你想弄懂什么？

在固定次数的独立试验中统计成功次数得到二项分布，而在达到固定成功次数之前统计失败次数则得到负二项分布。这一区别取决于保持恒定的是总试验次数还是成功次数。

适用条件：试验是独立的且具有固定的成功概率。；第一种情况涉及固定的总试验次数。；第二种情况涉及等待固定的成功次数。

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。

通过对所有层级的节点数求和，可以估算树的总规模。视频使用有限几何级数示例 $2^0+2^1+\cdots+2^6=2^7-1$ 来表明总和由最高阶项主导。

适用条件：时间成本通过递归调用的次数来衡量。；采用使用完美二叉树的上界估计。；求和从 $2^0$ 开始，公比为 2。

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。

当使用依赖欧几里得距离或基于梯度优化的算法时，应应用特征缩放，例如 KNN、K-means、线性回归、逻辑回归和神经网络。对于决策树、随机森林和 XGBoost 等基于树的模型，通常不需要缩放，因为其分裂取决于特征条件而非绝对量级。

适用条件：模型使用对特征尺度敏感的度量或迭代优化。；模型不是基于树或树的集成。

割线斜率表示曲线上两点之间区间内的平均变化率。相比之下，导数（如果存在）提供单点处的瞬时变化率，并对应于该点处切线的斜率。一个关键条件是，导数必须存在，才能定义瞬时变化率。

适用条件：导数在该点必须存在，才能定义瞬时变化率。

叉积对向量加法满足分配律，即 $\mathbf{a} \times (\mathbf{b} + \mathbf{c}) = \mathbf{a} \times \mathbf{b} + \mathbf{a} \times \mathbf{c}$ 且 $(\mathbf{a} + \mathbf{b}) \times \mathbf{c} = \mathbf{a} \times \mathbf{c} + \mathbf{b} \times \mathbf{c}$。这一性质允许展开和简化涉及和式的叉积表达式，需注意其不同于叉积通常不满足结合律的特性。

适用条件：你正在简化涉及叉积和和的表达式。；你正在将代数性质应用于向量运算。

在加法记号中，对于带有运算 $+$ 的群 $H$ 和元素 $y \in H$，由 $y$ 生成的子群是包含 $y$ 的 $H$ 的最小子群。它由 $y$ 的所有整数倍组成，写为 $\langle y \rangle = \{\dots, -3y, -2y, -y, 0, y, 2y, 3y, \dots\}$。

适用条件：$H$ 是带有运算 $+$ 的群。；$y \in H$。

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

在点 $x=c$ 处的导数被定义为该处曲线切线的斜率。从图形上看，可以通过固定输入 $c$，调整可拖动的控制点直到附带的直线在视觉上与蓝色三次曲线的局部陡峭程度对齐，然后从答案面板读取相应的数值来进行估计。

适用条件：底层函数是多项式 $f(x)=2x^3$。；普通导数要求差商的极限存在且有限（等价于有限的切线斜率）。；除非对照已知公式进行检查，否则精度取决于目测估计。

欧几里得算法在每一步都保持最大公约数不变，即 $\gcd(a,b) = \gcd(b,r_1) = \dots = \gcd(r_n, 0)$。由于任何整数都能整除 0，$r_n$ 和 0 的最大公约数即为 $r_n$ 本身。因此，序列中的最后一个非零余数 $r_n$ 就是 $\gcd(a,b)$。

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。

视频将二维拉普拉斯方程解释为矩形板上稳态温度分布的模型。函数 $u(x,y)$ 代表板上每一点的温度，方程表明 x 和 y 方向上的曲率之和为零，这意味着没有内部热源或汇。

适用条件：物理系统是一个薄的矩形板。；状态是稳态的（与时间无关）。；$u$ 代表温度。；域是 $0 < x < a$ 和 $0 < y < b$。；需要指定边界条件来确定解的具体常数。