つまり灰色の混ざりきった絵の具から、白黒のマーブル模様の「履歴や状況」を復元する事は難しい筈だ
マイナスの計算をする場合
が成り立つ
#jsmath
memo
関数を傾きで割ると何になる?
y=mx+b → y/m=x+b/m
(もうちょっとまともな文章にする)
結局、εとδは何を意味しているのだろう? ここで関数の極限を見直して考えてみる
関数の極限の収束は以下の論理式になる
\(\lim _{ x\rightarrow b }{ \quad f\left( x \right) } =\alpha \\ \forall \varepsilon >0\quad \exists \delta >0\quad (\quad \delta >\left| x-b \right| >0\quad \Rightarrow \quad \left| f\left( x \right) -\alpha \right| <\varepsilon \quad )\\ \quad \Leftrightarrow \quad \forall \varepsilon >0\quad \exists \delta >0\quad (\quad (b-\delta <x<b+\delta \quad \wedge \quad x≠b)\quad \Rightarrow \quad \alpha -\varepsilon <f\left( x \right) <\alpha +\varepsilon \quad )\quad )\)
\(\varepsilon\)は無限に小さくなっていく値を表す変数である(しかし、決して0にはならない)
では\(\delta\)は?
\(関数の極限の収束を考えた場合、\left| f\left( x \right) -\alpha \right| <\varepsilon なので\varepsilon を基準に\delta の値を作ると考えるとf\left( b\pm \delta \right) \simeq \pm \varepsilon としてg\left( \alpha \pm \varepsilon \right) \simeq \pm \delta のような逆関数の近似を作れば良いと考えられる\)
\(この\varepsilon \delta でxとf\left( x \right) を包囲、挟み撃ちしてしまう訳だが、必ずしも\delta が\varepsilon の逆関数である必要はない\)
\(ここで論理式に注目すると\deltaは「\exists \delta >0」と指定されている。「\exists(ターンイー)」は存在量化子と呼ばれる論理記号で日本語では「適当な値が存在する」と訳される。この場合、「0より大きな適当な値 \delta」 が存在するとなる\)
この場合\(\delta\)は「\(\varepsilon \delta \)の論理式の条件を満たせば極限は動く」と考え、εに対応してさえいれば\(\dot { 適 } \dot { 当 } \)(テキトー)な値で良い
\(\delta\)は条件さえ満たせば、どんな形でも良いものだという事になっている
ここで一つ疑問が出てくる。何故、逆関数であると言い切らないのだろうか?・・・「対応している」という言い回しが逆関数をあらわしているのだろうか?(調べる必要アリ)TODO
TODO
この極限という機関の動力は無限に小さくなっていくεをガソリンにしている。その構造的根拠は数学的帰納で保証されている(微積分と物理/数学的帰納)。数学的帰納は以下の論理式で定義されている
自然数\(n\in\mathbb{N}\) に依存する命題 \(p(n)\) に対して
\( (\quad (p(1))\quad \wedge \quad (\quad (\forall k\in \mathbb{N})\quad (p(k)\Rightarrow p(k+1))\quad )\quad )\quad \Rightarrow \quad (\quad (\forall n\in \mathbb{N})\quad (p(n))\quad )\)
が成り立つ。数学的帰納法が成り立つ最低条件がこれとなっている
資料:
これはニュートンラフソンの式を漸化式として数回演算することで求められる\\ \\ { x }_{ n+1 }={ x }_{ n }-\frac { f\left( { x }_{ n } \right) }{ f'\left( { x }_{ n } \right) } \\ \\ この式は、実は微分の式の変形とy=0との連立方程式から導かれている\\ 微分の式を再確認すると以下になる\\ \\ \lim _{ b\rightarrow \alpha }{ \frac { f\left( b \right) -f\left( \alpha \right) }{ b-\alpha } =f'\left( \alpha \right) } \\ \\ この微分の式の極限が無い状態を考える。右辺が傾きを表す式である事を近似で考えると\\ \\ \frac { f\left( b \right) -f\left( \alpha \right) }{ b-\alpha } \simeq f'\left( b \right) \\ \\ と表現できる。記号「\simeq 」は近似を表す\\ 右辺の「到達している傾きの位置」が違う点に留意。極限を使うとbは\alpha に限りなく近づくのでf'\left( \alpha \right) となる\\ しかし、極限を利用しないとf'\left( b \right) となる。これはよくよく考えると当たり前のことを言っている\\ でも、これはよくやりやすい勘違いなので注意してほしい。極限なしで平均値の算出で考えを進めると以下になる\\ \\ f'\left( b \right) \simeq \frac { f\left( b \right) -f\left( \alpha \right) }{ b-\alpha } \\ \\ \quad \Leftrightarrow \quad f'\left( b \right) \left( b-\alpha \right) \simeq f\left( b \right) -f\left( \alpha \right) \quad \Leftrightarrow \quad \quad f'\left( b \right) b-f'\left( b \right) \alpha \simeq f\left( b \right) -f\left( \alpha \right) \\ \Leftrightarrow \quad \quad f'\left( b \right) b\simeq f\left( b \right) -f\left( \alpha \right) +f'\left( b \right) \alpha \quad \Leftrightarrow \quad \quad b\simeq \frac { f\left( b \right) -f\left( \alpha \right) +f'\left( b \right) \alpha }{ f'\left( b \right) } \quad \Leftrightarrow \quad \quad b\simeq \frac { f\left( b \right) }{ f'\left( b \right) } -\frac { f\left( \alpha \right) }{ f'\left( b \right) } +\alpha \\ \Leftrightarrow \quad \quad b-\frac { f\left( b \right) }{ f'\left( b \right) } \simeq \alpha -\frac { f\left( \alpha \right) }{ f'\left( b \right) } \\ \\ ここで、f(\alpha )=0との連立方程式を\alpha に対して解くと考える(bが\alpha に近づいていく)\\ \\ b-\frac { f\left( b \right) }{ f'\left( b \right) } \simeq \alpha -\frac { 0 }{ f'\left( \alpha \right) } \quad \Leftrightarrow \quad \quad \alpha \simeq b-\frac { f\left( b \right) }{ f'\left( b \right) }
下図は動作イメージ。青色のグラフが \(\frac { 1 }{ n } \)。赤色が \(\varepsilon\) と \(\delta\) 。緑色が \({ a }_{ n }\) と \(n\) 。赤と緑のグラフのy軸は最終的に0に限りなく近くなる
\(e=\lim _{ n\rightarrow \infty }{ { \left( 1+\frac { 1 }{ n } \right) }^{ n } } \quad にx乗した式\quad { e }^{ x }=\lim _{ n\rightarrow \infty }{ { \left( 1+\frac { 1 }{ n } \right) }^{ nx } } \\ この式に対しN=nxとして\\ { e }^{ x }=\lim _{ N\rightarrow \infty }{ { \left( 1+\frac { 1 }{ n } \right) }^{ N } } \quad 、n=\frac { N }{ x } なので{ e }^{ x }=\lim _{ N\rightarrow \infty }{ { \left( 1+\frac { x }{ N } \right) }^{ N } } \\ ここでマクローリン展開(テイラー展開)する。{ \left( a+b \right) }^{ n }に従うような二項定理を利用しながら式にすると\\ { e }^{ x }=\lim _{ N\rightarrow \infty }{ \sum _{ r=0 }^{ N }{ { _{ N }{ C }_{ r } } } \cdot { 1 }^{ N-r }\cdot { \left( \frac { x }{ N } \right) }^{ r } } \quad となる。これを計算すると\\ \\ { e }^{ x }=\lim _{ N\rightarrow \infty }{ { _{ N }{ C }_{ 0 } } } { \left( \frac { x }{ N } \right) }^{ 0 }+{ _{ N }{ C }_{ 1 } }{ \left( \frac { x }{ N } \right) }^{ 1 }+{ _{ N }{ C }_{ 2 } }{ \left( \frac { x }{ N } \right) }^{ 2 }+{ _{ N }{ C }_{ 3 } }{ \left( \frac { x }{ N } \right) }^{ 3 }+{ _{ N }{ C }_{ 4 } }{ \left( \frac { x }{ N } \right) }^{ 4 }+\cdots \\ =\lim _{ N\rightarrow \infty }{ 1 } +x+\frac { N\left( N-1 \right) }{ 2! } \cdot \frac { { x }^{ 2 } }{ { N }^{ 2 } } +\frac { N\left( N-1 \right) \left( N-2 \right) }{ 3! } \cdot \frac { { x }^{ 3 } }{ { N }^{ 3 } } +\frac { N\left( N-1 \right) \left( N-2 \right) \left( N-3 \right) }{ 4! } \cdot \frac { { x }^{ 4 } }{ { N }^{ 4 } } \cdots \\ =\lim _{ N\rightarrow \infty }{ 1 } +x+\frac { \frac { { N }^{ 2 }-N }{ { N }^{ 2 } } { x }^{ 2 } }{ 2! } +\frac { \frac { { N }^{ 3 }-3{ N }^{ 2 }+2N }{ { N }^{ 3 } } { x }^{ 3 } }{ 3! } +\frac { \frac { { N }^{ 4 }-6{ N }^{ 3 }+11{ N }^{ 2 }-6N }{ { N }^{ 4 } } { x }^{ 4 } }{ 4! } \cdots \\ =\lim _{ N\rightarrow \infty }{ 1 } +x+\frac { \left( 1-\frac { 1 }{ { N }^{ 2 } } \right) { x }^{ 2 } }{ 2! } +\frac { \left( 1-\frac { 3 }{ { N } } +\frac { 2 }{ { N }^{ 2 } } \right) { x }^{ 3 } }{ 3! } +\frac { \left( 1-\frac { 6 }{ { N } } +\frac { 11 }{ { N }^{ 2 } } -\frac { 6 }{ { N }^{ 3 } } \right) { x }^{ 4 } }{ 4! } \cdots \quad =\quad 1+x+\frac { \left( 1-0 \right) { x }^{ 2 } }{ 2! } +\frac { \left( 1-0+0 \right) { x }^{ 3 } }{ 3! } +\frac { \left( 1-0+0-0 \right) { x }^{ 4 } }{ 4! } \cdots \\ =1+x+\frac { { x }^{ 2 } }{ 2! } +\frac { { x }^{ 3 } }{ 3! } +\frac { { x }^{ 4 } }{ 4! } \cdots \)
この考えを進めると \(\ln { x } \) は左に90度回転+左右反転で \({e}^{x}\) になる?(逆関数の関係。つまり対称性が見つかる筈。そこから推移性、反射性も見つかって群が見つかる筈)
①NVIDIAコントロールパネルを開く → 3D設定の管理 → グローバル設定 → 優先するグラフィックスプロセッサを「高パフォーマンスNVIDIAプロセッサ」に設定(普段の利用で何か不具合があったら自動選択にしてください)
\(1-2\div 3\left( 4+5 \right) -6\quad =\quad 1-2\div 3\times \left( 9 \right) -6\quad =\quad 1-6-6\quad =\quad -11\)
これはド・モアブルの定理と呼ばれる計算手法になっている
…
ここから問題2が解ける。書籍「なっとくする群・環・体」ではP70に、この問題の答えを書いてくれている(途中経過や式は無い)
\(\iota =\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ 1 & 2 & 3 & 4 & 5 & 6 \end{pmatrix}\\ \sigma =\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ 6 & 1 & 2 & 3 & 4 & 5 \end{pmatrix}\\ \tau =\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ 6 & 5 & 4 & 3 & 2 & 1 \end{pmatrix}\)
\(\left< g,\mu \right> =\begin{cases} 1\quad \cdots g\cdot \mu =gの時 \\ 0\quad \cdots それ以外の場合 \end{cases}\)
ここでは数学的帰納を利用しないで指数と回転置換群、n進数(合同)の関係で順列を作成しています
\(D=\left\{ f\cdot \sigma |\sigma \in R \right\} \\ R=\left\{ \iota ,\sigma ,{ \sigma }^{ 2 },{ \sigma }^{ 3 },{ \sigma }^{ 4 },{ \sigma }^{ 5 } \right\} \\ D=\left\{ f\cdot \iota =f,f\cdot \sigma ,f\cdot { \sigma }^{ 2 },f\cdot { \sigma }^{ 3 },f\cdot { \sigma }^{ 4 },f\cdot { \sigma }^{ 5 } \right\} \\ D=\left\{ f={ g }_{ 1 }=f\cdot { \nu }_{ 1 },f\cdot \sigma ={ g }_{ 2 }=f\cdot { \nu }_{ 2 },f\cdot { \sigma }^{ 2 }={ g }_{ 3 }=f\cdot { \nu }_{ 3 },f\cdot { \sigma }^{ 3 }={ g }_{ 4 }=f\cdot { \nu }_{ 4 },f\cdot { \sigma }^{ 4 }={ g }_{ 5 }=f\cdot { \nu }_{ 5 },f\cdot { \sigma }^{ 5 }={ g }_{ 6 }=f\cdot { \nu }_{ 6 } \right\} \quad \\ \left| D \right| も\left| R \right| も6個ずつある。違いはfを演算した後かどうか\\ そこで\\ { H }_{ j }=\left\{ \mu \in R|f\cdot \mu ={ g }_{ j } \right\} \\ \\ f=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ A & B & C & A & B & C \end{pmatrix}\\ { H }_{ 1 }=\left\{ { \mu }_{ 1 }=\iota ,{ \mu }_{ 2 }={ \sigma }^{ 3 } \right\} =\left\{ f\cdot { \mu }_{ 1 }=f=f\cdot { \sigma }^{ 3 }=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ A & B & C & A & B & C \end{pmatrix}={ g }_{ 1 }=f\cdot { \nu }_{ 1 }\quad ,\quad f\cdot { \mu }_{ 2 }=f=f\cdot { \sigma }^{ 3 }=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ A & B & C & A & B & C \end{pmatrix}={ g }_{ 1 }=f\cdot { \nu }_{ 1 } \right\} \\ \left| { H }_{ 1 } \right| =2\\ { H }_{ 2 }=\left\{ { \mu }_{ 1 }={ \sigma },{ \mu }_{ 2 }={ \sigma }^{ 4 } \right\} =\left\{ f\cdot { \mu }_{ 1 }=f\cdot { \sigma }=f\cdot { \sigma }^{ 4 }=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ C & A & B & C & A & B \end{pmatrix}={ g }_{ 2 }=f\cdot { \nu }_{ 2 }\quad ,\quad f\cdot { \mu }_{ 2 }=f\cdot { \sigma }=f\cdot { \sigma }^{ 3 }=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ C & A & B & C & A & B \end{pmatrix}={ g }_{ 2 }=f\cdot { \nu }_{ 2 } \right\} \\ \left| { H }_{ 2 } \right| =2\\ { H }_{ 3 }=\left\{ { \mu }_{ 1 }={ \sigma }^{ 2 },{ \mu }_{ 2 }={ \sigma }^{ 5 } \right\} =\left\{ f\cdot { \mu }_{ 1 }=f\cdot { \sigma }^{ 2 }=f\cdot { \sigma }^{ 5 }=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ B & C & A & B & C & A \end{pmatrix}={ g }_{ 3 }=f\cdot { \nu }_{ 3 }\quad ,\quad f\cdot { \mu }_{ 2 }=f\cdot { \sigma }^{ 2 }=f\cdot { \sigma }^{ 5 }=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ B & C & A & B & C & A \end{pmatrix}={ g }_{ 3 }=f\cdot { \nu }_{ 3 } \right\} \\ \left| { H }_{ 3 } \right| =2\\ \\ 事実1:各集合{ H }_{ j }の要素の個数\left| { H }_{ j } \right| はすべて等しい。この場合k=2\\ \\ ①{ { H }_{ j }の各要素は互いに異なる。\mu }_{ 1 }\cdot { \nu }_{ 1 }≠{ \mu }_{ 2 }\cdot { \nu }_{ 1 }\rightarrow { \mu }_{ 1 }≠{ \mu }_{ 2 }\quad \quad 例:{ \nu }_{ 1 }=\iota とすると、{ \mu }_{ 1 }=\iota ,{ \mu }_{ 2 }={ \sigma }^{ 3 }\quad { \mu }_{ 1 }と{ \mu }_{ 2 }が同じになることはない\\ ②gを逆置換\left( 逆関数 \right) して元のfにもどせない要素\mu \in Rは{ H }_{ j }に含まれない\\ Xは番号の集合でYは料理の集合。f:X\rightarrow Y\quad ,\quad g:X\rightarrow Y\quad ,\quad { \sigma }^{ j }\in R\quad ,\quad \mu \in R\quad \quad 以上の事から\nu \in Rにならざる得なくなる\\ { \nu の逆置換\left( 逆関数 \right) は\quad \nu }^{ -1 }:X\rightarrow X\quad ,\quad { \nu }^{ -1 }\in R\quad \left( Rは置換群として定義しているので演算が閉じている。つまり逆元はRの中に必ずある \right) \\ \\ 例:\\ { g }_{ 2 }=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ C & A & B & C & A & B \end{pmatrix}\quad ,\quad { \mu }={ \sigma }\quad \rightarrow \quad \overbrace { { \nu }^{ -1 }={ \sigma }^{ 6-1 }={ \sigma }^{ 5 } }^{ P57のやり方で逆元を求める } \quad \rightarrow \quad { { g }_{ 2 } }\cdot { \nu }^{ -1 }=f=\begin{pmatrix} 1 & 2 & 3 & 4 & 5 & 6 \\ A & B & C & A & B & C \end{pmatrix}=f\cdot { \mu }\cdot { \nu }^{ -1 }\quad \\ \\ \\ \\ ①と②は全てのパターンが漏れなく対応し異なる事を保証している(つまり数え上げの「組み合わせ」になっている) \)
資料中にある「ラムダ計算は1つの変換規則(変数置換)と1つの関数定義規則のみを持つ」の文に留意。ラムダ計算と群になんらかの関係性を感じる(調査の必要あり)
数学における「群」とは「似ているものをひっくるめる」理論といえる。似ているもの同士がどこが似ているかを人に説明するのは難しい。その対象が抽象的な物であればある程難しいものだと考えられる。
visualStudioではカーソルをbreak;やcontinue;の上に持っていくと関連している構文をマーカー表示する
自分はbackerとして数千円援助させていただきましたが大変満足しています
このfの機能、x∈Xに対応するy∈Yは「あみだくじの図」で人工的に図形で表現される
コインを4回投げて表(1)、裏(0)が出る全パターンは\({2}^{4}=16\)通り。この集合を\({ S }_{ 4 }\)と名付ける
\(\displaystyle \begin{matrix} { S }_{ 4 }= & \left\{ 1111,\\ 1110,\\ 1101,\\ 1100,\\ 1011,\\ 1010,\\ 1001,\\ 1000,\\ 0111,\\ 0110,\\ 0101,\\ 0100,\\ 0011,\\ 0010,\\ 0001,\\ 0000 \right\} \end{matrix}\)
このようにマイクロソフトのエクセルやグーグルのスプレッドシートの機能を利用することで比較的短時間に数列の性質を見抜くことができる
メモ 調べる
偶数=2n
奇数=2n-1
偶数×偶数=偶数
偶数×奇数=偶数
偶数+偶数=偶数
奇数+奇数=偶数
偶数+奇数=奇数
奇数×奇数=奇数
以下、何処か間違えている
\(\displaystyle \begin{eqnarray} (1-r)\sum _{ k=1 }^{ n }{ a { r }^{ k-1 } } & = & \left( 1-r \right) \left( { a }{ r }^{ 0 }+{ a }{ r }^{ 1 }+{ a }{ r }^{ 2 }+\cdots +{ a }{ r }^{ n-1 } \right) \\ \quad & = & { a }{ r }^{ 0 }+{ a }{ r }^{ 1 }+{ a }{ r }^{ 2 }+\cdots +{ a }{ r }^{ n-1 }-{ a }{ r }^{ 1 }-{ a }{ r }^{ 2 }-{ a }{ r }^{ 3 }-\cdots -{ a }{ r }^{ n } \\ \quad & = & { a }{ r }^{ 0 }-{ a }{ r }^{ n } \\ \quad & = & { a }-{ { a }r }^{ n } \\ \quad & = & { a }\left( 1-{ r }^{ n } \right) \end{eqnarray}\)
#navi
pocketCasで計算すると下記のように計算結果を出せるがこれを手作業で計算するのは大変すぎる
#navi
B。3回投げてずっと裏が出続けて3回目に表が出る =\(1\)本
\(P 幾何分布関数\)
\(x\quad 試行回数\)
ここのベルヌーイ確率変数を成立させている考え方はとても重要なので「考え方を身につける必要がある」
#navi
つまり、帰納的に働く無限試行の計算の平均は、振動、拡散、収束のどれかになる
確率分布 | 確率を得るための関数。数学では\(P()\)と表される事が多い。標本空間上の事象、又は確率変数を入力に確率1を分布させる出力機能を持っている関数 |
#navi
#navi
本の中で「僕」は「これは簡単だね」と言うがテトラは「不思議です」と言った。これはテトラが正しい。難しいから不思議なのだ
#navi
それが日本を強くさせるかもしれない
論理で使われる記号に割り当てられた自然言語は、日常的に使う意味と必ずしも合致しているとは言えない(たとえば、「ならば」等は直観的感覚で使われている日本語のならばの意味とは少し違ったりする)。その意味は真理値表で表したものが一番正確と言える。(個人的にはC#等のコンピュータ言語で利用される数学記号を使った判定式などの方がより判りやすいと思っている)。また選言標準形に直したものや連言標準形に変換したものの方がより直観的にわかりやすい場合がある
① | 真 | 真 | 真 | (学生である)かつ(人間である) |
② | 真 | 偽 | 偽 | (学生である)かつ(人間でない)ものは「学生ならば人間である」という主張から矛盾している |
③ | 偽 | 真 | 真 | (学生でない)かつ(人間である)ものは主張から矛盾しない |
④ | 偽 | 偽 | 真 | (学生でない)かつ(人間でない)ものは主張から矛盾しない |
C#にこの論理を当てはめると\(p(1)\)は初期設定関数、\(p(k) ⇒ p(k+1)\)はループする帰納関数部を指している。\(p(n)\)が成り立つと主張する部分では、この帰納関数の全入出力は(自然数\(n\)がどんな値をとっても)関数\(p\)の性質を持ち続ける事を結論付けている。この論理式の前提を満たす関数は「数学的帰納法」に適合したものであると、この論理式は定義付けている
ctrl+k,ctrl+c と ctrl+k,ctrl+u | コメント | ココにコメント、ココにアンコメント |
┬A┬B─C │ └C─B ├B┬A─C │ └C─A └C┬A─B └B─A
#jsmath
\(\displaystyle \lim _{ x\rightarrow \infty }{ { \left( 1+\frac { 1 }{ x } \right) }^{ x } } \quad =\quad \lim _{ x\rightarrow \infty }{ { \left( \frac { x+1 }{ x } \right) }^{ x } } \quad =\quad \lim _{ x\rightarrow \infty }{ \frac { { \left( x+1 \right) }^{ x } }{ { x }^{ x } } } \quad =\quad e\)
\(\displaystyle \int { \frac { 1 }{ x } =\log _{ e }{ x } =\ln { (x) } } \)
\(\displaystyle \int { \sqrt { 1-{ x }^{ 2 } } dx } =\sin { x\sqrt { 1-{ x }^{ 2 } } } \)
平方根(二乗根)の逆数とは何者か?
\(\sqrt { 2 } の逆数={ \sqrt { 2 } }^{ -1 }=\frac { 1 }{ \sqrt { 2 } } =\frac { \sqrt { 2 } }{ 2 } =0.707106...\)
\(\sqrt { 3 } の逆数={ \sqrt { 3 } }^{ -1 }=\frac { 1 }{ \sqrt { 3 } } =\frac { \sqrt { 3 } }{ 3 } =0.5773502...\)
\(\sin { \left( 45° \right) } =\cos { \left( 45° \right) } =0.707106...\)
\(\tan { \left( 30° \right) } =0.5773502...\)
三角比、三角形の合同と相似、そして指数法則、逆数を利用して考えてみる…
[添付]
[添付]
\({ 3 }^{ \frac { 1 }{ 2 } }=\sqrt { 3 } =1.732...\)となる
\(\begin{cases} y={ x }^{ 2 }-c \\ y=0 \end{cases}\)
簡単に式を変形して\(y=0\)の時の\(x\)を求めると指数部に逆数が現れる
つまり指数の移項で\(-1\)乗していると考えられるが、指数部の\(-1\)乗倍とはどう考えればいいのだろうか?これは虚数\((i)\)なのか?
\(0={ x }^{ 2 }-c\quad \rightarrow \quad { x }^{ 2 }=c\quad \rightarrow \quad x={ c }^{ \frac { 1 }{ 2 } }\)
この放物線の中に三角形を作ればいい? 指数と三角関数と対数は全部繋がると予想される
元をたどっていくと、そもそも分数とは何者か?という話になる
| この巻のテーマは確率。 何冊か数学ガールは読んでいますが本書は特に面白いと個人的に感じます。 エキサイティングな数学を楽しみたい。そういう人にお勧めします。 |
#ls2
もう一度、論理式に戻ってグラフ図を使いながら、この論理式が何を言いたいのか、表現しているのかを説明するとこうなる