함께 배우는 수업 · 수학

다변수미적분: 편도함수와 그래디언트

독립변수가 여러 개인 다변수 함수 f(x, y, z)의 순간변화율! 편미분의 계산법과 최대 경사 방향을 가리키는 그래디언트 벡터(∇f), 방향도함수, 헤세 행렬 극값 판정을 마스터합니다.

이 수업에서 해 볼 일

  • 다른 변수를 고정하여 편미분과 그래디언트를 구한다

먼저 알면 좋은 것: 일변수 함수의 미분법(곱·합성함수 미분) · 벡터의 내적과 크기 · 평면과 곡면의 기하학

오늘의 목표

가입 없이 시작할 수 있어요. 설명을 읽고, 함께 연습한 뒤, 처음 보는 문제에서 직접 확인합니다.

판단 과정과 비교 사례

편미분은 다른 변수를 상수로 두고 한 변수에 대해서만 미분한다. x로 미분할 때 y만의 항은 상수항처럼 0이 된다.그래디언트는 각 편도함수를 정한 변수 순서로 모은 벡터다. 점을 대입하기 전에 식을 먼저 구하면 원래 함수값과 혼동을 줄일 수 있다.접평면은 f(a,b)+fₓ(a,b)(x−a)+fᵧ(a,b)(y−b)로 쓴다. 전개 뒤 기준점에서 실제 높이 f(a,b)를 주는지 검산한다.

1. 개념 정의와 직관적 원리: 편미분(Partial Derivative)의 기하학적 의미

실생활과 공학의 함수들은 온도 T(x,y,z)T(x, y, z)나 인공지능 신경망의 손실함수 L(w1,w2,…,wn)L(w_1, w_2, \dots, w_n)처럼 독립변수가 22개 이상인 다변수 함수(Multivariable Function)입니다. 이변수 함수 z=f(x,y)z = f(x, y)에서 한 변수만 변화시키고 나머지 모든 변수를 상수(고정된 숫자)로 취급하여 미분하는 것을 편미분(Partial Differentiation)이라 하며, 라운드 기호 ∂\partial를 사용하여 나타냅니다:
fx(x,y)=∂f∂x=lim⁡h→0f(x+h,y)−f(x,y)h(y는 상수로 고정!)f_x(x, y) = \frac{\partial f}{\partial x} = \lim_{h \to 0} \frac{f(x + h, y) - f(x, y)}{h} \quad (y\text{는 상수로 고정!})
fy(x,y)=∂f∂y=lim⁡k→0f(x,y+k)−f(x,y)k(x는 상수로 고정!)f_y(x, y) = \frac{\partial f}{\partial y} = \lim_{k \to 0} \frac{f(x, y + k) - f(x, y)}{k} \quad (x\text{는 상수로 고정!})
- 기하학적 의미: 3차원 공간의 산(곡면 z=f(x,y)z = f(x, y)) 위의 한 점에 서 있을 때, ∂f∂x\frac{\partial f}{\partial x}는 동쪽(xx축 양의 방향)으로만 걸어갈 때의 산비탈의 경사(접선의 기울기)이고, ∂f∂y\frac{\partial f}{\partial y}는 북쪽(yy축 양의 방향)으로만 걸어갈 때의 경사입니다. - 클레로의 정리 (Clairaut's Theorem): 이계편도함수 fxyf_{xy}와 fyxf_{yx}가 연속이면 미분하는 변수 순서를 바꾸어도 결과는 항상 같습니다 (∂2f∂y∂x=∂2f∂x∂y\frac{\partial^2 f}{\partial y \partial x} = \frac{\partial^2 f}{\partial x \partial y}).💡 편미분 실전 계산 요령: ∂f/∂x 를 구할 때는 식에 들어있는 y나 z를 숫자 '5'나 상수 'c'라고 머릿속으로 생각하세요! 예를 들어 y³ 항은 x가 전혀 없는 상수항이므로 x로 편미분하면 3y²이 아니라 무조건 '0'이 되어 사라집니다!

2. 핵심 공식 유도 및 성질: 그래디언트 벡터(∇f)와 방향도함수

1) 그래디언트 벡터 (Gradient Vector, ∇f\nabla f 또는 grad f\text{grad } f): 다변수 함수 f(x,y,z)f(x, y, z)의 각 변수에 대한 1계 편도함수들을 성분으로 모아 만든 벡터를 그래디언트(기울기 벡터)라고 부릅니다:
∇f(x,y,z)=(∂f∂x,  ∂f∂y,  ∂f∂z)\nabla f(x, y, z) = \left( \frac{\partial f}{\partial x}, \; \frac{\partial f}{\partial y}, \; \frac{\partial f}{\partial z} \right)
2) 방향도함수 (Directional Derivative, DufD_{\mathbf{u}} f): xx축이나 yy축 방향이 아닌 임의의 단위벡터 u\mathbf{u} (∥u∥=1\|\mathbf{u}\| = 1) 방향으로 나아갈 때의 함수의 순간변화율은 그래디언트 벡터와 단위벡터 u\mathbf{u}의 내적(Dot Product)으로 계산됩니다:
Duf(p)=∇f(p)⋅u=∥∇f(p)∥∥u∥cos⁡θ=∥∇f(p)∥cos⁡θD_{\mathbf{u}} f(\mathbf{p}) = \nabla f(\mathbf{p}) \cdot \mathbf{u} = \|\nabla f(\mathbf{p})\| \|\mathbf{u}\| \cos\theta = \|\nabla f(\mathbf{p})\| \cos\theta
내적의 코사인 공식(−1≤cos⁡θ≤1-1 \le \cos\theta \le 1)으로부터 그래디언트의 3대 황금 기하학적 성질이 증명됩니다: 1. 최대 증가 방향과 최댓값: θ=0\theta = 0 (즉 u\mathbf{u}가 ∇f\nabla f와 같은 방향)일 때 함수가 가장 가파르게 증가하며, 최대 증가율은 ∥∇f∥\|\nabla f\|입니다. 2. 최대 감소 방향과 최솟값: θ=π\theta = \pi (즉 u\mathbf{u}가 −∇f-\nabla f 방향)일 때 함수가 가장 가파르게 감소하며, 최대 감소율은 −∥∇f∥-\|\nabla f\|입니다. (인공지능 경사하강법, Gradient Descent의 원리!) 3. 등위면(등고선)과의 직교성: 등고선을 따라 움직이면 함숫값 변화가 00(cos⁡θ=0\cos\theta = 0)이므로, ∇f\nabla f는 등위선(Level Curve) 및 등위면에 항상 수직(법선벡터)입니다!

예제로 살펴보기

이변수 함수 f(x, y) = x²y + 3y² 에 대하여 점 P(1, 2)에서의 그래디언트 벡터 ∇f(1, 2)와 최대 증가율, 그리고 벡터 v = (3, 4) 방향으로의 방향도함수 D_u f(1, 2)를 구하시오.
  1. 1) [편미분 및 그래디언트 계산]: ∂f/∂x = 2xy, ∂f/∂y = x² + 6y 점 (1, 2)를 대입하면 ∇f(1, 2) = (2(1)(2), 1² + 6(2)) = (4, 13) 입니다. 2) [최대 증가율]: 그래디언트 벡터의 크기이므로 ||∇f(1, 2)|| = √(4² + 13²) = √(16 + 169) = √185 입니다. 3) [방향도함수 계산]: 주어진 벡터 v = (3, 4)는 크기가 ||v|| = √(3² + 4²) = 5 로 단위벡터가 아니므로, 반드시 5로 나누어 단위벡터 u = (3/5, 4/5) 로 정규화해야 합니다! 따라서 D_u f(1, 2) = ∇f(1, 2) · u = (4, 13) · (3/5, 4/5) = (12 + 52) / 5 = 64/5 입니다.
확인: 편미분 ∂f/∂x 는 x 이외의 다른 모든 변수(y, z 등)를 상수로 취급하여 x에 대해서만 미분하는 연산이다.

3. 심화 응용 및 실전 빈출 함정 분석: 단위벡터 정규화 함정과 헤세 행렬 극값 판정

1) 실전 오답 1위 함정 — 방향도함수에서 단위벡터 정규화(u=v∥v∥\mathbf{u} = \frac{\mathbf{v}}{\|\mathbf{v}\|}) 누락! 문제에서 "벡터 v=(1,2)\mathbf{v} = (1, 2) 방향으로의 방향도함수를 구하시오"라고 할 때, 무심코 ∇f⋅(1,2)\nabla f \cdot (1, 2)를 계산하면 무조건 오답입니다! 방향도함수 공식 Duf=∇f⋅uD_{\mathbf{u}} f = \nabla f \cdot \mathbf{u}는 오직 크기가 11인 단위벡터 u\mathbf{u}에 대해서만 성립하므로, 반드시 벡터의 크기 ∥v∥=12+22=5\|\mathbf{v}\| = \sqrt{1^2 + 2^2} = \sqrt{5}로 나누어 단위벡터 u=(15,25)\mathbf{u} = \left(\frac{1}{\sqrt{5}}, \frac{2}{\sqrt{5}}\right)를 만든 뒤 내적해야 합니다. 2) 다변수 함수의 극값 판정과 안장점(Saddle Point) — 헤세 행렬식(DD): ∇f(a,b)=(0,0)\nabla f(a, b) = (0, 0)을 만족하는 임계점(Critical Point) (a,b)(a, b)에서 2계 편도함수 판별식(헤세 행렬식)
D=det⁡(H)=∣fxxfxyfyxfyy∣=fxxfyy−(fxy)2D = \det(H) = \begin{vmatrix} f_{xx} & f_{xy} \\ f_{yx} & f_{yy} \end{vmatrix} = f_{xx} f_{yy} - (f_{xy})^2
의 부호를 조사합니다: - D>0D > 0 이고 fxx>0f_{xx} > 0: 아래로 볼록한 그릇 모양   ⟹  \implies 극솟값(Local Minimum) - D>0D > 0 이고 fxx<0f_{xx} < 0: 위로 볼록한 산봉우리 모양   ⟹  \implies 극댓값(Local Maximum) - D<0D < 0: 한 방향으로는 아래로 볼록하고 다른 방향으로는 위로 볼록한 말안장 모양   ⟹  \implies 극값이 아닌 안장점(Saddle Point, 예: z=x2−y2z = x^2 - y^2의 원점)!⚠️ 빈출 함정 주의: ① 방향도함수를 구할 때 주어진 방향벡터 v를 그대로 내적하지 말고 반드시 크기 ||v|| 로 나눈 단위벡터 u = v/||v|| 와 내적하세요! ② 1계 편도함수가 존재한다고 해서 다변수 함수가 연속이거나 미분가능(전미분 가능)한 것은 아닙니다!

참고 근거와 확인 범위

설명·예제·문제 구성 및 오류 수정 책임: 프리런. 위 자료는 표시한 주제를 확인하거나 더 읽기 위한 근거이며, 외부 기관의 공식 수업이나 감수본을 뜻하지 않습니다.

참고 자료 연결 점검: 2026-11-02. 제작 방식·검수 범위와 수정 기록에서 확인 범위를 볼 수 있습니다. 오류는 상단의 의견 보내기 또는 contact@freelearn.io로 알려 주세요.

이 단원의 개념서 읽기 →