title: 微积分三
tags: 微积分
top_img: ‘https://img1.imgtp.com/2022/09/11/OpNDn0WY.jpg’
cover: ‘https://img1.imgtp.com/2022/09/11/OpNDn0WY.jpg’
abbrlink: 470d838d
date: 2022-09-11 15:22:52
comments:
向量与向量值函数
点积(Dot Products)
已知两个二维或者三维的非零向量u和v,它们的点积是
u
⋅
v
=
∣
u
∣
×
∣
v
∣
c
o
s
θ
u·v=|u| \times |v|cos \theta
u⋅v=∣u∣×∣v∣cosθ
其中,
θ
\theta
θ是u与v之间的夹角,且
0
≤
θ
≤
π
0 \le \theta \le \pi
0≤θ≤π。
正交向量(Orthogonal Vectors)
当两个向量u和v称为是正交,有u·v=0。这两个正交的非零向量相互垂直。
点积(Dot Products)
已知两个向量
u
=
<
u
1
,
u
2
,
u
3
>
u=<u_1,u_2,u_3>
u=<u1,u2,u3>和
v
=
<
v
1
,
v
2
,
v
3
>
v=<v_1,v_2,v_3>
v=<v1,v2,v3>,
u
⋅
v
=
u
1
v
1
+
u
2
v
2
+
u
3
v
3
u·v=u_1v_1+u_2v_2+u_3v_3
u⋅v=u1v1+u2v2+u3v3
正交投影(Orthogonal Projection of u into v)
u在v上的(正交投影)
设
v
≠
0
v \ne 0
v=0,则u在v上的正交投影是
p
r
o
j
v
u
=
∣
u
∣
c
o
s
θ
(
v
∣
v
∣
)
proj_vu=|u|cos \theta(\frac{v}{|v|})
projvu=∣u∣cosθ(∣v∣v)
正交投影也可以用如下的公式计算
p
r
o
j
v
u
=
s
c
a
l
v
u
(
v
∣
v
∣
)
=
(
u
⋅
v
v
⋅
v
)
v
proj_vu=scal_vu(\frac{v}{|v|})=(\frac{u·v}{v·v})v
projvu=scalvu(∣v∣v)=(v⋅vu⋅v)v
其中u在v方向的纯分量是
s
c
a
l
v
u
=
∣
u
∣
c
o
s
θ
=
u
⋅
v
∣
v
∣
scal_vu=|u|cos \theta = \frac{u · v}{|v|}
scalvu=∣u∣cosθ=∣v∣u⋅v
ps:proj相较于scal的区别是其方向是否跟投影的向量一致。
证明
u
=
<
u
1
,
u
2
,
u
3
>
u=<u_1,u_2,u_3>
u=<u1,u2,u3>
(
u
1
+
u
2
+
u
3
)
2
≤
3
(
u
1
2
+
u
2
2
+
u
3
2
)
(u_1+u_2+u_3)^2 \le 3(u_1^2+u_2^2+u_3^2)
(u1+u2+u3)2≤3(u12+u22+u32)
过程如下
v = < u 2 , u 3 , u 1 > v=<u_2,u_3,u_1> v=<u2,u3,u1>有 u ⋅ v = u 1 u 2 + u 2 u 3 + u 3 u 1 u·v=u_1u_2+u_2u_3+u_3u_1 u⋅v=u1u2+u2u3+u3u1和 ∣ u ∣ ∣ v ∣ = u 1 2 + u 2 2 + u 3 2 |u||v|=u_1^2+u_2^2+u_3^2 ∣u∣∣v∣=u12+u22+u32,
因此有 u 1 u 2 + u 2 u 3 + u 3 u 1 ≤ ∣ u ∣ 2 u_1u_2+u_2u_3+u_3u_1 \le |u|^2 u1u2+u2u3+u3u1≤∣u∣2
有 ( u 1 + u 2 + u 3 ) 2 = u 1 2 + u 2 2 + u 3 2 + 2 ( u 1 u 2 + u 2 u 3 + u 3 u 1 ) ≤ u 1 2 + u 2 2 + u 3 2 + 2 ∣ u ∣ 2 = 3 ∣ u ∣ 2 (u_1+u_2+u_3)^2=u_1^2+u_2^2+u_3^2+2(u_1u_2+u_2u_3+u_3u_1) \le u_1^2+u_2^2+u_3^2+2|u|^2 = 3|u|^2 (u1+u2+u3)2=u12+u22+u32+2(u1u2+u2u3+u3u1)≤u12+u22+u32+2∣u∣2=3∣u∣2
叉积(Cross Product)
u和v叉乘
u
×
v
u \times v
u×v是一个大小为
∣
u
×
v
∣
=
∣
u
∣
∣
v
∣
s
i
n
θ
|u \times v| = |u||v|sin \theta
∣u×v∣=∣u∣∣v∣sinθ
的向量,其中其方向根据右手定则判断
计算叉积
u
=
u
1
i
+
u
2
j
+
u
3
k
u=u_1i+u_2j+u_3k
u=u1i+u2j+u3k,
v
=
v
1
i
+
v
2
j
+
v
3
k
v=v_1i+v_2j+v_3k
v=v1i+v2j+v3k,则
$$
u \times v =\begin{vmatrix}
i&j & k\
u_1&u_2 &u_3 \
v_1&v_2 &v_3
\end{vmatrix}=\begin{vmatrix}
u_2 &u_3 \
v_2&v_3
\end{vmatrix}i-
\begin{vmatrix}
u_1 &u_3 \
v_1& v_3
\end{vmatrix}j+
\begin{vmatrix}
u_1&u_2 \
v_1&v_2
\end{vmatrix}k
$$
注意:线性代数运算中,偶数项系数为负
空间直线与曲线
直线方程(Equation of a Line)
过点
p
0
(
x
0
,
y
0
,
z
0
)
p_0(x_0,y_0,z_0)
p0(x0,y0,z0)且以向量
v
=
<
a
,
b
,
c
>
v=<a,b,c>
v=<a,b,c>为方向的直线方程是
r
=
r
0
+
t
v
r = r_0+tv
r=r0+tv,或
<
x
,
y
,
z
>
=
<
x
0
,
y
0
,
z
0
>
+
t
<
a
,
b
,
c
>
,
−
∞
<
t
<
∞
<x,y,z>=<x_0,y_0,z_0>+t<a,b,c>,-\infty <t<\infty
<x,y,z>=<x0,y0,z0>+t<a,b,c>,−∞<t<∞
空间曲线
r ( t ) = < f ( t ) , g ( t ) , h ( t ) > = f ( t ) i + g ( t ) j + h ( t ) k r(t)=<f(t),g(t),h(t)>=f(t) i +g(t)j+h(t)k r(t)=<f(t),g(t),h(t)>=f(t)i+g(t)j+h(t)k
![y5XPG.png](https://i.imgtg.com/2022/09/11/y5XPG.png)
导数与切向量(Derivative and Tangent Vector)
设
r
(
t
)
=
f
(
t
)
i
+
g
(
t
)
j
+
h
(
t
)
k
r(t)=f(t)i+g(t)j+h(t)k
r(t)=f(t)i+g(t)j+h(t)k其中f,g,h是(a,b)上的可导函数,则r在(a,b)上有导数,且
r
′
(
t
)
=
f
′
(
t
)
i
+
g
′
(
t
)
j
+
h
′
(
t
)
k
r'(t)=f'(t)i+g'(t)j+h'(t)k
r′(t)=f′(t)i+g′(t)j+h′(t)k
当
r
′
(
t
)
≠
0
r'(t) \ne 0
r′(t)=0时,
r
′
(
t
)
r'(t)
r′(t)是在对应
r
(
t
)
r(t)
r(t)处的切向量(速度向量)。
单位切向量(Unit Tangent Vector)
设
r
=
f
(
t
)
i
+
g
(
t
)
j
+
h
(
t
)
k
r=f(t)i+g(t)j+h(t)k
r=f(t)i+g(t)j+h(t)k是一条光滑参数曲线,其单位切向量是
T
(
t
)
=
r
′
(
t
)
∣
r
′
(
t
)
∣
T(t)=\frac{r'(t)}{|r'(t)|}
T(t)=∣r′(t)∣r′(t)
曲线的长度
对于曲线方程,
r
(
t
)
=
<
f
(
t
)
,
g
(
t
)
,
h
(
t
)
>
r(t)=<f(t),g(t),h(t)>
r(t)=<f(t),g(t),h(t)>,在
a
≤
t
≤
b
a \le t \le b
a≤t≤b上的弧长是
L
=
∫
a
b
f
′
(
t
)
2
+
g
′
(
t
)
2
+
h
′
(
t
)
2
d
t
=
∫
a
b
∣
r
′
(
t
)
∣
d
t
L=\int_{a}^{b} \sqrt{f'(t)^2+g'(t)^2+h'(t)^2}dt=\int_{a }^{b}|r'(t)|dt
L=∫abf′(t)2+g′(t)2+h′(t)2dt=∫ab∣r′(t)∣dt
极坐标曲线的弧长
设f是区间
[
α
,
β
]
[\alpha ,\beta ]
[α,β]上的连续函数,极坐标曲线
r
=
f
(
θ
)
r=f(\theta)
r=f(θ)在
[
α
,
β
]
[\alpha ,\beta ]
[α,β]上的弧长为
L
=
∫
α
β
f
(
θ
)
2
+
f
′
(
θ
)
2
d
θ
L=\int_{\alpha}^{\beta} \sqrt{f(\theta)^2+f'(\theta)^2}d\theta
L=∫αβf(θ)2+f′(θ)2dθ
曲率与法向量(Curvate and Normal Vectors)
弧长作为参数的函数
设
r
(
t
)
r(t)
r(t)描述一条光滑曲线,
t
≥
a
t \ge a
t≥a弧长由
s
(
t
)
=
∫
a
t
∣
v
(
u
)
∣
d
u
s(t)=\int_{a}^{t}|v(u)|du
s(t)=∫at∣v(u)∣du
其中,
∣
v
∣
=
∣
r
′
(
t
)
∣
|v|=|r'(t)|
∣v∣=∣r′(t)∣,等价地,
d
s
d
t
=
∣
v
(
t
)
∣
>
0
\frac{ds}{dt}=|v(t)|>0
dtds=∣v(t)∣>0。如果
∣
v
(
t
)
∣
=
1
|v(t)|=1
∣v(t)∣=1对所有
t
≥
a
t \ge a
t≥a成立,则参数t是弧长。
曲率Curvature
设r描绘一条光滑参数曲线,记s为弧长,且 T = r ′ / ∣ r ′ ∣ T =r'/|r'| T=r′/∣r′∣是单位切向量,曲率为 κ ( s ) = ∣ d T d s ∣ \kappa (s)=|\frac{dT}{ds}| κ(s)=∣dsdT∣
曲率公式
设r是一条光滑参数曲线,其中t是任意参数,如果
v
=
r
′
v=r'
v=r′是速度,T是单位切向量,则曲率是
κ
(
t
)
=
1
∣
v
∣
∣
d
T
d
t
∣
=
T
′
(
t
)
r
′
(
t
)
\kappa (t)=\frac{1}{|v|}|\frac{dT}{dt}|=\frac{T'(t)}{r'(t)}
κ(t)=∣v∣1∣dtdT∣=r′(t)T′(t)
曲率替代公式
设r时光滑曲线上运动的物体的位置,曲线的曲率是
κ
=
a
×
v
∣
v
∣
3
\kappa =\frac{a \times v}{|v|^3}
κ=∣v∣3a×v
其中
v
=
r
′
v=r'
v=r′是速度,
a
=
v
′
a=v'
a=v′是加速度。
单位主法向量(Principal Unit Normal Vector)
设r描述光滑参数曲线,在曲线上
κ
≠
0
\kappa \ne 0
κ=0的点P处的单位主法向量是
N
=
d
T
/
d
s
∣
d
T
/
d
s
∣
=
1
κ
d
T
d
s
N=\frac{dT/ds}{|dT/ds|}=\frac{1}{\kappa }\frac{dT}{ds}
N=∣dT/ds∣dT/ds=κ1dsdT
实际中使用等价公式
N
=
d
T
/
d
t
∣
d
T
/
d
t
∣
N= \frac{dT/dt}{|dT/dt|}
N=∣dT/dt∣dT/dt
单位副法向量(Unit Binormal Vector)和挠率(Torsion)
单位副法向量
B
=
T
⋅
N
=
v
×
a
∣
v
×
a
∣
B=T·N=\frac{v \times a}{|v \times a|}
B=T⋅N=∣v×a∣v×a
挠率
τ
=
−
d
B
d
s
⋅
N
=
(
v
×
a
)
⋅
a
′
∣
v
×
a
∣
2
=
(
r
′
×
r
′
′
)
⋅
r
′
′
′
∣
r
′
×
r
′
′
∣
2
\tau =-\frac{dB}{ds}·N = \frac{(v \times a)·a'}{|v \times a|^2}=\frac{(r' \times r'')·r'''}{|r' \times r''|^2}
τ=−dsdB⋅N=∣v×a∣2(v×a)⋅a′=∣r′×r′′∣2(r′×r′′)⋅r′′′
名词总结
名称 | 英文 |
---|---|
位置函数 | Position function |
单位切向量 | Unit tangent vector |
单位主法向量 | Principal unit normal vector |
曲率 | Curvature |
单位副法向量 | Unit Binormal Vector |
挠率 | Torsion |
多元函数(functions of serveral variables)
平面和曲面(planes and surfaces)
空间平面的一般方程
过点
P
0
(
x
0
,
y
0
,
z
O
)
P_0(x_0,y_0,z_O)
P0(x0,y0,zO)且法向量为
n
n
n的平面方程
a
(
x
−
x
0
)
+
b
(
y
−
y
0
)
+
c
(
z
−
z
0
)
=
0
a(x-x_0)+b(y-y_0)+c(z-z_0)=0
a(x−x0)+b(y−y0)+c(z−z0)=0
或
a
x
+
b
y
+
c
z
=
d
,
其中
d
=
a
x
0
+
b
y
0
+
c
z
0
ax+by+cz=d,其中 d=ax_0+by_0+cz_0
ax+by+cz=d,其中d=ax0+by0+cz0
平行平面(Parallel)与正交平面(Orthogonal Planes)
解题时可根据,平行平面和正交平面来进行求解。
迹(trace)
一个空间图形与xy平面的相交为xy-迹,同理还有xz-迹,yz-迹。
法向量求法
想求一个平面的法向量,可以令平面中相交的两条线叉乘即得。
已知两个平面求其相交的直线
1.先求两个平面的法向量
此时我们只需要找到平面上的一个点和平面的法向量
2.令 x = 0 x=0 x=0,可得在yz平面上的两条线,及其焦点。
3.将两个法向量叉乘记得获得平面的向。
已知三个平面求其焦点
1.由上列方法已知两个平面求相交的直线
2.直接将已求出的交线带入第二个平面方程即可。
极限与连续性
内点(Interior)和边界点(Boundary Point)
边界点相较于内点,边界点包含边缘。
开集(Open)和闭集(Closed Sets)
如果区域由所有的内点组成,则它是开的,如果区域包含所有的边界点,则它是闭的。
机选不存在的双路径判别法
如果(x,y)沿f的定义域中两条不同的路径趋于(a,b)时,f趋于两个不同的值,则$\lim_{(x,y) \to (a,b)}f(x,y) $不存在。
连续性
如果函数f满足
1.f在(a,b)处有定义
2.$\lim_{(x,y) \to (a,b)}f(x,y) $存在
3. lim ( x , y ) → ( a , b ) f ( x , y ) = f ( a , b ) \lim_{(x,y) \to (a,b)}f(x,y) =f(a,b) lim(x,y)→(a,b)f(x,y)=f(a,b)
则称f在(a,b)处连续。
计算技巧(双路径判别法)
如果在计算时出现$\lim_{(x,y) \to (0,0)}f(x,y) $的情况
1.我们可以直接令 x = y 或 x = − y x=y或x=-y x=y或x=−y(分两种情况讨论),从而化两个未知数为一个未知数。
2.可以先令 x = 0 x=0 x=0求y化简的值,也可以先令 y = 0 y=0 y=0求x化简后的值。
3.可以令 x = n y x=ny x=ny,n可取任意常数。
4.可令 x = y 2 x=y^2 x=y2
主要用于双路径判别法,判断出两个结果不一致即可。
判断 R 2 R^2 R2在方程中的哪一点连续
1.方程中,分母等于零的情况
2.如果时分段函数,一般情况下计算断点的值,大部是断点处不连续。
判断是否为连续
可以将函数方程转化为极坐标方程, x = r c o s θ , y = r s i n θ x=rcos\theta, y=rsin\theta x=rcosθ,y=rsinθ转换,如果化简后的结果里面没有r即为极限不存在,如果结果里面有r,则说明此函数的极限存在。
偏导数(Partial Derivatives)
偏导(Partial Derivatives)
f在(a,b)处对x的偏导
f
x
(
a
,
b
)
=
lim
h
→
0
f
(
a
+
h
,
b
)
−
f
(
a
,
b
)
h
f_x(a,b)=\lim_{h \to 0}\frac{f(a+h,b)-f(a,b)}{h}
fx(a,b)=h→0limhf(a+h,b)−f(a,b)
eg:
f
y
x
函数
f
f_{yx}函数f
fyx函数f先对y求偏导,然后对x求偏导
混合偏导相等
如果 f f f在点D点连续,则在D点有 f x y = f y x f_{xy}=f_{yx} fxy=fyx。
链法则(The Chain Rule)
链法则
z是关于x和y的在其定义域上的可微函数,其中x和y是t在区间I上的可微函数,则
d
z
d
t
=
∂
z
∂
x
d
x
d
t
+
∂
z
∂
y
d
y
d
t
\frac{dz}{dt}=\frac{\partial z}{\partial x} \frac{dx}{dt}+\frac{\partial z}{\partial y}\frac{dy}{dt}
dtdz=∂x∂zdtdx+∂y∂zdtdy
隐函数求导(Implicit Differentiation)
设F在其定义域上可微,并假设
F
(
x
,
y
)
=
0
F(x,y)=0
F(x,y)=0,定义y是x的可微函数,只要
F
y
≠
0
F_y \ne 0
Fy=0,有
d
y
d
x
=
−
F
x
F
y
\frac{dy}{dx}=-\frac{F_x}{F_y}
dxdy=−FyFx
证明隐函数求导
有
F
(
x
,
y
,
z
(
x
,
y
)
)
=
0
F(x,y,z(x,y))=0
F(x,y,z(x,y))=0z是x和y的可微函数,证明
∂
z
∂
x
=
−
F
x
F
z
\frac{\partial z}{\partial x} =-\frac{F_x}{F_z}
∂x∂z=−FzFx和$\frac{\partial z}{\partial y}=-\frac{F_y}{F_z} $
F
(
x
,
y
,
z
(
x
,
y
)
)
=
F
x
⋅
1
+
F
y
⋅
0
+
F
z
∂
z
∂
x
=
0
F(x,y,z(x,y))=F_x·1+F_y·0+F_z\frac{\partial z}{\partial x} =0
F(x,y,z(x,y))=Fx⋅1+Fy⋅0+Fz∂x∂z=0
因此可得
∂
z
∂
x
=
−
F
x
F
z
\frac{\partial z}{\partial x} =-\frac{F_x}{F_z}
∂x∂z=−FzFx
方向导数和梯度(Directional Derivatives and the Gradient)
方向导数
设
f
f
f在
(
a
,
b
)
(a,b)
(a,b)处可微,
u
=
<
c
o
s
θ
,
s
i
n
θ
>
u=<cos \theta ,sin\theta>
u=<cosθ,sinθ>是xy-平面上的单位向量,则
f
f
f在点
(
a
,
b
)
(a,b)
(a,b)处沿方向
u
u
u的方向导数是
D
u
f
(
a
,
b
)
=
lim
x
→
0
f
(
a
+
h
c
o
s
θ
,
b
+
s
i
n
θ
)
−
f
(
a
,
b
)
h
D_uf(a,b)=\lim_{x \to 0} \frac{f(a+hcos\theta,b+sin\theta)-f(a,b)}{h}
Duf(a,b)=x→0limhf(a+hcosθ,b+sinθ)−f(a,b)
方向导数(Directional Derivative)
设
f
f
f在
(
a
,
b
)
(a,b)
(a,b)处可微,
u
=
<
u
1
,
u
2
>
u=<u_1,u_2>
u=<u1,u2>是xy-平面上的单位向量,f在点
(
a
,
b
)
(a,b)
(a,b)处沿方向u的方向导数是
D
u
f
(
a
,
b
)
=
<
f
x
(
a
,
b
)
,
f
y
(
a
,
b
)
>
⋅
<
u
1
,
u
2
>
D_uf(a,b)=<f_x(a,b),f_y(a,b)>·<u_1,u_2>
Duf(a,b)=<fx(a,b),fy(a,b)>⋅<u1,u2>
梯度(Gradient)
设
f
f
f在点
(
x
,
y
)
(x,y)
(x,y)处可微分,
f
f
f在
(
x
,
y
)
(x,y)
(x,y)处的梯度是向量值函数
▽
f
(
x
,
y
)
=
<
f
x
(
x
,
y
)
,
f
y
(
x
,
y
)
>
=
f
x
(
x
,
y
)
i
+
f
y
(
x
,
y
)
j
\bigtriangledown f(x,y)=<f_x(x,y),f_y(x,y)>=f_x(x,y)i+f_y(x,y)j
▽f(x,y)=<fx(x,y),fy(x,y)>=fx(x,y)i+fy(x,y)j
由梯度的定义可知,f在点(a,b)处沿着单位向量
u
u
u的方向导数可写为$D_uf(a,b)=\bigtriangledown f_(a,b)·u $
最速上升和最速下降(Directions of Change)
1. f f f在 ( a , b ) (a,b) (a,b)处沿梯度 ▽ f ( a , b ) \bigtriangledown f(a,b) ▽f(a,b)方向有最大增长率,沿这个方向的增长率是 ∣ ▽ f ( a , b ) ∣ |\bigtriangledown f(a,b)| ∣▽f(a,b)∣
2,其最大的下降速度是 − ∣ ▽ f ( a , b ) ∣ -|\bigtriangledown f(a,b)| −∣▽f(a,b)∣
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-g0FadgKn-1667029676526)(%E5%BE%AE%E7%A7%AF%E5%88%86%E4%B8%89.assets/image-20220920192710338.png)]
切平面与线性逼近(Tangent Planes and Linear Approximation)
F(x,y,z)=0的切平面方程
设F在点
P
0
(
a
,
b
,
c
)
P_0(a,b,c)
P0(a,b,c)处可微,且
▽
F
(
a
,
b
,
c
)
≠
0
\bigtriangledown F(a,b,c)\ne 0
▽F(a,b,c)=0,曲面
F
(
a
,
b
,
c
)
=
0
F(a,b,c)=0
F(a,b,c)=0在
P
0
P_0
P0处的切平面是过
P
0
P_0
P0且正交于
▽
F
(
a
,
b
,
c
)
\bigtriangledown F(a,b,c)
▽F(a,b,c)的平面,切平面的方程是
F
0
(
a
,
b
,
c
)
(
x
−
a
)
+
F
y
(
a
,
b
,
c
)
(
y
−
b
)
+
F
z
(
a
,
b
,
c
)
(
z
−
c
)
=
0
F_0(a,b,c)(x-a)+F_y(a,b,c)(y-b)+F_z(a,b,c)(z-c)=0
F0(a,b,c)(x−a)+Fy(a,b,c)(y−b)+Fz(a,b,c)(z−c)=0
z=f(x,y)的切平面
设
f
f
f在点
(
a
,
b
)
(a,b)
(a,b)处可微,曲面
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)在点
(
a
,
b
,
f
(
a
,
b
)
)
(a,b,f(a,b))
(a,b,f(a,b))处的切平面方程是
z
=
f
x
(
a
,
b
)
(
x
−
a
)
+
f
y
(
a
,
b
)
(
y
−
b
)
+
f
(
a
,
b
)
z=f_x(a,b)(x-a)+f_y(a,b)(y-b)+f(a,b)
z=fx(a,b)(x−a)+fy(a,b)(y−b)+f(a,b)
线性逼近(Linear Approximation)
平面
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)的线性逼近是在该点处的切平面,其方程为
L
(
x
,
y
)
=
f
x
(
a
,
b
)
(
x
−
a
)
+
f
y
(
a
,
b
)
(
y
−
b
)
+
f
(
a
,
b
)
L(x,y)=f_x(a,b)(x-a)+f_y(a,b)(y-b)+f(a,b)
L(x,y)=fx(a,b)(x−a)+fy(a,b)(y−b)+f(a,b)
微分dz
设
f
f
f在点
(
a
,
b
)
(a,b)
(a,b)处可微,当因变量从
(
a
,
b
)
(a,b)
(a,b)变化到
(
a
+
d
x
,
b
+
d
y
)
(a+dx,b+dy)
(a+dx,b+dy)时,
z
=
f
(
x
,
y
)
z=f(x,y)
z=f(x,y)的变化
△
z
≈
d
z
=
f
x
(
a
,
b
)
d
x
+
f
y
(
a
,
b
)
d
y
\bigtriangleup z \approx dz =f_x(a,b)dx+f_y(a,b)dy
△z≈dz=fx(a,b)dx+fy(a,b)dy
最大/最小值问题
导数与极大值极小值(Local Maximum / Minimum Values)
如果 f f f在 ( a , b ) (a,b) (a,b)处有极大值或者极小值,并且偏导数 f x f_x fx和 f y f_y fy在 ( a , b ) (a,b) (a,b)处存在。则 f x ( a , b ) = f y ( a , b ) = 0 f_x(a,b)=f_y(a,b)=0 fx(a,b)=fy(a,b)=0
临界点(Critical Point)
设 ( a , b ) (a,b) (a,b)是 f f f的定义域的一个内点,如果下列条件之一成立:
1. f x ( a , b ) = f y ( a , b ) = 0 f_x(a,b)=f_y(a,b)=0 fx(a,b)=fy(a,b)=0
2. f x f_x fx或 f y f_y fy在 ( a , b ) (a,b) (a,b)处不存在
则 ( a , b ) (a,b) (a,b)称为 f f f的一个临界点,临界点是极大值和极小值的候选点
鞍点(Saddle Point)
设 ( a , b ) (a,b) (a,b)是函数的一个临界点,如果存在一些点 ( x , y ) (x,y) (x,y)满足 f ( x , y ) > f ( a , b ) f(x,y) > f(a,b) f(x,y)>f(a,b)和另外一些点 ( x , y ) (x,y) (x,y)满足 f ( x , y ) < f ( a , b ) f(x,y)<f(a,b) f(x,y)<f(a,b),则称f在 ( a , b ) (a,b) (a,b)处有一个鞍点。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wAUllhaA-1667029676528)(%E5%BE%AE%E7%A7%AF%E5%88%86%E4%B8%89.assets/image-20220920205504651.png)]
二阶导数判别法
设 f f f的二阶偏导数是在以点 ( a , b ) (a,b) (a,b)为圆心的某个开圆盘上连续,其中 f x ( a , b ) = f y ( a , b ) = 0 f_x(a,b)=f_y(a,b)=0 fx(a,b)=fy(a,b)=0.令 D ( x , y ) = f x x f y y − f x y 2 D(x,y)=f_{xx}f_{yy}-f^2_{xy} D(x,y)=fxxfyy−fxy2
1.如果 D ( a , b ) > 0 且 f x x ( a , b ) < 0 D(a,b)>0且f_{xx}(a,b)<0 D(a,b)>0且fxx(a,b)<0,则 f f f在 ( a , b ) (a,b) (a,b)处有极大值
2.如果 D ( a , b ) > 0 且 f x x ( a , b ) > 0 D(a,b)>0且f_{xx}(a,b)>0 D(a,b)>0且fxx(a,b)>0,则 f f f在 ( a , b ) (a,b) (a,b)处有极小值
3.如果 D ( a , b ) < 0 D(a,b)<0 D(a,b)<0,则 f f f在 ( a , b ) (a,b) (a,b)处有鞍点
4.如果 D ( a , b ) = 0 D(a,b)=0 D(a,b)=0,则判断法无结果
求最大值/最小值(Absolute Maximum/Minimum Values)
设 f f f在 R 2 R^2 R2的有界闭集R上连续,欲求 f f f在R上的最大值和最小值:
1.确定 f f f在R中所有临界点处的值
2.求 f f f在R边界上的最大值和最小值
求边界点的值中,其中边界分很多情况
<1> ( x , y ) : x 2 + y 2 ≤ 4 (x,y):x^2+y^2 \le 4 (x,y):x2+y2≤4
令 x = 2 c o s θ , y = 2 s i n θ 且有 0 ≤ θ ≤ 2 π x=2cos\theta,y=2sin\theta且有0\le\theta\le2\pi x=2cosθ,y=2sinθ且有0≤θ≤2π将x,y的值带入其中,即可用 θ \theta θ求出最大值和最小值。
<2> R = ( x , y ) : − 2 ≤ x ≤ 2 , − 1 ≤ y ≤ 1 R=(x,y):-2\le x\le2,-1\le y\le1 R=(x,y):−2≤x≤2,−1≤y≤1
先考虑 x = ± 2 x=\pm2 x=±2.y为任意值的情况;之后考虑 y = ± 1 y=\pm1 y=±1,x为任意值的情况。
<3>在函数 y = x , y = 2 x , y = 2 y=x,y=2x,y=2 y=x,y=2x,y=2之间包围。
可以分别将每一个式子带入求导。从而求出每个式子的最大值。
3.在第一步和第二步求出函数值,最大者是 f f f在R上的最大值,最小者是 f f f在R上的最小值。
求与平面最近的点
如果有平面方程 x + y + z = 4 x+y+z=4 x+y+z=4和点 p ( 0 , 3 , 6 ) p(0,3,6) p(0,3,6),求平面相对于点的最近距离。
1.有 z = 4 − x − y z=4-x-y z=4−x−y,带入得平面上的坐标 Q ( x , y , 4 − x − y ) Q(x,y,4-x-y) Q(x,y,4−x−y)
2.问题转化为P点与Q点之间得距离
得 w = x 2 + ( y − 3 ) 2 + ( x + y + 2 ) 2 w=x^2+(y-3)^2+(x+y+2)^2 w=x2+(y−3)2+(x+y+2)2
3.求出其临界点,及 w x = w y = 0 w_x=w_y=0 wx=wy=0的时候。就是最近的点。
拉格朗日乘子法(Lagrange Multipliers)
平行梯度(Parallel Gradients)
目标函数 f f f,约束曲线 g g g。
设 f f f是 R 2 R^2 R2的一个区域上的可微函数,区域包含由 g ( x , y ) g(x,y) g(x,y)给出的光滑曲线C。假设 f f f在C上的点P ( a , b ) (a,b) (a,b)处有极值,则 ▽ f ( a , b ) \bigtriangledown f(a,b) ▽f(a,b)与C在P处的切线正交。假设 ▽ g ( a , b ) ≠ 0 \bigtriangledown g(a,b)\ne 0 ▽g(a,b)=0,于是存在一个实数 λ \lambda λ(拉格朗日乘子)使得 ▽ f ( a , b ) = λ ▽ g ( a , b ) \bigtriangledown f(a,b)=\lambda \bigtriangledown g(a,b) ▽f(a,b)=λ▽g(a,b)
二元拉格朗日乘子法
有目标函数 f f f和约束方程 g g g,为求 f f f在约束条件 g ( x , y ) = 0 g(x,y)=0 g(x,y)=0下的最大值和最小值
1.求x,y和
λ
\lambda
λ的值(如果存在),满足方程
▽
f
(
x
,
y
)
=
λ
▽
g
(
x
,
y
)
和
g
(
x
,
y
)
=
0
\bigtriangledown f(x,y)=\lambda\bigtriangledown g(x,y)和g(x,y)=0
▽f(x,y)=λ▽g(x,y)和g(x,y)=0
2.在第一步得到的值(x,y)中,选择对应的最大和最小函数值,它们就是
f
f
f在约束条件下的最大值或则最小值。
距平面的最短距离
1.先列出与点的距离方程,例如与点 ( − 2 , 5 , 1 ) (-2,5,1) (−2,5,1)
其方程可为 f ( x , y , z ) = ( x + 2 ) 2 + ( y − 5 ) 2 + ( z − 1 ) 2 f(x,y,z)=(x+2)^2+(y-5)^2+(z-1)^2 f(x,y,z)=(x+2)2+(y−5)2+(z−1)2,且有 g ( x , y , z ) = 2 x + 3 y + 6 z − 10 = 0 g(x,y,z)=2x+3y+6z-10=0 g(x,y,z)=2x+3y+6z−10=0
2.计算其梯度 ▽ f = < 2 x + 4 , 2 y − 10 , 2 z − 2 > \bigtriangledown f=<2x+4,2y-10,2z-2> ▽f=<2x+4,2y−10,2z−2>, ▽ g = < 2 , 3 , 6 > \bigtriangledown g=<2,3,6> ▽g=<2,3,6>
3.拉格朗日乘子法,计算 λ \lambda λ化简可得最短距离的坐标。
4.将坐标带入即可求出最短距离。
多重积分(Multiple Integration)
体积与二重积分
极限
lim
△
→
0
∑
n
k
=
1
f
(
x
ˉ
k
,
y
ˉ
k
)
△
A
k
\lim_{\bigtriangleup \to 0} \sum_{n}^{k=1}f(\bar{x}_k ,\bar{y}_k) \bigtriangleup A_k
△→0limn∑k=1f(xˉk,yˉk)△Ak
∬ R f ( x , y ) d A \iint_{R}^{} f(x,y)dA ∬Rf(x,y)dA
如果f在R上非负,则二重积分等于区域R上 z = f ( x , y ) z=f(x,y) z=f(x,y)和 x y − xy- xy−平面所包围的立体的体积。
矩形区域上的二重积分(Double Integrals on Rectangular Regions)
假设
f
f
f在矩形区域
R
=
(
x
,
y
)
:
a
≤
x
≤
b
,
c
≤
y
≤
d
R={(x,y):a\le x \le b,c \le y\le d}
R=(x,y):a≤x≤b,c≤y≤d上连续,
f
f
f在R上的二重积分还可以用下列公式计算。
∬
R
f
(
x
,
y
)
d
A
=
∫
c
d
∫
a
b
f
(
x
,
y
)
d
x
d
y
=
∫
a
b
∫
c
d
f
(
x
,
y
)
d
x
d
y
\iint\limits_{R}^{} f(x,y)dA=\int_{c}^{d}\int_{a}^{b}f(x,y)dxdy=\int_{a}^{b}\int_{c}^{d}f(x,y)dxdy
R∬f(x,y)dA=∫cd∫abf(x,y)dxdy=∫ab∫cdf(x,y)dxdy
平面区域上的平均值
f ˉ = 1 R 的面积 ∬ R f ( x , y ) d A \bar{f}=\frac{1}{R的面积}\iint\limits_{R}^{} f(x,y)dA fˉ=R的面积1R∬f(x,y)dA
一般区域上的二重积分
非矩形区域上的二重积分(Double Integrals over Nonrectangular Region)
设区域R在上下分别由连续函数
y
=
g
(
x
)
y=g(x)
y=g(x)和
y
=
h
(
x
)
y=h(x)
y=h(x)的图像所围,并且由直线
x
=
a
x=a
x=a和
x
=
b
x=b
x=b所围,若
f
f
f在R上连续,则
∬
R
f
(
x
,
y
)
d
A
=
∫
a
b
∫
g
(
x
)
h
(
x
)
f
(
x
,
y
)
d
x
d
y
\iint\limits_{R}^{} f(x,y)dA=\int_{a}^{b}\int_{g(x)}^{h(x)}f(x,y)dxdy
R∬f(x,y)dA=∫ab∫g(x)h(x)f(x,y)dxdy
用二重积分求区域的面积
设R是xy-平面内的区域,则
R
的面积
=
∬
R
d
A
R的面积=\iint_{R}dA
R的面积=∬RdA
极坐标下的二重积分
设
f
f
f在xy-平面内的区域
R
=
(
r
,
θ
)
:
0
≤
a
≤
r
≤
b
,
α
≤
θ
≤
β
R={(r,\theta):0\le a\le r \le b,\alpha \le \theta \le \beta}
R=(r,θ):0≤a≤r≤b,α≤θ≤β上连续,其中
β
−
α
≤
2
π
\beta - \alpha \le 2\pi
β−α≤2π,则
∬
R
f
(
r
,
θ
)
d
A
=
∫
α
θ
∫
a
b
f
(
r
,
θ
)
r
d
r
d
θ
\iint\limits_{R}^{} f(r,\theta)dA=\int_{\alpha}^{\theta}\int_{a}^{b}f(r,\theta)rdrd\theta
R∬f(r,θ)dA=∫αθ∫abf(r,θ)rdrdθ
极坐标区域的面积
A = ∬ R d A = ∫ α β ∫ g ( θ ) h ( θ ) r d r d θ A=\iint\limits_{R}^{} dA=\int_{\alpha}^{\beta}\int_{g(\theta)}^{h(\theta)}rdrd\theta A=R∬dA=∫αβ∫g(θ)h(θ)rdrdθ
三重积分
三重积分(Triple Integrals)
设
D
=
(
x
,
y
,
z
)
:
a
≤
x
≤
b
,
g
(
x
)
≤
y
≤
h
(
x
)
,
G
(
x
,
y
)
≤
z
≤
H
(
x
,
y
)
D={(x,y,z):a \le x \le b,g(x) \le y \le h(x) ,G(x,y) \le z \le H(x,y)}
D=(x,y,z):a≤x≤b,g(x)≤y≤h(x),G(x,y)≤z≤H(x,y)其中g,h,G,H是连续函数,在D上的连续函数
f
f
f的三重积分可以用如下累次积分计算:
∭
D
f
(
x
,
y
,
z
)
d
V
=
∫
a
b
∫
g
(
x
)
h
(
x
)
∫
G
(
x
,
y
)
H
(
x
,
y
)
f
(
x
,
y
,
z
)
d
z
d
y
d
x
\iiint\limits_{D}^{} f(x,y,z)dV=\int_{a}^{b}\int_{g(x)}^{h(x)}\int_{G(x,y)}^{H(x,y)}f(x,y,z)dzdydx
D∭f(x,y,z)dV=∫ab∫g(x)h(x)∫G(x,y)H(x,y)f(x,y,z)dzdydx