当前位置: 首页 > article >正文

数学符号练习篇-函数

前言

其实主要的目的是可以在文本中输出各种数学符号,便于以后用到的时候有现成的例子拿过来抄~~

函数的定义

量和量之间的关系:如 A = π R 2 A=πR^2 A=πR2

y = f ( x ) y=f(x) y=f(x) f f f为函数, x x x为自变量, y y y因变量出

函数在 x 0 x_0 x0处取得的函数值 y 0 = y ∣ x = x 0 = f ( x 0 ) y_0=y|_{x=x0}=f(x_0) y0=yx=x0=f(x0)

符号只是一种表示,也可以: y = g ( x ) y=g(x) y=g(x) y = φ ( x ) y=φ(x) y=φ(x) y = ψ ( x ) y=ψ(x) y=ψ(x)

几种函数

分段函数:
f ( x ) = { x x > = 0 − x x < 0 f(x)=\begin{cases} \sqrt[]x & x>=0 \\ -\sqrt[]x & x<0 \end{cases} f(x)={x x x>=0x<0

反函数:
h ( x ) = 1 2 g t 2 → h = h ( t ) t = 2 h g → t = t ( h ) h(x)=\frac{1}{2} gt^2 \rightarrow h=h(t) \qquad t=\sqrt[]{\frac{2h}{g}} \rightarrow t=t(h) h(x)=21gt2h=h(t)t=g2h t=t(h)

显函数和隐函数:
y = x 2 + 1 F ( x , y ) = 0 3 x + y − 4 = 0 x 2 + y 2 = 8 y=x^2+1 \qquad F(x,y)=0 \qquad 3x+y-4=0 \qquad x^2+y^2=8 y=x2+1F(x,y)=03x+y4=0x2+y2=8

几种特性

奇偶性

偶函数: f ( − x ) = f ( x ) f(-x)=f(x) f(x)=f(x) y轴对称 f ( x ) = x 2 f(x)=x^2 f(x)=x2

奇函数: f ( − x ) = − f ( x ) f(-x)=-f(x) f(x)=f(x) 原点对称 f ( x ) = x 3 f(x)=x^3 f(x)=x3

周期性

f ( x + T ) = f ( x ) f(x+T)=f(x) f(x+T)=f(x)
在这里插入图片描述

单调性

函数的单调性(monotonicity)也可以叫做函数的增减性。当函数 f(x) 的自变量在其定义区间内增大(或减小)时,函数值f(x)也随着增大(或减小),则称该函数为在该区间上具有单调性。

在这里插入图片描述


http://www.kler.cn/news/321478.html

相关文章:

  • 云手机群控怎么用?有什么优势?
  • C语言 | Leetcode C语言题解之第438题找到字符串中所有字母异位词
  • AI 驱动旅游创业新机遇,旅游卡与共享旅游的融合发展
  • 微服务-流量染色
  • 【Gitee自动化测试2】Git,Github,Gitlab,Gitee
  • Java抽象教程!(* ̄;( ̄ *)
  • SQL 查询优化与实战
  • Laravel部署后,CPU 使用率过高
  • 为什么不用tensorflow而用opencv
  • 企微群管理软件:构建高效社群运营的新引擎
  • C 标准库 - <ctype.h>
  • 实战OpenCV之色彩空间转换
  • 第一个maven web工程(eclipse)
  • 【UE5】将2D切片图渲染为体积纹理,最终实现使用RT实时绘制体积纹理【第三篇-着色器光照】
  • 代码随想录打卡Day39
  • 【devops】devops-ansible模块介绍
  • 卷积神经网络-迁移学习
  • Spire.PDF for .NET【页面设置】演示:对PDF 文件进行分页
  • 【ASE】第一课_双面着色器
  • 增量式编码器实现原理
  • 使用python爬取豆瓣网站?如何简单的爬取豆瓣网站?
  • FPGA中系统门数和逻辑门数的理解
  • 智视臂传-AI视觉触感未来丨OPENAIGC开发者大赛高校组AI创作力奖
  • 计算机毕业设计 基于Hadoop的智慧校园数据共享平台的设计与实现 Python 数据分析 可视化大屏 附源码 文档
  • 性能设计模式
  • 1.6 判定表
  • 【C++与数据结构】搜索二叉树(BinarySearchTree)
  • 数据仓库-数据质量规范
  • 问:聊聊JAVA中的共享锁和独占锁?
  • 了解针对基座大语言模型(类似 ChatGPT 的架构,Decoder-only)的重头预训练和微调训练