dirac delta,Δt中的Δ是什么意思啊?
Δ Delta(大写Δ,小写δ),是第四个希腊字母。 大写Δ用于: 在数学中,Δ在一元二次方程ax^2+bx+c=0(a≠0)或二次函数y=ax^2+bx+c(a≠0)中代表b^2-4ac,在方程中,若Δ≥0方程有实数解(若Δ>0,方程有两个不相等的实数解;若Δ=0,方程有两个相等的实数解),若Δ<0方程无实数解;在二次函数中,若Δ≥0图像与x轴有交点(若Δ>0,图像与x轴有两个交点;若Δ=0,图像与x轴有一个交点),若Δ<0图像与x轴无交点。 在物理学中,表示物理量的变化 如Q=cmΔt (式中Q代表热量,c代表物质的比热[容],m代表物质的质量,Δt代表温度的变化量) 粒子物理学的任何Delta粒子 小写δ: 在数学和科学,表示变数的变化 数学中两个函数的名称: 克罗内克δ函数 狄拉克δ函数 校对中,删除的记号 Delta 是三角洲的英文,源自三角洲的形状像三角形,如同大写的delta。 西里尔字母的 Д 和拉丁字母的 D 都是从 Delta 变来。

德尔塔公式的由来?
Delta是对一元二次方程一般式强行进行因式分解后得到的。因为强行分解后就变为:a(x-x1)(x-x2)=0,其中x1,x2就是求根公式表达的两个根。
你会看到求根公式里的根式下就是delta,显然必须对它的正负进行讨论,要是负的没意义,解出来的两个根不是实数根;要是正的就两个根解完了;要是0的话两个相等,就等于是只有一个实数根。
delta可以判断根的情况完全是从求根公式本身出发经过观察得到的。
另外你也可以从抛物线的形状来看。a>0时抛物线有最小值(4ac-b^2)/(4a),如果delta小于零,表明这个最小值总是正的,即抛物线全在x轴上方,与x轴无交点,也就是对应一元二次方程无解;等于零就正好和x轴一个交点,对应一个解;大于零最小值就是负的,和x轴两个交点,对应两个解。a<0时的结论也是一样,你自己可以分析,最大值的表达式还是(4ac-b^2)/(4a)。
这是delta可以判断根的情况的另一个佐证。最后参考的是我回答另一个人的东西。
傅里叶正变换的推导过程?
据了解,傅里叶正变换的推导过程如下:
1. 任意周期函数可展开成一组三角函数的级数,即
$f(x)=\frac{a_0}{2}+\sum_{n=1}^{\infty}[a_n\cos(nx)+b_n\sin(nx)]$
其中,$a_0$、$a_n$和$b_n$为系数。
2. 将上式中的$x$替换为$\omega t$,得到
$f(\omega t)=\frac{a_0}{2}+\sum_{n=1}^{\infty}[a_n\cos(n\omega t)+b_n\sin(n\omega t)]$
3. 对上式进行积分,得到
$\int_{-\infty}^{\infty}f(\omega t)e^{-i\omega t}d(\omega t)=\frac{a_0}{2}\int_{-\infty}^{\infty}e^{-i\omega t}d(\omega t)+\sum_{n=1}^{\infty}[a_n\int_{-\infty}^{\infty}\cos(n\omega t)e^{-i\omega t}d(\omega t)+b_n\int_{-\infty}^{\infty}\sin(n\omega t)e^{-i\omega t}d(\omega t)]$
4. 利用欧拉公式$e^{i\theta}=\cos\theta+i\sin\theta$,将积分式中的余弦函数和正弦函数转化为指数形式,即
$\int_{-\infty}^{\infty}\cos(n\omega t)e^{-i\omega t}d(\omega t)=\frac{1}{2}\int_{-\infty}^{\infty}[e^{in\omega t}+e^{-in\omega t}]e^{-i\omega t}d(\omega t)=\pi\delta(n)+\frac{1}{2}\int_{-\infty}^{\infty}e^{-(n-1)i\omega t}d(\omega t)+\frac{1}{2}\int_{-\infty}^{\infty}e^{-(n+1)i\omega t}d(\omega t)$
$\int_{-\infty}^{\infty}\sin(n\omega t)e^{-i\omega t}d(\omega t)=\frac{1}{2i}\int_{-\infty}^{\infty}[e^{in\omega t}-e^{-in\omega t}]e^{-i\omega t}d(\omega t)=\frac{1}{2i}\int_{-\infty}^{\infty}e^{-(n-1)i\omega t}d(\omega t)-\frac{1}{2i}\int_{-\infty}^{\infty}e^{-(n+1)i\omega t}d(\omega t)$
其中,$\delta(n)$为狄拉克δ函数。
5. 将积分式带回初始式子,得到
$\int_{-\infty}^{\infty}f(\omega t)e^{-i\omega t}d(\omega t)=\frac{a_0}{2}\int_{-\infty}^{\infty}e^{-i\omega t}d(\omega t)+\sum_{n=-\infty}^{\infty}[a_n\pi\delta(n)+b_n(\frac{1}{2i}\int_{-\infty}^{\infty}e^{-((n-1)i\omega t}d(\omegat)-\frac{1}{2i}\int_{-\infty}^{\infty}e^{-(n+1)i\omega t}d(\omega t))]$
6. 对于任意常数$A$,有$\int_{-\infty}^{\infty}e^{-A|x|}dx=\frac{2A}{A^2+b^2}$,其中$b$为任意正实数。
7. 根据上式,可以计算出积分式中的每一项的值,得到
$\int_{-\infty}^{\infty}f(\omega t)e^{-i\omega t}d(\omega t)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}f(t)e^{-i\omega t}dt$
即傅里叶正变换的式子:
$F(\omega)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^{\infty}f(t)e^{-i\omega t}dt$
其中,$F(\omega)$为函数$f(t)$的傅里叶变换。
单位阶跃函数的性质总结?
单位阶跃函数目前有三种定义,共同之处是自变量取值大于0时,函数值为1;自变量取值小于0时,函数值为0,不同之处是,自变量为0时函数值各不相同。
单位阶跃函数
第一种定义:自变量为0时函数值不确定或不定义,见北京大学吴崇试的数学物理方法第二版117页9.4式,南京大学梁昆淼数学物理方法第四版83页5.3.6式,陕西理工学院龙姝明数学物理方法& Mathematica79页5.41式)
第二种定义:自变量为0时函数值为1/2,见吴大正信号与线性系统分析第四版13页1.4-3式
第三种定义:自变量为0时,函数值为1。见吴大正信号与线性系统分析第四版102页3.2-4式关于单位阶跃序列的讨论。
从傅里叶积分变换角度看,第二种定义来得更自然,它正好可以用“符号函数与1之和”再除2来定义,而且计算逆傅里叶变换时我们必须用到这个定义。如果考虑半域问题,例如Laplace积分变换,即可以采用第一种定义,也可以采用第三种定义或 H(x) = 1/2(1+sgn(x))。
它是个不连续函数,其「微分」是狄拉克δ函数。它是一个几乎必然是零的随机变数的累积分布函数。
事实上自变量为0时的函数值在函数应用上并不重要,可以任意取。
这个函数由奥利弗·黑维塞提出。
物理意义
从物理角度讲,引入单位阶跃函数一是为了解决单位冲激函数(狄拉克Delta函数)的积分;二是系统在输入信号激励下的响应问题中,为了区分信号加入系统前后两个时点。信号加入系统开始起作用的时点称为“0时刻”后沿,记为0+,t=0+,就是t>0;输入信号要加而未加入的时点称为0时刻前沿,记为0-,t=0-,就是t<0。因而物理上一般不介入(0- ,0+)时区,因为这个时区内说不清输入信号到底加入系统了没有,实际上这个时区的宽度也不定,数学上可以认为它趋于0。于是单位阶跃函数在自变量为0处,即(0-,0+)区间上的值不予定义。这就是物理上采用第一种定义的缘故。
卷积性质
f(t)*u(t)=1/D[f(t)](D为微分算子)
这一性质不难通过Delta函数的卷积性质和卷积运算的积分性质证明。
两点分布公式推导?
我们可以用二项分布来推导两点分布的公式。
假设我们在一条无限长的直线上随机地选择两个点A和B,且A、B之间的距离为d。设L为该线段总长度,则有:
$$
P(A,B\text{距离为}\ d)=\frac{\text{AB为长度为}\ d\text{的线段的数量}}{L^2}
$$
对于该事件,如果我们将其转化为一个几何概型来考虑,则可以将直线分割成很多小段,每个小段的长度为dx(dx很小)。对于每个小段,它上面的任意一点作为A点,再从A点向左或向右移动距离d,则得到的便是与A点相距为d的点中,也可以说是与A点组成长度为d的线段的点。
因此,设点A所在的小段长度为dx1(即A点落在该小段上的概率),点B所在的小段长度为dx2(即B点落在该小段上的概率),则符合条件的线段数量为dx1*dx2。将整条线上的所有小段长度加起来,即可得到符合条件的线段的数量之和。
因此,有:
$$
P(A,B\text{距离为}\ d)=\int_{0}^{L}\int_{0}^{L}dx_1dx_2\delta(d-|x_2-x_1|)
$$
其中,Δ(x)表示狄拉克δ函数,它满足:
$$
\delta(x)=
\begin{cases}
+\infty, & x=0 \\
0, & x\neq 0
\end{cases}
$$
且满足积分性质:
$$
\int_{-\infty}^{+\infty}\delta(x)dx=1
$$
将上式中的积分拆开,得到:
$$
P(A,B\text{距离为}\ d)=\frac{1}{L^2}\int_{0}^{L}dx_1\int_{0}^{L}dx_2\delta(d-|x_2-x_1|)
$$
当|x2 - x1| > d时,由于狄拉克δ函数的性质,该积分为0。当|x2 - x1| ≤ d时,有:
$$
\int_{0}^{d}\delta(d-|x_2-x_1|)dx_1=\int_{x_2-d}^{x_2+d}\delta(d-|x_2-x_1|)dx_1=
\begin{cases}
2d, & 0\leq x_2\leq d \\
2d-(x_2+d), & d\leq x_2\leq L-d \\
2d-(L-x_2+d), & L-d\leq x_2\leq L
\end{cases}
$$
将上述式子代入前面的积分式中,可得到两点距离为d的概率分布函数:
$$
P(A,B\text{距离为}\ d)=\frac{2}{L^2}\int_{0}^{d}(d+x_2)dx_2+\frac{2}{L^2}\int_{d}^{L-d}(2d)dx_2=\frac{4d(L-d)}{L^3}
$$
这便是两点距离为d的概率分布函数,也就是两点分布的概率密度函数。


还没有评论,来说两句吧...