度 → 单位化 → 点乘。
2.2 梯度与最值
$\nabla f=(f_x,f_y,f_z)$。方向导数最大值 $=|\nabla f|$(沿梯度方向),最小值 $=-|\nabla f|$(沿负梯度方向);方向导数为 0 ⟺ 方向与梯度正交。
3 全微分与链式法则(同章易考)
3.1 全微分
可微时 $df=f_x,\mathrm dx+f_y,\mathrm dy$($dz=z_x\mathrm dx+z_y\mathrm dy$)。df 的系数恰好是偏导——"已知 df 求偏导""已知沿坐标轴方向的方向导数求 $df$"是高频小题(沿 (1,0) 方向的方向导数 $=f_x$)。
3.2 链式法则
$z=f(u,v)$,$u=u(x,y)$,$v=v(x,y)$:
z_x=f_u\cdot u_x+f_v\cdot v_x,\qquad z_y=f_u\cdot u_y+f_v\cdot v_y.
f(x^2+y^2) 型(一元函数复合二元):$z_x=2x,f'(x^2+y^2)$,$z_y=2y,f'(x^2+y^2)$——不能直接"换变量"。
4 条件分布与重期望(对应原卷第 8 题)
4.1 重期望公式
E(Y)=E\big[E(Y\mid X)\big],\qquad E\big[g(X,Y)\big]=E\Big[E\big(g(X,Y)\mid X\big)\Big].
条件分布给出 $E(Y\mid X=x)$(U(0,x) 是 $\dfrac x2$;U(0,x^2) 是 $\dfrac{x^2}2$),外层再对 X 取期望。
4.2 E(XY) 的展开
E(XY)=E\big[X\cdot E(Y\mid X)\big].
X 提到条件期望外面是条件分布题的总开关;E(XY)=EX\cdot EY 只在独立时成立,这里 Y 由 X 决定,绝不能拆。
4.3 条件二阶矩与方差
E(Y^2)=E\big[E(Y^2\mid X)\big],\qquad DY=E(Y^2)-(EY)^2.
Y\mid X\sim U(0,x) 时 $E(Y^2\mid X=x)=\dfrac{x^2}{3}$。算 \rho_{XY} 要 $\sqrt{DX}\sqrt{DY}$,二阶矩同样走重期望。
5 协方差与相关系数(同章易考)
5.1 协方差定义与性质
\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY.
性质:对称;$Cov(X,c)=0$;$Cov(aX+b,Y)=aCov(X,Y)$;$Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y)$;$Cov(X,X)=DX$。$\rho_{XY}=\dfrac{Cov}{\sqrt{DX}\sqrt{DY}}$,|\rho|\le1 只描述线性相关。
5.2 方差联动
D(X\pm Y)=DX+DY\pm 2\operatorname{Cov}(X,Y).
不独立必有交叉项:D(X+Y) 是 $+2Cov$,D(X-Y) 是 $-2Cov$。独立 ⟹ 不相关($E(XY)=EXEY$);不相关 ⇏ 独立。
6 假设检验:拒绝域(对应原卷第 10 题)
6.1 三看定拒绝域
| 看 | 规则 | 例(\sigma^2 未知,单总体均值) |
|---|---|---|
| 单/双侧 | H_1 含 \ne ⟹ 双侧,用 $\alpha/2$;H_1 含 > 或 < ⟹ 单侧,用 \alpha |
双侧:\lvert T\rvert>t_{\alpha/2}(n-1) |
| 方向 | H_1:\mu>\mu_0 ⟹ 右尾 $T>t_\alpha$;H_1:\mu<\mu_0 ⟹ 左尾 T<-t_\alpha |
右侧:T>t_\alpha(n-1) |
| 分布 | \sigma^2 未知用 $t(n-1)$;已知用 z |
T=\dfrac{\bar X-\mu_0}{S/\sqrt n} |
6.2 两类错误
H_0 真却拒绝 = 第Ⅰ类错误,概率 $\le\alpha$;H_0 假却接受 = 第Ⅱ类错误,概率 $\beta$。\alpha 与 \beta 此消彼长;样本量 n 增大,两者都减小。