一、考试概述
2004年的考研数学二考试旨在考查考生对高等数学、线性代数和概率论与数理统计等基础知识的掌握程度，以及运用这些知识解决实际问题的能力。以下是各部分的详细解析及答案。
二、高等数学部分
1. 一元函数微分学
题目示例： 求函数 \(f(x) = x^3 - 3x + 2\) 的导数。
解答：
def derivative(f, x):
return f(x) - f(x - 1)
f = lambda x: x**3 - 3*x + 2
x_value = 1 # 举例，求x=1时的导数
result = derivative(f, x_value)
print(f"函数在x={x_value}时的导数为: {result}")
解析： 通过计算函数在某点的导数，我们可以了解函数在该点的变化率。
2. 一元函数积分学
题目示例： 计算定积分 \(\int_0^1 (x^2 + 1) \, dx\)。
解答：
def integral(f, a, b):
return sum(f(x) for x in range(a, b+1)) / (b - a)
f = lambda x: x**2 + 1
a, b = 0, 1
result = integral(f, a, b)
print(f"定积分 $\int_{a}^{b} (x^2 + 1) \, dx$ 的值为: {result}")
解析： 定积分可以用来求函数在某区间上的累积量。
三、线性代数部分
1. 矩阵及其运算
题目示例： 求矩阵 \(A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}\) 的行列式。
解答：
def determinant(matrix):
return matrix[0][0]*matrix[1][1] - matrix[0][1]*matrix[1][0]
A = [[1, 2], [3, 4]]
result = determinant(A)
print(f"矩阵 $A$ 的行列式为: {result}")
解析： 行列式是矩阵的一个重要性质，可以用来判断矩阵的秩和求解线性方程组。
2. 线性方程组
题目示例： 求解线性方程组 \(\begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = \begin{bmatrix} 6 \\ 12 \end{bmatrix}\)。
解答：
import numpy as np
A = np.array([[1, 2], [3, 4]])
b = np.array([6, 12])
x = np.linalg.solve(A, b)
print(f"线性方程组的解为: x={x[0]}, y={x[1]}")
解析： 线性方程组是线性代数中的重要内容，通过矩阵运算可以求解。
四、概率论与数理统计部分
1. 随机变量及其分布
题目示例： 已知随机变量 \(X\) 服从标准正态分布，求 \(P(X > 0)\)。
解答：
from scipy.stats import norm
p_value = 1 - norm.cdf(0)
print(f"随机变量 $X$ 服从标准正态分布时，$P(X > 0)$ 的值为: {p_value}")
解析： 正态分布是概率论中常见的连续型随机变量分布，可以通过查表或计算得出概率值。
2. 参数估计
题目示例： 对总体均值 \(\mu\) 进行区间估计，已知样本均值 \(\bar{x} = 5\)，样本方差 \(s^2 = 4\)，样本量 \(n = 9\)，置信水平为 \(95\%\)。
解答：
from scipy.stats import t
mean = 5
variance = 4
n = 9
alpha = 0.05
t_value = t.ppf(1 - alpha/2, df=n-1)
margin_of_error = t_value * (s / np.sqrt(n))
confidence_interval = (mean - margin_of_error, mean + margin_of_error)
print(f"总体均值 $\mu$ 的 $95\%$ 置信区间为: {confidence_interval}")
解析： 参数估计是数理统计中的重要内容，通过样本数据可以估计总体参数的值。
五、总结
通过以上对各部分的详细解析及答案，相信读者对2004年考研数学二真题有了更深入的理解。希望这些解析能帮助考生在备考过程中更好地掌握知识点，提高解题能力。