多元函数奇偶性

多元函数奇偶性

多元函数的定义域

  • 定义域根据函数的变量数不同,有不同的形式
    • 一元函数 y = f ( x ) y=f(x) y=f(x),定义域可以是数集
    • 二元函数 z = f ( x , y ) z=f(x,y) z=f(x,y),定义域可以是一平面区域,是平面点集
    • 三元函数 v = f ( x , y , z ) v=f(x,y,z) v=f(x,y,z),定义域是一块空间区域,是空间点集
    • n n n圆函数,定义域为 n n n维点集
自然定义域
  • 根据仅根据表达式本身是否有意义来判定定义域
    • 比如分式中分母不为0
    • 偶次根式内不可为负数
    • 对数函数的真数为正数
特定定义域
  • 根据实际需要或者认为规定的的区域,比如给定积分区域(积分限)

n n n元函数

  • y y y是一个 n n n元函数,记为 y = f ( x 1 , x 2 , ⋯   , x i , ⋯   , x n ) y=f(x_1,x_2,\cdots,x_i,\cdots,x_n) y=f(x1,x2,,xi,,xn)

    • 其中 x i x_i xi表示函数 f f f的第 i i i个自变量

奇偶性

  • 一般讨论的是关于某个自变量 x i x_i xi的奇偶性
  • n n n元函数 y = f ( x 1 , x 2 , ⋯   , x i , ⋯   , x n ) y=f(x_1,x_2,\cdots,x_i,\cdots,x_n) y=f(x1,x2,,xi,,xn), f f f是关于 x i x_i xi的偶函数,则 f ( x 1 , x 2 , ⋯   , − x i ‾ , ⋯   , x n ) f(x_1,x_2,\cdots,\large\underline{-x_i}\normalsize,\cdots,x_n) f(x1,x2,,xi,,xn)= f ( x 1 , x 2 , ⋯   , x i ‾ , ⋯   , x n ) f(x_1,x_2,\cdots,\large\underline{x_i}\normalsize,\cdots,x_n) f(x1,x2,,xi,,xn)
  • f f f是关于 x i x_i xi的奇函数 f ( x 1 , x 2 , ⋯   , − x i ‾ , ⋯   , x n ) f(x_1,x_2,\cdots,\large\underline{-x_i}\normalsize,\cdots,x_n) f(x1,x2,,xi,,xn)= − f ( x 1 , x 2 , ⋯   , x i ‾ , ⋯   , x n ) \large-\normalsize f(x_1,x_2,\cdots,\large\underline{x_i}\normalsize,\cdots,x_n) f(x1,x2,,xi,,xn)

一元函数

  • y = f ( x ) y=f(x) y=f(x)
    • f ( x ) f(x) f(x)为偶函数: f ( − x ) = f ( x ) f(-x)=f(x) f(x)=f(x)关于 x = 0 x=0 x=0( y y y轴)对称
    • f ( x ) f(x) f(x)维奇函数: f ( − x ) = − f ( x ) f(-x)=-f(x) f(x)=f(x),关于 ( 0 , 0 ) (0,0) (0,0)(原点)对称

二元函数

  • z = f ( x , y ) z=f(x,y) z=f(x,y)

    • 以分量 x x x为例

      • 奇函数: f ( − x , y ) = − f ( x , y ) f(-x,y)=-f(x,y) f(x,y)=f(x,y),函数关于点 ( 0 , y , 0 ) (0,y,0) (0,y,0)对称
        • P ( x , y , z ) P(x,y,z) P(x,y,z) f ( x , y ) f(x,y) f(x,y)上的点, z = f ( x , y ) z=f(x,y) z=f(x,y),而 f ( − x , y ) f(-x,y) f(x,y)= − f ( x , y ) -f(x,y) f(x,y)= − z -z z
        • Q ( − x , y , − z ) Q(-x,y,-z) Q(x,y,z)也位于 f ( x , y ) f(x,y) f(x,y)
        • P , Q P,Q P,Q两点的位置关系?
          • 方法1:
            • 显然两个点有相同的 y y y轴坐标,从而它们必然同时位于平面 y = y y=y y=y
            • 并且两个点有互为相反数的 x , y x,y x,y轴坐标, P P P位于平面 x = x , z = z x=x,z=z x=x,z=z两平面交线上,而 Q Q Q位于 x = − x , y = − y x=-x,y=-y x=x,y=y两平面的交线上,这两条交线关于原点(或 y y y轴)对称,分别和平面 y = y y=y y=y所截,得到 P , Q P,Q P,Q两点
            • 因此 P , Q P,Q P,Q两点关于 ( 0 , y , 0 ) (0,y,0) (0,y,0)对称
          • 方法2:
            • 由两点间坐标公式, ( − x + x 2 , y + y 2 , z − z 2 ) (\frac{-x+x}{2},\frac{y+y}{2},\frac{z-z}{2}) (2x+x,2y+y,2zz)= ( 0 , y , 0 ) (0,y,0) (0,y,0),可知 P , Q P,Q P,Q两点关于 M ( 0 , y , 0 ) M(0,y,0) M(0,y,0)对称
            • M M M点位于直线 x = 0 , z = 0 x=0,z=0 x=0,z=0上(即 y y y轴上)
            • 因此 P , Q P,Q P,Q两点关于 ( 0 , y , 0 ) (0,y,0) (0,y,0)对称
        • 因此,函数 f ( x , y ) f(x,y) f(x,y)的图形关于 y y y轴对称
      • 偶函数: f ( − x , y ) = f ( x , y ) f(-x,y)=f(x,y) f(x,y)=f(x,y),函数关于平面 x = 0 x=0 x=0对称
        • P ( x , y , z ) P(x,y,z) P(x,y,z) f ( x , y ) f(x,y) f(x,y)上的点, z = f ( x , y ) z=f(x,y) z=f(x,y),而 f ( − x , y ) f(-x,y) f(x,y)= f ( x , y ) f(x,y) f(x,y)= z z z
        • Q ( − x , y , z ) Q(-x,y,z) Q(x,y,z)也位于 f ( x , y ) f(x,y) f(x,y)
        • 中点坐标公式: P , Q P,Q P,Q的中点为 ( 0 , y , z ) (0,y,z) (0,y,z),该点属于平面 x = 0 x=0 x=0
        • P , Q P,Q P,Q两点关于 x = 0 x=0 x=0(即坐标面 y O z yOz yOz面)对称
        • 因此函数 f ( x , y ) f(x,y) f(x,y)的图形关于 x = 0 x=0 x=0面对称
    • 分量 y y y类似地讨论

小结

  • 在一元函数 y = f ( x ) y=f(x) y=f(x)中,偶函数是关于直线 ( x = 0 ) (x=0) (x=0)对称,而奇函数关于点 ( 0 , 0 ) (0,0) (0,0),即 x = 0 , y = 0 x=0,y=0 x=0,y=0对称
    • 点表示为 ( x , y ) (x,y) (x,y)
  • 在二元函数 z = f ( x , y ) z=f(x,y) z=f(x,y)中,偶函数是关于面对称,而奇函数关于直线对称
    • 点表示为 ( x , y , z ) (x,y,z) (x,y,z)
    • 以自变量 x x x为例,关于 x x x的偶函数图形关于 x = 0 x=0 x=0面对称,奇函数图形关于 x = 0 , z = 0 x=0,z=0 x=0,z=0,即 y y y
    • 而对于自变量 y y y,关于 y y y的偶函数图形关于 y = 0 y=0 y=0面对称,奇函数图形关于 y = 0 , z = 0 y=0,z=0 y=0,z=0,即 y y y
  • 也就是说,对称中心都上升了一个维度,从点到线,从线到面
  • 本质上都是两点关于它们的中点对称,分析中点的特点来判断对称中心是什么

结论分析和记忆👺

  • 对于一元奇(偶)函数为,自变量轴为 x x x
  • 自变量 x x x沿着从原点(或正区间内第一点有定义的 x 0 x_0 x0处)开始,分析曲线变化
    • f ( x ) f(x) f(x)是奇函数, x x x x x x轴正方向进行的变化情况与负方向的变化情况相反
    • f ( x ) f(x) f(x)是偶函数, x x x x x x轴正方向进行的变化情况与负方向的变化情况相同(对称)
  • 对于二元奇(偶)函数,自变量设为 x , y x,y x,y,分析曲面的变化情况
    • f ( x , y ) f(x,y) f(x,y)是关于 x x x的奇函数, x x x x x x轴正方向进行的变换情况与负方向的变化情况相反
    • f ( x , y ) f(x,y) f(x,y)是关于 x x x偶函数, x x x x x x轴正方向进行的变化情况与负方向的变化情况相同(对称)

推广

  • 更一般的
    • 对于 n n n元函数 w = f ( x 1 , x 2 , ⋯   , x n ) w=f(x_1,x_2,\cdots,x_n) w=f(x1,x2,,xn),视为 n + 1 n+1 n+1维空间,将写维点的形式: ( x 1 , x 2 , ⋯   , x n , w ) (x_1,x_2,\cdots,x_n,w) (x1,x2,,xn,w)
    • f f f关于自变量 x i x_i xi为奇函数(以 i = 1 i=1 i=1为例),那么 P ( x 1 , x 2 , ⋯   , x n , w ) P(x_1,x_2,\cdots,x_n,w) P(x1,x2,,xn,w), Q ( − x 1 , x 2 , ⋯   , x n , − w ) Q(-x_1,x_2,\cdots,x_n,-w) Q(x1,x2,,xn,w),其对称中心点为 M ( 0 , x 2 , ⋯   , x n , 0 ) M(0,x_2,\cdots,x_n,0) M(0,x2,,xn,0),对称中心为超平面 x 1 = 0 , w = 0 x_1=0,w=0 x1=0,w=0;(即令第 i i i维自变量取0和最后意味取 0 0 0)
    • f f f关于自变量 x i x_i xi为偶函数(以 i = 1 i=1 i=1为例),那么 P ( x 1 , x 2 , ⋯   , x n , w ) P(x_1,x_2,\cdots,x_n,w) P(x1,x2,,xn,w), Q ( − x 1 , x 2 , ⋯   , x n , w ) Q(-x_1,x_2,\cdots,x_n,w) Q(x1,x2,,xn,w),其对称中心点为 M ( 0 , x 2 , ⋯   , x n , w ) M(0,x_2,\cdots,x_n,w) M(0,x2,,xn,w),对称中心为超平面 x 1 = 0 x_1=0 x1=0
    • i ≠ 1 i\neq{1} i=1时,情形类似

应用和实例

  • f ( x , y ) f(x,y) f(x,y)= y x 2 y{x^2} yx2,假设 f f f的定义域(区域)是关于 x , y x,y x,y轴对称的区域(比如其自然定义域下)
    • 那么显然, f f f关于 y y y是奇函数;图形关于 x x x轴对称
    • 同时 f f f是关于 x x x的偶函数,图形关于 x = 0 x=0 x=0平面对称
  • 在这里插入图片描述

二元绝对值不等式确定的区域

  • ∬ D ( ∣ x ∣ + y e x 2 ) d σ \iint\limits_{D}({|x|+ye^{x^2}})\mathrm{d}\sigma D(x+yex2)dσ, ( D : ∣ x ∣ + ∣ y ∣ = 1 ) (D:|x|+|y|=1) (D:x+y=1)

  • 二元一次绝对值方程对应的草图

    • 对于 g ( x , y ) = ∣ x ∣ + ∣ y ∣ = 1 g(x,y)=|x|+|y|=1 g(x,y)=x+y=1,前去绝对值

      • ∣ x ∣ = x |x|=x x=x, ( x ⩾ 0 ) (x\geqslant{0}) (x0); ∣ x ∣ = − x |x|=-x x=x, ( x < 0 ) (x<0) (x<0)
      • ∣ y ∣ = y |y|=y y=y, ( y ⩾ 0 ) (y\geqslant{0}) (y0), ∣ y ∣ = − y |y|=-y y=y, ( y < 0 ) (y<0) (y<0)
    • 得到四个二元一次方程:在平面直角坐标系 x O y xOy xOy中对应于4条直线段

      • 1 = { − x − y , x < 0 , y < 0 − x + y x < 0 , y ⩾ 0 x − y , x ⩾ 0 , y < 0 x + y , x ⩾ 0 , y ⩾ 0 1=\begin{cases} -x-y,&x<0,y<0 \\-x+y &x<0,y\geqslant 0 \\x-y,&x\geqslant 0,y<0 \\x+y,&x\geqslant 0,y\geqslant 0 \end{cases} 1= xy,x+yxy,x+y,x<0,y<0x<0,y0x0,y<0x0,y0
    • 四条直线段所在直线分别转换为斜截式: y = − x − 1 y=-x-1 y=x1; y = x + 1 y=x+1 y=x+1; y = − x − 1 y=-x-1 y=x1; y = 1 − x y=1-x y=1x

  • 将他们分别绘制,得到一个边长为1的正方形(菱形)

    • 在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/174117.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

基于骑手优化算法优化概率神经网络PNN的分类预测 - 附代码

基于骑手优化算法优化概率神经网络PNN的分类预测 - 附代码 文章目录 基于骑手优化算法优化概率神经网络PNN的分类预测 - 附代码1.PNN网络概述2.变压器故障诊街系统相关背景2.1 模型建立 3.基于骑手优化优化的PNN网络5.测试结果6.参考文献7.Matlab代码 摘要&#xff1a;针对PNN神…

spark内置数据类型

在用scala编写spark的时候&#xff0c;假如我现在需要将我spark读的数据源的字段&#xff0c;做一个类型转换&#xff0c;因 为需求中要拼接出sql的create table语句&#xff0c;需要每个字段的sql中的类型&#xff0c;那么就需要去和sparksql 中的内置数据类型去比对。 写s…

光伏、储能双层优化配置接入配电网研究(附带Matlab代码)

由于能源的日益匮乏&#xff0c;电力需求的不断增长等&#xff0c;配电网中分布式能源渗透率不断提高&#xff0c;且逐渐向主动配电网方向发展。此外&#xff0c;需求响应(demand response&#xff0c;DR)的加入对配电网的规划运行也带来了新的因素。因此&#xff0c;如何综合考…

Linux docker安装RStudio Server结合内网穿透实现公网访问内网服务

&#x1f4f7; 江池俊&#xff1a; 个人主页 &#x1f525;个人专栏&#xff1a; ✅数据结构探索 ✅cpolar &#x1f305; 有航道的人&#xff0c;再渺小也不会迷途。 文章目录 前言1. 安装RStudio Server2. 本地访问3. Linux 安装cpolar4. 配置RStudio server公网访问地址5…

flutter创建不同样式的按钮,背景色,边框,圆角,圆形,大小都可以设置

在ui设计中&#xff0c;可能按钮会有不同的样式需要你来写出来&#xff0c;所以按钮的不同样式&#xff0c;应该是最基础的功能&#xff0c;在这里我们赶紧学起来吧&#xff0c;web端可能展示有问题&#xff0c;需要优化&#xff0c;但是基本样式还是出来了 我是将所有的按钮放…

洛谷 P3252 [JLOI2012] 树

读题就读趋势了&#xff0c;还以为是每个深度都可以选一个&#xff0c;然后深度升序就可以了&#xff0c;以为是个按深度的01背包。 但是前面还说了是一条路径&#xff0c;路径是不能断开的。那就从每个点开始爆搜一次就好了。 看了一下范围n<1e5&#xff0c;n^2爆搜理论上…

智能座舱架构与芯片- (13) 软件篇 下

四、面向服务的智能座舱软件架构 4.1 面向信号的软件架构 随着汽车电子电气架构向中央计算-域控制器的方向演进&#xff0c;甚至向车云一体化的方向迈进&#xff0c;适用于汽车的软件平台也需要进行相应的进化。 在传统的观念中&#xff0c;座舱域即娱乐域&#xff0c;座舱软…

2023.11.22使用flask做一个简单的图片浏览器

2023.11.22使用flask做一个简单的图片浏览器 功能&#xff1a; 实现图片浏览&#xff08;翻页&#xff09;功能 程序页面&#xff1a; 程序架构&#xff1a; 注意&#xff1a;在flask中常会使用src“{{ url_for(‘static’, filename‘images/’ image) }}”&#xff0c…

4D毫米波雷达和3D雷达、激光雷达全面对比

众所周知&#xff0c;传统3D毫米波雷达存在如下性能缺陷&#xff1a; 1&#xff09;静止目标和地物杂波混在一起&#xff0c;难以区分&#xff1b; 2) 横穿车辆和行人多普勒为零或很低&#xff0c;难以检测&#xff1b; 3) 高处物体和地面目标不能区分&#xff0c;容易造成误刹…

基于SSM的进销存管理系统设计与实现

末尾获取源码 开发语言&#xff1a;Java Java开发工具&#xff1a;JDK1.8 后端框架&#xff1a;SSM 前端&#xff1a;采用JSP技术开发 数据库&#xff1a;MySQL5.7和Navicat管理工具结合 服务器&#xff1a;Tomcat8.5 开发软件&#xff1a;IDEA / Eclipse 是否Maven项目&#x…

ArcGIS如何处理并加载Excel中坐标数据?

做GIS行业的各位肯定免不了跟数据打交道&#xff0c;其中数据的处理说复杂也复杂&#xff0c;因为我们要花时间去做数据的转换及调整工作&#xff0c;那说简单也简单&#xff0c;因为我们有很多的工具可以使用&#xff0c;那么今天我就给大家带来处理Excel中的GIS数据中的其中一…

Windows to Go U盘系统制作(未测完成)

三、Windows U盘系统制作 1、下载windows镜像&#xff0c;并通过Windows To Go方式制作&#xff0c;具体选项参考下面截图 2、选择Windows版本 3、配置Windows 体验相关参数

基于SSM的网络财务管理系统设计与实现

末尾获取源码 开发语言&#xff1a;Java Java开发工具&#xff1a;JDK1.8 后端框架&#xff1a;SSM 前端&#xff1a;采用JSP技术开发 数据库&#xff1a;MySQL5.7和Navicat管理工具结合 服务器&#xff1a;Tomcat8.5 开发软件&#xff1a;IDEA / Eclipse 是否Maven项目&#x…

ArkTS基础知识

ArkTS基础知识 ArkUI开发框架 ArkTS声明式开发范式 装饰器&#xff1a; 用来装饰类&#xff0c;结构体&#xff0c;方法及变量。如&#xff1a; Entry&#xff1a;入口组件 Component &#xff1a;表示自定义组件 State 都是装饰器&#xff1a;组件中的状态变量&#xff0c;该…

[机缘参悟-119] :一个IT人的反思:反者道之动;弱者,道之用 VS 恒者恒强,弱者恒弱的马太效应

目录 前言&#xff1a; 一、道家的核心思想 二、恒者恒强&#xff0c;弱者恒弱的马太效应 三、马太效应与道家思想的统一 3.1 大多数的理解 3.2 个人的理解 四、矛盾的对立统一 前言&#xff1a; 马太效应和强弱互转的道家思想&#xff0c;都反应了自然规律和社会规律&…

【JavaEE】Spring的创建和使用(保姆级手把手图解)

一、创建一个Spring项目 1.1 创建一个Maven项目 1.2 添加 Spring 框架支持 在pom.xml中添加 <dependencies><dependency><groupId>org.springframework</groupId><artifactId>spring-context</artifactId><version>5.2.3.RELEASE&…

艺术作品3D虚拟云展厅能让客户远程身临其境地欣赏美

艺术品由于货物昂贵、易碎且保存难度大&#xff0c;因此在艺术品售卖中极易受时空限制&#xff0c;艺术品三维云展平台在线制作是基于web端将艺术品的图文、模型及视频等资料进行上传搭配&#xff0c;构建一个线上艺术品3D虚拟展厅&#xff0c;为艺术家和观众提供了全新的展示和…

SpringBoot——》配置logback日志文件

推荐链接&#xff1a; 总结——》【Java】 总结——》【Mysql】 总结——》【Redis】 总结——》【Kafka】 总结——》【Spring】 总结——》【SpringBoot】 总结——》【MyBatis、MyBatis-Plus】 总结——》【Linux】 总结——》【MongoD…

LangChain 6根据图片生成推广文案HuggingFace中的image-caption模型

根据图片生成推广文案&#xff0c; 用的HuggingFace中的image-caption模型 LangChain 实现给动物取名字&#xff0c;LangChain 2模块化prompt template并用streamlit生成网站 实现给动物取名字LangChain 3使用Agent访问Wikipedia和llm-math计算狗的平均年龄LangChain 4用向量数…

IDEA JRebel安装使用教程

1、下载插件 版本列表&#xff1a;https://plugins.jetbrains.com/plugin/4441-jrebel-and-xrebel/versions 下载&#xff1a;JRebel and XRebel 2022.4.1 这里下载2022.4.1版本&#xff0c;因为后续新版本获取凭证会比较麻烦。下载完成会是一个压缩包。 2、安装 选择第一步…