偏导数,方向导数与梯度

【高数】偏导数,方向导数与梯度

9.2偏导数

9.2.1 偏导数的概念

​ 定义:设z=f(x,y)在P(x0,y0,)的某领域内有定义,将y固定在y0而x在x0处改变Δx时,相应的函数值改变量称为偏x的改变量,记为Δxz,即

​ Δxz=f(x0+Δx,y0)- f(x0,y0

如果极限
lim ⁡ Δ x → 0 Δ x z Δ x = lim ⁡ Δ x → 0 f ( x 0 + Δ x , y 0 ) − f ( x 0 , y 0 ) Δ x \lim_{Δx\to0} \frac{Δ_{x}z}{Δx} = \lim_{Δx\to0} \frac{f(x_{0}+Δx,y_{0})-f(x_{0},y_{0})}{Δx} Δx0limΔxΔxz=Δx0limΔxf(x0+Δx,y0)f(x0,y0)
存在,则称次极限值为函数z=f(x,y)在P(x0,y0)点对x的偏导数(也是变化率,理解为当其他因素不变时,函数对变量x的变化率),记为
在这里插入图片描述

9.7方向导数与梯度

9.7.1 方向导数
在这里插入图片描述
​ 定理:如果函数z=f(x,y)在点P(x,y)可微分,则函数在该点沿任意方向l的方向导数都存在,且
image-20240520194233710

9.7.2 梯度的概念
​ 有了方向导数,我们可以求出函数在P(x,y)点处沿任意方向l的方向导数,那么,函数在P点处沿哪个方向的变化最快呢?

​ 定义:设函数z=f(x,y)在平面区域D内具有一阶连续导数,则对于每一点P(x,y)∈D,都可以定义一个向量
image-20240520195243405
称他为函数z=f(x,y)在P点处的梯度,记为grad f(x,y),即
image-20240520195512526
如设e={cosφ,sinφ}是与方向l同方向的单位向量,则根据方向导数的计算公式,有
image-20240520195955175
其θ是梯度grad f(x,y)与单位向量的e之间的夹角
函数在某点的梯度是这样一个向量,它的方向与取得最大方向导数的方向一致,而它的模为方向导数的最大值。
根据定义,梯度的模为
在这里插入图片描述

  • 17
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1. 使用Python 绘制二元函数的图像: 首先需要安装matplotlib库,然后使用以下代码进行绘图: ```python import matplotlib.pyplot as plt import numpy as np x = np.linspace(-5, 5, 100) y = np.linspace(-5, 5, 100) X, Y = np.meshgrid(x, y) # 定义二元函数 Z = X**2 + Y**2 # 绘制图像 fig = plt.figure() ax = fig.add_subplot(111, projection='3d') ax.plot_surface(X, Y, Z) plt.show() ``` 2. 求多元函数的偏导数偏导数表示函数在某个变量上的变化率,而其他变量保持不变。对于多元函数,可以对每个变量分别求偏导数。 例如,对于函数 $f(x,y)=x^2+y^2$,可以求出它在 $x$ 和 $y$ 上的偏导数: $\frac{\partial f}{\partial x} = 2x$ $\frac{\partial f}{\partial y} = 2y$ 3. 求多元函数的高阶偏导数: 高阶偏导数表示函数在某个变量上的变化率的变化率,可以通过对偏导数再次求导得到。 例如,对于函数 $f(x,y)=x^2+y^2$,可以求出它的二阶偏导数: $\frac{\partial^2 f}{\partial x^2} = 2$ $\frac{\partial^2 f}{\partial y^2} = 2$ $\frac{\partial^2 f}{\partial x\partial y} = 0$ 4. 求多元函数的全微分: 全微分表示函数在某个点上的变化量,可以通过对每个变量的偏导数求和得到。 例如,对于函数 $f(x,y)=x^2+y^2$,可以求出它在点 $(1,2)$ 处的全微分: $df = \frac{\partial f}{\partial x} dx + \frac{\partial f}{\partial y} dy$ $= 2x dx + 2y dy$ $= 2(1) dx + 2(2) dy$ $= 2dx + 4dy$ 5. 求隐函数的偏导数: 隐函数是一个多元函数,其中一个变量可以表示为其他变量的函数,例如 $x^2+y^2=1$ 可以表示为 $y=\sqrt{1-x^2}$。 对于这样的隐函数,可以使用隐函数求导法求出它的偏导数: $\frac{\partial y}{\partial x} = -\frac{\frac{\partial f}{\partial x}}{\frac{\partial f}{\partial y}}$ 其中 $f(x,y)=x^2+y^2-1$,代入得: $\frac{\partial y}{\partial x} = -\frac{2x}{2y} = -\frac{x}{y}$ 6. 求隐函数组的偏导数: 类似地,对于多个隐函数组成的隐函数组,可以使用偏导数的链式法则求出它们的偏导数。 例如,对于隐函数组 $\begin{cases}f(x,y,z) = x^2+y^2+z^2-1=0 \\ g(x,y,z) = x+y+z-2=0\end{cases}$,可以求出它们在点 $(1,1,0)$ 处的偏导数: $\frac{\partial y}{\partial x} = -\frac{\frac{\partial f}{\partial x}}{\frac{\partial f}{\partial y}} = -\frac{2x}{2y} = -\frac{x}{y}$ $\frac{\partial y}{\partial z} = -\frac{\frac{\partial f}{\partial z}}{\frac{\partial f}{\partial y}} = -\frac{2z}{2y} = -\frac{z}{y}$ $\frac{\partial x}{\partial z} = -\frac{\frac{\partial f}{\partial z}}{\frac{\partial f}{\partial x}} = -\frac{2z}{2x} = -\frac{z}{x}$ $\frac{\partial y}{\partial x} = -\frac{\frac{\partial g}{\partial x}}{\frac{\partial g}{\partial y}} = -1$ $\frac{\partial y}{\partial z} = -\frac{\frac{\partial g}{\partial z}}{\frac{\partial g}{\partial y}} = -1$ $\frac{\partial x}{\partial z} = -\frac{\frac{\partial g}{\partial z}}{\frac{\partial g}{\partial x}} = -1$ 7. 求方向导数梯度方向导数表示函数在某个方向上的变化率,可以通过对梯度向量与该方向向量进行点积得到。 例如,对于函数 $f(x,y)=x^2+y^2$,在点 $(1,2)$ 处沿着向量 $(1,1)$ 的方向导数为: $\nabla f = \begin{pmatrix} 2x \\ 2y \end{pmatrix} = \begin{pmatrix} 2 \\ 4 \end{pmatrix}$ $\vec{v} = \begin{pmatrix} 1 \\ 1 \end{pmatrix}$ $D_{\vec{v}}f = \nabla f \cdot \vec{v} = \begin{pmatrix} 2 \\ 4 \end{pmatrix} \cdot \begin{pmatrix} 1 \\ 1 \end{pmatrix} = 6$ 梯度表示函数在某个点上的最大变化率,可以通过对每个变量的偏导数构成的向量得到。 例如,对于函数 $f(x,y)=x^2+y^2$,在点 $(1,2)$ 处的梯度为: $\nabla f = \begin{pmatrix} 2x \\ 2y \end{pmatrix} = \begin{pmatrix} 2 \\ 4 \end{pmatrix}$ 8. 求多元函数的极值: 极值表示函数在某个点上取得最大或最小值,可以通过求解偏导数为0的方程组来得到。 例如,对于函数 $f(x,y)=x^2+y^2+2x+4y+1$,可以求出它的偏导数: $\frac{\partial f}{\partial x} = 2x+2$ $\frac{\partial f}{\partial y} = 2y+4$ 令偏导数为0,得到临界点 $(x,y)=(-1,-2)$。 然后可以通过求解二阶偏导数的行列式来确定这个点的极值类型: $D = \begin{vmatrix} \frac{\partial^2 f}{\partial x^2} & \frac{\partial^2 f}{\partial x\partial y} \\ \frac{\partial^2 f}{\partial y\partial x} & \frac{\partial^2 f}{\partial y^2} \end{vmatrix} = \begin{vmatrix} 2 & 0 \\ 0 & 2 \end{vmatrix} = 4$ 因为 $D>0$ 且 $\frac{\partial^2 f}{\partial x^2}>0$,所以这个点是函数的最小值点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值