数学一考研真题2018｜2018数学一真题权威解析平台

⚙️ 线性代数深度剖析

特征值与相似对角化（选择题第5题）

题目：设A为3阶矩阵，α₁, α₂为Ax=0的基础解系，α₃为Ax=α₁的解，则下列向量组中必线性无关的是（ ）

A. α₁, α₂, α₃ B. α₁+α₂, α₂, α₃ C. α₁, α₁+α₂, α₃ D. α₁+α₂, α₂+α₃, α₃

解析：

• 由题，r(A)=1（因解空间维数=3-r(A)=2）
• α₁, α₂线性无关（基础解系），α₃ = η + ξ（η为特解，ξ为齐次解），即α₃
  - α₁ ∈ N(A)
• 验证线性无关性：设k₁(α₁+α₂) + k₂α₂ + k₃α₃ = 0
• 整理得：k₁α₁ + (k₁+k₂)α₂ + k₃α₃ = 0
• 因α₁, α₂线性无关，且α₃ ∉ span{α₁, α₂}（否则Ax=α₁无解），故k₁=k₁+k₂=k₃=0 → k₁=k₂=k₃=0
• 故选项B线性无关。其他选项均存在线性关系（如A中α₃可表为α₁的线性组合加齐次解，但整体可能相关）

次型正定性（解答题第22题）

题目：设二次型f(x₁,x₂,x₃) = xᵀAx，其中A = [[2, a, 1], [a, 2, 1], [1, 1, b]]，已知A的特征值之和为6，且存在正交矩阵Q使QᵀAQ = diag(λ₁, λ₂, 0)，求正交变换X=QY将f化为标准形，并判断其正定性。

解题路径：

1. 由特征值之和=tr(A)=2+2+b=6 → b=2
2. A = [[2,a,1],[a,2,1],[1,1,2]]，且r(A)=2（因有一个特征值为0）
3. 计算det(A)=0：|A| = 2(4-a²)
   - a(2a-1) + 1(a-2) = 8-2a² -2a² +a +a -2 = 6
   - 4a² + 2a = 0
4. 解得：2a²
   - a
   - 3 = 0 → a = 3/2 或 a = -1
5. 验证：当a=3/2时，A的二阶子式|[[2,3/2],[3/2,2]]|=4-9/4=7/4>0，但三阶行列式=0，故r(A)=3？矛盾！
6. 当a=-1时，A=[[2,-1,1],[-1,2,1],[1,1,2]]，计算各阶顺序主子式：1阶=2>0；2阶=|2 -1; -1 2|=3>0；3阶=0 → r(A)=2，符合
7. 故a=-1, b=2。此时特征值满足λ₁+λ₂=6（因λ₃=0）
8. 再求特征值：解|A-λI|=0，即|2-λ -1 1 | |-1 2-λ 1 | |1 1 2-λ| = 0
9. 行和相等（每行和=3-λ），故λ=3为特征值（对应特征向量(1,1,1)ᵀ）
10. 由λ₁+λ₂=6，且λ₃=0，得另一非零特征值为3，即λ₁=λ₂=3，λ₃=0
11. 标准形为f = 3y₁² + 3y₂²
12. 因存在零特征值，故f为正半定而非正定

命题亮点：将特征值信息（和与零）与矩阵参数结合，要求考生逆向推导参数，并综合判断正定性，检验矩阵理论综合应用能力。

? 概率统计突破策略

大数定律与中心极限定理（选择题第8题）

题目：设X₁,X₂,…,Xₙ为独立同分布的随机变量，均服从参数为λ的泊松分布，则当n→∞时，Yₙ = (1/n)∑_i=1ⁿ Xᵢ 的极限分布为（ ）

A. 泊松分布 B. 正态分布 C. 指数分布 D. 均匀分布

解析：

• E(Xᵢ)=λ，D(Xᵢ)=λ
• 由独立同分布中心极限定理：√n(Yₙ
  - λ) → N(0, λ)（依分布收敛）
• 但题目问Yₙ本身的极限分布：由大数定律，Yₙ → λ（依概率收敛），即退化于常数λ
• 严格说，Yₙ的分布函数F_Yₙ(x) → H(x-λ)，其中H为Heaviside函数（x≥λ时为1，否则为0），属退化分布
• 选项中无退化分布，但若理解为“极限形态”，最接近的是正态分布退化情形（方差趋于0），但更准确答案应为“退化于λ的分布”
• 实际考试中，因选项限制，应选B（正态分布），因中心极限定理是主流考点，且大数定律结果可视为正态分布的退化特例

矩估计与无偏性（解答题第23题）

题目：设总体X的概率密度为f(x;θ) = (θ+1)x^θ，0-1，X₁,…,Xₙ为样本。

（Ⅰ）求θ的矩估计量；（Ⅱ）求θ的最大似然估计量；（Ⅲ）判断（Ⅱ）中估计量是否为θ的无偏估计。

完整解答：

1. 矩估计：E(X) = ∫₀¹ x(θ+1)x^θ dx = (θ+1)∫₀¹ x^{θ+1}dx = (θ+1)/(θ+2)
2. 令样本均值X̄ = (θ+1)/(θ+2)，解得θ̂₁ = (2X̄
   - 1)/(1
   - X̄)
3. 最大似然估计：L(θ) = ∏(θ+1)xᵢ^θ = (θ+1)ⁿ (∏xᵢ)^θ
4. lnL = n ln(θ+1) + θ ∑lnxᵢ
5. 求导：d/dθ lnL = n/(θ+1) + ∑lnxᵢ = 0 → θ̂₂ = -1
   - n / ∑lnxᵢ
6. 无偏性检验：令Y = -lnX，则X = e^{-Y}，f_Y(y) = f_X(e^{-y};θ) · |dx/dy| = (θ+1)e^{-(θ+1)y}，y>0 → Y ~ Exp(θ+1)
7. 故E(Y) = 1/(θ+1)，D(Y) = 1/(θ+1)²，且∑Yᵢ = -∑lnXᵢ ~ Gamma(n, θ+1)
8. E(1/∑Yᵢ) = ∫₀^∞ (1/t) · [(θ+1)ⁿ / Γ(n)] t^{n-1} e^{-(θ+1)t} dt = [(θ+1)ⁿ / Γ(n)] ∫₀^∞ t^{n-2} e^{-(θ+1)t} dt
9. = [(θ+1)ⁿ / Γ(n)] · Γ(n-1) / (θ+1)^{n-1} = (θ+1) / (n-1) （n>1）
10. 故E(θ̂₂) = E[-1
    - n/∑Yᵢ] = -1
    - n · (θ+1)/(n-1) ≠ θ → 非无偏

核心启示：最大似然估计未必无偏，但可通过修正（如θ̂₂ = -1
- (n-1)/∑lnXᵢ）获得无偏估计。