高等数学笔记(上上)

函数与极限

基本初等函数

• 幂函数：$f(x)=x^{\mu }(\mu \in R是常数)$
• 指数函数：$f(x)=a^x(a>0且a\ne 1)$
• 对数函数：$f(x)={\log }_{a}x(a>0且a\ne 1)$
• 三角函数：$如f(x)=\sin x,f(x)=\cos x,f(x)=\tan x$
• 反三角函数：$如f(x)=\arcsin x$
  由常数和基本初等函数经过有限次的四则运和有限次的复合算得到的函数成为初等函数。
  结合欧拉公式，其实上面的函数也没那么"基本"，指数函数和三角函数是可以相互转化的：$\sin x=\frac{e^{ix}-e^{-ix}}{2i}$

双曲函数

这个和高等数学其实没啥关系，但是这东西有点意思，就在这里放一下。

• $\mathrm{sh}x=\sinh x=\frac{e^x-e^{-x}}{2}$
• $\mathrm{ch}x=\cosh x=\frac{e^x+e^{-x}}{2}$
  
  $\cosh x$是悬链线函数，即两端固定的一条(粗细与质量分布)均匀、柔软(不能伸长)的链条，在重力的作用下所具有的曲线形状。
  三角函数(圆函数)性质：${\cos }^{2}x+{\sin }^{2}x=1$
  双曲函数性质: ${\mathrm{ch}}^{2}x-{\mathrm{sh}}^{2}x=1$
  这个可能也是他们名字的由来，三角函数涨的像圆的方程，双曲函数长得像双曲线的方程。
  圆函数在实数域是周期函数，但是双曲函数不是。然而$\mathrm{sh}x=-i\sin ix$，从这个角度看，$\mathrm{sh}x$在复数域也是周期函数。
  $$\begin{array}{rl}& \{\begin{array}{l}{e}^{ix}=\cos x+i\sin x（欧拉公式，证明可以通过泰勒展开来看）\\ e^{-ix}=\cos x-i\sin x\end{array}\\ ⟹& \{\begin{array}{l}\sin x=\frac{e^{ix}-e^{-ix}}{2i}\\ \sin ix=\frac{e^{-x}-e^x}{2i}\end{array}\\ ⟹& \mathrm{sh}x=-i\sin ix\end{array}$$
  双曲函数的加减法也有类似于三角函数的形式，举个例子
  $$\mathrm{sh}(x+y)=\mathrm{sh}x\mathrm{ch}y+\mathrm{ch}x\mathrm{sh}y$$

Q: $e=2.718281828459,\pi =3.1415926$是自然界最重要的两个无理数，是自然界或者数学上的什么假设使得他们是这个取值？是否存在一个世界，$e,\pi$取其他值，这样的世界中的什么公理和我们的世界是不同的?

函数的极限

定义1: 自变量趋于$x_0$时的极限
设函数$f(x)$在点$x_0$的某一去心邻域内有定义.如果存在常数$A$,对于任意给定的正数$\epsilon$(无论它多么小)，总存在正数$\delta$,使得当$x$满足不等式$0<|x-x_0|<\delta$时，对应的函数值$f(x)$都满足不等式
$|f(x)-A|<\epsilon$,
那么常数$A$就叫做函数$f(x)$当$x\to x_0$时的极限，记作
$$\underset{x\to x_0}{\lim }f(x)=A或f(x)\to A(当x\to x_0)$$
这里需要注意的是，定义中$0<|x-x_0|$表示$x\ne x_0$，所以$x\to x_0$时，$f(x)$有没有极限，与$f(x)$在点$x_0$是否有定义没有关系。例如$f(x)=\frac{x^2-1}{x-1}$在$x=1$处无定义，但是有极限为2.
函数的单侧极限:如果考虑$x$仅从$x_0$的左侧趋于$x_0$，记作$x\to x_0^{-}$的情形，如果对于任意小的$\epsilon$，都存在正数$\delta$，使得$x_0-\delta <x<x_0$，都满足$|f(x)-A|<\epsilon$，那么$A$就叫做函数$f(x)$当$x\to x_0$时的左极限，记作
$$\underset{x\to x_0^{-}}{\lim }=A或f(x_0^{-})=A$$
右极限定义类似。
函数$f(x)$在$x_0$处有极限的充要条件是左极限和右极限都存在且相等，即$f(x_0^{-})=f(x_0^{+})$
定义2 :自变量趋于$\infty$时的极限
设函数$f(x)$在点$|x|$的大于某一正数时有定义.如果存在常数$A$,对于任意给定的正数$\epsilon$(无论它多么小)，总存在正数$X$,使得当$x$满足不等式$|x|>X$时，对应的函数值$f(x)$都满足不等式
$|f(x)-A|<\epsilon$,
那么常数$A$就叫做函数$f(x)$当$x\to \infty$时的基线，记作
$$\underset{x\to \infty }{\lim }f(x)=A或f(x)\to A(当x\to \infty )$$
定义：无穷小
如果函数$f(x)$当$x\to x_0(或x\to \infty )$时的极限为0，那么称函数$f(x)$为当$x\to x_0(或x\to \infty )$时的无穷小。
定理
在自变量的同一变化过程$x\to x_0(或x\to \infty )$中，函数$f(x)$具有极限$A$的充要条件是$f(x)=A+\alpha$，其中$\alpha$是无穷小。
定理
函数有限次四则运算和复合运算的极限是极限的相应的四则运算和符合运算。
$\lim f(x)=A,\lim g(x)=B，则\lim [f(x)\pm g(x)]=A\pm B,\lim [f(x)g(x)]=AB,\lim [f(x)/g(x)]=A/B(B\ne 0)$
无穷小的四则运算
设$\alpha ,\beta 是无穷小，c是常数$，则$\alpha +\beta ,\alpha -\beta ,\alpha \ast \beta ,c\alpha ,\alpha /c$仍旧是无穷小。
夹逼定理
如果当$x\in \mathring{U}(x_0,r)或|x|>M$时，$g(x)\le f(x)\le h(x)$，且$\underset{\begin{array}{c}x\to x_0\\ (x\to \infty )\end{array}}{\lim }g(x)=A,\underset{\begin{array}{c}x\to x_0\\ (x\to \infty )\end{array}}{\lim }h(x)=A$，那么$\underset{\begin{array}{c}x\to x_0\\ (x\to \infty )\end{array}}{\lim }g(x)=A$
定义函数连续
设函数$y=f(x)$在点$x_0$的某一邻域内有定义，如果
$$\underset{\Delta x\to 0}{\lim }\Delta y=\underset{\Delta x\to 0}{\lim }[f(x_0+\Delta x)-f(x_0)]=0$$，那么就称函数$y=f(x)$在点$x_0$处连续.
对应的含义是如果当$\Delta x$趋于0时，函数的对应增量$\Delta y$也趋于0，则称函数在$x_0$处连续。若$f(x_0^{-})=f(x_0)$，则称函数$f(x)在x_0$处左连续；若$f(x_0^{+})=f(x_0)$，则称函数$f(x)在x_0$处右连续。如果函数$f(x)$在一个区间上每个点都连续，则称函数$f(x)$在此区间上连续。
重要极限和推导
别慌：后面学了泰勒公式，直接使用泰勒展开，通用且容易多了。这里仅作为一个方法记录在此。
$$\begin{gathered} \begin{array}{rl}\underset{x\to 0}{\lim }\frac{f(x)}{x}& =\underset{x\to 0}{\lim }\frac{{\log }_a(1+x)}{x}\\ & =\underset{x\to 0}{\lim }{\log }_a(1+x{)}^{\frac{1}{x}}={\log }_{a}e=\frac{1}{\ln a}\end{array} \\ {\log }_{\mathbf{a}}(1+\mathbf{x})\backsim \frac{1}{\ln \mathbf{a}}\mathbf{x} \end{gathered}$$

$$\begin{gathered} \begin{array}{rl}\underset{x\to 0}{\lim }\frac{f(x)}{x}& =\underset{x\to 0}{\lim }\frac{a^x-1}{x}\\ & =\underset{t\to 0}{\lim }\frac{t\ln a}{\ln (1+t)}(变量替换t=a^x-1)\\ & =\ln a\end{array} \\ {\mathbf{a}}^{\mathbf{x}}-1\backsim \ln \mathbf{a}\cdot \mathbf{x} \end{gathered}$$

$$\begin{gathered} \begin{array}{rl}\underset{x\to 0}{\lim }\frac{f(x)}{x}& =\underset{x\to 0}{\lim }\frac{(1+x{)}^{\mu }-1}{x}\\ & =\underset{x\to 0}{\lim }\frac{(1+x{)}^{\mu }-1}{\ln (1+x{)}^{\mu }}\cdot \frac{\mu \ln (1+x)}{x}=\mu \end{array} \\ (1+\mathbf{x}{)}^{\mu }-1\backsim \mu \cdot \mathbf{x} \end{gathered}$$

微分中值定理与导数的应用

费马引理

设函数$f(x)$在点$x_0$的某邻域$U(x_0)$内有定义，并且在$x_0$处可导，如果对任意$x\in U(x_0)$，有$f(x)\le f(x_0)$\ (或$f(x)\ge f(x_0)$)，那么$f^{{}^{\prime }}(x_0)=0$.
证明：不妨设$x\in U(x_0)$时，都有$f(x)\le f(x_0)$(对于$f(x)\le f(x_0)$，可以有类似推导).于是对于$f(x+\Delta x)\le f(x_0)$
当$\Delta x>0时$,
$$\frac{f(x+\Delta x)-f(x)}{\Delta x}\le 0$$
当$\Delta x<0时$,
$$\frac{f(x+\Delta x)-f(x)}{\Delta x}\ge 0$$
根据函数$f(x)$在$x_0$处可导的条件和极限的保号性，便得到：
$$\begin{gathered} f^{{}^{\prime }}(x)=f_{+}^{{}^{\prime }}{x}_0=\underset{\Delta x\to 0^{+}}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}\le 0 \\ {f}^{{}^{\prime }}(x)=f_{-}^{{}^{\prime }}{x}_0=\underset{\Delta x\to 0^{-}}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}\ge 0 \end{gathered}$$
所以$f^{{}^{\prime }}(x_0)=0$
通常称导数为0的点为驻点(或稳定点，临界点)

罗尔定理

如果函数$f(x)$满足：

• (1)在$[a,b]$连续；
• (2)在$(a,b)$可导；
• (3)在端点处的函数值相等，即$f(a)=f(b)$
  那么在$(a,b)$上至少有一点$\xi$，使得$f^{{}^{\prime }}(\xi )=0$

证明：
因为$f(a)=f(b)$，假设在$[a,b]$上，$f(x)$为常数，则$f(x)=C,f^{\prime }(x)=0$，得证;
否则，$f(x)$在$[a,b]$上必然有最大值$M$，且$f(a)=f(b)\ne M$(否则考虑其最小值m)，不妨设$f(\xi )=M,(a<\xi <b)$，根据费马引理，$f^{\prime }(\xi )=0$.

拉格朗日中值定理

罗尔定理中$f(a)=f(b)$这个条件相当特殊，使罗尔定理的使用收到限制，如果去掉$f(a)=f(b)$这个条件，就得到拉格朗日中值定理：
如果函数$f(x)$满足：

• (1)在$[a,b]$连续；
• (2)在$(a,b)$可导；
  那么在$(a,b)$上至少有一点$\xi (a<\xi <b)$，使得$$f^{{}^{\prime }}(\xi )=\frac{f(b)-f(a)}{b-a}$$
  构造一个函数使得$g(a)=g(b)$，可以取$g(a)=g(b)=f(a)$，所要做的事情，就是保持$x\to [a,b]$时，$g(x)$去掉$f(x)$的增量。于是可以有
  $$g(x)=f(x)-\frac{f(b)-f(a)}{b-a}(x-a)$$
  容易验证$g(a)=g(b)=f(a)$
  根据罗尔定理，存在$\xi \in (a,b)$
  $$g^{\prime }(\xi )=f^{\prime }(\xi )-\frac{f(b)-f(a)}{b-a}=0$$
  即$$f(b)-f(a)=f^{\prime }(\xi )(b-a)$$

几何意义，中间至少存在一点使得斜率为AB两点连线斜率。
同济版高等数学给出了一个基于罗尔定理的证明。实际上是不是也可以这样证明(但是所有参考资料都没这么证明的，可能有问题？这个证明的问题在于使用了积分，这里还没有引入积分概念呢。)
证明：
因为$f(x)在(a,b)$上处处可导，对于$(a,b)$上任意一点$\rho$有$f^{{}^{\prime }}({\rho }_{-})=f^{{}^{\prime }}({\rho }_{+})$，所以实际上$f^{{}^{\prime }}(x)在(a,b)$上也是连续的。假设$f^{{}^{\prime }}(x)在(a,b)$上有最小值和最大值$\alpha ,\beta$，假设$\frac{f(b)-f(a)}{b-a}(AB连线的斜率)=\gamma$，有三种情况：

• $\gamma <\alpha <\beta$. $$f(b)=f(a)+{\int }_a^b{f}^{{}^{\prime }}(x)dx>f(a)+\gamma (b-a)=f(b)$$，矛盾；
• $\alpha <\beta <\gamma$.同上可证，也矛盾；
• $\alpha <\gamma <\beta$，只能是这种情况。因为$f^{{}^{\prime }}(b)$连续，所以$(a,b)$上至少存在一个点$\xi$，使得$$f^{{}^{\prime }}(\xi )=\frac{f(b)-f(a)}{b-a}$$
  有限增量定理(微分中值定理)
  设$x$为区间$[a,b]$内一点，$x+\Delta x$为这区间内的另一点($\Delta x>0或\Delta x<0$)，则拉格朗日中值定理在区间$[x,x+\Delta x](当\Delta x>0时)$或在区间$[x+\Delta x,x](当\Delta x<0时)$上就成为$f(x+\Delta x)-f(x)=f^{\prime }(x+\theta \Delta x)\Delta x(0<\theta <1)$。函数的微分$dy=f^{\prime }(x)\cdot \Delta x$是函数的增量$\Delta y$的近似表达式，一般说来以$dy$近似代替$\Delta y$是产生的误差只有当$\Delta x\to 0$时才趋于0；但是这个定理给出了自变量取得有限增量$\Delta x(|\Delta x|$不一定很小时)，函数增量$\Delta y$的准确表达式。这个就可以用来推导泰勒中值定理，也是泰勒公式能用于近似计算的关键(泰勒展开在不一定在很小范围内也能成立)。
  柯西中值定理

如果函数$f(x)$及$F(x)$满足
(1)在闭区间$[a,b]$上连续；
(2)在开区间$(a,b)$上可导；
(3)对任意$x\in (a,b)$,$F^{\prime }(x)\ne 0$
那么在$(a,b)$内至少存在一点$\xi$，使等式
$$\frac{f(b)-f(a)}{F(b)-F(a)}=\frac{f^{\prime }(\xi )}{F^{\prime }(\xi )}$$成立.

证明：先对结论做些分析，基本思路还是转换成罗尔定理或者拉格朗日定理。以上等式右边是两个导数的比值，不好处理，可以做个移项。
$$\frac{f(b)-f(a)}{F(b)-F(a)}{F}^{\prime }(\xi )-f^{\prime }(\xi )=0$$
令$$\phi (x)=\frac{f(b)-f(a)}{F(b)-F(a)}F(\xi )-f(\xi )$$
则$${\phi }^{\prime }(x)=\frac{f(b)-f(a)}{F(b)-F(a)}{F}^{\prime }(\xi )-f^{\prime }(\xi )$$
可以证明$\phi (a)=\phi (b)$，应用罗尔定理，可以得到证明。
拉格朗日中值定理的重要作用之一就是证明洛必达法则。
问题：能不能通过分子分母都除以$b-a$的方式来证明？因为$f(b)-f(a)=f^{\prime }(\xi )(b-a),F(b)-F(a)=F^{\prime }(\xi )(b-a)$，分子分母相除，即可得证？不行。因为这种情况下两个$\xi$不见得取得同一个值。

洛必达法则(L’Hospital Principle)
1)当$x\to a$时，函数$f(x)$及$F(x)$都趋于0;
2)在点a的某去心邻域内$f^{\prime }(x)$及$F^{\prime }(x)$都存在且$F^{\prime }(x)\ne 0$;
3)$\underset{x\to a}{\lim }\frac{f^{\prime }(x)}{F^{\prime }(x)}$存在或者为无穷大，则
$$\underset{x\to a}{\lim }\frac{f(x)}{F(x)}=\underset{x\to a}{\lim }\frac{f^{\prime }(x)}{F^{\prime }(x)}$$

证明：由条件1，不妨设$f(a)=F(a)=0$(这样并不影响函数的连续性、和$x\to a$时的极限，并且这个也是为甚么洛必达法则只能用在分子分母都趋于0的场景)
$$\begin{array}{rl}\frac{f(x)}{F(x)}& =\frac{f(x)-f(a)}{F(x)-F(a)}=\frac{f^{\prime }(\xi )}{F^{\prime }(\xi )}(其中\xi 在x,a之间)\\ \underset{x\to a}{\lim }\frac{f^{\prime }(\xi )}{F^{\prime }(\xi )}& =\frac{f^{\prime }(a)}{F^{\prime }(a)}\end{array}$$

洛必达法则推论
1)当$x\to a$时，函数$f(x)$及$F(x)$都趋于0;
2)在点a的某去心邻域内$f^{\prime }(x)$及$F^{\prime }(x)$都存在且$F^{\prime }(x)\ne 0$;
3)$\underset{x\to a}{\lim }\frac{f^{\prime }(x)}{F^{\prime }(x)}$存在(不包含无穷大);
若另有$h(x)$在$x=a$存在极限，则
$$\underset{x\to a}{\lim }h(x)\frac{f(x)}{F(x)}=\underset{x\to a}{\lim }h(x)\frac{f^{\prime }(x)}{F^{\prime }(x)}=\frac{[h(x)f(x){]}^{\prime }}{F^{\prime }(x)}$$
即，如果$h(x)$在$a$处存在极限，此时，分子对$h(x)f(x)$求导还是对$f(x)$求导对结果没有影响。

证明1: 根据极限的运算(若两个极限存在，则乘积的极限等于极限的乘积)；
证明2:
$$\begin{array}{rl}h(x)\frac{f(x)}{F(x)}& =\frac{h(x)[f(x)-f(a)]}{F(x)-F(a)}=h(x)\frac{f^{\prime }(\xi )}{F^{\prime }(\xi )}(其中\xi 在x,a之间)\\ \underset{x\to a}{\lim }h(x)\frac{f^{\prime }(\xi )}{F^{\prime }(\xi )}& =h(a)\frac{f^{\prime }(a)}{F^{\prime }(a)}\text{(}乘积的极限等于极限的乘积)\end{array}$$
另一方面
$$\begin{array}{rl}\frac{h(x)f(x)}{F(x)}& =\frac{h(x)f(x)-h(a)f(a)}{F(x)-F(a)}=\frac{[h(\xi )f(\xi ){]}^{\prime }}{F^{\prime }(\xi )}(其中\xi 在x,a之间)\\ \underset{x\to a}{\lim }\frac{[h(\xi )f(\xi ){]}^{\prime }}{F^{\prime }(\xi )}& =\frac{[h(a)f(a){]}^{\prime }}{F^{\prime }(a)}\end{array}$$

泰勒公式

设$f(x)$在$x_0$处具有$n$阶导数，试找出一个关于$x-x_0$的$n$次多项式
$$p_n(x)=a_0+a_1(x-x_0)+a_2(x-x_0{)}^2+...+a_n(x-x_0{)}^n$$
来近似表达$f(x)$，要求使得$p_n(x)$与$f(x)$之差是当$x\to x_0$时比$(x-x_0{)}^n$的高阶的无穷小.
假设$p_n(x)$在$x_0$处的函数值即它的直到$n$阶导数在$x_0$处的值依此与$f(x_0),f^{\prime }(x_0),...f^{(n)}(x_0)$相等，即满足
$$\{\begin{array}{l}\begin{array}{rlrl}{p}_n(x_0)& =& f(x_0)& (0阶导数)\\ p_n^{\prime }(x_0)& =& f^{\prime }(x_0)& (1阶导数)\\ p_n^{\prime \prime }(x_0)& =& f^{\prime \prime }(x_0)& (2阶导数)\\ ...& & & \\ p_n^{(n)}(x_0)& =& f^{(n)}(x_0)& (n阶导数)\end{array}\end{array}$$
可以求得
$$\{\begin{array}{l}\begin{array}{rlrlr}{p}_n(x_0)& =a_0& =& f(x_0)& (0阶导数)\\ p_n^{\prime }(x_0)& =1!a_1& =& f^{\prime }(x_0)& (1阶导数)\\ p_n^{\prime \prime }(x_0)& =2!a_2& =& f^{\prime \prime }(x_0)& (2阶导数)\\ ...& & & & \\ p_n^{(n)}(x_0)& =n!a_n& =& f^{(n)}(x_0)& (n阶导数)\end{array}\end{array}$$
故$$p_n(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+...+\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n$$
注意泰勒公式相等的意义：是$n$阶导数都相等，不是严格要求值都相等。正如傅里叶级数相等的意义是能量相等，而不是值完全相等(Gibbs效应)

泰勒(Taylor)中值定理1: 如果函数$f(x)$在$x_0$处具有$n$阶导数，那么存在$x_0$的一个邻域，对于该邻域内的任一$x$，有
$$\begin{array}{rl}f(x)& =\sum _{n=0}^{N-1}\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+R_N(x)\\ & =f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+...+\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+R_n(x)\end{array}$$
其中$R_n(x)=o((x-x_0{)}^n)$.

证明：
记$R_n(x)=f(x)-p_n(x)$，则
$R_n(x_0)=R_n^{\prime }(x_0)=R_n^{\prime \prime }(x_0)=...=R_n^{(n)}(x_0)=0$
由于$f(x)$在$x_0$处有$n$阶导数，因此$f(x)$必在$x_0$的某邻域内存在$(n-1)$阶导数，从而$R_n(x)$也在该邻域内$n-1$阶可导，反复应用洛必达法则，得到
$$\begin{array}{rl}\underset{x\to x_0}{\lim }\frac{R_n(x)}{(x-x_0{)}^n}& =\underset{x\to x_0}{\lim }\frac{R_n^{\prime }(x)}{n(x-x_0{)}^{n-1}}\\ & =\underset{x\to x_0}{\lim }\frac{R_n^{\prime \prime }(x)}{n(n-1)(x-x_0{)}^{n-2}}\\ & =\underset{x\to x_0}{\lim }\frac{R_n^{(n-1)}(x)}{n!(x-x_0)}\\ & \stackrel{R_n^{(n-1)}(x_0)=0}{=}\underset{x\to x_0}{\lim }\frac{R_n^{(n-1)}(x)-R_n^{(n-1)}(x_0)}{n!(x-x_0)}\\ & =\frac{1}{n!}{R}_n^{(n)}(x_0)=0\end{array}$$
因此$R_n(x)$是$(x-x_0{)}^n$的更高阶无穷小，得证。

泰勒(Taylor)中值定理2 如果函数$f(x)$在$x_0$的某个邻域U(x_0)内具有$n+1$阶导数，有
$$f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+...+\frac{f^{(n)}}{n!}(x-x_0{)}^n+R_n(x)$$
其中
$$R_n(x)=\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0{)}^{(n+1)}$$
$\xi$是$x_0$与$x$之间的某个值.

导数

定义
设函数$y=f(x)$在点$x_0$的某个邻域内有定义，当自变量$x$在$x_0$处取得增量$\Delta x$（点$x_0+\Delta x$仍在该邻域内）是，相应的，因变量取得增量$\Delta y=f(x_0+\Delta x)-f(x_0)$；如果$\Delta y与\Delta x$之比当$\Delta x\to 0$时的极限存在，那么称函数$y=f(x)$在点$x_0$处可导，并称这个极限为函数$y=f(x)$在点$x_0$处的导数，记为$f^{\prime }(x_0)$，即
$$f^{\prime }(x_0)=\underset{\Delta x\to 0}{\lim }\frac{\Delta y}{\Delta x}=\underset{\Delta x\to 0}{\lim }\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}$$
基本初等函数导数

• 幂函数：$f(x)=x^{\mu }(\mu \in R),则f^{\prime }(x)=\mu x^{\mu -1}$
• 指数函数： $f(x)=a^x(a>0,a\ne 1,a\in R),则f^{\prime }(x)=a^x\ln a$
• 对数函数：$f(x)={\log }_{a}x(a>0,a\ne 1,a\in R),则f^{\prime }(x)=\frac{1}{x}\ln a$
• 三角函数：$f(x)=\sin x,f^{\prime }(x)=\cos x$
• 反三角函数：$f(x)=\arcsin x,f^{\prime }(x)=?$
  证明：
• 幂函数：
  $$\begin{array}{rl}{f}^{\prime }(x)& =\underset{\Delta x\to 0}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{(x+\Delta x{)}^{\mu }-x^{\mu }}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }{x}^{\mu }\frac{(1+\frac{\Delta x}{x}{)}^{\mu }-1}{\Delta x}\\ & =\mu x^{\mu -1}\end{array}$$
• 指数函数：
  $$\begin{array}{rl}{f}^{\prime }(x)& =\underset{\Delta x\to 0}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{a^{(x+\Delta x)}-a^x}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }{a}^x\frac{a^{\Delta x}-1}{\Delta x}\\ & =a^x\ln a\end{array}$$
• 对数函数
  $$\begin{array}{rl}{f}^{\prime }(x)& =\underset{\Delta x\to 0}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{\ln (x+\Delta x)-\ln x}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\ln (1+\frac{\Delta x}{x}{)}^{\frac{1}{\Delta x}}\\ & =\underset{\Delta x\to 0}{\lim }\frac{1}{x}\ln (1+\frac{\Delta x}{x}{)}^{\frac{x}{\Delta x}}\\ & =\frac{1}{x}\end{array}$$
• 三角函数(也可以使用和差化积公式直接求)
  $$\begin{array}{rl}{f}^{\prime }(x)& =\underset{\Delta x\to 0}{\lim }\frac{f(x+\Delta x)-f(x)}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{\sin (x+\Delta x)-\sin x}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{\sin x\cos \Delta x+\cos x\sin \Delta x-\sin x}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{\sin x(\cos \Delta x-1)+\cos x\sin \Delta x}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{\sin x(\cos \Delta x-1)}{\Delta x}+\frac{\cos x\sin \Delta x}{\Delta x}\\ & =\underset{\Delta x\to 0}{\lim }\frac{\sin x(1-2{\sin }^2\frac{\Delta x}{2}-1)}{\Delta x}+\frac{\cos x\sin \Delta x}{\Delta x}\\ & =\cos x\end{array}$$
  隐函数求导
  求$e^y+xy-e=0$确定的隐函数的导数$\frac{dy}{dx}$，两边同时求导得到
  $$\begin{gathered} e^y\cdot \frac{dy}{dx}+y+x\frac{dy}{dx}=0 \\ ⟹\frac{dy}{dx}=\frac{-y}{d^y+x} \end{gathered}$$
  带参数的方程求导
  $$\begin{gathered} \{\begin{array}{l}x=\phi (t)\\ y=\psi (t)\end{array}， \\ 则\frac{dy}{dx}=\frac{dy}{dt}\cdot \frac{dt}{dx}=\frac{{\psi }^{\prime }(x)}{{\phi }^{\prime }(x)} \end{gathered}$$

反函数求导法则
$$\begin{gathered} x=f^{-1}(y) \\ ⟹1=f^{-1}(y)\cdot \frac{dy}{dx} \end{gathered}$$
证明：
$$\begin{array}{rl}[f^{-1}(y){]}^{\prime }& =\underset{\Delta y\to 0}{\lim }\frac{f^{-1}(y+\Delta y)-f^{-1}(y)}{\Delta y}\\ & =\underset{\Delta y\to 0}{\lim }\frac{(x+\Delta x)-x}{\Delta y}\\ & =\underset{\Delta y\to 0}{\lim }\frac{\Delta x}{\Delta y}\\ & =\underset{\Delta y\to 0}{\lim }\frac{1}{\frac{\Delta y}{\Delta x}}\\ & =\frac{1}{f^{\prime }(y)}\end{array}$$
举例：
$$y=f(x)=arcsinx，求f^{\prime }(x)$$
$$\begin{array}{rl}\{\begin{array}{ll}y& =arcsinx\\ x& =siny\end{array}& \\ y^{\prime }& =\frac{1}{x^{\prime }}=\frac{1}{cosy}=\frac{1}{cos(arcsinx)}\end{array}$$
使用图形法对导数进行化简，假设三角形三边为$a,b,c，a对角为\theta$，
则有：
$$\begin{gathered} x=sin\theta =\frac{a}{c} \\ ⟹\theta =arcsinx \\ ⟹cosarcsinx=cos\theta =\frac{b}{c}=\frac{\sqrt{c^2-a^2}}{c}=\sqrt{1-\frac{a^2}{c^2}}=\sqrt{1-x^2} \\ ⟹y^{\prime }=\sqrt{1-x^2} \end{gathered}$$

微分定义
设函数$y=f(x)$在某区间内有定义，$x_0$及$x_0+\Delta x$在这个区间内，如果函数的增量$\Delta y=f(x_0+\Delta x)-f(x_0)$可表示为$\Delta y=A\Delta x+o(\Delta x)$，其中$A$是不依赖于$\Delta x$的常数，那么称函数$y=f(x)$在点$x_0$是可微的，二$A\Delta x$叫做函数$y=f(x)$在点$x_0$响应于自变量$\Delta x$的微分，记作$dy$，即$dy=A\Delta x$
泰勒(Taylor)中值定理
如果函数$f(x)$在$x_0$处具有$n$阶导数，那么存在$x_0$的一个邻域，对于该邻域内的任一$x$，有
$$\begin{array}{rl}f(x)& =f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+...+\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+R_n(x)\\ & =\sum _{i=0}^n\frac{f^{(i)}(x_0)}{i!}(x-x_0{)}^i+R_n(x)\end{array}$$
其中$$R_n(x)=o((x-x_0{)}^n)$$
证明：
$$\begin{array}{rl}\underset{x\to x_0}{\lim }\frac{R_n(x)}{(x-x_0{)}^n}& =\underset{x\to x_0}{\lim }\frac{f(x)-f(x_0)-\sum _{i=1}^n\frac{f^{(i)}(x_0)}{n!}(x-x_0{)}^n}{(x-x_0{)}^n}\end{array}$$
当$x\to x_0$时，上式的分子分母都趋向于0，可以使用$n$次洛必达法则，得到上式结果为
$$\underset{x\to x_0}{\lim }\frac{R_n(x)}{(x-x_0{)}^n}=\underset{x\to x_0}{\lim }\frac{f^{(n)}(x)-f^{(n)}(x_0)}{n!}=0$$
故$R_n(x)$是$(x-x_0{)}^n$的更高阶无穷小。
若$f(x)$在该邻域内有$n+1$阶导数，则
$$R_n(x)=\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0{)}^{(n+1)}(其中\xi 介于x和x_0之间)$$
同样使用$n$次洛必达法则，然后使用拉格朗日中值定理，即可证明。
如果使用泰勒展开式求解函数的近似值，则其收敛速度是阶乘速度的。例如求自然对数的底$e$
$$\begin{gathered} 若f(x)=e^x，则e=e^1。取x_0=0,x=1，则有 \\ f(x)=\sum _{i=0}^n{f}^{(i)}(x-x_0{)}^i=1+1+\frac{1}{2!}+...+\frac{1}{i!} \end{gathered}$$
函数单调性
设函数$y=f(x)在[a,b]$上连续，在$(a,b)$内可导。
1)若在$(a,b)$内$f^{\prime }(x)\ge 0$，且等号仅在有限多个点处成立，那么函数$y=f(x)$在$[a,b]$上单调增加；
2)若在$(a,b)$内$f^{\prime }(x)\le 0$，且等号仅在有限多个点处成立，那么函数$y=f(x)$在$[a,b]$上单调减少；