---
title: 8-3-多元复合函数与隐函数求导
aliases:
- 多元复合函数求导
- 多元隐函数
- 雅可比行列式
tags:
- 类型/教程
- 微积分/多元微分
created: 2026-10-12
updated: 2026-10-12
level: 进阶
chapter: "8.3"
prerequisites:
- "8-2-偏导数与全微分"
- "3-5-隐函数与参数方程求导"
sources:
- https://www.wiley.com/en-us/The+Calculus+Lifesaver%3A+The+Complete+Guide+to+Calculus+and+Its+Applications-p-9780470181222
- https://mathworld.wolfram.com/ChainRule.html
- https://mathworld.wolfram.com/Jacobian.html
8-3-多元复合函数与隐函数求导
一句话概括
现实中的量总是层层依赖的: 依赖 ,而 又依赖 (或依赖 ,或依赖彼此)。要把这种链式依赖的导数算对,靠的不是死记公式,而是画出变量之间的依赖树,然后沿每条从因变量到自变量的路径相乘、把同名的路径相加。
而隐函数求导是这套机制的漂亮应用:方程 表面上没有解出 ,但只要 ,「 是 的函数」这件事就被方程暗中规定了,对 用链式法则,立刻得到 。
本篇覆盖:一元链式法则的多元推广(四种典型结构)、全导数与偏导数的区别、树形图法、一阶全微分形式不变性的应用、隐函数存在定理与隐函数求导公式、隐函数组与雅可比行列式、齐次函数与欧拉定理。
一、定义
1.1 从一元链式法则说起
一元链式法则是(见 3-3-链式法则与复合函数求导):
一句话读法:沿依赖链把各段的导数相乘。 如果依赖关系分叉( 依赖 和 ,两者又都依赖 ),那么各条分支的乘积要加起来:
这两条规则(相乘、相加)就是多元链式法则的全部内容。 剩下的只是「怎么系统地找出所有路径」——这就是树形图法。
1.2 四种典型复合结构
把常见的多元复合结构列全,一共四种:
结构 I:一个中间变量,最终是一元函数
则 是 的一元函数,其导数称为全导数(total derivative):
结构 II:两个中间变量,最终是一元函数
仍然是 的一元函数,其导数是全导数:
注意这里用 而不是 ——因为 最终只是 的函数,只有一个自变量。
结构 III:两个中间变量,最终是两个变量的函数
是 的二元函数,其偏导数是:
结构 IV:混合型(部分是 的函数,部分与 无关)
注意 既是中间变量又是自变量(它同时出现在 的第三个位置和 的定义里),所以要用全导数,而且必须加上「直接依赖」那一项:
结构 IV 是最容易漏项的一种
最后那个 绝对不能丢。为了强调这一点,很多教材把函数写成 并把它的三个偏导记作 或 ,明确区分「 对第三个位置的偏导」与「 对 的全导数」。本库采用国内通行写法: 表示全导数(含所有项), 或 表示只对第三个位置求偏导。
1.3 全导数与偏导数的区别(重点辨析)
这是本篇最容易混淆的一对概念。
概念 | 记号 | 含义 | 何时出现
---|---|---|---
偏导数 | | 把其他变量全部冻结,只让 动 | 复合结构中还有其他自变量
全导数 | | 最终只依赖 ,所有依赖路径都要计入 | 结构 I、II、IV
判断标准只有一个: 最终是不是只依赖这一个变量?
- 若 只依赖 (所有「别的变量」都是 的函数),用 ;
- 若 还依赖别的自变量(比如 ),用 。
一个记号上的「历史遗留问题」
在结构 II 中,我们写 。但在很多教材(尤其物理类)里,也会写成 并附带说明「这里的 实际上是全导数」。看到 时,一定要先问: 的自变量到底是哪些? 本库统一用 表示全导数,避免歧义。
1.4 隐函数与隐函数存在定理
显函数是 这种「解出来」的形式;隐函数(implicit function)是由方程
暗中规定的函数关系。例如 在点 附近规定了 这个函数。
但不是所有方程都能规定函数。例如 不规定任何实函数(无解); 只规定一个点; 在原点附近规定了两条直线,不是函数。所以需要一个存在性定理。
定理 8.1(隐函数存在唯一性定理,一元隐函数)
设函数 满足:
① 在点 的某邻域内连续,且具有连续的偏导数 、;
② ( 在曲线上);
③ 。
则存在 的一个邻域与 的一个邻域,使得在这两个邻域的乘积内,方程 唯一确定了一个定义在 邻域上的连续可导函数 ,满足 且 。
证明思路 三条条件分别保证:① 函数的「规整性」(可用中值定理);② 曲线经过 ;③ 曲线在 处与 轴方向横穿(不是相切),因此局部可以「投影」成单值函数。细节属于数学分析课程,自学阶段掌握结论与用法即可。
适用条件 三条缺一不可。特别是 ③ :若 ,隐函数可能不存在,或者不唯一。例如 在 处 ,此时 两支都是解,不唯一(而且 在原点发散)。
定理 8.2(隐函数求导公式)
在定理 8.1 的条件下, 可导,且
证明 把 代回方程,得恒等式
两边对 求导。注意 是两个变量的函数,而 通过两条路径影响左边:一条是第一个变量(直接),一条是第二个变量(通过 )。由链式法则(结构 II):
由 ,解得 。
要点 这个证明只有两行,但它是本章最重要的一个推导。记住这个推导比记住公式更划算——因为多元隐函数组的公式复杂得多,而「代回方程、两边求导」这个思路是通用的。
记忆法:——「上除以下,添个负号」。(因为移项后 。)
1.5 三元隐函数
若方程是 ,则在 的条件下,它可以确定 ,且
推导方式完全相同:把 代回得 ,对 求偏导(此时 被冻结,所以 那条路径没有贡献):
对 求偏导同理,得 。
一条永远不会错的口诀
「谁是被求的变量,谁就待在分母上;分子是把它换成求导变量。」
求 ,分母是 (被求变量是 ),分子是 (求导变量是 ),前面加负号。求 ,分母是 ,分子是 。求 (即把 看成 的函数),分母是 ,分子是 。
注意:这个口诀对三个变量的情形完全适用,但对隐函数组(多个方程)不再适用,那时必须用雅可比行列式(见 1.6)。
1.6 隐函数组与雅可比行列式
若有两个方程
则一般可以确定两个函数 、。这时不能再用「上除以下」的简单公式,而要用线性方程组。
把两个恒等式分别对 求偏导( 冻结):
把 、 看作未知量,这是一个二元一次方程组,其系数行列式是
称为 关于 的雅可比行列式(Jacobian determinant)。
定理 8.3(隐函数组存在定理与求导公式)
若 在 的某邻域内连续可偏导,,且
则在 附近方程组唯一确定 、,且
更规范的写法是用克莱姆法则:把上面方程组的系数行列式 放在分母,把右端项 替换对应的列。
实用建议 不要背这个公式,直接列方程组用消元法或克莱姆法则解。列方程组的步骤是机械的,几乎不会出错。
雅可比行列式的记号与含义
行对应函数( 一行、 一行),列对应变量( 一列、 一列)。
一般地, 个函数关于 个变量的雅可比行列式就是它们的偏导数矩阵的行列式。它在 9-1-二重积分 的变量代换公式里会再次出现(),在那里它表示「面积元的伸缩倍数」。
二、几何直观
2.1 依赖树:把公式画出来
多元链式法则的公式看上去吓人,但只要画一棵树,公式就自己长出来了。
以结构 III(,,)为例,画法如下:
- 树根是 ;
- 的下一层是 与 (因为 的两个自变量是它们);
- 的下一层是 与 ; 的下一层也是 与 。
z
/ \
x y
/ \ / \
s t s t
求 的规则:
- 找出所有从 到 的路径。这里有两条: 与 。
- 每条路径上把各段的导数相乘:第一条给 ,第二条给 。
- 把各条路径的结果相加。
「路径相乘,分叉相加」——这八个字概括了多元链式法则的全部。
再看结构 IV(,,)的树:
z
/ | \
x y t
t t t
从 到 有三条路径:、、(直达)。第三条就是那个容易被漏掉的项 。所以
「直达路径」是漏项的重灾区,画树时务必把每一个自变量都画成一个叶子(哪怕它同时是中间变量)。
2.2 隐函数的几何图像:曲线与切线的斜率
方程 的图像是 平面上的一条曲线 。在点 处, 有一条切线。隐函数求导公式给出的就是这条切线的斜率。
为什么需要 ?看图:
- 若 ,说明切线不是竖直的(因为竖直切线的方向向量是 ,对应 且 )。此时曲线在 附近是「横着走」的,每个 只对应一个 ,可以解出 。
- 若 而 ,切线是竖直的。此时曲线在 附近「竖着走」,一个 对应多个 ,解不出 (但可以解出 !)。
- 若 ,则 是奇点(比如 的原点,是一个尖点),切线可能不存在或有多条。
一句话记住前提的作用
的几何含义是「曲线在该点的切线不竖直」,所以它可以被看成 关于 的函数。
同理,(三元情形)的含义是「曲面在该点的切平面不竖直(不含 轴方向)」,所以它可以被看成 关于 的图像。
用 具体看一眼。取 ,则 、。
这与直接对 求导的结果一致: ✓。
几何检验:在点 处斜率为 ,与圆周在该点的切线(垂直于半径,而半径斜率是 )确实垂直 ✓。
再看前提失效的地方:在点 处 ,公式给出「斜率为无穷」——这正说明单位圆在 处的切线是竖直的,此处不能把 看成 的函数(同一个 附近有两个 值……实际上 稍大于 时无解,稍小于 时两个解)。图像上, 的点正是曲线「竖直穿过」的点。
2.3 全微分形式不变性的图像意义
一阶全微分形式不变性(见 8-2-偏导数与全微分)说
无论 是自变量还是中间变量。
几何上怎么理解? 是「 在切平面上的增量」,而切平面是曲面在一点的线性化。线性化的过程是「局部」的,它不关心 全局上是不是独立变量——只要在讨论的那一点附近, 是实实在在的一阶小量,线性关系 就成立。
这也解释了为什么二阶微分没有这个性质:二阶微分涉及曲率信息,而曲率与坐标选取有关( 是中间变量时,它们的二阶微分 会混进来),所以形式会变。
2.4 用图像理解「全导数」
结构 II(,,)的几何图像是:平面 上有一条曲线 ,你在曲面上沿这条曲线走, 就是你前进时高度的变化率。
它由两部分组成:
- :向东走的分量带来的高度变化;
- :向北走的分量带来的高度变化。
这正是一元「沿山路走,高度变化率 = 坡度 × 速度」的二维版本。写成向量形式更漂亮:
(这正是第 8-4-方向导数与梯度 篇「方向导数 = 梯度点乘单位向量」的一般形式,当 时它就是方向导数。)
三、性质与定理
3.1 多元复合函数的求导法则(链式法则)
定理 8.4(多元链式法则)
设 在点 处可微,而每个 都在点 处可微,则复合函数
在 处可微,且对每个 :
证明思路 由 可微,
由每个 可微,。代入并整理,利用 ( 为常数,由可微性保证),可得
方括号内的系数与 无关,故它就是 。
适用条件(关键) 外层函数 必须可微(不是「偏导存在」!)。若只假设 有偏导数,链式法则可能失效。这是链式法则最容易被忽略的一个前提。对于初等函数与多项式组成的情形,可微性自动满足,所以实际计算中很少出问题;但在做概念辨析题时必须写清这一点。
一个链式法则失效的反例(了解即可)
取 为例题 8 中那个「偏导存在但不连续」的函数 (补 ),并取 、。则 ()、。此时 在 处不连续,更谈不上可导;而形式上的链式法则会给出 ,与真实情况( 不存在)不符。
结论:没有可微性,链式法则的公式就没有保证。 做概念判断题时,「 可微」这个前提不能省。
3.2 全微分形式不变性
定理 8.5(一阶全微分形式不变性)
设 可微,、 也可微,则复合函数可微,且
证明 由链式法则
重新分组:
适用条件 只对一阶微分成立。二阶微分不具有形式不变性。
3.3 隐函数存在定理与求导公式
定理 8.6(三元隐函数求导公式)
设 在 的邻域内连续可偏导,,且 。则方程 在 附近唯一确定可微函数 ,且
证明 把 代入得恒等式 。对 求偏导( 固定,故 那条路径无贡献):
对 求偏导同理。
适用条件 是核心前提;同时 必须连续可偏导,。
定理 8.7(隐函数组:雅可比行列式与克莱姆法则)
设 、 满足前述条件,且
则方程组确定 、,且 、 由线性方程组
唯一确定(、 由把右端换成 的方程组确定)。
适用条件 是可解性(也是隐函数组存在性)的核心条件。 出现在分母上,所以 时不能这样解。
实用建议 列方程组 + 克莱姆法则永远是最稳的做法。
3.4 齐次函数与欧拉定理
定理 8.8(欧拉齐次函数定理)
若函数 满足对任意
则称 是 次齐次函数(homogeneous function of degree )。若 可微,则
证明 对恒等式 两边关于 求导。左端用链式法则(结构 II,中间变量是 与 ):
右端为 。令 ,得
适用条件 必须可微; 可以是任意实数(正的、负的、分数的)。
例子 是 次齐次函数,验证: ✓。经济学中的 Cobb-Douglas 生产函数 在 时是 次齐次的(规模报酬不变)。
齐次性的快速判据
若 是「分子的每一项次数都相同」的有理式,它就是齐次函数,次数就是分子的次数减去分母的次数。例如 是 次齐次。用这个判据可以迅速检查欧拉定理的适用性。
四、计算方法与步骤
4.1 复合函数求导的标准流程
Step 1 画依赖树。 树根是最终要求导的函数,每一层写出它的直接自变量,直到叶子(真正的自变量)。
Step 2 确定「路径」。 从树根到目标自变量,数出所有路径。
Step 3 每条路径相乘,各路径相加。
Step 4 检查是否漏了「直达路径」。 若某个自变量同时出现在中间层和叶子层(如结构 IV),必须在树上为它单独画一个叶子,并加上对应的项。
树形图的三个实操要点
① 树上只写变量名,不写函数名,避免混乱;
② 每一层都要写全:例如 的下一层必须同时有 和 ,即使某条路径最终不走到目标自变量;
③ 写完公式后数一遍项数:若从 到 有 条路径,公式里就该有 项。项数不对,一定有漏项或多项。
4.2 隐函数求导的标准流程(三种方法)
方法一:公式法(最快)
- 把所有项移到一边,构造 ;
- 算 、(注意:求 时 是独立变量,不看作 的函数);
- 套公式 。
方法二:直接求导法(最不易错)
把 看作 的函数,对方程两边直接求导,遇到 的项时用链式法则(如 ),然后解出 。
方法三:微分法(最灵活)
对方程两边求全微分,利用一阶全微分形式不变性,再整理出 。例如 两边微分:
三种方法的取舍
考试中最推荐方法一(快),检查时用方法二(稳),处理无法显式解出的复杂方程时用方法三(灵活)。
一个常见的错误:用方法一时,把 里的 也当成 的函数去求导。 是四个(或三个)独立变量的函数,求 时 是常数,不要动它。
4.3 隐函数组的求解流程
Step 1 确定「谁是自变量、谁是因变量」。例如 中,通常 是自变量, 是因变量。
Step 2 对目标自变量(比如 )求偏导,把两个恒等式分别求导,得到关于 、 的线性方程组。
Step 3 用克莱姆法则或消元法解出 、。
Step 4 检查系数行列式 。
Step 5 若要 、,把右端的 换成 重做一遍。
4.4 一阶全微分形式不变性的「批量求偏导」技巧
这是计算复合函数偏导数时最省事的方法:
- 写出 ;
- 把 、 继续展开成 、 的组合;
- 整理成 ;
- 结论:,。
为什么这招好用:它把「找路径、别漏项」这个容易出错的工作,转化成「代数展开」这个机械动作。处理三项以上的复合结构时优势明显。
五、例题
例题 1(计算:结构 II 的全导数)
设 ,而 、,求 。
思路 先画树: 的下一层是 ,它们的下一层都是 。有两条路径。
解
第 1 步:算各段导数。
第 2 步:路径相乘、分叉相加。
第 3 步:用「先代入再求导」复核。 因为 ,所以 , ✓。
结论 。几何含义:你在单位圆上走,而 是到原点距离的平方——沿单位圆走当然始终是 ,高度不变。这个例子说明:复合函数的导数可能因为变量间的约束而恒为零,这是「路径沿等高线走」的表现。
例题 2(计算:结构 III 的偏导数)
设 ,而 、,求 。
思路 这是结构 II,两条路径。
解
第 1 步:各段导数。
第 2 步:合并。
第 3 步:用 、 代回。
结论 。注意:若把 写成 直接求导,结果相同(这是对一元乘积求导),两条路都行,但链式法则的做法在结构更复杂时更可靠。
例题 3(计算:结构 IV 的「直达路径」)
设 ,而 、,求 。
思路 这是结构 IV: 既是中间变量(通过 )又是自变量( 的第三个位置)。树上有三条路径。
解
第 1 步:算三个偏导。
第 2 步:算两个全导数。
第 3 步:三条路径相加。
第 4 步:代入 、。
第 5 步:复核(先代入再求导)。 ,故 ✓。
结论 。关键点:第三项 绝不能漏。若漏掉它,会得到 ,与正确答案相差 ——差得很多。
例题 4(计算:隐函数求导的三种方法对比)
设 ,求 。
思路 三种方法都做一遍,比较其便利性。
解
方法一(公式法)。 令 ,则
(**求 时把 当常数,所以 ;求 时把 当常数,所以 。)于是
方法二(直接求导法)。 把 看成 的函数,两边对 求导:
(注意 ,这是乘积法则;,这是链式法则。)整理:
方法三(微分法)。 两边求全微分:
整理:,故
结论 三种方法结果一致:。注意前提:分母 ,这正是定理 8.1 中的条件 。当 时(代入原方程得 ,即 ,),曲线在该点的切线竖直,无法写成 。
例题 5(计算:三元隐函数)
设 ,求 与 。
思路 构造 ,用公式 。
解
第 1 步:算三个偏导(把 看成 的独立函数)。
第 2 步:套公式。
第 3 步:用一个恒等式化简。 由 ,有 。于是
结论 ,。前提:,即 (由 看出: 时 )。当 时 ,此时不能把 看成 的(单值)函数。
例题 6(概念辨析:全导数与偏导数)
设 可微,、 可导。判断下列说法是否正确:
① ;
② ;
③ 若 ,则 。
思路 关键问题: 的自变量到底有哪些?
解
第 1 步:① 正确。 这里 最终只依赖 ( 都是 的函数),所以用全导数,公式正是链式法则(结构 II)。
第 2 步:② 记号不当。 作为复合函数只有一个自变量 ,所以不存在「」。若把 理解为「固定什么对 求偏导」,那必须说明固定的是谁——但 都由 唯一决定,无法「固定」。所以 ② 的写法是错的(应写 )。唯一例外:若把 记成 这种「 也出现在 的参数表中」的形式,则 有意义(见例题 3),但它不等于全导数。
第 3 步:③ 正确。 由 ①,若 ,第一项为零,剩下的正是 。几何上: 不变、 在变, 的变化完全由 引起。
结论 ① 对,② 记号错误(应为全导数),③ 对。务必分清:全体变量都是同一个自变量的函数时用 ;还有别的独立自变量时用 。
例题 7(概念辨析:链式法则的前提是可微)
设 ,,。有人说:「只要 的两个偏导数存在、 的偏导数存在,就有 。」这个说法对吗?
思路 回忆定理 8.4 的前提。
解
第 1 步:定理的要求。 定理 8.4 明确要求外层函数 可微(而不只是「偏导存在」),内层函数 也可微。
第 2 步:反例。 取 (补 ,见 8-2-偏导数与全微分 例题 8),它在 处两个偏导数都存在(都是 )但不连续、不可微。取 、,则复合函数
在 处不连续,因此 不存在。而形式上的链式法则给出
一个不存在的导数被「算」成了 ——公式失效。
第 3 步:结论。 说法错。正确的表述必须加上「 在相应点可微」这个前提。
结论 链式法则的充分条件是「外层可微、内层可微」。在实际计算中遇到的函数几乎都满足,但这个前提在概念题里必须写出来。《普林斯顿微积分读本》与国内教材在这一点的表述是一致的。
例题 8(计算:隐函数组与雅可比行列式)
设方程组
确定 、,求 与 。
思路 按 4.3 的流程:对 求偏导,列出关于 、 的线性方程组,再解。
解
第 1 步:构造 。
第 2 步:算偏导。
第 3 步:列方程组。 对两个恒等式关于 求偏导( 固定):
第 4 步:化简第二式并代入第一式。 第二式除以 :。由第一式 。
由第一式得 ,代入:
第 5 步:解出。
第 6 步:检查雅可比行列式。
故 ,与分母 一致。
结论 ,,前提是 。
例题 9(定理理解:隐函数存在定理的条件)
考察方程 在点 附近能否确定唯一的隐函数 ;在点 附近呢?
思路 逐条检验定理 8.1 的三个条件。
解
第 1 步:在 处检验。
① 连续可偏导(多项式)✓;
② ✓;
③ , ✗。
条件 ③ 不满足,定理不适用。实际上: 在 时给出两条分支 ,在原点附近不是单值函数(同一个 对应两个 );而且这两条分支在 处虽然是连续的(),但曲线在原点有一个尖点,两条分支以相反方向的切线汇合。「确定唯一的隐函数」这件事在 附近失败。
第 2 步:在 处检验。
① ✓;② ✓;③ ✓。
三条全满足,故在 附近唯一确定可导函数 ,且
在 处值为 。
第 3 步:几何解读。
- 在 ,曲线 有一个尖点(cusp)。此时 且 ,两个偏导同时为零,属于比「切线竖直」更复杂的奇点:曲线在原点处没有明确的切线方向(两条分支的切线都是水平的,但它们从相反方向汇合),而且局部图像不能表示为单值函数 。
- 在 ,,曲线光滑,可以表示为 (取上半支),导数为 ✓,与公式算出的 一致。
结论 在 处定理条件不满足(),隐函数不唯一;在 处条件全部满足,隐函数存在唯一且可导。这说明了 这个条件的必要性。 顺带记住:当 与 同时为零时,是更强的退化情形,公式 会给出 ,完全失效。
例题 10(计算:抽象函数的复合求导)
设 ,其中 具有连续的一阶偏导数。求 与 。
思路 「抽象函数」的意思是 的表达式没给出来,只能用 、 表示它对第一、第二个变量的偏导。这时更要靠树形图。
解
第 1 步:命名中间变量,画树。 令 、,则 。
z
/ \
u v
/ \ / \
x y x y
第 2 步:算各段。
第 3 步:两条路径相加。
(这里 、 分别在 处取值。)
结论 ,。要点:抽象函数的题,把 与 原样保留(它们是关于 的函数),不要试图「算出来」。若要继续求二阶偏导,还要对 、 再用一次链式法则(如 )。
例题 11(证明题:反函数(反函数组)的导数)
设 的反函数是 。用隐函数求导公式导出 。
思路 把「互为反函数」写成隐式方程。
解
第 1 步:写出隐式方程。 由 ,令
第 2 步:套隐函数求导公式(把 看成 的函数)。
第 3 步:写成 的语言。 因为 ,故 ,其中 。
结论 。这个推导展示了一个重要观念:反函数求导公式本质上是隐函数求导的特例。注意:用公式时「谁是被求的变量,谁就待在分母上」——这里被求的是 ,所以分母是 。这与 的写法正好「倒过来」,请对照体会。**
例题 12(反例构造:混合偏导与隐函数求导的结合)
设 由方程 确定。求 、,并验证 。
思路 先用隐函数公式求一阶偏导,再对结果继续求偏导。这是「隐函数 + 高阶偏导」的综合题,考试中很常见。
解
第 1 步:一阶偏导。 令 ,则 、、。于是
第 2 步:求 。 由 ,对 求偏导(注意 是 的函数):
代入 :
第 3 步:求 复核。 由 ,对 求偏导:
代入 :
第 4 步:比较。 ✓,符合定理 8.6( 是多项式,一切连续)。
结论 ,,且 。前提:。
例题 13(计算:用全微分法「批量」求偏导)
设 , 有一阶连续偏导。用全微分法求 与 。
思路 用「 时 、」这一招。
解
第 1 步:命名中间变量。 令 、。
第 2 步:写全微分。
第 3 步:展开 、。
第 4 步:合并同类项。
第 5 步:读系数。
结论 ,。(、 在 处取值。)这个方法的好处:不需要画树,也不会漏项——因为「合并同类项」这个动作会自动把所有路径收进来。
例题 14(证明题:欧拉齐次函数定理的应用)
设 是可微的 次齐次函数。证明 与 都是 次齐次函数。
思路 从定义出发:对 两边求偏导,注意左右两边都是 的函数或 的函数,要求导后再比较。
解
第 1 步:写出齐次性恒等式。
第 2 步:两边对 求偏导。 左端用链式法则(把 看成 的函数:,):
即
第 3 步:整理。 两边除以 ():
这正是「 是 次齐次函数」的定义。
第 4 步:对 同理。
结论 、 都是 次齐次函数。例子验证:( 次齐次),( 次齐次)✓。这个结论在经济学里很有用:若生产函数是 次齐次的(规模报酬不变),则边际产出 、 是 次齐次的(只依赖要素比例,与规模无关)。
例题 15(计算:相关变化率的复合应用)
一个圆锥形容器,底面半径 与高 都在变化,体积 。已知 cm/s、 cm/s。当 、(单位 cm)时,求 。
思路 这是结构 II 的直接应用( 都是一元函数 的函数)。
解
第 1 步:算两个偏导。
第 2 步:套全导数公式。
第 3 步:代入 、、、。
结论 cm³/s(体积在增大)。注意符号:(高在减小)使第二项为负,部分抵消了半径增大的效应。这类「相关变化率」问题见 3-7-相关变化率,多元版本只是多了一条路径。
六、应用
6.1 坐标变换与热传导方程
把直角坐标下的拉普拉斯方程
变换到极坐标 ,需要计算 、 等。这时用的是结构 III 的链式法则(,,):
连续用两次,最终得到极坐标下的拉普拉斯方程
为什么工科必须会这个:圆形区域上的热传导、静电场、薄膜振动问题,在直角坐标下边界条件写不出来(因为边界是圆),必须换到极坐标。这是链式法则最重要的工程应用之一。
6.2 热力学关系式
热力学里有一整套「偏导数恒等式」,它们全部是链式法则与隐函数求导的产物。例如三个状态量 满足状态方程 ,则由隐函数求导:
三式相乘,右端恰好约掉:
这就是热力学中著名的「循环关系式」。 它看起来违反直觉(三个偏导相乘等于 而不是 ),但推导只用了一行隐函数公式。这个例子完美说明了「为什么物理系学生必须学好多元微分」。
6.3 经济学中的边际替代率
设效用函数 ,其中 是两种商品的消费量。无差异曲线是 (效用不变的轨迹)。由隐函数求导,无差异曲线的斜率是
这个量的绝对值称为边际替代率(MRS, marginal rate of substitution):为了多消费一单位 ,愿意放弃多少 。
注意它出现在分母上的那个量是「被替代的商品」的边际效用——这正是隐函数求导公式中「谁在分母上」的直接体现。
6.4 用 numpy 数值验证复合函数求导
本示例只用 numpy。
import numpy as np
def f(x, y, t):
return x**2 + y * t # z = f(x, y, t)
def dz_dt_numeric(t, h=1e-6):
def z(tt):
x = tt**2
y = tt + 1
return f(x, y, tt)
return (z(t + h) - z(t - h)) / (2 * h)
def dz_dt_analytic(t):
# dz/dt = 2x*2t + t*1 + y = 4t^3 + 2t + 1
return 4 * t**3 + 2 * t + 1
for t in [0.0, 1.0, 2.0]:
print(f"t = {t}: 数值 {dz_dt_numeric(t):.6f} 解析 {dz_dt_analytic(t):.6f}")
输出形如:
t = 0.0: 数值 1.000000 解析 1.000000
t = 1.0: 数值 7.000000 解析 7.000000
t = 2.0: 数值 37.000000 解析 37.000000
读法:数值全导数与链式法则的结果一致。这个脚本特别适合检验「有没有漏掉直达路径那一项」——如果你漏了 ,解析式会变成 ,与数值结果立刻不符。
6.5 隐函数求导的数值检验
import numpy as np
# 方程 x^2 + x y + y^2 = 3,在 (1, 1) 附近解出 y(x)
def y_of_x(x):
# 解 y^2 + x*y + (x^2 - 3) = 0
disc = x**2 - 4 * (x**2 - 3)
return (-x + np.sqrt(disc)) / 2 # 取 + 号分支
x0 = 1.0
h = 1e-6
numeric = (y_of_x(x0 + h) - y_of_x(x0 - h)) / (2 * h)
y0 = y_of_x(x0)
analytic = -(2 * x0 + y0) / (x0 + 2 * y0)
print(f"数值 dy/dx = {numeric:.6f}, 公式 dy/dx = {analytic:.6f}")
输出形如:
数值 dy/dx = -1.000000, 公式 dy/dx = -1.000000
读法:在 处(对应 分支),隐函数求导公式给出 ,数值差分也是 。当题目要求验证隐函数求导结果时,这种做法最快。
七、易错点
易错点 1:漏掉「直达路径」(结构 IV)
错在哪 对 、、,只写 ,忘了 。
正确是什么 必须加上 这一项。
为什么 出现在 的参数表里,是一条独立的依赖路径。在树上画出 的三条分支(到 、、),就不会漏。检验方法:把 的表达式显式算出来直接求导,与链式法则的结果对比。
易错点 2:全导数写成偏导数(或反之)
错在哪 在 、、 的情形写 。
正确是什么 应写 (全导数),因为 最终只有 一个自变量。
为什么 偏导数的记号暗示「还有其他自变量被固定」,但这里没有其他自变量。记号混用会导致在更复杂的情形(比如既有 又有 )中分不清该不该加项。
易错点 3:隐函数求导时把 里的 也当成 的函数
错在哪 对 ,求 时写成 。
正确是什么 是两个独立变量 的函数,求 时 是常数:。
为什么 「 是 的函数」这件事只在代入之后(即讨论 时)成立。公式 中的 、 是在代入前计算的,此时 地位平等。这是最容易搞混的一点,务必想清楚「在哪一步代入」。
易错点 4:忘了隐函数求导的负号
错在哪 写 。
正确是什么 (有负号)。
为什么 由 移项得 ,所以有负号。速查方法:用 验证。、,正确的是 (在单位圆上,切线垂直于半径,斜率确实是 )。若漏掉负号会得到 ,显然错。
易错点 5:忘记验证隐函数存在的前提
错在哪 直接用公式算出 ,不检验 。
正确是什么 在写公式前(或至少在结论里)说明「当 时」。
为什么 ① 从数学上看, 时公式无意义(分母为零),且隐函数可能根本不存在;② 从考试上看,很多题目明确要求「指出在什么条件下隐函数存在」或「讨论 的点」,漏掉就丢分。
易错点 6:隐函数组的自变量与因变量搞混
错在哪 方程组 中,误以为 是因变量。
正确是什么 通常题目会说明「确定 、」,即以 为自变量。若题目没说,要自己判断(一般以「哪些变量是被方程约束的」为准,且要求相应的雅可比行列式非零)。
为什么 自变量与因变量决定了对谁求偏导、方程组右端写什么。搞反了整道题都会错。判断技巧:看看题目最后要你求的是 还是 ——被求的那个是因变量,分母上的那个是自变量。
易错点 7:以为抽象函数的 可以「算出来」
错在哪 对 ,试图把 写成具体表达式。
正确是什么 表示 对第一个变量的偏导,它本身仍是 的函数,保留记号即可: 或 。
为什么 题目只给了「 有连续偏导」这一信息,没有给 的表达式,所以不可能算出来。抽象函数题考查的正是「你能不能用记号把结构表达清楚」。 求二阶偏导时要注意 也是复合函数,还要再用一次链式法则。
易错点 8:链式法则的前提「可微」被忽略
错在哪 认为「 的偏导存在 + 内层偏导存在 链式法则成立」。
正确是什么 必须外层可微(定理 8.4)。反例见例题 7。
为什么 链式法则的证明要用 这个「线性逼近」表达式,而它正是可微性的定义。只假设偏导存在时,这个表达式不成立(因为 那部分可能不趋于零,见 8-2-偏导数与全微分 例题 8)。
八、练习题
A 组(基础)
- 设 ,、,求 。
- 设 ,、、,求 (注意这里 的三个位置都是 的函数,没有「直达路径」)。
- 设 ,求 。
B 组(概念与反例)
- 区分并举例说明: 与 (在同一道题里两者意义不同)。
- 设 ,、。写出 的完整表达式,并说明每一项的来源(用树形图)。
- 判断正误并说明理由:① 只要 的偏导存在、内层偏导存在,链式法则就成立;② 隐函数求导公式 在任何点都成立;③ 一阶全微分形式不变性对中间变量也成立;④ 二阶全微分也有形式不变性。
C 组(提高)
- 设 由 确定,求 、。
- 设方程组 确定 、,求 、,并写出雅可比行列式非零的条件。
答案在哪
本篇练习的详细解答(出处 / 考点 / 思路 / 分步解 / 答案 / 易错点)见 10-微积分-08-多元函数微分学;分章导航见 00-总索引。
九、常见问题 FAQ
Q1:链式法则的公式那么多,怎么才能不漏项?
只有一条可靠的办法:画树。树画对了,公式就自动出来了(路径相乘、分叉相加)。三个实操要点:① 树的每一层写出所有直接自变量,一个不漏;② 画完后数一数从根到目标叶子的路径条数,公式里就该有那么多项;③ 特别警惕「既是中间变量又是自变量」的情形(如 里的 ),它在树上要出现两次:一次作为叶子(直达路径),一次作为中间层下方的叶子。画树只花 20 秒,却能避免整道题作废。
Q2:隐函数求导,我该背公式还是每次现推?
建议:记住公式,但也要会现推。 公式 很快,考试直接用;但「代回方程两边求导」这个推导思路更重要——因为隐函数组的公式记不住(也不好记),只能靠列方程组;而且很多概念的推导(如反函数求导、热力学循环关系式)都要用这个思路。另外,用公式时务必记住:、 是在「 地位平等」的前提下算的,不要提前把 当作 的函数。
Q3: 和 有区别吗?
在简单情形(, 是自变量)两者一样。但在复合情形(,,)中, 是复合后的偏导(含两条路径),而 是外层函数对第一个位置的偏导。为了区分,本库(以及多数国内教材)在抽象函数题里用 、 表示对第一、第二个位置的偏导,避免与复合后的偏导混淆。考试时如果题目用了 这类记号,就照抄;如果没用,建议自己引入并说明。
Q4:为什么二阶全微分没有形式不变性?
因为一阶微分的「形式不变」依赖于线性性: 是 的线性函数,而线性关系在换元下保持形式。二阶微分涉及二次项,而二次项在换元时会混入 、 这些「二阶增量」——如果 是中间变量,,就必须补上 这两项。实用建议:需要二阶偏导时,老老实实对一阶偏导再求一次偏导,不要试图用二阶微分「抄近路」。
Q5:雅可比行列式在什么时候会再次出现?
至少三处:① 隐函数组存在定理(本篇);② 二重积分的变量代换 ,见 9-1-二重积分(在那里 表示面积元的伸缩倍数);③ 三重积分的球坐标/柱坐标代换,见 9-2-三重积分。同一个对象在不同场合扮演不同角色:在隐函数理论里它是「可解性判据」,在积分理论里它是「体积伸缩因子」。理解这种「一物多用」是数学走向成熟的表现。
Q6:题目里说「 具有连续的一阶偏导数」,这句话意味着什么?
它意味着:① 可微(由 8-2-偏导数与全微分 定理 8.5);② 链式法则可以放心使用(定理 8.4 的前提满足);③ 混合偏导可交换(若还有二阶连续偏导);④ 后续一切「求导、代换、交换次序」的操作都不会出问题。看到这句话就等于拿到了「安全许可证」,可以大胆计算。 反之,如果题目只说「 可导」或「 有偏导数」,就要小心前提是否足够。
十、国内教材对照(浙大《微积分》/ 考研大纲)
10.1 术语与记号对照
本篇用法 | 浙大《微积分》(苏德矿等编) | 同济《高等数学》 | 英文教材(MIT 18.02 / Banner)
---|---|---|---
链式法则 | 复合函数的求导法则(链式法则) | 多元复合函数的求导法则 | chain rule
全导数 | 全导数 | 全导数 | total derivative
隐函数 | 隐函数 | 隐函数 | implicit function
隐函数存在定理 | 隐函数存在定理 | 隐函数存在定理 | implicit function theorem
雅可比行列式 | 雅可比行列式(函数行列式) | 雅可比行列式 | Jacobian (determinant)
齐次函数 | 次齐次函数 | 次齐次函数 | homogeneous function of degree
欧拉定理 | 欧拉定理 | 欧拉定理 | Euler's theorem
术语基本一致。差异主要有三处:① 国内教材常把「雅可比行列式」也叫「函数行列式」,英文只说 Jacobian;② 国内用 这一「商式」记号,英文常写 或 ;③ 英文教材(MIT 18.02)倾向用矩阵语言(Jacobian matrix)而不强调行列式,只在做变量代换时才引出行列式。
10.2 国内更强调的部分
- 树形图法与不漏项的训练。国内教材(尤其同济版)会用大量篇幅训练「画树、找路径」的技巧,并配以结构 IV( 型)这种易漏项的题型。这是考研的必考技能。
- 隐函数存在定理的条件。国内教材会明确列出三个条件(连续可偏导、、),并要求学生能判断「在哪些点隐函数存在」。MIT 18.02 会陈述这个定理,但考试中很少考条件判断。
- 隐函数组与雅可比行列式。国内教材会完整讲隐函数组的求导(列方程组 + 克莱姆法则),并要求会算雅可比行列式。国外教材一般只讲一元隐函数。
- 抽象函数的二阶偏导。如「设 ,求 」这类题目,是国内考试的经典难题,需要连续两次使用链式法则并注意 也是复合函数。国外教材很少专门训练。
- 欧拉齐次函数定理。这是国内(尤其数学三、经济学方向)的常考内容,国外微积分教材一般不讲。
10.3 国外教材更强调的部分
- 矩阵与线性代数的语言。MIT 18.02 把链式法则写成矩阵乘法
这个写法极其清晰:链式法则就是「梯度行向量 × 雅可比矩阵」。建议国内自学者掌握这个视角——它让「路径相乘、分叉相加」变得可视化(矩阵乘法的每一项就是一条路径)。
- 隐函数定理的几何陈述。MIT 18.02 强调「 定义曲线, 意味着曲线的切线不竖直」,把定理的每个条件都对应到一个几何事实。本篇「二、几何直观」的 2.2 节正是采用这一讲法。
- 与其他学科的联系。国外教材会把链式法则与热力学、经济学、流体力学的问题紧密结合。国内教材一般把这些留到专业课。
10.4 考研大纲要求(数学一)
考研数学一大纲对「多元复合函数与隐函数求导」的要求包括:多元复合函数的求导法、隐函数的求导法(一元隐函数与由方程组确定的隐函数)。常考题型:
- 填空题 / 解答题:复合函数(含抽象函数)的一阶、二阶偏导数,其中「结构 IV 漏项」和「 再求导」是两大考点;
- 解答题:由方程或方程组确定的隐函数的偏导数;
- 综合题:与极值、方向导数、曲线曲面积分结合(求导只是第一步);
- 证明题:利用链式法则证明恒等式(如验证函数满足某个偏微分方程 )。
数学二、数学三同样考查复合函数与隐函数求导,但对隐函数组与雅可比行列式的要求较低(一般只要求一元隐函数),也不考欧拉齐次函数定理。
一句话总结对照
国内教材:重树形图技巧、重隐函数存在条件、重抽象函数的二阶偏导、重雅可比行列式与欧拉定理;国外教材:重链式法则的矩阵写法、重隐函数定理的几何解释、重与其他学科的接口。做题用国内的技巧,理解用国外的视角,具体以授课教材为准。
本篇小结
小结:链式依赖与隐式约束下的求导
一句话 复合函数求导的法则是八个字——「路径相乘,分叉相加」;隐函数求导的法则是两行推导——把隐函数代回方程,两边求导,解出目标导数,其结果是 。
① 必须记住的结论清单
- 结构 I / II / IV( 最终只依赖一个变量)用全导数 ;结构 III(还有别的自变量)用偏导数 。
- 结构 II:。
- 结构 III:。
- 结构 IV(最容易漏项):。
- 链式法则的前提是「外层函数可微」,不只是「偏导存在」。
- 一阶全微分形式不变性: 对中间变量也成立;二阶没有这个性质。
- 隐函数存在定理三条件: 连续可偏导、、。
- 一元隐函数:。
- 三元隐函数:,。
- 口诀:「谁是被求的变量,谁就待在分母上;分子是把它换成求导变量。」(对单个方程成立。)
- 隐函数组:列线性方程组 + 克莱姆法则,系数行列式是雅可比行列式 。
- 齐次函数(欧拉定理):;且 、 是 次齐次的。
② 最容易混淆的几组概念对照表
概念 A | 概念 B | 关键区别 | 例子
---|---|---|---
全导数 | 偏导数 | 最终是否只依赖 | , 都是 的函数:只能写
(复合后) | (对第三个位置) | 前者含所有路径,后者只含一条 | :前者
| | 记号不同、含义相同(对第一个变量) | 抽象函数题里常用
(隐函数公式里) | | 前者 是常数,后者 是 的函数 | :,而
隐函数存在 | 隐函数可求导 | 前者还要 | 在原点:不唯一,且不可导
雅可比行列式 | 雅可比行列式 | 前者保证方程组可解出隐函数 | 例题 8 中条件
一阶全微分形式不变 | 二阶全微分形式不变 | 前者成立,后者不成立 | 会多出 项
齐次函数 | 一般函数 | 前者满足 ,有欧拉定理 | 是 次齐次
③ 通往后面章节的接口表
本篇概念 | 在哪里被升级 | 升级成什么
---|---|---
链式法则 | 8-4-方向导数与梯度 | ;方向导数 = 梯度点乘单位向量
隐函数求导 | 8-4-方向导数与梯度 | 等值线 的法向量就是 (用隐函数定理证明)
一阶偏导(复合后) | 8-5-多元函数极值与拉格朗日乘数法 | 拉格朗日乘数法的方程组 的推导
隐函数组与雅可比行列式 | 8-5-多元函数极值与拉格朗日乘数法 | 约束极值中「约束条件的正则性」条件()
雅可比行列式 | 9-1-二重积分 | 变量代换公式
雅可比行列式 | 9-2-三重积分 | 柱坐标、球坐标的体积元
二阶偏导的链式法则 | 9-6-高斯公式与斯托克斯公式 | 复合函数高阶偏导在微分形式与外微分中的系统处理
全微分形式不变性 | 10-2-一阶微分方程 | 全微分方程与积分因子法
相关笔记
- 8-2-偏导数与全微分 — 本篇的直接前置:链式法则的前提「外层函数可微」正是由它定义的;一阶全微分形式不变性也在那里给出。
- 3-3-链式法则与复合函数求导 — 一元链式法则「沿链相乘」的思想,本篇把它推广成「路径相乘、分叉相加」。
- 3-5-隐函数与参数方程求导 — 一元隐函数求导的初步方法,本篇给出它的严格依据(隐函数存在定理)与三元推广。
- 8-4-方向导数与梯度 — 把链式法则写成向量形式 ,并用隐函数求导证明「梯度垂直于等值线」。
- 8-5-多元函数极值与拉格朗日乘数法 — 拉格朗日乘数法的推导完全依赖本篇的链式法则与隐函数求导思想。
- 9-1-二重积分 — 雅可比行列式在那里变成「面积元的伸缩因子」,是变量代换公式的核心。
- 3-7-相关变化率 — 一元的相关变化率问题(如圆锥体积变化),本篇例题 15 是它的多元版本。
- 2-3-无穷小与等价无穷小替换 — 链式法则证明中用到 这类无穷小展开。
参考来源
- Banner, The Calculus Lifesaver: The Complete Guide to Calculus and Its Applications(《普林斯顿微积分读本》)——多元部分的链式法则与隐函数求导。教材本身,无 URL。对应 frontmatter 中 sources 第 1 条。
- MathWorld, "Chain Rule" ——多元链式法则的定义与例子:https://mathworld.wolfram.com/ChainRule.html 。对应 frontmatter 中 sources 第 2 条。
- MathWorld, "Jacobian" ——雅可比行列式的定义、记号与几何意义:https://mathworld.wolfram.com/Jacobian.html 。对应 frontmatter 中 sources 第 3 条。
- MIT OpenCourseWare, 18.02SC Multivariable Calculus, Fall 2010 ——链式法则的矩阵写法、隐函数定理的几何陈述,本库参考其讲法:https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/ 。
- 同济大学数学系《高等数学》下册,多元函数微分法及其应用一章的「多元复合函数的求导法则」「隐函数的求导公式」两节——国内标准叙述,含树形图法与隐函数组的克莱姆法则。教材本身,无 URL。
- 浙江大学《微积分》(苏德矿、吴明华等编)下册,多元函数微分学中「复合函数与隐函数求导」部分——隐函数存在定理的表述与欧拉齐次函数定理的讲法以该书为准。教材本身,无 URL。
- 《全国硕士研究生招生考试数学考试大纲》(数学一)——多元复合函数与隐函数求导的考查要求。以当年最新大纲为准。