函数与极限模块
典型题型包括：隐函数存在性与可导性综合判断、含参变上限积分的极限计算、数列极限的夹逼与递推构造。
经典案例：设函数 f(x) 在 x=0 处二阶可导，且满足 f(x) + f(-x) = x² + o(x²)，求 limx→0 [f(x) - f'(0)x]/x²。
? 解题路径拆解
- 由已知条件得 f(0) = 0（令 x=0）；
- 对等式两边求导两次：得 f''(0) = 2；
- 利用泰勒展开：f(x) = f'(0)x + x² + o(x²)；
- 代入极限式：[f'(0)x + x² + o(x²) - f'(0)x]/x² = 1 + o(1) → 1。
命题陷阱提示：考生易忽略“二阶可导”隐含的泰勒展开可行性，或错误使用洛必达法则导致计算复杂化。
线性代数模块
核心难点在于：抽象向量空间的基与维数分析、实对称矩阵的合同与相似双重判定、线性方程组解结构的几何意义阐释。
典型题型：设 A 为3阶实对称矩阵，满足 A² + 2A = O，且 r(A) = 2，求矩阵 A + 3E 的正惯性指数。
? 解题路径拆解
- 由 A² + 2A = O 得特征值满足 λ² + 2λ = 0，即 λ = 0 或 λ = -2；
- 由 r(A) = 2 知 λ=0 的重数为1，λ=-2 的重数为2；
- A + 3E 的特征值为 λ+3：即 3（1重）、1（2重）；
- 正惯性指数 = 正特征值个数 = 3。
思维升级点：从“矩阵运算”转向“特征值映射”，理解合同变换下的惯性指数不变性，是突破抽象题型的关键。
概率统计模块
高频难点包括：多维随机变量函数的分布推导、大样本下统计量的渐近分布应用、贝叶斯估计的后验分布构建。
经典题型：设总体 X 服从参数为 θ 的指数分布，概率密度 f(x) = θe-θx (x>0)，取样本 X₁,X₂,...,Xₙ，求 θ 的极大似然估计的均方误差。
? 解题路径拆解
- 似然函数：L(θ) = θⁿ e-θΣxᵢ；
- 对数似然：lnL = n lnθ - θΣxᵢ；
- 求导得：θ̂ = n/Σxᵢ = 1/X̄；
- 计算均方误差：MSE = D(θ̂) + [B(θ̂)]²；
- 利用 ΣXᵢ ~ Γ(n, θ) 得：E(1/X̄) = nθ/(n-1)，D(1/X̄) = nθ²/[(n-1)²(n-2)]；
- 最终得：MSE = θ²/[ (n-1)²(n-2) ] · [n + (n-1)² - 2n(n-1)]（化简后）。
易错预警：忽略样本容量 n≥3 的前提条件（方差存在要求），或错误计算伽马分布倒数的数字特征。
跨模块综合应用
近年真题趋势显示，压轴题更倾向“数学一”综合题：微积分+线性代数（如微分方程解空间结构）、概率+微积分（如随机过程的积分性质）。
2023年真题范例：设随机变量序列 {Xₙ} 独立同分布，概率密度 f(x) = e-|x|/2，令 Yₙ = (X₁+...+Xₙ)/√n，证明：Yₙ 依分布收敛于正态分布，并求其极限分布的参数。
? 解题路径拆解
- 计算特征函数：φ(t) = E(e^{itX}) = 1/(1+t²/4)；
- Yₙ 的特征函数：[φ(t/√n)]ⁿ = [1 + t²/(4n)]^{-n} → e^{-t²/4}（当 n→∞）；
- 极限特征函数对应正态分布 N(0,2)（因 e^{-σ²t²/2} 中 σ²/2 = 1/4）；
- 由特征函数连续定理得证。
思维启示：掌握特征函数法处理极限分布问题，是应对抽象型综合题的“核武器”。