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 — Português সংস্করণ দেখানো হচ্ছে।

Matemática · পরিভাষা

diferenciável কী?

অন্য নাম: diferencial · matriz jacobiana

Definição 15.1 Matemática universitária — Graduação 2 · অধ্যায় 15 — Cálculo diferencial

ff é diferenciável em aa quando existe uma aplicação linear (contínua)  ⁣dfa ⁣:Rn→Rm\dd f_a \colon \R^n \to \R^m com

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).

A aplicação  ⁣dfa\dd f_a, a diferencial de ff em aa, é única; sua matriz nas bases canônicas é a matriz jacobiana Jf(a)=(∂fi∂xj(a))J_f(a) = \bigl(\frac{\partial f_i}{\partial x_j}(a)\bigr). A diferenciabilidade implica a continuidade e a existência de todas as derivadas direcionais  ⁣dfa(v)=lim⁡t→0f(a+tv)−f(a)t\dd f_a(v) = \lim_{t\to0}\frac{f(a + tv) - f(a)}{t}; a recíproca falha (Exercício 15.2). Para m=1m = 1,  ⁣dfa(h)=⟨∇f(a),h⟩\dd f_a(h) = \langle \nabla f(a), h\rangle: o gradiente do primeiro ano, agora entendido como o vetor que representa a diferencial.

উদাহরণ

Exemplo 15.4 (Funções radiais, de uma vez por todas)

Sejam r(x)=∥x∥2r(x) = \norm x_2 em Rn∖{0}\R^n\setminus\{0\} e f=g∘rf = g \circ r com gg uma função C1C^1 de uma variável. Primeiro, rr é diferenciável fora de 00: de r2=∑xi2r^2 = \sum x_i^2,

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

o vetor radial unitário (derive r2r^2 e divida — ou aplique a regra da cadeia a ⋅\sqrt{\cdot}). Então a regra da cadeia dá, para toda função radial,

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

Instância trabalhada: g(r)=1rg(r) = \frac1r fornece ∇1∥x∥=−x∥x∥3\nabla\frac{1}{\norm x} = -\frac{x}{\norm x^3}, o campo inverso do quadrado da gravitação e da eletrostática — direção radial, magnitude 1∥x∥2\frac{1}{\norm x^2}. Lição final: os gradientes de funções radiais são radiais porque as superfícies de nível são esferas e o gradiente é ortogonal às superfícies de nível; em x=0x = 0, em contraste, rr não é diferenciável (nenhuma aplicação linear candidata casa com ∥h∥\norm h vinda de todas as direções) — perfis radiais suaves precisam de g′(0)=0g'(0) = 0 para cruzar a origem com elegância.

Exemplo 15.6 (Uma constante de Lipschitz pela DVM)

f(x,y)=sin⁡x sin⁡yf(x, y) = \sin x\,\sin y é lipschitziana em R2\R^2, e com qual constante? Seu gradiente é ∇f=(cos⁡xsin⁡y, sin⁡xcos⁡y)\nabla f = (\cos x\sin y,\ \sin x\cos y), de norma ao quadrado

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

(majore cos⁡2x\cos^2x e sin⁡2x\sin^2x por 11 separadamente), logo ∣∣∣ ⁣df(x,y)∣∣∣=∥∇f∥≤1\vertiii{\dd f_{(x,y)}} = \norm{\nabla f} \leq 1 em toda parte, e Teorema 15.5 no segmento entre dois pontos quaisquer dá

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

ff é 11-lipschitziana, e a constante é ótima (perto da origem, f(x,π2)=sin⁡xf(x, \tfrac\pi2) = \sin x tem inclinação 11). Lição final: a desigualdade do valor médio converte uma cota pontual sobre a diferencial num módulo global de continuidade — a rota padrão para estimativas lipschitzianas em qualquer dimensão, e o motor dentro do Exercício 15.12.

প্রসঙ্গসহ পড়ো →