当前位置: 首页 > news >正文

多元隐函数 偏导公式法 (显示变化 + 隐式变化)

📌 背景:

你有一个三元函数:

F ( x , y , z ) F(x, y, z) F(x,y,z)

现在把 z = z ( x , y ) z = z(x, y) z=z(x,y) 看作是隐函数,所以整个函数变成了二元复合函数:

F ( x , y , z ( x , y ) ) F(x, y, z(x,y)) F(x,y,z(x,y))

这个时候,我们要求它对 x x x 的偏导数:


✅ 第一步:链式法则适用

函数 F ( x , y , z ( x , y ) ) F(x, y, z(x,y)) F(x,y,z(x,y)) 是复合函数,形式上依赖于 x x x 有两条路径:

  • F F F 显式地依赖于 x x x
  • F F F 还通过 z ( x , y ) z(x, y) z(x,y) 间接依赖于 x x x

因此根据链式法则(多元复合函数的偏导规则),我们写出总偏导:

∂ ∂ x F ( x , y , z ( x , y ) ) = ∂ F ∂ x ⏟ 显式变化 + ∂ F ∂ z ⋅ ∂ z ∂ x ⏟ 通过  z 的变化 \frac{\partial}{\partial x} F(x, y, z(x,y)) = \underbrace{\frac{\partial F}{\partial x}}_{\text{显式变化}} + \underbrace{\frac{\partial F}{\partial z} \cdot \frac{\partial z}{\partial x}}_{\text{通过 \(z\) 的变化}} xF(x,y,z(x,y))=显式变化 xF+通过 z 的变化 zFxz



❓问题核心:

∂ ∂ x F ( x , y , z ( x , y ) ) 和 ∂ F ∂ x \frac{\partial}{\partial x} F(x, y, z(x, y)) \quad \text{和} \quad \frac{\partial F}{\partial x} xF(x,y,z(x,y))xF


不是一样的!

这两个东西长得像,但含义完全不同


🔍 区别详解:

表达式含义是否考虑 z = z ( x , y ) z = z(x, y) z=z(x,y) 的影响?
∂ F ∂ x \displaystyle \frac{\partial F}{\partial x} xF偏导:只看 F 对 x 的显式变化,把 z 当常数❌ 不考虑 z 变动
∂ ∂ x F ( x , y , z ( x , y ) ) \displaystyle \frac{\partial}{\partial x} F(x, y, z(x, y)) xF(x,y,z(x,y))复合函数的导数:F 的输入有三维,而 z 又是 x 的函数,链式法则要考虑所有路径✅ 考虑 z 对 x 的影响

🧠 举个具体的例子

设:

F ( x , y , z ) = x z + y , z = z ( x , y ) F(x, y, z) = xz + y, \quad z = z(x, y) F(x,y,z)=xz+y,z=z(x,y)

情况一:

直接偏导:

∂ F ∂ x = ∂ ( x z + y ) ∂ x = z (把 z 看成常数) \frac{\partial F}{\partial x} = \frac{\partial (xz + y)}{\partial x} = z \quad \text{(把 z 看成常数)} xF=x(xz+y)=z(把 z 看成常数)

情况二:

复合函数导数:

∂ ∂ x F ( x , y , z ( x , y ) ) = ∂ F ∂ x + ∂ F ∂ z ⋅ ∂ z ∂ x \frac{\partial}{\partial x} F(x, y, z(x, y)) = \frac{\partial F}{\partial x} + \frac{\partial F}{\partial z} \cdot \frac{\partial z}{\partial x} xF(x,y,z(x,y))=xF+zFxz

代入:

= z + x ⋅ ∂ z ∂ x = z + x \cdot \frac{\partial z}{\partial x} =z+xxz

⚠️ 两者显然不一样


✅ 总结:

∂ ∂ x F ( x , y , z ( x , y ) ) ≠ ∂ F ∂ x \boxed{ \frac{\partial}{\partial x} F(x, y, z(x, y)) \ne \frac{\partial F}{\partial x} } xF(x,y,z(x,y))=xF

前者是复合函数的偏导,需要用链式法则,后者只是普通偏导数,只考虑显式项, z z z 当常数



🧩 本质是:

为什么我们在写:

∂ F ∂ x \frac{\partial F}{\partial x} xF

的时候,要把 z 当成常数,而不是考虑 z = z ( x , y ) z = z(x, y) z=z(x,y) 的关系?


🌰 举个现实例子:

情景设定:

我们有一个函数:

F ( x , y , z ) = x z + y F(x, y, z) = xz + y F(x,y,z)=xz+y

而你又知道 z = z ( x , y ) = x + y z = z(x, y) = x + y z=z(x,y)=x+y

也就是说,F 实际上是:

F ( x , y ) = x ( x + y ) + y = x 2 + x y + y F(x, y) = x(x + y) + y = x^2 + xy + y F(x,y)=x(x+y)+y=x2+xy+y


两种不同视角(这就是你困惑的源头):


✅ 第 1 种写法:

∂ F ∂ x \frac{\partial F}{\partial x} xF

这表示:你把 F 当成是原始函数 F ( x , y , z ) F(x, y, z) F(x,y,z),不去理会 z 实际等于什么。

  • 你只考虑 z 是一个“独立变量”,不依赖 x
  • 所以你在求导的时候,只对 F 里出现的 “x” 部分做求导,把 z 当成常数处理!

所以:

∂ F ∂ x = ∂ ( x z + y ) ∂ x = z \frac{\partial F}{\partial x} = \frac{\partial (xz + y)}{\partial x} = z xF=x(xz+y)=z


✅ 第 2 种写法(你真正想要的):

∂ ∂ x F ( x , y , z ( x , y ) ) = ∂ F ∂ x + ∂ F ∂ z ⋅ ∂ z ∂ x \frac{\partial}{\partial x} F(x, y, z(x, y)) = \frac{\partial F}{\partial x} + \frac{\partial F}{\partial z} \cdot \frac{\partial z}{\partial x} xF(x,y,z(x,y))=xF+zFxz

这里你考虑的是:

“我知道 z = z ( x , y ) z = z(x, y) z=z(x,y),所以当 x 变时,z 也变,从而影响 F”

这是复合函数,需要用链式法则

我们刚刚的例子中:

  • ∂ F ∂ x = z \frac{\partial F}{\partial x} = z xF=z
  • ∂ F ∂ z = x \frac{\partial F}{\partial z} = x zF=x
  • ∂ z ∂ x = 1 \frac{\partial z}{\partial x} = 1 xz=1

所以:

∂ ∂ x F ( x , y , z ( x , y ) ) = z + x ⋅ 1 = z + x = x + y + x = 2 x + y \frac{\partial}{\partial x} F(x, y, z(x, y)) = z + x \cdot 1 = z + x = x + y + x = 2x + y xF(x,y,z(x,y))=z+x1=z+x=x+y+x=2x+y



✅ 核心总结:

表达式看法把 z 当常数吗?是否用链式法则
∂ F ∂ x \frac{\partial F}{\partial x} xF看 F 是 3 个变量的函数,不管 z 是不是函数✅ 是❌ 否
∂ ∂ x F ( x , y , z ( x , y ) ) \frac{\partial}{\partial x} F(x, y, z(x, y)) xF(x,y,z(x,y))z 是 x, y 的函数,F 是复合函数❌ 否✅ 是

http://www.dtcms.com/a/240749.html

相关文章:

  • 如何快速进行光伏发电量计算?
  • 网络爬虫解析技术与实战代码详解
  • Python应用输入输出函数
  • 【samba】umount:**** target is busy. ubuntu24.04 卸载挂载点
  • Linux离线(zip方式)安装docker
  • T型槽试验平台及其应用
  • 循环语句之while
  • java高级——高阶函数、如何定义一个函数式接口类似stream流的filter
  • 多模态大语言模型arxiv论文略读(113)
  • web vue 项目 Docker化部署
  • QT3D学习笔记——圆台、圆锥
  • 本地化部署 Dify 打造专属 AI 助手并嵌入网站
  • 门静脉高压——表现
  • 2021-03-15 iview一些问题
  • 在 Spring Boot 项目里,MYSQL中json类型字段使用
  • 开发认知提升
  • Kubernetes ClusterIP 端口深度解析:虚拟服务与流量转发机制
  • pocketflow库实现guardrail
  • 恶补电源:1.电桥
  • 【K8S】Kubernetes从入门到实战:全面指南
  • 微机原理与接口技术,期末冲刺复习资料(四)
  • EU 2023/1669与EU 2023/1670 的区别
  • 浅谈二叉堆实现的优先队列
  • c++第七天--继承与派生
  • 【把数组变成一棵树】有序数组秒变平衡BST,原来可以这么优雅!
  • 鸢尾花分类(KNN)
  • 【数据结构】图论最短路径算法深度解析:从BFS基础到全算法综述​
  • 数据结构 - 栈与队列
  • LangChain + LangSmith + DeepSeek 入门实战:构建代码生成助手
  • Tomcat 安装和配置