Математический анализ

Математический анализ, страница 3

Раздел высшей математики о пределах, непрерывности, производных, интегралах, рядах и функциях нескольких переменных.

179 формул

Таблица формул

Показаны 121-179 из 179. Остальные формулы доступны на соседних страницах подборки.

Формула Запись Тема Для чего нужна
Интегрирующий множитель для уравнения первого порядка $\mu Mdx+\mu Ndy=0,\quad (\mu M)_y=(\mu N)_x$ Дифференциальные уравнения Формула описывает метод «интегрирующий множитель общего уравнения» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования.
Характеристическое уравнение линейного ОДУ второго порядка $ay''+by'+cy=0,\quad ar^2+br+c=0$ Дифференциальные уравнения Формула описывает метод «характеристическое уравнение» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования.
Решение однородного линейного ОДУ с постоянными коэффициентами $ay''+by'+cy=0,\quad y=C_1e^{r_1x}+C_2e^{r_2x}$ Дифференциальные уравнения Формула описывает метод «суперпозиция экспонент» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования.
Метод неопределенных коэффициентов для линейного ОДУ $L[y]=f(x),\quad y=y_h+y_p$ Дифференциальные уравнения Формула описывает метод «подбор частного решения» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования.
Метод вариации постоянных для линейного ОДУ $y_p=u_1y_1+u_2y_2,\quad u_1'y_1+u_2'y_2=0$ Дифференциальные уравнения Формула описывает метод «вариация постоянных» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования.
Метод бисекции: корень и гарантированная точность $c=\frac{a+b}{2},\qquad |c-r|\leq\frac{b-a}{2}$ Численный поиск корней Метод бисекции ищет корень непрерывной функции делением отрезка пополам. Разные знаки на концах дают гарантию существования корня, а длина отрезка — оценку ошибки.
Метод Ньютона: приближение корня по касательной $x_{k+1}=x_k-\frac{f(x_k)}{f'(x_k)}$ Численный поиск корней Метод Ньютона заменяет функцию касательной в текущем приближении и берёт нуль этой прямой как следующий шаг. Вблизи простого корня сходимость может быть квадратичной.
Метод секущих: поиск корня без вычисления производной $x_{k+1}=x_k-f(x_k)\frac{x_k-x_{k-1}}{f(x_k)-f(x_{k-1})}$ Численный поиск корней Метод секущих строит прямую по двум последним точкам графика и использует её пересечение с осью для нового приближения корня. Производная заменяется разностным наклоном.
Составная формула трапеций для вычисления интеграла $T_n=h\left[\frac{f(a)+f(b)}2+\sum_{i=1}^{n-1}f(a+ih)\right],\quad h=\frac{b-a}{n}$ Численное интегрирование Составная формула трапеций приближает определённый интеграл суммой площадей под линейными отрезками между соседними узлами. Концевые значения получают половинный вес.
Формула Симпсона: интеграл по параболическим дугам $S_n=\frac h3\left[f_0+f_n+4\!\sum_{\substack{i=1\\i\text{ нечётное}}}^{n-1}f_i+2\!\sum_{\substack{i=2\\i\text{ чётное}}}^{n-2}f_i\right]$ Численное интегрирование Составная формула Симпсона объединяет соседние промежутки попарно и заменяет функцию параболой через три узла. Для равномерной сетки число промежутков должно быть чётным.
Явный метод Эйлера: решение задачи Коши по шагам $y_{n+1}=y_n+h f(t_n,y_n),\qquad t_{n+1}=t_n+h$ Численные методы ОДУ Явный метод Эйлера приближённо решает уравнение y′ = f(t,y), продолжая решение по наклону в начале каждого шага. При гладком решении глобальная ошибка имеет первый порядок по шагу.
Неявный метод Эйлера: шаг и устойчивость затухания $y_{n+1}=y_n+h f(t_{n+1},y_{n+1})$ Численные методы ОДУ Неявный метод Эйлера использует производную в конце шага. Новое значение входит в обе части равенства, поэтому каждый переход требует решения уравнения, зато схема хорошо подавляет быстро затухающие компоненты.
Явный метод средней точки для задачи Коши $k_1=f(t_n,y_n),\quad k_2=f(t_n+h/2,y_n+hk_1/2),\quad y_{n+1}=y_n+hk_2$ Численные методы ОДУ Явный метод средней точки делает пробный полушаг по Эйлеру, оценивает производную в середине и использует её на полном шаге. Это двухстадийная схема Рунге — Кутты второго порядка.
Метод Хойна: явное усреднение двух наклонов $k_1=f(t_n,y_n),\quad k_2=f(t_n+h,y_n+hk_1),\quad y_{n+1}=y_n+\frac h2(k_1+k_2)$ Численные методы ОДУ В этой двухстадийной схеме сначала делают прогноз Эйлера на полный шаг, затем усредняют начальный и прогнозный конечный наклоны. Метод имеет второй порядок, но названия его вариантов различаются в литературе.
Классический метод Рунге — Кутты четвёртого порядка $\begin{aligned}k_1&=f(t_n,y_n),&k_2&=f(t_n+h/2,y_n+hk_1/2),\\k_3&=f(t_n+h/2,y_n+hk_2/2),&k_4&=f(t_n+h,y_n+hk_3),\\y_{n+1}&=y_n+\frac h6(k_1+2k_2+2k_3+k_4).\end{aligned}$ Численные методы ОДУ Классический RK4 вычисляет четыре наклона за шаг и объединяет их с весами 1:2:2:1. Для гладкой задачи Коши он даёт четвёртый порядок общей ошибки без явного вычисления высших производных.
Линейная интерполяция: значение между двумя узлами $P(x)=y_0+\frac{y_1-y_0}{x_1-x_0}(x-x_0)=(1-t)y_0+ty_1,\quad t=\frac{x-x_0}{x_1-x_0}$ Интерполяция Линейная интерполяция оценивает значение между двумя заданными точками по соединяющей их прямой. Доля положения внутри интервала задаёт веса концов; оценка учитывает наклон, но не кривизну исходного графика.
Интерполяция Лагранжа: полином через заданные точки $P_n(x)=\sum_{k=0}^{n}y_kL_k(x),\qquad L_k(x)=\prod_{\substack{0\leq j\leq n\\j\ne k}}\frac{x-x_j}{x_k-x_j}$ Интерполяция Формула Лагранжа строит полином степени не выше n по n+1 различным узлам. Каждый базисный множитель выбирает значение своего узла и обращает вклады остальных узлов в ноль.
Интерполяция Ньютона: таблица разделённых разностей $P_n(x)=f[x_0]+\sum_{k=1}^{n}f[x_0,\ldots,x_k]\prod_{j=0}^{k-1}(x-x_j),\quad f[x_i,\ldots,x_j]=\frac{f[x_{i+1},\ldots,x_j]-f[x_i,\ldots,x_{j-1}]}{x_j-x_i}$ Интерполяция Форма Ньютона строит интерполяционный полином по треугольной таблице разделённых разностей. Новый узел добавляет коэффициент при очередном произведении, не требуя переписывать уже найденные нижние порядки.
Кубическая интерполяция Эрмита по значениям и наклонам $H(x)=h_{00}(s)y_0+h_{10}(s)\ell m_0+h_{01}(s)y_1+h_{11}(s)\ell m_1,\quad s=\frac{x-x_0}{\ell},\quad \ell=x_1-x_0$ Интерполяция Кубический полином Эрмита согласует значения и первые производные на двух концах интервала. Четыре заданных условия определяют единственную кубическую или более простую кривую между узлами.
Барицентрическая интерполяция: веса и вычисление полинома $P(x)=\frac{\sum_{k=0}^{n}\dfrac{w_ky_k}{x-x_k}}{\sum_{k=0}^{n}\dfrac{w_k}{x-x_k}},\qquad w_k=\frac{1}{\prod_{j\ne k}(x_k-x_j)},\quad x\ne x_k$ Интерполяция Барицентрическая форма вычисляет полином Лагранжа через заранее рассчитанные веса узлов. Она удобна для множества запросов по одной таблице; при точном совпадении аргумента с узлом нужно сразу вернуть узловое значение.
Правая разность: производная по двум соседним значениям $f'(x)\approx D_h^+f(x)=\frac{f(x+h)-f(x)}{h},\qquad D_h^+f-f'=O(h)$ Численное дифференцирование Правая разность оценивает производную по значениям функции в текущем и следующем узле. Это удобная односторонняя схема у левой границы таблицы, но её ошибка обычно линейна по шагу.
Центральная разность для первой производной $f'(x)\approx D_hf(x)=\frac{f(x+h)-f(x-h)}{2h},\qquad D_hf-f'=O(h^2)$ Численное дифференцирование Центральная разность оценивает первую производную по двум узлам на одинаковом расстоянии слева и справа. Симметрия устраняет линейную по шагу ошибку и обычно даёт второй порядок точности.
Вторая производная по трём равноотстоящим узлам $f''(x)\approx Q_hf(x)=\frac{f(x+h)-2f(x)+f(x-h)}{h^2},\qquad Q_hf-f''=O(h^2)$ Численное дифференцирование Трёхточечная центральная схема оценивает вторую производную по отклонению центрального значения от среднего соседей. Она измеряет изменение наклона, а не сам наклон, и имеет второй порядок по шагу.
Пятиточечная формула первой производной $f'(x)\approx P_hf=\frac{f(x-2h)-8f(x-h)+8f(x+h)-f(x+2h)}{12h},\qquad P_hf-f'=O(h^4)$ Численное дифференцирование Пятиточечная центральная формула оценивает первую производную с четвёртым порядком по шагу. Для неё нужны четыре значения вокруг центра: вес самого центрального значения равен нулю.
Экстраполяция Ричардсона для численной производной $R_h=\frac{4D_{h/2}-D_h}{3},\qquad D_h=\frac{f(x+h)-f(x-h)}{2h},\qquad R_h-f'(x)=O(h^4)$ Численное дифференцирование Экстраполяция Ричардсона объединяет две центральные оценки производной на шагах h и h/2. При гладкой функции она сокращает ведущую ошибку второго порядка и даёт оценку четвёртого порядка.
Метод Якоби для системы линейных уравнений $x_i^{(k+1)}=\frac{b_i-\sum_{j\ne i}a_{ij}x_j^{(k)}}{a_{ii}},\quad i=1,\ldots,n$ Численное решение линейных систем Метод Якоби строит новое приближение к решению Ax=b, одновременно пересчитывая все неизвестные из значений предыдущего шага. Он удобен для разреженных систем и хорошо показывает, зачем проверять сходимость, а не только выполнять заданное число итераций.
Метод Гаусса—Зейделя для системы линейных уравнений $x_i^{(k+1)}=\frac{b_i-\sum_{j<i}a_{ij}x_j^{(k+1)}-\sum_{j>i}a_{ij}x_j^{(k)}}{a_{ii}}$ Численное решение линейных систем Метод Гаусса—Зейделя решает Ax=b последовательными проходами: новая компонента сразу участвует в вычислении следующих. Это обычно ускоряет простую итерацию, но делает результат одного прохода зависимым от порядка переменных.
Метод SOR: последовательная сверхрелаксация $x_i^{(k+1)}=(1-\omega)x_i^{(k)}+\frac{\omega}{a_{ii}}\left(b_i-\sum_{j<i}a_{ij}x_j^{(k+1)}-\sum_{j>i}a_{ij}x_j^{(k)}\right)$ Численное решение линейных систем Метод SOR добавляет к проходу Гаусса—Зейделя параметр релаксации ω. При 0<ω<2 он дозирует поправку; ω=1 возвращает обычный метод, а удачный выбор ω>1 способен ускорить сходимость.
Метод прогонки для трёхдиагональной системы $c_i x_{i-1}+a_i x_i+b_i x_{i+1}=d_i;\quad \alpha_i=-\frac{b_i}{a_i+c_i\alpha_{i-1}},\;\beta_i=\frac{d_i-c_i\beta_{i-1}}{a_i+c_i\alpha_{i-1}}$ Численное решение линейных систем Метод прогонки решает трёхдиагональную систему за линейное число операций, используя прямой расчёт коэффициентов связи и обратную подстановку. Он сохраняет ленточную структуру вместо работы с полной матрицей.
Метод Ричардсона: стационарная итерация для Ax=b $x^{(k+1)}=x^{(k)}+\tau(b-Ax^{(k)}),\qquad r^{(k)}=b-Ax^{(k)}$ Численное решение линейных систем Метод Ричардсона прибавляет к текущему приближению невязку, умноженную на параметр τ. Для симметричной положительно определённой матрицы разумный τ превращает эту простую формулу в сходящуюся стационарную итерацию.
Метод золотого сечения: сужение интервала минимума $\tau=\frac{\sqrt5-1}{2},\quad u=a+(1-\tau)(b-a),\quad v=a+\tau(b-a),\quad L_n=\tau^nL_0$ Численная оптимизация Золотое сечение находит минимум унимодальной функции без производных. Два внутренних значения позволяют отбросить часть интервала, а удачное отношение длин сохраняет одно вычисление для следующего шага.
Тернарный поиск минимума непрерывной унимодальной функции $u=a+\frac{b-a}{3},\quad v=b-\frac{b-a}{3},\quad [a,b]\leftarrow\begin{cases}\left[u,b\right],&f(u)>f(v),\\\left[a,v\right],&f(u)\le f(v),\end{cases}\quad L_n=(2/3)^nL_0$ Численная оптимизация Тернарный поиск сравнивает функцию в двух точках, делящих интервал на трети. При унимодальности одно сравнение позволяет удалить крайнюю треть и сохранить интервал, содержащий минимум.
Параболическая интерполяция для поиска минимума функции $A=\frac{(f_3-f_2)/(x_3-x_2)-(f_2-f_1)/(x_2-x_1)}{x_3-x_1},\quad B=\frac{f_2-f_1}{x_2-x_1}-A(x_1+x_2),\quad x_p=-\frac{B}{2A}$ Численная оптимизация Через три значения функции строят квадратичный интерполянт и используют его вершину как новую пробную точку минимума. В отличие от деления интервала схема учитывает высоты всех трёх точек.
Градиентный спуск с постоянным шагом: условие убывания $x_{k+1}=x_k-\alpha\nabla f(x_k),\quad 0<\alpha<2/L,\quad f(x_{k+1})\le f(x_k)-\alpha(1-L\alpha/2)\|\nabla f(x_k)\|^2$ Численная оптимизация Постоянный шаг градиентного спуска смещает точку против градиента. При липшицевом градиенте известная граница шага обеспечивает уменьшение функции и объясняет, почему слишком крупный шаг вызывает расходимость.
Правило Армихо: обратный поиск длины шага спуска $f(x+\alpha p)\le f(x)+c\alpha\nabla f(x)^Tp,\quad \nabla f(x)^Tp<0,\quad \alpha\leftarrow\beta\alpha,\quad 0<c<1,\ 0<\beta<1$ Численная оптимизация Обратный поиск по правилу Армихо уменьшает пробный шаг, пока функция не снизится на заданную долю линейного прогноза. Он выбирает длину движения вдоль уже найденного направления спуска.
Составная формула средних прямоугольников $M_n=h\sum_{i=0}^{n-1}f\!\left(a+\left(i+\tfrac12\right)h\right),\quad h=\frac{b-a}{n}$ Численное интегрирование Составная формула средних прямоугольников заменяет интеграл суммой площадей с высотами в серединах равных отрезков. Для гладкой функции погрешность имеет второй порядок по шагу, хотя значения на концах не используются.
Квадратура Гаусса—Лежандра с двумя узлами $G_2=\frac{b-a}{2}\left[f\!\left(m-\frac{b-a}{2\sqrt3}\right)+f\!\left(m+\frac{b-a}{2\sqrt3}\right)\right],\quad m=\frac{a+b}{2}$ Численное интегрирование Двухузловая квадратура Гаусса—Лежандра вычисляет функцию в двух специально выбранных внутренних точках. На конечном отрезке с единичным весом она точно интегрирует любой многочлен степени не выше трёх.
Метод Ромберга: таблица уточнений интеграла $R_{k,0}=T_{2^k},\quad R_{k,j}=R_{k,j-1}+\frac{R_{k,j-1}-R_{k-1,j-1}}{4^j-1},\quad 1\le j\le k$ Численное интегрирование Метод Ромберга строит таблицу из составных трапеций с последовательным удвоением числа отрезков. Экстраполяция устраняет ведущие чётные степени шага и повышает точность без смены уже вычисленных узлов.
Адаптивный Симпсон: локальная оценка ошибки $S_1=S(a,b),\ S_2=S(a,m)+S(m,b),\quad \varepsilon_{\mathrm{est}}=\frac{|S_2-S_1|}{15},\quad I\approx S_2+\frac{S_2-S_1}{15}$ Численное интегрирование Адаптивный метод Симпсона сравнивает одну параболическую оценку с двумя оценками на половинах. Разность даёт локальный индикатор ошибки, по которому алгоритм уточняет только те участки, где не достигнут допуск.
Интеграл методом Монте-Карло: среднее и ошибка $\hat I_N=\frac{b-a}{N}\sum_{i=1}^N f(X_i),\quad X_i\overset{\mathrm{iid}}\sim U(a,b),\quad\widehat{\mathrm{SE}}=(b-a)\frac{s_f}{\sqrt N}$ Численное интегрирование Метод Монте-Карло оценивает интеграл как длину отрезка, умноженную на среднее значений функции в случайных равномерных точках. Разброс оценки измеряют стандартной ошибкой, которая при независимой выборке убывает как N⁻¹ᐟ².
Метод Тейлора второго порядка для задачи Коши $y_{n+1}=y_n+h f_n+\frac{h^2}{2}\left(f_t+f_y f\right)_n$ Численные методы ОДУ Метод Тейлора второго порядка добавляет к шагу Эйлера член с полной производной правой части. Для скалярного уравнения y′=f(t,y) вторая производная решения равна fₜ+fᵧf, вычисленной в начале шага.
Неявная средняя точка: шаг и сохранение структуры $y_{n+1}=y_n+h f\!\left(t_n+\frac h2,\frac{y_n+y_{n+1}}2\right)$ Численные методы ОДУ Неявная средняя точка вычисляет производную в среднем старого и нового состояний. Новый уровень входит в правую часть, поэтому шаг находят решением уравнения. Схема второго порядка обратима по времени при согласованном решении.
Неявная трапециевидная схема Кранка — Николсон для ОДУ $y_{n+1}=y_n+\frac h2[f(t_n,y_n)+f(t_{n+1},y_{n+1})]$ Численные методы ОДУ Неявная трапециевидная схема усредняет производные на концах шага, включая неизвестный новый уровень. Она имеет второй порядок и A-устойчивость, но при крупном шаге затухание может сопровождаться сменой знака.
Метод Адамса — Башфорта второго порядка для ОДУ $y_{n+1}=y_n+h\left(\frac32 f_n-\frac12 f_{n-1}\right)$ Численные методы ОДУ Двухшаговый метод Адамса — Башфорта использует два уже вычисленных наклона и получает явное приближение второго порядка с одним новым вызовом правой части.
Метод Ньютона для минимума: шаг через матрицу Гессе $H_k d_k=-g_k,\qquad x_{k+1}=x_k+\alpha_k d_k$ Численная оптимизация Метод Ньютона выбирает шаг по квадратичной модели целевой функции: матрица Гессе учитывает кривизну, а градиент задаёт линейную часть. Решение системы даёт направление, но длину шага иногда приходится уменьшать.
Покоординатный спуск для выпуклой квадратичной функции $x_i^{+}=x_i-\frac{(Ax-b)_i}{A_{ii}},\quad f(x)=\tfrac12x^TAx-b^Tx$ Численная оптимизация Покоординатный спуск минимизирует функцию по одной переменной при фиксированных остальных. Для положительно определённой квадратичной цели точное обновление получается делением компоненты градиента на диагональ матрицы.
Проекционный градиент: минимум с ограничениями на переменные $x_{k+1}=\Pi_C(x_k-\alpha\nabla f(x_k))$ Численная оптимизация Проекционный градиент сначала делает обычный градиентный шаг, затем возвращает точку в допустимое выпуклое множество ближайшей евклидовой проекцией. Для прямоугольника проекция сводится к отсечению каждой координаты по границам.
Метод Франка — Вульфа: линейный подшаг на симплексе $s_k\in\arg\min_{s\in C}\nabla f(x_k)^Ts,\quad x_{k+1}=(1-\gamma_k)x_k+\gamma_k s_k$ Численная оптимизация Метод Франка — Вульфа заменяет проекцию решением линейной задачи на допустимой области. Новая точка лежит на отрезке между старой точкой и решением подзадачи; на симплексе линейный минимум достигается в одной из его вершин.
Метод тяжёлого шарика: инерционный шаг для квадратичной цели $x_{k+1}=x_k-\alpha\nabla f(x_k)+\beta(x_k-x_{k-1})$ Численная оптимизация Метод тяжёлого шарика добавляет к градиентному шагу долю предыдущего перемещения. На положительно определённой квадратичной функции сходимость можно проверять по корням скалярной рекурсии для каждого собственного направления.
Метод простой итерации для поиска корня уравнения $x_{k+1}=g(x_k),\quad x=g(x)$ Численный поиск корней Метод простой итерации заменяет уравнение f(x)=0 равносильным уравнением x=g(x) и строит последовательность приближений. Условие сжатия отображения даёт проверяемую гарантию сходимости к единственной неподвижной точке.
Метод ложного положения: корень по хорде со скобкой $c=a-\frac{f(a)(b-a)}{f(b)-f(a)}$ Численный поиск корней Метод ложного положения (regula falsi) берёт пересечение хорды с осью x и сохраняет интервал, где функция меняет знак. Он сочетает интерполяцию секущей с гарантией удержания корня в скобке непрерывной функции.
Левая разность: производная по текущему и прошлому узлу $f^{\prime}(x_i)\approx\frac{f(x_i)-f(x_{i-1})}{h}$ Численное дифференцирование Левая конечная разность оценивает производную в текущем узле по значению функции в нём и в предыдущем узле. Она имеет ошибку первого порядка по шагу и удобна на правой границе таблицы, когда будущие значения ещё недоступны.
Трёхточечная левая формула производной второго порядка $f^{\prime}(x_n)\approx\frac{3f_n-4f_{n-1}+f_{n-2}}{2h}$ Численное дифференцирование Трёхточечный шаблон использует два предыдущих узла и текущее значение, чтобы оценить производную на правом краю равномерной сетки с ошибкой порядка h². Он точнее простой левой разности и не требует будущих значений.
BDF2: неявная формула второго порядка для жёсткого ОДУ $\frac{3y_{n+1}-4y_n+y_{n-1}}{2h}=f(t_{n+1},y_{n+1})$ Численные методы ОДУ BDF2 аппроксимирует производную в новом узле комбинацией двух предыдущих значений и неизвестного y следующего шага. Это неявный метод второго порядка, который применяют для жёстких задач, где явные схемы требуют слишком малого шага.
Узлы Чебышёва: выбор точек для интерполяции $x_k=\frac{a+b}{2}+\frac{b-a}{2}\cos\frac{(2k+1)\pi}{2n},\quad k=0,\ldots,n-1$ Интерполяция Узлы Чебышёва — неравномерные точки, сгущённые около концов отрезка. Корни полинома Tₙ дают удобную сетку для интерполяционного полинома степени не выше n−1 и уменьшают наибольший модуль узлового произведения.
Схема Кленшоу для суммы полиномов Чебышёва $b_{n+1}=b_{n+2}=0,\quad b_k=c_k+2xb_{k+1}-b_{k+2},\quad S=c_0+xb_1-b_2$ Интерполяция Схема Кленшоу вычисляет конечную сумму S(x)=c₀+ΣcₖTₖ(x) обратной рекурсией. Вместо отдельного построения всех полиномов она хранит два соседних состояния и объединяет вычисление базисных функций с суммированием.
Константа Лебега: усиление ошибки интерполяции $L_n(x)=\sum_{j=0}^n|\ell_j(x)|,\qquad\Lambda_n=\max_{x\in[a,b]}L_n(x)$ Интерполяция Константа Лебега измеряет наибольшее усиление ошибок значений при полиномиальной интерполяции на фиксированной сетке. Она зависит от расположения узлов и выбранного отрезка, но не от конкретных значений функции.
Теорема Ролля: условие нулевой производной $f(a)=f(b) \Rightarrow \exists c\in(a,b): f'(c)=0$ Математический анализ Теорема Ролля утверждает: если функция непрерывна на отрезке [a,b], дифференцируема внутри него и принимает на концах одинаковые значения, то хотя бы в одной внутренней точке её производная равна нулю. Геометрически график имеет там горизонтальную касательную.
Теорема Лагранжа о среднем: производная и наклон хорды $f'(c)=\frac{f(b)-f(a)}{b-a},\quad c\in(a,b)$ Математический анализ Теорема Лагранжа о среднем связывает среднюю скорость изменения функции на [a,b] с её мгновенной скоростью в некоторой внутренней точке: найдётся c, для которого f′(c)=(f(b)−f(a))/(b−a). Функция должна быть непрерывна на отрезке и дифференцируема внутри.