(仮)
はじめに
近年の大学入試では、思考力・表現力に加え、「ミスなく迅速に処理する計算力」が依然として高く問われています。特に数学I・A・II・Bでは、数式処理・グラフ描写・場合の数やベクトルなど、多様な分野における正確な演算スキルが不可欠です。
しかし、従来の学習法では次のような課題も存在します。
- 手を動かす反復が多く、効率が悪い
- 間違いの原因分析が難しい
- 教材の視覚化・即時フィードバックに限界
こうした課題を、PythonとマルチモーダルなChatGPTが解決へと導きます。
本プロジェクトの中核：汎用化・集積化されたデジタル回路により、ITで寄り添う計算ソリューション
『合格(うか)る計算数学 I・A・II・B』は、Pythonコードと対話型AI（ChatGPT）を融合した次世代型の数学学習支援DXプラットフォームとなりました。
学習者一人ひとりに寄り添い、理解の深化と自律的な学びを後押しします。
さあ、皆様さんもデジタルと教育の融合で、AIを活用したリカレント教育の未来をともに加速していきましょう！
特徴
- 汎用性ある問題設計：大学入試で出題される形式を抽象化し、Pythonコードで自動計算・可視化
- 寄り添うフィードバック：ChatGPTが途中式や間違いの要因まで解説し、一人ひとりの理解の深さに応じて対応
- アジャイルな会話型学習：疑問が出た瞬間に対話しながら計算式・グラフ・ベクトルを扱える
実行環境：Python + Google Colab + ChatGPT
Python導入解説動画
Google Colab 環境構築ガイド
マルチモーダルChatGPTとの連携活用
使い方
この後に貼り付ける Python コードは、Google Colab にそのままコピー＆ペーストして実行可能です。
マルチモーダル対応の ChatGPT と連携することで、以下のような多様な目的に対応できます：
アルゴリズムや数式の構造的な理解
Python を使ったロジックの検証と確認
ビジネスパーソンとしての英語力・専門用語の習得
さらに、高校数学の本質的な理解をAIの力で加速させることで、
大学レベルの数学的課題にも柔軟に対応できる基礎力強化ソリューションの提供が可能となっています。
これは、教育におけるDX（デジタルトランスフォーメーション）を本質から推進する取り組みです。
私たちは、「正解を教える」のではなく、アジャイルな対話と継続的なフィードバックループを通じて、
ともに**“進化し続ける学びのプロセス”**を実現していきます。
お客様に提供する「約数を見つけ方1」ソリューション
import math # 数学関数を使うためのライブラリ / Import math library for mathematical functions
# Aの設定 / Define the value of A
A = 40000
# Aの約数を求める / Find all divisors of A
divisors = [i for i in range(1, A + 1) if A % i == 0]
# √A を B√C の形に簡単化する関数 / Function to simplify sqrt(A) into B√C form
def simplify_sqrt(n):
B = 1
C = n
# √n から1まで調べて、最大の平方数で割れるものを探す / Find the largest square factor
for i in range(int(math.sqrt(n)), 0, -1):
if n % (i * i) == 0:
B = i
C = n // (i * i)
break
return B, C
# √A を B√C の形に変換 / Convert sqrt(A) into simplified form
B, C = simplify_sqrt(A)
# 結果の表示 / Print results
print(f"A = {A}")
print(f"A の約数 / Divisors of A: {divisors}")
print(f"√{A} = {B}√{C}")
# C の約数を求める / Find divisors of C
divisors_C = [i for i in range(1, C + 1) if C % i == 0]
# C の約数を表示 / Print divisors of C
print(f"C = {C} の約数 / Divisors of C: {divisors_C}")
お客様に提供する「素因数分解2」ソリューション
# 約数を求める関数
def find_divisors(n):
divisors = []
for i in range(1, int(n**0.5) + 1):
if n % i == 0:
divisors.append(i)
if i != n // i:
divisors.append(n // i)
divisors.sort() # 約数を昇順でソート
return divisors
# 1から50までのNに対して計算を行う
for N in range(1, 51):
# N^N, 2^N, 3^N, 5^Nを計算
n_power_n = N ** N
two_power_n = 2 ** N
three_power_n = 3 ** N
five_power_n = 5 ** N
# Nの約数を計算
divisors = find_divisors(N)
# 結果を表示
print(f"N = {N}: N^N = {n_power_n}, 2^N = {two_power_n}, 3^N = {three_power_n}, 5^N = {five_power_n}, Nの約数 = {divisors}")
お客様に提供する「最大公約数3」ソリューション
import math # mathライブラリをインポート（gcd計算に使用）/ Import math library for gcd calculation
# 最大公約数 (GCD) と最小公倍数 (LCM) を求める関数
# Function to compute the Greatest Common Divisor (GCD) and Least Common Multiple (LCM)
def gcd_lcm(a, b, c=None):
# 2つの数の場合 / If only two numbers are given
if c is None:
gcd = math.gcd(a, b) # 最大公約数 / Greatest Common Divisor
lcm = abs(a * b) // gcd # 最小公倍数 / Least Common Multiple
print(f"2つの数 ({a}, {b}) の最大公約数: {gcd} / GCD of ({a}, {b}): {gcd}")
print(f"2つの数 ({a}, {b}) の最小公倍数: {lcm} / LCM of ({a}, {b}): {lcm}")
# 3つの数の場合 / If three numbers are given
else:
# ステップ1: 最初の2つの最大公約数 / Step 1: GCD of first two numbers
gcd_ab = math.gcd(a, b)
# ステップ2: 3つ目も含めた最大公約数 / Step 2: GCD of all three numbers
gcd_abc = math.gcd(gcd_ab, c)
# ステップ1: 最初の2つの最小公倍数 / Step 1: LCM of first two numbers
lcm_ab = abs(a * b) // gcd_ab
# ステップ2: 3つ目も含めた最小公倍数 / Step 2: LCM of all three numbers
lcm_abc = abs(lcm_ab * c) // math.gcd(lcm_ab, c)
print(f"3つの数 ({a}, {b}, {c}) の最大公約数: {gcd_abc} / GCD of ({a}, {b}, {c}): {gcd_abc}")
print(f"3つの数 ({a}, {b}, {c}) の最小公倍数: {lcm_abc} / LCM of ({a}, {b}, {c}): {lcm_abc}")
# 例として2つと3つの数の最大公約数と最小公倍数を計算
# Example calculations for GCD and LCM of 2 and 3 numbers
gcd_lcm(12, 18)
gcd_lcm(12, 18, 24)
import math
import pandas as pd
# ユークリッドの互除法と拡張互除法（x, y も求める）
def extended_euclidean(a, b):
steps = []
old_r, r = a, b
old_s, s = 1, 0
old_t, t = 0, 1
while r != 0:
q = old_r // r
steps.append([old_r, r, q, old_r % r])
old_r, r = r, old_r - q * r
old_s, s = s, old_s - q * s
old_t, t = t, old_t - q * t
return old_r, old_s, old_t, steps # gcd, x, y, step list
# 例題：275x + 61y = 1 を解く
a = 275
b = 61
# 互除法を実行
gcd_val, x0, y0, steps = extended_euclidean(a, b)
# DataFrameとしてステップを表示
df = pd.DataFrame(steps, columns=["a", "b", "商 q", "余り r"])
print("▼ ユークリッドの互除法のステップ")
print(df)
# 結果の表示
print("\n▼ 拡張ユークリッドの互除法の結果")
print(f"{a} と {b} の最大公約数: {gcd_val}")
print(f"{a}×({x0}) + {b}×({y0}) = {gcd_val}")
# 1次不定方程式の一般解を表示
print("\n▼ 1次不定方程式の一般解（すべての整数解）")
print(f"x = {x0} + {b}k")
print(f"y = {y0} - {a}k")
print("（k は任意の整数）")
お客様に提供する「N進数7」ソリューション
# 10進数を2進数に変換（2ビットに収める）
def decimal_to_binary(n, bits=2):
binary = bin(n)[2:] # 2進数に変換し、'0b' を除去
return binary.zfill(bits) # 2ビットにパディング
# 2進数を10進数に変換
def binary_to_decimal(b):
return int(b, 2)
# 二分探索 (2ビットを探索)
def binary_search(arr, target):
low = 0
high = len(arr) - 1
while low <= high:
mid = (low + high) // 2
if arr[mid] == target:
return mid # 見つかった位置
elif arr[mid] < target:
low = mid + 1
else:
high = mid - 1
return -1 # 見つからない場合
# 例として10進数を2進数に変換、2進数を10進数に変換、2ビットで二分探索を実行
decimal_num = 3
binary_num = decimal_to_binary(decimal_num, bits=2)
print(f"10進数 {decimal_num} を2進数に変換: {binary_num}")
binary_num = '11' # 2進数
decimal_num_converted = binary_to_decimal(binary_num)
print(f"2進数 {binary_num} を10進数に変換: {decimal_num_converted}")
# 二分探索の例（2ビットのリスト）
arr = ['00', '01', '10', '11'] # 2ビットのリスト
target = '10'
result = binary_search(arr, target)
if result != -1:
print(f"ターゲット {target} はインデックス {result} にあります。")
else:
print(f"ターゲット {target} はリストにありません。")
お客様に提供する「筆算ケイサン8」ソリューション
import numpy as np
import matplotlib.pyplot as plt
from itertools import product
# ==== 筆算（手計算スタイル）シミュレーション / Vertical multiplication simulation ====
def vertical_multiplication(a, b):
a_str = str(a)
b_str = str(b)
results = []
for i, digit in enumerate(reversed(b_str)):
partial = int(digit) * a
results.append((partial, i))
final = a * b
return results, final
# ==== 論理回路：半加算器 / Half Adder ====
def half_adder(a, b):
sum_bit = a ^ b
carry = a & b
return sum_bit, carry
# ==== 論理回路：全加算器 / Full Adder ====
def full_adder(a, b, cin):
s1, c1 = half_adder(a, b)
sum_bit, c2 = half_adder(s1, cin)
carry = c1 | c2
return sum_bit, carry
# ==== NANDゲート / NAND gate ====
def nand_gate(a, b):
return int(not (a and b))
# ==== 表示：筆算スタイル / Show vertical multiplication steps ====
a, b = 123, 45
steps, total = vertical_multiplication(a, b)
print("=== Vertical Multiplication ===")
print(f" {a}")
print(f"x {b}")
print("------")
for val, shift in steps:
print(" " * shift + str(val))
print("------")
print(f"{total}")
# ==== 表示：半加算器と全加算器の真理値表 / Truth tables ====
print("\n=== Half Adder Truth Table ===")
print("A B | SUM CARRY")
for a, b in product([0, 1], repeat=2):
s, c = half_adder(a, b)
print(f"{a} {b} | {s} {c}")
print("\n=== Full Adder Truth Table ===")
print("A B Cin | SUM CARRY")
for a, b, cin in product([0, 1], repeat=3):
s, c = full_adder(a, b, cin)
print(f"{a} {b} {cin} | {s} {c}")
print("\n=== NAND Gate Truth Table ===")
print("A B | OUT")
for a, b in product([0, 1], repeat=2):
out = nand_gate(a, b)
print(f"{a} {b} | {out}")
# ==== 回路図プロット / Draw symbolic circuit diagram ====
fig, ax = plt.subplots(figsize=(10, 5))
ax.axis('off')
# 半加算器ブロック / Half Adder block
ax.text(0.1, 0.6, "Half Adder", fontsize=12, bbox=dict(facecolor='skyblue', edgecolor='black'))
ax.text(0.05, 0.65, "A")
ax.text(0.05, 0.55, "B")
ax.text(0.25, 0.65, "SUM")
ax.text(0.25, 0.55, "CARRY")
# 全加算器ブロック / Full Adder block
ax.text(0.6, 0.6, "Full Adder", fontsize=12, bbox=dict(facecolor='lightgreen', edgecolor='black'))
ax.text(0.55, 0.68, "A")
ax.text(0.55, 0.60, "B")
ax.text(0.55, 0.52, "Cin")
ax.text(0.75, 0.68, "SUM")
ax.text(0.75, 0.60, "CARRY")
# NANDゲートブロック / NAND gate block
ax.text(0.35, 0.3, "NAND Gate", fontsize=12, bbox=dict(facecolor='orange', edgecolor='black'))
ax.text(0.30, 0.35, "A")
ax.text(0.30, 0.25, "B")
ax.text(0.45, 0.30, "OUT")
plt.title("Logic Circuit Blocks: Half Adder, Full Adder, NAND Gate")
plt.show()
お客様に提供する「分母の有理化10」ソリューション
import sympy as sp
# 記号の定義
x = sp.Symbol('x')
# 例1: 1/√2 の有理化
expr1 = 1 / sp.sqrt(2)
rationalized1 = sp.radsimp(expr1)
# 例2: 1/(1 + √3) の有理化
expr2 = 1 / (1 + sp.sqrt(3))
rationalized2 = sp.radsimp(expr2)
# 例3: x / (2 + √x)
expr3 = x / (2 + sp.sqrt(x))
rationalized3 = sp.radsimp(expr3)
# 結果表示
print("【有理化の結果】")
print("1/√2 =", rationalized1)
print("1/(1 + √3) =", rationalized2)
print("x / (2 + √x) =", rationalized3)
お客様に提供する「2重根号11」ソリューション
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# -------------------------------
# 2重根号の定義 / Nested radical
# z = sqrt(1 + sqrt(x^2 + y^2))
# -------------------------------
# x, y の範囲設定
x = np.linspace(-5, 5, 200)
y = np.linspace(-5, 5, 200)
X, Y = np.meshgrid(x, y)
# Z を計算（2重根号）
Z = np.sqrt(1 + np.sqrt(X**2 + Y**2))
# -------------------------------
# 3D プロット
# -------------------------------
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111, projection='3d')
# サーフェスの描画
surf = ax.plot_surface(X, Y, Z, cmap='viridis', edgecolor='none')
# ラベル設定
ax.set_title(r'$z = \sqrt{1 + \sqrt{x^2 + y^2}}$')
ax.set_xlabel("x")
ax.set_ylabel("y")
ax.set_zlabel("z")
# カラーバー
fig.colorbar(surf, ax=ax, shrink=0.5, aspect=5)
plt.tight_layout()
plt.show()
お客様に提供する「無理数の概算値12」ソリューション
import math
# N の定義
N = 20
# √N を B√C に変換 / Convert √N to B√C
def simplify_sqrt(n):
for i in range(int(math.sqrt(n)), 0, -1):
if n % (i * i) == 0:
B = i
C = n // (i * i)
return B, C
return 1, n # √n が既約なとき
# 変換
B, C = simplify_sqrt(N)
# 実数値の計算 / Decimal value
sqrt_N = math.sqrt(N)
approx_value = B * math.sqrt(C)
# 結果の表示
print(f"√{N} = {B}√{C}")
print(f"{N} = ({B}√{C})² = {B**2} × {C} = {B**2 * C}")
print(f"√{N} ≒ {sqrt_N:.10f}")
print(f"{B}√{C} ≒ {approx_value:.10f}")
お客様に提供する「展開の仕組み13」ソリューション
import sympy as sp
# シンボルの定義 / Define symbolic variable
x = sp.Symbol('x')
# 定数の定義 / Define constants
A = 3
B = -1
C = 10
# 目的関数の定義 / Define objective function
f_expr = (x + A) * (x + B)
# 展開 / Expand the expression
f_expanded = sp.expand(f_expr)
print(f"展開された目的関数: f(x) = {f_expanded}\n")
# -C から C までの x の値に対して計算 / Evaluate from -C to C
print(f"x の値と f(x) の対応（x = -{C} ～ {C}）:")
for i in range(-C, C + 1):
value = f_expanded.subs(x, i)
print(f"x = {i:>2} → f(x) = {value}")
お客様に提供する「平方完成24」ソリューション
import sympy as sp
# 変数の定義
x, a, b, c = sp.symbols('x a b c')
# a = 3, b = 1, c = 9
a_val = 3
b_val = 1
c_val = 9
# 解の公式を使って文字式で解を求める
discriminant = b**2 - 4*a*c # 判別式
solution_1 = (-b + sp.sqrt(discriminant)) / (2*a)
solution_2 = (-b - sp.sqrt(discriminant)) / (2*a)
# a, b, cの値を代入して計算
b_squared = b_val**2
four_ac = 4 * a_val * c_val
discriminant_value = b_squared - four_ac
root_part = sp.sqrt(discriminant_value)
root1 = (-b_val + root_part) / (2 * a_val)
root2 = (-b_val - root_part) / (2 * a_val)
# 素因数分解
discriminant_factors = sp.factorint(discriminant_value)
# 結果表示
print(f"解の公式: (-b ± √(b^2 - 4ac)) / 2a")
print(f"a = {a_val}, b = {b_val}, c = {c_val}")
print(f"b^2 = {b_squared}")
print(f"4ac = {four_ac}")
print(f"判別式 (b^2 - 4ac) = {discriminant_value}")
print(f"2a(b / (2a)) = {2*a_val*(b_val / (2*a_val))}")
print(f"√(b^2 - 4ac) = {root_part}")
print(f"(√(b^2 - 4ac)) / (2a) = {root_part / (2*a_val)}")
print(f"解1: {root1}")
print(f"解2: {root2}")
# 判別式の素因数分解
print(f"判別式の素因数分解: {discriminant_factors}")
import sympy as sp
# 変数定義
a = 3
b = 1
c = 9
# 判別式の計算
b2 = b**2
ac4 = 4 * a * c
D = b2 - ac4 # 判別式 Δ = b^2 - 4ac
# 二次方程式の解の公式
x1 = (-b + sp.sqrt(D)) / (2 * a)
x2 = (-b - sp.sqrt(D)) / (2 * a)
# 2a(b / (2a)) の計算
term_2a = 2 * a * (b / (2 * a))
# √(b^2 - 4ac) の計算
sqrt_D = sp.sqrt(D)
# (√(b^2 - 4ac)) / (2a) の計算
sqrt_D_2a = sqrt_D / (2 * a)
# 勾配法とニュートン法で数値解を求める
def gradient_descent(f, x0, alpha=0.01, tol=1e-6, max_iter=1000):
x = x0
f_prime = sp.diff(f, x_var)
for _ in range(max_iter):
grad = f_prime.subs(x_var, x)
if abs(grad) < tol:
break
x = x - alpha * grad
return x
def newton_method(f, x0, tol=1e-6, max_iter=100):
x = x0
f_prime = sp.diff(f, x_var)
f_double_prime = sp.diff(f_prime, x_var)
for _ in range(max_iter):
f_val = f.subs(x_var, x)
f_prime_val = f_prime.subs(x_var, x)
if abs(f_prime_val) < tol:
break
x = x - f_val / f_prime_val
return x
# 二次方程式の定義
x_var = sp.Symbol('x')
quadratic_eq = a * x_var**2 + b * x_var + c
# 勾配法とニュートン法で数値解を求める
gd_solution = gradient_descent(quadratic_eq, x0=0)
newton_solution = newton_method(quadratic_eq, x0=0)
# 指定された数値の約数を求める関数
def get_divisors(n):
n = int(abs(n)) # 整数に変換
return [i for i in range(1, n + 1) if n % i == 0]
# 各値の約数を求める
divisors_dict = {
"a": get_divisors(a),
"b": get_divisors(b),
"c": get_divisors(c),
"b^2": get_divisors(b2),
"4ac": get_divisors(ac4),
"b^2 - 4ac": get_divisors(D),
"2a(b/(2a))": get_divisors(term_2a),
"√(b^2-4ac)": get_divisors(int(sqrt_D) if sqrt_D.is_real else 0),
"(√(b^2-4ac))/(2a)": get_divisors(int(sqrt_D_2a) if sqrt_D_2a.is_real else 0),
}
# 結果を出力
print("=== Quadratic Equation Solution ===")
print(f"x1 = {x1}, x2 = {x2}")
print("\n=== Gradient Descent Solution ===")
print(f"Approximate Root: {gd_solution}")
print("\n=== Newton's Method Solution ===")
print(f"Approximate Root: {newton_solution}")
print("\n=== Divisors of Key Values ===")
for key, divisors in divisors_dict.items():
print(f"{key}: {divisors}")
お客様に提供する「二次関数のグラフ25」ソリューション
# ==============================================
# 二次関数の最小値（解析・勾配法・ベイズ最適化）
# f(x) = Ax² + Bx + C, A=4, B=1, C=8
# ==============================================
import numpy as np
import matplotlib.pyplot as plt
# ------------------------------
# パラメータの定義 / Define parameters
# ------------------------------
A = 4
B = 1
C = 8
# ------------------------------
# 関数定義 / Define the function
# ------------------------------
def f(x):
return A * x**2 + B * x + C
# ------------------------------
# 解析解 / Completing the Square
# ------------------------------
vertex_x = -B / (2 * A)
vertex_y = f(vertex_x)
# ------------------------------
# 勾配法（最急降下法） / Gradient Descent
# ------------------------------
def grad_f(x):
return 2 * A * x + B # f'(x)
x_gd = 2.0 # 初期値
alpha = 0.1 # 学習率
for _ in range(30):
x_gd -= alpha * grad_f(x_gd)
gd_y = f(x_gd)
# ------------------------------
# ベイズ最適化 / Bayesian Optimization
# ------------------------------
!pip install -q scikit-optimize
from skopt import gp_minimize
from skopt.space import Real
res = gp_minimize(lambda x: f(x[0]), dimensions=[Real(-5, 5)], n_calls=30)
x_bayes = res.x[0]
y_bayes = f(x_bayes)
# ------------------------------
# 結果表示 / Print Results
# ------------------------------
print("【最小値の比較 / Minimum Value Comparison】\n")
print(" 解析解 / Analytical Solution")
print(f"最小点 x = {vertex_x:.5f}")
print(f"最小値 f(x) = {vertex_y:.5f}\n")
print(" 勾配法 / Gradient Descent")
print(f"最小点 x = {x_gd:.5f}")
print(f"最小値 f(x) = {gd_y:.5f}\n")
print(" ベイズ最適化 / Bayesian Optimization")
print(f"最小点 x = {x_bayes:.5f}")
print(f"最小値 f(x) = {y_bayes:.5f}\n")
# ------------------------------
# グラフ描画 / Plotting
# ------------------------------
x_vals = np.linspace(-2, 2, 400)
y_vals = f(x_vals)
plt.figure(figsize=(10, 6))
plt.plot(x_vals, y_vals, label=f'f(x) = {A}x² + {B}x + {C}', color='black')
# 解析解
plt.scatter(vertex_x, vertex_y, color='red', label='Vertex (Analytical)', zorder=5)
# 勾配法
plt.scatter(x_gd, gd_y, color='blue', label='Gradient Descent', zorder=5)
# ベイズ最適化
plt.scatter(x_bayes, y_bayes, color='green', label='Bayesian Optimization', zorder=5)
plt.title("Minimum of a Quadratic Function by Three Methods")
plt.xlabel("x")
plt.ylabel("f(x)")
plt.grid(True)
plt.legend()
plt.show()
お客様に提供する「複素数31」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# -----------------------------
# 複素数の定義
# -----------------------------
z1 = complex(3, 1) # 3 + i
z2 = complex(2, -4) # 2 - 4i
# 掛け算
z_product = z1 * z2
# -----------------------------
# 計算結果の出力
# -----------------------------
print("【複素数の掛け算】")
print(f"z₁ = {z1.real} + {z1.imag}i")
print(f"z₂ = {z2.real} + {z2.imag}i")
print(f"z₁ × z₂ = {z_product.real:.2f} + {z_product.imag:.2f}i")
# -----------------------------
# 複素平面にプロット
# -----------------------------
plt.figure(figsize=(6, 6))
plt.axhline(0, color='gray', linestyle='--')
plt.axvline(0, color='gray', linestyle='--')
# z1
plt.quiver(0, 0, z1.real, z1.imag, angles='xy', scale_units='xy', scale=1, color='blue', label='z₁ = 3 + i')
# z2
plt.quiver(0, 0, z2.real, z2.imag, angles='xy', scale_units='xy', scale=1, color='green', label='z₂ = 2 - 4i')
# z1 × z2
plt.quiver(0, 0, z_product.real, z_product.imag, angles='xy', scale_units='xy', scale=1, color='red', label='z₁ × z₂')
plt.xlim(-20, 10)
plt.ylim(-20, 10)
plt.gca().set_aspect('equal', adjustable='box')
plt.grid(True)
plt.title("Multiplication of Complex Numbers")
plt.xlabel("Re")
plt.ylabel("Im")
plt.legend()
plt.show()
お客様に提供する「高次方程式34」ソリューション
# ===============================================
# f(x) = x^3 + Ax^2 + Bx + C の因数分解とプロット
# A=3, B=-2, C=-2
# ===============================================
import numpy as np
import matplotlib.pyplot as plt
import sympy as sp
# ------------------------------
# 定義 / Define symbols and function
# ------------------------------
x = sp.Symbol('x')
A, B, C = 3, -2, -2
f_expr = x**3 + A * x**2 + B * x + C
f_factored = sp.factor(f_expr)
print("【多項式の式 / Original Polynomial】")
print(f"f(x) = {f_expr}\n")
print("【因数分解結果 / Factored Form】")
print(f"f(x) = {f_factored}\n")
# ------------------------------
# 数値用関数に変換 / Convert to numerical function
# ------------------------------
f_lambdified = sp.lambdify(x, f_expr, modules=['numpy'])
# ------------------------------
# プロット / Plot the function
# ------------------------------
x_vals = np.linspace(-5, 3, 400)
y_vals = f_lambdified(x_vals)
plt.figure(figsize=(10, 6))
plt.plot(x_vals, y_vals, label=f'$f(x) = x^3 + {A}x^2 + ({B})x + ({C})$')
plt.axhline(0, color='gray', linestyle='--', linewidth=1)
plt.axvline(0, color='gray', linestyle='--', linewidth=1)
plt.title("Cubic Function and Its Roots")
plt.xlabel("x")
plt.ylabel("f(x)")
plt.grid(True)
plt.legend()
plt.show()
お客様に提供する「解と係数の関係35」ソリューション
# ========================================
# 解と係数の関係 / Relationship between roots and coefficients
# 2次方程式: ax² + bx + c = 0
# ========================================
import math
# -----------------------------
# 係数の設定 / Set coefficients
# -----------------------------
a = 1
b = -5
c = 6
# -----------------------------
# 解の計算 / Calculate roots
# -----------------------------
# 判別式 / Discriminant
D = b**2 - 4*a*c
if D >= 0:
# 実数解 / Real roots
root1 = (-b + math.sqrt(D)) / (2*a)
root2 = (-b - math.sqrt(D)) / (2*a)
# -----------------------------
# 解と係数の関係の確認 / Check relationship
# -----------------------------
sum_roots = root1 + root2
product_roots = root1 * root2
print("【2次方程式: ax² + bx + c = 0】")
print(f"与えられた係数 / Coefficients: a={a}, b={b}, c={c}\n")
print("▶ 実数解 / Real Roots:")
print(f" x₁ = {root1:.2f}, x₂ = {root2:.2f}\n")
print("▶ 解と係数の関係 / Relationship:")
print(f" x₁ + x₂ = {-b/a:.2f} ←→ -b/a = {sum_roots:.2f}")
print(f" x₁ × x₂ = {c/a:.2f} ←→ c/a = {product_roots:.2f}")
else:
print("実数解が存在しません（判別式 < 0）")
お客様に提供する「連立方程式37」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# 連立方程式：
# 2x + y = 8
# 3x - y = 1
# ------------------------------------------------
# 1. クラメルの公式 / Cramer's Rule
# ------------------------------------------------
# 係数行列
A = np.array([[2, 1],
[3, -1]])
# 定数ベクトル
B = np.array([8, 1])
# 行列式（determinant）
D = np.linalg.det(A)
# Dx: 定数列とx列を入れ替えた行列の行列式
Dx = np.linalg.det(np.array([[8, 1],
[1, -1]]))
# Dy: 定数列とy列を入れ替えた行列の行列式
Dy = np.linalg.det(np.array([[2, 8],
[3, 1]]))
# 解
x_cramer = Dx / D
y_cramer = Dy / D
print("【クラメルの公式 / Cramer's Rule】")
print(f"x = {x_cramer:.2f}, y = {y_cramer:.2f}\n")
# ------------------------------------------------
# 2. NumPyの解法 / Using NumPy linear solver
# ------------------------------------------------
solution_np = np.linalg.solve(A, B)
x_np, y_np = solution_np
print("【NumPy解法 / NumPy Solver】")
print(f"x = {x_np:.2f}, y = {y_np:.2f}\n")
# ------------------------------------------------
# 3. 加減法 / Elimination Method (手計算風)
# ------------------------------------------------
# 式1: 2x + y = 8
# 式2: 3x - y = 1
# 式1と式2を加算（yを消去）
# 2x + y + 3x - y = 8 + 1 → 5x = 9 → x = 9/5
x_elim = 9 / 5
# xを式1に代入して y を求める
# 2*(9/5) + y = 8 → y = 8 - 18/5 = 22/5
y_elim = 22 / 5
print("【加減法 / Elimination Method】")
print(f"x = {x_elim:.2f}, y = {y_elim:.2f}\n")
# ------------------------------------------------
# グラフ描画 / Plotting the two lines
# ------------------------------------------------
x_vals = np.linspace(0, 5, 100)
y1_vals = 8 - 2 * x_vals # y = -2x + 8
y2_vals = 3 * x_vals - 1 # y = 3x - 1
plt.figure(figsize=(8, 6))
plt.plot(x_vals, y1_vals, label="2x + y = 8")
plt.plot(x_vals, y2_vals, label="3x - y = 1")
# 解をマーカーで表示
plt.scatter(x_cramer, y_cramer, color='red', label="Solution", zorder=5)
plt.title("Solution of Linear Equations")
plt.xlabel("x")
plt.ylabel("y")
plt.grid(True)
plt.legend()
plt.axhline(0, color='gray', linewidth=0.5)
plt.axvline(0, color='gray', linewidth=0.5)
plt.show()
お客様に提供する「いろいろな方程式36」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# ------------------------------
# パラメータ A の設定
# ------------------------------
A = 2
# ------------------------------
# 関数定義 / Define functions
# ------------------------------
def f1(x): # f1(x) = |x - A|
return np.abs(x - A)
def f2(x): # f2(x) = A - x²
return A - x**2
# ------------------------------
# プロット範囲 / Plot range
# ------------------------------
x_vals = np.linspace(A - 5, A + 5, 400)
y1_vals = f1(x_vals)
y2_vals = f2(x_vals)
# ------------------------------
# グラフ描画 / Plotting
# ------------------------------
plt.figure(figsize=(10, 6))
plt.plot(x_vals, y1_vals, label=r'$f_1(x) = |x - A|$', color='blue')
plt.plot(x_vals, y2_vals, label=r'$f_2(x) = A - x^2$', color='orange')
# A点の表示
plt.axvline(x=A, color='gray', linestyle='--', linewidth=1)
plt.text(A + 0.1, max(max(y1_vals), max(y2_vals)) * 0.9, f"A = {A}", color='gray')
plt.title("Graphs of $|x - A|$ and $A - x^2$")
plt.xlabel("x")
plt.ylabel("f(x)")
plt.grid(True)
plt.legend()
plt.show()
お客様に提供する「角の表し方43」ソリューション
import math
# -------------------------------
# 度 → ラジアン（degrees → radians）
# -------------------------------
def degrees_to_radians(deg):
return math.radians(deg) # または deg * math.pi / 180
# -------------------------------
# ラジアン → 度（radians → degrees）
# -------------------------------
def radians_to_degrees(rad):
return math.degrees(rad) # または rad * 180 / math.pi
# -------------------------------
# 変換の例 / Examples
# -------------------------------
deg = 180
rad = degrees_to_radians(deg)
print(f"{deg}° = {rad:.4f} rad")
rad_input = math.pi / 2
deg_converted = radians_to_degrees(rad_input)
print(f"{rad_input:.4f} rad = {deg_converted:.2f}°")
お客様に提供する「有名角44」ソリューション
import math
from fractions import Fraction
# -------------------------------
# 有名角リスト（度） / Famous angles in degrees
# -------------------------------
angles_deg = [0, 30, 45, 60, 90]
# -------------------------------
# 計算＆表示
# -------------------------------
print("【有名角の三角関数と逆三角関数 / Famous Angles and Trig Functions】\n")
for deg in angles_deg:
rad = math.radians(deg) # ラジアンに変換
sin_val = math.sin(rad)
cos_val = math.cos(rad)
try:
tan_val = math.tan(rad)
except:
tan_val = float('inf')
print(f"角度: {deg}° / {rad:.4f} rad")
print(f" sin({deg}) = {Fraction(sin_val).limit_denominator(100)} ≈ {sin_val:.4f}")
print(f" cos({deg}) = {Fraction(cos_val).limit_denominator(100)} ≈ {cos_val:.4f}")
if deg != 90:
print(f" tan({deg}) = {Fraction(tan_val).limit_denominator(100)} ≈ {tan_val:.4f}")
else:
print(f" tan({deg}) = ∞（定義されない）")
# 逆三角関数（ラジアン）→ 度に変換
if deg != 90:
arc_sin_deg = math.degrees(math.asin(sin_val))
arc_cos_deg = math.degrees(math.acos(cos_val))
arc_tan_deg = math.degrees(math.atan(tan_val)) if deg != 90 else None
print(f" arcsin(sin({deg})) ≈ {arc_sin_deg:.1f}°")
print(f" arccos(cos({deg})) ≈ {arc_cos_deg:.1f}°")
print(f" arctan(tan({deg})) ≈ {arc_tan_deg:.1f}°")
print("-" * 50)
お客様に提供する「相互関係47」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# --------------------------
# θの定義（度→ラジアン） / Define θ in radians
# --------------------------
theta_deg = np.linspace(0, 360, 1000)
theta_rad = np.radians(theta_deg)
# --------------------------
# 各関数の計算 / Compute trig functions
# --------------------------
sin_vals = np.sin(theta_rad)
cos_vals = np.cos(theta_rad)
tan_vals = np.tan(theta_rad)
# 1. sin²θ + cos²θ
identity1 = sin_vals**2 + cos_vals**2
# 2. tanθ = sinθ / cosθ （cosθ≠0の部分のみ計算）
tan_defined = cos_vals != 0
tan_ratio = np.full_like(theta_rad, np.nan)
tan_ratio[tan_defined] = sin_vals[tan_defined] / cos_vals[tan_defined]
# 3. tan²θ + 1 = 1 / cos²θ
tan_sq_plus1 = np.full_like(theta_rad, np.nan)
rhs_identity3 = np.full_like(theta_rad, np.nan)
tan_sq_plus1[tan_defined] = (tan_vals[tan_defined])**2 + 1
rhs_identity3[tan_defined] = 1 / (cos_vals[tan_defined])**2
# --------------------------
# グラフ描画 / Plotting
# --------------------------
plt.figure(figsize=(12, 8))
# 1. sin²θ + cos²θ = 1
plt.subplot(3, 1, 1)
plt.plot(theta_deg, identity1, label=r'$\sin^2\theta + \cos^2\theta$', color='purple')
plt.axhline(1, color='gray', linestyle='--', linewidth=1, label='= 1')
plt.title("Identity 1: sin²θ + cos²θ = 1")
plt.ylim(0.9, 1.1)
plt.xlabel("θ (degrees)")
plt.ylabel("Value")
plt.legend()
plt.grid(True)
# 2. tanθ = sinθ / cosθ
plt.subplot(3, 1, 2)
plt.plot(theta_deg, tan_vals, label='tan(θ)', color='orange', linestyle='--')
plt.plot(theta_deg, tan_ratio, label='sin(θ)/cos(θ)', color='blue')
plt.title("Identity 2: tanθ = sinθ / cosθ")
plt.ylim(-10, 10)
plt.xlabel("θ (degrees)")
plt.ylabel("Value")
plt.legend()
plt.grid(True)
# 3. tan²θ + 1 = 1 / cos²θ
plt.subplot(3, 1, 3)
plt.plot(theta_deg, tan_sq_plus1, label=r'$\tan^2\theta + 1$', color='green')
plt.plot(theta_deg, rhs_identity3, label=r'$1 / \cos^2\theta$', color='red', linestyle='--')
plt.title("Identity 3: tan²θ + 1 = 1 / cos²θ")
plt.ylim(0, 20)
plt.xlabel("θ (degrees)")
plt.ylabel("Value")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()
お客様に提供する「加法定理48」ソリューション
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# ------------------------------
# a, b を -π ～ π の範囲で生成
# ------------------------------
a = np.linspace(-np.pi, np.pi, 100)
b = np.linspace(-np.pi, np.pi, 100)
A, B = np.meshgrid(a, b)
# ------------------------------
# 左辺：sin(a + b)
# ------------------------------
lhs = np.sin(A + B)
# ------------------------------
# 右辺：sin(a)cos(b) + cos(a)sin(b)
# ------------------------------
rhs = np.sin(A) * np.cos(B) + np.cos(A) * np.sin(B)
# ------------------------------
# 差の絶対値（誤差確認用）
# ------------------------------
diff = np.abs(lhs - rhs)
# ------------------------------
# 3Dプロット / Plot both sides
# ------------------------------
fig = plt.figure(figsize=(18, 6))
# --- 左辺 ---
ax1 = fig.add_subplot(1, 3, 1, projection='3d')
ax1.plot_surface(A, B, lhs, cmap='viridis')
ax1.set_title('LHS: sin(a + b)')
ax1.set_xlabel('a')
ax1.set_ylabel('b')
ax1.set_zlabel('Value')
# --- 右辺 ---
ax2 = fig.add_subplot(1, 3, 2, projection='3d')
ax2.plot_surface(A, B, rhs, cmap='plasma')
ax2.set_title('RHS: sin(a)cos(b) + cos(a)sin(b)')
ax2.set_xlabel('a')
ax2.set_ylabel('b')
ax2.set_zlabel('Value')
# --- 差分確認 ---
ax3 = fig.add_subplot(1, 3, 3, projection='3d')
ax3.plot_surface(A, B, diff, cmap='inferno')
ax3.set_title('Difference |LHS - RHS|')
ax3.set_xlabel('a')
ax3.set_ylabel('b')
ax3.set_zlabel('Error')
plt.tight_layout()
plt.show()
お客様に提供する「2倍角の公式半角の公式49」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# 角度（ラジアン）の設定
theta = np.linspace(0, 2 * np.pi, 400)
# 2倍角の公式
sin2θ = 2 * np.sin(theta) * np.cos(theta)
cos2θ_sin = 1 - 2 * np.sin(theta)**2
cos2θ_cos = 2 * np.cos(theta)**2 - 1
tanθ = np.tan(theta)
tan2θ = 2 * tanθ / (1 - tanθ**2)
tan2θ[np.abs(1 - tanθ**2) < 0.01] = np.nan # 発散箇所の除外
# 半角の公式（theta/2）
theta_half = theta / 2
sin2_half = (1 - np.cos(theta)) / 2
cos2_half = (1 + np.cos(theta)) / 2
tan2_half = (1 - np.cos(theta)) / (1 + np.cos(theta))
# プロット
fig, axs = plt.subplots(3, 2, figsize=(14, 12))
axs = axs.ravel()
axs[0].plot(theta, sin2θ, label=r'$\sin(2\theta)$')
axs[0].set_title('sin(2θ) = 2sinθcosθ')
axs[0].grid(True)
axs[0].legend()
axs[1].plot(theta, cos2θ_sin, label=r'$\cos(2\theta) = 1 - 2\sin^2\theta$')
axs[1].plot(theta, cos2θ_cos, '--', label=r'$\cos(2\theta) = 2\cos^2\theta - 1$')
axs[1].set_title('cos(2θ) (sin and cos forms)')
axs[1].grid(True)
axs[1].legend()
axs[2].plot(theta, tan2θ, label=r'$\tan(2\theta) = \frac{2\tan\theta}{1 - \tan^2\theta}$')
axs[2].set_ylim(-10, 10)
axs[2].set_title('tan(2θ) = 2tanθ / (1 - tan²θ)')
axs[2].grid(True)
axs[2].legend()
axs[3].plot(theta, sin2_half, label=r'$\sin^2(\theta/2) = \frac{1 - \cos\theta}{2}$')
axs[3].set_title('sin²(θ/2)')
axs[3].grid(True)
axs[3].legend()
axs[4].plot(theta, cos2_half, label=r'$\cos^2(\theta/2) = \frac{1 + \cos\theta}{2}$')
axs[4].set_title('cos²(θ/2)')
axs[4].grid(True)
axs[4].legend()
axs[5].plot(theta, tan2_half, label=r'$\tan^2(\theta/2) = \frac{1 - \cos\theta}{1 + \cos\theta}$')
axs[5].set_ylim(0, 10)
axs[5].set_title('tan²(θ/2)')
axs[5].grid(True)
axs[5].legend()
plt.tight_layout()
plt.show()
お客様に提供する「合成50」ソリューション
import numpy as np
import matplotlib.pyplot as plt
from fractions import Fraction
# 定義する変数 a と b
a = 3
b = 4
# 合成公式に基づくαとβの計算
alpha = np.arctan2(b, a) # tanα = b/a から計算
beta = np.arctan2(a, b) # tanβ = a/b から計算
# αとβを分数と小数で表示
alpha_frac = Fraction(np.tan(alpha)).limit_denominator(1000)
beta_frac = Fraction(np.tan(beta)).limit_denominator(1000)
# ラジアンを度数に変換
alpha_deg = np.degrees(alpha)
beta_deg = np.degrees(beta)
# θ の範囲を設定
theta = np.linspace(0, 2 * np.pi, 400)
# a sinθ + b cosθ の計算
lhs = a * np.sin(theta) + b * np.cos(theta)
# 合成した三角関数（sinθ + α の形式）
rhs_sin = np.sqrt(a**2 + b**2) * np.sin(theta + alpha)
# 合成した三角関数（cosθ - β の形式）
rhs_cos = np.sqrt(a**2 + b**2) * np.cos(theta - beta)
# プロット
plt.figure(figsize=(10, 6))
# 左辺のグラフ
plt.plot(theta, lhs, label="a sin(θ) + b cos(θ)", linestyle='--')
# 右辺の sin 合成
plt.plot(theta, rhs_sin, label="√(a² + b²) sin(θ + α)", linestyle='-.')
# 右辺の cos 合成
plt.plot(theta, rhs_cos, label="√(a² + b²) cos(θ - β)", linestyle=':')
# ラベル付けとタイトル
plt.xlabel('θ (radians)')
plt.ylabel('Value')
plt.title('Trigonometric Function Synthesis')
plt.legend()
# プロット表示
plt.grid(True)
plt.show()
# αとβの値をプリント（分数、小数、度数）
print(f"α (radians): {alpha} ({alpha_frac}) = {alpha_deg}°")
print(f"β (radians): {beta} ({beta_frac}) = {beta_deg}°")
お客様に提供する「和積の公式51」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# 角度（ラジアン）の設定
alpha = np.linspace(0, 2 * np.pi, 400)
beta = np.linspace(0, 2 * np.pi, 400)
# 積和の公式
lhs_sin_cos = np.sin(alpha) * np.cos(beta) # sinα * cosβ
rhs_sin_cos = (np.sin(alpha + beta) + np.sin(alpha - beta)) / 2 # (sin(α+β) + sin(α-β)) / 2
lhs_cos_sin = np.cos(alpha) * np.sin(beta) # cosα * sinβ
rhs_cos_sin = (np.sin(alpha + beta) - np.sin(alpha - beta)) / 2 # (sin(α+β) - sin(α-β)) / 2
lhs_cos_cos = np.cos(alpha) * np.cos(beta) # cosα * cosβ
rhs_cos_cos = (np.cos(alpha + beta) + np.cos(alpha - beta)) / 2 # (cos(α+β) + cos(α-β)) / 2
lhs_sin_sin = np.sin(alpha) * np.sin(beta) # sinα * sinβ
rhs_sin_sin = -(np.cos(alpha + beta) - np.cos(alpha - beta)) / 2 # -(cos(α+β) - cos(α-β)) / 2
# 和積の公式
A = alpha + beta
B = alpha - beta
rhs_sin_sum = 2 * np.sin((A + B) / 2) * np.cos((A - B) / 2) # sinA + sinB
rhs_cos_sum = 2 * np.cos((A + B) / 2) * np.cos((A - B) / 2) # cosA + cosB
rhs_sin_diff = 2 * np.cos((A + B) / 2) * np.sin((A - B) / 2) # sinA - sinB
rhs_cos_diff = -2 * np.sin((A + B) / 2) * np.sin((A - B) / 2) # cosA - cosB
# プロット
plt.figure(figsize=(12, 8))
# 積和の公式のプロット
plt.subplot(2, 2, 1)
plt.plot(alpha, lhs_sin_cos, label="sinα * cosβ")
plt.plot(alpha, rhs_sin_cos, label="(sin(α+β) + sin(α-β))/2", linestyle='--')
plt.title("sinα * cosβ vs (sin(α+β) + sin(α-β))/2")
plt.legend()
plt.subplot(2, 2, 2)
plt.plot(alpha, lhs_cos_sin, label="cosα * sinβ")
plt.plot(alpha, rhs_cos_sin, label="(sin(α+β) - sin(α-β))/2", linestyle='--')
plt.title("cosα * sinβ vs (sin(α+β) - sin(α-β))/2")
plt.legend()
plt.subplot(2, 2, 3)
plt.plot(alpha, lhs_cos_cos, label="cosα * cosβ")
plt.plot(alpha, rhs_cos_cos, label="(cos(α+β) + cos(α-β))/2", linestyle='--')
plt.title("cosα * cosβ vs (cos(α+β) + cos(α-β))/2")
plt.legend()
plt.subplot(2, 2, 4)
plt.plot(alpha, lhs_sin_sin, label="sinα * sinβ")
plt.plot(alpha, rhs_sin_sin, label="-(cos(α+β) - cos(α-β))/2", linestyle='--')
plt.title("sinα * sinβ vs -(cos(α+β) - cos(α-β))/2")
plt.legend()
plt.tight_layout()
plt.show()
お客様に提供する「三平方の定理52」ソリューション
import sympy as sp
# AとBの値を定義
A = 10
B = 3
# 各項の計算
A_squared = A**2
B_squared = B**2
A_plus_B = A + B
A_minus_B = A - B
A_squared_plus_B_squared = A_squared + B_squared # A^2 + B^2
# 三平方の定理に基づく斜辺（c）を計算
c = sp.sqrt(A_squared + B_squared)
# (A + B) × (A - B)の計算
A_plus_B_times_A_minus_B = (A + B) * (A - B)
# 因数を求める（因数分解ではなく因数をリスト）
factors_A_squared = sp.factorint(A_squared)
factors_B_squared = sp.factorint(B_squared)
factors_A_plus_B = sp.factorint(A_plus_B)
factors_A_minus_B = sp.factorint(A_minus_B)
factors_A_squared_plus_B_squared = sp.factorint(A_squared_plus_B_squared)
factors_A_plus_B_times_A_minus_B = sp.factorint(A_plus_B_times_A_minus_B)
# 結果を表示
print(f"A = {A}")
print(f"B = {B}")
print(f"A^2 = {A_squared}")
print(f"B^2 = {B_squared}")
print(f"A^2 + B^2 = {A_squared_plus_B_squared}")
print(f"斜辺 (c) = {c}")
print(f"(A + B) × (A - B) = {A_plus_B_times_A_minus_B}")
print(f"\n因数:")
print(f"A^2 の因数: {factors_A_squared}")
print(f"B^2 の因数: {factors_B_squared}")
print(f"A + B の因数: {factors_A_plus_B}")
print(f"A - B の因数: {factors_A_minus_B}")
print(f"A^2 + B^2 の因数: {factors_A_squared_plus_B_squared}")
print(f"(A + B) × (A - B) の因数: {factors_A_plus_B_times_A_minus_B}")
お客様に提供する「相似55」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# A と B の定義
A = 3
B = 2
# 定数 K の計算
K = B / A
# 入力の範囲を設定（例：0から10まで）
input_values = np.linspace(0, 10, 100)
# 出力の計算
output_values = K * input_values
# 入力が2のときの出力をプリント
input_value_at_2 = 2
output_at_2 = K * input_value_at_2
print(f"入力が {input_value_at_2} のときの出力: {output_at_2}")
# プロット
plt.figure(figsize=(8, 6))
plt.plot(input_values, output_values, label=fr'$Output = \dfrac{{{B}}}{{{A}}} \times Input$', color='blue')
plt.scatter(input_value_at_2, output_at_2, color='red', zorder=5, label=f'Output at Input = {input_value_at_2}')
# ラベルとタイトル設定（Kの分数も表示）
plt.xlabel('Input')
plt.ylabel('Output')
plt.title(fr'Output = K × Input where $K = \dfrac{{{B}}}{{{A}}} = {K:.2f}$')
plt.legend()
plt.grid(True)
# プロット表示
plt.show()
お客様に提供する「正弦定理と余弦定理」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# ==== 三角形の既知の情報 / Given triangle data ====
# 辺 a, b と 角C（degree）
a = 5 # side a
b = 7 # side b
C_deg = 60 # angle C in degrees
# ==== ラジアンに変換 / Convert to radians ====
C_rad = np.radians(C_deg)
# ==== 余弦定理から辺cを計算 / Use Cosine Law to calculate side c ====
# c^2 = a^2 + b^2 - 2ab*cos(C)
c = np.sqrt(a**2 + b**2 - 2*a*b*np.cos(C_rad))
# ==== 正弦定理から角A, Bを計算 / Use Sine Law to calculate angles A and B ====
# sin(A)/a = sin(C)/c
A_rad = np.arcsin(np.sin(C_rad) * a / c)
B_rad = np.pi - C_rad - A_rad # 三角形の内角の和は180度
# ==== 角度に変換 / Convert to degrees ====
A_deg = np.degrees(A_rad)
B_deg = np.degrees(B_rad)
# ==== 結果表示 / Print results ====
print("=== Triangle Calculation ===")
print(f"Side c = {c:.2f}")
print(f"Angle A = {A_deg:.2f} degrees")
print(f"Angle B = {B_deg:.2f} degrees")
# ==== プロット（スケーリング用）/ Triangle plotting ====
# 頂点Aを原点に、Bをx軸上に、Cを計算して配置
A_point = np.array([0, 0])
B_point = np.array([c, 0])
# C点の座標を計算
Cx = b * np.cos(A_rad)
Cy = b * np.sin(A_rad)
C_point = np.array([Cx, Cy])
# ==== 三角形プロット / Plot the triangle ====
plt.figure(figsize=(6, 6))
plt.plot([A_point[0], B_point[0]], [A_point[1], B_point[1]], label='Side c')
plt.plot([B_point[0], C_point[0]], [B_point[1], C_point[1]], label='Side a')
plt.plot([C_point[0], A_point[0]], [C_point[1], A_point[1]], label='Side b')
# 点のラベル / Mark vertices
for point, label in zip([A_point, B_point, C_point], ['A', 'B', 'C']):
plt.scatter(*point)
plt.text(point[0], point[1], f' {label}', fontsize=12)
plt.title("Triangle using Sine and Cosine Rules")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.axis('equal')
plt.grid(True)
plt.legend()
plt.show()
# ==== アンテナの工学的設定 / Engineering Setup ====
# 高さ（vertical difference）と水平距離
h = 15 # height difference [m]
d = 40 # horizontal distance [m]
# ==== 総距離（斜辺）/ Total distance ====
L = np.sqrt(h**2 + d**2)
# ==== 仰角の計算（atan使用）/ Elevation angle ====
angle_rad = np.arctan(h / d)
angle_deg = np.degrees(angle_rad)
print("\n=== Engineering Application (Antenna Angle) ===")
print(f"Total distance = {L:.2f} m")
print(f"Elevation angle = {angle_deg:.2f} degrees")
# ==== プロット（アンテナ角度）/ Antenna diagram ====
plt.figure(figsize=(6, 5))
plt.plot([0, d], [0, h], label='Line of Sight (L)')
plt.plot([0, d], [0, 0], 'k--', label='Ground')
plt.plot([d, d], [0, h], 'k:', label='Height')
# 注釈 / Annotate
plt.text(d/2, h/2, f'{angle_deg:.1f}°', fontsize=12, color='blue')
plt.text(d + 1, h/2, f'h = {h} m', fontsize=10)
plt.text(d/2, -2, f'd = {d} m', fontsize=10)
plt.xlabel("Distance [m]")
plt.ylabel("Height [m]")
plt.title("Antenna Tilt Angle Calculation")
plt.axis('equal')
plt.grid(True)
plt.legend()
plt.show()
お客様に提供する「内積65」ソリューション
import numpy as np
# ベクトルの定義
a = np.array([3, 2])
b = np.array([1, 4])
# 内積の計算
dot = np.dot(a, b)
# ノルム（大きさ）
norm_a = np.linalg.norm(a)
norm_b = np.linalg.norm(b)
# 角度（cosθ → θ に変換）
cos_theta = dot / (norm_a * norm_b)
theta_rad = np.arccos(cos_theta)
theta_deg = np.degrees(theta_rad)
# 結果表示
print("【内積の計算結果】")
print(f"a = {a}")
print(f"b = {b}")
print(f"a ・ b = {dot}")
print(f"|a| = {norm_a:.4f}, |b| = {norm_b:.4f}")
print(f"cosθ = {cos_theta:.4f}")
print(f"∠θ = {theta_deg:.2f}°")
お客様に提供する「正射影ベクトル67」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# ------------------------------
# 点 P(x, y) と ベクトル A(a, b) を定義 / Define point and direction vector
# ------------------------------
x, y = 2, 3 # 点 P の座標 / Point P
a, b = 1, 2 # ベクトルAの成分
# ベクトル OP / Vector OP
OP = np.array([x, y])
# ベクトル A / Direction vector A
A = np.array([a, b])
# ------------------------------
# 正射影ベクトル OH を計算 / Compute projection vector OH
# ------------------------------
dot_product = np.dot(OP, A) # 内積 / Dot product
norm_squared = np.dot(A, A) # ベクトルAの大きさの2乗 / |A|^2
projection_scalar = dot_product / norm_squared
OH = projection_scalar * A # 正射影ベクトル OH
# ------------------------------
# プロット設定 / Plotting
# ------------------------------
plt.figure(figsize=(8, 8))
plt.axhline(0, color='gray', linewidth=0.5)
plt.axvline(0, color='gray', linewidth=0.5)
# 原点からのベクトルを描画
plt.quiver(0, 0, x, y, angles='xy', scale_units='xy', scale=1, color='blue', label='OP (P=({}, {}))'.format(x, y))
plt.quiver(0, 0, a, b, angles='xy', scale_units='xy', scale=1, color='green', alpha=0.4, label='Vector A')
plt.quiver(0, 0, OH[0], OH[1], angles='xy', scale_units='xy', scale=1, color='red', label='Projection OH')
# 点とラベルの追加
plt.plot(x, y, 'bo')
plt.text(x + 0.2, y, 'P({},{})'.format(x, y), color='blue')
plt.plot(OH[0], OH[1], 'ro')
plt.text(OH[0] + 0.2, OH[1], 'H', color='red')
# 表示範囲と装飾
plt.xlim(-1, 6)
plt.ylim(-1, 10)
plt.gca().set_aspect('equal', adjustable='box')
plt.title("Projection of OP onto Vector A")
plt.xlabel("x")
plt.ylabel("y")
plt.grid(True)
plt.legend()
plt.show()
# ------------------------------
# 数値出力 / Print numerical result
# ------------------------------
print(f"ベクトルOHの成分：({OH[0]:.2f}, {OH[1]:.2f})")
お客様に提供する「面積59」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# ==== 三角形の3点を定義 / Define the 3 vertices ====
# 例：点A(1, 1), 点B(5, 1), 点C(3, 4)
A = np.array([1, 1])
B = np.array([5, 1])
C = np.array([3, 4])
# ==== ベクトルの差分 / Compute vectors AB and AC ====
AB = B - A
AC = C - A
# ==== 外積の大きさから面積計算 / Area from cross product magnitude ====
# 面積 = 0.5 * |AB × AC| = 0.5 * |AB_x * AC_y - AB_y * AC_x|
area = 0.5 * np.abs(AB[0] * AC[1] - AB[1] * AC[0])
# ==== 結果表示 / Print the area ====
print(f"3点からなる三角形の面積: {area:.2f} 平方単位")
print(f"Triangle area from given 3 points: {area:.2f} square units")
# ==== プロット / Plot the triangle ====
plt.figure(figsize=(6, 6))
# 三角形の辺を描画 / Draw triangle edges
triangle = np.array([A, B, C, A]) # 最後にAに戻る
plt.plot(triangle[:, 0], triangle[:, 1], 'b-', label='Triangle')
plt.fill(triangle[:, 0], triangle[:, 1], alpha=0.3, color='skyblue') # 塗りつぶし
# 各点にラベルをつける / Label points
for point, label in zip([A, B, C], ['A', 'B', 'C']):
plt.scatter(*point, color='red')
plt.text(point[0]+0.1, point[1]+0.1, f'{label} {tuple(point)}', fontsize=10)
# プロット設定 / Plot settings
plt.title(f"Area of Triangle = {area:.2f} square units")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.grid(True)
plt.axis('equal')
plt.legend()
plt.show()
お客様に提供する「距離69」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# ------------------------------
# 直線の定義 / Define the line y = ax + b
# ------------------------------
a = 1 # 傾き / Slope
b = 0 # 切片 / Intercept
# ------------------------------
# データ点（正常 + ノイズ含む） / Define points
# ------------------------------
np.random.seed(0)
x_points = np.linspace(-5, 5, 30)
y_points = a * x_points + b + np.random.normal(0, 1.0, size=x_points.shape)
# 一部異常点を追加 / Inject anomalies
x_points[5] += 3
y_points[5] += 5
x_points[20] -= 4
y_points[20] -= 6
# ------------------------------
# 点と直線の距離を計算 / Compute distance
# ------------------------------
def point_to_line_distance(x0, y0, a, b):
"""点と直線 y = ax + b の距離 / Distance from (x0,y0) to line"""
return np.abs(a * x0 - y0 + b) / np.sqrt(a ** 2 + 1)
distances = point_to_line_distance(x_points, y_points, a, b)
# ------------------------------
# 異常検知 / Anomaly Detection
# ------------------------------
threshold = 2.5 # 距離のしきい値 / Threshold
is_anomaly = distances > threshold
# ------------------------------
# プロット / Plotting
# ------------------------------
plt.figure(figsize=(10, 6))
# プロット：直線
x_line = np.linspace(-6, 6, 100)
y_line = a * x_line + b
plt.plot(x_line, y_line, 'k--', label='Line: y = ax + b')
# プロット：正常点
plt.scatter(x_points[~is_anomaly], y_points[~is_anomaly], color='blue', label='Normal')
# プロット：異常点
plt.scatter(x_points[is_anomaly], y_points[is_anomaly], color='red', label='Anomaly')
# 装飾
plt.title("Distance from Points to Line & Anomaly Detection")
plt.xlabel("x")
plt.ylabel("y")
plt.grid(True)
plt.legend()
plt.show()
# ------------------------------
# 異常点の出力 / Print anomaly info
# ------------------------------
print("異常検知結果 / Detected Anomalies:")
for i, (x0, y0, d) in enumerate(zip(x_points, y_points, distances)):
if d > threshold:
print(f"点 {i}: (x={x0:.2f}, y={y0:.2f}) → 距離 = {d:.2f}（異常）")
お客様に提供する「円70」ソリューション
import numpy as np
import matplotlib.pyplot as plt
import sympy as sp
# -------------------------------------
# 一般式の係数設定: x² + y² + D·x + E·y + F = 0
# 例: x² + y² - 4x + 6y - 12 = 0
# -------------------------------------
D = -4
E = 6
F = -12
# -------------------------------------
# 中心 (h, k) と 半径 r の計算
# -------------------------------------
h = -D / 2
k = -E / 2
r_squared = h**2 + k**2 - F
# 半径
r = sp.sqrt(r_squared)
# 結果表示
print("【円の標準形】")
print(f"(x - {h})² + (y - {k})² = {r_squared}")
print(f"→ 半径 r = {float(r):.2f}")
print(f"→ 中心: ({h}, {k})")
# -------------------------------------
# プロット / Plotting the Circle
# -------------------------------------
theta = np.linspace(0, 2 * np.pi, 400)
x_vals = h + float(r) * np.cos(theta)
y_vals = k + float(r) * np.sin(theta)
plt.figure(figsize=(6, 6))
plt.plot(x_vals, y_vals, label='Circle')
plt.plot(h, k, 'ro', label='Center')
plt.axhline(0, color='gray', linestyle='--')
plt.axvline(0, color='gray', linestyle='--')
plt.title("Circle from General Form")
plt.xlabel("x")
plt.ylabel("y")
plt.grid(True)
plt.legend()
plt.axis('equal')
plt.show()
お客様に提供する「微分法の計算72」ソリューション
import numpy as np
import matplotlib.pyplot as plt
import sympy as sp
import torch
# --------------------------------------
# シンボリック定義（式の展開と微分）/ Symbolic part
# --------------------------------------
x = sp.Symbol('x')
y_expr = (x**2 + 3*x - 2) * (2*x + 1)
y_expanded = sp.expand(y_expr)
dy_dx = sp.diff(y_expr, x)
print("【関数の展開】")
print("y =", y_expanded)
print("\n【導関数】")
print("dy/dx =", dy_dx)
# --------------------------------------
# 数値化 / Lambdify
# --------------------------------------
y_func = sp.lambdify(x, y_expr, 'numpy')
dy_func = sp.lambdify(x, dy_dx, 'numpy')
# --------------------------------------
# プロット用の x 範囲
# --------------------------------------
x_vals = np.linspace(-5, 3, 500)
y_vals = y_func(x_vals)
dy_vals = dy_func(x_vals)
# サンプルホールド用に離散サンプリング
x_sample = np.linspace(-5, 3, 30)
y_sample = y_func(x_sample)
# デジタル微分（前進差分）/ Digital Differentiation
dy_digital = np.diff(y_sample) / np.diff(x_sample)
x_digital = (x_sample[:-1] + x_sample[1:]) / 2
# --------------------------------------
# PyTorch による自動微分 / Automatic Differentiation
# --------------------------------------
x_torch = torch.tensor(x_vals, requires_grad=True)
y_torch = (x_torch**2 + 3 * x_torch - 2) * (2 * x_torch + 1)
dy_auto = torch.autograd.grad(outputs=y_torch, inputs=x_torch,
grad_outputs=torch.ones_like(x_torch),
create_graph=True)[0].detach().numpy()
# --------------------------------------
# グラフ描画 / Plotting
# --------------------------------------
plt.figure(figsize=(14, 12))
# 1. 関数と微分曲線
plt.subplot(2, 2, 1)
plt.plot(x_vals, y_vals, label='y(x)', color='blue')
plt.plot(x_vals, dy_vals, label="dy/dx (Symbolic)", color='red')
plt.plot(x_vals, dy_auto, '--', label="dy/dx (AutoDiff)", color='orange')
plt.title("Function and Its Derivative")
plt.xlabel("x")
plt.ylabel("y / dy/dx")
plt.legend()
plt.grid(True)
# 2. 勾配（矢印）を視覚化
plt.subplot(2, 2, 2)
plt.plot(x_vals, y_vals, color='blue')
for i in range(0, len(x_vals), 30):
x0 = x_vals[i]
y0 = y_vals[i]
slope = dy_vals[i]
dx = 0.5
dy = slope * dx
plt.arrow(x0, y0, dx, dy, head_width=0.5, head_length=0.5, fc='orange', ec='orange')
plt.title("Gradient (Tangent Slopes)")
plt.xlabel("x")
plt.ylabel("y")
plt.grid(True)
# 3. サンプルホールド表示（ステップ的に表示）
plt.subplot(2, 2, 3)
plt.step(x_sample, y_sample, where='mid', label='Sample & Hold', color='purple')
plt.plot(x_vals, y_vals, alpha=0.3, label='y(x)', color='gray')
plt.title("Sample and Hold Representation")
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.grid(True)
# 4. デジタル微分（差分による近似）
plt.subplot(2, 2, 4)
plt.plot(x_digital, dy_digital, 'o-', label='Digital Derivative (Δy/Δx)', color='green')
plt.plot(x_vals, dy_vals, alpha=0.5, label='True dy/dx (Symbolic)', color='red')
plt.title("Digital Differentiation")
plt.xlabel("x")
plt.ylabel("dy/dx")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()
お客様に提供する「定積分75」ソリューション
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import quad
from sympy import symbols, integrate, pprint
import cv2
from sklearn.linear_model import LinearRegression
# -------------------------------
# 二次関数の定義: f(x) = ax^2 + bx + c
# -------------------------------
a, b, c = 1, -2, 1 # f(x) = x^2 - 2x + 1 = (x-1)^2
def f(x):
return a * x**2 + b * x + c
x_start, x_end = 0, 2
# -------------------------------
# 解析的に分数で計算 / Symbolic integration with fraction output
# -------------------------------
x = symbols('x')
fx = a * x**2 + b * x + c
area_symbolic = integrate(fx, (x, x_start, x_end)) # 定積分 ∫₀² (x-1)^2 dx
print("【解析的な定積分の面積（Exact integral area）】")
print(" 分数表記:")
pprint(area_symbolic) # 分数で表示
print(f" 小数表記: {float(area_symbolic):.5f}")
# -------------------------------
# 1. 定積分の計算（数値的）/ Analytical definite integral
# -------------------------------
area_exact, _ = quad(f, x_start, x_end)
# -------------------------------
# 2. 区分求積法による近似 / Numerical integration
# -------------------------------
N = 50 # 分割数
x_rect = np.linspace(x_start, x_end, N+1)
x_mid = (x_rect[:-1] + x_rect[1:]) / 2 # サンプルホールド (中点)
dx = (x_end - x_start) / N
area_approx = np.sum(f(x_mid) * dx)
# -------------------------------
# 3. プロットによる可視化
# -------------------------------
x_vals = np.linspace(x_start, x_end, 400)
y_vals = f(x_vals)
plt.figure(figsize=(10, 6))
plt.plot(x_vals, y_vals, 'b', label='f(x) = x² - 2x + 1')
plt.bar(x_mid, f(x_mid), width=dx, alpha=0.3, align='center', edgecolor='black', label='Rectangles')
plt.fill_between(x_vals, y_vals, where=(x_vals >= x_start) & (x_vals <= x_end), color='orange', alpha=0.3, label='Area under curve')
plt.title('Definite Integral and Riemann Sum')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.legend()
plt.grid(True)
plt.show()
# -------------------------------
# 画像処理での面積計算（疑似画像）/ Simulated image-based area calculation
# -------------------------------
image = np.zeros((100, 100), dtype=np.uint8)
cv2.rectangle(image, (20, 30), (80, 70), 255, -1) # 白い矩形を描画
image_area = np.sum(image == 255)
# -------------------------------
# 機械学習モデルによる面積近似（線形回帰）/ ML model area approximation
# -------------------------------
X = np.linspace(0, 2, 100).reshape(-1, 1)
y = f(X).ravel() + np.random.normal(0, 0.05, size=100) # ノイズ付き
model = LinearRegression()
model.fit(X, y)
y_pred = model.predict(X)
ml_area = np.trapz(y_pred, x=X.ravel())
# -------------------------------
# 結果表示 / Print all results
# -------------------------------
results = {
"解析的定積分（小数）": round(area_exact, 5),
"区分求積法による面積": round(area_approx, 5),
"画像処理での面積（白ピクセル数）": int(image_area),
"機械学習モデルによる面積": round(ml_area, 5)
}
results
お客様に提供する「指数法則77と対数の定義78」ソリューション
import numpy as np
import matplotlib.pyplot as plt
# --------------------------------------
# x: 倍率（1/10 ～ 100倍）
# --------------------------------------
x = np.linspace(0.1, 100, 1000)
# --------------------------------------
# 計算（対数とdB）/ Compute log & dB
# --------------------------------------
log10_x = np.log10(x) # 常用対数
log2_x = np.log2(x) # 2を底とする対数
ln_x = np.log(x) # 自然対数
db_power = 10 * log10_x # 電力比のdB
db_voltage = 20 * log10_x # 電圧比のdB
# --------------------------------------
# グラフ描画
# --------------------------------------
plt.figure(figsize=(14, 8))
# 1. 対数関数
plt.subplot(2, 2, 1)
plt.plot(x, log10_x, label='log₁₀(x)', color='blue')
plt.plot(x, log2_x, label='log₂(x)', color='green')
plt.plot(x, ln_x, label='ln(x)', color='orange')
plt.title("Logarithmic Functions")
plt.xlabel("x (倍率 / Multiplication factor)")
plt.ylabel("log(x)")
plt.grid(True)
plt.legend()
# 2. 指数関数
x_exp = np.linspace(-2, 4, 500)
plt.subplot(2, 2, 2)
plt.plot(x_exp, 10 ** x_exp, label='10ˣ', color='purple')
plt.plot(x_exp, 2 ** x_exp, label='2ˣ', color='red')
plt.title("Exponential Functions")
plt.xlabel("x")
plt.ylabel("aˣ")
plt.grid(True)
plt.legend()
# 3. dB（電力比）
plt.subplot(2, 2, 3)
plt.plot(x, db_power, label='dB (Power) = 10 log₁₀(x)', color='navy')
plt.title("Decibels: Power Ratio")
plt.xlabel("Power Ratio (x)")
plt.ylabel("dB")
plt.grid(True)
plt.legend()
# 4. dB（電圧比）
plt.subplot(2, 2, 4)
plt.plot(x, db_voltage, label='dB (Voltage) = 20 log₁₀(x)', color='darkred')
plt.title("Decibels: Voltage Ratio")
plt.xlabel("Voltage Ratio (x)")
plt.ylabel("dB")
plt.grid(True)
plt.legend()
plt.tight_layout()
plt.show()
import numpy as np
import matplotlib.pyplot as plt
# 時間の定義
t = np.linspace(0, 10, 1000) # 0から10秒の範囲で1000点
# 一次遅れ系のパラメータ
tau = 1 # 時定数
u = np.ones_like(t) # 入力信号（単位ステップ入力）
# 出力の計算：一次遅れ系の解
y = 1 - np.exp(-t / tau)
# シグモイド関数の定義
def sigmoid(x):
return 1 / (1 + np.exp(-x))
# シグモイド関数を適用した出力
y_sigmoid = sigmoid(y)
# プロット
plt.figure(figsize=(12, 6))
# 一次遅れのプロット
plt.subplot(1, 2, 1)
plt.plot(t, y, label="Exponential 1st-order Response", color='blue')
plt.title("Exponential First-Order Response")
plt.xlabel("Time (t)")
plt.ylabel("Output y(t)")
plt.grid(True)
plt.legend()
# シグモイド活性化関数のプロット
plt.subplot(1, 2, 2)
plt.plot(t, y_sigmoid, label="Sigmoid Activation", color='red')
plt.title("Sigmoid Activation of Output")
plt.xlabel("Time (t)")
plt.ylabel("Sigmoid Output")
plt.grid(True)
plt.legend()
plt.tight_layout()
plt.show()
お客様に提供する「階乗81」ソリューション
# ------------------------------------------
# 毎回の掛け算ステップと結果を表示する階乗計算
# Show step-by-step multiplication and result
# ------------------------------------------
def factorial_step_print(n):
"""階乗の各ステップを表示 / Show each multiplication step"""
result = 1
print(f"{n}! を計算します / Calculating {n}! step-by-step:\n")
for i in range(1, n + 1):
result *= i
print(f"{i} をかける → 現在の結果 = {result}")
print(f"\n最終結果 / Final result: {n}! = {result}")
return result
# --------------------------
# 実行 / Run for example N = 7
# --------------------------
N = 7
factorial_step_print(N)
お客様に提供する「CとP82」ソリューション
import math
# ---------------------------
# 入力値設定
# ---------------------------
n = 6 # 総数 n
r = 3 # 選ぶ数 r
a, b = 2, 1 # 重複を除きたい個数の例（例えば2つが同じ、もう1つも同じ）
# ---------------------------
# 順列: nPr（順番あり、区別あり）
# ---------------------------
nPr = math.perm(n, r) # Python 3.8以降
# もしくは: nPr = math.factorial(n) // math.factorial(n - r)
# ---------------------------
# 組合せ: nCr（順番なし、区別なし）
# ---------------------------
nCr = math.comb(n, r) # Python 3.8以降
# もしくは: nCr = math.factorial(n) // (math.factorial(r) * math.factorial(n - r))
# ---------------------------
# 重複のある順列: a!, b! で割る
# ---------------------------
duplicated = math.perm(n, r) // (math.factorial(a) * math.factorial(b))
# ---------------------------
# 出力
# ---------------------------
print("【順列・組合せの計算】")
print(f"n = {n}, r = {r}")
print(f"nPr（順番あり・区別あり）= {nPr}")
print(f"nCr（順番なし・区別なし）= {nCr}")
print(f"重複あり（a={a}, b={b} のとき）= {duplicated}")
お客様に提供する「平均値分散89」ソリューション
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
# -----------------------------
# データ定義 / Define sample data
# -----------------------------
np.random.seed(0)
x = np.linspace(0, 10, 20)
y = 2 * x + 1 + np.random.normal(scale=3, size=x.shape) # ノイズあり線形データ
# -----------------------------
# 平均と分散 / Mean and Variance
# -----------------------------
x_mean = np.mean(x)
y_mean = np.mean(y)
x_var = np.var(x)
y_var = np.var(y)
print("【平均と分散 / Mean and Variance】")
print(f"x̄ = {x_mean:.2f}, Var(x) = {x_var:.2f}")
print(f"ȳ = {y_mean:.2f}, Var(y) = {y_var:.2f}")
# -----------------------------
# 最小二乗法 / Least Squares (Linear Regression)
# -----------------------------
a, b = np.polyfit(x, y, deg=1)
y_linear = a * x + b
# -----------------------------
# ニューラルネット回帰 / Neural Network Regression
# -----------------------------
# 入力は2Dに変換 + 標準化
x_2d = x.reshape(-1, 1)
scaler = StandardScaler()
x_scaled = scaler.fit_transform(x_2d)
# ニューラルネット（1 hidden layer, 10 units）
model = MLPRegressor(hidden_layer_sizes=(10,), max_iter=5000, random_state=0)
model.fit(x_scaled, y)
# 推論用データ
x_test = np.linspace(0, 10, 200).reshape(-1, 1)
x_test_scaled = scaler.transform(x_test)
y_nn = model.predict(x_test_scaled)
# -----------------------------
# プロット / Plotting
# -----------------------------
plt.figure(figsize=(12, 6))
plt.scatter(x, y, label='Data Points', color='blue')
plt.plot(x, y_linear, label=f'Least Squares (y = {a:.2f}x + {b:.2f})', color='red')
plt.plot(x_test, y_nn, label='Neural Net Regression', color='green')
plt.axhline(y_mean, linestyle='--', color='gray', label=f'Mean of y = {y_mean:.2f}')
plt.title("Least Squares vs Neural Network Regression")
plt.xlabel("x")
plt.ylabel("y")
plt.grid(True)
plt.legend()
plt.show()
終わりに
今回の学習では、「合格(うか)る計算数学 I・A・II・B」を通じて、Pythonコードによる数学演習、AIとの対話による理解の深化、工学的シミュレーションまで、幅広いアプローチを体験していただきました。
一見すると、まったく関係のないように見えるAI関連のコードや工学的なツールが途中に登場しましたが、それこそが本プラットフォームの強みです。
なぜなら、現代における数学の活用シーンは単なる公式の暗記に留まらず、データ分析・回路設計・自動化・最適化といった実社会のあらゆる分野とつながっているからです。
私たちは単一の教材や単一のツールに閉じることなく、
「数学 × プログラミング × AI × 工学」を掛け合わせたトータル・ラーニング・ソリューションを提供します。