微积分脉络

目标读者：刚上大一、数学基础一般、看到 $\varepsilon$-$\delta$ 就头皮发麻的同学；也适合毕业多年想捡起微积分的工程师。

阅读目标：不追求证明严格性，而是帮你建立整条知识主线——每个概念"是什么、为什么需要它、什么时候用它"。读完你应该能看懂教材章节目录背后的逻辑，知道考试时每种题型对应哪件"工具"。

0. 先看全局：微积分到底在解决什么问题

微积分诞生于两个朴素的问题：

1. 瞬时变化率怎么算？ 平均速度好算（路程除以时间），但"某一瞬间的速度"怎么办？——这催生了极限和导数。
2. 不规则图形的面积怎么算？ 矩形面积好算，但曲边围成的面积怎么办？——这催生了积分。

而连接这两个问题的，就是微积分基本定理（牛顿-莱布尼茨公式）：求面积和求变化率互为逆运算。

📜 历史故事：《自然哲学的数学原理》与天体运动

微积分不是凭空掉下来的，它首先是为了解决"天上的问题"。1665–1666 年伦敦大瘟疫期间，回乡避疫的牛顿发展出"流数术"（他对微积分的称呼）。1687 年他出版《自然哲学的数学原理》，从万有引力定律出发推出了开普勒的行星运动定律。为了符合当时的学术习惯，牛顿把证明都用几何语言包装，但思想内核正是微积分。这本书让微积分方法从此成为研究天体运动和整个物理学的标准语言。

下面的知识地图展示了本科目的主线结构：

flowchart TD
    A[函数与数列基础] --> B[极限]
    B --> B1[ε-δ 直观理解]
    B --> B2[两个重要极限]
    B --> B3[洛必达法则]
    B --> C[导数与微分]
    C --> C1[导数定义]
    C --> C2[求导法则]
    C --> C3[链式法则]
    C --> C4[隐函数求导]
    C --> D[导数应用]
    D --> D1[单调性与极值]
    D --> D2[泰勒公式]
    B3 -.提供工具.-> D
    D --> E[不定积分]
    E --> E1[换元积分法]
    E --> E2[分部积分法]
    E --> F[定积分]
    F --> F1[牛顿-莱布尼茨公式]
    F --> F2[几何意义: 面积]
    C --> G[多元微积分初步]
    F --> G
    G --> G1[偏导数]
    G --> G2[二重积分]

学习顺序建议：严格按箭头走，不要跳。极限没搞懂就学导数，后面每一步都会卡。

学完主线后，这些工具能去哪？下面这张"应用场景全景图"先给个印象，细节会在各章末尾展开：

flowchart LR
    A["微积分主线"] --> B["极限"]
    A --> C["导数"]
    A --> D["积分"]
    B --> E["数值方法的收敛性分析"]
    C --> F["物理：速度与加速度"]
    C --> G["工程经济：最优决策"]
    C --> H["机器学习：梯度下降"]
    D --> I["几何：面积与体积"]
    D --> J["物理：功与质心"]
    D --> K["金融：连续复利与现金流"]

1. 极限：微积分的地基

1.1 直观理解：什么叫"无限接近"

极限的想法一句话就能说清：当 $x$ 越来越靠近某个值时，$f(x)$ 越来越靠近谁？

例如：

$$ \lim_{x \to 0} \frac{\sin x}{x} = 1 $$

白话解释：$x$ 越接近 $0$（但不等于 $0$，因为 $0/0$ 没意义），$\frac{\sin x}{x}$ 的值就越接近 $1$。你可以用计算器代入 $x=0.1, 0.01, 0.001$ 验证，结果越来越像 $1$。

注意一个关键点：极限关心的是"靠近的过程"，不关心"到达的那个点"。$f(x)$ 在 $x_0$ 处甚至可以不定义，极限照样存在。

1.2 ε-δ 定义：不用背，但要懂它在干嘛

教材上的标准定义：

$$ \forall \varepsilon > 0,\ \exists \delta > 0,\ \text{当 } 0 < |x - x_0| < \delta \text{ 时，有 } |f(x) - A| < \varepsilon $$

白话解释：这是一场"挑战-应战"游戏。别人随便给你一个误差要求 $\varepsilon$（不管多小），你都能找到一个范围 $\delta$，保证 $x$ 落在这个范围里时，函数值和 $A$ 的差距小于 $\varepsilon$。如果你每次都能赢，极限就是 $A$。

新人不用会写 $\varepsilon$-$\delta$ 证明，但要理解它在说一件事：“任意接近"是可以被严格保证的，不是感觉上的差不多。

📜 历史故事：“消失的量的幽灵"与第二次数学危机

牛顿和莱布尼茨的微积分很好用，但根基含糊——无穷小量一会儿不是零（要拿来做分母），一会儿又是零（算完被舍去）。1734 年，英国主教贝克莱发表《分析学家》，讥讽无穷小量是"消失的量的幽灵”（ghosts of departed quantities），直指这套逻辑漏洞。这场"第二次数学危机"刺激了数学家重建地基：1821 年柯西在《分析教程》中给出极限的严格定义，19 世纪中后期魏尔斯特拉斯进一步用 $\varepsilon$-$\delta$ 语言把微积分彻底算术化。你眼前这个"头皮发麻"的定义，正是这场危机的产物——它是被批评逼出来的严谨。

1.3 两个重要极限

第一个：

$$ \lim_{x \to 0} \frac{\sin x}{x} = 1 $$

用途：一切含三角函数的 $0/0$ 型极限都要往它身上凑。例如 $\lim_{x \to 0} \frac{\sin 3x}{x} = 3$（把分子配成 $\sin 3x / 3x$ 再乘 $3$）。

第二个：

$$ \lim_{x \to \infty} \left(1 + \frac{1}{x}\right)^x = e $$

用途：处理 $1^{\infty}$ 型极限（底数趋近 $1$、指数趋近无穷的幂指函数）。它其实就是自然常数 $e$ 的定义——“复利无限细分"的极限结果。典型考法如 $\lim_{x \to \infty} \left(1 + \frac{2}{x}\right)^x = e^2$。

两个重要极限对比：

📜 历史故事：$e$ 是从复利问题里蹦出来的

1683 年，瑞士数学家雅各布·伯努利研究复利时问了个问题：利息结算的次数无限增多（连续复利），本利和会不会爆炸？他证明不会——$(1 + 1/n)^n$ 收敛到一个介于 2 和 3 之间的数。后来欧拉把这个数记作 $e$ 并系统研究，$e$ 从此成了自然对数的底。今天银行算连续复利、人口增长模型、放射性衰变，用的全是这个极限。所以第二个重要极限不只是考点，它本来就是一道"理财题”。

1.5 应用场景：极限在现实中出现在哪

• 金融（连续复利）：本金 $P$、年利率 $r$，结算次数趋于无穷时本利和为 $Pe^{rt}$——这正是第二个重要极限的直接应用，银行理财产品收益测算的理论基础。
• 计算机（数值方法）：判断迭代算法（如牛顿迭代、梯度下降）是否收敛、收敛多快，本质都是极限问题；误差项 $o(x^n)$ 的阶数决定算法精度。
• 工程（渐近估算）：参数很小时用等价无穷小快速估算结果数量级，例如小角度下 $\sin\theta \approx \theta$，传感器和结构小变形分析天天在用。

1.4 洛必达法则：极限题的"万金油”

遇到 $\frac{0}{0}$ 或 $\frac{\infty}{\infty}$ 型极限，可以对分子分母分别求导再取极限：

$$ \lim_{x \to a} \frac{f(x)}{g(x)} = \lim_{x \to a} \frac{f’(x)}{g’(x)} \quad (\text{前提是后者存在}) $$

白话解释：当分子分母都趋于 $0$（或都趋于无穷）时，谁跑得快决定了比值的走向，而导数恰好刻画"跑得快慢"，所以求导后再比就清楚了。

使用条件（务必记牢）：

• 必须是 $\frac{0}{0}$ 或 $\frac{\infty}{\infty}$ 型，其他类型要先变形；
• 求导后极限要存在（或为无穷），否则法则失效，不代表原极限不存在；
• 可以连续使用多次，直到不再是未定式。

例：$\lim_{x \to 0} \frac{e^x - 1}{x} = \lim_{x \to 0} \frac{e^x}{1} = 1$。

📜 历史故事：一条花钱买来的法则

洛必达法则的真正发现者是约翰·伯努利。1694 年，法国贵族洛必达与伯努利达成一项奇特的协议：洛必达每年付给伯努利 300 里弗的津贴，换取他的数学新发现，并要求保密。1696 年洛必达出版《无穷小分析》——史上第一本微积分教科书——书中收录了这条法则，法则便以他的名字流传至今。伯努利后来公开通信记录主张权利，但当时少有人相信；现代数学史家根据两人往来书信证实，这条法则确实出自伯努利之手。

2. 导数与微分：瞬时变化率

2.1 导数的定义

$$ f’(x_0) = \lim_{\Delta x \to 0} \frac{f(x_0 + \Delta x) - f(x_0)}{\Delta x} $$

白话解释：把"平均变化率"的时间间隔缩到无穷小，就得到瞬时变化率。几何上就是曲线在该点切线的斜率。物理上位移函数的导数是速度，速度的导数是加速度。

等价写法也常见：$f’(x_0) = \lim_{x \to x_0} \frac{f(x) - f(x_0)}{x - x_0}$，两种形式都要认得。

2.2 微分：导数的"另一种写法"

$$ dy = f’(x)\, dx $$

白话解释：$dy$ 是 $x$ 变化一点点时，$y$ 近似变化多少（用切线代替曲线）。在 $dx$ 很小时 $\Delta y \approx dy$，这就是工程上"线性近似"的来源。

2.3 基本求导公式（必须背熟）

2.4 四则运算法则

$$ (u \pm v)’ = u’ \pm v’, \quad (uv)’ = u’v + uv’, \quad \left(\frac{u}{v}\right)’ = \frac{u’v - uv’}{v^2} $$

白话解释：加减法随便拆开求；乘法不能直接拆，要用"前导后不导加前不导后导"；除法法则是乘法的推论，分子顺序千万别写反（是 $u’v - uv’$，上导下不导减上不导下导）。

2.5 链式法则：复合函数的灵魂

$$ \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}, \quad \text{即 } [f(g(x))]’ = f’(g(x)) \cdot g’(x) $$

白话解释：函数套函数时，“由外到内，层层剥壳”——对外层求导（内层原样保留），再乘以内层的导数。这是整个微积分里使用频率最高的法则，没有之一。

例：$y = \sin(x^2)$，则 $y’ = \cos(x^2) \cdot 2x$。外层 $\sin$ 求导得 $\cos$，里面 $x^2$ 原样照抄，再乘 $x^2$ 的导数 $2x$。

复合函数求导的标准流程：

flowchart LR
    A[识别复合结构] --> B[设中间变量 u = g x]
    B --> C[对外层求导 dy/du]
    C --> D[对内层求导 du/dx]
    D --> E[相乘并回代 u]
    E --> F{还有嵌套?}
    F -- 是 --> B
    F -- 否 --> G[写出最终导数]

2.6 隐函数求导

有些函数写不成 $y = f(x)$ 的形式，比如圆的方程 $x^2 + y^2 = 1$。这时两边同时对 $x$ 求导，把 $y$ 看成 $x$ 的函数：

$$ 2x + 2y \cdot \frac{dy}{dx} = 0 \implies \frac{dy}{dx} = -\frac{x}{y} $$

白话解释：因为 $y$ 是 $x$ 的函数，所以 $y^2$ 对 $x$ 求导要用链式法则，得到 $2y \cdot y’$。最后把 $y’$ 解出来即可。

什么时候用：曲线方程解不出 $y$ 的显式表达式时（圆、椭圆、等高线都是这样），隐函数求导能直接求出切线斜率，不必硬解方程。

幂指函数求导技巧：对 $y = x^x$ 这类形式，先取对数 $\ln y = x \ln x$，再两边求导（对数求导法）：

$$ \frac{y’}{y} = \ln x + 1 \implies y’ = x^x (\ln x + 1) $$

2.7 应用场景：导数在解决什么问题

• 物理（运动学）：位移对时间求导得速度，速度再求导得加速度——这是导数最原始的应用，如今车载惯导、无人机飞控的姿态解算都建立在这层关系上。
• 经济（边际分析）：边际成本、边际收益就是成本函数、收益函数的导数。企业判断"再多生产一件划不划算"，看的就是边际量而非总量。
• 机器学习（梯度下降）：损失函数对参数求导（链式法则的重度使用），导数指出损失下降最快的方向，神经网络的训练本质就是反复求导。
• 工程（线性近似）：用 $dy \approx f’(x)\,dx$ 做微小误差估算，比如由零件尺寸公差估算成品性能波动，比硬算省时得多。

3. 导数的应用：从"算得出"到"用得上"

3.1 单调性

$$ f’(x) > 0 \Rightarrow f \text{ 单调递增}; \quad f’(x) < 0 \Rightarrow f \text{ 单调递减} $$

白话解释：导数是切线斜率，斜率为正说明曲线在往上爬，为负说明在往下滑。判断单调区间的标准动作：求导 → 找导数的零点 → 分区间讨论符号。

3.2 极值与最值

必要条件（费马引理）：若 $f$ 在 $x_0$ 处可导且取极值，则 $f’(x_0) = 0$。导数为零的点叫驻点。

第二充分条件：若 $f’(x_0) = 0$ 且

$$ f’’(x_0) > 0 \Rightarrow \text{极小值}; \quad f’’(x_0) < 0 \Rightarrow \text{极大值} $$

白话解释：一阶导为零说明"可能到了山顶或谷底"；二阶导看曲线的弯曲方向——开口向上（凹）是谷底，开口向下（凸）是山顶。记法：$f’’>0$ 时曲线像"碗"，碗底是极小值。

注意：$f’(x_0) = 0$ 不一定有极值（如 $f(x) = x^3$ 在 $x=0$ 处），极值也可能出现在导数不存在的点（如 $f(x) = |x|$）。

求极值/最值的标准流程：

flowchart TD
  A["求一阶导数 f'(x)"] --> B["解 f'(x) = 0 得驻点"]
    B --> C["找出导数不存在的点"]
    C --> D["求二阶导或用符号表判定"]
    D --> E{"判断每个可疑点"}
    E -- "f''(x) ＞ 0" --> F["极小值"]
    E -- "f''(x) ＜ 0" --> G["极大值"]
    E -- 不确定 --> H["用一阶导符号变化判断"]
    F --> I["闭区间问题: 比较端点与极值"]
    G --> I
    H --> I
    I --> J[得出最值]

3.3 泰勒公式：用多项式逼近一切

$$ f(x) = f(x_0) + f’(x_0)(x - x_0) + \frac{f’’(x_0)}{2!}(x - x_0)^2 + \cdots + \frac{f^{(n)}(x_0)}{n!}(x - x_0)^n + R_n(x) $$

白话解释：再复杂的函数，在某一点附近都可以用多项式近似替代，取的项越多越精确。余项 $R_n(x)$ 表示误差。当 $x_0 = 0$ 时叫麦克劳林公式。

最常用的几个展开（$x \to 0$ 时）：

$$ e^x = 1 + x + \frac{x^2}{2!} + o(x^2) $$

$$ \sin x = x - \frac{x^3}{6} + o(x^3) $$

$$ \ln(1 + x) = x - \frac{x^2}{2} + o(x^2) $$

什么时候用：求 $\frac{0}{0}$ 型极限时，泰勒展开常比洛必达更快。例如：

$$ \lim_{x \to 0} \frac{x - \sin x}{x^3} = \lim_{x \to 0} \frac{\frac{x^3}{6} + o(x^3)}{x^3} = \frac{1}{6} $$

同时它直接解释了"等价无穷小"：$x \to 0$ 时 $\sin x \sim x$、$e^x - 1 \sim x$，本质就是泰勒展开的第一项。

📜 历史故事：泰勒公式的来龙去脉

1715 年，英国数学家布鲁克·泰勒在《增量方法》一书中发表了这个公式，但当时没有讨论收敛性，并未引起重视。1742 年，苏格兰数学家麦克劳林在《流数论》中使用 $x_0 = 0$ 的特例（后人因此称它为麦克劳林公式）。真正让公式站稳脚跟的是拉格朗日，他给出了余项的估计，让误差变得可控。正是有了"逼近到第几项、误差有多大"的严格答案，泰勒公式才从技巧升级为函数逼近的基石。

3.4 应用场景：极值与泰勒公式的真实战场

• 工程与经济（优化决策）：最大利润、最小成本、最省材料，套路都一样——建立目标函数，求导找驻点，用二阶导判定极大极小。经典的"用固定长度围栏围最大面积"“易拉罐怎样设计最省铝"都是这类题。
• 计算机数值计算（库函数的实现）：CPU 没有"算 $\sin x$“的电路，数学库里的 $\sin$、$e^x$ 都是靠泰勒展开（或其改良版多项式逼近）取前几项算出来的，余项估计保证精度达标。你每次调用 Math.sin，背后都是这节内容。
• 物理（小量近似）：单摆周期公式来自 $\sin\theta \approx \theta$；相对论在低速下退化为牛顿力学，也是把复杂公式泰勒展开后只留前两项。

4. 不定积分：求导的逆运算

4.1 原函数与不定积分

若 $F’(x) = f(x)$，则 $F(x)$ 叫 $f(x)$ 的原函数，所有原函数写成：

$$ \int f(x)\, dx = F(x) + C $$

白话解释：不定积分就是"猜哪个函数求导后等于被积函数”。$+C$（任意常数）不能丢，因为常数求导是零，原函数有无穷多个。

4.2 第一类换元法（凑微分）

$$ \int f(\varphi(x)) \varphi’(x)\, dx = \int f(u)\, du \quad (u = \varphi(x)) $$

白话解释：看到被积函数里"一部分的导数正好是另一部分"时，把内层函数整体换成 $u$。它是链式法则的逆用。

例：$\int 2x \cos(x^2)\, dx$，注意到 $2x$ 是 $x^2$ 的导数，令 $u = x^2$，得 $\int \cos u\, du = \sin(x^2) + C$。

4.3 第二类换元法（三角代换等）

处理 $\sqrt{a^2 - x^2}$、$\sqrt{x^2 + a^2}$ 这类根式时，主动令 $x = a\sin t$ 或 $x = a\tan t$ 消去根号。记得最后回代成 $x$。

4.4 分部积分法

$$ \int u\, dv = uv - \int v\, du $$

白话解释：来自乘积求导法则的逆用。当被积函数是"两类函数相乘”（如 $x e^x$、$x \sin x$、$\ln x$、$x^2 e^x$）时考虑它。选 $u$ 的经验口诀：“反对幂指三”——反三角、对数优先当 $u$，其次是幂函数，指数和三角靠后（当 $dv$）。

例：

$$ \int x e^x\, dx = \int x\, d(e^x) = x e^x - \int e^x\, dx = x e^x - e^x + C $$

这里把 $x$ 选作 $u$（求导后变简单），$e^x$ 凑进 $dv$。

4.5 应用场景：不定积分是"由变化率反推总量"的工具

• 物理（逆推运动）：已知加速度函数积分得速度，速度再积分得位移——和导数正好反过来，弹道计算、轨道推演都在反复做这件事。
• 电学（由电流求电荷）：流过导体的电荷量 $Q = \int i\, dt$，电流随时间变化时，只能靠积分还原总电荷。
• 概率论（密度到分布）：由概率密度函数积分得到分布函数，是连续型随机变量计算的基本功。

flowchart TD
    A["拿到一道积分题"] --> B{能直接套基本公式?}
    B -- 能 --> Z[直接写出结果 + C]
    B -- 不能 --> C{一部分的导数是另一部分?}
    C -- 是 --> D[第一类换元: 凑微分]
    C -- 否 --> E{含有根式 a²±x²?}
    E -- 是 --> F[第二类换元: 三角代换]
    E -- 否 --> G{两类函数相乘?}
    G -- 是 --> H[分部积分, 按反对幂指三选 u]
    G -- 否 --> I[尝试恒等变形/拆分]
    D --> J[算出结果后回代变量]
    F --> J
    H --> J
    J --> K[别忘 + C]

5. 定积分：从面积到牛顿-莱布尼茨

5.1 几何意义

$$ \int_a^b f(x)\, dx = \lim_{n \to \infty} \sum_{i=1}^{n} f(\xi_i)\, \Delta x_i $$

白话解释：把区间 $[a, b]$ 切成无数细条，每条的面积近似是矩形 $f(\xi_i) \cdot \Delta x_i$，全部加起来再取极限，就是曲边梯形的面积。

符号约定：定积分是"有向面积"——曲线在 $x$ 轴上方算正，下方算负。要求真正的面积，需分段取绝对值再积分。

5.2 牛顿-莱布尼茨公式（微积分基本定理）

$$ \int_a^b f(x)\, dx = F(b) - F(a), \quad \text{其中 } F’(x) = f(x) $$

白话解释：这是整个微积分最重要的一座桥——定积分（面积）不用切细条硬算，只要找到原函数，代入上下限相减即可。它把微分学和积分学连成一体。

📜 历史故事：牛顿与莱布尼茨的优先权之争

这条公式以两人共同命名，背后却是一场旷日持久的公案。牛顿在 1665–1666 年就创立了"流数术"，但长期压着手稿不发表；莱布尼茨独立创立微积分，并于 1684 年率先公开发表。1699 年起争端爆发，1712 年英国皇家学会成立调查委员会，幕后操盘者正是牛顿本人——1713 年的调查报告认定莱布尼茨剽窃，莱布尼茨在争议中郁郁而终。今天史学界公认两人是各自独立发明：牛顿发现早、发表晚，莱布尼茨发现晚、发表早，而且莱布尼茨的符号体系（$dx$、$\int$）远优于牛顿的记法——我们现在用的全是莱布尼茨记号。这场公案留给后人的教训很朴素：成果不及时发表，优先权就说不清。

例：

$$ \int_0^1 x^2\, dx = \left. \frac{x^3}{3} \right|_0^1 = \frac{1}{3} - 0 = \frac{1}{3} $$

竖线记号 $\left. F(x) \right|_a^b$ 表示 $F(b) - F(a)$。

5.3 常用性质

特别提醒：定积分换元时上下限要跟着换，算出结果直接就是数值，不需要像不定积分那样回代。

5.4 应用场景：定积分算的都是"累积量"

• 几何：曲边梯形面积是最基本的模型；绕轴旋转得旋转体体积，工程上估算容器容积、零件用料都用它。
• 物理（功与质心）：变力做功 $W = \int_a^b F(x)\,dx$（如把弹簧拉长、把火箭送出引力场）；不均匀薄板的质心坐标也是两个定积分的比值。
• 日常生活：汽车里程表就是"对速度做定积分"的机械实现——速度表给出 $v(t)$，里程表把它累积成路程。
• 经济：由边际成本函数积分还原总成本；消费者剩余、连续现金流的现值计算也都是定积分。

6. 多元微积分初步

6.1 多元函数与偏导数

二元函数 $z = f(x, y)$ 对 $x$ 的偏导数：

$$ \frac{\partial z}{\partial x} = \lim_{\Delta x \to 0} \frac{f(x + \Delta x, y) - f(x, y)}{\Delta x} $$

白话解释：把 $y$ 钉死当常数，对 $x$ 正常求导，就是偏导数。它度量的是"只动 $x$、不动 $y$ 时 $z$ 变化多快"。$\partial$ 读作"偏"，专门和一元导数的 $d$ 区分。

例：$z = x^2 y + \sin y$，则

$$ \frac{\partial z}{\partial x} = 2xy, \qquad \frac{\partial z}{\partial y} = x^2 + \cos y $$

二阶混合偏导在函数足够光滑时与次序无关：$\frac{\partial^2 z}{\partial x \partial y} = \frac{\partial^2 z}{\partial y \partial x}$（克莱罗定理），计算时可以挑顺手的顺序。

6.2 二重积分

$$ \iint_D f(x, y)\, d\sigma = \int_a^b \left( \int_{\varphi_1(x)}^{\varphi_2(x)} f(x, y)\, dy \right) dx $$

白话解释：一元定积分算"面积"，二重积分算曲顶柱体的体积。计算方法叫累次积分：先把 $x$ 固定、对 $y$ 从下到上积一遍（结果只含 $x$），再对 $x$ 从左到右积一遍。

关键难点不在积分本身，而在确定积分限：先画区域 $D$ 的草图，判断是"X 型区域"（上下两条曲线夹）还是"Y 型区域"（左右两条曲线夹），再决定积分次序。有时候交换积分次序能把算不了的题变成能算的。

一元与多元概念对照：

6.3 应用场景：多元微积分的真实身影

• 机器学习：神经网络的损失函数动辄有百万个参数，对每个参数求偏导组成梯度向量，正是梯度下降的方向来源——偏导数是这门学科的发动机。
• 工程（误差合成）：成品性能受多个因素共同影响时，用全微分 $dz = f_x\,dx + f_y\,dy$ 估算各因素误差的总贡献，质量控制和测量不确定度分析的标准做法。
• 几何与物理：二重积分算曲顶柱体体积、平面薄板的质量与转动惯量；概率论里对二维联合密度在某个区域上积分，得到的就是事件发生的概率。

7. 避坑技巧：新人最容易犯的 9 个错误

坑 1：认为"极限存在 = 函数在该点有定义"

• 错误说法：要求 $\lim_{x \to 0} \frac{\sin x}{x}$，但函数在 $x=0$ 没定义，所以极限不存在。
• 正确理解：极限只关心 $x$ 靠近 $0$ 时的趋势，与该点是否有定义、取什么值毫无关系。
• 例子：$\frac{\sin x}{x}$ 在 $x=0$ 处无定义，但极限是 $1$。

坑 2：洛必达法则乱用

• 错误说法：任何分式极限都可以上下求导。
• 正确理解：只有 $\frac{0}{0}$ 或 $\frac{\infty}{\infty}$ 型才能用；而且是对分子、分母分别求导，不是对整个分式用除法法则求导。
• 例子：$\lim_{x \to 1} \frac{x+1}{x+2} = \frac{2}{3}$，直接代入即可；若误用洛必达得 $\frac{1}{1} = 1$，就错了。

坑 3：链式法则"剥壳不剥完"

• 错误说法：$[\sin(x^2)]’ = \cos(x^2)$。
• 正确理解：外层求导后必须乘以内层导数：$[\sin(x^2)]’ = \cos(x^2) \cdot 2x$。
• 例子：多层嵌套如 $e^{\sin(x^2)}$，要连续乘三刀：$e^{\sin(x^2)} \cdot \cos(x^2) \cdot 2x$。

坑 4：$f’(x_0) = 0$ 就断定有极值

• 错误说法：导数为零的点一定是极值点。
• 正确理解：驻点只是候选，还需用二阶导或两侧符号变化判定；导数不存在的点也可能是极值点。
• 例子：$f(x) = x^3$ 满足 $f’(0) = 0$，但 $x=0$ 不是极值点（它是拐点）。

坑 5：不定积分忘记 $+C$

• 错误说法：$\int 2x\, dx = x^2$。
• 正确理解：不定积分是一族函数，必须写 $x^2 + C$；考试漏写 $C$ 直接扣分。
• 例子：$x^2$、$x^2 + 1$、$x^2 - 5$ 求导都是 $2x$，丢了 $C$ 就丢了解的全貌。

坑 6：定积分换元后不换上下限

• 错误说法：定积分换元和不定积分一样，算完再回代。
• 正确理解：定积分换元 $x = \varphi(t)$ 时，上下限必须同步换成 $t$ 的范围，算到底直接得数。
• 例子：$\int_0^1 2x\sqrt{1+x^2}\,dx$，令 $u = 1+x^2$，下限 $x=0 \to u=1$，上限 $x=1 \to u=2$，对 $u$ 积分即可。

坑 7：把定积分结果当成"普通面积"

• 错误说法：$\int_{-1}^{1} x\, dx$ 表示面积，不能为零。
• 正确理解：定积分是有向面积，$x$ 轴下方算负。$\int_{-1}^{1} x\,dx = 0$ 是对的（正负抵消）。
• 例子：若题目问"曲线与 $x$ 轴围成的面积"，要分段取绝对值：$\int_{-1}^{1} |x|\,dx = 1$。

坑 8：分部积分选错 $u$

• 错误说法：$\int x e^x\,dx$ 把 $e^x$ 当 $u$、$x$ 凑进 $dv$。
• 正确理解：按"反对幂指三"优先级选 $u$，让 $u$ 求导后更简单。$x$ 求导变 $1$（变简单），$e^x$ 积分不变复杂，所以 $u = x$。
• 例子：选反了会得到 $\int \frac{x^2}{2} e^x\,dx$，$x$ 的次数不降反升，越积越麻烦。

坑 9：求偏导时忘记"其余变量是常数"

• 错误说法：$z = x^2 y$，对 $x$ 求偏导还要考虑 $y$ 会不会跟着 $x$ 变。
• 正确理解：偏导数的定义就是"其余变量钉死"。求 $\frac{\partial z}{\partial x}$ 时 $y$ 就是一个常数符号。
• 例子：$\frac{\partial}{\partial x}(x^2 y) = 2xy$，这里 $y$ 的地位和常数 $3$ 完全一样。只有当题目明确说 $y = y(x)$ 时（隐函数/复合情形）才需要链式法则。

8. 学习建议与资源推荐

学习节奏建议：

1. 第一轮求通不求精：先把主线概念过一遍，建立"极限 → 导数 → 积分"的直觉链条，证明细节（尤其是 $\varepsilon$-$\delta$）先放一放。
2. 做题从"识别题型"开始：拿到题先问"这是哪类问题、该用哪件工具"，而不是上来就算。本文的 mermaid 流程图可以直接当解题 checklist 用。
3. 错题归因：每道错题标注错因是"概念不清"还是"计算失误"。微积分的丢分大头其实是前者——对照第 7 节的坑清单自查。
4. 重视几何直观：导数想成切线斜率、积分想成面积、偏导想成山坡在某方向上的坡度，图像比公式记得牢。

推荐资源：

• 教材：同济大学《高等数学》（国内最主流，考研标准参考书）；想补直观可看《微积分之屠龙宝刀》这类通俗读物。
• 视频：3Blue1Brown《微积分的本质》系列（动画演示，建立直观首选）；国内慕课平台上各大高校的高等数学公开课。
• 工具：GeoGebra / Desmos 画函数图像，亲手拖动参数观察切线和面积变化，比刷十道题还有用。
• 练习：教材课后题足够，不必贪多；每章挑 20-30 道覆盖所有题型的题认真做完、总结套路，胜过盲目刷题。

9. 小结

微积分的主线其实就三句话：

• 极限是地基，回答"无限接近是什么意思"；
• 导数回答"变化有多快"，积分回答"积累有多少"；
• 牛顿-莱布尼茨公式把两者焊在一起，这就是"微积分基本定理"五个字的分量。

学微积分最重要的不是背下多少公式，而是建立"先取极限、再谈变化与积累"的思维方式。公式忘了可以查表，直觉丢了就只剩刷题机器。把这条主线想通，后面的多元微积分、微分方程、概率论都会顺很多。

• 数学基础

• 大学数学
• 微积分
• 学习笔记

方糖猫（大可）

18 年后端架构，现在独立做 AI 产品。这里记录 AI 视频、AI Agent 与工程实践。