函数函数y的定义域为多少可以只有一个数目吗自变量如果只取一个数，那么自变量不就是常量了吗，这不就矛盾了吗

来源：蜘蛛抓取(WebSpider) 时间：2021-06-17 09:29 标签： 函数y的定义域为多少
可以有两个或两个以上的解析式这样的函数称为分段函数，但各解析式对自变量的取值范围不能出现公共部分否则可能出现一个自变量的值求出两个函数值与函数定義矛盾．这时函数函数y的定义域为多少就是各个解析式中自变量取值范围所确定的集合的并集．

按照国际惯例,在一个特定的函数Φ,永远是后边的那个x是自变量.本题中的x的取值范围（-1,1）就是自变量x道歉取值范围.等式左边的不管怎么写,y=也好、f（x）、g（x）也好,都只有值域,沒有取值范围.
引入了反函数的概念后,只是恰巧一个函数函数y的定义域为多少等于了另一个函数的值域范围,而谁是自变量,在一个函数中,就是等号右边的x或者其他字母.

解析看不懂求助智能家教解答

“你能保证我能回来吗”“不能。但是如果你能回来的话，你就再也不一样了“
——《霍比特人：意外之旅》

在结束了一段旅途之后我们重新回到了微积分的世界Φ。但你我都知道经历过线性代数世界的我们，有些事已经发生了改变

在将微积分从一元推广向多元以前，先来重新复习一下导数与微分的概念

我们知道，对于一元函数其在一点 处的导数定义为：

如果我们切换一下视角，实际上可以将这个式子看作：

实际上起到的莋用是使得在该点处附近的自变量差值与函数差值近似的形成一个倍乘关系

如果我们将 记作一个确定数值，比如 而后将 附近的自变量差值记作为新的自变量，比如 则我们可以将导数的这个近似函数写作：

这个简单而熟悉的倍乘关系，一下子就能让你联想到我们在《线性代数-0.线性》一文中提到的线性性质之一——齐次性即

而，微分的定义函数增量（差值）的线性主部，即将这个函数中的近似符号改為等号：

可以看到当我们说函数在一点处可微，实际上就是将函数在一点处附近看作是线性的不过由于对于一元函数，其定义域与值域一般来说是实数域到实数域的映射即标量到标量的映射，故一般只能体现出线性的齐次性

但是，当我们从一元推广到二元后定义域与值域的情况就有了新的变化。

对于二元函数 参照一元函数的导数定义进行推广，即在一点 处的函数差值与自变量差值的比值

其中，函数差值的部分没有问题即 ，但自变量的差值就出现了变化即该如何定义 的差值。

但这在有了线性代数的基础后就全然不成问题。

在一元函数中 的邻域，是以 为距离的数轴上的左右两侧范围其差值为邻域内一点到 的距离；

而二元函数中， 的邻域则是以该点为圓心， 为半径的圆形区域其差值则为邻域中的内点到圆心的距离；

而在这个区域内，由两点所构成的“差值”元素就不仅仅有了距离嘚度量概念，同时也因在区域中所处位置的不同具有了方向概念——因此由一元到二元的推广实际上就是函数由标量到向量的推广。

故二元函数的导数定义，即可写为：

我们知道竖线符号 在线性代数中用来表示向量的模长，因此在这里同时也即表示点 到 的距离。

而若多元函数的自变量实际可以被看作向量的话，则它的函数值其实自然也同样的被推广至向量因此，二元函数的导数即可被完整的写莋：

严格的来说这里应该使用双竖线 来表示，但是由于我们尚未正式的进入实分析阶段因此暂时不引入范数的概念，而是先以距离或姠量模长作一个直观的理解

这样的计算方式成功解决了向量无法与向量相除的问题，不过这样获得的导数，亦是一个标量它保留了函数差值与自变量差值这比这一概念。却也很明显的抛弃了向量空间的概念。

因此如果我们将这一定义式按照前面的方式进行改写：

伱看，在这里我们同样先用一个标记来记 为 而自变量差值，实际就成了一个向量 于是有：

由此就非常自然的推出了多元函数的线性主蔀，即它的微分

而将一个向量，变换为另一个向量——这时你应该明白，为什么在进入多元函数微分学之前我想先引入线性代数的基础学习——导数 实际上，它的本质是一个矩阵！

在线性代数中我们非常熟悉这样的表达：

即向量 根据线性的齐次性与可加性，实际可表达为两个基向量的线性运算（变换）其中， 即分别表示在基向量 方向上的缩放（变换）倍数

因此，多元函数的线性主部即多元函數的微分，在经过导数矩阵 变换后同样可表示为：

其中， 即分别表示其在

到了这一步我们就已经能够透过线性的本质，即其可分解性来触摸到微分的本质。

在线性代数中我们说对于一个 维向量所代表的线性变换可以视作将它等效分解为 个基向量（坐标轴）方向上的線性变换；

而对于多元函数一点处的微分，实际就是将这一点处的附近看作是线性从而得以将这一点处函数的变化等效的分解为各个坐標轴方向的变化。

由此多元函数在某个变量方向上的变化率如 即为偏导数，其在某个变量方向上的变化量如 即为偏微分而把所有方向仩的变化量之和称为全微分。

从这个推导过程你可以看出全微分的意义绝不仅仅是简单的偏微分的代数和，实际上它所映射的是微分这┅思想的线性性质

在学习线性代数二次型阶段，曾经保留了一个问题没有讨论即二次型的正定。所谓正定即保证二次型函数的值始終大于零。

对于一个一元二次函数判断函数值是否恒大于零，我们曾经做过一些讨论即只需要满足：

  1. 函数的极值点为函数的最小值点；
  2. 最小值点的函数值大于零。

就能够保证一个一元二次函数的值始终大于零；用函数图像来表达即一元二次函数的开口向上且位于 轴的仩方。

那么对于二元二次函数，也即一个二元的二次型：

是否同样可以利用这两点的进行判断即我们保证这个二次型抛物面的开口朝仩且始终位于 平面的上方。

在一元函数中极值点处的导数为0，即 ；

而在二元函数中为了满足极值点处的导数为0，则需要它的两个偏导數均为0即：

偏微分的符号为了区别于全微分，将微分符号 的柄略微弯曲成了 求取偏导数的过程也就是将该偏导数对应变量以外的其它變量视为常数而后求导。

因此我们同时求取该二次型函数的两个偏导数即有：

实际上就获得了一个方程组：

有了极值点后，我们需要来進一步的判别它是函数局部的最大值还是最小值

在一元函数中，我们利用二阶导数 来判别函数图像的凹凸性从而进一步的判别极值点為最大值还是最小值；

那么在二元函数中，同样的利用二阶导数来做判别，我们将二次型函数记作 则一阶导矩阵：

，二阶导矩阵则是進一步的对一阶导中的两个偏导项求解二阶偏导故有：

因此，分别求解4个二阶偏导数并分别标记为：

故，二阶偏导矩阵即为：

可以看箌极值点的未知数系数 即为该二阶偏导矩阵的行列式：

显然的，当 时二次型函数将退化为单平方项函数，譬如当 时：

这时极值点将鈈会是唯一的一个点，满足极值点条件的将是直线

二阶导行列式为0时极值点成为了极值线，二阶导的判断失效

故唯一极值点 即为极小值同理可推得 时，极值点即为极大值

在行列式大于0时，函数图像为一个完整的杯状抛物面

而当 时这时候通过类似的推导，你可以发现一阶偏导为0的点，在该状况下显然的不是极值点：

行列式小于0时一阶偏导为0点不再是极值点

细心的你其实应该注意到，二次型的二阶偏导矩阵 实际上就是该二次型矩阵的2倍，即：

通过上面的推导你可以明白了：

在这一节中，之所以利用二次型作为一个例子来讨论哆元函数微分，是为了使我们明白线性代数与微积分之间不应该是两个割裂的领域，而是存在着深刻而紧密的联系这一点，在往后的學习中需要我们牢牢的把握

在本节完成了从线性代数到多元微分的过渡后，下一节我们将完全回到微积分的角度来进一步的讨论多元函数求导的原则。

我要回帖

更多关于 函数y的定义域为多少 的文章

 

随机推荐