Funktio ja piste
Kirjoita kahden muuttujan funktio x:n ja y:n avulla (esim. x^2 + y^2, x*y, sin(x)*y). Käytä merkkejä + − * / ^ ja funktioita sin, cos, tan, ln, log, sqrt, exp sekä vakioita pi ja e.
Laske kahden muuttujan funktion f(x, y) gradientti pisteessä: osittaisderivaatat ∂f/∂x ja ∂f/∂y sekä gradienttivektorin pituus.
Kirjoita kahden muuttujan funktio x:n ja y:n avulla (esim. x^2 + y^2, x*y, sin(x)*y). Käytä merkkejä + − * / ^ ja funktioita sin, cos, tan, ln, log, sqrt, exp sekä vakioita pi ja e.
Gradienttilaskuri laskee kahden muuttujan funktion gradientin valitussa pisteessä. Se antaa molemmat osittaisderivaatat, niistä koostuvan gradienttivektorin sekä vektorin pituuden. Laskuri sopii korkeakoulun usean muuttujan analyysin tehtäviin ja käsin laskettujen tulosten tarkistamiseen.
Gradientti ∇f on vektori, joka kootaan funktion osittaisderivaatoista. Kahden muuttujan funktiolle f(x, y) gradientti on pari, jossa ensimmäinen komponentti kuvaa muutosta x-suunnassa ja toinen y-suunnassa.
∇f = (∂f/∂x, ∂f/∂y)
Gradientti osoittaa suuntaan, johon funktion arvo kasvaa nopeimmin, ja sen pituus kertoo tämän jyrkimmän nousun nopeuden.
Osittaisderivaatta saadaan derivoimalla funktio yhden muuttujan suhteen ja pitämällä toinen muuttuja vakiona. Merkintä ∂f/∂x tarkoittaa derivaattaa x:n suhteen, kun y pidetään kiinteänä.
Laskuri laskee osittaisderivaatat numeerisesti keskeisdifferenssillä, jolloin funktiota tutkitaan symmetrisesti pisteen molemmin puolin kummankin muuttujan suunnassa.
∂f/∂x ≈ (f(x + h, y) − f(x − h, y)) / (2h)
∂f/∂y ≈ (f(x, y + h) − f(x, y − h)) / (2h)
Gradientin pituus saadaan komponenttien neliösummasta Pythagoraan lauseen tapaan.
|∇f| = √((∂f/∂x)² + (∂f/∂y)²)
Lasketaan funktion f(x, y) = x² + y² gradientti pisteessä (3, 4). Osittaisderivaatat ovat ∂f/∂x = 2x ja ∂f/∂y = 2y, joten pisteessä saadaan ∂f/∂x = 6 ja ∂f/∂y = 8. Gradienttivektori on siten ∇f = (6, 8) ja sen pituus √(6² + 8²) = √100 = 10.
Funktiolle f(x, y) = x·y osittaisderivaatat ovat ∂f/∂x = y ja ∂f/∂y = x. Pisteessä (2, 5) gradientti on siis (5, 2). Tämä havainnollistaa, kuinka yhden muuttujan suhteen derivoitaessa toinen muuttuja toimii vakiokertoimena.
Gradienttia tarvitaan muun muassa funktion ääriarvojen etsimisessä, suunnatun derivaatan laskemisessa ja optimoinnissa. Funktion ääriarvopisteissä gradientti on nollavektori. Optimoinnissa ja koneoppimisessa gradienttimenetelmä etsii minimiä kulkemalla askel kerrallaan gradientin vastasuuntaan.