高等数学基础(连续性和导数)

函数建立了变量之间的关系, 有时候也需要考虑函数的连续性. 例如观察温度的变化, 当时间变动微小时, 气温的变化也很微小, 这种特点就是连续性

函数的连续性

设函数$f(x)$在点$x_0$的某个领域内有定义, 当自变量的增量$\Delta x$趋于$0$时, 对应的函数的增量$\Delta y=f(x_0+\Delta x)-f(x_0)$, 即
$$\underset{\Delta x\to 0}{\lim }\Delta y=\underset{\Delta X\to 0}{\lim }[f(x_0+\Delta x)+f(x_0))]=0$$
称函数$f(x)$在$x_0$处连续

import numpy as np
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.sans-serif']=['Hiragino Sans GB'] # 修改字体
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号


x = np.linspace(0, 10, 400)

y = x ** 2


# Delta X
y1 = np.linspace(0, y[200], 100)
x1 = len(y1) * [x[200]]


# Delta X 夹角
x3 = x[200:350]
y3 = len(x[200:350]) * [y[200]]

# Delta Y
y2 = np.linspace(0, y[350], 100)
x2 = len(y1) * [x[350]]

plt.figure(figsize=(6, 6))

plt.plot(x, y, label="$y=f(x)=x^2$")
# 绘制 Delta x 线条, 和文本展示
plt.plot(x1, y1, color='gray', linestyle='--')
plt.plot(x3, y3, color='gray', linestyle='--')
plt.text(x3[70], y3[70] - 3, '$\Delta x$')
plt.text(x1[50] - 0.1, -3, '$x_0$')

# 绘制 Delta y 线条
plt.plot(x2, y2, color='gray', linestyle='--')
plt.text(x2[50] + 0.1, y2[50], '$\Delta y$')
plt.text(x2[50] - 0.1, -3, '$x_0 + \Delta x$')
plt.title("函数的连续性")
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.grid()
plt.show()

函数连续性需要满足的条件

函数$f(x)$在点$x_0$处连续, 需要满足以下的条件

1. 函数在该点处有定义
2. 函数在该点处极限${\lim }_{x\to x_0}f(x)$存在
3. 极限值等于函数值$f(x_0)$

已知函数$f(x)=\{\begin{array}{l}x+1,x\le 0\\ \frac{sinx}{x},x>0\end{array}$, 判断$f(x)$在$x=-$处的连续性
解:
$f(0)=1$, ${\lim }_{x\to 0^{-}}(x+1)=1$, ${\lim }_{x\to 0^{+}}\frac{sinx}{x}=1$, 极限存在并且等于$f(0)$
满足上述三个条件, 因此函数$f(x)$在$x=0$处连续

import numpy as np
import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.sans-serif']=['Hiragino Sans GB'] # 修改字体
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号

x = np.linspace(0, 10, 400)
y = np.piecewise(x, [x <= 0, x > 0], [lambda t: t + 1, lambda t: np.sin(t) / t])
plt.figure(figsize=(6, 6))
plt.plot(x, y)
plt.title("函数是否连续")
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.grid()
plt.show()

函数的间断点

设函数$f(x)$在点$x_0$的某个去心邻域内有定义, 如果函数$f(x)$有下列3种情况之一, 那么函数$f(x)$在点$x_0$处不连续, 点$x_0$称为函数$f(x)$的间断点或者不连续点

1. 函数$f(x)$在点$x=x_0$处没有定义
2. 函数$f(x)$虽然在点$x=x_0$处有定义, 但是在该点处的极限${\lim }_{x\to x_0}f(x)$不存在
3. 函数$f(x)$虽然x_0在点$x=x_0$处有定义, 且该点处的极限${\lim }_{x\to x_0}f(x)$存在, 但${\lim }_{x\to x}f(x)\ne f(x_0)$

间断点的常见类型

1. 跳跃间断点, $li{m}_{x\to x_0^{+}}f(x)$, $li{m}_{x\to x_0^{-}}f(x)$极限都存在, 但是 $li{m}_{x\to x_0^{+}}f(x)\ne li{m}_{x\to x_0^{-}}f(x)$
   比如:
   $$f(x)=\{\begin{array}{l}-1,x<0\\ 0,x=0\\ 1,x>0\end{array},0为跳跃间断点$$
2. 可去间断点, $li{m}_{x\to x_0}f(x)$极限存在且相等, 但是$li{m}_{x\to x_0^{+}}f(x)\ne li{m}_{x\to x_0^{-}}f(x)$或$f(x)$在该点无定义
   $$f(x)=\frac{x^2-1}{x^2-3x+2},(1,2)为跳跃间断点$$

导数

如果我们知道平均速度$v=\frac{s}{t}$, 那么如何来表示瞬时速度呢?
瞬时经过的路程: $\Delta s=s(t_0+\Delta t)-s(t_0)$
那么这一小段的$\Delta t$的平均速度: $\bar{v}=\frac{\Delta s}{\Delta t}=\frac{s(t_0+\Delta t)-s(t_0)}{\Delta t}$
当$\Delta \to 0$, 对应的$\bar{v}$就是瞬时速度, 此刻$t_0$的瞬时速度$v={\lim }_{\Delta t\to 0}={\lim }_{\Delta t\to 0}\frac{s(t_0+\Delta t)-s(t_0)}{\Delta t}$
瞬时速度就是变化率的问题

定义

设$f(x)$在$x_0$的某个邻域内有意义, 当$x$的增量为$\Delta x$, $y$的增量为$\Delta y$为$f(x_0+\Delta x)-f(x_0)$
当$\Delta x\to 0$时, $\frac{\Delta y}{\Delta x}$的极限存在, 则称函数$f(x)$在$x_0$处可导. 此极限值为函数$f(x)$在点$x_0$的导数, 记做$f^{\prime }(x_0)$
即: $f^{\prime }(x)={\lim }_{x\to 0}\frac{\Delta y}{\Delta x}={\lim }_{x\to 0}\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}$
变换形式: $y^{\prime }{|}_{x=x_0}$, $\frac{dy}{dx}{|}_{x=x_0}$, $\frac{df(x)}{dx}{|}_{x=x_0}$

几何意义

通常函数$y=f(x)$的导数表示了因为自变量$y$在点$x_0$处变化量$x$变化的快慢程度, 从几何意义上, 函数在某一点$x_0$的变化率等于这一点的切线的斜率

$P_0$的导数为在点$P_0$处所做切线的斜率, 即$f^{\prime }(x_0)=tan\alpha$, 其中$\alpha$是切线的倾角

import numpy as np
import matplotlib.pyplot as plt
import sympy as sp

# 设置中文字体
plt.rcParams['font.sans-serif']=['Hiragino Sans GB'] # 修改字体
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号


def get_tangent_line(x, f, a):
    """获取切线方程
    公式为: y - f(a) = f'(a)(x - a)
    :param x: 原始x的值
    :param f: 原始函数
    :a: 从那个点进行切, 获取这个点的切线方程
    """
    df = sp.diff(f, x)
    f_val = f.subs(x, a)
    df_val = df.subs(x, a)
    # y - f_val = df_val(x - 1)
    # y = df_val(x - 1) + f_val
    return df_val * (x - a) + f_val


def get_func_args(func):
    """原函数"""
    x = sp.Symbol("x")
    return x, func(x)


x_vals = np.linspace(0, 10, 400)
# 定义原函数
f_x = lambda t: t ** 2

# 获取sympy类型原函数
x, f_x = get_func_args(f_x)
np_f_x = sp.lambdify(x, f_x, 'numpy')
y_vals = np_f_x(x_vals)

# 获取点 4 位置 的切线方程
a = 4
tangent_line = get_tangent_line(x, f_x, a=a)
print(f"点 x={a} 处的切线方程: ", tangent_line)
# 通过导函数获取新的函数然后计算新的 numpy 的切线方程
tangent_f_x = sp.lambdify(x, tangent_line, "numpy")
tangent_y_vals = tangent_f_x(x_vals)



# Delta X
y_vals1 = np.linspace(0, y_vals[200], 100)
x_vals1 = len(y_vals1) * [x_vals[200]]


# Delta X 夹角
x_vals3 = x_vals[200:350]
y_vals3 = len(x_vals[200:350]) * [y_vals[200]]

# Delta Y
y_vals2 = np.linspace(0, y_vals[350], 100)
x_vals2 = len(y_vals1) * [x_vals[350]]

plt.figure(figsize=(6, 6))

# 打印原函数
plt.plot(x_vals, y_vals, label="原函数: $f(x)=x^2$")
# 打印切线函数
plt.plot(x_vals, tangent_y_vals, label=f"切线方程: $f(x)={tangent_line}$", linestyle='--')

# 绘制 Delta x 线条, 和文本展示
plt.plot(x_vals1, y_vals1, color='gray', linestyle='--')
plt.plot(x_vals3, y_vals3, color='gray', linestyle='--')

plt.text(x_vals3[70], y_vals3[70] - 3, '$\Delta x$')
plt.text(x_vals1[50] - 0.1, -3, '$x_0$')

# 绘制 Delta y 线条
plt.plot(x_vals2, y_vals2, color='gray', linestyle='--')
plt.text(x_vals2[50] + 0.1, y_vals2[50], '$\Delta y$')
plt.text(x_vals2[50] - 0.1, -3, '$x_0 + \Delta x$')
plt.title("函数的连续性")
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.grid()
plt.show()

求导法则

如果函数$u=u(x)$, $v=v(x)$都在点$x$有导数, 那么他们的和, 差, 积, 商(除分母为0的点外), 都在点$x$具有导数, 且满足以下法则

1. $[u(x)\pm v(x){]}^{\prime }=u^{\prime }(x)\pm v^{\prime }(x)$
2. $[u(x)\ast v(x){]}^{\prime }=u^{\prime }(x)\ast v(x)+u(x)\ast v^{\prime }(x)$
   当$v(x)=C$, $C$是常量时, $(Cu{)}^{\prime }=C{u}^{\prime }$
3. $[\frac{u(x)}{v(x)}{]}^{\prime }=\frac{u^{\prime }(x)\ast v(x)-u(x)\ast v^{\prime }(x)}{v^2(x)},v(x)\ne 0$
   当$v(x)=C$, $C$是常量时, $(\frac{C}{V}{)}^{\prime }=\frac{-C{v}^{\prime }}{v^2}$

反函数求导

设函数$x=f(y)$在区间$D_y$内单调可导, 且$f^{\prime }(y)\ne x$, 那么它的反函数$y=f^{-1}(x)$在区间 D x = { x = f ( y ) , y ∈ D y } D_x=\{x=f(y), y \in D_y\} Dx​={x=f(y),y∈Dy​}内也可导, 且满足以下公式
$$[f^{-1}(x){]}^{\prime }=\frac{1}{f^{\prime }(y)}或\frac{dy}{dx}=\frac{\frac{1}{dx}}{dy}$$

复合函数的求导法则

如果$u=g(x)$在点$x$处可导, $y=f(u)$在点$u=g(x)$处可导, 那么复合函数$y=f[g(x)]$在点$x$处可导, 且其导数为$\frac{dy}{dx}=f^{\prime }(u)\ast g^{\prime }(x)或\frac{dy}{dx}=\frac{dy}{du}\ast \frac{du}{dx}$

常用求导公式

一、基础函数导数
常数函数
$\frac{d}{dx}(c)=0$
解释：常数无变化率，导数为0。

幂函数
$\frac{d}{dx}(x^n)=n{x}^{n-1}$
解释：幂法则，指数乘系数后指数减1（$n$为任意实数）。

自然指数函数
$\frac{d}{dx}(e^x)=e^x$
解释：自然指数函数的导数与自身相同。

一般指数函数
$\frac{d}{dx}(a^x)=a^x\ln a$
解释：底数为$a$的指数函数导数需乘以$\ln a$。

自然对数函数
$\frac{d}{dx}(\ln x)=\frac{1}{x}$
解释：对数函数的导数与自变量成反比。

对数函数（底数$a$）
$\frac{d}{dx}({\log }_{a}x)=\frac{1}{x\ln a}$
解释：换底公式推导出的对数导数。

二、三角函数导数
$\frac{d}{dx}(\sin x)=\cos x$
解释：正弦函数的导数是余弦。

$\frac{d}{dx}(\cos x)=-\sin x$
解释：余弦函数的导数是负正弦。

$\frac{d}{dx}(\tan x)={\sec }^{2}x$
解释：正切函数的导数为正割平方。

$\frac{d}{dx}(\cot x)=-{\csc }^{2}x$
解释：余切函数的导数为负余割平方。

$\frac{d}{dx}(\sec x)=\sec x\tan x$
解释：正割的导数是正割乘正切。

$\frac{d}{dx}(\csc x)=-\csc x\cot x$
解释：余割的导数是负余割乘余切。

三、反三角函数导数
$\frac{d}{dx}(\arcsin x)=\frac{1}{\sqrt{1-x^2}}$
解释：反正弦函数的导数与根号内$1-x^2$相关。

$\frac{d}{dx}(\arccos x)=-\frac{1}{\sqrt{1-x^2}}$
解释：反余弦函数的导数为负的相同形式。

$\frac{d}{dx}(\arctan x)=\frac{1}{1+x^2}$
解释：反正切函数的导数为分母$1+x^2$的分数。

编程求导

import sympy as sp

# 定义变量 x
x = sp.Symbol('x')

# 定义函数 y = f(x)
f_x = x**2 + 2*x + 1

# 求导函数
d_f = sp.diff(f_x, x)
print(d_f)
# output: 2*x + 2

# sqrt(x): 平方根
f_x = sp.asin(sp.sqrt(sp.sin(x)))
d_f = sp.diff(f_x, x)
print(d_f)
# output: cos(x)/(2*sqrt(1 - sin(x))*sqrt(sin(x)))