哈尔滨工业大学 2011年数学分析第0题

考研真题

📝 题目

九.(10 分)设 $n$ 元函数 $\displaystyle f\left(x_{1}, \cdots, x_{n}\right)$ 有连续的二阶偏导函数.记 $\displaystyle H=\left(\begin{array}{ccc}f_{11} & \cdots & f_{1 n} \\ \vdots & & \vdots \\ f_{n 1} & \cdots & f_{n n}\end{array}\right)$ 为 $f$ 的 Hessian 矩阵.若 $\displaystyle \vec{u}$ 为单位行向量,$\displaystyle \vec{u}^{\prime}$ 表示 $\displaystyle \vec{u}$ 的转置,判断 $\displaystyle \vec{u} H \vec{u}^{\prime}$ 与 $f$ 沿 $\displaystyle \vec{u}$ 的二阶方向导数的关系并加以证明.

💡 答案解析

暂无答案解析

📋 详细解题步骤

步骤 1/6
目标:明确问题与符号
设 $n$ 元函数 $f(x_1,\ldots,x_n)$ 具有连续二阶偏导数,$\vec{u}=(u_1,\ldots,u_n)$ 为单位行向量。Hessian 矩阵 $H=(f_{ij})$,其中 $f_{ij}=\frac{\partial^2 f}{\partial x_i \partial x_j}$。需要判断 $\vec{u} H \vec{u}^T$ 与 $f$ 沿 $\vec{u}$ 的二阶方向导数的关系。
提示:注意 $\vec{u}$ 是行向量,$\vec{u}^T$ 是列向量。
步骤 2/6
目标:计算一阶方向导数
沿方向 $\vec{u}$ 的一阶方向导数为: $$\frac{\partial f}{\partial \vec{u}} = \nabla f \cdot \vec{u}^T = \sum_{i=1}^n f_i u_i,$$ 其中 $f_i = \frac{\partial f}{\partial x_i}$。
公式:$$\frac{\partial f}{\partial \vec{u}} = \nabla f \cdot \vec{u}^T$$
提示:方向导数是梯度与方向向量的点积,注意 $\vec{u}$ 是行向量,所以用 $\vec{u}^T$。
步骤 3/6
目标:计算二阶方向导数
二阶方向导数是一阶方向导数的方向导数: $$\frac{\partial^2 f}{\partial \vec{u}^2} = \frac{\partial}{\partial \vec{u}}\left(\frac{\partial f}{\partial \vec{u}}\right) = \sum_{i=1}^n \frac{\partial}{\partial \vec{u}}(f_i) u_i = \sum_{i=1}^n \left(\sum_{j=1}^n f_{ij} u_j\right) u_i = \sum_{i=1}^n \sum_{j=1}^n f_{ij} u_i u_j.$$
公式:$$\frac{\partial^2 f}{\partial \vec{u}^2} = \sum_{i=1}^n \sum_{j=1}^n f_{ij} u_i u_j$$
提示:注意二阶偏导的对称性 $f_{ij}=f_{ji}$,但此处不需要。
步骤 4/6
目标:计算二次型 $\vec{u} H \vec{u}^T$
将 $\vec{u}$ 视为行向量,$H$ 为 $n\times n$ 矩阵,则 $$\vec{u} H \vec{u}^T = \sum_{i=1}^n \sum_{j=1}^n u_i f_{ij} u_j = \sum_{i=1}^n \sum_{j=1}^n f_{ij} u_i u_j.$$
公式:$$\vec{u} H \vec{u}^T = \sum_{i=1}^n \sum_{j=1}^n f_{ij} u_i u_j$$
提示:注意矩阵乘法的顺序:$\vec{u}$ 是 $1\times n$,$H$ 是 $n\times n$,$\vec{u}^T$ 是 $n\times 1$,结果是一个数。
步骤 5/6
目标:比较两者得出结论
由步骤2和步骤3,二阶方向导数等于 $\sum_{i,j} f_{ij} u_i u_j$,而步骤4中 $\vec{u} H \vec{u}^T$ 也等于该表达式。因此, $$\frac{\partial^2 f}{\partial \vec{u}^2} = \vec{u} H \vec{u}^T.$$ 即 $\vec{u} H \vec{u}^T$ 等于 $f$ 沿 $\vec{u}$ 的二阶方向导数。
公式:$$\frac{\partial^2 f}{\partial \vec{u}^2} = \vec{u} H \vec{u}^T$$
提示:结论成立的条件是 $f$ 具有连续二阶偏导,从而混合偏导可交换顺序。
步骤 6/6
目标:用极限定义严格证明
利用方向导数的极限定义: $$\frac{\partial f}{\partial \vec{u}}(\mathbf{x}_0) = \lim_{t\to 0}\frac{f(\mathbf{x}_0+t\vec{u})-f(\mathbf{x}_0)}{t} = \nabla f(\mathbf{x}_0)\cdot\vec{u}^T.$$ 再求一次方向导数: $$\frac{\partial^2 f}{\partial \vec{u}^2}(\mathbf{x}_0) = \lim_{t\to 0}\frac{\frac{\partial f}{\partial \vec{u}}(\mathbf{x}_0+t\vec{u})-\frac{\partial f}{\partial \vec{u}}(\mathbf{x}_0)}{t} = \lim_{t\to 0}\frac{\nabla f(\mathbf{x}_0+t\vec{u})\cdot\vec{u}^T - \nabla f(\mathbf{x}_0)\cdot\vec{u}^T}{t}.$$ 由泰勒展开,$\nabla f(\mathbf{x}_0+t\vec{u}) = \nabla f(\mathbf{x}_0) + H(\mathbf{x}_0)(t\vec{u}^T) + o(t)$,代入得 $$\frac{\partial^2 f}{\partial \vec{u}^2} = \lim_{t\to 0}\frac{(H(\mathbf{x}_0)(t\vec{u}^T)+o(t))\cdot\vec{u}^T}{t} = H(\mathbf{x}_0)\vec{u}^T \cdot \vec{u}^T = \vec{u} H(\mathbf{x}_0) \vec{u}^T.$$
公式:$$\nabla f(\mathbf{x}_0+t\vec{u}) = \nabla f(\mathbf{x}_0) + H(\mathbf{x}_0)(t\vec{u}^T) + o(t)$$
提示:注意 $H(\mathbf{x}_0)\vec{u}^T$ 是列向量,再与 $\vec{u}^T$ 点积时需注意顺序,最终得到二次型。

📷 拍照上传批改

拍照上传批改功能已预留入口,后续接入图片上传、OCR识别与AI批改。