Versione italiana
Calcolo di Insiemi di Convessità e Concavità per Funzioni di Due Variabili
Consideriamo una funzione di due variabili f(x, y). Per determinare la concavità e la convessità della funzione, utilizziamo la matrice Hessiana.
1. Definizione della Funzione
Sia f(x, y) una funzione di due variabili. Ad esempio:
f(x, y) = x^2 + y^2
2. Calcolo delle Derivate Parziali
Calcoliamo le derivate parziali seconde della funzione:
-
Derivata parziale prima rispetto a x:
f_x = \frac{\partial f}{\partial x}
-
Derivata parziale prima rispetto a y:
f_y = \frac{\partial f}{\partial y}
-
Derivata parziale seconda rispetto a x:
f_{xx} = \frac{\partial^2 f}{\partial x^2}
-
Derivata parziale seconda rispetto a y:
f_{yy} = \frac{\partial^2 f}{\partial y^2}
-
Derivata parziale mista:
f_{xy} = \frac{\partial^2 f}{\partial x \partial y}
3. Costruzione della Matrice Hessiana
La matrice Hessiana H è definita come:
H = \begin{bmatrix} f_{xx} & f_{xy} \\ f_{xy} & f_{yy} \end{bmatrix}
4. Determinante della Matrice Hessiana
Calcoliamo il determinante della matrice Hessiana:
D = f_{xx} f_{yy} - (f_{xy})^2
5. Condizioni di Convessità e Concavità
-
Convessità: La funzione f(x, y) è convessa in un punto se:
- D > 0
- f_{xx} > 0
-
Concavità: La funzione f(x, y) è concava in un punto se:
- D > 0
- f_{xx} < 0
-
Punto di sella: Se D < 0, la funzione ha un punto di sella in quel punto.
6. Esempio Pratico
Consideriamo la funzione:
f(x, y) = x^2 + y^2
Calcolo delle Derivate
- f_x = 2x
- f_y = 2y
- f_{xx} = 2
- f_{yy} = 2
- f_{xy} = 0
Costruzione della Matrice Hessiana
H = \begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}
Calcolo del Determinante
D = (2)(2) - (0)^2 = 4
Analisi della Convessità
- D > 0
- f_{xx} > 0
Quindi, la funzione f(x, y) = x^2 + y^2 è convessa in tutto il suo dominio.
English version
Calculating Convexity and Concavity Sets for Functions of Two Variables
Consider a function of two variables f(x, y). To determine the concavity and convexity of the function, we use the Hessian matrix.
1. Definition of the Function
Let f(x, y) be a function of two variables. For example:
f(x, y) = x^2 + y^2
2. Calculating Partial Derivatives
Let's calculate the second partial derivatives of the function:
- First partial derivative with respect to x:
f_x = \frac{\partial f}{\partial x}
- First partial derivative with respect to y:
f_y = \frac{\partial f}{\partial y}
- Second partial derivative with respect to x:
f_{xx} = \frac{\partial^2 f}{\partial x^2}
- Second partial derivative with respect to y:
f_{yy} = \frac{\partial^2 f}{\partial y^2}
- Mixed partial derivative:
f_{xy} = \frac{\partial^2 f}{\partial x \partial y}
3. Construction of the Hessian Matrix
The Hessian matrix H is defined as:
H = \begin{bmatrix} f_{xx} & f_{xy} \\ f_{xy} & f_{yy} \end{bmatrix}
4. Determinant of the Hessian Matrix
Let's calculate the determinant of the Hessian matrix:
D = f_{xx} f_{yy} - (f_{xy})^2
5. Convexity and Concavity Conditions
-
Convexity: The function f(x, y) is convex at a point if:
-
D > 0
-
f_{xx} > 0
-
Concavity: The function f(x, y) is concave at a point if:
-
D > 0
-
f_{xx} < 0
-
Saddle Point: If D < 0, the function has a saddle point at that point.
6. Practical Example
Let's consider the function:
f(x, y) = x^2 + y^2
Derivative Calculation
- f_x = 2x
- f_y = 2y
- f_{xx} = 2
- f_{yy} = 2
- f_{xy} = 0
Construction of the Hessian Matrix
H = \begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}
Determinant Calculation
D = (2)(2) - (0)^2 = 4
Convexity Analysis
- D > 0
- f_{xx} > 0
Therefore, the function f(x, y) = x^2 + y^2 is convex throughout its domain.
Commenti
Posta un commento