【高数】变上限积分的等价无穷小替换

被积函数等价无穷小替换

  • x → 0 x\rightarrow 0 x0 φ ( x ) , f ( x ) , g ( x ) \varphi(x),f(x),g(x) φ(x),f(x),g(x) 均为无穷小
    x → 0 x\rightarrow 0 x0 f ( x ) ∼ g ( x ) f(x)\sim g(x) f(x)g(x)
    φ ′ ( x ) \varphi^\prime(x) φ(x) 存在且不为零
    则当 x → 0 x\rightarrow0 x0 时:
    ∫ 0 φ ( x ) f ( t ) d t ∼ ∫ 0 φ ( x ) g ( t ) d t \int_0^{\varphi(x)}f(t)dt\sim \int_0^{\varphi(x)}g(t)dt 0φ(x)f(t)dt0φ(x)g(t)dt
  • 证明部分:
    证明两个部分的极限为 1 1 1 即可,使用洛必达即可证明。
    x → 0 x\rightarrow0 x0 时(下式省略 lim ⁡ x → 0 \lim_{x\rightarrow 0} limx0),有:
    ∫ 0 φ ( x ) f ( t ) d t ∫ 0 φ ( x ) g ( t ) d t = L ′ φ ′ ( x ) f ( φ ( x ) ) φ ′ ( x ) g ( φ ( x ) ) = f ( φ ( x ) ) g ( φ ( x ) ) = t = φ ( x ) f ( t ) g ( t ) = 1 \begin{aligned} \frac{\int_0^{\varphi(x)}f(t)dt}{\int_0^{\varphi(x)}g(t)dt} &\overset{L'}{=} \frac{\varphi^\prime(x)f(\varphi(x))}{\varphi^\prime(x)g(\varphi(x))}\\ &=\frac{f(\varphi(x))}{g(\varphi(x))}\\ &\overset{t=\varphi(x)}{=}\frac{f(t)}{g(t)}\\ &=1 \end{aligned} 0φ(x)g(t)dt0φ(x)f(t)dt=Lφ(x)g(φ(x))φ(x)f(φ(x))=g(φ(x))f(φ(x))=t=φ(x)g(t)f(t)=1

积分上限等价无穷小替换

  • x → 0 x\rightarrow0 x0 f ( x ) , φ ( x ) , ψ ( x ) f(x),\varphi(x),\psi(x) f(x),φ(x),ψ(x) 都是无穷小
    x → 0 x\rightarrow0 x0 时, φ ( x ) ∼ ψ ( x ) \varphi(x)\sim\psi(x) φ(x)ψ(x)
    lim ⁡ x → 0 φ ′ ( x ) ψ ′ ( x ) \lim_{x\rightarrow0}\frac{\varphi^\prime(x)}{\psi^\prime(x)} limx0ψ(x)φ(x) 存在
    f ( x ) f(x) f(x) 有连续导数,且 f ′ ( 0 ) ≠ 0 f'(0)\ne0 f(0)=0
    φ ( x ) , ψ ( x ) \varphi(x),\psi(x) φ(x),ψ(x) x = 0 x=0 x=0的某去心领域内可导,且 ψ ′ ( 0 ) ≠ 0 \psi'(0)\ne0 ψ(0)=0
    那么当 x → 0 x\rightarrow 0 x0 时,有:
    ∫ 0 φ ( x ) f ( t ) d t ∼ ∫ 0 ψ ( x ) f ( t ) d t \int_0^{\varphi(x)}f(t)dt \sim \int_0^{\psi(x)}f(t)dt 0φ(x)f(t)dt0ψ(x)f(t)dt
  • 证明部分
    x → 0 x\rightarrow0 x0 时(下式省略 lim ⁡ x → 0 \lim_{x\rightarrow 0} limx0),有:
    ∫ 0 φ ( x ) f ( t ) d t ∫ 0 ψ ( x ) f ( t ) d t = L ′ φ ′ ( x ) f ( φ ( x ) ) ψ ′ ( x ) f ( ψ ( x ) ) = ( 1 ) f ( φ ( x ) ) f ( ψ ( x ) ) = f ( φ ( x ) ) − f ( 0 ) f ( ψ ( x ) ) − f ( 0 ) = ( 2 ) φ ( x ) f ′ ( ξ 1 ) ψ ( x ) f ′ ( ξ 2 ) = ( 3 ) f ′ ( 0 ) f ′ ( 0 ) = 1 Q E D \begin{aligned} \frac{\int_0^{\varphi(x)}f(t)dt}{\int_0^{\psi(x)}f(t)dt} &\overset{L'}{=}\frac{\varphi^\prime(x)f(\varphi(x))}{\psi^\prime(x)f(\psi(x))}\\ &\overset{(1)}{=}\frac{f(\varphi(x))}{f(\psi(x))}\\ &=\frac{f(\varphi(x))-f(0)}{f(\psi(x))-f(0)}\\ &\overset{(2)}{=}\frac{\varphi(x)f^\prime(\xi_1)}{\psi(x)f^\prime(\xi_2)}\\ &\overset{(3)}{=}\frac{f^\prime(0)}{f^\prime(0)}\\ &=1 \qquad QED \end{aligned} 0ψ(x)f(t)dt0φ(x)f(t)dt=Lψ(x)f(ψ(x))φ(x)f(φ(x))=(1)f(ψ(x))f(φ(x))=f(ψ(x))f(0)f(φ(x))f(0)=(2)ψ(x)f(ξ2)φ(x)f(ξ1)=(3)f(0)f(0)=1QED
  • (1) 部分:
    lim ⁡ x → 0 φ ( x ) ψ ( x ) = 1 \lim_{x\rightarrow 0}\frac{\varphi(x)}{\psi(x)}=1 x0limψ(x)φ(x)=1
    是已知的等价无穷小,由于都有一阶导数,上下洛必达,极限不变,得到
    lim ⁡ x → 0 φ ′ ( x ) ψ ′ ( x ) = 1 \lim_{x\rightarrow 0}\frac{\varphi^\prime(x)}{\psi^\prime(x)}=1 x0limψ(x)φ(x)=1
  • (2) 部分:
    中值定理:
    f ( b ) − f ( a ) = f ′ ( ξ ) ( b − a ) ξ ∈ ( a , b ) f(b)-f(a)=f^\prime(\xi)(b-a)\qquad\xi\in(a,b) f(b)f(a)=f(ξ)(ba)ξ(a,b)
  • (3) 部分:
    由于 f ( x ) f(x) f(x) 有连续导数
    ξ ∈ ( 0 , φ ( x ) ) \xi\in(0,\varphi(x)) ξ(0,φ(x))
    得到
    x → 0 x\rightarrow0 x0时, φ ( x ) → 0 \varphi(x)\rightarrow0 φ(x)0,即 ξ → 0 \xi\rightarrow0 ξ0
    f ′ ( 0 ) ≠ 0 f'(0)\ne0 f(0)=0 x → 0 时 f ′ ( x ) x\rightarrow0时f'(x) x0f(x)连续,所以 x → 0 x\rightarrow0 x0 时, f ′ ( ξ ) = f ′ ( 0 ) f'(\xi)=f'(0) f(ξ)=f(0)
    对于 ψ ( x ) \psi(x) ψ(x) 过程类似。

例题

  • 一个随便手搓的例题
    lim ⁡ x → 0 ∫ 0 l n ( 1 + sin ⁡ x ) sin ⁡ 6 t   d t x 7   = lim ⁡ x → 0 ∫ 0 x sin ⁡ 6 t   d t x 7 等价无穷小替换积分上限   = lim ⁡ x → 0 ∫ 0 x t 6   d t x 7 等价无穷小替换被积函数   = lim ⁡ x → 0 x 7 / 7 x 7   = 1 / 7 \begin{aligned} &\lim_{x\rightarrow 0}\frac{\int_0^{ln(1+\sin x)}\sin^6t\ dt}{x^7}\\\ \\ &=\lim_{x\rightarrow 0} \frac{\int_0^x \sin^6t\ dt}{x^7}\qquad 等价无穷小替换积分上限\\\ \\ &=\lim_{x\rightarrow 0} \frac{\int_0^x t^6\ dt}{x^7}\qquad 等价无穷小替换被积函数\\\ \\ &=\lim_{x\rightarrow 0} \frac{x^7/7}{x^7}\\\ \\ &=1/7 \end{aligned}     x0limx70ln(1+sinx)sin6t dt=x0limx70xsin6t dt等价无穷小替换积分上限=x0limx70xt6 dt等价无穷小替换被积函数=x0limx7x7/7=1/7
  • 注:可以直接使用洛必达的法则验证正确性,虽麻烦点但是可以是实现的。

例题二

  • 已知 f ( x ) f(x) f(x) 连续且 f ( 0 ) ≠ 0 f(0)\ne 0 f(0)=0,求:
    lim ⁡ x → 0 ∫ 0 x t f ( t ) d t x ∫ 0 x f ( t ) d t \lim_{x\rightarrow 0}\frac{\int_0^xtf(t)dt}{x\int_0^xf(t)dt} x0limx0xf(t)dt0xtf(t)dt
    (高数辅导讲义 P114 例 6 的题目的一部分)
  • 解:
    I = ( 1 ) lim ⁡ x → 0 ∫ 0 x t f ( 0 ) d t x ∫ 0 x f ( 0 ) d t   = lim ⁡ x → 0 f ( 0 ) x 2 / 2 f ( 0 ) x 2   = 1 / 2 \begin{aligned} I&\overset{(1)}{=}\lim_{x\rightarrow 0}\frac{\int_0^x tf(0)dt}{x\int_0^xf(0)dt}\\\ \\ &=\lim_{x\rightarrow 0} \frac{f(0)x^2/2}{f(0)x^2}\\\ \\ &=1/2 \end{aligned} I  =(1)x0limx0xf(0)dt0xtf(0)dt=x0limf(0)x2f(0)x2/2=1/2
  • (1)部分:
    由于
    lim ⁡ x → 0 f ( x ) f ( 0 ) = 1 \lim_{x\rightarrow 0}\frac{f(x)}{f(0)}=1 x0limf(0)f(x)=1
    直接替换 f ( t ) ∼ f ( 0 ) f(t)\sim f(0) f(t)f(0) 即可。

参考

  1. 【变限积分中的等价无穷小替换】https://www.bilibili.com/video/av201524339/
  2. 【关于变上限积分的等价无穷小】https://www.docin.com/p-1127320669.html
  3. 【等价无穷大,变上限积分的等价无穷小】https://zhuanlan.zhihu.com/p/364305037?ivk_sa=1024320u
【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论 14
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值