高等数学（微积分与级数）
在应用统计学考研中，高等数学是概率论与数理统计推导的基石，尤其在最大似然估计、贝叶斯推断、随机过程建模中高频使用。常见考点包括：
- 元/多元函数微分学：偏导数、梯度、Hessian矩阵用于优化估计量（如OLS估计的推导）
- 重积分与概率密度函数：联合分布、边缘分布、条件分布的计算（如二元正态分布积分）
- 泰勒展开与渐近理论：用于证明估计量的渐近正态性（如极大似然估计的渐近方差）
- 反常积分与期望存在性：判断分布的数学期望是否存在（如柯西分布无期望）
概率论与数理统计（核心中的核心）
这是应用统计学考研的重中之重，占比通常达40%以上。核心内容包括：
- 随机变量及其分布：常见离散/连续分布（伯努利、泊松、二项、正态、t、F、χ²）的性质、矩生成函数、特征函数
- 大数定律与中心极限定理：理解独立同分布、李雅普诺夫情形下的收敛性，用于置信区间构造
- 点估计理论：无偏性、有效性、相合性；Cramér-Rao不等式与有效估计量
- 假设检验：Neyman-Pearson引理、似然比检验、p值计算、第一/二类错误分析
- 区间估计：枢轴量法、置信区间与假设检验的等价性
易搜职考网历年真题分析显示：2023年某名校真题中，一道15分综合题要求考生从泊松分布样本出发，推导参数的无偏估计、构造置信区间，并进行假设检验，全面考察概率论与数理统计的融合能力。
线性代数（矩阵视角下的统计）
在线性模型（如多元回归）、多元统计分析、降维技术（PCA）中不可或缺。高频考点：
- 矩阵运算与分解：矩阵乘法、逆、行列式；Cholesky分解用于协方差矩阵处理
- 次型与正定性：用于判断协方差矩阵正定性、二次型分布（如χ²分布的矩阵形式）
- 特征值与特征向量：主成分分析（PCA）的核心原理
- 向量空间与投影：OLS估计的几何解释（残差与预测值正交）