- 作业1.6
描述你在学习、使用数学表达式时的困难, 可举例说明.
-
通常使用word编辑数学表达式时,由于不熟练,找符号的时间特别长,比如下图的求和式:
问题是这个式子写出来还需键入不同部分虚线方框的内容,即使能够熟练找到自己想要的公式符号,但是在整体输入的时候还是很不方便。
所以好像感觉用Markdown确实要方便一点,只要熟练掌握不同符号的表达方式,以及编写技巧,大型的表达式也能轻松写出来。
-
再者有一点就是不知道什么时候该用数学表达式,什么时候不该用。
这个好像没办法举例,因为用到的不多。大多数时候感觉这个地方该用一个式子佐证一下,但是又觉得别的式子都不合适。总之的话可能还是表达式学得少了,积累得不够,更不用说形成自己的表达风格了。
漫漫抄表达式之旅即将开启(╥╯^╰╥)。
2.6 作业
- 令 A = { 3 , 5 } \mathbf{A} = \{3, 5\} A={3,5} , 写出 2 A 2^{\mathbf{A}} 2A .
- 展开 2 ∅ 2^{\emptyset} 2∅.
- 令 A = { 5 , 6 , 7 , 8 , 9 } \mathbf{A} = \{5, 6, 7, 8, 9\} A={5,6,7,8,9}, 写出 A \mathbf{A} A 的其它两种表示法.
- 使用 markdown 模式写 CSDN 贴子, 根据提供的源码将相应表达式写出来. 提示: markdown 模式写表达式的源码与 Latex 比较一致 (估计就是从后者学习的), 仅在少数地方不同. 这里抄会了, 就为以后写论文就扫除了重要障碍.
-
2
A
=
{
∅
,
{
3
}
,
{
5
}
,
{
3
,
5
}
}
2^{\mathbf{A}} = \{\emptyset, \{3\}, \{5\}, \{3, 5\}\}
2A={∅,{3},{5},{3,5}}
A \mathbf{A} A的幂集中含有 ∣ 2 A ∣ = 2 ∣ A ∣ = 2 2 = 4 \vert 2^{\mathbf{A}} \vert = 2^{\vert \mathbf{A} \vert} = 2^2 = 4 ∣2A∣=2∣A∣=22=4 个子集。 - ∅ \emptyset ∅中含0个元素,则其幂集中含有 ∣ 2 ∅ ∣ = 2 ∣ ∅ ∣ = 2 0 = 1 \vert 2^{\mathbf{\emptyset}} \vert = 2^{\vert \emptyset \vert} = 2^0 = 1 ∣2∅∣=2∣∅∣=20=1个子集,因此 2 ∅ = { ∅ } 2^{\mathbf{\emptyset}} = {\emptyset} 2∅={∅}.
-
A
=
{
5
,
6
,
7
,
8
,
9
}
\mathbf{A} = \{5, 6, 7, 8, 9\}
A={5,6,7,8,9}, 可以表示为
第一种: A = [ 5..9 ] = { 5 , 6 , … , 10 } \mathbf{A} = [5..9] = \{5, 6, \dots, 10\} A=[5..9]={5,6,…,10}
第二种: A = { x ∈ N ∣ 5 ≤ x ≤ 10 } \mathbf{A} = \{x \in \mathbb{N} \vert 5 \leq x \leq 10\} A={x∈N∣5≤x≤10} - 现在准备写一遍老师博客里的表达式:
A = { 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 } \mathbf{A} = \{0, 1, 2, 3, 4, 5, 6, 7, 8, 9\} A={0,1,2,3,4,5,6,7,8,9}
N = { 0 , 1 , 2 , … } \mathbb{N} = \{0, 1, 2, \dots\} N={0,1,2,…}
Ω = { a , b , … , z } \mathbf{\Omega} = \{\textrm{a}, \textrm{b}, \dots, \textrm{z}\} Ω={a,b,…,z}
X = { x i } i = 1 n = { x 1 , x 2 , … , x n } \mathbf{X} = \{x_i\}_{i=1}^n = \{x_1, x_2, \dots, x_n\} X={xi}i=1n={x1,x2,…,xn}
O = { x ∈ N , x m o d 2 = 1 } = { x ∈ N ∣ x m o d 2 = 1 } \mathbf{O} = \{x \in \mathbb{N}, x \mod 2 = 1\} = \{x \in \mathbb{N} \vert x \mod 2 = 1\} O={x∈N,xmod2=1}={x∈N∣xmod2=1}
实数集 R \mathbb{R} R / R \mathcal{R} R
有理数集 Q \mathbf{Q} Q
空集 ∅ \emptyset ∅
集合与集合: A ⊆ B \mathbf{A} \subseteq \mathbf{B} A⊆B
并集: X ∪ Y \mathbf{X} \cup \mathbf{Y} X∪Y, ⋃ i = 1 n = X i \bigcup _{i=1}^n = \mathbf{X}_i ⋃i=1n=Xi, ∑ i = 1 n i = 1 + 2 + ⋯ + n = n ( n + 1 ) 2 \sum_{i=1}^n i = 1 + 2 + \dots + n = \frac{n (n + 1)}{2} ∑i=1ni=1+2+⋯+n=2n(n+1)
交集: X ∩ Y \mathbf{X} \cap \mathbf{Y} X∩Y, ⋂ i = 1 n X i \bigcap_{i=1}^n \mathbf{X}_i ⋂i=1nXi
差: X ∖ Y \mathbf{X} \setminus \mathbf{Y} X∖Y
补: X ‾ = U ∖ X \overline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X} X=U∖X
集合的基数: ∣ X ∣ \vert \mathbf{X} \vert ∣X∣
幂集: 2 A = { B ∣ B ⊆ A } 2^\mathbf{A} = \{\mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}\} 2A={B∣B⊆A}
∣ 2 A ∣ = 2 ∣ A ∣ = 2 3 = 8 \vert 2^{\mathbf{A}} \vert = 2^{\vert \mathbf{A} \vert} = 2^3 = 8 ∣2A∣=2∣A∣=23=8
笛卡尔积: A × B = { ( a , b ) ∣ a ∈ A , b ∈ B } \mathbf{A} \times \mathbf{B} = \{(\textrm{a}, \textrm{b}) \vert \textrm{a} \in \mathbf{A}, \textrm{b} \in \mathbf{B}\} A×B={(a,b)∣a∈A,b∈B}, A × B ≠ B × A \mathbf{A} \times \mathbf{B} \neq \mathbf{B} \times \mathbf{A} A×B=B×A.
3.3 作业
自己出数据, 做一个3 × \times × 2 与 2 × \times × 4 的矩阵乘法.
设
A
=
[
1
2
3
4
5
6
]
{\mathbf{A}} = \left[\begin{array}{ll} 1 & 2 \\ 3 & 4 \\ 5 & 6 \end{array}\right]
A=⎣⎡135246⎦⎤,
B
=
[
2
1
3
1
0
1
2
1
]
{\mathbf{B}} = \left[\begin{array}{ll} 2 & 1 & 3 & 1 \\ 0 & 1 & 2 & 1 \end{array}\right]
B=[20113211], 则
A
×
B
=
[
1
2
3
4
5
6
]
×
[
2
1
3
1
0
1
2
1
]
=
[
2
3
7
3
6
7
17
7
10
11
27
11
]
{\mathbf{A}} \times \mathbf{B} =\left[\begin{array}{ll} 1 & 2 \\ 3 & 4 \\ 5 & 6 \end{array}\right] \times\left[\begin{array}{lll} 2 & 1 & 3 & 1 \\ 0 & 1 & 2 & 1 \end{array}\right]=\left[\begin{array}{ccc} 2 & 3 & 7 & 3 \\ 6 & 7 & 17 & 7 \\ 10 & 11 & 27& 11 \end{array}\right]
A×B=⎣⎡135246⎦⎤×[20113211]=⎣⎡26103711717273711⎦⎤
附加作业:数学表达式符号系统找错
勉强做一下:
-
O = { o i } i = 0 N \mathbf{O} = \{o_i\}_{i=0}^\mathbf{N} O={oi}i=0N
此处定义的 i i i的区间不正确,与下文一致,应该从1到 N \mathbf{N} N才对.如: O = { o i } i = 1 N \mathbf{O} = \{o_i\}_{i=1}^\mathbf{N} O={oi}i=1N -
the m-th view
m 应该为斜体形式,保证上下文中形式一致。如:the m m m-th view. -
{ X ( m ) = [ x 1 ( m ) , … , x N ( m ) ] ∈ R d m × N } m = 1 M \{ \mathbf{X}^{(m)} = [x_1^{(m)}, \dots, x_N^{(m)}] \in \mathbb{R}^{d_m \times \mathbf{N}} \}_{m=1}^\mathbf{M} {X(m)=[x1(m),…,xN(m)]∈Rdm×N}m=1M
此处的 x x x实际上表示一个向量,应该加粗表示。后文也存在相同错误。如: { X ( m ) = [ x 1 ( m ) , … , x N ( m ) ] ∈ R d m × N } m = 1 M \{ \mathbf{X}^{(m)} = [\mathbf{x}_1^{(m)}, \dots, \mathbf{x}_N^{(m)}] \in \mathbb{R}^{d_m \times \mathbf{N}} \}_{m=1}^\mathbf{M} {X(m)=[x1(m),…,xN(m)]∈Rdm×N}m=1M.
-
此处 b i b_i bi为一个向量,应加粗表示。如: b i \mathbf{b}_i bi.
-
在整篇论文中,若 N \mathbf{N} N表示为一个自然数集合,应写成 N \mathbb{N} N.