跳到主要內容

Quick Formula To Find Polynomial Form Given Finite Integers


日常生活中,常常會有機智問答,如給定一個數列 $1,2,3,4,5,X$ ,請問下一項$X$是什麼,我們自然會回答 $6$ ,下一項是 $7$ ,事實上我們發現公式可以寫成 $a_k = k  \quad  k=1,2,3,...$
我們可以定義正式一個問題如下:
--------------------------------------------------------------------------
$(Q)$給定 $n$ 個整數,如何找到 $f$ 使得 $(C) : a_k = f(k) , k = 1,2,3,...n $
--------------------------------------------------------------------------
而根據知識,我們可以找到無窮多個多項式 $f$ 可以滿足$(C)$,而恰好存在唯一一個 $n-1$ 次多項式(polynomial) 可以滿足$(C)$,這問題的連續版本在數值分析(Numerical Analysis)領域稱為 interpolation ,也就是給定 $ S \subset \mathbb{R}^2$,找到一個公式$f$ 使得 $ \forall (x,y) \in S \quad f (x) = y $ [註: 這跟統計上迴歸分析不同的是,interpolation 要完全 fit !!,但是如果存在$(x,y_1),(x,y_2) \in S$,$y_1 \neq y_2$,因為函數無法一對多,則無法使用 interpolation !!   ]

而問題$(Q)$ 在筆者讀高中的時候發現的一個公式,會找到一個最低項的多項式(如果只有紙跟筆的話),分享給讀者~

先定義差分數列 $ b_k = a_{k+1}- a_{k}$ ,$\{b_k\}^{n-1}_{k=1}$ 會比 $a_k$ 少一項,記做 $\{\Delta a_k\}^{n-1}_{k=1}$ ,每做一次差分會少一項。

我們持續做會得到很多差分數列,取它們的第一項,記做 $\vec{a} :=< a_1 , \Delta a_1 , ..... \Delta^{n-1} a_1 >$ 再來定義 $\vec{b}:= <C^{k-1}_0, C^{k-1}_1 , ....C^{k-1}_{n-1} >$

所以 $$f(k) := \vec{a}\cdot \vec{b} = \sum^{n-1}_{i=0}\left[\Delta^{i}a_1 \cdot  C^{k-1}_{i} \right]  \qquad \text{(Plus & Minus  2007)}  $$

[註: 事實上我們只要做到差分數列是常數數列就可以停止了 !! ]

[舉例來說]
如下圖:  給定六個數字  $\{ a_k \}= \{1,2,4,8,15,26\}   $

$\{\Delta^{1}a_k\} = \{1,2,4,7,11\}$
$\{\Delta^{2}a_k\} = \{1,2,3,4\}$
$\{\Delta^{3}a_k\} = \{1,1,1\}$
$\vec{a}=<a_1,\Delta a_1,\Delta^2 a_1, \Delta^3 a_1> = <1,1,1,1>$

$$ f(k) = C^{k-1}_{0}+C^{k-1}_{1}+C^{k-1}_{2}+C^{k-1}_{3} $$

展開得到

$$  f(k) = 1 + (k-1) + \frac{(k-1)(k-2)}{2} + \frac{(k-1)(k-2)(k-3)}{6} $$

[檢查]
很明顯 $f(1) , f(2) , f(3)$ 都滿足要求
計算 $f(4) =  1 + 3 + \frac{3\cdot 2}{2}  + \frac{3\cdot 2 \cdot 1}{6} = 8$
         $f(5) =  1 + 4 + \frac{4\cdot 3}{2}  + \frac{4\cdot 3 \cdot 2}{6} = 15 $
         $f(6) =  1 + 5 + \frac{5\cdot 4}{2}  + \frac{5\cdot 4 \cdot 3}{6} = 26 $
我們得到了 $f$ ,這是最低項多項式可以滿足 $(C)$


[小結]
這公式當初是數感發現的,是個非常漂亮的公式,而原理應該可以用泰勒展開式的證明!!

[額外補充]
另外,還可以查詢 OEIS 大辭典,收集了數學家發現的整數數列,可以告訴你下一項是什麼 !! 還有這數列實際上會應用的地方


[以上純為學術經驗交流知識分享,如有錯誤或建議可留言~~] 
by Plus & Minus 2017.08



留言

這個網誌中的熱門文章

Linear Regression By Using Linear Programming

當拿到一筆資料準備玩統計,往往會想要做線性迴歸( Linear Regression ),找出一個模型( mathematical model )來解釋變數間的關係,一般都是使用平方距離,但是如果我們採用絕對值距離呢?? 而剛好在工業工程( Industrial Engineering ),作業研究( Operation Research ) 領域,發展成熟的線性規劃( Linear Programming ) 恰好可以來解決,是一個跨領域的應用 !! 已經存在有許多商業或open source 軟體,如: Gurobi , Cplex , Xpress , Mosek , SCIP  可以輕易求解大型的線性規劃問題。而不僅如此也可以利用整數規劃( Integer Programming )來做特徵選擇 ( Feature Selection ),甚至可以偵測離群值( Detect Outlier ) !! 本文只介紹最小絕對值和,關於 Feature Selection , Detect Outlier 可以參考 Mixed-Integer Linear Programming Robust Regression with Feature Selection , Oleksii Omelchenko , 2010 的論文。 [Data Fitting Problem] 給定$n$筆實數型訓練資料 (training data) $\{(x^{k},y^{k})\}^{n}_{k=1} = \mathcal{D} , x^{k} =(x^{k}_1,x^{k}_2, ... , x^{k}_{p})\in \mathbb{R}^{p}$ , $y^{k} \in \mathbb{R}$ , 我們目標是想要找到一個函數 $f_{\mathcal{D}} : \mathbb{R}^p \rightarrow \mathbb{R}$ 使得  $\forall x \in \mathbb{R}^{p} , f_{\mathcal{D}}(x) \approx y$ , 精確來說: $$ \text{Find } f_{\mathcal{D}} \text{ such that } f_{\mathcal{D}}(x)\approx \left\{

Chain Rule & Identity Function Trick

本文為筆者學習微積分,函數概念與Chain Rule 的時候,遇到的一些概念大坑。本文一一澄清一些個人看法,並分享 Chain Rule 廣義的樣子,以及對於遞迴系統該如何計算...等等看法。 [坑1 : 變數/值符號的認識] 一切從 $y = f(x)$ 開始,我們習慣把 Input 變數用"括號"刮起來,Output y 代表值,f 代表函數。或是可以想成這樣:   $$ x \overset{f}{\longrightarrow} y $$ 這種表示法概念上很嚴謹,但缺點是你必須要用三個符號 $x$,$y$,$f$ 而在微分方程領域出現這種寫法 $y = y(x)$  (把 $f$ 換成 $y$) ,這種寫法就頗簡潔,Chain Rule 通常都是這類表示法。缺點是心裡要能確實明白在哪個場合 $y$ 到底是給定的"值"還是"函數"(註: 通常大多代表函數 $y$,值的話通常會這樣寫 $y(x_{0})$,$y_{0}$) ============================================================== [Bonus] $y=y(x)$這種表示法還有一個好處,如果允許 $f$ 是一對多,那麼 $y(x)$ 就是 $y \text{ is depend on } x$ 的意思,如果你喜歡用集合論來表示可以先定義$f$ 的定義域/對應域 $$ f : X \rightarrow Y$$ 然後 $y(x)$ 可以寫成這樣 $y \in Y_{x}$,其中值域為 $$ f(X):=\bigcup_{x \in X}Y_{x} \subseteq Y$$ ============================================================== [坑2 : Input 的變數到底是哪些] 這邊舉兩個例子提醒: (Ex1) 代換法會重新改變函數的 Input 例如 : $y = f(x) = x+1$ , $ z = g(y) = 2y$  可以代換一下,寫成 $z = g[f(x)] = 2(x+1)$ 如果你用簡記你會發現 $y(x) , z(y) , z(y(x)) \equiv z

Probability Model Of Bingo Game

本文介紹經典的"賓果 Bingo" 遊戲,機率與期望值的解析計算公式的計算概念,相關的數學建模....等等 [遊戲情境] 總共有 $n$ 個相異的號碼彩球,號碼集為 $S:=\{1,2,3,....n\}$,今玩家可以花$1$元,買$1$張賓果卡 ($5 \times 5$) 位置座標集 $Z$, $|Z|=25$,然後從$S$ 隨機均勻選擇 $25$個相異的號碼並排列到一個佇列(queue),而開球只會開前 $m$ 顆球,$25 \leq m\leq n$,而給定獎項圖形集 $\color{red}{p \in P := \{Bingo,王,十,一_1,一_2,...,一_5  \}}$ (可自行設計) ,以及已知賠率表向量 $odds_{P}$。開完球後,把Bingo 卡上的中獎的號碼圈起來形成"中獎圖形" ===================================================== 其中獎項圖形 : "$Bingo$" 代表$25$個號碼全中 "十"代表第 $3$ 列(row)  第 $3$ 行 (column) 有中 (共$9$個號碼) "王"代表第 $1$ , $3$ , $5$ 列(row)  第 $3$ 行 (column) 有中 (共$17$個號碼) "$一_k$" 代表第 $k$ 列有中 (共$5$個號碼) ===================================================== 若中獎圖形有涵蓋獎項圖形大致會獲得,賠率 $odds_{p} \times 1 $ 元,但有些合理規則: ++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ $[ 規則 1 ]$ 若獎項圖形 $p_1,p_2$ 有完全重疊$(p_1 \subseteq p_2)$,則以大圖形 $odds_{p_2}$ 賠率算 ++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ $$\color{green}{ 重要假設: 合理的