跳轉到內容

微積分/極值和拐點

來自華夏公益教科書,開放的書籍,為開放的世界
← 洛必達法則 微積分 牛頓法 →
極值和拐點
四種類型的極值。

最大值最小值分別是函式達到最高值或最低值的點。 極值(表示最大值或最小值)有兩種型別:全域性區域性,有時分別稱為“絕對”和“相對”。 全域性最大值是指在函式的整個範圍內取最大值的點,而全域性最小值是指在函式的整個範圍內取最小值的點。 另一方面,區域性極值是指函式在緊鄰區域內的最大值或最小值。

在許多情況下,極值看起來像函式圖形上的山峰或碗底。 全域性極值也總是區域性極值,因為它是在函式的整個範圍內取得最大值或最小值,因此也是其鄰近範圍內的最大值或最小值。 函式也可以沒有極值,無論是全域性還是區域性: 就是一個簡單的例子。

在任何極值處,圖形的斜率必然為 0(或未定義,例如 ),因為圖形必須在極值處停止上升或下降,並開始向相反方向移動。 因此,極值也常稱為駐點拐點。 因此,函式的一階導數在極值處等於 0。 如果圖形有一個或多個這些駐點,可以透過將一階導數設為 0 並求解所得方程的根來找到這些點。

函式 ,它在點 處包含一個鞍點。

但是,斜率為零並不保證是最大值或最小值:還存在第三類稱為鞍點的駐點。 考慮函式

導數為

處的斜率為 0。 我們有一個斜率為 0 的點,但雖然這使其成為一個駐點,但這並不意味著它是最大值或最小值。 檢視函式圖形你會發現 既不是最大值也不是最小值,它只是一個函式變平的點。 真正的極值要求一階導數的符號發生變化。 這很有道理 - 你必須上升(正斜率)到最大值並下降(負斜率)從最大值。 在上升和下降之間,在光滑的曲線上,會出現一個斜率為零的點 - 最大值。 最小值將表現出類似的性質,只是順序相反。

好的(BC,綠色)和不好的(DE,藍色)點,用於檢查以對極值(A,黑色)進行分類。 不好的點會導致對 A 作為最小值的錯誤分類。

這導致了一個對駐點進行分類的簡單方法 - 將 x 值稍微左移和右移代入函式的導數。 如果結果的符號相反,那麼它就是一個真正的最大值/最小值。 你也可以使用這些斜率來確定它是最大值還是最小值:左邊的斜率對於最大值是正的,對於最小值是負的。 但是,你必須謹慎使用這種方法,因為如果你選擇的點離極值太遠,你可能會在另一個極值的另一側取點,從而錯誤地對該點進行分類。

極值測試

[編輯 | 編輯原始碼]

對駐點進行分類的一種更嚴格的方法稱為極值測試二階導數測試。 如前所述,一階導數的符號必須發生變化,駐點才能成為真正的極值。 現在,函式的二階導數告訴我們一階導數的變化率。 因此,如果二階導數在駐點處為正,則梯度正在增加。 事實上,它是一個駐點本身意味著這隻能是一個最小值。 相反,如果二階導數在該點處為負,則它是一個最大值。

現在,如果二階導數為 0,我們遇到了問題。 它可能是一個拐點,也可能仍然是一個極值。 下面的例子說明了這兩種情況 - 所有這些情況在所討論的駐點處都有二階導數等於 0

  • 處有一個拐點
  • 處有一個最小值
  • 處取得最大值。

然而,這不是一個無法解決的問題。我們需要做的是繼續求導,直到在第 次導數處,在駐點獲得非零結果。

如果 為奇數,則駐點為真正的極值點。如果第 次導數為正,則為最小值;如果第 次導數為負,則為最大值。如果 為偶數,則駐點為拐點。

例如,讓我們考慮函式

現在我們求導,直到在駐點 處獲得非零結果(假設我們已經像往常一樣找到了這個點)。

因此, 為 4,所以 為 3。這是一個奇數,四階導數為負,因此我們有一個最大值。請注意,所給出的方法都不能告訴您這是一個全域性極值還是區域性極值。為此,您需要將函式設定為極值的高度,然後尋找其他根。

臨界點

[edit | edit source]

臨界點 是函式導數為 0 或未定義的點。假設我們想要在一個閉區間上找到一個連續函式的最大值或最小值。該函式在該區間上的極值將出現在一個或多個臨界點和/或一個或兩個端點處。我們可以用反證法證明這一點。假設函式 在區間 的點 處取得最大值,其中函式的導數已定義且不為 。如果導數為正,則比 略大的 值將導致函式增加。由於 不是端點,其中至少一些值在 中。但這與 上的最大值的假設相矛盾。類似地,如果導數為負,則比 略小的 值將導致函式增加。由於 不是端點,其中至少一些值在 中。這與 上的最大值的假設相矛盾。對於最小值也可以進行類似的論證。

考慮區間 上的函式 。不受限制的函式 沒有最大值或最小值。然而,在區間 上,很明顯最小值將是 ,出現在 處,最大值將是 ,出現在 處。由於不存在臨界點( 存在且處處等於 ),極值必須出現在端點處。

找到區間 上的函式 的最大值和最小值。
首先找到函式導數的根

現在在所有臨界點和端點處評估函式,以找到極值。
由此可見,區間上的最小值為 -24,當 時;區間上的最大值為 ,當 時。

請參閱 "最佳化",瞭解這些原理的常見應用。

← 洛必達法則 微積分 牛頓法 →
極值和拐點
華夏公益教科書