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
微积分专项----MIT GS老师相关推荐
- 向微积分手机版授课老师说句真心话
当前,我们向全国高校数学老师第一轮管道邮件输送已经结束,至今没有一封退函.但是,我们不知道贵校有关招生部门是否转发了邮件的附件(即微积分手机版),可去查询. 我们手中有一张Keisler院士的近照,样 ...
- 数学与Python有机结合及统计学、微积分、线性代数相关资源、图形软件
无论是三大数学软件Matlab(通信.控制等工程例外).Maple.Mathematica,还是三大统计软件Spass.Stata.SAS,这些可视化的软件本身就是编程的一个体现,它们在一定程度上降低 ...
- 统计学和python结合起来打的比赛_数学与Python有机结合及统计学、微积分、线性代数相关资源、图形软件...
无论是三大数学软件Matlab(通信.控制等工程例外).Maple.Mathematica,还是三大统计软件Spass.Stata.SAS,这些可视化的软件本身就是编程的一个体现,它们在一定程度上降低 ...
- 麻省理工学院《算法导论》(MIT - Introduction to Algorithms)
关于课本的介绍如下: 本书自第一版出版以来,已经成为世界范围内广泛使用的大学教材和专业人员的标准参考手册.本书全面论述了算法的内容,从一定深度上涵盖了算法的诸多方面,同时其讲授和分析方法又兼顾了各个层 ...
- 高一计算机word的试题,高中信息技术word专项练习题.doc
Word专项练习 1.老师布置了一制作电子报刊的任务,那么以下软件中你觉得哪些是比较合适的?(A? ) A)Word? WPS??? B)Word? 写字板??? C)Word? 记事本??? D)写 ...
- 普林斯顿ap计算机教材,ap微积分目录[普林斯顿版]
ap微积分目录[普林斯顿版] Jun 22, 2013 From:Original Author:AP数学组 普林斯顿微积分是AP微积分考试比较权威的教材,在开始讲授AP微积分之前,吴老师先带领同 ...
- 美国计算机名校例如MIT ,CMU等招牌经典公开课程
本篇博客主要来自于知乎上的经典问题: 美国计算机名校例如MIT ,CMU ,有哪些公认的好课并且有课程讲义的,适合国内学生自学的? https://www.zhihu.com/question/575 ...
- 麻省理工数学与计算机科学,美国留学MIT学子M专访
M是一个美籍华人学子, 高中在佛罗里达一个知名私立就读IB课程,后来被MIT 电子与计算机工程专业录取,并修了双学位物理专业.现在的科研会做很多量子计算,quantum computing, quan ...
- 微积分的思维-降维打击
写在前面: 众所周知,在我们的意识体系里,比较两个变量的前提是:单位相同,把两个单位不同的量作比较是没有意义的一件事情,比如一个人体重100kg,另一个人身高180cm,我们是没法用这两个数量作比较的 ...
最新文章
- 五分钟内搭建的混沌电路
- nginx 没有sbin目录_CentOS7下Nginx+ModSecurity配置、安装、测试教程
- Android简易实战教程--第四十七话《使用OKhttp回调方式获取网络信息》
- RocketMQ消费幂等性处理
- Beauty Contest(凸包 + 旋转卡壳(模板))
- 20172301 2017-2018-2《程序设计与数据结构》课程总结
- MATLAB中BP神经网络用于回归拟合算法实现(另附GRNN代码)
- es内嵌文档查询_ElasticSearch 文档的增删改查都不会?
- Android开机自动运行APP——BroadcastReceiver
- TensorFlow精进之路(十三):长短时记忆神经网络LSTM
- qint64转字符串
- cpu过剩是什么意思_现在为什么人们都说CPU性能过剩,而不说显卡性能过剩?
- 自定义按键鼠标,献给电脑重度的江湖人
- R 中 facet_wrap() 和 facet_grid() 的区别
- 网络Sniffing原理
- 漫画:位运算技巧整理汇总+一道被嫌弃的题目
- google vr学习资料整理
- 【华为OD机试 2023】 最多获得的短信条数/云短信平台优惠活动(C++ Java JavaScript Python)
- 理解GBASE LDAP认证方法
- 近期整活之相关软件之安装说明
热门文章
- 计算机可以计算出十的一百次方吗,世界上最大的数字单位 古戈尔(1古戈尔等于10的100次方)...
- 基于boost库的搜索引擎
- 【前端】ionic--星级评价半颗星实现方法
- matlab画入射系数和透射系数,反射系数和透射系数.ppt
- TouchDesigner学习 颜色控制模块
- NIOS II 15:AD7606共享SDRAM
- react native Animated 使用详解(基础)
- ps怎么将图片制作成ico图标? ps制作ico图标的教程
- 第四章(第二节)没有人,在年少时想成为一个普通人
- 根据从数据库中获取到的值控制按钮被选中