편미분 계산기: 풀이 예제와 함께 배우는 단계별 가이드

편미분 계산기란 무엇이며 언제 필요할까?

편미분 계산기는 여러 변수를 갖는 함수에 대해 ∂f/∂x, ∂f/∂y, ∂f/∂z를 계산하며, 미분 대상이 되는 변수 하나를 제외한 모든 변수를 고정된 상수로 취급합니다. 기호 ∂(둥근 'd')는 단일 변수 함수에서만 의미를 갖는 일반 미분 d/dx와 편미분을 구분해 줍니다. z = f(x, y) = x²y + 3y² 를 생각해 봅시다. 이 곡면은 어느 방향으로 움직이느냐에 따라 기울기가 달라집니다. ∂f/∂x는 y를 고정한 채 x 방향으로 움직일 때의 기울기를 알려 주고, ∂f/∂y는 x를 고정한 채 y 방향으로 움직일 때의 기울기를 알려 줍니다. 어떤 점 근처에서 곡면이 어떻게 움직이는지 완전히 설명하려면 둘 다 필요합니다. 어느 하나만으로는 충분하지 않습니다. 어떤 양이 두 개 이상의 독립변수에 의존할 때는 언제나 편미분이 필요합니다. 금속판 위의 열 분포(x, y, 그리고 시간 t에 의존), 기업의 이윤(가격과 광고비에 의존), 머신러닝의 손실 함수(모든 모델 파라미터에 동시에 의존) 등이 그 예입니다. 단계별로 보여 주는 편미분 계산기는 각 단계에서 어떤 변수를 상수로 고정했는지 정확히 표시해 주는데, 이는 손으로 풀 때 학생들이 가장 자주 건너뛰는 부분입니다.

∂f/∂x의 의미는 이렇습니다. f를 x에 대해 미분하되, 나머지 변수는 모두 그냥 숫자인 것처럼 취급하라. 미분에 관한 나머지 규칙은 하나도 바뀌지 않습니다.

편미분 계산기는 단계별로 어떻게 작동할까?

손으로 계산하든 단계별 편미분 계산기를 사용하든, 아래 과정은 모든 다변수 함수에 그대로 적용됩니다. 다음 예제를 각 단계와 함께 풀어 보세요. f(x, y) = x³y² + 4xy − y³ 에 대해 ∂f/∂x와 ∂f/∂y를 구한 뒤, 두 값을 점 (2, 1)에서 계산합니다.

다변수 함수를 미분하는 핵심 규칙

일변수 미적분에서 이미 배운 모든 규칙 — 거듭제곱 법칙, 곱의 미분법, 연쇄법칙 — 은 편미분에도 그대로 적용됩니다. 새로 익혀야 할 습관은 각 계산에서 어떤 문자가 고정되어 있는지 기억하는 것뿐입니다. 거듭제곱 법칙 예제: h(x, y) = x⁴y³. ∂h/∂x = 4x³y³ (y³ 은 상수 계수). ∂h/∂y = 3x⁴y² (x⁴ 이 상수 계수). 곱의 미분법 예제: g(x, y) = x²·eʸ. 여기에는 x를 포함한 두 함수의 곱이 없으므로 ∂g/∂x = 2x·eʸ 로 바로 나옵니다. 반면 k(x, y) = x²·ln(x) + y² 에서 ∂k/∂x를 구하려면 x²·ln(x) 에 곱의 미분법을 써야 합니다. f = x², f' = 2x, g = ln(x), g' = 1/x 로 두면 2x·ln(x) + x²·(1/x) = 2x·ln(x) + x 가 됩니다. 따라서 ∂k/∂x = 2x·ln(x) + x 입니다(y² 항은 x를 포함하지 않으므로 사라집니다). ∂k/∂y의 경우 x²·ln(x) 는 y에 대해 완전히 상수이므로 ∂k/∂y = 2y 입니다. 연쇄법칙 예제: p(x, y) = (3x + 2y)⁵. y를 상수로 두면 바깥 함수는 u⁵ 이고 안쪽 함수는 u = 3x + 2y 입니다. ∂p/∂x = 5(3x + 2y)⁴ · 3 = 15(3x + 2y)⁴. 반대로 x를 상수로 두면 y에 대한 안쪽 미분값이 2이므로 ∂p/∂y = 5(3x + 2y)⁴ · 2 = 10(3x + 2y)⁴ 입니다. 로그 예제: m(x, y) = ln(xy). 로그의 곱 법칙에 따라 ln(xy) = ln(x) + ln(y) 이므로 ∂m/∂x = 1/x, ∂m/∂y = 1/y 가 됩니다. ln(xy) 에 연쇄법칙을 그대로 적용하는 것보다 훨씬 빠릅니다.

규칙은 바뀌지 않습니다 — 거듭제곱 법칙, 곱의 미분법, 연쇄법칙 모두 그대로 적용됩니다. 바뀌는 것은 장부 정리뿐입니다. 미분하는 변수 하나를 제외한 모든 변수를 고정하세요.

이계 편미분은 어떻게 구할까?

이계 편미분은 이미 한 번 미분한 함수를 한 번 더 미분하는 것입니다. 일계 편도함수가 두 개(∂f/∂x 와 ∂f/∂y)이므로 이계 편도함수는 네 개가 됩니다. ∂²f/∂x²(∂f/∂x를 x에 대해 다시 미분), ∂²f/∂y²(∂f/∂y를 y에 대해 다시 미분), 그리고 서로 반대 순서로 미분하는 두 개의 혼합 편도함수 ∂²f/∂x∂y 와 ∂²f/∂y∂x 입니다.

클레로 정리: 이계 편도함수가 연속인 함수라면 ∂²f/∂x∂y = ∂²f/∂y∂x 입니다. 혼합 편도함수를 계산할 때마다 이것을 공짜 정확도 검사로 활용하세요.

편미분을 계산할 때 자주 하는 실수

다변수 미적분 시험에서 잃는 점수의 대부분은 아래 실수들에서 나옵니다. 단계별 편미분 계산기는 이런 실수를 자동으로 잡아 주지만, 스스로 알아보는 능력이야말로 진짜 이해로 이어집니다.

연습 문제: 완전 풀이가 있는 편미분 문제

정답을 보기 전에 각 문제를 먼저 풀어 보세요. 문제는 기본 거듭제곱 법칙 편미분에서 시작해 삼변수 함수, 그리고 지수·로그 혼합 심화 문제까지 이어집니다. 직접 풀어 본 뒤 편미분 계산기로 각 답을 검증해 보세요. 문제 1 — 거듭제곱 법칙: f(x, y) = 5x²y³ 에 대해 ∂f/∂x 와 ∂f/∂y 를 구하세요. ∂f/∂x = 10xy³ (x² 를 미분하고 y³ 은 상수 계수로 유지) ∂f/∂y = 15x²y² (y³ 을 미분하고 5x² 는 상수 계수로 유지) ✓ 문제 2 — 삼각함수 연쇄법칙: f(x, y) = sin(xy) 에 대해 ∂f/∂x 와 ∂f/∂y 를 구하세요. xy 를 안쪽 함수 u 로 둡니다. ∂u/∂x = y 이므로 ∂f/∂x = y·cos(xy). ∂u/∂y = x 이므로 ∂f/∂y = x·cos(xy) ✓ 문제 3 — 세 개의 변수: f(x, y, z) = x²y + yz³ − 3xz 에 대해 ∂f/∂x, ∂f/∂y, ∂f/∂z 를 구하세요. ∂f/∂x = 2xy − 3z (y가 붙은 항은 y를 그대로 유지, z 항은 사라지고, −3xz 는 −3z 로 미분됨) ∂f/∂y = x² + z³ (x²y 는 x² 로, yz³ 은 z³ 으로 미분되고, −3xz 는 사라짐) ∂f/∂z = 3yz² − 3x (x²y 는 사라지고, yz³ 은 3yz² 로, −3xz 는 −3x 로 미분됨) ✓ 문제 4 — 거듭제곱으로 쓴 분수식: f(x, y) = x²/y = x²·y⁻¹ 에 대해 ∂f/∂x 와 ∂f/∂y 를 구하세요. ∂f/∂x = 2x/y (x² 에 거듭제곱 법칙 적용, y⁻¹ 은 상수 계수) ∂f/∂y = x²·(−1)y⁻² = −x²/y² ✓ 문제 5 — 심화, 지수함수와 로그함수: f(x, y) = e^(xy) + x·ln(y) 에 대해 ∂f/∂x 와 ∂f/∂y 를 구하고, 두 값을 (1, 1)에서 계산하세요. ∂f/∂x = y·e^(xy) + ln(y) (e^(xy) 에 연쇄법칙을 적용하면 y·e^(xy); x·ln(y) 를 x에 대해 미분하면 ln(y)) ∂f/∂y = x·e^(xy) + x/y (e^(xy) 에 연쇄법칙을 적용하면 x·e^(xy); x·ln(y) 를 y에 대해 미분하면 x·(1/y)) (1, 1) 에서: ∂f/∂x = 1·e¹ + ln(1) = e + 0 ≈ 2.718 ∂f/∂y = 1·e¹ + 1/1 = e + 1 ≈ 3.718 ✓

편미분은 실제 응용에서 왜 중요할까?

편미분은 시험 주제에 그치지 않습니다. 여러 학문 분야 전체를 떠받치는 실무 도구입니다. 물리학에서 열방정식과 파동방정식은 모두 위치와 시간에 대한 이계 편도함수로 표현됩니다. ∂T/∂t 는 한 점의 온도가 시간에 따라 어떻게 변하는지를 나타내고, ∂²T/∂x² 는 온도가 공간에 걸쳐 어떻게 휘어지는지를 나타냅니다. 경제학에서 이윤 π 가 가격 p 와 광고비 a 에 의존한다면, ∂π/∂p(가격 변화에 따른 한계이윤)와 ∂π/∂a(광고에 따른 한계이윤)는 기업이 어느 레버를 먼저 조정해야 할지 알려 줍니다. 그래디언트(gradient) — 모든 일계 편도함수를 모은 벡터 ∇f = (∂f/∂x, ∂f/∂y) — 는 함수가 가장 가파르게 증가하는 방향을 가리키며, 그 크기는 그 최대 기울기와 같습니다. 이것이 바로 머신러닝의 경사하강법이 사용하는 원리입니다. 수천 개의 파라미터를 가진 모델은 모든 파라미터에 대해 손실 함수의 편도함수를 계산한 뒤, 각 파라미터를 그래디언트 반대 방향으로 조금씩 조정해 오차를 줄입니다. 신경망이 '학습'할 때마다 실제로 일어나는 일은 아주 많은 편미분을 한꺼번에, 그리고 반복해서 계산하는 것입니다. 제약 조건이 여러 개인 최적화 문제 — 둘레가 고정된 상태에서 넓이를 최대화하거나, 생산 목표가 주어진 상태에서 비용을 최소화하는 문제 — 는 모든 편도함수를 동시에 0으로 두어 임계점을 찾습니다. 일변수 최적화의 핵심 아이디어를 한 번에 여러 방향으로 확장한 것과 같습니다.

그래디언트 ∇f = (∂f/∂x, ∂f/∂y) 는 온전히 편도함수로만 이루어진 벡터이며, f가 가장 빠르게 증가하는 방향을 가리킵니다. 이것이 머신러닝 경사하강법의 수학적 토대입니다.

편미분 계산기에 대해 자주 묻는 질문은?