Экстремумы функции нескольких переменных, необходимые условия экстремума, формулировка достаточных условий. Минимаксы. Условные экстремумы, необходимое условие условного экстремума, метод множителей Лагранжа. Метод наименьших квадратов.

На изображении представлен список вопросов или тем для изучения. Так как конкретного задания (вычислить, доказать, решить) нет, я кратко раскрою суть каждого пункта: 7. **Экстремумы функции нескольких переменных** - **Необходимое условие:** Если функция $f(x_1, x_2, ..., x_n)$ имеет экстремум в точке, то все её частные производные первого порядка в этой точке равны нулю: $\frac{\partial f}{\partial x_i} = 0$. Такие точки называют критическими (стационарными). - **Достаточное условие (для двух переменных):** Нужно найти вторые производные и составить определитель матрицы Гессе (дискриминант $D = AC - B^2$). Если $D > 0$ — экстремум есть (при $A > 0$ — минимум, при $A < 0$ — максимум). Если $D < 0$ — экстремума нет (седловая точка). - **Минимаксы:** Это точки, которые являются одновременно минимумом по одному направлению и максимумом по другому (седловые точки). 8. **Условные экстремумы и метод Лагранжа** - Используется, когда нужно найти экстремум функции $z = f(x, y)$ при условии связи $\varphi(x, y) = 0$. - **Метод множителей Лагранжа:** Составляется вспомогательная функция $L(x, y, \lambda) = f(x, y) + \lambda \cdot \varphi(x, y)$. Нахождение экстремума сводится к поиску стационарных точек функции $L$, для чего решается система уравнений, где частные производные по $x, y$ и $\lambda$ равны нулю. 9. **Метод наименьших квадратов (МНК)** - Применяется для построения эмпирической зависимости (линии), которая наилучшим образом описывает экспериментальные данные. - **Суть:** Минимизируется сумма квадратов отклонений экспериментальных значений от теоретических: $S = \sum (y_i - f(x_i))^2 \to \min$. Для линейной зависимости $y = ax + b$ параметры $a$ и $b$ находятся из системы нормальных уравнений.