Questionário de Prática de Derivadas Parciais, Jacobianos e Gradientes com Aula Interativa Passo a Passo
Use a série de perguntas mais abaixo na página para praticar diferenciação multivariável: calcular derivadas parciais mantendo as outras variáveis fixas, formar gradientes, usar \(D_u f=\nabla f\cdot u\) para direções unitárias, ler conjuntos de nível, montar matrizes jacobianas para aplicações \(F:\mathbb{R}^n\to\mathbb{R}^m\), aplicar a regra da cadeia, reconhecer hessianas e parciais mistas, escrever linearizações por plano tangente e verificar quando um determinante jacobiano não nulo dá invertibilidade local. Se quiser revisar, abra a aula para ver exemplos resolvidos curtos e verificações rápidas.
Responda à série de perguntas e revise seus erros no final.
Como esta prática de diferenciação multivariável funciona
1. Faça a série de prática: responda a perguntas sobre derivadas parciais, gradientes, jacobianos, derivadas direcionais e regras da cadeia.
2. Abra a aula: revise definições, testes de reconhecimento, exemplos resolvidos e verificações rápidas.
3. Tente novamente: volte à série de perguntas e decida qual objeto derivativo cada problema está pedindo.
O que você vai aprender na aula de derivadas parciais, jacobianos e gradientes
Derivadas parciais
Mantenha as outras variáveis fixas: \(f_x\) deriva apenas a dependência em \(x\)
Parciais mistas: \(f_{xy}\) e \(f_{yx}\) coincidem sob as hipóteses usuais de continuidade
Parciais primeiras contínuas perto de um ponto são uma condição forte o suficiente para diferenciabilidade ali
Gradientes e direções
Gradiente: \(\nabla f=(f_{x_1},\ldots,f_{x_n})\) para \(f\) escalar
Derivada direcional: \(D_u f(a)=\nabla f(a)\cdot u\) quando \(u\) é um vetor unitário
O gradiente é normal a conjuntos de nível regulares e aponta na direção de maior crescimento
Matrizes jacobianas
Linhas são saídas, colunas são entradas: \(J_F\) é \(m\times n\) para \(F:\mathbb{R}^n\to\mathbb{R}^m\)
Para aplicações entre espaços de mesma dimensão, \(\det J_F\) mede a escala local de área ou volume e a orientação
A regra da cadeia multivariável é multiplicação de matrizes derivadas
Verificações de teoremas e erros comuns
\(\det J_F(a)\) não nulo dá uma inversa local para uma aplicação quadrada diferenciável com a regularidade correta
Um conjunto de nível regular tem gradiente não nulo, então o gradiente fornece uma direção normal
Não confunda a existência de derivadas parciais com diferenciabilidade plena ou um plano tangente válido
Aula de Derivadas Parciais, Jacobianos e Gradientes
1 / 8
Visão geral da aula
Objetivo: Construir um conjunto confiável de ferramentas para diferenciação multivariável: calcular derivadas parciais, montar gradientes e jacobianos, usar derivadas direcionais, aplicar regras da cadeia, ler hessianas e parciais mistas, fazer aproximações lineares de primeira ordem e reconhecer quando as hipóteses dos teoremas importam.
Critérios de sucesso
Calcular \(f_x,f_y,\ldots\) mantendo as outras variáveis fixas.
Formar \(\nabla f\) para funções escalares.
Usar \(D_u f(a)=\nabla f(a)\cdot u\) para direções unitárias.
Identificar gradientes como normais a conjuntos de nível regulares.
Construir \(J_F\) com linhas para saídas e colunas para entradas.
Interpretar \(\det J_F\) para aplicações entre espaços de mesma dimensão como escala local e orientação.
Aplicar a regra da cadeia nas formas escalar e matricial.
Usar hessianas, parciais mistas e linearização de primeira ordem corretamente.
Verificar diferenciabilidade e hipóteses da função inversa antes de aplicar teoremas.
Vocabulário-chave
Derivada parcial: derivada de uma variável com todas as outras variáveis mantidas fixas.
Gradiente: vetor das derivadas parciais primeiras para \(f\) escalar.
Derivada direcional: taxa de variação em uma direção unitária especificada.
Jacobiano: matriz derivada de uma aplicação vetorial.
Hessiana: matriz das derivadas parciais segundas de uma função escalar.
Linearização: melhor aproximação afim de primeira ordem perto de um ponto de diferenciabilidade.
Pré-verificação rápida
Pré-verificação: Para uma função escalar \(f(x,y)\), o que é \(\nabla f\)?
Dica: Um gradiente reúne todas as derivadas parciais primeiras de uma única função escalar.
Derivadas parciais são derivadas comuns com as outras variáveis fixas
Objetivo de aprendizagem: Decidir quais variáveis variam, quais ficam fixas e o que uma derivada parcial primeira prova ou não prova.
Ideia-chave
Para \(f(x,y)\), \(f_x\) significa derivar em relação a \(x\) tratando \(y\) como constante. Da mesma forma, \(f_y\) trata \(x\) como constante. A notação registra uma taxa local em uma direção coordenada; sozinha, a existência de derivadas parciais nem sempre garante diferenciabilidade plena.
Lista de reconhecimento
Identifique a variável de diferenciação.
Trate todas as outras variáveis como coeficientes constantes.
Aplique as regras usuais do produto, do quociente e da cadeia conforme necessário.
Depois de derivar, substitua o ponto apenas se o problema pedir um valor.
Para afirmações de diferenciabilidade, procure condições mais fortes, como parciais primeiras contínuas por perto.
Exemplo resolvido
Exemplo: Para \(f(x,y)=xe^y+y^2\), calcule \(f_x\) e \(f_y\).
Para \(f_x\), \(e^y\) e \(y^2\) são constantes em relação a \(x\), então \(f_x=e^y\). Para \(f_y\), \(x\) é constante, então \(f_y=xe^y+2y\).
Pratique
Pratique: Para \(f(x,y)=x^2y+\sin x\), qual é \(f_y\)?
Dica: Em relação a \(y\), o termo \(\sin x\) é constante.
O gradiente reúne toda taxa coordenada em um vetor
Objetivo de aprendizagem: Usar gradientes para calcular derivadas direcionais e ler a geometria dos conjuntos de nível.
Ideia-chave
Para \(f:\mathbb{R}^n\to\mathbb{R}\), \(\nabla f(a)\) é o vetor das derivadas parciais primeiras em \(a\). Se \(u\) é um vetor unitário, então \(D_u f(a)=\nabla f(a)\cdot u\). A maior derivada direcional possível é \(\|\nabla f(a)\|\), atingida na direção do gradiente quando o gradiente é não nulo.
Fatos sobre gradientes
O gradiente aponta na direção de maior crescimento.
O gradiente negativo aponta na direção de maior decrescimento.
Direções perpendiculares a \(\nabla f(a)\) têm variação de primeira ordem \(0\).
Em um conjunto de nível regular \(f=c\), o gradiente é normal ao conjunto de nível.
A fórmula da derivada direcional exige que \(u\) seja um vetor unitário.
Exemplo resolvido
Exemplo: Seja \(f(x,y)=x^2+y^2\). Encontre \(D_u f(1,2)\) para \(u=(1/\sqrt5,2/\sqrt5)\).
\(\nabla f=(2x,2y)\), então \(\nabla f(1,2)=(2,4)\). Assim, \(D_u f(1,2)=(2,4)\cdot(1/\sqrt5,2/\sqrt5)=10/\sqrt5=2\sqrt5\).
Pratique
Pratique: Se \(\nabla f(a)=(3,4)\), qual é a derivada direcional máxima entre todas as direções unitárias?
Dica: A derivada direcional máxima é o comprimento do gradiente.
Um jacobiano é a matriz derivada de uma aplicação vetorial
Objetivo de aprendizagem: Construir o jacobiano com o formato correto e interpretar seu determinante quando a aplicação é quadrada.
Ideia-chave
Para \(F=(F_1,\ldots,F_m):\mathbb{R}^n\to\mathbb{R}^m\), a matriz jacobiana é \(J_F=(\partial F_i/\partial x_j)\). Ela tem \(m\) linhas e \(n\) colunas: uma linha para cada componente de saída e uma coluna para cada variável de entrada.
Usos do jacobiano
Aproximar \(F(a+h)\) por \(F(a)+J_F(a)h\).
Aplicar a regra da cadeia como \(J_{F\circ G}(x)=J_F(G(x))J_G(x)\).
Para \(F:\mathbb{R}^n\to\mathbb{R}^n\), \(|\det J_F|\) é o fator local de escala de volume.
Um determinante positivo preserva orientação; um determinante negativo inverte orientação.
Um determinante não nulo é o teste-chave de invertibilidade local para aplicações entre espaços de mesma dimensão sob as hipóteses usuais de suavidade.
Exemplo resolvido
Exemplo: Para \(F(x,y)=(x+y,xy)\), encontre \(J_F\) e \(\det J_F(3,1)\).
As linhas vêm dos dois componentes: \[J_F(x,y)=\begin{pmatrix}1&1\ y&x\end{pmatrix}.\] Seu determinante é \(x-y\), então em \((3,1)\) ele vale \(2\).
Pratique
Pratique: Se \(F:\mathbb{R}^3\to\mathbb{R}^2\), qual é o tamanho de \(J_F\)?
Dica: Conte as saídas para as linhas e as entradas para as colunas.
A regra da cadeia multivariável multiplica dados de derivada na ordem correta
Objetivo de aprendizagem: Escolher a regra da cadeia escalar ou matricial que corresponde ao diagrama de dependências.
Ideia-chave
Se \(z=f(x(t),y(t))\), então \(dz/dt=f_x\,dx/dt+f_y\,dy/dt\). Mais geralmente, a derivada de uma composição é obtida multiplicando matrizes jacobianas, com a derivada externa avaliada na função interna.
Padrões da regra da cadeia
Caminho em um campo escalar: \(d(f(r(t)))/dt=\nabla f(r(t))\cdot r^\prime(t)\).
Aplicação após aplicação: \(J_{F\circ G}=J_F(G)J_G\).
Mudança de coordenadas: derive primeiro as novas variáveis, depois substitua-as nas derivadas externas.
Verifique as dimensões: o produto matricial deve ter linhas da saída final e colunas da entrada original.
Exemplo resolvido
Exemplo: Seja \(f(x,y)=x^2y\), \(x=t\) e \(y=t^2\). Calcule \(dz/dt\) para \(z=f(x(t),y(t))\).
Diretamente, \(z=t^2\cdot t^2=t^4\), então \(dz/dt=4t^3\). Pela regra da cadeia, \(f_x=2xy=2t^3\), \(x^\prime=1\), \(f_y=x^2=t^2\) e \(y^\prime=2t\), dando \(2t^3+2t^3=4t^3\).
Pratique
Pratique: Se \(z=f(x(t),y(t))\), qual fórmula é a regra da cadeia?
Dica: Some a contribuição por cada variável intermediária.
Segundas parciais descrevem como a primeira derivada muda
Objetivo de aprendizagem: Reconhecer a matriz hessiana, a notação de parciais mistas e a condição que permite trocar a ordem das parciais mistas.
Ideia-chave
Para \(f\) escalar, a hessiana \(H_f\) é a matriz das derivadas parciais segundas. Suas entradas diagonais são parciais segundas puras, como \(f_{xx}\), e suas entradas fora da diagonal são parciais mistas, como \(f_{xy}\) e \(f_{yx}\). Se as parciais segundas mistas são contínuas perto de um ponto, então \(f_{xy}=f_{yx}\) nesse ponto.
Fatos sobre hessianas
A hessiana de \(f(x,y)\) é \(\begin{pmatrix}f_{xx}&f_{xy}\ f_{yx}&f_{yy}\end{pmatrix}\).
Para uma direção unitária \(u\), a segunda derivada direcional é \(u^T H_f(a)u\).
A simetria da hessiana precisa de hipóteses; não é apenas notação.
A hessiana é central para a forma local, mas o gradiente dá a condição de ponto crítico de primeira ordem.
Exemplo resolvido
Exemplo: Para \(f(x,y)=x^2y+y^2\), calcule \(f_{xy}\) e \(f_{yx}\).
Primeiro \(f_x=2xy\), então \(f_{xy}=2x\). Além disso, \(f_y=x^2+2y\), então \(f_{yx}=2x\). As parciais mistas coincidem para esta função suave.
Pratique
Pratique: Se \(f_{xy}\) e \(f_{yx}\) são contínuas perto de um ponto, o que segue nesse ponto?
Dica: Parciais segundas mistas contínuas permitem trocar a ordem de diferenciação.
A diferenciabilidade transforma dados de derivada em um modelo de primeira ordem
Objetivo de aprendizagem: Usar gradientes e jacobianos para aproximação local, planos tangentes e a condição de ponto crítico de primeira ordem.
Ideia-chave
Se \(f\) é diferenciável em \(a\), então \(f(a+h)\approx f(a)+\nabla f(a)\cdot h\). Para \(z=f(x,y)\), o plano tangente em \((a,b)\) é \(z=f(a,b)+f_x(a,b)(x-a)+f_y(a,b)(y-b)\). Em um extremo local interior onde \(f\) é diferenciável, o gradiente deve ser \(0\).
Padrões de linearização
Para \(f\) escalar, a linearização usa o produto escalar com \(\nabla f\).
Para \(F\) vetorial, a linearização usa \(J_F(a)h\).
Para uma curva de nível regular \(f=c\), um vetor tangente é perpendicular a \(\nabla f\).
Em um extremo local interior diferenciável, \(\nabla f=0\).
Não escreva um plano tangente a partir das parciais sem justificar diferenciabilidade.
Exemplo resolvido
Exemplo: Suponha que \(f(1,2)=5\), \(f_x(1,2)=3\) e \(f_y(1,2)=-2\). Aproxime \(f(1.1,1.97)\).
Aqui \(h=0.1\) e \(k=-0.03\). A aproximação linear dá \(5+3(0.1)-2(-0.03)=5+0.30+0.06=5.36\).
Pratique
Pratique: Se \(f_x(a,b)=2\) e \(f_y(a,b)=-1\), qual é a variação de primeira ordem para uma mudança de entrada \((h,k)\)?
Dica: Multiplique cada mudança coordenada pela derivada parcial correspondente e some.
Os erros comuns são principalmente erros de tipo de objeto
Objetivo de aprendizagem: Finalizar separando funções escalares, aplicações vetoriais, gradientes, jacobianos, hessianas e fatos sobre determinantes.
Armadilhas comuns
Variável fixa errada: em \(f_x\), toda variável que não é \(x\) é constante.
Direção não unitária: normalize a direção antes de usar \(D_u f=\nabla f\cdot u\).
Formato errado do jacobiano: linhas são saídas e colunas são entradas.
Determinantes só para jacobianos quadrados: \(F:\mathbb{R}^3\to\mathbb{R}^2\) não tem determinante jacobiano.
Parciais não bastam: a existência de parciais primeiras, sozinha, não precisa provar diferenciabilidade.
Hipóteses de teoremas ausentes: inversas locais e simetria de parciais mistas exigem hipóteses de regularidade.
Exemplo resolvido
Exemplo: Para \(F(x,y)=(x+y,x-y)\), o que \(\det J_F=-2\) informa localmente?
O determinante é não nulo, então a aplicação é localmente invertível. Seu valor absoluto \(2\) é o fator local de escala de área, e o sinal negativo significa que a aplicação inverte a orientação.
Pratique
Pratique: Se o determinante de um jacobiano quadrado é negativo em um ponto, a aplicação local inverte:
Dica: O sinal de um determinante registra se a orientação é preservada ou invertida.
Recapitulação final
Derivadas parciais são taxas em uma coordenada.
O gradiente é o vetor das primeiras parciais para \(f\) escalar.
Derivadas direcionais usam o produto escalar com uma direção unitária.
Gradientes são normais a conjuntos de nível regulares.
O jacobiano de \(F:\mathbb{R}^n\to\mathbb{R}^m\) é \(m\times n\).
O determinante de um jacobiano quadrado dá informações de escala local e orientação.
A regra da cadeia é produto escalar para caminhos escalares e multiplicação de matrizes para aplicações.
A hessiana contém segundas parciais; parciais mistas comutam sob hipóteses de continuidade.
A linearização exige diferenciabilidade, não apenas derivadas parciais formais.
Próximo passo: Feche esta aula e tente o questionário novamente. Para cada pergunta, primeiro identifique se ela pede um escalar, um vetor, uma matriz ou um determinante.
Série de prática
Perguntas de prática de Partial Derivatives, Jacobians & Gradients com pontuação instantânea
Responda às 10 perguntas abaixo e receba sua pontuação final com uma revisão de erros para saber exatamente o que melhorar.
0/10respondidas
Pergunta 1Não respondida
Para \(f(x,y)=x^2+y\), qual é \(\partial f/\partial x\)?
Resposta correta: C. \(2x\)
Explicação: Trate \(y\) como constante e derive \(x^2\).
Pergunta 2Não respondida
Para \(f(x,y)=xy\), qual é \(\nabla f(1,2)\)?
Resposta correta: C. \((2,1)\)
Explicação: \(\nabla f=(y,x)\), portanto em \((1,2)\) vale \((2,1)\).
Pergunta 3Não respondida
Qual é o determinante jacobiano de \(F(x,y)=(x+y,x-y)\)?
Resposta correta: B. \(-2\)
Explicação: A matriz jacobiana é \(\begin{pmatrix}1&1\\1&-1\end{pmatrix}\), cujo determinante é \(-2\).
Pergunta 4Não respondida
Um ponto crítico interior de uma função escalar diferenciável satisfaz:
Resposta correta: B. \(\nabla f=0\)
Explicação: Em um ponto crítico interior, o gradiente se anula.
Pergunta 5Não respondida
A derivada direcional de \(f\) em uma direção unitária \(u\) é:
Resposta correta: A. \(\nabla f\cdot u\)
Explicação: Ela é o produto escalar do gradiente com o vetor direção.
Pergunta 6Não respondida
Para \(f(x,y)=x^2+y^2\), qual é \(\nabla f(0,0)\)?
Resposta correta: A. \((0,0)\)
Explicação: \(\nabla f=(2x,2y)\), portanto na origem vale \((0,0)\).
Pergunta 7Não respondida
Se \(F:\mathbb{R}^2\to\mathbb{R}^2\) é de classe \(C^1\) perto de um ponto e \(\det J_F\) é não nulo nesse ponto, então localmente \(F\) é:
Resposta correta: A. Localmente invertível
Explicação: Para uma aplicação \(C^1\) com derivada invertível, o teorema da função inversa garante invertibilidade local.
Pergunta 8Não respondida
Para \(f(x,y)=\sin x+y^3\), qual é \(\partial f/\partial y\)?
Resposta correta: D. \(3y^2\)
Explicação: Trate \(x\) como constante e derive \(y^3\).
Pergunta 9Não respondida
O que a matriz hessiana contém?
Resposta correta: D. Derivadas parciais de segunda ordem
Explicação: A hessiana é a matriz das derivadas parciais de segunda ordem.
Pergunta 10Não respondida
Se \(z=f(x(t),y(t))\), qual fórmula é a regra da cadeia?
Resposta correta: A. \(z'=f_xx'+f_yy'\)
Explicação: Derive em relação a cada variável e some as contribuições.
