四. Limits and Continuous Functions极限和连续
(1+1/n)^n--->e 平衡的好时
(1+1/n^2)^n---> 1
(1+1/n)^(n^2)---> infinity
洛必达法则:用来计算趋于0时,且均有良好的斜率
连续量的比值不是数与数的比值,而是趋势与趋势的比值
特性强:可导> 连续,可导必然连续、连续不一定可导
oscillation振动
著名的不连续的例子:sin(1/x) x-->0
x sin(1/x) x-->0 连续
一. sin x 和cos x的导数
重复运动: e.g. 心跳、圆周运动、呼吸、地球公转
增长运动:幂函数 x、x^3 、x^n、 e^x、
减少:e^(-x)
limit of sin θ / θ is 1, θ-->0
不能直接相除
必须令两者同时趋近于 0,观察他们比率的变化
三角函数的意义
毕达哥拉斯定理 (勾股定理)
cos:邻边比斜边
sin:对边比斜边
tan:对边比邻边 tan= sin/ cos
circular motion:
radians弧度制,角度用弧长来表示,
弧长为θ(the distance around the circle)、角度是theta radians
证明 sin θ的斜率 =1,at θ=0,微积分关注的永远是极限过程
1). sin θ的斜率 < 1
2).sin θ/θ > cos sin θ
sin θ/θ 曲线夹在 cos 和水平线中间 ,后两者极限为1
DONE.
证明:y= sinx 的导数为 cos x
三角函数的两角和公式:
sin(a+b) = sin a cos b+ cos a sin b
cos(a+b) = cos a cos b -sin a sin b
(cos Δx -1) / Δx -->0 ,Δ x-->0 的图像证明,这篇有提到:
微积分入门教学——简单导数篇 - 哔哩哔哩 (bilibili.com)
二. 乘法法则和除法法则
幂法则 是 链式法则 的特例
乘法法则
推导
Δg Δf 二阶项 second order
Δg Δf / Δx -->0,Δx-->0
除法法则
q(x) =f(x) / g(x)
公式:
the bottom times the derivative of the top
minus the top times the derivative of the bottom
divided by the bottom squared
三. 复合函数和链式法则
a chain of functions 函数链,正式的称谓为复合函数(composite function)
z = e^(-x^2/2)
an even function 偶函数,关于y轴对称
钟形曲线 (与正态分布有关),概率论的基础
五. 逆函数和对数函数
对数函数是 e^x的逆函数
逆函数:
映射关系反向
x和y需要一一对应,图像要么一直向上、要么一直向下, 不一定 单调 如 y=1/x
指数函数e^x的特质,通过逆函数,可以得到一些不同的性质:
(1) ln(yY)=ln y + ln Y ,这是 计算尺(slide rule)的基本原理,
(2) ln(y^n)= n lny
e.g.2.
温度的表示:华氏度F、摄氏度C 之间的关系
水的冰点 32华氏度 摄氏度0度
沸点 212 华氏度 100摄氏度
F = (9/5)C+32
代数的思想:一次性处理所有数 to deal with all number at once
y= e^x 和 x= ln y 图像:
y= e^x x可正可负,y为正,
负数的对数不是我们的研究范围
log求得就是exponent,
大数的对数,会化成小数
六. 对数函数和反三角函数的导数
d(ln y )/dy = 1/y =y ^(-1)
d(x^n)/dx = n x^(n-1) , except n = 0
找回遗失的-1幂次!
lny导数1/y ,这就是为什么对数函数增长这么慢! y上涨,斜率更小
反三角函数 ( the inverse sine function) (arcsin)
导数的所有重要法则:加减乘除、链式法则、逆函数及其导数、
f+g 求和的导数,直接将导数相加即可
逆函数的法则:
如果我们知道如何求导f,用以上函数链的链式法则可以求f逆的导
ln(e^x)= x e^(lny)=y
总结:逆(反)函数套链式求导
反三角函数求导公式:(arcsinx)=1/√(1-x^2)、(arccosx)=-1/√(1-x^2)、(arctanx)=1/(1+x^2)
arcsin + arccos 是个常数
导数相加=0
七.增长率和对数图
logx
linear: cx
x^2、x^3 ,.... 多项式增长polynomial growth ,e.g .幂函数 power of x
exponential指数增长: 2^x, e^x ,10^x
factorial :阶乘 x! x^x
根据(n!/ n^n) ^(1/n)-->1/e,
x^x/ e^x ≈ x!
Decay:headed for 0
对数尺度a log scale
应用:
y =A x^n, 实际增长曲线,很难看出实际增长率
c语言log函数默认e为底
可能是以任意合适的数为底,对做图不影响。
现在才理解了,数学就是人们为了简化计算的一种工具,都有来头
非线性转换线性(log图核心:以 logy 为y轴,logx为x轴;半对数图 semi log paper)---可以准确估计斜率
观察:多项式函数、指数函数 取对数后,大数和小数都被合理化了,可以得到一条直线
拟合:最小二乘法least squares、是一个求最佳直线的微积分方法、
最小二乘法求残差平方和最小需要用导数
Error E = df/ dx - Δf/ Δx ≈ A (Δx)^n n?
在小段距离Δx上,比较瞬时斜率和平均斜率之间的差。 即 切线和割线的斜率差
没有这个就没有泰勒,泰勒级数 Taylor's series 可以解出n =1,A
中心差分centered difference ,(f(x+Δx)-f(x-Δx) ) / 2 Δx, 此时 n=2,准确度比原来大大提升
这个在高级宏观里面的索洛模型中的收敛速度有相关知识
八.线性近似和牛顿法
两则导数的应用:
1. 求函数f在x点的近似值f(x),求f
2. 解方程 F(x) = 0 ,求x,牛顿法
两种应用都基于同样的思想,假设存在一点,which is near the x we want, or near the solution to this problem ,这点记作a,假设知道此点斜率 ,来逼近解
1.Find f(x)
At x=a df/ dx = f`(a) ≈ ( f(x) - f(a) )/ ( x-a )
f(x) ≈ f(a) + (x-a)f`(a) ,如果离得不太远,直线离f曲线也不会太远
拉格朗日中值定理
继续求f'(x),就可以得到泰勒展开了
其实忽略了二阶导.....n阶导
所以叫近似阶,加余项的话就是等于了
根号9.06的解和根号9类似所以求出根号9假装是根号9.06的解,这么复杂的吗?
the linear approximation following this line
用导数的延长线近似曲线
2. x -a ≈ -F(a) / F`(a)
这种近似解法称作:牛顿-拉夫逊方法, 或称 牛顿法
线性近似与幂级数 类似(power series),如 e^x =1+x+ 1/2(x^2) +...
相当于幂级数 从常数分量和线性分量后截断,就是线性近似。
牛顿迭代法,数值分析
九.幂级数和欧拉公式
infinite series无穷级数
Matching derivatives at x=0,by each power of x,
不是每项匹配1,而是f(x) match 1。如3阶导只能x^3项去配,前几项3阶导消去,后几项x=0也消去
因为教授说了,只考虑函数在x=0时的值,而指数函数在x=0时为1,所以多项式每项都要找到一个a使得这项为1
在纸上拿整个f(x)去求下各阶导数,再把0带入x,就可以看出老头的意思
通项 typical term
the whole series has been built focused on that point x=0
泰勒级数将初等函数统一为幂级数的形式
为什么选0点?因为在0点求导都是1的形式,可以利用幂的求导来凑,
x=0是麦克劳林展开
把sinx 级数求导就是cosx的级数了
泰勒展开是去找一个多项式函数来近似模拟一个复杂函数
欧拉公式在微分方程应用超重要 没有欧拉公式以后就不能偷懒了
i^2 =-1
complex plain复平面,这里的点都包含两部分,实部和虚部(real part imaginary part)
e^it = cos t + i sin t
e^(-it) = cos t - i sin t
几何级数geometric series ,系数都为1 (coefficients)
1/(1-x) = 1+ x+x^2+x^3+... ok when |x|<1
两边积分
-ln(1-x) = x+ x^2/2+x^3/3+x^4/4 +... 右侧:调和级数
x=1时,左右两边都是infinity
ln0 = -∞
应用:
10.关于运动的微分方程
常系数、线性、二阶、微分方程(differential equations)
解:这些已知函数的乘积
加一个常数C是为了匹配初始条件
C在微分后消失,属于从微分方程里无法确定的项。从工学应用上来讲也可以说是这个解本身有1自由度
线性方程解的线性组合依然是方程的解
本讲的精髓:常系数微分方程的解,是这些已知函数的乘积(指数函数、正余弦、幂函数)
这个方程是工程领域的一种基本方程
以弹簧为例,
振动(oscillation) e.g. :弹簧、摆钟、小提琴弦、heart、分子
实际上,这种模型中通常 r=0 ,假设 没有空气阻力、阻尼;
F =ma牛顿定律 mass质量、
接近光速、质能转换、
胡克定律:弹簧的弹力与拉伸程度成正比 。F=kx(在这里是y) k是弹簧的硬度、胡克常数、弹簧常数
假设没有阻力时 r=0,将一直振动,沿正弦和余弦
常数C、D取决于初始状态,从静止开始 没有正弦项
重力?
跟重力没关系 考虑的是弹力、重力在平衡态下已经抵消了;二力平衡下重力和初始弹力相互抵消
拿平衡点建系的话就不考虑重力、令平衡状态下位移为0
这个是运动方程中力的平衡。此时的重力是ma的中的一部分
现在考虑 阻尼振动, 求解 my``+2ry`+ky =0 ,这是微分方程课中最重要的方程,指数函数可解
核心思想:Try y= e^( )t
m λ^2+ 2rλ + k=0 特征方程
可以 try 是因为 e^ λt 是特征向量
随着数字改变、会得到不同λ、会在指数情况和振动情况之间change,
Mck二阶微分系统是工程问题中的经典
EX2.
λ 又叫 衰减率decay rates, 因为他们出现在指数上,e^(-3t)表示衰减,弹簧由于空气阻力在减慢
通过虚数 欧拉公式,可得振动情况
终于知道为什么这种情况通解可以直接写成指数形式,因为欧拉公式!!
应该这样想:sint和cost定义来源于解-(d^2y)/(dt)^2=y,而e^t定义来源于解dy/dt=y,这样很自然就会引出新定义(i^2=-1),由此e^i,不分正负,构成解而已
物理意义:振动逐渐减弱,在平息的过程中,振动会来回经过平衡点,
其实 i 引入能够让我们在正交基上把实域解进行分离,从而沿用两个线性无关组合表达解的过程。有时候解决人类世界维度下问题的思路就是通过高维的非直觉方法,因为人类不知道这个问题是不是一个投影。
EX3.
这三个例子分别对应三种特征根的情况
两个相等的实解、二重根a double root、
总结:线性常系数微分方程,通过e^λt通通可以搞定,λ也可求解,如果是实数,结果是指数函数,如果是虚数,解是正余弦,如果是重根,引入因子t
11.关于增长的微分方程
本讲重点 引入 非线性方程,先从基本线性方程、和含有资源项的基本线性方程开始。
把y+s/c看作函数f,
df/dt = cf,
f = (f0)*e^ct,f0=y(0)+s/c
y(t)+s/c = (y(0)+s/c)*e^ct,
线性方程的解,总有这样的形式:
特解a particular solution,that does solve the equation 任一个满足方程的函数,最简单是常函数
+ another solution with a right side 0
非齐次的特解 和齐次通解的线性组合。跟线代里面的零空间的解和列空间的解一模一样,
右侧为0: 即 保留含有y的,去掉资源常数,齐次方程,dy/dt=cy,的解含有e^ct
这个其实数形结合会更好理解,就是原函数平移了而已
非线性方程:
人口增长、生态学、
logistic 阻滞增长模型
这是马尔萨斯的人口模型
应该说这是一门复习课,不太适合第一次学微积分
c:出生率-死亡率
竞争项、减速项,s:减速因子 P^2一定程度上 反映了人口之间的相互作用。s very~~small
虽说是非线性,但我觉得就和牛顿二定律 F表现出来的合外力一样
模型也广泛用于 化学和生物领域,化学里叫作 mass action质量作用、两种不同化学物质、两者相互作用正比于其中一个的量,也正比于另一个的量,正比于两者之积
LOGISTIC EQU
作图:
t=0, P=0
导数=0,特解、doesn't move。c/s 大概一百亿人口 10billion,此时,增长和竞争的效应会互相抵消
环境容纳量 还得看科技怎么发展
解非线性的技巧:化为线性
维基百科说某时刻,增长率达到了1.8%,教授认为 c 的单位应该是时间分之一。因为e^ct,c must have the dimension of 1 over time, 增长率应该是1.8%每年
population of 捕食者u --猎物v 模型
du/dt = -cu + suv
dv/dt = Cv - Suv
如果猎物不够,捕食者就会减少;捕食者减少,猎物就会增加---> u*v