学习记录之数学表达式(1)

文章目录

  • 一、概述
  • 二、符号表
    • [2.1 常用符号表](#2.1 常用符号表)
    • [2.2 希腊字母表](#2.2 希腊字母表)
  • 三、集合的表示与运算
    • [3.1 集合的表示](#3.1 集合的表示)
    • [3.2 元素与集合](#3.2 元素与集合)
    • [3.3 集合的运算](#3.3 集合的运算)
    • [3.4 幂集](#3.4 幂集)
    • [3.5 笛卡尔积](#3.5 笛卡尔积)
    • [3.6 作业](#3.6 作业)

一、概述

本系列内容参考闵老师的博客:数学表达式: 从恐惧到单挑 (符号表)

(1)数学表达式的几个注意事项:

  • 公式这种说法具有误导性,应该用equation或者expression表示;
  • 数学表达式的特点不是复杂,而是与文字相比起来简单准确;
  • 数学表达式不是越难懂越好,而是越简洁易懂越好;

(2)数学表达式学习建议:

  • 建议最好找《离散数学》、《概率论与数理统计》、《机器学习》(西瓜书)等书籍模仿,其次是顶刊论文,一般论文不要看;
  • 从简单到复杂;

(3)一些准则:

  • 提到"XXX 公式"时,提出者必须是大数学家;
  • 提到"XXX 说"时,这个人的水平不能低于周志华(国际人工智能联合会理事会主席);
  • 不可将其他可视化工具写的数学表达式转换为latex;

二、符号表

2.1 常用符号表

下表为符号常用表,在" 文字 "的两边加上" $ "符号即变成左边的符号(需要在markdown编辑器下添加,该模式写出的表达式的源码与Latex比较一致),还有一些符号需要逐步加入。
表2.1 常用符号表

符号 文字 涵义 备注
x {x} x x 标量 小写字母
x \mathbf{x} x \mathbf{x} 向量 小写字母
X \mathbf{X} X \mathbf{X} 矩阵、集合 大写字母
x T \mathbf{x}^{\mathrm{T}} xT \mathbf{x}^{\mathrm{T}} 向量转置 T表示transpose

注意:表示向量、集合等,可以使用粗体 \mathbf{x} ( x \mathbf{x} x),\bm{x} ( x \bm{x} x),\boldsymbol{x} ( x \boldsymbol{x} x)。主要全文统一即可,建议使用\mathbf{x}。

2.2 希腊字母表

表2.2 希腊字母表

希腊字母小写、大写 LaTex形式 希腊字母小写、大写 Latex形式
α A \alpha A αA \alpha A μ N \mu N μN \mu N
β B \beta B βB \beta B ξ Ξ \xi \Xi ξΞ \xi \Xi
γ Γ \gamma \Gamma γΓ \gamma \Gamma o O o O oO o O
δ Δ \delta \Delta δΔ \delta \Delta π Π \pi \Pi πΠ \pi \Pi
ϵ ε E \epsilon \varepsilon E ϵεE \epsilon \varepsilon E ρ ϱ P \rho \varrho P ρϱP \rho \varrho P
ζ Z \zeta Z ζZ \zeta Z σ Σ \sigma \Sigma σΣ \sigma \Sigma
η H \eta H ηH \eta H τ T \tau T τT \tau T
θ ϑ Θ \theta \vartheta \Theta θϑΘ \theta \vartheta \Theta υ Υ \upsilon \Upsilon υΥ \upsilon \Upsilon
ω Ω \omega \Omega ωΩ \omega \Omega ϕ φ Φ \phi \varphi \Phi ϕφΦ \phi \varphi \Phi
κ K \kappa K κK \kappa K χ X \chi X χX \chi X
λ Λ \lambda \Lambda λΛ \lambda \Lambda ψ Ψ \psi \Psi ψΨ \psi \Psi
μ M \mu M μM \mu M ι \iota ι \iota

三、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。在默认情况下,集合元素不可重复(在组合数学中有可重集的概念)。另外,集合元素是无序的。

3.1 集合的表示

(1)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} 表示阿拉伯数字的集合;

N = { 0 , 1 , 2 , ...   } \mathbb{N}=\{0,1,2,\dots\} N={0,1,2,...} 表示自然数的集合;

Ω = { a , b , ... , z } \mathbf{\Omega}=\{\textrm{a},\textrm{b},\dots,\textrm{z}\} Ω={a,b,...,z} 表示英文字母表的集合。其中,这里面的字母是非斜体的,表示不是变量。另外,未加" $ "符号的表达式为:\mathbf{\Omega} = {\textrm{a},\textrm{b},\dots,\textrm{z}}。有时候在\Omega之外没有加\mathbf,作为希腊字母的影响没有英文字母的影响大。

(2) 表示向量、集合等,可以使用粗体 \mathbf{x} ( x \mathbf{x} x),\bm{x} ( x \bm{x} x),\boldsymbol{x} ( x \boldsymbol{x} x)。主要全文统一,建议使用\mathbf{x}即可,西瓜书应该使用的是mathbf。

(3)枚举法的几种简记:

  • 如果是两个整数之间的枚举集合,可使用简记 [ 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 ] [\textrm{i}..\textrm{j}] [i..j]。注意:这里是两个点,而不是三个点的\dots 。两个点多见于Pascal语言,更多内容请见:https://baike.baidu.com/item/区间/1273117
  • 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个元素。该式子的源码为:\mathbf{X}={x{i}}_{i=1}^{n}={x_1,x_2,\dots,x_n}。(x_2可以省略。)

(4)谓词法:

奇数的集合可以表示为:

O = { x ∣ x ∈ N , x m o d    2 = 1 } = { x ∈ N ∣ x m o d    2 = 1 } \mathbf{O}=\{x|x\in\mathbb{N},x \mod 2=1\}=\{x\in\mathbb{N}\ |\ x \mod 2=1\} O={x∣x∈N,xmod2=1}={x∈N ∣ xmod2=1}.

第一种表示方法最基础,将元素放在竖线的左边,元素满足的条件放在竖线的右边;第二种表示方法比较常用,将元素基本限制放在竖线左边,提升颜值

(5)常用集合:

  • 实数 R {\mathbb{R}} R:源码为 \mathbb{R}. 有些地方也写成 R {\mathcal{R}} R ,源码为 \mathcal{R};
  • 有理数 Q \mathbf{Q} Q:源码为 \mathbf{Q};

(6)平凡子集:

  • 空集 ∅ \emptyset ∅:源码为 \emptyset,不可以写为 ϕ \phi ϕ,源码为 \phi,这是错误写法;
  • 全集(universe) U \mathbf{U} U:这个一般在离散数学中使用,源码为\mathbf{U};

3.2 元素与集合

  • x ∈ X x\in\mathbf{X} x∈X:表示元素和集合的关系,源码为: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,源码为:\mathbf{A} \subseteq \mathbf{B};

3.3 集合的运算

  • 集合的基数:
    ∣ X ∣ \vert\mathbf{X}\vert ∣X∣:表示 X \mathbf{X} X中元素的个数,其源码为:\vert \mathbf{X} \vert 或者 |\mathbf{X}|,这里不太清楚 \vert 和竖线的区别。其中, ∣ ∅ ∣ = 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个集合的并,源码为:\bigcup{i=1}^{n} \mathbf{X}{i};
    这个方式与 ∑ 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)是一致的,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};
    ⋂ i = 1 n X i \bigcap_{i=1}^{n}\mathbf{X}i ⋂i=1nXi:表示几个集合的交,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},setminus是专门为集合设计的,使用减号显得不够专业;
  • 补:
    X ‾ = U ∖ X \overline{\mathbf{X}}=\mathbf{U}\setminus\mathbf{X} X=U∖X:表示为 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};有时候式子用了\overline会比较难看,也可以使用 ¬ X \neg\mathbf{X} ¬X,源码为:\neg \mathbf{X},但是\neg是逻辑运算的符号,表示"非",只能是凑合使用;

3.4 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},源码为:2^{\mathbf{A}} = {\mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}}。

例如: A = { 0 , 1 , 2 } \mathbf{A}=\{0,1,2\} A={0,1,2},则 2 A = { ∅ , { 0 } , { 1 } , { 2 } , { 0 , 1 } , { 0 , 2 } , { 1 , 2 } , { 0 , 1 , 2 } } 2^{\mathbf{A}}=\{\emptyset,\{0\},\{1\},\{2\},\{0,1\},\{0,2\},\{1,2\},\{0,1,2\}\} 2A={∅,{0},{1},{2},{0,1},{0,2},{1,2},{0,1,2}},源码为:2^{\mathbf{A}}={\emptyset,{0},{1},{2},{0,1},{0,2},{1,2},{0,1,2}};

其中, ∣ 2 A ∣ = 2 ∣ A ∣ = 2 3 = 8 \vert2^{\mathbf{A}}\vert=2^{\vert\mathbf{A}\vert}=2^3=8 ∣2A∣=2∣A∣=23=8,源码为:\vert2^{\mathbf{A}}\vert=2^{\vert \mathbf{A} \vert}=2^3=8;从基本的组合数学知识可知,若一个集合有 n n n个元素,要么全选,要么不选,相当于 n {n} n位二进制数,所以有 2 n 2^{n} 2n中可能,这也是幂集的来由。

  • B ⊆ A \mathbf{B}\subseteq\mathbf{A} B⊆A(源码为\mathbf{B}\subseteq\mathbf{A}) 与 B ∈ 2 A \mathbf{B}\in2^{\mathbf{A}} B∈2A(源码为\mathbf{B}\in2^{\mathbf{A}})等价,并且后者看起来把简单的问题复杂化,但是在一些特殊情况下是有用的。
  • 一般而言,只讨论有穷集的密集,不考虑无穷极的密集。在空闲时候可以思考: ∣ 2 N ∣ = ∣ R ∣ \vert2^{\mathbb{N}}\vert=\vert\mathbb{R}\vert ∣2N∣=∣R∣(源码为:\vert 2^{\mathbb{N}} \vert=\vert \mathbb{R} \vert),表示2的可数无穷次方为一阶不可数无穷。

3.5 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},源码为:\mathbf{A} \times \mathbf{B}={(a,b)\vert a \in \mathbf{A},b \in \mathbf{B}};

  • 相当于一个集合中各选一个元素出来,然后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)(源码为(a,b)\ne(b,a)),因此 A × B ≠ B × A \mathbf{A}\times\mathbf{B}\ne\mathbf{B}\times\mathbf{A} A×B=B×A(源码为\mathbf{A} \times \mathbf{B} \ne \mathbf{B} \times \mathbf{A})。其中,\ne 是not equal的简写,也可以写为\neq;
  • ∅ × B = ∅ \emptyset\times\mathbf{B}=\emptyset ∅×B=∅,空集无元素,源码为:\emptyset \times \mathbf{B}=\emptyset;
  • 对于有穷集合(不考虑无穷集合), ∣ A × B ∣ = ∣ A ∣ × ∣ B ∣ \vert\mathbf{A}\times\mathbf{B}\vert=\vert\mathbf{A}\vert\times\vert\mathbf{B}\vert ∣A×B∣=∣A∣×∣B∣,源码为\vert \mathbf{A} \times \mathbf{B} \vert=\vert \mathbf{A} \vert \times \vert \mathbf{B} \vert,当这两个元素有一个为空集的时候,本式也成立;
  • 一维数据所在的空间为 R \mathbb{R} R(\mathbb{R}),二维数据所在的空间为 R × R = R 2 \mathbb{R}\times\mathbb{R}=\mathbb{R}^2 R×R=R2(\mathbb{R} \times \mathbb{R}=\mathbb{R}^2),三维数据的空间为\\mathbf{R}\^3(\mathbf{R}^3),以此类推, n n n维数据的空间为 R n \mathbf{R}^n Rn;

3.6 作业

  • 令 A = { 3 , 5 } \mathbf{A}=\{3,5\} A={3,5},写出 2 A 2^{\mathbf{A}} 2A

2 A = { ∅ , { 3 } , { 5 } , { 3 , 5 } } 2^{\mathbf{A}}=\{\emptyset,\{3\},\{5\},\{3,5\}\} 2A={∅,{3},{5},{3,5}},源码为:2^{\mathbf{A}}={\emptyset,{3},{5},{3,5}}。

  • 展开 2 ∅ 2^{\emptyset} 2∅

2 ∅ = { ∅ , { ∅ } } 2^\emptyset\ =\{\emptyset\ , \{\emptyset\}\} 2∅ ={∅ ,{∅}},源码为:2^\emptyset\ ={\emptyset\ , {\emptyset}}。

  • 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的其它两种表示方法

A \mathbf{A} A的另外两种表示方法如下:

  1. 枚举法: A = { 5 , 6 , ... , 9 } \mathbf{A}=\{5,6,\dots,9\} A={5,6,...,9},源码为:\mathbf{A}={5,6,\dots,9};
  2. 区间表示法: A = { x ∈ N ∣ 5 ≤ x ≤ 9 } \mathbf{A}=\{x\in\mathbb{N}\ \vert \ 5\leq x \leq 9\} A={x∈N ∣ 5≤x≤9},源码为:\mathbf{A}={x \in \mathbb{N} \vert 5 \leq x \leq 9};
相关推荐
@小博的博客8 分钟前
C++初阶学习第十弹——深入讲解vector的迭代器失效
数据结构·c++·学习
南宫生1 小时前
贪心算法习题其四【力扣】【算法学习day.21】
学习·算法·leetcode·链表·贪心算法
懒惰才能让科技进步1 小时前
从零学习大模型(十二)-----基于梯度的重要性剪枝(Gradient-based Pruning)
人工智能·深度学习·学习·算法·chatgpt·transformer·剪枝
love_and_hope2 小时前
Pytorch学习--神经网络--搭建小实战(手撕CIFAR 10 model structure)和 Sequential 的使用
人工智能·pytorch·python·深度学习·学习
Chef_Chen2 小时前
从0开始学习机器学习--Day14--如何优化神经网络的代价函数
神经网络·学习·机器学习
芊寻(嵌入式)2 小时前
C转C++学习笔记--基础知识摘录总结
开发语言·c++·笔记·学习
hong1616883 小时前
跨模态对齐与跨领域学习
学习
阿伟来咯~3 小时前
记录学习react的一些内容
javascript·学习·react.js
Suckerbin4 小时前
Hms?: 1渗透测试
学习·安全·网络安全
水豚AI课代表4 小时前
分析报告、调研报告、工作方案等的提示词
大数据·人工智能·学习·chatgpt·aigc