欧拉特性

笛卡尔坐标系为欧几里得几何提供了代数模型。它使用一个或多个数字（或坐标）来唯一地确定空间中点的位置。在平面上，使用两条垂直线（x轴和y轴），从而可以用代数方程来描述几何形状。这种代数与几何的融合被称为解析几何。

数学归纳法是一种用于证明性质[latex]P(n)[/latex]对所有自然数[latex]n[/latex]成立的技术。它包含两个步骤： 基准情况，证明[latex]P(0)[/latex]或[latex]P(1)[/latex]成立；归纳步骤，证明若[latex]P(k)[/latex]对某个自然数[latex]k[/latex]成立（归纳假设），则[latex]P(k+1)[/latex]同样成立。.

二阶线性双曲偏微分方程，用于控制各种波的传播。最简单的形式是 [latex]\frac\{partial^2 u}{partial t^2} = c^2 \nabla^2 u[/latex]，其中 [latex]u(\vec{x},t)[/latex] 是波的振幅，[latex]c[/latex] 是波速，[latex]\nabla^2[/latex] 是拉普拉斯算子。它是振动弦、声波和光波等现象的模型。

这是几何概率中最早的问题之一，被认为是蒙特卡罗方法的前身。它涉及将一根长度为 [latex]l[/latex] 的针投到地板上，地板上有相距 [latex]t[/latex] 的平行线。针穿过一条线的概率为 [latex]P = \frac{2l}{\pi t}[/latex]（为 [latex]l \le t[/latex]）。这为估算 [latex]\pi[/latex] 提供了一个物理实验。.

帕塞瓦尔定理将信号的总能量（其平方在一周期内的积分）与傅里叶级数各分量平方能量之和相关联。 对于周期为[latex]P[/latex]的函数[latex]s(x)[/latex]，该定理表明：[latex]\frac{1}{P} \int_P |s(x)|^2 , dx = \sum_{n=-\infty}^{\infty} |c_n|^2，其中c_n为复傅里叶系数。.

贝叶斯推断是一种统计方法，它运用贝叶斯定理在获得更多证据或信息时更新假设的概率。这是贝叶斯统计的核心原理。 其核心思想可表述为：后验概率与先验概率与似然函数的乘积成正比，即 [latex]p(\theta|D) \propto p(D|\theta)p(\theta)[/latex]，其中 [latex]\theta[/latex] 表示参数，D 表示数据。.

这一原理也被称为不等分方法，它指出，如果位于两个平行平面之间的两个固体具有这样的性质：与两个给定平面平行的每个平面与它们相交的截面面积相等，那么这两个固体的体积相等。它提供了一种无需微积分即可计算复杂形状体积的强大方法。

毕达哥拉斯定理为笛卡尔坐标系中的距离公式提供了基础。 平面上两点 (x₁, y₁) 和 (x₂, y₂) 之间的距离 d 由公式 d = √((x₂ - x₁)² + (y₂ - y₁)²) 给出。 该公式直接应用于直角三角形，其两条直角边分别是x坐标与y坐标的差值。.

这是数学史上一个著名的问题。1736 年，莱昂哈德-欧拉（Leonhard Euler）解决了这个问题，奠定了图论的基础，并预示了拓扑学的思想。这个问题问的是，哥尼斯堡市的七座桥是否可以在一次旅行中全部走完，而不需要折返两次，并且旅行的终点还是起点的同一陆地。

拓扑学和几何学中的一个基本定理，指出对于任何凸多面体，顶点数（V）、边数（E）和面数（F）的关系式为 [latex]V - E + F = 2[/latex]。这个值，即 2，是球体的欧拉特性，揭示了与多面体具体形状无关的深层拓扑特性。

贝叶斯定理描述了基于与事件可能相关的先验条件对事件概率的推断。它是概率论与统计学中的基础概念。 数学表达式为：\frac{P(B|A)P(A)}{P(B)}其中A和B为事件，且\frac{P(B|A)P(A)}{P(B)} \neq 0。该定理关联了两个随机事件的条件概率与边缘概率。.

二阶线性椭圆偏微分方程，用于描述稳态或平衡条件下的系统。它被写成 [latex]nabla^2 u = 0[/latex] 或 [latex]Delta u = 0[/latex]，其中 [latex]nabla^2[/latex]（或 [latex]Delta[/latex]）是拉普拉斯算子。解称为谐函数，是最平滑的函数，代表静电、重力和流体流动等领域的电势。

通过寻找模型参数，使观测值与预测值的平方差之和最小化，从而近似求解超确定系统的标准方法。这个和称为残差平方和（SSR）。目标是找到使函数 [latex]S(\beta) = \sum_{i=1}^{n} (y_i - x_i^T \beta)^2[/latex] 最小化的参数 [latex]/hat{\beta}[/latex]。.

描述热分布或其他扩散过程的基本二阶线性抛物线偏微分方程。其典型形式为 [latex]\frac{partial u}{partial t} = \alpha \nabla^2 u[/latex]，其中 [latex]u(\vec{x},t)[/latex] 为温度，[latex]t[/latex] 为时间，[latex]\alpha[/latex] 为热扩散率。解法模拟了初始温度分布的演变过程，随着时间的推移，不规则的温度分布逐渐平滑并接近稳定状态。