符号运算能力

之前的章节我们知道了各种规则和概念，本章节我们将看看大家的熟练度，是否可以自己把公式推一遍。

这个能力直接决定你能不能跟着论文里的推导走下去，而不是在作者跳步的地方卡住，每个知识点都配了交互演示，特别是 (a+b)² 的几何切分动画，看一遍就能明白"交叉项 2ab 是从哪来的"。

为什么"符号运算能力"很重要

读论文时经常会遇到这种情况：作者写了"经过化简，可得……"，中间跳过了三五步。

如果符号运算不够熟练，这几步跳跃会直接把你挡在门外。

如果熟练，你可以自己把这几步补上，真正"跟上"作者的思路，而不是被动接受结论。

同样一条规则，"知道"和"能闭着眼睛熟练运用"是两个能力层级。这一章练的就是后者。

从 (a+b)² 到多元展开

最基础的恒等式

几何视角：为什么多出一个"2ab"

把理解成"边长为 a+b 的正方形的面积"，可以把这个正方形切成 4 块：

区域	形状	面积
左上角	边长为 a 的正方形
右上角	长 b、宽 a 的长方形
左下角	长 a、宽 b 的长方形
右下角	边长为 b 的正方形

四块面积加起来。

这个"2ab"不是凭空冒出来的，而是两个交叉的长方形。点击下方"展开"按钮，看四块面积如何分开。

交互演示：(a+b)² 的几何切分

拖动滑块改变 a 和 b 的比例（总边长固定为 4），点击"展开"看正方形被切成四个部分，再点"复原"拼回去。

a2.5

推广到三个变量

按照"每一对变量都会产生一个交叉项"的规律，可以直接写出：

推导逻辑：把看成，展开时每一项和每一项两两相乘。

相同变量相乘得到平方项（），不同变量相乘会出现两次（比如和），合并后就是。

推广到向量

这个规律在向量运算里以另一种形式反复出现，比如计算两个向量差的模长平方：

本质就是把里的"数"换成了"向量"，把"乘法"换成了"点积"。

看到论文里出现类似的展开，可以直接联想到这里学的规则--新公式往往是旧规则换了一层皮，这正是"符号运算能力"帮你"看穿"新公式的方式。

实例

# 数值验证恒等式：一个检验公式是否记错的好习惯
# 思路：随便代入几个数，看等式两边是否相等

for a, b in [(2, 3), (5, 1), (0.5, 2.5), (-1, 4)]:
lhs = (a + b) ** 2 # 左边：(a+b)²
rhs = a ** 2 + 2 * a * b + b ** 2 # 右边：a² + 2ab + b²
print(a, b, abs(lhs - rhs) < 1e-12)

# 顺便验证向量版本：‖x - y‖² = ‖x‖² - 2x·y + ‖y‖²
import math
x, y = (3, 4), (1, 2)
lhs = (x[0]-y[0])**2 + (x[1]-y[1])**2
rhs = (x[0]**2 + x[1]**2) - 2*(x[0]*y[0] + x[1]*y[1]) + (y[0]**2 + y[1]**2)
print(abs(lhs - rhs) < 1e-12)

执行以上代码输出结果为：

2 3 True
5 1 True
0.5 2.5 True
-1 4 True
True

这个"随机代入验证"的方法非常实用：忘了公式细节时，代几个数就能确认自己记的版本对不对。

练习：展开和。

点击查看答案

分别把和代入即可。

化简、变形、配方

配方法：把一般式变成"顶点式"

配方法的目标是把这种"缺一块"的式子，凑成一个完整的平方：

例题：把配方，得到。

验证：展开，确实相等。

配方法的两个典型用途：

用途	做法	例子
求二次函数顶点		直接看出顶点 (-3, -7)，不需要画图或求导
凑完全平方简化推导	把复杂多项式凑成平方项	最小二乘法、正态分布最大似然估计的中间步骤

交互演示：配方法与顶点

拖动滑块改变 b，观察抛物线 y = x² + bx 的顶点如何移动，以及顶点横坐标始终等于 -b/2。

化简的一般思路

遇到一个复杂表达式，通常按这个顺序尝试：

顺序	技巧	说明
1	合并同类项	把相同的变量幂次合并
2	提取公因式	找出所有项共有的因子提出来
3	利用恒等式	套用、等现成公式
4	换元	反复出现的复杂子表达式用新变量代替

换元法例题：化简。

令 t = x² + 1
原式 = t² - 3t + 2 = (t-1)(t-2)
代回 t：
     = (x²+1-1)(x²+1-2)
     = x² · (x²-1)
     = x⁴ - x²

能不能自己推导公式，是分水岭

"看懂"和"能推"是两个能力层级

层级	表现
能读懂	看着推导步骤，能理解"这一步为什么成立"
能推导	合上书，自己能把这几步重新走一遍

很多人卡在论文阅读上，卡的不是"新知识"，而是这一层：公式用到的都是前三章讲过的规则，只是需要在没有提示的情况下自己组织出正确的步骤顺序。

完整推导练习：均方误差的最小值

问题：给定 n 个数据点，想找一个常数 c，使得所有点到 c 的"平方距离之和" 最小，求最优的 c。

推导过程：

设 f(c) = Σᵢ (xᵢ - c)²

展开每一项（用到 (a-b)² 公式）：
f(c) = Σᵢ (xᵢ² - 2cxᵢ + c²)
     = Σᵢ xᵢ² - 2c·Σᵢxᵢ + n·c²    （把 Σ 拆到每一项，c 是常数可以提出来）

这是关于 c 的二次函数，开口向上（c² 系数为 n > 0），
顶点（最小值点）在 c = -B/2A，这里 B = -2Σxᵢ，A = n

代入：c = -(-2Σxᵢ) / (2n) = Σxᵢ / n

结论：最优的 c 正好是所有数据点的平均值。

这个推导只用了本章和第一章的知识（平方展开、Σ 求和、二次函数顶点公式），却推出了统计学里"为什么均值是最小化平方误差的最优点"这个重要结论。

拖动滑块亲手验证：c 偏离平均值时，平方距离之和如何变大。

交互演示：为什么均值让平方误差最小

5 个数据点固定为 1, 3, 4, 8, 9（均值 5）。拖动滑块移动 c，观察 f(c) = Σ(xᵢ-c)² 的变化，c = 5 时误差最小。

c1.0

灰点是数据点，红色抛物线是 f(c)，蓝点是当前的 c 位置。无论 c 往哪边偏，误差都大于 c = 5 处的最小值。

实例

# 数值验证：均值是使 Σ(xᵢ-c)² 最小的 c
data = [1, 3, 4, 8, 9]
mean = sum(data) / len(data)

def sq_error(c):
"""f(c) = Σ(xᵢ - c)²"""
return sum((x - c) ** 2 for x in data)

print(mean) # 均值 = 5
print(sq_error(mean)) # c = 均值时的误差

# 对比几个偏离均值的 c：误差都更大
for c in [0, 3, 5, 7, 10]:
print(c, sq_error(c))