数学知识整理：函数 & 梯度-CSDN博客

本文链接：https://blog.csdn.net/qq_40206371/article/details/124640175

1 函数的基本概念

1.1 函数的定义

A	B	f
$\subseteq R$	$\subseteq R$	一元函数
$\subseteq R^n$	$\subseteq R$	n元函数
$\subseteq R^n$	$\subseteq R^m$	n元m维向量函数

1.2 内点，外点和边界点

给定集合 $D \subseteq R^n$ ，对 $\forall p\in R^n$ ,如果满足”条件“，那么p是：

条件	p的分类
$\exists \delta >0, s.t \{q \in R^n\| d(p,q) \le \delta\} \subseteq D$	D的内点
$\exists \delta >0, s.t \{q \in R^n\| d(p,q) \le \delta\}^c \subseteq D$ (c表示补集）	D的外点
$\forall \delta >0, \exists q_1 \in D, q_2 \in D^c, s.t. \quad d(p,q_1) \le \delta, d(p,q_2) \le \delta$	D的边界点

1.2.1 性质

P是D的内点<——>P是 $D^c$ 的外点
P是D的边界点<——>任意以P为圆心的圆盘既有D的内点也有D的外点

1.3 函数的连续性

1.3.1 闭区间上的多元连续函数的基本性质

有界性
介值定理
- 设函数f(x)在闭区间[a,b]上连续，并且f(a)≠f(b)，那么一定存在一个 $x_0 \in (a,b)$ ，使得 $f(a)<f(x_0)<f(b),$ 或者 $f(a)>f(x_0)>f(b)$
最值定理
- 设函数f(x)在闭区间[a,b]上连续，则函数f(x)在闭区间[a,b]上就一定存在最大值和最小值。
零点定理
- 设函数f(x)在闭区间[a,b]上连续，并且f(a)f(b)<0，那么至少存在一个 $x_0 \in (a,b)$ ，使得 $f(x_0)=0$

1.4 夹逼定理

1.4.1 举例

$0 \le (x^2+y^2)sin(\frac{1}{x})cos(\frac{1}{x}) \le (x^2+y^2)$

而 $\lim_{x \rightarrow 0, y\rightarrow 0}(x^2+y^2)=0$

所以 $\lim_{x \rightarrow 0, y\rightarrow 0}(x^2+y^2)sin(\frac{1}{x})cos(\frac{1}{x}) =0$

$lim_{x \rightarrow 0,y \rightarrow 0} \frac{xy}{\sqrt{x^2+y^2}}$

x,y 同号：

$0 \le \frac{xy}{\sqrt{x^2+y^2}} \le \frac{xy}{\sqrt{2xy}} =\frac{\sqrt{2}}{2}\sqrt{xy} \le \frac{1}{2}\sqrt{x^2+y^2}$

$\lim_{x \rightarrow 0,y \rightarrow 0} \frac{1}{2}\sqrt{x^2+y^2}=0$

所以根据夹逼定理

$lim_{x \rightarrow 0,y \rightarrow 0} \frac{xy}{\sqrt{x^2+y^2}}=0$

x,y 异号

几乎同理，故略

2 偏微商

$f_x(x_0,y_0)=\frac{\partial f}{\partial x}|_{(x_0,y_0)}=\lim_{\Delta x \rightarrow 0}\frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}$

$f_y(x_0,y_0)=\frac{\partial f}{\partial y}|_{(x_0,y_0)}=\lim_{\Delta y \rightarrow 0}\frac{f(x_0,y_0 +\Delta y)-f(x_0,y_0)}{\Delta y}$

如果 $\frac{\partial f}{\partial x}|_{(x_0,y_0)}$ 存在，那么 $g(x)=f(x,y_0)$ 在 $x=x_0$ 处连续

如果 $\frac{\partial f}{\partial y}|_{(x_0,y_0)}$ 存在，那么 $h(y)=f(x_0,y)$ 在 $y=y_0$ 处连续

2.1 偏微商几何意义

3 全微分

全增量 $\Delta z =f(x_0+\Delta x,y_0+\Delta y)-f(x_0,y_0)$

如果 $\exists A,B \in R, s.t \quad \Delta x= A\Delta x+B\Delta y + o(\sqrt{(\Delta x)^2+(\Delta y)^2})$ ，那么线性函数 $A\Delta x+B\Delta y$ 称为f(x,y)在 $(x_0,y_0)$ 处的全微分，记作 $dz|_{(x_0,y_0)}=A \Delta x+B \Delta y=Adx+Bdy$

如果f(x,y)在 $(x_0,y_0)$ 处可微，那么A= $\frac{\partial f}{\partial x}|_{(x_0,y_0)}$ ,B= $\frac{\partial f}{\partial y}|_{(x_0,y_0)}$

如果 $\frac{\partial f}{\partial x}|_{(x_0,y_0)}$ 和 $\frac{\partial f}{\partial y}|_{(x_0,y_0)}$ 存在，且在 $(x_0,y_0)$ 处二元连续，那么 f(x,y)在 $(x_0,y_0)$ 的全微分存在

3.1 全微分应用

3.1.1 近似计算

3.1.2 估计误差

3 求偏导数

3.1.1 近似计算

4 连续、可导、可微之间的关系

5 梯度

全微分：

过 $(x_0,y_0,z_0)$ 处的切平面P:

$z-z_0=f_x|_{(x_0,y_0)}(x-x_0)+f_y|_{(x_0,y_0)}(y-y_0)$

5.1 方向微商

给定直线l，过点 $(x_0,y_0)$ ，方向为 $(cos \alpha, sin \alpha)$ ，函数f在l方向上的变化率成为方向微商。

记为 $\frac{\partial f}{\partial l}|_{(x_0,y_0)}=\lim_{t \rightarrow 0} \frac{f(x_0+tcos \alpha,y_0+tsin \alpha)-f(x_0,y_0)}{t}$

如果df存在，那么 $\frac{\partial f}{\partial l}|_{(x_0,y_0)}=f_x cos \alpha +f_y sin \alpha$

定义 $grad(f)=\{f_x,f_y\}=f_x\cdot i+f_y \cdot j =g$

l=(cosα,sinα)

那么 $\frac{\partial f}{\partial l}=grad(f) \cdot (cos \alpha, sin \alpha)=|grad(f)| cos \theta$ θ是梯度和α的夹角

——>grad(f)的方向是该点在z处改变最大的方向

5.1.0 梯度的定义

定义向量 $grad(f)=\{f_x,f_y\}=f_x i+f_y j$

于是 $\frac{\partial f}{\partial l}|_{(x_0,y_0)}=grad(f) \cdot (cos \alpha, sin \alpha)$

5.1.1 梯度的几何解释

梯度的方向是该点处改变最大的方向
梯度的模长是该方向的微商的绝对值
给定二元可微函数f，以及一个点M，如果grad(f)不是零向量，那么grad(f)和过M点的等高线的切线垂直

5.1.2 举例

求函数 $z=ln(x^2+y^2)$ 在点 $M(x_0,y_0)$ 上沿与此点等高线垂直的方向导数

解： $grad(f)=(f_x,f_y)=(\frac{2x_0}{x_0^2+y_0^2},\frac{2y_0}{x_0^2+y_0^2})$

方向向量 $(cos \alpha,sin \alpha)=(\frac{x_0}{\sqrt{x_0^2+y_0^2}},\frac{y_0}{\sqrt{x_0^2+y_0^2}})$

所以 $\frac{\partial f}{\partial l}|_{(x_0,y_0)}=(\frac{2x_0}{x_0^2+y_0^2},\frac{2y_0}{x_0^2+y_0^2}) \cdot (\frac{x_0}{\sqrt{x_0^2+y_0^2}},\frac{y_0}{\sqrt{x_0^2+y_0^2}})=\frac{2}{\sqrt{x_0^2+y_0^2}}$

也即|grad(f)|

5.2梯度的运算规则

u,v是函数，c是常数

grad(u±v)=grad(u)±grad(v)

grad(uv)=ugrad(v)+vgrad(u)
证明 $grad(uv)=(\frac{\partial uv}{\partial x},\frac{\partial uv}{\partial y})=(u_xv+uv_x,u_yv+uv_y)$ '

$=u(v_x,v_y)+v(u_x,u_y)=ugrad(v)+vgrad(u)$

grad(cu)=cgrad(u)

$grad(\frac{1}{v})=-\frac{1}{v^2}grad(v)$

$grad(\frac{u}{v})=\frac{vgrad(u)-ugrad(v)}{v^2}$

证明： $grad(\frac{1}{v})=(\frac{\partial(\frac{1}{v})}{\partial v} \frac{\partial v}{\partial x},\frac{\partial(\frac{1}{v})}{\partial v} \frac{\partial v}{\partial y})=(-\frac{1}{v^2}v_x,-\frac{1}{v^2}v_y)=-\frac{1}{v^2}(v_x,v_y)=-\frac{1}{v^2} grad(v)$

$grad[f(u)]=f'(u)grad(u)$

证明：

$grad[f(u)]=(\frac{\partial f(u)}{\partial u}\frac{\partial u}{\partial x},\frac{\partial f(u)}{\partial u}\frac{\partial u}{\partial y})$

$=(f'(u)u_x,f'(u)u_y)=f'(u)(u_x,u_y)=f'(u)grad(u)$

$grad[f(u,v)]=\frac{\partial f}{\partial u}grad(u)+\frac{\partial f}{\partial v}grad(v)$

证明

$grad[f(u,v)]=(\frac{\partial f(u,v)}{\partial u}\frac{\partial u}{\partial x}+\frac{\partial f(u,v)}{\partial v}\frac{\partial v}{\partial x},\frac{\partial f(u,v)}{\partial u}\frac{\partial u}{\partial y}+\frac{\partial f(u,v)}{\partial v}\frac{\partial v}{\partial y})$