2025年大学《数学与应用数学》专业题库- 数学在大数据分析中的应用

2025年大学《数学与应用数学》专业题库——数学在大数据分析中的应用考试时间：______分钟总分：______分姓名：______一、1.设随机变量X的分布律为P(X=k)=(k+1)/6,k=1,2,3。求E(X)和D(X)。2.设总体X服从正态分布N(μ,σ²)，X₁,X₂,...,Xₙ是来自X的样本。样本均值记为Ā=(1/n)Σᵢ<0xE2><0x82><0x99>Xᵢ。证明Ā是μ的无偏估计量。3.设A为4阶方阵，且|A|=2。求|3A|的值。二、1.求矩阵A=[[1,2,0],[2,1,0],[0,0,1]]的特征值和特征向量。2.用主成分分析方法对矩阵X=[[xᵢⱼ]]<0xE1><0xB5><0xA3>ₙ×ₚ（p≥3）进行降维，请写出前两个主成分Z₁和Z₂的计算公式，并说明其含义。三、1.证明函数f(x)=x³-3x+1在区间[-2,2]上的最大值和最小值。2.设f(x)可导，且满足∫<0xE1><0xB5><0xA3>^xf(t)dt=x³-3x²+2。求f(2)的值。四、1.设二元函数z=z(x,y)由方程z²-xy+x²=1确定。求∂z/∂x和∂²z/∂x²在点(1,1)处的值。2.计算二重积分∬<0xE1><0xB5><0xA3>^₁<0xE1><0xB5><0xA3>^₂xy²dxdy。五、1.写出梯度下降法（GradientDescent）的基本思想，并说明其中涉及的关键数学概念。2.简述线性回归模型y=wx+b中，参数w和b的数学含义以及常用的求解方法（如最小二乘法）的基本原理。六、假设某电商平台用户购买行为数据如下：已知用户购买商品种类数X服从参数为λ=2的泊松分布，且购买商品种类数大于2的概率为7/16。现随机抽取一个用户，记Y为该用户购买商品的价格总额（单位：元）。假设Y|X=x服从均值为20x，方差为100x的正态分布。1.求该用户购买商品种类数X的分布律。2.若该用户购买了3种商品，求其购买商品价格总额Y的期望值和方差。3.结合X和Y的信息，说明如何运用概率统计知识分析用户的消费特征。试卷答案一、1.E(X)=Σᵢ<0xE2><0x82><0x99>k(k+1)/6=(1/6)(1*2+2*3+3*4)=3/2。E(X²)=Σᵢ<0xE2><0x82><0x99>k²(k+1)/6=(1/6)(1²*2+2²*3+3²*4)=5/2。D(X)=E(X²)-(E(X))²=5/2-(3/2)²=5/2-9/4=1/4。2.E(Ā)=E((1/n)Σᵢ<0xE2><0x82><0x99>Xᵢ)=(1/n)Σᵢ<0xE2><0x82><0x99>E(Xᵢ)=(1/n)*n*μ=μ。故Ā是μ的无偏估计量。3.|3A|=3⁴|A|=81*2=162。二、1.|λI-A|=|λ[[1,0,0],[0,1,0],[0,0,1]]-[[1,2,0],[2,1,0],[0,0,1]]|=|[[λ-1,-2,0],[-2,λ-1,0],[0,0,λ-1]]|=(λ-1)³*|-2|=-2(λ-1)³。令-2(λ-1)³=0，得λ₁=λ₂=λ₃=1（三重特征值）。将λ=1代入(λI-A)x=0，得[-1,-2,0],[-2,0,0],[0,0,0]的行简化阶梯形为[-1,-2,0],[0,0,0],[0,0,0]。取x₃=1，得基础解系v₃=[[0,0,1]]^T。取x₂=1,x₁=0，得基础解系v₂=[[0,1,0]]^T。取x₂=2,x₁=-1，得基础解系v₁=[[-1,2,0]]^T。特征值为1（三重），对应的特征向量为k₁v₁+k₂v₂+k₃v₃，k₁,k₂,k₃不全为0。2.协方差矩阵Σ=(1/(n-1))X'X。特征值λ₁,λ₂,...,λₚ为Σ的特征值。Z₁=c₁v₁，Z₂=c₂v₂，其中v₁,v₂为Σ对应的单位正交特征向量，且λ₁≥λ₂≥...≥λₚ>0。Z₁和Z₂分别为第一和第二个主成分。计算公式为Z₁=c₁*Σ(X'X)*v₁，Z₂=c₂*Σ(X'X)*v₂。其中c₁,c₂为标准化系数（通常为1/√λ₁,1/√λ₂），v₁,v₂为对应的单位特征向量。三、1.f'(x)=3x²-3=3(x²-1)=3(x-1)(x+1)。令f'(x)=0，得x=-1,x=1。f(-2)=9,f(-1)=-1,f(1)=-1,f(2)=3。比较f(-2)=9,f(-1)=-1,f(1)=-1,f(2)=3，最大值为9，最小值为-1。2.等式两边对x求导，f(x)=3x²-6x。f(2)=3*2²-6*2=12-12=0。四、1.方程两边对x求导，2z*(dz/dx)-y-y*dx+2x*dx=0。解得dz/dx=(y+ydx-2xdx)/(2z)=(y+(y-2x)dx)/(2z)。在点(1,1)，z²-1+1=1，z²=1，z=±1。若z=1，dz/dx=(1+(1-2)dx)/2=1/2。若z=-1，dz/dx=(1+(1-2)dx)/-2=-1/2。求∂²z/∂x²，对dz/dx=(y+(y-2x)dx)/(2z)再对x求导（视y为常数，z为x的函数）：d/dx[(y+(y-2x)dx)/(2z)]=d/dx[y/(2z)+(y-2x)dx/(2z)]。使用商法则和乘积法则：d/dx(y/(2z))+d/dx(((y-2x)dx)/(2z))。第一项：y*d/dx(1/(2z))=y*(-1/(2z²))*(dz/dx)。第二项：[d/dx(y-2x)*(2z)-(y-2x)*d/dx(2z)]/(4z²)=[-2*(2z)-(y-2x)*2*(dz/dx)]/(4z²)=[-4z-2(y-2x)(dz/dx)]/(4z²)。将dz/dx的表达式代入并化简（过程略），最终在(1,1,z=±1)处计算得到∂²z/∂x²的值。例如，若z=1，∂²z/∂x²=-1/2。2.积分区域D为矩形[0,1]×[0,2]。∬<0xE1><0xB5><0xA3>^₁<0xE1><0xB5><0xA3>^₂xy²dxdy=∫<0xE1><0xB5><0xA3>^₁(y²x³)|<0xE1><0xB5><0xA3>^₂dx=∫<0xE1><0xB5><0xA3>^₁y²(x³)|<0xE1><0xB5><0xA3>^₂dx=∫<0xE1><0xB5><0xA3>^₁y²(8-0)dx=8∫<0xE1><0xB5><0xA3>^₁y²dx=8y²|<0xE1><0xB5><0xA3>^₁x|=8(2²-0²)*(1-0)=8*4*1=32。五、1.梯度下降法是用于求解无约束最优化问题的一种迭代算法。基本思想是：从一个初始点x₀开始，计算目标函数f(x)在x₀处的梯度∇f(x₀)（一个指向函数值增长最快的方向的向量）。然后，沿着梯度的反方向（即下降最快的方向）移动一小步，更新点x₀为x₀-α∇f(x₀)，其中α是预先设定的步长（学习率）。重复此过程，直到满足停止条件（如梯度足够小或迭代次数达到上限）。关键数学概念包括：目标函数f(x)、梯度∇f(x)（通常由偏导数组成）、步长α、迭代更新公式。2.在线性回归模型y=wx+b中，y是因变量（观测值），x是自变量（解释变量）。w是回归系数（斜率），它表示自变量x每变化一个单位时，因变量y平均变化的量。b是截距项，它表示当自变量x=0时，因变量y的期望值或平均值。常用的求解方法是最小二乘法，其基本原理是找到使得观测值y与模型预测值ŷ=wx+b之间差的平方和（即残差平方和RSS=Σᵢ(yᵢ-ŷᵢ)²=Σᵢ(yᵢ-wxᵢ-b)²）最小的参数w和b。通过求RSS对w和b的偏导数，并令其等于0，得到正规方程组，解该方程组即可得到最优的w和b。六、1.P(X>2)=1-P(X≤2)=1-(P(X=0)+P(X=1)+P(X=2))=1-(e^(-2)*0!+e^(-2)*1!+e^(-2)*2!)=1-(e^(-2)+e^(-2)+2e^(-2))=1-4e^(-2)=7/16。解得e^(-2)=1/8，故λ=2。P(X=k)=(2^k*e^(-2))/k!。所以P(X=1)=2e^(-2)/1!=2e^(-2)，P(X=2)=4e^(-2)/2!=2e^(-2)。分布律为：P(X=0)=1/8，P(X=1)=2/8=1/4，P(X=2)=2/8=1/4，P(X≥3)=1-P(X=0)-P(X=1)-P(X=2)=1-1/8-2/8-2/8=3/8。因此分布律为：P(X=0)=1/8,P(X=1)=1/4,P(X=2)=1/4,P(X≥3)=3/8。2.Y|X=3~N(20*3,100*3)=N(60,300)。E(Y|X=3)=60。Var(Y|X=3)=300。3.利用X和Y的信息，可以通过概率统计方法分析用户消费特征。例如：利用X的分布（如计算期望种类数E(X