高等数学考研笔记（四）

高等数学考研笔记（四）：微分学（下）

• 偏导数：

  • 定义：函数$z=f(x,y)$在$P_0(x_0,y_0)$的邻域内有定义，固定$y=y_0$，得到一元函数$f(x,y_0)$，若$f(x,y_0)$在x0处可导，则：
    $$f_x^{\prime }(x_0,y_0)=\frac{\partial z}{\partial x}(x_0,y_0)=\underset{\Delta x\to 0}{\lim }\frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}$$
    称为函数$z=f(x,y)$在$(x_0,y_0)$点对x的偏导数；若对x,y的偏导数都存在，则称该函数可偏导；
    $\Rightarrow$ 偏导数乘以任意增量$\Delta x$叫做函数对$x$的偏微分；
    $\Rightarrow$ 高阶偏导数的定义可类比高阶导数的定义推广；
    $\Rightarrow$ 偏导运算法则同一元函数导数运算法则，特别地，复合函数求偏导也遵循链式法则；
    $\Rightarrow$ 对于多元函数而言，可偏导不一定连续，连续也不一定可偏导；
    $\Rightarrow$ 若二阶混合偏导数$f_{xy}^{\prime \prime }(x,y)$和$f_{yx}^{\prime \prime }(x,y)$在$(x,y)$均连续，则$f_{xy}^{\prime \prime }(x,y)=f_{yx}^{\prime \prime }(x,y)$，即混合偏导数与求导顺序无关；
    $\Rightarrow$ 设n元函数$f$在开区域$D$中存在一切可能的$(k-1)$阶偏导数和一切的$k$阶混合偏导数，且所有这些导数在$D$中连续，则任一k阶混合偏导数与求导次序无关；

• 全微分：

  • 定义：若函数$z=f(x,y)$在(x,y)的某邻域内有定义，且在(x,y)的全增量：
    $$\Delta z=f(x+\Delta x,y+\Delta y)-f(x,y)$$
    可表示为：
    $$\Delta z=\frac{\partial f}{\partial x}\Delta x+\frac{\partial f}{\partial y}\Delta y+o(\rho ),\rho =\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}$$
    则称函数f(x,y)在(x,y)处可微，且$A\Delta x+B\Delta y$称为函数f(x,y)在(x,y)处的全微分，记作：
    $$dz=\frac{\partial f}{\partial x}dx+\frac{\partial f}{\partial y}dy$$
    $\Rightarrow$ 全微分运算法则同一元函数微分运算法则，特别地，复合函数求全微分也遵循链式法则；
    $\Rightarrow$ 一阶全微分同样遵循微分形式不变性；

  • 可微的条件：

    • 函数连续（必要不充分）；
    • 函数可偏导（必要不充分）；
    • 函数的偏导数连续（充分不必要，此时称函数连续可微）；

  • 高阶全微分展开法则：
    $$d^n(z)=(\frac{\partial }{\partial x}dx+\frac{\partial }{\partial y}dy{)}^{n}f(x,y)$$

• 方向导数：

  • 定义：设函数$f(x,y,z)$在$P_0(x_0,y_0,z_0)$的某领域$U$内有定义，向量余弦$l=(cos\alpha ,cos\beta ,cos\gamma )$，则$\forall P\in U$，使得$P_{0}P//l$，若
    $$\frac{\partial f}{\partial l}(P_0)=\underset{P\to P_0}{\lim }\frac{f(P)-f(P_0)}{|P_{0}P|}=f_x^{\prime }cos\alpha +f_y^{\prime }cos\beta +f_z^{\prime }cos\gamma =gradf\cdot l$$
    存在，则称其为函数$f$在$P_0$处沿着方向$l$的方向导数；

  • 方向导数的存在条件：

    $\Rightarrow$ 可微是方向导数存在的充分不必要条件；
    $\Rightarrow$ 函数可偏导，则沿坐标轴方向的方向导数一定存在；
    $\Rightarrow$ 沿任何方向的方向导数存在，函数不一定可偏导（偏导数包含与坐标轴平行的两个相反方向的方向导数并要求其相等）；

• 极值/最值求解：

  • 一元函数极值的求解：

    $\Rightarrow$ 必要条件：极值点只能在导数等于0的点$x_0$（称静止点/稳定点/驻点）或导数不存在的点的横坐标；

    $\Rightarrow$ 充分条件1：若$f(x)$在$x_0$的某一领域内有限导数，在各自侧面保持着自己的导数符号不变，则当两侧导数符号异号时，$x_0$为极值点；

    $\Rightarrow$ 充分条件2：若$f(x)$在$x_0$处存在n阶导数，则在各阶导数中，若第一个非零的导数是偶数阶，则$x_0$是极值点（小于零是极大值，大于零是极小值）；若第一个非零的导数是奇数阶，则$(x_0,y_0)$是拐点（小于零是左凹右凸，大于零是左凸右凹）；

    $\Rightarrow$ 注意：只有拐点是坐标点，其余点（驻点/极值点/零点）都仅指横坐标；

  • 一元函数最值的比较求解法：

    比较所有的“可疑极值点”（包括驻点、不可求导点，以及边界点），其中的最大/小数，即为最大/小值；

  • 二元函数极值的求解：
    $\Rightarrow$ 必要条件：极值点处对x,y的偏导数均为0；

    $\Rightarrow$ 充分条件：

    • 多元函数$f(x_1,x_2,..,x_n)$的$Hessan$矩阵定义如下：
      $$H=\left[\begin{array}{cccc}\frac{{\partial }^{2}f}{\partial x_1^2}& \frac{{\partial }^{2}f}{\partial x_1{x}_2}& ...& \frac{{\partial }^{2}f}{\partial x_1{x}_n}\\ \frac{{\partial }^{2}f}{\partial x_2{x}_1}& \frac{{\partial }^{2}f}{\partial x_2^2}& ...& \frac{{\partial }^{2}f}{\partial x_2{x}_n}\\ ...& ...& ...& ...\\ \frac{{\partial }^{2}f}{\partial x_n{x}_1}& \frac{{\partial }^{2}f}{\partial x_n{x}_2}& ...& \frac{{\partial }^{2}f}{\partial x_n^2}\end{array}\right]$$

    • 当多元函数在某点的$Hessan$矩阵是正定矩阵时，在该点取得极小值；

    • 当多元函数在某点的$Hessan$矩阵是负定矩阵时，在该点取得极大值；

    • 当多元函数在某点的$Hessan$矩阵是不定矩阵时，在该点没有极值；

    • 当多元函数在某点的$Hessan$矩阵是半正定/半负定矩阵时，无法判断；

  • 多元函数最值的比较求解法：

    • 比较所有的“可疑极值点”（包括驻点、不可偏导点(内部点)，以及边界点），其中的最大/小数，即为最大/小值；
    • 对于实际应用问题，若$f(x,y)$可能取得极值的点唯一，并根据问题本身知道所求最值存在，则该唯一极值点就是最值点；

  • 条件极值的拉格朗日乘数法：
    函数$f(x,y,z)$满足约束方程$\varphi (x,y,z)=0$的条件极值，令拉格朗日函数：
    $$F(x,y,z,\lambda )=f(x,y,z)+\lambda \varphi (x,y,z)$$
    满足下列方程组：
    $$\{\begin{array}{l}{F}^{\prime }x=f_x^{\prime }+\lambda {\varphi }_x^{\prime }=0\\ F^{\prime }y=f_y^{\prime }+\lambda {\varphi }_y^{\prime }=0\\ F^{\prime }z=f_z^{\prime }+\lambda {\varphi }_z^{\prime }=0\\ F_{\lambda }^{\prime }=\varphi =0\end{array}$$

    $\Rightarrow$ 其中$\lambda$称拉格朗日乘数；
    $\Rightarrow$ 对于含n个约束方程的条件极值，需要n个拉格朗日乘数；

• 雅可比矩阵/行列式：

  • 定义：设有m个n元函数组成的函数组：
    $$\{\begin{array}{ll}{y}_1=f_1(x_1,x_2,...,x_n)& \\ y_2=f_2(x_1,x_2,...,x_n)& \\ ...& \\ y_m=f_m(x_1,x_2,...,x_n)& \end{array}$$

    则其雅可比矩阵为以下$m\times n$矩阵：
    $$J=\left[\begin{array}{cccc}\frac{\delta f_1}{\delta x_1}& \frac{\delta f_1}{\delta x_2}& ...& \frac{\delta f_1}{\delta x_n}\\ \frac{\delta f_2}{\delta x_1}& \frac{\delta f_2}{\delta x_2}& ...& \frac{\delta f_2}{\delta x_n}\\ ...& ...& ...& ...\\ \frac{\delta f_m}{\delta x_1}& \frac{\delta f_m}{\delta x_2}& ...& \frac{\delta f_m}{\delta x_n}\end{array}\right]$$
    ​ $\Rightarrow$ 若$m=n$，则雅可比矩阵对应的行列式称雅可比行列式：
    $$|J|=\left|\begin{array}{cccc}\frac{\delta f_1}{\delta x_1}& \frac{\delta f_1}{\delta x_2}& ...& \frac{\delta f_1}{\delta x_n}\\ \frac{\delta f_2}{\delta x_1}& \frac{\delta f_2}{\delta x_2}& ...& \frac{\delta f_2}{\delta x_n}\\ ...& ...& ...& ...\\ \frac{\delta f_n}{\delta x_1}& \frac{\delta f_n}{\delta x_2}& ...& \frac{\delta f_n}{\delta x_n}\end{array}\right|=\frac{D(y_1,y_2,...,y_n)}{D(x_1,x_2,...,x_n)}$$

  • 雅可比行列式的复合函数组性质：

    • 第一性质（由一元复合函数求导性质$\frac{dy}{dx}\cdot \frac{dx}{dt}=\frac{dy}{dt}$推广）：

      设有两组函数组：
      $$\{\begin{array}{ll}{y}_1=f_1(x_1,x_2,...,x_n)& \\ y_2=f_2(x_1,x_2,...,x_n)& \\ ...& \\ y_n=f_n(x_1,x_2,...,x_n)& \end{array}$$$$\{\begin{array}{ll}{x}_1=g_1(t_1,t_2,...,t_n)& \\ x_2=g_2(t_1,t_2,...,t_n)& \\ ...& \\ x_n=g_n(t_1,t_2,...,t_n)& \end{array}$$

      则有：
      $$\frac{D(y_1,y_2,...,y_n)}{D(x_1,x_2,...,x_n)}\cdot \frac{D(x_1,x_2,...,x_n)}{D(t_1,t_2,...,t_n)}=\frac{D(y_1,y_2,...,y_n)}{D(t_1,t_2,...,t_n)}$$

  • 第二性质（由多元复合函数求全导链式法则$\frac{dy}{dt}=\sum \frac{\delta y}{\delta x_i}\cdot \frac{\delta x_i}{\delta t}$推广）：

    设有两组函数组：
    $$\{\begin{array}{ll}{y}_1=f_1(x_1,x_2,...,x_m)& \\ y_2=f_2(x_1,x_2,...,x_m)& \\ ...& \\ y_n=f_n(x_1,x_2,...,x_m)& \end{array}$$ $$\{\begin{array}{ll}{x}_1=g_1(t_1,t_2,...,t_n)& \\ x_2=g_2(t_1,t_2,...,t_n)& \\ ...& \\ x_m=g_m(t_1,t_2,...,t_n)& \end{array}$$

    ​ 则有：
    $$\frac{D(y_1,y_2,...,y_n)}{D(t_1,t_2,...,t_n)}=\sum _{i_1,i_2,...,i_n}\frac{D(y_1,y_2,...,y_n)}{D(x_{i_1},x_{i_2},...,x_{i_n})}\cdot \frac{D(x_{i_1},x_{i_2},...,x_{i_n})}{D(t_1,t_2,...,t_n)}$$

    ​ $\Rightarrow$ $i_1,i_2,...i_n$表示从$m(m\ge n)$中取出$n$个数的一切可能组合；

• 隐函数：

  1）一元定义：若函数$y=f(x)$是由函数方程$F(x,y)=0$所确定的，就称其为隐函数（不一定可以解出$y=f(x)$的解析式，n元定义和函数方程组定义可类比）；

  2）隐函数存在定理：

  • 一元函数：设隐函数$F(x,y)=0$在点$P_0(x_0,y_0)$的领域G内满足：

    ① 函数F在G上连续可微；

    ② $F(P_0)=F(x_0,y_0)=0$；

    ③ $F_y^{\prime }(P_0)\ne 0$；

    则存在唯一的函数$y=f(x)$和$x_0$的邻域I使得：

    ① $F(x,f(x))=0$；

    ② $f(x_0)=y_0$；

    ③ $f$连续可微，且当$x\in I$时有：
    $$f^{\prime }(x)=-\frac{F_x^{\prime }}{F_y^{\prime }}$$

  • 二元函数：设隐函数$F(x,y,z)=0$在点$P_0(x_0,y_0,z_0)$的领域G内满足：

    ① 函数F在G上连续可微；

    ② $F(P_0)=F(x_0,y_0,z_0)=0$；

    ③ $F_z^{\prime }(P_0)\ne 0$；

    则存在唯一的函数$z=f(x,y)$和$(x_0,y_0)$的邻域I使得：

    ① $F(x,y,f(x,y))=0$；

    ② $f(x_0,y_0)=z_0$；

    ③ $f$连续可微，且当$(x,y)\in I$时有：
    $$\frac{\partial f}{\partial x}=-\frac{F_x^{\prime }}{F_z^{\prime }},\frac{\partial f}{\partial y}=-\frac{F_y^{\prime }}{F_z^{\prime }}$$

  • 二元函数组：设隐函数组$F(x,y,u,v)=0,H(x,y,u,v)=0$在点$P_0(x_0,y_0,u_0,v_0)$的领域G内满足：

    ① 函数F,H在G上连续可微；

    ② $F(P_0)=H(P_0)=0$；

    ③ $\frac{D(F,H)}{D(u,v)}\ne 0$；

    则存在唯一的一组函数$u=u(x,y),v=v(x,y)$和$(x_0,y_0)$的邻域I使得：

    ① $F(x,y,u(x,y),v(x,y))=H(x,y,u(x,y),v(x,y))=0$；

    ② $u(x_0,y_0)=u_0,v(x_0,y_0)=v_0$；

    ③ $u,v$连续可微，且当$(x,y)\in I$时有：
    $$\begin{gathered} \frac{\partial u}{\partial x}=-\frac{\frac{D(F,H)}{D(x,v)}}{\frac{D(F,H)}{D(u,v)}},\frac{\partial u}{\partial y}=-\frac{\frac{D(F,H)}{D(y,v)}}{\frac{D(F,H)}{D(u,v)}} \\ \frac{\partial v}{\partial x}=-\frac{\frac{D(F,H)}{D(u,x)}}{\frac{D(F,H)}{D(u,v)}},\frac{\partial v}{\partial y}=-\frac{\frac{D(F,H)}{D(u,y)}}{\frac{D(F,H)}{D(u,v)}} \end{gathered}$$

---

---