一些有用的数学知识（Updating）

拉格朗日插值公式

对于 $n-1$ 次多项式 $f(x)$ 上的 $n$ 个点 $(x_1,y_1),(x_2,y_2),\cdots (x_n,y_n)$ ，如果倒推出 $f(x)$ 的话，有

$$f(x)=\sum _{i=1}^n{y}_i\prod _{j\ne i}\frac{x-x_j}{x_i-x_j}$$

微分中值定理

费马引理

如果在一段曲线当中存在一个点 $x_0$，使得在 $x_0$ 的邻域（包含 $x_0$ 的一段极小区间_?）内都存在 $f(x)\le f(x_0)$（或 $f(x)\ge f(x_0)$），那么 $f^{\prime }(x_0)=0$。

拉格朗日中值定理

若函数 $f(x)$ 满足

• 在闭区间 $[a,b]$ 连续
• 在开区间 $(a,b)$ 可导

那么存在 $k\in (a,b)$ 满足：

$$f^{\prime }(k)=\frac{f(b)-f(a)}{b-a}$$

柯西中值定理

对于两个函数 $f(x),F(x)$，若

• 都在闭区间 $[a,b]$ 连续
• 都在开区间 $(a,b)$ 可导
• 对于任意 $x\in (a,b)$ ，$F^{\prime }(x)\ne 0$

那么存在 $k\in (a,b)$ 满足

$$\frac{f^{\prime }(k)}{F^{\prime }(k)}=\frac{f(b)-f(a)}{F(b)-F(a)}$$

洛必达法则

对于两个函数 $f(x),F(x)$，若

• $x$ 趋近于常数 $a$ 时，$f(x),F(x)$ 趋近于 $0$
• 在点 $a$ 的去心领域内，两个函数可导，且 $F^{\prime }(x)\ne 0$
• ${\lim }_{x\to 0}\frac{f^{\prime }(x)}{F^{\prime }(x)}$ 存在

那么

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

该公式可套娃

还有另一种变形，若

• $x$ 趋近于 $\infty$ 时，$f(x),F(x)$ 趋近于 $0$ 或者 $\infty$
• 存在一个区间 $(-\infty ,N)\cup (N,+\infty )$ 内，两个函数可导，且 $F^{\prime }(x)\ne 0$
• ${\lim }_{x\to 0}\frac{f^{\prime }(x)}{F^{\prime }(x)}$ 存在

那么

$$\underset{x\to \infty }{\lim }\frac{f(x)}{F(x)}=\underset{x\to \infty }{\lim }\frac{f^{\prime }(x)}{F^{\prime }(x)}$$

连分数（NOI2021 D2T2 考点）

资料来源

定义

对一个分数 $\frac{p}{q}$ 的分子分母 $p,q$ 进行辗转相除法，令第 $i$ 次除法得到的商为 $a_{i-1}$，那么该分数就可以表示成连分数：
$$\frac{p}{q}=a_0+\frac{1}{a_1+\frac{1}{a_2+\frac{1}{\ddots +\frac{1}{a_k}}}}=[a_0,a_1,a_2,...,a_k]$$

• 从 $a_i$ 算起到直到最后一项组成的连分数 $[a_i,a_{i+1},...,a_k]$ 称为该分数的第 $i$ 个余项 / 余式，表示为 $r_i$。因此，原分数可表示为 $[a_0,a_1,...,r_i]$，需要注意的是 $r_i$ 是个实数。
• 从第 0 项直到第 $i$ 项组成的连分数 $[a_0,a_1,...,a_i]$ 称为第 $i$ 近似 / 第 $i$ 截断，表示为 $s_i$，写成分数形式的 $s_i=\frac{p_i}{q_i}$ 则称为第 $i$ 渐进分数 / $i$ 阶渐进分数。通过截取连分数的 $i$ 阶渐进获取近似分数，能在分子分母尽量小的情况下，得到误差最小的结果。
• 无理数表示成连分数会有无穷项。

结论

定理1

对于一个实数 $x$ 表示成连分数 $[a_0,a_1,a_2,...]$，令 $s_k=\frac{p_k}{q_k}$，则
$$\{\begin{array}{c}{p}_0=a_0\\ q_0=1\end{array},\{\begin{array}{c}{p}_1=a_0{a}_1+1\\ q_1=a_1\end{array},\{\begin{array}{c}{p}_k=a_k{p}_{k-1}+p_{k-2}\\ q_k=a_k{q}_{k-1}+q_{k-2}\end{array}$$

可以递推求渐进分数。而且，还保证了 $\mathrm{g}\mathrm{c}\mathrm{d}(p_k,q_k)=1$ 。

同时，可以发现 $p_k$ 和 $q_k$ 是递增的（除了 $q_0$ 可能等于 $q_1$ 以外）。当然，从连分数的性质出发来看，这是句废话。

定理2

把定理1里面的式子
$$p_k=a_k{p}_{k-1}+p_{k-2}$$

两边同除 $p_{k-1}$，得
$$\frac{p_k}{p_{k-1}}=a_k+\frac{p_{k-2}}{p_{k-1}}$$

按照这个规律迭代下去
$$\begin{gathered} \frac{p_k}{p_{k-1}}=a_k+\frac{1}{\frac{p_{k-1}}{p_{k-2}}}=a_k+\frac{1}{a_{k-1}+\frac{p_{k-3}}{p_{k-2}}} \\ =a_k+\frac{1}{a_{k-1}+\frac{1}{a_{k-2}+\frac{1}{\ddots +a_0}}}=[a_k,a_{k-1},...,a_0] \end{gathered}$$

那么就可以得到一个很美观的推论：
$$\frac{p_k}{p_{k-1}}=[a_k,a_{k-1},...,a_0](a_0\ne 0)$$

同理可得
$$\frac{q_k}{q_{k-1}}=[a_k,a_{k-1},...,a_1]$$

上述两个推论即定理2，又称反序定理。

定理3

为了凸显连分数的优越性，我们会对其相邻的渐进分数之差感兴趣，不妨求一求：
$$\frac{p_{k+1}}{q_{k+1}}-\frac{p_k}{q_k}=\frac{p_{k+1}{q}_k-p_k{q}_{k+1}}{q_{k+1}{q}_k}$$

两边同乘 $q_{k+1}{q}_k$，可以有点思路，我们不妨先探究探究 $p_{k+1}{q}_k-p_k{q}_{k+1}$:
$$\begin{array}{ccc}{p}_{k+1}{q}_k-p_k{q}_{k+1}& =& (a_{k+1}{p}_k+p_{k-1})q_k-p_k(a_{k+1}{q}_k+q_{k-1})\\ & =& a_{k+1}{p}_k{q}_k-a_{k+1}{p}_k{q}_k+p_{k-1}{q}_k-p_k{q}_{k-1}\\ & =& -(p_k{q}_{k-1}-p_{k-1}{q}_k)\end{array}$$

右边相当于把左边的下标都减一，我们得到了一个递推式子。由于我们知道 $p_1{q}_0-p_0{q}_1=a_0{a}_1+1-a_0{a}_1=1$，因此，顺推过来，可以得到
$$p_{k+1}{q}_k-p_k{q}_{k+1}=(-1{)}^k$$

这便是定理3。

两边同除以分母积，可以得到很重要的推论，它回答了开头的问题：
$$\frac{p_{k+1}}{q_{k+1}}-\frac{p_k}{q_k}=\frac{(-1{)}^k}{q_{k+1}{q}_k}$$

定理4

通过定理3的推论，不难发现

• 定理4：对一个确定的连分数，其奇数项渐近分数严格递减，偶数项渐近分数严格递增，奇数项渐近分数总是大于相邻的偶数项渐近分数。
• 推论：任一奇数项渐近分数都大于任一偶数项渐近分数。

也可以通过下面的定理5严格证明。

定理5

到底第 $i$ 阶渐进分数跟原数 $x$ 相差多少呢？

我们可以先把 $x$ 表示成带余项的连分数 $[a_0,a_1,...,a_i,r_{i+1}]$ ，此时第 $i+1$ 阶渐进分数就等于 $x$，通过定理3的推论，我们可以直接得出定理5：
$$x-\frac{p_i}{q_i}=\frac{(-1{)}^i}{q_i{q}_{i+1}}=\frac{(-1{)}^i}{q_i(r_{i+1}{q}_i+q_{i-1})}$$

也就是说，除了最后一项渐进分数以外(没有 $r_{i+1}$)，奇数阶渐进分数恒大于 $x$ ，偶数阶渐进分数恒小于 $x$ 。

此时注意到，笔者专门在定理1结尾强调了 $p_k$ 和 $q_k$ 的单调递增性。这样综合定理5就可以证明定理4及其推论了。同时，我们可以得到 $i$ 阶渐进分数的大致图像了。

欧拉公式

$$e^{ix}=\cos x+i\sin x$$

正余弦的展开

由于
$$\begin{gathered} {\sin }^{\prime }x=\cos x \\ {\cos }^{\prime }x=-\sin x \end{gathered}$$

所以，对它们进行泰勒展开，用麦克劳林公式，可以得到：
$$\begin{gathered} \sin x=\sin 0+\frac{{\sin }^{\prime }0}{1!}x+\frac{{\sin }^{\prime \prime }0}{2!}{x}^2+...=x-\frac{x^3}{3!}+\frac{x^5}{5!}-\frac{x^7}{7!}+... \\ \cos x=\cos 0+\frac{{\cos }^{\prime }0}{1!}x+\frac{{\cos }^{\prime \prime }0}{2!}{x}^2+...=1-\frac{x^2}{2!}+\frac{x^4}{4!}-\frac{x^6}{6!}+... \end{gathered}$$

虚数单位

虚数单位 $i$ 有很多美妙的性质，其中一个就是它的整数次幂：
$$\begin{gathered} i^{4n}=1 \\ {i}^{4n+1}=i \\ {i}^{4n+2}=-1 \\ {i}^{4n+3}=-i \end{gathered}$$

把虚数单位加入进正余弦的展开中，刚好可以去除正负号，便于下一步推导：
$$\begin{gathered} \sin x=\frac{ix+\frac{(ix{)}^3}{3!}+\frac{(ix{)}^5}{5!}+\frac{(ix{)}^7}{7!}+...}{i} \\ \cos x=(ix{)}^0+\frac{(ix{)}^2}{2!}+\frac{(ix{)}^4}{4!}+\frac{(ix{)}^6}{6!}+... \end{gathered}$$

整合

先把正弦的大横线去除掉：
$$i\sin x=ix+\frac{(ix{)}^3}{3!}+\frac{(ix{)}^5}{5!}+\frac{(ix{)}^7}{7!}+...$$

接下来就很明朗了：
$$\cos x+i\sin x=1+\frac{ix}{1!}+\frac{(ix{)}^2}{2!}+\frac{(ix{)}^3}{3!}+...$$

刚好是 $e^{ix}$ 的麦克劳林展开。

逆代

倒着用这个公式，可以得到三角函数的另一种表达式：
$$\begin{gathered} \sin x=\frac{e^{ix}-e^{-ix}}{2i}=(\exp (ix)-\exp (-ix))\cdot (2i{)}^{-1} \\ \cos x=\frac{e^{ix}+e^{-ix}}{2}=(\exp (ix)+\exp (-ix))\cdot 2^{-1} \end{gathered}$$
最右边的表达式是可以直接运用到多项式三角函数中的。

Binet-Cauchy 公式

设矩阵 $A=(a_{i,j}{)}_{s\times n},B=(b_{i,j}{)}_{n\times s}$ ，则

1. $s>n$：$|AB|=0$.
2. $s\le n$：$|AB|=$
   $$\sum _{1\le i_1<i_2<...<i_s\le n}\left|\begin{array}{cccc}{a}_{1,i_1}& a_{1,i_2}& ...& a_{1,i_s}\\ a_{2,i_1}& a_{2,i_2}& ...& a_{2,i_s}\\ ...& ...& {}_{\ddots }& ...\\ a_{s,i_1}& a_{s,i_2}& ...& a_{s,i_s}\end{array}\right|\cdot \left|\begin{array}{cccc}{b}_{i_1,1}& b_{i_1,2}& ...& b_{i_1,s}\\ b_{i_2,1}& b_{i_2,2}& ...& b_{i_2,s}\\ ...& ...& {}_{\ddots }& ...\\ b_{i_s,1}& b_{i_s,2}& ...& b_{i_s,s}\end{array}\right|$$

[朝花夕拾] 柯西不等式

对不起，球哥，我又把柯西忘了。

我这就复习……

二维形式

梦开始的地方：
$$\sum _{i=1}^n{a}_i^2\sum _{i=1}^n{b}_i^2\stackrel{Cauchy}{\ge }{\left(\sum _{i=1}^n{a}_i{b}_i\right)}^2$$

即 平方 和 的 积 大于等于 积 和 的 平方，左右刚好回文。

取等条件是对于 $b_i\ne 0$ 的所有 $i$ ，满足 $\frac{a_i}{b_i}$ 都相等，同时对于 $b_i=0$ 的 $i$ ，满足 $a_i=0$。

向量形式

又是一个如此美妙的不等式：
$$\begin{gathered} \overrightarrow{A}=(a_1,a_2,...,a_n),\overrightarrow{B}=(b_1,b_2,...,b_n) \\ \left|\overrightarrow{A}\right|\cdot \left|\overrightarrow{B}\right|\ge \left|\overrightarrow{A}\cdot \overrightarrow{B}\right| \end{gathered}$$

这个是关于向量的一个基本不等式，很好证，只需要根据向量内积定义展开，当且仅当两向量共线时取等。

实际上，这个就是柯西不等式：
$$\begin{gathered} \left|\overrightarrow{A}\right|\cdot \left|\overrightarrow{B}\right|=|(a_1,a_2,...,a_n)|\cdot |(b_1,b_2,...,b_n)|=\sqrt{\sum _{i=1}^n{a}_i^2}\cdot \sqrt{\sum _{i=1}^n{b}_i^2} \\ \ge \left|\overrightarrow{A}\cdot \overrightarrow{B}\right|=|(a_1,a_2,...,a_n)\cdot (b_1,b_2,...,b_n)|=\left|\sum _{i=1}^n{a}_i{b}_i\right| \end{gathered}$$

把两边平方就可以得到二维形式。

同时，二维形式的取等条件刚好等价于向量 $(a_1,a_2,...,a_n)$ 与向量 $(b_1,b_2,...,b_n)$ 共线。

所以，向量形式不失为一种很好的证明柯西不等式的方法。

期望形式

这个不等式就有点意思了
$$\begin{gathered} \sqrt{E(X^2)}\cdot \sqrt{E(Y^2)}\ge |E(XY)| \\ \Rightarrow E(X^2)E(Y^2)\ge (E(XY){)}^2 \end{gathered}$$

证明过程非常不一样，与传统柯西不等式并没扯上关联。

定义一个二次函数：$y=E(X^2)t^2+2E(XY)t+E(Y^2)$ ，不难发现
$$\begin{gathered} y=E(X^2{t}^2)+E(2XYt)+E(Y^2)=E((Xt{)}^2+2(Xt)Y+Y^2) \\ =E\left((Xt+Y{)}^2\right)\ge 0 \end{gathered}$$

一个二次函数大于等于 0 ，说明 $\Delta \le 0$ ，而
$$\Delta =(2E(XY){)}^2-4\cdot E(X^2)E(Y^2)$$

所以
$$\begin{gathered} 4(E(XY){)}^2-4\cdot E(X^2)E(Y^2)\le 0 \\ \Rightarrow E(X^2)E(Y^2)\ge (E(XY){)}^2 \end{gathered}$$

至于取等条件，有些玄学。根据式子，取等时 $(Xt+Y)=0$ ，也就是 $X,Y$ 要成固定常数倍关系（或其中一方为 0）。其中一个为 0 可以理解，因为 $Y$ 取 0 时对方不论取什么都存在 $t=0$ 使之成立。但是倍数关系，真的可能吗？$X,Y$ 都是随机变量，两个都随机取，一个刚好是另一个的 $\lambda$ 倍的概率并不是 $100\%$ 吧？

看来，要么是 $X,Y$ 并不彼此独立，要么是我见识浅了。

积分形式

$$\left(\int f^2(x)dx\right)\cdot \left(\int g^2(x)dx\right)\ge {\left(\int f(x)g(x)dx\right)}^2$$

其实，用微元法，可以发现它就是柯西不等式的二维展开形式。

当然，也可以用期望形式一样的方法，用构造二次函数去证明。

既然本质就是二位展开形式，那么取等条件就是 $f(x)$ 和 $g(x)$ 线性相关了，也就是有 $\forall x,f(x)=\lambda g(x)$ 或 $\forall x,g(x)=\lambda f(x)$ 成立。

数论结论

缩系元素求积

令 $N$ 的缩系为 $S$ ，求 ${\prod }_{x\in S}x\mathrm{m}\mathrm{o}\mathrm{d}N$ ，或者说
$$\prod _{x<N}{x}^{[gcd(x,N)=1]}\mathrm{m}\mathrm{o}\mathrm{d}N$$

分情况讨论：

---

如果 $N$ 有原根，取一个原根为 $g$ ，由原根的定义，以及原根存在逆元，可以得出 S = { g i ∣ 1 ≤ i ≤ φ ( N ) } S=\{g^i|1\leq i\leqφ(N)\} S={gi∣1≤i≤φ(N)} ，那么原式就等于
$$\prod _{i=1}^{\phi (N)}{g}^i\equiv g^{\frac{(\phi (N)+1)\phi (N)}{2}}\equiv {\left(g^{\phi (N)+1}\right)}^{\frac{\phi (N)}{2}}\equiv g^{\frac{\phi (N)}{2}}$$

由于 $g^{\phi (N)}\equiv 1$ ，且 $g$ 是原根，所以 $g^{\frac{\phi (N)}{2}}$ 不可能为 1，只能为 -1。故对于 $N$ 存在原根的情况，
$$\prod _{x\in S}x\equiv -1(\mathrm{m}\mathrm{o}\mathrm{d}N)$$

---

如果 $N$ 无原根怎么办？首先解决 $N=2^k$ 的问题。

$1,2,4$ 都有原根，不必说了。当 $N\ge 8$ 时，
$$\begin{gathered} \prod _{x<N}{x}^{[gcd(x,N)=1]}\equiv 1\ast 3\ast 5\ast ...\ast (N-1)\equiv \prod _{x<N/2}{x}^{[gcd(x,N/2)=1]}\prod _{x<N/2}(-x{)}^{[gcd(x,N/2)=1]} \\ \equiv (\prod _{x<N/2}{x}^{[gcd(x,N/2)=1]}{)}^2\cdot (-1{)}^{\phi (N/2)} \end{gathered}$$

于是，我们可以从 $N=4$ 的情况一直递推过来，由于 $\phi (N)$ 除了 2 以外都是偶数，因此我们得出：
$$\prod _{x\in S}x\equiv 1(\mathrm{m}\mathrm{o}\mathrm{d}N=2^k\ge 8)$$

---

对于 $N\ne 2^k$ 的情况，我们进行质因数分解。

令 $N=p_1^{w_1}{p}_2^{w_2}...p_k^{w_k}$ ，不妨设 $x_i=p_i^{w_i}$。

我们知道 $\phi (N)=\prod \phi (x_i)$ ，因此根据缩系的性质，把 $N$ 的缩系 $S$ 取模 $x_i$ 后变为可重集，就相当于 $x_i$ 的缩系中每个元素重复 $\frac{\phi (N)}{\phi (x_i)}$ 次。

设 $F(N)={\prod }_{x<N}{x}^{[gcd(x,N)=1]}\mathrm{m}\mathrm{o}\mathrm{d}N$ ，那么
$$\{\begin{array}{l}F(N)\equiv F(x_1{)}^{\frac{\phi (N)}{\phi (x_1)}}\mathrm{m}\mathrm{o}\mathrm{d}{x}_1\\ F(N)\equiv F(x_2{)}^{\frac{\phi (N)}{\phi (x_2)}}\mathrm{m}\mathrm{o}\mathrm{d}{x}_2\\ \dots \\ F(N)\equiv F(x_k{)}^{\frac{\phi (N)}{\phi (x_k)}}\mathrm{m}\mathrm{o}\mathrm{d}{x}_k\end{array}$$

由于 $x_i$ 要么是 $2^k$ ，要么有原根，因此 $F(x_i{)}^2=1$ ，再根据 $\phi$ 的奇偶性（$N$ 不为 $2p$, 所以 $\frac{\phi (N)}{\phi (x_i)}$ 都是偶数），不难得出上面的线性同余方程其实就是
$$\{\begin{array}{l}F(N)\equiv 1\mathrm{m}\mathrm{o}\mathrm{d}{x}_1\\ F(N)\equiv 1\mathrm{m}\mathrm{o}\mathrm{d}{x}_2\\ \dots \\ F(N)\equiv 1\mathrm{m}\mathrm{o}\mathrm{d}{x}_k\end{array}$$

用中国剩余定理合并起来，会得到 $F(N)=1$ 的结论。

---

综上，${\prod }_{x<N}{x}^{[gcd(x,N)=1]}\mathrm{m}\mathrm{o}\mathrm{d}N$ 在 $N$ 有原根时同余于 -1 ，否则为 1 。

因数闭合序列矩阵

若一个正整数集合中每个数的所有因数都同在这个集合里，那么称这个集合是因数闭合的。

把这个集合中的元素从小到大放入序列 $a$ ，序列大小为 $n$。

在 $n\times n$ 的矩阵 $A$ 中， $A_{i,j}=\mathrm{g}\mathrm{c}\mathrm{d}(a_i,a_j)$。

那么 $\mathrm{d}\mathrm{e}\mathrm{t}(A)$ 等于多少呢？

---

用构造矩阵的方法求这个行列式。我们构造两个 $n\times n$ 的矩阵：
$$\begin{gathered} G_{i,j}=\{\begin{array}{ll}\varphi (a_j),& a_j|a_i\\ 0,& a_j\nmid a_i\end{array} \\ {H}_{i,j}=\{\begin{array}{ll}1,& a_i|a_j\\ 0,& a_i\nmid a_j\end{array} \end{gathered}$$

那么两矩阵的乘积：
$$\sum _{k=1}^n{G}_{i,k}\cdot H_{k,j}=\sum _{k=1}^n\varphi (a_k)[a_k|a_i][a_k|a_j]=\sum _{a_k|\mathrm{g}\mathrm{c}\mathrm{d}(a_i,a_j)}\varphi (a_k)=\mathrm{g}\mathrm{c}\mathrm{d}(a_i,a_j)=A_{i,j}$$

可得
$$A=G\cdot H$$

不难发现， $G$ 和 $H$ 都是下三角矩阵，因此
$$\det (A)=\det (G)\cdot \det (H)=\prod _{i=1}^n\varphi (a_i)$$

Bostan mori(ボスタン-モリ)波斯坦-茉莉 算法

（转）