公式那点事儿：别整那些虚头巴脑的“大道理” 要是天天对着满屏的“起初、其次、总结”去背公式，那才叫真累。人脑没那本事跑马放羊，得靠碎片化、像聊天一样记。咱们不整那些教科书式的定义堆砌，只把那些天天用、能聊天的干货掏出来。 先说说概率论里的 $P(A cup B)$。别看名字，这玩意儿实际上就是说“两个事件一起形成的概率”。公式长得像抛物线，左边是 $P(A)$，右边是 $P(B)$，中间夹着那个 $P(A cap B)$。好办点说，就是如何算两个人里与此同时出现的事的概率。举个骚操作，你哥俩都押中 bets，那概率就是 $1 - (1-p)^2$，直接翻个面数就行。 再聊聊微积分，这玩意儿看着吓人，实际上就俩个公式能定乾坤。一个是 $int x^n dx = frac{x^{n+1}}{n+1}$，这是求面积；另一个是 $int frac{1}{x} dx = ln|x|$，这玩意儿在物理里天天用，比如计算电流通过电阻形成的热量。
记住，别死磕定义，看到 $x^n$ 立马 $times (n+1)$，看到 $ln x$ 立马 $times 1/x$。 偏微分方程也是个坑，但坑里有宝。一阶方程 $y' + p(x)y = q(x)$ 解法就好办，用积分因子 $e^{int p(x)dx}$ 一碰，左边直接消掉，右边积分出来就好了。二阶方程略微费事点，但核心还是凑微分。
比如 $y'' + y' + y = 0$，先把 $y''$ 换成 $y'$ 再换一次，最终凑出来变成 $(y' + y)^2 = C$ 这种形式，然后两边开根号，难题就解了一半。 看泰勒公式，别被 $e^x = 1 + x + frac{x^2}{2!} + dots$ 吓退。
实际上它就是给函数画个“平行线”。任何光滑函数，在某点周围都能用这个式子去近似。
比如算 $e^{0.5}$，不用死算无穷级数，直接把 $x$ 换成 $0.5$，前面那项加起来就能大约猜出多少。
要是算 $e^{-1000}$ 呢？直接舍去后面那一大串 $x^n$，只留个 $1$ 就行，误差小得离谱。 组合数学里的 $C_n^k$ 也就是大家常说的选数难题。公式就是 $frac{n!}{k!(n-k)!}$，读起来拗口，但本质就是“分子总选法减去分母重复选法”。
比如从 5 个人里选 2 个，总数是 $5 times 4 = 20$，但乘以 2 之后 $5 times 4 times 2 = 40$ 分母 $2! times 2! = 4$，结局 $10$ 种组合。千万别背死公式，多动手算一算，手感自然就有了。 二重积分是解析几何的延伸，代表啥，你得先懂。它描述的是二维平面上的面积，要么体积。
比如 $iint_D x^2 dy dx$，就是算一个曲面在 XY 平面上的投影。物理上，这就是求某个物体在三维空间里穿过一个二维板子的“平均密度”。别纠结正负号，反正最终面积肯定是正的，公式里的运算先不管，只看几何意义。 统计学的均值和方差，实际上就是描述数据的“平均”和“波动”。均值 $mu = frac{1}{n} sum x_i$，就是一堆数据加起来除以个数。方差 $sigma^2 = frac{1}{n} sum (x_i - mu)^2$，就是把每个数据跟平均数差的平方加起来，再除以个数。
注意别搞反了，分母要是 $n$ 不是 $n-1$，那个叫总体方差，样本方差分母得乘 $n-1$ 来修正偏差。 正弦和余弦函数，$sin(x)$ 和 $cos(x)$，这辈子别绕弯子了。公式一个是 $sin(x) = frac{e^{ix} - e^{-ix}}{2i}$，一个是 $cos(x) = frac{e^{ix} + e^{-ix}}{2}$。别看形式怪，但实际上是两个指数函数的线性组合。
要是你想知道 3 度角等于多少，脑子里得有个 $sin(30^circ) = 0.5$ 的压箱底。极坐标下，$sin(theta) = frac{y}{rho}$，$cos(theta) = frac{x}{rho}$，别扯啥诱导公式，直接代入算就行。 调和级数那种 $1 + 1/2 + 1/3 + dots$ 发散，说明无限加下去能走到无穷大。真值 $ln(2)$ 是个经典反例，您得用积分算 $int_0^1 frac{1}{1+x} dx = ln 2$，要么用 $2^p - 1/p$ 近似来估算 $ln p$。别去查那些乱七八糟的级数，真搞不定就回退到积分法，别看慢，但稳。 微分方程里的齐次线性方程，解法也是老生常谈。设 $y = u(x)v(x)$，代入原方程，两边除以 $v(x)$，就能化简成 $u' = -frac{a_1}{a_n}u$。解出来 $v$ 的前一项是 $e^{-int P dx}$ 的倒数，$u$ 的解就挺好办了。
记住，这种方程的核心就是“分离变量”，相乘一拆解，难题就消了一半。 对数函数的性质，$ln(ab) = ln a + ln b$，$ln(a^b) = bln a$，这些对数变换在工程里特有用。
比如电路里的电势差，要么计算天体运动的周期，时常得先把复杂的乘除变成加减乘除。别硬凑，每次出现 $ln$ 先想能不能拆开，能拆开就拆开，能合并就合并。 最终说说方差的标准差 $sigma = sqrt{sigma^2}$。根号里的方差是平方的，开方就行。千万别搞成倒数，那是方差的倒数，跟标准差没关系。标准差是衡量数据“抖不抖动”最直观的指标。
比如一组数据平均 100，但波动极大，标准差就是 50；另一组平均 100，波动小，标准差是 5。
这时候标准差大，说明误差大，可靠性就低。 自然还有分布律 $P(X=k)$，这玩意儿就是概率表。
比如二项分布，扔硬币 $n$ 次正面向上的概率。别死记硬背 $P(k) = C_n^k p^k (1-p)^{n-k}$，那玩意儿忒像背书了。实际应用中，$p$ 挺小要么接近 1 时，直接拿 $1 - (1-p)^n$ 就能估算；$p$ 接近 0.5 时，公式最准。 泊松分布，就是那些形成次数极少但概率不小的事。
比如 radioactive decay（放射性衰变），平均每秒发多少个粒子，就按泊松分布算。公式 $lambda^t / t! cdot e^{-lambda}$ 里，$lambda$ 是平均次数，$t$ 是第 $t$ 秒的概率。别纠结阶乘，$0! = 1$，其他直接照抄就行。 指数分布 $F(t)$ 描述的是工夫间隔，比如电话接通工夫。公式是 $1 - e^{-lambda t}$。
这玩意儿在可靠性工程里天天见，零件坏了多久能修好，就按这个算。率 $lambda$ 是平均故障率，工夫越长，概率越高。 几何分布 $G(n)$ 是“黄了”的次数分布。
比如你抽扑克牌，翻到"A"之前翻了几张。公式 $1 - (1-p)^n$，别跟指数分布搞混，指数是连续工夫，几何是离散次数。 伽马分布 $G(n, beta)$ 是单侧概率，对数值。
比如求 $x$ 大于某个数时 $x$ 的概率。公式 $int_x^infty t^{n-1} e^{-beta t} dt$，别碰那个 $frac{1}{Gamma(n)}$，忒难了。直接用均值 $frac{n}{beta}$ 和方差 $frac{n}{beta^2}$ 估算就行，实际计算时，要是 $n$ 挺大，直接拿正态分布近似代替伽马分布，误差小到能够忽略。 卡方分布 $chi^2(nu)$ 是统计检验的常客。自由度 $nu$ 是变量个数减 1。
比如检验两个样本方差是否相等，自由度就是合并后的样本数减 2。公式 $chi^2 = sum (x_i - bar{x})^2 / s^2$，实际上就是把观测值跟理论值差的平方，再除以方差。别死记公式，看本质，就是“误差的标准化”。 F 分布 $F(n_1, n_2)$ 是两个独立卡方分布的比值。自由度分别是 $n_1$ 和 $n_2$。在 ANOVA（方差分析）里，用来判断不同组别间差异是否显著。
比如看工人的操作误差，把数据分成组，算出 F 值，对比临界值表。$F_{critical}$ 肯定大于 1，出于均值比 1 大。 t 分布 $t(n-1)$ 是样本均值和标准差的不确定性的分布。自由度 $n-1$，尾部比正态分布长，尾部概率密度更大。在假设检验里，比如 $t_{0.025, 30}$，就是取平均值的标准差 19.64 度数的临界值。别用正态分布近似，$t$ 值大时才准，特别是样本量小时。 假设检验流程，零假设 $H_0$ 和备择假设 $H_1$。
一般 $H_0$ 是“没区别”，备择是“相关系”。算出 F 或 t 值后，查临界值表。
要是算出的值大于临界值，回绝零假设；反过来接纳。千万别写成“要是小于”，那是毛病的逻辑方向。 p 值计算，用公式 $P(T > t_{obs})$。t 分布表里直接查 $t_{0.05}$ 对应的 $nu$ 值，然后反向查 $t_{obs}$ 对应的 $p$ 值。
比如 $t_{obs} = 2.0$，$nu = 100$，查表得 $p approx 0.05$。别用正态近似，那根本不准，特别是小样本。 置信区间 CI，95% 的置信度。公式 $bar{x} pm t_{alpha/2} cdot s / sqrt{n}$。$bar{x}$ 是样本均值，$s$ 是标准差，$n$ 是样本量，$t$ 是自由度相关的临界值。别搞成置信水平是 $1 - 1/alpha$，那是毛病的。CI 是未来的范围，不是那会儿的真相。 正态分布 $N(mu, sigma^2)$，实际上是 $Z$ 分布的缩放版。$Z = (X - mu) / sigma$。均值 $mu$ 拍板位置，标准差 $sigma$ 拍板宽度。查表得 $Z$ 值，再换算回 $X$ 值。别死背 $Z=1.96$ 对应 95%，那是大样本情况，小样本得用 $t$ 值。 正态曲线 $f(x) = frac{1}{sigmasqrt{2pi}} e^{-frac{(x-mu)^2}{2sigma^2}}$，高斯积分的结论。高斯积分 $int_{-infty}^infty e^{-x^2} dx = sqrt{pi}$，故此系数是 $sqrt{pi}$ 的倒数。别算积分，直接用表查 $Z$ 值，反正平方和均值是固定的。 指数分布 $f(x) = lambda e^{-lambda x}$，积分 $int_0^infty lambda e^{-lambda x} dx = 1$。均值 $1/lambda$，方差 $1/lambda^2$。别搞混指数分布和伽马分布，指数分布 $lambda$ 是参数，伽马分布是 $(n, beta)$。 泊松分布 $f(x) = frac{lambda^x}{x!} e^{-lambda}$，均值 $lambda$，方差 $lambda$。
注意区分变量 $x$ 和参数 $lambda$。别用正态近似，$x$ 小的时候直接泊松，$x$ 大的时候才近似。 对数正态分布 $Y = e^X$，要是 $X$ 是正态，$Y$ 就是对数正态。均值 $e^{mu + sigma^2/2}$，方差 $e^{sigma^2}(e^{sigma^2} - 1)$。别搞成算术平均，那是算术正态。 卡方分布 $chi^2(nu)$，自由度 $nu$，均值 $nu$，方差 $2nu$。在拟合优度检验里，用 $sum (O-E)^2/E$ 代替卡方。别用 t 分布，那是独立的。 F 分布 $F(n_1, n_2)$，均值 $n_2/(n_2-2)$ 当 $n_2 > 2$，方差 $2n_2^2 / (n_1(n_2-2))$。在多元方差分析里，主效应和交互效应的检验都用 F 值。 t 分布 $t(n-1)$，自由度 $n-1$，均值 0，方差 $(n-1)/(n-3)$。用于小样本的均值检验。 假设检验流程，零假设 $H_0: mu = mu_0$，备择 $H_1: mu neq mu_0$。算出 t 值，查临界值 $t_{crit}$。
要是 $|t| > t_{crit}$，回绝 $H_0$。 p 值计算，$p = 2(1 - Phi(|t|))$，其中 $Phi$ 是标准正态累积分布函数。大样本时，$Phi(z) approx 0.5$，故此 $p$ 值接近 $2(1 - 0.5) = 1$。小样本时，$p$ 值会小大量。 置信区间 CI，95% 的 CI 是 $bar{x} pm 1.96 cdot s / sqrt{n}$。小样本用 $t$ 值，大样本用 $z$ 值。CI 是从负无穷到正无穷的区间，包含所有可能的真值。 正态分布 $Z = (X - mu) / sigma$，标准正态分布。查表得 $Z$ 值，再换算 $X$。 正态曲线 $f(x) = frac{1}{sigmasqrt{2pi}} e^{-frac{(x-mu)^2}{2sigma^2}}$，高斯积分结论。 指数分布 $f(x) = lambda e^{-lambda x}$，均值 $1/lambda$，方差 $1/lambda^2$。 泊松分布 $f(x) = frac{lambda^x}{x!} e^{-lambda}$，均值 $lambda$，方差 $lambda$。 对数正态分布 $Y = e^X$，均值 $e^{mu + sigma^2/2}$，方差 $e^{sigma^2}(e^{sigma^2} - 1)$。 卡方分布 $chi^2(nu)$，自由度 $nu$，均值 $nu$，方差 $2nu$。 F 分布 $F(n_1, n_2)$，自由度 $n_1, n_2$，均值 $n_2/(n_2-2)$，方差 $2n_2^2 / (n_1(n_2-2))$。 t 分布 $t(n-1)$，自由度 $n-1$，均值 0，方差 $(n-1)/(n-3)$。 假设检验流程，零假设 $H_0: mu = mu_0$，备择 $H_1: mu neq mu_0$。算出 t 值，查临界值 $t_{crit}$。
要是 $|t| > t_{crit}$，回绝 $H_0$。 p 值计算，$p = 2(1 - Phi(|t|))$。 置信区间 CI，95% 的 CI 是 $bar{x} pm t_{alpha/2} cdot s / sqrt{n}$。 正态分布 $Z = (X - mu) / sigma$，标准正态分布。 正态曲线 $f(x) = frac{1}{sigmasqrt{2pi}} e^{-frac{(x-mu)^2}{2sigma^2}}$，高斯积分结论。 指数分布 $f(x) = lambda e^{-lambda x}$，均值 $1/lambda$，方差 $1/lambda^2$。 泊松分布 $f(x) = frac{lambda^x}{x!} e^{-lambda}$，均值 $lambda$，方差 $lambda$。 对数正态分布 $Y = e^X$，均值 $e^{mu + sigma^2/2}$，方差 $e^{sigma^2}(e^{sigma^2} - 1)$。 卡方分布 $chi^2(nu)$，自由度 $nu$，均值 $nu$，方差 $2nu$。 F 分布 $F(n_1, n_2)$，自由度 $n_1, n_2$，均值 $n_2/(n_2-2)$，方差 $2n_2^2 / (n_1(n_2-2))$。 t 分布 $t(n-1)$，自由度 $n-1$，均值 0，方差 $(n-1)/(n-3)$。 假设检验流程，零假设 $H_0: mu = mu_0$，备择 $H_1: mu neq mu_0$。算出 t 值，查临界值 $t_{crit}$。
要是 $|t| > t_{crit}$，回绝 $H_0$。 p 值计算，$p = 2(1 - Phi(|t|))$。 置信区间 CI，95% 的 CI 是 $bar{x} pm 1.96 cdot s / sqrt{n}$。 正态分布 $Z = (X - mu) / sigma$，标准正态分布。 正态曲线 $f(x) = frac{1}{sigmasqrt{2pi}} e^{-frac{(x-mu)^2}{2sigma^2}}$，高斯积分结论。 指数分布 $f(x) = lambda e^{-lambda x}$，均值 $1/lambda$，方差 $1/lambda^2$。 泊松分布 $f(x) = frac{lambda^x}{x!} e^{-lambda}$，均值 $lambda$，方差 $lambda$。 对数正态分布 $Y = e^X$，均值 $e^{mu + sigma^2/2}$，方差 $e^{sigma^2}(e^{sigma^2} - 1)$。 卡方分布 $chi^2(nu)$，自由度 $nu$，均值 $nu$，方差 $2nu$。 F 分布 $F(n_1, n_2)$，自由度 $n_1, n_2$，均值 $n_2/(n_2-2)$，方差 $2n_2^2 / (n_1(n_2-2))$。 t 分布 $t(n-1)$，自由度 $n-1$，均值 0，方差 $(n-1)/(n-3)$。 这几个公式，全是实战派能直接掏出来的。中间不整那些搞虚的，只有实实在在能用的。你要是认定难，那就去翻翻统计学教材的附录局部，要么直接拿计算器算个样例。公式是死的，应用才是活的。别被那些复杂的推导绕晕了，本意就是让你快速处理数据。
