Matrice Hessiana Spiegata: 6 Esercizi Svolti per Trovare Massimi, Minimi e Punti di Sella

Cerca nel sito

Altri risultati..

Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors

Cerca nelle Categorie

Matrice Hessiana esercizi svolti

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].
Ti potrebbe interessare anche:  Problemi di geometria piana: 6 esercizi avanzati su aree, tangenze e figure inscritte

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]

Ti potrebbe interessare anche:  Problemi di Massimo e Minimo: Sei Esercizi Svolti (da Facile a Difficile)

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].

Ti potrebbe interessare anche:  Modelli quadratici. Determinare il costo del trattamento dei rifiuti tossici

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)

PubblicitàPubblicità