高数知识补充----矩阵、行列式、数学符号

news2024/9/22 19:42:04

矩阵计算

参考链接:矩阵如何运算?——线性代数_矩阵计算-CSDN博客

行列式计算

参考链接:实用的行列式计算方法 —— 线性代数(det)_det线性代数-CSDN博客

参考链接:行列式的计算方法(含四种,看完就会!)-CSDN博客

一、对角线法

▍以三阶行列式为例:

①将第一、二列平移到行列式右侧
②如图做出六条斜对角线
③对角线上的元素相乘红色相加的和 减去 蓝色相加的和

D3​=

对角线法也是三阶行列式计算使用最广泛的方法

 对角线法适用于二、三阶行列式,对于更高阶的行列式暂时未找到规律

二、代数余子式法

三、等价转化法

四、逆序数法

四种行列式的计算方法:

▍其中对角线法,是使用最简单、最广泛的方法

▍代数余子式法和等价转化法,在特定情况下能极大程度上简便运算,但需要读者对行列式进行灵活地观察

▍逆序数法,是一种更加基础的方法,使用起来比较复杂

数学符号及读法大全 & 数学运算符号及含义

参考链接:【高数】数学符号及读法大全and数学运算符号及含义_高数符号大全及意义-CSDN博客

数学符号及读法大全,并解释了运算符号含义。

大写

小写

英文注音

国际音标

中文注音

Α

α

alpha

alfa

阿耳法

Β

β

beta

beta

贝塔

Γ

γ

gamma

gamma

伽马

Δ

δ

deta

delta

德耳塔

Ε

ε

epsilon

epsilon

艾普西隆

Ζ

ζ

zeta

zeta

截塔

Η

η

eta

eta

艾塔

Θ

θ

theta

θita

西塔

Ι

ι

iota

iota

约塔

Κ

κ

kappa

kappa

卡帕

λ

lambda

lambda

兰姆达

Μ

μ

mu

miu

Ν

ν

nu

niu

Ξ

ξ

xi

ksi

可塞

Ο

ο

omicron

omikron

奥密可戎

π

pi

pai

Ρ

ρ

rho

rou

σ

sigma

sigma

西格马

Τ

τ

tau

tau

Υ

υ

upsilon

jupsilon

衣普西隆

Φ

φ

phi

fai

Χ

χ

chi

khai

Ψ

ψ

psi

psai

普西

Ω

ω

omega

omiga

欧米噶

符号

含义

i

-1的平方根

f(x)

函数f在自变量x处的值

sin(x)

在自变量x处的正弦函数值

exp(x)

在自变量x处的指数函数值,常被写作ex

a^x

a的x次方;有理数x由反函数定义

ln x

exp x 的反函数

ax

同 a^x

logba

以b为底a的对数;blogba = a

cos x

在自变量x处余弦函数的值

tan x

其值等于 sin x/cos x

cot x

余切函数的值或 cos x/sin x

sec x

正割含数的值,其值等于 1/cos x

csc x

余割函数的值,其值等于 1/sin x

asin x

y,正弦函数反函数在x处的值,即 x = sin y

acos x

y,余弦函数反函数在x处的值,即 x = cos y

atan x

y,正切函数反函数在x处的值,即 x = tan y

acot x

y,余切函数反函数在x处的值,即 x = cot y

asec x

y,正割函数反函数在x处的值,即 x = sec y

acsc x

y,余割函数反函数在x处的值,即 x = csc y

θ

角度的一个标准符号,不注明均指弧度,尤其用于表示atan x/y,当x、y、z用于表示空间中的点时

i, j, k

分别表示x、y、z方向上的单位向量

(a, b, c)

以a、b、c为元素的向量

(a, b)

以a、b为元素的向量

(a, b)

a、b向量的点积

a•b

a、b向量的点积

(a•b)

a、b向量的点积

|v|

向量v的模

|x|

数x的绝对值

Σ

表示求和,通常是某项指数。下边界值写在其下部,上边界值写在其上部。如j从1到100 的和可以表示成:。这表示 1 + 2 + … + n

M

表示一个矩阵或数列或其它

|v>

列向量,即元素被写成列或可被看成k×1阶矩阵的向量

<v|

被写成行或可被看成从1×k阶矩阵的向量

dx

变量x的一个无穷小变化,dy, dz, dr等类似

ds

长度的微小变化

ρ

变量 (x2 + y2 + z2)1/2 或球面坐标系中到原点的距离

r

变量 (x2 + y2)1/2 或三维空间或极坐标中到z轴的距离

|M|

矩阵M的行列式,其值是矩阵的行和列决定的平行区域的面积或体积

||M||

矩阵M的行列式的值,为一个面积、体积或超体积

det M

M的行列式

M-1

矩阵M的逆矩阵

v×w

向量v和w的向量积或叉积

θvw

向量v和w之间的夹角

A•B×C

标量三重积,以A、B、C为列的矩阵的行列式

uw

在向量w方向上的单位向量,即 w/|w|

df

函数f的微小变化,足够小以至适合于所有相关函数的线性近似

df/dx

f关于x的导数,同时也是f的线性近似斜率

f '

函数f关于相应自变量的导数,自变量通常为x

∂f/∂x

y、z固定时f关于x的偏导数。通常f关于某变量q的偏导数为当其它几个变量固定时df 与dq的比值。任何可能导致变量混淆的地方都应明确地表述

(∂f/∂x)|r,z

保持r和z不变时,f关于x的偏导数

grad f

元素分别为f关于x、y、z偏导数 [(∂f/∂x), (∂f/∂y), (∂f/∂z)] 或 (∂f/∂x)i + (∂f/∂y)j + (∂f/∂z)k; 的向量场,称为f的梯度

向量算子(∂/∂x)i + (∂/∂x)j + (∂/∂x)k, 读作 "del"

∇f

f的梯度;它和 uw 的点积为f在w方向上的方向导数

∇•w

向量场w的散度,为向量算子∇ 同向量 w的点积, 或 (∂wx /∂x) + (∂wy /∂y) + (∂wz /∂z)

curl w

向量算子 ∇ 同向量 w 的叉积

∇×w

w的旋度,其元素为[(∂fz /∂y) - (∂fy /∂z), (∂fx /∂z) - (∂fz /∂x), (∂fy /∂x) - (∂fx /∂y)]

∇•∇

拉普拉斯微分算子:(∂2/∂x2) + (∂/∂y2) + (∂/∂z2)

f "(x)

f关于x的二阶导数,f '(x)的导数

d2f/dx2

f关于x的二阶导数

f(2)(x)

同样也是f关于x的二阶导数

f(k)(x)

f关于x的第k阶导数,f(k-1) (x)的导数

T

曲线切线方向上的单位向量,如果曲线可以描述成 r(t), 则T = (dr/dt)/|dr/dt|

ds

沿曲线方向距离的导数

κ

曲线的曲率,单位切线向量相对曲线距离的导数的值:|dT/ds|

N

dT/ds投影方向单位向量,垂直于T

B

平面T和N的单位法向量,即曲率的平面

τ

曲线的扭率:|dB/ds|

g

重力常数

F

力学中力的标准符号

k

弹簧的弹簧常数

pi

第i个物体的动量

H

物理系统的哈密尔敦函数,即位置和动量表示的能量

{Q, H}

Q, H的泊松括号

以一个关于x的函数的形式表达的f(x)的积分

函数f 从a到b的定积分。当f是正的且 a < b 时表示由x轴和直线y = a, y = b 及在这些直线之间的函数曲线所围起来图形的面积

L(d)

相等子区间大小为d,每个子区间左端点的值为 f的黎曼和

R(d)

相等子区间大小为d,每个子区间右端点的值为 f的黎曼和

M(d)

相等子区间大小为d,每个子区间上的最大值为 f的黎曼和

m(d)

相等子区间大小为d,每个子区间上的最小值为 f的黎曼和

公式输入符号  :

+:           plus(positive正的)
-:         minus(negative负的)
*:         multiplied by
÷:        divided by
=:          be equal to
≈:          be approximately equal to
():          round brackets(parenthess)
[]:          square brackets
{}:          braces
∵:          because
∴:          therefore
≤:          less than or equal to
≥:          greater than or equal to
∞:          infinity
LOGnX:    logx to the base n
xn:          the nth power of x
f(x):          the function of x
dx:          diffrencial of x
x+y:        x plus y
(a+b):      bracket a plus b bracket closed
a=b:        a equals b
a≠b:      a isn't equal to b
a>b :       a is greater than b
a>>b:      a is much greater than b
a≥b:         a is greater than or equal to b
x→∞:    approches infinity
x2:          x  square
x3:          x cube
√ ̄x:      the square root of x
3√ ̄x:    the cube root of x
3‰:    three peimill
n∑i=1xi:  the summation of x where x goes from 1to n
n∏i=1xi:  the product of x sub i where igoes from 1to n
∫ab:         integral betweens a and b

数学符号(理科符号)——运算符号 : 

1.基本符号:+ - × ÷(/)  
2.分数号:/  
3.正负号:±  
4.相似全等:∽ ≌  
5.因为所以:∵ ∴  
6.判断类:= ≠ < ≮(不小于) > ≯(不大于)  
7.集合类:∈(属于) ∪(并集) ∩(交集)  
8.求和符号:∑  
9.n次方符号:¹(一次方) ²(平方) ³(立方) ⁴(4次方) ⁿ(n次方)  
10.下角标:₁ ₂ ₃ ₄  
(如:A₁B₂C₃D₄ 效果如何?)  
11.或与非的"非":¬  
12.导数符号(备注符号):′ 〃  
13.度:° ℃  
14.任意:∀  ;“存在”:∃
15.推出号:⇒  
16.等价号:⇔  
17.包含被包含:⊆ ⊇ ⊂ ⊃  
18.积分:∫ ∬  
19.箭头类:↗ ↙ ↖ ↘ ↑ ↓ ↔ ↕ ↑ ↓ → ←  
20.绝对值:|  
21.弧:⌒  
22.圆:⊙ 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1932785.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

基于 asp.net家庭财务管理系统设计与实现

博主介绍&#xff1a;专注于Java .net php phython 小程序 等诸多技术领域和毕业项目实战、企业信息化系统建设&#xff0c;从业十五余年开发设计教学工作 ☆☆☆ 精彩专栏推荐订阅☆☆☆☆☆不然下次找不到哟 我的博客空间发布了1000毕设题目 方便大家学习使用感兴趣的可以先…

破解反爬虫策略 /_guard/auto.js(二)实战

这次我们用上篇文章讲到的方法来真正破解一下反爬虫策略&#xff0c;这两个案例是两个不同的网站&#xff0c;一个用的是 /_guard/auto.js&#xff0c;另一个用的是/_guard/delay_jump.js。经过解析发现这两个网站用的反爬虫策略基本是一模一样&#xff0c;只不过在js混淆和生成…

k8s核心操作_存储抽象_K8S中使用Secret功能来存储密码_使用免密拉取镜像_k8s核心实战总结---分布式云原生部署架构搭建033

注意在看的时候一定要把 dxxxx中的xxxx换成--o----c----k----e----r 然后我们再来看一个k8s中的secret的功能,这个功能 用来存储密码的,configMap是用来存配置的 比如我们有个pod,他的镜像,如果是需要密码的,那么 我们现在是从公共仓库拉取的,如果我们从私有仓库拉取,有密码…

搜维尔科技:【研究】触觉技术将在5年内以8种方式改变人们的世界

触觉技术在过去几年中发展迅猛&#xff0c;大大提高了反馈的精确度和真实度。其应用产生了真正的影响&#xff0c;数百家公司和企业都集成了触觉技术来增强培训和研究模拟。 虽然触觉技术主要用于 B2B 层面&#xff0c;但触觉技术可能会彻底改变我们的生活&#xff0c;尤其是通…

《梦醒蝶飞:释放Excel函数与公式的力量》12.4 DMAX函数

第12章&#xff1a;数据库函数 第四节 12.4 DMAX函数 12.4.1 简介 DMAX函数是Excel中的一个数据库函数&#xff0c;用于返回数据库或数据表中特定条件下某字段的最大值。DMAX函数在处理大规模数据、数据筛选和分析时非常有用。 12.4.2 语法 DMAX(database, field, criteri…

Keka for Mac v1.4.3 中文下载 解压/压缩工具

Mac分享吧 文章目录 效果一、下载软件二、开始安装1、双击运行软件&#xff0c;将其从左侧拖入右侧文件夹中&#xff0c;等待安装完毕2、应用程序显示软件图标&#xff0c;表示安装成功 三、运行测试1、打开软件2、文件访问权限修改3、访达扩展 安装完成&#xff01;&#xff…

安全防御:智能选路

目录 一、智能选路 1.1 就近选路 1.2 策略路由 1.3 虚拟系统---VRF 二、全局选路策略 1&#xff0c;基于链路带宽进行负载分担 2&#xff0c;基于链路质量进行负载分担 3&#xff0c;基于链路权重的负载分担 4&#xff0c;根据链路优先级的主备备份 DNS透明代理 一、…

【MySQL篇】Percona XtraBackup工具备份指南:常用备份命令详解与实践(第二篇,总共五篇)

&#x1f4ab;《博主介绍》&#xff1a;✨又是一天没白过&#xff0c;我是奈斯&#xff0c;DBA一名✨ &#x1f4ab;《擅长领域》&#xff1a;✌️擅长Oracle、MySQL、SQLserver、阿里云AnalyticDB for MySQL(分布式数据仓库)、Linux&#xff0c;也在扩展大数据方向的知识面✌️…

关于深拷贝浅拷贝的相关问题

深拷贝和浅拷贝区别了解吗&#xff1f;什么是引用拷贝&#xff1f;写一下实现深拷贝或者浅拷贝的具体代码 深拷贝和浅拷贝的区别 深拷贝和浅拷贝是两种复制对象的方法&#xff0c;区别在于是否复制了对象内部的数据。 浅拷贝只复制了对象的第一层属性&#xff0c;深拷贝可以对…

【Linux】线程——生产者消费者模型、基于阻塞队列的生产消费者模型、基于环形队列的生产消费者模型、POSIX信号量的概念和使用

文章目录 Linux线程6. 生产消费者模型6.1 基于阻塞队列的生产消费者模型6.1.1 阻塞队列模型实现 6.2 基于环形队列的生产消费者模型6.2.1 POSIX信号量的概念6.2.2 POSIX信号量的使用6.2.3 环形队列模型实现 Linux线程 6. 生产消费者模型 生产消费者模型的概念 生产者消费者模…

1-2、truffle与webjs亲密接触(truffle智能合约项目实战)

1-2、truffle与webjs亲密接触&#xff08;truffle智能合约项目实战&#xff09; 5&#xff0c;web3调用智能合约6&#xff0c;Ganache 5&#xff0c;web3调用智能合约 在前面已经完成简单的合约编写 使用web3调用此函数 Web端的代码使用web3进行智能合约的访问 首先在cmd以…

Burp安全扫描Web应用

一、浏览器设置代理 如下图所示&#xff0c;点击火狐浏览器的“扩展和主题”&#xff0c;搜索“代理”。 如下图所示&#xff0c;选择搜索到的第一个代理&#xff08;选择任何一个都可以&#xff09;。 如上图所示&#xff0c;第一个点击后&#xff0c;进入如下页面&#xff0…

ubuntu22.04 配置grpc(优化官方教程)

优化了官方教程&#xff0c;2024.7.17顺利打通。 一&#xff1a;添加环境变量 打开root文件夹下的 .bashrc 文件 编辑文件&#xff1a;滚动到文件的底部&#xff0c;然后添加以下行&#xff1a; export MY_INSTALL_DIR$HOME/.local mkdir -p "$MY_INSTALL_DIR" exp…

web安全之跨站脚本攻击xss

定义: 后果 比如黑客可以通过恶意代码,拿到用户的cookie就可以去登陆了 分类 存储型 攻击者把恶意脚本存储在目标网站的数据库中(没有过滤直接保存)&#xff0c;当用户访问这个页面时&#xff0c;恶意脚本会从数据库中被读取并在用户浏览器中执行。比如在那些允许用户评论的…

BiLSTM 实现股票多变量时间序列预测(PyTorch版)

前言 系列专栏:【深度学习&#xff1a;算法项目实战】✨︎ 涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域&#xff0c;讨论了各种复杂的深度神经网络思想&#xff0c;如卷积神经网络、循环神经网络、生成对…

首个WebAgent在线评测框架和流程数据管理平台来了,GPT-4、Qwen登顶闭源和开源榜首!

在当今科技迅速发展的时代&#xff0c;大型语言模型&#xff08;Large Language Model&#xff0c;LLM&#xff09;正以前所未有的速度改变着我们与数字世界的互动方式。基于LLM的智能代理&#xff08;LLM Agent&#xff09;&#xff0c;从简单的信息搜索到复杂的网页操作&…

C1W4.Assignment.Naive Machine Translation and LSH

理论课&#xff1a;C1W4.Machine Translation and Document Search 文章目录 1. The word embeddings data for English and French words1.1The dataThe subset of dataLoad two dictionaries 1.2 Generate embedding and transform matricesExercise 1: Translating English…

防溺水预警系统引领水域安全新篇章

一、系统概述 随着人们对水域活动的需求增加&#xff0c;溺水事故频发&#xff0c;给人们的生命安全带来了严重威胁。然而&#xff0c;如今&#xff0c;一项创新科技正在以强大的功能和无限的潜力引领着水域安全的新篇章。智能防溺水预警系统&#xff0c;作为一种集成了智能感知…

CentOS 7 安装MySQL 5.7.30

CentOS 7 安装MySQL卸载&#xff08;离线安装&#xff09; 安装配置MySQL之前先查询是否存在&#xff0c;如存在先卸载再安装 rpm -qa|grep -i mysql rpm -qa|grep -i mariadb rpm -e --nodeps mariadb-libs-5.5.68-1.el7.x86_64如下命令找到直接 rm -rf 删除&#xff08;删除…

定制开发AI智能名片商城微信小程序在私域流量池构建中的应用与策略

摘要 在数字经济蓬勃发展的今天&#xff0c;私域流量已成为企业竞争的新战场。定制开发AI智能名片商城微信小程序&#xff0c;作为私域流量池构建的创新工具&#xff0c;正以其独特的优势助力企业实现用户资源的深度挖掘与高效转化。本文深入探讨了定制开发AI智能名片商城微信…