1 狀態(tài)變化

若將數(shù)學(xué)整體劃分為三類，則可概括為代數(shù)、幾何與分析。對于前兩者，我們很早就建立了直觀的概念，對于空間結(jié)構(gòu)及其性質(zhì)的研究，即為幾何；以數(shù)為核心的研究領(lǐng)域，即為代數(shù)。

而分析則具備更多的非數(shù)學(xué)的內(nèi)涵，所以初學(xué)者往往難以看透數(shù)學(xué)分析所指向的數(shù)學(xué)本質(zhì)，如果望文生義，會更傾向于將“分析”理解為一門數(shù)學(xué)技巧，而非數(shù)學(xué)領(lǐng)域。

我們最先接觸數(shù)學(xué)分析時，是將其等同為微積分的。可以認為微積分是數(shù)學(xué)分析最基本的知識對象，而微積分的理論基礎(chǔ)建立在極限之上。所以，我們可以將極限作為分析學(xué)的根基，為此，需要去理解極限的本質(zhì)，而極限本身則是一個動態(tài)的過程，例如下面這個重要極限

畫圖方法有很多，在此使用R語言，在RStudio中畫出，之所以用RStudio，是因為其界面對初學(xué)者來說更友好。輸入

> x = c(1:100)				#定義x為1到100的數(shù)組
> y = x*sin(1/x)
> plot(x,y,type='l',xlab='x',ylab='y=x·sin(1/x)')	#畫圖

得到

可以非常清晰地看到，當x逐漸變大的時候，y是趨于1的。這個趨勢可以讓我們更加容易理解：極限是一種動態(tài)過程；同時有助于形成對分析學(xué)的更加直觀的印象——分析是建立在狀態(tài)變化上的一種動態(tài)的數(shù)學(xué)。

一旦建立了這種動態(tài)的思維，就會發(fā)現(xiàn)原本安定本分的數(shù)學(xué)世界也發(fā)生了微妙的變化，例如，我們又將如何理解1這個整數(shù)。

例如無限循環(huán)小數(shù)0.999...=1這個反直覺的等式是否嚴格。在初等的觀點看來，可以很容易得到 10 × 0.999... = 9.999... → ( 10 − 1 ) ∗ 0.999... = 9 → 0.999... = 1 。

進而敏銳地發(fā)現(xiàn)，若用一種不厭其煩的方式去求解分式1 \1，會更加自然地得到0.999...

但無論如何，0.999...=1是反直覺的，反來自于初等數(shù)學(xué)的直覺。換句話說，初等數(shù)學(xué)的直覺存在矛盾，我們需要一個更加嚴格的有關(guān)極限的定義和表示，尤其需要建立一種可以稱之為相等的映射關(guān)系。

2 極限語言

初學(xué)數(shù)學(xué)分析的時候，很多人包括我在內(nèi)，都對 ε − N深惡痛絕，更妙的是，不理解這種表達方式，對做題似乎影響不大。大部分人通過加深對上面的那三個約定（以及更多約定）的記憶來完成解題，從而避免了加深對數(shù)學(xué)對象的理解。

其實這個語句并不難理解，當我們最開始接觸無窮大這個概念的時候，是在描述自然數(shù)的個數(shù)。那時我們常說的可能是，無論你舉出一個多么大的自然數(shù)，我都能舉出一個更大的數(shù)，所以自然數(shù)是無窮的。

> x = c(10:100)
> y = 1-x*sin(1/x)
> > plot(x,y,type='l',xlab='x',ylab='y=1-x·sin(1/x)')

其圖像為

3 序列與函數(shù)

若從映射的角度去考察序列與函數(shù)，則二者最大的區(qū)別是定義域。序列是定義域為正整數(shù)的特殊函數(shù)。相比之下，微積分中大多名之為函數(shù)的映射，都定義在實數(shù)域上。從而在函數(shù)的定義域中，隨便抽選出一個區(qū)間，其元素個數(shù)都是無窮多的。即對于區(qū)間 [ a , b ]而言，只要 a ≠ b ，則區(qū)間中的元素個數(shù)就是無窮多個。

好在我們有了極限的概念，極限在 ε − N意義上重新定義了相等，從而意味著每一個實數(shù)都包含了無窮多種初等的表示，即 1 = 0.999...0 = 0.999...1 = 0.999... n , n 1=0.999...0=0.999...1=0.999...n,n為任意長度的數(shù)串，中間的無窮多位，導(dǎo)致末位信息在變得毫無意義，乃至于根本不存在最后一位。

這時我們會異想天開地希望建立整數(shù)與實數(shù)的對應(yīng)關(guān)系，例如將整數(shù)環(huán)映射到區(qū)間 [ − 1 , 1 ] 內(nèi)，這個區(qū)間也會出現(xiàn)實數(shù)區(qū)間的性質(zhì)，即任意一個長度大于一的子區(qū)間，存在無窮多個元素。但眾所周知，實數(shù)的個數(shù)是比整數(shù)更高的無窮，也就是說實數(shù)區(qū)間 [ − 1 , 1 ] 的元素個數(shù)是遠多于整數(shù)的。

當然，我們此后會接觸更多的讓人摸不著頭腦的函數(shù)，這些函數(shù)過于奇葩，以至于上面的這些似乎完全不適用呢。。。

4 極限常數(shù)

圓周率 π

歷史上很早就產(chǎn)生了極限思想，而割圓術(shù)就是這種思想的絕佳體現(xiàn)。

N = c(3:100)
Pi = N*sin(pi/N)
plot(N,Pi,type='l',xlab='N',ylab='Pi')

由于到了后面，誤差變得越來越小，所以用對數(shù)來看一下誤差的變化

N = c(3:10000)
err =log(pi-N*sin(pi/N),10)
plot(N,err,type='l',xlab='N',ylab='err')

可見割到了正10000邊形，也只能得到 1 0 − 7 10^{-7} 10−7的精度，通過計算可以得到正10000邊形算出的圓周率約為3.14159260，所以我們至今也無法知道祖沖之他老人家到底是怎么得到的。

options(digits=15)
10000*sin(pi/10000)
[1] 3.14159260191267

圓周率的這種定義其實也提供了一個重要極限，即

自然對數(shù)e

很多人喜歡把自然對數(shù)和復(fù)利計算聯(lián)系在一起。

問題來了，是不是隨著 n n n逐漸增大，一年的收獲會越來越多呢？

為了計算方便，假設(shè) x = 1 ，即正常 W 存一年，一年之后本息翻倍為2W。

結(jié)果發(fā)現(xiàn)

最終這個值趨近于一個常數(shù)，這個常數(shù)就定義為 e，看來一年最多翻e倍，這個方法沒辦法發(fā)財了。但至少明白了一個著名的極限

很合理。

歐拉常數(shù) γ

對 e兩側(cè)以 e為底取對數(shù)，可得

是一個常數(shù)：

N = c(1:10000)
for(i in c(1:0000)){
    H[i]=sum(1/N[0:i])
}
plot(N,gamma,type='l',xlab='N',ylab='gamma')
gamma[10000]
[1] 0.577265664068198

我們猜對了，這個常數(shù)即歐拉常數(shù)。

其證明過程也不復(fù)雜

5 洛必達法則

令 N 為常數(shù)，則常規(guī)的極限運算大致有以下幾種

所以，盡管二者都為0，但0和0也有不同。問題是這種不同是否明顯？如果定義域在 [ − 1 , 1 ] 這個區(qū)間，的確看不出太多的區(qū)別

x = seq(-1,1,0.01)  #生成等差數(shù)列
plot(x,x^2,type='l')
lines(x,x^3)
lines(x,x^4)
lines(x,x^5)
lines(x,x^6)

然而隨著坐標尺度的縮小，區(qū)別變得明顯起來

> x = seq(-0.1,0.1,0.001)
> plot(x,x^2,type='l')
> lines(x,x^3)

這意味著越是逼近0，不同階數(shù)的冪函數(shù)將漸行漸遠，回顧極限的定義，對于

受到這種運算形式的啟發(fā)，對于一個相對復(fù)雜的表達式，或許可以對上式進行一點更改

可以畫圖驗證一下二者在趨近于0時的特性

x = seq(-0.01,0.01,0.001)
plot(x,x,ylab="x/sin(x)")
lines(x,sin(x),col='red')

由于實在靠的太近，所以用差的對數(shù)來表示一下

x = seq(-0.1,0.1,0.001)
err = log(abs(x-sin(x)),10)
plot(x,err,type='l')

可見這個收斂速度是很快的，當 x = 0.001時，二者之間的差就已經(jīng)達到了 10^ -9

以上就是R語言編程重讀微積分數(shù)學(xué)分析理解極限算法 的詳細內(nèi)容，更多關(guān)于R語言編微積分數(shù)學(xué)分析極限算法 的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論