Logo

隐函数定理

一个方程的隐函数定理

定理1

隐函数存在定理：设函数 F(x,y)F(x, y) 满足：

  1. 在点 (x0,y0)(x_0, y_0) 的某邻域内具有连续的一阶偏导数；
  2. F(x0,y0)=0F(x_0, y_0) = 0；
  3. Fy(x0,y0)≠0F_y(x_0, y_0) \neq 0。

则在点 (x0,y0)(x_0, y_0) 的某邻域内，方程 F(x,y)=0F(x, y) = 0 唯一确定一个具有连续导数的函数 y=f(x)y = f(x)，满足 y0=f(x0)y_0 = f(x_0)，且

dydx=−FxFy\frac{dy}{dx} = -\frac{F_x}{F_y}

几何解释
推论
证明
符号说明

三元隐函数

类似地，方程 F(x,y,z)=0F(x, y, z) = 0 在 Fz≠0F_z \neq 0 时确定隐函数 z=f(x,y)z = f(x,y)，且

∂z∂x=−FxFz,∂z∂y=−FyFz\frac{\partial z}{\partial x} = -\frac{F_x}{F_z}, \quad \frac{\partial z}{\partial y} = -\frac{F_y}{F_z}

方程组的隐函数定理

定理2

设方程组

{F(x,y,u,v)=0G(x,y,u,v)=0\begin{cases} F(x, y, u, v) = 0 \\ G(x, y, u, v) = 0 \end{cases}

在点 (x0,y0,u0,v0)(x_0, y_0, u_0, v_0) 的某邻域内满足：

  1. F,GF, G 具有连续的一阶偏导数；
  2. F(x0,y0,u0,v0)=0,G(x0,y0,u0,v0)=0F(x_0,y_0,u_0,v_0)=0, G(x_0,y_0,u_0,v_0)=0；
  3. 雅可比行列式 J=∂(F,G)∂(u,v)=∣FuFvGuGv∣≠0J = \frac{\partial(F,G)}{\partial(u,v)} = \begin{vmatrix} F_u & F_v \\ G_u & G_v \end{vmatrix} \neq 0。

则方程组在该点邻域内唯一确定一组具有连续偏导数的函数 u=u(x,y),v=v(x,y)u=u(x,y), v=v(x,y)，满足 u0=u(x0,y0),v0=v(x0,y0)u_0=u(x_0,y_0), v_0=v(x_0,y_0)。

几何解释
推论
证明
符号说明

隐函数组的求导

对方程组两边对 xx 求偏导（将 u,vu,v 视为 x,yx,y 的函数）：

{Fx+Fu∂u∂x+Fv∂v∂x=0Gx+Gu∂u∂x+Gv∂v∂x=0\begin{cases} F_x + F_u \frac{\partial u}{\partial x} + F_v \frac{\partial v}{\partial x} = 0 \\ G_x + G_u \frac{\partial u}{\partial x} + G_v \frac{\partial v}{\partial x} = 0 \end{cases}

这是关于 ∂u∂x,∂v∂x\frac{\partial u}{\partial x}, \frac{\partial v}{\partial x} 的线性方程组，由克莱姆法则：

∂u∂x=−1J∂(F,G)∂(x,v),∂v∂x=−1J∂(F,G)∂(u,x)\frac{\partial u}{\partial x} = -\frac{1}{J} \frac{\partial(F,G)}{\partial(x,v)}, \quad \frac{\partial v}{\partial x} = -\frac{1}{J} \frac{\partial(F,G)}{\partial(u,x)}

类似地可求 ∂u∂y,∂v∂y\frac{\partial u}{\partial y}, \frac{\partial v}{\partial y}。

反函数定理

定理3

反函数定理：设向量值函数 y⃗=f⃗(x⃗)\vec{y} = \vec{f}(\vec{x})（即 yi=fi(x1,…,xn)y_i = f_i(x_1,\ldots,x_n)，i=1,…,ni=1,\ldots,n）在点 x⃗0\vec{x}_0 的某邻域内具有连续的一阶偏导数，且雅可比行列式

J=∂(f1,…,fn)∂(x1,…,xn)≠0J = \frac{\partial(f_1,\ldots,f_n)}{\partial(x_1,\ldots,x_n)} \neq 0

则在 y⃗0=f⃗(x⃗0)\vec{y}_0 = \vec{f}(\vec{x}_0) 的某邻域内，存在唯一的具有连续偏导数的反函数 x⃗=f⃗−1(y⃗)\vec{x} = \vec{f}^{-1}(\vec{y})，且

∂(x1,…,xn)∂(y1,…,yn)=1∂(y1,…,yn)∂(x1,…,xn)\frac{\partial(x_1,\ldots,x_n)}{\partial(y_1,\ldots,y_n)} = \frac{1}{\frac{\partial(y_1,\ldots,y_n)}{\partial(x_1,\ldots,x_n)}}

即反函数的雅可比行列式等于原函数雅可比行列式的倒数。

几何解释
推论
证明
符号说明

典型例题

例题1：隐函数求导

设 z=z(x,y)z = z(x,y) 由方程 x2+y2+z2=4zx^2 + y^2 + z^2 = 4z 确定，求 ∂2z∂x2\frac{\partial^2 z}{\partial x^2}。

参考答案(3 个标签)
隐函数二阶偏导隐函数求导
  1. 令 F=x2+y2+z2−4zF = x^2+y^2+z^2-4z，Fx=2x,Fz=2z−4F_x=2x, F_z=2z-4
  2. ∂z∂x=−FxFz=x2−z\frac{\partial z}{\partial x} = -\frac{F_x}{F_z} = \frac{x}{2-z}
  3. 对 xx 再求偏导： ∂2z∂x2=(2−z)−x(−∂z∂x)(2−z)2=2−z+x⋅x2−z(2−z)2=(2−z)2+x2(2−z)3\frac{\partial^2 z}{\partial x^2} = \frac{(2-z) - x(-\frac{\partial z}{\partial x})}{(2-z)^2} = \frac{2-z + x\cdot\frac{x}{2-z}}{(2-z)^2} = \frac{(2-z)^2 + x^2}{(2-z)^3}

答案：∂2z∂x2=(2−z)2+x2(2−z)3\frac{\partial^2 z}{\partial x^2} = \frac{(2-z)^2+x^2}{(2-z)^3}

例题2：方程组确定的隐函数

设 {x2+y2−uv=0xy−u2+v2=0\begin{cases} x^2 + y^2 - uv = 0 \\ xy - u^2 + v^2 = 0 \end{cases} 确定 u=u(x,y),v=v(x,y)u=u(x,y), v=v(x,y)，求 ∂u∂x,∂v∂x\frac{\partial u}{\partial x}, \frac{\partial v}{\partial x}。

参考答案(3 个标签)
隐函数组雅可比行列式方程组求导
  1. 令 F=x2+y2−uv,G=xy−u2+v2F=x^2+y^2-uv, G=xy-u^2+v^2
  2. J=∂(F,G)∂(u,v)=∣−v−u−2u2v∣=−2v2−2u2=−2(u2+v2)J = \frac{\partial(F,G)}{\partial(u,v)} = \begin{vmatrix} -v & -u \\ -2u & 2v \end{vmatrix} = -2v^2 - 2u^2 = -2(u^2+v^2)
  3. 对 xx 求偏导：{2x−vux−uvx=0y−2uux+2vvx=0\begin{cases} 2x - v u_x - u v_x = 0 \\ y - 2u u_x + 2v v_x = 0 \end{cases}
  4. 由克莱姆法则： ux=−1J∣2x−uy2v∣=4xv+yu2(u2+v2)u_x = -\frac{1}{J}\begin{vmatrix} 2x & -u \\ y & 2v \end{vmatrix} = \frac{4xv+yu}{2(u^2+v^2)} vx=−1J∣−v2x−2uy∣=4xu−yv2(u2+v2)v_x = -\frac{1}{J}\begin{vmatrix} -v & 2x \\ -2u & y \end{vmatrix} = \frac{4xu-yv}{2(u^2+v^2)}

答案：∂u∂x=4xv+yu2(u2+v2)\frac{\partial u}{\partial x} = \frac{4xv+yu}{2(u^2+v^2)}，∂v∂x=4xu−yv2(u2+v2)\frac{\partial v}{\partial x} = \frac{4xu-yv}{2(u^2+v^2)}

例题3：极坐标变换的雅可比

证明极坐标变换 x=rcos⁡θ,y=rsin⁡θx = r\cos\theta, y = r\sin\theta 的雅可比行列式为 rr，并求反函数的雅可比。

参考答案(3 个标签)
反函数定理雅可比行列式极坐标
  1. ∂(x,y)∂(r,θ)=∣cos⁡θ−rsin⁡θsin⁡θrcos⁡θ∣=rcos⁡2θ+rsin⁡2θ=r\frac{\partial(x,y)}{\partial(r,\theta)} = \begin{vmatrix} \cos\theta & -r\sin\theta \\ \sin\theta & r\cos\theta \end{vmatrix} = r\cos^2\theta + r\sin^2\theta = r
  2. 由反函数定理，∂(r,θ)∂(x,y)=1∂(x,y)∂(r,θ)=1r\frac{\partial(r,\theta)}{\partial(x,y)} = \frac{1}{\frac{\partial(x,y)}{\partial(r,\theta)}} = \frac{1}{r}（r≠0r \neq 0）
  3. 验证：r=x2+y2,θ=arctan⁡yxr = \sqrt{x^2+y^2}, \theta = \arctan\frac{y}{x} ∂(r,θ)∂(x,y)=∣xryr−yr2xr2∣=x2+y2r3=r2r3=1r\frac{\partial(r,\theta)}{\partial(x,y)} = \begin{vmatrix} \frac{x}{r} & \frac{y}{r} \\ -\frac{y}{r^2} & \frac{x}{r^2} \end{vmatrix} = \frac{x^2+y^2}{r^3} = \frac{r^2}{r^3} = \frac{1}{r}

答案：极坐标变换的雅可比为 rr，反函数的雅可比为 1r\frac{1}{r}（r>0r>0）。

总结

本文出现的符号

符号类型读音/说明在本文中的含义
FF隐函数方程implicit function定义隐函数的方程
JJ雅可比行列式Jacobian函数行列式
∂(F,G)∂(u,v)\frac{\partial(F,G)}{\partial(u,v)}雅可比行列式Jacobian determinant函数组的雅可比
f⃗\vec{f}向量值函数vector-valued function多元向量值函数
f⃗−1\vec{f}^{-1}反函数inverse function向量值函数的反函数

中英对照

中文术语英文术语音标
隐函数定理implicit function theorem/ɪmˈplɪsɪt ˈfʌŋkʃən ˈθɪərəm/
隐函数存在定理implicit function existence theorem/ɪɡˈzɪstəns ˈθɪərəm/
雅可比行列式Jacobian determinant/dʒəˈkoʊbiən dɪˈtɜːrmɪnənt/
反函数定理inverse function theorem/ˈɪnvɜːrs ˈfʌŋkʃən ˈθɪərəm/
隐函数组system of implicit functions/ˈsɪstəm əv ɪmˈplɪsɪt ˈfʌŋkʃənz/
克莱姆法则Cramer’s rule/ˈkreɪmərz ruːl/
向量值函数vector-valued function/ˈvɛktər væljuːd ˈfʌŋkʃən/
极坐标变换polar coordinate transformation/ˈpoʊlər koʊˈɔːrdɪnət ˌtrænsfərˈmeɪʃən/
连续偏导数continuous partial derivatives/kənˈtɪnjuəs ˈpɑːrʃəl dɪˈrɪvətɪvz/
唯一确定uniquely determined/juːˈniːkli dɪˈtɜːrmɪnd/
上一章节拉格朗日乘数法深度解析深入解析拉格朗日乘数法的几何意义、乘数的经济学含义、KKT条件，以及与对偶理论的联系。
下一章节梯度下降法与优化深入学习梯度下降法的数学原理、收敛性分析、常见变体（动量法、Adam等），以及在机器学习中的应用。
多元函数微分学