1. 偏导数的定义#

公式： $f_x(x_0,y_0)=\lim_{\Delta x\to 0}\frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}$

推导逻辑：将多元函数退化为单变量函数——固定其余所有自变量，仅保留一个变量变化，从而将问题直接化归为一元函数的导数定义。

2. 全微分的定义与可微条件#

定义式： $\Delta z = A\Delta x + B\Delta y + o(\rho),\quad \rho=\sqrt{(\Delta x)^2+(\Delta y)^2}$

计算公式： $dz = \frac{\partial z}{\partial x}dx + \frac{\partial z}{\partial y}dy$

推导逻辑：

• 必要条件：若可微，则沿 $x$ 轴、$y$ 轴方向的增量必须满足线性近似，可推出偏导数必存在，且 $A=f_x, B=f_y$。
• 充分条件：若偏导数连续，则可通过拉格朗日中值定理将增量分解为两部分，证明余项是 $\rho$ 的高阶无穷小。

关系链： $\text{偏导数连续} \Rightarrow \text{可微} \Rightarrow \begin{cases} \text{偏导数存在} \\ \text{函数连续} \end{cases}$ （注意：以上各箭头均不可逆）

3. 多元复合函数求导（链式法则）#

情形A：全导数（中间变量均为一元函数） $z=f(u,v),\ u=\phi(t),\ v=\psi(t)$ $\frac{dz}{dt} = \frac{\partial z}{\partial u}\frac{du}{dt} + \frac{\partial z}{\partial v}\frac{dv}{dt}$

情形B：偏导数（中间变量为多元函数） $z=f(u,v),\ u=\phi(x,y),\ v=\psi(x,y)$ $\frac{\partial z}{\partial x} = \frac{\partial z}{\partial u}\frac{\partial u}{\partial x} + \frac{\partial z}{\partial v}\frac{\partial v}{\partial x}$

推导逻辑：利用全微分形式不变性 $dz = \frac{\partial z}{\partial u}du + \frac{\partial z}{\partial v}dv$，将 $du,dv$ 分别用各自自变量的微分表示，再比较 $dx,dy$ 前的系数；或直接从增量定义出发，按各路径的贡献叠加。

4. 隐函数求导公式#

二元方程 $F(x,y)=0$： $\frac{dy}{dx} = -\frac{F_x}{F_y}$

三元方程 $F(x,y,z)=0$： $\frac{\partial z}{\partial x} = -\frac{F_x}{F_z},\quad \frac{\partial z}{\partial y} = -\frac{F_y}{F_z}$

推导逻辑：将 $z$ 视为 $x,y$ 的隐函数，方程两边对 $x$ 求偏导，由链式法则得 $F_x + F_z\cdot\frac{\partial z}{\partial x}=0$，解出即得公式。

5. 隐函数存在定理（一个方程情形）#

条件：$F(x_0,y_0)=0$，$F_y(x_0,y_0)\neq 0$，且 $F$ 有连续偏导数。
结论：在 $(x_0,y_0)$ 某邻域内唯一确定连续可微函数 $y=f(x)$。

推导逻辑：教材通常采用压缩映射原理或局部单调性进行证明（非考试重点，重在理解其给出了隐函数可导的前提条件）。

6. 几何应用公式#

空间曲线 $\Gamma: x=\phi(t),\ y=\psi(t),\ z=\omega(t)$：

• 切向量：$\vec{T}=(\phi'(t_0),\psi'(t_0),\omega'(t_0))$
• 切线方程：$\frac{x-x_0}{\phi'(t_0)}=\frac{y-y_0}{\psi'(t_0)}=\frac{z-z_0}{\omega'(t_0)}$
• 法平面：$\phi'(t_0)(x-x_0)+\psi'(t_0)(y-y_0)+\omega'(t_0)(z-z_0)=0$

推导逻辑：将曲线视为质点运动轨迹，导数即速度向量，速度方向即为切线方向；法平面由所有与切向量垂直的向量构成。

曲面 $F(x,y,z)=0$：

• 法向量：$\vec{n}=(F_x,F_y,F_z)\big|_{P_0}$
• 切平面：$F_x(x-x_0)+F_y(y-y_0)+F_z(z-z_0)=0$

推导逻辑：曲面可视为等值面 $F=C$，梯度 $\nabla F$ 垂直于等值面，故梯度即为法向量；切平面由所有与法向量垂直的切向量张成。

7. 方向导数与梯度#

方向导数（方向 $\vec{e}_l=(\cos\alpha,\cos\beta)$）： $\frac{\partial f}{\partial l}\Big|_{(x_0,y_0)} = f_x\cos\alpha + f_y\cos\beta = \nabla f \cdot \vec{e}_l$

梯度： $\nabla f = (f_x, f_y)$

推导逻辑：沿方向 $l$ 取增量 $\Delta x=\rho\cos\alpha,\Delta y=\rho\cos\beta$，代入可微定义 $\Delta f = f_x\Delta x+f_y\Delta y+o(\rho)$，两边除以 $\rho$ 取极限即得。由点积性质 $|\nabla f\cdot\vec{e}_l|\le |\nabla f|$，可知梯度方向是函数增长最快的方向。

8. 二元函数极值的充分条件#

设驻点处 $A=f_{xx},\ B=f_{xy},\ C=f_{yy}$，判别式 $\Delta=AC-B^2$：

推导逻辑：在驻点处作二元泰勒展开至二阶： $\Delta f \approx \frac{1}{2}\left(A(\Delta x)^2 + 2B\Delta x\Delta y + C(\Delta y)^2\right)$ 右边为关于 $\Delta x,\Delta y$ 的二次型，其正定性由判别式 $\Delta=AC-B^2$ 决定。

9. 拉格朗日乘数法（条件极值）#

求 $z=f(x,y)$ 在约束 $\phi(x,y)=0$ 下的极值：

构造拉格朗日函数： $L(x,y,\lambda) = f(x,y) + \lambda\phi(x,y)$

解方程组： $\begin{cases} L_x = f_x + \lambda\phi_x = 0 \\ L_y = f_y + \lambda\phi_y = 0 \\ L_\lambda = \phi(x,y) = 0 \end{cases}$

推导逻辑：在极值点处，目标函数的梯度与约束函数的梯度必共线（即 $\nabla f \parallel \nabla\phi$，因为沿约束曲面移动时函数值不再变化），引入比例系数 $\lambda$ 将平行条件转化为方程组。

简化的逻辑流（横向）#

1
[一元微分学] ──推广──> [多元偏导数/全微分] ──工具化──> [链式法则/隐函数求导]
2
      │                                                            │
3
      └──────── 几何化 ────────> [切平面·法线·梯度] <────────────┘
4
                                      │
5
                                      ↓
6
                         [极值与条件极值] ──应用──> [最优化/最小二乘法]
7
                                      │
8
                                      ↓
9
                         [重积分/曲线曲面积分]（第十章、第十一章）

如您后续能提供第九章的具体PDF页面，我可以针对教材中的例题编号、定理原文措辞、脚注说明进行更精准的摘录与解读。