多元微积分笔记（四）高阶导数与 Taylor 公式

第四讲 高阶导数与 Taylor 公式

1.高阶微分

称 \(E \subseteq \mathbb{R}^{m}\) 是一个开集，如果任何 \(x \in E\) 都是 \(E\) 的内点。 设 \(f: E \rightarrow \mathbb{R}^{n}\) 在任何 \(x \in E\) 处都可微。则 \[ \mathrm{D}^{1} f: x \mapsto \operatorname{D} f(x), \quad E \rightarrow \mathcal{L}\left(\mathbb{R}^{m} ; \mathbb{R}^{n}\right) \] 定义了 \(E\) 上一个映射, 其中 \(\mathcal{L}\left(\mathbb{R}^{m} ; \mathbb{R}^{n}\right)\) 是由从 \(\mathbb{R}^{m}\) 到 \(\mathbb{R}^{n}\) 上所有线性映射组成的一个 \(m n\) 维向量空间。

如果 \(\mathrm{D}^{1} f\) 连续, 则称 \(f\) 是 \(\mathscr{C}^{1}\) 的。 如果 \(\mathrm{D}^{1} f\) 可微, 则称 \(f\) 是二阶可微的, 称 \(\mathrm{DD}^{1} f(\mathbf{x})\) 为 \(f\) 的二阶导数, 记 \[ \mathrm{D}^{2}(\mathbf{x})=\mathrm{DD}^{1} f(\mathbf{x}) . \] 如果 \(\mathrm{D}^{2} f: E \rightarrow \mathcal{L}\left(\mathbb{R}^{m} ; \mathcal{L}\left(\mathbb{R}^{m} ; \mathbb{R}^{n}\right)\right)\) 连续, 则称 \(f\) 是 \(\mathscr{C}^{2}\) 的。

归纳地, 可以定义 \(f\) 的 \(k\) 阶导数 \[ \mathrm{D}^{k} f(\mathbf{x})=\mathrm{DD}^{k-1} f(\mathbf{x}) \in \mathcal{L}\left(\mathbb{R}^{m} ; \ldots ; \mathcal{L}\left(\mathbb{R}^{m} ; \mathbb{R}^{n}\right)\right. \] 如果 \(\mathrm{D}^{k} f\) 是连续的, 则称 \(f\) 是 \(\mathscr{C}^{k}\) 的。 如果对任意 \(k\) , \(f\) 是 \(\mathscr{C}^{k}\) 的, 则称 \(f\) 是 \(\mathscr{C}^{\infty}\) 的。并有 \[ \mathrm{D}^{k} f(\mathbf{x})\left(\mathbf{v}_{1}, \ldots, \mathbf{v}_{k}\right)=\mathrm{D}\left(\mathrm{D}^{k-1} f(\mathbf{x})\left(\mathbf{v}_{1}, \ldots, \mathbf{v}_{k-1}\right)\right)\left(\mathbf{v}_{k}\right) \] 例：矩阵求逆 $ $ 函数的高阶导数

上节课我们知道求逆映射是可微的，且 \(\operatorname{D \ inv}\left(A_{0}\right)(B)=-A_{0}^{-1} B A_{0}^{-1}\) 。有 \[ \begin{aligned} & \operatorname{D inv}\left(A+B_{2}\right)\left(B_{1}\right) \\ =&-\left(A+B_{2}\right)^{-1} B_{1}\left(A+B_{2}\right)^{-1} \\ =&-\left[A^{-1}-A^{-1} B_{2} A^{-1}+o\left(B_{2}\right)\right] B_{1}\left[A^{-1}-A^{-1} B_{2} A^{-1}+o\left(B_{2}\right)\right] \\ =& \operatorname{D inv}(A)\left(B_{1}\right)+A^{-1} B_{2} A^{-1} B_{1} A^{-1}+A^{-1} B_{1} A^{-1} B_{2} A^{-1}+o\left(B_{2}\right) \end{aligned} \] 当 \(B_2\to0\) 。所以 \(\mathrm{D}^{2} \operatorname{inv}(A)\left(B_{1}, B_{2}\right)=A^{-1} B_{2} A^{-1} B_{1} A^{-1}+A^{-1} B_{1} A^{-1} B_{2} A^{-1}\) 。 归纳可知，\(\mathrm{inv}\) 是任意阶可微的，即： \[ \begin{aligned} &\mathrm{D}^{k} \operatorname{inv}(A)\left(B_{1}, B_{2}, \ldots, B_{k}\right) \\ &=(-1)^{k} \sum_{i_{1}, i_{2}, \ldots, i_{k} \text { 是 } 1,2, \ldots, k \text { 的任意排列 }} A^{-1} B_{i_{1}} A^{-1} B_{i_{2}} \cdots A^{-1} B_{i_{k}} A^{-1} \end{aligned} \] 定理：若 \(g \circ f\) 中 \(f, g\) 都是 \(\mathscr{C}^{r}\) 的, 则 \(g \circ f\) 也是 \(\mathscr{C}^{r}\) 的。

证明：数学归纳法和链锁法则。

定理：（逆映射的高阶连续性）若 \(\mathscr{C}^{r}\) 映射 \(g\) 有可微的逆映射 \(g^{-1}\), 则 \(g^{-1}\) 也是 \(\mathscr{C}^{r}\) 的。

证明：由链索法则 \(I=\mathrm{D}\left(g \circ g^{-1}\right)(\mathbf{y})=\mathrm{D} g\left(g^{-1}(\mathbf{y})\right) \circ \mathrm{Dg}^{-1}(\mathbf{y})\) 。 所以 \[ \operatorname{D} g^{-1}(\mathbf{y})=\left(\operatorname{D}g\left(g^{-1}(\mathbf{y})\right)\right)^{-1}=\operatorname{inv}\left(\operatorname{D}g\left(g^{-1}(\mathbf{y})\right)\right), \] 高阶可微性由 \(\mathrm{inv}\) 的高阶可微性和数学归纳法得到。

2.高阶偏导数

以二阶微分为例， \[ \begin{aligned} \mathrm{d}^{2} f\left(x^{1}, \ldots, x^{m}\right) &=\sum_{j=1}^{m} \partial_{j}\left(\sum_{i=1}^{m} \partial_{i} f\left(x^{1}, \ldots, x^{m}\right) \mathrm{d} x^{i}\right) \mathrm{d} x^{j} \\ &=\sum_{1 \leq i, j \leq m} \partial_{j} \partial_{i} f\left(x^{1}, \ldots, x^{m}\right) \mathrm{d} x^{i} \otimes \mathrm{d} x^{j} \\ &=\sum_{1 \leq i, j \leq m} \partial_{j, i}^{2} f\left(x^{1}, \ldots, x^{m}\right) \mathrm{d} x^{i} \otimes \mathrm{d} x^{j} \end{aligned} \] 上式中 \(\mathrm{d} x^{i} \otimes \mathrm{d} x^{j}\) 是一个双线性型符号，满足 \[ \mathrm{d} x^{i} \otimes \mathrm{d} x^{j}(\mathbf{v}, \mathbf{w})=\mathrm{d} x^{i}(\mathbf{v}) \mathrm{d} x^{j}(\mathbf{w}) \] 即 \[ \mathrm{d} x^{i} \otimes \mathrm{d} x^{j}\left(\sum_{p=1}^{m} \xi^{p} \mathbf{e}_{p}, \sum_{q=1}^{m} \eta^{q} \mathbf{e}_{q}\right)=\xi^{i} \eta^{j} \] 一般地， \[ \mathrm{d}^{k} f(\mathbf{x})=\sum_{1 \leq i_{1}, \ldots, i_{k} \leq m} \partial_{i_{k}, \ldots, i_{1}}^{k} f(\mathbf{x}) \mathrm{d} x^{i_{1}} \otimes \cdots \otimes \mathrm{d} x^{i_{k}} \] 于是, \(f\) 是 \(\mathscr{C}^{k}\) 的当且仅当 \(f\) 的所有 \(k\) 阶偏导数都是连续函数。 一般而言, 高阶偏导数的求导顺序不能随意交换，但是当 \(f\) 是 \(\mathscr{C}^{k}\) 函数时，其直到 \(k\) 阶的高阶偏导数的值与求导顺序无关。（这里没有证明）

符号与写法： \[ \begin{array}{ccc} \hline \text { 符号 } & \text { 传统符号 } & \text { 含义 } \\ \hline \partial_{i} f & \frac{\partial f}{\partial x^{i}} & \text { 一阶偏导数 } \\ \partial_{\mathbf{v}} f=\partial_{\left(v^{1}, \ldots, v^{m}\right)} f & \frac{\partial f}{\partial \mathbf{v}} & \text { 沿向量 } \mathbf{v} \text { 的导数 } \\ \partial_{i_{k}, \ldots, i_{2}, i_{1}}^{k} f & \frac{\partial^{k} f}{\partial x^{i_{k}} \cdots \partial x^{i_{2}} \partial x^{i_{1}}} & k \text { 阶偏导数 } \\ \partial_{\left[\alpha_{1}, \ldots, \alpha_{m}\right]}^{|\alpha|} f & \frac{\partial^{\alpha_{1}+\cdots+\alpha_{m}} f}{\partial\left(x^{1}\right)^{\alpha_{1}} \cdots \partial\left(x^{m}\right)^{\alpha_{m}}} & |\alpha| \text { 阶偏导数 } \\ \hline \end{array} \] \(\alpha=\left[\alpha_{1}, \ldots, \alpha_{m}\right]\) 是一组非负整数， $||={1}++{m} $ 。

当同时出现不同坐标系时, 用 \(\partial_{x^{i} } f\) 代替 \(\partial_{i} f ;\) 用 \(\partial_{x^{i_{k} }, \ldots, x^{i_{2}, x^{i_{1} }} f}^{k} f\) 代替 \(\partial_{i_{k}, \ldots, i_{2}, i_{1} }^{k} f\); 用 \(\partial_{\left(x^{1}\right)^{\alpha_{1} }, \ldots,\left(x^{m}\right)^{\alpha_{m} }}^{|\alpha|} f\) 代替 \(\partial_{\left[\alpha_{1}, \ldots, \alpha_{m}\right]}^{|\alpha|} f\) 。

例：Laplace 方程

Laplace 方程 \(\Delta f=0\) 。Laplace 算子 \(\Delta=\nabla \cdot \nabla, \nabla\) 是梯度算子。求 Laplace 方程在平面直角坐标系 \((x, y)\) 和极坐标系 \((r, \theta)\) 下的形式。

直角坐标系下，\(\nabla=\mathbf{e}_{1} \partial_{x}+\mathbf{e}_{2} \partial_{y}\)，因 \(\mathbf{e}_{i} \cdot \mathbf{e}_{j}=\left\{\begin{array}{ll}1, & i=j \\ 0, & i \neq j\end{array} \quad \partial_{x} \mathbf{e}_{i}=\partial_{y} \mathbf{e}_{i}=0\right.\) ，有 \[ \begin{aligned} \nabla^{2} &=\left(\mathbf{e}_{1} \partial_{x}+\mathbf{e}_{2} \partial_{y}\right) \cdot\left(\mathbf{e}_{1} \partial_{x}+\mathbf{e}_{2} \partial_{y}\right) \\ &=\mathbf{e}_{1} \cdot \mathbf{e}_{1} \partial_{x, x}^{2}+\mathbf{e}_{2} \cdot \mathbf{e}_{2} \partial_{y, y}^{2}=\partial_{x, x}^{2}+\partial_{y, y}^{2} \end{aligned} \] 平面极坐标下，有 \(\nabla=\mathbf{e}_{r} \partial_{r}+\dfrac{\mathbf{e}_{\theta} }{r^{2} } \partial_{\theta}\) ，且基向量不再恒定不变： \[ \partial_{r} \mathbf{e}_{r}=0, \quad \partial_{\theta} \mathbf{e}_{r}=\partial_{r} \mathbf{e}_{\theta}=\frac{\mathbf{e}_{\theta}}{r}, \quad \partial_{\theta} \mathbf{e}_{\theta}=-r \mathbf{e}_{r} \] 因此 \[ \begin{aligned} \nabla^{2} f &=\left(\mathbf{e}_{r} \partial_{r}+\frac{\mathbf{e}_{\theta}}{r^{2}} \partial_{\theta}\right) \cdot\left(\mathbf{e}_{r} \partial_{r}+\frac{\mathbf{e}_{\theta}}{r^{2}} \partial_{\theta}\right) f \\ &=\partial_{r, r}^{2} f \mathbf{e}_{r} \cdot \mathbf{e}_{r}+\frac{1}{r^{2}} \partial_{r} f \mathbf{e}_{\theta} \cdot \partial_{\theta} \mathbf{e}_{r}+\frac{1}{r^{4}} \partial_{\theta, \theta}^{2} f \mathbf{e}_{\theta} \cdot \mathbf{e}_{\theta} \\ &=\partial_{r, r}^{2} f+\frac{1}{r} \partial_{r} f+\frac{1}{r^{2}} \partial_{\theta, \theta}^{2} f \end{aligned} \] 这种方法稍繁。实际上我们无非是要求 \(\mathbf{e}_{r} \cdot \partial_{r} \mathbf{e}_{r},\ \mathbf{e}_{r} \cdot \partial_{r} \mathbf{e}_{\theta}, \ \mathbf{e}_{\theta} \cdot \partial_{\theta} \mathbf{e}_{r}, \ \mathbf{e}_{\theta} \cdot \partial_{\theta} \mathbf{e}_{\theta}\) 四个值，而这可以通过对度量矩阵 \(\left(g_{i j}\right)=\left(\begin{array}{ll}\mathbf{e}_{r} \cdot \mathbf{e}_{r} & \mathbf{e}_{r} \cdot \mathbf{e}_{\theta} \\ \mathbf{e}_{\theta} \cdot \mathbf{e}_{r} & \mathbf{e}_{\theta} \cdot \mathbf{e}_{\theta}\end{array}\right)\) 求导得到。（这是王老师的结论；但我并没有想到如何实现）

课后练习

问题：（分离变量法）求 Laplace 方程形如 \(u(r, \theta)=U(r) V(\theta)\) 形式的解。

代入公式有 \(\Delta u=V(\theta)(\partial^2_{r,r}U(r)+\dfrac{1}{r}\partial_r{U(r)})+\dfrac{U(r)}{r^2}\partial_{\theta,\theta}{V(\theta)}=0\) ，或 \[ \frac{1}{U(r)}(r^2\partial^2_{r,r}U(r)+r\partial_r{U(r)})+\frac{1}{V(\theta)}\partial_{\theta,\theta}{V(\theta)}=0 \] 由于前两项与后一项没有关联，可以设 \(r^2\partial^2_{r,r}U(r)+r\partial_r{U(r)}=CU(r)\)（这是一个欧拉方程），\(\partial_{\theta,\theta}{V(\theta)}=-CV(\theta)\) ，解得 \[ \begin{gathered} \begin{gathered} U(r)=k_{1} \cosh (\sqrt{C} \ln r)+ k_{2} \sinh (\sqrt{C} \ln r),\\V(\theta)=k_3\cos(\sqrt{C}\theta)+k_4\sin(\sqrt{C}\theta); \end{gathered}\quad \text{when \ }C>0\\ \begin{gathered} U(r)=k_{1} \cos (\sqrt{C} \ln r)+ k_{2} \sin (\sqrt{C} \ln r),\\V(\theta)=k_3\cosh(\sqrt{C}\theta)+k_4\sinh(\sqrt{C}\theta); \end{gathered}\quad \text{when \ }C<0\\ U(r)=k_1\ln r+k_2 \ , \ V(\theta)=k_3\theta \ ;\quad \text{when \ }C=0 \end{gathered} \]

因此， \[ u(r,\theta)=\left\{\begin{array}{l}(C_1r^C+C_2r^{-C})\cos(C\theta+C_3)\\\cos(C\ln r+C_1)(C_2\mathrm{e}^{C\theta}+C_3\mathrm{e}^{-C\theta})\\ C_1(\ln r+C_2)\theta \end{array}\right. \] 问题：试写出在三维柱坐标、球坐标以及任意维数空间中直角坐标系和一般坐标系下Laplace 算子的坐标形式。

由上节课的结论可知，球坐标下的梯度算子： \[ \nabla =\mathbf{e}_{r}\partial_{r} +\frac{\mathbf{e}_{\theta}}{r^{2}} \partial_{\theta} +\frac{\mathbf{e}_\varphi}{r^{2} \sin ^{2} \theta} \partial_\varphi \] 且有 \[ \begin{gathered} \partial_r\mathbf{e}_r=0,\partial_r\mathbf{e}_\theta=\frac{\mathbf{e}_\theta}{r},\partial_r\mathbf{e}_\varphi=\frac{\mathbf{e}_\varphi}{r}\\ \partial_\theta\mathbf{e}_r=\frac{\mathbf{e}_\theta}{r},\partial_\theta\mathbf{e}_\theta=-r\mathbf{e}_r,\partial_\theta\mathbf{e}_\varphi=\cot\theta\mathbf{e}_\varphi\\ \partial_\varphi\mathbf{e}_r=\frac{\mathbf{e}_\varphi}{r},\partial_\varphi\mathbf{e}_\theta=\cot\theta\mathbf{e}_\varphi,\partial_\varphi\mathbf{e}_\varphi=\begin{bmatrix}-r\sin\theta\cos\varphi\\-r\sin\theta\sin\varphi\\ 0\end{bmatrix} \end{gathered} \] 故对球坐标系 \[ \begin{aligned} \Delta&=\nabla\cdot\nabla\\ &=(\mathbf{e}_{r}\partial_{r} +\frac{\mathbf{e}_{\theta}}{r^{2}} \partial_{\theta} +\frac{\mathbf{e}_\varphi}{r^{2} \sin ^{2} \theta} \partial_\varphi)\cdot(\mathbf{e}_{r}\partial_{r} +\frac{\mathbf{e}_{\theta}}{r^{2}} \partial_{\theta} +\frac{\mathbf{e}_\varphi}{r^{2} \sin ^{2} \theta} \partial_\varphi)\\ &=\partial_{r,r}+0+0+\frac{1}{r}\partial_r+\frac{1}{r^2}\partial_{\theta,\theta}+0+\frac{1}{r}\partial_r+\frac{\cot\theta}{r^2}\partial_\theta+\frac{1}{r^2\sin^2\theta}\partial_{\varphi,\varphi}\\ &=\partial_{r,r}+\frac{2}{r}\partial_r+\frac{1}{r^2}\partial_{\theta,\theta}+\frac{\cot\theta}{r^2}\partial_\theta+\frac{1}{r^2\sin^2\theta}\partial_{\varphi,\varphi} \end{aligned} \]

3. Taylor 展开

设 \(f: E \rightarrow \mathbb{R}\) 是一个 \(\mathscr{C}^{k}\) 函数。则 \(g(t)=f\left(\mathbf{x}_{0}+t \mathbf{v}\right)\) 也是 \(\mathscr{C}^{k}\) 函数, 从而 \[ g(t)=g(0)+g^{\prime}(0) t+\cdots+\frac{g^{(k)}(0)}{k !} t^{k}+o\left(t^{k}\right), \quad t \rightarrow 0 \] 由链索法则和数学归纳法可得 \[ \begin{aligned} g^{(k)}(t) &=d^{k} f\left(\mathbf{x}_{0}+t \mathbf{v}\right)(\underbrace{\mathbf{v}, \ldots, \mathbf{v})}_{k \text { 个 }}\\ &=\sum_{1 \leq i_{1}, \ldots, i_{k} \leq m} \partial_{i_{k}, \ldots, i_{1}}^{k} f\left(\mathbf{x}_{0}+t \mathbf{v}\right) v^{i_{1}} \cdots v^{i_{k}} \end{aligned} \] 所以 \[ f\left(\mathbf{x}_{0}+t \mathbf{v}\right)=f\left(\mathbf{x}_{0}\right)+\sum_{r=1}^{k} \frac{t^{r}}{r !} \sum_{1 \leq i_{1}, \ldots, i_{r} \leq m} \partial_{i_{r}, \ldots, i_{1}}^{r} f\left(\mathbf{x}_{0}\right) v^{i_{1}} \cdots v^{i_{r}}+o\left(t^{k}\right) \] 对 \(\mathrm{x}\), 取 \(v=\dfrac{\mathrm{x}-\mathrm{x}_{0} }{\left\|\mathrm{x}-\mathrm{x}_{0}\right\|}, t=\left\|\mathrm{x}-\mathrm{x}_{0}\right\|\), 则 \[ \begin{aligned} f(\mathbf{x})=& f\left(\mathbf{x}_{0}\right) \\ &+\sum_{r=1}^{k} \frac{1}{r !} \sum_{1 \leq i_{1}, \ldots, i_{r} \leq m} \partial_{i_{r}, \ldots, i_{1}}^{r} f\left(\mathbf{x}_{0}\right)\left(x^{i_{1}}-x_{0}^{i_{1}}\right) \cdots\left(x^{i_{r}}-x_{0}^{i_{r}}\right) \\ &+o\left(\left\|\mathbf{x}-\mathbf{x}_{0}\right\|^{k}\right), \quad \mathbf{x} \rightarrow \mathbf{x}_{0} \end{aligned} \] 实际上，这里代换的严谨性不能保证，\(o\left(\left\|\mathbf{x}-\mathbf{x}_{0}\right\|^{k}\right)\) 的意义也不明确。因此考虑采用 Lagrange 余项的 Taylor 展开：

如果 \(E\) 是以 \(x_{0}\) 为中心的星形开集, 即对任意 \(x \in E\) 以及任意 \(0 \leq t \leq 1,(1-t) \mathbf{x}_{0}+t \mathbf{x} \in E\), 则对 \(g(t)=f\left((1-t) \mathbf{x}_{0}+t \mathbf{x}\right)\), 存在 \(0 \leq \xi \leq 1\) 使得 \[ g(1)=g(0)+g^{\prime}(0)+\cdots+\frac{g^{(k-1)}(0)}{(k-1) !}+\frac{g^{(k)}(\xi)}{k !} . \] 于是 \[ \begin{aligned} f(\mathbf{x})=& f\left(\mathbf{x}_{0}\right)+\sum_{r=1}^{k-1} \frac{1}{r !} \sum_{1 \leq i_{1}, \ldots, i_{r} \leq m} \partial_{i_{r}, \ldots, i_{1}}^{r} f\left(\mathbf{x}_{0}\right) v^{i_{1}} \cdots v_{r}^{i_{r}} \\ &+\frac{1}{k !} \sum_{1 \leq i_{1}, \ldots, i_{k} \leq m} \partial_{i_{k}, \ldots, i_{1}}^{k} f\left(\mathbf{x}_{0}+\xi\left(\mathbf{x}-\mathbf{x}_{0}\right)\right) v^{i_{1}} \cdots \cdot v^{i_{k}} \end{aligned} \] 其中 \(\mathbf{v}=\mathbf{x}-\mathbf{x}_{0}\) 。因此 \[ \begin{aligned} f(\mathbf{x})=& f\left(\mathbf{x}_{0}\right)+\sum_{r=1}^{k} \frac{1}{r !} \sum_{1 \leq i_{1}, \ldots, i_{r} \leq m} \partial_{i_{r}, \ldots, i_{1}}^{r} f\left(\mathbf{x}_{0}\right) v^{i_{1}} \cdots v^{i_{r}} \\ &+\frac{1}{k !} \sum_{1 \leq i_{1}, \ldots, i_{k} \leq m} \partial_{i_{k}, \ldots, i_{1}}^{k} f|_{\mathbf{x}_{0}} ^{\mathbf{x}_{0}+\xi\left(\mathbf{x}-\mathbf{x}_{0}\right)} v^{i_{1}} \cdots v^{i_{k}} \end{aligned} \] 这个余项 \[ \left|\frac{1}{k !} \sum_{1 \leq i_{1}, \ldots, i_{k} \leq m} \partial_{i_{k}, \ldots, i_{1}}^{k}f|_{\mathbf{x}_{0}}^{\mathbf{x}_{0}+\xi\left(\mathbf{x}-\mathbf{x}_{0}\right)} v^{i_{1}} \cdots v^{i_{k}} \right| \leq \varepsilon\left\|\mathbf{x}-\mathbf{x}_{0}\right\|^{k}, \] 于是得到 Peano 余项 \(o\left(\left\|\mathbf{x}-\mathbf{x}_{0}\right\|^{k}\right)\) 的 Taylor 展开。

Taylor 展开中的多项式可以按自变量求导次数合并计算 \[ \begin{aligned} & \frac{1}{k !} \sum_{1 \leq i_{1}, \ldots, i_{k} \leq m} \partial_{i_{k}, \ldots, i_{1}}^{k} f\left(\mathbf{x}_{0}\right) v^{i_{1}} \cdots v^{i_{k}} \\ =& \sum_{\alpha_{1}+\cdots+\alpha_{m}=k} \frac{1}{\alpha_{1} ! \alpha_{2} ! \cdots \alpha_{m} !} \partial_{\left[\alpha_{1}, \ldots, \alpha_{m}\right]}^{k} f\left(\mathbf{x}_{0}\right)\left(v^{1}\right)^{\alpha_{1}} \cdots\left(v^{m}\right)^{\alpha_{m}} \\=&\frac{1}{k!}(\sum_{1\leq k\leq m}{\partial_{i_k}})^mf(\mathbf{x}_0)v^{i_1}\cdots v^{i_k} \end{aligned} \] 其中 \(\dfrac{k !}{\alpha_{1} ! \alpha_{2} ! \cdots \alpha_{m} !}\) 是多重组合数（用 \(m\) 种颜色对 \(k\) 个位置进行染色所得的不同染色结果的数量)。

一般来说用最后一个等式。