机器学习数学通关指南——牛顿-莱布尼茨公式

前言

本文隶属于专栏《机器学习数学通关指南》,该专栏为笔者原创,引用请注明来源,不足和错误之处请在评论区帮忙指出,谢谢!

本专栏目录结构和参考文献请见《机器学习数学通关指南》


正文

一句话总结

∫ a b f ( x )   d x = F ( b ) − F ( a ) \int_{a}^{b} f(x) \, dx = F(b) - F(a) ∫abf(x)dx=F(b)−F(a)

其中, F ( x ) F(x) F(x) 是 f ( x ) f(x) f(x) 的一个原函数(即 F ′ ( x ) = f ( x ) F'(x) = f(x) F′(x)=f(x))。


直观理解方式

  1. 从累积到变化率的逆向思考

    • 定积分 ∫ a b f ( x )   d x \int_{a}^{b} f(x) \, dx ∫abf(x)dx 本质是求函数 f ( x ) f(x) f(x) 在区间 [ a , b ] [a, b] [a,b] 上与 x 轴围成的"面积"总和。
    • 原函数 F ( x ) F(x) F(x) 是描述这一累积量的函数,其导数恰好是瞬时变化率 f ( x ) f(x) f(x)。
    • 类比 :若 f ( x ) f(x) f(x) 是速度函数,则原函数 F ( x ) F(x) F(x) 是路程函数, F ( b ) − F ( a ) F(b) - F(a) F(b)−F(a) 就是总位移(即"速度的累积"等于"路程的变化")。
  2. 几何意义

    • 定积分(面积)可由高度均匀增长的矩形面积近似,而牛顿-莱布尼茨公式通过原函数的差值精确替代了无限细分矩形的累加。
    • 文档中的图示显示,面积 ∫ a b f ( x )   d x \int_{a}^{b} f(x) \, dx ∫abf(x)dx 等于原函数曲线两端点的纵向高度差 F ( b ) − F ( a ) F(b) - F(a) F(b)−F(a)。

关键应用与例子

  1. 简化积分计算

    • 文档例题 :计算 ∫ 0 π sin ⁡ x x   d x \int_{0}^{\pi} \frac{\sin x}{x} \, dx ∫0πxsinxdx 时,若无法直接积分,可借助原函数分段处理或结合其他技巧(但对简单函数可直接套用公式)。
    • 分段函数案例 :若 f ( x ) f(x) f(x) 在区间 [ 0 , 2 ] [0, 2] [0,2] 分段定义(如 f ( x ) = x 2 f(x) = x^2 f(x)=x2 和 f ( x ) = 5 f(x) = 5 f(x)=5 ),则积分拆分为 ∫ 0 1 x 2   d x + ∫ 1 2 5   d x \int_{0}^{1} x^2 \, dx + \int_{1}^{2} 5 \, dx ∫01x2dx+∫125dx,分别用原函数计算后相加。
  2. 解释物理现象

    • 路程与速度 :若已知速度随时间变化函数 v ( t ) v(t) v(t),总路程 S = ∫ a b v ( t )   d t = S ( b ) − S ( a ) S = \int_{a}^{b} v(t) \, dt = S(b) - S(a) S=∫abv(t)dt=S(b)−S(a),直接由原函数 S ( t ) S(t) S(t)(路程函数)的端点差值得出。

数学意义

  1. 微分与积分的统一

    • 微分研究"局部变化率",积分研究"整体累积量",公式表明二者通过原函数互为逆运算。
    • 直接联系积分中值定理 :文档提到 ∫ a b f ( x )   d x = f ( ξ ) ( b − a ) \int_{a}^{b} f(x) \, dx = f(\xi)(b - a) ∫abf(x)dx=f(ξ)(b−a),结合原函数增量 F ( b ) − F ( a ) F(b) - F(a) F(b)−F(a),可推得牛顿-莱布尼茨与中值定理的一致性。
  2. 使用条件

    • 重要前提 : f ( x ) f(x) f(x) 必须在积分区间 [ a , b ] [a, b] [a,b] 上连续(保证原函数存在)。

总结

牛顿-莱布尼茨公式的实质是:求总量的"笨办法"(无限累加微小量)可以转化为求变化的"聪明办法"(找原函数计算端点差值)。它是工程计算、物理建模的基础工具,也是微积分理论统一的标志。

相关推荐
蓝婷儿39 分钟前
Python 机器学习核心入门与实战进阶 Day 2 - KNN(K-近邻算法)分类实战与调参
python·机器学习·近邻算法
IT古董2 小时前
【第二章:机器学习与神经网络概述】04.回归算法理论与实践 -(3)决策树回归模型(Decision Tree Regression)
神经网络·机器学习·回归
烟锁池塘柳04 小时前
【大模型】解码策略:Greedy Search、Beam Search、Top-k/Top-p、Temperature Sampling等
人工智能·深度学习·机器学习
Blossom.1186 小时前
机器学习在智能供应链中的应用:需求预测与物流优化
人工智能·深度学习·神经网络·机器学习·计算机视觉·机器人·语音识别
葫三生7 小时前
如何评价《论三生原理》在科技界的地位?
人工智能·算法·机器学习·数学建模·量子计算
IT古董12 小时前
【第二章:机器学习与神经网络概述】03.类算法理论与实践-(3)决策树分类器
神经网络·算法·机器学习
学技术的大胜嗷15 小时前
离线迁移 Conda 环境到 Windows 服务器:用 conda-pack 摆脱硬路径限制
人工智能·深度学习·yolo·目标检测·机器学习
还有糕手15 小时前
西南交通大学【机器学习实验10】
人工智能·机器学习
想知道哇19 小时前
机器学习入门:决策树的欠拟合与过拟合
人工智能·机器学习
go546315846520 小时前
修改Spatial-MLLM项目,使其专注于无人机航拍视频的空间理解
人工智能·算法·机器学习·架构·音视频·无人机