derivative

1热度

1回答

要计算概率，我必须计算导数（然后求值），如$\frac{\partial^5 f}{\partial x_1^2 \partial x_2^3}$，其中$f$是一个多项式函数。问题在于，导数的阶数可能会随着计算导数的变量列表而变化。我已经尝试过rSymPy和Ryacas，它的工作原理...直到变量的数量变得重要。所以我必须寻找一个不同的解决方案。我尝试使用deriv（）文档中指出的DD（）函数，

1热度

2回答

通过知道两个数字向量得到一个导数

我知道两个向量x和y，我怎样才能计算y相对于R中的x的导数？ x<-rnorm(1000) y<-x^2+x 我想计算y关于x：dy/dx的导数;假设我不知道x和y之间的基础函数。在每个x对应的导数刻度中可以有一个值。

2热度

2回答

R用户定义函数中的衍生物和表达式

我是编码和R的全新人物，我试图教自己，但我挣扎了一下。我正在尝试创建一个简单的微积分函数，它将使del运算符∇=作用于标量。我可以手动计算衍生产品： > c(D(expression(x*y*z),'x'),D(expression(x*y*z),'y'), D(expression(x*y*z),'z')) [[1]] y * z [[2]] x * z [[3]] x *

0热度

1回答

带布尔值的sympy衍生物

我正在尝试将带有sympy的布尔变量的函数派生出来。我的预期的结果：两种不同的衍生物，这取决于布尔型用True或False（即1或0）。例子： import sympy as sy c, x = sy.symbols("c x", positive=True, real=True) bo = sy.Function("bo") fct1 = sy.Function("fct1") f

-4热度

1回答

如何计算输入函数的导数？

我正在尝试编写错误传播的程序。因此，我需要偏导数。 Function = input("Function: ") #Function should look something like this: u**2 + 3*x/(v+w) print ("s = "f"{Function}") #Derivate by u k = float(Function.derivatives[

3热度

1回答

如何参数化作为高斯导数的曲线

在下面的高斯方程中，我可以指定高度（a），宽度（c）和中心点（b）。 f(x) = a*e^[-(x-b)^2/(2c^2)] 高斯的衍生物采用以下形式：我想要做的是想出的方程在哪里可以指定高度，宽度和曲线的中心像高斯衍生物。高斯方程的上述衍生物是： d = (a*(-x).*exp(-((-x).^2)/(2*c^2)))/(c^2); 的第一阶Hermite函数取类似的形式。 d

0热度

1回答

如何在mupad中导出时间的角度

所以我有一个正弦函数和余弦函数，代表某个点在某个系统中的位置。现在我知道了依赖于角度Beta的点的位置。我希望得到找到速度的功能。问题是，当你尝试按时间推导beta时，mupad认为beta是一个常数。有意义的是Beta的导数是角速度。但是我怎么把这个告诉mupad？这是我到目前为止的代码。 reset(); eq:=(a/cos(Beta))^2=(a/cos(Alpha))^2+d^2-2

1热度

1回答

tf.hessians（f，x）：与单独变量tf.gradients（tf.gradients（f，x），x）的值不同？

所以我有一个tf.Variable()名为W这是shape=[1]。我知道tf.hessians(loss, W)不等于tf.gradients(tf.gradients(loss, W), W)，尽管它应该是同一件事：二阶导数。这里是从哪里获得的问题，如果我试图通过双梯度更换粗麻布代码中的小要点： https://gist.github.com/guillaume-chevalier/6b0

1热度

2回答

代表一个numpy的一阶微分方程

我有一个方程dy/dx = x + y/5和一个初始值，y(0) = -3。我想知道如何使用pyplot绘制此函数的确切图。我也有一个x = np.linspace(0, interval, steps+1)，我想用作x轴。所以我只是在寻找y轴的值。在此先感谢。

6热度

1回答

1D阵列的数密度分布 - 2次不同尝试

我有一大组元素，我在模拟体积中称为RelDist（其中尺寸上，是距离的单位）。我试图确定“单位体积的数量”的分布，这也是数字密度。它应该类似于这个图表：我知道该轴被缩放的日志基数为10，该集合的图应该肯定会下降。在数学上，我将其设置为两个等效方程式：其中N是相对于被分化为自然对数的距离的阵列中的元件的数目。通过引入另一个因子r，它也可以等价地重写为常规导数的形式。等价，因此，对于不断增加