数学公式大全 1.基础运算与解方程 代数里的解法实际上挺杂。
比如 $x^2 - 5x + 6 = 0$，看到 $x^2$ 就想着平方，看到 $-5x$ 就得配项。
这时候要是你直接用求根公式 $x = frac{-b pm sqrt{b^2 - 4ac}}{2a}$，代入 $a=1, b=-5, c=6$，算出来就是 $x=2$ 要么 $x=3$。别看公式看着长，但实际是三个步骤：先算判别式 $25 - 24 = 1$，根号下是 1，最终分子分母分别算出 1 和 -3，除以 2 得 0.5 和 -1.5。
只要记住“求根公式是万能钥匙”，这类难题根本没门槛。 微积分里最头疼的一般是反函数求导。
比如已知对数函数 $f(x) = log_2{x}$，想求 $g(y) = frac{1}{log_2{y}}$ 的导数。乍一看倒数和反函数的关系有点绕，但换个角度想，$frac{1}{log_2{y}} = log_2{y^k}$ 这种对数换底公式能帮上忙。重新写成 $y^{1/log_2{2}}$ 的形式，利用链式法则直接拿指数法则下，导数就是 $y^{1/log_2{2}-1} cdot frac{1}{y ln 2}$，最终化简一下指数局部就拿到 $-log_2{y} cdot frac{1}{y}$。别被公式吓住，把函数写熟，再背几个常用导数表，根本都能秒杀。 2.极限与级数 当 $n$ 无限大时，大量常数项会慢慢变 1。
比如 $lim_{n to infty} frac{n}{n+1}$，分子分母同除以 $n$，变成 $frac{1}{1+1/n}$，后面那一项缩得挺了得，剩 0，结局就是 1。
这个直觉在解析数论里挺常见，比如 $n to infty$ 时 $frac{phi(n)}{n}$ 的极限也是 1。
这背后的逻辑实际上是数论里的欧拉定理，$phi(n)$ 算的是有多少个小素数因子，除以总因子数 $n$，剩下的局部随着 $n$ 变大越来越接近 1。 级数求和有时候得用积分换。
比如 $sum_{n=1}^{infty} frac{1}{n^2}$，直接加忒慢了，但把它换成积分 $int_0^{infty} frac{1}{x^2} dx$，这个积分在 $-infty$ 到 $infty$ 发散，看来得小心。对的做法是用贝塞尔函数要么欧拉求和公式，最终算出答案是 $pi^2/6$。
这玩意儿在数论里叫黎曼 $zeta$ 函数，它是所有正整数倒数平方和的总 Separator。
这种“用积分代替级数”的技巧，在计算高斯积分要么圆周率逼平时时常用到，别怕，只要知道 $int_0^{infty} e^{-t} dt = 1$ 这个基础，大局部积分都能搞定。 3.概率论基础 扔硬币是个最好办的模型，抛一次正面概率是 0.5，两次正面概率就是 $0.5 times 0.5$，一直扔下去，正面次数 $n$ 的概率是 $binom{n}{0.5}$。
这个二项分布公式 $binom{n}{0.5} = frac{n!}{0.5! (n-0.5)!}$，后面 $(n-0.5)!$ 是个 Gamma 函数要么整个的实数阶乘，别被负数阶数吓到，反正 $n$ 是整数时，$(n-0.5)!$ 就是 $(n+0.5)! / (0.5+n+0.5)!$ 这种形式。 正态分布的概率密度函数看起来像个山形，但本质是正交多项式。高斯函数 $frac{1}{sqrt{2pi}sigma} e^{-frac{(x-mu)^2}{2sigma^2}}$ 里的 $e$ 是自然常数，$pi$ 是圆周率，$sigma$ 是标准差代表数据的离散程度。
要是要算它在 $x=0$ 处的概率密度，直接把 0 代入就行，前提是均值 $mu=0$。有个常见的误区是当作 $sigma$ 越大约率越分散，实际上不是，方差变大确实摊薄了峰值，但峰值高度会变低。
记住这个公式里的分母 $sqrt{2pi}sigma$ 里的 $sigma$ 不能漏，它拍板曲线的胖瘦。 4.向量与空间 向量加法、减法、数量积这些根本功看起来挺傻，但处理复杂难题时全靠它。
比如两个向量 $vec{a}=(a_1, a_2)$ 和 $vec{b}=(b_1, b_2)$，它们的和就是 $vec{c} = (a_1+b_1, a_2+b_2)$，这实际上就是矩阵乘法。数量积（内积）算的是 $vec{a} cdot vec{b} = a_1b_1 + a_2b_2$，加法的平方和等于点积的两倍，这个结论在物理里叫柯西 - 施瓦茨不等式，说两个向量夹角越大，点积越小。 线性代数里的特征值搞抽象，但意义挺大。
比如矩阵 $A$ 对角化后变成 $D = P^{-1}AP$，其中 $D$ 是对角矩阵，$A$ 的特征值是 $1, 2$。
这时候解方程组 $(A - lambda I)vec{x} = 0$ 就好办多了，出于 $lambda$ 是 1 和 2 的情况能够直接分开算。
要是矩阵不可对角化，就得用 Jordan 标准形，这时候矩阵的幂次计算就复杂了，指数运算 $e^A$ 就得用特征值和特征向量的指数形式来展开。
这种从抽象数字到具体计算本事的跨越，是线性代数的核心魅力。 5.统计与模型 样本均值和总体平均值的区别往往被学生搞混。设 $X_1, X_2, dots, X_n$ 是独立同分布的随机变量，样本均值 $bar{X} = frac{1}{n}sum X_i$，它的期望是 $mu$，方差不受 $n$ 影响，是个固定的 $sigma^2/n$。
要是 $X_i$ 是正态分布，那 $bar{X}$ 也是正态分布，均值还是 $mu$，方差变小了，这意味着随着样本量 $n$ 增添，样本均值越来越聚拢在真值周围。 最大似然估摸是个“找最可能”的统计量。假设数据服从正态分布，似然函数是因变量概率乘积，取对数后变成负平方和形式。对 $ln L(mu)$ 关于 $mu$ 求导，再设为 0，解得 $hat{mu} = frac{1}{n}sum X_i$，正好就是样本均值。
这说明在正态假设下，用样本均值就是最佳估摸。
这个逻辑在回归分析里彻底一样，线性回归就是让残差的平方和最小，也就是最小二乘法，求导令导数为 0 就能拿到 $beta = r^2$ 这种系数。 6.随机过程与震荡 布朗运动的概念忒抽象了，但想到它就像一堆细小的随机抖动叠加在一起。数学上定义随机游走，每一步向前走 1，向后走 -1，步长是 1，概率各 0.5。经过 $n$ 步后，位置 $S_n$ 的分布是离散的正态近似，实际上是中心极限定理的体现，$n to infty$ 时收敛到连续的正态分布。 伊藤积分别看名字吓人，但本质还是黎曼和极限。在随机微积分里，没法直接积分，得用积分中值定理，把函数替换成它的导数形式。
比如 $x^2$ 被替换成 $2x cdot dx$，这个 $dx$ 带随机指标，故此结局带随机项。
这种处理方式在金融衍生品定价里特别关键，出于价格随工夫随机波动，务必用这种带随机微分方程的方式才能算出路径。别被“伊藤”三个字吓到，它解决了连续工夫下随机过程对偶积分的难题，是连接微观随机性和宏观金融模型的关键桥梁。
