Processing math: 100%
跳到主要內容

極限::計算

瞭解微分(Differential)的概念之前,要先知道何為極限(Limit),但我們又可以反過來用微分來計算極限。本文以不太嚴謹的方式介紹極限計算常用的夾擠定理(Squeeze theorem)與羅必達法則(L'Hôpital's rule),閱讀本文妳需要有基本的微分能力。 文章難度:  / 5

極限::計算

瞭解微分(Differential)的概念之前,要先知道何為極限(Limit),但我們又可以反過來用微分來計算極限。本文以不太嚴謹的方式介紹極限計算常用的夾擠定理(Squeeze theorem)與羅必達法則(L'Hôpital's rule),閱讀本文妳需要有基本的微分能力。
文章難度:  / 5

P.S. 真的很喜歡Arduino帶有「無限」概念的符號呀~
       首先,先講三明治定理(夾擠定理)。

       如果我們要求的函數的極限很難直接算出來的話,這邊教妳其中一個辦法:去看與他很靠近的同伴,俗話說:近朱者赤;近墨者黑,要知道一個人與自己和不和,就要看他的原生家庭或是閨密。至於為什麼不找本人了解?就是因為看不懂本人的個性啊,所以才去找容易被了解的閨密(最好是一條腸子通到底的那種)。

       那麼,我們至少需要找幾個好懂的同伴呢?答案是:2個

       一個是我們要求的函數(假設叫f)的下限,假設我們叫作:g;一個是f的上限,假設我們叫作:h;而且符合這個狀況:g(x)f(x)h(x)

我們這裡設I為包含某點 a的區間,fgh為定義在I上的函數。

      若對於所有屬於I 而不等於ax,滿足上式的上下限關係,因為f的上下限,也就是ghxa的時候,趨近同一個極限:L

limxag(x)=limxah(x)=L
(這個是不一定會達成的喔,所以妳要故意去讓妳選擇的gh,在xa的時候,達到同一個極限L。並且gh一個小於f;一個大於f這個條件比較好達成。當然別忘了,要找得到gh達成目標的先決條件是...f有極限啊~)

      所以被夾在中間的f,當然也會在xa的時候,趨近L了喔!

---------------QED
      現在這樣講,妳肯定不知道怎麼用,什麼找同伴,或是怎麼讓上下限的gh在的時候,趨近同一個極限:L。在在都讓人霧煞煞,很難懂啊啊啊啊啊啊啊~

      沒關係,不要驚慌,後面幾篇會找一些例題讓妳很快就有一咪咪瞭解,而在今天,我們就來看個經典的例子。

範例一:計算limθ0sinθθ的極限值

現在我們要用三明治定理嘗試解決這個歷史上得到三角函數微分公式必經的障礙物:

到底limθ0sinθθ是多少呢?如果直接把 0 代入角度,我們會得到sinθθ=00這個莫名其妙的結果,因為 0 在分母是無窮大;而 0 在分子跟任何人相乘應該是 0,到底無窮大乘以 0 會是多少呢?這是個有意義的計算嗎?是不是真的就無意義呢?

【解法一】:夾擠定理(作圖算面積)
我們試試看找閨密來瞭解一下:首先畫一個單位圓(半徑為1單位),令AOB=θ,在0θπ2區間內(角度維持在第一象限)



從圖形很容易看到:ΔOBD的面積扇形OBA的面積ΔOAC的面積
也就是說(快來算一下上面三個面積吧!):

12cosθsinθ1212θ12tanθ
整理一下就變成:cosθsinθθ1cosθ

而因為閨密們limθ0+cosθ=1=limθ0+1cosθ,所以由三明治定理知:

limθ0+sinθθ=1
同理,在π2θ0區間內,我們也有:limθ0sinθθ=1

(記得一點,我們為了要讓sin有反函數,因此定義了角度θ必須在π2θπ2這兩個正負區之間。)

因此得到:limθ0sinθθ=1

---------------QED

【解法二】:分子分母上下約分(角度近似) 
因為我們知道,當θ很小的時候,會有這個關係:
sinθtanθθ
(別忘了,這個近似在很多物理計算常常用啊~),所以sinθθ在角度很小的時候就會趨近於θθ,上下把θ約掉,就可以得到:limθ0sinθθ=1

---------------QED

【解法三】:羅必達法則
(L'Hôpital's rule,這個字來自於法文,有沒有長得很像英文的Hospital,醫院呢?沒錯!法文的Hôpital就是醫院的意思,所以這個法則又被叫作:L'Hospital's rule)

在使用L'Hospital's rule之前,要先確定有那個屁股(有那個咖ㄘㄥ,才能吃那個瀉藥的意思),那什麼樣的屁股是可以的呢?當妳直接把要趨近的數值代進方程式的變數以後,發現式子變成『極大與極小的融合體』,那恭喜妳,妳很有可能找到那些特殊的屁股之一了。

因為這些融合體會讓妳不知道結果是無窮大、0,或是某個固定的數值(簡直就是「未定之天」啊~),像是:0000100

妳會發現,其實00互為倒數,也等於0的狀況,而這三個也是讓我們最常使出醫院法則的屁股喔!

而我們要找的limθ0sinθθ在把 0 代入角度變數θ 以後,會得到00這個結果,所以就安心使用醫院法則吧!

醫院法則極為簡單,就只有三個步驟

  1. 檢查屁股:代入變數要趨近的數值
  2. 分子分母各別微分,再重新組裝回分數
  3. 再次檢查屁股:如果屁股還存在,請回到步驟2.,再來一次

以這個範例來看:

  1. 要計算limθ0sinθθ,角度變數θ 代入 0,檢查屁股的結果,得到00
  2. 上(分母)下(分子)各別微分,分子得到:ddθsinθ=cosθ,分母則是:ddθθ=1,所以原式變成了:limθ0cosθ1
  3. 再次檢查,θ重新代入 0,發現:cos01=1
  4. 已經不是屁股了,是確定的數值(在其他問題中,妳也有可能得到像是0或是的結果,別懷疑,只要不是屁股,那就是答案),所以此極限值為 1。
---------------QED

留言

這個網誌中的熱門文章

淺談條件機率(三):貝氏定理的能力(I)

( 五 ) . 貝氏定理的能力( I ) 違反直覺 我們都知道:對於一枚公正的硬幣來說,出現正面和反面的機率皆是 50% ,這代表說:當我們丟 100 次硬幣,出現正面的次數一定會是 50 次嗎? 既然我這樣問了,代表不會剛好 50 次。但直覺上來說,似乎丟 100 次這樣的硬幣,我們得到 50 次正面的機率應該相當的高。實際上,恰好出現 50 次正面的機率只有 8% (雖然是最高的沒錯),出現 40 次正面的機率更低,大概是 1% ;不過要注意的是:出現正面次數在 40 次~ 60 次之間的機率卻高達 96% ! 舉另一個例子: 你看到一套防毒軟體,這個軟體聲稱會對你下載的所有檔案都掃描一次, 病毒偵測準確度達 99% 。 這個「 99% 」令你眼前一亮,心想︰「這個軟體看來相當可靠,準確度 99% 呢!!!」於是你便把它買下,並成功把它安裝了。 安裝了這個軟件一段日子,有一天,這個軟件突然響起警報,這個時候最正常的問題便是「我下載的檔案真的帶有病毒嗎?」又或者說,這個軟體誤鳴的機率有多高? 你認為誤鳴率就是 100% – 99% = 1% 嗎? 首先,我們要知道: 故事裡防毒軟體廣告中的 99% 是指,當有病毒入侵時,有 99% 的機率會響起警報 ß à 而不是當響起警報時,有 99% 機會是真的有病毒 ,這兩個概念是完全不同的。 如果下載的檔案有 0.005 的機會是帶有病毒(為了簡化問題,我們假設平均每 200 個下載的檔案中會遇見一個遭受感染的檔案)。 我們可以畫個表格來量化地說明這個問題: 警報響起 警報沒有響起 TOTAL 有病毒 99% × 0.005 = 0.00495 1% × 0.005 0.005 沒有病毒 1% × 0.995 99% × 0.995 0.995 TOTAL 0.0149 0.9851 運用貝氏定理,我們可以得出以下的結論。 當警報響起時,我們很不幸地下載到了有病毒的檔案的機率是: P ( 有病毒 | 警報響起 ) = 0.00495 / (0.00495+...

淺談條件機率(四):貝氏定理的能力(II)

( 六 ) . 貝氏定理的能力( II ) 倒果為因 你一定不會好奇給老師很多出題空間的貝氏定理為什麼會出現,以及「貝氏」是哪個惱人的傢伙,但我們還是先來談談貝氏乃何許人也吧: Thomas Bayes ( 1702-1761 ),貝氏定理有記載的發明人;他是英國的數學家,也是長老會的牧師。有天,他在「擺弄」條件機率的公式時,赫然發現這些公式都是 對稱 的! 對稱是什麼意思?如果你呼過別人巴掌,或是被呼過巴掌,你就能真正瞭解這個詞的意涵。在這裡我們要呼叫一下牛頓,牛頓的第三運動定律:「作用力與反作用力」敘述的是:當你一巴掌打在別人的臉上,別人也同時用臉打了你的手掌(不過相對於手掌,臉皮還是比較薄,所以能選的話還是用手打人比較好)。 現在我們把手掌換成事件的成因,臉換成結果(事件)。蒐集關於原因的資訊,我們可以計算出某項結果發生的機率,我們稱這是:「 正向機率 ( direct probability )」。而當我們有了發生的機率值,也相當於反向地透露出臉紅是因為被手掌打到(而不是因為害羞)的可能性。 原因暴露了可能結果的資訊;結果中隱含可能原因的資訊,像這樣原因結果互相糾纏,就是條件機率的對稱,用數學的語言來描述就是: … … … (1) 讓我們假設 A 是結果, B 是原因。 P ( A | B ) 就是某項原因引發特定結果的機率; P ( B | A ) 指的是特定結果由某個原因引發的機率。證明很簡單,重新整理條件機率的公式,我們有: … … … (2) A ∩ B 代表某個特定結果和某個特定原因同時發生。而因為 A ∩ B = B ∩ A ,所以把 (2) 裡面所有的 A 換成 B , B 換成 A ,就可以得到 (1) 的結論了。 在 18 世紀,學者們已經能夠計算正向機率。比方說這個例子:假設袋子裡面有 N 個白球與 M 個黑球,摸到黑球的機率有多大?這是個很直覺的問題,我們還在娘胎裡時就會估計了!但是,要回答所謂「正向機率」的問題,有個很重要的先決條件:我們自己必須是 全知 的上帝,掌握這世界上所有的資訊(包括某個亂七八糟袋子裡白球和黑球的數量)。 然而在現實中,我們比較可能碰到的問題是:面對某個很大的袋子,裡面裝了很多很多(真的非常多)各種顏色的球;而因為球太多了,袋子也太大了,我們無法...