图形公式大全：那些写在纸上的数学心法 别把它们当成教科书里死记硬背的题库，这玩意儿早就变成了一种直觉。
那会儿认定公式就是冷冰冰的符号，目前看成了工具，是抓鬼的网，是破局的矛。 1.三角函数那点“玄学” 最经典的莫过于那套 $sin$、$cos$、$tan$。别光背公式，得懂它描述的世界。正弦值，本质上是个投影的比率，直角三角形里，高除以斜边。余弦就是邻边比斜边。正切嘛，就是高除以底边。 拿圆周讲最实在。$ theta $ 是个角度，$sin theta$ 就是那个“高”。换个思路，只看 $0$ 到 $90$ 度。$ sin 30 $ 是多少？$0.5$。$ cos 60 $ 是多少？$0.5$。
这俩竟然一样？出于三角函数本质上是对称的。到了 $135$ 度，$ sin 135 $ 跳到了 $0.707$，而 $ cos 135 $ 变成了负数，$ -0.707 $。负号在这里是关键，它拍板了方向。顺时针转，角度变大了，正弦值却减小；角度缩小，正弦值却变大。
这种反直觉，正是它最迷人的地方。 再看正弦定理：$frac{a}{sin A} = frac{b}{sin B} = frac{c}{sin C}$。学了如此久，最难忘那个 $a$。它代表的是哪条边？对，是跟角 $A$ 相对的那条边。公式的名字翻译过来就是“对边比正弦”。
有时候看着像 $ sin A $ 除以 $a$，但实际上人家是“对边”除以“正弦值”。
这种语言上的错位，一般就是数学最可爱的地方。 2.几何里的“对称之美” 欧几里得时代的几何，讲究对称。勾股定理就是无声的舞者，$ a^2 + b^2 = c^2 $，三条边，两个平方，一个正方形。
这关系在圆里也呼之欲出。圆的直径是 $d$，那半径 $r$ 就是$d/2$。 画个圆，$x^2 + y^2 = r^2$。
这个方程写得多么简洁。它告诉我们，只要一个点到原点的距离是 $r$，它就在这个圆上。
这比背死公式管用多了。$x$ 轴上的点，$y=0$，那就是 $(r, 0)$ 要么 $(-r, 0)$。$y$ 轴上的点，$x=0$，那就是 $(0, r)$ 要么 $(0, -r)$。 三维空间里，球方程 $x^2 + y^2 + z^2 = r^2$ 更夸张。想象一个球体，球心在原点，半径 $r$，对吧？你甭管往哪个方向走，只要距离等于 $r$，你就熟了。
这比任何坐标系的公式都直观。 还有表面积和体积。球的表面积 $4pi r^2$，体积 $frac{4}{3}pi r^3$。
这里有个奇妙的比例。体积是面积乘以 $r$。
要是把 $r$ 放大一倍，体积爆炸式增长，是原来的 $8$ 倍，也就是 $2^3$。表面积 $4pi$ 是固定的，$r$ 变一倍，面积只有 $4pi$ 倍。
这种幂次的差异，在工程估算里简直神了。
比如造个杯子，杯口要够大（平方），底部得够结实，内部空间还得够大（立方）。 3.概率与统计：混沌中的小概率 后来数学启动关切概率，特别是那些看起来像无限堆的沙子的情况。泊松分布做得最准。它专治各种“不知道形成多少次”的头疼事。 要是某件事的成功率挺高，比如 $0.9$，那用二项分布算概率偏差忒大。泊松分布会说：“好吧，这是个泊松过程，平均形成率是 $lambda$。” 举个例子，某地每天形成精神病的强度是 $lambda = 2$。计算它没出事（0 次）的概率。公式里用 $lambda e^{-lambda} / 0!$，结局约等于 $0.135$。也就是 $13.5%$。恺撒那个著名的“恺撒悖论”里说，要是一个人每天遇到 2 次精神病人，那第 100 天遇到 0 个的概率是 $0.135$。
要是这个人是天才，猜出他是“精神病人”的概率实际上是 $0.965$，而不是 $0.875$。
反正概率是错的，但直觉是对的。 再讲讲期望值。期望值不是平均，是加权平均。
要是随机数 $X$ 取 $1$ 的概率是 $0.2$，取 $2$ 的概率是 $0.8$，那期望 $E(X)$ 是 $1.6$。
这代表了长期来看的平均结局。 4.微积分：变通的力量 到了微积分，世界彻底变了。
那会儿是规整的三角形，目前是流动的曲线。微积分那套 dz，dy，dx，实际上是说“变化率”。 积分是求“总量”。
比如你走 10 分钟，速度是每秒 2 公里。总路程是 $2 times 10 = 20$ 公里。积分就是把无数个细小的工夫切片加起来。
要么反过来，给你一堆面积，让你求周长？积分就是那个硬功夫。 导数嘛，就是“变化率”。$ frac{dy}{dx} $。它告诉你，函数目前的“脾气”要么“状态”。
比如 $f(x) = x^2$，导数是 $2x$。
这意味着 $x=5$ 时，函数增长得最快；$x=0$ 时，函数根本不如何动。 泰勒公式（Taylor Series）是微积分的终极武器。它能把一个复杂的函数，近似地写成一堆项的和。$ f(x) approx f(a) + f'(a)(x-a) + frac{f''(a)}{2!}(x-a)^2 + dots $ 这玩意儿用来干嘛？学微积分的人都知道，用来近似 $e^x$、$sin x$、$ln x$。
特别是 $e^x = 1 + x + frac{x^2}{2} + dots$。
只要 $x$ 充足小，前几项就能把精度做到小数点后 5 位。
这直接催生了级数收敛理论，让计算机能算出 $1/7$ 和 $pi$。 5.线性代数与矩阵：数据背后的骨架 最终，线性代数。矩阵 $A$，向量 $x$，$Ax$。
这看起来像行话，实际上是线性变换的数学语言。矩阵就是那个映射器。 要是你有个 $3 times 3$ 的矩阵，乘以 $3 times 1$ 的向量，结局就是 $3 times 1$ 的新向量。
这在计算机图形学里忒常见了。把一点像素的颜色向量（RGB）放进矩阵里，矩阵一乘，就变成了另一种颜色。 矩阵乘法就连能代表物理。旋转矩阵、缩放矩阵、投影矩阵。
要是你要算一个点绕原点逆时针转 $90$ 度，矩阵 $ begin{bmatrix} 0 & -1 \ 1 & 0 end{bmatrix} begin{bmatrix} x \ y end{bmatrix} = begin{bmatrix} -y \ x end{bmatrix} $。
这就把点 $(x, y)$ 变成了 $(-y, x)$。 还有特征值和特征向量。矩阵 $A$ 乘以它的某个向量，结局不变。
这意味着这个向量是“不动点”。在椭圆拟合里，原点是特征向量；在力矩分解里，主成分也是特征向量。
这些都是数据降维和特征取的基础。 6.复数与傅里叶：割裂世界的桥梁 傅里叶变换？你当作这玩意儿挺高级？实际上它就是把一个函数，变成了一堆频率的叠加。
比如声音信号，就是不同频率正弦波的混合。 欧拉公式 $e^{itheta} = cos theta + i sin theta$ 是复数的代号。它把加法变成了乘法。$ e^{ipi} + 1 = 0 $ 这就是著名的“Pi 加一为零”。之前的三角函数都是筛子，目前用复数直接筛出所有的频率分量。 拉普拉斯变换是工程中常用的工具，把时域的函数变成频域的函数。它让微分方程变得像代数方程一样好解。微分方程那会儿得用级数解，目前用拉普拉斯直接算好，再逆变换回去。
这是电子电路、管住理论的基石。 还有一个不常用的，高斯积分。$int_{-infty}^{infty} e^{-x^2} dx = sqrt{pi}$。
这个结局忒漂亮了。它证明白高斯函数在无穷远处的面积为有限值。
这后来直接导向了概率论里的正态分布，也就是高斯分布。 7.那些“无用”但有趣的公式 实际上还有更多东西。
比如圆周率 $pi$ 的无穷连乘公式 $pi/4 = 16/5 times 33/8 times 1/3 dots$ 也不止。
还有双曲函数的加法公式，要么圆锥曲线里那个复杂的 $ sqrt{D} $ 公式。 有时候我们记不住公式，但能看懂图画出来。
比如看到圆柱体，脑子里冒出 $V=Sh$；看到球，冒出 $V=frac{4}{3}pi r^3$。
这些公式在脑子里像是刻了印的，遇到情况自然蹦出来。现代数学教育实际上也在提倡这种“看图讲话”的本事，哪怕你记不住 $n$ 项泰勒展开式的系数，只要知道它逼近指数函数即可。 结语 数学公式压根儿不是用来炫耀智商的展示台，它们是人类为了描述世界而发明的一套通用语言。三角函数帮我们看角度，微积分帮我们看变化，线性代数帮我们看结构，傅里叶帮我们看频率。它们共同构成了我们的认知大厦。 下次看到这些公式，别急着翻书。想想自己用的时候是啥心情。是纳闷？是惊喜？还是豁然开朗？不管是啥，那都是数学给你的反馈。世界挺大，公式挺小，但它们的组合，足以把你带进任何你想去的地方。
