数学分析 向量函数微分学(第23章)

一.$n$维欧式空间与向量函数(23.1)1.$n$维欧氏空间
(1)向量与向量空间:



(2)$n$维欧几里得空间:

定理23.1:设 { P k } ⊂ R n \{P_k\}\sub R^n {Pk​}⊂Rn,则 { P k } \{P_k\} {Pk​}为收敛点列的充要条件是:对$\forall \epsilon >0,\exists K>0$,当$k>K$时,对$\forall q\in N_{+}$都有$$\rho (P_k,P_{k+q})<\epsilon (5)$$

2.向量函数
(1)概念:

注:① X × Y = { ( x , y )   ∣   x ∈ X , y ∈ Y } ⊂ R n + m X×Y=\{(x,y)\,|\,x∈X,y∈Y\}\sub R^{n+m} X×Y={(x,y)∣x∈X,y∈Y}⊂Rn+m称为$X$与$Y$的直积

(2)运算:


3.向量函数的极限与连续
(1)向量函数的极限:


(2)向量函数的连续性:

定理23.2:设$f:X\to Y,g:X\to Y(X\subset R^n,Y\subset R^m),h:Y\to Z\subset R^r,\alpha :X\to R,a\in X,b=f(a)\in Y$;若$f,g,\alpha$在点$a$连续,$h$在点$b$连续,则按(6),(7),(8)式所定义的向量函数$f\pm g,\alpha f,h\circ f$都在点$a$连续

定理23.3:函数$f:X\to R^m$在点$a\in X\subset R^n$连续的充要条件是::任何点列 { P k } ⊂ X \{P_k\}\sub X {Pk​}⊂X收敛于$a$时, { f ( P k ) } ⊂ R m \{f(P_k)\}\sub R^m {f(Pk​)}⊂Rm都收敛于$f(a)$

(3)连续的向量函数的性质:

定理23.4:若$D\subset R^n$是有界闭集,$f:D\to R^m$是$D$上的连续函数,则$f(D)\subset R^m$也是有界闭集

定理23.5:若$D\subset R^n$是有界闭集,$f:D\to R^m$是$D$上的连续函数,则$f(D)$的直积可达,即$\exists P^{\prime },P^{\prime \prime }\in D$,使得$$||f(P^{\prime })-f(P^{\prime \prime })||=\underset{x^{\prime },x^{\prime \prime }\in D}{\max }||f(x^{\prime })-f(x^{\prime \prime })||$$

定理23.6:若$D\subset R^n$是有界闭集,$f$是$D$上的连续函数,则$f$在$D$上一致连续,即对$\forall \epsilon >0,\exists \delta (\epsilon {)}^{①}>0$,只要$x^{\prime },x^{\prime \prime }\in D$且$||x^{\prime }-x^{\prime \prime }||<\delta$,就有$$||f(x^{\prime })-f(x^{\prime \prime })||<\epsilon$$
注:①$\delta (\epsilon )$的含义是:只依赖于$\epsilon$的$\delta$

定理23.7:若$D\subset R^n$是道路连通集${}^{①}$,$f$是$D$上的连续函数,则$f(D)\subset R^m$也是道路连通集

注:①这是指能用1条完全含于$D$的连续曲线连接$D$中任意2点

二.向量函数的微分(23.2)
1.向量函数的可微性:



2.向量函数的可微条件

注:①如此形式的矩阵又叫$f$的雅可比矩阵,也常记作$J_f(x_0)$;只要其中的所有偏导数存在,便可构成$J_f(x_0)$,但此时$J_f(x_0)$不一定是$f$的导数,因为由此不能保证$f$在$x_0$可微

(1)必要条件:

定理23.8:若向量函数$f$在$x_0$可微,则$f$在$x_0$连续

定理23.9:若向量函数$f$在$x_0$可微,则$f$的全部$m$个坐标函数$f_i(i=1,2...m)$在$x_0$关于每个自变量$x_j(j=1,2...n)$的1阶偏导数$\frac{\partial f_i}{\partial x_j}{|}_{x=x_0}$都存在,由这些偏导数组成的矩阵(7)便是$f$在$x_0$的导数

(2)充分条件:

定理23.10:若向量函数$f$在点$x_0$的某邻域$U(x_0)$内处处存在1阶偏导数$\frac{\partial f_i}{\partial x_j}(i=1,2...m;j=1,2...n)$,且所有这些偏导数在点$x_0$连续,则$f$在$x_0$可微

(3)充要条件:

定理23.11:设$D\subset R^n$为开集,$x_0\in D,f:D\to R^m$,则$f$在$x_0$可微的充要条件是:存在1个($m$行$n$列的)矩阵函数$F:D\to R^{mn}$,它在$x_0$连续(相当于它的$n$个列向量函数都在$x_0$连续),并使得$$f(x)-f(x_0)=F(x)(x-x_0)(x\in D)(8)$$



注:①$||F(x)-F(x_0)||$表示矩阵的模;一般地,矩阵$A=(a_{ij}{)}_{m\times n}$的模可以采用多种定义方式,其中之一是$||A||=\sqrt{\sum _{i=1}^m\sum _{j=1}^n{a}_{ij}^2}$,这相当于把$A$看作$mn$维向量,所以向量的模的性质对矩阵的模同样成立

2.可微向量函数的性质
(1)保持线性运算的性质:

定理23.12:设$f:D\to R^m,g:D\to R^m$是2个在$x_0\in D$处可微的函数,$c\in R$,则$cf,f\pm g$在$x_0$也可微,且$$(cf{)}^{\prime }(x_0)=c{f}^{\prime }(x_0),(f\pm g{)}^{\prime }(x_0)=f^{\prime }(x_0)\pm g^{\prime }(x_0)(14)$$

(2)求导的链式法则

定理23.13:设$f:D\to R^m$在$x_0\in D$可微,$D^{\prime }\subset R^m$亦为开集,$f(D)\subset D^{\prime },g:D^{\prime }\to R^r$在$y_0=f(x_0)$可微,则复合函数$h=g\circ f:D\to R^r$在$x_0$可微,且$$h^{\prime }(x_0)=(g\circ f{)}^{\prime }(x_0)=g^{\prime }(y_0)f^{\prime }(x_0)(15)$$公式(15)也称为链式法则

在上述复合过程中,若令$u=g(y),y=f(x)$,当用雅可比矩阵表示复合函数$(g\circ f)(x)$的导数的链式法则(15)时,则有$${\left[\begin{array}{ccc}\frac{\partial u_1}{\partial x_1}& ...& \frac{\partial u_1}{\partial x_n}\\ ...& ...& ...\\ \frac{\partial u_r}{\partial x_1}& ...& \frac{\partial u_r}{\partial x_n}\end{array}\right]}_{x=x_0}={\left[\begin{array}{ccc}\frac{\partial u_1}{\partial y_1}& ...& \frac{\partial u_1}{\partial y_m}\\ ...& ...& ...\\ \frac{\partial u_r}{\partial y_1}& ...& \frac{\partial u_r}{\partial y_m}\end{array}\right]}_{y=y_0}{\left[\begin{array}{ccc}\frac{\partial y_1}{\partial x_1}& ...& \frac{\partial y_1}{\partial x_n}\\ ...& ...& ...\\ \frac{\partial y_m}{\partial x_1}& ...& \frac{\partial y_m}{\partial x_n}\end{array}\right]}_{x=x_0}$$

(3)微分中值不等式:

定理23.14:设$D\subset R^n$是凸开集,$f:D\to R^m$,若$f$在$D$内可微,则对任意2点$a,b\in D$,存在点$\xi =a+\theta (b-a)(0<\theta <1)$,使得$$||f(b)-f(a)||\le ||f^{\prime }(\xi )||||b-a|{|}^{①}(18)$$

注:①这里的$||f^{\prime }(\xi )||$是矩阵的模

3.黑塞矩阵与极值
(1)黑塞矩阵:

注:①黑塞矩阵又称海塞矩阵

(2)黑塞矩阵与极值:

定理23.15(极值的必要条件):设$D\subset R^n$为开集,实值函数$f:D\to R$在$x_0\in D$可微,且取极值,则:
①$x_0$必为$f$的稳定点,即$f^{\prime }(x_0)=0$
②又若$f$在$x_0$的某邻域$U(x_0)\subset D$上存在连续2阶偏导数,则当$f(x_0)$a为极小值时,$f$在$x_0$的黑塞矩阵$f^{\prime \prime }(x_0)$为正定或半正定;当$f(x_0)$a为极大值时,$f$在$x_0$的黑塞矩阵$f^{\prime \prime }(x_0)$为负定或半负定
推论:若$f$在$x_0$的黑塞矩阵$f^{\prime \prime }(x_0)$为不定,则$f$在$x_0$不取极值

定理23.16(极值的充分条件):上述函数$f$若在$U(x_0)\subset D$上存在连续2阶偏导数,且$f^{\prime }(x_0)=0$,则当$f^{\prime \prime }(x_0)$为正定(负定)时,$f$在$x_0$取严格极小(大)值

三.反函数定理与隐函数定理(23.3)

1.反函数定理
(1)向量函数的反函数:

(2)反函数定理:

定理23.17:设$D\subset R^n$是开集,函数$f:D\to R^n$满足以下条件:
$(i)$在$D$上可微,且$f^{\prime }$连续
$(ii)\exists x_0\in D$,使$det{f}^{\prime }(x_0)\ne 0$
则存在邻域$U=U(x_0)\subset D$使得:
$1°f$在$U$上是一一映射,从而存在反函数$f^{-1}:V\to U$,其中$V=f(U)$是开集
$2°f^{-1}$在$V$上存在连续导数$(f^{-1}{)}^{\prime }$,且$$(f^{-1}{)}^{\prime }(y)=(f^{\prime }(x){)}^{-1},其中x=f^{-1}(y),y\in V(3)$$




注:①并非所有函数的反函数都能由其自变量用显式来表示

2.隐函数定理
(1)隐函数:

(2)隐函数定理:

定理23.18:设$X\subset R^n,Y\subset R^m,\Omega =X\times Y\subset R^{n+m}$都是开集,$F:\Omega \to R^m$,如果$F$满足下列条件:
$(i)\exists x_0\in X,y_0\in Y$,使得$F(x_0,y_0)=0$
$(ii)F$在$\Omega$上可微,且$F^{\prime }$连续
$(iii)\det F_y^{\prime }(x_0,y_0)\ne 0$
则存在点$x_0$的$n$维邻域$U=U(x_0)\subset X$和点$y_0$的$m$维邻域$V=V(y_0)\subset Y$,使得在点$(x_0,y_0)$的$n+m$维邻域$W=X\times Y\subset \Omega$内,由方程(14)唯一地确定了隐函数$f:U\to V$,其满足
$1°y_0=f(x_0)$
$2°$当$x\in U$时,$(x,f(x))\in W$,且有恒等式(15),即$$F(x,f(x))\equiv 0$$
$3°f$在$U$内存在连续偏导数$f^{\prime }$,且$$f^{\prime }(x)=-[F_y^{\prime }(x,y){]}^{-1}{F}_x^{\prime }(x,y)((x,y)\in W)(18)$$

3.拉格朗日乘数法:

定理23.19:对以上所设的函数$f,\phi$,若满足以下条件:
$(i)f,\phi$在$D$内有连续导数
$(ii)\phi (x_0)=\phi (y_0,z_0)=0$
$(iii)rank{\phi }^{\prime }(x_0)=rank[{\phi }_y^{\prime }(y_0,z_0),{\phi }_z^{\prime }(y_0,z_0)]=m$
$(iv)x_0=(y_0,z_0)$是$f$在条件(25)下的条件极值点
则$\exists {\Lambda }_0\in R^m$,使得$(x_0,{\Lambda }_0)$是(26)式所设函数$L$的稳定点,即满足$$L^{\prime }(x_0,{\Lambda }_0)=[L_x(x_0,{\Lambda }_0)+L_{\lambda }(x_0,{\Lambda }_0)]=0(27)$$但因$L_{\lambda }(x_0,{\Lambda }_0)]=[\phi (x_0){]}^T=0($条件$(ii))$,故(27)式等同于$$L_x(x_0,{\Lambda }_0)]=f^{\prime }(x_0)+{\Lambda }_0^T{\phi }^{\prime }(x_0)=0(28)$$