1.4 多元函数微分学

第一章 数学分析

全文均为手敲，如果发现有误，请于评论区交流讨论留言，作者会及时修改

1.4 多元函数微分学

1. ${\mathbb{R}}^n$中的点列极限

   设 { x k } ∈ R n , a ∈ R n \{\boldsymbol{x_k}\}\in\R^n,\boldsymbol{a}\in\R^n {xk​}∈Rn,a∈Rn，则点列 { x k } \{\boldsymbol{x_k}\} {xk​}极限为$\mathbf{a}$定义为

   $$\underset{k\to \infty }{\lim }{\mathbf{x}}_{\mathbf{k}}=\mathbf{a}:\forall \epsilon >0,\exists N(\epsilon )\in \mathbb{N},s.t.\forall k>N,||{\mathbf{x}}_{\mathbf{k}}-\mathbf{a}||<\epsilon$$

   点列收敛于一点，等价于点列各分量收敛于该点各分量

   $$\underset{k\to \infty }{\lim }{\mathbf{x}}_{\mathbf{k}}=\mathbf{a}\iff \underset{k\to \infty }{\lim }{\mathbf{x}}_{\mathbf{k}}^{(\mathbf{i})}={\mathbf{a}}^{(\mathbf{i})},i=1,2,\cdots ,n$$

2. 多元函数的极限

   设$D\in {\mathbb{R}}^n,f:D\to \mathbb{R}$，则函数于点${\mathbf{x}}_0$处收敛于$A$定义为

   lim ⁡ x → x 0 f ( x ) = A : ∀ ε > 0 , ∃ δ > 0. s . t . ∀ x ∈ { x ∈ D ∣ 0 < ∣ ∣ x − x 0 ∣ ∣ < δ } , ∣ f ( x ) − A ∣ < ε \lim_{\boldsymbol{x}\to\boldsymbol{x_0}}f(\boldsymbol{x})=A:\forall\varepsilon>0,\exist\delta>0.s.t.\forall \boldsymbol{x}\in\{\boldsymbol{x}\in D|0<||\boldsymbol{x}-\boldsymbol{x_0}||<\delta\},|f(\boldsymbol{x})-A|<\varepsilon x→x0​lim​f(x)=A:∀ε>0,∃δ>0.s.t.∀x∈{x∈D∣0<∣∣x−x0​∣∣<δ},∣f(x)−A∣<ε

3. 多元函数的$Heine$定理

   $$若\underset{k\to \infty }{\lim }\mathbf{x}={\mathbf{x}}_0,则\underset{k\to \infty }{\lim }f(\mathbf{x})=\underset{\mathbf{x}\to {\mathbf{x}}_{\mathbf{o}}}{\lim }f({\mathbf{x}}_0)=A$$

4. 多元函数的$Cauchy$收敛准则

   $$\begin{gathered} 极限\underset{k\to \infty }{\lim }f(\mathbf{x})存在,当且仅当对\forall \epsilon >0,\exists \delta >0,s.t.\forall {\mathbf{x}}^{\prime },{\mathbf{x}}^{\prime \prime }\in D,满足: \\ 0<||{\mathbf{x}}^{\prime }-{\mathbf{x}}_0||,||{\mathbf{x}}^{\prime \prime }-{\mathbf{x}}_0||<\delta \Rightarrow |f({\mathbf{x}}^{\prime })-f({\mathbf{x}}^{\prime \prime })|<\epsilon \end{gathered}$$

5. 多元函数的连续性

   $$f(\mathbf{x})在{\mathbf{x}}_0处连续\iff \underset{\mathbf{x}\to {\mathbf{x}}_0}{\lim }f(\mathbf{x})=f({\mathbf{x}}_0)$$

6. 多元函数的最值定理

   在有界闭区域$D$上的多元连续函数$f$在$D$上有界，且至少取得它的最大值和最小值各一次。

7. 多元函数的介值定理

   在有界闭区域$D$上的多元连续函数，如果在$D$上取得两个不同的函数值，则它在$D$上取得介于这两个函数值之间的任何值至少一次。

8. 多元函数的偏导数

   若关于$x$的一元函数$f(x,y_0)$在$x_0$处可导，则$z=f(x,y)$在$(x_0,y_0)$处对$x_0$的偏导数存在，即

   KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲ ̲f(x_0,y_0)}{\pa…

9. 多元函数的全微分

   若多元函数$z=f(x,y)$在$(x_0,y_0)$的某一邻域内有定义，且$f(x,y)$在该点处的全增量可表示为

   $$\Delta z=A\Delta x+B\Delta y+o(\rho ),\rho =\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}$$

   则称$z=f(x,y)$在点$(x_0,y_0)$处可微，并记$z$在该点处的全微分为$dz=A\Delta x+B\Delta y$。

   函数可微的判断依据：函数$z=f(x,y)$在$(x_0,y_0)$处可微，当且仅当

   $$\underset{\rho \to 0^{+}}{\lim }\frac{f(x_0+\Delta x,y_0+\Delta y)-f_x(x_0,y_0)\Delta x-f_y(x_0,y_0)\Delta y-f(x_0,y_0)}{\rho }=0$$

10. 若函数$z=f(x,y)$的两个偏导数连续，则函数可微，且

    KaTeX parse error: Undefined control sequence: \part at position 10: dz=\frac{\̲p̲a̲r̲t̲ ̲z}{\part x}dx+\…

11. 方向导数的定义

    函数$z=f(x,y)$在一点沿某一方向$\vec{\mathbf{l}}$的变化率，称为方向导数，记为

    KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲ ̲f}{\part\boldsy…

12. 方向导数与梯度的关系

    若方向$\vec{\mathbf{l}}$的单位向量为$(\cos \alpha ,\cos \beta )$，函数的梯度为KaTeX parse error: Undefined control sequence: \part at position 22: … f(x,y)=(\frac{\̲p̲a̲r̲t̲ ̲f}{\part x},\fr…，则

    KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲ ̲f}{\part\boldsy…

13. 复合函数求导的链式法则

    设$m$元函数$f(u_1,u_2,\cdots ,u_m)$在$(u_1,u_2,\cdots ,u_m)$可微，$u_k(x_1,x_2,\cdots ,x_n),k=1,2,\cdots ,m$均为$n$元函数且在$(x_1,x_2,\cdots ,x_n)$可微，则

    KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲ ̲f}{\part x_i}=\…

14. 高阶偏导数

    KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲}{\part x}\frac…

15. 多元微分中值定理

    设$D\subset {\mathbb{R}}^n$是凸区域，$f:D\to \mathbb{R}$可微，则

    $$\forall \mathbf{a},\mathbf{b}\in D,\exists \mathbf{\xi }\in D,s.t.f(\mathbf{b})-f(\mathbf{a})=[\nabla f(\mathbf{\xi }){]}^T(\mathbf{b}-\mathbf{a})$$

16. 二元函数的$Taylor$公式

    KaTeX parse error: Undefined control sequence: \part at position 50: …t((x-x_0)\frac{\̲p̲a̲r̲t̲}{\part x}+(y-y…

    $Peano$余项形式为

    $$R_k=o(||(x-x_0,y-y_0)|{|}^k)$$

    $Lagrange$余项形式为

    KaTeX parse error: Undefined control sequence: \part at position 39: …t((x-x_0)\frac{\̲p̲a̲r̲t̲}{\part x}+(y-y…

17. 曲线的切线方程与法平面

    曲线的参数方程

    $$\begin{array}{rl}& 若曲线方程为\{\begin{array}{l}x=x(t)\\ y=y(t)\\ z=z(t)\end{array},则在曲线上t=t_0对应的点(x_0,y_0,z_0)处有:\\ & 切线:\frac{x-x_0}{x^{\prime }(t_0)}=\frac{y-y_0}{y^{\prime }(t_0)}=\frac{z-z_0}{z^{\prime }(t_0)}\\ & 切向量:\vec{\mathbf{T}}=(x^{\prime }(t_0),y^{\prime }(t_0),z^{\prime }(t_0))\\ & 法平面:x^{\prime }(t_0)(x-x_0)+y^{\prime }(t_0)(y-y_0)+z^{\prime }(t_0)(z-z_0)=0\end{array}$$

    曲线的一般方程

    $$\begin{array}{rl}& 若曲线方程为\{\begin{array}{l}F(x,y,z)=0\\ G(x,y,z)=0\end{array},则在曲线上一点(x_0,y_0,z_0)点处有:\\ & \{\begin{array}{l}{F}_{x}dx+F_{y}dy+F_{z}dz=0\\ G_{x}dx+G_{y}dy+G_{z}dz=0\end{array}\\ & 切线:\frac{x-x_0}{dx}=\frac{y-y_0}{dy}=\frac{z-z_0}{dz}\\ & 切向量:\vec{\mathbf{T}}=(dx,dy,dz)\\ & 法平面:(x-x_0)dx+(y-y_0)dy+(z-z_0)dz=0\\ & 其中(dx,dy,dz)需要根据\nabla F(x_0,y_0,z_0),\nabla G(x_0,y_0,z_0)解出比例关系\end{array}$$

18. 曲面的切平面方程与法线方程

    $$\begin{array}{rl}& 若曲面方程为F(x,y,z)=0,则在曲面上一点(x_0,y_0,z_0)处有:\\ & 切平面:F_x(x_0,y_0,z_0)(x-x_0)+F_y(x_0,y_0,z_0)(y-y_0)+F_z(x_0,y_0,z_0)(z-z_0)=0\\ & 法向量:\vec{\mathbf{n}}=\nabla F(x_0,y_0,z_0)\\ & 法线:\frac{x-x_0}{F_x(x_0,y_0,z_0)}=\frac{y-y_0}{F_y(x_0,y_0,z_0)}=\frac{z-z_0}{F_z(x_0,y_0,z_0)}\end{array}$$

19. 多元函数的极值

    极值必要条件

    $$若\vec{\mathbf{a}}为f的极值点,则\vec{\mathbf{a}}为f的驻点,即\nabla f(\vec{\mathbf{a}})=\vec{0}$$

    极值充分条件

    $$\begin{array}{rl}& 设开集D\subset {\mathbb{R}}^n,f:D\to \mathbb{R}有二阶连续偏导数,且\vec{\mathbf{a}}为f的驻点,则:\\ & (1)若\vec{\mathbf{a}}处的Hessen矩阵{\nabla }^{2}f(\vec{\mathbf{a}})正(负)定,则\vec{\mathbf{a}}为f的严格极小(大)值点\\ & (2)若\vec{\mathbf{a}}处的Hessen矩阵{\nabla }^{2}f(\vec{\mathbf{a}})为不定方阵,则\vec{\mathbf{a}}不是f的极值点\end{array}$$

    二元函数的极值分析

    $$\begin{array}{rl}& 若二元函数f(x,y)有二阶连续偏导数,记A=f_{xx},B=f_{xy},C=f_{yy},则:\\ & (1)若AC-B^2>0,则f在A>0时有极小值,A<0时有极大值\\ & (2)若AC-B^2<0,则f没有极值\\ & (3)若AC-B^2=0,则f的极值情况不确定\end{array}$$

20. $Lagrange$乘子法

    $$\begin{array}{rl}& 若\mathbf{x}\in {\mathbb{R}}^n,则目标函数f(\mathbf{x})和m个约束条件h_i(\mathbf{x})=0(i=1,\cdots ,m)可以构成Lagrange函数\\ & L(\mathbf{x},\mathbf{\lambda })=f(\mathbf{x})+\sum _{i=1}^m{\lambda }_i{h}_i(\mathbf{x}),其中\mathbf{\lambda }=({\lambda }_1,\cdots ,{\lambda }_m)\in {\mathbb{R}}^m\\ & \{\begin{array}{l}\nabla L_{\mathbf{x}}(\mathbf{x},\mathbf{\lambda })=0\\ \nabla L_{\mathbf{\lambda }}(\mathbf{x},\mathbf{\lambda })=0\end{array}的解中的\mathbf{x}部分即为可能的极值点\end{array}$$