Chapter 7 微分 - 公式表

Differentiation - Formula Sheet

7.1 增函数与减函数

单调性判断

\[f'(x) > 0 \Rightarrow f(x) \text{ 单调递增}\] \[f'(x) < 0 \Rightarrow f(x) \text{ 单调递减}\] \[f'(x) = 0 \Rightarrow f(x) \text{ 可能有极值}\]
通过导数判断函数的单调性

严格单调性

\[f'(x) \geq 0 \text{ 且 } f'(x) \text{ 不恒为0} \Rightarrow f(x) \text{ 严格递增}\] \[f'(x) \leq 0 \text{ 且 } f'(x) \text{ 不恒为0} \Rightarrow f(x) \text{ 严格递减}\]
严格单调性的条件

7.2 驻点

驻点定义

\[f'(x) = 0 \text{ 的点称为驻点}\]
驻点的定义

极值判断

\[\text{若 } f'(x_0) = 0 \text{ 且 } f''(x_0) > 0 \Rightarrow x_0 \text{ 是极小值点}\] \[\text{若 } f'(x_0) = 0 \text{ 且 } f''(x_0) < 0 \Rightarrow x_0 \text{ 是极大值点}\] \[\text{若 } f'(x_0) = 0 \text{ 且 } f''(x_0) = 0 \Rightarrow \text{需要进一步判断}\]
通过二阶导数判断极值

一阶导数判别法

\[\text{若 } f'(x) \text{ 在 } x_0 \text{ 左侧为正,右侧为负} \Rightarrow x_0 \text{ 是极大值点}\] \[\text{若 } f'(x) \text{ 在 } x_0 \text{ 左侧为负,右侧为正} \Rightarrow x_0 \text{ 是极小值点}\]
一阶导数判别法

7.3 梯度函数图像

梯度函数性质

\[\text{若 } f(x) \text{ 在 } x_0 \text{ 处有极值,则 } f'(x_0) = 0\] \[\text{若 } f(x) \text{ 在 } x_0 \text{ 处有拐点,则 } f''(x_0) = 0\]
梯度函数与函数性质的关系

图像特征

\[\text{原函数递增} \Leftrightarrow \text{梯度函数为正}\] \[\text{原函数递减} \Leftrightarrow \text{梯度函数为负}\] \[\text{原函数有极值} \Leftrightarrow \text{梯度函数为零}\]
梯度函数图像的特征

7.4 微分建模

优化问题

\[\text{求函数 } f(x) \text{ 的最大值或最小值}\] \[\text{步骤:1. 求导 2. 令导数为零 3. 判断极值}\]
优化问题的基本步骤

相关变化率

\[\frac{dy}{dt} = \frac{dy}{dx} \cdot \frac{dx}{dt}\]
相关变化率的链式法则

几何应用

\[\text{面积最大:} A = xy \text{,约束条件 } g(x,y) = 0\] \[\text{体积最大:} V = xyz \text{,约束条件 } h(x,y,z) = 0\]
几何优化问题

基本微分公式

幂函数微分

\[\frac{d}{dx}(x^n) = nx^{n-1}\] \[\frac{d}{dx}(x) = 1\] \[\frac{d}{dx}(c) = 0\]
幂函数的微分公式

指数对数微分

\[\frac{d}{dx}(e^x) = e^x\] \[\frac{d}{dx}(a^x) = a^x \ln a\] \[\frac{d}{dx}(\ln x) = \frac{1}{x}\]
指数和对数函数的微分

三角函数微分

\[\frac{d}{dx}(\sin x) = \cos x\] \[\frac{d}{dx}(\cos x) = -\sin x\] \[\frac{d}{dx}(\tan x) = \sec^2 x\]
三角函数的微分

微分法则

\[\frac{d}{dx}[f(x) + g(x)] = f'(x) + g'(x)\] \[\frac{d}{dx}[f(x) \cdot g(x)] = f'(x)g(x) + f(x)g'(x)\] \[\frac{d}{dx}\left[\frac{f(x)}{g(x)}\right] = \frac{f'(x)g(x) - f(x)g'(x)}{[g(x)]^2}\]
微分的基本法则

重要提示

• 导数为正表示函数递增,导数为负表示函数递减
• 驻点是导数为零的点,可能是极值点
• 二阶导数可以判断极值的性质
• 优化问题通常需要建立目标函数和约束条件
• 相关变化率问题要用链式法则

常见错误

• 混淆单调性和严格单调性
• 驻点不一定是极值点
• 二阶导数判别法失效时要用一阶导数判别法
• 优化问题忘记检查边界条件
• 相关变化率问题中变量关系错误