数学杂记

记录一些可能比较重要，但是比较琐碎的数学知识。

PS：有些内容没有证明，如果想知道正确性的话可以自己去查阅资料。

PPS：由于某些东西博主没有系统学过，有错误请指出。

---

数论函数的一些性质

欧拉函数 $\phi (n)$：

• 定义式：$\phi (n)={\sum }_{i=1}^n[\gcd (i,n)=1]$。
• ${\sum }_{i=1}^{n}i[\gcd (i,n)=1]=\frac{n\phi (n)+[n=1]}{2}$。

证明：

• 根据辗转相减法，当 $\gcd (n,i)=1$ 时，必然有 $\gcd (n,n-i)=1$。
• 也就是说，当答案加上 $i$ 时，必然也会加上 $n-i$，而 $i+(n-i)=n$，我们就直接加 $n$，最后由于算重除个 $2$。
• 所以答案就是 $\frac{{\sum }_{i=1}^{n}n[\gcd (i,n)=1]}{2}=\frac{n\phi (n)}{2}$。$[n=1]$ 是特判。

• 当 $p$ 为质数时，$\phi (p^k)=p^k-p^{k-1}=(p-1)p^{k-1}$。

除了 $p$ 的倍数之外，其他数都与 $p$ 互质，得证。

• $\phi (n)=n{\prod }_{i=1}^k(1-\frac{1}{p_i})$（可用于 $O(\sqrt{n})$ 求单点欧拉函数值）。

• 设 $n={\prod }_{i=1}^k{p}_i^{a_i}$，由于 $\phi$ 是积性函数，那么 $\phi (n)={\prod }_{i=1}^k\phi (p_i^{a_i})$。
• 又因为 $\phi (p^k)=p^k-p^{k-1}=p^k(1-\frac{1}{p})$，所以 $\phi (n)={\prod }_{i=1}^k{p}_i^{a_i}(1-\frac{1}{p_i})=n{\prod }_{i=1}^k(1-\frac{1}{p_i})$。

• $\phi (ij)=\phi (i)\phi (j)\frac{\gcd (i,j)}{\phi (\gcd (i,j))}$。

这个根据 $\phi (n)=n{\prod }_{i=1}^k(1-\frac{1}{p_i})$ 就可以推出来了。

• ${\sum }_{d|n}\phi (d)=n$。

莫比乌斯函数 $\mu (n)$：

• 定义式：${\sum }_{d|n}\mu (d)=[n=1]$（常用于转化布尔表达式）。
• $\mu (n)=\{\begin{array}{ll}1,& n=1\\ (-1{)}^k,& n=p_1{p}_2\cdots p_k,\forall i\ne j,p_i\ne p_j\\ 0,& \mathrm{o}\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{r}\mathrm{w}\mathrm{i}\mathrm{s}\mathrm{e}\end{array}$

约数个数函数 $d(n)$：

• $d(nm)=\sum _{i|n}\sum _{j|m}[\gcd (i,j)=1]$（见 [SDOI 2015]约数个数和）。

证明：

• 设 $nm=p_1^{x_1}{p}_2^{x_2}\cdots p_k^{x_k}$，$n=p_1^{y_1}{p}_2^{y_2}\cdots p_k^{y_k}$，那么有 $m=p_1^{x_1-y_1}{p}_2^{x_2-y_2}\cdots p_k^{x_k-y_k}$。
• 又设 $i=p_1^{a_1}{p}_2^{a_2}\cdots p_k^{a_k}$，$j=p_1^{b_1}{p}_2^{b_2}\cdots p_k^{b_k}$，由于 $\gcd (i,j)=1$，那么对于 $\forall i\in [1,k]$ 有 $\min (a_i,b_i)=0$。当 $a_i=0$ 时，$b_i$ 有 $x_i-y_i+1$ 种取值；当 $b_i=0$ 时，$a_i$ 有 $y_i+1$ 种取值；而 $a_i=0$ 且 $b_i=0$ 被算重了，所以一共有 $x_i+1$ 种取值。
• 所以，满足条件的 $i,j$ 对数有 ${\prod }_{i=1}^k(x_i+1)$ 对，符合约数个数函数。

常见的 Dirichlet 卷积：

• $\phi (n)={\sum }_{d|n}\mu (d)\frac{n}{d}$，即 $\phi =\mu \ast Id$。
• $Id(n)={\sum }_{d|n}\phi (d)$，即 $Id=\phi \ast 1$（杜教筛筛 $\phi$）。
• $[n=1]={\sum }_{d|n}\mu (d)$，即 $ϵ=\mu \ast 1$（杜教筛筛 $\mu$）。
• $d(n)={\sum }_{k|n}1$，即 $d=1\ast 1$。
• $\sigma (n)={\sum }_{k|n}k$，即 $\sigma =Id\ast 1$。

有些看起来比较显然，但是在推式子的时候会有很大帮助。

---

降幂

$$a^b\equiv \{\begin{array}{ll}{a}^{b\%\phi (p)}& \gcd (a,p)=1\\ a^b& \gcd (a,p)\ne 1,b<\phi (p)\\ a^{b\%\phi (p)+\phi (p)}& \gcd (a,p)\ne 1,b\ge \phi (p)\end{array}(\mathrm{m}\mathrm{o}\mathrm{d}p)$$

---

二项式反演

二项式反演的形式就是：

$$f_n=\sum _{i=0}^n(-1{)}^i(\genfrac{}{}{0ex}{}{n}{i})g_i\iff g_n=\sum _{i=0}^n(-1{)}^i\left(\genfrac{}{}{0ex}{}{n}{i}\right)f_i$$

这个式子具有很强的对称性。

还有一个更常用的式子是这样的：

$$f_n=\sum _{i=0}^n\left(\genfrac{}{}{0ex}{}{n}{i}\right)g_i\iff g_n=\sum _{i=0}^n(-1{)}^{n-i}(\genfrac{}{}{0ex}{}{n}{i})f_i$$

---

fibonacci 数列的一些性质

感觉做了挺多跟 fibonacci 数列有关的神题。。。

• ${\sum }_{i=1}^n{\mathrm{f}\mathrm{i}\mathrm{b}}_i={\mathrm{f}\mathrm{i}\mathrm{b}}_{n+2}-1$。
• ${\sum }_{i=1}^n{\mathrm{f}\mathrm{i}\mathrm{b}}_i^2={\mathrm{f}\mathrm{i}\mathrm{b}}_n\times {\mathrm{f}\mathrm{i}\mathrm{b}}_{n+1}$。
• $\gcd ({\mathrm{f}\mathrm{i}\mathrm{b}}_n,{\mathrm{f}\mathrm{i}\mathrm{b}}_m)={\mathrm{f}\mathrm{i}\mathrm{b}}_{\gcd (n,m)}$。

通项公式：

$${\mathrm{f}\mathrm{i}\mathrm{b}}_n=\frac{1}{\sqrt{5}}\left((\frac{1+\sqrt{5}}{2}{)}^n-(\frac{1-\sqrt{5}}{2}{)}^n\right)$$

---

关于下降幂的一些转化

• $$x^{\underline{n}}=\sum _{i=0}^n\left[\begin{array}{c}n\\ i\end{array}\right](-1{)}^{n-i}{x}^i$$

其中 $\left[\begin{array}{c}n\\ i\end{array}\right]$ 表示第一类斯特林数。

证明：考虑用数学归纳法

$$\begin{array}{rl}{x}^{\underline{n+1}}& =(x-n)x^{\underline{n}}\\ & =x\cdot x^{\underline{n}}-n{x}^{\underline{n}}\\ & =\left(\sum _{i=0}^n\left[\begin{array}{c}n\\ i\end{array}\right](-1{)}^{n-i}{x}^{i+1}\right)-\left(n\sum _{i=0}^n\left[\begin{array}{c}n\\ i\end{array}\right](-1{)}^{n-i}{x}^i\right)\\ & =\left(\sum _{i=1}^{n+1}\left[\begin{array}{c}n\\ i-1\end{array}\right](-1{)}^{n-i-1}{x}^i\right)-\left(n\sum _{i=1}^{n+1}\left[\begin{array}{c}n\\ i\end{array}\right](-1{)}^{n-i}{x}^i\right)\\ & =\sum _{i=1}^{n+1}\left(\left[\begin{array}{c}n\\ i-1\end{array}\right]+n\left[\begin{array}{c}n\\ i\end{array}\right]\right)(-1{)}^{n+1-i}{x}^i\\ & =\sum _{i=1}^{n+1}\left[\begin{array}{c}n+1\\ i\end{array}\right](-1{)}^{n+1-i}{x}^i\end{array}$$

• $$x^n=\sum _{k=0}^n\left\{\begin{array}{c}n\\ k\end{array}\right\}{x}^{\underline{k}}$$

其中 $\left\{\begin{array}{c}n\\ i\end{array}\right\}$ 表示第二类斯特林数。

证明：还是考虑用数学归纳法

$$\begin{array}{rl}{x}^n& =x\cdot x^{n-1}\\ & =x\sum _{i=0}^{n-1}\left\{\begin{array}{c}n-1\\ i\end{array}\right\}{x}^{\underline{i}}\\ & =\sum _{i=0}^{n-1}\left\{\begin{array}{c}n-1\\ i\end{array}\right\}(x^{\underline{i+1}}+i{x}^{\underline{i}})\\ & =\sum _{i=0}^{n-1}\left\{\begin{array}{c}n-1\\ i\end{array}\right\}{x}^{\underline{i+1}}+\sum _{i=0}^{n-1}\left\{\begin{array}{c}n-1\\ i\end{array}\right\}i{x}^{\underline{i}}\\ & =\sum _{i=0}^n\left\{\begin{array}{c}n-1\\ i-1\end{array}\right\}{x}^{\underline{i}}+\sum _{i=0}^{n-1}\left\{\begin{array}{c}n-1\\ i\end{array}\right\}i{x}^{\underline{i}}\\ & =\sum _{i=0}^n\left(\left\{\begin{array}{c}n-1\\ i-1\end{array}\right\}+i\left\{\begin{array}{c}n-1\\ i\end{array}\right\}\right)x^{\underline{i}}\\ & =\sum _{i=0}^n\left\{\begin{array}{c}n\\ i\end{array}\right\}{x}^{\underline{i}}\end{array}$$

---

秦九韶算法

把一个 $n$ 次多项式 $f(x)=a_n{x}^n+a_{n-1}{x}^{n-1}+\cdots +a_{1}x+a_0$，改写成如下形式：

$$\begin{array}{rl}f(x)& =a_n{x}^n+a_{n-1}{x}^{n-1}+\cdots +a_{1}x+a_0\\ & =(a_n{x}^{n-1}+a_{n-1}{x}^{n-2}+\cdots +a_{2}x+a_1)x+a_0\\ & =((a_n{x}^{n-2}+a_{n-1}{x}^{n-3}+\cdots +a_{3}x+a_2)x+a_1)x+a_0\\ & ⋮\\ & =(\cdots ((a_{n}x+a_{n-1})x+a_{n-2})x+\cdots +a_1)x+a_0\end{array}$$

于是，求值时，先计算出 $v_1=a_{n}x+a_{n-1}$ 的值，然后通过 $v_2=v_{1}x+a_{n-2},v_3=v_{2}x+a_{n-3}\cdots$ 得到答案。

运用秦九韶算法可以简化运算过程。

---

泰勒展开

若函数 $f(x)$ 在包含 $x_0$ 的某个闭区间 $[a,b]$ 上具有 $n$ 阶导数，且在开区间 $(a,b)$ 上具有 $(n+1)$ 阶导数，则对闭区间 $[a,b]$ 上任意一点 $x$，下式成立：

$$f(x)=\frac{f(x_0)}{0!}+\frac{f^{\prime }(x_0)}{1!}(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+\cdots +\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+\cdots$$

---

莱布尼茨公式

一般的，如果函数 $u=u(x)$ 与函数 $v=v(x)$ 在点 $x$ 处都具有 $n$ 阶导数，那么此时有：

$$(uv{)}^{(n)}=\sum _{i=0}^n(\genfrac{}{}{0ex}{}{n}{i})u^{(i)}{v}^{(n-i)}$$

---

洛必达法则

若 $\underset{x\to a}{\lim }f(x)=0$， $\underset{x\to a}{\lim }g(x)=0$，在点 $a$ 的某去心邻域内两者都可导，且 $g^{\prime }(x)\ne 0$，那么有：

$$\underset{x\to a}{\lim }\frac{f(x)}{g(x)}=\underset{x\to a}{\lim }\frac{f^{\prime }(x)}{g^{\prime }(x)}$$

---

拉格朗日反演

如果多项式 $f$ 和 $g$ 满足 $g(f(x))=x$，那么一定有 $f(g(x))=x$，这时我们称 $f$ 和 $g$ 互为复合逆。

若 $f$ 和 $g$ 互为复合逆，我们有：

$$[x^n]f(x)=\frac{1}{n}[x^{-1}]\frac{1}{g^n(x)}$$

扩展：

$$[x^n]h(f(x))=\frac{1}{n}[x^{-1}]\frac{h^{\prime }(x)}{g^n(x)}$$

---