MENU
  1. トップ
  2. 基礎体系
  3. 基礎数学
  4. 【基礎 数学】Module 5: 最大・最小値問題の探求

【基礎 数学】Module 5: 最大・最小値問題の探求

当ページのリンクには広告が含まれています。

【概要】

数学が現実世界の問題解決に貢献する最も直接的な形の一つが、最適化、すなわち「最も良い」状態を探求する営みです。その核心に位置するのが最大値・最小値問題です。与えられた制約の中で、ある量を最大化または最小化するにはどうすればよいか。この問いは、物理学におけるエネルギー最小の原理から、経済学における利益最大化、工学における資源効率の最適化まで、あらゆる分野に共通する根源的なテーマです。本モジュールでは、この最大・最小値問題という壮大な山脈を踏破するための、体系的な登山技術を学びます。まず、微分法という万能かつ強力なロープを用いて、ほとんどの地形に対応できる普遍的な登頂ルートを確立します。次に、二次関数、三角関数、相加・相乗平均といった、特定の状況下で絶大な威力を発揮する特殊装備（解法）を習得します。最後に、これらの技術を駆使して、幾何学的な制約や線形計画法といった、より具体的で応用的な問題群に挑みます。本稿を終えるとき、あなたは単なる道具の使い手ではなく、地形（問題構造）を読み解き、最適なルート（解法）を自ら選択できる、熟練の登山家（戦略的思考家）となっているでしょう。

目次

1. 最大・最小問題の基本定理：微分法による統一的アプローチ

様々な顔を持つ最大・最小問題ですが、その多くを統一的に扱うことができる、極めて強力な基本定理が存在します。それは、微分法を応用したアプローチです。関数の「変化率」を捉える微分は、関数の値が最大または最小となる「変化が止まる点」を特定する上で、決定的な役割を果たします。

1.1. なぜ「微分」が最強のツールなのか？

  • 変化の可視化:
    • Module 4で学んだように、関数 y=f(x) の導関数 f′(x) は、グラフ上の点 x における接線の傾きを表します。
    • f′(x)>0 の区間では、接線の傾きが正であり、関数は増加しています。
    • f′(x)<0 の区間では、接線の傾きが負であり、関数は減少しています。
  • 「変化が止まる点」の特定:
    • 関数が増加から減少に転じる山（極大）や、減少から増加に転じる谷（極小）では、その瞬間、グラフは水平になります。つまり、接線の傾きが0になります。
    • したがって、f′(x)=0 となる点を探すことは、最大・最小値の候補となる「山の頂」や「谷の底」の位置を特定する、極めて有効な手段となります。
    • 微分法は、見た目ではわからない複雑な関数の増減の様子を、導関数の符号という客観的な指標によって完全に「見える化」してくれるのです。

1.2. 極値と最大・最小値の違い

ここで、極めて重要な用語の区別を明確にしておく必要があります。

  • 極値 (Local Extrema):
    • 極大値: 関数が増加から減少に転じる点の値。その点の「ごく近傍」においては最大値ですが、関数全体での最大値とは限りません。山の頂。
    • 極小値: 関数が減少から増加に転じる点の値。その点の「ごく近傍」においては最小値ですが、関数全体での最小値とは限りません。谷の底。
    • これらを総称して極値と呼びます。
  • 最大値・最小値 (Global Extrema):
    • 最大値: 定義域全体で、関数がとりうる最も大きい値。
    • 最小値: 定義域全体で、関数がとりうる最も小さい値。
  • 候補地の関係:
    • ある関数の最大値・最小値は、どこに現れる可能性があるでしょうか？それは、極値をとる点、または、定義域に端がある場合は定義域の端点です。
    • 例えば、山の連なる風景を想像してください。最も標高が高い地点は、どこかの山の頂上（極大値）か、あるいは考えている範囲の端っこかもしれません。最も低い地点も同様に、どこかの谷の底（極小値）か、範囲の端っこです。
    • この認識が、次の普遍的アルゴリズムの土台となります。

1.3. 最大・最小値を求める普遍的アルゴリズム (Topic 40, 41の統合)

関数 f(x) の定義域が [a,b] で与えられている場合の最大値・最小値を求める手順は、以下のアルゴリズムに集約されます。

  1. 導関数を計算する:
    • f′(x) を求めます。
  2. 極値の候補を求める:
    • 定義域内で f′(x)=0 となる x の値（臨界点, Critical Point）をすべて求めます。
  3. 候補のリストアップ:
    • 最大値・最小値の候補となるのは、以下の点の y 座標です。
      • [a] 定義域の端点: f(a),f(b)
      • [b] 極値をとる点: Step 2 で求めた各 x に対する f(x) の値
  4. 比較・決定:
    • Step 3 でリストアップしたすべての値を比較し、その中で最も大きいものを最大値、最も小さいものを最小値として結論付けます。
    • 増減表を作成すると、このプロセス全体が視覚的に整理され、計算ミスを防ぐのに役立ちます。

例: 関数 f(x)=x3−3×2+1 の区間 [−1,4] における最大値・最小値を求める。

  1. 導関数: f′(x)=3×2−6x=3x(x−2)
  2. 臨界点: f′(x)=0 より、x=0,2。どちらも定義域 [−1,4] 内にある。
  3. 候補リスト:
    • 端点:
      • f(−1)=(−1)3−3(−1)2+1=−1−3+1=−3
      • f(4)=43−3(4)2+1=64−48+1=17
    • 極値:
      • f(0)=03−3(0)2+1=1 （極大値）
      • f(2)=23−3(2)2+1=8−12+1=−3 （極小値）
  4. 比較・決定:
    • 候補値は {−3,17,1,−3}。
    • よって、最大値は 17 (at x=4)、最小値は -3 (at x=−1,2)。

このアルゴリズムは、関数が微分可能である限り、その形がどれほど複雑であっても適用できる、極めて強力で普遍的な方法です。

2. 微分を使わない特定状況下の最適化手法

微分法は万能ですが、常に最も効率的な方法とは限りません。特定の構造を持つ問題に対しては、よりエレガントで計算量の少ない「専用ツール」が存在します。これらのツールを使いこなすことは、思考の柔軟性と問題解決のスピードを向上させます。

2.1. 二次関数：定義域と軸の位置関係がすべて

二次関数の最大・最小問題は、微分を使わずとも、そのグラフ（放物線）が持つシンプルな幾何学的性質から完全に解明できます。ポイントはただ一つ、「定義域」と「放物線の軸」の位置関係です。

  • 基本事項の確認:
    • y=a(x−p)2+q のグラフは、軸が直線 x=p、頂点が (p,q)。
    • a>0 (下に凸) なら、頂点で最小値をとる。
    • a<0 (上に凸) なら、頂点で最大値をとる。
  • 体系的な場合分け（下に凸、y=a(x−p)2+q の場合）:定義域を m≤x≤n とする。
    1. 軸が定義域の左外にある場合 (p<m):
      • グラフは定義域内で単調に増加。
      • 最小値: x=m のとき (定義域の左端)。
      • 最大値: x=n のとき (定義域の右端)。
    2. 軸が定義域内にある場合 (m≤p≤n):
      • 最小値: 頂点、すなわち x=p のとき。
      • 最大値: 定義域の両端 f(m) と f(n) のうち、軸から遠い方。
    3. 軸が定義域の右外にある場合 (p>n):
      • グラフは定義域内で単調に減少。
      • 最小値: x=n のとき (定義域の右端)。
      • 最大値: x=m のとき (定義域の左端)。

この3つのパターンを、グラフのイメージと共に完璧に理解しておけば、二次関数の最大・最小問題で迷うことはありません。定義域や軸にパラメータが含まれる応用問題も、すべてこの場合分けに帰着します。

2.2. 三角関数：合成による振幅の可視化

y=sinθ−3​cosθ のような、sin と cos の和で表される関数の最大・最小を求めるには、三角関数の合成が絶大な威力を発揮します。

  • 合成の公式:
    • asinθ+bcosθ=a2+b2​sin(θ+α)
    • ここで、α は cosα=a2+b2​a​, sinα=a2+b2​b​ を満たす角。
  • 幾何学的解釈:
    • この公式は、座標平面上で点 P(a,b) を考え、原点Oとの距離 r=a2+b2​ と、動径OPがx軸の正の向きとなす角 α を用いて、a=rcosα,b=rsinα と表現し、加法定理を適用することで導かれます。
    • asinθ+bcosθ=rcosαsinθ+rsinαcosθ=r(sinθcosα+cosθsinα)=rsin(θ+α)
  • 最大・最小への応用:
    • 合成を行うと、複数の三角関数が一つの sin 関数にまとめられます。
    • y=a2+b2​sin(θ+α) となれば、θ+α がどのような値をとろうとも、sin の値は −1 から 1 の範囲しか動きません。
    • したがって、この関数の最大値は a2+b2​、最小値は −a2+b2​ であることが即座に分かります。
    • 新たな振幅 a2+b2​ と、位相のずれ α を持つ一つの正弦波として視覚化できるのです。

2.3. 相加・相乗平均の関係：不等式が導く最小値

変数が正であるという制約の下で、特定構造の式の最小値を求める際に強力なのが、相加・相乗平均の関係です。

  • 相加・相乗平均の関係 (AM-GM Inequality):
    • x>0,y>0 のとき、2x+y​≥xy​ が常に成り立つ。
    • 等号が成立するのは、x=y のときに限る。
  • 応用パターン:
    1. 積が一定の場合の和の最小化:
      • xy=k (一定) のとき、x+y≥2xy​=2k​ となる。
      • つまり、和 x+y の最小値は 2k​ であり、その最小値は x=y のときに達成される。
      • 例: x>0 のとき、f(x)=x+x4​ の最小値を求める。
        • x と 4/x はともに正。積は x⋅x4​=4 で一定。
        • AM-GMより、x+x4​≥2x⋅x4​​=24​=4。
        • 等号成立は x=x4​ すなわち x2=4、x=2 のとき。
        • よって、最小値は 4 (at x=2)。
    2. 和が一定の場合の積の最大化:
      • x+y=k (一定) のとき、xy​≤2x+y​=2k​ より、xy≤(2k​)2。
      • 積 xy の最大値は (2k​)2 で、これも x=y のときに達成される。
  • 使用上の注意:
    • 変数が正であることが絶対条件です。
    • 等号が成立する条件が存在することを確認する必要があります。等号成立条件が、問題の制約の範囲内で起こりえなければ、その値は最小値（または最大値）にはなりません。

3. 応用的な最適化問題へのアプローチ

ここからは、より具体的な状況設定の下で、これまでに学んだツールをどのように適用していくかを学びます。問題文から本質を抽出し、適切な数学モデルを構築する能力が問われます。

3.1. 幾何学的制約下における最大・最小

図形が関わる最大・最小問題は、入試頻出の典型的な応用問題です。その解法プロセスは、明確なステップに分けることができます。

  • 解法のアルゴリズム:
    1. 変数の設定:
      • 図形量のうち、どれを独立な変数 x として設定するかを決定する。動く点の座標や、変化する辺の長さなどが候補となります。
    2. 目的関数の立式:
      • 最大化または最小化したい量（面積、体積、長さなど）を、Step 1 で設定した変数 x を用いて関数 f(x) として表現する。
    3. 定義域の確定:
      • 変数 x が取りうる値の範囲（定義域）を、幾何学的な制約（例: 長さは正である、ある辺の長さは他の辺より短いなど）から特定する。このステップを怠ると、致命的なエラーに繋がります。
    4. 最適化の実行:
      • 得られた関数 f(x) とその定義域に対して、これまで学んだいずれかの手法（微分、二次関数の場合分け、相加・相乗平均など）を適用し、最大値・最小値を求める。
  • 戦略的思考:
    • どの量を変数に置くと、目的関数や定義域が最もシンプルになるかを考える、立式の美しさを追求する姿勢が重要です。
    • 時には、直交座標だけでなく、極座標やベクトルを用いることで、問題が劇的に簡単になることもあります。

3.2. 線形計画法：領域と直線の最適接点

線形計画法は、経済学や経営工学などで広く利用される最適化手法で、大学入試では特定の形式の問題として出題されます。

  • 問題の構造:
    • 制約条件: x,y に関する複数の線形不等式。（例: x+y≤10,x≥0,y≥0）
    • 目的関数: 最大化または最小化したい線形関数。（例: k=3x+2y）
  • 解法のアルゴリズム（グラフ利用）:
    1. 実行可能領域の図示:
      • 与えられた線形不等式群が同時に満たす x,y の範囲を、座標平面上に図示する。この領域は通常、凸多角形となります。
    2. 目的関数の解釈:
      • 目的関数 k=ax+by を、y について解いた形 y=−ba​x+bk​ に変形する。
      • これは、傾きが −ba​ で一定で、y切片が bk​ の直線群を表します。
      • 目的関数 k を最大化（または最小化）することは、この直線のy切片を最大化（または最小化）することと（bの符号によるが）本質的に同じです。
    3. 最適解の発見:
      • 傾きが −ba​ の直線を、実行可能領域に触れながら平行に動かしてみる。
      • 直線が領域と共有点を持つ範囲で、y切片が最大または最小となるのは、直線が領域のいずれかの頂点を通過するときです。
    4. 結論:
      • 実行可能領域のすべての頂点の座標を求め、それぞれを目的関数 k=ax+by に代入します。
      • その中で最も大きい値が最大値、最も小さい値が最小値となります。

この「最適解は必ず頂点に存在する」という事実が、線形計画法の根幹をなす基本定理です。

【末尾の要約】

本モジュール「最大・最小値問題の探求」では、最適化という広大なテーマを攻略するための、多角的かつ体系的なアプローチを学びました。

まず、微分法というレンズを通して、関数の増減と極値を分析し、定義域の端点と極値を比較するという、あらゆる問題に適用可能な普遍的アルゴリズムを確立しました。これは、我々の探求の信頼性を保証する、いわば命綱の役割を果たします。

次に、この万能ツールに頼るまでもない、特定の状況に特化した効率的な「特殊装備」を三つ習得しました。すなわち、二次関数の軸と定義域の関係性を読み解く緻密な分析、三角関数の合成による波の振幅の明確化、そして変数が正の領域で輝きを放つ相加・相乗平均の関係という不等式を用いたエレガントな解法です。

最後に、これらの理論的なツールを、幾何学的制約や線形計画法といった、より応用的なシナリオに適用する実践的訓練を行いました。ここでは、問題文から数学的モデルを構築する立式の能力と、与えられた構造から最適な解法ツールを選択する戦略的判断力が問われました。

結論として、最大・最小問題の探求とは、単一の解法を盲信することではなく、問題の構造に応じて微分、代数、幾何、不等式といった多彩なツールを収めた道具箱から、最もふさわしいものを取り出す知的な営みです。ここで培った最適化への深い洞察と体系的なアプローチは、今後の数学学習はもちろん、将来あなたが直面するであろう様々な現実の問題解決において、最も価値のある「思考のOS」の一つとなるはずです。

基礎数学
目次