फैक्टोरियल क्यों महत्वपूर्ण हैं
हैमिंग अध्याय 9 की शुरुआत यह नोट करके करते हैं कि सभी इंजीनियरिंग डिजाइन समस्याएं n-आयामी स्थान में रहती हैं, जहां n स्वतंत्र मापदंडों को गिनता है। उस स्थान को समझने के लिए फैक्टोरियल को समझना आवश्यक है — वे प्रत्येक n-आयामी गोले के लिए आयतन सूत्र के अंदर दिखाई देते हैं।
स्टर्लिंग का सन्निकटन
बड़े n के लिए n! को सीधे गणना करना असंभव हो जाता है। स्टर्लिंग का सूत्र एक सटीक सन्निकटन देता है:
n! ≈ √(2πn) · (n/e)^n
लॉगरिदम लेना (जो हैमिंग गुणनफल को योग में परिवर्तित करने के लिए करते हैं):
ln(n!) ≈ n·ln(n) − n + 0.5·ln(2πn)
सन्निकटन में सुधार होता है जैसे-जैसे n बढ़ता है: अनुपात Stirling(n)/n! → 1 जैसे n → ∞। फिर भी निरपेक्ष अंतर बिना सीमा के बढ़ता है। दोनों तथ्य एक साथ सत्य हैं।
हैमिंग की व्युत्पत्ति का मार्ग: योग Σ ln(k) के लिए k=1..n को समाकलन ∫ ln(x) dx द्वारा 1 से n तक समलंब नियम के माध्यम से सन्निकटित करें, फिर exponential लें। स्थिरांक √(2π) समलंब त्रुटि के सीमान्त व्यवहार से उत्पन्न होता है।
| n | Stirling | True n! | Ratio |
|---|---|---|---|
| 5 | 118.02 | 120 | 0.9835 |
| 10 | 3,598,696 | 3,628,800 | 0.9917 |
| 20 | ~2.423×10^18 | ~2.432×10^18 | 0.9958 |
स्टर्लिंग के सूत्र का उपयोग करना
स्टर्लिंग का लॉग रूप अनुपात गणना के लिए सबसे उपयोगी साबित होता है जहां निरपेक्ष पैमाना रद्द हो जाता है:
ln(n!) ≈ n·ln(n) − n + 0.5·ln(2πn)
गामा फलन
फैक्टोरियल n! केवल गैर-नकारात्मक पूर्णांकों के लिए अर्थ रखता है। हैमिंग को सभी सकारात्मक वास्तविक n के लिए गोले के आयतन का सूत्र चाहिए, इसलिए वह गामा फलन का परिचय देते हैं:
Γ(n) = ∫₀^∞ x^(n−1) · e^(−x) dx (converges for n > 0)
खंडों द्वारा समाकलन अपचय सूत्र प्राप्त करता है: Γ(n) = (n−1) · Γ(n−1)।
सकारात्मक पूर्णांकों पर: Γ(n) = (n−1)! तो Γ(5) = 4! = 24।
अर्ध-पूर्णांकों पर: Γ(1/2) = √π ≈ 1.772। यह गॉसियन समाकलन ∫₋∞^∞ e^(−x²) dx = √π से उत्पन्न होता है।
गोले के आयतन के लिए हमें जो मान चाहिए: अर्ध-पूर्णांक तर्कों पर Γ(n/2 + 1)।
| n | n/2 + 1 | Γ(n/2 + 1) |
|---|---|---|
| 1 | 3/2 | √π/2 ≈ 0.886 |
| 2 | 2 | 1! = 1 |
| 3 | 5/2 | 3√π/4 ≈ 1.329 |
| 4 | 3 | 2! = 2 |
| 5 | 7/2 | 15√π/8 ≈ 3.323 |
सूत्र & विरोधाभास
स्टर्लिंग और गामा के हाथ में, हैमिंग त्रिज्या r के एक n-आयामी गोले का आयतन प्राप्त करते हैं:
V_n(r) = C_n · r^n where C_n = π^(n/2) / Γ(n/2 + 1)
स्थिरांक C_n केवल n पर निर्भर करता है, r पर नहीं। पहले मान:
| n | C_n |
|---|---|
| 1 | 2 |
| 2 | π ≈ 3.142 |
| 3 | 4π/3 ≈ 4.189 |
| 4 | π²/2 ≈ 4.935 |
| 5 | 8π²/15 ≈ 5.264 |
| 6 | π³/6 ≈ 5.168 |
| 8 | π⁴/24 ≈ 4.059 |
| 10 | π⁵/120 ≈ 2.550 |
विरोधाभास: C_n n=5 के पास एक अधिकतम तक बढ़ता है (C_5 ≈ 5.264), फिर शून्य की ओर वापस गिरता है। बहुत अधिक आयामों में इकाई गोले का अनिवार्य रूप से कोई आयतन नहीं है — भले ही सहज रूप से अधिक आयामों को जोड़ने से अधिक स्थान जोड़ना चाहिए।
आयतन क्यों पतन करता है?
मुख्य: आयतन = C_n · r^n। जब r < 1, r^n → 0 exponentially। त्रिज्या की कमी आयतन को आयामता से तेजी से मारती है। n-आयामी इकाई हाइपरक्यूब का लगभग सभी आयतन इसके कोनों में निहित है, उत्कीर्ण गोले के बाहर।
कोने का विरोधाभास
2D में: एक इकाई वर्ग [−1,1]^2 का क्षेत्रफल 4 है। उत्कीर्ण वृत्त का क्षेत्रफल π ≈ 3.14 है। वृत्त वर्ग का 78% भरता है।
3D में: इकाई घन [−1,1]^3 का आयतन 8 है। उत्कीर्ण गोले का आयतन 4π/3 ≈ 4.19 है। गोला 52% भरता है।
n आयामों में: इकाई हाइपरक्यूब [−1,1]^n का आयतन 2^n है। उत्कीर्ण गोले का आयतन C_n है। गोले के अंदर का अंश:
f(n) = C_n / 2^n
जैसे-जैसे n बढ़ता है: C_n → 0 जबकि 2^n → ∞। तो f(n) → 0 तेजी से। 10D में, गोला घन का 0.3% से कम भरता है।
इंजीनियरिंग निहितार्थ: उच्च-आयामी डिजाइन स्थान में, आप यादृच्छिक बिंदु चुनकर नमूना नहीं ले सकते। लगभग सभी यादृच्छिक बिंदु कोनों में दूर उतरेंगे। 3D में बनी आपकी सहज बुद्धि पूरी तरह विफल हो जाती है।
3D सहज बुद्धि क्यों विफल होती है
अध्याय 9 में हैमिंग का मूल संदेश: n स्वतंत्र मापदंडों के साथ हर इंजीनियरिंग प्रणाली n-आयामी स्थान में रहती है। Aerodynamics, नियंत्रण प्रणालियां, चिप डिजाइन, दवा अणु — सभी n >> 3 के साथ मापदंड स्थान शामिल हैं।
उच्च आयामों में 3D सहज बुद्धि की तीन विशिष्ट विफलताएं:
1. विकर्ण दूरी। 3D में, एक इकाई घन का विकर्ण लंबाई √3 ≈ 1.73 है। n-आयामी इकाई हाइपरक्यूब में, विकर्ण की लंबाई √n है। n=100 के लिए, विकर्ण की लंबाई 10 है — फिर भी हर समन्वय 0 से 1 तक चलती है। बिंदु जो किसी भी एक आयाम में 'पास' दिखते हैं वह n-आयामी स्थान में दूर हैं।
2. आयतन एकाग्रता। जैसा कि ऊपर दिखाया गया है: आयतन कोनों में केंद्रित होता है, केंद्रीय गोले में नहीं। आपकी सहज बुद्धि कि एक स्थान का केंद्र विशिष्ट है, टूट जाता है।
3. पड़ोसी गिनती। 2D में, एक बिंदु के पास त्रिज्या r के भीतर लगभग πr² पड़ोसी हैं। nD में, पड़ोसी की गिनती C_n·r^n के रूप में मापती है, जो बड़े n के लिए छोटे r के लिए प्रभावी रूप से शून्य है। पड़ोस टूट जाते हैं।
हैमिंग का निष्कर्ष: 'आप बस n-space में क्या चल रहा है यह नहीं देख सकते।' आपको गणित पर — आयतन, दूरी और संभावना के सूत्रों पर — कल्पना पर नहीं निर्भर करना चाहिए।
ज्यामिति को लागू करना
गोले-आयतन पतन के आधुनिक अभ्यास के लिए ठोस परिणाम हैं:
अनुकूलन: उच्च-आयामी मापदंड स्थान में gradient descent यादृच्छिक खोज से बेहतर काम करता है क्योंकि यह कोनों-और-रिक्ति संरचना को नेविगेट करने के लिए स्थानीय gradient जानकारी का शोषण करता है।
Machine Learning: तंत्रिका नेटवर्क वजन स्थान में लाखों आयाम हैं। ज्यामिति यह भविष्यवाणी करती है कि यादृच्छिक initialization शायद ही कभी एक अच्छे समाधान के पास उतरता है — फिर भी प्रशिक्षण प्रक्रिया संरचित gradient चरणों के माध्यम से एक की ओर नेविगेट करती है।
प्रयोगों का डिजाइन: नमूनों के साथ एक उच्च-आयामी मापदंड स्थान को कवर करने के लिए exponentially कई बिंदुओं की आवश्यकता होती है। यह यादृच्छिक नमूने पर संरचित प्रायोगिक डिजाइन (Latin hypercubes, space-filling designs) को प्रेरित करता है।