09-16 错题记录

2026-09-16：已全部学完高等数学第 5 章多元函数微分学 5.5 偏导数和全微分 全部内容（5.5.1 ~ 5.5.7 顺利结课），并进一步推进 5.6 无条件极值和条件极（最）值！今日精练归档五道考研高频重难点典例：

例 5.44（武忠祥高数讲义 · 双重隐式嵌套与“套娃只套一次” / 微分形式不变性降维打击）：复合隐函数嵌套求导层级辨析、链式法则与全微分形式不变性双解对照、深刻剖析“为何方法二看似未用 $t=t(x, y)$ 却能直达答案”的代数与几何自由度本质；
例 5.45（武忠祥高数讲义 · 极坐标系求导化直角坐标禁忌 / 偏导为0推出单变量函数）：偏导恒为 0 判定单变量函数性质、剖析“误视 $\theta$ 为常数直接用 $r=\frac{x}{\cos\theta}$ 求导”的致命错误、极坐标转直角坐标保留 $r$ 简化运算技巧、拉普拉斯算子轮换对称性与可降阶微分方程积分；
例 5.46（25 超越模拟卷 · 偏导为 0 引出单变量函数与条件极值 / 偏微分方程任意常数函数本质）：“证单变量函数 $\iff$ 对另一变量求偏导为 0”的核心命题套路、偏微分方程积分任意常数本质 $C(y)$ 、拉格朗日乘数法建立方程组与分类讨论消元求条件最值；
例 5.53（23 张八 · 03 年数一真题改编 · 极限表达式脱帽法 / 极坐标局部展开与阶数主导分析）：极限表达式结合二元极值判定定义、脱帽法无穷小渐近展开、极坐标换元化二元齐次为一维阶数博弈、阶数主导性（ $k+1<4$ 变号、 $k+1=4$ 同阶三角不等式严格保正、 $k+1>4$ 极小值）全景分类讨论；
例 5.56（2006 数一二三真题 · 抽象函数拉格朗日极值逻辑推演 / 非零项作分母消参法与隐函数消元双重视角）：抽象函数条件极值必要条件方程推导、敏锐捕捉非零条件 $\varphi'_y \neq 0$ 作分母消参本质、隐函数存在定理 $y=y(x)$ 转化一元函数极值必要条件证明、几何梯度共线叉乘秒杀。

例 5.44（武忠祥高数讲义 · 双重隐式嵌套与“套娃只套一次” / 隐函数全微分形式不变性）

复合隐式嵌套结构清晰化与“套娃只套一次”黄金法则：
- 变量依赖结构为： $y = f(x, t)$ ，其中 $t = t(x, y)$ ，而内层的 $y$ 本身又受系统约束依赖于 $x$ （ $y = y(x)$ ）。
- 采用**方法一（链式法则）**时，很多同学在展开 $\frac{\mathrm{d}t}{\mathrm{d}x} = \frac{\partial t}{\partial x} + \frac{\partial t}{\partial y}\frac{\mathrm{d}y}{\mathrm{d}x}$ 后，看到式子中又有待求的 $\frac{\mathrm{d}y}{\mathrm{d}x}$ ，误以为陷入了死循环嵌套。
- 破解之道：套娃只套一次！ 保留待求目标 $\frac{\mathrm{d}y}{\mathrm{d}x}$ 作为代数未知元，由隐方程 $F(x, y, t) = 0$ 确定出偏导数 $\frac{\partial t}{\partial x}, \frac{\partial t}{\partial y}$ 代入，整理为关于 $\frac{\mathrm{d}y}{\mathrm{d}x}$ 的一元一次线性方程解出即可。
深度困惑破解：方法二（微分形式不变性）到底在哪一步用到了 $t = t(x, y)$ ？：
- 直觉疑问：方法二对 $F(x, y, t) = 0$ 两边直接微分得到 $F'_x\mathrm{d}x + F'_y\mathrm{d}y + F'_t\mathrm{d}t = 0$ ，并消去 $\mathrm{d}t$ ，似乎把 $x, y, t$ 完全对称对待，根本没用到“ $t = t(x, y)$ ”这个条件，为什么结果与方法一完全一致？
- 本质揭秘（一）：两边除以 $F'_t$ 就是隐函数全微分定义
  若 $F(x, y, t) = 0$ 确定 $t = t(x, y)$ ，按全微分定义 $\mathrm{d}t = \frac{\partial t}{\partial x}\mathrm{d}x + \frac{\partial t}{\partial y}\mathrm{d}y$ 。结合隐函数求导公式 $\frac{\partial t}{\partial x} = -\frac{F'_x}{F'_t}, \frac{\partial t}{\partial y} = -\frac{F'_y}{F'_t}$ ，可得 $\mathrm{d}t = -\frac{1}{F'_t}(F'_x\mathrm{d}x + F'_y\mathrm{d}y)$ 。
  而方法二直接由微分方程移项除以 $F'_t$ 解出的 $\mathrm{d}t$ ，在数学上完完全全就是 $t(x, y)$ 的全微分！除以 $F'_t$ 所需的非零条件，正是隐函数存在定理保证 $t=t(x,y)$ 存在的条件。
- 本质揭秘（二）：自由度与微分法降维打击
  系统由 3 个变量 $(x, y, t)$ 和 2 个方程（ $y=f(x,t)$ 与 $F(x,y,t)=0$ ）构成，自由度为 $3-2=1$ ，本质上只有 1 个独立自变量 $x$ 。微分形式不变性直接将流形切空间线性化为关于微元 $\mathrm{d}x, \mathrm{d}y, \mathrm{d}t$ 的线性方程组，无需区分自变量、中间变量或因变量的主从关系，代数消元消去 $\mathrm{d}t$ 即可直接得到 $\frac{\mathrm{d}y}{\mathrm{d}x}$ ，计算极其优美高效。
记号歧义规避：
- 严格写法中， $f$ 的外层求导应写作槽位偏导 $f'_1, f'_2$ ；若按考研常规约定写作 $f'_x, f'_t$ ，务必前后一致，不可与具体自变量导数混淆。

方法一：链式求导法则（套娃只套一次）

第一步：两端对自变量 $x$ 求全导数
对 $y = f(x, t(x, y))$ 两端对 $x$ 求导：

\frac{\mathrm{d}y}{\mathrm{d}x} = \frac{\partial f}{\partial x} + \frac{\partial f}{\partial t}\left( \frac{\partial t}{\partial x} + \frac{\partial t}{\partial y}\frac{\mathrm{d}y}{\mathrm{d}x} \right)

（其中 $\frac{\partial f}{\partial x}, \frac{\partial f}{\partial t}$ 已知； $\frac{\mathrm{d}y}{\mathrm{d}x}$ 为待求目标； $\frac{\partial t}{\partial x}, \frac{\partial t}{\partial y}$ 由隐方程确定）

第二步：由隐函数求导公式计算 $\dfrac{\partial t}{\partial x}$ 与 $\dfrac{\partial t}{\partial y}$
方程 $F(x, y, t) = 0$ 确定了 $t = t(x, y)$ ，当 $F'_t \ne 0$ 时：

\frac{\partial t}{\partial x} = -\frac{\frac{\partial F}{\partial x}}{\frac{\partial F}{\partial t}}, \qquad \frac{\partial t}{\partial y} = -\frac{\frac{\partial F}{\partial y}}{\frac{\partial F}{\partial t}}

第三步：代入并移项解出一元一次方程
将上述偏导数代入求导关系式：

\frac{\mathrm{d}y}{\mathrm{d}x} = \frac{\partial f}{\partial x} - \frac{\partial f}{\partial t}\left( \frac{\frac{\partial F}{\partial x}}{\frac{\partial F}{\partial t}} + \frac{\frac{\partial F}{\partial y}}{\frac{\partial F}{\partial t}}\frac{\mathrm{d}y}{\mathrm{d}x} \right)

移项合并含有 $\frac{\mathrm{d}y}{\mathrm{d}x}$ 的同类项：

\left( 1 + \frac{\frac{\partial F}{\partial y}\frac{\partial f}{\partial t}}{\frac{\partial F}{\partial t}} \right)\frac{\mathrm{d}y}{\mathrm{d}x} = \frac{\partial f}{\partial x} - \frac{\frac{\partial F}{\partial x}\frac{\partial f}{\partial t}}{\frac{\partial F}{\partial t}}

两端同乘以 $\frac{\partial F}{\partial t}$ ：

\left( \frac{\partial F}{\partial t} + \frac{\partial F}{\partial y}\frac{\partial f}{\partial t} \right)\frac{\mathrm{d}y}{\mathrm{d}x} = \frac{\partial F}{\partial t}\frac{\partial f}{\partial x} - \frac{\partial F}{\partial x}\frac{\partial f}{\partial t}

解得：

\frac{\mathrm{d}y}{\mathrm{d}x} = \frac{\frac{\partial F}{\partial t}\frac{\partial f}{\partial x} - \frac{\partial F}{\partial x}\frac{\partial f}{\partial t}}{\frac{\partial F}{\partial t} + \frac{\partial F}{\partial y}\frac{\partial f}{\partial t}}

方法二：一阶微分形式不变性（考场降维秒杀推荐）

第一步：对两组关系式分别取全微分
对 $y = f(x, t)$ 取全微分：

\mathrm{d}y = \frac{\partial f}{\partial x}\mathrm{d}x + \frac{\partial f}{\partial t}\mathrm{d}t \quad (1)

对隐方程 $F(x, y, t) = 0$ 取全微分：

\frac{\partial F}{\partial x}\mathrm{d}x + \frac{\partial F}{\partial y}\mathrm{d}y + \frac{\partial F}{\partial t}\mathrm{d}t = 0

解出微元 $\mathrm{d}t$ ：

\mathrm{d}t = -\frac{1}{\frac{\partial F}{\partial t}}\left( \frac{\partial F}{\partial x}\mathrm{d}x + \frac{\partial F}{\partial y}\mathrm{d}y \right) \quad (2)

第二步：代入消元，整理微元比例关系
将 (2) 代入 (1) 式：

\mathrm{d}y = \frac{\partial f}{\partial x}\mathrm{d}x - \frac{\frac{\partial f}{\partial t}}{\frac{\partial F}{\partial t}}\left( \frac{\partial F}{\partial x}\mathrm{d}x + \frac{\partial F}{\partial y}\mathrm{d}y \right)

两边同乘以 $\frac{\partial F}{\partial t}$ ，移项整理：

\left( \frac{\partial F}{\partial t} + \frac{\partial F}{\partial y}\frac{\partial f}{\partial t} \right)\mathrm{d}y = \left( \frac{\partial F}{\partial t}\frac{\partial f}{\partial x} - \frac{\partial F}{\partial x}\frac{\partial f}{\partial t} \right)\mathrm{d}x

两边同除以 $\mathrm{d}x$ ，立即解出：

\boxed{\frac{\mathrm{d}y}{\mathrm{d}x} = \frac{\frac{\partial F}{\partial t}\frac{\partial f}{\partial x} - \frac{\partial F}{\partial x}\frac{\partial f}{\partial t}}{\frac{\partial F}{\partial t} + \frac{\partial F}{\partial y}\frac{\partial f}{\partial t}}}

[!tip] 严格槽位符号表示若按严密数学规范避免歧义，结果写作：
$\frac{\mathrm{d}y}{\mathrm{d}x} = \frac{F'_t f'_1 - F'_x f'_2}{F'_t + F'_y f'_2}$

例 5.45（武忠祥高数讲义 · 极坐标系求导化直角坐标禁忌 / 偏导为0推出单变量函数）

常见致命错误做法剖析（极坐标误区）：
- 有同学看到 $\frac{\partial u}{\partial \theta} \equiv 0$ ，得出 $u = \varphi(r)$ 。接着由极坐标转换公式 $x = r\cos\theta \implies r = \frac{x}{\cos\theta}$ ，便想当然写出： $\frac{\partial u}{\partial x} = \varphi'(r)\frac{\partial r}{\partial x} = \frac{\varphi'(r)}{\cos\theta} \qquad (\text{❌ 大错特错！})$
- 错因根源：在直角坐标系向极坐标转换时， $\theta$ 根本不是常数！它自身也是关于 $x$ 和 $y$ 的函数（ $\theta = \arctan\frac{y}{x}$ ）。若视 $\theta$ 为常数求导，必然丢掉大量复合求导项，导致后续计算彻底崩溃。
讲义核心铁律（极坐标转直角坐标求导准则）：
- 铁律一：在极坐标系下计算 $r$ 对直角坐标 $x, y$ 的导数时，必须先转化成直角坐标 $r = \sqrt{x^2+y^2}$ ，然后再求导： $\frac{\partial r}{\partial x} = \frac{x}{\sqrt{x^2+y^2}} = \frac{x}{r}, \qquad \frac{\partial r}{\partial y} = \frac{y}{\sqrt{x^2+y^2}} = \frac{y}{r}$
- 铁律二：求导化简过程中，能写成 $r$ 的一律写成 $r$ ！切忌把 $r$ 机械写回 $\sqrt{x^2+y^2}$ ，保留紧凑记号能极大降低二阶求导的计算量与出错概率。
充分利用直角坐标轮换对称性：
- 求出 $\frac{\partial^2 u}{\partial x^2}$ 之后，无需重复冗长计算，利用 $x \leftrightarrow y$ 的轮换对称性，直接将 $x$ 替换为 $y$ 即可写出 $\frac{\partial^2 u}{\partial y^2}$ ；
- 两式相加利用 $x^2 + y^2 = r^2$ 瞬间约简系数。
微分方程降阶积分细节：
- 得到 $r\varphi''(r) + \varphi'(r) = 0$ 后，应敏锐识别出导数乘积构造： $[r\varphi'(r)]' = 0$ ；
- 积分两次解得通解时，必须引入两个独立的任意常数 $C_1, C_2$ ： $\varphi(r) = C_1\ln r + C_2$ 。

第一步：分析条件确定函数结构
由 $\dfrac{\partial u}{\partial \theta} \equiv 0$ 可知，在考研所讨论的连通区域内， $u$ 仅为 $r$ 的单变量函数，记为：

u = \varphi(r)

其中直角坐标与极坐标的关系为 $r = \sqrt{x^2 + y^2}$ 。

第二步：计算一阶偏导数
先求内层函数 $r$ 对 $x$ 的偏导数：

\frac{\partial r}{\partial x} = \frac{2x}{2\sqrt{x^2 + y^2}} = \frac{x}{r}

从而：

\frac{\partial u}{\partial x} = \varphi'(r)\frac{\partial r}{\partial x} = \varphi'(r)\frac{x}{r}

第三步：计算二阶偏导数并利用对称性
对 $x$ 再次求导（应用乘积法则与商求导法则）：

\begin{aligned} \frac{\partial^2 u}{\partial x^2} &= \frac{\partial}{\partial x}\left[\varphi'(r)\right]\cdot\frac{x}{r} + \varphi'(r)\cdot\frac{\partial}{\partial x}\left(\frac{x}{r}\right) \\ &= \left[\varphi''(r)\frac{\partial r}{\partial x}\right]\frac{x}{r} + \varphi'(r)\cdot\frac{1\cdot r - x\frac{\partial r}{\partial x}}{r^2} \\ &= \varphi''(r)\left(\frac{x}{r}\right)\left(\frac{x}{r}\right) + \varphi'(r)\cdot\frac{r - x\left(\frac{x}{r}\right)}{r^2} \\ &= \varphi''(r)\frac{x^2}{r^2} + \varphi'(r)\left(\frac{1}{r} - \frac{x^2}{r^3}\right) \end{aligned}

由自变量 $x$ 与 $y$ 的地位完全对称，直接写出对 $y$ 的二阶偏导数：

\frac{\partial^2 u}{\partial y^2} = \varphi''(r)\frac{y^2}{r^2} + \varphi'(r)\left(\frac{1}{r} - \frac{y^2}{r^3}\right)

第四步：代入拉普拉斯方程化简
将两式相加：

\begin{aligned} \frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2} &= \varphi''(r)\frac{x^2 + y^2}{r^2} + \varphi'(r)\left( \frac{2}{r} - \frac{x^2 + y^2}{r^3} \right) \\ &= \varphi''(r)\frac{r^2}{r^2} + \varphi'(r)\left( \frac{2}{r} - \frac{r^2}{r^3} \right) \\ &= \varphi''(r) + \varphi'(r)\left(\frac{2}{r} - \frac{1}{r}\right) \\ &= \varphi''(r) + \frac{1}{r}\varphi'(r) = 0 \end{aligned}

第五步：求解微分方程确定函数表达式
方程两端同乘以 $r$ ：

r\varphi''(r) + \varphi'(r) = 0 \implies \frac{\mathrm{d}}{\mathrm{d}r}\left[r\varphi'(r)\right] = 0

两边关于 $r$ 积分：

r\varphi'(r) = C_1 \implies \varphi'(r) = \frac{C_1}{r}

再次关于 $r$ 积分：

\varphi(r) = C_1 \ln r + C_2

故所求函数为：

\boxed{u(r, \theta) = C_1 \ln r + C_2}

（其中 $C_1, C_2$ 为任意常数）

例 5.46（25 超越模拟卷 · 偏导为 0 引出单变量函数与条件极值 / 偏微分方程任意常数函数本质）

核心命题逻辑：“欲证某式为 $\varphi(x)$ $\iff$ 证明其对另一个变量 $y$ 的偏导数恒为 0”：
- 考研常见题型中，欲证抽象表达式与某变量无关（即仅为单变量函数 $\varphi(x)$ ），常规思路容易盲目积分。
- 秒杀意识：移项构造商式 $\dfrac{\frac{\partial f}{\partial x}}{f} = \varphi(x)$ ，只需证明 $\dfrac{\partial}{\partial y}\left( \dfrac{\frac{\partial f}{\partial x}}{f} \right) \equiv 0$ ！
- 利用商求导法则展开，分子正好是 $f \frac{\partial^2 f}{\partial x \partial y} - \frac{\partial f}{\partial x} \frac{\partial f}{\partial y} = 0$ ，一步得证。
偏微分方程积分常数本质是“关于未积分变量的函数 $C(y)$ ”而非纯常数 $C$ ：
- 由 $\dfrac{\partial f}{\partial x} = \dfrac{f}{x}$ 分离变量积分时，这是对自变量 $x$ 的偏导数。
- 积分后必定为 $\ln|f| = \ln|x| + \ln|C(y)| \implies f(x, y) = x \cdot C(y)$ 。
- 若粗心误写为常数 $C$ ，代入初值 $f(1, y) = y^3$ 时就会陷入矛盾无法求解。
拉格朗日乘数法方程组求解与边界点/分类讨论：
- 目标函数 $z = xy^3$ ，约束 $x^2 + y^2 = 1$ 。
- 建立拉格朗日函数 $L(x, y, \lambda) = xy^3 + \lambda(x^2 + y^2 - 1)$ ： $\begin{cases} L'_x = y^3 + 2\lambda x = 0 \\ L'_y = 3xy^2 + 2\lambda y = 0 \\ x^2 + y^2 = 1 \end{cases}$
- 分类讨论防漏解：
  - 若 $y = 0$ ，由约束条件知 $x = \pm 1$ ，此时驻点为 $(\pm 1, 0)$ ， $z = 0$ ；
  - 若 $y \ne 0$ ，由第二式消去 $2\lambda = -3xy$ ，代入第一式得 $y^3 - 3x^2 y = 0 \implies y(y^2 - 3x^2) = 0 \implies y^2 = 3x^2$ ；
  - 代入约束条件 $4x^2 = 1 \implies x = \pm \frac{1}{2}, y = \pm \frac{\sqrt{3}}{2}$ ，得到 4 个驻点；
- 计算各驻点的目标函数值，比较得出最大值 $\frac{3\sqrt{3}}{16}$ 与最小值 $-\frac{3\sqrt{3}}{16}$ 。

(I) 证明过程：
令 $u = \frac{\partial f}{\partial x}$ ，则已知条件可写为：

f \cdot \frac{\partial u}{\partial y} = u \cdot \frac{\partial f}{\partial y}

考察商式 $\dfrac{u}{f} = \dfrac{\frac{\partial f}{\partial x}}{f}$ 对 $y$ 的偏导数：

\frac{\partial}{\partial y}\left(\frac{u}{f}\right) = \frac{f \frac{\partial u}{\partial y} - u \frac{\partial f}{\partial y}}{f^2} = \frac{0}{f^2} = 0

由考研高等数学核心结论：若函数对某变量 $y$ 的偏导数恒为 0，则该函数仅为另一个自变量 $x$ 的函数。
故 $\dfrac{u}{f} = \varphi(x)$ ，即：

\frac{\partial f}{\partial x} = f \cdot \varphi(x)

原命题得证。

(II) 条件极值求解：
第一步：求解偏微分方程确定 $f(x, y)$
将 $\varphi(x) = \frac{1}{x}$ 代入 (I) 结论：

\frac{\partial f}{\partial x} = \frac{f}{x}

视 $y$ 为常数，分离变量积分：

\frac{\mathrm{d}f}{f} = \frac{\mathrm{d}x}{x} \implies \ln|f| = \ln|x| + \ln|C(y)| \implies f(x, y) = x \cdot C(y)

由已知初值条件 $f(1, y) = y^3$ ：

f(1, y) = 1 \cdot C(y) = y^3 \implies C(y) = y^3

故目标函数为：

z = f(x, y) = x y^3

第二步：构造拉格朗日函数并列方程组
约束条件为 $x^2 + y^2 = 1$ 。构造辅助函数：

L(x, y, \lambda) = x y^3 + \lambda(x^2 + y^2 - 1)

求偏导并令其为 0：

\begin{cases} L'_x = y^3 + 2\lambda x = 0 \quad &(1) \\ L'_y = 3x y^2 + 2\lambda y = 0 \quad &(2) \\ L'_\lambda = x^2 + y^2 - 1 = 0 \quad &(3) \end{cases}

第三步：解方程组求出候选极值点

若 $y = 0$ ，由 (3) 得 $x = \pm 1$ ，此时驻点为 $(\pm 1, 0)$ ，函数值 $z = 0$ ；
若 $y \ne 0$ ，由 (2) 得 $2\lambda = -3xy$ 。代入 (1) 得： $y^3 + (-3xy)x = 0 \implies y^3 - 3x^2 y = 0 \implies y(y^2 - 3x^2) = 0 \implies y^2 = 3x^2$ 代入 (3) 式： $x^2 + 3x^2 = 1 \implies 4x^2 = 1 \implies x = \pm \frac{1}{2}$ 对应 $y^2 = \frac{3}{4} \implies y = \pm \frac{\sqrt{3}}{2}$ 。
由此得到 4 个驻点： $\left(\frac{1}{2}, \pm\frac{\sqrt{3}}{2}\right), \; \left(-\frac{1}{2}, \pm\frac{\sqrt{3}}{2}\right)$ 。

第四步：比较驻点函数值确定最值

\begin{aligned} z\left(\frac{1}{2}, \frac{\sqrt{3}}{2}\right) &= \frac{1}{2}\left(\frac{\sqrt{3}}{2}\right)^3 = \frac{3\sqrt{3}}{16} \\ z\left(\frac{1}{2}, -\frac{\sqrt{3}}{2}\right) &= \frac{1}{2}\left(-\frac{\sqrt{3}}{2}\right)^3 = -\frac{3\sqrt{3}}{16} \\ z\left(-\frac{1}{2}, \frac{\sqrt{3}}{2}\right) &= -\frac{1}{2}\left(\frac{\sqrt{3}}{2}\right)^3 = -\frac{3\sqrt{3}}{16} \\ z\left(-\frac{1}{2}, -\frac{\sqrt{3}}{2}\right) &= -\frac{1}{2}\left(-\frac{\sqrt{3}}{2}\right)^3 = \frac{3\sqrt{3}}{16} \end{aligned}

综合比较，目标函数在约束条件下的最大值与最小值分别为：

\boxed{z_{\max} = \frac{3\sqrt{3}}{16}, \qquad z_{\min} = -\frac{3\sqrt{3}}{16}}

例 5.53（23 张八 · 03 年数一真题改编 · 极限表达式脱帽法 / 极坐标局部展开与阶数主导分析）

二元极限表达式与极值判定的破局本质——“脱帽法”（无穷小局部渐近展开）：
- 考研中出现类似 $\lim\limits_{(x, y)\to(x_0, y_0)} \dfrac{f(x, y) - P(x, y)}{g(x, y)} = A$ 的极限表达式时，切忌盲目套用二阶偏导判别法（ $AC - B^2$ ），因为题目仅给出了极限式，未说明二阶偏导数是否存在；
- 破局核心：利用极限“脱帽法”，直接将极限式还原为局部渐近增量展开： $f(x, y) = P(x, y) + A \cdot g(x, y) + o(g(x, y))$
- 本题中由极限存在且分母趋于 0，易知分子 $\lim\limits_{(x, y)\to(0, 0)} [f(x, y) - x^k y] = 0$ 。结合 $f(x, y)$ 在点 $(0, 0)$ 处连续，立得 $f(0, 0) = 0$ ；
- 因此，在点 $(0, 0)$ 的去心邻域内，函数差值增量为： $\Delta f = f(x, y) - f(0, 0) = x^k y + (x^2 + y^2)^2 + o((x^2 + y^2)^2)$
- 判定是否为极值点，本质就是判定 $\Delta f$ 在 $(0, 0)$ 的充分小去心邻域内是否保持恒定正负号（严格恒正为极小值点，严格恒负为极大值点，正负变号则非极值点）。
极坐标局部展开转化二元齐次结构（降维打击：阶数决定主导，角度决定正负）：
- 观察展开式，分母或主部具有显著的旋转圆对称形式 $(x^2 + y^2)^2$ 。此时极坐标换元 $x = r\cos\theta, y = r\sin\theta \ (r > 0)$ 是分析阶数与方向的最强工具： $f(r, \theta) = r^{k+1}\cos^k\theta\sin\theta + r^4 + o(r^4)$
- 这里径向距离 $r \to 0^+$ 控制着各项无穷小的阶数高低，而极角 $\theta \in [0, 2\pi)$ 控制着各项在不同方向上的正负符号。
- 阶数博弈铁律：当 $r \to 0^+$ 时，低阶无穷小具有绝对统治力（主导项）；只有当低阶项相互抵消或同阶时，才需考察更高阶项或同阶系数的符号。
全景三档分类讨论逻辑链（张八命题核心精髓）：
- 第一档：低阶项绝对主导（ $k+1 < 4$ ，即 $k = 1, 2$ ）：
  - 此时 $r^{k+1}$ 阶数低于 $r^4$ ，当 $r \to 0^+$ 充分小时，第一项的符号决定了整体函数的正负；
  - 若 $k = 1$ ，主导项为 $r^2 \cos\theta\sin\theta = \frac{1}{2}r^2 \sin 2\theta$ ，在不同象限（如第一象限 $\sin 2\theta > 0$ 与第二象限 $\sin 2\theta < 0$ ）正负交替变号；
  - 若 $k = 2$ ，主导项为 $r^3 \cos^2\theta\sin\theta$ ，由于 $\cos^2\theta \geqslant 0$ ，其符号完全由 $\sin\theta$ 决定，在上下半平面正负变号；
  - 结论：在原点任意充分小的去心邻域内， $\Delta f$ 均既可为正也可为负， $(0, 0)$ 绝非极值点（排除 A、B）。
- 第二档：同阶博弈与三角紧致放缩（ $k+1 = 4$ ，即 $k = 3$ ）：
  - 两项同为 4 阶，提取公因式 $r^4$ ： $f(r, \theta) = r^4(1 + \cos^3\theta\sin\theta) + o(r^4)$
  - 此时括号内的系数函数 $g(\theta) = 1 + \cos^3\theta\sin\theta$ 成为决定符号的关键；
  - 很多同学因无法确定 $1 + \cos^3\theta\sin\theta$ 是否会小于等于 0 而纠结。避坑关键在于三角紧致放缩：由于 $\cos^2\theta + \sin^2\theta = 1$ ， $\cos\theta$ 与 $\sin\theta$ 绝不可能同时取模为 1，故必有严格不等式 $|\cos^3\theta\sin\theta| \leqslant |\cos^3\theta||\sin\theta| < 1$ ；（精确极值分析： $|\cos^3\theta\sin\theta| \leqslant \frac{3\sqrt{3}}{16} \approx 0.325 < 1$ ）；因此括号内恒满足： $1 + \cos^3\theta\sin\theta \geqslant 1 - |\cos^3\theta\sin\theta| \geqslant 1 - \frac{3\sqrt{3}}{16} > 0$
  - 括号内部在方向圆周上具有正的下确界（即 $g(\theta) \geqslant c > 0$ ），加上高阶无穷小 $o(r^4)$ 后，在充分小邻域内仍然恒有 $f(r, \theta) > 0 = f(0, 0)$ ；
  - 结论：点 $(0, 0)$ 必为严格极小值点（锁定 C 正确！）。
- 第三档：高阶项退居次席（ $k+1 > 4$ ，即 $k \geqslant 4$ ）：
  - 此时 $r^{k+1}$ 成为高阶项，4 阶项 $r^4$ 反转成为最低阶主导项；
  - $f(r, \theta) = r^4 + o(r^4) > 0$ ，函数在去心邻域内同样恒大于 0，依然是极小值点而非极大值点（排除 D）。
真题血统与同源拓展：
- 本题改编自 2003 年数一真题（原题考查 $\lim\limits_{(x, y)\to(0, 0)} \dfrac{f(x, y) - xy}{x^2 + y^2} = 0$ 判定极值，对应 $k=1, \text{分母为 } 2 \text{ 阶}$ 的情况）；
- 张宇八套卷将分母提升至 4 阶并引入参数 $k$ ，综合考察了脱帽法局部展开、极坐标阶数分析、三角函数有界紧致性与多元极值定义的深层融合，是二元极值概念题的巅峰演练。

[!problem] 例 5.53 ｜ 23 张八 · 03 年数一真题改编已知 $f(x, y)$ 在点 $(0, 0)$ 的某邻域内连续，且 $\lim\limits_{(x, y)\to(0, 0)} \dfrac{f(x, y) - x^k y}{(x^2 + y^2)^2} = 1$ （易知 $f(0, 0) = 0$ ），则（ C ）
(A) $k = 1$ 时， $(0, 0)$ 是极小值点。
(B) $k = 2$ 时， $(0, 0)$ 是极大值点。
(C) $k = 3$ 时， $(0, 0)$ 是极小值点。
(D) $k = 4$ 时， $(0, 0)$ 是极大值点。

[!solution] 规范解析与演算步骤

正确选项： $\boxed{\mathbf{(C)} \quad k = 3 \text{ 时,\quad }(0, 0) \text{ 是极小值点}}$

详细推导与阶数分析

第一步：脱帽法进行局部渐近展开
因为当 $(x, y) \to (0, 0)$ 时分母 $(x^2 + y^2)^2 \to 0$ ，而极限值为非零常数 1，故分子必趋于 0：

\lim_{(x, y)\to(0, 0)} [f(x, y) - x^k y] = 0 \implies \lim_{(x, y)\to(0, 0)} f(x, y) = 0

又已知 $f(x, y)$ 在点 $(0, 0)$ 的某邻域内连续，因此：

f(0, 0) = \lim_{(x, y)\to(0, 0)} f(x, y) = 0

由极限定义，利用“脱帽法”（无穷小渐近展开）：

\frac{f(x, y) - x^k y}{(x^2 + y^2)^2} = 1 + \alpha(x, y) \quad (\text{其中 } \lim_{(x, y)\to(0, 0)} \alpha(x, y) = 0)

两边同乘以 $(x^2 + y^2)^2$ 移项，得到函数在原点附近的局部展开式：

f(x, y) = x^k y + (x^2 + y^2)^2 + o((x^2 + y^2)^2)

第二步：极坐标换元转化二元齐次结构
令极坐标代换：

x = r\cos\theta, \quad y = r\sin\theta \quad (r > 0, \; \theta \in [0, 2\pi))

则 $x^2 + y^2 = r^2$ ，展开式化为：

\begin{aligned} f(r, \theta) &= (r\cos\theta)^k (r\sin\theta) + (r^2)^2 + o(r^4) \\ &= r^{k+1}\cos^k\theta\sin\theta + r^4 + o(r^4) \end{aligned}

极值判定即考察在 $r \to 0^+$ 时，增量 $\Delta f = f(r, \theta) - f(0, 0) = f(r, \theta)$ 在去心邻域内的正负保号性。

第三步：分类讨论阶数 $k+1$ 与 4 的相对大小

当 $k+1 < 4$ （即 $k = 1, 2$ ）时：低阶项主导，邻域内变号
在 $r \to 0^+$ 充分小的邻域内，低阶无穷小项 $r^{k+1}$ 占支配地位：
- 当 $k = 1$ 时： $f(r, \theta) = r^2\cos\theta\sin\theta + o(r^2) = \frac{1}{2}r^2\sin 2\theta + o(r^2)$ 。
  沿射线 $\theta = \frac{\pi}{4}$ （第一象限角平分线）： $\sin 2\theta = 1 > 0$ ，故 $f > 0 = f(0, 0)$ ；
  沿射线 $\theta = \frac{3\pi}{4}$ （第二象限角平分线）： $\sin 2\theta = -1 < 0$ ，故 $f < 0 = f(0, 0)$ 。
  因此，在原点的任意去心邻域内，函数值既有大于 0 又有小于 0， $(0, 0)$ 不是极值点。选项 A 错误。
- 当 $k = 2$ 时： $f(r, \theta) = r^3\cos^2\theta\sin\theta + o(r^3)$ 。
  沿射线 $\theta = \frac{\pi}{4}$ ： $\cos^2\theta\sin\theta = \frac{\sqrt{2}}{4} > 0 \implies f > 0$ ；
  沿射线 $\theta = -\frac{\pi}{4}$ ： $\cos^2\theta\sin\theta = -\frac{\sqrt{2}}{4} < 0 \implies f < 0$ 。
  同样在去心邻域内变号， $(0, 0)$ 不是极值点。选项 B 错误。
当 $k+1 = 4$ （即 $k = 3$ ）时：同阶博弈，三角严格放缩保正
两项同为 4 阶，提取公因式 $r^4$ ：
$f(r, \theta) = r^4\left( 1 + \cos^3\theta\sin\theta \right) + o(r^4)$
考查角函数项 $1 + \cos^3\theta\sin\theta$ ：
由基本三角不等式，由于 $\cos^2\theta + \sin^2\theta = 1$ ， $\cos\theta$ 与 $\sin\theta$ 不能同时取绝对值为 1。
严格利用均值不等式（AM-GM）：
$(\cos^2\theta)^3 \cdot (3\sin^2\theta) \leqslant \left( \frac{\cos^2\theta + \cos^2\theta + \cos^2\theta + 3\sin^2\theta}{4} \right)^4 = \left(\frac{3}{4}\right)^4 = \frac{81}{256}$
从而：
$\cos^6\theta\sin^2\theta \leqslant \frac{27}{256} \implies |\cos^3\theta\sin\theta| \leqslant \frac{3\sqrt{3}}{16} \approx 0.3248 < 1$
因此对于任意 $\theta \in [0, 2\pi)$ ，恒有：
$1 + \cos^3\theta\sin\theta \geqslant 1 - |\cos^3\theta\sin\theta| \geqslant 1 - \frac{3\sqrt{3}}{16} > 0.675 > 0$
记常数 $m = 1 - \frac{3\sqrt{3}}{16} > 0$ 。由高阶无穷小的定义，存在充分小的 $\delta > 0$ ，当 $0 < r < \delta$ 时恒有 $|o(r^4)| < \frac{m}{2}r^4$ 。
因此在去心邻域 $0 < r < \delta$ 内恒有：
$f(r, \theta) \geqslant m r^4 - \frac{m}{2}r^4 = \frac{m}{2}r^4 > 0 = f(0, 0)$
严格满足二元函数极小值定义，故 $(0, 0)$ 必为极小值点。选项 C 正确。
当 $k+1 > 4$ （即 $k \geqslant 4$ ）时：4 阶项主导，仍为极小值
此时 $r^{k+1}$ 成为高阶项，主导项为 $r^4$ ：
$f(r, \theta) = r^4 + r^{k+1}\cos^k\theta\sin\theta + o(r^4) = r^4(1 + r^{k-3}\cos^k\theta\sin\theta) + o(r^4)$
当 $r \to 0^+$ 时， $r^{k-3}\cos^k\theta\sin\theta \to 0$ 。
因此在充分小邻域内，括号内同样恒大于 0，即 $f(r, \theta) > 0 = f(0, 0)$ 。
$(0, 0)$ 为极小值点，而不是极大值点。选项 D 错误。

综上所述，唯有 (C) 结论正确。

例 5.56（2006 数一二三真题 · 抽象函数拉格朗日极值逻辑推演 / 非零项作分母消参法与隐函数消元双重视角）

痛点共鸣与审题直觉：“看到非零分母作提示才会做”背后的数学本质：
- 面对纯抽象函数 $f(x, y)$ 与约束 $\varphi(x, y) = 0$ 的条件极值，很多同学常常产生“认知断层”——没有具体代数式可求导求值，不知道该往哪一步推导；
- 看到题解中将 $\varphi'_y$ 移到分母得到 $\lambda = -\dfrac{f'_y}{\varphi'_y}$ 才能顿悟。这种“后验依赖”说明审题时缺乏对“非零不等式条件”的敏感嗅觉！
- 考研审题第一铁律：考研真题中的每一个显式不等式条件（如 $\varphi'_y \ne 0$ $φ_{y}^{'} \neq = 0$ ）绝非可有可无的背景装饰，它在解题中承担着关键的核心职能：
  - ① 代数层面：它是官方赋予的“除法通行证”，明确指引你把该非零项移到分母以安全消去未知乘子 $\lambda$ ；
  - ② 理论层面：它正是保证隐函数存在定理成立的核心判据（充要保证局部隐函数 $y = y(x)$ 存在且可导）。
方法一（代数消参视角 · 走一步看一步）：
- 构造拉格朗日函数 $L(x, y, \lambda) = f(x, y) + \lambda\varphi(x, y)$ ，极值必要条件为： $\begin{cases} f'_x(x_0, y_0) + \lambda\varphi'_x(x_0, y_0) = 0 & (1) \\ f'_y(x_0, y_0) + \lambda\varphi'_y(x_0, y_0) = 0 & (2) \end{cases}$
- 未知参数 $\lambda$ 纯属“桥梁工具”，核心目标是推导 $f'_x$ 与 $f'_y$ 的直接逻辑关系，必须消去 $\lambda$ ！
- 观察 (1)、(2) 式，由于已知 $\varphi'_y \ne 0$ ，由 (2) 式两端同除以 $\varphi'_y$ ，立得 $\lambda = -\dfrac{f'_y}{\varphi'_y}$ ；
- 代回 (1) 式整理得： $f'_x = \frac{f'_y \cdot \varphi'_x}{\varphi'_y} \qquad (*)$
- 选项命题严密推演：
  - 若 $f'_x \ne 0$ ，则等式 $(*)$ 左端非零，右端分子必非零，因此必定有 $f'_y \ne 0$ （且同时 $\varphi'_x \ne 0$ ）！D 选项严格必然成立；
  - 若 $f'_x = 0$ ，由 $(*)$ 式只能得出 $f'_y \cdot \varphi'_x = 0$ 。这既可能是 $f'_y = 0$ ，也可能是 $\varphi'_x = 0$ 而 $f'_y \ne 0$ 。故 A、B 均无法必然推出。
反例构造破解选项 A、B（加深命题伪命题理解）：
- 取简单目标函数 $f(x, y) = y$ ，约束条件 $\varphi(x, y) = y - x^2 = 0$ ；
- 在约束抛物线 $y = x^2$ 上，目标函数化为 $f(x, x^2) = x^2$ 。显然在原点 $(0, 0)$ 处取得条件极小值；
- 检验偏导数： $\varphi'_y(0, 0) = 1 \ne 0$ （满足题设）， $\varphi'_x(0, 0) = 0$ ；
- 此时目标函数偏导数： $f'_x(0, 0) = 0$ ，但 $f'_y(0, 0) = 1 \ne 0$ ！
- 这强力证明了：当 $f'_x = 0$ 时， $f'_y$ 完全可以非零（A 错）；当然，若取 $f(x, y) = x^2 + y^2$ ，原点处 $f'_x = 0, f'_y = 0$ ，则 $f'_y$ 也可以为 0（B 错）。
方法二（隐函数消元法 · 摆脱“分母提示”的更高理论视点）：
- 为什么题目偏偏给出 $\varphi'_y(x_0, y_0) \ne 0$ ？因为这是隐函数存在定理的条件！
- 由隐函数存在定理，方程 $\varphi(x, y) = 0$ 在 $(x_0, y_0)$ 局部唯一确定了可导隐函数 $y = y(x)$ ，且 $\dfrac{\mathrm{d}y}{\mathrm{d}x} = -\dfrac{\varphi'_x}{\varphi'_y}$ ；
- 代入目标函数，多元条件极值转化为一元复合函数无条件极值： $F(x) = f(x, y(x))$ ；
- 若 $(x_0, y_0)$ 为极值点，则 $x_0$ 必为一元函数 $F(x)$ 的极值点，由费马引理 $F'(x_0) = 0$ ： $F'(x_0) = f'_x + f'_y \frac{\mathrm{d}y}{\mathrm{d}x}\Big|_{x_0} = f'_x - f'_y \frac{\varphi'_x}{\varphi'_y} = 0 \implies f'_x = f'_y \frac{\varphi'_x}{\varphi'_y}$
- 此时分母 $\varphi'_y$ 是隐函数求导公式中自然涌现的，根本无需任何外在“做分母”的技巧提示！
方法三（几何法 · 梯度共线与叉乘判定）：
- 条件极值几何本质：目标函数等高线 $f(x, y) = C$ 与约束曲线 $\varphi(x, y) = 0$ 在极值点处相切；
- 相切等价于法向量（梯度）共线： $\nabla f \parallel \nabla \varphi \implies (f'_x, f'_y) \parallel (\varphi'_x, \varphi'_y)$ ；
- 二维向量共线充要条件：交叉积（行列式）为 0： $f'_x \varphi'_y - f'_y \varphi'_x = 0 \iff f'_x \varphi'_y = f'_y \varphi'_x$
- 若 $f'_x \ne 0$ ，结合题设 $\varphi'_y \ne 0$ ，左端 $f'_x \varphi'_y \ne 0$ ，则右端乘积必非零，立即推出 $f'_y \ne 0$ ！无需任何除法分母，几何视角秒杀。

设 $f(x, y)$ 与 $\varphi(x, y)$ 均为可微函数，且 $\varphi'_y(x, y) \neq 0$ 。已知 $(x_0, y_0)$ 是 $f(x, y)$ 在约束条件 $\varphi(x, y) = 0$ 下的一个极值点，下列选项正确的是（ D ）
(A) 若 $f'_x(x_0, y_0) = 0$ ，则 $f'_y(x_0, y_0) = 0$ 。
(B) 若 $f'_x(x_0, y_0) = 0$ ，则 $f'_y(x_0, y_0) \neq 0$ 。
(C) 若 $f'_x(x_0, y_0) \neq 0$ ，则 $f'_y(x_0, y_0) = 0$ 。
(D) 若 $f'_x(x_0, y_0) \neq 0$ ，则 $f'_y(x_0, y_0) \neq 0$ 。

正确选项： $\boxed{\mathbf{(D)} \quad \text{若 } f'_x(x_0, y_0) \neq 0 \text{,\quad 则 } f'_y(x_0, y_0) \neq 0}$

方法一：拉格朗日乘数法（代数消参推导）

第一步：列出极值必要条件的驻点方程组
构造拉格朗日辅助函数：

L(x, y, \lambda) = f(x, y) + \lambda\varphi(x, y)

因为 $(x_0, y_0)$ 为 $f(x, y)$ 在约束 $\varphi(x, y) = 0$ 下的极值点，且 $f, \varphi$ 均可微，由拉格朗日乘数法，存在常数 $\lambda$ 使得：

\begin{cases} L'_x = f'_x(x_0, y_0) + \lambda\varphi'_x(x_0, y_0) = 0 & (1) \\ L'_y = f'_y(x_0, y_0) + \lambda\varphi'_y(x_0, y_0) = 0 & (2) \end{cases}

第二步：利用非零条件 $\varphi'_y \neq 0$ 解出乘子 $\lambda$
由题设已知 $\varphi'_y(x_0, y_0) \neq 0$ ，方程 (2) 两边可安全同除以 $\varphi'_y(x_0, y_0)$ ，解得：

\lambda = -\frac{f'_y(x_0, y_0)}{\varphi'_y(x_0, y_0)}

第三步：消去参数建立直接关系式
将 $\lambda$ 代入方程 (1) 中：

f'_x(x_0, y_0) - \frac{f'_y(x_0, y_0)}{\varphi'_y(x_0, y_0)}\varphi'_x(x_0, y_0) = 0 \implies f'_x(x_0, y_0) = \frac{f'_y(x_0, y_0)\cdot \varphi'_x(x_0, y_0)}{\varphi'_y(x_0, y_0)} \quad (*)

第四步：逻辑推演各选项

判断选项 D：
若 $f'_x(x_0, y_0) \neq 0$ ，则式 $(*)$ 左端不为 0，从而右端分子绝不能为 0，即必须同时有： $f'_y(x_0, y_0) \neq 0 \quad \text{且} \quad \varphi'_x(x_0, y_0) \neq 0$ 故“若 $f'_x(x_0, y_0) \neq 0$ ，则 $f'_y(x_0, y_0) \neq 0$ ”严格成立，选项 D 正确。
判断选项 C：
若 $f'_x(x_0, y_0) \neq 0$ ，已证必有 $f'_y(x_0, y_0) \neq 0$ ，与 $f'_y = 0$ 矛盾，选项 C 错误。
判断选项 A、B：
若 $f'_x(x_0, y_0) = 0$ ，由 $(*)$ 式可得 $f'_y(x_0, y_0)\cdot \varphi'_x(x_0, y_0) = 0$ 。
这既可能是 $f'_y = 0$ ，也可能是 $\varphi'_x = 0$ 而 $f'_y \neq 0$ 。
例如令 $f(x, y) = y, \varphi(x, y) = y - x^2 = 0$ ，在 $(0, 0)$ 处显然取得条件极小值，此时 $f'_x(0, 0) = 0$ ，但 $f'_y(0, 0) = 1 \neq 0$ ；
若令 $f(x, y) = x^2 + y^2, \varphi(x, y) = y = 0$ ，在 $(0, 0)$ 处取得条件极小值，此时 $f'_x(0, 0) = 0$ 且 $f'_y(0, 0) = 0$ 。
因此当 $f'_x = 0$ 时， $f'_y$ 既可为 0 也可不为 0，选项 A、B 均无法必然推出。

方法二：隐函数存在定理消元法（理论溯源）

因为 $\varphi(x, y) = 0$ 且 $\varphi'_y(x_0, y_0) \neq 0$ ，由隐函数存在定理，在点 $(x_0, y_0)$ 附近唯一确定了可微函数 $y = y(x)$ ，且满足 $y(x_0) = y_0$ 及：

\frac{\mathrm{d}y}{\mathrm{d}x}\Big|_{x = x_0} = -\frac{\varphi'_x(x_0, y_0)}{\varphi'_y(x_0, y_0)}

将 $y = y(x)$ 代入 $f(x, y)$ ，转化为关于自变量 $x$ 的一元复合函数：

F(x) = f(x, y(x))

因为 $(x_0, y_0)$ 是条件极值点，所以 $x_0$ 必为一元可微函数 $F(x)$ 的无条件极值点。
由一元极值必要条件（费马引理），必有 $F'(x_0) = 0$ 。两端链式求导：

F'(x_0) = f'_x(x_0, y_0) + f'_y(x_0, y_0)\frac{\mathrm{d}y}{\mathrm{d}x}\Big|_{x = x_0} = f'_x(x_0, y_0) - f'_y(x_0, y_0)\frac{\varphi'_x(x_0, y_0)}{\varphi'_y(x_0, y_0)} = 0

即：

f'_x(x_0, y_0) = f'_y(x_0, y_0)\frac{\varphi'_x(x_0, y_0)}{\varphi'_y(x_0, y_0)}

与方法一所得关系式完全一致！由此可知若 $f'_x \neq 0$ ，则必有 $f'_y \neq 0$ 。

ギターと孤独と蒼い惑星

09-16 错题记录

09-16 错题记录

例 5.44（武忠祥高数讲义 · 双重隐式嵌套与“套娃只套一次” / 隐函数全微分形式不变性）

例 5.45（武忠祥高数讲义 · 极坐标系求导化直角坐标禁忌 / 偏导为0推出单变量函数）

例 5.46（25 超越模拟卷 · 偏导为 0 引出单变量函数与条件极值 / 偏微分方程任意常数函数本质）

例 5.53（23 张八 · 03 年数一真题改编 · 极限表达式脱帽法 / 极坐标局部展开与阶数主导分析）

例 5.56（2006 数一二三真题 · 抽象函数拉格朗日极值逻辑推演 / 非零项作分母消参法与隐函数消元双重视角）

Comments