Posted on Leave a comment

如何判定一个向量组(vector set)是线性相关(linearly dependent)还是线性无关(linearly independent)?

我们从线性相关和线性无关的定义知道, 一个向量组 \((\vec{u}_1, \vec{u}_2,\cdots, \vec{u}_n)\) 是线性无关的,如果等式

\[ k_1 \vec{u}_1+k_2\vec{u}_2+\cdots+k_n\vec{u}_n=0 \]

仅当所有系数 \(k_i, 1\le i\le n\) 为 0 时才成立。反之,只要有一个 \(k_i\) 不等于 0 ,就能让这个等式成立,这个向量组就说是线性相关的。

那么从定义出发,我们要确定向量组是否线性无关,我们就需要求出所有的 \(k_i\),这并不是最有效的方法。如果我们将这个等式用矩阵的方式写出来,那么问题就变得简单了:

\[A\vec{x}=\vec{0}, \text{其中} A=\begin{pmatrix} \vec{u}_1&\vec{u}_2&\cdots&\vec{u}_n\end{pmatrix}, \quad \vec{x}=\begin{pmatrix}k_1\\k_2\\ \vdots\\ k_n\end{pmatrix} \]

这样一来, \(k_i, 1\le i\le n\) 全部为 0 就等价于方程组只有零解(平凡解,或者 trivial solution),而齐次线性方程组只有零解的等价条件有很多个:

  • \(\text{Rank} A=n\)
  • \(\text{det}A=|A|\ne 0\)
  • \(A\vec{x}=\vec{b}\) 有唯一解

等等。其实还有很多其它的条件,我们这里只列出常用的这几个。所有这些等价条件里,计算量最少的方法是求秩(rank)的方法。因为求秩的话,我们不需要求出解,也不用求矩阵的最简表达式。只需要求出它的阶梯形,所以计算最少。

我们举一个例子。判定下列向量组是线性相关还是线性无关?

\[(1) \begin{pmatrix}-1\\3\\1\end{pmatrix}, \begin{pmatrix}2\\1\\0\end{pmatrix}, \begin{pmatrix}1\\4\\1\end{pmatrix}\qquad (2) \begin{pmatrix}2\\3\\0\end{pmatrix}, \begin{pmatrix}-1\\4\\0\end{pmatrix}, \begin{pmatrix}0\\0\\2\end{pmatrix} . \]

解:(1)令

\[ A=\begin{pmatrix}-1&2&1\\3&1&4\\1&0&1\end{pmatrix} \]

对矩阵作初等变换,

\[ A=\begin{pmatrix}-1&2&1\\3&1&4\\1&0&1\end{pmatrix}\sim \begin{pmatrix} 1&0&1 \\3&1&4\\ -1&2&1 \end{pmatrix}\sim \begin{pmatrix} 1&0&1 \\0&1&1\\ 0&2&2 \end{pmatrix}\sim \begin{pmatrix} 1&0&1 \\0&1&1\\ 0&0&0 \end{pmatrix} \]

所以行阶梯形只有两个非零行,所以 \(\text{Rank}A=2<3\)。从而向量组是线性相关的。

(2)我们令 \[A= \begin{pmatrix} 2&-1&0 \\3&4&0\\ 0&0&2 \end{pmatrix}\sim \begin{pmatrix} 2&-1&0 \\0&\frac{11}{2}&0\\ 0&0&2 \end{pmatrix} \]

所以矩阵的行阶梯形有三个非零行,所以 \(\text{Rank}A=3\),所以向量组是线性无关的。

Posted on Leave a comment

如何求隐函数(implicit functions)的二阶导数?

我们知道,求隐函数的二阶导数,方法就是将隐函数方程的两边同时对 \(x\) 求导,在求导的过程中,将 \(y\) 看成 \(x\) 的函数,然后利用复合函数的求导法则,得到 \(\frac{dy}{dx}\) 的方程,解这个方程,就得到了 \(\frac{dy}{dx}\) 的表达式。

那么,问题是,对于隐函数的二阶导数,我们是不是还要这样求呢?其实不必了,因为我们求出来一阶导数,它有个具体的表达式,我们对这个表达式再对 \(x\) 求导就行了。如果这个表达里还有 \(y\),那么就将它看成中间变量或者看成 \(x\) 的函数,它对 \(x\) 的导数是已知的(我们求一阶导数的时候就得到它了)。然后将它的表达式代入到二阶导数的表达里面就可以了。

我们来看一个例子。

例:设 \(xy+y^2=2\) ,求 \(\frac{d^2y}{dx^2}\)。

解:我们先求一阶导数。对方程两边同时对 \(x\) 求导,我们得到

\[y+x\frac{dy}{dx}+2y\frac{dy}{dx}=0.\]

再对 \(x\) 求导,我们得到

\[\frac{d^2y}{dx^2}=-\frac{\frac{dy}{dx}(x+2y)-y(1+2\frac{dy}{dx})}{(x+2y)^2}.\]

将 \( \frac{dy}{dx}=-\frac{y}{x+2y} \) 代入,并化简,我们得到

\[\frac{d^2y}{dx^2}= \frac{\frac{y}{x+2y}(x+2y)+y(1-2\frac{y}{x+2y})}{(x+2y)^2}=\frac{2y^2+2xy}{(x+2y)^3}\]

Posted on Leave a comment

如何计算向量场的曲线积分(how to evaluate line integral of vector field)

一般来说,向量场的曲线积分

\[\int_L\vec{F}\cdot d\vec{r}\]的计算方法主要有三种:直接计算,格林公式(Green’s Theorem)和Stokes 公式(Stokes’ Theorem)。每种方法,针对不同的情形,有不同的处理方法。我们针对这些情形分别进行讲解。

1,直接计算法:我们根据曲线 \(L\) 的表达式的不同形式,将曲线积分化成定积分来计算。

  • 若曲线 \(L\) 是由参数方程 \(\vec{r}(t)=\{x(t),y(t),z(t)\}\) (三维)或者 \( \vec{r}(t)=\{x(t),y(t)\} \)(二维)给出,\(t\) 从 \(\alpha\) 到 \(\beta\),其中 \(t=\alpha\) 对应起点, \(t=\beta\) 对应终点,那么积分
    \[\int_L\vec{F}\cdot d\vec{r}=\int_{\alpha}^{\beta}\vec{F}\cdot\vec{r}'(t)dt,\]其中 \(x,y,z\) 都用 \(t\) 表示。这里要注意的是,这里不管 \(\alpha\) 和 \(\beta\) 谁大谁小,起点就是在下限,终点在上限,这一点跟对弧长的曲线积分不同。 例如 \(\vec{F}=\{z,y,-x\}=z\vec{i}+y\vec{j}-x\vec{k}\), \(L\) 由参数方程 \(\vec{r}(t)=\{t,\sin t, \cos t\}\), \(t\) 从 \(0\) 到 \(\pi\),那么积分\[\begin{align}\int_L\vec{F}\cdot d\vec{r}&=\int_0^{\pi}(\cos t, \sin t, -t)\cdot(1,\cos t,-\sin t)dt\\ &=\int_0^{\pi}(\cos t+\sin t\cos t+t\sin t)dt\end{align}.\]剩下的部分就是计算定积分了。
  • 若曲线是由一个函数 \(y=f(x)\), \(x\) 从 \(a\) 到 \(b\),那么积分 \[\int_L\vec{F}\cdot d\vec{r}=\int_{a}^{b}\vec{F}\cdot(1,f'(x))dx,\]

2,若 \(L\) 是平面曲线,则可以用格林公式(Green’s Theorem)来计算。

  • 若 \(L\) 是平面闭曲线,且在曲线内部 \(\vec{F}\) 有一阶连续偏导数(就是每个分量都有一阶连续偏导数),这种情况可以直接应用格林公式;
  • 若 \(L\) 是平面闭曲线,但是在曲线内部 \(\vec{F}\) 有奇点(一阶偏导数不存在或者不连续),这种情况我们通过添加辅助线,将奇点挖掉,然后应用格林公式。最后将辅助线上的积分减去,就得到了原来的曲线积分的值;
  • 若 \(L\) 是平面开曲线,我们可以通过添加简单的辅助线(为了方便计算),使新的曲线成为一个简单闭曲线,然后应用格林公式,最后减去辅助线上的积分,就得到原曲线积分的值。

这一部分讲解起来内容比较多,可以看我们的视频教程:如何应用格林公式(Green’s Theorem) 求曲线积分

3,若 \(L\) 是一个空间闭曲线,则可应用Stokes 公式,将曲线积分化成曲面积分。在曲面的选择上,可以选择比较简单的、容易计算的曲面来进行计算。(因为以 \(L\) 为边界的曲面很多,我们可以选择最简单的曲面。)理论上来说,空间开曲线也可以通过添加辅助线的方式来应用 Stokes 公式,但一般来说,这样的计算相对繁琐,我们一般不考虑。这部分的内容可以观看视频:Stokes 定理

这三种方法是最常用的方法,当然还有一些其它的方法,例如积分与路径无关,全微分求积等等,但这些方法基本上是从三大定理推导出来的。除了直接计算的方法以外,我们只需要掌握三大定理的应用,曲线积分和曲面积分的部分就算是掌握了。

Posted on Leave a comment

如何计算对弧长的曲线积分(line integral to arc length)?

对弧长的曲线积分,通常是具有形式 \(\int_L f(x,y)ds\)(二维)或者 \(\int_L f(x,y,z)ds\)(三维)。对弧长的曲线积分,计算方法是很直接的,没有太多技巧可言,运用弧微分 \(ds\) 的公式计算即可。

  • 如果 \(L\) 是平面曲线并且由参数方程给出 \(x=\phi(t), y=\psi(t), \alpha\le t\le \beta\),那么弧微分的表达式为\[ds=\sqrt{\phi’^2(t)+\psi’^2(t)}dt,\] 所以曲线积分可以用定积分\[\int_{\alpha}^{\beta}f( \phi(t), \psi(t)) \sqrt{\phi’^2(t)+\psi’^2(t)}dt \]来计算;
  • 如果 \(L\) 是空间曲线并且由参数方程给出 \(x=\phi(t), y=\psi(t), z=\gamma(t), \alpha\le t\le \beta\),那么弧微分的表达式为\[ds=\sqrt{\phi’^2(t)+\psi’^2(t)+\gamma’^2(t)}dt,\]
    从而曲线积分可以用定积分\[\int_{\alpha}^{\beta}f( \phi(t), \psi(t),\gamma(t)) \sqrt{\phi’^2(t)+\psi’^2(t) +\gamma’^2(t) }dt \]来计算;
  • 如果 \(L\) 是平面曲线并且由函数 \(y=g(x), a\le x\le b\) 给出,则弧微分的表达式为\[ds=\sqrt{1+g’^2(x)}dx,\]从而曲线积分可以用定积分\[\int_a^bf(x,y) \sqrt{1+g’^2(x)}dx \]来计算。
Posted on Leave a comment

怎么求矩阵方程(Matrix Equation)?

求解矩阵方程,很像解一个一元一次方程,第一步就要”合并同类项”,将未知矩阵放在一起,然后利用逆矩阵来求解。我们来看例子。

例 1:解矩阵方程\(AB=A+2B\),其中
\[A=\begin{pmatrix}
0&3&3\\
1&1&0\\
-1&2&3
\end{pmatrix}.\]

我们看到,两边都有\(B\),那第一步就是将要求的\(B\)放在一起。为此,我们将右边的\(2B\)移到左边,然后求\(A-2E\)的逆矩阵就可以得到\(B\)了。我们来看完整的过程。

解: 将方程右边的2B移到左边,方程变成了
\[AB-2B=A \rightarrow (A-2E)B=A.\]
所以,只要\(A-2E\)可逆,方程的解就是
\[B=(A-2E)^{-1}A.\]

现在我们来求\(A-2E\)的逆矩阵。首先,我们要证明其可逆。
\[|A-2E|=\begin{vmatrix}
-2&3&3\\
1&-1&0\\
-1&2&1
\end{vmatrix}=
\begin{vmatrix}
1&-3&0\\
1&-1&0\\
-1&2&1
\end{vmatrix}=2\ne0\]
所以\(A-2E\)可逆。现在我们来求它的逆。

我们教材上讲了两种求逆矩阵的方法,一种是伴随矩阵的方法,另一种是初等变换法。不要傻傻地去用伴随矩阵来求逆矩阵,费力又不讨好。虽然那是最开始讲的一种方法。

求逆矩阵最简便的方法是用初等变换法。现在我们就用它来求\(A-2E\)的逆矩阵。
\[\begin{align}(A-2E,E)&=\begin{pmatrix}
-2&3&3&\vdots& 1&0&0\\
1&-1&0&\vdots& 0&1&0\\
-1&2&1&\vdots &0&0&1
\end{pmatrix}\\
&\stackrel{r1 + r3 \times -3}{\sim}
\begin{pmatrix}
1&-3&0&\vdots& 1&0&-3\\
1&-1&0&\vdots& 0&1&0\\
-1&2&1&\vdots &0&0&1
\end{pmatrix}\\
&\stackrel{\stackrel{r3+r1}{\scriptsize{r2-r1}}}{\sim}
\begin{pmatrix}
1&-3&0&\vdots& 1&0&-3\\
0&2&0&\vdots& -1&1&3\\
0&-1&1&\vdots &1&0&-2
\end{pmatrix}\\
&\stackrel{r2\times \frac{1}{2}}{\sim}
\begin{pmatrix}
1&-3&0&\vdots& 1&0&-3\\
0&1&0&\vdots& -\frac{1}{2}&\frac{1}{2}&\frac{3}{2}\\
0&-1&1&\vdots &1&0&-2
\end{pmatrix}\\
&\stackrel{\stackrel{r1+r2\times 3}{\scriptsize{r3+r2}}}{\sim}
\begin{pmatrix}
1&0&0&\vdots& -\frac{1}{2}&\frac{3}{2}&\frac{3}{2}\\
0&1&0&\vdots& -\frac{1}{2}&\frac{1}{2}&\frac{3}{2}\\
0&0&1&\vdots &\frac{1}{2}&\frac{1}{2}&-\frac{1}{2}
\end{pmatrix}
\end{align}\]

所以
\[(A-2E)^{-1}=
\begin{pmatrix}
-\frac{1}{2}&\frac{3}{2}&\frac{3}{2}\\
-\frac{1}{2}&\frac{1}{2}&\frac{3}{2}\\
\frac{1}{2}&\frac{1}{2}&-\frac{1}{2}
\end{pmatrix}\]

将它乘在\(A\)的左边,就得到了\(B\):
\[\begin{align}B=(A-2E)^{-1}A&=
\begin{pmatrix}
-\frac{1}{2}&\frac{3}{2}&\frac{3}{2}\\
-\frac{1}{2}&\frac{1}{2}&\frac{3}{2}\\
\frac{1}{2}&\frac{1}{2}&-\frac{1}{2}
\end{pmatrix}
\begin{pmatrix}
0&3&3\\
1&1&0\\
-1&2&3
\end{pmatrix}\\
&=\begin{pmatrix}
0&3&3\\
-1&2&3\\
1&1&0
\end{pmatrix}
\end{align}\]

Posted on Leave a comment

如何计算参数方程(parametric equation)确定的函数的二阶及高阶导数?

我们可以利用参数方程确定的函数的一阶导数公式及 Chain Rule 来导出参数方程确定的函数的二阶导数公式:

\[\frac{d^2y}{dx^2}=\frac{\psi”(t)\phi'(t)-\psi’t(t)\phi”(t)}{\phi’^3(t)}.\]

其中曲线的参数方程为 \(x=\phi(t), y=\psi(t)\)。但是,实际上,这个公式既不好记,又不好用。其实,参数方程确定的函数的二阶导数及高阶导数有更好的更有效的求法。我们来说明这种方法。

因为参数方程的一阶导数为

\[\frac{dy}{dx}=\frac{\psi'(t)}{\phi'(t)},\]

所以我们看得出,一阶导数 \(\frac{dy}{dx}\)还是关于 \(t\) 的函数,我们直接关于 \(x\) 再求导是不方便的,但是我们可以利用复合函数的求导法则,将关于 \(x\) 的导数转化成关于 \(t\)  的导数。由复合函数的求导法则

\[\begin{align}\frac{d^2y}{dx^2}&=\frac{d}{dx}(\frac{dy}{dx})=\frac{d}{dt}(\frac{dy}{dx})\frac{dt}{dx}\\
&=\frac{d}{dt}(\frac{dy}{dx})\frac{1}{\frac{dt}{dx}}=\frac{d}{dt}(\frac{dy}{dx})\frac{1}{\phi'(t)}
\end{align}\]

这上面一大堆的东西可能你会看得眼花缭乱。那么我们用一种简单的方式来说吧。因为 \(\frac{dy}{dx}\)是关于 \(t\) 的函数,我们假设 \(F(t)=\frac{dy}{dx}\),那么二阶导数\(\frac{d^2y}{dx^2}=\frac{d}{dx}F(t)\),把 \(t\) 看成中间函数,那么 \(F(t)\) 关于\(x\) 的导数就是 \(\frac{d}{dx}F(t)=F'(t)\frac{dt}{dx}\),而 \(\frac{dt}{dx}=\frac{1}{\frac{dt}{dx}}=\frac{1}{\phi'(t)}\),从而 \(\frac{d}{dx}F(t)=F'(t)\frac{dt}{dx}=F'(t)\cdot \frac{1}{\phi'(t)}\)。

二阶以上的导数可以用相同的方法来求。我们用一个例子来说明这种方法。

例1, 求由参数方程
\[\begin{cases}
x=a\cos t\\
y=b\sin t
\end{cases}\]所确定的函数的二阶导数\(\frac{d^2y}{dx^2}\)。

解:我们先计算一阶导数
\[\frac{dy}{dx}=\frac{\psi'(t)}{\phi'(t)}=\frac{b\cos t}{-a\sin t}=-\frac{b}{a}\cot t.\]
所以,二阶导数为
\[\frac{d^2y}{dx^2}=\frac{d}{dx}(\frac{dy}{dx})=\frac{d}{dt}(\frac{dy}{dx})\frac{1}{\phi'(t)}=-\frac{b}{a}(-\csc^2t)\frac{1}{-a\sin t}=-\frac{b}{a^2}\csc^3t\]

Posted on Leave a comment

如何应用对数求导法(logarithm differential) ?

所谓的对数求导法,就是先对函数 \(y=f(x)\) 取对数 \(\ln y=ln f(x)\),然后应用函数求导法则,两边对 \(x\) 求导
\[\frac{1}{y}y’=\frac{f(x)}{f'(x)},\]
从而求出 \(y’\) 的方法。

这种方法主要应用于下列两种情况:

1,函数是幂指函数 \(y=h(x)^{g(x)}\) 的情形。例如
\[y=\sin x ^{\ln x}\]

两边取对数,我们得到
\[\ln y=\ln(\sin x ^{\ln x})。\]

根据对数的运算法则,上式等于
\[\ln y= \ln x \ln(\sin x).\]

两边对 \(x\) 求导,将 \(y\) 看成是 \(x\) 的函数,我们得到
\[\begin{align*}\frac{1}{y}y’&=\frac{1}{x}\ln(\sin x)+\ln x \frac{\cos x}{\sin x}\\
&=\frac{\ln(\sin x)}{x}+\ln x\tan x
\end{align*}.\]

所以
\[\begin{align*}
y’&=y\left(\frac{\ln(\sin x)}{x}+\ln x\tan x\right)\\
&=\sin x ^{\ln x}\left(\frac{\ln(\sin x)}{x}+\ln x\tan x\right)
\end{align*}\]

2,函数混合了多重乘、除法及根式,例如
\[y=\frac{\sqrt[3]{7x^2+1}\cdot \sqrt[5]{2x-3}}{\sqrt{x^2+5}\cdot \sqrt[4]{3x-2}}.\]
这样的函数,不管是用乘法规则(product rule)还是除法规则(quotient rule),都是非常头疼的事。但是用对数求导法则,就简单多了。因为对数函数有几个非常好用的运算法则,就是乘法变成加法,除法变成减法,指数可以提到对数符号前面来。

我们对上面的函数两边取对数,得到
\[\ln y =\ln \left(\frac{\sqrt[3]{7x^2+1}\cdot \sqrt[5]{2x-3}}{\sqrt{x^2+5}\cdot \sqrt[4]{3x-2}}\right)\]
因为根式可以写成指数的形式,例如 \(\sqrt[3]{7x^2+1}=(7x^2+1)^{\frac{1}{3}}\),所以根据对数的运算法则,上式变成
\[\ln y=\frac{1}{3}\ln(7x^2+1)+\frac{1}{5}\ln(2x-3)-\frac{1}{2}\ln(x^2+5)-\frac{1}{4}\ln(3x-2)\]

两边关于 \(x\) 求导,我们得到
\[\frac{y’}{y}=\frac{1}{3}\frac{14x}{7x^2+1}+\frac{1}{5}\frac{2}{2x-3}-\frac{1}{2}\frac{2x}{x^2+5}-\frac{1}{4}\frac{3}{3x-2}\]
两边同乘以 \(y\),然后将 \(y\) 的表达式代入,就得到了
\[y’=\frac{\sqrt[3]{7x^2+1}\cdot \sqrt[5]{2x-3}}{\sqrt{x^2+5}\cdot \sqrt[4]{3x-2}}\left(\frac{1}{3}\frac{14x}{7x^2+1}+\frac{1}{5}\frac{2}{2x-3}-\frac{1}{2}\frac{2x}{x^2+5}-\frac{1}{4}\frac{3}{3x-2
}\right)\]

Posted on Leave a comment

什么是Related Rates(相关变化率)?怎么求?

AP Calculus 里面,Related rates 这一部分考得比较多。大学里面的微积分课程,这一部分也经常是考察的重点。 很多同学不能理解这里面的概念,也不知道怎么把它转化成数学问题。 现在我就这一部分进行解答。

那什么是Related rates 呢? 举例来说吧。我们知道圆的面积 \(A=\pi r^2\),如果这个半径是根据时间变化的,那么很显然,面积也根据时间变化。变化率其实就是导数,如果我们知道半径的变化率(就是半径关于时间的导数) \(\frac{dr}{dt}\),那么在某个时刻,面积对于时间的变化率(导数)\(\frac{dA}{dt}\)也就知道了。

从数学的角度来看这个问题,其实就是复合函数的求导法则(Chain Rule)。半径可以看成是时间的函数 \(r=r(t)\),那么面积 \(A(t)=\pi r^2(t)\),由复合函数的求导法则 \(\frac{dA}{dt}=\frac{dA}{dr}\cdot\frac{dr}{dt}=2\pi r \frac{dr}{dt}\)。假如 \(r\) 每秒增加 \(1\) cm, 那么当半径为 \(2\) 的时候的面积的变化率为 \(2\pi \cdot 2\cdot 1=4\pi cm\)。

这种类型的问题,另一个难点是不知道怎么把实际问题转化成数学问题。这就是如何建立数学模型的问题。它的实际困难就是,很多同学并不知道其实变化率就相当于导数。但是从导数的定义就知道,导数就是变化率\(\frac{\Delta y}{\Delta x}\)的极限。当时间间隔足够短的时候,变化率就可以看成是导数。

我们来看两个例题,来说明如何求相关变化率。

例1:设\(x^2+y^2=25\)以及当\(x=4\) 的时候 \(\frac{dx}{dt}=5\), 求当 \(x=2\) 的时候 \(\frac{dy}{dt}\)的值。

解:两边关于 \(t\) 求导,我们得到

\[2x \frac{dx}{dt}+2y\frac{dy}{dt}=0 \]

当 \(x=4\) 的时候 , \(y=\pm 3\)

\[8\cdot 5\pm6 \frac{dy}{dt}=0 \]

所以

\[ \frac{dy}{dt}=\mp \frac{20}{3} .\]

例2:两辆汽车从同一点出发,其中一辆以 \(60\) 公里每小时向南行驶,另一辆车以每小时\(25\)公里向西行驶。问在两小时后,两辆车的距离的变化率是多少?

解:我们可以用图来说明

我们设AB 的长度为 \(x\), AC 的长度为 \(y\),BC 的长度为 \(z\),那么 \(z^2=x^2+y^2\),两小时后,\(x=120, y=50\),\(z=130\), 同时,由题设,\(\frac{dx}{dt}=60, \frac{dy}{dt}=25\),我们要求的是 \(\frac{dz}{dt}\),我们对方程 \(z^2=x^2+y^2\) 两边同时对 \(t\) 求导,我们得到

\[2z\frac{dz}{dt}=2x\frac{dx}{dt}+2y\frac{dy}{dt}\]

代入我们刚才得到的数值,我们有

\[2\cdot 130 \frac{dz}{dt}=2\cdot 120\cdot 60+2\cdot 50\cdot 25 \]

所以 \(\frac{dz}{dt}=\frac{16900}{260}=65\)公理/小时

Posted on Leave a comment

幂指函数及其极限与导数

幂指函数,看起来就是这样的函数 \(f(x)^{g(x)}\), 函数既像幂函数,又像指数函数,它的底和指数都是函数。它在高数里面出现的频率是比较高的,特别是求极限和求导数的时候。对于这样的函数,最常见的错误就是求导的时候,把它当成幂函数的复合函数,或者普通的指数函数的复合函数来求导。这类函数的极限也是这门课的一个难点,很多同学见到这类函数的极限往往不知所措。这篇文章就对这种函数的相关问题做一个详细的剖析。

幂指函数的定义域:同指数函数一样,幂指函数要求它的底是正数,否则,函数可能就没有意义。例如,当 \(x<0\) 时,函数 \(x^x\) 就没什么意义。所以对于幂指函数来说,\(f(x)>0\),再加上 \(g(x)\) 和 \(f(x)\) 的定义域,幂指函数的定义域是这三个数集的交集。严格来说,如果设 \(f(x)\) 的定义域为 \(u_1\),\(g(x)\) 的定义域为 \(u_2\),\(V=\{x\in R : f(x)>0\}\) ,则幂指函数 \((f(x)^{g(x)}\) 的定义域是 \(U=U_1\cap U_2 \cap V\)

幂指函数的复合规则: 幂指函数是复合函数吗?答案是它是复合函数。 但它的复合规则不是由指数函数与幂函数的复合,也不是幂函数与指数函数的复合。那它是由什么样的函数,通过什么样的规则复合而成的呢?

我们先来对它进行变形, 先对它取对数,再取 \(e\) 底,那么 \(f(x)^{g(x)}=e^{g(x)\ln f(x)}\)。这样,问题就简单多了,我们可以认为它是由指数函数 \(e^u\) 和函数 \(g(x)\ln f(x)\) 复合而成的函数。这就是幂指函数的复合规则。

有了它的复合规则以后,幂指函数的极限与导数就变得容易多了。

幂指函数的极限: 如果 \(\lim_{x\to a}f(x)=A, \lim_{x\to a}g(x)=B\),且 \(A,B\) 都是常数并且不同时为 \(0\), 则 \(\lim_{x\to a}f(x)^{g(x)}=A^B \)。这个可以用复合函数的极限运算法则得到。 因为 \(\lim_{x\to a}f(x)^{g(x)} = e^{\lim_{x\to a}g(x)\ln f(x)} = e^{B\ln A}= A^B\)。

如果极限 \(\lim_{x\to a}f(x)^{g(x)}\) 是未定式极限,就是它是 \(0^0, 1^{\infty}\) 型或者 \(\infty^0\) 型中的一种。这时候的通常做法是将极限 \(\lim_{x\to a}f(x)^{g(x)}\) 化成 \(e^{\lim_{x\to a}g(x)\ln f(x)}\) 的形式,接着将指数部分化成形式 \(\displaystyle\lim_{x\to a}\frac{\ln f(x)}{\frac{1}{g(x)}}\)。这时候,指数部分的极限就成了两类基本的未定式极限 \(\frac{0}{0}\) 型或者 \(\frac{\infty}{\infty}\) 型,然后用洛必达法则可以求出极限指数部分的极限了。

对于 \(1^{\infty}\) 型的极限,还可以通过将它变形,运用第二个重要极限来求得它的极限。

幂指函数的导数:在教材里,幂指函数的导数一般是用对数求导法来求,而对数求导法是通过隐函数求导法得到的。那么知道了幂指函数的复合规则后,我们完全可以使用我们所熟悉的复合函数求导法则来求它的导数。我们来看怎么做。

设 \(F(x)=f(x)^{g(x)}\), 那么因为 \(f(x)^{g(x)}=e^{g(x)\ln f(x)}\), 所以可以设 \(u=g(x)\ln f(x)\),从而 \(F(x)\) 是函数 \(G(u)=e^u\) 和函数 \(u=g(x)\ln f(x)\) 复合得到。从而由复合函数的求导公式
\[F'(x)=G'(u) u'(x) = e^u \left(g'(x)\ln f(x)+\frac{g(x)f'(x)}{f(x)}\right)\]

将 \(u\) 回代,就得到了
\[F'(x)=G'(u) u'(x) = f(x)^{g(x)} \left(g'(x)\ln f(x)+\frac{g(x)f'(x)}{f(x)}\right)\]

如果熟悉了,可以直接这么求
\[
\begin{align}
\left(f(x)^{g(x)}\right)’&=\left(e^{g(x)\ln f(x)}\right)’ \\
&= e^{g(x)\ln f(x)} (g(x)\ln f(x))’ \\
&= f(x)^{g(x)}\left(g'(x)\ln f(x)+\frac{g(x)f'(x)}{f(x)}\right)
\end{align}\]

Posted on Leave a comment

用Stolz公式求极限

在微积分这门课里,一般都不讲Stolz定理,但是因为这个定理应用广泛而且非常方便,我觉得有必要讲一讲这个定理。有些实分析课程里会有这个定理。
这个定理的形式很像函数极限的洛必达法则。这个定理有两个等价的形式,我们只叙述我们方便应用的这个形式。
定理: 设有数列\(\{b_n\}_{n=1}^{\infty}\)严格单调增,\(\lim_{n \to \infty}b_n=\infty\),并且极限
\(\lim_{n\to\infty}\frac{a_n-a_{n-1}}{b_n-b_{n-1}}\)存在(可以为无穷大),
那么就有
\[\lim_{n\to\infty}\frac{a_n}{b_n}=\lim_{n\to\infty}\frac{a_n-a_{n-1}}{b_n-b_{n-1}}.\]

我们来看两个例子:
(1)求极限
\[\lim_{n\to\infty}\frac{a^n}{n}\quad (a>1)\]
(2)设\(\lim_{n\to \infty}a_n=A\),求极限
\[\lim_{n\to\infty}\frac{a_1+a_2+\cdots+a_n}{n}\]

这两个例子,分母都是\(n\),很显然是单调增加而且极限为无穷大,符合定理的条件。
(1)由定理可知
\[ \lim_{n\to\infty}\frac{a^n}{n}=\lim_{n\to\infty}\frac{a^n-a^{n-1}}{n-(n-1)}=\lim_{n\to\infty}(a^n-a^{n-1})=\lim_{n\to\infty}(a^n(1-\frac{1}{a})=\infty\]

(2)设\(x_n=a_1+a_2+\cdots+a^n\),那么
\[\lim_{n\to\infty}\frac{a_1+a_2+\cdots+a_n}{n}=\lim_{n\to\infty}\frac{x_n}{n}=\lim_{n\to\infty}(x_n-x_{n-1})=\lim_{n\to\infty}a_n=A\]