ラグランジュの未定乗数法 (Lagrange multiplier) は，多変数関数における，条件つき極値問題を解く方法を指します。これについて，その内容とイメージ，証明を解説しましょう。
ラグランジュの未定乗数法
単に滑らかな関数 f(x,y) を最大化したいとしましょう。もし，何も制約がないなら，最大となる点は(広い意味で)極値になっているはずですから，
\frac{\partial f}{\partial x}=\frac{\partial f}{\partial y}=0
が成り立っているはずです，一方で， (x,y) は g(x,y)=0 をみたすという制約がついていたらどうでしょうか。
このような，制約付きの極値問題を解く方法が，ラグランジュの未定乗数法 (Lagrange multiplier) です。定理を述べましょう。
定理（ラグランジュの未定乗数法）
f(x,y), g(x,y) を C^1 級関数とし， g(x,y)=0 の下で， f(x,y) が極値を取る点を考える。そのような点 (x,y) は
\color{red} L(x,y,\lambda)=f(x,y)-\lambda g(x,y)
とおくと，\color{red} \dfrac{\partial g}{\partial x}=\dfrac{\partial g}{\partial y}=0 をみたすか，
をみたす。
f(x,y) の条件付き極値問題が， L(x,y,\lambda) という関数の条件なし極値問題にすり替わっていますね。
ラグランジュの未定乗数法は，制約付き関数の最大値や最小値の候補を求めるのに用いられます。
ラグランジュの未定乗数法の意味
さて，ラグランジュの未定乗数法の意味を考えましょう。ここで，勾配ベクトル (gradient)
\begin{align*} \operatorname{grad} f &= \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y} \right),\\ \operatorname{grad} g&= \left(\frac{\partial g}{\partial x}, \frac{\partial g}{\partial y} \right) \end{align*}
を用いると， \dfrac{\partial g}{\partial x}=\dfrac{\partial g}{\partial y}=0 は， \color{red}\operatorname{grad} g=\boldsymbol{0} を意味し， \dfrac{\partial L}{\partial x}=\dfrac{\partial L}{\partial y}=0 は， \color{red} \operatorname{grad} f = \lambda \operatorname{grad} g を意味します。
\dfrac{\partial L}{\partial \lambda}=0 は単に制約条件 g(x,y)=0 を指しているだけですから，これは無視すると，定理は以下のように言い換えることが可能です。
f(x,y), g(x,y) を C^1 級関数とし， g(x,y)=0 の下で， f(x,y) が極値を取る点を考える。そのような点 (x,y) は
\color{red}\operatorname{grad} g=\boldsymbol{0} をみたすか，ある \lambda が存在して，
\color{red} \operatorname{grad} f = \lambda \operatorname{grad} g
をみたす。
\operatorname{grad} g=\boldsymbol{0} または \operatorname{grad} f = \lambda \operatorname{grad} g とは， \operatorname{grad} f と \operatorname{grad} g の片方が \boldsymbol{0} または平行という意味になります。
ここで，勾配ベクトルは関数の最大傾斜方向を表し，等高線と垂直になるのでした。
勾配ベクトルについては，以下で詳しく解説しています。
従って， \operatorname{grad} f と \operatorname{grad} g の片方が \boldsymbol{0} または平行という状態を等高線図を用いて表すと，以下のようになります。
青の矢印は \operatorname{grad} fを，赤の矢印は \operatorname{grad} g を指しています。これらが平行のとき，ちょうど2つの等高線が接しており，極値(上の図の場合「最大値」)になっているのが，分かるのではないでしょうか。感覚的にはこんな感じです。
注意ですが，求めているのは極値の候補であり，必ずしも極値になるとは限りません。以下の図がその例です。
ラグランジュの未定乗数法の証明
簡単に，定理の証明をしておきましょう。
証明
(x_0,y_0) を極値とする。この点で， \dfrac{\partial g}{\partial x}=\dfrac{\partial g}{\partial y}=0 でないと仮定する。特に g_y\ne 0 としよう。陰関数定理より， (x_0,y_0) のまわりで g(x,y)=0 をみたす y は C^1 級関数 y=y(x) として表せ， y'=-g_x/g_y となる。
h(x)=f(x,y(x)) は (x_0, y_0) で極値を取るから，この点で
0=h' = f_x + f_y y'= f_x - f_y g_x/g_y
となる。よって， f_xg_y-f_yg_x=0 なので， \lambda = f_y/g_y とおくことで結論を得る。
証明終
より一般のラグランジュの未定乗数法
より文字が多く，制約も多い「ラグランジュの未定乗数法」の主張を述べておきましょう。
定理（ラグランジュの未定乗数法）
d 変数関数 f,g_1,\dots g_mは全て C^1 級とする。
g_1(x_1,\dots, x_d)=\dots = g_m(x_1,\dots,x_d)=0 の下で， f(x_1,\dots, x_d) が極値を取る点を考える。そのような点 (x_1,\dots, x_d) は
\color{red}\begin{aligned}& L(x_1,\dots, x_d,\lambda_1,\dots,\lambda_m)\\ &=f(x_1,\dots x_d)-\sum_{j=1}^m \lambda_j g_j(x_1,\dots, x_d)\end{aligned}
とおくと，\color{red}\displaystyle \sum_{j=1}^m \lambda_j \dfrac{\partial g_j}{\partial x_1}=\cdots = \sum_{j=1}^m \lambda_j \dfrac{\partial g_j}{\partial x_d}=0 をみたすか，
をみたす。
一つ目の条件 \displaystyle \sum_{j=1}^m \lambda_j \dfrac{\partial g_j}{\partial x_1}=\cdots = \sum_{j=1}^m \lambda_j \dfrac{\partial g_j}{\partial x_d}=0 は，言い換えると，
\operatorname{rank}\begin{pmatrix} \dfrac{\partial g_1}{\partial x_1} & \dots & \dfrac{\partial g_1}{\partial x_d}\\ \vdots & \ddots & \vdots \\ \dfrac{\partial g_m}{\partial x_1} & \dots & \dfrac{\partial g_m}{\partial x_d} \end{pmatrix} < m
を意味します。 \operatorname{rank} の中身はヤコビ行列です。
