二元函数偏导数公式_多元函数的偏导数、方向导数、梯度以及微分之间的关系思考...

本篇文章,探讨下多元函数微分学下的一些知识点之间的关系。包括全微分、偏导数、方向导数、梯度、全导数等内容。

初学这些知识的时候,学生会明显觉得这些概念不难掌握,而且定义及计算公式也很容易记住,但总觉得差那么点东西,说又不知道从何说起。反正笔者是这种感觉。其实最根本的原因是没有理清这些知识间的关系,对这些知识并没有本质的理解。不妨现在就跟笔者一起再重新认识下它们,看看是否解开了你内心得些许疑惑。

一、导数和微分到底是什么,以及为什么会有这些概念

关于导数和微分到底是个什么玩意,笔者在探讨一元函数微分的时候有清晰的描述,现在再复述一遍,如下:

导数和微分其实就是数学家创造的两个代数工具,是为了从代数的角度来描述函数图像在几何上的变化。说白了,就是每次描述函数图像变化,不用再画图了,有了这个,直接用算式算算就行了。因此导数和微分也是沟通几何和代数的重要桥梁之一。而导数描述的是函数在一点处的变化快慢的趋势,是一个变化的速率,微分描述的是函数从一点(移动一个无穷小量)到另一点的变化幅度,是一个变化的量。

我们知道在一元函数中,函数从一点到另一点的变化只有一个方向,就是沿着函数曲线移动就行了。而且函数在某一点处的切线也只有一条,因此函数的变化快慢只由这个切线(的斜率)决定。然而多元函数就不同了,多元函数往往是一个面,这也是为什么多元函数的微分学会多出那么多东西,催生那么多概念。但是不要怕,其实多出的东西只是一元函数微分的拓展,本质都是一样的,不信请跟着笔者往下看,不难的,万变不离其宗。

我们来看图1。现在跟着笔者,咱们一起像数学家一样来思考(其实学会从数学家的角度

  • 8
    点赞
  • 21
    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: $D = \begin{vmatrix} \frac{\partial^2 f}{\partial x^2} & \frac{\partial^2 f}{\partial x\partial y} \\ \frac{\partial^2 f}{\partial y\partial x} & \frac{\partial^2 f}{\partial y^2} \end{vmatrix} = \begin{vmatrix} 2 & 0 \\ 0 & 2 \end{vmatrix} = 4$ 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。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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