Aloha :)
Gemäß Lagrange muss in einem Extremum der Gradient der zu optimierenden Funktionf(x;y;z)=x2+y2+z2eine Linearkombination der Gradienten aller konstanten Nebenbedingungeng1(x;y;z)=x2y2+z=1;g2(x;y;z)=x2+y2=2sein. Das heißt hier konkret:gradf(x;y;z)=λ1gradg1(x;y;z)+λ2gradg2(x;y;z)⎝⎛2x2y2z⎠⎞=λ1⎝⎛2xy22x2y1⎠⎞+λ2⎝⎛2x2y0⎠⎞Die Lagrange-Multiplikatoren λ1 und λ2 brauchen wir nicht zu bestimmen, denn wenn die 3 Gradienten linear abhängig sind, müssen sie in einer Ebene liegen. Das von ihnen aufgespannte 3-dimensionale Volumen muss also verschwinden. Da der Betrag der Determinate einer n×n-Matrix das n-dimensionale Volumen angibt, das die Spalten- bzw. Zeilenvektoren aufspannen, heißt unsere Forderung:0=!∣∣∣∣∣∣∣2x2y2z2xy22x2y12x2y0∣∣∣∣∣∣∣=2x⋅2x2y−2y⋅2xy2=4x3y−4xy3=4xy(x2−y2)Das führt uns auf 3 Fälle:x=0∨y=0∨x2=y2
Diese setzen wir in die Nebenbedingungen ein...
1. Fall x=01=g1(0;y;z)=z;2=g2(0;y;z)=y2Dieser Fall liefert also 2 Kandidaten für Extrema:K1(0;2;1);K2(0;−2;1)
2, Fall y=01=g1(x;0;z)=z;2=g2(x;y;z)=x2Wir erhalten 2 weiter Kandidaten für Extrema:K3(2;0;1);K4(−2;0;1)
3, Fall x2=y21=g1(x;x;z)=x4+z;g2(x;x;z)=2x2=2Aus der zweiten Bedinung folgt x=±1, sodass aus der ersten Bedingung z=0 folgt. Damit liefert dieser Fall 4 weitere Kandidaten:K5(1;1;0);K6(1;−1;0);K7(−1;1;0);K8(−1;−1;0)
Einsetzen der Werte ergibt:f(k1)=f(k2)=f(k3)=f(k4)=3f(k5)=f(k6)=f(k7)=f(k8)=2
Wir haben daher folgende Extrema gefunden:Maxima bei(0;±2;1)∨(±2;0;1)Minima bei(±1;±1;0)∨(±1;∓1;0)