【例1】极限计算——隐含等价无穷小的识别
数学三第3题：设函数f(x) = ln(1 + x²) - x²cos(1/x)（x≠0），f(0)=0，则f'(0) = ?
解题路径：
- 直接代入导数定义：f'(0) = limh→0 [f(h) - f(0)] / h = limh→0 [ln(1+h²) - h²cos(1/h)] / h
- 拆分：lim [ln(1+h²)/h] - lim [h cos(1/h)]
- 第一项：ln(1+h²) ~ h² ⇒ h²/h = h → 0
- 第二项：|h cos(1/h)| ≤ |h| → 0（有界量乘无穷小）
- 结果：0
常见误区：
- 误用洛必达法则：因cos(1/h)在0处震荡无极限，导函数不连续，不可直接求导后取极限；
- 混淆f(x)在x=0处连续性与可导性：虽然limx→0 f(x) = 0 = f(0)，连续成立，但可导需严格按定义验证。
拓展：此类题常与分段函数、含参变量极限结合。建议掌握“等价替换三原则”：仅适用于乘除运算、替换部分需保证极限存在、替换后误差为高阶无穷小。
【例2】重积分——换序陷阱与对称性利用
数学一第19题：计算二重积分 ∫₀¹∫ₓ¹ e-y² dy dx
标准解法：
- 原积分区域：0≤x≤1, x≤y≤1 ⇒ 三角形区域（y从0到1，x从0到y）
- 换序后：∫₀¹∫₀ʸ e-y² dx dy = ∫₀¹ e-y² · y dy
- 令u = -y² ⇒ du = -2y dy ⇒ 原式 = -½ ∫₀⁻¹ eᵘ du = ½(1 - e⁻¹)
高频错误：
- 区域画错：将x≤y误作y≤x，导致积分限颠倒；
- 忽略对称性：本题若强行先积e-y² dy会失败（原函数非初等），换序是唯一可行路径。
【例3】矩阵相似——特征值与迹的综合应用
数学一第20题：设A = [[2,1],[1,2]]，B = [[a,2],[2,a]]，若A与B相似，求a及可逆矩阵P使P⁻¹AP = B。
解题关键：
- 相似矩阵有相同特征值 ⇒ tr(A) = tr(B), det(A) = det(B)
- tr(A) = 4, det(A) = 3；tr(B) = 2a, det(B) = a² - 4
- 得：2a = 4 ⇒ a = 2；验证det(B) = 4 - 4 = 0 ≠ 3？矛盾！
- 修正：det(B) = a² - 4 = 3 ⇒ a² = 7 ⇒ a = ±√7，与tr条件联立：2a = 4 ⇒ a = 2，矛盾。
- 结论：无解？——陷阱！相似需全部特征值相同，但仅tr与det相等不足以保证（需特征多项式完全一致）
- 特征多项式：A为λ² - 4λ + 3；B为λ² - 2aλ + (a²-4)
- 令系数相等：2a=4 ⇒ a=2；a²-4=0≠3 ⇒ 无解
启示：相似 ⇔ 特征多项式相同 ⇔ 若矩阵可对角化，则特征值集合相同（含重数）。本题A与B均不可对角化？不，A可对角化（实对称），B当a=2时为[[2,2],[2,2]]，秩为1，特征值为4,0，与A不同，故不相似。
【例4】二次型——规范形与合同变换
数学二第22题：二次型f(x₁,x₂,x₃) = x₁² + 2x₂² + 2x₃² + 2x₁x₂ + 2x₁x₃，求其正惯性指数及合同于的规范形。
配方法步骤：
- f = (x₁ + x₂ + x₃)² + x₂² + x₃² - 2x₂x₃
- = (x₁ + x₂ + x₃)² + (x₂ - x₃)² ≥ 0
- 令y₁ = x₁+x₂+x₃, y₂ = x₂-x₃, y₃ = x₃ ⇒ 正惯性指数=2，负惯性指数=0
- 规范形：z₁² + z₂²
矩阵法验证：A = [[1,1,1],[1,2,0],[1,0,2]]，顺序主子式：1>0, |A₂|=1>0, |A|=1>0 ⇒ 正定？但计算得特征值：λ₁=3+√3, λ₂=3-√3, λ₃=0？矛盾！
修正：|A| = 1×(4-0) -1×(2-0) +1×(0-2) = 4-2-2=0 ⇒ 有零特征值，非正定。配方法正确，规范形含两个平方项。
【例5】二维随机变量——边缘分布与独立性判断
数学三第21题：设(X,Y)的联合密度f(x,y) = { 2, 0
解：
- X的边缘密度f_X(x) = ∫ₓ¹ 2 dy = 2(1-x), 0
- Y的边缘密度f_Y(y) = ∫₀ʸ 2 dx = 2y, 0
- 验证：f(x,y) = 2 ≠ f_X(x)f_Y(y) = 4y(1-x) ⇒ 不独立
几何理解：联合密度非零区域为三角形（y>x），边界依赖性强，直观上X大则Y必大，故相关。
【例6】参数估计——无偏性与方差比较
数学一第23题：设X₁,…,Xₙ ~ U(0,θ)，证明：(1) X₍ₙ₎ = max(X₁,…,Xₙ)是θ的相合估计；(2)求θ的无偏估计并比较方差。
解：
- F_{X₍ₙ₎}(x) = (x/θ)ⁿ, f_{X₍ₙ₎}(x) = n x^{n-1}/θⁿ, 0
- E[X₍ₙ₎] = ∫₀^θ x·n x^{n-1}/θⁿ dx = nθ/(n+1) ⇒ 修正得无偏估计：θ̂ = (n+1)/n · X₍ₙ₎
- Var(θ̂) = [(n+1)/n]² · Var(X₍ₙ₎)
- E[X₍ₙ₎²] = nθ²/(n+2) ⇒ Var(X₍ₙ₎) = nθ²/(n+2) - [nθ/(n+1)]² = nθ²/[(n+1)²(n+2)]
- Var(θ̂) = (n+1)²/n² · nθ²/[(n+1)²(n+2)] = θ²/[n(n+2)]
- 另：样本均值X̄的期望为θ/2，故2X̄也是无偏估计，Var(2X̄)=4·(θ²/12)/n=θ²/(3n)
- 比较：θ²/[n(n+2)] < θ²/(3n) ⇔ 3 < n+2 ⇔ n>1 ⇒ 当n≥2时，θ̂更优
结论：最大次序统计量修正后的估计方差最小，是UMVUE（一致最小方差无偏估计）。