Misalkan Anda memiliki fungsi terdiferensiasi f( x ) , yang ingin Anda optimalkan dengan memilih x . Jika f( x ) adalah utilitas atau laba, maka Anda ingin memilih x (yaitu bundel konsumsi atau jumlah yang diproduksi) untuk membuat nilai f sebesar mungkin. Jika f( x ) adalah fungsi biaya, maka Anda ingin memilih x untuk membuat f sekecil mungkin. FOC dan SOC adalah kondisi yang menentukan apakah solusi memaksimalkan atau meminimalkan fungsi yang diberikan.
Pada tingkat sarjana, yang biasanya menjadi kasus adalah Anda harus memilih x∗ sehingga turunan dari f sama dengan nol:
f′( x∗) = 0.
Ini adalah FOC. Intuisi untuk kondisi ini adalah bahwa suatu fungsi mencapai ekstrumnya (baik maksimum atau minimum) ketika turunannya sama dengan nol (lihat gambar di bawah). [Anda harus sadar bahwa ada lebih banyak kehalusan yang terlibat: cari istilah seperti "solusi interior vs sudut", "global / maksimum lokal / minimum", dan "titik pelana" untuk mempelajari lebih lanjut].
Namun, seperti yang diilustrasikan oleh gambar, hanya menemukan mana f ′ ( x ∗ ) = 0 tidak cukup untuk menyimpulkan bahwa x ∗ adalah solusi yang memaksimalkan atau meminimalkan fungsi tujuan. Dalam kedua grafik, fungsi mencapai kemiringan nol pada x ∗ , tetapi x ∗ adalah pemaksimal dalam grafik kiri, tetapi peminimalkan pada grafik kanan.x∗f′( x∗) = 0x∗x∗x∗
x∗f ″ ( x ∗ ) > 0. x ∗ f f x ∗ x ∗ f x ∗ x ∗
f′ ′( x∗) < 0
f′ ′( x∗) > 0.
x∗ffx∗x∗fx∗x∗f ′ ( x )xf′( x )