const __vite__mapDeps=(i,m=__vite__mapDeps,d=(m.f||(m.f=["assets/index-DIQ3BdOD.js","assets/index-BhJRvJiL.js","assets/index-BASBh8xp.js"])))=>i.map(i=>d[i]); /** * @vue/shared v3.5.31 * (c) 2018-present Yuxi (Evan) You and Vue contributors * @license MIT **/function m2(s){const a=Object.create(null);for(const t of s.split(","))a[t]=1;return t=>t in a}const wt={},am=[],Nl=()=>{},qw=()=>!1,jc=s=>s.charCodeAt(0)===111&&s.charCodeAt(1)===110&&(s.charCodeAt(2)>122||s.charCodeAt(2)<97),ed=s=>s.startsWith("onUpdate:"),mn=Object.assign,o2=(s,a)=>{const t=s.indexOf(a);t>-1&&s.splice(t,1)},OD=Object.prototype.hasOwnProperty,ut=(s,a)=>OD.call(s,a),Ma=Array.isArray,tm=s=>Gc(s)==="[object Map]",qm=s=>Gc(s)==="[object Set]",s5=s=>Gc(s)==="[object Date]",Fa=s=>typeof s=="function",Wt=s=>typeof s=="string",Me=s=>typeof s=="symbol",mt=s=>s!==null&&typeof s=="object",Uw=s=>(mt(s)||Fa(s))&&Fa(s.then)&&Fa(s.catch),jw=Object.prototype.toString,Gc=s=>jw.call(s),ID=s=>Gc(s).slice(8,-1),Gw=s=>Gc(s)==="[object Object]",ld=s=>Wt(s)&&s!=="NaN"&&s[0]!=="-"&&""+parseInt(s,10)===s,sr=m2(",key,ref,ref_for,ref_key,onVnodeBeforeMount,onVnodeMounted,onVnodeBeforeUpdate,onVnodeUpdated,onVnodeBeforeUnmount,onVnodeUnmounted"),id=s=>{const a=Object.create(null);return(t=>a[t]||(a[t]=s(t)))},ND=/-\w/g,Ln=id(s=>s.replace(ND,a=>a.slice(1).toUpperCase())),PD=/\B([A-Z])/g,xr=id(s=>s.replace(PD,"-$1").toLowerCase()),Wc=id(s=>s.charAt(0).toUpperCase()+s.slice(1)),Jg=id(s=>s?`on${Wc(s)}`:""),nl=(s,a)=>!Object.is(s,a),R0=(s,...a)=>{for(let t=0;t{Object.defineProperty(s,a,{configurable:!0,enumerable:!1,writable:n,value:t})},pd=s=>{const a=parseFloat(s);return isNaN(a)?s:a},RD=s=>{const a=Wt(s)?Number(s):NaN;return isNaN(a)?s:a};let a5;const rd=()=>a5||(a5=typeof globalThis<"u"?globalThis:typeof self<"u"?self:typeof window<"u"?window:typeof global<"u"?global:{});function pn(s){if(Ma(s)){const a={};for(let t=0;t{if(t){const n=t.split(VD);n.length>1&&(a[n[0].trim()]=n[1].trim())}}),a}function Va(s){let a="";if(Wt(s))a=s;else if(Ma(s))for(let t=0;tUm(t,a))}const Xw=s=>!!(s&&s.__v_isRef===!0),Ka=s=>Wt(s)?s:s==null?"":Ma(s)||mt(s)&&(s.toString===jw||!Fa(s.toString))?Xw(s)?Ka(s.value):JSON.stringify(s,Kw,2):String(s),Kw=(s,a)=>Xw(a)?Kw(s,a.value):tm(a)?{[`Map(${a.size})`]:[...a.entries()].reduce((t,[n,e],l)=>(t[s1(n,l)+" =>"]=e,t),{})}:qm(a)?{[`Set(${a.size})`]:[...a.values()].map(t=>s1(t))}:Me(a)?s1(a):mt(a)&&!Ma(a)&&!Gw(a)?String(a):a,s1=(s,a="")=>{var t;return Me(s)?`Symbol(${(t=s.description)!=null?t:a})`:s};/** * @vue/reactivity v3.5.31 * (c) 2018-present Yuxi (Evan) You and Vue contributors * @license MIT **/let Pn;class Zw{constructor(a=!1){this.detached=a,this._active=!0,this._on=0,this.effects=[],this.cleanups=[],this._isPaused=!1,this.__v_skip=!0,this.parent=Pn,!a&&Pn&&(this.index=(Pn.scopes||(Pn.scopes=[])).push(this)-1)}get active(){return this._active}pause(){if(this._active){this._isPaused=!0;let a,t;if(this.scopes)for(a=0,t=this.scopes.length;a0&&--this._on===0&&(Pn=this.prevScope,this.prevScope=void 0)}stop(a){if(this._active){this._active=!1;let t,n;for(t=0,n=this.effects.length;t0)return;if(jo){let a=jo;for(jo=void 0;a;){const t=a.next;a.next=void 0,a.flags&=-9,a=t}}let s;for(;Uo;){let a=Uo;for(Uo=void 0;a;){const t=a.next;if(a.next=void 0,a.flags&=-9,a.flags&1)try{a.trigger()}catch(n){s||(s=n)}a=t}}if(s)throw s}function t4(s){for(let a=s.deps;a;a=a.nextDep)a.version=-1,a.prevActiveLink=a.dep.activeLink,a.dep.activeLink=a}function n4(s){let a,t=s.depsTail,n=t;for(;n;){const e=n.prevDep;n.version===-1?(n===t&&(t=e),d2(n),WD(n)):a=n,n.dep.activeLink=n.prevActiveLink,n.prevActiveLink=void 0,n=e}s.deps=a,s.depsTail=t}function ky(s){for(let a=s.deps;a;a=a.nextDep)if(a.dep.version!==a.version||a.dep.computed&&(e4(a.dep.computed)||a.dep.version!==a.version))return!0;return!!s._dirty}function e4(s){if(s.flags&4&&!(s.flags&16)||(s.flags&=-17,s.globalVersion===cc)||(s.globalVersion=cc,!s.isSSR&&s.flags&128&&(!s.deps&&!s._dirty||!ky(s))))return;s.flags|=2;const a=s.dep,t=bt,n=ml;bt=s,ml=!0;try{t4(s);const e=s.fn(s._value);(a.version===0||nl(e,s._value))&&(s.flags|=128,s._value=e,a.version++)}catch(e){throw a.version++,e}finally{bt=t,ml=n,n4(s),s.flags&=-3}}function d2(s,a=!1){const{dep:t,prevSub:n,nextSub:e}=s;if(n&&(n.nextSub=e,s.prevSub=void 0),e&&(e.prevSub=n,s.nextSub=void 0),t.subs===s&&(t.subs=n,!n&&t.computed)){t.computed.flags&=-5;for(let l=t.computed.deps;l;l=l.nextDep)d2(l,!0)}!a&&!--t.sc&&t.map&&t.map.delete(t.key)}function WD(s){const{prevDep:a,nextDep:t}=s;a&&(a.nextDep=t,s.prevDep=void 0),t&&(t.prevDep=a,s.nextDep=void 0)}let ml=!0;const l4=[];function _i(){l4.push(ml),ml=!1}function ki(){const s=l4.pop();ml=s===void 0?!0:s}function t5(s){const{cleanup:a}=s;if(s.cleanup=void 0,a){const t=bt;bt=void 0;try{a()}finally{bt=t}}}let cc=0;class YD{constructor(a,t){this.sub=a,this.dep=t,this.version=t.version,this.nextDep=this.prevDep=this.nextSub=this.prevSub=this.prevActiveLink=void 0}}class md{constructor(a){this.computed=a,this.version=0,this.activeLink=void 0,this.subs=void 0,this.map=void 0,this.key=void 0,this.sc=0,this.__v_skip=!0}track(a){if(!bt||!ml||bt===this.computed)return;let t=this.activeLink;if(t===void 0||t.sub!==bt)t=this.activeLink=new YD(bt,this),bt.deps?(t.prevDep=bt.depsTail,bt.depsTail.nextDep=t,bt.depsTail=t):bt.deps=bt.depsTail=t,i4(t);else if(t.version===-1&&(t.version=this.version,t.nextDep)){const n=t.nextDep;n.prevDep=t.prevDep,t.prevDep&&(t.prevDep.nextDep=n),t.prevDep=bt.depsTail,t.nextDep=void 0,bt.depsTail.nextDep=t,bt.depsTail=t,bt.deps===t&&(bt.deps=n)}return t}trigger(a){this.version++,cc++,this.notify(a)}notify(a){h2();try{for(let t=this.subs;t;t=t.prevSub)t.sub.notify()&&t.sub.dep.notify()}finally{u2()}}}function i4(s){if(s.dep.sc++,s.sub.flags&4){const a=s.dep.computed;if(a&&!s.dep.subs){a.flags|=20;for(let n=a.deps;n;n=n.nextDep)i4(n)}const t=s.dep.subs;t!==s&&(s.prevSub=t,t&&(t.nextSub=s)),s.dep.subs=s}}const ru=new WeakMap,ar=Symbol(""),By=Symbol(""),hc=Symbol("");function $n(s,a,t){if(ml&&bt){let n=ru.get(s);n||ru.set(s,n=new Map);let e=n.get(t);e||(n.set(t,e=new md),e.map=n,e.key=t),e.track()}}function ui(s,a,t,n,e,l){const i=ru.get(s);if(!i){cc++;return}const p=r=>{r&&r.trigger()};if(h2(),a==="clear")i.forEach(p);else{const r=Ma(s),m=r&&ld(t);if(r&&t==="length"){const o=Number(n);i.forEach((c,h)=>{(h==="length"||h===hc||!Me(h)&&h>=o)&&p(c)})}else switch((t!==void 0||i.has(void 0))&&p(i.get(t)),m&&p(i.get(hc)),a){case"add":r?m&&p(i.get("length")):(p(i.get(ar)),tm(s)&&p(i.get(By)));break;case"delete":r||(p(i.get(ar)),tm(s)&&p(i.get(By)));break;case"set":tm(s)&&p(i.get(ar));break}}u2()}function XD(s,a){const t=ru.get(s);return t&&t.get(a)}function Lr(s){const a=at(s);return a===s?a:($n(a,"iterate",hc),_e(s)?a:a.map(ol))}function od(s){return $n(s=at(s),"iterate",hc),s}function Cl(s,a){return Bi(s)?wm(up(s)?ol(a):a):ol(a)}const KD={__proto__:null,[Symbol.iterator](){return t1(this,Symbol.iterator,s=>Cl(this,s))},concat(...s){return Lr(this).concat(...s.map(a=>Ma(a)?Lr(a):a))},entries(){return t1(this,"entries",s=>(s[1]=Cl(this,s[1]),s))},every(s,a){return ai(this,"every",s,a,void 0,arguments)},filter(s,a){return ai(this,"filter",s,a,t=>t.map(n=>Cl(this,n)),arguments)},find(s,a){return ai(this,"find",s,a,t=>Cl(this,t),arguments)},findIndex(s,a){return ai(this,"findIndex",s,a,void 0,arguments)},findLast(s,a){return ai(this,"findLast",s,a,t=>Cl(this,t),arguments)},findLastIndex(s,a){return ai(this,"findLastIndex",s,a,void 0,arguments)},forEach(s,a){return ai(this,"forEach",s,a,void 0,arguments)},includes(...s){return n1(this,"includes",s)},indexOf(...s){return n1(this,"indexOf",s)},join(s){return Lr(this).join(s)},lastIndexOf(...s){return n1(this,"lastIndexOf",s)},map(s,a){return ai(this,"map",s,a,void 0,arguments)},pop(){return fo(this,"pop")},push(...s){return fo(this,"push",s)},reduce(s,...a){return n5(this,"reduce",s,a)},reduceRight(s,...a){return n5(this,"reduceRight",s,a)},shift(){return fo(this,"shift")},some(s,a){return ai(this,"some",s,a,void 0,arguments)},splice(...s){return fo(this,"splice",s)},toReversed(){return Lr(this).toReversed()},toSorted(s){return Lr(this).toSorted(s)},toSpliced(...s){return Lr(this).toSpliced(...s)},unshift(...s){return fo(this,"unshift",s)},values(){return t1(this,"values",s=>Cl(this,s))}};function t1(s,a,t){const n=od(s),e=n[a]();return n!==s&&!_e(s)&&(e._next=e.next,e.next=()=>{const l=e._next();return l.done||(l.value=t(l.value)),l}),e}const ZD=Array.prototype;function ai(s,a,t,n,e,l){const i=od(s),p=i!==s&&!_e(s),r=i[a];if(r!==ZD[a]){const c=r.apply(s,l);return p?ol(c):c}let m=t;i!==s&&(p?m=function(c,h){return t.call(this,Cl(s,c),h,s)}:t.length>2&&(m=function(c,h){return t.call(this,c,h,s)}));const o=r.call(i,m,n);return p&&e?e(o):o}function n5(s,a,t,n){const e=od(s),l=e!==s&&!_e(s);let i=t,p=!1;e!==s&&(l?(p=n.length===0,i=function(m,o,c){return p&&(p=!1,m=Cl(s,m)),t.call(this,m,Cl(s,o),c,s)}):t.length>3&&(i=function(m,o,c){return t.call(this,m,o,c,s)}));const r=e[a](i,...n);return p?Cl(s,r):r}function n1(s,a,t){const n=at(s);$n(n,"iterate",hc);const e=n[a](...t);return(e===-1||e===!1)&&ud(t[0])?(t[0]=at(t[0]),n[a](...t)):e}function fo(s,a,t=[]){_i(),h2();const n=at(s)[a].apply(s,t);return u2(),ki(),n}const QD=m2("__proto__,__v_isRef,__isVue"),p4=new Set(Object.getOwnPropertyNames(Symbol).filter(s=>s!=="arguments"&&s!=="caller").map(s=>Symbol[s]).filter(Me));function JD(s){Me(s)||(s=String(s));const a=at(this);return $n(a,"has",s),a.hasOwnProperty(s)}class r4{constructor(a=!1,t=!1){this._isReadonly=a,this._isShallow=t}get(a,t,n){if(t==="__v_skip")return a.__v_skip;const e=this._isReadonly,l=this._isShallow;if(t==="__v_isReactive")return!e;if(t==="__v_isReadonly")return e;if(t==="__v_isShallow")return l;if(t==="__v_raw")return n===(e?l?d4:u4:l?h4:c4).get(a)||Object.getPrototypeOf(a)===Object.getPrototypeOf(n)?a:void 0;const i=Ma(a);if(!e){let r;if(i&&(r=KD[t]))return r;if(t==="hasOwnProperty")return JD}const p=Reflect.get(a,t,Xa(a)?a:n);if((Me(t)?p4.has(t):QD(t))||(e||$n(a,"get",t),l))return p;if(Xa(p)){const r=i&&ld(t)?p:p.value;return e&&mt(r)?ql(r):r}return mt(p)?e?ql(p):fp(p):p}}class m4 extends r4{constructor(a=!1){super(!1,a)}set(a,t,n,e){let l=a[t];const i=Ma(a)&&ld(t);if(!this._isShallow){const m=Bi(l);if(!_e(n)&&!Bi(n)&&(l=at(l),n=at(n)),!i&&Xa(l)&&!Xa(n))return m||(l.value=n),!0}const p=i?Number(t)s,Xh=s=>Reflect.getPrototypeOf(s);function eL(s,a,t){return function(...n){const e=this.__v_raw,l=at(e),i=tm(l),p=s==="entries"||s===Symbol.iterator&&i,r=s==="keys"&&i,m=e[s](...n),o=t?My:a?wm:ol;return!a&&$n(l,"iterate",r?By:ar),mn(Object.create(m),{next(){const{value:c,done:h}=m.next();return h?{value:c,done:h}:{value:p?[o(c[0]),o(c[1])]:o(c),done:h}}})}}function Kh(s){return function(...a){return s==="delete"?!1:s==="clear"?void 0:this}}function lL(s,a){const t={get(e){const l=this.__v_raw,i=at(l),p=at(e);s||(nl(e,p)&&$n(i,"get",e),$n(i,"get",p));const{has:r}=Xh(i),m=a?My:s?wm:ol;if(r.call(i,e))return m(l.get(e));if(r.call(i,p))return m(l.get(p));l!==i&&l.get(e)},get size(){const e=this.__v_raw;return!s&&$n(at(e),"iterate",ar),e.size},has(e){const l=this.__v_raw,i=at(l),p=at(e);return s||(nl(e,p)&&$n(i,"has",e),$n(i,"has",p)),e===p?l.has(e):l.has(e)||l.has(p)},forEach(e,l){const i=this,p=i.__v_raw,r=at(p),m=a?My:s?wm:ol;return!s&&$n(r,"iterate",ar),p.forEach((o,c)=>e.call(l,m(o),m(c),i))}};return mn(t,s?{add:Kh("add"),set:Kh("set"),delete:Kh("delete"),clear:Kh("clear")}:{add(e){const l=at(this),i=Xh(l),p=at(e),r=!a&&!_e(e)&&!Bi(e)?p:e;return i.has.call(l,r)||nl(e,r)&&i.has.call(l,e)||nl(p,r)&&i.has.call(l,p)||(l.add(r),ui(l,"add",r,r)),this},set(e,l){!a&&!_e(l)&&!Bi(l)&&(l=at(l));const i=at(this),{has:p,get:r}=Xh(i);let m=p.call(i,e);m||(e=at(e),m=p.call(i,e));const o=r.call(i,e);return i.set(e,l),m?nl(l,o)&&ui(i,"set",e,l):ui(i,"add",e,l),this},delete(e){const l=at(this),{has:i,get:p}=Xh(l);let r=i.call(l,e);r||(e=at(e),r=i.call(l,e)),p&&p.call(l,e);const m=l.delete(e);return r&&ui(l,"delete",e,void 0),m},clear(){const e=at(this),l=e.size!==0,i=e.clear();return l&&ui(e,"clear",void 0,void 0),i}}),["keys","values","entries",Symbol.iterator].forEach(e=>{t[e]=eL(e,s,a)}),t}function cd(s,a){const t=lL(s,a);return(n,e,l)=>e==="__v_isReactive"?!s:e==="__v_isReadonly"?s:e==="__v_raw"?n:Reflect.get(ut(t,e)&&e in n?t:n,e,l)}const iL={get:cd(!1,!1)},pL={get:cd(!1,!0)},rL={get:cd(!0,!1)},mL={get:cd(!0,!0)},c4=new WeakMap,h4=new WeakMap,u4=new WeakMap,d4=new WeakMap;function oL(s){switch(s){case"Object":case"Array":return 1;case"Map":case"Set":case"WeakMap":case"WeakSet":return 2;default:return 0}}function cL(s){return s.__v_skip||!Object.isExtensible(s)?0:oL(ID(s))}function fp(s){return Bi(s)?s:hd(s,!1,sL,iL,c4)}function g4(s){return hd(s,!1,tL,pL,h4)}function ql(s){return hd(s,!0,aL,rL,u4)}function hL(s){return hd(s,!0,nL,mL,d4)}function hd(s,a,t,n,e){if(!mt(s)||s.__v_raw&&!(a&&s.__v_isReactive))return s;const l=cL(s);if(l===0)return s;const i=e.get(s);if(i)return i;const p=new Proxy(s,l===2?n:t);return e.set(s,p),p}function up(s){return Bi(s)?up(s.__v_raw):!!(s&&s.__v_isReactive)}function Bi(s){return!!(s&&s.__v_isReadonly)}function _e(s){return!!(s&&s.__v_isShallow)}function ud(s){return s?!!s.__v_raw:!1}function at(s){const a=s&&s.__v_raw;return a?at(a):s}function Go(s){return!ut(s,"__v_skip")&&Object.isExtensible(s)&&Ww(s,"__v_skip",!0),s}const ol=s=>mt(s)?fp(s):s,wm=s=>mt(s)?ql(s):s;function Xa(s){return s?s.__v_isRef===!0:!1}function Ws(s){return f4(s,!1)}function ka(s){return f4(s,!0)}function f4(s,a){return Xa(s)?s:new uL(s,a)}class uL{constructor(a,t){this.dep=new md,this.__v_isRef=!0,this.__v_isShallow=!1,this._rawValue=t?a:at(a),this._value=t?a:ol(a),this.__v_isShallow=t}get value(){return this.dep.track(),this._value}set value(a){const t=this._rawValue,n=this.__v_isShallow||_e(a)||Bi(a);a=n?a:at(a),nl(a,t)&&(this._rawValue=a,this._value=n?a:ol(a),this.dep.trigger())}}function js(s){return Xa(s)?s.value:s}function ga(s){return Fa(s)?s():js(s)}const dL={get:(s,a,t)=>a==="__v_raw"?s:js(Reflect.get(s,a,t)),set:(s,a,t,n)=>{const e=s[a];return Xa(e)&&!Xa(t)?(e.value=t,!0):Reflect.set(s,a,t,n)}};function y4(s){return up(s)?s:new Proxy(s,dL)}class gL{constructor(a){this.__v_isRef=!0,this._value=void 0;const t=this.dep=new md,{get:n,set:e}=a(t.track.bind(t),t.trigger.bind(t));this._get=n,this._set=e}get value(){return this._value=this._get()}set value(a){this._set(a)}}function g2(s){return new gL(s)}function v4(s){const a=Ma(s)?new Array(s.length):{};for(const t in s)a[t]=E4(s,t);return a}class fL{constructor(a,t,n){this._object=a,this._defaultValue=n,this.__v_isRef=!0,this._value=void 0,this._key=Me(t)?t:String(t),this._raw=at(a);let e=!0,l=a;if(!Ma(a)||Me(this._key)||!ld(this._key))do e=!ud(l)||_e(l);while(e&&(l=l.__v_raw));this._shallow=e}get value(){let a=this._object[this._key];return this._shallow&&(a=js(a)),this._value=a===void 0?this._defaultValue:a}set value(a){if(this._shallow&&Xa(this._raw[this._key])){const t=this._object[this._key];if(Xa(t)){t.value=a;return}}this._object[this._key]=a}get dep(){return XD(this._raw,this._key)}}class yL{constructor(a){this._getter=a,this.__v_isRef=!0,this.__v_isReadonly=!0,this._value=void 0}get value(){return this._value=this._getter()}}function it(s,a,t){return Xa(s)?s:Fa(s)?new yL(s):mt(s)&&arguments.length>1?E4(s,a,t):Ws(s)}function E4(s,a,t){return new fL(s,a,t)}class vL{constructor(a,t,n){this.fn=a,this.setter=t,this._value=void 0,this.dep=new md(this),this.__v_isRef=!0,this.deps=void 0,this.depsTail=void 0,this.flags=16,this.globalVersion=cc-1,this.next=void 0,this.effect=this,this.__v_isReadonly=!t,this.isSSR=n}notify(){if(this.flags|=16,!(this.flags&8)&&bt!==this)return a4(this,!0),!0}get value(){const a=this.dep.track();return e4(this),a&&(a.version=this.dep.version),this._value}set value(a){this.setter&&this.setter(a)}}function EL(s,a,t=!1){let n,e;return Fa(s)?n=s:(n=s.get,e=s.set),new vL(n,e,t)}const Zh={},mu=new WeakMap;let Rp;function xL(s,a=!1,t=Rp){if(t){let n=mu.get(t);n||mu.set(t,n=[]),n.push(s)}}function wL(s,a,t=wt){const{immediate:n,deep:e,once:l,scheduler:i,augmentJob:p,call:r}=t,m=C=>e?C:_e(C)||e===!1||e===0?di(C,1):di(C);let o,c,h,u,y=!1,x=!1;if(Xa(s)?(c=()=>s.value,y=_e(s)):up(s)?(c=()=>m(s),y=!0):Ma(s)?(x=!0,y=s.some(C=>up(C)||_e(C)),c=()=>s.map(C=>{if(Xa(C))return C.value;if(up(C))return m(C);if(Fa(C))return r?r(C,2):C()})):Fa(s)?a?c=r?()=>r(s,2):s:c=()=>{if(h){_i();try{h()}finally{ki()}}const C=Rp;Rp=o;try{return r?r(s,3,[u]):s(u)}finally{Rp=C}}:c=Nl,a&&e){const C=c,I=e===!0?1/0:e;c=()=>di(C(),I)}const b=Yc(),_=()=>{o.stop(),b&&b.active&&o2(b.effects,o)};if(l&&a){const C=a;a=(...I)=>{C(...I),_()}}let T=x?new Array(s.length).fill(Zh):Zh;const A=C=>{if(!(!(o.flags&1)||!o.dirty&&!C))if(a){const I=o.run();if(e||y||(x?I.some(($,U)=>nl($,T[U])):nl(I,T))){h&&h();const $=Rp;Rp=o;try{const U=[I,T===Zh?void 0:x&&T[0]===Zh?[]:T,u];T=I,r?r(a,3,U):a(...U)}finally{Rp=$}}}else o.run()};return p&&p(A),o=new Jw(c),o.scheduler=i?()=>i(A,!1):A,u=C=>xL(C,!1,o),h=o.onStop=()=>{const C=mu.get(o);if(C){if(r)r(C,4);else for(const I of C)I();mu.delete(o)}},a?n?A(!0):T=o.run():i?i(A.bind(null,!0),!0):o.run(),_.pause=o.pause.bind(o),_.resume=o.resume.bind(o),_.stop=_,_}function di(s,a=1/0,t){if(a<=0||!mt(s)||s.__v_skip||(t=t||new Map,(t.get(s)||0)>=a))return s;if(t.set(s,a),a--,Xa(s))di(s.value,a,t);else if(Ma(s))for(let n=0;n{di(n,a,t)});else if(Gw(s)){for(const n in s)di(s[n],a,t);for(const n of Object.getOwnPropertySymbols(s))Object.prototype.propertyIsEnumerable.call(s,n)&&di(s[n],a,t)}return s}/** * @vue/runtime-core v3.5.31 * (c) 2018-present Yuxi (Evan) You and Vue contributors * @license MIT **/function Xc(s,a,t,n){try{return n?s(...n):s()}catch(e){Kc(e,a,t)}}function cl(s,a,t,n){if(Fa(s)){const e=Xc(s,a,t,n);return e&&Uw(e)&&e.catch(l=>{Kc(l,a,t)}),e}if(Ma(s)){const e=[];for(let l=0;l>>1,e=Xn[n],l=uc(e);l=uc(t)?Xn.push(s):Xn.splice(AL(a),0,s),s.flags|=1,w4()}}function w4(){ou||(ou=x4.then(b4))}function _L(s){Ma(s)?nm.push(...s):Ki&&s.id===-1?Ki.splice(Ur+1,0,s):s.flags&1||(nm.push(s),s.flags|=1),w4()}function e5(s,a,t=kl+1){for(;tuc(t)-uc(n));if(nm.length=0,Ki){Ki.push(...a);return}for(Ki=a,Ur=0;Urs.id==null?s.flags&2?-1:1/0:s.id;function b4(s){try{for(kl=0;kl{n._d&&gu(-1);const l=hu(a);let i;try{i=s(...e)}finally{hu(l),n._d&&gu(1)}return i};return n._n=!0,n._c=!0,n._d=!0,n}function Xt(s,a){if(zn===null)return s;const t=fd(zn),n=s.dirs||(s.dirs=[]);for(let e=0;e1)return t&&Fa(a)?a.call(n&&n.proxy):a}}function _4(){return!!(Hn()||nr)}const kL=Symbol.for("v-scx"),BL=()=>Za(kL);function y2(s,a){return v2(s,null,a)}function wa(s,a,t){return v2(s,a,t)}function v2(s,a,t=wt){const{immediate:n,deep:e,flush:l,once:i}=t,p=mn({},t),r=a&&n||!a&&l!=="post";let m;if(Am){if(l==="sync"){const u=BL();m=u.__watcherHandles||(u.__watcherHandles=[])}else if(!r){const u=()=>{};return u.stop=Nl,u.resume=Nl,u.pause=Nl,u}}const o=Cn;p.call=(u,y,x)=>cl(u,o,y,x);let c=!1;l==="post"?p.scheduler=u=>{me(u,o&&o.suspense)}:l!=="sync"&&(c=!0,p.scheduler=(u,y)=>{y?u():f2(u)}),p.augmentJob=u=>{a&&(u.flags|=4),c&&(u.flags|=2,o&&(u.id=o.uid,u.i=o))};const h=wL(s,a,p);return Am&&(m?m.push(h):r&&h()),h}function ML(s,a,t){const n=this.proxy,e=Wt(s)?s.includes(".")?k4(n,s):()=>n[s]:s.bind(n,n);let l;Fa(a)?l=a:(l=a.handler,t=a);const i=Qc(this),p=v2(e,l.bind(n),t);return i(),p}function k4(s,a){const t=a.split(".");return()=>{let n=s;for(let e=0;es.__isTeleport,Ml=Symbol("_leaveCb"),yo=Symbol("_enterCb");function M4(){const s={isMounted:!1,isLeaving:!1,isUnmounting:!1,leavingVNodes:new Map};return Ba(()=>{s.isMounted=!0}),jm(()=>{s.isUnmounting=!0}),s}const Ie=[Function,Array],T4={mode:String,appear:Boolean,persisted:Boolean,onBeforeEnter:Ie,onEnter:Ie,onAfterEnter:Ie,onEnterCancelled:Ie,onBeforeLeave:Ie,onLeave:Ie,onAfterLeave:Ie,onLeaveCancelled:Ie,onBeforeAppear:Ie,onAppear:Ie,onAfterAppear:Ie,onAppearCancelled:Ie},C4=s=>{const a=s.subTree;return a.component?C4(a.component):a},CL={name:"BaseTransition",props:T4,setup(s,{slots:a}){const t=Hn(),n=M4();return()=>{const e=a.default&&E2(a.default(),!0);if(!e||!e.length)return;const l=z4(e),i=at(s),{mode:p}=i;if(n.isLeaving)return e1(l);const r=l5(l);if(!r)return e1(l);let m=dc(r,i,n,t,c=>m=c);r.type!==bn&&mr(r,m);let o=t.subTree&&l5(t.subTree);if(o&&o.type!==bn&&!Vp(o,r)&&C4(t).type!==bn){let c=dc(o,i,n,t);if(mr(o,c),p==="out-in"&&r.type!==bn)return n.isLeaving=!0,c.afterLeave=()=>{n.isLeaving=!1,t.job.flags&8||t.update(),delete c.afterLeave,o=void 0},e1(l);p==="in-out"&&r.type!==bn?c.delayLeave=(h,u,y)=>{const x=D4(n,o);x[String(o.key)]=o,h[Ml]=()=>{u(),h[Ml]=void 0,delete m.delayedLeave,o=void 0},m.delayedLeave=()=>{y(),delete m.delayedLeave,o=void 0}}:o=void 0}else o&&(o=void 0);return l}}};function z4(s){let a=s[0];if(s.length>1){for(const t of s)if(t.type!==bn){a=t;break}}return a}const zL=CL;function D4(s,a){const{leavingVNodes:t}=s;let n=t.get(a.type);return n||(n=Object.create(null),t.set(a.type,n)),n}function dc(s,a,t,n,e){const{appear:l,mode:i,persisted:p=!1,onBeforeEnter:r,onEnter:m,onAfterEnter:o,onEnterCancelled:c,onBeforeLeave:h,onLeave:u,onAfterLeave:y,onLeaveCancelled:x,onBeforeAppear:b,onAppear:_,onAfterAppear:T,onAppearCancelled:A}=a,C=String(s.key),I=D4(t,s),$=(P,G)=>{P&&cl(P,n,9,G)},U=(P,G)=>{const X=G[1];$(P,G),Ma(P)?P.every(S=>S.length<=1)&&X():P.length<=1&&X()},L={mode:i,persisted:p,beforeEnter(P){let G=r;if(!t.isMounted)if(l)G=b||r;else return;P[Ml]&&P[Ml](!0);const X=I[C];X&&Vp(s,X)&&X.el[Ml]&&X.el[Ml](),$(G,[P])},enter(P){if(I[C]===s)return;let G=m,X=o,S=c;if(!t.isMounted)if(l)G=_||m,X=T||o,S=A||c;else return;let is=!1;P[yo]=ss=>{is||(is=!0,ss?$(S,[P]):$(X,[P]),L.delayedLeave&&L.delayedLeave(),P[yo]=void 0)};const R=P[yo].bind(null,!1);G?U(G,[P,R]):R()},leave(P,G){const X=String(s.key);if(P[yo]&&P[yo](!0),t.isUnmounting)return G();$(h,[P]);let S=!1;P[Ml]=R=>{S||(S=!0,G(),R?$(x,[P]):$(y,[P]),P[Ml]=void 0,I[X]===s&&delete I[X])};const is=P[Ml].bind(null,!1);I[X]=s,u?U(u,[P,is]):is()},clone(P){const G=dc(P,a,t,n,e);return e&&e(G),G}};return L}function e1(s){if(Zc(s))return s=yp(s),s.children=null,s}function l5(s){if(!Zc(s))return B4(s.type)&&s.children?z4(s.children):s;if(s.component)return s.component.subTree;const{shapeFlag:a,children:t}=s;if(t){if(a&16)return t[0];if(a&32&&Fa(t.default))return t.default()}}function mr(s,a){s.shapeFlag&6&&s.component?(s.transition=a,mr(s.component.subTree,a)):s.shapeFlag&128?(s.ssContent.transition=a.clone(s.ssContent),s.ssFallback.transition=a.clone(s.ssFallback)):s.transition=a}function E2(s,a=!1,t){let n=[],e=0;for(let l=0;l1)for(let l=0;lem(x,a&&(Ma(a)?a[b]:a),t,n,e));return}if(tr(n)&&!e){n.shapeFlag&512&&n.type.__asyncResolved&&n.component.subTree.component&&em(s,a,t,n.component.subTree);return}const l=n.shapeFlag&4?fd(n.component):n.el,i=e?null:l,{i:p,r}=s,m=a&&a.r,o=p.refs===wt?p.refs={}:p.refs,c=p.setupState,h=at(c),u=c===wt?qw:x=>i5(o,x)?!1:ut(h,x),y=(x,b)=>!(b&&i5(o,b));if(m!=null&&m!==r){if(p5(a),Wt(m))o[m]=null,u(m)&&(c[m]=null);else if(Xa(m)){const x=a;y(m,x.k)&&(m.value=null),x.k&&(o[x.k]=null)}}if(Fa(r))Xc(r,p,12,[i,o]);else{const x=Wt(r),b=Xa(r);if(x||b){const _=()=>{if(s.f){const T=x?u(r)?c[r]:o[r]:y()||!s.k?r.value:o[s.k];if(e)Ma(T)&&o2(T,l);else if(Ma(T))T.includes(l)||T.push(l);else if(x)o[r]=[l],u(r)&&(c[r]=o[r]);else{const A=[l];y(r,s.k)&&(r.value=A),s.k&&(o[s.k]=A)}}else x?(o[r]=i,u(r)&&(c[r]=i)):b&&(y(r,s.k)&&(r.value=i),s.k&&(o[s.k]=i))};if(i){const T=()=>{_(),uu.delete(s)};T.id=-1,uu.set(s,T),me(T,t)}else p5(s),_()}}}function p5(s){const a=uu.get(s);a&&(a.flags|=8,uu.delete(s))}let r5=!1;const Sr=()=>{r5||(console.error("Hydration completed but contains mismatches."),r5=!0)},DL=s=>s.namespaceURI.includes("svg")&&s.tagName!=="foreignObject",LL=s=>s.namespaceURI.includes("MathML"),Qh=s=>{if(s.nodeType===1){if(DL(s))return"svg";if(LL(s))return"mathml"}},Xr=s=>s.nodeType===8;function SL(s){const{mt:a,p:t,o:{patchProp:n,createText:e,nextSibling:l,parentNode:i,remove:p,insert:r,createComment:m}}=s,o=(A,C)=>{if(!C.hasChildNodes()){t(null,A,C),cu(),C._vnode=A;return}c(C.firstChild,A,null,null,null),cu(),C._vnode=A},c=(A,C,I,$,U,L=!1)=>{L=L||!!C.dynamicChildren;const P=Xr(A)&&A.data==="[",G=()=>x(A,C,I,$,U,P),{type:X,ref:S,shapeFlag:is,patchFlag:R}=C;let ss=A.nodeType;C.el=A,R===-2&&(L=!1,C.dynamicChildren=null);let Y=null;switch(X){case er:ss!==3?C.children===""?(r(C.el=e(""),i(A),A),Y=A):Y=G():(A.data!==C.children&&(Sr(),A.data=C.children),Y=l(A));break;case bn:T(A)?(Y=l(A),_(C.el=A.content.firstChild,A,I)):ss!==8||P?Y=G():Y=l(A);break;case Yo:if(P&&(A=l(A),ss=A.nodeType),ss===1||ss===3){Y=A;const os=!C.children.length;for(let ps=0;ps{L=L||!!C.dynamicChildren;const{type:P,props:G,patchFlag:X,shapeFlag:S,dirs:is,transition:R}=C,ss=P==="input"||P==="option";if(ss||X!==-1){is&&Bl(C,null,I,"created");let Y=!1;if(T(A)){Y=ab(null,R)&&I&&I.vnode.props&&I.vnode.props.appear;const ps=A.content.firstChild;if(Y){const bs=ps.getAttribute("class");bs&&(ps.$cls=bs),R.beforeEnter(ps)}_(ps,A,I),C.el=A=ps}if(S&16&&!(G&&(G.innerHTML||G.textContent))){let ps=u(A.firstChild,C,A,I,$,U,L);for(;ps;){Jh(A,1)||Sr();const bs=ps;ps=ps.nextSibling,p(bs)}}else if(S&8){let ps=C.children;ps[0]===` `&&(A.tagName==="PRE"||A.tagName==="TEXTAREA")&&(ps=ps.slice(1));const{textContent:bs}=A;bs!==ps&&bs!==ps.replace(/\r\n|\r/g,` `)&&(Jh(A,0)||Sr(),A.textContent=C.children)}if(G){if(ss||!L||X&48){const ps=A.tagName.includes("-");for(const bs in G)(ss&&(bs.endsWith("value")||bs==="indeterminate")||jc(bs)&&!sr(bs)||bs[0]==="."||ps&&!sr(bs))&&n(A,bs,null,G[bs],void 0,I)}else if(G.onClick)n(A,"onClick",null,G.onClick,void 0,I);else if(X&4&&up(G.style))for(const ps in G.style)G.style[ps]}let os;(os=G&&G.onVnodeBeforeMount)&&Pe(os,I,C),is&&Bl(C,null,I,"beforeMount"),((os=G&&G.onVnodeMounted)||is||Y)&&ib(()=>{os&&Pe(os,I,C),Y&&R.enter(A),is&&Bl(C,null,I,"mounted")},$)}return A.nextSibling},u=(A,C,I,$,U,L,P)=>{P=P||!!C.dynamicChildren;const G=C.children,X=G.length;for(let S=0;S{const{slotScopeIds:P}=C;P&&(U=U?U.concat(P):P);const G=i(A),X=u(l(A),C,G,I,$,U,L);return X&&Xr(X)&&X.data==="]"?l(C.anchor=X):(Sr(),r(C.anchor=m("]"),G,X),X)},x=(A,C,I,$,U,L)=>{if(Jh(A.parentElement,1)||Sr(),C.el=null,L){const X=b(A);for(;;){const S=l(A);if(S&&S!==X)p(S);else break}}const P=l(A),G=i(A);return p(A),t(null,C,G,P,I,$,Qh(G),U),I&&(I.vnode.el=C.el,G4(I,C.el)),P},b=(A,C="[",I="]")=>{let $=0;for(;A;)if(A=l(A),A&&Xr(A)&&(A.data===C&&$++,A.data===I)){if($===0)return l(A);$--}return A},_=(A,C,I)=>{const $=C.parentNode;$&&$.replaceChild(A,C);let U=I;for(;U;)U.vnode.el===C&&(U.vnode.el=U.subTree.el=A),U=U.parent},T=A=>A.nodeType===1&&A.tagName==="TEMPLATE";return[o,c]}const m5="data-allow-mismatch",FL={0:"text",1:"children",2:"class",3:"style",4:"attribute"};function Jh(s,a){if(a===0||a===1)for(;s&&!s.hasAttribute(m5);)s=s.parentElement;const t=s&&s.getAttribute(m5);if(t==null)return!1;if(t==="")return!0;{const n=t.split(",");return a===0&&n.includes("children")?!0:n.includes(FL[a])}}rd().requestIdleCallback;rd().cancelIdleCallback;function OL(s,a){if(Xr(s)&&s.data==="["){let t=1,n=s.nextSibling;for(;n;){if(n.nodeType===1){if(a(n)===!1)break}else if(Xr(n))if(n.data==="]"){if(--t===0)break}else n.data==="["&&t++;n=n.nextSibling}}else a(s)}const tr=s=>!!s.type.__asyncLoader;function L4(s){Fa(s)&&(s={loader:s});const{loader:a,loadingComponent:t,errorComponent:n,delay:e=200,hydrate:l,timeout:i,suspensible:p=!0,onError:r}=s;let m=null,o,c=0;const h=()=>(c++,m=null,u()),u=()=>{let y;return m||(y=m=a().catch(x=>{if(x=x instanceof Error?x:new Error(String(x)),r)return new Promise((b,_)=>{r(x,()=>b(h()),()=>_(x),c+1)});throw x}).then(x=>y!==m&&m?m:(x&&(x.__esModule||x[Symbol.toStringTag]==="Module")&&(x=x.default),o=x,x)))};return qs({name:"AsyncComponentWrapper",__asyncLoader:u,__asyncHydrate(y,x,b){let _=!1;(x.bu||(x.bu=[])).push(()=>_=!0);const T=()=>{_||b()},A=l?()=>{const C=l(T,I=>OL(y,I));C&&(x.bum||(x.bum=[])).push(C)}:T;o?A():u().then(()=>!x.isUnmounted&&A())},get __asyncResolved(){return o},setup(){const y=Cn;if(w2(y),o)return()=>s0(o,y);const x=A=>{m=null,Kc(A,y,13,!n)};if(p&&y.suspense||Am)return u().then(A=>()=>s0(A,y)).catch(A=>(x(A),()=>n?ha(n,{error:A}):null));const b=Ws(!1),_=Ws(),T=Ws(!!e);return e&&setTimeout(()=>{T.value=!1},e),i!=null&&setTimeout(()=>{if(!b.value&&!_.value){const A=new Error(`Async component timed out after ${i}ms.`);x(A),_.value=A}},i),u().then(()=>{b.value=!0,y.parent&&Zc(y.parent.vnode)&&y.parent.update()}).catch(A=>{x(A),_.value=A}),()=>{if(b.value&&o)return s0(o,y);if(_.value&&n)return ha(n,{error:_.value});if(t&&!T.value)return s0(t,y)}}})}function s0(s,a){const{ref:t,props:n,children:e,ce:l}=a.vnode,i=ha(s,n,e);return i.ref=t,i.ce=l,delete a.vnode.ce,i}const Zc=s=>s.type.__isKeepAlive;function IL(s,a){S4(s,"a",a)}function NL(s,a){S4(s,"da",a)}function S4(s,a,t=Cn){const n=s.__wdc||(s.__wdc=()=>{let e=t;for(;e;){if(e.isDeactivated)return;e=e.parent}return s()});if(dd(a,n,t),t){let e=t.parent;for(;e&&e.parent;)Zc(e.parent.vnode)&&PL(n,a,t,e),e=e.parent}}function PL(s,a,t,n){const e=dd(a,s,n,!0);Fn(()=>{o2(n[a],e)},t)}function dd(s,a,t=Cn,n=!1){if(t){const e=t[s]||(t[s]=[]),l=a.__weh||(a.__weh=(...i)=>{_i();const p=Qc(t),r=cl(a,t,s,i);return p(),ki(),r});return n?e.unshift(l):e.push(l),l}}const Di=s=>(a,t=Cn)=>{(!Am||s==="sp")&&dd(s,(...n)=>a(...n),t)},F4=Di("bm"),Ba=Di("m"),RL=Di("bu"),O4=Di("u"),jm=Di("bum"),Fn=Di("um"),$L=Di("sp"),VL=Di("rtg"),HL=Di("rtc");function qL(s,a=Cn){dd("ec",s,a)}const I4="components";function ot(s,a){return P4(I4,s,!0,a)||s}const N4=Symbol.for("v-ndc");function UL(s){return Wt(s)?P4(I4,s,!1)||s:s||N4}function P4(s,a,t=!0,n=!1){const e=zn||Cn;if(e){const l=e.type;{const p=BS(l,!1);if(p&&(p===a||p===Ln(a)||p===Wc(Ln(a))))return l}const i=o5(e[s]||l[s],a)||o5(e.appContext[s],a);return!i&&n?l:i}}function o5(s,a){return s&&(s[a]||s[Ln(a)]||s[Wc(Ln(a))])}function wn(s,a,t,n){let e;const l=t&&t[n],i=Ma(s);if(i||Wt(s)){const p=i&&up(s);let r=!1,m=!1;p&&(r=!_e(s),m=Bi(s),s=od(s)),e=new Array(s.length);for(let o=0,c=s.length;oa(p,r,void 0,l&&l[r]));else{const p=Object.keys(s);e=new Array(p.length);for(let r=0,m=p.length;r0;return a!=="default"&&(t.name=a),Xs(),Ct(Ca,null,[ha("slot",t,n&&n())],m?-2:64)}let l=s[a];l&&l._c&&(l._d=!1),Xs();const i=l&&R4(l(t)),p=t.key||i&&i.key,r=Ct(Ca,{key:(p&&!Me(p)?p:`_${a}`)+(!i&&n?"_fb":"")},i||(n?n():[]),i&&s._===1?64:-2);return r.scopeId&&(r.slotScopeIds=[r.scopeId+"-s"]),l&&l._c&&(l._d=!0),r}function R4(s){return s.some(a=>gc(a)?!(a.type===bn||a.type===Ca&&!R4(a.children)):!0)?s:null}const Ty=s=>s?mb(s)?fd(s):Ty(s.parent):null,Wo=mn(Object.create(null),{$:s=>s,$el:s=>s.vnode.el,$data:s=>s.data,$props:s=>s.props,$attrs:s=>s.attrs,$slots:s=>s.slots,$refs:s=>s.refs,$parent:s=>Ty(s.parent),$root:s=>Ty(s.root),$host:s=>s.ce,$emit:s=>s.emit,$options:s=>H4(s),$forceUpdate:s=>s.f||(s.f=()=>{f2(s.update)}),$nextTick:s=>s.n||(s.n=gt.bind(s.proxy)),$watch:s=>ML.bind(s)}),l1=(s,a)=>s!==wt&&!s.__isScriptSetup&&ut(s,a),jL={get({_:s},a){if(a==="__v_skip")return!0;const{ctx:t,setupState:n,data:e,props:l,accessCache:i,type:p,appContext:r}=s;if(a[0]!=="$"){const h=i[a];if(h!==void 0)switch(h){case 1:return n[a];case 2:return e[a];case 4:return t[a];case 3:return l[a]}else{if(l1(n,a))return i[a]=1,n[a];if(e!==wt&&ut(e,a))return i[a]=2,e[a];if(ut(l,a))return i[a]=3,l[a];if(t!==wt&&ut(t,a))return i[a]=4,t[a];Cy&&(i[a]=0)}}const m=Wo[a];let o,c;if(m)return a==="$attrs"&&$n(s.attrs,"get",""),m(s);if((o=p.__cssModules)&&(o=o[a]))return o;if(t!==wt&&ut(t,a))return i[a]=4,t[a];if(c=r.config.globalProperties,ut(c,a))return c[a]},set({_:s},a,t){const{data:n,setupState:e,ctx:l}=s;return l1(e,a)?(e[a]=t,!0):n!==wt&&ut(n,a)?(n[a]=t,!0):ut(s.props,a)||a[0]==="$"&&a.slice(1)in s?!1:(l[a]=t,!0)},has({_:{data:s,setupState:a,accessCache:t,ctx:n,appContext:e,props:l,type:i}},p){let r;return!!(t[p]||s!==wt&&p[0]!=="$"&&ut(s,p)||l1(a,p)||ut(l,p)||ut(n,p)||ut(Wo,p)||ut(e.config.globalProperties,p)||(r=i.__cssModules)&&r[p])},defineProperty(s,a,t){return t.get!=null?s._.accessCache[a]=0:ut(t,"value")&&this.set(s,a,t.value,null),Reflect.defineProperty(s,a,t)}};function GL(){return $4().slots}function WL(){return $4().attrs}function $4(s){const a=Hn();return a.setupContext||(a.setupContext=cb(a))}function c5(s){return Ma(s)?s.reduce((a,t)=>(a[t]=null,a),{}):s}function YL(s,a){const t={};for(const n in s)a.includes(n)||Object.defineProperty(t,n,{enumerable:!0,get:()=>s[n]});return t}let Cy=!0;function XL(s){const a=H4(s),t=s.proxy,n=s.ctx;Cy=!1,a.beforeCreate&&h5(a.beforeCreate,s,"bc");const{data:e,computed:l,methods:i,watch:p,provide:r,inject:m,created:o,beforeMount:c,mounted:h,beforeUpdate:u,updated:y,activated:x,deactivated:b,beforeDestroy:_,beforeUnmount:T,destroyed:A,unmounted:C,render:I,renderTracked:$,renderTriggered:U,errorCaptured:L,serverPrefetch:P,expose:G,inheritAttrs:X,components:S,directives:is,filters:R}=a;if(m&&KL(m,n,null),i)for(const os in i){const ps=i[os];Fa(ps)&&(n[os]=ps.bind(t))}if(e){const os=e.call(t,t);mt(os)&&(s.data=fp(os))}if(Cy=!0,l)for(const os in l){const ps=l[os],bs=Fa(ps)?ps.bind(t,t):Fa(ps.get)?ps.get.bind(t,t):Nl,Is=!Fa(ps)&&Fa(ps.set)?ps.set.bind(t):Nl,Ys=hs({get:bs,set:Is});Object.defineProperty(n,os,{enumerable:!0,configurable:!0,get:()=>Ys.value,set:vs=>Ys.value=vs})}if(p)for(const os in p)V4(p[os],n,t,os);if(r){const os=Fa(r)?r.call(t):r;Reflect.ownKeys(os).forEach(ps=>{Sn(ps,os[ps])})}o&&h5(o,s,"c");function Y(os,ps){Ma(ps)?ps.forEach(bs=>os(bs.bind(t))):ps&&os(ps.bind(t))}if(Y(F4,c),Y(Ba,h),Y(RL,u),Y(O4,y),Y(IL,x),Y(NL,b),Y(qL,L),Y(HL,$),Y(VL,U),Y(jm,T),Y(Fn,C),Y($L,P),Ma(G))if(G.length){const os=s.exposed||(s.exposed={});G.forEach(ps=>{Object.defineProperty(os,ps,{get:()=>t[ps],set:bs=>t[ps]=bs,enumerable:!0})})}else s.exposed||(s.exposed={});I&&s.render===Nl&&(s.render=I),X!=null&&(s.inheritAttrs=X),S&&(s.components=S),is&&(s.directives=is),P&&w2(s)}function KL(s,a,t=Nl){Ma(s)&&(s=zy(s));for(const n in s){const e=s[n];let l;mt(e)?"default"in e?l=Za(e.from||n,e.default,!0):l=Za(e.from||n):l=Za(e),Xa(l)?Object.defineProperty(a,n,{enumerable:!0,configurable:!0,get:()=>l.value,set:i=>l.value=i}):a[n]=l}}function h5(s,a,t){cl(Ma(s)?s.map(n=>n.bind(a.proxy)):s.bind(a.proxy),a,t)}function V4(s,a,t,n){let e=n.includes(".")?k4(t,n):()=>t[n];if(Wt(s)){const l=a[s];Fa(l)&&wa(e,l)}else if(Fa(s))wa(e,s.bind(t));else if(mt(s))if(Ma(s))s.forEach(l=>V4(l,a,t,n));else{const l=Fa(s.handler)?s.handler.bind(t):a[s.handler];Fa(l)&&wa(e,l,s)}}function H4(s){const a=s.type,{mixins:t,extends:n}=a,{mixins:e,optionsCache:l,config:{optionMergeStrategies:i}}=s.appContext,p=l.get(a);let r;return p?r=p:!e.length&&!t&&!n?r=a:(r={},e.length&&e.forEach(m=>du(r,m,i,!0)),du(r,a,i)),mt(a)&&l.set(a,r),r}function du(s,a,t,n=!1){const{mixins:e,extends:l}=a;l&&du(s,l,t,!0),e&&e.forEach(i=>du(s,i,t,!0));for(const i in a)if(!(n&&i==="expose")){const p=ZL[i]||t&&t[i];s[i]=p?p(s[i],a[i]):a[i]}return s}const ZL={data:u5,props:d5,emits:d5,methods:zo,computed:zo,beforeCreate:Gn,created:Gn,beforeMount:Gn,mounted:Gn,beforeUpdate:Gn,updated:Gn,beforeDestroy:Gn,beforeUnmount:Gn,destroyed:Gn,unmounted:Gn,activated:Gn,deactivated:Gn,errorCaptured:Gn,serverPrefetch:Gn,components:zo,directives:zo,watch:JL,provide:u5,inject:QL};function u5(s,a){return a?s?function(){return mn(Fa(s)?s.call(this,this):s,Fa(a)?a.call(this,this):a)}:a:s}function QL(s,a){return zo(zy(s),zy(a))}function zy(s){if(Ma(s)){const a={};for(let t=0;ta==="modelValue"||a==="model-value"?s.modelModifiers:s[`${a}Modifiers`]||s[`${Ln(a)}Modifiers`]||s[`${xr(a)}Modifiers`];function nS(s,a,...t){if(s.isUnmounted)return;const n=s.vnode.props||wt;let e=t;const l=a.startsWith("update:"),i=l&&tS(n,a.slice(7));i&&(i.trim&&(e=t.map(o=>Wt(o)?o.trim():o)),i.number&&(e=t.map(pd)));let p,r=n[p=Jg(a)]||n[p=Jg(Ln(a))];!r&&l&&(r=n[p=Jg(xr(a))]),r&&cl(r,s,6,e);const m=n[p+"Once"];if(m){if(!s.emitted)s.emitted={};else if(s.emitted[p])return;s.emitted[p]=!0,cl(m,s,6,e)}}const eS=new WeakMap;function U4(s,a,t=!1){const n=t?eS:a.emitsCache,e=n.get(s);if(e!==void 0)return e;const l=s.emits;let i={},p=!1;if(!Fa(s)){const r=m=>{const o=U4(m,a,!0);o&&(p=!0,mn(i,o))};!t&&a.mixins.length&&a.mixins.forEach(r),s.extends&&r(s.extends),s.mixins&&s.mixins.forEach(r)}return!l&&!p?(mt(s)&&n.set(s,null),null):(Ma(l)?l.forEach(r=>i[r]=null):mn(i,l),mt(s)&&n.set(s,i),i)}function gd(s,a){return!s||!jc(a)?!1:(a=a.slice(2).replace(/Once$/,""),ut(s,a[0].toLowerCase()+a.slice(1))||ut(s,xr(a))||ut(s,a))}function i1(s){const{type:a,vnode:t,proxy:n,withProxy:e,propsOptions:[l],slots:i,attrs:p,emit:r,render:m,renderCache:o,props:c,data:h,setupState:u,ctx:y,inheritAttrs:x}=s,b=hu(s);let _,T;try{if(t.shapeFlag&4){const C=e||n,I=C;_=Ve(m.call(I,C,o,c,u,h,y)),T=p}else{const C=a;_=Ve(C.length>1?C(c,{attrs:p,slots:i,emit:r}):C(c,null)),T=a.props?p:lS(p)}}catch(C){Xo.length=0,Kc(C,s,1),_=ha(bn)}let A=_;if(T&&x!==!1){const C=Object.keys(T),{shapeFlag:I}=A;C.length&&I&7&&(l&&C.some(ed)&&(T=iS(T,l)),A=yp(A,T,!1,!0))}return t.dirs&&(A=yp(A,null,!1,!0),A.dirs=A.dirs?A.dirs.concat(t.dirs):t.dirs),t.transition&&mr(A,t.transition),_=A,hu(b),_}const lS=s=>{let a;for(const t in s)(t==="class"||t==="style"||jc(t))&&((a||(a={}))[t]=s[t]);return a},iS=(s,a)=>{const t={};for(const n in s)(!ed(n)||!(n.slice(9)in a))&&(t[n]=s[n]);return t};function pS(s,a,t){const{props:n,children:e,component:l}=s,{props:i,children:p,patchFlag:r}=a,m=l.emitsOptions;if(a.dirs||a.transition)return!0;if(t&&r>=0){if(r&1024)return!0;if(r&16)return n?g5(n,i,m):!!i;if(r&8){const o=a.dynamicProps;for(let c=0;cObject.create(W4),X4=s=>Object.getPrototypeOf(s)===W4;function rS(s,a,t,n=!1){const e={},l=Y4();s.propsDefaults=Object.create(null),K4(s,a,e,l);for(const i in s.propsOptions[0])i in e||(e[i]=void 0);t?s.props=n?e:g4(e):s.type.props?s.props=e:s.props=l,s.attrs=l}function mS(s,a,t,n){const{props:e,attrs:l,vnode:{patchFlag:i}}=s,p=at(e),[r]=s.propsOptions;let m=!1;if((n||i>0)&&!(i&16)){if(i&8){const o=s.vnode.dynamicProps;for(let c=0;c{r=!0;const[h,u]=Z4(c,a,!0);mn(i,h),u&&p.push(...u)};!t&&a.mixins.length&&a.mixins.forEach(o),s.extends&&o(s.extends),s.mixins&&s.mixins.forEach(o)}if(!l&&!r)return mt(s)&&n.set(s,am),am;if(Ma(l))for(let o=0;os==="_"||s==="_ctx"||s==="$stable",A2=s=>Ma(s)?s.map(Ve):[Ve(s)],cS=(s,a,t)=>{if(a._n)return a;const n=xt((...e)=>A2(a(...e)),t);return n._c=!1,n},Q4=(s,a,t)=>{const n=s._ctx;for(const e in s){if(b2(e))continue;const l=s[e];if(Fa(l))a[e]=cS(e,l,n);else if(l!=null){const i=A2(l);a[e]=()=>i}}},J4=(s,a)=>{const t=A2(a);s.slots.default=()=>t},sb=(s,a,t)=>{for(const n in a)(t||!b2(n))&&(s[n]=a[n])},hS=(s,a,t)=>{const n=s.slots=Y4();if(s.vnode.shapeFlag&32){const e=a._;e?(sb(n,a,t),t&&Ww(n,"_",e,!0)):Q4(a,n)}else a&&J4(s,a)},uS=(s,a,t)=>{const{vnode:n,slots:e}=s;let l=!0,i=wt;if(n.shapeFlag&32){const p=a._;p?t&&p===1?l=!1:sb(e,a,t):(l=!a.$stable,Q4(a,e)),i=a}else a&&(J4(s,a),i={default:1});if(l)for(const p in e)!b2(p)&&i[p]==null&&delete e[p]},me=ib;function dS(s){return gS(s,SL)}function gS(s,a){const t=rd();t.__VUE__=!0;const{insert:n,remove:e,patchProp:l,createElement:i,createText:p,createComment:r,setText:m,setElementText:o,parentNode:c,nextSibling:h,setScopeId:u=Nl,insertStaticContent:y}=s,x=(H,N,V,Z=null,as=null,es=null,Os=void 0,Ds=null,Ls=!!N.dynamicChildren)=>{if(H===N)return;H&&!Vp(H,N)&&(Z=rs(H),vs(H,as,es,!0),H=null),N.patchFlag===-2&&(Ls=!1,N.dynamicChildren=null);const{type:As,ref:Vs,shapeFlag:Ks}=N;switch(As){case er:b(H,N,V,Z);break;case bn:_(H,N,V,Z);break;case Yo:H==null&&T(N,V,Z,Os);break;case Ca:S(H,N,V,Z,as,es,Os,Ds,Ls);break;default:Ks&1?I(H,N,V,Z,as,es,Os,Ds,Ls):Ks&6?is(H,N,V,Z,as,es,Os,Ds,Ls):(Ks&64||Ks&128)&&As.process(H,N,V,Z,as,es,Os,Ds,Ls,Gs)}Vs!=null&&as?em(Vs,H&&H.ref,es,N||H,!N):Vs==null&&H&&H.ref!=null&&em(H.ref,null,es,H,!0)},b=(H,N,V,Z)=>{if(H==null)n(N.el=p(N.children),V,Z);else{const as=N.el=H.el;N.children!==H.children&&m(as,N.children)}},_=(H,N,V,Z)=>{H==null?n(N.el=r(N.children||""),V,Z):N.el=H.el},T=(H,N,V,Z)=>{[H.el,H.anchor]=y(H.children,N,V,Z,H.el,H.anchor)},A=({el:H,anchor:N},V,Z)=>{let as;for(;H&&H!==N;)as=h(H),n(H,V,Z),H=as;n(N,V,Z)},C=({el:H,anchor:N})=>{let V;for(;H&&H!==N;)V=h(H),e(H),H=V;e(N)},I=(H,N,V,Z,as,es,Os,Ds,Ls)=>{if(N.type==="svg"?Os="svg":N.type==="math"&&(Os="mathml"),H==null)$(N,V,Z,as,es,Os,Ds,Ls);else{const As=H.el&&H.el._isVueCE?H.el:null;try{As&&As._beginPatch(),P(H,N,as,es,Os,Ds,Ls)}finally{As&&As._endPatch()}}},$=(H,N,V,Z,as,es,Os,Ds)=>{let Ls,As;const{props:Vs,shapeFlag:Ks,transition:aa,dirs:ya}=H;if(Ls=H.el=i(H.type,es,Vs&&Vs.is,Vs),Ks&8?o(Ls,H.children):Ks&16&&L(H.children,Ls,null,Z,as,p1(H,es),Os,Ds),ya&&Bl(H,null,Z,"created"),U(Ls,H,H.scopeId,Os,Z),Vs){for(const Ra in Vs)Ra!=="value"&&!sr(Ra)&&l(Ls,Ra,null,Vs[Ra],es,Z);"value"in Vs&&l(Ls,"value",null,Vs.value,es),(As=Vs.onVnodeBeforeMount)&&Pe(As,Z,H)}ya&&Bl(H,null,Z,"beforeMount");const Aa=ab(as,aa);Aa&&aa.beforeEnter(Ls),n(Ls,N,V),((As=Vs&&Vs.onVnodeMounted)||Aa||ya)&&me(()=>{try{As&&Pe(As,Z,H),Aa&&aa.enter(Ls),ya&&Bl(H,null,Z,"mounted")}finally{}},as)},U=(H,N,V,Z,as)=>{if(V&&u(H,V),Z)for(let es=0;es{for(let As=Ls;As{const Ds=N.el=H.el;let{patchFlag:Ls,dynamicChildren:As,dirs:Vs}=N;Ls|=H.patchFlag&16;const Ks=H.props||wt,aa=N.props||wt;let ya;if(V&&Sp(V,!1),(ya=aa.onVnodeBeforeUpdate)&&Pe(ya,V,N,H),Vs&&Bl(N,H,V,"beforeUpdate"),V&&Sp(V,!0),(Ks.innerHTML&&aa.innerHTML==null||Ks.textContent&&aa.textContent==null)&&o(Ds,""),As?G(H.dynamicChildren,As,Ds,V,Z,p1(N,as),es):Os||ps(H,N,Ds,null,V,Z,p1(N,as),es,!1),Ls>0){if(Ls&16)X(Ds,Ks,aa,V,as);else if(Ls&2&&Ks.class!==aa.class&&l(Ds,"class",null,aa.class,as),Ls&4&&l(Ds,"style",Ks.style,aa.style,as),Ls&8){const Aa=N.dynamicProps;for(let Ra=0;Ra{ya&&Pe(ya,V,N,H),Vs&&Bl(N,H,V,"updated")},Z)},G=(H,N,V,Z,as,es,Os)=>{for(let Ds=0;Ds{if(N!==V){if(N!==wt)for(const es in N)!sr(es)&&!(es in V)&&l(H,es,N[es],null,as,Z);for(const es in V){if(sr(es))continue;const Os=V[es],Ds=N[es];Os!==Ds&&es!=="value"&&l(H,es,Ds,Os,as,Z)}"value"in V&&l(H,"value",N.value,V.value,as)}},S=(H,N,V,Z,as,es,Os,Ds,Ls)=>{const As=N.el=H?H.el:p(""),Vs=N.anchor=H?H.anchor:p("");let{patchFlag:Ks,dynamicChildren:aa,slotScopeIds:ya}=N;ya&&(Ds=Ds?Ds.concat(ya):ya),H==null?(n(As,V,Z),n(Vs,V,Z),L(N.children||[],V,Vs,as,es,Os,Ds,Ls)):Ks>0&&Ks&64&&aa&&H.dynamicChildren&&H.dynamicChildren.length===aa.length?(G(H.dynamicChildren,aa,V,as,es,Os,Ds),(N.key!=null||as&&N===as.subTree)&&tb(H,N,!0)):ps(H,N,V,Vs,as,es,Os,Ds,Ls)},is=(H,N,V,Z,as,es,Os,Ds,Ls)=>{N.slotScopeIds=Ds,H==null?N.shapeFlag&512?as.ctx.activate(N,V,Z,Os,Ls):R(N,V,Z,as,es,Os,Ls):ss(H,N,Ls)},R=(H,N,V,Z,as,es,Os)=>{const Ds=H.component=bS(H,Z,as);if(Zc(H)&&(Ds.ctx.renderer=Gs),AS(Ds,!1,Os),Ds.asyncDep){if(as&&as.registerDep(Ds,Y,Os),!H.el){const Ls=Ds.subTree=ha(bn);_(null,Ls,N,V),H.placeholder=Ls.el}}else Y(Ds,H,N,V,as,es,Os)},ss=(H,N,V)=>{const Z=N.component=H.component;if(pS(H,N,V))if(Z.asyncDep&&!Z.asyncResolved){os(Z,N,V);return}else Z.next=N,Z.update();else N.el=H.el,Z.vnode=N},Y=(H,N,V,Z,as,es,Os)=>{const Ds=()=>{if(H.isMounted){let{next:Ks,bu:aa,u:ya,parent:Aa,vnode:Ra}=H;{const tt=nb(H);if(tt){Ks&&(Ks.el=Ra.el,os(H,Ks,Os)),tt.asyncDep.then(()=>{me(()=>{H.isUnmounted||As()},as)});return}}let $a=Ks,Wa;Sp(H,!1),Ks?(Ks.el=Ra.el,os(H,Ks,Os)):Ks=Ra,aa&&R0(aa),(Wa=Ks.props&&Ks.props.onVnodeBeforeUpdate)&&Pe(Wa,Aa,Ks,Ra),Sp(H,!0);const Qa=i1(H),kt=H.subTree;H.subTree=Qa,x(kt,Qa,c(kt.el),rs(kt),H,as,es),Ks.el=Qa.el,$a===null&&G4(H,Qa.el),ya&&me(ya,as),(Wa=Ks.props&&Ks.props.onVnodeUpdated)&&me(()=>Pe(Wa,Aa,Ks,Ra),as)}else{let Ks;const{el:aa,props:ya}=N,{bm:Aa,m:Ra,parent:$a,root:Wa,type:Qa}=H,kt=tr(N);if(Sp(H,!1),Aa&&R0(Aa),!kt&&(Ks=ya&&ya.onVnodeBeforeMount)&&Pe(Ks,$a,N),Sp(H,!0),aa&&Bs){const tt=()=>{H.subTree=i1(H),Bs(aa,H.subTree,H,as,null)};kt&&Qa.__asyncHydrate?Qa.__asyncHydrate(aa,H,tt):tt()}else{Wa.ce&&Wa.ce._hasShadowRoot()&&Wa.ce._injectChildStyle(Qa,H.parent?H.parent.type:void 0);const tt=H.subTree=i1(H);x(null,tt,V,Z,H,as,es),N.el=tt.el}if(Ra&&me(Ra,as),!kt&&(Ks=ya&&ya.onVnodeMounted)){const tt=N;me(()=>Pe(Ks,$a,tt),as)}(N.shapeFlag&256||$a&&tr($a.vnode)&&$a.vnode.shapeFlag&256)&&H.a&&me(H.a,as),H.isMounted=!0,N=V=Z=null}};H.scope.on();const Ls=H.effect=new Jw(Ds);H.scope.off();const As=H.update=Ls.run.bind(Ls),Vs=H.job=Ls.runIfDirty.bind(Ls);Vs.i=H,Vs.id=H.uid,Ls.scheduler=()=>f2(Vs),Sp(H,!0),As()},os=(H,N,V)=>{N.component=H;const Z=H.vnode.props;H.vnode=N,H.next=null,mS(H,N.props,Z,V),uS(H,N.children,V),_i(),e5(H),ki()},ps=(H,N,V,Z,as,es,Os,Ds,Ls=!1)=>{const As=H&&H.children,Vs=H?H.shapeFlag:0,Ks=N.children,{patchFlag:aa,shapeFlag:ya}=N;if(aa>0){if(aa&128){Is(As,Ks,V,Z,as,es,Os,Ds,Ls);return}else if(aa&256){bs(As,Ks,V,Z,as,es,Os,Ds,Ls);return}}ya&8?(Vs&16&&ks(As,as,es),Ks!==As&&o(V,Ks)):Vs&16?ya&16?Is(As,Ks,V,Z,as,es,Os,Ds,Ls):ks(As,as,es,!0):(Vs&8&&o(V,""),ya&16&&L(Ks,V,Z,as,es,Os,Ds,Ls))},bs=(H,N,V,Z,as,es,Os,Ds,Ls)=>{H=H||am,N=N||am;const As=H.length,Vs=N.length,Ks=Math.min(As,Vs);let aa;for(aa=0;aaVs?ks(H,as,es,!0,!1,Ks):L(N,V,Z,as,es,Os,Ds,Ls,Ks)},Is=(H,N,V,Z,as,es,Os,Ds,Ls)=>{let As=0;const Vs=N.length;let Ks=H.length-1,aa=Vs-1;for(;As<=Ks&&As<=aa;){const ya=H[As],Aa=N[As]=Ls?hi(N[As]):Ve(N[As]);if(Vp(ya,Aa))x(ya,Aa,V,null,as,es,Os,Ds,Ls);else break;As++}for(;As<=Ks&&As<=aa;){const ya=H[Ks],Aa=N[aa]=Ls?hi(N[aa]):Ve(N[aa]);if(Vp(ya,Aa))x(ya,Aa,V,null,as,es,Os,Ds,Ls);else break;Ks--,aa--}if(As>Ks){if(As<=aa){const ya=aa+1,Aa=yaaa)for(;As<=Ks;)vs(H[As],as,es,!0),As++;else{const ya=As,Aa=As,Ra=new Map;for(As=Aa;As<=aa;As++){const J=N[As]=Ls?hi(N[As]):Ve(N[As]);J.key!=null&&Ra.set(J.key,As)}let $a,Wa=0;const Qa=aa-Aa+1;let kt=!1,tt=0;const gn=new Array(Qa);for(As=0;As=Qa){vs(J,as,es,!0);continue}let Zs;if(J.key!=null)Zs=Ra.get(J.key);else for($a=Aa;$a<=aa;$a++)if(gn[$a-Aa]===0&&Vp(J,N[$a])){Zs=$a;break}Zs===void 0?vs(J,as,es,!0):(gn[Zs-Aa]=As+1,Zs>=tt?tt=Zs:kt=!0,x(J,N[Zs],V,null,as,es,Os,Ds,Ls),Wa++)}const xe=kt?fS(gn):am;for($a=xe.length-1,As=Qa-1;As>=0;As--){const J=Aa+As,Zs=N[J],la=N[J+1],va=J+1{const{el:es,type:Os,transition:Ds,children:Ls,shapeFlag:As}=H;if(As&6){Ys(H.component.subTree,N,V,Z);return}if(As&128){H.suspense.move(N,V,Z);return}if(As&64){Os.move(H,N,V,Gs);return}if(Os===Ca){n(es,N,V);for(let Ks=0;KsDs.enter(es),as);else{const{leave:Ks,delayLeave:aa,afterLeave:ya}=Ds,Aa=()=>{H.ctx.isUnmounted?e(es):n(es,N,V)},Ra=()=>{es._isLeaving&&es[Ml](!0),Ks(es,()=>{Aa(),ya&&ya()})};aa?aa(es,Aa,Ra):Ra()}else n(es,N,V)},vs=(H,N,V,Z=!1,as=!1)=>{const{type:es,props:Os,ref:Ds,children:Ls,dynamicChildren:As,shapeFlag:Vs,patchFlag:Ks,dirs:aa,cacheIndex:ya,memo:Aa}=H;if(Ks===-2&&(as=!1),Ds!=null&&(_i(),em(Ds,null,V,H,!0),ki()),ya!=null&&(N.renderCache[ya]=void 0),Vs&256){N.ctx.deactivate(H);return}const Ra=Vs&1&&aa,$a=!tr(H);let Wa;if($a&&(Wa=Os&&Os.onVnodeBeforeUnmount)&&Pe(Wa,N,H),Vs&6)ys(H.component,V,Z);else{if(Vs&128){H.suspense.unmount(V,Z);return}Ra&&Bl(H,null,N,"beforeUnmount"),Vs&64?H.type.remove(H,N,V,Gs,Z):As&&!As.hasOnce&&(es!==Ca||Ks>0&&Ks&64)?ks(As,N,V,!1,!0):(es===Ca&&Ks&384||!as&&Vs&16)&&ks(Ls,N,V),Z&&gs(H)}const Qa=Aa!=null&&ya==null;($a&&(Wa=Os&&Os.onVnodeUnmounted)||Ra||Qa)&&me(()=>{Wa&&Pe(Wa,N,H),Ra&&Bl(H,null,N,"unmounted"),Qa&&(H.el=null)},V)},gs=H=>{const{type:N,el:V,anchor:Z,transition:as}=H;if(N===Ca){xs(V,Z);return}if(N===Yo){C(H);return}const es=()=>{e(V),as&&!as.persisted&&as.afterLeave&&as.afterLeave()};if(H.shapeFlag&1&&as&&!as.persisted){const{leave:Os,delayLeave:Ds}=as,Ls=()=>Os(V,es);Ds?Ds(H.el,es,Ls):Ls()}else es()},xs=(H,N)=>{let V;for(;H!==N;)V=h(H),e(H),H=V;e(N)},ys=(H,N,V)=>{const{bum:Z,scope:as,job:es,subTree:Os,um:Ds,m:Ls,a:As}=H;y5(Ls),y5(As),Z&&R0(Z),as.stop(),es&&(es.flags|=8,vs(Os,H,N,V)),Ds&&me(Ds,N),me(()=>{H.isUnmounted=!0},N)},ks=(H,N,V,Z=!1,as=!1,es=0)=>{for(let Os=es;Os{if(H.shapeFlag&6)return rs(H.component.subTree);if(H.shapeFlag&128)return H.suspense.next();const N=h(H.anchor||H.el),V=N&&N[TL];return V?h(V):N};let Ms=!1;const Ns=(H,N,V)=>{let Z;H==null?N._vnode&&(vs(N._vnode,null,null,!0),Z=N._vnode.component):x(N._vnode||null,H,N,null,null,null,V),N._vnode=H,Ms||(Ms=!0,e5(Z),cu(),Ms=!1)},Gs={p:x,um:vs,m:Ys,r:gs,mt:R,mc:L,pc:ps,pbc:G,n:rs,o:s};let zs,Bs;return a&&([zs,Bs]=a(Gs)),{render:Ns,hydrate:zs,createApp:aS(Ns,zs)}}function p1({type:s,props:a},t){return t==="svg"&&s==="foreignObject"||t==="mathml"&&s==="annotation-xml"&&a&&a.encoding&&a.encoding.includes("html")?void 0:t}function Sp({effect:s,job:a},t){t?(s.flags|=32,a.flags|=4):(s.flags&=-33,a.flags&=-5)}function ab(s,a){return(!s||s&&!s.pendingBranch)&&a&&!a.persisted}function tb(s,a,t=!1){const n=s.children,e=a.children;if(Ma(n)&&Ma(e))for(let l=0;l>1,s[t[p]]0&&(a[n]=t[l-1]),t[l]=n)}}for(l=t.length,i=t[l-1];l-- >0;)t[l]=i,i=a[i];return t}function nb(s){const a=s.subTree.component;if(a)return a.asyncDep&&!a.asyncResolved?a:nb(a)}function y5(s){if(s)for(let a=0;as.__isSuspense;function ib(s,a){a&&a.pendingBranch?Ma(s)?a.effects.push(...s):a.effects.push(s):_L(s)}const Ca=Symbol.for("v-fgt"),er=Symbol.for("v-txt"),bn=Symbol.for("v-cmt"),Yo=Symbol.for("v-stc"),Xo=[];let Qn=null;function Xs(s=!1){Xo.push(Qn=s?null:[])}function yS(){Xo.pop(),Qn=Xo[Xo.length-1]||null}let bm=1;function gu(s,a=!1){bm+=s,s<0&&Qn&&a&&(Qn.hasOnce=!0)}function pb(s){return s.dynamicChildren=bm>0?Qn||am:null,yS(),bm>0&&Qn&&Qn.push(s),s}function ta(s,a,t,n,e,l){return pb(fs(s,a,t,n,e,l,!0))}function Ct(s,a,t,n,e){return pb(ha(s,a,t,n,e,!0))}function gc(s){return s?s.__v_isVNode===!0:!1}function Vp(s,a){return s.type===a.type&&s.key===a.key}const rb=({key:s})=>s??null,$0=({ref:s,ref_key:a,ref_for:t})=>(typeof s=="number"&&(s=""+s),s!=null?Wt(s)||Xa(s)||Fa(s)?{i:zn,r:s,k:a,f:!!t}:s:null);function fs(s,a=null,t=null,n=0,e=null,l=s===Ca?0:1,i=!1,p=!1){const r={__v_isVNode:!0,__v_skip:!0,type:s,props:a,key:a&&rb(a),ref:a&&$0(a),scopeId:A4,slotScopeIds:null,children:t,component:null,suspense:null,ssContent:null,ssFallback:null,dirs:null,transition:null,el:null,anchor:null,target:null,targetStart:null,targetAnchor:null,staticCount:0,shapeFlag:l,patchFlag:n,dynamicProps:e,dynamicChildren:null,appContext:null,ctx:zn};return p?(_2(r,t),l&128&&s.normalize(r)):t&&(r.shapeFlag|=Wt(t)?8:16),bm>0&&!i&&Qn&&(r.patchFlag>0||l&6)&&r.patchFlag!==32&&Qn.push(r),r}const ha=vS;function vS(s,a=null,t=null,n=0,e=null,l=!1){if((!s||s===N4)&&(s=bn),gc(s)){const p=yp(s,a,!0);return t&&_2(p,t),bm>0&&!l&&Qn&&(p.shapeFlag&6?Qn[Qn.indexOf(s)]=p:Qn.push(p)),p.patchFlag=-2,p}if(MS(s)&&(s=s.__vccOpts),a){a=ES(a);let{class:p,style:r}=a;p&&!Wt(p)&&(a.class=Va(p)),mt(r)&&(ud(r)&&!Ma(r)&&(r=mn({},r)),a.style=pn(r))}const i=Wt(s)?1:lb(s)?128:B4(s)?64:mt(s)?4:Fa(s)?2:0;return fs(s,a,t,n,e,i,l,!0)}function ES(s){return s?ud(s)||X4(s)?mn({},s):s:null}function yp(s,a,t=!1,n=!1){const{props:e,ref:l,patchFlag:i,children:p,transition:r}=s,m=a?k2(e||{},a):e,o={__v_isVNode:!0,__v_skip:!0,type:s.type,props:m,key:m&&rb(m),ref:a&&a.ref?t&&l?Ma(l)?l.concat($0(a)):[l,$0(a)]:$0(a):l,scopeId:s.scopeId,slotScopeIds:s.slotScopeIds,children:p,target:s.target,targetStart:s.targetStart,targetAnchor:s.targetAnchor,staticCount:s.staticCount,shapeFlag:s.shapeFlag,patchFlag:a&&s.type!==Ca?i===-1?16:i|16:i,dynamicProps:s.dynamicProps,dynamicChildren:s.dynamicChildren,appContext:s.appContext,dirs:s.dirs,transition:r,component:s.component,suspense:s.suspense,ssContent:s.ssContent&&yp(s.ssContent),ssFallback:s.ssFallback&&yp(s.ssFallback),placeholder:s.placeholder,el:s.el,anchor:s.anchor,ctx:s.ctx,ce:s.ce};return r&&n&&mr(o,r.clone(o)),o}function Yt(s=" ",a=0){return ha(er,null,s,a)}function zl(s,a){const t=ha(Yo,null,s);return t.staticCount=a,t}function ua(s="",a=!1){return a?(Xs(),Ct(bn,null,s)):ha(bn,null,s)}function Ve(s){return s==null||typeof s=="boolean"?ha(bn):Ma(s)?ha(Ca,null,s.slice()):gc(s)?hi(s):ha(er,null,String(s))}function hi(s){return s.el===null&&s.patchFlag!==-1||s.memo?s:yp(s)}function _2(s,a){let t=0;const{shapeFlag:n}=s;if(a==null)a=null;else if(Ma(a))t=16;else if(typeof a=="object")if(n&65){const e=a.default;e&&(e._c&&(e._d=!1),_2(s,e()),e._c&&(e._d=!0));return}else{t=32;const e=a._;!e&&!X4(a)?a._ctx=zn:e===3&&zn&&(zn.slots._===1?a._=1:(a._=2,s.patchFlag|=1024))}else Fa(a)?(a={default:a,_ctx:zn},t=32):(a=String(a),n&64?(t=16,a=[Yt(a)]):t=8);s.children=a,s.shapeFlag|=t}function k2(...s){const a={};for(let t=0;tCn||zn;let fu,Ly;{const s=rd(),a=(t,n)=>{let e;return(e=s[t])||(e=s[t]=[]),e.push(n),l=>{e.length>1?e.forEach(i=>i(l)):e[0](l)}};fu=a("__VUE_INSTANCE_SETTERS__",t=>Cn=t),Ly=a("__VUE_SSR_SETTERS__",t=>Am=t)}const Qc=s=>{const a=Cn;return fu(s),s.scope.on(),()=>{s.scope.off(),fu(a)}},v5=()=>{Cn&&Cn.scope.off(),fu(null)};function mb(s){return s.vnode.shapeFlag&4}let Am=!1;function AS(s,a=!1,t=!1){a&&Ly(a);const{props:n,children:e}=s.vnode,l=mb(s);rS(s,n,l,a),hS(s,e,t||a);const i=l?_S(s,a):void 0;return a&&Ly(!1),i}function _S(s,a){const t=s.type;s.accessCache=Object.create(null),s.proxy=new Proxy(s.ctx,jL);const{setup:n}=t;if(n){_i();const e=s.setupContext=n.length>1?cb(s):null,l=Qc(s),i=Xc(n,s,0,[s.props,e]),p=Uw(i);if(ki(),l(),(p||s.sp)&&!tr(s)&&w2(s),p){if(i.then(v5,v5),a)return i.then(r=>{E5(s,r)}).catch(r=>{Kc(r,s,0)});s.asyncDep=i}else E5(s,i)}else ob(s)}function E5(s,a,t){Fa(a)?s.type.__ssrInlineRender?s.ssrRender=a:s.render=a:mt(a)&&(s.setupState=y4(a)),ob(s)}function ob(s,a,t){const n=s.type;s.render||(s.render=n.render||Nl);{const e=Qc(s);_i();try{XL(s)}finally{ki(),e()}}}const kS={get(s,a){return $n(s,"get",""),s[a]}};function cb(s){const a=t=>{s.exposed=t||{}};return{attrs:new Proxy(s.attrs,kS),slots:s.slots,emit:s.emit,expose:a}}function fd(s){return s.exposed?s.exposeProxy||(s.exposeProxy=new Proxy(y4(Go(s.exposed)),{get(a,t){if(t in a)return a[t];if(t in Wo)return Wo[t](s)},has(a,t){return t in a||t in Wo}})):s.proxy}function BS(s,a=!0){return Fa(s)?s.displayName||s.name:s.name||a&&s.__name}function MS(s){return Fa(s)&&"__vccOpts"in s}const hs=(s,a)=>EL(s,a,Am);function M(s,a,t){try{gu(-1);const n=arguments.length;return n===2?mt(a)&&!Ma(a)?gc(a)?ha(s,null,[a]):ha(s,a):ha(s,null,a):(n>3?t=Array.prototype.slice.call(arguments,2):n===3&&gc(t)&&(t=[t]),ha(s,a,t))}finally{gu(1)}}function TS(s,a){const t=s.memo;if(t.length!=a.length)return!1;for(let n=0;n0&&Qn&&Qn.push(s),!0}const CS="3.5.31";/** * @vue/runtime-dom v3.5.31 * (c) 2018-present Yuxi (Evan) You and Vue contributors * @license MIT **/let Sy;const x5=typeof window<"u"&&window.trustedTypes;if(x5)try{Sy=x5.createPolicy("vue",{createHTML:s=>s})}catch{}const hb=Sy?s=>Sy.createHTML(s):s=>s,zS="http://www.w3.org/2000/svg",DS="http://www.w3.org/1998/Math/MathML",mi=typeof document<"u"?document:null,w5=mi&&mi.createElement("template"),LS={insert:(s,a,t)=>{a.insertBefore(s,t||null)},remove:s=>{const a=s.parentNode;a&&a.removeChild(s)},createElement:(s,a,t,n)=>{const e=a==="svg"?mi.createElementNS(zS,s):a==="mathml"?mi.createElementNS(DS,s):t?mi.createElement(s,{is:t}):mi.createElement(s);return s==="select"&&n&&n.multiple!=null&&e.setAttribute("multiple",n.multiple),e},createText:s=>mi.createTextNode(s),createComment:s=>mi.createComment(s),setText:(s,a)=>{s.nodeValue=a},setElementText:(s,a)=>{s.textContent=a},parentNode:s=>s.parentNode,nextSibling:s=>s.nextSibling,querySelector:s=>mi.querySelector(s),setScopeId(s,a){s.setAttribute(a,"")},insertStaticContent(s,a,t,n,e,l){const i=t?t.previousSibling:a.lastChild;if(e&&(e===l||e.nextSibling))for(;a.insertBefore(e.cloneNode(!0),t),!(e===l||!(e=e.nextSibling)););else{w5.innerHTML=hb(n==="svg"?`${s}`:n==="mathml"?`${s}`:s);const p=w5.content;if(n==="svg"||n==="mathml"){const r=p.firstChild;for(;r.firstChild;)p.appendChild(r.firstChild);p.removeChild(r)}a.insertBefore(p,t)}return[i?i.nextSibling:a.firstChild,t?t.previousSibling:a.lastChild]}},qi="transition",vo="animation",_m=Symbol("_vtc"),ub={name:String,type:String,css:{type:Boolean,default:!0},duration:[String,Number,Object],enterFromClass:String,enterActiveClass:String,enterToClass:String,appearFromClass:String,appearActiveClass:String,appearToClass:String,leaveFromClass:String,leaveActiveClass:String,leaveToClass:String},db=mn({},T4,ub),SS=s=>(s.displayName="Transition",s.props=db,s),or=SS((s,{slots:a})=>M(zL,gb(s),a)),Fp=(s,a=[])=>{Ma(s)?s.forEach(t=>t(...a)):s&&s(...a)},b5=s=>s?Ma(s)?s.some(a=>a.length>1):s.length>1:!1;function gb(s){const a={};for(const S in s)S in ub||(a[S]=s[S]);if(s.css===!1)return a;const{name:t="v",type:n,duration:e,enterFromClass:l=`${t}-enter-from`,enterActiveClass:i=`${t}-enter-active`,enterToClass:p=`${t}-enter-to`,appearFromClass:r=l,appearActiveClass:m=i,appearToClass:o=p,leaveFromClass:c=`${t}-leave-from`,leaveActiveClass:h=`${t}-leave-active`,leaveToClass:u=`${t}-leave-to`}=s,y=FS(e),x=y&&y[0],b=y&&y[1],{onBeforeEnter:_,onEnter:T,onEnterCancelled:A,onLeave:C,onLeaveCancelled:I,onBeforeAppear:$=_,onAppear:U=T,onAppearCancelled:L=A}=a,P=(S,is,R,ss)=>{S._enterCancelled=ss,Wi(S,is?o:p),Wi(S,is?m:i),R&&R()},G=(S,is)=>{S._isLeaving=!1,Wi(S,c),Wi(S,u),Wi(S,h),is&&is()},X=S=>(is,R)=>{const ss=S?U:T,Y=()=>P(is,S,R);Fp(ss,[is,Y]),A5(()=>{Wi(is,S?r:l),_l(is,S?o:p),b5(ss)||_5(is,n,x,Y)})};return mn(a,{onBeforeEnter(S){Fp(_,[S]),_l(S,l),_l(S,i)},onBeforeAppear(S){Fp($,[S]),_l(S,r),_l(S,m)},onEnter:X(!1),onAppear:X(!0),onLeave(S,is){S._isLeaving=!0;const R=()=>G(S,is);_l(S,c),S._enterCancelled?(_l(S,h),Fy(S)):(Fy(S),_l(S,h)),A5(()=>{S._isLeaving&&(Wi(S,c),_l(S,u),b5(C)||_5(S,n,b,R))}),Fp(C,[S,R])},onEnterCancelled(S){P(S,!1,void 0,!0),Fp(A,[S])},onAppearCancelled(S){P(S,!0,void 0,!0),Fp(L,[S])},onLeaveCancelled(S){G(S),Fp(I,[S])}})}function FS(s){if(s==null)return null;if(mt(s))return[r1(s.enter),r1(s.leave)];{const a=r1(s);return[a,a]}}function r1(s){return RD(s)}function _l(s,a){a.split(/\s+/).forEach(t=>t&&s.classList.add(t)),(s[_m]||(s[_m]=new Set)).add(a)}function Wi(s,a){a.split(/\s+/).forEach(n=>n&&s.classList.remove(n));const t=s[_m];t&&(t.delete(a),t.size||(s[_m]=void 0))}function A5(s){requestAnimationFrame(()=>{requestAnimationFrame(s)})}let OS=0;function _5(s,a,t,n){const e=s._endId=++OS,l=()=>{e===s._endId&&n()};if(t!=null)return setTimeout(l,t);const{type:i,timeout:p,propCount:r}=fb(s,a);if(!i)return n();const m=i+"end";let o=0;const c=()=>{s.removeEventListener(m,h),l()},h=u=>{u.target===s&&++o>=r&&c()};setTimeout(()=>{o(t[y]||"").split(", "),e=n(`${qi}Delay`),l=n(`${qi}Duration`),i=k5(e,l),p=n(`${vo}Delay`),r=n(`${vo}Duration`),m=k5(p,r);let o=null,c=0,h=0;a===qi?i>0&&(o=qi,c=i,h=l.length):a===vo?m>0&&(o=vo,c=m,h=r.length):(c=Math.max(i,m),o=c>0?i>m?qi:vo:null,h=o?o===qi?l.length:r.length:0);const u=o===qi&&/\b(?:transform|all)(?:,|$)/.test(n(`${qi}Property`).toString());return{type:o,timeout:c,propCount:h,hasTransform:u}}function k5(s,a){for(;s.lengthB5(t)+B5(s[n])))}function B5(s){return s==="auto"?0:Number(s.slice(0,-1).replace(",","."))*1e3}function Fy(s){return(s?s.ownerDocument:document).body.offsetHeight}function IS(s,a,t){const n=s[_m];n&&(a=(a?[a,...n]:[...n]).join(" ")),a==null?s.removeAttribute("class"):t?s.setAttribute("class",a):s.className=a}const yu=Symbol("_vod"),yb=Symbol("_vsh"),jp={name:"show",beforeMount(s,{value:a},{transition:t}){s[yu]=s.style.display==="none"?"":s.style.display,t&&a?t.beforeEnter(s):Eo(s,a)},mounted(s,{value:a},{transition:t}){t&&a&&t.enter(s)},updated(s,{value:a,oldValue:t},{transition:n}){!a!=!t&&(n?a?(n.beforeEnter(s),Eo(s,!0),n.enter(s)):n.leave(s,()=>{Eo(s,!1)}):Eo(s,a))},beforeUnmount(s,{value:a}){Eo(s,a)}};function Eo(s,a){s.style.display=a?s[yu]:"none",s[yb]=!a}const NS=Symbol(""),PS=/(?:^|;)\s*display\s*:/;function RS(s,a,t){const n=s.style,e=Wt(t);let l=!1;if(t&&!e){if(a)if(Wt(a))for(const i of a.split(";")){const p=i.slice(0,i.indexOf(":")).trim();t[p]==null&&V0(n,p,"")}else for(const i in a)t[i]==null&&V0(n,i,"");for(const i in t)i==="display"&&(l=!0),V0(n,i,t[i])}else if(e){if(a!==t){const i=n[NS];i&&(t+=";"+i),n.cssText=t,l=PS.test(t)}}else a&&s.removeAttribute("style");yu in s&&(s[yu]=l?n.display:"",s[yb]&&(n.display="none"))}const M5=/\s*!important$/;function V0(s,a,t){if(Ma(t))t.forEach(n=>V0(s,a,n));else if(t==null&&(t=""),a.startsWith("--"))s.setProperty(a,t);else{const n=$S(s,a);M5.test(t)?s.setProperty(xr(n),t.replace(M5,""),"important"):s[n]=t}}const T5=["Webkit","Moz","ms"],m1={};function $S(s,a){const t=m1[a];if(t)return t;let n=Ln(a);if(n!=="filter"&&n in s)return m1[a]=n;n=Wc(n);for(let e=0;eo1||(US.then(()=>o1=0),o1=Date.now());function GS(s,a){const t=n=>{if(!n._vts)n._vts=Date.now();else if(n._vts<=t.attached)return;cl(WS(n,t.value),a,5,[n])};return t.value=s,t.attached=jS(),t}function WS(s,a){if(Ma(a)){const t=s.stopImmediatePropagation;return s.stopImmediatePropagation=()=>{t.call(s),s._stopped=!0},a.map(n=>e=>!e._stopped&&n&&n(e))}else return a}const F5=s=>s.charCodeAt(0)===111&&s.charCodeAt(1)===110&&s.charCodeAt(2)>96&&s.charCodeAt(2)<123,YS=(s,a,t,n,e,l)=>{const i=e==="svg";a==="class"?IS(s,n,i):a==="style"?RS(s,t,n):jc(a)?ed(a)||HS(s,a,t,n,l):(a[0]==="."?(a=a.slice(1),!0):a[0]==="^"?(a=a.slice(1),!1):XS(s,a,n,i))?(D5(s,a,n),!s.tagName.includes("-")&&(a==="value"||a==="checked"||a==="selected")&&z5(s,a,n,i,l,a!=="value")):s._isVueCE&&(KS(s,a)||s._def.__asyncLoader&&(/[A-Z]/.test(a)||!Wt(n)))?D5(s,Ln(a),n,l,a):(a==="true-value"?s._trueValue=n:a==="false-value"&&(s._falseValue=n),z5(s,a,n,i))};function XS(s,a,t,n){if(n)return!!(a==="innerHTML"||a==="textContent"||a in s&&F5(a)&&Fa(t));if(a==="spellcheck"||a==="draggable"||a==="translate"||a==="autocorrect"||a==="sandbox"&&s.tagName==="IFRAME"||a==="form"||a==="list"&&s.tagName==="INPUT"||a==="type"&&s.tagName==="TEXTAREA")return!1;if(a==="width"||a==="height"){const e=s.tagName;if(e==="IMG"||e==="VIDEO"||e==="CANVAS"||e==="SOURCE")return!1}return F5(a)&&Wt(t)?!1:a in s}function KS(s,a){const t=s._def.props;if(!t)return!1;const n=Ln(a);return Array.isArray(t)?t.some(e=>Ln(e)===n):Object.keys(t).some(e=>Ln(e)===n)}const vb=new WeakMap,Eb=new WeakMap,vu=Symbol("_moveCb"),O5=Symbol("_enterCb"),ZS=s=>(delete s.props.mode,s),QS=ZS({name:"TransitionGroup",props:mn({},db,{tag:String,moveClass:String}),setup(s,{slots:a}){const t=Hn(),n=M4();let e,l;return O4(()=>{if(!e.length)return;const i=s.moveClass||`${s.name||"v"}-move`;if(!tF(e[0].el,t.vnode.el,i)){e=[];return}e.forEach(JS),e.forEach(sF);const p=e.filter(aF);Fy(t.vnode.el),p.forEach(r=>{const m=r.el,o=m.style;_l(m,i),o.transform=o.webkitTransform=o.transitionDuration="";const c=m[vu]=h=>{h&&h.target!==m||(!h||h.propertyName.endsWith("transform"))&&(m.removeEventListener("transitionend",c),m[vu]=null,Wi(m,i))};m.addEventListener("transitionend",c)}),e=[]}),()=>{const i=at(s),p=gb(i);let r=i.tag||Ca;if(e=[],l)for(let m=0;m{p.split(/\s+/).forEach(r=>r&&n.classList.remove(r))}),t.split(/\s+/).forEach(p=>p&&n.classList.add(p)),n.style.display="none";const l=a.nodeType===1?a:a.parentNode;l.appendChild(n);const{hasTransform:i}=fb(n);return l.removeChild(n),i}const km=s=>{const a=s.props["onUpdate:modelValue"]||!1;return Ma(a)?t=>R0(a,t):a};function nF(s){s.target.composing=!0}function I5(s){const a=s.target;a.composing&&(a.composing=!1,a.dispatchEvent(new Event("input")))}const bi=Symbol("_assign");function N5(s,a,t){return a&&(s=s.trim()),t&&(s=pd(s)),s}const bb={created(s,{modifiers:{lazy:a,trim:t,number:n}},e){s[bi]=km(e);const l=n||e.props&&e.props.type==="number";lp(s,a?"change":"input",i=>{i.target.composing||s[bi](N5(s.value,t,l))}),(t||l)&&lp(s,"change",()=>{s.value=N5(s.value,t,l)}),a||(lp(s,"compositionstart",nF),lp(s,"compositionend",I5),lp(s,"change",I5))},mounted(s,{value:a}){s.value=a??""},beforeUpdate(s,{value:a,oldValue:t,modifiers:{lazy:n,trim:e,number:l}},i){if(s[bi]=km(i),s.composing)return;const p=(l||s.type==="number")&&!/^0\d/.test(s.value)?pd(s.value):s.value,r=a??"";if(p===r)return;const m=s.getRootNode();(m instanceof Document||m instanceof ShadowRoot)&&m.activeElement===s&&s.type!=="range"&&(n&&a===t||e&&s.value.trim()===r)||(s.value=r)}},Al={deep:!0,created(s,a,t){s[bi]=km(t),lp(s,"change",()=>{const n=s._modelValue,e=fc(s),l=s.checked,i=s[bi];if(Ma(n)){const p=c2(n,e),r=p!==-1;if(l&&!r)i(n.concat(e));else if(!l&&r){const m=[...n];m.splice(p,1),i(m)}}else if(qm(n)){const p=new Set(n);l?p.add(e):p.delete(e),i(p)}else i(_b(s,l))})},mounted:P5,beforeUpdate(s,a,t){s[bi]=km(t),P5(s,a,t)}};function P5(s,{value:a,oldValue:t},n){s._modelValue=a;let e;if(Ma(a))e=c2(a,n.props.value)>-1;else if(qm(a))e=a.has(n.props.value);else{if(a===t)return;e=Um(a,_b(s,!0))}s.checked!==e&&(s.checked=e)}const Ab={deep:!0,created(s,{value:a,modifiers:{number:t}},n){const e=qm(a);lp(s,"change",()=>{const l=Array.prototype.filter.call(s.options,i=>i.selected).map(i=>t?pd(fc(i)):fc(i));s[bi](s.multiple?e?new Set(l):l:l[0]),s._assigning=!0,gt(()=>{s._assigning=!1})}),s[bi]=km(n)},mounted(s,{value:a}){R5(s,a)},beforeUpdate(s,a,t){s[bi]=km(t)},updated(s,{value:a}){s._assigning||R5(s,a)}};function R5(s,a){const t=s.multiple,n=Ma(a);if(!(t&&!n&&!qm(a))){for(let e=0,l=s.options.length;eString(m)===String(p)):i.selected=c2(a,p)>-1}else i.selected=a.has(p);else if(Um(fc(i),a)){s.selectedIndex!==e&&(s.selectedIndex=e);return}}!t&&s.selectedIndex!==-1&&(s.selectedIndex=-1)}}function fc(s){return"_value"in s?s._value:s.value}function _b(s,a){const t=a?"_trueValue":"_falseValue";return t in s?s[t]:a}const eF=["ctrl","shift","alt","meta"],lF={stop:s=>s.stopPropagation(),prevent:s=>s.preventDefault(),self:s=>s.target!==s.currentTarget,ctrl:s=>!s.ctrlKey,shift:s=>!s.shiftKey,alt:s=>!s.altKey,meta:s=>!s.metaKey,left:s=>"button"in s&&s.button!==0,middle:s=>"button"in s&&s.button!==1,right:s=>"button"in s&&s.button!==2,exact:(s,a)=>eF.some(t=>s[`${t}Key`]&&!a.includes(t))},kb=(s,a)=>{if(!s)return s;const t=s._withMods||(s._withMods={}),n=a.join(".");return t[n]||(t[n]=((e,...l)=>{for(let i=0;i{const a=pF().createApp(...s),{mount:t}=a;return a.mount=n=>{const e=oF(n);if(e)return t(e,!0,mF(e))},a});function mF(s){if(s instanceof SVGElement)return"svg";if(typeof MathMLElement=="function"&&s instanceof MathMLElement)return"mathml"}function oF(s){return Wt(s)?document.querySelector(s):s}var Jc=s=>/^[a-z][a-z0-9+.-]*:/.test(s)||s.startsWith("//"),cF=/.md((\?|#).*)?$/,yd=(s,a="/")=>Jc(s)||s.startsWith("/")&&!s.startsWith(a)&&!cF.test(s),bp=s=>/^(https?:)?\/\//.test(s),V5=s=>{if(!s||s.endsWith("/"))return s;let a=s.replace(/(^|\/)README.md$/i,"$1index.html");return a.endsWith(".md")?a=`${a.substring(0,a.length-3)}.html`:a.endsWith(".html")||(a=`${a}.html`),a.endsWith("/index.html")&&(a=a.substring(0,a.length-10)),a},hF="http://.",uF=(s,a)=>{if(!s.startsWith("/")&&a){const t=a.slice(0,a.lastIndexOf("/"));return V5(new URL(`${t}/${s}`,hF).pathname)}return V5(s)},dF=(s,a)=>{const t=Object.keys(s).sort((n,e)=>{const l=e.split("/").length-n.split("/").length;return l!==0?l:e.length-n.length});for(const n of t)if(a.startsWith(n))return n;return"/"},gF=/(#|\?)/,Bb=s=>{const[a,...t]=s.split(gF);return{pathname:a,hashAndQueries:t.join("")}},fF=["link","meta","script","style","noscript","template"],yF=["title","base"],vF=([s,a,t])=>yF.includes(s)?s:fF.includes(s)?s==="meta"&&a.name?`${s}.${a.name}`:s==="template"&&a.id?`${s}.${a.id}`:JSON.stringify([s,Object.entries(a).map(([n,e])=>typeof e=="boolean"?e?[n,""]:null:[n,e]).filter(n=>n!=null).sort(([n],[e])=>n.localeCompare(e)),t]):null,EF=s=>{const a=new Set,t=[];return s.forEach(n=>{const e=vF(n);e&&!a.has(e)&&(a.add(e),t.push(n))}),t},xF=s=>s.startsWith("/")?s:`/${s}`,B2=s=>s.endsWith("/")||s.endsWith(".html")?s:`${s}/`,M2=s=>s.endsWith("/")?s.slice(0,-1):s,Mb=s=>s.startsWith("/")?s.slice(1):s,wF=s=>typeof s=="function",wr=s=>Object.prototype.toString.call(s)==="[object Object]",pt=s=>typeof s=="string";const bF="modulepreload",AF=function(s){return"/Pkmer-Math/"+s},H5={},B=function(a,t,n){let e=Promise.resolve();if(t&&t.length>0){let r=function(m){return Promise.all(m.map(o=>Promise.resolve(o).then(c=>({status:"fulfilled",value:c}),c=>({status:"rejected",reason:c}))))};document.getElementsByTagName("link");const i=document.querySelector("meta[property=csp-nonce]"),p=i?.nonce||i?.getAttribute("nonce");e=r(t.map(m=>{if(m=AF(m),m in H5)return;H5[m]=!0;const o=m.endsWith(".css"),c=o?'[rel="stylesheet"]':"";if(document.querySelector(`link[href="proxy.php?url=https%3A%2F%2Flincdocs.github.io%2F%24%7Bm%7D"]${c}`))return;const h=document.createElement("link");if(h.rel=o?"stylesheet":bF,o||(h.as="script"),h.crossOrigin="",h.href=m,p&&h.setAttribute("nonce",p),document.head.appendChild(h),o)return new Promise((u,y)=>{h.addEventListener("load",u),h.addEventListener("error",()=>y(new Error(`Unable to preload CSS for ${m}`)))})}))}function l(i){const p=new Event("vite:preloadError",{cancelable:!0});if(p.payload=i,window.dispatchEvent(p),!p.defaultPrevented)throw i}return e.then(i=>{for(const p of i||[])p.status==="rejected"&&l(p.reason);return a().catch(l)})},_F=JSON.parse('{"/_assets_/WolframAlpha.html":"/assets_/WolframAlpha.html","/_assets_/%E5%85%AC%E5%BC%8F%E7%BC%96%E8%BE%91%E5%99%A8.html":"/assets_/%E5%85%AC%E5%BC%8F%E7%BC%96%E8%BE%91%E5%99%A8.html","/_assets_/Callouts/Callouts-Abstract.html":"/assets_/Callouts/Callouts-Abstract.html","/_assets_/Callouts/Callouts-Bug.html":"/assets_/Callouts/Callouts-Bug.html","/_assets_/Callouts/Callouts-ChatGPT.html":"/assets_/Callouts/Callouts-ChatGPT.html","/_assets_/Callouts/Callouts-Danger.html":"/assets_/Callouts/Callouts-Danger.html","/_assets_/Callouts/Callouts-Example.html":"/assets_/Callouts/Callouts-Example.html","/_assets_/Callouts/Callouts-Failure.html":"/assets_/Callouts/Callouts-Failure.html","/_assets_/Callouts/Callouts-Info.html":"/assets_/Callouts/Callouts-Info.html","/_assets_/Callouts/Callouts-Note.html":"/assets_/Callouts/Callouts-Note.html","/_assets_/Callouts/Callouts-Question.html":"/assets_/Callouts/Callouts-Question.html","/_assets_/Callouts/Callouts-Quote.html":"/assets_/Callouts/Callouts-Quote.html","/_assets_/Callouts/Callouts-Success.html":"/assets_/Callouts/Callouts-Success.html","/_assets_/Callouts/Callouts-Tips.html":"/assets_/Callouts/Callouts-Tips.html","/_assets_/Callouts/Callouts-Todo.html":"/assets_/Callouts/Callouts-Todo.html","/_assets_/Callouts/Callouts-Warning.html":"/assets_/Callouts/Callouts-Warning.html","/_assets_/Callouts/Callouts%E8%AF%AD%E6%B3%95.html":"/assets_/Callouts/Callouts%E8%AF%AD%E6%B3%95.html"}'),kF=Object.fromEntries([["/Home.html",{loader:()=>B(()=>import("./Home.html-BDqohVNE.js"),[]),meta:{excerpt:` `,readingTime:{minutes:.83,words:250},title:"",type:"article",s:"Home"}}],["/",{loader:()=>B(()=>import("./index.html--uItrwRC.js"),[]),meta:{date:1775154041e3,excerpt:`

简介

基于Obsidian建立公开共享的数学知识库!

传统教材是线性的, 而数学概念是错综复杂的网络. 本库除了提供线性目录外, 还利用 Obsidian 的双向链接, 将知识点互相连接, 构建动态互联的数学知识图谱, 让学习者能够顺着思路学习, 而不仅仅是顺着章节学习. 内容上致力于以通俗易懂的语言梳理高等数学的主要知识点. 最终目的: 取代防自学教材.

本仓库的一切都优先建立在本地Obsidian仓库使用, 文档遵循 Obsidian Flavored Markdown 规范, 充分利用 Obsidian 特色语法.
同时感谢LincZero提供的网页部署: https://pkm-er.github.io/Pkmer-Math/

`,readingTime:{minutes:4.2,words:1259},title:"",type:"article",s:"/"}}],["/Other/--%E5%BE%AE%E5%88%86%E5%87%A0%E4%BD%95--.html",{loader:()=>B(()=>import("./--微分几何--.html-D7aaiETQ.js"),[]),meta:{author:["Cyletix","Gemini2.5Pro"],tag:["数学","目录"],excerpt:`
Question

微分几何的核心问题: 当空间不再是平直的欧几里得空间时, 如何定义"导数" , "长度" , "角度" 和"曲率" ?

`,readingTime:{minutes:.91,words:274},title:"",type:"article",s:"--微分几何--"}}],["/Other/--%E6%B3%9B%E5%87%BD%E5%88%86%E6%9E%90--.html",{loader:()=>B(()=>import("./--泛函分析--.html-BkM4HRNL.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  • 赋范空间
    • 向量空间
    • 范数
    • 赋范空间的定义
  • 巴拿赫空间
    • 巴拿赫空间的定义
    • 完备性
    • 巴拿赫空间的例子
  • 内积空间
    • 内积的定义
    • 诱导范数
    • 欧几里得空间
  • 希尔伯特空间
    • 希尔伯特空间的定义
    • 正交性
    • 正交分解定理
  • 有界线性算子
    • 有界线性算子的定义
    • 有界性与连续性
    • 线性算子的范数
  • 对偶空间
    • 对偶空间的定义
    • 典范嵌入
    • Hahn-Banach定理
  • 弱拓扑
    • 弱收敛
    • 弱拓扑的定义
    • Alaoglu定理
  • 紧算子
    • 紧算子的定义
    • 紧性与列紧性
    • 谱定理
  • 巴拿赫代数
    • 巴拿赫代数的定义
    • Gelfand表示
    • 光滑性问题
  • 自伴算子
    • 自伴算子的定义
    • 谱性质
    • 作用在希尔伯特空间上的算子
  • 泛函分析中的主要定理
    • Hahn-Banach定理
    • 开映射定理
    • 闭图像定理
    • Riesz表示定理
  • Sobolev空间
    • Sobolev空间的定义
    • 函数空间的嵌入
    • Sobolev不等式
  • 泛函分析的应用
    • 偏微分方程的弱解
    • 谱理论在物理中的应用
    • 变分法
  • 补充
    • 半范数
    • Fréchet空间
    • 局部凸空间
`,readingTime:{minutes:1.06,words:319},title:"目录",type:"article"}}],["/Other/-%E9%AB%98%E7%AD%89%E6%95%B0%E5%AD%A6-.html",{loader:()=>B(()=>import("./-高等数学-.html-Csow_2OO.js"),[]),meta:{author:["Cyletix"],tag:["总览","数学","目录"],excerpt:`

相比微积分是一个更广泛的概念, 不仅包括微积分,还包括线性代数、微分方程、复变函数、实变函数、泛函分析等

`,readingTime:{minutes:.56,words:167},title:"广义的高等数学",type:"article"}}],["/Other/-%E9%AB%98%E7%AD%89%E6%95%B0%E5%AD%A6%E8%BF%9B%E9%98%B6-.html",{loader:()=>B(()=>import("./-高等数学进阶-.html-CVrUfInD.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:.5,words:149},title:"分析",type:"article"}}],["/Other/Lp%E8%8C%83%E6%95%B0.html",{loader:()=>B(()=>import("./Lp范数.html-C9CoplAe.js"),[]),meta:{author:["Cyletix"],tag:["线性代数","向量空间","范数"],excerpt:`
核心思想

LpL_p 范数度量了向量的“长度”,其不同取值对应不同的几何度量方式:从菱形到圆形,再到方形。

`,readingTime:{minutes:1.08,words:324},title:"内容大纲",type:"article"}}],["/Other/%E5%8F%AF%E5%8A%A0%E6%80%A7.html",{loader:()=>B(()=>import("./可加性.html-CoF21g_H.js"),[]),meta:{author:["Cyletix","DeepSeekV3"],tag:["数学"],excerpt:`

简介

可加性是泛函分析算子理论中的核心概念,描述算子是否保持加法结构,是研究线性算子线性映射的基础。

`,readingTime:{minutes:.84,words:252},title:"可加性",type:"article"}}],["/Other/%E5%BE%AE%E5%88%86%E6%B5%81%E5%BD%A2.html",{loader:()=>B(()=>import("./微分流形.html-DMayZWkv.js"),[]),meta:{author:["Cyletix","GPT-5"],tag:["数学","微分几何"],excerpt:`

微分流形是一个在局部与欧几里得空间同胚、并能在其上定义光滑函数的集合。
它提供了“在一般空间上进行微积分”的最小结构要求。


定义

一个拓扑空间 MM 称为 nn微分流形,若:

`,readingTime:{minutes:1.1,words:331},title:"",type:"article",s:"微分流形"}}],["/Other/%E6%8B%93%E6%89%91%E5%AD%A6.html",{loader:()=>B(()=>import("./拓扑学.html-mMxwZ-9O.js"),[]),meta:{tag:["数学"],excerpt:`

1. 点集拓扑

  • 拓扑空间的定义
    • 开集与闭集的基本性质
    • 拓扑基与子基
    • 子空间拓扑
  • 连续函数与同胚
    • 连续性的拓扑定义
    • 同胚与拓扑等价
  • 分离性与紧致性
    • T0、T1、T2(Hausdorff)分离公理
    • 紧致性与极限点紧性
    • 紧性与有限覆盖
  • 连通性
    • 连通空间与路径连通
    • 局部连通性
  • 度量化与嵌入
    • 度量空间与拓扑的关系
    • Urysohn嵌入定理
`,readingTime:{minutes:1.43,words:428},title:"目录",type:"article"}}],["/Other/%E6%95%B0%E5%AD%A6%E5%9F%BA%E7%A1%80%E6%A6%82%E5%BF%B5%E6%A8%A1%E5%9E%8B.html",{loader:()=>B(()=>import("./数学基础概念模型.html-B775HCLa.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],excerpt:`
  • 数学世界的事物
    • 实体
      • 数学对象:数、图形、结构……,被研究的东西;
        • 除了属性,还有属性的持有者——实体。 实体与属性相互依存,就像硬币的两面,共同构成了我们认知中的“事物”。
      • 概念:反映对象在空间形式和数量关系等方面本质属性的思维形式”,通常通过“内涵(本质属性)+ 外延(所指对象的全体)”来刻画。是我们理解、命名、区分各种数学对象的“词汇/术语”。
    • 属性
      • 定义
        • 性质:是“由内向外”的推导。对象⟹特征
          • 【数学对象(数、集合、函数、图形、代数结构等)或数学概念在其定义下所具有的、经证明成立的某种稳定的特征或规律,且这种特征或规律不依赖于具体表示方式或应用场景的改变而改变】
          • 【因为它是某个东西,所以它具备什么特征。】
        • 判定:是“由外向内”的确认。特征⟹对象
          • 【依据特定的一组充分条件或充要条件,通过逻辑推理确认数学对象是否归属于特定集合或类别,或是否具备特定性质的命题与过程。】
          • 【因为它具备某些特征,所以它是某个东西。】
        • 命题
          • 公理
            • 【是指依据人类理性的不证自明的基本事实。】
            • 【世界api【自然资源),相当于python提供的基本api】
          • 猜想
            • 【证明、证伪、不可被证】
            • 假设
          • 引理
            • 【证明过程中的辅助命题】
            • 【中间产物,相当复杂】
            • 【相当于python的函数】
          • 定理
            • 【是经过受逻辑限制的证明为真的陈述。】
            • 【相当复杂的推理【推理,基本作用)】
            • 【从公理或其他已被证明的定理出发,经过受逻辑限制的演绎推导,得到的另一个真命题。】
            • 【相当于python程序,或者一个打包好的程序级别的API【利用自然资源创造的事物)】
            • 【各种语言软件包的第三方库】
            • 推论
        • 原理
          • 【有无实践】
          • 【通过实践或是试验等,总结出来的,规则或概念。】
          • 定律
            • 定律是一种理论模型,是描述客观世界变化规律的表达式或者文字。】
            • 【通过观察和试验发现的一种规律性,它描述了自然界中一种恒定关系或模式。】
    • 关系与运算
    • 结构与系统
`,readingTime:{minutes:2.09,words:627},title:"",type:"article",s:"数学基础概念模型"}}],["/Other/%E6%95%B0%E8%AE%BA.html",{loader:()=>B(()=>import("./数论.html-BtSA21Eq.js"),[]),meta:{tag:["数学"],excerpt:`

初等数论

  • 整数的基本性质
    • 整除性与最大公因数
    • 欧几里得算法
    • 同余与模运算
  • 素数
    • 素数分布与质数定理
    • 素性测试
    • 素数生成
  • 数论函数
    • 除数函数与σ函数
    • 欧拉函数
    • Möbius函数与莫比乌斯反演公式
  • 同余方程
    • 一次同余方程
    • 中国剩余定理
    • 二次剩余与平方同余
`,readingTime:{minutes:1.49,words:446},title:"目录",type:"article"}}],["/Other/%E8%8C%83%E7%95%B4%E8%AE%BA.html",{loader:()=>B(()=>import("./范畴论.html-D7CG9t9L.js"),[]),meta:{tag:["数学"],excerpt:`
  • 范畴的定义
    • 对象
    • 态射
    • 组合
  • 范畴的例子
    • 集合范畴
    • 拓扑范畴
    • 群范畴
    • 模范畴
  • 态射的分类
    • 单态射
    • 满态射
    • 同构
    • 等价
  • 函子
    • 函子
    • 协变函子
    • 逆变函子
  • 自然变换
    • 自然变换
    • 自然同构
  • 极限与余极限
    • 极限
    • 余锥
    • 余极限
  • 加法范畴
    • 加法范畴
    • 零对象
    • 二元积
    • 二元余积
  • 阿贝尔范畴
    • 阿贝尔范畴
    • 核与上核
    • 余核与下核
  • 导出函子
    • 导出函子
    • Tor函子
    • Ext函子
  • 拓扑中的范畴论
    • 拓扑空间的范畴
    • 同伦范畴
    • 层范畴
  • 几何中的范畴论
    • Sheaf
    • 函子性解释
    • 模空间
  • 范畴论在代数中的应用
    • 同调代数的范畴视角
    • 局部化
    • 导出范畴
  • 范畴论在计算机科学中的应用
    • λ-演算与范畴论
    • 类型论中的范畴理论
    • 函子性设计模式
  • 补充
    • 扇形范畴
    • Grothendieck范畴
    • 双范畴
    • 2-范畴
`,readingTime:{minutes:.87,words:260},title:"目录",type:"article"}}],["/assets_/WolframAlpha.html",{loader:()=>B(()=>import("./WolframAlpha.html-DK5UdoVU.js"),[]),meta:{tag:["数学","工具"],excerpt:`
`,readingTime:{minutes:.19,words:56},title:"",type:"article",s:"WolframAlpha"}}],["/assets_/%E5%85%AC%E5%BC%8F%E7%BC%96%E8%BE%91%E5%99%A8.html",{loader:()=>B(()=>import("./公式编辑器.html-CrAOHGbB.js"),[]),meta:{tag:["数学","工具"],excerpt:`
`,readingTime:{minutes:.2,words:61},title:"",type:"article",s:"公式编辑器"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/--%E5%BE%AE%E7%A7%AF%E5%88%86--.html",{loader:()=>B(()=>import("./--微积分--.html-ChDKb6oO.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
核心思想

微积分研究瞬时变化累积效应, 用极限理解连续世界的动态结构

`,readingTime:{minutes:1.87,words:561},title:"目录",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/--%E6%A6%82%E7%8E%87%E8%AE%BA--.html",{loader:()=>B(()=>import("./--概率论--.html-CHyhK5Kg.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
核心思想

概率论研究可能性的规律, 以逻辑的方式理解偶然中的必然

`,readingTime:{minutes:.47,words:141},title:"目录",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/--%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0--.html",{loader:()=>B(()=>import("./--线性代数--.html-DtZAKn65.js"),[]),meta:{author:"Cyletix",tag:["数学","目录"],excerpt:`
核心思想

线性代数是研究线性结构与变换的数学。用结构化的方式理解空间的骨架。

`,readingTime:{minutes:.4,words:119},title:"目录-同济版",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/Gauss-Jordan%20Elimination%20solve%20Inverse%20Matrix.html",{loader:()=>B(()=>import("./Gauss-Jordan Elimination solve Inverse Matrix.html-BJz9jKFW.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

To find the inverse of the matrix A=(1111)A = \\begin{pmatrix} 1 & 1 \\\\ 1 & -1 \\end{pmatrix} using Gauss-Jordan elimination, we can follow these steps:

',readingTime:{minutes:.9,words:270},title:"",type:"article",s:"Gauss-Jordan Elimination solve Inverse Matrix"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B8%89%E7%BB%B4%E7%A9%BA%E9%97%B4%E5%A0%B5%E8%BD%A6%E6%A6%82%E7%8E%87%E8%AF%84%E4%BC%B0.html",{loader:()=>B(()=>import("./三维空间堵车概率评估.html-BUIcyPOk.js"),[]),meta:{tag:["数学"],excerpt:`

计算二维和三维空间中拥堵概率的具体数值涉及到复杂的概率和统计模型。以下是一个简化的示例,用于计算拥堵概率的基础概念和步骤:

  1. 定义参数

    • NN:总车辆或无人机数量
    • AA:二维空间的面积
    • VV:三维空间的体积
    • λ2D\\lambda_{2D}:二维空间中的车辆密度,λ2D=NA\\lambda_{2D} = \\frac{N}{A}
    • λ3D\\lambda_{3D}:三维空间中的无人机密度,λ3D=NV\\lambda_{3D} = \\frac{N}{V}
  2. 泊松过程模型

    • 假设车辆或无人机的分布符合泊松过程。
    • 二维空间中某一区域拥堵的概率:

      Pnote2D=1eλ2DAnote P_{\\text{note}}^{2D} = 1 - e^{-\\lambda_{2D} \\cdot A_{\\text{note}}}

      其中,AnoteA_{\\text{note}} 是考虑的区域面积。
    • 三维空间中某一区域拥堵的概率:

      Pnote3D=1eλ3DVnote P_{\\text{note}}^{3D} = 1 - e^{-\\lambda_{3D} \\cdot V_{\\text{note}}}

      其中,VnoteV_{\\text{note}} 是考虑的区域体积。
  3. 计算示例

    • 假设二维空间的面积 A=1000m2A = 1000 \\text{m}^2,总车辆数 N=100N = 100
    • 假设三维空间的体积 V=10000m3V = 10000 \\text{m}^3,总无人机数 N=100N = 100

    二维和三维的密度分别为:

    λ2D=1001000=0.1vehicles/m2 \\lambda_{2D} = \\frac{100}{1000} = 0.1 \\text{vehicles/m}^2

    λ3D=10010000=0.01drones/m3 \\lambda_{3D} = \\frac{100}{10000} = 0.01 \\text{drones/m}^3

    考虑二维空间中一个 10m210 \\text{m}^2 的区域:

    Pnote2D=1e0.110=1e10.632 P_{\\text{note}}^{2D} = 1 - e^{-0.1 \\cdot 10} = 1 - e^{-1} \\approx 0.632

    考虑三维空间中一个 100m3100 \\text{m}^3 的区域:

    Pnote3D=1e0.01100=1e10.632 P_{\\text{note}}^{3D} = 1 - e^{-0.01 \\cdot 100} = 1 - e^{-1} \\approx 0.632

  4. 调整参数和区域大小

    • 可以根据实际情况调整区域大小和密度,重新计算拥堵概率。
    • 例如,如果二维空间的区域减小到 1m21 \\text{m}^2

      Pnote2D=1e0.11=1e0.10.095 P_{\\text{note}}^{2D} = 1 - e^{-0.1 \\cdot 1} = 1 - e^{-0.1} \\approx 0.095

    而三维空间中的一个 1m31 \\text{m}^3 区域:

    Pnote3D=1e0.011=1e0.010.01 P_{\\text{note}}^{3D} = 1 - e^{-0.01 \\cdot 1} = 1 - e^{-0.01} \\approx 0.01

`,readingTime:{minutes:1.77,words:531},title:"",type:"article",s:"三维空间堵车概率评估"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B8%89%E7%BB%B4%E7%A9%BA%E9%97%B4%E7%BB%93%E6%9E%84%E6%8A%95%E5%BD%B1%E5%88%B0%E6%8C%87%E5%AE%9A%E5%B9%B3%E9%9D%A2.html",{loader:()=>B(()=>import("./三维空间结构投影到指定平面.html-CYMCLQME.js"),[]),meta:{author:["GPT-4o"],tag:["数学","python"],excerpt:`

三维空间结构投影到指定平面,可以用计算机图形学中的投影变换来实现。以下是具体步骤:

1. 定义投影的平面 (Camera 平面)

  • 假设投影平面是二维平面,可以用一个平面方程表示:

    n(rr0)=0\\mathbf{n} \\cdot (\\mathbf{r} - \\mathbf{r_0}) = 0

    其中:

    • n\\mathbf{n} 是平面法向量
    • r\\mathbf{r} 是空间点的坐标
    • r0\\mathbf{r_0} 是平面上一点(通常可以选为原点或Camera中心)
  • 如果投影平面是正交的,我们需要摄像机的视角参数,例如:

    • 摄像机位置 c\\mathbf{c}
    • 投影方向(光线方向)d\\mathbf{d}
`,readingTime:{minutes:2.5,words:750},title:"",type:"article",s:"三维空间结构投影到指定平面"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%BE%8B%E9%A2%98-%E5%88%86%E9%83%A8%E7%A7%AF%E5%88%86%E6%B3%95.html",{loader:()=>B(()=>import("./例题-分部积分法.html-Dr7YUiIJ.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
  1. 换元, 将 sin(x)\\sin(x) 化入dx后, 分部积分
`,readingTime:{minutes:.66,words:198},title:"求解",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%BE%8B%E9%A2%98-%E6%8B%89%E6%A0%BC%E6%9C%97%E6%97%A5%E5%87%BD%E6%95%B0%E6%B1%82%E6%9E%81%E5%80%BC.html",{loader:()=>B(()=>import("./例题-拉格朗日函数求极值.html-CfWOjpmt.js"),[]),meta:{tag:["数学"],excerpt:'

我们考虑 r1+r2+r3=0r_1 + r_2 + r_3 = 0,并要求 r1,r2,r3r_1, r_2, r_3 构成向量范数的最小值。我们需要最小化 r2\\|r\\|^2,其中 r=(r1,r2,r3)r = (r_1, r_2, r_3)。假设 r1,r2,r3r_1, r_2, r_3 是复数(或实数)。向量的范数定义为:

',readingTime:{minutes:2.34,words:703},title:"",type:"article",s:"例题-拉格朗日函数求极值"}}],["/Other/%E4%BE%8B%E9%A2%98/%E5%82%85%E7%AB%8B%E5%8F%B6%E7%BA%A7%E6%95%B0%E9%A1%B9%E8%AE%A1%E7%AE%97%E5%8C%96%E7%AE%80.html",{loader:()=>B(()=>import("./傅立叶级数项计算化简.html-CDLaSU7G.js"),[]),meta:{tag:["数学"],excerpt:`

计算高次三角函数积分时,有一些常用的技巧和方法可以简化计算过程。以下是一些技巧:

1. 使用三角函数恒等式

三角函数的幂可以用三角恒等式化简。例如:

  • sin2(t)\\sin^2(t)cos2(t)\\cos^2(t) 可以用半角公式表示:

    sin2(t)=1cos(2t)2,cos2(t)=1+cos(2t)2\\sin^2(t) = \\frac{1 - \\cos(2t)}{2}, \\quad \\cos^2(t) = \\frac{1 + \\cos(2t)}{2}

  • sin4(t)\\sin^4(t) 可以进一步化简为:

    sin4(t)=(1cos(2t)2)2=12cos(2t)+cos2(2t)4\\sin^4(t) = \\left(\\frac{1 - \\cos(2t)}{2}\\right)^2 = \\frac{1 - 2\\cos(2t) + \\cos^2(2t)}{4}

`,readingTime:{minutes:2.17,words:651},title:"",type:"article",s:"傅立叶级数项计算化简"}}],["/Other/%E4%BE%8B%E9%A2%98/%E5%86%85%E5%AD%98%E6%9D%A1%E7%9A%84%E5%AF%BF%E5%91%BD.html",{loader:()=>B(()=>import("./内存条的寿命.html-CC8AqTYM.js"),[]),meta:{author:["Cyletix"],tag:["数学","chatgpt"],excerpt:`

根据寿命内存条的寿命和使用时间,能否计算第n天使用时坏掉的概率

GPT-4

要计算第 nn 天内存条坏掉的概率,我们需要一些额外的信息或假设,比如内存条的预期寿命分布和是否存在使用时间对故障率的影响。通常,设备故障率可以用指数分布韦伯分布(Weibull distribution)来建模。以下是如何使用这两种分布来估算的步骤:

`,readingTime:{minutes:2.67,words:801},title:"GPT-4",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E5%A4%8D%E7%BA%BF%E7%A7%AF%E5%88%861.html",{loader:()=>B(()=>import("./复线积分1.html-BTzHAJ6U.js"),[]),meta:{tag:["数学"],excerpt:'

当求解复函数 7z1z2z6\\frac{7z-1}{z^2-z-6} 沿路径 z=5|z|=5 的线积分时, 需要首先确认所有奇点是否在该路径内. 我们已知函数的奇点为 z=3z = 3z=2z = -2. 因为这两个奇点的模都小于5( 3=3|3| = 32=2|-2| = 2) , 所以它们都在由 z=5|z| = 5 定义的圆路径内部.

',readingTime:{minutes:1.21,words:363},title:"",type:"article",s:"复线积分1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E5%A4%8D%E7%BA%BF%E7%A7%AF%E5%88%862.html",{loader:()=>B(()=>import("./复线积分2.html-DMhvICVW.js"),[]),meta:{tag:["数学"],excerpt:'

复素积分中,当极点是重根时,使用留数定理需要计算高阶留数。对于 f(z)f(z)z=z0z = z_0 处具有 mm 重极点的情况,其留数的计算公式如下:

',readingTime:{minutes:1.63,words:489},title:"",type:"article",s:"复线积分2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%8A%BD%E5%8D%A1%E6%A6%82%E7%8E%87%E8%AE%A1%E7%AE%97.html",{loader:()=>B(()=>import("./抽卡概率计算.html-C60Wx3WN.js"),[]),meta:{tag:["数学"],excerpt:`

在明日方舟这个手游中,官方给出的数据为抽卡有2%概率出六星稀有度(最高稀有度),6星干员中娜仁图雅的概率是35%,佩佩的概率是35%,剩下30%概率是其他干员。一个人抽了300次,7个佩佩,2个娜仁图雅,3个其他。这样的结果是否合理?使用假说检验来验证是否能够接受官方给出的概率


要验证这样的结果是否合理,可以使用假设检验方法。我们可以采用卡方检验(Chi-square test)来检查实际抽卡结果是否与官方给出的概率分布有显著差异。

1. 确定假设

  • 原假设 H0H_0:抽卡结果符合官方给出的概率分布。
  • 备择假设 H1H_1:抽卡结果与官方给出的概率分布不符。
`,readingTime:{minutes:2.09,words:626},title:"",type:"article",s:"抽卡概率计算"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%A4%AD%E5%9C%86%E4%BA%8C%E9%87%8D%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./椭圆二重积分.html-XO60ekii.js"),[]),meta:{author:["GPT-4"],tag:["数学","例题"],excerpt:`

椭圆的标准形式和参数化

椭圆的标准方程为:

x2a2+y2b2=1 \\frac{x^2}{a^2} + \\frac{y^2}{b^2} = 1

`,readingTime:{minutes:12.69,words:3806},title:"为什么要用雅可比矩阵?",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E7%9F%A9%E9%98%B5%E5%A4%9A%E9%A1%B9%E5%BC%8F%E5%AF%B9%E8%A7%92%E5%8C%96.html",{loader:()=>B(()=>import("./矩阵多项式对角化.html-BhFMWJMD.js"),[]),meta:{author:["Cyletix"],tag:["例题"],excerpt:'

化简矩阵多项式 A56A43A3+17A2A+19EA^5 - 6A^4 - 3A^3 + 17A^2 - A + 19E,其中 AA 是一个可以对角化的矩阵,EE 是单位矩阵。

',readingTime:{minutes:1.14,words:343},title:"",type:"article",s:"矩阵多项式对角化"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%BD%90%E6%AC%A1%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B%E4%BE%8B%E9%A2%98.html",{loader:()=>B(()=>import("./齐次微分方程例题.html-5Rx6-pqS.js"),[]),meta:{tag:["数学"],excerpt:`

齐次微分方程例题

例题1:

求解齐次微分方程 dydx=x+2y2x+3y\\frac{dy}{dx} = \\frac{x + 2y}{2x + 3y}

`,readingTime:{minutes:2.23,words:670},title:"",type:"article",s:"齐次微分方程例题"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/--%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B--.html",{loader:()=>B(()=>import("./--偏微分方程--.html-fjTHjo61.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学","目录"],excerpt:`
  1. 基本概念
    • 偏微分方程的定义
    • 一阶和二阶偏微分方程的区别
    • 初值问题和边值问题
  2. 典型偏微分方程
  3. 求解方法
  4. 边界值问题
    • 狄利克雷边界条件
    • 诺依曼边界条件
    • 混合边界条件
  5. 傅里叶分析
    • 傅里叶级数
    • 傅里叶变换
    • 傅里叶变换在PDE中的应用
  6. 格林函数
    • 格林函数的定义和性质
    • 利用格林函数求解边值问题
  7. 特征值问题
  8. 非线性偏微分方程
  9. 数值方法
    • 有限差分法
    • 有限元法
    • 谱方法
  10. Sobolev空间
    • 函数空间的基本概念
    • Sobolev 不等式
    • Sobolev 空间在PDE中的应用
  11. 弱解与变分法
    • 弱解的定义
    • 变分法
    • 能量方法
  12. 分布理论
    • 分布的基本概念
    • 分布的微分
    • 分布在PDE中的应用
`,readingTime:{minutes:4.18,words:1254},title:"目录",type:"article"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/KdV%20%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./KdV 方程.html-C-rGA1tw.js"),[]),meta:{author:["GPT-4"],tag:["数学"],excerpt:`

Korteweg-de Vries (KdV) 方程是一个非线性偏微分方程,用于描述浅水波的传播,特别是孤立子(soliton)现象。KdV 方程在流体力学、光学和等离子体物理等领域具有重要的应用。下面详细介绍 KdV 方程。

KdV 方程的定义

KdV 方程的标准形式为:

ut+6uux+3ux3=0\\frac{\\partial u}{\\partial t} + 6u \\frac{\\partial u}{\\partial x} + \\frac{\\partial^3 u}{\\partial x^3} = 0

`,readingTime:{minutes:5.78,words:1733},title:"为什么标准形式会出现常数6",type:"article"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/Sturm-Liouville%20%E7%90%86%E8%AE%BA.html",{loader:()=>B(()=>import("./Sturm-Liouville 理论.html-BupGhqIq.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

Sturm-Liouville 理论是微分方程领域中一个重要的分支,特别是在解决物理问题中具有广泛的应用,如量子力学、热传导、电磁波等。以下是关于这一理论的核心内容和概念的简述。

核心概念

Sturm-Liouville 理论涉及的主要是二阶线性微分方程的一类特殊形式,通常表示为:

ddx[p(x)dydx]q(x)y+λw(x)y=0\\frac{d}{dx}\\left[p(x) \\frac{dy}{dx}\\right] - q(x)y + \\lambda w(x)y = 0

`,readingTime:{minutes:1.93,words:578},title:"",type:"article",s:"Sturm-Liouville 理论"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%88%86%E7%A6%BB%E5%8F%98%E9%87%8F%E6%B3%95.html",{loader:()=>B(()=>import("./分离变量法.html-XRPl03mA.js"),[]),meta:{tag:["数学"],excerpt:`

分离变量法是一种用于求解偏微分方程(PDE)的经典方法。该方法假设解可以表示为多个独立变量的乘积形式,从而将一个偏微分方程转化为多个常微分方程(ODE)。下面详细介绍分离变量法的具体细节和应用条件。

分离变量法的基本步骤

1. 假设解的形式

假设偏微分方程的解可以表示为多个独立变量的乘积形式。例如,对于二维空间的波动方程,假设解为:

u(x,t)=X(x)T(t)u(x,t) = X(x)T(t)

`,readingTime:{minutes:3.78,words:1134},title:"",type:"article",s:"分离变量法"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E6%8B%89%E6%99%AE%E6%8B%89%E6%96%AF%E5%8F%98%E6%8D%A2%E4%B8%8E%E5%81%8F%E5%AF%BC%E6%95%B0%E7%9A%84%E4%BA%A4%E6%8D%A2.html",{loader:()=>B(()=>import("./拉普拉斯变换与偏导数的交换.html-BTno89-2.js"),[]),meta:{tag:["数学"],excerpt:`

对于拉普拉斯变换与偏导数交换的一般性理论,确实存在一些更广泛的数学原则和定理,这些理论提供了对于何时可以安全地交换积分与微分操作的更深刻理解。这些理论通常涉及函数的局部与整体性质,如可微性、收敛性以及更复杂的函数行为。以下是一些关键的理论和概念:

  1. 多变量微积分中的微积分基本定理

    • 当函数 f(x,t)f(x,t) 以及其对 xx 的偏导数 fx\\frac{\\partial f}{\\partial x} 在区间 [a,b]×[0,)[a, b] \\times [0, \\infty) 上连续时,且相关的积分收敛,可以交换积分和偏导数。
  2. Leibniz 积分规则

    • 这是一个关于如何处理参数化积分的导数的规则。如果 u(x,t)u(x,t)ux\\frac{\\partial u}{\\partial x} 在闭区间上连续,并且积分 abu(x,t)dt\\int_a^b u(x,t) \\, dt 对于所有 xx 是存在的,那么

      ddxabu(x,t)dt=abux(x,t)dt\\frac{d}{dx} \\int_a^b u(x,t) \\, dt = \\int_a^b \\frac{\\partial u}{\\partial x}(x,t) \\, dt

    • 这在拉普拉斯变换的上下文中非常有用,因为它提供了在一定条件下交换积分和导数的合法性。
  3. Dominated Convergence Theorem (DCT)

    • 这个定理提供了一种交换极限(在这里是 tt \\to \\infty 的极限)和积分的条件。如果 ux\\frac{\\partial u}{\\partial x} 几乎处处存在,并且存在一个积分函数 g(t)g(t) 使得对于所有 xxtt,都有 ux(x,t)g(t)|\\frac{\\partial u}{\\partial x}(x,t)| \\leq g(t),而 0g(t)dt\\int_0^\\infty g(t) dt 是有限的,那么可以交换极限和积分。
  4. Laplace Transform Specific Theories

    • 在拉普拉斯变换的框架中,如果 u(x,t)u(x,t) 和其导数的增长不超过 ecte^{ct} (对某个常数 cc),则该函数及其导数的拉普拉斯变换存在并可以交换积分和偏导数。
`,readingTime:{minutes:5.29,words:1588},title:"一般性理论",type:"article"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E6%B3%A2%E5%8A%A8%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./波动方程.html-BQcR4CrI.js"),[]),meta:{tag:["数学"],excerpt:`

要求解波动方程的二阶偏微分方程,可以采用分离变量法、变分法或傅里叶变换等方法。可以首先从经典波动方程的求解步骤开始,然后再具体讨论带有特定项的偏微分方程的求解方法。

波动方程的基本形式

波动方程的一般形式为:

2ut2=c22ux2\\frac{\\partial^2 u}{\\partial t^2} = c^2 \\frac{\\partial^2 u}{\\partial x^2}

`,readingTime:{minutes:5.06,words:1519},title:"",type:"article",s:"波动方程"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E7%BA%B3%E7%BB%B4-%E6%96%AF%E6%89%98%E5%85%8B%E6%96%AF%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./纳维-斯托克斯方程.html-BlGel1AC.js"),[]),meta:{tag:["数学"],excerpt:`

斯托克斯方程

定义

斯托克斯方程是描述黏性流体运动的偏微分方程组,是纳维-斯托克斯方程在低雷诺数情况下的简化形式。斯托克斯方程主要用于研究粘性流体在缓慢运动下的行为,其数学形式为:

μ2up+f=0\\mu \\nabla^2 \\mathbf{u} - \\nabla p + \\mathbf{f} = 0

`,readingTime:{minutes:.79,words:238},title:"",type:"article",s:"纳维-斯托克斯方程"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/-%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6-.html",{loader:()=>B(()=>import("./-初等数学-.html-DcoMTplb.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录","总览"],excerpt:`

整理部分必要的初等数学知识, 不会整理全部知识.

目录

`,readingTime:{minutes:.51,words:152},title:"目录",type:"article"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E4%B8%89%E5%80%8D%E8%A7%92%E5%85%AC%E5%BC%8F%E6%8E%A8%E5%AF%BC.html",{loader:()=>B(()=>import("./三倍角公式推导.html-D6m5-8c0.js"),[]),meta:{tag:["数学","公式"],excerpt:`

三倍角公式是用于表示三倍角的正弦和余弦函数的公式。具体来说,三倍角公式如下:

sin(3θ)=3sin(θ)4sin3(θ)\\sin(3\\theta) = 3\\sin(\\theta) - 4\\sin^3(\\theta)

`,readingTime:{minutes:1.55,words:465},title:"",type:"article",s:"三倍角公式推导"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E4%B8%89%E8%A7%92%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./三角函数.html-BdD_5KAv.js"),[]),meta:{author:"Cyletix",tag:["数学","三角函数"],excerpt:`

在数学中,三角函数是将直角三角形的角度与两条边长之比联系起来的实函数。它们广泛应用于与几何相关的所有科学,例如航海、固体力学、天体力学、大地测量学等。它们是最简单的周期函数之一,因此也广泛用于通过傅里叶分析研究周期现象。

Function Description Equal
sine sinθ=oppositehypotenuse\\displaystyle\\sin \\theta = \\frac{\\text{opposite}}{\\text{hypotenuse}}
cosine cosθ=adjacenthypotenuse\\displaystyle\\cos \\theta = \\frac{\\text{adjacent}}{\\text{hypotenuse}}
tangent tanθ=oppositeadjacent\\displaystyle\\tan \\theta = \\frac{\\text{opposite}}{\\text{adjacent}} sin(θ)cos(θ)\\displaystyle\\frac{\\sin(\\theta)}{\\cos(\\theta)}
cosecant cscθ=hypotenuseopposite\\displaystyle\\csc \\theta = \\frac{\\text{hypotenuse}}{\\text{opposite}} 1sin(θ)\\displaystyle\\frac{1}{\\sin(\\theta)}
secant secθ=hypotenuseadjacent\\displaystyle\\sec \\theta = \\frac{\\text{hypotenuse}}{\\text{adjacent}} 1cos(θ)\\displaystyle\\frac{1}{cos(\\theta)}
cotangent cotθ=adjacentopposite\\displaystyle\\cot \\theta = \\frac{\\text{adjacent}}{\\text{opposite}} cos(θ)sin(θ)\\displaystyle\\frac{\\cos(\\theta)}{\\sin(\\theta)}
`,readingTime:{minutes:.9,words:271},title:"三角恒等式",type:"article"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E4%BA%8C%E6%AC%A1%E6%96%B9%E7%A8%8B%E6%B1%82%E6%A0%B9%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./二次方程求根公式.html-BLJv4gPf.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

二次方程的一般形式为:

ax2+bx+c=0,(a0) ax^2 + bx + c = 0 ,(a \\neq 0)

`,readingTime:{minutes:1.46,words:437},title:"",type:"article",s:"二次方程求根公式"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E4%BA%8C%E9%A1%B9%E5%BC%8F%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./二项式定理.html-Djnv9pHZ.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

(x+y)n=k=0n(nk)xnkyk(x+y)^n=\\sum_{k=0}^n\\binom nk x^{n-k}y^k

`,readingTime:{minutes:.13,words:39},title:"",type:"article",s:"二项式定理"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E4%BA%8C%E9%A1%B9%E5%BC%8F%E7%B3%BB%E6%95%B0.html",{loader:()=>B(()=>import("./二项式系数.html-CSo8r4k7.js"),[]),meta:{author:["Cyletix"],tag:["数学","代数","公式"],excerpt:`

组合数 CmnC_m^n(有时记作CnkC_n^k,或者nCk_nC_k), 表示从 mm 个不同的元素中选择 nn 个元素的方式的数量,而不考虑选择的顺序。计算组合数 CmnC_m^n 的公式如下:

`,readingTime:{minutes:2.35,words:705},title:"组合数",type:"article"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E4%BB%BB%E6%84%8F%E5%A4%9A%E8%BE%B9%E5%BD%A2%E9%9D%A2%E7%A7%AF.html",{loader:()=>B(()=>import("./任意多边形面积.html-CPuAXMOj.js"),[]),meta:{tag:["数学"],excerpt:`

三角形面积

S=12absinθS = \\frac{1}{2} ab \\sin \\theta

`,readingTime:{minutes:1.41,words:424},title:"",type:"article",s:"任意多边形面积"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E5%80%8D%E8%A7%92%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./倍角公式.html-CB-06F1-.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

sin(2x)=2sin(x)cos(x)\\sin(2x)=2\\sin(x)\\cos(x)

`,readingTime:{minutes:.11,words:33},title:"",type:"article",s:"倍角公式"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./函数.html-BBff0-gd.js"),[]),meta:{author:["Cyletix","DeepSeekR1"],tag:["数学"],excerpt:`
定义

设数集DRD \\in R,则称映射f:DRf:D \\to R为定义在DD上的函数, 记为y=f(x),xDy=f(x),x \\in D

`,readingTime:{minutes:2.92,words:875},title:"",type:"article",s:"函数"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E5%8D%8A%E8%A7%92%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./半角公式.html-CzFKahJA.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

sin2(x2)=1cos(x)2\\sin^2(\\frac{x}{2})=\\frac{1-\\cos(x)}{2}

`,readingTime:{minutes:.11,words:34},title:"",type:"article",s:"半角公式"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E5%92%8C%E5%B7%AE%E5%8C%96%E7%A7%AF.html",{loader:()=>B(()=>import("./和差化积.html-DidhsUeO.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

sin(α)+sin(β)=2sinα+β2cosαβ2\\sin(\\alpha)+\\sin(\\beta)=2\\sin\\frac{\\alpha+\\beta}{2}\\cos\\frac{\\alpha-\\beta}{2}

`,readingTime:{minutes:.15,words:44},title:"",type:"article",s:"和差化积"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E5%92%8C%E8%A7%92%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./和角公式.html-C_dssH2m.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

sin(x±y)=sin(x)cos(y)±cos(x)sin(y)\\sin(x \\pm y)=\\sin(x) \\cdot \\cos(y) \\pm \\cos(x) \\sin(y)

`,readingTime:{minutes:.14,words:43},title:"",type:"article",s:"和角公式"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E5%B8%B8%E7%94%A8%E4%B8%89%E8%A7%92%E5%87%BD%E6%95%B0%E5%80%BC%E8%A1%A8.html",{loader:()=>B(()=>import("./常用三角函数值表.html-IYHhenCi.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

写成矩阵形式

sin[030456090]=[01234]2sin \\left[ \\begin{matrix} 0^\\circ & 30^\\circ & 45^\\circ & 60^\\circ &90^\\circ \\end{matrix}\\right] = \\frac{\\sqrt{\\left[\\begin{matrix}0 & 1 & 2 & 3 & 4 \\end{matrix}\\right]} }{2}

`,readingTime:{minutes:.42,words:125},title:"",type:"article",s:"常用三角函数值表"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E6%89%8B%E7%AE%97%E5%BC%80%E6%A0%B9%E5%8F%B7.html",{loader:()=>B(()=>import("./手算开根号.html-u82C2K5m.js"),[]),meta:{tag:["数学"],excerpt:`

《数学手册》(高等教育出版社)中记录了一种清新脱俗的手算开平方的方法。摘录如下:

[开平方] 开平方的一般方法用下面的例子说明。

 求316.4841的平方根。

 第一步,先将被开方的数,从小数点位置向左右每隔两位用逗号“,”分段,如把316.4841分段成3,16.48,41。

第二步,找出第一段数字的初商,使初商的平方不超过第一段数字,而初商加1的平方则大于第一段数字,本例中第一段数字为3,初商为1,因为 12<3,而 (1+1)2=4>3 。

`,readingTime:{minutes:1.38,words:414},title:"",type:"article",s:"手算开根号"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E6%8D%A2%E5%BA%95%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./换底公式.html-_M_BQEeU.js"),[]),meta:{tag:["数学","公式"],excerpt:`

logb(a)=lnalnblog_b(a) = \\frac{\\ln a}{\\ln b}

`,readingTime:{minutes:.04,words:12},title:"",type:"article",s:"换底公式"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E6%95%B0%E9%9B%86.html",{loader:()=>B(()=>import("./数集.html-9iJwrptG.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],excerpt:`

定义:设P是由一些复数组成的集合,其中包括0与1,如果P中任意两个数的和、差、积、商(除数不为0)仍是P中的数,则称P为一个数域。
显然,全体有理数 Q\\mathbb{Q},全体实数 R\\mathbb{R} ,全体复数 C\\mathbb{C} 分别组成的集合都是一个数域。

`,readingTime:{minutes:.86,words:257},title:"",type:"article",s:"数集"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E6%98%A0%E5%B0%84.html",{loader:()=>B(()=>import("./映射.html-C7aEzpaD.js"),[]),meta:{author:["Cyletix","DeepSeekR1"],tag:["数学"],excerpt:`

简介

在集合论中,映射(或称函数)是描述两个集合间元素对应关系的核心概念。它是现代数学语言的基础构件,广泛应用于关系代数拓扑学范畴论等领域。

`,readingTime:{minutes:2.58,words:774},title:"",type:"article",s:"映射"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E7%A7%AF%E5%8C%96%E5%92%8C%E5%B7%AE.html",{loader:()=>B(()=>import("./积化和差.html-Cx5lK5Mv.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

sin(α)cos(β)=12[sin(α+β)+sin(αβ)]=12[cos(α+β)sin(αβ)]\\sin(\\alpha)\\cos(\\beta)=\\dfrac{1}{2}\\left[\\sin(\\alpha+\\beta)+\\sin(\\alpha-\\beta)\\right]=-\\dfrac{1}{2}\\left[\\cos(\\alpha+\\beta)-\\sin(\\alpha-\\beta)\\right]

`,readingTime:{minutes:.22,words:66},title:"",type:"article",s:"积化和差"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E7%AB%8B%E6%96%B9%E5%92%8C%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./立方和公式.html-Cqn-UDju.js"),[]),meta:{author:["Cyletix"],tag:["数学","代数","公式"],excerpt:`

a3+b3=(a+b)(a2ab+b2)a^3+b^3=(a+b)(a^2-ab+b^2)

`,readingTime:{minutes:.08,words:25},title:"",type:"article",s:"立方和公式"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E7%AB%8B%E6%96%B9%E5%B7%AE%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./立方差公式.html-CaD3N0ew.js"),[]),meta:{author:["Cyletix"],tag:["数学","代数","公式"],excerpt:`

a3b3=(ab)(a2+ab+b2)a^3-b^3=(a-b)(a^2+ab+b^2)

`,readingTime:{minutes:.08,words:25},title:"",type:"article",s:"立方差公式"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/%E7%AD%89%E6%AF%94%E6%95%B0%E5%88%97.html",{loader:()=>B(()=>import("./等比数列.html-lzbjnvW-.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学","公式"],excerpt:`

等比数列每一项与其前一项之比为常数,这个常数称为公比。

an+1=a1rna_{n+1}=a_{1}\\cdot r^{n}

`,readingTime:{minutes:.79,words:238},title:"性质",type:"article"}}],["/Other/%E5%AE%9E%E5%88%86%E6%9E%90/--%E5%AE%9E%E5%88%86%E6%9E%90--.html",{loader:()=>B(()=>import("./--实分析--.html-Cob6_Vbe.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  • 集合与测度
    • 集合的基本性质
    • σ-代数与可测集合
    • 测度的定义与性质
    • 外测度与可测性
    • 测度空间与Lebesgue测度
  • 可测函数
    • 可测函数的定义
    • 简单函数与逐点极限
    • 函数的可测性判别
    • 函数的积分性
  • Lebesgue积分
    • Lebesgue积分的定义
    • 单调收敛定理
    • Fatou引理
    • Dominated Convergence定理
    • 与Riemann积分的比较
  • LpL^p空间
    • LpL^p空间的定义
    • Hölder不等式与Minkowski不等式
    • 完备性与Banach空间结构
    • LpL^p空间的内在性质
  • 测度理论的应用
    • Fubini定理与Tonelli定理
    • 乘积测度
    • 变化测度(Radon-Nikodym定理)
    • 有界变差函数与绝对连续函数
  • 广义积分与测度生成
    • 广义积分的定义
    • 测度生成与外测度构造
    • 哈恩分解与Jordan分解
    • 狄拉克测度与Dirac函数
  • 拓展主题
    • Sobolev空间简介(与泛函分析交叉)
    • 调和分析中的测度工具
    • 奇异测度与Cantor集的构造
    • 不同测度之间的等价与偏序关系
`,readingTime:{minutes:.97,words:291},title:"目录",type:"article"}}],["/Other/%E5%AE%9E%E5%88%86%E6%9E%90/%E9%9B%86%E5%90%88%E7%9A%84%E5%9F%BA%E6%9C%AC%E6%80%A7%E8%B4%A8.html",{loader:()=>B(()=>import("./集合的基本性质.html-C5cH1gxI.js"),[]),meta:{tag:["数学"],excerpt:`
交换律

AB=BAAB=BAA \\cup B=B \\cup A \\qquad A \\cap B=B \\cap A

`,readingTime:{minutes:.65,words:195},title:"",type:"article",s:"集合的基本性质"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/--%E5%A4%8D%E5%88%86%E6%9E%90--.html",{loader:()=>B(()=>import("./--复分析--.html-3eMQMe5r.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`

复分析(英语:Complex analysis)是研究复变的函数,特别是亚纯函数和复变解析函数的数学理论。
 
研究中常用的理论、公式以及方法包括柯西积分定理、柯西积分公式、留数定理、洛朗级数展开等。复变分析的应用领域较为广泛,在其它数学分支和物理学中也起着重要的作用。包括数论、应用数学、流体力学、热力学和电动力学。

`,readingTime:{minutes:1.75,words:525},title:"简介",type:"article"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%82%85%E9%87%8C%E5%8F%B6%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./傅里叶变换.html-Bg3ZfLtK.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

F(ω)=f(t)eiωtdtF(\\omega)=\\int _{-\\infty}^{\\infty} f(t)\\cdot e^{ -i\\omega t } dt

`,readingTime:{minutes:2.09,words:628},title:"一维正变换",type:"article"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%85%A8%E7%BA%AF%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./全纯函数.html-8TT7GaLD.js"),[]),meta:{tag:["数学"],excerpt:`

全纯函数是复分析的核心对象,定义在复平面开子集上的复值函数,在每个点都复可微。在整个复平面上全纯的函数称为整函数。

定义

设开集 UCU \\subseteq \\mathbb{C},函数 f:UCf: U \\rightarrow \\mathbb{C}。若在 UU 中的任意一点 z0z_0,极限

`,readingTime:{minutes:2.42,words:727},title:"",type:"article",s:"全纯函数"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%8F%8D%E5%9C%86%E9%94%A5%E6%9B%B2%E7%BA%BF%E5%87%BD%E6%95%B0%E4%B8%8E%E5%AF%B9%E6%95%B0%E5%87%BD%E6%95%B0%E7%9A%84%E7%BB%9F%E4%B8%80.html",{loader:()=>B(()=>import("./反圆锥曲线函数与对数函数的统一.html-DbaPulZs.js"),[]),meta:{tag:["数学"],excerpt:`

反三角函数也可以通过对数函数在复数域的形式统一表达。这种统一依赖于反三角函数的对数化表达,以及它们与双曲函数之间的紧密联系。

1. arcsin(x)\\arcsin(x)arccos(x)\\arccos(x)

`,readingTime:{minutes:2.89,words:868},title:"",type:"article",s:"反圆锥曲线函数与对数函数的统一"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%A4%8D%E5%AF%B9%E6%95%B0%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./复对数函数.html-DZqlviC1.js"),[]),meta:{tag:["数学"],excerpt:`

定义

对于复数 zz,满足 ew=ze^w = z 的所有 ww 称为 zz 的对数,记作 Lnz=w\\operatorname{Ln} z = w
可以验证,复对数函数的表达式为:

`,readingTime:{minutes:2.8,words:841},title:"",type:"article",s:"复对数函数"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%A4%8D%E5%B9%B3%E9%9D%A2%E7%9A%84%E5%9D%90%E6%A0%87%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./复平面的坐标变换.html-CUwPbEU9.js"),[]),meta:{tag:["数学","例题"],excerpt:`

问题描述

考虑 zz 平面上的三角形区域 SS,其边界由 x=1x = 1, y=1y = 1, y=1xy = 1 - x 给出。对于以下变换,绘制 SSww 平面上的影像区域 SS',并给出区域边界的方程:

`,readingTime:{minutes:5.36,words:1607},title:"小结",type:"article"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%A4%8D%E6%95%B0%E5%9F%9F%E7%9A%84%E5%AE%8C%E5%A4%87%E6%80%A7.html",{loader:()=>B(()=>import("./复数域的完备性.html-DoCAvktc.js"),[]),meta:{tag:["数学"],excerpt:`

复数的完备性体现在以下几个方面:

  1. 代数的完备性

    • 复数域 C\\mathbb{C} 是一个 代数闭域,这意味着任何一个复系数的多项式都能在复数域内找到根。
    • 例如,方程 x2+1=0x^2 + 1 = 0 无法在实数域中求解,但在复数域中解为 x=±ix = \\pm i
  2. 函数的解析性

    • 复数域上定义的函数(解析函数)具有许多良好的性质,比如导数和积分的存在性、泰勒展开的唯一性等。
    • 例如,ln(z)\\ln(z)sin(z)\\sin(z)cos(z)\\cos(z) 等函数可以在复数域中扩展,从而统一实数和虚数的计算。
  3. 操作的完备性

    • 复数支持加、减、乘、除以及开方等操作,而这些操作在实数域中有时会遇到限制(如负数开方)。
  4. 几何意义

    • 复数不仅是代数工具,还能自然地表示平面几何中的旋转、缩放等操作。
    • 例如,通过欧拉公式 eiθ=cosθ+isinθe^{i\\theta} = \\cos\\theta + i\\sin\\theta,我们可以将三角函数和指数函数关联起来。
`,readingTime:{minutes:2.47,words:741},title:"",type:"article",s:"复数域的完备性"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%A4%8D%E6%95%B0%E8%A1%A8%E7%A4%BA%E4%B8%BA%E6%9E%81%E5%9D%90%E6%A0%87%E5%BD%A2%E5%BC%8F.html",{loader:()=>B(()=>import("./复数表示为极坐标形式.html-BHDQKY85.js"),[]),meta:{tag:["数学"],excerpt:'

要将任意复数 z=x+iyz = x + iy 转换为极坐标形式 z=r(cosθ+isinθ)z = r(\\cos \\theta + i\\sin \\theta)z=reiθz = re^{i\\theta}, 需要进行以下步骤:

',readingTime:{minutes:1.47,words:441},title:"",type:"article",s:"复数表示为极坐标形式"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%A4%8D%E6%B3%B0%E5%8B%92%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./复泰勒级数.html-DX15upSm.js"),[]),meta:{tag:["数学"],excerpt:'

复数泰勒级数用于将复变函数 f(z)f(z) 在某一点 z0z_0 的邻域内表示为幂级数形式。它是实数泰勒级数的推广,但在复数领域,级数展开的条件更为严格,因此适用的范围也更具约束力。

',readingTime:{minutes:2.01,words:604},title:"",type:"article",s:"复泰勒级数"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E5%A5%87%E7%82%B9.html",{loader:()=>B(()=>import("./奇点.html-B_m7bZ1P.js"),[]),meta:{tag:["数学"],excerpt:`

奇点 (Singularity)

在复分析中,奇点是指函数在其上不解析的点。更具体地说,如果一个函数 f(z) 在点 z₀ 的任何邻域内都不是解析的,则称 z₀f(z) 的一个奇点。

分类:

奇点可以分为以下几类:

  1. 孤立奇点 (Isolated Singularity): 如果存在一个以 z₀ 为中心的去心邻域,使得 f(z) 在该邻域内解析,则称 z₀f(z) 的一个孤立奇点。孤立奇点又可以分为以下三种:

    • 可去奇点 (Removable Singularity): 如果 limzz0f(z)\\lim_{z \\to z_0} f(z) 存在且有限,则 z₀ 是可去奇点。可以通过重新定义 f(z₀) 的值来消除这个奇点,使函数在 z₀ 处也解析。
    • 极点 (Pole): 如上文所述。
    • 本性奇点 (Essential Singularity): 如果 limzz0f(z)\\lim_{z \\to z_0} f(z) 不存在,且也不是无穷大,则 z₀ 是本性奇点。函数在本性奇点附近的性质非常复杂。例如,根据卡西乌斯-魏尔施特拉斯定理,函数在本性奇点的任何邻域内都无限接近任何复数。
  2. 非孤立奇点 (Non-isolated Singularity): 如果 z₀ 的任何邻域内都包含 f(z) 的其他奇点,则称 z₀f(z) 的一个非孤立奇点。例如,函数 f(z) = 1/sin(1/z)z = 0 处有一个非孤立奇点,因为 sin(1/z) = 0 有无穷多个解趋近于 0。

`,readingTime:{minutes:1.91,words:573},title:"",type:"article",s:"奇点"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E6%9E%81%E7%82%B9.html",{loader:()=>B(()=>import("./极点.html-Ccm-0xCx.js"),[]),meta:{tag:["数学"],excerpt:`

在复分析中,极点是一种特殊的奇点,它比一般的奇点有更强的结构。

定义

定义

设函数 f(z)f(z) 在点 z0z₀ 的某个去心邻域内解析(即在 z0z₀ 的某个邻域内除了 z0z₀ 以外都解析)。如果存在正整数 mm,使得:

limzz0(zz0)mf(z)=L0\\lim_{z \\to z_0} (z - z_0)^m f(z) = L \\neq 0

其中 L 是一个有限的复数,则称 z₀ 是 f(z) 的一个 m 阶极点 或 m 级极点。当 m = 1 时,称为 简单极点。

`,readingTime:{minutes:.88,words:264},title:"",type:"article",s:"极点"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E6%9E%81%E7%82%B9%E7%9A%84%E8%AE%A1%E7%AE%97%E6%96%B9%E6%B3%95.html",{loader:()=>B(()=>import("./极点的计算方法.html-DyvMXUl0.js"),[]),meta:{tag:["数学"],excerpt:`

问题

求解方程的极点

1z4+1\\frac{1}{z^4 + 1}

`,readingTime:{minutes:1.16,words:349},title:"",type:"article",s:"极点的计算方法"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E6%9E%81%E7%82%B9%E8%AE%A1%E7%AE%97%E7%A4%BA%E4%BE%8B.html",{loader:()=>B(()=>import("./极点计算示例.html-lcXYnFgo.js"),[]),meta:{tag:["数学"],excerpt:'

在处理极点为 iz31=0iz^3 - 1 = 0 的情形时,我们需要首先找出 zz 的具体值,这些值即为极点所在的位置。

',readingTime:{minutes:1.88,words:565},title:"",type:"article",s:"极点计算示例"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E6%9F%AF%E8%A5%BF-%E9%BB%8E%E6%9B%BC%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./柯西-黎曼方程.html-DTTDi7eP.js"),[]),meta:{tag:["数学"],excerpt:`

简介

柯西-黎曼方程用于描述复变函数 f(z)f(z) 在某区域内解析的必要条件。柯西-黎曼方程给出了函数的实部和虚部之间的关系,确保函数在复平面上的导数处处存在且独立于方向。
复分析中的柯西-黎曼方程是全纯函数的必要条件,导致复函数具有比实函数更强的对称性。

`,readingTime:{minutes:2.6,words:781},title:"",type:"article",s:"柯西-黎曼方程"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E6%9F%AF%E8%A5%BF%E7%A7%AF%E5%88%86%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./柯西积分公式.html-D91UG1jM.js"),[]),meta:{tag:["数学","公式"],excerpt:`

Wikipedia

柯西积分公式说明了任何一个闭合区域上的全纯函数在区域内部的值完全取决于它在区域边界上的值,并且给出了区域内每一点的任意阶导数的积分计算方式。柯西积分公式是复分析中全纯函数“微分等同于积分”特性的表现。而在实分析中这样的结果是完全不可能达到的。

定义

假设 f(z)f(z) 是定义在单连通区域 DD 上的解析函数,并且曲线 CCDD 内的一条简单闭合正向曲线(逆时针方向,右手螺旋确定)。如果 z0z_0CC 内的点,则柯西积分公式如下:

`,readingTime:{minutes:1.99,words:597},title:"",type:"article",s:"柯西积分公式"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E6%9F%AF%E8%A5%BF%E7%A7%AF%E5%88%86%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./柯西积分定理.html-QuDb_nx7.js"),[]),meta:{tag:["数学"],excerpt:`

概述

柯西积分定理说明,复平面上全纯函数的闭合路径积分为零。这意味着,任何尝试绕回起点的积分都将抵消,可以简化留数定理和复平面上全纯函数的积分的计算。从柯西积分定理可以推导出柯西积分公式和留数定理

定义

柯西积分定理有两个等价的描述:

  1. 路径独立性:在复平面上,如果函数 f(z)f(z) 在区域 DD 内全纯(即处处解析且导数存在),并且 DD 是单连通的(没有洞),那么从一点到另一点的积分值不依赖于路径的选择,只要这些路径完全位于 DD 内。
  2. 闭合路径积分为零:如果 f(z)f(z) 在单连通区域 DD 内全纯,那么对于任何完全包含在 DD 内的可求长闭合曲线 CC,有:$$\\oint_C f(z) , dz = 0$$
`,readingTime:{minutes:.86,words:258},title:"",type:"article",s:"柯西积分定理"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E7%95%99%E6%95%B0.html",{loader:()=>B(()=>import("./留数.html-BHV1WG5G.js"),[]),meta:{tag:["数学","公式"],excerpt:`

留数是函数在其奇点处的行为的量化表示

定义

极点处的留数可以通过以下公式计算:

Res(f,z0)=1(m1)!limzz0dm1dzm1[(zz0)mf(z)]Res(f, z_0) = \\frac{1}{(m-1)!} \\lim_{z \\to z_0} \\frac{d^{m-1}}{dz^{m-1}} [(z - z_0)^m f(z)]

`,readingTime:{minutes:.47,words:140},title:"",type:"article",s:"留数"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E7%95%99%E6%95%B0%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./留数定理.html-BiQ_NHY7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

留数定理用来计算解析函数沿着闭曲线的路径积分,也可以用来计算实函数的积分。它是柯西积分定理柯西积分公式的推论。留数定理用于计算闭合路径上的复积分。这一定理尤其适用于函数在其积分路径内有奇点的情况。

定义

如果复函数 f(z)f(z) 在某闭合路径 γ\\gamma 内部的所有点上都解析,除了有限个奇点 z1,z2,...,znz_1, z_2, ..., z_n,那么沿这个闭合路径 γ\\gamma 的积分可以通过以下公式计算:

`,readingTime:{minutes:2.45,words:735},title:"",type:"article",s:"留数定理"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E7%BD%97%E5%85%B0%E5%B1%95%E5%BC%80.html",{loader:()=>B(()=>import("./罗兰展开.html-D2gOQHdt.js"),[]),meta:{tag:["数学"],excerpt:'

Laurent 展开用于将复函数在某点 z0z_0 的邻域内展开成幂级数形式。特别是在函数具有孤立奇点时,这种方法非常有用,是对 泰勒展开 的一种扩展。

',readingTime:{minutes:2.1,words:629},title:"",type:"article",s:"罗兰展开"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E8%A7%A3%E6%9E%90%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./解析函数.html-CDjYfTCB.js"),[]),meta:{tag:["数学"],excerpt:`

解析函数是局部上由收敛幂级数表示的函数,分为实解析函数和复解析函数。两者均为无穷可导,但复解析函数(全纯函数)具有一些实解析函数所不具备的性质。

定义

设开集 DRD \\subseteq \\mathbb{R},函数 f:DRf: D \\rightarrow \\mathbb{R}。若对任意 x0Dx_0 \\in D,存在 x0x_0 的开邻域 UDU \\subseteq D,使得 ffUU 内可表示为收敛幂级数:

`,readingTime:{minutes:2.57,words:770},title:"",type:"article",s:"解析函数"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/%E8%A7%A3%E6%9E%90%E5%BB%B6%E6%8B%93.html",{loader:()=>B(()=>import("./解析延拓.html-BePgEimr.js"),[]),meta:{tag:["数学"],excerpt:`

解析延拓将解析函数从较小定义域拓展到更大定义域。透过此方法,一些原先发散的级数在新的定义域可具有迥异而有限的值。其中最知名的例子为伽马函数与黎曼ζ函数。


定义

解析函数在定义域内由收敛的幂级数唯一确定,其值受解析性严格约束。如果一个解析函数在某区域 UU 上通过幂级数展开已知,则可以尝试将其延拓到超出 UU 的更大区域。

`,readingTime:{minutes:2.79,words:838},title:"",type:"article",s:"解析延拓"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/--%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B--.html",{loader:()=>B(()=>import("./--差分方程--.html-CN465_gk.js"),[]),meta:{author:["GPT-4o"],tag:["数学","目录"],excerpt:`

概述

差分方程(Difference Equations)是描述离散系统动态行为的数学工具,广泛应用于数列、递推关系、信号处理和动态系统中。差分方程的内容不仅包括基本的递推关系,还涉及动力系统的稳定性分析、矩阵表示、特征值分布以及混沌行为的描述。


🔖 目录

  1. 差分方程基础
    1.1. 什么是差分方程?
    1.2. 差分方程与递推关系的联系与区别
    1.3. 差分方程的分类
    - 一阶与高阶差分方程
    - 线性与非线性差分方程
    - 齐次与非齐次差分方程
  2. 线性齐次差分方程
    2.1. 基本形式与定义
    2.2. 通解的结构与特征方程法
    2.3. 实特征根与复特征根的解法
    2.4. 高阶差分方程的降阶方法
    2.5. 与矩阵表示的关系(状态空间表示)
  3. 非齐次差分方程
    3.1. 非齐次项的形式
    3.2. 通解的求解方法(齐次解 + 特解)
    3.3. 常数变易法与特解的构造
    3.4. 差分方程的叠加原理
  4. 系统行为分析与稳定性
    4.1. 特征值与稳定性分析
    4.2. 实特征值与收敛、发散
    4.3. 复特征值与振荡行为
    4.4. 临界稳定与周期解
  5. 差分方程与动力系统
    5.1. 差分方程描述的离散时间动力系统
    5.2. 周期点与不动点分析
    5.3. 分岔与混沌行为(Logistic 映射)
    5.4. 相空间分析
  6. 差分方程示例
    6.1. 经济模型与人口增长
    6.2. 斐波那契数列与黄金分割
    6.3. 信号处理中的差分方程
    6.4. 物理系统中的振荡与阻尼
`,readingTime:{minutes:1.51,words:454},title:"",type:"article",s:"--差分方程--"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%88%87%E6%AF%94%E9%9B%AA%E5%A4%AB%E5%A4%9A%E9%A1%B9%E5%BC%8F.html",{loader:()=>B(()=>import("./切比雪夫多项式.html-CC19o5QX.js"),[]),meta:{tag:["数学"],excerpt:`

切比雪夫多项式(Chebyshev polynomials)是一类在数学和工程领域广泛应用的正交多项式。它们在近似理论、数值分析、工程设计等领域中特别重要,常用于最佳近似和最小化最大误差问题。

切比雪夫多项式分为两类:第一类切比雪夫多项式 Tn(x)T_n(x) 和第二类切比雪夫多项式 Un(x)U_n(x)。它们都可以通过递归关系或者显式的三角函数表达式定义。

`,readingTime:{minutes:1.73,words:518},title:"",type:"article",s:"切比雪夫多项式"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B%E4%B8%8E%E5%8A%A8%E5%8A%9B%E7%B3%BB%E7%BB%9F.html",{loader:()=>B(()=>import("./差分方程与动力系统.html-BrcgdBeL.js"),[]),meta:{tag:["数学"],excerpt:`

5. 差分方程与动力系统

  • 不动点:满足 an+1=ana_{n+1} = a_n 的点。
  • 周期点:经过若干次迭代回到自身的点。
  • 分岔:系统参数变化导致解的稳定性或周期性改变。
`,readingTime:{minutes:.22,words:66},title:"",type:"article",s:"差分方程与动力系统"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B%E5%9F%BA%E7%A1%80.html",{loader:()=>B(()=>import("./差分方程基础.html-BSQ0FurZ.js"),[]),meta:{tag:["数学"],excerpt:`

1. 差分方程基础

  • 定义:差分方程是包含自变量的离散函数关系式,描述相邻离散点之间的关系。
  • 递推关系:差分方程是递推关系的推广,可以表达为:

    an=f(an1,an2,,ank)a_n = f(a_{n-1}, a_{n-2}, \\dots, a_{n-k})

  • 与微分方程的联系
    • 微分方程描述连续系统,差分方程描述离散系统。
    • 微分方程:描述函数的变化率。
    • 差分方程:描述函数的变化量。
    • 当步长趋近于 0 时,差分方程可以收敛到微分方程。
`,readingTime:{minutes:.51,words:153},title:"",type:"article",s:"差分方程基础"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B%E7%A4%BA%E4%BE%8B.html",{loader:()=>B(()=>import("./差分方程示例.html-BJq2A1Ai.js"),[]),meta:{tag:["数学"],excerpt:`

6. 实际应用与例子

  • 斐波那契数列

    Fn=Fn1+Fn2F_n = F_{n-1} + F_{n-2}

    斐波那契矩阵:

    T=[1110]T = \\begin{bmatrix} 1 & 1 \\\\ 1 & 0 \\end{bmatrix}

  • Logistic 映射

    xn+1=rxn(1xn)x_{n+1} = r x_n (1 - x_n)

    出现混沌行为。
`,readingTime:{minutes:.2,words:60},title:"",type:"article",s:"差分方程示例"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E6%96%90%E6%B3%A2%E9%82%A3%E5%A5%91%E6%95%B0%E5%88%97%E7%9A%84%E7%9F%A9%E9%98%B5%E5%BD%A2%E5%BC%8F.html",{loader:()=>B(()=>import("./斐波那契数列的矩阵形式.html-DV75kskE.js"),[]),meta:{tag:["数学"],excerpt:`

1. 斐波那契数列的矩阵形式表示

斐波那契数列的定义递推式为:

Fn=Fn1+Fn2F_n = F_{n-1} + F_{n-2}

`,readingTime:{minutes:2.75,words:824},title:"",type:"article",s:"斐波那契数列的矩阵形式"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E7%B3%BB%E7%BB%9F%E8%A1%8C%E4%B8%BA%E5%88%86%E6%9E%90%E4%B8%8E%E7%A8%B3%E5%AE%9A%E6%80%A7.html",{loader:()=>B(()=>import("./系统行为分析与稳定性.html-BJL6jgpe.js"),[]),meta:{tag:["数学"],excerpt:`

4. 系统行为分析与稳定性

  • 稳定性定义

    limnan0\\lim_{n \\to \\infty} a_n \\to 0

    稳定的充要条件是所有特征值的模小于 1。
  • 振荡与发散
    • 若特征值为复数或模大于 1,系统可能振荡或发散。
  • 周期解:特征值模等于 1 的情况。
`,readingTime:{minutes:.29,words:88},title:"",type:"article",s:"系统行为分析与稳定性"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E7%BA%BF%E6%80%A7%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B%E7%9A%84%E6%B1%82%E8%A7%A3.html",{loader:()=>B(()=>import("./线性差分方程的求解.html-DDPDMi64.js"),[]),meta:{author:["GPT-4o"],tag:["数学"],excerpt:`

递推关系的本质

递推关系描述一个数列中某一项与其前几项之间的关系。以常见的线性递推关系为例:

an=c1an1+c2an2++ckanka_n = c_1 a_{n-1} + c_2 a_{n-2} + \\cdots + c_k a_{n-k}

`,readingTime:{minutes:2.83,words:849},title:"",type:"article",s:"线性差分方程的求解"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E7%BA%BF%E6%80%A7%E9%BD%90%E6%AC%A1%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./线性齐次差分方程.html-CWxz4awm.js"),[]),meta:{tag:["数学"],excerpt:`

2. 线性齐次差分方程

  • 定义:一般形式为:

    an+c1an1+c2an2++ckank=0a_n + c_1 a_{n-1} + c_2 a_{n-2} + \\dots + c_k a_{n-k} = 0

  • 解法思路:假设解的形式为 an=rna_n = r^n,代入得到特征方程:

    rk+c1rk1++ck=0r^k + c_1 r^{k-1} + \\dots + c_k = 0

    解出 r1,r2,r_1, r_2, \\dots,通解为:

    an=C1r1n+C2r2n+a_n = C_1 r_1^n + C_2 r_2^n + \\dots

  • 实根与复根
    • riRr_i \\in \\mathbb{R} 表示指数增长或衰减。
    • riCr_i \\in \\mathbb{C} 表示振荡行为。
  • 与矩阵的关系:可以用矩阵形式表示递推关系,矩阵的特征值即为递推关系的根。
`,readingTime:{minutes:.49,words:147},title:"",type:"article",s:"线性齐次差分方程"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E9%80%92%E6%8E%A8%E5%BC%8F%E7%9F%A9%E9%98%B5%E7%9A%84%E7%89%B9%E5%BE%81%E5%80%BC%E5%88%86%E6%9E%90.html",{loader:()=>B(()=>import("./递推式矩阵的特征值分析.html-alMQ6KNu.js"),[]),meta:{tag:["数学"],excerpt:`

1. 特征值与递推关系的行为分类

矩阵的特征值决定了递推关系的长期行为,特征值的模(绝对值)和实部(若为复数)是关键因素。以下是不同特征值类型对应的递推关系行为分析。


2. 特征值分类与行为分析

(1) 实数特征值

  • λ>1|\\lambda| > 1 —— 指数增长

    • 模大于 1 的特征值表示递推关系随时间呈指数增长。
    • 示例:斐波那契数列的主特征值 λ1=1+521.618\\lambda_1 = \\frac{1 + \\sqrt{5}}{2} \\approx 1.618 表示数列快速增长。
  • 0<λ<10 < |\\lambda| < 1 —— 指数衰减

    • 模小于 1 的特征值表示递推关系的项逐渐减小,最终趋于 0。
    • 示例:an=0.5na_n = 0.5^n 表示逐步衰减。
  • λ=1|\\lambda| = 1 —— 线性增长或稳定

    • 模等于 1 表示数列的增长速度保持稳定。
    • λ=1\\lambda = 1 表示递推关系最终趋于常数,λ=1\\lambda = -1 表示数列在正负之间振荡但不发散。
    • 示例:an=(1)na_n = (-1)^n 表示交替振荡但不发散。
  • λ=0\\lambda = 0 —— 完全衰减

    • 表示递推关系直接收敛到 0,所有后续项均为 0。
`,readingTime:{minutes:3.28,words:985},title:"",type:"article",s:"递推式矩阵的特征值分析"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E9%9D%9E%E9%BD%90%E6%AC%A1%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./非齐次差分方程.html-r7kzYze0.js"),[]),meta:{tag:["数学"],excerpt:`

3. 非齐次差分方程

  • 基本形式

    an+c1an1++ckank=f(n)a_n + c_1 a_{n-1} + \\dots + c_k a_{n-k} = f(n)

  • 解法
    • 齐次解:与齐次差分方程类似。
    • 特解:尝试代入一个形式解(如多项式或指数函数)。
  • 常数变易法

    an=C1(n)r1n+C2(n)r2n+a_n = C_1(n) r_1^n + C_2(n) r_2^n + \\dots

    其中 Ci(n)C_i(n) 是关于 nn 的函数。
`,readingTime:{minutes:.31,words:92},title:"",type:"article",s:"非齐次差分方程"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/--%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0--.html",{loader:()=>B(()=>import("./--抽象代数--.html-2DnagPNA.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
LIST
WHERE file.folder=this.file.folder
OR contains(dlink,link(this.file.name))
`,readingTime:{minutes:.26,words:79},title:"文档-所有文档",type:"article"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/Associativity.html",{loader:()=>B(()=>import("./Associativity.html-DJ5iA_H9.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

for all g,h,kGg, h, k \\in G, (gh)k=g(hk)(g\\cdot h)\\cdot k=g\\cdot(h\\cdot k)

',readingTime:{minutes:.09,words:28},title:"",type:"article",s:"Associativity"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/Closure.html",{loader:()=>B(()=>import("./Closure.html-BJlDa9vZ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

for all g,hGg,h \\in G , ghGg\\cdot h \\in G

',readingTime:{minutes:.09,words:26},title:"",type:"article",s:"Closure"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/Identity.html",{loader:()=>B(()=>import("./Identity.html-SQwU8_xE.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

there is eGe \\in G, for all gGg \\in G, eg=ge=ge\\cdot g=g\\cdot e=g

',readingTime:{minutes:.1,words:31},title:"",type:"article",s:"Identity"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/Inverse.html",{loader:()=>B(()=>import("./Inverse.html-WAvvo6i9.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

for all gGg \\in G, there is hGh \\in G, gh=hg=eg\\cdot h=h\\cdot g=e

',readingTime:{minutes:.09,words:28},title:"",type:"article",s:"Inverse"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/%E4%BB%A3%E6%95%B0%E7%BB%93%E6%9E%84.html",{loader:()=>B(()=>import("./代数结构.html-CKpyBcO8.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:` `,readingTime:{minutes:.07,words:21},title:"",type:"article",s:"代数结构"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/%E5%8A%A0%E6%B3%95%E5%B0%81%E9%97%AD%E6%80%A7.html",{loader:()=>B(()=>import("./加法封闭性.html-dz3QQ_WA.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

加法封闭性是抽象代数中的基础概念,描述集合在加法运算下的内在稳定性,是研究等代数结构的核心条件。

`,readingTime:{minutes:.76,words:227},title:"",type:"article",s:"加法封闭性"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/%E5%8A%A0%E6%B3%95%E8%BF%90%E7%AE%97.html",{loader:()=>B(()=>import("./加法运算.html-DTPL8gtj.js"),[]),meta:{tag:["数学"],excerpt:'

(F,+)(F, +) 是一个交换群

',readingTime:{minutes:.35,words:105},title:"",type:"article",s:"加法运算"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/%E5%90%8C%E6%80%81.html",{loader:()=>B(()=>import("./同态.html-GxRmGwI7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

两个有单一二元运算的集合XXYY(称为原群的代数结构),同态就是映射ϕ:XY\\displaystyle \\phi :X\\rightarrow Y使得

',readingTime:{minutes:.24,words:73},title:"",type:"article",s:"同态"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/%E5%9F%9F.html",{loader:()=>B(()=>import("./域.html-DSa8nbMM.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

域是一个集合 FF,其上定义了两个运算:加法和乘法,使得这个集合在这些运算下满足以下性质:

`,readingTime:{minutes:1.23,words:370},title:"",type:"article",s:"域"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/%E7%8E%AF.html",{loader:()=>B(()=>import("./环.html-CGtLZTZZ.js"),[]),meta:{tag:["数学"],excerpt:'

定义:环是一个集合 RR,其上定义了两个运算:加法和乘法,使得这个集合在这些运算下满足以下性质:

',readingTime:{minutes:.97,words:292},title:"",type:"article",s:"环"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/%E7%BE%A4.html",{loader:()=>B(()=>import("./群.html-o2M5sgHc.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

群是由一种配备二元运算的集合,其二元运算有结合律、单位元和逆元素。

很多自然界的变换(如平移、镜射)的汇总都符合群的定义,而某群变换下保持不变的某种性质被称为对称性;如在空间对称群的哪些变换下,面积或角度会保持不变,就是在研究立体几何的对称性。

property

`,readingTime:{minutes:.43,words:128},title:"property",type:"article"}}],["/Other/%E6%95%B0%E5%AD%A6%E5%88%86%E7%B1%BB/UI%E5%AF%BC%E8%88%AA.html",{loader:()=>B(()=>import("./UI导航.html-Cwf88pn2.js"),[]),meta:{excerpt:`

00 总论

01 数学史与文献

11 数论

20 群论及其推广

40 序列/级数/发散级数 (求和法)

58 大范围分析流形上的分析

74 固体力学 (可变形)

80 经典热力学热传导

83 相对论引力理论

`,readingTime:{minutes:2.37,words:712},title:"数学UI导航",type:"article"}}],["/Other/%E6%95%B0%E5%AD%A6%E5%88%86%E7%B1%BB/%E5%AD%A6%E6%A0%A1%E5%AD%A6%E7%A7%91%E5%88%86%E7%B1%BB.html",{loader:()=>B(()=>import("./学校学科分类.html-BMW4qmlw.js"),[]),meta:{excerpt:`

该类别较符合国内学生的学习经历,目录夹结构也是基本按这个来的

`,readingTime:{minutes:.82,words:247},title:"按学科分类",type:"article"}}],["/Other/%E6%95%B0%E5%AD%A6%E5%88%86%E7%B1%BB/%E6%A0%87%E5%87%86%E5%88%86%E7%B1%BB.html",{loader:()=>B(()=>import("./标准分类.html-CDAImCjW.js"),[]),meta:{excerpt:`

分类参考:

`,readingTime:{minutes:2.57,words:771},title:"数学标准分类",type:"article"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/--%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0--.html",{loader:()=>B(()=>import("./--李群李代数--.html-k-qi_qwd.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
Info

李群与李代数是一对描述连续对称性全局与局部结构.

  • 李群 (Group, GG): 一个连续的光滑流形, 描述几何层面上的全局 有限的对称变换 (例如: 旋转 30 度).
  • 李代数 (Algebra, g\\mathfrak{g}): 李群在单位元处的切空间, 描述局部, 线性的无穷小变换 (例如: 旋转的角速度).
`,readingTime:{minutes:4.35,words:1304},title:"文档-所有文档",type:"article"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E5%8E%84%E7%B1%B3%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./厄米矩阵.html-CqdwdYU5.js"),[]),meta:{author:["Cyletix","GPT-5"],tag:["数学"],excerpt:`

简介

厄米矩阵 (Hermitian matrix) , 也称自伴随矩阵, 是共轭对称的方阵. 满足:

A=AA = A^\\dagger

`,readingTime:{minutes:2.52,words:755},title:"",type:"article",s:"厄米矩阵"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E5%8F%8D%E5%AF%B9%E7%A7%B0%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./反对称矩阵.html-CZmvYywu.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

转置矩阵和自身的加法逆元相等的方阵A=(aij)A = (a_{ij})。满足:

`,readingTime:{minutes:4.94,words:1482},title:"叉乘表示",type:"article"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E6%8C%87%E6%95%B0%E5%AF%BC%E6%95%B0.html",{loader:()=>B(()=>import("./指数导数.html-BPPFfzNj.js"),[]),meta:{author:"Cyletix",tag:["数学","代数"],excerpt:`

一维:

exp(tdddx)f(x)=f(x+t)exp(td\\frac{d}{dx})f(x)=f(x+t)

`,readingTime:{minutes:.17,words:51},title:"",type:"article",s:"指数导数"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E6%8C%87%E6%95%B0%E6%98%A0%E5%B0%84.html",{loader:()=>B(()=>import("./指数映射.html-Bf99CA9L.js"),[]),meta:{author:["Cyletix"],tag:["数学","李群","李代数"],excerpt:`

定义

李群 GG 的李代数为 g\\mathfrak{g}.
指数映射定义为

`,readingTime:{minutes:.81,words:243},title:"",type:"article",s:"指数映射"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E6%9D%8E%E4%BB%A3%E6%95%B0.html",{loader:()=>B(()=>import("./李代数.html-D1lJeCV7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

李代数是一个线性空间配备了一个额外的满足雅可比恒等式的二元运算 [X,Y][X, Y], 通常称为李括号或对易子.
李代数是与李群相联系的代数结构, 每一种李代数理论上都对应着一个李群, 反映了该群的局部无穷小结构和性质.

`,readingTime:{minutes:1.97,words:591},title:"",type:"article",s:"李代数"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E6%9D%8E%E7%BE%A4.html",{loader:()=>B(()=>import("./李群.html-DzS4U_ej.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

李群是一个群, 同时也是一个光滑流形, 是兼具群结构流形结构的数学对象, 它描述了连续可微的对称变换, 是连接抽象代数与微分流形的一个重要例子

定义

李群 GG 是一个光滑流形, 并且群运算 (x,y)xy1(x,y) \\mapsto xy^{-1} 是光滑映射.
它结合了群的代数结构与流形的几何结构.

`,readingTime:{minutes:.78,words:234},title:"",type:"article",s:"李群"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E6%AC%A7%E6%B0%8F%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./欧氏变换.html-Pzme_VXM.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:` `,readingTime:{minutes:.06,words:19},title:"",type:"article",s:"欧氏变换"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E6%AD%A3%E4%BA%A4%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./正交矩阵.html-Dw382k-U.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

正交矩阵是一个方阵,其列向量和行向量都是正交的,并且每个向量的范数为1。对于一个 n×nn \\times n 的矩阵 QQ,如果满足以下条件:

',readingTime:{minutes:1.33,words:398},title:"",type:"article",s:"正交矩阵"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E7%89%B9%E6%AE%8A%E6%AC%A7%E5%BC%8F%E7%BE%A4.html",{loader:()=>B(()=>import("./特殊欧式群.html-D7Q8l5qS.js"),[]),meta:{author:["Cyletix"],tag:["数学"],readingTime:{minutes:.02,words:6},title:"",type:"article",s:"特殊欧式群"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E7%89%B9%E6%AE%8A%E6%AD%A3%E4%BA%A4%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./特殊正交矩阵.html-DZsyc47X.js"),[]),meta:{author:["Cyletix","Gemini2.5Pro"],tag:["数学","线性代数","群论"],excerpt:`
核心思想

特殊正交矩阵 SO(n)SO(n) 是定义在实数域 R\\mathbb{R} 上的"纯旋转" 矩阵集合.
它保持长度与方向不变, 即在欧几里得空间中代表旋转对称性.

`,readingTime:{minutes:2.71,words:813},title:"",type:"article",s:"特殊正交矩阵"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E7%89%B9%E6%AE%8A%E6%AD%A3%E4%BA%A4%E7%BE%A4.html",{loader:()=>B(()=>import("./特殊正交群.html-DGAgFF6R.js"),[]),meta:{author:["Cyletix"],tag:["数学"],readingTime:{minutes:.07,words:20},title:"",type:"article",s:"特殊正交群"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E7%89%B9%E6%AE%8A%E9%85%89%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./特殊酉矩阵.html-vnflpvMN.js"),[]),meta:{author:["Cyletix","Gemini2.5Pro"],tag:["数学","线性代数","群论"],excerpt:`
简介

特殊酉矩阵 SU(n)SU(n) 是一类特殊的酉矩阵,在复空间 Cn\\mathbb{C}^n 中表示保持体积和方向不变的纯旋转。满足两个条件:

  1. 酉矩阵 (Unitary): 保持向量的长度(范数)不变。
  2. 特殊 (Special): 行列式为 1,保持空间的“朝向”不变。
`,readingTime:{minutes:3.07,words:922},title:"",type:"article",s:"特殊酉矩阵"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5%E6%8C%87%E6%95%B0.html",{loader:()=>B(()=>import("./矩阵指数.html-DIfnw5bp.js"),[]),meta:{author:["Cyletix","GPT-4","GPT-5"],tag:["数学"],excerpt:`

简介

矩阵指数将标量指数运算扩展到矩阵. 在矩阵李群的语境下, 指数映射由幂级数定义, 与矩阵指数一致, 矩阵指数就是李群的指数映射 (Exponential Map), 是李群李代数之间的桥梁.


定义

给定一个矩阵 AA, 其矩阵指数 eAe^A 基于幂级数展开的定义:

`,readingTime:{minutes:7.68,words:2304},title:"",type:"article",s:"矩阵指数"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5%E7%9A%84%E8%BF%B9.html",{loader:()=>B(()=>import("./矩阵的迹.html-DWt5V7zd.js"),[]),meta:{author:["Cyletix","GPT-5"],tag:["数学"],excerpt:`

简介

迹 (trace) 是定义在方阵上的一个标量函数, 表示矩阵对角线上元素的和.
它在线性代数, 李群李代数, 量子力学与张量分析中都有重要作用.
在李代数中, 迹常用作不变量, 例如在 su(n)\\mathfrak{su}(n) 中, 所有矩阵都满足 tr(A)=0\\operatorname{tr}(A)=0.

`,readingTime:{minutes:2.14,words:641},title:"",type:"article",s:"矩阵的迹"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/%E9%85%89%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./酉矩阵.html-DWWnHllJ.js"),[]),meta:{tag:["数学"],excerpt:'

酉矩阵U(n)U(n)是指满足下列条件的nn阶复方阵:

',readingTime:{minutes:1.11,words:332},title:"",type:"article",s:"酉矩阵"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/--%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6--.html",{loader:()=>B(()=>import("./--离散数学--.html-DPhYvHWD.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
LIST
WHERE file.folder=this.file.folder
AND contains(dlink,link(this.file.name))
`,readingTime:{minutes:.1,words:30},title:"文档-所有文档",type:"article"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E4%BA%8C%E5%85%83%E5%85%B3%E7%B3%BB.html",{loader:()=>B(()=>import("./二元关系.html-h4kkfWIN.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"二元关系"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%8F%8C%E9%93%BE%E6%A0%91.html",{loader:()=>B(()=>import("./双链树.html-BHjBxYfF.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"双链树"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%9B%BE%E7%9A%84%E5%90%8C%E6%9E%84.html",{loader:()=>B(()=>import("./图的同构.html-CbI_3kK7.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"图的同构"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%9B%BE%E7%9A%84%E7%9F%A9%E9%98%B5%E8%A1%A8%E7%A4%BA.html",{loader:()=>B(()=>import("./图的矩阵表示.html-aaIf2hpC.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"图的矩阵表示"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%AD%90%E5%9B%BE%E4%B8%8E%E8%A1%A5%E5%9B%BE.html",{loader:()=>B(()=>import("./子图与补图.html-afBIZzI-.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"子图与补图"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%AE%B9%E6%96%A5%E5%8E%9F%E7%90%86.html",{loader:()=>B(()=>import("./容斥原理.html-BKW-V51y.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"容斥原理"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%AF%B9%E5%81%B6.html",{loader:()=>B(()=>import("./对偶.html-JDNS89U3.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"对偶"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%B8%83%E5%B0%94%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./布尔矩阵.html-D82JBIts.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"布尔矩阵"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E5%BA%8F%E5%88%97.html",{loader:()=>B(()=>import("./序列.html-B0KeCMBv.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"序列"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E6%8E%92%E5%88%97.html",{loader:()=>B(()=>import("./排列.html-3tiU1fnP.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"排列"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E6%A0%BC.html",{loader:()=>B(()=>import("./格.html-BykLfCql.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"格"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E6%B1%89%E8%AF%BA%E5%A1%94%E5%9B%BE.html",{loader:()=>B(()=>import("./汉诺塔图.html-Bamcxc9r.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"汉诺塔图"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E7%BB%84%E5%90%88.html",{loader:()=>B(()=>import("./组合.html-u_2Yq3pG.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"组合"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E7%BB%B4%E6%81%A9%E5%9B%BE.html",{loader:()=>B(()=>import("./维恩图.html-CO6XWNMx.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"维恩图"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E9%9B%86%E5%90%88.html",{loader:()=>B(()=>import("./集合.html-CSPdtgYT.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],excerpt:`

集合是数学中最基本的概念, 较难给出严格精角定义.

通常将若干个可确定, 可分辨的对象构成的无序整体称为集合 (set) , 常用大写英文字母 A,B,C,X,Y,ZA, B, C, X, Y, Z 等表示.

`,readingTime:{minutes:.82,words:245},title:"",type:"article",s:"集合"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/%E9%9B%86%E5%90%88%E7%9A%84%E8%BF%90%E7%AE%97.html",{loader:()=>B(()=>import("./集合的运算.html-DsbAxP62.js"),[]),meta:{author:["Zacharia2"],tag:["数学"],readingTime:{minutes:.03,words:10},title:"",type:"article",s:"集合的运算"}}],["/Other/%E8%AF%B4%E6%98%8E/MOC%E5%8E%9F%E5%88%99.html",{loader:()=>B(()=>import("./MOC原则.html-Bh0Bp6v-.js"),[]),meta:{tag:["规则"],excerpt:`
  • What is this topic?
  • What's the path?
  • Why should I care?
`,readingTime:{minutes:.05,words:15},title:"",type:"article",s:"MOC原则"}}],["/Other/%E8%AF%B4%E6%98%8E/Markdown%E6%95%B0%E5%AD%A6%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./Markdown数学公式.html-8E9SGy-Y.js"),[]),meta:{author:["DanielGavin","Cyletix","SituChengxiang","ArcherReilly"],tag:["markdown","数学","公式","规则"],excerpt:`

行内与独行

  1. 行内公式: 将公式插入到本行内, 符号: $公式内容$, 如: xyzxyz000m×n0_{m \\times n}\\emptyset0\\boldsymbol{0}0\\vec{0}
  2. 独行公式: 将公式插入到新的一行内, 并且居中, 符号: $$公式内容$$, 如: $$xyz$$
`,readingTime:{minutes:9.27,words:2780},title:"一、基本符号",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/README(old).html",{loader:()=>B(()=>import("./README(old).html-DDXnZpBD.js"),[]),meta:{tag:["数学"],excerpt:`

基于Obsidian建立公开共享的数学知识库!
PKMer知识管理交流群(QQ): 825255377
PKMer-Math开发者交流群(QQ): 782017903

前言

本库亦在用通俗的语言描述 梳理高等数学的主要内容, 整理为Obsidian风格的markdown文件, 内容上会使用大量Obsidian特色风格语法, 包括但不限于:

  • 使用Obsidian双链语法, 组织目录和相关内容, 构成一个Obsidian的数学知识网络.
  • 使用Callout语法, 为重点内容制作简易美观的词条卡片.
  • 使用块引用语法, 引用原子化的内容组织更高层文章
`,readingTime:{minutes:9.69,words:2908},title:"Pkmer-Math",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/gitignore%E6%A8%A1%E6%9D%BF.html",{loader:()=>B(()=>import("./gitignore模板.html-B7yYdXRZ.js"),[]),meta:{excerpt:`

这是一个通用的 .gitignore 文件模板,适用于大多数情况。将此内容保存为 .gitignore 放在根目录下, 根据需求自定义规则, 可以根据需要自定义此文件,禁止同步到仓库

# 排除自己, 必须添加此项!  
.gitignore

# 同步.obsidian文件夹下指定的子文件夹,名称前加"!", 这些插件都暂时没有用到, 将来找机会剔除
.obsidian/*   # 不同步obsidian所有配置项
.obsidian/app.json
!.obsidian/appearance.json   # 在不同步所有配置的前提下,需要同步的反例加上!
.obsidian/bookmarks.json
!.obsidian/community-plugins.json
!.obsidian/core-plugins.json
!.obsidian/graph.json
!.obsidian/hotkeys.json
.obsidian/graph.json
.obsidian/types.json
.obsidian/workspace.json


!.obsidian/snippets
!.obsidian/plugins/*
!.obsidian/plugins/dataview
!.obsidian/plugins/templater-obsidian
# !.obsidian/plugins/obsidian-git/
# !.obsidian/plugins/obsidian-linter/
!.obsidian/plugins/quickadd/
# !.obsidian/plugins/obsidian-outliner/
# !.obsidian/plugins/table-editor-obsidian/
# !.obsidian/plugins/obsidian-latex-suite/


# assert文件夹
# _assets_/*
_assets_/草稿


# 其他ob相关文件夹
.history
.trash

# 针对Mac系统的忽略
.DS_Store

# 子模块相关, 暂时没有用到
.gitmodules

# vscode配置文件夹
.vscode

# node_modules文件夹
node_modules

# package.json和包锁文件
package.json
package-lock.json

# mcp相关
*mcp*

# 日志文件
*.log
`,readingTime:{minutes:.8,words:240},title:"",type:"article",s:"gitignore模板"}}],["/Other/%E8%AF%B4%E6%98%8E/tikz%E7%BB%98%E5%9B%BE%E6%A0%87%E5%87%86.html",{loader:()=>B(()=>import("./tikz绘图标准.html-CrjyIIDl.js"),[]),meta:{tag:["数学","规则"],excerpt:`

环境配置

代码类型: tikz

\\usepackage{tikz}
\\begin{document}
\\begin{tikzpicture}
...
\\end{tikzpicture}
\\end{document}
`,readingTime:{minutes:21.72,words:6517},title:"简介",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/%E4%BB%93%E5%BA%93%E6%96%87%E4%BB%B6%E7%BB%93%E6%9E%84.html",{loader:()=>B(()=>import("./仓库文件结构.html-I5EXokoE.js"),[]),meta:{tag:["规则"],excerpt:`

本文描述仓库文件树的物理结构


配置文件目录树

├─ .github                # GitHub Actions 自动化配置目录
│  └─ workflows           # CI/CD 工作流(自动构建与发布网站)

├─ .obsidian              # Obsidian 的主配置文件夹
│  ├─ plugins             # 所用插件目录(dataview / templater / quickadd / tikzjax 等)
│  ├─ snippets            # CSS 代码片段,控制排版风格
│  └─ themes              # 主题目录(当前使用 GitHub Theme / Vanilla AMOLED)

├─ .vscode                # VS Code 环境配置,用于本地开发与 Markdown 预览

├─ _assets_               # 内部资源与模板配置文件夹
│  ├─ Callouts            # Callout 风格模板(信息块格式定义)
│  ├─ dataview查询        # Dataview 查询模板及常用语句
│  ├─ Images              # 图片与图表资源
│  ├─ QuickAdd            # 快速添加模板(笔记/例题/定义)
│  ├─ Template            # Markdown 模板(章节/概念/词条格式)
│  ├─ scripts             # 自动化脚本(批量生成、文件重命名等)
│  └─ todo                # 临时待办与任务记录

├─ 微积分                 # 高等数学主体之一:微积分系统
│  ├─ 极限 / 导数 / 微分 / 积分 / 多元函数微分 等核心章节
│  ├─ 重积分 / 曲线曲面积分 / 解析几何 / 级数 等进阶部分
│  └─ 以函数分析与几何直观为主线展开

├─ 线性代数               # 高等数学主体之二:线性代数系统
│  ├─ 行列式 / 矩阵 / 向量组 / 线性空间 等核心内容
│  ├─ 相似变换 / 特征值 / 线性方程组 等进阶章节
│  └─ 含“补充”小节,用于记录扩展性例题与证明

├─ 概率论                 # 高等数学主体之三:概率与统计系统
│  ├─ 概率论基础 / 随机变量 / 随机变量函数 等核心内容
│  ├─ 极限定理 / 参数估计 / 假设检验 / 方差分析及回归
│  ├─ 抽样分布 / 随机过程 等专题
│  └─ 与后续统计学习方法衔接

├─ Other                  # 扩展与前瞻内容(非高数核心,但与之关联)
│  ├─ 说明                 # 本仓库规范、协作方式、插件配置等说明文档
│  ├─ 例题与练习           # 整理常见题型与典型推导
│  ├─ pdf参考资料          # 教材与文献 PDF(仅供学习使用)
│  ├─ 初等数学              # 作为高数前置知识(概念补充)
│  ├─ 实分析 / 复分析 / 离散数学 / 抽象代数 等后续课程内容
│  ├─ 李群李代数 / 微分流形 / 泛函分析 / 偏微分方程 等高阶专题
│  └─ 供未来内容扩展与学科交叉使用

└─ 其他配置               # 杂项、规则与导出配置(如 .clinerules / 结构检查文件等)
`,readingTime:{minutes:2.6,words:781},title:"",type:"article",s:"仓库文件结构"}}],["/Other/%E8%AF%B4%E6%98%8E/%E4%BD%BF%E7%94%A8%E6%AD%A5%E9%AA%A4.html",{loader:()=>B(()=>import("./使用步骤.html-BwmL-PBg.js"),[]),meta:{tag:["规则"],excerpt:`

本仓库的使用分两种:

作为本地Obsidian仓库打开

  1. 克隆此仓库到本地
    git clone https://github.com/PKM-er/Pkmer-Math.git
    若希望自定义本地仓库的名称(如想要文件夹名称为Math, 而不是PKM-Math):
    git clone https://github.com/PKM-er/Pkmer-Math.git Math
  2. 使用Obsidian打开下载的本地仓库文件夹
  3. 根据个人习惯, 选择任意一个主页面板使用:
    • -高等数学-: 仅学习高等数学, 不进行开发, 不系统学习进阶知识
    • Home: 兼顾高等数学学习和轻度开发
    • 新版目录.base: 查看和管理所有文件及YAML元数据
    • 除此之外, 还可以使用和查看自定义dataview
`,readingTime:{minutes:.73,words:220},title:"",type:"article",s:"使用步骤"}}],["/Other/%E8%AF%B4%E6%98%8E/%E5%85%B3%E4%BA%8E%E5%90%88%E4%BD%9C%E5%BC%80%E5%8F%91.html",{loader:()=>B(()=>import("./关于合作开发.html-ChBLFKq_.js"),[]),meta:{tag:["规则"],excerpt:`

本项目在 GitHub 开源,为了更好地进行合作开发,计划制定相关教程和规范。以下是当前开发原则、内容规范及开发流程。规范会根据需求不断调整,欢迎提出改进建议!


开发原则

  1. 简洁易懂:确保代码和文档简洁明了,方便快速理解重点。
  2. 保证正确性:对自己的修改负责,可以多次修改,直到合适为止。
  3. 奥卡姆剃刀原则:如无必要,勿增实体。尽量基于 Obsidian 原生功能进行开发,避免过度依赖复杂插件。
  4. 优先记录:若时间紧迫,可将内容先归类到对应一级文件夹,后续再整理完善。
`,readingTime:{minutes:3.83,words:1148},title:"合作开发指南",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/%E5%85%B3%E4%BA%8E%E7%9B%AE%E5%BD%95%E7%BB%93%E6%9E%84.html",{loader:()=>B(()=>import("./关于目录结构.html-C_W-s6Po.js"),[]),meta:{excerpt:`

我说一下我是怎么用Obsidian的。

首先,我会写一堆原子化的笔记(当然不是创作上的时间顺序)。然后,我会用其他的笔记来引用这些原子化的笔记,写成一个完整的文档(等价于泡泡)。接着,写一个目录性质的md文件(性质上也属于泡泡),里面写具体目录结构的链接,这些目录文档原子化笔记形成了一整个学科,这就是整个结构的样子。

但是,这些文档不是必须要用文档内的链接(所谓的硬链接)去组织结构的。文档内的链接只是那种沿着目录结构走的,最相关的一些近邻文档(可能相当于所谓的有序?)

就是链接和链接有区分,这里其实有两种链接:一种是用于组织、描述一个学科、一个学科完整介绍的链接,这种链接是服务于目录结构的,学科这个组织顺序的;另一种链接是它和一些其他无关的、和这个学科目录无关的其他引申的 推广的相关知识。

`,readingTime:{minutes:2.55,words:766},title:"",type:"article",s:"关于目录结构"}}],["/Other/%E8%AF%B4%E6%98%8E/%E5%86%85%E5%AE%B9%E8%A7%84%E8%8C%83.html",{loader:()=>B(()=>import("./内容规范.html-BJ7KEmtA.js"),[]),meta:{tag:["规则"],excerpt:`

本文描述内容层级的构建原则和划分方法


构建原则

充分利用 Obsidian 的特色语法, 包括但不限于:

  • 使用双链语法, 组织目录与相关内容, 构建一个数学知识的网络化结构.
  • 利用 Callout 语法, 为重点内容创建简洁美观的卡片式词条.
  • 通过块引用语法, 将原子化的内容引用到更高层次的文章中, 以实现高效的知识整合与关联.
    为了便于知识传播, 使用TikzJax绘制图形, 参照tikz绘图标准.
    禁止大量使用不必要的图片,此处不是图片垃圾场, 不要倒垃圾!!!!
`,readingTime:{minutes:6.02,words:1805},title:"构建原则",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/%E5%8E%86%E5%8F%B2%E9%87%8D%E5%86%99%E5%90%8E%E7%9A%84%E5%90%8C%E6%AD%A5%E8%AF%B4%E6%98%8E.html",{loader:()=>B(()=>import("./历史重写后的同步说明.html-DGvX0k5Z.js"),[]),meta:{tag:["规则","Git"],excerpt:`

2026-03-22 仓库进行过一次历史重写,用于清理 _assets_.obsidian 的旧历史记录,并保留当前最新状态。

这意味着:

  • 远端 main 的提交历史已经变化。
  • 之前基于旧历史 clone 的本地仓库,需要手动同步一次。
  • fork 仓库不会自动更新,但如果要继续跟随上游,也需要手动同步。

谁需要处理

1. 新 clone 的用户

`,readingTime:{minutes:3.28,words:983},title:"历史重写后的同步说明",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/%E5%90%8C%E6%AD%A5%E9%85%8D%E7%BD%AE%E6%B3%A8%E6%84%8F%E4%BA%8B%E9%A1%B9.html",{loader:()=>B(()=>import("./同步配置注意事项.html-C38JWmKc.js"),[]),meta:{tag:["数学"],excerpt:`

由于仓库使用.gitignore管理忽略文件, 并且.gitignore文件本身参与了同步, 会出现一种比较危险的情况:

  • 你配置了.gitignore, 使得配置文件夹如.obsidian不参与git追踪
  • 当你想查看历史提交记录时, 你checkout切换了分支
  • 这时, 你会惊奇地发现, 你的配置文件没有了
  • 哪怕切换回main分支, 没有参与git追踪的所有文件都不会回来了.
`,readingTime:{minutes:3.03,words:908},title:"",type:"article",s:"同步配置注意事项"}}],["/Other/%E8%AF%B4%E6%98%8E/%E6%8B%9B%E5%8B%9F%E5%85%AC%E5%91%8A.html",{loader:()=>B(()=>import("./招募公告.html-D0AOKYoI.js"),[]),meta:{tag:["规则"],excerpt:`

项目现状

  • 建立了较为完善的文档规范和协作流程
  • 已基本完成微积分、线性代数、概率论等基础数学内容的框架搭建
  • 正在持续完善和扩展各领域内容(复分析, 离散数学等)

我们需要

  • 数学内容贡献者:负责数学知识的整理和编写
  • 文档维护者:协助维护文档规范和格式
  • AI工具使用者:擅长使用AI工具辅助内容创作和优化
  • 其他支持:欢迎任何对数学知识整理感兴趣的朋友

需要掌握的技术

  1. Markdown语法和Latex公式
  2. Git版本控制
  3. AI工具, 辅助内容创作和优化
  4. QuickAddjs, 但不是必须
`,readingTime:{minutes:.95,words:284},title:"PKM-Math 项目招募",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/%E6%8F%92%E4%BB%B6%E9%85%8D%E7%BD%AE%E8%AF%B4%E6%98%8E.html",{loader:()=>B(()=>import("./插件配置说明.html-BLOWCxdY.js"),[]),meta:{tag:["规则"],excerpt:`

设计理念允许不同的Obsidian配置, 以适应不同的人的使用体验. 其中有必要的相同插件, 有适应不同人群使用习惯的插件.

个性化配置原则

  • 推荐插件
  • 允许使用轻量级插件(如快捷表格操作, 数学公式等)
  • 不推荐使用任何破坏性插件(quickadd,Linter等需要谨慎操作, 每次用完后需要关闭插件), 但如果熟悉的话,允许使用
  • 知识词条页面严禁使用html, css, javascript, 非知识词条的组织页面可以酌情使用
`,readingTime:{minutes:2.19,words:657},title:"关于插件和配置",type:"article"}}],["/Other/%E8%AF%B4%E6%98%8E/%E6%95%B0%E5%AD%A6%E5%B8%B8%E7%94%A8%E6%97%A5%E8%AF%AD.html",{loader:()=>B(()=>import("./数学常用日语.html-DsIXCFSe.js"),[]),meta:{tag:["数学","日语"],excerpt:`
  1. 仮定する (かていする) - 假设
  2. 証明する (しょうめいする) - 证明
  3. 求める (もとめる) - 求解
  4. 計算する (けいさんする) - 计算
  5. 変数 (へんすう) - 变量
  6. 方程式 (ほうていしき) - 方程式
  7. 解く (とく) - 解答
  8. 置き換える (おきかえる) - 替换
  9. 代入する (だいにゅうする) - 代入
  10. 微分する (びぶんする) - 微分
  11. 積分する (せきぶんする) - 积分
  12. 導出する (どうしゅつする) - 导出
  13. 等式 (とうしき) - 等式
  14. 不等式 (ふとうしき) - 不等式
  15. 同値 (どうち) - 同值
  16. 無限 (むげん) - 无限
  17. 極限 (きょくげん) - 极限
  18. 漸近 (ぜんきん) - 渐近
  19. 収束する (しゅうそくする) - 收敛
  20. 発散する (はっさんする) - 发散
  21. 行列 (ぎょうれつ) - 矩阵
  22. ベクトル - 向量
  23. 固有値 (こゆうち) - 特征值
  24. 固有ベクトル (こゆうベクトル) - 特征向量
  25. 線形代数 (せんけいだいすう) - 线性代数
  26. 解析する (かいせきする) - 分析
  27. 函数 (かんすう) - 函数
  28. 微分方程式 (びぶんほうていしき) - 微分方程式
  29. 確率 (かくりつ) - 概率
  30. 統計 (とうけい) - 统计
  31. 期待値 (きたいち) - 期望值
  32. 分散 (ぶんさん) - 方差
  33. 標準偏差 (ひょうじゅんへんさ) - 标准差
  34. 相関 (そうかん) - 相关
  35. 回帰 (かいき) - 回归
  36. 最適化 (さいてきか) - 优化
  37. 近似する (きんじする) - 近似
  38. 解析解 (かいせきかい) - 解析解
  39. 数値解 (すうちかい) - 数值解
  40. 境界条件 (きょうかいじょうけん) - 边界条件
  41. 初期条件 (しょきじょうけん) - 初始条件
  42. 特異点 (とくいてん) - 奇点
  43. 演算 (えんざん) - 运算
  44. 組み合わせ (くみあわせ) - 组合
  45. 順列 (じゅんれつ) - 排列
  46. グラフ - 图表
  47. 座標 (ざひょう) - 坐标
  48. 直線 (ちょくせん) - 直线
  49. 曲線 (きょくせん) - 曲线
  50. 解析学 (かいせきがく) - 解析学
`,readingTime:{minutes:.96,words:288},title:"",type:"article",s:"数学常用日语"}}],["/Other/%E8%AF%B4%E6%98%8E/%E6%9C%AC%E5%9C%B0%E6%8E%92%E9%99%A4%E6%96%87%E4%BB%B6.html",{loader:()=>B(()=>import("./本地排除文件.html-CsJbkMIg.js"),[]),meta:{tag:["规则"],excerpt:`

本指南用于在本地工作区中排除远程仓库的特定目录,而不影响远程仓库本身。

1. 进入仓库根目录

打开终端或命令行,\`cd\` 到你的本地 Git 仓库根目录。

2. 启用 Sparse Checkout

git sparse-checkout init --cone
`,readingTime:{minutes:1.83,words:550},title:"",type:"article",s:"本地排除文件"}}],["/Other/%E8%AF%B4%E6%98%8E/%E7%AC%A6%E5%8F%B7%E4%B9%A6%E5%86%99%E8%A7%84%E8%8C%83.html",{loader:()=>B(()=>import("./符号书写规范.html-lYRXeRRO.js"),[]),meta:{tag:["数学"],excerpt:`
符号 LaTeX 示例 说明
常量 $a, x, f(x)$ LaTeX 默认处理为斜体。无需额外修饰操作。
向量 $\\mathbf{v}$$\\vec{v}$ 工程/应用数学偏好加粗 \\mathbf理论数学/物理偏好箭头 \\vec。都可以, 全文须统一
矩阵 $\\mathbf{A}, \\mathbf{B}$ 建议使用大写加粗罗马体, 但不强制, 不用也没有关系
张量 $\\boldsymbol{T}$$\\mathbb{T}$ 建议使用加粗斜体 \\boldsymbol 或黑板加粗 \\mathbb, 不用也没有关系
集合 $\\mathbb{R}, \\mathbb{Z}, \\mathbb{N}$ 必须使用黑板加粗 \\mathbb。元素用普通斜体。
特殊函数 $\\sin, \\log, \\exp$ 必须使用反斜杠转义,以保持直立罗马体
微分符号 $\\mathrm{d}x$ 推荐使用直立体 \\mathrm{d},区分于变量 dd, 不用也没有关系
常量 $i, e, \\pi$ 复数单位、自然底数、圆周率,通常直接使用默认斜体。
`,readingTime:{minutes:.77,words:231},title:"",type:"article",s:"符号书写规范"}}],["/Other/%E8%AF%B4%E6%98%8E/%E9%97%AD%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86%E7%AC%A6%E5%8F%B7%E7%9A%84%E8%A1%A8%E7%A4%BA%E6%96%B9%E6%B3%95.html",{loader:()=>B(()=>import("./闭曲面积分符号的表示方法.html-CRCtmFPl.js"),[]),meta:{tag:["数学","规则"],excerpt:`

由于Obsidian不支持二重曲面积分符号\\oiint的渲染, 因此下面提供一种折中的方式, 可以在Obsidian中渲染出二重积分的符号

\\int\\kern{-17mu}{\\unicode{x25CB}}\\kern{-20mu}\\int_{C}
`,readingTime:{minutes:.79,words:236},title:"",type:"article",s:"闭曲面积分符号的表示方法"}}],["/assets_/Callouts/Callouts-Abstract.html",{loader:()=>B(()=>import("./Callouts-Abstract.html-B8FCax2H.js"),[]),meta:{excerpt:`
Abstract

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Abstract"}}],["/assets_/Callouts/Callouts-Bug.html",{loader:()=>B(()=>import("./Callouts-Bug.html-Ko-3oOYl.js"),[]),meta:{excerpt:`
Bug

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Bug"}}],["/assets_/Callouts/Callouts-ChatGPT.html",{loader:()=>B(()=>import("./Callouts-ChatGPT.html-BCMMn_YI.js"),[]),meta:{excerpt:`
ChatGPT

`,readingTime:{minutes:.01,words:2},title:"",type:"article",s:"Callouts-ChatGPT"}}],["/assets_/Callouts/Callouts-Danger.html",{loader:()=>B(()=>import("./Callouts-Danger.html-BPlxzXZy.js"),[]),meta:{excerpt:`
Danger

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Danger"}}],["/assets_/Callouts/Callouts-Example.html",{loader:()=>B(()=>import("./Callouts-Example.html-BfHO2pGE.js"),[]),meta:{excerpt:`
Example

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Example"}}],["/assets_/Callouts/Callouts-Failure.html",{loader:()=>B(()=>import("./Callouts-Failure.html-fBrotJ0y.js"),[]),meta:{excerpt:`
Failure

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Failure"}}],["/assets_/Callouts/Callouts-Info.html",{loader:()=>B(()=>import("./Callouts-Info.html-DzkhpDve.js"),[]),meta:{excerpt:`
Info

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Info"}}],["/assets_/Callouts/Callouts-Note.html",{loader:()=>B(()=>import("./Callouts-Note.html-CbDuVGTF.js"),[]),meta:{excerpt:`
Note

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Note"}}],["/assets_/Callouts/Callouts-Question.html",{loader:()=>B(()=>import("./Callouts-Question.html-COqkpLNX.js"),[]),meta:{excerpt:`
Question

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Question"}}],["/assets_/Callouts/Callouts-Quote.html",{loader:()=>B(()=>import("./Callouts-Quote.html-CV082t_H.js"),[]),meta:{excerpt:`
Quote

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Quote"}}],["/assets_/Callouts/Callouts-Success.html",{loader:()=>B(()=>import("./Callouts-Success.html-CbZ4D30s.js"),[]),meta:{excerpt:`
Success

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Success"}}],["/assets_/Callouts/Callouts-Tips.html",{loader:()=>B(()=>import("./Callouts-Tips.html-D2CP0F0j.js"),[]),meta:{excerpt:`
Tip

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Tips"}}],["/assets_/Callouts/Callouts-Todo.html",{loader:()=>B(()=>import("./Callouts-Todo.html-BpcpWkFQ.js"),[]),meta:{excerpt:`
Todo

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Todo"}}],["/assets_/Callouts/Callouts-Warning.html",{loader:()=>B(()=>import("./Callouts-Warning.html-B3l-yc5C.js"),[]),meta:{excerpt:`
Warning

`,readingTime:{minutes:0,words:1},title:"",type:"article",s:"Callouts-Warning"}}],["/assets_/Callouts/Callouts%E8%AF%AD%E6%B3%95.html",{loader:()=>B(()=>import("./Callouts语法.html-k2ayED_6.js"),[]),meta:{excerpt:`
Note

> [!note]
>
`,readingTime:{minutes:.33,words:100},title:"更多",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/---%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86---.html",{loader:()=>B(()=>import("./---多元函数微分---.html-CvzREU4D.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 多元函数基本概念
  2. 偏导数
  3. 全微分
  4. 多元复合函数求导
  5. 多元隐函数求导
  6. 多元函数微分应用
  7. 方向导数
  8. 梯度
  9. 多元函数极值
  10. 二元泰勒公式
  11. 最小二乘法
`,readingTime:{minutes:.4,words:121},title:"文档-所有文档",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/Schwarz%20%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./Schwarz 定理.html-C5J8qroo.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

对于大多数常见函数,混合偏导数是相等的。这由 Schwarz 定理(Schwarz's theorem)或称 Clairaut 定理(Clairaut's theorem)所保证。该定理表明,如果一个函数的混合偏导数在一个点及其附近连续,那么这两个混合偏导数是相等的。

定理陈述

ff 是定义在开集 UR2U \\subset \\mathbb{R}^2 上的二次连续可导函数,即函数 ff 具有连续的二阶偏导数。则对于 UU 中的任意点 (x,y)(x, y),有:

`,readingTime:{minutes:1.33,words:399},title:"定理陈述",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/n%E7%BB%B4%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./n维空间.html-Cn8Ae0aK.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

nn 维空间是多元函数的定义域所在集合, 可视为实数域上的线性空间 Rn\\mathbb{R}^n 的几何模型.
分析学在此基础上引入距离, 邻域, 极限, 连续等概念, 以研究函数的变化规律.

`,readingTime:{minutes:1.42,words:426},title:"",type:"article",s:"n维空间"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E4%BA%8C%E5%85%83%E6%B3%B0%E5%8B%92%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./二元泰勒公式.html-IPs3VYIX.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:'

二元泰勒公式提供了一个二元函数 f(x,y)f(x, y)(a,b)(a, b) 附近的二阶近似。是泰勒公式的推广

',readingTime:{minutes:1.83,words:548},title:"",type:"article",s:"二元泰勒公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%81%8F%E5%AF%BC%E6%95%B0.html",{loader:()=>B(()=>import("./偏导数.html-CJEzXCuN.js"),[]),meta:{author:["Cyletix","夜幕下的启明星"],tag:["数学"],excerpt:`

z=f(x,y)z=f(x,y)(x0,y0)(x_{0},y_{0})的某个邻域内有定义,当yy固定在y0y_{0},而xxx0x_{0}处有增量Δx\\Delta x,相应的函数增量 为:f(x0+Δx,y0)f(x0,y0)f(x_{0}+\\Delta x,y_{0})-f(x_{0},y_{0}),若

`,readingTime:{minutes:2.28,words:685},title:"偏导数定义",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%85%A8%E5%BE%AE%E5%88%86.html",{loader:()=>B(()=>import("./全微分.html-BtDN66iJ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

全增量

Δz=f(x+Δx,y+Δy)f(x,y)\\Delta z=f(x+\\Delta x,y+\\Delta y)-f(x,y)

`,readingTime:{minutes:.98,words:293},title:"预备知识",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%90%91%E9%87%8F%E5%80%BC%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./向量值函数.html-BAlA-54f.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

向量值函数是指那些其输出为向量的函数,通常形式为 r(t)=f(t),g(t),h(t)\\mathbf{r}(t) = \\langle f(t), g(t), h(t) \\rangle,其中 f(t)f(t), g(t)g(t)h(t)h(t) 是实数函数。这种类型的函数在物理学和工程学中非常重要,常用来描述在三维空间中的动态系统,如粒子的运动路径。

',readingTime:{minutes:.7,words:211},title:"",type:"article",s:"向量值函数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%9F%BA%E6%9C%AC%E6%A6%82%E5%BF%B5.html",{loader:()=>B(()=>import("./多元函数基本概念.html-BBJ6bzvm.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
概要

从单变量函数到高维分析的过渡, 主要回答两个根本问题:

  1. 高维空间中如何描述点与集合?
  2. 高维空间函数又是什么形式?

本节从几何视角引入点集空间结构, 这些定义共同支撑后续多元函数的"极限" "连续" "偏导" "梯度" 等所有分析概念.

`,readingTime:{minutes:1.31,words:394},title:"",type:"article",s:"多元函数基本概念"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86%E5%BA%94%E7%94%A8.html",{loader:()=>B(()=>import("./多元函数微分应用.html-BpLu-Qar.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

向量值函数

空间曲线的切线和法平面

空间曲线的切线和法平面

`,readingTime:{minutes:.15,words:44},title:"向量值函数",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E6%9E%81%E5%80%BC.html",{loader:()=>B(()=>import("./多元函数极值.html-7p14Za8X.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

判断极值

使用海塞矩阵的行列式判断函数在极值点的性质

D=H=2fx22fxy2fyx2fy2=fxxfyy(fxy)2D= |H| = \\begin{vmatrix} \\frac{\\partial^2 f}{\\partial x^2} & \\frac{\\partial^2 f}{\\partial x \\partial y} \\\\ \\frac{\\partial^2 f}{\\partial y \\partial x} & \\frac{\\partial^2 f}{\\partial y^2} \\end{vmatrix} = f_{xx} f_{yy} - (f_{xy})^2

`,readingTime:{minutes:2.22,words:667},title:"",type:"article",s:"多元函数极值"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E7%9A%84%E5%AE%9A%E4%B9%89.html",{loader:()=>B(()=>import("./多元函数的定义.html-DFTKaFms.js"),[]),meta:{author:["Cyletix"],tag:["数学","多元函数"],excerpt:`
简介

多元函数是单变量函数的自然推广. 在理解平面点集n维空间后, 我们可以把"输入是一个数" 的函数, 扩展为"输入是多个数(一个n维点或向量)" 的情形.
它建立了高维空间中数量关系的桥梁, 是后续极限, 连续, 偏导数与多重积分的基础.

`,readingTime:{minutes:1.27,words:380},title:"",type:"article",s:"多元函数的定义"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E7%9A%84%E6%9E%81%E9%99%90.html",{loader:()=>B(()=>import("./多元函数的极限.html-CNTpjn87.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
学习导语

多元函数的极限在多元函数的定义的基础上, 引入极限的思想, 说明函数值在高维空间中是否会趋向某一固定数值.

`,readingTime:{minutes:2.97,words:891},title:"",type:"article",s:"多元函数的极限"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E7%9A%84%E8%BF%9E%E7%BB%AD%E6%80%A7.html",{loader:()=>B(()=>import("./多元函数的连续性.html-BSUFIk-t.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
学习导语

多元函数的连续性在多元函数的极限的基础上, 研究函数在某点是否"无突变" .
它连接了"极限的存在" 与"函数自身的取值" , 是分析函数可微性的必要前提.

`,readingTime:{minutes:3.23,words:969},title:"",type:"article",s:"多元函数的连续性"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E5%A4%8D%E5%90%88%E5%87%BD%E6%95%B0%E6%B1%82%E5%AF%BC.html",{loader:()=>B(()=>import("./多元复合函数求导.html-CDuU00wL.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

定义和基本概念

设有一个多变量复合函数 z=f(x,y)z = f(x, y),其中 xxyy 又是其他变量 uuvv 的函数,即 x=g(u,v)x = g(u, v)y=h(u,v)y = h(u, v)。我们想找到 zzuuvv 的偏导数 zu\\frac{\\partial z}{\\partial u}zv\\frac{\\partial z}{\\partial v}

`,readingTime:{minutes:1.81,words:544},title:"",type:"article",s:"多元复合函数求导"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%A4%9A%E5%85%83%E9%9A%90%E5%87%BD%E6%95%B0%E6%B1%82%E5%AF%BC.html",{loader:()=>B(()=>import("./多元隐函数求导.html-5ZUvxfZM.js"),[]),meta:{author:["Cyletix","Gemini2.5Pro"],tag:["数学"],excerpt:`
学习导语

本节讨论隐函数定理在多元求导中的应用.
当多个变量通过方程 F(x,y,z,)=0F(x, y, z, \\ldots)=0 相关联时,
即使函数形式无法显式写出, 仍可以通过偏导数关系确定一个变量对其他变量的变化率.
这是多元微分法的重要工具, 其逻辑基础源于连续性与可微性.

`,readingTime:{minutes:4.64,words:1391},title:"",type:"article",s:"多元隐函数求导"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E5%B9%B3%E9%9D%A2%E7%82%B9%E9%9B%86.html",{loader:()=>B(()=>import("./平面点集.html-DMD_TRrE.js"),[]),meta:{author:["Cyletix"],tag:["数学","空间概念"],excerpt:`

平面上任意一点可由有序数对 (x,y)(x, y) 表示。
所有点的集合称为平面点集。它是多元函数研究的几何基础。

`,readingTime:{minutes:.68,words:205},title:"",type:"article",s:"平面点集"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E6%8B%89%E6%99%AE%E6%8B%89%E6%96%AF%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./拉普拉斯方程.html-DC6U4XBZ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

2ϕ=0\\nabla^{2}\\phi=0

`,readingTime:{minutes:.48,words:143},title:"定义",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E6%96%B9%E5%90%91%E5%AF%BC%E6%95%B0.html",{loader:()=>B(()=>import("./方向导数.html-juqp6CNc.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

方向导描述了多变量函数在某一点沿特定方向的变化率。直观地说,方向导数告诉我们,当我们沿着某个方向微小地移动时,函数值的变化量。
假设有一个定义在欧几里得空间 Rn\\mathbb{R}^n 中的可微函数 f(x1,x2,...,xn)f(x_1, x_2, ..., x_n),我们想计算这个函数在点 pp 处沿着单位向量 uu 方向的方向导数。

`,readingTime:{minutes:.82,words:246},title:"简介",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E6%9B%B2%E9%9D%A2%E7%9A%84%E5%88%87%E5%B9%B3%E9%9D%A2.html",{loader:()=>B(()=>import("./曲面的切平面.html-DyGTN5-Z.js"),[]),meta:{author:["Cyletix","GPT-4","Gemini"],tag:["数学"],excerpt:`

定义

设二元函数 z=f(x,y)z = f(x, y) 在点 (x0,y0)(x_0, y_0) 处可微,则过点 (x0,y0,f(x0,y0))(x_0, y_0, f(x_0, y_0)) 且与曲面 z=f(x,y)z = f(x, y) 相切的平面称为函数 f(x,y)f(x, y) 在点 (x0,y0)(x_0, y_0) 处的切平面。

`,readingTime:{minutes:3,words:900},title:"",type:"article",s:"曲面的切平面"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E6%9C%80%E5%B0%8F%E4%BA%8C%E4%B9%98%E6%B3%95.html",{loader:()=>B(()=>import("./最小二乘法.html-BSqtvC5T.js"),[]),meta:{tag:["数学"],excerpt:`

这是微积分中使用的最小二乘法, 与概率论中的最小二乘法稍有不同.

对于nn个样本(xi,yi)(x_i,y_i), 我们希望找到一个直线可以最好地接近样本结果

`,readingTime:{minutes:.43,words:130},title:"",type:"article",s:"最小二乘法"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E6%A2%AF%E5%BA%A6.html",{loader:()=>B(()=>import("./梯度.html-BJjtlfj-.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

梯度是一个标量函数ff 的偏导数组成的向量场, 梯度给出了空间各点函数增长最快的方向. 梯度是一种关于多元导数的概括, 可以看作一元函数导数的推广.

`,readingTime:{minutes:1.11,words:333},title:"",type:"article",s:"梯度"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E6%B5%B7%E5%A1%9E%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./海塞矩阵.html-JKx_VcNI.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

对于二元函数 f(x,y)f(x,y),海塞矩阵定义如下:

',readingTime:{minutes:.3,words:90},title:"",type:"article",s:"海塞矩阵"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E7%A9%BA%E9%97%B4%E6%9B%B2%E7%BA%BF%E7%9A%84%E5%88%87%E7%BA%BF%E5%92%8C%E6%B3%95%E5%B9%B3%E9%9D%A2.html",{loader:()=>B(()=>import("./空间曲线的切线和法平面.html-CjaNTqt9.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

空间曲线是通过向量值函数 r(t)\\mathbf{r}(t) 描述的一条曲线。例如,考虑空间中的曲线 r(t)=t,t2,t3\\mathbf{r}(t) = \\langle t, t^2, t^3 \\rangle,我们可以通过这个函数探索曲线的不同特性。

',readingTime:{minutes:1.2,words:361},title:"",type:"article",s:"空间曲线的切线和法平面"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E9%9A%90%E5%87%BD%E6%95%B0%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./隐函数定理.html-DvZEn0v0.js"),[]),meta:{tag:["数学"],excerpt:`
隐函数定理

对于一个由关系

f(x,y)=0f(x, y) = 0

表示的隐函数,如果它在某一点的偏导数满足一定条件,则在该点的邻域内,yy 可以表示为关于 xx显函数

y=h(x)y = h(x)

这样就将隐函数关系转化为常见的函数关系形式。

`,readingTime:{minutes:.39,words:118},title:"",type:"article",s:"隐函数定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E9%9B%85%E5%8F%AF%E6%AF%94%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./雅可比矩阵.html-DWaWz10d.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

%%来自 Wikipedia%%
在向量分析中,雅可比矩阵是函数的一阶偏导数以一定方式排列成的矩阵。
当其为方形矩阵时,其行列式称为雅可比行列式

其重要性在于,如果函数 f:RnRm\\mathbf{f} : \\mathbb{R}^n \\to\\mathbb{R}^m 在点 xx 可微,在点 xx 的雅可比矩阵即为该函数在该点的最佳线性逼近。因此,雅可比矩阵是单变量实数函数的微分在向量值多变量函数上的推广。

`,readingTime:{minutes:1.63,words:489},title:"",type:"article",s:"雅可比矩阵"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/%E9%9B%85%E5%8F%AF%E6%AF%94%E8%A1%8C%E5%88%97%E5%BC%8F.html",{loader:()=>B(()=>import("./雅可比行列式.html-BOmR68jL.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

雅可比行列式是雅可比矩阵为方阵(m=nm=n)时的行列式

`,readingTime:{minutes:1.18,words:355},title:"",type:"article",s:"雅可比行列式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/---%E5%AF%BC%E6%95%B0---.html",{loader:()=>B(()=>import("./---导数---.html-5UzxFM6G.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 导数
  2. 可导与连续的关系
  3. 求导法则
  4. 反函数求导法则
  5. 复合函数求导法则
  6. 常用求导公式
  7. 高阶导数
  8. 微积分/导数/隐函数求导
  9. 参数方程求导
`,readingTime:{minutes:.39,words:118},title:"目录",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E4%B9%98%E6%B3%95%E5%AE%9A%E5%88%99.html",{loader:()=>B(()=>import("./乘法定则.html-B_JGuEgw.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

ddx[f(x)g(x)]=f(x)g(x)+f(x)g(x)\\frac{d}{dx}\\left[f(x)g(x)\\right] = f'(x)g(x) + f(x)g'(x)

`,readingTime:{minutes:.13,words:39},title:"",type:"article",s:"乘法定则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%8D%95%E4%BE%A7%E5%AF%BC%E6%95%B0.html",{loader:()=>B(()=>import("./单侧导数.html-Ui_B8Vgr.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
单侧导数

  • 左导数: f(x0)=limxx0f(x)f(x0)xx0\\displaystyle f'_{-}(x_0) = \\lim_{x \\to x_0^-} \\frac{f(x) - f(x_0)}{x - x_0}
  • 右导数: f+(x0)=limxx0+f(x)f(x0)xx0\\displaystyle f'_{+}(x_0) = \\lim_{x \\to x_0^+} \\frac{f(x) - f(x_0)}{x - x_0}
`,readingTime:{minutes:.29,words:88},title:"",type:"article",s:"单侧导数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%8F%82%E6%95%B0%E6%96%B9%E7%A8%8B%E6%B1%82%E5%AF%BC.html",{loader:()=>B(()=>import("./参数方程求导.html-BCbPGh3Q.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

微积分/导数/隐函数求导类似, 实质是对中间变量t的隐函数求导数, 如:

{x=ϕ(t)y=ψ(t)\\begin{cases} {x=\\phi(t)}\\\\ {y=\\psi(t)} \\end{cases}

`,readingTime:{minutes:.29,words:87},title:"参数方程确定的函数",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%8F%8D%E5%87%BD%E6%95%B0%E6%B1%82%E5%AF%BC%E6%B3%95%E5%88%99.html",{loader:()=>B(()=>import("./反函数求导法则.html-BXkY9TTR.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:'

如果函数x=f(x)x=f(x)在区间II内单调可导, 且f(y)0f'(y)\\neq 0, 则反函数y=f1(x)y=f^{-1}(x)II也可导, 且

',readingTime:{minutes:.43,words:130},title:"",type:"article",s:"反函数求导法则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%8F%AF%E5%AF%BC%E4%B8%8E%E8%BF%9E%E7%BB%AD%E7%9A%84%E5%85%B3%E7%B3%BB.html",{loader:()=>B(()=>import("./可导与连续的关系.html-CZrDX4KX.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

函数在某点连续函数在该点可导 的必要非充分条件:
可导必定连续, 连续不一定可导

`,readingTime:{minutes:.15,words:44},title:"",type:"article",s:"可导与连续的关系"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%A4%8D%E5%90%88%E5%87%BD%E6%95%B0%E6%B1%82%E5%AF%BC%E6%B3%95%E5%88%99.html",{loader:()=>B(()=>import("./复合函数求导法则.html-DUeRUMI-.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

如果 u=g(x)u=g(x) 在点 xx 可导, 而 y=f(u)y=f(u) 在点 u=g(x)u=g(x) 可导,那么复合函数 y=f[g(x)]y=f\\big[g(x)\\big] 在点x可导, 且其导数为 dydx=f(u)g(x)\\frac{dy}{dx}=f'(u)\\cdot g'(x)dydx=dydududx\\frac{dy}{dx}=\\frac{dy}{du}\\cdot \\frac{du}{dx}

',readingTime:{minutes:.32,words:96},title:"",type:"article",s:"复合函数求导法则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%AF%B9%E6%95%B0%E6%B1%82%E5%AF%BC%E6%B3%95.html",{loader:()=>B(()=>import("./对数求导法.html-CF2P4SNY.js"),[]),meta:{tag:["数学"],excerpt:`
对数求导法

当函数形式为 y=f(x)g(x)y=f(x)^{g(x)} (幂指函数) 或涉及多项的复杂乘积、商、根式时, 可使用对数求导法简化计算:

  1. 在方程 y=f(x)y=f(x) 两边同时取自然对数, 得到 lny=ln[f(x)]\\ln y = \\ln[f(x)].
  2. 利用对数性质 (如 ln(ab)=blna\\ln(a^b) = b \\ln a, ln(ab)=lnalnb\\ln(\\frac{a}{b}) = \\ln a - \\ln b) 简化右侧表达式.
  3. lny=g(x)\\ln y = g(x) (简化后的表达式) 视为隐函数, 两边同时对 xx 求导, 得到 1ydydx=g(x)\\frac{1}{y} \\cdot \\frac{dy}{dx} = g'(x).
  4. 解出 dydx=yg(x)=f(x)g(x)\\frac{dy}{dx} = y \\cdot g'(x) = f(x) \\cdot g'(x).
`,readingTime:{minutes:.59,words:177},title:"",type:"article",s:"对数求导法"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%AF%BC%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./导函数.html-Bwo-ScWr.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学"],excerpt:`
导函数

f(x)f(x) 在区间 II 内每一点都可导,则得到导函数

f(x)=limh0f(x+h)f(x)hf'(x) = \\lim_{h \\to 0} \\frac{f(x+h) - f(x)}{h}

导函数反映了原函数在每一点的变化率。

`,readingTime:{minutes:.24,words:71},title:"",type:"article",s:"导函数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%AF%BC%E6%95%B0.html",{loader:()=>B(()=>import("./导数.html-DbzTP2Ff.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学"],excerpt:`

简介

导数是微积分学的核心概念之一,描述了函数在某一点的瞬时变化率。通过导数,可以研究函数的动态变化趋势,如函数的单调性、极值等。

定义

导数是微积分学的核心概念之一,描述了函数在某一点的瞬时变化率

"导数"的两种含义

"导数"一词常常混用,既可指在一点的导数(数值),也可指导函数(函数)。

`,readingTime:{minutes:2.13,words:640},title:"",type:"article",s:"导数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%B8%B8%E7%94%A8%E6%B1%82%E5%AF%BC%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./常用求导公式.html-lus_W0Ei.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

幂指函数

其中 aa, cc, nn 都是常数:

`,readingTime:{minutes:.69,words:207},title:"",type:"article",s:"常用求导公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E5%B8%B8%E8%A7%81%E5%87%BD%E6%95%B0%E5%AF%BC%E6%95%B0%E9%80%9A%E9%A1%B9.html",{loader:()=>B(()=>import("./常见函数导数通项.html-CKENHwpO.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

多项式函数 f(x)=xmf(x) = x^m

',readingTime:{minutes:.57,words:172},title:"",type:"article",s:"常见函数导数通项"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E6%8C%87%E6%95%B0%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./指数函数.html-DoAYAFC7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

通过微积分构造的函数, 无法用代数方法建立. 形如:

y=axy=a^x

`,readingTime:{minutes:1.84,words:553},title:"",type:"article",s:"指数函数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E6%B1%82%E5%AF%BC%E6%B3%95%E5%88%99.html",{loader:()=>B(()=>import("./求导法则.html-D-qSMsgF.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

满足线性

[u(x)±v(x)]=u(x)±v(x)[u(x)\\pm v(x)]' = u'(x)\\pm v'(x)

`,readingTime:{minutes:.19,words:56},title:"",type:"article",s:"求导法则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E9%93%BE%E5%BC%8F%E6%B3%95%E5%88%99.html",{loader:()=>B(()=>import("./链式法则.html-BHGA4Ahr.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

ddx(f[g(x)])=f[g(x)]g(x)\\frac{d}{dx}\\left(f[g(x)]\\right) = f'[g(x)]g'(x)

`,readingTime:{minutes:.07,words:21},title:"",type:"article",s:"链式法则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E9%99%A4%E6%B3%95%E5%AE%9A%E5%88%99.html",{loader:()=>B(()=>import("./除法定则.html-CwH3XnD0.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

ddx(f(x)g(x))=f(x)g(x)f(x)g(x)[g(x)]2\\frac{d}{dx}\\left(\\frac{f(x)}{g(x)}\\right) = \\frac{f'(x)g(x) - f(x)g'(x)}{[g(x)]^2}

`,readingTime:{minutes:.12,words:36},title:"",type:"article",s:"除法定则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E9%9A%90%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./隐函数.html-BQYd6mls.js"),[]),meta:{tag:["数学"],excerpt:`
隐函数

隐函数是由隐式方程间接定义的函数。
例如, y=1x2y=\\sqrt{1-x^2} 是由方程 x2+y21=0x^2+y^2-1=0 所确定的函数。
而直接用自变量表达的函数称为显函数, 如 y=cosxy=\\cos x

`,readingTime:{minutes:.29,words:86},title:"",type:"article",s:"隐函数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E9%9A%90%E5%87%BD%E6%95%B0%E6%B1%82%E5%AF%BC.html",{loader:()=>B(()=>import("./隐函数求导.html-BGBAYn8y.js"),[]),meta:{author:["Cyletix","Gemini2.5Pro"],tag:["数学"],excerpt:`

简介

在微积分中, 我们不仅需要处理 y=f(x)y=f(x) 形式的显函数, 还会遇到由方程 F(x,y)=0F(x,y)=0 定义的隐函数. 本文档主要探讨如何在不将隐函数“显化”的情况下求出其导数 dydx\\frac{dy}{dx}.

`,readingTime:{minutes:2.55,words:766},title:"",type:"article",s:"隐函数求导"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E9%9A%90%E5%BC%8F%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./隐式方程.html-BRkacMB7.js"),[]),meta:{tag:["数学"],excerpt:`
定义

隐式方程是形如

f(x1,x2,,xn)=0f(x_1, x_2, \\cdots, x_n) = 0

关系,其中 ff多元函数

`,readingTime:{minutes:.11,words:34},title:"",type:"article",s:"隐式方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/%E9%AB%98%E9%98%B6%E5%AF%BC%E6%95%B0.html",{loader:()=>B(()=>import("./高阶导数.html-D1lRsE-l.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

y的n阶导数记作

y(n)=dnydxny^{(n)}=\\frac{d^ny}{dx^n}

`,readingTime:{minutes:.66,words:197},title:"定义",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/---%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B---.html",{loader:()=>B(()=>import("./---微分方程---.html-GnYmnliG.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 微分方程基本概念
  2. 可分离变量的微分方程
  3. 齐次方程
  4. 一阶线性微分方程
  5. 高阶微分方程降阶
  6. 高阶齐次线性微分方程
  7. 常系数线性微分方程
  8. 欧拉方程
`,readingTime:{minutes:4.52,words:1355},title:"目录",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E4%B8%80%E9%98%B6%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./一阶线性微分方程.html-DkD-zNAo.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

定义

一阶线性微分方程可定义为以下标准形式:

dydx+P(x)y=Q(x) \\frac{dy}{dx} + P(x)y = Q(x)

`,readingTime:{minutes:1.51,words:452},title:"伯努利方程",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E4%B8%80%E9%98%B6%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B%E9%80%9A%E8%A7%A3.html",{loader:()=>B(()=>import("./一阶线性微分方程通解.html-BalL6POM.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

y=CeP(x)dx+eP(x)dxQ(x)eP(x)dxdxy=Ce^{ -\\int P(x) \\, dx }+e^{ -\\int P(x) \\, dx }\\int Q(x)e^{ \\int P(x) \\, dx } \\, dx

`,readingTime:{minutes:.1,words:30},title:"",type:"article",s:"一阶线性微分方程通解"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E4%BA%8C%E9%98%B6%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./二阶线性微分方程.html-BmM-iCkV.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
二阶线性微分方程

`,readingTime:{minutes:1.94,words:583},title:"定义",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E4%BA%8C%E9%98%B6%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B%E8%A7%A3%E7%9A%84%E7%BB%93%E6%9E%84.html",{loader:()=>B(()=>import("./二阶线性微分方程解的结构.html-B22IGiQ2.js"),[]),meta:{tag:["数学"],excerpt:`

要求解二阶非齐次线性微分方程, 则需要先讨论齐次的情况

二阶齐次线性微分方程

y+P(x)y+Q(x)y=0y''+P(x)y'+Q(x)y=0

`,readingTime:{minutes:3.08,words:923},title:"解的结构",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E4%BC%AF%E5%8A%AA%E5%88%A9%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./伯努利方程.html-BoCVYGF9.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

简介

伯努利方程是一阶非线性微分方程, 其标准形式为:

y+P(x)=Q(x)yny'+P(x)=Q(x)y^n

`,readingTime:{minutes:2.07,words:620},title:"",type:"article",s:"伯努利方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%8F%8C%E6%9B%B2%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./双曲函数.html-CL1C4NJn.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

双曲函数的定义域是实数,其自变量的值叫做双曲角。双曲函数出现于某些重要的线性微分方程的解中,譬如说定义悬链线拉普拉斯方程

`,readingTime:{minutes:1.58,words:475},title:"双曲函数恒等式",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%8F%AF%E5%88%86%E7%A6%BB%E5%8F%98%E9%87%8F%E7%9A%84%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./可分离变量的微分方程.html-BIAbBclL.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

微分方程的一般形式为:

dydx=P(x,y)\\frac{dy}{dx} = P(x,y)

`,readingTime:{minutes:1.63,words:490},title:"",type:"article",s:"可分离变量的微分方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%8F%AF%E5%8C%96%E4%B8%BA%E9%BD%90%E6%AC%A1%E7%9A%84%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./可化为齐次的方程.html-BL76TFD9.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`
Info

dydx=a1x+b1y+c1a2x+b2y+c2\\frac{dy}{dx}=\\frac{a_1x+b_1y+c_1}{a_2x+b_2y+c_2}

`,readingTime:{minutes:1.05,words:316},title:"",type:"article",s:"可化为齐次的方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%A4%8D%E7%B3%BB%E6%95%B0%E9%BD%90%E6%AC%A1%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./复系数齐次线性微分方程.html-B6YOSVi5.js"),[]),meta:{tag:["数学"],excerpt:`

复系数微分方程的特征

当特征方程有复系数时,可能会得到两个不共轭的复数根,这在常规的实系数微分方程中是不会出现的。在处理这种情况时,需要考虑的因素和解的形式会有所不同。
复系数的线性微分方程的形式:

ad2ydx2+bdydx+cy=0 a \\frac{d^2 y}{dx^2} + b \\frac{dy}{dx} + c y = 0

`,readingTime:{minutes:6.46,words:1939},title:"",type:"article",s:"复系数齐次线性微分方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%B8%B8%E7%B3%BB%E6%95%B0%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./常系数线性微分方程.html-CC7Q2cuq.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

常系数齐次线性微分方程

常系数非齐次线性微分方程

`,readingTime:{minutes:.11,words:33},title:"",type:"article",s:"常系数线性微分方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%B8%B8%E7%B3%BB%E6%95%B0%E9%9D%9E%E9%BD%90%E6%AC%A1%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./常系数非齐次线性微分方程.html-DD81y9JB.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

二阶常系数非齐次线性微分方程的一般形式

y+py+qy=f(x)y''+py'+qy=f(x)

`,readingTime:{minutes:6.54,words:1961},title:"待定系数法",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%B8%B8%E7%B3%BB%E6%95%B0%E9%BD%90%E6%AC%A1%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./常系数齐次线性微分方程.html-BBRatd1V.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

y+P(x)y+Q(x)y=0y''+P(x)y'+Q(x)y=0

`,readingTime:{minutes:1.5,words:451},title:"相关链接",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B%E5%9F%BA%E6%9C%AC%E6%A6%82%E5%BF%B5.html",{loader:()=>B(()=>import("./微分方程基本概念.html-B0HB9BCg.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

微分方程描述了一个未知函数与其导数之间的关系

  1. 定义:微分方程是包含未知函数及其导数的方程。如果方程中包含的是偏导数,那么这个方程被称为偏微分方程;如果只包含普通导数,则是常微分方程。
  2. 阶数:微分方程的阶数是方程中出现的最高导数的阶数。例如,含有二阶导数的方程是二阶微分方程。
  3. 线性与非线性:如果方程中的未知函数及其导数项的乘积仅以线性方式出现,则称为线性微分方程;否则,它是非线性的。
  4. :微分方程的解是满足方程的函数。对于常微分方程,解通常是一个表达式;对于偏微分方程,解可能更为复杂。
  5. 初始条件和边界条件:解决微分方程时,通常需要初始条件(针对常微分方程)或边界条件(针对偏微分方程)来确定特定的解。
  6. 应用:微分方程在物理学(如牛顿定律)、工程学(如热力学和流体动力学)、生物学(如种群动态)等领域有广泛应用。
  7. 数值方法:对于无法找到解析解的微分方程,可以使用数值方法(如欧拉法、龙格-库塔法)来近似解决。
`,readingTime:{minutes:1.24,words:372},title:"",type:"article",s:"微分方程基本概念"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E6%82%AC%E9%93%BE%E7%BA%BF.html",{loader:()=>B(()=>import("./悬链线.html-ClRRPNJy.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

悬链线(catenary)是描述一条由自身重力影响而形成的绳索或链条悬挂在两个支点之间的形状的曲线。悬链线的方程在直角坐标系中的一般形式为:

y=acosh(xa)=a2(exa+exa)y = a \\cosh\\left(\\frac{x}{a}\\right) =\\frac{a}{2}\\left(e^{\\frac{x}{a}} + e^{\\frac{x}{a}}\\right)

`,readingTime:{minutes:.69,words:207},title:"",type:"article",s:"悬链线"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E6%9C%97%E6%96%AF%E5%9F%BA%E8%A1%8C%E5%88%97%E5%BC%8F.html",{loader:()=>B(()=>import("./朗斯基行列式.html-Cp5DDNlG.js"),[]),meta:{tag:["数学"],excerpt:`

朗斯基行列式(Wronskian determinant)用来判断一组函数是否线性相关,在微分方程中非常有用。

定义

给定nn个可微函数y1(x),y2(x),,yn(x)y_1(x), y_2(x), \\dots, y_n(x),其朗斯基行列式W(y1,y2,,yn)W(y_1, y_2, \\dots, y_n)定义为:

`,readingTime:{minutes:.79,words:237},title:"",type:"article",s:"朗斯基行列式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E6%AC%A7%E6%8B%89%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./欧拉方程.html-Cwi4Ry2x.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

变系数的线性微分方程,一般说来都是不容易求解的。但是有些特殊的变系数线性微分方程,则可以通过变量代换化为常系数线性微分方程,因而容易求解,欧拉方程就是其中的一种

欧拉方程

`,readingTime:{minutes:2.66,words:797},title:"求解",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E9%AB%98%E9%98%B6%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B%E9%99%8D%E9%98%B6.html",{loader:()=>B(()=>import("./高阶微分方程降阶.html-D6cR4edf.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

从这节开始将讨论二阶以上的微分方程.
如果高阶可以降阶到一阶,就可以用一阶微分方程的求解方法
以下是三个类型的容易降阶的高阶微分方程组

  1. y(n)=f(x)y^{(n)}=f(x)
  2. y=f(x,y)y''=f(x,y')
  3. y=f(y,y)y''=f(y,y')
`,readingTime:{minutes:1.57,words:471},title:"",type:"article",s:"高阶微分方程降阶"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E9%AB%98%E9%98%B6%E9%BD%90%E6%AC%A1%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./高阶齐次线性微分方程.html-B59cjS79.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

高阶线性微分方程

有以下一般形式

an(x)dnydxn+an1(x)dn1ydxn1++a1(x)dydx+a0(x)y=f(x) a_n(x)\\frac{d^n y}{dx^n} + a_{n-1}(x)\\frac{d^{n-1} y}{dx^{n-1}} + \\cdots + a_1(x)\\frac{dy}{dx} + a_0(x)y = f(x)

`,readingTime:{minutes:2.22,words:665},title:"",type:"article",s:"高阶齐次线性微分方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/%E9%BD%90%E6%AC%A1%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./齐次方程.html-DdG2yyuf.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

如果一阶微分方程可化为下列形式, 那么就称这个方程为一阶齐次方程.

dydx=ϕ(yx)\\frac{dy}{dx}=\\phi(\\frac{y}{x})

`,readingTime:{minutes:1.09,words:327},title:"",type:"article",s:"齐次方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/---%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86---.html",{loader:()=>B(()=>import("./---曲线曲面积分---.html-CBHLhaCj.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:.37,words:111},title:"文档-所有文档",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E4%B8%A4%E7%B1%BB%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86%E7%9A%84%E5%85%B3%E7%B3%BB.html",{loader:()=>B(()=>import("./两类曲面积分的关系.html-DsKQCYw5.js"),[]),meta:{tag:["数学"],excerpt:`

S(Pcosα+Qcosβ+Rcosγ)dS=P(x,y,z)dydz+Q(x,y,z)dxdz+R(x,y,z)dxdy \\iint_S (P\\cos\\alpha+Q\\cos\\beta+R\\cos\\gamma) \\, dS =\\iint P(x,y,z)dydz+Q(x,y,z)dxdz+R(x,y,z)dxdy

`,readingTime:{minutes:.21,words:64},title:"",type:"article",s:"两类曲面积分的关系"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E4%BF%9D%E5%AE%88%E5%9C%BA.html",{loader:()=>B(()=>import("./保守场.html-narlx3uD.js"),[]),meta:{tag:["数学"],excerpt:'

保守场是一个特殊的向量场. 如果向量场 F\\mathbf{F} 是某个标量函数 ϕ\\phi 的梯度,即:

',readingTime:{minutes:.94,words:283},title:"",type:"article",s:"保守场"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E5%90%91%E9%87%8F%E5%9C%BA.html",{loader:()=>B(()=>import("./向量场.html-BCh2Sf0c.js"),[]),meta:{tag:["数学"],excerpt:`

在空间中的每一点都分配一个向量的场。表示方向和大小,例如风速场。

F(x,y,z)=(Fx,Fy,Fz) \\mathbf{F}(x, y, z) = (F_x, F_y, F_z)

`,readingTime:{minutes:.25,words:74},title:"",type:"article",s:"向量场"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E5%90%91%E9%87%8F%E5%9C%BA%E7%9A%84%E6%9B%B2%E7%BA%BF%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./向量场的曲线积分.html-ZhrAD9NQ.js"),[]),meta:{tag:["数学"],excerpt:`

二维或三维空间中,沿给定曲线对向量场进行积分,计算向量场与曲线切线方向的点乘在曲线上的积分。

CFdr \\int_C \\mathbf{F} \\cdot d\\mathbf{r}

`,readingTime:{minutes:1.24,words:372},title:"",type:"article",s:"向量场的曲线积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E5%90%91%E9%87%8F%E5%9C%BA%E7%9A%84%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./向量场的曲面积分.html-7TMvXyM7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

三维空间中,沿给定曲面对向量场进行积分,评估向量场的法向分量穿过曲面的流量。解决流量分布不均匀的流体在有向曲面上流过的体积. 这是最一般的表达形式,适用于任何形状的曲面和任意向量场

SFdS\\oint_S \\mathbf{F} \\cdot d\\mathbf{S}

`,readingTime:{minutes:13.28,words:3983},title:"一般形式",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E5%90%91%E9%87%8F%E5%BE%AE%E5%88%86%E7%AE%97%E5%AD%90.html",{loader:()=>B(()=>import("./向量微分算子.html-Bq53kdWC.js"),[]),meta:{tag:["数学"],excerpt:`

\\nabla (nabla) 是向量微分算子, 算子作用于n维空间的向量, 同样得到一个n维向量.
对有正交坐标系的空间中每个维度求一阶偏导数所组成. 在三维直角坐标系中定义为:

`,readingTime:{minutes:.84,words:251},title:"",type:"article",s:"向量微分算子"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E5%90%91%E9%87%8F%E5%BE%AE%E5%88%86%E7%AE%97%E5%AD%90%E6%81%92%E7%AD%89%E5%BC%8F.html",{loader:()=>B(()=>import("./向量微分算子恒等式.html-FNHP1-10.js"),[]),meta:{author:["GPT-5"],tag:["数学","向量分析","恒等式"],excerpt:`

定义

向量微分算子的基本恒等式

在连续可微的场中,梯度、旋度、散度之间满足以下恒等关系:

×(ϕ)=0,(×F)=0.\\nabla \\times (\\nabla \\phi) = 0, \\qquad \\nabla \\cdot (\\nabla \\times \\mathbf{F}) = 0.

它们表明:

  • 任何梯度场的旋度恒为零;
  • 任何旋度场的散度恒为零。
`,readingTime:{minutes:2.11,words:634},title:"",type:"article",s:"向量微分算子恒等式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E5%BC%A7%E5%BE%AE%E5%88%86.html",{loader:()=>B(()=>import("./弧微分.html-BRO6z3DP.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

ds=1+y2dxds=\\sqrt {1+{y'}^{2}}dx

`,readingTime:{minutes:.43,words:130},title:"弧微分公式",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%8B%89%E6%99%AE%E6%8B%89%E6%96%AF%E7%AE%97%E5%AD%90.html",{loader:()=>B(()=>import("./拉普拉斯算子.html-Dl605b_q.js"),[]),meta:{tag:["数学"],excerpt:'

拉普拉斯算子2\\nabla^2使用向量微分算子 \\nabla 定义, 是其特定组合(两次应用 \\nabla 并取散度),表示为 2\\nabla^2Δ\\Delta

',readingTime:{minutes:.47,words:140},title:"",type:"article",s:"拉普拉斯算子"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%95%A3%E5%BA%A6.html",{loader:()=>B(()=>import("./散度.html-Uj4AIpNe.js"),[]),meta:{author:["GPT-5"],tag:["数学","向量分析","公式"],excerpt:`

定义

散度(divergence)

向量场的散度是该点附近体积元内向量场流出量与体积元体积之比的极限,描述场的局部“源”或“汇”的强度。
散度可由向量微分算子表示为:

divF=F.\\operatorname{div}\\mathbf{F} = \\nabla \\cdot \\mathbf{F}.

`,readingTime:{minutes:1.26,words:377},title:"",type:"article",s:"散度"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%96%AF%E6%89%98%E5%85%8B%E6%96%AF%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./斯托克斯公式.html-zb6niMlh.js"),[]),meta:{tag:["数学","公式"],excerpt:`

定义

斯托克斯公式最常见的形式定义在三维空间, 将曲面上的曲线积分与向量场作用在该曲面上的旋度的面积积分联系起来。三维空间的斯托克斯公式的标准形式

SFdr=S(×F)dS\\oint_{\\partial S} \\mathbf{F} \\cdot d\\mathbf{r} = \\iint_S (\\nabla \\times \\mathbf{F}) \\cdot d\\mathbf{S}

`,readingTime:{minutes:4.47,words:1341},title:"",type:"article",s:"斯托克斯公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%97%8B%E5%BA%A6.html",{loader:()=>B(()=>import("./旋度.html-CT6Ju8hA.js"),[]),meta:{author:["Cyletix","GPT-5"],tag:["数学"],excerpt:`

定义

旋度(curl)

对于向量场 v\\mathbf{v},其旋转程度由旋度描述,定义为

curlv=×v.\\operatorname{curl}\\mathbf{v} = \\nabla \\times \\mathbf{v}.

`,readingTime:{minutes:1.21,words:362},title:"",type:"article",s:"旋度"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%8E%87.html",{loader:()=>B(()=>import("./曲率.html-B7B_BboG.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

曲率K表示连续曲线在某点的弯曲程度

K=limΔs0ΔαΔs=dαdsK=\\lim_{\\Delta s\\rightarrow0}\\Big|\\frac{\\Delta\\alpha}{\\Delta s}\\Big|=\\Big|\\frac{d\\alpha}{ds}\\Big|

`,readingTime:{minutes:.44,words:132},title:"",type:"article",s:"曲率"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E5%A4%96%E7%A7%AF%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./曲线外积积分.html-C7UV5Cw5.js"),[]),meta:{tag:["数学"],excerpt:`

示例

给定三维向量场:

F=(xy4)i+(zx)j+(x+y)k\\mathbf{F} = \\left(-\\frac{xy}{4}\\right)\\mathbf{i} + (z-x)\\mathbf{j} + (x+y)\\mathbf{k}

`,readingTime:{minutes:1.14,words:341},title:"",type:"article",s:"曲线外积积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%A0%87%E9%87%8F%E5%9C%BA.html",{loader:()=>B(()=>import("./标量场.html-DELOFOTu.js"),[]),meta:{tag:["数学"],excerpt:`

在空间中的每一点都分配一个标量的场。表示大小,例如温度分布。

f(x,y,z) f(x, y, z)

`,readingTime:{minutes:.15,words:44},title:"",type:"article",s:"标量场"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%A0%87%E9%87%8F%E5%9C%BA%E7%9A%84%E6%9B%B2%E7%BA%BF%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./标量场的曲线积分.html-GOjPQ4k3.js"),[]),meta:{tag:["数学"],excerpt:`

用于解决不均质光滑曲线的质量问题

Lf(x,y)ds\\int_L f(x,y)ds

`,readingTime:{minutes:1.15,words:346},title:"同济版",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%A0%87%E9%87%8F%E5%9C%BA%E7%9A%84%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./标量场的曲面积分.html-q22paRl7.js"),[]),meta:{tag:["数学"],excerpt:`

计算标量场在曲面上的积分, 评估曲面上函数值乘以曲面元素面积的总和, 适用于求解物理量在曲面上的分布.

Sf(x,y,z)dS\\iint_{S} f(x, y, z) \\, dS

`,readingTime:{minutes:2.27,words:681},title:"Wikipedia",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E6%A0%BC%E6%9E%97%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./格林公式.html-DYjH4kpR.js"),[]),meta:{tag:["数学","公式"],excerpt:`

将闭曲线上的线积分转化为由该闭曲线围成的区域上的双重积分,广泛应用于场论与流体力学。

若连通域D内的函数P(x,y)P(x,y)Q(x,y)Q(x,y)具有一阶连续的偏导数

`,readingTime:{minutes:1.61,words:483},title:"",type:"article",s:"格林公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E7%8E%AF%E6%B5%81%E9%87%8F.html",{loader:()=>B(()=>import("./环流量.html-w2au8wNQ.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

环流量是指沿闭合曲线的向量场的线积分:

Γ=Cvdr\\Gamma = \\oint_C v \\cdot dr

`,readingTime:{minutes:.45,words:135},title:"",type:"article",s:"环流量"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E9%80%9A%E9%87%8F.html",{loader:()=>B(()=>import("./通量.html-B306_-Yb.js"),[]),meta:{tag:["数学"],excerpt:`

向量场通过曲面的流量/流动强度,表达为场的向量与面元法向量的点积的面积积分。计算通量时,需考虑向量场的方向和表面的法向方向, 一般定义由内向外为正方向。通量属于第二类曲面积分

公式

对于向量场 F\\mathbf{F} 通过曲面 SS 的通量,定义为:

`,readingTime:{minutes:2.24,words:671},title:"",type:"article",s:"通量"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86%E5%92%8C%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86%E4%B8%AD%E7%9A%84%E9%9D%A2%E7%A7%AF%E5%85%83%E7%B4%A0%E7%AD%94%E7%96%91.html",{loader:()=>B(()=>import("./重积分和曲面积分中的面积元素答疑.html-B1M1DIov.js"),[]),meta:{tag:["数学"],excerpt:`

曲面参数化

在三维空间中,曲面 SS 通常可以通过两个参数 sstt 来描述。这意味着曲面上的每一点都可以由这两个参数唯一确定。具体地,曲面 SS 的参数化表示为:

`,readingTime:{minutes:14.19,words:4256},title:"",type:"article",s:"重积分和曲面积分中的面积元素答疑"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/%E9%AB%98%E6%96%AF%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./高斯公式.html-B8srasLs.js"),[]),meta:{tag:["数学","公式"],excerpt:`

常见的形式定义在三维欧氏空间 R3\\mathbb{R}^3 中, 描述三维向量场通过闭合曲面的通量等于场在封闭体积内散度的体积积分。
它同斯托克斯定理一样是更一般的广义斯托克斯定理在三维的特例。在-电磁学-和流体动力学均有应用。
严格来说,高斯散度定理也只是在三维欧氏空间中呈现出“通量–体积”这种物理意义,它在任意维度的流形上有不同几何解释。

`,readingTime:{minutes:1.49,words:447},title:"",type:"article",s:"高斯公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/---%E6%9E%81%E9%99%90%E4%B8%8E%E8%BF%9E%E7%BB%AD---.html",{loader:()=>B(()=>import("./---极限与连续---.html-CgHJyacY.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 映射与函数
  2. 一致收敛性
  3. 极限
  4. 无穷
  5. 极限运算法则
  6. 极限存在准则
  7. 连续性
`,readingTime:{minutes:.23,words:70},title:"文档-未连回",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E4%B8%80%E8%87%B4%E6%94%B6%E6%95%9B%E6%80%A7.html",{loader:()=>B(()=>import("./一致收敛性.html-UXOc5Y-R.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

一致收敛是分析数学中描述函数序列收敛行为的一个概念。与点态收敛相比,一致收敛提供了更强的收敛保证,使得收敛行为在整个定义域上是统一的。

点态收敛

点态收敛

一致收敛

函数序列{fn(x)}\\{f_n(x)\\}在集合DD上一致收敛到函数f(x)f(x),如果对于任意正数ε,存在自然数N{} N(依赖于εε但不依赖于xx),使得当nNn≥N时,对DD中所有xx满足

`,readingTime:{minutes:1.63,words:489},title:"DeepSeek-R1",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E4%B8%80%E8%87%B4%E8%BF%9E%E7%BB%AD%E6%80%A7.html",{loader:()=>B(()=>import("./一致连续性.html-DdpSzCpc.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

一致连续性

一致连续性是比一般连续性更严格的条件。它不仅要求函数在某点附近连续,还要求函数在整个定义域内的连续性具有一致的标准。

定义

ff 是一个定义在集合 DRD \\subseteq {R} 上的函数。如果对于任意的 ϵ>0\\epsilon > 0,存在一个 δ>0\\delta > 0 使得对任意的 x,yDx, y \\in D,只要满足 xy<δ|x - y| < \\delta,就有 f(x)f(y)<ϵ|f(x) - f(y)| < \\epsilon,则称 ffDD 上一致连续。
用数学符号表示为:

`,readingTime:{minutes:1.55,words:465},title:"",type:"article",s:"一致连续性"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E4%BB%8B%E5%80%BC%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./介值定理.html-bY-43nL3.js"),[]),meta:{tag:["数学"],excerpt:`
介值定理

零点定理的一般形式。如果函数 f(x)f(x) 在闭区间 [a,b][a,b] 上连续,且 CC 是介于 f(a)f(a)f(b)f(b) 之间的任意一个数,那么在开区间 (a,b)(a,b) 内至少存在一点 ξ\\xi,使得 f(ξ)=Cf(\\xi)=C

`,readingTime:{minutes:.27,words:81},title:"",type:"article",s:"介值定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E5%87%BD%E6%95%B0%E6%9E%81%E9%99%90.html",{loader:()=>B(()=>import("./函数极限.html-uO5OE95-.js"),[]),meta:{author:["Cyletix","DeepSeekR1"],tag:["数学"],excerpt:`
ε-δ定义

f(x)f(x)x0x_0 的去心邻域 U(x0,δ)U^\\circ(x_0,\\delta) 有定义:

limxx0f(x)=A    ε>0, δ>0, 0<xx0<δf(x)A<ε\\lim\\limits_{x\\to x_0}f(x)=A \\iff \\forall \\varepsilon>0,\\ \\exists \\delta>0,\\ 0<|x-x_0|<\\delta \\Rightarrow |f(x)-A|<\\varepsilon

`,readingTime:{minutes:.37,words:110},title:"",type:"article",s:"函数极限"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E5%8D%95%E8%B0%83%E6%9C%89%E7%95%8C%E5%87%86%E5%88%99.html",{loader:()=>B(()=>import("./单调有界准则.html-BLz-gOyl.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
定义

单调有界函数/数列必有极限

`,readingTime:{minutes:.41,words:122},title:"",type:"article",s:"单调有界准则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E5%8F%8C%E6%9B%B2%E4%BD%99%E5%BC%A6.html",{loader:()=>B(()=>import("./双曲余弦.html-DLpC--OA.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

ch(x)=ex+ex2ch(x)=\\dfrac{e^{ x }+e^{ -x }}{2}

`,readingTime:{minutes:.08,words:25},title:"",type:"article",s:"双曲余弦"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E5%8F%8C%E6%9B%B2%E6%AD%A3%E5%88%87.html",{loader:()=>B(()=>import("./双曲正切.html-S9yyFg8W.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

th(x)=sh(x)ch(x)=exexex+exth(x)=\\dfrac{sh(x)}{ch(x)}=\\dfrac{e^{ x }-e^{ -x }}{e^{ x }+e^{ -x }}

`,readingTime:{minutes:.1,words:31},title:"",type:"article",s:"双曲正切"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E5%8F%8C%E6%9B%B2%E6%AD%A3%E5%BC%A6.html",{loader:()=>B(()=>import("./双曲正弦.html-BZoViRsb.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

sh(x)=exex2sh(x)=\\dfrac{e^{ x }-e^{ -x }}{2}

`,readingTime:{minutes:.08,words:23},title:"",type:"article",s:"双曲正弦"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E5%A4%B9%E9%80%BC%E5%87%86%E5%88%99.html",{loader:()=>B(()=>import("./夹逼准则.html-BwCaHjTu.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
定义

若数列 xn{x_n} yn{y_n} zn{z_n} 从某项起满足 ynxnzny_n \\leq x_n \\leq z_nyn{y_n} zn{z_n} 极限为a
{xn}\\{x_n\\} 的极限存在, 且 limnxn=a\\displaystyle\\lim _{n \\to \\infty} x_n=a

`,readingTime:{minutes:.44,words:133},title:"",type:"article",s:"夹逼准则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%95%B0%E5%88%97%E6%9E%81%E9%99%90.html",{loader:()=>B(()=>import("./数列极限.html-BdZ8owbA.js"),[]),meta:{author:["Cyletix","DeepSeekR1"],tag:["数学"],excerpt:`
ε-N定义

设数列 {xn}\\{x_n\\},若存在常数 aa 满足:

ε>0, NN+, n>Nxna<ε\\forall \\varepsilon>0,\\ \\exists N\\in\\mathbb{N}^+,\\ n>N \\Rightarrow |x_n-a|<\\varepsilon

则称数列收敛于 aa,记作 limnxn=a\\lim\\limits_{n\\to\\infty}x_n=a;否则称数列发散

`,readingTime:{minutes:.32,words:97},title:"",type:"article",s:"数列极限"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%97%A0%E7%A9%B7.html",{loader:()=>B(()=>import("./无穷.html-B6GaRfqH.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

本文分为三部分


无穷小

简介

无穷小是极限理论的核心概念,在微积分、渐近分析中用于描述趋近于零的变化量。

定义

形式化定义

在自变量的某个变化过程(如 xx0x \\to x_0xx \\to \\infty)中:

  • limα(x)=0\\lim \\alpha(x) = 0,则称 α(x)\\alpha(x) 为该过程中的无穷小量
  • 特别地,零函数是永恒的无穷小
`,readingTime:{minutes:2.2,words:659},title:"无穷小",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%97%A0%E7%A9%B7%E5%B0%8F%E7%9A%84%E6%AF%94%E8%BE%83.html",{loader:()=>B(()=>import("./无穷小的比较.html-BDNz0Ted.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

定义

无穷小比较定义

α,β\\alpha,\\beta 为同一过程中的无穷小:

  • limβα=0\\lim \\frac{\\beta}{\\alpha}=0β=o(α)\\beta=o(\\alpha)(高阶无穷小)
  • limβα=\\lim \\frac{\\beta}{\\alpha}=\\inftyβ=O(α)\\beta=O(\\alpha)(低阶无穷小)
  • limβα=c0\\lim \\frac{\\beta}{\\alpha}=c\\neq0β\\betaα\\alpha 同阶
  • limβαk=c,(c0,k>0)\\lim \\frac{\\beta}{\\alpha^k}=c, (c\\neq0,k>0)β\\betaα\\alphakk 阶无穷小
  • limβα=1\\lim \\frac{\\beta}{\\alpha}=1βα\\beta \\sim \\alpha(等价无穷小)
`,readingTime:{minutes:1.22,words:365},title:"DeepSeek-R1",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%98%A0%E5%B0%84%E4%B8%8E%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./映射与函数.html-CiBhrMhn.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

映射

函数

`,readingTime:{minutes:.06,words:19},title:"",type:"article",s:"映射与函数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%9C%80%E5%80%BC%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./最值定理.html-B__VgDnx.js"),[]),meta:{tag:["数学"],excerpt:`
最值定理

如果函数 f(x)f(x) 在闭区间 [a,b][a,b] 上连续,则它在该区间上必定有界,并且能够取得最大值最小值

`,readingTime:{minutes:.2,words:60},title:"",type:"article",s:"最值定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%9C%89%E7%95%8C%E6%80%A7.html",{loader:()=>B(()=>import("./有界性.html-DYnwUWD_.js"),[]),meta:{author:["SituChengxiang"],tag:["数学"],excerpt:`

设函数 f(x)f(x) 的定义域为 DDf(x)f(x) 在集合 DD 上有定义。
如果存在数 K1K1 ,使得 f(x)K1f(x) \\leq K_1 对任意 xDx \\in D 都成立,则称函数 f(x)f(x)DD 上有上界。
反之,如果存在数字 K2K_2 ,使得 f(x)K2f(x) \\geq K_2 对任意 xDx \\in D 都成立,则称函数 f(x)f(x)DD 上有下界,而 K2K_2 称为函数 f(x)f(x)DD 上的一个下界。
如果存在正数 MM ,使得 f(x)M|f(x)| \\leq M 对任意 xDx\\in D 都成立,则称函数在 DD 上有界。如果这样的 MM 不存在,就称函数 f(x)f(x)DD 上无界;等价于,无论对于任何正数 MM ,总存在 x1Xx_1 \\in X ,使得 f(x1)>M|f(x_1)|>M ,那么函数 f(x)f(x)XX 上无界。
此外,函数 f(x)f(x)XX 上有界的充(分必)要条件是它在 XX 上既有上界也有下界。

`,readingTime:{minutes:.77,words:232},title:"",type:"article",s:"有界性"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%9E%81%E9%99%90.html",{loader:()=>B(()=>import("./极限.html-BeKzIyEP.js"),[]),meta:{author:["Cyletix","DeepSeekR1"],tag:["数学"],excerpt:`

本章分为三部分:


数列的极限

数列极限是分析学的基础概念,通过ε-N语言严格定义收敛性,为后续研究级数收敛连续性奠定基础。

`,readingTime:{minutes:1.98,words:594},title:"数列的极限",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%9E%81%E9%99%90%E5%AD%98%E5%9C%A8%E5%87%86%E5%88%99.html",{loader:()=>B(()=>import("./极限存在准则.html-BiUddADK.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

以下是判定极限存在的两个准则,以及作为应用准则的例子


准则1:夹逼准则

xU˚(x0,r)x\\in \\mathring{U}(x_{0},r)x>M|x|>M时, g(x)f(x)h(x)g(x)\\leq f(x)\\leq h(x)
limxx0/g(x)=limxx0/h(x)=A\\displaystyle\\lim_{ x \\to x_{0}/\\infty }g(x)=\\lim_{ x \\to x_{0}/\\infty }h(x)=A
limxx0/f(x)=A\\displaystyle \\lim_{ x \\to x_{0}/\\infty }f(x)=A , 极限存在

`,readingTime:{minutes:.78,words:234},title:"极限存在准则",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%9E%81%E9%99%90%E8%BF%90%E7%AE%97%E6%B3%95%E5%88%99.html",{loader:()=>B(()=>import("./极限运算法则.html-P8ALPkL6.js"),[]),meta:{author:["Cyletix","DeepSeekR1"],tag:["数学"],excerpt:`

简介

极限运算属于线性泛函,所以极限的运算满足可加性齐次性,因此可以推导出无穷小之间的运算关系。

线性泛函

在这之前提到过:
极限
因此,极限运算的性质应该从泛函的角度来分析。

`,readingTime:{minutes:2.23,words:670},title:"",type:"article",s:"极限运算法则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E6%9F%AF%E8%A5%BF%E6%9E%81%E9%99%90%E5%AD%98%E5%9C%A8%E5%87%86%E5%88%99.html",{loader:()=>B(()=>import("./柯西极限存在准则.html-_FUCPotl.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

数列 {xn}\\{x_n\\} 收敛的充分必要条件是:
对于任意给定的正数 ϵ\\epsilon ,存在正整数N, 使得当 m>N,n>Nm>N, n>N 时, 有

`,readingTime:{minutes:.2,words:59},title:"",type:"article",s:"柯西极限存在准则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E7%82%B9%E6%80%81%E6%94%B6%E6%95%9B.html",{loader:()=>B(()=>import("./点态收敛.html-lyvpmZtZ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

函数序列{fn(x)}\\{f_n(x)\\}在集合D上点态收敛到函数f(x)f(x),如果对于DD中每个xx,序列中的函数值fn(x)f_n(x)nn增大趋向于f(x)f(x)

',readingTime:{minutes:.19,words:58},title:"",type:"article",s:"点态收敛"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E7%AC%AC%E4%B8%80%E4%B8%AA%E9%87%8D%E8%A6%81%E6%9E%81%E9%99%90.html",{loader:()=>B(()=>import("./第一个重要极限.html-C_O3tL71.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
定义

`,readingTime:{minutes:.11,words:33},title:"",type:"article",s:"第一个重要极限"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E7%AC%AC%E4%BA%8C%E4%B8%AA%E9%87%8D%E8%A6%81%E6%9E%81%E9%99%90.html",{loader:()=>B(()=>import("./第二个重要极限.html-C-m6MkXj.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

定义

limx(1+1x)x=e\\lim _{x \\to \\infty} \\Big( 1 + \\frac{1}{x}\\Big)^x=e

`,readingTime:{minutes:1.28,words:385},title:"推论1",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E7%BA%A7%E6%95%B0%E6%94%B6%E6%95%9B.html",{loader:()=>B(()=>import("./级数收敛.html-BBzEE-dE.js"),[]),meta:{tag:["数学"],readingTime:{minutes:.03,words:8},title:"",type:"article",s:"级数收敛"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E8%B4%B9%E9%A9%AC%E5%BC%95%E7%90%86.html",{loader:()=>B(()=>import("./费马引理.html-DAkpKDxK.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
必要条件

设函数f(x)f(x)x0x_{0}点可导 ,且在x0x_{0}处取得极值 。则f(x0)=0f^{'}(x_{0})=0

  • 反之不一定,如y=x3y=x^{3},在x=0x=0导数为0,但不是极值。
  • y=xy= \\lvert x \\rvertx=0x=0处不可导,但x=0x=0处取极小值。
`,readingTime:{minutes:.26,words:79},title:"",type:"article",s:"费马引理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E8%BF%9E%E7%BB%AD%E6%80%A7.html",{loader:()=>B(()=>import("./连续性.html-DgteEl92.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学"],excerpt:`

简介

连续性是函数的一种基本性质,直观地描述了函数图像没有“中断”或“跳跃”。如果一个函数的图像可以用一笔画出,没有任何间断,那么它就是连续的。这一概念是微分学乃至整个微积分学的基石。

定义

点的连续性 (Continuity at a Point)

设函数 y=f(x)y=f(x) 在点 x0x_0 的某一邻域内有定义。函数 f(x)f(x) 在点 x0x_0 连续,有以下三种等价的定义形式:

`,readingTime:{minutes:3.15,words:944},title:"连续性",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E9%82%BB%E5%9F%9F.html",{loader:()=>B(()=>import("./邻域.html-Czg84gAc.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
  • δ邻域U(x0,δ)=(x0δ,x0+δ)U(x_0,\\delta)=(x_0-\\delta,x_0+\\delta)
  • 去心邻域U(x0,δ)=U(x0,δ){x0}U^\\circ(x_0,\\delta)=U(x_0,\\delta)\\setminus\\{x_0\\}
`,readingTime:{minutes:.14,words:41},title:"",type:"article",s:"邻域"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/%E9%9B%B6%E7%82%B9%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./零点定理.html-dgYIMfFC.js"),[]),meta:{tag:["数学"],excerpt:`
零点定理

如果函数 f(x)f(x) 在闭区间 [a,b][a,b] 上连续,且 f(a)f(a)f(b)f(b) 异号(即 f(a)f(b)<0f(a) \\cdot f(b) < 0),那么在开区间 (a,b)(a,b) 内至少存在一点 ξ\\xi,使得 f(ξ)=0f(\\xi)=0

`,readingTime:{minutes:.22,words:67},title:"",type:"article",s:"零点定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/---%E7%A7%AF%E5%88%86---.html",{loader:()=>B(()=>import("./---积分---.html-lcUMq1iA.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:.39,words:116},title:"不定积分",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/ILATE%20%E8%A7%84%E5%88%99.html",{loader:()=>B(()=>import("./ILATE 规则.html-CSjSeVUv.js"),[]),meta:{tag:["数学"],excerpt:'

分部积分中, 在选择哪个函数作 uu 时, 有一个被广泛使用的经验法则, 称为 ILATE 规则. 该规则为选择 uu 的函数类型设定了优先级, 排在前面的函数求导后形式会变得更简单 (变为代数式) , 而排在后面的函数 (如指数, 三角函数) 积分后形式依然简单且可控.

',readingTime:{minutes:.73,words:220},title:"",type:"article",s:"ILATE 规则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E4%B8%8D%E5%AE%9A%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./不定积分.html-JX2qDqoK.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

不定积分是微积分中的核心概念之一,主要涉及求函数的原函数。在微积分中,不定积分与导数是互逆的过程。若函数 F(x)F(x)f(x)f(x) 的原函数,则 F(x)F(x) 的导数等于 f(x)f(x)。数学上表示为:

`,readingTime:{minutes:.68,words:203},title:"不定积分概述",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E4%BC%BD%E9%A9%AC%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./伽马函数.html-SBYKbbyk.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
定义:

`,readingTime:{minutes:.53,words:160},title:"伽马函数",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%88%86%E9%83%A8%E7%A7%AF%E5%88%86%E6%B3%95.html",{loader:()=>B(()=>import("./分部积分法.html-E_-GVnEK.js"),[]),meta:{author:["Cyletix","Wikipedia","Gemini"],tag:["数学"],excerpt:`

简介

分部积分法, 是求解积分问题的一种重要方法. 它源于函数乘积的求导法则, 常用于对两个不同类型函数乘积的积分. 通过该方法, 可以将一个复杂的积分问题转化为一个更简单, 可直接求解的积分问题.

其思想核心是将待积函数看作一个函数的导数与另一个函数的乘积, 从而进行转化. 在离散的级数分析中, 其对应的方法称为分部求和 (Summation by parts) .

定义

分部积分法包括不定积分和定积分两种形式
分部积分法公式

`,readingTime:{minutes:2.31,words:693},title:"",type:"article",s:"分部积分法"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%88%86%E9%83%A8%E7%A7%AF%E5%88%86%E6%B3%95%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./分部积分法公式.html-Dydi8hDs.js"),[]),meta:{tag:["数学","公式"],excerpt:`

若函数 u=u(x)u=u(x)v=v(x)v=v(x) 连续可导, 则:
不定积分形式

`,readingTime:{minutes:.19,words:58},title:"",type:"article",s:"分部积分法公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%88%86%E9%83%A8%E7%A7%AF%E5%88%86%E7%9A%84%E6%8E%A8%E8%AE%BA.html",{loader:()=>B(()=>import("./分部积分的推论.html-D2qoiZ9M.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

emtcos(nt)dt=emtmcos(nt)+nsin(nt)m2+n2\\int e^{mt} \\cos(nt) dt = e^{mt}\\frac{m\\cos(nt)+n\\sin(nt)}{m^2 + {n^2}}

`,readingTime:{minutes:1.44,words:432},title:"余弦-指数",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%8C%BA%E9%97%B4%E5%86%8D%E7%8E%B0.html",{loader:()=>B(()=>import("./区间再现.html-6mZI6ty1.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

定积分问题常用技巧

abf(x)dx=abf(a+bx)dx\\int_a^bf(x)dx=\\int_a^bf(a+b-x)dx

`,readingTime:{minutes:.15,words:46},title:"",type:"article",s:"区间再现"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%8F%8D%E5%8F%8C%E6%9B%B2%E4%BD%99%E5%BC%A6.html",{loader:()=>B(()=>import("./反双曲余弦.html-DT9jMDm1.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

y=arch(x)=ln(x+x21)y=arch(x)=\\ln(x+\\sqrt{ x^{2}-1 })

`,readingTime:{minutes:.09,words:27},title:"",type:"article",s:"反双曲余弦"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%8F%8D%E5%8F%8C%E6%9B%B2%E6%AD%A3%E5%88%87.html",{loader:()=>B(()=>import("./反双曲正切.html-Bplsuj1O.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

y=arth(x)=12ln(1+x1x)y=arth(x)=\\dfrac{1}{2}\\ln(\\dfrac{1+x}{1-x})

`,readingTime:{minutes:.1,words:30},title:"",type:"article",s:"反双曲正切"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%8F%8D%E5%8F%8C%E6%9B%B2%E6%AD%A3%E5%BC%A6.html",{loader:()=>B(()=>import("./反双曲正弦.html-ZTQlXv6i.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

y=arsh(x)=ln(x+x2+1)y=arsh(x)=\\ln(x+\\sqrt{ x^{2}+1 })

`,readingTime:{minutes:.08,words:23},title:"",type:"article",s:"反双曲正弦"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%8F%8D%E5%B8%B8%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./反常积分.html-DOg9TZCu.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
  1. 无穷限的反常积分
  2. 无界函数的反常积分
  3. 伽马函数
`,readingTime:{minutes:.12,words:36},title:"",type:"article",s:"反常积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%AE%9A%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./定积分.html-C-bifOBf.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

主要用于计算函数在特定区间上的“总效应”,比如面积、体积或其他累积量。定积分是对不定积分概念的扩展,涉及到具体的积分区间。数学上,定积分表示为:

abf(x)dx\\int_a^b f(x)\\,dx

`,readingTime:{minutes:.45,words:134},title:"定积分概述",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%AE%9A%E7%A7%AF%E5%88%86%E6%8D%A2%E5%85%83.html",{loader:()=>B(()=>import("./定积分换元.html-CMg1f9G4.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

abf(x)dx=αβf[ϕ(t)]ϕ(t)dt\\int _{a}^{b}f(x) \\, dx=\\int _{\\alpha}^{\\beta}f[\\phi(t)]\\phi'(t) \\, dt

`,readingTime:{minutes:1.78,words:534},title:"",type:"article",s:"定积分换元"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E5%B8%B8%E8%A7%81%E7%A7%AF%E5%88%86%E5%BD%A2%E5%BC%8F%E5%A4%84%E7%90%86.html",{loader:()=>B(()=>import("./常见积分形式处理.html-Da81p1-k.js"),[]),meta:{tag:["数学","公式"],excerpt:`

定积分计算中常见的积分形式以及处理方式总结:

1. 三角函数的平方

cos2θ=1+cos(2θ)2,sin2θ=1cos(2θ)2\\cos^2\\theta = \\frac{1 + \\cos(2\\theta)}{2}, \\quad \\sin^2\\theta = \\frac{1 - \\cos(2\\theta)}{2}

`,readingTime:{minutes:2.02,words:607},title:"",type:"article",s:"常见积分形式处理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E6%97%A0%E7%95%8C%E5%87%BD%E6%95%B0%E7%9A%84%E5%8F%8D%E5%B8%B8%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./无界函数的反常积分.html-DgmKRPa2.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

无界函数的反常积分涉及在积分区间或被积函数中存在无界性的情况。

定义

对于函数f(x)f(x),如果在某个区间[a,b][a, b]内的某一点cca<c<ba < c < b)上函数无界,即limxcf(x)=\\lim_{x \\to c} |f(x)| = \\infty,那么在这个区间的积分被称为无界函数的反常积分。

`,readingTime:{minutes:1.13,words:339},title:"",type:"article",s:"无界函数的反常积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E6%97%A0%E7%A9%B7%E9%99%90%E7%9A%84%E5%8F%8D%E5%B8%B8%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./无穷限的反常积分.html-CEvGD2ij.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

limtatf(x)dx\\lim_{ t \\to \\infty }\\int_{a}^{t}f(x)\\, dx

`,readingTime:{minutes:.26,words:78},title:"",type:"article",s:"无穷限的反常积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E6%B2%83%E5%88%A9%E6%96%AF%E4%B9%98%E7%A7%AF.html",{loader:()=>B(()=>import("./沃利斯乘积.html-nxDPid79.js"),[]),meta:{tag:["数学","公式"],excerpt:`

定义

沃利斯积 (Wallis Product)

该公式给出了圆周率 π\\pi 的一种无穷乘积表示形式:

π2=n=12n2n12n2n+1=212343456567\\frac{\\pi}{2} = \\prod_{n=1}^{\\infty} \\frac{2n}{2n-1} \\cdot \\frac{2n}{2n+1} = \\frac{2}{1} \\cdot \\frac{2}{3} \\cdot \\frac{4}{3} \\cdot \\frac{4}{5} \\cdot \\frac{6}{5} \\cdot \\frac{6}{7} \\cdots

也可以写作:

π2=n=14n24n21\\frac{\\pi}{2} = \\prod_{n=1}^{\\infty} \\frac{4n^2}{4n^2 - 1}

`,readingTime:{minutes:1.4,words:420},title:"",type:"article",s:"沃利斯乘积"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E6%B2%83%E5%88%A9%E6%96%AF%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./沃利斯积分.html-DCpTxsQ2.js"),[]),meta:{author:["Cyletix","Gemini","Wikipedia"],tag:["公式","数学"],excerpt:`

简介

沃利斯公式(Wallis Formula),在中文教材中常因其递推计算的形式被称为点火公式。该名称通常指代两个密切相关的数学成果:

  1. 沃利斯积分:一个计算正弦函数(或余弦函数)高次幂在 [0,π2][0, \\frac{\\pi}{2}] 区间上定积分的递推公式。
  2. 沃利斯积:一个通过无穷乘积来表示圆周率 π\\pi 的著名公式。
`,readingTime:{minutes:1.91,words:574},title:"",type:"article",s:"沃利斯积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E6%B5%B7%E7%BB%B4%E8%B5%9B%E9%81%AE%E7%9B%96%E6%B3%95.html",{loader:()=>B(()=>import("./海维赛遮盖法.html-fv5kmMbT.js"),[]),meta:{author:["Cyletix"],tag:["数学","代数"],excerpt:`
tip

这不是留数定理, 留数定理属于复分析求积分相关内容

`,readingTime:{minutes:1.15,words:345},title:"",type:"article",s:"海维赛遮盖法"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E7%89%9B%E9%A1%BF-%E8%8E%B1%E5%B8%83%E5%B0%BC%E8%8C%A8%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./牛顿-莱布尼茨公式.html-2z16DLMs.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

abf(x)dx=F(b)F(a)\\int _{a}^{b}f(x) \\, dx=F(b)-F(a)

`,readingTime:{minutes:.22,words:67},title:"",type:"article",s:"牛顿-莱布尼茨公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86%E4%B8%8A%E9%99%90%E7%9A%84%E5%87%BD%E6%95%B0%E5%8F%8A%E5%85%B6%E5%AF%BC%E6%95%B0.html",{loader:()=>B(()=>import("./积分上限的函数及其导数.html-zDmT90g6.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

f(x)f(x)在区间[a,b][a,b]上连续, x[a,b]x\\in[a,b], 考虑如下定积分

',readingTime:{minutes:.5,words:150},title:"",type:"article",s:"积分上限的函数及其导数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86%E8%A1%A8.html",{loader:()=>B(()=>import("./积分表.html-CQqA8RB2.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

幂指函数

kdx=kx+C\\int k dx = kx + C

`,readingTime:{minutes:1.46,words:437},title:"",type:"article",s:"积分表"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E7%AC%AC%E4%B8%80%E7%B1%BB%E6%8D%A2%E5%85%83%E6%B3%95.html",{loader:()=>B(()=>import("./第一类换元法.html-JKyYvBm0.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学"],excerpt:`

简介

第一类换元积分法,通常也被称为 u-换元法(u-substitution)或凑微分法,是积分计算中最基本的方法。其本质是链式求导法则的逆运算,通过引入一个中间变量,将被积函数转化为更简单、可以直接使用基本积分公式的形式。
形如 f(g(x))g(x)dx\\int f(g(x)) g'(x) \\, dx 的积分。通过识别出复合函数的“内层” g(x)g(x) 及其导数 g(x)g'(x),我们可以简化积分过程。

`,readingTime:{minutes:2.63,words:788},title:"",type:"article",s:"第一类换元法"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E7%AC%AC%E4%BA%8C%E7%B1%BB%E6%8D%A2%E5%85%83%E6%B3%95.html",{loader:()=>B(()=>import("./第二类换元法.html-WNHjuzzw.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:'

第二类换元法的主要思路是将 dxdx 换元后里面的内容提取到外面, 得到容易求得的积分后再将变量换回xx.

',readingTime:{minutes:1.23,words:370},title:"经典类型",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/%E9%AB%98%E6%96%AF%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./高斯积分.html-y2biIAPU.js"),[]),meta:{tag:["数学","公式"],excerpt:`

标准形式

+ex2dx=π\\int_{-\\infty}^{+\\infty} e^{-x^2} \\, dx = \\sqrt{\\pi}

`,readingTime:{minutes:1.09,words:327},title:"",type:"article",s:"高斯积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/---%E7%BA%A7%E6%95%B0---.html",{loader:()=>B(()=>import("./---级数---.html-DZPN4yL-.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:1.52,words:455},title:"目录",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/p-%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./p-级数.html-CnXChjWp.js"),[]),meta:{tag:["数学"],excerpt:'

pp-级数 是一种特殊形式的无穷级数,它的通项由正整数的幂倒数构成,形式如下:

',readingTime:{minutes:1.26,words:377},title:"",type:"article",s:"p-级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%82%85%E9%87%8C%E5%8F%B6%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./傅里叶级数.html-Cs6G0QEq.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

傅立叶级数的三角形式

周期为 TT 的函数 f(x)f(x) 可以使用傅立叶级数表示为:

`,readingTime:{minutes:6.41,words:1924},title:"",type:"article",s:"傅里叶级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%85%AC%E5%BC%8F-%E6%B3%B0%E5%8B%92%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./公式-泰勒级数.html-aETy4yVq.js"),[]),meta:{tag:["数学","公式"],excerpt:'

如果 f(x)f(x)x0x_0 处无穷可导且余项 limnRn(x)=0\\displaystyle\\lim_{n \\to \\infty} R_n(x) = 0,则函数可展开为泰勒级数:

',readingTime:{minutes:.19,words:57},title:"",type:"article",s:"公式-泰勒级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%87%A0%E4%BD%95%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./几何级数.html-DH4CU5Qq.js"),[]),meta:{author:["Cyletix","DeepSeekV3","GPT-4o","Wikipedia"],tag:["数学"],excerpt:`

定义

几何级数是无穷多个项的总和,这些连续项之间的公比rr是恒定的.

`,readingTime:{minutes:2.56,words:769},title:"",type:"article",s:"几何级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%87%A0%E4%BD%95%E7%BA%A7%E6%95%B0%E7%A4%BA%E4%BE%8B.html",{loader:()=>B(()=>import("./几何级数示例.html-x4u0nivu.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

函数 f(x)=11xf(x) = \\frac{1}{1-x} 是一个几何级数,可以通过其基本性质直接求出其麦克劳林展开。麦克劳林展开实际上是泰勒展开在 x=0x = 0 处的特殊情形。对于 11x\\frac{1}{1-x},我们可以通过直接将其视为无穷级数来进行展开,前提是 x<1|x| < 1 以确保级数收敛。

',readingTime:{minutes:1.46,words:438},title:"",type:"article",s:"几何级数示例"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%87%BD%E6%95%B0%E9%A1%B9%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./函数项级数.html-BsOCRqPz.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

相比泰勒级数, 函数项级数是更广义的概念

定义

函数项级数是由函数组成的级数,将一列函数 f0(x),f1(x),f_0(x), f_1(x), \\ldots 相加,得到的表达式称为函数项级数。其一般形式为:

`,readingTime:{minutes:1.51,words:453},title:"",type:"article",s:"函数项级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%8D%B7%E7%A7%AF.html",{loader:()=>B(()=>import("./卷积.html-BmJnkKtW.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

卷积描述了两个函数(信号)如何通过叠加来影响彼此, 是两个函数的二元算子, 使用*表示

',readingTime:{minutes:.74,words:221},title:"",type:"article",s:"卷积"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%8F%8C%E9%98%B6%E4%B9%98.html",{loader:()=>B(()=>import("./双阶乘.html-B9ppIstN.js"),[]),meta:{author:["Cyletix","Gemini2.5Pro"],tag:["数学"],excerpt:`

定义

  • 对于奇数的双阶乘 (2n1)!!(2n-1)!!
`,readingTime:{minutes:1.63,words:489},title:"",type:"article",s:"双阶乘"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%B8%B8%E6%95%B0%E9%A1%B9%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./常数项级数.html-CScGUYdM.js"),[]),meta:{tag:["数学"],excerpt:` `,readingTime:{minutes:.06,words:17},title:"",type:"article",s:"常数项级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%B9%82%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./幂级数.html-BNDCRj-C.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

简介

幂级数是一种特殊的函数项级数, 每一项都是函数自变量取值下的函数值,其形式为多项式的无限推广

定义

n=0an(xx0)n\\sum_{n=0}^\\infty a_n (x - x_0)^n

`,readingTime:{minutes:2.54,words:762},title:"",type:"article",s:"幂级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%B9%82%E7%BA%A7%E6%95%B0%E8%BF%90%E7%AE%97%E8%A7%84%E5%88%99.html",{loader:()=>B(()=>import("./幂级数运算规则.html-DmsNIrKo.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

1. 加法与减法

给定两个幂级数:

n=0an(xc)n\\sum_{n=0}^{\\infty} a_n (x-c)^n

`,readingTime:{minutes:1.3,words:391},title:"",type:"article",s:"幂级数运算规则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E5%B9%BF%E4%B9%89%E4%BA%8C%E9%A1%B9%E5%BC%8F%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./广义二项式定理.html-Dywfrzis.js"),[]),meta:{tag:["数学"],excerpt:`

简介

广义二项式定理是普通二项式定理的推广,可视作几何级数在任意实指数下的形式化延伸。适用于幂指数为任意实数或复数的情况。在数学分析和无穷级数领域中,这是一个重要的工具,尤其在处理类似 (1u)k(1 - u)^{-k} 这种高次幂分母时。

`,readingTime:{minutes:2.17,words:651},title:"",type:"article",s:"广义二项式定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E6%94%B6%E6%95%9B%E5%8D%8A%E5%BE%84%E8%AE%A1%E7%AE%97.html",{loader:()=>B(()=>import("./收敛半径计算.html-7h-k1JWM.js"),[]),meta:{tag:["数学"],excerpt:'

计算使级数收敛的 xx 的范围通常涉及找出该级数的收敛半径和收敛区间。对于幂级数 n=0anxn\\sum_{n=0}^{\\infty} a_n x^n,我们可以使用以下方法来确定其收敛性:

',readingTime:{minutes:1.99,words:596},title:"",type:"article",s:"收敛半径计算"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E6%AC%A7%E6%8B%89%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./欧拉公式.html-DjtJYyz4.js"),[]),meta:{author:["Zacharia2","Cyletix"],tag:["数学","公式"],excerpt:`

欧拉公式是--复分析--中的一个基本公式,它建立了复指数函数三角函数之间的联系

eiθ=cosθ+isinθ e^{i\\theta} = \\cos\\theta + i\\sin\\theta

`,readingTime:{minutes:.73,words:218},title:"",type:"article",s:"欧拉公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E6%B3%B0%E5%8B%92%E5%B1%95%E5%BC%80%E4%B8%AD%E7%9A%84%E5%8F%8C%E9%98%B6%E4%B9%98.html",{loader:()=>B(()=>import("./泰勒展开中的双阶乘.html-Bgp5M2R7.js"),[]),meta:{author:["Cyletix","Gemini2.5Pro"],tag:["数学"],excerpt:'

广义二项式定理中,当指数 α\\alpha 为分数(特别是 ±1/2\\pm 1/2)时,其泰勒展开式的系数会系统性地产生双阶乘

',readingTime:{minutes:1.1,words:331},title:"",type:"article",s:"泰勒展开中的双阶乘"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E6%B3%B0%E5%8B%92%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./泰勒级数.html-CVQ2fMNK.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学","公式"],excerpt:`

简介

泰勒级数是一种特殊的幂级数, 泰勒级数将一个函数表示为无穷幂级数的形式, 其系数 ana_n 由函数 f(x)f(x) 的导数 f(n)(x0)n!\\frac{f^{(n)}(x_0)}{n!} 确定. 如果一个函数在某点无限可导, 并且其泰勒公式的余项在该点附近收敛于零, 那么这个函数就可以由其泰勒级数完全表示.

`,readingTime:{minutes:1.17,words:351},title:"",type:"article",s:"泰勒级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E7%AD%89%E6%AF%94%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./等比级数.html-CaryGA-m.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

等比数列定义的级数

i=0aqi=a+aq+aq2++aqn1\\sum_{i=0}^\\infty aq^i=a+aq+aq^2+\\cdots+aq^{n-1}

`,readingTime:{minutes:.19,words:58},title:"",type:"article",s:"等比级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E7%BA%A7%E6%95%B0%E6%94%B6%E6%95%9B%E6%9D%A1%E4%BB%B6.html",{loader:()=>B(()=>import("./级数收敛条件.html-C7KB1leg.js"),[]),meta:{tag:["数学"],excerpt:'

级数收敛的条件指的是判定一个级数是否收敛的不同方法和准则。一个级数 n=1an\\sum_{n=1}^{\\infty} a_n 的收敛性取决于其部分和序列 Sn=k=1nakS_n = \\sum_{k=1}^{n} a_k 是否收敛到一个有限值。以下是一些常用的判别准则:

',readingTime:{minutes:2.08,words:625},title:"",type:"article",s:"级数收敛条件"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/%E8%B0%83%E5%92%8C%E7%BA%A7%E6%95%B0.html",{loader:()=>B(()=>import("./调和级数.html-ynrIgeGf.js"),[]),meta:{tag:["数学"],excerpt:`

背景

从直观上理解,一个级数 an\\sum a_n 的收敛性至少要求其通项 ana_n 趋近于0,即limnan=0\\lim_{n \\to \\infty} a_n = 0,但这只是必要条件而不是充分条件。也就是说,通项趋近于0并不保证级数一定收敛,调和级数就是一个非常典型的反例。

`,readingTime:{minutes:2.62,words:786},title:"",type:"article",s:"调和级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/---%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95---.html",{loader:()=>B(()=>import("./---解析几何---.html-2pmIbqE_.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:.24,words:72},title:"文档-所有文档",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E5%86%85%E7%A7%AF.html",{loader:()=>B(()=>import("./内积.html-DnyoT1zl.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

向量与向量的二元运算, 映射结果到实数

ab=abcosθ\\vec{a}\\cdot \\vec{b}=\\mid \\vec{a}\\mid\\mid \\vec{b}\\mid \\cos\\theta

`,readingTime:{minutes:.43,words:129},title:"内积",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E5%88%87%E5%B9%B3%E9%9D%A2%E7%9A%84%E6%B3%95%E5%90%91%E9%87%8F.html",{loader:()=>B(()=>import("./切平面的法向量.html-BMdWWM1K.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

三维空间中的隐函数 F(x,y,z)=0F(x, y, z) = 0 定义了一个二维曲面。在曲面 FF 上某点 PP切平面是曲面在点 PP 附近的最佳线性逼近。该切平面的法向量 n\\vec{n} 平行于梯度 F\\nabla F,梯度指向函数值变化最快的方向,并且正交于切平面。

`,readingTime:{minutes:1.27,words:382},title:"",type:"article",s:"切平面的法向量"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E5%8F%B3%E6%89%8B%E8%9E%BA%E6%97%8B%E5%AE%9A%E5%88%99.html",{loader:()=>B(()=>import("./右手螺旋定则.html-B4N_e-I_.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

右手四指握紧,拇指伸直,形成由旋向轴向两个特征完全确定的圆柱形

  1. 旋向:圆柱正方向为,四指旋向为起点在圆柱轴线上的向量n1n2n_1\\rightarrow n_2
  2. 轴向:拇指伸直的方向为轴线正方向
`,readingTime:{minutes:.27,words:82},title:"",type:"article",s:"右手螺旋定则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E5%90%91%E9%87%8F%E8%BF%90%E7%AE%97.html",{loader:()=>B(()=>import("./向量运算.html-CuM-Zbq6.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

内积
外积
混合积

`,readingTime:{minutes:.08,words:24},title:"",type:"article",s:"向量运算"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E5%A4%96%E7%A7%AF.html",{loader:()=>B(()=>import("./外积.html-BOcviHSH.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

n维线性空间中(n2n\\geq 2), 向量与向量的二元运算, 映射结果到线性空间,得到一个 n(n1)/2n(n-1)/2 维度的新向量(n=2n=2时得到的实际上是一个标量)
外积和内积一样依赖于欧几里德空间的度量,但与内积之不同的是,外积还依赖于定向或右手定则

`,readingTime:{minutes:1.92,words:577},title:"外积",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E6%B7%B7%E5%90%88%E7%A7%AF.html",{loader:()=>B(()=>import("./混合积.html-CtfYmXtk.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

混合积

混合积是指三个向量 a{a}b{b}c{c} 的数量积。它通常用来计算三个向量所定义的平行六面体的体积。混合积的定义如下:

`,readingTime:{minutes:2.04,words:612},title:"示例",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E7%A9%BA%E9%97%B4%E5%B9%B3%E9%9D%A2.html",{loader:()=>B(()=>import("./空间平面.html-DioWD-cx.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

一般形式

F(x,y,z)=Ax+By+Cz+D=0F(x,y,z)=Ax+By+Cz+D=0

`,readingTime:{minutes:.87,words:262},title:"",type:"article",s:"空间平面"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E7%A9%BA%E9%97%B4%E6%9B%B2%E7%BA%BF.html",{loader:()=>B(()=>import("./空间曲线.html-v8EuNe23.js"),[]),meta:{author:["GPT-4"],tag:["数学"],excerpt:`

一般方程

空间曲线通常由两个非线性方程组定义,空间中的点 (x,y,z)(x, y, z) 必须满足的条件:

`,readingTime:{minutes:2.19,words:657},title:"",type:"article",s:"空间曲线"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E7%A9%BA%E9%97%B4%E6%9B%B2%E9%9D%A2.html",{loader:()=>B(()=>import("./空间曲面.html-Bp2IFNCB.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

在空间解析几何中, 关于曲面的研究有两个基本问题:

  1. 已知曲面作为点的几何轨迹时, 建立这个曲面方程
  2. 已知坐标间的方程, 研究方程表示的曲面形状

空间平面属于第一类, 空间曲面就是此类问题的推广.

常见曲面

球面

(xx0)2+(yy0)2+(zz0)2=R2(x-x_0)^2+(y-y_0)^2+(z-z_0)^2=R^2

`,readingTime:{minutes:1.3,words:391},title:"背景",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E7%A9%BA%E9%97%B4%E7%9B%B4%E7%BA%BF.html",{loader:()=>B(()=>import("./空间直线.html-DLC06QBC.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:`

一般式

空间直线由两平面相交来定义, 将两空间平面方程联立

{A1x+B1y+C1z+D1=0A2x+B2y+C2z+D2=0 \\left\\{ \\begin{aligned} A_1x+B_1y+C_1z+D_1=0 \\\\ A_2x+B_2y+C_2z+D_2=0 \\end{aligned} \\right.

`,readingTime:{minutes:1.14,words:343},title:"",type:"article",s:"空间直线"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/%E7%BA%BF%E6%80%A7%E6%98%A0%E5%B0%84.html",{loader:()=>B(()=>import("./线性映射.html-yKyIK4AC.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

在线性代数中,多重线性映射是有多个向量变量而对每个变量都是线性的函数。

n个变量的多线性映射也叫做n重线性映射。

如果所有变量属于同一个空间,可以考虑对称、反对称和交替的n重线性映射。后两个是一致的,如果底层的环(或域)有不同于二的特征,否则前两个是一致的。

一般讨论可见多重线性代数。

示例

  • 在实数域上的内积(点积)是两个变量的对称双线性函数,
  • 矩阵的行列式是方矩阵的列(或行)的斜对称多重线性函数。
  • 矩阵的迹数是方矩阵的列(或行)的多重线性函数。
  • 双线性映射是多重线性映射。
`,readingTime:{minutes:6.29,words:1887},title:"Wikipedia",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/---%E9%87%8D%E7%A7%AF%E5%88%86---.html",{loader:()=>B(()=>import("./---重积分---.html-BxtGqnBh.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:.25,words:75},title:"文档-所有文档",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E4%B8%89%E9%87%8D%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./三重积分.html-Cd3w0SrC.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

三重积分用于计算在三维空间区域上的函数的积分。假设我们有一个函数f(x,y,z)f(x, y, z),并且我们希望在区域EE上对该函数进行积分。三重积分的表示形式如下:

',readingTime:{minutes:2.51,words:752},title:"",type:"article",s:"三重积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E4%BA%8C%E9%87%8D%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./二重积分.html-Czf3DfUh.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

二重积分用于计算在平面区域上的函数的积分。假设我们有一个函数f(x,y)f(x, y),并且我们希望在区域DD上对该函数进行积分。二重积分的表示形式如下:

`,readingTime:{minutes:1.72,words:517},title:"",type:"article",s:"二重积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E4%BA%8C%E9%87%8D%E7%A7%AF%E5%88%86%E6%8D%A2%E5%85%83%E6%B3%95.html",{loader:()=>B(()=>import("./二重积分换元法.html-_9mjbR12.js"),[]),meta:{tag:["数学"],excerpt:`

在换元法中,可以通过适当的变量替换,简化复杂的积分计算

  1. 选择合适的新变量(u,v)(u, v),使得原积分区域和函数形式变得简单。
  2. 计算雅可比行列式JJ,用于转换积分形式。
  3. 将原积分转换为新变量下的积分:
`,readingTime:{minutes:.42,words:126},title:"",type:"article",s:"二重积分换元法"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E5%90%AB%E5%8F%82%E9%87%8D%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./含参重积分.html-B8tbGNQZ.js"),[]),meta:{tag:["数学"],excerpt:`

定义

含参重积分表示带有参数α\\alpha的函数在某个区域VV内的积分:

`,readingTime:{minutes:.56,words:168},title:"",type:"article",s:"含参重积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E5%BC%95%E5%8A%9B.html",{loader:()=>B(()=>import("./引力.html-HAXPh-zD.js"),[]),meta:{author:["GPT-4"],tag:["数学"],excerpt:`

引力描述两质量之间的相互作用力。

1. 牛顿万有引力定律

两点质量m1m_1m2m_2间的引力大小为:

`,readingTime:{minutes:1.19,words:356},title:"",type:"article",s:"引力"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E6%97%8B%E8%BD%AC%E4%BD%93%E7%9A%84%E4%BD%93%E7%A7%AF.html",{loader:()=>B(()=>import("./旋转体的体积.html-DPOEz3np.js"),[]),meta:{tag:["数学"],excerpt:`

直角坐标

  1. 计算旋转切面的面积,直接利用圆的面积定义
  2. 计算切面沿旋转轴的累积

柱面坐标

zz轴旋转的体积计算可以用柱坐标系(r,θ,z)(r, \\theta, z)来表示,其中rr是半径,θ\\theta是旋转角度,zz是高度。公式可以表示为:

`,readingTime:{minutes:.52,words:156},title:"",type:"article",s:"旋转体的体积"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E6%9B%B2%E9%9D%A2%E9%9D%A2%E7%A7%AF.html",{loader:()=>B(()=>import("./曲面面积.html-DFBI-aei.js"),[]),meta:{author:["GPT-4"],tag:["数学"],excerpt:`

曲面面积积分是曲面积分的一种特例,专门用于计算三维空间中曲面的面积。它的基本思想是通过积分计算出曲面上每一个微小区域的面积,并将它们累加得到整个曲面的面积。

1. 定义

假设SS是一个光滑的曲面,曲面的面积可以通过以下公式计算:

`,readingTime:{minutes:2.01,words:604},title:"",type:"article",s:"曲面面积"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E6%9F%B1%E5%9D%90%E6%A0%87%E7%B3%BB%E7%9A%84%E4%BE%9D%E8%B5%96%E5%85%B3%E7%B3%BB.html",{loader:()=>B(()=>import("./柱坐标系的依赖关系.html-SrrnIA_P.js"),[]),meta:{tag:["数学"],excerpt:`

在柱坐标系下,计算体积的三重积分时,变量之间的依赖关系指的是在积分过程中不同变量的取值范围或变化范围是如何相互关联的。理解这些依赖关系对于正确设定积分上下限至关重要。

1. 什么是依赖关系?

依赖关系在三重积分中指的是一个积分变量的取值范围或变化范围受到另一个变量的影响。例如,在柱坐标系 (r,θ,z)(r, \\theta, z) 中,rr 的取值范围可能会依赖于角度 θ\\theta,而 zz 的范围可能会依赖于 rr 的值。

`,readingTime:{minutes:2.25,words:675},title:"",type:"article",s:"柱坐标系的依赖关系"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E6%9F%B1%E9%9D%A2%E5%9D%90%E6%A0%87.html",{loader:()=>B(()=>import("./柱面坐标.html-11SuEEZa.js"),[]),meta:{tag:["数学"],excerpt:`

表面积微元

圆柱体侧面的表面积微元 dSd\\mathbf{S} 的计算涉及到圆柱的表面参数化以及从中得到的法向量。

`,readingTime:{minutes:1.59,words:478},title:"",type:"article",s:"柱面坐标"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E7%90%83%E9%9D%A2%E5%9D%90%E6%A0%87.html",{loader:()=>B(()=>import("./球面坐标.html-HmvTkZEz.js"),[]),meta:{tag:["数学"],excerpt:`

表面积微元

面积元素 dS=R2sinϕdθdϕdS = R^2 \\sin \\phi \\, d\\theta \\, d\\phi 是球体表面在球坐标系中的面积元素。这个公式是从球坐标的参数化和表面积公式中得出的。具体的推导步骤如下:

`,readingTime:{minutes:1.06,words:319},title:"",type:"article",s:"球面坐标"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E8%8E%B1%E5%B8%83%E5%B0%BC%E5%85%B9%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./莱布尼兹公式.html-BUhSs1T7.js"),[]),meta:{tag:["数学","公式"],excerpt:`

莱布尼茨公式是一个关于积分运算的公式,它在处理含参数的积分时非常有用。对于重积分中的莱布尼茨公式,通常是指对参数的导数和积分的交换问题。

考虑一个含有参数 θ\\theta 的双重积分:

`,readingTime:{minutes:1.01,words:302},title:"",type:"article",s:"莱布尼兹公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E8%B4%A8%E5%BF%83.html",{loader:()=>B(()=>import("./质心.html-QK3gTQJR.js"),[]),meta:{author:["GPT-4"],tag:["数学"],excerpt:`

质心(或称为形心)是一个物体的质量分布的“平均位置”。对于形状规则、密度均匀的物体,质心通常位于物体的几何中心。然而,对于形状不规则或密度不均匀的物体,质心的计算需要通过重积分来完成。

1. 质心的定义

假设一个三维物体VV的质量密度函数为ρ(x,y,z)\\rho(x, y, z),质心(xˉ,yˉ,zˉ)(\\bar{x}, \\bar{y}, \\bar{z})的坐标可以通过以下公式计算:

`,readingTime:{minutes:4.23,words:1269},title:"",type:"article",s:"质心"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/%E8%BD%AC%E5%8A%A8%E6%83%AF%E9%87%8F.html",{loader:()=>B(()=>import("./转动惯量.html-B3O3A9A0.js"),[]),meta:{author:["GPT-4"],tag:["数学"],excerpt:`

转动惯量说明文档

转动惯量是描述物体绕某一轴旋转时惯性大小的物理量,通常用II表示。对于质量分布不均匀或形状复杂的物体,转动惯量需要通过积分计算。

`,readingTime:{minutes:1.85,words:556},title:"",type:"article",s:"转动惯量"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/---%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C---.html",{loader:()=>B(()=>import("./---假设检验---.html-CBzNyqhs.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:1.78,words:535},title:"文档-所有文档",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/F%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./F检验.html-r-XNgTmM.js"),[]),meta:{tag:["数学"],excerpt:`

F检验是一种用于比较两个样本的方差是否有显著差异的统计方法,主要用于方差分析(ANOVA)和方差齐性检验。

Tip

F检验是非对称的, 所以双边检测不能简单地采用对称的 α/2\\alpha/2 划分置信区间

`,readingTime:{minutes:1.39,words:416},title:"",type:"article",s:"F检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/t%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./t检验.html-pkd5iAKQ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

t检验是一种用于比较样本均值和已知总体均值或两个样本均值之间差异的统计方法,特别适用于样本量较小(通常n<30n<30)且总体标准差未知的情况。

',readingTime:{minutes:2.57,words:771},title:"",type:"article",s:"t检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/z%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./z检验.html-BoBR6A6d.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

z检验是一种用于检验样本均值与已知总体均值之间是否存在显著差异的统计方法. z检验特别适用于样本量较大 (通常 n > 30) 且总体标准差已知的情况, 或者样本量足够大使得样本方差近似总体方差

条件

  • 样本量较大 (通常 n > 30) .
  • 总体标准差已知.
  • 样本数据近似正态分布.

步骤

设定假设

设定零假设 (H₀) 和备择假设 (H₁) :

  • 零假设 (H₀) : μ=μ0\\mu = \\mu_0
  • 备择假设 (H₁) (双侧) : μμ0\\mu \\neq \\mu_0
  • 备择假设 (H₁) (单侧) : μ>μ0\\mu > \\mu_0μ<μ0\\mu < \\mu_0
`,readingTime:{minutes:1.61,words:484},title:"",type:"article",s:"z检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./假设检验.html-DCsLh2zI.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

假设检验是一种统计方法,用于确定一个假设关于总体的陈述是否成立。

步骤

提出假设

  • 原假设(H0H_0:通常表示没有显著差异或效果。比如,某药物对疾病没有影响。
  • 备择假设(H1H_1:表示存在显著差异或效果。比如,某药物对疾病有影响。
`,readingTime:{minutes:5.01,words:1503},title:"",type:"article",s:"假设检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C%E9%97%AE%E9%A2%98%E7%9A%84p%E5%80%BC%E6%A3%80%E9%AA%8C%E6%B3%95.html",{loader:()=>B(()=>import("./假设检验问题的p值检验法.html-Bv9F2Ed0.js"),[]),meta:{tag:["数学"],excerpt:'

p值检验法是假设检验中的一种常见方法,它主要用于决定是否拒绝原假设 H0H_0 。以下是p值检验法的核心内容和步骤。

',readingTime:{minutes:2.12,words:637},title:"",type:"article",s:"假设检验问题的p值检验法"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/%E5%88%86%E5%B8%83%E6%8B%9F%E5%90%88%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./分布拟合检验.html-FMDQleUC.js"),[]),meta:{tag:["数学"],excerpt:`

分布拟合检验概述

分布拟合检验是统计分析中的一种方法,用于评估样本数据是否来自某个特定的理论分布。这种检验在各种领域非常重要,如质量控制、金融分析、环境科学等,可以帮助研究人员判断所收集的数据是否符合预期的分布模型。

常用的分布拟合检验方法

  1. Kolmogorov-Smirnov检验(K-S检验)

    • 目的:检验一个样本的分布是否符合某个指定的分布。
    • 原理:计算样本的经验累积分布函数(ECDF)与指定理论分布的累积分布函数(CDF)之间的最大差异。
    • 适用:适用于连续分布的检验。
  2. Anderson-Darling检验

    • 目的:类似于K-S检验,但对尾部差异给予更多的权重。
    • 原理:基于样本数据的经验分布函数与特定理论分布的累计分布函数之间差异的加权积分。
    • 适用:尤其适用于需要重点考虑分布尾部的情况。
  3. Chi-square(卡方)拟合优度检验

    • 目的:检验分类数据的观测频率是否符合预期频率。
    • 原理:比较观测频数与预期频数之间的差异。
    • 适用:适用于离散分布,如二项分布、泊松分布等。
  4. Shapiro-Wilk检验

    • 目的:测试数据集是否来自正态分布。
    • 原理:检验样本数据的排序值与正态分布预期值的相关性。
    • 适用:适用于小样本数据的正态性检验。
`,readingTime:{minutes:2.45,words:735},title:"",type:"article",s:"分布拟合检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/%E6%98%BE%E8%91%97%E6%80%A7%E6%B0%B4%E5%B9%B3.html",{loader:()=>B(()=>import("./显著性水平.html-DUaAEQlz.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

显著性水平用来衡量在假设检验中犯第一类错误(即误将真零假设拒绝)的概率。显著性水平通常用希腊字母 α(alpha)表示。以下是显著性水平的主要要点:

  1. 定义

    • 显著性水平是预先设定的一个阈值,决定了在假设检验中拒绝零假设的标准。
    • 典型的显著性水平有0.05、0.01和0.10,对应于5%、1%和10%的犯第一类错误的概率。
  2. 第一类错误

    • 第一类错误是指在实际情况中零假设为真时,错误地拒绝了零假设。
    • 例如,假设我们在进行药物有效性检验中,零假设是药物无效。第一类错误即为药物实际无效,但我们在统计上却认为药物有效。
  3. 设定显著性水平

    • 研究者在进行假设检验之前,根据研究领域、风险承担能力和实验设计等因素选择适当的显著性水平。
    • 显著性水平越低,犯第一类错误的概率越低,但也可能增加第二类错误(即错过真实效应)的概率。
  4. p值与显著性水平

    • 在实际的统计检验中,计算出的p值(概率值)用于与预设的显著性水平进行比较。
    • 如果p值小于或等于显著性水平,则拒绝零假设,认为结果在统计上显著。
    • 如果p值大于显著性水平,则不拒绝零假设,认为没有足够证据表明结果在统计上显著。
  5. 例子

    • 假设进行一个双尾t检验,显著性水平设为0.05。若计算出的p值为0.03,则因为0.03 < 0.05,我们拒绝零假设,认为结果有统计显著性。
    • 反之,如果p值为0.08,因为0.08 > 0.05,我们不拒绝零假设,认为结果没有统计显著性。
`,readingTime:{minutes:1.93,words:579},title:"",type:"article",s:"显著性水平"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/%E6%AD%A3%E6%80%81%E6%80%BB%E4%BD%93%E5%9D%87%E5%80%BC%E7%9A%84%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./正态总体均值的假设检验.html-CJwThBfI.js"),[]),meta:{tag:["数学"],excerpt:`

在统计学中,对正态总体均值进行假设检验是一种常用的方法,用以判断样本数据是否支持对总体均值的某个特定假设。这种假设检验在科学研究、工业生产、经济分析等领域有着广泛的应用。

基本概念

  1. 假设

    • 零假设(H0H_0:通常为研究者希望证伪的假设,如认为总体均值等于某个特定值 μ0\\mu_0
    • 备择假设(HaH_a:与零假设相对,如认为总体均值不等于 μ0\\mu_0,或大于、小于 μ0\\mu_0
  2. 错误类型

    • 第一类错误:错误地拒绝零假设(即零假设实际为真时拒绝之)。
    • 第二类错误:错误地接受零假设(即零假设实际为假时接受之)。
  3. 显著性水平(α\\alpha:犯第一类错误的最大可容忍概率,常用的值有0.05(5%)和0.01(1%)。

  4. P值:在零假设为真的条件下,观察到当前样本统计量或更极端情况的概率。

`,readingTime:{minutes:2.48,words:745},title:"",type:"article",s:"正态总体均值的假设检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/%E6%AD%A3%E6%80%81%E6%80%BB%E4%BD%93%E6%96%B9%E5%B7%AE%E7%9A%84%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./正态总体方差的假设检验.html-B2VNdMbM.js"),[]),meta:{tag:["数学"],excerpt:`

对正态总体方差的假设检验是另一种常见的统计方法,用于判断样本方差是否能提供关于总体方差的某个特定假设的支持。这种检验在质量控制、风险管理和科学研究等领域中尤为重要,特别是当数据的波动性或一致性是关注的焦点时。

基本概念

  1. 假设

    • 零假设(H0H_0:通常认为总体方差等于某个特定值 σ02\\sigma_0^2
    • 备择假设(HaH_a:与零假设相对,如认为总体方差不等于 σ02\\sigma_0^2,或大于、小于 σ02\\sigma_0^2
  2. 统计量

`,readingTime:{minutes:2.7,words:810},title:"",type:"article",s:"正态总体方差的假设检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/%E7%A7%A9%E5%92%8C%E6%A3%80%E9%AA%8C.html",{loader:()=>B(()=>import("./秩和检验.html-DKgxkvRi.js"),[]),meta:{tag:["数学"],excerpt:`

秩和检验概述

秩和检验(Rank Sum Test),通常指的是曼-惠特尼U检验(Mann-Whitney U Test),是一种用于检验两个独立样本是否来自同一总体的非参数统计方法。在统计学中,非参数方法不依赖于数据的具体分布形式,适用于样本数据不满足正态分布的情况。

工作原理

秩和检验的基本思想是将两组数据合并后进行排序,每个数据点在排序中的位置称为“秩”(Rank)。检验的目的是比较两组数据在秩次上的差异是否显著,以此判断两个独立样本的分布是否有显著差异。

实施步骤

  1. 合并与排序:将两个样本合并为一个数据集,按照数值大小进行排序。
  2. 计算秩和:分别为两个样本中的每个数据分配秩次,然后计算每个样本的秩和。
  3. 统计量计算:利用秩和计算统计量,如Mann-Whitney U统计量。
  4. 显著性检验:通过查表或计算P值,判断统计量的显著性,从而判断两组数据是否有显著差异。
`,readingTime:{minutes:2.88,words:863},title:"",type:"article",s:"秩和检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/---%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83---.html",{loader:()=>B(()=>import("./---抽样分布---.html-Stfbg2OL.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:.09,words:28},title:"",type:"article",s:"---抽样分布---"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/F%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./F分布.html-BAWK372E.js"),[]),meta:{tag:["数学"],excerpt:`

F分布的定义

F分布是统计学中用来比较两个样本方差是否显著不同的一种概率分布,通常在方差分析(ANOVA)及回归分析等领域中广泛应用。这个分布由统计学家罗纳德·费希尔(Ronald Fisher)首先引入。

数学表达

F分布是两个卡方分布的比值的分布,其中每个卡方分布都除以了其自由度。设随机变量 XX 服从自由度为 d1d_1 的卡方分布,YY 服从自由度为 d2d_2 的卡方分布,那么变量

`,readingTime:{minutes:1.32,words:397},title:"",type:"article",s:"F分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/t%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./t分布.html-ChBlClaV.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

tt 分布广泛应用于小样本数据分析中的假设检验和置信区间的建立。

`,readingTime:{minutes:1.42,words:426},title:"",type:"article",s:"t分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E5%8D%A1%E6%96%B9%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./卡方分布.html-DGJgrPdA.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

简介

χ2\\chi^2 分布是一种常用的连续概率分布,广泛应用于统计推断中,尤其是在方差分析、假设检验和置信区间估计中。χ2\\chi^2 分布由 kk 个独立标准正态分布的平方和构成,其中 kk 是自由度。

`,readingTime:{minutes:1.92,words:577},title:"",type:"article",s:"卡方分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E6%A0%B7%E6%9C%AC.html",{loader:()=>B(()=>import("./样本.html-C9Ga9lG1.js"),[]),meta:{tag:["数学"],excerpt:'

从总体中随机抽取的部分数据。样本用 X={x1,x2,,xn}X = \\{x_1, x_2, \\ldots, x_n\\}表示,xix_{i}为第i个样本的值, 样本大小为 nn

',readingTime:{minutes:.16,words:47},title:"",type:"article",s:"样本"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E6%A0%B7%E6%9C%ACK%E9%98%B6%E4%B8%AD%E5%BF%83%E8%B7%9D.html",{loader:()=>B(()=>import("./样本K阶中心距.html-BF74HF3v.js"),[]),meta:{tag:["数学"],excerpt:`

μk=1ni=1n(xixˉ)k\\mu_k = \\frac{1}{n} \\sum_{i=1}^n (x_i - \\bar{x})^k

`,readingTime:{minutes:.07,words:21},title:"",type:"article",s:"样本K阶中心距"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E6%A0%B7%E6%9C%ACK%E9%98%B6%E5%8E%9F%E7%82%B9%E8%B7%9D.html",{loader:()=>B(()=>import("./样本K阶原点距.html-BVhU-LCZ.js"),[]),meta:{tag:["数学"],excerpt:`

mk=1ni=1nxikm_k = \\frac{1}{n} \\sum_{i=1}^n x_i^k

`,readingTime:{minutes:.06,words:18},title:"",type:"article",s:"样本K阶原点距"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E6%A0%B7%E6%9C%AC%E5%B9%B3%E5%9D%87%E5%80%BC.html",{loader:()=>B(()=>import("./样本平均值.html-CA6FMf2w.js"),[]),meta:{tag:["数学"],excerpt:`

xˉ=1ni=1nxi\\bar{x} = \\frac{1}{n} \\sum_{i=1}^n x_i

`,readingTime:{minutes:.06,words:19},title:"",type:"article",s:"样本平均值"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E6%A0%B7%E6%9C%AC%E6%96%B9%E5%B7%AE.html",{loader:()=>B(()=>import("./样本方差.html-CpaWlmfB.js"),[]),meta:{tag:["数学"],excerpt:`

S2=1n1i=1n(xixˉ)2S^2 = \\frac{1}{n-1} \\sum_{i=1}^n (x_i - \\bar{x})^2

`,readingTime:{minutes:.08,words:23},title:"",type:"article",s:"样本方差"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E6%A0%B7%E6%9C%AC%E6%A0%87%E5%87%86%E5%B7%AE.html",{loader:()=>B(()=>import("./样本标准差.html-B6BKd87w.js"),[]),meta:{tag:["数学"],excerpt:`

S=S2=1n1i=1n(xixˉ)2S = \\sqrt{S^2} = \\sqrt{\\frac{1}{n-1} \\sum_{i=1}^n (x_i - \\bar{x})^2}

`,readingTime:{minutes:.09,words:26},title:"",type:"article",s:"样本标准差"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/%E6%A0%B7%E6%9C%AC%E7%BB%9F%E8%AE%A1%E9%87%8F.html",{loader:()=>B(()=>import("./样本统计量.html-wux7ZPwK.js"),[]),meta:{tag:["数学"],excerpt:`

样本

样本从总体中来, 构成一个子集, 对其也可以计算样本统计量. 与总体的统计量稍有不同, 尤其是方差

样本平均值
样本方差
样本标准差
样本K阶原点距
样本K阶中心距

`,readingTime:{minutes:.27,words:80},title:"",type:"article",s:"样本统计量"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/---%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1---.html",{loader:()=>B(()=>import("./---参数估计---.html-c9IpnUM_.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:.32,words:97},title:"文档-所有文档",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/bootstrap%E6%96%B9%E6%B3%95.html",{loader:()=>B(()=>import("./bootstrap方法.html-DCirUman.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
  • 非参数bootstrap方法
  • 参数bootstrap方法
`,readingTime:{minutes:.08,words:24},title:"",type:"article",s:"bootstrap方法"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E4%BC%B0%E8%AE%A1%E9%87%8F%E7%9A%84%E8%AF%84%E9%80%89%E6%A0%87%E5%87%86.html",{loader:()=>B(()=>import("./估计量的评选标准.html-DLvUYNg9.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

对同一参数, 不同的估计方式求出的估计量可能不相同, 我们自然会问, 采用哪个估计量更好? 以下是几个衡量标准

无偏性

所有样本期望均=总体期望

不偏估计量 (Unbiased Estimator)

不偏估计量是指其期望值等于被估计的总体参数的估计量。也就是说,如果估计量 θ^\\hat{\\theta} 是不偏的,那么其期望值 E(θ^)E(\\hat{\\theta}) 应等于总体参数 θ\\theta

`,readingTime:{minutes:.64,words:191},title:"无偏性",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E4%BC%BC%E7%84%B6%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./似然函数.html-CtuuXSNe.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

在概率和统计学中,尤度是一个函数,在给定参数下,表示观测数据出现的概率。与概率不同的是,尤度函数将参数视为变量,而观测数据是已知的。尤度函数通常用于参数估计,尤其是在最大似然估计中。

尤度函数是基于误差项(如正态分布的误差)的概率密度函数,而没有误差项时,模型变成了一个确定性的线性方程组,无法定义概率分布,也就没有尤度函数可言。在这种确定性模型中,我们可以通过直接解方程组来确定。如果线性方程组没有一致的解,这意味着数据本身存在矛盾或测量错误。

`,readingTime:{minutes:3.63,words:1090},title:"似然函数和对数似然函数",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E5%8C%BA%E9%97%B4%E4%BC%B0%E8%AE%A1.html",{loader:()=>B(()=>import("./区间估计.html-DKMV0pZw.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

区间估计是统计推断中用于估计总体参数的一种方法,它提供了一个范围(区间)而不是单一的点估计值。区间估计不仅提供了参数估计值,还给出了估计值的不确定性信息。区间估计的结果通常表现为一个包含总体参数的置信区间

公式

对于总体均值 μ\\mu 的置信区间,假设样本均值为 Xˉ\\bar{X},样本标准误为 SESE,则置信区间可以表示为:

`,readingTime:{minutes:2.12,words:636},title:"区间估计",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E5%8D%95%E4%BE%A7%E7%BD%AE%E4%BF%A1%E5%8C%BA%E9%97%B4.html",{loader:()=>B(()=>import("./单侧置信区间.html-DDpyx6Hs.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

实际问题中我们关心的是未知参数的上限或下限

单侧置信区间(one-sided confidence interval)是一种只在一个方向上给出界限的置信区间,用于估计参数时提供偏向性的置信区间。与双侧置信区间不同,单侧置信区间只关注一个方向的尾部,提供对参数的上限或下限的估计。以下是单侧置信区间的详细解释和计算步骤:

定义

单侧置信区间有两种形式:

  1. 左侧单侧置信区间(left-sided confidence interval):给出参数的上限估计。
  2. 右侧单侧置信区间(right-sided confidence interval):给出参数的下限估计。
`,readingTime:{minutes:2.81,words:844},title:"相关内容",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E6%80%BB%E4%BD%93%E4%B8%8E%E6%A0%B7%E6%9C%AC.html",{loader:()=>B(()=>import("./总体与样本.html-VQklFxR_.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

在区间推定中,存在总体和样本两种不同的分布情况。

  1. 总体通常服从正态分布(或假定服从正态分布)
  2. 样本统计量的分布,尤其是样本均值的分布,在总体标准差未知且样本量较小时,服从t分布。

总体分布

总体分布是描述整个总体的概率分布。在很多情况下,我们假设总体服从正态分布。这是因为根据中心极限定理,当样本量足够大时,即使总体分布不是正态分布,样本均值的分布也会接近正态分布。

样本分布

样本分布是从总体中抽取的样本的分布情况。当样本量较小时,我们通常无法确切知道总体标准差,因此我们使用样本标准差来估计总体标准差。在这种情况下,样本均值的分布遵循t分布,而不是正态分布。

`,readingTime:{minutes:2.47,words:741},title:"总体与样本分布",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E6%80%BB%E4%BD%93%E5%92%8C%E6%A0%B7%E6%9C%AC%E7%9A%84%E6%9C%9F%E6%9C%9B%E4%B8%8E%E6%96%B9%E5%B7%AE.html",{loader:()=>B(()=>import("./总体和样本的期望与方差.html-qIqodSVa.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

总体和样本的期望与方差

在统计学中,总体(population)和样本(sample)的期望(均值)和方差是描述数据集中趋势和离散程度的重要指标。以下是总体和样本的期望与方差的定义和计算公式。

总体期望和方差

总体期望(均值):总体的期望值是总体中所有个体数值的平均值。设总体中有 NN 个数据点 X1,X2,,XNX_1, X_2, \\ldots, X_N,则总体期望 μ\\mu 定义为:

`,readingTime:{minutes:2.02,words:606},title:"",type:"article",s:"总体和样本的期望与方差"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E6%9C%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1.html",{loader:()=>B(()=>import("./最大似然估计.html-oBSyGB48.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

最大似然估计是寻找参数使得似然函数(似然函数)最大的过程。通过最大化样本数据的尤度来估计总体参数。基本思想是找到使得样本数据出现的概率最大的参数值。它通常具有良好的统计性质,如一致性和渐近正态性,且在大样本下往往是最有效的估计量。

步骤

  1. 构建似然函数:根据给定的概率分布,写出样本数据的联合概率密度函数或概率质量函数。
  2. 取对数:对似然函数取自然对数,得到对数似然函数, 这样求解往往比较方便。
  3. 求导数并求解:对对数似然函数求导数,找到使导数为零的参数值。
`,readingTime:{minutes:1.02,words:307},title:"",type:"article",s:"最大似然估计"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E6%9C%80%E5%A4%A7%E5%90%8E%E9%AA%8C%E6%A6%82%E7%8E%87.html",{loader:()=>B(()=>import("./最大后验概率.html-CgV2l_Lb.js"),[]),meta:{tag:["数学"],excerpt:`

事后概率最大化(MAP)是一种估计参数的方法, 它结合了观测数据 (似然函数) 和先验分布来估计参数. 与最大似然估计 (MLE) 不同, MAP 考虑了先验信息.

在 MAP 中, 我们试图最大化事后概率分布:

p(θdata)p(dataθ)p(θ)p(\\theta | \\text{data}) \\propto p(\\text{data} | \\theta) p(\\theta)

`,readingTime:{minutes:7.12,words:2137},title:"",type:"article",s:"最大后验概率"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E6%9E%A2%E8%BD%B4%E9%87%8F.html",{loader:()=>B(()=>import("./枢轴量.html-SEGKUvGb.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

定义

枢轴量是一种由样本数据和未知参数共同组成的统计量,其分布在参数的不同取值下是已知的且不依赖于参数本身。
统计推断中,通过其已知分布特性,可以有效地进行参数估计和假设检验。
常见的枢轴量包括标准正态分布和 t 分布的统计量
枢轴量的主要用途是构造置信区间和进行假设检验。
由于其分布在不同参数取值下保持不变,因此可以利用其已知分布来推断未知参数的可能值范围或检验假设。

特性

  1. 已知分布:枢轴量的分布是已知的,通常为标准分布(例如标准正态分布或 t 分布)。
  2. 独立于参数:枢轴量的分布不依赖于未知参数本身。
`,readingTime:{minutes:2.58,words:774},title:"",type:"article",s:"枢轴量"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E7%82%B9%E4%BC%B0%E8%AE%A1.html",{loader:()=>B(()=>import("./点估计.html-BLKgsobF.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

从样本数据中估计总体的参数, 找到尽可能接近总体参数的值。
点估计的具体实现方式有多种,其中常见的有矩估计最大似然估计
以下是一些常见的点推定方法。

矩估计

最大似然估计

`,readingTime:{minutes:.31,words:93},title:"",type:"article",s:"点估计"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E7%9F%A9%E4%BC%B0%E8%AE%A1.html",{loader:()=>B(()=>import("./矩估计.html-B4je6QwD.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

通过样本矩来估计总体矩参数

均值 μ\\mu 样本矩估计

`,readingTime:{minutes:.24,words:71},title:"",type:"article",s:"矩估计"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/%E7%BD%AE%E4%BF%A1%E5%8C%BA%E9%97%B4.html",{loader:()=>B(()=>import("./置信区间.html-DvRC4fvN.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在一定置信水平下,包含总体参数的区间。
置信水平(通常用 1α1-\\alpha 表示,其中 α\\alpha 是显著性水平)表示对区间包含真实总体参数的信心程度。例如,95% 的置信区间表示有 95% 的把握该区间包含真实的总体参数。

`,readingTime:{minutes:.76,words:227},title:"",type:"article",s:"置信区间"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%96%B9%E5%B7%AE%E5%88%86%E6%9E%90%E5%8F%8A%E5%9B%9E%E5%BD%92/---%E6%96%B9%E5%B7%AE%E5%88%86%E6%9E%90%E5%8F%8A%E5%9B%9E%E5%BD%92---.html",{loader:()=>B(()=>import("./---方差分析及回归---.html-DRv_IlKa.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  • 单因素试验的方差分析
  • 双因素试验的方差分析
  • 一元线性回归
  • 多元线性回归
`,readingTime:{minutes:.16,words:47},title:"",type:"article",s:"---方差分析及回归---"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%96%B9%E5%B7%AE%E5%88%86%E6%9E%90%E5%8F%8A%E5%9B%9E%E5%BD%92/%E4%B8%80%E5%85%83%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92.html",{loader:()=>B(()=>import("./一元线性回归.html-2049ctvM.js"),[]),meta:{tag:["数学"],excerpt:`

一元线性回归是一种统计方法,用于分析两个连续变量之间的线性关系。它通过拟合一条直线来最小化预测值与实际值之间的误差。具体来说,一元线性回归模型可以描述如下:

一元线性回归模型

一元线性回归模型的形式为:

y=β0+β1x+ϵ y = \\beta_0 + \\beta_1 x + \\epsilon

`,readingTime:{minutes:2.33,words:698},title:"",type:"article",s:"一元线性回归"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86/---%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86---.html",{loader:()=>B(()=>import("./---极限定理---.html-B-wMrAy7.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:.08,words:23},title:"",type:"article",s:"---极限定理---"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86/%E4%B8%AD%E5%BF%83%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./中心极限定理.html-DjidH7pI.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

中心极限定理 (Central Limit Theorem, CLT) 是概率论中的一个基本定理。它描述了在一定条件下,大量独立随机变量的和的分布趋近于正态分布。该定理为统计学中的许多重要结果提供了理论基础,特别是在进行抽样和推断时。

定理内容

假设我们有一组独立同分布的随机变量 X1,X2,,XnX_1, X_2, \\ldots, X_n,每个随机变量具有相同的数学期望 E(Xi)=μE(X_i) = \\mu 和方差 Var(Xi)=σ2Var(X_i) = \\sigma^2。定义这组随机变量的和为 SnS_n

`,readingTime:{minutes:2.08,words:625},title:"",type:"article",s:"中心极限定理"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86/%E5%A4%A7%E6%95%B0%E5%AE%9A%E5%BE%8B.html",{loader:()=>B(()=>import("./大数定律.html-DTEK0rBW.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

大量实验证明, 随机事件A的频率fn(A)f_n(A)当重复实验的次数n增大到一定程度时, 总能呈现出稳定性, 稳定在某个常数附近, 频率的稳定性是概率定义的客观基础. 它表明在大量独立同分布的随机变量的平均值将收敛于其期望值。

',readingTime:{minutes:.46,words:139},title:"",type:"article",s:"大数定律"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86/%E5%BC%B1%E5%A4%A7%E6%95%B0%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./弱大数定理.html-BQg3nTCy.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

X1,X2,...,XnX_1, X_2, ... , X_n 相互独立, 服从同一分布的随机变量序列, 且有数学期望E(Xk)=μE(X_k)=\\mu , 则序列

',readingTime:{minutes:.28,words:83},title:"",type:"article",s:"弱大数定理"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86/%E5%BC%BA%E5%A4%A7%E6%95%B0%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./强大数定理.html-7Nzlh_Ui.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

X1,X2,,XnX_1, X_2, \\ldots, X_n 是一列独立同分布的随机变量,其数学期望为 μ\\mu。那么有:

',readingTime:{minutes:.45,words:135},title:"",type:"article",s:"强大数定理"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/---%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80---.html",{loader:()=>B(()=>import("./---概率论基础---.html-D9chV2Pj.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 随机试验
  2. 样本空间
  3. 随机事件
  4. 频率与概率
  5. 古典概型
  6. 条件概率
  7. 独立性
`,readingTime:{minutes:.28,words:85},title:"目录",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E4%BA%8B%E4%BB%B6%E5%85%B3%E7%B3%BB%E8%BF%90%E7%AE%97.html",{loader:()=>B(()=>import("./事件关系运算.html-DrcdoEHZ.js"),[]),meta:{tag:["数学"],excerpt:`

事件关系运算是随机事件之间的基本运算。
对于事件AA, BB, 事件关系运算包括:

`,readingTime:{minutes:.59,words:176},title:"",type:"article",s:"事件关系运算"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E5%85%88%E9%AA%8C%E6%A6%82%E7%8E%87.html",{loader:()=>B(()=>import("./先验概率.html-Bj-KylfI.js"),[]),meta:{tag:["数学"],excerpt:`

先验概率反映了我们在观察到数据之前对参数的知识或信念。它基于以往的经验、先前的研究结果或专家意见等非实验数据源。

`,readingTime:{minutes:.21,words:64},title:"",type:"article",s:"先验概率"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E5%85%A8%E6%A6%82%E7%8E%87%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./全概率公式.html-DsRNf6Ao.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学","公式"],excerpt:`

定义

全概率公式用于计算一个事件的总概率,通过一组互斥且完备的子事件来表示。
如果将样本空间 Ω\\Omega 划分为一组互斥且完备的事件 A1,A2,,AnA_1, A_2, \\ldots, A_n,那么任意一个子事件 BB 的总概率,可以通过计算 BB 在每一个 AiA_i 上的条件概率并加权求和得到。

`,readingTime:{minutes:4.67,words:1401},title:"",type:"article",s:"全概率公式"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E5%8F%A4%E5%85%B8%E6%A6%82%E5%9E%8B.html",{loader:()=>B(()=>import("./古典概型.html-5VwB4NNb.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

古典概型是概率论中的一种模型,假设所有基本事件(样本空间中的元素)是等可能发生的。在这种情况下,某事件 A 的概率 P(A)P(A) 可以通过公式计算

',readingTime:{minutes:.44,words:133},title:"",type:"article",s:"古典概型"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E5%90%8E%E9%AA%8C%E6%A6%82%E7%8E%87.html",{loader:()=>B(()=>import("./后验概率.html-CaQE2s6M.js"),[]),meta:{tag:["数学"],excerpt:`

后验概率是在已知某些证据或数据的情况下,更新或修正某一事件发生的概率。后验概率的计算基于贝叶斯定理。贝叶斯定理提供了一种在已知条件下,通过现有数据更新初始假设的方法。后验概率也可被视为一种条件概率,但它强调在有新证据或数据的情况下对原有假设的更新。
贝叶斯定理的公式如下:

P(AB)=P(BA)P(A)P(B)P(A|B) = \\frac{P(B|A) \\cdot P(A)}{P(B)}

`,readingTime:{minutes:.85,words:254},title:"",type:"article",s:"后验概率"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E6%9D%A1%E4%BB%B6%E6%A6%82%E7%8E%87.html",{loader:()=>B(()=>import("./条件概率.html-SFO1k-bj.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在事件B发生的条件下, 发生事件A的概率, 通过A和B的概率计算, 可以使用集合概念来理解.

P(AB)=P(AB)P(B)P(A|B)=\\dfrac{P(A\\cap B)}{P(B)}

`,readingTime:{minutes:.67,words:202},title:"",type:"article",s:"条件概率"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E6%A0%B7%E6%9C%AC%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./样本空间.html-np6lwOu7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

样本空间是随机试验所有可能结果的集合。用符号 SS 表示。

',readingTime:{minutes:.28,words:85},title:"",type:"article",s:"样本空间"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E7%8B%AC%E7%AB%8B%E6%80%A7.html",{loader:()=>B(()=>import("./独立性.html-CcV93QtC.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

离散随机变量的独立性

连续随机变量的独立性

在这两种情况下,独立性的本质是相同的:一个变量的取值不影响另一个变量的概率分布。这是概率论和统计推断中的一个基本概念。

性质

XX,YY 独立, 则E[X,Y]=0E[X,Y]=0, E[X]=E[Y]=0E[X]=E[Y]=0

`,readingTime:{minutes:.38,words:115},title:"",type:"article",s:"独立性"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./贝叶斯定理.html-BW4kLnCr.js"),[]),meta:{tag:["数学"],excerpt:`

定义

贝叶斯定理描述了如何利用现有证据更新某一事件的概率。

对于一个构成样本空间划分的事件集合 {A1,A2,,An}\\{A_1, A_2, \\ldots, A_n\\} 和任意事件 BB,贝叶斯定理的表达式为:

`,readingTime:{minutes:10.34,words:3103},title:"",type:"article",s:"贝叶斯定理"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E8%B4%9D%E7%89%B9%E6%9C%97%E6%82%96%E8%AE%BA.html",{loader:()=>B(()=>import("./贝特朗悖论.html-B72_GlFn.js"),[]),meta:{tag:["数学"],excerpt:`
Question

在一个圆上,随机取三点(三点独立、在圆周上均匀分布),这三点组成的三角形是锐角三角形的概率是多少?

`,readingTime:{minutes:6.63,words:1988},title:"",type:"article",s:"贝特朗悖论"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E9%9A%8F%E6%9C%BA%E4%BA%8B%E4%BB%B6.html",{loader:()=>B(()=>import("./随机事件.html-Dd1hEBPT.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

随机事件是样本空间的子集,即随机试验中可能发生的结果的集合。事件可以分为单个事件和复合事件。

例如,在掷骰子的试验中,事件“掷出偶数”可以表示为集合 2,4,6{2,4,6}

`,readingTime:{minutes:.27,words:80},title:"",type:"article",s:"随机事件"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E9%9A%8F%E6%9C%BA%E8%AF%95%E9%AA%8C.html",{loader:()=>B(()=>import("./随机试验.html-fhiftfXA.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

随机试验是指在相同条件下可以重复进行的试验,其结果是不确定的。例如,掷一枚硬币、抛掷一个骰子、抽取一张扑克牌等都是随机试验。

`,readingTime:{minutes:.22,words:67},title:"",type:"article",s:"随机试验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/%E9%A2%91%E7%8E%87%E4%B8%8E%E6%A6%82%E7%8E%87.html",{loader:()=>B(()=>import("./频率与概率.html-BGpJBdk5.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

频率是指在多次重复试验中某一事件发生的次数与试验总次数的比值。概率是对随机事件发生可能性的度量,通常用 PP 表示。

',readingTime:{minutes:.28,words:85},title:"",type:"article",s:"频率与概率"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/---%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F---.html",{loader:()=>B(()=>import("./---随机变量---.html-CbXcCZY9.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 随机变量
  2. 离散随机变量
  3. 连续随机变量
  4. 分布函数
  5. 随机变量的函数
  6. 二维随机变量
  7. 边缘分布
  8. 条件分布
  9. 离散随机变量的独立性
  10. 连续随机变量的独立性
  11. 两个随机变量的函数分布
`,readingTime:{minutes:.44,words:133},title:"目录",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E4%BA%8C%E7%BB%B4%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F.html",{loader:()=>B(()=>import("./二维随机变量.html-BnH4g_BH.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

二维随机变量(x,y)(x,y),由随机变量X=X(e)X=X(e)Y=Y(e)Y=Y(e)确定,为了方便,我们给他起个名字, 叫f(x,y)f(x,y),则

',readingTime:{minutes:1.98,words:593},title:"",type:"article",s:"二维随机变量"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E4%BA%8C%E9%A1%B9%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./二项分布.html-luFCnCdG.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
Info

设实验EE只有两个结果, 将EE独立重复nn次, 称为nn重伯努利实验

  • 独立: 各次实验结果互不影响
  • 重复: 指每次实验中P(A)=pP(A)=p保持不变
`,readingTime:{minutes:.51,words:152},title:"",type:"article",s:"二项分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E4%BC%AF%E5%8A%AA%E5%88%A9%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./伯努利分布.html-o9hQ-Dr7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
Info

随机变量X只能取0, 1两个值, 分布规律为

`,readingTime:{minutes:.2,words:59},title:"",type:"article",s:"伯努利分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E5%88%86%E5%B8%83%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./分布函数.html-75vq9TO9.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
XX的分布函数

`,readingTime:{minutes:.33,words:99},title:"定义",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E6%9D%A1%E4%BB%B6%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./条件分布.html-C8vmT-4W.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

设(X,Y)是二维离散随机变量, 随机变量Y 在条件{X =x}下的条件概率分布是指当已知X 的取值为某个特定值x之时,Y 的概率分布。

如果Y 在条件{X =x}下的条件概率分布是连续分布,那么其密度函数称作Y 在条件{X =x}下的条件概率密度函数(条件分布密度、条件密度函数)。

`,readingTime:{minutes:.44,words:132},title:"",type:"article",s:"条件分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E6%A0%87%E5%87%86%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./标准正态分布.html-chkfwjIu.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

标准正态分布是正态分布的一种特殊形式,其均值为0,标准差为1。在统计学和概率论中,标准正态分布通常用 ZZ 表示。以下是标准正态分布的详细介绍:

',readingTime:{minutes:2.43,words:728},title:"",type:"article",s:"标准正态分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./正态分布.html-BiACDf-_.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

正态分布,也称为高斯分布,是连续概率分布的一种,它在统计学和自然科学中应用广泛。正态分布的概率密度函数(PDF)具有对称的钟形曲线形状,由两个参数完全确定:均值(μ)和标准差(σ)。

定义

正态分布的概率密度函数:

f(xμ,σ)=12πσexp[(xμ)22σ2]f(x | \\mu, \\sigma) = \\frac{1}{\\sqrt{2\\pi}\\sigma} \\exp\\left[{-\\dfrac{(x - \\mu)^2}{2\\sigma^2}}\\right]

`,readingTime:{minutes:.91,words:272},title:"",type:"article",s:"正态分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E6%B3%8A%E6%9D%BE%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./泊松分布.html-DL070Hq0.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
定义

P{X=k}=λkeλk!,(k=0,1,2,)P\\{X=k\\}=\\frac{\\lambda^ke^{ -\\lambda }}{k!},(k=0,1,2,\\dots)

`,readingTime:{minutes:.56,words:168},title:"泊松定理",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E7%A6%BB%E6%95%A3%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F.html",{loader:()=>B(()=>import("./离散随机变量.html-NM0p_gYE.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

离散随机变量X的分布可以用表格形式表示

XX x1x_{1} x2x_{2} ...... xnx_{n}
pkp_{k} p1p_{1} p2p_{2} ...... pnp_{n}
`,readingTime:{minutes:.26,words:79},title:"",type:"article",s:"离散随机变量"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E7%A6%BB%E6%95%A3%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E7%9A%84%E7%8B%AC%E7%AB%8B%E6%80%A7.html",{loader:()=>B(()=>import("./离散随机变量的独立性.html-22D8XJ4Q.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

离散型随机变量 XXYY 被认为是独立的,如果对于所有可能的值 xxyy,它们的联合概率分布满足以下条件:

',readingTime:{minutes:.22,words:67},title:"",type:"article",s:"离散随机变量的独立性"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E8%BE%B9%E7%BC%98%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./边缘分布.html-B9ApmzxP.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

联合概率分布可以通过对另一个随机变量积分或求和得到边缘分布:

离散

P(X=x)=yf(x,y),P(Y=y)=xf(x,y). P(X = x) = \\sum_y f(x, y), \\quad P(Y = y) = \\sum_x f(x, y).

`,readingTime:{minutes:.43,words:128},title:"",type:"article",s:"边缘分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E8%BF%9E%E7%BB%AD%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F.html",{loader:()=>B(()=>import("./连续随机变量.html-DN8xEDPh.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

随机变量f(X)f(X) 根据法则ff可以在定义域内取到连续的无数个值. f(x)f(x)代表X=xX=x的可能性

`,readingTime:{minutes:.59,words:176},title:"定义",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E8%BF%9E%E7%BB%AD%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E7%9A%84%E7%8B%AC%E7%AB%8B%E6%80%A7.html",{loader:()=>B(()=>import("./连续随机变量的独立性.html-C8UNMV5-.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

对于连续型随机变量,定义类似,但使用概率密度函数而不是概率。如果两个连续型随机变量 XXYY 的联合概率密度函数 fX,Y(x,y)f_{X,Y}(x, y) 可以表示为各自边缘概率密度函数 fX(x)f_X(x)fY(y)f_Y(y) 的乘积,则这两个变量是独立的:

',readingTime:{minutes:.36,words:108},title:"",type:"article",s:"连续随机变量的独立性"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E9%80%80%E5%8C%96%E5%88%86%E5%B8%83.html",{loader:()=>B(()=>import("./退化分布.html-0A45-jVb.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在数理统计中,退化分布(或确定性分布)是指只有一种值的分布,是一种绝对事件的分布。

Example

一个六面数值均相等的骰子;一枚正反双面一模一样的硬币。尽管它并不会随机出现数字,这种分布满足随机变量的定义,因此被认为是“退化”的。
它的累积分布函数是:

`,readingTime:{minutes:.45,words:134},title:"Wikipedia",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F.html",{loader:()=>B(()=>import("./随机变量.html-DmWyWdRu.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`

我们希望引入一个法则, 使随机试验的结果可以用数来表示, 将随机试验的每个结果与实数对应起来, 这就是随机变量

定义

设随机试验的样本空间为S=e,X=X(e)S={e},X=X(e)是定义在样本空间S上的实值单值函数, 称X=X(e)X=X(e)为随机变量

`,readingTime:{minutes:.89,words:266},title:"",type:"article",s:"随机变量"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E7%9A%84%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./随机变量的函数.html-WliErFtr.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

随机变量的函数
如果我们有一个随机变量 XX,那么随机变量的函数是指形如 g(X)g(X) 的表达式,其中 gg 是一个普通的数学函数。例如,如果 XX 是一个随机变量,g(X)=X2g(X) = X^2g(X)=eXg(X) = e^X 都是随机变量的函数。

`,readingTime:{minutes:.89,words:266},title:"",type:"article",s:"随机变量的函数"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/---%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0---.html",{loader:()=>B(()=>import("./---随机变量函数---.html-s8UW8T1q.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:.11,words:33},title:"",type:"article",s:"---随机变量函数---"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E5%81%8F%E5%BA%A6.html",{loader:()=>B(()=>import("./偏度.html-CVl1RCQU.js"),[]),meta:{tag:["数学"],excerpt:`

定义

偏度是统计学中用于衡量随机变量概率分布不对称性的数字特征。它描述了分布偏离对称性的程度和方向。

对于一个随机变量 XX,若其均值为 μ\\mu,标准差为 σ\\sigma,则偏度 γ1\\gamma_1 定义为三阶标准中心矩:

`,readingTime:{minutes:2.58,words:773},title:"",type:"article",s:"偏度"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E5%8D%8F%E6%96%B9%E5%B7%AE.html",{loader:()=>B(()=>import("./协方差.html-C_gT71QH.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
离散随机变量的协方差

`,readingTime:{minutes:.51,words:154},title:"定义",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E6%96%B9%E5%B7%AE.html",{loader:()=>B(()=>import("./方差.html-BycYGpm4.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

连续

Var[X]=E[(XE[X])2]=E[X2](E(X))2Var[X]=E[(X-E[X])^{2}]=E[X^{2}]-(E(X))^{2}

`,readingTime:{minutes:.54,words:161},title:"",type:"article",s:"方差"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E6%9C%9F%E6%9C%9B.html",{loader:()=>B(()=>import("./期望.html-CU-mLCNT.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
定义

E[X]=i=1nxipiE[X]=\\sum_{i=1}^{n}x_{i}p_{i}

`,readingTime:{minutes:.14,words:42},title:"性质",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E6%9C%9F%E6%9C%9B%E7%9A%84%E6%9C%9F%E6%9C%9B.html",{loader:()=>B(()=>import("./期望的期望.html-CWbS6f-s.js"),[]),meta:{tag:["数学"],excerpt:'

计算 E[E[X]]E[E[X]] 时,首先需要理解两个概念:条件期望和全概率期望。设 XX 是一个随机变量,E[X]E[X]XX 的期望。

',readingTime:{minutes:2.56,words:767},title:"",type:"article",s:"期望的期望"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E6%A0%87%E5%87%86%E5%81%8F%E5%B7%AE.html",{loader:()=>B(()=>import("./标准偏差.html-BZ35sO9Q.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
定义

σ[X]=Var[X]=E[X2](E(X))2\\sigma[X]=\\sqrt{ Var[X] }=\\sqrt{ E[X^{2}]-(E(X))^{2} }

`,readingTime:{minutes:.12,words:37},title:"",type:"article",s:"标准偏差"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E7%9B%B8%E5%85%B3%E7%B3%BB%E6%95%B0.html",{loader:()=>B(()=>import("./相关系数.html-B3H0QHc6.js"),[]),meta:{author:"Cyletix",tag:["数学"],excerpt:`
定义

`,readingTime:{minutes:.17,words:51},title:"",type:"article",s:"相关系数"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E7%9F%A9%E7%94%9F%E6%88%90%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./矩生成函数.html-ByCU_lCu.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

顾名思义, 就是可以用来生成原点矩和中心距的函数

定义

离散

定义

`,readingTime:{minutes:.46,words:139},title:"",type:"article",s:"矩生成函数"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/%E9%AB%98%E6%96%AF%E5%88%86%E5%B8%83%E7%9A%84%E7%9F%A9%E7%94%9F%E6%88%90%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./高斯分布的矩生成函数.html-DO-v0UG0.js"),[]),meta:{tag:["数学"],excerpt:'

高斯分布的矩生成函数 (Moment Generating Function, MGF) 可以通过其定义来计算。对于随机变量 XX,其矩生成函数 MX(t)M_X(t) 定义为:

',readingTime:{minutes:3.61,words:1084},title:"",type:"article",s:"高斯分布的矩生成函数"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/---%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B---.html",{loader:()=>B(()=>import("./---随机过程---.html-D8_J9CFv.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:``,readingTime:{minutes:.29,words:86},title:"",type:"article",s:"---随机过程---"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/%E5%A4%9A%E6%AD%A5%E8%BD%AC%E7%A7%BB%E6%A6%82%E7%8E%87%E7%9A%84%E7%A1%AE%E5%AE%9A.html",{loader:()=>B(()=>import("./多步转移概率的确定.html-Bi9XpFtI.js"),[]),meta:{tag:["数学"],excerpt:`

多步转移概率的确定

引言

在马尔可夫过程和其他随机过程的研究中,转移概率是一个重要的概念。多步转移概率(multi-step transition probability)描述了系统从一个状态转移到另一个状态所需的多个步骤的概率。在实际应用中,这种概率常用于系统建模、预测和决策分析等领域。

定义

设有马尔可夫链 (Xn)(X_n),其状态空间为 SS,转移概率由 PijP_{ij} 表示,即从状态 ii 转移到状态 jj 的概率。多步转移概率 Pij(n)P^{(n)}_{ij} 定义为在 nn 步内,从状态 ii 到状态 jj 的转移概率:

`,readingTime:{minutes:1.74,words:521},title:"",type:"article",s:"多步转移概率的确定"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/%E5%B9%B3%E7%A8%B3%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B%E7%9A%84%E5%8A%9F%E7%8E%87%E8%B0%B1%E5%AF%86%E5%BA%A6.html",{loader:()=>B(()=>import("./平稳随机过程的功率谱密度.html-BdxBqWgA.js"),[]),meta:{author:["PaulSun"],tag:["数学"],excerpt:'

考虑宽平稳随机过程 X(t)X\\left(t\\right) 的 Fourier 展开

',readingTime:{minutes:3.41,words:1024},title:"功率谱密度函数的获得",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/%E5%B9%B3%E7%A8%B3%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B%E7%9A%84%E6%A6%82%E5%BF%B5.html",{loader:()=>B(()=>import("./平稳随机过程的概念.html-8cEZRRCV.js"),[]),meta:{author:["PaulSun"],tag:["数学"],excerpt:`

如果随机过程的某一种性质不随下角标(时间)变化而变化,则称随机过程具有该性质的平稳性。

众多平稳性是根据相关函数来建立的,所以有必要先介绍相关函数的定义。

相关函数

相关函数是两个时刻的函数,其为两时刻随机变量的相关性,写作

R(t,s)=E[X(t),X(s)]R\\left(t,s\\right)=\\mathrm E\\left[X\\left(t\\right),X\\left(s\\right)\\right]

`,readingTime:{minutes:3.29,words:986},title:"",type:"article",s:"平稳随机过程的概念"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/%E7%9B%B8%E5%85%B3%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./相关函数.html-BaMldQ0S.js"),[]),meta:{author:["PaulSun"],tag:["数学"],excerpt:'

相关函数我们主要研究的是宽平稳随机过程的相关函数,即能被记作 R(ts)R\\left(t-s\\right)R(τ)R\\left(\\tau\\right) 的相关函数,这样的相关函数具有五条基本性质和正定性。

',readingTime:{minutes:3.17,words:952},title:"基本性质",type:"article"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B%E7%9A%84%E6%A6%82%E5%BF%B5.html",{loader:()=>B(()=>import("./随机过程的概念.html-DuG6u051.js"),[]),meta:{tag:["数学"],excerpt:`

随机过程被认为是概率论的"动力学"部分。意思是说,他的研究对象是随时间演变的随机现象。对于这种现象,一般来说,人们已经不能用随机变量或多为随即变量来合理地表达,而需要用一组(无限多个)随机变量来描述。

示例

  • 热噪声电压

GPT-4o

随机过程用来描述一个随时间或空间演变的随机现象。随机过程就是一组随机变量的集合,这些随机变量依赖于某个参数(通常是时间或空间)。随机过程常用于概率论、统计学以及许多工程和科学领域。

定义

TT 是一个参数集合(如时间或空间),X(t)X(t) 是定义在 TT 上的随机变量,则随机过程可以表示为:

`,readingTime:{minutes:2.41,words:722},title:"",type:"article",s:"随机过程的概念"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E8%BF%87%E7%A8%8B.html",{loader:()=>B(()=>import("./马尔可夫过程.html-CbcY2WD5.js"),[]),meta:{tag:["数学"],excerpt:'

在一个时间演变过程中,由时间t0t_0系统或过程所处的状态,可以决定系统或过程在时刻t>t0t>t_0所处的状态,而无需借助于t0t_0前的历史信息。未来的状态仅依赖于当前状态,而不依赖于过去状态。

',readingTime:{minutes:3.15,words:945},title:"",type:"article",s:"马尔可夫过程"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/%E9%A9%AC%E5%B0%94%E5%8F%AF%E5%A4%AB%E9%93%BE.html",{loader:()=>B(()=>import("./马尔可夫链.html-Cywkk_Lc.js"),[]),meta:{tag:["数学"],excerpt:'

马尔可夫过程的状态空间和时间都离散时,称为马尔可夫链。假设有一个有限的状态集合 S={s1,s2,,sn}S = \\{s_1, s_2, \\ldots, s_n\\},其转移概率矩阵为 PP,其中 Pij=P(Xt+1=sjXt=si)P_{ij} = P(X_{t+1} = s_j | X_t = s_i) 表示从状态 sis_i 转移到状态 sjs_j 的概率。

',readingTime:{minutes:.52,words:155},title:"",type:"article",s:"马尔可夫链"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/---%E5%90%91%E9%87%8F%E7%BB%84---.html",{loader:()=>B(()=>import("./---向量组---.html-D9rnE1fH.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:.3,words:90},title:"目录",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E4%B8%80%E6%AC%A1%E7%8B%AC%E7%AB%8B.html",{loader:()=>B(()=>import("./一次独立.html-DgM3bgFQ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

一次独立(即线性无关)是指一个向量组中,任意一个向量不能由其他向量的线性组合表示。换句话说,如果一个向量组中的每个向量的线性组合为零向量时,所有系数都必须为零,那么这个向量组就是线性无关的。

假设我们有一个向量组 {v1,v2,,vn}\\{\\mathbf{v}_1, \\mathbf{v}_2, \\ldots, \\mathbf{v}_n\\},并且我们知道它们两两之间的内积。要证明这个向量组是线性无关的,可以利用这些内积来构造一个格拉姆矩阵,然后验证这个格拉姆矩阵是否正定。

`,readingTime:{minutes:2.11,words:633},title:"",type:"article",s:"一次独立"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E5%90%91%E9%87%8F.html",{loader:()=>B(()=>import("./向量.html-pkYvA3D0.js"),[]),meta:{author:["Cyletix","Zacharia2"],tag:["数学"],excerpt:`

理论数学中向量的定义为任何在称为线性空间的代数结构中的元素。一般地,同时满足具有大小和方向两个性质的几何对象即可认为是向量.

向量可以映射到空间中的箭头、有序的数字列表[21]\\left[{\\begin{array}{c}2\\\\1\\end{array}}\\right]

`,readingTime:{minutes:2.54,words:762},title:"长度",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E5%90%91%E9%87%8F%E7%9A%84%E6%80%A7%E8%B4%A8.html",{loader:()=>B(()=>import("./向量的性质.html-DtynqSu0.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

内积

长度

范数

向量正交性

正交性

`,readingTime:{minutes:.12,words:35},title:"内积",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E5%90%91%E9%87%8F%E7%BB%84%E5%8F%8A%E5%85%B6%E7%BA%BF%E6%80%A7%E7%BB%84%E5%90%88.html",{loader:()=>B(()=>import("./向量组及其线性组合.html-DpPEUkmV.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
定义

nn个实数或复数a1a_{1},a2a_{2},...,ana_{n}所组成的有序数组称为nn维向量, 这nn个数称为该向量的nn个分量

`,readingTime:{minutes:2,words:600},title:"",type:"article",s:"向量组及其线性组合"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E5%90%91%E9%87%8F%E7%BB%84%E7%9A%84%E7%A7%A9.html",{loader:()=>B(()=>import("./向量组的秩.html-T-zeoqa7.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

向量组的秩是这组向量中极大线性无关组所含向量的个数。

若把向量组作为矩阵的列向量排成矩阵 AA,则向量组的秩就等于矩阵 AA 的秩。因此可以通过高斯消元法矩阵的秩的相关结论来计算。

`,readingTime:{minutes:.52,words:156},title:"",type:"article",s:"向量组的秩"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E5%90%91%E9%87%8F%E7%BB%84%E7%9A%84%E7%BA%BF%E6%80%A7%E7%9B%B8%E5%85%B3%E6%80%A7.html",{loader:()=>B(()=>import("./向量组的线性相关性.html-ClGPriiJ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

向量组的线性相关性概念

定义

在数学中,特别是线性代数领域,向量组的线性相关性是衡量一组向量是否能通过线性组合以某种方式表示其中某个向量的性质。

  • 线性相关:如果一个向量组中的某个向量可以表示为其他向量的线性组合,那么这组向量被称为线性相关。形式上,向量组 (\\vec{v}_1, \\vec{v}_2, \\dots, \\vec{v}_n) 线性相关意味着存在一组不全为零的系数 (c_1, c_2, \\dots, c_n) 使得:

    c1v1+c2v2++cnvn=0c_1 \\vec{v}_1 + c_2 \\vec{v}_2 + \\cdots + c_n \\vec{v}_n = \\vec{0}

  • 线性无关:如果上述等式只在所有系数 (c_i) 都为零的情况下成立,则称向量组 (\\vec{v}_1, \\vec{v}_2, \\dots, \\vec{v}_n) 线性无关。这意味着没有任何一个向量可以被表示为其他向量的线性组合。
`,readingTime:{minutes:2.17,words:652},title:"",type:"article",s:"向量组的线性相关性"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E6%9E%81%E5%B0%8F%E7%9B%B8%E5%85%B3%E5%AD%90%E9%9B%86.html",{loader:()=>B(()=>import("./极小相关子集.html-5-M41qbO.js"),[]),meta:{tag:["数学"],excerpt:`

极小相关子集是指满足以下两个条件的列向量子集

  1. 子集本身是线性相关的。
  2. 子集的任何真子集都是线性无关的。

换句话说,这类子集是最小的线性相关子集,一旦去掉其中任意一个向量,剩下的向量就会变成线性无关。极小相关子集在线性代数中提供了一种有效的方法来分析矩阵的线性相关性,帮助确定向量集合中的最小冗余结构,进而简化计算和理解线性系统的性质。

定义

设矩阵 ARn×mA \\in \\mathbb{R}^{n \\times m} 的列向量为 a1,a2,,ama_1, a_2, \\dots, a_m。定义子集 J{1,2,,m}J \\subseteq \\{1, 2, \\dots, m\\},对应的子矩阵为 A[J]A[J]

`,readingTime:{minutes:2.52,words:756},title:"",type:"article",s:"极小相关子集"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E6%A0%BC%E6%8B%89%E5%A7%86%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./格拉姆矩阵.html-BsSnPADq.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

格拉姆矩阵是一个对称的n×nn \\times n矩阵,定义为:

',readingTime:{minutes:.35,words:106},title:"",type:"article",s:"格拉姆矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E6%AD%A3%E4%BA%A4%E5%90%91%E9%87%8F%E7%BB%84.html",{loader:()=>B(()=>import("./正交向量组.html-BsJtxkXm.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

正交向量组是指在内积空间中互相正交的向量集合

性质

1. 内积为零

在一个正交向量组中,任意两个不同的向量的内积为零。设{v1,v2,,vn}\\{ v_1, v_2, \\ldots, v_n \\}是一个正交向量组,则对于任意iji \\neq j,有

`,readingTime:{minutes:1.69,words:506},title:"性质",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./线性空间.html-COcylMNm.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

简介

线性空间(或向量空间)是集合结构在代数意义上的扩展。
其中的元素称为向量,它们可以相加并能被来自数域 FF 的标量缩放。
这一结构保证运算后仍留在同一集合中,是线性代数与解析几何的共同基础。

`,readingTime:{minutes:2.23,words:670},title:"",type:"article",s:"线性空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/%E8%A7%84%E8%8C%83%E6%AD%A3%E4%BA%A4%E5%9F%BA.html",{loader:()=>B(()=>import("./规范正交基.html-DAPk-V_n.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

规范正交基是指在一个内积空间中,由一组规范正交向量构成的基。这组向量不仅两两正交,而且每个向量的范数均为1。规范正交基使得向量的表示、投影和变换都变得更加简洁和易于计算。

定义

在内积空间VV中,设{e1,e2,,en}\\{ e_1, e_2, \\ldots, e_n \\}是一组向量。如果满足以下条件:

`,readingTime:{minutes:1.76,words:527},title:"",type:"article",s:"规范正交基"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/---%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2---.html",{loader:()=>B(()=>import("./---相似变换---.html-C-J4HitC.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:.28,words:84},title:"目录",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/Jordan%E6%A0%87%E5%87%86%E5%9E%8B.html",{loader:()=>B(()=>import("./Jordan标准型.html-apPdPPxR.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

Jordan标准型通过相似变换将矩阵化简为一种特殊的准对角形式,每个对角块称为一个Jordan块。
Jordan块是围绕一个特征值的准对角矩阵,对角线上是相同的特征值,而对角线上方可能有若干个1,其他位置为0。

[λ10000λ10000λ00000λ10000λ]\\begin{bmatrix} \\lambda & 1 & 0 & \\cdots & 0 & 0\\\\ 0 & \\lambda & 1 & \\cdots & 0 & 0\\\\ 0 & 0 & \\lambda & \\cdots & 0 & 0\\\\ \\vdots & \\vdots & \\vdots & & \\vdots & \\vdots\\\\ 0 & 0 & 0 & \\cdots & \\lambda & 1\\\\ 0 & 0 & 0 & \\cdots & 0 & \\lambda\\\\ \\end{bmatrix}

`,readingTime:{minutes:1.97,words:591},title:"Jordan 标准型的求解过程",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E4%BA%8C%E6%AC%A1%E5%9E%8B.html",{loader:()=>B(()=>import("./二次型.html-Cg5IJ9in.js"),[]),meta:{author:["Cyletix","DeepSeekR1"],tag:["数学"],excerpt:`

背景

在解析几何中,为了便于研究二次曲线

ax2+bxy+cy2=1ax^2+bxy+cy^2=1

`,readingTime:{minutes:1.72,words:516},title:"",type:"article",s:"二次型"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E4%BB%A3%E6%95%B0%E9%87%8D%E6%95%B0.html",{loader:()=>B(()=>import("./代数重数.html-DnTMOQ-j.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

特征值 λ\\lambda 的代数重数,是指它作为矩阵特征多项式的根出现的次数。

',readingTime:{minutes:.2,words:60},title:"",type:"article",s:"代数重数"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E5%87%A0%E4%BD%95%E9%87%8D%E6%95%B0.html",{loader:()=>B(()=>import("./几何重数.html-B4wTHpmG.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

特征值 λ\\lambda 的几何重数,是其特征空间

',readingTime:{minutes:.24,words:71},title:"",type:"article",s:"几何重数"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E5%8D%8A%E6%AD%A3%E5%AE%9A%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./半正定矩阵.html-BDsbNdjX.js"),[]),meta:{tag:["数学"],excerpt:`

定义

半正定矩阵是正定矩阵的一个补充:

  1. 对称性:矩阵 AA 是对称的,即 A=ATA = A^T
  2. 所有特征值均非负:矩阵 AA 的所有特征值 λi\\lambda_i 均满足 λi0\\lambda_i \\geq 0
`,readingTime:{minutes:1.05,words:314},title:"",type:"article",s:"半正定矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E5%A4%8D%E7%89%B9%E5%BE%81%E6%A0%B9.html",{loader:()=>B(()=>import("./复特征根.html-dkBq36bK.js"),[]),meta:{author:["nex3z"],tag:["数学"],excerpt:'

n×nn \\times n 矩阵的特征方程是一个 nn 次多项式,若考虑复数根,该方程恰好有 nn 个根(重根按重复次数计算)。研究复特征值可以揭示矩阵中隐藏的信息,通常与周期、振动、旋转等问题相关。

',readingTime:{minutes:2.95,words:884},title:"",type:"article",s:"复特征根"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E5%AF%B9%E7%A7%B0%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./对称矩阵.html-C1Rd6WO6.js"),[]),meta:{tag:["数学"],excerpt:`

定义

对称矩阵 AA 满足 A=ATA = A^T, 即矩阵关于主对角线对称.

`,readingTime:{minutes:1.21,words:362},title:"",type:"article",s:"对称矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E5%AF%B9%E8%A7%92%E5%8C%96.html",{loader:()=>B(()=>import("./对角化.html-BO_v7Syw.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

矩阵AA 通过相似变换矩阵PP转化为对角矩阵DD 的过程

`,readingTime:{minutes:1.69,words:507},title:"定义",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E5%AF%B9%E8%A7%92%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./对角矩阵.html-DXgYeDcu.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

对角矩阵是一个主对角线之外的元素均为零的矩阵。通过相似变换P1AP=DP^{-1}AP = D得到对角矩阵DD. 其一般形式可以表示为:

',readingTime:{minutes:.84,words:251},title:"",type:"article",s:"对角矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E6%83%AF%E6%80%A7%E6%8C%87%E6%95%B0.html",{loader:()=>B(()=>import("./惯性指数.html-uxRUbRfC.js"),[]),meta:{author:["GPT-4o"],tag:["数学"],excerpt:`

惯性指数(Inertia Index)是二次型矩阵的一个重要特性,在研究二次型或二次曲面时常被用来描述其性质。它由 正惯性指数负惯性指数 构成,定义如下:

1. 二次型与惯性指数

一个二次型 f(x1,x2,,xn)f(x_1, x_2, \\dots, x_n) 的矩阵表示为对称矩阵 AA

`,readingTime:{minutes:2.26,words:677},title:"",type:"article",s:"惯性指数"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E6%96%BD%E5%AF%86%E7%89%B9%E6%AD%A3%E4%BA%A4%E5%8C%96.html",{loader:()=>B(()=>import("./施密特正交化.html-BCRhcD5M.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

施密特正交化在向量空间中将一组线性无关的向量转化为一组正交向量

步骤

设我们有一组线性无关的向量 {v1,v2,,vn}\\{v_1, v_2, \\ldots, v_n\\}
施密特正交化过程如下:

`,readingTime:{minutes:1.52,words:456},title:"",type:"article",s:"施密特正交化"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E6%A0%87%E5%87%86%E5%9E%8B.html",{loader:()=>B(()=>import("./标准型.html-C5yo61cL.js"),[]),meta:{tag:["数学"],excerpt:`

标准型是指通过适当的变换,将二次型化为对角形式,从而简化其表示和计算。

`,readingTime:{minutes:.15,words:46},title:"",type:"article",s:"标准型"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E6%AD%A3%E4%BA%A4%E5%AF%B9%E8%A7%92%E5%8C%96.html",{loader:()=>B(()=>import("./正交对角化.html-BuadWGM0.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

定义

如果一个矩阵 AA 是对称矩阵,那么存在一个正交矩阵 QQ 使得:

`,readingTime:{minutes:4.28,words:1283},title:"",type:"article",s:"正交对角化"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E6%AD%A3%E5%AE%9A%E4%BA%8C%E6%AC%A1%E5%9E%8B.html",{loader:()=>B(()=>import("./正定二次型.html-DAW9icMp.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

正定二次型是指一个二次型 Q(x)=xTAxQ(x) = x^T A x, 其中矩阵 AA正定矩阵. 这意味着对于所有非零向量 xx, 二次型 Q(x)>0Q(x) > 0. 正定矩阵的特征值全为正数, 且其行列式也大于零.

',readingTime:{minutes:2.92,words:876},title:"",type:"article",s:"正定二次型"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E6%AD%A3%E5%AE%9A%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./正定矩阵.html-CCcr57iJ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

正定矩阵是[对称矩阵]的一种特殊形式, 满足:

  1. 对称性:矩阵 AA 是对称的,即 A=ATA = A^T
  2. 所有特征值均为正:矩阵 AA 的所有特征值 λi\\lambda_i 都大于零。
    正定矩阵的性质类似复数中的正实数。与正定矩阵相对应的线性算子是对称正定双线性形式(复域中则对应厄米正定双线性形式)
`,readingTime:{minutes:3.7,words:1111},title:"",type:"article",s:"正定矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E7%89%B9%E5%BE%81%E5%80%BC.html",{loader:()=>B(()=>import("./特征值.html-CK-j1nIV.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

特征值和特征向量描述了线性变换中的不变量.
当对向量进行线性变换时, 这个线性变换不改变向量的方向, 仅改变向量的长度, 这等效于一个标量与向量数乘. 这个标量就是特征值, 描述了线性变换在特定向量上的缩放因子

定义

对于一个给定的 n×nn \\times n 矩阵 AA,如果存在一个非零向量 v{v} 和一个标量 λ\\lambda,使得矩阵方程

`,readingTime:{minutes:2.93,words:879},title:"",type:"article",s:"特征值"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E7%89%B9%E5%BE%81%E5%90%91%E9%87%8F.html",{loader:()=>B(()=>import("./特征向量.html-C2Sdie_h.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

对于一个给定的方阵 AA,它的特征向量 vv 经过这个矩阵的线性变换之后,得到的新向量仍然与原来的 vv 保持在同一条直线上,但其长度或方向也许会改变。

`,readingTime:{minutes:1.02,words:305},title:"Wikipedia",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E7%89%B9%E5%BE%81%E5%A4%9A%E9%A1%B9%E5%BC%8F.html",{loader:()=>B(()=>import("./特征多项式.html-CbEM1z_F.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

矩阵 AA 的特征多项式是关于 λ\\lambda 的多项式

',readingTime:{minutes:.2,words:59},title:"",type:"article",s:"特征多项式"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./相似变换.html-iJje6d0k.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

A,BA, Bnn 阶矩阵,若存在 nn 阶可逆矩阵 P{} P,使得:

',readingTime:{minutes:.25,words:76},title:"",type:"article",s:"相似变换"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2%E7%9A%84%E4%B8%80%E8%88%AC%E6%AD%A5%E9%AA%A4.html",{loader:()=>B(()=>import("./相似变换的一般步骤.html-nPuhqz0_.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
  1. 计算特征值
  2. 计算特征向量
  3. 判断对角化
  4. 如果可以对角化
    1. 构造相似变换矩阵P
    2. 相似变换得到对角矩阵D
  5. 如果不能对角化
    1. 构造Jordan块
    2. 求解广义特征向量
    3. 构造相似变换矩阵P
    4. 相似变换得到Jordan标准型JJ
`,readingTime:{minutes:1.99,words:596},title:"示例",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./相似变换矩阵.html-Bfofj8sQ.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

相似变换矩阵是相似变换中出现的可逆矩阵 PP。若

',readingTime:{minutes:.34,words:101},title:"",type:"article",s:"相似变换矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/%E7%9B%B8%E4%BC%BC%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./相似矩阵.html-DyT7z8gV.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

相似矩阵描述了矩阵间某种等价关系。两个矩阵如果表示相同的线性变换但在不同的基下,则称它们是相似的。

定义

如果存在一个可逆矩阵PP,使得矩阵AABB满足

`,readingTime:{minutes:1.64,words:491},title:"",type:"article",s:"相似矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/---%E7%9F%A9%E9%98%B5---.html",{loader:()=>B(()=>import("./---矩阵---.html-DdeWAX1N.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:.22,words:67},title:"目录",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/LUD.html",{loader:()=>B(()=>import("./LUD.html-Cscr7dcw.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

LUD

LU分解是矩阵分解的一种,将一个矩阵分解为一个下三角矩阵和一个上三角矩阵的乘积,有时需要再乘上一个置换矩阵。LU分解可以被视为高斯消元法的矩阵形式。

定义

对于方阵 AAAA 的 LU 分解是将它分解成一个下三角矩阵 LL 与上三角矩阵 UU 的乘积,也就是

`,readingTime:{minutes:1.25,words:376},title:"",type:"article",s:"LUD"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/QRD.html",{loader:()=>B(()=>import("./QRD.html-COHKCWG4.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

QRD

QR 分解是把矩阵 AA 分解为一个正交矩阵 QQ 与一个上三角矩阵 RR 的乘积:

`,readingTime:{minutes:.64,words:193},title:"",type:"article",s:"QRD"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/SVD.html",{loader:()=>B(()=>import("./SVD.html-CzINxC_-.js"),[]),meta:{author:["Cyletix"],tag:["数学","算法","信号处理"],excerpt:`

奇异值分解是一种矩阵分解方法,将一个矩阵分解为三个矩阵的乘积。

AA 是一个 m×nm \\times n 的矩阵,若记 r=rank(A)r=\\operatorname{rank}(A),则其紧致奇异值分解可写为:

`,readingTime:{minutes:1.33,words:399},title:"",type:"article",s:"SVD"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E4%BB%A3%E6%95%B0%E4%BD%99%E5%AD%90%E5%BC%8F.html",{loader:()=>B(()=>import("./代数余子式.html-DhWzh2PY.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

对于矩阵 AA 的每个元素 aija_{ij},其代数余子式 CijC_{ij} 定义为位置系数 (1)i+j(-1)^{i+j} 与对应余子式 MijM_{ij} 的乘积。

',readingTime:{minutes:.64,words:192},title:"",type:"article",s:"代数余子式"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E4%BC%B4%E9%9A%8F%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./伴随矩阵.html-Dvx7xaj1.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

A~\\tilde{A}表示AA的伴随矩阵, A~\\tilde{A} 的计算步骤如下:

',readingTime:{minutes:.31,words:93},title:"",type:"article",s:"伴随矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E4%BC%B4%E9%9A%8F%E7%9F%A9%E9%98%B5%E6%B3%95.html",{loader:()=>B(()=>import("./伴随矩阵法.html-CMROXl4B.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

对于一个 n×nn \\times n 的方阵 AA,逆矩阵 A1A^{-1} 可以通过以下公式计算得到:

',readingTime:{minutes:.24,words:71},title:"",type:"article",s:"伴随矩阵法"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E4%BD%99%E5%AD%90%E5%BC%8F.html",{loader:()=>B(()=>import("./余子式.html-CBkU-q39.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

对于 m×nm \\times n 矩阵 AA,任取 kk 行与 kk 列,它们交叉得到一个 k×kk \\times k 子矩阵;这个子矩阵的行列式称为一个 kk 阶余子式。

',readingTime:{minutes:.31,words:94},title:"",type:"article",s:"余子式"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E5%85%B1%E8%BD%AD%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./共轭矩阵.html-BPazIhVV.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

当A为复矩阵时,用aˉij\\bar{a}_{ij}表示aija_{ij}的共轭复数. 共轭矩阵记为

',readingTime:{minutes:.21,words:64},title:"性质",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E5%AD%90%E5%BC%8F.html",{loader:()=>B(()=>import("./子式.html-BUoxplAH.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

矩阵Am×nA_{m\\times n}kk阶子式是 任取 kk行和 kk列相交得到的k2k^2个交点 组成的子方阵 MijM_{ij} 的行列式 det(Mij)\\det(M_{ij})

',readingTime:{minutes:.22,words:66},title:"",type:"article",s:"子式"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E5%AE%9E%E6%95%B0%E4%B8%8E%E7%9F%A9%E9%98%B5%E4%B9%98%E6%B3%95.html",{loader:()=>B(()=>import("./实数与矩阵乘法.html-OvMlfNP2.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

λA=Aλ=[λaij]\\lambda A=A\\lambda =[\\lambda a_{ij}]

`,readingTime:{minutes:.06,words:19},title:"",type:"article",s:"实数与矩阵乘法"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./矩阵.html-D5uTvsOS.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

矩阵的形式是将代数元素按行和列组合在一起

A=[123456789]A = \\begin{bmatrix} 1 & 2 & 3 \\\\ 4 & 5 & 6 \\\\ 7 & 8 & 9 \\end{bmatrix}

`,readingTime:{minutes:1.72,words:515},title:"简介",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E7%9F%A9%E9%98%B5%E4%B9%98%E6%B3%95.html",{loader:()=>B(()=>import("./矩阵乘法.html-BZdc518C.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

矩阵乘法是一种根据两个矩阵得到第三个矩阵的二元运算,第三个矩阵即前两者的乘积,称为矩阵积. 矩阵可以用来表示线性映射,矩阵积则可以用来表示线性映射的复合。

定义

AAn×mn \\times m 的矩阵,BBm×pm \\times p 的矩阵,则它们的矩阵积 ABABn×pn \\times p 的矩阵。AA 中每一行的 mm 个元素都与 BB 中对应列的 mm 个元素对应相乘,这些乘积的和就是 ABAB 中的一个元素。

`,readingTime:{minutes:1.77,words:531},title:"矩阵乘法",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E7%9F%A9%E9%98%B5%E5%88%86%E5%9D%97%E6%B3%95.html",{loader:()=>B(()=>import("./矩阵分块法.html-CLzSCGur.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

分块矩阵乘法

分块矩阵乘法是一种矩阵计算的等价表示形式,其本质是基于矩阵的分块表示后,仍遵循矩阵乘法规则(即考虑到交叉项的贡献)。假设矩阵 AABB 分块为:

`,readingTime:{minutes:1.3,words:389},title:"",type:"article",s:"矩阵分块法"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E7%9F%A9%E9%98%B5%E5%8A%A0%E6%B3%95.html",{loader:()=>B(()=>import("./矩阵加法.html-HsDXC1Kk.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

A+B=[aij+bij]A+B=[a_{ij}+b_{ij}]

`,readingTime:{minutes:.06,words:18},title:"",type:"article",s:"矩阵加法"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E7%9F%A9%E9%98%B5%E8%BF%90%E7%AE%97.html",{loader:()=>B(()=>import("./矩阵运算.html-na17PDaF.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

矩阵加法
实数与矩阵乘法
矩阵乘法
转置
初等行变换
共轭矩阵

`,readingTime:{minutes:.17,words:52},title:"矩阵分解",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E8%BD%AC%E7%BD%AE.html",{loader:()=>B(()=>import("./转置.html-DYeP_AUk.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

矩阵AA的转置是另一个矩阵ATA^T, 由下列等价动作建立:

`,readingTime:{minutes:1.25,words:375},title:"转置",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/%E9%80%86%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./逆矩阵.html-BnFmUdqF.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

对于nn阶矩阵AA,如果存在nn阶矩阵BB,使得:

',readingTime:{minutes:.56,words:167},title:"性质",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/---%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84---.html",{loader:()=>B(()=>import("./---线性方程组---.html-D6OtrkQd.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:1.33,words:399},title:"目录",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E4%B8%BB%E5%85%83.html",{loader:()=>B(()=>import("./主元.html-BXbmpAh7.js"),[]),meta:{tag:["数学"],excerpt:`

在矩阵的行阶梯形或简化行阶梯形中,“主元”(pivot)指的是每一行中最左边的非零元素。更具体地说:

  • 行阶梯形矩阵: 满足以下条件的矩阵:
    • 所有非零行(即至少包含一个非零元素的行)都在所有零行(即所有元素都为零的行)的上面。
    • 每个非零行的第一个非零元素(即该行的最左边非零元素)所在的列位于其上一行的第一个非零元素所在列的右侧。
    • 所有主元下面的元素都是零。
  • 简化行阶梯形矩阵: 是行阶梯形矩阵的特例,它还满足以下条件:
    • 所有主元都是 1。
    • 所有主元上方的元素都是零。
`,readingTime:{minutes:2.45,words:734},title:"",type:"article",s:"主元"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E5%88%9D%E7%AD%89%E8%A1%8C%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./初等行变换.html-Cm1T9em6.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

矩阵初等变换是对矩阵进行的基本操作, 可以将矩阵变换成不同的形式, 但不会改变矩阵的秩. 初等变换主要用于求解线性方程组、计算行列式、求逆矩阵和进行矩阵分解.

Tip

在求解线性方程组中默认指代初等行变换.

`,readingTime:{minutes:1.82,words:545},title:"简介",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E6%AD%A3%E8%A7%84%E6%96%B9%E7%A8%8B.html",{loader:()=>B(()=>import("./正规方程.html-L2XJc_7j.js"),[]),meta:{tag:["数学"],excerpt:'

对于求 Axb\\|Ax-b\\| 的最小值或使之最小的 xx 的问题,常见的方法是通过最小二乘法来解决。这里主要涉及到线性代数和数值分析中的一些基本概念和计算方法。

',readingTime:{minutes:3.27,words:980},title:"",type:"article",s:"正规方程"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E7%9F%A9%E9%98%B5%E7%9A%84%E7%A7%A9.html",{loader:()=>B(()=>import("./矩阵的秩.html-D8z_f_Ar.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

矩阵 AA 的秩是它的行向量(或列向量)中最大线性无关集的向量个数。
m×nm \\times n 的矩阵 AA 的秩记作 rank(A)rank(A)

`,readingTime:{minutes:.8,words:241},title:"推论",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84%E7%9A%84%E8%A7%A3.html",{loader:()=>B(()=>import("./线性方程组的解.html-B7wYGuhs.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

线性方程组是由多个线性方程组成的方程组,通常可以用矩阵方法来求解。一个线性方程组的解是找到变量的值,使得每个方程同时成立。线性方程组的一般形式为:

{a11x1+a12x2++a1nxn=b1a21x1+a22x2++a2nxn=b2am1x1+am2x2++amnxn=bm\\begin{cases} a_{11}x_1 + a_{12}x_2 + \\cdots + a_{1n}x_n = b_1 \\\\ a_{21}x_1 + a_{22}x_2 + \\cdots + a_{2n}x_n = b_2 \\\\ \\vdots \\\\ a_{m1}x_1 + a_{m2}x_2 + \\cdots + a_{mn}x_n = b_m \\\\ \\end{cases}

`,readingTime:{minutes:2,words:599},title:"",type:"article",s:"线性方程组的解"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84%E7%9A%84%E8%A7%A3%E7%9A%84%E7%BB%93%E6%9E%84.html",{loader:()=>B(()=>import("./线性方程组的解的结构.html-CACCxQXo.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

根据rank判断, 线性方程组的解结构可以分为三种情况:

  • rank(A)=rank(Ab)=n\\text{rank}(A) = \\text{rank}(A|b) = n, 有唯一解
  • rank(A)=rank(Ab)<n\\text{rank}(A) = \\text{rank}(A|b) < n, 有无穷个解
  • rank(A)<rank(Ab)\\text{rank}(A) < \\text{rank}(A|b), 无解
`,readingTime:{minutes:.26,words:77},title:"",type:"article",s:"线性方程组的解的结构"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E8%A1%8C%E6%9C%80%E7%AE%80%E5%BD%A2.html",{loader:()=>B(()=>import("./行最简形.html-aIULCP9W.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

行最简形式(Reduced Row Echelon Form, RREF)是一种特殊的行梯形形式,其中每个主元是1,并且是其所在列的唯一非零元素。这实际上是此矩阵中可能存在的最大单位矩阵,

RREF(C)=[IrFr×(nr)O(mr)×rO(mr)×(nr)]\\text{RREF}(C) = \\begin{bmatrix} I_r & F_{r\\times (n-r)} \\\\ O_{(m-r)\\times r} & O_{(m-r)\\times (n-r)} \\end{bmatrix}

`,readingTime:{minutes:2.41,words:724},title:"",type:"article",s:"行最简形"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/%E9%AB%98%E6%96%AF%E6%B6%88%E5%85%83%E6%B3%95.html",{loader:()=>B(()=>import("./高斯消元法.html-BM6VSbW9.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

主要用于

  1. 求解逆矩阵
  2. 求解线性方程组
  3. 计算行最简形

这几种应用的本质都是通过初等行变换进行矩阵化简, 只是增广矩阵的构造和最终目标有所不同.

`,readingTime:{minutes:2.79,words:837},title:"高斯消元法",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/---%E8%A1%8C%E5%88%97%E5%BC%8F---.html",{loader:()=>B(()=>import("./---行列式---.html-CP7MhrGZ.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:` `,readingTime:{minutes:.27,words:81},title:"目录",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E5%85%8B%E6%8B%89%E9%BB%98%E6%B3%95%E5%88%99.html",{loader:()=>B(()=>import("./克拉默法则.html-Dc0bR5sX.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

克拉默法则是一种解线性方程组的技巧, 利用行列式来表达未知数的解析解。
对于 nn 个未知数的 nn 元线性方程组:

`,readingTime:{minutes:1.49,words:448},title:"",type:"article",s:"克拉默法则"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E5%85%A8%E6%8E%92%E5%88%97.html",{loader:()=>B(()=>import("./全排列.html-A38jVwUc.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在行列式的 Leibniz 展开式中, 所谓全排列是指数字 1,2,,n1,2,\\dots,n 的所有排列。每个排列 σ\\sigma 对应一项

`,readingTime:{minutes:.64,words:193},title:"定义",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E5%AF%B9%E6%8D%A2.html",{loader:()=>B(()=>import("./对换.html-DUkX7Qht.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在排列中,将任意两个元素对调,其尔的元察不动,这种作出新排列的手续叫做对换。
在排列中, 将任意两个元素对调, 其余元素保持不动, 这种得到新排列的操作叫做对换。
将相邻两个元素对换, 叫做相邻对换。

定理 1:一个排列中的任意两个元素对换, 排列的奇偶性改变。
定理 2:n阶行列式也可定义为

D=(1)ta1p1a2p2anpnD=\\sum (-1)^t a_{1p_1}a_{2p_2}\\cdots a_{np_n}

`,readingTime:{minutes:.56,words:169},title:"",type:"article",s:"对换"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E6%8B%89%E6%99%AE%E6%8B%89%E6%96%AF%E5%B1%95%E5%BC%80%E6%B3%95.html",{loader:()=>B(()=>import("./拉普拉斯展开法.html-Ba1hAca4.js"),[]),meta:{author:["Cyletix","Claude3"],tag:["数学"],excerpt:`

拉普拉斯展开法可以将行列式的计算化为低阶行列式的运算。

AA 是一个 nn 阶行列式:

`,readingTime:{minutes:1.67,words:501},title:"相关内容",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E8%8C%83%E5%BE%B7%E8%92%99%E5%BE%B7%E8%A1%8C%E5%88%97%E5%BC%8F.html",{loader:()=>B(()=>import("./范德蒙德行列式.html-DaZfwNje.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

范德蒙德行列式

V(x1,x2,,xn)=1x1x12x1n11x2x22x2n11x3x32x3n11xnxn2xnn1V(x_1, x_2, \\ldots, x_n) = \\begin{vmatrix} 1 & x_1 & x_1^2 & \\cdots & x_1^{n-1} \\\\ 1 & x_2 & x_2^2 & \\cdots & x_2^{n-1} \\\\ 1 & x_3 & x_3^2 & \\cdots & x_3^{n-1} \\\\ \\vdots & \\vdots & \\vdots & \\ddots & \\vdots \\\\ 1 & x_n & x_n^2 & \\cdots & x_n^{n-1} \\end{vmatrix}

`,readingTime:{minutes:3.74,words:1122},title:"推广",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E8%A1%8C%E5%88%97%E5%BC%8F.html",{loader:()=>B(()=>import("./行列式.html-DFVLgU_U.js"),[]),meta:{author:["Cyletix","Zacharia2"],tag:["数学"],excerpt:`

行列式是一个数,它与一个方阵相关联,并用于描述该方阵的一些性质。
给定一个 n×nn \\times n 的方阵A,行列式可以表示为det(A)或|A|。
行列式的定义可以通过递归地将方阵拆分为更小的子方阵来得到。

`,readingTime:{minutes:4.08,words:1225},title:"",type:"article",s:"行列式"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E8%A1%8C%E5%88%97%E5%BC%8F%E6%80%A7%E8%B4%A8.html",{loader:()=>B(()=>import("./行列式性质.html-DC9JzKLX.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

n×nn \\times n方阵的行列式具有以下性质:

',readingTime:{minutes:.29,words:86},title:"",type:"article",s:"行列式性质"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/%E9%80%86%E5%BA%8F%E6%95%B0.html",{loader:()=>B(()=>import("./逆序数.html-LRSbhBKW.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

逆序数=i=1n1j=i+1n[σi>σj]\\text{逆序数} = \\sum_{i=1}^{n-1} \\sum_{j=i+1}^{n} [\\sigma_i > \\sigma_j]

`,readingTime:{minutes:.08,words:25},title:"",type:"article",s:"逆序数"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%A5%E5%85%85/---%E8%A1%A5%E5%85%85---.html",{loader:()=>B(()=>import("./---补充---.html-DIOtDlsG.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`

目前整理的线性代数内容已经非常全面和系统,涵盖了许多重要主题和细节。不过,根据遇到的一些额外内容,补充以确保目录更加完整:

文档-所有文档

LIST
WHERE file.folder=this.file.folder
AND !contains(file.name,this.file.name)
`,readingTime:{minutes:.28,words:85},title:"文档-所有文档",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%A5%E5%85%85/Matroid%E7%9A%84%E5%9F%BA.html",{loader:()=>B(()=>import("./Matroid的基.html-BP1Uw5Uv.js"),[]),meta:{tag:["数学"],excerpt:`

(超纲内容)
拟阵的基是一个最大独立集,即一个独立集且不被包含在任何其他独立集中的集合。

示例

在二维欧几里得平面 R2\\mathbb{R}^2 上的拟阵中,考虑以下独立集:

`,readingTime:{minutes:1.98,words:594},title:"",type:"article",s:"Matroid的基"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%A5%E5%85%85/%E5%B7%A1%E5%9B%9E%E8%A1%8C%E5%88%97.html",{loader:()=>B(()=>import("./巡回行列.html-BLPi5mvF.js"),[]),meta:{tag:["数学"],excerpt:`
定义

在线性代数中,循环矩阵是一种特殊形式的 Toeplitz矩阵,它的列向量的每个元素都是前一个列向量各元素依次右移一个位置得到的结果。由于可以用离散傅立叶变换快速解循环矩阵,所以在数值分析中有重要的应用。

`,readingTime:{minutes:.95,words:285},title:"",type:"article",s:"巡回行列"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/---%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4---.html",{loader:()=>B(()=>import("./---线性空间---.html-mqLqkenr.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 线性空间
  2. 维数
  3. 坐标
  4. 基变换
  5. 坐标变换
  6. 线性变换
  7. 子空间
  8. 内积
  9. 正交性
  10. 正交投影
  11. 正交补空间
`,readingTime:{minutes:.41,words:123},title:"目录",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E4%B8%89%E7%BB%B4%E5%9D%90%E6%A0%87%E7%B3%BB.html",{loader:()=>B(()=>import("./三维坐标系.html-CUf2C8O4.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在三维坐标系统中,通常采用的是右手坐标系作为标准的坐标方向规定,这是在多数工程和科学领域中广泛接受的约定。右手坐标系的规定如下:

右手定则确定了右手坐标系:
右手定则

`,readingTime:{minutes:.29,words:86},title:"",type:"article",s:"三维坐标系"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%83%8F%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./像空间.html-Z7Eho0ar.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

给定一个线性映射 f:VWf: V \\rightarrow W,其中 VVWW 是向量空间,ff 的像空间是所有向量 f(v)f(v) 的集合,其中 vv 取遍 VV 中的所有向量。
像空间可以表示为:

`,readingTime:{minutes:1.3,words:389},title:"",type:"article",s:"像空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%86%85%E7%A7%AF%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./内积空间.html-yz37VK5O.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

内积空间是增添了内积运算的向量空间,它推广了原来欧几里德空间的点积,而从比较一般的角度看待向量的“夹角”、“长度”还有正交性。

内积空间有时也叫做准希尔伯特空间(pre-Hilbert space),因为由内积定义的距离完备化之后就会得到一个希尔伯特空间。

在早期的著作中,本条目所定义的内积空间被称作酉空间,但这些著作里的“内积空间”反而指的是有限维欧几里德空间或可数维的Lp空间

`,readingTime:{minutes:.59,words:176},title:"",type:"article",s:"内积空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%8F%B3%E6%89%8B%E5%AE%9A%E5%88%99.html",{loader:()=>B(()=>import("./右手定则.html-DT7TLaGO.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`
  1. 食指与手掌平行
  2. 中指与手掌垂直
  3. 拇指垂直前两者

以上规则确定了右手坐标系:

  • 拇指指向X轴正方向
  • 食指指向Y轴正方向
  • 中指指向Z轴正方向

这个原则还有一个旋向的表示版本:
右手四指握拳的旋向为x轴正方向到y轴正方向旋转, 这个旋向确定的右手拇指方向为z轴方向.
如果旋向确定的方向与z轴相反, 则说明坐标系为左手坐标系

`,readingTime:{minutes:.52,words:156},title:"",type:"article",s:"右手定则"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%9D%90%E6%A0%87.html",{loader:()=>B(()=>import("./坐标.html-D_SbMBk9.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

Introduction

在线性代数里,坐标是向量相对于一组基的表示系数。

Definition

VV 是一个向量空间,B={e1,e2,,en}B=\\{e_1,e_2,\\ldots,e_n\\}VV 的一组基。若向量 vVv\\in V 可以唯一写成

`,readingTime:{minutes:.78,words:234},title:"",type:"article",s:"坐标"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%9D%90%E6%A0%87%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./坐标变换.html-i8y5_7da.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

Introduction

在线性代数中,坐标变换是指同一个向量在不同基下的坐标表示之间的转换。

Definition

设同一个向量 vv 在旧基下的坐标为 [v]B[v]_B,在新基下的坐标为 [v]B[v]_{B'}。若新基向量在旧基下的坐标按列组成矩阵 PP,则有:

`,readingTime:{minutes:.86,words:259},title:"",type:"article",s:"坐标变换"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%9F%BA.html",{loader:()=>B(()=>import("./基.html-St3UlNyx.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

基指的是向量空间中的一个向量集合, 满足以下两个条件:

  1. 线性独立: 基中的向量之间互相独立, 即没有任何一个向量可以表示为其他向量的线性组合. 用公式表示, 如果有向量集合{v1,v2,,vn}\\{v_1, v_2, \\dots, v_n\\}, 那么对于标量c1,c2,,cnc_1, c_2, \\dots, c_n, 如果
`,readingTime:{minutes:1.31,words:394},title:"",type:"article",s:"基"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%9F%BA%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./基变换.html-Ccp4Qgsm.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

Introduction

基变换是指在向量空间中,从一个基变换到另一个基的过程。

Definition

给定两个基 B={e1,e2,,en}B=\\{e_1, e_2, \\ldots, e_n\\}B={e1,e2,,en}B'=\\{e'_1, e'_2, \\ldots, e'_n\\},同一向量在这两个基下会有不同的坐标表示。基变换矩阵用于把一种坐标表示转换成另一种坐标表示。

`,readingTime:{minutes:1.03,words:309},title:"",type:"article",s:"基变换"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%AD%90%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./子空间.html-CdfHA-oY.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

定义

子空间是原向量空间的一个子集, WVW \\subset V ,它本身也构成一个向量空间。

`,readingTime:{minutes:.98,words:294},title:"",type:"article",s:"子空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%AF%B9%E5%81%B6%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./对偶空间.html-B-lwiJQ2.js"),[]),meta:{tag:["数学"],excerpt:`

对偶空间的定义

在数学中,特别是线性代数和泛函分析里,一个向量空间的对偶空间是由其上的所有线性泛函(线性映射到其标量域)组成的向量空间。如果有一个向量空间 VV,其定义在域 FF 上(例如实数R\\mathbb{R}或复数C\\mathbb{C}),那么 VV 的对偶空间,通常表示为 VV^*,包含所有从 VVFF 的线性映射。

`,readingTime:{minutes:1.35,words:405},title:"",type:"article",s:"对偶空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E5%B8%8C%E5%B0%94%E4%BC%AF%E7%89%B9%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./希尔伯特空间.html-DmpVGe0T.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在数学里,希尔伯特空间即完备的内积空间,也就是一个带有内积的完备向量空间。内积的构造推广了欧几里得空间的距离和角的概念;完备则确保了其上所有的柯西序列会收敛到此空间里的一点,从而微积分中的许多概念都可以推广到希尔伯特空间中。

希尔伯特空间为基于任意正交系上的多项式表示的傅立叶级数傅立叶变换提供了一种有效的表述方式,而这也是泛函分析的核心概念之一。另外希尔伯特空间也是量子力学的重要数学基础之一。

`,readingTime:{minutes:3.48,words:1045},title:"",type:"article",s:"希尔伯特空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E6%97%8B%E8%BD%AC%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./旋转变换.html-DjXQfNQE.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

二维直角坐标的函数从原点旋转θ\\theta°的旋转变换为: 对于函数上每点(x,y)(x,y)右乘RR:

',readingTime:{minutes:.97,words:291},title:"三维",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E6%97%8B%E8%BD%AC%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./旋转矩阵.html-sSP4vn53.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

旋转矩阵是正交矩阵的一种特殊形式,用于描述二维平面上的旋转变换。

二维空间

在二维空间中,旋转可以用一个单一的角 θ\\theta 定义。作为约定,正角表示逆时针旋转。把笛卡尔坐标的列向量关于原点逆时针旋转 θ\\theta 的矩阵是:

`,readingTime:{minutes:2.91,words:874},title:"性质",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E6%AD%A3%E4%BA%A4%E5%87%BD%E6%95%B0.html",{loader:()=>B(()=>import("./正交函数.html-YCygVnFR.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`
ChatGPT

正交函数是指在某个特定的内积空间中,两个函数之间的内积为零。换句话说,正交函数是在内积空间中相互垂直的函数。如果两个函数正交,意味着它们在某种程度上互不相关。
在实数域上,两个函数 f(x) g(x)g(x)是正交的,如果它们的乘积在某个区间上满足以下条件:

`,readingTime:{minutes:.91,words:272},title:"",type:"article",s:"正交函数"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E6%AD%A3%E4%BA%A4%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./正交变换.html-BOznA0Dr.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在线性代数中,正交变换是线性变换的一种。如果对于任意向量 uuvv 其内积等于正交变换后之向量 T(u)T(u)T(v)T(v) 之内积,则称之为正交变换。

`,readingTime:{minutes:.65,words:195},title:"Wikipedia",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E6%AD%A3%E4%BA%A4%E6%80%A7.html",{loader:()=>B(()=>import("./正交性.html-BAGp2-6y.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在带有内积线性空间中,正交指的是两个向量在内积意义下“垂直”。如果两个向量的内积为零,则称这两个向量正交。

a,b=0\\langle \\vec{a}, \\vec{b}\\rangle=0

`,readingTime:{minutes:.42,words:126},title:"",type:"article",s:"正交性"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E6%AD%A3%E4%BA%A4%E6%8A%95%E5%BD%B1.html",{loader:()=>B(()=>import("./正交投影.html-DYbW9fvC.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

Introduction

正交投影是将向量垂直投影到一个子空间的过程。

Definition

{w1,w2,,wk}\\{w_1, w_2, \\ldots, w_k\\} 是子空间 WW 的一组两两正交基,则向量 vvWW 上的正交投影 projW(v)\\text{proj}_W(v) 为:

`,readingTime:{minutes:.89,words:267},title:"",type:"article",s:"正交投影"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E6%AD%A3%E4%BA%A4%E8%A1%A5%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./正交补空间.html-Bvy5Hdch.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

正交补空间(Orthogonal Complement)是线性代数和向量空间理论中的一个重要概念,主要用于描述向量空间中某个子空间相对于整个空间的正交关系。

定义

给定一个向量空间 VV 和它的一个子空间 WWWW 的正交补空间 WW^\\perpVV 中所有与 WW 中的每个向量都正交的向量构成的集合。用数学语言表达就是:

`,readingTime:{minutes:2.16,words:648},title:"",type:"article",s:"正交补空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E7%9B%B4%E5%92%8C.html",{loader:()=>B(()=>import("./直和.html-Dfb3OvJR.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

直和用于描述两个或多个较小的[代数结构]组合成一个更大结构的方法,同时保持原有结构的独立性。

向量空间的直和

直和最常见的应用是在向量空间中。如果有两个向量空间 VVWW,它们的直和记为 VWV \\oplus W,定义为所有可能的有序对 (v,w)(v, w) 的集合,其中 vVv \\in VwWw \\in W。这个新的向量空间的加法和标量乘法定义为:

`,readingTime:{minutes:1.42,words:426},title:"",type:"article",s:"直和"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E7%BA%BF%E6%80%A7.html",{loader:()=>B(()=>import("./线性.html-6i7QQJqS.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

线性描述的是一种简单直接的变换的性质:

T[ax+by]=aT(x)+bT(y)T[ax + by] = a T(x) + b T(y)

`,readingTime:{minutes:.26,words:78},title:"",type:"article",s:"线性"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E7%BA%BF%E6%80%A7%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./线性变换.html-BH3IBz2T.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

线性变换是满足线性性质的变换. 也是从一个向量空间到另一个向量空间的函数.

定义

一个线性变换:

T:VWT: V \\to W

`,readingTime:{minutes:.9,words:270},title:"",type:"article",s:"线性变换"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E7%BA%BF%E6%80%A7%E7%8B%AC%E7%AB%8B.html",{loader:()=>B(()=>import("./线性独立.html-k3j8h-0o.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

两个向量独立(线性无关)指的是这两个向量之间不存在非零的线性组合使其等于零向量。具体来说,设有两个向量 v1\\mathbf{v}_1v2\\mathbf{v}_2,它们线性独立的定义如下:

',readingTime:{minutes:4.68,words:1404},title:"两个以上的情况",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E7%BB%B4%E6%95%B0.html",{loader:()=>B(()=>import("./维数.html-C6yN4YuW.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:`

Introduction

维数(Dimension)是数学中描述向量空间或几何体大小的一个重要概念。

Definition

对于有限维向量空间,维数指的是任一组基所含向量的个数。若一个向量空间的一组基由 nn 个向量组成,则该向量空间的维数为 nn

`,readingTime:{minutes:.8,words:240},title:"",type:"article",s:"维数"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E8%8C%83%E6%95%B0.html",{loader:()=>B(()=>import("./范数.html-D8Rr6-ND.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

向量的大小也称模长长度(Magnitude)表示线性空间中从原点到该向量所指向的点的直线距离.

v=i=1nvi2\\left\\|{\\vec {v}}\\right\\|=\\sqrt{ \\sum_{i=1}^n v_{i}^2 }

`,readingTime:{minutes:.43,words:130},title:"性质",type:"article"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E9%9B%B6%E5%8C%96%E5%BA%A6.html",{loader:()=>B(()=>import("./零化度.html-IMaRqaTq.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

零化度(Nullity)是矩阵零空间的维数, 即所有使得Ax=0Ax = 0的向量集合的维数.
零化度反映了线性方程组Ax=0Ax = 0的解空间的自由度.

`,readingTime:{minutes:.82,words:245},title:"",type:"article",s:"零化度"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E9%9B%B6%E7%A9%BA%E9%97%B4.html",{loader:()=>B(()=>import("./零空间.html-Bk2AKmqf.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

如果 AA 是矩阵, 它的零空间是所有满足 Ax=0Ax=0 的向量构成的线性子空间。这个子空间的维度称为 AA[零化度]

`,readingTime:{minutes:2.19,words:658},title:"",type:"article",s:"零空间"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E9%9B%B6%E7%A9%BA%E9%97%B4%E7%9A%84%E8%AE%A1%E7%AE%97%E8%BF%87%E7%A8%8B.html",{loader:()=>B(()=>import("./零空间的计算过程.html-DX8QALJ9.js"),[]),meta:{tag:["数学","计算"],excerpt:`

问题描述

给定一个矩阵:

A=[123246369]A = \\begin{bmatrix} 1 & 2 & 3 \\\\ 2 & 4 & 6 \\\\ 3 & 6 & 9 \\end{bmatrix}

`,readingTime:{minutes:1.08,words:325},title:"",type:"article",s:"零空间的计算过程"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/%E9%BD%90%E6%AC%A1.html",{loader:()=>B(()=>import("./齐次.html-qLp38uRN.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

齐次是描述数学对象(多项式, 函数, 微分方程, 线性方程组)的一种性质, 反映了一种在尺度变换下的不变性或对称性。

齐次变换

对于所有的向量vv和任意标量cc, 齐次变换TT满足: $$
T(c\\vec{v}) = cT(\\vec{v})$$^1

`,readingTime:{minutes:2.01,words:602},title:"简介",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R02-B-%E5%95%8F1.html",{loader:()=>B(()=>import("./R02-B-問1.html-nONqVAG-.js"),[]),meta:{author:["Cyletix"],tag:["例题","信息论"],excerpt:`

問1

【問1】以下に示す定常2次マルコフ情報源 SS の状態遷移図について,次の問いに答えよ.

`,readingTime:{minutes:16.47,words:4942},title:"o1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R02-B-%E5%95%8F2.html",{loader:()=>B(()=>import("./R02-B-問2.html-CJxcKEuc.js"),[]),meta:{author:["Cyletix"],tag:["信息论","例题","過去問"],excerpt:`

XXYY を,{0,1}\\{0, 1\\} に値をとる確率変数とする.パラメータ α,β,γ[0,1]\\alpha, \\beta, \\gamma \\in [0, 1] に対して,確率を次のように定める:

`,readingTime:{minutes:4.19,words:1256},title:"問2",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R02-C-%E5%95%8F1.html",{loader:()=>B(()=>import("./R02-C-問1.html-BLzJPZJ_.js"),[]),meta:{author:["Cyletix"],tag:["自动机","過去問","例题"],excerpt:`

問1

日本語原文

【問1】
決定性有限オートマトン M1=(P,Σ,δ1,p1,F1)M_1 = (P, \\Sigma, δ_1, p_1, F_1) を考える.ただし,P,Σ,δ1,p1,F1P, \\Sigma, δ_1, p_1, F_1 はそれぞれ M1M_1 の状態集合,アルファベット,遷移関数,初期状態,最終状態の集合を表す.

`,readingTime:{minutes:7.32,words:2196},title:"",type:"article",s:"R02-C-問1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R02-C-%E5%95%8F2.html",{loader:()=>B(()=>import("./R02-C-問2.html-CZ7gCHM0.js"),[]),meta:{author:["Cyletix"],tag:["自动机","過去問","例题"],excerpt:`

日文

【問2】
アルファベット Σ={a,b}\\Sigma = \\{a, b\\} 上の文字列 ww に対し,ww の長さを w|w| と表す.また,1iw1 \\le i \\le |w| に対して w[i]w[i]wwii 番目の文字を表す.ww の逆文字列を wRw^R と表す.x=y1|x| = |y| \\ge 1 を満たす Σ\\Sigma 上の文字列 xxyy に対して,

`,readingTime:{minutes:20.06,words:6018},title:"第一部分:",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R02-%E6%95%B0%E5%AD%A6-%E5%90%91%E9%87%8F%E5%88%86%E6%9E%90.html",{loader:()=>B(()=>import("./R02-数学-向量分析.html-C3JWUyHk.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

3. ベクトル解析 Vector analysis

在直角坐标系中,沿 x,y,zx, y, z 轴方向的单位矢量分别为 i,j,ki, j, k,回答以下问题:

`,readingTime:{minutes:4.82,words:1446},title:"",type:"article",s:"R02-数学-向量分析"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R02infait.html",{loader:()=>B(()=>import("./R02infait.html-kqryGyAu.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

6选3

1. 線形代数 Linear algebra

已知数列 a0,a1,a2,a_0, a_1, a_2, \\dots,定义为:

`,readingTime:{minutes:4.04,words:1212},title:"数学",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03-B-%E5%95%8F1.html",{loader:()=>B(()=>import("./R03-B-問1.html-Cxjb2nIL.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

入力アルファベットと出力アルファベットがともに {1,2,3,4}\\{1, 2, 3, 4\\} である無記憶な通信路 W(yx)W(y|x) の通信路行列が

`,readingTime:{minutes:4.42,words:1327},title:"問1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03-B-%E5%95%8F2.html",{loader:()=>B(()=>import("./R03-B-問2.html-rfKx9FfT.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

定常無記憶情報源 X1X2X_1X_2 \\dots を考える。この情報源のアルファベットを有限集合 χ\\chi とし、各 XiX_i は確率分布 p(x)p(x) に従うものとする。任意に固定された ε>0\\varepsilon > 0 に対し、系列 (x1,x2,,xn)χn(x_1, x_2, \\dots, x_n) \\in \\chi^n

`,readingTime:{minutes:4.5,words:1351},title:"問2",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03-C-%E5%95%8F1.html",{loader:()=>B(()=>import("./R03-C-問1.html-DQ-L33hc.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

問1

状態数2の決定性有限オートマトンを考える。決定性有限オートマトン M=(K,Σ,δ,q0,F)M = (K, \\Sigma, \\delta, q_0, F) において、K={q0,q1},Σ={a,b},F={q0}K = \\{q_0, q_1\\}, \\Sigma = \\{a, b\\}, F = \\{q_0\\} とする。ただし、K,Σ,δ,q0,FK, \\Sigma, \\delta, q_0, F はそれぞれ MM の状態集合、アルファベット、遷移関数、初期状態、最終状態の集合を表し、aabb は文字である。なお δ(p,x)=r (p,rK,xΣ)\\delta(p, x) = r \\ (p, r \\in K, x \\in \\Sigma) は、MM が文字 xx を読むことで状態 pp から状態 rr に移ることを表す。MM によって受理される言語を L(M)L(M) で表す。
Σ\\Sigma 上の正規表現 e(a,b)e(a, b) が表す言語を e(a,b)\\|e(a, b)\\| で表す。次の各問いに答えよ。

`,readingTime:{minutes:16.89,words:5068},title:"GPT-4o",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03-C-%E5%95%8F2.html",{loader:()=>B(()=>import("./R03-C-問2.html-DB38D93F.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

問2

文脈自由文法を4つ組 (N,Σ,P,S)(N, \\Sigma, P, S) で表す。ただし、N,Σ,P,SN, \\Sigma, P, S をそれぞれ非終端記号の集合、終端記号の集合、生成規則の集合、開始記号とする。Σ\\Sigma 上の文字列 ww と終端記号 xΣx \\in \\Sigma に対して、wx|w|_xww 中の xx の出現回数とする。以下の各問いに答えよ。

`,readingTime:{minutes:4.67,words:1401},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03-%E6%95%B0%E5%AD%A6-%E5%90%91%E9%87%8F%E5%88%86%E6%9E%90.html",{loader:()=>B(()=>import("./R03-数学-向量分析.html-lO8ZfoBE.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

直交座標系において、xxyyzz 軸方向の単位ベクトルをそれぞれ i\\mathbf{i}j\\mathbf{j}k\\mathbf{k} とする。次の各問に答えよ。

`,readingTime:{minutes:3.62,words:1087},title:"ベクトル解析",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03-%E6%95%B0%E5%AD%A6-%E5%A4%8D%E7%B4%A0%E6%95%B0.html",{loader:()=>B(()=>import("./R03-数学-复素数.html-mnF6KQoF.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

次の各問に答えよ。

  1. 複素関数

f(z)=1z(z2)2f(z) = \\frac{1}{z(z - 2)^2}

`,readingTime:{minutes:5.36,words:1607},title:"複素関数論",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03-%E6%95%B0%E5%AD%A6-%E6%A6%82%E7%8E%87%E7%BB%9F%E8%AE%A1.html",{loader:()=>B(()=>import("./R03-数学-概率统计.html-BE2AqTe9.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

確率・統計

実数 pp0<p<10 < p < 1 を満たすものとする。確率変数 XXYY は独立に同一の確率関数

`,readingTime:{minutes:1.17,words:351},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R03ist.html",{loader:()=>B(()=>import("./R03ist.html-BX5N1C71.js"),[]),meta:{author:["Cyletix"],tag:["過去問","例题","数学"],excerpt:`

線形代数

n×mn \\times m 実行列 ARn×mA \\in \\mathbb{R}^{n \\times m} の第 jj 列 (j=1,2,,mj = 1, 2, \\dots, m) を ajRna_j \\in \\mathbb{R}^n とする。
各部分集合 J{1,2,,m}J \\subseteq \\{1, 2, \\dots, m\\} について、その要素数を J|J| で表し、aj (jJ)a_j \\ (j \\in J)jj に関する昇順で左から並べて得られる AA の部分行列を A[J]Rn×JA[J] \\in \\mathbb{R}^{n \\times |J|} で表す。
このとき、以下の問いに答えよ。

`,readingTime:{minutes:1.27,words:381},title:"数学",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-B-%E5%95%8F1.html",{loader:()=>B(()=>import("./R04-B-問1.html-eHaVwvNR.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問1

kk を正の整数とする.入力アルファベットが X={0,1}kX = \\{0, 1\\}^k, 出力アルファベットが Y={0,1}kY = \\{0, 1\\}^k の無記憶な通信路 W(YX)W(Y|X)

`,readingTime:{minutes:2.77,words:831},title:"o1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-B-%E5%95%8F2.html",{loader:()=>B(()=>import("./R04-B-問2.html-CH5AZsSP.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問2

アルファベットが {1,2,3,4}\\{1, 2, 3, 4\\} である単純マルコフ情報源の遷移確率行列が

`,readingTime:{minutes:6.9,words:2069},title:"o1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-C-%E5%95%8F1.html",{loader:()=>B(()=>import("./R04-C-問1.html-CL0jdQz8.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問1

以下の状態遷移図を持つ決定性有限オートマトンを M=(K,Σ,δ,q0,F)M = (K, \\Sigma, \\delta, q_0, F) とする.

`,readingTime:{minutes:6.95,words:2084},title:"o1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-C-%E5%95%8F2.html",{loader:()=>B(()=>import("./R04-C-問2.html-BT47jh1Z.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問2

文字列 xx と文字列 yy に対して, #y(x)\\#_y(x)xx における yy の部分文字列としての出現回数とする.例えば、文字列x=abbbabbx=abbbabbと文字列y=bby=bbについて、#y(x)=3\\#_y(x)=3である. また、文字列xxの反転文字列をxRx^Rと表す. 以下の言語を考える:

`,readingTime:{minutes:1.02,words:306},title:"",type:"article",s:"R04-C-問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-%E6%95%B0%E5%AD%A6-%E5%90%91%E9%87%8F%E5%88%86%E6%9E%90.html",{loader:()=>B(()=>import("./R04-数学-向量分析.html-BkuP3yiT.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

ベクトル解析

直交座標系において, xx, yy, zz 軸方向の単位ベクトルをそれぞれ i\\mathbf{i}, j\\mathbf{j}, k\\mathbf{k} とする.ベクトル場 F\\mathbf{F}

`,readingTime:{minutes:6.94,words:2083},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-%E6%95%B0%E5%AD%A6-%E5%BE%AE%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./R04-数学-微积分.html-CZMIf8MQ.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

解析学・微積分

  1. RmR^m 上で微分可能な実数値関数 f(x) (x=(x1,x2,,xm))f(x) \\ (x = (x_1, x_2, \\dots, x_m)) について, xi=vi(t) (i=1,2,,m)x_i = v_i(t) \\ (i = 1, 2, \\dots, m) とおく.ただし, 各 viv_iRR 上で微分可能な関数とする.次の各問いに答えよ.
    • (a) dfdt\\frac{df}{dt}fxi\\frac{\\partial f}{\\partial x_i}dvidt (i=1,2,,m)\\frac{dv_i}{dt} \\ (i = 1, 2, \\dots, m) で表せ.
    • (b) m=2,f(x)=x12+x1x2+2x22,v1(t)=sint,v2(t)=etm = 2, f(x) = x_1^2 + x_1 x_2 + 2x_2^2, v_1(t) = \\sin t, v_2(t) = e^t のとき, dfdt\\frac{df}{dt} を求めよ.
  2. 次の微分方程式の一般解を求めよ. $$\\frac{dy}{dx} - 2xy = e{x2}$$
  3. 閉曲線 CC に沿った複素積分 $$\\oint_C \\frac{\\cos z}{(2z - \\pi)^3} , dz$$
    を求めよ.ただし, CC は円 z=2|z| = 2 とする.
`,readingTime:{minutes:4.58,words:1374},title:"o1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-%E6%95%B0%E5%AD%A6-%E6%A6%82%E7%8E%87%E7%BB%9F%E8%AE%A1.html",{loader:()=>B(()=>import("./R04-数学-概率统计.html-83LlrtcJ.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

確率・統計

2以上の自然数 nn に対して, P=(P1,,Pn)P = (P_1, \\dots, P_n) は一様ランダムに選ばれた {1,,n}\\{1, \\dots, n\\} の順列とする.任意の自然数 i,j (1i<jn)i, j \\ (1 \\leq i < j \\leq n) に対して,

`,readingTime:{minutes:1.96,words:589},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04-%E6%95%B0%E5%AD%A6-%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0.html",{loader:()=>B(()=>import("./R04-数学-线性代数.html-C6e2r6Kv.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

線形代数

n次元ユークリッド空間上の n+1n + 1 個の点 p1,p2,,pn+1Rnp_1, p_2, \\dots, p_{n+1} \\in \\mathbb{R}^n に対し, 2点 pi,pjp_i, p_j 間のユークリッド距離を di,j=pipjd_{i,j} = \\|p_i - p_j\\| で表す.ただし, 各 pip_i は列ベクトルである.また, gi,j=di,n+12+dj,n+12di,j2 (1i,jn)g_{i,j} = d_{i,n+1}^2 + d_{j,n+1}^2 - d_{i,j}^2 \\ (1 \\leq i, j \\leq n) を添字順に並べて得られる行列を G=(gi,j)Rn×nG = (g_{i,j}) \\in \\mathbb{R}^{n \\times n} とする.このとき以下の各問いに答えよ.

`,readingTime:{minutes:8.25,words:2475},title:"GPT-4o",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R04ist.html",{loader:()=>B(()=>import("./R04ist.html-D4615udg.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問","数学"],excerpt:`

R04-数学-线性代数


R04-数学-微积分


R04-数学-向量分析

`,readingTime:{minutes:.32,words:96},title:"数学",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-B-%E5%95%8F1.html",{loader:()=>B(()=>import("./R05-B-問1.html-Ccwv0m_p.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問1

以下の各問いに答えよ。
(1) 区間 [0,a][0, a] (a>0a > 0) 上の一様分布に従う確率変数の微分エントロピーを求めよ。
(2) 区間 [0,a][0, a] (a>0a > 0) 上で定義された確率密度関数 p(x)=2xa2p(x) = \\frac{2x}{a^2} に従う確率変数の微分エントロピーを求めよ。

`,readingTime:{minutes:2.4,words:719},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-B-%E5%95%8F2.html",{loader:()=>B(()=>import("./R05-B-問2.html-DyCthLYe.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問2

時刻 tt の入力 Xt{0,1}X_t \\in \\{0, 1\\} (t=1,2,t = 1, 2, \\dots) に対し、入力と独立な誤り源 SES_E から発生した記号 Zt{0,1}Z_t \\in \\{0, 1\\} が加わった値 Yt=XtZtY_t = X_t \\oplus Z_t が出力される加法的2元通信路 WW を考える。ただし、\\oplus は排他的論理和を表し、01=10 \\oplus 1 = 111=01 \\oplus 1 = 0 である。誤り源 SES_E が、P(Zt+1=1Zt=0)=0.25P(Z_{t+1} = 1 | Z_t = 0) = 0.25P(Zt+1=1Zt=1)=0.5P(Z_{t+1} = 1 | Z_t = 1) = 0.5 となる定常な単純マルコフ情報源である場合について、以下の問いに答えよ。
(1) 誤り源 SES_E の定常確率分布を求めよ。
(2) 誤り源 SES_E のエントロピーレート H(SE)H(S_E) を求めよ。
(3) Xn=(X1,,Xn)X^n = (X_1, \\dots, X_n)P(Xt=1)=12P(X_t = 1) = \\frac{1}{2} (t=1,2,,nt = 1, 2, \\dots, n) である離散無記憶情報源からの出力であり、Zn=(Z1,,Zn)Z^n = (Z_1, \\dots, Z_n) が定数 zn{0,1}nz^n \\in \\{0, 1\\}^n に固定されていると仮定する。Yn=(Y1,,Yn)Y^n = (Y_1, \\dots, Y_n)P(Yt=1)=12P(Y_t = 1) = \\frac{1}{2} (t=1,2,,nt = 1, 2, \\dots, n) である離散無記憶情報源の出力であることを示せ。
(4) 通信路 WW の通信路容量は以下の式で定義される。

`,readingTime:{minutes:2.42,words:727},title:"",type:"article",s:"R05-B-問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-C-%E5%95%8F1.html",{loader:()=>B(()=>import("./R05-C-問1.html-BGeE4C2k.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問1

白玉が kk 個、赤玉が ll 個入っている袋から1つずつ玉を取り出すという操作を、袋が空になるまで繰り返す。(全部で n=k+ln = k + l 回の操作が行われる。)このとき、取り出された順に玉の色を並べることによって得られる長さ nn の文字列 a=a1a2ana = a_1 a_2 \\dots a_n を次のように定義する。各 i{1,2,,n}i \\in \\{1, 2, \\dots, n\\} に対し、ii 回目の操作で白玉が取り出されたとき ai=wa_i = w、赤玉が取り出されたとき ai=ra_i = r とする。このようにして得られるすべての文字列 aa からなる集合を Lk,lL_{k,l} とする。すなわち、Σ={w,r}\\Sigma = \\{w, r\\} としたとき Lk,lΣnL_{k,l} \\subseteq \\Sigma^n である。また、ii 回目の操作で白玉が取り出されたとき、その時点で袋の中に残っている赤玉の個数を pip_i、赤玉が取り出されたとき、その時点で袋の中に残っている白玉の個数を pip_i とし、報酬 pip_i が与えられるとする。このようにして得られるすべての報酬の系列 p=p1p2pnp = p_1 p_2 \\dots p_n からなる集合を Pk,lP_{k,l} とする。例えば、k=l=3k = l = 3 で、赤、白、白、赤、赤、白の順に玉を袋から取り出したとき,a=rwwrrwa = rwwrrwp=322110p = 322110 となるので、aL3,3a \\in L_{3,3}pP3,3p \\in P_{3,3} であるが、rwwwrwL3,3rwwwrw \\notin L_{3,3}wwrr の出現数は等しいはず)、322111P3,3322111 \\notin P_{3,3}(最後に受け取る報酬は必ず0 のはず)である。

`,readingTime:{minutes:6.31,words:1892},title:"o1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-C-%E5%95%8F2.html",{loader:()=>B(()=>import("./R05-C-問2.html-Cmi_rwqD.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問2

文脈自由文法を4つ組 (N,Σ,P,S)(N, \\Sigma, P, S) で表す。ただし、NNΣ\\SigmaPPSS をそれぞれ非終端記号の集合、終端記号の集合、生成規則の集合、開始記号とする。Σ={a,b}\\Sigma = \\{a, b\\} とする。
(1) L1={aibj0i<j}L_1 = \\{a^i b^j | 0 \\leq i < j\\} とする。言語 L1L_1 を生成する文脈自由文法 G1=(N1,Σ,P1,S)G_1 = (N_1, \\Sigma, P_1, S) の生成規則の集合 P1P_1 を与えよ。ただし N1=1|N_1| = 1 とする。
(2) L2L_2 を以下の条件を満たす言語とする。

`,readingTime:{minutes:3.89,words:1167},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-%E6%95%B0%E5%AD%A6-%E5%90%91%E9%87%8F%E5%88%86%E6%9E%90.html",{loader:()=>B(()=>import("./R05-数学-向量分析.html-Dhpiy2Bw.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

ベクトル解析

直交座標系において、xxyyzz 軸方向の単位ベクトルをそれぞれ i\\mathbf{i}j\\mathbf{j}k\\mathbf{k} とする。ベクトル場 F\\mathbf{F}F=yixj+zk\\mathbf{F} = y \\mathbf{i} - x \\mathbf{j} + z \\mathbf{k} とする。次の各問に答えよ。
(1) CCx2+y2=4x^2 + y^2 = 4, z=0z = 0 で定義される円とする。次に示す C1C_1 および C2C_2 に沿った線積分

`,readingTime:{minutes:1.76,words:527},title:"",type:"article",s:"R05-数学-向量分析"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-%E6%95%B0%E5%AD%A6-%E5%BE%AE%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./R05-数学-微积分.html-0xlDVQ0R.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

解析学・微積分 (Analysis and calculus)

(1) R\\mathbb{R} 上の関数 f(x)=cosxf(x) = \\cos xkk 階導関数を f(k)(x)f^{(k)}(x) で表す。以下の各問いに答えよ。
(a) 全ての k1k \\geq 1 について f(k)(0)f^{(k)}(0) を求めよ。
(b) f(x)f(x) の原点周りでのテイラー級数を

`,readingTime:{minutes:1.67,words:500},title:"解答",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-%E6%95%B0%E5%AD%A6-%E6%A6%82%E7%8E%87%E7%BB%9F%E8%AE%A1.html",{loader:()=>B(()=>import("./R05-数学-概率统计.html-72Nila2t.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

確率・統計

箱の中に5枚のコイン(コイン1~コイン5)がある。箱から一様ランダムにコインを1枚選んで何度か投げる試行を考える。ただし、それぞれのコイン ii の表が出る確率 pip_i は次の通りである。

`,readingTime:{minutes:1.7,words:509},title:"",type:"article",s:"R05-数学-概率统计"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05-%E6%95%B0%E5%AD%A6-%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0.html",{loader:()=>B(()=>import("./R05-数学-线性代数.html-DM5UHgAp.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

線形代数 (Linear algebra)

n×nn \\times n の実対称行列 A=[aij]n×nRn×nA = [a_{ij}]_{n \\times n} \\in \\mathbb{R}^{n \\times n} に対して、AA の各要素 aija_{ij}aij{0,1}a_{ij} \\in \\{0,1\\} (1i,jn1 \\leq i,j \\leq n) かつ aii=0a_{ii} = 0 (1in1 \\leq i \\leq n) を満たすとする。AA に対して、D=[δij(k=1naik)]n×nD = [\\delta_{ij} (\\sum_{k=1}^n a_{ik})]_{n \\times n} と定義する。ただし、δij\\delta_{ij} は、1i,jn1 \\leq i,j \\leq n に対して、i=ji = j のとき δij=1\\delta_{ij} = 1、そうでないとき δij=0\\delta_{ij} = 0 によって定義される。さらに、L=DAL = D - A と定義する。以下の各問いに答えよ。

`,readingTime:{minutes:1.87,words:560},title:"解答",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R05ist.html",{loader:()=>B(()=>import("./R05ist.html-CcPwZ4uk.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問","数学"],excerpt:`

R05-数学-线性代数


R05-数学-微积分

`,readingTime:{minutes:.34,words:103},title:"数学",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-B-%E5%95%8F1.html",{loader:()=>B(()=>import("./R06-B-問1.html-Cn0LR1Gm.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

【問1】

アルファベット {s1,s2,s3,s4,s5,s6}\\{s_1, s_2, s_3, s_4, s_5, s_6\\} 上の無記憶情報源 SS の符号化に関して,以下の問いに答えよ。ただし,符号語アルファベットを {0,1}\\{0, 1\\} とする。

`,readingTime:{minutes:2,words:601},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-B-%E5%95%8F2.html",{loader:()=>B(()=>import("./R06-B-問2.html-BqMJsPOB.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

【問2】

アルファベット X={1,2,3}X = \\{1, 2, 3\\} 上の確率分布 p1p_1p2p_2 を以下のように定める:

`,readingTime:{minutes:1.36,words:409},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-C-%E5%95%8F1.html",{loader:()=>B(()=>import("./R06-C-問1.html-DJOqClcP.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問1

アルファベット Σ={a,d}\\Sigma = \\{a, d\\} 上の言語 LL を以下のように定義する:

`,readingTime:{minutes:1.19,words:357},title:"",type:"article",s:"R06-C-問1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-C-%E5%95%8F2.html",{loader:()=>B(()=>import("./R06-C-問2.html-B2-0sgb6.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

問2

アルファベット Σ={,,,}\\Sigma = \\{\\rightarrow, \\leftarrow, \\uparrow, \\downarrow\\} 上の文字列 a=a[1]a[2]a[n]a = a[1]a[2]\\cdots a[n](各 ii に対し a[i]Σa[i] \\in \\Sigma)に対し、2次元ベクトルの系列 f(a)=(p[0],p[1],,p[n])f(a) = (p[0], p[1], \\dots, p[n])(各 ii に対し p[i]=(x[i],y[i])p[i] = (x[i], y[i]), x[i],y[i]x[i], y[i] は整数)を次のように定義する:

`,readingTime:{minutes:2.93,words:879},title:"",type:"article",s:"R06-C-問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-%E6%95%B0%E5%AD%A6-%E5%90%91%E9%87%8F%E5%88%86%E6%9E%90.html",{loader:()=>B(()=>import("./R06-数学-向量分析.html--qVxfCng.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

ベクトル解析

直交座標系において,xxyy軸方向の単位ベクトルをそれぞれ i\\mathbf{i}j\\mathbf{j} とする.次の (1),(2) で示すベクトル場 F\\mathbf{F} と経路 CC について,線積分

`,readingTime:{minutes:2.97,words:892},title:"o1",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-%E6%95%B0%E5%AD%A6-%E5%BE%AE%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./R06-数学-微积分.html-DPxMi_EQ.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

解析学・微積分 (Analysis and Calculus)

  1. 次の積分を計算せよ:

    I=0x5exp(x4)dxI = \\int_{0}^{\\infty} x^5 \\exp(-x^4) \\, dx

    ただし、以下を証明なく用いてよい:

    exp(x2)dx=π\\int_{-\\infty}^{\\infty} \\exp(-x^2) \\, dx = \\sqrt{\\pi}

  2. 次の微分方程式の一般解を求めよ:

    dydx+y=xsinh(x)\\frac{dy}{dx} + y = x \\sinh(x)

  3. 複素関数 f(z)=1z4+1f(z) = \\frac{1}{z^4 + 1} を考える。以下に答えよ:

    1. f(z)f(z) の極を全て求めよ。
    2. CC を図示した半円とし、R>1R > 1 の場合、複素積分 Cf(z)dz\\int_C f(z) \\, dz を計算せよ。
  4. 积分の計算
    次の積分を計算する:

    I=0x5exp(x4)dxI = \\int_{0}^{\\infty} x^5 \\exp(-x^4) \\, dx

`,readingTime:{minutes:1.75,words:526},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-%E6%95%B0%E5%AD%A6-%E6%A6%82%E7%8E%87%E7%BB%9F%E8%AE%A1.html",{loader:()=>B(()=>import("./R06-数学-概率统计.html-DRPuvFbf.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

確率・統計

  1. 箱の中に N1N_1 個の白球と N2N_2 個の黒球があり、総数は N=N1+N2N = N_1 + N_2 である。箱からランダムに 2 個の球を取り出すとき、両方が白球である確率が 1/21/2 であることが分かっている。
    1. N2N_2 が奇数の場合、N1N_1 の最小値を求めよ。
    2. N2N_2 が偶数の場合、N1N_1 の最小値を求めよ。
    3. NN の最小値を 3 通り求めよ。
`,readingTime:{minutes:.81,words:244},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06-%E6%95%B0%E5%AD%A6-%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0.html",{loader:()=>B(()=>import("./R06-数学-线性代数.html-DnSgWp35.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","過去問"],excerpt:`

線形代数 (Linear Algebra)

  1. 実数行列 ARm×nA \\in \\mathbb{R}^{m \\times n} および実数ベクトル bRmb \\in \\mathbb{R}^m に対して、集合を以下のように定義する:

    S={xRnAx=b},f(x)=AxS = \\{x \\in \\mathbb{R}^n \\mid Ax = b\\}, \\quad f(x) = Ax

    次の事実を証明なく用いてよい。
    • ベクトル空間 VV の部分空間 WVW \\subseteq V である条件は次の通りである:
      • C1:0WC1: 0 \\in W
      • C2:u,vW    u+vWC2: u, v \\in W \\implies u + v \\in W
      • C3:uW,cR    cuWC3: u \\in W, c \\in \\mathbb{R} \\implies cu \\in W
        以下に答えよ:
    1. A=[20200824240266]A = \\begin{bmatrix} 2 & 0 & 2 & 0 \\\\ 0 & 8 & 24 & 24 \\\\ 0 & 2 & 6 & 6 \\end{bmatrix} の場合、写像 ff のカーネル Ker(f)\\mathrm{Ker}(f) の次元と基底を求めよ。
    2. 一般的に Ker(f)\\mathrm{Ker}(f)Rn\\mathbb{R}^n の部分空間であることを示せ。
    3. SRnS \\subseteq \\mathbb{R}^n が部分空間の場合、b=0b = 0 を示せ。
    4. SRnS \\subseteq \\mathbb{R}^n が部分空0不8間かつ AA が正方行列の場合、AA が可逆なら S={0}S = \\{0\\} を示せ。
`,readingTime:{minutes:1.86,words:559},title:"DeepSeekV3",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/R06ist.html",{loader:()=>B(()=>import("./R06ist.html-CgsE3As-.js"),[]),meta:{author:["Cyletix"],tag:["例题","過去問"],excerpt:`

R06-数学-线性代数


R06-数学-微积分

`,readingTime:{minutes:.32,words:97},title:"数学",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/%E9%80%92%E6%8E%A8%E5%85%B3%E7%B3%BB%E7%9A%84%E7%BA%BF%E6%80%A7%E8%A1%A8%E7%A4%BA.html",{loader:()=>B(()=>import("./递推关系的线性表示.html-COdl5VWx.js"),[]),meta:{tag:["数学","例题"],excerpt:`

递推关系为:

an=an1+an2+2an3a_n = a_{n-1} + a_{n-2} + 2a_{n-3}

`,readingTime:{minutes:3.26,words:979},title:"",type:"article",s:"递推关系的线性表示"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%95%B0%E4%B8%80%E7%9C%9F%E9%A2%98%E6%80%BB%E7%BB%93%E6%80%A7%E6%96%87%E6%A1%A3/%E6%A6%82%E7%8E%8704-23%E7%9C%9F%E9%A2%98.html",{loader:()=>B(()=>import("./概率04-23真题.html-CWfeXuZQ.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

常见分布的期望方差:二级结论

分右类型 分布律或概率密度 期留 方差
010-1 分布 pk=P{X=k}=pkq1k(q=1p),(k=0,1)p_k=P\\{X=k\\}=p^k q^{1-k} \\quad(q=1-p),(k=0,1) pp p(1q)p(1-q)
二项分布 pk=P{X=k}=Cnkpkqnkp_k=P\\{X=k\\}=C_n^k p^k q^{n-k}
(q=1p),(k=1,2,,n)(q=1-p),(k=1,2, \\ldots, n)
npn p np(1q)n p(1-q)
几何分布 pk=P{X=k}=(1p)k1pp_k=P\\{X=k\\}=(1-\\mathrm{p})^{k-1} p,
(k=1,2,,n),0<p<1(k=1,2, \\ldots, n), 0<p<1
1p\\frac{1}{p} 1pp2\\frac{1-p}{p^2}
泊松分布 pk=P{X=k}=λkk!eλ(i=0,1,2,3)p_k=P\\{X=k\\}=\\frac{\\lambda^k}{k !} e^{-\\lambda} \\quad(i=0,1,2,3 \\ldots) λ\\lambda λ\\lambda
指数分布 f(x)={λeλx,x>00,x0f(x)=\\left\\{\\begin{array}{l}\\lambda e^{-\\lambda x}, x>0 \\\\ 0, x \\leq 0\\end{array}\\right. 1λ\\frac{1}{\\lambda} 1λ2\\frac{1}{\\lambda^2}
正态分布 f(x)=12πσe(xμ)22σ2(<x<+,σ>0)f(x)=\\frac{1}{\\sqrt{2 \\pi} \\sigma} e^{-\\frac{(x-\\mu)^2}{2 \\sigma^2}} \\quad(-\\infty<x<+\\infty, \\sigma>0) μ\\mu σ2\\sigma^2
均匀分布 f(x)={1ba,a<x<b0,otherwisef(x)=\\left\\{\\begin{array}{ll}\\frac{1}{b-a}, & a<x<b \\\\ 0, & \\text{otherwise}\\end{array}\\right. a+b2\\frac{a+b}{2} (ba)212\\frac{(b-a)^2}{12}
χ2\\chi^2 分布 X1,X2,XnX_1, X_2, \\ldots X_n 相互独立, 且都服从标准正态分布 N(0,1)\\mathrm{N}(0,1)
χ2=X12+X22++Xn2\\chi^2=X_1^2+X_2^2+\\ldots+X_n^2
nn 2n2 n
`,readingTime:{minutes:3.89,words:1166},title:"",type:"article",s:"概率04-23真题"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%95%B0%E4%B8%80%E7%9C%9F%E9%A2%98%E6%80%BB%E7%BB%93%E6%80%A7%E6%96%87%E6%A1%A3/%E7%BA%BF%E4%BB%A304-23%E7%9C%9F%E9%A2%98.html",{loader:()=>B(()=>import("./线代04-23真题.html-BO8n-h1I.js"),[]),meta:{tag:["例题"],excerpt:`
  • 共110道
    • 9
    • 19
    • 14
    • 20
    • 26
    • 22

行列式(5+4道)

代数余子式

数一2021
数二2019#(14)
`,readingTime:{minutes:2.52,words:757},title:"",type:"article",s:"线代04-23真题"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%95%B0%E4%B8%80%E7%9C%9F%E9%A2%98%E6%80%BB%E7%BB%93%E6%80%A7%E6%96%87%E6%A1%A3/%E9%AB%98%E6%95%B004-23%E7%9C%9F%E9%A2%98.html",{loader:()=>B(()=>import("./高数04-23真题.html-Dk_NYrCW.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

通过替换六级标题来完成数 "(一二三)之间的切换

  • 共502道
    • 69
    • 88
    • 78
    • 60
    • 3
    • 48
    • 51
    • 43
    • 34
    • 28

概念题

数列极限是否存在,是否收敛

数一2022
`,readingTime:{minutes:11.33,words:3400},title:"数列极限,中值定理,不等式(28道)",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802009.html",{loader:()=>B(()=>import("./数一2009.html-DaUMjhdN.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目要 求,把所选项前的字母填在题后的括号内. )

(1)

x0\\displaystyle x \\rightarrow 0 时, f(x)=xsinax\\displaystyle f(x)=x-\\sin a xg(x)=x2ln(1bx)\\displaystyle g(x)=x^{2} \\ln (1-b x) 是等价无穷小量, 则 ()

`,readingTime:{minutes:28.05,words:8415},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802010.html",{loader:()=>B(()=>import("./数一2010.html-jgT2DUoo.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目要 求,把所选项前的字母填在题后的括号内. )

(1)

极限 limx[x2(xa)(x+b)]x=(\\displaystyle \\lim _{x \\rightarrow \\infty}\\left[\\frac{x^{2}}{(x-a)(x+b)}\\right]^{x}=(\\quad )
(A) 1 .
(B) e.
(C) eab\\mathrm{e}^{a-b}.
(D) eba\\mathrm{e}^{b-a}.

`,readingTime:{minutes:32.22,words:9666},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802011.html",{loader:()=>B(()=>import("./数一2011.html-qwm5ugXL.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(1)

曲线 y=(x1)(x2)2(x3)3(x4)4y=(x-1)(x-2)^{2}(x-3)^{3}(x-4)^{4} 的拐点是 ()(\\quad)
(A) (1,0)(1,0).
(B) (2,0)(2,0).
(C) (3,0)(3,0).
(D) (4,0)(4,0).

`,readingTime:{minutes:30.82,words:9246},title:"",type:"article",s:"数一2011"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802012.html",{loader:()=>B(()=>import("./数一2012.html-BZyegioU.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目要 求,把所选项前的字母填在题后的括号内. )

(1)

曲线 y=x2+xx21y=\\frac{x^{2}+x}{x^{2}-1} 的渐近线的条数为 ()(\\quad)
(A) 0 .
(B) 1 .
(C) 2 .
(D) 3 .

`,readingTime:{minutes:41.63,words:12490},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802013.html",{loader:()=>B(()=>import("./数一2013.html-Dbjxh7Ef.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目 要求,把所选项前的字母填在题后的括号内. )

(1)

已知极限 limx0xarctanxxk=c\\displaystyle \\lim _{x \\rightarrow 0} \\frac{x-\\arctan x}{x^{k}}=c, 其中 k,ck, c 为常数, 且 c0c \\neq 0, 则 ()(\\quad)
(A) k=2,c=12k=2, c=-\\frac{1}{2}.
( B ) k=2,c=12k=2, c=\\frac{1}{2}.
(C) k=3,c=13k=3, c=-\\frac{1}{3}.
(D) k=3,c=13k=3, c=\\frac{1}{3}.

`,readingTime:{minutes:35.94,words:10783},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802014.html",{loader:()=>B(()=>import("./数一2014.html-BoiLxh0D.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目 要求,把所选项前的字母填在题后的括号内. )

(1)

下列曲线中有渐近线的是 ()(\\quad)
(A) y=x+sinxy=x+\\sin x.
(B) y=x2+sinxy=x^{2}+\\sin x.
(C) y=x+sin1xy=x+\\sin \\frac{1}{x}.
(D) y=x2+sin1xy=x^{2}+\\sin \\frac{1}{x}.

`,readingTime:{minutes:31,words:9300},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802015.html",{loader:()=>B(()=>import("./数一2015.html-CZV8FqGK.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题,每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有 一项符合题目要求,把所选项前的字母填在题后的括号内. )

(1)

设函数 f(x)f(x)(,+)(-\\infty,+\\infty) 上连续, 其 2 阶导函数 f(x)f^{\\prime \\prime}(x) 的图形 如右图所示,
|150
则曲线 y=f(x)y=f(x) 的拐点个数为 ()(\\quad)(A) 0 .
( B ) 1 .
(C) 2 .
( D) 3 .

`,readingTime:{minutes:29.63,words:8888},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802016.html",{loader:()=>B(()=>import("./数一2016.html-MArYBf8j.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目 要求,把所选项前的字母填在题后的括号内. )

(1)

数一2016 若反常积分 0+1xa(1+x)b dx\\displaystyle \\int_{0}^{+\\infty} \\frac{1}{x^{a}(1+x)^{b}} \\mathrm{~d} x 收敛, 则( )
(A) a<1a<1b>1b>1.
(B) a>1a>1b>1b>1.
(C) a<1a<1a+b>1a+b>1.
(D) a>1a>1a+b>1a+b>1.

`,readingTime:{minutes:29.33,words:8798},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802017.html",{loader:()=>B(()=>import("./数一2017.html-BehZwgvV.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目 要求,把所选项前的字母填在题后的括号内. )

(1)

若函数 f(x)={1cosxax,x>0,b,x0\\displaystyle f(x)=\\left\\{\\begin{array}{ll}\\frac{1-\\cos \\sqrt{x}}{a x}, & x>0, \\\\ b, & x \\leqslant 0\\end{array}\\right.x=0x=0 处连续, 则 ()(\\quad)(A) ab=12a b=\\frac{1}{2}.
( B) ab=12a b=-\\frac{1}{2}.
( C) ab=0a b=0.
(D) ab=2a b=2.

`,readingTime:{minutes:32.68,words:9803},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802018.html",{loader:()=>B(()=>import("./数一2018.html-DLLX-KZJ.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目 要求, 把所选项前的字母填在题后的括号内. )

(1)

  • 下列函数中, 在 x=0x=0 处不可导的是 ()(\\quad)
    (A) f(x)=xsinxf(x)=|x| \\sin |x|.
    (B) f(x)=xsinxf(x)=|x| \\sin \\sqrt{|x|}.
    (C) f(x)=cosxf(x)=\\cos |x|.
    (D) f(x)=cosxf(x)=\\cos \\sqrt{|x|}.
`,readingTime:{minutes:27.69,words:8306},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802019.html",{loader:()=>B(()=>import("./数一2019.html-BcGvjqqO.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项等合题目 要求,把所选项前的字母填在题后的括号内. )

(1)

x0x \\rightarrow 0 时,若 xtanxx-\\tan xxkx^{k} 是同阶无穷小,则 k=()k=(\\quad)(A) 1 .(B) 2 .( C) 3 .(D) 4 .

`,readingTime:{minutes:36.85,words:11054},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802020.html",{loader:()=>B(()=>import("./数一2020.html-CjCI79N4.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 8 小题, 每小题 4 分, 共 32 分. 在每小题给出的四个选项中, 只有一项符合题目要 求,把所选项前的字母填在题后的括号内. )

(1)

x0+x \\rightarrow 0^{+}时,下列无穷小量中最高阶的是 ()(\\quad)
(A) 0x(et21)dt\\displaystyle \\int_{0}^{x}\\left(\\mathrm{e}^{t^{2}}-1\\right) \\mathrm{d} t
(B) 0xln(1+t3)dt\\displaystyle \\int_{0}^{x} \\ln \\left(1+\\sqrt{t^{3}}\\right) \\mathrm{d} t.
( C) 0sinxsint2 dt\\displaystyle \\int_{0}^{\\sin x} \\sin t^{2} \\mathrm{~d} t.
(D) 01cosxsin3t dt\\displaystyle \\int_{0}^{1-\\cos x} \\sqrt{\\sin ^{3} t} \\mathrm{~d} t.

`,readingTime:{minutes:39.73,words:11920},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802021.html",{loader:()=>B(()=>import("./数一2021.html-D3TlzPOq.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 10 小题, 每小题 5 分, 共 50 分. 在每小题给出的四个选项中, 只有一项符合题目 要求,把所选项前的字母填在题后的括号内. )

(1)

数一2021 函数 f(x)={ex1x,x0,1,x=0\\displaystyle f(x)=\\left\\{\\begin{array}{ll}\\frac{\\mathrm{e}^{x}-1}{x}, & x \\neq 0, \\\\ 1, & x=0\\end{array}\\right.x=0x=0 处 ( )
(A) 连续且取极大值.(B) 连续且取极小值.(C) 可导且导数等于 0 .(D) 可导且导数不为 0 .

`,readingTime:{minutes:36.05,words:10814},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802022.html",{loader:()=>B(()=>import("./数一2022.html-B5KDbjc0.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(本题共 10 小题, 每小题 5 分, 共 50 分. 在每小题给出的四个选项中, 只有一项符合题目 要求,把所选项前的字母填在题后的括号内.

(1)

数一2022
limx1f(x)lnx=1\\displaystyle \\lim _{x \\rightarrow 1} \\frac{f(x)}{\\ln x}=1, 则 ()(\\quad)
(A) f(1)=0f(1)=0.
(B) limx1f(x)=0\\displaystyle \\lim _{x \\rightarrow 1} f(x)=0.
(C)f(1)=1(\\mathrm{C}) f^{\\prime}(1)=1.
(D) limx1f(x)=1\\displaystyle \\lim _{x \\rightarrow 1} f^{\\prime}(x)=1.
数一2022
答 应选 B.
limx1f(x)lnx=100limx1f(x)=0\\displaystyle \\lim _{x \\rightarrow 1} \\frac{f(x)}{\\ln x}=1 \\xrightarrow[]{\\frac00} \\lim _{x \\rightarrow 1} f(x)=0, 故选 B.
这道题的核心是理解给定的极限表达式和如何从中推断函数f(x)f(x)x1x \\rightarrow 1时的行为。下面是对答案的逐步解释:

`,readingTime:{minutes:40.31,words:12092},title:"一、选择题",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802023.html",{loader:()=>B(()=>import("./数一2023.html-BfnPt7uk.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

(1)

曲线 y=xln(e+1x1)y=x \\ln \\left(\\mathrm{e}+\\frac{1}{x-1}\\right) 的斜渐近线方程为
A. y=x+ey=x+\\mathrm{e}.
B. y=x+1ey=x+\\frac{1}{\\mathrm{e}}.
C. y=xy=x.
D. y=x1ey=x-\\frac{1}{\\mathrm{e}}.

`,readingTime:{minutes:38.24,words:11471},title:"一、选择题: 1 10 小题, 每小题 5 分, 共 50 分. 下列每题给出的四个选项中, 只有一个选项是最符合题目要求的",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/%E6%95%B0%E4%B8%802024.html",{loader:()=>B(()=>import("./数一2024.html-DKvRwms9.js"),[]),meta:{tag:["数学","例题","真题"],excerpt:`

一、选择题:1 10 小题, 每小题 5 分, 共 50 分。下列每题给出的四个选项中, 只有一个选项是最符合题目要求的,请将所选项前的字母填在答题纸指定位置上。

(1)

已知函数 f(x)=0xecostdt,g(x)=0sinxet2dt\\displaystyle f(x)=\\int_0^x e^{\\cos t} d t, g(x)=\\int_0^{\\sin x} e^{t^2} d t, 则 ( )
(A) f(x)f(x) 是奇函数, g(x)g(x) 是偶函数
(B) f(x)f(x) 是偶函数, g(x)g(x) 是奇函数
(C) f(x)f(x)g(x)g(x) 均为奇函数
(D) f(x)f(x)g(x)g(x) 均为周期函数
李艳芳真题系列|考研数学一历年真题逐题精讲(2010-2024年)[更新至最新]-哔哩哔哩

`,readingTime:{minutes:46.5,words:13949},title:"",type:"article",s:"数一2024"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r2%20%E5%95%8F%E9%A1%8C1%20%E5%95%8F2.html",{loader:()=>B(()=>import("./82-sc-r2 問題1 問2.html-TjOZ0rIM.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

V=40π/2dθ0acosθrdr0a2r2dzV=4\\int_{0}^{\\pi/2}d\\theta \\int_{0}^{a\\cos\\theta}rdr \\int_{0}^{\\sqrt{a^2-r^2}}dz

`,readingTime:{minutes:10.5,words:3149},title:"",type:"article",s:"82-sc-r2 問題1 問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r2.html",{loader:()=>B(()=>import("./82-sc-r2.html-DY1Zp4vl.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

問題1

問2

求解由以下两个方程围成的体积, 其中a0a\\geq0

`,readingTime:{minutes:.36,words:109},title:"専門試験",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E5%95%8F%E9%A1%8C4%20%E5%95%8F%E9%A1%8C1-%E5%95%8F3.html",{loader:()=>B(()=>import("./82-sc-r3 問題4 問題1-問3.html-CNx0391q.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

要求函数f(x)=(1+x)αf(x) = (1+x)^\\alpha的麦克劳林级数,我们可以使用二项式定理展开,当x<1|x| < 1时,该级数收敛。二项式定理给出:

`,readingTime:{minutes:3.02,words:906},title:"(1)",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E5%95%8F%E9%A1%8C4.html",{loader:()=>B(()=>import("./82-sc-r3 問題4.html-N4KPlzrS.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

2ut2=2ux2+sin(πt)sin(πx)\\frac{\\partial^2 u}{\\partial t^2} = \\frac{\\partial^2 u}{\\partial x^2} + \\sin(\\pi t) \\sin(\\pi x)

`,readingTime:{minutes:8.06,words:2418},title:"1. 对方程进行拉普拉斯变换",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C1%20%E5%95%8F2.html",{loader:()=>B(()=>import("./82-sc-r3 追試験 問題1 問2.html-CvhrpneP.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

(1)

对于极点在积分路径上的情况,直接使用留数定理求解会遇到问题。这里我们将对路径进行处理,使其不经过极点,然后再应用留数定理。具体步骤如下:

  1. 识别奇点:
    积分函数为:

    ez3z+πi \\frac{e^{\\frac{z}{3}}}{z + \\pi i}

    奇点在 z=πiz = -\\pi i

  2. 路径变形:
    积分路径 C1C_1 是以 z+πi=1|z + \\pi i| = 1 表示的圆周。这个路径经过奇点 z=πiz = -\\pi i。为了处理这种情况,我们可以将路径略微变形,使其绕过奇点。在实际操作中,我们可以考虑在奇点附近形成一个小的半圆(绕过奇点),然后再应用留数定理。

  3. 计算主值积分:
    我们可以将积分分为两部分:主值积分和绕过奇点的小弧线积分。这里我们仅考虑主值积分的部分,因为绕过奇点的小弧线积分在极限中趋于零。

  4. 应用留数定理:
    留数定理告诉我们,绕路径 C1C_1 积分的结果是该路径内部所有奇点的留数之和乘以 2πi2\\pi i

    奇点 z=πiz = -\\pi i 的留数为:

    Res(ez3z+πi,z=πi)=limzπi(z+πi)ez3z+πi=eπi3 \\text{Res}\\left(\\frac{e^{\\frac{z}{3}}}{z + \\pi i}, z = -\\pi i\\right) = \\lim_{z \\to -\\pi i} (z + \\pi i) \\cdot \\frac{e^{\\frac{z}{3}}}{z + \\pi i} = e^{-\\frac{\\pi i}{3}}

  5. 计算积分:
    由于路径仅包含一个奇点 z=πiz = -\\pi i,应用留数定理:

    C1ez3z+πidz=2πieπi3 \\oint_{C_1} \\frac{e^{\\frac{z}{3}}}{z + \\pi i} \\, dz = 2\\pi i \\cdot e^{-\\frac{\\pi i}{3}}

`,readingTime:{minutes:2.48,words:744},title:"",type:"article",s:"82-sc-r3 追試験 問題1 問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C3%20%E5%95%8F1%20(1)%201.html",{loader:()=>B(()=>import("./82-sc-r3 追試験 問題3 問1 (1) 1.html-CSCROZvB.js"),[]),meta:{tag:["数学"],excerpt:`

问题可以用贝叶斯定理来解决。具体步骤如下:

  1. 定义事件:

    • 事件 HAH_A: 选择了A硬币
    • 事件 HBH_B: 选择了B硬币
    • 事件 EE: 第一次投掷结果是正面,第二次投掷结果是反面
  2. 确定先验概率:

    • P(HA)=P(HB)=0.5P(H_A) = P(H_B) = 0.5,因为选择A或B硬币的概率是相等的
  3. 计算每种硬币投出正反面的概率:

    • 硬币A投出正面再投出反面的概率 P(EHA)=0.6×(10.6)=0.6×0.4=0.24P(E|H_A) = 0.6 \\times (1 - 0.6) = 0.6 \\times 0.4 = 0.24
    • 硬币B投出正面再投出反面的概率 P(EHB)=0.5×(10.5)=0.5×0.5=0.25P(E|H_B) = 0.5 \\times (1 - 0.5) = 0.5 \\times 0.5 = 0.25
  4. 利用全概率公式计算事件E的总概率:

    P(E)=P(EHA)P(HA)+P(EHB)P(HB)=0.24×0.5+0.25×0.5=0.12+0.125=0.245P(E) = P(E|H_A)P(H_A) + P(E|H_B)P(H_B) = 0.24 \\times 0.5 + 0.25 \\times 0.5 = 0.12 + 0.125 = 0.245

  5. 利用贝叶斯定理计算在事件E发生的情况下选择了A硬币的后验概率:

    P(HAE)=P(EHA)P(HA)P(E)=0.24×0.50.2450.4898P(H_A|E) = \\frac{P(E|H_A)P(H_A)}{P(E)} = \\frac{0.24 \\times 0.5}{0.245} \\approx 0.4898

`,readingTime:{minutes:3.37,words:1010},title:"",type:"article",s:"82-sc-r3 追試験 問題3 問1 (1) 1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C3%20%E5%95%8F1%20(1).html",{loader:()=>B(()=>import("./82-sc-r3 追試験 問題3 問1 (1).html-DNRwDo7G.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

问题可以用贝叶斯定理来解决。具体步骤如下:

  1. 定义事件:

    • 事件 HAH_A: 选择了A硬币
    • 事件 HBH_B: 选择了B硬币
    • 事件 EE: 第一次投掷结果是正面,第二次投掷结果是反面
  2. 确定先验概率:

    • P(HA)=P(HB)=0.5P(H_A) = P(H_B) = 0.5,因为选择A或B硬币的概率是相等的
  3. 计算每种硬币投出正反面的概率:

    • 硬币A投出正面再投出反面的概率 P(EHA)=0.6×(10.6)=0.6×0.4=0.24P(E|H_A) = 0.6 \\times (1 - 0.6) = 0.6 \\times 0.4 = 0.24
    • 硬币B投出正面再投出反面的概率 P(EHB)=0.5×(10.5)=0.5×0.5=0.25P(E|H_B) = 0.5 \\times (1 - 0.5) = 0.5 \\times 0.5 = 0.25
  4. 利用全概率公式计算事件E的总概率:

    P(E)=P(EHA)P(HA)+P(EHB)P(HB)=0.24×0.5+0.25×0.5=0.12+0.125=0.245P(E) = P(E|H_A)P(H_A) + P(E|H_B)P(H_B) = 0.24 \\times 0.5 + 0.25 \\times 0.5 = 0.12 + 0.125 = 0.245

  5. 利用贝叶斯定理计算在事件E发生的情况下选择了A硬币的后验概率:

    P(HAE)=P(EHA)P(HA)P(E)=0.24×0.50.2450.4898P(H_A|E) = \\frac{P(E|H_A)P(H_A)}{P(E)} = \\frac{0.24 \\times 0.5}{0.245} \\approx 0.4898

`,readingTime:{minutes:3.38,words:1014},title:"",type:"article",s:"82-sc-r3 追試験 問題3 問1 (1)"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C3%20%E5%95%8F3%20(1)%201.html",{loader:()=>B(()=>import("./82-sc-r3 追試験 問題3 問3 (1) 1.html-CS5xJMAh.js"),[]),meta:{tag:["数学"],excerpt:`

以下内容为CPT-4生成,其中有错误步骤,请尝试找出


尤度函数是统计模型中用于表示在给定参数下观测到的数据的概率的函数. 对于线性模型 y=a1x1+a2x2+ey = a_1 x_1 + a_2 x_2 + e, 其中 ee 是服从标准正态分布的误差项, 我们可以通过观测数据求尤度函数.

`,readingTime:{minutes:2.27,words:682},title:"",type:"article",s:"82-sc-r3 追試験 問題3 問3 (1) 1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C3%20%E5%95%8F3%20(1).html",{loader:()=>B(()=>import("./82-sc-r3 追試験 問題3 問3 (1).html-HFJPcMfZ.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

以下内容为CPT-4生成,其中有错误步骤,请尝试找出


尤度函数是统计模型中用于表示在给定参数下观测到的数据的概率的函数. 对于线性模型 y=a1x1+a2x2+ey = a_1 x_1 + a_2 x_2 + e, 其中 ee 是服从标准正态分布的误差项, 我们可以通过观测数据求尤度函数.

`,readingTime:{minutes:2.29,words:686},title:"",type:"article",s:"82-sc-r3 追試験 問題3 問3 (1)"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C3%20%E5%95%8F3%20(3).html",{loader:()=>B(()=>import("./82-sc-r3 追試験 問題3 問3 (3).html-ClfdQuhN.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

事後確率最大化法( MAP, Maximum A Posteriori) 结合了观测数据的尤度和先验信息. 在这种情况下, 先验信息是 x1x2x_1 - x_2 服从均值为 1, 方差为 2 的正态分布.
假设我们有以下观测数据 (a1,a2)=(1,0),(0,1),(1,1)(a_1, a_2) = (1, 0), (0, 1), (1, 1) 和对应的测定值 y=5,7,1y = -5, 7, 1. 我们需要通过 MAP 方法来估计 x1x_1x2x_2.
步骤如下:

`,readingTime:{minutes:4.41,words:1322},title:"",type:"article",s:"82-sc-r3 追試験 問題3 問3 (3)"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C4.html",{loader:()=>B(()=>import("./82-sc-r3 追試験 問題4.html-httExeWK.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

题目 4

考虑函数 u(t)u(t) 满足以下的微分方程和初始条件:

`,readingTime:{minutes:5.11,words:1532},title:"",type:"article",s:"82-sc-r3 追試験 問題4"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r3.html",{loader:()=>B(()=>import("./82-sc-r3.html-Djhk8atx.js"),[]),meta:{author:["Cyletix"],tag:["例题","数学"],excerpt:`

問題1

問3

(1)

次の関数のマクローリン級数を求めよ。ただし,α\\alphaxxは実数とする

`,readingTime:{minutes:3.65,words:1095},title:"専門試験",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4%20%E5%95%8F%E9%A1%8C2%20%E5%95%8F2.html",{loader:()=>B(()=>import("./82-sc-r4 問題2 問2.html-BCCYbCet.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题","机器人动力学"],excerpt:`

82-sc-r4

求解

与えられた問題では、3次元空間で等速円運動する点の速度を、回転軸の方向ベクトルp\\vec{p}と角速度ω\\omegaを用いて表現する行列C{C}を求める必要があります. この問題は、点の速度が位置ベクトルと回転軸ベクトルの外積に角速度を掛けたものに等しいことから解くことができます.
在给定的问题中, 需要利用旋转轴的方向向量 p\\vec{p} 和角速度 ω\\omega 求矩阵 C{C}, 以表示在三维空间中匀速圆周运动的点的速度. 这个问题的解法是: 点的速度等于位置向量与旋转轴向量的外积乘以角速度.
まず、p=(p1,p2,p3)T\\vec{p} = (p_1, p_2, p_3)^Tとして、位置ベクトルx(t)\\vec{x}(t)との外積を考えると、次のようになります:
首先, 当 p=(p1,p2,p3)T\\vec{p} = (p_1, p_2, p_3)^T 时, 与位置向量 x(t)\\vec{x}(t) 的外积为

`,readingTime:{minutes:9.48,words:2844},title:"题目",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4%20%E5%95%8F%E9%A1%8C2%20%E5%95%8F3.html",{loader:()=>B(()=>import("./82-sc-r4 問題2 問3.html-Bu6-NbwM.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:'

对于一个反对称矩阵 XX,我们可以使用其特征根(固有值)来表示 Y=eXY = e^X 的行列式 det(Y)\\det(Y)。具体来说,行列式 det(Y)\\det(Y) 可以通过 XX 的特征根来表示。下面是详细的推导过程:

',readingTime:{minutes:4.54,words:1361},title:"",type:"article",s:"82-sc-r4 問題2 問3"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4%20%E5%95%8F%E9%A1%8C3%20%E5%95%8F2.html",{loader:()=>B(()=>import("./82-sc-r4 問題3 問2.html-CW6t5IH3.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:'

(1) 让我们假设总人口为 NN

',readingTime:{minutes:2.35,words:705},title:"",type:"article",s:"82-sc-r4 問題3 問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C1%20%E5%95%8F1%20(2).html",{loader:()=>B(()=>import("./82-sc-r4 追試験 問題1 問1 (2).html-C_1aAH60.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:'

为了计算参数方程 x=θsinθx = \\theta - \\sin \\thetay=1cosθy = 1 - \\cos \\theta0<θ<2π0 < \\theta < 2\\pi 范围内的弧长,我们需要使用弧长公式。对于参数方程 x=f(θ)x = f(\\theta)y=g(θ)y = g(\\theta),弧长 LL 可以表示为:

',readingTime:{minutes:1.51,words:454},title:"",type:"article",s:"82-sc-r4 追試験 問題1 問1 (2)"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C1%20%E5%95%8F2.html",{loader:()=>B(()=>import("./82-sc-r4 追試験 問題1 問2.html-D5nedffp.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

82-sc-r4

坐标变换

从笛卡尔坐标 (x,y,z)(x, y, z) 到柱面坐标 (r,θ,z)(r, \\theta, z) 的变换由以下关系给出:

`,readingTime:{minutes:.52,words:155},title:"",type:"article",s:"82-sc-r4 追試験 問題1 問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4%20%E8%BF%BD%E8%A9%A6%E9%A8%93%20%E5%95%8F%E9%A1%8C4.html",{loader:()=>B(()=>import("./82-sc-r4 追試験 問題4.html-IoPLXxwg.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

问题 1

在将 u=g(x)h(y)u=g(x)h(y) 代入拉普拉斯方程 2ux2+2uy2=0\\frac{\\partial^2 u}{\\partial x^2} + \\frac{\\partial^2 u}{\\partial y^2} = 0 后,可分离变量,得到:

`,readingTime:{minutes:13.59,words:4076},title:"",type:"article",s:"82-sc-r4 追試験 問題4"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4%20%E8%BF%BD%E8%A9%A6%E9%A8%93-%E5%95%8F%E9%A1%8C1-%E5%95%8F1%E2%80%90(2).html",{loader:()=>B(()=>import("./82-sc-r4 追試験-問題1-問1‐(2).html-BmzQ-W7I.js"),[]),meta:{author:"Cyletix",tag:["数学","例题"],excerpt:'

要计算由这两个参数方程定义的曲线 x=a(θsin(θ))x = a(\\theta - \\sin(\\theta))y=a(1cos(θ))y = a(1 - \\cos(\\theta)),其中 θ\\theta 的取值范围是 [0,2π][0, 2\\pi] 的长度,我们可以使用弧长公式。这个公式是:

',readingTime:{minutes:.69,words:206},title:"",type:"article",s:"82-sc-r4 追試験-問題1-問1‐(2)"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r4.html",{loader:()=>B(()=>import("./82-sc-r4.html-CERY0nDE.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

問題1

問1

(1)

次の極限値を求めよ。

limn0xloge(1+x)x2\\lim_{ n \\to 0 } \\dfrac{x-\\log_{e}(1+x)}{x^2}

`,readingTime:{minutes:6.28,words:1884},title:"専門試験",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r5%20%E5%95%8F%E9%A1%8C1%20%E5%95%8F1.html",{loader:()=>B(()=>import("./82-sc-r5 問題1 問1.html-C-AiR-Tg.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

以下是GPT-4的回答,跟闹着玩似的,看看就好

问题
在三维空间中,取直角坐标系 OxyzO-xyz。区域 VVx2+y21x^2 + y^2 \\leq 1, 0z10 \\leq z \\leq 1 确定,其表面为 SS。向量场 AAA=(x,y,0)A = (x, y, 0) 给出。计算以下在 SS 上的法线面积分 IAI_A

`,readingTime:{minutes:2.07,words:620},title:"",type:"article",s:"82-sc-r5 問題1 問1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r5%20%E5%95%8F%E9%A1%8C1%20%E5%95%8F2.html",{loader:()=>B(()=>import("./82-sc-r5 問題1 問2.html-BvR5w8vX.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

问题 2

问 1

给定矩阵PPAA如下:

`,readingTime:{minutes:9.17,words:2750},title:"",type:"article",s:"82-sc-r5 問題1 問2"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/82-sc-r5.html",{loader:()=>B(()=>import("./82-sc-r5.html-CZuESbHd.js"),[]),meta:{author:["Cyletix"],tag:["数学","例题"],excerpt:`

問題1

問1

3次元空間に直交座標系 OxyzO-xyz をとる。 x2+y21x^2 + y^2\\leq 1, 0z10\\leq z \\leq 1 で定められる 領域VVの表面をSSとする。 ベクトル場AAA=(x,y,0)A= (x,y,0)で与えられる場合に次式のSS上における法線面積分IAI_Aを計算せよ。

`,readingTime:{minutes:1.94,words:583},title:"専門試験",type:"article"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E4%BA%8C%E6%AC%A1%E5%9E%8B%E7%9A%84%E6%AD%A3%E4%BA%A4%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./二次型的正交变换.html-DEXHAdzW.js"),[]),meta:{author:["GPT-4"],tag:["数学","例题"],excerpt:`

问题

如何将二次型 3x2+2xy+3y23x^2 + 2xy + 3y^2 通过正交变换化为只含 (x)2(x')^2(y)2(y')^2 的标准形式.

`,readingTime:{minutes:2.15,words:645},title:"",type:"article",s:"二次型的正交变换"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E4%BE%8B%E9%A2%98-%E9%9D%9E%E9%BD%90%E6%AC%A1%E6%B3%A2%E5%8A%A8%E6%96%B9%E7%A8%8B%E6%B1%82%E8%A7%A3.html",{loader:()=>B(()=>import("./例题-非齐次波动方程求解.html-Bol4CwpP.js"),[]),meta:{tag:["数学"],excerpt:`

给定的偏微分方程是:

2ut2=2ux2+sin(πt)sin(πx)\\frac{\\partial^2 u}{\\partial t^2} = \\frac{\\partial^2 u}{\\partial x^2} + \\sin(\\pi t) \\sin(\\pi x)

`,readingTime:{minutes:2.11,words:632},title:"",type:"article",s:"例题-非齐次波动方程求解"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E5%80%8D%E8%A7%92%E5%85%AC%E5%BC%8F%E6%8E%A8%E5%B9%BF.html",{loader:()=>B(()=>import("./倍角公式推广.html-CnV_kGeG.js"),[]),meta:{tag:["数学","公式"],excerpt:'

倍角公式是三角函数的一个基础概念,用于表示某个角度的倍数的三角函数值。对于任意正整数 nn,我们可以通过递推或其他技巧推导出 nn 倍角的正弦和余弦公式。以下是一些常见的倍角公式,包括二倍角和三倍角公式,以及一般形式的推导:

',readingTime:{minutes:1.5,words:450},title:"",type:"article",s:"倍角公式推广"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E5%82%85%E7%AB%8B%E5%8F%B6%E7%BA%A7%E6%95%B0%E4%BE%8B%E9%A2%98%201.html",{loader:()=>B(()=>import("./傅立叶级数例题 1.html-CBhWwGnh.js"),[]),meta:{tag:["数学"],excerpt:`

傅里叶级数公式

对于周期函数 f(x)f(x),周期为 2π2\\pi,可以表示为傅里叶级数形式:

`,readingTime:{minutes:4.13,words:1239},title:"",type:"article",s:"傅立叶级数例题 1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E5%82%85%E9%87%8C%E5%8F%B6%E7%BA%A7%E6%95%B0%E5%9F%BA%E5%BA%95%E7%BA%BF%E6%80%A7%E5%8F%98%E6%8D%A2.html",{loader:()=>B(()=>import("./傅里叶级数基底线性变换.html-BnmBDa9R.js"),[]),meta:{tag:["数学"],excerpt:`

以下内容为GPT4生成,但结果是错的,请尝试找出错误的步骤


为了使用线性代数的方法证明由 sint\\sin tcost\\cos tsin3t\\sin 3tcos3t\\cos 3t 构成的空间 XX 中的任意元素 ff 可以表示为 sint\\sin tcost\\cos tsin3t\\sin^3 tcos3t\\cos^3 t 的线性组合,我们可以考虑这些函数构成的向量空间及其基底的变换关系。

`,readingTime:{minutes:2.03,words:608},title:"",type:"article",s:"傅里叶级数基底线性变换"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E5%88%A4%E6%96%AD%E7%A7%AF%E5%88%86%E9%A1%BA%E5%BA%8F.html",{loader:()=>B(()=>import("./判断积分顺序.html-BSuSH4VA.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

要计算 xyxy 平面和 xzxz 平面单位圆柱相交部分的体积,我们需要分析它们在空间中的几何形状。单位圆柱通常定义为底面半径为1的圆柱,延伸的高度可以根据情况变化。这里的问题是两个单位圆柱沿不同轴延伸,一个沿 zz 轴(xyxy 平面的圆柱),一个沿 yy 轴(xzxz 平面的圆柱)。

',readingTime:{minutes:3.35,words:1006},title:"",type:"article",s:"判断积分顺序"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E5%9B%9B%E9%98%B6%E9%80%86%E7%9F%A9%E9%98%B5.html",{loader:()=>B(()=>import("./四阶逆矩阵.html-rcAG39XB.js"),[]),meta:{tag:["数学"],excerpt:'

给定的矩阵 TT 是:

',readingTime:{minutes:1.53,words:459},title:"",type:"article",s:"四阶逆矩阵"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E5%A4%8D%E7%B3%BB%E6%95%B0%E9%9D%9E%E9%BD%90%E6%AC%A1%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B%E4%BE%8B%E9%A2%98.html",{loader:()=>B(()=>import("./复系数非齐次线性微分方程例题.html-wCbm_Um5.js"),[]),meta:{tag:["数学","例题"],excerpt:'

给定一个具有特定非齐次项 g(z)=R(s)sin(wx)g(z) = R(s) \\sin(wx) 的复系数非齐次线性微分方程,其中 R(s)=πs2+π2R(s) = -\\frac{\\pi}{s^2 + \\pi^2} 并且 s=a+bis = a + bi,我们可以采用待定系数法来寻找特解。这种方法适用于非齐次项是周期函数(如正弦或余弦)的情况。

',readingTime:{minutes:2.06,words:617},title:"",type:"article",s:"复系数非齐次线性微分方程例题"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E5%BA%94%E7%94%A8%E4%B8%89%E5%80%8D%E8%A7%92%E5%85%AC%E5%BC%8F%E8%BF%9B%E8%A1%8C%E5%82%85%E9%87%8C%E5%8F%B6%E7%BA%A7%E6%95%B0%E5%88%86%E8%A7%A3.html",{loader:()=>B(()=>import("./应用三倍角公式进行傅里叶级数分解.html-l2iCZZ8W.js"),[]),meta:{tag:["数学"],excerpt:'

傅立叶级数用于将周期函数表示为正弦和余弦函数的无限和。对于非线性三角函数,如 sin3(t)\\sin^3(t),我们可以通过使用三角恒等式将其简化为基本的正弦和余弦函数的组合,进而写出其傅立叶级数。

',readingTime:{minutes:1.29,words:388},title:"",type:"article",s:"应用三倍角公式进行傅里叶级数分解"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E6%8B%89%E6%99%AE%E6%8B%89%E6%96%AF%E5%8F%98%E6%8D%A2%E8%A7%A3%E5%86%B3%E5%AE%9E%E6%8C%87%E6%95%B0%E7%A7%AF%E5%88%86.html",{loader:()=>B(()=>import("./拉普拉斯变换解决实指数积分.html-Ci-siC88.js"),[]),meta:{tag:["数学"],excerpt:`

我们要求的是如下极限:

limt0teτcos(ωτ)dτ\\lim_{t \\to \\infty}\\int_0^{t}e^{-\\tau} \\cos(\\omega \\tau)d\\tau

`,readingTime:{minutes:1.26,words:379},title:"",type:"article",s:"拉普拉斯变换解决实指数积分"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E6%9C%80%E5%B0%8F%E4%BA%8C%E4%B9%98%E6%B3%95%E4%BE%8B%E9%A2%98.html",{loader:()=>B(()=>import("./最小二乘法例题.html-BAnHDkwM.js"),[]),meta:{tag:["数学"],excerpt:`

修正方程式

首先,我们需要修正给出的方程式,确保参数的定义和线性方程组的形式正确无误。你提供的正确的方程式为:

[αγγβ][ab]=[ξη]\\begin{bmatrix} \\alpha & \\gamma \\\\ \\gamma & \\beta \\end{bmatrix} \\begin{bmatrix} a \\\\ b \\end{bmatrix} = \\begin{bmatrix} \\xi \\\\ \\eta \\end{bmatrix}

`,readingTime:{minutes:.9,words:271},title:"",type:"article",s:"最小二乘法例题"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E6%A6%82%E7%8E%87%E5%AF%86%E5%BA%A6%E4%BE%8B%E9%A2%98.html",{loader:()=>B(()=>import("./概率密度例题.html-Sf6PAYFS.js"),[]),meta:{tag:["数学","例题"],excerpt:'

確率密度関数 p(x)p(x) を持つ確率変数 XX に対して,モーメント母関数 M(θ)M(\\theta) は、変数 θ\\theta を用いて次式で定義されます:

',readingTime:{minutes:2.17,words:652},title:"",type:"article",s:"概率密度例题"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E6%B1%82%E5%8F%98%E6%8D%A2%E7%9A%84%E7%BA%BF%E6%80%A7%E8%A1%A8%E7%A4%BA.html",{loader:()=>B(()=>import("./求变换的线性表示.html-Cl4JcN5h.js"),[]),meta:{tag:["数学"],excerpt:'

为了计算矩阵 NN 的线性表示,使得 B=N[a1,a2,a3,a4]TB = N[a_1, a_2, a_3, a_4]^T,我们首先需要明确向量 BB 和向量 [a1,a2,a3,a4]T[a_1, a_2, a_3, a_4]^T 的关系。根据您给出的关系式:

',readingTime:{minutes:1.28,words:384},title:"",type:"article",s:"求变换的线性表示"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E7%AC%AC%E4%BA%8C%E7%B1%BB%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86%E4%BE%8B%E9%A2%98%201.html",{loader:()=>B(()=>import("./第二类曲面积分例题 1.html-DlSCU8nT.js"),[]),meta:{tag:["数学","例题","過去問"],excerpt:'

当向量场从 (x,y,0)(x, y, 0) 变为 (x3,z2,y)(x^3, z^2, y) 时,需要重新计算通过圆柱侧面以及上下两个平面的通量。以下是详细步骤:

',readingTime:{minutes:1.89,words:566},title:"",type:"article",s:"第二类曲面积分例题 1"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E7%AC%AC%E4%BA%8C%E7%B1%BB%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86%E4%BE%8B%E9%A2%98.html",{loader:()=>B(()=>import("./第二类曲面积分例题.html-r5KGIPNA.js"),[]),meta:{tag:["数学","例题","過去問"],excerpt:'

在柱面坐标系下,计算圆柱侧面上的面积元素 dSd\\mathbf{S} 是通过表面的参数化和叉积来完成的。下面我们详细讲解计算的每一步。

',readingTime:{minutes:3.62,words:1085},title:"",type:"article",s:"第二类曲面积分例题"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E9%80%9A%E9%87%8F%E7%9A%84%E7%A7%AF%E5%88%86%E8%AE%A1%E7%AE%97%E7%BB%86%E8%8A%82.html",{loader:()=>B(()=>import("./通量的积分计算细节.html-DWJjiLsA.js"),[]),meta:{tag:["数学"],excerpt:`

对于您提出的问题,涉及到的不等式是:

  1. x2+y21x^2 + y^2 \\leq 1,表示一个单位圆柱体。
  2. 0zh(1xy)0 \\leq z \\leq h(1 - x - y),这是一个由平面 z=h(1xy)z = h(1 - x - y)z=0z = 0 平面界定的区域。
`,readingTime:{minutes:3.97,words:1192},title:"",type:"article",s:"通量的积分计算细节"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/%E9%80%9A%E9%87%8F%E7%A7%AF%E5%88%86%E4%BE%8B%E9%A2%98.html",{loader:()=>B(()=>import("./通量积分例题.html-CM6ox2PW.js"),[]),meta:{tag:["数学"],excerpt:'

在直角坐标系中,考虑一个由 {x,y,z}\\{x, y, z\\} 坐标定义的三维空间。给定的区域 DD 是由条件 x2+y21x^2 + y^2 \\leq 10z10 \\leq z \\leq 1 定义的,它可以被看作是一个直径在 xyxy-平面上、高为1的圆柱体。

',readingTime:{minutes:3.71,words:1114},title:"",type:"article",s:"通量积分例题"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/---%E5%BE%AE%E5%88%86---.html",{loader:()=>B(()=>import("./---微分---.html-HHC1DREn.js"),[]),meta:{author:["Cyletix"],tag:["数学","目录"],excerpt:`
  1. 函数的微分
  2. 微分中值定理
  3. 洛必达法则
  4. 泰勒公式
  5. 单调性
  6. 凹凸性
  7. 拐点
  8. 极值
  9. 曲率
`,readingTime:{minutes:.31,words:93},title:"目录",type:"article"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E4%BD%99%E9%A1%B9.html",{loader:()=>B(()=>import("./余项.html-D2Zq2emd.js"),[]),meta:{author:["DeepSeekV3"],tag:["数学"],excerpt:`

在泰勒公式中,余项 Rn(x)R_n(x) 是其灵魂所在。它精确地描述了用一个有限项的多项式 Pn(x)P_n(x) 去逼近一个(通常更复杂的)函数 f(x)f(x) 时所产生的误差。
一个完整的泰勒定理表述如下:
设函数 f(x)f(x) 在点 x0x_0 的某个邻域内具有直到 (n+1)(n+1) 阶的导数,则对该邻域内的任意 xx,有:

`,readingTime:{minutes:3.19,words:957},title:"",type:"article",s:"余项"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E5%85%AC%E5%BC%8F-%E6%B3%B0%E5%8B%92%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./公式-泰勒公式.html-Bq_VkQQZ.js"),[]),meta:{tag:["数学","公式"],excerpt:'

函数 f(x)f(x)x0x_0 处的 nn 阶泰勒多项式为:

',readingTime:{minutes:.22,words:66},title:"",type:"article",s:"公式-泰勒公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E5%87%B9%E5%87%B8%E6%80%A7.html",{loader:()=>B(()=>import("./凹凸性.html-BPTEsuqI.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学"],excerpt:`

凹凸性描述了函数的图像是向上弯曲(凹)还是向下弯曲(凸)。

定义

设函数 f(x)f(x) 在区间 II 上二阶可导。
如果 f(x)>0f''(x) > 0,则 f(x)f(x)II 上是凹的(Concave up)
如果 f(x)<0f''(x) < 0,则 f(x)f(x)II 上是凸的(Concave down)

`,readingTime:{minutes:.75,words:226},title:"",type:"article",s:"凹凸性"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E5%87%BD%E6%95%B0%E7%9A%84%E5%BE%AE%E5%88%86.html",{loader:()=>B(()=>import("./函数的微分.html-B-LEAaWY.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

定义

设函数 y=f(x)y=f(x) 在某区间内有定义,x0x_0x0+Δxx_0+\\Delta x 在定义区间内,函数从 x0x_0x0+Δxx_0+\\Delta x 的增量 Δy=f(x0+Δx)f(x0)\\Delta y=f(x_0+\\Delta x)-f(x_0). 如果函数的增量可表示为下式, 且其中 AA 是不依赖于 Δx\\Delta x 的常数

`,readingTime:{minutes:1.53,words:458},title:"",type:"article",s:"函数的微分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E5%8D%95%E8%B0%83%E6%80%A7.html",{loader:()=>B(()=>import("./单调性.html-DdcDO3p6.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学"],excerpt:`

简介

单调性是描述函数值随自变量在某个区间内变化趋势的核心概念. 一个函数可以是单调递增或单调递减, 也可以在不 同区间内表现出不同的单调性. 通过分析函数的单调性, 可以深入理解其图形的形状, 走向以及极值点的分布.

定义

设函数 f(x)f(x) 的定义域为 DD, 区间 IDI \\subseteq D.

`,readingTime:{minutes:2.61,words:782},title:"",type:"article",s:"单调性"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E5%B8%B8%E8%A7%81%E9%BA%A6%E5%85%8B%E5%8A%B3%E6%9E%97%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./常见麦克劳林公式.html-AM73pCxm.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学","公式"],excerpt:`

ex=1+x+x22!+x33!+x44!++xnn!+e^x = 1 + x + \\frac{x^2}{2!} + \\frac{x^3}{3!} + \\frac{x^4}{4!} + \\cdots + \\frac{x^n}{n!} + \\cdots

`,readingTime:{minutes:.66,words:197},title:"",type:"article",s:"常见麦克劳林公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E5%BE%AE%E5%88%86%E4%B8%AD%E5%80%BC%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./微分中值定理.html-D7LzQriE.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

描述了指定区间内函数与其导数的关系, 主要有三个

`,readingTime:{minutes:.19,words:57},title:"",type:"article",s:"微分中值定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E6%8B%89%E6%A0%BC%E6%9C%97%E6%97%A5%E4%B8%AD%E5%80%BC%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./拉格朗日中值定理.html-DMMHvdGw.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

在某些条件下,函数在某个区间内的平均变化率等于在该区间内某一点的瞬时变化率。

设函数 f(x)f(x) 满足:

`,readingTime:{minutes:.61,words:182},title:"",type:"article",s:"拉格朗日中值定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E6%8B%90%E7%82%B9.html",{loader:()=>B(()=>import("./拐点.html-B9jkZN-E.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:`

拐点是函数凹凸性的转变点。
x=cx=c 是函数 f(x)f(x) 的拐点当且仅当:

`,readingTime:{minutes:.23,words:69},title:"",type:"article",s:"拐点"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E6%9E%81%E5%80%BC.html",{loader:()=>B(()=>import("./极值.html-xdmNLchl.js"),[]),meta:{author:["Cyletix","GPT-4"],tag:["数学"],excerpt:'

极值包括极大值和极小值。函数 f(x)f(x) 在某点 x=cx=c 处取得极大值或极小值,这时函数值 f(c)f(c) 分别称为极大值或极小值。

',readingTime:{minutes:.68,words:203},title:"",type:"article",s:"极值"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E6%9F%AF%E8%A5%BF%E4%B8%AD%E5%80%BC%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./柯西中值定理.html-BmSUQW-3.js"),[]),meta:{author:"kevin-yyy",tag:["数学"],excerpt:'

如果函数f(x)f(x)g(x)g(x)满足

',readingTime:{minutes:.3,words:89},title:"",type:"article",s:"柯西中值定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E6%B3%B0%E5%8B%92%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./泰勒公式.html-C6zWP-D0.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学","公式"],excerpt:`

简介

泰勒公式用一个n次多项式来近似在某点具有nn阶导数的函数。其核心思想是局部的“以直代曲”:利用函数在展开点 x0x_0 处的各阶导数值,来构建一个能够在该点附近高度“贴合”原函数的多项式。
尽管展开后的多项式形式有时也相当复杂,但它成功地将复杂的函数性质转化为了更易于代数处理的多项式形式。

`,readingTime:{minutes:2.43,words:730},title:"",type:"article",s:"泰勒公式"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E6%B4%9B%E5%BF%85%E8%BE%BE%E6%B3%95%E5%88%99.html",{loader:()=>B(()=>import("./洛必达法则.html-BXyRjO3u.js"),[]),meta:{author:["Cyletix","Gemini"],tag:["数学","公式"],excerpt:`

简介

洛必达法则,是解决函数不定式极限问题的重要工具,由法国数学家洛必达(Guillaume de l'Hôpital)推广, 但实际上是由瑞士数学家约翰·伯努利所发现。它将复杂的极限问题转化为更简单的导数比值极限问题。该法则适用于 00\\frac{0}{0}\\frac{\\infty}{\\infty} 形式的极限。

`,readingTime:{minutes:4.56,words:1367},title:"",type:"article",s:"洛必达法则"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E7%BD%97%E5%B0%94%E5%AE%9A%E7%90%86.html",{loader:()=>B(()=>import("./罗尔定理.html-C8-pXYsr.js"),[]),meta:{author:["Cyletix"],tag:["数学"],excerpt:'

设函数 f(x)f(x) 满足:

',readingTime:{minutes:.29,words:87},title:"",type:"article",s:"罗尔定理"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/%E9%BA%A6%E5%85%8B%E5%8A%B3%E6%9E%97%E5%85%AC%E5%BC%8F.html",{loader:()=>B(()=>import("./麦克劳林公式.html-0KCqeDEL.js"),[]),meta:{author:["Cyletix"],tag:["数学","公式"],excerpt:'

麦克劳林公式是泰勒公式x0=0x_0 = 0 的特例。对于一个在 x=0x = 0 处具有所有阶导数的函数 f(x)f(x),其麦克劳林展开式为:

',readingTime:{minutes:.49,words:146},title:"",type:"article",s:"麦克劳林公式"}}],["/404.html",{loader:()=>B(()=>import("./404.html-CuJD6n_-.js"),[]),meta:{title:"",s:"404"}}],["/Other/",{loader:()=>B(()=>import("./index.html-BRUxNoyo.js"),[]),meta:{title:"Other"}}],["/assets_/",{loader:()=>B(()=>import("./index.html-CIDBoo0C.js"),[]),meta:{title:"Assets"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/",{loader:()=>B(()=>import("./index.html-DFVvJSDi.js"),[]),meta:{title:"微积分"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/",{loader:()=>B(()=>import("./index.html-Cwc-pl3u.js"),[]),meta:{title:"概率论"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/",{loader:()=>B(()=>import("./index.html-B23Zm6-m.js"),[]),meta:{title:"线性代数"}}],["/Other/%E4%BE%8B%E9%A2%98/",{loader:()=>B(()=>import("./index.html-4ExNhucT.js"),[]),meta:{title:"例题"}}],["/Other/%E5%81%8F%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/",{loader:()=>B(()=>import("./index.html-BJiYdnDw.js"),[]),meta:{title:"偏微分方程"}}],["/Other/%E5%88%9D%E7%AD%89%E6%95%B0%E5%AD%A6/",{loader:()=>B(()=>import("./index.html-CzVjyak3.js"),[]),meta:{title:"初等数学"}}],["/Other/%E5%AE%9E%E5%88%86%E6%9E%90/",{loader:()=>B(()=>import("./index.html-CJ7qwmQ1.js"),[]),meta:{title:"实分析"}}],["/Other/%E5%A4%8D%E5%88%86%E6%9E%90/",{loader:()=>B(()=>import("./index.html-Bx6CMZ-t.js"),[]),meta:{title:"复分析"}}],["/Other/%E5%B7%AE%E5%88%86%E6%96%B9%E7%A8%8B/",{loader:()=>B(()=>import("./index.html-qNn10K5t.js"),[]),meta:{title:"差分方程"}}],["/Other/%E6%8A%BD%E8%B1%A1%E4%BB%A3%E6%95%B0/",{loader:()=>B(()=>import("./index.html-Dj1sqjbK.js"),[]),meta:{title:"抽象代数"}}],["/Other/%E6%95%B0%E5%AD%A6%E5%88%86%E7%B1%BB/",{loader:()=>B(()=>import("./index.html-CGRZeiEU.js"),[]),meta:{title:"数学分类"}}],["/Other/%E6%9D%8E%E7%BE%A4%E6%9D%8E%E4%BB%A3%E6%95%B0/",{loader:()=>B(()=>import("./index.html-CDeglsGX.js"),[]),meta:{title:"李群李代数"}}],["/Other/%E7%A6%BB%E6%95%A3%E6%95%B0%E5%AD%A6/",{loader:()=>B(()=>import("./index.html-5FUetH2T.js"),[]),meta:{title:"离散数学"}}],["/Other/%E8%AF%B4%E6%98%8E/",{loader:()=>B(()=>import("./index.html-ChzLTlHN.js"),[]),meta:{title:"说明"}}],["/assets_/Callouts/",{loader:()=>B(()=>import("./index.html-CP4e8RYP.js"),[]),meta:{title:"Callouts"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0%E5%BE%AE%E5%88%86/",{loader:()=>B(()=>import("./index.html-DURmXUGK.js"),[]),meta:{title:"多元函数微分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%AF%BC%E6%95%B0/",{loader:()=>B(()=>import("./index.html-INF0t6PX.js"),[]),meta:{title:"导数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B/",{loader:()=>B(()=>import("./index.html-in_0mCBp.js"),[]),meta:{title:"微分方程"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9B%B2%E7%BA%BF%E6%9B%B2%E9%9D%A2%E7%A7%AF%E5%88%86/",{loader:()=>B(()=>import("./index.html-D3XWimP7.js"),[]),meta:{title:"曲线曲面积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E6%9E%81%E9%99%90/",{loader:()=>B(()=>import("./index.html-BengEOse.js"),[]),meta:{title:"极限"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%A7%AF%E5%88%86/",{loader:()=>B(()=>import("./index.html-BRuvNnTl.js"),[]),meta:{title:"积分"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E7%BA%A7%E6%95%B0/",{loader:()=>B(()=>import("./index.html-BXLYIQCk.js"),[]),meta:{title:"级数"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E8%A7%A3%E6%9E%90%E5%87%A0%E4%BD%95/",{loader:()=>B(()=>import("./index.html-XOSH_tCP.js"),[]),meta:{title:"解析几何"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E9%87%8D%E7%A7%AF%E5%88%86/",{loader:()=>B(()=>import("./index.html-D98I1Y-B.js"),[]),meta:{title:"重积分"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%81%87%E8%AE%BE%E6%A3%80%E9%AA%8C/",{loader:()=>B(()=>import("./index.html-BDOCWCs3.js"),[]),meta:{title:"假设检验"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%8A%BD%E6%A0%B7%E5%88%86%E5%B8%83/",{loader:()=>B(()=>import("./index.html-DyarrCJt.js"),[]),meta:{title:"抽样分布"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E5%8F%82%E6%95%B0%E4%BC%B0%E8%AE%A1/",{loader:()=>B(()=>import("./index.html-BaMgHVsn.js"),[]),meta:{title:"参数估计"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%96%B9%E5%B7%AE%E5%88%86%E6%9E%90%E5%8F%8A%E5%9B%9E%E5%BD%92/",{loader:()=>B(()=>import("./index.html-B9vFTDmQ.js"),[]),meta:{title:"方差分析及回归"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%9E%81%E9%99%90%E5%AE%9A%E7%90%86/",{loader:()=>B(()=>import("./index.html-DD5GCWs_.js"),[]),meta:{title:"极限定理"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E6%A6%82%E7%8E%87%E8%AE%BA%E5%9F%BA%E7%A1%80/",{loader:()=>B(()=>import("./index.html-D5NBwLdT.js"),[]),meta:{title:"概率论基础"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F/",{loader:()=>B(()=>import("./index.html-D-ItBJUc.js"),[]),meta:{title:"随机变量"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E5%8F%98%E9%87%8F%E5%87%BD%E6%95%B0/",{loader:()=>B(()=>import("./index.html-CAQktBJP.js"),[]),meta:{title:"随机变量函数"}}],["/%E6%A6%82%E7%8E%87%E8%AE%BA/%E9%9A%8F%E6%9C%BA%E8%BF%87%E7%A8%8B/",{loader:()=>B(()=>import("./index.html-cEGRznFz.js"),[]),meta:{title:"随机过程"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E5%90%91%E9%87%8F%E7%BB%84/",{loader:()=>B(()=>import("./index.html-eADyodJw.js"),[]),meta:{title:"向量组"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9B%B8%E4%BC%BC%E5%8F%98%E6%8D%A2/",{loader:()=>B(()=>import("./index.html-CDo__eTS.js"),[]),meta:{title:"相似变换"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%9F%A9%E9%98%B5/",{loader:()=>B(()=>import("./index.html-BYnV7qSd.js"),[]),meta:{title:"矩阵"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E6%96%B9%E7%A8%8B%E7%BB%84/",{loader:()=>B(()=>import("./index.html-CDcZIpIU.js"),[]),meta:{title:"线性方程组"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%8C%E5%88%97%E5%BC%8F/",{loader:()=>B(()=>import("./index.html-CrK1YVMG.js"),[]),meta:{title:"行列式"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E8%A1%A5%E5%85%85/",{loader:()=>B(()=>import("./index.html-D4Mloz41.js"),[]),meta:{title:"补充"}}],["/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/%E7%BA%BF%E6%80%A7%E7%A9%BA%E9%97%B4/",{loader:()=>B(()=>import("./index.html-7b_T0iUF.js"),[]),meta:{title:"线性空间"}}],["/Other/%E4%BE%8B%E9%A2%98/%E4%B9%9D%E5%B7%9E%E9%81%8E%E5%8E%BB%E5%95%8F/",{loader:()=>B(()=>import("./index.html-Ba-L_JKM.js"),[]),meta:{title:"九州過去問"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%95%B0%E4%B8%80%E7%9C%9F%E9%A2%98%E6%80%BB%E7%BB%93%E6%80%A7%E6%96%87%E6%A1%A3/",{loader:()=>B(()=>import("./index.html-DdEG-Gri.js"),[]),meta:{title:"数一真题总结性文档"}}],["/Other/%E4%BE%8B%E9%A2%98/%E9%AB%98%E6%95%B01%E7%9C%9F%E9%A2%98/",{loader:()=>B(()=>import("./index.html-KMQdp2N2.js"),[]),meta:{title:"高数1真题"}}],["/Other/%E4%BE%8B%E9%A2%98/%E6%9D%B1%E5%B7%A5%E9%81%8E%E5%8E%BB%E5%95%8F/",{loader:()=>B(()=>import("./index.html-BPi598d0.js"),[]),meta:{title:"東工過去問"}}],["/%E5%BE%AE%E7%A7%AF%E5%88%86/%E5%BE%AE%E5%88%86/",{loader:()=>B(()=>import("./index.html-QjOERQxI.js"),[]),meta:{title:"微分"}}],["/category/",{loader:()=>B(()=>import("./index.html-DvQw-3Ka.js"),[]),meta:{title:"分类",index:!1}}],["/tag/",{loader:()=>B(()=>import("./index.html-C-z-CPVa.js"),[]),meta:{title:"标签",index:!1}}],["/tag/%E6%95%B0%E5%AD%A6/",{loader:()=>B(()=>import("./index.html-D2DHkXSx.js"),[]),meta:{title:"标签: 数学",index:!1}}],["/tag/%E7%9B%AE%E5%BD%95/",{loader:()=>B(()=>import("./index.html-BFzVP5LZ.js"),[]),meta:{title:"标签: 目录",index:!1}}],["/tag/%E6%80%BB%E8%A7%88/",{loader:()=>B(()=>import("./index.html-BJw9O741.js"),[]),meta:{title:"标签: 总览",index:!1}}],["/tag/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0/",{loader:()=>B(()=>import("./index.html-C9ejS2QR.js"),[]),meta:{title:"标签: 线性代数",index:!1}}],["/tag/%E5%90%91%E9%87%8F%E7%A9%BA%E9%97%B4/",{loader:()=>B(()=>import("./index.html-DbmYM5sE.js"),[]),meta:{title:"标签: 向量空间",index:!1}}],["/tag/%E8%8C%83%E6%95%B0/",{loader:()=>B(()=>import("./index.html-KIpJklUs.js"),[]),meta:{title:"标签: 范数",index:!1}}],["/tag/%E5%BE%AE%E5%88%86%E5%87%A0%E4%BD%95/",{loader:()=>B(()=>import("./index.html-DYc5XM1H.js"),[]),meta:{title:"标签: 微分几何",index:!1}}],["/tag/%E5%B7%A5%E5%85%B7/",{loader:()=>B(()=>import("./index.html-B9ZfERKD.js"),[]),meta:{title:"标签: 工具",index:!1}}],["/tag/python/",{loader:()=>B(()=>import("./index.html-B-6jrH9T.js"),[]),meta:{title:"标签: python",index:!1}}],["/tag/chatgpt/",{loader:()=>B(()=>import("./index.html-BNJXK9DS.js"),[]),meta:{title:"标签: chatgpt",index:!1}}],["/tag/%E4%BE%8B%E9%A2%98/",{loader:()=>B(()=>import("./index.html-BnytHUfJ.js"),[]),meta:{title:"标签: 例题",index:!1}}],["/tag/%E5%85%AC%E5%BC%8F/",{loader:()=>B(()=>import("./index.html-BaqqNLow.js"),[]),meta:{title:"标签: 公式",index:!1}}],["/tag/%E4%B8%89%E8%A7%92%E5%87%BD%E6%95%B0/",{loader:()=>B(()=>import("./index.html-CLOzlBCy.js"),[]),meta:{title:"标签: 三角函数",index:!1}}],["/tag/%E4%BB%A3%E6%95%B0/",{loader:()=>B(()=>import("./index.html-DAK7_Bux.js"),[]),meta:{title:"标签: 代数",index:!1}}],["/tag/%E6%9D%8E%E7%BE%A4/",{loader:()=>B(()=>import("./index.html-BLNKe5b9.js"),[]),meta:{title:"标签: 李群",index:!1}}],["/tag/%E6%9D%8E%E4%BB%A3%E6%95%B0/",{loader:()=>B(()=>import("./index.html-C4srpvA5.js"),[]),meta:{title:"标签: 李代数",index:!1}}],["/tag/%E7%BE%A4%E8%AE%BA/",{loader:()=>B(()=>import("./index.html-BGoNr5M4.js"),[]),meta:{title:"标签: 群论",index:!1}}],["/tag/%E8%A7%84%E5%88%99/",{loader:()=>B(()=>import("./index.html-DRCdZ7h0.js"),[]),meta:{title:"标签: 规则",index:!1}}],["/tag/markdown/",{loader:()=>B(()=>import("./index.html-ByLqzi7w.js"),[]),meta:{title:"标签: markdown",index:!1}}],["/tag/git/",{loader:()=>B(()=>import("./index.html-CAu4MRyz.js"),[]),meta:{title:"标签: Git",index:!1}}],["/tag/%E6%97%A5%E8%AF%AD/",{loader:()=>B(()=>import("./index.html-laNUqcvu.js"),[]),meta:{title:"标签: 日语",index:!1}}],["/tag/%E5%A4%9A%E5%85%83%E5%87%BD%E6%95%B0/",{loader:()=>B(()=>import("./index.html-D1ZpfN8U.js"),[]),meta:{title:"标签: 多元函数",index:!1}}],["/tag/%E7%A9%BA%E9%97%B4%E6%A6%82%E5%BF%B5/",{loader:()=>B(()=>import("./index.html-DX9iAh-S.js"),[]),meta:{title:"标签: 空间概念",index:!1}}],["/tag/%E5%90%91%E9%87%8F%E5%88%86%E6%9E%90/",{loader:()=>B(()=>import("./index.html-CVZ6jzbO.js"),[]),meta:{title:"标签: 向量分析",index:!1}}],["/tag/%E6%81%92%E7%AD%89%E5%BC%8F/",{loader:()=>B(()=>import("./index.html-CscY0SoD.js"),[]),meta:{title:"标签: 恒等式",index:!1}}],["/tag/%E7%AE%97%E6%B3%95/",{loader:()=>B(()=>import("./index.html-wFppRWnL.js"),[]),meta:{title:"标签: 算法",index:!1}}],["/tag/%E4%BF%A1%E5%8F%B7%E5%A4%84%E7%90%86/",{loader:()=>B(()=>import("./index.html-CI2VGVzb.js"),[]),meta:{title:"标签: 信号处理",index:!1}}],["/tag/%E8%AE%A1%E7%AE%97/",{loader:()=>B(()=>import("./index.html-CNX3_8zo.js"),[]),meta:{title:"标签: 计算",index:!1}}],["/tag/%E4%BF%A1%E6%81%AF%E8%AE%BA/",{loader:()=>B(()=>import("./index.html-BIV0MWs9.js"),[]),meta:{title:"标签: 信息论",index:!1}}],["/tag/%E9%81%8E%E5%8E%BB%E5%95%8F/",{loader:()=>B(()=>import("./index.html-D2mhicz7.js"),[]),meta:{title:"标签: 過去問",index:!1}}],["/tag/%E8%87%AA%E5%8A%A8%E6%9C%BA/",{loader:()=>B(()=>import("./index.html-BtRl_o-l.js"),[]),meta:{title:"标签: 自动机",index:!1}}],["/tag/%E7%9C%9F%E9%A2%98/",{loader:()=>B(()=>import("./index.html-DLWFU63-.js"),[]),meta:{title:"标签: 真题",index:!1}}],["/tag/%E6%9C%BA%E5%99%A8%E4%BA%BA%E5%8A%A8%E5%8A%9B%E5%AD%A6/",{loader:()=>B(()=>import("./index.html-ChGek_Bk.js"),[]),meta:{title:"标签: 机器人动力学",index:!1}}],["/Blog/",{loader:()=>B(()=>import("./index.html-DCLwuJNM.js"),[]),meta:{title:"文章",index:!1}}],["/star/",{loader:()=>B(()=>import("./index.html-CRsTsdQR.js"),[]),meta:{title:"星标",index:!1}}],["/timeline/",{loader:()=>B(()=>import("./index.html-Bo2oELCP.js"),[]),meta:{title:"时间轴",index:!1}}],["/public_docs/",{loader:()=>B(()=>import("./index.html-ciMQs_4E.js"),[]),meta:{title:"Pdf Pages"}}]]);/*! * vue-router v4.6.4 * (c) 2025 Eduardo San Martin Morote * @license MIT */const jr=typeof document<"u";function Tb(s){return typeof s=="object"||"displayName"in s||"props"in s||"__vccOpts"in s}function BF(s){return s.__esModule||s[Symbol.toStringTag]==="Module"||s.default&&Tb(s.default)}const ht=Object.assign;function h1(s,a){const t={};for(const n in a){const e=a[n];t[n]=hl(e)?e.map(s):s(e)}return t}const Ko=()=>{},hl=Array.isArray;function q5(s,a){const t={};for(const n in s)t[n]=n in a?a[n]:s[n];return t}const Cb=/#/g,MF=/&/g,TF=/\//g,CF=/=/g,zF=/\?/g,zb=/\+/g,DF=/%5B/g,LF=/%5D/g,Db=/%5E/g,SF=/%60/g,Lb=/%7B/g,FF=/%7C/g,Sb=/%7D/g,OF=/%20/g;function T2(s){return s==null?"":encodeURI(""+s).replace(FF,"|").replace(DF,"[").replace(LF,"]")}function IF(s){return T2(s).replace(Lb,"{").replace(Sb,"}").replace(Db,"^")}function Oy(s){return T2(s).replace(zb,"%2B").replace(OF,"+").replace(Cb,"%23").replace(MF,"%26").replace(SF,"`").replace(Lb,"{").replace(Sb,"}").replace(Db,"^")}function NF(s){return Oy(s).replace(CF,"%3D")}function PF(s){return T2(s).replace(Cb,"%23").replace(zF,"%3F")}function RF(s){return PF(s).replace(TF,"%2F")}function yc(s){if(s==null)return null;try{return decodeURIComponent(""+s)}catch{}return""+s}const $F=/\/$/,VF=s=>s.replace($F,"");function u1(s,a,t="/"){let n,e={},l="",i="";const p=a.indexOf("#");let r=a.indexOf("?");return r=p>=0&&r>p?-1:r,r>=0&&(n=a.slice(0,r),l=a.slice(r,p>0?p:a.length),e=s(l.slice(1))),p>=0&&(n=n||a.slice(0,p),i=a.slice(p,a.length)),n=jF(n??a,t),{fullPath:n+l+i,path:n,query:e,hash:yc(i)}}function HF(s,a){const t=a.query?s(a.query):"";return a.path+(t&&"?")+t+(a.hash||"")}function U5(s,a){return!a||!s.toLowerCase().startsWith(a.toLowerCase())?s:s.slice(a.length)||"/"}function qF(s,a,t){const n=a.matched.length-1,e=t.matched.length-1;return n>-1&&n===e&&Bm(a.matched[n],t.matched[e])&&Fb(a.params,t.params)&&s(a.query)===s(t.query)&&a.hash===t.hash}function Bm(s,a){return(s.aliasOf||s)===(a.aliasOf||a)}function Fb(s,a){if(Object.keys(s).length!==Object.keys(a).length)return!1;for(var t in s)if(!UF(s[t],a[t]))return!1;return!0}function UF(s,a){return hl(s)?j5(s,a):hl(a)?j5(a,s):s?.valueOf()===a?.valueOf()}function j5(s,a){return hl(a)?s.length===a.length&&s.every((t,n)=>t===a[n]):s.length===1&&s[0]===a}function jF(s,a){if(s.startsWith("/"))return s;if(!s)return a;const t=a.split("/"),n=s.split("/"),e=n[n.length-1];(e===".."||e===".")&&n.push("");let l=t.length-1,i,p;for(i=0;i1&&l--;else break;return t.slice(0,l).join("/")+"/"+n.slice(i).join("/")}const pi={path:"/",name:void 0,params:{},query:{},hash:"",fullPath:"/",matched:[],meta:{},redirectedFrom:void 0};let Iy=(function(s){return s.pop="pop",s.push="push",s})({}),d1=(function(s){return s.back="back",s.forward="forward",s.unknown="",s})({});function GF(s){if(!s)if(jr){const a=document.querySelector("base");s=a&&a.getAttribute("href")||"/",s=s.replace(/^\w+:\/\/[^\/]+/,"")}else s="/";return s[0]!=="/"&&s[0]!=="#"&&(s="/"+s),VF(s)}const WF=/^[^#]+#/;function YF(s,a){return s.replace(WF,"#")+a}function XF(s,a){const t=document.documentElement.getBoundingClientRect(),n=s.getBoundingClientRect();return{behavior:a.behavior,left:n.left-t.left-(a.left||0),top:n.top-t.top-(a.top||0)}}const vd=()=>({left:window.scrollX,top:window.scrollY});function KF(s){let a;if("el"in s){const t=s.el,n=typeof t=="string"&&t.startsWith("#"),e=typeof t=="string"?n?document.getElementById(t.slice(1)):document.querySelector(t):t;if(!e)return;a=XF(e,s)}else a=s;"scrollBehavior"in document.documentElement.style?window.scrollTo(a):window.scrollTo(a.left!=null?a.left:window.scrollX,a.top!=null?a.top:window.scrollY)}function G5(s,a){return(history.state?history.state.position-a:-1)+s}const Ny=new Map;function ZF(s,a){Ny.set(s,a)}function QF(s){const a=Ny.get(s);return Ny.delete(s),a}function JF(s){return typeof s=="string"||s&&typeof s=="object"}function Ob(s){return typeof s=="string"||typeof s=="symbol"}let Ut=(function(s){return s[s.MATCHER_NOT_FOUND=1]="MATCHER_NOT_FOUND",s[s.NAVIGATION_GUARD_REDIRECT=2]="NAVIGATION_GUARD_REDIRECT",s[s.NAVIGATION_ABORTED=4]="NAVIGATION_ABORTED",s[s.NAVIGATION_CANCELLED=8]="NAVIGATION_CANCELLED",s[s.NAVIGATION_DUPLICATED=16]="NAVIGATION_DUPLICATED",s})({});const Ib=Symbol("");Ut.MATCHER_NOT_FOUND+"",Ut.NAVIGATION_GUARD_REDIRECT+"",Ut.NAVIGATION_ABORTED+"",Ut.NAVIGATION_CANCELLED+"",Ut.NAVIGATION_DUPLICATED+"";function Mm(s,a){return ht(new Error,{type:s,[Ib]:!0},a)}function ti(s,a){return s instanceof Error&&Ib in s&&(a==null||!!(s.type&a))}const sO=["params","query","hash"];function aO(s){if(typeof s=="string")return s;if(s.path!=null)return s.path;const a={};for(const t of sO)t in s&&(a[t]=s[t]);return JSON.stringify(a,null,2)}function tO(s){const a={};if(s===""||s==="?")return a;const t=(s[0]==="?"?s.slice(1):s).split("&");for(let n=0;ne&&Oy(e)):[n&&Oy(n)]).forEach(e=>{e!==void 0&&(a+=(a.length?"&":"")+t,e!=null&&(a+="="+e))})}return a}function nO(s){const a={};for(const t in s){const n=s[t];n!==void 0&&(a[t]=hl(n)?n.map(e=>e==null?null:""+e):n==null?n:""+n)}return a}const eO=Symbol(""),Y5=Symbol(""),Ed=Symbol(""),C2=Symbol(""),Py=Symbol("");function xo(){let s=[];function a(n){return s.push(n),()=>{const e=s.indexOf(n);e>-1&&s.splice(e,1)}}function t(){s=[]}return{add:a,list:()=>s.slice(),reset:t}}function Zi(s,a,t,n,e,l=i=>i()){const i=n&&(n.enterCallbacks[e]=n.enterCallbacks[e]||[]);return()=>new Promise((p,r)=>{const m=h=>{h===!1?r(Mm(Ut.NAVIGATION_ABORTED,{from:t,to:a})):h instanceof Error?r(h):JF(h)?r(Mm(Ut.NAVIGATION_GUARD_REDIRECT,{from:a,to:h})):(i&&n.enterCallbacks[e]===i&&typeof h=="function"&&i.push(h),p())},o=l(()=>s.call(n&&n.instances[e],a,t,m));let c=Promise.resolve(o);s.length<3&&(c=c.then(m)),c.catch(h=>r(h))})}function g1(s,a,t,n,e=l=>l()){const l=[];for(const i of s)for(const p in i.components){let r=i.components[p];if(!(a!=="beforeRouteEnter"&&!i.instances[p]))if(Tb(r)){const m=(r.__vccOpts||r)[a];m&&l.push(Zi(m,t,n,i,p,e))}else{let m=r();l.push(()=>m.then(o=>{if(!o)throw new Error(`Couldn't resolve component "${p}" at "${i.path}"`);const c=BF(o)?o.default:o;i.mods[p]=o,i.components[p]=c;const h=(c.__vccOpts||c)[a];return h&&Zi(h,t,n,i,p,e)()}))}}return l}function lO(s,a){const t=[],n=[],e=[],l=Math.max(a.matched.length,s.matched.length);for(let i=0;iBm(m,p))?n.push(p):t.push(p));const r=s.matched[i];r&&(a.matched.find(m=>Bm(m,r))||e.push(r))}return[t,n,e]}/*! * vue-router v4.6.4 * (c) 2025 Eduardo San Martin Morote * @license MIT */let iO=()=>location.protocol+"//"+location.host;function Nb(s,a){const{pathname:t,search:n,hash:e}=a,l=s.indexOf("#");if(l>-1){let i=e.includes(s.slice(l))?s.slice(l).length:1,p=e.slice(i);return p[0]!=="/"&&(p="/"+p),U5(p,"")}return U5(t,s)+n+e}function pO(s,a,t,n){let e=[],l=[],i=null;const p=({state:h})=>{const u=Nb(s,location),y=t.value,x=a.value;let b=0;if(h){if(t.value=u,a.value=h,i&&i===y){i=null;return}b=x?h.position-x.position:0}else n(u);e.forEach(_=>{_(t.value,y,{delta:b,type:Iy.pop,direction:b?b>0?d1.forward:d1.back:d1.unknown})})};function r(){i=t.value}function m(h){e.push(h);const u=()=>{const y=e.indexOf(h);y>-1&&e.splice(y,1)};return l.push(u),u}function o(){if(document.visibilityState==="hidden"){const{history:h}=window;if(!h.state)return;h.replaceState(ht({},h.state,{scroll:vd()}),"")}}function c(){for(const h of l)h();l=[],window.removeEventListener("popstate",p),window.removeEventListener("pagehide",o),document.removeEventListener("visibilitychange",o)}return window.addEventListener("popstate",p),window.addEventListener("pagehide",o),document.addEventListener("visibilitychange",o),{pauseListeners:r,listen:m,destroy:c}}function X5(s,a,t,n=!1,e=!1){return{back:s,current:a,forward:t,replaced:n,position:window.history.length,scroll:e?vd():null}}function rO(s){const{history:a,location:t}=window,n={value:Nb(s,t)},e={value:a.state};e.value||l(n.value,{back:null,current:n.value,forward:null,position:a.length-1,replaced:!0,scroll:null},!0);function l(r,m,o){const c=s.indexOf("#"),h=c>-1?(t.host&&document.querySelector("base")?s:s.slice(c))+r:iO()+s+r;try{a[o?"replaceState":"pushState"](m,"",h),e.value=m}catch(u){console.error(u),t[o?"replace":"assign"](h)}}function i(r,m){l(r,ht({},a.state,X5(e.value.back,r,e.value.forward,!0),m,{position:e.value.position}),!0),n.value=r}function p(r,m){const o=ht({},e.value,a.state,{forward:r,scroll:vd()});l(o.current,o,!0),l(r,ht({},X5(n.value,r,null),{position:o.position+1},m),!1),n.value=r}return{location:n,state:e,push:p,replace:i}}function mO(s){s=GF(s);const a=rO(s),t=pO(s,a.state,a.location,a.replace);function n(l,i=!0){i||t.pauseListeners(),history.go(l)}const e=ht({location:"",base:s,go:n,createHref:YF.bind(null,s)},a,t);return Object.defineProperty(e,"location",{enumerable:!0,get:()=>a.location.value}),Object.defineProperty(e,"state",{enumerable:!0,get:()=>a.state.value}),e}let Gp=(function(s){return s[s.Static=0]="Static",s[s.Param=1]="Param",s[s.Group=2]="Group",s})({});var hn=(function(s){return s[s.Static=0]="Static",s[s.Param=1]="Param",s[s.ParamRegExp=2]="ParamRegExp",s[s.ParamRegExpEnd=3]="ParamRegExpEnd",s[s.EscapeNext=4]="EscapeNext",s})(hn||{});const oO={type:Gp.Static,value:""},cO=/[a-zA-Z0-9_]/;function hO(s){if(!s)return[[]];if(s==="/")return[[oO]];if(!s.startsWith("/"))throw new Error(`Invalid path "${s}"`);function a(u){throw new Error(`ERR (${t})/"${m}": ${u}`)}let t=hn.Static,n=t;const e=[];let l;function i(){l&&e.push(l),l=[]}let p=0,r,m="",o="";function c(){m&&(t===hn.Static?l.push({type:Gp.Static,value:m}):t===hn.Param||t===hn.ParamRegExp||t===hn.ParamRegExpEnd?(l.length>1&&(r==="*"||r==="+")&&a(`A repeatable param (${m}) must be alone in its segment. eg: '/:ids+.`),l.push({type:Gp.Param,value:m,regexp:o,repeatable:r==="*"||r==="+",optional:r==="*"||r==="?"})):a("Invalid state to consume buffer"),m="")}function h(){m+=r}for(;pa.length?a.length===1&&a[0]===Wn.Static+Wn.Segment?1:-1:0}function Pb(s,a){let t=0;const n=s.score,e=a.score;for(;t0&&a[a.length-1]<0}const yO={strict:!1,end:!0,sensitive:!1};function vO(s,a,t){const n=gO(hO(s.path),t),e=ht(n,{record:s,parent:a,children:[],alias:[]});return a&&!e.record.aliasOf==!a.record.aliasOf&&a.children.push(e),e}function EO(s,a){const t=[],n=new Map;a=q5(yO,a);function e(c){return n.get(c)}function l(c,h,u){const y=!u,x=J5(c);x.aliasOf=u&&u.record;const b=q5(a,c),_=[x];if("alias"in c){const C=typeof c.alias=="string"?[c.alias]:c.alias;for(const I of C)_.push(J5(ht({},x,{components:u?u.record.components:x.components,path:I,aliasOf:u?u.record:x})))}let T,A;for(const C of _){const{path:I}=C;if(h&&I[0]!=="/"){const $=h.record.path,U=$[$.length-1]==="/"?"":"/";C.path=h.record.path+(I&&U+I)}if(T=vO(C,h,b),u?u.alias.push(T):(A=A||T,A!==T&&A.alias.push(T),y&&c.name&&!s6(T)&&i(c.name)),Rb(T)&&r(T),x.children){const $=x.children;for(let U=0;U<$.length;U++)l($[U],T,u&&u.children[U])}u=u||T}return A?()=>{i(A)}:Ko}function i(c){if(Ob(c)){const h=n.get(c);h&&(n.delete(c),t.splice(t.indexOf(h),1),h.children.forEach(i),h.alias.forEach(i))}else{const h=t.indexOf(c);h>-1&&(t.splice(h,1),c.record.name&&n.delete(c.record.name),c.children.forEach(i),c.alias.forEach(i))}}function p(){return t}function r(c){const h=bO(c,t);t.splice(h,0,c),c.record.name&&!s6(c)&&n.set(c.record.name,c)}function m(c,h){let u,y={},x,b;if("name"in c&&c.name){if(u=n.get(c.name),!u)throw Mm(Ut.MATCHER_NOT_FOUND,{location:c});b=u.record.name,y=ht(Q5(h.params,u.keys.filter(A=>!A.optional).concat(u.parent?u.parent.keys.filter(A=>A.optional):[]).map(A=>A.name)),c.params&&Q5(c.params,u.keys.map(A=>A.name))),x=u.stringify(y)}else if(c.path!=null)x=c.path,u=t.find(A=>A.re.test(x)),u&&(y=u.parse(x),b=u.record.name);else{if(u=h.name?n.get(h.name):t.find(A=>A.re.test(h.path)),!u)throw Mm(Ut.MATCHER_NOT_FOUND,{location:c,currentLocation:h});b=u.record.name,y=ht({},h.params,c.params),x=u.stringify(y)}const _=[];let T=u;for(;T;)_.unshift(T.record),T=T.parent;return{name:b,path:x,params:y,matched:_,meta:wO(_)}}s.forEach(c=>l(c));function o(){t.length=0,n.clear()}return{addRoute:l,resolve:m,removeRoute:i,clearRoutes:o,getRoutes:p,getRecordMatcher:e}}function Q5(s,a){const t={};for(const n of a)n in s&&(t[n]=s[n]);return t}function J5(s){const a={path:s.path,redirect:s.redirect,name:s.name,meta:s.meta||{},aliasOf:s.aliasOf,beforeEnter:s.beforeEnter,props:xO(s),children:s.children||[],instances:{},leaveGuards:new Set,updateGuards:new Set,enterCallbacks:{},components:"components"in s?s.components||null:s.component&&{default:s.component}};return Object.defineProperty(a,"mods",{value:{}}),a}function xO(s){const a={},t=s.props||!1;if("component"in s)a.default=t;else for(const n in s.components)a[n]=typeof t=="object"?t[n]:t;return a}function s6(s){for(;s;){if(s.record.aliasOf)return!0;s=s.parent}return!1}function wO(s){return s.reduce((a,t)=>ht(a,t.meta),{})}function bO(s,a){let t=0,n=a.length;for(;t!==n;){const l=t+n>>1;Pb(s,a[l])<0?n=l:t=l+1}const e=AO(s);return e&&(n=a.lastIndexOf(e,n-1)),n}function AO(s){let a=s;for(;a=a.parent;)if(Rb(a)&&Pb(s,a)===0)return a}function Rb({record:s}){return!!(s.name||s.components&&Object.keys(s.components).length||s.redirect)}function a6(s){const a=Za(Ed),t=Za(C2),n=hs(()=>{const r=js(s.to);return a.resolve(r)}),e=hs(()=>{const{matched:r}=n.value,{length:m}=r,o=r[m-1],c=t.matched;if(!o||!c.length)return-1;const h=c.findIndex(Bm.bind(null,o));if(h>-1)return h;const u=t6(r[m-2]);return m>1&&t6(o)===u&&c[c.length-1].path!==u?c.findIndex(Bm.bind(null,r[m-2])):h}),l=hs(()=>e.value>-1&&TO(t.params,n.value.params)),i=hs(()=>e.value>-1&&e.value===t.matched.length-1&&Fb(t.params,n.value.params));function p(r={}){if(MO(r)){const m=a[js(s.replace)?"replace":"push"](js(s.to)).catch(Ko);return s.viewTransition&&typeof document<"u"&&"startViewTransition"in document&&document.startViewTransition(()=>m),m}return Promise.resolve()}return{route:n,href:hs(()=>n.value.href),isActive:l,isExactActive:i,navigate:p}}function _O(s){return s.length===1?s[0]:s}const kO=qs({name:"RouterLink",compatConfig:{MODE:3},props:{to:{type:[String,Object],required:!0},replace:Boolean,activeClass:String,exactActiveClass:String,custom:Boolean,ariaCurrentValue:{type:String,default:"page"},viewTransition:Boolean},useLink:a6,setup(s,{slots:a}){const t=fp(a6(s)),{options:n}=Za(Ed),e=hs(()=>({[n6(s.activeClass,n.linkActiveClass,"router-link-active")]:t.isActive,[n6(s.exactActiveClass,n.linkExactActiveClass,"router-link-exact-active")]:t.isExactActive}));return()=>{const l=a.default&&_O(a.default(t));return s.custom?l:M("a",{"aria-current":t.isExactActive?s.ariaCurrentValue:null,href:t.href,onClick:t.navigate,class:e.value},l)}}}),BO=kO;function MO(s){if(!(s.metaKey||s.altKey||s.ctrlKey||s.shiftKey)&&!s.defaultPrevented&&!(s.button!==void 0&&s.button!==0)){if(s.currentTarget&&s.currentTarget.getAttribute){const a=s.currentTarget.getAttribute("target");if(/\b_blank\b/i.test(a))return}return s.preventDefault&&s.preventDefault(),!0}}function TO(s,a){for(const t in a){const n=a[t],e=s[t];if(typeof n=="string"){if(n!==e)return!1}else if(!hl(e)||e.length!==n.length||n.some((l,i)=>l.valueOf()!==e[i].valueOf()))return!1}return!0}function t6(s){return s?s.aliasOf?s.aliasOf.path:s.path:""}const n6=(s,a,t)=>s??a??t,CO=qs({name:"RouterView",inheritAttrs:!1,props:{name:{type:String,default:"default"},route:Object},compatConfig:{MODE:3},setup(s,{attrs:a,slots:t}){const n=Za(Py),e=hs(()=>s.route||n.value),l=Za(Y5,0),i=hs(()=>{let m=js(l);const{matched:o}=e.value;let c;for(;(c=o[m])&&!c.components;)m++;return m}),p=hs(()=>e.value.matched[i.value]);Sn(Y5,hs(()=>i.value+1)),Sn(eO,p),Sn(Py,e);const r=Ws();return wa(()=>[r.value,p.value,s.name],([m,o,c],[h,u,y])=>{o&&(o.instances[c]=m,u&&u!==o&&m&&m===h&&(o.leaveGuards.size||(o.leaveGuards=u.leaveGuards),o.updateGuards.size||(o.updateGuards=u.updateGuards))),m&&o&&(!u||!Bm(o,u)||!h)&&(o.enterCallbacks[c]||[]).forEach(x=>x(m))},{flush:"post"}),()=>{const m=e.value,o=s.name,c=p.value,h=c&&c.components[o];if(!h)return e6(t.default,{Component:h,route:m});const u=c.props[o],y=u?u===!0?m.params:typeof u=="function"?u(m):u:null,b=M(h,ht({},y,a,{onVnodeUnmounted:_=>{_.component.isUnmounted&&(c.instances[o]=null)},ref:r}));return e6(t.default,{Component:b,route:m})||b}}});function e6(s,a){if(!s)return null;const t=s(a);return t.length===1?t[0]:t}const zO=CO;function DO(s){const a=EO(s.routes,s),t=s.parseQuery||tO,n=s.stringifyQuery||W5,e=s.history,l=xo(),i=xo(),p=xo(),r=ka(pi);let m=pi;jr&&s.scrollBehavior&&"scrollRestoration"in history&&(history.scrollRestoration="manual");const o=h1.bind(null,rs=>""+rs),c=h1.bind(null,RF),h=h1.bind(null,yc);function u(rs,Ms){let Ns,Gs;return Ob(rs)?(Ns=a.getRecordMatcher(rs),Gs=Ms):Gs=rs,a.addRoute(Gs,Ns)}function y(rs){const Ms=a.getRecordMatcher(rs);Ms&&a.removeRoute(Ms)}function x(){return a.getRoutes().map(rs=>rs.record)}function b(rs){return!!a.getRecordMatcher(rs)}function _(rs,Ms){if(Ms=ht({},Ms||r.value),typeof rs=="string"){const N=u1(t,rs,Ms.path),V=a.resolve({path:N.path},Ms),Z=e.createHref(N.fullPath);return ht(N,V,{params:h(V.params),hash:yc(N.hash),redirectedFrom:void 0,href:Z})}let Ns;if(rs.path!=null)Ns=ht({},rs,{path:u1(t,rs.path,Ms.path).path});else{const N=ht({},rs.params);for(const V in N)N[V]==null&&delete N[V];Ns=ht({},rs,{params:c(N)}),Ms.params=c(Ms.params)}const Gs=a.resolve(Ns,Ms),zs=rs.hash||"";Gs.params=o(h(Gs.params));const Bs=HF(n,ht({},rs,{hash:IF(zs),path:Gs.path})),H=e.createHref(Bs);return ht({fullPath:Bs,hash:zs,query:n===W5?nO(rs.query):rs.query||{}},Gs,{redirectedFrom:void 0,href:H})}function T(rs){return typeof rs=="string"?u1(t,rs,r.value.path):ht({},rs)}function A(rs,Ms){if(m!==rs)return Mm(Ut.NAVIGATION_CANCELLED,{from:Ms,to:rs})}function C(rs){return U(rs)}function I(rs){return C(ht(T(rs),{replace:!0}))}function $(rs,Ms){const Ns=rs.matched[rs.matched.length-1];if(Ns&&Ns.redirect){const{redirect:Gs}=Ns;let zs=typeof Gs=="function"?Gs(rs,Ms):Gs;return typeof zs=="string"&&(zs=zs.includes("?")||zs.includes("#")?zs=T(zs):{path:zs},zs.params={}),ht({query:rs.query,hash:rs.hash,params:zs.path!=null?{}:rs.params},zs)}}function U(rs,Ms){const Ns=m=_(rs),Gs=r.value,zs=rs.state,Bs=rs.force,H=rs.replace===!0,N=$(Ns,Gs);if(N)return U(ht(T(N),{state:typeof N=="object"?ht({},zs,N.state):zs,force:Bs,replace:H}),Ms||Ns);const V=Ns;V.redirectedFrom=Ms;let Z;return!Bs&&qF(n,Gs,Ns)&&(Z=Mm(Ut.NAVIGATION_DUPLICATED,{to:V,from:Gs}),Ys(Gs,Gs,!0,!1)),(Z?Promise.resolve(Z):G(V,Gs)).catch(as=>ti(as)?ti(as,Ut.NAVIGATION_GUARD_REDIRECT)?as:Is(as):ps(as,V,Gs)).then(as=>{if(as){if(ti(as,Ut.NAVIGATION_GUARD_REDIRECT))return U(ht({replace:H},T(as.to),{state:typeof as.to=="object"?ht({},zs,as.to.state):zs,force:Bs}),Ms||V)}else as=S(V,Gs,!0,H,zs);return X(V,Gs,as),as})}function L(rs,Ms){const Ns=A(rs,Ms);return Ns?Promise.reject(Ns):Promise.resolve()}function P(rs){const Ms=xs.values().next().value;return Ms&&typeof Ms.runWithContext=="function"?Ms.runWithContext(rs):rs()}function G(rs,Ms){let Ns;const[Gs,zs,Bs]=lO(rs,Ms);Ns=g1(Gs.reverse(),"beforeRouteLeave",rs,Ms);for(const N of Gs)N.leaveGuards.forEach(V=>{Ns.push(Zi(V,rs,Ms))});const H=L.bind(null,rs,Ms);return Ns.push(H),ks(Ns).then(()=>{Ns=[];for(const N of l.list())Ns.push(Zi(N,rs,Ms));return Ns.push(H),ks(Ns)}).then(()=>{Ns=g1(zs,"beforeRouteUpdate",rs,Ms);for(const N of zs)N.updateGuards.forEach(V=>{Ns.push(Zi(V,rs,Ms))});return Ns.push(H),ks(Ns)}).then(()=>{Ns=[];for(const N of Bs)if(N.beforeEnter)if(hl(N.beforeEnter))for(const V of N.beforeEnter)Ns.push(Zi(V,rs,Ms));else Ns.push(Zi(N.beforeEnter,rs,Ms));return Ns.push(H),ks(Ns)}).then(()=>(rs.matched.forEach(N=>N.enterCallbacks={}),Ns=g1(Bs,"beforeRouteEnter",rs,Ms,P),Ns.push(H),ks(Ns))).then(()=>{Ns=[];for(const N of i.list())Ns.push(Zi(N,rs,Ms));return Ns.push(H),ks(Ns)}).catch(N=>ti(N,Ut.NAVIGATION_CANCELLED)?N:Promise.reject(N))}function X(rs,Ms,Ns){p.list().forEach(Gs=>P(()=>Gs(rs,Ms,Ns)))}function S(rs,Ms,Ns,Gs,zs){const Bs=A(rs,Ms);if(Bs)return Bs;const H=Ms===pi,N=jr?history.state:{};Ns&&(Gs||H?e.replace(rs.fullPath,ht({scroll:H&&N&&N.scroll},zs)):e.push(rs.fullPath,zs)),r.value=rs,Ys(rs,Ms,Ns,H),Is()}let is;function R(){is||(is=e.listen((rs,Ms,Ns)=>{if(!ys.listening)return;const Gs=_(rs),zs=$(Gs,ys.currentRoute.value);if(zs){U(ht(zs,{replace:!0,force:!0}),Gs).catch(Ko);return}m=Gs;const Bs=r.value;jr&&ZF(G5(Bs.fullPath,Ns.delta),vd()),G(Gs,Bs).catch(H=>ti(H,Ut.NAVIGATION_ABORTED|Ut.NAVIGATION_CANCELLED)?H:ti(H,Ut.NAVIGATION_GUARD_REDIRECT)?(U(ht(T(H.to),{force:!0}),Gs).then(N=>{ti(N,Ut.NAVIGATION_ABORTED|Ut.NAVIGATION_DUPLICATED)&&!Ns.delta&&Ns.type===Iy.pop&&e.go(-1,!1)}).catch(Ko),Promise.reject()):(Ns.delta&&e.go(-Ns.delta,!1),ps(H,Gs,Bs))).then(H=>{H=H||S(Gs,Bs,!1),H&&(Ns.delta&&!ti(H,Ut.NAVIGATION_CANCELLED)?e.go(-Ns.delta,!1):Ns.type===Iy.pop&&ti(H,Ut.NAVIGATION_ABORTED|Ut.NAVIGATION_DUPLICATED)&&e.go(-1,!1)),X(Gs,Bs,H)}).catch(Ko)}))}let ss=xo(),Y=xo(),os;function ps(rs,Ms,Ns){Is(rs);const Gs=Y.list();return Gs.length?Gs.forEach(zs=>zs(rs,Ms,Ns)):console.error(rs),Promise.reject(rs)}function bs(){return os&&r.value!==pi?Promise.resolve():new Promise((rs,Ms)=>{ss.add([rs,Ms])})}function Is(rs){return os||(os=!rs,R(),ss.list().forEach(([Ms,Ns])=>rs?Ns(rs):Ms()),ss.reset()),rs}function Ys(rs,Ms,Ns,Gs){const{scrollBehavior:zs}=s;if(!jr||!zs)return Promise.resolve();const Bs=!Ns&&QF(G5(rs.fullPath,0))||(Gs||!Ns)&&history.state&&history.state.scroll||null;return gt().then(()=>zs(rs,Ms,Bs)).then(H=>H&&KF(H)).catch(H=>ps(H,rs,Ms))}const vs=rs=>e.go(rs);let gs;const xs=new Set,ys={currentRoute:r,listening:!0,addRoute:u,removeRoute:y,clearRoutes:a.clearRoutes,hasRoute:b,getRoutes:x,resolve:_,options:s,push:C,replace:I,go:vs,back:()=>vs(-1),forward:()=>vs(1),beforeEach:l.add,beforeResolve:i.add,afterEach:p.add,onError:Y.add,isReady:bs,install(rs){rs.component("RouterLink",BO),rs.component("RouterView",zO),rs.config.globalProperties.$router=ys,Object.defineProperty(rs.config.globalProperties,"$route",{enumerable:!0,get:()=>js(r)}),jr&&!gs&&r.value===pi&&(gs=!0,C(e.location).catch(Gs=>{}));const Ms={};for(const Gs in pi)Object.defineProperty(Ms,Gs,{get:()=>r.value[Gs],enumerable:!0});rs.provide(Ed,ys),rs.provide(C2,g4(Ms)),rs.provide(Py,r);const Ns=rs.unmount;xs.add(rs),rs.unmount=function(){xs.delete(rs),xs.size<1&&(m=pi,is&&is(),is=null,r.value=pi,gs=!1,os=!1),Ns()}}};function ks(rs){return rs.reduce((Ms,Ns)=>Ms.then(()=>P(Ns)),Promise.resolve())}return ys}function gl(){return Za(Ed)}function fl(s){return Za(C2)}var z2=Symbol(""),yl=()=>{const s=Za(z2);if(!s)throw new Error("useClientData() is called without provider.");return s},LO=()=>yl().pageComponent,sh=()=>yl().pageData,D2=()=>yl().pageFrontmatter,SO=()=>yl().pageHead,$b=()=>yl().pageLang,FO=()=>yl().pageLayout,L2=()=>yl().routeLocale,OO=()=>yl().routePath,Vb=()=>yl().siteData,IO=()=>yl().siteLocaleData,Ap=yl,De=D2,S2=$b,xd=sh,NO=IO,Ry=new Set,Gl=s=>{Ry.add(s),Fn(()=>{Ry.delete(s)})},PO=Symbol(""),$y=ka(_F),lm=ka(kF),Hb=(s,a)=>{const t=uF(s,a);if(lm.value[t])return t;const n=encodeURI(t);if(lm.value[n])return n;const e=$y.value[t]||$y.value[n];return e||t},de=(s,a)=>{const{pathname:t,hashAndQueries:n}=Bb(s),e=Hb(t,a),l=e+n;return lm.value[e]?{...lm.value[e],path:l,notFound:!1}:{...lm.value["/404.html"],path:l,notFound:!0}},RO=(s,a)=>{const{pathname:t,hashAndQueries:n}=Bb(s);return Hb(t,a)+n},$O=s=>{if(!(s.metaKey||s.altKey||s.ctrlKey||s.shiftKey)&&!s.defaultPrevented&&!(s.button!==void 0&&s.button!==0)&&!(s.currentTarget&&s.currentTarget.getAttribute("target")?.match(/\b_blank\b/i)))return s.preventDefault(),!0},en=qs({name:"RouteLink",props:{to:{type:String,required:!0},active:Boolean,activeClass:{type:String,default:"route-link-active"}},slots:Object,setup(s,{slots:a}){const t=gl(),n=fl(),e=hs(()=>s.to.startsWith("#")||s.to.startsWith("?")?s.to:`/Pkmer-Math/${RO(s.to,n.path).substring(1)}`);return()=>M("a",{class:["route-link",{[s.activeClass]:s.active}],href:e.value,onClick:(l={})=>{$O(l)&&t.push(s.to).catch()}},a.default())}}),VO=qs({name:"AutoLink",props:{config:{type:Object,required:!0}},slots:Object,setup(s,{slots:a}){const t=it(s,"config"),n=fl(),e=Vb(),l=hs(()=>Jc(t.value.link)),i=hs(()=>t.value.target||(l.value?"_blank":void 0)),p=hs(()=>i.value==="_blank"),r=hs(()=>!l.value&&!p.value),m=hs(()=>t.value.rel||(p.value?"noopener noreferrer":null)),o=hs(()=>t.value.ariaLabel??t.value.text),c=hs(()=>{if(t.value.exact)return!1;const u=Object.keys(e.value.locales);return u.length?u.every(y=>y!==t.value.link):t.value.link!=="/"}),h=hs(()=>r.value?t.value.activeMatch?(t.value.activeMatch instanceof RegExp?t.value.activeMatch:new RegExp(t.value.activeMatch,"u")).test(n.path):c.value?n.path.startsWith(t.value.link):n.path===t.value.link:!1);return()=>{const{before:u,after:y,default:x}=a,b=x?.(t.value)??[u?.(t.value),t.value.text,y?.(t.value)];return r.value?M(en,{class:"auto-link",to:t.value.link,active:h.value,"aria-label":o.value},()=>b):M("a",{class:"auto-link external-link",href:t.value.link,"aria-label":o.value,rel:m.value,target:i.value},b)}}}),F2=qs({name:"ClientOnly",setup(s,a){const t=Ws(!1);return Ba(()=>{t.value=!0}),()=>t.value?a.slots.default?.():null}}),a0=s=>{Ry.forEach(a=>a(s))},qb=qs({name:"Content",props:{path:{type:String,required:!1,default:""}},setup(s){const a=LO(),t=hs(()=>{if(!s.path)return a.value;const e=de(s.path);return L4(async()=>e.loader().then(({comp:l})=>l))}),n=D2();return wa(n,()=>{a0("updated")},{deep:!0,flush:"post"}),()=>M(t.value,{onVnodeMounted:()=>{a0("mounted")},onVnodeUpdated:()=>{a0("updated")},onVnodeBeforeUnmount:()=>{a0("beforeUnmount")}})}}),HO="Layout",qO="en-US",Op=fp({resolveLayouts:s=>s.reduce((a,t)=>({...a,...t.layouts}),{}),resolvePageHead:(s,a,t)=>{const n=pt(a.description)?a.description:t.description,e=[...Array.isArray(a.head)?a.head:[],...t.head,["title",{},s],["meta",{name:"description",content:n}]];return EF(e)},resolvePageHeadTitle:(s,a)=>[s.title,a.title].filter(t=>!!t).join(" | "),resolvePageLang:(s,a)=>s.lang||a.lang||qO,resolvePageLayout:(s,a)=>{const t=pt(s.frontmatter.layout)?s.frontmatter.layout:HO;if(!a[t])throw new Error(`[vuepress] Cannot resolve layout: ${t}`);return a[t]},resolveRouteLocale:(s,a)=>dF(s,decodeURI(a)),resolveSiteLocaleData:({base:s,locales:a,...t},n)=>({...t,...a[n],head:[...a[n]?.head??[],...t.head]})}),Mn=(s={})=>s,ft=s=>bp(s)?s:`/Pkmer-Math/${Mb(s)}`,UO=Object.defineProperty,jO=(s,a)=>{for(var t in a)UO(s,t,{get:a[t],enumerable:!0})};const O2=s=>s!==void 0,GO=s=>typeof s=="boolean",H0=s=>typeof s=="number",Mi=s=>Array.isArray(s),vc=(s,a)=>pt(s)&&s.startsWith(a),WO=(s,a)=>pt(s)&&s.endsWith(a),{entries:_p}=Object,Ul=s=>Object.keys(s),{values:YO}=Object,I2=s=>{if(s){if(typeof s=="number")return new Date(s);let a=Date.parse(s.toString());if(!Number.isNaN(a))return new Date(a)}return null},wd=s=>vc(s,"/")&&s[1]!=="/";var Ae=Uint8Array,Kr=Uint16Array,XO=Int32Array,Ub=new Ae([0,0,0,0,0,0,0,0,1,1,1,1,2,2,2,2,3,3,3,3,4,4,4,4,5,5,5,5,0,0,0,0]),jb=new Ae([0,0,0,0,1,1,2,2,3,3,4,4,5,5,6,6,7,7,8,8,9,9,10,10,11,11,12,12,13,13,0,0]),KO=new Ae([16,17,18,0,8,7,9,6,10,5,11,4,12,3,13,2,14,1,15]),Gb=function(s,a){for(var t=new Kr(31),n=0;n<31;++n)t[n]=a+=1<>1|(Tt&21845)<<1;Ui=(Ui&52428)>>2|(Ui&13107)<<2,Ui=(Ui&61680)>>4|(Ui&3855)<<4,Vy[Tt]=((Ui&65280)>>8|(Ui&255)<<8)>>1}var Zo=(function(s,a,t){for(var n=s.length,e=0,l=new Kr(a);e>r]=m}else for(p=new Kr(n),e=0;e>15-s[e]);return p}),ah=new Ae(288);for(var Tt=0;Tt<144;++Tt)ah[Tt]=8;for(var Tt=144;Tt<256;++Tt)ah[Tt]=9;for(var Tt=256;Tt<280;++Tt)ah[Tt]=7;for(var Tt=280;Tt<288;++Tt)ah[Tt]=8;var Xb=new Ae(32);for(var Tt=0;Tt<32;++Tt)Xb[Tt]=5;var sI=Zo(ah,9,1),aI=Zo(Xb,5,1),f1=function(s){for(var a=s[0],t=1;ta&&(a=s[t]);return a},Je=function(s,a,t){var n=a/8|0;return(s[n]|s[n+1]<<8)>>(a&7)&t},y1=function(s,a){var t=a/8|0;return(s[t]|s[t+1]<<8|s[t+2]<<16)>>(a&7)},tI=function(s){return(s+7)/8|0},Kb=function(s,a,t){return(a==null||a<0)&&(a=0),(t==null||t>s.length)&&(t=s.length),new Ae(s.subarray(a,t))},nI=["unexpected EOF","invalid block type","invalid length/literal","invalid distance","stream finished","no stream handler",,"no callback","invalid UTF-8 data","extra field too long","date not in range 1980-2099","filename too long","stream finishing","invalid zip data"],Re=function(s,a,t){var n=new Error(a||nI[s]);if(n.code=s,Error.captureStackTrace&&Error.captureStackTrace(n,Re),!t)throw n;return n},eI=function(s,a,t,n){var e=s.length,l=0;if(!e||a.f&&!a.l)return t||new Ae(0);var i=!t,p=i||a.i!=2,r=a.i;i&&(t=new Ae(e*3));var m=function(zs){var Bs=t.length;if(zs>Bs){var H=new Ae(Math.max(Bs*2,zs));H.set(t),t=H}},o=a.f||0,c=a.p||0,h=a.b||0,u=a.l,y=a.d,x=a.m,b=a.n,_=e*8;do{if(!u){o=Je(s,c,1);var T=Je(s,c+1,3);if(c+=3,T)if(T==1)u=sI,y=aI,x=9,b=5;else if(T==2){var $=Je(s,c,31)+257,U=Je(s,c+10,15)+4,L=$+Je(s,c+5,31)+1;c+=14;for(var P=new Ae(L),G=new Ae(19),X=0;X>4;if(A<16)P[X++]=A;else{var Y=0,os=0;for(A==16?(os=3+Je(s,c,3),c+=2,Y=P[X-1]):A==17?(os=3+Je(s,c,7),c+=3):A==18&&(os=11+Je(s,c,127),c+=7);os--;)P[X++]=Y}}var ps=P.subarray(0,$),bs=P.subarray($);x=f1(ps),b=f1(bs),u=Zo(ps,x,1),y=Zo(bs,b,1)}else Re(1);else{var A=tI(c)+4,C=s[A-4]|s[A-3]<<8,I=A+C;if(I>e){r&&Re(0);break}p&&m(h+C),t.set(s.subarray(A,I),h),a.b=h+=C,a.p=c=I*8,a.f=o;continue}if(c>_){r&&Re(0);break}}p&&m(h+131072);for(var Is=(1<>4;if(c+=Y&15,c>_){r&&Re(0);break}if(Y||Re(2),gs<256)t[h++]=gs;else if(gs==256){vs=c,u=null;break}else{var xs=gs-254;if(gs>264){var X=gs-257,ys=Ub[X];xs=Je(s,c,(1<>4;ks||Re(3),c+=ks&15;var bs=JO[rs];if(rs>3){var ys=jb[rs];bs+=y1(s,c)&(1<_){r&&Re(0);break}p&&m(h+131072);var Ms=h+xs;if(h>4>7||(s[0]<<8|s[1])%31)&&Re(6,"invalid zlib data"),(s[1]>>5&1)==1&&Re(6,"invalid zlib data: "+(s[1]&32?"need":"unexpected")+" dictionary"),(s[1]>>3&4)+2};function pI(s,a){return eI(s.subarray(iI(s),-4),{i:2},a,a)}var Hy=typeof TextDecoder<"u"&&new TextDecoder,rI=0;try{Hy.decode(lI,{stream:!0}),rI=1}catch{}var mI=function(s){for(var a="",t=0;;){var n=s[t++],e=(n>127)+(n>223)+(n>239);if(t+e>s.length)return{s:a,r:Kb(s,t-1)};e?e==3?(n=((n&15)<<18|(s[t++]&63)<<12|(s[t++]&63)<<6|s[t++]&63)-65536,a+=String.fromCharCode(55296|n>>10,56320|n&1023)):e&1?a+=String.fromCharCode((n&31)<<6|s[t++]&63):a+=String.fromCharCode((n&15)<<12|(s[t++]&63)<<6|s[t++]&63):a+=String.fromCharCode(n)}};function oI(s,a){{for(var t=new Ae(s.length),n=0;nuI,INSPECTOR_ID:()=>dI,INSPECTOR_LABEL:()=>gI,INSPECTOR_NODES:()=>fI,INSPECTOR_STATE_SECTION_NAME:()=>yI,PLUGIN_ID:()=>Zb,PLUGIN_LABEL:()=>N2});var Zb="org.vuejs.vuepress",N2="VuePress",uI=N2,dI=Zb,gI=N2,l6={id:"INTERNAL",label:"Internal",keys:["layouts","routes","redirects"]},i6={id:"SITE",label:"Site",keys:["siteData","siteLocaleData"]},p6={id:"ROUTE",label:"Route",keys:["routePath","routeLocale"]},r6={id:"PAGE",label:"Page",keys:["pageData","pageFrontmatter","pageLang","pageHead","pageHeadTitle","pageLayout","pageComponent"]},fI={[l6.id]:l6,[i6.id]:i6,[p6.id]:p6,[r6.id]:r6},yI="State";function Gm(s,a){return Yc()?(qo(s,a),!0):!1}const v1=new WeakMap,vI=(...s)=>{var a;const t=s[0],n=(a=Hn())===null||a===void 0?void 0:a.proxy,e=n??Yc();if(e==null&&!_4())throw new Error("injectLocal must be called in setup");return e&&v1.has(e)&&t in v1.get(e)?v1.get(e)[t]:Za(...s)},th=typeof window<"u"&&typeof document<"u";typeof WorkerGlobalScope<"u"&&globalThis instanceof WorkerGlobalScope;const EI=s=>s!=null,xI=Object.prototype.toString,wI=s=>xI.call(s)==="[object Object]",Kn=()=>{},qy=bI();function bI(){var s,a,t;return th&&!!(!((s=window)===null||s===void 0||(s=s.navigator)===null||s===void 0)&&s.userAgent)&&(/iP(?:ad|hone|od)/.test(window.navigator.userAgent)||((a=window)===null||a===void 0||(a=a.navigator)===null||a===void 0?void 0:a.maxTouchPoints)>2&&/iPad|Macintosh/.test((t=window)===null||t===void 0?void 0:t.navigator.userAgent))}function Qb(...s){if(s.length!==1)return it(...s);const a=s[0];return typeof a=="function"?ql(g2(()=>({get:a,set:Kn}))):Ws(a)}function P2(s,a){function t(...n){return new Promise((e,l)=>{Promise.resolve(s(()=>a.apply(this,n),{fn:a,thisArg:this,args:n})).then(e).catch(l)})}return t}const Jb=s=>s();function AI(s,a={}){let t,n,e=Kn;const l=r=>{clearTimeout(r),e(),e=Kn};let i;return r=>{const m=ga(s),o=ga(a.maxWait);return t&&l(t),m<=0||o!==void 0&&o<=0?(n&&(l(n),n=void 0),Promise.resolve(r())):new Promise((c,h)=>{e=a.rejectOnCancel?h:c,i=r,o&&!n&&(n=setTimeout(()=>{t&&l(t),n=void 0,c(i())},o)),t=setTimeout(()=>{n&&l(n),n=void 0,c(r())},m)})}}function _I(...s){let a=0,t,n=!0,e=Kn,l,i,p,r,m;!Xa(s[0])&&typeof s[0]=="object"?{delay:i,trailing:p=!0,leading:r=!0,rejectOnCancel:m=!1}=s[0]:[i,p=!0,r=!0,m=!1]=s;const o=()=>{t&&(clearTimeout(t),t=void 0,e(),e=Kn)};return h=>{const u=ga(i),y=Date.now()-a,x=()=>l=h();return o(),u<=0?(a=Date.now(),x()):(y>u?(a=Date.now(),(r||!n)&&x()):p&&(l=new Promise((b,_)=>{e=m?_:b,t=setTimeout(()=>{a=Date.now(),n=!0,b(x()),o()},Math.max(0,u-y))})),!r&&!t&&(t=setTimeout(()=>n=!0,u)),n=!1,l)}}function kI(s=Jb,a={}){const{initialState:t="active"}=a,n=Qb(t==="active");function e(){n.value=!1}function l(){n.value=!0}return{isActive:ql(n),pause:e,resume:l,eventFilter:(...p)=>{n.value&&s(...p)}}}function BI(s){let a;function t(){return a||(a=s()),a}return t.reset=async()=>{const n=a;a=void 0,n&&await n},t}function m6(s){return s.endsWith("rem")?Number.parseFloat(s)*16:Number.parseFloat(s)}function Qo(s){return Array.isArray(s)?s:[s]}function sA(s){return Hn()}function bd(s,a=200,t={}){return P2(AI(a,t),s)}function aA(s,a=200,t=!1,n=!0,e=!1){return P2(_I(a,t,n,e),s)}function MI(s,a,t={}){const{eventFilter:n=Jb,...e}=t;return wa(s,P2(n,a),e)}function TI(s,a,t={}){const{eventFilter:n,initialState:e="active",...l}=t,{eventFilter:i,pause:p,resume:r,isActive:m}=kI(n,{initialState:e});return{stop:MI(s,a,{...l,eventFilter:i}),pause:p,resume:r,isActive:m}}function Wm(s,a=!0,t){sA()?Ba(s,t):a?s():gt(s)}function CI(s,a){sA()&&Fn(s,a)}function zI(s,a,t={}){const{immediate:n=!0,immediateCallback:e=!1}=t,l=ka(!1);let i;function p(){i&&(clearTimeout(i),i=void 0)}function r(){l.value=!1,p()}function m(...o){e&&s(),p(),l.value=!0,i=setTimeout(()=>{l.value=!1,i=void 0,s(...o)},ga(a))}return n&&(l.value=!0,th&&m()),Gm(r),{isPending:hL(l),start:m,stop:r}}function Tm(s=!1,a={}){const{truthyValue:t=!0,falsyValue:n=!1}=a,e=Xa(s),l=ka(s);function i(p){if(arguments.length)return l.value=p,l.value;{const r=ga(t);return l.value=l.value===r?ga(n):r,l.value}}return e?i:[l,i]}function ge(s,a,t){return wa(s,a,{...t,immediate:!0})}const Bn=th?window:void 0,tA=th?window.document:void 0,nA=th?window.navigator:void 0;function Dn(s){var a;const t=ga(s);return(a=t?.$el)!==null&&a!==void 0?a:t}function Pa(...s){const a=(n,e,l,i)=>(n.addEventListener(e,l,i),()=>n.removeEventListener(e,l,i)),t=hs(()=>{const n=Qo(ga(s[0])).filter(e=>e!=null);return n.every(e=>typeof e!="string")?n:void 0});return ge(()=>{var n,e;return[(n=(e=t.value)===null||e===void 0?void 0:e.map(l=>Dn(l)))!==null&&n!==void 0?n:[Bn].filter(l=>l!=null),Qo(ga(t.value?s[1]:s[0])),Qo(js(t.value?s[2]:s[1])),ga(t.value?s[3]:s[2])]},([n,e,l,i],p,r)=>{if(!n?.length||!e?.length||!l?.length)return;const m=wI(i)?{...i}:i,o=n.flatMap(c=>e.flatMap(h=>l.map(u=>a(c,h,u,m))));r(()=>{o.forEach(c=>c())})},{flush:"post"})}let o6=!1;function DI(s,a,t={}){const{window:n=Bn,ignore:e=[],capture:l=!0,detectIframe:i=!1,controls:p=!1}=t;if(!n)return p?{stop:Kn,cancel:Kn,trigger:Kn}:Kn;if(qy&&!o6){o6=!0;const b={passive:!0};Array.from(n.document.body.children).forEach(_=>_.addEventListener("click",Kn,b)),n.document.documentElement.addEventListener("click",Kn,b)}let r=!0;const m=b=>ga(e).some(_=>{if(typeof _=="string")return Array.from(n.document.querySelectorAll(_)).some(T=>T===b.target||b.composedPath().includes(T));{const T=Dn(_);return T&&(b.target===T||b.composedPath().includes(T))}});function o(b){const _=ga(b);return _&&_.$.subTree.shapeFlag===16}function c(b,_){const T=ga(b),A=T.$.subTree&&T.$.subTree.children;return A==null||!Array.isArray(A)?!1:A.some(C=>C.el===_.target||_.composedPath().includes(C.el))}const h=b=>{const _=Dn(s);if(b.target!=null&&!(!(_ instanceof Element)&&o(s)&&c(s,b))&&!(!_||_===b.target||b.composedPath().includes(_))){if("detail"in b&&b.detail===0&&(r=!m(b)),!r){r=!0;return}a(b)}};let u=!1;const y=[Pa(n,"click",b=>{u||(u=!0,setTimeout(()=>{u=!1},0),h(b))},{passive:!0,capture:l}),Pa(n,"pointerdown",b=>{const _=Dn(s);r=!m(b)&&!!(_&&!b.composedPath().includes(_))},{passive:!0}),i&&Pa(n,"blur",b=>{setTimeout(()=>{var _;const T=Dn(s);((_=n.document.activeElement)===null||_===void 0?void 0:_.tagName)==="IFRAME"&&!T?.contains(n.document.activeElement)&&a(b)},0)},{passive:!0})].filter(Boolean),x=()=>y.forEach(b=>b());return p?{stop:x,cancel:()=>{r=!1},trigger:b=>{r=!0,h(b),r=!1}}:x}function LI(){const s=ka(!1),a=Hn();return a&&Ba(()=>{s.value=!0},a),s}function br(s){const a=LI();return hs(()=>(a.value,!!s()))}function eA(s,a,t={}){const{window:n=Bn,...e}=t;let l;const i=br(()=>n&&"MutationObserver"in n),p=()=>{l&&(l.disconnect(),l=void 0)},r=wa(hs(()=>{const c=Qo(ga(s)).map(Dn).filter(EI);return new Set(c)}),c=>{p(),i.value&&c.size&&(l=new MutationObserver(a),c.forEach(h=>l.observe(h,e)))},{immediate:!0,flush:"post"}),m=()=>l?.takeRecords(),o=()=>{r(),p()};return Gm(o),{isSupported:i,stop:o,takeRecords:m}}function SI(s,a,t={}){const{window:n=Bn,document:e=n?.document,flush:l="sync"}=t;if(!n||!e)return Kn;let i;const p=o=>{i?.(),i=o},r=y2(()=>{const o=Dn(s);if(o){const{stop:c}=eA(e,h=>{h.map(u=>[...u.removedNodes]).flat().some(u=>u===o||u.contains(o))&&a(h)},{window:n,childList:!0,subtree:!0});p(c)}},{flush:l}),m=()=>{r(),p()};return Gm(m),m}const FI=Symbol("vueuse-ssr-width");function OI(){const s=_4()?vI(FI,null):null;return typeof s=="number"?s:void 0}function R2(s,a={}){const{window:t=Bn,ssrWidth:n=OI()}=a,e=br(()=>t&&"matchMedia"in t&&typeof t.matchMedia=="function"),l=ka(typeof n=="number"),i=ka(),p=ka(!1),r=m=>{p.value=m.matches};return y2(()=>{if(l.value){l.value=!e.value,p.value=ga(s).split(",").some(m=>{const o=m.includes("not all"),c=m.match(/\(\s*min-width:\s*(-?\d+(?:\.\d*)?[a-z]+\s*)\)/),h=m.match(/\(\s*max-width:\s*(-?\d+(?:\.\d*)?[a-z]+\s*)\)/);let u=!!(c||h);return c&&u&&(u=n>=m6(c[1])),h&&u&&(u=n<=m6(h[1])),o?!u:u});return}e.value&&(i.value=t.matchMedia(ga(s)),p.value=i.value.matches)}),Pa(i,"change",r,{passive:!0}),hs(()=>p.value)}function c6(s,a={}){const{controls:t=!1,navigator:n=nA}=a,e=br(()=>n&&"permissions"in n),l=ka(),i=typeof s=="string"?{name:s}:s,p=ka(),r=()=>{var o,c;p.value=(o=(c=l.value)===null||c===void 0?void 0:c.state)!==null&&o!==void 0?o:"prompt"};Pa(l,"change",r,{passive:!0});const m=BI(async()=>{if(e.value){if(!l.value)try{l.value=await n.permissions.query(i)}catch{l.value=void 0}finally{r()}if(t)return at(l.value)}});return m(),t?{state:p,isSupported:e,query:m}:p}function II(s={}){const{navigator:a=nA,read:t=!1,source:n,copiedDuring:e=1500,legacy:l=!1}=s,i=br(()=>a&&"clipboard"in a),p=c6("clipboard-read"),r=c6("clipboard-write"),m=hs(()=>i.value||l),o=ka(""),c=ka(!1),h=zI(()=>c.value=!1,e,{immediate:!1});async function u(){let T=!(i.value&&_(p.value));if(!T)try{o.value=await a.clipboard.readText()}catch{T=!0}T&&(o.value=b())}m.value&&t&&Pa(["copy","cut"],u,{passive:!0});async function y(T=ga(n)){if(m.value&&T!=null){let A=!(i.value&&_(r.value));if(!A)try{await a.clipboard.writeText(T)}catch{A=!0}A&&x(T),o.value=T,c.value=!0,h.start()}}function x(T){const A=document.createElement("textarea");A.value=T,A.style.position="absolute",A.style.opacity="0",A.setAttribute("readonly",""),document.body.appendChild(A),A.select(),document.execCommand("copy"),A.remove()}function b(){var T,A,C;return(T=(A=document)===null||A===void 0||(C=A.getSelection)===null||C===void 0||(C=C.call(A))===null||C===void 0?void 0:C.toString())!==null&&T!==void 0?T:""}function _(T){return T==="granted"||T==="prompt"}return{isSupported:m,text:ql(o),copied:ql(c),copy:y}}const t0=typeof globalThis<"u"?globalThis:typeof window<"u"?window:typeof global<"u"?global:typeof self<"u"?self:{},n0="__vueuse_ssr_handlers__",NI=PI();function PI(){return n0 in t0||(t0[n0]=t0[n0]||{}),t0[n0]}function RI(s,a){return NI[s]||a}function $I(s){return R2("(prefers-color-scheme: dark)",s)}function VI(s){return s==null?"any":s instanceof Set?"set":s instanceof Map?"map":s instanceof Date?"date":typeof s=="boolean"?"boolean":typeof s=="string"?"string":typeof s=="object"?"object":Number.isNaN(s)?"any":"number"}const HI={boolean:{read:s=>s==="true",write:s=>String(s)},object:{read:s=>JSON.parse(s),write:s=>JSON.stringify(s)},number:{read:s=>Number.parseFloat(s),write:s=>String(s)},any:{read:s=>s,write:s=>String(s)},string:{read:s=>s,write:s=>String(s)},map:{read:s=>new Map(JSON.parse(s)),write:s=>JSON.stringify(Array.from(s.entries()))},set:{read:s=>new Set(JSON.parse(s)),write:s=>JSON.stringify(Array.from(s))},date:{read:s=>new Date(s),write:s=>s.toISOString()}},h6="vueuse-storage";function nh(s,a,t,n={}){var e;const{flush:l="pre",deep:i=!0,listenToStorageChanges:p=!0,writeDefaults:r=!0,mergeDefaults:m=!1,shallow:o,window:c=Bn,eventFilter:h,onError:u=R=>{console.error(R)},initOnMounted:y}=n,x=(o?ka:Ws)(typeof a=="function"?a():a),b=hs(()=>ga(s));if(!t)try{t=RI("getDefaultStorage",()=>Bn?.localStorage)()}catch(R){u(R)}if(!t)return x;const _=ga(a),T=VI(_),A=(e=n.serializer)!==null&&e!==void 0?e:HI[T],{pause:C,resume:I}=TI(x,R=>G(R),{flush:l,deep:i,eventFilter:h});wa(b,()=>S(),{flush:l});let $=!1;const U=R=>{y&&!$||S(R)},L=R=>{y&&!$||is(R)};c&&p&&(t instanceof Storage?Pa(c,"storage",U,{passive:!0}):Pa(c,h6,L)),y?Wm(()=>{$=!0,S()}):S();function P(R,ss){if(c){const Y={key:b.value,oldValue:R,newValue:ss,storageArea:t};c.dispatchEvent(t instanceof Storage?new StorageEvent("storage",Y):new CustomEvent(h6,{detail:Y}))}}function G(R){try{const ss=t.getItem(b.value);if(R==null)P(ss,null),t.removeItem(b.value);else{const Y=A.write(R);ss!==Y&&(t.setItem(b.value,Y),P(ss,Y))}}catch(ss){u(ss)}}function X(R){const ss=R?R.newValue:t.getItem(b.value);if(ss==null)return r&&_!=null&&t.setItem(b.value,A.write(_)),_;if(!R&&m){const Y=A.read(ss);return typeof m=="function"?m(Y,_):T==="object"&&!Array.isArray(Y)?{..._,...Y}:Y}else return typeof ss!="string"?ss:A.read(ss)}function S(R){if(!(R&&R.storageArea!==t)){if(R&&R.key==null){x.value=_;return}if(!(R&&R.key!==b.value)){C();try{const ss=A.write(x.value);(R===void 0||R?.newValue!==ss)&&(x.value=X(R))}catch(ss){u(ss)}finally{R?gt(I):I()}}}}function is(R){S(R.detail)}return x}function $2(s,a,t={}){const{window:n=Bn,...e}=t;let l;const i=br(()=>n&&"ResizeObserver"in n),p=()=>{l&&(l.disconnect(),l=void 0)},r=wa(hs(()=>{const o=ga(s);return Array.isArray(o)?o.map(c=>Dn(c)):[Dn(o)]}),o=>{if(p(),i.value&&n){l=new ResizeObserver(a);for(const c of o)c&&l.observe(c,e)}},{immediate:!0,flush:"post"}),m=()=>{p(),r()};return Gm(m),{isSupported:i,stop:m}}function qI(s,a={}){const{delayEnter:t=0,delayLeave:n=0,triggerOnRemoval:e=!1,window:l=Bn}=a,i=ka(!1);let p;const r=m=>{const o=m?t:n;p&&(clearTimeout(p),p=void 0),o?p=setTimeout(()=>i.value=m,o):i.value=m};return l&&(Pa(s,"mouseenter",()=>r(!0),{passive:!0}),Pa(s,"mouseleave",()=>r(!1),{passive:!0}),e&&SI(hs(()=>Dn(s)),()=>r(!1))),i}function UI(s,a={width:0,height:0},t={}){const{window:n=Bn,box:e="content-box"}=t,l=hs(()=>{var c;return(c=Dn(s))===null||c===void 0||(c=c.namespaceURI)===null||c===void 0?void 0:c.includes("svg")}),i=ka(a.width),p=ka(a.height),{stop:r}=$2(s,([c])=>{const h=e==="border-box"?c.borderBoxSize:e==="content-box"?c.contentBoxSize:c.devicePixelContentBoxSize;if(n&&l.value){const u=Dn(s);if(u){const y=u.getBoundingClientRect();i.value=y.width,p.value=y.height}}else if(h){const u=Qo(h);i.value=u.reduce((y,{inlineSize:x})=>y+x,0),p.value=u.reduce((y,{blockSize:x})=>y+x,0)}else i.value=c.contentRect.width,p.value=c.contentRect.height},t);Wm(()=>{const c=Dn(s);c&&(i.value="offsetWidth"in c?c.offsetWidth:a.width,p.value="offsetHeight"in c?c.offsetHeight:a.height)});const m=wa(()=>Dn(s),c=>{i.value=c?a.width:0,p.value=c?a.height:0});function o(){r(),m()}return{width:i,height:p,stop:o}}const u6=["fullscreenchange","webkitfullscreenchange","webkitendfullscreen","mozfullscreenchange","MSFullscreenChange"];function Ad(s,a={}){const{document:t=tA,autoExit:n=!1}=a,e=hs(()=>{var T;return(T=Dn(s))!==null&&T!==void 0?T:t?.documentElement}),l=ka(!1),i=hs(()=>["requestFullscreen","webkitRequestFullscreen","webkitEnterFullscreen","webkitEnterFullScreen","webkitRequestFullScreen","mozRequestFullScreen","msRequestFullscreen"].find(T=>t&&T in t||e.value&&T in e.value)),p=hs(()=>["exitFullscreen","webkitExitFullscreen","webkitExitFullScreen","webkitCancelFullScreen","mozCancelFullScreen","msExitFullscreen"].find(T=>t&&T in t||e.value&&T in e.value)),r=hs(()=>["fullScreen","webkitIsFullScreen","webkitDisplayingFullscreen","mozFullScreen","msFullscreenElement"].find(T=>t&&T in t||e.value&&T in e.value)),m=["fullscreenElement","webkitFullscreenElement","mozFullScreenElement","msFullscreenElement"].find(T=>t&&T in t),o=br(()=>e.value&&t&&i.value!==void 0&&p.value!==void 0&&r.value!==void 0),c=()=>m?t?.[m]===e.value:!1,h=()=>{if(r.value){if(t&&t[r.value]!=null)return t[r.value];{const T=e.value;if(T?.[r.value]!=null)return!!T[r.value]}}return!1};async function u(){if(!(!o.value||!l.value)){if(p.value)if(t?.[p.value]!=null)await t[p.value]();else{const T=e.value;T?.[p.value]!=null&&await T[p.value]()}l.value=!1}}async function y(){if(!o.value||l.value)return;h()&&await u();const T=e.value;i.value&&T?.[i.value]!=null&&(await T[i.value](),l.value=!0)}async function x(){await(l.value?u():y())}const b=()=>{const T=h();(!T||T&&c())&&(l.value=T)},_={capture:!1,passive:!0};return Pa(t,u6,b,_),Pa(()=>Dn(e),u6,b,_),Wm(b,!1),n&&Gm(u),{isSupported:o,isFullscreen:l,enter:y,exit:u,toggle:x}}function E1(s){return typeof Window<"u"&&s instanceof Window?s.document.documentElement:typeof Document<"u"&&s instanceof Document?s.documentElement:s}const d6=1;function jI(s,a={}){const{throttle:t=0,idle:n=200,onStop:e=Kn,onScroll:l=Kn,offset:i={left:0,right:0,top:0,bottom:0},observe:p={mutation:!1},eventListenerOptions:r={capture:!1,passive:!0},behavior:m="auto",window:o=Bn,onError:c=P=>{console.error(P)}}=a,h=typeof p=="boolean"?{mutation:p}:p,u=ka(0),y=ka(0),x=hs({get(){return u.value},set(P){_(P,void 0)}}),b=hs({get(){return y.value},set(P){_(void 0,P)}});function _(P,G){var X,S,is,R;if(!o)return;const ss=ga(s);if(!ss)return;(X=ss instanceof Document?o.document.body:ss)===null||X===void 0||X.scrollTo({top:(S=ga(G))!==null&&S!==void 0?S:b.value,left:(is=ga(P))!==null&&is!==void 0?is:x.value,behavior:ga(m)});const Y=(ss==null||(R=ss.document)===null||R===void 0?void 0:R.documentElement)||ss?.documentElement||ss;x!=null&&(u.value=Y.scrollLeft),b!=null&&(y.value=Y.scrollTop)}const T=ka(!1),A=fp({left:!0,right:!1,top:!0,bottom:!1}),C=fp({left:!1,right:!1,top:!1,bottom:!1}),I=P=>{T.value&&(T.value=!1,C.left=!1,C.right=!1,C.top=!1,C.bottom=!1,e(P))},$=bd(I,t+n),U=P=>{var G;if(!o)return;const X=(P==null||(G=P.document)===null||G===void 0?void 0:G.documentElement)||P?.documentElement||Dn(P),{display:S,flexDirection:is,direction:R}=o.getComputedStyle(X),ss=R==="rtl"?-1:1,Y=X.scrollLeft;C.left=Yu.value;const os=Math.abs(Y*ss)<=(i.left||0),ps=Math.abs(Y*ss)+X.clientWidth>=X.scrollWidth-(i.right||0)-d6;S==="flex"&&is==="row-reverse"?(A.left=ps,A.right=os):(A.left=os,A.right=ps),u.value=Y;let bs=X.scrollTop;P===o.document&&!bs&&(bs=o.document.body.scrollTop),C.top=bsy.value;const Is=Math.abs(bs)<=(i.top||0),Ys=Math.abs(bs)+X.clientHeight>=X.scrollHeight-(i.bottom||0)-d6;S==="flex"&&is==="column-reverse"?(A.top=Ys,A.bottom=Is):(A.top=Is,A.bottom=Ys),y.value=bs},L=P=>{var G;o&&(U((G=P.target.documentElement)!==null&&G!==void 0?G:P.target),T.value=!0,$(P),l(P))};return Pa(s,"scroll",t?aA(L,t,!0,!1):L,r),Wm(()=>{try{const P=ga(s);if(!P)return;U(P)}catch(P){c(P)}}),h?.mutation&&s!=null&&s!==o&&s!==document&&eA(s,()=>{const P=ga(s);P&&U(P)},{attributes:!0,childList:!0,subtree:!0}),Pa(s,"scrollend",I,r),{x,y:b,isScrolling:T,arrivedState:A,directions:C,measure(){const P=ga(s);o&&P&&U(P)}}}function GI(s,a,t={}){const{window:n=Bn}=t;return nh(s,a,n?.localStorage,t)}function WI(s={}){const{window:a=Bn}=s;if(!a)return ka(["en"]);const t=a.navigator,n=ka(t.languages);return Pa(a,"languagechange",()=>{n.value=t.languages},{passive:!0}),n}function YI(s,a=Kn,t={}){const{immediate:n=!0,manual:e=!1,type:l="text/javascript",async:i=!0,crossOrigin:p,referrerPolicy:r,noModule:m,defer:o,document:c=tA,attrs:h={},nonce:u=void 0}=t,y=ka(null);let x=null;const b=A=>new Promise((C,I)=>{const $=G=>(y.value=G,C(G),G);if(!c){C(!1);return}let U=!1,L=c.querySelector(`script[src="proxy.php?url=https%3A%2F%2Flincdocs.github.io%2F%24%7Bga%28s%29%7D"]`);L?L.hasAttribute("data-loaded")&&$(L):(L=c.createElement("script"),L.type=l,L.async=i,L.src=ga(s),o&&(L.defer=o),p&&(L.crossOrigin=p),m&&(L.noModule=m),r&&(L.referrerPolicy=r),u&&(L.nonce=u),Object.entries(h).forEach(([G,X])=>L?.setAttribute(G,X)),U=!0);const P={passive:!0};Pa(L,"error",G=>I(G),P),Pa(L,"abort",G=>I(G),P),Pa(L,"load",()=>{L.setAttribute("data-loaded","true"),a(L),$(L)},P),U&&(L=c.head.appendChild(L)),A||$(L)}),_=(A=!0)=>(x||(x=b(A)),x),T=()=>{if(!c)return;x=null,y.value&&(y.value=null);const A=c.querySelector(`script[src="proxy.php?url=https%3A%2F%2Flincdocs.github.io%2F%24%7Bga%28s%29%7D"]`);A&&c.head.removeChild(A)};return n&&!e&&Wm(_),e||CI(T),{scriptTag:y,load:_,unload:T}}function lA(s){const a=window.getComputedStyle(s);if(a.overflowX==="scroll"||a.overflowY==="scroll"||a.overflowX==="auto"&&s.clientWidth1?!0:(a.preventDefault&&a.preventDefault(),!1)}const x1=new WeakMap;function eh(s,a=!1){const t=ka(a);let n=null,e="";wa(Qb(s),p=>{const r=E1(ga(p));if(r){const m=r;if(x1.get(m)||x1.set(m,m.style.overflow),m.style.overflow!=="hidden"&&(e=m.style.overflow),m.style.overflow==="hidden")return t.value=!0;if(t.value)return m.style.overflow="hidden"}},{immediate:!0});const l=()=>{const p=E1(ga(s));!p||t.value||(qy&&(n=Pa(p,"touchmove",r=>{XI(r)},{passive:!1})),p.style.overflow="hidden",t.value=!0)},i=()=>{const p=E1(ga(s));!p||!t.value||(qy&&n?.(),p.style.overflow=e,x1.delete(p),t.value=!1)};return Gm(i),hs({get(){return t.value},set(p){p?l():i()}})}function KI(s,a,t={}){const{window:n=Bn}=t;return nh(s,a,n?.sessionStorage,t)}function ZI(s={}){const{window:a=Bn,...t}=s;return jI(a,t)}function QI(s={}){const{window:a=Bn,initialWidth:t=Number.POSITIVE_INFINITY,initialHeight:n=Number.POSITIVE_INFINITY,listenOrientation:e=!0,includeScrollbar:l=!0,type:i="inner"}=s,p=ka(t),r=ka(n),m=()=>{if(a)if(i==="outer")p.value=a.outerWidth,r.value=a.outerHeight;else if(i==="visual"&&a.visualViewport){const{width:c,height:h,scale:u}=a.visualViewport;p.value=Math.round(c*u),r.value=Math.round(h*u)}else l?(p.value=a.innerWidth,r.value=a.innerHeight):(p.value=a.document.documentElement.clientWidth,r.value=a.document.documentElement.clientHeight)};m(),Wm(m);const o={passive:!0};return Pa("resize",m,o),a&&i==="visual"&&a.visualViewport&&Pa(a.visualViewport,"resize",m,o),e&&wa(R2("(orientation: portrait)"),()=>m()),{width:p,height:r}}const Ec=s=>cI(pI(oI(atob(s)))),iA=s=>{let a=s.replaceAll("
","
").replaceAll("%","%25").replaceAll('"',"%22").replaceAll("'","%27").replaceAll("&","%26").replaceAll("#","%23").replaceAll("{","%7B").replaceAll("}","%7D").replaceAll("<","%3C").replaceAll(">","%3E");return s.includes("xmlns")||(a=a.replace("navigator.userAgentData?.platform??navigator.platform,V2=()=>navigator.userAgent,JI=()=>/\biPhone\b/i.test(_d()),pA=()=>/\biPad\b/i.test(_d()),rA=()=>/ios/i.test(_d())||JI()||pA(),sN=()=>{let s=_d();return s?/mac/i.test(s):/macintosh|mac os x/i.test(V2())&&!rA()},mA=()=>{let s=navigator.userAgentData?.mobile;return GO(s)?s:/\b(Android|webOS|iPhone|iPad|iPod|BlackBerry|IEMobile|Opera Mini|Mobile|CriOS|FxiOS)\b/i.test(V2())},aN=()=>{let s=V2();return/safari/i.test(s)&&!/chrome|crios|fxios|edgios|edg|opr|opera|ucbrowser|qqbrowser|baidubrowser/i.test(s)},g6=()=>document.documentElement.dataset.theme==="dark",oA=Array.from({length:6},(s,a)=>`[vp-content] h${a+1}`).join(","),tN=(s,a=2)=>{if(a===!1)return[];let[t,n]=typeof a=="number"?[a,a]:a==="deep"?[2,6]:a,e=s.filter(i=>i.level>=t&&i.level<=n),l=[];s:for(let i=0;i=0;r--){let m=e[r];if(m.level{let t;if(a.length>0){let n=s.cloneNode(!0);n.querySelectorAll(a.join(",")).forEach(e=>{e.remove()}),t=n.textContent||""}else t=s.textContent||"";return t.trim()},eN=(s=oA,a=[])=>[...document.querySelectorAll(s)].filter(t=>t.id&&t.hasChildNodes()).map(t=>({element:t,title:nN(t,a),link:`#${t.id}`,slug:t.id,level:Number(t.tagName[1]),children:[]})),lN=({selector:s=oA,levels:a=2,ignore:t=[]}={})=>tN(eN(s,t),a),iN=s=>s instanceof Element?document.activeElement===s&&(["TEXTAREA","SELECT","INPUT"].includes(s.tagName)||s.hasAttribute("contenteditable")):!1,cA=s=>s.every(a=>a.type===bn?!0:a.type===Ca?a.children==null||Mi(a.children)&&cA(a.children):!1),im=s=>s==null?!0:Mi(s)?cA(s):!1,pN=(s,a)=>a.some(t=>{if(pt(t))return t===s.key;let{key:n,ctrl:e=!1,shift:l=!1,alt:i=!1}=t;return n===s.key&&e===s.ctrlKey&&l===s.shiftKey&&i===s.altKey}),fe=(s,a)=>{let t=(a?._instance??Hn())?.appContext.components;return t?s in t||Ln(s)in t||Wc(Ln(s))in t:!1},w1="message-container";var rN=class hA{elements;constructor(){this.elements={}}static get containerElement(){let a=document.querySelector(`#${w1}`);return a||(a=document.createElement("div"),a.id=w1,document.body.append(a),a)}getElement(a){return this.elements[a]}pop(a,t=2e3,n=!0){let e=Date.now(),l=document.createElement("div");return l.className="message-item move-in",l.innerHTML=a,hA.containerElement.append(l),this.elements[e]=l,n&&l.addEventListener("click",()=>{this.close(e)}),t>0&&setTimeout(()=>{this.close(e)},t),e}close(a){if(a==null)Ul(this.elements).forEach(t=>{this.close(Number(t))});else{let t=this.elements[a];t.classList.remove("move-in"),t.classList.add("move-out"),t.addEventListener("animationend",()=>{t.remove(),delete this.elements[a]})}}destroy(){document.querySelector(`#${w1}`)?.remove(),this.elements={}}};const f6=s=>typeof s=="number"?`${s}px`:s,kd=({size:s=48,stroke:a=4,wrapper:t=!0,height:n=2*s})=>{let e=M("span",{style:`--loading-icon: url("${iA(``)}");--icon-size: ${f6(s)};display: inline-block;width: var(--icon-size);height: var(--icon-size);background-color: currentcolor;-webkit-mask-image: var(--loading-icon);mask-image: var(--loading-icon)`});return t?M("div",{style:`display: flex;align-items: center;justify-content: center;height: ${f6(n)}`},e):e};kd.displayName="LoadingIcon";const H2=(s,{slots:a})=>a.default(),mN=Symbol(""),Uy=Ws(!1);typeof document<"u"&&(Uy.value=g6(),new MutationObserver(()=>{Uy.value=g6()}).observe(document.documentElement,{attributeFilter:["data-theme"],attributes:!0}));const oN=()=>ql(Za(mN,Uy)),cN=(s={})=>{let a=Ws([]);return Gl(t=>{a.value=t==="beforeUnmount"?[]:lN(ga(s))}),a},uA=s=>{let a=L2();return hs(()=>{let t=ga(s);return t[a.value]??t["/"]??Object.values(t)[0]})},Wl=uA,hN=(s,a)=>{Pa("keydown",t=>{let n=ga(s);n?.length&&pN(t,n)&&!iN(t.target)&&(t.preventDefault(),a())})};var y6={"/":{contributors:"贡献者",changelog:"更新日志",timeOn:"于",viewChangelog:"查看所有更新日志",latestUpdateAt:"最近更新"}};const uN=typeof y6>"u"?{}:y6,dA=()=>Wl(uN),dN=({level:s=2,text:a,anchor:t})=>M(`h${s||2}`,{id:t,tabindex:"-1"},M("a",{href:`#${t}`,class:"header-anchor"},M("span",a))),gA=(s=!0)=>{let{frontmatter:a,page:t}=Ap();return hs(()=>a.value.contributors===!1||!ga(s)?[]:t.value.git.contributors??[])},gN=({name:s,url:a,avatar:t})=>M(a?"a":"span",{href:a,target:"_blank",rel:"noreferrer",class:"vp-contributor"},[t?M("img",{src:t,alt:"",class:"vp-contributor-avatar"}):null,M("span",{class:"vp-contributor-name"},s)]),fN=qs({name:"GitContributors",props:{title:String,headerLevel:{type:Number,default:2}},setup(s){let a=gA(),t=dA();return()=>a.value.length>0?[M(dN,{level:s.headerLevel,anchor:"doc-contributors",text:s.title||t.value.contributors}),M("div",{class:"vp-contributors"},a.value.map(n=>M(gN,n)))]:null}}),yN={enhance:({app:s})=>{s.component("GitContributors",fN)}},vN=Object.freeze(Object.defineProperty({__proto__:null,default:yN},Symbol.toStringTag,{value:"Module"})),EN=Object.freeze(Object.defineProperty({__proto__:null},Symbol.toStringTag,{value:"Module"})),xN=Object.freeze(Object.defineProperty({__proto__:null},Symbol.toStringTag,{value:"Module"}));var wN=qs({name:"MarkMap",props:{content:{type:String,required:!0}},setup(s){let{content:a}=v4(s),t=ka(),n=ka(),e=Ws(!1),l=null;Pa("resize",bd(()=>{l?.fit()},100));let i=()=>{l?.destroy(),l=null},p=async()=>{let[{Transformer:r},m,{Toolbar:o}]=await Promise.all([B(()=>import("./index-DIQ3BdOD.js"),__vite__mapDeps([0,1])),B(()=>import("./index-BASBh8xp.js"),__vite__mapDeps([2,1])),B(()=>import("./index-BPAdBlYL.js"),[])]),{Markmap:c,deriveOptions:h,loadJS:u,loadCSS:y}=m,x=new r,{frontmatter:b,features:_,root:T}=x.transform(Ec(s.content)),{styles:A,scripts:C}=x.getUsedAssets(_);await Promise.all([C?u(C,{getMarkmap:()=>m}):Promise.resolve(),A?y(A):Promise.resolve()]),l=c.create(n.value,h({maxWidth:240,...b?.markmap}));let{el:I}=o.create(l);await l.setData(T),await l.fit(),I.style.position="absolute",I.style.bottom="0.5rem",I.style.right="0.5rem",t.value.append(I)};return Gl(async r=>{r==="mounted"&&(await p(),e.value=!0)}),Ba(()=>{}),Fn(i),()=>M("div",{class:"markmap-wrapper",ref:t},[M("svg",{ref:n,class:"markmap-svg"}),e.value?null:M(kd,{class:"markmap-loading",height:360})])}});let bN={};const AN=()=>bN,Fr={useMaxWidth:!1};var _N=qs({name:"Mermaid",props:{code:{type:String,required:!0},title:String},setup(s){let a=x2(),t=oN(),{themeVariables:n,...e}=AN(),l=ka(),i=hs(()=>Ec(s.code)),p=Ws(""),r=async()=>{let{default:c}=await B(async()=>{const{default:h}=await import("./mermaid.esm.min-NLhsBjAj.js").then(u=>u.bL);return{default:h}},[]);c.initialize({theme:t.value?"dark":"default",themeVariables:{dark:t.value,...wF(n)?n(t.value):n},flowchart:Fr,sequence:Fr,journey:Fr,gantt:Fr,er:Fr,pie:Fr,...e,startOnLoad:!1}),p.value=(await c.render(a,i.value)).svg},m=()=>{let{body:c}=document,h=document.createElement("div");h.classList.add("mermaid-preview"),h.innerHTML=p.value,c.append(h),h.addEventListener("click",()=>{h.remove()})},o=()=>{let c=iA(p.value),h=document.createElement("a");h.setAttribute("href",c),h.setAttribute("download",`${s.title?Ec(s.title):a}.svg`),h.click()};return Ba(()=>{ge(t,r,{flush:"post"})}),()=>[M("div",{class:"mermaid-actions"},[M("button",{class:"preview-button",title:"preview",innerHTML:'',onClick:m}),M("button",{class:"download-button",title:"download",innerHTML:'',onClick:o})]),M("div",{ref:l,class:"mermaid-wrapper"},p.value?M("div",{class:"mermaid-content",innerHTML:p.value}):M(kd,{class:"mermaid-loading",height:96}))]}});const kN=Mn({enhance:({app:s})=>{s.component("MarkMap",wN),s.component("Mermaid",_N)}}),BN=Object.freeze(Object.defineProperty({__proto__:null,default:kN},Symbol.toStringTag,{value:"Module"})),MN=Object.freeze(Object.defineProperty({__proto__:null},Symbol.toStringTag,{value:"Module"}));var TN=Mn({setup(){Pa("beforeprint",()=>{document.querySelectorAll("details").forEach(s=>{s.open=!0})},{passive:!0})}});const CN=Object.freeze(Object.defineProperty({__proto__:null,default:TN},Symbol.toStringTag,{value:"Module"})),zN=Object.freeze(Object.defineProperty({__proto__:null},Symbol.toStringTag,{value:"Module"})),e0=nh("VUEPRESS_CODE_TAB_STORE",{}),DN=qs({name:"CodeTabs",props:{active:{type:Number,default:0},data:{type:Array,required:!0},tabId:String},slots:Object,setup(s,{slots:a}){let t=s.data.map(()=>x2()),n=Ws(s.active),e=ka([]),l=()=>{s.tabId&&(e0.value[s.tabId]=s.data[n.value].id)},i=(o=n.value)=>{n.value=o{n.value=o>0?o-1:e.value.length-1,e.value[n.value].focus()},r=(o,c)=>{o.key===" "||o.key==="Enter"?(o.preventDefault(),n.value=c):o.key==="ArrowRight"?(o.preventDefault(),i()):o.key==="ArrowLeft"&&(o.preventDefault(),p()),s.tabId&&(e0.value[s.tabId]=s.data[n.value].id)},m=()=>{if(s.tabId){let o=s.data.findIndex(({id:c})=>e0.value[s.tabId]===c);if(o!==-1)return o}return s.active};return Ba(()=>{n.value=m(),wa(()=>s.tabId&&e0.value[s.tabId],(o,c)=>{if(s.tabId&&o!==c){let h=s.data.findIndex(({id:u})=>u===o);h!==-1&&(n.value=h)}})}),()=>s.data.length?M("div",{class:"vp-code-tabs"},[M("div",{class:"vp-code-tabs-nav",role:"tablist"},s.data.map(({id:o},c)=>{let h=c===n.value;return M("button",{type:"button",ref:u=>{u&&(e.value[c]=u)},class:["vp-code-tab-nav",{active:h}],role:"tab","aria-controls":t[c],"aria-selected":h,onClick:()=>{n.value=c,l()},onKeydown:u=>{r(u,c)}},a[`title${c}`]({value:o,isActive:h}))})),s.data.map(({id:o},c)=>{let h=c===n.value;return M("div",{class:["vp-code-tab",{active:h}],id:t[c],role:"tabpanel","aria-expanded":h},[M("div",{class:"vp-code-tab-title"},a[`title${c}`]({value:o,isActive:h})),a[`tab${c}`]({value:o,isActive:h})])})]):null}}),b1=nh("VUEPRESS_TAB_STORE",{}),LN=qs({name:"Tabs",props:{active:{type:Number,default:0},data:{type:Array,required:!0},tabId:String},slots:Object,setup(s,{slots:a}){let t=s.data.map(()=>x2()),n=Ws(s.active),e=ka([]),l=()=>{s.tabId&&(b1.value[s.tabId]=s.data[n.value].id)},i=(o=n.value)=>{n.value=o{n.value=o>0?o-1:e.value.length-1,e.value[n.value].focus()},r=(o,c)=>{o.key===" "||o.key==="Enter"?(o.preventDefault(),n.value=c):o.key==="ArrowRight"?(o.preventDefault(),i()):o.key==="ArrowLeft"&&(o.preventDefault(),p()),l()},m=()=>{if(s.tabId){let o=s.data.findIndex(({id:c})=>b1.value[s.tabId]===c);if(o!==-1)return o}return s.active};return Ba(()=>{n.value=m(),wa(()=>s.tabId&&b1.value[s.tabId],(o,c)=>{if(s.tabId&&o!==c){let h=s.data.findIndex(({id:u})=>u===o);h!==-1&&(n.value=h)}})}),()=>s.data.length?M("div",{class:"vp-tabs"},[M("div",{class:"vp-tabs-nav",role:"tablist"},s.data.map(({id:o},c)=>{let h=c===n.value;return M("button",{type:"button",ref:u=>{u&&(e.value[c]=u)},class:["vp-tab-nav",{active:h}],role:"tab","aria-controls":t[c],"aria-selected":h,onClick:()=>{n.value=c,l()},onKeydown:u=>{r(u,c)}},a[`title${c}`]({value:o,isActive:h}))})),s.data.map(({id:o},c)=>{let h=c===n.value;return M("div",{class:["vp-tab",{active:h}],id:t[c],role:"tabpanel","aria-expanded":h},[M("div",{class:"vp-tab-title"},a[`title${c}`]({value:o,isActive:h})),a[`tab${c}`]({value:o,isActive:h})])})]):null}}),SN={enhance:({app:s})=>{s.component("CodeTabs",DN),s.component("Tabs",LN)}},FN=Object.freeze(Object.defineProperty({__proto__:null,default:SN},Symbol.toStringTag,{value:"Module"})),ON='',IN='';var NN={useBabel:!1,jsLib:[],cssLib:[],codepenLayout:"left",codepenEditors:"101",babel:"https://unpkg.com/@babel/standalone/babel.min.js",vue:"https://unpkg.com/vue/dist/vue.global.prod.js",react:"https://unpkg.com/react/umd/react.production.min.js",reactDOM:"https://unpkg.com/react-dom/umd/react-dom.production.min.js"};const A1=NN,v6={html:{types:["html","slim","haml","md","markdown","vue"],map:{html:"none",vue:"none",md:"markdown"}},js:{types:["js","javascript","coffee","coffeescript","ts","typescript","ls","livescript"],map:{js:"none",javascript:"none",coffee:"coffeescript",ls:"livescript",ts:"typescript"}},css:{types:["css","less","sass","scss","stylus","styl"],map:{css:"none",styl:"stylus"}}},PN=(s,a,t)=>{const n=document.createElement(s);return wr(a)&&Ul(a).forEach(e=>{if(e.indexOf("data"))n[e]=a[e];else{const l=e.replace("data","");n.dataset[l]=a[e]}}),n},q2=s=>({...A1,...s,jsLib:[...new Set([A1.jsLib,s.jsLib??[]].flat())],cssLib:[...new Set([A1.cssLib,s.cssLib??[]].flat())]}),pm=(s,a)=>{if(O2(s[a]))return s[a];const t=new Promise(n=>{const e=document.createElement("script");e.src=a,document.querySelector("body")?.append(e),e.addEventListener("load",()=>{n()})});return s[a]=t,t},RN=(s,a)=>{if(a.css&&[...s.childNodes].every(t=>t.nodeName!=="STYLE")){const t=PN("style",{innerHTML:a.css});s.append(t)}},$N=(s,a,t)=>{const n=t.getScript();if(n&&[...a.childNodes].every(e=>e.nodeName!=="SCRIPT")){const e=document.createElement("script");e.append(document.createTextNode(`{const document=window.document.querySelector('#${s} .vp-code-demo-display').shadowRoot; ${n}}`)),a.append(e)}},VN=["html","js","css"],HN=s=>{const a=Ul(s),t={html:[],js:[],css:[],isLegal:!1};return VN.forEach(n=>{const e=a.filter(l=>v6[n].types.includes(l));if(e.length>0){const[l]=e;t[n]=[s[l].trim(),v6[n].map[l]??l]}}),t.isLegal=(t.html.length===0||t.html[1]==="none")&&(t.js.length===0||t.js[1]==="none")&&(t.css.length===0||t.css[1]==="none"),t},fA=s=>s.replaceAll(String.raw`
`,"
").replaceAll(/<((\S+)[^<]*?)\s+\/>/g,"<$1>"),yA=s=>`
${fA(s)}
`,qN=s=>`${s.replace("export default ","const $reactApp = ").replace(/App\.__style__(\s*)=(\s*)`([\s\S]*)?`/,"")}; ReactDOM.createRoot(document.getElementById("app")).render(React.createElement($reactApp))`,UN=s=>s.replace(/export\s+default\s*\{(\n*[\s\S]*)\n*\}\s*;?$/u,"Vue.createApp({$1}).mount('#app')").replace(/export\s+default\s*define(Async)?Component\s*\(\s*\{(\n*[\s\S]*)\n*\}\s*\)\s*;?$/u,"Vue.createApp({$1}).mount('#app')").trim(),vA=s=>`(function(exports){var module={};module.exports=exports;${s};return module.exports.__esModule?exports.default:module.exports;})({})`,jN=(s,a)=>{const t=q2(a),n=s.js[0]??"";return{...t,html:fA(s.html[0]??""),js:n,css:s.css[0]??"",isLegal:s.isLegal,getScript:()=>t.useBabel?globalThis.Babel?.transform(n,{presets:["es2015"]})?.code??"":n}},GN=/