微积分-指数函数与对数函数

2023-12-24 09:28

本文主要是介绍微积分-指数函数与对数函数,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

第三章 指数函数与对数函数

3.1 基础定义

大家还记得在第一章函数中关于指数和对数的注释吗?让我们简单的回顾一下。

3.1.1 指数

简单的来说,指数函数是指将一个实数作为底数提升为指数次方的幂。
底 数 指数 底数^{指数} 指数
例如: 2 3 2^{3} 23是以2为底数3为指数的一个幂。 f ( x ) = 2 x f(x)=2^x f(x)=2x则是以2为底的指数函数。

为了使指数便于定义,规定其底数必须大于0,指数是任意实数。指数具有许多的法则和性质,可以帮助我们进行指数运算。对于任意底数 b > 0 b>0 b>0,和任意正数 x x x y y y:

  • b 0 = 1 b^0=1 b0=1 任意底数的零次幂都是1
  • b 1 = b b^1=b b1=b 任意底数的1次幂都是它自身
  • ( b x ) y = b x y (b^x)^y=b^{xy} (bx)y=bxy 当取幂的幂时,将其指数相乘
  • b x × b y = b ( x + y ) b^x \times b^y=b^{(x + y)} bx×by=b(x+y) 同底数的两个幂相乘时,将其指数相加
  • b x b y = b x − y \frac{b^x}{b^y} = b^{x-y} bybx=bxy 同底数的两个幂相除时,将分子的指数减去分母的指数
  • b y x = b y x b^{\frac{y}{x}}=\sqrt[x]{b^y} bxy=xby 底数的分数次幂等于底数提升到分子次方然后开分母次方根
  • b − x = ( 1 b ) x b^{-x}=(\frac{1}{b})^x bx=(b1)x 底数的负数次幂等于底数的倒数的正数次幂。
  • 1 x = 1 1^x=1 1x=1 1的任意次幂都是1
  • 0 x = 0 0^x=0 0x=0 0的任意次幂都是0,但是 0 0 0^0 00是未定义的

3.1.2 对数

对数是指数的逆运算。简单的来说对数是指将底数 b b b在幂运算中提升为真数 y y y的指数。
b log ⁡ b ( y ) = y b^{\log_{b}{(y)}}=y blogb(y)=y
这个恒等式对于任意底数 b > 0 b > 0 b>0 b ≠ 1 b \neq 1 b=1和任意真数 y > 0 y > 0 y>0成立。要求 b > 0 b>0 b>0是因为对数函数是指数的逆运算。如果 b < 0 b<0 b<0则会出现未定义的情况。如当 b = − 1 b=-1 b=1 y = 1 2 y=\frac{1}{2} y=21时就会出现 − 1 \sqrt{-1} 1 ,我们知道二次方根下不能为负。所以 b > 0 b >0 b>0。要求 $y >0 是因为正数的任意次幂都为正,我们不可能将一个正数提升任意次幂得到一个负数或 0 。而要求 是因为正数的任意次幂都为正,我们不可能将一个正数提升任意次幂得到一个负数或0。而要求 是因为正数的任意次幂都为正,我们不可能将一个正数提升任意次幂得到一个负数或0。而要求b \neq 1$是因为1的任意次幂都是它自身。而 1 l o g 1 ( y ) = y 1^{log_1(y)}=y 1log1(y)=y中的 y y y可能不是1,当 y y y不为1时,上式是不成立的。

考虑 log ⁡ 2 8 \log_{2}{8} log28,它表示的是在幂运算中能够将2提升为8的x。也就是说 2 x = 8 2^x=8 2x=8,这很容易就可以解出来 x = 3 x=3 x=3

对数是指数的逆运算,所以指数的所有法则在对数中都有对应的版本。但对数中一条换底法则在指数中没有对应的法则。对于任意底数 b > 0 b > 0 b>0 b ≠ 1 b \neq 1 b=1,和实数 x > 0 x >0 x>0 y > 0 y >0 y>0

  • log ⁡ b ( 1 ) = 0 \log_{b}(1)=0 logb(1)=0:任何底数的1的对数都是0。
  • log ⁡ b ( b ) = 1 \log_{b}(b)=1 logb(b)=1:任何数的自身的对数都是1。
  • log ⁡ b ( x × y ) = log ⁡ b ( x ) + log ⁡ b ( y ) \log_{b}(x \times y)=\log_{b}(x)+\log_{b}(y) logb(x×y)=logb(x)+logb(y):同底数对数相加时,将其真数相乘。
  • \log_{b}(\frac{x}{y})=\log_{b}(x)-\log_{b}(y)$:同底数对数相减时,将其真数相除。
  • log ⁡ b ( x n ) = n log ⁡ b ( x ) \log_{b}(x^n)=n\log_{b}(x) logb(xn)=nlogb(x):n倍的对数等于将对数的真数提升n次方。
  • log ⁡ b ( x ) = log ⁡ c ( x ) log ⁡ c ( b ) \log_{b}(x)=\frac{\log_{c}(x)}{\log_{c}(b)} logb(x)=logc(b)logc(x):这称为换底公式。

对于任意的介于0到1之间的b,我们有:$\log_{b}(y)=-\log_{\frac{1}{b}}(y) , 其中 ,其中 ,其中\frac{1}{b} > 0$。这是因为在指数中我们有 b − x = ( 1 b ) x b^{-x}=(\frac{1}{b})^x bx=(b1)x

未完待续

这篇关于微积分-指数函数与对数函数的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/531320

相关文章

微积分-积分应用5.4(功)

术语“功”在日常语言中用来表示完成一项任务所需的总努力量。在物理学中,它有一个依赖于“力”概念的技术含义。直观上,你可以将力理解为对物体的推或拉——例如,一个书本在桌面上的水平推动,或者地球对球的向下拉力。一般来说,如果一个物体沿着一条直线运动,位置函数为 s ( t ) s(t) s(t),那么物体上的力 F F F(与运动方向相同)由牛顿第二运动定律给出,等于物体的质量 m m m 与其

微积分直觉:隐含微分

目录 一、介绍 二、梯子问题 三、结论 四、一个额外的例子 一、介绍         让我们想象一个半径为 5 的圆,以 xy 平面为中心。现在假设我们想在点 (3,4) 处找到一条切线到圆的斜率。         好吧,为了做到这一点,我们必须非常接近圆和切线之间的空间,并沿着该曲线迈出一小步。该步骤的 y 分量为 dy,x 分量为

分数阶微积分MATLAB计算

习题1 syms t z;Gam=int(exp(-t)*t^(z-1),t,0,inf);I1=subs(Gam,z,sym(1/2)),I2=subs(Gam,z,sym(3/2)),I3=subs(Gam,z,sym(5/2)),I4=subs(Gam,z,sym(7/2))

微积分的理解

三角函数 s i n ( θ ) ′ = c o s ( θ ) sin(\theta)&#x27; = cos(\theta) sin(θ)′=cos(θ) 乘法法则

微积分复习笔记 Calculus Volume 1 - 1.2 Basic Classes of Functions

1.2 Basic Classes of Functions - Calculus Volume 1 | OpenStax

微积分复习笔记 Calculus Volume1 - 1.1 Review of Functions

1.1 Review of Functions - Calculus Volume 1 | OpenStax

数学基础 -- 微积分之三角函数幂的积分

三角函数幂的积分处理 1. 积分形式 1.1 ∫ sin ⁡ m ( x ) cos ⁡ n ( x ) d x \int \sin^m(x) \cos^n(x) \, dx ∫sinm(x)cosn(x)dx 1.1.1 当 n n n 为奇数时 分离奇数次幂 如果 cos ⁡ n ( x ) \cos^n(x) cosn(x) 是奇数次幂,可以将其分解为 cos ⁡ n −

Python算法工程师面试整理-微积分

1. 导数 ● 定义:导数表示函数的瞬时变化率。 ● 常用规则: ○ 乘法规则:(fg)' = f'g + fg'。 ○ 链式法则:(f(g(x)))' = f'(g(x))

数学基础 -- 微积分之近似误差计算

微积分中的近似误差 在微积分中,近似计算是常见的工具,特别是在数值分析中。近似中的误差通常可以分为截断误差(truncation error)和舍入误差(round-off error)。以下是这两种误差的详细解释: 1. 截断误差 当使用有限项的级数或某种近似方法来代替实际的函数或积分时,未使用的部分会引入误差。举例来说,在使用泰勒级数展开函数时,只取有限的几项,那么未展开的项就会带来截断

计算图上的微积分:Backpropagation

计算图上的微积分:Backpropagation 引言 Backpropagation (BP) 是使得训练深度模型在计算上可行的关键算法。对现代神经网络,这个算法相较于无脑的实现可以使梯度下降的训练速度提升千万倍。而对于模型的训练来说,这其实是 7 天和 20 万年的天壤之别。 除了在深度学习中的使用,BP 本身在其他的领域中也是一种强大的计算工具,例如从天气预报到分析数值的稳定性——只是