迷之记号 dx 到底是什么鬼

本文深入探讨了微积分中dx的不同含义及其在实际应用中的混淆之处,解释了dx在不同情境下的具体意义,并揭示了其背后的数学原理。

d, d, d, d, 一本高数,整天 \(\mathrm{d}\) 来 \(\mathrm{d}\) 去。

可是这个 \(\mathrm{d}x\) 到底是什么意思?你可能会说:这还不简单,不就是 \(x\) 的微分嘛?

好好好,听你的,\(\mathrm{d}x\) 是 \(x\) 的微分。既然是这样,那么 \(\mathrm{d}x\) 必有以下性质:

(1) 一般情况下,它不是零,可以作分母

(2) 同样的 \(\mathrm{d}x\) 可以约掉

这显然是对的吧? \(^_^)/

……

然而这就引发了一些迷之问题。

比如说有这么一道题:

\( \left\{\begin{matrix}
x = t^2
\\
y = t^4
\end{matrix}\right. \)

\( \frac{\mathrm{d^2}y}{\mathrm{d}x^2} \) (即 \(y''\))

当然,此题 so easy, 一眼就能看出 \(y=x^2\), 所以 \(y'=2x\), \(y''=2\), 最后跟 \(t\) 也没什么关系。

结果就是一个常数 \(2\).

但是,请看下面的推导过程:

首先,由定义知:

\( \frac{\mathrm{d^2}y}{\mathrm{d}x^2}=\frac{\mathrm{d^2}y}{(\mathrm{d}x)^2} \)

然后,分子分母同除以 \((\mathrm{d}t)^2\), 得:

\( \frac{\mathrm{d^2}y}{\mathrm{d}x^2}=\frac{\frac{\mathrm{d^2}y}{(\mathrm{d}t)^2}}{\frac{(\mathrm{d}x)^2}{(\mathrm{d}t)^2}} \)

\( = \frac{\frac{\mathrm{d^2}y}{\mathrm{d}t^2}}{(\frac{\mathrm{d}x}{\mathrm{d}t})^2} \)

\( = \frac{y_t''}{(x_t')^2} \)

\( = \frac{(4t^3)'}{(2t)^2} \)

\( = \frac{12t^2}{4t^2} \)

\( = 3 \)

这又说明结果是 \(3\). 这个推导过程看起来毫无毛病。难道 \(2=3\)? 这岂不是胡扯?问题出在哪?

还有更诡异的事情,就是链式法则和换元积分法的证明。

\( \frac{\mathrm{d}y}{\mathrm{d}x}=\frac{\mathrm{d}y}{\mathrm{d}t}\cdot\frac{\mathrm{d}t}{\mathrm{d}x} \)

上面这个式子,证明写了一坨。可是既然微分不是零,也不是什么特殊的东西,那么为什么不能把分子分母两个 \(\mathrm{d}t\) 直接 消 掉 呢?

还有:

\( \int f(u)\mathrm{d}u = \int f(g(x))g'(x)\mathrm{d}x \), 其中 \(u = g(x)\).

这一条式子证明也写了一坨。可是既然 \( \mathrm{d}u=g'(x)\mathrm{d}x \) 为什么不直接 代 入 ,一步得证呢?

怪,怪,怪!

到 底 是 怎 么 了 ?


我想编课本的人心里肯定清楚是怎么了。  

可是就是太懒了,不愿意解释。

问题的关键就在于,有的 \(\mathrm{d}x\) 根本就不是微分。(假的!)

所以看起来相等的东西,其实并不一定相等。

追本溯源,\(y=f(x)\) 对 \(x\) 的微分的定义如下:

\( \mathrm{d}y = f'(x)\Delta x \)

两边同除 \(\Delta x\), 有:

\( \frac{\mathrm{d}y}{\Delta x} = f'(x) \)

问题就这样出现了:左边式子上面是 \(\mathrm{d}x\), 下面又变成了 \(\Delta x\), 太不对称太不美观了。

所以既然 \( g(x)=x \) 的微分 \( \mathrm{d}(x) \) 就等于 \( \Delta x \), 那么干脆就直接把下面的 \( \Delta x \) 写成 \( \mathrm{d}x \) 好了:

\( \frac{\mathrm{d}y}{\mathrm{d}x} = f'(x) \)

这样一看就漂亮多了。

是啊,漂亮多了。

啊,漂亮多了。

,漂亮多了。

漂亮多了。

亮多了。

多了。

了。

等等!可是这样一来,同样写成 \(\mathrm{d}x\) 的东西,意思就可能不一样了!一个 \(\mathrm{d}x\) 到底是什么意思,就只能靠上下文来判断了!一不小心就出错了!还让人以为链式法则和换元积分是显然的!太可怕了!

回头看看刚才是怎么出错的。

为了区分不同的 \(\mathrm{d}x\), 就得先改变一下记号。

下文中都按以下规则进行区分:

- 自变量的改变 \(\Delta x\) 记作 \(\mathrm{d}_*x\)

- 函数 \(x=f(t)\) 对 \(t\) 的微分记作 \(\mathrm{d}_t x\)

- 对函数表达式的微分要加括号,如 \(\mathrm{d}_x (2x+1) = 2\cdot\mathrm{d}_*x\), 还有 \(\mathrm{d}_x (x) = 1\cdot\mathrm{d}_*x\)

还是那道求二阶导的题,从头开始重复那个错误的推导过程(看不清下标的话放大一下网页)

\( \frac{\mathrm{d^2}_x y}{\mathrm{d}_* x^2} \)

上下同除 \( (\mathrm{d}_* t)^2 \)

\( = \left ( \frac{\mathrm{d^2}_x y}{(\mathrm{d}_* t)^2} \right ) / \left ( {\frac{(\mathrm{d}_* x)^2}{(\mathrm{d}_* t)^2}} \right ) \)  

\( = \left ( \frac{\mathrm{d^2}_x y}{\mathrm{d}_* t^2} \right ) /  \left ({\frac{\mathrm{d}_* x}{\mathrm{d}_* t}} \right ) ^2 \)

左边(上边)不等于 \(y_t''\), 而 \( \frac{\mathrm{d^2}_t y}{\mathrm{d}_* t^2} \) 才等于;右边(下边)也不等于 \((x_t')^2\), 而 \( \left ({\frac{\mathrm{d}_t x}{\mathrm{d}_* t}} \right ) ^2 \) 才等于。所以原来那个看似合理的推导根本就是胡扯。

还有链式法则,区分一下 \(\mathrm{d}t\) 的话是很容易知道不能通过约分证明的:

 \( \frac{\mathrm{d}_x y}{\mathrm{d}_* x}=\frac{\mathrm{d}_t y}{\mathrm{d}_* t}\cdot\frac{\mathrm{d}_x t}{\mathrm{d}_* x} \)

两边同乘 \( \mathrm{d}_* x \), 可得等价形式:

\( \mathrm{d}_x y=\frac{\mathrm{d}_t y}{\mathrm{d}_* t}\cdot\mathrm{d}_x t \)

这即是所谓「一阶微分的形式不变性」。

再有就是换元积分:

\( \int f(u)\mathrm{d}_* u = \int f(g(x))g'(x)\mathrm{d}_* x \), 其中 \(u = g(x)\).

或者说

\( \int f(u)\mathrm{d}_* u |_{u=g(x)} = \int f(u)\mathrm{d}_x u \), 其中 \(u = g(x)\).

其中 \(\mathrm{d}_* u\) 和 \(\mathrm{d}_x u\) 当然不是一个东西,所以两边并不是显然相等。

左边的积分变量是 \(u\), 是对 \(u\) 的函数 \(f(u)\) 积分,得到 \(u\) 的函数,然后代入 \(u=g(x)\), 得到 \(x\) 的函数;

右边的积分变量是 \(x\), 是对 \(x\) 的函数 \(f(u)u_x'\) 即 \(f(g(x))g'(x)\) 积分,得到 \(x\) 的函数。

所以是因为两边对 \(x\) 求导相等,即 \( \frac{\mathrm{d}}{\mathrm{d}x} 左边 = \frac{\mathrm{d}}{\mathrm{d}u}左边\cdot \frac{\mathrm{d}}{\mathrm{d}x} u = f(u)u_x'   = f(g(x))g'(x) = \frac{\mathrm{d}}{\mathrm{d}x} 右边 \), 也就是链式法则成立,才能说两边相等的(实际上只能说是差一个常数,但是差一个常数就可以说两个不定积分相等了)。


总结一下:

一篇《孔乙己》,让我们知道了「茴」字一种意思四种写法

然而令人啧啧称奇的是,恰恰相反,数学符号「 \(\mathrm{d}x\) 」,一种写法却有四种意思

(1) \(\mathrm{d}_* x\): 自变量的微小变化 \(\Delta x\)

(2) \(\mathrm{d}_t x\): 函数 \(x\) 对某个自变量(例如 \(t\))的微分

(3) \(\mathrm{d}_x (x)\): 函数 \(f(x) = x\) 的微分

(4) 导数算符 \(\frac{\mathrm{d}}{\mathrm{d}x}\) 的一部分

其中 (3) 和 (1) 是相等的,但是虽然相等,意义却是完全不同的。(4) 和 (1) 可以看作是统一的,但是算符终究只是个算符。(某些教材)在定义微分之前,就把 \( \frac{\mathrm{d}}{\mathrm{d}x}y \) 写成 \( \frac{\mathrm{d}y}{\mathrm{d}x} \), 个人认为这是一种事后诸葛,并不是很妥当。

要说为什么会变成这样,只有一个解释,那就是「懒」。毕竟多数情况下,心里清楚就不会搞混。这跟把 \((\sin{x})^2\) 写成 \(\sin^2{x}\) 如出一辙。

最后不得不吐嘈,现在微积分的教学几乎是把数学教成算数。个人认为,会算导数,会算不定积分,并没有什么卵用,因为电脑既比人算得快,又比人算的准。人只有懂得数学的知识体系和思想方法,才能比电脑牛B. 一个符号的含义只能通过上下文来区分,这么重要的事情,(某些教材和老师)竟然不加以说明,后果就是学生们整天 d d d d d, 到头来却搞不明白 d 到底是什么东西,只是在按运算法则运算而已。

转载于:https://www.cnblogs.com/li-hua/p/6617366.html

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
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