#第二章:导数与微分
##第六节 隐函数的导数 由参数方程所确定的函数的导数 相关变化率
###1、隐函数的导数
显函数:
y
=
11
−
x
3
y=\sqrt[3]{11-x}
y=311−x;
隐函数:
x
+
y
3
−
1
=
0
x+y^3-1=0
x+y3−1=0;
隐函数显化:将
x
+
y
3
−
1
=
0
x+y^3-1=0
x+y3−1=0转换成
y
=
1
−
x
3
y=\sqrt[3]{1-x}
y=31−x
##多元函数的基本概念
在很多自然现象以及实际的问题中,经常会遇到多个变量之间的依赖关系,如圆柱体的体积
V
V
V和它的半径
r
r
r 、高
h
h
h之间具有关系:
V
=
π
r
2
h
V=\pi r^2h
V=πr2h
这里,当
r
,
h
r,h
r,h在集合
{
(
r
,
h
)
∣
r
>
0
,
h
>
0
}
\{(r,h)|r>0,h>0\}
{(r,h)∣r>0,h>0} 内,取定一对值
(
r
,
h
)
(r,h)
(r,h)时,
V
V
V的对应值就随之确定。
二元函数:
设
D
D
D 是
R
2
R^2
R2的一个非空子集,称映射
f
:
D
→
R
f:D\rightarrow R
f:D→R 为定义在
D
D
D上的一个二元函数,通常记为:
z
=
f
(
x
,
y
)
,
(
x
,
y
)
∈
D
z=f(x,y),(x,y)\in D
z=f(x,y),(x,y)∈D
其中点集
D
D
D称为该函数的定义域,
(
x
,
y
)
(x,y)
(x,y)称为自变量,
z
z
z称为因变量,
偏导数:
1)引用偏导数的目的是研究函数的变化率;
2)设二元函数
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)在点
(
x
0
,
y
0
)
(x_0,y_0)
(x0,y0)的某一邻域内有定义,当
y
y
y固定在
y
0
y_0
y0而
x
x
x在
x
0
x_0
x0处有增量
Δ
x
\Delta x
Δx 时,相应的函数就有增量
f
(
x
0
+
Δ
x
,
y
0
)
−
f
(
x
0
,
y
0
)
f(x_0+\Delta x,y_0)-f(x_0,y_0)
f(x0+Δx,y0)−f(x0,y0),
如果
lim
Δ
x
→
0
f
(
x
0
+
Δ
x
,
y
0
)
−
f
(
x
0
,
y
0
)
Δ
x
\lim_{\Delta x \rightarrow 0} \frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x }
Δx→0limΔxf(x0+Δx,y0)−f(x0,y0)
存在,则称此极限为函数
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)在点
(
x
0
,
y
0
)
(x_0,y_0)
(x0,y0)处对
x
x
x的偏导数,记作:
∂
z
∂
x
∣
x
=
x
0
y
=
y
0
,
∂
f
∂
x
∣
x
=
x
0
y
=
y
0
,
f
x
(
x
0
,
y
0
)
\left. \frac{{\partial }z}{{\partial }x} \right| _{x=x_0 y=y_0},\left. \frac{{\partial }f}{{\partial }x} \right| _{x=x_0 y=y_0},f_x(x_0,y_0)
∂x∂z∣∣∣∣x=x0y=y0,∂x∂f∣∣∣∣x=x0y=y0,fx(x0,y0)
如果函数 z = f ( x , y ) z=f(x,y) z=f(x,y)在区域 D D D内每一个点 处对 的偏导数都存在,那么这个偏导数就是 x , y x,y x,y的函数,它就称为函数 z = f ( x , y ) z=f(x,y) z=f(x,y)对自变量 x x x的偏导数,记作: ∂ z ∂ x , ∂ f ∂ x , z x , f x ( x , y ) \frac{{\partial }z}{{\partial }x} ,\frac{{\partial }f}{{\partial }x},z_x,f_x(x,y) ∂x∂z,∂x∂f,zx,fx(x,y)
###多元函数的极值及其求法
极值的定义:
设函数
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)的定义域
D
D
D,
P
0
(
x
0
,
y
0
)
P_0(x_0,y_0)
P0(x0,y0)为
D
D
D的内点,若存在着
P
0
P_0
P0的某个邻域
U
(
P
0
)
⊂
D
U(P_0)\subset D
U(P0)⊂D ,使得对于该邻域内异于
P
0
P_0
P0的任何点
(
x
,
y
)
(x,y)
(x,y)都有
f
(
x
,
y
)
<
f
(
x
0
,
y
0
)
f(x,y)<f(x_0,y_0)
f(x,y)<f(x0,y0) ,则称函数
f
(
x
,
y
)
f(x,y)
f(x,y)在点
P
0
(
x
0
,
y
0
)
P_0(x_0,y_0)
P0(x0,y0)有极大值
f
(
x
0
,
y
0
)
f(x_0,y_0)
f(x0,y0) ,点
P
0
(
x
0
,
y
0
)
P_0(x_0,y_0)
P0(x0,y0)称为函数
f
(
x
,
y
)
f(x,y)
f(x,y) 的极大值点。
定理1(必要条件):
设函数
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)在点
(
x
0
,
y
0
)
(x_0,y_0)
(x0,y0)具有偏导数,且在点
(
x
0
,
y
0
)
(x_0,y_0)
(x0,y0)处有极值,则有:
f
x
(
x
0
,
y
0
)
=
0
,
f
y
(
x
0
,
y
0
)
=
0
f_x(x_0,y_0)=0,f_y(x_0,y_0)=0
fx(x0,y0)=0,fy(x0,y0)=0
定理2(充分条件):
设函数
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)在点
(
x
0
,
y
0
)
(x_0,y_0)
(x0,y0)的某邻域内连续且有一阶及二阶连续导数,且
f
x
(
x
0
,
y
0
)
=
0
,
f
y
(
x
0
,
y
0
)
=
0
f_x(x_0,y_0)=0,f_y(x_0,y_0)=0
fx(x0,y0)=0,fy(x0,y0)=0 ,令:
f
x
x
(
x
0
,
y
0
)
=
A
,
f
x
y
(
x
0
,
y
0
)
=
B
,
f
y
y
(
x
0
,
y
0
)
=
C
f_xx(x_0,y_0)=A,f_xy(x_0,y_0)=B,f_yy(x_0,y_0)=C
fxx(x0,y0)=A,fxy(x0,y0)=B,fyy(x0,y0)=C,
则函数
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)在点
(
x
0
,
y
0
)
(x_0,y_0)
(x0,y0)处是否取得极值的条件如下:
(1)
A
C
−
B
2
>
0
AC-B^2>0
AC−B2>0 时具有极值,且当
A
<
0
A<0
A<0时有极大值,当
A
>
0
A>0
A>0时有极小值;
(2)
A
C
−
B
2
<
0
AC-B^2<0
AC−B2<0 时没有极值;
(3)
A
C
−
B
2
=
0
AC-B^2=0
AC−B2=0 时可能有极值,也可能没有极值,需要另外讨论
拉格朗日乘法:
寻求函数
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)在条件
ϕ
(
x
,
y
)
=
0
\phi(x,y)=0
ϕ(x,y)=0下的可能极值点,先做拉格朗日函数:
L
(
x
,
y
)
=
f
(
x
,
y
)
+
λ
ϕ
(
x
,
y
)
L(x,y)=f(x,y)+\lambda\phi(x,y)
L(x,y)=f(x,y)+λϕ(x,y)
其中
λ
\lambda
λ是拉格朗日乘子,为常数;
建立方程组:
{
f
x
(
x
,
y
)
+
λ
ϕ
x
(
x
,
y
)
=
0
,
f
y
(
x
,
y
)
+
λ
ϕ
y
(
x
,
y
)
=
0
,
ϕ
(
x
,
y
)
=
0
,
\begin{cases} f_x(x,y)+\lambda\phi_x(x,y)=0,\\ f_y(x,y)+\lambda\phi_y(x,y)=0,\\ \phi(x,y)=0, \end{cases}
⎩⎪⎨⎪⎧fx(x,y)+λϕx(x,y)=0,fy(x,y)+λϕy(x,y)=0,ϕ(x,y)=0,
由方程组解出的
x
,
y
,
λ
x,y,\lambda
x,y,λ ,可能就是我们需找的在附加条件下的极值点
##方向导数与梯度:
1.背景:
偏导数反映的是函数沿着坐标轴方向的变化率,但是许多物理现象告诉我们,变化率的方向是任意的,比如:热空气要向冷的地方流动,气象学中就要确定大气温度、气压沿着某些方向的变化率,因此,我们来讨论函数沿着任一指定方向的变化率问题。
2.概念:
设
l
l
l是
x
O
y
xOy
xOy平面上以
P
0
(
x
0
,
y
0
)
P_0(x_0,y_0)
P0(x0,y0)为始点的一条射线,
e
l
=
(
c
o
s
α
,
c
o
s
β
)
e_l=(cos\alpha,cos\beta)
el=(cosα,cosβ) 是与
l
l
l同方向的单位向量,射线
l
l
l的参数方程为:
x
=
x
0
+
t
c
o
s
α
y
=
y
0
+
t
c
o
s
β
(
t
>
=
0
)
x=x_0+tcos\alpha \\y=y_0+tcos\beta \\(t>=0)
x=x0+tcosαy=y0+tcosβ(t>=0)
若以下表达式成立,则称此极限为函数
f
(
x
,
y
)
f(x,y)
f(x,y)在点
P
0
P_0
P0沿方向
l
l
l 的方向导数,记作
∂
f
∂
l
∣
x
0
,
y
0
\left. \frac{{\partial }f}{{\partial }l} \right| _{x_0,y_0}
∂l∂f∣∣∣x0,y0 ,即:
∂
f
∂
l
∣
x
0
,
y
0
=
lim
t
→
0
+
f
(
x
0
+
t
c
o
s
α
,
y
0
+
t
c
o
s
β
)
−
f
(
x
0
,
y
0
)
t
\left. \frac{{\partial }f}{{\partial }l} \right| _{x_0,y_0}=\lim_{t \rightarrow 0^+} \frac{f(x_0+tcos\alpha,y_0+tcos\beta)-f(x_0,y_0)}{t }
∂l∂f∣∣∣∣x0,y0=t→0+limtf(x0+tcosα,y0+tcosβ)−f(x0,y0)
3.定理:
如果函数
f
(
x
,
y
)
f(x,y)
f(x,y)在点
P
0
P_0
P0可微分,那么函数在该点任意一方向
l
l
l的方向导数存在,且有:
∂
f
∂
l
∣
x
0
,
y
0
=
lim
t
→
0
+
f
(
x
0
+
t
c
o
s
α
,
y
0
+
t
c
o
s
β
)
−
f
(
x
0
,
y
0
)
t
\left. \frac{{\partial }f}{{\partial }l} \right| _{x_0,y_0}=\lim_{t \rightarrow 0^+} \frac{f(x_0+tcos\alpha,y_0+tcos\beta)-f(x_0,y_0)}{t }
∂l∂f∣∣∣∣x0,y0=t→0+limtf(x0+tcosα,y0+tcosβ)−f(x0,y0)
其中,
c
o
s
α
,
c
o
s
β
cos\alpha,cos\beta
cosα,cosβ是方向
l
l
l的方向余弦。
4.意义:
从方向导数的意义可以知道,方向导数就是函数
f
(
x
,
y
)
f(x,y)
f(x,y)在点
P
0
(
x
0
,
y
0
)
P_0(x_0,y_0)
P0(x0,y0)处沿方向
l
l
l的变化率。
【例】
求函数 在点 处沿从点 到点 的方向导数。
解:这里的方向 即向量 的方向,与 同向的单位向量为
因为函数可以微分,且
故所求方向导数为:
梯度
1.定义
设函数
f
(
x
,
y
)
f(x,y)
f(x,y)在平面区域
D
D
D内具有一阶连续偏导数,且对于每一个点
P
0
(
x
0
,
y
0
)
∈
D
P_0(x_0,y_0)\in D
P0(x0,y0)∈D,都可定出一个向量
f
x
(
x
0
,
y
0
)
i
⃗
+
f
y
(
x
0
,
y
0
)
j
⃗
f_x(x_0,y_0)\vec{i}+f_y(x_0,y_0)\vec{j}
fx(x0,y0)i+fy(x0,y0)j
这个向量称为函数
f
(
x
,
y
)
f(x,y)
f(x,y)在点
P
0
(
x
0
,
y
0
)
P_0(x_0,y_0)
P0(x0,y0)的***梯度***,记作
g
r
a
d
f
(
x
0
,
y
0
)
gradf(x_0,y_0)
gradf(x0,y0)或者
∇
f
(
x
0
,
y
0
)
\nabla f(x_0,y_0)
∇f(x0,y0) ,即
g
r
a
d
f
(
x
0
,
y
0
)
=
∇
f
(
x
0
,
y
0
)
=
f
x
(
x
0
,
y
0
)
i
⃗
+
f
y
(
x
0
,
y
0
)
j
⃗
gradf(x_0,y_0)=\nabla f(x_0,y_0)=f_x(x_0,y_0)\vec{i}+f_y(x_0,y_0)\vec{j}
gradf(x0,y0)=∇f(x0,y0)=fx(x0,y0)i+fy(x0,y0)j
其中$\nabla=\frac{{\partial }}{{\partial }x}\vec{i} +\frac{{\partial }}{{\partial }y}\vec{j}
,
称
为
(
二
维
的
)
∗
∗
∗
向
量
微
分
算
子
∗
∗
∗
,
2.
应
用
1
−
计
算
方
向
导
数
:
如
果
函
数
, 称为(二维的)***向量微分算子***, 2.应用1-计算方向导数: 如果函数
,称为(二维的)∗∗∗向量微分算子∗∗∗,2.应用1−计算方向导数:如果函数f(x,y)$ 在点
P
0
(
x
0
,
y
0
)
P_0(x_0,y_0)
P0(x0,y0) 可微分,
e
l
=
c
o
s
α
+
c
o
s
β
e_l=cos\alpha+cos\beta
el=cosα+cosβ是与
l
l
l同方向的单位向量,则方向导数:
∂
f
∂
l
∣
x
0
,
y
0
=
f
x
(
x
0
,
y
0
)
c
o
s
α
+
f
y
(
x
0
,
y
0
)
c
o
s
β
=
g
r
a
d
f
(
x
0
,
y
0
)
×
e
l
⃗
=
∣
g
r
a
d
(
f
(
x
,
y
)
)
∣
c
o
s
θ
\left. \frac{{\partial }f}{{\partial }l} \right| _{x_0,y_0}=f_x(x_0,y_0)cos\alpha+f_y(x_0,y_0)cos\beta=gradf(x_0,y_0)\times\vec{e_l}=|grad(f(x,y))|cos\theta
∂l∂f∣∣∣∣x0,y0=fx(x0,y0)cosα+fy(x0,y0)cosβ=gradf(x0,y0)×el=∣grad(f(x,y))∣cosθ
其中
θ
=
(
g
r
a
d
f
(
x
0
,
y
0
)
,
e
l
⃗
)
\theta=(gradf(x_0,y_0),\vec{e_l})
θ=(gradf(x0,y0),el)方向夹角
从上面的表达式中,可以看出函数在一点的梯度与其对应的方向导数之间的关系,
(1)当
θ
=
0
\theta=0
θ=0 ,即
e
l
⃗
\vec{e_l}
el与梯度
g
r
a
d
f
(
x
0
,
y
0
)
gradf(x_0,y_0)
gradf(x0,y0)方向相同时,函数
f
(
x
,
y
)
f(x,y)
f(x,y)增加最快。
(2)当
θ
=
π
\theta=\pi
θ=π ,即
e
l
⃗
\vec{e_l}
el与梯度
g
r
a
d
f
(
x
0
,
y
0
)
gradf(x_0,y_0)
gradf(x0,y0)方向相反时,函数
f
(
x
,
y
)
f(x,y)
f(x,y)减少最快。
(3)当
θ
=
π
/
2
\theta=\pi/2
θ=π/2,即
e
l
⃗
\vec{e_l}
el与梯度
g
r
a
d
f
(
x
0
,
y
0
)
gradf(x_0,y_0)
gradf(x0,y0)方向正交时,函数
f
(
x
,
y
)
f(x,y)
f(x,y)变化率为0。