费马引理 (驻点)

费马引理 (Fermat's Theorem on Stationary Points)

费马引理是微积分中最基础的定理之一，由法国数学家皮埃尔·德·费马在十七世纪提出。该引理给出了可微函数在局部极值点处的一阶必要条件：若函数 $f$ 在点 $x_0$ 处取得局部极大值或局部极小值，且 $f$ 在 $x_0$ 处可微，则 $f'(x_0) = 0$。这一结论是最优化理论的数学基石，也是经济学中求解效用最大化、成本最小化和利润最大化等问题的一阶条件（First-Order Conditions, FOC）的直接理论依据。

数学表述与直观解释

设函数 $f: (a, b) \to \mathbb{R}$ 在开区间 $(a, b)$ 上定义，$x_0 \in (a, b)$。若 $x_0$ 是 $f$ 的一个局部极值点且 $f$ 在 $x_0$ 处可微，则：

直观解释为：在局部极大（小）点附近，函数值不会超过（低于）该点的函数值。如果导数不为零，则函数在穿过该点时要么严格增加要么严格减少，该点就不可能是局部极值点。从几何上看，函数图像在极值点处的切线是水平的。

需注意费马引理仅是局部极值的必要而非充分条件。$f'(x_0) = 0$ 的点称为驻点（Stationary Point）或临界点，但驻点未必是极值点。例如 $f(x) = x^3$ 在 $x = 0$ 处 $f'(0) = 0$，但该点既非极大也非极小，而是鞍点（拐点）。此外，极值可能出现在导数不存在的点或区间端点处，这些情况费马引理不适用。

在经济学中的应用

费马引理是经济学中几乎所有无约束优化问题的分析起点。

利润最大化：企业选择产量 $q$ 使利润 $\pi(q) = R(q) - C(q)$ 最大化。假设利润函数可微且最优产量 $q^*$ 为内点解，则一阶条件为 $\pi'(q^*) = R'(q^*) - C'(q^*) = 0$，即边际收益等于边际成本（$MR = MC$）。

效用最大化：在无约束情形下（如仅有一种商品），消费者选择消费量 $x$ 最大化效用 $U(x)$。内点最优解满足 $U'(x^*) = 0$，即边际效用为零。

最小二乘估计：在普通最小二乘法中，最小化残差平方和 $\text{SSR}(\beta) = \sum (y_i - x_i\beta)^2$。对 $\beta$ 求导并令为零得到正规方程 $\sum x_i(y_i - x_i\hat{\beta}) = 0$，这是费马引理在统计估计中的直接应用。

与高阶条件的关系

费马引理仅提供了极值的一阶必要条件。判断驻点性质需要进一步的充分条件。二阶导数检验：若 $f'(x_0) = 0$ 且 $f''(x_0) > 0$，则 $x_0$ 为局部极小；若 $f''(x_0) < 0$，则为局部极大；若 $f''(x_0) = 0$，则需更高阶导数判别。在多元情形中，费马引理推广为梯度为零向量的条件 $\nabla f(\mathbf{x}^*) = \mathbf{0}$，二阶条件则由海森矩阵的正定或负定性给出。带约束的优化问题需使用拉格朗日乘数法或卡罗需-库恩-塔克条件，这些方法均以费马引理为逻辑起点。费马引理以其简洁性和普适性，成为从微积分到数理经济学再到机器学习优化算法的一条贯穿性主线。