Descreva o procedimento necessário para localizar e classificar os pontos críticos de uma função de várias variáveis. Explique de que forma os candidatos iniciais são obtidos tornando o gradiente igual a 0 e como o determinante da Matriz Hessiana é empregado para classificar se os pontos encontrados são valores de máximo, mínimo ou pontos de sela.

Passo 1

O enunciado pede que eu descreva, de forma didática e passo a passo, o procedimento para:
  • localizar os pontos críticos de uma função de várias variáveis (ou seja, os candidatos a máximos, mínimos e pontos de sela);
  • classificar esses pontos usando o gradiente (igualando-o a zero) e a Matriz Hessiana (usando o seu determinante/noção de definitude).
Informações relevantes dadas pelo enunciado:
  • A função é de várias variáveis (por exemplo, f(x,y) ou f(x_1,x_2,\dots,x_n)).
  • O critério inicial para achar candidatos é resolver \nabla f = \mathbf{0}.
  • A classificação envolve a Matriz Hessiana e seu determinante/definitude para decidir se cada ponto é máximo, mínimo ou ponto de sela.

Passo 2

O que é o gradiente e por que ele nos dá candidatos a extremos (intuição):
  • Para uma função f de n variáveis, o gradiente \nabla f é o vetor das derivadas parciais:
\nabla f(\mathbf{x})=\left(\frac{\partial f}{\partial x_1}(\mathbf{x}),\;\frac{\partial f}{\partial x_2}(\mathbf{x}),\;\dots,\;\frac{\partial f}{\partial x_n}(\mathbf{x})\right).
  • Intuição: o gradiente aponta a direção de maior crescimento de f. Num ponto onde f tem um máximo ou mínimo interior, não existe direção local de crescimento ou decrescimento — logo o gradiente deve ser o vetor nulo.
  • Portanto, os pontos que satisfazem
\nabla f(\mathbf{x})=\mathbf{0}
são os candidatos (chamados de pontos críticos ou estacionários). Atenção: pontos onde algumas derivadas não existem ou pontos de fronteira também precisam de tratamento separado, mas os candidatos interiores vêm de \nabla f=0.

Passo 3

Como obter os candidatos na prática (passo a passo):
  1. Escreva explícito o gradiente de f: calcule todas as derivadas parciais \frac{\partial f}{\partial x_i}.
  2. Forme o sistema de equações
\frac{\partial f}{\partial x_1}=0,\quad \frac{\partial f}{\partial x_2}=0,\quad \dots,\quad \frac{\partial f}{\partial x_n}=0.
  1. Resolva esse sistema. Métodos úteis:
    • Isolar variáveis e substituir (substituição).
    • Se for sistema linear em variáveis, usar álgebra linear (matriz, eliminação de Gauss).
    • Usar fatoração algébrica quando aparecerem fatores comuns.
    • Verificar soluções degenera das equações (p. ex. multiplicidade).
  2. Liste todas as soluções reais \mathbf{x}^*. Cada uma é um candidato.
Dica de prova: escreva cada derivada parcial com cuidado, e sempre verifique possíveis divisões por zero ao manipular equações.

Passo 4

O que é a Matriz Hessiana e como calculá-la:
  • A Matriz Hessiana de f em \mathbf{x}, denotada por H(\mathbf{x}) ou \nabla^2 f(\mathbf{x}), é a matriz das segundas derivadas parciais:
H(\mathbf{x})=\begin{pmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_1\partial x_n}\\[6pt] \frac{\partial^2 f}{\partial x_2\partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots & \frac{\partial^2 f}{\partial x_2\partial x_n}\\[6pt] \vdots & \vdots & \ddots & \vdots\\[6pt] \frac{\partial^2 f}{\partial x_n\partial x_1} & \frac{\partial^2 f}{\partial x_n\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{pmatrix}.
  • Se f tem derivadas parciais de segunda ordem contínuas, então H é simétrica (pela igualdade dos mistas: \frac{\partial^2 f}{\partial x_i\partial x_j}=\frac{\partial^2 f}{\partial x_j\partial x_i}).]

Passo 5

Por que a Hessiana classifica pontos (intuição via expansão de Taylor):
  • Para um ponto crítico \mathbf{x}^* com \nabla f(\mathbf{x}^*)=\mathbf{0}, a expansão de Taylor em torno de \mathbf{x}^* dá (usando \mathbf{h}=\mathbf{x}-\mathbf{x}^*):
f(\mathbf{x}^*+\mathbf{h}) \approx f(\mathbf{x}^*) + \frac{1}{2}\mathbf{h}^T H(\mathbf{x}^*) \mathbf{h} + \text{o}(\|\mathbf{h}\|^2).
  • A forma quadrática \frac{1}{2}\mathbf{h}^T H \mathbf{h} determina se f sobe em todas as direções (mínimo), desce em todas (máximo) ou sobe em algumas e desce em outras (sela).
  • Assim, a classificação reduz-se a analisar o sinal da forma quadrática associada a H(\mathbf{x}^*), isto é, a definitude da matriz Hessiana naquele ponto.

Passo 6

Caso típico: função de duas variáveis f(x,y) — teste com o determinante da Hessiana
  • Para f(x,y), a Hessiana é a matriz 2\times2:
H=\begin{pmatrix} f_{xx} & f_{xy}\\[4pt] f_{yx} & f_{yy} \end{pmatrix},
onde f_{xx}=\frac{\partial^2 f}{\partial x^2}, f_{xy}=\frac{\partial^2 f}{\partial x\partial y}, etc.
  • Defina o discriminante (determinante) da Hessiana:
D = \det(H) = f_{xx}f_{yy} - (f_{xy})^2.
  • Regras de classificação (no ponto crítico (x^*,y^*), avaliando as segundas derivadas nesse ponto):
    • Se D>0 e f_{xx}>0 então (x^*,y^*) é mínimo local.
    • Se D>0 e f_{xx}<0 então (x^*,y^*) é máximo local.
    • Se D<0 então (x^*,y^*) é ponto de sela.
    • Se D=0 o teste é inconclusivo (pode ser mínimo, máximo ou sela; é preciso analisar termos de ordem superior ou outra técnica).
Explicação curta do motivo: para 2\times2 a forma quadrática \mathbf{h}^T H \mathbf{h} pode ser analisada facilmente e o sinal da sua expressão leva às condições acima.]

Passo 7

Extensão a n variáveis: como classificar via Hessiana
  • Em dimensão n, a classificação exige determinar se H(\mathbf{x}^*) é:
    • positiva definida \Rightarrow mínimo local;
    • negativa definida \Rightarrow máximo local;
    • indefinida \Rightarrow ponto de sela;
    • semi-definida ou inconclusiva \Rightarrow preciso analisar além da segunda ordem.
  • Métodos práticos para verificar a definitude:
    1. Verificar os autovalores de H:
      • Se todos os autovalores são >0 \Rightarrow positiva definida.
      • Se todos os autovalores são <0 \Rightarrow negativa definida.
      • Se alguns positivos e alguns negativos \Rightarrow indefinida.
      • Para matrizes de tamanho maior que 2, este é o critério mais direto, mas às vezes envolve cálculo de raízes de polinômios.
    2. Critério de Sylvester (para matrizes simétricas):
      • Para positiva definida, todos os menores principais da matriz (os determinantes das submatrizes obtidas tomando os primeiros k renglões e colunas) devem ser positivos.
      • Para negativa definida, os sinais desses menores principais devem alternar: \det_1<0, \det_2>0, \det_3<0, e assim por diante (dependendo da convenção de índice). Observe que esse critério só é prático quando se consegue calcular esses determinantes facilmente.
  • Se a Hessiana for singular (autovalor zero) ou semi-definida, o teste de segunda ordem é inconclusivo e é necessário analisar termos superiores na expansão de Taylor ou aplicar outras técnicas (direções específicas, restrições, etc.).

Passo 8

Casos especiais e observações importantes para a prova
  • Pontos de fronteira/domínio: se a função está definida em um conjunto com fronteira, os extremos podem ocorrer na fronteira. Nesses casos, avalia-se as restrições (por exemplo, usar Lagrange multipliers para restrições ligadas).
  • Pontos onde derivadas não existem: um ponto crítico pode ocorrer onde \nabla f não está definido; tais pontos devem ser verificados separadamente.
  • Se D=0 (em 2 variáveis) ou Hessiana singular (em n variáveis), testar direções específicas: escolher vetores \mathbf{h} e verificar o sinal de \frac{1}{2}\mathbf{h}^T H \mathbf{h} ou examinar termos de ordem maior na expansão de f.
  • Sempre confirme que os pontos achados pertencem ao domínio da função.

Passo 9

Estratégia prática para fazer isso rápido e sem erro na prova
  1. Calcule \nabla f com cuidado; escreva cada derivada parcial numa linha.
  2. Resolva o sistema por eliminação/substituição; tente fatorar se aparecer polinômio comum.
  3. Liste os candidatos e para cada um calcule todas as segundas derivadas e forme H.
  4. Em duas variáveis use rapidamente D=f_{xx}f_{yy}-(f_{xy})^2 e aplique as regras do Passo 6.
  5. Em mais variáveis, se n pequeno (3 ou 4), o critério de Sylvester pode ser mais rápido que achar autovalores; para funções simples, os autovalores às vezes saem fáceis. Se for impossível decidir, declare que é inconclusivo e proponha analisar termos superiores.
  6. Não esquecer de checar fronteira/derivadas inexistentes se o domínio exigir.

Passo 10

Exemplo 1 (função simples onde tudo funciona): f(x,y)=x^2+y^2
  • Gradiente:
\nabla f=(2x,2y).
  • Resolver \nabla f=\mathbf{0} 2x=0,\;2y=0 então candidato (0,0).
  • Hessiana:
H=\begin{pmatrix} f_{xx} & f_{xy}\\[4pt] f_{yx} & f_{yy}\end{pmatrix} =\begin{pmatrix} 2 & 0\\[4pt] 0 & 2\end{pmatrix}.
  • Determinante D=2\cdot2-0^2=4>0 e f_{xx}=2>0 logo, por regras do Passo 6, (0,0) é mínimo local (na verdade global para esta função).
  • Intuição: função é soma de quadrados, só pode crescer a partir de (0,0).]

Passo 11

Exemplo 2 (sela): f(x,y)=x^2-y^2
  • Gradiente:
\nabla f=(2x,-2y).
  • Resolver \nabla f=\mathbf{0} x=0,\;y=0 candidato (0,0).
  • Hessiana:
H=\begin{pmatrix} 2 & 0\\[4pt] 0 & -2\end{pmatrix}.
  • Determinante D=2\cdot(-2)-0^2=-4<0. Pelo critério do Passo 6, (0,0) é ponto de sela.
  • Intuição: em direção do eixo x a função sobe, em direção do eixo y ela desce.]

Passo 12

Exemplo 3 (caso inconclusivo): f(x,y)=x^2+2xy+y^2=(x+y)^2
  • Gradiente:
\nabla f=(2x+2y,\;2x+2y).
  • \nabla f=\mathbf{0} 2x+2y=0 ou y=-x. Assim todos os pontos na linha y=-x são críticos (infinitos candidatos).
  • Hessiana:
H=\begin{pmatrix} 2 & 2\\[4pt] 2 & 2\end{pmatrix}.
  • Determinante D=2\cdot2-2^2=0 — teste inconclusivo.
  • Observação: como f=(x+y)^2\ge0 e é zero quando y=-x, cada ponto da linha y=-x é na verdade um mínimo (mínimo “degenerado”). Para decidir isso precisamos reconhecer a forma quadrática ou reescrever f. Este exemplo mostra que quando D=0 convém examinar a forma explícita de f.]

Resposta

  1. Calcular o gradiente \nabla f(\mathbf{x}) e resolver o sistema \nabla f(\mathbf{x})=\mathbf{0} para obter os pontos críticos candidatos.
  2. Para cada candidato, calcular a Matriz Hessiana H(\mathbf{x}^*).
  3. Em duas variáveis usar D=f_{xx}f_{yy}-(f_{xy})^2: se D>0 e f_{xx}>0 então mínimo; se D>0 e f_{xx}<0 então máximo; se D<0 então sela; se D=0 inconclusivo.
  4. Em n variáveis verificar a definitude de H (autovalores todos positivos = mínimo; todos negativos = máximo; sinais mistos = sela). Usar autovalores ou o critério de Sylvester (menores principais) conforme for mais prático.
  5. Quando Hessiana singular ou D=0, analisar termos de ordem superior ou estudar direções específicas; não esquecer de verificar fronteiras e pontos onde derivadas não existem.

Exercícios relacionados