KNOWECON WIKI

ARTICLE

多变量微积分

多变量微积分 (Multivariable Calculus) 多变量微积分是研究具有多个自变量函数的极限、连续性、微分和积分的数学分支，是单变量微积分向高维空间的自然推广。其核心研究对象为函数 f: R^n R^m，广泛运用于经济学优化理论、物理学、工程学和计量经济学中。当 n>1 时，方向性成为本质特征：函数沿不同方向的变化率不同，极值判定需要更精细的二

浏览 2 更新 2025-10-26

多变量微积分 (Multivariable Calculus)

多变量微积分是研究具有多个自变量函数的极限、连续性、微分和积分的数学分支，是单变量微积分向高维空间的自然推广。其核心研究对象为函数 f:Rn→Rmf: \mathbb{R}^n \to \mathbb{R}^m，广泛运用于经济学优化理论、物理学、工程学和计量经济学中。当 n>1n>1 时，方向性成为本质特征：函数沿不同方向的变化率不同，极值判定需要更精细的二阶条件，积分涉及高维区域的测度。

偏导数与方向导数

对于 f:Rn→Rf: \mathbb{R}^n \to \mathbb{R}，关于第 ii 个变量的偏导数定义为：

∂f∂xi=lim⁡h→0f(x1,…,xi+h,…,xn)−f(x1,…,xn)h\frac{\partial f}{\partial x_i} = \lim_{h \to 0} \frac{f(x_1,\ldots,x_i+h,\ldots,x_n) - f(x_1,\ldots,x_n)}{h}

偏导数仅度量沿坐标轴方向的变化率。更一般地，沿单位向量 u\mathbf{u} 的方向导数：

Duf(x)=lim⁡h→0f(x+hu)−f(x)h=∇f(x)⋅uD_{\mathbf{u}}f(\mathbf{x}) = \lim_{h \to 0} \frac{f(\mathbf{x}+h\mathbf{u}) - f(\mathbf{x})}{h} = \nabla f(\mathbf{x}) \cdot \mathbf{u}

若所有偏导数存在且连续（C1C^1），则方向导数等于梯度与方向的点积。梯度向量 ∇f=(∂f/∂x1,…,∂f/∂xn)\nabla f = (\partial f/\partial x_1, \ldots, \partial f/\partial x_n) 指向函数增长最快的方向，其模长为该方向的变化率。在经济学中，边际效用、边际产出均为偏导数概念的直接应用。

链式法则与全微分

多变量复合函数的求导依赖链式法则。设 f:Rn→Rf: \mathbb{R}^n \to \mathbb{R} 且每个 xi=xi(t)x_i = x_i(t)，则全导数为：

dfdt=∑i=1n∂f∂xi⋅dxidt=∇f⋅x′(t)\frac{df}{dt} = \sum_{i=1}^n \frac{\partial f}{\partial x_i} \cdot \frac{dx_i}{dt} = \nabla f \cdot \mathbf{x}'(t)

更一般地，若中间变量本身为多变量函数，则需使用雅可比矩阵。全微分 df=∑∂f∂xidxidf = \sum \frac{\partial f}{\partial x_i} dx_i 给出函数在自变量微小变动下的线性近似，是一阶泰勒展开的高维形式。该工具在比较静态分析中至关重要：当多个外生变量同时变动时，全微分刻画内生变量的总响应。

高阶偏导数与黑塞矩阵

若二阶偏导数连续（C2C^2），则混合偏导数与求导次序无关——克莱罗定理（施瓦茨定理）：

∂2f∂xi∂xj=∂2f∂xj∂xi\frac{\partial^2 f}{\partial x_i \partial x_j} = \frac{\partial^2 f}{\partial x_j \partial x_i}

将所有二阶偏导数排列为 n×nn \times n 的黑塞矩阵（Hessian）：

Hf=[∂2f∂x12⋯∂2f∂x1∂xn⋮⋱⋮∂2f∂xn∂x1⋯∂2f∂xn2]H_f = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \cdots & \frac{\partial^2 f}{\partial x_1 \partial x_n} \\ \vdots & \ddots & \vdots \\ \frac{\partial^2 f}{\partial x_n \partial x_1} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix}

黑塞矩阵在最优化中起核心作用：其正定性、负定性或不定性直接决定临界点是极小值、极大值还是鞍点。在经济学中，成本函数的黑塞矩阵给出要素需求的替代矩阵，利润函数的黑塞矩阵蕴含霍特林引理的二阶性质。

无约束最优化

对于 f:Rn→Rf: \mathbb{R}^n \to \mathbb{R}，一阶必要条件为梯度为零向量：∇f(x∗)=0\nabla f(\mathbf{x}^*) = 0。二阶充分条件为黑塞矩阵在临界点正定（极小值）或负定（极大值）。鞍点对应黑塞矩阵同时具有正负特征值。

在经济学中，厂商利润最大化、消费者效用最大化（未加约束时）均以此为基础。凹性（黑塞矩阵处处半负定）确保临界点为全局最大值，凸性确保全局最小值——这解释了经济理论中对拟凹效用函数和凸生产集的强调。对于严格凹函数，最大值唯一且全局，这一性质在计量经济学的最大似然估计和广义矩方法中同样关键，因为目标函数的全局凹性决定数值优化算法能否可靠收敛。

约束最优化与拉格朗日乘数法

经典问题：在 g(x)=cg(\mathbf{x}) = c 约束下求 f(x)f(\mathbf{x}) 的极值。拉格朗日乘数法构造：

L(x,λ)=f(x)−λ(g(x)−c)\mathcal{L}(\mathbf{x}, \lambda) = f(\mathbf{x}) - \lambda (g(\mathbf{x}) - c)

一阶条件：∇f=λ∇g\nabla f = \lambda \nabla g 且 g(x)=cg(\mathbf{x}) = c。经济解释：在最优点，目标函数的边际替代率等于约束的边际转换率；拉格朗日乘数 λ\lambda 度量约束放松的影子价格。

多约束情形引入多个乘数，推广为库恩-塔克条件处理不等式约束。该方法构成了消费者理论中预算约束下效用最大化、成本最小化以及拉姆齐最优税收等标准经济学问题的数学基础。

多重积分

二重积分 ∬Df(x,y) dx dy\iint_D f(x,y)\,dx\,dy 计算曲面在区域 DD 下的体积。富比尼定理允许在矩形区域上交换积分次序；对一般区域，累次积分 ∫ab(∫g1(x)g2(x)f(x,y) dy) dx \int_a^b (\int_{g_1(x)}^{g_2(x)} f(x,y)\,dy)\,dx 逐层计算。雅可比行列式是变量替换的关键：

∬Df(x,y) dx dy=∬D′f(x(u,v),y(u,v))∣∂(x,y)∂(u,v)∣ du dv\iint_D f(x,y)\,dx\,dy = \iint_{D'} f(x(u,v),y(u,v)) \left|\frac{\partial(x,y)}{\partial(u,v)}\right|\,du\,dv

其中雅可比行列式 ∂(x,y)∂(u,v)\frac{\partial(x,y)}{\partial(u,v)} 度量坐标变换下的面积伸缩因子。极坐标（dx dy=r dr dθdx\,dy = r\,dr\,d\theta）和球坐标是最常用的变换。

在概率论中，多重积分计算联合分布的期望和概率，边缘分布通过对其他变量积分获得，卷积计算独立随机变量之和的分布。在经济学中，消费者剩余的福利度量、一般均衡中的超额需求积分、期望效用下不确定性决策均依赖多重积分技术。当分析连续型随机变量在联合约束下的概率时，积分区域常为非矩形，需要灵活的变量替换与积分次序交换。

向量值函数与雅可比矩阵

对于 F:Rn→RmF: \mathbb{R}^n \to \mathbb{R}^m，微分由 m×nm \times n 的雅可比矩阵刻画：

JF=[∂F1∂x1⋯∂F1∂xn⋮⋱⋮∂Fm∂x1⋯∂Fm∂xn]J_F = \begin{bmatrix} \frac{\partial F_1}{\partial x_1} & \cdots & \frac{\partial F_1}{\partial x_n} \\ \vdots & \ddots & \vdots \\ \frac{\partial F_m}{\partial x_1} & \cdots & \frac{\partial F_m}{\partial x_n} \end{bmatrix}

雅可比矩阵是多变量链式法则的核心：若 H=G∘FH = G \circ F，则 JH=JG⋅JFJ_H = J_G \cdot J_F。隐函数定理依赖雅可比矩阵的可逆性：若 F(x∗,y∗)=0F(\mathbf{x}^*, \mathbf{y}^*) = 0 且关于 y\mathbf{y} 的雅可比子矩阵非奇异，则局部存在隐函数 y=ϕ(x)\mathbf{y} = \phi(\mathbf{x})。该定理是比较静态分析的数学基础——确保外生参数变化隐含地决定了内生变量的连续变化。

隐函数定理与反函数定理

隐函数定理是多变量微积分中联系导数和存在性的核心结果。考虑方程组 Fi(x1,…,xn;y1,…,ym)=0,  i=1,…,mF_i(x_1,\ldots,x_n; y_1,\ldots,y_m)=0,\; i=1,\ldots,m。若在某点处关于内生变量y的雅可比行列式非零，则局部存在唯一可微的隐函数映射。该定理是比较静态分析的数学支柱：当外生政策参数变化时，无需显式解出内生变量即可计算其导数——对隐函数方程组全微分并应用克莱姆法则即得：

∂y∂α=−[∂F∂y]−1∂F∂α\frac{\partial y}{\partial \alpha} = -\left[\frac{\partial F}{\partial y}\right]^{-1} \frac{\partial F}{\partial \alpha}

反函数定理是隐函数定理的特例，条件为雅可比矩阵非奇异时局部存在可微逆映射。在经济学中，需求函数的可逆性（从价格到数量与反向映射）、生产要素需求系统的可解性均依赖该定理。两者共同构成非线性经济模型局部分析的数学基础。

格林公式与向量分析

格林公式联系平面区域的线积分与二重积分：

∮∂DP dx+Q dy=∬D(∂Q∂x−∂P∂y)dx dy\oint_{\partial D} P\,dx + Q\,dy = \iint_D \left(\frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y}\right) dx\,dy

散度 ∇⋅F\nabla \cdot \mathbf{F} 度量向量场某点的"源"强度，旋度 ∇×F\nabla \times \mathbf{F} 度量旋转趋势。这些概念推广为高维的高斯散度定理和斯托克斯公式，构成向量分析的基石。在经济学中应用相对有限，但在连续时间最优控制和某些数理金融模型中有所涉及。