微积分专项----MIT GS老师

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

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/33707.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

IDC发布《2022中国大模型发展白皮书》,文心大模型能力全面领先

火爆全球的ChatGPT让背后的大模型技术进入了更多人的视野。日前&#xff0c;国际权威咨询机构IDC发布《2022中国大模型发展白皮书》&#xff08;以下简称《白皮书》&#xff09;&#xff0c;认为大模型是AI发展的必然趋势&#xff0c;并提出业内首个大模型评估框架。经评估&…

了解 GPU

近期ChatGPT十分火爆&#xff0c;随之而来的是M国开始禁售高端GPU显卡。M国想通过禁售GPU显卡的方式阻挡中国在AI领域的发展。 GPU是什么&#xff1f; GPU&#xff08;英语&#xff1a;Graphics Processing Unit&#xff0c;缩写&#xff1a;GPU&#xff09;是显卡的“大脑”&…

被“薄纱”的文心一言,真的一无是处?

大家好&#xff0c;我是王有志&#xff0c;欢迎和我聊技术&#xff0c;聊漂泊在外的生活。本文单纯讨论文心一言&#xff0c;不涉及其母公司百度的所作所为 3月16日百度交卷了&#xff0c;正式推出了自己的知识增强大语言模型文心一言。 作为全球第二家&#xff0c;中国第一家…

面对ChatGPT引发的人工智能革命,中国如何应对?

ChatGPT是一款由美国OpenAI公司开发的自然语言人机交互应用&#xff0c;拥有接近人类水平的语言理解和生成能力&#xff0c;是迄今为止人工智能领域最成功的产品和历史上用户增长速度最快的应用程序。ChatGPT依赖大模型、大数据、大算力支撑&#xff0c;其出现标志着通用人工智…

chatgpt赋能python:Python拟合数据-一种强大的数据分析工具

Python拟合数据 - 一种强大的数据分析工具 Python是一种用于数据科学的强大编程语言。 它具有丰富的功能&#xff0c;具有大量的数据分析库和工具&#xff0c;其中包括拟合数据的功能。 在此文章中&#xff0c;我们将介绍如何使用Python拟合数据&#xff0c;并探索这种功能对数…

chatgpt赋能python:Python处理图片去白底的介绍

Python处理图片去白底的介绍 在现今的互联网时代&#xff0c;图片在网页设计和营销中占有重要的地位。然而&#xff0c;在制作图片时&#xff0c;如果图片中有一个白色底色&#xff0c;将导致图片的美观度和质量降低。因此&#xff0c;图片去白底是非常实用的技巧&#xff0c;…

最强的数据增强--ChatGPT?

在许多自然语言处理(NLP)任务中&#xff0c;文本数据增强是克服样本量有限挑战的有效策略。 目前的文本数据增强方法要么不能保证生成数据的正确标记(缺乏可信度)&#xff0c;要么不能保证生成数据的足够多样性(缺乏完整性)&#xff0c;要么两者兼有。 ChatGPT在具有无与伦比…

Chatgpt帮我写程序切分Midjourney生成的图片

背景&#xff1a;非程序员&#xff0c;只懂VBA&#xff0c;其他语言一概没入门。 这两天在尝试MJ在抖音上做图文的玩法&#xff0c;遇到一个问题&#xff0c;如何将MJ生成的一张4宫格图片切分成4张单独的图片&#xff0c;找了一圈&#xff0c;要是用图片处理软件&#xff0c;那…

爬取网易云音乐用户听歌排行,来制作一张Ta最爱歌手的词云图!

平时写代码的时候&#xff0c;作为云村用户的一员&#xff0c;我当然也是最爱开着网易云音乐&#xff08;以下简称网易云&#xff09;。大家都知道在网易云里你可以查看好友或是任意用户的听歌排行&#xff08;假使Ta设置全部可见&#xff09;&#xff0c;但是如果想知道Ta喜欢…

【Python实战】爬取网易云音乐用户听歌排行,来制作一张Ta最爱歌手的词云图

前言 大家好&#xff0c;我是Samaritan。 平时写代码的时候&#xff0c;作为云村用户的一员&#xff0c;我当然也是最爱开着网易云音乐&#xff08;以下简称网易云&#xff09;。 大家都知道在网易云里你可以查看好友或是任意用户的听歌排行&#xff08;假使Ta设置全部可见&am…

一招搞定某易云歌曲评论并生成漂亮词图,想爬什么歌就爬什么歌,练手推荐

网易云音乐一直是一个非常棒的听歌平台&#xff0c;尤其是推荐算法&#xff0c;我个人觉得是比某Q音乐更得人心&#xff0c;一直以来都用的都是网易云来听歌。 今天我就来教大家一个爬取网易云任意歌曲的评论并生成特殊词图的方法&#xff0c;对爬虫感兴趣的小伙伴们可以去试试…

足足 8 项新功能,微信可以和好友一同听歌了

本文转载自IT之家 此前&#xff0c;iOS 版微信已经陆续推出过 8.0.8 和 8.0.9 两次更新&#xff0c;加入了很多新功能&#xff0c;但安卓这边却一直没有动静。在历经了多日等待后&#xff0c;微信 8.0.9 安卓版也终于出现了。此次官方直接跳过了 8.0.8 这个版本&#xff0c;主…

最新【2021.1.28】今日头条_signature 分析

最新【2021.1.28】头条_signature 分析 【温馨提示】:此文仅适用PC端web版本某日某条加密 最新今日头条sign加密更新了,看了看,比之前的坑增加了许多; 今日头条web版的请求主要参数是:_signature,已经取消了之前的as、cp参数; 话不多说,开整。。。 1.参数定位 这个…

微信订阅号内测大改版,这一次更像「今日头条」了

微信订阅号想要「新生」。 2018 年 6 月&#xff0c;微信大部分用户都看到了自己的新版订阅号。在订阅号的改版中&#xff0c;文章变为了卡片式的内容展示。所有公众号不再分享一屏的手机屏幕&#xff0c;而是根据用户的阅读习惯&#xff0c;常读、收藏获得更大的卡片展示区域。…

如何实现今日头条跳转到微信?

说到付费搜索流量推广&#xff0c;大家第一时间想到的肯定是百度&#xff01; 但真实做过百度的小伙伴知道&#xff0c;百度的智能推荐有多坑&#xff0c;如果没有自己调整成非智能推荐&#xff0c;那么流量费就会嗖嗖的消耗&#xff0c;却没有实际的收益。 头条的算法推荐跟…

今日头条最新_signature

本文仅供学习。 最新的今日头条sign参数的加密&#xff0c;链接是 https://www.toutiao.com/search/?keyword%E6%96%B0%E9%97%BB。 f12之后刷新网页 加密参数名称为_signature,然后全局搜索一下这个名字。 直接在这一行打断点&#xff0c;然后点击那个tacsign方法会到这里&a…

今日头条android+x86,GitHub - teajoyus/TouTiao: 今日头条 For Android

今日头条App 作为一个Web开发者&#xff0c;正好学校学习Android课程&#xff0c;所以跟着一起学习Android开发 &#xff0c;作为我个人来说&#xff0c;学习一门语言不是看多少的书&#xff0c;而是首先上网学习基础知识&#xff0c;来github学习前辈们的项目源码&#xff0c;…

ChatGPT到底有多厉害,看看各个行业专家怎么说

我从2020年开始做AI传播&#xff0c;由于是非专业出身&#xff0c;这几年一直在努力学习和消化&#xff0c;也希望让更多非专业人士能懂AI。 ChatGPT&#xff08;中文&#xff1a;小发猫&#xff09;兴起后&#xff0c;我以最大热情去阅读论文和各种专业材料&#xff0c;包括反…

ChatGPT 因何爆火?

ChatGPT为什么会如此火热和流行呢&#xff1f;体验过的朋友应该都有类似的感觉&#xff1a;它的回答内容几乎和真人聊天的感觉类似&#xff0c;聊天的上下文有连贯的逻辑性&#xff0c;尤其让人震撼的是&#xff0c;它能够根据用户的描述直接写一段代码、写论文、写报告。 Chat…