你想弄懂什么？

净变化公式指出，对于区间上的连续可微函数，对其导数进行积分得到端点差值。具体来说，导数 $f'$ 从 $a$ 到 $b$ 的积分等于 $f(b) - f(a)$。

适用条件：函数在区间上连续可微。；积分区间是从 $a$ 到 $b$。

视频将来自指数分布的样本均值呈现为正态分布，以强化中心极限定理的信息，即起始总体形状并不重要。尽管指数总体是右偏的，但 100 个样本均值（每个来自大小为 20 的样本）的直方图形成了钟形，与正态曲线叠加相匹配。

适用条件：总体是指数分布。；样本量为 20。；累积了 100 个样本均值。；该主张基于视觉模拟，而非形式证明。

当 $(N-1)\beta/\gamma > 1$ 时，流行病开始增长，因为这一条件确保了新感染的初始速率超过移除速率。对于一个初始感染者（$I=1$）和 $S=N-1$，感染者方程 $\frac{dI}{dt}=\beta SI-\gamma I$ 只有在感染产生项 $\beta(N-1)$ 大于移除项 $\gamma$ 时才为正。

适用条件：适用于爆发开始时。；使用单感染者初始化 $I(0)=1$。；假设黑板上显示的 SIR 动力学。；除以 $\gamma$ 隐含假设 $\gamma>0$。

添加两个向量能保持该关系，因为第三个分量的和等于第一个分量的和加上第二个分量的和。具体来说，如果 $x_3 = x_1 + x_2$ 且 $y_3 = y_1 + y_2$，那么 $(x+y)_3 = x_3 + y_3 = (x_1 + x_2) + (y_1 + y_2) = (x_1 + y_1) + (x_2 + y_2) = (x+y)_1 + (x+y)_2$。

适用条件：$x$ 和 $y$ 是 $\mathbb{R}^3$ 中的向量。；$x$ 和 $y$ 分别满足方程 $x_3 = x_1 + x_2$ 和 $y_3 = y_1 + y_2$。；向量加法是按分量定义的。

秩等于阶梯形中主元的数量。一旦矩阵化简为阶梯形，只需计数主元位置；一旦主元清晰，无需进一步化简每个元素。

适用条件：矩阵已化简为阶梯形。；主元清晰可辨。

以事件 B 为条件会将样本空间限制为仅包含 B 中的结果。在这个新限制的样本空间内，事件 A 的有利结果仅位于 A 和 B 的交集（$A \cap B$）中。

适用条件：事件 B 已经发生。；我们正在计算给定 B 时 A 的条件概率。

在此几何语境下，向量被定义为同时具有大小和方向的线段。线段的长度代表大小，箭头指示方向，这使其区别于普通线段。这些是自由向量，意味着它们可以平移而不改变其本质，因此它们在平面中的具体位置并不重要。

适用条件：讨论的对象是平面中带箭头的线段。；这些是可以平移的自由几何向量。

步长更新为已满足模数的最小公倍数（LCM），是因为将 LCM 加到当前解上可以保留所有这些模数的余数。任何能被所有当前模数整除的增量都不会改变它们各自的余数，而 LCM 是满足此条件的最小正增量。

适用条件：一个数字目前满足一组同余方程。；新的步长必须保留所有这些同余方程的余数。

传统建模是自上而下的，试图通过观察整个系统来获得大局观。基于主体的建模 (ABM) 颠覆了这一观点，它是自下而上的，从每个个体开始，观察大局观从他们所有的微小互动中生长出来。

适用条件：ABM 的分析从个体主体层面开始。；自上而下建模的分析从整个系统层面开始。

这三个假设条件是：(1) 函数序列 $f_n$ 在区间 $[a,b]$ 上收敛于函数 $f$；(2) 存在一个控制函数 $g$，使得对于所有的 $n$ 和所有的 $x \in [a,b]$，都有 $|g(x)| \ge |f_n(x)|$；(3) 控制函数在区间上的积分是有限的，即 $\int_a^b g(x)\,dx < \infty$。

适用条件：该定理是以微积分导向的形式呈现的，而不是完整的测度论证明。；区间 $[a,b]$ 是一个闭且有界的实数区间。

公理是在特定系统内被接受为真而无需证明的陈述。它作为基本假设和构建新知识的起点。

适用条件：真理在特定系统内被接受。；在该系统内，公理本身不需要证明。

条件熵是 X 和 Y 的联合熵与 Y 的边缘熵之差。这种关系由熵链式法则表示：H(X|Y) = $H(X,Y) - H(Y)$。

适用条件：X 和 Y 是具有良好定义的联合熵和边缘的离散随机变量。