柯西空降科学院遭排挤

柯西中值定理

小象实战讲义 · 人工智能数学基础

在掌握了拉格朗日中值定理之后，我们将其推广至更一般的情形——柯西中值定理。本节将介绍柯西的生平轶事，并深入探讨该定理的几何意义、标准形式及其证明方法。掌握柯西中值定理，是理解后续泰勒公式推导和多元微分学中隐函数定理的重要基石。

💡 核心导读

• 人物侧写：了解数学家柯西与法国大革命交织的传奇一生，及其在数学史上的重要地位。
• 定理表述：掌握柯西中值定理的精确数学表述及其成立的前提条件。
• 几何直观：将定理中的函数对 $(f(x), g(x))$ 理解为参数方程，从而获得与拉格朗日中值定理相似的几何解释。
• 证明思路：学习如何通过构造辅助函数，将柯西中值定理的证明转化为罗尔定理的应用。
• 参数化形式：熟悉柯西中值定理的另一种常用写法，即引入参数 $\theta \in (0, 1)$ 来表示中值点。

柯西：一位与时代共舞的数学家

奥古斯丁·路易·柯西（Augustin-Louis Cauchy，1789-1857）是法国数学史上一位举足轻重的人物。他的一生恰逢法国政治最为动荡的时期，从大革命、拿破仑帝国到王朝复辟与革命再起，其个人命运与学术生涯都深深地烙上了时代的印记。

柯西出生于巴黎一个家境优渥的家庭，父亲是巴黎警察局的高级官员。法国大革命爆发后，其父被免职，全家被迫逃离巴黎。直到拿破仑掌权，他们才得以返回。得益于父亲与当时数学界泰斗拉普拉斯、拉格朗日等人的交往，年轻的柯西获得了良好的教育机会。尽管在文科见长的中学里表现出色，但他的理想是成为一名工程师，并成功考入巴黎综合理工学院。

然而，军校式的管理让他对工程实践感到幻灭，在工地实习的过劳经历更是彻底浇灭了他的工程热情。大约23岁时，他转而投身于数学研究，并展现出非凡的天赋。在拿破仑战败、路易十八复辟后，柯西因政治原因被任命为法国科学院院长，这一“火箭式”晋升使他树敌颇多，在同行中声誉不佳。

28岁时，在父亲的安排下，柯西与一位出版商的女儿结婚，这为他日后大量出版学术著作提供了极大便利，迎来了他学术生涯的第一个高产期。随着政治风云变幻，因拒绝向新君主宣誓效忠，柯西被迫流亡国外，曾在都灵、布拉格等地任教或担任家庭教师。有趣的是，尽管学术成就卓著，柯西却以讲课糟糕而闻名，他常常高估学生的理解能力，并发放海量阅读材料，令大多数学生苦不堪言。

晚年，他得以返回巴黎，在豁免宣誓的前提下继续在大学任教，直至67岁去世。作为对他杰出贡献的认可，他的名字被镌刻在埃菲尔铁塔上，与另外71位法国伟人并列。柯西在分析学（如极限的严格定义、微积分基本定理的证明）、复变函数论、微分方程等领域做出了奠基性的工作，我们今天学习的“柯西中值定理”便是其中之一。

柯西中值定理：从拉格朗日定理的推广

拉格朗日中值定理描述了一个函数 $f(x)$ 在区间 $[a, b]$ 内的平均变化率与某点瞬时变化率相等的关系。柯西中值定理则将其推广到了两个函数之间。

定理表述

设函数 $f(x)$ 与 $g(x)$ 满足：

1. 在闭区间 $[a, b]$ 上连续；
2. 在开区间 $(a, b)$ 内可导；
3. 对任意 $x \in (a, b)$，有 $g’(x) \neq 0$。

则至少存在一点 $\xi \in (a, b)$，使得 $$\frac{f(b) - f(a)}{g(b) - g(a)} = \frac{f’(\xi)}{g’(\xi)}.$$

条件解读：

• 条件1和2是保证中值定理成立的基本光滑性要求。
• 条件3 $g’(x) \neq 0$ 至关重要。首先，它保证了分母 $g(b) - g(a)$ 不为零（否则由罗尔定理，存在 $g’(c)=0$，矛盾）。其次，它确保了比值 $\frac{f’(\xi)}{g’(\xi)}$ 有意义。

几何意义

为了理解这个定理，我们可以将 $(g(x), f(x))$ 视为平面上一条曲线的参数方程，其中 $x$ 是参数。那么：

• $(g(a), f(a))$ 和 $(g(b), f(b))$ 是曲线上的两个端点。
• $\frac{f(b) - f(a)}{g(b) - g(a)}$ 是连接这两个端点的割线的斜率。
• $\frac{f’(x)}{g’(x)}$ 是曲线在参数 $x$ 处的切线的斜率。这是因为由参数方程求导法则，$\frac{dy}{dx} = \frac{dy/dt}{dx/dt}$，在这里“$t$”就是 $x$，故 $\frac{d f}{d g} = \frac{f’(x)}{g’(x)}$。

因此，柯西中值定理的几何意义是：对于由参数方程 $(g(x), f(x))$ 确定的曲线，在区间内至少存在一点 $\xi$，使得该点处切线的斜率等于连接曲线两端点的割线的斜率。这正是拉格朗日中值定理思想在参数曲线上的体现。

import numpy as np
import matplotlib.pyplot as plt

# 定义参数方程：x = g(t) = t^2, y = f(t) = sin(t)， t 在 [1, 4] 之间
t = np.linspace(1, 4, 100)
g_t = t**2
f_t = np.sin(t)

# 计算端点
a, b = 1, 4
g_a, f_a = a**2, np.sin(a)
g_b, f_b = b**2, np.sin(b)

# 割线斜率
secant_slope = (f_b - f_a) / (g_b - g_a)

# 寻找满足柯西中值定理的点（数值近似）
# 定理说存在 xi，使得 f'(xi)/g'(xi) = secant_slope
# f'(t) = cos(t), g'(t) = 2t
# 我们需要找到 t 使得 cos(t) / (2*t) ≈ secant_slope
derivative_ratio = np.cos(t) / (2*t)
# 找到使两者差值最小的 t 的索引
idx = np.argmin(np.abs(derivative_ratio - secant_slope))
xi = t[idx]
g_xi, f_xi = xi**2, np.sin(xi)
tangent_slope = derivative_ratio[idx]

print(f"端点: A({g_a:.2f}, {f_a:.2f}), B({g_b:.2f}, {f_b:.2f})")
print(f"割线斜率: {secant_slope:.4f}")
print(f"找到的近似点 ξ = {xi:.4f}")
print(f"该点坐标: ({g_xi:.2f}, {f_xi:.2f})")
print(f"该点切线斜率 f'(ξ)/g'(ξ) = {tangent_slope:.4f}")
print(f"两者差值: {abs(secant_slope - tangent_slope):.6f}")

# 绘图
plt.figure(figsize=(10, 6))
plt.plot(g_t, f_t, 'b-', label='参数曲线: (t^2, sin(t))', linewidth=2)
plt.plot([g_a, g_b], [f_a, f_b], 'r--', label=f'割线 (斜率={secant_slope:.3f})', linewidth=1.5)
# 绘制切线（利用点斜式：y - f_xi = slope * (x - g_xi)）
x_tangent = np.array([g_xi - 3, g_xi + 3])
y_tangent = f_xi + tangent_slope * (x_tangent - g_xi)
plt.plot(x_tangent, y_tangent, 'g-.', label=f'在ξ处的切线 (斜率={tangent_slope:.3f})', linewidth=1.5)
plt.scatter([g_a, g_b, g_xi], [f_a, f_b, f_xi], c=['red', 'red', 'green'], s=80, zorder=5)
plt.text(g_a, f_a, ' A', fontsize=12, verticalalignment='bottom')
plt.text(g_b, f_b, ' B', fontsize=12, verticalalignment='bottom')
plt.text(g_xi, f_xi, f' ξ({xi:.2f})', fontsize=12, verticalalignment='top')

plt.xlabel('g(x)')
plt.ylabel('f(x)')
plt.title('柯西中值定理几何意义演示')
plt.legend()
plt.grid(True, alpha=0.3)
plt.axis('equal')
plt.show()

定理的证明

柯西中值定理的证明巧妙地借鉴了拉格朗日中值定理的证明思路，即构造一个满足罗尔定理条件的辅助函数。

证明： 考虑如下构造的辅助函数 $F(x)$： $$F(x) = f(x) - f(a) - \frac{f(b) - f(a)}{g(b) - g(a)} [g(x) - g(a)].$$

验证 $F(x)$ 满足罗尔定理的条件：

1. 连续性：由于 $f(x)$ 和 $g(x)$ 在 $[a, b]$ 上连续，$F(x)$ 作为它们的线性组合，也在 $[a, b]$ 上连续。
2. 可导性：由于 $f(x)$ 和 $g(x)$ 在 $(a, b)$ 内可导，$F(x)$ 在 $(a, b)$ 内也可导，且其导数为： $$F’(x) = f’(x) - \frac{f(b) - f(a)}{g(b) - g(a)} g’(x).$$
3. 端点值相等：
   • $F(a) = f(a) - f(a) - \frac{f(b) - f(a)}{g(b) - g(a)} [g(a) - g(a)] = 0$。
   • $F(b) = f(b) - f(a) - \frac{f(b) - f(a)}{g(b) - g(a)} [g(b) - g(a)] = f(b) - f(a) - [f(b)-f(a)] = 0$。 因此，$F(a) = F(b) = 0$。

根据罗尔定理，存在一点 $\xi \in (a, b)$，使得 $F’(\xi) = 0$。即： $$f’(\xi) - \frac{f(b) - f(a)}{g(b) - g(a)} g’(\xi) = 0.$$ 由于条件 $g’(x) \neq 0$ 在 $(a, b)$ 内成立，特别地 $g’(\xi) \neq 0$，我们可以将上式改写为： $$\frac{f(b) - f(a)}{g(b) - g(a)} = \frac{f’(\xi)}{g’(\xi)}.$$ 证毕。

定理的另一种形式

在理论推导中，柯西中值定理常写作另一种等价形式。令 $\theta \in (0, 1)$，并设 $\xi = a + \theta (b - a)$，显然 $\xi \in (a, b)$。则定理可以表述为：

存在 $\theta \in (0, 1)$，使得 $$\frac{f(b) - f(a)}{g(b) - g(a)} = \frac{f’(a + \theta(b-a))}{g’(a + \theta(b-a))}.$$

或者，更常见的是将其写成“增量形式”。令 $h = b - a$，则 $b = a + h$，上式变为： 存在 $\theta \in (0, 1)$，使得 $$\frac{f(a+h) - f(a)}{g(a+h) - g(a)} = \frac{f’(a + \theta h)}{g’(a + \theta h)}.$$ 这种形式在泰勒公式的余项推导中非常有用。

📝 动手练一练

1. 验证定理：对于函数 $f(x) = x^3$ 和 $g(x) = x^2$ 在区间 $[1, 2]$ 上，验证柯西中值定理成立，并找出满足定理的点 $\xi$。 参考答案： 首先，$f(x)$ 和 $g(x)$ 在 $[1,2]$ 上连续，在 $(1,2)$ 内可导，且 $g’(x)=2x \neq 0$ 当 $x \in (1,2)$。计算： $$\frac{f(2)-f(1)}{g(2)-g(1)} = \frac{8-1}{4-1} = \frac{7}{3}.$$ 根据定理，存在 $\xi \in (1,2)$，使得 $\frac{f’(\xi)}{g’(\xi)} = \frac{3\xi^2}{2\xi} = \frac{3\xi}{2} = \frac{7}{3}$。 解得 $\xi = \frac{14}{9} \in (1, 2)$。因此定理成立，$\xi = \frac{14}{9}$。

2. 思考题：若在柯西中值定理中令 $g(x) = x$，定理会变成什么形式？这说明了什么？ 参考答案： 若令 $g(x) = x$，则 $g(b)-g(a)=b-a$，且 $g’(x)=1$。柯西中值定理变为： $$\frac{f(b)-f(a)}{b-a} = f’(\xi)。$$ 这正是拉格朗日中值定理。这说明拉格朗日中值定理是柯西中值定理当 $g(x)=x$ 时的特例，柯西中值定理是更一般的推广。

本章小结

本节我们穿越历史，认识了数学家柯西波澜壮阔的一生，并重点学习了他最重要的数学贡献之一——柯西中值定理。

要点回顾：

• 柯西中值定理是拉格朗日中值定理在参数曲线形式下的推广，它建立了两个函数在区间上的增量比与它们导数比之间的联系。
• 几何上，它将割线斜率与参数曲线在某点处的切线斜率相等。
• 证明上，通过构造辅助函数 $F(x) = f(x) - f(a) - k[g(x)-g(a)]$（其中 $k$ 为割线斜率），并应用罗尔定理完成。
• 形式上，除了标准形式，还有引入参数 $\theta$ 的增量形式，这在理论分析中更便捷。

行动清单：

1. 对比记忆：将拉格朗日中值定理和柯西中值定理的陈述、几何意义和证明步骤并列，理解它们之间的包含与推广关系。
2. 动手验证：使用 Python（如 SymPy 库）对不同的函数对和区间，数值化地验证柯西中值定理，并尝试寻找近似的 $\xi$ 值，加深对定理存在性的理解。
3. 预习联想：思考柯西中值定理将如何应用于下一节泰勒公式余项的推导，尝试猜测它们之间可能存在的联系。

— 小象教研组