微积分精简版复习提纲

微分方程

n阶微分方程

含有$a{y}^{(n)},a\ne 0$的式子叫做n阶微分方程.

一阶微分方程求法

可分离变量一阶微分方程

$$\begin{gathered} \frac{dy}{dx}=f(x)g(y) \\ \frac{dy}{g(y)}=f(x)dx \end{gathered}$$

y/x形式齐次方程

$$\begin{gathered} \frac{dy}{dx}=f(\frac{y}{x}) \\ 令u=\frac{y}{x},y=ux\Rightarrow \frac{dy}{dx}=x\frac{du}{dx}+u \\ u+x\frac{du}{dx}=f(u)\Rightarrow \frac{du}{f(u)-u}=\frac{dx}{x} \end{gathered}$$

一阶齐次线性微分方程

$$\begin{gathered} \frac{dy}{dx}+P(x)y=0\Rightarrow \frac{dy}{dx}=-P(x)y \\ \frac{dy}{y}=-P(x)dx\Rightarrow \ln |y|=-\int P(x)dx+C \\ y=C{e}^{-\int P(x)dx} \end{gathered}$$

一阶非齐次线性微分方程

$$\begin{gathered} \frac{dy}{dx}+P(x)y=Q(x)\Rightarrow y=e^{-\int P(x)dx}[\int Q(x)e^{\int P(x)dx}dx+C] \\ y=C{e}^{-\int P(x)dx}+e^{-\int P(x)dx}\int Q(x)e^{\int P(x)dx}dx \\ 注:这个y的形式就是通解+特解的形式,前面的为齐次方程通解,后面是个特解 \end{gathered}$$

二阶微分方程

最常规的二阶

$$y^{\prime \prime }=P(x)\Rightarrow y^{\prime }=\int P(x)dx+C\Rightarrow y=\iint P(x)dxdx+C_{1}x+C_2$$

没有y的二阶

$$\begin{gathered} y^{\prime \prime }=f(y^{\prime },x),令p=y^{\prime },\frac{d{y}^{\prime }}{dx}=\frac{dp}{dx} \\ \frac{dp}{dx}=f(p,x)\Rightarrow p=P(x)+C_1\Rightarrow y=Q(x)+C_{1}x+C_2 \end{gathered}$$

没有x的二阶

$$\begin{gathered} y^{\prime \prime }=f(y^{\prime },y),令p=y^{\prime },\frac{dp}{dx}=\frac{dp}{dy}\frac{dy}{dx}=p\frac{dp}{dy} \\ p\frac{dp}{dy}=f(p,y),然后带入一阶的情况求解即可. \end{gathered}$$

高阶常系数微分方程

$$先补充一个公式:e^{xi}=\sin x+i\cos x,e^{a+bi}=e^a(\sin b+i\cos b)$$

齐次形式

a n y ( n ) + a n − 1 y ( n − 1 ) + ⋯ + a 0 y = 0 ⇒ 特 征 方 程 a n r n + a n − 1 r n − 1 + ⋯ + a 0 = 0 解 出 很 多 个 r , 对 于 每 个 是 k 重 根 的 r , 对 应 的 解 : { ( C 1 + C 2 x + ⋯ + C k x k ) e r x r 为 实 数 , 把 所 有 对 应 的 解 都 加 起 来 即 可 . e a x { ( C 1 + C 2 x + ⋯ + C k x k ) cos ⁡ ( b x ) + ( D 1 + D 2 x + ⋯ + D k x k ) sin ⁡ ( b x ) } r = a + b i , a − b i , 把 所 有 解 加 起 来 a_ny^{(n)} + a_{n-1}y^{(n-1)} + \cdots + a_0y = 0\\ \Rightarrow_{特征方程}a_nr^n+a_{n-1}r^{n-1}+\cdots+a_0 = 0\\ 解出很多个r,对于每个是k重根的r,对应的解:\\ \begin{cases} (C_1+C_2x+\cdots+C_kx^k)e^{rx}\\\qquad r为实数,把所有对应的解都加起来即可.\\ e^{ax}\{(C_1+C_2x+\cdots+C_kx^k)\cos(bx) + (D_1+D_2x+\cdots+D_kx^k)\sin(bx)\}\\ \qquad r=a+bi,a-bi,把所有解加起来 \end{cases} an​y(n)+an−1​y(n−1)+⋯+a0​y=0⇒特征方程​an​rn+an−1​rn−1+⋯+a0​=0解出很多个r,对于每个是k重根的r,对应的解:⎩⎪⎪⎪⎨⎪⎪⎪⎧​(C1​+C2​x+⋯+Ck​xk)erxr为实数,把所有对应的解都加起来即可.eax{(C1​+C2​x+⋯+Ck​xk)cos(bx)+(D1​+D2​x+⋯+Dk​xk)sin(bx)}r=a+bi,a−bi,把所有解加起来​

非齐次方程

非齐次方程的解的形式为齐次方程通解+特解.然后来讨论特解的形式
$$\begin{gathered} f(y,y^{\prime },\cdots ,y^{(n)})=P_m(x)e^{ax} \\ 设特解为:y^{\ast }=x^t{e}^{ax}{Q}_m(x) \\ a是对应齐次方程的t重特征根(可以为0),Q_m(x)是x的一个待定m次多项式 \end{gathered}$$

$$\begin{gathered} f(y,y^{\prime },\cdots ,y^{(n)})=e^{\alpha x}[P_m(x)\sin (\beta x)+Q_n(x)\cos (\beta x)] \\ k是\alpha +\beta i的重数,j=\max (m,n),则对应的特解为: \\ {x}^k{e}^{\alpha x}[P_j^{\prime }(x)\sin (\beta x)+Q_j^{\prime }(x)\cos (\beta x)] \end{gathered}$$

欧拉方程

$$\sum x^n{y}^{(n)}=f(x),令x=e^t,然后转化x^n{y}^{(n)}=D(D-1)\cdots (D-n+1)y,D=\frac{d}{dt}$$

多元函数微分学

多元函数极限,连续,偏导

极限

$$\begin{gathered} \underset{\sqrt{(x-x0{)}^2+(y-y_0{)}^2}<\delta }{\lim }|f(x,y)-A|<\Delta \\ 则\underset{x\to x_0 \\ y\to y_0}{\lim }f(x,y)=A \end{gathered}$$

连续

$$\underset{x\to x_0,y\to y_0}{\lim }f(x,y)=f(x_0,y_0),那么在这个点连续$$

偏导

$$\begin{gathered} \underset{\Delta y\to 0}{\lim }\frac{f(x,y+\Delta y)-f(x,y)}{\Delta y}=A \\ \underset{\Delta x\to 0}{\lim }\frac{f(x+\Delta x,y)-f(x,y)}{\Delta x}=A \end{gathered}$$

可微

$$f(x+\Delta x,y+\Delta y)-f(x,y)=A\Delta x+B\Delta y+o(\sqrt{{\Delta }^{2}x+{\Delta }^{2}y})$$

它们之间的关系

$$\begin{gathered} 偏导连续\to 可微\to 连续\to 有极限 \\ 偏导连续\to 可微\to 可偏导 \end{gathered}$$

偏导数

计算图法(显式函数)

$$\begin{gathered} z=f(x,y,u,v),u=p(x,y),v=q(x,y) \\ \frac{\partial z}{\partial x}=f_1^{\prime }+f_3^{\prime }{u}_x^{\prime }+f_4^{\prime }{v}_x^{\prime } \\ \frac{\partial z}{\partial y}=f_2^{\prime }+f_3^{\prime }{u}_y^{\prime }+f_4^{\prime }{v}_y^{\prime } \end{gathered}$$

隐函数

$$\begin{gathered} 已知\{\begin{array}{l}F(x,y,u,v)=0\\ G(x,y,u,z)=0\\ u=p(x,y)\\ v=q(x,y)\end{array},以下求对x的导数 \\ 首先求出以下两个式子\{\begin{array}{l}{F}_1^{\prime }+F_3^{\prime }{u}_x^{\prime }+F_4^{\prime }{v}_x^{\prime }=0\\ G_1^{\prime }+G_3^{\prime }{u}_x^{\prime }+G_4^{\prime }{v}_x^{\prime }=0\end{array} \\ 然后联立两个式子,就能解出对应的导数F_x^{\prime },G_x^{\prime }. \end{gathered}$$

极值与最值

设我们有个$函数F(x,y),导数F_x^{\prime },F_y^{\prime },F_{xy}^{\prime \prime },F_{yx}^{\prime \prime },F_{xx}^{\prime \prime },F_{yy}^{\prime \prime }$,然后我们求解下面的极

没有约束条件的极值问题

首先求出

$$\{\begin{array}{l}{F}_x^{\prime }(x_0,y_0)=0\\ F_y^{\prime }(x_0,y_0)=0\end{array}的点(x_0,y_0)$$

如果其对应的

$$\left[\begin{array}{cc}{F}_{xx}^{\prime \prime }& F_{xy}^{\prime \prime }\\ F_{yx}^{\prime \prime }& F_{yy}^{\prime \prime }\end{array}\right]=\left[\begin{array}{cc}A& B\\ B& C\end{array}\right]$$

如果正定:$A>0,AC-B^2>0$则为极小值,如果负定$(-A)>0,(-A)(-C)-(-B{)}^2>0$则为极大值.

有约束条件的极值

假设约束条件是$T(x,y)$然后方程是$F(x,y)$,已知的东西都一样.
$$\begin{gathered} F(x,y)+\lambda T(x,y)=0 \\ 这个式子的极值就是了!需要单独判断一下T的边界 \end{gathered}$$
推导原理:
$$\begin{gathered} 设T(x,y)构成了一个隐函数,那么\frac{\partial y}{\partial x}=-\frac{T_x^{\prime }}{T_y^{\prime }} \\ {F}_x^{\prime }=F_1^{\prime }+F_2^{\prime }\times -\frac{T_x^{\prime }}{T_y^{\prime }}=0\Rightarrow \frac{F_1^{\prime }}{F_2^{\prime }}=\frac{T_x^{\prime }}{T_y^{\prime }}\Rightarrow \frac{F_1^{\prime }}{T_x^{\prime }}=\frac{F_2^{\prime }}{T_y^{\prime }} \\ {F}_y^{\prime }=F_2^{\prime }+F_1^{\prime }\times -\frac{T_y^{\prime }}{T_x^{\prime }}=0\iff \Rightarrow \frac{F_1^{\prime }}{F_2^{\prime }}=\frac{T_x^{\prime }}{T_y^{\prime }} \\ 设\frac{F_2^{\prime }}{T_y^{\prime }}=-\lambda \Rightarrow \\ \{\begin{array}{l}{F}_1^{\prime }+\lambda T_x^{\prime }=0\\ F_2^{\prime }+\lambda T_y^{\prime }=0\\ T=0\end{array} \\ \iff F(x,y)+\lambda T(x,y)极值 \end{gathered}$$

方向导数

方向导数和梯度

方向导数是指向某个具体方向的导数,如果方向为$(\cos \alpha ,\cos \beta )$,那么方向导数就是$F_x^{\prime }\cos \alpha +F_y^{\prime }\cos \beta$,原理推导式子为
$$\underset{t\to 0^{+}}{\lim }\frac{F(x+t\cos \alpha ,y+t\cos \beta )-F(x,y)}{t}$$
然后有了梯度
$$\nabla F=(F_x^{\prime },F_y^{\prime })$$
其中$|\nabla F|$是方向导数的最大值,此时方向向量与$\nabla F$同向.方向导数可以写成 ∇ F ⋅ e , e = { cos ⁡ α , cos ⁡ β , cos ⁡ γ } \nabla F \cdot e,e=\{\cos \alpha ,\cos \beta,\cos \gamma\} ∇F⋅e,e={cosα,cosβ,cosγ}为方向向量.

切线,法线,切平面,法平面

切线和法平面是对直线来说的,直线通常可以由两个平面的交线确定.假设我们的两个平面为
$$\{\begin{array}{l}F(x,y,z)=0\\ G(x,y,z)=0\end{array}$$
那么它的切向量就是
$$\left[\begin{array}{ccc}i& j& k\\ F_x^{\prime }& F_y^{\prime }& F_z^{\prime }\\ G_x^{\prime }& G_y^{\prime }& G_z^{\prime }\end{array}\right]=Ai+Bj+Ck$$
然后我们来搞它的法平面,也就是与切线垂直的平面
$$A(x-x_0)+B(y-y_0)+C(z-z_0)=0,(x_0,y_0,z_0)\in 线$$
如果这个直线用的是参数方程的形式表示的话,也就是说
$$\{\begin{array}{l}x=x(t)\\ y=y(t)\\ z=z(t)\end{array},t为参数$$
那么它的切向量就是
$$(x_t^{\prime }(t),y_t^{\prime }(t),z_t^{\prime }(t)),t为参数$$
然后它的法平面就是
$$A=x_t^{\prime }(t),B=y_t^{\prime }(t),C=z_t^{\prime }(t)的情况了$$
法线和切平面是对一个平面方程来说的,一个平面方程通常可以写成$F(x,y,z)=0$这个情况,然后我们研究它的法向量:
$$(F_x^{\prime },F_y^{\prime },F_z^{\prime })$$
然后它的切平面,也就是跟法向量垂直的那个平面:
$$F_x^{\prime }(x-x_0)+F_y^{\prime }(y-y_0)+F_z^{\prime }(z-z_0)=0,(x_0,y_0,z_0)\in 平面$$
这里需要注意这个法向量是朝着F式子增大的方向去的.比如$x^2+y^2+z^2=0$在第一象限的法向量是$(2x,2y,2z)$全都是正的,也就是往$F$增大的方向.

多元函数积分学

重积分

二重积分

二重积分是对面积微元进行积分,三重积分是对体积微元进行积分.

二重积分满足好几个性质:

1. 可比性质$\iint fd\rho <\iint gd\rho ,f<g$
2. 估值性质$m<f<M,mS<\iint fd\rho <MS$
3. 中值定理$\iint fd\rho =f(x_0,y_0)S$

二重积分的积分顺序
$$\iint Fd\rho ={\int }_{x_0}^{x_1}{\int }_{y_0}^{y_1}dydx={\int }_{y_0}^{y_1}{\int }_{x_0}^{x_1}dxdy$$
需要注意的是边界的判断,如果是函数的话,要画出区域然后换序.

当然也可以进行换序到极坐标方程上
$${\iint }_{S}Fds=\int \int \rho d\rho d\theta ,ds=d\rho (\rho d\theta )$$

三重积分

对体积微元进行积分啊!$\iiint Fdv$,上面那几个性质对于连续的F都成立.下面着重介绍换序的东西.换序柱坐标
$$dv=dzd\rho (\rho d\theta )$$
换序球坐标,$\gamma$是与$z$正向的夹角
$$dv=d\rho (\rho d\gamma )(\rho \sin \gamma d\theta )={\rho }^2\sin \gamma d\rho d\theta d\gamma$$

常用重积分公式

$$\begin{gathered} {\int }_{-\pi }^{\pi }\cos (nx)dx={\int }_{-\pi }^{\pi }\sin (nx)dx=0 \\ {\int }_{-\pi }^{\pi }\cos (mx)\sin (nx)dx=0 \\ {\int }_{-\pi }^{\pi }\cos (mx)\cos (nx)dx={\int }_{-\pi }^{\pi }\sin (mx)\sin (nx)dx=\{\begin{array}{ll}0& m\ne n\\ \pi & m=n\end{array} \\ {\int }_0^{\pi }\cos (mx)\cos (nx)dx={\int }_0^{\pi }\sin (mx)\sin (nx)dx=\{\begin{array}{ll}0& m\ne n\\ \frac{\pi }{2}& m=n\end{array} \\ {I}_n={\int }_0^{\frac{\pi }{2}}{\sin }^{n}xdx={\int }_0^{\frac{\pi }{2}}{\cos }^{n}xdx=\{\begin{array}{ll}\frac{n-1}{n}{I}_{n-2}& \\ \frac{(n-1)!!}{n!!}& n=2k+1\\ \frac{(n-1)!!}{n!!}\frac{\pi }{2}& n=2k\end{array} \end{gathered}$$

第一类积分

第一类曲线积分

它是对弧长积分.
$$\int Fds=\{\begin{array}{ll}\int F\sqrt{1+{y_x^{\prime }}^2}dx& y=y(x)\\ \int F\sqrt{(x_t^{\prime }{)}^2+(y_t^{\prime }{)}^2}dt& \{\begin{array}{l}x=x(t)\\ y=y(t)\end{array}\\ \int F\sqrt{{\rho }^2+{\rho }^{\prime 2}}d\rho & \rho =\rho (\theta )\end{array}$$
如果有对称性的话，那么可以利用对称性进行计算

第一类曲面积分

这个东西是对面积微元进行积分
$${\iint }_{+S/-S,z=z(x,y)}F(x,y,z)dS={\iint }_{S}F(x,y,z(x,y))\sqrt{1+z_x^{\prime 2}+z_y^{\prime 2}}dxdy$$
第二种方法是利用积分曲面的对称性和积分函数的奇偶性。具体原理跟上面曲线积分的奇偶性相同。

第三种方法是利用积分曲线的轮换对称性，只要变量换了区域不变，那么变量换了积分值也不会变。
$$\begin{gathered} {\iint }_S{x}^{2}dS,S:x^2+y^2+z^2=1 \\ ={\iint }_S{y}^{2}dS=\iint z^{2}dS=\frac{1}{3}{\iint }_S{R}^{2}dS=\frac{4\pi R^4}{3} \end{gathered}$$

第二类积分

第二类积分是有向积分。

第二类曲线积分

∫ A B { F ( x , y ) , Q ( x , y ) } ⋅ ( d x , d y ) = − ∫ B A { F ( x , y ) , Q ( x , y ) } ⋅ ( d x , d y ) = ∫ L ( F cos ⁡ α + G cos ⁡ β ) d s ( cos ⁡ α , cos ⁡ β ) 是 L 的 方 向 余 弦 \int_{AB} \{F(x,y),Q(x,y)\} \cdot ({dx,dy}) = -\int_{BA}\{F(x,y),Q(x,y)\} \cdot(dx,dy) = \int_L (F\cos \alpha+G\cos \beta)ds\\ (\cos \alpha,\cos \beta)是L的方向余弦 ∫AB​{F(x,y),Q(x,y)}⋅(dx,dy)=−∫BA​{F(x,y),Q(x,y)}⋅(dx,dy)=∫L​(Fcosα+Gcosβ)ds(cosα,cosβ)是L的方向余弦

计算方法：

1. 直接法

$$\begin{gathered} L=\{\begin{array}{l}x=x(t)\\ y=y(t)\end{array},t\in [a,b] \\ {\int }_{L}Fdx+Gdy={\int }_{L}F{x}_t^{\prime }+G{y}_t^{\prime }dt \end{gathered}$$

2. 格林公式，要求L是正向闭曲线（沿着L前进，区域在其左侧）

$${\int }_{L}Pdx+Qdy={\iint }_S\frac{\partial Q}{\partial x}-\frac{\partial P}{\partial y}dxdy$$

3. 利用线积分与路径无关的结论

$$\begin{gathered} 前提：\frac{\partial Q}{\partial x}=\frac{\partial P}{\partial y} \\ 结论：{\int }_{L}Pdx+Qdy={\int }_{L0}P(x,y_0)dx+{\int }_{L1}Q(x_0,y)dy,L_0+L_1=L \end{gathered}$$

三维情况与上面差不多，然后补充一下：

1. 直接法

$$\begin{gathered} \{\begin{array}{l}x=x(t)\\ y=y(t)\\ z=z(t)\end{array},t\in [a,b] \\ {\int }_{L}Pdx+Qdy+Rdz={\int }_{L}P{x}^{\prime }+Q{y}^{\prime }+R{z}^{\prime }dt \end{gathered}$$

2. 斯托克斯公式，要求L是S的正向。这个东西叫做旋度

$${\int }_{L}Pdx+Qdy+Rdz={\iint }_S\left[\begin{array}{ccc}dydz& dzdx& dxdy\\ \frac{\partial }{\partial x}& \frac{\partial }{\partial y}& \frac{\partial }{\partial z}\\ P& Q& R\end{array}\right]$$

第二类曲面积分

应该是一个向量 { P ( x , y , z ) , Q ( x , y , z ) , R ( x , y , z ) } \{P(x,y,z),Q(x,y,z),R(x,y,z)\} {P(x,y,z),Q(x,y,z),R(x,y,z)}分别对$dydz,dzdx,dxdy$曲面的积分。这个东西叫做散度。方向与曲面选择相关。
$${\iint }_{S}Pdydz+Qdzdx+Rdxdy={\iint }_S(P\cos a+Q\cos b+R\cos c)dS$$
计算方法：

1. 直接法

$${\iint }_{S}P(x,y,z)dydz{=}_{-}^{+}\iint P(x(y,z),y,z)dydz,正负号选择与S的法向量与ox夹角有关$$

2. 直接法*2

$$\begin{gathered} {\iint }_{S}Pdydz+Qdzdx+Rdxdy={\iint }_S[P(-\frac{\partial z}{\partial x})+Q(-\frac{\partial z}{\partial y})+R]dxdy \\ 可以认为是利用了\frac{dz}{dx}=-\frac{\partial z}{\partial x}? \end{gathered}$$

3. 高斯公式，要求S是V的外侧的闭曲面。如果不是的话，可以考虑搞成一个封闭的曲面。这东西就是散度

$${\iint }_{S}Pdydz+Qdzdx+Rdxdy={\iiint }_V\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+\frac{\partial R}{\partial z}dV$$

无穷级数

常数项级数

数列$a_1,a_2,\dots ,a_n$是一个数列，然后称$S=\sum a_i$为无穷奇数。如果它收敛于某个数值，那么就称这个数列收敛于这个数值。如果没有极限，那么就称它发散。

对于无穷级数，它满足以下几个性质：

1. $k{a}_n$与$a_n$的敛散性相同。
2. $(a_n{)}_{-}^{+}(b_n)=c_n$收敛+收敛=收敛。发散+发散=不确定。收敛+发散=发散
3. 改变前面有限项不影响敛散性
4. 收敛加括号必收敛，发散加括号可能收敛，加括号发散必发散
5. 收敛必要条件${\lim }_{n\to +\infty }{a}_n=0$

正项级数

正项级数敛散性判别方法（下面都是充分条件）：

1. 比较判别法

$$\begin{gathered} 0\le a_n\le b_n,\sum b_n,\sum a_n \\ 前收敛后必收敛，后发散前必发散 \end{gathered}$$

2. 比较判别法的比值形式

常用的几个做b的函数：$\frac{1}{n^p}$,p大于1收敛，小于等于1发散。$a{q}^n$，q大于等于1发散，小于1收敛。
$$\begin{gathered} \underset{n\to +\infty }{\lim }\frac{a_n}{b_n}=l \\ \{\begin{array}{ll}l=+\infty & ,b发散a必发散\\ l=0& ,b收敛a必收敛\\ l=e,e\in \mathbb{R}& ,b和a同敛散性\end{array} \end{gathered}$$

3. 比值判别法

常见的是$n!$
$$\begin{gathered} \underset{n\to +\infty }{\lim }\frac{a_{n+1}}{a_n}=l \\ \{\begin{array}{ll}l>1& ,发散\\ l<1& ,收敛\\ l=1& ,不一定\end{array} \end{gathered}$$

4. 根值判别法

常见的是$n^n,n!,\sqrt[n]{n!}=1$
$$\begin{gathered} \underset{n\to +\infty }{\lim }\sqrt[n]{a_n}=l \\ \{\begin{array}{ll}l>1& ,发散\\ l<1& ,收敛\\ l=1& ,不一定\end{array} \end{gathered}$$

交错级数

$(-1{)}^n{u}_n,u_n>0$

莱布尼兹判定法则（充分条件），条件为以下两个：

1. $u_{n+1}\le u_n,n对所有实数都成立$
2. ${\lim }_{n\to +\infty }{u}_n=0$

或者是它是绝对收敛的。

任意项级数

绝对值构成的级数收敛，那么称它为绝对收敛。本身收敛，绝对值构成的级数发散，则称为条件收敛。

绝对收敛级数的原级数必定收敛，条件收敛级数的正项或负项构成的级数一定发散。

幂级数

函数项级数是指$\sum u_i(x)=u_1(x)+u_2(x)+\dots$。如果在$x_0$处收敛,则称这个点为收敛点.收敛点构成的集合称为收敛域.和函数是指在收敛域内的$\sum u_i(x)$.

幂级数是指$\sum a_n(x-x_0{)}^n$称为$x-x_0$的幂级数.$\sum a_n{x}^n$称为x的幂级数.

收敛半径与收敛域

阿贝尔引理:关于x的幂级数如果在$x_1\ne 0$处收敛,那么它在$|x|<|x_1|$的地方绝对收敛.如果在$x_2$发散,那么在$|x|>|x_2|$都发散.

收敛半径:绝对收敛的开区域.可以为0,也可以为无穷.这两个特殊情况是人为定义的.

求收敛半径:${\lim }_{n\to +\infty }|\frac{a_{n+1}}{a_n}|=l$,那么$\frac{1}{l}$的扩展定义就是R.同样${\lim }_{n\to +\infty }\sqrt[n]{a_n}=l$也有相同的结论成立.

收敛区间是$(-R,R)$,收敛域需要单独判断端点处的敛散情况.

四则运算性质

加减乘之后,收敛半径取两个收敛半径的最小值.

除法定义为乘法的逆运算

幂级数展开

如果$f(x)$在$x=x_0$处任意阶可导,则展开成泰勒级数为
$$\sum _{n=0}^{+\infty }\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n$$
特殊一点搞到x=0的展开,叫做麦克劳林级数
$$\sum _{n=0}^{+\infty }\frac{f^{(n)}(0)}{n!}{x}^n$$
泰勒级数的$x_1$点收敛于原函数的判定条件为
$$\underset{n\to +\infty }{\lim }{R}_n(x_1)=\underset{n\to +\infty }{\lim }\frac{f^{(n+1)}(t)}{(n+1)!}(x-x_0{)}^{(n+1)},t\in [x_0,x_1]$$
常用的麦克劳林展开式
$$\begin{gathered} \frac{1}{1-x}=\sum _{n=0}^{+\infty }{x}^n \\ \frac{1}{1+x}=\sum _{n=0}^{{}_{\infty }}(-x{)}^n \\ {e}^x=\sum _{n=0}^{+\infty }\frac{x^n}{n!} \\ \sin x=\sum _{n=0}^{+\infty }(-1{)}^n\frac{x^{2n+1}}{(2n+1)!} \\ \cos x=\sum _{n=0}^{+\infty }(-1{)}^n\frac{x^{2n}}{(2n)!} \\ \ln (1+x)={\int }_0^x\sum _{n=0}^{+\infty }(-1{)}^n{t}^{n}dt=\sum _{n=0}^{+\infty }(-1{)}^n\frac{x^{n+1}}{n+1} \end{gathered}$$

傅里叶级数

三角函数的正交性

$$\begin{gathered} {\int }_{-\pi }^{\pi }\sin nxdx={\int }_{-\pi }^{\pi }\cos nxdx={\int }_{-\pi }^{\pi }\sin nx\cos mxdx=0 \\ {\int }_{-\pi }^{\pi }\sin nx\cos mxdx=\{\begin{array}{ll}0& m\ne n\\ \pi & m=n\end{array} \end{gathered}$$

傅里叶级数

$$\begin{gathered} a_n=\frac{1}{\pi }{\int }_{-\pi }^{\pi }f(x)\cos nxdx,n=0,1,2,\dots \\ {b}_n=\frac{1}{\pi }{\int }_{-\pi }^{\pi }f(x)\sin nxdx,n=1,2,\dots \end{gathered}$$

展开所构成的傅里叶级数为
$$f(x)\sim \frac{a_0}{2}+\sum _{n=1}^{+\infty }(a_n\cos nx+b_n\sin nx)$$

收敛性定理

如果一个函数在周期区间$[-\pi ,\pi ]$上

1. 除了有限个第一类间断点(两侧极值都有)连续
2. 仅存在有限个极值点

则其傅里叶级数在$[-\pi ,\pi ]$上处处收敛于,而且:

1. $f(x)$,连续点
2. $\frac{f(x^{-})+f(x^{+})}{2}$间断点
3. $\frac{f(-{\pi }^{+})+f({\pi }^{-})}{2}$,$x{=}_{-}^{+}\pi$

一个普通周期函数

如果这个周期函数的周期区间是$[-l,l]$,那么有以下的展开
$$\begin{array}{rl}X& =x\frac{\pi }{l},X\in [-\pi ,\pi ]\\ a_n& =\frac{1}{\pi }{\int }_{-\pi }^{\pi }f(x)\cos nXdX\\ & =\frac{\pi }{l\pi }{\int }_{-l}^{l}f(x)\cos \frac{n\pi x}{l}dx\\ & =\frac{1}{l}{\int }_{-l}^{l}f(x)\cos \frac{n\pi x}{l}dx\\ b_n& 同理\end{array}$$