2020张宇考研数学基础班——从“怕数学”到“玩数学”的蜕变之路

重点突破：极限存在 ⇔ 左右极限相等？不！还要“有界性”

很多学员误以为“左右极限相等就极限存在”，但张宇强调：极限存在的充要条件是左右极限存在且相等，且函数在该点附近有定义。他举反例：

设 $f(x) = begin{cases} sinfrac{1}{x}, & x ne 0 \ 0, & x = 0 end{cases}$， 虽 $lim_{x to 0^+} f(x)$ 和 $lim_{x to 0^-} f(x)$ 都不存在（振荡），但即使强行定义 $f(0)=0$，极限仍不存在。

✅ 记忆口诀： “左右要等，附近要有；缺一不可，振荡也逃。”

导数定义：别只会套公式！

张宇反复强调：导数本质是“变化率”，定义式 $lim_{Delta x to 0} frac{f(x+Delta x)-f(x)}{Delta x}$ 是唯一真理。他设计了一道“陷阱题”：

已知 $f(x)$ 在 $x=0$ 处可导，且 $f(0)=0$，求 $lim_{x to 0} frac{f(1-cos x)}{x^2}$。

多数人直接代入 $1-cos x sim frac{x^2}{2}$，得 $frac{f(frac{x^2}{2})}{x^2} = frac{1}{2} cdot frac{f(frac{x^2}{2})}{frac{x^2}{2}} to frac{1}{2}f'(0)$。 但张宇指出：只有当 $f'(0)$ 存在时，该等价无穷小替换才合法——因为 $u = frac{x^2}{2} to 0$，而 $f(u)/u to f'(0)$ 的前提是 $f(0)=0$ 且可导。

✅ 思维训练： 给出 $f(x) = x^2 sinfrac{1}{x}$（$x ne 0$），$f(0)=0$，让学生自己验证 $f'(0)$ 是否存在，并计算上述极限——亲手算过，才不会忘。

换元法：为什么“换完要换限”？

讲 $int_0^{pi} sin^3 x cos x , dx$，张宇先用“凑微分法”： $int sin^3 x , d(sin x) = frac{1}{4} sin^4 x + C$， 再代入上下限得 $0$。

然后他换元：令 $u = sin x$，当 $x=0$ 时 $u=0$；$x=pi$ 时 $u=0$，积分变为 $int_0^0 u^3 , du = 0$——结果一致。 但他立刻反问：“如果换元后上下限相同，积分一定为0吗？”

答案是否定的！他举出经典反例： $int_{-pi}^{pi} frac{x}{1+cos^2 x} , dx$，令 $u = sin x$，则 $x = arcsin u$，但 $x$ 在 $[-pi,pi]$ 不单调，$u$ 不是单值函数，换元失效！

✅ 核心原则： 换元法要求 $u=varphi(x)$ 在 $[a,b]$ 上连续且单调，否则必须分段！

阶线性微分方程：别死记公式！

方程 $y' + P(x)y = Q(x)$ 的通解为 $$y = e^{-int P(x),dx} left( int Q(x) e^{int P(x),dx} , dx + C right)$$ 张宇强调：公式是“结果”，推导是“过程”，过程决定你能否应对变形。

他带学生从“常数变易法”出发： ️⃣ 先解齐次方程 $y' + P(x)y = 0$，得 $y = Ce^{-int P(x),dx}$； ️⃣ 设非齐次解为 $y = C(x)e^{-int P(x),dx}$； ️⃣ 代入原方程，解出 $C'(x) = Q(x)e^{int P(x),dx}$； ️⃣ 积分得 $C(x)$，代回即得通解。

✅ 思维迁移： 若方程为 $x y' + y = x ln x$（$x>0$），学生必须自己完成上述4步——只有亲手推导过，才能在考场上应对任何形式的变形。

行列式计算：拉普拉斯展开不是“高级技巧”，而是“基础能力”

张宇展示一道考研真题： $$D = begin{vmatrix} 1 & 2 & 0 & 0 \ 3 & 4 & 0 & 0 \ 0 & 0 & 5 & 6 \ 0 & 0 & 7 & 8 end{vmatrix}$$ 多数人按行展开，他却说：“这是分块对角矩阵！直接拆成两个2阶行列式相乘： $D = begin{vmatrix}1&2\3&4end{vmatrix} cdot begin{vmatrix}5&6\7&8end{vmatrix} = (1cdot4-2cdot3)(5cdot8-6cdot7) = (-2)(-2) = 4$。”

✅ 关键点： 分块矩阵要求非零块在对角线上，且其他块全为零。张宇设计了3道“伪装题”（如非零块不在对角、有零行零列干扰），训练学员识别能力。

线性相关性：3个向量线性相关 ⇔ 行列式为0？错！

张宇指出：仅当向量个数 = 维数时，行列式为0才等价于线性相关。若向量个数 > 维数（如4个3维向量），一定线性相关，无需计算行列式。

他举反例： $alpha_1 = (1,0,0), alpha_2 = (0,1,0), alpha_3 = (0,0,1), alpha_4 = (1,1,1)$， 虽 $det(alpha_1,alpha_2,alpha_3) = 1 ne 0$，但 $alpha_4 = alpha_1+alpha_2+alpha_3$，故 $alpha_1,alpha_2,alpha_3,alpha_4$ 线性相关。

✅ 记忆口诀： “个多维少，必相关；个等维同，看行列。”

大数定律 vs 中心极限定理：别混淆！

张宇用一张对比表厘清： | 维度 | 切比雪夫不等式 | 大数定律 | 中心极限定理 | |---|---|---|---| | 对象 | 任意分布（方差存在） | 独立同分布随机变量平均 | 独立同分布随机变量和 | | 结论 | 概率上界估计 | $bar{X}_n to mu$（依概率） | $sum X_i to N(nmu,nsigma^2)$（近似） | | 用途 | 证明理论 | 说明频率稳定性 | 近似计算（如 $Phi$ 函数） |

他强调：中心极限定理是“计算工具”，大数定律是“理论基石”，二者不可替代。并举例： 抛硬币1000次，正面出现次数在 $450sim550$ 之间的概率≈？ → 用中心极限定理： $X sim B(1000,0.5)$，近似 $N(500,250)$， $P(450 le X le 550) approx Phi(frac{550-500}{sqrt{250}}) - Phi(frac{450-500}{sqrt{250}}) = 2Phi(3.16)-1 approx 0.9986$。