多元函数的微分学¶
偏导数与全微分¶
偏导数¶
定义 12.1.1¶
- 设 \(D\underset{open}{\subset}R^2, z=f(x, y), (x, y)\in D\),若极限
-
\[\lim\limits_{\Delta x\to 0}\frac{f(x_0+\Delta x, y_0)-f(x_0, y_0)}{\Delta x}\]
- 存在,则称函数 \(z=f(x, y)\) 在点 \((x_0, y_0)\) 处关于 \(x\) 的可求偏导数,并记此极限为 \(f\) 在 \((x_0, y_0)\) 处关于 \(x\) 的偏导数, 记为
-
\[\frac{\partial z}{\partial x}{(x_0, y_0)}(\text{或} \frac{\partial f}{\partial x}{(x_0, y_0)}, f_x(x_0, y_0))\]
-
-
方向导数¶
[!NOTE] 偏导数是沿着坐标轴方向的导数, 给定任一方向, 如何求函数变化率?
定义 12.1.2¶
- \(D\underset{open}{\subset}R^2, z=f(x, y), (x, y)\in D\),点 \(P_0(x_0, y_0)\in D\),向量 \(\nu = (\cos\alpha, \sin\alpha)\), 若极限
-
\[\lim\limits_{t\to 0}\frac{f(x_0+t\cos\alpha, y_0+t\sin\alpha)-f(x_0, y_0)}{t}\]
- 存在,则称此极限为函数 \(z=f(x, y)\) 在点 \(P_0\) 处沿方向 \(\nu\) 的方向导数,记为
-
\[\frac{\partial z}{\partial \nu}{(x_0, y_0)}\]
-
-
[!NOTE] 令 \(e_1=(1, 0), e_2=(0, 1)\), 则 \(f\) 关于 \(x\) 可偏导的充要条件是 \(f\) 在 \(P_0\) 处沿 \(e_1, -e_1\) 的方向导数存在且互为相反数
全微分¶
- 对函数 \(z=f(x, y)\), 记它的全增量为
-
\[\Delta z = f(x_0+\Delta x, y_0+\Delta y)-f(x_0, y_0)\]
-
定义 12.1.3¶
- \(D\underset{open}{\subset}R^2, z=f(x, y), (x, y)\in D, P_0(x_0, y_0)\in D\), 若存在只与 \(P_0\) 有关的常数 \(A, B, s.t.\)
-
\[\Delta z = A\Delta x + B\Delta y + o(\sqrt{(\Delta x)^2+(\Delta y)^2})\]
- 则称函数 \(z=f(x, y)\) 在点 \(P_0\) 处可微分,并称其线性主部 \(A\Delta x + B\Delta y\) 为 \(f\) 在 \(P_0\) 处的全微分, 记为 \(dz(x_0, y_0)\).
-
[!NOTE] 全微分公式: \(dz = \frac{\partial z}{\partial x}dx + \frac{\partial z}{\partial y}dy\)
定理 12.1.1¶
- 若 \(f\) 在 \(P_0\) 处可微, 则它的任意方向导数存在, 且有
-
\[\frac{\partial z}{\partial \nu}{(x_0, y_0)} = \frac{\partial z}{\partial x}{(x_0, y_0)}\cos\alpha + \frac{\partial z}{\partial y}{(x_0, y_0)}\sin\alpha\]
- 其中 \(\nu = (\cos\alpha, \sin\alpha)\)
-
定理 12.1.2¶
- 若函数在 \(P_0\) 的某个邻域上有连续的偏导数, 则 \(f\) 在 \(P_0\) 处可微
梯度¶
定义 12.1.4¶
-
若函数 \(f\) 在 \(P_0\) 处可偏导.则称向量 \((\frac{\partial f}{\partial x}{(x_0, y_0)}, \frac{\partial f}{\partial y}{(x_0, y_0)})\) 为 \(f\) 在 \(P_0\) 处的梯度, 记为 \(\text{grad} f(x_0, y_0)\), 即
-
\[\text{grad}f(x_0, y_0) = f_x(x_0, y_0)\vec{i} + f_y(x_0, y_0)\vec{j}\]
-
-
进一步若 \(f\) 在 \(P_0\) 处可微, 那么方向导数有如下表达
-
\[\frac{\partial f}{\partial \nu}=\text{grad}f \cdot \nu\]
-
[!NOTE] 梯度有如下性质
\(f=c\in R\implies \text{grad}f=0\) \(\text{grad}(\alpha f+\beta g) = \alpha\text{grad}f+\beta\text{grad}g\) \(\text{grad}fg=f\text{grad}g+g\text{grad}f\) \(\text{grad}\frac{f}{g} = \frac{g\text{grad}f-f\text{grad}g}{g^2}\)
高阶偏导数¶
- 推广一下就行
定理 12.1.3¶
- 若\(f_{xy}, f_{yx}\in C(\{P_0\})\), 即在 \(P_0\) 处连续, 则 \(f_{xy})(x_0, y_0)=f_{yx}(x_0, y_0)\)
高阶微分¶
-
二元: \(d^kz=(dx\frac{\partial}{\partial x}+dy\frac{\partial}{\partial y})^kz\)
-
多元: \(d^ku = (dx_1\frac{\partial}{\partial x_1}+dx_2\frac{\partial}{\partial x_2}+\cdots+dx_n\frac{\partial}{\partial x_n})^ku\)
向量值函数的导数¶
- 称矩阵
- $$(\frac{\partial f_i}{\partial x_j})_{m\times n}=\begin{pmatrix} \frac{\partial f_1}{x_1} & \frac{\partial f_1}{x_2} & \cdots & \frac{\partial f_1}{x_n} \ \frac{\partial f_2}{x_1} & \frac{\partial f_2}{x_2} & \cdots & \frac{\partial f_2}{x_n}\ \vdots & \vdots & \cdots & \vdots \ \frac{\partial f_m}{x_1} & \frac{\partial f_m}{x_2} & \cdots & \frac{\partial f_m}{x_n} \end{pmatrix}
- 为向量值函数 \(f\) 的 \(Jacobi\) 矩阵
定理 12.1.4¶
- 向量值函数可微的充要条件是其各个分量可微
多元复合函数的求导法则¶
链式法则¶
定理 12.2.1 链式法则¶
- 设 \(f\) 在 \((x_0, y_0)\) 可微, \(x(u,, v), y(u, v)\) 可偏导, 那么
-
\[\frac{dz}{du} = \frac{\partial z}{\partial x}\frac{dx}{du} + \frac{\partial z}{\partial y}\frac{dy}{du}\]
-
\[\frac{dz}{dv} = \frac{\partial z}{\partial x}\frac{dx}{dv} + \frac{\partial z}{\partial y}\frac{dy}{dv}\]
-
[!NOTE] 这里 \(f\) 可微不能减弱为可偏导
定理 12.2.2 链式法则推广¶
- 设 \(y_i\) 在 \(x_i\) 处可导, \(f\) 在 \(y_i(x_i)\) 处可微, 那么
-
\[\frac{\partial f}{\partial x_i} = \sum\frac{\partial f}{\partial y_j}\frac{\partial y_j}{\partial x_i}\]
-
定理 12.2.3¶
-
对向量值函数有如下复合法则
-
\[(\vec{f}\circ \vec{g})' = \vec{f}'\circ \vec{g}\cdot \vec{g}'\]
- 其中 \(\vec{f}', \vec{g}'\) 为 \(Jacobi\) 矩阵
-
-
举例
-
\[\begin{pmatrix} \frac{\partial x}{\partial s} & \frac{\partial x}{\partial t} \\ \frac{\partial y}{\partial s} & \frac{\partial y}{\partial t} \end{pmatrix}= \begin{pmatrix} \frac{\partial x}{\partial u} & \frac{\partial x}{\partial v} \\ \frac{\partial y}{\partial u} & \frac{\partial y}{\partial v} \end{pmatrix}\begin{pmatrix} \frac{\partial u}{\partial s} & \frac{\partial u}{\partial t} \\ \frac{\partial v}{\partial s} & \frac{\partial v}{\partial t} \end{pmatrix}\]
-
一阶微分形式不变性¶
- 无论\(x, y\) 是自变量还是中间变量, 一阶微分有相同的形式
中值定理和泰勒公式¶
中值定理¶
定义 12.3.1 凸区域¶
- 设 \(D\subset R^2\) 是区域, 若对 \(D\) 中任意两点 \(P_1, P_2\) 都有 \(P_1P_2\subset D\), 则称 \(D\) 为凸区域
定理 12.3.1 中值定理¶
- 设二元函数 \(f(x, y)\) 在凸区域 \(D\subset R^2\) 上可为, 则对 \(D\) 中任意两点 \((x_0, y_0), (x_0+\Delta x, y_0+\Delta y)\), 存在至少一个 \(\theta\in (0, 1), s.t.\)
-
\[f(x_0+\Delta x, y_0+\Delta y)-f(x_0, y_0)=f_x(x_0+\theta\Delta x, y_0+\theta\Delta y)\Delta x+f_y(x_0+\Delta x, y_0+\Delta y)\Delta y\]
-
推论 12.3.1¶
- 若二元函数在区域上的偏导数恒为零, 则其为常值函数
定理 12.3.2¶
- 设 \(n\) 元函数在凸区域 \(D\subset R^n\) 上可微, 则对 \(D\) 中任意两点 \(P_1, P_2\), 存在至少一个 \(\theta\in (0, 1), s.t.\)
-
\[f(P_2)-f(P_1)=\sum_{i=1}^n\frac{\partial f}{\partial x_i}(P_1+\theta (P_2-P_1))\Delta \vec{x}_i\]
-
泰勒公式¶
定理 12.3.3¶
- 若 \(f\) 在 \(P_0\) 的邻域上有 \(k+1\) 阶的连续偏导数, 那么对邻域中任何一点成立
-
\[f(P_0+\Delta \vec{x}) = f(P_0)+\sum_{i=1}^k\frac{1}{i!}(\Delta x\frac{\partial}{\partial x}+\Delta y\frac{\partial}{\partial y})^i f(P_0) + R_k\]
- 其中 \(R_k = \frac{1}{(k+1)!}(\Delta x\frac{\partial}{\partial x}+\Delta y\frac{\partial}{\partial y})^{k+1}f(P_0+\theta\Delta \vec{x})\)
-
推论 12.3.2¶
- \(R_k = o((\sqrt{(\Delta x)^2+(\Delta y)^2})^k)\)
定理 12.3.4¶
- 对 \(n\) 元函数
-
\[f(P_0+\Delta \vec{x}) = f(P_0)+\sum_{i=1}^k\frac{1}{i!}(\Delta x_1\frac{\partial}{\partial x_1}+\cdots+\Delta x_n\frac{\partial}{\partial x_n})^i f(P_0) + R_k\]
-
隐函数¶
单个方程¶
定理 12.4.1 隐函数存在定理¶
- 若函数 \(F(x, y)\) 满足
- \(F(x_0, y_0)=0\)
- 在闭矩形 \(D = \{(x, y)||x-x_0|\leq a, |y-y_0|\leq b\}\) 上连续, 且有连续偏导数
- \(F_y(x_0, y_0)\neq 0\)
那么 - 在 \(x_0\) 的某个邻域上存在唯一的函数 \(y=f(x), x\in O(x_0, \rho)\), 使得 - \(F(x, f(x))=0\) - \(f\in C(O(x_0, \rho))\) - \(f'=-\frac{F_x}{F_y}\in C(O(x_0, \rho))\)
定理 12.4.2 隐函数存在定理推广¶
- 若函数 \(F(x_1, x_2, \cdots, x_n, y)\) 满足
- \(F(x_1^0, x_2^0, \cdots, x_n^0, y^0)=0\)
- 在闭矩形 \(D = \{(x_1, x_2, \cdots, x_n, y)||x_i-x_i^0|\leq a_i, |y-y^0|\leq b\}\) 上连续, 且有连续偏导数
- \(F_y(x_1^0, x_2^0, \cdots, x_n, y^0)\neq 0\)
那么 - 在 \((x_1^0, x_2^0, \cdots, x_n^0)\) 的某个邻域上存在唯一的函数 \(y=f(x_1, x_2, \cdots, x_n), x_i\in O(x_i^0, \rho)\), 使得 - \(F(x_1, x_2, \cdots, x_n, f(x_1, x_2, \cdots, x_n))=0\) - \(f\in C(O(\vec{x_0}, \rho))\) - \(f_i'=-\frac{F_{x_i}}{F_y}\in C(O(\vec{x_0}, \rho))\)
多个方程¶
定理 12.4.3¶
-
若函数 \(F(x, y, u, v), G(x, y, u, v)\) 满足
- \(F\left(x_0, y_0, u_0, v_0\right)=0, G\left(x_0, y_0, u_0, v_0\right)=0\);
- 在闭长方体\(D=\left\{(x, y, u, v)|| x-x_0|\leqslant a, | y-y_0|\leqslant b, | u-u_0|\leqslant c, | v-v_0 \mid \leqslant d\right\}\) 上, 函数 \(F, G\) 连续, 且具有连续偏导数;
- 在 \(\left(x_0, y_0, u_0, v_0\right)\) 点, 行列式\(\frac{\partial(F, G)}{\partial(u, v)}=\left|\begin{array}{ll}F_u & F_v\\G_u & G_v \end{array}\right| \neq 0\)
那么
-
在点 \(\left(x_0, y_0, u_0, v_0\right)\) 附近可以从函数方程组
- \(\(\left\{\begin{array}{l}F(x, y, u, v)=0 \\G(x, y, u, v)=0\end{array}\right.\)\) 惟一确定向量值隐函数
-
\[\binom{u}{v}=\binom{f(x, y)}{g(x, y)}, \quad(x, y) \in O\left(\left(x_0, y_0\right), \rho\right), \]
-
它满足 \(\left\{\begin{array}{l}F(x, y, f(x, y), g(x, y))=0, \\ G(x, y, f(x, y), g(x, y))=0, \end{array}\right.\) 以及 \(u_0=f\left(x_0, y_0\right), v_0=g\left(x_0, y_0\right)\);
- 这个向量值隐函数在 \(O\left(\left(x_0, y_0\right), \rho\right)\) 上连续;
- 这个向量值隐函数在 \(O\left(\left(x_0, y_0\right), \rho\right)\) 上具有连续的导数, 且
-
\[\left(\begin{array}{ll}\frac{\partial u}{\partial x} & \frac{\partial u}{\partial y} \\\frac{\partial v}{\partial x} & \frac{\partial v}{\partial y}\end{array}\right)=-\left(\begin{array}{ll}F_u & F_v \\G_u & G_v\end{array}\right)^{-1}\left(\begin{array}{ll}F_x & F_y \\G_x & G_y\end{array}\right)\]
-
定理 12.4.4¶
- 多个函数时平行推广即可
逆映射定理¶
定理 12.4.5¶
-
\[\frac{\partial(x, y)}{\partial(u, v)} \begin{pmatrix} \frac{\partial x}{\partial u} & \frac{\partial x}{\partial v} \\ \frac{\partial y}{\partial u} & \frac{\partial y}{\partial v}\end{pmatrix} = \begin{pmatrix} \frac{\partial u}{\partial x} & \frac{\partial u}{\partial y} \\ \frac{\partial v}{\partial x} & \frac{\partial v}{\partial y}\end{pmatrix}\]
定理 12.4.6¶
- \(D\underset{open}{\subset}R^2, f'\in C(D)\exists\) 若 \(f\) 的 jacobi 行列式不等于零, 则\(f\) 的像是开集
偏导数在几何中的应用¶
空间曲线的切线和法平面¶
- 空间曲线的参数方程 \(\vec{r}(t)=(x(t), y(t), z(t))\)
定义 12.5.1¶
- 若 \(\vec{r}'(t) = x'(t)\vec{i}+y'(t)\vec{j}+z'(t)\vec{k}\in C[a, b]\), 且 \(\vec{r}'(t)\neq \vec{0}\), 则称 \(\vec{r}(t)\) 在 \([a, b]\) 上所确定的空间曲线是 光滑曲线
[!NOTE] 切向量 \(\vec{r}'(t)=(x'(t), y'(t), z'(t))\) 与曲线的切线平行, \(P_0\) 处的切线方程为
\(\frac{x-x_0}{x'(t_0)}=\frac{y-y_0}{y'(t_0)}=\frac{z-z_0}{z'(t_0)}\)
法平面方程为 \(\vec{r}'(t_0)\cdot (\vec{x}-\vec{x_0})=0\)
即: \(x'(t_0)(x-x_0)+y'(t_0)(y-y_0)+z'(t_0)(z-z_0)=0\)
- 若曲线由平面的交确定, 即 \(l:\begin{cases} F(x, y, z)=0\\G(x, y, z)=0\end{cases}\), 则曲线的切线向量可表示为
- \(r'(P_0) = \frac{\partial(F, G)}{\partial(y, z)}\vec{i}+\frac{\partial(F, G)}{\partial(z, x)}\vec{j}+\frac{\partial(F, G)}{\partial(x, y)}\vec{k}\)
- 则切线方程和法平面方程容易写出
定理 12.5.1¶
- \(l:\begin{cases} F(x, y, z)=0\\G(x, y, z)=0\end{cases}\) 在 \(P_0\) 处的法平面是 \(\text{grad}F, \text{grad}G\) 张成的过 \(P_0\) 的平面
曲面的切平面与法线¶
- 曲面的参数方程 \(F(x, y, z)=0\)
- 法向量 \(\vec{n} = (F_x, F_y, F_z)\)
- 切平面方程 \(\vec{n}\cdot (\vec{x}-\vec{x_0})=0\) 即 \(F_x(x-x_0)+F_y(y-y_0)+F_z(z-z_0)=0\)
- 法线方程 \(\frac{x-x_0}{F_x}=\frac{y-y_0}{F_y}=\frac{z-z_0}{F_z}\)
[!NOTE] 若 \(z=f(x, y)\) 则在 \(P_0\) 点可以用切平面代替函数, 其误差是 \(o(\sqrt{(\Delta x)^2+(\Delta y)^2})\)
- 若曲面参数方程以 \(\vec{r}(u, v)=(x(u, v), y(u, v), z(u, v))\) 形式给出, 则切平面方程为
- \(\vec{n} = (\frac{\partial(y, z)}{\partial(u, v)}, \frac{\partial(z, x)}{\partial(u, v)}, \frac{\partial(x, y)}{\partial(u, v)})\)
- 由此可以得到切平面和法线方程
无条件极值¶
无条件极值¶
定义 12.6.1¶
- \(D\underset{open}{\subset}R^n, \vec{x_0}\in D, D_f\subset D\), 若 \(\exists \delta>0, s.t.\forall \vec{x}\in O(\vec{x_0}, \delta): f(\vec{x})\geq f(\vec{x_0})\)
- 则称 \(\vec{x_0}\) 为 \(f\) 的 极大值点
- 同理可以定义 极小值点
定理 12.6.1 必要条件¶
- 若 \(\vec{x_0}\) 为 \(f\) 的极值点, 且 \(f\) 在 \(\vec{x_0}\) 处可偏导, 则 \(f\) 的各个一阶偏导数值都为 \(0\)
[!NOTE] 使得 \(f\) 的各个一阶偏导数值同时为 \(0\) 的点称为 \(f\) 的 驻点
定理 12.6.2¶
- 设 \((x_0, y_0)\) 是 \(f\) 的驻点, 且\(f\) 在其附近有连续的二阶偏导数, 记
- \(A=f_{xx}(x_0, y_0), B=f_{xy}(x_0, y_0), C=f_{yy}(x_0, y_0)\) 并记
- \(H = \det\begin{pmatrix} A & B \\ B & C \end{pmatrix} = AC-B^2\) 那么
- 若 \(H>0\) :
- 若 \(A>0\) 则 \((x_0, y_0)\) 为极小值点
- 若 \(A<0\) 则 \((x_0, y_0)\) 为极大值点
- 若 \(H<0\) 则 \((x_0, y_0)\) 不是极值点
[!NOTE] 当 \(H=0\) 时, 无法判断
[!NOTE] 对一般的 \(n\) 元函数, 可以用 \(Hessian\) 矩阵来判断
条件极值和 \(Lagrange\) 乘数法¶
- 在约束 \(\begin{cases} F(x, y, z)=0 \\ G(x, y, z)=0 \end{cases}\) 下求函数 \(f(x, y, z)\) 的极值
- 构造拉格朗日函数 \(L(x, y, z, \lambda, \mu)=f(x, y, z)-\lambda F(x, y, z)-\mu G(x, y, z)\)
- 解方程组 \(\begin{cases} \frac{\partial L}{\partial x}=0 \\ \frac{\partial L}{\partial y}=0 \\ \frac{\partial L}{\partial z}=0 \\ F(x, y, z)=0 \\ G(x, y, z)=0 \end{cases}\)
- 在所有所得点中找出使 \(f\) 取得极值的点
- 构造拉格朗日函数 \(L(x, y, z, \lambda, \mu)=f(x, y, z)-\lambda F(x, y, z)-\mu G(x, y, z)\)
定理 12.7.1 条件极值的必要条件¶
- 若点 \(\vec{x_0}=(x_1^0, x_2^0, \cdots, x_n^0)\) 为满足约束 \(g_i=0, i=1, 2, \cdots, m\) 的条件极值点, 那么存在 \(m\) 个常数 \(\lambda_i, s.t.\)
- \(\text{grad} f = \sum\limits_{i=1}^m\lambda_i\text{grad} g_i\)
- 于是推广\(Lagrange\) 函数
- \(L(\vec{x}, \lambda_1, \lambda_2, \cdots, \lambda_m)=f(\vec{x})-\sum\limits_{i=1}^m\lambda_i g_i(\vec{x})\)