漫步微积分八——多项式求导

2024-05-08 16:18

本文主要是介绍漫步微积分八——多项式求导,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!

微分学有其自身的独特性和重要性,已被应用到物理、生物和社会科学中。它能够快速渗入到应用中,并得到问题的核心。然而,从整体效率的角度看,它的具体内容推迟一下,我们先花一点时间学习如何快速而准确的求导。

我们已经知道,对函数求导的过程称作微分。这个过程直接依赖于导数的极限定义,
f ′ ( x ) = lim ⁡ Δ x → 0 f ( x + Δ x ) − f ( x ) Δ x , f'(x)=\lim_{\Delta x\to 0}\frac{f(x+\Delta x)-f(x)}{\Delta x}, f(x)=Δx0limΔxf(x+Δx)f(x),

或等价的
d y d x = lim ⁡ Δ x → 0 Δ y Δ x \frac{dy}{dx}=\lim_{\Delta x\to 0}\frac{\Delta y}{\Delta x} dxdy=Δx0limΔxΔy

我们看到这种方法非常慢而且麻烦。现在我们的目的就是建立一些法则,利用他们可以快速求导大部分函数。本篇以及之后的几篇文章,我们会学到在完全不考虑极限的情况下,如何计算多项式的导数;即便是类似下面棘手的代数函数,我们也能轻松应对
x x 2 + 1 , [ x + x + 1 x − x + 1 ] 1 / 3 , 1 + 1 + 1 + x . \frac{x}{\sqrt{x^2+1}},\qquad \left[\frac{x+\sqrt{x+1}}{x-\sqrt{x+1}}\right]^{1/3},\qquad \sqrt{1+\sqrt{1+\sqrt{1+x}}}. x2+1 x,[xx+1 x+x+1 ]1/3,1+1+1+x .

我们还将学习如何对三角函数求导。目前阶段,我们的目标是培养计算技能,这种技能只能通过实践得到。在没有实践的情况下,我们不可能学会如何拼写,或滑雪,或演奏乐器,正是在实践中不断发现问题,纠正问题,最终拥有相应的技能。微分也不例外。

回顾一下, x x x的多项式就是常数乘以 x x x幂次方的和。幂可以是零或一个正数:
P ( x ) = a n x n + a n − 1 x n − 1 + ⋯ + a 1 x + a 0 . P(x)=a_nx^n+a_{n-1}x^{n-1}+\cdots+a_1x+a_0. P(x)=anxn+an1xn1++a1x+a0.

多项式由一些简单的部分拼凑起来的方式启发我们对求导法则的讨论:

1.常数的导数是零
d d x c = 0 \frac{d}{dx}c=0 dxdc=0

这个命题的几何意义是一条水平直线 y = f ( x ) = c y=f(x)=c y=f(x)=c斜率是零。为了根据定义证明该命题,我们注意到 Δ y = f ( x + Δ x ) − f ( x ) = c − c = 0 \Delta y=f(x+\Delta x)-f(x)=c-c=0 Δy=f(x+Δx)f(x)=cc=0,所以
d y d x = lim ⁡ Δ x → 0 Δ y Δ x = lim ⁡ Δ x → 0 0 Δ x = lim ⁡ Δ x → 0 0 = 0. \frac{dy}{dx}=\lim_{\Delta x\to 0}\frac{\Delta y}{\Delta x}=\lim_{\Delta x\to 0}\frac{0}{\Delta x}=\lim_{\Delta x\to 0}0=0. dxdy=Δx0limΔxΔy=Δx0limΔx0=Δx0lim0=0.

2.如果 n n n是一个正数,那么
d d x x n = n x n − 1 . \frac{d}{dx}x^n=nx^{n-1}. dxdxn=nxn1.

用语言来描述就是, x n x^n xn的导数是指数 n n n作为系数,指数减1作为新的指数。前面的文章中我们已经知道了三个具体的例子:
d d x x 2 = 2 x , d d x 3 x 2 = 6 x , d d x x 4 = 4 x 3 . \frac{d}{dx}x^2=2x,\quad \frac{d}{dx}3x^2=6x,\quad \frac{d}{dx}x^4=4x^3. dxdx2=2x,dxd3x2=6x,dxdx4=4x3.

为了证明通用性,对于 y = f ( x ) = x n y=f(x)=x^n y=f(x)=xn,我们利用二项式定理的

\begin{eqnarray*}
\Delta y
&=&f(x+\Delta x)-f(x)=(x+\Delta x)n-xn\
&=&\left[xn+nx{n-1}\Delta x+\frac{n(n-1)}{2}x^{n-2}(\Delta x)^2+\cdots +(\Delta x)n\right]-xn\
&=&nx^{n-1}\Delta x+\frac{n(n-1)}{2}x^{n-2}(\Delta x)^2+\cdots +(\Delta x)^n
\end{eqnarray*}
据此可以得出
\begin{eqnarray*}
\frac{dy}{dx}
&=&\lim_{\Delta x\to 0}\frac{\Delta y}{\Delta x}\
&=&\lim_{\Delta x\to 0}\left[nx{n-1}+\frac{n(n-1)}{2}x{n-2}(\Delta x)+\cdots +(\Delta x)^{n-1}\right]\
&=&nx^{n-1}
\end{eqnarray*}

我们的法则对负或分数形式的指数依然成立。关于证明会在后面讨论。
3.如果 c c c是一个常数, u = f ( x ) u=f(x) u=f(x)关于 x x x可导,那么
d d x ( c u ) = c d u d x . \frac{d}{dx}(cu)=c\frac{du}{dx}. dxd(cu)=cdxdu.

也就是说,对常数乘以函数求导,结果等于该常数乘以函数的导数。为了证明它,考虑 y = c u = c f ( x ) y=cu=cf(x) y=cu=cf(x),观察 Δ y = c f ( x + Δ x ) − c f ( x ) = c [ f ( x + Δ x ) − f ( x ) ] = c Δ u \Delta y=cf(x+\Delta x)-cf(x)=c[f(x+\Delta x)-f(x)]=c\Delta u Δy=cf(x+Δx)cf(x)=c[f(x+Δx)f(x)]=cΔu,所以
d y d x = lim ⁡ Δ x → 0 Δ y Δ x = lim ⁡ Δ x → 0 c Δ u Δ x = c lim ⁡ Δ x → 0 Δ u Δ x = c d u d x . \frac{dy}{dx}=\lim_{\Delta x\to 0}\frac{\Delta y}{\Delta x}=\lim_{\Delta x\to 0}\frac{c\Delta u}{\Delta x}=c\lim_{\Delta x\to 0}\frac{\Delta u}{\Delta x}=c\frac{du}{dx}. dxdy=Δx0limΔxΔy=Δx0limΔxcΔu=cΔx0limΔxΔu=cdxdu.

结合法则1和2,对于任何常数 c c c和正数 n n n,我们有
d d x c x n = c n x n − 1 \frac{d}{dx}cx^n=cnx^{n-1} dxdcxn=cnxn1

例1:现在我们快速的计算下面的导数:
\begin{eqnarray*}
\frac{d}{dx}3x7&=&21x6,\quad \frac{d}{dx}22x{101}=2222x{100},\
\frac{d}{dx}55x&=&55x^0=55,\quad \frac{d}{dx}\left(-\frac{1}{2}x{12}\right)=-6x{11}
\end{eqnarray*}
4.如果 u = f ( x ) , v = g ( x ) u=f(x),v=g(x) u=f(x),v=g(x)是关于 x x x的函数,那么
d d x ( u + v ) = d u d x + d v d x \frac{d}{dx}(u+v)=\frac{du}{dx}+\frac{dv}{dx} dxd(u+v)=dxdu+dxdv

也就是说,两个函数和的导数等于他们各自导数的和。证明是很常规的:令 y = u + v = f ( x ) + g ( x ) y=u+v=f(x)+g(x) y=u+v=f(x)+g(x),那么 Δ y = [ f ( x + Δ x ) + g ( x + Δ x ) ] − [ f ( x ) + g ( x ) ] = [ f ( x + Δ x ) − f ( x ) ] + [ g ( x + Δ x ) − g ( x ) ] = Δ u + Δ v \Delta y=[f(x+\Delta x)+g(x+\Delta x)]-[f(x)+g(x)]=[f(x+\Delta x)-f(x)]+[g(x+\Delta x)-g(x)]=\Delta u+\Delta v Δy=[f(x+Δx)+g(x+Δx)][f(x)+g(x)]=[f(x+Δx)f(x)]+[g(x+Δx)g(x)]=Δu+Δv
\begin{eqnarray*}
\frac{dy}{dx}
&=&\lim_{\Delta x\to 0}\frac{\Delta y}{\Delta x}=\lim_{\Delta x\to 0}\frac{\Delta u+\Delta v}{\Delta x}=\lim_{\Delta x\to 0}\left[\frac{\Delta u}{\Delta x}+\frac{\Delta v}{\Delta x}\right] \
&=&\lim_{\Delta x\to 0}\frac{\Delta u}{\Delta x}+\lim_{\Delta x\to 0}\frac{\Delta v}{\Delta x}=\frac{du}{dx}+\frac{dv}{dx}.
\end{eqnarray*}
同样的,两个函数差的导数等于他们导数的差
d d x ( u − v ) = d u d x − d v d x . \frac{d}{dx}(u-v)=\frac{du}{dx}-\frac{dv}{dx}. dxd(uv)=dxdudxdv.

更进一步,这个结果可以扩展到有限项的加减
d d x ( u − v + w ) = d u d x − d v d x + d w d x . \frac{d}{dx}(u-v+w)=\frac{du}{dx}-\frac{dv}{dx}+\frac{dw}{dx}. dxd(uv+w)=dxdudxdv+dxdw.

例2:现在对多项式求导就非常容易了。例如,
\begin{eqnarray*}
\frac{d}{dx}(15x4+9x3-7x^2-3x+5)
&=&\frac{d}{dx}15x4+\frac{d}{dx}9x3-\frac{d}{dx}7x^2-\frac{d}{dx}3x+\frac{d}{dx}5\
&=&60x3+27x2-14x-3.
\end{eqnarray*}
现在我们可以忽略掉中间步骤,而直接写出最终结果。

例3:函数 y = ( 3 x − 2 ) 4 y=(3x-2)^4 y=(3x2)4不是一个标准形式的多项式。目前还没有给出它的求导规则,当然后面会学习到的。目前我们可以利用二项式定理展开。
\begin{eqnarray*}
y
&=&(3x-2)4=[3x+(-2)]4\
&=&(3x)4+4(3x)3(-2)+\frac{4\cdot 3}{2}(3x)2(-2)2+\frac{4\cdot 3\cdot 2}{3\cdot 2\cdot 1}(3x)(-2)3+(-2)4\
&=&81x4-216x3+216x^2-96x+16
\end{eqnarray*}
所以
d y d x = 324 x 3 − 648 x 2 + 432 x − 96. \frac{dy}{dx}=324x^3-648x^2+432x-96. dxdy=324x3648x2+432x96.

例4:虽然 x , y x,y x,y经常被用来表示自变量和因变量,但是这不妨碍我们选择我们喜欢的任何字母来表示他们,并且计算方法是一样。
s = 13 t 3 − 4 t 2 + 25 s=13t^3-4t^2+25 s=13t34t2+25

是关于时间 t t t的多项式;根据利用本文得出的法则,它的导数为
d s d t = 39 t 2 − 8 t . \frac{ds}{dt}=39t^2-8t. dtds=39t28t.

例5:沿着直线运动的物体,位置 s s s对于时间 t t t的函数为
s = t 3 + 5 t 2 − 8 t . s=t^3+5t^2-8t. s=t3+5t28t.

停止运动时它的加速度是多少?

速度 v v v和加速度 a a a分别是
v = d s d t = 3 t 2 + 10 t − 8 a = d v d t = 6 t + 10. v=\frac{ds}{dt}=3t^2+10t-8\quad a=\frac{dv}{dt}=6t+10. v=dtds=3t2+10t8a=dtdv=6t+10.

物体停止时, v = 0 v=0 v=0
3 t 2 + 10 t − 8 = ( 3 t − 2 ) ( t + 4 ) = 0 3t^2+10t-8=(3t-2)(t+4)=0 3t2+10t8=(3t2)(t+4)=0

t = 2 3 , − 4 t=\frac{2}{3},-4 t=32,4。对应的加速度分别为 a = 14 , − 14 a=14,-14 a=14,14

这篇关于漫步微积分八——多项式求导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/970810

相关文章

机器学习算法(二):1 逻辑回归的从零实现(普通实现+多项式特征实现非线性分类+正则化实现三个版本)

文章目录 前言一、普通实现1 数据集准备2 逻辑回归模型3 损失函数4 计算损失函数的梯度5 梯度下降算法6 训练模型 二、多项式特征实现非线性分类1 数据准备与多项式特征构造2 逻辑回归模型 三、逻辑回归 --- 正则化实现1 数据准备2 逻辑回归模型3 正则化损失函数4 计算损失函数的梯度5 梯度下降6 训练模型 总结 前言 今天我们开始介绍逻辑回归的从零开始实现代码了,

微积分-导数1(导数与变化率)

切线 要求与曲线 C C C相切于 P ( a , f ( a ) ) P(a, f(a)) P(a,f(a))点的切线,我们可以在曲线上找到与之相近的一点 Q ( x , f ( x ) ) Q(x, f(x)) Q(x,f(x)),然后求出割线 P Q PQ PQ的斜率: m P Q = f ( x ) − f ( a ) x − a m_{PQ} = \frac{f(x) - f(a)}

【C++实验】多项式加减

题目:一元多项式运算 基本要求:     (1) 输入并建立多项式;     (2) 输出多项式;     (3) 多项式加法     (4) 多项式减法。 测试数据:  代码展示: #include<iostream>using namespace std;class LinkedNode{public:LinkedNode(double COEF, doub

AI学习指南机器学习篇-多项式朴素贝叶斯算法简介

AI学习指南机器学习篇-多项式朴素贝叶斯算法简介 前言 随着人工智能技术的快速发展,机器学习作为其中的一个重要分支已经成为各个领域的热门话题。而在机器学习算法中,朴素贝叶斯算法因其简单易懂、效果不俗而备受青睐。本文将针对多项式朴素贝叶斯算法展开详细介绍,包括原理、应用、优缺点分析等内容,帮助读者更好地理解和运用这一经典的机器学习算法。 多项式朴素贝叶斯算法的原理 多项式朴素贝叶斯算法是一种

NLP入门——复杂函数建模与链式求导

复杂函数建模 前面我们研究的梯度下降法分类,是简单的对每类中每个子词的分数进行求和,统计分数最大的类别并不断调整分数来提高准确率。 我们可以修改函数模型,用更加复杂的函数代替sum(),来达到更好的学习效果。 def compute_instance(model, lin):rs = {}_max_score, _max_class = -inf, Nonefor _class, v in m

多元多项式的特征列与零点的关系定理

下面这个定理来自《计算机代数》6.1三角列与特征列(王东明、夏壁灿著) 【定理】 设 C = [ C 1 , … , C r ] \mathbb{C =}\left\lbrack C_{1},\ldots,C_{r} \right\rbrack C=[C1​,…,Cr​]为多项式组 P ⊂ K [ x ] \mathbb{P \subset}\mathcal{K\lbrack}\mathbf

1071: 数据结构作业01 -- 一元多项式的求积

1071: 数据结构作业01 -- 一元多项式的求积 时间限制: 1 Sec   内存限制: 128 MB 提交: 48   解决: 8 [ 提交][ 状态][ 论坛] 题目描述 一个一元多项式可以看作由若干个一元单项式按降幂排列成的线性表。请编写程序对输入的两个一元多项式求积,并输出求积的结果。 输入 输入为两个一元多项式,每个一元多项式输入一行,按照降幂依次输入每个

求两个多项式的和

题目1472:求两个多项式的和 时间限制:1 秒 内存限制:128 兆 特殊判题:否 提交:842 解决:138 题目描述: 输入两个多项式,计算它们的和。 每个多项式有若干对整数表示,每组整数中,第一个整数表示系数(非0),第二个整数表示该项的次数。 如由3 3 5 -2 1 4 0表示3x^5 - 2 * x + 4其中第一个3表示该多项式由三个整数对表示。 输

Plonky3和Binius中的Brakedown多项式承诺协议解析及优化(2)

3. Breakdown Commitment 3.1 Linear Codes Polynomial Commitments Breakown的基础就是使用线性码构建多项式承诺,优点在于证明大小和验证时间复杂度都是长度的平方根。 下面给出一个简单的线性码多项式承诺过程。假设多项式 g g g的系数向量的长度为 n n n,并且可以使用填充0的方式扩充到 d = k 2 d=k^2 d=k2

算法金 | 一个强大的算法模型,多项式回归!!

大侠幸会,在下全网同名「算法金」 0 基础转 AI 上岸,多个算法赛 Top 「日更万日,让更多人享受智能乐趣」 吴恩达:机器学习的六个核心算法!–> 线性回归 在许多实际场景中,简单的线性回归无法捕捉复杂的模式,这时候就该祭出我们多项式回归大法了,一种在数据分析和预测中常用的机器学习方法。 本文的目的在于为大侠们提供多项式回归的基础理解,并通过代码示范和数据可视化,展示如何在实