Calcolatore di derivate parziali: guida passo passo con esempi svolti

Che cos'è un calcolatore di derivate parziali e quando serve?

Un calcolatore di derivate parziali calcola ∂f/∂x, ∂f/∂y o ∂f/∂z per una funzione di più variabili, trattando ogni variabile diversa da quella rispetto a cui stai derivando come una costante fissa. Il simbolo ∂ (una 'd' arrotondata) distingue una derivata parziale da una derivata ordinaria d/dx, che ha senso solo per funzioni di una sola variabile. Considera z = f(x, y) = x²y + 3y². Questa superficie ha una pendenza diversa a seconda della direzione in cui ti muovi. ∂f/∂x indica la pendenza se ti muovi nella direzione x mentre y resta fissa. ∂f/∂y indica la pendenza se ti muovi nella direzione y mentre x resta fissa. Servono entrambe per descrivere completamente il comportamento della superficie vicino a un punto qualsiasi: nessuna delle due da sola è sufficiente. Le derivate parziali servono ogni volta che una grandezza dipende da due o più variabili indipendenti: la distribuzione del calore su una lastra metallica (dipende da x, y e dal tempo t), il profitto di un'azienda (dipende dal prezzo e dalla spesa pubblicitaria) oppure una funzione di perdita nel machine learning (dipende simultaneamente da ogni parametro del modello). Un calcolatore di derivate parziali passo passo mostra esattamente quali variabili sono state mantenute costanti in ciascuna fase, ovvero il dettaglio che gli studenti tralasciano più spesso quando lavorano a mano.

∂f/∂x significa: deriva f rispetto a x e tratta ogni altra variabile come se fosse un semplice numero. Nient'altro della derivazione cambia.

Come funziona un calcolatore di derivate parziali passo passo?

Che tu calcoli a mano o usi un calcolatore di derivate parziali passo passo, il procedimento seguente vale per ogni funzione di più variabili. Segui questo esempio svolto insieme a ciascun passaggio: f(x, y) = x³y² + 4xy − y³. Trova ∂f/∂x e ∂f/∂y, poi valuta entrambe nel punto (2, 1).

Regole fondamentali per derivare funzioni di più variabili

Ogni regola che già conosci dall'analisi di una variabile — regola della potenza, regola del prodotto, regola della catena — vale ancora per le derivate parziali. L'unica abitudine nuova è ricordare quali lettere sono congelate durante ciascun passaggio. Esempio con la regola della potenza: h(x, y) = x⁴y³. ∂h/∂x = 4x³y³ (y³ è un coefficiente costante). ∂h/∂y = 3x⁴y² (x⁴ è un coefficiente costante). Esempio con la regola del prodotto: g(x, y) = x²·eʸ. Qui non c'è alcun prodotto tra termini in x, quindi ∂g/∂x = 2x·eʸ direttamente. Ma per k(x, y) = x²·ln(x) + y², trovare ∂k/∂x richiede la regola del prodotto su x²·ln(x): poni f = x², f' = 2x e g = ln(x), g' = 1/x, ottenendo 2x·ln(x) + x²·(1/x) = 2x·ln(x) + x. Quindi ∂k/∂x = 2x·ln(x) + x (il termine y² sparisce perché non contiene x). Per ∂k/∂y, x²·ln(x) è del tutto costante rispetto a y, quindi ∂k/∂y = 2y. Esempio con la regola della catena: p(x, y) = (3x + 2y)⁵. Trattando y come costante, la funzione esterna è u⁵ con interna u = 3x + 2y. ∂p/∂x = 5(3x + 2y)⁴ · 3 = 15(3x + 2y)⁴. Trattando invece x come costante, la derivata interna rispetto a y è 2, quindi ∂p/∂y = 5(3x + 2y)⁴ · 2 = 10(3x + 2y)⁴. Esempio con il logaritmo: m(x, y) = ln(xy). Poiché ln(xy) = ln(x) + ln(y) per la proprietà del logaritmo del prodotto, ∂m/∂x = 1/x e ∂m/∂y = 1/y — molto più rapido che applicare direttamente la regola della catena a ln(xy).

Le regole non cambiano: regola della potenza, regola del prodotto e regola della catena valgono ancora tutte. Cambia solo la contabilità: congela ogni variabile tranne quella rispetto a cui stai derivando.

Come si trovano le derivate parziali del secondo ordine?

Una derivata parziale del secondo ordine deriva un'altra volta una funzione già derivata. Poiché esistono due derivate parziali prime (∂f/∂x e ∂f/∂y), le derivate parziali seconde sono quattro: ∂²f/∂x² (deriva ∂f/∂x di nuovo rispetto a x), ∂²f/∂y² (deriva ∂f/∂y di nuovo rispetto a y) e le due derivate miste ∂²f/∂x∂y e ∂²f/∂y∂x, che derivano nell'ordine opposto.

Teorema di Clairaut: per qualsiasi funzione con derivate parziali seconde continue, ∂²f/∂x∂y = ∂²f/∂y∂x. Usalo come verifica gratuita di accuratezza ogni volta che calcoli le derivate miste.

Errori comuni nel calcolo delle derivate parziali

Questi errori rappresentano la maggior parte dei punti persi negli esami di analisi multivariabile. Un calcolatore di derivate parziali passo passo li individua automaticamente, ma è riconoscerli da soli che costruisce una vera comprensione.

Esercizi: derivate parziali con soluzioni complete

Prova a risolvere ogni esercizio prima di controllare la soluzione. Gli esercizi vanno dalle derivate parziali di base con la regola della potenza a una funzione di tre variabili e a una sfida con esponenziale e logaritmo. Usa un calcolatore di derivate parziali per verificare ogni risposta dopo averla trovata da solo. Esercizio 1 — Regola della potenza: Trova ∂f/∂x e ∂f/∂y per f(x, y) = 5x²y³. ∂f/∂x = 10xy³ (deriva x², mantieni y³ come moltiplicatore costante) ∂f/∂y = 15x²y² (deriva y³, mantieni 5x² come moltiplicatore costante) ✓ Esercizio 2 — Regola della catena con funzioni trigonometriche: Trova ∂f/∂x e ∂f/∂y per f(x, y) = sin(xy). Tratta xy come funzione interna u. ∂u/∂x = y, quindi ∂f/∂x = y·cos(xy). ∂u/∂y = x, quindi ∂f/∂y = x·cos(xy) ✓ Esercizio 3 — Tre variabili: Trova ∂f/∂x, ∂f/∂y e ∂f/∂z per f(x, y, z) = x²y + yz³ − 3xz. ∂f/∂x = 2xy − 3z (il termine in y conserva y, il termine in z sparisce, −3xz derivato dà −3z) ∂f/∂y = x² + z³ (x²y derivato dà x², yz³ derivato dà z³, −3xz sparisce) ∂f/∂z = 3yz² − 3x (x²y sparisce, yz³ derivato dà 3yz², −3xz derivato dà −3x) ✓ Esercizio 4 — Quoziente scritto come potenza: Trova ∂f/∂x e ∂f/∂y per f(x, y) = x²/y = x²·y⁻¹. ∂f/∂x = 2x/y (regola della potenza su x², y⁻¹ è un moltiplicatore costante) ∂f/∂y = x²·(−1)y⁻² = −x²/y² ✓ Esercizio 5 — Sfida, esponenziale più logaritmo: Trova ∂f/∂x e ∂f/∂y per f(x, y) = e^(xy) + x·ln(y), poi valuta entrambe in (1, 1). ∂f/∂x = y·e^(xy) + ln(y) (la regola della catena su e^(xy) dà y·e^(xy); la regola del prodotto su x·ln(y) rispetto a x dà ln(y)) ∂f/∂y = x·e^(xy) + x/y (la regola della catena su e^(xy) dà x·e^(xy); la regola del prodotto su x·ln(y) rispetto a y dà x·(1/y)) In (1, 1): ∂f/∂x = 1·e¹ + ln(1) = e + 0 ≈ 2.718 ∂f/∂y = 1·e¹ + 1/1 = e + 1 ≈ 3.718 ✓

Perché le derivate parziali contano nelle applicazioni reali?

Le derivate parziali non sono solo un argomento d'esame: sono lo strumento di lavoro alla base di interi settori. In fisica, l'equazione del calore e l'equazione delle onde si scrivono entrambe usando derivate parziali del secondo ordine rispetto alla posizione e al tempo; ∂T/∂t descrive come la temperatura in un punto cambia nel tempo, mentre ∂²T/∂x² descrive come si incurva nello spazio. In economia, se il profitto π dipende dal prezzo p e dalla spesa pubblicitaria a, ∂π/∂p (profitto marginale dovuto alle variazioni di prezzo) e ∂π/∂a (profitto marginale dovuto alla pubblicità) indicano a un'impresa quale leva regolare per prima. Il gradiente — il vettore di tutte le derivate parziali prime, ∇f = (∂f/∂x, ∂f/∂y) — punta nella direzione di massima crescita di una funzione e ha modulo pari a quella pendenza massima. È esattamente ciò che usa la discesa del gradiente nel machine learning: un modello con migliaia di parametri calcola la derivata parziale della sua funzione di perdita rispetto a ogni parametro, poi regola leggermente ciascuno di essi in direzione opposta al gradiente per ridurre l'errore. Ogni volta che una rete neurale 'impara', in realtà sta solo calcolando un numero enorme di derivate parziali, tutte insieme, ripetutamente. I problemi di ottimizzazione con più vincoli — massimizzare l'area dato un perimetro fissato, o minimizzare il costo dato un obiettivo di produzione — pongono simultaneamente a zero tutte le derivate parziali per individuare i punti critici: la stessa idea di fondo dell'ottimizzazione in una variabile, estesa a più di una direzione alla volta.

Il gradiente ∇f = (∂f/∂x, ∂f/∂y) è un vettore costruito interamente con derivate parziali e punta nella direzione in cui f cresce più rapidamente: è la base matematica della discesa del gradiente nel machine learning.

Quali sono le domande più comuni sui calcolatori di derivate parziali?