大学数学不只是高中数学更难。它换了目标：不只会算，还要理解定义、结构、证明和模型。微积分研究连续变化，线性代数研究向量和空间变换，概率论研究随机事件的规律，离散数学研究计算机喜欢的离散结构。四门课构成了理工科的数学底座。
微积分就是研究函数连续变化的数学。想看函数从小学到大学的完整演化？看函数主题树。
极限是微积分的地基。导数是"变化率的极限"，积分是"无限求和的极限"。不弄懂极限，后面的一切都悬在半空。
极限不是"等于"，而是"越来越靠近"。比如 x 越来越接近 2 时，x + 3 就越来越接近 5。
lim(x→a) f(x) = L 的严格定义：
对任意 ε > 0，存在 δ > 0，使得当 0 < |x-a| < δ 时，|f(x) - L| < ε。
直觉翻译：你要 f(x) 离 L 多近（ε），我都能找到 x 离 a 多近（δ）来保证。这就是"越来越靠近"的精确说法。
遇到 0/0 或 ∞/∞ 型未定式：
lim f(x)/g(x) = lim f'(x)/g'(x)
例：lim(x→0) sin(x)/x = lim(x→0) cos(x)/1 = 1。分子分母同时求导，极限往往变简单。
函数在 a 点连续，需要三个条件：
连续函数的图像"不断开"。多项式、指数函数、三角函数在定义域内都连续。
求极限：lim(x→3) (x² - 9)/(x - 3)
分子因式分解：(x²-9)/(x-3) = (x+3)(x-3)/(x-3) = x+3（x≠3 时约分）。代入 x=3 得 6。注意 x=3 时原式无定义（0/0），但极限存在。
把开车想成一个故事：速度表显示某一刻跑得多快，这是导数的味道。导数让你精确知道"这一刻"变化有多快。
f'(x) = lim(h→0) [f(x+h) - f(x)] / h
这是差商的极限——当 h 趋近 0 时，"平均变化率"变成"瞬时变化率"。
例：f(x) = x²，则 f'(x) = lim(h→0) [(x+h)² - x²]/h = lim(h→0) (2xh + h²)/h = 2x。
| 函数 | 导数 |
|---|---|
| xⁿ | nxⁿ⁻¹ |
| eˣ | eˣ（自己！） |
| ln(x) | 1/x |
| sin(x) | cos(x) |
| cos(x) | -sin(x) |
链式法则最常用。比如 sin(x²) 的导数 = cos(x²) · 2x。
求函数的最大值和最小值：
例：用 100m 围栏围长方形，最大面积？设长为 x，宽为 (50-x)，面积 A = x(50-x) = 50x - x²。A' = 50 - 2x = 0，x = 25。正方形时面积最大。
求 f(x) = x³ - 3x + 2 的极值点，并判断是极大还是极小。
f'(x) = 3x² - 3 = 3(x² - 1) = 3(x+1)(x-1)。令 f'(x) = 0，得 x = -1 或 x = 1。f''(x) = 6x。x = -1 时 f''(-1) = -6 < 0 → 极大值 f(-1) = 4。x = 1 时 f''(1) = 6 > 0 → 极小值 f(1) = 0。
积分是"无限求和"。把面积切成无数个极窄的长方形，每个面积 = 高 × 宽，然后全部加起来。宽趋近 0 时，这个和就是积分。
把区间 [a,b] 分成 n 个小区间，每个宽度 Δx = (b-a)/n：
Σ f(xᵢ)·Δx → ∫(a→b) f(x)dx（当 n → ∞）
这就是定积分的直觉：无数个极窄长方形的面积之和。
这是整个微积分最深刻的结论：
∫(a→b) f(x)dx = F(b) - F(a)
其中 F 是 f 的原函数（F' = f）。它把"求面积"和"找原函数"这两件看似无关的事连在了一起。导数和积分互为逆运算！
例：∫ xeˣ dx，令 u = x, dv = eˣ dx。则 du = dx, v = eˣ。所以 = xeˣ - ∫eˣ dx = xeˣ - eˣ + C。
计算定积分：∫(0→2) (3x² + 1) dx
原函数 F(x) = x³ + x。由微积分基本定理：F(2) - F(0) = (8 + 2) - (0 + 0) = 10。这就是曲线 y = 3x² + 1 下方从 0 到 2 的面积。
泰勒展开是一个惊人的想法：任何"光滑"的函数都可以用多项式来近似。多项式只会加减乘，计算机最喜欢。这就是为什么泰勒展开在数值计算中无处不在。
无穷级数 Σ aₙ 的部分和 Sₙ = a₁ + a₂ + ... + aₙ。如果 Sₙ 趋近一个有限的数，级数收敛；否则发散。
判断收敛的常用工具：
函数 f 在 x = a 处的泰勒展开：
f(x) = f(a) + f'(a)(x-a) + f''(a)(x-a)²/2! + f'''(a)(x-a)³/3! + ...
a = 0 时叫麦克劳林级数。取前几项就是多项式近似，项越多越精确。
从这些展开还能看出深刻联系：eⁱˣ = cos(x) + i·sin(x)（欧拉公式），数学中最美的等式 eⁱπ + 1 = 0 就是从这里来的。
用泰勒展开的前三项近似计算 e⁰·¹ 的值，和计算器结果 1.105171 比较误差。
eˣ ≈ 1 + x + x²/2。代入 x = 0.1：1 + 0.1 + 0.01/2 = 1 + 0.1 + 0.005 = 1.105。与精确值 1.105171 相比，误差约 0.000171，精度已经很好了！只用了三项多项式。
线性代数同时是方程和几何的终极形态：Ax=b 是方程组，矩阵变换是高维几何。看方程主题树和几何主题树。
一个学生的数学成绩用 90 表示。但要同时表示语文、数学、英语，就需要向量 (85, 90, 88)。向量不是高级符号，它是一组有顺序的数，也是空间中的一个方向。
点积 = 0 说明两向量垂直。这是判断正交的基础。
向量 a = (3,4)，b = (1,0)。① 计算 a·b。② a 和 b 是否正交？③ |a| 是多少？
① a·b = 3×1 + 4×0 = 3。② 不正交（a·b = 3 ≠ 0）。③ |a| = √(9+16) = 5（经典的 3-4-5 直角三角形！）。
矩阵可以把一个向量变成另一个向量。旋转、缩放、拉伸、投影——所有这些"变形"都可以用矩阵统一表达。
det(A) 告诉你变换对面积/体积做了什么：
det = 0 意味着信息丢失——无法从结果还原输入。
| 变换 | 矩阵 | 对图形的影响 |
|---|---|---|
| 放大 2 倍 | [2 0; 0 2] | 图形整体变大，面积 ×4 |
| 横向拉伸 | [2 0; 0 1] | 左右拉宽 2 倍，面积 ×2 |
| 旋转 90° | [0 -1; 1 0] | 逆时针转 90°，面积不变 |
| 投影到 x 轴 | [1 0; 0 0] | 压到 x 轴上，det = 0 |
| 剪切 | [1 1; 0 1] | 正方形变平行四边形，面积不变 |
矩阵 A = [2 0; 0 3]。它对向量 (1,1) 做了什么变换？det(A) 是多少？面积变为几倍？
A·(1,1) = (2×1+0×1, 0×1+3×1) = (2, 3)——x 方向拉长 2 倍，y 方向拉长 3 倍。det(A) = 2×3 - 0×0 = 6。面积变为原来的 6 倍。
矩阵 A 对空间做变换时，大部分向量会改变方向。但有些特殊向量只改变长度（可能反向），方向不变或正好相反。这些向量就是特征向量，拉伸/压缩的比例就是特征值。
Av = λv（v ≠ 0）
v 是特征向量，λ 是对应的特征值。求解步骤：
例：A = [3 1; 0 2]。det(A - λI) = (3-λ)(2-λ) = 0，λ₁ = 3, λ₂ = 2。
想象对一个椭圆做变换：
如果矩阵有 n 个线性无关的特征向量，可以写成：
A = PDP⁻¹
D 是对角矩阵（特征值在对角线上）。这意味着在特征向量的坐标系里，变换就只是各个方向独立的伸缩。计算 A¹⁰⁰ 变成 PD¹⁰⁰P⁻¹——对角矩阵的幂太简单了！
矩阵 A = [4 1; 2 3]。求特征值和对应的特征向量。
det(A - λI) = (4-λ)(3-λ) - 2 = λ² - 7λ + 10 = (λ-5)(λ-2) = 0。λ₁ = 5，λ₂ = 2。
λ₁ = 5：(A-5I)v = 0 → [-1 1; 2 -2]v = 0 → v₁ = (1, 1)。
λ₂ = 2：(A-2I)v = 0 → [2 1; 2 1]v = 0 → v₂ = (1, -2)。
验证：A·(1,1) = (5,5) = 5·(1,1) ✓。A·(1,-2) = (2,-4) = 2·(1,-2) ✓。
抛硬币、掷骰子、测身高——单次结果不确定，但大量重复时会出现稳定的规律。概率论就是把这些规律精确化。
PDF（概率密度函数）不是概率本身，曲线下的面积才是概率。
概率密度函数(PDF) f(x)：描述随机变量在各处的"密集程度"。注意：f(x) 可以大于 1，但总面积 = 1。
累积分布函数(CDF) F(x) = P(X ≤ x)：F(x) = ∫(-∞→x) f(t)dt。CDF 从 0 单调递增到 1，永远不降。
P(a < X < b) = F(b) - F(a)，即两个 CDF 值之差。
中心极限定理：大量独立随机变量之和的分布趋近正态，不管每个变量原本是什么分布。
这意味着：
正态分布是"自然界的默认分布"。
掷 3 次公平硬币，记正面朝上的次数为 X。① X 服从什么分布？② P(X = 2) 是多少？③ P(X ≥ 2) 是多少？
① X 服从二项分布 B(3, 0.5)。② P(X=2) = C(3,2)·(0.5)²·(0.5)¹ = 3 × 0.25 × 0.5 = 0.375。③ P(X≥2) = P(X=2) + P(X=3) = 0.375 + C(3,3)·(0.5)³ = 0.375 + 0.125 = 0.5。
抛一次硬币不知道结果。但抛一万次，正面朝上的比例几乎一定接近 0.5。这就是概率论的核心信念：随机中藏着秩序。
期望是"长期平均"：
公平骰子 E(X) = 1×(1/6) + 2×(1/6) + ... + 6×(1/6) = 3.5。注意：3.5 不是任何一次的结果，而是长期平均。
重要性质：E(aX + b) = aE(X) + b，E(X+Y) = E(X) + E(Y)。
方差衡量"偏离平均值的程度"：
Var(X) = E[(X - μ)²] = E(X²) - [E(X)]²
标准差 σ = √Var(X)，和 X 同单位，更好理解。
不需要知道分布，就能估计偏离的概率：
P(|X - μ| ≥ kσ) ≤ 1/k²
比如：不管什么分布，X 偏离均值超过 3 个标准差的概率最多 1/9 ≈ 11%。正态分布更严格：超过 3σ 的概率只有 0.3%。
当试验次数 n → ∞ 时，样本均值 X̄ₙ = (X₁+...+Xₙ)/n 趋近于期望 μ。
直觉：抛硬币次数越多，正面比例越接近 0.5。这不是"运气"，而是数学保证。
赌场为什么总能赢？大数定律保证：短期有输有赢，长期赌场必赚。赌博的期望是负的（赌场优势），玩的次数越多，结果越确定地亏钱。
彩票每张 2 元，中奖概率 1%，奖金 100 元。① 期望收益是多少？② 长期买彩票是赚还是亏？
① E(X) = 100×0.01 + 0×0.99 = 1 元（期望中奖金额）。但彩票 2 元一张，所以期望净收益 = 1 - 2 = -1 元。② 长期来看每张亏 1 元。买 1000 张彩票，大约中奖 10 次（1000 元），但花了 2000 元，净亏 1000 元。大数定律保证：买越多，亏越确定。
想知道全国大学生平均身高，不可能量每一个人。统计学的方法：随机抽一部分人（样本），用样本的信息猜全体（总体），并量化"猜得多靠谱"。
用样本统计量估计总体参数：
例：抛 10 次硬币出现 7 次正面。MLE 估计正面概率 p = 7/10 = 0.7。"什么 p 值让 7 次正面最可能发生？"
不只给一个点估计，还给出一个"范围"：
P(μ ∈ [X̄ - z·σ/√n, X̄ + z·σ/√n]) = 95%
直觉：我们有 95% 的信心，总体均值落在这个区间内。
核心逻辑：先假设"没效果"（原假设 H₀），然后看数据是否足够反常来推翻它。
两类错误：第一类(α)——H₀ 为真但拒绝了（冤枉好人）。第二类(β)——H₀ 为假但没拒绝（放过坏人）。
找变量之间的关系：
y = β₀ + β₁x + ε
最小二乘法：找 β₀ 和 β₁，使 Σ(yᵢ - ŷᵢ)² 最小。让预测值和真实值的差距平方和最小。
某药声称降低血压。试验组 100 人，对照组 100 人。试验组平均降压 8 mmHg，p = 0.03。① 能否说"药有效"？② 如果 p = 0.15 呢？
① p = 0.03 < 0.05，在 5% 显著性水平下拒绝 H₀，认为药有降压效果。但要注意：仍有可能犯错（约 3% 的概率是碰巧的）。② p = 0.15 > 0.05，不能拒绝 H₀，证据不够强。这不代表"药无效"，只是"数据不够证明有效"。可能样本太小或效果太弱。
数学的所有结论都建立在逻辑之上。逻辑告诉你推理是否有效，集合是数学最基本的语言，证明是保证结论正确的工具。
命题是能判断真假的陈述句。用连接词组合：
核心：p → q ≡ ¬p ∨ q ≡ ¬q → ¬p（逆否命题）。
命题逻辑只处理完整的陈述。谓词逻辑可以讨论"所有"和"存在"：
例："不是所有鸟都会飞" = "存在不会飞的鸟"。
德摩根律：(A ∪ B)ᶜ = Aᶜ ∩ Bᶜ，(A ∩ B)ᶜ = Aᶜ ∪ Bᶜ。
用数学归纳法证明：1 + 2 + 3 + ... + n = n(n+1)/2
基础步：n=1 时左边 = 1，右边 = 1×2/2 = 1 ✓。
归纳步：假设 n=k 时成立，即 1+2+...+k = k(k+1)/2。
则 n=k+1 时：1+2+...+k+(k+1) = k(k+1)/2 + (k+1) = (k+1)(k/2 + 1) = (k+1)(k+2)/2。这正是 n=k+1 时的公式 ✓。
由归纳原理，对所有自然数 n 成立。
城市是点、道路是边；人是点、好友关系是边；网页是点、超链接是边。图论用简单的"点+边"模型统一了大量看似不相关的问题。组合数学则回答"有多少种可能"。
握手定理：所有顶点的度数之和 = 2 × 边数（每条边贡献 2 个度）。
① 从 10 个人中选 3 人组成委员会，有多少种选法？② 10 个人排成一排照相，有多少种排法？③ 为什么两者不同？
① 选 3 人，不关心顺序：C(10,3) = 10!/(3!×7!) = 120 种。
② 排成一排，顺序重要：P(10,10) = 10! = 3628800 种。
③ 委员会里 {甲,乙,丙} 和 {乙,甲,丙} 是同一个委员会（组合），但排队时 甲-乙-丙 和 乙-甲-丙 是不同的站法（排列）。排列考虑顺序，组合不考虑。
| 分支 | 核心问题 | 关键概念 | 核心工具 | 主要应用 |
|---|---|---|---|---|
| 微积分 | 连续变化的规律是什么 | 极限、导数、积分、级数、泰勒展开 | 求导法则、积分技巧、收敛判别 | 物理、工程、经济、最优化 |
| 线性代数 | 空间结构和变换的规律 | 向量、矩阵、行列式、特征值/特征向量 | 矩阵运算、对角化、SVD | 机器学习、图形学、量子力学、信号处理 |
| 概率统计 | 不确定性中有什么规律 | 分布、期望、方差、假设检验、回归 | MLE、置信区间、p值、最小二乘 | 数据科学、金融、医学、社会科学 |
| 离散数学 | 离散对象的结构和计数 | 逻辑、集合、图、树、组合、证明 | 归纳法、反证法、鸽巢原理、图算法 | 算法设计、编译器、网络、密码学 |