1.6 作业
描述你在学习、使用数学表达式时的困难, 可举例说明.
答:数学矩阵的不同表达式形式,不容易理解矩阵的形式。例如: 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},有时会将 x x x看作为一个实数,实际上应该是一个向量,其中 x i = [ x i 1 , x i 2 , … , x i m ] x_i=[x_{i1},x_{i2},\dots,x_{im}] xi=[xi1,xi2,…,xim]
2.6 作业
- 令
A
=
{
3
,
5
}
\mathbf{A}=\{3,5\}
A={3,5} ,写出
2
A
2^\mathbf{A}
2A.
答: 2 A = { ∅ , 3 , 5 , { 3 , 5 } } 2^\mathbf{A}=\{\emptyset,3,5,\{3,5\}\} 2A={∅,3,5,{3,5}} - 展开
2
∅
2^\emptyset
2∅
答: 2 ∅ = { ∅ } 2^\emptyset=\{\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 的其他两种表示法.
答: A = [ 5..9 ] = { 5 , 6 , … , 9 } \mathbf{A}=[5..9]=\{5,6,\dots,9\} A=[5..9]={5,6,…,9} - 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.
模仿:
2. 集合的表示与运算
- 集合论是数学的基础, 更是计算机的基础.
- 这次不玩集合悖论.
- 集合元素无序.
- 默认情况下, 集合元素不可重 (组合数学中有可重集的概念).
2.1 集合的表示
- 枚举法
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}是阿拉伯数字的集合.
N = { 0 , 1 , 2 , … } \mathbf{N}=\{0,1,2,\dots\} N={0,1,2,…}是自然数的集合.
Ω = { a , b , … , z } \mathbf{\Omega} = \{\textrm{a}, \textrm{b}, \dots, \textrm{z}\} Ω={a,b,…,z}是英文字母表, 我故意把字母写成非斜体的, 表示不是变量. 未加 $ 符号的表达式为 \mathbf{\Omega} = {\textrm{a}, \textrm{b}, \dots, \textrm{z}}. 有时 \Omega 之外没有加 \mathbf, 作为希腊字母影响没有英文字母的大. - 向量、集合等,可以用粗体 \mathbf{x} ( x \mathbf{x} x), \bm{x} ( x \bm{x} x), \boldsymbol{x} ( x \boldsymbol{x} x). 全文统一即可. 西瓜书用的应该是 mathbf.
- 枚举法的几种简记
- 如果是两个整数之间的枚举集合, 可以使用简记 [ 1..10 ] = { 1 , 2 , … , 10 } [1..10]=\{1, 2, \dots, 10\} [1..10]={1,2,…,10}, 也可以使用变量如 [ i . . j ] [ i . . j ] [i..j]. 注意这里是两个点, 而不是 3 个点的 \dots.
- 开区间 (3, 5) 表示大于 3, 小于 5 的所有实数. 闭区间 [3, 5] 表示大于或等于 3, 小于或等于 5 的所有实数. 这是基础数学的内容, 不仅限于离散数学的范畴.
- 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}表示集合有 n n n 个元素. 式子源码为 \mathbf{X} = {x_i}_{i = 1}^n = {x_1, x_2, \dots, x_n}. 不写 x_2 其实也没有影响.
- 谓词法
奇数的集合可表示为
O = { x ∣ x ∈ N , x m o d 2 = 1 } = { x ∈ N ∣ x , x m o d 2 = 1 } \mathbf{O}=\{x|x\in\mathbf{N},x\mod 2=1\}=\{x\in\mathbf{N}|x,x\mod 2=1\} O={x∣x∈N,xmod2=1}={x∈N∣x,xmod2=1}.
第一种表示法最基础, 将元素形式放在竖线左边, 元素满足的条件放在竖线右边. 第二种表示法较常用, 将基本限制放在竖线左边, 提升颜值. - 常用集合
实数 R \mathbb{R} R: 源码 \mathbb{R}. 有的地方也写成 R \mathcal{R} R \mathcal{R}, 总觉得没这个好看.
有理数 Q \mathbf{Q} Q: 源码 \mathbf{Q}. - 平凡子集
空集 ∅ \emptyset ∅, 源码: \emptyset. 如果写成 ϕ \phi ϕ (源码: \phi) 就错了.
全集 (universe) U \mathbf{U} U, 这个一般在离散数学中使用.
2.2 元素与子集
- x ∈ X x \in \mathbf{X} x∈X表示元素与集合的关系. 源码: x \in \mathbf{X}.
- A ⊆ B \mathbf{A} \subseteq \mathbf{B} A⊆B 表示集合与集合之间的关系. 源码: \mathbf{A} \subseteq \mathbf{B}.
2.3 集合的运算
- 集合的基数
∣ X ∣ \vert \mathbf{X} \vert ∣X∣ 是指 X \mathbf{X}X 中元素个数, 其源码为 \vert \mathbf{X} \vert 或者 |\mathbf{X}|, 其实我也不清楚 \vert 和竖线的效果有什么区别. ∣ ∅ ∣ = 0 \vert \emptyset \vert = 0 ∣∅∣=0. - 并
X ∪ Y \mathbf{X} \cup \mathbf{Y} X∪Y表示两个集合的并. 源码为 \mathbf{X} \cup \mathbf{Y}.
⋃ i = 1 n X i . \bigcup_{i = 1}^n \mathbf{X}_i. ⋃i=1nXi.表示 n n n 个集合的并. 源码为 \bigcup_{i = 1}^n \mathbf{X}_i.
其方式与 ∑ 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) 一致.源码为 \sum _{i = 1}^n i = 1 + 2 + \dots + n = \frac{n (n + 1)}{2}. - 交
X ∩ Y \mathbf{X} \cap \mathbf{Y} X∩Y表示两个集合的交. 源码为 \mathbf{X} \cap \mathbf{Y}. cup (杯子) 与 cap (帽子), 果然很形象.
⋂ i = 1 n X i \bigcap_{i = 1}^n \mathbf{X}_i ⋂i=1nXi表示 n n n 个集合的交. 源码为 \bigcap_{i = 1}^n \mathbf{X}_i. - 差
X ∖ Y \mathbf{X} \setminus \mathbf{Y} X∖Y表示两个集合的差. 源码为 \mathbf{X} \setminus \mathbf{Y}. 一看 setminus 就知道是专门为集合设计的. 有些人喜欢用减号, 就显得不够专业了. - 补
X ‾ = U ∖ X \overline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X} X=U∖X表示 X \mathbf{X}X 的补集, 这里 U \mathbf{U}U 为全集. 源码为 \overline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X}.
有时候式子复杂了用 overline 比较难看, 也可以使用 ¬ X \neg \mathbf{X} ¬X源码 \neg \mathbf{X}. 但 \neg 是逻辑运算的符号, 表示"非", 只能是凑合用吧.
2.4 幂集
幂集 (power set) 表示为:
2
A
=
{
B
∣
B
⊆
A
}
2^{\mathbf{A}} = \{\mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}\}
2A={B∣B⊆A}, 源码: 2^{\mathbf{A}} = {\mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}}.
例:
A
=
{
0
,
1
,
2
}
\mathbf{A} = \{0, 1, 2\}
A={0,1,2}, 则
2
A
=
{
∅
,
{
0
}
,
{
1
}
,
{
2
}
,
{
0
,
1
}
,
{
0
,
2
}
,
{
1
,
3
}
,
{
0
,
1
,
2
}
}
2^{\mathbf{A}} = \{\emptyset, \{0\}, \{1\}, \{2\}, \{0, 1\}, \{0, 2\}, \{1, 3\}, \{0, 1, 2\}\}
2A={∅,{0},{1},{2},{0,1},{0,2},{1,3},{0,1,2}}
可以数一下
∣
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. 源码: \vert 2^ {\mathbf{A}} \vert = 2^ {\vert \mathbf{A} \vert} = 2^ 3 = 8. 从基本的组合数学知识可知, 一个集合元素
n
n
n 个元素要么选, 要么不选, 相当于
n
n
n 位二进制数, 所以有
2
n
2^n
2n 种可能. 这也是幂集的来由.
- A ⊆ B \mathbf{A} \subseteq \mathbf{B} A⊆B与 B ∈ 2 A \mathbf{B}\in2^\mathbf{A} B∈2A等价, 后者看起来把简单问题复杂化, 但在一些特殊情况下有用.
- 一般而言, 只讨论有穷集的幂集. 如果你闲得慌, 可以思考下
∣ 2 N ∣ = ∣ R ∣ |2^\mathbf{N}|=|\mathbb{R}| ∣2N∣=∣R∣, 即 2 的可数无穷次方为一阶不可数无穷.
2.5 笛卡尔积
笛卡尔积表示为
A
×
B
=
{
(
a
,
b
)
∣
a
∈
A
,
b
∈
B
}
\mathbf{A} \times \mathbf{B} = \{(a, b) \vert a \in \mathbf{A}, b \in \mathbf{B}\}
A×B={(a,b)∣a∈A,b∈B}.
源码 \mathbf{A} \times \mathbf{B} = {(a, b) \vert a \in \mathbf{A}, b \in \mathbf{B}}.
- 相当于一个集合出一个元素, 组成一个新的元素对.
- 元素对是有序的, ( a , b ) ≠ ( b , a ) (a,b)\ne(b,a) (a,b)=(b,a), 因此 A × B ≠ B × A \mathbf{A} \times \mathbf{B} \ne \mathbf{B} \times \mathbf{A} A×B=B×A. 源码 \mathbf{A} \times \mathbf{B} \ne \mathbf{B} \times \mathbf{A}. 其中, \ne 是 not equal 的简写, 也可写成 \neq.
- ∅ × B = ∅ \emptyset \times \mathbf{B}=\emptyset ∅×B=∅, 因为空集没法出元素.
- 对于有穷集合 (咱们做计算的就别再去想无穷了) ∣ A × B ∣ = ∣ A ∣ × ∣ B ∣ \vert \mathbf{A} \times \mathbf{B} \vert = \vert \mathbf{A} \vert \times \vert \mathbf{B} \vert ∣A×B∣=∣A∣×∣B∣. 当这两个元素有一个为空集是, 本式也成立.
- 一维数据所在的空间为 R \mathbb{R} R, 二维数据的空间为 R × R = R 2 \mathbb{R} \times \mathbb{R} = \mathbb{R}^2 R×R=R2, 三维数据的空间为 R 3 \mathbb{R}^3 R3, n n n 维数据的 R n \mathbb{R}^n Rn.
3.3 作业
自己出数据, 做一个
3
×
2
3 \times 2
3×2与
2
×
4
2 \times 4
2×4 的矩阵乘法.
答:
A
B
=
C
\mathbf{A}\mathbf{B}=\mathbf{C}
AB=C
=
[
1
5
4
3
2
1
]
×
[
3
4
3
1
6
2
4
5
]
=
[
33
14
23
26
30
24
24
19
12
10
10
7
]
=\left[\begin{matrix} 1 & 5 \\ 4 & 3 \\ 2 & 1 \\ \end{matrix}\right]\times\left[\begin{matrix} 3 & 4 & 3 & 1\\ 6 & 2 & 4 & 5\\ \end{matrix}\right] = \left[\begin{matrix} 33 & 14 & 23 & 26\\ 30 & 24 & 24 & 19\\ 12 & 10 & 10 & 7 \end{matrix}\right]
=⎣⎡142531⎦⎤×[36423415]=⎣⎡33301214241023241026197⎦⎤