# 미분 (Differentiation)

#### 개요

미분(Differentiation)은 수학에서 함수의 변화를 분석하는 핵심 도구 중 하나로, 연속적인 변화와 기울기를 연구하는 데 중점을 둔다. 미분은 미적분학의 주요한 두 가지 분야 중 하나로, 주어진 함수의 변화율을 측정하고, 이 변화를 통해 함수의 다양한 성질을 연구하는 데 활용된다. 미분의 개념은 한 점에서 함수의 기울기를 계산하는 것에서 시작되며, 이를 일반화하여 다양한 함수와 상황에 적용할 수 있다.

#### 도함수와 기울기

도함수(derivative)는 함수의 기울기를 나타내는 중요한 개념이다. 함수 $ f(x) $의 도함수는 $ f'(x) $ 또는 $ \frac{df}{dx} $로 표기되며, 이는 함수가 해당 지점에서 얼마나 빠르게 변화하는지를 나타낸다. 도함수는 기본적으로 다음과 같은 극한으로 정의된다:

$$
f'(x) = \lim\_{{h \to 0}} \frac{f(x+h) - f(x)}{h}
$$

이 극한은 $ h $가 0에 접근할 때 $ f(x) $의 변화율을 측정한다. 이를 통해 함수의 그래프에서 특정 점에서의 접선의 기울기를 계산할 수 있다. 도함수는 함수의 성질을 더 깊이 이해하는 데 필수적인 도구로 작용한다.

#### 고계 도함수 (Higher-Order Derivatives)

도함수를 다시 미분하면 고계 도함수(higher-order derivative)를 얻을 수 있다. 첫 번째 도함수가 함수의 변화율을 나타낸다면, 두 번째 도함수는 변화율의 변화율, 즉 곡률(curvature)을 나타낸다. 일반적으로 $ n $계 도함수는 $ f^{(n)}(x) $로 표기된다. 예를 들어, 두 번째 도함수는 다음과 같이 정의된다:

$$
f''(x) = \frac{d^2f}{dx^2} = \lim\_{{h \to 0}} \frac{f'(x+h) - f'(x)}{h}
$$

이러한 고계 도함수는 함수의 모양을 더욱 자세히 이해하는 데 사용되며, 특히 최대값과 최소값, 오목성과 볼록성 등의 성질을 분석하는 데 중요한 역할을 한다.

#### 미분의 규칙

미분에는 여러 가지 중요한 규칙이 존재하며, 이를 통해 복잡한 함수의 미분을 보다 간단하게 계산할 수 있다.

**곱의 법칙 (Product Rule)**

두 함수의 곱의 미분은 다음과 같이 계산된다:

$$
(f \cdot g)'(x) = f'(x)g(x) + f(x)g'(x)
$$

이는 두 함수의 곱에서 각 함수의 미분이 서로 독립적으로 이루어진다는 것을 의미한다.

**몫의 법칙 (Quotient Rule)**

두 함수의 몫의 미분은 다음과 같은 규칙에 따라 계산된다:

$$
\left(\frac{f}{g}\right)'(x) = \frac{f'(x)g(x) - f(x)g'(x)}{g(x)^2}
$$

이 규칙은 분모가 함수일 때 미분을 계산할 때 사용된다.

**합성 함수의 미분 (Chain Rule)**

합성 함수의 미분은 두 함수가 합성되어 있을 때, 각 함수의 도함수를 곱한 형태로 계산된다. 이를 수식으로 표현하면:

$$
(f \circ g)'(x) = f'(g(x)) \cdot g'(x)
$$

이는 함수의 내적 구조를 유지하면서 미분을 수행할 수 있는 중요한 도구이다.

#### 특수 함수의 미분

**지수 함수 (Exponential Functions)**

지수 함수 $ f(x) = e^x $의 미분은 매우 간단하며, 자기 자신이 된다:

$$
\frac{d}{dx}e^x = e^x
$$

**로그 함수 (Logarithmic Functions)**

로그 함수 $ f(x) = \ln(x) $의 미분은 다음과 같이 표현된다:

$$
\frac{d}{dx}\ln(x) = \frac{1}{x}
$$

**삼각 함수 (Trigonometric Functions)**

삼각 함수의 미분은 다음과 같이 정의된다:

$$
\frac{d}{dx}\sin(x) = \cos(x)
$$

$$
\frac{d}{dx}\cos(x) = -\sin(x)
$$

이는 삼각 함수의 주기적 성질로 인해 발생하는 결과로, 주기적인 변화율을 표현할 때 매우 유용하다.

#### 편미분 (Partial Derivatives)

편미분은 다변수 함수에서 특정 변수에 대해 미분을 수행하는 것을 의미한다. 예를 들어, 함수 $ f(x, y) $에 대해 $ x $에 대한 편미분은 다음과 같이 표현된다:

$$
\frac{\partial f}{\partial x} = \lim\_{h \to 0} \frac{f(x+h, y) - f(x, y)}{h}
$$

편미분은 특히 물리학이나 공학에서 다변수 시스템의 각 변수의 영향을 분석할 때 유용하다.

#### 미분 가능성 (Differentiability)

함수가 미분 가능하다는 것은 함수가 그 점에서 연속적이며, 해당 점에서 도함수가 존재한다는 것을 의미한다. 이는 미분의 전제 조건으로서, 함수의 연속성과 매끄러움이 필수적이다.

**연속성과 미분 가능성의 관계**

모든 미분 가능한 함수는 연속이지만, 모든 연속 함수가 미분 가능한 것은 아니다. 예를 들어, 절댓값 함수 $ f(x) = |x| $는 $ x = 0 $에서 연속이지만 미분 가능하지 않다.

**미분 불가능한 점**

미분 불가능한 점은 일반적으로 그래프에서 각진 점, 수직 접선이 존재하는 점, 또는 불연속점에서 발생한다. 이러한 점에서는 함수의 변화율을 정의할 수 없다.

#### 방향 미분 (Directional Derivatives)

방향 미분은 특정 방향으로의 변화율을 구하는 것으로, 이는 벡터의 방향에 따라 변화하는 다변수 함수에서 중요하다. 방향 미분은 다음과 같이 정의된다:

$$
D\_{\mathbf{v}} f(x, y) = \lim\_{h \to 0} \frac{f(\mathbf{r} + h\mathbf{v}) - f(\mathbf{r})}{h}
$$

여기서 $ \mathbf{v} $는 방향 벡터를 나타낸다.

#### 테일러 급수 (Taylor Series)

테일러 급수는 함수의 도함수를 이용하여 주어진 점 근처에서 함수 값을 근사하는 방법이다. 테일러 급수는 일반적으로 다음과 같이 표현된다:

$$
f(x) = f(a) + f'(a)(x-a) + \frac{f''(a)}{2!}(x-a)^2 + \frac{f^{(n)}(a)}{n!}(x-a)^n + \cdots
$$

이는 함수가 매끄럽게 연속되고 모든 고계 도함수가 존재할 때 사용된다.

#### 임계점과 함수의 극값

미분을 이용하여 함수의 극값(최대값 및 최소값)을 찾을 수 있다. 함수 $ f(x) $의 도함수가 0이 되는 점을 임계점이라고 하며, 이 점에서 함수는 최대값 또는 최소값을 가질 수 있다.

**제1차 도함수 검사 (First Derivative Test)**

제1차 도함수 검사는 임계점에서 함수의 증가 또는 감소를 판단하는 방법이다. 임계점의 양쪽에서 도함수의 부호가 바뀌는지를 확인하여 극대값 또는 극소값을 결정할 수 있다.

**제2차 도함수 검사 (Second Derivative Test)**

제2차 도함수 검사는 임계점에서의 함수의 곡률을 이용하여 극값을 판단하는 방법이다. 제2차 도함수의 부호에 따라, 함수가 오목한지 볼록한지 결정할 수 있다. 예를 들어, $ f''(x) > 0 $이면 극소값, $ f''(x) < 0 $이면 극대값이다.

#### 임의 차원에서의 미분

고차원 공간에서 미분 개념은 벡터와 행렬로 확장된다. 다변수 함수의 미분을 나타내는 야코비안 행렬과 헤시안 행렬은 각각 일차 및 이차 미분의 고차원적 표현이다.

**야코비안 (Jacobian)**

야코비안 행렬은 다변수 함수의 모든 편미분을 모아놓은 행렬로, 주어진 점에서의 함수의 변화율을 벡터 형태로 나타낸다.

$$
J(f) = \begin{pmatrix} \frac{\partial f\_1}{\partial x\_1} & \cdots & \frac{\partial f\_1}{\partial x\_n} \ \vdots & \ddots & \vdots \ \frac{\partial f\_m}{\partial x\_1} & \cdots & \frac{\partial f\_m}{\partial x\_n} \end {pmatrix}
$$

**헤시안 (Hessian)**

헤시안 행렬은 이차 도함수로 구성된 행렬로, 함수의 곡률 정보를 제공한다. 이는 최적화 문제에서 함수의 볼록성(convexity)을 판단하는 데 중요한 역할을 한다.

$$
H(f) = \begin{pmatrix} \frac{\partial^2 f}{\partial x\_1^2} & \cdots & \frac{\partial^2 f}{\partial x\_1 \partial x\_n} \ \vdots & \ddots & \vdots \ \frac{\partial^2 f}{\partial x\_n \partial x\_1} & \cdots & \frac{\partial^2 f}{\partial x\_n^2} \end{pmatrix}
$$

#### 임계점과 극값 (Critical Points and Extrema)

임계점(critical points)은 함수의 도함수가 0이 되는 점들로, 이 점에서 함수는 극값(extrema)을 가질 수 있다. 극값은 함수의 최대값 또는 최소값을 의미하며, 도함수가 0이 되거나 정의되지 않는 점에서 발생할 수 있다. 극값을 찾기 위해서는 보통 1계 및 2계 도함수를 분석하여 함수의 기울기와 곡률을 확인한다.

#### 평균값 정리 (Mean Value Theorem)

평균값 정리(Mean Value Theorem)는 함수의 도함수와 관련된 중요한 정리로, 함수가 $ \[a, b] $ 구간에서 연속적이고, $ (a, b) $에서 미분 가능할 때, 특정 점 $ c $가 존재하여 다음 조건을 만족함을 보장한다:

$$
f'(c) = \frac{f(b) - f(a)}{b - a}
$$

이 정리는 함수의 변화율이 특정 구간에서 평균적으로 어떻게 행동하는지를 보여주는 중요한 도구이다.

#### 테일러 급수와 미분 (Taylor Series and Differentiation)

테일러 급수(Taylor series)는 함수의 도함수를 사용하여 함수의 근사치를 구하는 방법으로, 주어진 점 근처에서 함수의 값을 다항식 형태로 나타낸다. 함수 $ f(x) $가 주어졌을 때, $ a $를 중심으로 하는 테일러 급수는 다음과 같이 표현된다:

$$
f(x) = f(a) + f'(a)(x-a) + \frac{f''(a)}{2!}(x-a)^2 + \frac{f'''(a)}{3!}(x-a)^3 + \cdots
$$

이 급수는 함수의 고계 도함수를 모두 포함하며, 함수의 국소적 행동을 분석하는 데 유용하다.