格致开物 - 最近更改 [zh-hans]

正态分布

2026-09-20T02:06:35Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:06的版本
第107行：		第107行：

	实际质量不能为负，而正态密度在整个实线上为正。本例均值离零有五十个标准差，负质量区域的模型概率极小；若均值接近零而波动很大，这个近似就可能失去物理意义。计数、等待时间、明显偏斜或多峰的数据也各有结构，应结合[[泊松分布]]、[[指数分布]]等模型以及实际机制分析。观测资料可用[[直方图]]检查形状，用[[折线图]]检查漂移；“没有发现明显偏离”并不等于证明总体正态。		实际质量不能为负，而正态密度在整个实线上为正。本例均值离零有五十个标准差，负质量区域的模型概率极小；若均值接近零而波动很大，这个近似就可能失去物理意义。计数、等待时间、明显偏斜或多峰的数据也各有结构，应结合[[泊松分布]]、[[指数分布]]等模型以及实际机制分析。观测资料可用[[直方图]]检查形状，用[[折线图]]检查漂移；“没有发现明显偏离”并不等于证明总体正态。

			== 从单个读数走向平均值的分布 ==
			继续使用总体 <math>N(100,2^2)</math>。若独立取 <math>n</math> 袋并计算平均质量，独立正态变量的线性组合仍是正态变量，故
			<math display="block">\bar X_n\sim N\left(100,\frac4n\right).</math>
			均值仍为100，标准差则为 <math>2/\sqrt n</math>。这在正态总体假设下是精确结论，不需要等到大样本才成立。独立正态和的性质以及协方差的作用，见 [https://ocw.mit.edu/courses/18-440-probability-and-random-variables-spring-2014/resources/mit18_440s14_lecture23/ MIT 18.440，第23讲]与[https://ocw.mit.edu/courses/18-440-probability-and-random-variables-spring-2014/resources/mit18_440s14_lecture25/ 第25讲]。

			[[File:Gezhi-expand-normal-averages.svg\|frame\|center\|alt=单个质量、四袋平均和十六袋平均的正态密度均以一百克为中心，标准差分别二一和二分之一克，平均样本量越大曲线越窄\|三条曲线对应不同随机变量：一袋质量、四袋均值、十六袋均值。它们不表示设备的单袋质量波动因取平均而消失。]]

			例如问平均质量落在99至101克内的概率，标准化得
			<math display="block">P(\|\bar X_n-100\|\le1)
			=2\Phi\!\left(\frac{\sqrt n}{2}\right)-1.</math>
			当 <math>n=1,4,16</math> 时，概率分别约为38.29%、68.27%、95.45%。同样的一克范围，对十六袋均值是两个标准误，对单袋却只有半个标准差。把这两个对象混用，会夸大对单个产品的预测精度。

			=== 为什么共同偏移不能靠多取样消去 ===
			构造另一个教学模型：同批次的所有读数共享校准偏移 <math>C\sim N(0,1)</math>，各袋另有独立误差 <math>\varepsilon_i\sim N(0,3)</math>，所有 <math>\varepsilon_i</math> 与 <math>C</math> 相互独立，读数写成
			<math display="block">X_i=100+C+\varepsilon_i.</math>
			这里方差单位均为平方克；<math>C</math> 在不同校准批次之间变化，同一批内是共同的一项。单个读数仍为 <math>N(100,4)</math>，但同批不同读数协方差为1，已经不是独立样本。

			平均后仍保留同一个 <math>C</math>，所以
			<math display="block">\bar X_n=100+C+\frac1n\sum_{i=1}^n\varepsilon_i,\qquad
			\operatorname{Var}(\bar X_n)=1+\frac3n.</math>
			其中独立误差部分的方差由 <math>n\cdot3/n^2=3/n</math> 得到，共同偏移的方差1没有再除以 <math>n</math>。

			[[File:Gezhi-expand-normal-common-offset.svg\|frame\|center\|alt=平均值方差随样本量变化，独立模型为四除以n趋于零，共同偏移模型为一加三除以n趋于一；两者在n等于一时都为四\|纵轴画方差，不是标准差。两模型单次读数分布相同，联合依赖关系不同，因而取平均的效果不同。]]

			十六个同批读数的均值方差为 <math>19/16</math>，标准差约1.090克，明显大于独立模型的0.5克。增加同批样本会减小独立误差的影响，却不会让未经校正的均值中的共同偏移自动消失。若100是已知参考值，可用样本均值减100估计本批偏移，再作校正；若真实中心与校准偏移都未知，仅靠同批读数无法把两者分开，需要参考测量或独立批次等信息。这个反例说明，正态边缘分布本身不足以保证均值方差按 <math>1/n</math> 缩小。

			=== 与拟合中的平方误差怎样连接 ===
			若[[线性模型]]给定平均预测 <math>m_i(\beta)</math>，误差相互独立且服从同方差 <math>N(0,\sigma^2)</math>，观测 <math>y_1,\ldots,y_n</math> 的联合密度为各项密度之积。取对数后
			<math display="block">\log L(\beta,\sigma)
			=-n\log(\sigma\sqrt{2\pi})
			-\frac1{2\sigma^2}\sum_{i=1}^n[y_i-m_i(\beta)]^2.</math>
			固定正的 <math>\sigma</math>，第一项不依赖 <math>\beta</math>，第二项的系数为负，故最大化关于 <math>\beta</math> 的似然等价于最小化残差平方和。这是正态误差模型与[[最小二乘法]]的一条联系；最小二乘作为优化方法仍可以在不假定正态时使用。若误差相关或各次方差不同，联合密度及相应平方形式都会改变。


	== 参考资料 ==		== 参考资料 ==

最小二乘法

2026-09-20T02:06:32Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

@@ 第51行： / 第51行： @@
 <math display="block">a=\frac{\sum (t_i-\bar t)(h_i-\bar h)}{\sum(t_i-\bar t)^2}=\frac{4.5}{5}=0.9.</math>
 分母描述时间点的分散程度；如果所有时间都相同，分母为零，就不能用这些数据分别确定斜率和截距。
 == 矩阵形式把同样的推导用于更多参数 ==
@@ 第101行： / 第112行： @@
 <math display="block">9c^2+(10-c)^2=10(c-1)^2+90.</math>
 答案是 <math>c=1</math>；等权时则为五。较大的权重使答案更靠近对应观测。在独立误差、已知方差的模型下常取方差倒数为权重，权重如何估计及其限制见 [https://itl.nist.gov/div898/handbook/pmd/section1/pmd143.htm NIST 的加权最小二乘说明]。
 == 拟合误差与预测检验 ==

分类:微分方程与动力系统

2026-09-20T02:06:28Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:06的版本
第15行：		第15行：
	* [[一阶线性微分方程]]		* [[一阶线性微分方程]]
	* [[洛吉斯蒂模型]]		* [[洛吉斯蒂模型]]

			* [[差分方程模型]]
			* [[捕食者-猎物模型]]

	== 与其他分支的联系 ==		== 与其他分支的联系 ==

分类:基础与逻辑

2026-09-20T02:06:26Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:06的版本
第15行：		第15行：
	* [[函数]]		* [[函数]]
	* [[逻辑]]		* [[逻辑]]

			* [[皮亚诺公理]]

	== 与其他分支的联系 ==		== 与其他分支的联系 ==

数学建模

2026-09-20T02:06:23Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:06的版本
第110行：		第110行：

	[https://web.stanford.edu/~boyd/vmls/ Boyd 与 Vandenberghe 的应用线性代数教材]从数据与应用问题展开拟合；[https://www.jirka.org/diffyqs/ Lebl 的微分方程教材]从动态过程建立方程。水箱例子同时使用了这两种思路：守恒解释结构，数据估计参数，后续观测检验用途。		[https://web.stanford.edu/~boyd/vmls/ Boyd 与 Vandenberghe 的应用线性代数教材]从数据与应用问题展开拟合；[https://www.jirka.org/diffyqs/ Lebl 的微分方程教材]从动态过程建立方程。水箱例子同时使用了这两种思路：守恒解释结构，数据估计参数，后续观测检验用途。

			== 按问题选择模型 ==
			水位拟合的统计解释见[[线性模型]]：它沿用本例数据，区分真实平均响应、拟合线和下一次随机读数，并计算两种不同的区间。若问题改成“每月先流失一定比例，再补入固定水量”，[[差分方程模型]]从状态更新式推导平衡水量与收敛速度。若两个状态互相影响，[[捕食者-猎物模型]]展示如何从相遇假设建立耦合方程，再用零增长线、相图和守恒量研究变化。

			这三类问题分别关心输入与平均响应的关系、离散时刻的状态更新，以及连续时间内两个种群的相互作用。选择模型时，先写清记录了什么、时间怎样计量、哪些机制被保留，再决定使用哪组方程。

	== 参考来源与延伸阅读 ==		== 参考来源与延伸阅读 ==

组合数学

2026-09-20T02:06:20Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:06的版本
第126行：		第126行：

	今天常用“杨辉三角”或“Pascal 三角”称呼这一数表。它把多项式展开、组合选择和格点路径联系到一起：同样的数字可以来自不同问题，而一一对应或分类计数解释了它们为何相同。		今天常用“杨辉三角”或“Pascal 三角”称呼这一数表。它把多项式展开、组合选择和格点路径联系到一起：同样的数字可以来自不同问题，而一一对应或分类计数解释了它们为何相同。

			== 从“数出多少”到“必有一个” ==
			[[抽屉原理]]用总数证明某一类必有重复。它不要求列出全部对象：例如 n 个整数的 n+1 个前缀和只有 n 种余数，因此存在非空连续一段，其和能被 n 整除。该条目逐步说明如何把“连续段”转成两个前缀的差，以及如何选择分类规则。

	== 参考资料 ==		== 参考资料 ==

贝叶斯定理

2026-09-20T02:06:16Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

@@ 第64行： / 第64行： @@
 <math display="block">p(\theta\mid D)=12\theta^2(1-\theta),\qquad0\le\theta\le1.</math>
 这类密度按 <math>\theta^{\alpha-1}(1-\theta)^{\beta-1}</math> 的形状命名为Beta分布，故这里称Beta(3,2)，区间外密度为零。将后验密度对整个区间积分，可检查归一化；不能把某一点处的密度当成该点有正概率。
 下一次成功的预测概率需要把未知 θ 平均掉：
@@ 第89行： / 第98行： @@
 点估计进一步把整个后验压缩成一个数，选择准则需要说明。后验均值在平方损失下最优，后验中位数对应绝对损失，最大后验密度点则是另一种汇总方式。对于同一个不对称后验，这些数可以不同；它们不是计算误差，而是不同问题的答案。若目标是未来观测，还应进行后验预测，把观测自身的随机性与参数不确定性一起考虑。

勾股定理

2026-09-20T02:06:13Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:06的版本
第87行：		第87行：

	约公元前 300 年成书的《几何原本》第一卷命题 47 给出一般命题的面积证明，命题 48 证明逆命题。本文的四三角形拼图是另一种常见证明；它利用全等、三角形内角和与面积可加性说明同一个关系。		约公元前 300 年成书的《几何原本》第一卷命题 47 给出一般命题的面积证明，命题 48 证明逆命题。本文的四三角形拼图是另一种常见证明；它利用全等、三角形内角和与面积可加性说明同一个关系。

			== 从直角推广到任意三角形 ==
			[[余弦定理]]把两边的夹角也计入边长关系：当夹角为直角时，余弦项为零，恰好回到勾股定理；锐角与钝角则给出不同的修正。知道三边之后，[[海伦公式]]可以不先测高就求面积。两篇使用同一个边长为 13、14、15 的三角形，把辅助线、角度和面积的计算串起来。

	== 参考资料与知识联系 ==		== 参考资料与知识联系 ==

线性代数

2026-09-20T02:06:09Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

@@ 第13行： / 第13行： @@
 <math display="block">\begin{pmatrix}x\\y\\z\end{pmatrix}=\begin{pmatrix}3\\1\\0\end{pmatrix}+t\begin{pmatrix}-2\\1\\1\end{pmatrix},\qquad t\in\mathbb R.</math>
 当 <math>t=0</math>，解是 <math>(3,1,0)</math>；当 <math>t=2</math>，解是 <math>(-1,3,2)</math>。两者都满足原方程。几何上，全部解沿同一条直线排列；代数上，三个未知量只受到两条独立约束。
 若第三条右端改成六，消元将同时要求 <math>y-z=1</math> 和 <math>y-z=2</math>，方程便无解。若保留前两条、把第三条换成 <math>z=2</math>，则自由参数被固定，解唯一。因此决定解的状态的是约束是否独立、彼此是否相容，而不仅是方程和未知量的数量。
@@ 第63行： / 第66行： @@
 这个证明把“丢失的方向”和“仍能辨别的方向”分别计数。对于同样有 <math>n</math> 个输入和输出坐标的方阵，核只有零向量时，秩为 <math>n</math>；此时每个输出都有唯一输入，矩阵可逆。
 == 数据不满足方程时：寻找最近的输出 ==
@@ 第118行： / 第135行： @@
 <math display="block">P^k(1,0)=(0.6,0.4)+2^{-k}(0.4,-0.4).</math>
 一步后为 <math>(0.8,0.2)</math>，两步后为 <math>(0.7,0.3)</math>，最终趋向 <math>(0.6,0.4)</math>。这个模型中，特征值一表示不变部分，特征值二分之一表示逐渐衰减的部分。
 == 历史与进一步阅读 ==

学习路径

2026-09-20T02:06:05Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:06的版本
第5行：		第5行：
	<div class="math-path"><h3>02　理解变化与演化</h3><p>从误差控制到局部变化、累积，再走向动态规律与增长模型。</p>[[函数]] → [[极限]] → [[导数]] → [[积分]] → [[微积分]] → [[微分方程]] → [[一阶线性微分方程]] → [[洛吉斯蒂模型]]</div>		<div class="math-path"><h3>02　理解变化与演化</h3><p>从误差控制到局部变化、累积，再走向动态规律与增长模型。</p>[[函数]] → [[极限]] → [[导数]] → [[积分]] → [[微积分]] → [[微分方程]] → [[一阶线性微分方程]] → [[洛吉斯蒂模型]]</div>
	<div class="math-path"><h3>03　认识线性与对称</h3><p>从坐标运算走向不依赖坐标的结构，再进入抽象对称。</p>[[矩阵]] → [[向量空间]] → [[线性代数]] → [[群]] → [[欧拉公式]]</div>		<div class="math-path"><h3>03　认识线性与对称</h3><p>从坐标运算走向不依赖坐标的结构，再进入抽象对称。</p>[[矩阵]] → [[向量空间]] → [[线性代数]] → [[群]] → [[欧拉公式]]</div>
	<div class="math-path"><h3>04　从形状到空间</h3><p>几何性质关注长度角度，拓扑进一步研究连续性与整体连接。</p>[[欧氏几何]] → [[勾股定理]] → [[圆锥曲线]] → [[环面]] → [[拓扑空间]] → [[连续映射]]</div>		<div class="math-path"><h3>04　从形状到空间</h3><p>几何性质关注长度角度，拓扑进一步研究连续性与整体连接。</p>[[欧氏几何]] → [[勾股定理]] → [[余弦定理]] → [[海伦公式]] → [[圆锥曲线]] → [[环面]] → [[拓扑空间]] → [[连续映射]]</div>
	<div class="math-path"><h3>05　面对不确定性</h3><p>先明确等可能与计数条件，再区分平均、条件化和统计推断。</p>[[组合数学]] → [[概率]] → [[期望]] → [[贝叶斯定理]] → [[统计推断]]</div>		<div class="math-path"><h3>05　面对不确定性</h3><p>先明确等可能与计数条件，再区分平均、条件化和统计推断。</p>[[组合数学]] → [[概率]] → [[期望]] → [[贝叶斯定理]] → [[统计推断]]</div>
	<div class="math-path"><h3>06　从网络到决策</h3><p>把关系写成图，再用算法和对偶证书说明方案为什么最好。</p>[[图论]] → [[最短路径]] → [[优化]] → [[线性规划]]</div>		<div class="math-path"><h3>06　从网络到决策</h3><p>把关系写成图，再用算法和对偶证书说明方案为什么最好。</p>[[图论]] → [[最短路径]] → [[优化]] → [[线性规划]]</div>
	<div class="math-path"><h3>07　把方程变成可靠计算</h3><p>从有保证的区间收缩，到局部快速迭代和积分近似，始终保留误差分析。</p>[[极限]] → [[二分法]] → [[导数]] → [[牛顿法]] → [[积分]] → [[数值积分]]</div>		<div class="math-path"><h3>07　把方程变成可靠计算</h3><p>从有保证的区间收缩，到局部快速迭代和积分近似，始终保留误差分析。</p>[[极限]] → [[二分法]] → [[导数]] → [[牛顿法]] → [[积分]] → [[数值积分]]</div>
	<div class="math-path"><h3>08　从数据到可复现模型</h3><p>同时学习结构假设、参数拟合、单位检查和独立验证。</p>[[数学建模]] → [[最小二乘法]] → [[量纲分析]] → [[统计推断]]</div>		<div class="math-path"><h3>08　从数据到可复现模型</h3><p>同时学习结构假设、参数拟合、单位检查和独立验证。</p>[[数学建模]] → [[最小二乘法]] → [[线性模型]] → [[量纲分析]] → [[统计推断]]</div>

	<div class="math-path"><h3>09　把数据看清楚</h3><p>从一行记录的含义出发，按比较、构成、分布、关系和变化选择图形；重算图中数值，再讨论哪些结论需要更多证据。</p>[[统计图]] → [[条形图]]与[[扇形统计图]] → [[直方图]]与[[箱线图]] → [[散点图]]与[[折线图]] → [[统计推断]]</div>		<div class="math-path"><h3>09　把数据看清楚</h3><p>从一行记录的含义出发，按比较、构成、分布、关系和变化选择图形；重算图中数值，再讨论哪些结论需要更多证据。</p>[[统计图]] → [[条形图]]与[[扇形统计图]] → [[直方图]]与[[箱线图]] → [[散点图]]与[[折线图]] → [[统计推断]]</div>

	<div class="math-path"><h3>10　给随机现象建立分布模型</h3><p>先分清单点质量、密度面积和累计概率。计数可沿二项到泊松学习，等待可比较几何、指数与均匀，测量及均值推断可比较正态与 t。</p>[[概率]] → [[概率分布]] → [[二项分布]]与[[几何分布]] → [[泊松分布]]与[[指数分布]] → [[均匀分布]]与[[正态分布]] → [[学生t分布]] → [[统计推断]]</div>		<div class="math-path"><h3>10　给随机现象建立分布模型</h3><p>先分清单点质量、密度面积和累计概率。计数可沿二项到泊松学习，等待可比较几何、指数与均匀，测量及均值推断可比较正态与 t。</p>[[概率]] → [[概率分布]] → [[二项分布]]与[[几何分布]] → [[泊松分布]]与[[指数分布]] → [[均匀分布]]与[[正态分布]] → [[学生t分布]] → [[统计推断]]</div>

			<div class="math-path"><h3>11　从一步更新到相互作用</h3><p>先手算水量的逐月变化，用平衡点和误差递推判断长期行为；再把两个物种的相互作用写成连续方程，比较时间曲线、相图与数值误差。</p>[[线性代数]] → [[差分方程模型]] → [[微分方程]] → [[洛吉斯蒂模型]] → [[捕食者-猎物模型]]</div>

			<div class="math-path"><h3>12　从有限对象练习证明</h3><p>从后继和归纳建立自然数的规则，用余数分类寻找必然重复，再用非负平方证明向量内积的界。逐次指出归纳、计数和取最小值各自解决了哪一步。</p>[[逻辑]] → [[皮亚诺公理]] → [[组合数学]] → [[抽屉原理]] → [[向量空间]] → [[柯西不等式]]</div>

	== 带着同一个问题往下学 ==		== 带着同一个问题往下学 ==
第27行：		第31行：

	在“分布模型”这条路上，先固定五次发送，计算成功次数，再改为一直发送到首次成功，观察变量为何从[[二项分布]]改成[[几何分布]]。对稳定到达的请求，同一个过程可用[[泊松分布]]描述次数，用[[指数分布]]描述等待。最后转向测量：[[正态分布]]中的总体标准差与[[学生t分布]]中用样本估计的标准差各承担什么角色？每次换模型，都把对象、单位和条件重新写一遍。		在“分布模型”这条路上，先固定五次发送，计算成功次数，再改为一直发送到首次成功，观察变量为何从[[二项分布]]改成[[几何分布]]。对稳定到达的请求，同一个过程可用[[泊松分布]]描述次数，用[[指数分布]]描述等待。最后转向测量：[[正态分布]]中的总体标准差与[[学生t分布]]中用样本估计的标准差各承担什么角色？每次换模型，都把对象、单位和条件重新写一遍。

			在“线性与模型”这条路的后半段，[[线性模型]]继续使用相同水位数据，区分平均响应的置信区间和新读数的预测区间。[[正态分布]]解释独立高斯误差怎样连接到平方误差，[[贝叶斯定理]]则用后验密度说明数据如何改变对未知参数的判断。先辨认自己要估计的是哪一个量，再决定怎样解释图与区间。

	== 阅读时怎样检查自己理解了 ==		== 阅读时怎样检查自己理解了 ==

学科导航

2026-09-20T02:06:02Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

分类:应用与建模

2026-09-20T02:05:59Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:05的版本
第15行：		第15行：
	* [[最小二乘法]]		* [[最小二乘法]]
	* [[量纲分析]]		* [[量纲分析]]

			* [[线性模型]]

	== 与其他分支的联系 ==		== 与其他分支的联系 ==

分类:离散数学

2026-09-20T02:05:56Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:05的版本
第15行：		第15行：
	* [[组合数学]]		* [[组合数学]]
	* [[图论]]		* [[图论]]

			* [[抽屉原理]]

	== 与其他分支的联系 ==		== 与其他分支的联系 ==

分类:几何

2026-09-20T02:05:54Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:05的版本
第15行：		第15行：
	* [[勾股定理]]		* [[勾股定理]]
	* [[圆锥曲线]]		* [[圆锥曲线]]

			* [[余弦定理]]
			* [[海伦公式]]

	== 与其他分支的联系 ==		== 与其他分支的联系 ==

分类:代数

2026-09-20T02:05:51Z

扩充线性代数、最小二乘、贝叶斯与正态分布，接通几何和建模学习路径

←上一版本		2026年9月20日 (日) 10:05的版本
第16行：		第16行：
	* [[线性代数]]		* [[线性代数]]
	* [[群]]		* [[群]]

			* [[柯西不等式]]

	== 与其他分支的联系 ==		== 与其他分支的联系 ==

线性模型

2026-09-20T02:04:52Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''线性模型'''（linear model）用若干已知量的线性组合表示输出。在统计建模中，“线性”通常指对'''未知参数'''线性：输入可以经过平方、对数等已知变换，曲线也未必是一条直线。本篇以线性回归为主，区分模型、拟合方法与由模型得到的推断；一般线性方程组的结构见[[线性代数]]。

== 四次水位读数，三个不同的对象 ==
沿用[[最小二乘法]]中的合成教学数据：在 <math>t=0,1,2,3</math> 分钟读取水位，得到 <math>h=1,2,2,4</math> 厘米。想回答的是：在这个时间范围内，平均水位怎样随时间变化？若再观测一次，其读数大约在哪里？

先提出模型
<math display="block">H_i=b+at_i+\varepsilon_i.</math>
这里 <math>H_i</math> 是第 <math>i</math> 次观测的随机水位，<math>h_i</math> 是已经拿到的数值；<math>b</math> 是未知截距，单位厘米；<math>a</math> 是未知斜率，单位厘米／分钟。误差 <math>\varepsilon_i</math> 表示模型直线之外的变化，也用厘米计。

假设在给定观测时刻后误差均值为零，即 <math>E[\varepsilon_i\mid t_i]=0</math>，那么
<math display="block">E[H_i\mid t_i]=b+at_i.</math>
这是一条关于'''平均响应'''的直线，不要求每次读数都在线上。数据拟合后得到的 <math>\hat h(t)=0.9+0.9t</math> 则是这条未知平均直线的一次估计。模型中的真参数、由样本算出的估计值、下一次带随机误差的读数，是三个不同对象。[https://online.stat.psu.edu/stat501/Lesson01 Penn State STAT 501：Simple Linear Regression]

[[File:Gezhi-model-linear-fit-theme.svg|frame|center|alt=四个合成训练水位与拟合直线零点九加零点九倍时间，竖直残差表示观测与预测差，另两个空心点为留出数据|实心点确定拟合线，空心点用于后续检验。模型直线描述平均水位，观测点还包含误差。]]

== “对参数线性”为什么允许弯曲 ==
把模型写成
<math display="block">H_i=\beta_0\phi_0(t_i)+\cdots+\beta_{p-1}\phi_{p-1}(t_i)+\varepsilon_i,</math>
其中 <math>\phi_j</math> 是事先选择的已知函数，<math>\beta_j</math> 是待估计的系数。每个系数只乘一个已知数，再相加，这就是这里的线性。

例如 <math>\phi_0(t)=1,\phi_1(t)=t,\phi_2(t)=t^2</math> 给出
<math display="block">E[H\mid t]=\beta_0+\beta_1t+\beta_2t^2.</math>
它可以是一条抛物线，却仍是线性参数模型。三种系数的单位分别是厘米、厘米／分钟、厘米／分钟平方；每项相加前具有同样的水位单位。若模型含 <math>e^{-\beta t}</math>，未知参数进入指数，便不再是上述线性参数形式。对参数线性与对输入线性需要区分，NIST 的线性回归章节也采用这一约定。[https://www.itl.nist.gov/div898/handbook/pmd/section1/pmd141.htm NIST：Linear Least Squares Regression]

这也解释了与线性代数用语的差别：<math>t\mapsto b+at</math> 在 <math>b\ne0</math> 时是仿射映射；把 <math>(b,a)</math> 看作输入，而把全部预测看作输出时，这个参数到预测的映射是线性的。

== 从一行观测组成设计矩阵 ==
每次观测写一行，每个模型项写一列。直线模型的设计矩阵为
<math display="block">X=\begin{pmatrix}1&0\\1&1\\1&2\\1&3\end{pmatrix},\quad
\beta=\begin{pmatrix}b\\a\end{pmatrix},\quad
H=X\beta+\varepsilon.</math>
四行是四次观测，第一列的四个一让每次都含同一个截距。若加入平方项，只需另加列 <math>(0,1,4,9)^{\mathsf T}</math>。矩阵尺寸为 <math>n\times p</math>，<math>n</math> 是观测数，<math>p</math> 是包括截距在内的参数数目。

设计矩阵还告诉我们参数能否区分。若两列完全相同，改变一列的系数、反向改变另一列系数，预测不会变化。即使数据很多，也无法从这种设计中识别两个独立贡献。参数唯一可识别要求 <math>\operatorname{rank}X=p</math>，即列满秩；问题在于独立信息，不只是行数多。

== 最小二乘怎样估计这个模型 ==
模型选好之后，还要规定如何估计参数。普通[[最小二乘法]]选择
<math display="block">\hat\beta=\mathop{\operatorname{arg\,min}}_\beta
\sum_{i=1}^{n}(h_i-(X\beta)_i)^2.</math>
残差是观测减拟合值。令目标对每个系数的导数为零，得到
<math display="block">X^{\mathsf T}X\hat\beta=X^{\mathsf T}h.</math>
对当前数据，方程是
<math display="block">4\hat b+6\hat a=9,\qquad6\hat b+14\hat a=18.</math>
第二式减去第一式的 <math>3/2</math> 倍，得到 <math>5\hat a=4.5</math>，故 <math>\hat a=0.9</math>；代回得到 <math>\hat b=0.9</math>。这一步消去了两式中的 <math>6\hat b</math>，只留下斜率。

四个拟合值为 <math>0.9,1.8,2.7,3.6</math>，残差为 <math>0.1,0.2,-0.7,0.4</math>，平方和为 <math>0.7</math> 平方厘米。目标的最小性、投影解释与稳定的 QR 解法见[[最小二乘法]]；实际计算通常不显式求逆矩阵。

这一步只是一项确定的优化计算，还没有要求误差正态。把“能算出一条拟合线”进一步解释成“参数估计无偏”或“区间有指定覆盖率”，才需要下一节的统计假设。

== 哪些假设支持哪些结论 ==
以下把整个设计矩阵 <math>X</math> 固定下来，或者条件在给定的 <math>X</math> 上。若真实平均响应为 <math>X\beta</math>，并且 <math>E[\varepsilon\mid X]=0</math>，列满秩时
<math display="block">\hat\beta=\beta+(X^{\mathsf T}X)^{-1}X^{\mathsf T}\varepsilon.</math>
这是把 <math>H=X\beta+\varepsilon</math> 代入估计公式后直接得到的。取条件期望，第二项为零，所以 <math>E[\hat\beta\mid X]=\beta</math>：重复按同一设计采样，估计量的平均值等于真参数。

若还假设误差的条件协方差矩阵为 <math>\sigma^2I_n</math>，即每次误差方差相同、不同误差互不相关，则
<math display="block">\operatorname{Cov}(\hat\beta\mid X)
=\sigma^2(X^{\mathsf T}X)^{-1}.</math>
原因是对矩阵 <math>A=(X^{\mathsf T}X)^{-1}X^{\mathsf T}</math>，有 <math>\operatorname{Cov}(A\varepsilon)=A(\sigma^2I_n)A^{\mathsf T}</math>；相乘后中间的 <math>X^{\mathsf T}X</math> 抵消。

互不相关比独立弱；上述两个矩的结论不需要正态性。若进一步假定误差独立且服从 <math>N(0,\sigma^2)</math>，则能得到小样本下精确的 t 区间。若只满足零均值而方差不齐，点估计仍可能无偏，但刚才那条协方差公式要改变。漏掉一个与输入有关的系统性变化时，零均值假设本身也可能失败。

在 <math>n>p</math> 和上述同方差、互不相关条件下，常用
<math display="block">s^2=\frac{\sum_i r_i^2}{n-p}</math>
估计误差方差。拟合用掉了 <math>p</math> 个独立方向，残差所在的正交补只剩 <math>n-p</math> 维；每个正交误差方向期望贡献 <math>\sigma^2</math>，故残差平方和的期望为 <math>(n-p)\sigma^2</math>。本例 <math>n=4,p=2</math>，所以 <math>s^2=0.7/2=0.35</math>。它与训练均方误差 <math>0.7/4</math> 的用途不同。

== 平均水位的区间与下一次读数的区间 ==
选择训练范围内的时刻 <math>t_0=2.5</math> 分钟，拟合水位为 <math>\hat h_0=0.9+0.9\times2.5=3.15</math> 厘米。先在独立正态、同方差且平均函数正确的模型下进行计算。

对带截距的一元直线模型，令
<math display="block">q(t_0)=\frac1n+
\frac{(t_0-\bar t)^2}{\sum_i(t_i-\bar t)^2}.</math>
它来自把预测 <math>(1,t_0)\hat\beta</math> 代入上一节的系数协方差。当前 <math>\bar t=1.5</math>、离差平方和为5，所以 <math>q(2.5)=1/4+1/5=0.45</math>。平均响应估计的标准误为
<math display="block">\mathrm{SE}_{\mathrm{mean}}=s\sqrt{q(t_0)}
=\sqrt{0.35\times0.45}\approx0.3969\ \mathrm{cm}.</math>
预测一个独立的新读数，还要加入该次新误差的方差 <math>\sigma^2</math>，所以预测误差的估计标准差为
<math display="block">\mathrm{SE}_{\mathrm{pred}}=s\sqrt{1+q(t_0)}
=\sqrt{0.35\times1.45}\approx0.7124\ \mathrm{cm}.</math>
平方根里多出的1，正是新观测本身的随机变化，而不是另一次参数拟合。

为什么这里使用 t 分布？记真实平均响应为 <math>\mu_0=b+at_0</math>。在上述正态模型下，拟合均值的标准化误差是标准正态变量；它与残差方差估计独立，且 <math>(n-p)s^2/\sigma^2</math> 服从自由度为 <math>n-p</math> 的卡方分布。因此
<math display="block">\frac{\hat h_0-\mu_0}{s\sqrt{q(t_0)}}\sim t_{n-p}.</math>
独立的新误差再加进来时，分子方差变成 <math>\sigma^2[1+q(t_0)]</math>，同样得到用于预测的 t 比值。这与[[学生t分布]]中“正态误差除以独立估计的标准差”的构造一致。

自由度为 <math>n-p=2</math>，双侧95%区间使用[[学生t分布]]分位数 <math>t_{0.975,2}\approx4.30265</math>。分别乘上两个标准误：
<math display="block">\text{平均响应：}\quad3.15\pm4.30265\times0.3969,</math>
<math display="block">\text{新读数：}\quad3.15\pm4.30265\times0.7124.</math>
用未舍入值计算，前者约为 <math>[1.4424,4.8576]</math> 厘米，后者约为 <math>[0.0848,6.2152]</math> 厘米。四次观测只剩两个残差自由度，区间很宽，这也体现了小样本能提供的信息有限。

[[File:Gezhi-expand-model-prediction-interval.svg|frame|center|alt=同在二点五分钟预测三点一五厘米，上方均值置信区间约一点四四二至四点八五八，下方新读数预测区间约零点零八五至六点二一五，后者更宽|两条区间的中心相同，估计对象不同。区间宽度均按未舍入的标准误和t分位数计算。]]

两种95%都描述在所列模型下重复采样的覆盖率：一个覆盖固定时刻的真实平均响应，另一个覆盖该时刻新的随机读数。不是整条曲线同时具有95%的覆盖率，也不是所有未来读数必然落在区间内。预测区间的额外方差与覆盖解释见 [https://www.itl.nist.gov/div898/handbook/pmd/section5/pmd512.htm NIST：预测单次新响应]。

== 残差怎样指出直线遗漏的结构 ==
另取一组明确构造的数据：<math>x=-3,-2,-1,0,1,2,3</math>，<math>y=x^2</math>。这里没有随机噪声，目的是检查模型形状。若坚持拟合直线，由对称性 <math>\bar x=0</math>、<math>\sum x_i y_i=\sum x_i^3=0</math>，斜率为零；截距是
<math display="block">\bar y=\frac{9+4+1+0+1+4+9}{7}=4.</math>
残差依次为 <math>5,0,-3,-4,-3,0,5</math>。它们的和为零，却清楚地在两端偏正、中间偏负。

[[File:Gezhi-expand-model-residual-pattern.svg|frame|center|alt=上图七个点落在抛物线y等于x平方上，最佳直线是水平线y等于四；下图残差为五零负三负四负三零五，呈弯曲模式|残差总和为零是含截距最小二乘的代数性质，不能据此认定模型形状正确。上下图共用横轴位置。]]

加入平方项后，系数 <math>(\beta_0,\beta_1,\beta_2)=(0,0,1)</math> 恰好表示全部数据。这个例子同时说明：有系统形状的残差提示遗漏项；加入曲线项仍可能属于线性参数模型。真实样本有随机波动，选择更复杂模型还需要样本外验证，不能只因训练误差更小就不断加参数。[https://www.itl.nist.gov/div898/handbook/pmd/section4/pmd44.htm NIST：模型验证与残差分析]

== 拟合优度、外推与解释 ==
含截距的普通最小二乘满足总离差平方和等于回归解释部分加残差平方和，因此可定义
<math display="block">R^2=1-\frac{\sum_i r_i^2}{\sum_i(h_i-\bar h)^2}.</math>
分母非零时才有这个表达。本例分母为4.75，所以 <math>R^2=1-0.7/4.75=81/95\approx0.8526</math>。它描述这组训练资料中的平方和比例，不是预测正确率，也不表示斜率具有因果含义。无截距拟合或样本外评价也不自动保有训练时 <math>0\le R^2\le1</math> 的性质。

从零到三分钟的资料推出二点五分钟，是在已有范围内估计；推到一百分钟则是外推，设备容量、进出水规律等都可能变化。此前留出的四、五分钟两点只能示范检验流程，不能保证更远的预测。若要把“时间增加一单位”解释成干预效果，还需控制混杂或说明实验设计，回归公式本身不给出因果保证。

线性模型与[[差分方程模型]]也回答不同问题：前者可描述某时刻的平均响应与输入关系，后者明确规定状态怎样从一步更新到下一步。若把滞后状态用作回归输入，还必须处理时间依赖与误差条件，不能将独立样本公式直接照搬。

== 参考资料与后续 ==
* [https://www.itl.nist.gov/div898/handbook/pmd/section1/pmd141.htm NIST/SEMATECH：Linear Least Squares Regression]，线性参数模型与形式。
* [https://online.stat.psu.edu/stat501/Lesson01 Penn State STAT 501，Lesson 1]，总体回归、误差条件、方差估计与拟合优度。
* [https://www.itl.nist.gov/div898/handbook/pmd/section5/pmd512.htm NIST：预测新响应及其不确定性]。
* [https://www.itl.nist.gov/div898/handbook/pmd/section4/pmd44.htm NIST：How can I tell if a model fits my data?]，残差与模型检验。
* [https://web.stanford.edu/~boyd/vmls/ Boyd、Vandenberghe：Introduction to Applied Linear Algebra]，设计矩阵、最小二乘与模型拟合。
* 先修：[[线性代数]]、[[最小二乘法]]、[[期望]]；后续：[[正态分布]]、[[学生t分布]]、[[统计推断]]。
[[分类:应用与建模]]
[[分类:概率与统计]]

捕食者-猎物模型

2026-09-20T02:04:49Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''捕食者-猎物模型'''（predator–prey model）描述两种群因捕食关系而相互影响的数量变化。经典的'''洛特卡—沃尔泰拉模型'''（Lotka–Volterra model）用一对非线性[[微分方程]]表达这种关系：猎物为捕食者提供食物，捕食者又减少猎物数量。它给出了种群持续振荡的一种数学机制。

== 猎物增加以后，捕食者会怎样变化 ==
设 <math>x(t)</math> 是猎物数量，<math>y(t)</math> 是捕食者数量，<math>t</math> 以月计。把数量视为连续量，相当于对个体的出生、死亡和捕食作平均描述。以下选取的参数、曲线与初值均为合成教学模型，不是某个生态系统的实测结果。

先把相互作用暂时拿掉。假设没有捕食者时，猎物的每个个体具有固定净增长率 <math>a>0</math>，因此 <math>x'=ax</math>；假设没有猎物时，捕食者以固定人均死亡率 <math>c>0</math> 减少，因此 <math>y'=-cy</math>。

现在加入捕食。若双方充分混合，单个捕食者遇到猎物的频率与猎物数量成正比，所有捕食者合计的捕获量就与乘积 <math>xy</math> 成正比。于是猎物损失率写成 <math>bxy</math>，其中 <math>b>0</math>。再假定由捕食支持的捕食者增长与捕获量成正比，记相应系数为 <math>d>0</math>，得到
<math display="block">\begin{aligned}
\frac{dx}{dt}&=ax-bxy=x(a-by),\\
\frac{dy}{dt}&=dxy-cy=y(dx-c).
\end{aligned}</math>
若两种群都以个体数计，<math>a,c</math> 的单位为每月，<math>b</math> 为每捕食者每月，<math>d</math> 为每猎物每月。这样 <math>by</math> 和 <math>dx</math> 都是人均变化率，每一行右边的单位与左边一致。两种群的个体尺度不同，<math>b</math> 与 <math>d</math> 无须相同；比值 <math>d/b</math> 表示模型中的转化关系，而不是“一只猎物必定变成一只捕食者”。

这组方程还假定参数不随季节改变，没有迁入迁出，猎物的资源没有在方程中设置上限，捕食也没有因捕食者吃饱而饱和。它描述的是这些假设共同形成的系统。[https://www.math.hkust.edu.hk/~machas/mathematical-biology.pdf Jeffrey R. Chasnov，《Mathematical Biology》§1.4，印刷页7–13]从种群增长、损失和接触项建立了同类方程。

== 先算出一个瞬时状态 ==
取一组具体参数：<math>a=c=0.5</math> 每月，<math>b=0.01</math> 每捕食者每月，<math>d=0.005</math> 每猎物每月。初始时有200只猎物、50只捕食者，即 <math>x(0)=200,y(0)=50</math>。代入得到
<math display="block">x'(0)=0.5\times200-0.01\times200\times50=0,</math>
<math display="block">y'(0)=0.005\times200\times50-0.5\times50=25.</math>
猎物当前净增长为零，捕食者却正以每月25只的瞬时速率增加。捕食者一旦超过50，猎物的人均净增长率 <math>0.5-0.01y</math> 就变成负数，于是猎物开始下降。

这里的25是此刻的导数，不能直接断言一个月后捕食者恰好增加25只，因为随后猎物和捕食者都在变。要得到一段时间后的数量，需要把相互影响连续积累起来。

方程也保留了非负性。例如在正解存在期间，第一式可以写成
<math display="block">x(t)=x(0)\exp\left(\int_0^t[a-by(s)]\,ds\right)>0.</math>
第二式有相同形式。若某种群初始为零，相应坐标轴上的解始终为零；模型不包含从零凭空产生该种群的机制。正初值能否长期存在且保持有界，将由后面的守恒量说明。

== 用零增长线读出四种变化方向 ==
平衡要求两个变化率同时为零。原点 <math>(0,0)</math> 是一个平衡；对正种群，必须同时满足 <math>a-by=0</math> 和 <math>dx-c=0</math>，因此共存平衡为
<math display="block">x_*=\frac cd,\qquad y_*=\frac ab.</math>
本例得到 <math>x_*=100,y_*=50</math>。为便于比较，令 <math>u=x/100</math>、<math>v=y/50</math>，即把各自平衡数量当作单位；再令无量纲时间 <math>\tau=0.5t</math>。例如 <math>u=2</math> 表示200只猎物，<math>v=2</math> 表示100只捕食者。

由链式法则 <math>dx/dt=50\,du/d\tau</math>，代入第一式；第二式同理，便得到
<math display="block">\frac{du}{d\tau}=u(1-v),\qquad \frac{dv}{d\tau}=v(u-1),\qquad (u(0),v(0))=(2,1).</math>
以下图中的撇号均指对 <math>\tau</math> 求导。在正象限内，<math>u>0,v>0</math>，所以 <math>u'</math> 的正负只由 <math>1-v</math> 决定，<math>v'</math> 的正负只由 <math>u-1</math> 决定。

水平线 <math>v=1</math> 是猎物的'''零增长线'''，竖直线 <math>u=1</math> 是捕食者的零增长线。站在一条零增长线上，只有对应的一种群瞬时不变；两线交点 <math>(1,1)</math> 才是双方同时不变的状态。坐标轴也是原方程的零增长集合的一部分，下图着重画正象限内的两条线。

[[File:Gezhi-expand-predator-nullclines.svg|frame|center|alt=正象限由u等于一和v等于一分成四区，右下两种群都增长，右上猎物减少捕食者增长，左上都减少，左下猎物增长捕食者减少|箭头表示相图中的变化方向，长度经过统一处理，不代表实际变化速率大小。]]

从右侧的初值 <math>(2,1)</math> 出发，轨迹先向上进入右上区，猎物下降而捕食者增加；越过 <math>u=1</math> 后，捕食者也开始下降；再越过 <math>v=1</math>，猎物转而增加。沿四个区域追踪，得到逆时针转动的趋势。不过，方向图尚未说明它究竟闭合、向内收缩，还是向外展开。

== 沿轨迹保持不变的量 ==
要分清上述三种可能，需要寻找约束轨迹的关系。观察方程，猎物变化含有 <math>1-v</math>，捕食者变化含有 <math>u-1</math>。选择
<math display="block">H(u,v)=u-\log u+v-\log v-2,\qquad u>0,\ v>0,</math>
它的两个偏导数分别是 <math>1-1/u</math> 和 <math>1-1/v</math>，与方程里的 <math>u,v</math> 因子相乘时正好约去分母。利用链式法则逐步计算：
<math display="block">\begin{aligned}
\frac{dH}{d\tau}
&=\left(1-\frac1u\right)u'
+\left(1-\frac1v\right)v'\\
&=(u-1)(1-v)+(v-1)(u-1)\\
&=(u-1)\bigl[(1-v)+(v-1)\bigr]=0.
\end{aligned}</math>
因此 <math>H</math> 沿每一条正轨迹保持常数，称为'''第一积分'''或守恒量。它是模型中某个组合保持不变，并不是两种群总数量不变；事实上 <math>(u+v)'=u-v</math>，一般不等于零。

若想看这个表达式怎样被找到，在 <math>u'\ne0</math> 的一段轨迹上，可以消去时间：
<math display="block">\frac{dv}{du}=\frac{v(u-1)}{u(1-v)}.</math>
分离变量为 <math>(1/v-1)\,dv=(1-1/u)\,du</math>。分别积分，得到 <math>\log v-v=u-\log u+C</math>，整理就是 <math>H</math> 为常数。消去时间时暂时排除了 <math>v=1</math> 上的点，而刚才直接求导的验证在整个正象限都成立，补上了这些点。

初值 <math>(2,1)</math> 确定
<math display="block">H_0=2-\log2+1-0-2=1-\log2\approx0.3068528194.</math>
以后轨迹只能在这条等值线上运动。相同守恒结构也见[https://cmp.phys.ufl.edu/PHZ4710/files/unit5/Lotka-Volterra.html 佛罗里达大学 PHZ4710 课程，Closed orbits and oscillations]；[https://www.math.ucdavis.edu/~hunter/m207a/final_sol_207A.pdf 加州大学戴维斯分校 Math 207A，2014年期末解答第2题]用消去时间的方法分析了这一系统。

== 为什么确实是闭轨道，而不是螺旋 ==
令 <math>\phi(s)=s-\log s-1</math>。有 <math>\phi'(s)=1-1/s</math>：在 <math>0<s<1</math> 上为负，在 <math>s>1</math> 上为正。因此 <math>\phi</math> 在1取得唯一最小值0，而且当 <math>s\to0^+</math> 或 <math>s\to\infty</math> 时都趋向无穷。守恒量正是 <math>H=\phi(u)+\phi(v)</math>。

由此先得到有界性：固定有限的 <math>H_0</math> 时，两个坐标都不能趋向零或无穷，否则某个非负项 <math>\phi</math> 将超过 <math>H_0</math>。轨迹被限制在正象限内部的一个闭有界区域里，既不碰到坐标轴，也不在有限时间发散，所以解能继续延伸。

再看等值线的形状。<math>\phi''(s)=1/s^2>0</math>，因此从 <math>(1,1)</math> 沿任何直线方向向外走，<math>H</math> 从0严格增加，直到趋向无穷。每条射线与 <math>H=H_0>0</math> 恰交一次，组成包围中心的闭合曲线。除中心外，<math>H</math> 的梯度不为零，等值线光滑；向量场也没有其他正平衡点，所以沿这条曲线的速度处处非零。闭合曲线是紧的，速度大小有正的下界，绕行一周所需时间有限，因而轨迹周期性回到出发状态。

[[File:Gezhi-expand-predator-phase.svg|frame|center|alt=三条不同守恒值的闭轨道围绕一一平衡点，外侧主轨道从A二一依次逆时针经过B一二、C零点四零六四一和D一零点四零六四|实线是初值(2,1)的轨道；两条虚线分别从(1.2,1)和(1.5,1)出发。不同初值确定不同的守恒值。]]

这也解释了稳定性的准确含义。共存平衡 <math>(1,1)</math> 是 <math>H</math> 的严格最小点，足够小的守恒值把轨迹限制在足够小的邻域内，因此它是'''稳定'''的。更具体地，围绕中心取一条小圆，其上 <math>H</math> 有正的最小值；若初值的 <math>H</math> 更小，就不可能越过这条圆。

但它'''不是渐近稳定'''的。非平衡初值的 <math>H_0>0</math> 始终不变，若轨迹趋向中心，就应有 <math>H\to0</math>，与守恒矛盾。一次扰动通常会把系统送到另一条闭轨道，而不是使它回到原来的轨道。这里存在一整族闭轨道，也就不是一条孤立并吸引邻近轨迹的极限环。常说的“中性振荡”指的正是这种不向中心衰减的行为。

原点的情况不同。没有捕食者而引入少量猎物时，<math>x'=ax</math> 会让它远离原点；从线性化看，原点的两个特征值为 <math>a</math> 与 <math>-c</math>，在整个平面中是鞍点，在生物学使用的非负区域内也不稳定。

== 同一条轨道上的数量极值与时间 ==
主轨道上的A点为 <math>(2,1)</math>。这里 <math>u'=0</math>，且轨迹从 <math>v<1</math> 一侧进入 <math>v>1</math> 一侧，猎物由增加转为减少，所以A是猎物最大值。捕食者的最大值发生在B点：轨迹从 <math>u>1</math> 进入 <math>u<1</math>，故 <math>v'</math> 从正变负。

在B处 <math>u=1</math>，守恒式化为
<math display="block">v-\log v-1=1-\log2.</math>
其中大于1的解是 <math>v=2</math>，所以B恰为 <math>(1,2)</math>。小于1的另一个解记为 <math>q</math>，满足
<math display="block">q-\log q=2-\log2,\qquad q\approx0.4063757400.</math>
由 <math>\phi</math> 在0到1严格递减、从无穷降到0，可知小根唯一，可以用[[二分法]]求出。例如代入0.4063与0.4065，会把目标值夹在两边，再逐次缩小区间。由于本例的 <math>H</math> 对 <math>u,v</math> 对称，C为 <math>(q,1)</math>，D为 <math>(1,q)</math>。

换回原数量，猎物在约40.638与200之间振荡，捕食者在约20.319与100之间振荡。它们的最大值都等于各自平衡数量的两倍，但并不同时发生；本例这种相同倍数来自特定参数和初值，不是所有捕食模型都具有的关系。

[[File:Gezhi-expand-predator-time.svg|frame|center|alt=同一闭轨道的猎物比例实线和捕食者比例虚线随无量纲时间周期起伏，A为猎物最大值，之后B为捕食者最大值，C为猎物最小值，D为捕食者最小值|相图上的一圈，展开成时间轴上的一周期。纵轴为各自平衡数量的倍数，不能直接把两条线的高度当作原始个体数比较。]]

对该初值进行数值积分，可得以下事件。表中的 <math>\tau</math> 是无量纲时间，实际月份为 <math>t=2\tau</math>。

<div class="math-table-scroll" role="region" aria-label="捕食者猎物主轨道的四个极值及返回时间" tabindex="0">
{| class="wikitable"
! 事件 !! <math>\tau</math>（约） !! <math>(u,v)</math> !! 含义
|-
| A || 0 || <math>(2,1)</math> || 猎物最大，捕食者仍在增加
|-
| B || 1.146456 || <math>(1,2)</math> || 捕食者最大，猎物仍在减少
|-
| C || 2.763557 || <math>(q,1)</math> || 猎物最小，捕食者仍在减少
|-
| D || 4.991381 || <math>(1,q)</math> || 捕食者最小，猎物仍在增加
|-
| 返回A || 6.608483 || <math>(2,1)</math> || 完成一周期
|}
</div>

所以周期约为13.216965个月，捕食者高峰比猎物高峰晚约2.292912个月。四个阶段用时不相等，不能因为相图大致围成一圈，就把它们当作等长的四分之一周期。

在平衡很近的地方，令 <math>u=1+\xi,v=1+\eta</math>。代入得 <math>\xi'=-\eta-\xi\eta</math>、<math>\eta'=\xi+\xi\eta</math>。忽略二次小量 <math>\xi\eta</math> 后，<math>\xi'=-\eta</math>、<math>\eta'=\xi</math>，再求导得到 <math>\xi''=-\xi</math>。这个线性近似的无量纲周期是 <math>2\pi</math>，在本例为约12.566个月。它与幅度较大的主轨道周期13.217个月不同。一般参数的平衡附近小振幅周期为 <math>2\pi/\sqrt{ac}</math>，不能把这个线性化结果当作所有振幅的精确周期；闭轨道的存在由前面的非线性守恒论证保证。

== 数值算法为什么可能画出向外螺旋 ==
最直接的时间推进是显式欧拉法。选无量纲步长 <math>h>0</math>，在同一个旧状态 <math>(u_n,v_n)</math> 上计算两个变化率：
<math display="block">\begin{aligned}
u_{n+1}&=u_n+h\,u_n(1-v_n),\\
v_{n+1}&=v_n+h\,v_n(u_n-1).
\end{aligned}</math>
例如 <math>h=0.1</math>，从 <math>(2,1)</math> 出发，第一步为 <math>(2,1.1)</math>；第二步为
<math display="block">u_2=2+0.1\times2(1-1.1)=1.98,\qquad v_2=1.1+0.1\times1.1(2-1)=1.21.</math>
这里两个更新都使用第一步的旧值。若先算出新的 <math>u</math> 再带入同一步的 <math>v</math>，就已经换了算法。

第一步欧拉值虽然接近真解，却已改变守恒量：
<math display="block">H(2,1.1)-H(2,1)=0.1-\log1.1\approx0.00468982>0.</math>
这种偏离会逐步积累。事实上，令 <math>A=h(1-v_n)</math>、<math>B=h(u_n-1)</math>，则 <math>u_{n+1}=u_n(1+A)</math>、<math>v_{n+1}=v_n(1+B)</math>。在下一步两个坐标仍为正时，直接相减得
<math display="block">\begin{aligned}
H_{n+1}-H_n
&=u_nA+v_nB-\log(1+A)-\log(1+B)\\
&=A+B-\log(1+A)-\log(1+B).
\end{aligned}</math>
第二行用了 <math>u_nA+v_nB=h(u_n-v_n)=A+B</math>。对于 <math>s>-1</math>，<math>\log(1+s)\le s</math>，等号只在 <math>s=0</math> 成立。因此正象限里的每个非平衡欧拉步都会增大 <math>H</math>，把数值状态推向更外侧的等值线。向外螺旋来自算法的误差，不是原连续模型的种群振幅逐渐增大。

[[File:Gezhi-expand-predator-numerics.svg|frame|center|alt=上图比较闭合真轨道与步长零点一欧拉法产生的向外螺旋，下图显示三个步长的守恒量误差随时间增长且较小步长漂移较小|上图积分至无量纲时间20；下图用同一初值比较h为0.1、0.05、0.025。理论守恒量误差应为零。]]

在 <math>\tau=20</math>，这三个步长的 <math>H-H_0</math> 分别约为1.605442、0.467689和0.188184。这里展示的是固定算法在有限区间里的计算结果，减半步长并未使它自动成为保持守恒量的方法。步长更大时，还可能因 <math>1+h(1-v_n)\le0</math> 或 <math>1+h(u_n-1)\le0</math> 而生成零或负数量。

平衡附近还有一个更简短的解释。线性化的欧拉更新为 <math>\xi_{n+1}=\xi_n-h\eta_n</math>、<math>\eta_{n+1}=\eta_n+h\xi_n</math>。平方相加，中间的交叉项抵消，得到
<math display="block">\xi_{n+1}^2+\eta_{n+1}^2=(1+h^2)(\xi_n^2+\eta_n^2).</math>
任何正步长都令这个线性近似的振幅逐步放大。它与“步长趋于零时，在固定有限时间内可以收敛到真解”并不矛盾：固定步长看无限长时间，与固定时间缩小步长，是不同的极限。相应数值稳定性分析见[https://tobydriscoll.net/fnc-julia/diffusion/absstab-diffusion.html Driscoll 与 Braun，§11.3，例11.3.7]。

本文用于主轨道和时间图的参考计算采用高阶自适应积分，并另用固定小步长四阶Runge–Kutta法对照。检查包括减小步长、守恒量偏差和返回时间的一致性。守恒值接近只能说明轨道层面误差较小，仍需检查沿轨道的时间位置；一个计算点可以落在正确等值线上，却提前或滞后到达。

== 参数改变与真实生态系统 ==
前面的归一化不限于这组参数。对任意 <math>a,b,c,d>0</math>，取 <math>u=x/(c/d)</math>、<math>v=y/(a/b)</math>、<math>\tau=at</math>，得到
<math display="block">u'=u(1-v),\qquad v'=\rho v(u-1),\qquad \rho=\frac ca>0.</math>
此时守恒量变为 <math>H_\rho=\rho\phi(u)+\phi(v)</math>。求导后仍有
<math display="block">H_\rho'=\rho(u-1)(1-v)+\rho(v-1)(u-1)=0.</math>
两个权重都正，所以前面的正性、有界性和闭轨道论证仍成立；轨道形状、不同阶段的用时则会随参数比和初值改变。

若观测中出现振幅衰减、长期漂移或灭绝，就需要检查模型假设。猎物的资源约束可以通过[[洛吉斯蒂模型]]中的 <math>ax(1-x/K)</math> 引入；捕食饱和、季节变化、年龄结构和随机个体事件也会改变方程。添加这些机制后，原有守恒量通常不再守恒，因而不应把经典模型的闭轨道结论直接套用。

经典方程的正解不会在有限时间到达零，却不代表很小的真实种群能够避免随机灭绝。拟合到两条起伏曲线，也不足以证明起伏只由捕食关系造成：食物、气候、迁移和观测方式都可能影响数据。相图首先帮助解释给定方程的机制，生态解释还需要独立观测与参数检验。

== 历史与进一步阅读 ==
阿尔弗雷德·洛特卡在1920年的论文《Analytical Note on Certain Rhythmic Relations in Organic Systems》中研究了生物系统的持续振荡，并在1925年《Elements of Physical Biology》中扩展相关分析。维托·沃尔泰拉独立研究了捕食关系，于1926年发表《Fluctuations in the Abundance of a Species Considered Mathematically》。这些具体发表脉络可见[https://pmc.ncbi.nlm.nih.gov/articles/PMC4534218/ 科学史学者 Sharon Kingsland 在 PNAS 发表的研究回顾]及[https://jxshix.people.wm.edu/2009-harbin-course/classic/Lotka-1920-PNAS.pdf 洛特卡1920年论文原文]。

* Jeffrey R. Chasnov：[https://www.math.hkust.edu.hk/~machas/mathematical-biology.pdf Mathematical Biology]，§1.4，模型建立、平衡和无量纲化。
* BingKan Xue：[https://cmp.phys.ufl.edu/PHZ4710/files/unit5/Lotka-Volterra.html PHZ4710: Lotka-Volterra System]，Closed orbits and oscillations、Limit Cycle两节，守恒量与修改模型后的差别。
* John K. Hunter：[https://www.math.ucdavis.edu/~hunter/m207a/final_sol_207A.pdf Math 207A, Fall 2014, Final Solutions]，第2题，印刷页2–3，相轨道的隐式方程。
* Toby A. Driscoll、Richard J. Braun：[https://tobydriscoll.net/fnc-julia/diffusion/absstab-diffusion.html Fundamentals of Numerical Computation，§11.3]，振荡系统的欧拉法稳定性。
* Alfred J. Lotka：上引1920年原文，''PNAS'' 6(7):410–415，DOI：10.1073/pnas.6.7.410。
* Sharon Kingsland：[https://pmc.ncbi.nlm.nih.gov/articles/PMC4534218/ Alfred J. Lotka and the origins of theoretical population ecology]，''PNAS'' 112(31):9493–9495（2015），DOI：10.1073/pnas.1512317112。

[[分类:微分方程与动力系统]]
[[分类:应用与建模]]

差分方程模型

2026-09-20T02:04:44Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''差分方程模型'''（difference equation model）用离散时刻之间的更新关系描述变化。它的解是一串状态 <math>x_0,x_1,x_2,\ldots</math>：已知起始状态和每一步的规则，就可以逐步计算以后会怎样。月份、生产批次、繁殖季都可以成为步数；状态本身仍可以是实数，并不因为时间离散就必须取整数。

== 每月留下八成，再补入二十升 ==
考虑一个教学用调蓄水箱。每个月先放出当前水量的20%，再补入20 L水，随后记录一次水量。假定放水比例与补入量固定，没有其他进出水，水箱容量足够。以下参数和数据都是按这一假设构造的，未取自实际水箱的测量。

令 <math>x_n</math> 表示第 <math>n</math> 次记录的水量，单位为L；<math>n</math> 是从0开始的整数，每增加1代表经过一个月。初始记录为 <math>x_0=20</math>。下一次先剩下 <math>0.8x_n</math>，再加20，故
<math display="block">x_{n+1}=0.8x_n+20,\qquad x_0=20.</math>
这里的0.8是无量纲保留比例，20是每一步补入的水量。前几步可直接手算：
<math display="block">\begin{aligned}
x_1&=0.8\times20+20=36,\\
x_2&=0.8\times36+20=48.8,\\
x_3&=0.8\times48.8+20=59.04.
\end{aligned}</math>
增加量依次是16、12.8、10.24 L，逐次变小。虽然每月都补水，也不意味着水量无界增加，因为原有水量越大，同一比例放出的水也越多。

先放水后补水的顺序已经写入方程。若改成先补20 L再放出总水量的20%，规则就变为 <math>x_{n+1}=0.8(x_n+20)=0.8x_n+16</math>。括号的位置对应不同的操作，不能省略为同一个模型。

== 下一步不变的水量，以及怎样得到全部状态 ==
如果水量已经达到某个值 <math>x_*</math>，下个月仍然等于它，那么
<math display="block">x_*=0.8x_*+20.</math>
把 <math>0.8x_*</math> 移到左边得到 <math>0.2x_*=20</math>，所以 <math>x_*=100</math> L。这是'''平衡点'''，也称更新[[函数]]的不动点：在100 L时，每月恰好放出20 L，又补入20 L。

仅仅求得平衡点，还没有证明从20 L出发会趋向它。为追踪差距，把原递推减去平衡关系：
<math display="block">x_{n+1}-100=0.8x_n+20-100=0.8(x_n-100).</math>
令 <math>e_n=x_n-100</math> 表示带正负号的偏差，则 <math>e_{n+1}=0.8e_n</math>。连续应用这一等式，得到 <math>e_1=0.8e_0</math>、<math>e_2=0.8^2e_0</math>，一般地
<math display="block">e_n=0.8^n e_0,\qquad x_n=100+(x_0-100)0.8^n.</math>
代入 <math>x_0=20</math>，得到
<math display="block">x_n=100-80(0.8)^n.</math>
这个公式满足初值；把它代入更新式，右边变成 <math>100-80(0.8)^{n+1}</math>，也正是下一项。因此它给出了整条解，而不只是前几个月的拟合曲线。

由于 <math>0.8^n>0</math> 并趋向0，本例水量始终低于100 L，且单调增加。若把初值换成160 L，公式则为 <math>x_n=100+60(0.8)^n</math>，水量会从上方单调减少。下图的两串点分别描绘这两种情况；连线只帮助追踪相邻记录，不规定两次记录之间的实际水流过程。

[[File:Gezhi-expand-difference-time.svg|frame|center|alt=从二十升和一百六十升出发的两组每月水量点，分别从下方和上方接近一百升平衡线|同一更新规则可以产生不同的解；两条解到100 L的偏差都每步缩小为原来的八成。]]

假如希望水量与100 L相差不超过1 L，需要多少步？条件是
<math display="block">80(0.8)^n\le1.</math>
两边取自然对数，得到 <math>n\log0.8\le-\log80</math>。由于 <math>\log0.8<0</math>，除以它时不等号反向，故
<math display="block">n\ge\frac{\log(1/80)}{\log0.8}\approx19.638.</math>
步数取整数，所以最少20步。复核边界：第19步仍差约1.1529 L，第20步差约0.9223 L。从20 L出发不会在任何有限步恰好达到100 L；“达到平衡”若指实际操作，通常要明确容许误差。

== 蛛网图为什么要来回走 ==
递推 <math>x_{n+1}=F(x_n)</math> 可以画在同一坐标平面里。横轴表示当前值，纵轴表示更新后的值。画出 <math>y=F(x)=0.8x+20</math>，另画辅助直线 <math>y=x</math>。

从横轴的20开始，竖直走到更新函数，得到点 <math>(20,36)</math>。这一步读出了下一项36。要继续用36作为横坐标，就水平走到 <math>y=x</math> 上的 <math>(36,36)</math>；再竖直走到 <math>(36,48.8)</math>，便得到下一个更新结果。以后重复“竖直到函数、水平到对角线”，就是'''蛛网图'''的构造。

[[File:Gezhi-expand-difference-cobweb.svg|frame|center|alt=直线y等于零点八x加二十与对角线y等于x相交于一百一百，从二十开始的阶梯反复竖直到更新直线再水平到对角线|阶梯的两个方向分别完成“算出下一项”和“把下一项搬到横轴”。两条直线的交点就是平衡点。]]

在100以下，更新直线位于对角线上方，所以下一项比当前项大；在100以上则相反。但这种上下关系本身不足以保证没有超调。本例的确不会越过100，是因为 <math>x_{n+1}-100=0.8(x_n-100)</math> 保留了偏差的符号。图上看见的阶梯收缩，正对应已经证明的八成缩小关系。

== 一阶仿射递推的通式与稳定性 ==
把保留比例与补入量写成一般常数，得到
<math display="block">x_{n+1}=ax_n+b.</math>
它通常称为一阶线性非齐次差分方程；从更新函数的角度看，<math>ax+b</math> 是仿射函数。“一阶”表示下一步只需当前状态；如果规则还依赖 <math>x_{n-1}</math>，就需要保存更多历史状态。显式的二阶规则例如 <math>x_{n+2}=x_{n+1}+x_n</math>，需要给定两个起始值。取 <math>x_0=0,x_1=1</math>，才能依次确定后面的1、2、3、5等项。斐波那契在1202年提出的兔子繁殖问题就形成这种二阶递推结构，具体假设与按月计数见[https://www.math.hkust.edu.hk/~machas/mathematical-biology.pdf Chasnov，《Mathematical Biology》§2.1，印刷页15]。

当 <math>a\ne1</math> 时，平衡点是 <math>x_*=b/(1-a)</math>。同样相减，可得
<math display="block">x_n=x_*+a^n(x_0-x_*).
</math>
也可以逐次展开：初始水量留下 <math>a^nx_0</math>，每一步补入的量经历不同次数的保留，因此
<math display="block">x_n=a^nx_0+b(1+a+\cdots+a^{n-1})=a^nx_0+b\frac{1-a^n}{1-a}.</math>
两种形式相同：一种突出距平衡多远，另一种突出初始量和历次输入分别贡献了多少。[https://mids.ku.de/oliver/teaching/iub/fall2006/cps101/handouts/difference-equations.pdf Marcel Oliver 的讲义《Difference Equations》§2]给出了含变系数情形的一般递推解法。

称平衡点'''稳定'''，是指初值足够接近它时，以后始终保持接近；在此基础上，附近轨迹还趋于它，则称'''渐近稳定'''。对于上面的仿射递推，这些性质直接由 <math>|a^n(x_0-x_*)|</math> 决定。

<div class="math-table-scroll" role="region" aria-label="一阶仿射递推的参数与稳定性" tabindex="0">
{| class="wikitable"
! 参数 !! 偏差的变化 !! 平衡点性质
|-
| <math>0<a<1</math> || 同号、逐步缩小 || 渐近稳定，单侧趋近
|-
| <math>a=0</math> || 一步后偏差为零 || 一步到达平衡
|-
| <math>-1<a<0</math> || 正负交替，绝对值缩小 || 渐近稳定，交替趋近
|-
| <math>a=-1</math> || 正负交替，绝对值不变 || 稳定但不渐近稳定，非平衡解为二周期
|-
| <math>|a|>1</math> || 非零偏差的绝对值增大 || 不稳定
|}
</div>

例如 <math>x_{n+1}=160-0.6x_n</math> 的平衡点仍是100。取 <math>x_0=120</math>，有 <math>x_1=88</math>、<math>x_2=107.2</math>、<math>x_3=95.68</math>；偏差20、−12、7.2、−4.32逐次换号缩小。这可以表示围绕目标的过度调节，却不再是“留下负六成水量”的物理保留过程。数学参数允许什么，与具体机制允许什么，要分别检查。

此前除以了 <math>1-a</math>，所以还须处理 <math>a=1</math>。此时 <math>x_n=x_0+nb</math>：若 <math>b\ne0</math> 就没有平衡点；若 <math>b=0</math> 则每个状态都是平衡点，邻近的初值各自停在原处，并不互相靠拢。

== 非线性更新怎样在平衡附近判断 ==
对较一般的 <math>x_{n+1}=F(x_n)</math>，先解 <math>F(x_*)=x_*</math>。若 <math>F</math> 在平衡附近连续可微，且 <math>|F'(x_*)|<1</math>，可以选取一个小邻域及常数 <math>q<1</math>，使邻域里处处有 <math>|F'(x)|\le q</math>。利用中值定理，
<math display="block">|F(x)-F(x_*)|\le q|x-x_*|.</math>
只要初值在这个邻域里，下一项离平衡更近，仍留在邻域；逐步应用得到 <math>|x_n-x_*|\le q^n|x_0-x_*|\to0</math>。这既证明稳定，也证明吸引性。

若 <math>|F'(x_*)|>1</math>，可在小邻域内取得下界 <math>|F'(x)|\ge q>1</math>，同一中值定理使每一步非零偏差至少放大 <math>q</math> 倍，直到离开该邻域，因此不稳定。若导数绝对值恰好为1，这一检验不作结论。例如 <math>F(x)=x-x^3</math> 在0附近会把小偏差缩小，<math>F(x)=x+x^3</math> 则放大，两者在0的导数却都是1。详细条件与证明见[https://mids.ku.de/oliver/teaching/iub/fall2006/cps101/handouts/difference-equations.pdf Oliver，§3，定理3]。

== 离散模型、连续采样与欧拉近似 ==
水箱的逐月操作本来就定义了离散过程。若另设持续进水和持续排水，则可以建立[[微分方程]]
<math display="block">\frac{dx}{dt}=q-\kappa x,\qquad q>0,\quad\kappa>0.</math>
这里 <math>t</math> 以月计，<math>q</math> 是L/月，<math>\kappa</math> 是每月的连续排出率。平衡水量为 <math>x_*=q/\kappa</math>，其精确解为 <math>x(t)=x_*+(x(0)-x_*)e^{-\kappa t}</math>。每隔 <math>h</math> 个月记录一次，精确记录满足
<math display="block">x_{n+1}=e^{-\kappa h}x_n+x_*(1-e^{-\kappa h}).</math>
这不是近似，是连续方程在离散时刻的精确采样关系。

另一种做法，是把一段时间内的变化率近似冻结在该段起点，即'''显式欧拉法'''：
<math display="block">x_{n+1}=x_n+h(q-\kappa x_n)=(1-\kappa h)x_n+qh.</math>
它用 <math>1-\kappa h</math> 近似 <math>e^{-\kappa h}</math>。由指数展开 <math>e^{-z}=1-z+z^2/2+\cdots</math>，可见只保留到一次项时漏掉了从二次开始的项。这里控制近似程度的是无量纲步长 <math>z=\kappa h</math>，而不只是步长数字看上去是否小。

例如取 <math>q=20</math> L/月、<math>\kappa=0.2</math> 每月、<math>h=1</math> 月，欧拉法恰好给出开头的 <math>0.8x_n+20</math>；但连续方程的精确采样是 <math>0.818731x_n+18.126925</math>。从20 L出发，一个月后的连续精确值约为34.5015 L，欧拉值为36 L。两个模型的平衡都是100 L，过程仍有差别。

若坚持让连续方程的月度精确采样与原递推完全相同，应取 <math>\kappa=-\log0.8\approx0.223144</math> 每月，并令 <math>q=100\kappa\approx22.314355</math> L/月。它们是由月度保留关系反推的连续参数，不能把“每月排出20%”直接当作连续率0.2而又声称精确相同。

== 步长怎样制造振荡甚至发散 ==
连续误差满足 <math>e'=-\kappa e</math>，始终同号并逐渐消失。欧拉误差却满足
<math display="block">e_{n+1}=(1-\kappa h)e_n.</math>
因此渐近稳定要求 <math>|1-\kappa h|<1</math>，也就是 <math>0<\kappa h<2</math>。在 <math>1<\kappa h<2</math> 时，它虽能衰减，却会交替越过平衡；在 <math>\kappa h=2</math> 时偏差不衰减；大于2时偏差被放大。若还要求对所有非负初值都保持非负更新，一个充分条件是 <math>0\le\kappa h\le1</math>，使保留系数和输入项都非负。这比只要求渐近稳定更强。

下图取非平衡初值 <math>e_0\ne0</math>，把偏差除以初始偏差，令 <math>E=e/e_0</math>，再以 <math>\tau=\kappa t</math> 作为横轴。图中用 <math>\delta=\kappa h</math> 标记无量纲步长。连续曲线都是 <math>E=e^{-\tau}</math>。三种欧拉步长的乘数分别为0.5、−0.5、−1.2，因而依次出现同侧衰减、交替衰减和交替放大。变化的是算法步长，同一连续方程并未发生新的振荡机制。

[[File:Gezhi-expand-difference-euler.svg|frame|center|alt=三幅误差图比较连续指数衰减曲线与欧拉点列，无量纲步长零点五时同侧衰减，一点五时交替衰减，二点二时交替发散|精确采样乘数始终为正的指数；欧拉乘数可以变成负数，甚至绝对值超过一。折线仅连接计算点。]]

这类稳定性来自每一步误差的放大因子，见[https://tobydriscoll.net/fnc-julia/diffusion/absstab-diffusion.html Driscoll 与 Braun，《Fundamentals of Numerical Computation》§11.3]。判据通过也不保证当前步长已足够准确，还需比较更小步长、精确解或独立误差估计。

== 输入不精确时，结论能维持到什么程度 ==
假设仍保留八成，但每月实际补入量比20 L多或少 <math>\eta_n</math>，且 <math>|\eta_n|\le\varepsilon</math>。用 <math>d_n</math> 表示这条受扰轨迹与原轨迹之差，则
<math display="block">d_{n+1}=0.8d_n+\eta_n.</math>
展开后有
<math display="block">d_n=(0.8)^nd_0+\sum_{j=0}^{n-1}(0.8)^{n-1-j}\eta_j.</math>
每一项的意义是：早期输入误差已经经历多次衰减，最新误差还没有衰减。取绝对值并把有限等比和相加，得到
<math display="block">|d_n|\le(0.8)^n|d_0|+5\varepsilon\bigl(1-(0.8)^n\bigr).</math>
从同一初值出发，若每次输入误差不超过0.1 L，长期轨迹差就不超过0.5 L。若每次都多补0.1 L，新的平衡正是 <math>20.1/0.2=100.5</math> L，说明这个上界可以逼近。它也适用于同样形式的逐步计算误差，但实际水箱的保留比例变化、容量溢流等机制需要另建方程，不能一概归入固定的输入误差。

== 相关条目与参考资料 ==
从离散更新转向瞬时变化率，可继续阅读[[微分方程]]、[[一阶线性微分方程]]；状态依赖的增长可见[[洛吉斯蒂模型]]；多状态相互影响可见[[捕食者-猎物模型]]。模型单位的核对见[[量纲分析]]。

* Marcel Oliver：[https://mids.ku.de/oliver/teaching/iub/fall2006/cps101/handouts/difference-equations.pdf Difference Equations]，§§1–3，显式差分方程、仿射解、蛛网图与局部稳定性。
* Jeffrey R. Chasnov：[https://www.math.hkust.edu.hk/~machas/mathematical-biology.pdf Mathematical Biology]，§2.1，斐波那契兔子问题及二阶递推。
* Toby A. Driscoll、Richard J. Braun：[https://tobydriscoll.net/fnc-julia/diffusion/absstab-diffusion.html Fundamentals of Numerical Computation，§11.3 Absolute stability]，时间步长、放大因子与绝对稳定性。

[[分类:微分方程与动力系统]]
[[分类:应用与建模]]

抽屉原理

2026-09-20T02:04:39Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''抽屉原理'''（pigeonhole principle）说明：把比抽屉数更多的物品分别放进抽屉，至少有一个抽屉含有两件或更多物品。这里“抽屉”可以是实际的容器，也可以是一种分类，例如整数的余数、人的出生月份，或记录所处的某个状态。它把一个关于总数的事实，转化成“某一类中必有重复”的结论。

考虑把 11 件物品放入 4 个箱子，每件物品恰好放在一个箱子里。至少有一个箱子含有 3 件物品：如果每箱至多 2 件，四箱总共至多有 8 件，放不下全部 11 件。这一结论与摆放顺序、箱子外观、随机与否都无关。

== 从物品总数得到一个必然结论 ==

用 <math>n_1,n_2,n_3,n_4</math> 表示四个箱子中的物品数。它们都是非负整数，并且

<math display="block">n_1+n_2+n_3+n_4=11.</math>

若四个数全都不超过 2，左边便不超过 <math>4\times2=8</math>，与等式矛盾。这就是证明中的关键：先假设我们想保证的情况完全没有发生，再计算所有箱子最多能容纳多少物品。

下图给出一种实际分配 <math>(3,3,3,2)</math>。它不仅满足“某箱至少有 3 件”，还说明仅凭 11 件、4 箱这两个信息，不能保证某箱有 4 件，因为图中就没有这样的箱子。

[[File:Gezhi-expand-pigeonhole-boxes.svg|frame|center|alt=十一件物品分到四个箱子，数量依次为三、三、三、二；至少三件可以保证，至少四件不能保证。|尽量均匀地摆放，可以看见整数下界为什么恰好是 3。图是一种达到下界的分配，前面的总数论证覆盖所有分配。]]

最基本的形式是：若 <math>N> m</math>，把 <math>N</math> 件物品分到 <math>m</math> 个箱子，每件恰入一箱，则某箱至少有两件。证明只需把刚才的“每箱至多 2 件”换成“每箱至多 1 件”。箱子允许空着；若有空箱，其余箱子更难避免重复。[https://ocw.mit.edu/courses/18-310-principles-of-discrete-applied-mathematics-fall-2013/ce68ab24d3cac4f2d808ced2705e6375_MIT18_310F13_Ch2.pdf MIT：Pigeonhole Principle]

== 广义形式为什么要向上取整 ==

设 <math>N,m</math> 都是正整数。把 <math>N</math> 件物品分入 <math>m</math> 个箱子，至少有一个箱子的物品数达到

<math display="block">\left\lceil\frac Nm\right\rceil.</math>

符号 <math>\lceil x\rceil</math> 表示'''不小于 <math>x</math> 的最小整数'''，叫作向上取整。例如 <math>\lceil11/4\rceil=3</math>，而 <math>\lceil12/4\rceil=3</math>，整数本来已满足要求，不再增加一。

平均每箱有 <math>N/m</math> 件，至少一箱不能低于这个平均数；箱中物品数又必须是整数，所以最低保证值要向上取整。可以把这段理由写成严格的反证。令 <math>r=\lceil N/m\rceil</math>，假设每箱都不足 <math>r</math> 件，则每箱至多 <math>r-1</math> 件。然而

<math display="block">r-1< \frac Nm,\qquad m(r-1)< N.</math>

于是所有箱子合起来至多 <math>m(r-1)</math> 件，小于已知总数 <math>N</math>，矛盾。因此某箱至少有 <math>r</math> 件。

这个下界在一般情况下不能再提高。把整数除法写成

<math display="block">N=qm+s,\qquad 0\le s< m.</math>

先给每箱放 <math>q</math> 件，再给其中 <math>s</math> 个箱子各加一件。如果 <math>s=0</math>，最大箱数为 <math>q=N/m</math>；如果 <math>s> 0</math>，最大箱数为 <math>q+1=\lceil N/m\rceil</math>。这就构造出恰好达到保证值的分配。

反过来，给定正整数 <math>r</math>，若要'''无论如何分配，都保证有一箱至少 <math>r</math> 件'''，所需的最少物品数是

<math display="block">m(r-1)+1.</math>

因为 <math>m(r-1)</math> 件仍可每箱恰放 <math>r-1</math> 件，再多一件就无法维持这个上限。例如 4 箱要保证有一箱至少 4 件，需要 13 件；12 件还可以分成 <math>(3,3,3,3)</math>。

== 抽屉可以是一种函数分类 ==

实际运用时，最有用的一步通常是选好分类规则。设有限[[集合]] <math>A</math> 是物品，有限集合 <math>B</math> 是可用标签，给每件物品指定一个标签就是[[函数]] <math>f:A\to B</math>。标签相同的物品放进同一个“抽屉”。

当 <math>|A|> |B|</math> 时，<math>f</math> 不可能是单射：必有两个不同物品 <math>a_1,a_2</math> 满足 <math>f(a_1)=f(a_2)</math>。否则每个标签至多接收一件物品，全部标签也只能容纳 <math>|B|</math> 件。

这种说法交代了模型的两个条件：每件物品都获得标签，而且每件只获得一个标签。如果分类有重叠，应先规定重叠对象归入哪一类；如果有对象不属于任何一类，原来的抽屉计数就漏掉了物品。分类可以很巧妙，但分配规则必须明确。

例如，从整数里任取五个不同的数，按除以 4 的余数分类。整数除法保证余数恰是 <math>0,1,2,3</math> 中的一个，所以只有四个抽屉。五个整数中至少两个余数相同；若它们写成 <math>4u+r</math> 与 <math>4v+r</math>，相减便得到 <math>4(u-v)</math>。因此至少两个数的差能被 4 整除。

在具体一组数 <math>2,5,8,11,14</math> 中，余数分别为 <math>2,1,0,3,2</math>。下图的余数 2 类同时收到了 2 和 14；它们的差为 <math>14-2=12</math>。没有必要让原来的整数大小接近，真正重要的是它们落入同一个余数类。

[[File:Gezhi-expand-pigeonhole-residues.svg|frame|center|alt=整数二、五、八、十一、十四按模四余数进入四个箱子，余数二的箱子同时含二和十四，两数差十二能被四整除。|用余数作抽屉，把“两个数之差可整除”的目标变成“两个标签相同”。]]

一般地，任取 <math>m+1</math> 个整数，都有两个差能被正整数 <math>m</math> 整除。这正是[[同余]]关系为抽屉原理提供分类的一个例子。

== 把连续一段的和变成两个前缀的差 ==

下面的问题看起来不再是“两个数同类”：给定正整数 <math>n</math> 和任意 <math>n</math> 个整数 <math>a_1,\ldots,a_n</math>，能否找到'''连续的一段，长度至少为一'''，使这段的和能被 <math>n</math> 整除？答案是一定可以。

先看五个数 <math>2,4,1,3,2</math>。把从开头起的和依次记下来，并加上一个尚未取任何数时的和 <math>S_0=0</math>：

<div class="math-table-scroll" role="region" aria-label="五个整数的前缀和与模五余数" tabindex="0">
{| class="wikitable"
! 已取项数 <math>j</math> !! 0 !! 1 !! 2 !! 3 !! 4 !! 5
|-
! 前缀和 <math>S_j</math>
| 0 || 2 || 6 || 7 || 10 || 12
|-
! 除以 5 的余数
| 0 || 2 || 1 || 2 || 0 || 2
|}
</div>

前缀和 <math>S_1=2</math> 和 <math>S_3=7</math> 余数相同。把它们相减，第一项被消掉，只剩第 2 至第 3 项：

<math display="block">S_3-S_1=(a_1+a_2+a_3)-a_1=a_2+a_3=4+1=5.</math>

下图突出标出这两个前缀边界。被截出的连续一段位于两个边界之间，而不是任意选出的几个数。

[[File:Gezhi-expand-pigeonhole-prefix.svg|frame|center|alt=序列二四一三二的六个前缀和为零二六七十十二，前缀一和前三项的余数同为二，相减截出连续段四加一等于五。|物品是六个前缀和，抽屉是五种余数；先找到重复余数，再用相减找回连续的一段。]]

一般证明沿着同样的步骤。定义

<math display="block">S_0=0,\qquad S_j=a_1+\cdots+a_j\quad(1\le j\le n).</math>

共有 <math>n+1</math> 个前缀和，却只有 <math>n</math> 种模 <math>n</math> 的余数。由抽屉原理，存在两个不同下标 <math>0\le i< j\le n</math>，使 <math>S_i\equiv S_j\pmod n</math>。因此

<math display="block">S_j-S_i=a_{i+1}+\cdots+a_j\equiv0\pmod n.</math>

因为 <math>i< j</math>，这段确实非空。整数可以为负数，也可以为零，证明仍成立；余数按 <math>0,\ldots,n-1</math> 的通常约定取值。引入 <math>S_0</math> 很有用：若某个前缀和本身能被 <math>n</math> 整除，它就与 <math>S_0</math> 归入同一类，不必另分一种情况。

证明也给出了寻找方法：从左到右计算前缀余数，记录每个余数第一次出现的位置。再次遇到相同余数时，用这两个位置截取原序列。这比逐一检查所有连续片段更直接。

== 结论的边界 ==

抽屉原理保证的是'''至少存在一个'''符合要求的抽屉，不是每个抽屉都如此，也不指定哪一个。11 件物品可以全部放入同一箱，其余三箱为空；这仍满足“有一箱至少三件”。

“物品比箱子多”的严格不等式也不能随便改成等号。四件物品分四箱时，可以各放一件，从而完全没有重复。类似地，保证至少 <math>r</math> 件的门槛是 <math>m(r-1)+1</math>，少一件就存在平均分配的反例。

有限性在这里有实质作用。无限多个对象分入'''有限'''个箱子时，至少一箱含有无限多个对象：若每箱都有限，有限个有限集合的并仍有限。但若箱子也有无限多个，重复不再必然出现，例如把第 <math>k</math> 个对象放入第 <math>k</math> 个箱子，每箱仍只有一个。

这一原理也不能单凭总数给出概率。“一定有重复”是对所有分配的结论；“某个指定箱子重复的可能性有多大”还需要随机机制，属于[[概率]]问题。

== 历史与参考资料 ==

抽屉原理也常称'''狄利克雷抽屉原理'''。它与数论中按有限类别寻找重复的证明方法关系密切。由戴德金整理、1863 年初版的狄利克雷《数论讲义》中，相关论证被用于 Pell 方程问题；当时的论证并没有固定使用今天的名称。MacTutor 的术语史还记录了 1941 年 Raphael M. Robinson 论文中的英语 “pigeonhole principle” 用法，说明“抽屉”和“鸽巢”是同一计数思想的不同比喻。[https://mathshistory.st-andrews.ac.uk/Miller/mathword/p/ 圣安德鲁斯大学 MacTutor：Pigeonhole Principle 术语史]

* Michel Goemans，[https://ocw.mit.edu/courses/18-310-principles-of-discrete-applied-mathematics-fall-2013/ce68ab24d3cac4f2d808ced2705e6375_MIT18_310F13_Ch2.pdf Pigeonhole Principle]，MIT 18.310，2013。基本形式、广义形式与把对象归类的证明方法。
* [https://openlearninglibrary.mit.edu/assets/courseware/v1/00939fe1b75d6c40db7444af2099558f/asset-v1%3AOCW%2B6.042J%2B2T2019%2Btype%40asset%2Bblock/MIT6_042JS16_ThePigeonhol.pdf Mathematics for Computer Science：The Pigeonhole Principle]，MIT Open Learning Library。以向上取整表示广义下界。
* Jeff Miller 等，[https://mathshistory.st-andrews.ac.uk/Miller/mathword/p/ Earliest Known Uses of Some of the Words of Mathematics，P]，MacTutor。Pigeonhole Principle 条目的文献与命名记录。

[[分类:离散数学]]

海伦公式

2026-09-20T02:04:35Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''海伦公式'''（Heron's formula）由三角形的三条边直接计算面积。如果边长为 <math>a,b,c</math>，半周长为 <math>s=(a+b+c)/2</math>，则面积
<math display="block">\Delta=\sqrt{s(s-a)(s-b)(s-c)}.</math>
它不需要预先知道高或角度，但边长必须能够组成三角形。公式里的四个因子为什么会出现，可以从[[余弦定理]]和底乘高的面积公式一步步推出。

== 三边十三、十四、十五，面积是多少 ==
设三角形 <math>ABC</math> 的边长为
<math display="block">a=BC=13,\qquad b=CA=14,\qquad c=AB=15.</math>
每个小写字母表示对应大写顶点的对边。长度使用同一单位，面积则使用该单位的平方。

先检查三边能否合拢成三角形。三条边都是正数，且最长边十五小于另外两边之和二十七，所以满足严格三角形不等式。半周长为
<math display="block">s=\frac{13+14+15}{2}=21.</math>
四个因子依次是 <math>21,8,7,6</math>，因此
<math display="block">\Delta=\sqrt{21\cdot8\cdot7\cdot6}=\sqrt{7056}=84.</math>
答案是八十四平方单位；根号内是四个长度的乘积，量纲为长度的四次方，开平方后正好是面积。

可以用高独立检查一次。从 <math>C</math> 向 <math>AB</math> 作垂线，垂足为 <math>D</math>。两个直角三角形满足
<math display="block">AD^2+CD^2=14^2,\qquad(15-AD)^2+CD^2=13^2.</math>
相减消去高，得到 <math>225-30AD=-27</math>，所以
<math display="block">AD=\frac{42}{5},\qquad CD=\sqrt{14^2-\left(\frac{42}{5}\right)^2}=\frac{56}{5}.</math>
于是底乘高再除以二为
<math display="block">\Delta=\frac12\cdot15\cdot\frac{56}{5}=84.</math>

[[File:Gezhi-expand-heron-height.svg|frame|center|alt=边长十三十四十五的三角形，以十五为底，高为五十六除五，垂足将底分成四十二除五与三十三除五，面积为八十四|海伦公式与底乘高得到同一面积；高可以由三边求出，只是不必每次另算。]]

这也解释了三边为何足够：在欧氏平面中，三边确定三角形的形状与大小，镜像放置不会改变面积。四边形没有同样的结论：四条单位长度的边既能组成面积一的正方形，也能组成内角三十度、面积二分之一的菱形。只知道边数相应的长度，不一定足以确定面积。

== 从夹角面积到只含三边的表达式 ==
现在暂时回到一般三角形。约定 <math>A</math> 为边 <math>b,c</math> 的内夹角，面积为 <math>\Delta</math>。以 <math>c</math> 作底时，高为 <math>b\sin A</math>，所以
<math display="block">\Delta=\frac12bc\sin A.</math>
非退化三角形有 <math>0<A<\pi</math>，正弦为正。即使角 <math>A</math> 为钝角，高落在底边延长线上，<math>b\sin A</math> 仍是正的垂直高度；这里没有要求三角形为锐角。

由余弦定理，
<math display="block">\cos A=\frac{b^2+c^2-a^2}{2bc}.</math>
我们希望消去角度，因而先将面积平方，再使用 <math>\sin^2A=1-\cos^2A</math>：
<math display="block">4\Delta^2=b^2c^2\sin^2A=b^2c^2(1-\cos^2A).</math>
把余弦的边长表达式代入，得到
<math display="block">4\Delta^2=b^2c^2-\frac{(b^2+c^2-a^2)^2}{4}.</math>
两边乘四，便只剩边长：
<math display="block">16\Delta^2=4b^2c^2-(b^2+c^2-a^2)^2.</math>
右侧已经能计算面积，但三个边长的地位还不明显。接下来的因式分解会显出它的对称性。

=== 两次平方差，得到四个长度因子 ===
把 <math>4b^2c^2</math> 看作 <math>(2bc)^2</math>。第一次使用平方差公式：
<math display="block">16\Delta^2=[2bc-(b^2+c^2-a^2)]\,[2bc+(b^2+c^2-a^2)].</math>
第一个括号中，<math>2bc-b^2-c^2=-(b-c)^2</math>；第二个括号中，<math>2bc+b^2+c^2=(b+c)^2</math>。所以
<math display="block">16\Delta^2=[a^2-(b-c)^2]\,[(b+c)^2-a^2].</math>
再对两个括号各用一次平方差：
<math display="block">16\Delta^2=(a-b+c)(a+b-c)(b+c-a)(a+b+c).</math>
现在令 <math>s=(a+b+c)/2</math>。逐个对应，
<math display="block">a+b+c=2s,\qquad b+c-a=2(s-a),</math>
<math display="block">a-b+c=2(s-b),\qquad a+b-c=2(s-c).</math>
四个二相乘产生十六，与等号左边的十六相消，得到
<math display="block">\Delta^2=s(s-a)(s-b)(s-c).</math>
面积非负，取正平方根，便是海伦公式。[https://openstax.org/books/precalculus-2e/pages/8-2-non-right-triangles-law-of-cosines OpenStax《Precalculus 2e》§8.2：余弦定理与海伦公式]

回看十三、十四、十五：余弦定理先给出 <math>\cos A=3/5</math>，从而 <math>\sin A=4/5</math>，面积仍为 <math>14\cdot15\cdot(4/5)/2=84</math>。三种计算并不互相独立地创造不同面积，而是在消去高或角度后表达同一关系。

== 半周长减一边，有没有几何意义 ==
在三角形内作与三边都相切的内切圆，圆心为 <math>I</math>，半径为 <math>r</math>，接触点分别为 <math>U\in AB</math>、<math>V\in BC</math>、<math>W\in CA</math>。同一顶点向圆引出的两条切线段等长，例如 <math>AU=AW</math>。

这个等长关系也可由勾股定理说明：半径 <math>IU,IW</math> 都垂直于切线且长为 <math>r</math>，两个直角三角形又共用斜边 <math>AI</math>，故 <math>AU^2=AI^2-r^2=AW^2</math>，取正长度即得相等。

令顶点 <math>A,B,C</math> 引出的切线段长度分别为 <math>x,y,z</math>。沿三条边相加：
<math display="block">c=x+y,\qquad a=y+z,\qquad b=x+z.</math>
因此 <math>s=x+y+z</math>，再减去对边就得到
<math display="block">s-a=x,\qquad s-b=y,\qquad s-c=z.</math>
所以三个差不仅是代数记号，也是三个顶点处的切线长度。本例分别为八、七、六。

[[File:Gezhi-expand-heron-incircle.svg|frame|center|alt=十三十四十五三角形内切圆半径四，A引出的两段切线各为八，B引出的各为七，C引出的各为六；圆心与三顶点相连|相同顶点处的两个数相等；它们在每条边上相加，还原十三、十四、十五。半径 IU 垂直于 AB。]]

把圆心与三个顶点相连，三角形被分成三个小三角形；它们分别以 <math>a,b,c</math> 为底，到底边的高都是 <math>r</math>。于是
<math display="block">\Delta=\frac12ar+\frac12br+\frac12cr=sr.</math>
本例 <math>r=\Delta/s=84/21=4</math>。这里接触点 <math>U</math> 满足 <math>AU=8</math>，与前一图满足 <math>AD=8.4</math> 的高垂足 <math>D</math> 不同。

将切线长度代回海伦公式，还可写成
<math display="block">\Delta^2=(x+y+z)xyz,\qquad r^2=\frac{xyz}{x+y+z}.</math>
本例第二式为 <math>r^2=8\cdot7\cdot6/21=16</math>，再次得到半径四。

== 直角和钝角也用同一公式 ==
对于边长三、四、五的直角三角形，<math>s=6</math>，所以
<math display="block">\Delta=\sqrt{6\cdot3\cdot2\cdot1}=6.</math>
它与两条直角边乘积的一半 <math>3\cdot4/2=6</math> 一致。海伦公式没有排除直角，只是在此情况下不如直接用直角边简便。

再取钝角三角形 <math>a=7,b=3,c=5</math>。余弦定理给出
<math display="block">\cos A=\frac{3^2+5^2-7^2}{2\cdot3\cdot5}=-\frac12,</math>
所以 <math>A=120^\circ</math>。它的半周长为 <math>15/2</math>，海伦公式得到
<math display="block">\Delta^2=\frac{15}{2}\cdot\frac12\cdot\frac92\cdot\frac52=\frac{675}{16},</math>
<math display="block">\Delta=\frac{15\sqrt3}{4}\approx6.4952.</math>
另一种核验是夹角面积 <math>3\cdot5\sin120^\circ/2=15\sqrt3/4</math>。钝角的高落到边外，不会使面积变负，也不需要给海伦公式额外添负号。

== 三角形不等式为什么正好出现在根号里 ==
对正边长，<math>s>0</math>，而
<math display="block">s-a=\frac{b+c-a}{2},\quad s-b=\frac{c+a-b}{2},\quad s-c=\frac{a+b-c}{2}.</math>
三个差严格为正，正好对应三条严格三角形不等式。若最长边等于另外两边之和，相应因子为零；三点共线，面积也为零。若最长边大于另外两边之和，根号内成为负数，说明输入不能组成欧氏三角形，而不是得到一种“负面积”。例如 <math>1,2,4</math> 的根号内为 <math>-105/16</math>。

固定两边 <math>b=3,c=4</math> 时，第三边的允许范围为 <math>1<a<7</math>。把它们代入四因子式：
<math display="block">16\Delta^2=(a+7)(7-a)(a+1)(a-1).</math>
当 <math>a</math> 接近一或七，面积都趋于零。第三边逐渐变长并不意味着面积一直增大：先前未分解的式子还给出
<math display="block">\Delta^2=36-\frac{(25-a^2)^2}{16}\le36.</math>
等号当且仅当 <math>a^2=25</math>，即 <math>a=5</math> 时成立。此时两条固定边恰好垂直，面积最大为六。

[[File:Gezhi-expand-heron-degeneracy.svg|frame|center|alt=固定两边三和四，横轴第三边a从一到七，纵轴面积先增后减，在a等于五时达到六，两个退化端点用空心圆表示面积极限零|端点 a=1、a=7 不属于非退化三角形；最高点对应三四五直角三角形。]]

接近退化时，边长的小变化可能造成很大的相对面积变化。例如边长 <math>3,4,6.99</math> 的面积约为 <math>0.6469</math>；若过早把 <math>6.99</math> 舍入成七，结果就变为零。测量精度不足时，应保留输入的不确定性，而不是把开根号后的许多小数当作准确面积。实际数值计算也宜保留足够有效位，尤其注意两个接近量相减形成的 <math>s-a</math>。

== 名称与文献 ==
公式以亚历山大的海伦（Heron，也拼作 Hero）命名。他约活跃于公元一世纪，著作《度量论》（Metrica）第一卷讨论平面图形等对象的度量，并给出这一三角形面积公式的证明。圣安德鲁斯大学的数学史资料对该书内容有具体记述。[https://mathshistory.st-andrews.ac.uk/Biographies/Heron/ MacTutor：Heron of Alexandria]

本页采用的“面积公式—余弦定理—因式分解”是现代三角函数语言下的推导，不把它当作《度量论》原文的符号或原有证明方式。其作用在于说明：只要三条边满足三角形条件，角度和高都可以从面积表达式中消去。

== 参考资料 ==
* [https://openstax.org/books/precalculus-2e/pages/8-2-non-right-triangles-law-of-cosines OpenStax，Precalculus 2e，§8.2]：非直角三角形、余弦定理和海伦公式的条件与用途。
* [https://mathcs.clarku.edu/~djoyce/trig/laws.html David Joyce，Laws of Cosines & Sines，Clark University]：锐角和钝角的高与三角函数关系。
* [https://mathshistory.st-andrews.ac.uk/Biographies/Heron/ J. J. O'Connor 与 E. F. Robertson，Heron of Alexandria，MacTutor，University of St Andrews]：《度量论》第一卷及海伦公式的历史记载。
* 相关：[[余弦定理]]、[[勾股定理]]、[[欧氏几何]]。
[[分类:几何]]

余弦定理

2026-09-20T02:04:32Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''余弦定理'''（law of cosines）把三角形的三条边与一个内角联系起来：一边的平方，等于另外两边的平方和，再减去这两边乘积与其夹角余弦乘积的两倍。它使[[勾股定理]]能够推广到非直角三角形，既能由两边及其夹角求第三边，也能由三边求角。

== 三条边已知，角度藏在哪里 ==
取一个边长为十三、十四、十五的三角形，统一标记为
<math display="block">a=BC=13,\qquad b=CA=14,\qquad c=AB=15.</math>
小写边长 <math>a,b,c</math> 分别与顶点 <math>A,B,C</math> 处的内角相对。下文也用 <math>A,B,C</math> 表示相应角度；例如角 <math>A</math> 夹在边 <math>b</math> 与 <math>c</math> 之间，正对边 <math>a</math>。选哪个角，必须先找清它的对边。

把 <math>AB</math> 水平放置，从 <math>C</math> 向直线 <math>AB</math> 作垂线，垂足为 <math>D</math>。本例的垂足落在边内。设 <math>AD=d</math>、<math>CD=h</math>，则两个直角三角形分别给出
<math display="block">d^2+h^2=14^2,\qquad(15-d)^2+h^2=13^2.</math>
第二式减第一式，两个 <math>h^2</math> 消去：
<math display="block">225-30d=169-196=-27.</math>
于是 <math>30d=252</math>，所以 <math>d=42/5=8.4</math>。再代回第一式，
<math display="block">h^2=196-\frac{1764}{25}=\frac{3136}{25},\qquad h=\frac{56}{5}=11.2.</math>
高为正，故取正平方根。

[[File:Gezhi-expand-cosine-projection.svg|frame|center|alt=三角形ABC的对边a十三、b十四、c十五，从C向AB作高CD，AD为八点四、DB为六点六，高为十一点二，角A位于十四和十五两边之间|作高后，同一个 h 出现在两个勾股关系中；相减便能求出水平投影 d。]]

看直角三角形 <math>ACD</math>，角 <math>A</math> 的邻边是 <math>AD</math>，斜边是 <math>AC</math>，因此
<math display="block">\cos A=\frac{AD}{AC}=\frac{8.4}{14}=\frac35.</math>
角度为 <math>A=\arccos(3/5)\approx53.1301^\circ</math>。其中 <math>\arccos</math> 表示反余弦：在零至一百八十度之间，找余弦等于给定值的角。上面的计算没有先知道角度，而是从边长中把它求了出来。

== 从这个算例推到一般公式 ==
在平面[[欧氏几何]]中，设 <math>ABC</math> 是非退化三角形，边长均为正。仍令 <math>A=(0,0)</math>、<math>B=(c,0)</math>，并将 <math>C</math> 放在横轴上方。记其坐标为 <math>C=(d,h)</math>，其中 <math>h>0</math>。

此时 <math>d</math> 是带正负号的横坐标，未必是一条线段的正长度。坐标形式的余弦与正弦给出
<math display="block">d=b\cos A,\qquad h=b\sin A.</math>
距离平方满足
<math display="block">b^2=d^2+h^2,\qquad a^2=(c-d)^2+h^2.</math>
展开第二个平方，把相同部分合并：
<math display="block">a^2=c^2-2cd+d^2+h^2=c^2-2cd+b^2.</math>
最后代入 <math>d=b\cos A</math>，得到
<math display="block">a^2=b^2+c^2-2bc\cos A.</math>
“减去的那一项”来自横向距离 <math>c-d</math> 的平方展开。它度量了两边方向之间的联系，而不是额外记忆的修正数字。

换一个顶点作起点，就得到另外两种写法：
<math display="block">b^2=c^2+a^2-2ca\cos B,</math>
<math display="block">c^2=a^2+b^2-2ab\cos C.</math>
三式的规则相同：左边是所选角的对边平方，右边相乘的是夹住这个角的两条边。[https://openstax.org/books/precalculus-2e/pages/8-2-non-right-triangles-law-of-cosines OpenStax《Precalculus 2e》§8.2]

== 钝角时，垂足跑到边外怎么办 ==
设 <math>b=3</math>、<math>c=5</math>、<math>A=120^\circ</math>。这时
<math display="block">d=b\cos120^\circ=3\left(-\frac12\right)=-\frac32,\qquad h=\frac{3\sqrt3}{2}.</math>
垂足在 <math>A</math> 的左边，线段 <math>AD</math> 的长度是 <math>3/2</math>，但点 <math>D</math> 的横坐标是 <math>-3/2</math>。从 <math>B</math> 到 <math>D</math> 的水平距离为
<math display="block">c-d=5-\left(-\frac32\right)=\frac{13}{2}.</math>
因此坐标证明仍然有效：
<math display="block">a^2=\left(\frac{13}{2}\right)^2+\left(\frac{3\sqrt3}{2}\right)^2=\frac{169+27}{4}=49,</math>
所以 <math>a=7</math>。

[[File:Gezhi-expand-cosine-obtuse.svg|frame|center|alt=角A为一百二十度，AB五、AC三、BC七；垂足D在A左方，D横坐标负一点五，BD长六点五，高为三倍根号三除二|辅助线延长到 A 左侧。负的是横坐标 d，不是线段 AD 的长度。]]

直接用余弦定理也得到
<math display="block">a^2=3^2+5^2-2\cdot3\cdot5\left(-\frac12\right)=34+15=49.</math>
钝角余弦为负，所以公式里的减法最终增加了十五。若把负余弦误改成正数，就会把张开的钝角当成锐角，得到另一条边长。

== 锐角、直角和钝角如何从边长看出来 ==
从同一个公式移项：
<math display="block">a^2-(b^2+c^2)=-2bc\cos A.</math>
因为 <math>b,c>0</math>，左右两侧符号只由 <math>\cos A</math> 决定。

<div class="math-table-scroll" role="region" aria-label="余弦定理判别所选角的锐直钝性质" tabindex="0">
{| class="wikitable"
! 角 <math>A</math> !! 余弦符号 !! 边长平方关系
|-
| <math>0^\circ<A<90^\circ</math> || <math>\cos A>0</math> || <math>a^2<b^2+c^2</math>
|-
| <math>A=90^\circ</math> || <math>\cos A=0</math> || <math>a^2=b^2+c^2</math>
|-
| <math>90^\circ<A<180^\circ</math> || <math>\cos A<0</math> || <math>a^2>b^2+c^2</math>
|}
</div>

[[File:Gezhi-expand-cosine-angle-cases.svg|frame|center|alt=固定夹角两边为三和四，角A分别为六十、九十、一百二十度，对边平方分别为十三、二十五、三十七|两边不变，夹角越张开，对边越长。中间一行恰好回到三四五直角三角形。]]

表格首先判别的是'''所选的角'''。若要判别整个三角形，应选最大边所对的角，因为最大边对最大角。本例最大边十五，<math>15^2=225<13^2+14^2=365</math>，所以最大角仍是锐角，整个三角形都是锐角。

还可以逐个求角：
<math display="block">\cos B=\frac{13^2+15^2-14^2}{2\cdot13\cdot15}=\frac{33}{65},</math>
<math display="block">\cos C=\frac{13^2+14^2-15^2}{2\cdot13\cdot14}=\frac5{13}.</math>
由此 <math>B\approx59.4898^\circ</math>、<math>C\approx67.3801^\circ</math>，与 <math>A\approx53.1301^\circ</math> 相加为一百八十度（显示位数带来少量舍入误差）。计算器若设置为弧度，应先转换单位，不能把弧度数直接标为度。

== 不经过两点之间，也能求它们的距离 ==
设测站 <math>A</math> 与目标 <math>B,C</math> 在同一平面，已经测得 <math>AB=80</math> 米、<math>AC=100</math> 米，两条观测方向的内夹角为 <math>60^\circ</math>，要求 <math>BC</math>。这是教学设定的理想测量数据。

[[File:Gezhi-expand-cosine-distance.svg|frame|center|alt=测站A到B的距离为八十米、到C为一百米，两方向夹角六十度，BC用虚线标为待求距离a|已知的是两边及其夹角；待求 BC 正对这个六十度角。]]

在约定中 <math>c=80</math>、<math>b=100</math>、<math>a=BC</math>。代入即可逐步得到
<math display="block">a^2=100^2+80^2-2\cdot100\cdot80\cos60^\circ</math>
<math display="block">=10000+6400-16000\cdot\frac12=8400.</math>
因此
<math display="block">BC=\sqrt{8400}=20\sqrt{21}\approx91.65\ \mathrm m.</math>
答案满足 <math>|100-80|<91.65<100+80</math>，与三角形不等式一致。若错把它当成直角，勾股计算会给出约一百二十八点零六米；缺少夹角项，就等于换了测量情境。真实测距还应考虑仪器误差，所得小数不应宣称比输入更精确。

== 哪些给定条件能确定答案 ==
若已知正长度 <math>b,c</math> 与它们的内夹角 <math>0<A<\pi</math>，第三边由正平方根唯一确定。若已知三条正边且满足严格三角形不等式，则
<math display="block">\cos A=\frac{b^2+c^2-a^2}{2bc}</math>
落在 <math>(-1,1)</math> 内，反余弦给出唯一内角。具体地，
<math display="block">-1<\frac{b^2+c^2-a^2}{2bc}<1</math>
等价于
<math display="block">(b-c)^2<a^2<(b+c)^2,</math>
也就是 <math>|b-c|<a<b+c</math>。这说明边长可组成三角形与角度可取真实内角，是同一几何限制的两种写法。

如果 <math>a=b+c</math>，则 <math>A=\pi</math>；如果 <math>a=|b-c|</math> 且三条边仍为正，则 <math>A=0</math>。两种情况都使三点共线，面积为零，是公式的退化边界，而不是普通三角形。三角形不等式失败时，应先核对输入，不能把超出 <math>[-1,1]</math> 的余弦值强行当成角。

'''已知两边和一个非夹角'''则可能有两个解。例如 <math>a=3,b=4,A=30^\circ</math>，这里 <math>A</math> 不夹在已知的 <math>a,b</math> 之间。余弦定理成为关于未知 <math>c</math> 的二次方程：
<math display="block">9=16+c^2-4\sqrt3\,c,\qquad c^2-4\sqrt3\,c+7=0.</math>
配方得 <math>(c-2\sqrt3)^2=5</math>，所以
<math display="block">c=2\sqrt3\pm\sqrt5.</math>
两个正值约为 <math>1.2280</math> 和 <math>5.7002</math>，都在 <math>|4-3|<c<4+3</math> 内，因此确有两个三角形。关键区别是给出的角是否为'''两条已知边的夹角'''。

== 与面积、向量和历史的联系 ==
余弦定理求出一个角后，可以用 <math>\Delta=bc\sin A/2</math> 求面积；进一步消去正弦与余弦，就得到只含三边的[[海伦公式]]。十三、十四、十五的例子有 <math>\sin A=4/5</math>，所以 <math>\Delta=14\cdot15\cdot(4/5)/2=84</math> 平方单位。

在坐标中，令 <math>\mathbf u=\overrightarrow{AB}</math>、<math>\mathbf v=\overrightarrow{AC}</math>，两向量之差连接另两个顶点。把坐标平方展开，便得到
<math display="block">\|\mathbf u-\mathbf v\|^2=\|\mathbf u\|^2+\|\mathbf v\|^2-2\mathbf u\cdot\mathbf v.</math>
这里点积 <math>\mathbf u\cdot\mathbf v=u_1v_1+u_2v_2=bc\cos A</math>，所以这正是同一个余弦关系的[[线性代数]]写法。

《几何原本》第二卷命题十二、十三分别讨论钝角与锐角情形，用平方和投影所成矩形的面积表达对应关系。原文并没有今天的余弦符号；现代三角函数把两种几何关系统一成上述公式。[https://mathcs.clarku.edu/~djoyce/elements/bookII/propII12.html 欧几里得《几何原本》II.12，David Joyce 英译与注释]；[https://mathcs.clarku.edu/~djoyce/elements/bookII/propII13.html II.13]

== 参考资料 ==
* [https://openstax.org/books/precalculus-2e/pages/8-2-non-right-triangles-law-of-cosines OpenStax，Precalculus 2e，§8.2]：坐标推导、三边求角与两边夹角求边。
* [https://mathcs.clarku.edu/~djoyce/trig/laws.html David Joyce，Laws of Cosines & Sines，Clark University]：锐角、钝角推导与古代命题的关系。
* [https://mathcs.clarku.edu/~djoyce/elements/bookII/propII12.html Euclid，Elements II.12]；[https://mathcs.clarku.edu/~djoyce/elements/bookII/propII13.html II.13]：投影与平方关系的原命题。
* 相关：[[勾股定理]]、[[海伦公式]]、[[欧氏几何]]、[[线性代数]]。
[[分类:几何]]

柯西不等式

2026-09-20T02:04:28Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''柯西不等式'''通常指'''柯西—施瓦茨不等式'''（Cauchy–Schwarz inequality），也称柯西—布尼亚科夫斯基不等式。它把两组数“对应相乘再相加”的结果，与这两组数各自的平方和联系起来。在向量语言中，它说：'''内积的绝对值不超过两个向量长度的乘积'''。

先取两个平面向量 <math>a=(3,1)</math>、<math>b=(1,2)</math>。对应坐标相乘相加，得到 <math>a\cdot b=3\times1+1\times2=5</math>；两向量的长度分别为 <math>\sqrt{10}</math> 和 <math>\sqrt5</math>。柯西不等式在这里给出

<math display="block">|5|\le\sqrt{10}\sqrt5=\sqrt{50},\qquad\text{或等价地}\quad25\le50.</math>

数字比较容易验证。更值得追问的是：为什么无论坐标如何取值都成立，什么时候两边恰好相等，以及这份上界怎样用来解题？

== 先说清楚两个量怎样计算 ==

给定两组实数 <math>a_1,\ldots,a_n</math> 和 <math>b_1,\ldots,b_n</math>，其中 <math>n</math> 为正整数，组成实向量 <math>a,b\in\mathbb R^n</math>。它们的欧氏内积和长度分别是

<math display="block">a\cdot b=\sum_{i=1}^n a_i b_i,\qquad\|a\|=\sqrt{\sum_{i=1}^n a_i^2}.</math>

内积可能为正、为负或为零；长度始终非负。柯西不等式的两个常见形式为

<math display="block">\left|\sum_{i=1}^n a_i b_i\right|\le\sqrt{\sum_{i=1}^n a_i^2}\sqrt{\sum_{i=1}^n b_i^2},</math>

<math display="block">\left(\sum_{i=1}^n a_i b_i\right)^2\le\left(\sum_{i=1}^n a_i^2\right)\left(\sum_{i=1}^n b_i^2\right).</math>

因为绝对值与两个长度都非负，平方或开平方不会改变不等式的真假。坐标没有正数要求，负坐标同样适用。若把 <math>b</math> 换成 <math>-b</math>，内积从 5 变成 −5，长度不变，绝对值正好保留了同一份上界。

'''等号成立当且仅当两向量线性相关。'''明确说，存在不同时为零的实数 <math>\alpha,\beta</math>，使 <math>\alpha a+\beta b=0</math>。当 <math>b\ne0</math> 时，这等价于存在实数 <math>t</math> 使 <math>a=tb</math>；若 <math>b=0</math>，无论 <math>a</math> 为何都取等号。这样说也包含零向量，不必为零向量硬定义夹角。[https://math.mit.edu/classes/18.100B/fall_2011/sol2.pdf MIT：Cauchy–Schwarz 等号条件]

== 把一个向量分成沿线与垂线两部分 ==

回到 <math>a=(3,1)</math>、<math>b=(1,2)</math>。沿着 <math>b</math> 方向的点都形如 <math>tb=(t,2t)</math>。我们想找其中离 <math>a</math> 最近的一个，使从这个点指向 <math>a</math> 的差向量与 <math>b</math> 垂直。

这个垂直要求可用内积为零来表达：

<math display="block">(a-tb)\cdot b=0.</math>

展开后是 <math>a\cdot b-t\|b\|^2=0</math>，所以

<math display="block">t=\frac{a\cdot b}{\|b\|^2}=\frac55=1.</math>

因此投影点为 <math>h=tb=(1,2)</math>，余下的向量为 <math>r=a-h=(2,-1)</math>。核对 <math>r\cdot b=2\times1+(-1)\times2=0</math>，确实垂直。

[[File:Gezhi-expand-cauchy-projection.svg|frame|center|alt=向量a从原点指向三一，b与投影h从原点指向一二，h至a的残差为二负一并与b垂直，直角三角形的长度平方为十等于五加五。|虚线是从 a 的端点向 b 所在直线作出的垂线。沿线部分与垂直部分合起来仍是同一个向量 a。]]

图中直角三角形满足[[勾股定理]]：<math>\|a\|^2=\|h\|^2+\|r\|^2=5+5=10</math>。因此投影长度不会超过原向量长度。一般地，当 <math>b\ne0</math> 时，沿线部分的长度为

<math display="block">\left\|\frac{a\cdot b}{\|b\|^2}b\right\|=\frac{|a\cdot b|}{\|b\|}.</math>

它不超过 <math>\|a\|</math>，乘回正数 <math>\|b\|</math> 就得到柯西不等式。若想取等号，垂直部分必须消失，整个 <math>a</math> 都落在 <math>b</math> 所在直线上。这同时解释了等号为什么对应线性相关。

== 不靠图形的证明：平方距离最小能有多小 ==

上述投影思路可以写成任意维数都有效的代数证明。若 <math>b=0</math>，不等式两边都是零，已经证明。以下设 <math>b\ne0</math>，于是 <math>\|b\|^2> 0</math>。

对于任意实数 <math>t</math>，平方和都非负：

<math display="block">\begin{aligned}\|a-tb\|^2&=\sum_{i=1}^n(a_i-tb_i)^2\\&=\|a\|^2-2t(a\cdot b)+t^2\|b\|^2\ge0.\end{aligned}</math>

把关于 <math>t</math> 的二次式配方：

<math display="block">\|a-tb\|^2=\|b\|^2\left(t-\frac{a\cdot b}{\|b\|^2}\right)^2+\|a\|^2-\frac{(a\cdot b)^2}{\|b\|^2}.</math>

当 <math>t=(a\cdot b)/\|b\|^2</math> 时，第一项为零；左边仍不能为负，所以

<math display="block">0\le\|a\|^2-\frac{(a\cdot b)^2}{\|b\|^2}.</math>

乘以正的 <math>\|b\|^2</math>，便得到 <math>(a\cdot b)^2\le\|a\|^2\|b\|^2</math>。整个证明只用了平方和非负与配方，没有先假设夹角公式成立。

本例的平方距离是 <math>10-10t+5t^2=5(t-1)^2+5</math>。下图的最低点在 <math>t=1</math>，最小平方距离为 5，与上一图的残差长度平方完全一致。<math>t=0</math> 对应原点，平方距离为 10；<math>t=2</math> 对应 <math>2b=(2,4)</math>，平方距离也为 10。

[[File:Gezhi-expand-cauchy-distance.svg|frame|center|alt=平方距离函数五乘t减一的平方加五是一条开口向上的抛物线，最低点一五，t等于零和二时函数值均为十。|沿 b 所在直线移动，最近点由最低的平方距离确定；非负性给出了内积上界。]]

等号条件也可以从证明直接读出。取上述最优 <math>t</math> 后，等号成立当且仅当 <math>\|a-tb\|^2=0</math>。平方和为零意味着每一项都为零，即每个坐标满足 <math>a_i=tb_i</math>。反过来，若 <math>a=tb</math>，代入立即得到等号，<math>t</math> 可以为正、负或零。

== 平方和恒等式给出的另一种解释 ==

在二维中，把两边的差展开，会得到一个完整的平方：

<math display="block">\begin{aligned}&(a_1^2+a_2^2)(b_1^2+b_2^2)-(a_1b_1+a_2b_2)^2\\&=a_1^2b_2^2+a_2^2b_1^2-2a_1a_2b_1b_2\\&=(a_1b_2-a_2b_1)^2\ge0.\end{aligned}</math>

本例右边为 <math>(3\times2-1\times1)^2=25</math>，左边为 <math>10\times5-5^2=25</math>，两种计算一致。量 <math>a_1b_2-a_2b_1</math> 也是二维[[矩阵]]行列式；它的绝对值是两个向量张成的平行四边形面积。若两向量落在同一直线上，面积为零，正好取等号。

在更高维，把展开式中对角项 <math>a_i^2b_i^2</math> 抵消，再将下标 <math>(i,j)</math> 与 <math>(j,i)</math> 成对整理，就得到

<math display="block">\left(\sum_i a_i^2\right)\left(\sum_i b_i^2\right)-\left(\sum_i a_ib_i\right)^2=\sum_{i< j}(a_ib_j-a_jb_i)^2.</math>

右边每一对贡献 <math>a_i^2b_j^2+a_j^2b_i^2-2a_ia_jb_ib_j</math>，恰好补齐左边所有未抵消的项。这是拉格朗日恒等式，也直接证明了不等式。它说明两边的差由各对坐标偏离比例关系的程度组成。

== 用等号条件求一个真正能达到的上界 ==

若实数 <math>x,y</math> 满足 <math>x^2+y^2=1</math>，求 <math>3x+y</math> 的最大值。把目标看成 <math>(3,1)</math> 与 <math>(x,y)</math> 的内积，就有

<math display="block">|3x+y|\le\sqrt{3^2+1^2}\sqrt{x^2+y^2}=\sqrt{10}.</math>

因此 <math>3x+y\le\sqrt{10}</math>。但一个上界不一定真的能够取到，还必须检查等号。要让内积达到'''正的'''最大值，应取与 <math>(3,1)</math> 同向的单位向量：

<math display="block">(x,y)=\left(\frac3{\sqrt{10}},\frac1{\sqrt{10}}\right).</math>

此时 <math>x^2+y^2=1</math>，并且 <math>3x+y=10/\sqrt{10}=\sqrt{10}</math>，所以上界确实是最大值。反向单位向量给出最小值 <math>-\sqrt{10}</math>。

[[File:Gezhi-expand-cauchy-maximum.svg|frame|center|alt=单位圆上沿三一方向的点为三除以根号十、一除以根号十，直线三x加y等于根号十在该点与圆相切，反向点给出负根号十。|目标函数相同的点排成直线；向外平移至刚好碰到圆的位置，得到可达到的最大值。]]

另一个常见应用是估计平方和。对实数 <math>x_1,\ldots,x_n</math>，把另一组数取成全一，得到

<math display="block">(x_1+\cdots+x_n)^2\le n(x_1^2+\cdots+x_n^2).</math>

若三数之和固定为 6，则平方和至少为 <math>6^2/3=12</math>。等号要求 <math>(x_1,x_2,x_3)</math> 与 <math>(1,1,1)</math> 成比例，结合总和条件只能是 <math>(2,2,2)</math>。例如 <math>(1,2,3)</math> 的平方和为 14，大于这个下界。这也解释了为什么在总和固定时，数值越均匀，平方和可以越小。

== 分式形式与正权重 ==

对于实数 <math>x_i</math> 和严格正数 <math>u_i</math>，可以选择

<math display="block">a_i=\frac{x_i}{\sqrt{u_i}},\qquad b_i=\sqrt{u_i}.</math>

把它们代入柯西不等式，内积变为 <math>\sum_i x_i</math>，两个平方和分别变为 <math>\sum_i x_i^2/u_i</math> 与 <math>\sum_i u_i</math>。因为后一个和为正，可以除过去，得到

<math display="block">\sum_{i=1}^n\frac{x_i^2}{u_i}\ge\frac{(\sum_i x_i)^2}{\sum_i u_i}.</math>

等号要求 <math>x_i/\sqrt{u_i}=t\sqrt{u_i}</math>，即所有 <math>x_i/u_i</math> 相同。正权重是这一步代入和除法的条件。允许负权重后，即使权重之和仍为正，结论也可能失败：取 <math>x_1=1,x_2=0</math>、<math>u_1=-1,u_2=2</math>，左边为 −1，右边为 1，原来的“左边大于等于右边”便不成立。

== 向量夹角、函数和随机变量中的同一结构 ==

对于非零实向量，柯西不等式保证

<math display="block">-1\le\frac{a\cdot b}{\|a\|\|b\|}\le1.</math>

因此可以用这个比值定义夹角的余弦。平面与三维空间里，它与通常的几何夹角一致；更高维也能沿用。零向量虽然满足不等式，却不能代入这个夹角公式，因为分母为零。反向向量同样使绝对值形式取等号；如果讨论没有绝对值的上界 <math>a\cdot b\le\|a\|\|b\|</math>，非零反向向量取得的是下界而非上界。

在一般内积[[向量空间]]中，公式写成 <math>|\langle a,b\rangle|\le\|a\|\|b\|</math>。复向量的内积要对其中一组坐标取共轭，长度平方使用 <math>\sum|a_i|^2</math>，不能把实数公式中的平方不加改变地照抄。例如 <math>(1,i)</math> 的长度平方是 2，而 <math>1^2+i^2=0</math> 并不是它的长度平方。

把有限求和换成[[积分]]，在实函数 <math>f,g</math> 平方可积的条件下，可得到

<math display="block">\left|\int f g\right|^2\le\left(\int f^2\right)\left(\int g^2\right).</math>

各积分在同一测度空间上进行。其证明仍然来自 <math>\int(f-tg)^2\ge0</math>；等号对应函数作为平方可积空间中的元素线性相关。若其中一个函数几乎处处为零，自动取等号；否则等号要求两函数几乎处处成固定比例，“几乎处处”表示允许在测度为零的集合上例外。类似地，对于二阶矩有限的随机变量 <math>X,Y</math>，有 <math>|E(XY)|^2\le E(X^2)E(Y^2)</math>；将两者减去均值后，就能得到协方差绝对值不超过两个标准差乘积的结论。这些推广都保留了“平方所定义的长度限制内积”这一结构。

== 历史与参考资料 ==

柯西在 1821 年的 ''Cours d’Analyse'' 中发表了有限和形式的不等式。布尼亚科夫斯基在 1859 年发表其积分对应式；施瓦茨后来在极小曲面的研究中需要并发展了积分形式。这段从有限坐标到函数的历史，也反映在今天并存的“柯西—施瓦茨”“柯西—布尼亚科夫斯基”等名称中。[https://assets.cambridge.org/97805218/37750/excerpt/9780521837750_excerpt.pdf J. Michael Steele：Starting with Cauchy，历史说明]

* J. Michael Steele，[https://assets.cambridge.org/97805218/37750/excerpt/9780521837750_excerpt.pdf ''The Cauchy–Schwarz Master Class''，第 1 章 Starting with Cauchy]，Cambridge University Press，2004。有限和不等式、证明思路、积分推广及其历史。
* Michael Andrews，[https://math.mit.edu/classes/18.100B/fall_2011/sol2.pdf MIT 18.100B/C Problem Set 2 Solutions]，2011，第 1 题。包括零向量在内的等号条件，以及复向量情形。
* [https://math.mit.edu/classes/proofsiap/notes/InClass-day10.pdf MIT Introduction to Proofs：Inequalities]。不等式的证明与代入应用。
* 相关：[[线性代数]]、[[最小二乘法]]、[[优化]]、[[期望]]。

[[分类:代数]]

皮亚诺公理

2026-09-20T02:04:25Z

补全数学基础、几何定理与模型讲解：完整推导、算例及透明SVG过程图

新页面

'''皮亚诺公理'''（Peano axioms）用一个起点和“取下一个数”的规则来刻画自然数。它回答的不是“怎样更快地计算”，而是“自然数及其运算最基本的规则是什么”。数学归纳法之所以能够从起点与一步推导覆盖所有自然数，就与这套公理中的归纳原则有关。

本文把自然数记为 <math>0,1,2,3,\ldots</math>，从零开始。有的教材从一开始，使用 <math>1,2,3,\ldots</math>；两种约定的起点不同，阅读时应先确认。下文先用集合语言介绍公理的结构，再说明它与一阶皮亚诺算术的区别。

== 先有“下一个”，再给数取名字 ==

设 <math>N</math> 是准备作为自然数的集合，里面有一个指定元素 <math>0</math>。用[[函数]] <math>S:N\to N</math> 表示'''后继'''：给定一个数，<math>S</math> 指定它的下一个数。

暂时不用加法来定义后继，而是反过来把

<math display="block">1=S(0),\quad2=S(S(0)),\quad3=S(S(S(0)))</math>

作为数字的简写。这样，“加一”的含义以后可以由后继来解释，不会一边用加法定义自然数，一边又用自然数解释加法。

下图中的每个箭头都是同一个操作 <math>S</math>。图只画出有限几个位置；公理所要求的是整个集合中的后继规则，而不是一幅画到某处就停止的图。

[[File:Gezhi-expand-peano-successor.svg|frame|center|alt=从零起的后继链零、一、二、三、四向右延伸，每个箭头标记S，一二三分别是对零施加一次两次三次后继的简称。|数字是位置的名称；后继操作规定怎样从一个位置走到下一个位置。]]

== 用集合表述的公理 ==

在已经指定集合 <math>N</math>、元素 <math>0\in N</math> 和函数 <math>S:N\to N</math> 后，再要求：

# '''零不是任何数的后继。'''对所有 <math>n\in N</math>，都有 <math>S(n)\ne0</math>。
# '''相同后继来自相同的数。'''对所有 <math>m,n\in N</math>，若 <math>S(m)=S(n)</math>，则 <math>m=n</math>。也就是说，<math>S</math> 是单射。
# '''归纳原则。'''如果子集 <math>A\subseteq N</math> 含有零，并且每当 <math>n\in A</math> 时都有 <math>S(n)\in A</math>，那么 <math>A=N</math>。

连同“零属于集合”“每个数都有属于集合的后继”这两条起始约定，常见教材也把它们排成五条。因此看到三条、五条或更多条的列表时，应比较具体内容，而不是只比较条数；等号的逻辑规则是否另列，也会改变表面形式。[https://plato.stanford.edu/entries/logic-higher-order/ Stanford Encyclopedia of Philosophy：后继与归纳对自然数的刻画]

第一条使零成为起点。例如若把三个位置接成 <math>0\to1\to2\to0</math> 的循环，就违反 <math>S(2)\ne0</math>。第二条防止两条后继路径合并：若把不同的 <math>u,v</math> 都接到同一个 <math>w</math>，就有 <math>S(u)=S(v)</math> 而 <math>u\ne v</math>，违反单射。

这两条还说明从零出发不会在某一步回到以前的位置。若 <math>S^i(0)=S^j(0)</math> 且 <math>i< j</math>，利用单射连续消去两边最外层的 <math>S</math> 共 <math>i</math> 次，会得到 <math>0=S^{j-i}(0)</math>。右边至少施加了一次后继，与零不是后继矛盾。因此从零反复出发得到的各个位置互不相同。

== 归纳公理排除了哪种多余结构 ==

只有起点与单射后继，还不足以排除完全游离在起点之外的元素。考虑一个更大的集合：一部分是普通的链 <math>0,1,2,\ldots</math>；另一部分是带不同名称的元素 <math>u_k</math>，其中 <math>k</math> 遍历全部整数。规定

<math display="block">S(n)=n+1,\qquad S(u_k)=u_{k+1}.</math>

第二部分与第一部分互不相交，<math>u_0</math> 尤其不等于自然数零。这个结构中，每个元素都有后继，后继函数是单射，零也不是任何后继，但还多出了一整条双向延伸的链。

[[File:Gezhi-expand-peano-extra-chain.svg|frame|center|alt=上排是从零开始的自然数后继链，下排是互不相交的u下标整数链并向左右延伸；上排包含零且对后继封闭，却不包含下排，因而违背全子集归纳。|归纳原则不是只检查相邻箭头；它还要求包含起点且对后继封闭的子集已经是整个集合。]]

现在取 <math>A=\{0,1,2,\ldots\}</math>，即只取上排。它含有零，对后继也封闭，却没有包含任何 <math>u_k</math>，所以 <math>A</math> 不是整个集合。这恰好违反第三条归纳原则。图中的额外链是说明“缺少归纳时会出现什么”的反例，只涉及后继结构，并不是一个已经满足完整皮亚诺算术的模型。

对于任意性质 <math>P(n)</math>，可以把满足该性质的数收集成 <math>A=\{n\in N:P(n)\}</math>。要证明 <math>A=N</math>，便分成两件事：证明 <math>P(0)</math>，以及证明对任意 <math>n</math>，由 <math>P(n)</math> 可推出 <math>P(S(n))</math>。这就是数学归纳法的起始步骤与归纳步骤。

起始步骤不能省略。例如性质“<math>n</math> 是正数”具有“若成立，则后继处仍成立”的特点，但在零处为假，所以不能推出所有自然数都为正数。只验算 <math>0,1,2</math> 等若干项也不能代替一般的归纳步骤。

== 用后继逐步建立加法和乘法 ==

有了后继，可以在通常自然数结构上递归定义运算。加法按第二个变量给出两条规则：

<math display="block">a+0=a,\qquad a+S(b)=S(a+b).</math>

第一条说没有增加任何次；第二条说，在已有 <math>b</math> 次的结果上再取一次后继。自然数的递归定理保证这些逐步规则确定唯一的运算；这里先看规则怎样进行一次具体计算。

因为 <math>3=S(2)</math>、<math>2=S(1)</math>、<math>1=S(0)</math>，所以

<math display="block">\begin{aligned}2+3&=S(2+2)\\&=S(S(2+1))\\&=S(S(S(2+0)))\\&=S(S(S(2)))=5.\end{aligned}</math>

下图把计算分成两行。上行记录第二个参数 <math>b</math> 的变化，下行记录对应结果 <math>2+b</math>：上面每多走一步，下面也必须多走一步。运算结果不是由数字外观猜来的，而是由起点 <math>2+0=2</math> 和递推规则共同决定。

[[File:Gezhi-expand-peano-addition.svg|frame|center|alt=上排参数b从零经后继走到一二三，下排二加b从二同步走到三四五，每列用对应线连接。|固定第一个数 2；加上 3，就是从 2 连续取三次后继。]]

乘法再由加法递归定义：

<math display="block">a\cdot0=0,\qquad a\cdot S(b)=a\cdot b+a.</math>

于是 <math>2\cdot1=0+2=2</math>，<math>2\cdot2=2+2=4</math>，<math>2\cdot3=4+2=6</math>。这里每增加一次第二个因子，就多加一份第一个因子；它与加法中每步多取一次后继相呼应。

递归规则并没有把所有熟悉的代数规律都预先列出来。例如 <math>a+0=a</math> 是定义中的规则，但 <math>0+a=a</math> 还需要证明，不能在证明交换律之前直接交换两个加数。

== 一次完整的归纳证明：零加在左边 ==

证明对每个自然数 <math>n</math>，都有 <math>0+n=n</math>。

'''起始步骤。'''当 <math>n=0</math> 时，按规则 <math>a+0=a</math>，取 <math>a=0</math> 得 <math>0+0=0</math>。

'''归纳步骤。'''假设某个任意自然数 <math>n</math> 满足 <math>0+n=n</math>。对于它的后继，先用加法的递归规则，再用这个假设：

<math display="block">0+S(n)=S(0+n)=S(n).</math>

所以性质从 <math>n</math> 传递到 <math>S(n)</math>。由归纳原则，它对所有自然数成立。这个证明中的假设只用于“若第 <math>n</math> 步成立，则下一步成立”的条件推导，并没有先假设结论对所有数成立。[https://ocw.mit.edu/courses/24-242-logic-ii-spring-2004/2ba966be09dd1301d41d98be9276f3d1_peano_arithmetic.pdf MIT：Peano Arithmetic，命题 2]

同样的办法可以逐步证明加法交换律、结合律，以及乘法的相应规律。每个证明应说明使用的是哪条递归规则和哪一个归纳假设。

== 一阶皮亚诺算术：一个公理模式 ==

在形式[[逻辑]]中，需要说明“对所有性质”怎样表达。'''一阶'''语言的变量只遍历结构中的数，不直接遍历数的所有子集。通常的一阶皮亚诺算术，简称 '''PA'''，使用常量 <math>0</math>、后继 <math>S</math>、加法 <math>+</math>、乘法 <math>\cdot</math> 与等号。后继的非零性、单射性和上面的四条运算递归等式作为公理；归纳部分则是一个'''公理模式'''。

具体地，对这套语言里的每一个公式 <math>\varphi(n,\bar y)</math>，都取下面这个句子作为归纳公理：

<math display="block">\forall\bar y\,\Bigl[\bigl(\varphi(0,\bar y)\land\forall n(\varphi(n,\bar y)\Rightarrow\varphi(S(n),\bar y))\bigr)\Rightarrow\forall n\,\varphi(n,\bar y)\Bigr].</math>

这里 <math>\bar y</math> 表示公式中可能出现的一组额外数值参数。选定参数后，它们在归纳过程中保持不变；最外层的全称量词使这条公理对所有参数值都适用。刚才证明 <math>0+n=n</math>，便对应没有额外参数的公式 <math>\varphi(n):0+n=n</math>。

“模式”不是把字母 <math>\varphi</math> 当作一个可量化的数值变量，而是在理论外规定：每一个合适的公式都贡献一条公理。因此它包含无限多条公理，每一条仍然只在一阶语言中量化数。它保证所有'''用公式及参数可定义的性质'''满足归纳，但没有直接量化结构的全部子集。[https://ocw.mit.edu/courses/24-242-logic-ii-spring-2004/resources/peano_arithmetic/ MIT Logic II：归纳模式与全体子集的区别]

== 二阶归纳与“只有一种自然数结构” ==

若允许变量 <math>A</math> 直接遍历子集，就能用一个二阶句子表达开头的归纳原则：

<math display="block">\forall A\,\Bigl[\bigl(0\in A\land\forall n(n\in A\Rightarrow S(n)\in A)\bigr)\Rightarrow\forall n(n\in A)\Bigr].</math>

在'''完全语义'''下，“对所有 <math>A</math>”指的是结构底集的所有子集，而不只是可用一阶公式写出的那些子集。这个解释与后继公理一起，使自然数结构'''在同构意义下唯一'''，也称具有范畴性。所谓同构，是存在一个一一对应，保持起点与后继；元素可以换名字，但生成结构相同。[https://plato.stanford.edu/entries/logic-higher-order/ Stanford Encyclopedia of Philosophy：归纳、完全语义与范畴性]

证明的核心可以直接看出来。取一个满足这些二阶条件的结构 <math>M</math>，从通常自然数向它定义

<math display="block">f(k)=S_M^k(0_M).</math>

第一步映到它的起点，每向前一步就映到后继，因此 <math>f(0)=0_M</math>，<math>f(k+1)=S_M(f(k))</math>。前面已证明从起点重复取后继不会碰到旧位置，所以 <math>f</math> 单射。它的像集含有 <math>0_M</math>，又对 <math>S_M</math> 封闭；'''全子集'''归纳可以应用到这个像集，推出像集就是整个 <math>M</math>，所以 <math>f</math> 也满射。这就建立了保持后继的一一对应。若加法、乘法按上述递归规则给出，它们也随起点与后继一起被保持。

一阶 PA 的情况不同：它存在与通常自然数不同构的'''非标准模型'''。说明其存在的一种方法是在 PA 的语言里增加一个常量 <math>c</math>，再要求 <math>c> 0,c> 1,c> 2,\ldots</math>。这里可以用加法定义严格次序：<math>x> y</math> 表示存在 <math>z</math>，使 <math>x=y+S(z)</math>，也就是比 <math>y</math> 多一个正数。任何有限多条要求都能在通常自然数中满足，只需把 <math>c</math> 取成一个足够大的数；一阶逻辑的紧致性定理因而给出满足全部要求的模型，其中 <math>c</math> 大于每个标准数词。这里用了紧致性这一逻辑定理，并不是凭图画构造出了非标准模型。

这不意味着一阶归纳失效：模型满足每一个归纳公式。问题在于，外部所见的“从零走标准有限步得到的元素”在非标准模型中不能由一个带参数的一阶公式定义。否则，它含零又对后继封闭，归纳模式便会迫使它包含整个模型，与非标准元素的存在矛盾。因此不能直接拿这个外部子集代入一阶模式，当作对全部子集的量化。[https://ocw.mit.edu/courses/24-242-logic-ii-spring-2004/2ba966be09dd1301d41d98be9276f3d1_peano_arithmetic.pdf MIT：非标准模型与归纳模式]

若二阶变量也只遍历指定的一族子集，即采用一般语义或 Henkin 语义，就不能照搬完全语义下的范畴性结论。区分一阶、二阶及其语义，是在讨论公理到底刻画了什么，而不是改变日常自然数的计算结果。

== 零起点与一起点怎样对应 ==

把“起点”为零换成一，后继链仍然具有同样的形状。只看起点与后继时，映射 <math>k\mapsto k+1</math> 把零起点的链一一对应到一起点的链，并保持后继。

不过，这不表示普通加法也在这个平移下自动保持。例如 <math>f(0+0)=1</math>，而 <math>f(0)+f(0)=2</math>。若要把整个算术结构也一并搬过去，需要相应搬运运算的定义；不能一面平移起点，一面原封不动地把加法单位元仍当作同一个标签。通常教材只是分别声明自然数是否包含零，并在各自范围中使用熟悉的运算。

== 历史与参考资料 ==

朱塞佩·皮亚诺（Giuseppe Peano，1858—1932）在 1889 年的拉丁文著作 ''Arithmetices principia, nova methodo exposita'' 中发表了著名的算术公理。它将自然数的基本关系用符号明确列出，是数学基础与符号逻辑发展中的重要工作。[https://mathshistory.st-andrews.ac.uk/Biographies/Peano/ 圣安德鲁斯大学 MacTutor：Giuseppe Peano]

自然数的结构刻画也与戴德金的工作紧密相关；MIT 的算术讲义将任意两个满足完整归纳原则的算术结构同构这一结果归于戴德金。因此文献中也会出现“戴德金—皮亚诺公理”的称呼。现代一阶 PA 的归纳模式、非标准模型以及完全二阶语义，是进一步澄清这些原始结构思想后形成的逻辑区分。

* Vann McGee，[https://ocw.mit.edu/courses/24-242-logic-ii-spring-2004/2ba966be09dd1301d41d98be9276f3d1_peano_arithmetic.pdf Peano Arithmetic]，MIT 24.242 Logic II，2004。运算递归、公理模式、归纳证明与模型的区别。
* Jouko Väänänen，[https://plato.stanford.edu/entries/logic-higher-order/ Second-order and Higher-order Logic]，''Stanford Encyclopedia of Philosophy''。后继公理、二阶归纳、完全语义、一般语义与范畴性。
* J. J. O'Connor、E. F. Robertson，[https://mathshistory.st-andrews.ac.uk/Biographies/Peano/ Giuseppe Peano]，MacTutor。1889 年著作及历史背景。

[[分类:基础与逻辑]]

文件:Gezhi-expand-predator-time.svg

2026-09-20T02:03:31Z

AIContentBot上传文件:Gezhi-expand-predator-time.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-predator-phase.svg

2026-09-20T02:03:26Z

AIContentBot上传文件:Gezhi-expand-predator-phase.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-predator-numerics.svg

2026-09-20T02:03:23Z

AIContentBot上传文件:Gezhi-expand-predator-numerics.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-predator-nullclines.svg

2026-09-20T02:03:19Z

AIContentBot上传文件:Gezhi-expand-predator-nullclines.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-pigeonhole-residues.svg

2026-09-20T02:03:17Z

AIContentBot上传文件:Gezhi-expand-pigeonhole-residues.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-pigeonhole-prefix.svg

2026-09-20T02:03:14Z

AIContentBot上传文件:Gezhi-expand-pigeonhole-prefix.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-pigeonhole-boxes.svg

2026-09-20T02:03:12Z

AIContentBot上传文件:Gezhi-expand-pigeonhole-boxes.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-peano-successor.svg

2026-09-20T02:03:07Z

AIContentBot上传文件:Gezhi-expand-peano-successor.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-peano-extra-chain.svg

2026-09-20T02:03:04Z

AIContentBot上传文件:Gezhi-expand-peano-extra-chain.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-peano-addition.svg

2026-09-20T02:03:02Z

AIContentBot上传文件:Gezhi-expand-peano-addition.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-normal-common-offset.svg

2026-09-20T02:02:59Z

AIContentBot上传文件:Gezhi-expand-normal-common-offset.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-normal-averages.svg

2026-09-20T02:02:56Z

AIContentBot上传文件:Gezhi-expand-normal-averages.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-model-residual-pattern.svg

2026-09-20T02:02:53Z

AIContentBot上传文件:Gezhi-expand-model-residual-pattern.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-model-prediction-interval.svg

2026-09-20T02:02:51Z

AIContentBot上传文件:Gezhi-expand-model-prediction-interval.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-linear-solutions.svg

2026-09-20T02:02:49Z

AIContentBot上传文件:Gezhi-expand-linear-solutions.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-linear-markov.svg

2026-09-20T02:02:46Z

AIContentBot上传文件:Gezhi-expand-linear-markov.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-least-influence.svg

2026-09-20T02:02:43Z

AIContentBot上传文件:Gezhi-expand-least-influence.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-least-contours.svg

2026-09-20T02:02:41Z

AIContentBot上传文件:Gezhi-expand-least-contours.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-heron-incircle.svg

2026-09-20T02:02:35Z

AIContentBot上传文件:Gezhi-expand-heron-incircle.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-heron-height.svg

2026-09-20T02:02:32Z

AIContentBot上传文件:Gezhi-expand-heron-height.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-heron-degeneracy.svg

2026-09-20T02:02:30Z

AIContentBot上传文件:Gezhi-expand-heron-degeneracy.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-difference-time.svg

2026-09-20T02:02:27Z

AIContentBot上传文件:Gezhi-expand-difference-time.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-difference-euler.svg

2026-09-20T02:02:25Z

AIContentBot上传文件:Gezhi-expand-difference-euler.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-difference-cobweb.svg

2026-09-20T02:02:23Z

AIContentBot上传文件:Gezhi-expand-difference-cobweb.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-cosine-projection.svg

2026-09-20T02:02:20Z

AIContentBot上传文件:Gezhi-expand-cosine-projection.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-cosine-obtuse.svg

2026-09-20T02:02:17Z

AIContentBot上传文件:Gezhi-expand-cosine-obtuse.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

文件:Gezhi-expand-cosine-distance.svg

2026-09-20T02:02:15Z

AIContentBot上传文件:Gezhi-expand-cosine-distance.svg AI 内容流程上传站内图片

新页面

本站数学条目配图。

←上一版本		2026年9月20日 (日) 10:06的版本
第3行：		第3行：

	<div class="math-subject-grid">		<div class="math-subject-grid">
	<div class="math-subject"><div class="math-subject-number">01</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">∀</span><div><h3 class="math-subject-title">[[:分类:基础与逻辑\|基础与逻辑]]</h3><p class="math-subject-description">从集合、映射与推理，学会准确表达数学。</p></div></div><div class="math-subject-links">[[集合]] / [[函数]] / [[逻辑]]</div></div>		<div class="math-subject"><div class="math-subject-number">01</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">∀</span><div><h3 class="math-subject-title">[[:分类:基础与逻辑\|基础与逻辑]]</h3><p class="math-subject-description">从集合、映射与推理，学会准确表达数学。</p></div></div><div class="math-subject-links">[[集合]] / [[函数]] / [[逻辑]] / [[皮亚诺公理]]</div></div>
	<div class="math-subject"><div class="math-subject-number">02</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">A</span><div><h3 class="math-subject-title">[[:分类:代数\|代数]]</h3><p class="math-subject-description">理解线性结构、运算规律与对称。</p></div></div><div class="math-subject-links">[[矩阵]] / [[向量空间]] / [[线性代数]] / [[群]]</div></div>		<div class="math-subject"><div class="math-subject-number">02</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">A</span><div><h3 class="math-subject-title">[[:分类:代数\|代数]]</h3><p class="math-subject-description">理解线性结构、运算规律与对称。</p></div></div><div class="math-subject-links">[[矩阵]] / [[向量空间]] / [[线性代数]] / [[群]] / [[柯西不等式]]</div></div>
	<div class="math-subject"><div class="math-subject-number">03</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">ℤ</span><div><h3 class="math-subject-title">[[:分类:数论\|数论]]</h3><p class="math-subject-description">在整数、素数与余数中寻找规律。</p></div></div><div class="math-subject-links">[[整数整除]] / [[素数]] / [[同余]]</div></div>		<div class="math-subject"><div class="math-subject-number">03</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">ℤ</span><div><h3 class="math-subject-title">[[:分类:数论\|数论]]</h3><p class="math-subject-description">在整数、素数与余数中寻找规律。</p></div></div><div class="math-subject-links">[[整数整除]] / [[素数]] / [[同余]]</div></div>
	<div class="math-subject"><div class="math-subject-number">04</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">△</span><div><h3 class="math-subject-title">[[:分类:几何\|几何]]</h3><p class="math-subject-description">把形状的直观转化为可证明的关系。</p></div></div><div class="math-subject-links">[[欧氏几何]] / [[勾股定理]] / [[圆锥曲线]]</div></div>		<div class="math-subject"><div class="math-subject-number">04</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">△</span><div><h3 class="math-subject-title">[[:分类:几何\|几何]]</h3><p class="math-subject-description">把形状的直观转化为可证明的关系。</p></div></div><div class="math-subject-links">[[欧氏几何]] / [[勾股定理]] / [[圆锥曲线]] / [[余弦定理]] / [[海伦公式]]</div></div>
	<div class="math-subject"><div class="math-subject-number">05</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">○</span><div><h3 class="math-subject-title">[[:分类:拓扑\|拓扑]]</h3><p class="math-subject-description">研究连续变化下保留的空间结构。</p></div></div><div class="math-subject-links">[[拓扑空间]] / [[连续映射]] / [[环面]]</div></div>		<div class="math-subject"><div class="math-subject-number">05</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">○</span><div><h3 class="math-subject-title">[[:分类:拓扑\|拓扑]]</h3><p class="math-subject-description">研究连续变化下保留的空间结构。</p></div></div><div class="math-subject-links">[[拓扑空间]] / [[连续映射]] / [[环面]]</div></div>
	<div class="math-subject"><div class="math-subject-number">06</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">∫</span><div><h3 class="math-subject-title">[[:分类:分析\|分析]]</h3><p class="math-subject-description">用极限理解局部变化与累积。</p></div></div><div class="math-subject-links">[[极限]] / [[导数]] / [[积分]] / [[微积分]] / [[欧拉公式]]</div></div>		<div class="math-subject"><div class="math-subject-number">06</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">∫</span><div><h3 class="math-subject-title">[[:分类:分析\|分析]]</h3><p class="math-subject-description">用极限理解局部变化与累积。</p></div></div><div class="math-subject-links">[[极限]] / [[导数]] / [[积分]] / [[微积分]] / [[欧拉公式]]</div></div>
	<div class="math-subject"><div class="math-subject-number">07</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">∂</span><div><h3 class="math-subject-title">[[:分类:微分方程与动力系统\|微分方程与动力系统]]</h3><p class="math-subject-description">从变化规律重建随时间演化的状态。</p></div></div><div class="math-subject-links">[[微分方程]] / [[一阶线性微分方程]] / [[洛吉斯蒂模型]]</div></div>		<div class="math-subject"><div class="math-subject-number">07</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">∂</span><div><h3 class="math-subject-title">[[:分类:微分方程与动力系统\|微分方程与动力系统]]</h3><p class="math-subject-description">从变化规律重建随时间演化的状态。</p></div></div><div class="math-subject-links">[[微分方程]] / [[一阶线性微分方程]] / [[洛吉斯蒂模型]] / [[差分方程模型]] / [[捕食者-猎物模型]]</div></div>
	<div class="math-subject"><div class="math-subject-number">08</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">P</span><div><h3 class="math-subject-title">[[:分类:概率与统计\|概率与统计]]</h3><p class="math-subject-description">描述随机现象，并解释数据支持什么结论。</p></div></div><div class="math-subject-links">[[统计图]] / [[概率分布]] / [[概率]] / [[期望]] / [[贝叶斯定理]] / [[统计推断]]</div></div>		<div class="math-subject"><div class="math-subject-number">08</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">P</span><div><h3 class="math-subject-title">[[:分类:概率与统计\|概率与统计]]</h3><p class="math-subject-description">描述随机现象，并解释数据支持什么结论。</p></div></div><div class="math-subject-links">[[统计图]] / [[概率分布]] / [[概率]] / [[期望]] / [[贝叶斯定理]] / [[统计推断]]</div></div>
	<div class="math-subject"><div class="math-subject-number">09</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">G</span><div><h3 class="math-subject-title">[[:分类:离散数学\|离散数学]]</h3><p class="math-subject-description">在计数、网络和有限结构中训练证明。</p></div></div><div class="math-subject-links">[[逻辑]] / [[组合数学]] / [[图论]]</div></div>		<div class="math-subject"><div class="math-subject-number">09</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">G</span><div><h3 class="math-subject-title">[[:分类:离散数学\|离散数学]]</h3><p class="math-subject-description">在计数、网络和有限结构中训练证明。</p></div></div><div class="math-subject-links">[[逻辑]] / [[组合数学]] / [[图论]] / [[抽屉原理]]</div></div>
	<div class="math-subject"><div class="math-subject-number">10</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">≈</span><div><h3 class="math-subject-title">[[:分类:数值分析\|数值分析]]</h3><p class="math-subject-description">控制近似计算的误差与稳定性。</p></div></div><div class="math-subject-links">[[二分法]] / [[牛顿法]] / [[数值积分]]</div></div>		<div class="math-subject"><div class="math-subject-number">10</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">≈</span><div><h3 class="math-subject-title">[[:分类:数值分析\|数值分析]]</h3><p class="math-subject-description">控制近似计算的误差与稳定性。</p></div></div><div class="math-subject-links">[[二分法]] / [[牛顿法]] / [[数值积分]]</div></div>
	<div class="math-subject"><div class="math-subject-number">11</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">min</span><div><h3 class="math-subject-title">[[:分类:优化与运筹\|优化与运筹]]</h3><p class="math-subject-description">在约束下选择方案，并给出最优性证据。</p></div></div><div class="math-subject-links">[[优化]] / [[线性规划]] / [[最短路径]]</div></div>		<div class="math-subject"><div class="math-subject-number">11</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">min</span><div><h3 class="math-subject-title">[[:分类:优化与运筹\|优化与运筹]]</h3><p class="math-subject-description">在约束下选择方案，并给出最优性证据。</p></div></div><div class="math-subject-links">[[优化]] / [[线性规划]] / [[最短路径]]</div></div>
	<div class="math-subject"><div class="math-subject-number">12</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">↔</span><div><h3 class="math-subject-title">[[:分类:应用与建模\|应用与建模]]</h3><p class="math-subject-description">让假设、数据、方程与验证形成闭环。</p></div></div><div class="math-subject-links">[[数学建模]] / [[最小二乘法]] / [[量纲分析]]</div></div>		<div class="math-subject"><div class="math-subject-number">12</div><div class="math-subject-body"><span class="math-subject-symbol" aria-hidden="true">↔</span><div><h3 class="math-subject-title">[[:分类:应用与建模\|应用与建模]]</h3><p class="math-subject-description">让假设、数据、方程与验证形成闭环。</p></div></div><div class="math-subject-links">[[数学建模]] / [[最小二乘法]] / [[量纲分析]] / [[线性模型]]</div></div>
	</div>		</div>