【高等数学】多元函数微分法及其应用1

本文还有第二部分，包含方向导数与梯度，多元函数极值及其求法

多元函数的基本概念

一、多元函数的极限

1. 二元函数的定义

设$D$是平面上的一个点集，若对每个点$P(x,y)\in D$，变量$z$按照某一对应法则f有一个确定的值与之对应，则称$z$为$x,y$的二元函数，记为$z=f(x,y)$，其中点集$D$称为该函数的定义域，$x,y$称为自变量，$z$称为因变量，函数$f(x,y)$的全体所构成的集合称为函数$f$的值域，记为$f(D)$
通常情况下，二元函数$z=f(x,y)$在几何上表示一张空间曲面

2. 二元函数的极限

设函数$f(x,y)$在区域$D$上有定义，点$P_0(x_0,y_0)\in D$或为$D$的边界点，如果$\forall \xi >0$，存在$\xi >0$，当$P(x,y)\in D$，且$0<\sqrt{(x-x_0{)}^2+(y-y_0{)}^2}<\xi$时，都有$|f(x,y)-A|<\xi$成立，则称常数$A$为函数$f(x,y)$当$(x,y)\to (x_0,y_0)$时的极限，记为${\lim }_{(x,y)\to (x_0,y_0)}f(x,y)=A$或${\lim }_{\begin{array}{c}x\to x_0\\ y\to y_0\end{array}}f(x,y)=A$或${\lim }_{P\to P_0}f(P)=A$

例1：求${\lim }_{(x,y)\to (0,2)}\frac{\sin xy}{x}$
法1（凑$\frac{\sin a}{a}$）：
原式$={\lim }_{(x,y)\to (0,2)}\frac{\sin xy}{xy}\cdot \frac{xy}{x}=1\cdot {\lim }_{(x,y)\to (0,2)}y=2$
法2（等价无穷小）：
原式$={\lim }_{(x,y)\to (0,2)}\frac{xy}{x}=2$

二、多元函数的连续性

1. 二元函数连续性的概念

设二元函数$f(P)=f(x,y)$的定义域为$D$。$P_0(x_0,y_0)$为$D$上的点，如果${\lim }_{(x,y)\to (x_0,y_0)}f(x,y)=f(x_0,y_0)$，那么称函数$f(x,y)$在点$P_0(x_0,y_0)$连续

2. 多元连续函数的性质

• 多元连续函数经过四则运算法则仍为连续函数
• 多元连续函数的复合函数仍为连续函数
• 有界性与最大最小值定理：在有界闭区域$D$上的多元连续函数，必定在$D$上有界，且在$D$上能取得它的最大值与最小值
• 在有界闭区域$D$上的多元连续函数，必能取得介于最大值与最小值之间的任何值

偏导数

一、偏导数的定义及计算方法

1. 偏导数的定义

设函数$z=f(x,y)$在点$(x_0,y_0)$的某一邻域内有定义，当$y$固定在$y_0$，而$x$在$x_0$处有增量$\Delta x$时，相应的函数有增量$f(x_0+\Delta x,y_0)-f(x_0,y_0)$，如果${\lim }_{\Delta x\to 0}\frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}$存在，那么称此极限为函数$z=f(x,y)$在点$(x_0,y_0)$处对$x$的偏导数，记作$\frac{\partial z}{\partial x}{|}_{\begin{array}{c}x=x_0\\ y=y_0\end{array}}$，$\frac{\partial f}{\partial x}{|}_{\begin{array}{c}x=x_0\\ y=y_0\end{array}}$，$z_x{|}_{\begin{array}{c}x=x_0\\ y=y_0\end{array}}$，$f_x(x_0,y_0)$

2. 偏导函数的定义

如果函数$z=f(x,y)$在区域$D$内每一点$(x,y)$处对$x$的偏导都存在，那么这个偏导数就是$x,y$的函数，它就称为函数$z=f(x,y)$对自变量$x$的偏导函数，记作$\frac{\partial z}{\partial x}$，$\frac{\partial f}{\partial x}$，$z_x$，$f_x(x,y)$，类似的，可以定义函数$z=f(x,y)$对自变量$y$的偏导函数，记作$\frac{\partial z}{\partial y}$，$\frac{\partial f}{\partial y}$，$z_y$，$f_y(x,y)$

例1：求$z=x^2+3xy+y^2$在点$(1,2)$处的偏导数
$\frac{\partial z}{\partial x}=2x+3y$
$\frac{\partial z}{\partial y}=3x+2y$
代入$x=1,y=2$得
$\frac{\partial z}{\partial x}{|}_{\begin{array}{c}x=1\\ y=2\end{array}}=8$
$\frac{\partial z}{\partial y}{|}_{\begin{array}{c}x=1\\ y=2\end{array}}=7$

二、高阶偏导数

1. 高阶偏导数的定义

设函数$z=f(x,y)$在区域$D$内具有偏导数$\frac{\partial z}{\partial x}=f_x(x,y)$，$\frac{\partial z}{\partial y}=f_y(x,y)$，于是在$D$内$f_x(x,y)$，$f_y(x,y)$都是$x,y$的函数，如果这两个函数的偏导数也存在，那么称它们是函数$z=f(x,y)$的二阶偏导数，按照对变量求导次序的不同于下列四个二阶偏导数
$\begin{array}{r}\frac{\partial z}{\partial x}(\frac{\partial z}{\partial x})=\frac{{\partial }^{2}z}{\partial x^2}=f_{xx}(x,y)\end{array}$
$\begin{array}{r}\frac{\partial z}{\partial y}(\frac{\partial z}{\partial x})=\frac{{\partial }^{2}z}{\partial x\partial y}=f_{xy}(x,y)\end{array}$
$\begin{array}{r}\frac{\partial z}{\partial x}(\frac{\partial z}{\partial y})=\frac{{\partial }^{2}z}{\partial y\partial x}=f_{yx}(x,y)\end{array}$
$\begin{array}{r}\frac{\partial z}{\partial y}(\frac{\partial z}{\partial y})=\frac{{\partial }^{2}z}{\partial y^2}=f_{yy}(x,y)\end{array}$
其中第二、三这两个偏导数称为混合偏导数，同样可得三阶、四阶……以及$n$阶偏导数，二阶及二阶以上的偏导数统称为高阶偏导数

例2：证明函数$u=\frac{1}{r}$满足方程$\frac{{\partial }^u}{\partial x^2}+\frac{{\partial }^u}{\partial y^2}+\frac{{\partial }^u}{\partial z^2}=0$其中$r=\sqrt{x^2+y^2+z^2}$
$\begin{array}{r}\frac{\partial u}{\partial x}=\frac{\partial u}{\partial r}\frac{\partial r}{\partial x}=-\frac{1}{r^2}\frac{2x}{2\sqrt{x^2+y^2+z^2}}=-x\frac{1}{r^3}\end{array}$
$\begin{array}{r}\frac{{\partial }^u}{\partial x^2}=-[\frac{1}{r^3}+x\cdot (-3)r^{-4}\cdot \frac{\partial r}{\partial x}]=-\frac{1}{r^3}+3\frac{x^2}{r^5}\end{array}$
由变量对称性得
$\begin{array}{r}\frac{{\partial }^u}{\partial y^2}=-\frac{1}{r^3}+3\frac{y^2}{r^5}\end{array}$
$\begin{array}{r}\frac{{\partial }^u}{\partial z^2}=-\frac{1}{r^3}+3\frac{z^2}{r^5}\end{array}$
则$\begin{array}{r}\frac{{\partial }^u}{\partial x^2}+\frac{{\partial }^u}{\partial y^2}+\frac{{\partial }^u}{\partial z^2}=-\frac{3}{r^3}+3\frac{x^2+y^2+z^2}{r^5}=0\end{array}$
证毕

全微分

一、全微分的定义

设函数$z=f(x,y)$在点$(x,y)$的某邻域内有定义，如果函数在点$(x,y)$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$A$和$B$是不依赖于$\Delta x$和$\Delta y$而仅与$x$和$y$有关（$A=\frac{\partial z}{\partial x},B=\frac{\partial z}{\partial y}$），$\rho =\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}$，那么称函数$z=f(x,y)$在点$(x,y)$可微分，而$A\Delta x+B\Delta y$称为函数$z=f(x,y)$在点$(x,y)$的全微分，记作$dz$，即$dz=A\Delta x+B\Delta y$

二、全微分存在的必要条件

如果函数$z=f(x,y)$在点$(x,y)$可微分，那么该函数在点$(x,y)$的偏导数$\frac{\partial z}{\partial x}$与$\frac{\partial z}{\partial y}$必定存在，且函数$z=f(x,y)$在点$(x,y)$的全微分为$dz=\frac{\partial z}{\partial x}\Delta x+\frac{\partial z}{\partial y}\Delta y$

证明：
$\because z=f(x,y)$在$(x,y)$处可微分
故$\Delta z=A\Delta x+B\Delta y+o(\rho )$成立
令$\Delta y=0$时，$\rho =\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}=|\Delta x|$
$f(x+\Delta x,y)-f(x,y)=A\Delta x+o(|\Delta x|)$
两边同除$\Delta x$， 得
${\lim }_{\Delta x\to 0}\frac{f(x+\Delta x,y)-f(x,y)}{\Delta x}=A+{\lim }_{\Delta x\to 0}\frac{o(|\Delta x|)}{\Delta x}=A$
故$\frac{\partial z}{\partial x}=A$
同理令$\Delta x=0$
得$\frac{\partial z}{\partial y}=B$

区别：一元函数在某点的导数存在是微分存在的充分必要条件，但对于多元函数而言，歌偏导数存在是全微分存在的必要条件而不是充分条件
一元函数

二元函数

二元函数的图形往往是个曲面，对应的定义域是个二维平面。偏导数只是曲面上沿着x轴或者y轴方向的变化率，而微分必须是曲面上某一个很小的“小平面代曲面”
这里就有了问题，存在偏导数，说明沿着x轴方向和y轴方向可以带，但是斜着的方向不一定，斜方向可能一下就是个无穷大无穷小，这样就不能小平面近似了
作者：xynnn
链接：https://www.zhihu.com/question/485892011/answer/2114265340

$\partial x$与$dx$其实是同一个东西，可以约掉变成$dz=\partial z+\partial z$。但是这明显不对，两个∂z其实是有区别的，第一个是沿着$x$方向$z$的变化，一个是沿着$y$方向$z$的变化，不妨区分一下写成$dz={\partial }_{x}z+{\partial }_{y}z$。

这告诉我们由于$x,y$的变化，造成的$z$的变化可以分解成两个部分相加，由$x$变化造成的${\partial }_{x}z$，由$y$变化造成的${\partial }_{y}z$。就像在矢量分解一样。设长方形$OBPA$，$OP=dr=(dx,dy)$。如果记$P$点与$O$点$z$值的差为$z(OP)$那么，$z(OP)=z(OA)+z(OB)$。
作者：unidentified2015
链接：https://www.bilibili.com/read/cv1249183

例1：证明$f(x,y)=\{\begin{array}{l}\frac{xy}{\sqrt{x^2+y^2}},x^2+y^2\ne 0\\ 0,x^2+y^2=0\end{array}$在$(0,0)$处偏导数存在但不可微
$f_x^{\prime }(0,0)={\lim }_{x\to 0}\frac{f(x,0)-f(0,0)}{x-0}={\lim }_{x\to 0}\frac{0-0}{x-0}=0$
故$f_x^{\prime }(0,0)=0$存在
由变量对称性得，$f_y^{\prime }(0,0)=0$存在
$\begin{array}{r}\underset{\begin{array}{c}\Delta x\to 0\\ \Delta y\to 0\end{array}}{\lim }(\Delta z-f_x^{\prime }(0,0)\Delta x-f_y^{\prime }(0,0)\Delta y)=\underset{\begin{array}{c}\Delta x\to 0\\ \Delta y\to 0\end{array}}{\lim }\frac{\Delta x\Delta y}{\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}}\end{array}$
$\begin{array}{rl}\underset{\begin{array}{c}\Delta x\to 0\\ \Delta y\to 0\end{array}}{\lim }& =\frac{\frac{\Delta x\Delta y}{\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}}}{\rho }\\ & =\underset{\begin{array}{c}\Delta x\to 0\\ \Delta y\to 0\end{array}}{\lim }\frac{\Delta x\Delta y}{(\Delta x{)}^2+(\Delta y{)}^2}\\ & \stackrel{\text{令}\Delta y=k\Delta x}{=}\underset{\begin{array}{c}\Delta x\to 0\\ \Delta y=k\Delta x\to 0\end{array}}{\lim }\frac{k(\Delta x{)}^2}{(\Delta x{)}^2+k^2(\Delta x{)}^2}\not\equiv 0\end{array}$

三、全微分存在的充分条件

如果函数$z=f(x,y)$的偏导数$\frac{\partial z}{\partial x},\frac{\partial z}{\partial x}$在点$(x,y)$连续，那么函数在该点可微分

证明：
$\begin{array}{rl}\Delta z& =f(x+\Delta x,y+\Delta y)-f(x,y)\\ & =[f(x+\Delta x,y+\Delta y)-f(x,y+\Delta y)]+[f(x,y+\Delta y)-f(x,y)]\end{array}$
$[f(x+\Delta x,y+\Delta y)-f(x,y+\Delta y)]\stackrel{\text{拉格朗日中值定理}}{=}\underset{f_x^{\prime }(x,y)+{\xi }_1}{\underbrace{f_x^{\prime }(x+{\theta }_1\Delta x,y+\Delta y)}}\Delta x(0<{\theta }_1<1)$

此处用到了拉格朗日中值定理带有$\theta$的形式即
$f(b)-f(a)=f^{\prime }(\xi )(b-a)=f^{\prime }[a+\theta (b-a)](b-a)(0<\theta <1)$

设$f_x^{\prime }(x,y)$在点$(x,y)$连续
则
$f(x+\Delta x,y+\Delta y)-f(x,y+\Delta y)=f_x^{\prime }(x,y)\Delta x+{\xi }_1\Delta x({\lim }_{\begin{array}{c}\Delta x\to 0\\ \Delta y\to 0\end{array}}{\xi }_1=0)$
同理得
$f(x,y+\Delta y)-f(x,y)=f_y^{\prime }(x,y)\Delta y+{\xi }_2\Delta y({\lim }_{\begin{array}{c}\Delta x\to 0\\ \Delta y\to 0\end{array}}{\xi }_2=0)$
故
$\Delta z=f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y+{\xi }_1\Delta x+{\xi }_2\Delta y$
当$\Delta x\to 0,\Delta y\to 0$时
$0\le \left|\frac{{\xi }_{,}\Delta x+{\xi }_2\Delta y}{\rho }\right|\le |{\xi }_1\frac{\Delta x}{\rho }|+|{\xi }_2\frac{\Delta y}{\rho }|$
对于$\frac{\Delta x}{\rho }=\frac{\Delta x}{\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}}\le 1$
因此
$|{\xi }_1\frac{\Delta x}{\rho }|+|{\xi }_2\frac{\Delta y}{\rho }|\le |{\xi }_1|+|{\xi }_2|\to 0$
故
${\xi }_1\Delta x+{\xi }_2\Delta y=o(\rho )$
故可微分

例2：计算函数$u=x+\sin \frac{y}{2}+e^{yz}$的全微分
$\frac{\partial u}{\partial x}=1$
$\frac{\partial u}{\partial y}=\frac{1}{2}\cos \frac{y}{2}+z{e}^{yz}$
$\frac{\partial u}{\partial z}=y{e}^{yz}$
故全微分$du=dx+(\frac{1}{2}\cos \frac{y}{2}+z{e}^{yz})dy+y{e}^{yz}dz$

多元复合函数求导法则

一、一元函数与多元函数复合

如果函数$u=u(t)$及$v=v(t)$都在点$t$可导，函数$z=f(u,v)$在对应点$(u,v)$具有连续偏导数，那么复合函数$z=f[u(t),v(t)]$在点$t$可导，且有$\begin{array}{r}\frac{dz}{dt}=\frac{\partial z}{\partial u}\frac{du}{dt}+\frac{\partial z}{\partial v}\frac{dv}{dt}\end{array}$

建议画图，方便理解$z\{\begin{array}{l}u\to t\\ v\to t\end{array}$

二、多元函数与多元函数复合

如果函数$u=u(x,y)$及$v=v(x,y)$都在点$(x,y)$具有对$x$及对$y$的偏导数，函数$z=f(u,v)$在对应点$(u,v)$具有连续偏导数，那么复合函数$z=f[u(x,y),v(x,y)]$在点$(x,y)$的两个偏导数都存在，且有$\begin{array}{r}\frac{dz}{dx}=\frac{\partial z}{\partial u}\frac{\partial u}{\partial x}+\frac{\partial z}{\partial v}\frac{\partial v}{\partial x},\frac{dz}{dy}=\frac{\partial z}{\partial u}\frac{\partial u}{\partial y}+\frac{\partial z}{\partial v}\frac{\partial v}{\partial y}\end{array}$

建议画图，方便理解$z\{\begin{array}{l}u\{\begin{array}{l}x\\ y\end{array}\\ v\{\begin{array}{l}x\\ y\end{array}\end{array}$

例1：设$u=f(x,y,z)=e^{x^2+y^2+z^2}$，而$z=x^2\sin y$，求$\frac{\partial u}{\partial x}$和$\frac{\partial u}{\partial y}$
$u=f\{\begin{array}{l}x\\ y\\ z\{\begin{array}{l}x\\ y\end{array}\end{array}$
$\begin{array}{rl}\frac{\partial u}{\partial x}& =\frac{\partial f}{\partial x}+\frac{\partial f}{\partial z}\frac{\partial z}{\partial x}\\ & =e^{x^2+y^2+z^2}\cdot 2x+e^{x^2+y^2+z^2}\cdot 2z\cdot 2x\sin y\\ & =2x{e}^{x^2+y^2+z^2}(1+2x^2{\sin }^{2}y)\end{array}$
同理不再展示计算过程
$\begin{array}{r}\frac{\partial u}{\partial y}=2e^{x^2+y^2+x^4{\sin }^{2}y}(y+x^4\sin y\cos y)\end{array}$

例2：设$w=f(x+y+z,xyz)$，$f$具有二阶连续偏导数，求$\frac{\partial w}{\partial x}和\frac{{\partial }^{2}w}{\partial x\partial z}$
令$u=x+y+z,v=xyz$
$f\{\begin{array}{l}u\{\begin{array}{l}x\\ y\\ z\end{array}\\ v\{\begin{array}{l}x\\ y\\ z\end{array}\end{array}$
则
$\begin{array}{r}\frac{\partial w}{\partial x}=\frac{\partial f}{\partial u}\frac{\partial u}{\partial x}+\frac{\partial f}{\partial v}\frac{\partial v}{\partial x}=\frac{\partial f}{\partial u}+yz\frac{\partial f}{\partial v}\end{array}$
$\begin{array}{r}\frac{\partial w}{\partial x}\end{array}\{\begin{array}{l}u\{\begin{array}{l}x\\ y\\ z\end{array}\\ v\{\begin{array}{l}x\\ y\\ z\end{array}\end{array}$
原函数的偏导数也是关于$u,v$的函数
$\begin{array}{rl}\frac{{\partial }^{2}w}{\partial x\partial z}& =\frac{{\partial }^{2}f}{\partial u^2}\frac{\partial u}{\partial z}+\frac{{\partial }^{2}f}{\partial u\partial v}\frac{\partial v}{\partial z}+y\frac{\partial f}{\partial v}+yz(\frac{{\partial }^{2}f}{\partial v\partial u}\frac{\partial u}{\partial z}+\frac{{\partial }^{2}f}{\partial v^2}\frac{\partial v}{\partial z})\\ & =\frac{{\partial }^{2}f}{\partial u^2}+xy\frac{{\partial }^{2}f}{\partial u\partial v}+y\frac{\partial f}{\partial v}+yz(\frac{{\partial }^{2}f}{\partial v\partial u}+xy\frac{{\partial }^{2}f}{\partial v^2})\\ & \text{注意因为混合导数求导顺序不同，结果相同，所以}\frac{{\partial }^{2}f}{\partial x\partial z},\frac{{\partial }^{2}f}{\partial z\partial x}\text{要合并起来}\\ & =y\frac{\partial f}{\partial v}+\frac{{\partial }^{2}f}{\partial u^2}+x{y}^{2}z\frac{{\partial }^{2}f}{\partial v^2}+(xy+yz)\frac{{\partial }^{2}f}{\partial u\partial v}\end{array}$
也可以用$f_1^{\prime }$表示$\frac{\partial f}{\partial u}$，用$f_2^{\prime }$表示$\frac{\partial f}{\partial v}$
过程相同，结果为$f_{11}^{\prime \prime }+(xy+yz)f_{12}^{\prime \prime }+y{f}_2^{\prime }+x{y}^{2}z{f}_{22}^{\prime \prime }$

隐函数求导公式

隐函数存在定理1：设函数$F(x,y)$在点$P(x_0,y_0)$的某一邻域内具有连续偏导数，且$F(x_0,y_0)=0,F_y^{\prime }(x_0,y_0)\ne 0$，则方程$F(x,y)=0$在点$(x_0,y_0)$的某一邻域内恒能唯一确定一个连续且具有连续导数的函数$y=f(x)$，它满足条件$y_0=f(x_0)$，并有$\frac{dy}{dx}=-\frac{F_x^{\prime }}{F_y^{\prime }}$。该公式即为隐函数求导公式

例1：验证方程$x^2+y^2-1=0$在点$(0,1)$的某一邻域内唯一确定一个有连续导数，当$x=0,y=1$时的隐函数$y=f(x)$，并求着函数的一阶及二阶导数在$x=0$的值
$\frac{dy}{dx}=-\frac{F_x^{\prime }}{F_y^{\prime }}=-\frac{x}{y}$
$\frac{dy}{dx}{|}_{x=0}=0$
$\frac{d^{2}y}{d{x}^2}=-\frac{y-x\frac{dy}{dx}}{y^2}=-\frac{y^2+x^2}{x^2}=-\frac{1}{y^3}$
$\frac{d^{2}y}{d{x}^2}{|}_{x=0}=-1$

隐函数存在定理2：设函数$F(x,y,z)$在点$P(x_0,y_0,z_0)$的某一邻域内具有连续偏导数，且$F(x_0,y_0,z_0)=0,F_z^{\prime }(x_0,y_0,z_0)\ne 0$，则方程$F(x,y,z)=0在点(x_0,y_0,z_0)$的某一邻域内恒能唯一确定一个连续且具有连续偏导数的函数$z=f(x,y)$，它满足条件$z_0=f(x_0,y_0)$，并有$\frac{\partial z}{\partial x}=-\frac{F_x^{\prime }}{F_z^{\prime }},\frac{\partial z}{\partial y}=-\frac{F_y^{\prime }}{F_z^{\prime }}$

多元函数微分学的几何应用

一、空间曲线的切线与法平面

设空间曲线$\Gamma$的参数方程为$\{\begin{array}{l}x=x(t)\\ y=y(t)\\ z=z(t)\end{array}t\in [\alpha ,\beta ]$，且$x(t),y(t),z(t)$在$[\alpha ,\beta ]$上均可导，且导数不同时为$0$，则曲线$\Gamma$在点$M(x_0,y_0,z_0)$处的切线方程为$\begin{array}{r}\frac{x-x_0}{x^{\prime }(t_0)}=\frac{y-y_0}{y^{\prime }(t_0)}=\frac{z-z_0}{z^{\prime }(t_0)}\end{array}$，法平面方程为$x^{\prime }(t_0)(x-x_0)+y^{\prime }(t_0)(y-y_0)+z^{\prime }(t_0)(z-z_0)=0$，其中$(x^{\prime }(t_0),y^{\prime }(t_0),z^{\prime }(t_0))$为曲线$\Gamma$在点$M(x_0,y_0,z_0)$处的一个切向量

例1：曲线x=t,y=t^2,z=t3在点(1,1,1)处的切线及法平面方程
x’(t)=1,y’(t)=2y,z’(t)=3t^2
则切向量，$\mathbf{s}=(1,2,3)$
切线方程为，$\begin{array}{r}\frac{x-1}{1}=\frac{y-1}{2}=\frac{z-1}{3}\end{array}$
法平面方程为，$1\cdot (x-1)+2(y-1)+3(z-1)=0$，即$x+2y+3z-6=0$

二、曲面的切平面与法线

• 设曲面$\Sigma$为$F(x,y,z)=0$，$M(x_0,y_0,z_0)$为曲面$\Sigma$上的一点，且在$M(x_0,y_0,z_0)$处的偏导数连续且不同时为$0$，则曲面$\Sigma$在点$M(x_0,y_0,z_0)$处的切平面方程为$F_x^{\prime }(x_0,y_0,z_0)(x-x_0)+F_y^{\prime }(x_0,y_0,z_0)(y-y_0)+F_z^{\prime }(x_0,y_0,z_0)(z-z_0)=0$，法线方程$\begin{array}{r}\frac{x-x_0}{F_x^{\prime }(x_0,y_0,z_0)}=\frac{y-y_0}{F_y^{\prime }(x_0,y_0,z_0)}=\frac{z-z_0}{F_z^{\prime }(x_0,y_0,z_0)}\end{array}$，其中$\mathbf{n}=(F_x^{\prime }(x_0,y_0,z_0),F_y^{\prime }(x_0,y_0,z_0),F_z^{\prime }(x_0,y_0,z_0))$为曲面$\Sigma$在点$M(x_0,y_0,z_0)$处的一个法向量
• 如果曲面方程为$z=z(x,y)$，则其法向量为$\mathbf{n}=(-z_x^{\prime },-z_y^{\prime },1)$。切平面方程：$-z_x^{\prime }(x-x_0)-z_y^{\prime }(y-y_0)+1\cdot (z-z_0)=0$。法线：$\begin{array}{r}\frac{x-x_0}{-\frac{\partial z}{\partial x}}=\frac{y-y_0}{-\frac{\partial z}{\partial y}}=\frac{z-z_0}{1}\end{array}$
  可以用该方法的，移项以后也可以用前面的方法

例2：求旋转抛物面$z=x^2+y^2-1$在点$(2,1,4)$处的切平面及法线方程
$\mathbf{n}=(-z_x^{\prime },-z_y^{\prime },1)=(-2x,-2y,1)=(-4,-2,1)$
故且平面方程为$(-4)(x-2)+(-2)(y-1)+1\cdot (z-4)=0$，即$4x+2y-z-6=0$
法线方程为$\begin{array}{r}\frac{x-2}{-4}=\frac{y-1}{-2}=\frac{z-4}{1}\end{array}$