标签： 考研数学二

一、题目

设函数在 $f(x)$ 在 $(- \infty, + \infty)$ 内单调有界，${x_{n}}$ 为数列，下列命题正确的是 ( )

( A ) 若 ${x_{n}}$ 收敛，则 ${f(x_{n})}$ 收敛.

( B ) 若 ${x_{n}}$ 单调，则 ${f(x_{n})}$ 收敛.

( C ) 若 ${f(x_{n})}$ 收敛，则 ${x_{n}}$ 收敛.

( D ) 若 ${f(x_{n})}$ 单调，则 ${x_{n}}$ 收敛.

二、解析

解答本题之前，我们需要清楚“极限”，“收敛”和“有界”三者之间的区别与联系。

当我们说“极限”时，我们通常说的是“函数极限”，当我们说“收敛”时，我们通常说的是“数列收敛”。说“数列收敛”就是说该数列存在极限。我们可以认为，“收敛”是用于描述离散数据的，“极限”是用于描述连续数据的。当我们在计算或者证明数列极限的时候，我们其实是将数列看作了“连续数据”来对待。

如果一个数列收敛，那么这个数列必然有界，但是如果一个数列有界却不一定收敛，例如下面这个数列有界，但不收敛：

$\{1,-1,1,-1,1,-1\}$.

对于函数也一样，例如 $y$ $=$ $\sin x$ 是一个有界函数，但不收敛。

只有单调并且有界的数列才一定收敛（也意味着该数列一定有极限），这就是数列极限的“单调有界原理”。

注：当“单调有界原理”用在数列上时可以证明数列有界；当单调有界原理用在函数上时只能证明函数有确界，即有上确界或者下确界。

此外，本题还涉及复合函数，因此还必须清楚复合函数的几个性质：

• 复合函数的单调性

单调性包含单调递增和单调递减。对于复合函数而言，如果外函数和内函数都是单调函数，则在定义域内，它们的复合函数也是单调函数。至于是单调增还是单调减，可以用“同增异减”来判定。

“同增异减”的含义就是，如果外层函数是增函数，则复合函数的增减性与内函数的增减性一致；

如果外层函数为减函数，则复合函数的增减性与内函数的增减性相反。

“同增异减”也可以理解成，如果复合前两个函数都为增函数或者都为减函数，则复合函数为增函数；如果复合前两个函数一个为增函数，一个为减函数，则复合函数为减函数。

注：无论是单增还是单减，只要内函数和外函数都是单调函数，则复合函数也一定是单调函数。

• 复合函数的奇偶性

① 如果内函数为奇函数，则复合函数的奇偶性与外函数的奇偶性保持一致；

② 如果内函数为偶函数，则复合函数必为偶函数。

• 复合函数的周期性

① 若内函数为周期函数，则复合函数一定也是周期函数；

② 若外函数为周期函数，则复合函数不一定为周期函数。

• 复合函数的有界性

① 若内函数有界且外函数有界，则复合函数一定有界；

② 若内函数无界但外函数有界，则复合函数一定有界；

（上述两条总结一下就是，无论内函数是否有界，只要外函数有界，则复合函数一定有界。）

③ 若内函数有界但外函数无界或者内外函数都无界，这种情况下不能确定或者否定复合函数是有界还是无界，如果要确定或否定，还需要其他条件辅助分析。

有上面的阐述，我们可以发现，在判断复合函数的性质的时候，第一步要做的事情就是区分出内函数和外函数。本题在内外函数的区分上可能具有一定的迷惑性，我们不能认为在复合函数 “${f(x_{n})}$” 中，”${x_{n}}$” 是外函数而 “$f(x)$” 是内函数，这是错误的。符号 “${$” 和 “$}$” 只是说明这是一个数列，而并不是一个运算符号，其意义是多个 “$f(x_{n})$” 的值组成的数列，因此外函数是 “$f(x)$”, 内函数是 “$x_{n}$.”

下面是针对每个选项的具体分析：

A 项：

${x_{n}}$ 收敛 → ${x_{n}}$ 有界；

$f(x)$ 有界 + ${x_{n}}$ 有界 → ${f(x_{n})}$ 有界；

但是数列有界不能直接推出数列收敛，必须是单调且有界的数列才能推出收敛的结论。

A 项错误。

B 项：

${x_{n}}$ 单调 + $f(x_{n})$ 单调 → ${f(x_{n})}$ 单调；

$f(x_{n})$ 有界 → ${f(x_{n})}$ 有界；

${f(x_{n})}$单调有界 → ${f(x_{n})}$ 收敛。

B 项正确。

C 项：

由复合函数收敛不能确定其内函数是否也收敛。

C 项错误。

D 项：

$f(x_{n})$ 有界 → ${f(x_{n})}$ 有界；

${f(x_{n})}$单调有界 → ${f(x_{n})}$ 收敛；

但是 ${f(x_{n})}$ 收敛推不出内函数 ${x_{n}}$ 也收敛，和 C 项原因一致。

D 项错误。

综上可知，正确选项是：B

EOF

一、题目

$\sum_{n=0}^{\infty}(-1)^{n}$ $\frac{2n+3}{(2n+1)!}$ $=$__

( A ) $\sin$ $1$ $+$ $\cos 1$.

( B ) $2$ $\sin 1$ $+$ $\cos 1$.

( C ) $2$ $\sin 1$ $+$ $2$ $\cos 1$.

( D ) $2$ $\sin 1$ $+$ $3$ $\cos 1$.

二、解析

看到求和与阶乘，我们应该想到使用麦克劳林公式，因为麦克劳林公式中也包含求和运算与阶乘运算。因此，我们解答本题的入手点就是通过等价变形的方式把题目中的式子往常用的麦克劳林公式上凑。

$\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{2n+3}{(2n+1)!}$ $=$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{2n+1+2}{(2n+1)!}$ $=$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{2n+1}{(2n+1)!}$ $+$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{2}{(2n+1)!}$ $=$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{1}{(2n)!}$ $+$ $2$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{1}{(2n+1)!}$.

注意：上面式子中 “$\sum$” 符号前面的 “$2$” 特别容易在计算过程中丢掉，一定要记着带上！！！

我们知道在常用的五个函数的麦克劳林公式中，存在 “$(2n+1)!$” 和 “$(2n)!$” 是下面两个公式：

$\sin x$ $=$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{x^{2n+1}}{(2n+1)!}$, $x$ $\in R$;

$\cos x$ $=$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{x^{2n}}{(2n)!}$, $x$ $\in$ $R$.

当我们令 $x$ $=$ $1$ 时，就有：

$\sin x$ $=$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{1}{(2n+1)!}$

$\cos x$ $=$ $\sum_{n=0}^{\infty}$ $(-1)^{n}$ $\frac{1}{(2n)!}$

于是我们就有：

原式 $=$ $\cos 1$ $+$ $2$ $\sin 1$ $=$ $2$ $\sin 1$ $+$ $\cos 1$.

综上可知，正确选项是：D

EOF

题目

已知极限 $\lim_{x \rightarrow 0} \frac{x-\arctan x}{x^{k}}=c,$ 其中 $k,c$ 为常数，且 $c \neq 0,$ 则 ( )

$$( A ) k=2,c=-\frac{1}{2}.$$

$$( B ) k=2,c=\frac{1}{2}.$$

$$( C ) k=3,c=-\frac{1}{3}.$$

$$( D ) k=3,c=\frac{1}{3}.$$

继续阅读“2013 年研究生入学考试数学一选择题第 1 题解析”

题目

极限 $\lim_{x \rightarrow \infty}[\frac{x^{2}}{(x-a)(x+b)}]^{x}=$（）

$$( A ) 1.$$

$$( B ) e.$$

$$( C ) e^{a-b}.$$

$$( D ) e^{b-a}.$$

继续阅读“2010 年研究生入学考试数学一选择题第 1 题解析（三种方法）”

题目

设函数 $f(x)$ 具有 $2$ 阶导数，$g(x)=f(0)(1-x)+f(1)x,$ 则在区间 $[0,1]$ 上 ( )

( A ) 当 $f'(x) \geqslant 0$ 时，$f(x) \geqslant g(x).$

( B ) 当 $f'(x) \geqslant 0$ 时，$f(x) \leqslant g(x)$.

( C ) 当 $f”(x) \geqslant 0$ 时，$f(x) \geqslant g(x)$.

( D ) 当 $f”(x) \geqslant 0$ 时，$f(x) \leqslant g(x)$.

继续阅读“2014 年研究生入学考试数学一选择题第 2 题解析”

一、题目

设二维随机变量 $(X,Y)$ 服从正态分布 $N(\mu,\mu;\sigma^{2},\sigma^{2};0),$ 则 $E(XY^{2})=$____.

二、解析

由于在正态分布 $X \sim $ $N(\mu, \sigma^{2})$中 $E(X)=\mu$, $D(X)=\sigma^{2}.$ 而且二维正态分布中依然遵循这一定理。

于是，根据题目中的条件我们知道，$E(X)=$ $E(Y)=\mu$, $D(X)=$ $D(Y)=$ $\sigma^{2}.$

又由 $\rho=0$ 我们知道，$X$ 与 $Y$ 相互独立。根据随机变量的独立性中的如下性质：

若 $X_{1},X_{2},$ $\dots ,$ $ X_{n},$ $Y_{1},$ $Y_{2},$ $\dots ,$ $ Y_{m}$ 相互独立，$f(\cdot)$ 为 $n$ 元连续函数且 $g(\cdot)$ 为 $m$ 元连续函数，则 $f(X_{1},X_{2}, \cdots , X_{n})$ 与 $g(X_{1},X_{2}, \cdots , X_{m})$ 也相互独立。

因此，我们知道，$X$ 与 $Y^{2}$ 也相互独立，于是有：
$E(XY^{2})=$ $E(X)E(Y^{2})=$ $E(X) \times [D(Y)+E^{2}(Y)]=$ $\mu(\sigma^{2}+\mu^{2}).$

综上可知，本题的正确答案是：$\mu(\sigma^{2}+\mu^{2})$.

EOF

一、题目

设二维随机变量$(X,Y)$ 服从正态分布 $N(1,0;1,1;0),P\{XY-Y<0\}=$____.

二、解析

解答本题需要掌握正态分布和二维正态分布两部分知识。

1. 正态分布

正态分布通常用下面的公式表示：

$$X \sim N(\mu,\sigma^{2}).$$

其中 $\mu$ 表示数学期望（或称“均数”），$\sigma^{2}$ 表示方差，$\sigma$ 表示标准差。

参数 $\mu$ 决定了正态分布的分布图像在坐标系中的位置，正态分布的图像以 $x$ $=$ $\mu$ 为对称轴，左右完全对称。在正态分布中，数学期望 $=$ 均数 $=$ 中位数 $=$ 众数 $=$ $\mu.$

参数 $\sigma^{2}$ 决定了正态分布中随机变量的离散程度，$\sigma$ 越小，数据就越集中，反之，若 $\sigma$ 越大，数据就越集中。反应在正态分布的图像中就是，当 $\sigma$ 越小的时候，正态分布的图像越窄高，$\sigma$ 越大的时候，正态分布的图像越扁平。

正态分布的图像在 $(\mu – \sigma, \mu + \sigma)$ 区间内存在拐点，拐点附近的形状上表现为中间高两边低的特点。

特别地，$X \sim N(0,1)$ 为标准正态分布，其分布图象关于 $y$ 轴对称。

如图 1 是几种不同的正态分布图像，反映了参数 $\mu$ 和 $\sigma$ 对正态分布图像的影响，其中红色线表示的为标准正态分布：

2. 二维正态分布

二维正态分布可记作如下形式：

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

在本题中，需要用到关于二维正态分布的如下两个性质：

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

② $X$ 与 $Y$ 独立的充要条件是 $\rho=0.$ 我们可以使用如下 MATLAB 代码绘制二维正态分布条件概率密度函数图像：

x=-5:0.01:5;
y=-5:0.01:5;
mu=[-1,2];
sigma=[1 1; 1 3]; %输入均值向量和协方差矩阵,可以根据需要修改
[X,Y]=meshgrid(x,y); %产生网格数据并处理
p=mvnpdf([X(:),Y(:)],mu,sigma);
P=reshape(p,size(X)); %求取联合概率密度
figure(2)
surf(X,Y,P)
shading interp
colorbar
title('二维正态分布条件概率密度函数图像');

我在 MATLAB R2016b 上运行上述代码得到的二维正态分布条件概率密度函数图像如图 2 所示：

关于本题所用到的知识点的介绍就到这里结束，下面是具体的做题过程。

由题可知，$\rho=0,$ 因此，$X$ 与 $Y$ 相互独立，根据“随机变量的独立性”中的定理，我们知道，这也就意味着：

$$P\{X,Y\}=P\{X\}P\{Y\}.$$

于是，我们有：

$P\{XY-Y<0\}$ $=$ $P\{Y(X-1)<0\}$ $=$ $P\{Y>0,X-1<0\}$ $+$ $P\{Y<0,X-1>0\}$ $=$ $P\{Y>0,X<1\}+P\{Y<0,X>1\}$ $=$ $P\{Y>0\}P\{X<1\}$ $+$ $P\{Y<0\}P\{X>1\}$ $=$ $\frac{1}{2}$ $\times$ $\frac{1}{2}$ $+$ $\frac{1}{2}$ $\times$ $\frac{1}{2}$ $=$ $\frac{1}{2}.$

综上可知，本题的正确答案是：$\frac{1}{2}$

EOF

一、题目

设随机变量 $X$ 的概率分布为 $P{X=k}=\frac{C}{k!},k=0,1,2,\dots.$, 则 $E(X^{2})=$__.

二、解析

根据题目中给出的分布函数（概率分布函数）的形式，我们可以知道，这是一个泊松分布。

泊松分布的公式如下：

$P{X=k}$ $=$ $\frac{\lambda^{k}e^{-\lambda}}{k!}$, $(k=0,1,2,\dots).$

于是我们有：

$C$ $=$ $\lambda^{k}e^{-\lambda}.$

由于在泊松分布中，$D(X)$ $=$ $E(X)$ $=$ $\lambda.$

而且我们知道 $D(X)$ 和 $E(X)$ 有如下关系：

$D(X)$ $=$ $E(X^2)-E^{2}(X)$ $\Rightarrow$ $E(X^{2})$ $=$ $D(X)$ $+$ $E^{2}(X)$ $=$ $\lambda$ $+$ $\lambda^{2}.$

因此，只要我们求出 $\lambda$ 的数值，也就是用 $C$ 表示出 $\lambda$ 就可以解出答案。

但是，这个思路是走不通的，一是因为通过 $C=\lambda^{k}e^{-\lambda}$ 用 $C$ 表示出 $\lambda$ 的计算十分复杂，其二是因为即便能够用 $C$ 表达出 $\lambda$, 那么表达式中也会含有未知变量 $k$.

因此可知，这道题还需要找一些隐含的条件，走另外的解题思路。

既然从源头开始想出来的解题思路有问题，那么我们就倒着想，看看为了计算出最终的结果，我们需要哪些条件。我们可以确定的是，无论采取哪种方法，要想解出 $E(X^{2})$, 就必须知道 $D(X)$ 和 $E^{2}(X)$, 因此（根据泊松分布的特性）我们需要知道 $\lambda$ 的数值，而要知道 $\lambda$ 的数值必然需要通过已知的常数 $C$ 来确定，根据公式，$C$ 与 $\lambda$ 同时出现的情况只在下面这个公式中存在：

$\frac{C}{k!}$ $=$ $\frac{\lambda^{k}e^{-\lambda}}{k!}.$

但是，上面这个公式中存在一个未知量 $k.$

至此，无论我们接下来采取什么解题思路，一个首要的问题就是要移除未知量 $k$ 这个障碍。

如何移除呢？题目中并没有给出 $k$ 的值，也没有可供解出 $k$ 的关系式。不过，既然要解出 $k$ 就先来想想 $k$ 的含义吧。

在泊松分布的定义中，$X$ 是随机变量，由泊松分布公式中的 “$P{X=k}$” 我们知道，$k$ 就是用来给 $X$ 赋值的，不同的 $k$ 值对应不同的概率，而 $k$ 的取值范围是 $0,1,2,\dots n.$ 根据概率分布函数的特点我们知道，在一次随机实验中，一定会有一个随机变量发生，如果我们手里有全部的随机变量，那么在任何一次实验中都会有一个随机变量在我们手里发生，从整体上看这就是一个必然事件。

于是，我们知道，如果让 $k$ 取到所有可能取到的值并计算概率，之后把这些概率相加，那么和一定是 $1$, 即：

$\sum_{k=0}^{\infty}$ $\frac{\lambda^{k}e^{-\lambda}}{k!}$ $=$ $\sum_{k=0}^{\infty}$ $\frac{C}{k!}$ $=$ $C\sum_{k=0}^{\infty}\frac{1}{k!}$ $=1.$

这里需要我们知道一个额外的知识点，就是自然常数（自然对数的底数） $e$ 的表示方法。

$e$ 有两种表示方法，如下：

方法一：$e=\lim_{n \rightarrow \infty}(1+\frac{1}{n})^{n}.$

方法二：$e=\sum_{n=0}^{\infty}\frac{1}{n!}=\frac{1}{0!}+\frac{1}{1!}+\frac{1}{2!}+\dots\frac{1}{n!}.$

注意：$0!=1.$

于是，我们有：

$C\sum_{k=0}^{\infty}$ $\frac{1}{k!}$ $=$ $Ce$ $=$ $1$ $\Rightarrow C$ $=$ $\frac{1}{e}$ $=$ $e^{-1}.$

又因为 $C$ $=$ $\lambda^{k}e^{-\lambda},$ 我们有：

$\lambda^{k}e^{-\lambda}$ $=$ $e^{-1}.$

于是有：

$\lambda$ $=$ $1$, $k=1.$

到这里就解出 $\lambda$ 的数值了，再结合前面的分析，我们就可以解出 $E(X^{2}):$

$E(X^2)$ $=$ $\lambda+\lambda^{2}$ $=$ $1$ $+$ $1^{2}$ $=$ $1$ $+$ $1$ $=$ $2.$

综上可知，本题的正确答案是：$2$

EOF

一、充分条件

若由 $A$ 能够推导出 $B$, 但是由 $B$ 不能够推导出 $A$, 则称 $A$ 是 $B$ 的充分不必要条件（$B$ 的充分不必要条件是 $A$.）。

从集合的角度看，就是 $A \in B$, 如图 1：

继续阅读“充分条件必要条件和充要条件(图文解析)”