高等数学期末复习——知识点梳理

文章目录

  • 向量代数与空间解析几何
    • 三维向量叉乘:
    • 平面方程:
    • 直线方程:
  • 多元函数微分学
    • 多元函数连续的充分条件
    • 偏导数与连续的关系
    • 隐函数的导数
    • 方向导数
    • 梯度
  • 多元函数微分学的应用
    • 空间曲线的切线与法平面方程
    • 空间曲线的切平面和法线方程
    • 有约束极值
  • 多元函数积分学
    • 四个等价命题与格林公式
  • 无穷级数
    • 几个性质
    • 正项级数敛散性判别法
      • 比较判别法
      • 部分和数列
      • 柯西判别法
      • 比值判别法
    • 交错级数敛散性判别法
      • Lebniz method
    • 任意项级数敛散性判别法
      • 狄利克雷判别法
    • 傅里叶级数

向量代数与空间解析几何

向量混合积:(a × b)· c

定义 P r j x a Prj_x a Prjxa为a到x的投影

可用于计算六面体体积。

另:

三维向量叉乘:

( a x , a y , a z ) × ( b x , b y , b z ) = ∣ i j k a x a y a z b x b y b z ∣ (a_x,a_y,a_z)×(b_x,b_y,b_z)= \left|\begin{array}{cccc} i & j & k \\ a_x & a_y & a_z\\ b_x & b_y & b_z \end {array} \right| (ax,ay,az)×(bx,by,bz)=iaxbxjaybykazbz

平面方程:

  1. 点法式. A ( x − x 0 ) + B ( y − y 0 ) + C ( z − z 0 ) + D = 0 A(x-x_0)+B(y-y_0)+C(z-z_0)+D=0 A(xx0)+B(yy0)+C(zz0)+D=0,其中 ( A , B , C ) (A,B,C) (A,B,C)为平面的法向量。

  2. 截距式: x a + y b + z c = 1 \frac{x}{a}+\frac{y}{b}+\frac{z}{c}=1 ax+by+cz=1,其中 a , b , c a,b,c a,b,c分别是 x , y , z x,y,z x,y,z轴的截距。

  3. 平面一般方程 A x + B y + C z + D = 0 Ax+By+Cz+D=0 Ax+By+Cz+D=0.

  4. 三点式:不常用.

直线方程:

  1. 点向式. 设直线的方向向量为 ( m , n , q ) (m,n,q) (m,n,q),其上有一点 ( x 0 , y 0 , z 0 ) (x_0,y_0,z_0) (x0,y0,z0),则可得直线方程
    x − x 0 m = y − y 0 n = z − z 0 q \frac{x-x_0}{m}=\frac{y-y_0}{n}=\frac{z-z_0}{q} mxx0=nyy0=qzz0

  2. 两点式

x − x 1 x 2 − x 1 = y − y 1 y 2 − y 1 = z − z 1 z 2 − z 1 \frac{x-x_1}{x_2-x1}=\frac{y-y_1}{y_2-y_1}=\frac{z-z_1}{z_2-z_1} x2x1xx1=y2y1yy1=z2z1zz1

  1. 参数式. 设方向向量为 ( m , n , q ) (m,n,q) (m,n,q),有一点为 ( x 0 , y 0 , z 0 ) (x_0,y_0,z_0) (x0,y0,z0)

{ x = x 0 + m t , y = y 0 + n t , z = z 0 + q t \left\{ \begin {array}{cccc} x=x_0+mt, \\ y=y_0+nt, \\ z=z_0+qt\end {array} \right. x=x0+mt,y=y0+nt,z=z0+qt

  1. 一般式,两平面方程联立即可

多元函数微分学

多元函数连续的充分条件

(1) f ( p ) f(p) f(p) p p p有定义

(2) f ( p ) f(p) f(p) p p p有极限

(3)极限值等于函数值

偏导数与连续的关系

简单来说,偏x和偏y只是两个方向,表示在这对正交方向上可导,但只有在二维平面上每个方向都有导数,才能说这个函数是连续的。

隐函数的导数

单方程情形: F ( x , y ) = 0 F(x,y)=0 F(x,y)=0,则
d y d x = − F x ′ F y ′ \frac{dy}{dx}=-\frac{F_x^{'}}{F_y^{'}} dxdy=FyFx
方程组情形:对于方程组 { F ( x , y , u , v ) = 0 , G ( x , y , u , v ) = 0. \begin{cases} F(x,y,u,v)=0, \\ G(x,y,u,v)=0.\end{cases} {F(x,y,u,v)=0,G(x,y,u,v)=0.

u = u ( x , y ) , v = v ( x , y ) u=u(x,y),v=v(x,y) u=u(x,y),v=v(x,y)
∂ ( F , G ) ∂ ( u , v ) = ∣ F u ′ F v ′ G u ′ G v ′ ∣ \frac{\partial(F,G)}{\partial (u,v)}=\left | \begin{matrix} F_u'&F_v' \\ G_u'&G_v' \\ \end{matrix} \right | (u,v)(F,G)=FuGuFvGv

方向导数

x x x y y y的导数实际上是两个方向的方向导数。一般化后,得到公式:
∂ f ( P 0 ) ∂ l = ( ∂ f ( P 0 ) ∂ x , ∂ f ( P 0 ) ∂ y ) ⋅ e l \frac {\partial f(P_0)}{\partial l}=(\frac{\partial f(P_0)}{\partial x},\frac{\partial f(P_0)}{\partial y})·\boldsymbol{e_l} lf(P0)=(xf(P0),yf(P0))el

其中 e l \boldsymbol e_l el是沿 l l l方向的单位向量。

梯度

例如,当 f ( x , y ) f(x,y) f(x,y)是某二元函数时,梯度
grad f ( p ) = ( f x ′ ( p ) , f y ′ ( p ) ) \textbf {grad}f(p)=(f_x'(p),f_y'(p)) gradf(p)=(fx(p),fy(p))

多元函数微分学的应用

空间曲线的切线与法平面方程

若直线 l l l上的点满足 x = x ( t ) , y = y ( t ) , z = z ( t ) x=x(t),y=y(t),z=z(t) x=x(t),y=y(t),z=z(t) t ∈ I t\in I tI,对于直线上一点 P ( x ( t 0 ) , y ( t 0 ) , z ( t 0 ) ) P(x(t_0),y(t_0),z(t_0)) P(x(t0),y(t0),z(t0)),有过 P P P的切线为 x − x 0 x ′ ( t 0 ) = y − y 0 y ′ ( t 0 ) = z − z 0 z ′ ( t 0 ) \frac{x-x_0}{x'(t_0)}=\frac{y-y_0}{y'(t_0)}=\frac{z-z_0}{z'(t_0)} x(t0)xx0=y(t0)yy0=z(t0)zz0.

法平面方程为 x ′ ( t 0 ) ( x − x 0 ) + y ′ ( t 0 ) ( y − y 0 ) + z ′ ( t 0 ) ( z − z 0 ) = 0 x'(t_0)(x-x_0)+y'(t_0)(y-y_0)+z'(t_0)(z-z_0)=0 x(t0)(xx0)+y(t0)(yy0)+z(t0)(zz0)=0.

空间曲线的切平面和法线方程

直接求梯度即可,各系数为切平面系数/法线方程系数。

有约束极值

拉格朗日函数

若约束为   φ ( x , y , z ) = 0 \ \varphi (x,y,z)=0  φ(x,y,z)=0,可设 ( x , y , z , λ ) = f ( x , y , z ) + λ φ ( x , y , z ) (x,y,z,\lambda)=f(x,y,z)+\lambda \varphi (x,y,z) (x,y,z,λ)=f(x,y,z)+λφ(x,y,z),最后解方程组,四维导数分别等于0.

多元函数积分学

四个等价命题与格林公式

  1. ∮ l P d x + Q d y = 0 \oint_l Pdx+Qdy=0 lPdx+Qdy=0
  2. ∫ l P d x + Q d y \int_l Pdx + Qdy lPdx+Qdy与积分路径无关
  3. 是某个函数的全微分. 即存在 u , d u = P d x + Q d y u,du=Pdx+Qdy u,du=Pdx+Qdy
  4. ∂ Q ∂ x = ∂ P ∂ y \frac{\partial Q}{\partial x}=\frac{\partial P}{\partial y} xQ=yP D D D内处处成立

格林公式:
∮ P d x + Q d y = ( ∬ ∂ Q ∂ x − ∂ P ∂ y ) d x d y \oint Pdx+Qdy=(\iint \frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y})dxdy Pdx+Qdy=(xQyP)dxdy
原函数与全微分方程

D D D单连通, P ( x , y ) , Q ( x , y ) ∈ C ( D ) P(x,y),Q(x,y)\in C(D) P(x,y),Q(x,y)C(D),且有 ∂ Q ∂ x = ∂ P ∂ y \frac {\partial Q}{\partial x}=\frac{\partial P}{\partial y} xQ=yP,则存在函数 u ( x , y ) = ∫ ( x 0 , y 0 ) ( x , y ) P d x + Q d y u(x,y)=\int_{(x_0,y_0)}^{(x,y)}Pdx+Qdy u(x,y)=(x0,y0)(x,y)Pdx+Qdy,使得 d u = P d x + Q d y du=Pdx+Qdy du=Pdx+Qdy.

高斯公式:
∯ Σ P d y d z + Q d z d x + R d x d y = ∭ ( ∂ P ∂ x + ∂ Q ∂ y + ∂ R ∂ z ) d x d y d z \oiint_\Sigma Pdydz+Qdzdx+Rdxdy=\iiint (\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+\frac{\partial R}{\partial z})dxdydz ΣPdydz+Qdzdx+Rdxdy=(xP+yQ+zR)dxdydz
斯托克斯公式:
∮ Γ P d x + Q d y + R d z = ∬ ( ∂ R ∂ y − ∂ Q ∂ z ) d y d z + ( ∂ P ∂ z − ∂ R ∂ x ) d z d x + ( ∂ Q ∂ x − ∂ P ∂ y ) d x d y \oint_\Gamma Pdx + Qdy + Rdz=\iint (\frac{\partial R}{\partial y}-\frac{\partial Q}{\partial z})dydz + (\frac{\partial P}{\partial z}-\frac{\partial R}{\partial x})dzdx+(\frac{\partial Q}{\partial x}-\frac{\partial P}{\partial y})dxdy ΓPdx+Qdy+Rdz=(yRzQ)dydz+(zPxR)dzdx+(xQyP)dxdy
(可以直接计算,改变积分次序,一般用不上这个公式)

散度
若向量场 F = ( P , Q , R ) F=(P,Q,R) F=(P,Q,R),则称
∂ P ( x 0 , y 0 , z 0 ) ∂ x + ∂ Q ( x 0 , y 0 , z 0 ) ∂ y + ∂ R ( x 0 , y 0 , z 0 ) ∂ z \frac{\partial P(x_0,y_0,z_0)}{\partial x}+\frac{\partial Q(x_0,y_0,z_0)}{\partial y}+\frac{\partial R(x_0,y_0,z_0)}{\partial z} xP(x0,y0,z0)+yQ(x0,y0,z0)+zR(x0,y0,z0)
F F F M ( x 0 , y 0 , z 0 ) M(x_0,y_0,z_0) M(x0,y0,z0)的散度,简记为 d i v F ( x , y , z ) ∣ M divF(x,y,z)|_M divF(x,y,z)M

高斯公式的场形式

∯ F ⋅ d S = ∭ d i v F d v \oiint \boldsymbol F ·dS=\iiint div\boldsymbol F dv FdS=divFdv.

环流量与旋度

rot F = ∣ i j k ∂ ∂ x ∂ ∂ y ∂ ∂ z P Q R ∣ \textbf{rot} \boldsymbol F = \left | \begin{matrix} \boldsymbol i &\boldsymbol j &\boldsymbol k \\ \frac{\partial}{\partial x} &\frac{\partial}{\partial y} &\frac{\partial}{\partial z} \\ P &Q &R\end{matrix}\right| rotF=ixPjyQkzR.

Stokes formula 场形式:

∮ F ⋅ d s = ∬ rot F ⋅ d S \oint \boldsymbol F·ds=\iint \textbf{rot}\boldsymbol F·dS Fds=rotFdS

无穷级数

几个性质

  1. 若级数收敛,则项的极限为0.
  2. 调和级数发散.
  3. 收敛级数满足线性运算。即乘以一个常数或者加上有限个项/一个常数,级数仍然收敛.
  4. 收敛级数结合后仍然收敛,但收敛级数去掉某些括号后不一定仍然收敛.

正项级数敛散性判别法

比较判别法

若有 A = lim ⁡ x = 0 ∞ u n , B = lim ⁡ x = 0 ∞ v n A=\lim_{x=0}^{\infin}u_n,B=\lim_{x=0}^{\infin}v_n A=limx=0un,B=limx=0vn均为正项级数, ∃ N > 0 , c > 0 \exist N > 0,c>0 N>0,c>0,当 n > N , u n ≤ v n n>N,u_n\leq v_n n>N,unvn,则:

(1)当 B B B收敛时, A A A也收敛;

(2)当 A A A发散时, B B B也发散.

部分和数列

对于正项级数,若部分和数列有上界,则原级数一定收敛。

柯西判别法

对于 lim ⁡ x = 0 + ∞ u n \lim_{x=0}^{+\infin} u_n limx=0+un,若 ∃ N > 0 \exist N>0 N>0,当 n > N n>N n>N,有 u n n ≥ 1 \sqrt[n]{u_n}\geq 1 nun 1,则原级数发散. 若 u n n ≤ q < 1 \sqrt[n]{u_n}\leq q < 1 nun q<1(q为确定的常数),则原级数收敛.

比值判别法

∃ N > 0 \exist N>0 N>0,当 n > N n>N n>N u n + 1 u n ≥ 1 {u_{n+1}\over u_n}\ge1 unun+11,则原级数发散;

∃ N > 0 \exist N>0 N>0,当 n > N n>N n>N u n + 1 u n ≤ q < 1 {u_{n+1}\over u_n}\leq q<1 unun+1q<1 q q q为确定常数),则原级数收敛.

交错级数敛散性判别法

Lebniz method

若交错级数 ∑ n = 1 + ∞ ( − 1 ) n + 1 u n \sum_{n=1}^{+\infin}(-1)^{n+1}u_n n=1+(1)n+1un满足:

(1) u n + 1 ≤ u n u_{n+1}\le u_{n} un+1un

(2) lim ⁡ n → + ∞ u n = 0 \lim_{n\to+\infin}u_n=0 limn+un=0.

则原级数收敛,且和 S ≤ u 1 S\leq u_1 Su1.

任意项级数敛散性判别法

考虑绝对级数,绝对级数收敛则原级数绝对收敛,否则不为绝对收敛,但原级数也可能收敛。绝对级数不收敛而原级数收敛的级数称为条件收敛。

充分性: 绝对收敛 ⇒ \Rightarrow 原级数收敛

狄利克雷判别法

(1) u n u_n un单调减少且极限为0;

(2) ∣ ∑ k = 1 n v k ∣ ≤ M |\sum_{k=1}^{n}v_k|\leq M k=1nvkM M > 0 M>0 M>0且为与 n n n无关的常数.

则级数 ∑ n = 0 + ∞ u n v n \sum_{n=0}^{+\infin}u_nv_n n=0+unvn收敛.

傅里叶级数

对任意一个函数 y = f ( x ) y=f(x) y=f(x)进行傅里叶展开,

公式:
a n = 1 π ∫ − π π f ( x ) c o s   n x d x ,   n = 0 , 1 , 2... ; a_n= {1\over \pi}\int_{-π}^{\pi}f(x)cos\ nxdx,\ n=0,1,2...; an=π1ππf(x)cos nxdx, n=0,1,2...;

b n = 1 π ∫ − π π f ( x ) s i n   n x d x ,   n = 1 , 2... b_n= {1\over \pi}\int_{-π}^{\pi}f(x)sin\ nxdx,\ n=1,2... bn=π1ππf(x)sin nxdx, n=1,2...

A = 1 2 a 0 + ∑ n = 1 + ∞ ( a n c o s   n x + b n s i n   n x ) A={1\over2}a_0+\sum_{n=1}^{+\infin}(a_ncos\ nx+b_n sin\ nx) A=21a0+n=1+(ancos nx+bnsin nx)

你可能感兴趣的:(笔记)