Geränderte Hesse-Matrix

Die geränderte Hesse-Matrix (engl. bordered Hessian) dient zur Klassifikation von stationären Punkten bei mehrdimensionalen Extremwertproblemen mit Nebenbedingungen. Sie ist mit der „normalen“ Hesse-Matrix verwandt. Im Gegensatz zur Hesse-Matrix, welche auf positive bzw. negative Definitheit untersucht wird, ist bei der geränderten Hesse-Matrix das Vorzeichen der Determinante entscheidend.

Entscheidend ist die Vorzeichenfolge der führenden Hauptminoren, wobei gilt, dass man lediglich die k führenden Hauptminoren untersucht, für die gilt: ${\displaystyle k>2m}$ (m Anzahl der Nebenbedingungen). Untersucht man beispielsweise eine Funktion nach Variablen mit einer Nebenbedingung, muss man ${\displaystyle k>2\cdot 1\rightarrow k>2}$ betrachten, also erst die Vorzeichen ab dem 3. führenden Hauptminor (siehe auch nachfolgendes Beispiel).

Sei ${\displaystyle U\subset \mathbb {R} ^{n}}$ offen. Die Funktion ${\displaystyle f:U\rightarrow \mathbb {R} }$ sei zweimal stetig differenzierbar und sie habe in ${\displaystyle a\in U}$ ein lokales Extremum unter der Nebenbedingung ${\displaystyle F=0}$, wobei ${\displaystyle F=(F_{1},\ldots ,\,F_{m}):U\rightarrow \mathbb {R} ^{m}}$ mit ${\displaystyle m<n}$. Sei nun

${\displaystyle L(\lambda _{1},\ldots ,\,\lambda _{m},\,x):=f(x)-\sum _{i=1}^{m}\lambda _{i}F_{i}(x)}$

die Lagrange-Funktion mit der Abkürzung ${\displaystyle x}$ für ${\displaystyle x_{1},\ldots ,\,x_{n}}$. Dann versteht man unter der geränderten Hesseschen Matrix die ${\displaystyle (n+m)\times (n+m)}$-Matrix

${\displaystyle {\begin{aligned}\operatorname {\overline {H}} ({\bar {\lambda }},\,a)&:=\left({\begin{array}{cccccc}{\frac {\partial ^{2}L}{\partial \lambda _{1}^{2}}}&\ldots &{\frac {\partial ^{2}L}{\partial \lambda _{1}\partial \lambda _{m}}}&{\frac {\partial ^{2}L}{\partial \lambda _{1}\partial x_{1}}}&\ldots &{\frac {\partial ^{2}L}{\partial \lambda _{1}\partial x_{n}}}\\\vdots &\ddots &\vdots &\vdots &&\vdots \\{\frac {\partial ^{2}L}{\partial \lambda _{m}\partial \lambda _{1}}}&\ldots &{\frac {\partial ^{2}L}{\partial \lambda _{m}^{2}}}&{\frac {\partial ^{2}L}{\partial \lambda _{m}\partial x_{1}}}&\ldots &{\frac {\partial ^{2}L}{\partial \lambda _{m}\partial x_{n}}}\\{\frac {\partial ^{2}L}{\partial x_{1}\partial \lambda _{1}}}&\ldots &{\frac {\partial ^{2}L}{\partial x_{1}\partial \lambda _{m}}}&{\frac {\partial ^{2}L}{\partial x_{1}^{2}}}&\ldots &{\frac {\partial ^{2}L}{\partial x_{1}\partial x_{n}}}\\\vdots &&\vdots &\vdots &\ddots &\vdots \\{\frac {\partial ^{2}L}{\partial x_{n}\partial \lambda _{1}}}&\ldots &{\frac {\partial ^{2}L}{\partial x_{n}\partial \lambda _{m}}}&{\frac {\partial ^{2}L}{\partial x_{n}\partial x_{1}}}&\ldots &{\frac {\partial ^{2}L}{\partial x_{n}^{2}}}\end{array}}\right)({\bar {\lambda }},\,a)\\\end{aligned}}}$

bzw. bereits vereinfacht

${\displaystyle {\begin{aligned}\operatorname {\overline {H}} ({\bar {\lambda }},\,a)&:=\left({\begin{array}{cccccc}0&\ldots &0&-{\frac {\partial F_{1}}{\partial x_{1}}}&\ldots &-{\frac {\partial F_{1}}{\partial x_{n}}}\\\vdots &\ddots &\vdots &\vdots &&\vdots \\0&\ldots &0&-{\frac {\partial F_{m}}{\partial x_{1}}}&\ldots &-{\frac {\partial F_{m}}{\partial x_{n}}}\\-{\frac {\partial F_{1}}{\partial x_{1}}}&\ldots &-{\frac {\partial F_{m}}{\partial x_{1}}}&{\frac {\partial ^{2}L}{\partial x_{1}^{2}}}&\ldots &{\frac {\partial ^{2}L}{\partial x_{1}\partial x_{n}}}\\\vdots &&\vdots &\vdots &\ddots &\vdots \\-{\frac {\partial F_{1}}{\partial x_{n}}}&\ldots &-{\frac {\partial F_{m}}{\partial x_{n}}}&{\frac {\partial ^{2}L}{\partial x_{n}\partial x_{1}}}&\ldots &{\frac {\partial ^{2}L}{\partial x_{n}^{2}}}\end{array}}\right)({\bar {\lambda }},\,a)\end{aligned}}}$

mit ${\displaystyle {\bar {\lambda }}={\bar {\lambda }}_{1},\ldots ,\,{\bar {\lambda }}_{m}}$ den zugehörigen Lösungen der Hilfsgrößen.