工業数学：直前対策パック

極限：まず直接代入してみます。0/0 になる場合は、先に式を簡単にします：因数分解して共通因数を約分するか、共役な式を掛けます。x → ∞ では、分子と分母を x の最高次の累乗で割ります。ロピタルの定理：f/g が 0/0 または ∞/∞ になるなら、lim f/g = lim f′/g′ です。分子と分母を別々に微分します（商の微分法は使いません）。

極限：まず直接代入してみます。0/0 になる場合は、先に式を簡単にします：因数分解して共通因数を約分するか、共役な式を掛けます。x → ∞ では、分子と分母を x の最高次の累乗で割ります。ロピタルの定理：f/g が 0/0 または ∞/∞ になるなら、lim f/g = lim f′/g′ です。分子と分母を別々に微分します（商の微分法は使いません）。

微分：導関数 f′(x) は x におけるグラフの傾きです。べき乗の法則：(xⁿ)′ = n·xⁿ⁻¹。積の法則：(uv)′ = u′v + uv′。連鎖律：(f(g(x)))′ = f′(g(x))·g′(x)。f′(x) = 0 のところではグラフの接線が水平になり、極大・極小・鞍点のいずれかです。

微分：導関数 f′(x) は x におけるグラフの傾きです。べき乗の法則：(xⁿ)′ = n·xⁿ⁻¹。積の法則：(uv)′ = u′v + uv′。連鎖律：(f(g(x)))′ = f′(g(x))·g′(x)。f′(x) = 0 のところではグラフの接線が水平になり、極大・極小・鞍点のいずれかです。

定積分：∫ₐᵇ f(x) dx は、a から b までのグラフと x 軸の間の符号付き面積です。原始関数 F（F′ = f）を求め、F(b) − F(a) を計算します。べき乗の法則：∫xⁿ dx = xⁿ⁺¹/(n + 1)。2 曲線の間の面積は ∫(上 − 下) dx です。

部分積分：∫u·dv = u·v − ∫v·du。積の微分公式から導かれます。u には、微分すると簡単になるほうの因子（x のべき乗や ln x）を選び、dv には、積分できるほうの因子（eˣ、sin x、cos x、または u = ln x のときの x）を選びます。定積分では、u·v を両端で評価します：∫ₐᵇ u dv = [u·v]ₐᵇ − ∫ₐᵇ v du。因子 x² があるときは 2 回行います。

極形式：z = r∠θ = r(cos θ + j sin θ) = r·e^jθ、r = |z|、θ = arg z です。直交形式に戻すには：a = r cos θ、b = r sin θ。偏角には象限の考慮が必要です：θ = atan(b/a) が使えるのは a > 0 のときだけで、a < 0 のときは 180° を足すか引きます。極形式では掛け算が簡単です：絶対値を掛けて偏角を足します。割り算では絶対値を割って偏角を引きます。

ド・モアブルの定理と累乗根：(r∠θ)ⁿ = rⁿ∠nθ。方程式 zⁿ = R∠φ にはちょうど n 個の解があり、すべて絶対値は R^1/n で、偏角は (φ + 360°·k)/n（k = 0, 1, …, n − 1）です：円周上に 360°/n ずつ等間隔に並びます。p² < 4q のとき、2 次方程式 z² + pz + q = 0 は複素数の解 z = −p/2 ± j√(q − p²/4) をもちます。実数係数の多項式の複素数の解は、必ず共役な対 a ± jb として現れます。

1 階微分方程式：dy/dt = k·y の解は y = y₀·e^kt です（k > 0 なら増加、k < 0 なら減少）。半減期 T からは k = ln 2/T が得られます。ニュートンの冷却法則 dT/dt = −k·(T − Tₐ) からは T(t) = Tₐ + (T₀ − Tₐ)·e^−kt が得られます。線形方程式 y′ + p(x)·y = q(x) は積分因子 μ = e^{∫p dx} を使って解きます：(μy)′ = μq なので、μy = ∫μq dx + C です。

2 階線形方程式：y″ + b·y′ + c·y = 0 では y = e^rt とおきます。これから特性方程式 r² + b·r + c = 0 が得られます。異なる 2 つの実根 r₁ ≠ r₂ のときは y = A·e^r₁t + B·e^r₂t（過減衰）、重根 r のときは y = (A + Bt)·e^rt（臨界減衰）、複素根 −α ± jω のときは y = e^−αt(A cos ωt + B sin ωt)（不足減衰、振動）となります。初期値 y(0) と y′(0) から A と B が決まります。y″ + 2ζω_ny′ + ω_n²y = 0 の形に書くと、ω_n は固有角周波数、ζ は減衰比で、ζ < 1 なら振動します。入力が一定の y″ + by′ + cy = c·K では、解は定常値 K に自由応答を加えたものです。

行列：2×2 行列の行列式は ad − bc です。3×3 では 1 つの行に沿って展開します：各成分に、その行と列を除いた 2×2 行列の行列式を掛け、符号は + − + と交互にします。固有値 λ は det(A − λI) = 0 を満たし、2×2 では λ² −（トレース）·λ + det = 0 です。

行列：2×2 行列の行列式は ad − bc です。3×3 では 1 つの行に沿って展開します：各成分に、その行と列を除いた 2×2 行列の行列式を掛け、符号は + − + と交互にします。固有値 λ は det(A − λI) = 0 を満たし、2×2 では λ² −（トレース）·λ + det = 0 です。

内積（ドット積）：a·b = a_xb_x + a_yb_y + a_zb_z = |a|·|b|·cos θ はスカラーです。2 つのベクトルのなす角は cos θ = a·b/(|a|·|b|) から求められ、垂直なら内積は 0 です。a の b 上へのスカラー射影は a·b/|b| で、一定の力 F が変位 d だけ動くときの仕事は W = F·d です。

外積（クロス積）：a × b = (a_yb_z − a_zb_y, a_zb_x − a_xb_z, a_xb_y − a_yb_x) は両方のベクトルに垂直で、|a × b| = |a|·|b|·sin θ は 2 つのベクトルが作る平行四辺形の面積です（三角形ならその半分）。順序が重要です：b × a = −(a × b)。点 A に加わる力 F の点 O まわりのモーメントは M_O = r × F（r = A − O）です。

離散確率変数：確率分布は、変数がとりうるすべての値 x とその確率 p(x) を並べたものです。確率は 0 と 1 の間にあり、合計は 1 になります。期待値（平均）は E(X) = Σx·p(x) で、長期的な平均です。分散は Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ²、標準偏差は σ = √Var(X) です。一次変換 Y = aX + b では E(Y) = a·E(X) + b、Var(Y) = a²·Var(X)、σ_Y = |a|·σ_X となり、定数を加えてもばらつきは変わりません。

離散確率変数：確率分布は、変数がとりうるすべての値 x とその確率 p(x) を並べたものです。確率は 0 と 1 の間にあり、合計は 1 になります。期待値（平均）は E(X) = Σx·p(x) で、長期的な平均です。分散は Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ²、標準偏差は σ = √Var(X) です。一次変換 Y = aX + b では E(Y) = a·E(X) + b、Var(Y) = a²·Var(X)、σ_Y = |a|·σ_X となり、定数を加えてもばらつきは変わりません。

記述統計：平均は合計を n で割ったもの、中央値は並べ替えたデータの真ん中の値です（n が偶数なら真ん中 2 つの平均）。標本標準偏差は s = √(Σ(x − x̄)²/(n − 1))。z スコア z = (x − μ)/σ は、値が平均から標準偏差何個分離れているかを表します。

記述統計：平均は合計を n で割ったもの、中央値は並べ替えたデータの真ん中の値です（n が偶数なら真ん中 2 つの平均）。標本標準偏差は s = √(Σ(x − x̄)²/(n − 1))。z スコア z = (x − μ)/σ は、値が平均から標準偏差何個分離れているかを表します。

正規変数の和と差：X と Y が独立で正規分布に従うなら、X + Y と X − Y も正規分布に従います。平均は足したり引いたりします：E(X ± Y) = μ_X ± μ_Y。分散は差の場合でも常に足します：Var(X ± Y) = σ_X² + σ_Y²、したがって σ = √(σ_X² + σ_Y²) です。標準偏差を直接足すことはありません。同じ分布に従う独立な n 個の合計は、平均 n·μ、標準偏差 σ·√n です。そのあとはいつもどおり標準化します：z = (x − 平均)/σ とし、Φ(z) を読み取ります。

正規分布：値 x を z スコア z = (x − μ)/σ に変換します。これは平均から標準偏差何個分離れているかを表します。z 表（または Φ(z)）は z より左側の面積、つまり P(X < x) を与えます。右側の面積は 1 − Φ(z)、2 つの値の間の面積はそれぞれの左側の面積の差です。