Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Concept
Differentiation rules
Résumé
This is a summary of differentiation rules, that is, rules for computing the derivative of a function in calculus.
Unless otherwise stated, all functions are functions of real numbers (R) that return real values; although more generally, the formulae below apply wherever they are well defined — including the case of complex numbers (C).
For any value of , where , if is the constant function given by , then .
Let and . By the definition of the derivative,
This shows that the derivative of any constant function is 0.
Linearity of differentiation
For any functions and and any real numbers and , the derivative of the function with respect to is:
In Leibniz's notation this is written as:
Special cases include:
The constant factor rule
The sum rule
The subtraction rule
Product rule
For the functions f and g, the derivative of the function h(x) = f(x) g(x) with respect to x is
In Leibniz's notation this is written
Chain rule
The derivative of the function is
In Leibniz's notation, this is written as:
often abridged to
Focusing on the notion of maps, and the differential being a map , this is written in a more concise way as:
Inverse functions and differentiation
If the function f has an inverse function g, meaning that and then
In Leibniz notation, this is written as
Power rule
If , for any real number then
When this becomes the special case that if then
Combining the power rule with the sum and constant multiple rules permits the computation of the derivative of any polynomial.
Reciprocal rule
The derivative of for any (nonvanishing) function f is:
wherever f is non-zero.
In Leibniz's notation, this is written
The reciprocal rule can be derived either from the quotient rule, or from the combination of power rule and chain rule.
Quotient rule
If f and g are functions, then:
wherever g is nonzero.
This can be derived from the product rule and the reciprocal rule.
Power rule
The elementary power rule generalizes considerably. The most general power rule is the functional power rule: for any functions f and g,
wherever both sides are well defined.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Cours associés (22)
MATH-101(g): Analysis I
Étudier les concepts fondamentaux d'analyse et le calcul différentiel et intégral des fonctions réelles d'une variable.
MATH-106(en): Analysis II (English)
The course studies fundamental concepts of analysis and the calculus of functions of several variables.
MATH-212: Analyse numérique et optimisation
L'étudiant apprendra à résoudre numériquement divers problèmes mathématiques. Les propriétés théoriques de ces
méthodes seront discutées.
Séances de cours associées (159)
Dérivés et continuité
Couvre les dérivés, la continuité, les propriétés et les applications des règles dérivées.
Dérivabilité et différenciation
Couvre la dérivabilité, la différenciation, les règles de différenciation et la relation entre la différenciation et la continuité.
Analyse avancée II: Hessiens et dérivés directionnels
Explore les héssiens, les dérivés directionnels et la continuité des fonctions dans l'analyse avancée.
Publications associées (27)
Differentiable Signed Distance Function Rendering
Wenzel Alban Jakob, Delio Aleardo Vicini, Sébastien Nicolas Speierer
Physically-based differentiable rendering has recently emerged as an attractive new technique for solving inverse problems that recover complete 3D scene representations from images. The inversion of shape parameters is of particular interest but also pose ...
ASSOC COMPUTING MACHINERY2022Adaptive Gradient Descent without Descent
We present a strikingly simple proof that two rules are sufficient to automate gradient descent: 1) don’t increase the stepsize too fast and 2) don’t overstep the local curvature. No need for functional values, no line search, no information about the func ...
2020Personnes associées (3)
Concepts associés (7)
Dérivée logarithmique
En mathématiques et plus particulièrement en analyse et en analyse complexe, la dérivée logarithmique d'une fonction f dérivable ne s'annulant pas est la fonction : où f est la dérivée de f. Lorsque la fonction f est à valeurs réelles strictement positives, la dérivée logarithmique coïncide avec la dérivée de la composée de f par la fonction logarithme ln, comme le montre la formule de la dérivée d'une composée de fonctions.
Quotient rule
In calculus, the quotient rule is a method of finding the derivative of a function that is the ratio of two differentiable functions. Let , where both f and g are differentiable and The quotient rule states that the derivative of h(x) is It is provable in many ways by using other derivative rules. Given , let , then using the quotient rule: The quotient rule can be used to find the derivative of as follows: Reciprocal rule The reciprocal rule is a special case of the quotient rule in which the numerator .
Règle du produit
En analyse mathématique, la règle du produit, aussi appelée règle de Leibniz, est une formule utilisée afin de trouver les dérivées de produits de fonctions. Sous sa forme la plus simple, elle s'énonce ainsi : En notation de Leibniz, cette formule s'écrit : Une application importante de la règle du produit est la méthode d'intégration par parties. Soit la fonction définie par : Pour trouver sa dérivée avec la règle du produit, on pose et . Les fonctions , et sont partout dérivables car polynomiales.
MOOCs associés (1)
Introduction to optimization on smooth manifolds: first order methods
Learn to optimize on smooth, nonlinear spaces: Join us to build your foundations (starting at "what is a manifold?") and confidently implement your first algorithm (Riemannian gradient descent).