对带有西格玛求和符号的函数求导

对带有求和符号（西格玛，Σ）的函数求导时，需要结合微积分的基本规则和西格玛符号的线性性质。以下是详细的步骤和示例：

1. 西格玛符号的线性性质

西格玛符号具有以下线性性质：

• 常数因子提出：
  $$\sum _{i=1}^{n}af(x_i)=a\sum _{i=1}^{n}f(x_i)$$
• 和的分解：
  $$\sum _{i=1}^n[f(x_i)+g(x_i)]=\sum _{i=1}^{n}f(x_i)+\sum _{i=1}^{n}g(x_i)$$

这些性质允许我们将求导操作分配到西格玛符号内的每一项。

2. 求导的基本规则

对带有西格玛的函数求导时，需根据变量在西格玛符号中的位置进行分析：

• 变量在西格玛外部：
  若变量是西格玛符号外的参数（如均值 $\mu$、标准差 $\sigma$），则直接对整体表达式求导。
• 变量在西格玛内部：
  若变量是西格玛符号内的项（如 $x_i$），则需对每个 $x_i$ 分别求导后再求和。

3. 具体步骤

步骤 1：展开或简化表达式

将西格玛符号内的表达式展开（如平方项、乘积项），方便逐项求导。例如：
$$\sum _{i=1}^n(x_i-\mu {)}^2=\sum _{i=1}^n{x}_i^2-2\mu \sum _{i=1}^n{x}_i+n{\mu }^2$$

步骤 2：应用求导规则

根据变量的位置选择求导方式：

• 对西格玛外的参数求导：
  若变量是西格玛外的参数（如 $\mu$），直接对整个表达式求导。例如：
  $$\frac{\partial }{\partial \mu }\left[\sum _{i=1}^n(x_i-\mu {)}^2\right]=\frac{\partial }{\partial \mu }\left(\sum _{i=1}^n{x}_i^2-2\mu \sum _{i=1}^n{x}_i+n{\mu }^2\right)=-2\sum _{i=1}^n{x}_i+2n\mu$$

• 对西格玛内的变量求导：
  若变量是西格玛内的项（如 $x_i$），需对每个 $x_i$ 分别求导后求和。例如：
  $$\frac{\partial }{\partial x_j}\left[\sum _{i=1}^n(x_i-\mu {)}^2\right]=\frac{\partial }{\partial x_j}(x_j-\mu {)}^2=2(x_j-\mu )$$

步骤 3：合并结果

根据求导后的表达式，合并同类项或简化最终结果。

4. 示例解析

示例 1：对均值 $\mu$ 求导

假设函数为：
$$f(\mu )=\sum _{i=1}^n(x_i-\mu {)}^2$$
步骤：

1. 展开平方项：
   $$f(\mu )=\sum _{i=1}^n{x}_i^2-2\mu \sum _{i=1}^n{x}_i+n{\mu }^2$$
2. 对 $\mu$ 求导：
   $$\frac{\partial f}{\partial \mu }=-2\sum _{i=1}^n{x}_i+2n\mu$$
3. 令导数为零，求极值：
   $$-2\sum _{i=1}^n{x}_i+2n\mu =0⟹\mu =\frac{1}{n}\sum _{i=1}^n{x}_i$$

示例 2：对标准差 $\sigma$ 求导

假设函数为：
$$f(\sigma )=\sum _{i=1}^n\frac{(x_i-\mu {)}^2}{{\sigma }^2}$$
步骤：

1. 将表达式拆解：
   $$f(\sigma )=\frac{1}{{\sigma }^2}\sum _{i=1}^n(x_i-\mu {)}^2$$
2. 对 $\sigma$ 求导（注意 $\sigma$ 在分母）：
   $$\frac{\partial f}{\partial \sigma }=\frac{\partial }{\partial \sigma }\left(\frac{C}{{\sigma }^2}\right)=-\frac{2C}{{\sigma }^3},\text{其中 }C=\sum _{i=1}^n(x_i-\mu {)}^2$$

5. 常见问题

Q1: 西格玛符号内有复合函数怎么办？

答：使用链式法则，逐层求导。例如：
$$\sum _{i=1}^n\ln (1+x_i^2)\text{对 }{x}_j\text{ 求导：}$$
$$\frac{\partial }{\partial x_j}\left[\sum _{i=1}^n\ln (1+x_i^2)\right]=\frac{2x_j}{1+x_j^2}$$

Q2: 西格玛符号内有指数或乘积项怎么办？

答：先展开再求导。例如：
$$\sum _{i=1}^n{e}^{x_i}\text{对 }{x}_j\text{ 求导：}$$
$$\frac{\partial }{\partial x_j}\left[\sum _{i=1}^n{e}^{x_i}\right]=e^{x_j}$$

6. 总结

• 关键点：
  1. 利用西格玛的线性性质分解表达式。
  2. 根据变量位置选择求导方式（整体或逐项）。
  3. 对于复合函数，结合链式法则。
• 应用场景：
  • 概率论（最大似然估计、方差计算）。
  • 机器学习（损失函数求导，如均方误差）。
  • 优化问题（梯度下降法）。