6 Feb

直上云霄的无穷指数方程

昨天在浏览网页的时候,发现了一道有趣的方程:
$$x^{x^{x^{\dots}}}=2$$
各位读者先别急着往下看,不妨自己求解一下?

点击阅读全文...

28 Feb

【问答】为什么绿色星星非常罕见呢?

问题:
为什么绿色星星非常罕见呢?

例如绿星的有天秤座的氐宿四,2.61等,以其温度來說,应该是蓝白色,但往往让人看成綠色。

整理自:http://www.astronomy.com.cn/bbs/thread-13918-2-1.html

点击阅读全文...

2 May

解答不等式的误区...

前几天做到了一道不等式题目,求2a-b的值域。其中
$$1 < a + b < 2\tag{1}$$$$-2 < a - b < -1\tag{2}$$
老师很高兴地把两式左右两边加起来,得到$-1<2a<1$;然后把第二式乘以(-1),得到$1 < b - a < 2$,然后再与(1)相加,得到$2 < 2 b< 4 \Rightarrow 1 < b < 2$;接着把这式子乘上(-1),然后与$-1<2a<1$相加。于是结果很显然,$-3<2a-b<0$。读者们,你们觉得这做法有问题吗?

点击阅读全文...

5 Jun

眼见未必为实——“视超光速”现象的产生

超光速飞行

超光速飞行

爱因斯坦理论的信仰者们必须接受一个理论,那就是光速是宇宙中最快的速度,任何物体的速度都不可能超过光速(两束反向发射的光,它们的相对速度依然是c,而不是2c)。

但是,却有一个不容否定的事实,天文学家的确观测到了运行速度大于光速的天体。这是怎么回事呢?爱因斯坦错了?相对论有误?还是有其他不为我们知道的秘密?

不过要是想从这个事实推翻相对论是不大可能的,因为爱因斯坦的信仰者们从简单的几何定理出发,就解释了这个现象。

点击阅读全文...

6 Jul

科学空间:2011年7月重要天象

2010.07.01-日偏食(点击打开大图)

2010.07.01-日偏食(点击打开大图)

夏季,我国许多地方阴雨连绵,晴天较少,再加上昼长夜短,因此这段时间可谓是天文观测的淡季。7月的精彩天象也不多,除一次与我国无关的日偏食之外,就是观测条件差强人意的水星东大距了。当然,如果你对观测人造天体感兴趣的话,本月仍可能有进行国际空间站马拉松的机会。不管怎样,希望大家心中探索天文的那股激情永远不会消失^_^

点击阅读全文...

21 Feb

[问题解答]有多少位数字?

解决完上一题《有多少个5?》后,子瑞表示看到一道类似的题目,当然,这道题比上一道难一些:

一个数,各个数字加起来等于900,乘以2后各个数字加起来还是等于900,已知这个数字只有3、4、5、6组成,请问满足条件的最大数与最小数的积有多少位数?

要解答这个问题,我们只需要知道最大数和最小数分别有多少位即可。因为最大数必然是6...3的形式,而最小数只能是3...6的形式,它们的位数之和就是所求的位数。

怎样比较两个数的大小呢?显然,在不同位数的数时,位数多的数要大,同样位数才从高到低逐位比较。因此,我们应当考虑位数的最大与最小。

点击阅读全文...

15 Dec

两生物种群竞争模型:LaTeX+Python

写在前面:本文是笔者数学建模课的作业,探讨了两生物种群竞争的常微分方程组模型的解的性质,展示了微分方程定性理论的基本思想。当然,本文最重要的目的,是展示LaTeX与Python的完美结合。(本文的图均由Python的Matplotlib模块生成;而文档则采用LaTeX编辑。)

问题提出

研究在同一个自然环境中生存的两个种群之间的竞争关系。假设两个种群独自在这个自然环境中生存时数量演变都服从Logistic规律,又假设当它们相互竞争时都会减慢对方数量的增长,增长速度的减小都与它们数量的乘积成正比。按照这样的假设建立的常微分方程模型为
$$\begin{equation}\label{eq:jingzhengfangcheng}\left\{\begin{aligned}\frac{dx_1}{dt}=r_1 x_1\left(1-\frac{x_1}{N_1}\right)-a_1 x_1 x_2 \\
\frac{dx_2}{dt}=r_2 x_2\left(1-\frac{x_2}{N_2}\right)-a_2 x_1 x_2\end{aligned}\right.\end{equation}$$
本文分别通过定量和定性两个角度来分析该方程的性质。

点击阅读全文...

11 Dec

上集回顾

在第一篇中,笔者介绍了“熵”这个概念,以及它的一些来龙去脉。熵的公式为
$$S=-\sum_x p(x)\log p(x)\tag{1}$$

$$S=-\int p(x)\log p(x) dx\tag{2}$$
并且在第一篇中,我们知道熵既代表了不确定性,又代表了信息量,事实上它们是同一个概念。

说完了熵这个概念,接下来要说的是“最大熵原理”。最大熵原理告诉我们,当我们想要得到一个随机事件的概率分布时,如果没有足够的信息能够完全确定这个概率分布(可能是不能确定什么分布,也可能是知道分布的类型,但是还有若干个参数没确定),那么最为“保险”的方案是选择使得熵最大的分布。

最大熵原理

承认我们的无知

很多文章在介绍最大熵原理的时候,会引用一句著名的句子——“不要把鸡蛋放在同一个篮子里”——来通俗地解释这个原理。然而,笔者窃以为这句话并没有抓住要点,并不能很好地体现最大熵原理的要义。笔者认为,对最大熵原理更恰当的解释是:承认我们的无知!

点击阅读全文...