这小节的内容用微积分 ∫ \int ∫类比累加 ∑ \sum ∑, 读起来天马星空. 于是根据我自己的理解重新写了这篇笔记. 记号里和书中的有些许不同
在第二章的前几节中,已经学习了多种直接处理合适的方法, 现在需要用更加广阔的视野,从更高的层次来审视求和问题.
从微分说起, 微分是指f(x) 在x足够小时，函数值的变化量:
即:
lim Δ x → 0 f ( x + Δ x ) − f ( x ) Δ x \lim_{\Delta x \rightarrow 0} {f(x+\Delta x) - f(x)\over{\Delta x}} Δx→0limΔxf(x+Δx)−f(x)
对应于"微分", 本小节引入了"差分"的概念
Δ
f
(
x
)
=
f
(
x
+
1
)
−
f
(
x
)
\Delta f(x) = f(x+1) - f(x)
Δf(x)=f(x+1)−f(x)
这是对微分的有限模拟. 当
lim
Δ
x
→
0
\lim_{\Delta x \rightarrow 0}
Δx→0lim时,
Δ
x
=
1
\Delta x =1
Δx=1时我们所能达到的"极限"
为了模仿导数求导过程,具体数学引入了下降阶乘幂:
x
m
‾
x^{\underline m}
xm读作"
x
x
x直降
m
m
m次". 表示:
(2.43)
x
m
‾
=
x
(
x
−
1
)
⋯
(
x
−
m
+
1
)
⏞
m
个
因
子
,
整
数
m
⩾
0
x^{\underline m} =\overbrace {x(x-1)\cdots (x-m+1)}^{\tiny m个因子} ,整数m\geqslant 0 \tag{2.43}
xm=x(x−1)⋯(x−m+1)
m个因子,整数m⩾0(2.43)
另有:上升阶乘幂:
x
m
‾
x^{\overline m}
xm读作"
x
x
x直升
m
m
m次". 表示:
(2.43)
x
m
‾
=
x
(
x
+
1
)
⋯
(
x
+
m
−
1
)
⏞
m
个
因
子
,
整
数
m
⩾
0
x^{\overline m} =\overbrace {x(x+1)\cdots (x+m-1)}^{\tiny m个因子} ,整数m\geqslant 0 \tag{2.43}
xm=x(x+1)⋯(x+m−1)
m个因子,整数m⩾0(2.43)
由此就有一个堪比微分求导公式的:
(2.45)
Δ
(
x
m
‾
)
=
m
x
m
−
1
‾
\Delta(x^{\underline m})= mx^{\underline{m-1}} \tag{2.45}
Δ(xm)=mxm−1(2.45)
有一个堪比不定积分的不定和式:
(2.46)
g
(
x
)
=
Δ
f
(
x
)
↔
∑
g
(
x
)
δ
(
x
)
=
f
(
x
)
+
C
其
中
C
是
满
足
p
(
x
+
1
)
=
p
(
x
)
的
任
意
一
个
函
数
p
(
x
)
\tag{2.46} g(x) = \Delta f(x) \leftrightarrow \\ \sum g(x)\delta(x) = f(x) + C\\ {\footnotesize 其中C是满足p(x+1)=p(x)的任意一个函数p(x)}
g(x)=Δf(x)↔∑g(x)δ(x)=f(x)+C其中C是满足p(x+1)=p(x)的任意一个函数p(x)(2.46)
还可以有一个堪比定积分的和式
(2.47)
∑
a
b
g
(
x
)
δ
x
=
f
(
x
)
∣
a
b
=
f
(
b
)
−
f
(
a
)
\tag{2.47} \sum^b_a g(x)\delta x = \left. f(x) \right | ^b_a = f(b) - f(a)
a∑bg(x)δx=f(x)∣ab=f(b)−f(a)(2.47)
它的切确含义是:
(2.48)
∑
a
b
g
(
x
)
δ
(
x
)
=
∑
k
=
a
b
−
1
g
(
x
)
=
∑
a
⩽
k
<
b
g
(
k
)
,
整
数
b
⩾
a
.
\tag{2.48} \textstyle \sum^b_ag(x)\delta(x)=\displaystyle \sum_{k=a}^{b-1}g(x) = \sum_{a \leqslant k < b} g(k), \ \ \ \ \footnotesize 整数b\geqslant a.
∑abg(x)δ(x)=k=a∑b−1g(x)=a⩽k<b∑g(k), 整数b⩾a.(2.48)
并且还有类似于
∫
a
b
+
∫
b
c
=
∫
a
c
\int^b_a+\int^c_b=\int^c_a
∫ab+∫bc=∫ac 的运算:
(2.49)
∑
a
b
g
(
x
)
δ
(
x
)
+
∑
c
c
g
(
x
)
δ
(
x
)
=
∑
a
c
g
(
x
)
δ
(
x
)
\textstyle \sum^b_ag(x)\delta(x) + \textstyle \sum^c_cg(x)\delta(x) = \textstyle \sum^c_ag(x)\delta(x) \tag{2.49}
∑abg(x)δ(x)+∑ccg(x)δ(x)=∑acg(x)δ(x)(2.49)
根据(2.45),(2.47)和(2.48), 可以得出:
(2.50)
∑
0
⩽
k
<
n
k
m
‾
=
k
m
+
1
‾
m
+
1
∣
0
m
=
n
m
+
1
‾
(
m
+
1
)
\tag{2.50} \sum_{0 \leqslant k < n} k^{\underline m} = \left.{k^{\underline{m+1}}} \over {m+1} \right | ^m _0 = \frac {n^{\underline{m+1}}} {(m+1)}
0⩽k<n∑km=m+1km+1∣∣∣∣0m=(m+1)nm+1(2.50)
它也暗示了也暗示了对于范围
0
⩽
k
<
n
0\leqslant k <n
0⩽k<n求和要比对范围
0
⩽
k
⩽
n
0\leqslant k \leqslant n
0⩽k⩽n更简单.
下降幂不仅可以是正数,还可以是负数. 负数的下降幂定义为
(2.51)
x
−
m
‾
=
1
(
x
+
1
)
(
x
+
2
)
.
.
.
(
x
+
m
)
,
m
>
0
\tag{2.51} x^{\underline {-m}} = {1 \over (x+1)(x+2)...(x+m)},m>0
x−m=(x+1)(x+2)...(x+m)1,m>0(2.51)
类似于指数
x
m
+
n
=
x
m
x
n
x^{m+n} = x^mx^n
xm+n=xmxn, 下降幂的运算法则是:
(2.52)
x
m
+
n
‾
=
x
m
‾
(
x
−
m
)
n
‾
\tag{2.52} x^{\underline {m+n}} = x^{\underline {m}}(x-m)^{\underline n}
xm+n=xm(x−m)n(2.52)
下降幂和式的完整描述
(2.53)
∑
a
b
x
m
‾
δ
x
=
{
x
m
+
1
‾
m
+
1
∣
a
b
,
m
̸
=
1
,
H
x
∣
a
b
,
m
=
−
1.
\tag{2.53} \sum^b_ax^{\underline m}\delta x = \left \{ \begin{array}{cc} \begin{aligned} &\left. {x^{\underline {m+1}} \over m+1} \right|^b_a, &m \not =1,\\ &\left. H_x \right|^b_a, &m = -1. \end{aligned} \end{array} \right.
a∑bxmδx=⎩⎪⎪⎨⎪⎪⎧m+1xm+1∣∣∣∣ab,Hx∣ab,m̸=1,m=−1.(2.53)
对应于导数中的乘积法则:${d(uv) \over dx}= u{dv \over dx}+v{du \over dx} $:
(2.55)
Δ
(
u
v
)
=
u
Δ
v
+
E
v
Δ
u
其
中
E
f
(
x
)
=
f
(
x
+
1
)
\tag{2.55} \Delta(uv) = u \Delta v + Ev\Delta u\\ 其中Ef(x) = f(x+1)
Δ(uv)=uΔv+EvΔu其中Ef(x)=f(x+1)(2.55)
对应于积分的分布求和:
∫
u
D
v
=
u
v
−
∫
v
D
u
\int uDv=uv-\int{vDu}
∫uDv=uv−∫vDu
有和式的分布求和:
(2.56)
∑
u
Δ
v
=
u
v
−
∑
E
v
Δ
u
\sum u\Delta v = uv-\sum Ev\Delta u \tag{2.56}
∑uΔv=uv−∑EvΔu(2.56)
1693
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
