Dosen Pengampu:
Dr. Nizlel Huda, M.Kes
Dr. Jefri Marsal, M.Sc
Dr. Muslim, M.Si
Oleh:
UNIVERSITAS JAMBI
2019
BAB 5
INVERS DAN FUNGSI IMPLISIT
D(f-1)y – (Dfx)-1
Perlu dicermati bahwa formula untuk turunan dari invers lokal, dan fakta bahwa
turunan dari invers lokal adalah kontinu. Jika invers lokal f-1 dari f diketahui ada
dan dapat terdiferensiasi, maka untuk setiap x ɛ V, fakta bahwa pemetaan
identitas adalah turunannya sendiri menggabungkan dengan aturan rantai untuk
mengatakan bahwa
dan juga idn-Dfx, di mana waktu ini idn adalah pemetaan identitas pada ruang y.
Rumus terakhir dalam teorema berikut. Dalam hal matriks, rumusnya adalah
Rumus ini menggabungkan dengan Corollary 3.7.3 (entri dari matriks invers
adalah fungsi kontinu dari entri matriks) untuk menunjukkan bahwa pemetaan
terus terdiferensiasi dan invers lokal dapat terdiferensiasi, invers lokal terus
terdiferensiasi.
Jadi kita perlu menunjukkan hanya bahwa kebalikan lokal itu ada dan dapat
terdiferensiasi.
5.3 Teorema Fungsi Implisit
Pada materi-materi sebelumnya, penulisan variabel 𝑥 dan 𝑦 dalam nilai fungsi berada
pada ruas yang berbeda atau dituliskan sebagai 𝑥 = (𝑦). Fungsi yang nilai fungsinya disajikan
dalam ruas yang berbeda yaitu 𝑥 = (𝑦) disebut fungsi eksplisit.
Tentukan persamaan garis singgung di titik (3,4) pada lingkaran dengan persamaan
Penyelesaian:
Jelas
Jadi PGS di
Gambar 5.15. Tingkat ditetapkan untuk dua fungsi bernilai skalar pada R3
Gambar 5.16. Perpotongan adalah tingkat yang ditetapkan untuk pemetaan bernilai vektor
pada R3
Setara:
dalam arah nonredundant) maka Teorema Fungsi Implisit harus mengatakan bahwa level
himpunan L karena itu terlihat (n − c) -dimensi dekat p, sehingga ruang vektor ortogonal ke L
pada p adalah c-dimensi, dan vektor semacam itu memang ada kombinasi linear dari gradien.
Argumen intuitif ini bukan buktinya, tetapi untuk sekarang ini adalah heuristik yang baik.
Melanjutkan ke tahap kedua dari diskusi, sekarang anggaplah bahwa p adalah titik
kritis dari pembatasan untuk L dari beberapa fungsi C1 f: A → R. (Dengan demikian f
memiliki domain yang sama A ⊂ Rn as g.) Kemudian untuk setiap vektor satuan d
menggambarkan arah dalam L pada p, DFI derivatif arah (p) harus 0. Tetapi Ddf (p) = h∇f
(p), di, jadi ini berarti bahwa:
• ∇f (p) harus ortogonal terhadap L padahal.
Pengamatan ini menggabungkan dengan deskripsi kita tentang vektor yang paling umum
orthogonal ke L at p, di peluru ketiga di atas, untuk memberi kondisi Lagrange:
Anggaplah bahwa p adalah titik kritis dari fungsi f terbatas pada level yang diatur L
= {x: g (x) = 0c} dari g. Jika gradien ∇gimp) secara linear independen, lalu
g (p) = 0c.
Mendekati masalah terbatas dengan menyiapkan kondisi ini dan kemudian bekerja
dengan variabel baru λ1,. . . , λc terkadang lebih mudah dari yang lain metode. Λi adalah
konstanta yang berguna tetapi tidak relevan.
Diskusi ini telah menghasilkan kriteria pengali Lagrange untuk linier versi masalah
yang dibatasi. Bagian selanjutnya akan menggunakan Teorema Fungsi Tersirat untuk
menurunkan kriteria untuk yang sebenarnya dibatasi masalah, dan kemudian akan
memberikan beberapa contoh umum. Sisa dari ini bagian didedikasikan untuk contoh
spesifik,
Kembali ke contoh kedua yang belum terselesaikan di awal bagian,fungsi yang
dimaksud adalah
f(v,w, x, y, z) = v2 + w2 + x2 + y2 + z2
g1(v,w, x, y, z) = v + w + x + y + z − 1
g2(v,w, x, y, z) = v − w + 2x − y + z + 1
dan kondisi dan batasan Lagrange yang sesuai adalah (setelah menyerap a 2 ke λ, yang nilai
khususnya tidak relevan)
v+w+x+y+z=1
v - w + 2x - y + z = −1.
Ganti ekspresi dari kondisi Lagrange menjadi kendala untuk mendapatkan 5λ1 + 2λ2 = 1 dan
2λ1 + 8λ2 = −1. Itu adalah,
= =
Perhatikan betapa lebih nyaman kedua λ untuk bekerja daripada lima variabel asli. Nilai-nilai
mereka adalah tambahan untuk masalah asli, tetapi mengganti kembali sekarang memberikan
titik terdekat ke asal,
dan jaraknya dari asal adalah / 36. Contoh ini hanyalah satu contoh masalah umum
menemukan titik terdekat ke asal dalam subjek Rn untuk c kendala affine. Kami akan
menyelesaikan masalah umum di bagianselanjutnya.
Contoh dari geometri adalah Euclid’s Least Area Problem. Diberikan sebuah sudut
ABC dan titik P interior ke sudut seperti yang ditunjukkan pada gambar 5.19, garis apa
melalui P memotong dari sudut segitiga daerah terkecil?
(H, x) = λ (H - h, x - a),
(x - a) H = xh.
titik A ke titik B seperti yang ditunjukkan dalam jumlah waktu yang paling mungkin, apa itu
hubungan antara sudut α dan β? (Lihat gambar 5.22.)
Karena waktu adalah jarak kecepatan, sedikit trigonometri menunjukkan bahwa ini
masalah setara dengan meminimalkan f (α, β) = a dt α / v + b detik β / w subjek ke kendala g
(α, β) = tan α + b tan β = d. (g mengukur jarak lateral bepergian.) Kondisi Lagrange ∇f (α, β)
= λ∇g (α, β) adalah
Untuk contoh geometri analitik, biarkan fungsi f mengukur kuadrat jarak antara titik
x = (x1, x2) dan y = (y1, y2) di pesawat,
f (x1, x2, y1, y2) = (x1 - y1)2 + (x2 - y2) 2.
Perbaiki titik a = (a1, a2) dan b = (b1, b2) di pesawat, dan perbaiki bilangan positif r dan s.
Menetapkan
g1(x1, x2) = (x1 − a1)2 + (x2 − a2)2 − r2,
g2(y1, y2) = (y1 − b1)2 + (y2 − b2)2 − s2
g(x1, x2, y1, y2) = (g1(x1, x2), g2(y1, y2)).
Kemudian himpunan empat tuple (x1, x2, y1, y2) seperti itu
g′(x, y) = 2
(x1 − y1, x2 − y2, y1 − x1, y2 − x2) = λ1(x1 − a1, x2 − a2, 0, 0)− λ2(0, 0, y1 − b1, y2 − b2),
Paruh kedua dari vektor di sebelah kiri adalah inversi aditif pertama, jadi kondisi
penulisan ulang sebagai
x − y = λ1(x − a) = λ2(y − b).
Jika λ1 = 0 atau λ2 = 0 maka x = y dan keduanya λi adalah 0. Jika tidak λ1 dan λ2 adalah
bukan nol, memaksa x dan y menjadi titik-titik berbeda seperti itu
x − y k x − a k y − b,
dan jadi poin x, y, a, dan b adalah collinear. Memang, hasil ini sudah jelas geometris, tetapi
menyenangkan untuk melihat mereka mengikuti begitu mudah dari Lagrange kondisi
pengganda.Di sisi lain, tidak semua titik x dan y seperti x, y, a, dan b adalah collinear adalah
solusi untuk masalah ini.Misalnya, jika keduanya lingkaran dibelah oleh sumbu x dan tidak
ada lingkaran yang berada di dalam lingkaran lainnya x dan y bisa menjadi titik paling kiri
dari lingkaran, baik yang paling dekat maupun yang tidak pasangan terjauh.
Contoh terakhir dari bagian ini dimulai dengan memaksimalkan nilai geometrik dari
n angka non-negatif,
f(x1, . . . , xn) = (x1 · · · xn)1/n, setiap xi ≥ 0,
= 1, setiap xi ≥0.
Himpunan seperti (x1,..., Xn) -vektor kompak, menjadi bagian tertutup dari [0, n]n. Karena f
kontinyu pada domainnya [0, ∞) n, itu terus menerus pada yang dibatasi set, sehingga
dibutuhkan nilai minimum dan maksimum pada himpunan yang dibatasi. Di setiap himpunan
point yang dibatasi memiliki beberapa xi= 0, fungsi-nilai f = 0 adalah minimum. Semua poin
dibatasi lainnya, memiliki masing-masing xi> 0, terletak di interior dari domain f. Hasilnya
adalah kita dapat mengasumsikan bahwa semua xipositif dan mengharapkan metode pengali
Lagrange untuk menghasilkan nilai maksimum dari f di antara nilai-nilai yang dihasilkannya.
Terutama, jika pengganda Lagrange metode hanya menghasilkan satu nilai (seperti yang
akan) maka nilai itu harus menjadimaksimum.
Fungsi pembatasnya adalah g (x1,.... Xn) = (x1 + · · · + x n) / n, dan gradien dari f dan
gadalah
∇f(x1, . . . , xn)=
Kondisi Lagrange ∇f = λ∇g menunjukkan bahwa semua xi adalah sama, dan kendala g = 1
memaksa nilainya menjadi 1. Oleh karena itu, nilai maksimum dari mean geometrik ketika
mean aritmetik adalah 1 adalahnilainya
f(1, . . . , 1) = (1 · · · 1)1/n = 1.
Bukti. Jika ada ai = 0 maka ketidaksetaraannya jelas. Diberikan angka positif a1, . . . , an,
biarkan a = (a1 + · · · + a n) / n dan biarkan xi = ai / a untuk i = 1,. . . , n. Kemudian (x1 + · · ·
+ xn) / n = 1 dan karenanya
• himpunan terbuka ,
• penghambatpemetaan ,
• himpunan level yangsesuai
Kami berpendapat secara geometris, dan tidak sepenuhnya ketat, bahwa jika pada
dioptimalkan pada titik maka gradien adalah ortogonal terhadap L pada p. Juga,
setiap kombinasi linear dari gradien fungsi komponen g adalah ortogonal terhadap L pada p.
Kami ingin menegaskan sebaliknya, bahwa setiap vektor yang ortogonal terhadap L pada p
adalah kombinasi linear. Pernyataan sebaliknya yang diinginkan tidak selalu berlaku, tetapi
ketika itu memberikan kondisi Lagrange,
Berikut adalah justifikasi analitik yang ketat bahwa metode pengali Lagrange
biasanya bekerja. Teorema Fungsi Tersirat akan melakukan pengangkatan yang
berat, dan ini akan menegaskan kembali bahwa metode dijamin hanya jika
gradien fungsi komponen g adalah bebas linear. Teorema membuat bukti ketat
kriteria Lagrange lebih mudah dan lebih persuasif
— setidaknya menurut pendapat penulis — daripada argumen heuristik yang
diberikan sebelumnya.
pada , dan anggap bahwa matriks derivatif c-oleh-n berisi blok c-by-c
yang dapat dibalik. Kemudian kondisi berikut iniberlaku:
Buktinya akan memuncak ide-ide dalam bab ini sebagai berikut. Teorema
Fungsi Terbalik mengatakan:
Yaitu, Fungsi Implisit Teorema memungkinkan kita mengurangi pengoptimalan pada grafik
untuk optimalisasi pada domain, yang kita tahu bagaimana melakukannya.
Bukti. Kondisi kedua berlaku sejak adalah titik di . Kondisi pertama perlu dibuktikan.
Misalkan , jumlah variabel yang harus tetap bebas di bawah kendala ,
dan notatetitik sebagai dimana dan . Denganmenggunakan
notasi ini,kitamemiliki dan di mana M adalah c-by-r
dan N adalah c-by-c dan dapat dibalik. (Kita dapat mengasumsikan bahwa N adalah blok
yang dapat dibalik dalam hipotesis teorema karena kita dapat dengan bebas mengubah
variabel). Fungsi Implis Teoremamemberikanpemetaan (di mana
(Lihat gambar 5.23.) Karena domain tidak melengkung di dalamruang yang lebihbesar,
dioptimalkan oleh teknik-teknik dari bab 4. Artinya, Teoritik Fungsi Implisit telah
mengurangioptimalisasipadahimpunanmelengkunguntukoptimasidalamruangEuclidean
. Secara khusus, Teorema Titik Kritis multivariabel mengatakan bahwa memiliki titik
kritis padaa,
Tugas kita adalah untuk mengekspresikan tampilan sebelumnya dalam hal data yang
diberikan dan .
Melakukannya akan menghasilkan kondisi Lagrange.
Karena adalah komposisi, Aturan Rantai mengatakan bahwa
kondisi adalah ,atau
.
Tetapi
Kami telah melihat bahwa Kondisi Pengali Lagrange diperlukan tetapi tidak cukup untuk
nilai ekstrim. Artinya, ia dapat melaporkan positif palsu, seperti dalam masalah dua lingkaran
di bagian sebelumnya. Positif palsu bukanlah masalah serius karena memeriksa semua poin
yang memenuhi kondisi Lagrange akan menentukan mana dari mereka yang memberikan
ekstrem sebenarnya dari . Negatif palsu akan menjadi situasi yang lebih buruk, memberi
kita tidak ada indikasi bahwa nilai ekstrem mungkin ada, apalagi cara menemukannya.
Contoh berikut menunjukkan bahwa skenario negatif palsu dapat muncul tanpa blok c-by-c
yang dapat dibalikkan yang diperlukan dalam Teorema5.5.1.
Biarkan suhu di pesawat diberikan oleh Gambar 5.23. Kriteria Pengganda Lagrange dari
Teorema Fungsi Implisit
dan mempertimbangkan satu himpunan pesawat didefinisikan oleh satu kendala pada dua
variabel,
(Lihat gambar 5.24.) Karena suhu meningkat ketika kita bergerak ke kanan, titik terdingin
adalah titik paling kiri, titikpuncakpada Namun, kondisi Lagrange tidak menemukan
titik ini. Memang, fungsi penghambatadalah (yang memang memiliki
turunan terus-menerus, meskipun himpunan levelnya memiliki titik puncak: grafik dari fungsi
halus mulus, tetapi level himpunan fungsi yang halus perlu tidak mulus — inilah masalah
yang dibahas oleh Teorema Fungsi Implisit). Oleh karena itu kondisi Lagrange dan
batasannya adalah
Persamaan ini tidak memiliki solusi. Masalahnya adalah bahwa gradien di titikpuncak adalah
, dan tak satu pun dari subblocks 1-oleh-1 yang dapat dibalik.Secara
umum, Kondisi Pengali Lagrange tidak akan melaporkan negatif palsu selama kita ingat
bahwa itu hanya mengklaim untuk memeriksa ekstrema pada titik nonsingular dari , poin
sehingga memiliki sebuah c-by-c yang dapat dibalik sub block.
Ingat bahwa bagian sebelumnya membahas masalah mengoptimalkan jarak antara dua
titik di pesawat, setiap titik tergeletak di lingkaran terkait. Sekarang, sebagai contoh umum
pertama dari metode pengali Lagrange,biarkan menunjukkansepasang
titik masing-masing dari , danbiarkanfungsi mengukur kuadrat jarak antara pasangan
tersebut,
Gambar 5.24. Kurva dengan titik puncak
Yaitu, baik atau garis melalui dan normal ke tingkat pertama yang ditetapkan pada
dan normal ke tingkat kedua yang ditetapkan pada , generalisasi hasil dari masalah dua
lingkaran. Dengan hasil ini dalam pikiran, Anda mungkin ingin meninjau kembali latihan
0,0.1 dari kata pengantar ke catatanini.
Metode Lagrange multiplier umum lainnya mengoptimalkan fungsi linear atau fungsi kuadrat
yang tunduk pada kendala afinitas atau batasan kuadrat.Kami mengumpulkan hasilnya dalam
satu teorema.
Teorema 5.5.2 (Low-Degree Optimization With Constraints).
(Istilah "nilai eigen" akan dijelaskan dalam bukti.) Terutama ketika A = I, jarak
kuadrat terdekat dari asal pada permukaan kuadrat mengambil bentuk λb
di mana λ merupakan nilai eigen dari.
Bukti. (1) Data adalah (melihat vektor sebagai kolom)
Di sini kita mengasumsikan bahwa , i.e., ada lebih sedikit kendala daripada variabel.
Juga, kami mengasumsikan bahwa baris-baris M secara linier independen dalam , atau
ekivalen(memohonhasildarialjabarlinier),bahwabeberapakolomcdariMadalahbasis , atau
ekuivalen, bahwa beberapa sub-blok c-by-c M (kolom tidak selalu berdekatan) memiliki
determinan bukan nol. Kondisi Lagrange dan batasannyaadalah
Sebelum menyelesaikan masalah, kita perlu mempertimbangkan dua relasi pada tampilan
sebelumnya.
Namun, kita akan mempelajari kasus luar biasa, ketika adalah kombinasi linear dari
deretan M. Dalam kasus ini, kombinasi linear dari baris yang memberikan adalah unik
karena baris tersebut bebas linear. Artinya, ketika λ ada, ia ditentukan secaraunik.
Dengan menjadi kombinasi linear dari baris M dan dengan b menjadi kombinasi linear
dari kolom M, kondisi Lagrange dan kendala segera menunjukkan bahwa untuk setiap x
dalam himpunanterbatas,
Untuk wawasan geometrik ke dalam perhitungan, bayangkan ruang kombinasi linier dari
baris M (subruang dimensi AC dari ) sebagai bidang, dan bayangkan ruang vektor ˜x
sehingga (an (n − c ) -dimensi subruang dari ) sebagai sumbu orthogonal ke
pesawat.Kondisi mengatakan bahwa kebohongan dalam pesawat, dankondisi
mengatakan bahwa x terletak pada sumbu sejajar dengan sumbu ˜x. (Dari aljabar
linier, solusi dari Mx = b adalah vektor
di mana adalah kombinasi linear unik dari baris-baris M seperti itu = b, dan ˜x adalah
vektor apa saja yang M˜x = .) Nilai konstanta f adalah x untuk setiap x pada sumbu.
Secara khusus,nilainyaadalah di mana adalah titik di mana sumbu bertemu dengan
pesawat.
(2) Sekarang kami mengoptimalkan fungsi kuadrat yang tunduk pada kendala afinitas. Di sini
datanya
Seperti pada (1), kita mengasumsikan bahwa , dan kita mengasumsikan bahwa baris-
baris M secara linear bebas dalam , yaitu, beberapa kolom c dari M adalah basis dari ,
yaitu, beberapa sub-blok c-by-c M memiliki determinan non-nol. Dengan demikian kendala
Mx=b memiliki solusi x untuk setiap b∈ ,.
Untuk mengatur kondisi Lagrange, kita perlu membedakan fungsi kuadrat f. Hitung itu
dan perkiraan linear terbaik dari perbedaan ini adalah . Itu mengikutiitu
yang akan kita ketahui segera setelah kita menemukan kemungkinan nilai λ, tanpa perlu
mencari x. Asumsikan bahwa A dapat dibalik. Transpose kondisi Lagrange untuk
mendapatkan , dari mana x λ dan dengan demikian
λ sehingga (juga mengasumsikan bahwa matriksc-by-
c dapatdibalik) . Yaitu, nilai darif
dan untuk menemukan nilai-nilai ini, sudah cukup untuk menemukan kemungkinan nilai λ.
Dengan asumsi M dapat dibalik, kondisi Lagrange adalah aTM − 1 = λxT, dan karenanya
(Sebagai ilustrasi geometrik kecil dari masalah tanda dalam konteks ini, anggaplah bahwa
masalahmengoptimalkandemikiandiaturpadahiperboladikuadranpertamadanketigadari
pesawat
Fungsi yang akan dioptimalkan adalah untuk beberapa
berarti bahwa masalah hanya memiliki solusi ketika level himpunan memiliki kemiringan
negatif. Dalam hal ini, solusi akan berada di dua titik di mana hiperbola bersinggungan
dengan himpunan level: sepasang titik yang berlawanan, satu di kuadran pertama dan satu di
ketiga. Untuk hiperbola menghambat bergerak ke kuadran kedua dan keempat, dan
masalah memiliki solusi ketika tingkat himpunan f memiliki kemiringanpositif.)
(4) Akhirnya, kami mengoptimalkan fungsi kuadrat yang tundukpada batasan kuadrat.
Datanya adalah
Dengan kondisi Lagrange dan kendala, kemungkinan nilai optimal dari f mengambil bentuk
yang akan kita ketahui segera setelah kita menemukan kemungkinan nilai λ, tanpa perlu
mencari x. Dengan asumsi bahwa M dapat dibalik, kondisi Lagrange memberi
Dengan kata lain, x harus memenuhi kondisi yang mengalikan x dengan memberikan
kelipatan skalar x. Setiap vektor bukan nol x yang memenuhi kondisi ini disebut vektoreigen
dari . Faktor multiple skalar λ adalah nilai eigen yang sesuai. Kami akan mengakhiri
bagian ini dengan diskusi singkat tentang nilaieigen.
Nilai eigen dari matriks B persegi ditemukan oleh prosedur yang sistematis. Langkah pertama
adalah mengamati bahwa kondisi Bx = λx adalah
Karena setiap eigenvector x tidak nol menurut definisi, B −λI tidak dapat dibalik, yaitu,
Sebaliknya, untuk setiap λ ∈ R yang memenuhi persamaan ini setidaknya ada satu vektor
eigen x dari B karena persamaan memiliki solusi bukan nol. Jadi nilai eigen
adalah akar sebenarnya dari polinomial
Polinomial ini adalah polinomial karakteristik B, yang telah dibahas dalam latihan 4.7.10.
Sebagaicontoh,bagian(a)darilatihanitumencakupkasusn=2,menunjukkanbahwajika
kemudian
Karena bersifat non-negatif, semua akar dari polinomial karakteristik adalah nyata.Dan
hasil dari aljabar linear mengatakan bahwa untuk setiap n positif, semua akar dari polinomial
karakteristik dari matriks n-by-n simetris adalah nyata juga. Namun, kembali ke contoh kami,
meskipun matriks kuadrat A dan M diasumsikan simetris, produk tidakperlu.
Sebagai kasus khusus Teorema 5.5.2, bagian (4), jika A = Saya kemudian menemukan vektor
eigen dari M mencakup menemukan titik-titik permukaan kuadrat yang paling dekat dengan
asal atau paling jauh dari titik asal. Misalnya, jika n = 2 dan maka kita
pada sumbu lainnya. Dalam kasus lingkaran, matriks M adalah kelipatan skalar dari matriks
identitas, dan jadi semua vektor adalah vektor eigen yang sama dengan geometri yang semua
titiknya berjarak sama dari asal. Demikian pula jika n = 3 maka L adalah permukaan seperti
ellipsoid atau hiperboloid.