你想弄懂什么？

特征向量的特殊性在于它们在变换过程中不会偏离原来的直线（即它们的张成空间），只是发生拉伸、压缩或翻转。定义中排除零向量是因为在任何线性变换下，零向量都映射到自身（$A\vec{0}=\vec{0}$），这无法提供关于变换方向的任何信息。

适用条件：向量 $\vec{v}$ 必须是非零的（$\vec{v} \neq \vec{0}$）；变换是线性的

调和级数发散是因为其部分和持续上升且无界。虽然各项 $\frac{1}{k}$ 变小并趋于零，但它们减小得不够快，无法使总和保持有限。

适用条件：级数为调和级数 $H_n = \sum_{k=1}^n \frac{1}{k}$；随着 $k \to \infty$，各项趋于 0

对于在同一坐标系中绘制的归一化正态分布，其峰值高度由公式 $f(\mu)=1/(\sigma\sqrt{2\pi})$ 决定，表明峰值与标准差 $\sigma$ 成反比。由于每条曲线下的总面积必须恒为 1，较大的标准差会将概率分布扩展到更宽的水平范围，从而迫使峰值高度降低。因此，具有不同标准差的两个正态分布不可能拥有相同的峰值高度。

适用条件：曲线是归一化的正态分布。；每条曲线下总面积为 1。；在同一坐标系尺度上比较曲线。

选择代换 $u = 1 + \frac{9}{4}x$ 是因为它正是弧长积分 $\int_0^{32/9}\sqrt{1+\frac{9}{4}x}\,dx$ 中根号下的表达式。通过将 $u$ 设为这个内部表达式，复杂的被积函数简化为 $\sqrt{u}$，这使得使用幂法则进行积分变得容易得多。

适用条件：要计算的积分是 $\int_0^{32/9}\sqrt{1+\frac{9}{4}x}\,dx$。；被积函数在平方根下包含一个复合表达式。

排除特定数值（如 1 或 -1）只能证明这些特定的数不是极限。要严格证明极限不存在，必须表明**每一个**可能的实数 $L$ 都不满足收敛的定义。

适用条件：序列定义为 $a_n = (-1)^n$。；证明需要排除所有 $L \in \mathbb{R}$。

视频使用这三个条件是因为一个通用的二次多项式恰好有三个未知系数。通过要求近似值在展开点处匹配函数值、一阶导数（斜率）和二阶导数（凹凸性），讲座建立了一个包含三个方程的系统，从而在演示的设置中唯一地确定了这三个系数。

适用条件：近似多项式是二次的。；匹配点是 $x=0$。；目标函数和多项式在该点至少可以求导两次。

贝叶斯定理之所以正确，是因为两个事件的联合概率可以通过两种对称的方式进行分解。A 和 B 同时发生的概率等于 A 的概率乘以在 A 发生的条件下 B 的条件概率，同时也等于 B 的概率乘以在 B 发生的条件下 A 的条件概率。

适用条件：A 和 B 是同一概率空间中的事件。；此处使用的普通条件概率要求 A 和 B 都具有正概率。

在极值点处，目标函数的等高线与约束曲线相切。由于梯度向量始终垂直于其各自的等高线，因此在这些切点处，目标函数和约束函数的梯度必须相互平行。

适用条件：函数 $f$ 和 $g$ 是可微的。；极值发生在约束曲线平滑的点（$g$ 的梯度非零）。；$f$ 的等高线与约束曲线 $g=0$ 相切。

部分和的有限绘图只显示了级数直到某一项数的行为。它不能保证部分和序列会无限期地继续接近极限。

适用条件：绘图只显示了有限数量的部分和。；收敛被定义为部分和无限序列的极限。

当 $n=500$ 时，区间 $[0,1]$ 被分成 500 个等长子区间，使得每个矩形的宽度为 $\frac{1}{500}$，非常小。在视觉上，相邻矩形之间的边界在屏幕尺度上变得无法区分，从而形成了实心连续区域的外观。

适用条件：划分数量 $n$ 很大（例如 $n=500$）。；显示分辨率或视觉尺度无法区分单个细矩形。；函数 $f(x)$ 是连续的。

使用自然频率（例如，固定人口如210人中的计数）来构建问题与心理学家卡尼曼和特沃斯基的发现一致。具体的人数使复杂的条件关系变得有形，减少了认知负荷。

适用条件：问题涉及条件概率或贝叶斯推断；比较的是自然频率框架与百分比/概率框架

最后一个非零余数 $r_n$ 是 $\gcd(a,b)$，因为欧几里得算法在每一步都保持最大公约数不变：$\gcd(a,b) = \gcd(b,r_1) = \gcd(r_1,r_2) = \dots = \gcd(r_n, 0)$。由于任何数都能整除 0，$r_n$ 和 0 的最大公约数就是 $r_n$ 本身。

适用条件：当余数为 0 时算法终止。；$r_n$ 是序列中的最后一个非零余数。