Calcolatore Differenziale a Due Variabili
Strumento avanzato per esercizi di calcolo differenziale con funzioni a due variabili, conforme agli standard del Politecnico di Torino.
Risultati del Calcolo
Guida Completa al Calcolo Differenziale per Funzioni a Due Variabili
Il calcolo differenziale per funzioni di più variabili rappresenta una delle pietre miliari dell’analisi matematica avanzata, con applicazioni fondamentali in fisica, ingegneria, economia e scienze dei dati. Questo articolo si concentra specificamente sulle funzioni a due variabili f(x,y), seguendo gli standard didattici del Politecnico di Torino (Polito) e fornendo esercizi pratici con soluzioni dettagliate.
1. Fondamenti delle Funzioni a Due Variabili
Una funzione a due variabili f(x,y) associa a ogni coppia ordinata (x,y) in un dominio D ⊆ ℝ² un unico valore reale. Il grafico di tali funzioni è tipicamente una superficie in ℝ³, dove il valore z = f(x,y) rappresenta l’altezza sopra il punto (x,y) nel piano.
1.1 Dominio e Curve di Livello
- Dominio: L’insieme dei punti (x,y) per cui f(x,y) è definita. Esempio: per f(x,y) = ln(xy – x²), il dominio è {(x,y) | xy – x² > 0}.
- Curve di livello: Insiemi di punti dove f(x,y) = k (costante). Sono utili per visualizzare il comportamento della funzione.
1.2 Limiti e Continuità
Una funzione f(x,y) ha limite L per (x,y) → (a,b) se per ogni ε > 0 esiste δ > 0 tale che |f(x,y) – L| < ε quando 0 < √((x-a)² + (y-b)²) < δ. La continuità richiede che:
- f(a,b) sia definita
- Esista lim_{(x,y)→(a,b)} f(x,y)
- lim_{(x,y)→(a,b)} f(x,y) = f(a,b)
2. Derivate Parziali e Gradiente
Le derivate parziali misurano il tasso di variazione della funzione rispetto a una singola variabile, mantenendo costanti le altre.
2.1 Definizione Formale
Per una funzione f(x,y), le derivate parziali sono:
- fₓ(x,y) = lim_{h→0} [f(x+h,y) – f(x,y)]/h
- fᵧ(x,y) = lim_{k→0} [f(x,y+k) – f(x,y)]/k
2.2 Gradiente
Il gradiente ∇f(x,y) = (fₓ, fᵧ) è un vettore che indica la direzione di massima crescita della funzione. La sua magnitudine dà il tasso massimo di crescita.
Esempio Pratico
Data f(x,y) = x²y + sin(xy), calcoliamo:
- fₓ = 2xy + y·cos(xy)
- fᵧ = x² + x·cos(xy)
- ∇f(1,π) = (2π + π·cos(π), 1 + cos(π)) = (π, 0)
3. Derivate Direzionali e Piano Tangente
3.1 Derivata Direzionale
La derivata direzionale Dᵤf(a,b) misura il tasso di variazione di f nella direzione del vettore unitario u = (u₁, u₂):
Dᵤf(a,b) = fₓ(a,b)·u₁ + fᵧ(a,b)·u₂ = ∇f(a,b) · u
3.2 Piano Tangente
L’equazione del piano tangente al grafico di z = f(x,y) nel punto (a,b,f(a,b)) è:
z = f(a,b) + fₓ(a,b)(x-a) + fᵧ(a,b)(y-b)
| Concetto | Formula | Interpretazione Geometrica |
|---|---|---|
| Derivata parziale fₓ | lim_{h→0} [f(x+h,y) – f(x,y)]/h | Pendenza della curva ottenuta intersecando la superficie con il piano y = costante |
| Derivata direzionale | ∇f · u | Pendenza della superficie nella direzione di u |
| Piano tangente | z = f(a,b) + ∇f(a,b)·(x-a,y-b) | Approssimazione lineare locale della superficie |
4. Punti Critici e Classificazione
Un punto (a,b) è critico se ∇f(a,b) = (0,0). La natura di un punto critico è determinata dalla matrice Hessiana:
H = [fₓₓ fₓᵧ]
[fᵧₓ fᵧᵧ]
4.1 Test della Hessiana (D)
Sia D = fₓₓ·fᵧᵧ – (fₓᵧ)² valutato in (a,b):
- D > 0 e fₓₓ > 0 → minimo locale
- D > 0 e fₓₓ < 0 → massimo locale
- D < 0 → punto di sella
- D = 0 → test inconclusivo
Esempio: Classificazione Punti Critici
Data f(x,y) = x³ + y³ – 3xy:
- ∇f = (3x² – 3y, 3y² – 3x) = (0,0) → punti critici: (0,0) e (1,1)
- Hessiana: H = [6x -3; -3 6y]
- In (0,0): D = -9 < 0 → punto di sella
- In (1,1): D = 27 > 0, fₓₓ = 6 > 0 → minimo locale
5. Applicazioni Pratiche in Ingegneria
Al Politecnico di Torino, il calcolo differenziale multivariato trova applicazioni in:
- Ottimizzazione: Progettazione di strutture con massimo carico e minimo materiale.
- Termodinamica: Studio delle superfici di energia libera in sistemi fisici.
- Machine Learning: Algoritmi di discesa del gradiente per l’addestramento di reti neurali.
- Robotica: Pianificazione di traiettorie ottimali nello spazio 3D.
| Metodo | Vantaggi | Svantaggi | Applicazioni Tipiche |
|---|---|---|---|
| Discesa del Gradiente | Semplice da implementare | Lento per funzioni mal condizionate | Machine Learning, Regressione |
| Newton-Raphson | Convergenza quadratica | Costo computazionale elevato | Ottimizzazione non lineare |
| Quasi-Newton (BFGS) | Efficiente per grandi dimensioni | Memoria richiesta per aggiornamenti | Problemi di grande scala |
6. Esercizi Risolti con Soluzioni Dettagliate
Esercizio 1: Derivate Parziali Miste
Testo: Data f(x,y) = e^(x²y) + ln(x + y²), calcolare fₓᵧ e fᵧₓ. Verificare che siano uguali.
Soluzione:
- fₓ = e^(x²y)·(2xy) + 1/(x + y²)
- fₓᵧ = e^(x²y)·(2x²y) + e^(x²y)·(2x) – 1/(x + y²)²
- fᵧ = e^(x²y)·(x²) + 2y/(x + y²)
- fᵧₓ = e^(x²y)·(2xy) + e^(x²y)·(x²) – 2y/(x + y²)²
- Si osserva che fₓᵧ = fᵧₓ (Teorema di Schwarz)
Esercizio 2: Piano Tangente
Testo: Trovare l’equazione del piano tangente a z = x·sin(y) + y·cos(x) in (π/2, π/2).
Soluzione:
- f(π/2,π/2) = (π/2)·1 + (π/2)·0 = π/2
- fₓ = sin(y) – y·sin(x) → fₓ(π/2,π/2) = 1 – (π/2)·1 = 1 – π/2
- fᵧ = x·cos(y) + cos(x) → fᵧ(π/2,π/2) = (π/2)·0 + 0 = 0
- Piano tangente: z = π/2 + (1 – π/2)(x – π/2) + 0·(y – π/2)