5 - 多元函数微分学

5 - 多元函数微分学

一、求导公式法与定义法的应用场景

公式法 ：在已知函数可导的前提下，求函数在 某一点 或 某一区间 上的导数，使用公式法

定义法 ：当我们不确定函数是否处处可导的情况下，使用定义法来求函数在 某一点 上是否可导及其导数值

【注】 ：当函数不是初等函数时，公式法没有对应的求导公式，只能使用定义法；但诸如 $x^x=x\ln x$ 可以用公式法处理

二、全微分与偏导数

1. 全微分定义

如果 $z=f(x,y)$ 在点 $(x,y)$ 的全增量 $\Delta z=f(x+\Delta x,y+\Delta y)-f(x,y)$ ，可表示为
$$\Delta z=A\Delta x+B\Delta y+o(\sqrt{(\Delta x{)}^2+(\Delta y{)}^2})$$
A，B仅与 x，y 有关，则 $A\Delta x+B\Delta y$ 为函数 $z=f(x,y)$ 在点 $(x,y)$ 的 全微分 ，记为 $dz=A\Delta x+B\Delta y$

【注】 一般求全微分为 $dz=\frac{\partial z}{\partial x}dx+\frac{\partial z}{\partial y}dy$

【注】 偏导数定义与一元函数类似 $f_x^{\prime }(x,y)=\frac{\partial f(x,y)}{\partial x}={\lim }_{\Delta x\to 0}\frac{f(x+\Delta x,y)-f(x,y)}{\Delta x}$

2. 公式法判断是否可微的基本步骤

1. 写出全增量 $\Delta z=f(x_0+\Delta x,y_0+\Delta y)-f(x_0,y_0)$

2. 写出线性增量 $A\Delta x+B\Delta y$ 其中 $A=f_x^{\prime }(x_0,y_0)，A=f_y^{\prime }(x_0,y_0)$

3. 做极限 ${\lim }_{\Delta x\to 0,\Delta y\to 0}\frac{\Delta z-(A\Delta x+B\Delta y)}{\sqrt{(\Delta x{)}^2+(\Delta y{)}^2}}$ ，极限为 0 时，则原函数在 $(x_0,y_0)$ 处可微，否则不可微

3. 连续、偏导数与全微分的关系

三、多元函数微分法则

1. 链式求导法则

1. $z=f[u(t),v(t)]$ 时 ，（ 下面的也叫 全导数 ）
   $$\frac{dz}{dt}=\frac{\partial z}{\partial u}\cdot \frac{du}{dt}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dt}$$
   【注】 通常 $\frac{\partial z}{\partial u}$ 也记为 $f_1^{\prime }$ ， $\frac{\partial z}{\partial v}$ 也记为 $f_2^{\prime }$ ；二阶偏导数连续时 $f_{12}^{\prime \prime }=f_{21}^{\prime \prime }$

2. $z=f[u(x,y),v(x,y)]$ 时，
   $$\begin{gathered} \frac{\partial z}{\partial x}=\frac{\partial z}{\partial u}\cdot \frac{du}{dx}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dx} \\ \frac{\partial z}{\partial y}=\frac{\partial z}{\partial u}\cdot \frac{du}{dy}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dy} \end{gathered}$$

3. $z=f[u(x,y),v(y)]$ 时，
   $$\begin{gathered} \frac{\partial z}{\partial x}=\frac{\partial z}{\partial u}\cdot \frac{du}{dx} \\ \frac{\partial z}{\partial y}=\frac{\partial z}{\partial u}\cdot \frac{du}{dy}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dy} \end{gathered}$$
   可以参照复合函数求导法则

2. 隐函数求导公式

对隐函数(方程) $F(x,y,z)=0$ 在 $(x_0,y_0,z_0)$ 的某个邻域内求偏导
$$\frac{\partial z}{\partial x}=-\frac{F_x^{\prime }}{F_z^{\prime }},\frac{\partial z}{\partial y}=-\frac{F_y^{\prime }}{F_z^{\prime }}$$
【注】 此处要求 $F_z^{\prime }(x_0,y_0,z_0)\ne 0$ 即上式右侧分母不为 0 ，偏导数才存在。

从几何意义上讲， $F_z^{\prime }=0$ 时，所得导数值为无穷大，其切线斜率无穷大并垂直于 x/y 轴，即一组（x,y）对应多个 z 值，不能确定隐函数

对 $F(x,y)=0$ ，为
$$\frac{\partial y}{\partial x}=-\frac{F_x^{\prime }}{F_y^{\prime }}(F_y^{\prime }\ne 0)$$

四、多元函数极值与最值

1. 求极值-判别式法

1. 必要条件

   对于 $z=f(x,y)$ ，在点 $(x_0,y_0)$ 处取得极值，且在该点处 偏导数存在 ，则必有：
   $$f_x^{\prime }(x_0,y_0)=0且f_y^{\prime }(x_0,y_0)=0$$
   【注】 如上，偏导数为 0 的点是 驻点

2. 充分条件

   驻点处，记：
   $$\begin{gathered} A=f_{xx}^{{}^{\prime \prime }}(x_0,y_0) \\ B=f_{xy}^{{}^{\prime \prime }}(x_0,y_0) \\ C=f_{yy}^{{}^{\prime \prime }}(x_0,y_0) \end{gathered}$$

   $$\Delta =\left|\begin{array}{cc}A& B\\ B& C\end{array}\right|=AC-B^2$$

   $\Delta <0$ 时，该点不是极值点
   $\Delta >0$ 时，该点是极值点，其中 $A>0$ 时为极小值点，$A<0$ 时为极大值点

   【注】 二阶偏导数连续时 $f_{xy}^{\prime \prime }=f_{yx}^{\prime \prime }$

2. 求最值和极值-拉格朗日乘数法

拉格朗日乘数法用于求 $z=f(x,y)$ 在条件 $\phi (x,y)=0$ 的极值和最值，一般步骤为：

1. 构造函数
   $$F(x,y,\lambda )=f(x,y)+\lambda \phi (x,y)$$

2. 对 $F(x,y,\lambda )$ 求偏导数，构建方程组
   $$\{\begin{array}{l}{F}_x^{\prime }=f_x^{\prime }(x,y)+\lambda {\phi }_x^{\prime }(x,y)=0\\ F_y^{\prime }=f_y^{\prime }(x,y)+\lambda {\phi }_y^{\prime }(x,y)=0\\ F_{\lambda }^{\prime }=\phi (x,y)=0\end{array}$$

3. 解方程，找到所有可疑点的坐标，并判断是否是极值点(如果求最值则不用判别是否是极值)

4. 将坐标代回 $z=f(x,y)$ ，比较各极值的大小后可以的到最值

解方程时计算量可能稍大，大胆的去算！

【注】 对于 $z=f(x,y)$ ，可以用 极值/最值 点相同的函数代替来化简计算，比如 $z=\sqrt{x^2+y^2}$ 可用 $z=x^2+y^2$ 代替

五、常用运算

1. 方程两边求全微分

$$F(x,y,z)=0⟹F_x^{\prime }dx+F_y^{\prime }dy+F_z^{\prime }dz=0$$

2. 多元函数求极限

$$\begin{array}{rl}例& \underset{x\to 0,y\to 0}{\lim }\frac{xy}{x^2+y^2}\\ & 令y=kx\\ 原式& =\underset{x\to 0}{\lim }\frac{k{x}^2}{(1+k^2)x^2}\\ & =\underset{x\to 0}{\lim }\frac{k}{1+k^2}\\ & \therefore 极限不存在\end{array}$$

3. 微分间的运算

1. $dx\cdot dx=d{x}^2=2xdx$

2. $d^{2}x=0$ ，可以认为：
   $$\begin{array}{rl}\frac{d^{2}y}{d{x}^2}=& y^{\prime \prime }(x)\\ d^{2}y=& y^{\prime \prime }(x)d{x}^2\\ 令y=x，则有d^{2}y=& (x{)}^{\prime \prime }d{x}^2=0\end{array}$$

   4. 二阶偏导数相等

设连续函数 $f(x,y)$ ，给定了
$$\begin{gathered} \frac{\partial f(x,y)}{\partial x}=\phi (x,y) \\ \frac{\partial f(x,y)}{\partial y}=\psi (x,y) \end{gathered}$$
可以利用二阶偏导数相等（$\frac{{\partial }^{2}f(x,y)}{\partial x\partial y}$），构造方程，即
$$\frac{\phi (x,y)}{\partial y}=\frac{\psi (x,y)}{\partial x}$$