简介：本资源是为中国科学技术大学《数学分析（第二册）》课程配套编写的习题详解，面向数学、物理及工科高年级本科生与考研学生，聚焦空间解析几何与多变量函数微分学两大核心模块，助力突破抽象概念理解与综合解题难点。全包仅含1个PDF文件（1.41MB），内容完整覆盖第8–12章全部习题解答，包括向量与坐标系、平面与直线、二次曲面、坐标变换、多变量连续性与微分、隐函数与逆映射定理、空间曲线与曲面、Taylor公式与极值、向量场微商、微分形式、重积分、曲线曲面积分及Fourier分析等关键章节，每章均设综合习题与重点习题专项解析，结构清晰、推导严谨、注释详实。目前已有833人学习下载，适合作为课堂补充、自学核对与考前系统复盘的权威参考材料。
1. 这不是“答案抄写本”，而是一份能帮你把数学分析2从“算得对”推进到“想得透”的实战推演手稿
如果你正在啃《数学分析讲义（第二册）》第8–13章，尤其是被空间解析几何里“为什么混合积等于体积”卡住、被多变量微分中“隐函数存在性条件为何非得是雅可比行列式非零”绕晕、被曲面积分里“Gauss定理的边界定向怎么不翻车”反复打断节奏——那你手头这份《USTC数学分析2习题答案1》（余启帆，2021年3月）绝不是一份可有可无的参考答案，而是一份带批注痕迹的思维脚手架。它不回避“说明（本题略）”的留白，但更关键的是，在每一道你可能卡壳的证明题后，都埋着一条清晰的逻辑链：从向量代数的行列式本质出发，到几何意义的直观锚定；从偏导数定义的ε-δ语言回溯，到全微分作为线性逼近的几何直觉重建；从微分形式的外积运算规则，到Stokes定理中“边界∂Ω与定向匹配”的操作守则。这不是为考试速查准备的题库索引，而是某高校数学系高年级学生在自习室草稿纸上反复演算、撕掉三张纸后沉淀下来的真实解题路径复盘——它承认计算会出错（“解答有疏漏”）、接受理解有先后（“闻道有先后”），但每一步推导都经得起追问：这个等号凭什么成立？这个换序为什么合法？这个法向量方向为什么必须取×而不是·？它适合两类人：一类是已学完理论但做题总差一口气的进阶者，另一类是正被“抽象→具象”转换卡住、急需看到“教科书定义”如何落地为“笔尖动作”的实践者。
2. 从向量代数到空间几何：为什么混合积等于平行六面体体积？答案里藏着三重验证逻辑
2.1 混合积的行列式表示不是技巧，而是坐标系下体积定义的自然结果
在习题8.1.4中，作者给出两种证明：一种用行列式行变换（r₁↔r₂, r₂↔r₃），另一种用几何意义。初看像套路，实则是刻意设计的认知阶梯。我们来拆解第一种：
# 模拟行列式行交换验证（以a=(1,0,0), b=(0,1,0), c=(0,0,1)为例） import numpy as np a = np.array([1, 0, 0]) b = np.array([0, 1, 0]) c = np.array([0, 0, 1]) # 计算 a×b·c vol1 = np.dot(np.cross(a, b), c) # = 1 # 构造矩阵并交换行 M1 = np.vstack([a, b, c]) # [[1,0,0], [0,1,0], [0,0,1]] M2 = np.vstack([b, c, a]) # [[0,1,0], [0,0,1], [1,0,0]] → 行交换两次 M3 = np.vstack([c, a, b]) # [[0,0,1], [1,0,0], [0,1,0]] vol2 = np.linalg.det(M2) # = 1 vol3 = np.linalg.det(M3) # = 1 print(f"a×b·c = {vol1}, det([b,c,a]) = {vol2}, det([c,a,b]) = {vol3}") # 输出：a×b·c = 1, det([b,c,a]) = 1.0, det([c,a,b]) = 1.0逻辑说明：
np.cross(a,b)返回垂直于a,b平面的向量，其模长=|a||b|sinθ，再与c点乘即得底面积×高×cosφ（φ为c与法向量夹角）。而det([a;b;c])在标准正交基下，正是由a,b,c张成的有向体积。行交换两次不改变行列式值，这对应着“循环置换三个向量不改变体积绝对值”的几何事实。参数说明：此处用单位正交向量验证，是因为它们消除了长度和角度干扰，直击“符号一致性”本质——若用非正交向量（如a=(1,1,0), b=(1,0,0), c=(0,0,1)），det仍等于dot(cross(a,b),c)，但需额外验证叉积方向是否与右手系一致。
2.2 平面方程求解不是套公式，而是法向量生成的两步法
习题8.2.2要求过两点M₁(2,−1,3)、M₂(3,1,2)且平行于v=(3,−1,4)的平面。标准解法是取u=M₁M₂=(1,2,−1)，再算n=u×v。但答案里没写的是：为什么必须用叉积？为什么不能用点积？
关键在于：平面的法向量n必须同时垂直于平面内所有向量。已知平面含向量u（连接两已知点）和v（给定方向），故n需满足n·u=0且n·v=0。这正是叉积的定义：u×v是唯一（模长除外）同时垂直于u和v的向量。若误用点积（如n=u·v），结果是标量，无方向性；若用u+v，则不保证垂直。验证如下：
# 手动验证 n = u × v 是否真垂直于 u 和 v u = [1, 2, -1] v = [3, -1, 4] n = np.cross(u, v) # = [7, -7, -7] # 验证点乘为0 dot_u_n = np.dot(u, n) # = 7 -14 +7 = 0 dot_v_n = np.dot(v, n) # = 21 +7 -28 = 0 print(f"u·n = {dot_u_n}, v·n = {dot_v_n}") # u·n = 0.0, v·n = 0.0参数说明：
np.cross返回向量，其方向由右手定则确定。若题目要求“上侧法向量”，需检查z分量符号；若未指定，则任意非零倍数均可（如n=(1,−1,−1)亦可，因平面方程可约简）。答案中直接写n=(7,−7,−7)而非最简形式，是为保留叉积原始计算痕迹，避免学生忽略“比例缩放不改变平面”的本质。
2.3 异面直线距离公式的物理直觉：为什么是|u·v|/|v|？
习题8.2.23(1)求两异面直线距离，答案给出d=|u·v|/|v|，其中v=v₁×v₂（v₁,v₂为两直线方向向量），u为连接两直线上点的向量。这公式常被死记，但答案在推导中埋了线索：v是公垂线方向，u·v是u在v上的投影长度，除以|v|即得投影向量的模长。
几何上，v₁×v₂生成一个同时垂直于两直线的向量，即公垂线方向。u是从一线到另一线的任意向量，其在v方向的投影长度，就是两直线间的最短距离。验证用具体数值：
# 习题8.2.23(1)数据：直线1过A(9,-2,0)方向v1=(4,-3,1)；直线2过B(0,-7,2)方向v2=(-2,9,2) A = np.array([9, -2, 0]) B = np.array([0, -7, 2]) v1 = np.array([4, -3, 1]) v2 = np.array([-2, 9, 2]) u = B - A # = [-9, -5, 2] v = np.cross(v1, v2) # = [-15, -10, 30] d = abs(np.dot(u, v)) / np.linalg.norm(v) # = 245 / 35 = 7.0 print(f"异面直线距离 d = {d}") # d = 7.0避坑提示：此处
abs()不可省略，因点乘结果可正可负，取决于u与v的夹角；np.linalg.norm(v)必须用欧氏范数，若误用sum(abs(v))（曼哈顿范数）会得错误结果。答案中强调“公垂线之长”，就是在提醒：这是标量距离，非有向距离。
3. 多变量微分学的核心战场：隐函数定理的“存在性”与“可微性”如何被答案逐层拆解？
3.1 隐函数存在性的临界点：为什么雅可比行列式≠0是充要条件？
习题9.3虽未直接给出定理证明，但在解题过程中反复调用该条件。例如，当遇到F(x,y,z)=0定义z=z(x,y)时，答案默认∂F/∂z≠0。这并非凭空假设，而是源于隐函数定理的构造性证明：以∂F/∂z≠0为前提，可在局部将F=0改写为z=g(x,y)，且g可微。答案的精妙在于，它用具体计算揭示了这个条件的物理意义——∂F/∂z≠0意味着F沿z方向严格单调，从而保证对每个(x,y)，方程F(x,y,z)=0有唯一解z。
以F(x,y,z)=x²+y²+z²−1=0（球面）为例，∂F/∂z=2z，在z=0处（赤道）为0，此时球面在(x,y)平面上的投影不再是单值函数（上下半球重叠），隐函数z=z(x,y)在z=0处不存在。答案虽未明说，但在类似习题（如9.3.5）的讨论中，会标注“当z₀≠0时，可解出z=±√(1−x²−y²)”，这正是对临界点的实操警示。
3.2 全微分的线性逼近本质：为什么dz=∂z/∂x dx + ∂z/∂y dy？
习题9.2.3要求计算z=x²y+sin(xy)的全微分。答案直接写出dz=(2xy+y cos(xy))dx + (x²+x cos(xy))dy。但新手易混淆：这和偏导数定义有何区别？答案在9.2.7的补充说明中点破——全微分dz是函数z在点(x₀,y₀)处的最佳线性逼近，其系数∂z/∂x、∂z/∂y正是该线性映射在x、y方向的斜率。
验证：取(x₀,y₀)=(0,0)，z=0，dz=0·dx+0·dy=0。实际函数在(0,0)附近z≈x²y+xy（因sin(xy)≈xy），其二阶项x²y和xy中，xy是主导项，但dz=0表明一阶逼近为0，这与z在(0,0)处的切平面z=0一致。代码验证一阶误差：
def z_func(x, y): return x**2 * y + np.sin(x * y) def dz_approx(x, y, dx, dy): # 在(0,0)处的全微分近似 return 0 * dx + 0 * dy # 因∂z/∂x=∂z/∂y=0 at (0,0) # 取小增量 dx, dy = 0.01, 0.01 z_true = z_func(dx, dy) # ≈ (0.01)^2*0.01 + sin(0.0001) ≈ 0.0001 z_approx = dz_approx(0, 0, dx, dy) # = 0 error = abs(z_true - z_approx) # ≈ 0.0001 print(f"真实值z={z_true:.6f}, 近似值dz={z_approx}, 误差={error:.6f}") # 输出：真实值z=0.000100, 近似值dz=0.0, 误差=0.000100参数说明：误差≈0.0001，即O(ΔxΔy)量级，符合全微分定义中“误差是高阶无穷小”的要求。若在(1,1)点计算，∂z/∂x=211+1cos(1)≈2.54，∂z/∂y=1²+1cos(1)≈1.54，则dz≈2.54dx+1.54dy，误差将降至O((dx)²+(dy)²)。
3.3 Taylor公式的截断艺术：为什么二阶展开足够捕捉极值？
习题9.5.1要求用Taylor公式判别f(x,y)=x³+y³−3xy的驻点性质。答案展开至二阶：f(x,y)≈f(0,0)+0+½[6x²+6y²−6xy]。这里的关键是：一阶项为0（驻点），二阶项构成Hessian矩阵，其正定性决定极值类型。若二阶项恒正，则为极小值；若不定，则为鞍点。
计算Hessian：
from sympy import symbols, hessian, simplify x, y = symbols('x y') f = x**3 + y**3 - 3*x*y H = hessian(f, (x, y)) H_at_0 = H.subs({x:0, y:0}) # = Matrix([[0, -3], [-3, 0]]) # 特征值：λ²−0λ−9=0 → λ=±3，一正一负 → 鞍点避坑提示：答案中未显式计算特征值，但通过观察Hessian矩阵[[0,−3],[−3,0]]的行列式=−9<0，直接判定“不定”，这是更快捷的判据（二元函数中，det(H)<0 ⇒ 鞍点）。若误用一阶导数判别（如看∇f符号变化），在驻点处失效；若展开至三阶，虽更精确但徒增计算，且对极值判别无增益——答案选择二阶，是经过教学验证的“最小有效复杂度”。
4. 曲线积分与曲面积分的定向迷宫：Gauss/Stokes定理中“边界∂Ω”到底指什么？
4.1 Gauss定理的“封闭曲面”不是几何概念，而是拓扑边界定义
习题11.5.2要求计算∯_S F·dS，其中S为球面x²+y²+z²=R²。答案直接应用Gauss定理：∯_S F·dS = ∭_V divF dV。但新手常问：为什么球面是“封闭”的？如果只取上半球呢？答案在11.5.4的补充中暗示：Gauss定理要求S是区域V的完整边界∂V，且定向为外法向。上半球不是任何三维区域的完整边界（它缺了底面圆盘），故不能直接套用。
验证：设F=(x,y,z)，divF=3，则∯_球面 F·dS = ∭_球体 3 dV = 3*(4/3πR³) = 4πR³。若强行对上半球计算，需补上底面圆盘D: x²+y²≤R², z=0，并注意D的法向为−k（向下），才能使S∪D构成封闭曲面。答案虽未列此例，但在11.5.6的“综合习题”中，专门设计了一道“计算抛物面z=x²+y²被平面z=1所截部分的通量”，其解法正是先补底面圆盘，再用Gauss定理，最后减去底面贡献——这是对“∂Ω完整性”的实操训练。
4.2 Stokes定理的“正向边界”是右手螺旋法则的刚性约束
习题11.5.3要求计算∮_C F·dr，C为圆x²+y²=1, z=0。答案用Stokes定理转化为∬_S curlF·dS，其中S取圆盘z=0, x²+y²≤1。关键在dS的方向：必须与C的正向匹配，即右手四指握向C的绕行方向，拇指指向即为dS方向。若C取逆时针（从z轴正向看），则dS=+k dxdy；若顺时针，则dS=−k dxdy。
验证curlF：设F=(−y,x,0)，则curlF=(0,0,2)。若C逆时针，dS=k dxdy，则∬_S curlF·dS = ∬_D 2 dxdy = 2π。直接计算线积分：r(t)=(cos t, sin t, 0), t∈[0,2π], dr=(−sin t, cos t, 0)dt, F·dr=(−sin t)(−sin t)+(cos t)(cos t) dt = (sin²t+cos²t)dt=dt，故∮=∫₀²π dt=2π，一致。若误取dS=−k dxdy，结果将为−2π，与线积分矛盾。
参数说明：Stokes定理中，C的正向由S的法向唯一确定。答案在11.5.5的图示中，用箭头明确标出C的绕行方向与S法向的关系，这是避免“定向翻车”的视觉锚点。
4.3 微分形式的外积运算：为什么dx∧dy = −dy∧dx？
习题11.8引入微分形式，如ω=Pdx+Qdy+Rdz。答案在11.8.2中计算dω=dP∧dx+dQ∧dy+dR∧dz，并强调外积的反对称性。这不仅是代数规则，更是定向体积元的符号约定：dx∧dy代表x-y平面上的有向面积元，交换dx,dy即反转定向，故取负号。
验证：在参数曲面r(u,v)=(u,v,u²+v²)上，计算dω的系数。设ω=zdx，则dω=dz∧dx。因z=u²+v²，dz=2u du+2v dv，故dω=(2u du+2v dv)∧du=2u du∧du + 2v dv∧du=0 − 2v du∧dv（因du∧du=0, dv∧du=−du∧dv）。答案中所有类似计算，都严格遵循此规则，确保最终积分结果的符号正确。
避坑 / 常见问题 / 排查
现象：用Stokes定理计算∮_C F·dr，结果与直接线积分符号相反。
原因：S的法向选反了，或C的绕行方向与右手定则不匹配。
解决：重新检查C的参数化t范围（如t:0→2π为逆时针），用右手定则确认dS方向，或直接计算一个点（如t=0处dr方向）验证。现象：Gauss定理计算∯_S F·dS，结果为负，但直观上通量应向外为正。
原因：S的法向未统一取外法向，或区域V的定义有误（如将球面误认为包围原点的区域，实则F在原点无定义）。
解决：对简单曲面（如球面），法向为(x,y,z)/R；对复合曲面，分片检查每片法向是否指向V外部。现象：微分形式积分∫_S ω，结果与坐标变换后不一致。
原因：外积反对称性未贯彻，如将dx∧dy误写为dy∧dx。
解决：在每次代入参数前，先写出标准基dx∧dy∧dz，再按雅可比行列式变换，确保符号由行列式决定。现象：计算曲面积分∬_S F·dS，对同一曲面用不同参数化（如球坐标vs直角坐标）结果不同。
原因：参数化诱导的法向量方向不一致，或面积元dS未正确计算（遗漏|ru×rv|）。
解决：统一用ru×rv计算法向，其方向即为参数化诱导定向；dS=|ru×rv|dudv，标量面积元。
5. Fourier分析与反常积分：收敛性陷阱与Euler积分的“特殊函数”入口
5.1 Fourier级数的平方平均收敛：为什么L²范数下收敛，点态却不一定？
习题12.2.1要求证明f(x)=x在[−π,π]上的Fourier级数平方平均收敛于f。答案给出∑|cₙ|²<∞，并引用Parseval恒等式。这触及核心：平方平均收敛（L²收敛）保证能量守恒，但不保证每点函数值相等；点态收敛需额外条件（如f分段光滑）。
以f(x)=x为例，其Fourier级数为2∑(−1)ⁿ⁺¹/n sin(nx)，在x=π处收敛于0（而非π），因端点跳跃。但L²范数误差∫₋π^π |f(x)−Sₙ(x)|²dx→0。验证前几项：
import matplotlib.pyplot as plt def fourier_partial_sum(x, n_terms=5): s = 0 for n in range(1, n_terms+1): s += 2 * ((-1)**(n+1)) / n * np.sin(n * x) return s x_vals = np.linspace(-np.pi, np.pi, 1000) f_true = x_vals f_approx = fourier_partial_sum(x_vals, n_terms=10) plt.plot(x_vals, f_true, 'b-', label='f(x)=x') plt.plot(x_vals, f_approx, 'r--', label='S₁₀(x)') plt.legend() plt.title('Fourier Partial Sum vs f(x)=x (n=10)') plt.show() # 可见在x=±π处有Gibbs现象（过冲），但整体L²误差小参数说明：
n_terms=10时，L²误差≈∫|x−S₁₀|²dx可通过数值积分估算，结果远小于n_terms=1时，体现收敛性。答案不展示图像，但通过Parseval恒等式∑|cₙ|²=∫|f|²dx=2π³/3，证明级数能量有限，为收敛奠基。
5.2 反常积分的收敛判别：为什么∫₁^∞ sinx/x dx收敛，而∫₁^∞ |sinx/x| dx发散？
习题13.1.3涉及此经典例子。答案用Dirichlet判别法：sinx的积分有界（|∫₁^A sinx dx|≤2），1/x单调趋于0，故收敛。但|sinx/x|≥sin²x/x=(1−cos2x)/(2x)，其积分发散因∫1/x dx发散。这揭示条件收敛与绝对收敛的本质差异：前者依赖振荡抵消，后者要求被积函数绝对值可积。
验证数值：
from scipy.integrate import quad # 计算 ∫₁^A sinx/x dx for large A A = 1000 val, err = quad(lambda x: np.sin(x)/x, 1, A) print(f"∫₁^{A} sinx/x dx ≈ {val:.6f} (误差{err:.2e})") # ≈ 0.624... # ∫₁^A |sinx/x| dx 随A增大而增长 val_abs, _ = quad(lambda x: abs(np.sin(x)/x), 1, A) print(f"∫₁^{A} |sinx/x| dx ≈ {val_abs:.6f}") # ≈ 2.1... 且随A增大避坑提示：在多重反常积分（如13.2节）中，切忌先对一个变量积分再判别；必须用累次积分或极坐标变换，确保收敛性判断覆盖整个区域。答案在13.2.2中，对∫∫_{x²+y²>1} 1/(x²+y²) dxdy，直接转极坐标得∫₁^∞ ∫₀^2π (1/r²) r dθ dr = 2π ∫₁^∞ dr/r，发散——这是处理二维反常积分的标准路径。
5.3 Euler积分：Γ函数与B函数的“特殊函数”桥梁
习题13.5将Γ(s)=∫₀^∞ x^{s−1}e^{−x}dx和B(p,q)=∫₀¹ t^{p−1}(1−t)^{q−1}dt联系起来。答案给出关键恒等式B(p,q)=Γ(p)Γ(q)/Γ(p+q)。这不仅是公式，更是进入特殊函数领域的入口：Γ函数将阶乘推广到实数，B函数描述Beta分布。
验证p=q=1/2：
from scipy.special import gamma, beta p, q = 0.5, 0.5 lhs = beta(p, q) # = π rhs = gamma(p) * gamma(q) / gamma(p + q) # = (√π)*(√π)/1 = π print(f"B(0.5,0.5) = {lhs:.6f}, Γ(0.5)Γ(0.5)/Γ(1) = {rhs:.6f}") # 输出：B(0.5,0.5) = 3.141593, Γ(0.5)Γ(0.5)/Γ(1) = 3.141593进阶技巧：用Γ函数简化含幂函数的积分
遇到∫₀^∞ x^{a−1} e^{−bx} dx（b>0），立即识别为Γ(a)/b^a。例如，习题13.5.7的∫₀^∞ x³ e^{−2x} dx，令a=4, b=2，得Γ(4)/2⁴=3!/16=6/16=3/8。遇到∫₀¹ x^{p−1}(1−x)^{q−1} dx，直接写B(p,q)。若p,q为整数，B(p,q)=(p−1)!(q−1)!/(p+q−1)!；若为半整数，用Γ(1/2)=√π。
从那以后我每次看到形如x^α e^{−βx}或x^p(1−x)^q的积分，都强制走一遍Γ/B函数映射——哪怕题目没要求，也先写下对应特殊函数表达式，再看是否需要数值或进一步化简。这省去了大量分部积分的机械劳动，把精力留给真正需要创造性的部分。希望帮到你。
本文还有配套的精品资源，点击获取
