Curs 2

I Extreme locale pentru funcții de mai multe variabile

II Metoda celor mai mici pătrate

I Extreme locale pentru funcții de mai multe variabile

Definiţie (punct de maxim/minim local)

Fie funcţia f : A  R2→ R, (a,b) A. Punctul (a,b) se numește punct de maxim local (respectiv
minim local) dacă există o vecinătate V(a,b) a lui (a,b) astfel încât oricare ar fi (x,y) V(a,b) are
loc inegalitatea:

f(x,y) ≤ f(a,b) (respectiv f(x,y) ≥ f(a,b)).

Dacă (a,b) este un punct de maxim sau de minim local, atunci (a,b) se numește punct de extrem
local al funcţiei f.

Dacă inegalităţile de mai sus sunt verificate pe tot domeniul de definiţie A, spunem că (a,b) este
punct de maxim (respectiv minim) global al funcţiei f.

Propoziție

Dacă (a,b) A  R2este un punct de extrem local pentru funcția f : A  R2→ R și există f x

și f y pe o vecinătate V(a,b) A, atunci f x(a, b) = 0 și f y(a, b) = 0 .

Definiție (punct staționar sau punct critic)

Fie funcția f : A  R2→ R, (a,b) A. Dacă f x(a, b) = 0 și f y(a, b) = 0 , atunci (a,b) se numește
punct staționar (sau punct critic) pentru f.

Teoremă. Fie f : A  R2 → R şi (a, b) un punct staţionar al funcţiei f. Presupunem că f

admite derivate parţiale de ordinul doi, continue pe o vecinătate V(a,b) a punctului (a, b). Fie
matricea hessiană asociată lui f în (a,b):


f (a, b ) f (a, b ) 
'' ''

H (a, b ) = 
2
x xy
.
 f (a, b ) (a, b ) 
'' ''

 yx
f y2 

Calculăm minorii: ∆1= f x''2 (a, b) , ∆2=det H(a,b).

1
Discuție:

• Dacă ∆2 >0 și ∆1 ≠ 0 atunci (a, b) este punct de extrem local, şi anume:

- punct de minim local, dacă ∆1 > 0

- punct de maxim local, dacă ∆1 < 0 .

• Dacă ∆2< 0 și ∆1 ≠ 0 , atunci (a, b) nu este punct de extrem local (se numește punct șa).

Algoritmul de determinare a punctelor de extrem local ale unei funcții de două variabile
constă în următorii pași:
1. Determinăm punctele staționare, adică soluțiile sistemului:
 f x' ( x, y ) = 0
 .
 '
 y
f ( x , y ) = 0

2. Stabilim care din punctele staționare sunt puncte de extrem local.

Calculăm H(a,b) - hessiana în fiecare punct staționar (a,b), apoi calculăm minorii ∆1 și ∆2
și aplicăm discuția de mai sus pentru fiecare punct staționar.

Algoritm de determinare a punctelor de extrem local ale funcţiei f : A  Rn → R

Acest algoritm se aplică pentru mulţimea punctelor în care funcţia f este diferenţiabilă şi admite
derivate parţiale de ordinul doi continue într-o vecinătate a punctelor respective.

 f ' ( x , x ,..., x ) = 0
 x1 1 2 n
 f ' ( x , x ,..., x ) = 0
1. Determinăm punctele staţionare, care sunt soluţiile sistemului:  x2 1 2 n
.....................................
 '
 f xn (x1 , x 2 ,..., x n ) = 0

2. Stabilim care dintre punctele staţionare sunt puncte de extrem local.

Pentru fiecare punct staţionar P (a1, a2 ,…, an) calculăm matricea hessiană:

 f ''2 (a ,.., a ) f x''1 x2 (a1,.., an ) . . . . . . . . f x''1 xn (a1,.., an ) 

 x1 1 n
 '' 
 f x2 x1 (a1,.., an ) f x22 (a1,.., an ) . . . . . . . . . f x2 xn (a1,.., an ) 
'' ''
H (a1, a2 ,..., an ) =  
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
 '' 
f (a ,.., an ) f x''n x2 (a1,.., an ) . . . . . . . . . f x''2 (a1,.., an ) 
 xn x1 1 n 

şi minorii acesteia ∆1, ∆2 ,…, ∆n, unde ∆i este minorul format din primele i linii şi i coloane ale
matricei H (a, b).

2
Discuţie:

• Dacă toţi minorii ∆i > 0 , atunci P (a1, a2 ,…, an) este punct de minim local.
• Dacă minorii ∆i alternează ca semn, începând cu minus, atunci P (a1, a2 ,…, an) este punct de
maxim local.
• Orice altă combinaţie de semne, cu ∆i  0, implică P (a1, a2 ,…, an) punct şa.

Exemple

1. Să se determine punctele de extrem local ale funcţiei f : R2→ R , f (x, y) = 2x2 + y3 – 6

xy +1.

Rezolvare:

 f ( x, y ) = 0 '
1. Determinăm punctele staţionare, adică soluţiile sistemului:  x
 f y ( x, y ) = 0
'

f x' ( x, y ) = 4 x − 6 y
f y' ( x, y ) = 3 y 2 − 6 x

Rezultă sistemul:

4 x − 6 y = 0 2 x − 3 y = 0 x = 3 y

 2  2  2
3 y − 6 x = 0  y − 2 x = 0  y 2 − 3 y = 0


Din a doua ecuaţie obţinem y1= 0, y2= 3 de unde, prin înlocuire în prima relaţie, rezultă x1= 0,
x2= 9/2.

Am obţinut punctele staţionare: P1(0, 0), P2 (9/2, 3)

2. Stabilim care dintre punctele staţionare sunt puncte de extrem local.


f ( x, y ) f (x, y ) 
'' ''

H ( x, y ) = 
x2 xy

 f ( x, y ) f (x, y ) 
'' ''

Scriem matricea hessiană:  yx y 2

  ;
'
 '

f x''2 (x, y ) = f x' (x, y ) 'x = 4 x − 6 y 'x = 4 f xy (x, y ) = f x (x, y ) y = 4 x − 6 y  y = −6 = f yx (x, y )
'' ' ''
;

   
f y''2 (x, y ) = f y' (x, y ) 'y = 3 y 2 − 6 x 'y = 6 y

3
  4 −6 
H ( x, y ) =  
− 6 6 y  .

Matricea hessiană în P1(0, 0):

 4 − 6 4 −6
H (0, 0) =     1 = 4  0,  2 = = 4  0 − (−6)  (−6) = −36  0 , deci P1 (0,0) este
− 6 0 −6 0
punct şa.

Matricea hessiană în P2 (9/2, 3):

( )  4
H 92 , 3 = 
−6
  1 = 4  0,  2 =
4 −6
= 36  0
− 6 18  − 6 18 , deci P2 (9/2, 3) este punct de
minim local.

2. Să se determine punctele de extrem local ale funcţiei f : R3→ R , f (x, y,z) = x2 + y2 + z2-
2x-4y-8z.

Rezolvare:

1. Determinăm punctele staţionare, adică soluţiile sistemului:

 f x' ( x, y, z ) = 0 2 x − 2 = 0 x = 1
 '  
 f y ( x , y , z ) = 0  2 y − 4 = 0   y = 2
 ' 2 z − 8 = 0 z = 4
 f z ( x, y , z ) = 0  

f x' ( x, y, z ) = 2 x − 2
f y' ( x, y, z ) = 2 y − 4
f z' ( x, y, z ) = 2 z − 8

Punct staționar: A(1,2,4)

2. Stabilim natura punctului staţionar A(1,2,4).

 f ''2 ( x, y, z ) f xy'' ( x, y, z ) f xz'' ( x, y, z )   2 0

 x 0
 
H ( x, y, z ) =  f yx'' ( x, y, z ) f y''2 ( x, y, z ) f yz'' ( x, y, z )  =  0 2 0
 
 f ' ' ( x, y , z )  2 
 zx f zy'' ( x, y, z ) f z''2 ( x, y, z )   0 0

4
f x''2 ( x, y, z ) = 2 ; f y 2 ( x, y, z ) = 2 ; f z''2 ( x, y, z ) = 2 ; f xy'' ( x, y, z ) = 0 = f yx'' ( x, y, z ) ;
''

f xz'' ( x, y, z) = 0 = f zx'' ( x, y, z ) ; f xy ( x, y, z ) = 0 = f yx ( x, y, z ) ; f yz ( x, y, z ) = 0 = f zy ( x, y, z )
'' '' '' ''

2 0 0
 
H (1, 2, 4) =  0 2 0
0 2 
 0

∆1 = 2 > 0, ∆2 = 4 > 0, ∆3 = 8> 0, deci P1(1, 2, 4) este punct de minim local.

II METODA CELOR MAI MICI PĂTRATE (MCMMP)

Planificarea şi implementarea deciziilor sunt unele dintre principalele sarcini ale managerilor.
Previziunea (prognoza) fundamentată ştiinţific are o importanţă vitală în planificare. Metoda
celor mai mici pătrate este o metodă utilizată în analiza de prognoză a unui fenomen economic.

DECIZIE: Hotărâre luată în urma examinării unei probleme, a unei situații etc., soluție adoptată
(dintre mai multe posibile);

PROGNOZĂ: previziune, anticipare a desfășurării în viitor a unor fenomene și procese din

domeniul economiei, tehnologiei, științei, societății în ansamblul ei etc., plecând de la experiența
anterioară și folosind metode și tehnici necesare obținerii de cunoștințe privind evoluția acestora
într-o perspectivă mai îndepărtată.

A AJUSTA: a adapta, a potrivi, a aproxima

Metoda celor mai mici pătrate prin ajustare liniară

Fie n perechi de valori (x1, y1) ..., (xn, yn) obținute în urma măsurătorilor unei mărimi, de exemplu
evoluția unui fenomen economic yi (profit, încasări, producție, cifra de afaceri etc.) în timp xi
(ani, luni, trimestre etc.). Aceste valori pot fi ordonate sub forma unui tabel:
xi x1 x1 ... xn

yi y1 Y2 ... Yn

Reprezentăm grafic în R2 punctele de coordonate (x1, y1), ..., (xn, yn ) care formează norul de
puncte. Observăm în jurul cărei curbe se concentrează norul de puncte (adică ce tip de curbă se
poate trasa prin/printre aceste puncte). Această curbă se reprezintă matematic printr-o funcție
f(x), numită funcție de prognoză (sau de ajustare).

5
Dacă intuim că această curbă este o dreaptă, atunci aceasta se definește prin f(x)=ax+b, iar f(x)
se numește funcție de prognoză (sau de ajustare) liniară, unde a și b sunt numere reale numite
parametri.

Observație. Există funcții de ajustare neliniare, de exemplu:

• Ajustare parabolică: f ( x) = ax2 + bx + c

• Ajustare hiperbolică: f ( x) = a + bx ; cu notaţia z = 1 se ajunge la o ajustare liniară.
x

Dar este posibil să trasăm numeroase drepte printr-un nor de puncte. Care este cea mai bună
dreaptă care descrie comportamentul datelor ? Dacă estimăm parametrii a și b prin metoda celor
mai mici pătrate (MCMMP), atunci definim funcția de două variabile reale a și b, notată F(a,b)
numită suma pătratelor erorilor:
n n
F (a, b) =   f ( xi ) − yi  =  axi + b − yi 
2 2

i =1 i =1

și punem condiţia ca F(a,b) să fie minimă. F(a,b) este minimă atunci când derivatele parțiale ale
lui F în raport cu a, respectiv b sunt egale cu zero:

 ' n

 Fa (a, b) = 2 (axi + b − yi )xi = 0

 i =1
 n
 F ' (a, b) = 2 (ax + b − y ) = 0.
 b 
i =1
i i

Obținem sistemul (numit sistemul de ecuații normale ale lui Gauss):

 n 2 n n

a  xi + b xi −  xi yi = 0
 i =1 i =1 i =1
 n n
a x + nb − y = 0
 
i =1
i 
i =1
i

Rezolvăm sistemul, adică determinăm parametrii a și b, apoi aflăm valoarea fenomenului

economic prognozat.

Exemplu:

Valoarea profitului înregistrat de un agent economic în ultimii 5 ani, exprimat în mil. lei, a fost
după cum urmează:
AN 2014 2015 2016 2017 2018

PROFIT (mil. lei) 6 7 9 10 11

6
Să se realizeze o prognoză a profitului pentru anul 2020 prin ajustare liniară.

Rezolvare:

Tabelul precedent poate fi reprezentat (cu n=5 observații succesive) sub forma
xi -2 -1 0 1 2

yi 6 7 9 10 11

Considerăm funcţia de ajustare liniară f ( x) = ax + b (profit în funcție de an).

Suma pătratelor erorilor este definită de funcţia:

5 5
F (a, b) =   f ( xi ) − y i  =  axi + b − y i 
2 2

i =1 i =1

Punem condiţia ca suma pătratelor erorilor să fie minimă şi avem:

 Fa' (a, b) = 0
 '
 Fb (a, b) = 0

 ' 5
 5 2
 Fa (a, b) = 2  (axi + b − yi )xi ; rezultă sistemul:
5 5

a  x i + b  x i −  x i y i = 0
 i =1  i =1 i =1 i =1
  5 5
 F ' (a, b) = 2 5 (ax + b − y ) a x + 5b − y = 0
 b  i i   i  i
 i =1 i =1 i =1

xi yi xi2 xi y i

-2 6 4 -12

-1 7 1 -7

0 9 0 0

1 10 1 10

2 11 4 22

5 5 5 5

 xi = 0 y i = 43  xi2 = 10 x y i 1 = 13
i =1 i =1
i =1 i =1

Sistemul devine:

10  a + 0  b = 13 a = 1,3
 
0  a + 5  b = 43 b = 8,6

7
Am obţinut dreapta de ajustare f ( x) = 1,3x + 8,6 .

Profitul prognozat pe anul 2020 (modelat x = 4) şi rezultă f (4) = 13,8 milioane lei.

Exerciții

1.Să se determine punctele de extrem local ale funcției:

𝟏
a) f : R2→ R , 𝒇(𝒙, 𝒚) = − 𝟑 𝒙𝟑 + 𝟒𝒙𝒚 − 𝟑𝒙 − 𝟐𝒚𝟐 + 𝟏;

R: A(1,1) punct șa, B(3,3) punct de maxim local

𝟏
b) f : R2→ R, 𝒇(𝒙, 𝒚) = 𝒙𝟑 − 𝒙𝒚 − 𝟐𝒙 + 𝟐 𝒚𝟐 + 𝟏;

2 2
R: A(1,1) punct de minim local, 𝐵 (− 3 , − 3) punct șa

c) f : R2→ R , f(x,y)=x3+y3-12x-3y+9;

R: A(2,1) punct de minim local

B(2,-1) punct șa

C(-2, 1) punct șa

D(-2,-1) punct de maxim local

𝟏 𝟏
d) f : R2→ R , 𝒇(𝒙, 𝒚) = 𝟑 𝒙𝟑 + 𝟑 𝒚𝟑 − 𝟗𝒙 − 𝟒𝒚 + 𝟐;

R: A(3,2) punct de minim local

B(3,-2) punct șa

C(-3, 2) punct șa

D(-3,-2) punct de maxim local

e) f : R3→ R , f(x,y,z)=x2+y2+z2-xy-x-2z;
2 1
R: 𝐴 (3 , 3 , 1) punct de minim local

f) f : R2→ R , f(x,y)=6x2y+2y3-45x-51y+7.
3 5
R: 𝐴 (5 , 2) punct de minim local

5 3
𝐵 (2 , 2) punct șa

8
 3 5
𝐶 (− 2 , − 2) punct de maxim local

5 3
𝐷 (− 2 , − 2) punct șa.

2. Vânzările unui produs (în u.m.) au înregistrat următoarele valori pe ultimii 3 ani:
AN 2017 2018 2019

Vânzări (u.m.) 10 12 16

Să se estimeze volumul vânzărilor pe anul 2020 utilizând o funcție de ajustare liniară.

R: 56/3≈18,6 u.m.

3. Profitul unei firme (în mil. u.m.) s-a înregistrat astfel:

AN 2016 2017 2018 2019

PROFIT (mil. lei) 8 5 6 10

Să se estimeze profitul pe anul 2020 prin ajustare liniară.

R: f(x)=0,7x+5,5; f(5)=9.

4. Profitul unei firme (în mil. u.m.) s-a înregistrat astfel:

AN 2015 2016 2017 2018 2019

PROFIT (mil. lei) 6 9 10 13 16

Să se estimeze profitul pe anul 2020 prin ajustare liniară.

R: f(x)=2,4x+10,8; f(3)=18.