সব বই

পেশাদার

1 Markets I: The Ecosystem and Exchange-Traded Marketsবাজার অনলাইনইংরেজি 2 Markets II: Rates, FX and Creditবাজার অনলাইনইংরেজি 3 Markets III: Commodities, Energy and Cryptoবাজার অনলাইনইংরেজি 4 Quantitative Methodsপদ্ধতি অনলাইনইংরেজি 5 Derivatives and Volatilityডেরিভেটিভস অনলাইনইংরেজি 6 Rates, Credit, XVA and Riskসুদহার, ঋণ ও ঝুঁকি অনলাইনইংরেজি 7 Research Craft: Predictors, Backtests, Measurement, Portfoliosগবেষণা অনলাইনইংরেজি 8 Strategies I: Equities and Futuresকৌশল অনলাইনইংরেজি 9 Strategies II: Volatility, Relative Value, Macro and the Bank Desksকৌশল অনলাইনইংরেজি 10 Microstructure and Executionএক্সিকিউশন অনলাইনইংরেজি 11 Market Making and High-Frequency Tradingমার্কেট মেকিং অনলাইনইংরেজি 12 Machine Learning for Marketsমেশিন লার্নিং অনলাইনইংরেজি 13 Low-Latency Softwareপ্রযুক্তি অনলাইনইংরেজি 14 Networks, Hardware and Trading Infrastructureপ্রযুক্তি অনলাইনইংরেজি 15 Research, Data and Risk Platformsপ্রযুক্তি অনলাইনইংরেজি 16 The Desk and the Firmপ্রতিষ্ঠান অনলাইনইংরেজি 17 The Industry: Firms, Roles and Careersক্যারিয়ার অনলাইনইংরেজি 18 Interviews I: Maths, Probability and Speedক্যারিয়ার অনলাইনইংরেজি 19 Interviews II: Markets, Trading Games and the Final Roundক্যারিয়ার অনলাইনইংরেজি 20 Interviews III: Codeক্যারিয়ার অনলাইনইংরেজি
অ্যাপ পরিচিতি Coach সাইন ইন পড়া শুরু করো

বইগুলো এখনো বাংলা ভাষায় পাওয়া যায় না — Español সংস্করণ দেখানো হচ্ছে।

Matemáticas · পরিভাষা

diferenciable কী?

অন্য নাম: diferencial · matriz jacobiana

Definición 15.1 Matemáticas universitarias — Grado 2 · অধ্যায় 15 — Cálculo diferencial

ff es diferenciable en aa cuando existe una aplicación lineal (continua)  ⁣dfa ⁣:Rn→Rm\dd f_a \colon \R^n \to \R^m con

f(a+h)=f(a)+ ⁣dfa(h)+o(∥h∥)(h→0).f(a + h) = f(a) + \dd f_a(h) + o(\norm h) \qquad (h \to 0).

La aplicación  ⁣dfa\dd f_a, la diferencial de ff en aa, es única; su matriz en las bases canónicas es la matriz jacobiana Jf(a)=(∂fi∂xj(a))J_f(a) = \bigl(\frac{\partial f_i}{\partial x_j}(a)\bigr). La diferenciabilidad implica la continuidad y la existencia de todas las derivadas direccionales  ⁣dfa(v)=lim⁡t→0f(a+tv)−f(a)t\dd f_a(v) = \lim_{t\to0}\frac{f(a + tv) - f(a)}{t}; el recíproco es falso (Ejercicio 15.2). Para m=1m = 1,  ⁣dfa(h)=⟨∇f(a),h⟩\dd f_a(h) = \langle \nabla f(a), h\rangle: el gradiente del primer año, entendido ahora como el vector que representa la diferencial.

উদাহরণ

Ejemplo 15.4 (Funciones radiales, de una vez por todas)

Sean r(x)=∥x∥2r(x) = \norm x_2 sobre Rn∖{0}\R^n\setminus\{0\} y f=g∘rf = g \circ r con gg una función C1C^1 de una variable. Primero, rr es diferenciable fuera de 00: de r2=∑xi2r^2 = \sum x_i^2,

∂r∂xi=xir,es decir,∇r(x)=x∥x∥,\frac{\partial r}{\partial x_i} = \frac{x_i}{r}, \qquad\text{es decir,}\qquad \nabla r(x) = \frac{x}{\norm x} ,

el vector radial unitario (derívese r2r^2 y divídase, o aplíquese la regla de la cadena a ⋅\sqrt{\cdot}). Entonces la regla de la cadena da, para toda función radial,

∇f(x)=g′(∥x∥) x∥x∥.\nabla f(x) = g'\bigl(\norm x\bigr)\,\frac{x}{\norm x} .

Ejemplo resuelto: g(r)=1rg(r) = \frac1r da ∇1∥x∥=−x∥x∥3\nabla\frac{1}{\norm x} = -\frac{x}{\norm x^3}, el campo del inverso del cuadrado de la gravitación y la electrostática: de dirección radial y magnitud 1∥x∥2\frac{1}{\norm x^2}. Moraleja: los gradientes de las funciones radiales son radiales porque las curvas de nivel son esferas y el gradiente es ortogonal a ellas; en x=0x = 0, en cambio, rr no es diferenciable (ninguna aplicación lineal candidata se ajusta a ∥h∥\norm h desde todas las direcciones): los perfiles radiales suaves necesitan g′(0)=0g'(0) = 0 para cruzar el origen con elegancia.

Ejemplo 15.6 (Una constante de Lipschitz a partir de la desigualdad del valor medio)

¿Es f(x,y)=sin⁡x sin⁡yf(x, y) = \sin x\,\sin y lipschitziana sobre R2\R^2, y con qué constante? Su gradiente es ∇f=(cos⁡xsin⁡y, sin⁡xcos⁡y)\nabla f = (\cos x\sin y,\ \sin x\cos y), de norma al cuadrado

cos⁡2xsin⁡2y+sin⁡2xcos⁡2y≤sin⁡2y+cos⁡2y⋅1=1\cos^2x\sin^2y + \sin^2x\cos^2y \leq \sin^2 y + \cos^2y\cdot 1 = 1

(acótense cos⁡2x\cos^2x y sin⁡2x\sin^2x por 11 por separado), luego ∣∣∣ ⁣df(x,y)∣∣∣=∥∇f∥≤1\vertiii{\dd f_{(x,y)}} = \norm{\nabla f} \leq 1 en todas partes, y el Teorema 15.5 sobre el segmento entre dos puntos cualesquiera da

∣f(b)−f(a)∣≤∥b−a∥2:\abs{f(b) - f(a)} \leq \norm{b - a}_2 :

ff es 11-lipschitziana, y la constante es óptima (cerca del origen, f(x,π2)=sin⁡xf(x, \tfrac\pi2) = \sin x tiene pendiente 11). Moraleja: la desigualdad del valor medio convierte una cota puntual de la diferencial en un módulo global de continuidad; la vía estándar hacia las estimaciones lipschitzianas en toda dimensión, y el motor que hay dentro del Ejercicio 15.12.

প্রসঙ্গসহ পড়ো →