引言
高等数学是理工科学生必修的一门基础课程，它涉及了微积分、线性代数、概率论等多个数学分支。为了帮助同学们更好地掌握高数精髓，本文将对高数中常见且必考的公式进行汇总，并辅以详细解释和应用实例。
微积分
导数
公式： ( f’(x) = \lim_{\Delta x \to 0} \frac{f(x + \Delta x) - f(x)}{\Delta x} )
解释： 导数表示函数在某一点的瞬时变化率。
应用实例： 求函数 ( f(x) = x^2 ) 在 ( x = 2 ) 处的导数。
代码：
def derivative(f, x, h=0.0001):
return (f(x + h) - f(x)) / h
# 定义函数
def f(x):
return x**2
# 计算
x = 2
print(derivative(f, x))
积分
公式： ( \int_a^b f(x) \, dx = F(b) - F(a) )，其中 ( F(x) ) 是 ( f(x) ) 的一个原函数。
解释： 积分表示函数在某一区间上的累积变化量。
应用实例： 求函数 ( f(x) = x^2 ) 在区间 ( [0, 2] ) 上的定积分。
代码：
from scipy.integrate import quad
def f(x):
return x**2
# 计算积分
result, error = quad(f, 0, 2)
print(result)
线性代数
矩阵乘法
公式： ( (AB){ij} = \sum{k=1}^{n} a{ik}b{kj} )
解释： 矩阵乘法表示两个矩阵对应元素的乘积之和。
应用实例： 设矩阵 ( A = \begin{bmatrix} 1 & 2 \ 3 & 4 \end{bmatrix} ) 和 ( B = \begin{bmatrix} 5 & 6 \ 7 & 8 \end{bmatrix} )，求 ( AB )。
代码：
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
result = np.dot(A, B)
print(result)
特征值与特征向量
公式： ( Av = \lambda v )，其中 ( A ) 是一个方阵，( v ) 是对应的特征向量，( \lambda ) 是对应的特征值。
解释： 特征值和特征向量是矩阵的一个重要性质，它们在图像处理、数据分析等领域有广泛应用。
应用实例： 求矩阵 ( A = \begin{bmatrix} 2 & 1 \ 1 & 2 \end{bmatrix} ) 的特征值和特征向量。
代码：
import numpy as np
A = np.array([[2, 1], [1, 2]])
eigenvalues, eigenvectors = np.linalg.eig(A)
print("特征值：", eigenvalues)
print("特征向量：", eigenvectors)
概率论
概率公式
公式： ( P(A \cap B) = P(A) \cdot P(B | A) )
解释： 条件概率表示在事件 ( A ) 发生的条件下，事件 ( B ) 发生的概率。
应用实例： 某个班级有 30 名学生，其中 20 名喜欢数学，10 名喜欢物理。如果随机选择一名学生，他既喜欢数学又喜欢物理的概率是多少？
代码：
# 定义概率
P_math = 20 / 30
P_physics = 10 / 30
P_both = P_math * P_physics
print("既喜欢数学又喜欢物理的概率：", P_both)
总结
通过本文的汇总，相信同学们对高数中的必考公式有了更深入的了解。在实际应用中，掌握这些公式并灵活运用，将有助于解决各类数学问题。在学习过程中，不断积累和练习，才能更好地掌握高数精髓。