题目内容
9.已知双曲线$M:\frac{x^2}{a^2}-\frac{y^2}{b^2}=1(a>0,b>0)$的左、右焦点分别为F1、F2,|F1F2|=2c.若双曲线M的右支上存在点P,使$\frac{a}{{sin∠P{F_1}{F_2}}}=\frac{3c}{{sin∠P{F_2}{F_1}}}$,则双曲线M的离心率的取值范围为( )| A. | $(1,\frac{{2+\sqrt{7}}}{3})$ | B. | $(1,\frac{{2+\sqrt{7}}}{3}]$ | C. | (1,2) | D. | (1,2] |
分析 利用正弦定理及双曲线的定义,可得a,c的不等式,结合PF2>c-a,即可求出双曲线的离心率的取值范围.
解答
解:由$\frac{a}{{sin∠P{F_1}{F_2}}}=\frac{3c}{{sin∠P{F_2}{F_1}}}$,
在△PF1F2中,由正弦定理可得
$\frac{P{F}_{2}}{sin∠P{F}_{1}{F}_{2}}$=$\frac{P{F}_{1}}{sin∠P{F}_{2}{F}_{1}}$,
可得3c•PF2=a•PF1,且PF1-PF2=2a
联立可得PF2=$\frac{2{a}^{2}}{3c-a}$>0,即得3c-a>0,即e=$\frac{c}{a}$>$\frac{1}{3}$,…①
又PF2>c-a(由P在双曲线右支上运动且异于顶点),
∴PF2=$\frac{2{a}^{2}}{3c-a}$>c-a,化简可得3c2-4ac-a2<0,
即3e2-4e-1<0,得$\frac{2-\sqrt{7}}{3}$<e<$\frac{2+\sqrt{7}}{3}$…②
又e>1,③
由①②③可得,e的范围是(1,$\frac{2+\sqrt{7}}{3}$).
故选:A.
点评 本题考查双曲线的离心率的取值范围,考查正弦定理及双曲线的定义,考查化简整理的圆能力,属于中档题.
练习册系列答案
相关题目
19.甲、乙两人可参加A,B,C三个不同的学习小组,若每人必须参加并且仅能参加一个学习小组,则两人参加同一个学习小组的概率为( )
| A. | $\frac{1}{3}$ | B. | $\frac{1}{4}$ | C. | $\frac{1}{5}$ | D. | $\frac{1}{6}$ |
17.已知集合A={x∈Z|(2x+3)(x-3)<0},B={x|y=$\sqrt{1-lnx}$},则A∩B=( )
| A. | (0,e] | B. | {0,e} | C. | {1,2} | D. | (1,2) |
1.已知复数$z=\frac{1}{1+i}$,则z的虚部为( )
| A. | $\frac{1}{2}i$ | B. | $-\frac{1}{2}i$ | C. | $\frac{1}{2}$ | D. | $-\frac{1}{2}$ |
18.
根据“2015年国民经济和社会发展统计公报”中公布的数据,从2011 年到2015 年,我国的第三产业在GDP中的比重如下:
(1)在所给坐标系中作出数据对应的散点图;
(2)建立第三产业在GDP中的比重y关于年份代码x的回归方程;
(3)按照当前的变化趋势,预测2017 年我国第三产业在GDP中的比重.
附注:回归直线方程$\widehaty=\widehata+\widehatbx$中的斜率和截距的最小二乘估计公式分别为:$\widehatb=\frac{{\sum_{i=1}^n{{x_i}{y_i}-n\overline x\overline y}}}{{\sum_{i=1}^n{x_i^2}-n{{(\overline x)}^2}}}=\frac{{\sum_{i=1}^n{({x_i}-\overline x)({y_i}-\overline y})}}{{\sum_{i=1}^n{{{({x_i}-\overline x)}^2}}}}$,$\widehata=\overline y-\widehatb\overline x$.
| 年份 | 2011 | 2012 | 2013 | 2014 | 2015 |
| 年份代码x | 1 | 2 | 3 | 4 | 5 |
| 第三产业比重y(%) | 44.3 | 45.5 | 46.9 | 48.1 | 50.5 |
(2)建立第三产业在GDP中的比重y关于年份代码x的回归方程;
(3)按照当前的变化趋势,预测2017 年我国第三产业在GDP中的比重.
附注:回归直线方程$\widehaty=\widehata+\widehatbx$中的斜率和截距的最小二乘估计公式分别为:$\widehatb=\frac{{\sum_{i=1}^n{{x_i}{y_i}-n\overline x\overline y}}}{{\sum_{i=1}^n{x_i^2}-n{{(\overline x)}^2}}}=\frac{{\sum_{i=1}^n{({x_i}-\overline x)({y_i}-\overline y})}}{{\sum_{i=1}^n{{{({x_i}-\overline x)}^2}}}}$,$\widehata=\overline y-\widehatb\overline x$.