多元函数偏导公式-多元函数偏导公式：高维空间中的变化率解码

? 偏导数的严格数学定义

设函数 $z = f(x, y)$ 在点 $(x_0, y_0)$ 的某一邻域内有定义，当 $y$ 固定在 $y_0$ 而 $x$ 在 $x_0$ 处获得增量 $Delta x$ 时，函数相应地获得增量：

若极限

存在，则称此极限为函数 $f(x, y)$ 在点 $(x_0, y_0)$ 处对 $x$ 的偏导数，记作 $displaystyle frac{partial f}{partial x}$ 或 $f_x(x_0, y_0)$。

同理可定义对 $y$ 的偏导数 $displaystyle frac{partial f}{partial y}$。

? 几何意义：切线斜率 vs 切平面

在三维空间中，$z = f(x, y)$ 表示一张曲面。固定 $y = y_0$，曲线 $z = f(x, y_0)$ 是曲面与平面 $y = y_0$ 的交线——这是一条空间曲线。其在点 $(x_0, y_0, f(x_0, y_0))$ 处的切线斜率，正是对 $x$ 的偏导数 $frac{partial f}{partial x}(x_0, y_0)$。

类似地，固定 $x = x_0$，另一方向切线斜率即为 $frac{partial f}{partial y}$。

两个偏导数共同构成函数在该点的梯度向量：$nabla f = left( frac{partial f}{partial x},, frac{partial f}{partial y} right)$，它指向函数增长最快的方向。

? 偏导数存在的必要条件：连续性 ≠ 可导

函数在某点偏导数存在，不能推出该点连续！典型反例：

在 $(0, 0)$ 处：

• 对 $x$ 的偏导数：$displaystyle lim_{h to 0} frac{f(h, 0) - f(0, 0)}{h} = lim_{h to 0} frac{0 - 0}{h} = 0$
• 对 $y$ 的偏导数：同理也为 0

但沿路径 $y = x$ 趋近原点时：

故函数在原点不连续。这说明：偏导数存在仅保证沿坐标轴方向连续，不保证整体连续性。

? 高阶偏导计算：三阶偏导如何操作？

对 $f(x, y) = x^3 y^2 + sin(xy)$，求 $displaystyle frac{partial^3 f}{partial x^2 partial y}$：

1. 先对 $y$ 求一阶偏导：
   $frac{partial f}{partial y} = 2x^3 y + x cos(xy)$
2. 再对 $x$ 求一阶偏导：
   $frac{partial^2 f}{partial x partial y} = 6x^2 y + cos(xy) - xy sin(xy)$
3. 最后对 $x$ 求一阶偏导：
   $frac{partial^3 f}{partial x^2 partial y} = 12x y - y sin(xy) - y sin(xy) - xy^2 cos(xy)$
   $= 12xy - 2y sin(xy) - xy^2 cos(xy)$

? 克劳贝格定理（Schwarz 定理）

若函数 $f(x, y)$ 在区域 $D$ 内具有连续的二阶偏导数，则对任意 $(x, y) in D$，有：

即：混合偏导顺序可交换的前提是二阶偏导连续。

若二阶偏导不连续，顺序可能不可交换。经典反例：

计算可得：

• $displaystyle left. frac{partial^2 f}{partial x partial y} right|_{(0,0)} = -1$
• $displaystyle left. frac{partial^2 f}{partial y partial x} right|_{(0,0)} = 1$

者不等，且该函数在原点的二阶偏导不连续。

? 工程中的实用判断法

在物理建模（如热传导方程、弹性力学）中，绝大多数光滑函数（$C^2$ 类）都满足混合偏导相等。工程师常默认此性质以简化计算：

• 连续介质力学中，应变张量的对称性 $varepsilon_{ij} = varepsilon_{ji}$ 正源于此；
• 在数值微分（如有限差分法）中，采用中心差分格式可自动满足偏导交换性；
• 当使用符号计算软件（如 Mathematica、SymPy）时，系统会自动验证并简化混合偏导。

? 三元函数的混合偏导示例

设 $f(x, y, z) = x^2 y z^3 + e^{xy} cos z$，求 $displaystyle frac{partial^3 f}{partial x partial y partial z}$。

1. 对 $z$ 求偏导：
   $frac{partial f}{partial z} = 3x^2 y z^2 - e^{xy} sin z$
2. 对 $y$ 求偏导：
   $frac{partial^2 f}{partial y partial z} = 3x^2 z^2 - x e^{xy} sin z$
3. 对 $x$ 求偏导：
   $frac{partial^3 f}{partial x partial y partial z} = 6x z^2 - e^{xy} sin z - x y e^{xy} sin z$

若按其他顺序（如先 $x$ 再 $y$ 再 $z$）计算，结果应完全一致（因函数光滑）。

? 情景一：中间变量为单参数

设 $z = f(x, y)$，而 $x = x(t)$，$y = y(t)$，则 $z$ 是 $t$ 的复合函数：

例：$z = x^2 + y^2$，$x = cos t$，$y = sin t$

这说明 $z = 1$（常数），符合 $x^2 + y^2 = cos^2 t + sin^2 t = 1$。

? 情景二：中间变量为多参数

设 $z = f(u, v)$，$u = u(x, y)$，$v = v(x, y)$，则：

例：$z = sin(uv)$，$u = x^2 - y$，$v = e^x$

• $frac{partial z}{partial u} = v cos(uv)$，$frac{partial z}{partial v} = u cos(uv)$
• $frac{partial u}{partial x} = 2x$，$frac{partial u}{partial y} = -1$
• $frac{partial v}{partial x} = e^x$，$frac{partial v}{partial y} = 0$

? 全微分形式不变性：统一视角

无论 $z = f(x, y)$ 中 $x, y$ 是自变量还是中间变量，全微分恒为：

这一性质是偏导数理论的基石，也是热力学中状态函数处理的核心工具（如 $dU = T dS - P dV$）。

? 热传导方程：温度场的演化规律

维非稳态热传导方程：

其中 $u(x,t)$ 表示位置 $x$、时刻 $t$ 的温度。左边是温度对时间的偏导（变化率），右边是温度对空间的二阶偏导（曲率），比例系数 $a^2$ 为热扩散率。

物理意义：温度随时间的变化快慢，正比于该点温度分布的凹凸程度——凸起处降温快，凹陷处升温快，最终趋于平滑。

? 弹性力学中的应力-应变关系

应变能密度函数 $U(varepsilon_{xx}, varepsilon_{yy}, varepsilon_{xy})$，其偏导给出应力：

对胡克定律 $U = frac{1}{2E}[sigma_x^2 + sigma_y^2 - 2nusigma_xsigma_y] + frac{1}{2G}tau_{xy}^2$ 求偏导，可反推应力-应变关系，是有限元分析的理论基础。

? 经济学中的边际分析：Cobb-Douglas 生产函数

设生产函数 $Q(K, L) = A K^alpha L^beta$（$K$：资本，$L$：劳动力）

资本的边际产出：$displaystyle frac{partial Q}{partial K} = A alpha K^{alpha-1} L^beta = alpha frac{Q}{K}$

劳动力的边际产出：$displaystyle frac{partial Q}{partial L} = A beta K^alpha L^{beta-1} = beta frac{Q}{L}$

当 $alpha + beta = 1$ 时，函数具有规模报酬不变性；若 $alpha = 0.3, beta = 0.7$，则资本每增加 1%，产量约增加 0.3%。

? 机器学习中的梯度下降：优化的核心驱动力

损失函数 $L(w_1, w_2, dots, w_n)$ 是参数向量的多元函数。梯度：

参数更新规则：$displaystyle w_i^{(k+1)} = w_i^{(k)} - eta frac{partial L}{partial w_i}bigg|_{w^{(k)}}$

其中 $eta$ 为学习率。神经网络反向传播本质是链式法则对偏导的自动分解——每个偏导计算对应一个神经元的敏感度。

? 误区 1：把偏导当全导

错误：对 $f(x, y) = x + y$，若 $y = x^2$，直接写 $frac{partial f}{partial x} = 1$

正解：此时 $f$ 实际是 $x$ 的函数：$f(x) = x + x^2$，应求全导 $frac{df}{dx} = 1 + 2x$

当变量间存在依赖关系时，必须使用链式法则！

? 误区 2：忽略定义域限制

对 $f(x, y) = sqrt{xy}$ 求偏导：

此式仅在 $xy > 0$ 时成立；当 $x=0$ 或 $y=0$ 时需单独用定义计算：

• $f_x(0, y) = lim_{h to 0} frac{sqrt{hy} - 0}{h} = lim_{h to 0} frac{sqrt{|y|}}{sqrt{|h|}} cdot operatorname{sgn}(h)$（极限不存在，除非 $y=0$）

? 误区 3：混淆符号 $partial$ 与 $d$

偏导 $frac{partial f}{partial x}$ 表示多变量函数中单变量的变化率；全导 $frac{df}{dx}$ 表示单变量函数的导数。两者在记法上严格区分，不可混用。

? 误区 4：认为偏导连续 ⇒ 函数可微

正确结论是：偏导存在且连续 ⇒ 函数可微；但偏导存在 ≠ 可微。

反例：$f(x, y) = sqrt{|xy|}$ 在 $(0,0)$ 处偏导存在（均为 0），但不连续，故不可微。

? Q：偏导数为零是否意味着函数为常数？

A：不一定！仅当定义域是连通区域时成立。例如：

在 $x ne 0$ 处 $frac{partial f}{partial x} = 0$，但函数非常数。定义域必须是连通集（如整个平面、一个圆盘）才能推出常数。

? Q：如何快速判断一个函数是否可微？

A：三步检验法：

1. 检查偏导是否存在（必要条件）；
2. 检查偏导是否连续（充分条件，最实用）；
3. 若偏导不连续，用定义验证：
   $displaystyle lim_{(Delta x, Delta y) to (0,0)} frac{f(x+Delta x, y+Delta y) - f(x,y) - f_x Delta x - f_y Delta y}{sqrt{(Delta x)^2 + (Delta y)^2}} = 0$

? Q：多元函数的极值判定需要哪些偏导信息？

A：二阶偏导构成 Hessian 矩阵：

在驻点 $(x_0,y_0)$ 处：

• 若 $det(H) > 0$ 且 $f_{xx} > 0$ → 极小值；
• 若 $det(H) > 0$ 且 $f_{xx} < 0$ → 极大值；
• 若 $det(H) < 0$ → 鞍点；
• 若 $det(H) = 0$ → 无法判定。

? Q：有没有偏导计算的“速查表”？

A：整理了常用偏导公式（对 $x$ 求导，$y$ 视为常数）：