2.8 KiB
2.8 KiB
专题 08 · 多元函数微分学
关联章节:Ch08 多元函数微分学
偏导数与全微分
f_x(x_0,y_0) = \lim_{\Delta x \to 0}\frac{f(x_0+\Delta x, y_0) - f(x_0,y_0)}{\Delta x}
全微分:$\Delta z = A\Delta x + B\Delta y + o(\rho)$,则 $dz = f_x,dx + f_y,dy$。
⚠️ 逻辑链:偏导连续 \Rightarrow 可微 \Rightarrow 连续、偏导存在;偏导存在 \not\Rightarrow 可微(反例 f=\frac{xy}{\sqrt{x^2+y^2}} 在 $(0,0)$)。
混合偏导:f_{xy}'' 与 f_{yx}'' 连续时相等。
⭐ 复合函数链式法则
$z = f(u,v)$,$u=u(x,y)$,$v=v(x,y)$:
\frac{\partial z}{\partial x} = f_u \frac{\partial u}{\partial x} + f_v \frac{\partial v}{\partial x},\qquad
\frac{\partial z}{\partial y} = f_u \frac{\partial u}{\partial y} + f_v \frac{\partial v}{\partial y}
全微分形式不变性:$dz = f_u,du + f_v,dv$(无论 u,v 是否中间变量)。
⚠️ 多层复合逐层写;求二阶偏导时 f_u 仍是 u,v 的函数,继续用链式法则。
⭐ 隐函数求导
| 情形 | 公式 |
|---|---|
F(x,y)=0 |
\dfrac{dy}{dx} = -\dfrac{F_x}{F_y} |
F(x,y,z)=0 |
$\dfrac{\partial z}{\partial x} = -\dfrac{F_x}{F_z}$,\dfrac{\partial z}{\partial y} = -\dfrac{F_y}{F_z} |
⚠️ 公式中 F_x 是把 $y$(或 $z$)当自变量求偏导,不是复合函数求导。
⭐ 方向导数与梯度
单位方向 $\mathbf{l} = (\cos\alpha, \cos\beta, \cos\gamma)$:
\frac{\partial f}{\partial l} = f_x\cos\alpha + f_y\cos\beta + f_z\cos\gamma
梯度:$\operatorname{grad} f = (f_x, f_y, f_z)$。
- 方向导数最大值 $= |\operatorname{grad} f|$,方向为梯度方向;最小值
= -|\operatorname{grad} f| - 梯度垂直于等值面,指向函数增长最快的方向
几何应用
- 显式
z=f(x,y)在(x_0,y_0)的切平面:z - z_0 = f_x(x_0,y_0)(x-x_0) + f_y(x_0,y_0)(y-y_0) - 隐式
F(x,y,z)=0的切平面:F_x(x_0,y_0,z_0)(x-x_0) + F_y(y-y_0) + F_z(z-z_0) = 0 - 法线方向:
(F_x, F_y, F_z)
⭐ 多元极值
无条件极值(驻点 $f_x = f_y = 0$,令 $A=f_{xx}$,$B=f_{xy}$,$C=f_{yy}$):
\Delta = AC - B^2
\Delta |
结论 |
|---|---|
> 0 且 A>0 |
极小值 |
> 0 且 A<0 |
极大值 |
< 0 |
非极值(鞍点) |
= 0 |
失效,另判 |
条件极值(拉格朗日乘数法):
L(x,y,\lambda) = f(x,y) + \lambda\,\varphi(x,y)
解 $\begin{cases}L_x = 0 \ L_y = 0 \ L_\lambda = 0\end{cases}$;多个约束 $L = f + \lambda_1\varphi_1 + \lambda_2\varphi_2$。
⚠️ 闭区域最值 = 内部驻点值 + 边界上最值取比较;边界用拉格朗日或化一元。