狄利克雷函数为什么是处处不连续的？

潜在狄利克雷分配(LDA)，作为基于贝叶斯学习的话题模型，是潜在语义分析、概率潜在语义分析的扩展，于2002年由Blei等提出。LDA在文本数据挖掘、图像处理、生物信息处理等领域被广泛使用。 LDA模型是文本集合的生成概率模型。假设每个文本由话题的一个多项式分布表示，每个话题由单词的一个多项式分布表示，特别假设文本的话题分布的先验分布是狄利克雷分布，话题的单词分布的先验分布也是狄利克雷分布。先验分布的导入使LDA能够更好地应对话题模型学习的过拟合现象。 LDA的文本集合的生成过程如下：首先随机生成一个文本话题分布，之后再该文本的每个位置，依据该文本的话题分布随机生成一个话题，然后在该位置依据该话题的单词分布随机生成一个单词，直至文本的最后一个位置，生成整个文本。重复以上的过程生成所有文本。 LDA模型是含隐变量的概率图模型。模型中，每个话题的单词分布，每个文本的话题分布，文本的每个位置的话题是隐变量；文本的每个文职的单词是观测变量。LDA模型的学习与推理无法直接求解，通常使用吉布斯抽样和变分EM算法。前者是蒙特卡洛法，后者是近似计算。 多项分布是一种多元离散随机变量的概率分布，是二项分布的扩展。 假设重复进行n次独立随机试验，每次试验可能出现的结果有k种，第i中结果出现的概率为 ，第i种结果出现的次数为 。如果用随机变量 ，表示试验所有可能结果的次数，其中 表示第i种结果出现的次数，那么随机变量 服从多项分布。 若元离散随机变量的概率密度为 其中 ,，则称随机变量X服从参数为(n,p)的多项分布，记作 当试验的次数n为1时，多项分布变成类别分布。类别分布表示试验可能出现的k种结果的概率。显然多先分布包含类别分布。 狄利克雷分布是一种多元随机变量的概率分布，是贝塔分布的扩展。在贝爷斯学习中，狄利克雷分布作为多项分布的先验概率使用。 多元连续型随机变量 的概率密度函数为 其中 ，称随机变量 服从参数为 的狄利克雷分布，记作 式中具有以下性质 当s是自然数时，有 令 则狄利克雷分布的密度函数可以写成是规范化因子，称为多元贝塔函数(称为扩展的贝塔函数)。由密度函数性质 得 狄利克雷有一些重要性质:(1)狄利克雷分布属于指数分布簇(2)狄利克雷分布是多项分布的共轭先验 贝叶斯学习中常使用共轭分布，如果后验分布与先验分布属于同类，则先验分布与后验分布称为共轭分布，先验分布称为共轭先验。如果多项分布的先验分布是狄利克雷分布，作为先验分布的狄利克雷分布的参数又称为超参数，使用共轭先验分布的好处是便于从先验分布计算后验分布。 将样本数据表示为D，目标是计算样本数据D给定条件下参数 的后验概率 ，对于给定样本数据D，似然函数是 假设随机变量 服从狄利克雷分布 其中 为参数，则 的先验分布为根据贝爷斯规则，在给定样本数据D和参数a的条件下， 的后验概率分布是 狄利克雷的后验分布等于狄利克雷分布参数 加上多项分布的观测技术 潜在狄利克雷分配(LDA)是文本集合的生成概率模型。模型假设话题由单词的多项分布表示，文本由话题的多项分布表示，单词分布和话题分布的先验分布都是狄利克雷分布。文本内容的不同时由于话题分布不同。 LDA模型表示文本集合的自动生成过程：首先，基于单词分布的先验分布(狄利克雷分布)生成多个单词分布，即决定多个话题内容；之后基于话题分布的先验分布(狄利克雷分布)生成多个话题分布，针对每个话题，基于话题的单词分布生成单词，整体构成一个单词序列，即生成文本，重复这个过程生成所有文本。文本的单词序列是观测变量，文本的话题序列是隐变量，文本的话题分布和话题的单词分布也是隐变量。 可以认为LDA是PLSA的扩展，相同点都假设话题是单词的多项分布，文本是华话题的多项分布。不同点LDA使用狄利克雷分布作为先验，而PLSA不使用先验分布(或者说假设先验分布为均匀分布），两者对文本生成过程有不同假设；学习过程LDA基于贝叶斯学习，PLSA基于极大似然估计。LDA的优点是，使用先验概率分布，可以防止学习过程中产生过拟合。 使用三个集合：一是单词集合 ，其中 是第v个单词， ，V是单词个数。二是文本集合 ,其中 ，其中 是文本 的第n个单词， ， 是文本 中单词个数。三是话题集合 ，其中， 是第k个话题， ，K是话题的个数。 每一个话题 是由一个单词的条件概率分布 决定的， 。分布 服从多项分布(严格意义上类别分布),其参数为 。参数 是V维向量 服从狄利克雷分布(先验分布),其超参数为 。参数 ，其中 表示 生成单词 的概率。所有话题的参数向量构成 矩阵， ，超参数 也是V维向量 每一个文本 由一个话题的条件概率分布 决定, ,分布 服从多项分布(严格意义上的类别分布)，其参数为 ，参数 服从狄利克雷分布(先验分布)，其超参数为a。参数 是K维向量 ，其中 ，其中 表示文本 生成话题 的概率。所有文本构成参数构成一个M*K矩阵 ，超参数a也是一个K维向量 每一个文本 中的每一个单词 由该文本的话题分布 以及所有话题的单词分布 决定 LDA本质上是一个概率图模型，图为LDA作为概率图模型的板块表示，图中结点表示随机变量，实心结点是观测变量，空心结点是隐变量；有向边表示概率依存关系；矩形(板块)内数字表示重复的次数。 结点 表示模型的超参数，结点 表示话题的单词分布的参数，结点 表示文本的话题分布的参数，结点 表示话题，结点 表示单词。结点 指向结点 ，重复K次，表示根据超参数 生成K个话题的单词分布参数 ；结点a指向结点 ，重复M次，表示根据超参数a生成M个文本的话题分布参数 ；结点 指向 ，重复N词，表示根据文本的话题分布 生成 个话题 ；结点 指向结点 ，同时K个结点 也指向结点 ，表示根据话题 以及K个话题的单词 生成单词 。LDA是相同的随机参数被重复多次使用的概率图模型。 潜在狄利克雷分配(LDA)的学习(参数估计）是一个复杂的最优化问题，很难精确求解。常用近似求解的方法有吉布斯抽样和变分推理 吉布斯抽样的优点是实现简单，缺点是迭代次数可能较多。 LDA模型的学习，给定文本(单词序列)的集合 ，其中 是第m个文本集合的单词序列，即 ，超参数 已知。目标是要推断 吉布斯抽样，是一种常用的马尔科夫链蒙特卡罗法。为了估计多元随机变量x的联合概率分布p(x)，吉布斯抽样法选择x的一个分量，固定其他分量，按照其条件概率分布进行随机抽样，一次循环对每一个分量执行这个操作，得到联合分布p(x)的一个随机样本，重复这个过程，在燃烧期后，得到联合概率分布p(x)的样本集合。 LDA模型采通常采取收缩的吉布斯抽样方法，基本想法是，通过对隐变量 积分，得到边缘概率分布 （也是联合分布),其中w是可观测变量，z是不可观测的。对后验概率分布 进行吉布斯抽样，得到分布 的样本集合；再利用这个样本集合对参数 和 进行估计，最终得到模型 所有的参数估计。这里变量 是已知的，分母相同，可以不预考虑。联合概率分布 的表达式可以进一步分解为 两个因子可以分别处理 推导第一个因子 的表达式 其中 是k个话题生成单词集合第v个单词的概率， 是数据中第k个话题生成第v个单词的次数。其中 第二个因子 的表达式也可以类似推导。首先 其中 是第m个文本生成第k个话题的概率， 是数据根据第m个文本生成的第k个话题，于是 式中 ，可得通过吉布斯抽样得到的分布 的样本，可以得到变量z的分配值，也可以估计变量 。 变分推理是贝叶斯学中常用的，含隐变量模型的学习和推理方法。变分推理和马尔科夫蒙特卡洛(MCMC)属于不同的技巧。MCMC通过随机抽样的方法近似统计模型的后验概率，变分推理则通过解析的方法计算模型的后验概率。 变分推理的基本想法如下，假设模型是联合桂林分布 ，其中x是观测变量，z是隐变量，包括参数。目标是学习模型的后验概率分布p(z|x),用模型进行概率推理。但这是一个复杂的分布，直接估计分布的参数很困难，所以考虑使用概率分布q(z)近似条件桂林分布p(z|x),用KL散度D(q(z))||p(z|x))计算两者的相似度，q(z)称为变分分布。如果能找到与p(z|x)在KL散度意义下的近似分布 ，则可以用这个分布近似p(z|x) KL散度可以写成以下形式将变分EM算法应用到LDA模型的学习上，首先定义具体的变分分布，推导证据下界的表达式，接着推导变分分布的参数和LDA模型的参数的估计形式，最后给出LDA模型的变分EM算法 文本的单词序列 ，对应的话题序列 ，以及话题分布 ，和随机变量 的联合概率分布是 定义基于平均场的变分分布 其中 是可观测变量， 是隐变量， 是参数 定义基于平均场的变分分布 其中 是狄利克雷分布参数， 是多项分布参数，变量 的各个分量都是条件独立的，目标是求KL散度意义下最相近的变分分布 以及近似LDA模型的后验概率分布 由此可得到一个文本的证据下界 所有文本的证据下界为 为了求证据下界 的最大化，首先写出证据下界的表达式。为此展开证据下界表达式根据变分参数 ，模型参数 继续展开，并将展开式的每一项写成一行式 是对数伽马函数，即第一项推导，求 ,是关于分布 的数学期望 其中 所以 故得 式中 分别表示第k个话题的狄利克雷分布参数 第二项推导，求 是关于分布 的数学期望 式中 表示文档第n个位置的单词由第k个话题产生的概率， 表示第k个话题的狄利克雷分布参数。 第三项推导，求 是关于分布 的数学期望 式中 表示文档第n个位置的单词由第k个话题产生的概率， 表示在第n个位置的单词是单词集合的第v个单词时取1，否则取0， 表示第k个话题生成单词集合第v个单词的概率 第四项推导，求

既然已经知道Dirichlet distribution了那知道条件概率是必须的，用类似条件概率的思想就可以知道我们是可以求每个分布造成这样的实验结果的可能性都有多大，但是这样的分布是有无穷多的，肯定不能这么告诉老板：我觉得这些事件是平均分布的可能性是xx，第一个事件是5%，其它事件都是1%的可能性是oo。所以你还是需要一个分布函数来刻画每种分布到底有多大的可能出现。最后讲到Dirichlet distribution，确定实验结果之后，如果你用一组的分布带进这个分布函数，你就能得到你带入的分布这个点的概率密度，所以Dirichlet distribution刻画了每一个分布出现的可能性，即它是一个分布的分布。

我们描述潜在的狄利克雷分配（LDA），它是一种用于离散数据集合（如文本语料库）的生成概率模型。 LDA是一个三层次的贝叶斯模型，其中一个集合中的每个项目都被建模为一组潜在的话题（主体）类型的有限混合。反过来，每个主题都被建模为一组潜在主题概率的无限混合。 在文本建模的背景下，主题概率提供了文档的明确表示。我们提出了基于变分方法和经验贝叶斯参数估计的EM算法的高效近似推理技术。 我们会报告LDA在文档建模，文本分类和协作过滤上的实验结果，并与一元混合模型（ unigrams model）和概率LSI模型相比较。 在本文中，我们考虑建模文本语料库和其他离散数据集合的问题。我们的目标是找到对一个集合的成员的简短描述，它不仅可以高效处理大型集合，同时保留对分类，异常检测，摘要（概括）以及相似性和相关性判断等基本任务有用的必要统计关系。 信息检索（IR）领域的研究人员已经在这个问题上取得了重大进展（Baeza-Yates和Ribeiro-Neto，1999）。IR研究人员为文本语料库提出的基本方法 （一种在现代互联网搜索引擎中成功部署的方法）将语料库中的每个文档变为实数表示的向量，每个实数都表示（词汇的）计数比率。流行的tf-idf方案（Salton和McGill，1983），对于文集中的每个文档选择了“词”或“术语”作为基本单位，并且计数由每个词的出现次数。在适当的归一化之后，将该术语频率计数与逆向文档频率计数进行比较，该逆向文档频率计数度量整个语料库中的词的出现次数（通常以对数刻度，并且再次适当标准化）。 最终结果是文档术语矩阵X，其列包含文档集中每个文档的tf-idf值。 因此，tf-idf方案将任意长度的文档缩减为固定长度的数字列表。 尽管tf-idf规约具有一些吸引人的特征 - 特别是（在对集合中的文档进行区分的）单词集合的基本识别中，但是在（对文档的）描述长度上，该方法并没有减少多少，并且揭示出很少的文档内或文档间的统计结构。为了解决这些缺点，IR研究人员提出了其他几种降维技术，其中最著名的是潜在语义索引（LSI）（Deerwester等，1990）。LSI使用X矩阵的奇异值分解来标识tf-idf特征空间中的线性子空间，该子空间捕获集合中的大部分变异数（variance）。这种方法可以在大型集合中实现显着压缩。此外，Deerwester等人 认为LSI的衍生特征（即原始tf-idf特征的线性组合），可以捕捉基本语言学概念的某些方面，比如同义词和多义词等。 为了证实关于LSI的主张，并研究其相对的优缺点，开发文本语料库的生成概率模型和研究LSI从数据中恢复生成模型方面的能力是有用的（Papadimitriou et al。，1998）。然而，目前尚不清楚，考虑文本的生成模型的时候，为什么应该采用LSI方法 - （其实）可以尝试更直接地进行，（比如）使用最大似然法或贝叶斯方法将模型与数据相匹配（即得到数据的模型）。 Hofmann（1999）在这方面迈出了重要的一步，他将LSI的概率LSI（pLSI）模型（也称为特征模型aspect model）作为LSI的替代品。我们在第4.3节中详细描述的pLSI方法将文档中的每个单词作为混合模型中的样本进行建模，其中混合组件是多项随机变量，可以将其视为“主题topics”的表示。因此，每个单词都是从单个主题生成的，而文档中的不同单词可以从不同的主题生成。每个文档都被表示为这些混合组件的混合比例列表，从而将其简化为一组固定主题的概率分布。 这种分布是与文档相关的“简化描述”。 虽然霍夫曼的工作是向文本概率建模迈出的有用的一步，但它并不完整，因为它没有提供文档层面的概率模型。在pLSI中，每个文档都被表示为一个数字列表（数字的值是主题的混合比例），并且这些数字没有生成概率模型。这导致了几个问题：（1）模型中参数的数量与语料库的大小成线性增长，这导致过度拟合的严重问题;（2）不清楚如何将概率分配给训练集之外的文档。 要了解如何超越pLSI，让我们考虑包括LSI和pLSI在内的一类降维方法的基本概率假设。所有这些方法都基于“词袋”的假设 - 文档中的单词顺序可以忽略不计。此外，尽管不经常正式说明，但这些方法也假定文档是可相互交换的; 文集中文档的具体排序也可以忽略不计。 受益于Finetti（1990），一个经典表示理论认为：任何可交换随机变量的集合都具有混合分布（通常是无限混合）的表示。因此，如果我们想考虑文件和单词的可交换表示，我们需要考虑能捕获单词和文档的可交换性的混合模型。这一思路促使我们在当前论文中提出潜在狄利克雷分配（LDA）模型。 需要强调的是，可交换性的假设并不等同于随机变量独立同分布的假设。相反，可交换性本质上可以被解释为“条件独立且分布相同”，其中的条件是与概率分布的潜在隐参数有关的。在一定条件下，随机变量的联合分布是简单的，但如果围绕隐参数考虑，联合分布可能相当复杂。因此，虽然可交换性的假设是文本建模领域的一个主要的简化假设，并且其主要理由是它是一种会导致计算效率较高的方法，但可交换性假设对简单频率的计数或线性操作并不是一个必要的条件。在当前的论文中，我们的目标是，通过认真考虑de Finetti定理，可以通过混合分布获取重要的文档内统计结构。 同样值得注意的是，可交换性的基本概念有大量的总结概括，包括各种形式的部分可交换性，并且上面提到的表示法也可用于部分可交换的情况（Diaconis，1988）。因此，虽然我们在当前论文中讨论的工作集中在简单的“词袋”模型上（这表现为单个单词（unigrams）的混合分布），但我们的方法也适用于涉及较大结构混合的更丰富的模型，如n-grams或段落。 本文的结构如下： 在第2节中，我们介绍基本的表示法和术语。 LDA模型在第3节中介绍，并与第4节中的相关潜变量模型进行比较。我们在第5节讨论LDA的推理和参数估计。第6节提供了LDA拟合数据的一个说明性例子。文本建模，文本分类和协作过滤的实验结果在第7节中给出。最后，第8节给出我们的结论。 我们在整篇论文中使用 文本集合 的说法，指的是诸如“单词”，“文档”和“语料库”等实体。这很有用，因为它有助于指导靠直觉来感知的知识的处理（intuition），特别是当我们引入旨在捕捉抽象概念（如主题）的潜在变量时（潜在变量和隐变量说的是一回事）。然而，需要指出的是，LDA模型不一定与文本相关，并且可应用于涉及数据集合的其他问题，包括来自诸如协同过滤，基于内容的图像检索和生物信息学等领域的数据。 事实上，在7.3节中，我们将呈现在协同过滤领域的实验结果。 在形式上，我们定义下列术语： • 单词是离散数据的基本单位，假设有一个V个词组成的词汇表（词典），索引通过{1......V}表示，里面每一项代表一个单词。我们使用单位向量表示单词，它里面一项等于1其他项等于零。我们使用上标来表示第几个成分，因此第v个词在V维向量w中表示为：w v = 1 and w u = 0 for u ≠ v • 文档中的词来自一个包含N个词的词典，一个文档可以表示成N个词组成的序列，可以表示为 w = (w 1 ,w 2 ......w N )，下标表示第几个词。（注意，每个词用一个V维的向量表示，每篇文档有最多有N个不同的词，不要搞混了） • 一个语料库是含有M个文档的集合，用 D = ( w 1 , w 2 ...... w M )----注意有加粗 我们希望找到一个语料库的概率模型，它不仅为语料库成员分配高概率，而且为其他“类似”文档分配高概率。（意思就是说，语料库中某一文档的某个topic概率比较高，那么测试相似文档。也能得到相同的概率分布） 隐在狄利克雷分配（LDA）是语料库的生成概率模型。 其基本思想是文档被表示为潜在主题的随机混合，每个主题都是有不同的文字（词）分布特征的。 LDA为语料库 D 中的每个文档 w 假定以下生成过程： 在这个基本模型中做了几个简化的假设，其中一些我们在后面的章节中会删除。首先，Dirichlet分布的维度k（以及主题变量z的维度）被假定为已知并且是固定的。其次，单词概率通过k×V矩阵 β 进行参数化，其中 β ij = p（w j = 1 | z i = 1）（猜测：它表示在某个主题中索引为i的词出现的条件下，文档中第j个词出现的概率），现在我们将其视为待估计的固定量。最后，泊松假设对随后的任何事情都不是关键的，并且可以根据需要使用更真实的文档长度分布。此外，请注意，N与所有其他数据生成变量（θ和z）无关。 因此它是一个辅助变量，我们通常会忽略它在随后发展中的随机性。 一个k维Dirichlet随机变量θ可以从(k − 1)-simplex（单形或单纯形）中取值，并且在这个单纯形中有以下概率密度： α 参数是一个k维向量，并且 α 的每一项都满足α i > 0，另外Γ(x)是 伽马函数 。狄利克雷分布在单形（属于指数族）上是一种实用的分布，具有有限维数的充分统计量，并且与多项分布共轭。 在第5节中，这些属性将有助于开发LDA的推理和参数估计算法。 给定参数α和β，主题混合分布θ、主题 z 和文档 w 的联合分布为： 上式表示给定参数α和β的条件下，文档的概率分布。 最后，利用单个文档边际概率的乘积，得到一个语料库的概率分布： 区分LDA和简单的Dirichlet多项式聚类模型很重要。 经典的聚类模型会涉及到一个两层模型：其中，一个Dirichlet为一个语料库抽样一次，一个多项式聚类变量为语料库中的每个文档选择一次，并且以聚类变量为条件，为文档选择一组词语 。与许多聚类模型一样，这种模型将文档限制为与单个主题相关联。另一方面，LDA涉及三个层次，特别是主题节点在文档中被重复采样。在这种模式下，文档可以与多个主题相关联。 图1所示类似结构通常在贝叶斯统计建模中研究，它们被称为分层模型（Gelman等，1995），或者更准确地说，是条件独立的分层模型（Kass和Steffey，1989）。这种模型通常也被称为参数经验贝叶斯模型（parametric empirical Bayes models），这个术语不仅指特定的模型结构，而且还指用于估计模型参数的方法（Morris，1983）。事实上，正如我们在第5节中讨论的那样，我们采用经验贝叶斯方法来估计一个LDA简单实现中的参数（比如，α和β等），但我们也考虑了更充分的贝叶斯方法。 如果联合分布对于置换是不变的，那么一个有限的随机变量集{z 1 ......z N }被认为是可交换的。 如果π（此π非彼π）表示某种整数从1到N的置换规则，则： p(z 1 ......z N ) = p(z π(1) ......z π(N) ) 如果每个有限的子序列是可交换的，则无限序列的随机变量是无限可交换的。 De Finetti的表示定理指出，随机变量的无限可交换序列的联合分布就好像从一些分布中抽取的一个随机参数，以该参数为条件，所讨论的随机变量是独立同分布的。 在LDA中，我们假设单词是由主题（通过固定的条件分布）生成的，而且这些主题在文档中是无限可交换的。根据菲内蒂定理，一组词汇和话题的概率必须具有以下这种形式： θ是关于主题的多项式的随机参数。通过边缘化主题变量并赋予θ狄利克雷分布，在公式（3）中，我们获得了文档的LDA分布。 图1所示的LDA模型比传统分层贝叶斯文献中经常研究的两层模型要复杂得多。然而，通过边缘化隐藏的主题变量z，我们可以将LDA理解为两层模型。 特别是，让我们来构造单词分布p(w|θ,β)： 请注意，这是一个随机量，因为它取决于θ。 我们现在为文档 w 定义下面的生成过程：（对每篇文档） 该过程将文档的边际分布定义为连续混合分布：（注意下式表示的是语料库，而非一篇文档 的分布） 图2说明了LDA的这种解释。 它描绘了LDA模型的一个特定实例引发的p(w| θ,β)的分布。请注意，在（V-1） - simplex中的这种分布仅通过k + kV个参数实现，但展现出非常有趣的多模式结构。 在本节中，我们将LDA与文本的简单潜（隐）变量模型（一元模型，一元模型的混合模型和pLSI模型）进行比较。 此外，我们提出了这些模型的统一几何解释，突出了它们的主要区别和相似之处。 在一元模型下，每个文档的单词都是独立的按照某个多项分布而绘制的，生成文档的概率为： 如果我们用一个离散的随机主题变量z（图3b）来扩充一元模型，我们就可以得到一个混合一元模型（Nigam et al.，2000）。在这个混合模型下，首先选择一个主题z，然后从条件多项式p（w | z）独立的生成N个单词，从而生成每个文档（该文档中的所有词都来自一个主题）。一篇文档的概率分布： 在每个文档仅显示一个主题的假设背景下，当从语料库做概率估计时，可以将词语分布视为主题的表示。正如第7节的实证结果所示，这种假设通常限制性太强，以至于无法有效地建模量大的文献。 相反，LDA模型允许文档在不同程度上展示多个主题。这是以（增加）一个额外参数为代价实现的：在混合一元模型中有与p(z)相关的参数有k-1个，而在LDA中与p（θ | α）有关的参数有k个。 概率潜在语义索引（pLSI）是另一个广泛使用的文档模型（Hofmann，1999）。 如图3c所示，给定了未知的主题z，pLSI模型假设文档标签d和单词w n 是条件独立的： 使用pLSI的另一个困难（也是来自于通过训练文档进行索引的分布的使用）是必须估计的参数数量与训练文档的数量呈线性增长。k-主题pLSI模型的参数是在k个未知主题上，V和M混合大小的k个多项式分布。这给出了kV + kM个参数，因此在M中线性增长。参数的线性增长表明该模型容易出现过度拟合，并且根据经验确定，过拟合确实是一个严重的问题（参见第7.1节）。在实践中，使用回火试探来平滑模型的参数以获得可接受的预测性能。 然而，已经表明，即使在使用回火时也可能发生过度拟合（Popescul et al.，2001）。 LDA通过将主题混合权重视为一个k个参数的隐藏的随机变量，而不是大量与训练集明确关联的单个参数，来克服这两个问题。如第3节所述，LDA是一个良好定义的生成模型，可轻松推广到新文档。此外，k-topic LDA模型中的k + kV个参数不会随着训练语料库的大小而增长。我们将在7.1节看到，LDA不会遇到与pLSI相同的过度拟合问题。 说明LDA和其他潜在主题模型之间差异的一种好方法是考虑潜在空间的几何形状，并了解每个模型下文档在该几何体中的表示方式。 上述所有四种模型（unigram, mixture of unigrams, pLSI, and LDA）都是在单词分布空间中进行操作的。每个这样的分布可以被看作是（V-1） - simplex上的一个点，我们称之为词单纯形（the word simplex）。 一元模型在词单纯形上找到一个单一的点，并假定文集中的所有单词来自相应的分布。潜变量模型考虑词单纯形上的k个点，并根据这些点构成子单形体，我们称之为主题单纯形。请注意，主题单纯形上的任何一点也是单词单纯形上的一个点。不同的潜在变量模型以不同的方式使用主题单纯形来生成文档。 • 混合一元模型假设，对于每个文档，词单纯形中的k个点（即，主题单纯形的那些角中的一个）中的一个一旦随机选择后，文档的所有单词都从对应于那一点的分布中获取。 • pLSI模型假定训练文档的每个单词来自随机选择的主题。这些主题本身来自于文档在主题上的特征分布，也就是主题单纯形上的一个角点。每个文件有一个这样的分布，训练文档集因此定义了关于主题单纯形的经验分布。 • LDA假定观察到的（训练集）和未看到的（验证集）文档中的每个词都是由随机选择的主题生成的，该主题是从具有一个随机选择参数的分布中抽取的。 从主题单纯形的平滑分布中，每个文档对此参数进行一次采样。 这些差异在图4中突出显示。 我们描述了使用LDA背后的动机，并说明了其与其他潜在主题模型相比的概念优势。在本节中，我们将注意力转向LDA下的推理和参数估计。 为了使用LDA我们需要解决的关键推理问题是计算给定文档的隐藏变量的后验分布： 不幸的是，这种分布通常难以计算。 实际上，为了规范化分布，我们将忽视隐藏变量并根据模型参数重写方程（3）： 这是一个由于在潜在主题的总和中θ和β之间的耦合，而难以处理的函数（Dickey，1983）。Dickey表示这个函数是在Dirichlet分布的特定扩展下的期望，可以用特殊的超几何函数表示。它在贝叶斯环境中可用于删除（或审查，censored 暂时不明白怎么翻译）离散数据，以表示θ的后验（在该设置中，θ是随机参数）（Dickey等，1987）。 尽管后验分布对于精确推断是难以处理的，但是对于LDA可以考虑各种各样的近似推理算法，包括拉普拉斯近似，变分近似和马尔可夫链蒙特卡罗（Jordan，1999）。在本节中，我们描述了一个简单的基于凸性的变分算法，用于推断LDA，并讨论了第8节中的一些替代方案。 基于凸性的变分推理的基本思想是利用Jensen不等式来获得对数似然的可调下界（Jordan et al。，1999）。本质上，人们考虑一系列下界，它们由一组变分参数索引。变分参数由优化程序选择，该程序试图找到最可能的下限。 获得易处理的下界族的简单方法是考虑原始图形模型的简单修改，原始图形模型中一些边和节点已被移除。特别考虑图5（左）中所示的LDA模型。 θ和β之间的有问题的耦合是由于θ，z和w之间的边界而产生的。 通过丢弃这些边和w节点，并赋予所得到的简化图形模型以及自由变分参数，我们获得了潜在变量的一个分布族。这个分布族以下面这个变分分布为特征： 已经指定了简化的概率分布族，下一步是建立一个确定变分参数γ和Φ的值的优化问题。 正如我们在附录A中所示，找到对数似然的紧密下界的期望直接转化为以下优化问题： 因此，通过最小化变分分布和真实后验p（θ, z | w,α,β）之间的KullbackLeibler（KL）发散来找到变分参数的优化值。这种最小化可以通过迭代定点方法实现。 特别是，我们在附录A.3中表明，通过计算KL散度的导数并将它们设置为零，我们得到以下一对更新方程： 最近有新的项目做，没时间翻译啦，以后有时间再填坑，此处省略3000字......

在24小时内，员工在无理时间点休息，在有理时间点上班。这一制度的优越性在于：员工的工作时间稠密，24小时中任意小的区间内，员工都在岗位上工作；有理数是勒贝格零测集，工作时长严格来说=0，因此不必支付工资；如果社会舆论反对声较大，企业可以声明不存在超时工作的现象，因为员工24小时都在休息。相关信息：从DP中抽取样本可以理解成抽取随机分布。它在非参数贝叶斯模型中有广泛运用，最常见的应用是作为Dirichlet过程混合模型（Dirichlet Process Mixture Model, DPMM，也叫做无限混合模型，infinite mixture model）的先验。它被称为Dirichlet过程是因为它在有限维上的边缘分布是Dirichlet分布。

        朴素贝叶斯算法中的拉普拉斯平滑，是为了缓解先验概率为零的情况。在贝叶斯估计中，使用狄利克雷分布作为先验分布，来估计多项分布中的参数值，即可得到拉普拉斯平滑。证明如下：         引入狄利克雷分布的定义，若随机向量符合狄利克雷分布，即  ，其中  ，设 ，则   的概率密度函数为：    下面计算随机向量   的分量   的期望。我们通过计算   来代替，这仍然不失一般性。  的概率密度函数为： 的期望为：故，         引入多项分布的定义，若随机向量满足多项分布，即   ，其中  ，则   的分布律为：        在多项分布参数的贝叶斯估计中，使用狄利克雷分布作为先验分布。设  为狄利克雷分布的概率密度函数，  为多项分布的分布律，则后验分布为：        由于多项分布的后验分布也是狄利克雷分布，故狄利克雷分布是多项分布的共轭分布。由此可得多项分布参数   的贝叶斯估计值为：        设   为数据集中的样本，  为样本特征向量，  为分类变量。   为数据集样本数，  为分类个数，  表示第  个分类，  表示数据集中第   个分类的样本数。现在要根据数据集来估计分类的先验概率 。         由于  ，所以这是一个多项分布的参数估计问题。使用上面已经证明的多项分布参数的贝叶斯估计，并设  ，则：        根据数据集估计特定分类下特征值的先验概率，其实就是在该分类的子数据集中进行多项分布的参数估计。按照上面相同的方法，设   为特征个数，   为第   个特征包含的值个数，  为第  个特征的第  个值，  为第  个分类的数据集中第  个特征取第   个值的样本数，则：        这就证明了朴素贝叶斯算法中的拉普拉斯平滑。

LDA可以分为以下5个步骤： 关于LDA有两种含义，一种是线性判别分析（Linear Discriminant Analysis），一种是概率主题模型： 隐含狄利克雷分布（Latent Dirichlet Allocation，简称LDA） ，本文讲后者。 按照wiki上的介绍，LDA由Blei, David M.、Ng, Andrew Y.、Jordan于2003年提出，是一种主题模型，它可以将文档集 中每篇文档的主题以概率分布的形式给出，从而通过分析一些文档抽取出它们的主题（分布）出来后，便可以根据主题（分布）进行主题聚类或文本分类。同时，它是一种典型的词袋模型，即一篇文档是由一组词构成，词与词之间没有先后顺序的关系。此外，一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成。 人类是怎么生成文档的呢？首先先列出几个主题，然后以一定的概率选择主题，以一定的概率选择这个主题包含的词汇，最终组合成一篇文章。如下图所示(其中不同颜色的词语分别对应上图中不同主题下的词)。 那么LDA就是跟这个反过来： 根据给定的一篇文档，反推其主题分布。 在LDA模型中，一篇文档生成的方式如下： 其中，类似Beta分布是二项式分布的共轭先验概率分布，而狄利克雷分布（Dirichlet分布）是多项式分布的共轭先验概率分布。此外，LDA的图模型结构如下图所示（类似贝叶斯网络结构）： 先解释一下以上出现的概念。 至此，我们可以看到二项分布和多项分布很相似，Beta分布和Dirichlet 分布很相似。 如果想要深究其原理可以参考： 通俗理解LDA主题模型 ，也可以先往下走，最后在回过头来看详细的公式，就更能明白了。 总之， 可以得到以下几点信息。 在讲LDA模型之前，再循序渐进理解基础模型：Unigram model、mixture of unigrams model，以及跟LDA最为接近的pLSA模型。为了方便描述，首先定义一些变量： 反过来，既然文档已经产生，那么如何根据已经产生好的文档反推其主题呢？这个利用看到的文档推断其隐藏的主题（分布）的过程（其实也就是产生文档的逆过程），便是 主题建模的目的：自动地发现文档集中的主题（分布）。 文档d和词w是我们得到的样本，可观测得到，所以对于任意一篇文档，其 是已知的。从而可以根据大量已知的文档-词项信息 ，训练出文档-主题 和主题-词项 ，如下公式所示： 故得到文档中每个词的生成概率为： 由于 可事先计算求出，而 和 未知，所以 就是我们要估计的参数（值），通俗点说，就是要最大化这个θ。 用什么方法进行估计呢，常用的参数估计方法有极大似然估计MLE、最大后验证估计MAP、贝叶斯估计等等。因为该待估计的参数中含有隐变量z，所以我们可以考虑EM算法。详细的EM算法可以参考之前写过的 EM算法 章节。 事实上，理解了pLSA模型，也就差不多快理解了LDA模型，因为LDA就是在pLSA的基础上加层贝叶斯框架，即LDA就是pLSA的贝叶斯版本（正因为LDA被贝叶斯化了，所以才需要考虑历史先验知识，才加的两个先验参数）。 下面，咱们对比下本文开头所述的LDA模型中一篇文档生成的方式是怎样的： LDA中，选主题和选词依然都是两个随机的过程，依然可能是先从主题分布{教育：0.5，经济：0.3，交通：0.2}中抽取出主题：教育，然后再从该主题对应的词分布{大学：0.5，老师：0.3，课程：0.2}中抽取出词：大学。 那PLSA跟LDA的区别在于什么地方呢？区别就在于： PLSA中，主题分布和词分布是唯一确定的，能明确的指出主题分布可能就是{教育：0.5，经济：0.3，交通：0.2}，词分布可能就是{大学：0.5，老师：0.3，课程：0.2}。 但在LDA中，主题分布和词分布不再唯一确定不变，即无法确切给出。例如主题分布可能是{教育：0.5，经济：0.3，交通：0.2}，也可能是{教育：0.6，经济：0.2，交通：0.2}，到底是哪个我们不再确定（即不知道），因为它是随机的可变化的。但再怎么变化，也依然服从一定的分布， 即主题分布跟词分布由Dirichlet先验随机确定。正因为LDA是PLSA的贝叶斯版本，所以主题分布跟词分布本身由先验知识随机给定。 换言之，LDA在pLSA的基础上给这两参数 加了两个先验分布的参数（贝叶斯化）：一个主题分布的先验分布Dirichlet分布 ，和一个词语分布的先验分布Dirichlet分布 。 综上，LDA真的只是pLSA的贝叶斯版本，文档生成后，两者都要根据文档去推断其主题分布和词语分布（即两者本质都是为了估计给定文档生成主题，给定主题生成词语的概率），只是用的参数推断方法不同，在pLSA中用极大似然估计的思想去推断两未知的固定参数，而LDA则把这两参数弄成随机变量，且加入dirichlet先验。 所以，pLSA跟LDA的本质区别就在于它们去估计未知参数所采用的思想不同，前者用的是频率派思想，后者用的是贝叶斯派思想。 LDA参数估计： Gibbs采样 ，详见文末的参考文献。 推荐系统中的冷启动问题是指在没有大量用户数据的情况下如何给用户进行个性化推荐，目的是最优化点击率、转化率或用户 体验（用户停留时间、留存率等）。冷启动问题一般分为用户冷启动、物品冷启动和系统冷启动三大类。 解决冷启动问题的方法一般是基于内容的推荐。以Hulu的场景为例，对于用 户冷启动来说，我们希望根据用户的注册信息（如：年龄、性别、爱好等）、搜 索关键词或者合法站外得到的其他信息（例如用户使用Facebook账号登录，并得 到授权，可以得到Facebook中的朋友关系和评论内容）来推测用户的兴趣主题。 得到用户的兴趣主题之后，我们就可以找到与该用户兴趣主题相同的其他用户， 通过他们的历史行为来预测用户感兴趣的电影是什么。 同样地，对于物品冷启动问题，我们也可以根据电影的导演、演员、类别、关键词等信息推测该电影所属于的主题，然后基于主题向量找到相似的电影，并将新电影推荐给以往喜欢看这 些相似电影的用户。 可以使用主题模型（pLSA、LDA等）得到用户和电影的主题。 以用户为例，我们将每个用户看作主题模型中的一篇文档，用户对应的特征 作为文档中的单词，这样每个用户可以表示成一袋子特征的形式。通过主题模型 学习之后，经常共同出现的特征将会对应同一个主题，同时每个用户也会相应地 得到一个主题分布。每个电影的主题分布也可以用类似的方法得到。 那么如何解决系统冷启动问题呢？ 首先可以得到每个用户和电影对应的主题向量，除此之外，还需要知道用户主题和电影主题之间的偏好程度，也就是哪些主题的用户可能喜欢哪些主题的电影。当系统中没有任何数据时，我们需要一些先验知识来指定，并且由于主题的数目通常比较小，随着系统的上线，收集到少量的数据之后我们就可以对主题之间的偏好程度得到一个比较准确的估计。 通俗理解LDA主题模型 LDA模型应用：一眼看穿希拉里的邮件 【 机器学习通俗易懂系列文章 】

1、LDA模型优化算法的改进：LDA模型最初的优化算法是基于Gibbs采样的，后来过渡到了变分推断算法。在这些算法中，降低计算时间和提高计算精度的算法改进是关键。2、LDA模型的拓展：LDA模型最初应用于文本数据的主题建模，后来被应用于图像、音乐、网络等领域，例如，文本的主题建模也可以用于分类、聚类等领域。3、LDA模型与其他模型结合：LDA模型与其他模型的结合可以提高LDA模型的性能。例如，LDA和深度学习结合可以提高LDA模型对文档的表达能力，LDA和非参数贝叶斯结合可以提高LDA模型的灵活性。4、LDA模型的应用：LDA模型在自然语言处理、信息检索、社交网络分析等领域有着广泛的应用。其中，LDA模型在搜索引擎、推荐系统和主题社区发现中应用广泛。

你要知道：有理数+有理数=有理数无理数+有理数=无理数而无理数+无理数不一定等于无理数（比如3+pi和3-pi两个无理数相加等于6为有理数）所以由周期定义,对任意x都有f(x+T)=f(x).狄利克雷函数用D(x)表示：当T为任意有理数时,1.当x为有理数时,x+T还是有理数,所以有D(x+T)=D(x)=12.当x为无理数时,x+T还是无理数,所以有D(x+T)=D(x)=0所以任意有理数是D(x)的周期,所以D(x)也不存在最小正周期.而当T为任意无理数时：1.当x为有理数时,x+T是无理数,所以有D(x+T)=0而D(x)=12.当x为无理数时,x+T不确定,所以有D(x+T)=0或1而D(x)=0所以任意无理数不是D(x)的周期.

伽马函数的性质：许多概率分布是用伽马函数定义的——如：伽马分布、贝塔分布、狄利克雷分布（Dirichlet distribution）、卡方分布、学生t-分布等。对数据科学家、机器学习工程师、科研人员来说，伽马函数可能是应用最广泛的函数之一，因为它在许多分布函数中使用。这些分布被应用于贝叶斯推断、随机过程（如排队模型）、生成统计模型（如潜在的狄利克雷分布(Latent Dirichlet Allocation）和变分推断。

先把别人发的复制，点开输入框点一下粘贴，再把你需要加上的打进去就行了，最后点一下聊天窗口右边的发送就OK了。

不是同一个东西。x0dx0a 第一个是用于自然语言分析的隐主题模型。LDA是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。文档到主题服从Dirichlet分布，主题到词服从多项式分布。x0dx0a 第二个线性判别式分析（Linear Discriminant Analysis），简称为LDA。也称为Fisher线性判别（Fisher Linear Discriminant，FLD），是模式识别的经典算法，在1996年由Belhumeur引入模式识别和人工智能领域。x0dx0a基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。

在上一节我们一起学习了LDA中的一些数学知识，主要学习了二项分布、Beta分布、多项式分布以及狄利克雷分布，这四个分布是有一定联系的，beta分布是二项分布的共轭先验分布，狄利克雷分布是多项式分布的共轭先验分布。那什么是共轭先验分布呢？我们一起来一步步了解一下这个神秘的知识点。 首先我们来介绍一下三种信息： 即总体分布或总体所属分布族给我们的信息，譬如，总体是正态分布这一句话就给我们带来很多信息：它的密度函数是一条钟形曲线等等。总体信息是很重要的信息，但是为了获取此种信息往往耗资巨大。 即从总体抽取的样本给我们提供的信息，人们希望通过对样本的加工或者处理对总体的某些特征作出较为精确的统计推断，没有样本就没有统计学可言。 基于上面的两种信息进行的统计推断被称为经典统计学，它的基本观点是把数据看成是来自具有一定概率分布的总体，所研究的对象是这个整体而不限于数据本身。 即在抽样之前有关统计问题的一些信息，一般来说，先验信息主要来源于经验和历史资料。先验信息在日常生活和工作中也经常可见，不少人在自觉地活不自觉的使用它。 基于上面三种信息进行的统计推断被称为贝叶斯统计学，它与经典统计学的主要差别在于是否利用先验信息。在使用样本信息上也是有差异的。贝叶斯学派重视已出现的样本观察值，而对尚未发生的样本观察值不予考虑，贝叶斯学派很重视先验收集、挖掘和加工，使他数量化，形成先验分布，参加到统计推断中来。以提高统计推断的质量。 贝叶斯学派的最基本的观点是，任何一个未知量θ，都可以看作一个随机变量，应用一个概率分布去描述θ的未知状况。这个概率分布是在抽样前就有关于θ的先验信息的概率陈述，这个概率分布被称为先验分布。 举个简单的例子，学生估计一新教师的年龄，依据学生们的生活经历，在看了新教师的照片后立即会有反应：“新教师的年龄在30-50岁之间，极有可能在40岁左右”，一位统计学家与学生们交谈，明确这句话中的“左右”可理解为岁，“极有可能”可理解为90%的把握，于是学生们对新教师年龄的认识（先验信息）可综合为下图的概率分布，这个概率分布就是所谓的先验分布： 上图中的概率0.9不是在大量重复试验中获得的，而是学生们根据自己的生活经历的积累对该事件发生可能性所给出的信念。这样给出的概率在贝叶斯统计中是允许的，并称为主观概率。贝叶斯学派认为引入主观概率以及由此确定的先验分布至少把概率与统计的研究与应用范围扩大到不能大量重复的随机现象中来。其次，主观概率的确定不是随意的，而是要求当事人对所观察的事件有比较透彻的了解和丰富的经验，甚至是这一行的专家，在这个基础上确定的主观概率就能符合实际。 依赖于参数θ的密度函数在经典统计中记为p(x;θ)，表示在参数空间中针对不同的θ对应不同的分布。在贝叶斯统计中记为p(x|θ)，它表示在随机变量θ给定某个值时，总体指标X的条件分布。 根据参数θ的先验信息我们能确定先验分布π(θ)，那么从贝叶斯观点来看，样本x=(x1,x2,....xn)的产生要分两步进行，首先设想从先验分布π(θ)产生一个样本θ，第二步时从总体分布p(x|θ)产生一个样本x=(x1,x2,....xn)，这个样本是具体的，是人们可以看得到的，此样本发生的概率与如下联合密度函数成正比： 这个函数常被称为似然函数，记为L(θ")。 在上面的式子中，θ"时设想出来的，它仍是未知的，是按先验分布π(θ)而产生的，要把先验信息进行综合，不能只考虑θ"，而应对θ的一切可能加以考虑，故要用π(θ)参与进一步综合，所以样本x和参数θ的联合分布为： h(x,θ)=π(θ|x)m(x) 其中m(x)是x的边缘密度函数： 先验分布π(θ)是反映人们在抽样前对θ的认识，后验分布π(θ|x)是反映人们在抽样后对θ的认识。之间的差异是由于样本x出现后人们对θ认识的一种调整。所以后验分布π(θ|x)可以看作是人们用总体信息和样本信息对先验分布π(θ)做调整的结果。 考虑之前用于计算后验概率的式子： 有时我们将p(x|θ)称为似然函数，先验概率π(θ)和似然函数的乘积，然后归一化得到后验 概率 P(θ | x) 。共轭先验的定义为:如果后验概率分布和先验概率分布有相同的形式(如同为指数 族分布)，则后验概率分布和先验概率分布统称共轭分布。那么先验概率π(θ)称为似然函数的共轭先验。由此可见，后验分布和先验分布都是beta分布，所以beta分布和二项分布是共轭先验分布。 同样多项式分布和Dirichlet分布也是共轭先验分布：证明如下： 也就是说：

一种流行的自然语言处理库、自带语料库、具有分类，分词等很多功能，国外使用者居多，类似中文的jieba处理库 为单词序列分配概率的模型就叫做语言模型。 通俗来说， 语言模型就是这样一个模型：对于任意的词序列，它能够计算出这个序列是一句话的概率。或者说语言模型能预测单词序列的下一个词是什么。 ** n-gram Language Models ** N-gram模型是一种典型的统计语言模型（Language Model，LM），统计语言模型是一个基于概率的判别模型.统计语言模型把语言（词的序列）看作一个随机事件，并赋予相应的概率来描述其属于某种语言集合的可能性。给定一个词汇集合 V，对于一个由 V 中的词构成的序列S = ⟨w1, · · · , wT ⟩ ∈ Vn，统计语言模型赋予这个序列一个概率P(S)，来衡量S 符合自然语言的语法和语义规则的置信度。用一句简单的话说，统计语言模型就是计算一个句子的概率大小的这种模型。 n-gram模型可以减轻单词序列没有在训练集中出现过而引起的问题，即数据稀疏问题 n-gram模型问题 对于n-gram模型的问题，这两页ppt说的很明白 N-gram模型基于这样一种假设，当前词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram(N=2)和三元的Tri-Gram(N=3).Bi-Gram所满足的假设是马尔科夫假设。 一般常用的N-Gram模型是Bi-Gram和Tri-Gram。分别用公式表示如下： Bi-Gram:　　P(T)=p(w1|begin) p(w2|w1) p(w3|w2)***p(wn|wn-1) Tri-Gram:　　P(T)=p(w1|begin1,begin2) p(w2|w1,begin1) p(w3|w2w1)***p(wn|wn-1,wn-2) 注意上面概率的计算方法：P(w1|begin)=以w1为开头的所有句子/句子总数；p(w2|w1)=w1,w2同时出现的次数/w1出现的次数。以此类推。 对于其中每项的计算举个例子： 由上可见Bi-Gram计算公式中的begin一般都是加个<s>标签。 N-gram存在的问题： 举一个小数量的例子进行辅助说明：假设我们有一个语料库（注意语料库），如下： 老鼠真讨厌，老鼠真丑，你爱老婆，我讨厌老鼠。 想要预测“我爱老”这一句话的下一个字。我们分别通过 bigram 和 trigram 进行预测。 1）通过 bigram，便是要对 P(w|老)进行计算，经统计，“老鼠”出现了3次，“老婆”出现了1次，通过最大似然估计可以求得P（鼠|老）=0.75，P（婆|老）=0.25， 因此我们通过 bigram 预测出的整句话为: 我爱老鼠。 2）通过 trigram，便是要对便是要对 P(w|爱老)进行计算，经统计，仅“爱老婆”出现了1次，通过最大似然估计可以求得 P（婆|爱 老）=1，因此我们通过trigram 预测出的整句话为: 我爱老婆。显然这种方式预测出的结果更加合理。 问题一：随着 n 的提升，我们拥有了更多的前置信息量，可以更加准确地预测下一个词。但这也带来了一个问题，当N过大时很容易出现这样的状况：某些n-gram从未出现过， 导致很多预测概率结果为0， 这就是稀疏问题。 实际使用中往往仅使用 bigram 或 trigram 。（这个问题可以通过平滑来缓解参考： https://mp.weixin.qq.com/s/NvwB9H71JUivFyL_Or_ENA ） 问题二：同时由于上个稀疏问题还导致N-gram无法获得上下文的长时依赖。 问题三：n-gram 基于频次进行统计，没有足够的泛化能力。 n-gram总结：统计语言模型就是计算一个句子的概率值大小，整句的概率就是各个词出现概率的乘积，概率值越大表明该句子越合理。N-gram是典型的统计语言模型，它做出了一种假设，当前词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。它其中存在很多问题，再求每一个词出现的概率时，随着N的提升，能够拥有更多的前置信息量，可以使得当前词的预测更加准确，但是当N过大时会出现稀疏问题，导致很多词的概率值为0，为解决这一问题，因此常用的为bigram 或 trigram，这就导致N-gram无法获得上文的长时依赖。另一方面N-gram 只是基于频次进行统计，没有足够的泛化能力。 神经网络语言模型 2003年 Bengio 提出，神经网络语言模型( neural network language model, NNLM)的思想是提出词向量的概念，代替 ngram 使用离散变量(高维)，采用连续变量(具有一定维度的实数向量)来进行单词的分布式表示，解决了维度爆炸的问题，同时通过词向量可获取词之间的相似性。 结合下图可知它所建立的语言模型的任务是根据窗口大小内的上文来预测下一个词，因此从另一个角度看它就是一个使用神经网络编码的n-gram模型。 它是一个最简单的神经网络，仅由四层构成，输入层、嵌入层、隐藏层、输出层。（从另一个角度看它就是一个使用神经网络编码的n-gram模型） 输入是单词序列的index序列，例如单词‘这"在字典（大小为∣V∣）中的index是10，单词‘是"的 index 是23，‘测"的 index 是65，则句子“这是测试”通过‘这是测"预测‘试"，窗口大小内上文词的index序列就是 10, 23, 65。嵌入层（Embedding）是一个大小为∣V∣×K的矩阵（注意：K的大小是自己设定的，这个矩阵相当于随机初始化的词向量，会在bp中进行更新，神经网络训练完成之后这一部分就是词向量），从中取出第10、23、65行向量拼成3×K的矩阵就是Embedding层的输出了。隐层接受拼接后的Embedding层输出作为输入，以tanh为激活函数，最后送入带softmax的输出层，输出概率,优化的目标是使得待预测词其所对应的softmax值最大。 缺点：因为这是通过前馈神经网络来训练语言模型，缺点显而易见就是其中的参数过多计算量较大，同时softmax那部分计算量也过大。另一方面NNLM直观上看就是使用神经网络编码的 n-gram 模型，也无法解决长期依赖的问题。 RNNLM 它是通过RNN及其变种网络来训练语言模型，任务是通过上文来预测下一个词，它相比于NNLM的优势在于所使用的为RNN，RNN在处理序列数据方面具有天然优势， RNN 网络打破了上下文窗口的限制，使用隐藏层的状态概括历史全部语境信息，对比 NNLM 可以捕获更长的依赖，在实验中取得了更好的效果。RNNLM 超参数少，通用性更强；但由于 RNN 存在梯度弥散问题，使得其很难捕获更长距离的依赖信息。 Word2vec中的CBOW 以及skip-gram，其中CBOW是通过窗口大小内的上下文预测中心词，而skip-gram恰恰相反，是通过输入的中心词预测窗口大小内的上下文。 Glove 是属于统计语言模型，通过统计学知识来训练词向量 ELMO 通过使用多层双向的LSTM（一般都是使用两层）来训练语言模型，任务是利用上下文来预测当前词，上文信息通过正向的LSTM获得，下文信息通过反向的LSTM获得，这种双向是一种弱双向性，因此获得的不是真正的上下文信息。 GPT是通过Transformer来训练语言模型，它所训练的语言模型是单向的，通过上文来预测下一个单词 BERT通过Transformer来训练MLM这种真正意义上的双向的语言模型，它所训练的语言模型是根据上下文来预测当前词。 以上部分的详细介绍在NLP之预训练篇中有讲到 语言模型的评判指标 具体参考： https://blog.csdn.net/index20001/article/details/78884646 Perplexity可以认为是average branch factor（平均分支系数），即预测下一个词时可以有多少种选择。别人在作报告时说模型的PPL下降到90，可以直观地理解为，在模型生成一句话时下一个词有90个合理选择，可选词数越少，我们大致认为模型越准确。这样也能解释，为什么PPL越小，模型越好。 一般用困惑度Perplexity（PPL）衡量语言模型的好坏，困惑度越小则模型生成一句话时下一个词的可选择性越少，句子越确定则语言模型越好。 简单介绍 Word2vec是一种有效创建词嵌入的方法，它自2013年以来就一直存在。但除了作为词嵌入的方法之外，它的一些概念已经被证明可以有效地创建推荐引擎和理解时序数据。在商业的、非语言的任务中。 背景 由于任何两个不同词的one-hot向量的余弦相似度都为0，多个不同词之间的相似度难以通过onehot向量准确地体现出来。 word2vec⼯具的提出正是为了解决上⾯这个问题。它将每个词表⽰成⼀个定⻓的向量，并使得这些向量能较好地表达不同词之间的相似和类⽐关系。 word2vec模型 word2vec⼯具包含了两个模型，即跳字模型（skip-gram）和连续词袋模型（continuous bag of words，CBOW）。word2vec的input/output都是将单词作为one-hot向量来表示，我们可以把word2vec认为是词的无监督学习的降维过程。 MaxEnt 模型（最大熵模型）： 可以使用任意的复杂相关特征，在性能上最大熵分类器超过了 Byaes 分类器。但是，作为一种分类器模型，这两种方法有一个共同的缺点：每个词都是单独进行分类的，标记（隐状态）之间的关系无法得到充分利用，具有马尔可夫链的 HMM 模型可以建立标记之间的马尔可夫关联性，这是最大熵模型所没有的。 最大熵模型的优点：首先，最大熵统计模型获得的是所有满足约束条件的模型中信息熵极大的模型；其次，最大熵统计模型可以灵活地设置约束条件，通过约束条件的多少可以调节模型对未知数据的适应度和对已知数据的拟合程度；再次，它还能自然地解决统计模型中参数平滑的问题。 最大熵模型的不足：首先，最大熵统计模型中二值化特征只是记录特征的出现是否，而文本分类需要知道特征的强度，因此，它在分类方法中不是最优的;其次，由于算法收敛的速度较慢，所以导致最大熵统计模型它的计算代价较大，时空开销大;再次，数据稀疏问题比较严重。 CRF(conditional random field) 模型（条件随机场模型）：首先，CRF 在给定了观察序列的情况下，对整个的序列的联合概率有一个统一的指数模型。一个比较吸引人的特性是其为一个凸优化问题。其次，条件随机场模型相比改进的隐马尔可夫模型可以更好更多的利用待识别文本中所提供的上下文信息以得更好的实验结果。并且有测试结果表明：在采用相同特征集合的条件下，条件随机域模型较其他概率模型有更好的性能表现。 CRF 可以用于构造在给定一组输入随机变量的条件下,另一组输出随机变量的条件概率分布模型。经常被用于序列标注，其中包括词性标注，分词，命名实体识别等领域。 建一个条件随机场，我们首先要定义一个特征函数集，每个特征函数都以整个句子s，当前位置i，位置i和i-1的标签为输入。然后为每一个特征函数赋予一个权重，然后针对每一个标注序列l，对所有的特征函数加权求和，必要的话，可以把求和的值转化为一个概率值。 CRF 具有很强的推理能力，并且能够使用复杂、有重叠性和非独立的特征进行训练和推理，能够充分地利用上下文信息作为特征，还可以任意地添加其他外部特征，使得模型能够 获取的信息非常丰富。 CRF 模型的不足：首先，通过对基于 CRF 的结合多种特征的方法识别英语命名实体的分析，发现在使用 CRF 方法的过程中，特征的选择和优化是影响结果的关键因素，特征选择问题的好与坏，直接决定了系统性能的高低。其次，训练模型的时间比 MaxEnt 更长，且获得的模型很大，在一般的 PC 机上无法运行。 潜在语义分析(Latent Semantic Analysis，LSA)模型 在潜在语义分析(LSA)模型首先给出了这样一个 ‘‘分布式假设” :一个 单词的属性是由它所处的环境刻画的。这也就意味着如果两个单词在含义上比较接近，那么它们也会出现在相似的文本中，也就是说具有相似的上下文。 LSA模型在构建好了单词-文档矩阵之后，出于以下几种可能的原因，我们会使用奇异值分解(Singular Value Decomposition，SVD) 的方法来寻找该矩阵的一个低阶近似。 概率潜在语义分析(Probability Latent Semantic Analysis ，PLSA)模型 概率潜在语义分析(PLSA)模型其实是为了克服潜在语义分析(LSA)模型存在的一些缺点而被提出的。LSA 的一个根本问题在于，尽管我们可以把 U k 和 V k 的每一列都看成是一个话题，但是由于每一列的值都可以看成是几乎没有限制的实数值，因此我们无法去进一步解释这些值到底是什么意思，也更无法从概率的角度来理解这个模型。 PLSA模型则通过一个生成模型来为LSA赋予了概率意义上的解释。该模型假设，每一篇文档都包含一系列可能的潜在话题，文档中的每一个单词都不是凭空产生的，而是在这些潜在的话题的指引下通过一定的概率生成的。 在 PLSA 模型里面，话题其实是一种单词上的概率分布，每一个话题都代表着一个不同的单词上的概率分布，而每个文档又可以看成是话题上的概率分布。每篇文档就是通过这样一个两层的概率分布生成的，这也正是PLSA 提出的生成模型的核心思想。 PLSA 通过下面这个式子对d和 w 的联合分布进行了建模: 该模型中的 *z * 的数量是需要事先给定的一个超参数。需要注意的是，上面这 个式子里面给出了 P (w, d ) 的两种表达方式，在前一个式子里， *d * 和 w 都是在给定 *z * 的前提下通过条件概率生成出来的，它们的生成方式是相似的，因此是 ‘‘对称"" 的;在后一个式子里，首先给定 d ，然后根据 P ( z | d ) 生成可能的话题 z ，然后再根据 P (w| z ) 生成可能的单词 w，由于在这个式子里面单词和文档的生成并不相似， 所以是 ‘‘非对称"" 的。 上图给出了 PLSA 模型中非对称形式的 Plate Notation表示法。其中d表示 一篇文档，z 表示由文档生成的一个话题，w 表示由话题生成的一个单词。 在这个模型中， d和w 是已经观测到的变量，而z是未知的变量(代表潜在的话题)。 容易发现，对于一个新的文档而言，我们无法得知它对应的 P ( d ) 究竟是什么， 因此尽管 PLSA 模型在给定的文档上是一个生成模型，它却无法生成新的未知的文档。该模型的另外的一个问题在于，随着文档数量的增加， P ( z | d ) 的参数也会随着线性增加，这就导致无论有多少训练数据，都容易导致模型的过拟合问题。这两点成为了限制 PLSA 模型被更加广泛使用的两大缺陷。 潜在狄利克雷分配(Latent Dirichlet Analysis ， LDA)模型 为了解决 PLSA 模型中出现的过拟合问题，潜在狄利克雷分配(LDA)模型被 Blei 等人提出，这个模型也成为了主题模型这个研究领域内应用最为广泛的模 型。LDA就是在PLSA的基础上加层贝叶斯框架，即LDA就是PLSA的贝叶斯版本（正因为LDA被贝叶斯化了，所以才需要考虑历史先验知识，才加的两个先验参数）。 从上一节我们可以看到，在 PLSA 这个模型里，对于一个未知的新文档 d ，我们对于 P ( d ) 一无所知，而这个其实是不符合人的经验的。或者说，它没有去使用本来可以用到的信息，而这部分信息就是 LDA 中所谓的先验信息。 具体来说，在 LDA 中，首先每一个文档都被看成跟有限个给定话题中的每一个存在着或多或少的关联性，而这种关联性则是用话题上的概率分布来刻画的， 这一点与 PLSA 其实是一致的。 但是在 LDA 模型中，每个文档关于话题的概率分布都被赋予了一个先验分布，这个先验一般是用稀疏形式的狄利克雷分布表示的。 这种稀疏形式的狄利克雷先验可以看成是编码了人类的这样一种先验知识:一般而言，一篇文章的主题更有可能是集中于少数几个话题上，而很少说在单独一篇文章内同时在很多话题上都有所涉猎并且没有明显的重点。 此外，LDA 模型还对一个话题在所有单词上的概率分布也赋予了一个稀疏形式的狄利克雷先验，它的直观解释也是类似的:在一个单独的话题中，多数情况是少部分(跟这个话题高度相关的)词出现的频率会很高，而其他的词出现的频率则明显较低。这样两种先验使得 LDA 模型能够比 PLSA 更好地刻画文档-话题-单词这三者的关系。 事实上，从 PLSA 的结果上来看，它实际上相当于把 LDA 模型中的先验分布转变为均匀分布，然后对所要求的参数求最大后验估计(在先验是均匀分布的前提下，这也等价于求参数的最大似然估计) ，而这也正反映出了一个较为合理的先验对于建模是非常重要的。 分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。 现有的分词算法可分为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。 按照是否与词性标注过程相结合，又可以分为单纯分词方法和分词与标注相结合的一体化方法。 中文分词根据实现原理和特点，主要分为以下2个类别： （1）基于词典分词算法 也称字符串匹配分词算法。该算法是按照一定的策略将待匹配的字符串和一个已建立好的“充分大的”词典中的词进行匹配，若找到某个词条，则说明匹配成功，识别了该词。常见的基于词典的分词算法分为以下几种：正向最大匹配法、逆向最大匹配法和双向匹配分词法等。 基于词典的分词算法是应用最广泛、分词速度最快的。很长一段时间内研究者都在对基于字符串匹配方法进行优化，比如最大长度设定、字符串存储和查找方式以及对于词表的组织结构，比如采用TRIE索引树、哈希索引等。 （2）基于统计的机器学习算法 这类目前常用的是算法是HMM、CRF（条件随机场）、SVM、深度学习等算法，比如stanford、Hanlp分词工具是基于CRF算法。以CRF为例，基本思路是对汉字进行标注训练，不仅考虑了词语出现的频率，还考虑上下文，具备较好的学习能力，因此其对歧义词和未登录词的识别都具有良好的效果。 常见的分词器都是使用机器学习算法和词典相结合，一方面能够提高分词准确率，另一方面能够改善领域适应性。 随着深度学习的兴起，也出现了 基于神经网络的分词器 ，例如有人员尝试使用双向LSTM+CRF实现分词器， 其本质上是序列标注 ，所以有通用性，命名实体识别等都可以使用该模型，据报道其分词器字符准确率可高达97.5%。算法框架的思路与论文《Neural Architectures for Named Entity Recognition》类似，利用该框架可以实现中文分词，如下图所示： 首先对语料进行字符嵌入，将得到的特征输入给双向LSTM，然后加一个CRF就得到标注结果。 目前中文分词难点主要有三个： 1、分词标准 ：比如人名，在哈工大的标准中姓和名是分开的，但在Hanlp中是合在一起的。这需要根据不同的需求制定不同的分词标准。 2、歧义 ：对同一个待切分字符串存在多个分词结果。 歧义又分为组合型歧义、交集型歧义和真歧义三种类型。 一般在搜索引擎中，构建索引时和查询时会使用不同的分词算法。常用的方案是，在索引的时候使用细粒度的分词以保证召回，在查询的时候使用粗粒度的分词以保证精度。 3、新词 ：也称未被词典收录的词，该问题的解决依赖于人们对分词技术和汉语语言结构的进一步认识。 典型的文本分类过程可以分为三个步骤： 1. 文本表示（Text Representation） 这一过程的目的是把文本表示成分类器能够处理的形式。最常用的方法是向量空间模型，即把文本集表示成词－文档矩阵，矩阵中每个元素代表了一个词在相应文档中的权重。选取哪些词来代表一个文本，这个过程称为特征选择。常见的特征选择方法有文档频率、信息增益、互信息、期望交叉熵等等。为了降低分类过程中的计算量，常常还需要进行降维处理，比如LSI。 2. 分类器构建（Classifier Construction） 这一步骤的目的是选择或设计构建分类器的方法。不同的方法有各自的优缺点和适用条件，要根据问题的特点来选择一个分类器。我们会在后面专门讲述常用的方法。选定方法之后，在训练集上为每个类别构建分类器，然后把分类器应用于测试集上，得到分类结果。 3. 效果评估（Classifier Evaluation） 在分类过程完成之后，需要对分类效果进行评估。评估过程应用于测试集（而不是训练集）上的文本分类结果，常用的评估标准由IR领域继承而来，包括查全率、查准率、F1值等等。 1. Rocchio方法 每一类确定一个中心点（centroid），计算待分类的文档与各类代表元间的距离，并作为判定是否属于该类的判据。Rocchio方法的特点是容易实现，效率高。缺点是受文本集分布的影响，比如计算出的中心点可能落在相应的类别之外。 2. 朴素贝叶斯（naïve bayes）方法 将概率论模型应用于文档自动分类，是一种简单有效的分类方法。使用贝叶斯公式，通过先验概率和类别的条件概率来估计文档对某一类别的后验概率，以此实现对此文档所属类别的判断。 3. K近邻(K-Nearest Neightbers, KNN)方法 从训练集中找出与待分类文档最近的k个邻居（文档），根据这k个邻居的类别来决定待分类文档的类别。KNN方法的优点是不需要特征选取和训练，很容易处理类别数目多的情况，缺点之一是空间复杂度高。KNN方法得到的分类器是非线性分类器。 4. 支持向量机（SVM）方法 对于某个类别，找出一个分类面，使得这个类别的正例和反例落在这个分类面的两侧，而且这个分类面满足：到最近的正例和反例的距离相等，而且是所有分类面中与正例（或反例）距离最大的一个分类面。SVM方法的优点是使用很少的训练集，计算量小；缺点是太依赖于分类面附近的正例和反例的位置，具有较大的偏执。 文本聚类过程可以分为3个步骤： 1. 文本表示（Text Representation） 把文档表示成聚类算法可以处理的形式。所采用的技术请参见文本分类部分。 2. 聚类算法选择或设计（Clustering Algorithms） 算法的选择，往往伴随着相似度计算方法的选择。在文本挖掘中，最常用的相似度计算方法是余弦相似度。聚类算法有很多种，但是没有一个通用的算法可以解决所有的聚类问题。因此，需要认真研究要解决的问题的特点，以选择合适的算法。后面会有对各种文本聚类算法的介绍。 3. 聚类评估（Clustering Evaluation） 选择人工已经分好类或者做好标记的文档集合作为测试集合，聚类结束后，将聚类结果与已有的人工分类结果进行比较。常用评测指标也是查全率、查准率及F1值。 1．层次聚类方法 层次聚类可以分为两种：凝聚（agglomerative）层次聚类和划分（divisive）层次聚类。凝聚方法把每个文本作为一个初始簇，经过不断的合并过程，最后成为一个簇。划分方法的过程正好与之相反。层次聚类可以得到层次化的聚类结果，但是计算复杂度比较高，不能处理大量的文档。 2．划分方法 k-means算法是最常见的划分方法。给定簇的个数k，选定k个文本分别作为k个初始簇，将其他的文本加入最近的簇中，并更新簇的中心点，然后再根据新的中心点对文本重新划分；当簇不再变化时或经过一定次数的迭代之后，算法停止。k-means算法复杂度低，而且容易实现，但是对例外和噪声文本比较敏感。另外一个问题是，没有一个好的办法确定k的取值。 3．基于密度的方法 为了发现任意形状的聚类结果，提出了基于密度的方法。这类方法将簇看作是数据空间中被低密度区域分割开的高密度区域。常见的基于密度的方法有DBSCAN, OPTICS, DENCLUE等等。 4．神经网络方法 神经网络方法将每个簇描述为一个标本，标本作为聚类的"原型"，不一定对应一个特定的数据,根据某些距离度量，新的对象被分配到与其最相似的簇中。比较著名的神经网络聚类算法有:竞争学习（competitive learing）和自组织特征映射（self-organizing map）[Kohonen, 1990]。神经网络的聚类方法需要较长的处理时间和复杂的数据复杂性，所以不适用于大型数据的聚类。

1、稠密，每个区间里都有有理数，所以工人在任意一段时间内都会有在岗位上的时间里。2、零测集，区间长度是容易描述的，测度则是用来描述一些可以测量的集合的长度，而所有有理数组成的总长度是0，也就是工人的工作总时长=0。综上，狄利克雷工时制下的工人几乎无时无刻不在岗位上，但总的工作长度却是0。狄利克雷过程的特点：狄利克雷过程作为贝叶斯决策理论中的先验概率，被广泛应用于非参数统计中。其后验概率依然为狄利克雷过程。像高斯过程一样（这是另一个有名的随机过程，用在贝叶斯回归中，可参考机器学习中的高斯过程），它的有限维边缘分布是高斯分布。从Dirichlet过程中抽取的分布是离散的，但无法使用有限个参数描述，因此它被归为非参数模型。虽然DP是一个无限混合模型，但是可以证明，随着数据的增多，模型的个数是呈现log 增加的，即模型的个数的增长是比数据的增长要缓慢得多的。

拉普拉斯方程表示液面曲率与液体压力之间的关系的公式。一个弯曲的表面称为曲面，通常用相应的两个曲率半径来描述曲面，即在曲面上某点作垂直于表面的直线，再通过此线作一平面，此平面与曲面的截线为曲线，在该点与曲线相重合的圆半径称为该曲线的曲率半径r1。通过表面垂线并垂直于第一个平面再作第二个平面并与曲面相交，可得到第二条截线和它的曲率半径r2，用r1与r2可表示出液体表面的弯曲情况。若液面是弯曲的，液体内部的压力p1与液体外的压力p2就会不同，在液面两边就会产生压力差△p=p1-p2，其数值与液面曲率大小有关，可表示为：　　在数理方程中，拉普拉斯方程为：△u=d^2u/dx^2+d^2u/dy^2=0，其中△为拉普拉斯算子，此处的拉普拉斯方程为二阶偏微分方程。三维情况下，拉普拉斯方程可由下面的形式描述，问题归结为求解对实自变量x、y、z二阶可微的实函数φ：　　上面的方程常常简写作：　　或　　其中div表示矢量场的散度（结果是一个标量场），grad表示标量场的梯度（结果是一个矢量场），或者简写作：　　其中δ称为拉普拉斯算子.　　拉普拉斯方程的解称为调和函数。　　如果等号右边是一个给定的函数f(x,y,z)，即：　　则该方程称为泊松方程。拉普拉斯方程和泊松方程是最简单的椭圆型偏微分方程。偏微分算子或δ（可以在任意维空间中定义这样的算子）称为拉普拉斯算子，英文是laplaceoperator或简称作laplacian。　　拉普拉斯方程的狄利克雷问题可归结为求解在区域d内定义的函数φ，使得在d的边界上等于某给定的函数。为方便叙述，以下采用拉普拉斯算子应用的其中一个例子——热传导问题作为背景进行介绍：固定区域边界上的温度（是边界上各点位置坐标的函数），直到区域内部热传导使温度分布达到稳定，这个温度分布场就是相应的狄利克雷问题的解。　　拉普拉斯方程的诺伊曼边界条件不直接给出区域d边界处的温度函数φ本身，而是φ沿d的边界法向的导数。从物理的角度看，这种边界条件给出的是矢量场的势分布在区域边界处的已知效果（对热传导问题而言，这种效果便是边界热流密度）。　　拉普拉斯方程的解称为调和函数，此函数在方程成立的区域内是解析的。任意两个函数，如果它们都满足拉普拉斯方程（或任意线性微分方程），这两个函数之和（或任意形式的线性组合）同样满足前述方程。这种非常有用的性质称为叠加原理。可以根据该原理将复杂问题的已知简单特解组合起来，构造适用面更广的通解。　　在流场中的应用　　设u、v分别为满足定常、不可压缩和无旋条件的流体速度场的x和y方向分量（这里仅考虑二维流场），那么不可压缩条件为：　　无旋条件为：　　若定义一个标量函数ψ，使其微分满足：　　那么不可压缩条件便是上述微分式的可积条件。积分的结果函数ψ称为流函数，因为它在同一条流线上各点的值是相同的。ψ的一阶偏导为：　　无旋条件即令ψ满足拉普拉斯方程。ψ的共轭调和函数称为速度势。柯西-黎曼方程要求　　所以每一个解析函数都对应着平面内的一个定常不可压缩无旋流场。解析函数的实部为速度势函数，虚部为流函数。

不介意的话你可以找4、5年级的奥数书（个人推荐举一反三）来看看，那里有介绍。

Γ（x）=∫e^（-t）t^（x-1）dt伽玛函数（Gamma Function）作为阶乘的延拓，是定义在复数范围内的亚纯函数，通常写成Γ（x）。与之有密切联系的函数是贝塔函数，也叫第一类欧拉积分，可以用来快速计算同伽马函数形式相类似的积分。我们使用了伽马函数，定义出了很多概率的分布，如Beta分布，卡方分布，狄利克雷分布和学生t分布等等。对于研究人员来说，伽马函数是是他们用的最普遍使用的功能。对于数据科学家而言，是生成统计模型和研究排队模型最好的方法。因此，伽马函数学好了还是挺关键的。Γ(x)伽马函数公式的过程是当z为自然数的时候，Γ(z+1) = z，而且我们从这个公式可以看出它是一直在递增的，因此，我们可以让它和阶乘建立起联系，自然对数e表示的非常好，我们用洛必达法则，就可以说明它是收敛的，因为e^-x的值是要比x^z的值下降得很快。伽马函数已经有300多年的历史了，而且是在欧拉64岁失明后创作的，是值得我们信任的人。希望我的回答能帮到你。

第五题

傅里叶展开式是指用三角级数表示的形式，即一个函数的傅里叶级数在它收敛于此函数本身时的一种称呼。若函数f(x)的傅里叶级数处处收敛于f(x)，则此级数称为f(x)的傅里叶展开式。在工程应用中，一般假定傅里叶级数除了在不连续点以外处处收敛，原因是工程上遇到的函数比数学家提供的这个假定的反例表现更加良好。特别地，傅里叶级数绝对收敛且一致收敛于s(x)，只要在s(x)的导数（或许不会处处存在）是平方可积的。如果一个函数在区间[x0,x0+P]上是平方可积的，那么此傅里叶级数在几乎所有点都收敛于该函数。傅里叶级数的收敛性取决于函数有限数量的极大值和极小值，这就是通常称为傅里叶级数的狄利克雷条件。对于广义函数或分布也可以用范数或弱收敛定义傅里叶系数。

由于质数有无穷多个要证 p1^r1*p2^r2*.....-1(r1...rk>=1,rk+1>=0)能够表征的质数仍为无限个观察上式 的构型为(p1*p2*..pk)n-1 n为正整数 即证 mn-1型的质数有无穷多个(m为偶数) 假设仅能表征x个质数 mnx-1=p由于质数分布的不确定性对任意一个质数p1均存在另一个质数p2使得(p1+1)|(p2+1)故存在c使得c(p+1)-1为质数 即 cmnx-1为质数 矛盾所以(p1*p2*..pk)n-1表征的质数有无穷多个又由于p1^r1*p2^r2*.....+1(r1...rk>=1,rk+1>=0)与 p1,p2....皆互素令p=p1^r1*....中的质数则可知 p有无穷多个综上命题得证

微分方程的解通常是一个函数表达式y=f(x),（含一个或多个待定常数，由初始条件确定）。例如：其解为：其中C是待定常数；如果知道则可推出C=1，而可知 y=-cos x+1。一阶线性常微分方程对于一阶线性常微分方程，常用的方法是常数变易法：对于方程：y"+p(x)y+q(x)=0，可知其通解：然后将这个通解代回到原式中，即可求出C(x)的值。二阶常系数齐次常微分方程对于二阶常系数齐次常微分方程，常用方法是求出其特征方程的解对于方程：可知其通解：其特征方程：根据其特征方程，判断根的分布情况，然后得到方程的通解一般的通解形式为：若则有若则有在共轭复数根的情况下：r=α±βi扩展资料一阶微分方程的普遍形式一般形式：F（x,y,y"）=0标准形式：y"=f(x,y)主要的一阶微分方程的具体形式约束条件微分方程的约束条件是指其解需符合的条件，依常微分方程及偏微分方程的不同，有不同的约束条件。常微分方程常见的约束条件是函数在特定点的值，若是高阶的微分方程，会加上其各阶导数的值，有这类约束条件的常微分方程称为初值问题。若是二阶的常微分方程，也可能会指定函数在二个特定点的值，此时的问题即为边界值问题。若边界条件指定二点数值，称为狄利克雷边界条件（第一类边值条件），此外也有指定二个特定点上导数的边界条件，称为诺伊曼边界条件（第二类边值条件）等。偏微分方程常见的问题以边界值问题为主，不过边界条件则是指定一特定超曲面的值或导数需符定特定条件。唯一性存在性是指给定一微分方程及约束条件，判断其解是否存在。唯一性是指在上述条件下，是否只存在一个解。针对常微分方程的初值问题，皮亚诺存在性定理可判别解的存在性，柯西-利普希茨定理 [4]  则可以判别解的存在性及唯一性。针对偏微分方程，柯西-克瓦列夫斯基定理可以判别解的存在性及唯一性。 皮亚诺存在性定理可以判断常微分方程初值问题的解是否存在。参考资料来源：百度百科-常微分方程参考资料来源：百度百科-微分方程

　　你可能打错字了.是维尔斯特拉斯　　卡尔·特奥多尔·威廉·魏尔施特拉斯（Karl Theodor Wilhelm Weierstraß，姓氏可写作Weierstrass，1815年10月31日——1897年2月19日），德国数学家，被誉为“现代分析之父”。生于威斯特法伦(Westfalen)的奥斯滕费尔德(Ostenfelde)（今德国），逝于柏林。　　卡尔·魏尔施特拉斯的父亲是威廉·魏尔施特拉斯(Wilhem Weierstrass)，任政府官员；母亲是特奥多拉·冯德福斯特(Theodora Vonderforst)。他在文理中学(Gymnasium)学习时对数学开始感到兴趣，但他中学毕业后进入波恩大学准备在政府谋职。他要学习的是法律、经济和金融，违背了他读数学的心愿。他解决矛盾的方法是不留心于指定课业，私下继续自学数学，结果他没有学位就离开了大学。他父亲在明斯特一家师训学校为他找到一个位子，他之后也得以注册为该市教师。他在这段学习中上了克里斯托夫·古德曼(Christoph Gudermann)的课，对椭圆函数萌生兴趣。　　1850年后魏尔施特拉斯患病了很久，但仍然发表论文，这些论文使他获得声誉。1857年柏林大学给予他一个数学教席。　　1854年，他发表了一本关於发展阿贝尔（Abel）函数论成果的专论——《关於阿贝尔函数论》公诸於世之后，根据他的学术成就，哥尼斯堡大学授予他名誉博士学位。1856年由库默尔推荐成为柏林大学（Freie Universität Berlin）助理教授，1865年晋升为教授。生前，他的研究结果大都是向学生讲授传播的。1886年，他出版了《函数论论文集》。虽然他的著作不多，但却发表了最有影响的论文。　　维尔斯特拉斯的主要贡献在数学分析、解析函数论、变分法、微分几何学和缐性代数等方面。他是把严格的论证引进分析学的一位大师。他的批判精神对19世纪数学产生很大影响。他在严格的逻辑基础上建立了实数理论，用单调有界序列来定义无理数，给出了数集的上、下极限，极限点和连续函数等严格定义，还在1861年构造了一个著名的处处不可微的连续函数，为分析学的算术化做出重要贡献。他完成了由柯西（Cauchy）引进的用不等式描述的极限定义（所谓ε-δ定义）。在解析函数论中，维尔斯特拉斯也有重要贡献。他建立了解析函数的幂级数展开定理和多元解析函数基本理论，得到代数函数论及阿贝尔积分中的某些结果。在变分法中，他给出了带有参数的函数的变分结构，研究了变分问题的间断解。在微分几何中，他研究了测地缐和最小曲面。在缐性代数中，建立了初等因子理论并用来化简矩阵。他还是一位杰出的教育家，一生培养了大批有成就的数学人才，其中著名的有柯瓦列夫斯卡娅、施瓦兹、米塔—列夫勒、朔特基、富克斯等　　少年数学天才　　1826年9月17日，在德国汉诺威的布列斯伦茨，黎曼（1826-1866）出生在一个乡下牧师之家，是6个孩子中的次子。　　黎曼从小酷爱数学。他6岁时开始学习算术，并显现出他的数学天才。他不仅能解决所有留给他的数学问题，而且还经常提一些问题来捉弄他的兄弟姐妹。10岁时他跟一位职业教师学习高级算数和几何，很快便超过了老师，常常对一些问题能做出更好的答案。　　黎曼14岁时到汉诺威市上中学。由于经济拮据，他总是靠步行奔波于汉诺威市与乡间小村庄之间。当然他更没钱去买参考书。幸运的是中学校长及时地发现了他的数学才能，考虑到他经济上的困难，校长特许黎曼可以从自己私人藏书室里借阅数学书籍。在校长的推荐下，黎曼借了一部数学家勒让德的《数论》，这是一部共859页的4大本的名著。黎曼十分珍惜这种读书机会，他如饥似渴地自学起来，6天之后，黎曼便学完并归还了这本书。校长问他：“你读了多少？”黎曼说：“这是一本了不起的书，我已经掌握了它。”几个月之后，校长就这本书的内容考他。黎曼对答如流，并且回答得很全面。利用校长的藏书，黎曼还抓紧时间很快地自学了大数学家欧拉的著作，由此掌握了微积分及其分支。黎曼不仅从欧拉的著作中学到了数学知识，还学到了欧拉研究数学的技巧。　　大学生涯　　19岁时，黎曼进入格丁根大学学习，为了在经济上帮助家庭以尽快找到一个有报酬的工作，他先攻读哲学和神学，但是，除了这两门课程以外，他也去听数学、物理学课程。他听了斯特恩关于方程论和定积分、高斯关于最小二乘法以及戈尔德斯米特关于地磁学的数学讲座，对数学专业产生了难以割舍的兴趣。　　黎曼向父亲讲述了这一切，请求允许自己改学数学专业。父亲由衷地同意了他的请求。黎曼极为高兴，并深深地感激父亲。　　1847年，为了师从更多的大师，黎曼转学到柏林大学，就学于大数学家雅可比、狄利克雷、斯泰纳和艾森斯坦门下。他从雅可比那里学到高等力学和高等代数，从狄利克雷那里学到数论和分析学，从斯泰纳那里学到现代几何，从文森斯坦那里学到椭圆函数论。　　在此期间，他极为勤奋，甚至放假期间也不休息。1847年秋假，黎曼找到几份巴黎科学院《院刊》，上面载有数学家柯西新发表的关于单复变量解析函数的论文，他一眼便看出这是一种新数学理论，于是一连几个星期闭门不出，潜心研究柯西的论文，并酝酿出他在这个专题上的新见解，为4年后撰写博士论文“单复变量函数的一般理论的基础”奠定了基础。　　黎曼不仅认真研读大师的学术专著，而且虚心地向大师求教。有一次，狄利克雷来格丁根度假，黎曼趁此机会向他求教数学问题，并将自己未定稿论文交给他，请他提意见。狄利克雷被黎曼的谦虚、真诚和天才迷住了。他与黎曼长谈了两个小时，给黎曼的论文提了不少意见，给黎曼正在研究的课题作了许多指点。黎曼深感受益匪浅，他说没有狄利克雷的指点，他将不得不在图书馆里做好几天的吃力研究。　　生活虽然清贫，但学习极为勤勉，这使得黎曼在大学毕业时获得了丰硕的成果。1851年底，黎曼将其博士论文呈交给大数学家高斯审阅。高斯在看了论文之后兴奋不已，对黎曼的论文作出了高度评价，这对高斯来说是罕见的。高斯评语道：“黎曼先生交来的论文提供了令人信服的证据，说明作者对该文所论述的这一问题作了全面深入的研究，说明作者具有创造性的、活跃的、真正的数学头脑，具有灿烂丰富的创造力。”　　贫困中奋进　　1852年初，黎曼凭借优异的学术表现取得了博士学位，并留在了格丁根大学。十九世纪中叶的德国，科学几乎与国家的经济全然无关。大学的设立仅在训练律师、医师、教师和传教士士，以及提供贵族子弟和富家子弟渡过引人侧目及受尊敬的岁月的场所。只有正教授才可以领政府的津贴，并且可教授正规标准课程，这些课程都是一些基础科目，上课的学生多，因此教授收到的学费也就多了，这就是为什么当时课程水准低落的原因，因为如果课程太难，就没有办法收到许多学生，从而影响到教授们的收入，毕竟贵族子弟和富家子弟上大学的目的并非真心向学。讲师们则没有政府津贴并且轮不到教基本正规课程的机会，全然靠来听课的学生的学费维生，通常，听课的学生不会多，因此收入也就相当微薄，生活非常困苦。担任讲师是成为正教授的必经途径。但是却没有明文规定什么时候能将一位讲师升等为教授，为了照顾特别值得重视的学者而却没有正教授的空缺时，政府可任命他为“客座教授”，使他具有教基本正规课程的资格，增多他的收入，但是这个任命附有条件，言明政府不付任何津贴。因此，在担任讲师期间，黎曼没有任何自主的生活费来源，生活依旧贫穷。　　但黎曼不顾生活上的贫困，仍然把全部精力投向数学。他认为只要能够勉强维持生活，能够让他研究数学，他就心满意足了。他从不因经济上的拈据而感到沮丧。他一方面积极准备“无薪讲师”的就职演讲论文，另一方面认真从事数学物理方面的研究工作。他的就职论文具有相当的难度。当初为了确定论文的选题，他向高斯提交了3个题目，以便让高斯在其中选定一个。其中第3个题目是涉及几何基础的，这个题目黎曼当时并没有多少案头准备工作，因此黎曼从心底里希望高斯不要选中它。可是，高斯对第3个题目却深有研究，他已思考这个问题达60年之久。出于想看看黎曼对这个深奥的问题会做些什么样的创造性工作，高斯指定第3个题目作为黎曼就职演讲论文的题目。　　事后，黎曼在向父亲谈起这件事时说，“所以我又处在绝境中了”、“我不得不做出这个题目”。　　对数学物理研究，黎曼也具有无限的热情，他当时曾对人说：“我对于把一切与物理规律结合起来的数学研究非常入迷。”“我通过对电、光、磁等之间联系的总研究，发现了对这个现象的解释。这件事对我很重要，因为这是我第一次能够把我的工作应用到未知的现象上。”这两项研究在当时都是高水平的，因而也是极困难的。黎曼不顾生活清贫、营养不良，超负荷地忘我工作，长时期过四度而紧张地思索，以致他常常体力衰竭，甚至病倒。一旦身体稍有复原，他又继续研究。功夫不负有心人。1854年6月10日，黎曼以“关于构成几何基础的假设”论文作了就职演讲，受到了与会数学家们的认可和好评。高斯听完之后大为惊异，感到这个年轻人处理这个难题非常之好，他赞不绝口。黎曼的这篇论文被人们认为是19世纪数学史上的杰作之一。　　1855年格丁根大学开始给黎曼发薪金，但相当的低。一年仅相当于200美元。这一年黎曼29岁，他家里遭到巨大的不幸，父亲和一个妹妹相继去世，原来依靠父亲生活的3个妹妹失去了生活来源。于是黎曼和他的哥哥两人挑起了照顾3个妹妹生活的担子。黎曼时时为一家人的生活感到焦虑。1857年黎曼一年的薪金被加到相当于300美元的水平。由于收入不多，又要照顾3个妹妹，生活担子重，黎曼连自己的婚姻大事都不敢考虑。然而就在这一年，不幸又从天而降，黎曼的哥哥又去世了。这对黎曼来说如同雪上加霜，照料3个妹妹生活的担子全部落在他一人的肩上。从1855年到1859年这5年中，经济拮据、生活清贫一直困绕着黎曼，有时一家甚至陷入对口粮都需要算计的地步。就是在这种情况下，黎曼仍不顾物质生活的贫乏，全身心地投入到数学研究工作之中，在科学的崎岖小道上艰苦奋斗，并获得了令人惊异的成就。他在数学上的许多重要成果都是在这个时期内完成的。他对阿贝尔积分和阿贝尔函数的研究，开创了现代代数几何；他首创用复解析函数研究数论问题，开创了现代意义的解析数论；他对超几何级数的研究，推动了数学物理和微分方程理论的发展。随着研究成果的问世，黎曼在数学界的学术声望迅速提高。他受到许多世界著名数学家的赞扬，获得了一个科学家通常可能得到的最高荣誉。　　大师之死　　1859年黎曼33岁时，高斯去世。他被任命为格丁根大学正教授，成为继狄利克雷之后高斯的第二个继任者。这时黎曼的生活才开始得到改善，才开始考虑个人的婚姻问题，并在36岁时与朋友的妹妹结了婚。一年后，他的女儿出生在比萨。　　但是，长时期清贫的生活、过度的操劳、发奋的研究，使得黎曼身体虚弱、精力衰竭。1862年黎曼患了胸膜炎，不久又患了肺病，一年后又患了黄疽病。在病魔缠身之际，只要有一些力气，黎曼仍坚持数学研究工作。虽然这个时期黎曼积极就医和疗养，但因病入膏盲终无疗效。1866年7月20日，黎曼那颗纯洁、高尚的心停止了跳动。他过早地离开了人世，也过早地离开了数学，终年仅40岁。　　黎曼是数学史上最具独创性精神的数学家之一，他在众多的数学领域里作出了许多奠基性和创造性的研究工作：他从几何方向开创了复变函数论；是现代意义的解析数论的奠基者；他亲手建立了黎曼几何，是组合拓扑学的开拓者。他对微积分的严格处理作出了重要贡献；在数学物理和微分方程等领域内也成果丰硕。1859年，黎曼被选为柏林科学院通讯院士，1866年他被选为法国巴黎科学院通讯院士和英国皇家学会国外会员。　　黎曼的英年早逝是德国数学界乃至全世界数学界的遗憾！但是他所留给数学界的，在他少量的已出版的论文集中，已有太多的丰富的概念，至今还未被后世数学家研究殆尽。　　高斯　　包含人物[1]和物理单位[2]　　[1]人物：　　卡尔.弗里德里希.高斯（Carl Friedrich Gauß,1777.4.30～1855.2.23），德国数学家、物理学家和天文学家，出生于德国布伦兹维克的一个贫苦家庭。父亲格尔恰尔德·迪德里赫先后当过护堤工、泥瓦匠和园丁，第一个妻子和他生活了10多年后因病去世，没有为他留下孩子。迪德里赫后来娶了罗捷雅，第二年他们的孩子高斯出生了，这是他们唯一的孩子。父亲对高斯要求极为严厉，甚至有些过分，常常喜欢凭自己的经验为年幼的高斯规划人生。高斯尊重他的父亲，并且秉承了其父诚实、谨慎的性格。1806年迪德里赫逝世，此时高斯已经做出了许多划时代的成就。　　在成长过程中，幼年的高斯主要是力于母亲和舅舅。高斯的外祖父是一位石匠，30岁那年死于肺结核，留下了两个孩子：高斯的母亲罗捷雅、舅舅弗利德里希（Friederich）。弗利德里希富有智慧，为人热情而又聪明能干投身于纺织贸易颇有成就。他发现姐姐的儿子聪明伶利，因此他就把一部分精力花在这位小天才身上，用生动活泼的方式开发高斯的智力。若干年后，已成年并成就显赫的高斯回想起舅舅为他所做的一切，深感对他成才之重要，他想到舅舅多产的思想，不无伤感地说，舅舅去世使“我们失去了一位天才”。正是由于弗利德里希慧眼识英才，经常劝导姐夫让孩子向学者方面发展，才使得高斯没有成为园丁或者泥瓦匠。　　在数学史上，很少有人象高斯一样很幸运地有一位鼎力支持他成才的母亲。罗捷雅直到34岁才出嫁，生下高斯时已有35岁了。他性格坚强、聪明贤慧、富有幽默感。高斯一生下来，就对一切现象和事物十分好奇，而且决心弄个水落石出，这已经超出了一个孩子能被许可的范围。当丈夫为此训斥孩子时，他总是支持高斯，坚决反对顽固的丈夫想把儿子变得跟他一样无知。　　罗捷雅真诚地希望儿子能干出一番伟大的事业，对高斯的才华极为珍视。然而，他也不敢轻易地让儿子投入当时尚不能养家糊口的数学研究中。在高斯19岁那年，尽管他已做出了许多伟大的数学成就，但她仍向数学界的朋友W.波尔约（W.Bolyai,非欧几何创立者之一J.波尔约之父）问道：高斯将来会有出息吗？W.波尔约说她的儿子将是“欧洲最伟大的数学家”，为此她激动得热泪盈眶。　　7岁那年，高斯第一次上学了。头两年没有什么特殊的事情。1787年高斯10岁，他进入了学习数学的班次，这是一个首次创办的班，孩子们在这之前都没有听说过算术这么一门课程。数学教师是布特纳（Buttner），他对高斯的成长也起了一定作用。　　在全世界广为流传的一则故事说，高斯最出名的故事就是他十岁时，小学老师出了一道算术难题：“计算1＋2＋3…＋100＝？” 。这可难为初学算术的学生，但是高斯却在几秒后将答案解了出来，他利用算术级数（等差级数）的对称性，然后就像求得一般算术级数和的过程一样，把数目一对对的凑在一起：1＋100，2＋ 99，3＋98，……49＋52，50＋51 而这样的组合有50组，所以答案很快的就可以求出是： 101×50＝5050。不过，这很可能是一个不真实的传说。据对高斯素有研究的著名数学史家E·T·贝尔（E.T.Bell）考证，布特纳当时给孩子们出的是一道更难的加法题：81297+81495+81693+…+100899。　　当然，这也是一个等差数列的求和问题（公差为198，项数为100）。当布特纳刚一写完时，高斯也算完并把写有答案的小石板交了上去。E·T·贝尔写道，高斯晚年经常喜欢向人们谈论这件事，说当时只有他写的答案是正确的，而其他的孩子们都错了。高斯没有明确地讲过，他是用什么方法那么快就解决了这个问题。数学史家们倾向于认为，高斯当时已掌握了等差数列求和的方法。一位年仅10岁的孩子，能独立发现这一数学方法实属很不平常。贝尔根据高斯本人晚年的说法而叙述的史实，应该是比较可信的。而且，这更能反映高斯从小就注意把握更本质的数学方法这一特点。　　高斯的计算能力，更主要地是高斯独到的数学方法、非同一般的创造力，使布特纳对他刮目相看。他特意从汉堡买了最好的算术书送给高斯，说：“你已经超过了我，我没有什么东西可以教你了。”接着，高斯与布特纳的助手巴特尔斯(J.M.Bartels)建立了真诚的友谊，直到巴特尔斯逝世。他们一起学习，互相帮助，高斯由此开始了真正的数学研究。　　1788年，11岁的高斯进入了文科学校，他在新的学校里，所有的功课都极好，特别是古典文学、数学尤为突出。经过巴特尔斯等人的引荐，布伦兹维克公爵召见了14岁的高斯。这位朴实、聪明但家境贫寒的孩子赢得了公爵的同情，公爵慷慨地提出愿意作高斯的资助人，让他继续学习。　　布伦兹维克公爵在高斯的成才过程中起了举足轻重的作用。不仅如此，这种作用实际上反映了欧洲近代科学发展的一种模式，表明在科学研究社会化以前，私人的资助是科学发展的重要推动因素之一。高斯正处于私人资助科学研究与科学研究社会化的转变时期。　　1792年，高斯进入布伦兹维克的卡罗琳学院继续学习。1795年，公爵又为他支付各种费用，送他入德国著名的哥丁根大学，这样就使得高斯得以按照自己的理想，勤奋地学习和开始进行创造性的研究。1799年，高斯完成了博士论文，回到家乡布伦兹维克，正当他为自己的前途、生计担忧而病倒时----虽然他的博士论文顺利通过了，已被授予博士学位，同时获得了讲师职位，但他没有能成功地吸引学生，因此只能回老家，又是公爵伸手救援他。公爵为高斯付诸了长篇博士论文的印刷费用，送给他一幢公寓，又为他印刷了《算术研究》，使该书得以在1801年问世；还负担了高斯的所有生活费用。所有这一切，令高斯十分感动。他在博士论文和《算术研究》中，写下了情真意切的献词：“献给大公”，“你的仁慈，将我从所有烦恼中解放出来，使我能从事这种独特的研究”。　　1806年，公爵在抵抗拿破仑统帅的法军时不幸阵亡，这给高斯以沉重打击。他悲痛欲绝，长时间对法国人有一种深深的敌意。大公的去世给高斯带来了经济上的拮据，德国处于法军奴役下的不幸，以及第一个妻子的逝世，这一切使得高斯有些心灰意冷，但他是位刚强的汉子，从不向他人透露自己的窘况，也不让朋友安慰自己的不幸。人们只是在19世纪整理他的未公布于众的数学手稿时才得知他那时的心态。在一篇讨论椭圆函数的手搞中，突然插入了一段细微的铅笔字：“对我来说，死去也比这样的生活更好受些。”　　慷慨、仁慈的资助人去世了，因此高斯必须找一份合适的工作，以维持一家人的生计。由于高斯在天文学、数学方面的杰出工作，他的名声从1802年起就已开始传遍欧洲。彼得堡科学院不断暗示他，自从1783年欧拉去世后，欧拉在彼得堡科学院的位置一直在等待着象高斯这样的天才。公爵在世时坚决劝阻高斯去俄国，他甚至愿意给高斯增加薪金，为他建立天文台。现在，高斯又在他的生活中面临着新的选择。　　为了不使德国失去最伟大的天才，德国著名学者洪堡（B.A.Von Humboldt）联合其他学者和政界人物，为高斯争取到了享有特权的哥丁根大学数学和天文学教授，以及哥丁根天文台台长的职位。1807年，高斯赴哥丁根就职，全家迁居于此。从这时起，除了一次到柏林去参加科学会议以外，他一直住在哥丁根。洪堡等人的努力，不仅使得高斯一家人有了舒适的生活环境，高斯本人可以充分发挥其天才，而且为哥丁根数学学派的创立、德国成为世界科学中心和数学中心创造了条件。同时，这也标志着科学研究社会化的一个良好开端。　　高斯的学术地位，历来为人们推崇得很高。他有“数学王子”、“数学家之王”的美称、被认为是人类有史以来“最伟大的三位（或四位）数学家之一”（阿基米德、牛顿、高斯或加上欧拉）。人们还称赞高斯是“人类的骄傲”。天才、早熟、高产、创造力不衰、……，人类智力领域的几乎所有褒奖之词，对于高斯都不过份。　　高斯的研究领域，遍及纯粹数学和应用数学的各个领域，并且开辟了许多新的数学领域，从最抽象的代数数论到内蕴几何学，都留下了他的足迹。从研究风格、方法乃至所取得的具体成就方面，他都是18----19世纪之交的中坚人物。如果我们把18世纪的数学家想象为一系列的高山峻岭，那么最后一个令人肃然起敬的巅峰就是高斯；如果把19世纪的数学家想象为一条条江河，那么其源头就是高斯。　　虽然数学研究、科学工作在18世纪末仍然没有成为令人羡慕的职业，但高斯依然生逢其时，因为在他快步入而立之年之际，欧洲资本主义的发展，使各国政府都开始重视科学研究。随着拿破仑对法国科学家、科学研究的重视，俄国的沙皇以及欧洲的许多君主也开始对科学家、科学研究刮目相看，科学研究的社会化进程不断加快，科学的地位不断提高。作为当时最伟大的科学家，高斯获得了不少的荣誉，许多世界著名的科学泰斗都把高斯当作自己的老师。　　1802年，高斯被俄国彼得堡科学院选为通讯院士、喀山大学教授；1877年，丹麦政府任命他为科学顾问，这一年，德国汉诺威政府也聘请他担任政府科学顾问。　　高斯的一生，是典型的学者的一生。他始终保持着农家的俭朴，使人难以想象他是一位大教授，世界上最伟大的数学家。他先后结过两次婚，几个孩子曾使他颇为恼火。不过，这些对他的科学创造影响不太大。在获得崇高声誉、德国数学开始主宰世界之时，一代天骄走完了生命旅程。　　在处理相片的软件 photoshop 中,有一种菜单叫高斯模糊,这种功能对模糊一些不必要的地方很有作用。高斯(Gauss 1777~1855)生於Brunswick，位於现在德国中北部。他的祖父是农民，父亲是泥水匠，母亲是一个石匠的女儿，有一个很聪明的弟弟，高斯这位舅舅，对小高斯很照顾，偶而会给他一些指导，而父亲可以说是一名「大老粗」，认为只有力气能挣钱，学问这种劳什子对穷人是没有用的。　　高斯很早就展现过人才华，三岁时就能指出父亲帐册上的错误。七岁时进了小学，在破旧的教室里上课，老师对学生并不好，常认为自己在穷乡僻壤教书是怀才不遇。高斯十岁时，老师考了那道著名的「从一加到一百」，终於发现了高斯的才华，他知道自己的能力不足以教高斯，就从汉堡买了一本较深的数学书给高斯读。同时，高斯和大他差不多十岁的助教Bartels变得很熟，而Bartels的能力也比老师高得多，后来成为大学教授，他教了高斯更多更深的数学。　　老师和助教去拜访高斯的父亲，要他让高斯接受更高的教育，但高斯的父亲认为儿子应该像他一样，作个泥水匠，而且也没有钱让高斯继续读书，最后的结论是－－去找有钱有势的人当高斯的赞助人，虽然他们不知道要到哪里找。经过这次的访问，高斯免除了每天晚上织布的工作，每天和Bartels讨论数学，但不久之后，Bartels也没有什麽东西可以教高斯了。　　1788年高斯不顾父亲的反对进了高等学校。数学老师看了高斯的作业后就要他不必再上数学课，而他的拉丁文不久也凌驾全班之上。　　1791年高斯终於找到了资助人－－布伦斯维克公爵费迪南(Braunschweig)，答应尽一切可能帮助他，高斯的父亲再也没有反对的理由。隔年，高斯进入Braunschweig学院。这年，高斯十五岁。在那里，高斯开始对高等数学作研究。并且独立发现了二项式定理的一般形式、数论上的「二次互逆定理」(Law of Quadratic Reciprocity)、质数分布定理(prime numer theorem)、及算术几何平均(arithmetic-geometric mean)。　　1795年高斯进入哥廷根(G?ttingen)大学，因为他在语言和数学上都极有天分，为了将来是要专攻古典语文或数学苦恼了一阵子。到了1796年，十七岁的高斯得到了一个数学史上极重要的结果。最为人所知，也使得他走上数学之路的，就是正十七边形尺规作图之理论与方法。　　希腊时代的数学家已经知道如何用尺规作出正 2m×3n×5p 边形，其中 m 是正整数，而 n 和 p 只能是0或1。但是对於正七、九、十一边形的尺规作图法，两千年来都没有人知道。而高斯证明了：　　一个正 n 边形可以尺规作图若且唯若 n 是以下两种形式之一：　　1、n = 2k，k = 2, 3,…　　2、n = 2k × (几个不同「费马质数」的乘积)，k = 0,1,2,…　　费马质数是形如 Fk = 22k 的质数。像 F0 = 3，F1 = 5，F2 = 17，F3 = 257， F4 = 65537，都是质数。高斯用代数的方法解决二千多年来的几何难题，他也视此为生平得意之作，还交待要把正十七边形刻在他的墓碑上，但后来他的墓碑上并没有刻上十七边形，而是十七角星，因为负责刻碑的雕刻家认为，正十七边形和圆太像了，大家一定分辨不出来。　　1799年高斯提出了他的博士论文，这论文证明了代数一个重要的定理：　　任一多项式都有（复数）根。这结果称为「代数学基本定理」(Fundamental Theorem of Algebra)。　　事实上在高斯之前有许多数学家认为已给出了这个结果的证明，可是没有一个证明是严密的。高斯把前人证明的缺失一一指出来，然后提出自己的见解，他一生中一共给出了四个不同的证明。　　在1801年，高斯二十四岁时出版了《算学研究》(Disquesitiones Arithmeticae)，这本书以拉丁文写成，原来有八章，由於钱不够，只好印七章。 这本书除了第七章介绍代数基本定理外，其余都是数论，可以说是数论第一本有系统的着作，高斯第一次介绍「同余」(Congruent)的概念。「二次互逆定理」也在其中。　　二十四岁开始，高斯放弃在纯数学的研究，作了几年天文学的研究。　　当时的天文界正在为火星和木星间庞大的间隙烦恼不已，认为火星和木星间应该还有行星未被发现。在1801年，意大利的

函数极限连续1．理解函数的概念，掌握函数的表示法，会建立应用问题的函数关系．2．了解函数的有界性、单调性、周期性和奇偶性．3．理解复合函数及分段函数的概念，了解反函数及隐函数的概念．4．掌握基本初等函数的性质及其图形，了解初等函数的概念．5．理解极限的概念，理解函数左极限与右极限的概念以及函数极限存在与左极限、右极限之间的关系．6．掌握极限的性质及四则运算法则．7．掌握极限存在的两个准则，并会利用它们求极限，掌握利用两个重要极限求极限的方法．8．理解无穷小量、无穷大量的概念，掌握无穷小量的比较方法，会用等价无穷小量求极限．9．理解函数连续性的概念（含左连续与右连续），会判别函数间断点的类型．10．了解连续函数的性质和初等函数的连续性，理解闭区间上连续函数的性质（有界性、最大值和最小值定理、介值定理），并会应用这些性质．一元函数微分学考试要求1.理解导数和微分的概念，理解导数与微分的关系，理解导数的几何意义，会求平面曲线的切线方程和法线方程，了解导数的物理意义，会用导数描述一些物理量，理解函数的可导性与连续性之间的关系.2.掌握导数的四则运算法则和复合函数的求导法则，掌握基本初等函数的导数公式.了解微分的四则运算法则和一阶微分形式的不变性，会求函数的微分.3.了解高阶导数的概念，会求简单函数的高阶导数.4.会求分段函数的导数，会求隐函数和由参数方程所确定的函数以及反函数的导数.5.理解并会用罗尔(Rolle)定理、拉格朗日(Lagrange)中值定理和泰勒(Taylor)定理，了解并会用柯西(Cauchy)中值定理.6.掌握用洛必达法则求未定式极限的方法.7.理解函数的极值概念，掌握用导数判断函数的单调性和求函数极值的方法，掌握函数最大值和最小值的求法及其应用.8.会用导数判断函数图形的凹凸性(注：在区间 内，设函数 具有二阶导数。当f""(x)>0 时，f(x) 的图形是凹的;当f(x) <0时，f(x) 的图形是凸的)，会求函数图形的拐点以及水平、铅直和斜渐近线，会描绘函数的图形.9.了解曲率、曲率圆与曲率半径的概念，会计算曲率和曲率半径.一元函数积分学考试要求1.理解原函数的概念，理解不定积分和定积分的概念.2.掌握不定积分的基本公式，掌握不定积分和定积分的性质及定积分中值定理，掌握换元积分法与分部积分法.3.会求有理函数、三角函数有理式和简单无理函数的积分.4.理解积分上限的函数，会求它的导数，掌握牛顿-莱布尼茨公式.5.了解反常积分的概念，会计算反常积分.6.掌握用定积分表达和计算一些几何量与物理量(平面图形的面积、平面曲线的弧长、旋转体的体积及侧面积、平行截面面积为已知的立体体积、功、引力、压力、质心、形心等)及函数的平均值.向量代数和空间解析几何考试要求1.理解空间直角坐标系，理解向量的概念及其表示.2.掌握向量的运算(线性运算、数量积、向量积、混合积)，了解两个向量垂直、平行的条件.3.理解单位向量、方向数与方向余弦、向量的坐标表达式，掌握用坐标表达式进行向量运算的方法.4.掌握平面方程和直线方程及其求法.5.会求平面与平面、平面与直线、直线与直线之间的夹角，并会利用平面、直线的相互关系(平行、垂直、相交等)解决有关问题.6.会求点到直线以及点到平面的距离.7.了解曲面方程和空间曲线方程的概念.8.了解常用二次曲面的方程及其图形，会求简单的柱面和旋转曲面的方程.9.了解空间曲线的参数方程和一般方程.了解空间曲线在坐标平面上的投影，并会求该投影曲线的方程.多元函数微分学考试要求1.理解多元函数的概念，理解二元函数的几何意义.2.了解二元函数的极限与连续的概念以及有界闭区域上连续函数的性质.3.理解多元函数偏导数和全微分的概念，会求全微分，了解全微分存在的必要条件和充分条件，了解全微分形式的不变性.4.理解方向导数与梯度的概念，并掌握其计算方法.5.掌握多元复合函数一阶、二阶偏导数的求法.6.了解隐函数存在定理，会求多元隐函数的偏导数.7.了解空间曲线的切线和法平面及曲面的切平面和法线的概念，会求它们的方程.8.了解二元函数的二阶泰勒公式.9.理解多元函数极值和条件极值的概念，掌握多元函数极值存在的必要条件，了解二元函数极值存在的充分条件，会求二元函数的极值，会用拉格朗日乘数法求条件极值，会求简单多元函数的最大值和最小值，并会解决一些简单的应用问题.多元函数积分学考试要求1.理解二重积分、三重积分的概念，了解重积分的性质，了解二重积分的中值定理.2.掌握二重积分的计算方法(直角坐标、极坐标)，会计算三重积分(直角坐标、柱面坐标、球面坐标).3.理解两类曲线积分的概念，了解两类曲线积分的性质及两类曲线积分的关系.4.掌握计算两类曲线积分的方法.5.掌握格林公式并会运用平面曲线积分与路径无关的条件，会求二元函数全微分的原函数.6.了解两类曲面积分的概念、性质及两类曲面积分的关系，掌握计算两类曲面积分的方法，掌握用高斯公式计算曲面积分的方法，并会用斯托克斯公式计算曲线积分.7.了解散度与旋度的概念，并会计算.8.会用重积分、曲线积分及曲面积分求一些几何量与物理量(平面图形的面积、体积、曲面面积、弧长、质量、质心、、形心、转动惯量、引力、功及流量等).无穷级数考试要求1.理解常数项级数收敛、发散以及收敛级数的和的概念，掌握级数的基本性质及收敛的必要条件.2.掌握几何级数与 级数的收敛与发散的条件.3.掌握正项级数收敛性的比较判别法和比值判别法，会用根值判别法.4.掌握交错级数的莱布尼茨判别法.5. 了解任意项级数绝对收敛与条件收敛的概念以及绝对收敛与收敛的关系.6.了解函数项级数的收敛域及和函数的概念.7.理解幂级数收敛半径的概念、并掌握幂级数的收敛半径、收敛区间及收敛域的求法.8.了解幂级数在其收敛区间内的基本性质(和函数的连续性、逐项求导和逐项积分)，会求一些幂级数在收敛区间内的和函数，并会由此求出某些数项级数的和.9.了解函数展开为泰勒级数的充分必要条件.10.掌握 ， ， ， 及 的麦克劳林(Maclaurin)展开式，会用它们将一些简单函数间接展开成幂级数.11.了解傅里叶级数的概念和狄利克雷收敛定理，会将定义在 上的函数展开为傅里叶级数，会将定义在 上的函数展开为正弦级数与余弦级数，会写出傅里叶级数的和函数的表达式.常微分方程考试要求1.了解微分方程及其阶、解、通解、初始条件和特解等概念.2.掌握变量可分离的微分方程及一阶线性微分方程的解法.3.会解齐次微分方程、伯努利方程和全微分方程，会用简单的变量代换解某些微分方程.4.会用降阶法解下列形式的微分方程： .5.理解线性微分方程解的性质及解的结构.6.掌握二阶常系数齐次线性微分方程的解法，并会解某些高于二阶的常系数齐次线性微分方程.7.会解自由项为多项式、指数函数、正弦函数、余弦函数以及它们的和与积的二阶常系数非齐次线性微分方程.8.会解欧拉方程.9.会用微分方程解决一些简单的应用问题. 第一章：行列式考试内容：行列式的概念和基本性质 行列式按行（列）展开定理考试要求：1．了解行列式的概念，掌握行列式的性质．2．会应用行列式的性质和行列式按行（列）展开定理计算行列式．第二章：矩阵考试内容：矩阵的概念 矩阵的线性运算 矩阵的乘法 方阵的幂 方阵乘积的行列式 矩阵的转置 逆矩阵的概念和性质矩阵可逆的充分必要条件 伴随矩阵 矩阵的初等变换初等矩阵矩阵的秩矩阵等价 分块矩阵及其运算考试要求：1．理解矩阵的概念，了解单位矩阵、数量矩阵、对角矩阵、三角矩阵、对称矩阵和反对称矩阵以及它们的性质．2．掌握矩阵的线性运算、乘法、转置以及它们的运算规律，了解方阵的幂与方阵乘积的行列式的性质.3．理解逆矩阵的概念，掌握逆矩阵的性质以及矩阵可逆的充分必要条件，理解伴随矩阵的概念，会用伴随矩阵求逆矩阵．4．理解矩阵的初等变换的概念，了解初等矩阵的性质和矩阵等价的概念，理解矩阵的秩的概念，掌握用初等变换求矩阵的秩和逆矩阵的方法．5．了解分块矩阵及其运算．第三章：向量考试内容：向量的概念 向量的线性组合和线性表示 向量组的线性相关与线性无关 向量组的极大线性无关组等价向量组 向量组的秩 向量组的秩与矩阵的秩之间的关系 向量空间以及相关概念 n维向量空间的基变换和坐标变换 过渡矩阵 向量的内积 线性无关向量组的正交规范化方法 规范正交基 正交矩阵及其性质考试要求：1．理解n维向量、向量的线性组合与线性表示的概念．2．理解向量组线性相关、线性无关的概念，掌握向量组线性相关、线性无关的有关性质及判别法．3．理解向量组的极大线性无关组和向量组的秩的概念，会求向量组的极大线性无关组及秩．4．理解向量组等价的概念，理解矩阵的秩与其行(列)向量组的秩之间的关系5．了解n维向量空间、子空间、基底、维数、坐标等概念．6．了解基变换和坐标变换公式，会求过渡矩阵．7．了解内积的概念，掌握线性无关向量组正交规范化的施密特（Schmidt）方法．8．了解规范正交基、正交矩阵的概念以及它们的性质．第四章：线性方程组考试内容:线性方程组的克莱姆（Cramer）法则齐次线性方程组有非零解的充分必要条件非齐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 齐次线性方程组的基础解系和通解 解空间 非齐次线性方程组的通解考试要求l．会用克莱姆法则．2．理解齐次线性方程组有非零解的充分必要条件及非齐次线性方程组有解的充分必要条件．3．理解齐次线性方程组的基础解系、通解及解空间的概念，掌握齐次线性方程组的基础解系和通解的求法.4．理解非齐次线性方程组解的结构及通解的概念．5．掌握用初等行变换求解线性方程组的方法．第五章：矩阵的特征值及特征向量考试内容:矩阵的特征值和特征向量的概念、性质 相似变换、相似矩阵的概念及性质 矩阵可相似对角化的充分必要条件及相似对角矩阵 实对称矩阵的特征值、特征向量及相似对角矩阵考试要求:1．理解矩阵的特征值和特征向量的概念及性质，会求矩阵的特征值和特征向量.2．理解相似矩阵的概念、性质及矩阵可相似对角化的充分必要条件，掌握将矩阵化为相似对角矩阵的方法.3．掌握实对称矩阵的特征值和特征向量的性质．第六章：二次型考试内容：二次型及其矩阵表示 合同变换与合同矩阵二次型的秩 惯性定理 二次型的标准形和规范形 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考试要求：1．掌握二次型及其矩阵表示，了解二次型秩的概念，了解合同变化和合同矩阵的概念 了解二次型的标准形、规范形的概念以及惯性定理．2．掌握用正交变换化二次型为标准形的方法，会用配方法化二次型为标准形．3．理解正定二次型、正定矩阵的概念，并掌握其判别法 第一章：随机事件和概率考试内容：随机事件与样本空间 事件的关系与运算 完备事件组 概率的概念 概率的基本性质 古典型概率 几何型概率 条件概率 概率的基本公式 事件的独立性 独立重复试验 考试要求：1．了解样本空间(基本事件空间)的概念，理解随机事件的概念，掌握事件的关系与运算．2．理解概率、条件概率的概念，掌握概率的基本性质，会计算古典型概率和几何型概率，掌握概率的加法公式、减法公式、乘法公式、全概率公式，以及贝叶斯(Bayes)公式．3．理解事件的独立性的概念，掌握用事件独立性进行概率计算；理解独立重复试验的概念，掌握计算有关事件概率的方法．第二章：随机变量及其分布考试内容：随机变量 随机变量的分布函数的概念及其性质离散型随机变量的概率分布连续型随机变量的概率密度 常见随机变量的分布 随机变量函数的分布考试要求：1．理解随机变量的概念．理解分布函数的概念及性质．会计算与随机变量相联系的事件的概率．2．理解离散型随机变量及其概率分布的概念，掌握0－1分布、二项分布 、几何分布、超几何分布、泊松（Poisson）分布 及其应用．3.了解泊松定理的结论和应用条件，会用泊松分布近似表示二项分布.4．理解连续型随机变量及其概率密度的概念，掌握均匀分布 、正态分布 、指数分布及其应用，其中参数为λ（λ>0）的指数分布的概率密度为5．会求随机变量函数的分布．第三章：多维随机变量及其分布考试内容多维随机变量及其分布 二维离散型随机变量的概率分布、边缘分布和条件分布 二维连续型随机变量的概率密度、边缘概率密度和条件密度随机变量的独立性和不相关性 常用二维随机变量的分布 两个及两个以上随机变量简单函数的分布考试要求1．理解多维随机变量的概念，理解多维随机变量的分布的概念和性质. 理解二维离散型随机变量的概率分布、边缘分布和条件分布，理解二维连续型随机变量的概率密度、边缘密度和条件密度，会求与二维随机变量相关事件的概率．2．理解随机变量的独立性及不相关性的概念，掌握随机变量相互独立的条件.3．掌握二维均匀分布，了解二维正态分布的概率密度，理解其中参数的概率意义．4．会求两个随机变量简单函数的分布，会求多个相互独立随机变量简单函数的分布.第四章：随机变量的数字特征考试内容随机变量的数学期望（均值）、方差、标准差及其性质 随机变量函数的数学期望 矩、协方差、相关系数及其性质考试要求1．理解随机变量数字特征（数学期望、方差、标准差、矩、协方差、相关系数）的概念，会运用数字特征的基本性质，并掌握常用分布的数字特征2.会求随机变量函数的数学期望.第五章：大数定律和中心极限定理考试内容切比雪夫（Chebyshev）不等式切比雪夫大数定律伯努利（Bernoulli)大数定律辛钦（Khinchine）大数定律 棣莫弗－拉普拉斯（De Moivre－laplace）定理 列维－林德伯格（Levy-Lindberg）定理考试要求1．了解切比雪夫不等式．2．了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律(独立同分布随机变量序列的大数定律) .3．了解棣莫弗-拉普拉斯定理(二项分布以正态分布为极限分布)和列维-林德伯格定理(独立同分布随机变量序列的中心极限定理) .第六章：数理统计的基本概念考试内容总体 个体 简单随机样本 统计量 样本均值 样本方差和样本矩 分布 分布 分布 分位数 正态总体的常用抽样分布考试要求1．理解总体、简单随机样本、统计量、样本均值、样本方差及样本矩的概念，其中样本方差定义为：2．了解 分布、 分布和 分布的概念及性质，了解上侧 分位数的概念并会查表计算．3．了解正态总体的常用抽样分布．第七章：参数估计考试内容点估计的概念 估计量与估计值 矩估计法 最大似然估计法 估计量的评选标准 区间估计的概念单个正态总体的均值和方差的区间估计两个正态总体的均值差和方差比的区间估计考试要求1．理解参数的点估计、估计量与估计值的概念．2．掌握矩估计法（一阶矩、二阶矩）和最大似然估计法．3．了解估计量的无偏性、有效性（最小方差性）和一致性（相合性）的概念，并会验证估计量的无偏性．4．理解区间估计的概念，会求单个正态总体的均值和方差的置信区间，会求两个正态总体的均值差和方差比的置信区间.第八章：假设检验考试内容显著性检验假设检验的两类错误 单个及两个正态总体的均值和方差的假设检验考试要求1．理解显著性检验的基本思想，掌握假设检验的基本步骤，了解假设检验可能产生的两类错误．2．掌握单个及两个正态总体的均值和方差的假设检验

墨盒性基本是指函数的用法,即提供的输入参数,返回值,输出参数,和完成的功能.而不是指函数如何实现的详细过程

解：方程为x²-xy+y²=c(c为任意常数)，两边同时求导，有2x-y-xy"+2yy"=0，微分方程为y"=(2x-y)/(x-2y)方程为e⁻ᵃʸ=c₁x+c₂，两边同时求导，有-ae⁻ᵃʸy"=c₁，-ae⁻ᵃʸy"+a²e⁻ᵃʸy"²=0，微分方程为y"=ay"²请参考，希望对你有帮助求解隐式微分方程常微分方程是研究自然科学和社会科学中的事物、物体和现象运动、演化和变化规律的最为基本的数学理论和方法。物理、化学、生物、工程、航空航天、医学、经济和金融领域中的许多原理和规律都可以描述成适当的常微分方程，如牛顿运动定律、万有引力定律、机械能守恒定律，能量守恒定律、人口发展规律、生态种群竞争、疾病传染、遗传基因变异、股票的涨伏趋势、利率的浮动、市场均衡价格的变化等，对这些规律的描述、认识和分析就归结为对相应的常微分方程描述的数学模型的研究。因此，常微分方程的理论和方法不仅广泛应用于自然科学，而且越来越多的应用于社会科学的各个领域。 学习《常微分方程》的目的是用微积分的思想，结合线性代数，解析几何等的知识，来解决数学理论本身和其它学科中出现的若干最重要也是最基本的微分方程问题，使学生学会和掌握常微分方程的基础理论和方法，为学习其它数学理论，如数理方程、微分几何、泛函分析等后续课程打下基础。同时，通过这门课本身的学习和训练，使学生学习数学建模的一些基本方法，初步了解当今自然科学和社会科学中的一些非线性问题，为他们将来从事相关领域的科学研究工作培养兴趣，做好准备。

F(x)=｛1（x为有理数），-1（x为无理数）

一、函数的有关概念 1、函数的概念： 设在某变化过程中，有两个变量x、y,如果给定一个x的值，相应地就确定了一个y值，那么我们称y是x的函数，其中x是自变量，y是因变量。 2、平面直角坐标系： ①在同一平面内，两条互相垂直的数轴（原点重合，取向右和向上的方向为正方向）组成了一个平面直角坐标系，水平的数轴叫做横轴或x轴，铅直的数轴 叫做纵轴或y轴。 ②在平面直角坐标系中，两条数轴把平面分成了四个部分，为第一、二、三、四象限。 ③在平面直角坐标系中，一对有序实数对与坐标平面内的点建立了一种一一对应的关系。 ④点A（a，b）在第一象限时：a>0,b>0；在第二象限时：a<0,b>0； 在第三象限时：a<0,b<0；在第四象限时：a>0.b<0. ⑤坐标轴上的点不属于任何象限，在x轴上的点的纵坐标都为0；在y轴上的点的横坐标都为0，原点的坐标为（0，0）。 3、坐标平面内点的对称 点A（a,b）关于x轴的对称点为：A/（a,-b）； 关于y轴的对称点为：A/（-a,b）； 关于原点对称的点为：A/（-a,-b）； 关于一、三象限的角平分线（直线y=x）对称的点为A/（ b,a）； 关于二、四象限的角平分线（直线y=-x）对称的点为A/（ -b,-a）。 4 、平面内任意两点之间的距离：A（x1,y1），B（x2,y2）间的距离为： 5、平面内一条线段的中点坐标：线段AB，{A（x1,y1），B（x2,y2）}的中点坐标为： 6、函数的表示有三种方法：图象法，列表法，公式法（即解析式法）。 用解析式表示函数关系的优点是:函数关系清楚,容易从自变量的值求出其对应的函数值,便于用解析式来研究函数的性质; 用列表法表示函数关系的优点是:不必通过计算就知道当自变量取某些值时函数的对应值; 用图像法表示函数关系的优点是:能直观形象地表示出函数的变化情况.2008-10-8 22:24 回复 寒潭守鹤 90位粉丝 3楼二、正比例函数和一次函数 1、正比例函数：y=kx (k≠0)叫做正比例函数，它的图象是过原点的一条直线。｜k｜=tanα, α为直线与x轴的夹角(锐角); ｜k｜越大, α越大. 当k>0时，图象分布在一、三象限，y随x的增大而增大；y随x的减小而减小。且当x>0时,y>0;x=0时,y=0;x<o时,y<0. 当k<0时，图象分布在二、四象限，y随x的增大而减小；y随x的减小而增大。且当x>0时,y<0;x=0时,y=0;x<o时,y>0. 2、一次函数：y=kx+b (k≠0)叫做一次函数，它的图象是平行于y=kx (k≠0)的一条直线。与x轴的交点为(-b／k,0),与y轴的交点为(0,b); ｜k｜=tanα, α为直线与x轴的夹角(锐角); ｜k｜越大, α越大. 当k>0,b>0时，图象分布在一二三象限，y随x的增大而增大；y随x的减小而减小。 当k>0,b<0时，图象分布在一三四象限，y随x的增大而增大；y随x的减小而减小。 且当x>-b／k时,y>0;x=-b／k时,y=0;x<-b／k时,y<0. 当k<0,b>0时，图象分布在一二四象限，y随x的增大而减小；y随x的减小而增大。 当k<0,b<0时，图象分布在二三四象限，y随x的增大而减小；y随x的减小而增大。 且当x>-b／k时,y<0;x=-b／k时,y=0;x<-b／k时,y>0. 3、在y1=k1x+b1;y2=k2x+b2 (k1k2≠0) 中： 当y1‖y2时，k1=k2；当y1⊥y2时，k1k2= -1；当y1与y2不平行时，k1≠k2； 当这两直线不平行时，它们的交点坐标是两解析式联合方程组的解。 ｜k｜=tanα,α为直线与x轴的夹角； ｜k｜越大，夹角就越大；｜k｜越小，夹角就越小。2008-10-8 22:25 回复 寒潭守鹤 90位粉丝 4楼4、一次函数图象的平移：上下平移外加减；左右平移内加减。 y=k(x+0)+ b 内 外 例如：把y=-2x+5的图象向左平移3个单位的直线为：y=-2(x+3)+ 5,即y=-2x-1; 把y=-2x+5的图象向下平移3个单位的直线为：y=-2(x+0)+ 5-3,即y=-2x+2; 把y=-2x+5的图象向右平移3个单位再向上平移4个单位为：y=-2(x-3)+ 5+4； 即y=-2x+15. 5、函数解析式的确定： 正比例函数y=kx (k≠0)中因为有一个常量k，所以确定其解析式只要一个条件即可。 一次函数y=kx+b (k≠0)中因为有两个常量k,b所以确定其解析式要两个条件。 6、一次函数y=kx+b (k≠0) 关于x轴对称的直线为：y"=-kx-b 关于y轴对称的直线为：y"=-kx+b 关于原点对称的直线为：y"=kx-b2008-10-8 22:26 回复 寒潭守鹤 90位粉丝 5楼三、反比例函数 1、 叫做反比例函数，它的图象是双曲线。 当k>0时,图像分布在一、三象限，在每一个象限内y随x的增大而减小；y随x的减小而增大。当x>0时,y>0;当x<0时,y<0;(x≠0) 当k<0时,图像分布在二、四象限，在每一个象限内y随x的增大而增大；y随x的减小而减小。当x>0时,y<0;当x<0时,y>0;(x≠0) 2、在反比例函数中，因为有一个常量k，所以解析式的确定只随一个条件即可。2008-10-8 22:27 回复 寒潭守鹤 90位粉丝 6楼三、反比例函数 1、y=k/x(k≠0) 叫做反比例函数，它的图象是双曲线。 当k>0时,图像分布在一、三象限，在每一个象限内y随x的增大而减小；y随x的减小而增大。当x>0时,y>0;当x<0时,y<0;(x≠0) 当k<0时,图像分布在二、四象限，在每一个象限内y随x的增大而增大；y随x的减小而减小。当x>0时,y<0;当x<0时,y>0;(x≠0) 2、在反比例函数中，因为有一个常量k，所以解析式的确定只随一个条件即可。2008-10-8 22:28 回复 寒潭守鹤 90位粉丝 7楼四、二次函数 y=ax2+bx+c(a≠0) 1、a确定抛物线的开口方向，｜a｜确定抛物线的形状 当a>0时，开口向上；当a<0时，开口向下。 当｜a｜越大时，开口越小；当｜a｜越小时，开口越大。 2、b确定抛物线对称轴的位置 当对称轴在y轴的左侧时，-b/2a <0;此时ab>0，（a,b同号）； 当对称轴在y轴的右侧时，-b/2a >0;此时ab<0，（a,b异号）; 当对称轴是y轴时，-b/2a =0；此时ab=0。（b=0）. 3、c确定抛物线在y轴上的截距 当抛物线与y轴的正半轴相交时，c>0， 当抛物线过原点时，c=0， 当抛物线与y轴的负半轴相交时，c<0， c叫做抛物线在y轴上的截距（c可以为正数、负数、也可以为0）.

质数:质数又称素数。指在一个大于1的自然数中，除了1和此整数自身外，没法被其他自然数整除的数。换句话说，只有两个正因数（1和自己）的自然数即为素数。比1大但不是素数的数称为合数。1和0既非素数也非合数。素数在数论中有着很重要的地位.最小的素数是2，它也是唯一的偶素数。最前面的素数依次排列为：2，3，5，7，11，13，17，......不是质数且大于1的正整数称为合数。质数表上的质数请见素数表。依据定义得公式：设A=n2+b=(n-x)(n+y),除n-x=1以外无正整数。故有：y=（b+nx)/(n-x)(x评论000加载更多

五个连续的自然数，第一个是奇数，那么这五个数的和是奇数。

1、数学方法论的诞生与发展数学是一门历史悠久的基础学科，对人类的文明有着巨大的影响，不管是民生、经济、军事等各个行业，都离不开数学的知识，在这个过程中，人们开始想着用一种方法，让数学的学习和运用变得更为简便、易懂，从而提出了“证明的方法”和“发现（发明与创造）的方法”。显然，数学自身的证明方法是和严密的，形式化的逻辑演绎方法联系在一起的，或者说数学证明的方法与公理化的方法紧密地联系在一起。历史上不少著名的数学家希望找到“万能方法”可以解决一切数学问题，也期望能把任何问题都转化为数学问题，但事实证明，这种方法是不可行的。但在这个过程中，数学家们一代代的完善问题解决的数学方法，尤其是波利亚的“启发法”，国际上在20世纪80年代以前，所谓的数学方法论实际上就是波利亚的“启发法”------问题解决的数学方法，对数学教育却有着极大的影响。2、数学思维方法的产生与发展上面提到，波利亚的“问题解决”启发法在教育界盛行之后，数学家们很快有研究认识倒，如果只注重方法的学习很可能会变成一种新的技能方法的形式化教育！因此一些学者开始强调数学思维的重要性，强调强调数学教育中积极的思维远远超过记忆和掌握一种具体方法。由此，数学思维方法作为一种继数学方法论之后的数学教育形式就逐渐形成了一种教学体系。发展倒现在，现代的数学教育观认为，对于所谓的问题解决者而言，问题解决的过程不可能也不应当是一个程式化的逻辑过程，而应当是从满创造性的过程。因此，应把启发法所运用的“问题解决”与“数学思维（主要指创造性思维）”相结合。尤其在西方的数学教育界，普遍认为：数学学习的目的，不是掌握“数学知识和技能”而是“解决问题的一般方法”即“数学式地思维”。而且关于数学思维教育，数学研究者提出了以下三个观点：第一，数学思维方法研究紧紧跟随和运用数学方法论地内容，即数学思维是问题解决的思维方式。第二，数学思维方法的教学，不仅强调数学方法具有的方法论意义，而且强调说明在这些数学方法中，数学思维活动的积极意义，也就是说数学思维能力。第三，数学思维方法的教育内容，更应当与非逻辑思维，创造性思维相联系。也就是说数学思维不是程式化教学。由此可见，数学思维教育是数学解决问题过程中的思维方式，是一个过程，而不是结果，恰恰我们家长在教育孩子的时候，往往只注重最终的结果是否正确，却不在乎孩子的思维过程是否正确，是否得到了锻炼。

考研时的知识点基本上都是高数、线代与概率论的知识点。一般统考不会超过课本知识，但是难度比课本习题难度大很多。一般可以参考每年的数学考研大纲。数学一考研数学内容：高等数学一、函数、极限、连续考试内容：函数的概念及表示法函数的有界性、单调性、周期性和奇偶性复合函数、反函数、分段函数和隐函数二、一元函数微分学考试内容：导数和微分的概念导数的几何意义和物理意义函数的可导性与连续性之间的关系平面曲线的切线和法;线导数和微分的四则运算基本初等函数的导数复合函数、反函数、隐函数以及参数方程所确定的函数的微分法高阶导数。一阶微分形式的不变性微分中值定理洛必达(L"Hospital)法则函数单调性的判别函数的极值函数图形的凹凸性、拐点及渐近线函数图形的描绘函数的最大值与最小值弧微分曲率的概念曲率圆与曲率半径四、向量代数和空间解析几何考试内容：向量的概念向量的线性运算向量的数量积和向量积向量的混合积两向量垂直、平行的条件两向量的夹角向量的坐标表达式及其运算单位向量方向数与方向余弦曲面方程和空间曲线方程的概念平面方程直线方程平面与平面、平面与直线、直线与直线的夹角以及平行、垂直的条件点到平面和点到直线的距离球面柱面旋转曲面常用的二次曲面方程及其图形空间曲线的参数方程和一般方程空间曲线在坐标面上的投影曲线方程五、多元函数微分学考试内容：多元函数的概念二元函数的几何意义二元函数的极限与连续的概念有界闭区域上多元连续函数的性质多元函数的偏导数和全微分全微分存在的必要条件和充分条件多元复合函数、隐函数的求导法二阶偏导数方向导数和梯度空间曲线的切线和法平面曲面的切平面和法线二元函数的二阶泰勒公式多元函数的极值和条件极值多元函数的最大值、最小值及其简单应用六、多元函数积分学考试内容：二重积分与三重积分的概念、性质、计算和应用两类曲线积分的概念、性质及计算两类曲线积分的关系格林(Green)公式平面曲线积分与路径无关的条件二元函数全微分的原函数两类曲面积分的概念、性质及计算两类曲面积分的关系高斯(Gauss)公式斯托克斯(Stokes)公式散度、旋度的概念及计算曲线积分和曲面积分的应用七、无穷级数考试内容常数项级数的收敛与发散的概念收敛级数的和的概念级数的基本性质与收敛的必要条件几何级数与级数及其收敛性正项级数收敛性的判别法交错级数与莱布尼茨定理任意项级数的绝对收敛与条件收敛函数项级数的收敛域与和函数的概念幂级数及其收敛半径、收敛区间(指开区间)和收敛域幂级数的和函数幂级数在其收敛区间内的基本性质简单幂级数的和函数的求法初等函数的幂级数展开式函数的傅里叶(Fourier)系数与傅里叶级数狄利克雷(Dirichlet)定理函数在上的傅里叶级数函数在上的正弦级数和余弦级数八、常微分方程考试内容：常微分方程的基本概念变量可分离的微分方程齐次微分方程一阶线性微分方程伯努利(Bernoulli)方程全微分方程可用简单的变量代换求解的某些微分方程可降阶的高阶微分方程线性微分方程解的性质及解的结构定理二阶常系数齐次线性微分方程高于二阶的某些常系数齐次线性微分方程简单的二阶常系数非齐次线性微分方程欧拉(Euler)方程微分方程的简单应用线性代数一、行列式考试内容行列式的概念和基本性质行列式按行(列)展开定理二、矩阵考试内容：矩阵的概念矩阵的线性运算矩阵的乘法方阵的幂方阵乘积的行列式矩阵的转置逆矩阵的概念和性质矩阵可逆的充分必要条件伴随矩阵矩阵的初等变换初等矩阵矩阵的秩矩阵的等价分块矩阵及其运算三、向量考试内容：向量的概念向量的线性组合与线性表示向量组的线性相关与线性无关向量组的极大线性无关组等价向量组向量组的秩向量组的秩与矩阵的秩之间的关系向量空间及其相关概念维向量空间的基变换和坐标变换过渡矩阵向量的内积线性无关向量组的正交规范化方法规范正交基正交矩阵及其性质四、线性方程组考试内容：线性方程组的克拉默(Cramer)法则齐次线性方程组有非零解的充分必要条件非齐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齐次线性方程组的基础解系和通解解空间非齐次线性方程组的通解五、矩阵的特征值和特征向量考试内容：矩阵的特征值和特征向量的概念、性质相似变换、相似矩阵的概念及性质矩阵可相似对角化的充分必要条件及相似对角矩阵实对称矩阵的特征值、特征向量及其相似对角矩阵六、二次型考试内容：二次型及其矩阵表示合同变换与合同矩阵二次型的秩惯性定理二次型的标准形和规范形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概率论与数理统计一、随机事件和概率考试内容：随机事件与样本空间事件的关系与运算完备事件组概率的概念概率的基本性质古典型概率几何型概率条件概率概率的基本公式事件的独立性独立重复试验二、随机变量及其分布考试内容：随机变量随机变量分布函数的概念及其性质离散型随机变量的概率分布连续型随机变量的概率密度常见随机变量的分布随机变量函数的分布三、多维随机变量及其分布考试内容：多维随机变量及其分布二维离散型随机变量的概率分布、边缘分布和条件分布二维连续型随机变量的概率密度、边缘概率密度和条件密度随机变量的独立性和不相关性常用二维随机变量的分布两个及两个以上随机变量简单函数的分布四、随机变量的数字特征考试内容：随机变量的数学期望(均值)、方差、标准差及其性质随机变量函数的数学期望矩、协方差、相关系数及其性质五、大数定律和中心极限定理考试内容：切比雪夫(Chebyshev)不等式切比雪夫大数定律伯努利(Bernoulli)大数定律辛钦(Khinchine)大数定律棣莫弗-拉普拉斯(DeMoivre-Laplace)定理列维-林德伯格(Levy-Lindberg)定理六、数理统计的基本概念考试内容：总体个体简单随机样本统计量样本均值样本方差和样本矩分布分布分布分位数正态总体的常用抽样分布七、参数估计考试内容：点估计的概念估计量与估计值矩估计法最大似然估计法估计量的评选标准区间估计的概念单个正态总体的均值和方差的区间估计两个正态总体的均值差和方差比的区间估计八、假设检验考试内容：显著性检验假设检验的两类错误单个及两个正态总体的均值和方差的假设检验扩展资料：一、须使用数学一的招生专业1.工学门类中的力学、机械工程、光学工程、仪器科学与技术、冶金工程、动力工程及工程热物理、电气工程、电子科学与技术、信息与通信工程、控制科学与工程、网络工程、电子信息工程、计算机科学与技术、土木工程、测绘科学与技术、交通运输工程、船舶与海洋工程、航空宇航科学与技术、兵器科学与技术、核科学与技术、生物医学工程等20个一级学科中所有的二级学科、专业。2.授工学学位的管理科学与工程一级学科。二、须使用数学二的招生专业工学门类中的纺织科学与工程、轻工技术与工程、农业工程、林业工程、食品科学与工程等5个一级学科中所有的二级学科、专业。三、须选用数学一或数学二的招生专业（由招生单位自定）工学门类中的材料科学与工程、化学工程与技术、地质资源与地质工程、矿业工程、石油与天然气工程、环境科学与工程等一级学科中对数学要求较高的二级学科、专业选用数学一，对数学要求较低的选用数学二。四、须使用数学三的招生专业1.经济学门类的各一级学科。2.管理学门类中的工商管理、农林经济管理一级学科。3.授管理学学位的管理科学与工程一级学科。参考资料：百度百科——数学考研大纲

随机过程的发展 随时间推进的随机现象的数学抽象。例如，某地第n年的年降水量xn由于受许多随机因素的影响,它本身具有随机性,因此便是一个随机过程。类似地，森林中某种动物的头数，液体中受分子碰撞而作布朗运动的粒子位置，百货公司每天的顾客数，等等，都随时间变化而形成随机过程。严格说来，现实中大多数过程都具有程度不同的随机性。 气体分子运动时，由于相互碰撞等原因而迅速改变自己的位置与速度,其运动的过程是随机的。人们希望知道，运动的轨道有什么性质(是否连续、可微等等)？分子从一点出发能达到某区域的概率有多大？如果有两类分子同时运动，由于扩散而互相渗透，那么扩散是如何进行的,要经过多久其混合才会变得均匀？又如,在一定时间内，放射性物质中有多少原子会分裂或转化？电话交换台将收到多少次呼唤？机器会出现多少次故障？物价如何波动？这些实际问题的数学抽象为随机过程论提供了研究的课题。 一些特殊的随机过程早已引起注意，例如1907年前后，Α.Α.马尔可夫研究过一列有特定相依性的随机变量，后人称之为马尔可夫链（见马尔可夫过程）；又如1923年N.维纳给出了布朗运动的数学定义（后人也称数学上的布朗运动为维纳过程），这种过程至今仍是重要的研究对象。虽然如此，随机过程一般理论的研究通常认为开始于30年代。1931年，Α.Η.柯尔莫哥洛夫发表了《概率论的解析方法》；三年后，Α.Я.辛钦发表了《平稳过程的相关理论》。这两篇重要论文为马尔可夫过程与平稳过程奠定了理论基础。稍后，P.莱维出版了关于布朗运动与可加过程的两本书，其中蕴含着丰富的概率思想。1953年，J.L.杜布的名著《随机过程论》问世，它系统且严格地叙述了随机过程的基本理论。1951年伊藤清建立了关于布朗运动的随机微分方程的理论(见随机积分)，为研究马尔可夫过程开辟了新的道路；近年来由于鞅论的进展，人们讨论了关于半鞅的随机微分方程；而流形上的随机微分方程的理论，正方兴未艾。60年代，法国学派基于马尔可夫过程和位势理论中的一些思想与结果，在相当大的程度上发展了随机过程的一般理论，包括截口定理与过程的投影理论等，中国学者在平稳过程、马尔可夫过程、鞅论、极限定理、随机微分方程等方面也做出了较好的工作。 研究随机过程的方法是多样的，主要可分为两大类：一是概率方法，其中用到轨道性质、停时、随机微分方程等；另一是分析方法，工具是测度论、微分方程、半群理论、函数论、希尔伯特空间等。但许多重要结果往往是由两者并用而取得的。此外，组合方法、代数方法在某些特殊随机过程的研究中也起一定的作用。研究的主要课题有：多指标随机过程、流形上的随机过程与随机微分方程以及它们与微分几何的关系、无穷质点马尔可夫过程、概率与位势、各种特殊过程的专题讨论等。 随机过程论的强大生命力来源于理论本身的内部，来源于其他数学分支如位势论、微分方程、力学、复变函数论等与随机过程论的相互渗透和彼此促进，而更重要的是来源于生产活动、科学研究和工程技术中的大量实际问题所提出的要求。目前随机过程论已得到广泛的应用，特别是对统计物理、放射性问题、原子反应、天体物理、化学反应、生物中的群体生长、遗传、传染病问题、排队论、信息论、可靠性、经济数学以及自动控制、无线电技术等的作用更为显著。 随机过程的定义 设 (Ω,F,p)为概率空间（见概率），T为指标t的集合（通常视t为时间）,如果对每个t∈T,有定义在Ω上的实随机变量x(t)与之对应，就称随机变量族x＝为一随机过程（简称过程）。研究得最多的是T 为实数集R＝(-∞，∞)的子集的情形；如果T为整数n的集,也称为随机序列。如果T是d维欧几里得空间Rd（d为大于1的正整数）的子集，则称x为多指标随机过程。 过程x实际上是两个变元(t,ω)(t∈T,ω ∈Ω)的函数，当t固定时，它是一个随机变量；当ω固定时,它是t的函数,称此函数为随机过程（对应于ω）的轨道或样本函数。 如不限于实值情况，可将随机变量与随机过程的概念作如下一般化:设(E,ε)为可测空间（即E为任意非空集,ε为E的某些子集组成的σ域）,称x=(x(ω), ω∈Ω)为取值于E的随机元,如果对任一B∈ε,∈F。特别,如果为Rd中全体波莱尔集所成的σ域（称波莱尔域）,则取值于Rd中的随机元即d维随机向量。如果其中RT为全体实值函数�0�6=(�0�6(t),t∈T)的集,而为包含一切RT中有限维柱集 的最小σ域，则取值于E的随机元x 即为上述的(实值)随机过程。如对每个t∈T，有取值于E 的随机元x(t)与之对应，则称为取值于E的随机过程。 以下如无特别声明，只讨论取值于(R 1,B1)的随机过程。 有穷维分布族 一维分布函数描述了随机变量取值的概率规律（见概率分布）,对随机过程x=起类似作用的是它的全体有穷维分布函数：对任意 n个tj∈T,i＝1，2,…,n,考虑的联合分布函数，,全体联合分布称为x 的有穷维分布族,它显然满足下列相容性条件： ① 对(1,2,…，n)的任一排列(λ1,λ2,…,λn)， ； ② 若m<n，则。反之,有著名的柯尔莫哥洛夫定理：设已给T及一族分布函数如果它满足①、②,则必存在概率空间(Ω,F,p)及定义于其上的随机过程x，而且x的有穷维分布族重合于F。 从测度论的观点看，每一随机过程x=在(RT,BT)上产生一概率测度PX，称为x 的分布,它在上述柱集上的值就是 正态过程 有穷维分布都是正态分布的随机过程,又称高斯过程。就象一维正态分布被它的均值（见数学期望）和方差所确定一样,正态过程被它的均值函数m(t)=Ex(t)和协方差函数 λ(s,t)=Ex(s)x(t)-m(s)m(t)所确定，其中λ(s，t)是对称非负定函数，即λ(s，t)=λ(t,s)，而且对任意的 tj∈T及实数αj，1≤i≤n，有反之,对任给的有限实值函数m(t)和对称非负定函数λ(s,t),由柯尔莫哥洛夫定理可证,存在一个正态过程，以m(t)为其均值函数，以λ(s,t)为其协方差函数。 根据中心极限定理，许多实际问题中出现的随机过程可近似地视为正态过程。此外，正态过程有一系列的好性质,如它的最佳线性估计重合于条件期望,这一点在应用上是很方便的，既准确又便于计算。因此正态过程在实际中有广泛的应用，在无线电通讯及自动控制中尤为重要。为方便计,设m(t)呏0。任取tj,t∈T,用L(x(t1),x(t2), …,x(tn))表示由x(t1),x(t2),…,x(tn)的线性组合所构成的希尔伯特空间，x(t)在此空间上的投影记作 称为x(t)关于x(t1)，x(t2),…，x(tn)的最佳线性估计,即线性最小均方误差估计;条件期望E(x(t)|x(t1),x(t2),…，x(tn))则是非线性的最小均方误差估计。对正态过程来讲，这两种估计以概率1相等。 可分性 设F是p-完备的,即F包含任何概率为零的集的一切子集。在随机过程的研究中,Ω的某些重要的子集并不能由事件（即F中的元素）经可列次集运算而得到。例如对一切若T不可列,则作为不可列多个事件的交,A未必是一个事件,也就谈不上它的概率。为了解决这类问题,杜布引进了随机过程可分性的概念。称过程x 关于T 的某一可列稠集Q可分(或简称可分)，是指除了一个概率为零的集N外,x在每一t∈T 处的值,可以用限于Q的x在t附近的值来任意逼近；即任给不属于N的ω，存在∈Q，使得rj→t,且x(rj,ω)→x(t,ω)。所谓Q为T 的稠集，是指T 的每一点必是Q 中某个点列的极限。如果x 关于Q 可分,则可以证明上述的 A是一个事件，而且有p(A)＝p()。如果过程x关于T的任一可列稠集都可分,则称x完全可分。 设x=与Y=为定义在概率空间(Ω，F，p),上的两个随机过程,如果对任何t∈T,p(x(t)=Y(t))=1,则称x与Y等价(x与Y互为修正)；这时，x和Y有相同的有穷维分布族。虽然任给的过程 x未必可分，但杜布证明了下列重要结果：对任一过程x,必存在与它等价的可分过程Y 。因此在讨论仅与有穷维分布有关的性质时，可取一可分过程Y来代替x。 过程x称为随机连续,如果对任一t0∈T,在依概率收敛的意义下(见概率论中的收敛)有，对随机连续的过程x，必存在一个完全可分过程Y与之等价。 可测性 为了研究样本函数对t的积分等问题,需要x(t,ω)关于两个变量(t,ω)的可测性。设T是R中某区间，B(T)是T中全体波莱尔集所成的σ域,B(T)×F表示乘积σ域,μ=L×P表示勒贝格测度L(见测度论）与p的乘积测度，表示 B(T)×F关于μ的完备化σ域。 称随机过程x为可测的,如果对任一实数α，有： 称随机过程x 为波莱尔可测的，如果对任一实数α，有。如果过程x 随机连续，则必存在与x 等价的、可测而且完全可分的过程Y。 有时还需要更强的可测性。设给了F的一族子σ 域，其中T=R+=)×。 循序可测过程一定是适应的而且是波莱尔可测的，但逆之不然，除非样本函数性质较好。例如所有样本函数都右连续的适应过程一定是循序可测。使一切样本函数右连续的适应过程都可测的T×Ω上的最小σ域，称为可选σ域，关于可选σ域可测的过程称为可选过程。可见，可选可测性是比循序可测性更强的一种可测性。进一步,使一切样本函数连续的适应过程都可测的T ×Ω上的最小σ域,称为可料σ域，关于可料σ域可测的过程称为可料过程。这又是一种比可选可测性更强的可测性。可以证明，样本函数左连续的适应过程都是可料过程。 轨道性质 当人们观察物体作随机运动时，最感兴趣的问题之一是它的轨道性状，因此随机过程论中一个重要问题是研究轨道性质，例如探讨在什么条件下，过程的轨道x(t,ω), α≤t≤b,以概率1有界，或无第二类断点，或是阶梯函数，或是连续函数，等等。函数�0�6(t)在上无第二类断点是指：对每一个t0∈(α,b)，存在左、右极限及 而在α、b)处，则存在单侧极限。 设过程可分，而且存在常数α>0，ε>0，с≥0,使得对任意的t∈,t+Δt∈，有,则过程的轨道以概率1在上一致连续。设可分过程随机连续，而且存在常数p>0，q>0，r>0，с≥0,使得对任意的α≤t1≤t2≤t3≤b，有 则过程的轨道以概率 1无第二类断点。正态过程的轨道性质有更好的结果:对均值函数m(t)呏0的可分正态过程，只要存在с≥0,α>0，使得 ,x的轨道就以概率1连续。 停时 这一概念的引进是随机过程论发展史中的一件大事,它带来了许多新的研究课题,而且扩大了理论的应用范围。早在1945年，J.L.杜布关于马尔可夫链的文章中已经有了停时的思想。60年代杜布、Ε.Б.登金（又译邓肯）、R.M.布卢门塔尔等应用停时于鞅及强马尔可夫过程的研究；70年代，由于法国概率论学派的工作而使停时的理论更加完善。 直观上，停时是描述某种随机现象发生的时刻，它是普通时间变量t的随机化。例如,灯泡的寿命、一场球赛持续的时间都可看成是停时。又如，作随机运动的粒子首次到达某集A 的时刻τ,τ(ω)=inf，且约定inf═＝∞，当x 的轨道连续而且A是一个闭集时，τ就是一个停时，它是一个随机变量，而且对任何t≥0，∈σ。 一般地，设在可测空间(Ω,F)中已给F的一族单调、右连续、完备的子σ 域族,称定义在Ω上的非负可测函数τ=τ(ω)（可取+∞为值）为 停时，如果对任意 t≥0，总有∈。这一定义的直观背景是：把理解为到t为止的全部信息，一个可观测的随机现象发生的时刻τ是否不迟于t这一信息应包含在之中。 类似于，对停时τ可以定义σ域,其中为包含一切的最小σ域。Fτ可理解为过程到τ为止的全部信息。 停时有许多好的性质,例如,若τ1、τ2是停时,则τ1∨τ2、τ1∧τ2也是停时，其中,;还有，这里表示包含、的最小σ域；进一步，若是一列停时，则也是停时。更细致地研究停时，需要对其进行分类，重要的类型有可料时、绝不可及时等。 二阶过程 均值和方差都有限的实值或复值随机过程称为二阶过程。二阶过程理论的重要结果之一是它的积分表示。设F是可测空间(∧,A)上的有限测度，如果对每一A∈A,有一复值随机变量Z(A)与它对应,且满足：①E|Z(A)|2< ∞；②则称Z＝为(∧，A)上的正交随机测度。定义在∧上、关于A可测而且关于F平方可积的函数全体记为L2（∧，A，F）。给了一个正交随机测度Z，一族函数,， 就可以产生一个二阶过程,满足 (1)它的二阶矩为 。 (2)反之，对给定的二阶过程，只要它的二阶矩有积分表示(2)，就一定存在一个正交随机测度Z，使过程本身有积分表示(1)。(1)和(2)分别称为过程x和它的二阶矩的谱表示。对均方连续的实二阶过程,则有级数展开式 其中是标准正交实随机变量序列,即；δnm=0，n=m时,δnm=1)，λn是积分方程的本征值，ψn是相应的本征函数 Γ(t,s)=Ex(t)x(s)。 特殊随机过程类 对过程的概率结构作各种假设,便得到各类特殊的随机过程。除上述正态过程、二阶过程外，重要的还有独立增量过程、马尔可夫过程、平稳过程、鞅点过程和分支过程等。贯穿这些过程类的有两个最重要最基本的过程，布朗运动和泊松过程，它们的结构比较简单,便于研究而应用又很广泛。从它们出发,可以构造出许多其他过程。这两种过程的轨道性质不同,前者连续而后者则是上升的阶梯函数。 广义过程 正如从普通函数发展到广义函数一样，随机过程也可发展到广义过程。设D为R上全体无穷次可微且支集有界的实值函数φ的集，定义在D上的连续线性泛函称为广义函数、全体广义函数的集记为Dx。考虑D×Ω上的二元函数x(φ,ω),如果对固定的ω,x(·,ω)∈Dx是广义函数,而对固定的φ,x(φ，·)是随机变量,则称为定义在(Ω,F,p)上的广义过程。它在φ1,φ2,…,φn上的联合分布为 全体这种联合分布构成了广义过程x的"有穷维分布族"。前两阶矩分别称为均值泛函 和相关泛函 根据有穷维分布族的性质，也可以定义特殊的广义过程类，象广义平稳过程、广义正态过程等。例如，若对D中任意有限个线性独立函数φ1,φ2,…,φn，有限维分布都是正态分布，则称x＝为广义正态过程。

　　统计学专业基本介绍 　　统计学(statistics)是应用数学的一个分支，主要通过利用概率论建立数学模型，收集所观察系统的数据，进行量化分析、总结，做出推断和预测，为相关决策提供依据和参考。它被广泛的应用在各门学科之上，从物理和社会科学到人文科学，甚至被用来工商业及政府的情报决策之上。随着数字化的进程不断加快，人们越来越多地希望能够从大量的数据中总结出一些经验规律从来为后面的决策提供一些依据。统计学专业不是仅仅像其表面的文字表示，只是统计数字，而是包含了调查、收集、分析、预测等。应用的范围十分广泛。 　　统计学专业主要包括一般统计和经济统计两类专业方向，培养具有良好的数学或数学与经济学素养，掌握统计学的基本理论和方法，能熟练地运用计算机分析数据，能在企业、事业单位和经济、管理部门从事统计调查、统计信息管理、数量分析等开发、应用和管理工作，或在科研、教育部门从事研究和教学工作的高级专门人才。 　　随着科学技术的飞速发展，统计方法与技术的应用越来越重要。19世纪统计技术为基因学说奠定了理论基础，在即将跨入21世纪的今天，科学技术对统计方法的依赖愈来愈强。世界上许多国家尤其是发达国家都非常重视统计学理论的研究和发展。根据国际统计学会(ISI)近几年的会刊及统计学方面的著名杂志，可将近几年国际统计界研究的主要问题概括如下： 　　1.统计学基本理论研究有 　　概率极限理论及其在统计中应用、树形概率、Banach空间概率、随机PDE"S、泊松逼近、随机网络、马尔科夫过程及场论、马尔科夫收敛率、布朗运动与偏微分方程、空间分 　　统计学 　　支总体的极限、大的偏差与随机中数、序贯分析和时序分析中的交叉界限问题、马尔科夫过程与狄利克雷表的一一对应关系、函数估计中的中心极限定理、极限定理的稳定性问题、因果关系与统计推断、预测推断、网络推断、似然、M——估计量与最大似然估计、参数模型中的精确逼近、非参数估计中的自适应方法、多元分析中的新内容、时间序列理论与应用、非线性时间序列、时间序列中确定模型与随机模型比较、极值统计、贝叶斯计算、变点分析、对随机PDE"S的估计、测度值的处理、函数数据统计分析等。 　　2.统计学主要应用领域有 　　社会发展与评价、持续发展与环境保护、资源保护与利用、电子商务、保险精算、金融业数据库建设与风险管理、宏观经济监测与预测、政府统计数据收集与质量保证等、分子生物学中的统计方法、高科技农业研究中的统计方法、生物制药技术中的统计方法、流行病规律研究与探索的统计方法、人类染色体工程研究中的统计方法、质量与可靠性工程等。 　　国内概况“九五”期间中国统计界出现了社会经济统计学与数理统计学相互学习、共同提高、共创未来的新局面。1996年10月，中国统计学会、中国概率统计学会、中国现场统计学会联合举办了全国统计科学讨论会，这是“九五”期间中国统计学术界一次盛会，它标志着中国社会经济统计学与数理统计学的合作已进入实质性阶段。统计界在数理统计与社会经济统计学的结合方面、风险管理与保险精算方面、空间统计学及其应用方面、政府统计数据质量研究与评价方面、信息技术、网络技术在统计学的应用方面、金融及证券理论研究方面、国民经济核算理论与应用方面、综合国力研究方面等取得了可喜的成就。“九五”期间国内统计界主要有影响的研究可概括如下： 　　1.理学类统计学一级学科地位的确立 　　“九五”期间中国统计界关于建立和完善统计学学科体系的研究与争论异常激烈。统计界对“大统计”的认识通过大量探索已逐步趋向统一。所谓“大统计”是针对中国过去数理统计、社会经济统计、生物医学统计等各学科领域的应用统计各自为政相对面窄而言。1998年9月国家教育部颁布的《普通高等学校本科专业目录和专业介绍》将统计学列为理学类一级学科，这是中国统计界“九五”期间的重大成就。教育部这项专业调整是为了适应市场经济与国际接轨的要求，在“宽口径，厚基础”的指导思想下，将原来的504个专业调整到249个专业，50%以上专业被砍掉，然而统计学不仅保留，而且列入理学类一级学科，这是中国统计界广大理论工作者辛勤努力的重要成就，是中国统计界值得庆幸的大事，它的颁布对中国统计的未来具有重大意义和深远影响。这一专业目录的确定为中国统计界长期的争论进一步指明了发展方向。这个方向就是——适应市场经济与国际接轨的统计学就是理学类统计学。统计学一级学科的地位表明统计学既不是经济学的一个子学科，也不是数学的一个子学科，统计学就是统计学。尽管统计学被教育部专业目录确定为理学类一级学科，但统计界，尤其是中国高等统计教育界经济类统计学者反对者甚多。有的学者认为理学类统计学就是数学，只有经济学其中的统计学才是统计学。赞成者认为统计学就是统计学，理学类统计学与数学有着质的区别，经济学类的统计学已被中国实践证明是前苏联的文科式统计学，根本不能代表作为方法论的整个统计学科。这一争论还将继续一段时间。 　　2.统计学基本理论与方法问题研究 　　“九五”期间中国统计界围绕与国际统计学接轨做了大量研究工作，系统地介绍了国外统计学研究的一些新进展。这方面最为突出的是国家统计局统计教育中心和中国统计出版社组织国内一流统计专家翻译出版了15本现代外国统计学优秀著作。这些著作令中国统计界不少学者大开眼界，从中汲取丰富的统计理论和方法，已在中国统计界产生了积极影响，为理学类统计学科的建立与发展奠定了基础。为适用新专业目录的需要，国内高校的统计教师们编写了一批统计方法和应用的新教材。中国统计界在抽样 　　统计学 　　方法、时间序列分析、多元统计分析、非参数统计、回归分析、指数理论、宏观经济建模等理论与应用研究方面作了大量工作。 　　3. 政府统计数据质量的研究 　　随着中国社会主义市场经济的深入发展，政府统计数据无论是在国家制定发展战略和社会、经济发展的宏观调控中，还是企业制定营销策略以及社会、经济、环境等科学研究领域都起着不可或缺的重要作用，用户对政府统计数据的内在质量以及数据的产生、提供过程的可靠性的企盼也越来越高。关于中国政府统计数据的质量近年来关注和研究的学者很多，发表的论文或报告已有近百篇之多。几乎每个省都设立了统计数据质量研究的课题，全国哲学社会科学基金还设立了“关于评估、改进和保证中国政府统计数据质量问题的研究”的重点项目。该项目从定性与定量的有机结合上开展对政府统计数据的评价与研究，主要从技术与方法上对中国政府统计数据的质量作出客观评价，对改进、提高、控制、监测中国政府统计数据的质量从理论与实践的结合上做了一些研究和探索。但总体来看，现有的大多数研究基本停留在定性的评说上，提批评的多，提实质性建议的少;指责体制的多，研究评价、改进、识别的理论与方法的少，大多数文献把统计数据的质量问题归结为中国的政治、经济体制问题。事实上，纵观北美、欧盟等许多国家的政府统计数据，无一例外地也存在数据质量问题，政府统计数据的质量是各国普遍存在和广泛关注的热点问题。 　　4. 风险管理和保险精算的研究 　　“九五”期间关于风险管理和保险精算的研究得到较快发展，主要表现在不少发达国家风险管理和保险精算名著的翻译出版，中国统计方面杂志以及几次全国概率统计学术会议这方面论文的显著增加。风险管理与保险精算的研究不仅满足中国社会主义市场经济的需要，也更大地扩展了统计学方法的应用。这方面的研究从引进国外理论已向中国的具体应用健康发展，保险精算的研究已由寿险领域向非寿险领域扩展，尤其是开始结合中国实际向社会保障领域有效延伸。 　　5. 统计学在金融、证券领域的应用研究 　　1997年开始的亚洲金融风暴，给亚洲乃至世界经济的健康发展带来危机，中国经济的发展也受到亚洲金融风暴的影响。国家的经济安全、金融安全被国家领导核心重视，为统计技术与方法的应用提供了新的机遇，在全国应运而生建立了金融数学与金融工程管理中心、证券期货模拟实验室、金融数学系等。全国有不少统计学者成为研究金融、证券、投资的主力。从发表的论文来看统计方法研究金融、证券问题主要有：(1)有效投资组合研究。最为典型的是VaR技术的运用和具有异方差的时间序列模型技术的应用。(2)结构分析研究。运用多元统计方法分析股票的投资结构、探讨股票涨跌规律、寻求证券市场发展与影响因素的关系。(3)金融安全概率的研究。有学者运用东南亚等国和中国的金融数据资料，结合金融安全给出预警概率，为国家宏观经济调控和金融风险防范提供了有力的决策依据。 　　6. 统计综合评价理论与应用的研究 　　国际竞争力的研究是近年来颇受世界各国关注的重要研究。中国学者在“九五”期间开始开展这一领域的研究、并且通过刻苦努力紧跟这一领域的世界水平，在这方面中国学者所用的统计方法与世界水平相当，结合中国国情国力取得了重要成果。这方面有国民经济核算进一步发展的国际竞争力统计研究，知识经济时代中国科技创新的国际竞争力研究，中国金融、保险等领域的国际竞争力研究还有统计方法在社会经济发展水平的综合评价中的应用，顾客满意度量测与评价的研究等。 　　7. 国民经济核算理论与应用研究 　　“九五”期间，中国的国民经济核算体系研究进一步完善。在内容上，以增加值和GDP为核心，已经能比较全面地反映中国国民经济生产全过程、收入与分配、消费、储蓄、实物投资、金融投资、国际收支、资本和财富存量的变化等。为国家制定经济政策和宏观调控发挥着积极作用。可喜的是已有一些学者在国家的可持续发展、环境与核算技术相结合方面取得了重要研究成果。 　　研究方法统计方法在企业质量管理中的应用研究“九五”期间，一股“ISO9000”认证热席卷全球，质量体系认证日益成为国际贸易中所要求的供方质量保证能力和水平的标志。ISO9000族标准中有许多要素涉及到统计技术与方法的应用，中国已有近2万家大中型企业通过了认证。这方面的认证，对统计方法的应用提供了新的机会，中国不少统计学者找到了统计应用的现场，为国有企业员工培训、提高素质、扭亏增盈，国家经济形势好转发挥了统计工作者的积极作用。特别是试验设计、ISO14000和6质量标准技术的推广对改进企业管理水平，提高产品质量，提升企业国际竞争力发挥了重要作用。 　　抽样调查方法与应用的研究折叠“九五”期间关于抽样调查方法的研究与应用在中国开展的如火如荼。例如，交通部还建立了统计抽样调查系统。交通运输的大量统计数据已基本由抽样调查方法获得。全国许多行业对本部门关心的问题进行抽样调查，不少部门就公众关注的热点问题开展公众调查，有的报刊还定期刊登公众调查的调查报告。中国90年代初成立了不少市场调查公司，经过几年的大浪淘沙，现在全国生存下来的公司经营状况不错。网上调查、电话调查在中国也健康发展。有关抽样调查的理论，如非抽样误差控制的研究也得到统计界的广泛重视。 　　空间统计与地理信息系统的应用研究折叠空间统计学是近几年统计学发展的一个新领域，其主要的应用包括遥感，国土资源估计，农业和林业，海洋学、生态学和环境观测。在遥感技术的应用中，得到的统计数据通常以网络的形式出现，而且这些数据受到大气效应、观测位置以及测量工具的影响产生误差，空间统计学的应用在于，针对这种特殊的数据，研究如何控制误差、如何建立模型、如何处理资料信息。在资源的估测中，空间统计学的应用在于，如何利用空间统计数据，估计资源的总储量、资源的地区分布、资源的开发等。在环境监测等领域也作了积极的探索。 　　海外申请折叠一、专业简介和就业前景折叠按定义来说，统计学是应用数学的一个分支，主要通过利用概率论建立数学模型，收集所观察系统的数据，进行量化的分析、总结，并进而进行推断和预测，为相关决策提供依据和参考。举个例子来说：某批药品的不合格率是否在可以允许的范围之内，以便确定它是否能投放市场，就需要通过统计学研究抽取的样本来判断。虽然统计学从属于数学类，但是从美国大学的设置来看，统计专业已经慢慢从数学系中独立出来，成为单独的统计系。现在越来越多的学校成立统计系就是最好的证明。 　　统计是近些年非常热门的申请专业之一，统计学硕士毕业年薪通常可在6至8万美元以上。导致申请热门的最主要的原因就是申请者正是听说统计专业在美国的就业前景非常好，而且录取难度相对较低，因此无论是统计本专业的申请者还是转专业的申请者都将精力放在这个专业的申请上面。于是就加剧了统计专业的申请竞争。 　　从美国开设统计学专业的学校来看，统计学大致可以分为两类，一类是偏向于理论研究的，另一类是偏向于实际应用的。参考美国几所典型的统计学学校，我们可以对统计学的研究方向加以总结。前者主要包括统计系或者数学系下的统计学，后者包含的方面就非常的广泛了，包括：数理统计、生物统计、环境统计、金融统计、经济统计、遗传统计、农业统计等等。这些是统计在其他领域的应用而形成的研究分支。每个方向未来的发展也是不同的。 　　如数理统计就是通过对随机现象有限次的观测或试验所得数据进行归纳，找出这有限数据的内在数量规律性，并据此对整体相应现象的数量规律性做出推断或判断。其在应用方面，例如可以通过统计方法进行气象、水文以及地震预报的研究;在研制新产品时，利用统计学的知识进行试验设计和数据处理，以寻求最佳的生产方案等。 　　生物统计则是运用数理统计的原理和方法，分析和解释生物界的种种现象和数据资料，以求把握其本质和规律性。其最常见的是应用于医学、生物学、农学等的研究中，合理地进行调查或实验设计，科学地整理、分析收集得来的资料。在美国，生物统计有很大一部分设置在公共健康学院 (School of Public Health) 里面，毕业后可以在医院或者科研机构进行研究工作。生物统计的发展非常快，现在很多学校都专门设立了独立的生物统计系。 　　另外，经济统计学也是比较热门的专业之一，他主要是对于经济金融活动进行数量方面的调查整理分析，目的是认识经济活动客观规律，对经济活动实行科学建议、管理与监督。 　　除了以上比较热门的分支之外，还有社会统计等一些分支。但是随着学科的发展健全，目前的美国统计专业的分支除了生物统计之外划分的也没有那么明显，反而是学科间的融合越来越明显，统计与学校其他各个系之间的合作越来越多、越来越深入。

会用到这里有一份最全的考研数学历年真题资料分享给你链接: https://pan.baidu.com/s/116qgdhioWPz2mPWnr7VRkw 提取码: dhpq通过不断研究和学习历年真题，为考生冲刺阶段复习提分指点迷津，做真题，做历年真题集，对照考纲查缺补漏，提高实战素养，制定做题策略，规划方向；若资源有问题欢迎追问

不是同一个东西。 第一个是用于自然语言分析的隐主题模型。LDA是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。文档到主题服从Dirichlet分布，主题到词服从多项式分布。 第二个线性判别式分析（Linear Discriminant Analysis），简称为LDA。也称为Fisher线性判别（Fisher Linear Discriminant，FLD），是模式识别的经典算法，在1996年由Belhumeur引入模式识别和人工智能领域。基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。

不是同一个东西。 第一个是用于自然语言分析的隐主题模型。LDA是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。文档到主题服从Dirichlet分布，主题到词服从多项式分布。 第二个线性判别式分析（Linear Discriminant Analysis），简称为LDA。也称为Fisher线性判别（Fisher Linear Discriminant，FLD），是模式识别的经典算法，在1996年由Belhumeur引入模式识别和人工智能领域。基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。

拉普拉斯方程表示液面曲率与液体压力之间的关系的公式。一个弯曲的表面称为曲面，通常用相应的两个曲率半径来描述曲面，即在曲面上某点作垂直于表面的直线，再通过此线作一平面，此平面与曲面的截线为曲线，在该点与曲线相重合的圆半径称为该曲线的曲率半径r1。通过表面垂线并垂直于第一个平面再作第二个平面并与曲面相交，可得到第二条截线和它的曲率半径r2，用r1与r2可表示出液体表面的弯曲情况。若液面是弯曲的，液体内部的压力p1与液体外的压力p2就会不同，在液面两边就会产生压力差△p=p1-p2，其数值与液面曲率大小有关，可表示为：　　在数理方程中，拉普拉斯方程为：△u=d^2u/dx^2+d^2u/dy^2=0，其中△为拉普拉斯算子，此处的拉普拉斯方程为二阶偏微分方程。三维情况下，拉普拉斯方程可由下面的形式描述，问题归结为求解对实自变量x、y、z二阶可微的实函数φ：　　上面的方程常常简写作：　　或　　其中div表示矢量场的散度（结果是一个标量场），grad表示标量场的梯度（结果是一个矢量场），或者简写作：　　其中δ称为拉普拉斯算子.　　拉普拉斯方程的解称为调和函数。　　如果等号右边是一个给定的函数f(x,y,z)，即：　　则该方程称为泊松方程。拉普拉斯方程和泊松方程是最简单的椭圆型偏微分方程。偏微分算子或δ（可以在任意维空间中定义这样的算子）称为拉普拉斯算子，英文是laplaceoperator或简称作laplacian。　　拉普拉斯方程的狄利克雷问题可归结为求解在区域d内定义的函数φ，使得在d的边界上等于某给定的函数。为方便叙述，以下采用拉普拉斯算子应用的其中一个例子——热传导问题作为背景进行介绍：固定区域边界上的温度（是边界上各点位置坐标的函数），直到区域内部热传导使温度分布达到稳定，这个温度分布场就是相应的狄利克雷问题的解。　　拉普拉斯方程的诺伊曼边界条件不直接给出区域d边界处的温度函数φ本身，而是φ沿d的边界法向的导数。从物理的角度看，这种边界条件给出的是矢量场的势分布在区域边界处的已知效果（对热传导问题而言，这种效果便是边界热流密度）。　　拉普拉斯方程的解称为调和函数，此函数在方程成立的区域内是解析的。任意两个函数，如果它们都满足拉普拉斯方程（或任意线性微分方程），这两个函数之和（或任意形式的线性组合）同样满足前述方程。这种非常有用的性质称为叠加原理。可以根据该原理将复杂问题的已知简单特解组合起来，构造适用面更广的通解。　　在流场中的应用　　设u、v分别为满足定常、不可压缩和无旋条件的流体速度场的x和y方向分量（这里仅考虑二维流场），那么不可压缩条件为：　　无旋条件为：　　若定义一个标量函数ψ，使其微分满足：　　那么不可压缩条件便是上述微分式的可积条件。积分的结果函数ψ称为流函数，因为它在同一条流线上各点的值是相同的。ψ的一阶偏导为：　　无旋条件即令ψ满足拉普拉斯方程。ψ的共轭调和函数称为速度势。柯西-黎曼方程要求　　所以每一个解析函数都对应着平面内的一个定常不可压缩无旋流场。解析函数的实部为速度势函数，虚部为流函数。

没有POCO的账号看不到

拉普拉斯方程表示液面曲率与液体压力之间的关系的公式。一个弯曲的表面称为曲面，通常用相应的两个曲率半径来描述曲面，即在曲面上某点作垂直于表面的直线，再通过此线作一平面，此平面与曲面的截线为曲线，在该点与曲线相重合的圆半径称为该曲线的曲率半径R1。通过表面垂线并垂直于第一个平面再作第二个平面并与曲面相交，可得到第二条截线和它的曲率半径R2，用 R1与R2可表示出液体表面的弯曲情况。若液面是弯曲的，液体内部的压力p1与液体外的压力p2就会不同，在液面两边就会产生压力差△P= P1- P2，其数值与液面曲率大小有关，可表示为：▽p=γ（1/R1+1/R2）式中γ是液体表面张力。该公式成为拉普拉斯方程。在数理方程中　　拉普拉斯方程为：▽u=d^2u/dx^2+d^2u/dy^2=0，其中 ▽ 为拉普拉斯算子，此处的拉普拉斯方程为二阶偏微分方程。三维情况下，拉普拉斯方程可由下面的形式描述，问题归结为求解对实自变量x、y、z二阶可微的实函数φ ： 　　其中 ▽ 称为拉普拉斯算子. 　　拉普拉斯方程的解称为调和函数。 　　如果等号右边是一个给定的函数f(x, y, z)，即： 　　则该方程称为泊松方程。 拉普拉斯方程和泊松方程是最简单的椭圆型偏微分方程。偏微分算子或 ▽（可以在任意维空间中定义这样的算子）称为拉普拉斯算子，英文是 Laplace operator 或简称作 Laplacian。狄利克雷问题　　拉普拉斯方程的狄利克雷问题可归结为求解在区域D内定义的函数φ，使得在D的边界上等于某给定的函数。为方便叙述，以下采用拉普拉斯算子应用的其中一个例子——热传导问题作为背景进行介绍：固定区域边界上的温度（是边界上各点位置坐标的函数），直到区域内部热传导使温度分布达到稳定，这个温度分布场就是相应的狄利克雷问题的解。诺伊曼边界条件　　拉普拉斯方程的诺伊曼边界条件不直接给出区域D边界处的温度函数φ本身，而是φ沿D的边界法向的导数。从物理的角度看，这种边界条件给出的是矢量场的势分布在区域边界处的已知效果（对热传导问题而言，这种效果便是边界热流密度）。拉普拉斯方程的解　　称为调和函数，此函数在方程成立的区域内是解析的。任意两个函数，如果它们都满足拉普拉斯方程（或任意线性微分方程），这两个函数之和（或任意形式的线性组合）同样满足前述方程。这种非常有用的性质称为叠加原理。可以根据该原理将复杂问题的已知简单特解组合起来，构造适用面更广的通解。编辑本段二维拉普拉斯方程　　两个自变量的拉普拉斯方程具有以下形式： 　　函数h (x,y) 为二元函数，h(x,y) 对x的二阶偏导数 + h(x,y)对y的二阶偏导数 = 0解析函数　　解析函数的实部和虚部均满足拉普拉斯方程。换言之，若z = x + iy，并且 　　那么f(z)是解析函数的充要条件是它满足下列柯西-黎曼方程：f（z） = u(x,y) + iv(x ,y) 　　u 对x的偏导数 = v 对y 的偏导数 ， u 对y 的偏导数 = - （v 对 x 的偏导数） 　　上述方程继续 求导就得到 　　所以u 满足拉普拉斯方程。类似的计算可推得v 同样满足拉普拉斯方程。 　　反之，给定一个由解析函数（或至少在某点及其邻域内解析的函数）f(z)的实部确定的调和函数，若写成下列形式： 　　则等式 　　成立就可使得柯西-黎曼方程得到满足。 上述关系无法确定ψ，只能得到它的微增量表达式： 　　φ满足拉普拉斯方程意味着ψ满足可积条件： 　　所以可以通过一个线积分来定义ψ。可积条件和斯托克斯定理的满足说明线积分的结果与积分经过的具体路径无关，仅由起点和终点决定。于是，我们便通过复变函数方法得到了φ和ψ这一对拉普拉斯方程的解。这样的解称为一对共轭调和函数。这种构造解的方法只在局部（复变函数f(z)）的解析域内）有效，或者说，构造函数的积分路径不能围绕有f(z)的奇点。譬如，在极坐标平面(r,θ)上定义函数 　　那么相应的解析函数为 　　在这里需要注意的是，极角θ 仅在不包含原点的区域内才是单值的。 　　拉普拉斯方程与解析函数之间的紧密联系说明拉普拉斯方程的任何解都无穷阶可导（这是解析函数的一个性质），因此可以展开成幂级数形式，至少在不包含奇点的圆域内是如此。这与波动方程的解形成鲜明对照，后者包含任意函数，其中一些的可微分阶数是很小的。 　　幂级数和傅里叶级数之间存在着密切的关系。如果我们将函数f 在复平面上以原点为中心，R 为半径的圆域内展开成幂级数，即 　　将每一项系数适当地分离出实部和虚部 　　那么 　　这便是f 的傅里叶级数。三维情况下　　拉普拉斯方程可由下面的形式描述，问题归结为求解对实自变量x、y、z二阶可微的实函数φ ： 　　上面的方程常常简写作： 　　或

适定性问题的原型范例包括对于拉普拉斯方程的狄利克雷问题，以及给定初始条件的热导方程。在物理过程中解决的这些问题，也许被视为“自然”问题。相较之下，反向热导方程，推演来自最终数据的温度的稍早分布就不是适定的，因为这个解对最终数据极为敏感。一个问题如果不是适定的，哈达玛就将其视为不适定。逆问题通常是不适定的。如果某一个问题是适定的，它就有机会在使用了稳定算法的电脑上取得解。如果问题是不适定的，就需要为数值处理重新以公式表示。这通常包含了额外的假设，例如：解的平滑性。这个过程称为规范化。这些连续问题必须使其离散，以取得数值解。泛函分析问题通常是连续的，当以有限精度或存有错误的资料求解时，它可以承受这些数值的不稳定性。即使一个问题是适定的，它也可能仍是病态的，即在初始资料中的一个微小错误，可以造成很大错误的答案。病态问题以大的条件数表示。

适定性问题的原型范例包括对于拉普拉斯方程的狄利克雷问题，以及给定初始条件的热导方程。在物理过程中解决的这些问题，也许被视为“自然”问题。相较之下，反向热导方程，推演来自最终数据的温度的稍早分布就不是适定的，因为这个解对最终数据极为敏感。一个问题如果不是适定的，哈达玛就将其视为不适定。逆问题通常是不适定的。一个弯曲的表面称为曲面，通常用相应的两个曲率半径来描述曲面，即在曲面上某点作垂直于表面的直线，再通过此线作一平面，此平面与曲面的截线为曲线，在该点与曲线相切的圆半径称为该曲线的曲率半径R1。通过表面垂线并垂直于第一个平面再作第二个平面并与曲面相交，可得到第二条截线和它的曲率半径R2，用 R1与R2可表示出液体表面的弯曲情况。狄利克雷函数（英语：dirichlet function）是一个定义在实数范围上、值域不连续的函数。狄利克雷函数的图像以Y轴为对称轴，是一个偶函数，它处处不连续，处处极限不存在，不可黎曼积分。这是一个处处不连续的可测函数。狄利克雷函数是一个定义在实数范围上、值域不连续的函数。狄利克雷函数的图像以Y轴为对称轴，是一个偶函数，它处处不连续，处处极限不存在，不可黎曼积分。这是一个处处不连续的可测函数。

容斥原理：先不考虑重叠的情况，把包含于某内容中的所有对象的数目先计算出来，然后再把计数时重复计算的数目排斥出去，使得计算的结果既无遗漏又无重复，这种计数的方法称为容斥原理。抽屉原理：如果每个抽屉代表一个集合，每一个苹果就可以代表一个元素，假如有n＋1或多于n＋1个元素放到n个集合中去，其中必定至少有一个集合里至少有两个元素。原理1 把多于n个的物体放到n个抽屉里，则至少有一个抽屉里有2个或2个以上的物体。原理2把（mn－1）个物体放入n个抽屉中，其中必有一个抽屉中至多有（m—1）个物体。

满分20，每个人都可能得0到20分，就构造21个抽屉剩下的就是计算了

桌上有十个苹果，要把这十个苹果放到九个抽屉里，无论怎样放，有的抽屉可以放一个，有的可以放两个，有的可以放五个，但最终我们会发现至少我们可以找到一个抽屉里面至少放两个苹果。这一现象就是我们所说的抽屉原理。 抽屉原理的一般含义为：“如果每个抽屉代表一个集合，每一个苹果就可以代表一个元素，假如有n＋1或多于n＋1个元素放到n个集合中去，其中必定至少有一个集合里至少有两个元素。” 抽屉原理有时也被称为鸽巢原理（“如果有五个鸽子笼，养鸽人养了6只鸽子，那么当鸽子飞回笼中后，至少有一个笼子中装有2只鸽子”）。它是德国数学家狄利克雷首先明确的提出来并用以证明一些数论中的问题，因此，也称为狄利克雷原理。它是组合数学中一个重要的原理。 一． 抽屉原理最常见的形式 原理1 把多于n个的物体放到n个抽屉里，则至少有一个抽屉里有2个或2个以上的物体。 [证明]（反证法）：如果每个抽屉至多只能放进一个物体，那么物体的总数至多是n，而不是题设的n+k(k≥1)，这不可能. 原理2 把多于mn个的物体放到n个抽屉里，则至少有一个抽屉里有m+1个或多于m+1个的物体。 [证明]（反证法）：若每个抽屉至多放进m个物体,那么n个抽屉至多放进mn个物体,与题设不符，故不可能. 原理1 2都是第一抽屉原理的表述 第二抽屉原理： 把（mn－1）个物体放入n个抽屉中，其中必有一个抽屉中至多有（m—1）个物体。 [证明]（反证法）：若每个抽屉都有不少于m个物体，则总共至少有mn个物体，与题设矛盾，故不可能 二．应用抽屉原理解题 抽屉原理的内容简明朴素，易于接受，它在数学问题中有重要的作用。许多有关存在性的证明都可用它来解决。 例1：400人中至少有两个人的生日相同. 解：将一年中的366天视为366个抽屉，400个人看作400个物体，由抽屉原理1可以得知：至少有两人的生日相同. 又如：我们从街上随便找来13人，就可断定他们中至少有两个人属相相同. “从任意5双手套中任取6只，其中至少有2只恰为一双手套。” “从数1，2，...，10中任取6个数，其中至少有2个数为奇偶性不同。” 例2： 幼儿园买来了不少白兔、熊猫、长颈鹿塑料玩具，每个小朋友任意选择两件，那么不管怎样挑选，在任意七个小朋友中总有两个彼此选的玩具都相同，试说明道理. 解 ：从三种玩具中挑选两件，搭配方式只能是下面六种：（兔、兔），（兔、熊猫），（兔、长颈鹿），（熊猫、熊猫），（熊猫、长颈鹿），（长颈鹿、长颈鹿）。把每种搭配方式看作一个抽屉，把7个小朋友看作物体，那么根据原理1，至少有两个物体要放进同一个抽屉里，也就是说，至少两人挑选玩具采用同一搭配方式，选的玩具相同.

当然数学一难。

1.没有,数学都是统考的.2.在某专业里重要的内容可以在专业课中体现,数学是统考科目,并不是所有考数一的都考计算机专业啊!3.这个不清楚.你可以去论坛什么的问问.4.一般没什么歧视某地考生的问题,主要是一般老师不太喜欢外校生,更喜欢本校生.5.现在复习10年考研时间还是比较充足的,不要有包袱,考研和平时成绩虽然有关系但是不大,只要你现在努力,时间很够用的!要对自己有信心.

题目呢？发图片呀

第七

桌上有十个苹果，要把这十个苹果放到九个抽屉里，无论怎样放，有的抽屉可以放一个，有的可以放两个，有的可以放五个，但最终我们会发现至少我们可以找到一个抽屉里面至少放两个苹果。这一现象就是我们所说的抽屉原理。 抽屉原理的一般含义为：“如果每个抽屉代表一个集合，每一个苹果就可以代表一个元素，假如有n＋1或多于n＋1个元素放到n个集合中去，其中必定至少有一个集合里至少有两个元素。” 抽屉原理有时也被称为鸽巢原理（“如果有五个鸽子笼，养鸽人养了6只鸽子，那么当鸽子飞回笼中后，至少有一个笼子中装有2只鸽子”）。它是德国数学家狄利克雷首先明确的提出来并用以证明一些数论中的问题，因此，也称为狄利克雷原理。它是组合数学中一个重要的原理。 一． 抽屉原理最常见的形式 原理1 把多于n个的物体放到n个抽屉里，则至少有一个抽屉里有2个或2个以上的物体。 [证明]（反证法）：如果每个抽屉至多只能放进一个物体，那么物体的总数至多是n，而不是题设的n+k(k≥1)，这不可能. 原理2 把多于mn个的物体放到n个抽屉里，则至少有一个抽屉里有m+1个或多于m+1个的物体。 [证明]（反证法）：若每个抽屉至多放进m个物体,那么n个抽屉至多放进mn个物体,与题设不符，故不可能. 原理1 2都是第一抽屉原理的表述 第二抽屉原理： 把（mn－1）个物体放入n个抽屉中，其中必有一个抽屉中至多有（m—1）个物体。 [证明]（反证法）：若每个抽屉都有不少于m个物体，则总共至少有mn个物体，与题设矛盾，故不可能 二．应用抽屉原理解题 抽屉原理的内容简明朴素，易于接受，它在数学问题中有重要的作用。许多有关存在性的证明都可用它来解决。 例1：400人中至少有两个人的生日相同. 解：将一年中的366天视为366个抽屉，400个人看作400个物体，由抽屉原理1可以得知：至少有两人的生日相同. 又如：我们从街上随便找来13人，就可断定他们中至少有两个人属相相同. “从任意5双手套中任取6只，其中至少有2只恰为一双手套。” “从数1，2，...，10中任取6个数，其中至少有2个数为奇偶性不同。” 例2： 幼儿园买来了不少白兔、熊猫、长颈鹿塑料玩具，每个小朋友任意选择两件，那么不管怎样挑选，在任意七个小朋友中总有两个彼此选的玩具都相同，试说明道理. 解 ：从三种玩具中挑选两件，搭配方式只能是下面六种：（兔、兔），（兔、熊猫），（兔、长颈鹿），（熊猫、熊猫），（熊猫、长颈鹿），（长颈鹿、长颈鹿）。把每种搭配方式看作一个抽屉，把7个小朋友看作物体，那么根据原理1，至少有两个物体要放进同一个抽屉里，也就是说，至少两人挑选玩具采用同一搭配方式，选的玩具相同. 上面数例论证的似乎都是“存在”、“总有”、“至少有”的问题，不错，这正是抽屉原则的主要作用.（需要说明的是，运用抽屉原则只是肯定了“存在”、“总有”、“至少有”，却不能确切地指出哪个抽屉里存在多少.） 抽屉原理虽然简单，但应用却很广泛，它可以解答很多有趣的问题，其中有些问题还具有相当的难度。下面我们来研究有关的一些问题。 （一） 整除问题 把所有整数按照除以某个自然数m的余数分为m类，叫做m的剩余类或同余类，用[0]，[1]，[2]，…，[m-1]表示.每一个类含有无穷多个数，例如[1]中含有1，m+1，2m＋1，3m＋1，….在研究与整除有关的问题时，常用剩余类作为抽屉.根据抽屉原理，可以证明：任意n+1个自然数中，总有两个自然数的差是n的倍数。 例1 证明：任取8个自然数，必有两个数的差是7的倍数。 分析与解答 在与整除有关的问题中有这样的性质，如果两个整数a、b，它们除以自然数m的余数相同，那么它们的差a-b是m的倍数.根据这个性质，本题只需证明这8个自然数中有2个自然数，它们除以7的余数相同.我们可以把所有自然数按被7除所得的7种不同的余数0、1、2、3、4、5、6分成七类.也就是7个抽屉.任取8个自然数，根据抽屉原理，必有两个数在同一个抽屉中，也就是它们除以7的余数相同，因此这两个数的差一定是7的倍数。 例2：对于任意的五个自然数，证明其中必有3个数的和能被3整除. 证明∵任何数除以3所得余数只能是0，1，2，不妨分别构造为3个抽屉： [0]，[1]，[2] ①若这五个自然数除以3后所得余数分别分布在这3个抽屉中，我们从这三个抽屉中各取1个，其和必能被3整除. ②若这5个余数分布在其中的两个抽屉中，则其中必有一个抽屉，包含有3个余数（抽屉原理），而这三个余数之和或为0，或为3，或为6，故所对应的3个自然数之和是3的倍数. ③若这5个余数分布在其中的一个抽屉中，很显然，必有3个自然数之和能被3整除. 例2′：对于任意的11个整数，证明其中一定有6个数，它们的和能被6整除. 证明：设这11个整数为：a1，a2，a3……a11 又6=2×3 ①先考虑被3整除的情形 由例2知，在11个任意整数中，必存在： 3|a1+a2+a3，不妨设a1+a2+a3=b1； 同理，剩下的8个任意整数中，由例2，必存在：3 | a4+a5+a6.设a4+a5+a6=b2； 同理，其余的5个任意整数中，有：3|a7+a8+a9，设：a7+a8+a9=b3 ②再考虑b1、b2、b3被2整除. 依据抽屉原理，b1、b2、b3这三个整数中，至少有两个是同奇或同偶，这两个同奇（或同偶）的整数之和必为偶数.不妨设2|b1+b2 则：6|b1+b2，即：6|a1+a2+a3+a4+a5+a6 ∴任意11个整数，其中必有6个数的和是6的倍数. 例3： 任意给定7个不同的自然数，求证其中必有两个整数，其和或差是10的倍数. 分析：注意到这些数队以10的余数即个位数字，以0，1，…，9为标准制造10个抽屉，标以[0]，[1]，…，[9].若有两数落入同一抽屉，其差是10的倍数，只是仅有7个自然数，似不便运用抽屉原则，再作调整：[6]，[7]，[8]，[9]四个抽屉分别与[4]，[3]，[2]，[1]合并，则可保证至少有一个抽屉里有两个数，它们的和或差是10的倍数. （二）面积问题 例：九条直线中的每一条直线都将正方形分成面积比为2:3的梯形，证明：这九条直线中至少有三条经过同一点. 证明：如图，设直线EF将正方形分成两个梯形，作中位线MN。由于这两个梯形的高相等， 故它们的面积之比等于中位线长的比，即|MH|:|NH| 。于是点H有确定的位置（它在正方形一对对边中点的连线上，且|MH|:|NH|＝2:3）. 由几何上的对称性，这种点共有四个（即图中的H、J、I、K）.已知的九条适合条件的分割直线中的每一条必须经过H、J、I、K这四点中的一点.把H、J、I、K看成四个抽屉，九条直线当成9个物体，即可得出必定有3条分割线经过同一点. （三）染色问题 例1正方体各面上涂上红色或蓝色的油漆（每面只涂一种色），证明正方体一定有三个面颜色相同. 证明：把两种颜色当作两个抽屉，把正方体六个面当作物体，那么6=2×2+2，根据原理二，至少有三个面涂上相同的颜色. 例2 有5个小朋友，每人都从装有许多黑白围棋子的布袋中任意摸出3枚棋子.请你证明，这5个人中至少有两个小朋友摸出的棋子的颜色的配组是一样的。 分析与解答 首先要确定3枚棋子的颜色可以有多少种不同的情况，可以有：3黑，2黑1白，1黑2白，3白共4种配组情况，看作4个抽屉.根据抽屉原理，至少有两个小朋友摸出的棋子的颜色在同一个抽屉里，也就是他们所拿棋子的颜色配组是一样的。 例3：假设在一个平面上有任意六个点，无三点共线，每两点用红色或蓝色的线段连起来，都连好后，问你能不能找到一个由这些线构成的三角形，使三角形的三边同色？ 解：首先可以从这六个点中任意选择一点，然后把这一点到其他五点间连五条线段，如图，在这五条线段中，至少有三条线段是同一种颜色，假定是红色，现在我们再单独来研究这三条红色的线。这三条线段的另一端或许是不同颜色，假设这三条线段（虚线）中其中一条是红色的，那么这条红色的线段和其他两条红色的线段便组成了我们所需要的同色三角形，如果这三条线段都是蓝色的，那么这三条线段也组成我们所需要的同色三角形。因而无论怎样着色，在这六点之间的所有线段中至少能找到一个同色三角形。 例3′（六人集会问题）证明在任意6个人的集会上，或者有3个人以前彼此相识，或者有三个人以前彼此不相识。” 例3”：17个科学家中每个人与其余16个人通信，他们通信所讨论的仅有三个问题，而任两个科学家之间通信讨论的是同一个问题。证明：至少有三个科学家通信时讨论的是同一个问题。 解：不妨设A是某科学家，他与其余16位讨论仅三个问题，由鸽笼原理知，他至少与其中的6位讨论同一问题。设这6位科学家为B，C，D，E，F，G，讨论的是甲问题。 若这6位中有两位之间也讨论甲问题，则结论成立。否则他们6位只讨论乙、丙两问题。这样又由鸽笼原理知B至少与另三位讨论同一问题，不妨设这三位是C，D，E，且讨论的是乙问题。 若C，D，E中有两人也讨论乙问题，则结论也就成立了。否则，他们间只讨论丙问题，这样结论也成立。 三．制造抽屉是运用原则的一大关键 例1 从2、4、6、…、30这15个偶数中，任取9个数，证明其中一定有两个数之和是34。 分析与解答 我们用题目中的15个偶数制造8个抽屉： 凡是抽屉中有两个数的，都具有一个共同的特点：这两个数的和是34。现从题目中的15个偶数中任取9个数，由抽屉原理（因为抽屉只有8个），必有两个数在同一个抽屉中.由制造的抽屉的特点，这两个数的和是34。 例2：从1、2、3、4、…、19、20这20个自然数中，至少任选几个数，就可以保证其中一定包括两个数，它们的差是12。 分析与解答在这20个自然数中，差是12的有以下8对：｛20，8｝，｛19，7｝，｛18，6｝，｛17，5｝，｛16，4｝，｛15，3｝，｛14，2｝，｛13，1｝。 另外还有4个不能配对的数｛9｝，｛10｝，｛11｝，｛12｝，共制成12个抽屉（每个括号看成一个抽屉）.只要有两个数取自同一个抽屉，那么它们的差就等于12，根据抽屉原理至少任选13个数，即可办到（取12个数：从12个抽屉中各取一个数（例如取1，2，3，…，12），那么这12个数中任意两个数的差必不等于12）。 例3： 从1到20这20个数中，任取11个数，必有两个数，其中一个数是另一个数的倍数。 分析与解答 根据题目所要求证的问题，应考虑按照同一抽屉中，任意两数都具有倍数关系的原则制造抽屉.把这20个数按奇数及其倍数分成以下十组，看成10个抽屉（显然，它们具有上述性质）： ｛1，2，4，8，16｝，｛3，6，12｝，｛5，10，20｝，｛7，14｝，｛9，18｝，｛11｝，｛13｝，｛15｝，｛17｝，｛19｝。 从这10个数组的20个数中任取11个数，根据抽屉原理，至少有两个数取自同一个抽屉.由于凡在同一抽屉中的两个数都具有倍数关系，所以这两个数中，其中一个数一定是另一个数的倍数。 例4：某校校庆，来了n位校友，彼此认识的握手问候.请你证明无论什么情况，在这n个校友中至少有两人握手的次数一样多。 分析与解答 共有n位校友，每个人握手的次数最少是0次，即这个人与其他校友都没有握过手；最多有n-1次，即这个人与每位到会校友都握了手.然而，如果有一个校友握手的次数是0次，那么握手次数最多的不能多于n-2次；如果有一个校友握手的次数是n-1次，那么握手次数最少的不能少于1次.不管是前一种状态0、1、2、…、n-2，还是后一种状态1、2、3、…、n-1，握手次数都只有n-1种情况.把这n-1种情况看成n-1个抽屉，到会的n个校友每人按照其握手的次数归入相应的“抽屉”，根据抽屉原理，至少有两个人属于同一抽屉，则这两个人握手的次数一样多。 在有些问题中，“抽屉”和“物体”不是很明显的，需要精心制造“抽屉”和“物体”.如何制造“抽屉”和“物体”可能是很困难的，一方面需要认真地分析题目中的条件和问题，另一方面需要多做一些题积累经验。 抽屉原理 把八个苹果任意地放进七个抽屉里，不论怎样放，至少有一个抽屉放有两个或两个以上的苹果。抽屉原则有时也被称为鸽巢原理，它是德国数学家狄利克雷首先明确的提出来并用以证明一些数论中的问题，因此，也称为狄利克雷原则。它是组合数学中一个重要的原理。把它推广到一般情形有以下几种表现形式。 形式一：证明：设把n＋1个元素分为n个集合A1，A2，…，An，用a1，a2，…，an表示这n个集合里相应的元素个数，需要证明至少存在某个ai大于或等于2（用反证法）假设结论不成立，即对每一个ai都有ai＜2，则因为ai是整数，应有ai≤1，于是有： a1＋a2＋…＋an≤1＋1＋…＋1＝n＜n＋1这与题设矛盾。所以，至少有一个ai≥2，即必有一个集合中含有两个或两个以上的元素。 形式二：设把n•m＋1个元素分为n个集合A1，A2，…，An，用a1，a2，…，an表示这n个集合里相应的元素个数，需要证明至少存在某个ai大于或等于m＋1。用反证法）假设结论不成立，即对每一个ai都有ai＜m＋1，则因为ai是整数，应有ai≤m，于是有： a1＋a2＋…＋an≤m＋m＋…＋m＝n•m＜n•m＋1 n个m 这与题设相矛盾。所以，至少有存在一个ai≥m＋1 高斯函数：对任意的实数x,[x]表示“不大于x的最大整数”. 例如：[3.5]＝3，[2.9]＝2，[－2.5]＝－3，[7]＝7，……一般地，我们有：[x]≤x＜[x]＋1 形式三：证明：设把n个元素分为k个集合A1，A2，…，Ak，用a1，a2，…，ak表示这k个集合里相应的元素个数，需要证明至少存在某个ai大于或等于[n/k]。（用反证法）假设结论不成立，即对每一个ai都有ai＜[n/k]，于是有： a1＋a2＋…＋ak＜[n/k]+[n/k]+…+[n/k] ＝k•[n/k]≤k•(n/k)＝n k个[n/k] ∴ a1＋a2＋…＋ak＜n 这与题设相矛盾。所以，必有一个集合中元素个数大于或等于[n/k] 形式四：证明：设把q1＋q2＋…＋qn－n＋1个元素分为n个集合A1，A2，…，An，用a1，a2，…，an表示这n个集合里相应的元素个数，需要证明至少存在某个i，使得ai大于或等于qi。（用反证法）假设结论不成立，即对每一个ai都有ai＜qi，因为ai为整数，应有ai≤qi－1，于是有：a1＋a2＋…＋an≤q1＋q2＋…＋qn－n ＜q1＋q2＋…＋qn－n＋1这与题设矛盾。 所以，假设不成立，故必有一个i,在第i个集合中元素个数ai≥qi 形式五：证明：（用反证法）将无穷多个元素分为有限个集合，假设这有限个集合中的元素的个数都是有限个，则有限个有限数相加，所得的数必是有限数，这就与题设产生矛盾，所以，假设不成立，故必有一个集合含有无穷多个元素。 例题1：400人中至少有两个人的生日相同.分析：生日从1月1日排到12月31日，共有366个不相同的生日，我们把366个不同的生日看作366个抽屉，400人视为400个苹果，由表现形式1可知，至少有两人在同一个抽屉里，所以这400人中有两人的生日相同. 解：将一年中的366天视为366个抽屉，400个人看作400个苹果，由抽屉原理的表现形式1可以得知：至少有两人的生日相同. 例题2：任取5个整数，必然能够从中选出三个，使它们的和能够被3整除. 证明：任意给一个整数，它被3除，余数可能为0，1，2，我们把被3除余数为0，1，2的整数各归入类r0，r1，r2.至少有一类包含所给5个数中的至少两个.因此可能出现两种情况：1°.某一类至少包含三个数；2°.某两类各含两个数，第三类包含一个数. 若是第一种情况，就在至少包含三个数的那一类中任取三数，其和一定能被3整除；若是第二种情况，在三类中各取一个数，其和也能被3整除..综上所述，原命题正确. 例题3：某校派出学生204人上山植树15301株，其中最少一人植树50株，最多一人植树100株，则至少有5人植树的株数相同. 证明：按植树的多少，从50到100株可以构造51个抽屉，则个问题就转化为至少有5人植树的株数在同一个抽屉里. (用反证法)假设无5人或5人以上植树的株数在同一个抽屉里，那只有5人以下植树的株数在同一个抽屉里，而参加植树的人数为204人，所以，每个抽屉最多有4人，故植树的总株数最多有： 4(50＋51＋…＋100)＝4× ＝15300＜15301得出矛盾.因此，至少有5人植树的株数相同. 练习：1．边长为1的等边三角形内有5个点，那么这5个点中一定有距离小于0.5的两点. 2．边长为1的等边三角形内，若有n2＋1个点，则至少存在2点距离小于 . 3．求证：任意四个整数中，至少有两个整数的差能够被3整除. 4．某校高一某班有50名新生，试说明其中一定有二人的熟人一样多. 5．某个年级有202人参加考试，满分为100分，且得分都为整数，总得分为10101分，则至少有3人得分相同. “任意367个人中，必有生日相同的人。” “从任意5双手套中任取6只，其中至少有2只恰为一双手套。” “从数1，2，...，10中任取6个数，其中至少有2个数为奇偶性不同。” ... ... 大家都会认为上面所述结论是正确的。这些结论是依据什么原理得出的呢？这个原理叫做抽屉原理。它的内容可以用形象的语言表述为： “把m个东西任意分放进n个空抽屉里（m>n），那么一定有一个抽屉中放进了至少2个东西。” 在上面的第一个结论中，由于一年最多有366天，因此在367人中至少有2人出生在同月同日。这相当于把367个东西放入 366个抽屉，至少有2个东西在同一抽屉里。在第二个结论中，不妨想象将5双手套分别编号，即号码为1，2，...，5的手套各有两只，同号的两只是一双。任取6只手套，它们的编号至多有5种，因此其中至少有两只的号码相同。这相当于把6个东西放入5个抽屉，至少有2个东西在同一抽屉里。 抽屉原理的一种更一般的表述为： “把多于kn个东西任意分放进n个空抽屉（k是正整数），那么一定有一个抽屉中放进了至少k+1个东西。” 利用上述原理容易证明：“任意7个整数中，至少有3个数的两两之差是3的倍数。”因为任一整数除以3时余数只有0、1、2三种可能，所以7个整数中至少有3个数除以3所得余数相同，即它们两两之差是3的倍数。 如果问题所讨论的对象有无限多个，抽屉原理还有另一种表述： “把无限多个东西任意分放进n个空抽屉（n是自然数），那么一定有一个抽屉中放进了无限多个东西。” 抽屉原理的内容简明朴素，易于接受，它在数学问题中有重要的作用。许多有关存在性的证明都可用它来解决。 1958年6/7月号的《美国数学月刊》上有这样一道题目： “证明在任意6个人的集会上，或者有3个人以前彼此相识，或者有三个人以前彼此不相识。” 这个问题可以用如下方法简单明了地证出： 在平面上用6个点A、B、C、D、E、F分别代表参加集会的任意6个人。如果两人以前彼此认识，那么就在代表他们的两点间连成一条红线；否则连一条蓝线。考虑A点与其余各点间的5条连线AB，AC，...，AF，它们的颜色不超过2种。根据抽屉原理可知其中至少有3条连线同色，不妨设AB，AC，AD同为红色。如果BC，BD ，CD 3条连线中有一条（不妨设为BC）也为红色，那么三角形ABC即一个红色三角形，A、B、C代表的3个人以前彼此相识：如果BC、BD、CD 3条连线全为蓝色，那么三角形BCD即一个蓝色三角形，B、C、D代表的3个人以前彼此不相识。不论哪种情形发生，都符合问题的结论。 六人集会问题是组合数学中著名的拉姆塞定理的一个最简单的特例，这个简单问题的证明思想可用来得出另外一些深入的结论。这些结论构成了组合数学中的重要内容-----拉姆塞理论。从六人集会问题的证明中，我们又一次看到了抽屉原理的应用。