Files
MathNotesVersion1/公式笔记/公式专栏/高等数学/专题08_多元函数微分学.md
T
2026-10-04 11:44:56 +08:00

2.8 KiB
Raw Blame History

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。