Niklas Muennighoff ほか
厳選した千件の例と思考トークンの上限だけで、小さなモデルがより大きな推論システムを上回る。2025 年の論文、全文無料。
s1: Simple test-time scaling 翻訳対象テキスト:
s1: シンプルなテスト時スケーリング 原文ページを表示 Niklas Muennighoff 1 3 4 ^{}1^{3}4 1 3 4 Zitong Yang 1 ^{}1 1 Weijia Shi 2 3 ^{}2^{3} 2 3 Xiang Lisa Li 1 ^{}1 1 Li Fei-Fei 1 ^{1} 1 Hannaneh Hajishirzi 2 3 ^{2}3 2 3 Luke Zettlemoyer 2 ^{2} 2 Percy Liang 1 ^{1} 1 Emmanuel Candès 1 ^{1} 1 Tatsunori Hashimoto 1 ^{1} 1
原文ページを表示 テスト時スケーリングは、テスト時の計算量を追加で用いることで性能を向上させる、言語モデリングにおける有望な新しいアプローチである。最近、OpenAIのo1モデルがこの能力を示したが、その方法論を公開しなかったため、多くの再現の試みが生まれた。我々は、テスト時スケーリングと強い推論性能を達成するための最もシンプルなアプローチを模索する。第一に、我々はアブレーションを通じて検証した3つの基準、すなわち難易度、多様性、品質に基づいて、推論トレースと対になった1,000問の小規模データセットs1Kをキュレーションする。第二に、我々は予算強制(budget forcing)を開発する。これは、モデルの思考プロセスを強制的に終了させるか、あるいはモデルが終了しようとした際に生成に「Wait」を複数回付加することで思考を延長することにより、テスト時の計算量を制御する手法である。これにより、モデルは自身の答えを再確認するようになり、しばしば誤った推論ステップを修正する。Qwen2.5-32B-Instruct言語モデルをs1Kで教師あり微調整し、予算強制を備えさせた我々のモデルs1-32Bは、競技数学の問題(MATHおよびAIME24)においてo1-previewを最大 27 % 27\% 27% 上回る。さらに、予算強制を用いてs1-32Bをスケーリングすることで、テスト時の介入なしの性能を超えて外挿することができる: AIME24において 50 % 50\% 50% から 57 % 57\% 57% へ。我々のモデル、データ、コードはhttps://github.com/simplescaling/s1でオープンソース公開している。
原文ページを表示 過去数年間の言語モデル(LM)の性能向上は、大規模な自己教師あり事前学習を用いた学習時計算量の拡大に主に依存してきた(Kaplan et al., 2020; Hoffmann et al., 2022)。こうした強力なモデルの創出は、それらの上に構築される新たなスケーリングパラダイム、すなわちテスト時スケーリングの土台を築いた。このアプローチの目的
原文ページを表示 原文ページを表示 図1. s1-32Bによるテスト時スケーリング。推論を要するタスクでs1-32Bをベンチマークし、テスト時計算量を変化させた。 原文ページを表示 は、より良い結果を得るためにテスト時の計算量を増やすことである。このアイデアを探求する研究は多く存在し(Snell et al., 2024; Welleck et al., 2024)、このパラダイムの実現可能性は最近OpenAI o1によって実証された(OpenAI, 2024)。o1はテスト時計算量のスケーリングにより一貫した向上を伴う強い推論性能を示した。OpenAIは彼らのアプローチを大規模強化学習(RL)を用いたものと説明しており、相当量のデータの使用を意味している(OpenAI, 2024)。これにより、モンテカルロ木探索(Gao et al., 2024b; Zhang et al., 2024a)、マルチエージェント手法(Qin et al., 2024)、その他(Wang et al., 2024a; Huang et al., 2024b; 2025)といった技術に依拠した、彼らのモデルを再現するさまざまな試みが生まれた。これらのアプローチの中で、DeepSeek R1 (DeepSeek-AI et al., 2025)は、数百万のサンプルと複数の学習段階を通じた強化学習を採用しつつ、o1レベルの性能の再現に成功している。しかし、多数のo1再現の試みにもかかわらず、明確なテスト時スケーリング挙動を公開的に再現したものはない。そこで我々は問う: テスト時スケーリングと強い推論性能の両方を達成するための最もシンプルなアプローチは何か。 我々は、わずか1,000サンプルでの次トークン予測による学習と、予算強制と呼ぶシンプルなテスト時手法による思考時間の制御が、テスト時計算量の増加に伴い性能がスケールする強い推論モデルにつながることを示す。具体的には、我々はGemini Thinking Experimental (Google, 2024)から蒸留した推論トレースと答えが対になった、注意深くキュレーションされた1,000問からなるs1Kを構築する。我々は市販の事前学習済みモデルに対し、小規模データセットで教師あり微調整(SFT)を行い、 その学習には16台のH100 GPUでわずか26分を要する。学習後、我々は予算強制を用いてモデルが費やすテスト時計算量を制御する: (I) モデルが所望の上限より多くの思考トークンを生成した場合、思考終了トークンの区切り記号を付加することで思考プロセスを強制的に終了させる。このように思考を終了させると、モデルは答えの生成へと移行する。(II) ある問題により多くのテスト時計算量を費やさせたい場合、思考終了トークンの区切り記号の生成を抑制し、代わりにモデルの現在の推論トレースに「Wait」を付加することで、さらなる探索を促す。このシンプルなレシピ、すなわち1,000サンプルでのSFTとテスト時の予算強制を備えた我々のモデルs1-32Bは、テスト時スケーリングを示す(図1)。さらに、s1-32Bは最もサンプル効率の高い推論モデルであり、OpenAIのo1-previewのようなクローズドソースのモデルを上回る(図2)。
我々は、(a) 1,000(1K)件の推論サンプルの選択と、(b) テスト時スケーリングを対象とした広範なアブレーション実験を行う。(a)については、難易度、多様性、品質の指標を選択アルゴリズムに同時に組み込むことが重要であることを見出した。ランダム選択、推論トレースが最長のサンプルの選択、あるいは最大限に多様なサンプルのみの選択は、いずれも性能を大幅に低下させる(AIME24で平均して約 − 30 % - 30\% − 30% )。s1Kの上位集合である59K例の完全なデータプールでの学習は、1Kの選択に対して実質的な向上をもたらさない。これは注意深いデータ選択の重要性を強調し、インストラクションチューニングに関する先行知見(Zhou et al., 2023)と一致する。(b)については、異なるアプローチを比較するため、テスト時スケーリング手法の望ましい性質を定義する。予算強制は、明確な正の傾きを伴う完全な制御可能性を持ち、強い性能につながるため、最良のスケーリングをもたらす。
原文ページを表示 要約すると、我々の貢献は以下のとおりである: 我々はサンプル効率の高い推論データセットを作成するためのシンプルな手法(§2)とテスト時スケーリング(§3)を開発する。これらに基づき、我々はo1-previewと競合するs1-32Bを構築する(§4)。我々はデータ(§5.1)とテスト時スケーリング(§5.2)の微妙な点についてアブレーションを行う。最後に、シンプルな推論に関する今後の研究を動機づけるための議論で締めくくる(§6)。我々のコード、モデル、データはhttps://github.com/simplescaling/s1でオープンソース公開している。
原文ページを表示 2. s1Kを作成するための推論データキュレーション 原文ページを表示 本節では、まず§2.1で大規模データセットを作成するプロセスを述べ、次に§2.2でそれをs1Kへと絞り込む方法を説明する。
原文ページを表示 2.1. 59Kサンプルの初期収集 原文ページを表示 我々は3つの指針に従い、16の情報源から初期の59,029問を収集する。品質: データセットは高品質であるべきであり、我々は常にサンプルを検査し、例えば書式が不十分なデータセットは無視する。難易度: データセットは挑戦的で、相当な推論の労力を要するものであるべきである。多様性: データセットはさまざまな分野に由来し、異なる推論タスクをカバーするべきである。我々は2つのカテゴリのデータセットを収集する:
原文ページを表示 既存データセットのキュレーション 我々の最大の情報源はNuminaMATH (LI et al., 2024)であり、オンラインウェブサイトからの30,660問の数学問題を含む。我々はまた、過去のAIME問題(1983-2021)も含める。多様性を高めるため、さまざまなオリンピアードから天文学、生物学、化学、計算機科学、地理学、数学、物理学にわたる4,250問を含むOlympicArena (Huang et al., 2024a)を加える。OmniMath (Gao et al., 2024a)は4,238問の競技レベルの数学問題を追加する。我々はまた、SATやLSATのような標準化試験の問題を特徴とし、英語、法学、論理学をカバーするAGIEval (Zhong et al., 2023)からの2,385問も含める。その他の情報源については§Cの表7を参照されたい。
原文ページを表示 定量的推論における新規データセット これらの既存データセットを補完するため、我々は2つの独自データセットを作成する。s1-probは、スタンフォード大学統計学科の博士課程資格試験(https://statistics.stanford.edu)の確率部門からの182問からなり、難しい証明を扱う手書きの解答が付されている。確率の資格試験は毎年実施され、専門レベルの数学的問題解決を要する。s1-teasersは、定量的トレーディング職の面接問題でよく用いられる23の挑戦的な脳トレパズルからなる。各サンプルはPuzzledQuant (https://www.puzzledquant.com/)から取られた問題と解答からなる。我々は最高難易度レベル(「Hard」)の例のみを採用する。
原文ページを表示 各問題について、我々はGoogle Gemini Flash Thinking API (Google, 2024)を用いて推論トレースと解答を生成し、その推論トレースと応答を抽出する。これにより、問題、生成された推論トレース、生成された解答の59K組が得られる。我々のデータセットの例は§D.2にある。我々はすべてのサンプルを、8-gramを用いて評価問題(MATH500、GPQA Diamond、AIME24; §C.5)に対して汚染除去し、データを重複排除する。
原文ページを表示 私たちは59K問の質問プールで直接トレーニングすることもできたが、しかし私たちの目標は、最小限のリソースで最もシンプルなアプローチを見つけることである。したがって、私たちは3つの指針となるデータ原則――品質、難易度、多様性――に基づき、3段階のフィルタリングを経て、1,000サンプルという最小限のセットに到達する。
原文ページを表示 品質 まず、APIエラーが発生した質問をすべて除去し、データセットを54,116サンプルに縮小する。次に、ASCIIアート図、存在しない画像参照、不整合な問題番号など、書式上の問題がある文字列パターンを含むかどうかを確認することで、低品質な例を除外し、データセットを51,581例に縮小する。
原文ページを表示 原文ページを表示 図2. s1Kとs1-32B。(左)s1Kは、推論トレースを伴う1,000題の高品質で多様かつ難易度の高い質問からなるデータセットである。(右)s1Kでファインチューニングされた32Bパラメータモデルであるs1-32Bは、サンプル効率のフロンティア上にある。他のモデルの詳細については表1を参照のこと。 原文ページを表示 このプールから、私たちが高品質と認識し、さらなるフィルタリングを必要としないデータセットから、最終的な1,000サンプルのうち384サンプルを特定する(詳細は§C.4を参照)。
原文ページを表示 難易度 難易度については、モデル性能と推論トレース長という2つの指標を用いる。各質問について2つのモデル、Qwen2.5-7B-InstructとQwen2.5-32B-Instruct(Qwen et al., 2024)を評価し、正誤はClaude 3.5 Sonnetが各試行を参照解と比較して判定する(採点プロトコルについては§C.3を参照)。私たちは、Qwen2.5のトークナイザーを用いて各推論トレースのトークン長を測定し、問題の難易度を示す指標とする。これは、より難しい問題ほどより多くの思考トークンを必要とするという仮定に依拠している。採点に基づき、Qwen2.5-7B-InstructまたはQwen2.5-32B-Instructのいずれかが正しく解ける質問は、難しすぎる可能性があるため除去する。2つのモデルを用いることで、一方のモデルが易しい問題でまれな間違いを犯したために、易しいサンプルがフィルタリングをすり抜ける可能性を低減する。これにより総サンプル数は24,496まで減少し、多様性に基づく次ラウンドのサブサンプリングの準備が整う。これら2つのモデルによるフィルタリングは、私たちがQwen2.5-32B-Instructをファインチューニング用のモデルとしても使用するため、私たちの設定に最適化されている可能性があるが、モデルベースのフィルタリングという考え方自体は他の設定にも一般化できる。
原文ページを表示 多様性 多様性を定量化するために、我々はアメリカ数学会のMathematics Subject Classification(MSC)システム(例:幾何学、組み合わせ論など)に基づいて、Claude 3.5 Sonnetを用いて質問を領域に分類する。 1 この分類体系は数学の話題に焦点を当てているが、生物学、物理学、経済 学などの他の科学分野も含む。24,496問のプールから最終的な例を選ぶために、まず一つの領域を一様ランダムに選ぶ。次に、「難易度」で動機づけられた通り、より長い推論トレースを優遇する分布に従って、この領域から一問をサンプリングする(詳細は§C.4を参照)。50の領域にまたがる合計1,000のサンプルを得るまで、この過程を繰り返す。
原文ページを表示 §5.1において、我々の三つの基準を組み合わせて用いることが重要であることを示す。なぜなら、品質、多様性、または難易度のいずれか一つだけに依拠すると、より劣ったデータセットにつながるからである。一部の蒸留された生成物は正しくないが、我々は完全に正しい解答ではなく推論過程を捉えることに焦点を当てているため、データ内でこれを許容している。我々の採点器(§C.3)は、s1Kにおいて53.6%を正解と判定し、フォローアップのs1K-1.1(§Aを参照)においては63.0%を正解と判定する。
原文ページを表示 我々はテスト時スケーリング手法を、1)逐次型:後の計算が以前の計算に依存するもの(例:長い推論トレース)、および2)並列型:計算が独立に実行されるもの(例:多数決投票)(Snell et al., 2024; Brown et al., 2024)に分類する。我々は直感的に、後の計算が中間結果の上に構築でき、より深い推論と反復的な洗練を可能にするため、逐次型スケーリングの方がより良くスケールするはずだと信じていることから、逐次型スケーリングに焦点を当てる。我々は新たな逐次型スケーリング手法と、それらをベンチマークする方法を提案する。
原文ページを表示 予算強制 我々は、思考トークンの最大数および/または最小数を強制するという、単純なデコード時の介入を提案する。具体的には、最大トークン数を強制するために、思考終了トークンの区切り記号、および任意で「Final Answer:」を単に付加することで、思考段階を早期に終了させ
原文ページを表示 原文ページを表示 図3. s1-32Bによるバジェット強制。モデルは「...は2である。」の後で停止しようとするが、私たちは思考終了トークン区切りを抑制し、代わりに「Wait」を追加することで、s1-32Bが自身の回答を自己修正するに至る。 原文ページを表示 、モデルにその時点での最良の回答を提供させる。最小数を強制するために、思考終了トークンの区切り記号の生成を抑制し、任意でモデルの現在の推論トレースに文字列「Wait」を付加することで、モデルに現在の生成について内省するよう促す。図3には、この単純なアプローチがどのようにモデルをより良い回答へと導き得るかの例が含まれている。
ベースライン 我々は予算強制を以下とベンチマークする:(I)条件付き長さ制御手法。これは、どれだけの長さ生成すべきかをプロンプトでモデルに伝えることに依拠する。我々はそれらを粒度によって以下のように分類する:(a)トークン条件付き制御:プロンプトで思考トークンの上限を指定する;(b)ステップ条件付き制御:思考ステップの上限を指定する。各ステップは約100トークンである;(c)クラス条件付き制御:モデルに短時間または長時間考えるよう指示する二つの汎用プロンプトを書く(詳細は§E.1を参照)。(II)棄却サンプリング。これは生成が所定の計算予算に収まるまでサンプリングを行う。このオラクルは、長さで条件付けられた応答に関する事後分布を捉える。
原文ページを表示 我々は、手法間のテスト時スケーリングを測定するための評価指標として、一連の望ましい性質を確立する。重要なことに、我々はある手法が達成できる精度だけでなく、その制御可能性とテスト時スケーリングの傾きにも関心がある。我々が検討する各手法について、固定されたベンチマーク(例:AIME24)上でテスト時計算量を変化させながら、一連の評価 a ∈ A a \in \mathcal{A} a ∈ A を実行する。これにより、計算量を思考トークンで測ったものをx軸、精度をy軸とする区分線形関数 f f f が得られる(図1を参照。AIME24の右端の点は f ( 7320 ) = 57 % f(7320) = 57\% f ( 7320 ) = 57% に対応する)。我々は 三つの 指標を測定する:
原文ページを表示 C o n t r o l = 1 ∣ A ∣ ∑ a ∈ A I ( a min ≤ a ≤ a max ) ( 1 ) \mathrm{Control} = \frac{1}{|\mathcal{A}|}\sum_{a\in \mathcal{A}}\mathbb{I}(a_{\min}\leq a\leq a_{\max}) \quad (1) Control = ∣ A ∣ 1 a ∈ A ∑ I ( a m i n ≤ a ≤ a m a x ) ( 1 ) 原文ページを表示 ここで a min , a max a_{\min}, a_{\max} a m i n , a m a x は、事前に指定されたテスト時計算量の最小量と最大量を指す;我々の場合、思考トークンである。我々は通常 a max a_{\max} a m a x のみを制約する。生成されるトークンは費やされるテスト時計算量に対応するため、この指標は、ある手法がそのテスト時計算量の使用に対してどの程度の制御可能性を可能にするかを測定する。我々はこれをパーセンテージで報告し、 100 % 100\% 100% が完全な制御を意味する。
原文ページを表示 S c a l i n g = 1 ( ∣ A ∣ 2 ) ∑ a , b ∈ A b > a f ( b ) − f ( a ) b − a ( 2 ) \mathrm{Scaling} = \frac{1}{\binom{|\mathcal{A}|}{2}}\sum_{\substack{a,b\in\mathcal{A}\\b>a}}\frac{f(b) - f(a)}{b - a} \quad (2) Scaling = ( 2 ∣ A ∣ ) 1 a , b ∈ A b > a ∑ b − a f ( b ) − f ( a ) ( 2 ) 原文ページを表示 スケーリングは区分線形関数の平均傾きである。有用な手法にとっては正でなければならず、大きいほど良い。
原文ページを表示 P e r f o r m a n c e = max a ∈ A f ( a ) ( 3 ) \mathrm{Performance} = \max_{a\in \mathcal{A}}f(a) \quad (3) Performance = a ∈ A max f ( a ) ( 3 ) 原文ページを表示 性能は、その手法がベンチマーク上で達成する最大性能にすぎない。単調増加するスケーリングを持つ手法は、極限において任意のベンチマークで 100 % 100\% 100% の性能を達成する。しかし、我々が調査する手法は最終的に平坦化するか、制御またはコンテキストウィンドウの制約によりさらなるスケーリングが失敗する。
原文ページを表示 訓練 我々は、§Dに概説する基本ハイパーパラメータを用いて、s1KでQwen2.5-32B-Instructに対して教師ありファインチューニングを行い、モデルs1-32Bを得る。ファインチューニングは、PyTorch FSDPを用いて16台のNVIDIA H100 GPU上で26分を要した。
原文ページを表示 評価 我々は、この分野で広く用いられている三つの代表的な推論ベンチマークを選ぶ:AIME24(of America, 2024)は、2024年1月31日から2月1日に開催された2024年American Invitational Mathematics Examination(AIME)で用いられた30問からなる。AIMEは、算術、代数、数え上げ、幾何学、整数論、確率、およびその他の中学校数学の話題を含む数学的問題解決を試す。テストで高得点を取った高校生は、United States of America Mathematics Olympiad(USAMO)への参加に招待される。AIMEのすべての答えは000から999まで(両端を含む)の整数である。一部のAIME問題は図に依拠しており、我々のモデルは画像入力を受け取れないため、ベクターグラフィックス言語Asymptoteを用いて提供する。MATH500(Hendrycks et al., 2021)は、難易度の異なる競技数学問題のベンチマークである。我々は、先行研究(Lightman et al., 2023)でOpenAIが選んだ同じ500サンプルで評価する。GPQA Diamond(Rein et al., 2023)は、
原文ページを表示 原文ページを表示 図4. 逐次および並列のテスト時スケーリング。(a):バジェット強制は明確なスケーリング傾向を示し、ある程度まで外挿できる。右端の3つの点については、モデルが思考を停止するのを2/4/6回妨げ、そのたびに現在の推論トレースに「Wait」を追加している。(b):Qwen2.5-32B-Instructについて、各サンプルに対して温度1で64回の評価を実行し、これらのうち2、4、8、16、32、64個にわたる多数決投票を行ったときの性能を可視化している。 原文ページを表示 生物学、化学、物理学からの博士課程レベルの科学問題198問からなる。対応する領域の博士号を持つ専門家でも、GPQA Diamondでは 69.7 % 69.7\% 69.7% しか達成しなかった(OpenAI, 2024)。本稿の評価の文脈で「GPQA」と書く場合、我々は常にDiamondサブセットを指す。我々は「Im-evaluation-harness」フレームワーク(Gao et al., 2021; Biderman et al., 2024)を基盤とする。別段の指定がない限り、温度0(貪欲法)で評価し、精度(pass@1に相当)を測定する。
他のモデル 我々はs1-32Bを以下とベンチマークする:OpenAI o1シリーズ(OpenAI, 2024)。テスト時スケーリングを普及させたクローズドソースモデル;DeepSeek r1シリーズ(DeepSeek-AI et al., 2025)。o1レベルの性能を持つオープンウェイト推論モデル;QwenのQwQ-32B-preview(Team, 2024)。手法が非公開の32Bオープンウェイト推論モデル;Sky-T1-32B-Preview(Team, 2025)およびBespoke-32B(Labs, 2025)。QwQ-32B-previewおよびr1から蒸留されたオープンな推論データを持つオープンモデル;Google Gemini 2.0 Flash Thinking Experimental(Google, 2024)。我々が蒸留元とするAPI。公式の評価スコアがないため、我々はGemini APIを用いて自らベンチマークする。しかし、Gemini APIの「recitation error」により評価が困難になる。2 我々はこれを回避するため、このエラーが現れないWebインターフェースにAIME24の30問すべてを手動で挿入する。しかし、MATH500(500問)とGPQA Diamond(198問)は除外するため、表1ではN.A.となる。我々のモデルs1-32Bは、重み、推論データ、コードを含めて完全にオープンである。
原文ページを表示 表1. s1-32Bは強力なオープン推論モデルである。我々はs1-32B、Qwen、Geminiを評価する(一部の項目は不明(N.A.)、 § 4 \S 4 §4 を参照)。その他の結果は各報告による(Qwen et al., 2024; Team, 2024; OpenAI, 2024; DeepSeek-AI et al., 2025; Labs, 2025; Team, 2025)。# ex. = 推論ファインチューニングに用いた例数;BF = 予算強制(budget forcing)。我々のより優れたs1.1モデルについては § A \S \mathrm{A} § A を参照。 原文ページを表示 BF⁺なしのs1 1K 50.0 92.6 56.6 s1-32B 1K 56.7 93.0 59.6
原文ページを表示 テスト時間スケーリング 図1は、s1-32Bがバジェット強制を用いた場合の性能が、より多くのテスト時間計算量に応じてスケールすることを示している。図4(左)では、図1(中央)のプロットを拡張しており、我々のバジェット強制手法(§3)とより多くのテスト時間計算量を用いることでAIME24の性能を改善できるものの、最終的には6倍で頭打ちになることを示している。end-of-thinkingトークン区切りをあまり頻繁に抑制しすぎると、モデルが継続的な推論ではなく反復的なループに陥る可能性がある。図4(右)では、我々の1,000サンプルでQwen2.5-32B-Instructを訓練してs1-32Bを生成し、単純なバジェット強制手法を備えた後、それが異なるスケーリングパラダイムで動作することを示している。多数決投票によってベースモデルのテスト時間計算量をスケールさせても、s1-32Bの性能には追いつけない。これは、逐次スケーリングが並列スケーリングよりも効果的であるという§3の我々の直感を裏付けている。s1-32Bの生成例を図5に示す。
原文ページを表示 サンプル効率 図2(右)と表1では、s1-32Bを他のモデルと比較している。s1-32Bは最もサンプル効率の高いオープンデータ推論モデルであることが分かる。追加でわずか1,000サンプルを訓練しただけにもかかわらず、ベースモデル(Qwen2.5-32B-Instruct)よりも大幅に優れた性能を発揮する。同時期に公開されたr1-32Bは、同様にSFTのみを用いているにもかかわらず、s1-32Bよりも強い性能を示している(DeepSeek-AI et al., 2025)。しかし、それは 800 × 800\times 800 × 多い推論サンプルで訓練されている。わずか1,000サンプルで彼らの性能を達成できるかどうかは未解決の問題である。最後に、我々のモデルはAIME24においてGemini 2.0 Thinkingにほぼ匹敵する。s1-32BのデータはGemini 2.0から蒸留されているため、これは我々の蒸留手続きがおそらく効果的であったことを示している。
原文ページを表示 5.1. データ量、多様性、難易度 原文ページを表示 §2では、s1Kをキュレーションする際の3つの指針—品質、難易度、多様性—を概説した。ここでは、それらを組み合わせることの重要性と、我々の選択の全体的な有効性を検証する。品質のみ(1K-random):Geminiから高品質な推論チェーンを取得した後、難易度と多様性のフィルタリングに一切依拠せず、1,000サンプルをランダムに選択する。表2は、このアプローチがすべてのベンチマークでs1Kよりもはるかに劣る性能を示すことを示している。多様性のみ(1K-diverse):このデータセットでは、難易度の概念を一切無視して、多様性を最大化するためにドメイン間で一様にサンプリングする。このアプローチもまた、1K-randomと同様の低い性能につながる。難易度のみ(1K-longest):ここでは、§2で導入した難易度指標の1つに依拠し、推論トレースが最も長い1,000サンプルを選択する。このアプローチはGPQAの性能を大幅に向上させるが、全体としては依然としてs1Kを使用する場合に及ばない。量の最大化:
原文ページを表示 表2. s1Kデータアブレーション。この表のすべてのスコアについて、強制予算(BF)を最大約30,000思考トークンに設定している。これは、モデルが無限ループに陥った際に最善の推測で終了できるようにするため、BFなしのスコア(表1)よりもわずかに優れた性能を示す。s1Kモデルに対する差について、10,000個のブートストラップサンプルを用いた 95 % 95\% 95% ペア付きブートストラップ信頼区間を報告する。例えば、区間 [ − 13 % , 20 % ] [- 13\% ,20\% ] [ − 13% , 20% ] は、 95 % 95\% 95% の信頼度で、59K-fullとs1Kの真の差が − 13 % -13\% − 13% と + 20 % +20\% + 20% の間にあることを意味する。区間全体が負の場合、例えば [ − 27 % , − 3 % ] [- 27\% , - 3\% ] [ − 27% , − 3% ] であれば、性能がs1Kよりも劣っていると確信をもって言える。 原文ページを表示 最後に、すべての1Kサンプル版のスーパーセットである59Kサンプルすべてで訓練した場合と比較する。これは強いモデルにつながるが、はるかに多くのリソースを使用する。59Kサンプルでファインチューニングするには394 H100 GPU時間を要するのに対し、s1-32Bはわずか7 H100 GPU時間しか必要としなかった。さらに、§2で示したように、s1Kのみに依拠することは極めて競争力がある。全体として、品質、難易度、多様性という3つの基準すべてを§2の方法論を通じて組み合わせることが、サンプル効率の高い推論訓練には鍵となる。
原文ページを表示 5.2. テスト時間スケーリング手法 原文ページを表示 表3. AIME24におけるテスト時計算のスケーリング手法に関するアブレーション。 ∣ A ∣ |A| ∣ A ∣ は特性の推定に用いた評価実行回数を指すため、値が大きいほど堅牢性が高いことを示す。太字は我々が選択した手法および最良の値を示す。BF = = = バジェット強制、TCC/SCC/CCC = = = トークン/ステップ/クラス条件付き制御、 R S = \mathrm{RS} = RS = 棄却サンプリング。 原文ページを表示 AliceとBobは次のゲームを行う。彼らの前に n n n 個のトークンの山がある。プレイヤーは交互に、Aliceを先手として手番を行う。各手番で、プレイヤーは山から1個または4個のトークンを取り除く。最後のトークンを取り除いた者が勝つ。AliceのプレイにかかわらずBobが勝つことを保証する戦略が存在するような、2024以下の正の整数 n n n の個数を求めよ。
原文ページを表示 この問題は、Bobが勝利戦略を持つような正の整数 n ≤ 2024 n\leq 2024 n ≤ 2024 の個数を求めている。これは典型的な不偏ゲームであり、Sprague-Grundyの定理を用いるか、勝ち位置と負け位置を直接見つけることで解析できる。 W W W を勝ち位置の集合(手番のプレイヤーが勝利を強制できるトークン数 n n n )とし、 L L L を負け位置の集合とする。[...]
原文ページを表示 P ( n ) P(n) P ( n ) を「 n n n 個のトークンがあるときに手番のプレイヤーが勝利戦略を持つ」という命題とする。 P ( 0 ) P(0) P ( 0 ) は偽である(手番で0個のトークンに直面しているプレイヤーはすでに負けている)。 n n n の小さい値について考える。 n = 1 n = 1 n = 1 :手番のプレイヤーは1個のトークンを取り除いて勝つことができる。したがって P ( 1 ) P(1) P ( 1 ) は真である。 1 ∈ W 1\in W 1 ∈ W 。 n = 2 n = 2 n = 2 :手番のプレイヤーは1個のトークンを取り除き、相手に1個のトークンを残すことができる。 1 ∈ W 1\in W 1 ∈ W であるため、相手が勝つ。したがって P ( 2 ) P(2) P ( 2 ) は偽である。 2 ∈ L 2\in L 2 ∈ L 。 n = 3 n = 3 n = 3 :手番のプレイヤーは1個のトークンを取り除き、相手に2個のトークンを残すことができる。 2 ∈ L 2\in L 2 ∈ L であるため、手番のプレイヤーが勝つ。したがって P ( 3 ) P(3) P ( 3 ) は真である。 3 ∈ 3\in 3 ∈ W W W ...]
原文ページを表示 我々は、Bobが勝利戦略を持つような正の整数 n ≤ 2024 n\leq 2024 n ≤ 2024 の個数を求めている。これは、ゲームが n n n 個のトークンで始まり、Aliceが先手である場合にBobが勝つことができることを意味する。これは n n n が負け位置である場合に限り起こる(なぜなら、 n ∈ L n\in L n ∈ L ならば、Aliceの最初の手はBobにとっての勝ち位置につながらなければならないからである)。[...]
原文ページを表示 負け位置 L = { 0 , 2 , 5 , 7 , 10 , 12 , 15 , 17 , 20 , 22 , … } L = \{0,2,5,7,10,12,15,17,20,22,\ldots \} L = { 0 , 2 , 5 , 7 , 10 , 12 , 15 , 17 , 20 , 22 , … } のパターンを見つけてみよう。連続する項の差:2,3,2,3,2,3,2,3,2, ... 差のパターンは2,3の交互である。[...] 負け位置は 5 m 5m 5 m または 5 m + 2 5m + 2 5 m + 2 の形であり、ここで m ≥ 0 m\geq 0 m ≥ 0 である。負け位置の集合 L L L に含まれる2024以下の正の整数 n n n の個数を求める必要がある ...]
原文ページを表示 ケース1: n = 5 m n = 5m n = 5 m 、ここで m ≥ 1 m\geq 1 m ≥ 1 。 1 ≤ 5 m ≤ 2024 1\leq 5m\leq 2024 1 ≤ 5 m ≤ 2024 1 / 5 ≤ m ≤ 2024 / 5 = 404.8 1 / 5\leq m\leq 2024 / 5 = 404.8 1/5 ≤ m ≤ 2024/5 = 404.8 m m m は整数であるため、 1 ≤ m ≤ 404 1\leq m\leq 404 1 ≤ m ≤ 404 。 m m m の値の個数は404である。ケース2: n = 5 m + 2 n = 5m + 2 n = 5 m + 2 、ここで m ≥ 0 m\geq 0 m ≥ 0 。 5 m + 2 ≤ 2024 5m + 2\leq 2024 5 m + 2 ≤ 2024 5 m ≤ 2022 m ≤ 2022 / 5 = 404.4 5m\leq 2022m\leq 2022 / 5 = 404.4 5 m ≤ 2022 m ≤ 2022/5 = 404.4 m m m は整数であるため、 0 ≤ m ≤ 404 0\leq m\leq 404 0 ≤ m ≤ 404 。 m m m の値の個数は 404 − 0 + 1 = 405 404 - 0 + 1 = 405 404 − 0 + 1 = 405 である。
原文ページを表示 2024以下の負け位置である正の整数 n n n の総数は 404 + 405 = 809 404 + 405 = \boxed{809} 404 + 405 = 809 である。
原文ページを表示 \(a\) の \(b =\) \(\binom{2}{6}\) への射影を求めよ。ただし \(a\cdot b = 8\) とする。
原文ページを表示 ベクトル \(\mathbf{a}\) のベクトル \(\mathbf{b}\) への射影は、次の公式で与えられる:
原文ページを表示 p r o j b a = a ⋅ b ∥ b ∥ 2 b \mathrm{proj}_{\mathbf{b}}\mathbf{a} = \frac{\mathbf{a}\cdot\mathbf{b}}{\|\mathbf{b}\|^{2}}\mathbf{b} proj b a = ∥ b ∥ 2 a ⋅ b b 原文ページを表示 与えられているのは \(\mathbf{b} = \binom{2}{6}\) および \(\mathbf{a}\cdot \mathbf{b} = 8\) である。
原文ページを表示 まず、\(\mathbf{b}\) の大きさの二乗、すなわち \(\| \mathbf{b}\|^{2}\) を求める必要がある。
原文ページを表示 ∥ b ∥ 2 = b ⋅ b = 2 2 + 6 2 + 3 2 = 4 + 36 + 9 = 49. ( 2 ) \| \mathbf{b}\|^{2} = \mathbf{b}\cdot \mathbf{b} = 2^{2} + 6^{2} + 3^{2} = 4 + 36 + 9 = 49. \quad (2) ∥ b ∥ 2 = b ⋅ b = 2 2 + 6 2 + 3 2 = 4 + 36 + 9 = 49. ( 2 ) 原文ページを表示 次に、値を射影の公式に代入できる:
原文ページを表示 p r o j b a = 8 49 b \mathrm{proj}_{\mathbf{b}}\mathbf{a} = \frac{8}{49}\mathbf{b} proj b a = 49 8 b 原文ページを表示 ベクトル \(\mathbf{b}\) を代入する:
原文ページを表示 p r o j b a = 8 49 ( 2 3 ) \mathrm{proj}_{\mathbf{b}}\mathbf{a} = \frac{8}{49}\left(\frac{2}{3}\right) proj b a = 49 8 ( 3 2 ) 原文ページを表示 スカラーをベクトルの各成分に掛ける:
原文ページを表示 p r o j b a = ( 8 49 × 2 3 ) = ( 16 49 ) \mathrm{proj}_{\mathbf{b}}\mathbf{a} = \left(\frac{8}{49}\times \frac{2}{3}\right) = \left(\frac{16}{49}\right) proj b a = ( 49 8 × 3 2 ) = ( 49 16 ) 原文ページを表示 原文ページを表示 質量 \(m\) の量子力学的粒子が、極座標 \((r,\theta)\) の関数として次のポテンシャルの中を2次元で運動している。
原文ページを表示 V ( r , θ ) = 1 2 k r 2 + 3 2 k r 2 cos 2 ( θ ) V(r,\theta) = \frac{1}{2} kr^{2} + \frac{3}{2} kr^{2}\cos^{2}(\theta) V ( r , θ ) = 2 1 k r 2 + 2 3 k r 2 cos 2 ( θ ) 原文ページを表示 エネルギー準位を求めよ。ヒント:ポテンシャルをデカルト座標で表せ。
原文ページを表示 この問題は、与えられた2次元ポテンシャル中の粒子のエネルギー準位を求めるものである。ポテンシャルは極座標 \((r,\theta)\) で与えられている:
原文ページを表示 V ( r , θ ) = 1 2 k r 2 + 3 2 k r 2 cos 2 ( θ ) V(r,\theta) = \frac{1}{2} kr^{2} + \frac{3}{2} kr^{2}\cos^{2}(\theta) V ( r , θ ) = 2 1 k r 2 + 2 3 k r 2 cos 2 ( θ ) 原文ページを表示 ポテンシャルは次のように書き直せる:
原文ページを表示 V ( r , θ ) = 1 2 k r 2 ( 1 + 3 cos 2 ( θ ) ) . V(r,\theta) = \frac{1}{2} kr^{2}(1 + 3\cos^{2}(\theta)). V ( r , θ ) = 2 1 k r 2 ( 1 + 3 cos 2 ( θ )) . 原文ページを表示 2次元における粒子のハミルトニアンは次で与えられる:
原文ページを表示 H = − ℏ 2 2 m ( ∂ 2 ∂ x 2 + ∂ 2 ∂ y 2 ) + V ( x , y ) . H = -\frac{\hbar^{2}}{2m}\left(\frac{\partial^{2}}{\partial x^{2}} +\frac{\partial^{2}}{\partial y^{2}}\right) + V(x,y). H = − 2 m ℏ 2 ( ∂ x 2 ∂ 2 + ∂ y 2 ∂ 2 ) + V ( x , y ) . 原文ページを表示 極座標 \((r,\theta)\) において、ラプラシアン演算子は:
原文ページを表示 ∇ 2 = 1 r ∂ ∂ r ( r ∂ ∂ r ) + 1 r 2 ∂ 2 ∂ θ 2 . \nabla^{2} = \frac{1}{r}\frac{\partial}{\partial r}\left(r\frac{\partial}{\partial r}\right) + \frac{1}{r^{2}}\frac{\partial^{2}}{\partial\theta^{2}}. ∇ 2 = r 1 ∂ r ∂ ( r ∂ r ∂ ) + r 2 1 ∂ θ 2 ∂ 2 . 原文ページを表示 したがって、極座標におけるハミルトニアンは:
原文ページを表示 H = − ℏ 2 2 m [ 1 r ∂ ∂ r ( r ∂ ∂ r ) + 1 r 2 ∂ 2 ∂ θ 2 ] + V ( r , θ ) . H = -\frac{\hbar^{2}}{2m}\left[\frac{1}{r}\frac{\partial}{\partial r}\left(r\frac{\partial}{\partial r}\right) + \frac{1}{r^{2}}\frac{\partial^{2}}{\partial\theta^{2}}\right] + V(r,\theta). H = − 2 m ℏ 2 [ r 1 ∂ r ∂ ( r ∂ r ∂ ) + r 2 1 ∂ θ 2 ∂ 2 ] + V ( r , θ ) . 原文ページを表示 時間に依存しないシュレーディンガー方程式は \(H\psi = E\psi\) である。\(\psi (r,\theta) = R(r)\Theta (\theta)\) の形の解を仮定して変数分離を試みることができる。[...]
原文ページを表示 これにより、エネルギー準位が次であることが確認される:
原文ページを表示 E = ℏ k m ( 2 n x + n y + 3 2 ) . E = \hbar \sqrt{\frac{k}{m}}\left(2n_{x} + n_{y} + \frac{3}{2}\right). E = ℏ m k ( 2 n x + n y + 2 3 ) . 原文ページを表示 最終解答:\(E = \hbar \sqrt{\frac{k}{m}}\left(2n_{x} + n_{y} + \frac{3}{2}\right).\)
原文ページを表示 予算強制(バジェットフォーシング) 表3では、\(\S 3\) で導入したテスト時間スケーリング手法を比較する。全体として、予算強制は完璧な制御と良好なスケーリングを提供し、我々の最良のAIME24スコアにつながることが分かる。したがって、これが図1および \(\S 4\) においてs1- 32Bに用いる手法である。表4では、性能を外挿するための異なる文字列を比較する。一般に「Wait」が最良の性能を与えることが分かる。
原文ページを表示 クラス条件付き制御 この手法のベンチマークスコアを \(\S \mathrm{E}.1\) に示し、ここでは3つの知見を要約する:(1) トークン条件付き制御は予算強制なしでは失敗する。なぜなら、我々のモデルはそのように訓練されたとしてもトークンを確実に数えることができないからである。(2) ステップ条件付き制御では、異なるステップ目標が与えられても、モデルは同程度の総トークン数を生成する。モデルは、ステップ数が少なく各ステップのトークン数が多い状態から、ステップ数が多く各ステップのトークン数が少ない状態へと移行するからである。したがって、モデルは計算制約を回避する方法を学習してしまい、この手法の制御性は平凡なものとなる。(3) クラス条件付き制御は機能しうる。モデルに単により長く考えるように指示することで、テスト時間計算量と性能を増加させることができ、表3において良好なスケーリングにつながる。
原文ページを表示 表4. 予算強制の外挿アブレーション。思考終了デリミタを2回無視することと、何も付加しない場合または種々の文字列を付加する場合を比較する。 原文ページを表示 棄却サンプリング 意外なことに、生成が特定の長さに収まるまで単にサンプリングを続けると、図6に示すような逆スケーリング傾向が生じることが分かる。\(\S \mathrm{E}.2\) では、 \(\leq 4000\) で棄却サンプリングした場合にはモデルが正しく回答したが、\(\leq 8000\) トークン設定ではそうならなかった質問を検討する。\(\leq 4000\) 設定ではモデルは直接正しいアプローチに飛びつくが、\(\leq 8000\) 設定では何度も後戻りする。我々は、短い生成はモデルが最初から正しい道筋にあったもの tends to be であり、一方で長い生成はモデルが誤りを犯し、それゆえ後戻りしたり自問したりしたものである tends to be という相関があると仮説を立てる。これにより、棄却サンプリングにおいて長いサンプルはしばしば誤りとなり、したがって逆スケーリング傾向が生じる。
原文ページを表示 モデル o1(OpenAI, 2024)の性能を再現するモデルを構築するための同時並行的な取り組みが数多くある。例えば、DeepSeek- r1 と k1.5(DeepSeek- AI et al., 2025; Team et al., 2025)は強化学習手法で構築されている一方、他のものは数万の蒸留例を用いたSFTに依拠している(Team, 2025; Xu et al., 2025; Labs, 2025)。我々は、わずか1,000例のSFTで、o1- previewに匹敵する競争力のある推論モデルを構築するのに十分であり、パレートフロンティア上に位置するモデルを生み出すことを示す(図2)。さらに、我々は予算強制を導入し、これを我々の推論モデルと組み合わせることで、OpenAIのテスト時間スケーリング曲線の最初の再現につながる(OpenAI, 2024)。なぜわずか1,000サンプルでの教師ありファインチューニングがこれほどの性能向上につながるのか?我々は、モデルは事前学習中に数兆トークンに及ぶ大量の推論データにすでに触れていると仮説を立てる。したがって、推論を実行する能力はすでに我々のモデルに存在している。我々のサンプル効率の良いファインチューニング段階はそれを活性化するだけであり、テスト時に予算強制によってそれをさらにスケールさせる。これはLIMA(Zhou et al., 2023)で提示された「表面的アラインメント仮説」に類似しており、そこでは著者らは1,000例がモデルをユーザーの選好に従わせるようアラインメントするのに十分でありうることを見出している。
原文ページを表示 原文ページを表示 図6.s1-32Bを用いたAIME24に対する棄却サンプリング。温度1で、すべての生成が(左から右へ)3500、4000、5000、8000、16000の思考トークン未満になるまでサンプリングを行い、サンプルあたり平均655、97、8、3、2、1回の試行を要した。 原文ページを表示 ベンチマークと手法 これらのモデルの限界を評価し押し広げるために、ますます困難なベンチマークが導入されてきた。例えば、オリンピックレベルの科学コンテスト(He et al., 2024; Jain et al., 2024; Zhong et al., 2023)やその他のもの(Srivastava et al., 2023; Glazer et al., 2024; Su et al., 2024; Kim et al., 2024; Phan et al., 2025)である。推論関連のタスクにおけるモデルの性能を高めるために、研究者たちはいくつかの戦略を追求してきた。先行研究では、数学や科学に関連する専門的なコーパス(Azerbayev et al., 2023; Yang et al., 2024)、時には合成的に生成されたデータ(Yu et al., 2024)を用いて言語モデルの継続的訓練を探求してきた。また別の研究では、推論性能に特化した訓練方法論を開発してきた(Zelikman et al., 2022; 2024; Luo et al., 2025; Yuan et al., 2025; Wu et al., 2024a)。さらに別の重要な研究の流れは、推論能力を引き出し向上させるためのプロンプティングに基づく手法に焦点を当てており、Chain-of-Thoughtプロンプティングのような手法が含まれる(Wei et al., 2023; Yao et al., 2023a;b; Bi et al., 2023; Fu et al., 2023; Zhang et al., 2024b; Xiang et al., 2025; Hu et al., 2024; Diao et al., 2024)。これらの複合的な取り組みは、言語モデルの推論能力を前進させ、より複雑で抽象的なタスクを効果的に処理できるようにすることを目指している。
原文ページを表示 手法 \(\S 3\) で紹介したように、テスト時計算をスケーリングする2つの手法を区別する。並列型と逐次型である。前者は、並列に生成された複数の解答の試行に依拠し、特定の基準によって最良の結果を選択する。これらの基準には、多数決のために最も頻繁な応答を選ぶことや、Best-of-Nのために外部報酬に基づいて最良の応答を選ぶことが含まれる(Brown et al., 2024; Irvine et al., 2023; Levi, 2024)。反復サンプリングとは異なり、従来の逐次スケーリング手法では、モデルが以前の試行に基づいて解答の試行を逐次的に生成し、以前の結果に基づいて各試行を洗練させることができる(Snell et al., 2024; Hou et al., 2025; Lee et al., 2025)。木探索に基づく手法(Gandhi et al., 2024; Wu et al., 2024b)は、逐次スケーリングと並列スケーリングの間のハイブリッドなアプローチを提供する。例えば、モンテカルロ木探索(MCTS)(Liu et al., 2024; Zhang et al., 2023; Zhou et al., 2024; Choi et al., 2023)やガイド付きビームサーチ(Xie et al., 2023)である。REBASE(Wu et al., 2024b)は、木探索中に活用と枝刈りのバランスを取るためにプロセス報酬モデルを採用している。実証的に、REBASEはサンプリングに基づく手法やMCTSを上回ることが示されている(Wu et al., 2024b)。報酬モデル(Lightman et al., 2023; Wang et al., 2024b;c)はこれらの手法において重要な役割を果たす。それらには2つの変種がある。結果報酬モデルとプロセス報酬モデルである。結果報酬モデル(Xin et al., 2024; Ankner et al., 2024)は完全な解答にスコアを割り当て、Best-of-N選択において特に有用であり、一方プロセス報酬モデル(Lightman et al., 2023; Wang et al., 2024b; Wu et al., 2024b)は個々の推論ステップを評価し、木探索に基づく手法の誘導において効果的である。
原文ページを表示 さらなるテスト時スケーリングの限界 \(\S 4\) において、予算強制がテスト時計算を外挿できることを示した。例えば、AIME24の性能を\(50\%\)から\(57\%\)に改善する。しかし、さらにスケーリングする際には2つの主要な限界がある。最終的には頭打ちになること(図4)、そして基盤となる言語モデルのコンテキストウィンドウによって制約されることである。これらの制約にもかかわらず、我々の研究は広範な精度にわたるテスト時スケーリングを示している(図1)。これは部分的には、テスト時計算をスケールダウンすることが予測可能に振る舞い、これらの制約に悩まされないためである。
原文ページを表示 テスト時スケーリングを継続するには、テスト時計算をさらに外挿できるアプローチが必要となる。どうすれば
原文ページを表示 原文ページを表示 図7. 並列スケーリング手法によるさらなるスケーリング。すべての指標はAIME24の30問にわたる平均値。REBASEの平均思考トークン数は、報酬モデルによる追加の計算量を考慮していない。逐次スケーリングでは、モデルに対して最大(左から右へ)32、64、256、512ステップを使用するようプロンプトを与える。REBASEと多数決投票では、集約のために16本の並列軌跡を生成する。 原文ページを表示 そのような外挿が得られるだろうか。予算強制の改善策として、「Wait」だけでなく異なる文字列をローテーションすることや、頻度ペナルティやより高い温度と組み合わせて反復的なループを避けることが考えられる。将来の作業として刺激的な方向性は、強化学習で訓練された推論モデルに予算強制を適用することがより良い外挿をもたらすかどうか、あるいはRLが予算強制を超えたテスト時スケーリングの新たな方法を可能にするかどうかを研究することである。我々の研究は、テスト時計算の外挿に関する将来の研究と進歩を可能にするための適切な指標(\(\S 3.2\))—Control、Scaling、Performance—を定義している。
解決策としての並列スケーリング 並列スケーリングは逐次スケーリングの限界に対する1つの解決策を提供するため、我々は逐次スケーリングされたモデルを2つの手法で拡張する。(I) 多数決:\(k\)個の解答を生成した後、最終的な解答は生成全体を通じて最も頻繁なものとする。(II) REBASEによる木探索:LLaMA-34Bから初期化され、合成的なプロセス報酬モデリングデータセットでさらにファインチューニングされたREBASEプロセス報酬モデルを使用する(Wu et al., 2024b)。次に、REBASEによって生成された解答を多数決によって集約する。図7に示すように、我々のモデルをREBASEで拡張すると、多数決よりもよくスケールし、このシナリオでは逐次スケーリングさえも上回る。しかし、REBASEは各ステップで報酬モデルのために追加の順伝播計算を必要とし、若干の計算オーバーヘッドを加える。逐次スケーリングについては、最大512ステップを使用するようプロンプトされた場合、30の評価問題のうち12問でモデルがコンテキストウィンドウを超える応答を生成し、大きな性能低下を引き起こす。全体として、これらの並列スケーリング手法は逐次スケーリングを補完するものであり、固定されたコンテキストウィンドウを超えてテスト時計算をさらにスケーリングするための道筋を提供することがわかった。
原文ページを表示 影響声明強い推論能力を持つ言語モデルは、複雑な意思決定の支援から科学的ブレークスルーの推進に至るまで、人間の生産性を大いに高める可能性を秘めている。しかし、OpenAIのo1やDeepSeekのr1のような最近の推論の進歩は透明性を欠いており、より広範な研究の進歩を制限している。我々の研究は、完全にオープンな形で推論のフロンティアを押し広げ、最終的に社会に利益をもたらす進歩を加速するためのイノベーションと協働を促進することを目指している。
原文ページを表示 謝辞Bespoke Curator(Marten et al., 2025)を用いてs1.1のためにDeepSeek r1からトレースを生成してくださったRyan Martenに感謝する。本研究の一部は、スタンフォード大学からの財政的支援により実現したStanford Marlowe GPUクラスタ(Kapfer et al., 2025)を用いて行われた。非常に建設的な議論をしてくださったAlexander M. Rush、Andrew Ilyas、Banghua Zhu、Chenglei Si、Chunting Zhou、John Yang、Ludwig Schmidt、Samy Jelassi、Suhas Kotha、Tengyu Ma、Xuechen Li、Yu Sun、Yue Zhangの各氏に感謝する。
原文ページを表示 Ankner, Z., Paul, M., Cui, B., Chang, J. D., and Ammanabrolu, P. Critique-out-loud reward models, 2024. URL https://arxiv.org/abs/2408.11791. Arora, D., Singh, H. G., and Mausam. Have llms advanced enough? a challenging problem solving benchmark for large language models, 2023. URL https://arxiv.org/abs/2305.15074. Azerbayev, Z., Schoelkopf, H., Paster, K., Santos, M. D., McAleer, S., Jiang, A. Q., Deng, J., Biderman, S., and Welleck, S. Llemma: An open language model for mathematics, 2023. Bi, Z., Zhang, N., Jiang, Y., Deng, S., Zheng, G., and Chen, H. When do program-of-thoughts work for reasoning?, 2023. URL https://arxiv.org/abs/2308.15452. Biderman, S., Schoelkopf, H., Sutawika, L., Gao, L., Tow, J., Abbasi, B., Aji, A. F., Ammanamanchi, P. S., Black, S., Clive, J., DiPofi, A., Etxaniz, J., Fattori, B., Forde, J. Z., Foster, C., Hsu, J., Jaiswal, M., Lee, W. Y., Li, H., Lovering, C., Muennighoff, N., Pavlick, E., Phang, J., Skowron, A., Tan, S., Tang, X., Wang, K. A., Winata, G. I., Yvon, F., and Zou, A. Lessons from the trenches on reproducible evaluation of language models, 2024. Brown, B., Juravsky, J., Ehrlich, R., Clark, R., Le, Q. V., Ré, C., and Mirhoseini, A. Large language monkeys: Scaling inference compute with repeated sampling, 2024. URL https://arxiv.org/abs/2407.21787.
原文ページを表示 Cesisita, F. L. マルチモーダル構造化生成:CVPR第2回MMFMチャレンジテクニカルレポート, 2024. URL https://arxiv.org/abs/2406.11403. Chen, W., Yin, M., Ku, M., Lu, P., Wan, Y., Ma, X., Xu, J., Wang, X., and Xia, T. Theoremaqa:定理駆動型質問応答データセット, 2023. URL https://arxiv.org/abs/2305.12524. Choi, S., Fang, T., Wang, Z., and Song, Y. Kcts:トークンレベルのハルシネーション検出を伴う知識制約付き木探索デコーディング, 2023. URL https://arxiv.org/abs/2310.09044. DeepSeek-AI, Guo, D., Yang, D., Zhang, H., Song, J., Zhang, R., Xu, R., Zhu, Q., Ma, S., Wang, P., Bi, X., Zhang, X., Yu, X., Wu, Y., Wu, Z. F., Gou, Z., Shao, Z., Li, Z., Gao, Z., Liu, A., Xue, B., Wang, B., Wu, B., Feng, B., Lu, C., Zhao, C., Deng, C., Zhang, C., Ruan, C., Dai, D., Chen, D., Ji, D., Li, E., Lin, F., Dai, F., Luo, F., Hao, G., Chen, G., Li, G., Zhang, H., Bao, H., Xu, H., Wang, H., Ding, H., Xin, H., Gao, H., Qu, H., Li, H., Guo, J., Li, J., Wang, J., Chen, J., Yuan, J., Qiu, J., Li, J., Cai, J. L., Ni, J., Liang, J., Chen, J., Dong, K., Hu, K., Gao, K., Guan, K., Huang, K., Yu, K., Wang, L., Zhang, L., Zhao, L., Wang, L., Zhang, L., Xu, L., Xia, L., Zhang, M., Zhang, M., Tang, M., Li, M., Wang, M., Li, M., Tian, N., Huang, P., Zhang, P., Wang, Q., Chen, Q., Du, Q., Ge, R., Zhang, R., Pan, R., Wang, R., Chen, R. J., Jin, R. L., Chen, R., Lu, S., Zhou, S., Chen, S., Ye, S., Wang, S., Yu, S., Zhou, S., Pan, S., Li, S. S., Zhou, S., Wu, S., Ye, S., Yun, T., Pei, T., Sun, T., Wang, T., Zeng, W., Zhao, W., Liu, W., Liang, W., Gao, W., Yu, W., Zhang, W., Xiao, W. L., An, W., Liu, X., Wang, X., Chen, X., Nie, X., Cheng, X., Liu, X., Xie, X., Liu, X., Yang, X., Li, X., Su, X., Lin, X., Li, X. Q., Jin, X., Shen, X., Chen, X., Sun, X., Wang, X., Song, X., Zhou, X., Wang, X., Shan, X., Li, Y. K., Wang, Y. Q., Wei, Y. X., Zhang, Y., Xu, Y., Li, Y., Zhao, Y., Sun, Y., Wang, Y., Yu, Y., Zhang, Y., Shi, Y., Xiong, Y., He, Y., Piao, Y., Wang, Y., Tan, Y., Ma, Y., Liu, Y., Guo, Y., Ou, Y., Wang, Y., Gong, Y., Zou, Y., He, Y., Xiong, Y., Luo, Y., You, Y., Liu, Y., Zhou, Y., Zhu, Y. X., Xu, Y., Huang, Y., Li, Y., Zheng, Y., Zhu, Y., Ma, Y., Tang, Y., Zha, Y., Yan, Y., Ren, Z. Z., Ren, Z., Sha, Z., Fu, Z., Xu, Z., Xie, Z., Zhang, Z., Hao, Z., Ma, Z., Yan, Z., Wu, Z., Gu, Z., Zhu, Z., Liu, Z., Li, Z., Xie, Z., Song, Z., Pan, Z., Huang, Z., Xu, Z., Zhang, Z., and Zhang, Z. Deepseek-r1:強化学習によるLLMの推論能力へのインセンティブ付与, 2025. URL https://arxiv.org/abs/2501.12948. Diao, S., Wang, P., Lin, Y., Pan, R., Liu, X., and Zhang, T. 大規模言語モデルのための思考連鎖を用いた能動的プロンプティング, 2024. URL https://arxiv.org/abs/2302.12246.
原文ページを表示 Dubey, A., Jauhri, A., Pandey, A., Kadian, A., Al-Dahle, A., Letman, A., Mathur, A., Schelten, A., Yang, A., Fan, A., Goyal, A., Hartshorn, A., Yang, A., Mitra, A., Sravankumar, A., Korenev, A., Hinsvark, A., Rao, A., Zhang, A., Rodriguez, A., Gregerson, A., et al. The llama 3 herd of models, 2024. URL https://arxiv.org/abs/2407.21783.
原文ページを表示 Fu, Y., Peng, H., Sabharwal, A., Clark, P., and Khot, T. Complexity-based prompting for multi-step reasoning, 2023. URL https://arxiv.org/abs/2210.00720.
原文ページを表示 Gandhi, K., Lee, D., Grand, G., Liu, M., Cheng, W., Sharma, A., and Goodman, N. D. Stream of search (sos): Learning to search in language, 2024. URL https://arxiv.org/abs/2404.03683.
原文ページを表示 Gao, B., Song, F., Yang, Z., Cai, Z., Miao, Y., Dong, Q., Li, L., Ma, C., Chen, L., Xu, R., Tang, Z., Wang, B., Zan, D., Quan, S., Zhang, G., Sha, L., Zhang, Y., Ren, X., Liu, T., and Chang, B. Omni-math: A universal olympiad level mathematic benchmark for large language models, 2024a. URL https://arxiv.org/abs/2410.07985.
原文ページを表示 Gao, L., Tow, J., Biderman, S., Black, S., DiPofi, A., Foster, C., Golding, L., Hsu, J., McDonell, K., Muennighoff, N., Phang, J., Reynolds, L., Tang, E., Thite, A., Wang, B., Wang, K., and Zou, A. A framework for few-shot language model evaluation, September 2021. URL https://doi.org/10.5281/zenodo.5371628.
原文ページを表示 Gao, Z., Niu, B., He, X., Xu, H., Liu, H., Liu, A., Hu, X., and Wen, L. Interpretable contrastive monte carlo tree search reasoning, 2024b. URL https://arxiv.org/abs/2410.01707.
原文ページを表示 Glazer, E., Erdil, E., Besiroglu, T., Chicharro, D., Chen, E., Gunning, A., Olsson, C. F., Denain, J.-S., Ho, A., de Oliveira Santos, E., Järviniemi, O., Barnett, M., Sandler, R., Vrzala, M., Sevilla, J., Ren, Q., Pratt, E., Levine, L., Barkley, G., Stewart, N., Grechuk, B., Grechuk, T., Enugandla, S. V., and Wildon, M. Frontiermath: A benchmark for evaluating advanced mathematical reasoning in ai, 2024. URL https://arxiv.org/abs/2411.04872.
原文ページを表示 Google. Gemini 2.0 flash thinking mode (gemini-2.0-flash-thinking-exp-1219), December 2024. URL https://cloud.google.com/vertex-ai/generative-ai/docs/thinking-mode.
原文ページを表示 Groeneveld, D., Beltagy, I., Walsh, P., Bhagia, A., Kinney, R., Tafjord, O., Jha, A. H., Ivison, H., Magnusson, I.,
原文ページを表示 Wang, Y., Arora, S., Atkinson, D., Authur, R., Chandu, K. R., Cohan, A., Dumas, J., Elazar, Y., Gu, Y., Hessel, J., Khot, T., Merrill, W., Morrison, J., Muennighoff, N., Naik, A., Nam, C., Peters, M. E., Pyatkin, V., Ravichander, A., Schwenk, D., Shah, S., Smith, W., Strubell, E., Subramani, N., Wortsman, M., Dasigi, P., Lambert, N., Richardson, K., Zettlemoyer, L., Dodge, J., Lo, K., Soldaini, L., Smith, N. A., and Hajishirzi, H. Olmo: Accelerating the science of language models, 2024.
原文ページを表示 He, C., Luo, R., Bai, Y., Hu, S., Thai, Z. L., Shen, J., Hu, J., Han, X., Huang, Y., Zhang, Y., Liu, J., Qi, L., Liu, Z., and Sun, M. Olympiadbench: A challenging benchmark for promoting agi with olympiad-level bilingual multimodal scientific problems, 2024. URL https://arxiv.org/abs/2402.14008.
原文ページを表示 Hendrycks, D., Burns, C., Kadavath, S., Arora, A., Basart, S., Tang, E., Song, D., and Steinhardt, J. Measuring mathematical problem solving with the math dataset, 2021. URL https://arxiv.org/abs/2103.03874.
原文ページを表示 Hoffmann, J., Borgeaud, S., Mensch, A., Buchatskaya, E., Cai, T., Rutherford, E., de Las Casas, D., Hendricks, L. A., Welbl, J., Clark, A., Hennigan, T., Noland, E., Millican, K., van den Driessche, G., Damoc, B., Guy, A., Osindero, S., Simonyan, K., Elsen, E., Rae, J. W., Vinyals, O., and Sifre, L. Training compute-optimal large language models, 2022. URL https://arxiv.org/abs/2203.15556.
原文ページを表示 Hou, Z., Lv, X., Lu, R., Zhang, J., Li, Y., Yao, Z., Li, J., Tang, J., and Dong, Y. Advancing language model reasoning through reinforcement learning and inference scaling, 2025. URL https://arxiv.org/abs/2501.11651.
原文ページを表示 Hu, Y., Shi, W., Fu, X., Roth, D., Ostendorf, M., Zettlemoyer, L., Smith, N. A., and Krishna, R. Visual sketchpad: Sketching as a visual chain of thought for multimodal language models, 2024. URL https://arxiv.org/abs/2406.09403.
原文ページを表示 Huang, Z., Wang, Z., Xia, S., Li, X., Zou, H., Xu, R., Fan, R.-Z., Ye, L., Chern, E., Ye, Y., Zhang, Y., Yang, Y., Wu, T., Wang, B., Sun, S., Xiao, Y., Li, Y., Zhou, F., Chern, S., Qin, Y., Ma, Y., Su, J., Liu, Y., Zheng, Y., Zhang, S., Lin, D., Qiao, Y., and Liu, P. Olympicarena: Benchmarking multi-discipline cognitive reasoning for superintelligent ai, 2024a. URL https://arxiv.org/abs/2406.12753.
原文ページを表示 Huang, Z., Zou, H., Li, X., Liu, Y., Zheng, Y., Chern, E., Xia, S., Qin, Y., Yuan, W., and Liu, P. O1 replication journey - part 2: Surpassing o1-preview through simple distillation, big progress or bitter lesson?, 2024b. URL https://arxiv.org/abs/2411.16489.
原文ページを表示 Huang, Z., Geng, G., Hua, S., Huang, Z., Zou, H., Zhang, S., Liu, P., and Zhang, X. O1 replication journey - part 3: Inference-time scaling for medical reasoning, 2025. URL https://arxiv.org/abs/2501.06458.
原文ページを表示 Irvine, R., Boubert, D., Raina, V., Liusie, A., Zhu, Z., Mudupalli, V., Korshuk, A., Liu, Z., Cremer, F., Assassi, V., Beauchamp, C.-C., Lu, X., Rialan, T., and Beauchamp, W. Rewarding chatbots for real-world engagement with millions of users, 2023. URL https://arxiv.org/abs/2303.06135.
原文ページを表示 Jain, N., Han, K., Gu, A., Li, W.-D., Yan, F., Zhang, T., Wang, S., Solar-Lezama, A., Sen, K., and Stoica, I. Livecodebench: Holistic and contamination free evaluation of large language models for code, 2024. URL https://arxiv.org/abs/2403.07974.
原文ページを表示 Kapfer, C., Stine, K., Narasimhan, B., Mentzel, C., and Candes, E. Marlowe: Stanford's gpu-based computational instrument, January 2025. URL https://doi.org/10.5281/zenodo.14751899.
原文ページを表示 Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., Child, R., Gray, S., Radford, A., Wu, J., and Amodei, D. Scaling laws for neural language models, 2020. URL https://arxiv.org/abs/2001.08361.
原文ページを表示 Kim, E., Suk, J., Kim, S., Muennighoff, N., Kim, D., and Oh, A. Llm-as-an-interviewer: Beyond static testing through dynamic llm evaluation, 2024. URL https://arxiv.org/abs/2412.10424.
原文ページを表示 Kwon, W., Li, Z., Zhuang, S., Sheng, Y., Zheng, L., Yu, C. H., Gonzalez, J. E., Zhang, H., and Stoica, I. PagedAttentionを用いた大規模言語モデルサービングのための効率的なメモリ管理, 2023年. URL https://arxiv.org/abs/2309.06180.
原文ページを表示 Labs, B. Bespoke-Stratos: 推論蒸留の不合理なほどの有効性, 2025年. URL https://hf.co/bespokelabs/Bespoke-Stratos-32B. アクセス日: 2025-01-22.
原文ページを表示 Lee, K.-H., Fischer, I., Wu, Y.-H., Marwood, D., Baluja, S., Schuurmans, D., and Chen, X. より深いLLM推論の進化, 2025年. URL https://arxiv.org/abs/2501.09891.
原文ページを表示 Levi, N. 推論スケーリング則の単純モデル, 2024年. URL https://arxiv.org/abs/2410.16377.
原文ページを表示 LI, J., Beeching, E., Tunstall, L., Lipkin, B., Soletskyi, R., Huang, S. C., Rasul, K., Yu, L., Jiang, A., Shen, Z., Qin, Z., Dong, B., Zhou, L., Fleureau, Y., Lample, G., and Polu, S. NuminaMath, 2024年. URL https://github.com/project-numina/aimo-progress-prize/blob/main/report/numina_dataset.pdf.
原文ページを表示 Lightman, H., Kosaraju, V., Burda, Y., Edwards, H., Baker, B., Lee, T., Leike, J., Schulman, J., Sutskever, I., and Cobbe, K. 一歩ずつ検証しよう, 2023. URL https://arxiv.org/abs/2305.20050.
原文ページを表示 Ling, W., Yogatama, D., Dyer, C., and Blunsom, P. 根拠生成によるプログラム誘導:代数文章題を解き説明することを学習する, 2017. URL https://arxiv.org/abs/1705.04146.
原文ページを表示 Liu, J., Cui, L., Liu, H., Huang, D., Wang, Y., and Zhang, Y. Logiqa:論理的推論を伴う機械読解のためのチャレンジデータセット, 2020. URL https://arxiv.org/abs/2007.08124.
原文ページを表示 Liu, J., Cohen, A., Pasunuru, R., Choi, Y., Hajishirzi, H., and Celikyilmaz, A. 価値モデルを捨てないで!価値誘導モンテカルロ木探索デコーディングによるより好ましいテキストの生成, 2024. URL https://arxiv.org/abs/2309.15028.
原文ページを表示 Loshchilov, I. and Hutter, F. 分離型重み減衰正則化, 2019.
原文ページを表示 Luo, H., Sun, Q., Xu, C., Zhao, P., Lou, J., Tao, C., Geng, X., Lin, Q., Chen, S., Tang, Y., and Zhang, D. Wizardmath:強化学習されたevol-instructによる大規模言語モデルの数学的推論の強化, 2025. URL https://arxiv.org/abs/2308.09583.
原文ページを表示 Marten, R., Vu, T., Ji, C. C.- J., Sharma, K., Pimpalgaonkar, S., Dimakis, A., and Sathiamoorthy, M. Curator:合成データ作成のためのツール. https://github.com/bespokelabsai/curator, January 2025.
原文ページを表示 Muennighoff, N., Soldaini, L., Groeneveld, D., Lo, K., Morrison, J., Min, S., Shi, W., Walsh, P., Tafjord, O., Lambert, N., Gu, Y., Arora, S., Bhagia, A., Schwenk, D., Wadden, D., Wettig, A., Hui, B., Dettmers, T., Kiela, D., Farhadi, A., Smith, N. A., Koh, P. W., Singh, A., and Hajishirzi, H. Olmoe:オープンなMixture-of-Experts言語モデル, 2024. URL https://arxiv.org/abs/2409.02060.
原文ページを表示 of America, M. A. Aime, February 2024. URL https://artofproblemsolving.com/wiki/index.php/AIME_Problems_and_Solutions/.
原文ページを表示 OpenAI. LLMによる推論の学習, September 2024. URL https://openai.com/index/learning- to- reason- with- llms/.
原文ページを表示 OpenAI. Openai o3- mini, 2025. URL https://openai.com/index/openai- o3- mini/. Accessed: 2025- 02- 24.
原文ページを表示 Phan, L., Gatti, A., Han, Z., Li, N., Hu, J., Zhang, H., Shi, S., Choi, M., Agrawal, A., Chopra, A., et al. 人類最後の試験, 2025. URL https://arxiv.org/abs/2501.14249.
原文ページを表示 Qin, Y., Li, X., Zou, H., Liu, Y., Xia, S., Huang, Z., Ye, Y., Yuan, W., Liu, H., Li, Y., and Liu, P. O1再現の旅:戦略的進捗報告 - パート1, 2024. URL https://arxiv.org/abs/2410.18982.
原文ページを表示 Qwen, : Yang, A., Yang, B., Zhang, B., Hui, B., Zheng, B., Yu, B., Li, C., Liu, D., Huang, F., Wei, H., Lin, H., Yang, J., Tu, J., Zhang, J., Yang, J., Yang, J., Zhou, J., Lin, J., Dang, K., Lu, K., Bao, K., Yang, K., Yu, L., Li, M., Xue, M., Zhang, P., Zhu, Q., Men, R., Lin, R., Li, T., Xia, T., Ren, X., Ren, X., Fan, Y., Su, Y., Zhang, Y., Wan, Y., Liu, Y., Cui, Z., Zhang, Z., and Qiu, Z. Qwen2.5 テクニカルレポート, 2024. URL https://arxiv.org/abs/2412.15115.
原文ページを表示 Rein, D., Hou, B. L., Stickland, A. C., Petty, J., Pang, R. Y., Dirani, J., Michael, J., and Bowman, S. R. Gpqa:大学院レベルのGoogleプルーフQ&Aベンチマーク, 2023. URL https://arxiv.org/abs/2311.12022.
原文ページを表示 Shi, Q., Tang, M., Narasimhan, K., and Yao, S. 言語モデルはオリンピックプログラミングを解けるか?, 2024. URL https://arxiv.org/abs/2404.10952.
原文ページを表示 Snell, C., Lee, J., Xu, K., and Kumar, A. LLMのテスト時計算を最適にスケーリングすることはモデルパラメータのスケーリングよりも効果的でありうる, 2024. URL https://arxiv.org/abs/2408.03314.
原文ページを表示 Srivastava, A., Rastogi, A., Rao, A., Shoeb, A. A. M., Abid, A., Fisch, A., Brown, A. R., Santoro, A., Gupta, A., Garriga- Alonso, A., et al. 模倣ゲームの先へ:言語モデルの能力の定量化と外挿, 2023.
原文ページを表示 Su, H., Yen, H., Xia, M., Shi, W., Muennighoff, N., yu Wang, H., Liu, H., Shi, Q., Siegel, Z. S., Tang, M., Sun, R., Yoon, J., Arik, S. O., Chen, D., and Yu, T. Bright:推論集約型検索のための現実的で挑戦的なベンチマーク, 2024. URL https://arxiv.org/abs/2407.12883.
原文ページを表示 Sun, L., Han, Y., Zhao, Z., Ma, D., Shen, Z., Chen, B., Chen, L., and Yu, K. Scieval:科学研究のための多段階大規模言語モデル評価ベンチマーク, 2024. URL https://arxiv.org/abs/2308.13149.
原文ページを表示 Team, K., Du, A., Gao, B., Xing, B., Jiang, C., Chen, C., Li, C., Xiao, C., Du, C., Liao, C., Tang, C., Wang, C., Zhang, D., Yuan, E., Lu, E., Tang, F., Sung, F., Wei, G., Lai, G., Guo, H., Zhu, H., Ding, H., Hu, H., Yang, H., Zhang, H., Yao, H., Zhao, H., Lu, H., Li, H., Yu, H., Gao, H., Zheng, H., Yuan, H., Chen, J., Guo, J., Su, J., Wang, J., Zhao, J., Zhang, J., Liu, J., Yan, J., Wu, J., Shi, L., Ye, L., Yu, L., Dong, M., Zhang, N., Ma, N., Pan, Q., Gong, Q., Liu, S., Ma, S., Wei, S., Cao, S., Huang, S., Jiang, T., Gao, W., Xiong, W., He, W., Huang, W., Wu, W., He, W., Wei, X., Jia, X., Wu, X., Xu, X., Zu, X., Zhou, X., Pan, X., Charles, Y., Li, Y., Hu, Y., Liu, Y., Chen, Y., Wang, Y., Liu, Y., Qin, Y., Liu, Y., Yang, Y., Bao, Y., Du, Y., Wu, Y., Wang, Y., Zhou, Z., Wang, Z., Li, Z., Zhu, Z., Zhang, Z., Wang, Z., Yang, Z., Huang, Z., Huang, Z., Xu, Z., and Yang, Z. Kimi k1.5:LLMによる強化学習のスケーリング, 2025. URL https://arxiv.org/abs/2501.12599.
原文ページを表示 Team, N. Sky- tl:o1- preview性能を持つ完全オープンソースの推論モデルを450\(の予算で, 2025. URL https://novasky- ai.github.io/posts/sky- tl. Accessed: 2025- 01- 09.
原文ページを表示 Team, Q. Qwq:未知の境界を深く省みる, November 2024. URL https://qwenlm.github.io/blog/qwq- 32b- preview/.
原文ページを表示 Wang, J., Meng, F., Liang, Y., and Zhou, J. Drt- o1:長い思考連鎖による最適化された深い推論翻訳, 2024a. URL https://arxiv.org/abs/2412.17498.
原文ページを表示 Wang, P., Li, L., Shao, Z., Xu, R. X., Dai, D., Li, Y., Chen, D., Wu, Y., and Sui, Z. Math- shepherd:人手アノテーションなしでLLMを一歩ずつ検証・強化する, 2024b. URL https://arxiv.org/abs/2312.08935.
原文ページを表示 Wang, S., Liu, Z., Zhong, W., Zhou, M., Wei, Z., Chen, Z., and Duan, N. From Isat: The progress and challenges of complex reasoning, 2021. URL https://arxiv.org/abs/2108.00648.
原文ページを表示 Wang, Z., Dong, Y., Delalleau, O., Zeng, J., Shen, G., Egert, D., Zhang, J. J., Sreedhar, M. N., and Kuchaiev, O. Help-steer2: Open-source dataset for training top-performing reward models, 2024c. URL https://arxiv.org/abs/2406.08673.
原文ページを表示 Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q., and Zhou, D. Chain-of-thought prompting elicits reasoning in large language models, 2023. URL https://arxiv.org/abs/2201.11903.
原文ページを表示 Welleck, S., Bertsch, A., Finlayson, M., Schoelkopf, H., Xie, A., Neubig, G., Kulikov, I., and Harchaoui, Z. From decoding to meta-generation: Inference-time algorithms for large language models, 2024. URL https://arxiv.org/abs/2406.16838.
原文ページを表示 Wu, T., Lan, J., Yuan, W., Jiao, J., Weston, J., and Sukhbaatar, S. Thinking llms: General instruction following with thought generation, 2024a. URL https://arxiv.org/abs/2410.10630. Wu, Y., Sun, Z., Li, S., Welleck, S., and Yang, Y. Inference scaling laws: An empirical analysis of compute-optimal inference for problem-solving with language models, 2024b. URL https://arxiv.org/abs/2408.00724. Xiang, V., Snell, C., Gandhi, K., Albalak, A., Singh, A., Blagden, C., Phung, D., Rafailov, R., Lile, N., Mahan, D., Castricato, L., Franken, J.-P., Haber, N., and Finn, C. Towards system 2 reasoning in llms: Learning how to think with meta chain-of-thought, 2025. URL https://arxiv.org/abs/2501.04682. Xie, Y., Kawaguchi, K., Zhao, Y., Zhao, X., Kan, M.-Y., He, J., and Xie, Q. Self-evaluation guided beam search for reasoning, 2023. URL https://arxiv.org/abs/2305.00633. Xin, H., Guo, D., Shao, Z., Ren, Z., Zhu, Q., Liu, B., Ruan, C., Li, W., and Liang, X. Deepseek-prover: Advancing theorem proving in llms through large-scale synthetic data, 2024. URL https://arxiv.org/abs/2405.14333. Xu, H., Wu, X., Wang, W., Li, Z., Zheng, D., Chen, B., Hu, Y., Kang, S., Ji, J., Zhang, Y., Guo, Z., Yang, Y., Zhang, M., and Zhang, D. Redstar: Does scaling long-cot data unlock better slow-reasoning systems?, 2025. URL https://arxiv.org/abs/2501.11284. Yang, Z., Band, N., Li, S., Candès, E., and Hashimoto, T. Synthetic continued pretraining, 2024. URL https://arxiv.org/abs/2409.07431. Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., and Narasimhan, K. Tree of thoughts: Deliberate problem solving with large language models, 2023a. URL https://arxiv.org/abs/2305.10601. Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., and Cao, Y. React: Synergizing reasoning and acting in language models, 2023b. URL https://arxiv.org/abs/2210.03629. Ye, Y., Huang, Z., Xiao, Y., Chern, E., Xia, S., and Liu, P. Limo: Less is more for reasoning, 2025a. URL https://arxiv.org/abs/2502.03387. Ye, Y., Xiao, Y., Mi, T., and Liu, P. Aime-preview: A rigorous and immediate evaluation framework for advanced mathematical reasoning. https://github.com/GAIR-NLP/AIME-Preview, 2025b. GitHub repository.
原文ページを表示 Yu, L., Jiang, W., Shi, H., Yu, J., Liu, Z., Zhang, Y., Kwok, J. T., Li, Z., Weller, A., and Liu, W. Metamath: Bootstrap your own mathematical questions for large language models, 2024. URL https://arxiv.org/abs/2309.12284. Yuan, S., Chen, Z., Xi, Z., Ye, J., Du, Z., and Chen, J. Agent-r: Training language model agents to reflect via iterative self-training, 2025. URL https://arxiv.org/abs/2501.11425. Zelikman, E., Wu, Y., Mu, J., and Goodman, N. D. Star: Bootstrapping reasoning with reasoning, 2022. URL https://arxiv.org/abs/2203.14465. Zelikman, E., Harik, G., Shao, Y., Jayasiri, V., Haber, N., and Goodman, N. D. Quiet-star: Language models can teach themselves to think before speaking, 2024. URL https://arxiv.org/abs/2403.09629. Zhang, H. and Chen, C. Test-time compute scaling laws, 2024. URL https://github.com/hughbzhang/ol_inference_scaling_laws. Zhang, S., Chen, Z., Shen, Y., Ding, M., Tenenbaum, J. B., and Gan, C. Planning with large language models for code generation, 2023. URL https://arxiv.org/abs/2303.05510. Zhang, Y., Wu, S., Yang, Y., Shu, J., Xiao, J., Kong, C., and Sang, J. ol-coder: an ol replication for coding, 2024a. URL https://arxiv.org/abs/2412.00154. Zhang, Y., Yang, J., Yuan, Y., and Yao, A. C.-C. Cumulative reasoning with large language models, 2024b. URL https://arxiv.org/abs/2308.04371. Zhong, H., Xiao, C., Tu, C., Zhang, T., Liu, Z., and Sun, M. Jec-qa: A legal-domain question answering dataset, 2019. URL https://arxiv.org/abs/1911.12011. Zhong, W., Cui, R., Guo, Y., Liang, Y., Lu, S., Wang, Y., Saied, A., Chen, W., and Duan, N. Agieval: A human-centric benchmark for evaluating foundation models, 2023. URL https://arxiv.org/abs/2304.06364. Zhou, A., Yan, K., Shlapentokh-Rothman, M., Wang, H., and Wang, Y.-X. Language agent tree search unifies reasoning acting and planning in language models, 2024. URL https://arxiv.org/abs/2310.04406. Zhou, C., Liu, P., Xu, P., Iyer, S., Sun, J., Mao, Y., Ma, X., Efrat, A., Yu, P., Yu, L., Zhang, S., Ghosh, G., Lewis, M., Zettlemoyer, L., and Levy, O. Lima: Less is more for alignment, 2023. URL https://arxiv.org/abs/2305.11206.
原文ページを表示 2 s1Kを作成するための推論データキュレーション 2
原文ページを表示 2.1 59Kサンプルの初期収集 2
原文ページを表示 2.2 1Kサンプルの最終選定 2
原文ページを表示 5.1 データ量、多様性、難易度 6
原文ページを表示 5.2 テスト時スケーリング手法 6
原文ページを表示 6.1 サンプル効率の高い推論 8
原文ページを表示 C.2 全59K質問に対するデータセット構成 17
原文ページを表示 C.3 s1K採点プロンプト 19
原文ページを表示 D.1 トレーニングのアブレーション:系列長 21
原文ページを表示 D.2 トレーニングサンプル 21
原文ページを表示 E テスト時スケーリングの詳細 35
原文ページを表示 E.1 逐次スケーリングのアブレーション 35
原文ページを表示 E.2 棄却サンプリングのアブレーションの例 37
原文ページを表示 A. s1.1s1の公開から7日後、我々はs1.1を公開した。我々は、s1K内の1,000サンプルについて、DeepSeek r1 (DeepSeek-AI et al., 2025) を用いてトレースを再生成し、s1K-1.1を作成した。同じトレーニング手順を用いてモデルs1.1をトレーニングする。公開以降のその他の更新には、o3 (OpenAI, 2025)、LIMO (Ye et al., 2025a)、およびAIME 2025の公開が含まれる。我々はこれらすべての新たな展開を表5で考慮する。s1.1はs1よりも大幅に優れた性能を発揮することがわかった。また、Claude 3.7からの蒸留も試みたが、r1からの蒸留よりも性能が悪かった(報告せず)。
原文ページを表示 表5. s1-32Bはオープンでサンプル効率の高い推論モデルである。我々はs1-32B、Qwen、Geminiを評価する(一部の項目は不明(N.A.)、 § 4 \S 4 §4 参照)。その他の結果は、AIME 2025(Ye et al., 2025b)を除き、それぞれの報告書(Qwen et al., 2024; Team, 2024; OpenAI, 2024; 2025; DeepSeek-AI et al., 2025; Labs, 2025; Team, 2025)によるものである。# ex. = = = 推論ファインチューニングに使用した例数; B F = \mathrm{BF} = BF = バジェットフォーシング。 原文ページを表示 我々は、試した代替手段よりも高速であるため、vLLM (Kwon et al., 2023) を用いて評価を実行する。しかし、同じランダムシードと貪欲サンプリングを用いた場合でも、評価スコアが実行間で大きく変動し得ることがわかった:
原文ページを表示 異なるバッチサイズが異なる結果を引き起こす。https://github.com/vllm-project/vllm/issues/5898 を参照。生成の継続が異なる結果を引き起こす。https://github.com/vllm-project/vllm/issues/11783 を参照。テンソル並列性の変化が異なる結果を引き起こす。
原文ページを表示 我々のモデルは回答前に長い推論トレースを生成するため、小さな数値の変化が大きな差異へと雪だるま式に拡大し得る。我々は、数千トークンにわたって完全に同一でありながら、突然1つのトークンで異なり、最終的にはまったく異なる回答に至る多くの生成に遭遇する。この問題に部分的に対処するため、特に断りのない限り、最終評価は一般にフル精度を用いて実行する。
原文ページを表示 表6. 我々のデータセットs1Kの概要。トークン数はQwen-2.5トークナイザーで測定。Claudeに、その領域からいくつかの質問を与えてキーワードを生成するようプロンプトを出す。 原文ページを表示 C.2. 全59K質問に対するデータセット構成 原文ページを表示 表7. 全59K問の構成。思考長と応答長は、Qwen2.5-32B-Instructトークナイザー(Qwen et al., 2024)を用いてトークン単位で測定されている。評価ベンチマークであるAIME24を除外することに加えて、s1-32Bの開発段階でこれら90問を使用するため、2022年から2023年のAIME問題も除外している。 原文ページを表示 § 2 \S 2 §2 におけるデータセット選択のために、ある例が正しいかどうかを採点するため、我々は図8のプロンプトを用いる。最終的な1,000サンプル間の正誤を除き、Claude 3.5を用いて採点し、最終的な1,000サンプルについてはClaude 3.7で採点した。
原文ページを表示 あなたは科学問題を採点するAIアシスタントです。ユーザーは、問題そのもの、学生による解答の試み、および問題の正解を提供します。あなたの仕事は、解答の試みを正解と比較して、その試みが正しいかどうかを判定することです。期待される解答が数値または選択肢で結論づけられる場合、曖昧さがあってはなりません。期待される解答が推論過程全体を含む場合、必要に応じて正解を伴う推論過程が正しいかどうかに基づいて、その試みを判定すべきです。
原文ページを表示 ユーザーは、試みと正解を次の形式で提供します:
原文ページを表示 あなたの推論を説明し、回答の最後に新しい行で「はい」または「いいえ」(引用符なし)のみを記してください。
原文ページを表示 アルゴリズム1は、多様性選択段階におけるデータ選択のアルゴリズムを示す。 \(\S 2\) で述べたように、我々が高品質と見なす特定のベンチマークからのサンプルも含めている。いずれのサンプルも最終評価とは重複しない。
原文ページを表示 選択された例と評価ベンチマーク(MATH500、GPTQA Diamond、AIME24)との間の8-gramの重複をチェックすることにより、すべてのサンプルをフィルタリングする。8-gramを超える重複がある質問は除外する。
原文ページを表示 アルゴリズム1 s1Kのための2段階サンプリング 原文ページを表示 1: 入力: \(Q\coloneqq\) 特徴を持つ24,496個の質問の集合 2: 出力: \(S\coloneqq\) 選択された1,000個の質問の集合 3: \(S\leftarrow \emptyset\) 出力集合を初期化(一意な要素のみを追跡) 4: for \(q\in Q\) do 5: if IsGeminiCorrect \((q)\) and (IsAIME \((q)\) or IsGPQA \((q)\) ) then 6: \(S\gets S\cup \{q\}\) 7: 正しいAIME/GPQA解答をすべて選択 8: else if IsGeminiCorrect \((q)\) and IsMATH \((q)\) and ThinkingLength \((q) > 5600\) then 9: \(S\gets S\cup \{q\}\) 10: 長い思考連鎖を持つ正しいMATH500解答を選択 11: end if 12: end for 13: \(D\gets\) 利用可能なすべてのドメイン 14: ドメインプールを初期化 15: while \(|S|< 1000\) do 16: \(d\gets\) RandomChoice \((D)\) 17: ドメインをランダムに選択 18: \(Q_{d}\gets\) ドメイン \(d\) 内の質問 19: このドメインから質問を取得 20: ranks \(\leftarrow\) RankByThinkingLength \((Q_{d})\) 21: 思考長でランク付け 22: weights \(\leftarrow 2^{-}\) ranks 23: べき乗則の重み付けを適用 24: \(q\gets\) WeightedSample \((Q_{d}\) , weights) 25: 長い思考連鎖を優先してサンプリング 26: \(S\gets S\cup \{q\}\) 27: 選択した質問を追加 28: \(Q_{d}\gets Q_{d}\setminus \{q\}\) 29: if \(Q_{d} = \emptyset\) then 30: \(D\gets D\setminus \{d\}\) 31: 使い切ったドメインを削除 32: end if 33: end while
原文ページを表示 すでに事前学習および指示チューニング済みのモデルを取得し、推論のためにさらにファインチューニングする。具体的には、Qwen2.5- 32B- Instruct (Qwen et al., 2024)を使用する。これは数学タスクにおいて一般により大きなQwen2.5- 72B- Instruct (Qwen et al., 2024)や他のオープンモデル (Dubey et al., 2024; Groeneveld et al., 2024; Muennighoff et al., 2024)と同等かそれ以上である。思考段階と回答段階を分離するためにトークン区切り文字を使用する。思考段階を<|im_start|>thinkと<|im_start|>answerで囲み、両方とも前後に改行を置く。我々のデータセットからのサンプルは \(\S \mathrm{D}.2\) にある。基本的なファインチューニングのハイパーパラメータを使用する。すなわち、バッチサイズ16で5エポック、合計315勾配ステップでトレーニングする。bfloat16精度でトレーニングし、学習率は \(1e - 5\) とし、\(5\%\)(16ステップ)で線形にウォームアップした後、コサインスケジュールに従って残りのトレーニング(299ステップ)で0まで減衰させる。AdamWオプティマイザ (Loshchilov & Hutter, 2019)を使用し、 \(\beta_{1} = 0.9\) 、 \(\beta_{2} = 0.95\) 、weight decayは \(1e - 4\) とする。損失は質問に対しては計算せず、推論トレースと解答に対してのみ計算する。サンプルを切り捨てないよう、シーケンス長を十分に大きく確保する。この設定は \(\S \mathrm{D}.1\) でアブレーションする。トレーニングは16台のNVIDIA H100 GPU上でわずか26分かかる。
原文ページを表示 原文ページを表示 図9. s1K における s1-32B の学習ダイナミクス。
原文ページを表示 D.1. 学習アブレーション:系列長 原文ページを表示 表8. 学習系列長アブレーション。「精度 / サンプルあたりの平均思考トークン数」を報告する;精度が高く、思考トークン数(推論コスト)が少ないほど良い。
原文ページを表示 § 5.2 \S 5.2 §5.2 におけるスケーリングのアブレーションに加えて、我々がアブレーションする主な学習ハイパーパラメータは、学習中に使用する系列長である。より短い学習系列長は、テスト時に長い推論トレースにつながることを我々は見出した。これは、より短い系列長で学習すると、学習サンプルの解答部分がより頻繁に切り捨てられるためである。逆に、学習系列長がより長い場合、モデルが解答する部分を含めてより多くのサンプルが全体として現れる。したがって、モデルは、その連鎖に続いて解答を生成することを学習する、より多くの勾配更新を受け取る。このことが今度は、生成中の任意の時点における解答部分の対数確率をより高め、ひいてはテスト時に短い推論トレースにつながる。性能面でも、より長い系列長で学習したモデルの方が性能が良いことを我々は見出した。したがって我々は、より良い性能につながり、また短い推論トレースにつながることで推論をより効率的にするため、最長の学習系列長を選択する。
原文ページを表示 表9、表10、表11 は s1K からの学習サンプルを含む。
原文ページを表示 表9. s1-prob に由来する s1K サンプル。黒いテキストは問題であり、黄色いテキストは解答である。問題のみに基づいて、我々は Gemini を用いて水色の推論トレースと青色の応答を生成し、それを学習に用いる。
原文ページを表示 同一の確率空間 ( Ω , F , P ) (\Omega ,\mathcal{F},\mathbb{P}) ( Ω , F , P ) 上の可積分確率変数 X , Y 0 X,Y_{0} X , Y 0 および Z 0 Z_{0} Z 0 と、二つの σ \sigma σ - 加法族 A ⊂ F , B ⊂ F \mathcal{A}\subset \mathcal{F},\mathcal{B}\subset \mathcal{F} A ⊂ F , B ⊂ F が与えられている。 k = 1 , 2 , … k = 1,2,\ldots k = 1 , 2 , … に対して、
原文ページを表示 Y k ≔ E [ X ∣ σ ( A , Z 0 , … , Z k − 1 ) ] , Z k ≔ E [ X ∣ σ ( B , Y 0 , … , Y k − 1 ) ] . Y_{k}\coloneqq \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},\ldots ,Z_{k - 1})],\quad Z_{k}\coloneqq \mathbb{E}[X|\sigma (\mathcal{B},Y_{0},\ldots ,Y_{k - 1})]. Y k : = E [ X ∣ σ ( A , Z 0 , … , Z k − 1 )] , Z k : = E [ X ∣ σ ( B , Y 0 , … , Y k − 1 )] . 原文ページを表示 と定める。 (a) n → ∞ n\to \infty n → ∞ のとき E [ ∣ Y n − Y ∞ ∣ ] → 0 \mathbb{E}[|Y_{n} - Y_{\infty}|]\to 0 E [ ∣ Y n − Y ∞ ∣ ] → 0 と E [ ∣ Z n − Z ∞ ∣ ] → 0 \mathbb{E}[|Z_{n} - Z_{\infty}|]\to 0 E [ ∣ Z n − Z ∞ ∣ ] → 0 の両方が成り立つような可積分確率変数 Y ∞ Y_{\infty} Y ∞ および Z ∞ Z_{\infty} Z ∞ が存在することを示せ。(b) ほとんど確実に Y ∞ = Z ∞ Y_{\infty} = Z_{\infty} Y ∞ = Z ∞ であることを証明せよ。
原文ページを表示 1. すべての n ≥ 1 n\geq 1 n ≥ 1 に対して F n ≔ σ ( A , Z 0 , … , Z n − 1 ) F_{n}\coloneqq \sigma (\mathcal{A},Z_{0},\ldots ,Z_{n - 1}) F n : = σ ( A , Z 0 , … , Z n − 1 ) および G n ≔ σ ( B , Y 0 , … , Y n − 1 ) G_{n}\coloneqq \sigma (B,Y_{0},\ldots ,Y_{n - 1}) G n : = σ ( B , Y 0 , … , Y n − 1 ) とし、 F 0 ≔ A F_{0}\coloneqq \mathcal{A} F 0 : = A 、 G 0 ≔ B G_{0}\coloneqq \mathcal{B} G 0 : = B と記法を導入する。明らかに、両者はフィルトレーションであり、定義により、すべての n ≥ 0 n\geq 0 n ≥ 0 に対して Y n = E [ X ∣ F n ] Y_{n} = \mathbb{E}\left[X|F_{n}\right] Y n = E [ X ∣ F n ] および Z n = E [ X ∣ G n ] Z_{n} = \mathbb{E}\left[X|G_{n}\right] Z n = E [ X ∣ G n ] である。したがって { Y n } n ≥ 0 \left\{Y_{n}\right\}{n\geq 0} { Y n } n ≥ 0 (または { Z n } n ≥ 0 \left\{Z{n}\right\}{n\geq 0} { Z n } n ≥ 0 )はフィルトレーション { F n } n ≥ 0 \left\{F{n}\right\}{n\geq 0} { F n } n ≥ 0 (または { G n } n ≥ 0 \left\{G{n}\right\}_{n\geq 0} { G n } n ≥ 0 )に関する Doob マルチンゲールであり、ゆえに U.I. である( X X X は可積分である)。ここで、マルチンゲールが U.I. であることと L 1 L^{1} L 1 で収束することは同値であるという事実を適用して結論を得る。
原文ページを表示 2. 我々は二つの異なる証明を与える。
原文ページを表示 1. タワー性から従う次の恒等式に注目する。
原文ページを表示 E [ Y n ∣ G n ] = E [ E [ X ∣ F n ] ∣ G n ] = E [ E [ X ∣ G n ] ∣ F n ] = E [ Z n ∣ F n ] . ( 4 ) \mathbb{E}\left[Y_{n}|G_{n}\right] = \mathbb{E}\left[\mathbb{E}\left[X|F_{n}\right]|G_{n}\right] = \mathbb{E}\left[\mathbb{E}\left[X|G_{n}\right]|F_{n}\right] = \mathbb{E}\left[Z_{n}|F_{n}\right]. \quad (4) E [ Y n ∣ G n ] = E [ E [ X ∣ F n ] ∣ G n ] = E [ E [ X ∣ G n ] ∣ F n ] = E [ Z n ∣ F n ] . ( 4 ) 原文ページを表示 E [ E [ Y n ∣ G n ] − E [ Y ∞ ∣ G n ] ∣ ≤ E ∣ Y n − Y ∞ ∣ = o ( 1 ) \mathbb{E}[\mathbb{E}\left[Y_{n}|G_{n}\right] - \mathbb{E}\left[Y_{\infty}|G_{n}\right]|\leq \mathbb{E}|Y_{n} - Y_{\infty}| = o(1) E [ E [ Y n ∣ G n ] − E [ Y ∞ ∣ G n ] ∣ ≤ E ∣ Y n − Y ∞ ∣ = o ( 1 ) であり、Levy の上方定理により、 E [ Y ∞ ∣ G n ] ⟶ L 1 E [ Y ∞ ∣ G ∞ ] \mathbb{E}\left[Y_{\infty}|G_{n}\right]\stackrel {L^{1}}{\longrightarrow}\mathbb{E}\left[Y_{\infty}|G_{\infty}\right] E [ Y ∞ ∣ G n ] ⟶ L 1 E [ Y ∞ ∣ G ∞ ] であることに注意する。ここで G ∞ = σ ( ∪ n ≥ 0 G n ) = σ ( B , Y 0 , Y 1 … ) G_{\infty} = \sigma \left(\cup_{n\geq 0}G_{n}\right) = \sigma (B,Y_{0},Y_{1}\ldots) G ∞ = σ ( ∪ n ≥ 0 G n ) = σ ( B , Y 0 , Y 1 … ) である。 Y ∞ ∈ m G ∞ Y_{\infty}\in m G_{\infty} Y ∞ ∈ m G ∞ であることは明らかであり(なぜなら Y n ∈ m G n Y_{n}\in m G_{n} Y n ∈ m G n のほとんど確実な極限だからである)、ゆえにほとんど確実に E [ Y ∞ ∣ G ∞ ] = Y ∞ \mathbb{E}\left[Y_{\infty}|G_{\infty}\right] = Y_{\infty} E [ Y ∞ ∣ G ∞ ] = Y ∞ である。以上の観察を組み合わせると、 E [ Y n ∣ G n ] ⟶ L 1 Y ∞ \mathbb{E}\left[Y_{n}|G_{n}\right]\stackrel {L^{1}}{\longrightarrow}Y_{\infty} E [ Y n ∣ G n ] ⟶ L 1 Y ∞ であると結論できる。同様に、 E [ Z n ∣ F n ] ⟶ L 1 Z ∞ \mathbb{E}\left[Z_{n}|F_{n}\right]\stackrel {L^{1}}{\longrightarrow}Z_{\infty} E [ Z n ∣ F n ] ⟶ L 1 Z ∞ である。ここで式 (4) を用いて、ほとんど確実に Y ∞ = Z ∞ Y_{\infty} = Z_{\infty} Y ∞ = Z ∞ であると結論する。
原文ページを表示 2. X X X は可積分であるから、Levy の上方定理により、 Y ∞ = lim n → ∞ Y n = lim n → ∞ E [ X ∣ F n ] = E [ X ∣ F ∞ ] Y_{\infty} = \lim_{n\to \infty}Y_{n} = \lim_{n\to \infty}\mathbb{E}\left[X|F_{n}\right] = \mathbb{E}\left[X|F_{\infty}\right] Y ∞ = lim n → ∞ Y n = lim n → ∞ E [ X ∣ F n ] = E [ X ∣ F ∞ ] である。同様に、 Z ∞ = E [ X ∣ G ∞ ] Z_{\infty} = \mathbb{E}\left[X|G_{\infty}\right] Z ∞ = E [ X ∣ G ∞ ] である。一方、最初の証明で我々は Y ∞ ∈ m G ∞ Y_{\infty}\in m G_{\infty} Y ∞ ∈ m G ∞ であることを観察したので、 Y ∞ ∈ Y_{\infty}\in Y ∞ ∈ m G ∞ ∩ m F ∞ = m ( G ∞ ∩ F ∞ ) m G_{\infty}\cap m F_{\infty} = m\left(G_{\infty}\cap F_{\infty}\right) m G ∞ ∩ m F ∞ = m ( G ∞ ∩ F ∞ ) である。これにより次が得られる。
原文ページを表示 Y ∞ = E [ Y ∞ ∣ G ∞ ∩ F ∞ ] = E [ E [ X ∣ F ∞ ] ∣ G ∞ ∩ F ∞ ] = E [ X ∣ G ∞ ∩ F ∞ ] . Y_{\infty} = \mathbb{E}\left[Y_{\infty}|G_{\infty}\cap F_{\infty}\right] = \mathbb{E}\left[\mathbb{E}\left[X|F_{\infty}\right]|G_{\infty}\cap F_{\infty}\right] = \mathbb{E}\left[X|G_{\infty}\cap F_{\infty}\right]. Y ∞ = E [ Y ∞ ∣ G ∞ ∩ F ∞ ] = E [ E [ X ∣ F ∞ ] ∣ G ∞ ∩ F ∞ ] = E [ X ∣ G ∞ ∩ F ∞ ] . 原文ページを表示 同様に、 Z ∞ = E [ X ∣ G ∞ ∩ F ∞ ] Z_{\infty} = \mathbb{E}\left[X|G_{\infty}\cap F_{\infty}\right] Z ∞ = E [ X ∣ G ∞ ∩ F ∞ ] である。これにより、ほとんど確実に Y ∞ = Z ∞ Y_{\infty} = Z_{\infty} Y ∞ = Z ∞ であることが証明される。
原文ページを表示 問題を分析しよう。我々には、条件付き期待値によって定義される二つの確率変数列 Y k Y_{k} Y k と Z k Z_{k} Z k が与えられている。これらの列が L 1 L^{1} L 1 で収束すること、およびそれらの極限がほとんど確実に等しいことを示す必要がある。
原文ページを表示 パート (a): L 1 L^{1} L 1 における収束。
原文ページを表示 関与するシグマ加法族は増大している:
原文ページを表示
F k = σ ( A , Z 0 , … , Z k − 1 ) F_{k} = \sigma (\mathcal{A},Z_{0},\ldots ,Z_{k - 1}) F k = σ ( A , Z 0 , … , Z k − 1 )
原文ページを表示
G k = σ ( B , Y 0 , … , Y k − 1 ) G_{k} = \sigma (B,Y_{0},\ldots ,Y_{k - 1}) G k = σ ( B , Y 0 , … , Y k − 1 )
原文ページを表示
Y 1 = E [ X ∣ σ ( A ) ] Y_{1} = \mathbb{E}[X|\sigma (\mathcal{A})] Y 1 = E [ X ∣ σ ( A )]
原文ページを表示
Y 2 = E [ X ∣ σ ( A , Z 0 ) ] Y_{2} = \mathbb{E}[X|\sigma (\mathcal{A},Z_{0})] Y 2 = E [ X ∣ σ ( A , Z 0 )]
原文ページを表示
Y 3 = E [ X ∣ σ ( A , Z 0 , Z 1 ) ] Y_{3} = \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1})] Y 3 = E [ X ∣ σ ( A , Z 0 , Z 1 )]
原文ページを表示 シグマ加法族の列 σ ( A , Z 0 , … , Z k − 1 ) \sigma (\mathcal{A},Z_{0},\ldots ,Z_{k - 1}) σ ( A , Z 0 , … , Z k − 1 ) は増大している。マルチンゲール収束定理(条件付き期待値に対するもの)により、 X X X は可積分であるから、列 Y k Y_{k} Y k は概収束し、かつ L 1 L^{1} L 1 で E [ X ∣ σ ( A , Z 0 , Z 1 , … ) ] \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1},\ldots)] E [ X ∣ σ ( A , Z 0 , Z 1 , … )] に収束する。 Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … ) ] Y_{\infty} = \mathbb{E}[X|\sigma (\mathcal{A},Z_{0},Z_{1},\ldots)] Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … )] とおく。
原文ページを表示 同様に、 Z k Z_{k} Z k 列について:
原文ページを表示 Z 1 = E [ X ∣ σ ( B ) ] Z 2 = E [ X ∣ σ ( B , Y 0 ) ] Z 3 = E [ X ∣ σ ( B , Y 0 , Y 1 ) ] \begin{array}{c} Z_{1} = \mathbb{E}[X|\sigma (B)] \\ Z_{2} = \mathbb{E}[X|\sigma (B,Y_{0})] \\ Z_{3} = \mathbb{E}[X|\sigma (B,Y_{0},Y_{1})] \end{array} Z 1 = E [ X ∣ σ ( B )] Z 2 = E [ X ∣ σ ( B , Y 0 )] Z 3 = E [ X ∣ σ ( B , Y 0 , Y 1 )] 原文ページを表示 シグマ加法族の列 σ ( B , Y 0 , … , Y k − 1 ) \sigma (B,Y_{0},\ldots ,Y_{k - 1}) σ ( B , Y 0 , … , Y k − 1 ) は増大している。マルチンゲール収束定理により、列 Z k Z_{k} Z k は概収束し、かつ L 1 L^{1} L 1 で E [ X ∣ σ ( B , Y 0 , Y 1 , … ) ] \mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] E [ X ∣ σ ( B , Y 0 , Y 1 , … )] に収束する。 Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … ) ] Z_{\infty} = \mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … )] とおく。
原文ページを表示 部分 (b):概然に Y ∞ = Z ∞ Y_{\infty} = Z_{\infty} Y ∞ = Z ∞ であることを証明せよ。
原文ページを表示 Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … ) ] Y_{\infty} = \mathbb{E}[X|\sigma (A,Z_{0},Z_{1},\ldots)] Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … )] および Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … ) ] Z_{\infty} = \mathbb{E}[X|\sigma (B,Y_{0},Y_{1},\ldots)] Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … )] が成り立つ。
原文ページを表示 Y ∞ = σ ( A , Z 0 , Z 1 , … ) \mathcal{Y}{\infty} = \sigma (A,Z{0},Z_{1},\ldots) Y ∞ = σ ( A , Z 0 , Z 1 , … ) および Z ∞ = σ ( B , Y 0 , Y 1 , … ) Z_{\infty} = \sigma (B,Y_{0},Y_{1},\ldots) Z ∞ = σ ( B , Y 0 , Y 1 , … ) とおく。
原文ページを表示 このとき Y ∞ = E [ X ∣ Y ∞ ] Y_{\infty} = \mathbb{E}[X|\mathcal{Y}{\infty}] Y ∞ = E [ X ∣ Y ∞ ] および Z ∞ = E [ X ∣ Z ∞ ] Z{\infty} = \mathbb{E}[X|Z_{\infty}] Z ∞ = E [ X ∣ Z ∞ ] である。
原文ページを表示 Y 1 = E [ X ∣ A ] Y_{1} = \mathbb{E}[X|\mathcal{A}] Y 1 = E [ X ∣ A ] を考える。 Z 1 = E [ X ∣ B ] Z_{1} = \mathbb{E}[X|B] Z 1 = E [ X ∣ B ] である。
原文ページを表示 Y 2 = E [ X ∣ σ ( A , Z 0 ) ] Y_{2} = \mathbb{E}[X|\sigma (A,Z_{0})] Y 2 = E [ X ∣ σ ( A , Z 0 )] 。 Z 0 = E [ X ∣ B ] Z_{0} = \mathbb{E}[X|B] Z 0 = E [ X ∣ B ] であるから、 σ ( A , Z 0 ) = σ ( A , E [ X ∣ B ] ) \sigma (A,Z_{0}) = \sigma (A,\mathbb{E}[X|B]) σ ( A , Z 0 ) = σ ( A , E [ X ∣ B ]) である。
原文ページを表示 Z 2 = E [ X ∣ σ ( B , Y 0 ) ] Z_{2} = \mathbb{E}[X|\sigma (B,Y_{0})] Z 2 = E [ X ∣ σ ( B , Y 0 )] 。 Y 0 Y_{0} Y 0 は定義されていないので、 Y 0 Y_{0} Y 0 と Z 0 Z_{0} Z 0 は与えられているものと仮定しよう。
原文ページを表示 すべての Y i Y_{i} Y i と Z i Z_{i} Z i によって生成されるシグマ代数を考えよう。
原文ページを表示 G = σ ( Y 0 , Z 0 , Y 1 , Z 1 , … ) G = \sigma (Y_{0},Z_{0},Y_{1},Z_{1},\ldots) G = σ ( Y 0 , Z 0 , Y 1 , Z 1 , … ) とする。
原文ページを表示 Y k Y_{k} Y k と Z k Z_{k} Z k はともに G G G に関して可測である。したがって、 Y ∞ Y_{\infty} Y ∞ と Z ∞ Z_{\infty} Z ∞ は G G G に関して可測である。
原文ページを表示 E [ Y n + 1 ∣ A , Z 0 , … , Z n − 1 ] = E [ E [ X ∣ σ ( A , Z 0 , … , Z n ) ] ∣ A , Z 0 , … , Z n − 1 ] = Y n \mathbb{E}[Y_{n + 1}|\mathcal{A},Z_{0},\ldots ,Z_{n - 1}] = \mathbb{E}[\mathbb{E}[X|\sigma (A,Z_{0},\ldots ,Z_{n})]|\mathcal{A},Z_{0},\ldots ,Z_{n - 1}] = Y_{n} E [ Y n + 1 ∣ A , Z 0 , … , Z n − 1 ] = E [ E [ X ∣ σ ( A , Z 0 , … , Z n )] ∣ A , Z 0 , … , Z n − 1 ] = Y n を考えよう。
原文ページを表示 E [ Z n + 1 ∣ B , Y 0 , … , Y n − 1 ] = E [ E [ X ∣ σ ( B , Y 0 , … , Y n ) ] ∣ B , Y 0 , … , Y n − 1 ] = Z n \mathbb{E}[Z_{n + 1}|B,Y_{0},\ldots ,Y_{n - 1}] = \mathbb{E}[\mathbb{E}[X|\sigma (B,Y_{0},\ldots ,Y_{n})]|B,Y_{0},\ldots ,Y_{n - 1}] = Z_{n} E [ Z n + 1 ∣ B , Y 0 , … , Y n − 1 ] = E [ E [ X ∣ σ ( B , Y 0 , … , Y n )] ∣ B , Y 0 , … , Y n − 1 ] = Z n を考えよう。
原文ページを表示 H = σ ( A ∪ B ∪ σ ( Y 0 , Z 0 , Y 1 , Z 1 , … ) ) \mathcal{H} = \sigma (A\cup B\cup \sigma (Y_{0},Z_{0},Y_{1},Z_{1},\ldots)) H = σ ( A ∪ B ∪ σ ( Y 0 , Z 0 , Y 1 , Z 1 , … )) とする。
原文ページを表示 E [ X ∣ A , Z 0 , … , Z k − 1 ] = Y k \mathbb{E}[X|\mathcal{A},Z_{0},\ldots ,Z_{k - 1}] = Y_{k} E [ X ∣ A , Z 0 , … , Z k − 1 ] = Y k を考えよう。
原文ページを表示 E [ X ∣ B , Y 0 , … , Y k − 1 ] = Z k \mathbb{E}[X|B,Y_{0},\ldots ,Y_{k - 1}] = Z_{k} E [ X ∣ B , Y 0 , … , Y k − 1 ] = Z k を考えよう。
原文ページを表示 極限シグマ代数 Y ∞ = σ ( A , Z 0 , Z 1 , … ) \mathcal{Y}{\infty} = \sigma (A,Z{0},Z_{1},\ldots) Y ∞ = σ ( A , Z 0 , Z 1 , … ) と Z ∞ = σ ( B , Y 0 , Y 1 , … ) Z_{\infty} = \sigma (B,Y_{0},Y_{1},\ldots) Z ∞ = σ ( B , Y 0 , Y 1 , … ) を考えよう。
原文ページを表示 Y ∞ Y_{\infty} Y ∞ は Y ∞ \mathcal{Y}{\infty} Y ∞ 可測であり、 Z ∞ Z{\infty} Z ∞ は Z ∞ Z_{\infty} Z ∞ 可測であることがわかっている。
原文ページを表示 C = σ ( A ∪ B ) C = \sigma (A\cup B) C = σ ( A ∪ B ) とする。
原文ページを表示 Y 1 = E [ X ∣ A ] . Z 1 = E [ X ∣ B ] . Y_{1} = \mathbb{E}[X|\mathcal{A}]. Z_{1} = \mathbb{E}[X|B]. Y 1 = E [ X ∣ A ] . Z 1 = E [ X ∣ B ] . 原文ページを表示 Y 2 = E [ X ∣ σ ( A , Z 0 ) ] = E [ X ∣ σ ( A , E [ X ∣ B ] ) ] . Y_{2} = \mathbb{E}[X|\sigma (A,Z_{0})] = \mathbb{E}[X|\sigma (A,\mathbb{E}[X|B])]. Y 2 = E [ X ∣ σ ( A , Z 0 )] = E [ X ∣ σ ( A , E [ X ∣ B ])] . 原文ページを表示 Z 2 = E [ X ∣ σ ( B , Y 0 ) ] = E [ X ∣ σ ( B , E [ X ∣ A ] ) ] . Z_{2} = \mathbb{E}[X|\sigma (B,Y_{0})] = \mathbb{E}[X|\sigma (B,\mathbb{E}[X|A])]. Z 2 = E [ X ∣ σ ( B , Y 0 )] = E [ X ∣ σ ( B , E [ X ∣ A ])] . 原文ページを表示 A \mathcal{A} A と B B B が独立である場合を考えよう。そのとき Y 1 = E [ X ∣ A ] Y_{1} = \mathbb{E}[X|\mathcal{A}] Y 1 = E [ X ∣ A ] および Z 1 = E [ X ∣ B ] Z_{1} = \mathbb{E}[X|B] Z 1 = E [ X ∣ B ] である。
原文ページを表示 Y 2 = E [ X ∣ σ ( A , E [ X ∣ B ] ) ] Y_{2} = \mathbb{E}[X|\sigma (A,\mathbb{E}[X|B])] Y 2 = E [ X ∣ σ ( A , E [ X ∣ B ])] 。
原文ページを表示 すべての情報によって生成されるシグマ代数を考えよう。 F ∞ = σ ( A , B , Y 0 , Z 0 , Y 1 , Z 1 , … ) F_{\infty} = \sigma (A,B,Y_{0},Z_{0},Y_{1},Z_{1},\ldots) F ∞ = σ ( A , B , Y 0 , Z 0 , Y 1 , Z 1 , … ) とする。
原文ページを表示 そのとき Y ∞ Y_{\infty} Y ∞ と Z ∞ Z_{\infty} Z ∞ はともに F ∞ F_{\infty} F ∞ 可測である。
原文ページを表示 Y ∞ = lim n → ∞ Y n Y_{\infty} = \lim_{n\to \infty}Y_{n} Y ∞ = lim n → ∞ Y n および Z ∞ = lim n → ∞ Z n Z_{\infty} = \lim_{n\to \infty}Z_{n} Z ∞ = lim n → ∞ Z n が概収束および L 1 L^{1} L 1 で成り立つ。
原文ページを表示 E [ X ∣ A , Z 0 , Z 1 , … ] = Y ∞ \mathbb{E}[X|\mathcal{A},Z_{0},Z_{1},\ldots ] = Y_{\infty} E [ X ∣ A , Z 0 , Z 1 , … ] = Y ∞ および E [ X ∣ B , Y 0 , Y 1 , … ] = Z ∞ \mathbb{E}[X|B,Y_{0},Y_{1},\ldots ] = Z_{\infty} E [ X ∣ B , Y 0 , Y 1 , … ] = Z ∞ を考えよう。
原文ページを表示 H ∞ = σ ( A ∪ B ) \mathcal{H}_{\infty} = \sigma (A\cup B) H ∞ = σ ( A ∪ B ) とする。
原文ページを表示 E [ X ∣ H ∞ ] \mathbb{E}[X|\mathcal{H}_{\infty}] E [ X ∣ H ∞ ] を考えよう。
原文ページを表示 Y ∞ Y_{\infty} Y ∞ と Z ∞ Z_{\infty} Z ∞ の両方が E [ X ∣ σ ( A ∨ B ) ] \mathbb{E}[X|\sigma (A\vee B)] E [ X ∣ σ ( A ∨ B )] に等しいことを示してみよう。これはあまりにも単純すぎるように思われる。
原文ページを表示 条件付き期待値の定義を考えよう。任意の集合 A ∈ Y ∞ A\in \mathcal{Y}{\infty} A ∈ Y ∞ に対して、 E [ Y ∞ ∣ A ] = E [ X ∣ A ] \mathbb{E}[Y{\infty}|{A}] = \mathbb{E}[X|{A}] E [ Y ∞ ∣ A ] = E [ X ∣ A ] である。
原文ページを表示 任意の集合 B ∈ Z ∞ B\in \mathcal{Z}{\infty} B ∈ Z ∞ に対して、 E [ Z ∞ ∣ B ] = E [ X ∣ B ] \mathbb{E}[Z{\infty}|{B}] = \mathbb{E}[X|{B}] E [ Z ∞ ∣ B ] = E [ X ∣ B ] である。
原文ページを表示 F k = σ ( A , Z 0 , … , Z k − 1 ) F_{k} = \sigma (A,Z_{0},\ldots ,Z_{k - 1}) F k = σ ( A , Z 0 , … , Z k − 1 ) として、 E [ Y k + 1 ∣ F k ] = Y k \mathbb{E}[Y_{k + 1}|F_{k}] = Y_{k} E [ Y k + 1 ∣ F k ] = Y k を考えよう。
原文ページを表示 G k = σ ( B , Y 0 , … , Y k − 1 ) G_{k} = \sigma (B,Y_{0},\ldots ,Y_{k - 1}) G k = σ ( B , Y 0 , … , Y k − 1 ) として、 E [ Z k + 1 ∣ G k ] = Z k \mathbb{E}[Z_{k + 1}|G_{k}] = Z_{k} E [ Z k + 1 ∣ G k ] = Z k を考えよう。
原文ページを表示 シグマ代数 σ ( A ∪ B ) \sigma (A\cup B) σ ( A ∪ B ) を考えよう。
原文ページを表示 W = E [ X ∣ σ ( A ∪ B ) ] W = \mathbb{E}[X|\sigma (A\cup B)] W = E [ X ∣ σ ( A ∪ B )] とする。
原文ページを表示 Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … ) ] Y_{\infty} = \mathbb{E}[X|\sigma (A,Z_{0},Z_{1},\ldots)] Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … )] である。
原文ページを表示 Z k Z_{k} Z k は Y k − 1 Y_{k - 1} Y k − 1 に依存し、それは Z k − 2 Z_{k - 2} Z k − 2 などに依存するので、複雑である。
原文ページを表示 Y 0 = E [ X ∣ A ] Y_{0} = \mathbb{E}[X|\mathcal{A}] Y 0 = E [ X ∣ A ] および Z 0 = E [ X ∣ B ] Z_{0} = \mathbb{E}[X|B] Z 0 = E [ X ∣ B ] である場合を考えよう。
原文ページを表示 そのとき Y 1 = E [ X ∣ A ] = Y 0 Y_{1} = \mathbb{E}[X|\mathcal{A}] = Y_{0} Y 1 = E [ X ∣ A ] = Y 0 である。
原文ページを表示 Z 1 = E [ X ∣ B ] = Z 0 . Z_{1} = \mathbb{E}[X|B] = Z_{0}. Z 1 = E [ X ∣ B ] = Z 0 . 原文ページを表示 もしそうなら、 Y k = Y 0 Y_{k} = Y_{0} Y k = Y 0 かつ Z k = Z 0 Z_{k} = Z_{0} Z k = Z 0 となるので、 Y ∞ = Y 0 Y_{\infty} = Y_{0} Y ∞ = Y 0 かつ Z ∞ = Z 0 Z_{\infty} = Z_{0} Z ∞ = Z 0 である。
原文ページを表示 我々には Y 0 = Z 0 Y_{0} = Z_{0} Y 0 = Z 0 が概収束(a.s.)で必要である。すなわち、 E [ X ∣ A ] = E [ X ∣ B ] \mathbb{E}[X|\mathcal{A}] = \mathbb{E}[X|B] E [ X ∣ A ] = E [ X ∣ B ] が a.s. で成り立つ必要がある。これは一般には真ではない。
原文ページを表示 すべての Y i Y_{i} Y i と Z i Z_{i} Z i によって生成されるシグマ代数を考え、これを G ∞ = σ ( Y 0 , Z 0 , Y 1 , Z 1 , … ) \mathcal{G}{\infty} = \sigma (Y{0},Z_{0},Y_{1},Z_{1},\ldots) G ∞ = σ ( Y 0 , Z 0 , Y 1 , Z 1 , … ) と表す。
原文ページを表示 このとき、 Y ∞ = σ ( A , Z 0 , Z 1 , … ) ⊆ σ ( A , G ∞ ) \mathcal{Y}{\infty} = \sigma (A,Z{0},Z_{1},\ldots)\subseteq \sigma (A,G_{\infty}) Y ∞ = σ ( A , Z 0 , Z 1 , … ) ⊆ σ ( A , G ∞ ) である。
原文ページを表示 Z ∞ = σ ( B , Y 0 , Y 1 , … ) ⊆ σ ( B , G ∞ ) \mathcal{Z}{\infty} = \sigma (B,Y{0},Y_{1},\ldots)\subseteq \sigma (B,G_{\infty}) Z ∞ = σ ( B , Y 0 , Y 1 , … ) ⊆ σ ( B , G ∞ ) である。 E [ X ∣ A , Z 0 , Z 1 , … ] = Y ∞ \mathbb{E}[X|A,Z_{0},Z_{1},\ldots ] = Y_{\infty} E [ X ∣ A , Z 0 , Z 1 , … ] = Y ∞ を考える。これは、任意の A ∈ σ ( A , Z 0 , Z 1 , … ) A\in \sigma (A,Z_{0},Z_{1},\ldots) A ∈ σ ( A , Z 0 , Z 1 , … ) に対して E [ X 1 A ] = E [ Y ∞ 1 A ] \mathbb{E}[X1_{A}] = \mathbb{E}[Y_{\infty 1_{A}}] E [ X 1 A ] = E [ Y ∞ 1 A ] を意味する。
原文ページを表示 E [ X ∣ B , Y 0 , Y 1 , … ] = Z ∞ \mathbb{E}[X|B,Y_{0},Y_{1},\ldots ] = Z_{\infty} E [ X ∣ B , Y 0 , Y 1 , … ] = Z ∞ を考える。これは、任意の B ∈ σ ( B , Y 0 , Y 1 , … ) B\in \sigma (B,Y_{0},Y_{1},\ldots) B ∈ σ ( B , Y 0 , Y 1 , … ) に対して E [ X 1 B ] = E [ Z ∞ 1 B ] \mathbb{E}[X1_{B}] = \mathbb{E}[Z_{\infty 1_{B}}] E [ X 1 B ] = E [ Z ∞ 1 B ] を意味する。
原文ページを表示 H = σ ( A , B ) \mathcal{H} = \sigma (A,B) H = σ ( A , B ) とする。
原文ページを表示 E [ X ∣ H ] \mathbb{E}[X|\mathcal{H}] E [ X ∣ H ] を考える。
原文ページを表示 E [ Y ∞ ∣ B , Y 0 , Y 1 , … ] = E [ E [ X ∣ A , Z 0 , Z 1 , … ] ∣ B , Y 0 , Y 1 , … ] \mathbb{E}[Y_{\infty}|B,Y_{0},Y_{1},\ldots ] = \mathbb{E}[\mathbb{E}[X|A,Z_{0},Z_{1},\ldots ]|B,Y_{0},Y_{1},\ldots ] E [ Y ∞ ∣ B , Y 0 , Y 1 , … ] = E [ E [ X ∣ A , Z 0 , Z 1 , … ] ∣ B , Y 0 , Y 1 , … ] を考える。
原文ページを表示 Y ∞ Y_{\infty} Y ∞ が σ ( A , Z 0 , Z 1 , … ) \sigma (A,Z_{0},Z_{1},\ldots) σ ( A , Z 0 , Z 1 , … ) 可測であり、 Z ∞ Z_{\infty} Z ∞ が σ ( B , Y 0 , Y 1 , … ) \sigma (B,Y_{0},Y_{1},\ldots) σ ( B , Y 0 , Y 1 , … ) 可測であるという事実を用いよう。
原文ページを表示 σ ( A , Z 0 , Z 1 , … ) \sigma (A,Z_{0},Z_{1},\ldots) σ ( A , Z 0 , Z 1 , … ) と σ ( B , Y 0 , Y 1 , … ) \sigma (B,Y_{0},Y_{1},\ldots) σ ( B , Y 0 , Y 1 , … ) の両方を含む最小のシグマ代数を考える。
原文ページを表示 これは σ ( A ∪ B ∪ { Y i } i ≥ 0 ∪ { Z i } i ≥ 0 ) \sigma (A\cup B\cup \{Y_{i}\}{i\geq 0}\cup \{Z{i}\}_{i\geq 0}) σ ( A ∪ B ∪ { Y i } i ≥ 0 ∪ { Z i } i ≥ 0 ) である。
原文ページを表示 E [ ( Y ∞ − Z ∞ ) 2 ] = 0 \mathbb{E}[(Y_{\infty} - Z_{\infty})^{2}] = 0 E [( Y ∞ − Z ∞ ) 2 ] = 0 を示してみよう。
原文ページを表示
E [ ( Y ∞ − Z ∞ ) 2 ] = E [ Y ∞ 2 ] + E [ Z ∞ 2 ] − 2 E [ Y ∞ Z ∞ ] \mathbb{E}[(Y_{\infty} - Z_{\infty})^{2}] = \mathbb{E}[Y_{\infty}^{2}] + \mathbb{E}[Z_{\infty}^{2}] - 2\mathbb{E}[Y_{\infty}Z_{\infty}] E [( Y ∞ − Z ∞ ) 2 ] = E [ Y ∞ 2 ] + E [ Z ∞ 2 ] − 2 E [ Y ∞ Z ∞ ]
原文ページを表示 Y k Y_{k} Y k と Z k Z_{k} Z k の定義を考える。
原文ページを表示
E [ Y k + 1 ∣ A , Z 0 , … , Z k − 1 ] = Y k \mathbb{E}[Y_{k + 1}|A,Z_{0},\ldots ,Z_{k - 1}] = Y_{k} E [ Y k + 1 ∣ A , Z 0 , … , Z k − 1 ] = Y k
原文ページを表示
E [ Z k + 1 ∣ B , Y 0 , … , Y k − 1 ] = Z k \mathbb{E}[Z_{k + 1}|B,Y_{0},\ldots ,Y_{k - 1}] = Z_{k} E [ Z k + 1 ∣ B , Y 0 , … , Y k − 1 ] = Z k
原文ページを表示 E [ Y ∞ ∣ B , Y 0 , Y 1 , … ] \mathbb{E}[Y_{\infty}|B,Y_{0},Y_{1},\ldots ] E [ Y ∞ ∣ B , Y 0 , Y 1 , … ] を考える。
原文ページを表示 Y ∞ Y_{\infty} Y ∞ は σ ( A , Z 0 , Z 1 , … ) \sigma (A,Z_{0},Z_{1},\ldots) σ ( A , Z 0 , Z 1 , … ) に関して可測であるため、これは容易には簡略化されない。
原文ページを表示 Y ∞ ≠ Z ∞ Y_{\infty}\neq Z_{\infty} Y ∞ = Z ∞ が正の測度を持つ集合上で成り立つと仮定しよう。
原文ページを表示 A A A と B B B が自明である場合を考える。
原文ページを表示 このとき Y k = E [ X ∣ σ ( Z 0 , … , Z k − 1 ) ] Y_{k} = \mathbb{E}[X|\sigma (Z_{0},\ldots ,Z_{k - 1})] Y k = E [ X ∣ σ ( Z 0 , … , Z k − 1 )] かつ Z k = E [ X ∣ σ ( Y 0 , … , Y k − 1 ) ] Z_{k} = \mathbb{E}[X|\sigma (Y_{0},\ldots ,Y_{k - 1})] Z k = E [ X ∣ σ ( Y 0 , … , Y k − 1 )] である。
原文ページを表示 翻訳対象のテキスト:
\(\mathcal{H}{\infty} = \sigma (A\cup B\cup \{Y{i},Z_{i}\}_{i\geq 0})\) とする。
原文ページを表示 \(\mathbb{E}[X|\mathcal{H}_{\infty}]\) を考える。
原文ページを表示 \(Y_{\infty} = \mathbb{E}[X|\sigma (A,Z_{0},Z_{1},\ldots)]\) が成り立つ。
原文ページを表示 条件付き期待値の性質により、\(\mathbb{E}[Y_{\infty}|\mathcal{A}] = \mathbb{E}[\mathbb{E}[X|\mathcal{A},Z_{0},Z_{1},\ldots ]|\mathcal{A}]\) が成り立つ。
原文ページを表示 関与するすべての確率変数によって生成されるシグマ代数 \(D\) を考える。
原文ページを表示
D = σ ( A ∪ B ∪ { Y i } i ≥ 0 ∪ { Z i } i ≥ 0 ) D = \sigma (A\cup B\cup \{Y_{i}\}{i\geq 0}\cup \{Z{i}\}_{i\geq 0}) D = σ ( A ∪ B ∪ { Y i } i ≥ 0 ∪ { Z i } i ≥ 0 )
原文ページを表示 \(M_{\infty} = \mathbb{E}[X|A\vee B]\) とする。
原文ページを表示 極限を考える。 n → ∞ n\to \infty n → ∞ のとき σ ( A , Z 0 , … , Z n − 1 ) ↑ σ ( A , Z 0 , Z 1 , … ) \sigma (A,Z_{0},\ldots ,Z_{n - 1})\uparrow \sigma (A,Z_{0},Z_{1},\ldots) σ ( A , Z 0 , … , Z n − 1 ) ↑ σ ( A , Z 0 , Z 1 , … )
原文ページを表示 n → ∞ n\to \infty n → ∞ のとき σ ( B , Y 0 , … , Y n − 1 ) ↑ σ ( B , Y 0 , Y 1 , … ) \sigma (B,Y_{0},\ldots ,Y_{n - 1})\uparrow \sigma (B,Y_{0},Y_{1},\ldots) σ ( B , Y 0 , … , Y n − 1 ) ↑ σ ( B , Y 0 , Y 1 , … )
原文ページを表示 Y ∞ = σ ( A , Z 0 , Z 1 , … ) Y_{\infty} = \sigma (A,Z_{0},Z_{1},\ldots) Y ∞ = σ ( A , Z 0 , Z 1 , … ) および Z ∞ = σ ( B , Y 0 , Y 1 , … ) Z_{\infty} = \sigma (B,Y_{0},Y_{1},\ldots) Z ∞ = σ ( B , Y 0 , Y 1 , … ) とする。
原文ページを表示 Y ∞ = E [ X ∣ Y ∞ ] Y_{\infty} = \mathbb{E}[X|Y_{\infty}] Y ∞ = E [ X ∣ Y ∞ ] および Z ∞ = E [ X ∣ Z ∞ ] Z_{\infty} = \mathbb{E}[X|Z_{\infty}] Z ∞ = E [ X ∣ Z ∞ ] が成り立つ。
原文ページを表示 \(\mathbb{E}[Y_{\infty} - Z_{\infty}]^{2} = \mathbb{E}[(Y_{\infty} - X) + (X - Z_{\infty})]^{2}\) を考える。
原文ページを表示 = E [ ( Y ∞ − X ) 2 ] + E [ ( X − Z ∞ ) 2 ] + 2 E [ ( Y ∞ − X ) ( X − Z ∞ ) ] = \mathbb{E}[(Y_{\infty} - X)^{2}] + \mathbb{E}[(X - Z_{\infty})^{2}] + 2\mathbb{E}[(Y_{\infty} - X)(X - Z_{\infty})] = E [( Y ∞ − X ) 2 ] + E [( X − Z ∞ ) 2 ] + 2 E [( Y ∞ − X ) ( X − Z ∞ )] 原文ページを表示 = E [ ( X − E [ X ∣ Y ∞ ] ) 2 ] + E [ ( X − E [ X ∣ Z ∞ ] ) 2 ] + 2 E [ Y ∞ X − Y ∞ Z ∞ − X 2 + X Z ∞ ] = \mathbb{E}[(X - \mathbb{E}[X|Y_{\infty}])^{2}] + \mathbb{E}[(X - \mathbb{E}[X|Z_{\infty}])^{2}] + 2\mathbb{E}[Y_{\infty}X - Y_{\infty}Z_{\infty} - X^{2} + XZ_{\infty}] = E [( X − E [ X ∣ Y ∞ ] ) 2 ] + E [( X − E [ X ∣ Z ∞ ] ) 2 ] + 2 E [ Y ∞ X − Y ∞ Z ∞ − X 2 + X Z ∞ ] 原文ページを表示 = E [ X 2 ] − E [ Y ∞ 2 ] + E [ X 2 ] − E [ Z ∞ 2 ] + 2 E [ Y ∞ X ] − 2 E [ Y ∞ Z ∞ ] − 2 E [ X 2 ] + 2 E [ X Z ∞ ] = \mathbb{E}[X^{2}] - \mathbb{E}[Y_{\infty}^{2}] + \mathbb{E}[X^{2}] - \mathbb{E}[Z_{\infty}^{2}] + 2\mathbb{E}[Y_{\infty}X] - 2\mathbb{E}[Y_{\infty}Z_{\infty}] - 2\mathbb{E}[X^{2}] + 2\mathbb{E}[XZ_{\infty}] = E [ X 2 ] − E [ Y ∞ 2 ] + E [ X 2 ] − E [ Z ∞ 2 ] + 2 E [ Y ∞ X ] − 2 E [ Y ∞ Z ∞ ] − 2 E [ X 2 ] + 2 E [ X Z ∞ ] 原文ページを表示 = − E [ Y ∞ 2 ] − E [ Z ∞ 2 ] + 2 E [ Y ∞ 2 ] − 2 E [ Y ∞ Z ∞ ] + 2 E [ Z ∞ 2 ] = -\mathbb{E}[Y_{\infty}^{2}] - \mathbb{E}[Z_{\infty}^{2}] + 2\mathbb{E}[Y_{\infty}^{2}] - 2\mathbb{E}[Y_{\infty}Z_{\infty}] + 2\mathbb{E}[Z_{\infty}^{2}] = − E [ Y ∞ 2 ] − E [ Z ∞ 2 ] + 2 E [ Y ∞ 2 ] − 2 E [ Y ∞ Z ∞ ] + 2 E [ Z ∞ 2 ] 原文ページを表示 = E [ Y ∞ 2 ] + E [ Z ∞ 2 ] − 2 E [ Y ∞ Z ∞ ] = \mathbb{E}[Y_{\infty}^{2}] + \mathbb{E}[Z_{\infty}^{2}] - 2\mathbb{E}[Y_{\infty}Z_{\infty}] = E [ Y ∞ 2 ] + E [ Z ∞ 2 ] − 2 E [ Y ∞ Z ∞ ] 原文ページを表示 シグマ代数 \(C = \sigma (A\cup B)\) を考える。
原文ページを表示 \(W = \mathbb{E}[X|C]\) とする。
原文ページを表示 すべての情報によって生成される極限シグマ代数を考える。
原文ページを表示 \(F_{\infty} = \sigma (A,B,Y_{0},Z_{0},Y_{1},Z_{1},\ldots)\) とする。
原文ページを表示 このとき Y ∞ ⊆ F ∞ Y_{\infty}\subseteq F_{\infty} Y ∞ ⊆ F ∞ および Z ∞ ⊆ F ∞ Z_{\infty}\subseteq F_{\infty} Z ∞ ⊆ F ∞ である。
原文ページを表示 E [ X ∣ Y ∞ ] = Y ∞ \mathbb{E}[X|Y_{\infty}] = Y_{\infty} E [ X ∣ Y ∞ ] = Y ∞ および E [ X ∣ Z ∞ ] = Z ∞ \mathbb{E}[X|Z_{\infty}] = Z_{\infty} E [ X ∣ Z ∞ ] = Z ∞ が成り立つ。
原文ページを表示 E [ Y ∞ ∣ Z ∞ ] \mathbb{E}[Y_{\infty}|Z_{\infty}] E [ Y ∞ ∣ Z ∞ ] および E [ Z ∞ ∣ Y ∞ ] \mathbb{E}[Z_{\infty}|Y_{\infty}] E [ Z ∞ ∣ Y ∞ ] を考える。
原文ページを表示 \(\mathcal{H} = \sigma (A\cup B)\) とする。
原文ページを表示 \(\mathbb{E}[X|\mathcal{H}]\) を考える。
原文ページを表示 対の列 \((Y_{k},Z_{k})\) を考える。
原文ページを表示 極限が同じであれば、任意の有界可測関数 f f f に対して E [ f ( Y ∞ ) ] = E [ f ( Z ∞ ) ] \mathbb{E}[f(Y_{\infty})] = \mathbb{E}[f(Z_{\infty})] E [ f ( Y ∞ )] = E [ f ( Z ∞ )] が成り立つ。
原文ページを表示 シグマ代数 \(D = \sigma (A\cup B\cup \sigma (Y_{0},Z_{0},\ldots))\) を考える。
原文ページを表示 このとき Y ∞ Y_{\infty} Y ∞ と Z ∞ Z_{\infty} Z ∞ はともに D D D に関して可測である。
原文ページを表示 \(\mathbb{E}[(Y_{n} - Z_{n})^{2}]\) を考える。
原文ページを表示 \(G = \sigma (A\cup B)\) とする。
原文ページを表示 \(W = \mathbb{E}[X|G]\) を考える。
原文ページを表示 このとき E [ W ∣ A ] = E [ X ∣ A ] \mathbb{E}[W|A] = \mathbb{E}[X|A] E [ W ∣ A ] = E [ X ∣ A ] および E [ W ∣ B ] = E [ X ∣ B ] \mathbb{E}[W|B] = \mathbb{E}[X|B] E [ W ∣ B ] = E [ X ∣ B ] が成り立つ。 極限シグマ代数 L = σ ( A ∪ B ∪ σ ( Y 0 , Z 0 , … ) ) \mathcal{L} = \sigma (\mathcal{A} \cup \mathcal{B} \cup \sigma (Y_{0}, Z_{0}, \ldots)) L = σ ( A ∪ B ∪ σ ( Y 0 , Z 0 , … )) を考える。
原文ページを表示 Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … ) ] Y_{\infty} = \mathbb{E}[X|\sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots)] Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … )] および Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … ) ] Z_{\infty} = \mathbb{E}[X|\sigma (B, Y_{0}, Y_{1}, \ldots)] Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … )] が成り立つ。
原文ページを表示 \(\mathcal{M} = \sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots) \vee \sigma (B, Y_{0}, Y_{1}, \ldots)\) とする。
原文ページを表示 \(\mathbb{E}[X|\mathcal{M}]\) を考える。
原文ページを表示 確率変数 X X X を考える。このとき Y ∞ = lim n E [ X ∣ F n ] Y_{\infty} = \lim_{n} \mathbb{E}[X|\mathcal{F}{n}] Y ∞ = lim n E [ X ∣ F n ] および Z ∞ = lim n E [ X ∣ G n ] Z{\infty} = \lim_{n} \mathbb{E}[X|\mathcal{G}_{n}] Z ∞ = lim n E [ X ∣ G n ] である。
原文ページを表示 H ∞ = σ ( A ∪ B ∪ σ ( Y 0 , Z 0 , … ) ) \mathcal{H}{\infty} = \sigma (\mathcal{A} \cup \mathcal{B} \cup \sigma (Y{0}, Z_{0}, \ldots)) H ∞ = σ ( A ∪ B ∪ σ ( Y 0 , Z 0 , … )) とする。
原文ページを表示 E = { ω : Y ∞ ( ω ) ≠ Z ∞ ( ω ) } E = \{\omega : Y_{\infty}(\omega) \neq Z_{\infty}(\omega)\} E = { ω : Y ∞ ( ω ) = Z ∞ ( ω )} を考える。 P ( E ) > 0 P(E) > 0 P ( E ) > 0 と仮定する。
原文ページを表示 シグマ加法族の合併に関する条件付き期待値を考える。
原文ページを表示 C ∞ = σ ( A , B , Y 0 , Z 0 , … ) C_{\infty} = \sigma (\mathcal{A}, B, Y_{0}, Z_{0}, \ldots) C ∞ = σ ( A , B , Y 0 , Z 0 , … ) とする。
原文ページを表示 E [ X ∣ C ∞ ] \mathbb{E}[X|C_{\infty}] E [ X ∣ C ∞ ] を考える。
原文ページを表示 このとき E [ E [ X ∣ C ∞ ] ∣ A , Z 0 , … ] = E [ X ∣ A , Z 0 , … ] = Y n + 1 \mathbb{E}[\mathbb{E}[X|C_{\infty}]|\mathcal{A}, Z_{0}, \ldots ] = \mathbb{E}[X|\mathcal{A}, Z_{0}, \ldots ] = Y_{n + 1} E [ E [ X ∣ C ∞ ] ∣ A , Z 0 , … ] = E [ X ∣ A , Z 0 , … ] = Y n + 1 である。
原文ページを表示 そして E [ E [ X ∣ C ∞ ] ∣ B , Y 0 , … ] = E [ X ∣ B , Y 0 , … ] = Z n + 1 \mathbb{E}[\mathbb{E}[X|C_{\infty}]|B, Y_{0}, \ldots ] = \mathbb{E}[X|B, Y_{0}, \ldots ] = Z_{n + 1} E [ E [ X ∣ C ∞ ] ∣ B , Y 0 , … ] = E [ X ∣ B , Y 0 , … ] = Z n + 1 である。
原文ページを表示 したがって Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … ) ] Y_{\infty} = \mathbb{E}[X|\sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots)] Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … )] および Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … ) ] Z_{\infty} = \mathbb{E}[X|\sigma (B, Y_{0}, Y_{1}, \ldots)] Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … )] である。
原文ページを表示 F ∞ = σ ( A , Z 0 , Z 1 , … ) \mathcal{F}{\infty} = \sigma (\mathcal{A}, Z{0}, Z_{1}, \ldots) F ∞ = σ ( A , Z 0 , Z 1 , … ) および G ∞ = σ ( B , Y 0 , Y 1 , … ) G_{\infty} = \sigma (B, Y_{0}, Y_{1}, \ldots) G ∞ = σ ( B , Y 0 , Y 1 , … ) とする。
原文ページを表示 E [ X ∣ F ∞ ∨ G ∞ ] \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] E [ X ∣ F ∞ ∨ G ∞ ] を考える。
原文ページを表示 このとき E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ F ∞ ] = E [ X ∣ F ∞ ] = Y ∞ \mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|\mathcal{F}{\infty}] = \mathbb{E}[X|\mathcal{F}{\infty}] = Y_{\infty} E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ F ∞ ] = E [ X ∣ F ∞ ] = Y ∞ である。
原文ページを表示 そして E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ G ∞ ] = E [ X ∣ G ∞ ] = Z ∞ \mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|G_{\infty}] = \mathbb{E}[X|G_{\infty}] = Z_{\infty} E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ G ∞ ] = E [ X ∣ G ∞ ] = Z ∞ である。
原文ページを表示 これは Y ∞ = E [ X ∣ F ∞ ∨ G ∞ ] Y_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] Y ∞ = E [ X ∣ F ∞ ∨ G ∞ ] が概几乎確に成り立ち、かつ Z ∞ = E [ X ∣ F ∞ ∨ G ∞ ] Z_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] Z ∞ = E [ X ∣ F ∞ ∨ G ∞ ] が概几乎確に成り立つことを意味する。
原文ページを表示 したがって、 Y ∞ = Z ∞ Y_{\infty} = Z_{\infty} Y ∞ = Z ∞ が概几乎確に成り立つ。
原文ページを表示 (a) 列 Y k Y_{k} Y k について、 σ \sigma σ 加法族 F k = σ ( A , Z 0 , … , Z k − 1 ) \mathcal{F}{k} = \sigma (\mathcal{A}, Z{0}, \ldots , Z_{k - 1}) F k = σ ( A , Z 0 , … , Z k − 1 ) は k k k の増加に伴って増大する。 X X X は可積分であるから、条件付き期待値に関するマルチンゲール収束定理により、列 Y k = E [ X ∣ F k ] Y_{k} = \mathbb{E}[X|\mathcal{F}{k}] Y k = E [ X ∣ F k ] は概几乎確に、かつ L 1 L^{1} L 1 において Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … ) ] Y{\infty} = \mathbb{E}[X|\sigma (\mathcal{A}, Z_{0}, Z_{1}, \ldots)] Y ∞ = E [ X ∣ σ ( A , Z 0 , Z 1 , … )] に収束する。同様に、列 Z k Z_{k} Z k について、 σ \sigma σ 加法族 G k = σ ( B , Y 0 , … , Y k − 1 ) G_{k} = \sigma (B, Y_{0}, \ldots , Y_{k - 1}) G k = σ ( B , Y 0 , … , Y k − 1 ) は増大する。 X X X は可積分であるから、マルチンゲール収束定理により、列 Z k = E [ X ∣ G k ] Z_{k} = \mathbb{E}[X|G_{k}] Z k = E [ X ∣ G k ] は概几乎確に、かつ L 1 L^{1} L 1 において Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … ) ] Z_{\infty} = \mathbb{E}[X|\sigma (B, Y_{0}, Y_{1}, \ldots)] Z ∞ = E [ X ∣ σ ( B , Y 0 , Y 1 , … )] に収束する。
原文ページを表示 (b) \(\mathcal{F}{\infty} = \sigma (\mathcal{A}, Z{0}, Z_{1}, \ldots)\) および G ∞ = σ ( B , Y 0 , Y 1 , … ) G_{\infty} = \sigma (B, Y_{0}, Y_{1}, \ldots) G ∞ = σ ( B , Y 0 , Y 1 , … ) とする。 Y ∞ = E [ X ∣ F ∞ ] Y_{\infty} = \mathbb{E}[X|\mathcal{F}{\infty}] Y ∞ = E [ X ∣ F ∞ ] および Z ∞ = E [ X ∣ G ∞ ] Z{\infty} = \mathbb{E}[X|G_{\infty}] Z ∞ = E [ X ∣ G ∞ ] が成り立つ。 σ \sigma σ 代数 H = F ∞ ∨ G ∞ = σ ( A , B , Y 0 , Z 0 , Y 1 , Z 1 , … ) \mathcal{H} = \mathcal{F}{\infty} \vee G{\infty} = \sigma (\mathcal{A}, B, Y_{0}, Z_{0}, Y_{1}, Z_{1}, \ldots) H = F ∞ ∨ G ∞ = σ ( A , B , Y 0 , Z 0 , Y 1 , Z 1 , … ) を考える。 W = E [ X ∣ H ] W = \mathbb{E}[X|\mathcal{H}] W = E [ X ∣ H ] を考える。
原文ページを表示 F ∞ ⊆ H \mathcal{F}{\infty} \subseteq \mathcal{H} F ∞ ⊆ H であるから、 E [ W ∣ F ∞ ] = E [ E [ X ∣ H ] ∣ F ∞ ] = E [ X ∣ F ∞ ] = Y ∞ \mathbb{E}[W|\mathcal{F}{\infty}] = \mathbb{E}[\mathbb{E}[X|\mathcal{H}]|\mathcal{F}{\infty}] = \mathbb{E}[X|\mathcal{F}{\infty}] = Y_{\infty} E [ W ∣ F ∞ ] = E [ E [ X ∣ H ] ∣ F ∞ ] = E [ X ∣ F ∞ ] = Y ∞ が成り立つ。
原文ページを表示 W W W は H \mathcal{H} H 可測であるから、 E [ W ∣ F ∞ ] = Y ∞ \mathbb{E}[W|\mathcal{F}{\infty}] = Y{\infty} E [ W ∣ F ∞ ] = Y ∞ は、 Y ∞ Y_{\infty} Y ∞ が F ∞ \mathcal{F}{\infty} F ∞ が与えられたときの W W W の条件付き期待値であることを意味する。しかし、 Y ∞ Y{\infty} Y ∞ はすでに F ∞ \mathcal{F}{\infty} F ∞ 可測であるから、もし W W W が F ∞ \mathcal{F}{\infty} F ∞ 可測であれば E [ W ∣ F ∞ ] = W \mathbb{E}[W|\mathcal{F}_{\infty}] = W E [ W ∣ F ∞ ] = W となるが、これは必ずしも真ではない。
原文ページを表示 しかし、 E [ Y ∞ ∣ F ∞ ] = Y ∞ \mathbb{E}[Y_{\infty}|\mathcal{F}{\infty}] = Y{\infty} E [ Y ∞ ∣ F ∞ ] = Y ∞ および E [ Z ∞ ∣ G ∞ ] = Z ∞ \mathbb{E}[Z_{\infty}|G_{\infty}] = Z_{\infty} E [ Z ∞ ∣ G ∞ ] = Z ∞ が成り立つことがわかっている。
原文ページを表示 E [ X ∣ F ∞ ∨ G ∞ ] \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] E [ X ∣ F ∞ ∨ G ∞ ] を考える。
原文ページを表示 このとき、 E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ F ∞ ] = E [ X ∣ F ∞ ] = Y ∞ \mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|\mathcal{F}{\infty}] = \mathbb{E}[X|\mathcal{F}{\infty}] = Y_{\infty} E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ F ∞ ] = E [ X ∣ F ∞ ] = Y ∞ が成り立つ。
原文ページを表示 これは、 E [ X ∣ F ∞ ∨ G ∞ ] ∣ G ∞ ] = E [ X ∣ G ∞ ] = Z ∞ \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|G_{\infty}] = \mathbb{E}[X|G_{\infty}] = Z_{\infty} E [ X ∣ F ∞ ∨ G ∞ ] ∣ G ∞ ] = E [ X ∣ G ∞ ] = Z ∞ を意味する。
原文ページを表示 同様に、 E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ G ∞ ] = E [ X ∣ G ∞ ] = Z ∞ \mathbb{E}[\mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}]|G_{\infty}] = \mathbb{E}[X|G_{\infty}] = Z_{\infty} E [ E [ X ∣ F ∞ ∨ G ∞ ] ∣ G ∞ ] = E [ X ∣ G ∞ ] = Z ∞ が成り立つ。
原文ページを表示 これは、 E [ X ∣ F ∞ ∨ G ∞ ] = Z ∞ \mathbb{E}[X|\mathcal{F}{\infty} \vee G{\infty}] = Z_{\infty} E [ X ∣ F ∞ ∨ G ∞ ] = Z ∞ がほとんど確実に成り立つことを意味する。
原文ページを表示 したがって、 Y ∞ = Z ∞ Y_{\infty} = Z_{\infty} Y ∞ = Z ∞ がほとんど確実に成り立つ。
原文ページを表示 最終回答: 最終回答は [ Y ∞ = Z ∞ ] \left[Y_{\infty} = Z_{\infty}\right] [ Y ∞ = Z ∞ ] である。
原文ページを表示 表 10. s1-ティーザーから得られた s1K サンプルのステミング。黒いテキストは質問であり、黄色のテキストは解答である。質問のみに基づいて、我々は Gemini を用いて水色の推論トレースと青い応答を生成し、これを訓練に用いる。
原文ページを表示 アリスとボブはそれぞれコインを持っており、表が出るまでコインを投げ続ける。もしボブがアリスよりも多くコインを投げたなら、アリスがコインを投げた回数の期待値はいくらか?
原文ページを表示 この問題は、ボブがアリスよりも多くコインを投げたという条件下で、アリスがコインを投げた回数の期待値を求めている。
原文ページを表示 X X X をアリスが表を得るまでにコインを投げる回数とする。
原文ページを表示 Y Y Y をボブが表を得るまでにコインを投げる回数とする。
原文ページを表示 X X X と Y Y Y は、パラメータ p = 0.5 p = 0.5 p = 0.5 (表が出る確率)の幾何分布に従う独立な確率変数である。
原文ページを表示 幾何分布の確率質量関数は、 k = 1 , 2 , … k = 1,2,\ldots k = 1 , 2 , … に対して P ( K = k ) = ( 1 − p ) k − 1 p P(K = k) = (1 - p)^{k - 1}p P ( K = k ) = ( 1 − p ) k − 1 p である。
原文ページを表示 この場合、 p = 0.5 p = 0.5 p = 0.5 であるから、 P ( K = k ) = ( 0.5 ) k − 1 ( 0.5 ) = ( 0.5 ) k = 1 2 k P(K = k) = (0.5)^{k - 1}(0.5) = (0.5)^{k} = \frac{1}{2^{k}} P ( K = k ) = ( 0.5 ) k − 1 ( 0.5 ) = ( 0.5 ) k = 2 k 1 である。
原文ページを表示 ボブがアリスよりも多くコインを投げたという条件、すなわち Y > X Y > X Y > X が与えられている。
原文ページを表示 我々は、 Y > X Y > X Y > X が与えられたときの X X X の期待値、すなわち E [ X ∣ Y > X ] E[X|Y > X] E [ X ∣ Y > X ] を求めたい。
原文ページを表示 条件付き期待値の公式は E [ X ∣ A ] = ∑ x x P ( X = x ∣ A ) E[X|A] = \sum_{x}xP(X = x|A) E [ X ∣ A ] = ∑ x x P ( X = x ∣ A ) である。
原文ページを表示 また、 P ( X = x ∣ A ) = P ( X = x ∩ A ) P ( A ) P(X = x|A) = \frac{P(X = x\cap A)}{P(A)} P ( X = x ∣ A ) = P ( A ) P ( X = x ∩ A ) である。
原文ページを表示 我々の場合、 A A A は事象 Y > X Y > X Y > X である。
原文ページを表示 P ( Y > X ) P(Y > X) P ( Y > X ) を求める必要がある。
原文ページを表示
P ( Y > X ) = ∑ x = 1 ∞ ∑ y = x + 1 ∞ P ( X = x , Y = y ) P(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}P(X = x,Y = y) P ( Y > X ) = ∑ x = 1 ∞ ∑ y = x + 1 ∞ P ( X = x , Y = y )
原文ページを表示 X X X と Y Y Y は独立であるから、 P ( X = x , Y = y ) = P ( X = x ) P ( Y = y ) = 1 2 x 1 2 y = 1 2 x + y P(X = x,Y = y) = P(X = x)P(Y = y) = \frac{1}{2^{x}}\frac{1}{2^{y}} = \frac{1}{2^{x + y}} P ( X = x , Y = y ) = P ( X = x ) P ( Y = y ) = 2 x 1 2 y 1 = 2 x + y 1 である。
原文ページを表示
P ( Y > X ) = ∑ x = 1 ∞ ∑ y = x + 1 ∞ 1 2 x + y = ∑ x = 1 ∞ 1 2 x ∑ y = x + 1 ∞ 1 2 y P(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}\frac{1}{2^{x + y}} = \sum_{x = 1}^{\infty}\frac{1}{2^{x}}\sum_{y = x + 1}^{\infty}\frac{1}{2^{y}} P ( Y > X ) = ∑ x = 1 ∞ ∑ y = x + 1 ∞ 2 x + y 1 = ∑ x = 1 ∞ 2 x 1 ∑ y = x + 1 ∞ 2 y 1
原文ページを表示 内側の和は等比級数である: ∑ y = x + 1 ∞ ( 1 2 ) y = ( 1 2 ) x + 1 + ( 1 2 ) x + 2 + … \sum_{y = x + 1}^{\infty}\left(\frac{1}{2}\right)^{y} = \left(\frac{1}{2}\right)^{x + 1} + \left(\frac{1}{2}\right)^{x + 2} + \ldots ∑ y = x + 1 ∞ ( 2 1 ) y = ( 2 1 ) x + 1 + ( 2 1 ) x + 2 + …
原文ページを表示 これは初項 a = ( 1 2 ) x + 1 a = \left(\frac{1}{2}\right)^{x + 1} a = ( 2 1 ) x + 1 、公比 r = 1 2 r = \frac{1}{2} r = 2 1 の等比級数である。
原文ページを表示 合計は a 1 − r = ( 1 2 ) x + 1 1 1 − 1 2 = ( 1 2 ) x + 1 1 2 = ( 1 2 ) x \frac{a}{1 - r} = \frac{\left(\frac{1}{2}\right)^{x + 1}}{\frac{1}{1 - \frac{1}{2}}} = \frac{\left(\frac{1}{2}\right)^{x + 1}}{\frac{1}{2}} = \left(\frac{1}{2}\right)^{x} 1 − r a = 1 − 2 1 1 ( 2 1 ) x + 1 = 2 1 ( 2 1 ) x + 1 = ( 2 1 ) x です。
原文ページを表示 したがって、 P ( Y > X ) = ∑ x = 1 ∞ 1 2 x ( 1 2 ) x = ∑ x = 1 ∞ ( 1 4 ) x P(Y > X) = \sum_{x = 1}^{\infty}\frac{1}{2^{x}}\left(\frac{1}{2}\right)^{x} = \sum_{x = 1}^{\infty}\left(\frac{1}{4}\right)^{x} P ( Y > X ) = ∑ x = 1 ∞ 2 x 1 ( 2 1 ) x = ∑ x = 1 ∞ ( 4 1 ) x です。
原文ページを表示 これは初項 a = 1 4 a = \frac{1}{4} a = 4 1 、公比 r = 1 4 r = \frac{1}{4} r = 4 1 の別の等比級数です。
原文ページを表示 合計は a 1 − r = 1 4 1 1 − 1 4 = 1 4 1 4 = 1 3 \frac{a}{1 - r} = \frac{\frac{1}{4}}{\frac{1}{1 - \frac{1}{4}}} = \frac{\frac{1}{4}}{\frac{1}{4}} = \frac{1}{3} 1 − r a = 1 − 4 1 1 4 1 = 4 1 4 1 = 3 1 です。
原文ページを表示 次に、 P ( X = x ∩ Y > X ) = P ( X = x , Y > x ) P(X = x\cap Y > X) = P(X = x,Y > x) P ( X = x ∩ Y > X ) = P ( X = x , Y > x ) を求める必要があります。
原文ページを表示 独立であるため、 P ( X = x , Y > x ) = P ( X = x ) P ( Y > x ) P(X = x,Y > x) = P(X = x)P(Y > x) P ( X = x , Y > x ) = P ( X = x ) P ( Y > x ) です。
原文ページを表示 P ( Y > x ) = ∑ x = 1 ∞ P ( Y = y ) = ∑ x = 1 ∞ 1 2 y = ( 1 2 ) x + 1 + ( 1 2 ) x + 2 + ⋯ = ( 1 2 ) x P(Y > x) = \sum_{x = 1}^{\infty}P(Y = y) = \sum_{x = 1}^{\infty}\frac{1}{2^{y}} = \left(\frac{1}{2}\right)^{x + 1} + \left(\frac{1}{2}\right)^{x + 2} + \dots = \left(\frac{1}{2}\right)^{x} P ( Y > x ) = ∑ x = 1 ∞ P ( Y = y ) = ∑ x = 1 ∞ 2 y 1 = ( 2 1 ) x + 1 + ( 2 1 ) x + 2 + ⋯ = ( 2 1 ) x です。
原文ページを表示 したがって、 P ( X = x , Y > x ) = 1 2 x × ( 1 2 ) x = ( 1 4 ) x P(X = x,Y > x) = \frac{1}{2^{x}}\times \left(\frac{1}{2}\right)^{x} = \left(\frac{1}{4}\right)^{x} P ( X = x , Y > x ) = 2 x 1 × ( 2 1 ) x = ( 4 1 ) x です。
原文ページを表示 次に、 P ( X = x ∣ Y > X ) = P ( X = x ∩ Y > X ) P ( Y > X ) = ( 1 4 ) x 3 = 3 ( 1 4 ) x P(X = x|Y > X) = \frac{P(X = x\cap Y > X)}{P(Y > X)} = \frac{\left(\frac{1}{4}\right)^{x}}{3} = 3\left(\frac{1}{4}\right)^{x} P ( X = x ∣ Y > X ) = P ( Y > X ) P ( X = x ∩ Y > X ) = 3 ( 4 1 ) x = 3 ( 4 1 ) x を求めることができます。
原文ページを表示 最後に、条件付き期待値を計算できます:
原文ページを表示 E [ X ∣ Y > X ] = ∑ x = 1 ∞ x P ( X = x ∣ Y > X ) = ∑ x = 1 ∞ x ⋅ 3 ( 1 4 ) x = 3 ∑ x = 1 ∞ x ( 1 4 ) x . E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) = \sum_{x = 1}^{\infty}x\cdot 3\left(\frac{1}{4}\right)^{x} = 3\sum_{x = 1}^{\infty}x\left(\frac{1}{4}\right)^{x}. E [ X ∣ Y > X ] = x = 1 ∑ ∞ x P ( X = x ∣ Y > X ) = x = 1 ∑ ∞ x ⋅ 3 ( 4 1 ) x = 3 x = 1 ∑ ∞ x ( 4 1 ) x . 原文ページを表示 級数 S = ∑ x = 1 ∞ x r x S = \sum_{x = 1}^{\infty}xr^{x} S = ∑ x = 1 ∞ x r x を考えます。ここで ∣ r ∣ < 1 |r|< 1 ∣ r ∣ < 1 です。
原文ページを表示 S = r + 2 r 2 + 3 r 3 + 4 r 4 + … S = r + 2r^{2} + 3r^{3} + 4r^{4} + \ldots S = r + 2 r 2 + 3 r 3 + 4 r 4 + … 原文ページを表示 S r = 1 + 2 r + 3 r 2 + 4 r 3 + … \frac{S}{r} = 1 + 2r + 3r^{2} + 4r^{3} + \ldots r S = 1 + 2 r + 3 r 2 + 4 r 3 + … 原文ページを表示 等比級数 G = 1 + r + r 2 + r 3 + ⋯ = 1 1 − r G = 1 + r + r^{2} + r^{3} + \dots = \frac{1}{1 - r} G = 1 + r + r 2 + r 3 + ⋯ = 1 − r 1 を考えます。
原文ページを表示 d G d r = 1 + 2 r + 3 r 2 + 4 r 3 + ⋯ = d d r ( 1 1 − r ) = 1 ( 1 − r ) 2 . \frac{dG}{dr} = 1 + 2r + 3r^{2} + 4r^{3} + \dots = \frac{d}{dr}\left(\frac{1}{1 - r}\right) = \frac{1}{(1 - r)^{2}}. d r d G = 1 + 2 r + 3 r 2 + 4 r 3 + ⋯ = d r d ( 1 − r 1 ) = ( 1 − r ) 2 1 . 原文ページを表示 したがって、 S r = 1 ( 1 − r ) 2 \frac{S}{r} = \frac{1}{(1 - r)^{2}} r S = ( 1 − r ) 2 1 となり、これは S = r ( 1 − r ) 2 S = \frac{r}{(1 - r)^{2}} S = ( 1 − r ) 2 r を意味します。
原文ページを表示 この場合、 r = 1 4 r = \frac{1}{4} r = 4 1 です。
原文ページを表示 ∑ X = 1 ∞ x ( 1 4 ) x = 1 4 ( 1 − 1 4 ) 2 = 1 4 ( 3 4 ) 2 = 1 4 9 = 1 4 × 16 9 = 4 9 . \sum_{X = 1}^{\infty}x(\frac{1}{4})^{x} = \frac{\frac{1}{4}}{(1 - \frac{1}{4})^{2}} = \frac{\frac{1}{4}}{(\frac{3}{4})^{2}} = \frac{\frac{1}{4}}{9} = \frac{1}{4}\times \frac{16}{9} = \frac{4}{9}. X = 1 ∑ ∞ x ( 4 1 ) x = ( 1 − 4 1 ) 2 4 1 = ( 4 3 ) 2 4 1 = 9 4 1 = 4 1 × 9 16 = 9 4 . 原文ページを表示 したがって、\(E[X|Y > X] = 3\times \frac{4}{9} = \frac{12}{9} = \frac{4}{3}\)
原文ページを表示 事象 Y > X Y > X Y > X 、 X > Y X > Y X > Y 、 X = Y X = Y X = Y を考える。
原文ページを表示 対称性により P ( Y > X ) = P ( X > Y ) P(Y > X) = P(X > Y) P ( Y > X ) = P ( X > Y ) 。
原文ページを表示 P ( X = Y ) = ∑ k = 1 ∞ P ( X = k , Y = k ) = ∑ k = 1 ∞ P ( X = k ) P ( Y = k ) = ∑ k = 1 ∞ ( 1 2 k ) 2 = ∑ k = 1 ∞ ( 1 4 ) k = 1 1 − 1 4 = 1 4 1 3 = 1 3 . P(X = Y) = \sum_{k = 1}^{\infty}P(X = k,Y = k) = \sum_{k = 1}^{\infty}P(X = k)P(Y = k) = \sum_{k = 1}^{\infty}(\frac{1}{2^{k}})^{2} = \sum_{k = 1}^{\infty}(\frac{1}{4})^{k} = \frac{1}{1 - \frac{1}{4}} = \frac{1}{4}\frac{1}{3} = \frac{1}{3}. P ( X = Y ) = k = 1 ∑ ∞ P ( X = k , Y = k ) = k = 1 ∑ ∞ P ( X = k ) P ( Y = k ) = k = 1 ∑ ∞ ( 2 k 1 ) 2 = k = 1 ∑ ∞ ( 4 1 ) k = 1 − 4 1 1 = 4 1 3 1 = 3 1 . 原文ページを表示 P ( Y > X ) + P ( X > Y ) + P ( X = Y ) = 1 P(Y > X) + P(X > Y) + P(X = Y) = 1 P ( Y > X ) + P ( X > Y ) + P ( X = Y ) = 1 が成り立つ。
原文ページを表示 P ( Y > X ) + P ( Y > X ) + 1 3 = 1. P(Y > X) + P(Y > X) + \frac{1}{3} = 1. P ( Y > X ) + P ( Y > X ) + 3 1 = 1. 原文ページを表示 2 P ( Y > X ) = 1 − 1 3 = 2 3 . 2P(Y > X) = 1 - \frac{1}{3} = \frac{2}{3}. 2 P ( Y > X ) = 1 − 3 1 = 3 2 . 原文ページを表示 P ( Y > X ) = 1 3 P(Y > X) = \frac{1}{3} P ( Y > X ) = 3 1 。これは以前の計算を確認するものである。
原文ページを表示 E [ X ∣ Y > X ] = μ E[X|Y > X] = \mu E [ X ∣ Y > X ] = μ とおく。
原文ページを表示 求めているのは、ボブがより多くコインを投げたという条件のもとで、アリスが投げた回数の期待値である。
原文ページを表示 両者の最初のコイン投げが裏である場合を考える。その場合、過程は再び始まり、条件はそのまま保たれる。
原文ページを表示 A 1 A_{1} A 1 をアリスの最初のコイン投げ、 B 1 B_{1} B 1 をボブの最初のコイン投げとする。
原文ページを表示 P ( A 1 = H ) = 1 / 2 , P ( A 1 = T ) = 1 / 2. P(A_{1} = H) = 1 / 2,P(A_{1} = T) = 1 / 2. P ( A 1 = H ) = 1/2 , P ( A 1 = T ) = 1/2. 原文ページを表示 P ( B 1 = H ) = 1 / 2 , P ( B 1 = T ) = 1 / 2. P(B_{1} = H) = 1 / 2,P(B_{1} = T) = 1 / 2. P ( B 1 = H ) = 1/2 , P ( B 1 = T ) = 1/2. 原文ページを表示 ケース1: A 1 = H , B 1 = H . X = 1 , Y = 1 A_{1} = H,B_{1} = H.X = 1,Y = 1 A 1 = H , B 1 = H . X = 1 , Y = 1 なので、 Y > X Y > X Y > X は偽。
原文ページを表示 ケース2: A 1 = H , B 1 = T A_{1} = H,B_{1} = T A 1 = H , B 1 = T 。アリスは1回で止まり、ボブは続ける。 Y > 1 Y > 1 Y > 1
原文ページを表示 ケース3: A 1 = T , B 1 = H A_{1} = T,B_{1} = H A 1 = T , B 1 = H 。ボブは1回で止まり、アリスは続ける。
原文ページを表示 ケース4: A 1 = T , B 1 = T A_{1} = T,B_{1} = T A 1 = T , B 1 = T 。両者とも続ける。
原文ページを表示 Y > X Y > X Y > X が与えられたときの条件付き確率を考える。
原文ページを表示 E = E [ X ∣ Y > X ] E = E[X|Y > X] E = E [ X ∣ Y > X ] とおく。
原文ページを表示 最初のコイン投げがHHなら、条件 Y > X Y > X Y > X は満たされない。
原文ページを表示 最初のコイン投げがHTなら、アリスのコイン投げ回数は1である。
原文ページを表示 最初のコイン投げがTHなら、ボブのコイン投げ回数は1、アリスは少なくとも2なので、 Y < X Y < X Y < X である。
原文ページを表示 最初のコイン投げがTTなら、問題は再び始まり、アリスの追加のコイン投げ回数の期待値は依然として E E E である。
原文ページを表示 N A N_{A} N A をアリスが投げる回数、 N B N_{B} N B をボブが投げる回数とする。
原文ページを表示 N B > N A N_{B} > N_{A} N B > N A が与えられている。
原文ページを表示 HH(確率1/4):条件は満たされない。
原文ページを表示 HT(確率1/4):アリスは1回投げる。
原文ページを表示 TH(確率1/4):ボブは1回投げ、アリスは > 1 >1 > 1 なので、 N A > N B N_{A} > N_{B} N A > N B となり、条件は満たされない。
原文ページを表示 TT(確率1/4):両者とも続ける。
原文ページを表示 E E E を、ボブがより多く投げたという条件のもとでのアリスのコイン投げ回数の期待値とする。
原文ページを表示 最初のコイン投げがHTなら、アリスは1回投げ、条件は満たされる。
原文ページを表示 最初のコイン投げがTTなら、状況は最初と同じであるため、アリスの追加のコイン投げ回数の期待値は E E E である。
原文ページを表示 事象 Y > X Y > X Y > X を考える。
原文ページを表示 E [ X ∣ Y > X ] = E [ X ∣ Y > X , H H ] P ( H H ∣ Y > X ) + E [ X ∣ Y > X , H T ] P ( H T ∣ Y > X ) + E [ X ∣ Y > X , T H ] P ( T H ∣ Y > X ) E[X|Y > X] = E[X|Y > X,H H]P(H H|Y > X) + E[X|Y > X,H T]P(H T|Y > X) + E[X|Y > X,T H]P(T H|Y > X) E [ X ∣ Y > X ] = E [ X ∣ Y > X , H H ] P ( H H ∣ Y > X ) + E [ X ∣ Y > X , H T ] P ( H T ∣ Y > X ) + E [ X ∣ Y > X , T H ] P ( T H ∣ Y > X ) 原文ページを表示 X ) + E [ X ∣ Y > X , T T ] P ( T T ∣ Y > X ) X) + E[X|Y > X,T T]P(T T|Y > X) X ) + E [ X ∣ Y > X , T T ] P ( T T ∣ Y > X ) 原文ページを表示 P ( Y > X ∣ H H ) = 0. P(Y > X|H H) = 0. P ( Y > X ∣ H H ) = 0. 原文ページを表示 P ( Y > X ∣ H T ) = 1. P(Y > X|H T) = 1. P ( Y > X ∣ H T ) = 1. 原文ページを表示 P ( Y > X ∣ T H ) = 0. P(Y > X|T H) = 0. P ( Y > X ∣ T H ) = 0. 原文ページを表示 P ( Y > X ∣ T T ) P(Y > X|T T) P ( Y > X ∣ T T ) は将来のコイン投げに依存する。
原文ページを表示 条件付き期待値の定義を直接使おう。
原文ページを表示 E [ X ∣ Y > X ] = ∑ x = 1 ∞ x P ( X = x ∣ Y > X ) = ∑ x = 1 ∞ x P ( X = x , Y > x ) P ( Y > X ) E[X|Y > X] = \sum_{x = 1}^{\infty}x P(X = x|Y > X) = \sum_{x = 1}^{\infty}x\frac{P(X = x,Y > x)}{P(Y > X)} E [ X ∣ Y > X ] = x = 1 ∑ ∞ x P ( X = x ∣ Y > X ) = x = 1 ∑ ∞ x P ( Y > X ) P ( X = x , Y > x ) 原文ページを表示 Y > X Y > X Y > X が与えられたときの最初のコイン投げの確率を考える。
原文ページを表示 P ( H H ∣ Y > X ) = P ( Y > X ∣ H H ) P ( H H ) P ( Y > X ) = 0.1 / 4 1 / 3 = 0. P(H H|Y > X) = \frac{P(Y > X|H H)P(H H)}{P(Y > X)} = \frac{0.1 / 4}{1 / 3} = 0. P ( H H ∣ Y > X ) = P ( Y > X ) P ( Y > X ∣ H H ) P ( H H ) = 1/3 0.1/4 = 0. 原文ページを表示 P ( H T ∣ Y > X ) = P ( Y > X ∣ H T ) P ( H T ) P ( Y > X ) = 1.1 / 4 1 / 3 = 3 4 . P(H T|Y > X) = \frac{P(Y > X|H T)P(H T)}{P(Y > X)} = \frac{1.1 / 4}{1 / 3} = \frac{3}{4}. P ( H T ∣ Y > X ) = P ( Y > X ) P ( Y > X ∣ H T ) P ( H T ) = 1/3 1.1/4 = 4 3 . 原文ページを表示 P ( T H ∣ Y > X ) = P ( Y > X ∣ T H ) P ( T H ) P ( Y > X ) = 0.1 / 4 1 / 3 = 0. P ( T T ∣ Y > X ) = P ( Y > X ∣ T T ) P ( T T ) P ( Y > X ) \begin{array}{c} P(T H|Y > X) = \frac{P(Y > X|T H)P(T H)}{P(Y > X)} = \frac{0.1 / 4}{1 / 3} = 0. \\ P(T T|Y > X) = \frac{P(Y > X|T T)P(T T)}{P(Y > X)} \end{array} P ( T H ∣ Y > X ) = P ( Y > X ) P ( Y > X ∣ T H ) P ( T H ) = 1/3 0.1/4 = 0. P ( T T ∣ Y > X ) = P ( Y > X ) P ( Y > X ∣ T T ) P ( T T ) 原文ページを表示 最初のコイン投げがTTなら、将来の振る舞いは同じであり、その後の試行でボブがアリスより多くコインを投げれば条件 Y > X Y > X Y > X は成り立つ。
原文ページを表示
P ( Y > X ∣ T T ) = P ( ボブが最初からやり直してアリスより多く投げる必要がある ) = P ( Y > X ) = 1 / 3 P(Y > X|T T) = P(\mathrm{ボブが最初からやり直してアリスより多く投げる必要がある}) = P(Y > X) = 1 / 3 P ( Y > X ∣ T T ) = P ( ボブが最初からやり直してアリスより多く投げる必要がある ) = P ( Y > X ) = 1/3
原文ページを表示
P ( T T ∣ Y > X ) = ( 1 / 3 ) ⋅ ( 1 / 4 ) 1 / 3 = 1 4 P(T T|Y > X) = \frac{(1 / 3)\cdot(1 / 4)}{1 / 3} = \frac{1}{4} P ( T T ∣ Y > X ) = 1/3 ( 1/3 ) ⋅ ( 1/4 ) = 4 1
原文ページを表示 条件付き確率の和: 0 + 3 / 4 + 0 + 1 / 4 = 1 0 + 3 / 4 + 0 + 1 / 4 = 1 0 + 3/4 + 0 + 1/4 = 1
原文ページを表示 次に、 X X X の条件付き期待値を考える
原文ページを表示 E [ X ∣ Y > X , H H ] E[X|Y > X, H H] E [ X ∣ Y > X , H H ] : P ( H H ∣ Y > X ) = 0 P(H H|Y > X) = 0 P ( H H ∣ Y > X ) = 0 であるため、該当しない
原文ページを表示 E [ X ∣ Y > X , H T ] E[X|Y > X, H T] E [ X ∣ Y > X , H T ] :HT かつ Y > X Y > X Y > X が与えられたとき、Alice は1回コインを投げた。 E = 1 E = 1 E = 1
原文ページを表示 E [ X ∣ Y > X , T H ] E[X|Y > X, T H] E [ X ∣ Y > X , T H ] :該当しない。
原文ページを表示 E [ X ∣ Y > X , T T ] E[X|Y > X, T T] E [ X ∣ Y > X , T T ] :TT かつ Y > X Y > X Y > X が与えられたとき、Alice はすでに1回投げており、追加の投げ回数の期待値は E E E である。したがって、投げ回数の合計は 1 + E 1 + E 1 + E である。
原文ページを表示 E = 0 ⋅ 0 + 1 ⋅ ( 3 / 4 ) + E = 0\cdot 0 + 1\cdot (3 / 4) + E = 0 ⋅ 0 + 1 ⋅ ( 3/4 ) + 未定義 ⋅ 0 + ( 1 + E ) ⋅ ( 1 / 4 ) \cdot 0 + (1 + E)\cdot (1 / 4) ⋅ 0 + ( 1 + E ) ⋅ ( 1/4 )
原文ページを表示
E = 0 + 3 / 4 + 0 + 1 / 4 + E / 4 E = 0 + 3 / 4 + 0 + 1 / 4 + E / 4 E = 0 + 3/4 + 0 + 1/4 + E /4
原文ページを表示
E = 1 + E / 4 E = 1 + E / 4 E = 1 + E /4
原文ページを表示
E − E / 4 = 1 E - E / 4 = 1 E − E /4 = 1
原文ページを表示
3 E / 4 = 1 3E / 4 = 1 3 E /4 = 1
原文ページを表示
E = 4 / 3 E = 4 / 3 E = 4/3
原文ページを表示 これは先ほどの結果を裏付けている。
原文ページを表示 直感について考えてみよう。条件 Y > X Y > X Y > X があるということは、アリスが「幸運」で早く表を出したか、ボブが「不運」だったということだ。
原文ページを表示 確率変数 Z = Y − X Z = Y - X Z = Y − X を考える。 Z > 0 Z > 0 Z > 0 が与えられている。
原文ページを表示 我々が求めたいのは E [ X ∣ Z > 0 ] E[X|Z > 0] E [ X ∣ Z > 0 ] である。
原文ページを表示 p = P ( h e a d ) = 0.5 p = P(\mathrm{head}) = 0.5 p = P ( head ) = 0.5 とおく。
原文ページを表示 最初の表が出るまでの裏の回数は、パラメータ p p p の幾何分布に従う。
原文ページを表示 X − 1 ∼ G e o m ( p ) X - 1\sim G e o m(p) X − 1 ∼ G eo m ( p ) , Y − 1 ∼ G e o m ( p ) Y - 1\sim G e o m(p) Y − 1 ∼ G eo m ( p ) .
原文ページを表示 P ( X − 1 = k ) = ( 1 − p ) k p P(X - 1 = k) = (1 - p)^{k}p P ( X − 1 = k ) = ( 1 − p ) k p .
原文ページを表示 P ( X = x ) = ( 1 − p ) x − 1 p P(X = x) = (1 - p)^{x - 1}p P ( X = x ) = ( 1 − p ) x − 1 p .
原文ページを表示 X X X と Y Y Y の同時分布を考える。
原文ページを表示
P ( X = x , Y = y ) = p 2 ( 1 − p ) x − 1 ( 1 − p ) y − 1 P(X = x, Y = y) = p^{2}(1 - p)^{x - 1}(1 - p)^{y - 1} P ( X = x , Y = y ) = p 2 ( 1 − p ) x − 1 ( 1 − p ) y − 1
原文ページを表示 事象 Y = X + k Y = X + k Y = X + k (ただし k ≥ 1 k \geq 1 k ≥ 1 )を考える。
原文ページを表示 P ( Y = X + k ) = ∑ x = 1 ∞ P ( X = x , Y = x + k ) = ∑ x = 1 ∞ p 2 ( 1 − p ) x − 1 ( 1 − p ) x + k − 1 = p 2 ( 1 − p ) k − 1 ∑ x = 1 ∞ ( ( 1 − p ) 2 ) x − 1 = p 2 ( 1 − p ) k − 1 1 1 − ( 1 − p ) 2 = p 2 ( 1 − p ) k − 1 1 1 − ( 1 − 2 p + p 2 ) = p 2 ( 1 − p ) k − 1 1 2 p − p 2 = p 2 ( 1 − p ) k − 1 1 p ( 2 − p ) = p ( 1 − p ) k − 1 2 − p . \begin{array}{c} P(Y = X + k) = \sum_{x = 1}^{\infty}P(X = x,Y = x + k) = \sum_{x = 1}^{\infty}p^{2}(1 - p)^{x - 1}(1 - p)^{x + k - 1} \\ = p^{2}(1 - p)^{k - 1}\sum_{x = 1}^{\infty}((1 - p)^{2})^{x - 1} = p^{2}(1 - p)^{k - 1}\frac{1}{1 - (1 - p)^{2}} \\ = p^{2}(1 - p)^{k - 1}\frac{1}{1 - (1 - 2p + p^{2})} = p^{2}(1 - p)^{k - 1}\frac{1}{2p - p^{2}} = p^{2}(1 - p)^{k - 1}\frac{1}{p(2 - p)} \\ = \frac{p(1 - p)^{k - 1}}{2 - p}. \end{array} P ( Y = X + k ) = ∑ x = 1 ∞ P ( X = x , Y = x + k ) = ∑ x = 1 ∞ p 2 ( 1 − p ) x − 1 ( 1 − p ) x + k − 1 = p 2 ( 1 − p ) k − 1 ∑ x = 1 ∞ (( 1 − p ) 2 ) x − 1 = p 2 ( 1 − p ) k − 1 1 − ( 1 − p ) 2 1 = p 2 ( 1 − p ) k − 1 1 − ( 1 − 2 p + p 2 ) 1 = p 2 ( 1 − p ) k − 1 2 p − p 2 1 = p 2 ( 1 − p ) k − 1 p ( 2 − p ) 1 = 2 − p p ( 1 − p ) k − 1 . 原文ページを表示 p = 0.5 p = 0.5 p = 0.5 のとき、 1 − p = 0.5 1 - p = 0.5 1 − p = 0.5 、 2 − p = 1.5 2 - p = 1.5 2 − p = 1.5 である。
原文ページを表示 P ( Y = X + k ) = 0.5 ( 0.5 ) k − 1 1.5 = ( 0.5 ) k 1.5 = ( 1 / 2 ) k 3 / 2 = 1 2 k ⋅ 2 3 = 1 3.2 k − 1 . P(Y = X + k) = \frac{0.5(0.5)^{k - 1}}{1.5} = \frac{(0.5)^{k}}{1.5} = \frac{(1 / 2)^{k}}{3 / 2} = \frac{1}{2^{k}}\cdot \frac{2}{3} = \frac{1}{3.2^{k - 1}}. P ( Y = X + k ) = 1.5 0.5 ( 0.5 ) k − 1 = 1.5 ( 0.5 ) k = 3/2 ( 1/2 ) k = 2 k 1 ⋅ 3 2 = 3. 2 k − 1 1 . 原文ページを表示 ∑ k = 1 ∞ P ( Y = X + k ) = P ( Y > X ) = 1 / 3 \sum_{k = 1}^{\infty}P(Y = X + k) = P(Y > X) = 1 / 3 ∑ k = 1 ∞ P ( Y = X + k ) = P ( Y > X ) = 1/3 かどうかを確認する。
原文ページを表示 ∑ k = 1 ∞ 1 3.2 k − 1 = 1 3 ∑ k = 1 ∞ ( 1 2 ) k − 1 = 1 3 ( 1 + 1 / 2 + 1 / 4 + … ) = 1 3 1 1 − 1 / 2 = 1 3 ⋅ 2 = 2 3 . \sum_{k = 1}^{\infty}\frac{1}{3.2^{k - 1}} = \frac{1}{3}\sum_{k = 1}^{\infty}(\frac{1}{2})^{k - 1} = \frac{1}{3} (1 + 1 / 2 + 1 / 4 + \ldots) = \frac{1}{3}\frac{1}{1 - 1 / 2} = \frac{1}{3}\cdot 2 = \frac{2}{3}. k = 1 ∑ ∞ 3. 2 k − 1 1 = 3 1 k = 1 ∑ ∞ ( 2 1 ) k − 1 = 3 1 ( 1 + 1/2 + 1/4 + … ) = 3 1 1 − 1/2 1 = 3 1 ⋅ 2 = 3 2 . 原文ページを表示 P ( Y > X ) P(Y > X) P ( Y > X ) を再計算しよう。
原文ページを表示 P ( Y > X ) = ∑ x = 1 ∞ ∑ y = x + 1 ∞ ( 1 − p ) x − 1 p ( 1 − p ) y − 1 p = p 2 ∑ x = 1 ∞ ( 1 − p ) x − 1 ∑ y = x + 1 ∞ ( 1 − p ) y − 1 \begin{array}{c} P(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}(1 - p)^{x - 1}p^{(1 - p)^{y - 1}}p \\ = p^{2}\sum_{x = 1}^{\infty}(1 - p)^{x - 1}\sum_{y = x + 1}^{\infty}(1 - p)^{y - 1} \end{array} P ( Y > X ) = ∑ x = 1 ∞ ∑ y = x + 1 ∞ ( 1 − p ) x − 1 p ( 1 − p ) y − 1 p = p 2 ∑ x = 1 ∞ ( 1 − p ) x − 1 ∑ y = x + 1 ∞ ( 1 − p ) y − 1 原文ページを表示 内側の和: ( 1 − p ) x + ( 1 − p ) x + 1 + ⋯ = ( 1 − p ) x 1 − ( 1 − p ) = ( 1 − p ) x p (1 - p)^{x} + (1 - p)^{x + 1} + \dots = \frac{(1 - p)^{x}}{1 - (1 - p)} = \frac{(1 - p)^{x}}{p} ( 1 − p ) x + ( 1 − p ) x + 1 + ⋯ = 1 − ( 1 − p ) ( 1 − p ) x = p ( 1 − p ) x 。
原文ページを表示 P ( Y > X ) = p 2 ∑ x = 1 ∞ ( 1 − p ) x − 1 ( 1 − p ) x p = p ( 1 − p ) ∑ x = 1 ∞ ( 1 − p ) 2 ( x − 1 ) P(Y > X) = p^{2}\sum_{x = 1}^{\infty}(1 - p)^{x - 1}\frac{(1 - p)^{x}}{p} = p(1 - p)\sum_{x = 1}^{\infty}(1 - p)^{2(x - 1)} P ( Y > X ) = p 2 x = 1 ∑ ∞ ( 1 − p ) x − 1 p ( 1 − p ) x = p ( 1 − p ) x = 1 ∑ ∞ ( 1 − p ) 2 ( x − 1 ) 原文ページを表示 = p ( 1 − p ) ∑ x = 1 ∞ ( ( 1 − p ) 2 ) x − 1 = p ( 1 − p ) 1 1 − ( 1 − p ) 2 = p(1 - p)\sum_{x = 1}^{\infty}((1 - p)^{2})^{x - 1} = p(1 - p)\frac{1}{1 - (1 - p)^{2}} = p ( 1 − p ) x = 1 ∑ ∞ (( 1 − p ) 2 ) x − 1 = p ( 1 − p ) 1 − ( 1 − p ) 2 1 原文ページを表示 = p ( 1 − p ) 1 1 − ( 1 − 2 p + p 2 ) = p ( 1 − p ) 1 2 p − p 2 = p ( 1 − p ) 1 p ( 2 − p ) = 1 − p 2 − p . = p(1 - p)\frac{1}{1 - (1 - 2p + p^{2})} = p(1 - p)\frac{1}{2p - p^{2}} = p(1 - p)\frac{1}{p(2 - p)} = \frac{1 - p}{2 - p}. = p ( 1 − p ) 1 − ( 1 − 2 p + p 2 ) 1 = p ( 1 − p ) 2 p − p 2 1 = p ( 1 − p ) p ( 2 − p ) 1 = 2 − p 1 − p . 原文ページを表示 p = 0.5 p = 0.5 p = 0.5 のとき、 P ( Y > X ) = 0.5 1.5 = 1 3 P(Y > X) = \frac{0.5}{1.5} = \frac{1}{3} P ( Y > X ) = 1.5 0.5 = 3 1 。正しい。
原文ページを表示 次に、 E [ X ∣ Y > X ] E[X|Y > X] E [ X ∣ Y > X ] を求めよう。
原文ページを表示 E [ X ∣ Y > X ] = ∑ x = 1 ∞ x P ( X = x ∣ Y > X ) = ∑ x = 1 ∞ x P ( X = x , Y > x ) P ( Y > X ) . E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) = \sum_{x = 1}^{\infty}x\frac{P(X = x,Y > x)}{P(Y > X)}. E [ X ∣ Y > X ] = x = 1 ∑ ∞ x P ( X = x ∣ Y > X ) = x = 1 ∑ ∞ x P ( Y > X ) P ( X = x , Y > x ) . 原文ページを表示 P ( X = x , Y > x ) = P ( X = x ) P ( Y > x ) P(X = x,Y > x) = P(X = x)P(Y > x) P ( X = x , Y > x ) = P ( X = x ) P ( Y > x ) (独立性)
原文ページを表示 P ( X = x ) = ( 1 − p ) x − 1 p . P(X = x) = (1 - p)^{x - 1}p. P ( X = x ) = ( 1 − p ) x − 1 p . 原文ページを表示 P ( Y > x ) = ∑ y = x + 1 ∞ ( 1 − p ) y − 1 p = p [ ( 1 − p ) x + ( 1 − p ) x + 1 + … ] = p ( 1 − p ) x 1 − ( 1 − p ) = ( 1 − p ) x . P(Y > x) = \sum_{y = x + 1}^{\infty}(1 - p)^{y - 1}p = p[(1 - p)^{x} + (1 - p)^{x + 1} + \ldots ] = p\frac{(1 - p)^{x}}{1 - (1 - p)} = (1 - p)^{x}. P ( Y > x ) = y = x + 1 ∑ ∞ ( 1 − p ) y − 1 p = p [( 1 − p ) x + ( 1 − p ) x + 1 + … ] = p 1 − ( 1 − p ) ( 1 − p ) x = ( 1 − p ) x . 原文ページを表示 P ( X = x , Y > x ) = ( 1 − p ) x − 1 p ( 1 − p ) x = p ( 1 − p ) 2 x − 1 . P(X = x,Y > x) = (1 - p)^{x - 1}p(1 - p)^{x} = p(1 - p)^{2x - 1}. P ( X = x , Y > x ) = ( 1 − p ) x − 1 p ( 1 − p ) x = p ( 1 − p ) 2 x − 1 . 原文ページを表示 E [ X ∣ Y > X ] = 1 P ( Y > X ) ∑ x = 1 ∞ x p ( 1 − p ) 2 x − 1 E[X|Y > X] = \frac{1}{P(Y > X)}\sum_{x = 1}^{\infty}xp(1 - p)^{2x - 1} E [ X ∣ Y > X ] = P ( Y > X ) 1 x = 1 ∑ ∞ x p ( 1 − p ) 2 x − 1 原文ページを表示 = 2 − p 1 − p p ( 1 − p ) − 1 ∑ x = 1 ∞ x ( ( 1 − p ) 2 ) x = \frac{2 - p}{1 - p} p(1 - p)^{- 1}\sum_{x = 1}^{\infty}x((1 - p)^{2})^{x} = 1 − p 2 − p p ( 1 − p ) − 1 ∑ x = 1 ∞ x (( 1 − p ) 2 ) x (指数に誤り)
原文ページを表示 P ( Y > x ) = ( 1 − p ) x 1 − ( 1 − p ) p = ( 1 − p ) x . P(Y > x) = \frac{(1 - p)^{x}}{1 - (1 - p)} p = (1 - p)^{x}. P ( Y > x ) = 1 − ( 1 − p ) ( 1 − p ) x p = ( 1 − p ) x . 原文ページを表示 E [ X ∣ Y > X ] = 1 P ( Y > X ) ∑ x = 1 ∞ x P ( X = x ) P ( Y > x ) E[X|Y > X] = \frac{1}{P(Y > X)}\sum_{x = 1}^{\infty}xP(X = x)P(Y > x) E [ X ∣ Y > X ] = P ( Y > X ) 1 x = 1 ∑ ∞ x P ( X = x ) P ( Y > x ) 原文ページを表示 = 1 P ( Y > X ) ∑ x = 1 ∞ x ( 1 − p ) x − 1 p ( 1 − p ) x = \frac{1}{P(Y > X)}\sum_{x = 1}^{\infty}x(1 - p)^{x - 1}p(1 - p)^{x} = P ( Y > X ) 1 x = 1 ∑ ∞ x ( 1 − p ) x − 1 p ( 1 − p ) x 原文ページを表示 = p P ( Y > X ) ∑ x = 1 ∞ x ( 1 − p ) 2 x − 1 = \frac{p}{P(Y > X)}\sum_{x = 1}^{\infty}x(1 - p)^{2x - 1} = P ( Y > X ) p x = 1 ∑ ∞ x ( 1 − p ) 2 x − 1 原文ページを表示 = p ( 1 − p ) / ( 2 − p ) ( 1 − p ) − 1 ∑ x = 1 ∞ x ( ( 1 − p ) 2 ) x = \frac{p}{(1 - p) / (2 - p)}(1 - p)^{-1}\sum_{x = 1}^{\infty}x((1 - p)^{2})^{x} = ( 1 − p ) / ( 2 − p ) p ( 1 − p ) − 1 x = 1 ∑ ∞ x (( 1 − p ) 2 ) x 原文ページを表示 = p 2 − p ( 1 − p ) 2 ∑ x = 1 ∞ x ( ( 1 − p ) 2 ) x . = p\frac{2 - p}{(1 - p)^{2}}\sum_{x = 1}^{\infty}x((1 - p)^{2})^{x}. = p ( 1 − p ) 2 2 − p x = 1 ∑ ∞ x (( 1 − p ) 2 ) x . 原文ページを表示 r = ( 1 − p ) 2 r = (1 - p)^{2} r = ( 1 − p ) 2 とおく。 ∑ x = 1 ∞ x r x = r ( 1 − r ) 2 \sum_{x = 1}^{\infty}xr^{x} = \frac{r}{(1 - r)^{2}} ∑ x = 1 ∞ x r x = ( 1 − r ) 2 r 。
原文ページを表示 1 − r = 1 − ( 1 − p ) 2 = 1 − ( 1 − 2 p + p 2 ) = 2 p − p 2 = p ( 2 − p ) . 1 - r = 1 - (1 - p)^{2} = 1 - (1 - 2p + p^{2}) = 2p - p^{2} = p(2 - p). 1 − r = 1 − ( 1 − p ) 2 = 1 − ( 1 − 2 p + p 2 ) = 2 p − p 2 = p ( 2 − p ) . 原文ページを表示 ( 1 − r ) 2 = p 2 ( 2 − p ) 2 . (1 - r)^{2} = p^{2}(2 - p)^{2}. ( 1 − r ) 2 = p 2 ( 2 − p ) 2 . 原文ページを表示 ∑ x = 1 ∞ x ( ( 1 − p ) 2 ) x = ( 1 − p ) 2 p 2 ( 2 − p ) 2 . \sum_{x = 1}^{\infty}x((1 - p)^{2})^{x} = \frac{(1 - p)^{2}}{p^{2}(2 - p)^{2}}. x = 1 ∑ ∞ x (( 1 − p ) 2 ) x = p 2 ( 2 − p ) 2 ( 1 − p ) 2 . 原文ページを表示 E [ X ∣ Y > X ] = p 2 − p ( 1 − p ) 2 ( 1 − p ) 2 p 2 ( 2 − p ) 2 = 1 p ( 2 − p ) . E[X|Y > X] = p\frac{2 - p}{(1 - p)^{2}}\frac{(1 - p)^{2}}{p^{2}(2 - p)^{2}} = \frac{1}{p(2 - p)}. E [ X ∣ Y > X ] = p ( 1 − p ) 2 2 − p p 2 ( 2 − p ) 2 ( 1 − p ) 2 = p ( 2 − p ) 1 . 原文ページを表示 p = 0.5 p = 0.5 p = 0.5 のとき、 E [ X ∣ Y > X ] = 1 0.5 × 1.5 = 1 0.75 = 1 3 / 4 = 4 / 3 E[X|Y > X] = \frac{1}{0.5\times 1.5} = \frac{1}{0.75} = \frac{1}{3 / 4} = 4 / 3 E [ X ∣ Y > X ] = 0.5 × 1.5 1 = 0.75 1 = 3/4 1 = 4/3 である。
原文ページを表示 X X X をアリスが表を得るまでにコインを投げる回数、 Y Y Y をボブが表を得るまでにコインを投げる回数とする。 X X X と Y Y Y はパラメータ p = 0.5 p = 0.5 p = 0.5 の独立な幾何確率変数である。確率質量関数は P ( K = k ) = ( 1 − p ) k − 1 p P(K = k) = (1 - p)^{k - 1}p P ( K = k ) = ( 1 − p ) k − 1 p である。
原文ページを表示 我々が関心を持つのは、ボブがアリスよりも多くコインを投げたという条件の下での、アリスがコインを投げた回数の期待値、すなわち E [ X ∣ Y > X ] E[X|Y > X] E [ X ∣ Y > X ] である。
原文ページを表示 条件付き期待値の定義を用いると、 E [ X ∣ Y > X ] = ∑ x = 1 ∞ x P ( X = x ∣ Y > X ) E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) E [ X ∣ Y > X ] = ∑ x = 1 ∞ x P ( X = x ∣ Y > X ) である。
原文ページを表示 P ( X = x ∣ Y > X ) = P ( X = x , Y > x ) P ( Y > X ) . P(X = x|Y > X) = \frac{P(X = x,Y > x)}{P(Y > X)}. P ( X = x ∣ Y > X ) = P ( Y > X ) P ( X = x , Y > x ) . 原文ページを表示 まず、 P ( Y > X ) P(Y > X) P ( Y > X ) を計算する。
原文ページを表示 P ( Y > X ) = ∑ x = 1 ∞ ∑ y = x + 1 ∞ P ( X = x , Y = y ) = ∑ x = 1 ∞ P ( X = x ) P ( Y > x ) . P(Y > X) = \sum_{x = 1}^{\infty}\sum_{y = x + 1}^{\infty}P(X = x,Y = y) = \sum_{x = 1}^{\infty}P(X = x)P(Y > x). P ( Y > X ) = x = 1 ∑ ∞ y = x + 1 ∑ ∞ P ( X = x , Y = y ) = x = 1 ∑ ∞ P ( X = x ) P ( Y > x ) . 原文ページを表示 P ( X = x ) = ( 0.5 ) x − 1 ( 0.5 ) = ( 0.5 ) x = 1 2 x . P(X = x) = (0.5)^{x - 1}(0.5) = (0.5)^{x} = \frac{1}{2^{x}}. P ( X = x ) = ( 0.5 ) x − 1 ( 0.5 ) = ( 0.5 ) x = 2 x 1 . 原文ページを表示 P ( Y > x ) = ∑ x = 1 ∞ x ( 0.5 ) x − 1 ( 0.5 ) = ( 0.5 ) x . P(Y > x) = \sum_{x = 1}^{\infty}x(0.5)^{x - 1}(0.5) = (0.5)^{x}. P ( Y > x ) = x = 1 ∑ ∞ x ( 0.5 ) x − 1 ( 0.5 ) = ( 0.5 ) x . 原文ページを表示 P ( Y > X ) = ∑ x = 1 ∞ 1 2 x ( 1 2 ) x = ∑ x = 1 ∞ ( 1 4 ) x = 1 / 4 1 − 1 / 4 = 1 / 4 3 / 4 = 1 3 . P(Y > X) = \sum_{x = 1}^{\infty}\frac{1}{2^{x}} (\frac{1}{2})^{x} = \sum_{x = 1}^{\infty}(\frac{1}{4})^{x} = \frac{1 / 4}{1 - 1 / 4} = \frac{1 / 4}{3 / 4} = \frac{1}{3}. P ( Y > X ) = x = 1 ∑ ∞ 2 x 1 ( 2 1 ) x = x = 1 ∑ ∞ ( 4 1 ) x = 1 − 1/4 1/4 = 3/4 1/4 = 3 1 . 原文ページを表示 次に、 P ( X = x , Y > x ) = P ( X = x ) P ( Y > x ) = 1 2 x ( 1 2 ) x = ( 1 4 ) x P(X = x,Y > x) = P(X = x)P(Y > x) = \frac{1}{2^{x}} (\frac{1}{2})^{x} = (\frac{1}{4})^{x} P ( X = x , Y > x ) = P ( X = x ) P ( Y > x ) = 2 x 1 ( 2 1 ) x = ( 4 1 ) x を計算する。
原文ページを表示 ここで、 P ( X = x ∣ Y > X ) = P ( X = x , Y > x ) P ( Y > X ) = ( 1 / 4 ) x 1 / 3 = 3 ( 1 4 ) x P(X = x|Y > X) = \frac{P(X = x,Y > x)}{P(Y > X)} = \frac{(1 / 4)^{x}}{1 / 3} = 3(\frac{1}{4})^{x} P ( X = x ∣ Y > X ) = P ( Y > X ) P ( X = x , Y > x ) = 1/3 ( 1/4 ) x = 3 ( 4 1 ) x を求めます。
原文ページを表示 最後に、条件付き期待値を計算します:
原文ページを表示 E [ X ∣ Y > X ] = ∑ x = 1 ∞ x P ( X = x ∣ Y > X ) = ∑ x = 1 ∞ x ⋅ 3 ( 1 4 ) x = 3 ∑ x = 1 ∞ x ( 1 4 ) x . E[X|Y > X] = \sum_{x = 1}^{\infty}xP(X = x|Y > X) = \sum_{x = 1}^{\infty}x\cdot 3(\frac{1}{4})^{x} = 3\sum_{x = 1}^{\infty}x(\frac{1}{4})^{x}. E [ X ∣ Y > X ] = x = 1 ∑ ∞ x P ( X = x ∣ Y > X ) = x = 1 ∑ ∞ x ⋅ 3 ( 4 1 ) x = 3 x = 1 ∑ ∞ x ( 4 1 ) x . 原文ページを表示 r = 1 / 4 r = 1 / 4 r = 1/4 として公式 ∑ x = 1 ∞ x r x = r ( 1 − r ) 2 \sum_{x = 1}^{\infty}xr^{x} = \frac{r}{(1 - r)^{2}} ∑ x = 1 ∞ x r x = ( 1 − r ) 2 r を用いると:
原文ページを表示 ∑ x = 1 ∞ x ( 1 4 ) x = 1 / 4 ( 1 − 1 / 4 ) 2 = 1 / 4 ( 3 / 4 ) 2 = 1 / 4 9 / 16 = 1 4 × 16 9 = 4 9 . \sum_{x = 1}^{\infty}x(\frac{1}{4})^{x} = \frac{1 / 4}{(1 - 1 / 4)^{2}} = \frac{1 / 4}{(3 / 4)^{2}} = \frac{1 / 4}{9 / 16} = \frac{1}{4}\times \frac{16}{9} = \frac{4}{9}. x = 1 ∑ ∞ x ( 4 1 ) x = ( 1 − 1/4 ) 2 1/4 = ( 3/4 ) 2 1/4 = 9/16 1/4 = 4 1 × 9 16 = 9 4 . 原文ページを表示 E [ X ∣ Y > X ] = 3 × 4 9 = 12 9 = 4 3 . E[X|Y > X] = 3\times \frac{4}{9} = \frac{12}{9} = \frac{4}{3}. E [ X ∣ Y > X ] = 3 × 9 4 = 9 12 = 3 4 . 原文ページを表示 最終解答:最終的な答えは 4 / 3 \boxed{4 / 3} 4/3
原文ページを表示 表11. OlympicArenaの天文学サブセットから得られたs1Kサンプルのステミング。黒いテキストは問題、青いテキストは解答です。問題のみに基づいて、Geminiを用いて水色の推論トレースと青い応答を生成し、これを訓練に使用します。
原文ページを表示 よく繰り返される面白い事実として、人間は単位体積あたり星よりも多くの電力を生産するというものがあります。もし太陽が同じ大きさでありながら、人間と同じ単位体積あたりの電力を生産するとしたら、その表面温度はいくらになるでしょうか。「平均的な人間」は100ワットの電力を生産し、体積は66400立方センチメートルであると仮定してください。
原文ページを表示 A: 3500 K B: 10000 K C: 25000 K D: 40000 K E: 50000 K
原文ページを表示 問題の数値を用いると、平均的な人間は
原文ページを表示 u = 100 66400 × 10 − 6 = 1506 W / m 3 u = \frac{100}{66400\times 10^{-6}} = 1506\mathrm{W / m^{3}} u = 66400 × 1 0 − 6 100 = 1506 W/ m 3 原文ページを表示 を生産します。太陽の体積は 4 3 π R ⊙ 3 \frac{4}{3}\pi R_{\odot}^{3} 3 4 π R ⊙ 3 であるため、その新しい出力は P = 4 3 π R ⊙ 3 u P = \frac{4}{3}\pi R_{\odot}^{3}u P = 3 4 π R ⊙ 3 u となります。平衡温度を求めるには、
原文ページを表示 P = σ A T 4 = 4 π σ R ⊙ 2 T 4 P = \sigma AT^{4} = 4\pi \sigma R_{\odot}^{2}T^{4} P = σ A T 4 = 4 π σ R ⊙ 2 T 4 原文ページを表示 を用います。 T T T について解くと、
原文ページを表示 T = R ⊙ u 3 σ 4 = ( 6.96 × 10 8 ) ( 1506 ) 3 ( 5.67 × 10 − 8 ) 4 = 49823 ≈ 50000 K . T = \sqrt[4]{\frac{R_{\odot}u}{3\sigma}} = \sqrt[4]{\frac{(6.96\times 10^{8})(1506)}{3(5.67\times 10^{-8})}} = 49823\approx 50000\mathrm{K}. T = 4 3 σ R ⊙ u = 4 3 ( 5.67 × 1 0 − 8 ) ( 6.96 × 1 0 8 ) ( 1506 ) = 49823 ≈ 50000 K . 原文ページを表示 を得ます。この問題は、太陽が同じ大きさでありながら人間と同じ単位体積あたりの電力を生産するとした場合の太陽の表面温度を問うています。
原文ページを表示 まず、人間の電力密度を求めましょう。
原文ページを表示 人間が生産する電力、 P h u m a n = 100 W P_{human} = 100\mathrm{W} P h u man = 100 W
原文ページを表示 人間の体積、 V h u m a n = 66400 c m 3 V_{human} = 66400\mathrm{cm}^{3} V h u man = 66400 cm 3
原文ページを表示 1 m = 100 c m 1\mathrm{m} = 100\mathrm{cm} 1 m = 100 cm
原文ページを表示 1 m 3 = ( 100 c m ) 3 = 10 6 c m 3 1\mathrm{m}^{3} = (100\mathrm{cm})^{3} = 10^{6}\mathrm{cm}^{3} 1 m 3 = ( 100 cm ) 3 = 1 0 6 cm 3
原文ページを表示 V h u m a n = 66400 c m 3 = 66400 × 10 − 6 m 3 = 0.0664 m 3 V_{human} = 66400\mathrm{cm}^{3} = 66400\times 10^{- 6}\mathrm{m}^{3} = 0.0664\mathrm{m}^{3} V h u man = 66400 cm 3 = 66400 × 1 0 − 6 m 3 = 0.0664 m 3
原文ページを表示 人間の電力密度、 ρ p o w e r , h u m a n = P h u m a n V h u m a n = 100 W 0.0664 m 3 \rho_{power,human} = \frac{P_{human}}{V_{human}} = \frac{100\mathrm{W}}{0.0664\mathrm{m}^{3}} ρ p o w er , h u man = V h u man P h u man = 0.0664 m 3 100 W
原文ページを表示 ρ p o w e r , h u m a n = 1506.024 W / m 3 \rho_{power,human} = 1506.024\mathrm{W / m^{3}} ρ p o w er , h u man = 1506.024 W/ m 3
原文ページを表示 次に、現在と同じ大きさでありながら、人間と同じ電力密度を持つ太陽を考えます。
原文ページを表示 その体積を計算するには太陽の半径が必要です。太陽の平均半径は R s u n = 6.95 × 10 8 m R_{sun} = 6.95\times 10^{8}\mathrm{m} R s u n = 6.95 × 1 0 8 m
原文ページを表示 太陽の体積、 V s u n = 4 3 π R s u n 3 = 4 3 π ( 6.95 × 10 8 m ) 3 V_{sun} = \frac{4}{3}\pi R_{sun}^{3} = \frac{4}{3}\pi (6.95\times 10^{8}\mathrm{m})^{3} V s u n = 3 4 π R s u n 3 = 3 4 π ( 6.95 × 1 0 8 m ) 3
原文ページを表示 V s u n = 4 3 π ( 337.159375 × 10 24 ) m 3 V_{sun} = \frac{4}{3}\pi (337.159375\times 10^{24})\mathrm{m}^{3} V s u n = 3 4 π ( 337.159375 × 1 0 24 ) m 3
原文ページを表示 V s u n = 1410.24 × 10 24 × π m 3 V_{sun} = 1410.24\times 10^{24}\times \pi \mathrm{m}^{3} V s u n = 1410.24 × 1 0 24 × π m 3
原文ページを表示 V s u n = 4.4307 × 10 27 m 3 V_{sun} = 4.4307\times 10^{27}\mathrm{m}^{3} V s u n = 4.4307 × 1 0 27 m 3
原文ページを表示 もし太陽が人間と同じ電力密度を持つなら、この改変された太陽が生産する総電力は次のようになります:
原文ページを表示 P m o d i f i e d s u n = ρ p o w e r , h u m a n × V s u n P_{modified sun} = \rho_{power,human}\times V_{sun} P m o d i f i e d s u n = ρ p o w er , h u man × V s u n
原文ページを表示 P m o d i f i e d s u n = 1506.024 W / m 3 × 4.4307 × 10 27 m 3 P_{modified sun} = 1506.024\mathrm{W / m^{3}}\times 4.4307\times 10^{27}\mathrm{m^{3}} P m o d i f i e d s u n = 1506.024 W/ m 3 × 4.4307 × 1 0 27 m 3
原文ページを表示 P m o d i f i e d s u n = 6.6726 × 10 30 W P_{modified sun} = 6.6726\times 10^{30}\mathrm{W} P m o d i f i e d s u n = 6.6726 × 1 0 30 W
原文ページを表示 恒星の表面温度は、シュテファン・ボルツマンの法則を通じてその光度(総出力)と関係しています:
原文ページを表示 L = 4 π R 2 σ T 4 L = 4\pi R^{2}\sigma T^{4} L = 4 π R 2 σ T 4
原文ページを表示 ここで、 L L L は光度(総出力)、 R R R は恒星の半径、 σ \sigma σ はシュテファン・ボルツマン定数、 T T T は表面温度です。
原文ページを表示 この場合、改変された太陽の光度は P m o d i f i e d _ s u n P_{modified\_ sun} P m o d i f i e d _ s u n です。改変された太陽の半径は実際の太陽と同じ R s u n R_{sun} R s u n です。
原文ページを表示 シュテファン・ボルツマン定数、 σ = 5.67 × 10 − 8 W m − 2 K − 4 \sigma = 5.67\times 10^{- 8}\mathrm{Wm}^{- 2}\mathrm{K}^{- 4} σ = 5.67 × 1 0 − 8 Wm − 2 K − 4 。
原文ページを表示 P m o d i f i e d _ s u n = 4 π R s u n 2 σ T 4 6.6726 × 10 30 W = 4 π ( 6.95 × 10 8 m ) 2 × 5.67 × 10 − 8 W m − 2 K − 4 × T 4 \begin{array}{c} P_{modified\_ sun} = 4\pi R_{sun}^{2}\sigma T^{4} \\ 6.6726\times 10^{30}\mathrm{W} = 4\pi (6.95\times 10^{8}\mathrm{m})^{2}\times 5.67\times 10^{-8}\mathrm{Wm}^{-2}\mathrm{K}^{-4}\times T^{4} \end{array} P m o d i f i e d _ s u n = 4 π R s u n 2 σ T 4 6.6726 × 1 0 30 W = 4 π ( 6.95 × 1 0 8 m ) 2 × 5.67 × 1 0 − 8 Wm − 2 K − 4 × T 4 原文ページを表示 項 4 π R s u n 2 σ 4\pi R_{sun}^{2}\sigma 4 π R s u n 2 σ を計算します:
原文ページを表示 R s u n 2 = ( 6.95 × 10 8 ) 2 = 48.3025 × 10 16 m 2 R_{sun}^{2} = (6.95\times 10^{8})^{2} = 48.3025\times 10^{16}\mathrm{m}^{2} R s u n 2 = ( 6.95 × 1 0 8 ) 2 = 48.3025 × 1 0 16 m 2 原文ページを表示 4 π R s u n 2 = 4 π × 48.3025 × 10 16 = 607.08 × 10 16 m 2 4\pi R_{sun}^{2} = 4\pi \times 48.3025\times 10^{16} = 607.08\times 10^{16}\mathrm{m}^{2} 4 π R s u n 2 = 4 π × 48.3025 × 1 0 16 = 607.08 × 1 0 16 m 2 原文ページを表示 4 π R s u n 2 σ = 607.08 × 10 16 m 2 × 5.67 × 10 − 8 W m − 2 K − 4 4\pi R_{sun}^{2}\sigma = 607.08\times 10^{16}\mathrm{m}^{2}\times 5.67\times 10^{-8}\mathrm{Wm}^{-2}\mathrm{K}^{-4} 4 π R s u n 2 σ = 607.08 × 1 0 16 m 2 × 5.67 × 1 0 − 8 Wm − 2 K − 4 原文ページを表示 4 π R s u n 2 σ = 3441.93 × 10 8 W K − 4 = 3.44193 × 10 11 W K − 4 4\pi R_{sun}^{2}\sigma = 3441.93\times 10^{8}\mathrm{WK}^{-4} = 3.44193\times 10^{11}\mathrm{WK}^{-4} 4 π R s u n 2 σ = 3441.93 × 1 0 8 WK − 4 = 3.44193 × 1 0 11 WK − 4 原文ページを表示 次に、これを方程式に代入し直します:
原文ページを表示 6.6726 × 10 30 = 3.44193 × 10 11 × T 4 6.6726\times 10^{30} = 3.44193\times 10^{11}\times T^{4} 6.6726 × 1 0 30 = 3.44193 × 1 0 11 × T 4 原文ページを表示 T 4 T^{4} T 4 について解きます:
原文ページを表示 T 4 = 6.6726 × 10 30 3.44193 × 10 11 = 1.9386 × 10 19 T^{4} = \frac{6.6726\times 10^{30}}{3.44193\times 10^{11}} = 1.9386\times 10^{19} T 4 = 3.44193 × 1 0 11 6.6726 × 1 0 30 = 1.9386 × 1 0 19 原文ページを表示 T = ( 1.9386 × 10 19 ) 1 / 4 = ( 193.86 × 10 17 ) 1 / 4 T = (1.9386\times 10^{19})^{1 / 4} = (193.86\times 10^{17})^{1 / 4} T = ( 1.9386 × 1 0 19 ) 1/4 = ( 193.86 × 1 0 17 ) 1/4 原文ページを表示 T = ( 1.9386 ) 1 / 4 × ( 10 19 ) 1 / 4 = ( 1.9386 ) 0.25 × 10 4.75 T = (1.9386)^{1 / 4}\times (10^{19})^{1 / 4} = (1.9386)^{0.25}\times 10^{4.75} T = ( 1.9386 ) 1/4 × ( 1 0 19 ) 1/4 = ( 1.9386 ) 0.25 × 1 0 4.75 原文ページを表示 ( 1.9386 ) 0.25 (1.9386)^{0.25} ( 1.9386 ) 0.25 を計算します: y = 1.9386 0.25 y = 1.9386^{0.25} y = 1.938 6 0.25 とすると、 ln y = 0.25 ln ( 1.9386 ) \ln y = 0.25\ln (1.9386) ln y = 0.25 ln ( 1.9386 )
原文ページを表示
ln ( 1.9386 ) ≈ 0.6619 \ln (1.9386)\approx 0.6619 ln ( 1.9386 ) ≈ 0.6619
原文ページを表示
ln y = 0.25 × 0.6619 = 0.165475 \ln y = 0.25\times 0.6619 = 0.165475 ln y = 0.25 × 0.6619 = 0.165475
原文ページを表示
y = e 0.165475 ≈ 1.1799 y = e^{0.165475}\approx 1.1799 y = e 0.165475 ≈ 1.1799
原文ページを表示 したがって、 T = 1.1799 × 10 4.75 = 1.1799 × 10 4 × 10 0.75 T = 1.1799\times 10^{4.75} = 1.1799\times 10^{4}\times 10^{0.75} T = 1.1799 × 1 0 4.75 = 1.1799 × 1 0 4 × 1 0 0.75
原文ページを表示
10 0.75 = 10 3 / 4 = ( 10 3 ) 1 / 4 = ( 1000 ) 1 / 4 10^{0.75} = 10^{3 / 4} = (10^{3})^{1 / 4} = (1000)^{1 / 4} 1 0 0.75 = 1 0 3/4 = ( 1 0 3 ) 1/4 = ( 1000 ) 1/4
原文ページを表示 5 4 = 625 5^{4} = 625 5 4 = 625 および 6 4 = 1296 6^{4} = 1296 6 4 = 1296 であることがわかっているので、 ( 1000 ) 1 / 4 (1000)^{1 / 4} ( 1000 ) 1/4 は5と6の間にあります。
原文ページを表示 別の方法として、 10 0.75 = 10 0.5 × 10 0.25 = 10 × 10 0.25 ≈ 3.16 × 1.778 = 5.62 10^{0.75} = 10^{0.5}\times 10^{0.25} = \sqrt{10}\times 10^{0.25}\approx 3.16\times 1.778 = 5.62 1 0 0.75 = 1 0 0.5 × 1 0 0.25 = 10 × 1 0 0.25 ≈ 3.16 × 1.778 = 5.62
原文ページを表示
T = 1.1799 × 10 4 × 5.62 = 6.63 × 10 4 K = 66300 K T = 1.1799\times 10^{4}\times 5.62 = 6.63\times 10^{4}\mathrm{K} = 66300\mathrm{K} T = 1.1799 × 1 0 4 × 5.62 = 6.63 × 1 0 4 K = 66300 K
原文ページを表示 人間の電力密度: ρ p o w e r , h u m a n = 1506.02 W / m 3 \rho_{power,human} = 1506.02\mathrm{W / m}^{3} ρ p o w er , h u man = 1506.02 W/m 3
原文ページを表示 太陽の体積: V s u n = 4.43 × 10 27 m 3 V_{sun} = 4.43\times 10^{27}\mathrm{m}^{3} V s u n = 4.43 × 1 0 27 m 3
原文ページを表示 改造された太陽の電力: P m o d i f i e d _ s u n = 1506.02 × 4.43 × 10 27 = 6671.67 × 10 27 = 6.67 × 10 30 W P_{modified\_ sun} = 1506.02\times 4.43\times 10^{27} = 6671.67\times 10^{27} = 6.67\times 10^{30}\mathrm{W} P m o d i f i e d _ s u n = 1506.02 × 4.43 × 1 0 27 = 6671.67 × 1 0 27 = 6.67 × 1 0 30 W
原文ページを表示 ステファン・ボルツマンの法則: P = 4 π R 2 σ T 4 P = 4\pi R^{2}\sigma T^{4} P = 4 π R 2 σ T 4
原文ページを表示 T 4 = P 4 π R 2 σ T^{4} = \frac{P}{4\pi R^{2}\sigma} T 4 = 4 π R 2 σ P 原文ページを表示 4 π R s u n 2 σ = 3.44 × 10 11 4\pi R_{sun}^{2}\sigma = 3.44\times 10^{11} 4 π R s u n 2 σ = 3.44 × 1 0 11 原文ページを表示 T 4 = 6.67 × 10 30 3.44 × 10 11 = 1.939 × 10 19 T^{4} = \frac{6.67\times 10^{30}}{3.44\times 10^{11}} = 1.939\times 10^{19} T 4 = 3.44 × 1 0 11 6.67 × 1 0 30 = 1.939 × 1 0 19 原文ページを表示 T = ( 1.939 × 10 19 ) 1 / 4 = ( 193.9 × 10 17 ) 1 / 4 T = (1.939\times 10^{19})^{1 / 4} = (193.9\times 10^{17})^{1 / 4} T = ( 1.939 × 1 0 19 ) 1/4 = ( 193.9 × 1 0 17 ) 1/4 原文ページを表示 T = ( 193.9 ) 0.25 × ( 10 17 ) 0.25 = ( 193.9 ) 0.25 × 10 4.25 T = (193.9)^{0.25}\times (10^{17})^{0.25} = (193.9)^{0.25}\times 10^{4.25} T = ( 193.9 ) 0.25 × ( 1 0 17 ) 0.25 = ( 193.9 ) 0.25 × 1 0 4.25 原文ページを表示 ( 193.9 ) 0.25 (193.9)^{0.25} ( 193.9 ) 0.25 を計算する: y = 193.9 0.25 y = 193.9^{0.25} y = 193. 9 0.25 とすると、 ln y = 0.25 ln ( 193.9 ) \ln y = 0.25\ln (193.9) ln y = 0.25 ln ( 193.9 )
原文ページを表示
ln ( 193.9 ) ≈ 5.267 \ln (193.9)\approx 5.267 ln ( 193.9 ) ≈ 5.267
原文ページを表示
ln y = 0.25 × 5.267 = 1.31675 \ln y = 0.25\times 5.267 = 1.31675 ln y = 0.25 × 5.267 = 1.31675
原文ページを表示
y = e 1.31675 ≈ 3.73 y = e^{1.31675}\approx 3.73 y = e 1.31675 ≈ 3.73
原文ページを表示 T = 3.73 × 10 4.25 = 3.73 × 10 4 × 10 0.25 = 37300 × 1.778 = 66329 K T = 3.73\times 10^{4.25} = 3.73\times 10^{4}\times 10^{0.25} = 37300\times 1.778 = 66329\mathrm{K} T = 3.73 × 1 0 4.25 = 3.73 × 1 0 4 × 1 0 0.25 = 37300 × 1.778 = 66329 K 原文ページを表示 結果は約66000 Kである。これは選択肢の中にない。仮定と計算を見直してみよう。
原文ページを表示 仮定:太陽は黒体として放射する。これは表面温度を見積もるのに妥当である。
原文ページを表示 比を立てる、より簡単な方法を試してみよう。
原文ページを表示 改造された太陽の単位体積あたりの電力は、人間のそれと等しい。
原文ページを表示 P m o d i f i e d \sun V s u n = P h u m a n V h u m a n \frac{P_{modified\sun}}{V{sun}} = \frac{P_{human}}{V_{human}} V s u n P m o d i f i e d \sun = V h u man P h u man 原文ページを表示 また、 P m o d i f i e d \sun = 4 π R s u n 2 σ T m o d i f i e d _ s u n 4 P_{modified\sun} = 4\pi R{sun}^2 \sigma T_{modified\_sun}^4 P m o d i f i e d \sun = 4 π R s u n 2 σ T m o d i f i e d _ s u n 4 であることも分かっている。
原文ページを表示 4 π R s u n 2 σ T m o d i f i e d \sun 4 3 π R s u n 3 = P h u m a n V h u m a n \frac{4\pi R_{sun}^2\sigma T_{modified\sun}^4}{3\pi R{sun}^3} = \frac{P_{human}}{V_{human}} 3 π R s u n 3 4 π R s u n 2 σ T m o d i f i e d \sun 4 = V h u man P h u man 原文ページを表示 3 σ T m o d i f i e d \sun 4 R s u n = ρ p o w e r , h u m a n \frac{3\sigma T_{modified\sun}^4}{R{sun}} = \rho_{power,human} R s u n 3 σ T m o d i f i e d \sun 4 = ρ p o w er , h u man 原文ページを表示 T m o d i f i e d \sun 4 = ρ p o w e r , h u m a n R s u n 3 σ T_{modified\sun}^4 = \frac{\rho{power,human}R_{sun}}{3\sigma} T m o d i f i e d \sun 4 = 3 σ ρ p o w er , h u man R s u n 原文ページを表示 ρ p o w e r , h u m a n = 1506.02 W / m 3 \rho_{power,human} = 1506.02 \mathrm{W / m^3} ρ p o w er , h u man = 1506.02 W/ m 3 原文ページを表示 R s u n = 6.95 × 10 8 m R_{sun} = 6.95 \times 10^8 \mathrm{m} R s u n = 6.95 × 1 0 8 m 原文ページを表示 σ = 5.67 × 10 − 8 W m − 2 K − 4 \sigma = 5.67 \times 10^{-8} \mathrm{Wm}^{-2} \mathrm{K}^{-4} σ = 5.67 × 1 0 − 8 Wm − 2 K − 4 原文ページを表示 T m o d i f i e d _ s u n 4 = 1506.02 × 6.95 × 10 8 3 × 5.67 × 10 − 8 T_{modified\_sun}^4 = \frac{1506.02 \times 6.95 \times 10^8}{3 \times 5.67 \times 10^{-8}} T m o d i f i e d _ s u n 4 = 3 × 5.67 × 1 0 − 8 1506.02 × 6.95 × 1 0 8 原文ページを表示 T m o d i f i e d _ s u n 4 = 10466.839 × 10 8 17.01 × 10 − 8 = 1.0466 × 10 12 1.701 × 10 − 7 = 0.6153 × 10 19 = 6.153 × 10 18 T_{modified\_sun}^4 = \frac{10466.839 \times 10^8}{17.01 \times 10^{-8}} = \frac{1.0466 \times 10^{12}}{1.701 \times 10^{-7}} = 0.6153 \times 10^{19} = 6.153 \times 10^{18} T m o d i f i e d _ s u n 4 = 17.01 × 1 0 − 8 10466.839 × 1 0 8 = 1.701 × 1 0 − 7 1.0466 × 1 0 12 = 0.6153 × 1 0 19 = 6.153 × 1 0 18 原文ページを表示 T m o d i f i e d _ s u n = ( 6.153 × 10 18 ) 1 / 4 = ( 6153 × 10 15 ) 1 / 4 T_{modified\_sun} = (6.153 \times 10^{18})^{1 / 4} = (6153 \times 10^{15})^{1 / 4} T m o d i f i e d _ s u n = ( 6.153 × 1 0 18 ) 1/4 = ( 6153 × 1 0 15 ) 1/4 原文ページを表示 T m o d i f i e d _ s u n = ( 6153 ) 0.25 × ( 10 15 ) 0.25 = ( 6153 ) 0.25 × 10 3.75 T_{modified\_sun} = (6153)^{0.25} \times (10^{15})^{0.25} = (6153)^{0.25} \times 10^{3.75} T m o d i f i e d _ s u n = ( 6153 ) 0.25 × ( 1 0 15 ) 0.25 = ( 6153 ) 0.25 × 1 0 3.75 原文ページを表示 \( ( 6153 ) 0.25 (6153)^{0.25} ( 6153 ) 0.25 \) を計算する:
原文ページを表示 y = 6153 0.25 y = 6153^{0.25} y = 615 3 0.25 とすると、 ln y = 0.25 ln ( 6153 ) \ln y = 0.25 \ln (6153) ln y = 0.25 ln ( 6153 )
原文ページを表示
ln ( 6153 ) ≈ 8.724 \ln (6153) \approx 8.724 ln ( 6153 ) ≈ 8.724
原文ページを表示
ln y = 0.25 × 8.724 = 2.181 \ln y = 0.25 \times 8.724 = 2.181 ln y = 0.25 × 8.724 = 2.181
原文ページを表示
y = e 2.181 ≈ 8.85 y = e^{2.181} \approx 8.85 y = e 2.181 ≈ 8.85
原文ページを表示 T m o d i f i e d _ s u n = 8.85 × 10 3.75 = 8.85 × 10 3 × 10 0.75 = 8850 × 5.62 = 49737 K T_{modified\_sun} = 8.85 \times 10^{3.75} = 8.85 \times 10^{3} \times 10^{0.75} = 8850 \times 5.62 = 49737 \mathrm{K} T m o d i f i e d _ s u n = 8.85 × 1 0 3.75 = 8.85 × 1 0 3 × 1 0 0.75 = 8850 × 5.62 = 49737 K 原文ページを表示 これは選択肢E:50000 Kに近い。
原文ページを表示 単位と計算を注意深く再確認しよう。
原文ページを表示 人間の電力密度: 100 W 0.0664 m 3 = 1506.02 W / m 3 \frac{100 \mathrm{W}}{0.0664 \mathrm{m}^3} = 1506.02 \mathrm{W / m^3} 0.0664 m 3 100 W = 1506.02 W/ m 3
原文ページを表示 導出された式は T 4 = ρ p o w e r , h u m a n R s u n 3 σ T^4 = \frac{\rho_{power,human}R_{sun}}{3\sigma} T 4 = 3 σ ρ p o w er , h u man R s u n であった。
原文ページを表示 [ ρ p o w e r , h u m a n ] = W / m 3 [\rho_{power,human}] = \mathrm{W / m^3} [ ρ p o w er , h u man ] = W/ m 3 原文ページを表示
[ R s u n ] = m [R_{sun}] = \mathrm{m} [ R s u n ] = m
原文ページを表示 [ σ ] = W m − 2 K − 4 [\sigma ] = \mathrm{Wm}^{-2}\mathrm{K}^{-4} [ σ ] = Wm − 2 K − 4 原文ページを表示 ( W / m 3 ) c m W m − 2 K − 4 = W / m 2 W m − 2 K − 4 = W m 2 × m 2 K 4 W = K 4 \frac{(\mathrm{W / m^3})_{\mathrm{cm}}}{\mathrm{Wm}^{-2}\mathrm{K}^{-4}} = \frac{\mathrm{W / m^2}}{\mathrm{Wm}^{-2}\mathrm{K}^{-4}} = \frac{\mathrm{W}}{\mathrm{m}^2} \times \frac{\mathrm{m}^2\mathrm{K}^4}{\mathrm{W}} = \mathrm{K}^4 Wm − 2 K − 4 ( W/ m 3 ) cm = Wm − 2 K − 4 W/ m 2 = m 2 W × W m 2 K 4 = K 4 原文ページを表示 単位は T 4 T^4 T 4 と一致する。
原文ページを表示 分子: 1506.02 × 6.95 × 10 8 = 10466.839 × 10 8 = 1.0466 × 10 12 1506.02 \times 6.95 \times 10^8 = 10466.839 \times 10^8 = 1.0466 \times 10^{12} 1506.02 × 6.95 × 1 0 8 = 10466.839 × 1 0 8 = 1.0466 × 1 0 12
原文ページを表示 分母: 3 × 5.67 × 10 − 8 = 17.01 × 10 − 8 3 \times 5.67 \times 10^{- 8} = 17.01 \times 10^{- 8} 3 × 5.67 × 1 0 − 8 = 17.01 × 1 0 − 8
原文ページを表示 比率: 1.0466 × 10 12 17.01 × 10 − 8 = 0.061528 × 10 20 = 6.1528 × 10 18 \frac{1.0466 \times 10^{12}}{17.01 \times 10^{- 8}} = 0.061528 \times 10^{20} = 6.1528 \times 10^{18} 17.01 × 1 0 − 8 1.0466 × 1 0 12 = 0.061528 × 1 0 20 = 6.1528 × 1 0 18
原文ページを表示
T 4 = 6.1528 × 10 18 T^4 = 6.1528 \times 10^{18} T 4 = 6.1528 × 1 0 18
原文ページを表示 T = ( 6.1528 × 10 18 ) 1 / 4 = ( 6152.8 × 10 15 ) 1 / 4 T = (6.1528 \times 10^{18})^{1 / 4} = (6152.8 \times 10^{15})^{1 / 4} T = ( 6.1528 × 1 0 18 ) 1/4 = ( 6152.8 × 1 0 15 ) 1/4 原文ページを表示
T = ( 6152.8 ) 0.25 × 10 3.75 T = (6152.8)^{0.25} \times 10^{3.75} T = ( 6152.8 ) 0.25 × 1 0 3.75
原文ページを表示 精度を確保するために、対数を使いましょう。
原文ページを表示 log 10 ( 6152.8 ) ≈ 3.789 \log_{10}(6152.8) \approx 3.789 log 10 ( 6152.8 ) ≈ 3.789 原文ページを表示
0.25 × 3.789 = 0.94725 0.25 \times 3.789 = 0.94725 0.25 × 3.789 = 0.94725
原文ページを表示 10 0.94725 ≈ 8.856 10^{0.94725} \approx 8.856 1 0 0.94725 ≈ 8.856 原文ページを表示 T = 8.856 × 10 3.75 = 8.856 × 10 3 × 10 0.75 = 8856 × 5.623 = 49806 K T = 8.856 \times 10^{3.75} = 8.856 \times 10^{3} \times 10^{0.75} = 8856 \times 5.623 = 49806 \mathrm{K} T = 8.856 × 1 0 3.75 = 8.856 × 1 0 3 × 1 0 0.75 = 8856 × 5.623 = 49806 K 原文ページを表示 これは 50000 K に非常に近い値です。
原文ページを表示 小さな食い違いの考えられる原因:丸め誤差、定数の精度。
原文ページを表示 単位体積あたりの電力 = 総電力 体積 = \frac{\mathrm{総電力}}{\mathrm{体積}} = 体積 総電力
ρ p o w e r = L V \rho_{power} = \frac{L}{V} ρ p o w er = V L
L = 4 π R 2 σ T 4 L = 4\pi R^{2}\sigma T^{4} L = 4 π R 2 σ T 4
V = 4 3 π R 3 V = \frac{4}{3}\pi R^{3} V = 3 4 π R 3
ρ p o w e r = 4 π R 2 σ T 4 4 3 π R 3 = 3 σ T 4 R \rho_{power} = \frac{4\pi R^{2}\sigma T^{4}}{\frac{4}{3}\pi R^{3}} = \frac{3\sigma T^{4}}{R} ρ p o w er = 3 4 π R 3 4 π R 2 σ T 4 = R 3 σ T 4
原文ページを表示 もし改変された太陽が人間と同じ電力密度を持つなら:
原文ページを表示 ρ p o w e r , h u m a n = 3 σ T m o d i f i e d , s u n 4 R s u n \rho_{power,human} = \frac{3\sigma T_{modified, sun}^{4}}{R_{sun}} ρ p o w er , h u man = R s u n 3 σ T m o d i f i e d , s u n 4 原文ページを表示
T m o d i f i e d , s u n 4 = ρ p o w e r , h u m a n R s u n 3 σ T_{modified, sun}^{4} = \frac{\rho_{power, human} R_{sun}}{3\sigma} T m o d i f i e d , s u n 4 = 3 σ ρ p o w er , h u man R s u n
原文ページを表示 おおよその値を用いて桁数を確認しましょう。
原文ページを表示
ρ p o w e r , h u m a n ≈ 10 3 W / m 3 \rho_{power,human}\approx 10^{3}\mathrm{W / m^{3}} ρ p o w er , h u man ≈ 1 0 3 W/ m 3
原文ページを表示
R s u n ≈ 7 × 10 8 m R_{sun}\approx 7\times 10^{8}\mathrm{m} R s u n ≈ 7 × 1 0 8 m
原文ページを表示
σ ≈ 6 × 10 − 8 W m − 2 K − 4 \sigma \approx 6\times 10^{- 8}\mathrm{Wm}^{- 2}\mathrm{K}^{- 4} σ ≈ 6 × 1 0 − 8 Wm − 2 K − 4
原文ページを表示 T 4 ≈ 10 3 × 7 × 10 8 3 × 6 × 10 − 8 = 7 × 10 11 18 × 10 − 8 = 0.38 × 10 19 = 3.8 × 10 18 T^{4}\approx \frac{10^{3}\times 7\times 10^{8}}{3\times 6\times 10^{-8}} = \frac{7\times 10^{11}}{18\times 10^{-8}} = 0.38\times 10^{19} = 3.8\times 10^{18} T 4 ≈ 3 × 6 × 1 0 − 8 1 0 3 × 7 × 1 0 8 = 18 × 1 0 − 8 7 × 1 0 11 = 0.38 × 1 0 19 = 3.8 × 1 0 18 原文ページを表示
T ≈ ( 3.8 × 10 18 ) 1 / 4 = ( 3800 × 10 15 ) 1 / 4 T\approx (3.8\times 10^{18})^{1 / 4} = (3800\times 10^{15})^{1 / 4} T ≈ ( 3.8 × 1 0 18 ) 1/4 = ( 3800 × 1 0 15 ) 1/4
原文ページを表示
T ≈ ( 3800 ) 0.25 × 10 3.75 T\approx (3800)^{0.25}\times 10^{3.75} T ≈ ( 3800 ) 0.25 × 1 0 3.75
原文ページを表示 ( 3800 ) 0.25 : 7 4 = 2401 , 8 4 = 4096. (3800)^{0.25}\colon 7^{4} = 2401,8^{4} = 4096. ( 3800 ) 0.25 : 7 4 = 2401 , 8 4 = 4096. したがって、7 と 8 の間です。
原文ページを表示
≈ 7.8 \approx 7.8 ≈ 7.8
原文ページを表示
T ≈ 7.8 × 10 3.75 = 7800 × 5.6 = 43680 K T\approx 7.8\times 10^{3.75} = 7800\times 5.6 = 43680\mathrm{K} T ≈ 7.8 × 1 0 3.75 = 7800 × 5.6 = 43680 K
原文ページを表示 桁数は詳細な計算と整合しているようです。
原文ページを表示 問題文は単純明快で、隠れた複雑さはないようです。行われた仮定はこの種の問題では標準的です。
原文ページを表示 与えられた値の精度を検討しましょう。
原文ページを表示 人間の電力: 100 W 100\mathrm{W} 100 W (正確)
原文ページを表示 人間の体積: 66400 c m 3 66400\mathrm{cm}^{3} 66400 cm 3 (正確)
原文ページを表示 得られた結果は選択肢 E に非常に近い値です。多肢選択問題の性質を考えると、最も近い選択肢が意図された答えである可能性が高いです。
原文ページを表示 問題の解釈に誤りがあるとすれば、設定にある可能性が高いです。しかし、「もし太陽が同じ大きさで、人間と同じ単位体積あたりの電力を生産するとしたら」という表現は明確に思えます。
原文ページを表示 表面温度は、黒体放射を仮定してシュテファン・ボルツマンの法則を用いて計算されます。
原文ページを表示 計算値は約 49800 K で、50000 K に最も近いです。
原文ページを表示 定数により精密な値を用いれば、結果はわずかに異なるかもしれませんが、別の選択肢に移るほどではないでしょう。
原文ページを表示 問題で言及されている興味深い事実は、人間の電力密度が太陽のそれより高いことを示唆しています。これを検証しましょう。
原文ページを表示 太陽の出力: 3.846 × 10 26 W 3.846\times 10^{26}\mathrm{W} 3.846 × 1 0 26 W
原文ページを表示 太陽の体積: 4.43 × 10 27 m 3 4.43\times 10^{27}\mathrm{m}^{3} 4.43 × 1 0 27 m 3
原文ページを表示 太陽の電力密度: 3.846 × 10 26 4.43 × 10 27 = 0.868 W / m 3 \frac{3.846\times 10^{26}}{4.43\times 10^{27}} = 0.868\mathrm{W / m^{3}} 4.43 × 1 0 27 3.846 × 1 0 26 = 0.868 W/ m 3
原文ページを表示 人間の電力密度: 1506 W / m 3 1506\mathrm{W / m^{3}} 1506 W/ m 3
原文ページを表示 確かに、人間の電力密度は太陽のそれより大幅に高いです。
原文ページを表示 計算手順と論理の最終確認。改変された太陽の電力密度を人間のそれと等しくし、シュテファン・ボルツマンの法則を用いるアプローチは正しいようです。
原文ページを表示 平均的な人間が生産する電力は P h u m a n = 100 W P_{human} = 100 \mathrm{W} P h u man = 100 W であり、平均的な人間の体積は V h u m a n = 66400 c m 3 = 0.0664 m 3 V_{human} = 66400 \mathrm{cm}^3 = 0.0664 \mathrm{m}^3 V h u man = 66400 cm 3 = 0.0664 m 3 です。
原文ページを表示 人間の電力密度は ρ p o w e r , h u m a n = P h u m a n V h u m a n = 100 W 0.0664 m 3 ≈ 1506.02 W / m 3 \rho_{power,human} = \frac{P_{human}}{V_{human}} = \frac{100 \mathrm{W}}{0.0664 \mathrm{m}^3} \approx 1506.02 \mathrm{W / m}^3 ρ p o w er , h u man = V h u man P h u man = 0.0664 m 3 100 W ≈ 1506.02 W/m 3 です。
原文ページを表示 もし太陽が同じ大きさで、人間と同じ単位体積あたりの電力を生産するなら、その電力密度は ρ p o w e r , m o d i f i e d \sun = ρ p o w e r , h u m a n \rho_{power,modified\sun} = \rho{power,human} ρ p o w er , m o d i f i e d \sun = ρ p o w er , h u man となります。
原文ページを表示 太陽の半径は R s u n = 6.95 × 10 8 m R_{sun} = 6.95 \times 10^8 \mathrm{m} R s u n = 6.95 × 1 0 8 m です。
原文ページを表示 太陽の体積は V s u n = 4 3 π R s u n 3 V_{sun} = \frac{4}{3} \pi R_{sun}^3 V s u n = 3 4 π R s u n 3 です。
原文ページを表示 修正された太陽の出力密度は ρ p o w e r , m o d i f i e d \sun = P m o d i f i e d \sun V s u n \rho_{power,modified\sun} = \frac{P{modified\sun}}{V{sun}} ρ p o w er , m o d i f i e d \sun = V s u n P m o d i f i e d \sun で与えられる。
原文ページを表示 また、 P m o d i f i e d \sun = 4 π R s u n 2 σ T 4 P_{modified\sun} = 4 \pi R{sun}^2 \sigma T^4 P m o d i f i e d \sun = 4 π R s u n 2 σ T 4 であることも分かっている。ここで、 T T T は修正された太陽の表面温度である。
原文ページを表示 ρ p o w e r , h u m a n = 4 π R s u n 2 σ T 4 4 3 π R s u n 3 = 3 σ T 4 R s u n \rho_{power,human} = \frac{4 \pi R_{sun}^2 \sigma T^4}{\frac{4}{3} \pi R_{sun}^3} = \frac{3 \sigma T^4}{R_{sun}} ρ p o w er , h u man = 3 4 π R s u n 3 4 π R s u n 2 σ T 4 = R s u n 3 σ T 4 原文ページを表示 T 4 = ρ p o w e r , h u m a n R s u n 3 σ T^4 = \frac{\rho_{power,human} R_{sun}}{3 \sigma} T 4 = 3 σ ρ p o w er , h u man R s u n 原文ページを表示 T 4 = 1506.02 W / m 3 × 6.95 × 10 8 m 3 × 5.67 × 10 − 8 W m − 2 K − 4 T^4 = \frac{1506.02 \mathrm{W / m}^3 \times 6.95 \times 10^8 \mathrm{m}}{3 \times 5.67 \times 10^{-8} \mathrm{Wm}^{-2} \mathrm{K}^{-4}} T 4 = 3 × 5.67 × 1 0 − 8 Wm − 2 K − 4 1506.02 W/m 3 × 6.95 × 1 0 8 m 原文ページを表示 T 4 = 1.0466 × 10 12 1.701 × 10 − 7 = 6.1528 × 10 18 K 4 T^4 = \frac{1.0466 \times 10^{12}}{1.701 \times 10^{-7}} = 6.1528 \times 10^{18} \mathrm{K}^4 T 4 = 1.701 × 1 0 − 7 1.0466 × 1 0 12 = 6.1528 × 1 0 18 K 4 原文ページを表示 T = ( 6.1528 × 10 18 ) 1 / 4 = ( 6152.8 ) 0.25 × 10 18 / 4 = ( 6152.8 ) 0.25 × 10 4.5 T = (6.1528 \times 10^{18})^{1 / 4} = (6152.8)^{0.25} \times 10^{18 / 4} = (6152.8)^{0.25} \times 10^{4.5} T = ( 6.1528 × 1 0 18 ) 1/4 = ( 6152.8 ) 0.25 × 1 0 18/4 = ( 6152.8 ) 0.25 × 1 0 4.5 原文ページを表示 log 10 ( 6152.8 ) ≈ 3.789 \log_{10}(6152.8) \approx 3.789 log 10 ( 6152.8 ) ≈ 3.789 原文ページを表示 0.25 × 3.789 = 0.94725 0.25 \times 3.789 = 0.94725 0.25 × 3.789 = 0.94725 原文ページを表示 ( 6152.8 ) 0.25 = 10 0.94725 ≈ 8.856 (6152.8)^{0.25} = 10^{0.94725} \approx 8.856 ( 6152.8 ) 0.25 = 1 0 0.94725 ≈ 8.856 原文ページを表示 T = 8.856 × 10 4.5 = 8.856 × 10 4 × 10 0.5 = 88560 × 10 ≈ 88560 × 3.16 = 280000 K T = 8.856 \times 10^{4.5} = 8.856 \times 10^4 \times 10^{0.5} = 88560 \times \sqrt{10} \approx 88560 \times 3.16 = 280000 \mathrm{K} T = 8.856 × 1 0 4.5 = 8.856 × 1 0 4 × 1 0 0.5 = 88560 × 10 ≈ 88560 × 3.16 = 280000 K 原文ページを表示 指数の計算をやり直す: \(18 / 4 = 4.5\) 。
原文ページを表示 \(T = 8.856 \times 10^{4.5} = 8.856 \times 10^4 \times 10^{0.5}\) - 前のステップでの誤り。
原文ページを表示 \(T = (6.1528 \times 10^{18})^{0.25} = 49806 \mathrm{K}\)
原文ページを表示 表面温度はおよそ 49806 K となり、これは 50000 K に最も近い。
原文ページを表示 最終回答:最終回答は \(\boxed{E}\)
原文ページを表示 E.1. 逐次スケーリングのアブレーション 原文ページを表示 (翻訳対象の本文がなく、</lim_start> タグのみが繰り返されているため、翻訳する実質的なテキストが存在しません。翻訳すべき文章をご提供ください。) その場合、推論トレースは 1024 から 2048 トークンの間のいずれかとなる。表12では、学習後、モデルがトークン指示にほとんど従わないことを示す。より高い上限が与えられたときにはより多くのトークンを生成することもあるが、しばしば上限を超過する。これは我々のモデルに固有のものではない可能性がある。先行研究では、OpenAI o1-mini もトークン指示に従えないことが示唆されている(Zhang & Chen, 2024)。上限を超えるのを防ぐため、上限に達したら思考を終了させるバジェット強制を試す。これにより完全な制御が得られる(表12(下段))。バジェット強制を用いると、小さな思考バジェットが与えられたときにモデルがもはや上限を超過できなくなるため、スケーリング傾向もより明確になる。これにより、表3の Token Prompting + バジェット強制において、より良いテスト時スケーリング値が得られる。表3に報告するトークン条件付き制御変種の Control を計算するために、表12の思考トークンが上限未満であった回数を全評価回数で割る(介入なしでは 2/5;介入ありでは 5/5)。
原文ページを表示 ステップ条件付き制御 現在のモデルはトークンを数えられないため、トークン指示は失敗する。この能力の欠如に対応するため、我々は計数をより粗い粒度にする実験を行う。推論トレースをステップに分割し、モデルにトークン数ではなく特定のステップ数だけ考えるよう求める。我々は推論トレースを二重改行でステップに分割する。これはサンプルの手動検査に基づくと直感的な区切りとして機能することが分かった。我々は訓練サンプルをそのステップ数に応じて 2 の累乗にバケット化し、図10(右)の形式に従った対応するステップ指示を追加する。この形式は初期の実験に基づくものであり、そこではモデルがステップ上限に従う可能性がより高いことが分かった。
原文ページを表示 表13. ステップ条件付き制御による思考時間のスケーリング。すべての指標は AIME24 の 30 サンプルで平均化されている。トークン数は思考およびステップ区切りを無視する。
原文ページを表示 表14. クラス条件付き制御による思考時間のスケーリング。我々は「精度 / サンプルあたりの平均思考トークン数」を報告する;精度が高く、思考トークン数(推論コスト)が少ないほど良い。
原文ページを表示 カウントダウン(「残り3ステップ…残り2ステップ」)のときはカウントアップ(「ステップ2…ステップ3…」)よりも従いやすい。これはおそらく、カウントダウンの場合、最終ステップが常に 1 であり、それが生成を終了するための強い事前分布としてモデルに働くためである。カウントアップの場合、回答前の最終ステップは変動するため、モデルが元のステップ指示を覚えていなければ、停止に失敗する可能性がある。表13の結果から以下を結論づける:(1) モデルは依然としてステップ上限に従うのに苦労する。モデルはしばしば単に負のステップへと数え続ける。例えば「残り1 steps」などである。この問題を解決するため、我々は 0 ステップに達した時点で思考プロセスを自動的に停止し、回答トークン区切り(§3)を追加することでモデルを回答モードへ移行させる。これにより完全なステップ遵守が得られる(表13の下半分)が、問題は残る。(2) モデルはより少ないステップを各ステップを長くすることで補償する。例えば、最大16ステップ対256ステップを強いられた場合、モデルは1ステップあたり平均96トークン対56トークンを生成する。この問題にもかかわらず、表13ではより多くのステップが依然としてより多くの総思考トークンと明確に相関し、性能も向上して正の傾きとなる。(3) ステップ指示は他の手法よりコストが高い。ステップ区切りはそれぞれ約6トークンを必要とし、例えば64ステップでは合計約380トークンに達する。表13のようにトークン数でステップ区切りを無視しても、モデルは AIME24 でわずか \(33.3\%\) を達成するのに平均7551思考トークンを依然として必要とする。表3に報告するステップ条件付き制御変種の Control を計算するために、まず1ステップあたりの上限を100トークンと定め、次にこの数に指示されたステップ数を掛けて代理の総トークン上限を求める。例えば16ステップ指示なら1600である。次に、表13の思考トークンが各評価実行のそれぞれの上限内に収まるかどうかを確認する(介入なしでは 3/5;介入ありでは 5/5)。図7のモデルについては、我々のデータの初期バージョンで訓練され、評価コードベースの初期バージョンを用いたステップ条件付き制御のモデルを使用する。
原文ページを表示 クラス条件付き制御 OpenAI は、テスト時計算の制御を「reasoning_effort」API パラメータを通じてユーザーに公開しており、low、medium、high の3つの設定が可能である。OpenAI のドキュメントには、「推論の労力を減らすと、応答が速くなり、応答における推論に使用されるトークンが少なくなる可能性がある」とも記載されており、彼らが保証付きでテスト時計算を制御できないことを示唆している。したがって、OpenAI は所望の推論労力に応じて単にプロンプトやシステム指示を調整しているだけかもしれない。表14では、短い思考と長い思考に対する別々のプロンプトにより、思考時間をある程度制御できることを示す:モデルに長く考えるよう促すと思考が長くなる。しかし、それは信頼性高く性能を向上させるものではなく、制御も正確ではない。現在の制御の遵守度は3つのクラスしかない場合には十分かもしれないが、より細かいクラスにはスケールしない可能性がある。この手法について表3に報告する Control を計算するために、表14でモデルに短時間考えるよう促すことは AIME24 のデフォルトよりも少ないトークンを生成し、長いプロンプトはより多くを生成するはずだと仮定する。 8033 > 6109 8033 > 6109 8033 > 6109 かつ 9651 > 6109 9651 > 6109 9651 > 6109 であるため、2つのうち1つが我々の期待される制御に従うので、Control は 50 % 50\% 50% である。
原文ページを表示 E.2. 棄却サンプリングのアブレーションの例 原文ページを表示 3https://github.com/openai/openai-python/blob/44d6210f101abedeb2dd68507fcfcb329df70ea/src/openai/types/chat/completion_create_params.py#L172
原文ページを表示 表15. AIME24 で棄却サンプリングを行った際に、s1-32B の初期バージョンが生成した回答。黒いテキストは問題、黄色いテキストは解答である。問題のみに基づいて、我々は温度1で s1-32B を用いて水色の推論トレースと青い応答を生成する。最初の例では推論トレースが4000トークン未満になるまで、2番目の例では8000トークン未満になるまで生成する。思考が ≤ 4000 \leq 4000 ≤ 4000 ( \(\leq 8000\) トークン )になるまでに、1例あたり平均199(1)回の試行を要した。
原文ページを表示 座標平面上の点を O ( 0 , 0 ) , A ( 1 2 , 0 ) O(0,0),A(\frac{1}{2},0) O ( 0 , 0 ) , A ( 2 1 , 0 ) 、 B ( 0 , 3 2 ) B(0,\frac{\sqrt{3}}{2}) B ( 0 , 2 3 ) とする。 F \mathcal{F} F を、第1象限にあり、 P P P が x x x 軸上、 Q Q Q が y y y 軸上にある単位長さの線分 P Q ‾ \overline{P Q} P Q の族とする。 A B ‾ \overline{A B} A B 上に、 A A A および B B B とは異なり、 A B ‾ \overline{A B} A B 以外の F \mathcal{F} F のどの線分にも属さない点 C C C がただ一つ存在する。このとき O C 2 = p q O C^{2} = \frac{p}{q} O C 2 = q p であり、 p p p と q q q は互いに素な正整数である。 p + q p + q p + q を求めよ。
原文ページを表示 [3981個の思考トークンと1055個の回答トークンを用いた正しい生成]
原文ページを表示 この問題は、線分 A B ‾ \overline{A B} A B 上の点 C C C であって、 A B ‾ \overline{A B} A B 自身を除き、族 F \mathcal{F} F に属する他のどの線分にも含まれないものを求めている。
原文ページを表示 点 O , A , B O,A,B O , A , B は第一象限において三角形を形成する。
原文ページを表示
O = ( 0 , 0 ) O = (0,0) O = ( 0 , 0 )
原文ページを表示
A = ( 1 2 , 0 ) A = (\frac{1}{2},0) A = ( 2 1 , 0 )
原文ページを表示
B = ( 0 , 3 2 ) B = (0,\frac{\sqrt{3}}{2}) B = ( 0 , 2 3 )
原文ページを表示 線分 A B ‾ \overline{A B} A B は A ( 1 2 , 0 ) A(\frac{1}{2},0) A ( 2 1 , 0 ) と B ( 0 , 3 2 ) B(0,\frac{\sqrt{3}}{2}) B ( 0 , 2 3 ) を結ぶ。
原文ページを表示 A B ‾ \overline{A B} A B を含む直線の方程式は、この2点を用いて求められる。
原文ページを表示 傾き m = 3 2 − 0 0 − 1 2 = − 3 m = \frac{\frac{\sqrt{3}}{2} - 0}{0 - \frac{1}{2}} = - \sqrt{3} m = 0 − 2 1 2 3 − 0 = − 3
原文ページを表示 点 A ( 1 2 , 0 ) A(\frac{1}{2},0) A ( 2 1 , 0 ) を用いた点傾斜形 y − y 1 = m ( x − x 1 ) y - y_{1} = m(x - x_{1}) y − y 1 = m ( x − x 1 ) より
原文ページを表示 y − 0 = − 3 ( x − 1 2 )
y - 0 = -\sqrt{3} (x - \frac{1}{2})
y − 0 = − 3 ( x − 2 1 ) 原文ページを表示 y = − 3 x + 3 2
y = -\sqrt{3} x + \frac{\sqrt{3}}{2}
y = − 3 x + 2 3 原文ページを表示 線分 A B ‾ \overline{A B} A B は第一象限にあり、 ( 1 2 , 0 ) (\frac{1}{2},0) ( 2 1 , 0 ) から ( 0 , 3 2 ) (0,\frac{\sqrt{3}}{2}) ( 0 , 2 3 ) を結ぶ。
原文ページを表示 族 F \mathcal{F} F は、長さが1の線分 P Q ‾ \overline{P Q} P Q からなり、 P P P は x x x 軸上に、 Q Q Q は y y y 軸上にある。 P = ( a , 0 ) P = (a,0) P = ( a , 0 ) 、 Q = ( 0 , b ) Q = (0,b) Q = ( 0 , b ) とする。
原文ページを表示 P Q ‾ \overline{P Q} P Q の長さは ( a − 0 ) 2 + ( 0 − b ) 2 = a 2 + b 2 = 1 \sqrt{(a - 0)^{2} + (0 - b)^{2}} = \sqrt{a^{2} + b^{2}} = 1 ( a − 0 ) 2 + ( 0 − b ) 2 = a 2 + b 2 = 1 である。
原文ページを表示 したがって a 2 + b 2 = 1 a^{2} + b^{2} = 1 a 2 + b 2 = 1 である。
原文ページを表示 P P P は正の x x x 軸上に、 Q Q Q は正の y y y 軸上にあるので、 a > 0 a > 0 a > 0 かつ b > 0 b > 0 b > 0 である。
原文ページを表示 線分 P Q ‾ \overline{P Q} P Q は ( a , 0 ) (a,0) ( a , 0 ) と ( 0 , b ) (0,b) ( 0 , b ) を結ぶ。 P Q ‾ \overline{P Q} P Q を含む直線の方程式は x a + y b = 1 \frac{x}{a} +\frac{y}{b} = 1 a x + b y = 1 である。
原文ページを表示 族 F \mathcal{F} F によって覆われる領域は、これらの線分を含む直線によって囲まれる領域である。端点 ( a , 0 ) (a,0) ( a , 0 ) と ( 0 , b ) (0,b) ( 0 , b ) は a 2 + b 2 = 1 a^{2} + b^{2} = 1 a 2 + b 2 = 1 を満たすように変化する。
原文ページを表示 パラメータ化 a = cos θ a = \cos \theta a = cos θ , b = sin θ b = \sin \theta b = sin θ を考える。ただし 0 < θ < π 2 0< \theta < \frac{\pi}{2} 0 < θ < 2 π とする。
原文ページを表示 線分 P Q ‾ \overline{P Q} P Q は ( cos θ , 0 ) (\cos \theta ,0) ( cos θ , 0 ) と ( 0 , sin θ ) (0,\sin \theta) ( 0 , sin θ ) を結ぶ。直線の方程式は x cos θ + y sin θ = 1 \frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 c o s θ x + s i n θ y = 1 である。
原文ページを表示 我々は A B ‾ \overline{A B} A B 上の点 C C C であって、 A A A および B B B と異なり、 A B ‾ \overline{A B} A B 以外の F \mathcal{F} F からのどの線分にも属さないような唯一の点を探している。
原文ページを表示 C C C を A B ‾ \overline{A B} A B 上の点とする。 A B ‾ \overline{A B} A B 上の点は 0 ≤ t ≤ 1 0 \leq t \leq 1 0 ≤ t ≤ 1 に対して ( 1 − t ) A + t B (1 - t)A + tB ( 1 − t ) A + tB とパラメータ化できる。
原文ページを表示 C = ( 1 − t ) ( 1 2 , 0 ) + t ( 0 , 3 2 ) = ( 1 2 − 1 2 t , 3 2 t ) C = (1 - t)(\frac{1}{2},0) + t(0,\frac{\sqrt{3}}{2}) = (\frac{1}{2} - \frac{1}{2} t,\frac{\sqrt{3}}{2} t) C = ( 1 − t ) ( 2 1 , 0 ) + t ( 0 , 2 3 ) = ( 2 1 − 2 1 t , 2 3 t ) .
原文ページを表示 C C C は A ‾ \overline{A} A および B ‾ \overline{B} B と異なるので、 0 < t < 1 0< t< 1 0 < t < 1 である。
原文ページを表示 点 C C C がある線分 P Q ‾ ∈ F \overline{P Q} \in \mathcal{F} P Q ∈ F 上にあり、ここで P = ( cos θ , 0 ) P = (\cos \theta ,0) P = ( cos θ , 0 ) かつ Q = ( 0 , sin θ ) Q = (0,\sin \theta) Q = ( 0 , sin θ ) であると仮定する。
原文ページを表示 点 C C C は方程式 x cos θ + y sin θ = 1 \frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 c o s θ x + s i n θ y = 1 を満たす。
原文ページを表示 1 2 − 1 3 t cos θ + 3 2 t sin θ = 1 1 − t 2 cos θ + 3 t 2 sin θ = 1 \begin{array}{c} \frac{\frac{1}{2} - \frac{1}{3}t}{\cos \theta} +\frac{\frac{\sqrt{3}}{2}t}{\sin \theta} = 1 \\ \frac{1 - t}{2\cos \theta} +\frac{\sqrt{3}t}{2\sin \theta} = 1 \end{array} c o s θ 2 1 − 3 1 t + s i n θ 2 3 t = 1 2 c o s θ 1 − t + 2 s i n θ 3 t = 1 原文ページを表示 1 − t cos θ + 3 t sin θ = 2 ( 1 − t ) sin θ + 3 t cos θ = 2 sin θ cos θ \begin{array}{c} \frac{1 - t}{\cos \theta} +\frac{\sqrt{3}t}{\sin \theta} = 2 \\ (1 - t)\sin \theta +\sqrt{3} t\cos \theta = 2\sin \theta \cos \theta \end{array} c o s θ 1 − t + s i n θ 3 t = 2 ( 1 − t ) sin θ + 3 t cos θ = 2 sin θ cos θ 原文ページを表示 我々は A B ‾ \overline{AB} A B 上の点 C C C であって、 C C C を含む F \mathcal{F} F からの線分が A B ‾ \overline{AB} A B 自身だけであるような点を探している。線分 A B ‾ \overline{AB} A B は族 F \mathcal{F} F の一部である。
原文ページを表示 A B ‾ \overline{AB} A B に対して、 P = A = ( 1 2 , 0 ) P = A = (\frac{1}{2},0) P = A = ( 2 1 , 0 ) かつ Q = B = ( 0 , 3 2 ) Q = B = (0,\frac{\sqrt{3}}{2}) Q = B = ( 0 , 2 3 ) である。
原文ページを表示 ここで a = 1 2 a = \frac{1}{2} a = 2 1 , b = 3 2 b = \frac{\sqrt{3}}{2} b = 2 3 である。
原文ページを表示 a 2 + b 2 = ( 1 2 ) 2 + ( 3 2 ) 2 = 1 4 + 3 4 = 1. a^{2} + b^{2} = (\frac{1}{2})^{2} + (\frac{\sqrt{3}}{2})^{2} = \frac{1}{4} +\frac{3}{4} = 1. a 2 + b 2 = ( 2 1 ) 2 + ( 2 3 ) 2 = 4 1 + 4 3 = 1. 原文ページを表示 線分 A B ‾ \overline{AB} A B は ( 1 2 , 0 ) (\frac{1}{2},0) ( 2 1 , 0 ) と ( 0 , 3 2 ) (0,\frac{\sqrt{3}}{2}) ( 0 , 2 3 ) を結ぶ。
原文ページを表示 直線の方程式は x 1 / 2 + y 3 / 2 = 1 \frac{x}{1 / 2} +\frac{y}{\sqrt{3 / 2}} = 1 1/2 x + 3/2 y = 1 であり、これは 2 x + 2 3 y = 1 2x + \frac{2}{\sqrt{3}} y = 1 2 x + 3 2 y = 1 、すなわち 3 x + y = 3 2 \sqrt{3} x + y = \frac{\sqrt{3}}{2} 3 x + y = 2 3 に簡約される。
原文ページを表示 これは方程式 y = − 3 x + 3 2 y = -\sqrt{3} x + \frac{\sqrt{3}}{2} y = − 3 x + 2 3 と一致する。
原文ページを表示 直線族 x cos θ + y sin θ = 1 \frac{x}{\cos \theta} +\frac{y}{\sin \theta} = 1 c o s θ x + s i n θ y = 1 の包絡線を考える。
原文ページを表示 θ \theta θ に関して微分すると:
原文ページを表示 x sin θ cos 2 θ + y cos θ sin 2 θ = 0 \frac{x\sin\theta}{\cos^{2}\theta} +\frac{y\cos\theta}{\sin^{2}\theta} = 0 cos 2 θ x sin θ + sin 2 θ y cos θ = 0 原文ページを表示 y cos θ sin 2 θ = x sin θ cos 2 θ \frac{y\cos\theta}{\sin^{2}\theta} = \frac{x\sin\theta}{\cos^{2}\theta} sin 2 θ y cos θ = cos 2 θ x sin θ 原文ページを表示 y cos 3 θ = x sin 3 θ y\cos^{3}\theta = x\sin^{3}\theta y cos 3 θ = x sin 3 θ 原文ページを表示 y x = tan 3 θ \frac{y}{x} = \tan^{3}\theta x y = tan 3 θ 原文ページを表示 tan θ = ( y x ) 1 / 3 \tan \theta = (\frac{y}{x})^{1 / 3} tan θ = ( x y ) 1/3 原文ページを表示 直線の方程式から: y sin θ = sin θ cos θ − x sin θ y\sin \theta = \sin \theta \cos \theta - x\sin \theta y sin θ = sin θ cos θ − x sin θ
原文ページを表示 y = cos θ − x y = \cos \theta - x y = cos θ − x
原文ページを表示 cos θ = 1 1 + tan 2 θ = 1 1 + ( y / x ) 2 / 3 \cos \theta = \frac{1}{\sqrt{1 + \tan^{2}\theta}} = \frac{1}{\sqrt{1 + (y / x)^{2 / 3}}} cos θ = 1 + t a n 2 θ 1 = 1 + ( y / x ) 2/3 1 を代入する。
原文ページを表示 cos θ = x 1 / 3 ( x 2 / 3 + y 2 / 3 ) 1 / 2 \cos \theta = \frac{x^{1 / 3}}{(x^{2 / 3} + y^{2 / 3})^{1 / 2}} cos θ = ( x 2/3 + y 2/3 ) 1/2 x 1/3 原文ページを表示 sin θ = tan θ cos θ = ( y x ) 1 / 3 x 1 / 3 ( x 2 / 3 + y 2 / 3 ) 1 / 2 = y 1 / 3 ( x 2 / 3 + y 2 / 3 ) 1 / 2 \sin \theta = \tan \theta \cos \theta = (\frac{y}{x})^{1 / 3}\frac{x^{1 / 3}}{(x^{2 / 3} + y^{2 / 3})^{1 / 2}} = \frac{y^{1 / 3}}{(x^{2 / 3} + y^{2 / 3})^{1 / 2}} sin θ = tan θ cos θ = ( x y ) 1/3 ( x 2/3 + y 2/3 ) 1/2 x 1/3 = ( x 2/3 + y 2/3 ) 1/2 y 1/3 原文ページを表示 x cos θ + y sin θ = 1 x ( x 2 / 3 + y 2 / 3 ) 1 / 2 / x 1 / 3 + y ( x 2 / 3 + y 2 / 3 ) 1 / 2 / y 1 / 3 = 1 x 2 / 3 ( x 2 / 3 + y 2 / 3 ) 1 / 2 + y 2 / 3 ( x 2 / 3 + y 2 / 3 ) 1 / 2 = 1 ( x 2 / 3 + y 2 / 3 ) 3 / 2 = 1 x 2 / 3 + y 2 / 3 = 1 \begin{array}{c} \frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1 \\ x(x^{2 / 3} + y^{2 / 3})^{1 / 2} / x^{1 / 3} + y(x^{2 / 3} + y^{2 / 3})^{1 / 2} / y^{1 / 3} = 1 \\ x^{2 / 3}(x^{2 / 3} + y^{2 / 3})^{1 / 2} + y^{2 / 3}(x^{2 / 3} + y^{2 / 3})^{1 / 2} = 1 \\ (x^{2 / 3} + y^{2 / 3})^{3 / 2} = 1 \\ x^{2 / 3} + y^{2 / 3} = 1 \end{array} c o s θ x + s i n θ y = 1 x ( x 2/3 + y 2/3 ) 1/2 / x 1/3 + y ( x 2/3 + y 2/3 ) 1/2 / y 1/3 = 1 x 2/3 ( x 2/3 + y 2/3 ) 1/2 + y 2/3 ( x 2/3 + y 2/3 ) 1/2 = 1 ( x 2/3 + y 2/3 ) 3/2 = 1 x 2/3 + y 2/3 = 1 原文ページを表示 族 F \mathcal{F} F の包絡線はアステロイド x 2 / 3 + y 2 / 3 = 1 x^{2 / 3} + y^{2 / 3} = 1 x 2/3 + y 2/3 = 1 である。
原文ページを表示 \(\mathcal{F}\) の線分はこのアステロイドに接している。
原文ページを表示 我々が求めている A B ‾ \overline{AB} A B 上の点 C C C は、 A B ‾ \overline{AB} A B がアステロイドに接する点である。
原文ページを表示 A B ‾ \overline{AB} A B の方程式は y = − 3 x + 3 2 y = -\sqrt{3} x + \frac{\sqrt{3}}{2} y = − 3 x + 2 3 である。
原文ページを表示 x 2 / 3 + ( − 3 x + 3 2 ) 2 / 3 = 1 x^{2 / 3} + (-\sqrt{3} x + \frac{\sqrt{3}}{2})^{2 / 3} = 1 x 2/3 + ( − 3 x + 2 3 ) 2/3 = 1 原文ページを表示 u = x 1 / 3 u = x^{1 / 3} u = x 1/3 および v = y 1 / 3 v = y^{1 / 3} v = y 1/3 とおく。アステロイドは u 2 + v 2 = 1 u^{2} + v^{2} = 1 u 2 + v 2 = 1 である。
原文ページを表示 点 C C C は直線 A B ‾ \overline{AB} A B とアステロイドの両方の上にある。
原文ページを表示 アステロイドの方程式を陰関数微分すると:
原文ページを表示 2 3 x − 1 / 3 + 2 3 y − 1 / 3 y ′ = 0 \frac{2}{3} x^{-1 / 3} + \frac{2}{3} y^{-1 / 3}y' = 0 3 2 x − 1/3 + 3 2 y − 1/3 y ′ = 0 原文ページを表示 y ′ = − y 1 / 3 x 1 / 3 = − ( y x ) 1 / 3 y' = -\frac{y^{1 / 3}}{x^{1 / 3}} = -(\frac{y}{x})^{1 / 3} y ′ = − x 1/3 y 1/3 = − ( x y ) 1/3 原文ページを表示 点 ( x , y ) (x,y) ( x , y ) におけるアステロイドの接線の傾きは − y x 3 - \sqrt[3]{\frac{y}{x}} − 3 x y である。
原文ページを表示 直線 A B ‾ \overline{{A B}} A B の傾きは − 3 - \sqrt{3} − 3 である。
原文ページを表示 したがって、接点において \(- \sqrt[3]{\frac{y}{x}} = - \sqrt{3}\) である。
原文ページを表示 x 3 x = 3 \frac{\sqrt[3]{x}}{x} = \sqrt{3} x 3 x = 3 原文ページを表示 点 C C C は直線 y = − 3 x + 3 2 y = - \sqrt{3} x + \frac{\sqrt{3}}{2} y = − 3 x + 2 3 上にあり、 y x = 3 3 \frac{y}{x} = 3\sqrt{3} x y = 3 3 を満たす。
原文ページを表示 よって \(y = 3\sqrt{3} x\) である。
原文ページを表示 3 3 x = − 3 x + 3 2 3\sqrt{3} x = - \sqrt{3} x + \frac{\sqrt{3}}{2} 3 3 x = − 3 x + 2 3 原文ページを表示 3 x = − x + 1 2 3x = -x + \frac{1}{2} 3 x = − x + 2 1 原文ページを表示 4 x = 1 2 4x = \frac{1}{2} 4 x = 2 1 原文ページを表示 すると \(y = 3\sqrt{3} (\frac{1}{8}) = \frac{3\sqrt{3}}{8}\) である。
原文ページを表示 点 C C C は ( 1 8 , 3 3 8 ) (\frac{1}{8}, \frac{3\sqrt{3}}{8}) ( 8 1 , 8 3 3 ) である。
原文ページを表示 この点が線分 \(\overline{{A B}}\) 上にあるかどうかを確認する必要がある。
原文ページを表示 点 C C C は ( 1 2 − 1 2 t , 3 2 t ) (\frac{1}{2} - \frac{1}{2} t, \frac{\sqrt{3}}{2} t) ( 2 1 − 2 1 t , 2 3 t ) の形をしている。
原文ページを表示 1 2 − 1 2 t = 1 8 ⇒ 4 − 4 t = 1 ⇒ 3 = 4 t ⇒ t = 3 4 . 3 2 t = 3 2 ⋅ 3 4 = 3 3 8 . \begin{array}{c} \frac{1}{2} - \frac{1}{2} t = \frac{1}{8} \Rightarrow 4 - 4t = 1 \Rightarrow 3 = 4t \Rightarrow t = \frac{3}{4}. \\ \frac{\sqrt{3}}{2} t = \frac{\sqrt{3}}{2} \cdot \frac{3}{4} = \frac{3\sqrt{3}}{8}. \end{array} 2 1 − 2 1 t = 8 1 ⇒ 4 − 4 t = 1 ⇒ 3 = 4 t ⇒ t = 4 3 . 2 3 t = 2 3 ⋅ 4 3 = 8 3 3 . 原文ページを表示 よって C C C は A B ‾ \overline{{A B}} A B 上にある。
原文ページを表示 0 < t < 1 0 < t < 1 0 < t < 1 であることを確認する必要があり、 t = 3 4 t = \frac{3}{4} t = 4 3 に対してこれは成り立つ。
原文ページを表示 次に、この点 C C C が F \mathcal{F} F の他のどの線分にも属さないことを確認する必要がある。
原文ページを表示 点 C C C はアステロイド上にある。線分 A B ‾ \overline{{A B}} A B は C C C においてアステロイドに接している。
原文ページを表示 \(\mathcal{F}\) からの \(C\) を含む他の任意の線分は、\(C\) を接点ではなく内点として持つことになる。
原文ページを表示 族 \(\mathcal{F}\) のパラメータ化を考えよう。
原文ページを表示 点 \((x, y)\) がある \(\mathcal{F}\) 内の線分に属するのは、\(\frac{x}{\cos \theta} + \frac{y}{\sin \theta} = 1\) を満たす \(\theta\) が存在するとき、かつそのときに限る。
原文ページを表示 点 \(C = (\frac{1}{8}, \frac{3\sqrt{3}}{8})\) について、次が成り立つ:
原文ページを表示 1 / 8 cos θ + 3 3 / 8 sin θ = 1 \frac{1 / 8}{\cos \theta} + \frac{3\sqrt{3} / 8}{\sin \theta} = 1 cos θ 1/8 + sin θ 3 3 /8 = 1 原文ページを表示 1 cos θ + 3 3 sin θ = 8 \frac{1}{\cos \theta} + \frac{3\sqrt{3}}{\sin \theta} = 8 cos θ 1 + sin θ 3 3 = 8 原文ページを表示 \(\sin \theta + 3\sqrt{3} \cos \theta = 8 \sin \theta \cos \theta\)
原文ページを表示 \(\sin \theta + 3\sqrt{3} \cos \theta = 4 \sin (2\theta)\)
原文ページを表示 \(C\) は \(\overline{{A B}}\) 上にあり、それは \(\mathcal{F}\) 内の何らかの特定の線分に対応することを我々は知っている。
原文ページを表示 問題文は、そのような点 \(C\) の存在と一意性を仮定している。
原文ページを表示 \(\overline{{A B}}\) 上の、\(A\) および \(B\) とは異なる唯一の点 \(C\) であって、\(\overline{{A B}}\) 以外の \(\mathcal{F}\) からのいかなる線分にも属さないもの。
原文ページを表示 これは、もし \(C\) が別の線分 \(\overline{{P^{\prime}Q^{\prime}}} \in \mathcal{F}\) 上にあるならば、\(\overline{{P^{\prime}Q^{\prime}}} = \overline{{A B}}\) であることを意味する。
原文ページを表示 点 \(C\) は \(\overline{{A B}}\) とアストロイドとの接点である。
原文ページを表示 ここで \(O C^{2}\) を求めなければならない。
原文ページを表示 O C 2 = ( 1 8 ) 2 + ( 3 3 8 ) 2 = 1 64 + 27 64 = 28 64 = 7 16 . O C^{2} = (\frac{1}{8})^{2} + (\frac{3\sqrt{3}}{8})^{2} = \frac{1}{64} + \frac{27}{64} = \frac{28}{64} = \frac{7}{16}. O C 2 = ( 8 1 ) 2 + ( 8 3 3 ) 2 = 64 1 + 64 27 = 64 28 = 16 7 . 原文ページを表示 ここで \(p = 7\) および \(q = 16\) である。
原文ページを表示 \(p\) と \(q\) は互いに素である。
原文ページを表示 \(p + q = 7 + 16 = 23\) 。
原文ページを表示 族 \(\mathcal{F}\) は、軸上に端点を持つ単位長の線分からなる。
原文ページを表示 この族の包絡線はアストロイド \(x^{2 / 3} + y^{2 / 3} = 1\) である。
原文ページを表示 \(\mathcal{F}\) からの線分はアストロイドに接する。
原文ページを表示 線分 \(\overline{{A B}}\) もまた族 \(\mathcal{F}\) の要素である。
原文ページを表示 我々は \(\overline{{A B}}\) 上の、アストロイド上にある点 \(C\) を探している。
原文ページを表示 この点 \(C\) は \(\overline{{A B}}\) とアストロイドとの接点である。
原文ページを表示 もし \(\overline{{A B}}\) 上の点がアストロイド上にあるならば、それはその点における接線分に属する。\(\overline{{A B}}\) がその接線分であるから、この点は \(\mathcal{F}\) からの他のいかなる線分にも属さない。
原文ページを表示 線分 \(\overline{{A B}}\) がアストロイドと二点で交わる場合を考えよう。
原文ページを表示 もし線分 \(\overline{{A B}}\) がアストロイドに接していないならば、二つの交点が存在する。
原文ページを表示 交点を \(C_{1}\) および \(C_{2}\) としよう。
原文ページを表示 もし \(C_{1}\) が \(\overline{{A B}}\) 上にあるならば、\(C_{1}\) におけるアストロイドへの接線は線分 \(\overline{{A B}}\) である。
原文ページを表示 もし \(C_{2}\) が \(\overline{{A B}}\) 上にあるならば、\(C_{2}\) におけるアストロイドへの接線は線分 \(\overline{{A B}}\) である。
原文ページを表示 \(\overline{{A B}}\) の傾きは \(- \sqrt{3}\) である。
原文ページを表示 我々は接線の傾きが \(- \sqrt{3}\) であるアストロイド上の点を求めた。
原文ページを表示 問題文はそのような点 \(C\) の一意性を保証している。
原文ページを表示 点 \(C\) は \(\overline{{A B}}\) の内点でなければならないので、\(0< t< 1\) である。
原文ページを表示 パラメータ \(t = \frac{3}{4}\) はこの範囲にある。
原文ページを表示 点 \(C\) は \(A\) および \(B\) とは異なる。
原文ページを表示 もし \(C = A\) ならば、\(t = 0\) 、\(C = (\frac{1}{2},0)\) である。
原文ページを表示 もし \(C = B\) ならば、\(t = 1\) 、\(C = (0,\frac{\sqrt{3}}{2})\) である。
原文ページを表示 接点 \(C\) は \(\overline{{A B}}\) 上の(端点を除く)アストロイド上にある唯一の点である。
原文ページを表示 長さが単位である線分 \(\overline{{P Q}}\) で、\(P\) が正の \(x\) 軸上に、 \(Q\) が正の \(y\) 軸上にあるものによって、線分族 \(\mathcal{F}\) を定義する。 \(P = (a,0)\)、\(Q = (0,b)\) とする。 長さの条件から \(a^{2} + b^{2} = 1\) が得られる。 線分 \(\overline{{P Q}}\) は直線 \(\frac{x}{a} +\frac{y}{b} = 1\) 上にある。 \(0< \theta < \frac{\pi}{2}\) として \(a = \cos \theta\)、\(b = \sin \theta\) というパラメータ表示を用いると、 その直線の方程式は \(\frac{x}{\cos\theta} +\frac{y}{\sin\theta} = 1\) である。
原文ページを表示 この直線族の包絡線はアステロイド \(x^{2 / 3} + y^{2 / 3} = 1\) である。
原文ページを表示 \(\mathcal{F}\) の線分はこのアステロイドに接している。
原文ページを表示 線分 \(\overline{{A B}}\) は \(A(\frac{1}{2},0)\) と \(B(0,\frac{\sqrt{3}}{2})\) を結ぶ。\(\overline{{A B}}\) を含む直線の方程式は \(y = - \sqrt{3} x + \frac{\sqrt{3}}{2}\) である。この線分は族 \(\mathcal{F}\) の一部である。
原文ページを表示 我々が求めているのは、\(\overline{{A B}}\) 上の点であって、\(A\) とも \(B\) とも異なり、\(\overline{{A B}}\) 以外の \(\mathcal{F}\) のどの線分にも属さない唯一の点 \(C\) である。これは、\(C\) が \(\overline{{A B}}\) とアステロイドの接点であることを意味する。
原文ページを表示 点 \((x,y)\) におけるアステロイドの接線の傾きは \(- \sqrt[3]{\frac{y}{x}}\) である。\(\overline{{A B}}\) の傾きは \(- \sqrt{3}\) である。
原文ページを表示 傾きを等しいとおくと、\(- \sqrt[3]{\frac{y}{x}} = - \sqrt{3} \Rightarrow \frac{y}{x} = 3\sqrt{3}\) となる。
原文ページを表示 点 \(C\) は直線 \(y = - \sqrt{3} x + \frac{\sqrt{3}}{2}\) 上にあり、\(y = 3\sqrt{3} x\) を満たす。
原文ページを表示 代入すると、\(3\sqrt{3} x = - \sqrt{3} x + \frac{\sqrt{3}}{2} \Rightarrow 4\sqrt{3} x = \frac{\sqrt{3}}{2} \Rightarrow x = \frac{1}{8}\) となる。
原文ページを表示 すると \(y = 3\sqrt{3} (\frac{1}{8}) = \frac{3\sqrt{3}}{8}\) である。
原文ページを表示 点 \(C\) は \((\frac{1}{8},\frac{3\sqrt{3}}{8})\) である。
原文ページを表示 \(C\) が \(\overline{{A B}}\) 上にあるかどうかを確認する必要がある。\(\overline{{A B}}\) 上の点は \(0\leq t\leq 1\) に対して \((\frac{1}{2} - \frac{1}{2} t,\frac{\sqrt{3}}{2} t)\) である。
原文ページを表示 \(x = \frac{1}{8}\) について、\(\frac{1}{2} - \frac{1}{2} t = \frac{1}{8} \Rightarrow t = \frac{3}{4}\) である。
原文ページを表示 \(y = \frac{3\sqrt{3}}{8}\) について、\(\frac{\sqrt{3}}{2} t = \frac{3\sqrt{3}}{8} \Rightarrow t = \frac{3}{4}\) である。
原文ページを表示 \(0< \frac{3}{4} < 1\) であるから、\(C\) は \(\overline{{A B}}\) の内点である。
原文ページを表示 点 \(C\) は、\(\overline{{A B}}\) 上で(端点を除いて)アステロイド上にある唯一の点である。\(C\) におけるアステロイドの接線は線分 \(\overline{{A B}}\) である。したがって、\(C\) は \(\mathcal{F}\) の他のどの線分にも属さない。
原文ページを表示 最後に、\(O C^{2} = (\frac{1}{8})^{2} + (\frac{3\sqrt{3}}{8})^{2} = \frac{1}{64} +\frac{27}{64} = \frac{28}{64} = \frac{7}{16}\) を計算する。
原文ページを表示 \(p = 7\)、\(q = 16\) が得られる。これらは互いに素である。
原文ページを表示 \(p + q = 7 + 16 = 23\)
原文ページを表示 [5923 個の思考トークンと 754 個の解答トークンを伴う誤った生成]
原文ページを表示 この問題は、線分 \(\overline{{A B}}\) 上の点 \(C\) であって、\(\overline{{A B}}\) 自身を除き、族 \(\mathcal{F}\) の他のどの線分上にもないものを求める。族 \(\mathcal{F}\) は、第1象限において \(P\) が \(x\) 軸上に、\(Q\) が \(y\) 軸上にある長さ1の線分 \(\overline{{P Q}}\) からなる。\(P = (x,0)\)、\(Q = (0,y)\) とする。ただし \(x > 0\)、\(y > 0\) である。線分 \(\overline{{P Q}}\) の長さは1であるから、\(P\) と \(Q\) の距離は1である。
原文ページを表示 ( x − 0 ) 2 + ( 0 − y ) 2 x 2 + y 2 = 1 x 2 + y 2 = 1 \begin{array}{c} \frac{\sqrt{(x - 0)^{2}} + (0 - y)^{2}}{x^{2} + y^{2}} = 1 \\ x^{2} + y^{2} = 1 \end{array} x 2 + y 2 ( x − 0 ) 2 + ( 0 − y ) 2 = 1 x 2 + y 2 = 1 原文ページを表示 線分 P Q ‾ \overline{{P Q}} P Q は第1象限にあり、したがって x > 0 x > 0 x > 0 かつ y > 0 y > 0 y > 0 である。
原文ページを表示 方程式 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 は第1象限における四分円を表し、端点は ( 1 , 0 ) (1,0) ( 1 , 0 ) と ( 0 , 1 ) (0,1) ( 0 , 1 ) である。線分 P Q ‾ \overline{{P Q}} P Q 上の点は ( 1 − t ) x + t ( 0 ) , ( 1 − t ) 0 + t y ) = ( x ( 1 − t ) , y t ) (1 - t)x + t(0), (1 - t)0 + ty) = (x(1 - t),yt) ( 1 − t ) x + t ( 0 ) , ( 1 − t ) 0 + t y ) = ( x ( 1 − t ) , y t ) とパラメータ化できる。ここで 0 ≤ t ≤ 1 0 \leq t \leq 1 0 ≤ t ≤ 1 である。
原文ページを表示 線分 A B ‾ \overline{{A B}} A B は A ( 1 2 , 0 ) A(\frac{1}{2},0) A ( 2 1 , 0 ) と B ( 0 , 3 2 ) B(0,\frac{\sqrt{3}}{2}) B ( 0 , 2 3 ) を結ぶ。
原文ページを表示 A B ‾ \overline{{A B}} A B を含む直線の方程式は、2点を用いて求められる: 傾き m = 3 2 − 0 0 − 1 2 2 = 3 2 1 2 = − 3 m = \frac{\frac{\sqrt{3}}{2} - 0}{\frac{0 - \frac{1}{2}}{2}} = \frac{\frac{\sqrt{3}}{2}}{\frac{1}{2}} = -\sqrt{3} m = 2 0 − 2 1 2 3 − 0 = 2 1 2 3 = − 3 。
原文ページを表示 点 A ( 1 2 , 0 ) A(\frac{1}{2},0) A ( 2 1 , 0 ) を用いた点傾斜形により:
原文ページを表示 y − 0 = − 3 ( x − 1 2 ) y = − 3 x + 3 2 \begin{array}{c} y - 0 = -\sqrt{3} (x - \frac{1}{2}) \\ y = -\sqrt{3} x + \frac{\sqrt{3}}{2} \end{array} y − 0 = − 3 ( x − 2 1 ) y = − 3 x + 2 3 原文ページを表示 線分 A B ‾ \overline{{A B}} A B は第1象限において、 x = 0 x = 0 x = 0 と x = 1 2 x = \frac{1}{2} x = 2 1 の間にある。
原文ページを表示 あるいは、 A B ‾ \overline{{A B}} A B 上の点をパラメータ化することもできる。 C C C を A B ‾ \overline{{A B}} A B 上の点とする。このとき、ある 0 ≤ λ ≤ 1 0 \leq \lambda \leq 1 0 ≤ λ ≤ 1 に対して C = ( 1 − λ ) A + λ B C = (1 - \lambda)A + \lambda B C = ( 1 − λ ) A + λ B である。
原文ページを表示 C = ( 1 − λ ) ( 1 2 , 0 ) + λ ( 0 , 3 2 ) = ( 1 2 − 1 2 λ , 3 2 λ ) . C = (1 - \lambda)(\frac{1}{2},0) + \lambda (0,\frac{\sqrt{3}}{2}) = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda). C = ( 1 − λ ) ( 2 1 , 0 ) + λ ( 0 , 2 3 ) = ( 2 1 − 2 1 λ , 2 3 λ ) . 原文ページを表示 我々は、 A B ‾ \overline{{A B}} A B 上の点 C C C であって、 A A A および B B B とは異なり、 A B ‾ \overline{{A B}} A B 以外の F \mathcal{F} F からのいかなる線分にも属さないような唯一の点を探している。 F \mathcal{F} F からの線分で、端点が P = ( x , 0 ) P = (x,0) P = ( x , 0 ) および Q = ( 0 , y ) Q = (0,y) Q = ( 0 , y ) であり、 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 を満たすものを考える。 この線分上の点は ( x ( 1 − t ) , y t ) (x(1 - t),yt) ( x ( 1 − t ) , y t ) の形をしており、ここで 0 ≤ t ≤ 1 0 \leq t \leq 1 0 ≤ t ≤ 1 である。 我々は、 A B ‾ \overline{{A B}} A B 上の点 C C C であって、 C ≠ A , B C \neq A,B C = A , B であり、もし C C C がある線分 P Q ‾ ∈ F \overline{{P Q}} \in \mathcal{F} P Q ∈ F 上にあるならば P Q ‾ = A B ‾ \overline{{P Q}} = \overline{{A B}} P Q = A B となるような点を見つけたい。
原文ページを表示 C = ( 1 2 − 1 2 λ , 3 2 λ ) C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) C = ( 2 1 − 2 1 λ , 2 3 λ ) とし、ここで 0 < λ < 1 0 < \lambda < 1 0 < λ < 1 である。 もし C C C が F \mathcal{F} F からの線分 P Q ‾ \overline{{P Q}} P Q 上にあるならば、 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 を満たす x , y > 0 x,y > 0 x , y > 0 および t ∈ [ 0 , 1 ] t \in [0,1] t ∈ [ 0 , 1 ] が存在して次を満たす:
原文ページを表示 1 2 − 1 2 λ = x ( 1 − t ) \frac{1}{2} - \frac{1}{2}\lambda = x(1 - t) 2 1 − 2 1 λ = x ( 1 − t ) 原文ページを表示 3 2 λ = y t \frac{\sqrt{3}}{2}\lambda = yt 2 3 λ = y t 原文ページを表示 第1の方程式から、 1 − t = 1 2 − 1 2 λ 2 x = 1 − λ 2 x 1 - t = \frac{\frac{1}{2} - \frac{1}{2}\lambda}{2x} = \frac{1 - \lambda}{2x} 1 − t = 2 x 2 1 − 2 1 λ = 2 x 1 − λ である。 第2の方程式から、 t = 3 2 λ y = 3 λ 2 y t = \frac{\frac{\sqrt{3}}{2}\lambda}{y} = \frac{\sqrt{3}\lambda}{2y} t = y 2 3 λ = 2 y 3 λ である。 t ∈ [ 0 , 1 ] t \in [0,1] t ∈ [ 0 , 1 ] であるから、 1 − t ∈ [ 0 , 1 ] 1 - t \in [0,1] 1 − t ∈ [ 0 , 1 ] である。 また、 x > 0 x > 0 x > 0 であるから、 1 − λ 2 x > 0 \frac{1 - \lambda}{2x} > 0 2 x 1 − λ > 0 となり、これは 1 − λ > 0 1 - \lambda > 0 1 − λ > 0 、すなわち λ < 1 \lambda < 1 λ < 1 を意味する。これは A B ‾ \overline{{A B}} A B 上の点に対する条件と矛盾しない。
原文ページを表示 我々は 1 − t = 1 − λ 2 x 1 - t = \frac{1 - \lambda}{2x} 1 − t = 2 x 1 − λ および t = 3 λ 2 y t = \frac{\sqrt{3}\lambda}{2y} t = 2 y 3 λ を得ている。 これらの方程式を加えると: 1 = 1 − λ 2 x + 3 λ 2 y 1 = \frac{1 - \lambda}{2x} + \frac{\sqrt{3}\lambda}{2y} 1 = 2 x 1 − λ + 2 y 3 λ
原文ページを表示 2 x y = ( 1 − λ ) y + 3 λ x 2xy = (1 - \lambda)y + \sqrt{3}\lambda x 2 x y = ( 1 − λ ) y + 3 λ x 原文ページを表示 我々は x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 を知っている。 もし点 C C C が線分 A B ‾ \overline{{A B}} A B 自体に属するならば、その線分の端点は A A A および B B B である。 したがって、その線分は ( 1 2 , 0 ) (\frac{1}{2},0) ( 2 1 , 0 ) から ( 0 , 3 2 ) (0,\frac{\sqrt{3}}{2}) ( 0 , 2 3 ) へのものである。 ここで、 x = 1 2 x = \frac{1}{2} x = 2 1 および y = 3 2 y = \frac{\sqrt{3}}{2} y = 2 3 である。 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 かどうかを確認する: ( 1 2 ) 2 + ( 3 2 ) 2 = 1 4 + 3 4 = 1 (\frac{1}{2})^{2} + (\frac{\sqrt{3}}{2})^{2} = \frac{1}{4} +\frac{3}{4} = 1 ( 2 1 ) 2 + ( 2 3 ) 2 = 4 1 + 4 3 = 1 。したがって A B ‾ ∈ F \overline{{A B}}\in \mathcal{F} A B ∈ F である。
原文ページを表示 C C C が F \mathcal{F} F からの別の線分 P Q ‾ \overline{{P Q}} P Q に属し、端点が P = ( x , 0 ) P = (x,0) P = ( x , 0 ) および Q = ( 0 , y ) Q = (0,y) Q = ( 0 , y ) であって、 ( x , y ) ≠ ( 1 2 , 3 2 ) (x,y)\neq (\frac{1}{2},\frac{\sqrt{3}}{2}) ( x , y ) = ( 2 1 , 2 3 ) であるとする。 幾何学的解釈を考えよう。族 F \mathcal{F} F は、座標軸上に端点をもつ単位長さの線分からなる。これらの線分の中点は円 ( x − 1 2 ) 2 + ( y − 1 2 ) 2 = 1 2 (x - \frac{1}{2})^{2} + (y - \frac{1}{2})^{2} = \frac{1}{2} ( x − 2 1 ) 2 + ( y − 2 1 ) 2 = 2 1 上にある。 点 C C C が何らかの λ \lambda λ に対応するとする。 もし C C C が P Q ‾ \overline{{P Q}} P Q 上にあるなら、 C = ( x ( 1 − t ) , y t ) C = (x(1 - t),y t) C = ( x ( 1 − t ) , y t ) である。 したがって、 1 2 − 1 2 λ = x ( 1 − t ) \frac{1}{2} - \frac{1}{2}\lambda = x(1 - t) 2 1 − 2 1 λ = x ( 1 − t ) かつ 3 2 λ = y t \frac{\sqrt{3}}{2}\lambda = y t 2 3 λ = y t である。 我々は、 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 、 x , y > 0 x,y > 0 x , y > 0 のもとでこれらの方程式の唯一の解が x = 1 2 x = \frac{1}{2} x = 2 1 および y = 3 2 y = \frac{\sqrt{3}}{2} y = 2 3 となるような λ ∈ ( 0 , 1 ) \lambda \in (0,1) λ ∈ ( 0 , 1 ) を見つける必要がある。 これらの方程式から、 1 − t = 1 − λ 2 x 1 - t = \frac{1 - \lambda}{2x} 1 − t = 2 x 1 − λ および t = 3 λ 2 y t = \frac{\sqrt{3}\lambda}{2y} t = 2 y 3 λ を得る。 これらを x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 に代入せよ。
原文ページを表示 別のアプローチを試みよう。線分族への接線を考える。 線分は、 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 を満たす点 ( x , 0 ) (x,0) ( x , 0 ) と ( 0 , y ) (0,y) ( 0 , y ) によって形成される。 線分 P Q ‾ \overline{{P Q}} P Q を含む直線の方程式は x x + y y = 1 \frac{x}{x} +\frac{y}{y} = 1 x x + y y = 1 、すなわち x x + y y = 1 \frac{x}{x} +\frac{y}{y} = 1 x x + y y = 1 である。 直線の方程式は x x + y y = 1 \frac{x}{x} +\frac{y}{y} = 1 x x + y y = 1 である。
原文ページを表示 線分の方程式をパラメータ形式で考えよう: ( x ( 1 − t ) , y t ) (x(1 - t),y t) ( x ( 1 − t ) , y t ) 。 もし点 C C C がこの線分上にあるなら、 C = ( x c , y c ) C = (x_{c},y_{c}) C = ( x c , y c ) であり、ここで x c = x ( 1 − t ) x_{c} = x(1 - t) x c = x ( 1 − t ) かつ y c = y t y_{c} = y t y c = y t である。 したがって、 x c x = 1 − t \frac{x_{c}}{x} = 1 - t x x c = 1 − t かつ y c y = t \frac{y_{c}}{y} = t y y c = t である。 x c x + y c y = 1 − t + t = 1 \frac{x_{c}}{x} +\frac{y_{c}}{y} = 1 - t + t = 1 x x c + y y c = 1 − t + t = 1 である。 F \mathcal{F} F からの線分は、 x 0 2 + y 0 2 = 1 x_{0}^{2} + y_{0}^{2} = 1 x 0 2 + y 0 2 = 1 、 x 0 , y 0 > 0 x_{0},y_{0} > 0 x 0 , y 0 > 0 である直線 x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 の一部である。
原文ページを表示 点 C = ( 1 2 − 1 2 λ , 3 2 λ ) C = (\frac{1}{2} -\frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) C = ( 2 1 − 2 1 λ , 2 3 λ ) を考えよう。 もし C C C が端点 ( x , 0 ) (x,0) ( x , 0 ) および ( 0 , y ) (0,y) ( 0 , y ) をもつ F \mathcal{F} F からの線分上にあるなら、次が成り立つ:
原文ページを表示 1 − 1 2 λ x + 3 λ y = 1 \frac{1 - \frac{1}{2}\lambda}{x} +\frac{\sqrt{3}\lambda}{y} = 1 x 1 − 2 1 λ + y 3 λ = 1 原文ページを表示 1 − λ 2 x + 3 λ 2 y = 1 \frac{1 - \lambda}{2x} +\frac{\sqrt{3}\lambda}{2y} = 1 2 x 1 − λ + 2 y 3 λ = 1 原文ページを表示 我々は、 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 、 x , y > 0 x,y > 0 x , y > 0 のもとでこの方程式の唯一の解 ( x , y ) (x,y) ( x , y ) が ( 1 2 , 3 2 ) (\frac{1}{2},\frac{\sqrt{3}}{2}) ( 2 1 , 2 3 ) となるような、一意の λ ∈ ( 0 , 1 ) \lambda \in (0,1) λ ∈ ( 0 , 1 ) を見つける必要がある。
原文ページを表示 x = 1 2 x = \frac{1}{2} x = 2 1 および y = 3 2 y = \frac{\sqrt{3}}{2} y = 2 3 を方程式に代入せよ:
原文ページを表示 1 − λ 2 ( 1 2 ) + 3 λ 2 ( 3 2 ) = 1 \frac{1 - \lambda}{2(\frac{1}{2})} +\frac{\sqrt{3}\lambda}{2(\frac{\sqrt{3}}{2})} = 1 2 ( 2 1 ) 1 − λ + 2 ( 2 3 ) 3 λ = 1 原文ページを表示 1 − λ + λ = 1 1 - \lambda +\lambda = 1 1 − λ + λ = 1 原文ページを表示 これは、 A B ‾ \overline{{A B}} A B 上の任意の点が線分 A B ‾ \overline{{A B}} A B 自体の上にあることを示している。
原文ページを表示 A B ‾ \overline{{A B}} A B を含む直線を考えよう: y = − 3 x + 3 2 y = -\sqrt{3} x + \frac{\sqrt{3}}{2} y = − 3 x + 2 3 。
原文ページを表示 もし A B ‾ \overline{{A B}} A B 上の点 C C C が、端点 ( x , 0 ) (x,0) ( x , 0 ) および ( 0 , y ) (0,y) ( 0 , y ) をもつ F \mathcal{F} F からの別の線分上にもあるなら、次が成り立つ:
原文ページを表示 x C x + y C y = 1. \frac{x_{C}}{x} +\frac{y_{C}}{y} = 1. x x C + y y C = 1. 原文ページを表示 点 C C C が A B ‾ \overline{{A B}} A B を比 μ : ( 1 − μ ) \mu :(1 - \mu) μ : ( 1 − μ ) (ただし 0 < μ < 1 0< \mu < 1 0 < μ < 1 )で分割するとする。
原文ページを表示 C = ( 1 − μ ) A + μ B = ( 1 − μ ) ( 1 2 , 0 ) + μ ( 0 , 3 2 ) = ( 1 2 − 1 2 μ , 3 2 μ ) . C = (1 - \mu)A + \mu B = (1 - \mu)(\frac{1}{2},0) + \mu (0,\frac{\sqrt{3}}{2}) = (\frac{1}{2} -\frac{1}{2}\mu ,\frac{\sqrt{3}}{2}\mu). C = ( 1 − μ ) A + μ B = ( 1 − μ ) ( 2 1 , 0 ) + μ ( 0 , 2 3 ) = ( 2 1 − 2 1 μ , 2 3 μ ) . 原文ページを表示 もし C C C が端点 ( x , 0 ) (x,0) ( x , 0 ) および ( 0 , y ) (0,y) ( 0 , y ) をもつ線分上にあるなら、次が成り立つ:
原文ページを表示 1 − 1 2 μ x + 3 μ 2 = 1. \frac{1 - \frac{1}{2}\mu}{x} +\frac{\sqrt{3}\mu}{2} = 1. x 1 − 2 1 μ + 2 3 μ = 1. 原文ページを表示 直線が x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 の形で C C C を通り、ここで x 0 2 + y 0 2 = 1 x_{0}^{2} + y_{0}^{2} = 1 x 0 2 + y 0 2 = 1 であるような点 C C C が一意であるような点 \(C\) を探している。
原文ページを表示 原点を中心とする単位円への接線を考える。 x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 の形の直線は円 x 2 + y 2 = r 2 x^{2} + y^{2} = r^{2} x 2 + y 2 = r 2 への接線である。
原文ページを表示 双対問題を考えよ。線分の族は第1象限の四分円 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 上の点に対応する。
原文ページを表示 線分を含む直線は x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 である。
原文ページを表示 これらの直線の包絡線は、これらの直線を接線とする曲線である。
原文ページを表示 方程式 x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 に、制約 x 0 2 + y 0 2 = 1 x_{0}^{2} + y_{0}^{2} = 1 x 0 2 + y 0 2 = 1 を課す。
原文ページを表示 x 0 = cos θ x_{0} = \cos \theta x 0 = cos θ 、 y 0 = sin θ y_{0} = \sin \theta y 0 = sin θ とおく。ここで 0 < θ < π 2 0 < \theta < \frac{\pi}{2} 0 < θ < 2 π である。
原文ページを表示 直線の方程式は x cos θ + y sin θ = 1 x \cos \theta + y \sin \theta = 1 x cos θ + y sin θ = 1 である。
原文ページを表示 直線族 x cos θ + y sin θ = 1 x \cos \theta + y \sin \theta = 1 x cos θ + y sin θ = 1 の包絡線は円 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 である。
原文ページを表示 F \mathcal{F} F からの線分は、第1象限における単位円への接線の一部である。
原文ページを表示 A B ‾ \overline{AB} A B 上の点 C C C が F \mathcal{F} F からの他のどの線分にも属さないということは、 C C C を通る単位円への接線が一意であることを意味する。
原文ページを表示 点 C = ( 1 2 − 1 2 λ , 3 2 λ ) C = (\frac{1}{2} - \frac{1}{2}\lambda , \frac{\sqrt{3}}{2}\lambda) C = ( 2 1 − 2 1 λ , 2 3 λ ) を考える。
原文ページを表示 C C C を通る単位円への接線は x x C + y y C = 1 xx_{C} + yy_{C} = 1 x x C + y y C = 1 の形をとる。
原文ページを表示 接線が一意であるならば、 C C C は単位円上にある。
原文ページを表示 1 2 − 1 2 λ ) 2 + ( 3 2 λ ) 2 = 1 1 4 − 1 2 λ + 1 4 λ 2 ) + 3 4 λ 2 = 1 1 4 − 1 2 λ + λ 2 = 1 4 λ 2 − 2 λ + 1 = 4 4 λ 2 − 2 λ − 3 = 0 \begin{array}{c} \frac{1}{2} -\frac{1}{2}\lambda)^{2} + (\frac{\sqrt{3}}{2}\lambda)^{2} = 1 \\ \frac{1}{4} -\frac{1}{2}\lambda +\frac{1}{4}\lambda^{2}) + \frac{3}{4}\lambda^{2} = 1 \\ \frac{1}{4} -\frac{1}{2}\lambda +\lambda^{2} = 1 \\ 4\lambda^{2} - 2\lambda +1 = 4 \\ 4\lambda^{2} - 2\lambda -3 = 0 \end{array} 2 1 − 2 1 λ ) 2 + ( 2 3 λ ) 2 = 1 4 1 − 2 1 λ + 4 1 λ 2 ) + 4 3 λ 2 = 1 4 1 − 2 1 λ + λ 2 = 1 4 λ 2 − 2 λ + 1 = 4 4 λ 2 − 2 λ − 3 = 0 原文ページを表示 λ \lambda λ について解く:
原文ページを表示 λ = − ( 2 − 2 ) ( − 2 ) 2 − 4 ( 4 ) ( − 3 ) 2 ( 4 ) = 2 + 4 + 48 8 = 2 + 52 8 = 2 + 2 13 8 = 1 + 13 4 . \lambda = \frac{-(2 - 2)\sqrt{(-2)^{2} - 4(4)(-3)}}{2(4)} = \frac{2 + \sqrt{4 + 48}}{8} = \frac{2 + \sqrt{52}}{8} = \frac{2 + 2\sqrt{13}}{8} = \frac{1 + \sqrt{13}}{4}. λ = 2 ( 4 ) − ( 2 − 2 ) ( − 2 ) 2 − 4 ( 4 ) ( − 3 ) = 8 2 + 4 + 48 = 8 2 + 52 = 8 2 + 2 13 = 4 1 + 13 . 原文ページを表示 0 < λ < 1 0 < \lambda < 1 0 < λ < 1 が必要である。
原文ページを表示 13 ≈ 3.6 1 + 3.6 = 4.6 4 > 1. \frac{\sqrt{13}\approx 3.6}{1 + 3.6} = \frac{4.6}{4} >1. 1 + 3.6 13 ≈ 3.6 = 4 4.6 > 1. 原文ページを表示 1 − 3.6 4 = − 2.6 4 < 0. \frac{1 - 3.6}{4} = \frac{-2.6}{4} < 0. 4 1 − 3.6 = 4 − 2.6 < 0. 原文ページを表示 何かが間違っている。点 C C C は単位円の内部にある。
原文ページを表示 条件を言い換えよう。 A B ‾ \overline{AB} A B 上の点 C C C であって、 C C C が線分 P Q ‾ ∈ F \overline{PQ} \in \mathcal{F} P Q ∈ F 上にあるならば P Q ‾ = A B ‾ \overline{PQ} = \overline{AB} P Q = A B となるような点 \(C\) が一意に存在する。
原文ページを表示 A B ‾ \overline{AB} A B 上の点 C C C を ( 1 2 − 1 2 λ , 3 2 λ ) (\frac{1}{2} - \frac{1}{2}\lambda , \frac{\sqrt{3}}{2}\lambda) ( 2 1 − 2 1 λ , 2 3 λ ) とする。
原文ページを表示 端点 ( x , 0 ) (x, 0) ( x , 0 ) と ( 0 , y ) (0, y) ( 0 , y ) 、 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 をもつ F \mathcal{F} F からの線分を考える。
原文ページを表示 線分の媒介変数表示は ( x ( 1 − t ) , y t ) (x(1 - t), y t) ( x ( 1 − t ) , y t ) である。
原文ページを表示 C C C がこの線分上にあるならば、ある t ∈ [ 0 , 1 ] t \in [0, 1] t ∈ [ 0 , 1 ] に対して:
原文ページを表示 1 2 − 1 2 λ = x ( 1 − t ) \frac{1}{2} -\frac{1}{2}\lambda = x(1 - t) 2 1 − 2 1 λ = x ( 1 − t ) 原文ページを表示 3 2 λ = y t \frac{\sqrt{3}}{2}\lambda = y t 2 3 λ = y t 原文ページを表示 線分が一意であるならば、 x x x と y y y の値は一意である。
原文ページを表示 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 、 x , y > 0 x, y > 0 x , y > 0 のもとで 1 − λ 2 x + 3 λ 2 y = 1 \frac{1 - \lambda}{2x} + \frac{\sqrt{3}\lambda}{2y} = 1 2 x 1 − λ + 2 y 3 λ = 1 の唯一の解は x = 1 2 x = \frac{1}{2} x = 2 1 、 y = 3 2 y = \frac{\sqrt{3}}{2} y = 2 3 であるべきである。
原文ページを表示 A B ‾ \overline{AB} A B を含む直線と、 F \mathcal{F} F 内の線分がなす領域の境界との交点を考える。
原文ページを表示 境界は x x x 軸、 y y y 軸、および四分円 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 である。
原文ページを表示 再び双対問題を考えよ。直線族 x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 、ここで x 0 2 + y 0 2 = 1 x_{0}^{2} + y_{0}^{2} = 1 x 0 2 + y 0 2 = 1 、 x 0 , y 0 > 0 x_{0}, y_{0} > 0 x 0 , y 0 > 0 である。
原文ページを表示 これらの直線の包絡線は円 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 である。
原文ページを表示 点が円 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 上にあるならば、その点は F \mathcal{F} F からの一意な線分に属する。
原文ページを表示 A B ‾ \overline{AB} A B 上の点 C C C は C = t A + ( 1 − t ) B C = tA + (1 - t)B C = t A + ( 1 − t ) B を満たす。
原文ページを表示 線分が A B ‾ \overline{AB} A B である場合を考えよう。ここで x = 1 2 x = \frac{1}{2} x = 2 1 、 y = 3 2 y = \frac{\sqrt{3}}{2} y = 2 3 である。
原文ページを表示 点 C C C は 0 ≤ s ≤ 1 0 \leq s \leq 1 0 ≤ s ≤ 1 に対して ( 1 2 ( 1 − s ) , 3 2 s ) (\frac{1}{2} (1 - s), \frac{\sqrt{3}}{2} s) ( 2 1 ( 1 − s ) , 2 3 s ) と表せる。
原文ページを表示 我々は A B ‾ \overline{AB} A B 上にあって、 F \mathcal{F} F からの他のどの線分上にも存在しない点 C C C を探している。
原文ページを表示 幾何学的に考察しよう。族 F \mathcal{F} F は座標軸と四分円によって囲まれた領域を形成する。
原文ページを表示 線分は、直線 y = x y = x y = x 上に中心を持ち、座標軸に接する円の弦である。
原文ページを表示 線分の端点を ( cos θ , 0 ) (\cos \theta ,0) ( cos θ , 0 ) と ( 0 , sin θ ) (0,\sin \theta) ( 0 , sin θ ) とする。
原文ページを表示 線分上の点は ( cos θ ( 1 − t ) , sin θ t ) (\cos \theta (1 - t),\sin \theta t) ( cos θ ( 1 − t ) , sin θ t ) である。
原文ページを表示 点 C = ( 1 2 − 1 2 λ , 3 2 λ ) C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) C = ( 2 1 − 2 1 λ , 2 3 λ )
原文ページを表示 もし C C C がそのような線分上にあるならば、 1 2 − 1 2 λ cos θ = 1 − t \frac{\frac{1}{2} - \frac{1}{2}\lambda}{\cos\theta} = 1 - t c o s θ 2 1 − 2 1 λ = 1 − t かつ 3 2 λ sin θ = t \frac{\frac{\sqrt{3}}{2}\lambda}{\sin\theta} = t s i n θ 2 3 λ = t である。
原文ページを表示 1 − λ 2 cos θ + 3 λ 2 sin θ = 1. \frac{1 - \lambda}{2\cos\theta} +\frac{\sqrt{3}\lambda}{2\sin\theta} = 1. 2 cos θ 1 − λ + 2 sin θ 3 λ = 1. 原文ページを表示 我々は、唯一の解 ( cos θ , sin θ ) (\cos \theta ,\sin \theta) ( cos θ , sin θ ) が ( 1 2 , 3 2 ) (\frac{1}{2},\frac{\sqrt{3}}{2}) ( 2 1 , 2 3 ) となる(これは θ = π 3 \theta = \frac{\pi}{3} θ = 3 π に対応する)ような、一意な λ ∈ ( 0 , 1 ) \lambda \in (0,1) λ ∈ ( 0 , 1 ) を必要としている。
原文ページを表示 関数 f ( θ ) = 1 2 cos θ − λ 2 cos θ + 3 λ 2 sin θ f(\theta) = \frac{1}{2\cos\theta} - \frac{\lambda}{2\cos\theta} +\frac{\sqrt{3}\lambda}{2\sin\theta} f ( θ ) = 2 c o s θ 1 − 2 c o s θ λ + 2 s i n θ 3 λ を考えよう。
原文ページを表示 我々は f ( θ ) = 1 f(\theta) = 1 f ( θ ) = 1 を必要としている。
原文ページを表示 もし λ = 1 2 \lambda = \frac{1}{2} λ = 2 1 ならば、 C = ( 1 4 , 3 4 ) C = (\frac{1}{4},\frac{\sqrt{3}}{4}) C = ( 4 1 , 4 3 )
原文ページを表示 1 − 1 / 2 2 cos θ + 3 ( 1 / 2 ) 2 sin θ = 1 \frac{1 - 1 / 2}{2\cos\theta} +\frac{\sqrt{3(1 / 2)}}{2\sin\theta} = 1 2 cos θ 1 − 1/2 + 2 sin θ 3 ( 1/2 ) = 1 原文ページを表示 1 4 cos θ + 3 4 sin θ = 1 \frac{1}{4\cos\theta} +\frac{\sqrt{3}}{4\sin\theta} = 1 4 cos θ 1 + 4 sin θ 3 = 1 原文ページを表示 1 cos θ + 3 sin θ = 4 \frac{1}{\cos\theta} +\frac{\sqrt{3}}{\sin\theta} = 4 cos θ 1 + sin θ 3 = 4 原文ページを表示
sin θ + 3 cos θ = 4 sin θ cos θ \sin \theta +\sqrt{3}\cos \theta = 4\sin \theta \cos \theta sin θ + 3 cos θ = 4 sin θ cos θ
原文ページを表示
sin θ + 3 cos θ = 2 sin ( 2 θ ) \sin \theta +\sqrt{3}\cos \theta = 2\sin (2\theta) sin θ + 3 cos θ = 2 sin ( 2 θ )
原文ページを表示 2で割ると: 1 2 sin θ + 3 2 cos θ = sin ( 2 θ ) \frac{1}{2}\sin \theta +\frac{\sqrt{3}}{2}\cos \theta = \sin (2\theta) 2 1 sin θ + 2 3 cos θ = sin ( 2 θ )
原文ページを表示
sin ( θ + π 3 ) = sin ( 2 θ ) \sin (\theta +\frac{\pi}{3}) = \sin (2\theta) sin ( θ + 3 π ) = sin ( 2 θ )
原文ページを表示 θ + π 3 = 2 θ + 2 π k \theta +\frac{\pi}{3} = 2\theta +2\pi k θ + 3 π = 2 θ + 2 π k 、または θ + π 3 = π − 2 θ + 2 π k \theta +\frac{\pi}{3} = \pi - 2\theta +2\pi k θ + 3 π = π − 2 θ + 2 π k
原文ページを表示 θ = π 3 − 2 π k \theta = \frac{\pi}{3} - 2\pi k θ = 3 π − 2 π k 、したがって θ = π 3 \theta = \frac{\pi}{3} θ = 3 π
原文ページを表示
3 θ = π − π 3 + 2 π k = 2 π 3 + 2 π k 3\theta = \pi - \frac{\pi}{3} +2\pi k = \frac{2\pi}{3} +2\pi k 3 θ = π − 3 π + 2 π k = 3 2 π + 2 π k
原文ページを表示
θ = 2 π 9 + 2 π k 3 \theta = \frac{2\pi}{9} +\frac{2\pi k}{3} θ = 9 2 π + 3 2 π k
原文ページを表示 もし k = 0 k = 0 k = 0 ならば、 θ = 2 π 9 \theta = \frac{2\pi}{9} θ = 9 2 π
原文ページを表示 もし k = 1 k = 1 k = 1 ならば、 θ = 2 π 9 + 2 π 3 = 2 π + 6 π 9 = 8 π 9 \theta = \frac{2\pi}{9} +\frac{2\pi}{3} = \frac{2\pi + 6\pi}{9} = \frac{8\pi}{9} θ = 9 2 π + 3 2 π = 9 2 π + 6 π = 9 8 π
原文ページを表示 λ = 1 2 \lambda = \frac{1}{2} λ = 2 1 のとき、点は ( 1 4 , 3 4 ) (\frac{1}{4},\frac{\sqrt{3}}{4}) ( 4 1 , 4 3 ) である。
原文ページを表示 この点は θ = π 3 \theta = \frac{\pi}{3} θ = 3 π および θ = 2 π 9 \theta = \frac{2\pi}{9} θ = 9 2 π に対応する線分上にある。
原文ページを表示 点 C C C が一意であるということは、他の λ \lambda λ の値に対しては、 ( x , y ) (x,y) ( x , y ) の解が複数存在することを意味する。
原文ページを表示 C C C を通る単位円の接線を考える。
原文ページを表示 接線が一意であるならば、 C C C は単位円上にある。
原文ページを表示 これにより λ = 1 ± 13 4 \lambda = \frac{1\pm\sqrt{13}}{4} λ = 4 1 ± 13 が導かれるが、いずれも ( 0 , 1 ) (0,1) ( 0 , 1 ) に含まれない。
原文ページを表示 族 F \mathcal{F} F の幾何学的解釈を考える。線分は座標軸上の点を結び、その距離が 1 である。
原文ページを表示 これらの線分の中点の軌跡は、第一象限において円 ( x − 1 2 ) 2 + ( y − 1 2 ) 2 = 1 2 (x - \frac{1}{2})^{2} + (y - \frac{1}{2})^{2} = \frac{1}{2} ( x − 2 1 ) 2 + ( y − 2 1 ) 2 = 2 1 である。
原文ページを表示 点 C C C が F \mathcal{F} F のある線分上にあるならば、 C C C は x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 を満たす ( x , 0 ) (x,0) ( x , 0 ) と ( 0 , y ) (0,y) ( 0 , y ) を結ぶ線分上にある。
原文ページを表示 その線分を含む直線は x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 である。
原文ページを表示 C C C が一意な線分に属するならば、 C C C を通るこの形の直線は一意である。
原文ページを表示 A B ‾ \overline{AB} A B 上の点 C C C は ( 1 2 − 1 2 λ , 3 2 λ ) (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) ( 2 1 − 2 1 λ , 2 3 λ ) である。
原文ページを表示 x 0 2 + y 0 2 = 1 , x 0 , y 0 > 0 x_{0}^{2} + y_{0}^{2} = 1,x_{0},y_{0} > 0 x 0 2 + y 0 2 = 1 , x 0 , y 0 > 0 を満たし、 1 2 − 1 2 λ x 0 + 3 2 λ y 0 = 1 \frac{\frac{1}{2} - \frac{1}{2}\lambda}{x_{0}} +\frac{\frac{\sqrt{3}}{2}\lambda}{y_{0}} = 1 x 0 2 1 − 2 1 λ + y 0 2 3 λ = 1 となる一意な ( x 0 , y 0 ) (x_{0},y_{0}) ( x 0 , y 0 ) が必要である。
原文ページを表示 点 C C C を、 x 0 2 + y 0 2 = 1 x_{0}^{2} + y_{0}^{2} = 1 x 0 2 + y 0 2 = 1 を条件として、 C C C を通る x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 の形の直線が一意となるような点とする。
原文ページを表示 点 C C C は A B ‾ \overline{AB} A B を含む直線と単位円の交点にある。
原文ページを表示 ( 1 2 − 1 2 λ ) 2 + ( 3 2 λ ) 2 = 1. (\frac{1}{2} -\frac{1}{2}\lambda)^{2} + (\frac{\sqrt{3}}{2}\lambda)^{2} = 1. ( 2 1 − 2 1 λ ) 2 + ( 2 3 λ ) 2 = 1. 原文ページを表示 λ ∈ ( 0 , 1 ) \lambda \in (0,1) λ ∈ ( 0 , 1 ) に対する解は見つからなかった。点 C C C が一意であるということは、 C C C を通る他の線分が存在するならば、それは A B ‾ \overline{AB} A B でなければならないことを意味する。
原文ページを表示 ( x , 0 ) (x,0) ( x , 0 ) と ( 0 , y ) (0,y) ( 0 , y ) を結ぶ線分を含む直線の傾きを考える。傾きは − y x - \frac{y}{x} − x y である。
原文ページを表示 方程式は y = − y x x + y y = - \frac{y}{x} x + y y = − x y x + y である。
原文ページを表示 C C C がその線分上にあるならば、 1 − λ 2 x + 3 λ 2 y = 1 \frac{1 - \lambda}{2x} +\frac{\sqrt{3}\lambda}{2y} = 1 2 x 1 − λ + 2 y 3 λ = 1 である。
原文ページを表示 点 C C C の座標を ( a , b ) (a,b) ( a , b ) とする。 ( x , 0 ) (x,0) ( x , 0 ) と ( 0 , y ) (0,y) ( 0 , y ) を結ぶ線分は ( a , b ) (a,b) ( a , b ) を通る。 a x + b y = 1 \frac{a}{x} +\frac{b}{y} = 1 x a + y b = 1 。 C C C が A B ‾ \overline{AB} A B 上にあるならば、 b = − 3 a + 3 2 b = - \sqrt{3} a + \frac{\sqrt{3}}{2} b = − 3 a + 2 3 である。 a = 1 2 − 1 2 λ , b = 3 2 λ a = \frac{1}{2} - \frac{1}{2}\lambda ,b = \frac{\sqrt{3}}{2}\lambda a = 2 1 − 2 1 λ , b = 2 3 λ 。
原文ページを表示 点 C C C は線分族の包絡線に接する。
原文ページを表示 解答: 線分族を F \mathcal{F} F とする。線分の端点は P = ( x , 0 ) P = (x,0) P = ( x , 0 ) および Q = ( 0 , y ) Q = (0,y) Q = ( 0 , y ) で、 x 2 + y 2 = 1 x^{2} + y^{2} = 1 x 2 + y 2 = 1 かつ x , y > 0 x,y > 0 x , y > 0 である。線分 P Q ‾ \overline{PQ} P Q 上の点は x y + y x = 1 \frac{x}{y} +\frac{y}{x} = 1 y x + x y = 1 を満たす。線分は直線 x x 0 + y y 0 = 1 \frac{x}{x_{0}} +\frac{y}{y_{0}} = 1 x 0 x + y 0 y = 1 上にあり、ここで x 0 2 + y 0 2 = 1 x_{0}^{2} + y_{0}^{2} = 1 x 0 2 + y 0 2 = 1 、 x 0 , y 0 > 0 x_{0},y_{0} > 0 x 0 , y 0 > 0 である。
原文ページを表示 線分 A B ‾ \overline{AB} A B の端点は A ( 1 2 , 0 ) A(\frac{1}{2},0) A ( 2 1 , 0 ) および B ( 0 , 3 2 ) B(0,\frac{\sqrt{3}}{2}) B ( 0 , 2 3 ) である。 A B ‾ \overline{AB} A B を含む直線の方程式は y = − 3 x + 3 2 y = - \sqrt{3} x + \frac{\sqrt{3}}{2} y = − 3 x + 2 3 である。
原文ページを表示 A B ‾ \overline{AB} A B 上の点 C C C は C = ( 1 2 − 1 2 λ , 3 2 λ ) C = (\frac{1}{2} - \frac{1}{2}\lambda ,\frac{\sqrt{3}}{2}\lambda) C = ( 2 1 − 2 1 λ , 2 3 λ ) とパラメータ化できる。ここで 0 ≤ λ ≤ 1 0\leq \lambda \leq 1 0 ≤ λ ≤ 1 である。
原文ページを表示 C C C が端点 ( x , 0 ) (x,0) ( x , 0 ) と ( 0 , y ) (0,y) ( 0 , y ) をもつ F \mathcal{F} F の線分に属するならば、 1 2 − 1 2 λ x + 3 2 λ y = 1 \frac{\frac{1}{2} - \frac{1}{2}\lambda}{x} +\frac{\frac{\sqrt{3}}{2}\lambda}{y} = 1 x 2 1 − 2 1 λ + y 2 3 λ = 1 である。
原文ページを表示 \(\overline{AB}\) 上に、\(A\) とも \(B\) とも異なり、\(\overline{AB}\) 以外の \(\mathcal{F}\) からのどの線分にも属さないような唯一の点 \(C\) を探している。これは、\(x^{2} + y^{2} = 1\)、\(x,y > 0\) を満たす方程式の唯一の解 \((x,y)\) が \((\frac{1}{2},\frac{\sqrt{3}}{2})\) であることを意味する。
原文ページを表示 \(\mathcal{F}\) からの線分は、単位円への接線の一部である。点 \(C\) は、線分族の包絡線に接していなければならない。包絡線は単位円そのものである。
原文ページを表示 \(\overline{AB}\) 上にあり、\(A\) とも \(B\) とも異なり、単位円上にある唯一の点 \(C\)。次を解く必要がある:
原文ページを表示 ( 1 2 − 1 2 λ ) 2 + ( 3 2 λ ) 2 = 1 (\frac{1}{2} -\frac{1}{2}\lambda)^{2} + (\frac{\sqrt{3}}{2}\lambda)^{2} = 1 ( 2 1 − 2 1 λ ) 2 + ( 2 3 λ ) 2 = 1 原文ページを表示 \(\lambda = \frac{1}{2}\)。点 \(C = (\frac{1}{4},\frac{\sqrt{3}}{2})\)。
原文ページを表示 O C 2 = ( 1 4 ) 2 + ( 3 4 ) 2 = 1 16 + 3 16 = 4 16 = 1 4 . O C^{2} = (\frac{1}{4})^{2} + (\frac{\sqrt{3}}{4})^{2} = \frac{1}{16} +\frac{3}{16} = \frac{4}{16} = \frac{1}{4}. O C 2 = ( 4 1 ) 2 + ( 4 3 ) 2 = 16 1 + 16 3 = 16 4 = 4 1 . 原文ページを表示 \(O C^{2} = \frac{1}{4} = \frac{p}{q}\) なので、\(p = 1\)、\(q = 4\)。 \(p\) と \(q\) は互いに素である。 \(p + q = 1 + 4 = 5\)。
原文ページを表示 最終回答:最終回答は \(\boxed{5}\)
原文ページを表示 \(\mathbf{V}2 \rightarrow \mathbf{V}3\) (2025- 03):
原文ページを表示 \(\S \mathrm{A}\) を追加
原文ページを表示 \(\S 2\) に正解サンプル数を追加
原文ページを表示 \(\mathbf{V}1 \rightarrow \mathbf{V}2\) (2025- 02):
原文ページを表示 引用を追加し、その他小さな文章の変更を行った
原文ページを表示 新規登録で $1 の無料クレジット付与。手元の PDF も同じように電子書籍化できます