미분 활용 — 극값과 최적화

💡 왜 필요할까요?

물리학에서 포물선 궤적의 최고점은 $h'(t) = 0$인 순간입니다. 경제학에서 이익 함수의 최대점도 $P'(x) = 0$으로 찾습니다. 인공지능의 학습은 손실함수의 최솟값을 찾는 것이며, 이 모두가 $f'(a) = 0$ 조건을 반복적으로 적용하는 과정입니다. 미분의 활용은 현대 과학·기술의 핵심 엔진입니다.

📜 역사 이야기

17세기 프랑스의 법관이자 아마추어 수학자 피에르 드 페르마(Pierre de Fermat, 1607~1665)는 당시 누구도 갖지 못한 통찰을 1638년 편지 한 통에 담았습니다. 그는 뉴턴과 라이프니츠가 미적분학을 완성하기 약 40년 전에, "어떤 함수가 최대 또는 최소가 되는 점에서 그 함수의 변화율이 0이 된다"는 사실을 직관적으로 파악했습니다. 이것이 오늘날 우리가 $f'(a) = 0$이라 부르는 극값의 필요조건입니다. 페르마는 이 아이디어를 **적율법(method of adequality)**이라 불렀습니다. 그는 $f(x + E) = f(x)$로 놓고 $E \to 0$의 극한을 취하는 방식으로 극값 조건을 유도했습니다. 현대 표기로는 $f'(x) = \lim_{E \to 0} \dfrac{f(x+E)-f(x)}{E} = 0$과 정확히 같은 아이디어입니다. 뉴턴과 라이프니츠가 나타나기도 전에, 법정에서 일하던 재야 수학자가 미분의 핵심 응용을 이미 손에 쥐고 있었던 것입니다. 페르마의 최적화 아이디어는 오늘날 공학·경제학·인공지능의 근간을 이룹니다. 기계 학습에서 손실함수의 최솟값을 찾는 경사하강법(gradient descent)은 본질적으로 $\nabla L = 0$인 점을 추적하는 것이고, 이는 페르마가 1638년에 편지로 기술한 것과 같은 원리입니다. 제조업에서 원가 최소화, 항공기 날개 설계의 양력 최대화, 의약품 투여 시간 최적화 모두 미분을 통한 극값 탐색입니다.

"나는 어떤 양이 최대 또는 최소가 되는 점에서, 그 양의 비교(adequality)가 0이 된다는 것을 발견했다." — 페르마, 1638년

🔬 직접 발견하기

📐 공식 이해하기

도함수 $f'(a) = 0$인 점이 극값 후보입니다. 이계도함수 $f''(a)$의 부호로 극대·극소를 판별합니다. 구간에서의 최대·최소는 극값과 경계 값을 모두 비교해야 합니다.

f'(a)

점 $a$에서의 도함수 (= 접선의 기울기)

f''(a)

점 $a$에서의 이계도함수 (도함수의 도함수)

$극대$

$f'(a) = 0$이고 좌우에서 $f'$가 $+ \to -$ 로 변할 때

$극소$

$f'(a) = 0$이고 좌우에서 $f'$가 $- \to +$ 로 변할 때

1. 1
   1단계: $f'(x) = 0$의 해를 구한다 — 이 점들이 극값 후보.
2. 2
   2단계: 증감표 작성 — $f'(x)$의 부호 변화 확인. $+ \to -$이면 극대, $- \to +$이면 극소.
3. 3
   3단계: 이계도함수 판별법 — $f''(a) < 0$이면 극대, $f''(a) > 0$이면 극소, $f''(a) = 0$이면 판단 불가(증감표 사용).
4. 4
   4단계 (최대·최소): 닫힌 구간 $[a, b]$에서 극값과 경계값 $f(a), f(b)$를 모두 비교.

📝 퀴즈로 확인하기

📋 수능 기출 문제