{ "cells": [ { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "aFQw4P-xNpXp" }, "source": [ "# Производная функции одной переменной" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "-n7rOih9NpXu" }, "source": [ "Для начала мы будем рассматривать производные функций одной переменной, потом обобщим это понятие на функции многих переменных." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "LSW3dwznNpXw" }, "source": [ "## Смысл производной" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "cG6XZXG_NpXz" }, "source": [ "Для начала рассмотрим нам уже знакомую с прошлого ноутбука функцию
\n", "$F(x) = x^4 + 5x^3 - 10x$ на интервале $x \\in[-5, 2]$:" ] }, { "cell_type": "code", "execution_count": 0, "metadata": { "colab": {}, "colab_type": "code", "id": "z8t7qeiNNpX1" }, "outputs": [], "source": [ "import numpy as np\n", "import matplotlib.pyplot as plt" ] }, { "cell_type": "code", "execution_count": 0, "metadata": { "colab": {}, "colab_type": "code", "id": "JEpj06NjNpX9", "outputId": "1040a0ba-7e16-4870-fc45-22bc67bd768b" }, "outputs": [ { "data": { "text/plain": [ "" ] }, "execution_count": 6, "metadata": { "tags": [] }, "output_type": "execute_result" }, { "data": { "image/png": "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\n", "text/plain": [ "
" ] }, "metadata": { "needs_background": "light", "tags": [] }, "output_type": "display_data" } ], "source": [ "def F(x):\n", " return x**4 + 5*x**3 - 10*x\n", "\n", "x = np.linspace(-5, 2, 100)\n", "y = list(map(F, x))\n", "\n", "plt.plot(x, y)\n", "plt.ylabel(\"Y\")\n", "plt.xlabel(\"X\")\n", "plt.scatter([-3.5518, -0.9439, 0.7457], [F(-3.5518), F(-0.9439), F(0.7457)])" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "o9d8PFfwNpYK" }, "source": [ "Как мы помним, эта функция имеет два локальных минимума в точках $x \\sim -3.5518$ и $x \\sim 0.7457$, один локальный максимум в точке $x \\sim -0.9439$, а также она убывает на отрезках $[-5, -3.5518]$ и $[-0.9439, 0.7457]$ и возрастает на отрезках $[-3.5518, -0.9439]$ и $[0.7457, 2]$." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "8QUoZHdCNpYL" }, "source": [ "Посмотрим на график в местах, где функция убывает. Это отрезки $[-5, -3.5518]$ и $[-0.9439, 0.7457]$. Заметим, что на этих двух отрезках функция убывает с разной скоростью. На отрезке $[-5, -3.5518]$ она убывает быстрее (\"склон\" функции более крутой, при изменении координаты $x$ на 1 значение функции $y$ меняется быстро), а на отрезке $[-0.9439, 0.7457]$ функция убывает медленнее (при изменении координаты $x$ на 1 значение функции $y$ меняется на меньше число, чем на предыдущем отрезке)\n", "\n", "Давайте научимся измерять скорость убывания/возрастания функции и введем строгие определения." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "q1W6ANfnNpYN" }, "source": [ "\"2020-01-28-01-00-23\"" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "dpwiK2cbNpYO" }, "source": [ "Рассмотрим точки $(x_1, y_1) = (-5, 50)$ и $(x_2, y_2) \\sim (-0.8, -5)$ графика функции (см. рисунок). Отступим от них по координате $x$ на одинаковый шаг $\\Delta x > 0$, попадем на другие точки на графике. При этом величины координат $y_1$ и $y_2$ тоже поменяются на некоторые величины $\\Delta y_1$ и $\\Delta y_2$. \n", "\n", "Добавленные величины $\\Delta y_1$ и $\\Delta y_2$ назваются **приращениями функции**, а величина $\\Delta x$ — **приращением аргумента**" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "wMfQe4_wNpYP" }, "source": [ "Заметим, что $\\Delta y_2 < \\Delta y_1$\n", "\n", "Рассмотрим тогда отношения $\\frac{\\Delta y_1}{\\Delta x}$ и $\\frac{\\Delta y_2}{\\Delta x}$. Можно сказать, что эти отношения являются мерилами скорости убывания функции на отрезках $[x_1, x_1 + \\Delta x]$ и $(x_2, x_2 + \\Delta x)$ соответственно.
\n", "Действительно, отношение $\\frac{\\Delta y_1}{\\Delta x}$ показывает, на сколько в среднем меняется значение функции при изменении значения аргумента на 1. \n", "\n", "**Чем больше отношение $\\frac{\\Delta y_1}{\\Delta x}$ по модулю, тем выше скорость убывания/возрастания функции**." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "66o-XoOVNpYQ" }, "source": [ "Можно привести аналогию с горами — рассмотрим график как дорогу, идущую то в гору, то с горы. Отношение $\\frac{\\Delta y_1}{\\Delta x}$, насколько сильно меняется высота дороги на каждый метр пути относительно земли. Насколько быстро растет/падает высота горы." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "h5rUJMgfNpYR" }, "source": [ "Заметим, что в премере выше приращения $\\Delta y_1$ и $\\Delta y_2$ — отрицательные числа (функция убывает). Значит, и отношение $\\frac{\\Delta y_1}{\\Delta x} < 0$. \n", "\n", "В местах, где функция возрастает, отношение $\\frac{\\Delta y_1}{\\Delta x}$ будет положительно." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "NaA-s8rLNpYS" }, "source": [ "**Если отношение $\\frac{\\Delta y_1}{\\Delta x} > 0$, то функция возрастает, если < 0 — убывает**." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "Li5HGJe-NpYW" }, "source": [ "Итак, таким образом, **исследуя приращение функции при изменении аргумента в некоторой точке, можно делать выводы о возрастании/убывании функции и о скорости роста/убывания функции в окрестности этой точки**." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "fMP0UxYrViZk" }, "source": [ "------------------------------" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "WCVAWa_7NpYY" }, "source": [ "Теперь встает логичный вопрос: какую величину $\\Delta x$ лучше всего выбирать, чтобы лучше оценить поведение функции в области у некоторой точки $(x, y)$?\n", "\n", "Давайте рассмотрим пример, где мы выбрали величину $\\Delta x$ больше, чем в предыдущем примере:" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "6s3gIAhPNpYc" }, "source": [ "\"2020-01-28-23-32-16\"" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "Rlk04TJ3NpYd" }, "source": [ "Мы находились в точке $(x_2, y_2) \\sim (0.8, 5)$ и сдвинулись по координате $x$ на величину $\\Delta x' > \\Delta x$, попали в точку $(x_2 + \\Delta x', y_2 + \\Delta y'_2)$. Заметим, что $\\Delta y'_2 > 0$ и отношение $\\frac{\\Delta y'_2}{\\Delta x'} > 0$. По опыту рассуждений выше, это нам говорит о том, что на отрезке $[x_2, x_2 + \\Delta x']$ функция возрастает в среднем на $\\frac{\\Delta y'_2}{\\Delta x'}$ при изменении значения аргумента на 1. \n", "\n", "Но так ли это?" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "8eOOxeh_NpYe" }, "source": [ "На графике мы явно видим, что в точке $(x_2, y_2)$ функция убывает, а затем возрастает и приходит в точку $(x_2 + \\Delta x', y_2 + \\Delta y'_2)$. То есть, наш вывод о том, как ведет себя график в окрестности точки $(x_2, y_2)$ , немного неточен. Отступив от точки $(x_2, y_2)$ на слишком большой шаг $\\Delta x'$, мы \"перешагнули\" через точку локального минимума функции и ошибочно решили, что в окрестности точки $(x_2, y_2)$ функция возрастает." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "eroFcV62NpYf" }, "source": [ "Это как если бы вы стояли на вершине горы, потом спустились с нее, потом поднялись на другую гору такой же высоты и сказали: \"ну, моя итоговая высота изменилась на 0 метров. Значит, вся моя дорога была прямая\"." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "6ZMmGnroNpYg" }, "source": [ "Значит, чтобы делать верные выводы о том, как ведет себя функция в окрестности некоторой точки, нужно брать $\\Delta x$ маленьким. Но насколько маленьким?" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "lYkIEU2nNpYg" }, "source": [ "Ответ такой: бесконечно маленьким. Никакая конечная величина $\\Delta x$ не подойдет. Действительно, для любой величины $\\Delta x$ я могу найти такую функцию, что ее график будет выглядеть так:" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "Dz0go1TJNpYh" }, "source": [ "\"2020-01-29-00-13-31\"" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "xozwB2CBNpYi" }, "source": [ "То есть, мы все равно перескочем через точку локального минимума и не поймем, что функция в точке убывала, а не возрастала. " ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "gvDmTwBgNpYi" }, "source": [ "Ну и, напоследок, даже если на отрезке $[x, x + \\Delta x]$ нет локальных минимумов/максимумов и функция постоянно убывает/возрастает, она может возрастать/убывать с разной скоростью. Например, функция $F(x) = x^4$ на отрезке $[1, 15]$ начинает возрастать быстрее (график становится \"круче\") при приближении к $x = 15$. И делать вывод о скорости роста функции в точке 1 как о средней скорости роста функции на отрезке $[1, 15]$ не совсем корректно." ] }, { "cell_type": "code", "execution_count": 0, "metadata": { "colab": {}, "colab_type": "code", "id": "u1aBnWrZNpYj", "outputId": "570846e9-f131-4b58-ed23-ee1c1b18e756" }, "outputs": [ { "data": { "text/plain": [ "Text(0.5, 0, 'X')" ] }, "execution_count": 9, "metadata": { "tags": [] }, "output_type": "execute_result" }, { "data": { "image/png": "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\n", "text/plain": [ "
" ] }, "metadata": { "needs_background": "light", "tags": [] }, "output_type": "display_data" } ], "source": [ "def F(x):\n", " return x**4\n", "\n", "x = np.linspace(1, 15, 100)\n", "y = list(map(F, x))\n", "\n", "plt.plot(x, y)\n", "plt.ylabel(\"Y\")\n", "plt.xlabel(\"X\")" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "zgRHK49nNpYn" }, "source": [ "**Что же делать?**" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "h5w6pzBmNpYp" }, "source": [ "Здесь нам пригодится понятие предела функции, рассмотренное в ноутбуке про функции. \n", "\n", "Давайте возьмем некоторый $\\Delta x > 0$ и устремим его к нулю. То есть, будем его постепенно уменьшать.
\n", "Другими словами — построим последовательность чисел, начиная с $\\Delta x > 0$, предел которой — 0.\n", "\n", "Например, мы можем взять $\\Delta x = 1$ и последовательность чисел
\n", "$$1, \\frac{1}{2}, \\frac{1}{3}, ... \\frac{1}{n}, ...$$\n", "\n", "Теперь возьмем функцию $F$ и некоторую точку этой функции $(x, y)$. Рассмотрим приращение $x + \\Delta x$ и соответствующее приращение функции $y + \\Delta y = F(x + \\Delta x)$. Будем постепенно уменьшать приращения $\\Delta x$, подставляя вместо $\\Delta x$ члены заданной выше последовательности. Получим последовательность $\\Delta y$:\n", "\n", "$$\\Delta y_1 = F(x + 1) - F(x),$$
\n", "$$\\Delta y_2 = F(x + \\frac{1}{2}) - F(x),$$
\n", "$$\\Delta y_3 = F(x + \\frac{1}{3}) - F(x),$$
\n", "$$...$$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "33WVP4gbNpYq" }, "source": [ "И, соответственно, получим последовательность отношений $\\frac{\\Delta y}{\\Delta x}$:\n", "\n", "$$\\frac{\\Delta y_1}{1} = \\frac{F(x + 1) - F(x)}{1},$$
\n", "$$\\frac{\\Delta y_1}{2} = \\frac{F(x + 2) - F(x)}{2},$$
\n", "$$\\frac{\\Delta y_1}{3} = \\frac{F(x + 3) - F(x)}{3},$$
\n", "$$...$$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "dByMGLFbNpYr" }, "source": [ "Уменьшая $\\Delta x$, мы будем отходить от точки $(x, y)$ все меньше и **отношение $\\frac{\\Delta y}{\\Delta x}$ будет все точнее отражать характер поведения функции $F$ вблизи точки $(x, y)$**\n", "\n", "Нетрудно догадаться, что итоговая величина, которая наиболее точно отразит характер поведения функции $F$ вблизи точки $(x, y)$ есть предел функции $\\frac{\\Delta y}{\\Delta x} = \\frac{F(x + \\Delta x) - F(x)}{\\Delta x}$ при $\\Delta x$ стремящемся к нулю. То есть, мы лучшим образом опишем поведение функции около точки $(x, y)$, когда мы отходим от точки $(x, y)$ на бесконечно малое расстояние.\n", "\n", "Эта величина называется **производной функции F в точке x**\n", "\n", "Записывается это так:" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "hMHhY3fcNpYr" }, "source": [ "$$F'(x) = \\lim_{\\Delta x \\to 0} \\frac{F(x + \\Delta x) - F(x)}{\\Delta x}$$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "rtWxqJq7NpYs" }, "source": [ "(заметим, что последовательность $\\Delta x = 1, \\frac{1}{2}, \\frac{1}{3}, ... \\frac{1}{n}, ...$ никогда не дойдет до 0, поэтому знаменатель в формуле $F'(x)$ всегда определен)" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "_A1yyDtlNpYs" }, "source": [ "Этот предел может существовать, а может не существовать. Если он существует, то функция $F$ называется **дифференцируемой в точке** $(x, y)$.
\n", "Если функция дифференцируема во всех точках, то функция называется просто дифференцируемой." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "LKUi7m88NpYt" }, "source": [ "Итак, давайте подитожим:" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "D8juT7luS_s6" }, "source": [ "## Определение производной" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "evWoubSnY1n9" }, "source": [ "**производная функции F в точке x**\n", "$$F'(x) = \\lim_{\\Delta x \\to 0} \\frac{F(x + \\Delta x) - F(x)}{\\Delta x}$$\n", "\n", "Также говорят \"производня функции $F$ по $x$\"" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "CfpWvjEVTChb" }, "source": [ "**производная функции в точке показывает характер изменения функции в точке**, а именно:\n", "\n", "**Модуль значения производной говорит о скорости убывания/возрастания функции**.
\n", "Если в одной точке производная функции равна 5, а в другой — 3, то в первой точке функция возрастает быстрее, чем во второй.\n", "\n", "**Знак производной показывает характер изменения функции в точке**
\n", "То есть, если производная > 0, это значит, что функция в точке возрастает. если производная < 0, это значит, что функция в точке убывает. А если производная = 0, то в этой точке находится локальный минимум/максимум.\n", "\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "pwfMX1V5tCaB" }, "source": [ "> Пример #1
\n", "Рассмотрим функцию $F(x) = x^2$ и точки $(-10, -100)$, $(2, 4)$ и $(25, 625)$:" ] }, { "cell_type": "code", "execution_count": 0, "metadata": { "colab": { "base_uri": "https://localhost:8080/", "height": 296 }, "colab_type": "code", "id": "DSjkjkQ9ukA-", "outputId": "27c7d3d3-1f3b-4e9f-af14-c5d6ae703770" }, "outputs": [ { "data": { "text/plain": [ "" ] }, "execution_count": 9, "metadata": { "tags": [] }, "output_type": "execute_result" }, { "data": { "image/png": "iVBORw0KGgoAAAANSUhEUgAAAYUAAAEGCAYAAACKB4k+AAAABHNCSVQICAgIfAhkiAAAAAlwSFlz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\nSUVORK5CYII=\n", "text/plain": [ "
" ] }, "metadata": { "tags": [] }, "output_type": "display_data" } ], "source": [ "def F(x):\n", " return x**2\n", "\n", "x = np.linspace(-30, 30, 100)\n", "y = list(map(F, x))\n", "\n", "plt.plot(x, y)\n", "plt.ylabel(\"Y\")\n", "plt.xlabel(\"X\")\n", "plt.scatter([-10, 2, 25], [F(-10), F(2), F(25)])" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "c13BsE_9u7AS" }, "source": [ "> Производная функции $F$ в точке $x=-10$ равна $-20$, в точке $x=2$ равна $4$ , в точке $x=25$ равна $50$ (как вычислять производные, мы научимся позже).
\n", "
\n", "Заметим, что производные в точках $x=2$ и $x=25$ положительны, а в точке $-10$ -- отрицательна. Это говорит о том, что в точках $x=2$ и $x=25$ функция возрастает, а в точке $-10$ — убывает. И это правда так — посмотрите на график.
\n", "Также заметим, что производная в точке $x=25$ по модулю больше, чем производная в точках $x=-10$ и $x=2$. Это значит, что скорость возрастания функции $F$ в точке $x=25$ выше, чем скорость возрастания в точке $x=2$ и скорость убывания в точке $x=-10$. И это тоже действительно так — см. график." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "z2D1UMaVymhO" }, "source": [ "> Пример #2
\n", "Вычислим производную функции $F(x) = -2x - 1$ в точке $x = x_0$ по определению.
\n", "
\n", "$$F'(x_0) = \\lim_{\\Delta x \\to 0} \\frac{F(x_0 + \\Delta x) - F(x_0)}{\\Delta x} = \\lim_{\\Delta x \\to 0} \\frac{-2(x_0 + \\Delta x) - 1 + 2x_0 + 1}{\\Delta x} = \\lim_{\\Delta x \\to 0} \\frac{-2 \\Delta x}{\\Delta x} = \\lim_{\\Delta x \\to 0} -2 = -2$$\n", "
\n", "Заметим, что получившееся значение производной $-2$ не зависит от $x_0$, а значит, производная функции $F(x) = -2x - 1$ во всех точках равна $-2$.
\n", "Также здесь нам не потребовалось вычислять предел, потому что $\\Delta x$ просто сократилось =)" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "fPHl5wbZzmDD" }, "source": [ "> Пример #3
\n", "Вычислим производную функции $F(x) = 2x^2$ в точке $x = x_0$ по определению.
\n", "
\n", "$$F'(x_0) = \\lim_{\\Delta x \\to 0} \\frac{F(x_0 + \\Delta x) - F(x_0)}{\\Delta x} = \\lim_{\\Delta x \\to 0} \\frac{2(x_0 + \\Delta x)^2 - 2x_0^2}{\\Delta x} = \\lim_{\\Delta x \\to 0} \\frac{4x_0 \\Delta x + 2\\Delta x^2}{\\Delta x} =$$\n", "
\n", "$$= \\lim_{\\Delta x \\to 0} (4x_0 + 2 \\Delta x) = \\lim_{\\Delta x \\to 0} 4x_0 + \\lim_{\\Delta x \\to 0} 2 \\Delta x = 4x_0$$\n", "
\n", "(при $\\Delta x \\to 0$ предел выражения $2 \\Delta x$ есть 0, поэтому остается только $4x_0$)
\n", "
\n", "Итак, в точке $x_0$ производная функции $F(x) = 2x^2$ равна $4x_0$\n", "
\n", "
\n", "Подставляя вместо $x_0$ числа, можем получать значения производной в точках. Например,
\n", "$F'(5) = 4*5 = 20$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "uYUUTvrHnPJo" }, "source": [ "**P.S.** Может быть, вы сейчас задаетесь вопросом, зачем нам нужна производная, чтобы определять возрастание/убывание/точки минимума функции, ведь мы можем нарисовать график и увидеть все, не считая никаких производных.
\n", "Подумайте о том, что сейчас мы введем производные функций многих переменных, на графики которых посмотреть не получится -- они не поменяются в трехмерное пространство =) Поэтому исследовать такие функции остается только с помощью производных." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "ZVn2OunErh_8" }, "source": [ "## Производная как функция" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "2wdZE2rErtuW" }, "source": [ "До сих пор мы говорили о производной в конкретной точке $x$ функции $F$. Давайте теперь допустим, что функция $F$ дифференцируема на всей своей области определения, то есть имеет производную во всех точках.\n", "\n", "Тогда можно определить производную функции $F$ как функцию от аргумента $x$:\n", "$F'(x) = \\lim_{\\Delta x \\to 0} \\frac{F(x + \\Delta x) - F(x)}{\\Delta x}$\n", "\n", "То есть, **производная функции есть тоже функция**." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "cZH0QmRFwtWW" }, "source": [ "> Пример #4
\n", "Рассмотрим ту же функцию $F(x) = x^2$. Ее производная есть функция $F'(x) = 2x$ (как вычислять производные, мы научимся позже).
\n", "
\n", "Давайте подставиим точки, рассмотренные в предыдущем примере, в эту функцию:
\n", "$F'(-10) = 2*(-10) = -20$
\n", "$F'(2) = 2*(2) = 4$
\n", "$F'(35) = 2*(25) = 50$
\n", "
\n", "Все сходится =)" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "4-PXT6RA1434" }, "source": [ "> Пример #5
\n", "В премере #2 мы рассмотрели функцию $F(x) = -2x - 1$ и выяснили, что ее производная во всех точках равна $-2$. Это значит, что функция производной есть:\n", "$$F'(x) = -2$$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "HXjgMlht2T8X" }, "source": [ "> Пример #6
\n", "В премере #3 мы рассмотрели функцию $F(x) = 2x^2$ и выяснили, что ее производная в точке $x_0$ точках равна $4x_0$. Так как точка $x_0$ произвольная, это значит, что функция производной есть:\n", "$$F'(x) = 4x$$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "cfbf09-INpYu" }, "source": [ "## Геометрический смысл производной" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "6tc_4Nkw3HIU" }, "source": [ "Рассмотрим функцию $F = x^2$, точку $(x, y) = (x, F(x))$ и зададим приращение аргумента $\\Delta x$. Приращение значения функции составит $\\Delta y = F(x + \\Delta x) - F(x)$. \n", "\n", "Через две точки $(x, y)$ и $(x + \\Delta x, y+ \\Delta y)$ проведем прямую. Она называется **секущей**." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "kc_f1-234zSJ" }, "source": [ "\"giphy\"" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "KcZ00swa5Pf6" }, "source": [ "Заметим, что у нас получился прямоугольный треугольник с катетами $\\Delta y$ и $\\Delta x$. Тогда из геометрии мы получаем, что отношение приращения функции к приращению аргемента $\\frac{\\Delta y}{\\Delta x}$ есть отношение противолежащего катета этого треугольника к прилежашему, то есть, равно тангенсу угла $\\alpha$ между катетом $\\Delta x$ и гипотенузой (тангенсу угла наклона касательной):" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "dgVm9cNB72S9" }, "source": [ "\"2020-01-29-13-53-10\"" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "OGbKihLG40_f" }, "source": [ "Будем теперь, как и раньше, уменьшать значение $\\Delta x$. Точка $(x + \\Delta x, y+ \\Delta y)$ будет двигаться по графику к точке $(x, y)$, а вместе с ней и секущая:" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "8foaTEXoaBIM" }, "source": [ "![alt text](https://media.giphy.com/media/rDaWuLJZxAp6o/giphy.gif)" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "UAqY8CKq5Iw2" }, "source": [ "Заметим, что при приближении точки $(x + \\Delta x, y+ \\Delta y)$ к точке $(x, y)$ касательная все сильнее приближается к положению **касательной** в точке $(x, y)$ и в конце концов совпадет с ней. В итоге мы получаем определение касательной:\n", "\n", "**Касательная к графику функции $F$ в точке $(x, y)$ — это предельное положение секщей в этой точке.**" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "YbTAjoQA9CTb" }, "source": [ "Вспомним теперь про то, что $\\frac{\\Delta y}{\\Delta x}$ есть тангенс угла наклона касательной.
\n", "Так как значение производной в точке $(x, y)$ есть предельное значение выражения $\\frac{\\Delta y}{\\Delta x}$, предельное положение секущей есть касательная в точке $(x, y)$, то получается, что:\n", "\n", "**Производная функции в точке (x, y) численно равна тангенсу угла наклона касательной в это точке**
\n", "(на картинке это угол $\\alpha$)\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "816xKHchAg-f" }, "source": [ "\"2020-01-29-14-13-17\"" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "oWGJNhL7AteH" }, "source": [ "## Пример производной из жизни" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "3XfJLH46AuQG" }, "source": [ "> Пример #7
\n", "Пример из физики:
\n", "все мы помним формулу изменения координаты движущегося тела:\n", "$$F(t) = x_0 + v_{0}t + \\frac{a}{2}t^2$$\n", "где:
\n", "$x_0$ — координата тела в момент начала движения
\n", "$v_0$ — скорость тела в момент начала движения
\n", "$a$ — ускорение тела
\n", "$t$ — момент времени
\n", "
\n", "Здесь важны величины $v$ и $a$. Скорость и ускорение связаны формулой:
\n", "$v(t) = v_0 + at$
\n", "Ускорение — это производная скорости по времени. Это можно понять интуитивно: ускорение — это скорость изменения скорости тела (сравните со \"скоростью изменения координаты графика\")
\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "ARkNTFDcd-Gd" }, "source": [ "> Пример #8
\n", "
\n", "Вообще практически вся физика описывается производными первого и второго порядка (производная первого порядка = производная, производная второго порядка = производная производной).
\n", "
\n", "Скорость есть производная координаты про времени
\n", "Ускорение есть производная скорости по времени
\n", "То есть, ускорение есть вторая производная координаты по времени (производная производной)
\n", "
\n", "Также производная применяется в физике, географии и даже социологии. В целом, производная оисывает скорость изменения некоторой величины.\n", "\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "bKpVK2UkHVxI" }, "source": [ "# Вычисление производной" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "zrKPFnhPT9yZ" }, "source": [ "## Элементарные функции" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "iv9tujvKHX6G" }, "source": [ "Выше мы ввели определение производной и нашли производные нескольких функций, используя определение. В жизни (математике) бывает множество ситуаций, когда нужно находить производные довольно сложных функций. Делать это каждый раз по определению очень муторно и сложно.
\n", "Но есть хорошая новость! Этого делать и не нужно. Производные сложных функций находятся по ловольно простым правилам. Сейчас мы их рассмотрим:" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "74Hban0hIsRF" }, "source": [ "Нам в этом поможет **таблица производных часто встречающихся функций**:" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "22iRk9mlIhh1" }, "source": [ "![alt text](https://bugaga.net.ru/ege/math/imgs/tablica-proizvodnyh.gif)" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "gd_znTuDIz0k" }, "source": [ "В этой таблице $C$ — произвольная константа. То есть, первая формула таблицы говорит там, что производная любой константной функции есть 0." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "yHBPML8aJZac" }, "source": [ "Теперь осталось выучить еще три правила **нахождения производной композиции функций**:\n", "Пусть у нас есть две функции $u$ и $v$." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "nw5qIMcsJfjw" }, "source": [ "1. Производная суммы двух функций есть сумма производных этих функций (аналогично с вычитанием)\n", "$$(u + v)' = u' + v'$$\n", "\n", "2. Производная произведения двух функций:\n", "$$(u \\times v)' = u' v + u v'$$\n", "\n", "3. Производная отношения двух функций:\n", "$$\\left(\\frac{u}{v}\\right)' = \\frac{u' v - u v'}{v^2}$$\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "G_dUFGpdTe2M" }, "source": [ "> Пример #9\n", "
\n", "$F(x) = 4x^3$
\n", "
\n", "Эта функция является произведением двух функций — $u(x) = 4$ и $v(x) = x^3$
\n", "
\n", "Производная константы — 0, т.е. $u'(x) = 0$.
\n", "Для $x^3$ cмотрим в таблицу. Нужная нам формула — $(x^n)' = nx^{n-1}$. Применяем ее для $n=3$. Получаем:
\n", "$v'(x) = 3x^2$.
\n", "
\n", "По правилу дифференцирования композиции функций $F'(x) = u'v + uv' = 0 * 4x^3 + 4 * 3x^2 = 12x^2$
\n", "
\n", "P.S. Вообще константы можно просто вынести за пределы дифференцирования и дифференцировать только часть функции с аргументами. То есть, формально,
\n", "$(CF(x))' = CF'(x)$.
\n", "Попробуйте убедиться в этом сами, использовав формулу производной произведения композиции функций.\n", "\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "lcSI_mjtOpYk" }, "source": [ "> Пример #10
\n", "$F(x) = \\frac{4sinx}{e^x} + x^2*lnx$\n", "
\n", "
\n", "Эта функция раскладывается в сумму двух функций:
\n", "$u = \\frac{4sinx}{e^x}$
\n", "$v = x^2*lnx$
\n", "
\n", "$u$:
\n", "Эта функция есть отношение функций $4sinx$ и $e^x$. Воспользуемся формулой производной отношения функций:
\n", "$u' = \\frac{(4sinx)' *e^x - 4sinx *(e^x)'}{(e^x)^2} = <тут\\ для\\ вычисления\\ производных\\ смотрим\\ в\\ таблицу> = \\frac{4cosx *e^x - 4sinx *e^x}{e^{2x}}$
\n", "
\n", "$v$:\n", "Эта функция есть произведение двух табличных функций. Воспользуемся формулой производной произведения функций:
\n", "$v' = (x^2)' * lnx + x^2 * (lnx)' = 2x*lnx + \\frac{x^2}{x} = 2x*lnx + x$
\n", "
\n", "Итого
\n", "$F'(x) = u' + v' = \\frac{4cosx *e^x - 4sinx *e^x}{e^{2x}} + 2x*lnx + x$\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "oml5Q9J4UPzd" }, "source": [ "## Производная сложной функции" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "UYdhXv7NUT8x" }, "source": [ "Рассмотрим функцию:\n", "\n", "$$F(x) = sin(x^3)$$\n", "\n", "Эта функция не элементарная, ее производная не записана в таблице. Чтобы вычислить ее производную, нужно представить ее в виде композиции двух функций:
\n", "$u(v) = sin v$
\n", "$v(x) = x^3$
\n", "Тогда $F(x) = u(v(x))$\n", "\n", "Итого мы представляем функцию $F(x) = sin(x^3)$ как функцию не от аргумента $x$, а от аргумента $v = x^3$. Такая функция называется **сложной функцией**. Для вычисления ее производной применяется формула:\n", "\n", "$\\left( u(v(x)) \\right)' = u'(v) * v'(x)$\n", "\n", "То есть, нужно взять производную функции $u$, если ее аргумент — это $v$ (не $x$) и умножить на производную $v$ по $x$." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "3fDiDkficLGu" }, "source": [ "> Пример #11
\n", "
\n", "Найдем производную $F(x) = sin(x^3)$:
\n", "
\n", "$u(v) = sin v$, $u'(v) = cos(v)$
\n", "$v(x) = x^3$, $v'(x) = 3x^2$
\n", "
\n", "
\n", "Итого $F'(x) = u'(v) * v'(x) = cos(x^3) * 3x^2$\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "VxoJ726iRYY6" }, "source": [ "# Производная функции многих переменных" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "Zr7L6nzabwTh" }, "source": [ "## Определение" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "FkpkihYXeMcw" }, "source": [ "Давайте рассмотрим функцию $n$ переменных:\n", "\n", "$F(x_1, x_2, \\dots, x_n)$.\n", "\n", "В ноутбуке про функции мы говорили о том, что возрастание и убывание функций многих переменных определяется покоординатно.
\n", "Производные многих переменных тоже можно определять покоординатно, т.е. считая все аргументы, кроме того, по которому берем производную, константами. (и мы в этом курсе будем определять производную функции многих переменных только покоординатно).
\n", "Производная функции нескольких переменных по одной переменной называется **частной производной**." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "qpZ9a0cIgIw7" }, "source": [ "> Пример #12
\n", "
\n", "$F(x_1, x_2, x_3) = x_1x_2 + x_3$
\n", "
\n", "Производная функции $F$ по переменной $x_1$:
\n", "$$F'_{x_1} = (x_1x_2 + x_3)'_{x_1} = (x_1x_2)'_{x_1} + (x'_3)_{x_1} = x_2$$\n", "
\n", "Производная функции $F$ по переменной $x_2$:
\n", "$$F'_{x_2} = (x_1x_2 + x_3)'_{x_2} = (x_1x_2)'_{x_2} + (x'_3)_{x_2} = x_1$$\n", "
\n", "Производная функции $F$ по переменной $x_3$:
\n", "$$F'_{x_3} = (x_1x_2 + x_3)'_{x_3} = (x_1x_2)'_{x_3} + (x'_3)_{x_3} = 1$$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "UsC28Llvhkju" }, "source": [ "Раз производная — это функция, то от нее тоже можно брать производную! Можно брать производную два раза по одной и той же переменной, а можно по разным. \n", "\n", "Обозначается вторая производная так:
\n", "$F''_{xx}$ — производная функции $F$ по $x$ и еще раз по $x$
\n", "$F''_{xy}$ — производная функции $F$ по $x$ и еще раз по $y$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "f-viD2uWhu0B" }, "source": [ "> Пример #13
\n", "
\n", "$F(x_1, x_2, x_3) = x_1x_2 + x_3$
\n", "
\n", "Производная функции $F$ по переменной $x_1$:
\n", "$$F'_{x_1} = (x_1x_2 + x_3)'_{x_1} = (x_1x_2)'_{x_1} + (x'_3)_{x_1} = x_2$$
\n", "
\n", "Вторая производная функции $F$ по переменной $x_1$:
\n", "$F''_{x_1x_1} = (x_2)_{x_1} = 0$\n", "
\n", "Вторая производная функции $F$ по переменной $x_2$:
\n", "$F''_{x_1x_2} = (x_2)_{x_2} = 1$\n" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "PKrYQXSZictv" }, "source": [ "Также бывают третья, четвертая, ..., $n$-ная производные." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "Wz-gd9oDbyPi" }, "source": [ "## Градиент" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "BzVIxHThb7D1" }, "source": [ "**Градиент функции многих переменных** — это вектор частных производных функции." ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "6tApylr1cHgz" }, "source": [ "> Пример #14 \n", "Знакомая нам функция $F(x_1, x_2, x_3) = x_1x_2 + x_3$.
В примере #12 мы вычислили ее частные производные по всем трем переменным. Значит, градиент этой функции есть:
\n", "$$grad F = \\triangledown F = (x_2, x_1, 1)$$" ] }, { "cell_type": "markdown", "metadata": { "colab_type": "text", "id": "yj8K1BXic4-R" }, "source": [ "Градиент функции показывает, как ведет себя функция по каждой переменной. Градиент пригодится нам в ноутбуке по методам оптимизации." ] }, { "cell_type": "code", "execution_count": 0, "metadata": { "colab": {}, "colab_type": "code", "id": "wu5_4qdJH043" }, "outputs": [], "source": [] } ], "metadata": { "colab": { "collapsed_sections": [ "aFQw4P-xNpXp", "LSW3dwznNpXw", "D8juT7luS_s6", "ZVn2OunErh_8", "cfbf09-INpYu", "oWGJNhL7AteH", "zrKPFnhPT9yZ", "oml5Q9J4UPzd" ], "name": "Derivative.ipynb", "provenance": [], "toc_visible": true }, "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.7.4" } }, "nbformat": 4, "nbformat_minor": 1 }