积分与多元函数 高数复习笔记

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。