第三单元 用python学习微积分(十九)FTC2(下)和定积分在对数和几何上的应用

本文内容来自于学习麻省理工学院公开课:单变量微积分-定积分在对数和几何上的应用-网易公开课

概率密度_百度百科

概率密度是什么意思_百度知道

正态分布(高斯分布)、Q函数、误差函数、互补误差函数 - htj10 - 博客园

正态分布_百度百科

通信原理授课教案第一章一、通信系统的组成1、基本的点对点通信系统 (高斯过程)

开发环境准备:CSDN

目录

一、FTC2

1、 由 ​得到对数的定义​

(1) L(1) = 0 同时 x>0时, L 一直增长( L'(x) >0 , x>0)

(2)  ​

二、例子

1、 ​

(1) ​

(2)  由于下标为0,所以 F(0) = 0

(3)  ​

(4)   这个函数是奇函数(F(-x) = - F(x))

2、另外几个使用积分发现的新的函数,(不能使用基本函数表示 "超越函数")

三、曲线之间的面积

1、找到曲线 ​ 和 y = x - 2 之间的面积, 把式子一带入式子2可得到交点坐标

(1)  方法一、

(2)  方法二 、


一、FTC2

\frac{d}{dx} \int_{a}^{x} f(t)dt = f(x) ( f(a) = 0)

1、 由 y' = \frac{1}{x}得到对数的定义L(x) = \int_{1}^{x} \frac{dt}{t}

L'(x) = \frac{1}{x}; L(1) = \int_{1}^{1} \frac{dt}{t} = 0

L''(x) = \frac{-1}{x^2}(下凹),L(1) = 0, L'(1) = \frac{1}{1} = 1(x=1点处切线斜率为1), 另ln(e) = 1

有了这些性质可以粗画一个近似曲线

from sympy import *
import numpy as np import matplotlib.pyplot as plt fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.spines['left'].set_position('zero')
ax.spines['bottom'].set_position('zero')
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.set_aspect(1 ) def DrawXY(xFrom,xTo,steps,expr,color,label,plt):yarr = []xarr = np.linspace(xFrom ,xTo, steps) for xval in xarr:yval = expr.subs(x,xval)yarr.append(yval)y_nparr = np.array(yarr) plt.plot(xarr, y_nparr, c=color, label=label)    def DrawInt(xFrom,xTo,steps,expr,color,plt, label=''):if(xFrom < 0 and xTo < 0):DrawIntNegative(xFrom,xTo,steps,expr,color,plt, label)else:if(xFrom > 0 and xTo > 0):DrawIntPostive(xFrom,xTo,steps,expr,color,plt, label)else:DrawIntNegative(xFrom,0,steps,expr,color,plt, label)DrawIntPostive(0,xTo,steps,expr,color,plt, label)def DrawIntNegative(xFrom1,xTo1,steps,expr,color,plt, label=''):xFrom = 0 - xTo1xTo = 0 - xFrom1width = (xTo - xFrom)/stepsxarr = []yarr = []area = 0xprev = xFromyvalAll =  0xarr.append(0)yarr.append(0)for step in range(steps):yval = expr.subs(x,xprev)area += width * yvalxarr.append(0-xprev)yarr.append(0-area)xprev= xprev + widthplt.plot(xarr, yarr, c=color, label =label)def DrawIntPostive(xFrom,xTo,steps,expr,color,plt, label=''):width = (xTo - xFrom)/stepsxarr = []yarr = []area = 0xprev = xFromyvalAll =  0xarr.append(0)yarr.append(0)for step in range(steps):yval = expr.subs(x,xprev)area += width * yvalxarr.append(xprev)yarr.append(area)xprev= xprev + widthplt.plot(xarr, yarr, c=color, label =label)    def DrawRects(xFrom,xTo,steps,expr,color,plt, label=''):width = (xTo - xFrom)/stepsxarrRect = []yarrRect = []area = 0xprev = xFromyvalAll =  0for step in range(steps):yval = expr.subs(x,xprev + width)xarrRect.append(xprev)xarrRect.append(xprev)xarrRect.append(xprev + width)xarrRect.append(xprev + width)xarrRect.append(xprev)yarrRect.append(0)yarrRect.append(yval)yarrRect.append(yval)yarrRect.append(0)yarrRect.append(0)area += width * yvalplt.plot(xarrRect, yarrRect, c=color)    xprev= xprev + widthyvalAll += yvalprint('============================')    if len(label)!=0:print(label)    print('============================')print('width = ', width)print('ave = ', yvalAll / steps)print('area = ',area)areaFinal = (integrate(expr, (x,xFrom,xTo)))print ('area final = ',areaFinal)print ('ave final = ', areaFinal / (xTo - xFrom))def TangentLine(exprY,x0Val,xVal):diffExpr = diff(exprY)x1,y1,xo,yo = symbols('x1 y1 xo yo')expr = (y1-yo)/(x1-xo) - diffExpr.subs(x,x0Val)eq = expr.subs(xo,x0Val).subs(x1,xVal).subs(yo,exprY.subs(x,x0Val))eq1 = Eq(eq,0)solveY = solve(eq1)return xVal,solveYdef DrawTangentLine(exprY, x0Val,xVal1, xVal2, clr, txt):x1,y1 = TangentLine(exprY, x0Val, xVal1)x2,y2 = TangentLine(exprY, x0Val, xVal2)plt.plot([x1,x2],[y1,y2], color = clr, label=txt)def Newton(expr, x0):ret = x0 - expr.subs(x, x0)/ expr.diff().subs(x,x0)return retx = symbols('x')
expr = ln(x)DrawXY(0.2,4,100,expr,'blue','L = ln(x)',plt)
DrawTangentLine(expr, 1, 0.1, 5, 'g', "L'(1)")x = symbols('x')
expr = x**0
DrawXY(0.2,4,100,expr,'gray','y=1',plt)plt.legend(loc='lower right')
plt.show()

这里老师提问, 为啥当 x<1时 L(x) < 0 ?

(1) L(1) = 0 同时 x>0时, L 一直增长( L'(x) >0 , x>0)

(2)  L(x) = \int_{1}^{x}\frac{dt}{t} = - \int_{x}^{1} \frac{dt}{t}

证明: L(ab) = L(a) + L(b)

\int_{1}^{ab} \frac{dt}{t} = \int_{1}^{a} \frac{dt}{t} + \int_{a}^{ab} \frac{dt}{t} = L(a) + \int_{a}^{ab} \frac{dt}{t}

考虑 \int_{a}^{ab}\frac{dt}{t}

设 t=au, dt = adu,

考虑积分du的下标,由于t最小值为 a,t=au,u最小值为1,由于t最大值为ab, u最大值为b

所以 \int_{a}^{ab}\frac{dt}{t} = \int_{1}^{b} \frac{du}{u} = L(b)

所以 \int_{1}^{ab} \frac{dt}{t} = L(a) + \int_{a}^{ab} \frac{dt}{t} = L(a) + L(b)

二、例子

1、 F(x) = \int_{0}^{x} e^{-t^2}dt

由式子可知

(1) F'(x) = e^{-x^2} (F'(x) > 0, F'(0) = 1)

(2)  由于下标为0,所以 F(0) = 0

(3)  F''(x) = -2xe^{-x^2} (F''(x) < 0, x>0 ......F''(x)>0, x<0)

(4)   这个函数是奇函数(F(-x) = - F(x))

这里我们要考虑下积分的定义,也就是曲线和x轴围成的面积, 而面积的定义是x*y, 所以而当x和y不同号时,所得积分的结果为负。而老师得到这个结论是因为曲线e^{-x^2} 是据 y 轴对称的, 所以可以看出它所围成的面积符合奇函数的定义

x = symbols('x')
expr = np.e**(-x**2)
DrawXY(-5,5,100,expr,'b','e**(-x**2)',plt)
DrawRects(-5,0,100,expr,'r',plt, '')
DrawRects(5,0,100,expr,'g',plt, '')
plt.legend(loc='lower right')
plt.show()

所以这个就是通过这些性质得到的粗画的结果,另外老师特别强调了下,如果知道了这个函数是奇函数,我们可以通过奇函数的性质很快找到结果。(即第一象限的图形先通过x轴在第四象限做镜像,然后这个镜像再通过y轴在第三象限做镜像,于是就有了第三象限的图形。)

我在上面代码中添加函数DrawInt,以计算分块矩形面积的方式模拟积分函数, 结果不准确,只是用来看看曲线

x = symbols('x')
expr = np.e**(-x**2)
DrawInt(-2,2,750,expr,'b',plt,'integrate(e**(-x**2))')
plt.legend(loc='lower right')
plt.show()

老师给出 \lim_{x\rightarrow \infty} F(x) = \frac{\sqrt{\pi}}{2}\lim_{x\rightarrow -\infty} F(x) = -\frac{\sqrt{\pi}}{2} , (这个极限值不知道怎么算的

误差函数:erf(x) = \frac{2}{\sqrt{\pi}} \int_{0}^{x} e^{-t^2}dt = \frac{2}{\sqrt{\pi}}F(x)(-1<F(x)<1)

expr = erf(x)
DrawXY(-2,2,100,expr,'g','erf(x)',plt)
plt.legend(loc='lower right')
plt.show()

​要理解误差函数,这里查了些资料:(我的理解不一定正确)

x = symbols('x')
expr = np.e**(-x**2)DrawXY(0,1.75,100,expr,'red','f(x) = erf(1.75)',plt)
DrawXY(1.75,5,100,expr,'green','f(x) = erfc(1.75)',plt)DrawRects(0,1.75,50,expr,'red',plt)
DrawRects(1.75,5,50,expr,'green',plt)
print('erf(1.75)=',erf(1.75))
print('erfc(1.75)=',erfc(1.75))
plt.legend(loc='upper right')

首先公式 erf(x) = \frac{2}{\sqrt{\pi}} \int_{0}^{x} e^{-t^2}dt中的 e^{-t^2}是一个标准正态分布的函数, 它代表了x的概率密度,当对这个式子求取积分时计算的是函数值分布在这个范围内的概率。

如上图中,当求取函数 e^{-t^2} 的值落在 x\in(0,1.75)内概率时使用函数erf(1.75), 而不在这个范围内的概率则是 1-erf(1.75) 也就是erfc(1.75)。所以这个函数应该可以帮助计算某些符合正态分布的统计数据的取值概率。

2、另外几个使用积分发现的新的函数,(不能使用基本函数表示 "超越函数")

 c(x) = \int_{0}^{x} cos(t^2)dt(菲涅耳(Fresnel)积分)

s(x) = \int{0}^{x} sin(t^2)dt(菲涅耳(Fresnel)积分)

H(x) = \int_{0}^{x} \frac{sin(t)}{t} dt(在傅里叶分析中出现)

Li(x) = \int_{2}^{x} \frac{dt}{ln(t)}        (Li(x)的值约等于小于x的素数个数, 黎曼猜想)

三、曲线之间的面积

1、找到曲线 x= y^2 和 y = x - 2 之间的面积, 把式子一带入式子2可得到交点坐标

x = symbols('x')
expr = x**0.5
DrawXY(0,5,100,expr,'green','x = y**2',plt)
expr = 0- x**0.5
DrawXY(0,5,100,expr,'green','',plt)
expr = x-2
DrawXY(0,5,100,expr,'red','y = x-2',plt)y = symbols("y")
expr = y**2 -( y + 2)
eqy = Eq(expr,0)
solb = solve(eqy)plt.plot([1,1],[-2,4], color = 'gray', label = 'x=1')plt.scatter(solb[0]+2,solb[0], c='r', label='(' + format(solb[0]+2) + ',' + format(solb[0]) + ')')
plt.scatter(solb[1]+2,solb[1], c='r', label='(' + format(solb[1]+2) + ',' + format(solb[1]) + ')')plt.legend(loc='lower right')
plt.show()

(1)  方法一、

围成的图形在x=1左侧面积 = \int_{0}^{1} (\sqrt x -(-\sqrt x))dx

求围成的图形在这个范围内(0,1) 的面积, 由于 y^2 =x,所以这个曲线在x轴上方的部分为 y = \sqrt x , 而 x 轴下面部分为 y=- \sqrt x,注意比对式子的各个部分。

围成的图形在x=1右侧面积 = \int_{1}^{4} (\sqrt x -(x-2))dx

总面积 = \int_{0}^{1} (\sqrt x -(-\sqrt x))dx + \int_{1}^{4} (\sqrt x -(x-2))dx

= (\frac{2}{3}x^{\frac{3}{2}}+ \frac{2}{3}x^{\frac{3}{2}}) |_{0}^{1} + (\frac{2}{3}x^{\frac{3}{2}} -\frac{1}{2}x^2+2)|_{1}^{4}

=\frac{4}{3} - 0 + (\frac{16}{3} -8+ 8) -(\frac{2}{3} - \frac{1}{2} +2) = \frac{20}{3} - \frac{13}{6} = \frac{27}{6} = \frac{9}{2} = 4.5

x = symbols('x')
expr = x**0.5 + x**0.5
left = float(integrate(expr, (x,0,1)))expr1 = x**0.5 - x+2
right = float(integrate(expr1, (x,1,4)))
print(left + right)

4.5

(2)  方法二 、

左侧: x = y^2

右侧: y = x-2

面积 = \int_{-1}^{2}((y+2)-y^2)dy

当y = 0,y=1时,y+2 >y^2 , 看出我们求面积的部分y+2在上方

\frac{1}{2} y^2 + 2y - \frac{y^3}{3}|_{-1}^{2} =2 + 4 -\frac{8}{3} -(\frac{1}{2} -2 +\frac{1}{3}) =4.5

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/33725.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

程序员的数学【多元函数微分学】

目录 前言一、多元函数的定义二、偏导数三、高阶偏导数四、梯度五、雅可比矩阵5.1 雅克比矩阵定义5.2 雅克比矩阵示例 六、Hessian矩阵6.1 Hessian矩阵定义6.2 实例演示Hessian矩阵 七、极值判别法则7.1 极值判定条件7.2 实对称矩阵正定负定判定 八、二次型8.1 二次型定义8.2 二…

微积分基础知识note

此部分转自https://blog.csdn.net/zhulf0804/article/details/52238435 方向导数与梯度 在许多问题中&#xff0c;不仅要知道函数在坐标轴方向上的变化率&#xff08;即偏导数&#xff09;&#xff0c;而且还要设法求得函数在其他特定方向上的变化率。这就是接下来要谈论的方…

用Python学《微积分B》(微积分应用)

微积分是一种非常重要的“数学分析”思想&#xff08;方法&#xff09;&#xff0c;在许多领域中都有应用&#xff0c;比如&#xff1a;计算平面面积、曲线长度、空间图形的体积、旋转曲面面积和物理学中的“微元法”等。而如何用好“微积分”是这部分学习的重点。要用好微积分…

数学分析(高级微积分)

一、总览 微分学积分学级数论 二、微分学 1. 极限和连续 相关知识&#xff1a;数列的极限、收敛数列之性质、函数极限、函数极限性质、无穷大无穷小、等价无穷下、洛必达法则、函数的连续和间断、极限的求法。 2. 一元/多元函数微分学 相关知识&#xff1a;导数&#xff0…

以MATLAB的方式实现微积分问题的计算机求解问题及解决方案集锦(一)

前言 关于MATLAB系列的精品专栏大家可参见 MATLAB-30天带你从入门到精通 MATLAB深入理解高级教程(附源码) 喜欢的小伙伴可自行订阅,你的支持就是我不断更新的动力哟! 微积分问题的计算机求解系列 (0001) 试求出下面的定积分或无穷积分。 【解】 ① 可以直接求解 >…

高视角!如何认识微积分方法与原理?

编者按>> 恩格斯在《反杜林论》中说&#xff1a;“变数的数学——其中最重要的部分是微积分。”冯诺依曼说&#xff1a;“微积分是近代数学中最伟大的成就&#xff0c;对它的重要性做怎样的估计都不会过分。” 可见微积分在数学中的重要性。通常说的“微积分”由方法和原…

MTLAB 求解微积分(包含导数、极限、积分、级数和、微分方程、数值方法全面求解)

文章目录 1. 导数求解1.1 显函数求导1.2 隐函数求导 2. 极限求解2.1 单变量极限2.2 多变量极限 3. 积分求解3.1 不定积分3.2 定积分计算3.2.1 解析解3.2.2 数值解 4. 级数展开求和4.1 泰勒级数展开4.2 级数求和 5. 求解微分方程5.1 符号解5.2 数值解 1. 导数求解 1.1 显函数求…

初识微积分一

from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity "last_expr" import numpy as np from matplotlib import pyplot as plt变化率 对于函数 y f ( x ) {y f(x)} yf(x) 定义变化率为&#xff1a; r o c Δ…

初识微积分二

微分和求导 导函数的定义&#xff1a; l i m h → 0 f ( x h ) − f ( x ) h lim_{h \to 0} \frac{f(x h) - f(x)}{h} limh→0​hf(xh)−f(x)​ f ′ ( x ) lim ⁡ h → 0 f ( x h ) − f ( x ) h f(x) \lim_{h \to 0} \frac{f(x h) - f(x)}{h} f′(x)h→0lim​hf(xh)−…

03 高等数学专题——多元函数微积分

多元函数微积分学 一、多元函数微分学1.1、多元函数微分学概念连续、可偏导、可微、方向导数存在的定义多元函数可微、可偏导、连续的关系复合函数求偏导&#xff08;链式法则&#xff09;、全微分的计算隐函数求偏导&#xff08;隐函数存在定理、等式两边求导法&#xff09; 1…

用Python学《微积分B》(反常积分)

Riemann积分有两个局限&#xff1a;一是积分区间[a, b]必须有限&#xff1b;二是被积函数f(x)在积分区间[a, b]上有界。而反常积分&#xff08;Improper Integral&#xff09;就是对Riemann积分这两个局限的扩展&#xff0c;前者扩展后被称为“无穷积分”&#xff0c;后者扩展后…

Mathematica做微积分

微积分 求极限函数极限数列极限递归定义的数列极限单侧极限累次极限渐近线 微商和微分微商&#xff08;导数&#xff09;全微分 不定积分和定积分不定积分定积分多重积分 级数幂级数展开幂级数计算Fourier级数 微分方程求解常微分方程求解偏微分方程 参考资料 求极限 函数极限…

《微积分基础》学习(一)

本系列文章主要记录我在学习coursera上的《Calculus One》在线课程的笔记。该课程是俄亥俄州立大学的经典课程&#xff0c;教授的发音比较标准&#xff0c;授课方式轻松愉悦&#xff0c;是不可错过的“微积分”入门课程。 本文直接从第二周切入&#xff08;第一周是课程介绍和学…

【计算题】(五)多元函数微积分学

目录 多元微分1. 极限偏导可微2. 复合函数求导3. 多元函数极值 多元积分1. 积分对称性2. 坐标系相互转换3. 交换积分次序 多元微分 1. 极限偏导可微 证明二重极限&#xff1a; x r c o s θ &#xff0c; y r s i n θ xrcos \theta&#xff0c;yrsin \theta xrcosθ&#x…

微积分专项----MIT GS老师

四. Limits and Continuous Functions极限和连续 &#xff08;11/n&#xff09;^n--->e 平衡的好时 &#xff08;11/n^2&#xff09;^n---> 1 &#xff08;11/n&#xff09;^(n^2)---> infinity 洛必达法则&#xff1a;用来计算趋于0时&#xff0c;且均有良好的…

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…