导数进阶:从切线到微积分基本定理
导数法则
积商链式
定积分
曲线下面积
牛顿莱布尼茨
∫=F(b)−F(a)
应用
求面积体积
【章首引子】你已经知道"导数是切线斜率"。这一章把它用透:单调、极值、最值、不等式证明,甚至"曲线下的面积",全归导数管。最妙的是——求导(变化率)和求面积(积分)居然是一对互逆运算,这就是微积分基本定理,整座高等数学大厦的地基。
① 求导公式与运算法则
② 单调性、极值、最值
看导数正负
f'(x)>0 ⇒ 单调递增;f'(x)<0 ⇒ 单调递减。导数不变号,函数就一往无前。
f'(x₀)=0 且变号
先找驻点 f'=0,再看导数在 x₀ 两侧是否变号:左正右负=极大,左负右正=极小。
极值 + 端点
闭区间 [a,b] 上,把所有极值和 f(a)、f(b) 一起排个队,最大最小就是答案。
构造函数
证 f(x)≥g(x) ⇔ 证 h(x)=f(x)−g(x)≥0,求 h 的最小值 ≥0。
值中值定理:为什么"导数恒正"就"一定递增"
罗尔定理(特例):若 $f$ 在 $[a,b]$ 连续、$(a,b)$ 可导,且 $f(a)=f(b)$,则存在 $\xi\in(a,b)$ 使 $f'(\xi)=0$。几何意义:两端一样高,中间总有某个"坡顶或坡谷"是平的。
拉格朗日中值定理(核心):若 $f$ 在 $[a,b]$ 连续、$(a,b)$ 可导,则存在 $\xi\in(a,b)$ 使 $f(b)-f(a)=f'(\xi)(b-a)$,即 $f'(\xi)=\frac{f(b)-f(a)}{b-a}$。几何意义:曲线上总能找到一点,它的切线斜率恰等于两端连线的斜率(弦的斜率 = 某点切线斜率)。
它保证了单调性:若在区间内 $f'(x)>0$ 恒成立,则对任两点 $x_1<x_2$,存在 $\xi$ 使 $f(x_2)-f(x_1)=f'(\xi)(x_2-x_1)>0$,即 $f(x_2)>f(x_1)$。所以"导数>0 即递增"不是规定,而是中值定理推出来的定理。
洛洛必达法则:捏住 $0/0$ 和 $\infty/\infty$ 的喉咙
求极限时撞上 $\frac{0}{0}$ 或 $\frac{\infty}{\infty}$,别急着放弃——对分子分母分别求导再取极限:若 $\lim\frac{f(x)}{g(x)}$ 是 $\frac{0}{0}$ 或 $\frac{\infty}{\infty}$ 型,且 $\lim\frac{f'(x)}{g'(x)}$ 存在,则 $\lim\frac{f(x)}{g(x)}=\lim\frac{f'(x)}{g'(x)}$。
例子:$\lim_{x\to 0}\frac{\sin x}{x}$ 是 $0/0$ 型,洛必达得 $\lim\frac{\cos x}{1}=1$。$\lim_{x\to +\infty}\frac{\ln x}{x}$ 是 $\infty/\infty$ 型,洛必达得 $\lim\frac{1/x}{1}=0$。一次不行可连求,直到不是不定型为止。
泰泰勒展开:用多项式给任意函数拍"局部快照"
很多函数($\sin$、$\ln$、指数)直接算很麻烦,但用多项式逼近就简单。带拉格朗日余项的泰勒公式:
$f(x)=f(x_0)+f'(x_0)(x-x_0)+\frac{f''(x_0)}{2!}(x-x_0)^2+\cdots+\frac{f^{(n)}(x_0)}{n!}(x-x_0)^n+R_n(x)$,其中余项 $R_n(x)=\frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$。
直觉:在 $x_0$ 附近,函数被"切成"取值、斜率、曲率、曲率变化……一层层拼回去。只留前两项就是线性近似 $f(x)\approx f(x_0)+f'(x_0)(x-x_0)$——这正是梯度下降每一步干的事:用切线代替整座山。牛顿法更进一步,用到二阶导数(曲率)来加速收敛。
③ 定积分与微积分基本定理
积∫ₐᵇ f(x)dx = 曲线下的面积(有正负号)
微积分基本定理(牛顿-莱布尼茨公式):若 F'(x) = f(x),则 ∫ₐᵇ f(x)dx = F(b) − F(a)。求导和积分互为逆运算——求面积不用真把图形切成无数小条,找个原函数代两头就完事。常用:∫xⁿdx = x^{n+1}/(n+1),∫eˣdx = eˣ,∫cosx dx = sinx。
④ 怎么考:看到导数题先想什么
思解题心法:四步反射
"求导 → 因式分解 → 画符号表"三连,是单调性/极值/最值的统一流水线。求导之后一定要因式分解——写成 $3(x-1)(x+1)$ 才看得出正负,写成 $3x^2-3$ 你什么也看不出来。
看到"恒成立""对任意 $x$ 都成立",就转成求最值。证 $f(x)\ge 0$ 恒成立,等于证 $f$ 的最小值 $\ge 0$;含参数的用分离参数:$a \ge g(x)$ 恒成立 $\iff a \ge \max g(x)$,把参数和变量彻底分开。
看到"面积、体积、变速运动路程、变力做功",一律定积分。先写微元:一小段位移 $dx$ 上做的功是 $F(x)\,dx$,再加起来就是 $\int_a^b F(x)\,dx$。找原函数代两头,别真去切小条。
在 AI / 工程里用在哪:导数就是"往哪走更快"。训练神经网络的唯一动作是梯度下降——算出损失对参数的导数,然后往导数反方向挪一小步 $\theta \leftarrow \theta - \eta\,\nabla L(\theta)$。而求复合函数导数的链式法则,正是反向传播算法的全部数学。
⑤ 用途与案例
梯度下降:导数指路
损失函数 $L(\theta)$ 是一座山,你站在半山腰蒙着眼,只能靠脚下的坡度判断方向。导数告诉你哪边是下坡,学习率决定一步迈多大。
反向传播:链式法则
几百层网络套在一起,要算最外层损失对第一层参数的导数,靠的就是一层层往回乘。链式法则 $(f\circ g)' = f'(g)\,g'$,就是反向传播的全部数学。
连续概率:密度函数积分
身高等连续量的概率不能"数出来",只能用积分求密度曲线下的面积:$P(a\le X\le b)=\int_a^b p(x)\,dx$。正态分布的概率表,就是这么算出来的。
变力做功与变速路程
弹簧越拉越费劲,$F$ 在变,功不能用力乘距离,得切成无数小段再加起来。定积分的原始动机,就是"总量 = 微元之和"。
坑一:f'(x₀)=0 就当极值。驻点不一定是极值(如 y=x³ 在 x=0),必须看导数是否变号。坑二:求最值忘了端点。闭区间上的最值可能在端点,不一定在极值点。坑三:积分上下限代反。F(b)−F(a),是大减小,不是小减大。
练习(基础 + 进阶 + 奥数)
【基础】求 f(x) = x² − 4x + 3 的极小值。
查看思路与解答
f'(x) = 2x−4 = 0 ⇒ x=2。f(2) = 4−8+3 = −1(开口向上,是极小值)。错了或卡壳?回到本章「牛顿-莱布尼茨公式」那一段,把思路再顺一遍。
【进阶】计算 ∫₀^π sinx dx。
查看思路与解答
原函数是 −cosx。= −cosπ − (−cos0) = −(−1) + 1 = 2。错了或卡壳?回到本章「牛顿-莱布尼茨公式」那一段,把思路再顺一遍。
【奥数延展】用导数证明:eˣ ≥ 1 + x 对一切实数 x 成立。
查看思路与解答
令 h(x) = eˣ − 1 − x。h'(x) = eˣ − 1。x<0 时 h'<0(减),x>0 时 h'>0(增),故 x=0 是最小值点,h(0)=1−1−0=0。最小值为 0 ⇒ h(x)≥0,即 eˣ ≥ 1+x。这是一切泰勒近似的起点。错了或卡壳?回到本章「牛顿-莱布尼茨公式」那一段,把思路再顺一遍。
① 导数正负定单调,驻点变号定极值,极值加端点定最值。
② 证不等式就构造 h=f−g,证 h 的最小值 ≥ 0。
③ 牛顿-莱布尼茨公式 ∫ₐᵇf=F(b)−F(a):求导与积分互为逆运算。
- 用自己的话讲:本章核心是「导数法则 / 牛顿莱布尼茨」,合上书用自己的话推一遍,不许跳步。
- 举个反例 / 什么时候最容易错:为什么定积分是面积、求导是斜率,它俩互为逆运算?"这就是微积分基本定理,整个微积分的地基。
- 哪里还卡壳(标记你的薄弱点):哪一步你要翻书才推得顺?那个地方就是你的薄弱点,拿笔圈出来。