隐函数及参数方程求导——“高等数学”

简介: 隐函数及参数方程求导——“高等数学”

各位CSDN的uu们你们好呀,今天,小雅兰的内容是隐函数求导和参数方程求导,下面,就让我们进入求导数的世界吧


一、隐函数的导数


二、隐函数求导


三、由参数方程确定的函数的导数


四、相关变化率


一、隐函数的导数


要想知道隐函数的导数是什么,那么首先我们肯定要知道隐函数是什么呀


既然要知道隐函数是什么,我们还得知道一个概念,那就是函数。函数就是指:在某一变化过程中,两个变量x、y,对于某一范围内的x的每一个值,y都有确定的值和它对应,y就是x的函数。这种关系一般用y=f(x)即显函数来表示。


隐函数是由隐式方程所隐含定义的函数。设F(x,y)是某个定义域上的函数,如果存在定义域上的子集D,使得对每个x属于D,存在相应的y满足F(x,y)=0,则称方程确定了一个隐函数。记为y=y(x)。 显函数是用y=f(x)来表示的函数,显函数是相对于隐函数来说的。

ea2cbee569e946248ff434b8c4a1632b.png


44eddb0f8cd347c3b4d53b72b3c83715.png

caa4c36e7f094906a9319eb7c0c8a05a.png

下面来看几点注意事项

bac24c35f2934c669a21063fa6424427.png

48ff71b9af644acb891c8540c092063a.png

我们通常把隐函数显式化求导,是因为此隐函数的形式非常简单,而对于上面这个隐函数,显式化非常困难,所以肯定不能用这种方法来求导。

5be3a7d644804b69a1fe382d4a65a70d.png

二、隐函数求导

b9f38545afe14c08a065ea8c2ee55d75.png

ef51e1f753764028a4490facda76fc9f.png

53433f17fc624fcd9e5aff9538c591a8.png

image.png

注意事项

3e536bcecfa6446f9273f57baa6fb576.png

d019ea5979a54adaa84f459710d9d6ed.png

哎呀,死去的圆锥曲线开始攻击人了!!!其实,这道题目表面上看上去是一个圆锥曲线问题,实际上还是要我们求导。因为求一个点的切线方程,肯定是要求斜率的,对于此题,就是求x=2时的导数值。

37cfc3d527c9430ab7a432db966ecadc.png

7f2a40aa9b024de48734791d840195c2.png

06c5f11ed8934da3a99ce3899b6ec554.png

06106bfdd8f64266af741b8b36ec1a8e.png

a7b934dfb60b4e2e9fca3d24f9213e97.png

7344d472706749f6a63e49d32e39fe82.png

fb3abdaaa58d4de7b10fcc47f82f204d.png

391976e637e049fe8d8baa477b4272af.png

e81f5b9e6edf4b3384f207c6f7bdfe98.png

a58ce1899eab421b92147091794a5f87.png

57adba17373c438cbf9a25a20054fcbf.png

5c6345304083464bb0829d725fff3d9d.png

02c26424269a45bbb58adda5b05e0dda.png

三、由参数方程确定的函数的导数


参数方程,为数学术语,其和函数很相似:它们都是由一些在指定的集的数,称为参数或自变量,以决定因变量的结果。例如在运动学,参数通常是“时间”,而方程的结果是速度、位置等。


一般地,在平面直角坐标系中,如果曲线上任意一点的坐标x、y都是某个变数t的函数:


并且对于t的每一个允许的取值,由方程组确定的点(x, y)都在这条曲线上,那么这个方程就叫做曲线的参数方程,联系变数x、y的变数t叫做参变数,简称参数。相对而言,直接给出点坐标间关系的方程即称为普通方程。



例子

曲线的极坐标参数方程ρ=f(t),θ=g(t)。

的参数方程 x=a+r cosθ y=b+r sinθ(θ∈ [0,2π) ) (a,b) 为圆心坐标,r 为圆半径,θ 为参数,(x,y) 为经过点的坐标

a6aae110e44df6f831e9b4de47b284b2.jpg

椭圆的参数方程 x=a cosθ  y=b sinθ(θ∈[0,2π)) a为长半轴长 b为短半轴长 θ为参数


双曲线的参数方程 x=a secθ (正割) y=b tanθ a为实半轴长 b为虚半轴长 θ为参数


抛物线的参数方程 x=2pt^2 y=2pt p表示焦点到准线的距离 t为参数


直线的参数方程 x=x'+tcosa y=y'+tsina,x',y'和a表示直线经过(x',y'),且倾斜角为a,t为参数


或者x=x'+ut,  y=y'+vt (t∈R)x',y'直线经过定点(x',y'),u,v表示直线的方向向量d=(u,v)


圆的渐开线x=r(cosφ+φsinφ) y=r(sinφ-φcosφ)(φ∈[0,2π)) r为基圆的半径 φ为参数

1428746da3289c3636b83a50b1257ff1.jpg

平摆线参数方程 x=r(θ-sinθ) y=r(1-cosθ)r为圆的半径,θ是圆的半径所经过的角度(滚动角),当θ由0变到2π时,动点就画出了摆线的一支,称为一拱。

3011c75a4bb8d74a10f0b8ff08adab18.jpg

    平摆线

2824439151844e02b888f44fe02024e0.png

63890bc6d32c486ba457079c19a12d48.png

e2d3aa2e00bf432a9ce0e887ecbffd54.png

8d75e92009544802ba52277928600245.png

image.png

下面,我们来证明一下此定理

93013fe64722427599b6c4298bdd1948.png

23abc105cf514514b2d5376125b834f0.png

edd22c4ae3024a0d9acfb8c03d6b32c8.png

2944290fc1e74dc3b7232db5455f6b5c.png

4644b5eff4fe489888ae4ef480b31a23.png

dffad5e1c1f84b59bd085ee7a05bf553.png

f836a9a803914b38bc2712207e4360da.png

b3acccdad30b44ef9fb4fbc5c603732b.png

6e5ddf59d5ad4bd7af927ca3e7fb32f9.png

512b854291094ed18022c963d12fa119.png

快看呐,死去的物理开始攻击人了!!!

fff28c688f73452d9d214a89831d5701.png

特殊时刻

4b9b9fc1e1e344b9a0aec8d8b39b0ad6.png

ab959f1c9d284ecb969db38cea6739bf.png

85dbefa997964bbe827600cd3db39afd.png

1e9a8ae218644ee8ace02476b0502352.png

四、相关变化率 

43d1d05f2b3e467197fc2d964cfb0762.png

这个定理理解起来比较抽象,下面还是用例题来说明

f4fd9ab6524f4f568e372715dbe5ed72.png

2b02247acd43494e9669a155b01676bd.png

2915f911e7a64bec8f77f300d8f19ab7.png

908b9c19984740bbaf7b95eb47303d6a.png

好啦,小雅兰今天的内容就到这里了,从此篇博客中,我们只需要知道隐函数是如何求导的和参数方程是如何求导的就可以了,相关变化率问题只需要了解一下。就快考试了,小雅兰持续输入高等数学中.....

213e45421dcf459eb7e6abf6e53b9519.jpg

相关文章
|
缓存 Java 数据库连接
使用Mybatis与直觉用jdbc相比,哪个更有优势?
Mybatis如果仅仅是要【会用】,入门是非常快的,感觉两三天就可以搞好了。
408 0
|
Java Maven
idea facets没有web 处理
idea facets没有web 处理
2032 0
idea facets没有web 处理
|
Kubernetes Cloud Native 应用服务中间件
云原生|kubernetes|kubernetes集群使用私有镜像仓库拉取镜像(harbor或者官方的registry私有镜像仓库)
云原生|kubernetes|kubernetes集群使用私有镜像仓库拉取镜像(harbor或者官方的registry私有镜像仓库)
2450 0
|
前端开发 JavaScript 测试技术
前端工程化:构建高效、可维护的现代Web应用
【10月更文挑战第5天】前端工程化:构建高效、可维护的现代Web应用
|
机器学习/深度学习 人工智能 自动驾驶
深度学习之自适应控制器设计
人工智能基于深度学习的自适应控制器设计在自动化系统、机器人控制、工业制造、无人驾驶等领域中有着广泛应用。自适应控制器借助深度学习模型的强大特征提取和学习能力,能够在未知或动态变化的环境中对系统进行实时调节,从而提升系统的响应速度、稳定性和控制精度。
657 1
|
算法 Linux 调度
深度解析:Linux内核的进程调度机制
【4月更文挑战第12天】 在多任务操作系统如Linux中,进程调度机制是系统的核心组成部分之一,它决定了处理器资源如何分配给多个竞争的进程。本文深入探讨了Linux内核中的进程调度策略和相关算法,包括其设计哲学、实现原理及对系统性能的影响。通过分析进程调度器的工作原理,我们能够理解操作系统如何平衡效率、公平性和响应性,进而优化系统表现和用户体验。
|
数据挖掘 数据处理
ChatGPT在常用的数据分析方法中的应用(交叉分析)
ChatGPT在常用的数据分析方法中的应用(交叉分析)
368 2
|
网络协议 Unix
EOF到底是什么意思?
我们在使用C标准I/O时,经常会看到EOF这个概念,这里需要明确的是并不存在EOF这样一个字符,它只是一个控制条件。起初,我认为EOF就是字面意思即,到达了文件的结尾(End of File)。
2046 1
|
机器学习/深度学习
探索机器学习中的过拟合与欠拟合:原理与实践
在机器学习的领域中,过拟合和欠拟合是影响模型性能的两大关键问题。本文将深入解析这两个现象的原理,并通过具体案例探讨如何在实际项目中有效应对它们,从而提升模型的泛化能力和预测准确性。
861 27