O liczbie e – Część 2 – Dlaczego jest tak „naturalna” – Funkcja wykładnicza i pochodna eˣ

Funkcja e do x (e^x)

„Plaża, piękna pogoda, sielanka i relaks! Różne funkcje wypoczywają. Nagle … popłoch, panika! Funkcje uciekają. Tylko jedna nadal się opala.

– Co robisz? Uciekaj! Nadchodzi operator różniczkowy!

– Nie boję się, jestem $e^x$. 

I tak spokojna $e^x$ została. Wpada operator.

– Wrrr! Teraz Cię zróżniczkuję! Wrrr!

– A proszę bardzo – jestem $e^x$ – nic mi nie grozi.

– Kochana, ja różniczkuję po $dy$”

Ten iście „nerdowski” dowcip całkiem dobrze rozpoczyna kolejną część serii „o liczbie e”. Na bazie pochodnej przedstawię dodatkowe argumenty „dlaczego?” liczba e jest tak naturalna. Zaczynamy od powtórki podstaw w zakresie potęgowania. Prawdopodobnie zaskoczę Cię już samą definicją funkcji wykładniczej $a^x$ 🙂

Definicja funkcji wykładniczej na bazie potęgowania

Czytaj dalej

O liczbie e – Część 1 – Dlaczego jest tak „naturalna” – Procent składany

Liczba e

Funkcja wykładnicza i logarytm wprowadzane są w szkole średniej (przynajmniej tak było w moim przypadku). Zazwyczaj wtedy poznajemy liczbę $e$, którą magicznie nazywa się podstawą logarytmu naturalnego.

$$e\approx 2.718\ldots$$

Nazwa dobrana jest świetnie, niestety nikt nie tłumaczy dlaczego tak właściwie jest. Cała sprawa jest niezwykle ciekawa, jej wyjaśnienie to temat nowej serii artykułów „o liczbie e”. Tym samym wzbogacam cykl „dlaczego?”. Dowody przeprowadzę „metodą elementarną” – wszak chodzi o „pierwotność / naturalność” $e$. Będzie kilka dużych „odcinków” – zapraszam 🙂

Nota historyczna

Liczba e pojawia się w wielu dziedzinach. W matematyce jest wszechobecna! Z powodzeniem dorównuje liczbie $\pi$. Analiza matematyczna (w szczególności rachunek różniczkowy i całkowy, równania różniczkowe), funkcje specjalne, analiza zespolona, rachunek prawdopodobieństwa, statystyka matematyczna – to najbardziej wyraziste przykłady. W innych naukach ścisłych (np.: ekonomia, fizyka, biologia) liczba e pojawia się w wielu ważnych równaniach, w tym: równanie przewodnictwa cieplnego, wzór barometryczny, rozpady promieniotwórcze, fazory, funkcja falowa w mechanice kwantowejwzrost populacji, procent składany.

Pierwsze informacje na temat liczby e pojawiły się w 1618 roku. Opublikował je John Napier, przygotowując tabele logarytmów. Praca nie zawierała samej stałej, prezentowała niektóre wartości logarytmów na bazie e. Liczbę e w jej dzisiejszej postaci odkrył Jacob Bernoulli. Dokonał tego w 1683 roku analizując własności procentu składanego. Pierwsze udokumentowane wykorzystanie liczby e, wtedy oznaczanej przez b, pojawiło się w latach 1690-1691 (Gottfried Leibniz, Christiaan Huygens). Wykorzystanie stałej znacząco rozwinął Leonhard Euler oznaczając ją w 1727 roku do dziś wykorzystywanym symbolem $e$.

Procent składany

Czytaj dalej

Matematyka w obrazkach #25 – Duch – Atraktor Lorenza :-)

Grafika wykonana na bazie Atraktora Lorenza – świetne wzbogacenie cyklu „Matematyka w obrazkach” 🙂

Atraktor Lorenza - duch

Polecam poniższą animację – 500 tysięcy ciasno upakowanych cząstek rozchodzi się w chaos. Cząstki to punkty z rozkładu Gaussa z odchyleniem standardowym 0.01. W miarę upływu czasu cząstki podążają za dynamiką Lorenza.

Zajrzyj również tutaj: Matematyka w obrazkach #16 – Mathistopheles – Atraktor Lorenza 🙂

Pozdrowienia,

Mariusz Gromada

Kwadrat skali podobieństwa – dlaczego tak właśnie zmienia się pole powierzchni figur płaskich podobnych?

Pole powierzchni figur podobnych zmienia się z kwadratem skali podobieństwa

Pole powierzchni figur płaskich podobnych zmienia się z kwadratem skali podobieństwa – fakt nauczany już w szkole podstawowej. Dziś zadajemy pytanie „dlaczego” tak jest? O ile uzasadnienie dla najprostszych typów figur jest banalne (wynika bezpośrednio ze wzorów na pole), to w przypadku powierzchni ograniczonej dowolną krzywą (no może nie do końca dowolną) potrzeba już nieco więcej gimnastyki. Pokażę kilka podjeść, w tym osobno „pokryciowe”, osobno oparte na całce Riemanna, oraz osobno na bazie przekształcenia liniowego. Na koniec podam bardziej ogólne wnioski co do zmiany pola powierzchni względem znacznie szerszej niż podobieństwo klasy transformacji. Zapraszam 🙂

Czym jest podobieństwo?

Czytaj dalej

Standaryzacja gęstości oraz dystrybuanty (+ odwrotnej) rozkładu prawdopodobieństwa

Standaryzacja zmiennej losowej / Standaryzacja funkcji gęstości

Standaryzacja zmiennej losowej $X$ to proces jej „normalizacji”, którego wynikiem jest taka zmienna losowa $Z$, że

$$\text{E}Z=0$$

$$\text{Var}(Z)=1$$

Standaryzację łatwo wyobrazić sobie jako działanie, które obywa się w dwóch krokach:

  1. adekwatne „przesunięcie” zmiennej – tu chodzi o uzyskanie zerowej miary położenia, którą jest wartość oczekiwana (wartość średnia) zmiennej
  2. odpowiednia „zmiana skali wartości” zmiennej – w tym przypadku „poprawiamy” miarę rozproszenia, którą jest wariancja.

Standaryzacja Z: jeśli X jest taką zmienną losową, że

Czytaj dalej

Odczarowujemy modele predykcyjne

Prelekcja wygłoszona w dniu 25.04.2017 podczas Konferencji Big Data – Bigger opportunities – zapraszam.

Omówione zagadnienia:

  • Analityka Predykcyjna
  • Model Predykcyjny
  • Confusion Matrix / Macierz błędu
  • Strategie doboru punktu odcięcia
  • Ocena jakości klasyfikacji
  • Krzywa zysku
  • Krzywa Lift
  • Krzywa ROC i wskaźnik Giniego
  • Krzywa Zysku vs ROC – równoważność?
  • Modele teoretycznie idealne

Odczarowujemy modele predykcyjne

Pozdrowienia,

Mariusz Gromada

MaCDRG-yver – czyli generacja liczb pseudolosowych na bazie zadanej funkcji gęstości prawdopodobieństwa

Inverse Transform Sampling to typowy sposób generowania liczb pseudolosowych z zadanego rozkładu, który opiera się na funkcji odwrotnej $F^{-1}$ do dystrybuanty $F$ tego rozkładu. Procedura jest banalna, wystarczy wylosować $Y\sim U(0,1)$ i zwrócić $F^{-1}(Y)$. Niestety nie zawsze łatwe jest wyznaczenie jawnej postaci dystrybuanty, tym bardziej dotyczy to funkcji do niej odwrotnej. Dla przykładu – powszechny rozkład normalny charakteryzuje się funkcją gęstości w postaci „elementarnej”, natomiast jego dystrybuanta (i funkcja do niej odwrotna) wymagają zastosowania funkcji specjalnych – w tym przypadku funkcji błędu Gaussa.

Kiedyś kolega (pozdrowienia Marcin!) pokazał mi nieskomplikowany sposób generacji liczb losowych z rozkładu opisanego histogramem. Zwyczajnie „kładziemy” (skalując) słupki histogramu na odcinek $(0,1)$, losujemy $X\sim U(0,1)$, weryfikujemy „do którego słupka wpadło X”, zwracamy „właśnie ten słupek”. Genialne w swojej prostocie, i działa. Histogram to dyskretna reprezentacja rozkładu, dlatego postanowiłem metodę uogólnić na klasę rozkładów ciągłych opisanych zadaną funkcją gęstości. Otrzymaną metodę nazwałem „MaCDRG-yver” 🙂

MaCDRG-yver - Monte Carlo Density based Random Generator

Czytaj dalej

Liczba e ukryta w sumie rozkładów jednostajnych

Wyróżnione

Rozkład jednostajny na odcinku $$(0,1)$$, chyba najprostszy z możliwych rozkładów ciągłych, z pozoru niezbyt interesujący, a jednak 🙂 Dziś ciekawostka wiążąca rozkład sumy rozkładów jednostajnych z liczbą Eulera e.

Uniform Sum Distribution

Rozkład jednostajny ciągły na odcinku (a,b)

Rozkład jednostajny ciągły na odcinku $$(a,b)$$ jest opisany poniższą funkcją gęstości.

$$f(x)=\begin{cases}\frac{1}{b-a}&&\text{dla }a\leq x\leq b\\0&&\text{w p.p.}\end{cases}$$

Pisząc $$X\sim U(a,b)$$ oznaczamy, że zmienna losowa $$X$$ ma rozkład jednostajny ciągły na odcinku $$(a,b)$$. Jest to rozkład ciągły, zatem przyjęcie wartości $$0$$ lub $$\frac{1}{b-a}$$ w punktach $$x=a$$ i $$x=b$$ jest umowne i nie ma zwykle wpływu na własności i rozważania.

Czytaj dalej

Matematyka w obrazkach #20 – Optimus Prime

W nawiązaniu do liczb pierwszych, którym poświęcony był wczorajszy wpis „Liczba π ukryta w liczbach pierwszych”, prezentuję postać z uniwersum Transfomers. Szanowni Czytelnicy – w cyklu „Matematyka w obrazkach”„Jego Królewska Mość”Optimus Prime – przywódca Autobotów 🙂

Optimus Prime Numbers

Pozdrowienia 🙂

Mariusz Gromada

Liczba π (Pi) ukryta w liczbach pierwszych

Wyróżnione

Liczba $\pi$ ukryta w liczbach pierwszych? Jak to możliwe? Przecież liczby pierwsze to „chaos”, a $\pi$ ma ścisły związek z najbardziej regularnym obiektem geometrycznym – tzn. z okręgiem / kołem.

Prime Pi

Czym jest $\pi$?

  • $\pi$ to stosunek obwodu koła do jego średnicy.
  • $\pi$ to pole powierzchni koła o promieniu $1$.
  • $\pi$ to połowa obwodu koła o promieniu $1$.
  • $\pi$ to $\frac{1}{4}$ pola powierzchni sfery o promieniu $1$.
  • $\pi$ to $\frac{3}{4}$ objętości kuli o promieniu $1$.
  • $k\pi$ dla całkowitych $k$ to miejsca zerowe funkcji $\sin x$.
  • … i wiele innych …

Czym są liczby pierwsze?

  • Liczba pierwsza to liczba naturalna $n\in\mathbb{N}$ większa od $1$, której jednymi dzielnikami są $1$ oraz $n$.
  • Liczby pierwsze to „atomy” w teorii liczb, tzn. każdą liczbę naturalną można rozłożyć na iloczyn liczb pierwszych.
  • Rozmieszczenie liczb pierwszych wśród liczb naturalnych spełnia pewne zależności statystyczne, jednak nie jest znany żaden precyzyjny wzór dla określenia $n-tej$ liczby pierwszej. Ciekawskich odsyłam do artykułu „Prime-counting function”.

Czytaj dalej

Genialny wzór Taylora – czyli o informacji zakodowanej w pochodnych

Wyróżnione

„Co to jest różniczka? – zapytano  matematyka.
Różniczka to wyniczek odejmowanka – odpowiedział”
🙂

Wzór Taylora to jeden z elementów, które stanowią esencję rachunku różniczkowego i całkowego. Oto, w magiczny sposób, na bazie sekwencji informacji o funkcji, dotyczących tylko jednego jej wybranego punktu, możliwe jest bardzo precyzyjne odtworzenie zmienności funkcji w pobliżu ustalonego punktu. Wzór Taylora, nazywamy często rozwinięciem Taylora funkcji $f(x)$ w otoczeniu punktu $x_0$, faktycznie „rozwija” funkcję do postaci sumy funkcji elementarnych $a_n(x-x_0)^n$, stanowiących atomy wielomianów. W efekcie otrzymujemy nie tylko efektywną aproksymację wartości funkcji, ale również nową „łatwiejszą” jej formę.

Wielomian Taylora

Twierdzenie Taylora: Dla funkcji $f:\mathbb{R}\to\mathbb{R}$ $n$-razy różniczkowalnej $(n\geq 1)$ w punkcie $x_0\in\mathbb{R}$, istnieje funkcja $h_n:\mathbb{R}\to\mathbb{R}$, że

$$f(x)=\underbrace{\displaystyle\sum_{k=0}^n\frac{f^{(k)}(x_0)}{k!}(x-x_0)^k}_{wielomian-aproksymacja~f(x)}+\underbrace{h_n(x)(x-x_0)^n}_{reszta}$$

$$f(x)=f(x_0)+\frac{f^{(1)}(x_0)}{1!}(x-x_0)^1+\frac{f^{(2)}(x_0)}{2!}(x-x_0)^2+\ldots$$

$$\ldots+\frac{f^{(n)}(x_0)}{n!}(x-x_0)^n+h_n(x)(x-x_0)^n$$

oraz

$$\displaystyle\lim_{x\to x_0}h_n(x)=0$$

Przez $f^{(k)}(x)$ oznaczamy pochodną rzędu $k$ funkcji $f(x)$.

Twierdzenie Taylora nosi nazwę od angielskiego matematyka Brooka Taylora, który opracował je w 1712 roku. Samą własność wcześniej odkrył James Gregory – dokonał tego w 1671 roku.

Czytaj dalej

Matematyka w obrazkach #19 – Oko Mandelbrota

W cyklu „Matematyka w obrazkach” – nowe logo MathSpace.pl

Motywacja

Motywując postać nowego logo przytoczę cytaty, którymi posłużyłem się otwierając serię o „Geometrii fraktalnej” – wpis „Fraktalne oblicze natury”.

„Geometria fraktalna sprawi, że inaczej spojrzysz na świat. Ostrzegam – zgłębianie tej wiedzy wiąże się z niebezpieczeństwem. Ryzykujesz utratę części wyobrażeń z dzieciństwa – szczególnie tych dotyczących chmur, lasów, kwiatów, galaktyk, liści, piór, skał, gór, potoków, i wielu innych. Twoja interpretacja przyrody zmieni się całkowicie i na zawsze.”

Michael F. Barnsley

 

„W kwestii fraktali zobaczyć znaczy uwierzyć”

Benoit Mandelbrot

 

Pozdrowienia,

Mariusz Gromada

Egzotyczna hiperkula – czyli o pomiarach w przestrzeni wielowymiarowej

Wyróżnione

„Jak oczami wyobraźni zobaczyć 4 wymiary? – zapytano matematyka.
To proste – odpowiedział – wystarczy wyobrazić sobie n-wymiarów i podstawić n=4″
🙂

Hipersześcian i Hiperkula - rzut

Dzisiejszy wpis poświęcę pomiarom odległości, powierzchni i pojemności w przestrzeniach wielowymiarowych. N-wymiarowa przestrzeń euklidesowa dostarcza dosyć oczywistą metrykę – a przez to wydawałoby się – bardzo intuicyjną. To wrażanie jest jednak mylne, co łatwo pokazać analizując wpływ zwiększania liczby wymiarów na dokonywane pomiary. Jak w zależności od liczby wymiarów zmienia się powierzchnia i objętość kuli? Analogicznie – jak zmienia się maksymalna odległość pomiędzy wierzchołkami kostki? Obiecuję – odpowiedzi będą zaskakujące 🙂

Możesz mieć wrażenie, że to wyłącznie abstrakcyjne rozważania. Czy na pewno? Ja w zasadzie na co dzień analizuję Klientów opisanych szeregiem miar. Poszukiwanie podobieństw, skupień, segmentów czy „najbliższych sąsiadów” niemal w całości opiera się na wielowymiarowej metryce euklidesowej. Zapraszam do pogłębienia wiedzy w tym obszarze:-) Zapewniam – warto!

Czytaj dalej

Tetracja i nieskończona wieża wykładnicza

Tetracja - definicja

Tetracja (wieża wykładnicza, super-potęgowanie, iterowane potęgowanie, 4 hiper-operator)

Tetracja to działanie dwuargumentowe definiowane jako wielokrotne potęgowanie elementu przez siebie.

Definicja: dla dowolnej liczby rzeczywistej $a>0$ i nieujemnej liczby całkowitej $n\geq 0$ tetrację $n$ liczby $a$ definiujemy jako:

$${^{n}a}=\begin{cases}1&\text{dla}\quad n=0\\a&\text{dla}\quad n=1\\ \underbrace{a^{a^{\cdots^{a}}}}_{n}&\text{dla}\quad n>1\end{cases}$$

Przykłady

$${^{3}2}=2^{2^2}=2^{(2^2)}=2^4=16$$

$${^{4}2}=2^{2^{2^2}}=2^{(2^{(2^2)})}=2^{(2^{4})}=2^{16}=65536$$

$${^{3}3}=3^{3^3}=3^{(3^3)}=3^{27}=7625597484987$$

$${^{4}3}=3^{3^{3^3}}=3^{(3^{(3^3)})}=3^{(3^{27})}=3^{7625597484987}=\ldots$$ liczba składająca się z $$3638334640025$$ cyfr 🙂

Tetrację można wykorzystać do zapisu naprawdę dużych liczb, co dobrze obrazuje przykład ${^{4}3}$. Tetrację wygodnie jest również definiować w postaci rekurencyjnej.

Definicja rekurencyjna: dla dowolnej liczby rzeczywistej $a>0$ i nieujemnej liczby całkowitej $n\geq 0$ tetrację $n$ liczby $a$ definiujemy jako:

$${^{n}a}=\begin{cases}1&\text{dla}\quad n=0\\a^{{^{n-1}a}}&\text{dla}\quad n\geq 1\end{cases}$$

Czytaj dalej