考研数学复习过程中容易混淆的概念有哪些？

广州新东方考试中心

2024-10-17

进入 >

导语

为促使考研的同学能够更为高效地进行考研数学复习，新东方考研教育的工作人员归纳整理了“考研数学复习过程中容易混淆的概念有哪些？”。正在备考考研数学的同学可加以了解，期望对大家有所助益。

连续，可导，存在原函数，可积，可微，偏导数存在他们之间的关系是怎么样的?存在极限，导函数连续，左连续，右连续，左极限，右极限，左导数，右导数，导函数的左极限，导函数的右极限。

一、高等数学部分

1. 导数与微分
- 区别：导数是函数在某一点的变化率，是一个数值；微分是函数在某一点的增量的线性主部，是一个关于自变量增量的函数。
- 联系：函数在某一点可导，则在该点一定可微，且微分\(dy = f'(x)dx\)。

2. 连续、可导与可微的关系
- 连续是可导与可微的必要条件，但不充分。即如果函数在某一点可导或可微，那么该函数在这一点一定连续；但连续不一定可导或可微。
- 可导是可微的充分必要条件，即函数在某一点可导等价于在该点可微。

3. 定积分与不定积分
- 区别：不定积分是求被积函数的原函数，结果是一个函数族；定积分是一个数值，是函数在某一区间上的积分和的极限。
- 联系：定积分的计算可以通过牛顿-莱布尼茨公式转化为求被积函数的原函数在区间端点的值之差，即\(\int_a^b f(x)dx = F(b)-F(a)\)，其中\(F(x)\)是\(f(x)\)的一个原函数。

4. 偏导数与全微分
- 区别：偏导数是函数对某一个自变量的导数，而全微分是函数在某一点处的全增量的线性主部。
- 联系：如果函数在某一点可微，那么函数在该点的全微分\(dz=\frac{\partial z}{\partial x}dx+\frac{\partial z}{\partial y}dy\)。

二、线性代数部分

1. 矩阵的等价、相似与合同
- 等价：矩阵\(A\)与\(B\)等价，是指存在可逆矩阵\(P\)和\(Q\)，使得\(PAQ = B\)。等价关系主要反映了矩阵在初等变换下的关系，只涉及矩阵的秩相同。
- 相似：矩阵\(A\)与\(B\)相似，是指存在可逆矩阵\(P\)，使得\(P^{-1}AP = B\)。相似矩阵有相同的特征值、行列式、秩等。
- 合同：矩阵\(A\)与\(B\)合同，是指存在可逆矩阵\(P\)，使得\(P^{T}AP = B\)。合同矩阵主要针对对称矩阵，具有相同的正定性和秩。

2. 向量组的线性相关与线性无关
- 线性相关：存在一组不全为零的数\(k_1,k_2,\cdots,k_m\)，使得\(k_1\alpha_1 + k_2\alpha_2+\cdots + k_m\alpha_m = 0\)，则称向量组\(\{\alpha_1,\alpha_2,\cdots,\alpha_m\}\)线性相关。
- 线性无关：只有当\(k_1 = k_2=\cdots = k_m = 0\)时，\(k_1\alpha_1 + k_2\alpha_2+\cdots + k_m\alpha_m = 0\)才成立，则称向量组\(\{\alpha_1,\alpha_2,\cdots,\alpha_m\}\)线性无关。

3. 特征值与特征向量
- 特征值是满足方程\(\vert A-\lambda E\vert = 0\)的\(\lambda\)值，特征向量是对应特征值的非零向量\(\xi\)，满足\(A\xi=\lambda\xi\)。
- 不同特征值对应的特征向量线性无关；同一特征值的不同特征向量可能线性相关也可能线性无关。

三、概率论与数理统计部分

1. 条件概率与联合概率、边缘概率
- 条件概率：在事件\(B\)发生的条件下，事件\(A\)发生的概率，记为\(P(A\vert B)=\frac{P(AB)}{P(B)}\)。
- 联合概率：事件\(A\)和事件\(B\)同时发生的概率，记为\(P(AB)\)。
- 边缘概率：对于两个随机变量\(X\)和\(Y\)，\(P(X=x)\)和\(P(Y=y)\)分别称为\(X\)和\(Y\)的边缘概率，是通过对联合概率分布在另一个变量上求和得到的。

2. 期望与方差
- 期望：又称均值，是随机变量取值的加权平均，反映了随机变量的平均水平。对于离散型随机变量\(X\)，\(E(X)=\sum_{i}x_ip_i\)；对于连续型随机变量\(X\)，\(E(X)=\int_{-\infty}^{\infty}xf(x)dx\)。
- 方差：衡量随机变量取值与其期望的偏离程度，\(D(X)=E[(X-E(X))^2]\)。方差越大，表明随机变量的取值越分散；方差越小，表明随机变量的取值越集中在期望附近。

3. 独立与不相关
- 独立：两个随机变量\(X\)和\(Y\)独立，意味着它们的联合概率分布等于各自边缘概率分布的乘积，即\(P(X=x,Y=y)=P(X=x)P(Y=y)\)。
- 不相关：随机变量\(X\)和\(Y\)不相关，是指它们的协方差\(Cov(X,Y)=E[(X-E(X))(Y-E(Y))]=0\)。
- 独立一定不相关，但不相关不一定独立。