极值第二判定定理：从理论到实战的深度解析
什么是 极值第二判定定理？
在微积分的学习过程中，寻找函数的极值点是核心任务之一。虽然极值第一判定定理（通过一阶导数符号变化判断）在理论上非常直观，但在实际计算中，判断导数符号的变化往往需要解不等式，过程繁琐。此时，极值第二判定定理（Second Derivative Test）便成为了我们手中的利器。它利用函数的二阶导数在驻点处的符号，快速且高效地判定该点是否为极值点，以及是极大值还是极小值。
1. 当 时， 为极大值；
2. 当 时， 为极小值。
1.1 几何意义直观理解
从几何角度看，二阶导数 代表了函数图像的凹凸性（Concavity）。
- 若 ，说明函数在 附近是凹向上（Concave Up）的，形状像碗一样（）。此时若 ，则该点必然是碗底的最低点，即极小值点。
- 若 ，说明函数在 附近是凹向下（Concave Down）的，形状像倒扣的碗（）。此时若 ，则该点必然是碗顶的最高点，即极大值点。
定理的逻辑推导与严谨性
为了深刻理解极值第二判定定理，我们需要借助泰勒公式（Taylor's Formula）或拉格朗日中值定理进行简要推导。这有助于我们在面对复杂问题时，理解其背后的数学逻辑。
2.1 基于泰勒公式的推导
假设函数 在 处具有二阶导数。根据泰勒公式，将 在 处展开到二阶：
由于 是驻点，故 。于是：
当 充分接近 时， 恒为正，高阶无穷小 相对于 可以忽略。因此， 的符号主要由 决定。
- 若 ，则 ，即 ，故 为极小值。
- 若 ，则 ，即 ，故 为极大值。
2.2 定理的局限性（重要！）
必须注意，极值第二判定定理的使用前提是 。如果计算得出 且 ，则该定理失效。此时，函数在该点可能是极值点（如 在 ），也可能不是极值点（如 在 ）。这种情况下，必须回归极值第一判定定理，即检查 在 左右两侧的符号是否发生变化。
经典例题与分步解析
理论必须结合实践。以下选取三个不同难度的典型例题，展示如何运用极值第二判定定理快速解题。
例题 1：求 的极值
步骤 1：求一阶导数并找驻点
令 ，解得驻点 。
步骤 2：求二阶导数
步骤 3：代入驻点判定
- 当 时：。根据定理， 为极大值。极大值为 。
- 当 时：。根据定理， 为极小值。极小值为 。
结论： 函数在 处取得极大值 2，在 处取得极小值 -2。
例题 2：求 在 上的极值
步骤 1：求一阶导数
令 。
在 内，解得 。
步骤 2：求二阶导数
步骤 3：代入判定
- 当 时：
。
故 为极大值点。极大值 。 - 当 时：
。
故 为极小值点。极小值 。
例题 3：处理二阶导数为 0 的情况（陷阱题）
题目： 求 的极值。
步骤 1：求一阶导数
令 ，解得驻点 。
步骤 2：求二阶导数
步骤 3：判定失效与补救
代入 ，得 。极值第二判定定理失效！
补救措施： 使用极值第一判定定理。
当 时，（函数递减）；
当 时，（函数递增）。
导数符号由负变正，故 为极小值点，极小值为 0。
注：此题也可通过观察 直接得出，但掌握第一判定定理的衔接至关重要。
极值第一判定定理 vs 第二判定定理
许多同学在考试中混淆这两个定理。以下表格清晰对比了它们的适用场景与优劣：
| 比较维度 | 极值第一判定定理 | 极值第二判定定理 |
|---|---|---|
| 核心依据 | 一阶导数 在驻点两侧的符号变化 | 二阶导数 在驻点处的正负号 |
| 计算复杂度 | 高。需解不等式判断区间符号，或列表分析 | 低。只需代入数值计算，速度快 |
| 适用范围 | 通用。所有可导函数的极值判定 | 受限。仅适用于 的情况 |
| 失效情况 | 几乎不失效（除非导数不存在且不可判定） | 当 时失效 |
| 推荐策略 | 当二阶导数计算复杂或为0时使用 | 首选策略，尤其是多项式和简单三角函数 |
常见误区与易错点排查
在应用极值第二判定定理时，学生常犯以下错误，请仔细核对：
❌ 误区一：忽略定义域
在未求定义域的情况下直接求导。例如 ，定义域为 ，若求出驻点为负数，则直接舍去，不可判定。
❌ 误区二：混淆极大/极小
记反了符号与凹凸性的关系。记忆口诀："正凹小，负凹大"。即二阶导为正（凹向上），是极小值；二阶导为负（凹向下），是极大值。
❌ 误区三：未验证
直接对任意点求二阶导。定理的前提必须是驻点（）或不可导点。若 ，该点根本不是极值候选点。
❌ 误区四：对 强行判定
算出二阶导为0后，随意猜测。此时必须明确声明“定理失效”，并切换至第一判定定理或高阶导数判定法。
常见问题解答 (FAQ)
不能。极值第二判定定理明确要求函数在 处具有二阶导数。如果 不存在，该定理无法直接使用。此时应检查 是否为不可导点，并使用极值第一判定定理（检查一阶导数符号变化）进行判定。
从几何直观来看， 意味着函数图像是凹向上的（Concave Up），形状像一个碗（）。在碗底（驻点），函数值比周围所有点都小，因此是极小值。反之， 对应凹向下（），像倒扣的碗，顶点是极大值。
是的，这是第一步。任何极值点必须在函数的定义域内。如果在求导过程中扩大了定义域（例如对 求导得到 ，定义域仍为 ，但若原函数为 ，定义域为 ），必须确保驻点在有效定义域内。
极值点是自变量 的值（如 ），是图像上的横坐标位置；极值是函数值 的值（如 ），是图像上的纵坐标高度。提问时需注意区分“求极值点”还是“求极值”。
闭区间 上的连续函数的最大值和最小值，可能出现在区间内部的极值点，也可能出现在区间的端点 或 。因此，求闭区间最值时，需比较所有内部极值与端点函数值的大小。而极值第二判定定理仅用于判断内部驻点的极值性质，不涉及端点。