第3章: 多変数関数の微積分

Multivariable Calculus

📖 読了時間: 20-25 minutes 📊 難易度: Beginner 💻 コード例: 0個 📝 演習問題: 0問

🌐 JP | 🇬🇧 EN | Last sync: 2025-11-16

基礎数理道場 > 微積分とベクトル解析入門 > 第3章

3.1 偏微分と全微分

📐 定義: 偏微分
多変数関数 f(x, y) の x に関する偏微分は： $$\frac{\partial f}{\partial x} = \lim_{h \to 0} \frac{f(x+h, y) - f(x, y)}{h}$$ 他の変数を固定して、1つの変数のみで微分します。

💻 コード例1: 偏微分の数値計算

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D def f(x, y): """2変数関数: f(x,y) = x² + xy + y²""" return x2 + x*y + y2 def partial_x(f, x, y, h=1e-5): """∂f/∂x の数値計算""" return (f(x+h, y) - f(x-h, y)) / (2h) def partial_y(f, x, y, h=1e-5): """∂f/∂y の数値計算""" return (f(x, y+h) - f(x, y-h)) / (2h) # 点 (1, 2) での偏微分 x0, y0 = 1, 2 df_dx = partial_x(f, x0, y0) df_dy = partial_y(f, x0, y0) print(f”点 ({x0}, {y0}) における偏微分:”) print(f”∂f/∂x = {df_dx:.6f} (解析解: {2x0 + y0})”) print(f”∂f/∂y = {df_dy:.6f} (解析解: {x0 + 2y0})”) # 3D可視化 x = np.linspace(-3, 3, 50) y = np.linspace(-3, 3, 50) X, Y = np.meshgrid(x, y) Z = f(X, Y) fig = plt.figure(figsize=(10, 8)) ax = fig.add_subplot(111, projection=‘3d’) ax.plot_surface(X, Y, Z, alpha=0.7, cmap=‘viridis’) ax.scatter([x0], [y0], [f(x0, y0)], color=‘red’, s=100) ax.set_xlabel(‘x’) ax.set_ylabel(‘y’) ax.set_zlabel(‘f(x,y)’) ax.set_title(‘f(x,y) = x² + xy + y²’) plt.show()

💻 コード例2: SymPyによる偏微分

import sympy as sp x, y, z = sp.symbols(‘x y z’) # 様々な多変数関数の偏微分 f1 = x2 + y2 f2 = xsp.exp(y) f3 = sp.sin(xy) f4 = x2 * y + y2 * z + z**2 * x functions = [f1, f2, f3, f4] print(“偏微分の例:”) for f in functions: print(f”\nf = {f}”) vars = list(f.free_symbols) for var in vars: print(f” ∂f/∂{var} = {sp.diff(f, var)}“)

3.2 勾配とヤコビ行列

📐 定義: 勾配
スカラー場 f(x, y, z) の勾配は偏微分を成分とするベクトル： $$\nabla f = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z} \right)$$ 勾配ベクトルは関数が最も急激に増加する方向を示します。

💻 コード例3: 勾配降下法の実装

def gradient(f, x, y, h=1e-5): """勾配ベクトルの数値計算""" grad_x = (f(x+h, y) - f(x-h, y)) / (2h) grad_y = (f(x, y+h) - f(x, y-h)) / (2h) return np.array([grad_x, grad_y]) def gradient_descent(f, x0, y0, learning_rate=0.1, n_iter=50): """勾配降下法による最小値探索""" path = [(x0, y0)] x, y = x0, y0 for i in range(n_iter): grad = gradient(f, x, y) x -= learning_rate * grad[0] y -= learning_rate * grad[1] path.append((x, y)) return np.array(path) # f(x,y) = x² + y² の最小値を探索 f_simple = lambda x, y: x2 + y2 path = gradient_descent(f_simple, x0=3, y0=2, learning_rate=0.2, n_iter=20) print(“勾配降下法による最小値探索:”) print(f”開始点: ({path[0,0]:.2f}, {path[0,1]:.2f})”) print(f”終了点: ({path[-1,0]:.6f}, {path[-1,1]:.6f})”) print(f”最小値: f = {f_simple(path[-1,0], path[-1,1]):.6f}”) # 可視化 x = np.linspace(-3, 3, 100) y = np.linspace(-3, 3, 100) X, Y = np.meshgrid(x, y) Z = f_simple(X, Y) plt.figure(figsize=(10, 8)) plt.contour(X, Y, Z, levels=20, cmap=‘viridis’, alpha=0.6) plt.colorbar(label=‘f(x,y)’) plt.plot(path[:,0], path[:,1], ‘ro-’, linewidth=2, markersize=6) plt.scatter([path[0,0]], [path[0,1]], color=‘green’, s=150, marker='', label=‘開始点’) plt.scatter([path[-1,0]], [path[-1,1]], color=‘red’, s=150, marker='', label=‘終了点’) plt.xlabel(‘x’) plt.ylabel(‘y’) plt.title(‘勾配降下法による最適化’) plt.legend() plt.grid(True, alpha=0.3) plt.show()

3.3 ラグランジュの未定乗数法

📐 定理: ラグランジュの未定乗数法
制約条件 g(x, y) = 0 の下で f(x, y) を最適化する問題は、 ラグランジュ関数 L(x, y, λ) = f(x, y) - λg(x, y) の停留点を求めることに帰着されます。

💻 コード例4: 制約付き最適化問題

from scipy.optimize import minimize # 問題: x² + y² を最小化、制約 x + y = 1 def objective(X): x, y = X return x2 + y2 def constraint(X): x, y = X return x + y - 1 # x + y = 1 # 制約条件を辞書形式で指定 cons = {‘type’: ‘eq’, ‘fun’: constraint} # 最適化実行 x0 = [0, 0] # 初期値 result = minimize(objective, x0, method=‘SLSQP’, constraints=cons) print(“制約付き最適化の結果:”) print(f”最適解: x = {result.x[0]:.6f}, y = {result.x[1]:.6f}”) print(f”最小値: f = {result.fun:.6f}”) print(f”制約確認: x + y = {result.x[0] + result.x[1]:.6f}”) # 解析解との比較（この問題の解析解は x = y = 0.5） print(f”\n解析解: x = y = 0.5, f = 0.5”) print(f”誤差: {abs(result.x[0] - 0.5):.2e}“)

3.4 重積分（二重積分・三重積分）

💻 コード例5: 二重積分の数値計算

from scipy import integrate # ∫∫_D xy dxdy, D: 0 ≤ x ≤ 1, 0 ≤ y ≤ 2 def integrand(y, x): """被積分関数 f(x,y) = xy""" return x * y # dblquad: 二重積分 result, error = integrate.dblquad(integrand, 0, 1, # x の範囲 0, 2) # y の範囲 print(“二重積分の計算:”) print(f”∫₀¹ ∫₀² xy dy dx = {result:.6f}”) print(f”解析解: [x²/2]₀¹ · [y²/2]₀² = 0.5 · 2 = 1.0”) print(f”推定誤差: {error:.2e}”)

💻 コード例6: 極座標変換による二重積分

円盤 x² + y² ≤ 1 上での ∫∫ (x² + y²) dxdy # 極座標変換: x = r cos θ, y = r sin θ, dxdy = r dr dθ def integrand_polar(theta, r): """極座標での被積分関数: r² · r = r³""" return r**3 # 積分範囲: 0 ≤ r ≤ 1, 0 ≤ θ ≤ 2π result, error = integrate.dblquad(integrand_polar, 0, 1, # r の範囲 0, 2*np.pi) # θ の範囲 print(“\n極座標変換による二重積分:”) print(f”∫∫_D (x² + y²) dxdy = {result:.6f}”) print(f”解析解: ∫₀^2π dθ ∫₀¹ r³ dr = 2π · [r⁴/4]₀¹ = π/2 ≈ {np.pi/2:.6f}”) print(f”誤差: {abs(result - np.pi/2):.2e}”)

💻 コード例7: 材料科学への応用（濃度分布の積分）

円形ウェハ上の不純物濃度分布 def concentration(r, theta): """ 濃度分布 C(r,θ) [atoms/cm³] 中心から離れるほど濃度が減少 """ r_max = 5.0 # ウェハ半径 [cm] C0 = 1e15 # 中心濃度 [atoms/cm³] return C0 * np.exp(-r2 / r_max2) # ウェハ全体の不純物原子数を計算 R = 5.0 # ウェハ半径 [cm] def integrand_concentration(theta, r): return concentration(r, theta) * r # ヤコビアン r を掛ける total_atoms, error = integrate.dblquad(integrand_concentration, 0, R, 0, 2np.pi) print(“\n材料科学への応用:”) print(f”ウェハ半径: {R} cm”) print(f”中心濃度: {1e15:.2e} atoms/cm³”) print(f”総不純物原子数: {total_atoms:.4e} atoms”) print(f”平均濃度: {total_atoms / (np.pi * R**2):.4e} atoms/cm³”) # 濃度分布の可視化 r_plot = np.linspace(0, R, 100) theta_plot = np.linspace(0, 2np.pi, 100) R_grid, Theta_grid = np.meshgrid(r_plot, theta_plot) C_grid = concentration(R_grid, Theta_grid) # 極座標をデカルト座標に変換 X_grid = R_grid * np.cos(Theta_grid) Y_grid = R_grid * np.sin(Theta_grid) plt.figure(figsize=(10, 8)) plt.contourf(X_grid, Y_grid, C_grid, levels=20, cmap=‘hot’) plt.colorbar(label=‘濃度 (atoms/cm³)’) plt.xlabel(‘x (cm)’) plt.ylabel(‘y (cm)’) plt.title(‘ウェハ上の不純物濃度分布’) plt.axis(‘equal’) plt.grid(True, alpha=0.3) plt.show()

まとめ

← 第2章: 積分の基礎 第4章: ベクトル場 →（準備中）

免責事項

← 前の章 シリーズ目次に戻る 次の章 →