3.

Μέγιστα και Ελάχιστα με Περιορισμό

Για να βρούμε τα ακρότατα της συνάρτησης f ( x, y ) υπό την συνθήκη g ( x, y ) = c , αρχικά

, λ)
κατασκευάζουμε την συνάρτηση Lagrange L( x, y= f ( x, y ) + λ ⋅ ( c − g ( x, y ) ) και εξετάζουμε την
ύπαρξη κρίσιμων σημείων για την L.

 0 g g 
 x y 
 
• Η μήτρα H =  g L L  ονομάζεται μήτρα της περιορισμένης Εσσιανής.
x xx xy
 
 gy L L 
 xy yy 

Κριτήριο:

• Αν H ( x0 , y0 ) > 0 , τότε το ( x0 , y0 ) είναι σημείο τοπικού μεγίστου για την f ( x, y ) υπό την
συνθήκη g ( x, y ) = c .
• Αν H ( x0 , y0 ) < 0 , τότε το ( x0 , y0 ) είναι σημείο τοπικού ελαχίστου για την f ( x, y ) υπό την
συνθήκη g ( x, y ) = c .
• Αν H ( x0 , y0 ) = 0 , τότε το κριτήριο δεν οδηγεί σε συμπέρασμα.

Παράδειγμα: Να βρεθούν τα ακρότατα της συνάρτησης. f ( x, y=

) x 2 + y 2 υπό την συνθήκη
x+ y =
1.

Λύση: Ορίζουμε την συνάρτηση L( x, y, λ ) = x + y + λ ⋅ 1 − ( x + y ) .

2 2
( )
Υπολογίζουμε τις μερικές παραγώγους 1ης τάξης:

Lx ( x, y, λ=
) 2 x − λ , Ly ( x, y, λ=
) 2 y − λ , Lλ ( x, y, λ ) =− x − y + 1 .

Βρίσκουμε τα κρίσιμα σημεία που προκύπτουν από την λύση του συστήματος των μερικών
παραγώγων.

 1
 x=
x, y , λ ) 0
 Lx (= =2x − λ 0  = 2x − λ 0 =2x − λ 0 2
    
 Ly ( x, y, λ ) =0 ⇔  2 y − λ =0 ⇔ 2 x + 2 y − 2λ =0 ⇔  2 − 2λ =0 ⇔  λ =1
 L ( x, y , =
λ ) 0 − x − y +=  x +=  
 λ 1 0  y 1  x += y 1
y =
1
 2

Υπολογίζουμε τις:

Lxx ( x, y, λ ) = 2 , Lyx ( x, y, λ ) = 0 , Lyy ( x, y, λ ) = 2 , Lxy ( x, y, λ ) = 0 .

g x = −1 και g y = −1 .

Σελίδα 5
 0 gx gy 0 −1 −1
Η Εσσιανή περιορισμένη ορίζουσα είναι: H =g x Lxx Lxy =−1 2 0 =−4 < 0 .
gy Lxy Lyy −1 0 2

 1
 x = 2
Άρα στο  έχω ελάχιστο.
y = 1
 2

Σχήμα 1. Γραφική παράσταση της f ( x, y=

) x 2 + y 2 και της συνθήκης x + y =
1 (όψη).

Σχήμα 2. Γραφική παράσταση της f ( x, y=

) x 2 + y 2 και της συνθήκης x + y =
1 (κάτοψη).

Παράδειγμα: Να βρεθούν τα ακρότατα της συνάρτησης. f ( x, y )= x ⋅ y υπό την συνθήκη

x2 y 2
+ =
1.
8 2

  x2 y 2   x2 y2
Λύση: Ορίζουμε την συνάρτηση L( x, y, λ ) = xy + λ ⋅ 1 −  +   = xy + λ − λ − λ .
  8 2  8 2

Υπολογίζουμε τις μερικές παραγώγους 1ης τάξης:

Σελίδα 6
 2λ x x2 y 2
Lx ( x, y, λ )= y − L ( x , y , λ ) =−
1 −
8 , Ly ( x, y, λ )= x − λ y ,
λ
8 2 .

Βρίσκουμε τα κρίσιμα σημεία που προκύπτουν από την λύση του συστήματος των μερικών
παραγώγων.



 2λ x  λx  λ
 y − = = 0  y = y λy
 Lx ( x, y, λ ) = 0 8 4  4
   
 Ly ( x, y, λ ) =0 ⇔  x − λ y =0 ⇔  x =λ y ⇔ x =λ y
 L ( x, y , λ ) = 0  x2 y 2  x2 y 2 
 λ  λx 
2
1 − − = 0 1 − − = 0 
 8   ( λ y )  4 
2
2 8 2
1 − − =
0
 8 2

  λ2 
 y 1 −  = 0
  4  
  y = 0 ή λ = ±2
⇔ x= λy
 
 λ 
2
⇔ x= λy
 x
 ( λ y )  4 
2  x2 y 2
1 − − = 0 1 − − = 0
 8 2  8 2 , άρα (x,y)=(0,0) το οποίο δεν ανήκει στην έλλειψη,

οπότε y ≠ 0 και λ = ±2 αντικαθιστώντας έχουμε

( ±2,1) , ( ±2, −1) .
λ
Lxx ( x, y, λ ) = −
x , Lyx ( x, y, λ ) = 1 , Lyy ( x, y, λ ) = −λ .

x
gx = , gy = y .
4

x
0 − −y
0 gx gy 4
x λ 1 1 1
Η Εσσιανή ορίζουσα είναι: H =gx Lxx Lxy =
− − 1 =xy + λ x 2 + λ y 2 .
4 4 2 16 4
gy Lxy Lyy
−y 1 −λ

Για το σημείο:

• Για x ( 2,1) και λ=2 έχουμε: H = 2 > 0 , άρα έχω μέγιστο.

• Για x ( −2,1) και λ=2 έχουμε: H = 2 > 0 , άρα έχω μέγιστο.

• Για x ( −2,1) και λ=-2 έχουμε: H =−2 < 0 , άρα έχω ελάχιστο.

• Για x ( 2,1) και λ=-2 έχουμε: H =−2 < 0 , άρα έχω ελάχιστο.

Σελίδα 7
 x2 y 2
Σχήμα 3. Γραφική παράσταση της f ( x, y )= x ⋅ y , της συνθήκης + =
1 και των ακρότατων
8 2
(κάτοψη).

1 2 3
Παράδειγμα: Να βρεθούν τα ακρότατα της συνάρτησης. f ( x, y ) =4 − x − y 2 + x υπό την
2 10
συνθήκη x 2 + y 2 =
1.

Λύση:

Σχήμα 4. Λύση του προβλήματος με χρήση του Mathematica.

1 2 3
Σχήμα 5. Γραφική παράσταση της f ( x, y ) =4 − x − y 2 + x και της συνθήκης x 2 + y 2 =
1 (όψη).
2 10
Σελίδα 8
 1 2 3
Σχήμα 6. Γραφική παράσταση της f ( x, y ) =4 − x − y 2 + x και της συνθήκης x 2 + y 2 =
1
2 10
(κάτοψη).

Σελίδα 9
4. Βελτιστοποίηση με δύο Περιορισμούς

Για να βρούμε τα ακρότατα της συνάρτησης f ( x, y, z ) υπό τις συνθήκες g1 ( x, y, z ) = c1 και

g 2 ( x, y, z ) = c2 . Αρχικά κατασκευάζουμε την συνάρτηση Lagrange
λ2 ) f ( x, y ) + λ1 ⋅ ( c1 − g1 ( x, y, z ) ) + λ2 ⋅ ( c2 − g 2 ( x, y, z ) ) και εξετάζουμε την ύπαρξη
L( x, y, z , λ1 ,=
κρίσιμων σημείων για την L.

 0 0 g1x g1 y g1z 
 
 0 0 g2 x g2 y g2 z
 g1x g2 x L L Lxz 
• Η μήτρα H =  xx xy  ονομάζεται μήτρα της περιορισμένης Εσσιανής.
g g2 y L L Lyz 
 1y yx yy 
 g g2 z Lzx Lzy L 
 1z zz 

Κριτήριο:
• Αν H ( x0 , y0 , z0 ) < 0 , τότε στο ( x0 , y0 , z0 ) έχουμε σημείο τοπικού μεγίστου.
• Αν H ( x0 , y0 , z0 ) > 0 , τότε στο ( x0 , y0 , z0 ) έχουμε σημείο τοπικού ελαχίστου.
• Αν H ( x0 , y0 ) = 0 , τότε το κριτήριο δεν οδηγεί σε συμπέρασμα.

Παράδειγμα: Να βρεθούν τα ακρότατα της f ( x, y, z ) = x 2 + y 2 + z 2 με τις συνθήκες x + y + z =

1 και
x+ y =
1.

Κατασκευάζουμε την συνάρτηση Lagrange:

L( x, y, z , λ ) = x 2 + y 2 + z 2 + λ1 ⋅ (1 − ( x + y + z ) ) + λ2 ⋅ (1 − ( x + y ) ) .
Υπολογίζουμε τις μερικές παραγώγους 1ης τάξης:

Lx ( x, y, z , λ1 , λ2 ) = 2 x − λ1 − λ2 , Ly ( x, y, z , λ1 , λ2 ) = 2 y − λ1 − λ2 , Lz ( x, y, z , λ1 , λ2=
) 2 z − λ1 ,
Lλ1 ( x, y, z , λ1 , λ2 ) =1 − ( x + y + z ) Lλ2 ( x, y, z , λ1 , λ2 ) =1 − ( x + y )
, .

Βρίσκουμε τα κρίσιμα σημεία που προκύπτουν από την λύση του συστήματος των μερικών
παραγώγων.

 Lx ( x, y, z , λ1 , λ2 ) = 0  2 x − λ1 − λ2 = 0  x = 1 2
   y =1 2
 Ly ( x, y, z , λ1 , λ2 ) = 0 2 y − λ1 − λ2 = 0
 
  
 z
L ( x , y , z , λ1 , λ2 ) = 0 ⇔  2 z − λ1 = 0 ⇔  ⇔  z= 0
 L ( x, y , z , λ , λ ) = 0 1 − x + y + z =  λ =0
 λ1 1 2
 ( ) 0   1
 Lλ ( x, y, z , λ1 , λ2 ) = 0  1− ( x + y) = 0   λ2 = 1
 2  .

Σελίδα 10
 0 0 g1x g1 y g1z
0 0 1 1 1
0 0 g2 x g2 y g2 z
0 0 1 1 0
g1x g2 x L L Lxz
Η Εσσιανή ορίζουσα είναι: H = xx xy = 1 1 2 0 0= 4 > 0 .
g1 y g 2 y L L Lyz 1 1 0 2 0
yx yy
g1z g 2 z Lzx Lzy L 1 0 0 0 2
zz

( x, y, z ) =  , , 0 
1 1
Συνεπώς, έχουμε σημείο τοπικού ελαχίστου στο  2 2 .
Εναλλακτικά, μπορούμε να επιλύσουμε το πρόβλημα με τη χρήση Ηλεκτρονικού Υπολογιστή (Η/Υ).

Σχήμα 7. Επίλυση μέσω Mathematica. Η τελεία αντιστοιχεί στο σημείο τοπικού ελαχίστου.
Σελίδα 11
5. Μέγιστα και Ελάχιστα με m Περιορισμούς

Για να βρούμε τα ακρότατα της συνάρτησης f ( x1 , x2 , , xn ) υπό τις συνθήκες g1 ( x1 , x2 , , xn ) = c1 ,

g 2 ( x1 , x2 , , xn ) = c2 , …, g m ( x1 , x2 , , xn ) = cm . Αρχικά κατασκευάζουμε την συνάρτηση Lagrange
, λ2 , , λm ) f ( x1 , x2 , , xn ) + λ1 ⋅ ( c1 − g1 ( x1 , x2 , , xn ) ) +  + λm ⋅ ( cm − g m ( x1 , x2 , , xn ) )
L( x1 , x2 , , xn , λ1=
και εξετάζουμε την ύπαρξη κρίσιμων σημείων για την L.

Το κριτήριο πρώτης τάξης δίνει το ακόλουθο (n+m)x(n+m) σύστημα εξισώσεων:

∂L ∂L
i 1, , n και = 0,=
= 0,= j 1, , m .
∂xi ∂λ j

Το κριτήριο δεύτερης τάξης αφορά την πλαισιωμένη Εσσιανή μήτρα διαστάσεων (n+m)x(n+m):

 0 0  0 g1x1 g1x2  g1xn 

 
 0 0  0 g 2 x1 g 2 x2  g 2 xn 
         
 
 0 0  0 g mx1 g mx2  g mxn 
 
H =  g1x  g mx1 
x1 xn 
g 2 x1 L L L .
1 x1 x1 x1 x2
 
 g1x2 g 2 x2  g mx2 L L  L 
 x2 x1 x2 x2 x2 xn 
         
 
 g1xn  g mxn 
xn xn 
g 2 xn L L L
 xn x1 xn x1

Κριτήριο:
Αν H είναι η ορίζουσα της πλαισιωμένης Εσσιανής μήτρας και οι διαδοχικές κύριες ελάσσονες

ορίζουσές της H m +1 , H m + 2 , , H m + n = H έχουν (στα σημεία στα οποία ικανοποιείται το κριτήριο

πρώτης τάξης):
1. Εναλλασσόμενα πρόσημα, με το πρόσημο της πρώτης να είναι ίδιο με το πρόσημο του
( −1)
m+1
, τότε έχω τοπικό μέγιστο.
2. Όλες το ίδιο πρόσημο με αυτό του ( −1) , τότε έχω τοπικό ελάχιστο.
m

Σελίδα 12
6. Μελέτη Ακρότατων με χρήση του H/Y

6.1 Με χρήση του Maple

Παράδειγμα: Να βρεθούν τα ακρότατα της συνάρτησης. f ( x, y )= x ⋅ y υπό την συνθήκη

x2 y 2
+ =
1.
8 2

Ορίζουμε την συνάρτηση f(x,y) (=

f : ( x, y ) → x ⋅ y ) :

>f:= (x, y)-> x * y;

 1 1 2
Ορίζουμε τον περιορισμό  g :=
1 − x2 − y :
 8 2 

>g:=1-(x^2/8+y^2/2);

  1 2 1 2 
Ορίζουμε την συνάρτηση του Lagrange  L :=xy + λ  1 − x − y  :
  8 2 

>L:= f(x, y)+λ*(g);

1 1 1
Ορίζουμε τις αναγκαίες συνθήκες ( eq1:=
y− λx =
0 , eq 2 :=x − λ y =0 , eq 3 :=
1 − x2 − y 2 =
0 ):
4 8 2

>eq1:=diff (L, x) =0;

>eq2:=diff (L, y) =0;

>eq3:=diff (L, λ) =0;

 { x =
2, y =1, ll2} , { x =
= −2, y =−1, = 2} ,  
Λύνουμε το σύστημα  soln :   :

 { x =
−2, y = 1, ll
=− 2 } , { x =2, y =− 1, =− 2} 
 

>soln:= [solve({eq1,eq2,eq3},{x, y, λ})];

  1 
  0 − x − y 
 4
 
 
Ορίζουμε την περιορισμένη Εσσιανή H := − x − a 1   :
1 1
  4 4 
  −y 
  1 − a  
  
 

H:=<<0,diff(g,x),diff(g,y)>|<diff(g,x),diff(L,x$2),diff(L,x,y)>|<diff(g,y),diff(L,x,y)>,diff(L,y$2)>;

>with(Linear Algebra):

Υπολογίζουμε την ορίζουσα:

Σελίδα 13
>H:=Determinant(H);

1 1 1
H := xy + ax 2 + ay 2
2 16 4

Υπολογίζουμε την ορίζουσα στα κρίσιμα σημεία:

>subs ({x=2, y=1, a=2}, H);

>subs ({x=-2, y=-1, a=2}, H);

>subs ({x=-2, y=1, a=-2}, H);

>subs ({x=2, y=-1, a=-2}, H);

Γενικά:

• Όνομα συνάρτησης:=(μεταβλητή1, μεταβλητή2,...)->τύπος

• Μήτρα :=<<στήλη> |<στήλη> |στήλη>>
• Diff(L, x, y)= Lxy ( x, y, λ )
• Solve (eqns, vars) = Λύνει μια εξίσωση ή ένα σύστημα εξισώσεων.
• Determinant(μήτρα) =ορίζουσα
• Subs (x=α, έκφραση) = Κάνει αντικατάσταση σε μια έκφραση.

Παράδειγμα: Να βρεθούν τα ακρότατα της f ( x, y, z ) = x 2 + 2 y − z 2 με τις συνθήκες 2 x − y =0 και

y+z =0.

Λύση:

> f:=(x,y,z)->x^2+2*y-z^2;

=
f : ( x, y , z ) → x 2 + 2 y − z 2

> g1:=2*x-y;

= 2x − y
g1:

> g2:=y+z;

g 2=: y + z

> L:=f(x,y,z)+a1*(g1)+a2*g2;

L := x 2 + 2 y − z 2 + a1( 2 x − y ) + a 2 ( y + z )

>eq1:=diff (L, x) =0;

eq1:=2 x + 2a1 =0

>eq2:=diff (L, y) =0;

eq 2 :=2 − a1 + a 2 =0

Σελίδα 14
>eq3:=diff (L, z) =0;

eq 3 :=−2 z + a 2 =0

>eq4:=diff (L, a1) =0;

eq 4 := 2 x − y = 0

>eq5:=diff (L, a2) =0;

eq 5 := y + z = 0

> soln:=[solve({eq1,eq2,eq3,eq4,eq5},{x,y,z,a1,a2})];

 2 8 2 4 4 
so ln :=
 a1 =
− , a2 =
− ,x = ,y= ,z =
− 
 3 3 3 3 3 

>H:=<<0,0,diff(g1,x),diff(g1,y),diff(g1,z)>|<0,0,diff(g2,x),diff(g2,y),diff(g2,z)>|<diff(g1,x),diff(g2,x),diff(L,
x$2),diff(L,y,x),diff(L,z,x)>|<diff(g1,y),diff(g2,y),diff(L,x,y),diff(L,y$2),diff(L,z,y)>|<diff(g1,z),diff(g2,z),diff
(L,x,z),diff(L,y,z),diff(L,z$2)>>;

0 0 2 −1 0
0 0 0 1 1 

H :=  2 0 2 0 0
 
 −1 1 0 0 0
 0 1 0 0 −2 

> with(LinearAlgebra):

> H:=Determinant(H)

H := −6

2 4 4 2 4 4
H  , , −  < 0 , τότε στο  , , −  έχουμε σημείο τοπικού μεγίστου.
3 3 3 3 3 3

Σελίδα 15
6.2 Με χρήση Λογιστικού Φύλου (Excel)

Για την επίλυση προβλημάτων βελτιστοποίησης το Excel παρέχει το πρόσθετο πρόγραμμα Solver.

Το πρόγραμμα αυτό πρέπει να ενεργοποιηθεί πρώτα από τα πρόσθετα (Add-in).

Στην συνέχεια επιλέγουμε (Tools->Solver για το Office 2003 ή Data-> Solver για το Office 2007).

Σχήμα 8. Απόσπασμα από το Λογιστικό Φύλο (Excel) κατά τη χρήση του Solver.

Σελίδα 16
7. Ομογενείς Συναρτήσεις

Ορισμός: Μια συνάρτηση f : D ⊆  n → R ⊆  ορισμένη στο ανοικτό D. Η συνάρτηση f λέγεται

ομογενής (Homogeneous) βαθμού p αν και μόνο αν f ( λ x1 , λ x2 ,..., λ xn ) = λ p f ( x1 , x2 ,..., xn ) για κάθε
λ=
∈  και x ( x1 , x2 ,..., xn ) ∈  n .
Θεώρημα (Euler):

Έστω μια συνάρτηση f : D ⊆  n → R ⊆  ομογενής βαθμού p με συνεχείς πρώτες μερικές

n
παραγώγους, τότε: ∑f
i =1
xi ⋅ xi = p ⋅ f ( x1 , x2 ,..., xn ) .

Παράδειγμα: Έστω η συνάρτηση f ( x, y, z ) = 3 x + 2 y − 4 z η συνάρτηση αυτή είναι γραμμική ομογενής

1ου βαθμού. f x ( x, y, z ) = 3 , f y ( x, y, z ) = 2 , f z ( x, y, z ) = −4 .

Πράγματι: xf x + yf y + zf z = 3x + 2 y − 4 z

Παράδειγμα: Έστω η συνάρτηση f ( x,=

y ) 2 x 2 + 4 y 2 η συνάρτηση αυτή είναι ομογενής 2ου βαθμού
(πράγματι f ( λ x, λ y ) = 2 ( λ x ) + 4 ( λ y ) = 2λ 2 x 2 + 4λ 2 y 2 = λ 2 ( 2 x 2 + 4 y 2 ) = λ 2 f ( x, y ) ).
2 2

f x ( x, y ) = 4 x , f y ( x, y ) = 8 y .

Πράγματι: xf x + yf y = x ⋅ 4 x + y ⋅ 8 y = 4 x 2 + 8 y 2 = 2 f ( x, y ) .

Παράδειγμα: Έστω η συνάρτηση f (=

x, y ) 2 x 2 y 2 − 3 y 3 x η συνάρτηση αυτή είναι ομογενής 4ου
βαθμού.
2 2 3
(
(Πράγματι f ( λ x, λ y )= 2 ( λ x ) ( λ y ) − 3 ( λ y ) λ x= 2λ 2 x 2 λ 2 y − 3λ 3 yλ x= λ 4 2 x 2 y − 3 yx = )
λ 4 f ( x, y ) ).

f x ( x=
, y ) 4 xy 2 − 3 y 3 , f y ( x=
, y ) 4x2 y − 9 y 2 x .

( ) ( )
Πράγματι: xf x + yf y = x ⋅ 4 xy 2 − 3 y 3 + y ⋅ 4 x 2 y − 9 y 2 x = 4 x 2 y 2 − 3 xy 3 + 4 x 2 y 2 − 9 y 3 x = 4 f ( x, y ) .

Σελίδα 17
 8. Μερικές Ελαστικότητες

Έστω y = f ( x1 , x2 ,..., xn ) .

∂y xi ∂ ln ( y )
=εi = .
∂xi y ∂ ln ( xi )

Η ελαστικότητα σε ένα σημείο μετράει την ποσοστιαία μεταβολή της εξαρτημένης μεταβλητής y όταν
έχω μικρή ποσοστιαία μεταβολή της ανεξάρτητης μεταβλητής xi (οι υπόλοιπες ανεξάρτητες
μεταβλητές παραμένουν σταθερές).

Παράδειγμα: Cobb-Douglas.

Συνάρτηση παραγωγής Cobb-Douglas Q = AK a Lb .

Q, K , L μεταβλητές (ποσότητα παραγωγής, ποσότητα κεφαλαίου, ποσότητα εργατικού δυναμικού)

και A > 0,0 < a, b < 1 .

Οι μερικές παράγωγοι είναι:

QK = aAK a − 1Lb .

QL = bAK a Lb − 1 .

Μερικές Ελαστικότητες:

∂Q
∂Q K
= aAK a − 1Lb= aAK a − 1Lb
Q K K
εK =
= = a.
∂K ∂K Q Q AK a Lb
K

∂Q
∂Q L
= bAK a Lb − 1= bAK a Lb − 1
Q L L
εL =
= = b.
∂L ∂L Q Q AK a Lb
L

Η συνάρτηση είναι ομογενής βαθμού a+b.

( )
Q ( λK , λ L ) = A ( λK ) ( λ L ) = Aλ a K a λ b Lb = λ a + b AK a Lb = λ a + b ⋅ Q ( K , L ) .
a b

Το θεώρημα του Euler:

( aAK a − 1Lb ) K + (bAK a Lb − 1 ) L =

AK a L .

Σελίδα 18
 1 1
Εφαρμογή: Αν Q = 10 K 2 L2 .

Οι μερικές ελαστικότητες είναι:

ε K = 0.5 .

ε L = 0.5 .

Θα βελτιστοποιήσουμε την συνάρτηση παραγωγής ως προς την συνθήκη:

4 L + 10 K =
100 .

Η Λαγκρανζιανή συνάρτηση είναι:

1 1
L( K , L
= , λ ) 10 K L + λ ⋅ (100 − (4 L + 10 K ) ) .
2 2

Αναγκαία Συνθήκη:
 − 12 12
5 L K − 4λ = 0
L K = 0  1 −1 λ = 0.79
  2 2 
L L = 0 ⇔ 5 L K − 10λ = 0 ⇔  L = 12,5
 100 − 4L=− 10K 0=
L λ = 0
 K 5

Η Εσσιανή περιορισμένη ορίζουσα είναι:

 
 0 4 10 
 
5 −3 1 5 − 12 − 12 
=H  4 − L 2K 2 L K .
2 2
 
g 5 − 12 − 12 5 12 − 32 
 y L K − LK 
 2 2 

H (12.5,5 ) > 0 , άρα έχω μέγιστο.

Σελίδα 19