偏微分計算機：ステップごとの解き方ガイドと例題集

偏微分計算機とは何か、どんなときに必要になるのか？

偏微分計算機は、多変数関数に対して ∂f/∂x、∂f/∂y、∂f/∂z を計算するツールで、微分の対象となる変数以外はすべて固定された定数として扱います。記号 ∂（丸みを帯びた「d」）は、1変数関数にしか意味を持たない通常の微分 d/dx と偏微分を区別するためのものです。 z = f(x, y) = x²y + 3y² を考えてみましょう。この曲面は、どの向きに動くかによって傾きが変わります。∂f/∂x は、y を固定したまま x 方向に動いたときの傾きを表します。∂f/∂y は、x を固定したまま y 方向に動いたときの傾きを表します。ある点の近くで曲面がどのようにふるまうかを完全に記述するには両方が必要で、どちらか一方だけでは足りません。 量が2つ以上の独立変数に依存するときには、必ず偏微分が必要になります。金属板上の熱分布（x、y、そして時刻 t に依存）、企業の利益（価格と広告費に依存）、機械学習の損失関数（すべてのモデルパラメータに同時に依存）などです。ステップ表示の偏微分計算機は、各段階でどの変数を定数として固定したのかを正確に示してくれます。これは手計算のときに学習者が最も飛ばしがちな部分です。

∂f/∂x の意味は、「f を x について微分し、ほかの変数はすべてただの数のように扱う」ということです。微分のやり方そのものは何も変わりません。

偏微分計算機はステップごとにどう計算するのか？

手計算で求める場合でも、ステップ表示の偏微分計算機を使う場合でも、以下の手順はあらゆる多変数関数に当てはまります。次の例題を各ステップと並べて解いてみましょう。f(x, y) = x³y² + 4xy − y³ について ∂f/∂x と ∂f/∂y を求め、点 (2, 1) で両方の値を評価します。

多変数関数を微分するための基本ルール

1変数の微積分ですでに学んだルール（べき乗の微分公式、積の微分公式、合成関数の微分公式）は、そのまま偏微分にも当てはまります。新しく身につけるべき習慣は、その回の計算でどの文字を固定しているかを覚えておくことだけです。 べき乗の微分公式の例：h(x, y) = x⁴y³。∂h/∂x = 4x³y³（y³ は定数の係数）。∂h/∂y = 3x⁴y²（x⁴ は定数の係数）。 積の微分公式の例：g(x, y) = x²·eʸ。ここには x を含む項どうしの積がないので、∂g/∂x = 2x·eʸ とそのまま求まります。一方、k(x, y) = x²·ln(x) + y² の ∂k/∂x を求めるには、x²·ln(x) に積の微分公式が必要です。f = x²、f' = 2x、g = ln(x)、g' = 1/x とすると、2x·ln(x) + x²·(1/x) = 2x·ln(x) + x となります。したがって ∂k/∂x = 2x·ln(x) + x です（y² の項は x を含まないので消えます）。∂k/∂y については、x²·ln(x) は y に関して完全な定数なので、∂k/∂y = 2y となります。 合成関数の微分公式の例：p(x, y) = (3x + 2y)⁵。y を定数として扱うと、外側の関数は u⁵、内側は u = 3x + 2y です。∂p/∂x = 5(3x + 2y)⁴ · 3 = 15(3x + 2y)⁴。逆に x を定数として扱うと、y に関する内側の導関数は 2 なので、∂p/∂y = 5(3x + 2y)⁴ · 2 = 10(3x + 2y)⁴ となります。 対数の例：m(x, y) = ln(xy)。対数の積の法則から ln(xy) = ln(x) + ln(y) なので、∂m/∂x = 1/x、∂m/∂y = 1/y となり、ln(xy) に直接合成関数の微分公式を使うよりずっと速く求まります。

ルールは変わりません。べき乗の微分公式、積の微分公式、合成関数の微分公式はすべてそのまま使えます。変わるのは管理の仕方だけです。微分する変数以外はすべて固定してください。

二階偏微分はどうやって求めるのか？

二階偏微分とは、すでに1度微分した関数をもう1度微分したものです。一階の偏導関数は2つ（∂f/∂x と ∂f/∂y）あるため、二階偏微分は4つあります。∂²f/∂x²（∂f/∂x をもう一度 x について微分）、∂²f/∂y²（∂f/∂y をもう一度 y について微分）、そして微分の順序が逆になる2つの混合偏微分 ∂²f/∂x∂y と ∂²f/∂y∂x です。

クレローの定理：二階偏導関数が連続な関数であれば、∂²f/∂x∂y = ∂²f/∂y∂x が成り立ちます。混合偏微分を計算するたびに、これを無料の精度チェックとして活用しましょう。

偏微分を計算するときによくある間違い

多変数微積分の試験で失点する原因の大半は、以下の間違いです。ステップ表示の偏微分計算機はこれらを自動的に見つけてくれますが、自分で気づけるようになることこそが本当の理解につながります。

練習問題：詳しい解答つきの偏微分

解答を見る前に、まず自分で各問題に取り組んでください。問題は基本的なべき乗の偏微分から、3変数関数、さらに指数関数と対数関数を組み合わせた応用問題へと進みます。自分で解いたあと、偏微分計算機で答えを確認しましょう。 問題1 — べき乗の微分公式： f(x, y) = 5x²y³ について ∂f/∂x と ∂f/∂y を求めなさい。 ∂f/∂x = 10xy³（x² を微分し、y³ は定数倍として残す） ∂f/∂y = 15x²y²（y³ を微分し、5x² は定数倍として残す）✓ 問題2 — 三角関数と合成関数の微分公式： f(x, y) = sin(xy) について ∂f/∂x と ∂f/∂y を求めなさい。 xy を内側の関数 u として扱います。∂u/∂x = y なので、∂f/∂x = y·cos(xy)。 ∂u/∂y = x なので、∂f/∂y = x·cos(xy) ✓ 問題3 — 3変数： f(x, y, z) = x²y + yz³ − 3xz について ∂f/∂x、∂f/∂y、∂f/∂z を求めなさい。 ∂f/∂x = 2xy − 3z（y の項では y がそのまま残り、z の項は消え、−3xz は −3z になる） ∂f/∂y = x² + z³（x²y は x² に、yz³ は z³ になり、−3xz は消える） ∂f/∂z = 3yz² − 3x（x²y は消え、yz³ は 3yz² に、−3xz は −3x になる）✓ 問題4 — 分数をべき乗として書き直す： f(x, y) = x²/y = x²·y⁻¹ について ∂f/∂x と ∂f/∂y を求めなさい。 ∂f/∂x = 2x/y（x² にべき乗の微分公式を使い、y⁻¹ は定数倍） ∂f/∂y = x²·(−1)y⁻² = −x²/y² ✓ 問題5 — 応用問題、指数関数と対数関数： f(x, y) = e^(xy) + x·ln(y) について ∂f/∂x と ∂f/∂y を求め、両方を (1, 1) で評価しなさい。 ∂f/∂x = y·e^(xy) + ln(y)（e^(xy) に合成関数の微分公式を使うと y·e^(xy)、x·ln(y) を x について微分すると ln(y)） ∂f/∂y = x·e^(xy) + x/y（e^(xy) に合成関数の微分公式を使うと x·e^(xy)、x·ln(y) を y について微分すると x·(1/y)） (1, 1) では：∂f/∂x = 1·e¹ + ln(1) = e + 0 ≈ 2.718 ∂f/∂y = 1·e¹ + 1/1 = e + 1 ≈ 3.718 ✓

偏微分は実際の応用でなぜ重要なのか？

偏微分は試験のためだけの話題ではなく、いくつもの分野を支える実務の道具です。物理学では、熱方程式も波動方程式も、位置と時刻に関する二階偏微分を使って書かれます。∂T/∂t はある点の温度が時間とともにどう変化するかを表し、∂²T/∂x² は温度が空間の中でどのように曲がっているかを表します。経済学では、利益 π が価格 p と広告費 a に依存するとき、∂π/∂p（価格変化による限界利益）と ∂π/∂a（広告による限界利益）が、企業がどのレバーを先に動かすべきかを教えてくれます。 勾配（すべての一階偏導関数を並べたベクトル ∇f = (∂f/∂x, ∂f/∂y)）は、関数が最も急に増加する向きを指し、その大きさは最も急な傾きに等しくなります。これはまさに、機械学習の勾配降下法で使われているものです。数千個のパラメータを持つモデルは、損失関数のすべてのパラメータに関する偏微分を計算し、それぞれを勾配とは逆向きにわずかに調整して誤差を減らします。ニューラルネットワークが「学習する」たびに、実際には膨大な数の偏微分を一度にまとめて、何度も何度も計算しているのです。 複数の制約がある最適化問題（周の長さが決まっているときに面積を最大化する、生産目標があるときにコストを最小化するなど）では、すべての偏導関数を同時に 0 とおいて臨界点を求めます。これは1変数の最適化とまったく同じ考え方を、2つ以上の方向に同時に拡張したものです。

勾配 ∇f = (∂f/∂x, ∂f/∂y) は、すべて偏導関数だけで組み立てられたベクトルで、f が最も速く増加する向きを指します。これが機械学習における勾配降下法の数学的な土台です。

偏微分計算機についてよくある質問は？