![](https://img-blog.csdnimg.cn/20200831215956536.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
数学理论知识
文章平均质量分 93
主要用来分享一些自己在学习数学理论知识中遇到的比较好的值得思考和讨论分享的知识点或者问题。
Super__Tiger
专注于人工智能及其应用等知识领域的养成系博主!(づ ̄3 ̄)づ╭~
展开
-
为什么当函数值为定值时,梯度垂直于等值面?
前言本文主要对“为什么函数值为定值时,梯度垂直于等值面”这一问题进行了证明,解答了初学者在初次学习这一概念及相关证明过程中存在的疑惑,供阅读参考。文章目录前言1.梯度的概念和计算2.等值面的概念和深入理解3.证明和解释“为什么函数值为定值,梯度垂直于等值面?”1.梯度的概念和计算如果存在曲面w=w(x,y,z),设▽w是一个综合了w所有偏导数的向量:∇w=(∂w∂x,∂w∂y,∂w∂z)\nabla \mathbf{w}=\left( \frac{\partial \mathbf{w}}{\pa原创 2021-04-24 19:53:03 · 3738 阅读 · 2 评论 -
微分方程的求解方法
文章目录前言Ⅰ.首先介绍一些关于微分方程的概念Ⅱ.在考研范围内的微分方程有哪几类Ⅲ.微分方程的求解方法1.一阶微分方程的求解①可分离变量型的解法②齐次型的解法③一阶线性型的解法(重难点)2.二阶可降阶微分方程的求解3.高阶常系数线性微分方程的求解前言本文主要介绍了考研范围的微分方程的求解类型及对应的求解方法,主要内容参考自张宇《闭关修炼》,希望本文对您有所帮助。Ⅰ.首先介绍一些关于微分方程的概念一阶是什么:一阶微分方程就是指只有一阶导数或微分的微分方程。(注:阶数是微分方程中含有的导数或微分的原创 2020-12-13 09:21:34 · 147263 阅读 · 13 评论 -
变限积分性质的总结笔记
文章目录前言Ⅰ.定积分的存在性什么样的函数一定可积,即存在定积分?什么样的函数一定不可积?Ⅱ.原函数的存在性什么样的函数一定存在原函数?什么样的函数一定不存在原函数?Ⅲ.变限积分性质大总结Ⅳ.真题演练第一题:第二题:第三题:第四题:前言本文主要探讨和总结了变限积分的可积和原函数存在问题的判定,总结了常用的充分条件的推论笔记,供读者阅读参考。B站链接:https://www.bilibili.com/video/BV1Ct4y1U7Hw(必看)第一点:变限积分,天生连续。什么是变限积分?形如:F(原创 2020-12-10 10:18:55 · 18986 阅读 · 11 评论 -
极值点、驻点、拐点的区别和联系
文章目录前言:相关的概念定义和理解:极值点驻点拐点常用结论:举个例子前言:本文主要详细解释了极值点、驻点、拐点的含义,以及它们之间相互的联系和区别之处。希望可以加深读者对于这一类概念的理解。相关的概念定义和理解:极值点极值点:一阶导数发生变号的点,对于导数不存在的点,分析其左导数和右导数的正负是否相同,相同则不是极值点;若不同则为极值点。极值点是该点的x坐标值,而极值是该点对应的y坐标值。驻点驻点:只是单纯地符合f’(xo)=0的点,导数不存在的点不是驻点。拐点拐点:二阶导数发生变号的点原创 2020-12-07 11:54:50 · 59138 阅读 · 16 评论 -
洛必达法则的使用条件
文章目录前言:1.使用洛必达法则求导n阶导数之后的得到的n+1阶导数存在且连续。2.洛必达法则使用的常用结论是什么?3.那么,为什么函数n阶可导,我们可以使用洛必达n-1次?4.为什么在常规的极限计算时不需要注意洛必达的适用条件,而只要在大题中出现求导就要考虑导数定义,以及是否可以使用洛必达法则?前言:本文主要讨论和解释了洛必达的使用条件,以及常用的结论,希望可以帮助你解除在使用洛必达的时候疑惑。【划重点:①已知f(x)存在n阶可导,推:f(x)在n-1阶必连续。②洛必达使用得到的导数必须连续。】1.原创 2020-12-06 16:11:03 · 49302 阅读 · 13 评论 -
概率论:事件独立性的判定
如何对事件进行相互独立性分析事件独立性的定义: 设A,B为两个事件,如果P(AB)=P(A)P(B),则称事件A与B相互独立,简称为A与B独立。事件独立性的判定方法:以n=3为例:设A1,A2,A3为三个事件,若则称事件A1,A2,A3相互独立。当去掉上述④式后,称只满足①,②,③式的事件A1,A2,A3两两独立。事件独立性的常用推论:推论1:【注】:将相互独立的事件组中的任意几个事件换成各自的对立事件,所得的新事件组仍相互独立。推论2:以A,B,C,D相互独立为例: 若A原创 2020-08-05 09:51:31 · 29918 阅读 · 2 评论 -
利用Python,实现雅克比(Jacobi)迭代法以及高斯-塞德尔(G-S)迭代法【矩阵形式】
利用Python,实现雅克比(Jacobi)迭代法以及高斯-塞德尔(G-S)迭代法【矩阵形式】本文讲解使用Jacobi迭代和G-S迭代算法求解方程组的Python代码实现,同时涉及算法的原理阐述。文章目录【Jacobi算法原理】【Jacobi的Python代码实现】1.1输入自变量个数mu,方程个数nu,迭代误差精度e1.2初始化LDU矩阵(p为行数,q为当前列数。)1.3构建自变量初值X_Current矩阵1.4初始化因变量y矩阵1.5计算并得到G1,d1矩阵(参照前面的Jacobi迭代公式)1.6将原创 2020-05-10 20:41:44 · 10529 阅读 · 12 评论 -
Python:花了好久才写完的拉格朗日差值法和牛顿差商法的实现
Python:花了好久才写完的拉格朗日差值法和牛顿差商法的实现首先简述一下拉格朗日算法的公式和思想:首先拉格朗日差值公式如下:那么这个公式的思想是什么呢?1.得到的差值计算式必须穿过所有的已知的节点。(已知节点必须互异:即已知点不重合)2.当x=xi,对应的某一项系数必须为1,而其他项的系数均为0,此时结果为yi。3.通过1和2的思想去构造系数因子,可以得到如下结果:4.将得到...原创 2020-03-23 23:51:50 · 1900 阅读 · 0 评论 -
数学建模方法——SPSS主成分分析法
数学建模方法——主成分分析法Ⅰ.主成分分析: 主成分分析(Principal Component Analysis,PCA), 将多个变量通过线性变换以选出较少个数重要变量的一种 多元统计分析方法。主成分与原始变量之间的关系: (1)主成分保留了原始变量绝大多数信息。 (2)主成分的个数大大少于原始变量的数目。 (3)各个主成分之间互不相关。 (4)每个主成分都是原始变量...原创 2019-12-02 21:50:48 · 32125 阅读 · 29 评论 -
矩阵的主元+秩+矩阵等价
阶梯形矩阵分为行阶梯形矩阵(Row Echelon Form)和列阶梯形矩阵(Column Echelon Form),行阶梯形矩阵应用更多,一般说阶梯形矩阵指行阶梯形矩阵。需满足的条件:1,所有非零行(矩阵的行至少有一个非零元素)在所有全零行的上面。即全零行都在矩阵的底部。2,非零行的首项系数(leading coefficient),也称作主元,即最左边的首个非零元素,严格地比上面行的...原创 2019-09-08 10:54:08 · 5829 阅读 · 0 评论 -
置换矩阵与转置矩阵之间的联系
置换矩阵与转置矩阵之间的联系置换矩阵(Permutation matrix):矩阵的每一行和每一列的元素中只有一个1,其余元素都为0。(不严谨的解释)转置矩阵(Transpose matrix):矩阵的行变成对应的列,矩阵的列变成对应的行。(不严谨的直白解释)性质:置换矩阵p的逆等于其置换矩阵的转置T。即:P^(-1)= P^T举个栗子:如:3×3的置换矩阵群(共3! = 6个,补充4...原创 2019-09-05 10:46:07 · 9752 阅读 · 0 评论 -
数学分析与概率论概要笔记
数学分析与概率论目录:引例:e的引入:关于该函数极限收敛于e的证明:附:细节1的说明:符合极限运算法则的定理三推论1的应用:细节2的说明:符合两边加定理的应用:01.导数:常用公式:应用1-幂指函数的解题套路:X^x的极小值求解:附:细节1的说明:1.隐含条件:t!=0。2.等式左边为1/t*t’,当t’=0的时候,1/t不为0且t‘为0,所以等式左...原创 2019-08-20 18:43:18 · 2038 阅读 · 0 评论 -
常见概率分布的无记忆性分析
关于常见概率分布函数的记忆性定义及验证分析定义:附:证明部分(手写):几何分布的无记忆性证明:指数分布的无记忆性证明:泊松分布的有记忆性证明:参考博客原文链接:https://blog.csdn.net/mohhao/article/details/81058734...原创 2019-08-20 18:28:38 · 22883 阅读 · 1 评论 -
sinx的泰勒展开式
sinx的泰勒展开式求解过程思路:sin x 可以如何 “ 展开 ”?写成式子就是:最后以省略号结束,代表 “ 无穷 ”,需要求的就是 a0,a1,a2,…… 的值,准确地说就是通项公式。然后,我们就可以开始 “ 微分 ” 了,就是等式两边同时、不停地微分下去。左边的三角函数的微分,其实是四个一循环的:sin x ➜ cos x ➜ - sin x ➜ - cos x,再回到 sin x……...原创 2019-08-19 20:18:33 · 133356 阅读 · 1 评论