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.xdnf.cn/news/953857.html

相关文章:

  • ABAP设计模式之---“Tell, Don’t Ask原则”
  • STL 1 容器
  • 基于生态系统服务(InVEST模型)的人类活动、重大工程生态成效评估、论文写作
  • 12.找到字符串中所有字母异位词
  • Oracle查询表空间大小
  • vue的<router-link>的to里面的query和params的区别
  • pocketflow库实现guardrail
  • Nginx server_name 配置说明
  • Qt插件化编程的全面解析(QPluginLoader)
  • 微软PowerBI考试 PL300-在 Power BI 中清理、转换和加载数据
  • 云防火墙(安全组)配置指南:从入门到精通端口开放 (2025)
  • OCR、图像分类与目标检测
  • 雷达RCS计算中的旋转矩阵
  • 在Ubuntu上利用loongarch64交叉编译工具编译opencv4.4.0
  • 【排错】ollama报错unable to load model
  • 【知识点】第8章:程序设计方法论
  • CKA考试知识点分享(6)---PriorityClass
  • 自动化测试工具playwright中文文档-------19.评估JavaScript
  • 初版BL程序一些细节整理(碎碎念)
  • 相机Camera日志实例分析之二:相机Camx【专业模式开启直方图拍照】单帧流程日志详解
  • 无线耳机存储痛点解决方案-64Mb Quad-SPI Pseudo-SRAM CS56404L
  • 向量几何的二元性:叉乘模长与内积投影的深层联系
  • 安宝特方案丨从依赖经验到数据驱动:AR套件重构特种装备装配与质检全流程
  • SQL注入篇-sqlmap的配置和使用
  • 分布式计算框架学习笔记
  • 我的世界Java版1.21.4的Fabric模组开发教程(十二)方块状态
  • UE5 文本框自动换行
  • 苍穹外卖--缓存菜品
  • 用docker来安装部署freeswitch记录
  • “一张网,万般用”——聊聊网络虚拟化到底怎么实现的