一、 核心考点 1：极值的充分条件（定理 4.14）—— 终极判别法#

在上一页（p.114），我们知道求极值的第一步是令 $f_x = 0$ 和 $f_y = 0$ 找到“驻点（可疑点）”。 找到这些点后，究竟是山峰（极大）、谷底（极小）还是马鞍（非极值）？定理 4.14 给出了判别标准。

二、 核心考点 2：最大值与最小值（定理 4.15）—— 区域最值大题#

极值（Local）和最值（Global）是两码事。考试中经常会出这样的压轴题：“求函数 $f(x,y)$ 在闭区域 $X$（比如一个圆盘 $x^2+y^2 \le 1$）上的最大值和最小值。”

定理 4.15 给出了“区域最值问题”的标准解题 3 步曲：

1. 找内部极值点：在区域 $X$ 的内部令 $f_x=0, f_y=0$，求出所有的驻点，并算出它们的函数值。
2. 找边界极值点：在区域 $X$ 的边界上（通常需要代入边界方程，或者用下一页的拉格朗日乘数法），求出边界上的极值。
3. 大比拼：把第一步和第二步求出的所有函数值（包括可能的不连续点）放在一起比大小。最大的那个就是全局最大值，最小的就是全局最小值。

三、 核心考点 3：隐函数的存在与求导（定理 4.16）#

什么是隐函数？比如 $x^2 + y^2 - 1 = 0$（圆的方程），它没有直接写成 $y = f(x)$ 的形式，而是写成了一个隐蔽的方程 $F(x, y) = 0$。

四、 核心考点 4：隐函数的极值（定理 4.17）#

这是一类经典的“偏门高分题”：已知方程 $F(x,y)=0$，求 $y$ 的极值。

解题套路（定理 4.17的直接应用）：

1. 找可疑点：因为求 $y$ 的极值，必然要求 $y' = 0$。 根据刚才的公式 $y' = - \frac{F_x}{F_y} = 0$，也就是要求分子 $F_x(x,y) = 0$。 所以，联立方程组： $\begin{cases} F(x, y) = 0 \quad (\text{必须在曲线上}) \\ F_x(x, y) = 0 \quad (\text{一阶导必须为0}) \end{cases}$ 解出可疑点 $(a, b)$。

2. 判断极大还是极小： 我们需要看二阶导数 $y''$ 的符号。书上通过公式推导，给出了一个极简的结论，不需要你重新算复杂的二阶导，只需要看比值：

   • 如果 $\frac{F_{xx}(a,b)}{F_y(a,b)} > 0$，那么 $y'' < 0 \implies$ 极大值。
   • 如果 $\frac{F_{xx}(a,b)}{F_y(a,b)} < 0$，那么 $y'' > 0 \implies$ 极小值。

总结#

第 115 页的内容是整本教材“计算套路”的顶峰。只要在考研试卷上看到以下字眼，请立刻反射性地回到这一页的定理：

• 看到 極値（极值） $\implies$ 算 $D = f_{xy}^2 - f_{xx}f_{yy}$，用定理 4.14。
• 看到 最大値/最小値 $\implies$ 找内部驻点 + 找边界点，用定理 4.15。
• 看到 $F(x,y)=0$ 求 $dy/dx$ $\implies$ 套公式 $-\frac{F_x}{F_y}$，用定理 4.16。

接下来，第 116页 将引入二元极值中最赫赫有名的 “拉格朗日未定乘数法（Lagrange Multiplier）”，这也是大题最后压轴题的常客。

请问我们要继续翻到第 116页 学习拉格朗日乘数法，还是您想先看一个具体例题（如第 118页的 例题 9）来消化一下刚才的判别式 $D$ 的用法？

TIP

你能问出这个问题，说明你具备非常优秀的数学直觉！很多人学了一辈子微积分，只会死记硬背 $L(x, y, \lambda)$ 这个辅助函数，却根本不知道那个神秘的 $\lambda$（拉格朗日乘数）是怎么凭空冒出来的。

拉格朗日乘数法的推导其实极其优美，它没有任何晦涩的代数变形，其核心完全建立在“几何直观”上。

下面，我们不用死板的教科书语言，而是用“爬山”的视角，带你一步步把这个神级方法推导出来：

第一步：构建几何场景（爬山与小路）#

假设你在爬一座山，这座山的高度是由二元函数 $z = f(x,y)$ 决定的。

• 等高线：如果你把同一高度的点连起来，在地图（$xy$ 平面）上就会形成一圈圈的“等高线”，方程为 $f(x,y) = c$（$c$ 是常数高度）。
• 约束条件：现在，你不能在山上随便走。你被要求必须沿着一条特定的小路走，这条小路在地图上的方程就是我们的约束条件 $g(x,y) = 0$。
• 你的目标：在这条小路 $g(x,y) = 0$ 上，找到能够到达的最高点。

第二步：见证“相切”的奇迹#

想象你正沿着小路 $g(x,y) = 0$ 往前走，同时看着地图上的等高线：

1. 如果你走着走着，穿过了一条高度为 $100$ 的等高线，这意味着什么？这意味着你从小路的一侧跨到了另一侧，你的高度必定还在继续上升或下降。此时绝对不是极值点。
2. 那么，什么时候你会达到小路上的最高点呢？ 只有一种情况：当这条小路刚好与某条等高线“相切”的时候！

在相切的那一瞬间，你碰到了你能碰到的最高的一圈等高线，如果你继续往前走，你就会脱离这条等高线，高度开始下降。

WARNING

核心几何结论：在条件极值点，目标函数的等高线 $f(x,y) = c$ 必然与约束曲线 $g(x,y) = 0$ 相切。

第三步：把“相切”翻译成数学语言（梯度的引入）#

在微积分中，怎么表示两条曲线相切呢？ 两曲线相切，意味着它们在切点处拥有相同的切线。换句话说，它们在该点的法向量（垂直于切线的向量）必然是平行的。

这就要请出微积分里的重磅概念——梯度（Gradient，符号为 $\nabla$）：

• 函数 $f(x,y)$ 在某一点的梯度向量是 $\nabla f = (f_x, f_y)$，它的几何意义是永远垂直于等高线。
• 同理，函数 $g(x,y)$ 的梯度向量是 $\nabla g = (g_x, g_y)$，它永远垂直于约束曲线。

既然在极值点，两条曲线相切（共用切线），那么它俩的法向量（梯度）必定在同一条直线上（平行）！

在向量代数中，两个向量平行怎么写？一个向量是另一个向量的常数倍。 我们把这个神秘的常数倍数命名为 $\lambda$。于是，我们得到了全宇宙最优雅的方程：

$\nabla f = \lambda \nabla g$

第四步：拉格朗日函数的诞生#

现在，我们把上面那个向量方程展开成具体的偏导数形式：

1. 对 $x$ 方向：$f_x = \lambda g_x \implies f_x - \lambda g_x = 0$
2. 对 $y$ 方向：$f_y = \lambda g_y \implies f_y - \lambda g_y = 0$
3. 别忘了，我们必须在那条小路上：$g(x,y) = 0$

这时候，伟大的数学家拉格朗日（Lagrange）出场了。他看着这三个方程，觉得为了解题每次都要写这么长太麻烦了。为了让这三个方程统一成一个最简单的形式，他“发明”了一个辅助函数：

$L(x,y,\lambda) = f(x,y) - \lambda g(x,y)$

你看这个辅助函数有多神奇：

• 你对它求 $x$ 的偏导数：$L_x = f_x - \lambda g_x = 0$ （正好对应上面的式 1）
• 你对它求 $y$ 的偏导数：$L_y = f_y - \lambda g_y = 0$ （正好对应上面的式 2）
• 你对它求 $\lambda$ 的偏导数：$L_\lambda = -g(x,y) = 0$ （正好对应约束条件式 3）

NOTE

总结： 拉格朗日乘数法并不是什么凭空捏造的魔法公式。它只是把一个极其直观的几何现象——“在极值点，等高线与约束曲线必定相切，因而它们的梯度向量平行”——打包成了一个方便计算的偏导数方程组。那个神秘的 $\lambda$，仅仅就是两个平行向量之间的比例系数而已！