Использование аргумента deriv = для splinefun разумно, и следует добавить, что вторая и третья производные должны быть доступны, но если вы поработаете с примерами, вы поймете, что линейные аппроксимации имеют неровности или разрывы на более высоких степенях. .
В ситуации, когда у вас есть аналитическое выражение, есть некоторые, по общему признанию, ограниченные положения для алгоритмического дифференцирования. См. страницу справки (deriv) для более подробной информации.
> deriv(~sin(pi/x), "x")
expression({
.expr1 <- pi/x
.value <- sin(.expr1)
.grad <- array(0, c(length(.value), 1L), list(NULL, c("x")))
.grad[, "x"] <- -(cos(.expr1) * (pi/x^2))
attr(.value, "gradient") <- .grad
.value
})
А затем построить «вручную» вторую функцию с этим результатом. Или вы можете использовать пример DD, представленный на странице help(deriv), чтобы немного автоматизировать процесс:
DD <- function(expr,name, order = 1) {
if(order < 1) stop("'order' must be >= 1")
if(order == 1) D(expr,name)
else DD(D(expr, name), name, order - 1)
}
DD(expression(sin(pi/x)), "x", 2)
-(sin(pi/x) * (pi/x^2) * (pi/x^2) - cos(pi/x) * (pi * (2 * x)/(x^2)^2))
DD(expression(sin(pi/x)), "x")
-(cos(pi/x) * (pi/x^2))
funD<- function(x){}
body(funD) <- DD(expression(sin(pi/x)), "x")
funD
#function (x)
#-(cos(pi/x) * (pi/x^2))
funD(2)
# [1] -4.809177e-17 as it should be at a maximum
funDD <- function(x){}
body(funDD) <- DD(expression(sin(pi/x)), "x", 2)
funDD(2)
# [1] -0.6168503 as it should be at a maximum.
person
IRTFM
schedule
02.12.2010