欢迎来到二阶导函数！
大家好！准备好提升你的微积分技能了吗？在本章中，我们将探索二阶导函数。如果说一阶导函数告诉我们事物变化的速度（例如速度），那么二阶导函数则告诉我们“这个变化”的变化速度（例如加速度！）
如果这听起来有点抽象，不用担心。我们会用简单的例子来解释。理解二阶导函数是一项超能力，它能让你掌握曲线的真实形状，轻松找出极大值和极小值点，以及更多用途。让我们开始吧！
什么是二阶导函数？ (基础知识)
快速回顾：一阶导函数
在我们深入二阶导函数之前，让我们先回顾一下一阶导函数的作用。
- 对于一个函数 y = f(x)，一阶导函数写作 f'(x) 或 $$ \frac{dy}{dx} $$。
- 它告诉我们函数在任何一点的变化率。
- 从几何角度看，它给出了曲线在那一点的切线斜率。
认识二阶导函数
这个概念其实非常简单：二阶导函数就是一阶导函数的导函数。你只需要微分两次！
如果一阶导函数 f'(x) 告诉你曲线的斜率，那么二阶导函数则告诉我们斜率是如何变化的。斜率是变得更陡峭？还是更平缓？这些信息揭示了曲线的形状。
你必须知道的符号
就像一阶导函数一样，二阶导函数也有几种写法。香港中学文凭试（HKDSE）课程要求你认识所有这些写法：
- 如果你从 f(x) 开始，二阶导函数是 f"(x)（我们读作“f 两撇 x”）。
- 如果你从 y 开始，二阶导函数是 y"（我们读作“y 两撇”）。
- 莱布尼茨符号是 $$ \frac{d^2y}{dx^2} $$（我们读作“d 平方 y d x 平方”）。
如何计算二阶导函数
这是最简单的部分！这是一个简单的两步过程。
步骤一：找出函数的一阶导函数 f'(x)。
步骤二：对步骤一的结果再微分一次。就这么简单！
例子示范
让我们找出 f(x) = 4x³ - 5x² + 7x - 10 的二阶导函数。
- 找出第一阶导函数 f'(x)。
运用幂法则，我们得到：
f'(x) = 12x² - 10x + 7 - 对 f'(x) 微分以得到 f"(x)。
现在我们对这个新函数微分：
f"(x) = 24x - 10
这就是我们的答案！4x³ - 5x² + 7x - 10 的二阶导函数是 24x - 10。
重点总结
二阶导函数，写作 f"(x) 或 $$ \frac{d^2y}{dx^2} $$，是透过对函数微分两次而得到的。它衡量了斜率的变化率。
凹凸性的故事
什么是凹凸性？
凹凸性形容曲线弯曲的方式。想象它像一个碗。
- 向上凹（Concave Up）：曲线开口向上，像一个杯子或笑脸 🙂。它可以“盛水”。
- 向下凹（Concave Down）：曲线开口向下，像一顶帽子或愁眉苦脸 😟。它会“泼水”。
二阶导函数与凹凸性的关系
这是最重要的应用！二阶导函数的正负号会告诉你图像的凹凸性。
- 如果在某区间内 f"(x) > 0，则图像在该区间内向上凹。
记忆小贴士：正数是“加”，让你开心地笑 🙂。 - 如果在某区间内 f"(x) < 0，则图像在该区间内向下凹。
记忆小贴士：负数是“减”，让你愁眉苦脸 😟。
拐点：凹凸性改变的地方
拐点是曲线上凹凸性改变的地方（从向上凹变为向下凹，或从向下凹变为向上凹）。这是曲线“情绪”转变的点！
如何找出拐点：
- 找出二阶导函数 f"(x)。
- 找出 f"(x) = 0（或 f"(x) 没有定义的地方）的 x 值。这些是你的潜在拐点。
- 检查这些 x 值两侧 f"(x) 的正负号。如果正负号（+/-）改变了，那么你就找到了拐点！
例子示范
找出函数 f(x) = x³ - 6x² 的拐点。
- 找出 f"(x)。
f'(x) = 3x² - 12x
f"(x) = 6x - 12 - 解 f"(x) = 0。
6x - 12 = 0
6x = 12
x = 2 - 测试 x = 2 附近 f"(x) 的正负号。
让我们测试左侧的一点，例如 x = 1：f"(1) = 6(1) - 12 = -6（负数，所以向下凹）。
让我们测试右侧的一点，例如 x = 3：f"(3) = 6(3) - 12 = 6（正数，所以向上凹）。
由于在 x = 2 处凹凸性改变，所以那里是一个拐点。为了得到完整的坐标，计算 f(2) = (2)³ - 6(2)² = 8 - 24 = -16。
拐点是 (2, -16)。
重点总结
f"(x) 的正负号告诉你形状：f"(x) > 0 表示向上凹（🙂），而 f"(x) < 0 表示向下凹（😟）。拐点是凹凸性改变的地方。
二阶导函数判别法 (找出极大值和极小值)
快速回顾：驻点
请记住，驻点是斜率为零的地方，所以 f'(x) = 0。这些点可以是局部极大值、局部极小值，或两者都不是。一阶导函数判别法可以帮助我们判断这一点，但二阶导函数判别法通常是更快的捷径！
判别法解释
二阶导函数判别法利用凹凸性来判断驻点的类型。想一想：
- 局部极小值点看起来像山谷的底部，这是一个向上凹的形状。
- 局部极大值点看起来像山顶，这是一个向下凹的形状。
这引导我们得出一个简单的判别法。
逐步指南：使用二阶导函数判别法
- 透过解 f'(x) = 0 找出所有驻点。我们称其中一个解为 x = c。
- 找出二阶导函数 f"(x)。
- 将你的驻点 c 代入二阶导函数，求出 f"(c)。
- 检查结果的正负号：
- 如果 f"(c) > 0（向上凹 🙂），则 (c, f(c)) 是一个局部极小值。
- 如果 f"(c) < 0（向下凹 😟），则 (c, f(c)) 是一个局部极大值。
- 如果 f"(c) = 0，判别法失效。它什么都没告诉我们！你必须回到并使用一阶导函数判别法（检查 f'(x) 的正负号）。
常见错误提醒
- 错误一：将判别法应用于非驻点。你必须先确认 f'(c) = 0！
- 错误二：假设 f"(c) = 0 就意味着它是拐点。它可能是，但为了找出极大/极小值，这只表示判别法失效，你需要使用其他方法。
重点总结
对于驻点 x = c，检查 f"(c) 的正负号。正数 > 极小值。负数 > 极大值。零 > 判别失效。
在梯形法则中的应用
你知道吗？
二阶导函数可以告诉你使用梯形法则计算的估计值是过高还是过低！这是香港中学文凭试的常见考题。
凹凸性与梯形
想象画一条曲线，然后在它下方画一个梯形。梯形的顶部是连接曲线上两点的直线。
- 如果曲线是向上凹的（像一个碗），那么直线会在曲线之上。这表示梯形的面积会比曲线下方的实际面积大。
- 如果曲线是向下凹的（像一顶帽子），那么直线会在曲线之下。这表示梯形的面积会比曲线下方的实际面积小。
过高/过低估计的法则
这为我们提供了一个非常简单的法则，适用于你进行积分的区间：
- 如果在整个区间内 f"(x) > 0（向上凹），则梯形法则会产生过高估计（overestimate）。
- 如果在整个区间内 f"(x) < 0（向下凹），则梯形法则会产生过低估计（underestimate）。
逐步指南
例子：对于 $$ \int_1^3 \frac{1}{x} dx $$，梯形法则的估计是过高估计还是过低估计？
- 设 f(x) = 1/x = x⁻¹。
- 找出二阶导函数 f"(x)。
f'(x) = -1x⁻² = -1/x²
f"(x) = (-1)(-2)x⁻³ = 2/x³ - 检查 f"(x) 在区间 [1, 3] 上的正负号。
对于介于 1 和 3 之间的任何 x 值，x 都是正数。因此，x³ 是正数，而 f"(x) = 2/x³ 也会是正数。
所以，在该区间内 f"(x) > 0。 - 套用法则。
由于该函数在该区间内是向上凹的，所以梯形法则会产生一个过高估计。
重点总结
要判断梯形法则的结果是过高估计还是过低估计，只需检查区间内 f"(x) 的正负号。向上凹（f" > 0）➔ 过高估计。向下凹（f" < 0）➔ 过低估计。
本章总结与检查清单
坚持到这里，你做得太棒了！二阶导函数为我们理解函数及其图像增添了丰富的新层次。
我们学到了什么：
- 二阶导函数是一阶导函数的导函数。
- f"(x) 的正负号决定了凹凸性：正数表示向上凹（🙂），负数表示向下凹（😟）。
- 拐点是凹凸性改变的地方，通常在 f"(x) = 0 处。
- 二阶导函数判别法有助于判断驻点的类型：在 x=c（其中 f'(c)=0）处，如果 f"(c) > 0 则是极小值，如果 f"(c) < 0 则是极大值。
- 对于梯形法则，向上凹（f" > 0）会导致过高估计，向下凹（f" < 0）会导致过低估计。
继续练习，很快使用二阶导函数就会像你的第二天性一样自然。你一定做得到！