高数问题,请教高手
4个回答
展开全部
因为x=a是f(x)的k重根,所以f(x)=(x-a)^kg(x),其中g(a)≠0. f'(x)=k(x-a)^(k-1)g(x)+(x-a)^kg'(x)=(x-a)^(k-1)(kg(x)+(x-a)g'(x)),所以(x-a)^(k-1)能够整除f'(x)。但(x-a)^k不能整除f'(x)。从而x=a是f'(x)的k-1重根。
追问
如何证明(kg(x)+(x-a)g'(x))中一定没有根x=a?
追答
因为x-a能整除(x-a)g'(x),但不能整除kg(x),所以x-a不能整除kg(x)+(x-a)g'(x),即(kg(x)+(x-a)g'(x))中没有根x=a
展开全部
f(x)=a1x^n+a2x^(n-1)+...+an
x=a是方程k重根
f(x)=(x-a)^k*[b1x^(n-k)+...+b(n-k)]
f'(x)=k(x-a)^(k-1)*[b1x^(n-k)+...+b(n-k)]+(x-a)^k*[(n-k)*b1^(n-k-1)+...+bn-k+1]
=k(x-a)^(k-1)*g(x)
因此x=a也是f'(x)=0的k-1重根
x=a是方程k重根
f(x)=(x-a)^k*[b1x^(n-k)+...+b(n-k)]
f'(x)=k(x-a)^(k-1)*[b1x^(n-k)+...+b(n-k)]+(x-a)^k*[(n-k)*b1^(n-k-1)+...+bn-k+1]
=k(x-a)^(k-1)*g(x)
因此x=a也是f'(x)=0的k-1重根
追问
如何证明g(x)中没有根x=a?
追答
因为f(x)=(x-a)^k*[b1x^(n-k)+...+b(n-k)]
*[b1x^(n-k)+...+b(n-k)]没有(x-a)的因式,g(x)没有(x-a)因式
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
若f(x)是多项式函数,x=a是f(x)的k重根,求证:x=a是f'(x)的k-1重根。
证明:∵x=a是f(x)的k重根,∴x-a必是f(x)的k重因子,故f(x)=[(x-a)^k]φ(x)
于是f′(x)=k[(x-a)^(k-1)]φ(x)+[(x-a)^k]φ′(x)=[(x-a)^(k-1)][kφ(x)+(x-a)φ′(x)]
这就证明了x=a是f'(x)的k-1重根。
证明:∵x=a是f(x)的k重根,∴x-a必是f(x)的k重因子,故f(x)=[(x-a)^k]φ(x)
于是f′(x)=k[(x-a)^(k-1)]φ(x)+[(x-a)^k]φ′(x)=[(x-a)^(k-1)][kφ(x)+(x-a)φ′(x)]
这就证明了x=a是f'(x)的k-1重根。
追问
如何证明kφ(x)+(x-a)φ′(x)中一定不含根x=a?
追答
∵f(x)=[(x-a)^k]φ(x),∴φ(x)中不再有(x-a)的因子,因此kφ(x)+(x-a)φ′(x)中就不会再有公因式
(x-a),从而不会再有x=a的根!
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
、切比雪夫不等式:设随机变量X有期望E(X)与方差D(X),则对任意正数ε,有
P{|X-E(X)|≥ε}≤D(X)/ε^2,
或P{|X-E(X)|<ε}≥1-D(X)/ε^2.
它表明,当D(X)很小时,X落入区间E(X)-ε,E(X)+ε是大概率事件,也即X的概率分布集中在期望E(X)附近。
2、贝努利大数定律:设m是n次独立重复试验中A发生的次数,p是事件A的概率:p=P(A),则对任意正数ε有:
它表明:当n充分大时“频率m/n与概率p的绝对偏差小于任意给定的正数ε”。这正是“概率是频率稳定值”的确切含义。
贝努利大数定律成立的条件是,独立重复试验。
3、独立同分布序列的切比雪夫大数定律 设独立随机变量序列X1,X2,... ,Xn,...服从相同的分布,E(Xi)=μ,D(X)=σ^2(i=1,2...),则对于任意正数ε,有
它表明:n充分大时,“试验值~X与期望μ的绝对偏差小于任意给定正数ε”几乎必然会发生,这正是“期望是试验平均值的稳定值”的确切含义。
概率论中,大数定律是随机现象的统计稳定性的深刻描述:时也是数理统计的重理论基础。
--------------------------------------------------------------------------------
二、了解独立同分布序列的中心极限定理,知道棣莫弗-拉普拉斯中心极限定理。
1、独立同分布序列的中心极限定理
当n充分大时,独立同分布的随机变量之和的分布近似于正态分布N(nμ,nσ^2)
当n充分大时,独立同分布随机变量的平均值的分布近似于正态分布N(μ,σ^2/n)
2、棣莫弗-拉普拉斯中心极限定理
在贝努利试验中,若事件A发生的概率为p,又设m为n次独立重复试验中事件A发生的频数,则当n充分大时,m近似服从正态分布N(np,npq);
在贝努利试验中,若事件A发生概率为p,又设m/n为n次独立重复试验中事件A发生的频率,则当n充分大时,m/n近似服从正态分布N(p,pq/n)
P{|X-E(X)|≥ε}≤D(X)/ε^2,
或P{|X-E(X)|<ε}≥1-D(X)/ε^2.
它表明,当D(X)很小时,X落入区间E(X)-ε,E(X)+ε是大概率事件,也即X的概率分布集中在期望E(X)附近。
2、贝努利大数定律:设m是n次独立重复试验中A发生的次数,p是事件A的概率:p=P(A),则对任意正数ε有:
它表明:当n充分大时“频率m/n与概率p的绝对偏差小于任意给定的正数ε”。这正是“概率是频率稳定值”的确切含义。
贝努利大数定律成立的条件是,独立重复试验。
3、独立同分布序列的切比雪夫大数定律 设独立随机变量序列X1,X2,... ,Xn,...服从相同的分布,E(Xi)=μ,D(X)=σ^2(i=1,2...),则对于任意正数ε,有
它表明:n充分大时,“试验值~X与期望μ的绝对偏差小于任意给定正数ε”几乎必然会发生,这正是“期望是试验平均值的稳定值”的确切含义。
概率论中,大数定律是随机现象的统计稳定性的深刻描述:时也是数理统计的重理论基础。
--------------------------------------------------------------------------------
二、了解独立同分布序列的中心极限定理,知道棣莫弗-拉普拉斯中心极限定理。
1、独立同分布序列的中心极限定理
当n充分大时,独立同分布的随机变量之和的分布近似于正态分布N(nμ,nσ^2)
当n充分大时,独立同分布随机变量的平均值的分布近似于正态分布N(μ,σ^2/n)
2、棣莫弗-拉普拉斯中心极限定理
在贝努利试验中,若事件A发生的概率为p,又设m为n次独立重复试验中事件A发生的频数,则当n充分大时,m近似服从正态分布N(np,npq);
在贝努利试验中,若事件A发生概率为p,又设m/n为n次独立重复试验中事件A发生的频率,则当n充分大时,m/n近似服从正态分布N(p,pq/n)
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询