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
-
R n \R^n Rn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 a \boldsymbol{a} a定义为
lim k → ∞ x k = a : ∀ ε > 0 , ∃ N ( ε ) ∈ N , s . t . ∀ k > N , ∣ ∣ x k − a ∣ ∣ < ε \lim_{k\to\infty}\boldsymbol{x_k}=\boldsymbol{a}:\forall\varepsilon>0,\exist N(\varepsilon)\in\N,s.t.\forall k>N,||\boldsymbol{x_k}-\boldsymbol{a}||<\varepsilon k→∞limxk=a:∀ε>0,∃N(ε)∈N,s.t.∀k>N,∣∣xk−a∣∣<ε
点列收敛于一点,等价于点列各分量收敛于该点各分量
lim k → ∞ x k = a ⇔ lim k → ∞ x k ( i ) = a ( i ) , i = 1 , 2 , ⋯ , n \lim_{k\to\infty}\boldsymbol{x_k}=\boldsymbol{a}\Leftrightarrow\lim_{k\to\infty}\boldsymbol{x_k^{(i)}}=\boldsymbol{a^{(i)}},i=1,2,\cdots,n k→∞limxk=a⇔k→∞limxk(i)=a(i),i=1,2,⋯,n
-
多元函数的极限
设 D ∈ R n , f : D → R D\in\R^n,f:D\to\R D∈Rn,f:D→R,则函数于点 x 0 \boldsymbol{x}_0 x0处收敛于 A A 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→x0limf(x)=A:∀ε>0,∃δ>0.s.t.∀x∈{x∈D∣0<∣∣x−x0∣∣<δ},∣f(x)−A∣<ε
-
多元函数的 H e i n e Heine Heine定理
若 lim k → ∞ x = x 0 , 则 lim k → ∞ f ( x ) = lim x → x o f ( x 0 ) = A 若\lim_{k\to\infty}\boldsymbol{x}=\boldsymbol{x_0},则\lim_{k\to\infty}f(\boldsymbol{x})=\lim_{\boldsymbol{x}\to\boldsymbol{x_o}}f(\boldsymbol{x_0})=A 若k→∞limx=x0,则k→∞limf(x)=x→xolimf(x0)=A
-
多元函数的 C a u c h y Cauchy Cauchy收敛准则
极限 lim k → ∞ f ( x ) 存在 , 当且仅当对 ∀ ε > 0 , ∃ δ > 0 , s . t . ∀ x ′ , x ′ ′ ∈ D , 满足 : 0 < ∣ ∣ x ′ − x 0 ∣ ∣ , ∣ ∣ x ′ ′ − x 0 ∣ ∣ < δ ⇒ ∣ f ( x ′ ) − f ( x ′ ′ ) ∣ < ε 极限\lim_{k\to\infty}f(\boldsymbol{x})存在,当且仅当对\forall\varepsilon>0,\exist\delta>0,s.t.\forall \boldsymbol{x'},\boldsymbol{x''}\in D,满足:\\ 0<||\boldsymbol{x'}-\boldsymbol{x_0}||,||\boldsymbol{x''}-\boldsymbol{x_0}||<\delta\Rightarrow|f(\boldsymbol{x'})-f(\boldsymbol{x''})|<\varepsilon 极限k→∞limf(x)存在,当且仅当对∀ε>0,∃δ>0,s.t.∀x′,x′′∈D,满足:0<∣∣x′−x0∣∣,∣∣x′′−x0∣∣<δ⇒∣f(x′)−f(x′′)∣<ε
-
多元函数的连续性
f ( x ) 在 x 0 处连续 ⇔ lim x → x 0 f ( x ) = f ( x 0 ) f(\boldsymbol{x})在\boldsymbol{x_0}处连续\Leftrightarrow\lim_{\boldsymbol{x}\to\boldsymbol{x_0}}f(\boldsymbol{x})=f(\boldsymbol{x_0}) f(x)在x0处连续⇔x→x0limf(x)=f(x0)
-
多元函数的最值定理
在有界闭区域 D D D上的多元连续函数 f f f在 D D D上有界,且至少取得它的最大值和最小值各一次。
-
多元函数的介值定理
在有界闭区域 D D D上的多元连续函数,如果在 D D D上取得两个不同的函数值,则它在 D D D上取得介于这两个函数值之间的任何值至少一次。
-
多元函数的偏导数
若关于 x x x的一元函数 f ( x , y 0 ) f(x,y_0) f(x,y0)在 x 0 x_0 x0处可导,则 z = f ( x , y ) z=f(x,y) z=f(x,y)在 ( x 0 , y 0 ) (x_0,y_0) (x0,y0)处对 x 0 x_0 x0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…
-
多元函数的全微分
若多元函数 z = f ( x , y ) z=f(x,y) z=f(x,y)在 ( x 0 , y 0 ) (x_0,y_0) (x0,y0)的某一邻域内有定义,且 f ( x , y ) f(x,y) f(x,y)在该点处的全增量可表示为
Δ z = A Δ x + B Δ y + o ( ρ ) , ρ = ( Δ x ) 2 + ( Δ y ) 2 \Delta z=A\Delta x+B\Delta y+o(\rho),\rho=\sqrt{(\Delta x)^2+(\Delta y)^2} Δz=AΔx+BΔy+o(ρ),ρ=(Δx)2+(Δy)2
则称 z = f ( x , y ) z=f(x,y) z=f(x,y)在点 ( x 0 , y 0 ) (x_0,y_0) (x0,y0)处可微,并记 z z z在该点处的全微分为 d z = A Δ x + B Δ y dz=A\Delta x+B\Delta y dz=AΔx+BΔy。
函数可微的判断依据:函数 z = f ( x , y ) z=f(x,y) z=f(x,y)在 ( x 0 , y 0 ) (x_0,y_0) (x0,y0)处可微,当且仅当
lim ρ → 0 + f ( x 0 + Δ x , y 0 + Δ y ) − f x ( x 0 , y 0 ) Δ x − f y ( x 0 , y 0 ) Δ y − f ( x 0 , y 0 ) ρ = 0 \lim_{\rho\to0^+}\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 ρ→0+limρf(x0+Δx,y0+Δy)−fx(x0,y0)Δx−fy(x0,y0)Δy−f(x0,y0)=0
-
若函数 z = f ( x , y ) z=f(x,y) 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+\…
-
方向导数的定义
函数 z = f ( x , y ) z=f(x,y) z=f(x,y)在一点沿某一方向 l ⃗ \boldsymbol{\vec{l}} 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…
-
方向导数与梯度的关系
若方向 l ⃗ \boldsymbol{\vec{l}} l的单位向量为 ( cos α , cos β ) (\cos\alpha,\cos\beta) (cosα,cosβ),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…
-
复合函数求导的链式法则
设 m m m元函数 f ( u 1 , u 2 , ⋯ , u m ) f(u_1,u_2,\cdots,u_m) f(u1,u2,⋯,um)在 ( u 1 , u 2 , ⋯ , u m ) (u_1,u_2,\cdots,u_m) (u1,u2,⋯,um)可微, u k ( x 1 , x 2 , ⋯ , x n ) , k = 1 , 2 , ⋯ , m u_k(x_1,x_2,\cdots,x_n),k=1,2,\cdots,m uk(x1,x2,⋯,xn),k=1,2,⋯,m均为 n n n元函数且在 ( x 1 , x 2 , ⋯ , x n ) (x_1,x_2,\cdots,x_n) (x1,x2,⋯,xn)可微,则
KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲ ̲f}{\part x_i}=\…
-
高阶偏导数
KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲}{\part x}\frac…
-
多元微分中值定理
设 D ⊂ R n D\sub\R^n D⊂Rn是凸区域, f : D → R f:D\to\R f:D→R可微,则
∀ a , b ∈ D , ∃ ξ ∈ D , s . t . f ( b ) − f ( a ) = [ ∇ f ( ξ ) ] T ( b − a ) \forall \boldsymbol{a},\boldsymbol{b}\in D,\exist\boldsymbol{\xi}\in D,s.t.f(\boldsymbol{b})-f(\boldsymbol{a})=[\nabla f(\boldsymbol{\xi})]^T(\boldsymbol{b}-\boldsymbol{a}) ∀a,b∈D,∃ξ∈D,s.t.f(b)−f(a)=[∇f(ξ)]T(b−a)
-
二元函数的 T a y l o r Taylor Taylor公式
KaTeX parse error: Undefined control sequence: \part at position 50: …t((x-x_0)\frac{\̲p̲a̲r̲t̲}{\part x}+(y-y…
P e a n o Peano Peano余项形式为
R k = o ( ∣ ∣ ( x − x 0 , y − y 0 ) ∣ ∣ k ) R_k=o(||(x-x_0,y-y_0)||^k) Rk=o(∣∣(x−x0,y−y0)∣∣k)
L a g r a n g e Lagrange 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…
-
曲线的切线方程与法平面
曲线的参数方程
若曲线方程为 { x = x ( t ) y = y ( t ) z = z ( t ) , 则在曲线上 t = t 0 对应的点 ( x 0 , y 0 , z 0 ) 处有 : 切线 : x − x 0 x ′ ( t 0 ) = y − y 0 y ′ ( t 0 ) = z − z 0 z ′ ( t 0 ) 切向量 : T ⃗ = ( x ′ ( t 0 ) , y ′ ( t 0 ) , z ′ ( t 0 ) ) 法平面 : x ′ ( t 0 ) ( x − x 0 ) + y ′ ( t 0 ) ( y − y 0 ) + z ′ ( t 0 ) ( z − z 0 ) = 0 \begin{aligned} &若曲线方程为\begin{cases} x=x(t)\\y=y(t)\\z=z(t) \end{cases},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'(t_0)}=\frac{y-y_0}{y'(t_0)}=\frac{z-z_0}{z'(t_0)}\\ &切向量:\boldsymbol{\vec{T}}=(x'(t_0),y'(t_0),z'(t_0))\\ &法平面:x'(t_0)(x-x_0)+y'(t_0)(y-y_0)+z'(t_0)(z-z_0)=0 \end{aligned} 若曲线方程为⎩ ⎨ ⎧x=x(t)y=y(t)z=z(t),则在曲线上t=t0对应的点(x0,y0,z0)处有:切线:x′(t0)x−x0=y′(t0)y−y0=z′(t0)z−z0切向量:T=(x′(t0),y′(t0),z′(t0))法平面:x′(t0)(x−x0)+y′(t0)(y−y0)+z′(t0)(z−z0)=0
曲线的一般方程
若曲线方程为 { F ( x , y , z ) = 0 G ( x , y , z ) = 0 , 则在曲线上一点 ( x 0 , y 0 , z 0 ) 点处有 : { F x d x + F y d y + F z d z = 0 G x d x + G y d y + G z d z = 0 切线 : x − x 0 d x = y − y 0 d y = z − z 0 d z 切向量 : T ⃗ = ( d x , d y , d z ) 法平面 : ( x − x 0 ) d x + ( y − y 0 ) d y + ( z − z 0 ) d z = 0 其中 ( d x , d y , d z ) 需要根据 ∇ F ( x 0 , y 0 , z 0 ) , ∇ G ( x 0 , y 0 , z 0 ) 解出比例关系 \begin{aligned} &若曲线方程为\begin{cases}F(x,y,z)=0\\G(x,y,z)=0\end{cases},则在曲线上一点(x_0,y_0,z_0)点处有:\\ &\begin{cases}F_xdx+F_ydy+F_zdz=0\\G_xdx+G_ydy+G_zdz=0\end{cases}\\ &切线:\frac{x-x_0}{dx}=\frac{y-y_0}{dy}=\frac{z-z_0}{dz}\\ &切向量:\boldsymbol{\vec{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{aligned} 若曲线方程为{F(x,y,z)=0G(x,y,z)=0,则在曲线上一点(x0,y0,z0)点处有:{Fxdx+Fydy+Fzdz=0Gxdx+Gydy+Gzdz=0切线:dxx−x0=dyy−y0=dzz−z0切向量:T=(dx,dy,dz)法平面:(x−x0)dx+(y−y0)dy+(z−z0)dz=0其中(dx,dy,dz)需要根据∇F(x0,y0,z0),∇G(x0,y0,z0)解出比例关系
-
曲面的切平面方程与法线方程
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 : n ⃗ = ∇ F ( x 0 , y 0 , z 0 ) 法线 : x − x 0 F x ( x 0 , y 0 , z 0 ) = y − y 0 F y ( x 0 , y 0 , z 0 ) = z − z 0 F z ( x 0 , y 0 , z 0 ) \begin{aligned} &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:\boldsymbol{\vec{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{aligned} 若曲面方程为F(x,y,z)=0,则在曲面上一点(x0,y0,z0)处有:切平面:Fx(x0,y0,z0)(x−x0)+Fy(x0,y0,z0)(y−y0)+Fz(x0,y0,z0)(z−z0)=0法向量:n=∇F(x0,y0,z0)法线:Fx(x0,y0,z0)x−x0=Fy(x0,y0,z0)y−y0=Fz(x0,y0,z0)z−z0
-
多元函数的极值
极值必要条件
若 a ⃗ 为 f 的极值点 , 则 a ⃗ 为 f 的驻点 , 即 ∇ f ( a ⃗ ) = 0 ⃗ 若\boldsymbol{\vec a}为f的极值点,则\boldsymbol{\vec a}为f的驻点,即\nabla f(\boldsymbol{\vec a})=\boldsymbol{\vec 0} 若a为f的极值点,则a为f的驻点,即∇f(a)=0
极值充分条件
设开集 D ⊂ R n , f : D → R 有二阶连续偏导数 , 且 a ⃗ 为 f 的驻点 , 则 : ( 1 ) 若 a ⃗ 处的 H e s s e n 矩阵 ∇ 2 f ( a ⃗ ) 正 ( 负 ) 定 , 则 a ⃗ 为 f 的严格极小 ( 大 ) 值点 ( 2 ) 若 a ⃗ 处的 H e s s e n 矩阵 ∇ 2 f ( a ⃗ ) 为不定方阵 , 则 a ⃗ 不是 f 的极值点 \begin{aligned} &设开集D\sub\R^n,f:D\to\R有二阶连续偏导数,且\boldsymbol{\vec a}为f的驻点,则:\\ &(1)若\boldsymbol{\vec a}处的Hessen矩阵\nabla^2f(\boldsymbol{\vec a})正(负)定,则\boldsymbol{\vec a}为f的严格极小(大)值点\\ &(2)若\boldsymbol{\vec a}处的Hessen矩阵\nabla^2f(\boldsymbol{\vec a})为不定方阵,则\boldsymbol{\vec a}不是f的极值点 \end{aligned} 设开集D⊂Rn,f:D→R有二阶连续偏导数,且a为f的驻点,则:(1)若a处的Hessen矩阵∇2f(a)正(负)定,则a为f的严格极小(大)值点(2)若a处的Hessen矩阵∇2f(a)为不定方阵,则a不是f的极值点
二元函数的极值分析
若二元函数 f ( x , y ) 有二阶连续偏导数 , 记 A = f x x , B = f x y , C = f y y , 则 : ( 1 ) 若 A C − B 2 > 0 , 则 f 在 A > 0 时有极小值 , A < 0 时有极大值 ( 2 ) 若 A C − B 2 < 0 , 则 f 没有极值 ( 3 ) 若 A C − B 2 = 0 , 则 f 的极值情况不确定 \begin{aligned} &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{aligned} 若二元函数f(x,y)有二阶连续偏导数,记A=fxx,B=fxy,C=fyy,则:(1)若AC−B2>0,则f在A>0时有极小值,A<0时有极大值(2)若AC−B2<0,则f没有极值(3)若AC−B2=0,则f的极值情况不确定
-
L a g r a n g e Lagrange Lagrange乘子法
若 x ∈ R n , 则目标函数 f ( x ) 和 m 个约束条件 h i ( x ) = 0 ( i = 1 , ⋯ , m ) 可以构成 L a g r a n g e 函数 L ( x , λ ) = f ( x ) + ∑ i = 1 m λ i h i ( x ) , 其中 λ = ( λ 1 , ⋯ , λ m ) ∈ R m { ∇ L x ( x , λ ) = 0 ∇ L λ ( x , λ ) = 0 的解中的 x 部分即为可能的极值点 \begin{aligned} &若\boldsymbol{x}\in\R^n,则目标函数f(\boldsymbol{x})和m个约束条件h_i(\boldsymbol{x})=0(i=1,\cdots,m)可以构成Lagrange函数\\ &L(\boldsymbol{x},\boldsymbol{\lambda})=f(\boldsymbol{x})+\sum_{i=1}^m\lambda_ih_i(\boldsymbol{x}),其中\boldsymbol{\lambda}=(\lambda_1,\cdots,\lambda_m)\in\R^m\\ &\begin{cases}\nabla L_{\boldsymbol{x}}(\boldsymbol{x},\boldsymbol{\lambda})=0\\\nabla L_{\boldsymbol{\lambda}}(\boldsymbol{x},\boldsymbol{\lambda})=0\end{cases}的解中的\boldsymbol{x}部分即为可能的极值点 \end{aligned} 若x∈Rn,则目标函数f(x)和m个约束条件hi(x)=0(i=1,⋯,m)可以构成Lagrange函数L(x,λ)=f(x)+i=1∑mλihi(x),其中λ=(λ1,⋯,λm)∈Rm{∇Lx(x,λ)=0∇Lλ(x,λ)=0的解中的x部分即为可能的极值点