高阶导数与曲率-CSDN博客

本文链接：https://blog.csdn.net/qq_41375318/article/details/145411279

高阶导数与曲率

1. 高阶导数的定义和计算

高阶导数：高阶导数是函数导数的重复应用。若函数 $f (x)$ 有一阶导数，则可以继续对一阶导数进行求导，得到二阶导数，三阶导数，依此类推。一般来说，若函数 $f (x)$ 的 $n$ 阶导数存在，则记作 $f^{(n)}(x)$ 。

例子：
对于函数 $f(x) = x^3 - 3x^2 + 2x$ ，其一阶导数为：

$f'(x) = 3x^2 - 6x + 2$

二阶导数为：

$f^{''} (x) = 6 x - 6$

对于更高阶的导数，我们继续对函数进行求导。

2. 函数的凹凸性和极值

二阶导数法则：二阶导数不仅可以帮助我们判断函数的凹凸性，还可以用来寻找极值。
- 如果 $f^{''} (x) > 0$ ，则函数在该点是凹向上的，即该点是局部最小值。
- 如果 $f^{''} (x) < 0$ ，则函数在该点是凹向下的，即该点是局部最大值。
- 如果 $f^{''} (x) = 0$ ，则无法直接判断，需要进一步的分析。
函数的凸性、凹性：一个函数在某区间内是凸的，如果该区间内的所有点都满足 $\geq 0$ ；是凹的，如果该区间内的所有点都满足 $\leq 0$ 。

例子：对于函数 $f(x) = x^3 - 3x^2 + 2x$ ，我们有：
- $f'(x) = 3x^2 - 6x + 2$
- $f^{''} (x) = 6 x - 6$
若 $x = 1$ ，则 $f^{''} (1) = 0$ ，该点为临界点，需要进一步分析其性质。

3. 泰勒级数

泰勒多项式：泰勒多项式是一种近似表示函数的工具，可以用多项式来近似一个函数。泰勒多项式基于函数在某点的导数值，通过多项式展开逼近函数。

泰勒多项式的公式为：

$P_n(x) = f(a) + f'(a)(x - a) + \frac{f''(a)}{2!}(x - a)^2 + \cdots + \frac{f^{(n)}(a)}{n!}(x - a)^n$

其中， $f^{(n)}(a)$ 是函数在点 $a$ 处的 $n$ 阶导数。
泰勒定理：泰勒定理提供了一个更准确的公式来估计误差，给出了泰勒多项式在某点的近似误差：

$R_n(x) = \frac{f^{(n+1)}(c)}{(n+1)!}(x - a)^{n+1}$

其中， $R_n(x)$ 是余项，表示误差。

4. 课堂活动设计

活动案例 1：计算某些函数的二阶导数，并讨论其在某一点的曲率

给定函数 $f(x) = x^4 - 4x^3 + 6x^2 - 3x + 1$ ，请学生计算该函数的二阶导数，并讨论其在 $x = 1$ 处的曲率。

计算过程：

计算一阶导数：

$f'(x) = 4x^3 - 12x^2 + 12x - 3$
计算二阶导数：

$f''(x) = 12x^2 - 24x + 12$
代入 $x = 1$ 计算二阶导数：

$f''(1) = 12(1)^2 - 24(1) + 12 = 0$

由于 $f^{''} (1) = 0$ ，我们需要进一步分析该点的性质。

活动案例 2：讨论利用泰勒公式来近似复杂函数

计算函数 $f(x) = e^x$ 在 $x = 0$ 处的泰勒多项式的前 3 项，并讨论它如何近似 $e^x$ 的值。

计算过程：

计算 $f(x) = e^x$ 的导数：
- $f (0) = 1$
- $f^{'} (0) = 1$
- $f^{''} (0) = 1$
- $f^{(3)}(0) = 1$
泰勒多项式前 3 项为：

$P_2(x) = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!}$
通过该多项式近似 $e^x$ ：
- 当 $x = 1$ 时， $P_2(1) = 1 + 1 + \frac{1^2}{2!} + \frac{1^3}{3!} = 2.6667$ ，而 $e^1 \approx 2.7183$ ，近似值误差较小。

5. Python 实现示例

下面是一个 Python 示例，演示如何计算二阶导数并绘制函数的曲率。

import sympy as sp
import numpy as np
import matplotlib.pyplot as plt

# 定义符号变量
x = sp.symbols('x')

# 定义函数 f(x)
f = x**4 - 4*x**3 + 6*x**2 - 3*x + 1

# 计算一阶导数和二阶导数
f_prime = sp.diff(f, x)
f_double_prime = sp.diff(f_prime, x)

# 输出导数
print(f"f'(x) = {f_prime}")
print(f"f''(x) = {f_double_prime}")

# 绘制函数图像和曲率
f_lambdified = sp.lambdify(x, f, 'numpy')
f_double_prime_lambdified = sp.lambdify(x, f_double_prime, 'numpy')

x_vals = np.linspace(-2, 3, 400)
y_vals = f_lambdified(x_vals)
y_double_prime_vals = f_double_prime_lambdified(x_vals)

plt.figure(figsize=(10, 6))
plt.plot(x_vals, y_vals, label=r'$f(x) = x^4 - 4x^3 + 6x^2 - 3x + 1$')
plt.plot(x_vals, y_double_prime_vals, label=r"$f''(x)$ (曲率)", linestyle='--')
plt.title("函数 f(x) 和二阶导数（曲率）")
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.grid(True)
plt.show()