maths.free › Multivariable Calculus › Optimisation in several variables

Optimisation in several variables

Critical points, the second-derivative test, and Lagrange multipliers.

Critical points are where the gradient vanishes; the Hessian's determinant sorts them into minima, maxima and saddles. With a constraint, Lagrange multipliers say the gradients of f and of the constraint are parallel at the optimum. Picture it: the surface's bowl bottom, hilltop or saddle. The 3D view shows which. Think it: constrained optimisation is the geometry of tangency between level sets.

Робочий приклад · gradient of x^2 + y^2 - 2x - 4y

Multivariable-Calculus · Partial-Derivatives

Gradient of x^2 - 2x + y^2 - 4y

x^{2} - 2 x + y^{2} - 4 y

Крок за кроком

  1. f(x, y) = x^{2} - 2 x + y^{2} - 4 y

    The gradient is the vector of partial derivatives. Differentiate with respect to each variable, holding the others constant.

  2. \frac{\partial f}{\partial x} = 2 x - 2

    Treat every variable except x as a constant.

  3. \frac{\partial f}{\partial y} = 2 y - 4

    Treat every variable except y as a constant.

  4. \nabla f = \left[\begin{matrix}2 x - 2\\2 y - 4\end{matrix}\right]

    Assemble the gradient vector. It points in the direction of steepest ascent.

  5. (1, 2)

    Critical points: where every partial derivative is zero.

Показати відповідь
\nabla f = \left[\begin{matrix}2 x - 2\\2 y - 4\end{matrix}\right]

Тепер ти Виберіть проблему або наберіть її на зразок. Кожен крок, малюнок, відповідь, сховану до того часу, доки ви не запитаєте.

Нехай ваша робота буде такою ж, як у вас

Вільний рахунок додає нотатки до кожного уроку, запису того, що ви завершили, ваших розв' язаних проблем у одному місці, і репетитора, який ви можете запитати про цю сторінку. Сама математика відкрита для всіх, підписані чи ні.

Підписування Вхід

Символи, що тут використовуються

Взяти будь-який символ до повного визначення, зображення і що означає кожна літера.

Як це зробити?: Optimisation in several variables

  1. The gradient is the vector of partial derivatives. Differentiate with respect to each variable, holding the others constant.
  2. Treat every variable except x as a constant.
  3. Treat every variable except y as a constant.
  4. Assemble the gradient vector. It points in the direction of steepest ascent.
  5. Critical points: where every partial derivative is zero.

Запитання людей

What is a partial derivative?

The ordinary derivative with respect to one variable while every other variable is frozen: the slope of the surface in one coordinate direction.

What does the gradient point at?

Uphill: the direction of steepest increase, with length equal to that steepest slope. It is perpendicular to the level curves.

Більше в Multivariable Calculus

Functions of several variablesPartial derivatives and the gradientDouble and triple integralsVector fields, line integrals and the big theorems