你想弄懂什么？

ML 不等式是围道积分的估计工具。它指出，函数沿路径的积分的绝对值受限于该函数在该路径上的绝对值的上确界（最大值）乘以路径的长度。

适用条件：函数沿可求长路径进行积分。；函数在路径上是连续的。

在关系图中，从第一个集合中的元素画到第二个集合中元素的箭头意味着相应的有序对属于该关系。它直观地编码了特定对在笛卡尔积子集中的成员资格。

适用条件：图表显示了两个集合，通常表示为椭圆或圆形。；箭头将第一个集合中的元素连接到第二个集合中的元素。

对于非零叉积，结果向量垂直于两个输入向量。其具体方向由右手定则确定：将手指指向第一个向量的方向，向第二个向量弯曲，拇指所指的方向即为叉积向量的方向。

适用条件：叉积是非零的（输入向量不平行）。；你正在确定结果向量的方向。

该项消失是因为可微性保证了 $\Delta f$ 和 $\Delta g$ 都与输入增量 $h$ 成正比（即 $O(h)$ 阶）。当除以 $h$ 时，乘积 $\frac{\Delta f \Delta g}{h}$ 变为 $O(h^2)/h = O(h)$ 阶的表达式，随着 $h \to 0$ 趋向于零。

适用条件：函数 $f$ 和 $g$ 在所讨论的点处是可微的；输入增量 $h$ 趋近于零

收敛不需要单调性，因为正式定义只限制了足够靠后的项的行为。只要超过某个索引的所有项都落在围绕该极限的任意给定容差带内，数列就可以以振幅递减的方式振荡并仍然趋近于极限。

适用条件：数列趋近于候选极限 $a$。；容差带由 $\varepsilon > 0$ 定义。；截断值 $N$ 依赖于 $\varepsilon$。

通过将每个可能的结果乘以其概率并对结果求和来计算期望值。选择具有较高期望值的股票作为更好的投资。

适用条件：所有结果的概率之和为 1。；每只股票的结果和概率已知。

角落项代表两个微小变化的乘积，$\Delta f \Delta g$。由于函数是可导的，$\Delta f$ 和 $\Delta g$ 都是 $h$ 的同阶量（与输入增量成正比）。

适用条件：函数 $f$ 和 $g$ 在该点可导。；输入增量 $h$ 趋近于零。；几何模型假设一个边长为 $f(x)$ 和 $g(x)$ 的矩形。

在简单线性回归中，当所有观测到的 $x$ 值完全相同时，唯一的最小二乘斜率公式不可用。这是因为斜率估计量的分母（即 $x$ 对其均值的偏差平方和 $\sum(x_i - \bar{x})^2$）变为零，导致因除以零而使斜率未定义。

适用条件：所有观测到的 x 值都相同。；模型试图拟合具有唯一斜率的直线。

椭圆曲线上的点加法在几何上定义为：画一条穿过两点 A 和 B 的直线，找到它与曲线的第三个交点，然后将该交点关于 x 轴反射以得到和 C。

适用条件：A 和 B 是椭圆曲线上的点。；穿过 A 和 B 的直线与曲线相交于第三个点。；曲线关于 x 轴对称。

平凡因数是容易找到的因数 1 和该整数本身。对于任何大于 1 的正整数，这两个因数是不同的。

适用条件：目标数是大于 1 的正整数。

在关于直线 $y=-x$ 的反射变换中，垂直于该反射线的非零向量 $(1,1)$ 被映射为 $(-1,-1)$。由于 $(-1,-1) = -1 \cdot (1,1)$，因此向量 $(1,1)$ 是对应特征值 $-1$ 的特征向量。这表明被反射反转方向的向量具有特征值 $-1$。

适用条件：变换是关于直线 $y=-x$ 的反射。；向量是非零的。；向量垂直于反射线。

如果两个事件的交集是空集，则它们是互斥的，这意味着它们不能在同一随机实验中同时发生。

适用条件：事件 A 和 B 是同一随机实验中的两个事件。