1 多元函数的基本概念
- 1.1 极限
  - 1.1.1 定义
2 偏导数
- 2.1 偏导数的定义
- 2.2 偏导数的计算
- 2.3 高阶偏导数
  - 2.3.1 定义
  - 2.3.2 定理
- 2.4 隐函数的求导公式
  - 2.4.1 公式法
  - 2.4.2 直接法
3 全微分
- 3.1 计算法
4 多元复合函数的求导法则
- 4.1 链式法则
5 方向导数和梯度
- 5.1 方向导数
  - 5.1.1 定理
  - 5.1.2 方向导数的几何意义
- 5.2 梯度
  - 5.2.1 梯度的方向和模
  - 5.2.2 计算法
6 多元函数微分学的几何应用
- 6.1 空间曲线的切线与法平面
  - 6.1.1 计算法
    - 6.1.1.1 参数方程情形
    - 6.1.1.2 一般方程情形
- 6.2 空间曲面的切平面和法线
  - 6.2.1 求法
    - 6.2.1.1 显式方程z=f(x,y)z=f(x,y)z = f(x, y)
    - 6.2.1.2 隐式方程F(x,y,z)=0F(x,y,z)=0F(x, y, z) = 0
7 多元函数的极值及其求法
- 7.1 无条件极值
  - 7.1.1 极值的必要条件
  - 7.1.2 极值的充分条件
- 7.2 条件极值
  - 7.2.1 化为无条件极值
  - 7.2.2 拉格朗日乘数法

1 多元函数的基本概念

1.1 极限

1.1.1 定义

设二元函数 f(P)=f(x,y) f ( P ) = f ( x , y ) f(P) = f(x, y)的定义域为 D,P0(x0,y0) D , P 0 ( x 0 , y 0 ) D,P_0(x_0, y_0)是 D D D的聚点，

如果存在常数A" role="presentation" style="position: relative;">AAA，对于 ∀ϵ>0，∃δ>0 ∀ ϵ > 0 ， ∃ δ > 0 \forall \epsilon > 0，\exists \delta > 0使得当点 P(x,y)∈D∩U(P0,δ) P ( x , y ) ∈ D ∩ U ( P 0 , δ ) P(x, y) \in D \cap U(P_0, \delta)时，

都有 |f(P)−A|=|f(x,y)−A|<ϵ | f ( P ) − A | = | f ( x , y ) − A | < ϵ |f(P) - A| = | f(x, y) - A| 成立,则称常数 A A A为函数f(x,y)" role="presentation" style="position: relative;">f(x,y)f(x,y)f(x, y) 当 (x,y)→(x0,y0) ( x , y ) → ( x 0 , y 0 ) (x, y) \to (x_0, y_0)时的极限，

记做

lim(x,y)→(x0,y0)f(x,y)=A lim ( x , y ) → ( x 0 , y 0 ) f ( x , y ) = A

{ \lim_{(x, y) \to (x_0, y_0)} f(x, y) = A}

或

limP→P0f(P)=A lim P → P 0 f ( P ) = A

{ \lim_{P \to P_0} f(P) = A}

2 偏导数

2.1 偏导数的定义

设函数 z=f(x,y) z = f ( x , y ) z = f(x, y)在点 (x0,y0) ( x 0 , y 0 ) (x_0, y_0)的某一邻域内有定义，当 y y y固定在y0" role="presentation" style="position: relative;">y0y0y_0而 x x x在x0" role="presentation" style="position: relative;">x0x0x_0处有增量 Δx Δ x \Delta x时，相应的函数有增量

f(x0+Δx,y0)−f(x0,y0) f ( x 0 + Δ x , y 0 ) − f ( x 0 , y 0 )

f(x_0+\Delta x, y_0) - f(x_0, y_0)

如果

limΔx→0f(x0+Δx,y0)−f(x0,y0)Δx lim Δ x → 0 f ( x 0 + Δ x , y 0 ) − f ( x 0 , y 0 ) Δ x

\lim_{\Delta x \to 0}\frac{f(x_0+\Delta x, y_0) - f(x_0, y_0)}{\Delta x}

存在，则称此极限为函数 z=f(x,y) z = f ( x , y ) z = f(x, y)在点 (x0,y0) ( x 0 , y 0 ) (x_0, y_0)处对 x x x的偏导数记做

\frac{\partial z}{\partial x}|_{(x = x_0, y = y_0)},\frac{\partial f}{\partial x}|_{(x = x_0, y = y_0)} ,z_x|_{(x = x_0, y = y_0)},f_x(x_0, y_0)

2.2 偏导数的计算

一般来说，求初等函数在定义域内的偏导数，直接用一元函数的求导公式和法则即可。这是因为

∂f∂x|(x0,y0)=ddxf(x,y0)|x=x0 ∂ f ∂ x | ( x 0 , y 0 ) = d d x f ( x , y 0 ) | x = x 0

\frac{\partial f}{\partial x}|_{(x_0, y_0)} = \frac{d}{dx}f(x, y_0)|_{x = x_0}

2.3 高阶偏导数

2.3.1 定义

二阶及二阶以上的偏导数统称为高阶偏导数，高阶偏导数求导次序不能够随意交换。例如

∂∂y(∂z∂x)=∂2z∂x∂y=fxy(x,y) ∂ ∂ y ( ∂ z ∂ x ) = ∂ 2 z ∂ x ∂ y = f x y ( x , y ) \frac{\partial}{\partial{y}}(\frac{\partial{z}}{\partial{x}}) = \frac{\partial^2{z}}{\partial{x}\partial{y}} = f_{xy}(x, y)而 ∂∂x(∂z∂y)=∂2z∂y∂x=fyx(x,y) ∂ ∂ x ( ∂ z ∂ y ) = ∂ 2 z ∂ y ∂ x = f y x ( x , y ) \frac{\partial}{\partial{x}}(\frac{\partial{z}}{\partial{y}}) = \frac{\partial^2{z}}{\partial{y}\partial{x}} = f_{yx}(x, y)

2.3.2 定理

如果函数 z=f(x,y) z = f ( x , y ) z = f(x, y)的两个二阶混合偏导数 ∂2z∂y∂x,∂2z∂x∂y ∂ 2 z ∂ y ∂ x , ∂ 2 z ∂ x ∂ y \frac{\partial^2{z}}{\partial{y}\partial{x}}, \frac{\partial^2{z}}{\partial{x}\partial{y}}在区域 D D D内连续，那么在该区域内；这两个二阶混合偏导数必相等。换句话说，二阶混合偏导数在连续的条件下与求导的次序无关。

同样，二阶以上的高阶混合偏导数在相应的高阶偏导数连续的条件下也与求导的次序无关。

2.4 隐函数的求导公式

2.4.1 公式法

将方程中的所有非零项移到等式一边，并将其设为函数F" role="presentation" style="position: relative;">FFF，注意应将 x,y,z x , y , z x, y, z 看做独立变量，对 F(x,y,z)=0 F ( x , y , z ) = 0 F(x, y, z) = 0分别求导，利用公式 ∂z∂x=−FxFz,∂z∂y=−FyFz ∂ z ∂ x = − F x F z , ∂ z ∂ y = − F y F z \frac{\partial z}{\partial x} = -\frac{F_x}{F_z}, \frac{\partial z}{\partial y} = -\frac{F_y}{F_z}

2.4.2 直接法

3 全微分

3.1 计算法

设 z=f(x,y) z = f ( x , y ) z = f(x, y)，则 dz=∂z∂xdx+∂z∂ydy d z = ∂ z ∂ x d x + ∂ z ∂ y d y dz = \frac{\partial z}{\partial x} dx + \frac{\partial z}{\partial y} dy

设 u=f(x,y,z) u = f ( x , y , z ) u = f(x, y, z)，则 du=∂u∂xdx+∂u∂ydy+∂u∂zdz d u = ∂ u ∂ x d x + ∂ u ∂ y d y + ∂ u ∂ z d z du = \frac{\partial u}{\partial x} dx + \frac{\partial u}{\partial y} dy + \frac{\partial u}{\partial z} dz

4 多元复合函数的求导法则

4.1 链式法则

若 z=f(u,v),u=f(x,y),v=f(x,y) z = f ( u , v ) , u = f ( x , y ) , v = f ( x , y ) z = f(u, v), u = f(x, y), v = f(x, y)那么

∂z∂x=∂z∂u∂u∂x+∂z∂v∂v∂x,∂z∂y=∂z∂u∂u∂y+∂z∂v∂v∂y ∂ z ∂ x = ∂ z ∂ u ∂ u ∂ x + ∂ z ∂ v ∂ v ∂ x , ∂ z ∂ y = ∂ z ∂ u ∂ u ∂ y + ∂ z ∂ v ∂ v ∂ y

\frac{\partial z}{\partial x} = \frac{\partial z}{\partial u} \frac{\partial u}{\partial x} + \frac{\partial z}{\partial v} \frac{\partial v}{\partial x}, \frac{\partial z}{\partial y} = \frac{\partial z}{\partial u} \frac{\partial u}{\partial y} + \frac{\partial z}{\partial v} \frac{\partial v}{\partial y}

5 方向导数和梯度

5.1 方向导数

5.1.1 定理

如果函数 f(x,y,z) f ( x , y , z ) f(x, y, z)在点 P0(x0,y0) P 0 ( x 0 , y 0 ) P_0(x_0, y_0)可微分，那么函数在该点沿任一方向 l l l的方向导数存在，且有

∂f∂l=∂f∂xcosα+∂f∂ycosβ+∂f∂zcosγ" role="presentation">∂f∂l=∂f∂xcosα+∂f∂ycosβ+∂f∂zcosγ∂f∂l=∂f∂xcosα+∂f∂ycosβ+∂f∂zcosγ

\frac{\partial f}{\partial l} = \frac{\partial f}{\partial x}cos\alpha + \frac{\partial f}{\partial y}cos\beta + \frac{\partial f}{\partial z}cos\gamma

(cosα,cosβ,cosγ) ( c o s α , c o s β , c o s γ ) (cos\alpha, cos\beta, cos\gamma)是方向 l l l的方向余弦，

5.1.2 方向导数的几何意义

函数z=f(x,y)" role="presentation" style="position: relative;">z=f(x,y)z=f(x,y)z = f(x, y)的方向导数 ∂f∂l|(x0,y0) ∂ f ∂ l | ( x 0 , y 0 ) \frac{\partial f}{\partial l}|_{(x_0, y_0)}的几何意义为函数 z=f(x,y) z = f ( x , y ) z = f(x, y)在点 P0(x0,y0) P 0 ( x 0 , y 0 ) P_0(x_0, y_0)沿方向 l l l的变化率。

5.2 梯度

5.2.1 梯度的方向和模

梯度方向是函数f(x,y)" role="presentation" style="position: relative;">f(x,y)f(x,y)f(x, y)在点 p0(x0,y0) p 0 ( x 0 , y 0 ) p_0(x_0, y_0)点变化率最大的方向。

梯度的模是函数的最大增长率。

5.2.2 计算法

gradf(x,y)=(∂f(x,y)∂x,∂f(x,y)∂y) g r a d f ( x , y ) = ( ∂ f ( x , y ) ∂ x , ∂ f ( x , y ) ∂ y )

gradf(x, y) = (\frac{\partial f(x, y)}{\partial x}, \frac{\partial f(x, y)}{\partial y})

6 多元函数微分学的几何应用

6.1 空间曲线的切线与法平面

6.1.1 计算法

6.1.1.1 参数方程情形

若

⎧⎩⎨⎪⎪xyz=x(t)=y(t)=z(t)(α≤t≤β) { x = x ( t ) y = y ( t ) z = z ( t ) ( α ≤ t ≤ β )

\left\{ \begin{aligned} x &= x(t) \\ y &= y(t) \\ z &= z(t) \end{aligned} \right.(\alpha \le t \le \beta)

则曲线在 M0(x0,y0,z0) M 0 ( x 0 , y 0 , z 0 ) M_0(x_0, y_0, z_0)处的切向量为 (x′(t0),y′(t0),z′(t0)) ( x ′ ( t 0 ) , y ′ ( t 0 ) , z ′ ( t 0 ) ) (x'(t_0), y'(t_0), z'(t_0))

6.1.1.2 一般方程情形

若

{F(x,y,z)G(x,y,z)=0=0 { F ( x , y , z ) = 0 G ( x , y , z ) = 0

\left\{ \begin{aligned} F(x, y, z) &= 0 \\ G(x, y, z) &= 0 \end{aligned} \right.

则曲线在 M0(x0,y0,z0) M 0 ( x 0 , y 0 , z 0 ) M_0(x_0, y_0, z_0)处的切向量为

(∣∣∣FyGyFzGz∣∣∣M0,∣∣∣FzGzFxGx∣∣∣M0,∣∣∣FxGxFyGy∣∣∣M0) ( | F y F z G y G z | M 0 , | F z F x G z G x | M 0 , | F x F y G x G y | M 0 )

(\left|\begin{array}{cccc} F_y & F_z \\ G_y & G_z \end{array}\right| _{M_0}, \left|\begin{array}{cccc} F_z & F_x \\ G_z & G_x \end{array}\right| _{M_0}, \left|\begin{array}{cccc} F_x & F_y \\ G_x & G_y \end{array}\right| _{M_0})

6.2 空间曲面的切平面和法线

6.2.1 求法

6.2.1.1 显式方程 z=f(x,y) z = f ( x , y ) z = f(x, y)

6.2.1.2 隐式方程 F(x,y,z)=0 F ( x , y , z ) = 0 F(x, y, z) = 0

则曲线在 M0(x0,y0,z0) M 0 ( x 0 , y 0 , z 0 ) M_0(x_0, y_0, z_0)处的切向量为 (Fx(x0,y0,z0),Fy(x0,y0,z0),Fz(x0,y0,z0)) ( F x ( x 0 , y 0 , z 0 ) , F y ( x 0 , y 0 , z 0 ) , F z ( x 0 , y 0 , z 0 ) ) (F_x(x_0, y_0, z_0), F_y(x_0, y_0, z_0), F_z(x_0, y_0, z_0))

7 多元函数的极值及其求法

7.1 无条件极值

7.1.1 极值的必要条件

具有偏导数的函数的极值点必定是驻点，但函数的驻点不一定是极值点

7.1.2 极值的充分条件

若存在驻点 (x0,y0) ( x 0 , y 0 ) (x_0, y_0),令 fxx(x0,y0)=A,fxy(x0,y0)=B,fyy(x0,y0)=C f x x ( x 0 , y 0 ) = A , f x y ( x 0 , y 0 ) = B , f y y ( x 0 , y 0 ) = C f_{xx}(x_0, y_0) = A, f_{xy}(x_0, y_0) = B, f_{yy}(x_0, y_0) = C，若

（1） AC−B2>0 A C − B 2 > 0 AC - B^2 > 0时具有极值，且当 A<0 A < 0 A 时有极大值，当 A>0 A > 0 A > 0时有极小值；
（2） AC−B2<0 A C − B 2 < 0 AC - B^2 时没有极值
（3） AC−B2=0 A C − B 2 = 0 AC - B^2 = 0时需要另作讨论

7.2 条件极值

7.2.1 化为无条件极值

7.2.2 拉格朗日乘数法

（1）构造拉格朗日函数 F(x,y,λ)=f(x,y)+λφ(x,y) F ( x , y , λ ) = f ( x , y ) + λ φ ( x , y ) F(x, y, \lambda) = f(x, y) + \lambda \varphi (x, y)

（2）将 F(x,y,λ) F ( x , y , λ ) F(x, y, \lambda)分别对 x,y,λ x , y , λ x, y, \lambda求偏导数，得到下列方程组

⎧⎩⎨⎪⎪FxFyFλ=fx(x,y)+λφx(x,y)=0=fy(x,y)+λφy(x,y)=0=φ(x,y)=0 { F x = f x ( x , y ) + λ φ x ( x , y ) = 0 F y = f y ( x , y ) + λ φ y ( x , y ) = 0 F λ = φ ( x , y ) = 0

\left\{ \begin{aligned} F_x &= f_x(x, y) + \lambda \varphi _x(x, y) = 0 \\ F_y &= f_y(x, y) + \lambda \varphi _y(x, y) = 0\\ F_\lambda &= \varphi (x, y) = 0 \end{aligned} \right.

求解此方程组，解出 x0,y0,λ x 0 , y 0 , λ x_0, y_0, \lambda则 (x0，y0) ( x 0 ， y 0 ) (x_0， y_0)是 z=f(x,y) z = f ( x , y ) z = f(x, y)在条件 φ(x,y)=0 φ ( x , y ) = 0 \varphi(x, y) = 0下可能的极值点

（3）判别驻点 (x0,y0) ( x 0 , y 0 ) (x_0, y_0)是否为极值点（利用无条件极值的充分条件）

高等数学（下）多元函数微分法及其应用相关推荐

【高等数学】多元函数微分法及其应用1
本文还有第二部分,包含方向导数与梯度,多元函数极值及其求法文章目录多元函数的基本概念一.多元函数的极限 1. 二元函数的定义 2. 二元函数的极限二.多元函数的连续性 1. 二元函数连续性的概 ...
同济大学高等数学下册第九章多元函数微分法及其应用以及每日一题
第九章.多元函数微分法及其应用知识逻辑结构图考研考试内容多元函数的概念,二元函数的几何意义,二元函数的极限(极限存在的判定)和连续的概念,有界闭区域上多元连续函数的性质(有界性,最值存在,介值定 ...
多约束条件求最优值matlab,[MATLAB数学相关] 请教，约束条件下多元函数最小值的求解...
请教,约束条件下多元函数最小值的求解请假各位高手,我的代码的第二个函数,就是那个二元函数g,目前的求解是没有任何约束的,我要在进行求解时,加入约束t1和t2都大于零,并且t1小于t2来进行求解,之前 ...
华工计算机高等数学b下作业,华工高等数学下作业
<华工高等数学下作业>由会员分享,可在线阅读,更多相关<华工高等数学下作业(4页珍藏版)>请在人人文库网上搜索. 1.2015-2016年度第一学期高等数学B(下)练习题201 ...
惠州学院java试卷_惠州学院高等数学(下)期末试题参考答案
高等数学(下)期末试题参考答案一.单项选择题(每题2分,总计10分). 1.),(00y x f x 和),(00y x f y 存在是函数),(y x f 在点),(00y x 连续的( ). A ...
【课后习题】高等数学第七版下第九章多元函数微分法及其应用第九节二元函数的泰勒公式
习题9-9 1. 求函数 f(x,y)=2x2−xy−y2−6x−3y+5f(x, y)=2 x^2-x y-y^2-6 x-3 y+5f(x,y)=2x2−xy−y2−6x−3y+5 在点 (1,− ...
高等数学：第八章多元函数微分法及其应用（3）方向导数梯度多元函数的极值
§8.7 方向导数与梯度一.方向导数 1.定义设函数在点的某一邻域内有定义,自点引射线,设轴正向到射线的转角为,为邻域内且在上的另一点. 若比值这里,当沿着趋向于时的极限存在,称此极限值为函数 ...
高等数学复盘 | 第七册下册第九章——多元函数微分法及其应用思维导图梳理（复习专用）
高等数学第九章多元函数微分法及其应用思维导图

高等数学（下）多元函数微分法及其应用