多元函数奇偶性

news2024/9/28 8:34:06

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:http://www.coloradmin.cn/o/1235846.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

基恩士软件的基本操作(四,快速编辑plc技巧)

目录 单元软原件注释快速添加 双击单元配置&#xff0c;进入单元编辑器 KV一键添加注释 双击软元件注释 进入软元件编辑界面 &#xff0c;对弹出的列表中软元件打勾点击登录 元件注释就自动添加了 注释收索&#xff0c;快速编辑软元件 自定义注释收索 空软元件快速查找 …

平民如何体验一把大模型知识库

背景 随着openai发布的chatgpt,各界掀起大模型热. 微软、谷歌、百度、阿里等大厂纷纷拥抱人工智能, 表示人工智能将是下一个风口.确实, chatgpt的表现确实出乎大部分的意料之外,网上也不断流传出来,chatgpt未来会替换很多白领.作为一名普通的程序员,觉得非常有必要随波逐流一下…

Servlet执行流程Servlet 生命周期

Servlet 生命周期 对象的生命周期指一个对象从被创建到被销毁的整个过程 import javax.servlet.*; import javax.servlet.annotation.WebServlet; import java.io.IOException; WebServlet(urlPatterns "/demo",loadOnStartup 10) public class ServletDemo imple…

html实现计算器源码

文章目录 1.设计来源1.1 主界面1.2 计算效果界面 2.效果和源码2.1 动态效果2.2 源代码 源码下载 作者&#xff1a;xcLeigh 文章地址&#xff1a;https://blog.csdn.net/weixin_43151418/article/details/134532725 html实现计算器源码&#xff0c;计算器源码&#xff0c;简易计…

Java 异常处理、继承、重写/重载

一、java异常处理&#xff1a; 三种类型的异常&#xff1a;检查性异常、运行时异常、错误。 所有的异常类是从java.lang.Exception类继承的子类。Exception类是Throwable类的子类。除了Exception类外&#xff0c;Throwable还有一个子类Error。 异常类有两个主要的子类&#…

计算机毕业设计选题推荐-网上产品商城-Python项目实战

✨作者主页&#xff1a;IT研究室✨ 个人简介&#xff1a;曾从事计算机专业培训教学&#xff0c;擅长Java、Python、微信小程序、Golang、安卓Android等项目实战。接项目定制开发、代码讲解、答辩教学、文档编写、降重等。 ☑文末获取源码☑ 精彩专栏推荐⬇⬇⬇ Java项目 Python…

同为科技(TOWE)工业连接器:保障高效、可靠、安全的电气连接

国内经济快速的发展&#xff0c;人们生活水平的不断提高&#xff0c;基础设施的建设是发展的基础&#xff0c;完善的基础设施对加速经济的发展起到至关重要的作用。其中&#xff0c;基础建设中机场、港口、电力、通讯等公共设施必须配套相应的电气设施&#xff0c;工业用插头插…

华为无线ac+fit三层组网,每个ap发射不同的业务vlan

ap管理dhcp在ac控制器上&#xff0c;业务dhcp在汇聚上 配置WLAN业务 &#xff08;1&#xff09;配置VAP模板 • 配置员工网络的VAP模板&#xff08;employee&#xff09; [AC-wlan-view] security-profile name employee //创建名为“employee”的安全模板 [AC-wlan-sec-prof-…

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

dvwa 代码注入impossible代码审计

dvwa 代码注入impossible代码审计 <?phpif( isset( $_POST[ Submit ] ) ) {// Check Anti-CSRF tokencheckToken( $_REQUEST[ user_token ], $_SESSION[ session_token ], index.php ); // 检查token值是否正确// Get input$target $_REQUEST[ ip ]; $target stripslas…

Tensorrt 实现 yolov5-cls 遇到的问题

yolov5-6.2增加了分类训练、验证、预测和导出&#xff08;所有 11 种格式&#xff09;&#xff0c;还提供了 ImageNet 预训练的 YOLOv5m-cls、ResNet&#xff08;18、34、50、101) 和 EfficientNet (b0-b3) 模型. 官方Git : https://github.com/ultralytics/yolov5 分类模型与…

树莓派的的串口通信协议

首先&#xff0c;回顾一下串口的核心知识点&#xff0c;也是面试重点&#xff1a; 串口通信通常使用在多机通讯中串口通信是全双工的决定串口通信的成功与否的是 数据格式 和 波特率数据格式&#xff1a;1. 数据位 2.停止位 3. 奇偶校验位 树莓派恢复串口 回忆前几节树莓派刷机…

ES 查询语法-详解

文章目录 1.DSL查询文档1.1.DSL查询分类1.2.全文检索查询1.2.1.使用场景1.2.2.基本语法1.2.3.总结 1.3.精准查询1.3.1.term查询1.3.2.总结 1.DSL查询文档 elasticsearch的查询依然是基于JSON风格的DSL来实现的。 1.1.DSL查询分类 Elasticsearch提供了基于JSON的DSL&#xff…

gwas数据获取如何获取完整的GWAS summary数据(1)------GWAS catalog数据库

IEU OpenGWAS project (mrcieu.ac.uk) UK Biobank - UK Biobank GWAS Catalog 在孟德尔随机化&#xff08;Mendelian randomization&#xff0c;MR&#xff09;研究中&#xff0c;对于暴露数据我们只需要那些显著的SNP信息&#xff0c;这样的信息在各种GWAS数据库中都是很容…

2019ICPC南京站

A A Hard Problem 题意&#xff1a;给定一个正整数 n &#xff0c;你需要找出最小整数 k&#xff0c;满足&#xff1a;从{1,2,⋯,n}中任意选择长度为k的子集&#xff0c;存在两个不同的整数 u,v∈T, 且 u 是 v 的因数。 思路&#xff1a;打表找规律 #include <bits/std…

分类问题的评价指标

一、logistic regression logistic regression也叫做对数几率回归。虽然名字是回归&#xff0c;但是不同于linear regression&#xff0c;logistic regression是一种分类学习方法。 同时在深度神经网络中&#xff0c;有一种线性层的输出也叫做logistic&#xff0c;他是被输入…

【docker下安装jenkins】(一)

目的&#xff1a;在Linux操作系统&#xff08;x86_64)下&#xff0c;使用docker部署jenkins&#xff0c;python使用压缩包安装 安装jenkins的步骤 &#xff11;、编排jenkins的docker-compose.yml文件 说明&#xff1a;这里遇到部署jenkins后&#xff0c;占用内存8G,所以重新…

智能时代的智能工具(gpt)国产化助手

目前gpt对代码以及其他领域都是可以支持&#xff0c;在国内有很多&#xff0c;常用的百度的 文心一言 &#xff0c;阿里的 通义千问 &#xff0c;还有&#xff08;“豆包”&#xff0c;“”讯飞星火“”&#xff09;等&#xff0c;除了写代码可以外&#xff0c;也可以很好的支持…

设计模式—结构型模式之享元模式

设计模式—结构型模式之享元模式 享元模式(Flyweight Pattern)&#xff0c;运用共享技术有效地支持大量细粒度对象的复用。系统只使用少量的对象&#xff0c;而这些对象都很相似&#xff0c;状态变化很小&#xff0c;可以实现对象的多次复用。对象结构型。 在享元模式中可以共…

OpenCV中的形态学8

文章目录 形态学概述图像全局二值化阈值类型自适应阈值二值化OpenCV腐蚀获取形态学卷积核OpenCV膨胀开运算闭运算形态学梯度顶帽运算黑帽操作小结 形态学概述 开运算&#xff1a;先做腐蚀后做膨胀&#xff08;腐蚀可以理解为缩小&#xff09; 闭运算&#xff1a;先膨胀后腐蚀 …