当前位置: 首页 > news >正文

【数学分析笔记】第4章第4节 复合函数求导法则及其应用(2)

4. 微分

4.4 复合函数求导法则及其应用

【例4.4.3】 y = e 1 + cos ⁡ x y=e^{\sqrt{1+\cos x}} y=e1+cosx ,求 y ′ y' y
【解】 y ′ = e 1 + cos ⁡ x ⋅ 1 2 1 + cos ⁡ x ⋅ ( − sin ⁡ x ) = − sin ⁡ x 2 1 + cos ⁡ x e 1 + cos ⁡ x y'=e^{\sqrt{1+\cos x}}\cdot\frac{1}{2\sqrt{1+\cos x}}\cdot(-\sin x)=-\frac{\sin x}{2\sqrt{1+\cos x}}e^{\sqrt{1+\cos x}} y=e1+cosx 21+cosx 1(sinx)=21+cosx sinxe1+cosx

4.4.2 幂指函数求导法则

y = f ( x ) = u ( x ) v ( x ) y=f(x)=u(x)^{v(x)} y=f(x)=u(x)v(x)
两边取对数得 ln ⁡ y = ln ⁡ f ( x ) = v ( x ) ln ⁡ u ( x ) \ln y=\ln f(x)=v(x)\ln u(x) lny=lnf(x)=v(x)lnu(x)
等式两边同时对 x x x求导得 1 y y ′ = 1 u ( x ) v ( x ) y ′ = v ′ ( x ) ln ⁡ u ( x ) + v ( x ) u ( x ) u ′ ( x ) \frac{1}{y}y'=\frac{1}{u(x)^{v(x)}}y'=v'(x)\ln u(x)+\frac{v(x)}{u(x)}u'(x) y1y=u(x)v(x)1y=v(x)lnu(x)+u(x)v(x)u(x)
y ′ ( x ) = u ( x ) v ( x ) ( v ′ ( x ) ln ⁡ u ( x ) + v ( x ) u ′ ( x ) u ( x ) ) y'(x)=u(x)^{v(x)}(v'(x)\ln u(x)+\frac{v(x)u'(x)}{u(x)}) y(x)=u(x)v(x)(v(x)lnu(x)+u(x)v(x)u(x))
【例】 y = ( sin ⁡ x ) cos ⁡ x y=(\sin x)^{\cos x} y=(sinx)cosx,求 y ′ y' y
【解】 ln ⁡ y = cos ⁡ x ln ⁡ ( sin ⁡ x ) \ln y=\cos x\ln(\sin x) lny=cosxln(sinx)
y ′ y = − sin ⁡ x ln ⁡ ( sin ⁡ x ) + cos ⁡ x 1 sin ⁡ x ⋅ cos ⁡ x \frac{y'}{y}=-\sin x\ln(\sin x)+\cos x\frac{1}{\sin x}\cdot \cos x yy=sinxln(sinx)+cosxsinx1cosx
y ′ = ( sin ⁡ x ) cos ⁡ x ( cos ⁡ 2 x sin ⁡ x − sin ⁡ x ln ⁡ ( sin ⁡ x ) ) y'=(\sin x)^{\cos x}(\frac{\cos ^2 x}{\sin x}-\sin x\ln(\sin x)) y=(sinx)cosx(sinxcos2xsinxln(sinx))

4.4.3 导数运算法则和微分运算法则


表要记住

4.4.4 一阶微分形式不变性

只有一阶微分有形式不变性

  • y = f ( u ) , y ′ ( u ) = f ′ ( u ) , d y = f ′ ( u ) d u , u y=f(u),y'(u)=f'(u),dy=f'(u)du,u y=f(u),y(u)=f(u),dy=f(u)du,u是自变量;
  • y = f ( u ) , u = g ( x ) , y = f ( g ( x ) ) , y ′ ( x ) = f ′ ( u ) g ′ ( x ) = f ′ ( g ( x ) ) g ′ ( x ) , d y = f ′ ( g ( x ) ) g ′ ( x ) d x = f ′ ( g ( x ) ) d g ( x ) = f ′ ( u ) d u , u y=f(u),u=g(x),y=f(g(x)),y'(x)=f'(u)g'(x)=f'(g(x))g'(x),dy = f'(g(x))g'(x)dx=f'(g(x))dg(x)=f'(u)du,u y=f(u),u=g(x),y=f(g(x)),y(x)=f(u)g(x)=f(g(x))g(x),dy=f(g(x))g(x)dx=f(g(x))dg(x)=f(u)du,u是中间变量;

不管 u u u是自变量还是中间变量,都有一个式子成立即 d y = f ′ ( u ) d u dy=f'(u)du dy=f(u)du,这就叫做一阶微分的形式不变性

4.4.5 隐函数得求导与求微分

隐函数的表达式: F ( x , y ) = 0 F(x,y)=0 F(x,y)=0
【例】 x 2 a 2 + y 2 b 2 = 1 \frac{x^2}{a^2}+\frac{y^2}{b^2}=1 a2x2+b2y2=1,限定 y > 0 y>0 y>0就是上半椭圆, y < 0 y<0 y<0就是下半椭圆,求微分。
d ( x 2 a 2 + y 2 b 2 ) = 0 d(\frac{x^2}{a^2}+\frac{y^2}{b^2})=0 d(a2x2+b2y2)=0
1 a 2 2 x d x + 1 b 2 2 y d y = 0 \frac{1}{a^2}2xdx+\frac{1}{b^2}2ydy=0 a212xdx+b212ydy=0
亦即 d y = − b 2 a 2 ⋅ x y d x dy=-\frac{b^2}{a^2}\cdot\frac{x}{y}dx dy=a2b2yxdx
所以 d y d x = − b 2 a 2 ⋅ x y \frac{dy}{dx}=-\frac{b^2}{a^2}\cdot\frac{x}{y} dxdy=a2b2yx
【例4.4.5】 e x y + x 2 y − 1 = 0 e^{xy}+x^2y-1=0 exy+x2y1=0,求 y ′ . y'. y.
【解】它的显函数写不出来,用隐函数求导法则
左右两边对 x x x求导
d d x ( e x y + x 2 y − 1 ) = 0 \frac{d}{dx}(e^{xy}+x^2y-1)=0 dxd(exy+x2y1)=0
e x y ( y + x y ′ ) + 2 x y + x 2 y ′ = 0 e^{xy}(y+xy')+2xy+x^2y'=0 exy(y+xy)+2xy+x2y=0
y ′ ( x ) = − 2 x y + y e x y x e x y + x 2 = − ( e x y + 2 x ) y ( e x y + x ) x y'(x)=-\frac{2xy+ye^{xy}}{xe^{xy}+x^2}=-\frac{\left(\mathrm{e}^{x y}+2 x\right) y}{\left(\mathrm{e}^{x y}+x\right) x} y(x)=xexy+x22xy+yexy=(exy+x)x(exy+2x)y


【例4.4.6】 sin ⁡ y 2 = cos ⁡ x \sin y^2=\cos \sqrt{x} siny2=cosx ,求 y ′ y' y
【解】等式两边同时求微分得
2 y cos ⁡ y 2 d y = − sin ⁡ x ⋅ 1 2 x d x 2y\cos y^2 dy=-\sin\sqrt{x}\cdot\frac{1}{2\sqrt{x}}dx 2ycosy2dy=sinx 2x 1dx
由一阶微分的形式不变性
y ′ = d y d x = − sin ⁡ x 4 y ( cos ⁡ y 2 ) x y' =\frac{dy}{dx}=-\frac{\sin\sqrt{x}}{4y(\cos y^2) \sqrt{x}} y=dxdy=4y(cosy2)x sinx


【例4.4.7】 e x + y − x y − e = 0 e^{x+y}-xy-e=0 ex+yxye=0几何上表示平面上一条曲线, ( 0 , 1 ) (0,1) (0,1)在曲线上,求过 ( 0 , 1 ) (0,1) (0,1)的切线方程。
【解】等式两边求导得 e x + y ( 1 + y ′ ) − y − x y ′ = 0 e^{x+y}(1+y')-y-xy'=0 ex+y(1+y)yxy=0
y ′ ( x ) = y − e x + y e x + y − x y'(x)=\frac{y-e^{x+y}}{e^{x+y}-x} y(x)=ex+yxyex+y
( 0 , 1 ) (0,1) (0,1)代入 y ′ ( x ) y'(x) y(x),则 y ′ ( 0 ) = 1 − e 1 e 1 − 0 = 1 − e e y'(0)=\frac{1-e^{1}}{e^{1}-0}=\frac{1-e}{e} y(0)=e101e1=e1e
则切线方程为 y − 1 = 1 − e e x y-1=\frac{1-e}{e}x y1=e1ex

4.4.6 归纳

(1) y = 1 g ( x ) , y ′ = − g ′ ( x ) g 2 ( x ) y=\frac{1}{g(x)},y'=-\frac{g'(x)}{g^2(x)} y=g(x)1,y=g2(x)g(x),也可以看成 y = 1 u , u = g ( x ) , y ′ = − 1 u 2 g ′ ( x ) = − g ′ ( x ) g 2 ( x ) y=\frac{1}{u},u=g(x),y'=-\frac{1}{u^2}g'(x)=-\frac{g'(x)}{g^2(x)} y=u1,u=g(x),y=u21g(x)=g2(x)g(x)
(2) y = f ( x ) , x = f − 1 ( y ) , f − 1 ( f ( x ) ) = x y=f(x),x=f^{-1}(y),f^{-1}(f(x))=x y=f(x),x=f1(y),f1(f(x))=x
等式 f − 1 ( f ( x ) ) = x f^{-1}(f(x))=x f1(f(x))=x两边对 x x x求导得 1 = ( f − 1 ( y ) ) ′ f ′ ( x ) 1=(f^{-1}(y))'f'(x) 1=(f1(y))f(x),所以 f − 1 ( y ) ) ′ = 1 f ′ ( x ) f^{-1}(y))'=\frac{1}{f'(x)} f1(y))=f(x)1

4.4.7 函数的参数表示(参数方程)求导

{ x = φ ( t ) , y = ψ ( t ) , α ⩽ t ⩽ β \left\{\begin{array}{l} x=\varphi(t), \\ y=\psi(t), \end{array} \quad \alpha \leqslant t \leqslant \beta\right. {x=φ(t),y=ψ(t),αtβ φ , ψ \varphi,\psi φ,ψ都可导, φ \varphi φ严格单调且 φ ′ ( t ) ≠ 0 \varphi'(t)\ne 0 φ(t)=0
由反函数的可导定理, t = φ − 1 ( x ) , y = ψ ( φ − 1 ( x ) ) t=\varphi^{-1}(x),y=\psi(\varphi^{-1}(x)) t=φ1(x),y=ψ(φ1(x))
d y d x = ψ ′ ( φ − 1 ( x ) ) ( φ − 1 ( x ) ) ′ = ψ ′ ( φ − 1 ( x ) ) φ ′ ( t ) = ψ ′ ( t ) φ ′ ( t ) \frac{dy}{dx}=\psi'(\varphi^{-1}(x))(\varphi^{-1}(x))'=\frac{\psi'(\varphi^{-1}(x))}{\varphi'(t)}=\frac{\psi'(t)}{\varphi'(t)} dxdy=ψ(φ1(x))(φ1(x))=φ(t)ψ(φ1(x))=φ(t)ψ(t)
实际上也可以从微分公式(一阶微分形式的不变性)出发推出来
{ d x = φ ′ ( t ) d t , d y = ψ ′ ( t ) d t , \left\{\begin{array}{l} dx=\varphi'(t)dt, \\ dy=\psi'(t)dt, \end{array} \right. {dx=φ(t)dt,dy=ψ(t)dt,,即 d y d x = ψ ′ ( t ) φ ′ ( t ) \frac{dy}{dx}=\frac{\psi'(t)}{\varphi'(t)} dxdy=φ(t)ψ(t)
【例】【旋轮线(摆线)】 { x = t − sin ⁡ t , y = 1 − cos ⁡ t , 0 ⩽ t ⩽ π \left\{\begin{array}{l} x=t-\sin t, \\ y=1-\cos t, \end{array} \quad 0 \leqslant t \leqslant \pi\right. {x=tsint,y=1cost,0tπ,求 d y d x \frac{dy}{dx} dxdy
【解】 d y d x = sin ⁡ t 1 − cos ⁡ t \frac{dy}{dx}=\frac{\sin t}{1-\cos t} dxdy=1costsint

相关文章:

【数学分析笔记】第4章第4节 复合函数求导法则及其应用(2)

4. 微分 4.4 复合函数求导法则及其应用 【例4.4.3】 y e 1 cos ⁡ x ye^{\sqrt{1\cos x}} ye1cosx ​&#xff0c;求 y ′ y y′ 【解】 y ′ e 1 cos ⁡ x ⋅ 1 2 1 cos ⁡ x ⋅ ( − sin ⁡ x ) − sin ⁡ x 2 1 cos ⁡ x e 1 cos ⁡ x ye^{\sqrt{1\cos x}}\cdot\f…...

【预备理论知识——2】深度学习:线性代数概述

简单地说&#xff0c;机器学习就是做出预测。 线性代数 线性代数是数学的一个分支&#xff0c;主要研究向量空间、线性方程组、矩阵理论、线性变换、特征值和特征向量、内积空间等概念。它是现代数学的基础之一&#xff0c;并且在物理学、工程学、计算机科学、经济学等领域有着…...

【目标检测】yolo的三种数据集格式

目标检测中数据集格式之间的相互转换--coco、voc、yolohttps://zhuanlan.zhihu.com/p/461488682?utm_mediumsocial&utm_psn1825483604463071232&utm_sourcewechat_session【目标检测】yolo的三种数据集格式https://zhuanlan.zhihu.com/p/525950939?utm_mediumsocial&…...

数据分析案例-机器学习工程师薪资数据可视化分析

&#x1f935;‍♂️ 个人主页&#xff1a;艾派森的个人主页 ✍&#x1f3fb;作者简介&#xff1a;Python学习者 &#x1f40b; 希望大家多多支持&#xff0c;我们一起进步&#xff01;&#x1f604; 如果文章对你有帮助的话&#xff0c; 欢迎评论 &#x1f4ac;点赞&#x1f4…...

Django连接Dify、ChatGPT4o并计算tokens数量方法

通过Dify可以连接很多模型国内、国外的都可以进行选择可以到Dify里创建一个空白应用&#xff0c;然后点击进入就可以看到API了api_url "http://192.168.15.131/v1/chat-messages" api_key "app-UtzTpVNwpTLUcGvRNnnK9QNY" headers {"Authorization…...

面试系列-淘天提前批面试

00-淘天提前批面试 在牛客上看到了淘天提前批的面试题目&#xff0c;这里分析一下淘天面试的问了有哪些内容&#xff0c;面试的重点 是偏向哪些方面 项目相关 1、秒杀架构如何设计&#xff1f; 问了秒杀的架构如何设计&#xff0c;对于秒杀的设计&#xff0c;秒杀符合 写多读少…...

计算机中科学中有哪些空间换时间的操作??

计算机中科学中有哪些空间换时间的操作&#xff1f;&#xff1f; 1. SPOOLing (Simultaneous Peripheral Operations On-Line) 原理&#xff1a;SPOOLing 是一种将输入/输出操作缓存到磁盘或内存中的技术&#xff0c;从而在后台处理它们。这可以防止 CPU 等待慢速的外部设备&…...

Mac安装Manim并运行

1.在macOS上创建Python虚拟环境&#xff0c;可以使用venv模块&#xff0c;这是Python自带的库&#xff0c;也可以使用conda。以下是使用venv创建和使用Python虚拟环境的步骤&#xff1a; 打开终端。 创建一个新的目录来存放你的项目&#xff0c;并进入该目录&#xff1a; mk…...

leetcode58:最后一个单词的长度

给你一个字符串 s&#xff0c;由若干单词组成&#xff0c;单词前后用一些空格字符隔开。返回字符串中 最后一个 单词的长度。 单词 是指仅由字母组成、不包含任何空格字符的最大 子字符串 。 示例 1&#xff1a; 输入&#xff1a;s "Hello World" 输出&#xff…...

18448 最小生成树

### 思路 使用Kruskal算法求解图的最小生成树。Kruskal算法通过对所有边按权值排序&#xff0c;然后逐步选择最小权值的边&#xff0c;确保不会形成环&#xff0c;直到构建出最小生成树。 ### 伪代码 1. 读取输入的结点数n和边数m。 2. 读取每条边的信息&#xff0c;存储在边列…...

前端工程化 - Vue

环境准备 Vue-cli是Vue官方提供的一个脚手架&#xff0c;用户快速生成一个Vue的项目模板。 Vue-cli提供了如下功能&#xff1a; 统一的目录结构本地调试热部署单元测试集成打包上线 需要安装Node.js 安装Vue-cli npm install -g vue/cli通过vue --version指令查看是否安装成…...

使用 NVIDIA H100 上的 Azure 机密计算释放隐私保护 AI 的潜力

通过 NVIDIA H100 上的 Azure 机密计算释放隐私保护 AI 的潜力 文章目录 前言一、机密计算二、使用 NVIDIA H100 Tensor Core GPU 的 Azure 机密计算1. 安全功能2. 可扩展性和可编程性三、场景1. 模型机密性2. 推理/提示机密性3. 使用私有数据进行微调4. 多方培训结论前言 这是…...

目标检测与图像分类:有什么区别?各自的使用场景是什么?

《博主简介》 小伙伴们好&#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源&#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】&#xff0c;共同学习交流~ &#x1f44d;感谢小伙伴们点赞、关注&#xff01; 《------往期经典推…...

Lua 数据类型

Lua 数据类型 Lua 是一种轻量级的编程语言&#xff0c;因其简单性和灵活性而广受欢迎。在 Lua 中&#xff0c;数据类型是编程的基础&#xff0c;它们决定了变量能够存储哪种类型的数据。Lua 的数据类型可以分为以下几个类别&#xff1a; 1. nil nil 是 Lua 中的一个特殊类型…...

复现文章:R语言复现文章画图

文章目录 介绍数据和代码图1图2图6附图2附图3附图4附图5附图6 介绍 文章提供画图代码和数据&#xff0c;本文记录 数据和代码 数据可从以下链接下载&#xff08;画图所需要的所有数据&#xff09;&#xff1a; 百度云盘链接: https://pan.baidu.com/s/1peU1f8_TG2kUKXftkpYq…...

东方仙盟——软件终端架构思维———未来之窗行业应用跨平台架构

一、创生.前世今生 在当今的数字化时代&#xff0c;我们的服务覆盖全球&#xff0c;拥有数亿客户。然而&#xff0c;这庞大的用户规模也带来了巨大的挑战。安全问题至关重要&#xff0c;任何一处的漏洞都可能引发严重的数据泄露危机。网络带宽时刻面临考验&#xff0c;稍有不足…...

支持向量机(SVM)基础教程

一、引言 支持向量机&#xff08;Support Vector Machine&#xff0c;简称SVM&#xff09;是一种高效的监督学习算法&#xff0c;广泛应用 于分类和回归分析。SVM以其强大的泛化能力、简洁的数学形式和优秀的分类效果而备受机器学 习领域的青睐。 二、SVM基本原理 2.1 最大间…...

Python小示例——质地不均匀的硬币概率统计

在概率论和统计学中&#xff0c;随机事件的行为可以通过大量实验来研究。在日常生活中&#xff0c;我们经常用硬币进行抽样&#xff0c;比如抛硬币来决定某个结果。然而&#xff0c;当我们处理的是“质地不均匀”的硬币时&#xff0c;事情就变得复杂了。质地不均匀的硬币意味着…...

京东web 京东e卡绑定 第二部分分析

声明 本文章中所有内容仅供学习交流使用&#xff0c;不用于其他任何目的&#xff0c;抓包内容、敏感网址、数据接口等均已做脱敏处理&#xff0c;严禁用于商业用途和非法用途&#xff0c;否则由此产生的一切后果均与作者无关&#xff01; 有相关问题请第一时间头像私信联系我删…...

【数据结构与算法】Greedy Algorithm

1) 贪心例子 称之为贪心算法或贪婪算法&#xff0c;核心思想是 将寻找最优解的问题分为若干个步骤每一步骤都采用贪心原则&#xff0c;选取当前最优解因为没有考虑所有可能&#xff0c;局部最优的堆叠不一定让最终解最优 贪心算法是一种在每一步选择中都采取在当前状态下最好…...

QMC5883L的驱动

简介 本篇文章的代码已经上传到了github上面&#xff0c;开源代码 作为一个电子罗盘模块&#xff0c;我们可以通过I2C从中获取偏航角yaw&#xff0c;相对于六轴陀螺仪的yaw&#xff0c;qmc5883l几乎不会零飘并且成本较低。 参考资料 QMC5883L磁场传感器驱动 QMC5883L磁力计…...

聊聊 Pulsar:Producer 源码解析

一、前言 Apache Pulsar 是一个企业级的开源分布式消息传递平台&#xff0c;以其高性能、可扩展性和存储计算分离架构在消息队列和流处理领域独树一帜。在 Pulsar 的核心架构中&#xff0c;Producer&#xff08;生产者&#xff09; 是连接客户端应用与消息队列的第一步。生产者…...

【ROS】Nav2源码之nav2_behavior_tree-行为树节点列表

1、行为树节点分类 在 Nav2(Navigation2)的行为树框架中,行为树节点插件按照功能分为 Action(动作节点)、Condition(条件节点)、Control(控制节点) 和 Decorator(装饰节点) 四类。 1.1 动作节点 Action 执行具体的机器人操作或任务,直接与硬件、传感器或外部系统…...

Cinnamon修改面板小工具图标

Cinnamon开始菜单-CSDN博客 设置模块都是做好的&#xff0c;比GNOME简单得多&#xff01; 在 applet.js 里增加 const Settings imports.ui.settings;this.settings new Settings.AppletSettings(this, HTYMenusonichy, instance_id); this.settings.bind(menu-icon, menu…...

数据链路层的主要功能是什么

数据链路层&#xff08;OSI模型第2层&#xff09;的核心功能是在相邻网络节点&#xff08;如交换机、主机&#xff09;间提供可靠的数据帧传输服务&#xff0c;主要职责包括&#xff1a; &#x1f511; 核心功能详解&#xff1a; 帧封装与解封装 封装&#xff1a; 将网络层下发…...

ardupilot 开发环境eclipse 中import 缺少C++

目录 文章目录 目录摘要1.修复过程摘要 本节主要解决ardupilot 开发环境eclipse 中import 缺少C++,无法导入ardupilot代码,会引起查看不方便的问题。如下图所示 1.修复过程 0.安装ubuntu 软件中自带的eclipse 1.打开eclipse—Help—install new software 2.在 Work with中…...

零基础设计模式——行为型模式 - 责任链模式

第四部分&#xff1a;行为型模式 - 责任链模式 (Chain of Responsibility Pattern) 欢迎来到行为型模式的学习&#xff01;行为型模式关注对象之间的职责分配、算法封装和对象间的交互。我们将学习的第一个行为型模式是责任链模式。 核心思想&#xff1a;使多个对象都有机会处…...

深入浅出深度学习基础:从感知机到全连接神经网络的核心原理与应用

文章目录 前言一、感知机 (Perceptron)1.1 基础介绍1.1.1 感知机是什么&#xff1f;1.1.2 感知机的工作原理 1.2 感知机的简单应用&#xff1a;基本逻辑门1.2.1 逻辑与 (Logic AND)1.2.2 逻辑或 (Logic OR)1.2.3 逻辑与非 (Logic NAND) 1.3 感知机的实现1.3.1 简单实现 (基于阈…...

【Linux】自动化构建-Make/Makefile

前言 上文我们讲到了Linux中的编译器gcc/g 【Linux】编译器gcc/g及其库的详细介绍-CSDN博客 本来我们将一个对于编译来说很重要的工具&#xff1a;make/makfile 1.背景 在一个工程中源文件不计其数&#xff0c;其按类型、功能、模块分别放在若干个目录中&#xff0c;mak…...

第一篇:Liunx环境下搭建PaddlePaddle 3.0基础环境(Liunx Centos8.5安装Python3.10+pip3.10)

第一篇&#xff1a;Liunx环境下搭建PaddlePaddle 3.0基础环境&#xff08;Liunx Centos8.5安装Python3.10pip3.10&#xff09; 一&#xff1a;前言二&#xff1a;安装编译依赖二&#xff1a;安装Python3.10三&#xff1a;安装PIP3.10四&#xff1a;安装Paddlepaddle基础框架4.1…...