工程数学速记手册（上）

工程数学速记手册（上）

第一部分：微积分

一元微积分

极限与连续性

定义与基本性质

极限是分析函数在某一点附近行为的基本工具。设函数 $f(x)$ 在点 $x=a$ 的某个去心邻域内有定义，如果存在实数 $L$，使得对于任意的 $ϵ>0$，存在 $\delta >0$，当 $0<|x-a|<\delta$ 时，有
$$|f(x)-L|<ϵ$$
则称
$$\underset{x\to a}{\lim }f(x)=L$$
即函数 $f(x)$ 在点 $x=a$ 处的极限为 $L$。

连续性是描述函数在某一点没有间断的性质。函数 $f(x)$ 在点 $x=a$ 处连续的充分必要条件是：

1. 函数在点 $a$ 处有定义，即 $f(a)$ 存在
2. 极限存在，即 ${\lim }_{x\to a}f(x)$ 存在
3. 极限值等于函数值，即
   $$\underset{x\to a}{\lim }f(x)=f(a)$$

极限计算方法

极限的计算可以通过多种方法实现，常用的方法包括：

1. 直接代入法：适用于函数在点 $a$ 处连续的情况，即
   $$\underset{x\to a}{\lim }f(x)=f(a)$$
   例如：
   $$\underset{x\to 2}{\lim }(3x+1)=3\times 2+1=7$$

2. 因式分解法：用于处理 $\frac{0}{0}$ 型未定式，通过因式分解消去公共因子后再求极限。
   例如：
   $$\underset{x\to 1}{\lim }\frac{x^2-1}{x-1}=\underset{x\to 1}{\lim }\frac{(x-1)(x+1)}{x-1}=\underset{x\to 1}{\lim }(x+1)=2$$

3. 有理化法：适用于含有根号的极限，通过有理化分子或分母来消除根号。
   例如：
   $$\underset{x\to 0}{\lim }\frac{\sqrt{x+1}-1}{x}=\underset{x\to 0}{\lim }\frac{(\sqrt{x+1}-1)(\sqrt{x+1}+1)}{x(\sqrt{x+1}+1)}=\underset{x\to 0}{\lim }\frac{x}{x(\sqrt{x+1}+1)}=\frac{1}{2}$$

4. 洛必达法则：当极限形式为 $\frac{0}{0}$ 或 $\frac{\infty }{\infty }$ 时，可以对分子和分母分别求导后再求极限。
   例如：
   $$\underset{x\to 0}{\lim }\frac{\sin x}{x}=\underset{x\to 0}{\lim }\frac{\cos x}{1}=1$$

5. 夹逼定理：当函数 $f(x)$ 被两个函数 $g(x)$ 和 $h(x)$ 夹逼，且 ${\lim }_{x\to a}g(x)={\lim }_{x\to a}h(x)=L$，则 ${\lim }_{x\to a}f(x)=L$

导数与微分

导数定义及几何意义

导数是描述函数变化率的工具。函数 $f(x)$ 在点 $x=a$ 处的导数定义为：
$$f^{\prime }(a)=\underset{h\to 0}{\lim }\frac{f(a+h)-f(a)}{h}$$
几何上，导数 $f^{\prime }(a)$ 表示函数 $f(x)$ 在点 $x=a$ 处切线的斜率。

导数的计算规则与应用

导数的计算可通过以下规则进行：

1. 幂函数法则：
   $$\frac{d}{dx}{x}^n=n{x}^{n-1}$$
2. 和差法则：
   $$\frac{d}{dx}[f(x)\pm g(x)]=f^{\prime }(x)\pm g^{\prime }(x)$$
3. 乘积法则：
   $$\frac{d}{dx}[f(x)g(x)]=f^{\prime }(x)g(x)+f(x)g^{\prime }(x)$$
4. 商法则：
   $$\frac{d}{dx}\left[\frac{f(x)}{g(x)}\right]=\frac{f^{\prime }(x)g(x)-f(x)g^{\prime }(x)}{[g(x){]}^2}$$
5. 链式法则：
   $$\frac{d}{dx}f(g(x))=f^{\prime }(g(x))\cdot g^{\prime }(x)$$

应用实例：
求函数 $f(x)=x^3\sin x$ 的导数：
$$f^{\prime }(x)=\frac{d}{dx}(x^3)\cdot \sin x+x^3\cdot \frac{d}{dx}(\sin x)=3x^2\sin x+x^3\cos x$$

积分

不定积分与定积分

积分是导数的逆运算，分为不定积分和定积分。

1. 不定积分：表示所有原函数的集合，形式为：
   $$\int f(x)dx=F(x)+C$$
   其中，$F^{\prime }(x)=f(x)$，$C$ 为任意常数。

2. 定积分：表示函数在区间 $[a,b]$ 上的累积量，常用于计算面积、体积等。定义为：
   $${\int }_a^{b}f(x)dx=F(b)-F(a)$$
   其中，$F(x)$ 是 $f(x)$ 的一个原函数。

积分技巧与应用

积分的计算可以通过多种技巧实现，常用的方法包括：

1. 直接积分法：利用基本积分公式进行积分。
   例如：
   $$\int x^{2}dx=\frac{x^3}{3}+C$$

2. 分部积分法：适用于两个函数的乘积积分，公式为：
   $$\int udv=uv-\int vdu$$
   例如：
   $$\int x{e}^{x}dx=x{e}^x-\int e^{x}dx=x{e}^x-e^x+C$$

3. 三角代换法：用于含有根号的积分，通过引入三角函数进行代换。
   例如：
   $$\int \frac{dx}{\sqrt{a^2-x^2}}=\arcsin \left(\frac{x}{a}\right)+C$$

4. 有理化法：类似于极限中的有理化，通过消除根号简化积分。
   例如：
   $$\int \frac{\sqrt{x}}{x+1}dx=2\sqrt{x}-2\ln (\sqrt{x}+1)+C$$

应用实例：
计算函数 $f(x)=x^2$ 在区间 $[0,3]$ 上的定积分：
$${\int }_0^3{x}^{2}dx={\left[\frac{x^3}{3}\right]}_0^3=\frac{27}{3}-0=9$$

多元微积分

偏导数与梯度

偏导数的定义与计算

对于多元函数 $f(x,y,\dots )$，偏导数是对其中一个变量求导时，其他变量视为常数。以二维函数为例：
$$\frac{\partial f}{\partial x}=\underset{h\to 0}{\lim }\frac{f(x+h,y)-f(x,y)}{h}$$
$$\frac{\partial f}{\partial y}=\underset{h\to 0}{\lim }\frac{f(x,y+h)-f(x,y)}{h}$$

梯度向量及其应用

梯度向量是由函数的所有偏导数组成的向量，表示函数在各个方向上的变化率：
$$\nabla f=\left(\frac{\partial f}{\partial x},\frac{\partial f}{\partial y},\dots \right)$$
梯度向量的方向表示函数增长最快的方向，其长度表示变化率的大小。

应用实例：
对于函数 $f(x,y)=x^2+y^2$，梯度向量为：
$$\nabla f=(2x,2y)$$
在点 $(1,1)$ 处，梯度向量为 $(2,2)$，指向函数值增长最快的方向。

多重积分

二重积分与三重积分

多重积分扩展了一元积分的概念，用于计算多变量函数在区域上的累积量。二重积分用于二维区域，三重积分用于三维区域。

例如，计算函数 $f(x,y)=xy$ 在矩形区域 $[0,1]\times [0,2]$ 上的二重积分：
$${\int }_0^1{\int }_0^{2}xydydx={\int }_0^1{\left[\frac{x{y}^2}{2}\right]}_0^{2}dx={\int }_0^1\frac{4x}{2}dx={\int }_0^{1}2xdx={\left[x^2\right]}_0^1=1$$

变换积分方法

变换积分通过坐标变换简化积分区域或被积函数，包括极坐标、球坐标等。

极坐标变换：
$$x=r\cos \theta ,y=r\sin \theta$$
对应的面积元素为 $dA=rdrd\theta$。

应用实例：
计算单位圆内的面积：
$${\int }_0^{2\pi }{\int }_0^{1}rdrd\theta ={\int }_0^{2\pi }{\left[\frac{r^2}{2}\right]}_0^{1}d\theta ={\int }_0^{2\pi }\frac{1}{2}d\theta =\pi$$

向量微积分

散度与旋度

对于向量场 $\mathbf{F}=(P,Q,R)$，散度和旋度是描述向量场性质的重要概念。

散度定义为：
$$\nabla \cdot \mathbf{F}=\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+\frac{\partial R}{\partial z}$$
散度反映了向量场源或汇的强度。

旋度定义为：
$$\nabla \times \mathbf{F}=\left(\frac{\partial R}{\partial y}-\frac{\partial Q}{\partial z},\frac{\partial P}{\partial z}-\frac{\partial R}{\partial x},\frac{\partial Q}{\partial x}-\frac{\partial P}{\partial y}\right)$$
旋度描述了向量场的旋转性质。

格林公式、高斯定理与斯托克斯公式

这些定理将微积分与几何联系起来，用于计算曲线或曲面的积分。

1. 格林公式（二维）：
   $${\oint }_C(Pdx+Qdy)={\iint }_D\left(\frac{\partial Q}{\partial x}-\frac{\partial P}{\partial y}\right)dxdy$$
   将曲线积分转化为区域积分。

2. 高斯定理（散度定理）（三维）：
   $${\iint }_S\mathbf{F}\cdot \mathbf{n}dS={\iiint }_V\nabla \cdot \mathbf{F}dV$$
   将曲面积分转化为体积分。

3. 斯托克斯公式（旋度定理）：
   $${\oint }_C\mathbf{F}\cdot d\mathbf{r}={\iint }_S(\nabla \times \mathbf{F})\cdot \mathbf{n}dS$$
   将曲线积分转化为曲面积分。

应用实例：
利用格林公式计算平面区域 $D$ 上的面积：
设 $P=-\frac{y}{2}$，$Q=\frac{x}{2}$，则
$${\iint }_D\left(\frac{\partial Q}{\partial x}-\frac{\partial P}{\partial y}\right)dxdy={\iint }_D\left(\frac{1}{2}+\frac{1}{2}\right)dxdy={\iint }_{D}1dxdy=\text{Area}(D)$$
根据格林公式，有
$${\oint }_C\left(-\frac{y}{2}dx+\frac{x}{2}dy\right)=\text{Area}(D)$$

第二部分：线性代数

向量与矩阵

向量空间

向量的线性组合与基

向量的线性组合是向量空间中最基本的运算之一。设有向量集合 { v 1 , v 2 , … , v n } \{ \mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_n \} {v1​,v2​,…,vn​}，任意向量 $\mathbf{v}$ 可表示为
$$\mathbf{v}=c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2+\cdots +c_n{\mathbf{v}}_n$$
其中，$c_1,c_2,\dots ,c_n$ 为标量。线性组合的概念是理解向量空间结构的基础。

基是向量空间的核心概念，具有以下两个基本性质：

1. 线性无关性：任何一个基向量都不能表示为其他基向量的线性组合。
2. 生成性：任意向量都可以表示为基向量的线性组合。

基的选择不是唯一的，但不同基之间可以通过可逆线性变换相互转换。基的维数决定了向量空间的维数。

子空间与维数

子空间是向量空间的一个重要概念，它满足以下三个条件：

1. 包含零向量。
2. 对于任意向量 $\mathbf{u},\mathbf{v}$ 属于子空间，$\mathbf{u}+\mathbf{v}$ 也属于子空间。
3. 对于任意向量 $\mathbf{u}$ 属于子空间和标量 $c$，标量乘积 $c\mathbf{u}$ 也属于子空间。

维数是向量空间的重要特征，它等于基向量的数量。例如：

• ${\mathbb{R}}^n$ 的维数为 $n$
• 多项式空间 $P_n$ 的维数为 $n+1$
• 矩阵空间 $M_{m\times n}$ 的维数为 $m\times n$

矩阵运算

基本矩阵运算

矩阵运算是线性代数的基础，主要包括以下运算：

• 矩阵加法：两个同型矩阵对应元素相加，即
  $$(A+B{)}_{ij}=A_{ij}+B_{ij}$$
• 标量乘法：矩阵的每个元素乘以一个标量 $c$，即
  $$(cA{)}_{ij}=c\cdot A_{ij}$$
• 矩阵乘法：若 $A$ 是 $m\times n$ 矩阵，$B$ 是 $n\times p$ 矩阵，则乘积 $AB$ 是一个 $m\times p$ 矩阵，其元素为
  $$(AB{)}_{ij}=\sum _{k=1}^n{A}_{ik}{B}_{kj}$$
  矩阵乘法具有结合律但不满足交换律。

矩阵的秩与逆

• 矩阵的秩：矩阵 $A$ 的秩是其列向量（或行向量）的线性无关的最大数目，记为 $\text{rank}(A)$。秩反映了矩阵的线性相关性和满秩性。重要性质包括：

  • $\text{rank}(A)\le \min (m,n)$
  • $\text{rank}(AB)\le \min (\text{rank}(A),\text{rank}(B))$

• 矩阵的逆：只有方阵且满秩的矩阵才有逆矩阵。若 $A$ 是 $n\times n$ 矩阵，存在矩阵 $A^{-1}$ 使得
  $$A{A}^{-1}=A^{-1}A=I_n$$
  其中，$I_n$ 是 $n$ 阶单位矩阵。逆矩阵的存在性与矩阵的行列式相关，即 $\text{det}(A)\ne 0$。

特征值与特征向量

特征值问题

特征值与特征向量的定义

对于一个 $n\times n$ 矩阵 $A$，如果存在非零向量 $\mathbf{v}$ 和标量 $\lambda$，使得
$$A\mathbf{v}=\lambda \mathbf{v}$$
则称 $\lambda$ 为 $A$ 的特征值，$\mathbf{v}$ 为对应的特征向量。特征值和特征向量反映了矩阵的本质特征。

计算方法与性质

• 计算方法：求解特征值需要解特征方程
  $$\text{det}(A-\lambda I)=0$$
  方程的解 $\lambda$ 即为矩阵 $A$ 的特征值。求得特征值后，将其代入 $(A-\lambda I)\mathbf{v}=0$ 求解对应的特征向量。

• 重要性质：

  1. 一个 $n\times n$ 矩阵最多有 $n$ 个特征值（包括重根）。
  2. 实对称矩阵的特征值均为实数，且具有正交的特征向量。
  3. 特征值的和等于矩阵的迹，即
     $$\sum _{i=1}^n{\lambda }_i=\text{trace}(A)$$
  4. 特征值的积等于矩阵的行列式，即
     $$\prod _{i=1}^n{\lambda }_i=\text{det}(A)$$

对角化与规范形

矩阵对角化条件

一个矩阵 $A$ 可以对角化，当且仅当其拥有 $n$ 个线性无关的特征向量。即存在一个可逆矩阵 $P$ 和对角矩阵 $D$，使得
$$A=PD{P}^{-1}$$
其中，对角矩阵 $D$ 的对角元素为 $A$ 的特征值。对角化可以简化矩阵的运算和分析。

相似变换与规范形

• 相似变换：矩阵 $A$ 和 $B$ 称为相似的，如果存在可逆矩阵 $P$ 满足
  $$B=P^{-1}AP$$
  相似矩阵具有相同的特征值、行列式和迹。

• 规范形：将矩阵通过一系列相似变换转化为简化形式，如对角矩阵或约旦标准形，以便于分析和计算。对于可对角化的矩阵，其规范形即为对角矩阵；对于不可对角化的矩阵，则需要使用约旦标准形。

实例应用：
考虑矩阵
$$A=\left(\begin{array}{cc}4& 1\\ 2& 3\end{array}\right)$$
求其特征值和特征向量。

1. 求特征值：
   $$\text{det}(A-\lambda I)=\left|\begin{array}{cc}4-\lambda & 1\\ 2& 3-\lambda \end{array}\right|=(4-\lambda )(3-\lambda )-2={\lambda }^2-7\lambda +10=0$$
   解得 $\lambda =5,2$。

2. 求特征向量：
   对于 $\lambda =5$：
   $$(A-5I)\mathbf{v}=0\Rightarrow \left(\begin{array}{cc}-1& 1\\ 2& -2\end{array}\right)\mathbf{v}=0\Rightarrow \mathbf{v}=\left(\begin{array}{c}1\\ 1\end{array}\right)$$
   对于 $\lambda =2$：
   $$(A-2I)\mathbf{v}=0\Rightarrow \left(\begin{array}{cc}2& 1\\ 2& 1\end{array}\right)\mathbf{v}=0\Rightarrow \mathbf{v}=\left(\begin{array}{c}-0.5\\ 1\end{array}\right)$$
   因此，矩阵 $A$ 可对角化为
   $$P=\left(\begin{array}{cc}1& -0.5\\ 1& 1\end{array}\right),D=\left(\begin{array}{cc}5& 0\\ 0& 2\end{array}\right)$$
   满足 $A=PD{P}^{-1}$。

第三部分：常微分方程

一阶微分方程

可分离方程

定义与性质

可分离方程是一类特殊的一阶微分方程，其特点是可以将自变量和因变量分别置于方程的两侧。一般形式为：
$$\frac{dy}{dx}=g(x)h(y)$$
其中，$g(x)$ 和 $h(y)$ 分别是关于 $x$ 和 $y$ 的连续函数。这类方程在物理、化学、生物等领域有广泛应用，如人口增长模型、放射性衰变等。

求解方法

1. 分离变量：将方程改写为
   $$\frac{1}{h(y)}dy=g(x)dx$$
2. 两边积分：
   $$\int \frac{1}{h(y)}dy=\int g(x)dx+C$$
   其中，$C$ 为积分常数。
3. 解出 $y$ 关于 $x$ 的显式表达式（如果可能）。

应用实例

求解微分方程：
$$\frac{dy}{dx}=xy$$
解：

1. 分离变量：
   $$\frac{1}{y}dy=xdx$$
2. 两边积分：
   $$\ln |y|=\frac{x^2}{2}+C$$
3. 解得通解：
   $$y=C{e}^{\frac{x^2}{2}}$$
   其中，$C$ 为任意常数。

线性一阶方程

定义与标准形式

线性一阶微分方程的标准形式为：
$$\frac{dy}{dx}+P(x)y=Q(x)$$
其中，$P(x)$ 和 $Q(x)$ 是已知的连续函数。这类方程在电路分析、热传导等领域有重要应用。

积分因子法

1. 计算积分因子：
   $$\mu (x)=e^{\int P(x)dx}$$
2. 将方程乘以积分因子：
   $$\mu (x)\frac{dy}{dx}+\mu (x)P(x)y=\mu (x)Q(x)$$
3. 左边可写成导数形式：
   $$\frac{d}{dx}\left[\mu (x)y\right]=\mu (x)Q(x)$$
4. 两边积分得通解：
   $$y=\frac{1}{\mu (x)}\left(\int \mu (x)Q(x)dx+C\right)$$

应用实例

求解微分方程：
$$\frac{dy}{dx}+2y=e^{-x}$$
解：

1. 计算积分因子：
   $$\mu (x)=e^{\int 2dx}=e^{2x}$$
2. 将方程乘以积分因子：
   $$e^{2x}\frac{dy}{dx}+2e^{2x}y=e^x$$
3. 左边为导数形式：
   $$\frac{d}{dx}\left[e^{2x}y\right]=e^x$$
4. 两边积分得：
   $$e^{2x}y=e^x+C$$
5. 解得通解：
   $$y=e^{-x}+C{e}^{-2x}$$
   其中，$C$ 为任意常数。

高阶微分方程

线性常系数方程

定义与标准形式

线性常系数微分方程的一般形式为：
$$a_n\frac{d^{n}y}{d{x}^n}+a_{n-1}\frac{d^{n-1}y}{d{x}^{n-1}}+\cdots +a_1\frac{dy}{dx}+a_{0}y=0$$
其中，$a_i$ 为常数。这类方程在机械振动、电路分析等领域有重要应用。

特征方程法

1. 假设解的形式为 $y=e^{\lambda x}$，代入方程得到特征方程：
   $$a_n{\lambda }^n+a_{n-1}{\lambda }^{n-1}+\cdots +a_1\lambda +a_0=0$$
2. 根据特征根的不同情况构造通解：
   • 单实根 $\lambda$：$C{e}^{\lambda x}$
   • 重实根 $\lambda$（重数 $k$）：$(C_1+C_{2}x+\cdots +C_k{x}^{k-1})e^{\lambda x}$
   • 共轭复根 $\alpha \pm \beta i$：$e^{\alpha x}(C_1\cos \beta x+C_2\sin \beta x)$

非齐次方程

常数变易法

1. 求解对应的齐次方程，得到通解 $y_h$
2. 假设特解 $y_p$ 的形式，其中包含待定函数
3. 将 $y_p$ 代入原方程，确定待定函数
4. 通解为：
   $$y=y_h+y_p$$

特解选择原则

1. 若 $Q(x)$ 为多项式，假设特解为同次多项式
2. 若 $Q(x)$ 为指数函数，假设特解为同底指数函数
3. 若 $Q(x)$ 为三角函数，假设特解为同频率的三角函数
4. 若假设形式与齐次解重复，需乘以 $x$ 的适当幂次

应用实例

求解微分方程：
$$y^{\prime \prime }-3y^{\prime }+2y=e^x$$
解：

1. 齐次方程的特征方程：
   $${\lambda }^2-3\lambda +2=0\Rightarrow \lambda =1,2$$
2. 齐次通解：
   $$y_h=C_1{e}^x+C_2{e}^{2x}$$
3. 假设特解（因 $e^x$ 与齐次解重复，乘以 $x$）：
   $$y_p=Ax{e}^x$$
4. 代入原方程求得 $A=-1$
5. 最终通解：
   $$y=C_1{e}^x+C_2{e}^{2x}-x{e}^x$$
   其中，$C_1,C_2$ 为任意常数。

第四部分：数值方法

数值方法是通过近似计算来解决数学问题的技术，在工程和科学计算中具有广泛应用。本章将系统介绍数值逼近、数值积分与微分、以及方程数值解的基本方法。

数值逼近

数值逼近是通过已知的离散数据点来估计未知函数值的方法，主要包括插值和拟合两种基本方法。

插值与拟合

拉格朗日插值

拉格朗日插值法是一种通过已知数据点构建多项式的方法，用于在这些点之间进行插值估计。给定 $n+1$ 个数据点 $(x_0,y_0),(x_1,y_1),\dots ,(x_n,y_n)$，拉格朗日插值多项式 $P_n(x)$ 的形式为：

$$P_n(x)=\sum _{i=0}^n{y}_i{L}_i(x)$$

其中，$L_i(x)$ 是第 $i$ 个拉格朗日基函数，定义为：

$$L_i(x)=\prod _{\begin{array}{c}0\le j\le n\\ j\ne i\end{array}}\frac{x-x_j}{x_i-x_j}$$

性质与优点：

• 唯一性：通过 $n+1$ 个点的插值多项式是唯一的
• 简便性：不需要解线性方程组即可直接构造插值多项式
• 局限性：当插值点较多时，可能出现Runge现象，导致插值多项式在区间端点附近剧烈振荡

应用实例：

假设有三个数据点 $(1,2)$, $(2,3)$, $(4,1)$，求拉格朗日插值多项式。

1. 计算基函数：

$$L_0(x)=\frac{(x-2)(x-4)}{(1-2)(1-4)}=\frac{(x-2)(x-4)}{3}$$

$$L_1(x)=\frac{(x-1)(x-4)}{(2-1)(2-4)}=\frac{(x-1)(x-4)}{-2}$$

$$L_2(x)=\frac{(x-1)(x-2)}{(4-1)(4-2)}=\frac{(x-1)(x-2)}{6}$$

2. 构建插值多项式：

$$P_2(x)=2L_0(x)+3L_1(x)+1L_2(x)$$

$$P_2(x)=2\cdot \frac{(x-2)(x-4)}{3}+3\cdot \frac{(x-1)(x-4)}{-2}+1\cdot \frac{(x-1)(x-2)}{6}$$

3. 化简得：

$$P_2(x)=\frac{2(x^2-6x+8)}{3}-\frac{3(x^2-5x+4)}{2}+\frac{x^2-3x+2}{6}$$

经过计算，最终得到插值多项式 $P_2(x)=-\frac{1}{2}{x}^2+\frac{7}{2}x-2$。

最小二乘拟合

最小二乘拟合法用于在存在误差的数据点中寻找最佳拟合曲线，使得拟合曲线与数据点之间的误差平方和最小。对于线性最小二乘拟合，假设拟合曲线为：

$$y=ax+b$$

给定数据点 $(x_i,y_i)$，误差平方和 $S$ 为：

$$S=\sum _{i=1}^m(y_i-(a{x}_i+b){)}^2$$

为了最小化 $S$，对 $a$ 和 $b$ 求偏导并令其为零，得到正规方程：

$$\{\begin{array}{l}{\sum }_{i=1}^m{y}_i=a{\sum }_{i=1}^m{x}_i+bm\\ {\sum }_{i=1}^m{x}_i{y}_i=a{\sum }_{i=1}^m{x}_i^2+b{\sum }_{i=1}^m{x}_i\end{array}$$

通过解这组方程，可以得到最佳拟合直线的参数 $a$ 和 $b$。

应用实例：

假设有数据点 $(1,2)$, $(2,3)$, $(3,5)$，使用最小二乘法拟合直线。

1. 计算各项和：

$$\sum y_i=2+3+5=10$$

$$\sum x_i=1+2+3=6$$

$$\sum x_i{y}_i=1\cdot 2+2\cdot 3+3\cdot 5=2+6+15=23$$

$$\sum x_i^2=1^2+2^2+3^2=1+4+9=14$$

2. 代入正规方程：

$$\{\begin{array}{l}10=6a+3b\\ 23=14a+6b\end{array}$$

3. 解得：

$$a=\frac{3}{2}=1.5,b=\frac{1}{3}\approx 0.3333$$

因此，最佳拟合直线为：

$$y=1.5x+0.3333$$

数值积分与导数

梯形法则与辛普森法则

梯形法则是一种用于数值积分的基本方法，通过将积分区间分割成若干梯形并求其面积之和来近似积分值。对于函数 $f(x)$ 在区间 $[a,b]$ 上的积分：

$${\int }_a^{b}f(x)dx\approx \frac{b-a}{2}[f(a)+f(b)]$$

辛普森法则利用抛物线更精确地近似曲线下的面积，适用于函数在区间内平滑变化的情况：

$${\int }_a^{b}f(x)dx\approx \frac{b-a}{6}[f(a)+4f\left(\frac{a+b}{2}\right)+f(b)]$$

比较与选择：

• 精度：辛普森法则的精度通常高于梯形法则，尤其是当函数具有较高的曲率时
• 计算复杂度：辛普森法则需要计算中点的函数值，计算量略高于梯形法则
• 适用性：梯形法则适用于任意可积函数，而辛普森法则要求函数在积分区间内足够光滑

应用实例：

计算函数 $f(x)=\sin (x)$ 在区间 $[0,\pi ]$ 上的积分。

1. 梯形法则：

$${\int }_0^{\pi }\sin (x)dx\approx \frac{\pi -0}{2}[\sin (0)+\sin (\pi )]=\frac{\pi }{2}(0+0)=0$$

明显不准确。

2. 辛普森法则：

$${\int }_0^{\pi }\sin (x)dx\approx \frac{\pi }{6}\left[\sin (0)+4\sin \left(\frac{\pi }{2}\right)+\sin (\pi )\right]=\frac{\pi }{6}(0+4\cdot 1+0)=\frac{2\pi }{3}\approx 2.094$$

实际值为 $2$, 辛普森法则的估计更接近真实值。

数值微分方法

数值微分用于近似计算函数的导数，常用的方法包括前向差分、后向差分和中心差分。

1. 前向差分：

$$f^{\prime }(x)\approx \frac{f(x+h)-f(x)}{h}$$

2. 后向差分：

$$f^{\prime }(x)\approx \frac{f(x)-f(x-h)}{h}$$

3. 中心差分：

$$f^{\prime }(x)\approx \frac{f(x+h)-f(x-h)}{2h}$$

误差分析：

• 前向和后向差分的截断误差为 $O(h)$
• 中心差分的截断误差为 $O(h^2)$，精度更高
• 步长 $h$ 的选择需要在截断误差和舍入误差之间权衡

应用实例：

求函数 $f(x)=e^x$ 在 $x=0$ 处的导数。

1. 理论导数：

$$f^{\prime }(0)=e^0=1$$

2. 数值近似（取 $h=0.01$）：

• 前向差分：

$$f^{\prime }(0)\approx \frac{e^{0.01}-e^0}{0.01}=\frac{1.01005-1}{0.01}=1.005$$

• 中心差分：

$$f^{\prime }(0)\approx \frac{e^{0.01}-e^{-0.01}}{0.02}=\frac{1.01005-0.99005}{0.02}=1.0000$$

中心差分的结果更为精确，接近理论值。

数值解方程

线性方程组

高斯消元法

高斯消元法是一种系统地消去线性方程组中未知数的方法，通过行变换将增广矩阵化为上三角矩阵，从而逐步求解。

步骤：

1. 构建增广矩阵：将线性方程组写成矩阵形式，包括系数矩阵和常数向量

2. 构建增广矩阵：将线性方程组写成矩阵形式，包括系数矩阵和常数向量。

3. 前向消元：通过行变换，使得矩阵的下方区域变为零，形成上三角矩阵。

4. 回代求解：从最后一个方程开始，逐步求解出各未知数的值。

应用实例：

解方程组：

$$\{\begin{array}{l}2x+3y-z=5\\ 4x+4y-3z=3\\ -2x+3y-2z=2\end{array}$$

1. 构建增广矩阵：

$$\left(\begin{array}{ccccc}2& 3& -1& |& 5\\ 4& 4& -3& |& 3\\ -2& 3& -2& |& 2\end{array}\right)$$

2. 前向消元：

• 将第二行减去两倍的第一行：

$$R2=R2-2R1\Rightarrow \left(\begin{array}{ccccc}4& 4& -3& |& 3\end{array}\right)-2\cdot \left(\begin{array}{ccccc}2& 3& -1& |& 5\end{array}\right)=\left(\begin{array}{ccccc}0& -2& -1& |& -7\end{array}\right)$$

• 将第三行加上第一行：

$$R3=R3+R1\Rightarrow \left(\begin{array}{ccccc}-2& 3& -2& |& 2\end{array}\right)+\left(\begin{array}{ccccc}2& 3& -1& |& 5\end{array}\right)=\left(\begin{array}{ccccc}0& 6& -3& |& 7\end{array}\right)$$

3. 新的增广矩阵：

$$\left(\begin{array}{ccccc}2& 3& -1& |& 5\\ 0& -2& -1& |& -7\\ 0& 6& -3& |& 7\end{array}\right)$$

4. 消去第三行的第二个未知数：

$$R3=R3+3R2\Rightarrow \left(\begin{array}{ccccc}0& 6& -3& |& 7\end{array}\right)+3\cdot \left(\begin{array}{ccccc}0& -2& -1& |& -7\end{array}\right)=\left(\begin{array}{ccccc}0& 0& -6& |& -14\end{array}\right)$$

5. 回代求解：

从第三行：

$$-6z=-14\Rightarrow z=\frac{14}{6}=\frac{7}{3}$$

从第二行：

$$-2y-z=-7\Rightarrow -2y-\frac{7}{3}=-7\Rightarrow -2y=-7+\frac{7}{3}=-\frac{14}{3}\Rightarrow y=\frac{7}{3}$$

从第一行：

$$2x+3y-z=5\Rightarrow 2x+3\cdot \frac{7}{3}-\frac{7}{3}=5\Rightarrow 2x+7-\frac{7}{3}=5\Rightarrow 2x=5-7+\frac{7}{3}=-2+\frac{7}{3}=-\frac{6}{3}+\frac{7}{3}=\frac{1}{3}\Rightarrow x=\frac{1}{6}$$

解得：

$$x=\frac{1}{6},y=\frac{7}{3},z=\frac{7}{3}$$

迭代法

迭代法通过不断逼近的方式求解线性方程组，常见的方法包括雅可比迭代法、高斯-塞德尔迭代法和松弛法等。

雅可比迭代法：

将线性方程组 $Ax=b$ 分解为 $A=D+R$，其中 $D$ 为对角矩阵，$R$ 为剩余部分。迭代公式为：

$$x^{(k+1)}=D^{-1}(b-R{x}^{(k)})$$

高斯-塞德尔迭代法：

在雅可比迭代的基础上，使用最新的迭代结果进行更新，迭代公式为：

$$x_i^{(k+1)}=\frac{1}{a_{ii}}\left(b_i-\sum _{j=1}^{i-1}{a}_{ij}{x}_j^{(k+1)}-\sum _{j=i+1}^n{a}_{ij}{x}_j^{(k)}\right)$$

收敛条件：

迭代法的收敛性取决于矩阵 $A$ 的性质，通常对严格对角优势矩阵或对称正定矩阵收敛。

应用实例：

使用雅可比迭代法求解线性方程组：

$$\{\begin{array}{l}x=\frac{1}{2}(b-y)\\ y=\frac{1}{3}(a+z)\\ z=\frac{1}{4}(x+y)\end{array}$$

选择初始猜测 $x^{(0)}=0$, $y^{(0)}=0$, $z^{(0)}=0$，进行迭代计算。

非线性方程

牛顿迭代法

牛顿迭代法是一种用于求解非线性方程 $f(x)=0$ 的高效方法。其迭代公式为：

$$x_{n+1}=x_n-\frac{f(x_n)}{f^{\prime }(x_n)}$$

步骤：

1. 选择初始猜测值 $x_0$。
2. 计算函数值 $f(x_n)$ 和导数 $f^{\prime }(x_n)$。
3. 更新迭代值 $x_{n+1}$。
4. 重复步骤 2-3，直到满足收敛条件。

收敛条件：

• 初始猜测值需足够接近实际根。
• 函数在根附近应具有连续的一阶导数。

应用实例：

求解方程 $f(x)=x^2-2=0$ 的正根。

1. 设定初始猜测值 $x_0=1.5$。
2. 计算 $f(x_0)=1.5^2-2=0.25$，$f^{\prime }(x_0)=2\cdot 1.5=3$。
3. 迭代更新：

$$x_1=1.5-\frac{0.25}{3}\approx 1.4167$$

4. 重复迭代，直到 $|x_{n+1}-x_n|<ϵ$。

经过几次迭代，可得到 $x\approx 1.4142$，接近 $\sqrt{2}$。

二分法与割线法

二分法是一种基于连续性和介值定理的简单数值方法。适用于函数在某区间内由正变负或由负变正的情况下，逐步缩小包含根的区间。

步骤：

1. 选择区间 $[a,b]$，满足 $f(a)f(b)<0$。
2. 计算中点 $c=\frac{a+b}{2}$，并计算 $f(c)$。
3. 根据符号变化确定新的区间：
   • 若 $f(a)f(c)<0$，则根在 $[a,c]$。
   • 否则，根在 $[c,b]$。
4. 重复步骤 2-3，直到区间长度小于预设精度。

割线法是一种利用两点来逼近根的迭代方法，避免了计算导数的过程。

迭代公式：

$$x_{n+1}=x_n-f(x_n)\frac{x_n-x_{n-1}}{f(x_n)-f(x_{n-1})}$$

收敛条件：

• 割线法的收敛速度通常高于二分法，但依赖于初始猜测值的选择。

应用实例：

使用二分法求解方程 $f(x)=x^3-x-2=0$ 的根。

1. 选择初始区间 $[1,2]$，因为 $f(1)=-2$, $f(2)=4$，满足 $f(1)f(2)<0$。
2. 计算中点 $c=1.5$，$f(1.5)=1.5^3-1.5-2=-0.875$。
3. 选择新的区间 $[1.5,2]$。
4. 重复迭代，直至找到足够精确的根。

通过多次迭代，可得到根 $x\approx 1.521$。

第五部分：复变函数

复数及其运算

复数的定义与表示

复数是形如 $z=a+bi$ 的数，其中 $a$ 和 $b$ 为实数，$i$ 是虚数单位，满足 $i^2=-1$。复数在工程和物理中有广泛应用，如交流电路分析、信号处理、量子力学等领域。

补充说明：

• 复数集 $\mathbb{C}$ 是实数集 $\mathbb{R}$ 的扩展，包含所有实数（当 $b=0$ 时）
• 复数运算满足交换律、结合律和分配律
• 复数在描述旋转、振动等周期性现象时具有独特优势

复数的表示形式

• 代数形式：
  $z=a+bi$，其中 $a$ 为实部，$b$ 为虚部。

• 几何形式：
  复数可以在复平面上表示为点 $(a,b)$，也可表示为向量。复数的模长为：
  $$|z|=\sqrt{a^2+b^2}$$
  幅角为：
  $$\theta =\arg (z)={\tan }^{-1}\left(\frac{b}{a}\right)$$
  因此，复数的极坐标形式为：
  $$z=|z|(\cos \theta +i\sin \theta )=|z|e^{i\theta }$$

补充说明：

• 模长 $|z|$ 表示复数的大小，幅角 $\theta$ 表示复数的方向
• 极坐标形式在乘除法运算中特别方便
• 欧拉公式 $e^{i\theta }=\cos \theta +i\sin \theta$ 是连接指数函数和三角函数的桥梁

复数的基本运算

• 加法与减法：
  $$z_1\pm z_2=(a_1\pm a_2)+i(b_1\pm b_2)$$

• 乘法：
  $$z_1\cdot z_2=(a_1{a}_2-b_1{b}_2)+i(a_1{b}_2+a_2{b}_1)$$

• 除法：
  $$\frac{z_1}{z_2}=\frac{z_1\cdot \overline{z_2}}{|z_2{|}^2}=\frac{a_1{a}_2+b_1{b}_2}{a_2^2+b_2^2}+i\frac{b_1{a}_2-a_1{b}_2}{a_2^2+b_2^2}$$
  其中，$\overline{z_2}=a_2-b_{2}i$ 为 $z_2$ 的共轭复数。

• 幂运算：
  利用德摩弗公式：
  $$z^n=|z{|}^n(\cos n\theta +i\sin n\theta )$$

补充说明：

• 复数运算的几何意义：加法对应向量相加，乘法对应旋转和缩放
• 共轭复数在计算模长和除法中起重要作用
• 德摩弗公式是计算复数幂运算的利器

复函数

解析函数的定义与性质

解析函数是指在某开集内具有导数的复值函数。具体来说，函数 $f(z)$ 在点 $z_0$ 处解析，如果在 $z_0$ 的某邻域内，$f(z)$ 关于 $z$ 可导。

柯西-黎曼条件：
若函数 $f(z)=u(x,y)+iv(x,y)$ 在点 $(x,y)$ 处可导，其中 $z=x+iy$，则必须满足：
$$\frac{\partial u}{\partial x}=\frac{\partial v}{\partial y},\frac{\partial u}{\partial y}=-\frac{\partial v}{\partial x}$$

解析函数的性质：

• 解析函数在其定义域内具有无限次可导性
• 解析函数满足柯西积分定理和柯西积分公式
• 解析函数的实部和虚部都是调和函数
• 解析函数的零点与极点等性质作用于复变积分的计算中
• 解析函数具有唯一性：若两个解析函数在某个区域内相等，则在整个定义域内相等

补充说明：

• 解析函数是复变函数理论的核心概念
• 柯西-黎曼条件是判断函数是否解析的重要准则
• 解析函数在流体力学、电磁学等领域有重要应用

复变积分

积分路径与柯西积分定理

积分路径

复变函数的积分通常沿着复平面上的曲线（路径）进行。设 $\gamma$ 是复平面上的一条平滑曲线，$f(z)$ 是在 $\gamma$ 上连续且在其内部解析的函数，则复积分定义为：
$${\int }_{\gamma }f(z)dz={\int }_a^{b}f(\gamma (t)){\gamma }^{\prime }(t)dt$$
其中，$\gamma :[a,b]\to \mathbb{C}$ 是路径的参数化表示。

补充说明：

• 积分路径的方向会影响积分结果
• 积分路径的选择应避开函数的奇点
• 复积分可以分解为实部和虚部的线积分

柯西积分定理

定理陈述：
如果函数 $f(z)$ 在有向闭合曲线 $\gamma$ 所围成的区域内解析，则：
$${\int }_{\gamma }f(z)dz=0$$

柯西积分公式：
对于解析函数 $f(z)$，有：
$$f(z_0)=\frac{1}{2\pi i}{\oint }_{\gamma }\frac{f(z)}{z-z_0}dz$$

应用实例：
计算函数 $f(z)=e^z$ 在单位圆周上的积分。
由于 $e^z$ 在整个复平面上解析，根据柯西积分定理，有：
$${\int }_{|z|=1}{e}^{z}dz=0$$

补充说明：

• 柯西积分定理是复变函数理论的重要基石
• 柯西积分公式可以用来计算解析函数在任意点的值
• 这些定理在计算复杂积分时非常有用

留数定理

定义与原理

留数定理是复变函数积分的重要工具，用于计算带有孤立奇点的函数在闭合路径上的积分。

留数的定义：
对于函数 $f(z)$ 在孤立奇点 $z_0$ 处的留数，记作 $\mathrm{Res}(f,z_0)$，等于 $f(z)$ 的洛朗级数中 $(z-z_0{)}^{-1}$ 项的系数。

留数定理陈述：
设 $f(z)$ 在简单闭合曲线 $\gamma$ 的内部有有限个孤立奇点 $z_1,z_2,\dots ,z_n$，则：
$${\int }_{\gamma }f(z)dz=2\pi i\sum _{k=1}^n\mathrm{Res}(f,z_k)$$

计算复杂积分的方法

利用留数定理，可以简化某些复杂积分的计算，特别是涉及实数轴上积分的情况。

应用实例：
计算实数轴上的积分：
$${\int }_{-\infty }^{\infty }\frac{1}{x^2+1}dx$$
解答步骤：

1. 将积分扩展到复平面，考虑函数 $f(z)=\frac{1}{z^2+1}$。
2. $f(z)$ 在 $z=i$ 和 $z=-i$ 处有极点，选择上半平面的闭合路径，包含极点 $z=i$。
3. 计算留数：
   $$\mathrm{Res}\left(\frac{1}{z^2+1},i\right)=\underset{z\to i}{\lim }(z-i)\frac{1}{(z-i)(z+i)}=\frac{1}{2i}$$
4. 根据留数定理：
   $${\int }_{-\infty }^{\infty }\frac{1}{x^2+1}dx=2\pi i\cdot \frac{1}{2i}=\pi$$

补充说明：

• 留数定理在计算实积分、傅里叶变换和拉普拉斯变换中都有重要应用
• 留数定理是工程数学中不可或缺的工具
• 掌握留数计算技巧对解决复杂积分问题至关重要