一、前言 
在本文中，「荒原之梦考研数学」将为同学们详细讲解概率论和数理统计中重要的参数估计方法之一的矩估计，并利用习题来验证我们学到的矩估计方法。
继续阅读“矩估计详解”标签： 考研数学一
一次性看懂期望和均值的联系与区别
图解随机变量和样本观测值的联系与区别
一、前言
在概率统计中，随机变量和样本观测值（或“样本的特征值”）是两个相关但不相同的概念。但是，在学习的过程中，随机变量和样本的观测值一般都是用数字进行表示的，此时，稍不注意就可能忽略了其中存在的区别。
所以，在本文中，「荒原之梦考研数学」将使用图解的方式为同学们讲解清楚这两个概念之家的联系和区别。
继续阅读“图解随机变量和样本观测值的联系与区别”对含有 $\sin$ 或 $\cos$ 的被积函数做分部积分一般要做两次
一、题目
$$
\begin{aligned}
I_{1} & = \int_{0}^{\infty} \mathrm{e}^{- \alpha x} \cdot \textcolor{lightgreen}{\cos} \left( \beta x \right) \mathrm{~d} x = ? \\ \\
I_{2} & = \int_{0}^{\infty} \mathrm{e}^{- \alpha x} \cdot \textcolor{pink}{\sin} \left( \beta x \right) \mathrm{~d} x = ?
\end{aligned}
$$
其中，$\alpha > 0$.
继续阅读“对含有 $\sin$ 或 $\cos$ 的被积函数做分部积分一般要做两次”峰式 (FENG Type) 图形法：直观地理解数列及数列的基本性质
一、前言
在高等数学中，我们一般会用 “$\{ x_{n} \}$” 或者 “$\{ y_{n} \}$” 表示数列，数列和函数有很多异同点，要想深入地理解数列，首先就要明白什么是数列，以及数列的敛散性。
在本文中，「荒原之梦考研数学」将使用通俗易懂的解释，为同学们讲明白数列的那些事。
继续阅读“峰式 (FENG Type) 图形法：直观地理解数列及数列的基本性质”构成卡方分布的正态分布必须是标准正态分布且系数为 1
一、题目
已知 $\xi_{1}$, $\xi_{2}$, $\cdots$, $\xi_{8}$ 是来自标准正态分布的总体 $\xi \sim N(0, 1)$ 的容量为 $8$ 的简单随机样本，而 $\eta$ $=$ $\left( \xi_{1} + \xi_{2} + \xi_{3} + \xi_{4} \right)^{2}$ $+$ $\left( \xi_{5} + \xi_{6} + \xi_{7} + \xi_{8} \right)^{2}$.
试求常数 $k$, 使得随机变量 $k \eta$ 服从 $\chi^{2}$ 分布，同时指出 $\chi^{2}$ 分布的自由度。
难度评级：
继续阅读“构成卡方分布的正态分布必须是标准正态分布且系数为 1”扩展的极限“抓大去小”定理
一、前言
在「荒原之梦考研数学」的文章《取大头：分子或分母中的加减法所连接的部分可以使用“取大头”算法》中，我们主要讨论了当 $x \rightarrow +\infty$, 且 $x^{n}$ 中的 $n$ 为正整数的时候，极限式子“取大头去小头”的定理，在本文中，我们将对极限式子的“取大头去小头”的定理进行扩展，助力同学们提升解题速度。
继续阅读“扩展的极限“抓大去小”定理”相邻展开式可抵消一般发生在含有递进关系的求和中
一、题目
$$
\lim_{n \rightarrow \infty} \sum_{k=1}^{n} \frac{k}{(k+1)!} = ?
$$
难度评级：
继续阅读“相邻展开式可抵消一般发生在含有递进关系的求和中”“峰式”变限积分法：判断方程实数根（或函数实数解）存在性的另一种方法
一、前言
一般情况下，我们判断方程实数根的存在性或者函数实数解的存在性（也就是函数图像与 $X$ 轴是否存在交点，以及交点的个数）通常使用的方法是求导法，也就是通过求导判断函数的单调性，再利用函数的极值，判断函数图像与 $X$ 轴是否存在交点。
在本文中，「荒原之梦考研数学」将通过原创的“峰式”变限积分法，来判断方程实数根（或函数实数解）的存在性，为同学们在求解该类型题目时提供另一种解题思路。
继续阅读““峰式”变限积分法：判断方程实数根（或函数实数解）存在性的另一种方法”这个极限非常具有“迷惑力”！
一、题目
下面的极限中，结论正确的是哪个？
»A« $\lim_{ x \rightarrow 0 } \left( 1 + \frac{1}{x} \right)^{x}$ $=$ $\mathrm{e}$
»B« $\lim_{ x \rightarrow 0^{+} } \left( 1 + \frac{1}{x} \right)^{x}$ $=$ $1$
»C« $\lim_{ x \rightarrow \infty } \left( 1 + \frac{1}{x} \right)^{-x}$ $=$ $\mathrm{e}$
»D« $\lim_{ x \rightarrow \infty } \left( 1 – \frac{1}{x} \right)^{x}$ $=$ $-\mathrm{e}$
难度评级：
继续阅读“这个极限非常具有“迷惑力”！”两种方法证明对数的“次方”/“指係”公式
一、前言
在本文中，「荒原之梦考研数学」将通过两种方法证明下面的对数次方公式（也称“对数指係公式”）：
$$
\log_{\alpha^{n}} x^{m} = \frac{m}{n} \log_{\alpha} x
$$
证明对数的“换底”/“基变换”公式
一、前言
在本文中，「荒原之梦考研数学」将给出下面这个对数换底公式（也称“对数基变换公式”）的详细证明：
$$
\textcolor{pink}{ \log_{y} x } = \frac{\log_{\beta} x}{\log_{\beta} y}
$$
为什么样本值减去样本均值后求和等于零？
一、前言
在本文中，「荒原之梦考研数学」将使用传统方法和“峰式”画图的方法证明概率论中下面这个公式：
$$
\sum_{i=1}^{n} (\xi_{i} – \bar{\xi}) = \sum_{i=1}^{n} \xi_{i} – n \bar{\xi} = 0
$$
其中，$\bar{\xi}$ 为样本 $\left( \xi_{1}, \xi_{2}, \xi_{3} \cdots, \xi_{n} \right)$ 的均值。
继续阅读“为什么样本值减去样本均值后求和等于零？”基于条件概率详解全概率公式的证明
一、前言
在另一篇文章中，「荒原之梦考研数学」通过图解的方式证明了全概率公式，在本文中，「荒原之梦考研数学」将使用传统的证明方法实现对全概率公式的证明：
$$
\begin{aligned}
P \left( A \right) & = \sum_{i=1}^{n} P \left( B_{i} \right) P \left( A \mid B_{i} \right) \\ \\
P \left( B \right) & = \sum_{i=1}^{n} P \left( A_{i} \right) P \left( B \mid A_{i} \right)
\end{aligned}
$$
对数“和差”公式的完整证明
一、前言
在本文中，「荒原之梦考研数学」将通过完善的逻辑推理，分别证明以下两个对数的“和”与“差”公式：
$$
\begin{aligned}
\log_{\alpha} M N & = \log_{\alpha} M + \log_{\alpha} N \\
\log_{\alpha} \frac{M}{N} & = \log_{\alpha} M – \log_{\alpha} N
\end{aligned}
$$