全微分

全微分

全微分（total differential）是多元函数微分学中的核心概念，它将一元函数中微分的概念推广到多元情形。简单来说，全微分描述了当函数的多个自变量同时发生微小变化时，函数值的变化量如何被近似表示为各个自变量变化的线性组合。这一思想在数学分析、物理学、经济学以及工程技术的各个领域中都有着极其广泛的应用。理解全微分是掌握多元微积分的关键一步，它与偏导数、方向导数、梯度等概念密切相关，共同构成了多元微分学的理论体系。

定义

设二元函数 $z = f(x, y)$ 在点 $(x_0, y_0)$ 的某个邻域内有定义。如果函数在点 $(x_0, y_0)$ 处的全增量

可以表示为

其中 $A$ 和 $B$ 是与 $\Delta x$、$\Delta y$ 无关的常数，$\rho = \sqrt{(\Delta x)^2 + (\Delta y)^2}$，而 $o(\rho)$ 是当 $\rho \to 0$ 时比 $\rho$ 高阶的无穷小，则称函数 $z = f(x, y)$ 在点 $(x_0, y_0)$ 处可微，并称 $A\Delta x + B\Delta y$ 为函数在点 $(x_0, y_0)$ 处的全微分，记作

进一步可以证明，如果函数可微，则 $A = f_x(x_0, y_0)$（即对 $x$ 的偏导数），$B = f_y(x_0, y_0)$（即对 $y$ 的偏导数）。因此全微分通常写作

其中 $dx = \Delta x$，$dy = \Delta y$ 是自变量的微分。这个公式直观地表明：函数值的变化近似等于各方向偏导数乘以各自变量变化量的总和。

几何意义

全微分的几何意义是切平面的增量。对于二元函数 $z = f(x, y)$，其在点 $(x_0, y_0)$ 处的全微分 $dz$ 表示切平面在 $z$ 方向上的增量。从几何上看，当 $(\Delta x, \Delta y)$ 很小时，曲面上点附近的曲面可以用切平面来近似代替，这就是"以直代曲"的思想在多元函数中的体现。具体而言，函数图像在点 $(x_0, y_0, z_0)$ 处的切平面方程为

全微分 $dz$ 正是当 $x$ 和 $y$ 分别变化 $dx$ 和 $dy$ 时，切平面上 $z$ 坐标的变化量。

可微的条件

关于可微性，有以下重要的判别条件：

• 必要条件：如果函数 $z = f(x, y)$ 在点 $(x_0, y_0)$ 处可微，则它在该点处连续，且偏导数 $f_x(x_0, y_0)$、$f_y(x_0, y_0)$ 都存在。
• 充分条件：如果函数 $z = f(x, y)$ 的偏导数 $f_x(x, y)$、$f_y(x, y)$ 在点 $(x_0, y_0)$ 的某个邻域内存在且在该点处连续，则函数在该点处可微。

需要特别注意的是，偏导数存在仅是函数可微的必要条件而非充分条件。存在偏导数存在但函数不可微的例子，例如函数

在 $(0, 0)$ 处偏导数存在但不连续，实际上该函数在该点不可微。另一个典型例子是

该函数在原点处沿任意方向的方向导数都存在，但函数在原点处不连续，因此不可微。这些例子说明，多元函数的可微性比一元函数复杂得多，仅仅偏导数存在远远不够。

全微分与连续性、偏导数的关系

在一元函数中，可导必连续，且可导与可微等价。但在多元函数中，关系更为复杂：

• 可微一定连续，但连续不一定可微。
• 可微一定偏导数存在，但偏导数存在不一定可微。
• 偏导数连续一定可微，但可微不一定偏导数连续。

因此，多元函数可微性是一个比偏导数存在更强、比偏导数连续更弱的概念。这一层次关系是多元微分学中需要重点掌握的内容。

高阶全微分

如果函数 $z = f(x, y)$ 具有二阶连续偏导数，则可以定义二阶全微分：

类似地可以定义更高阶的全微分。高阶全微分在泰勒公式和极值问题中有重要应用。例如，判断多元函数的极值类型时，需要用到二阶全微分（即海森矩阵）的正定性或负定性。若在某驻点处 $d^2 z > 0$（正定），则该点为极小值点；若 $d^2 z < 0$（负定），则为极大值点；若 $d^2 z$ 不定，则为鞍点。

全微分与偏微分的关系

全微分是各个自变量偏微分的线性叠加。对于 $n$ 元函数 $y = f(x_1, x_2, \dots, x_n)$，其全微分为

这一形式体现了全微分的一阶微分形式不变性：无论 $x_i$ 是自变量还是中间变量，上式都成立。这意味着在求复合函数的全微分时，可以像处理一元函数那样逐层微分，然后将中间变量的微分代入，最终结果与直接使用链式法则得到的结果一致。

应用

全微分在自然科学和工程技术中有广泛的应用。在经济学中，全微分用于分析多个经济变量同时微小变动时产出或效用的变化，例如柯布-道格拉斯生产函数 $Q = AK^\alpha L^\beta$ 的全微分 $dQ = \frac{\partial Q}{\partial K}dK + \frac{\partial Q}{\partial L}dL$ 可以衡量劳动和资本投入的边际贡献，从而指导企业优化资源配置。在物理学中，全微分用于描述状态函数的变化，如热力学中内能的全微分形式 $dU = TdS - PdV$，以及吉布斯自由能的全微分 $dG = VdP - SdT$，这些关系构成了热力学势函数理论的基础，也是推导麦克斯韦关系式的起点。在误差分析中，全微分用于估计多个测量误差对最终结果的综合影响，公式为 $\Delta y \approx \sum \left|\frac{\partial f}{\partial x_i}\right| \Delta x_i$，帮助实验人员评估测量精度和系统误差。在地球科学中，全微分用于分析气候变化中各个因素的贡献；在机器学习中，梯度下降法正是基于全微分的概念来更新模型参数。此外，全微分还是隐函数定理、拉格朗日乘数法、条件极值等更高级理论的基础工具。

总而言之，全微分是多元微分学的核心工具，它将复杂的高维变化问题简化为线性近似问题，为理论分析和实际计算提供了强有力的数学手段。掌握全微分不仅有助于理解多元函数的行为，还能为后续学习更深入的数学理论奠定坚实基础。