반응형

#Arduino #3D printer #아두이노 #3D프린터 # 3D프린터개발산업기사

 

로터리인코더(로타리엔코더) 쉽게 이해하기

 

0. 서론

로터리 인코더는 CLK와 DT라는 두개의 포인트를 가지고 회전을 검출하는 장치입니다.

사실상 원리는 간단하고 이를 아두이노에 활용하기에도 쉽지만 의외로 이 인코더의 작동원리를 이해하기 힘들어 아두이노 코드에 접목하기가 쉽지 않은 것이 현실입니다.

이에 오늘은 로터리인코더(로타리엔코더)의 회전방향 검출에 대해 알아보도록 하겠습니다.

 

1. 로터리 인코더 작동원리

로터리 인코더는 CLK와 DT라는 두개의 포인트로 회전을 검출합니다.

발광부-수광부로 이해해도 좋고, 금속 원판에 포인트가 붙었다 떨어졌다로 이해해도 좋습니다.

어찌되었든 이 두 지점이 거리를 두고 위치하고 있기 때문에 원판이 돌아갈 때 시간차이가 나게 되고, 이 시간차이를 가지고 이 원판이 시계방향으로 회전하는지, 반시계방향으로 회전하는지를 알아낼 수 있습니다.

출처: www.ElectroPeak.com



그림의 이해를 쉽게 하기 위해 원형철판에 두 지점이 닿아있다고 보겠습니다. 이 상황에선 두 포인트 전부 전기가 통하는 상태입니다.(수치로는 1 혹은 HIGH라고 볼 수 있습니다.)
또한 CLK(그림의 Output A)는 DT(Output B)보다 왼쪽에 위치하며, 이미지상으로는 위쪽에 위치합니다.

일단 시계방향으로 돌아갈때를 보죠.
이 상황에서 시계방향으로 돌면 CLK가 먼저 원판에서 떨어집니다. 그리고 그 다음 DT가 떨어지고, 그 다음 다시 CLK가 원판에 붙고, 다시 DT가 붙습니다.
1주기를 살펴보면

CLK DT
1 1
0 1
0 0
1 0
1 1

이렇게 되는 것을 볼 수 있습니다.
또한 최소 분해능은 1/4주기로 볼 수 있습니다. 1/4주기마다 회전을 검출할 수 있기 때문이죠.


그럼 반시계방향으로 돌아가는 상황을 보도록 합시다.
원판이 반시계방향으로 돌면 DT가 먼저 원판에서 떨어집니다. 다음 CLK가 떨어지고, 다음 DT가 다시 붙고, 다음 CLK가 붙겠죠.
1주기를 살펴보면

CLK DT
1 1
1 0
0 0
0 1
1 1

이렇게 되는 것을 볼 수 있습니다.

이를 펄스그림으로 보게되면 아래와 같습니다.

출처: https://protosupplies.com/

 

2. 소자의 이해(HW-040)

저희가 쓸 소자는 HW040이라는 소자입니다. 이 소자의 특징은 로터리 인코더가 한번 딸깍하고 돌아갈때 위에서 말한 1주기 중 1/2주기씩 움직인다는 것입니다. 이를 이미지로 설명하면 원판에 둘다 붙어있다가 한번 딸깍에 둘다 떨어지고, 다음 딸깍에 둘다 붙는다는 말이 되죠. 참고로 첫 시작값은 보통 CLK, DT 모두 1값으로 시작하는게 보통이나 상황에 따라 달라질 수 있기에 소스코드에서 한번 처음 읽어주도록 합시다.

 

3. 코드에의 적용

이렇게 1주기에 CLK와 DT값이 4가지로 변화하기 때문에 이 모든 값에 대응해서 코딩을 해야할 것 같지만(물론 이런 경우가 제일 완벽하겠죠), 자세히 들여다보면 어떤 규칙이 있습니다. 바로 CLK값이 변화할때 시계방향이면 DT와 읽는 값이 정 반대이고(CLK가 왼쪽이므로 원판에서 먼저떨어집니다), 반시계방향이면 CLK값이 변화할때 DT값이랑 같다는 것이죠.(CLK가 왼쪽인데, CLK에서 변화가 감지될 때는 이미 DT값이 변한 이후입니다.)

특히 저희가 쓸 소자는 1번 딸깍에 1/2주기씩 진행하기 때문에 모든 상황에 대해서 코딩하는 것이 낭비라고 볼 수도 있기도 하고, 한번 딸깍에 코딩으로 반응이 와야하기 때문에 모든 주기에 대해서 코딩하기 보단 변화를 가지고 코딩하는게 좋습니다.(1주기 코딩을 하게되면 두번 딸깍해야 반응이 오겠죠)

여기서의 포인트는 딱 두가지입니다.

1) CLK값이 변화할때
2) 그 순간 DT와 CLK값의 차이(정방향 변화: 두 값이 차이, 역방향 변화: 두값이 동일)

 

 그럼 코드를 작성해보겠습니다. 이전과 같이 LED는 각 2, 3, 4번 핀에 대응시키고 로터리 인코더의 CLK, DT는 각 8, 9번 핀에 대응시키겠습니다.(SW는 그냥 스위치처럼 사용하기에 편리하므로 이번 포스팅에서는 제외하겠습니다.) 목표는 로터리 인코더가 오른쪽으로 돌면 빨간불, 왼쪽으로 돌면 파란불이 들어오게 하는 것입니다.

#define LED_R 2 
#define LED_G 3 
#define LED_B 4 
#define CLK 8 
#define DT 9 

bool pre_clk = 0; 

void setup() { 
  pinMode(LED_R, OUTPUT); 
  pinMode(LED_G, OUTPUT); 
  pinMode(LED_B, OUTPUT); 
  pinMode(CLK, INPUT); 
  pinMode(DT, INPUT); 
  pre_clk = digitalRead(CLK); 
} 

void loop() { 
  bool cur_clk = digitalRead(CLK); 
  if(pre_clk != cur_clk){ 
    if(digitalRead(DT) != cur_clk){ 
      digitalWrite(LED_R, HIGH); 
      digitalWrite(LED_G, LOW); 
      digitalWrite(LED_B, LOW); 
    } 
    else{ 
      digitalWrite(LED_R, LOW); 
      digitalWrite(LED_G, LOW); 
      digitalWrite(LED_B, HIGH); 
    } 
  } 
  pre_clk = cur_clk; 
}
반응형
반응형

#Arduino #3D printer #아두이노 #3D프린터 # 3D프린터개발산업기사

 

millis() 함수와 delay() 함수의 차이

 

0. 서론(매우 빠른 작동속도를 가진 아두이노)

아두이노는 사실 1ms(1/1000초, 밀리세컨드, millisecond)보다 더 빨리 작동하고 있습니다. 물론 내부의 코드 길이나 상황에 따라 또한 어떤 구문을 실행하냐에 따라 걸리는 속도가 달라지기는하겠습니다만 이론적으로 대략 1/16000초의 속도로 한 명령어를 처리(16MHz)합니다.(이쪽으로 더 나가면 플립플롭(Flip-Flop), 래치(Latch), 클록스피드(Clock speed)와 같은 디지털 논리 회로의 영역으로 들어갑니다)

그래서 루프문 안에 시간을 지연시켜주지 않고 켰다 껐다하는 신호만 준다면 아주 단순한 LED를 깜빡이는 프로그램도 LED가 꺼졌다 켜졌다 하는게 눈으로 안보이고 LED가 계속 켜져있는 것처럼 보일겁니다. 약 0.001초마다 스위치를 계속 켰다껐다 하는거니까요.

 

1. 가장 쉽게 쓸 수 있는 delay함수

그래서 가장 쉽게 사용할 수 있는 명령 지연 함수가 delay함수입니다. 이 함수 안에 ms(밀리세컨드)단위의 시간을 입력하면 그 시간만큼 쉽게말해 프로세서는 "정지"하죠.

프로세서가 "정지"하기에 다음 명령 실행까지 시간적으로 지연이 되기는 합니다만, 그 "정지"해 있는 동안엔 프로세서가 아무 일도 못한다는 단점이 있습니다. 말그대로 일시정지하는거죠. 그 시간엔 그 어떤 다른 일도 하지 못합니다.

이런건 단순히 LED를 껐다 키거나 하는 단일 소자로 단일 명령을 시키는데는 전혀 걸림돌이 되지 않지만, 만약 "동시에" 일을 시켜야 하면 난감한 상황이 올겁니다.

 

가령 (delay가 적용된 깜빡이가 있는) 차를 타고가면서 왼쪽 깜빡이를 켰는데,

1) 라이트가 켜진 순간 차가 멈춰버립니다.(불 켜고 딜레이 0.5초=모든 걸 정지 0.5초)
2) 당황하여 깜빡이를 꺼보지만 라이트가 꺼지기 전까진 깜빡이가 꺼지지 않습니다.(깜빡이 스위치를 껐지만 불 꺼지고 딜레이 0.5초 가 지나기 전까지 프로세서는 어떤 입력도 못받아들임)
3) 그리고 깜빡이가 꺼지면서 차가 다시 움직이기 시작합니다.

난감하죠? 100% 교통사고 각입니다.

 

2. delay의 대안 millis함수

그래서 이를 해결하기위해 여러 방법들을 강구하게되고, 그 중에 하나가 millis함수를 이용하는 겁니다.
(여담으로 이를 "병렬처리"라 하고(순차처리=직렬처리, 동시처리=병렬처리), 이를 구현하기 위해서 CPU시스템적인 부분 뿐만 아니라(여기는 진짜로 각 클록 주파수 사이사이에 명령어들을 배치해서 "병렬처리인 척"하는 부분이긴 합니다만..) 각 언어마다 많은 방법들을 만들어냅니다. 싱크로, 메서드 등이 그것들인데 그건 여기서는 제쳐두죠)

아두이노 프로세서는 프로그램이 작동된 후 자동으로 ms단위로 프로그램이 실행되는 시간을 저장하고 있습니다.
따라서 어떤 A라는 순간의 millis값과 B라는 순간의 millis값을 비교하면 시간이 얼마나 흘렀는지 알 수 있게 되죠.(B ms - A ms = 걸린 시간 ms)
[이 부분은 매우 중요한게, millis뿐만 아니라 어떤 프로그램 언어를 사용하든 시간 차이(time delta)는 매우 중요한 개념이 됩니다.]

거기에 millis함수는 delay함수와 다르게 프로세서를 일정기간 멈추는 명령이 아닙니다. 말그대로 시간만 체크하는 명령어죠.(시계 한번 흘깃 보는 명령어입니다.) 이는 엄청난 강점이 됩니다.

 

가령 "10분 있다 엄마가 와서 책상에 앉아있나 확인할거야"라는 명령이 있었다고 보면,

delay: 10분동안 아무것도 안하고 내내 책상에 앉아서 멍때리기
millis: 10분동안 틈틈이 시간보면서, 그 안에서 책도보고 컴퓨터도하다가 10분째 착석

결과는 같지만 10분 활용이 다르죠. millis는 엄마의 명령시간 안에서 이런저런 일들을 "같이(병렬)" 처리했으니까요

 

따라서 millis를 사용하게 되면 경과시간을 알아내어서 시간에 따른 지연 조작을 할 수 있으면서도 내부 명령은 아두이노 속도대로 처리가 되는 병렬처리가 가능해집니다.(프로세서 자체가 멈춰서 시간을 지연하는거나, 사용자가 시계로 체크해서 일정 시간 후를 체크하는 것의 차이?)

 

3. delay함수와 millis함수의 활용

아두이노 자체 적인 개발 외에도 "3D프린터개발산업기사"의 실기부분에도 이 내용이 활용됩니다.

시험 항목을 보죠.

5) HEATING BED 설정
라) 설정온도인 30'C에 도달하면 LED는 R->G->B 순으로 500ms 간격으로 점등 되도록하며, 모터는 시계방향으로 계속적으로 동작 되도록 합니다.

이 부분인데요, 문제를 잘 보시면 LED가 500ms라는 시간을 가지고 점등이 되는 "와중에" 모터는 계속 돌아가야합니다. 병렬로 작동이 되어야 한다는 것이죠. 그럼 여기서는 millis함수를 써야겠죠.

 

반대로 굳이 millis함수를 쓸 필요가 없는 항목도 있습니다.

6) EMERGENCY 설정
나) ~ 근접센서에 물체 또는 손을 이용하여 접촉할 경우 ~ 회전 중인 모터가 정지되고, 부저를 1초 간격으로 5회 울린 후 ~

[회전 중인 모터 정지 -> 부저"" 1초 간격으로 5회 작동 -> ~~]의 순차적인 처리이기때문에 여기서는 굳이 millis안쓰고 delay로 써도 상관이 없습니다.

 

4. 실제 코드 작성

그러면 실제로 응용은 어떻게 해야할까요?

다른 부분은 다 제쳐두고, HEATING BED 설정의 라)항목만 실행하는 프로그램을 작성해보죠(온도가 30도에 도달하여 조건들을 실행하는 부분만 작성했습니다.)

#define LED_R 2  
#define LED_G 3  
#define LED_B 4

unsigned long start_time = 0;

void setup() {  
  pinMode(LED_R, OUTPUT);
  pinMode(LED_G, OUTPUT);
  pinMode(LED_B, OUTPUT);
}

void loop() {  
  start_time = millis(); // 이벤트 시작시간을 저장  
  unsigned long time_delta = millis() - start_time; // 시간차이(time_delta) 설정(현재시간-이벤트시작시간)  
  while(time_delta < 1500*3){ // 시작시간 기준(time_delta가 0부터 증가할 것이므로) (1500ms * 3번)의 시간동안 작동  
    if(time_delta%1500 < 500){ // 시간차이(이벤트 시작부터 진행된 시간)를 1500으로 나눠서 나머지가 500보다 작으면 
      digitalWrite(LED_R, HIGH); // 빨간불 켜기  
      digitalWrite(LED_G, LOW);  
      digitalWrite(LED_B, LOW);  
    }  
    else if(time_delta%1500 < 1000){ // 근데 나머지가 500 이상이고(위의 if가 거짓이기 때문에 else if로 왔으므로) 1000보다 작으면  
      digitalWrite(LED_R, LOW); // 빨간불 끄기  
      digitalWrite(LED_G, HIGH); // 초록불 켜기  
      digitalWrite(LED_B, LOW);  
    }  
    else{ // 그 외의 경우(위에 조건들이 모두 거짓일 때 else로 오므로 나머지가 1000이상인 경우)  
      digitalWrite(LED_R, LOW);  
      digitalWrite(LED_G, LOW); // 초록불 끄기  
      digitalWrite(LED_B, HIGH); // 파란불 켜기  
    }  
    // 모터 작동 코드 작성: delay가 없으므로 매 순간마다 모터가 작동  
    time_delta = millis() - start_time; // 코드 단위를 실행한 후 time_delta 재설정(이벤트 시작부터 진행된 시간 갱신)
  }  
  // 모든 불 끄기  
  digitalWrite(LED_R, LOW);  
  digitalWrite(LED_G, LOW);  
  digitalWrite(LED_B, LOW);  
  delay(2000); // 마무리 확인용 delay(세 번이 제대로 작동됐는지)  
}

이와 같은 코드가 작성될 것입니다.

 

5. 여담

참고로 millis함수는 프로그램 시작 후 50여일 이후의 시간도 ms단위로 기록할정도로(물론 50일경 오버플로나서 다시 0으로 돌아간다지만..) 큰 메모리 용량을 필요로 하기 때문에 unsigned long(4바이트)형태의 자료형을 가집니다.

사실 컴퓨터로 코딩할때는 큰 고려사항이 아닙니다만, 아주 제한된 메모리양과 처리속도를 가진 마이크로프로세서에 코딩할때는 전체적인 메모리와 처리속도를 모두 고려해야하는, 어떻게보면 컴퓨터로 프로그래밍하는 것보다 더 복잡한 과정을 거치게 됩니다.(자료형을 무엇을 쓸지, 프로그램 최적화는 어떻게 해야할지, 변수를 전역으로 두고 쓸지 지역으로 두고 쓸지 등..) 아두이노 기본 프로젝트 같은경우에야 문제가 안되겠지만 프로젝트가 커지면 문제죠. 따라서 프로젝트가 크지 않으면 그냥 unsigned long그대로 써주시되, 어차피 실행시간이 길지 않을 거고 다른 작업들로 메모리가 부족한 상황이다 싶으시면 int(2바이트) 자료형으로 써주시면 됩니다.

반응형
반응형

원넓이의 부정적분 구하기 - 2) 부정적분으로 구해보기

intetral root(1-x^2) dx

 

굉장히 오랜만에 다시 써보는 포스팅이네요.

저번 시간에 원 내부의 사다리꼴과 같은 도형의 넓이를 구하는 방법을 가장 기본적인 공식(부채꼴 공식+삼각형 공식)을 가지고 구해보았습니다.

원 내부의 하얀부분은 "활꼴의 절반"이라고 쉽게 설명이 가능한데, 그 반대편에 대한 용어는 따로 존재하지 않네요..

이번 시간에는 이것을 부정적분으로 x값을 가지고 바로 구하는 방법을 알아볼까 합니다.

저번에 각도 $\theta$를 부채꼴 부분으로 잡았는데, 이번에도 한번 이렇게 잡아서 수식을 전개해보려고 합니다.

부채꼴 부분이 $\theta$입니다.

일단 이렇게 특수한 상황에 가기 전에, 일반적으로 원의 넓이를 적분으로 어떻게 구하는지 다시 한번 살펴보도록하겠습니다.

 

자, 일단 원의 방정식은 $x^{2}+y^{2}=r^{2}$입니다. 저희는 $r$이 1인 단위원을 사용하기 때문에 식은 더욱 간단하게 $x^{2}+y^{2}=1$이 되겠네요.

이를 좀 더 보기 편하게 y에 대한 값으로 나타내면(x의 값에 따라 y값을 결정하는 방식) $y=\pm \sqrt{1-x^{2}}$으로 정리할 수 있습니다.

이 때 부호에 따라 양의 부호는 y축을 기준으로 0보다 위에 그려지는 반원을, 음의 부호는 아래쪽에 그려지는 반원을 의미합니다.

현재 저희는 위에 그려지는 반원 중에서도 1사분면 위의 사반원에 대해 구하려고 하고 있으므로, 이에 대한 적분 수식은 $\int \sqrt{1-x^2} \, dx$라고 볼 수 있습니다.

 

여기서 루트가 들어간 적분은 그냥 풀기에 너무 힘들기 때문에 x를 치환시켜 줄 것입니다.

예전에 고등학교 때 적분을 공부하면서 도대체 왜 치환하는지 의문을 가졌었는데, 실상은 치환해서 더 쉬운 형태로 만들어서 적분을 쉽게 만들기 위해서 하는 작업입니다 치환적분은!

 

루트를 없애줄 수 있으면서 적분 형태를 간단하게 해줄 수 있는 것이 무엇이 있나 한번 살펴보다보니, 언뜻 지나가는 공식이 있습니다.

$ sin^{2} \theta + cos^{2} \theta = 1 $이라는 공식이지요.(이 공식은 그냥 암기할 게 아니라, 너무 당연한 것을 표현한 것입니다. 아까 단위원의 방정식은 $x^{2}+y^{2}=1$이라고 했습니다. 이것은 원 위에서 무조건 성립하는 값입니다. 여기서 매개변수 표현법을 사용하면 $y=sin \theta, x=cos \theta$라고 했습니다. 즉, 단위원의 방정식에 매개변수 표현법을 사용하여 표현 방법만 x, y 변수가 아닌 $\theta$변수 로 바꿔준 것이 됩니다.)

이항해보면

$cos^{2} \theta =1-sin^{2} \theta$

제곱을 제거하면

$cos \theta = \sqrt{1-sin^{2} \theta}$

어디선가 많이 본 보양이지요?

즉, $x$를 $sin \theta$로 치환하면 자연스럽게 루트가 들어간 식이 정리되면서 적분이 가능한 형태로 바뀔 것 같습니다!

일단, $x$를 치환하면 $dx$도 같이 치환해 줘야 하므로 미분을 때려 봅시다.

$x=sin \theta$

$dx=cos \theta d\theta$

그럼 이렇게 준비된 x를 가지고 치환적분을 해보겠습니다.

$ \int \sqrt{1-x^{2}} dx $

$ \int \sqrt{1-sin^{2} \theta} cos \theta d\theta]_{x=sin \theta, dx=cos \theta d\theta} $

$ \int cos \theta \cdot cos \theta d\theta $

$ \int cos^{2} \theta \, d\theta $

여기서 다시 난관에 봉착합니다. $ cos^{2} \theta $를 적분하려면 많은 애로사항이 꽃핍니다.

일단 제곱을 떨어내야하는데, 어떻게 떨어내야할지 생각해봤더니... 배각공식을 역이용해서 떨어보겠습니다.

$ cos 2\theta \, = \, cos^{2} \theta - sin^{2} \theta $

참고로 배각공식은 삼각함수의 덧셈공식에서 온겁니다

$ cos (\alpha+\beta) = cos \alpha \cdot cos \beta - sin \alpha \cdot sin \beta $

자, 일단 $ cos^{2} \theta $를 $ cos 2\theta $로 바꿀 수 있는 실마리를 잡았는데, 뒤에 $ sin^{2} \theta $는 어떻게 없앨 수 있을까요?

여기서 삼각함수 무적의 공식 $ sin^{2} \theta + cos^{2} \theta = 1 $이 등장합니다.

$ sin^{2} \theta = 1 - cos^{2} \theta $로 만들고, 원 식에 대입하면

$ cos 2\theta = cos^{2} \theta - (1 - cos^{2} \theta) $

$ cos 2\theta = 2cos^{2} \theta - 1 $

우리는 $ cos^{2} \theta $를 바꿔야 하니 $ cos^{2} \theta $로 정리해보죠

$ cos^{2} \theta = \frac{cos 2\theta +1}{2} $

그럼 바로 대입하면

$ \int cos^{2} \theta \, d\theta $

$ \int \frac{cos 2\theta +1}{2} \, d\theta $

$ \frac{1}{2} (\int (cos 2\theta + 1) \, d\theta) $

$ \frac{1}{2} (\frac{1}{2}sin 2\theta + \theta) $ +C 생략

자, 드디어 적분을 완료해서 적분기호가 사라졌습니다.

그러나 $ sin 2\theta $는 뭔가 보기에 깔끔하지 않죠.. 똑같이 삼각함수 배각공식을 이용하여 단일 $ \theta $항으로 만들어줍시다.

$ sin 2\theta = 2 \cdot sin \theta \cdot cos\theta $

물론 이 배각공식도 덧셈공식에서 왔습니다.

$ sin (\alpha+\beta) = sin \alpha \cdot cos \beta + cos \alpha \cdot sin \beta $

따라서 원 식에 배각공식을 이용하여 풀어주면

$ \frac{1}{2} (\frac{1}{2}(2 \cdot sin \theta \cdot cos\theta) + \theta) $

$ \frac{1}{2} (sin \theta \cdot cos\theta + \theta) $

$ \frac{1}{2}sin \theta \cdot cos\theta + \frac{1}{2}\theta $

여기서

$ x = sin \theta $

$ \theta = arcsin x $

$ y = \sqrt{1-x^{2}} = cos \theta $

이므로, $ \theta $에 대한 식이 아닌, 원 x에 대한 식으로 바꿔주면

$ \frac{1}{2} \cdot x \cdot \sqrt{1-x^{2}} + \frac{1}{2} \cdot arcsin \, x $

이 나오고, 이는 이 전 포스팅의 결과 식과 완전히 같은 모양이 됩니다.

 

반응형
반응형

원넓이의 부정적분 구하기원넓이의 부정적분 구하기 - 1) 일반공식으로 구해보기

 

원넓이를 처음 배우는 것은 초등학교 때, $\pi$를 3.14 근사값으로 배우면서 공식 암기와 함께 시작한다.

이후 중학교 과정에서 수의 확장과 함께 무리수로 $\pi$를 배워 무리수가 들어간 공식으로 배우고, 고등학교에 이르러서는 적분을 통해 원의 넓이를 새삼스레 다시 구해본다.

결국 우리의 수학 교과과정은 원에 대해서 배우는 것이다 라고 말해도 과언이 아닐 정도이다.

 

여기서 고등학교에서 정적분으로 원의 넓이를 구할 때 기계적으로 치환, 공식대입, 정적분을 통해서 '아 그냥 그렇게 되는구나'라고 알고 넘어가는 사람들이 대다수 일 터.

이번에 뭔가 궁금증이 생겨서 다시 풀어보니, 예전엔 그냥 단순히 치환하고 공식을 대입해서 풀었던 여기에는 참 많은 이유들이 있다는 것을 알게되었다.

 

그리하여 부정적분을 통해서 왜 이렇게 치환하고 그것으로 어떻게 넓이를 구하는지 알아보고자 한다.

요런식으로 x가 0부터 0.5일때 원의 넓이를 구하는 방법을 알아보려고 한다.

 

물론 원은 사분원 넓이의 네배이니까 적분으로 원넓이 공식을 유도할 때 처럼, 반지름이 1인 단위원을 기준으로 하여 사분원의 넓이를 구하는 식으로 진행한다.

 

1] 일반식으로 원 넓이 구하기

부정적분으로 넘어가기 전에, 우리가 아는 일반 공식으로 $x$축에 대한 원의 넓이를 구할 수 있다.

딱 위의 그림에서와 같이 한번에 구하려면 왠지 적분을 써야 할 것 같지만,

호와 삼각형으로 나눠서 구한다면?

위 그림과 같이 부채꼴과 삼각형으로 나눠서 구한다면 쉽게 원의 부분 넓이를 구할 수 있다.

부채꼴의 넓이는 호도법으로 전체 각도($2\pi$(360도))에 대한 원 넓이 $\pi r^2$을 전체 각도에 대한 부분각도의 비 만큼 곱해주면( $\frac{\theta}{2\pi}$ ) 부채꼴의 넓이($\frac{\theta}{2\pi}*\pi r^2 = \frac{1}{2} r^2\theta$)가 나온다.

물론 여기서는 r(반지름)을 1로 놨으니 r 변수는 사라질 것이다.

부채꼴의 각도를 기준으로 놨으니, 이제 삼각형도 계산할 수 있다. 삼각형의 넓이는 가로*세로/2이다.

xy좌표축의 x와 y의 값을 $\theta$로 표현하면 단위원의 매개변수 표현법에 의거 $y=sin\theta, x=cos\theta$로 표현할 수 있다. 다만 여기서는 부채꼴의 각도를 기준으로 표현을 했으니 우리가 쓰는 좌표축의 $y$값이 $cos\theta$가 될것이며 $x$값은 $sin\theta$가 될 것이다. 뭔가 두 길이가 달라진 것 같지만, 사실상 직사각형에서의 삼각형이니 두개는 대칭이다.(엄밀히 매개변수 표현법으로 $y=sin\theta, x=cos\theta$이니, 위의 예에서 $y=sin(90-\theta), x=cos(90-\theta)$가 되고 각각, $y=sin(90-\theta)=cos\theta$, $x=cos(90-\theta)=sin\theta$의 관계가 성립한다.)

$ \theta $를 부채꼴의 각도로 놓았다.

수식으로 표현하면 $\frac{1}{2}sin\theta cos\theta$가 삼각형의 넓이가 될 것이다.

 

그리하여 두 식을 더한 $\frac{1}{2} \theta + \frac{1}{2}sin\theta cos\theta$ 값이 저 사다리꼴과 같은 도형의 부분 넓이가 된다는 것을 알았다.

 

여기까지 우리는 각도를 알면 그 각도에 해당하는 원의 사다리꼴과 같은 도형의 부분넓이를 구할 수 있게 되었으나, 반드시 각도를 알아야 한다는 단점이 있다.

 

여기서 x축 값 만으로 이 넓이를 구하려면, arcsin값만 알면 된다. 위의 그래프에서 x값과 같은 값을 나타내는 것은 $\theta$ 각도를 가지고 구한 $sin$값과 같다는 것을 알 수 있다. 그렇다면, 반대로 x값을 sin함수의 역함수인 arcsin에 넣어주면, 그 값에 해당하는 각도가 구해질 것이고, 그 각도값으로 부채꼴의 넓이 공식에 적용하면 부채꼴의 넓이를 알 수 있으므로 arcsin만 써주면 해결이다.

그렇다면 삼각형 부분은 어떻게 해결할 것인가?

사실 이 삼각형 부분은 x축 값이 밑변, 원의 방정식에서 x값을 대입한 값이 y값이다. 즉, y값은 $y = \sqrt{1-x^2}$이다.

이렇게 되면, 우리는 일반식으로 원에서의 사다리꼴과 같은 형태의 넓이를 x값에 따라 얻을 수 있는 일반식을 만들 수 있다.

 

$\frac{1}{2} arcsin\, x + \frac{1}{2}\cdot x \cdot \sqrt{1-x^2}$

 

다음 포스팅에서는 이를 부정적분으로 구해보는 시간을 가져볼 예정이다.

 

 

반응형
반응형

단순 선형 회귀에서 상관계수와 결정계수와의 관계(The relationship between a correlation coefficient and a coefficient of determination)

 

1) $ r(x, y) $

 $ r(x, y) = \frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 

2) $ r(\hat{y}, y) $

 $ r(\hat{y}, y) = \frac{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})(y_i-\hat{y}_i+\hat{y}_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\sum_{i=1}^{n}(\hat{y}_i y_i-\bar{y} \hat{y}_i-\bar{y} y_i+\bar{y}^2)}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\sum_{i=1}^{n}[(y_i - \hat{y}_i)(\hat{y}_i-\bar{y})+(\hat{y}_i - \bar{y})^2]}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $
 $ \qquad \quad meanwhile, $
 $ \qquad \quad SST = SSR+SSE $ 
 $ \qquad \quad \sum_{i=1}^{n}(y_i - \bar{y})^2 = \sum_{i=1}^{n}((y_i - \hat{y}_i) + (\hat{y}_i - \bar{y}))^2 $ 
 $ \qquad \quad \qquad \qquad \qquad = \sum_{i=1}^{n}[e_i + (\hat{y}_i-\bar{y})]^2, e_i = (y_i-\hat{y}_i) $  
 $ \qquad \quad \qquad \qquad \qquad = \sum_{i=1}^{n}e_{i}^{2}+2\sum_{i=1}^{n}e_i(\hat{y}_i-\bar{y})+\sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2 $  
 $ \qquad \quad \qquad \qquad \qquad \therefore \sum_{i=1}^{n}e_i(\hat{y}_i-\bar{y}) = 0 $ 
 $ \qquad \quad = \frac{\sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \sqrt{\frac{\sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 

3) $ r(x, y) = r(\hat{y}, y) $

 $ \hat{y}_i = \beta_0 + \beta_1 x_i $

 $ x_i = \frac{\hat{y}_i - \beta_0}{\beta_1} $

 $ \bar x = \frac{1}{n}\sum_{i=1}^{n}\frac{\hat{y}_i - \beta_0}{\beta_1} $

 $ \quad = \frac{1}{n \beta_1}(\sum_{i=1}^{n}\hat{y}_i - n\beta_0) $

 $ \quad = \frac{1}{n \beta_1}\sum_{i=1}^{n}\hat{y}_i - \frac{\beta_0}{\beta_1} $

 $ r(x, y) = \frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\sum_{i=1}^{n}(\frac{\hat{y}_i - \beta_0}{\beta_1}-\frac{1}{n \beta_1}\sum_{i=1}^{n}\hat{y}_i + \frac{\beta_0}{\beta_1})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(\frac{\hat{y}_i - \beta_0}{\beta_1}-\frac{1}{n \beta_1}\sum_{i=1}^{n}\hat{y}_i + \frac{\beta_0}{\beta_1})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\frac{1}{\beta_1}\sum_{i=1}^{n}(\hat{y}_i - \beta_0-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i + \beta_0)(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}\frac{1}{\beta_1^2}(\hat{y}_i - \beta_0-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i + \beta_0)^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\frac{1}{\beta_1}\sum_{i=1}^{n}(\hat{y}_i - \beta_0-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i + \beta_0)(y_i-\bar{y})}{\frac{1}{\beta_1}\sqrt{\sum_{i=1}^{n}(\hat{y}_i - \beta_0-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i + \beta_0)^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\sum_{i=1}^{n}(\hat{y}_i - \beta_0-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i + \beta_0)(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i - \beta_0-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i + \beta_0)^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = \frac{\sum_{i=1}^{n}(\hat{y}_i-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i)(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i-\frac{1}{n}\sum_{i=1}^{n}\hat{y}_i)^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $
$ \qquad \quad y_i = \hat y_i + e_i $
$ \qquad \quad \sum_{i=0}^n y_i = \sum_{i=0}^n \hat y_i + \sum_{i=0}^n e_i $
$ \qquad \quad \sum_{i=0}^n y_i = \sum_{i=0}^n \hat y_i \; \because $ sum of errors = 0

 $ \qquad \quad = \frac{\sum_{i=1}^{n}(\hat{y}_i-\bar y)(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(\hat{y}_i - \bar y)^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 $ \qquad \quad = r(\hat y, y) = \sqrt{\frac{\sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2}} $

 

 $ \therefore r(x, y)^2 = r(\hat y, y)^2 = \frac{\sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} = \frac {SSR}{SST} = R^2 $ (only in simple regression)

반응형
반응형

피보나치 수열의 일반항과 비율의 극한(황금비)

 

피보나치 수열하면 모르는 사람이 없을 정도로 아주 간단한 규칙을 가진 수열이다.

바로 앞의 두 숫자를 더하면 다음 숫자가 나오는 수열이다.

여기서 앞의 두 숫자는 1, 1 이다.

 

그러면 바로 아래와 같은 수열이 나오게 된다.

 

1 1 2 3 5 8 13 ...

 

물론 이 수열의 극한은 무한대로 발산할 것이 분명하지만, 이 수열의 두 항의 '비율'의 극한은 수렴할까? 수렴한다면 어디로 수렴할까? 한번 확인해보자.

 

여기서 수열의 극한을 확인하려면 항상 일반항이 있어야 한다. 그러나 피보나치 수열은 '앞의 두 수를 더하면 다음 숫자가 된다'는 점화식만 있는 형태이다. 그러면 이 점화식을 통해서 일단 피보나치 수열의 일반항을 구해보도록 하자.

 

피보나치 수열의 일반항 구하기

1. 피보나치 수열의 점화식을 써보자.

  피보나치 수열은 이 전의 두 항을 더하면 다음 항이 되는 수열이다.

  $ a_{n+2} = a_{n+1} + a_{n} $

  이러한 형태 점화식만 있는 상태로 등차, 등비, 멱급수 등등등 그 어떤 수열의 형태도 아니다.

2. 일반식으로 확장

  이 수열의 상태만으로는 우리가 뭔가 찝쩍거릴 건덕지가 없으니까, 일반적인 일반식으로 확장한 뒤 근과 계수와의 관계(Vieta's formulas, 두 근을 $ \alpha, \; \beta $로 놓으면 $ px^2+qx+r=0 $의 방정식에서 $ \alpha + \beta = - \frac{q}{p}, \alpha \beta = \frac{r}{p} $의 관계가 생긴다는 공식)를 활용하여 근을 활용한 일반식으로 변화시켜 볼 것이다. 참고로 수열에서 항수는 차수가 다른 방정식과 동일하게 볼 수 있다.(더 자세한 내용은 >>점화식에서의 특성방정식(characteristic equation)<<에서 확인할 수 있다.)

  $ a_{n+2} = a_{n+1} + a_{n} \Rightarrow x^2 = x + 1 \Leftrightarrow x^2 -x -1 = 0 $와 같이 쓴뒤, $ px^2+qx+r=0 $의 일반식으로 변환시켜주면, $ p = 1, q = -1, r = -1 $이 되고, 근과 계수와의 관계에서 $ \alpha+\beta=-\frac{q}{p}=1, \; \alpha \beta = \frac{r}{p} = -1 $이다.

  이는 다시 쓰면, $ p $가 기본적으로 1이기 때문에 $ \alpha+\beta = -q, \; \alpha \beta = r $이라고 놓을 수 있다.

  그래서 일반식을 다시 근과 계수와의 관계를 이용하여 계수가 아닌 근의 형태로 표현해주면

  $ x^2-(\alpha+\beta)x+\alpha \beta = 0 $

  이를 다시 수열의 항을 통해서 표현해주면

  $ a_{n+2} = (\alpha+\beta)a_{n+1} - \alpha \beta a_n $과 같은 근을 활용한 일반식으로 확장이 되었다.

  이때, $ a_1 = 1, \; a_2 = 1, \; \alpha + \beta = 1, \; \alpha \beta = -1 $이다.

 

3. 반복되는 형태를 만들어서 계산가능하게 만들자

  과거 >>https://omnil.tistory.com/172<<포스팅에서 감마함수를 팩토리얼로 변환하는 과정과 같이 등식의 좌변과 우변이 반복되는 형태를 만들어주게 되면 계산이 되지 않을 것 같은 등식도 계산이 된다. 특히 최종단계를 우리가 직접 계산해서 값을 알 수 있다면 더더욱이 말이다. 참고로 감마함수는 n=1일때 값이 1이며, 우리는 뭔가 이런단계를 거치면 1항이 1, 2항이 1이라는 것을 통해서 값을 구할 수 있을 것이다.

  $ a_{n+2} = (\alpha+\beta)a_{n+1} - \alpha \beta a_n $

  $ a_{n+2} = \alpha a_{n+1} + \beta a_{n+1} - \alpha \beta a_n $

  $ a_{n+2}-\alpha a_{n+1} = \beta a_{n+1} - \alpha \beta a_n $

  $ a_{n+2}-\alpha a_{n+1} = \beta (a_{n+1} - \alpha a_n) $

  이렇게 변환하면 등식의 좌변과 우변의 공동되는 부분의 한 항 차이가 $ \beta $배라는 것을 알 수 있다. 바로 이것으로 우리가 아는 $ a_2 $와 $ a_1 $를 가지고 계산할 수 있는 형태로 반복계산이 가능하다.

  $ a_{n+2}-\alpha a_{n+1} = \beta (a_{n+1} - \alpha a_n) $

  $ a_{n+1}-\alpha a_{n} = \beta (a_{n} - \alpha a_{n-1}) $

  $ \Rightarrow a_{n+2}-\alpha a_{n+1} = \beta^2 (a_{n} - \alpha a_{n-1}) $

  이런식으로 $ \beta $배씩 곱해주면 우항을 a2와 a1항으로 계산할 수 있는 형태로 만들어줄 수 있다.

  이 때, $ \beta $가 몇개 생기는지는 항 수를 보고 생각하면 된다.

  우변의 맨 오른쪽항이 a2항에서 a1항으로 떨어지게 되면, $ \beta $는 한개가 생길 것이다. 즉, an항에서 a1항으로 떨어지면 (n-1)개의 $ \beta $가 생성될 것이다.

  $ a_{n+2}-\alpha a_{n+1} = \beta \cdot \beta^{n-1} \cdot (a_{2} - \alpha a_1) $

  $ a_{n+2}-\alpha a_{n+1} = \beta \cdot \beta^{n-1} \cdot (1 - \alpha \cdot 1) \leftarrow \because a_2=1,\; a_1=1 $

  $ a_{n+2}-\alpha a_{n+1} = \beta \cdot \beta^{n-1} \cdot \beta \leftarrow \because \alpha + \beta = 1 $

  $ a_{n+2}-\alpha a_{n+1} = \beta^{n+1} $

  즉  $ a_{n+2}-\alpha a_{n+1} $는 $ \beta $를 $ n+1 $번 곱한 것이니 항수 만큼 $ \beta $를 곱해주는 횟수가 된다는 것을 알 수 있다. 그렇다면 우리가 알고싶은 $ a_n $을 기준으로 하는 식으로 바꿔주면

  $ a_{n}-\alpha a_{n-1} = \beta^{n-1} \cdots (1)$

  이 되고, 이는 $ \alpha $ 변수와 $ \beta $ 변수를 바꾸어도 변수위치만 바뀐 동일한 식이 나온다.

  $ a_{n}-\beta a_{n-1} = \alpha^{n-1} \cdots (2)$

4. 연립하여 $ a_n $에 대한 일반항으로 풀어준다.

  변수 두개에 식이 두개가 나왔으니 연립방정식으로 풀 수 있다.

  (2)식에 $ \frac{\alpha}{\beta} $배를 해준 뒤 (1)-(2)식을 해줘서 $ a_{n-1} $항을 소거하여 $ a_n $의 일반항을 얻을 수 있다.

  $ a_{n}-\alpha a_{n-1} = \beta^{n-1} \cdots (1)$

  $ \frac{\alpha}{\beta}a_{n}-\alpha a_{n-1} = \frac{\alpha^{n}}{\beta} \cdots (2)$

  $ (1)-(2) $

  $ a_{n}-\frac{\alpha}{\beta}a_n = \beta^{n-1}-\frac{\alpha^n}{\beta} $

  $ \beta a_{n}-\alpha a_n = \beta^{n}-\alpha^n $

  $ (\beta -\alpha) a_n = \beta^{n}-\alpha^n $

  $ \therefore a_n = \frac{\beta^{n}-\alpha^n}{\beta -\alpha} $

  일반항 겟!!

  이제 일반항에 값만 대입해주면 진짜 n에 몇번째 항인지만 대입해주면 거기에 해당하는 값이 나오는 일반항이 된다.

5. $ \alpha $와 $ \beta $의 값 구하여 일반항에 대입하기

  여기서 $ \alpha $와 $ \beta $는 사실 $ x^2 -x -1 = 0 $의 두 근과 같기 때문에 근의 공식을 통하여 바로 값을 구할 수 있다.

  $ ax^2+bx+c = 0 $에서 두 근은 $ \frac{-b\pm \sqrt{b^2-4ac}}{2a} $식으로 구할 수 있다.
  $ \frac{1\pm \sqrt{5}}{2}, \; a=1, \: b=-1, \: c=-1 $

  $ \beta = \frac{1 + \sqrt{5}}{2}, \; \alpha = \frac{1 - \sqrt{5}}{2} $

  $ a_n = \frac{\left(\frac{1+\sqrt{5}}{2}\right)^n-\left(\frac{1-\sqrt{5}}{2}\right)^n}{\frac{1+\sqrt{5}}{2}-\frac{1-\sqrt{5}}{2}} $

  $ \therefore a_n = \frac{1}{\sqrt{5}}\left(\left(\frac{1+\sqrt{5}}{2}\right)^n-\left(\frac{1-\sqrt{5}}{2}\right)^n\right) $

  이렇게 피보나치 수열의 일반항을 구했다!!

  근데, 유리수의 합으로 나타나는 피보나치 수열에서 일반항에 무리수가 들어가는 것이 신기하지 않은가!

 

피보나치 수열의 비율의 극한

이렇게 일반항을 구했으면 비율의 극한도 쉽게 구할 수 있다.

여기서는 더 큰수를 더 작은수로, 즉 $ \frac{a_{n+1}}{a_n} $의 비를 구할 것이다.

이번엔 비율을 구할 것이기 때문에, 숫자까지 들어간 일반항 보다는 문자로 표현된 더 한눈에 보기 간편한 일반항을 사용하여 극한을 구해볼 것이다.

1. 비율 식 구하기

  $ a_{n+1} = \frac{\beta^{n+1}-\alpha^{n+1}}{\beta -\alpha} $

  $ a_{n} = \frac{\beta^{n}-\alpha^{n}}{\beta -\alpha} $

  $ \frac{a_{n+1}}{a_n} = \frac{\frac{\beta^{n+1}-\alpha^{n+1}}{\beta -\alpha}}{\frac{\beta^{n}-\alpha^{n}}{\beta -\alpha}} $

  $ \frac{a_{n+1}}{a_n} = \frac{\beta^{n+1}-\alpha^{n+1}}{\beta^{n}-\alpha^{n}} $

  $ \frac{a_{n+1}}{a_n} = \frac{\beta-\alpha \left(\frac{\alpha}{\beta}\right)^n}{1-\left(\frac{\alpha}{\beta}\right)^{n}} $

2. 극한 씌워주기

  $ \lim_{n \to \infty} \frac{a_{n+1}}{a_n} = \lim_{n \to \infty} \frac{\beta-\alpha \left(\frac{\alpha}{\beta}\right)^n}{1-\left(\frac{\alpha}{\beta}\right)^{n}} $

  여기서 $ \beta = \frac{1 + \sqrt{5}}{2}, \; \alpha = \frac{1 - \sqrt{5}}{2} $이고, $ \beta $가 $ \alpha $보다 크기 때문에 $ \left(\frac{\alpha}{\beta}\right)^n $항은 $ n $이 무한대로 갈 때 값이 0으로 수렴한다.

  참고로 실제 값을 대입해서 계산해본 $ \left(\frac{\alpha}{\beta}\right) $ 값은 $ \frac{\sqrt{5}-3}{2} $이며, 그 값은 약 -0.382이다. 즉, 이 값을 무한대로 제곱할 경우 양과 음을 반복 진동하며 수렴한다.

  즉, 극한을 취한 뒤의 값은

  $ \lim_{n \to \infty} \frac{a_{n+1}}{a_n} = \frac{\beta-\alpha 0}{1-0} $

  $ \lim_{n \to \infty} \frac{a_{n+1}}{a_n} = \beta $

  $ \therefore \beta $

  이며, 이 $ \beta $값은  $ \frac{1 + \sqrt{5}}{2} $이므로, 피보나치 수열의 비율의 극한 값은 $ \frac{1 + \sqrt{5}}{2} $이 된다.

 

  그러면 이 값은 과연 무엇일까

 

황금비

  인생을 살면서 '황금비'라는 단어를 한번은 들어본다.

  황금비는 1: 1.618로써 근사하면 5:8정도의 비율을 나타내는 것을 황금비라고 한다.

  이것은 우리가 어떤 비율을 봤을 때 가장 아름답다고 생각하는 비율이라고 하는데, 이 1.618이라는 값은

  $ \frac{1 + \sqrt{5}}{2} $을 계산하면 나오는 값이다.

  즉, 피보나치 수열의 비율을 극한으로 가져가면 황금비를 가진다는 사실!

반응형
반응형

0에서 1사이의 x^x(x의 x승) 적분 값 계산(integral from 0 to 1 x to the power x dx)

1. Gamma function(감마함수)를 통하여 gamma(n+1)=n! 증명

  https://omnil.tistory.com/172에 증명 되어 있음

2. $ e^x $의 매클로린 급수(Maclaurin series)를 구하기

  매클로린 급수의 일반항

    $ p(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(0)}{n!}x^n $

  $ e^x $는 모든 미분 차수에 대하여 그대로 $ e^x $이며, $ x=0 $일 때 항상 1값을 갖는다.

  따라서, $ e^x $를 매클로린 급수로 전개하면

    $ e^x = \sum_{n=0}^{\infty} \frac{x^n}{n!} $

3. $ x^x $를 변환하기

  $ \int_0^1 x^x dx $

  $ = \int_0^1 e^{x\, ln\, x} dx \leftarrow \because x $ 는 $ e^{ln\, x} $와 같으므로, $ x^x = e^{x\, ln\, x} $

  $ = \int_0^1 \sum_{n=0}^{\infty} \frac{(x\, ln\, x)^n}{n!} dx \leftarrow \because e^x = \sum_{n=0}^{\infty} \frac{x^n}{n!} $ 이므로

  $ = \sum_{n=0}^{\infty} \frac{1}{n!} \int_{0}^{1} (x\, ln\, x)^n dx $

4. $ -ln\, x $를 $ t $로 치환하기

  $ -ln\, x = t $

  $ ln\, x = -t $

  $ x = e^{-t} $

  $ dx = -e^{-t}dt $

  $ x = 1 \rightarrow t = 0 $

  $ x = 0 \rightarrow t = \infty $

  $ \sum_{n=0}^{\infty} \frac{1}{n!} \int_{0}^{1} (x\, ln\, x)^n dx $

  $ = \sum_{n=0}^{\infty} \frac{1}{n!} \int_{\infty}^{0} e^{-nt}(-t)^n(-e^{-t}) dt $

  $ = \sum_{n=0}^{\infty} \frac{1}{n!} \int_{0}^{\infty} e^{-nt}(-t)^n(e^{-t}) dt $

  $ = \sum_{n=0}^{\infty} \frac{1}{n!} \int_{0}^{\infty} e^{-t(n+1)}(-t)^n dt $

  $ = \sum_{n=0}^{\infty} \frac{(-1)^n}{n!} \int_{0}^{\infty} e^{-t(n+1)}t^n dt $

5. $ t(n+1) $을 $ p $로 다시 치환해주기

  $ t(n+1) = p $

  $ t = \frac{p}{n+1} $

  $ dt = \frac{1}{n+1} dp $

  $ \sum_{n=0}^{\infty} \frac{(-1)^n}{n!} \int_{0}^{\infty} e^{-t(n+1)}t^n dt $

  $ = \sum_{n=0}^{\infty} \frac{(-1)^n}{n!} \int_{0}^{\infty} e^{-p} \frac{p^n}{(n+1)^n} \frac{1}{n+1} dp $

  $ = \sum_{n=0}^{\infty} \frac{(-1)^n}{n!} \int_{0}^{\infty} e^{-p} \frac{p^n}{(n+1)^{(n+1)}} dp $

  $ = \sum_{n=0}^{\infty} \frac{(-1)^n}{n!} \frac{1}{(n+1)^{(n+1)}} \int_{0}^{\infty} e^{-p} p^n dp $

  $ = \sum_{n=0}^{\infty} \frac{(-1)^n}{n!} \frac{1}{(n+1)^{(n+1)}} n! \leftarrow \because \int_{0}^{\infty}e^{-x}x^{n} dx = n! $

  $ = \sum_{n=0}^{\infty} \frac{(-1)^n}{(n+1)^{(n+1)}} \leftarrow \because n!$ 약분

  $ = 1 - \frac{1}{2^2} + \frac{1}{3^3} - ... $

6. 결과

  $ \simeq 0.783431$

반응형
반응형

Gamma function(감마함수)를 통하여 gamma(n+1)=n!(팩토리얼, factorial) 증명

 

 

 

1. 감마함수 정의

    $ \Gamma \left ( n \right ) = \int_{0}^{\infty }e^{-x}\cdot x^{n-1 }\: dx $

2. gamma(n+1) = n! 증명

  2-1) gamma(n+1) 재정의

    $ \Gamma \left ( n+1 \right ) = \int_{0}^{\infty }e^{-x}\cdot x^{n }\: dx $

  2-2) gamma(n+1) 부분적분

    부분적분법

    $ \int u(x)v'(x) \; dx = u(x)v(x) - \int u'(x)v(x)\: dx $

    부분적분

    $ \int_{0}^{\infty }x^{n}e^{-x}\: dx = [-x^{n}e^{-x}]_{0}^{\infty} - \int_{0}^{\infty }nx^{n-1}(-1)e^{-x}\: dx $

    $ \int_{0}^{\infty }x^{n}e^{-x}\: dx = \lim_{x\rightarrow \infty}(-x^{n}e^{-x})-(0e^{0}) + n \int_{0}^{\infty }x^{n-1}e^{-x}\: dx $

    $ \int_{0}^{\infty }x^{n}e^{-x}\: dx = n \int_{0}^{\infty }x^{n-1}e^{-x}\: dx $

    $ \Gamma (n+1) = n \Gamma (n) $

  2-3) gamma(1) 계산

    $ \Gamma (1) = \int_{0}^{\infty}e^{-x} \cdot x^{1-1} \: dx $

    $ \qquad \, = [-e^{-x}]_{0}^{\infty} $

    $ \qquad \, = \lim_{x\rightarrow \infty} (-e^{-x}) - (-e^{0}) $

    $ \qquad \, = 0 - (-1) $

    $ \qquad \, = 1 $

  2-4) 순환 반복하므로 gamma(n+1)은 n!

 

    $ \Gamma (n+1) = n \Gamma (n) $

    $ \Gamma (n) = (n-1) \Gamma (n-1) \Rightarrow \Gamma(n+1) = n \times (n-1) \times \Gamma (n-1) $

    $ \vdots $

    $ \Gamma (2) = 1 \cdot \Gamma (1) $

    $ \Gamma (1) = 1 $

    $ \Gamma (n+1) = n \times (n-1) \times ... \times 2 \times 1 $

    $ \therefore \Gamma (n+1) = n! = \int_{0}^{\infty}e^{-x}\cdot x^{n} \: dx $

반응형
반응형

[시계열분석|MachineLearning|Time Series|Prophet] fbprophet 설치하기

Anaconda

가장 간단한 방법
conda install -c conda-forge fbprophet

Naive python

1. pip install cython

2. pip install "pystan<2.18"

3. pip install fbprophet

반응형
반응형

로지컬 씽킹(Logical thinking)

 

1970년대 후반에 만들어진 개념으로 어떤 문제를 빠짐없이 쪼개보는 것을 말한다.

 

이렇게 질문을 쪼개면 개개인의 관찰이 힘을 얻게되고 결과적으로

 0) 문제의 해결을 위해 시도한 모든 것들의 완전한 실패가 없어진다.

 1) 질문의 퀄리티 향상 => 개개인의 관찰이 힘을 얻음 => 집단지성의 근간

 2) 가설 설정 가능

 3) 작업계획(누가 언제까지 무엇을) 설정 가능

 4) 결과가 설득적이 된다.

 

그리고 이를 위해서는 말이 최대한 쉬워야 한다.

 

보통 구조화->가설 설정->확신도 평가->검증->정리의 흐름을 가진다.

 

로지컬 씽킹은 가설을 설정한 뒤 그 가설을 검증하는 과정이지만 이와 반대로 분석적 사고는 가설을 설정하지 않은 채 모든 경우의 수를 하나하나 다 확인하는 방법이다.

반응형

'Study > Etc' 카테고리의 다른 글

에어컨에서 최저온도가 16'C에서 18'C인 이유  (0) 2019.08.21

+ Recent posts