高数复习笔记

1.函数

1.1 定义

函数f 是从一个集合 D（称为定义域，D包含于实数集R）到另一个集合 Y（称为值域）的映射。对于定义域中的每一个元素 x，函数f都指定了一个唯一的元素 y 在值域中，记作

$$y=f\left(x\right),x\in X$$

其中x叫做自变量，y叫做因变量，f叫做映射规则，f(x)表示一个函数值。

函数的两要素是指函数的定义域和值域。

定义域是函数中所有可能的输入值的集合。换句话说，定义域是使得函数有意义的所有 xx 值的集合。

值域是函数中所有可能的输出值的集合。换句话说，值域是函数 f(x)f(x) 在定义域内所有可能的 yy 值的集合。

常见函数类型

1. 线性函数：

   $$f(x)=ax+b$$

   ，其中 a 和 b 是常数。

2. 多项式函数：

   $$f(x)=a_n{x}^n+a_{n-1}{x}^{n-1}+\cdots +a_{1}x+a_0$$

   ，其中 ai是常数。

3. 指数函数：

   $$f(x)=a^x$$

   ，其中 a>0 且 a≠1。

4. 对数函数：

   $$f(x)=lo{g}_a(x)$$

   ，其中 a>0 且 a≠1。

5. 三角函数

• 正弦函数（sin）：
  $$sin(\theta )=\frac{对边}{斜边}$$

• 余弦函数（cos）：
  $$cos(\theta )=\frac{邻边}{斜边}$$

• 正切函数（tan）：
  $$tan(\theta )=\frac{对边}{邻边}=\frac{sin(\theta )}{cos(\theta )}$$

2. 基本关系

1.2.1 毕达哥拉斯恒等式
$$sin{}^2(\theta )+cos{}^2(\theta )=1$$

这个恒等式可以从直角三角形的勾股定理推导出来。

1.2.2 商数关系
$$\begin{gathered} tan(\theta )=\frac{sin(\theta )}{cos(\theta )} \\ cot(\theta )=\frac{cos(\theta )}{sin(\theta )}=\frac{1}{tan(\theta )} \end{gathered}$$

1.2.3 倒数关系
$$\begin{gathered} sec(\theta )=\frac{1}{cos(\theta )} \\ csc(\theta )=\frac{1}{sin(\theta )} \end{gathered}$$

1.3. 三角函数的周期性

• 正弦函数和余弦函数：
  $$sin(\theta +2k\pi )=sin(\theta )$$

  $$cos(\theta +2k\pi )=cos(\theta )$$

  其中，k 是任意整数。

• 正切函数：
  $$tan(\theta +k\pi )=tan(\theta )$$
  其中，k 是任意整数。

1.4. 三角函数的对称性

• 正弦函数：
  $$sin(-\theta )=-sin(\theta )$$

• 余弦函数：
  $$cos(-\theta )=cos(\theta )$$

• 正切函数：
  $$tan(-\theta )=-tan(\theta )$$

1.5. 三角函数的和差公式

• 正弦函数的和差公式：
  $$sin(A\pm B)=sin(A)cos(B)\pm cos(A)sin(B)$$

• 余弦函数的和差公式：
  $$cos(A\pm B)=cos(A)cos(B)\mp sin(A)sin(B)$$

• 正切函数的和差公式：
  $$tan(A\pm B)=\frac{tan(A)\pm tan(B)}{1\mp tan(A)tan(B)}$$

1.6. 三角函数的倍角公式

• 正弦函数的倍角公式：
  $$sin(2\theta )=2sin(\theta )cos(\theta )$$

• 余弦函数的倍角公式：
  $$cos(2\theta )=cos{}^2(\theta )-sin{}^2(\theta )=2cos{}^2(\theta )-1=1-2sin{}^2(\theta )$$

• 正切函数的倍角公式：
  $$tan(2\theta )=\frac{2tan(\theta )}{1-tan{}^2(\theta )}$$

1.7. 三角函数的半角公式

• 正弦函数的半角公式：
  $$sin(\frac{\theta }{2})=\pm \sqrt{\frac{1-cos(\theta )}{2}}$$

• 余弦函数的半角公式：
  $$cos(\frac{\theta }{2})=\pm \sqrt{\frac{1+cos(\theta )}{2}}$$

• 正切函数的半角公式：
  $$tan(\frac{\theta }{2})=\pm \sqrt{\frac{1-cos(\theta )}{1+cos(\theta )}}$$

1.2函数的特性

1.2.1 有界性

上界：存在一个实数k1，使得
$$\exists k_1,f(x)\le k$$
下界：存在一个实数k2，使得
$$\exists k_2,f(x)\ge k$$
注：特殊符号说明：
$$\forall ：任给一个数，\exists ：存在一个数$$
有界：

一个函数 f(x) 在其定义域 D 上称为有界的，如果存在两个实数 M 和 m，使得对于定义域中的任意x，都有：
$$m\le f(x)\le M$$
其中：

• M 称为函数的上界。
• m 称为函数的下界。

一个函数有界的充要条件：既有上界，又有下界。

分类

根据函数的有界性，可以分为以下几种情况：

1. 有界函数：如果函数 f(x) 在其定义域 D 上既有上界又有下界，则称 f(x) 是有界函数。
2. 无界函数：如果函数 f(x) 在其定义域 D 上没有上界或没有下界，则称 f(x) 是无界函数。

1.2.2 单调性

定义

一个函数 f(x) 在其定义域 D 上称为单调的，如果对于定义域中的任意 x1 和 x2，当 x1<x2 时，有：

• 单调递增：如果 f(x1)≤f(x2)，则函数 f 是单调递增的。
• 严格单调递增：如果 f(x1)<f(x2)，则函数 f 是严格单调递增的。
• 单调递减：如果 f(x1)≥f(x2)，则函数 f 是单调递减的。
• 严格单调递减：如果 f(x1)>f(x2)，则函数 f 是严格单调递减的。

1.2.3 奇偶性

定义

一个函数 f(x) 在其定义域 D 上称为：

• 偶函数：如果对于定义域中的任意 x，都有 f(−x)=f(x)，则函数 f 是偶函数。偶函数的图形关于 y 轴对称。
• 奇函数：如果对于定义域中的任意 x，都有 f(−x)=−f(x)，则函数 f是奇函数。奇函数的图形关于原点对称。

1.2.4 周期性

定义

一个函数 f(x) 在其定义域 D 上称为周期函数，如果存在一个正数 T，使得对于定义域中的任意 x，都有：
$$f(x+T)=f(x)$$
其中 T称为函数的周期。如果存在最小的正数 T 满足上述条件，则称 T 为函数的最小正周期。

2.极限

2.1 数列极限

定义

一个数列 {an} 的极限是 L，如果对于任意给定的正数 ϵ，总存在一个正整数 N，使得对于所有 n>N，都有：
$$\mid a_n-L\mid <ϵ$$
换句话说，当 n 足够大时，数列的项 an可以无限接近L。此时，我们称数列 {an} 收敛于 L，记作：
$$\underset{n\to \infty }{\lim }{a}_n=L$$
如果数列不收敛于任何有限值，则称该数列为发散的。

理解：对于任意小的区间 ϵ，对于某个正整数N，使N后边的所有项n，∣an−L∣落在ϵ的这个区间内。
极限的性质

1. 唯一性：如果数列 {an}收敛，则其极限是唯一的。

2. 有界性：如果数列 {an}收敛，则它是有界的。

3. 保序性：如果数列 {an} 和 {bn} 都收敛，且对于所有 n，都有 an≤bn，则
   $$\underset{n\to \infty }{\lim }{a}_n\le \underset{n\to \infty }{\lim }{b}_n$$

4. 四则运算：如果数列 {an}和 {bn} 都收敛，则它们的和、差、积、商（分母不为零）的极限也存在，并且满足相应的极限运算法则。
   极限的判定

5. 直接法：

   • 通过分析数列的通项公式，直接计算其极限。

   • 例如，数列
     { a n } = ( n 2 + 1 2 n 2 + 3 ) \{a_{n}\}=(\dfrac{n^{2}+1}{2n^{2}+3}) {an​}=(2n2+3n2+1​)
     ，计算其极限：
     $$\underset{n\to \infty }{\lim }\frac{n^2+1}{2n^2+3}=\underset{n\to \infty }{\lim }\frac{1+\frac{1}{n^2}}{2+\frac{3}{n^2}}=\frac{1}{2}$$

6. 夹逼定理：

   • 如果数列 {an}、{bn} 和 {cn} 满足 an≤bn≤cn，且
     $$\underset{n\to \infty }{\lim }{a}_n=\underset{n\to \infty }{\lim }{c}_n=L$$
     ，则
     $$\underset{n\to \infty }{\lim }{b}_n=L$$

2.3 无穷大与无穷小

1. 无穷大：如果对于任意大的正数 M，总存在正数 δ，使得当 0<∣x−a∣<δ时，有 ∣f(x)∣>M，则称 f(x)在 x 趋近于 a 时趋向于无穷大，记作
   $$\underset{x\to a}{\lim }f(x)=\infty$$
   无穷大分为正无穷大和负无穷大。

   无穷大加无穷大不确定，因为如果负无穷大加正无穷大不知道为多少；同理无穷大减无穷大也不确定；无穷大除以无穷大也不确定；

   无穷大乘无穷大肯定为无穷大。

2. 无穷小：如果
   $$\underset{x\to a}{\lim }f(x)=0或\underset{x\to \infty }{\lim }f(x)=0$$
   ，则称 f(x)在 x 趋近于a或趋近于∞ 时的无穷小。

   运算法则：

   1.无穷小加、减、乘无穷小都是无穷小

   2.有界函数与无穷小的乘积也为无穷小

   3.常数与无穷小的乘积也为无穷小

   4.无穷小除以无穷小不确定。

   注意：无穷小和负无穷大的区别及无穷小和非常小的数的区别。

   负无穷大也是无穷大，不是无穷小；非常小的数是一个常数，不是无穷小。

如果f(x)是无穷大，则1/f(x)为无穷小；如果f(x)是无穷小，则1/f(x)为无穷大。

3. 高阶无穷小

   设 α和 β 是两个无穷小量（即当 x→a时， α→0且 β→0）。

   如果
   $$\underset{x\to a}{\lim }\frac{\alpha }{\beta }=0$$
   ，则称 α是 β的高阶无穷小，记作 α=o(β)。即α的收敛速度比 β快。

   如：
   $$\underset{x\to 0}{\lim }\frac{x^2}{3x}=0$$
   x^{2比3x收敛速度快，则x}2是3x的高阶无穷小，记作
   $$x^2=o(3x)$$

4. 低阶无穷小

设 α 和 β 是两个无穷小量。

如果
$$\underset{x\to a}{\lim }\frac{\alpha }{\beta }=\infty$$
，则称 α 是 β 的低阶无穷小。

5. 同阶无穷小

   设 α 和 β 是两个无穷小量。

   如果
   $$\underset{x\to a}{\lim }\frac{\alpha }{\beta }=c（其中c是一个非零常数）$$
   ，则称 α 和 β 是同阶无穷小。

6. 等价无穷小

   • 设 α 和 β 是两个无穷小量（即当 x→a 时， α→0且 β→0）。

   • 如果
     $$\underset{x\to a}{\lim }\frac{\alpha }{\beta }=1$$
     ，则称 α 和 β 是等价无穷小，记作 α∼β。

7. k阶无穷小

   • 设 α和 β 是两个无穷小量，且
     $$\beta =o(x^k)当x\to 0$$

   • 如果
     $$\underset{x\to a}{\lim }\frac{\alpha }{{\beta }^k}=c（其中c是一个非零常数）$$
     ，则称 α 是 β 的 k 阶无穷小。

2.4 无穷大极限

函数 f(x) 当 x趋于无穷大时，如果存在一个常数 A，使得对于任意小的正数 ϵ，总存在一个正数 X，使得当 ∣x∣>X 时， ∣f(x)−A∣<ϵ，则我们说 f(x) 当 x 趋于无穷大时的极限是 A。

具体分类：

1. 当 x→+∞ 时的极限：

   • 如果存在一个常数 A，使得对于任意小的正数 ϵ，总存在一个正数 X，使得当 x>X时， ∣f(x)−A∣<ϵ，则我们说 f(x)当 x→+∞ 时的极限是 A，记作
     $$\underset{x\to +\infty }{\lim }f(x)=A$$

2. 当 x→−∞时的极限：

   • 如果存在一个常数 A，使得对于任意小的正数 ϵ，总存在一个正数 X，使得当 x<−X时， ∣f(x)−A∣<ϵ，则我们说 f(x) 当 x→−∞时的极限是 A，记作
     $$\underset{x\to -\infty }{\lim }f(x)=A$$

2.导数

2.1 导数定义

当函数y=f（x）的自变量x在一点x0上产生一个增量Δx时，函数输出值的增量Δy与自变量增量Δx的比值在Δx趋于0时的极限a如果存在，a即为在x0处的导数，记作
$$f’(x_0)或\frac{dy}{dx}{|}_{x=x_0}$$
即：
$$f\prime (x_0)=\underset{\Delta x\to 0}{\lim }\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}$$
其中：

• Δx 是一个很小的增量，表示 x 的变化量。

• $$f(x_0+\Delta x)$$

  是 x 在 x0 点增加 Δx 后的函数值。

• f(x0) 是 x 在 x0 点的函数值。

• $$\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}$$

  是函数在 x=x0 处的平均变化率。

• $$\underset{\Delta x\to 0}{\lim }$$

  表示当 Δx 趋近于 0 时的极限。

• 平均变化率：在 x=x0 和 x=x0 + Δx 之间，函数的平均变化率是
  $$\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}$$
  。这个比值表示函数在这段区间内的平均变化速度。

• 瞬时变化率：当 Δx 趋近于 0 时，平均变化率的极限值就是函数在 x=x0处的瞬时变化率，即导数 f′(x0)。

2.2.导数的几何意义

2.2.1 切线

由导数定义可知，f(x)在点 (a,f(a))处的斜率：
$$f\prime (a)=\underset{x\to a}{\lim }\frac{f(x)-f(a)}{x-a}$$
所以切线方程可以表示为：
$$y-f(a)=f\prime (a)(x-a)$$
其中：

• y 是切线上的点的纵坐标。
• f(a) 是函数在点 x=a 处的值。
• f′(a) 是函数在点 x=a 处的导数，即切线的斜率。
• x 是切线上的点的横坐标。
• a 是切点处的横坐标。

化简切线方程：
$$y-f(a)=f\prime (a)(x-a)=>y=f^{\prime }(a)x-a{f}^{\prime }(a)+f(a)$$
将切线方程化简为标准形式 y=mx+b，其中 m 是斜率，b 是截距。

2.2.2 法线

是与切线垂直的直线。切线的斜率为f’(a)，则法线的斜率为
$$-\frac{1}{f^{\prime }(a)}$$
法线方程的一般形式是：
$$y-f(a)=-\frac{1}{f\prime (a)}(x-a)$$

其中：

• y 是法线上的点的纵坐标。
• f(a是函数在点 x=a处的值。
• f′(a)是函数在点 x=a处的导数，即切线的斜率。
• x 是法线上的点的横坐标。
• a 是法线点处的横坐标。

化简法线方程：
将法线方程化简为标准形式 y=mx+b，其中 m 是斜率，b 是截距。

3.可导与连续的关系

3.1 定义

连续性

一个函数 f(x) 在点 x=a 处连续，如果满足以下条件：
$$\underset{x\to a}{\lim }f(x)=f(a)或者\underset{h\to 0}{\lim }f(a+h)-f(a)=0$$
这意味着当 x 接近 a 时，函数值 f(x)也接近 f(a)。换句话说，函数在点 x=a处没有跳跃或断裂。

可导性

一个函数 f(x) 在点 x=a处可导，如果它在该点处的导数存在，即：
$$f^{\prime }(a)=\underset{h\to 0}{\lim }\frac{f(a+h)-f(a)}{h}$$
这意味着函数在点 x=a 处的变化率是有限的，并且有一个确定的值。

所以从连续和可导定义看出，可导的条件比连续的条件更严格。

3.2 定理

1.可导性蕴含连续性

如果函数 f(x) 在点 x=a处可导，那么它在点 x=a 处连续。

证明：如果函数 f(x) 在点 x=a处可导，则
$$f^{\prime }(a)=\underset{h\to 0}{\lim }\frac{f(a+h)-f(a)}{h}$$
我们要证f(x)在点 x=a 处连续，需要证明
$$\underset{x\to a}{\lim }f(x)=f(a)$$
变换上述等式：
$$\underset{x\to a}{\lim }(f(x)-f(a))=\underset{x\to a}{\lim }(\frac{f(x)-f(a)}{x-a}(x-a))=\underset{x\to a}{\lim }\frac{f(x)-f(a)}{x-a}.\underset{x\to a}{\lim }(x-a)=f^{\prime }(a).0=0$$
所以
$$\underset{x\to a}{\lim }f(x)=f(a)$$
2.连续性不一定蕴含可导性

反例：考虑函数 f(x)=∣x|在 x=0处是否可导。

证明：

连续性：
$$\underset{x\to 0}{\lim }|x|=0=f(0)$$
函数是连续的

可导性：

左导数：
$$f_{-}^{\prime }(0)=\underset{h\to 0^{-}}{\lim }\frac{f(h+0)-f(h)}{h}=\underset{h\to 0^{-}}{\lim }\frac{-h-0}{h}=-1$$
右导数：
$$f_{+}^{\prime }(0)=\underset{h\to 0^{+}}{\lim }\frac{f(0+h)-f(h)}{h}=\underset{h\to 0^{+}}{\lim }\frac{h-0}{h}=1$$
左右导数不相等，所以函数不是可导的。

4.求导公式

4.1 求导规则

1. 常数规则：
   $$\frac{d}{dx}(c)=0$$

   其中 c 是常数。

2. 幂函数规则：
   $$\frac{d}{dx}(x^n)=n{x}^{n-1}$$

   其中 n 是任意实数。

3. 常数倍规则：
   $$\frac{d}{dx}(c\cdot f(x))=c\cdot f\prime (x)或(cv{)}^{\prime }=c{v}^{\prime }$$

   其中 c 是常数。

4. 和差规则：
   $$\frac{d}{dx}(f(x)\pm g(x))=f\prime (x)\pm g\prime (x)或(u\pm v{)}^{\prime }=u^{\prime }\pm v^{\prime }$$

5. 乘积规则：
   $$\frac{d}{dx}(f(x)\cdot g(x))=f\prime (x)\cdot g(x)+f(x)\cdot g\prime (x)或(uv{)}^{\prime }=u^{\prime }v+u{v}^{\prime }$$

6. 商规则：
   $$\frac{d}{dx}(\frac{f(x)}{g(x)})=\frac{f\prime (x)\cdot g(x)-f(x)\cdot g\prime (x)}{[g(x){]}^2}或(\frac{u}{v}{)}^{\prime }=\frac{u^{\prime }v-u{v}^{\prime }}{v^2}$$

   其中 g(x)≠0。

7. 链式法则(复合函数求导)：
   $$\frac{d}{dx}(f(g(x)))=f\prime (g(x))\cdot g\prime (x)或\frac{dy}{dx}=\frac{dy}{du}.\frac{du}{dx}$$

4.2 常见函数的求导公式

1. 指数函数：
   $$\frac{d}{dx}(e^x)=e^x$$

   $$\frac{d}{dx}(a^x)=a^{x}ln(a)$$

   其中 a>0且 a≠1。

2. 对数函数：
   $$\frac{d}{dx}(lnx)=\frac{1}{x}$$

   $$\frac{d}{dx}(log{}_a(x))=\frac{1}{xln(a)}$$

   其中 a>0且 a≠1。

3. 三角函数：
   $$\frac{d}{dx}(sin(x))=cos(x)$$

   $$\frac{d}{dx}(cos(x))=-sin(x)$$

   $$\frac{d}{dx}(tan(x))=se{c}^2(x)=\frac{1}{co{s}^2(x)}$$

4. 反三角函数：
   $$\frac{d}{dx}(arcsin(x))=\frac{1}{\sqrt{1-x^2}}$$

   $$\frac{d}{dx}(arccos(x))=-\frac{1}{\sqrt{1-x^2}}$$

   $$\frac{d}{dx}(arctan(x))=\frac{1}{1+x^2}$$

5.高阶导数

高阶导数是指对函数进行多次求导得到的导数。具体来说，如果一个函数 f(x) 的一阶导数是 f′(x)，那么二阶导数就是对一阶导数再求导，记作
$$f^{\prime \prime }(x)或\frac{d^{2}y}{d{x}^2}$$
。类似地，三阶导数是对二阶导数再求导，记作
$$f^{\prime \prime \prime }(x)或\frac{d^{3}y}{d{x}^3}$$
，以此类推。

定义

对于一个函数 f(x)，其 n 阶导数定义为：
$$f^{(n)}(x)=\frac{d^{n}y}{d{x}^n}$$
其中 n是正整数。

高阶导数的符号表示

• 一阶导数：
  $$f\prime (x)或\frac{dy}{dx}$$

• 二阶导数：
  $$f^{\prime \prime }(x)或\frac{d^{2}y}{d{x}^2}$$

• 三阶导数：
  $$f^{\prime \prime \prime }(x)或\frac{d^{3}y}{d{x}^3}$$

• n 阶导数：
  $$f^{(n)}(x)或\frac{d^{n}y}{d{x}^n}$$

6.隐函数求导

隐式方程是指函数关系不是显式地表示为 y=f(x)，而是表示为 F(x,y)=0的形式。隐函数求导的基本思想是通过对方程两边同时求导，然后解出
$$\frac{dy}{dx}$$
隐函数求导的基本步骤

1. 对方程两边求导：假设有一个隐式方程 F(x,y)=0，我们对方程两边分别对 x 求导。
2. 使用链式法则：在求导过程中，如果遇到 y 的函数，需要使用链式法则，将 y 视为 x 的函数。
3. 通过求导得到的方程，解出 dy/dx。

7.参数方程求导

参数方程是一种描述曲线的方法，其中曲线的 x 和 y 坐标分别由两个独立的参数方程表示。假设我们有一个参数方程：
$$\{\begin{array}{l}x=f(t)\\ y=g(t)\end{array}$$
其中 t 是参数。我们希望求出曲线的导数 dy/dx。

参数方程求导的基本步骤

1. 求 x 对 t 的导数：
   $$\frac{dx}{dt}=f\prime (t)$$

2. 求 y对 t 的导数：
   $$\frac{dy}{dt}=g\prime (t)$$

3. 求 dy/dx：
   $$\frac{dy}{dx}=\frac{\frac{dy}{dt}}{\frac{dx}{dt}}=\frac{g\prime (t)}{f\prime (t)}$$

3.微分

3.1.定义

微分是函数在某个变化过程中的改变量的线性主要部分。

若函数y=f(x)在点x处有导数f’(x)存在，则y因x的变化量△x所引起的改变量
$$△y=f(x+△x)-f(x)$$
可以表示为
$$△y=f^{\prime }(x)\cdot △x+o(△x)$$
，其中o(△x)是△x的高阶无穷小，即当△x趋于0时，o(△x)相对于△x趋于0的速度更快。因此，

微分dy可以近似地表示为
$$dy=f^{\prime }(x)△x$$
，它描述了函数值y随自变量x变化而变化的线性部分。‌

3.2.可微的充要条件

函数 f(x) 在点 x=a 处可微的充要条件是：

1. 函数在点 x=a处连续：
   $$\underset{x\to a}{\lim }f(x)=f(a)$$

2. 函数在点 x=a 处左右导数存在且相等：
   $$f_{-}^{\prime }(a)=f_{+}^{\prime }(a)$$

简单来说，就是可微的充要条件是函数 f(x) 在点 x=a 处可导。

3.3.微分公式与法则

根据微分定义
$$dy=f^{\prime }(x)dx$$
可知，求微分实际上就是求导数，所以微分公式同求导公式，详见导数章节，这里不再赘述。

3.4.微分的几何意义

假设一个可微函数y=f(x)的曲线，在x=x0处增加一个非常小的改变量△x，那么：
$$△y=f(x_0+△x)-f(x_0)$$
△y是函数增量的精确值，现在我们在x=x0处做函数的切线，根据微分定义可知：
$$dy=f^{\prime }(x_0)△x$$
f’(x)是切线的斜率，dy是△y的近似值，如上图所示，所以

$$\begin{gathered} △y\approx f^{\prime }(x_0)△x \\ f(x_0+△x)=△y+f(x_0)\approx f^{\prime }(x_0)△x+f(x_0) \end{gathered}$$
所以微分提供了一种在局部范围内用直线近似曲线的方法，这对于理解和分析函数的行为非常有用。

3.5.微分中值定理

3.5.1 罗尔定理

如果函数 f(x)满足以下条件：

1. 在闭区间 [a,b]上连续。
2. 在开区间 (a,b)上可导。
3. 在区间端点的函数值相等，即 f(a)=f(b)。

那么，在开区间 (a,b)内至少存在一点 c，使得：f′©=0

罗尔定理的几何意义是：如果函数 f(x) 在区间 [a,b]上的两个端点处的函数值相等，那么在区间 (a,b)内至少存在一点 c，使得该点处的切线是水平的（即导数为零）。

3.5.2 拉格朗日中值定理

如果函数 f(x)满足以下条件：

1. 在闭区间 [a,b] 上连续。
2. 在开区间 (a,b)上可导。

那么，在开区间 (a,b) 内至少存在一点 c，使得：
$$f\prime (c)=\frac{f(b)-f(a)}{b-a}$$
拉格朗日中值定理的几何意义是：在区间 [a,b] 上，函数 f(x) 的图像上至少存在一点 c，使得该点处的切线斜率等于区间端点法线的斜率。

罗尔定理是拉格朗日中值定理的特例，从图形上理解就是将拉格朗日中值定理图像中的b点向下旋转，使f(b)=f(a)，此时两端点之间连线的斜率为0。

3.5.3 柯西中值定理

如果函数 f(x) 和 g(x) 满足以下条件：

1. 在闭区间 [a,b]上连续。
2. 在开区间 (a,b)上可导。
3. 在开区间 (a,b) 内，g′(x)≠0。

那么，在开区间 (a,b) 内至少存在一点 c，使得：
$$\frac{f\prime (c)}{g\prime (c)}=\frac{f(b)-f(a)}{g(b)-g(a)}$$
柯西中值定理的几何意义是：在区间 [a,b] 上，函数 f(x)和 g(x) 的图像上至少存在一点 c，使得该点处的切线斜率之比等于区间端点连线的斜率之比。

怎么理解柯西中值定理？

将f(x)和g(x)看作是参数方程：
$$\{\begin{array}{l}x=f(t)\\ y=g(t)\end{array}$$

$$\frac{dy}{dx}=\frac{\frac{dy}{dt}}{\frac{dx}{dt}}=\frac{g^{\prime }(t)}{f^{\prime }(t)}$$

a、b端点连线的斜率为：
$$\frac{g(b)-g(a)}{f(b)-f(a)}$$
根据拉格朗日中值定理可知，至少存在一点c，使得该点处的切线斜率等于区间端点连线的斜率，即：
$$\frac{g^{\prime }(t)}{f^{\prime }(t)}=\frac{g(b)-g(a)}{f(b)-f(a)}$$

3.5.4 洛必达法则

洛必达法则用于求解不定型极限问题。不定型极限是指在求极限时，分子和分母都趋向于零（即 0/0 型）或分子和分母都趋向于无穷大（即 ∞/∞ 型）的情况。洛必达法则通过求导数来简化这些极限的计算。

设函数 f(x)和 g(x 满足以下条件：

1. 在点 a 的某个去心邻域内可导，且 g′(x)≠0。

2. $$\underset{x\to a}{\lim }f(x)=0且\underset{x\to a}{\lim }g(x)=0，或者\underset{x\to a}{\lim }f(x)=\pm \infty 且\underset{x\to a}{\lim }g(x)=\pm \infty 。$$

如果
$$\underset{x\to a}{\lim }\frac{f\prime (x)}{g\prime (x)}$$
存在（或为无穷大），那么：
$$\underset{x\to a}{\lim }\frac{f(x)}{g(x)}=\underset{x\to a}{\lim }\frac{f\prime (x)}{g\prime (x)}$$

4.不定积分

4.1.定义

如果函数 F(x) 满足 F′(x)=f(x)，则称 F(x) 是 f(x) 的一个原函数。不定积分
$$\int f(x)dx$$
表示 f(x) 的所有原函数，通常写成：

$$\int f(x)dx=F(x)+C$$
其中，C是积分常数，表示原函数的不确定性。 f(x)是被积函数，dx表示对 x 的积分变量。

不定积分的结果是一个函数簇，而不是一个具体的数值。其几何含义是一组平行的曲线簇。

4.2.基本积分公式

1. 常数积分：
   $$\int kdx=kx+C(其中k是常数)$$

2. 幂函数积分：
   $$\int x^{n}dx=\frac{x^{n+1}}{n+1}+C(其中n\ne -1)$$

3. 指数函数积分：
   $$\int e^{x}dx=e^x+C$$

   $$\int a^{x}dx=\frac{a^x}{lna}+C(其中a>0且a\ne 1)$$

4. 对数函数积分：
   $$\int \frac{1}{x}dx=ln\mid x\mid +C$$

5. 三角函数积分：
   $$\int sinxdx=-cosx+C$$

   $$\int cosxdx=sinx+C$$

6. 反三角函数积分：
   $$\int \frac{1}{\sqrt{1-x^2}}dx=arcsinx+C$$

   $$\int \frac{1}{1+x^2}dx=arctanx+C$$

4.3.换元积分法

4.3.1 第一类换元积分法

1. 选择合适的变量替换：
   选择一个合适的变量替换 u=g(x)，使得积分变得更简单。

2. 求导数：
   求 u 对 x 的导数
   $$\frac{du}{dx}=g\prime (x)$$
   ，并将其改写为
   $$du=g\prime (x)dx$$

3. 替换积分变量：
   将原积分中的 x 替换为 u，并将 dx 替换为
   $$\frac{du}{g\prime (x)}$$

4. 求解新积分：
   求解新的积分
   $$\int f(u)du$$

5. 回代变量：
   将 u 回代为 g(x)，得到最终的不定积分结果。

简单理解就是观察函数，将d前边的某一部分求原函数，然后放到d的里面。

4.3.2 第二类换元积分法

第二类换元积分法通常涉及三角函数替换或带根号形式的替换。

1. 选择合适的变量替换：
   选择一个合适的变量替换 x=g(t)，使得积分变得更简单。

2. 求导数：
   求 x 对 t 的导数
   $$\frac{dx}{dt}=g\prime (t)$$
   ，并将其改写为
   $$dx=g\prime (t)dt$$

3. 替换积分变量：
   将原积分中的 x 替换为 g(t)，并将 dx替换为 g′(t) dt。

4. 求解新积分：
   求解新的积分
   $$\int f(g(t))g\prime (t)dt$$

5. 回代变量：
   将 t 回代为
   $$g^{-1}(x)$$
   ，得到最终的不定积分结果。

简单理解就是将变量替换 x=g(t)，对dx求出dt，然后对t进行积分，最后将t换回x。

5.定积分

定积分是微积分中的一个重要概念，用于求解函数在某个区间上的累积效应或面积。

5.1.定义

定积分
$${\int }_a^{b}f(x)dx$$
表示函数 f(x)在区间 [a,b]上的累积效应或面积。定积分的定义可以通过以下步骤来理解：

1. 分割区间：
   将区间 [a,b]分割成 n 个小区间，每个小区间的长度为 Δxi，其中
   $$\Delta x_i=x_i-x_{i-1}$$
   ，且 x0=a，xn=b。

2. 取样本点：
   在每个小区间
   $$[x_{i-1},x_i]$$
   内取一个样本点 ξi。

3. 构造黎曼和：
   构造黎曼和
   $$\sum _{i=1}^{n}f({\xi }_i)\Delta x_i$$
   ，表示函数 f(x) 在区间 [a,b]上的近似累积效应或面积。

4. 取极限：
   当分割的区间数 n 趋向于无穷大，且每个小区间的长度 Δxi趋向于零时，黎曼和的极限即为定积分：
   $${\int }_a^{b}f(x)dx=\underset{n\to \infty }{\lim }\sum _{i=1}^{n}f({\xi }_i)\Delta x_i$$

说明：

黎曼和是通过将区间 [a,b]分成 n 个等宽的子区间，每个子区间的宽度为
$$\Delta x=\frac{b-a}{n}$$
，然后选择每个子区间内的一点 xi，计算矩形的面积之和来近似积分的。

黎曼和可以表示为：
$$S_n=\sum _{i=1}^{n}f(x_i)\Delta x$$
其中：

• Sn是黎曼和的值。
• n是子区间的数量。
• xi是第 i个子区间 [xi−1,xi]内的一点。
• Δx是每个子区间的宽度。

以上定义的几何图形：

5.2.几何意义

定积分
$${\int }_a^{b}f(x)dx$$
的几何意义是函数 f(x) 在区间 [a,b]上的曲线下面积。具体来说：

• 如果 f(x)≥0，则定积分表示曲线下方的面积。
• 如果 f(x)≤0，则定积分表示曲线上方的面积的负值。

5.3.性质

定积分具有以下重要性质：

1. 线性性质：
   $${\int }_a^b[cf(x)+dg(x)]dx=c{\int }_a^{b}f(x)dx+d{\int }_a^{b}g(x)dx$$
   其中 c 和 d 是常数。

2. 区间可加性：
   $${\int }_a^{b}f(x)dx={\int }_a^{c}f(x)dx+{\int }_c^{b}f(x)dx$$
   其中 a≤c≤b。

3. 积分上下限交换：
   $${\int }_a^{b}f(x)dx=-{\int }_b^{a}f(x)dx$$

4. 定积分中值定理

   如果函数 f(x) 在闭区间 [a,b] 上连续，则存在 c∈[a,b]，使得：

$${\int }_a^{b}f(x)dx=f(c)(b-a)$$

证明：

设f(x)在[a,b]上连续，因为闭区间上连续函数必有最大最小值，不妨设最大值为M，最小值为m，最大值和最小值可相等。

对

$$m\le f(x)\le M$$
两边同时积分可得：
$$m(b-a)\le {\int }_a^{b}f(x)dx\le M(b-a)$$
同除以b-a从而得到：
$$m\le \frac{1}{(b-a)}{\int }_a^{b}f(x)dx\le M$$
由连续函数的介值定理可知，必定
$$\exists c\in [a,b]$$
，使得
$$f(c)=\frac{1}{(b-a)}{\int }_a^{b}f(x)dx$$
，即：
$${\int }_a^{b}f(x)dx=f(c)(b-a),\exists c\in [a,b]$$

5.4.微积分基本公式

牛顿-莱布尼茨公式
$${\int }_a^{b}f(x)dx=F(b)-F(a)$$

$$其中，F(x)是f(x)的一个原函数，即F\prime (x)=f(x)。$$

微积分基本定理

微积分基本定理分为两部分，分别描述了积分上限函数的性质和定积分的基本公式。

第一部分（Part 1）

如果 f(t) 在区间 [a,b]上连续，则积分上限函数
$$F(x)={\int }_a^{x}f(t)dt$$
在区间 [a,b] 上可导，并且其导数为：

$$F\prime (x)=f(x)$$
第一基本定理表明不定积分是微分的逆运算，保证了某连续函数的原函数的存在性。

第二部分（Part 2）

如果 F(x)是 f(x)的一个原函数，即 F′(x)=f(x)，则：
$${\int }_a^{b}f(x)dx=F(b)-F(a)$$
第二基本定理则提供了定积分和不定积分之间的联系，使得定积分的计算变得简便。

5.5.定积分换元法

步骤

1. 选择合适的变量替换：
   选择一个合适的变量替换 t=g(x)，使得积分变得更简单，并求反函数：

$$x=g^{-1}(t)=h(t)$$

2. 求导数：
   对 x 的导数

$$dx=h^{\prime }(t)dt$$

3. 替换积分变量：
   将原积分中的 x 替换为 t，并将 dx 替换为

$$h^{\prime }(t)dt$$

4. 确定新的积分上下限：
   将原积分的上下限 a 和 b 替换为新的上下限 t 的值。即 t 的下限为 t1，上限为 t2。

5. 求解新积分：
   求解新的定积分

$${\int }_{t_1}^{t_2}f(h(t))h^{\prime }(t)dt$$

6.多元函数

6.1.二元极限

定义

设函数 f(x,y) 在点 (a,b) 的某个去心邻域内有定义。如果对于任意给定的正数 ϵ，总存在正数 δ，使得当
$$0<\sqrt{(x-a{)}^2+(y-b{)}^2}<\delta$$
时，总有：

∣f(x,y)−L∣<ϵ

则称 L 为函数 f(x,y)在点 (a,b)处的极限，记作：
$$\lim {}_{(x,y)\to (a,b)}f(x,y)=L$$
几何意义

当点 (x,y)从任意方式趋近于点 (a,b) 时，函数 f(x,y) 的值趋近于 L。换句话说，函数图像在二维平面的点 (a,b)附近趋近于一个三维立体平面上的点 (a,b,L)。可将(a,b)想象为(a,b,L)投影在二维平面的点。

如果 (x,y)从不同方式趋近于点 (a,b)，函数 f(x,y) 的值不相等，则表示 f(x,y) 不存在。

6.2.偏导数

‌偏导数是‌多元函数求导的一种形式，表示在多个自变量中，当其中一个自变量改变而其他自变量保持不变时函数值的变化率。

这实质上是将其他自变量视为常数，然后按照单变量函数求导的方法进行运算。‌

定义

设函数 f(x,y) 在点 (x0,y0) 的某个邻域内有定义。如果极限：
$$\underset{\Delta x\to 0}{\lim }\frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}$$
存在，则称此极限为函数 f(x,y)在点 (x0,y0) 处对 x 的偏导数，记作：
$$\frac{\partial f}{\partial x}\mid (x_0,y_0)或f_x^{\prime }(x_0,y_0)$$
类似地，如果极限：
$$\lim {}_{\Delta y\to 0}\frac{f(x_0,y_0+\Delta y)-f(x_0,y_0)}{\Delta y}$$
存在，则称此极限为函数 f(x,y)在点 (x0,y0)处对 y的偏导数，记作：
$$\frac{\partial f}{\partial y}\mid (x_0,y_0)或f_y^{\prime }(x_0,y_0)$$
‌偏导数的计算方法‌

对于二元函数z=f(x,y)，求z对x的偏导数时，将y看作常量，对x求导；求z对y的偏导数时，将x看作常量，对y求导。

6.3.全微分

定义

如果函数z=f(x, y)在点(x, y)处的全增量
$$\Delta z=f(x+\Delta x,y+\Delta y)-f(x,y)$$
可以表示为
$$\Delta z=A\Delta x+B\Delta y+o(\rho )$$
，其中A、B不依赖于Δx, Δy，仅与x, y有关，ρ趋近于0(ρ=√[(Δx)²+(Δy)²])，此时称函数z=f(x, y)在点(x, y)处可微分，AΔx+BΔy称为函数z=f(x, y)在点(x, y)处的全微分，记为dz即dz=AΔx +BΔy。

可微的必要条件条件

若z=f(x,y)在(x,y)点处可微，则偏导数
$$f_x^{\prime }(x,y)和f_y^{\prime }(x,y)$$
存在，并且
$$dz=f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y或dz=f_x^{\prime }(x,y)dx+f_y^{\prime }(x,y)dx$$
可微的充分条件

z=f(x,y)在(x,y)的某个邻域内有连续的偏导数
$$f_x^{\prime }(x,y)和f_y^{\prime }(x,y)$$
则在(x,y)处可微，
$$dz=f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y或dz=f_x^{\prime }(x,y)dx+f_y^{\prime }(x,y)dx$$

6.4.梯度

梯度是一个向量，表示多元函数在某一点处的最大变化率和变化方向。

定义

设 f(x1,x2,…,xn)是一个定义在 Rn(n维欧几里得空间) 上的多元函数，函数 f在n维向量点 a=(a1,a2,…,an)处的梯度定义为：
$$\nabla f(a)=(\frac{\partial f}{\partial x_1}(a),\frac{\partial f}{\partial x_2}(a),\dots ,\frac{\partial f}{\partial x_n}(a))$$
其中，
$$\frac{\partial f}{\partial x_i}(a)$$
是函数 f 在点 a 处对第 i 个自变量的偏导数。

性质

1. 最大变化率：梯度 ∇f(a) 的方向是函数 f在点 a 处变化率最大的方向。
2. 变化率：梯度 ∇f(a) 的大小（模）是函数 f 在点 a 处沿梯度方向的变化率。

沿梯度方向是是函数 f在点 a 处变化率增加最大的方向；沿梯度反方向是是函数 f在点 a 处变化率减小最大的方向；沿梯度垂直方向函数 f在点 a 处变化率为0。

梯度下降

梯度下降是一种优化算法，用于寻找多元函数的最小值。其基本思想是沿着函数的负梯度方向逐步更新参数，以减少函数值。

算法步骤

1. 初始化：选择一个初始点 x0。

2. 迭代更新：对于每次迭代 k，计算当前点的梯度
   $$\nabla f(x_k)$$
   ，并更新参数：
   $$x_{k+1}=x_k-\eta \nabla f(x_k)$$
   其中，η 是学习率（步长），控制每次更新的步幅。

3. 终止条件：当梯度的模足够小或达到预设的迭代次数时，停止迭代。通常，终止条件可以是以下几种：

   1. 梯度的模足够小：当梯度的模（或范数）
      $$\Vert \nabla f(xk)\Vert$$
      小于某个阈值时，停止迭代。

      说明：

      梯度的范数表示梯度向量的大小，即梯度向量的长度。

      梯度的范数（模） ∥∇f(xk)∥是这个向量的欧几里得长度，定义为：
      $$||\nabla f(x_k)||=\sqrt{(\frac{\partial f}{\partial x_1}{)}^2+(\frac{\partial f}{\partial x_2}{)}^2+\cdots +(\frac{\partial f}{\partial x_n}{)}^2}$$

   2. 达到预设的迭代次数：当迭代次数达到预设的最大迭代次数时，停止迭代。

   3. 函数值变化足够小：当函数值的变化
      $$\mid f(x_{k+1})-f(x_k)\mid$$
      小于某个阈值时，停止迭代。

学习率

学习率 η是一个重要的超参数，控制着每次更新的步幅。选择合适的学习率对于梯度下降算法的性能至关重要：

• 学习率过大：如果步幅过大，算法可能会“跳过”最优解，导致在最优解附近来回震荡。
• 学习率过小：可能导致算法收敛速度过慢。

6.5.二重积分

二重积分是多元微积分中的一个重要概念，用于计算二维区域上的函数积分。它通常用于计算平面区域上的面积、质量、重心等问题。二

重积分的基本思想是将一个二维区域分割成无数个小区域，然后在每个小区域上计算函数值的积分。

定义

设 f(x,y)f(x,y) 是定义在平面区域 D 上的函数，二重积分记作：
$${\iint }_{D}f(x,y)dA$$

其中 dA表示面积元素。

几何意义

如果 f(x,y)是非负函数，二重积分
$${\iint }_{D}f(x,y)dA$$
表示以 D 为底、以 f(x,y)为顶的曲顶柱体的体积。

二重积分的计算步骤-直角坐标系

在直角坐标系下，二重积分可以表示为两个定积分的乘积：
$${\iint }_{D}f(x,y)dA={\int }_a^b{\int }_{g(x)}^{h(x)}f(x,y)dydx$$

其中 D 是由 x=a 到 x=b 以及 y=g(x)到 y=h(x) 围成的区域。

1. 确定积分区域 D：首先，你需要确定积分区域 D的边界。这个区域可以是矩形、圆形、多边形等。

2. 设置积分限：根据积分区域 D，设置积分的限。例如，对于直角坐标系中的矩形区域，积分限通常是 a≤x≤b 和 c≤y≤d。

3. 写出积分表达式：根据积分限写出二重积分的表达式：
   $${\int }_a^b{\int }_{g(x)}^{h(x)}f(x,y)dydx={\int }_a^{b}dx{\int }_{g(x)}^{h(x)}f(x,y)dy$$

4. 计算内层积分：先对 y 进行积分，得到关于 x 的表达式。

5. 计算外层积分：再对 x 进行积分，得到最终的积分值。

二重积分的计算步骤-极坐标系

极坐标系的二重积分计算步骤同直角坐标系，不同的是需要将直角坐标系的坐标转换为极坐标。

极坐标系的基本概念

• 原点：极坐标系的原点称为极点（通常记作 O）。
• 极径：从极点到某一点的距离称为径向距离（通常记作 r）。
• 极角：从极点到某一点的射线与极轴（通常是正 xx 轴）之间的角度称为极角（通常记作 θ）。

给定点的极坐标 (r,θ)，可以转换为直角坐标 (x,y)：
$$\begin{gathered} x=rcos\theta \\ y=rsin\theta \end{gathered}$$
在极坐标下，二重积分的表达式为：
$${\iint }_{D}f(x,y)dA={\iint }_{D}f(r,\theta )rdrd\theta$$
其中 r 和 θ 分别是极径和极角。

注意：转换为极坐标系的二重积分中需要多加一个r ，这个最容易忘记。