Oltre la Pendenza: Perché il Gradiente non basta
Immagina di trovarti su una collina avvolta dalla nebbia. Il tuo altimetro segna pendenza zero: il terreno è piatto. Ma dove sei davvero? Sulla vetta, sul fondo di una valle, o su un crinale pericoloso pronto a franare sotto i tuoi piedi?
Il Gradiente ti ha portato fin qui, ma ora è cieco. È qui che entra in gioco la Matrice Hessiana. Se il Gradiente è la bussola che indica il Nord, l’Hessiana è la mappa topografica che ti rivela la curvatura del terreno.
Spesso ci si ferma alla derivata prima, ma è un errore rischioso. In architettura, un calcolo sbagliato qui significa un tetto che crolla; nel Machine Learning, ignorare la curvatura significa bloccare l’addestramento di una rete neurale in un punto morto.
In questi 6 esercizi, non applicheremo solo formule a memoria. Approfondiremo il meccanismo per vedere come la matematica “sente” la forma dello spazio, dai semplici minimi ai temibili punti di sella.
Esercizio 1 (Facile) – Un Primo Sguardo all’Hessiana
Contesto: Stiamo progettando una serra. Un errore di segno qui non è solo un numero rosso sul compito, è un tetto che raccoglie l’acqua piovana invece di scaricarla.
Testo:
Stai progettando una piccola serra e modelli il profilo del tetto con la funzione [math]f(x,y)=x^2+2y^2-4x+4y+8[/math], dove [math]x[/math] e [math]y[/math] sono in metri e [math]f(x,y)[/math] rappresenta l’altezza del tetto rispetto al suolo. Determina il punto più basso del tetto (il punto di minimo assoluto) utilizzando la matrice Hessiana.
Risoluzione:
Passo 1: Calcolo del Gradiente
Il gradiente ci indica la direzione di massima crescita. I punti “critici” (candidati ad essere massimi o minimi) sono quelli in cui il gradiente è nullo.
[math]
\displaystyle \begin{aligned}
\nabla f(x,y) &= \left(\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}\right) \\
&= (2x-4, \ 4y+4)
\end{aligned}
[/math]
Poniamo il gradiente uguale a zero per trovare i punti critici:
[math]
\displaystyle \begin{aligned}
\begin{cases}
2x-4=0 \\
4y+4=0
\end{cases}
\end{aligned}
[/math]
La soluzione di questo sistema è [math]x=2[/math] e [math]y=-1[/math]. Quindi abbiamo un unico punto critico: [math]P=(2,-1)[/math].
Passo 2: Calcolo della Matrice Hessiana
L’Hessiana è la matrice delle derivate parziali seconde. Ci dà informazioni sulla concavità/convexità della funzione.
[math]
\displaystyle \begin{aligned}
H_f(x,y) &= \begin{bmatrix}
\frac{\partial^2 f}{\partial x^2} & \frac{\partial^2 f}{\partial x \partial y} \\
\frac{\partial^2 f}{\partial y \partial x} & \frac{\partial^2 f}{\partial y^2}
\end{bmatrix} \\
&= \begin{bmatrix}
2 & 0 \\
0 & 4
\end{bmatrix}
\end{aligned}
[/math]
Nota: Le derivate miste [math]f_{xy}[/math] e [math]f_{yx}[/math] sono nulle e uguali, come previsto dal Teorema di Schwarz.
Passo 3: Analisi dell’Hessiana
Osserviamo la matrice [math]H_f[/math]:
- Il determinante è [math]\det(H_f)=(2)(4)-(0)(0)=8>0[/math].
- La traccia (la somma degli elementi sulla diagonale) è [math]2+4=6>0[/math].
Un determinante positivo indica che gli autovalori (che in questo caso sono proprio [math]2[/math] e [math]4[/math]) sono entrambi positivi. Un Hessiano con autovalori tutti positivi in un punto critico garantisce che quel punto sia un minimo locale.
Passo 4: Conclusione
Il punto [math]P=(2,-1)[/math] è un punto di minimo locale. Poiché la funzione è un polinomio di secondo grado (un paraboloide) con termini quadratici positivi, questo minimo locale è anche un minimo assoluto.
L’altezza minima del tetto è:
[math]
\displaystyle \begin{aligned}
f(2,-1) &= (2)^2+2(-1)^2-4(2)+4(-1)+8 \\
&= 4+2-8-4+8 \\
&= 2 \quad \text{metri}
\end{aligned}
[/math]
💡 Osservazione:
In questo semplice caso, l’Hessiana è costante (non dipende da [math]x[/math] e [math]y[/math]). Questo significa che la concavità della funzione è la stessa in tutto il suo dominio. Poiché è sempre “rivolta verso l’alto” (autovalori positivi), la funzione è convessa e il punto critico trovato è automaticamente un minimo globale.
Domanda di Riflessione:
Perché in questo esercizio non era necessario calcolare gli autovalori esplicitamente, ma è bastato guardare il determinante e la traccia?
Risposta: Perché la matrice è diagonale. Gli elementi sulla diagonale sono gli autovalori stessi. In generale, per una matrice [math]2 \times 2[/math], se il determinante è positivo e la traccia è positiva, allora entrambi gli autovalori sono positivi.
Esercizio 2 (Facile-Intermedio) – Un Punto di Sella in Economia
Contesto: Un’azienda analizza il profitto P(L,K).
Testo:
Un’azienda modella il suo profitto [math]P(L,K)[/math] in migliaia di euro in funzione degli investimenti in Lavoro [math]L[/math] (ore) e Capitale [math]K[/math] (macchinari), con la funzione [math]P(L,K)=LK-L^2-K^2[/math]. Determina, usando l’Hessiana, la natura del punto critico di questa funzione. Questo punto rappresenta un massimo di profitto?
Risoluzione:
Passo 1: Calcolo del Gradiente
[math]
\displaystyle \begin{aligned}
\nabla P(L,K) &= \left(\frac{\partial P}{\partial L}, \frac{\partial P}{\partial K}\right) \\
&= (K-2L, \ L-2K)
\end{aligned}
[/math]
Poniamo il gradiente uguale a zero:
[math]
\displaystyle \begin{aligned}
\begin{cases}
K-2L=0 \\
L-2K=0
\end{cases}
\end{aligned}
[/math]
Sostituendo [math]K=2L[/math] dalla prima equazione nella seconda, otteniamo [math]L-2(2L)=L-4L=-3L=0[/math], da cui [math]L=0[/math] e quindi [math]K=0[/math].
Punto critico: [math](0,0)[/math].
Passo 2: Calcolo della Matrice Hessiana
[math]
\displaystyle \begin{aligned}
H_P(L,K) &= \begin{bmatrix}
\frac{\partial^2 P}{\partial L^2} & \frac{\partial^2 P}{\partial L \partial K} \\
\frac{\partial^2 P}{\partial K \partial L} & \frac{\partial^2 P}{\partial K^2}
\end{bmatrix} \\
&= \begin{bmatrix}
-2 & 1 \\
1 & -2
\end{bmatrix}
\end{aligned}
[/math]
Anche in questo caso, l’Hessiana è costante.
Passo 3: Analisi dell’Hessiana
- Calcoliamo il determinante: [math]\det(H_P)=(-2)(-2)-(1)(1)=4-1=3>0[/math].
- Guardiamo la traccia: [math]-2+(-2)=-4<0[/math].
Il determinante positivo ci dice che gli autovalori sono concordi. La traccia negativa implica che la somma degli autovalori è negativa, quindi gli autovalori devono essere entrambi negativi.
Un Hessiano con autovalori tutti negativi in un punto critico indica un massimo locale.
Passo 4: Conclusione
Il punto [math](L,K)=(0,0)[/math] è un punto di massimo locale. Tuttavia, il contesto è insolito: un massimo di profitto quando non si investe né in lavoro né in capitale? Questo suggerisce che il modello è troppo semplificato e probabilmente valido solo in un intorno di [math](0,0)[/math]. Per [math]L[/math] e [math]K[/math] grandi, i termini quadratici negativi [math]-L^2-K^2[/math] dominano, portando il profitto verso [math]-\infty[/math]. Quindi, in realtà, [math](0,0)[/math] è l’unico punto in cui l’azienda non perde soldi, ma non è una situazione di profitto reale.
⚠️ Realtà vs Modello: Matematicamente, (0,0)$è un massimo locale.
Ma cosa ci dice questo sull’azienda? Che l’unico modo per “massimizzare” il profitto (o meglio, non perdere soldi) è non produrre nulla (L=0, K=0). Appena ci si muove, i termini quadratici negativi distruggono il valore. Questo esercizio insegna una lezione fondamentale: l’Hessiana non mente, sono i modelli semplificati a essere spesso ingenui.
💡 Osservazione:
Il segno degli autovalori dell’Hessiana ci dice la “curvatura” della funzione. Autovalori positivi = curvatura verso l’alto (minimo). Autovalori negativi = curvatura verso il basso (massimo). Se sono misti, la superficie ha una forma a “sella”.
Domanda di Riflessione:
Se il determinante dell’Hessiana fosse stato negativo, cosa avremmo potuto concludere?
Risposta: Avremmo concluso che il punto critico è un punto di sella, poiché un determinante negativo implica autovalori con segno discorde.
Esercizio 3 (Intermedio) – Il Caso del Determinante Nullo
Testo:
Data la funzione [math]g(x,y)=x^3+y^2-3x[/math], trova e classifica i suoi punti critici usando l’Hessiana. Cosa succede quando il determinante dell’Hessiana è zero?
Risoluzione:
Passo 1: Calcolo del Gradiente
[math]
\displaystyle \begin{aligned}
\nabla g(x,y) &= (3x^2-3, \ 2y)
\end{aligned}
[/math]
Poniamo il gradiente uguale a zero:
[math]
\displaystyle \begin{aligned}
\begin{cases}
3x^2-3=0 &\Rightarrow x^2=1 \Rightarrow x=1 \text{ o } x=-1 \\
2y=0 &\Rightarrow y=0
\end{cases}
\end{aligned}
[/math]
Abbiamo due punti critici: [math]P_1=(1,0)[/math] e [math]P_2=(-1,0)[/math].
Passo 2: Calcolo della Matrice Hessiana
[math]
\displaystyle \begin{aligned}
H_g(x,y) &= \begin{bmatrix}
6x & 0 \\
0 & 2
\end{bmatrix}
\end{aligned}
[/math]
Passo 3: Analisi dell’Hessiana nei Punti Critici
- Per [math]P_1=(1,0)[/math]: [math]H_g(1,0)=\begin{bmatrix} 6 & 0 \\ 0 & 2 \end{bmatrix}[/math].
Determinante: [math]6 \cdot 2 – 0 = 12 > 0[/math]. Traccia: [math]6+2=8 > 0[/math]. Autovalori positivi → Minimo locale. - Per [math]P_2=(-1,0)[/math]: [math]H_g(-1,0)=\begin{bmatrix} -6 & 0 \\ 0 & 2 \end{bmatrix}[/math].
Determinante: [math](-6) \cdot 2 – 0 = -12 < 0[/math]. Determinante negativo → Punto di sella.
Passo 4: Cosa Avviene con Determinante Nullo?
Immaginiamo un punto critico [math]P_3[/math] in cui l’Hessiana fosse [math]H=\begin{bmatrix} 0 & 0 \\ 0 & 2 \end{bmatrix}[/math]. Il determinante sarebbe [math]0[/math]. In tal caso, il test dell’Hessiana è inconcludente. Uno degli autovalori è zero, il che significa che in quella direzione la funzione potrebbe essere piatta o avere un flesso. Per classificare il punto, dovremmo studiare il comportamento della funzione con altri metodi (ad esempio, restringendo la funzione lungo delle curve passanti per il punto o studiando il segno dell’incremento [math]\Delta g[/math]).
💡 Osservazione:
Il test dell’Hessiana fornisce una risposta certa (minimo, massimo o sella) solo se la matrice è definita positiva, definita negativa o indefinita (determinante negativo). Se è semidefinita (determinante nullo), il test non è in grado di dare una risposta.
Domanda di Riflessione:
Se in [math]P_2[/math] l’Hessiana fosse stata [math]\begin{bmatrix} -6 & 3 \\ 3 & -2 \end{bmatrix}[/math], come avresti proceduto per stabilirne la natura?
Risposta: Avrei calcolato il determinante: [math](-6)(-2)-(3)(3)=12-9=3>0[/math]. Poiché il determinante è positivo e la traccia è negativa ([math]-8[/math]), gli autovalori sono entrambi negativi, quindi sarebbe un massimo locale.
Esercizio 4 (Intermedio-Avanzato) – Ottimizzazione di una Scatola
Testo:
Devi progettare una scatola rettangolare senza coperchio, con volume fissato a [math]4[/math] metri cubi. La base è un rettangolo di dimensioni [math]x[/math] (lunghezza) e [math]y[/math] (larghezza), mentre l’altezza è [math]z[/math]. Per questioni di rinforzo, il materiale per la base costa il doppio di quello per i lati. Trova le dimensioni che minimizzano il costo totale della scatola, sapendo che il costo è proporzionale all’area della superficie. Verifica la natura del punto critico con l’Hessiana.
Risoluzione:
Passo 1: Scrittura della Funzione Obiettivo
Volume: [math]V=x \cdot y \cdot z=4 \Rightarrow z=\frac{4}{xy}[/math].
Funzione Costo (C): [math]C(x,y)=2 \cdot (\text{Area Base}) + 1 \cdot (\text{Area Lati})[/math].
[math]
\displaystyle \begin{aligned}
C(x,y) &= 2xy+2xz+2yz \\
& \quad \text{(Sostituiamo } z \text{ dal vincolo del Volume)} \\
C(x,y) &= 2xy+2x\left(\frac{4}{xy}\right)+2y\left(\frac{4}{xy}\right) \\
&= 2xy+\frac{8}{y}+\frac{8}{x}
\end{aligned}
[/math]
Dominio: [math]x>0[/math], [math]y>0[/math].
Passo 2: Calcolo del Gradiente
[math]
\displaystyle \begin{aligned}
\nabla C(x,y) &= \left(2y-\frac{8}{x^2}, \ 2x-\frac{8}{y^2}\right)
\end{aligned}
[/math]
Poniamo a zero:
[math]
\displaystyle \begin{aligned}
\begin{cases}
2y=\frac{8}{x^2} &\Rightarrow y=\frac{4}{x^2} \quad (1) \\
2x=\frac{8}{y^2} &\Rightarrow x=\frac{4}{y^2} \quad (2)
\end{cases}
\end{aligned}
[/math]
Passo 3: Ricerca del Punto Critico
Sostituiamo la (1) nella (2):
[math]
\displaystyle \begin{aligned}
x &= \frac{4}{\left(\frac{4}{x^2}\right)^2} = \frac{4}{\frac{16}{x^4}} \\
x &= \frac{4x^4}{16} = \frac{x^4}{4}
\end{aligned}
[/math]
Supponendo [math]x \neq 0[/math], dividiamo per [math]x[/math]: [math]1=\frac{x^3}{4} \Rightarrow x^3=4 \Rightarrow x=\sqrt[3]{4}[/math].
Sostituendo in (1):
[math]
\displaystyle \begin{aligned}
y &= \frac{4}{(\sqrt[3]{4})^2} = \frac{4}{4^{2/3}} \\
&= 4^{1 – 2/3} = 4^{1/3} = \sqrt[3]{4}
\end{aligned}
[/math]
Quindi [math]x=y=\sqrt[3]{4}[/math]. Da [math]z=\frac{4}{xy}[/math]:
[math]
\displaystyle \begin{aligned}
z &= \frac{4}{(\sqrt[3]{4})(\sqrt[3]{4})} = \frac{4}{4^{2/3}} \\
&= 4^{1/3} = \sqrt[3]{4}
\end{aligned}
[/math]
Punto critico: [math]P=(\sqrt[3]{4},\sqrt[3]{4})[/math].
Passo 4: Calcolo della Matrice Hessiana
Calcoliamo le derivate parziali seconde:
[math]
\displaystyle \begin{aligned}
\frac{\partial^2 C}{\partial x^2} &= \frac{16}{x^3}, \quad
\frac{\partial^2 C}{\partial y^2} = \frac{16}{y^3}, \quad
\frac{\partial^2 C}{\partial x \partial y} = 2
\end{aligned}
[/math]
[math]
\displaystyle \begin{aligned}
H_C(x,y) &= \begin{bmatrix}
\frac{16}{x^3} & 2 \\
2 & \frac{16}{y^3}
\end{bmatrix}
\end{aligned}
[/math]
Passo 5: Analisi dell’Hessiana nel Punto Critico
In [math]P=(\sqrt[3]{4},\sqrt[3]{4})[/math], abbiamo [math]x^3=y^3=4[/math]. Quindi [math]\frac{16}{x^3}=\frac{16}{4}=4[/math] e [math]\frac{16}{y^3}=4[/math].
[math]
\displaystyle \begin{aligned}
H_C(P) &= \begin{bmatrix}
4 & 2 \\
2 & 4
\end{bmatrix}
\end{aligned}
[/math]
- Determinante: [math](4)(4)-(2)(2)=16-4=12>0[/math].
- Traccia: [math]4+4=8>0[/math].
Determinante positivo e traccia positiva → Autovalori positivi → Minimo locale. Dato il contesto fisico e il dominio, è un minimo globale.
💡 Osservazione:
In problemi di ottimizzazione vincolata “nascosta” come questo (il vincolo [math]V=4[/math] è stato usato per eliminare [math]z[/math]), il punto trovato è spesso l’unico che abbia senso fisico. Verificare che sia un minimo con l’Hessiana conferma che abbiamo trovato la soluzione ottimale.
Domanda di Riflessione:
Perché in questo problema era lecito aspettarsi che il punto di minimo avesse [math]x=y[/math] ancora prima di fare i calcoli?
Risposta: Per una questione di simmetria. La funzione costo [math]C(x,y)[/math] è simmetrica rispetto allo scambio di [math]x[/math] e [math]y[/math]. Se un punto di estremo esiste, è ragionevole che si trovi sulla retta [math]x=y[/math], dove la simmetria è rispettata.
Esercizio 5 (Avanzato) – Studio di un Punto Stazionario “Sospetto”
Testo:
Data la funzione [math]h(x,y)=x^4+y^4-4xy+1[/math], trova e classifica tutti i suoi punti critici. Presta particolare attenzione al punto [math](0,0)[/math], dove l’Hessiana standard potrebbe risultare ingannevole.
Risoluzione:
Passo 1: Calcolo del Gradiente
[math]
\displaystyle \begin{aligned}
\nabla h(x,y) &= (4x^3-4y, \ 4y^3-4x)
\end{aligned}
[/math]
Poniamo il gradiente uguale a zero:
[math]
\displaystyle \begin{aligned}
\begin{cases}
4x^3-4y=0 &\Rightarrow y=x^3 \quad (1) \\
4y^3-4x=0 &\Rightarrow x=y^3 \quad (2)
\end{cases}
\end{aligned}
[/math]
Passo 2: Ricerca dei Punti Critici
Sostituiamo (1) in (2): [math]x=(x^3)^3=x^9 \Rightarrow x^9-x=0 \Rightarrow x(x^8-1)=0[/math].
Questo dà [math]x=0[/math] o [math]x^8=1 \Rightarrow x=\pm 1[/math].
- Se [math]x=0[/math], da (1): [math]y=0[/math]. Punto [math]P_1=(0,0)[/math].
- Se [math]x=1[/math], da (1): [math]y=1[/math]. Punto [math]P_2=(1,1)[/math].
- Se [math]x=-1[/math], da (1): [math]y=-1[/math]. Punto [math]P_3=(-1,-1)[/math].
Passo 3: Calcolo della Matrice Hessiana
[math]
\displaystyle \begin{aligned}
H_h(x,y) &= \begin{bmatrix}
12x^2 & -4 \\
-4 & 12y^2
\end{bmatrix}
\end{aligned}
[/math]
Passo 4: Analisi dell’Hessiana nei Punti “Semplici”
- Per [math]P_2=(1,1)[/math] e [math]P_3=(-1,-1)[/math]: [math]H_h=\begin{bmatrix} 12 & -4 \\ -4 & 12 \end{bmatrix}[/math].
Determinante: [math]12 \cdot 12 – (-4)(-4)=144-16=128>0[/math]. Traccia: [math]24>0[/math] → Minimo locale.
Passo 5: Analisi del Punto “Sospetto” [math]P_1=(0,0)[/math]
[math]
\displaystyle \begin{aligned}
H_h(0,0) &= \begin{bmatrix}
0 & -4 \\
-4 & 0
\end{bmatrix}
\end{aligned}
[/math]
Determinante: [math]0 \cdot 0 – (-4)(-4)=-16<0[/math].
Determinante negativo → Punto di sella.
In questo caso, il test dell’Hessiana è conclusivo anche in [math](0,0)[/math]! Il punto è un punto di sella.
Passo 6: Verifica con uno Studio Diretto (Metodo Alternativo)
Anche se l’Hessiana ha dato una risposta, vediamo perché [math](0,0)[/math] è una sella.
- Lungo la direzione [math]y=x[/math]: [math]h(x,x)=x^4+x^4-4x \cdot x+1=2x^4-4x^2+1[/math]. Per [math]x[/math] piccolo, [math]-4x^2[/math] domina ed è negativo, quindi [math]h[/math] diminuisce.
- Lungo la direzione [math]y=-x[/math]: [math]h(x,-x)=x^4+x^4-4x \cdot (-x)+1=2x^4+4x^2+1[/math]. Questa è sempre positiva e crescente per [math]x[/math] piccolo.
Quindi, in [math](0,0)[/math] la funzione decresce in una direzione e cresce in un’altra: la definizione di punto di sella.
💡 Osservazione:
Anche se l’Hessiana in [math](0,0)[/math] ha un elemento diagonale nullo, il suo determinante è negativo. Questo è sufficiente per classificarla come indefinita e il punto come sella. Il test è inconcludente solo quando l’Hessiana è semidefinita (determinante nullo), non quando è indefinita.
Domanda di Riflessione:
Se l’Hessiana in [math](0,0)[/math] fosse stata [math]\begin{bmatrix} 0 & 0 \\ 0 & -2 \end{bmatrix}[/math], cosa avresti concluso col test dell’Hessiana e come saresti proceduto?
Risposta: Il determinante sarebbe [math]0[/math] (Hessiana semidefinita). Il test sarebbe stato inconclusivo. Avrei dovuto studiare il segno di [math]h(x,y)-h(0,0)[/math] in un intorno di [math](0,0)[/math] per vedere se è sempre positivo, sempre negativo, o cambia segno.
Esercizio 6 (Difficile) – Massimi e Minimi Vincolati: Hessiana Orlata
Testo:
Trova i punti di massimo e minimo della funzione [math]q(x,y)=xy[/math] sul cerchio di raggio [math]\sqrt{2}[/math], cioè soggetta al vincolo [math]x^2+y^2=2[/math]. Utilizza il metodo dei moltiplicatori di Lagrange per trovare i punti critici vincolati, poi, per ciascuno di essi, analizza la matrice Hessiana Orlata per classificarli.
Risoluzione:
Passo 1: Formulazione del Problema Vincolato
Vogliamo estremizzare [math]q(x,y)=xy[/math] con il vincolo [math]g(x,y)=x^2+y^2-2=0[/math].
Passo 2: Metodo dei Moltiplicatori di Lagrange
Definiamo la Lagrangiana: [math]L(x,y,\lambda)=xy-\lambda(x^2+y^2-2)[/math].
Troviamo i punti stazionari di [math]L[/math]:
[math]
\displaystyle \begin{aligned}
\nabla L &= \left(\frac{\partial L}{\partial x}, \frac{\partial L}{\partial y}, \frac{\partial L}{\partial \lambda}\right) \\
&= (y-2\lambda x, \ x-2\lambda y, \ -(x^2+y^2-2))
\end{aligned}
[/math]
Poniamo [math]\nabla L=0[/math]:
[math]
\displaystyle \begin{aligned}
\begin{cases}
y-2\lambda x=0 \quad (1) \\
x-2\lambda y=0 \quad (2) \\
x^2+y^2=2 \quad (3)
\end{cases}
\end{aligned}
[/math]
Passo 3: Ricerca dei Punti Critici Vincolati
Dalla (1): [math]y=2\lambda x[/math]. Dalla (2): [math]x=2\lambda y[/math].
Sostituendo la prima nella seconda: [math]x=2\lambda(2\lambda x)=4\lambda^2 x \Rightarrow x(1-4\lambda^2)=0[/math].
- Caso 1: [math]x=0[/math]. Allora da (1), [math]y=0[/math]. Ma [math](0,0)[/math] viola (3), [math]0+0=2[/math]. Scartato.
- Caso 2: [math]1-4\lambda^2=0 \Rightarrow \lambda=\pm \frac{1}{2}[/math].
Se [math]\lambda=1/2[/math]: [math]y=x[/math]. In (3): [math]x^2+x^2=2 \Rightarrow 2x^2=2 \Rightarrow x=\pm 1[/math]. Punti: [math]A=(1,1)[/math], [math]B=(-1,-1)[/math].
Se [math]\lambda=-1/2[/math]: [math]y=-x[/math]. In (3): [math]x^2+(-x)^2=2 \Rightarrow 2x^2=2 \Rightarrow x=\pm 1[/math]. Punti: [math]C=(1,-1)[/math], [math]D=(-1,1)[/math].
Passo 4: Valori della Funzione nei Punti Critici
[math]
\displaystyle \begin{aligned}
q(A)=q(1,1)&=1 \\
q(B)=q(-1,-1)&=1 \\
q(C)=q(1,-1)&=-1 \\
q(D)=q(-1,1)&=-1
\end{aligned}
[/math]
I passaggi da 1 a 4 (Formula, Gradiente, Punti Critici) con il metodo dei Moltiplicatori di Lagrange portano ai seguenti quattro punti critici vincolati:
- [math]A=(1,1)[/math] e [math]B=(-1,-1)[/math] con [math]\lambda=1/2[/math].
- [math]C=(1,-1)[/math] e [math]D=(-1,1)[/math] con [math]\lambda=-1/2[/math].
Passo 5: Analisi con l’Hessiana Orlata
La matrice Hessiana Orlata è:
[math]\displaystyle \begin{aligned}
\bar{H} &= \begin{bmatrix}
0 & g_x & g_y \\
g_x & L_{xx} & L_{xy} \\
g_y & L_{yx} & L_{yy}
\end{bmatrix} \\
&= \begin{bmatrix}
0 & 2x & 2y \\
2x & -2\lambda & 1 \\
2y & 1 & -2\lambda
\end{bmatrix}
\end{aligned}[/math]
CALCOLO DEL DETERMINANTE:
[math]\det(\bar{H})=16\lambda+8xy[/math]
NOTA CRUCIALE SULLA REGOLA DEI SEGNI
⚠️ ATTENZIONE: La regola dei segni per l’Hessiana Orlata NON è universale!
Caso SPECIFICO di questo esercizio:
- [math]n=2[/math] variabili ([math]x[/math],[math]y[/math])
- [math]m=1[/math] vincolo ([math]x^2+y^2=2[/math])
Regola per [math]n=2, m=1[/math]:
- Se [math]\det(\bar{H})>0[/math] → MASSIMO vincolato
- Se [math]\det(\bar{H})<0[/math] → MINIMO vincolato
PERCHÉ questa regola “invertita”? Perché stiamo studiando la Lagrangiana ristretta allo spazio tangente al vincolo, che ha dimensione [math]n-m=1[/math].
Passo 6: Classificazione dei Punti
Per [math]A=(1,1)[/math] e [math]\lambda=1/2[/math]:
[math]\displaystyle \begin{aligned}
\det(\bar{H}) &= 16(1/2)+8(1)(1) \\
&= 8+8=16>0 \quad \rightarrow \quad \mathbf{MASSIMO} \text{ vincolato}
\end{aligned}[/math]
Per [math]B=(-1,-1)[/math] e [math]\lambda=1/2[/math]:
[math]\displaystyle \begin{aligned}
\det(\bar{H}) &= 16(1/2)+8(1) \\
&= 8+8=16>0 \quad \rightarrow \quad \mathbf{MASSIMO} \text{ vincolato}
\end{aligned}[/math]
Per [math]C=(1,-1)[/math] e [math]\lambda=-1/2[/math]:
[math]\displaystyle \begin{aligned}
\det(\bar{H}) &= 16(-1/2)+8(1)(-1) \\
&= -8-8=-16<0 \quad \rightarrow \quad \mathbf{MINIMO} \text{ vincolato}
\end{aligned}[/math]
Per [math]D=(-1,1)[/math] e [math]\lambda=-1/2[/math]:
Stesso calcolo → MINIMO vincolato
Conclusione: I punti [math](1,1)[/math] e [math](-1,-1)[/math] sono punti di massimo vincolato (con [math]q=1[/math]). I punti [math](1,-1)[/math] e [math](-1,1)[/math] sono punti di minimo vincolato (con [math]q=-1[/math]).
TABELLA RIASSUNTIVA DELLE REGOLE
| Configurazione | Dimensione [math]\bar{H}[/math] | Regola di Classificazione |
|---|---|---|
| [math]n=2, m=1[/math] (questo caso) | [math]3\times3[/math] | [math]\det(\bar{H})>0[/math] = max [math]\det(\bar{H})<0[/math] = min |
| [math]n=3, m=1[/math] | [math]4\times4[/math] | Segno degli ultimi [math]n-m=2[/math] minori principali |
| [math]n=3, m=2[/math] | [math]5\times5[/math] | Regola ancora diversa! |
| Hessiana Libera | [math]n\times n[/math] | Regola universale: autovalori [math]> 0[/math] = min |
💡 Osservazione Finale:
La regola specifica per l’Hessiana Orlata dipende criticamente da [math]n[/math] e [math]m[/math]. Mentre per l’ottimizzazione libera le regole sono universali, per i problemi vincolati bisogna sempre verificare la combinazione specifica di variabili e vincoli.
Domanda di Riflessione:
Perché pensi che la regola per l’Hessiana Orlata cambi al variare di [math]n[/math] e [math]m[/math], mentre per l’Hessiana standard è sempre la stessa?
Risposta: Perché l’Hessiana Orlata incorpora informazioni sia sulla funzione obiettivo che sui vincoli, e la struttura di questi ultimi influenza la geometria dello spazio delle soluzioni ammissibili. L’Hessiana standard, invece, descrive proprietà intrinseche della funzione stessa.
Analisi Didattica: Perché questi esercizi?
Questa serie di esercizi è stata concepita per guidare lo studente attraverso una progressione logica, affrontando un concetto fondamentale dell’ottimizzazione in modo incrementale e critico.
1. Esercizio 1 (La Fiducia)
- Obiettivo: Rompere il ghiaccio.
- Focus: L’Hessiana è diagonale e costante. Questo rimuove la paura dell’algebra complessa, permettendo allo studente di concentrarsi unicamente sul concetto geometrico (tazza dritta vs. rovesciata).
2. Esercizio 2 (Il Pensiero Critico)
- Obiettivo: Introdurre la concavità negativa (autovalori [math]< 0[/math]).
- Focus: Didatticamente, serve a mostrare che un “massimo” matematico non è sempre positivo o un successo; in contesti pratici (come il profitto), può rappresentare un risultato nullo.
3. Esercizio 3 (L’Efficienza)
- Obiettivo: Insegnare a non fare calcoli inutili.
- Focus: Se [math]\det(H) < 0[/math], è un punto di sella. Punto. Non serve calcolare autovalori o traccia. Allena lo studente a prendere decisioni efficienti nel processo di classificazione.
4. Esercizio 4 (La Realtà Fisica)
- Obiettivo: Introdurre termini non polinomiali.
- Focus: Presenta termini come [math]1/x[/math] e la gestione di vincoli “nascosti” tramite sostituzione. Allena la manualità algebrica e l’intuizione sulla simmetria del problema.
5. Esercizio 5 (Il Trabocchetto)
- Obiettivo: Separare chi ha capito da chi va a memoria.
- Focus: Dimostra che la convessità non dipende solo dalla curvatura lungo gli assi ([math]f_{xx}[/math], [math]f_{yy}[/math]), ma anche dalla “torsione” dello spazio ([math]f_{xy}[/math]). È la verifica della condizione di Sylvester ([math]\det(H)>0[/math]).
6. Esercizio 6 (L’Artiglieria Pesante)
- Obiettivo: L’Hessiana Orlata è il ponte verso l’ingegneria seria e l’economia avanzata.
- Focus: La peculiarità della regola dei segni “invertita” costringe lo studente a capire la struttura del problema (variabili [math]n[/math] vs. vincoli [math]m[/math]) invece di applicare ricette cieche. Rappresenta il culmine dell’analisi geometrica vincolata.
(495)
Altri articoli nella categoria "Problemi di massimo e minimo"
- Ottimizzazione con vincoli: Lagrangiana e condizioni di Kuhn-Tucker
- Dalla Geometria Analitica all’Ottimizzazione: Parametri, Derivate e Funzione W di Lambert
- Esercizi Svolti sui Moltiplicatori di Lagrange: Guida Pratica all’Ottimizzazione Vincolata
- Hessiana Orlata: la guida completa per capire massimi e minimi con i vincoli
- Moltiplicatori di Lagrange: teoria, esercizi svolti, grafici Python e applicazioni reali
- Quando la simmetria diventa legge: l’esagono regolare della Maturità Scientifica 1979‑80
- Problemi di Massimo e Minimo in Geometria: Esercizi Svolti con Derivate
- Area del Parallelogramma Inscritto in un Quadrato: Formule, Dimostrazioni e un Trabocchetto Logico
- Studio di Funzione Applicato: Casi Reali di Ottimizzazione Costi e Ingegneria
- Il Problema del bagnino: perché la via più breve non è quasi mai la più veloce