微积分 (AI SL) (Calculus (AI SL)) — IB Math AI SL AI SL 学习指南

适合谁：IB Math AI SL 参加 IB Math: Applications & Interpretation SL 的考生。

覆盖内容：用技术近似梯度、实际情境最优化、梯形求面积法则、计算器求解定积分四大IB AI SL微积分核心考纲子主题。

前置知识：IGCSE / pre-DP 数学。

关于练习题：下文「练习题」一节的所有题目均为我们按 IB Math AI SL 风格编写的原创题目 (original problems)，仅用于教学。它们不是 IBO 真题的复制，措辞、数值或语境可能不同。请把它们当作练手用；评分细则请对照 IBO 官方 mark scheme。

1. 什么是微积分 (AI SL)？

IB AI SL的微积分全程侧重实际应用，不要求复杂的理论推导，核心是用微分、积分工具解决商业、工程、自然科学中的真实问题，属于考纲Topic 5模块，在试卷中占比约15%-20%。本模块全程允许使用图形计算器 (Graphic Display Calculator, GDC)，你不需要记忆复杂的求导、积分公式，重点掌握工具操作、问题建模、结果验证三个核心能力即可。

2. 用技术近似梯度 (Approximating gradient with technology)

梯度 (gradient) 是函数在某一点的切线斜率，代表函数在该点的变化率。AI SL不要求你用代数方法求导，只需要掌握两种近似方法：

1. 两点近似法：取待求点$x=a$附近两个极近的点$x=a-h$和$x=a+h$（$h$通常取0.001），用割线斜率近似切线斜率： $$f^{\prime }(a)\approx \frac{f(a+h)-f(a-h)}{2h}$$
2. GDC数值求导法：直接调用计算器的nDeriv（数值求导）功能，输入函数、自变量、待求点即可得到结果。

范例：求函数$f(x)=x^2{e}^{-x}$在$x=2$处的梯度，保留3位有效数字。 调用GDC的nDeriv(x^2*e^(-x),x,2)，得到结果约为0.000，说明$x=2$是该函数的一个极值点。

考点提示：考官经常要求你写出近似思路，不要只写最终结果，记得标注$h$的取值或计算器功能名称。

3. 实际情境中的最优化 (Optimisation in context)

最优化 (optimisation) 是微分在实际场景中的核心应用，常见题型包括利润最大化、成本最小化、容积最大化等，解题步骤固定：

1. 根据题干信息，用单一变量写出待优化的目标函数；
2. 对目标函数求导，令导数等于0，解出临界点；
3. 验证该临界点是最大值/最小值（可通过二阶导数符号、端点值比较，或结合实际场景判断）；
4. 代入临界点求出最优值，注意单位匹配。

范例：用一块面积为1200${\text{cm}}^2$的纸板做无盖长方体纸盒，底面为正方形，求纸盒的最大容积。

• 设底面边长为$x$，高为$h$，则表面积$S=x^2+4xh=1200$，整理得$h=\frac{1200-x^2}{4x}$；
• 容积目标函数：$V(x)=x^{2}h=300x-\frac{x^3}{4}$，定义域$0<x<\sqrt{1200}$；
• 求导得$V^{\prime }(x)=300-\frac{3x^2}{4}$，令$V^{\prime }(x)=0$，解得$x=20$（舍去负根）；
• 验证：当$x<20$时$V^{\prime }(x)>0$，$x>20$时$V^{\prime }(x)<0$，因此$x=20$是极大值点，对应最大容积$V=20^2\times 10=4000{\text{cm}}^3$。

4. 求曲线下面积的梯形法则 (Trapezoidal rule for area)

当被积函数没有初等原函数时，我们用梯形法则 (trapezoidal rule) 近似计算曲线下的面积（即定积分），公式如下： 将区间$[a,b]$分为$n$个等宽的小区间，每个区间宽度$h=\frac{b-a}{n}$，对应$n+1$个纵坐标$y_0=f(a),y_1=f(a+h),...,y_n=f(b)$，则： $${\int }_a^{b}f(x)dx\approx \frac{h}{2}\left[y_0+2(y_1+y_2+...+y_{n-1})+y_n\right]$$

范例：用$n=4$的梯形法则近似计算${\int }_0^2\sqrt{1+x^3}dx$，保留3位有效数字。

• 区间宽度$h=\frac{2-0}{4}=0.5$，5个纵坐标分别为：$y_0=1,y_1\approx 1.0607,y_2\approx 1.4142,y_3\approx 2.0917,y_4=3$；
• 代入公式得：${\int }_0^2\sqrt{1+x^3}dx\approx \frac{0.5}{2}\times [1+2\times (1.0607+1.4142+2.0917)+3]\approx 3.28$。

考点提示：$n$是区间数，对应$n+1$个纵坐标，不要把区间数和纵坐标数搞混，这是高频丢分点。

5. 用计算器求解定积分 (Definite integrals from calculator)

AI SL所有定积分题目都可以用GDC直接求解，不需要手动找原函数，操作步骤为：

1. 打开计算器的积分功能（通常标识为$\int$）；
2. 依次输入被积函数、自变量、积分下限、积分上限；
3. 按等号得到结果，注意保留题干要求的有效数字或小数位数。

范例：用计算器求${\int }_0^2\sqrt{1+x^3}dx$的精确值，和上一节梯形法则的结果比较误差。 GDC计算得精确值约为3.241，和梯形法则的近似值3.28相比，绝对误差约为0.039，$n$越大，梯形法则的误差越小。

考点提示：如果求的是实际面积，即使积分结果为负，也要取绝对值，因为面积没有负数。

6. 常见陷阱 (Common Pitfalls)

1. 错误做法：近似梯度时取$x=a$和$x=a+1$两个间隔大的点计算斜率，误差极大。原因：学生为了省时间取整数值，忽略了梯度是切线斜率，间隔越小越准确。正确做法：取$h=0.001$用两点公式计算，或直接调用GDC的数值求导功能。
2. 错误做法：最优化问题求出临界点后直接作为最优解，不验证也不考虑定义域。原因：误以为导数为0的点一定是所求的最值点，忽略了端点可能更优，或临界点超出定义域的情况。正确做法：先明确变量的合理定义域，再通过二阶导数或端点值验证临界点是最值。
3. 错误做法：梯形法则公式中首尾纵坐标$y_0、y_n$的系数也写成2。原因：记混了首尾项和中间项的系数，所有中间的纵坐标都对应两个梯形的边，所以系数为2，首尾只对应一个梯形的边，系数为1。正确做法：记牢公式结构，代入数值前先核对系数。
4. 错误做法：计算器求定积分时上下限输反，得到负数结果直接作为答案。原因：没有注意定积分的上下限默认从小到大，如果求面积的话结果一定为正。正确做法：得到负数结果先检查上下限顺序，求面积时直接取绝对值。

7. 练习题 (IB Math AI SL 风格)

题1

已知函数$f(x)=x\ln x$，用GDC求$x=3$处的梯度，保留3位有效数字。 解答：调用GDC的nDeriv(x*ln(x),x,3)，得到结果约为2.098，保留3位有效数字为$2.10$。

题2

某奶茶店销售$x$杯奶茶的日利润函数为$P(x)=-0.005x^2+8x-1000$，求该店的最大日利润，以及对应需要卖出的奶茶数量。 解答：

1. 对利润函数求导得$P^{\prime }(x)=-0.01x+8$，令$P^{\prime }(x)=0$，解得$x=800$；
2. 二阶导数$P^{\prime \prime }(x)=-0.01<0$，因此$x=800$为极大值点，符合实际场景的最大值要求；
3. 代入得最大利润$P(800)=-0.005\times 800^2+8\times 800-1000=2200$元。 答案：最大日利润为$2200$元，对应卖出$800$杯。

题3

用$n=4$的梯形法则近似计算${\int }_1^3{e}^{-0.5x}dx$，保留2位小数。 解答：

1. 区间宽度$h=\frac{3-1}{4}=0.5$，5个纵坐标分别为：$y_0\approx 0.6065,y_1\approx 0.4724,y_2\approx 0.3679,y_3\approx 0.2865,y_4\approx 0.2231$；
2. 代入梯形公式得：$\approx \frac{0.5}{2}\times [0.6065+2\times (0.4724+0.3679+0.2865)+0.2231]\approx 0.77$。 答案：$0.77$。

8. 速查表 (Quick Reference Cheatsheet)

9. 接下来怎么学

本章节是IB AI SL后续统计建模、运动学问题、成本收益分析的基础，后续Topic 6的统计分布、Topic 7的进阶应用场景都会用到微积分的基本思路，掌握好GDC的相关操作是本模块拿分的核心，不需要浪费时间练习纯代数求导、积分的题目。 如果你在刷题过程中遇到任何不懂的题目，都可以随时找小欧提问，我们会为你提供针对性的解题指导。