导数和微分的概念
$f'({{x}{0}})=\underset{\Delta x\to 0}{\mathop{\lim }},\frac{f({{x}{0}}+\Delta x)-f({{x}_{0}})}{\Delta x}$ （1）
或者：
$f'({{x}{0}})=\underset{x\to {{x}{0}}}{\mathop{\lim }},\frac{f(x)-f({{x}{0}})}{x-{{x}{0}}}$ （2）
函数$f(x)$在$x_0$处的左、右导数分别定义为：
左导数：${{{f}'}{-}}({{x}{0}})=\underset{\Delta x\to {{0}^{-}}}{\mathop{\lim }},\frac{f({{x}{0}}+\Delta x)-f({{x}{0}})}{\Delta x}=\underset{x\to x_{0}^{-}}{\mathop{\lim }},\frac{f(x)-f({{x}{0}})}{x-{{x}{0}}},(x={{x}_{0}}+\Delta x)$
右导数：${{{f}'}{+}}({{x}{0}})=\underset{\Delta x\to {{0}^{+}}}{\mathop{\lim }},\frac{f({{x}{0}}+\Delta x)-f({{x}{0}})}{\Delta x}=\underset{x\to x_{0}^{+}}{\mathop{\lim }},\frac{f(x)-f({{x}{0}})}{x-{{x}{0}}}$
Th1: 函数$f(x)$在$x_0$处可微$\Leftrightarrow f(x)$在$x_0$处可导
Th2: 若函数在点$x_0$处可导，则$y=f(x)$在点$x_0$处连续，反之则不成立。即函数连续不一定可导。
Th3: ${f}'({{x}{0}})$存在$\Leftrightarrow {{{f}'}{-}}({{x}{0}})={{{f}'}{+}}({{x}_{0}})$
切线方程 : $y-{{y}{0}}=f'({{x}{0}})(x-{{x}_{0}})$
法线方程：$y-{{y}{0}}=-\frac{1}{f'({{x}{0}})}(x-{{x}{0}}),f'({{x}{0}})\ne 0$
设函数$u=u(x)，v=v(x)$]在点$x$可导则
(1)
(2)$(uv{)}'=u{v}'+v{u}'$
(3)
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(13)
(14)
(16)
(1) 反函数的运算法则: 设$y=f(x)$在点$x$的某邻域内单调连续，在点$x$处可导且${f}'(x)\ne 0$，则其反函数在点$x$所对应的$y$处可导，并且有$\frac{dy}{dx}=\frac{1}{\frac{dx}{dy}}$
(2) 复合函数的运算法则:若$\mu =\varphi (x)$在点$x$可导,而$y=f(\mu )$在对应点$\mu
(3) 隐函数导数$\frac{dy}{dx}$的求法一般有三种方法：
1)方程两边对$x$求导，要记住$y$是$x$的函数，则$y$的函数是$x$的复合函数.例如$\frac{1}{y}$，${{y}^{2}}$，$ln y$，${{{e}}^{y}}$等均是$x$的复合函数. 对$x$求导应按复合函数连锁法则做.
2)公式法.由$F(x,y)=0$知 $\frac{dy}{dx}=-\frac{{{{{F}'}}{x}}(x,y)}{{{{{F}'}}{y}}(x,y)}$,其中，${{{F}'}{x}}(x,y)$， ${{{F}'}{y}}(x,y)$分别表示$F(x,y)$对$x$和$y$的偏导数
3)利用微分形式不变性
（1）$({{a}^{x}}){{,}^{(n)}}={{a}^{x}}{{\ln }^{n}}a\quad (a>{0})\quad \quad ({{{e}}^{x}}){{,}^{(n)}}={e}{{,}^{x}}$
（2）$(\sin kx{)}{{,}^{(n)}}={{k}^{n}}\sin (kx+n\cdot \frac{\pi }{{2}})$
（3）$(\cos kx{)}{{,}^{(n)}}={{k}^{n}}\cos (kx+n\cdot \frac{\pi }{{2}})$
（4）$({{x}^{m}}){{,}^{(n)}}=m(m-1)\cdots (m-n+1){{x}^{m-n}}$
（5）$(\ln x){{,}^{(n)}}={{(-{1})}^{(n-{1})}}\frac{(n-{1})!}{{{x}^{n}}}$
（6）莱布尼兹公式：若$u(x),,v(x)$均$n$阶可导，则
Th1:(费马定理)
若函数$f(x)$满足条件：
(1)函数$f(x)$在${{x}{0}}$的某邻域内有定义，并且在此邻域内恒有 $f(x)\le f({{x}{0}})$或$f(x)\ge f({{x}_{0}})$,
(2)
Th2:(罗尔定理)
设函数$f(x)$满足条件：
(1)在闭区间$[a,b]$上连续；
(2)在$(a,b)$内可导；
(3)$f(a)=f(b)$；
则在$(a,b)$内一存在个$\xi
Th3: (拉格朗日中值定理)
设函数$f(x)$满足条件：
(1)在$[a,b]$上连续；
(2)在$(a,b)$内可导；
则在$(a,b)$内一存在个$\xi
Th4: (柯西中值定理)
设函数$f(x)$，$g(x)$满足条件： (1) 在$[a,b]$上连续；
(2) 在$(a,b)$内可导且${f}'(x)$，${g}'(x)$均存在，且${g}'(x)\ne 0$
则在$(a,b)$内存在一个$\xi
法则 Ⅰ (
设函数$f\left( x \right),g\left( x \right)$
满足条件：
$\underset{x\to {{x}{0}}}{\mathop{\lim }},f\left( x \right)=0,\underset{x\to {{x}{0}}}{\mathop{\lim }},g\left( x \right)=0$;
则:
$\underset{x\to {{x}{0}}}{\mathop{\lim }},\frac{f\left( x \right)}{g\left( x \right)}=\underset{x\to {{x}{0}}}{\mathop{\lim }},\frac{{f}'\left( x \right)}{{g}'\left( x \right)}$。
法则${{I}'}$ (
设函数$f\left( x \right),g\left( x \right)$
满足条件：
存在一个$X>0$,当$\left| x \right|>X$时,$f\left( x \right),g\left( x \right)$可导,且${g}'\left( x \right)\ne 0$;$\underset{x\to {{x}_{0}}}{\mathop{\lim}},\frac{{f}'\left(x \right)}{{g}'\left(x \right)}$存在(或$\infty $)。
则: $\underset{x\to {{x}{0}}}{\mathop{\lim }},\frac{f\left( x \right)}{g\left( x \right)}=\underset{x\to {{x}{0}}}{\mathop{\lim }},\frac{{f}'\left( x \right)}{{g}'\left( x \right)}$
法则 Ⅱ(
设函数$f\left( x \right),g\left( x \right)$满足条件： $\underset{x\to {{x}{0}}}{\mathop{\lim }},f\left( x \right)=\infty ,\underset{x\to {{x}{0}}}{\mathop{\lim }},g\left( x \right)=\infty$;
则
$\underset{x\to {{x}{0}}}{\mathop{\lim }},\frac{f\left( x \right)}{g\left( x \right)}=\underset{x\to {{x}{0}}}{\mathop{\lim }},\frac{{f}'\left( x \right)}{{g}'\left( x \right)}.$
同理法则${I{I}'}$(
设函数$f(x)$在点${{x}{0}}$处的某邻域内具有$n+1$阶导数，则对该邻域内异于${{x}{0}}$的任意点$x$，在${{x}_{0}}$与$x$之间至少存在 一个$\xi$，使得：
$f(x)=f({{x}{0}})+{f}'({{x}{0}})(x-{{x}{0}})+\frac{1}{2!}{f}''({{x}{0}}){{(x-{{x}_{0}})}^{2}}+\cdots$
$+\frac{{{f}^{(n)}}({{x}{0}})}{n!}{{(x-{{x}{0}})}^{n}}+{{R}_{n}}(x)$
其中 ${{R}{n}}(x)=\frac{{{f}^{(n+1)}}(\xi )}{(n+1)!}{{(x-{{x}{0}})}^{n+1}}$称为$f(x)$在点${{x}_{0}}$处的$n$阶泰勒余项。
令${{x}{0}}=0$，则$n$阶泰勒公式 $f(x)=f(0)+{f}'(0)x+\frac{1}{2!}{f}''(0){{x}^{2}}+\cdots +\frac{{{f}^{(n)}}(0)}{n!}{{x}^{n}}+{{R}{n}}(x)$……(1)
其中
常用五种函数在${{x}_{0}}=0$处的泰勒公式
(1)
或
(2)
或
(3)
或
(4)
或
(5)
或
Th1:
设函数$f(x)$在$(a,b)$区间内可导，如果对$\forall x\in (a,b)$，都有$f,'(x)>0$（或$f,'(x)<0$），则函数$f(x)$在$(a,b)$内是单调增加的（或单调减少）
Th2:
（取极值的必要条件）设函数$f(x)$在${{x}{0}}$处可导，且在${{x}{0}}$处取极值，则$f,'({{x}_{0}})=0$。
Th3:
（取极值的第一充分条件）设函数$f(x)$在${{x}{0}}$的某一邻域内可微，且$f,'({{x}{0}})=0$（或$f(x)$在${{x}{0}}$处连续，但$f,'({{x}{0}})$不存在。）
(1)若当$x$经过${{x}{0}}$时，$f,'(x)$由“+”变“-”，则$f({{x}{0}})$为极大值；
(2)若当$x$经过${{x}{0}}$时，$f,'(x)$由“-”变“+”，则$f({{x}{0}})$为极小值；
(3)若$f,'(x)$经过$x={{x}{0}}$的两侧不变号，则$f({{x}{0}})$不是极值。
Th4:
(取极值的第二充分条件)设$f(x)$在点${{x}{0}}$处有$f''(x)\ne 0$，且$f,'({{x}{0}})=0$，则 当$f','({{x}{0}})<0$时，$f({{x}{0}})$为极大值； 当$f','({{x}{0}})>0$时，$f({{x}{0}})$为极小值。 注：如果$f','({{x}_{0}})<0$，此方法失效。
(1)水平渐近线 若$\underset{x\to +\infty }{\mathop{\lim }},f(x)=b$，或$\underset{x\to -\infty }{\mathop{\lim }},f(x)=b$，则
(2)铅直渐近线 若$\underset{x\to x_{0}^{-}}{\mathop{\lim }},f(x)=\infty
(3)斜渐近线 若$a=\underset{x\to \infty }{\mathop{\lim }},\frac{f(x)}{x},\quad b=\underset{x\to \infty }{\mathop{\lim }},[f(x)-ax]$，则
Th1: (凹凸性的判别定理）若在 I 上$f''(x)<0$（或$f''(x)>0$），则$f(x)$在 I 上是凸的（或凹的）。
Th2: (拐点的判别定理 1)若在${{x}{0}}$处$f''(x)=0$，（或$f''(x)$不存在），当$x$变动经过${{x}{0}}$时，$f''(x)$变号，则$({{x}{0}},f({{x}{0}}))$为拐点。
Th3: (拐点的判别定理 2)设$f(x)$在${{x}{0}}$点的某邻域内有三阶导数，且$f''(x)=0$，$f'''(x)\ne 0$，则$({{x}{0}},f({{x}_{0}}))$为拐点。
曲线$y=f(x)$在点$(x,y)$处的曲率$k=\frac{\left| y'' \right|}{{{(1+y{{'}^{2}})}^{\tfrac{3}{2}}}}$。 对于参数方程$\left{ \begin{align} & x=\varphi (t) \ & y=\psi (t) \ \end{align} \right.,$$k=\frac{\left| \varphi '(t)\psi ''(t)-\varphi ''(t)\psi '(t) \right|}{{{[\varphi {{'}^{2}}(t)+\psi {{'}^{2}}(t)]}^{\tfrac{3}{2}}}}$。
曲线在点$M$处的曲率$k(k\ne 0)$与曲线在点$M$处的曲率半径$\rho
1.行列式按行（列）展开定理
(1) 设$A = ( a_{{ij}} ){n \times n}$，则：$a{i1}A_{j1} +a_{i2}A_{j2} + \cdots + a_{{in}}A_{{jn}} = \begin{cases}|A|,i=j\ 0,i \neq j\end{cases}$
或$a_{1i}A_{1j} + a_{2i}A_{2j} + \cdots + a_{{ni}}A_{{nj}} = \begin{cases}|A|,i=j\ 0,i \neq j\end{cases}$即 $AA^{} = A^{}A = \left| A \right|E,$其中：$A^{*} = \begin{pmatrix} A_{11} & A_{12} & \ldots & A_{1n} \ A_{21} & A_{22} & \ldots & A_{2n} \ \ldots & \ldots & \ldots & \ldots \ A_{n1} & A_{n2} & \ldots & A_{{nn}} \ \end{pmatrix} = (A_{{ji}}) = {(A_{{ij}})}^{T}$
$D_{n} = \begin{vmatrix} 1 & 1 & \ldots & 1 \ x_{1} & x_{2} & \ldots & x_{n} \ \ldots & \ldots & \ldots & \ldots \ x_{1}^{n - 1} & x_{2}^{n - 1} & \ldots & x_{n}^{n - 1} \ \end{vmatrix} = \prod_{1 \leq j < i \leq n}^{},(x_{i} - x_{j})$
(2) 设$A,B$为$n$阶方阵，则$\left| {AB} \right| = \left| A \right|\left| B \right| = \left| B \right|\left| A \right| = \left| {BA} \right|$，但$\left| A \pm B \right| = \left| A \right| \pm \left| B \right|$不一定成立。
(3)
(4) 设$A$为$n$阶方阵，$|A^{T}| = |A|;|A^{- 1}| = |A|^{- 1}$（若$A$可逆），$|A^{*}| = |A|^{n - 1}$
(5) $\left| \begin{matrix} & {A\quad O} \ & {O\quad B} \ \end{matrix} \right| = \left| \begin{matrix} & {A\quad C} \ & {O\quad B} \ \end{matrix} \right| = \left| \begin{matrix} & {A\quad O} \ & {C\quad B} \ \end{matrix} \right| =| A||B|$ ，$A,B$为方阵，但$\left| \begin{matrix} {O} & A_{m \times m} \ B_{n \times n} & { O} \ \end{matrix} \right| = ({- 1)}^{{mn}}|A||B|$ 。
(6) 范德蒙行列式$D_{n} = \begin{vmatrix} 1 & 1 & \ldots & 1 \ x_{1} & x_{2} & \ldots & x_{n} \ \ldots & \ldots & \ldots & \ldots \ x_{1}^{n - 1} & x_{2}^{n 1} & \ldots & x_{n}^{n - 1} \ \end{vmatrix} = \prod_{1 \leq j < i \leq n}^{},(x_{i} - x_{j})$
设$A$是$n$阶方阵，$\lambda_{i}(i = 1,2\cdots,n)$是$A$的$n$个特征值，则
矩阵：$m \times n$个数$a_{{ij}}$排成$m$行$n$列的表格$\begin{bmatrix} a_{11}\quad a_{12}\quad\cdots\quad a_{1n} \ a_{21}\quad a_{22}\quad\cdots\quad a_{2n} \ \quad\cdots\cdots\cdots\cdots\cdots \ a_{m1}\quad a_{m2}\quad\cdots\quad a_{{mn}} \ \end{bmatrix}$ 称为矩阵，简记为$A$，或者$\left( a_{{ij}} \right)_{m \times n}$ 。若$m = n$，则称$A$是$n$阶矩阵或$n$阶方阵。
矩阵的线性运算
1.矩阵的加法
设$A = (a_{{ij}}),B = (b_{{ij}})$是两个$m \times n$矩阵，则$m \times n$ 矩阵$C = c_{{ij}}) = a_{{ij}} + b_{{ij}}$称为矩阵$A$与$B$的和，记为$A + B = C$ 。
2.矩阵的数乘
设$A = (a_{{ij}})$是$m \times n$矩阵，$k$是一个常数，则$m \times n$矩阵$(ka_{{ij}})$称为数$k$与矩阵$A$的数乘，记为${kA}$。
3.矩阵的乘法
设$A = (a_{{ij}})$是$m \times n$矩阵，$B = (b_{{ij}})$是$n \times s$矩阵，那么$m \times s$矩阵$C = (c_{{ij}})$，其中$c_{{ij}} = a_{i1}b_{1j} + a_{i2}b_{2j} + \cdots + a_{{in}}b_{{nj}} = \sum_{k =1}^{n}{a_{{ik}}b_{{kj}}}$称为${AB}$的乘积，记为$C = AB$ 。
4.
(1)
(2)
但
(3) $\left( A^{} \right)^{} = |A|^{n - 2}\ A\ \ (n \geq 3)$，$\left({AB} \right)^{} = B^{}A^{},$ $\left( {kA} \right)^{} = k^{n -1}A^{*}{\ \ }\left( n \geq 2 \right)$
但$\left( A \pm B \right)^{} = A^{} \pm B^{*}$不一定成立。
(4) ${(A^{- 1})}^{T} = {(A^{T})}^{- 1},\ \left( A^{- 1} \right)^{} ={(AA^{})}^{- 1},{(A^{})}^{T} = \left( A^{T} \right)^{}$
5.有关
(1) $AA^{} = A^{}A = |A|E$
(2) $|A^{}| = |A|^{n - 1}\ (n \geq 2),\ \ \ \ {(kA)}^{} = k^{n -1}A^{},{{\ \ }\left( A^{} \right)}^{*} = |A|^{n - 2}A(n \geq 3)$
(3) 若$A$可逆，则$A^{} = |A|A^{- 1},{(A^{})}^{*} = \frac{1}{|A|}A$
(4) 若$A$为$n$阶方阵，则：
$r(A^*)=\begin{cases}n,\quad r(A)=n\ 1,\quad r(A)=n-1\ 0,\quad r(A)<n-1\end{cases}$
6.有关
7.有关矩阵秩的结论
(1) 秩$r(A)$=行秩=列秩；
(2)
(3)
(4)
(5) 初等变换不改变矩阵的秩
(6)
(7) 若$A^{- 1}$存在$\Rightarrow r(AB) = r(B);$ 若$B^{- 1}$存在
若$r(A_{m \times n}) = n \Rightarrow r(AB) = r(B);$ 若$r(A_{m \times s}) = n\Rightarrow r(AB) = r\left( A \right)$。
(8)
8.分块求逆公式
$\begin{pmatrix} A & O \ O & B \ \end{pmatrix}^{- 1} = \begin{pmatrix} A^{-1} & O \ O & B^{- 1} \ \end{pmatrix}$； $\begin{pmatrix} A & C \ O & B \\end{pmatrix}^{- 1} = \begin{pmatrix} A^{- 1}& - A^{- 1}CB^{- 1} \ O & B^{- 1} \ \end{pmatrix}$；
$\begin{pmatrix} A & O \ C & B \ \end{pmatrix}^{- 1} = \begin{pmatrix} A^{- 1}&{O} \ - B^{- 1}CA^{- 1} & B^{- 1} \\end{pmatrix}$； $\begin{pmatrix} O & A \ B & O \ \end{pmatrix}^{- 1} =\begin{pmatrix} O & B^{- 1} \ A^{- 1} & O \ \end{pmatrix}$
这里$A$，$B$均为可逆方阵。
1.有关向量组的线性表示
(1)$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$线性相关$\Leftrightarrow$至少有一个向量可以用其余向量线性表示。
(2)$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$线性无关，$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$，$\beta$线性相关$\Leftrightarrow \beta$可以由$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$唯一线性表示。
(3)
2.有关向量组的线性相关性
(1)部分相关，整体相关；整体无关，部分无关.
(2) ①
②
③ 若$\alpha_{1},\alpha_{2}\cdots\alpha_{S}$线性无关，则添加分量后仍线性无关；或一组向量线性相关，去掉某些分量后仍线性相关。
3.有关向量组的线性表示
(1)
(2)
(3)
4.向量组的秩与矩阵的秩之间的关系
设$r(A_{m \times n}) =r$，则$A$的秩$r(A)$与$A$的行列向量组的线性相关性关系为：
(1) 若$r(A_{m \times n}) = r = m$，则$A$的行向量组线性无关。
(2) 若$r(A_{m \times n}) = r < m$，则$A$的行向量组线性相关。
(3) 若$r(A_{m \times n}) = r = n$，则$A$的列向量组线性无关。
(4) 若$r(A_{m \times n}) = r < n$，则$A$的列向量组线性相关。
5.
若$\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$与$\beta_{1},\beta_{2},\cdots,\beta_{n}$是向量空间$V$的两组基，则基变换公式为：
$(\beta_{1},\beta_{2},\cdots,\beta_{n}) = (\alpha_{1},\alpha_{2},\cdots,\alpha_{n})\begin{bmatrix} c_{11}& c_{12}& \cdots & c_{1n} \ c_{21}& c_{22}&\cdots & c_{2n} \ \cdots & \cdots & \cdots & \cdots \ c_{n1}& c_{n2} & \cdots & c_{{nn}} \\end{bmatrix} = (\alpha_{1},\alpha_{2},\cdots,\alpha_{n})C$
其中$C$是可逆矩阵，称为由基$\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$到基$\beta_{1},\beta_{2},\cdots,\beta_{n}$的过渡矩阵。
6.坐标变换公式
若向量$\gamma$在基$\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$与基$\beta_{1},\beta_{2},\cdots,\beta_{n}$的坐标分别是
7.向量的内积
8.Schmidt 正交化
若$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$线性无关，则可构造$\beta_{1},\beta_{2},\cdots,\beta_{s}$使其两两正交，且$\beta_{i}$仅是$\alpha_{1},\alpha_{2},\cdots,\alpha_{i}$的线性组合$(i= 1,2,\cdots,n)$，再把$\beta_{i}$单位化，记$\gamma_{i} =\frac{\beta_{i}}{\left| \beta_{i}\right|}$，则$\gamma_{1},\gamma_{2},\cdots,\gamma_{i}$是规范正交向量组。其中
............
9.正交基及规范正交基
向量空间一组基中的向量如果两两正交，就称为正交基；若正交基中每个向量都是单位向量，就称其为规范正交基。
1．克莱姆法则
线性方程组$\begin{cases} a_{11}x_{1} + a_{12}x_{2} + \cdots +a_{1n}x_{n} = b_{1} \ a_{21}x_{1} + a_{22}x_{2} + \cdots + a_{2n}x_{n} =b_{2} \ \quad\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots \ a_{n1}x_{1} + a_{n2}x_{2} + \cdots + a_{{nn}}x_{n} = b_{n} \ \end{cases}$，如果系数行列式$D = \left| A \right| \neq 0$，则方程组有唯一解，$x_{1} = \frac{D_{1}}{D},x_{2} = \frac{D_{2}}{D},\cdots,x_{n} =\frac{D_{n}}{D}$，其中$D_{j}$是把$D$中第$j$列元素换成方程组右端的常数列所得的行列式。
2.
3.非奇次线性方程组有解的充分必要条件，线性方程组解的性质和解的结构
(1) 设$A$为$m \times n$矩阵，若$r(A_{m \times n}) = m$，则对$Ax =b$而言必有$r(A) = r(A \vdots b) = m$，从而$Ax = b$有解。
(2) 设$x_{1},x_{2},\cdots x_{s}$为$Ax = b$的解，则$k_{1}x_{1} + k_{2}x_{2}\cdots + k_{s}x_{s}$当$k_{1} + k_{2} + \cdots + k_{s} = 1$时仍为$Ax =b$的解；但当$k_{1} + k_{2} + \cdots + k_{s} = 0$时，则为$Ax =0$的解。特别$\frac{x_{1} + x_{2}}{2}$为$Ax = b$的解；$2x_{3} - (x_{1} +x_{2})$为$Ax = 0$的解。
(3) 非齐次线性方程组${Ax} = b$无解$\Leftrightarrow r(A) + 1 =r(\overline{A}) \Leftrightarrow b$不能由$A$的列向量$\alpha_{1},\alpha_{2},\cdots,\alpha_{n}$线性表示。
4.奇次线性方程组的基础解系和通解，解空间，非奇次线性方程组的通解
(1) 齐次方程组${Ax} = 0$恒有解(必有零解)。当有非零解时，由于解向量的任意线性组合仍是该齐次方程组的解向量，因此${Ax}= 0$的全体解向量构成一个向量空间，称为该方程组的解空间，解空间的维数是$n - r(A)$，解空间的一组基称为齐次方程组的基础解系。
(2)
-
$\eta_{1},\eta_{2},\cdots,\eta_{t}$ 是${Ax} = 0$的解； -
$\eta_{1},\eta_{2},\cdots,\eta_{t}$ 线性无关； -
${Ax} = 0$ 的任一解都可以由$\eta_{1},\eta_{2},\cdots,\eta_{t}$线性表出.$k_{1}\eta_{1} + k_{2}\eta_{2} + \cdots + k_{t}\eta_{t}$ 是${Ax} = 0$的通解，其中$k_{1},k_{2},\cdots,k_{t}$是任意常数。
1.矩阵的特征值和特征向量的概念及性质
(1) 设$\lambda$是$A$的一个特征值，则
(2)若$\lambda_{1},\lambda_{2},\cdots,\lambda_{n}$为$A$的$n$个特征值，则$\sum_{i= 1}^{n}\lambda_{i} = \sum_{i = 1}^{n}a_{{ii}},\prod_{i = 1}^{n}\lambda_{i}= |A|$ ,从而$|A| \neq 0 \Leftrightarrow A$没有特征值。
(3)设$\lambda_{1},\lambda_{2},\cdots,\lambda_{s}$为$A$的$s$个特征值，对应特征向量为$\alpha_{1},\alpha_{2},\cdots,\alpha_{s}$，
若:
则:
2.相似变换、相似矩阵的概念及性质
(1) 若$A \sim B$，则
-
$A^{T} \sim B^{T},A^{- 1} \sim B^{- 1},,A^{} \sim B^{}$
-
$|A| = |B|,\sum_{i = 1}^{n}A_{{ii}} = \sum_{i =1}^{n}b_{{ii}},r(A) = r(B)$ -
$|\lambda E - A| = |\lambda E - B|$ ，对$\forall\lambda$成立
3.矩阵可相似对角化的充分必要条件
(1)设$A$为$n$阶方阵，则$A$可对角化$\Leftrightarrow$对每个$k_{i}$重根特征值$\lambda_{i}$，有$n-r(\lambda_{i}E - A) = k_{i}$
(2) 设$A$可对角化，则由$P^{- 1}{AP} = \Lambda,$有$A = {PΛ}P^{-1}$，从而$A^{n} = P\Lambda^{n}P^{- 1}$
(3) 重要结论
-
若$A \sim B,C \sim D$，则$\begin{bmatrix} A & O \ O & C \\end{bmatrix} \sim \begin{bmatrix} B & O \ O & D \\end{bmatrix}$.
-
若$A \sim B$，则$f(A) \sim f(B),\left| f(A) \right| \sim \left| f(B)\right|$，其中$f(A)$为关于$n$阶方阵$A$的多项式。
-
若$A$为可对角化矩阵，则其非零特征值的个数(重根重复计算)＝秩(
$A$ )
4.实对称矩阵的特征值、特征向量及相似对角阵
(1)相似矩阵：设$A,B$为两个$n$阶方阵，如果存在一个可逆矩阵$P$，使得$B =P^{- 1}{AP}$成立，则称矩阵$A$与$B$相似，记为$A \sim B$。
(2)相似矩阵的性质：如果$A \sim B$则有：
-
$A^{T} \sim B^{T}$ -
$A^{- 1} \sim B^{- 1}$ （若$A$，$B$均可逆） -
$A^{k} \sim B^{k}$ （$k$为正整数） -
$\left| {λE} - A \right| = \left| {λE} - B \right|$ ，从而$A,B$ 有相同的特征值 -
$\left| A \right| = \left| B \right|$ ，从而$A,B$同时可逆或者不可逆 -
秩$\left( A \right) =$秩$\left( B \right),\left| {λE} - A \right| =\left| {λE} - B \right|$，$A,B$不一定相似
1.
2.惯性定理，二次型的标准形和规范形
(1) 惯性定理
对于任一二次型，不论选取怎样的合同变换使它化为仅含平方项的标准型，其正负惯性指数与所选变换无关，这就是所谓的惯性定理。
(2) 标准形
二次型$f = \left( x_{1},x_{2},\cdots,x_{n} \right) =x^{T}{Ax}$经过合同变换$x = {Cy}$化为$f = x^{T}{Ax} =y^{T}C^{T}{AC}$
(3) 规范形
任一实二次型$f$都可经过合同变换化为规范形$f = z_{1}^{2} + z_{2}^{2} + \cdots z_{p}^{2} - z_{p + 1}^{2} - \cdots -z_{r}^{2}$，其中$r$为$A$的秩，$p$为正惯性指数，$r -p$为负惯性指数，且规范型唯一。
3.用正交变换和配方法化二次型为标准形，二次型及其矩阵的正定性
设$A$正定$\Rightarrow {kA}(k > 0),A^{T},A^{- 1},A^{*}$正定；$|A| >0$,$A$可逆；$a_{{ii}} > 0$，且$|A_{{ii}}| > 0$
其中$\lambda_{i} > 0,i = 1,2,\cdots,n.$正定$\Rightarrow {kA}(k >0),A^{T},A^{- 1},A^{*}$正定；
1.事件的关系与运算
(1) 子事件：$A \subset B$，若$A$发生，则$B$发生。
(2) 相等事件：$A = B$，即$A \subset B$，且$B \subset A$ 。
(3) 和事件：$A\bigcup B$（或$A + B$），$A$与$B$中至少有一个发生。
(4) 差事件：$A - B$，$A$发生但$B$不发生。
(5) 积事件：$A\bigcap B$（或${AB}$），$A$与$B$同时发生。
(6) 互斥事件（互不相容）：$A\bigcap B$=$\varnothing$。
(7) 互逆事件（对立事件）：
2.运算律 (1) 交换律：$A\bigcup B=B\bigcup A,A\bigcap B=B\bigcap A$ (2) 结合律：$(A\bigcup B)\bigcup C=A\bigcup (B\bigcup C)$ (3) 分配律：$(A\bigcap B)\bigcap C=A\bigcap (B\bigcap C)$
3.德$\centerdot $摩根律
4.完全事件组
${{A}{1}}{{A}{2}}\cdots {{A}{n}}$两两互斥，且和事件为必然事件，即${{A}{i}}\bigcap {{A}_{j}}=\varnothing, i\ne j ,\underset{i=1}{\overset{n}{\mathop \bigcup }},=\Omega$
5.概率的基本公式
(1)条件概率:
(2)全概率公式： $P(A)=\sum\limits_{i=1}^{n}{P(A|{{B}{i}})P({{B}{i}}),{{B}{i}}{{B}{j}}}=\varnothing ,i\ne j,\underset{i=1}{\overset{n}{\mathop{\bigcup }}},{{B}_{i}}=\Omega$
(3) Bayes 公式：
$P({{B}{j}}|A)=\frac{P(A|{{B}{j}})P({{B}{j}})}{\sum\limits{i=1}^{n}{P(A|{{B}{i}})P({{B}{i}})}},j=1,2,\cdots ,n$ 注：上述公式中事件${{B}_{i}}$的个数可为可列个。
(4)乘法公式： $P({{A}{1}}{{A}{2}})=P({{A}{1}})P({{A}{2}}|{{A}{1}})=P({{A}{2}})P({{A}{1}}|{{A}{2}})$ $P({{A}{1}}{{A}{2}}\cdots {{A}{n}})=P({{A}{1}})P({{A}{2}}|{{A}{1}})P({{A}{3}}|{{A}{1}}{{A}{2}})\cdots P({{A}{n}}|{{A}{1}}{{A}{2}}\cdots {{A}_{n-1}})$
6.事件的独立性
(1)$A$与$B$相互独立
(2)$A$，$B$，$C$两两独立
(3)$A$，$B$，$C$相互独立
7.独立重复试验
将某试验独立重复$n$次，若每次实验中事件 A 发生的概率为$p$，则$n$次试验中$A$发生$k$次的概率为：
8.重要公式与结论
(5)条件概率$P(\centerdot |B)$满足概率的所有性质， 例如：. $P({{\bar{A}}{1}}|B)=1-P({{A}{1}}|B)$ $P({{A}{1}}\bigcup {{A}{2}}|B)=P({{A}{1}}|B)+P({{A}{2}}|B)-P({{A}{1}}{{A}{2}}|B)$ $P({{A}{1}}{{A}{2}}|B)=P({{A}{1}}|B)P({{A}{2}}|{{A}_{1}}B)$
(6)若${{A}{1}},{{A}{2}},\cdots ,{{A}{n}}$相互独立，则$P(\bigcap\limits{i=1}^{n}{{{A}{i}}})=\prod\limits{i=1}^{n}{P({{A}{i}})},$ $P(\bigcup\limits{i=1}^{n}{{{A}{i}}})=\prod\limits{i=1}^{n}{(1-P({{A}_{i}}))}$
(7)互斥、互逆与独立性之间的关系：
(8)若${{A}{1}},{{A}{2}},\cdots ,{{A}{m}},{{B}{1}},{{B}{2}},\cdots ,{{B}{n}}$相互独立，则$f({{A}{1}},{{A}{2}},\cdots ,{{A}{m}})$与$g({{B}{1}},{{B}{2}},\cdots ,{{B}{n}})$也相互独立，其中$f(\centerdot ),g(\centerdot )$分别表示对相应事件做任意事件运算后所得的事件，另外，概率为 1（或 0）的事件与任何事件相互独立.
1.随机变量及概率分布
取值带有随机性的变量，严格地说是定义在样本空间上，取值于实数的函数称为随机变量，概率分布通常指分布函数或分布律
2.分布函数的概念与性质
定义：
性质：(1)$0 \leq F(x) \leq 1$
(2)
(3) 右连续$F(x + 0) = F(x)$
(4)
3.离散型随机变量的概率分布
4.连续型随机变量的概率密度
概率密度$f(x)$;非负可积，且:
(1)$f(x) \geq 0,$
(2)$\int_{- \infty}^{+\infty}{f(x){dx} = 1}$
(3)$x$为$f(x)$的连续点，则:
5.常见分布
(1) 0-1 分布:$P(X = k) = p^{k}{(1 - p)}^{1 - k},k = 0,1$
(2) 二项分布:$B(n,p)$：
(3) Poisson分布:$p(\lambda)$：
(4) 均匀分布$U(a,b)$：$f(x) = { \begin{matrix} & \frac{1}{b - a},a < x< b \ & 0, \ \end{matrix}$
(5) 正态分布:$N(\mu,\sigma^{2}):$
(6)指数分布:$E(\lambda):f(x) ={ \begin{matrix} & \lambda e^{-{λx}},x > 0,\lambda > 0 \ & 0, \ \end{matrix}$
(7)几何分布:$G(p):P(X = k) = {(1 - p)}^{k - 1}p,0 < p < 1,k = 1,2,\cdots.$
(8)超几何分布:
6.随机变量函数的概率分布
(1)离散型：$P(X = x_{1}) = p_{i},Y = g(X)$
则:
(2)连续型：$X\tilde{\ }f_{X}(x),Y = g(x)$
则:$F_{y}(y) = P(Y \leq y) = P(g(X) \leq y) = \int_{g(x) \leq y}^{}{f_{x}(x)dx}$，
7.重要公式与结论
(1)
(2)
(3)
(4)
(5) 离散型随机变量的分布函数为阶梯间断函数；连续型随机变量的分布函数为连续函数，但不一定为处处可导函数。
(6) 存在既非离散也非连续型随机变量。
1.二维随机变量及其联合分布
由两个随机变量构成的随机向量$(X,Y)$， 联合分布为$F(x,y) = P(X \leq x,Y \leq y)$
2.二维离散型随机变量的分布
(1) 联合概率分布律
(2) 边缘分布律
(3) 条件分布律
3. 二维连续性随机变量的密度
(1) 联合概率密度$f(x,y):$
-
$f(x,y) \geq 0$ -
$\int_{- \infty}^{+ \infty}{\int_{- \infty}^{+ \infty}{f(x,y)dxdy}} = 1$
(2) 分布函数：$F(x,y) = \int_{- \infty}^{x}{\int_{- \infty}^{y}{f(u,v)dudv}}$
(3) 边缘概率密度：
(4) 条件概率密度：$f_{X|Y}\left( x \middle| y \right) = \frac{f\left( x,y \right)}{f_{Y}\left( y \right)}$
4.常见二维随机变量的联合分布
(1) 二维均匀分布：$(x,y) \sim U(D)$ ,$f(x,y) = \begin{cases} \frac{1}{S(D)},(x,y) \in D \ 0,其他 \end{cases}$
(2) 二维正态分布：$(X,Y)\sim N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)$,$(X,Y)\sim N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)$
5.随机变量的独立性和相关性
相关系数$\rho_{{XY}} = 0$时，称$X$和$Y$不相关， 否则称$X$和$Y$相关
6.两个随机变量简单函数的概率分布
离散型：
连续型：
7.重要公式与结论
(1) 边缘密度公式：
(2)
(3) 若$(X,Y)$服从二维正态分布$N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},\rho)$ 则有：
-
$X\sim N\left( \mu_{1},\sigma_{1}^{2} \right),Y\sim N(\mu_{2},\sigma_{2}^{2}).$ -
$X$ 与$Y$相互独立$\Leftrightarrow \rho = 0$，即$X$与$Y$不相关。 -
$C_{1}X + C_{2}Y\sim N(C_{1}\mu_{1} + C_{2}\mu_{2},C_{1}^{2}\sigma_{1}^{2} + C_{2}^{2}\sigma_{2}^{2} + 2C_{1}C_{2}\sigma_{1}\sigma_{2}\rho)$ -
${\ X}$ 关于$Y=y$的条件分布为：$N(\mu_{1} + \rho\frac{\sigma_{1}}{\sigma_{2}}(y - \mu_{2}),\sigma_{1}^{2}(1 - \rho^{2}))$ -
$Y$ 关于$X = x$的条件分布为：$N(\mu_{2} + \rho\frac{\sigma_{2}}{\sigma_{1}}(x - \mu_{1}),\sigma_{2}^{2}(1 - \rho^{2}))$
(4) 若$X$与$Y$独立，且分别服从$N(\mu_{1},\sigma_{1}^{2}),N(\mu_{1},\sigma_{2}^{2}),$ 则：$\left( X,Y \right)\sim N(\mu_{1},\mu_{2},\sigma_{1}^{2},\sigma_{2}^{2},0),$
(5) 若$X$与$Y$相互独立，$f\left( x \right)$和$g\left( x \right)$为连续函数， 则$f\left( X \right)$和$g(Y)$也相互独立。
1.数学期望
离散型：$P\left{ X = x_{i} \right} = p_{i},E(X) = \sum_{i}^{}{x_{i}p_{i}}$；
连续型：
性质：
(1)
(2)
(3) 若$X$和$Y$独立，则$E(XY) = E(X)E(Y)$
(4)$\left\lbrack E(XY) \right\rbrack^{2} \leq E(X^{2})E(Y^{2})$
2.方差：$D(X) = E\left\lbrack X - E(X) \right\rbrack^{2} = E(X^{2}) - \left\lbrack E(X) \right\rbrack^{2}$
3.标准差：$\sqrt{D(X)}$，
4.离散型：
5.连续型：
性质：
(1)$\ D(C) = 0,D\lbrack E(X)\rbrack = 0,D\lbrack D(X)\rbrack = 0$
(2)
(3)$\ D\left( C_{1}X + C_{2} \right) = C_{1}^{2}D\left( X \right)$
(4) 一般有
(5)$\ D\left( X \right) < E\left( X - C \right)^{2},C \neq E\left( X \right)$
(6)$\ D(X) = 0 \Leftrightarrow P\left{ X = C \right} = 1$
6.随机变量函数的数学期望
(1) 对于函数$Y = g(x)$
(2)
7.协方差
8.相关系数
性质：
(1)$\ Cov(X,Y) = Cov(Y,X)$
(2)$\ Cov(aX,bY) = abCov(Y,X)$
(3)$\ Cov(X_{1} + X_{2},Y) = Cov(X_{1},Y) + Cov(X_{2},Y)$
(4)$\ \left| \rho\left( X,Y \right) \right| \leq 1$
(5)
9.重要公式与结论
(1)$\ D(X) = E(X^{2}) - E^{2}(X)$
(2)$\ Cov(X,Y) = E(XY) - E(X)E(Y)$
(3)
(4) 下面 5 个条件互为充要条件：
注：$X$与$Y$独立为上述 5 个条件中任何一个成立的充分条件，但非必要条件。
1.基本概念
总体：研究对象的全体，它是一个随机变量，用$X$表示。
个体：组成总体的每个基本元素。
简单随机样本：来自总体$X$的$n$个相互独立且与总体同分布的随机变量$X_{1},X_{2}\cdots,X_{n}$，称为容量为$n$的简单随机样本，简称样本。
统计量：设$X_{1},X_{2}\cdots,X_{n},$是来自总体$X$的一个样本，$g(X_{1},X_{2}\cdots,X_{n})$）是样本的连续函数，且$g()$中不含任何未知参数，则称$g(X_{1},X_{2}\cdots,X_{n})$为统计量。
样本均值：$\overline{X} = \frac{1}{n}\sum_{i = 1}^{n}X_{i}$
样本方差：$S^{2} = \frac{1}{n - 1}\sum_{i = 1}^{n}{(X_{i} - \overline{X})}^{2}$
样本矩：样本$k$阶原点矩：$A_{k} = \frac{1}{n}\sum_{i = 1}^{n}X_{i}^{k},k = 1,2,\cdots$
样本$k$阶中心矩：$B_{k} = \frac{1}{n}\sum_{i = 1}^{n}{(X_{i} - \overline{X})}^{k},k = 1,2,\cdots$
2.分布
分位数：若$P(X \leq x_{\alpha}) = \alpha,$则称$x_{\alpha}$为$X$的$\alpha$分位数
3.正态总体的常用样本分布
(1) 设$X_{1},X_{2}\cdots,X_{n}$为来自正态总体$N(\mu,\sigma^{2})$的样本，
-
$\overline{X}\sim N\left( \mu,\frac{\sigma^{2}}{n} \right){\ \ }$ 或者$\frac{\overline{X} - \mu}{\frac{\sigma}{\sqrt{n}}}\sim N(0,1)$ -
$\frac{(n - 1)S^{2}}{\sigma^{2}} = \frac{1}{\sigma^{2}}\sum_{i = 1}^{n}{{(X_{i} - \overline{X})}^{2}\sim\chi^{2}(n - 1)}$ -
$\frac{1}{\sigma^{2}}\sum_{i = 1}^{n}{{(X_{i} - \mu)}^{2}\sim\chi^{2}(n)}$
4)${\ \ }\frac{\overline{X} - \mu}{S/\sqrt{n}}\sim t(n - 1)$
4.重要公式与结论
(1) 对于$\chi^{2}\sim\chi^{2}(n)$，有$E(\chi^{2}(n)) = n,D(\chi^{2}(n)) = 2n;$
(2) 对于$T\sim t(n)$，有$E(T) = 0,D(T) = \frac{n}{n - 2}(n > 2)$；
(3) 对于$F\tilde{\ }F(m,n)$，有
(4) 对于任意总体$X$，有