← 返回 资料库 › 分析学 › 一元微积分 11 年级
导数 导数通过区间不断缩小时平均变化率的极限来构造,用来度量某个量在某一瞬间的变化快慢。它给出切线的斜率、运动物体的瞬时速度,并且——凭借几条代数法则——为几乎所有由初等函数组合而成的函数提供了求导的方法。
直观 从平均速度到瞬时速度 汽车的速度表显示的是它此刻 的速度,而不是整趟行程的平均速度。若某个量由函数 y = f ( x ) y=f(x) y = f ( x ) 描述,x 0 x_0 x 0 与 x 0 + h x_0+h x 0 + h 之间的平均变化率 就是连接两点 ( x 0 , f ( x 0 ) ) (x_0, f(x_0)) ( x 0 , f ( x 0 )) 与 ( x 0 + h , f ( x 0 + h ) ) (x_0+h, f(x_0+h)) ( x 0 + h , f ( x 0 + h )) 的直线(割线 )的斜率 f ( x 0 + h ) − f ( x 0 ) h \dfrac{f(x_0+h)-f(x_0)}{h} h f ( x 0 + h ) − f ( x 0 ) 。这个比值取决于步长 h h h 的大小。要捕捉在某一瞬间 x 0 x_0 x 0 处的变化率,就要让步长不断缩小:令 h → 0 h \to 0 h → 0 ,观察割线绕着 ( x 0 , f ( x 0 ) ) (x_0, f(x_0)) ( x 0 , f ( x 0 )) 转动,直至稳定成切线 ——曲线在该点处最佳的直线近似。
步长 h h h 不断缩小时,经过 ( x 0 , f ( x 0 ) ) (x_0, f(x_0)) ( x 0 , f ( x 0 )) 与 ( x 0 + h , f ( x 0 + h ) ) (x_0+h, f(x_0+h)) ( x 0 + h , f ( x 0 + h )) 的割线。将 h h h 拖向 0 0 0 ,可以看到割线逐渐转动成 x 0 x_0 x 0 处的切线;它的斜率为 f ( x 0 + h ) − f ( x 0 ) h → f ′ ( x 0 ) \dfrac{f(x_0+h)-f(x_0)}{h} \to f'(x_0) h f ( x 0 + h ) − f ( x 0 ) → f ′ ( x 0 ) 。 中学 导数的极限定义 定义: 在一点处的导数
设 f f f 是在包含 x 0 x_0 x 0 的开区间上有定义的函数。**f f f 在 x 0 x_0 x 0 处的导数**,记作 f ′ ( x 0 ) f'(x_0) f ′ ( x 0 ) ,是当步长趋于零时差商的极限:f ′ ( x 0 ) = lim h → 0 f ( x 0 + h ) − f ( x 0 ) h f'(x_0) = \lim_{h \to 0} \dfrac{f(x_0+h)-f(x_0)}{h} f ′ ( x 0 ) = lim h → 0 h f ( x 0 + h ) − f ( x 0 ) ,等价地 f ′ ( x 0 ) = lim x → x 0 f ( x ) − f ( x 0 ) x − x 0 f'(x_0) = \lim_{x \to x_0} \dfrac{f(x)-f(x_0)}{x-x_0} f ′ ( x 0 ) = lim x → x 0 x − x 0 f ( x ) − f ( x 0 ) 。当这个极限存在(且为有限值)时,称 f f f 在 x 0 x_0 x 0 处可导 。导数的其他常见记号有 y ′ y' y ′ 、d y d x \dfrac{dy}{dx} d x d y 以及 d f d x ( x 0 ) \dfrac{df}{dx}(x_0) d x df ( x 0 ) 。
f ′ ( x 0 ) = lim h → 0 f ( x 0 + h ) − f ( x 0 ) h = lim x → x 0 f ( x ) − f ( x 0 ) x − x 0 f'(x_0) = \lim_{h \to 0} \frac{f(x_0+h)-f(x_0)}{h} = \lim_{x \to x_0} \frac{f(x)-f(x_0)}{x-x_0} f ′ ( x 0 ) = h → 0 lim h f ( x 0 + h ) − f ( x 0 ) = x → x 0 lim x − x 0 f ( x ) − f ( x 0 ) 几何意义。 由于 x 0 x_0 x 0 处的切线是割线的极限,它的斜率恰好是 f ′ ( x 0 ) f'(x_0) f ′ ( x 0 ) 。因此切线的方程为 y = f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) y = f(x_0) + f'(x_0)(x-x_0) y = f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) ——这是在 x 0 x_0 x 0 附近对 f f f 的图像的最佳线性近似。水平切线(f ′ ( x 0 ) = 0 f'(x_0)=0 f ′ ( x 0 ) = 0 )标志着曲线暂时变平的点,例如局部极值点。
y = f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) y = f(x_0) + f'(x_0)(x - x_0) y = f ( x 0 ) + f ′ ( x 0 ) ( x − x 0 ) 物理意义。 若 s ( t ) s(t) s ( t ) 是物体在时刻 t t t 的位置,平均变化率 s ( t 0 + h ) − s ( t 0 ) h \dfrac{s(t_0+h)-s(t_0)}{h} h s ( t 0 + h ) − s ( t 0 ) 就是 [ t 0 , t 0 + h ] [t_0, t_0+h] [ t 0 , t 0 + h ] 上的平均速度,其极限 v ( t 0 ) = s ′ ( t 0 ) v(t_0)=s'(t_0) v ( t 0 ) = s ′ ( t 0 ) 是 t 0 t_0 t 0 处的瞬时速度 。再求一次导数得到加速度 a ( t ) = v ′ ( t ) = s ′ ′ ( t ) a(t) = v'(t) = s''(t) a ( t ) = v ′ ( t ) = s ′′ ( t ) ,即位置的二阶导数——速度本身变化的快慢。
若 f f f 在 x 0 x_0 x 0 处可导,则 f f f 在 x 0 x_0 x 0 处连续。
为什么成立? 在 x 0 x_0 x 0 处具有确定切线斜率的曲线不可能在该处出现跳跃:写出 f ( x ) − f ( x 0 ) = f ( x ) − f ( x 0 ) x − x 0 ⋅ ( x − x 0 ) f(x)-f(x_0) = \dfrac{f(x)-f(x_0)}{x-x_0} \cdot (x-x_0) f ( x ) − f ( x 0 ) = x − x 0 f ( x ) − f ( x 0 ) ⋅ ( x − x 0 ) ;当 x → x 0 x \to x_0 x → x 0 时,第一个因子趋于有限值 f ′ ( x 0 ) f'(x_0) f ′ ( x 0 ) ,第二个因子趋于 0 0 0 ,故乘积趋于 0 0 0 ,从而 f ( x ) → f ( x 0 ) f(x) \to f(x_0) f ( x ) → f ( x 0 ) 。
证明 这正是上面的论证:当两个极限都存在时,乘积的极限等于极限的乘积,而由假设 lim x → x 0 f ( x ) − f ( x 0 ) x − x 0 = f ′ ( x 0 ) \lim_{x\to x_0}\frac{f(x)-f(x_0)}{x-x_0}=f'(x_0) lim x → x 0 x − x 0 f ( x ) − f ( x 0 ) = f ′ ( x 0 ) 是有限的,且 lim x → x 0 ( x − x 0 ) = 0 \lim_{x\to x_0}(x-x_0)=0 lim x → x 0 ( x − x 0 ) = 0 。
逆命题不成立 :连续不能推出可导。标准的反例是在 x 0 = 0 x_0 = 0 x 0 = 0 处的 f ( x ) = ∣ x ∣ f(x) = |x| f ( x ) = ∣ x ∣ 。它在该点连续,但差商 f ( 0 + h ) − f ( 0 ) h = ∣ h ∣ h \dfrac{f(0+h)-f(0)}{h} = \dfrac{|h|}{h} h f ( 0 + h ) − f ( 0 ) = h ∣ h ∣ 当 h > 0 h>0 h > 0 时等于 1 1 1 ,当 h < 0 h<0 h < 0 时等于 − 1 -1 − 1 ,左右极限不相等,故 f ′ ( 0 ) f'(0) f ′ ( 0 ) 不存在——图像在该处有一个尖角,不存在唯一确定的切线斜率。
大学 求导法则 基本求导法则 法则 公式 条件/备注 常数倍 ( c f ) ′ = c f ′ (cf)' = c f' ( c f ) ′ = c f ′ c c c 为常数和与差 ( f ± g ) ′ = f ′ ± g ′ (f \pm g)' = f' \pm g' ( f ± g ) ′ = f ′ ± g ′ f , g f, g f , g 可导幂函数求导 ( x n ) ′ = n x n − 1 (x^n)' = n x^{n-1} ( x n ) ′ = n x n − 1 n ∈ R n \in \mathbb{R} n ∈ R ,x x x 在定义域内乘积求导 ( f g ) ′ = f ′ g + f g ′ (fg)' = f'g + fg' ( f g ) ′ = f ′ g + f g ′ f , g f, g f , g 在 x x x 处可导商的求导 ( f g ) ′ = f ′ g − f g ′ g 2 \left(\dfrac{f}{g}\right)' = \dfrac{f'g - fg'}{g^2} ( g f ) ′ = g 2 f ′ g − f g ′ g ( x ) ≠ 0 g(x) \neq 0 g ( x ) = 0 链式法则 ( f ∘ g ) ′ ( x ) = f ′ ( g ( x ) ) g ′ ( x ) (f \circ g)'(x) = f'(g(x))\, g'(x) ( f ∘ g ) ′ ( x ) = f ′ ( g ( x )) g ′ ( x ) g g g 在 x x x 处、f f f 在 g ( x ) g(x) g ( x ) 处可导
若 f , g f, g f , g 在 x x x 处可导,则 f g fg f g 在 x x x 处也可导,且 ( f g ) ′ ( x ) = f ′ ( x ) g ( x ) + f ( x ) g ′ ( x ) (fg)'(x) = f'(x)g(x) + f(x)g'(x) ( f g ) ′ ( x ) = f ′ ( x ) g ( x ) + f ( x ) g ′ ( x ) 。
为什么成立? 把 f ( x ) g ( x ) f(x)g(x) f ( x ) g ( x ) 想象成一个宽为 f ( x ) f(x) f ( x ) 、高为 g ( x ) g(x) g ( x ) 的矩形的面积。当 x x x 变化时,两条边同时改变,因此矩形面积会因两个 原因同时变化:宽以速率 f ′ ( x ) f'(x) f ′ ( x ) 增长而高保持为 g ( x ) g(x) g ( x ) ,贡献 f ′ ( x ) g ( x ) f'(x)g(x) f ′ ( x ) g ( x ) ;高以速率 g ′ ( x ) g'(x) g ′ ( x ) 增长而宽保持为 f ( x ) f(x) f ( x ) ,贡献 f ( x ) g ′ ( x ) f(x)g'(x) f ( x ) g ′ ( x ) 。一个常见的错误是猜测 ( f g ) ′ = f ′ g ′ (fg)' = f'g' ( f g ) ′ = f ′ g ′ ,但这完全忽略了这两个独立的贡献。
证明 写出 f ( x + h ) g ( x + h ) − f ( x ) g ( x ) h \dfrac{f(x+h)g(x+h)-f(x)g(x)}{h} h f ( x + h ) g ( x + h ) − f ( x ) g ( x ) ,在分子中插入 − f ( x + h ) g ( x ) + f ( x + h ) g ( x ) -f(x+h)g(x)+f(x+h)g(x) − f ( x + h ) g ( x ) + f ( x + h ) g ( x ) ,将其拆分为 f ( x + h ) ⋅ g ( x + h ) − g ( x ) h + f ( x + h ) − f ( x ) h ⋅ g ( x ) f(x+h)\cdot\dfrac{g(x+h)-g(x)}{h} + \dfrac{f(x+h)-f(x)}{h}\cdot g(x) f ( x + h ) ⋅ h g ( x + h ) − g ( x ) + h f ( x + h ) − f ( x ) ⋅ g ( x ) 。当 h → 0 h \to 0 h → 0 时,第一个差商趋于 g ′ ( x ) g'(x) g ′ ( x ) ,且由连续性 f ( x + h ) → f ( x ) f(x+h) \to f(x) f ( x + h ) → f ( x ) ;第二个差商趋于 f ′ ( x ) f'(x) f ′ ( x ) ;两项之和趋于 f ( x ) g ′ ( x ) + f ′ ( x ) g ( x ) f(x)g'(x) + f'(x)g(x) f ( x ) g ′ ( x ) + f ′ ( x ) g ( x ) 。
若 g g g 在 x x x 处可导,且 f f f 在 g ( x ) g(x) g ( x ) 处可导,则 f ∘ g f \circ g f ∘ g 在 x x x 处可导,且 ( f ∘ g ) ′ ( x ) = f ′ ( g ( x ) ) g ′ ( x ) (f \circ g)'(x) = f'(g(x))\, g'(x) ( f ∘ g ) ′ ( x ) = f ′ ( g ( x )) g ′ ( x ) 。
为什么成立? 变化率通过相乘复合:如果 y = f ( u ) y=f(u) y = f ( u ) 变化的速度是 u u u 的两倍(即 f ′ = 2 f'=2 f ′ = 2 ),而 u = g ( x ) u=g(x) u = g ( x ) 变化的速度是 x x x 的三倍(即 g ′ = 3 g'=3 g ′ = 3 ),那么当 x x x 有一个微小变化时,u u u 移动 3 3 3 倍的距离,接着 y y y 移动的距离又是 u u u 移动距离的 2 2 2 倍——因此 y y y 移动的距离是 x x x 的 2 × 3 = 6 2 \times 3 = 6 2 × 3 = 6 倍。一个非常常见的错误是忘记内层 导数 g ′ ( x ) g'(x) g ′ ( x ) :d d x sin ( x 2 ) ≠ cos ( x 2 ) \dfrac{d}{dx}\sin(x^2) \neq \cos(x^2) d x d sin ( x 2 ) = cos ( x 2 ) ;正确的导数是 2 x cos ( x 2 ) 2x\cos(x^2) 2 x cos ( x 2 ) 。
证明 由于 f f f 在 g ( x ) g(x) g ( x ) 处可导,当 k k k 接近 0 0 0 时可写 f ( g ( x ) + k ) − f ( g ( x ) ) = [ f ′ ( g ( x ) ) + ε ( k ) ] k f(g(x)+k) - f(g(x)) = [f'(g(x)) + \varepsilon(k)]\,k f ( g ( x ) + k ) − f ( g ( x )) = [ f ′ ( g ( x )) + ε ( k )] k ,其中 ε ( k ) → 0 \varepsilon(k) \to 0 ε ( k ) → 0 (当 k → 0 k \to 0 k → 0 时)。代入 k = g ( x + h ) − g ( x ) k = g(x+h)-g(x) k = g ( x + h ) − g ( x ) ,由 g g g 的连续性知当 h → 0 h \to 0 h → 0 时它趋于 0 0 0 ,再除以 h h h 得 f ( g ( x + h ) ) − f ( g ( x ) ) h = [ f ′ ( g ( x ) ) + ε ( k ) ] ⋅ g ( x + h ) − g ( x ) h → f ′ ( g ( x ) ) g ′ ( x ) \dfrac{f(g(x+h))-f(g(x))}{h} = [f'(g(x))+\varepsilon(k)]\cdot\dfrac{g(x+h)-g(x)}{h} \to f'(g(x))\,g'(x) h f ( g ( x + h )) − f ( g ( x )) = [ f ′ ( g ( x )) + ε ( k )] ⋅ h g ( x + h ) − g ( x ) → f ′ ( g ( x )) g ′ ( x ) 。
y = f ( x ) = x 3 − 3 x y = f(x) = x^3 - 3x y = f ( x ) = x 3 − 3 x ,其中 f ′ ( x ) = 3 x 2 − 3 f'(x) = 3x^2 - 3 f ′ ( x ) = 3 x 2 − 3 。标记的局部极大值和极小值恰好位于 f ′ ( x ) = 0 f'(x)=0 f ′ ( x ) = 0 处,即 x = ± 1 x=\pm 1 x = ± 1 :当 f ′ ( x ) > 0 f'(x)>0 f ′ ( x ) > 0 ([ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 之外)时曲线上升,当 f ′ ( x ) < 0 f'(x)<0 f ′ ( x ) < 0 ([ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 之内)时曲线下降。标记在 x = 0 x=0 x = 0 处的拐点是 f ′ ′ ( x ) = 6 x f''(x)=6x f ′′ ( x ) = 6 x 变号之处,即曲线由下凹转为上凹的地方。例题: 求乘积的导数
求 f ( x ) = x 2 sin x f(x) = x^2 \sin x f ( x ) = x 2 sin x 的 f ′ ( x ) f'(x) f ′ ( x ) 。
解答 取 u ( x ) = x 2 u(x) = x^2 u ( x ) = x 2 与 v ( x ) = sin x v(x) = \sin x v ( x ) = sin x 应用乘积求导法则:u ′ ( x ) = 2 x u'(x) = 2x u ′ ( x ) = 2 x ,v ′ ( x ) = cos x v'(x) = \cos x v ′ ( x ) = cos x ,所以 f ′ ( x ) = u ′ ( x ) v ( x ) + u ( x ) v ′ ( x ) = 2 x sin x + x 2 cos x f'(x) = u'(x)v(x) + u(x)v'(x) = 2x\sin x + x^2\cos x f ′ ( x ) = u ′ ( x ) v ( x ) + u ( x ) v ′ ( x ) = 2 x sin x + x 2 cos x 。
例题
将球从地面竖直向上抛出,高度(米)为 h ( t ) = 20 t − 5 t 2 h(t) = 20t - 5t^2 h ( t ) = 20 t − 5 t 2 。(a) 求瞬时速度 v ( t ) = h ′ ( t ) v(t) = h'(t) v ( t ) = h ′ ( t ) 。(b) 球何时到达最高点?(c) t = 1 t = 1 t = 1 s 时的速度是多少?
解答 **第一步 — 用幂函数求导法则对 h ( t ) = 20 t − 5 t 2 h(t) = 20t - 5t^2 h ( t ) = 20 t − 5 t 2 求导。** 逐项求导:( 20 t ) ′ = 20 (20t)' = 20 ( 20 t ) ′ = 20 ,( 5 t 2 ) ′ = 10 t (5t^2)' = 10t ( 5 t 2 ) ′ = 10 t ,得 v ( t ) = h ′ ( t ) = 20 − 10 t v(t) = h'(t) = 20 - 10t v ( t ) = h ′ ( t ) = 20 − 10 t 。
第二步 — 求到达最高点的时刻。 在最高点球暂时静止,令 v ( t ) = 0 v(t) = 0 v ( t ) = 0 :20 − 10 t = 0 ⇒ t = 2 20 - 10t = 0 \Rightarrow t = 2 20 − 10 t = 0 ⇒ t = 2 s。二阶导数 h ′ ′ ( t ) = − 10 < 0 h''(t) = -10 < 0 h ′′ ( t ) = − 10 < 0 确认这是极大值点。
**第三步 — 求 t = 1 t = 1 t = 1 s 时的速度。** 代入速度公式:v ( 1 ) = 20 − 10 ( 1 ) = 10 v(1) = 20 - 10(1) = 10 v ( 1 ) = 20 − 10 ( 1 ) = 10 m/s(向上)。球在 t = 1 t = 1 t = 1 s 仍在上升,与在 t = 2 t = 2 t = 2 s 到达顶点一致。
常见错误. 关于导数的两个经典错误。 (1) 用导数相乘代替乘积/商法则。 一般来说 ( f g ) ′ ≠ f ′ g ′ (fg)' \neq f'g' ( f g ) ′ = f ′ g ′ 且 ( f g ) ′ ≠ f ′ g ′ \left(\dfrac{f}{g}\right)' \neq \dfrac{f'}{g'} ( g f ) ′ = g ′ f ′ :取 f = g = x f=g=x f = g = x ,( f g ) ′ = ( x 2 ) ′ = 2 x (fg)' = (x^2)' = 2x ( f g ) ′ = ( x 2 ) ′ = 2 x ,但 f ′ g ′ = 1 ⋅ 1 = 1 f'g' = 1 \cdot 1 = 1 f ′ g ′ = 1 ⋅ 1 = 1 。(2) 在链式法则中忘记内层导数。 d d x sin ( x 2 ) ≠ cos ( x 2 ) \dfrac{d}{dx}\sin(x^2) \neq \cos(x^2) d x d sin ( x 2 ) = cos ( x 2 ) ;正确的导数是 d d x sin ( x 2 ) = cos ( x 2 ) ⋅ 2 x \dfrac{d}{dx}\sin(x^2) = \cos(x^2)\cdot 2x d x d sin ( x 2 ) = cos ( x 2 ) ⋅ 2 x ,因为内层函数 x 2 x^2 x 2 也必须被求导。历史注记
17世纪末,艾萨克·牛顿 与戈特弗里德·威廉·莱布尼茨 各自独立发展了导数的微积分,但用截然不同的语言来描述它:牛顿谈论的是流数 (fluxion)x ˙ \dot{x} x ˙ ,即变化的量“流动”的瞬时速率;而莱布尼茨引入了记号 d y d x \dfrac{dy}{dx} d x d y ,将其表示为无穷小差值之比——这一记号沿用至今。他们的追随者们为优先权、以及“无穷小”量到底意味着什么争论了数十年。这一问题花了一个多世纪才得以解决:1823年,奥古斯丁-路易·柯西 用上文所用的严格的 ε \varepsilon ε –δ \delta δ 极限定义取代了无穷小量,终于把导数建立在了牢固的逻辑基础之上。
艾萨克·牛顿 戈特弗里德·威廉·莱布尼茨 奥古斯丁-路易·柯西
进阶 高阶导数与后续方向 以上内容都建立在函数的极限 之上,因此扎实掌握极限是学习导数的先修知识。对 f ′ f' f ′ 本身再求导得到二阶导数 f ′ ′ = ( f ′ ) ′ f''=(f')' f ′′ = ( f ′ ) ′ (加速度、曲率),重复这一过程得到 n n n 阶导数 f ( n ) f^{(n)} f ( n ) ;直到 k k k 阶导数都连续的函数称为 C k C^k C k 类函数,若各阶导数都存在则称为 C ∞ C^\infty C ∞ 类。从这里可以走向两个方向:直接由 f ′ f' f ′ 与 f ′ ′ f'' f ′′ 的符号读出函数的形状——递增区间、极值、凹凸性(见导数的应用 );以及把这一过程反过来:已知 f ′ f' f ′ 求回 f f f ,正是原函数 问题,通向积分学的大门。
研究 现代研究前沿中的导数 研究前沿 截至 2026 年
截至2026年,三个活跃的研究方向正把求导推向远超手工计算的领域。(1) 自动微分(AD)。 现代机器学习通过对程序执行的一系列初等运算机械地应用链式法则,来训练拥有数百万乃至数十亿参数的神经网络;反向模式 AD 在这一场景中被称为反向传播 (backpropagation),能在与一次前向计算大致相同的时间内算出网络损失函数的精确梯度,并已在 PyTorch、JAX 等可微编程框架中实现(参见 Baydin、Pearlmutter、Radul 与 Siskind 2018年的综述)。(2) 对非光滑函数求导。 像 R e L U ( x ) = max ( x , 0 ) \mathrm{ReLU}(x)=\max(x,0) ReLU ( x ) = max ( x , 0 ) 这样的分量并非处处可导,但 AD 仍被常规地应用于它们;Clarke 的广义梯度(1975年)以及 Bolte 与 Pauwels(2020年)的近期工作给出了一个严格的数学基础——所谓保守场 (conservative field)——解释了自动微分为何以及何时仍能为这类非光滑程序给出具有数学意义、可用的方向。(3) 分数阶导数。 Riemann–Liouville 与 Caputo 算子把 f ( n ) f^{(n)} f ( n ) 推广为任意实数(或复数)阶 α \alpha α 的导数,是建模反常扩散与粘弹性材料的活跃工具,这类材料的记忆效应是普通整数阶导数无法捕捉的。
利用极限定义,f ( x ) = x 2 f(x) = x^2 f ( x ) = x 2 的 f ′ ( 3 ) f'(3) f ′ ( 3 ) 等于多少?
为什么 f ( x ) = ∣ x ∣ f(x) = |x| f ( x ) = ∣ x ∣ 在 x = 0 x=0 x = 0 处连续但不可导?
x = 0 x=0 x = 0 处的左差商与右差商趋于不同的极限(− 1 -1 − 1 与 1 1 1 ),故不存在唯一的切线斜率f f f 在 x = 0 x=0 x = 0 处不连续连续函数定义 f ′ ( 0 ) f'(0) f ′ ( 0 ) 从来不需要极限 ∣ x ∣ |x| ∣ x ∣ 在任何一点都没有切线根据链式法则,y = sin ( 2 x 2 ) y = \sin(2x^2) y = sin ( 2 x 2 ) 的导数是什么?
4 x cos ( 2 x 2 ) 4x\cos(2x^2) 4 x cos ( 2 x 2 ) cos ( 2 x 2 ) \cos(2x^2) cos ( 2 x 2 ) 2 x cos ( 2 x 2 ) 2x\cos(2x^2) 2 x cos ( 2 x 2 ) 4 x sin ( 2 x 2 ) 4x\sin(2x^2) 4 x sin ( 2 x 2 ) 一质点沿直线运动,位置为 s ( t ) = t 3 − 6 t 2 + 9 t s(t) = t^3 - 6t^2 + 9t s ( t ) = t 3 − 6 t 2 + 9 t (米),t ≥ 0 t \ge 0 t ≥ 0 (秒)。其加速度何时等于零?
t = 2 t=2 t = 2 t = 1 t=1 t = 1 t = 3 t=3 t = 3 t = 0 t=0 t = 0