考研数学——高数:定积分

本文详细讲解了高数中的定积分概念,包括微积分基本公式、定理和牛顿-莱布尼兹公式。通过证明积分中值定理,并探讨定积分在几何上的应用,如求平面图形的面积、旋转体的体积和曲线的弧长。文章通过例题加深读者对定积分的理解和应用。

目录

微积分基本公式

定理1

定理2

辅助理解

例题

定理3(牛顿——莱布尼兹公式)

证明积分中值定理

定积分在几何上的应用

方法

一、平面图形的面积

求曲线所围面积①        

求曲线所围面积②        

求曲线所围面积③          

求曲线所围面积④

二、体积

1.旋转体的体积

2.平行截面积已知的立体的体积

3.平面曲线的弧长


微积分基本公式

定理1

设 f(x) 在[a,b]上连续,则在[a,b]上  \int_{a}^{x}f(t)dt 有 (\int_a^{x}f(t)dt)' = f(x)

定理2

设 f(x) 在[a,b]上连续,则 在[a,b]上 \int_{a}^{x}f(t)dt 是 f (x)的一个原函数

辅助理解

        这个求导是对于x求导,如果积分的下限为一个常数a,那么求导之后必定为0,所以不需要管这部分的结果,

        而对于上限是关于x的,求得它导数之前进行了一次积分相互抵消,所以结果就是原函数;如果上限是关于x的函数,求得的也会是关于这个函数的导数,利用F'x = F'u * U'x可得复合的结果

        而对于下限如果是关于x的,(此时上限考虑为常数),那么结果实际上只用添一个负号就可以转化为变上限的形式;

         所以可以推导出一般的公式:                                                                                                    (\int_{\varphi (x)}^{\psi (x)}f(t)dt )' = f(\psi (x))*\psi '(x) - f(\varphi (x))*\varphi' (x)

        这个公式也能解释,如果上限或下限为常数时(与求导变量无关时),结果只会有一项

例题

(1)\lim_{x\rightarrow 0}\frac{\int_{0}^{sin^2x}ln(1+t)dt}{x\sqrt{x^3-1}}

提示:这题需要利用等价无穷小的多次替换,结合洛必达法则(这时候由于有积分,可以利用上面的定理公式进行求解)

定理3(牛顿——莱布尼兹公式)

设F(x)为连续函数f(x)在[a,b]上的一个原函数,则

        \int_{a}^{b}f(x)dx = F(b)-F(a)

证明积分中值定理

求证:若 f (x) 在 [a,b]上连续,则        \int_{a}^{b}f(x)dx = f(\xi )(b-a),a<\xi<b

证明主要用到的方法: F'(x) = f(x) 与 牛顿莱布尼兹公式

\int_{a}^{b}f(x)dx = F(b)-F(a) = F'(\xi )(b-a) = f(\xi)(b-a)


定积分在几何上的应用

能用定积分解决的问题的特征:

1、非均匀连续分布在[a,b]上的量

2、所求量对区间有可加性

方法

  1. 找积分范围
  2. 找微元
  3. 求积分

一、平面图形的面积

求曲线所围面积①        y^2 = x,y =x^2

  • 找到积分范围 [0,1]
  • 微元:dx宽度下,对应的面积为多少(此时面积近似为矩形,上底为上曲线的函数值,下底为下曲线的函数值,得到高为二者的差值)——也就是 根号x - x平方 
  • 得到积分公式:  \int_{0}^{1}\sqrt{x}-x^2dx

同理,将y看作积分变量也可以得到同样的结果

求曲线所围面积②        y^2 = 2x,y =x-4

  • 找到积分范围[0,8]
  • 找微元:此时x=4左右两边情况不一样,需要分段讨论,积分也要分段求
  • 列出积分求解: S= \int_{0}^{2}2\sqrt{2x}dx+\int_{2}^{8}(\sqrt{2x}-(x-4))dx

这题用y作为变量更加容易列式,且积分不需要分段

求曲线所围面积③         x = a(t-sint),y = a(1-cost),0\leq t\leq 2\pi 

求与x轴所围面积

  • 范围 [0,2πa]
  • 找微元:此时矩形的高为 y = f(t),而矩形的宽为dx,
    • 要么把y写成只关于x的形式,那么需要通过x的表达式解出t,但显然很复杂
    • 要么把dx写成dt的式子:由Udt = Udx * Xdt
  • 得到积分式子:  S = \int_{0}^{2\pi a}y(x)dx = \int _{0}^{2\pi}a(1-cost) x'dt = \int _{0}^{2\pi}a(1-cost)a(1-cost)dt
求曲线所围面积④

求心形线 \rho = a(1+cos\theta )(a>0) 所围面积

  1. 极坐标问题一般取θ作为变量,那么范围就是 [0,2π]
  2. 找微元:此时需要算的就是小扇形的面积,扇形的母线长度都看作 ρ(θ)
  3. 写出积分式求解:  S = \int_{0}^{2\pi}\frac{1}{2}\rho^2 (\theta)d\theta

二、体积

1.旋转体的体积

绕x轴转:取宽度dx的部分进行旋转,得到的其实是一个高为dx,底面半径为 f(x)的圆柱

体积的表示直接代入圆柱体积公式

        V = \pi \int_{a}^{b}f^2(x)dx

绕y轴转:取宽度dy的部分进行旋转,得到的其实是一个高为dy,底面半径为 φ(y)的圆柱

体积的表示直接代入圆柱体积公式

        V = \pi\int_{c}^{d}\varphi ^2(y)dy

注意:但一般给出形式仍然是 y = f(x),此时需要改变公式的推导过程

取宽度dx的带状区域绕y轴旋转,得到的是类似一个长方体的立体区域

其中底面长为 2πx,底面宽为dx,高为 f (x),根据长方体体积,得到积分公式

        V = 2\pi\int_{a}^{b}xf(x)dx

2.平行截面积已知的立体的体积

由于截面积已知,对于每个dx都可以看成求一个柱体的体积,也就是dv = S(x)dx

        V = \int_{a}^{b}S(x)dx

试求椭球体体积: \frac{x^2}{a^2}+\frac{y^2}{b^2}+\frac{z^2}{c^2}=1

提示:此处选取一个变量固定时(比如选取y),那么当y = y时,得到的其实是一个x-z平面的截面,而它为椭圆,此时利用椭圆面积公式πab即可列出积分公式

        V = \int_{-b}^{b}\pi ab(1-\frac{y^2}{b^2})dy

3.平面曲线的弧长

推导弧长的公式(y = f(x)型 ):取得dx,要得到这一点的长度,应该是在dx长度内构建一个直角三角形,

那样就有 (dl)^2 = (dx)^2+(dy)^2 ,dl = \sqrt{(dx)^2+(dy)^2}

又因为 f'(x) = \frac{dy}{dx} ,所以化简得到 L = \int \sqrt{1+f'(x)}dx

(参数方程型):同样根据 dl = \sqrt{(dx)^2+(dy)^2}

直接根据关系,直接代入dx与dy:       dx = \varphi '(t)dt,dy = \psi '(t)dt

         L = \int \sqrt{\varphi '(t)+\psi '(t)}dt

(极坐标型):同样根据 dl = \sqrt{(dx)^2+(dy)^2},但此时dx,dy,dθ的关系要注意ρ(θ)

dx = d(\rho (\theta )cos\theta ) =( \rho '(\theta )cos\theta -\rho (\theta )sin\theta ) d\theta

dy = d(\rho (\theta )sin\theta ) = (\rho '(\theta )sin\theta +\rho (\theta )cos\theta )d\theta

(dx)^2+(dy)^2 = \rho (\theta )+ \rho' (\theta )

然后就得到了最终的弧长公式: L = \int \sqrt{\rho^2(\theta )+\rho'^2 (\theta )}d\theta

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值