Part 5 多元函数基础
多元函数微分学
多元函数的定义
设\(D\subset \mathbb{R}^n, D\not=\varnothing\),如果存在一个对应法则\(f\),对每一个\(P(x_1, x_2\cdots x_n)\in D\), 都有唯一的一个实数\(y\)与之对应,则称\(f:\forall P\in D\mapsto y\)是\(D\)上的\(n\)元函数,记作\(y=f(P),p\in D\)或\(y=f(x_1, x_2, \cdots x_n), P(x_1, x_2, \cdots x_n)\in D\)
定义域的求法
使表达式有意义,如果还涉及实际问题,不能违背常理
平面点集的分类
二维邻域
设\(P_0(x_0,y_0)\in\mathbb{R}^2, \{P:d(P_0, P)< \delta, (\delta\)是某个正数\()P\in \mathbb{R}^2\}\xlongequal{\mathrm {def}}P_0\)的\(\delta\)邻域。类似地可以定义去心邻域。
包含关系
内点(\(int E\))、外点、边界点。全体边界点组成的集合称为边界,记作\(\partial E\)
孤立点必然是边界点
若\(int E=E\),则\(E\)为开集。
若\(\mathbb{R}^2-E\)为开集<这个不太好,因为\(\mathbb{R}^2\)既开又闭>,称\(E\)为闭集。或定义为\(\partial E\subset E\)
连通集、开区域(可简称为区域)、闭区域(\(int E+\partial E+isolated\ points\))
点集的直径:\(sup\{d(p_1, p_2), p_1, p_2\in E\}\)(直径有上界称为有界集)
多元函数的极限
类似一元函数,可以写出定义。趋近过程要求两个自变量其一不等于趋近点。
几个重要性质:
- \(\lim\limits_{x\to x_0\atop{y\to y_0}}f(x,y)=A\Leftrightarrow f(x,y)=A+\alpha(x, y)\),其中\(\lim\limits_{x\to x_0\atop{y\to y_0}}\alpha(x ,y)=0\)
- 有夹逼,无单调有界
- 有四则运算
判断二元函数极限不存在的方法:
- 不同路径趋近所得极限不同。
- 取一个路径极限不存在(少用。因为直接求极限不存在很困难)
- 累次极限均存在,且不等
多元函数的二重极限和累次极限的对比
累次极限\(\lim\limits_{y\to y_0}\lim\limits_{x\to x_0}f(x,y)\ (x\not=x_0, y\not= y_0)\)本质上是求两次求一元函数极限,与二重极限不同。
例:\(\lim\limits_{x\to0\atop{y=kx}}\frac{2xy}{x^2+y^2}=\lim\limits_{x\to0}\frac{2x\cdot kx}{x^2+k^2x^2}=\frac{2k}{1+k^2}\)无极限
但\(\lim\limits_{y\to0}\lim\limits_{x\to0}\frac{2xy}{x^2+y^2}=0\)
定理:若\(\lim\limits_{x\to x_0\atop{y\to y_0}}f(x,y),\lim\limits_{y\to y_0}\lim\limits_{x\to x_0}f(x,y),\lim\limits_{x\to x_0}\lim\limits_{y\to y_0}f(x,y)\)都存在,那么三者相等。
累次极限
累次极限本质上是一种极限的复合。所以要让外层存在极限,里层必须有极限。
从点集关系理解,由于二重极限可以一次动两个点,自由度更高,在这个极限点位于边界的情况下,存在极限的可能性更大。而累次极限至少先定一个,所以想象一下\(f(x,y)=x\sin\frac{1}{y}+y\sin\frac{1}{x}\)的定义域是一个缺十字的平面,先定其一,比如\(x\),总是一个定值,那么它所确定的\(xOz\)平面在这个狭缝周围,与曲面会切出一条不光滑的交线(主要由\(x\sin\frac{1}{y}\)决定其中\(x\)为定值,由于第二次极限结果不为0),所以累次极限不存在。
在知乎上写着写着发现问题了。这跟极限的复合是一样的。先第一次\(x\to0\),是一个平面向\(x=0\)逼近过程当中截线如同龙飞舞一般,对应每一个\(y\)的值都不稳定。从而发现第二次极限根本就不可能做,因为第一次做完,已经算不上是函数了。
多元函数的连续
多元点的趋近
多元连续函数的性质
最值定理,介值定理(零点存在性定理)
定义 全增量\(\Delta z=f(x_0+\Delta x, y_0+\Delta y)-f(x_0, y_0)\)
连续的第二种定义\(\lim\limits_{\Delta x\to0\atop{\Delta y\to0}}\Delta x=0\)
初等多元函数在定义域区域上的每一点处都连续。
分段函数\(\longrightarrow\)分块函数
多元函数的偏导数
例
求\(\frac{\partial u}{\partial y}=x^y\ln x\cdot zy^{z-1}\)(复合函数求导法则)
三种定义\(\lim\limits_{\Delta x\to0}\frac{f(x_0+\Delta x, y_0)-f(x_0, y_0)}{\Delta x}=\lim\limits_{\Delta x\to0}\frac{\Delta_xz}{\Delta x}=\lim\limits_{x\to x_0}\frac{f(x, y_0)-f(x_0, y_0)}{x-x_0}\)
四种两类记法
\(\frac{\partial z}{\partial x}\Big|_{x=x_0\atop y=y_0}=z'_x\Big|_{x=x_0\atop y=y_0}=f'_x(x_0, y_0)=\frac{\partial f}{\partial x}\Big|_{x=x_0\atop y=y_0}\)
一元函数的导数和多元函数的偏导数的关系
\(\frac{\partial}{\partial x}\)和\(\frac{\partial}{\partial y}\)才是整体的算子。
对于一个二元隐函数\(F(x,y)=0\)而言\(\frac{\mathrm dx}{\mathrm dy}\cdot\frac{\mathrm dy}{\mathrm dx}=1\)
对于三元隐函数\(G(x, y, z)\)来说,\(\frac{\partial z}{\partial x}\cdot\frac{\partial x}{\partial y}\cdot\frac{\partial y}{\partial z}=-1\)
高阶偏导数
例 \(u=\frac{1}{\sqrt{x^2+y^2+z^2}}\)
\(\frac{\partial^2 u}{\partial x^2}=-(x^2+y^2+z^2)^{-\frac{3}{2}}+3x^2(x^2+y^2+z^2)\)
轮换对称得\(\partial^2_yu,\partial^2_zu\)然后得\(\Delta=\partial^2_x+\partial^2_y+\partial^2_z=0\)称作Laplace算子
混合偏导
如果二元函数在某区域上连续则\(\frac{\partial^2}{\partial x\partial y}, \frac{\partial^2}{\partial y\partial x}\)在此区域上相等。
混合二阶偏导分母上的\(\partial x, \partial y\)顺序暂不强调,通常都相等。
全微分
\(A(x,y)\Delta x+B(x,y)\Delta y\)称为全微分。
如果\(f(x, y)\)可微,则\(\partial_x, \partial_y\)存在且\(\mathrm dz=\frac{\partial z}{\partial x}\mathrm dx+\frac{\partial z}{\partial y}\mathrm dy\)(证明时可以从退化的情况开始)
点可微必点连续。点可微必点偏导存在(\(\rho\to0\Rightarrow\Delta z\to0\))但点偏导存在推不出点可微
偏导函数点连续推点可微:理解是由于存在方向性,微分需要一个稳定拟合的切平面。为了使当\(\rho\)极小的时候这个平面稳定。必须保证至少存在一个小区域里这两个偏导函数足够光滑(然后在极限的语境之下就可以稳定了),如果其一无论如何不连续,比如震荡,那稍微换一条路径逼近的时候无论多么接近总会发生平面的不稳定。
方向导数和梯度
\(\nabla z=\{\frac{\partial z}{\partial x}, \frac{\partial z}{\partial y}\}\)
复合函数的偏微分
(由于偏微分算子\(\frac{\partial}{\partial x}\)不是一个分式,所以此处的证明不用像一元函数链式法则那样繁琐)
\(u=f(x,y,z), z= g(x, y)\)
\(\frac{\partial u}{\partial x}=f_x'+\frac{\partial f}{\partial z}\frac{\partial z}{\partial x}\),式中\(\partial_x\)和\(\frac{\partial u}{\partial x}\)的意义是不一样的。
通过全微分可以反推偏导,不用死记公式列式找待求的偏导。只需要按照隐函数求导法得出方程即可。
拉格朗日乘数法
是\(Fermat\)引理的自然延伸。
Part 5 多元函数基础相关推荐
- 基础30讲 第11讲 多元函数微分学
目录 综述 1.基本概念 1.1 平面点集 邻域 边界 区域 聚点 1.2 极限 1.3 连续 1.4 偏导数 1.5 可微 1.6 偏导数的连续性 2.多元函数微分法则 2.1 链式求导法则 2.2 ...
- 热力学多元函数微分基础
- 机器学习与优化基础(Machine Learning and Optimization)
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自|新机器视觉 引用大佬Pedro Domingos的说法: ...
- 【大学课程】高数基础知识点
常用基础知识 函数概念 函数的四种特性 常用基础知识 极限与连续 数列极限的概念,性质,定理 函数极限的概念,性质,定理 函数的连续与间断 一元函数微分学的概念与计算 导数与微分的概念 导数与微分的计 ...
- 多元函数概念思维导图_高等数学 多元函数微分学 知识技巧思维导图 [21考研上岸之旅]...
Hello World,我的朋友,这里是一颗小白蛋,大千世界,很高兴以这样的方式与你相遇 前言 好久不见,这一次给大家带来考研高数的中多元函数微分学的相关内容. 2021张宇基础30讲 +2020汤家 ...
- AI基础:矩阵求导,你一定要收藏
不得不说,向量和矩阵真的是一门高深而又通用的学问,应用十分广泛,不信你可以往回看,前面有关线性代数的文章,哪一篇没个矩阵或者向量.所以呢,我们今天就来看一下向量的导数(矩阵求导)相关内容. 1.定义和 ...
- 人工智能python基础知识_AI 人工智能基础知识-习题
由一般性知识推出适合于某一具体情况的结论的推理是? 演绎推理 P→Q Q→R => P→R 该永真蕴含式属于( 假言三段论 ) 谓词逻辑下,子句, C1=L∨C1', C2= ¬ L∨C ...
- 二元函数可导与可微的关系_视频教学:期末试卷解析之多元函数基本概念及相互关系讨论...
点"考研竞赛数学"↑可每天"涨姿势"哦! 今天视频对应的考题是两个选择题,整套试卷内容参见推荐阅读列表的第一篇推文.视频探讨的内容包括: 1.极限存在性判定的极 ...
- 第1周学习笔记:深度学习和pytorch基础
目录 一 视频学习 1.绪论 2.深度学习概述 二 代码学习 1.Pytorch基础练习 2.螺旋数据分类 一 视频学习 1.绪论 人工智能(Artificial Intelligence):使一部机 ...
最新文章
- Openstack_通用技术_RPC 远程异步调用
- c语文编程提取郑码的单字码表
- php拍视频上传,php视频拍照上传头像功能实现代码分享
- Elixir 初尝试 5 -- 遇见Actor
- 特斯拉股价创新高 马斯克嘚瑟:股价真高 哈哈!
- 存数字,储未来——新华三2018存储瞄准闪存、海量、AI与超融合
- php装逼的面试问题,面试读心术,教你如何优雅的在面试官前装逼
- 《how to write and publis a scientific paper》 Chapter 3
- python ttf font weight_使用FontCreator将ttf字体制作多字重字体并打包为Magisk字体模块...
- 服务器网卡不显示了,重装系统后网络适配器怎么不见了?没有网络适配器解决方法...
- 应用系统报错:com.highgo.jdbc.util.PSQLException:bad value for long
- 2022G2电站锅炉司炉考试模拟100题及模拟考试
- Ps 初学者教程「61」如何在图片中创建霓虹灯效果?
- 总结——STM32F103C8T6通过MAX31865读取PT100电阻值
- One PUNCH Man——神经网络
- php钓鱼怎么使用方法,还不会用小药钓鱼的朋友们,请往这里看看!
- tar 解压出指定文件
- 深度学习在推荐算法上的应用进展
- VHDL 整数转化为向量 integer to std_logic_vector
- Mini Story 总结