数学

数学是工程与算法的底层语言。对电子与嵌入式方向的人来说，最核心的不是刷难题，而是建立用数学描述问题的能力：电路分析要用微积分与复变，信号处理要用傅里叶变换，控制要用状态空间，AI 要用线性代数与概率统计。

一句话定位

工程数学 = 把物理世界的问题翻译成方程，再用工具解出来。

知识体系

flowchart TD
    A[工程数学] --> B[基础]
    A --> C[分析与变换]
    A --> D[代数与概率]
    A --> E[数值计算]

    B --> B1["微积分: 极限 / 导数 / 积分"]
    B --> B2["线性代数: 矩阵 / 特征值"]
    B --> B3["微分方程"]

    C --> C1["傅里叶变换 FFT"]
    C --> C2["拉普拉斯变换"]
    C --> C3["Z 变换"]
    C --> C4["复变函数与相量法"]

    D --> D1["概率论"]
    D --> D2["数理统计与假设检验"]
    D --> D3["信息论: 熵 / 编码"]

    E --> E1["数值方法与误差"]
    E --> E2["优化: 梯度下降"]
    E --> E3["MATLAB / Python 实现"]

考研数学 1000问

• 微积分线代与概率论工程实战 —— 将极限、导数、积分、矩阵变换、Park 变换、贝叶斯诊断和统计检验连接到嵌入式工程。
• 马尔可夫链平稳分布与MCMC —— 无后效性、转移矩阵、状态分类、平稳分布、细致平衡、MCMC、HMM 与 PageRank。

flowchart TD
  A[考研数学 1000问] --> B[高等数学]
  A --> C[线性代数]
  A --> D[概率论与数理统计]
  B --> E[工程应用：ADC / PID / 标定]
  C --> F[工程应用：DBC / Park / RTE]
  D --> G[工程应用：Dem / 传感器 / 总线统计]

核心要点

• 微积分：描述「变化」的工具，导数对应变化率（电流是电荷的变化率），积分对应累积。
• 线性代数：现代工程最实用的数学。矩阵是线性变换，特征值/特征向量揭示系统的固有特性。
• 傅里叶与拉普拉斯变换：把时域问题转到频域/复频域求解，是信号处理与电路分析的核心武器。
• 复变与相量法：让正弦稳态电路分析从解微分方程变成代数运算，见 模拟电路。
• 概率与统计：处理噪声、不确定性和数据，是测量、通信与 AI 的基础。
• 数值方法：计算机不会解析求解，实际都要靠数值算法（如 FFT、牛顿迭代、梯度下降）。
• 和 AI 的关系：见 人工智能，机器学习的三大数学支柱正是线代、微积分、概率统计。

学习建议

• 结合具体场景学数学（学傅里叶就去看滤波器），比抽象推导更有效。
• 用 MATLAB / Python 把公式画出来、跑起来，建立直觉。
• 推荐读物：《数学之美》《线性代数的本质》。

相关

• 人工智能
• 数据结构与算法
• 模拟电路
• 计算机组成原理

专栏⑰｜Flomo 原始笔记归档

为保留原始推演、案例、问题库与导航内容，原文按篇保存：

• 导航-考研数学1000问全景：高数、线代、概率论总导航。
• 导航分卷-线性代数1000问：线性代数问题库导航。
• 导航分卷-概率论与数理统计1000问：概率论与数理统计问题库导航。
• 第1篇-马尔可夫链专题：马尔可夫链基础理论专题。
• 第2篇-矩阵变换与坐标系：矩阵变换与工程坐标系。
• 第3篇-堆问题法与数学学习：堆问题法的适用边界。
• 第4篇-课本定义与工程实际：数学概念的工程化理解。
• 第5篇-极限与导数工程实战：微积分与 ADC 采样。
• 第6篇-线性代数工程实战：矩阵、DBC、Park 变换与 RTE。
• 第7篇-概率论工程实战：贝叶斯与诊断推理。
• 第8篇-马尔可夫链工程应用：BswM、网络管理与刷写状态机。
• 第9篇-考研数学应试方法论：分轮次复习与问题组织。
• 第10篇-数学15项自检清单：数学学习与工程连接检查。