Kapitel 12. Lagrange-Funktion. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28. f (x, y) g(x, y) = c. f (x, y) = x y 2
|
|
- Fritz Gärtner
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel 12 Lagrange-Funktion Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28 Optimierung unter Nebenbedingungen Aufgabe: Berechne die Extrema der Funktion unter der Nebenbedingung f (x, y) g(x, y) = c Beispiel: Wir suchen die lokalen Extrema der Funktion unter der Nebenbedingung f (x, y) = x y 2 g(x, y) = x + y = 3 Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 2 / 28 Graphische Lösung Im Falle von zwei Variablen können wir das Problem graphisch lösen. 1. Zeichne die Nebenbedingung g(x, y) = c in die xy-ebene ein. (Kurve in der Ebene) 2. Zeichne geeignete Niveaulinien der zu optimierenden Funktion f (x, y) ein. 3. Untersuche an Hand der Zeichnung welche Niveaulinien den zulässigen Bereich schneiden und bestimme die ungefähre Lage der Extrema. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 3 / 28
2 Beispiel Graphische Lösung g Minimum in (2, 1) 1 f f = λ g 2 x + y = 3 Extrema von f (x, y) = x y 2 gegeben g(x, y) = x + y = 3 Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 4 / 28 Lagrange-Ansatz Sei x ein Extremum von f (x, y) gegeben g(x, y) = c. Dann müssen f (x ) und g(x ) proportional sein: f (x ) = λ g(x ) wobei λ eine geeignete Proportionalitätskonstante ist. f x (x ) = λ g x (x ) f y (x ) = λ g y (x ) g(x ) = c Umformen ergibt g f x f x (x ) λ g x (x ) = 0 f y (x ) λ g y (x ) = 0 c g(x ) = 0 Linke Seite ist Gradient von L(x, y; λ) = f (x, y) + λ (c g(x, y)) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 5 / 28 Lagrange-Funktion Wir erzeugen uns aus f, g und einer Hilfsvariablen λ eine neue Funktion, die Lagrange-Funktion: L(x, y; λ) = f (x, y) + λ (c g(x, y)) Die Hilfsvariable λ heißt Lagrange-Multiplikator. Lokale Extrema von f gegeben g(x, y) = c sind kritische Punkte der Lagrangefunktion L: L x = f x λ g x = 0 L y = f y λ g y = 0 L λ = c g(x, y) = 0 Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 6 / 28
3 Beispiel Lagrangefunktion Wir suchen die lokalen Extrema der f (x, y) = x 2 + 2y 2 gegeben g(x, y) = x + y = 3 Lagrangefunktion: L(x, y, λ) = (x 2 + 2y 2 ) + λ(3 (x + y)) Kritische Punkte: L x = 2x λ = 0 L y = 4y λ = 0 L λ = 3 x y = 0 einziger kritischer Punkt: (x 0 ; λ 0 ) = (2, 1; 4) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 7 / 28 Geränderte Hesse-Matrix Die Matrix 0 g x g y H(x; λ) = g x L xx L xy g y L yx L yy heißt geränderte Hesse-Matrix. Hinreichende Bedingung für lokales Extremum: Sei (x 0 ; λ 0 ) ein kritischer Punkt von L. H(x 0 ; λ 0 ) > 0 x 0 ist lokales Maximum H(x 0 ; λ 0 ) < 0 x 0 ist lokales Minimum H(x 0 ; λ 0 ) = 0 keine Aussage möglich Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 8 / 28 Beispiel Geränderte Hesse-Matrix Wir suchen die lokalen Extrema der f (x, y) = x 2 + 2y 2 gegeben g(x, y) = x + y = 3 Lagrangefunktion: L(x, y, λ) = (x 2 + 2y 2 ) + λ(3 x y) Kritischer Punkt: (x 0 ; λ 0 ) = (2, 1; 4) Determinante der geränderten Hesse-Matrix: 0 g x g y H(x 0 ; λ 0 ) = g x L xx L xy = = 6 < 0 g y L yx L yy x 0 = (2, 1) ist ein lokales Minimum. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 9 / 28
4 Viele Variablen und Gleichungen Berechne die Extrema der Funktion f (x 1,..., x n ) unter den Nebenbedingungen g 1 (x 1,..., x n ) = c 1. (k < n) g k (x 1,..., x k ) = c k Optimierungsproblem: min / max f (x) gegeben g(x) = c. Lagrange-Funktion L(x; λ 1,..., λ k ) = f (x) + k i=1 λ i (c i g i (x)) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 10 / 28 Vorgangsweise Kritische Punkte 1. Stelle Lagrange-Funktion L auf: L(x 1,..., x n ; λ 1,..., λ k ) = f (x 1,..., x n ) + k i=1 λ i (c i g i (x 1,..., x n )) 2. Berechne die ersten partiellen Ableitungen von L. 3. Setze alle ersten partiellen Ableitungen gleich Null und lösen das so entstandene Gleichungssystem mit n + k Unbekannten in n + k Gleichungen. 4. Die ersten n Komponenten (x 1,..., x n ) sind die Koordinaten der gesuchten kritischen Punkte. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 11 / 28 Beispiel Kritische Punkte Wir suchen die kritischen Punkte von f (x 1, x 2, x 3 ) = (x 1 1) 2 + (x 2 2) x 2 3 unter den Nebenbedingungen x x 2 = 2 und x 2 x 3 = 3 Lagrange-Funktion: L(x 1, x 2, x 3 ; λ 1, λ 2 ) = ((x 1 1) 2 + (x 2 2) x 2 3 ) + λ 1 (2 x 1 2 x 2 ) + λ 2 (3 x 2 + x 3 ) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 12 / 28
5 Beispiel Kritische Punkte Partielle Ableitungen (Gradient): L x1 = 2 (x 1 1) λ 1 = 0 L x2 = 2 (x 2 2) 2 λ 1 λ 2 = 0 L x3 = 4 x 3 + λ 2 = 0 L λ1 = 2 x 1 2 x 2 = 0 L λ2 = 3 x 2 + x 3 = 0 Die kritischen Punkte von L erhalten wir durch Nullsetzen der ersten partiellen Ableitungen: (lineares Gleichungssystem) x 1 = 6 7, x 2 = 10 7, x 3 = 11 7 ; λ 1 = 26 7, λ 2 = Der einzige kritische Punkt von f unter dieser Nebenbedingungen ist somit x 0 = ( 6 7, 10 7, 11 7 ). Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 13 / 28 Geränderte Hesse-Matrix g g x x n g H(x; λ) = k g x 1... k x n g 1 g x 1... k x 1 L x1 x 1... L x1 x n g 1 g x n... k x n L xn x 1... L xn x n Sei B r (x; λ) der (k + r)-te führende Hauptminor von H(x; λ). Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 14 / 28 Hinreichende Bedingung Sei (x 0 ; λ 0 ) ein kritischer Punkt von L. ( 1) k B r (x 0 ; λ 0 ) > 0 für alle r = k + 1,..., n x 0 ist lokales Minimum ( 1) r B r (x 0 ; λ 0 ) > 0 für alle r = k + 1,..., n x 0 ist lokales Maximum (n ist die Anzahl der Variablen x i und k ist die Anzahl der Nebenbedingungen.) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 15 / 28
6 Beispiel Hinreichende Bedingung Suchen Extrema von f (x 1, x 2, x 3 ) = (x 1 1) 2 + (x 2 2) x 2 3 unter den Nebenbedingungen x x 2 = 2 und x 2 x 3 = 3 Lagrange-Funktion: L(x 1, x 2, x 3 ; λ 1, λ 2 ) = ((x 1 1) 2 + (x 2 2) x 2 3 ) + λ 1 (2 x 1 2 x 2 ) + λ 2 (3 x 2 + x 3 ) Kritischer Punkt von L: x 1 = 6 7, x 2 = 10 7, x 3 = 11 7 ; λ 1 = 26 7, λ 2 = Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 16 / 28 Beispiel Hinreichende Bedingung Geränderte Hesse-Matrix: H(x; λ) = Variablen, 2 Nebenbedingungen: n = 3, k = 2 r = 3 B 3 = H(x; λ) = 14 ( 1) k B r = ( 1) 2 B 3 = 14 > 0 Bedingung erfüllt ( 1) r B r = ( 1) 3 B 3 = 14 < 0 nicht erfüllt Der kritische Punkt x 0 = ( 6 7, 10 7, 11 7 ) ist ein lokales Minimum. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 17 / 28 Globale Extrema Sei (x, λ ) ein kritischer Punkt der Lagrange-Funktion L des Optimierungsproblems min / max f (x) gegeben g(x) = c Falls L(x, λ ) konkav (konvex) in x ist, dann ist x ein globales Maximum (globales Minimum) von f (x) gegeben g(x) = c. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 18 / 28
7 Beispiel Globale Extrema (x, y ; λ ) = (2, 1; 4) ist ein kritischer Punkt der Lagrange-Funktion des Optimierungsproblems min / max f (x, y) = x 2 + 2y 2 gegeben g(x, y) = x + y = 3 Lagrangefunktion: L(x, y, λ ) = (x 2 + 2y 2 ) + 4 (3 (x + y)) Hesse-Matrix: ( ) 2 0 H L (x, y) = 0 4 L ist konvex in (x, y). (x, y ) = (2, 1) ist ein globales Minimum. H 1 = 2 > 0 H 2 = 8 > 0 Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 19 / 28 Beispiel Globale Extrema (x ; λ ) = ( 6 7, 10 7, 11 7 ; 26 7, 44 7 ) ist ein kritischer Punkt der Lagrange-Funktion des Optimierungsproblems min / max f (x 1, x 2, x 3 ) = (x 1 1) 2 + (x 2 2) x3 2 gegeben g 1 (x 1, x 2, x 3 ) = x x 2 = 2 Lagrangefunktion: g 2 (x 1, x 2, x 3 ) = x 2 x 3 = 3 L(x; λ ) = ((x 1 1) 2 + (x 2 2) x 2 3 ) 26 7 (2 x 1 2 x 2 ) (3 x 2 + x 3 ) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 20 / 28 Beispiel Globale Extrema Hesse-Matrix: H L (x, y) = H 1 = 2 > 0 H 2 = 4 > 0 H 3 = 16 > 0 L ist konvex in x. x = ( 6 7, 10 7, 11 7 ) ist ein globales Minimum. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 21 / 28
8 Interpretation des Lagrange-Multiplikators Die Lage des Extremums x des Optimierungsproblems min / max f (x) gegeben g(x) = c hängt von c ab, x = x (c), und somit auch der Extremalwert von f : Wie ändert sich f (c) mit c? f (c) = f (x (c)) f (c) = λ j (c) Der Lagrange-Multiplikator λ j gibt also an, wie sich der Extremalwert ändert, wenn die Konstante c j der Nebenbedingung g j (x) = c j verändert wird. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 22 / 28 Herleitung Im Optimum stimmen L und f überein. Daher ist f (c) = L(x (c), λ(c)) [ Kettenregel ] = = n i=1 L xi (x (c), λ(c)) } {{ } = 0 da kritischer Punkt L(x, c) = ( = λ j (c) f (x) + (x (c),λ (c)) k i=1 x i (c) + ) λ i (c i g i (x)) L(x, c) (x (c),λ (c)) (x (c),λ (c)) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 23 / 28 Beispiel Lagrange-Multiplikator (x, y ) = (2, 1) ist ein Minimum des Optimierungsproblems min / max f (x, y) = x 2 + 2y 2 gegeben g(x, y) = x + y = c = 3 mit λ = 4. Wie ändert sich der Minimalwert f von f, wenn sich c ändert? d f dc = λ = 4 Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 24 / 28
9 Umhüllungssatz (Envelope-Theorem) Wie ändert sich das Extremum f des Optimierungsproblems min / max f (x, p) gegeben g(x, p) = c wenn sich der Parameter (die exogene Variable) p ändert? f (p) p j = L(x, p) p j (x (p),λ (p)) Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 25 / 28 Beispiel Roys Identität Maximiere Nutzenfunktion max U(x) gegeben p t x = m Maximaler Nutzen hängt von Preisen p und Einkommen m ab: U = U (p, m) [ indirekte Nutzenfunktion ] Lagrange-Funktion L(x, λ) = U(x) + λ (m p t x) und somit U p j = L p j = λ x j und x j = U / p j U / m U m = L m = λ [ Marshallsche Nachfragefunktion ] Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 26 / 28 Beispiel Shephards Lemma Minimiere Ausgaben min p t x = m gegeben U(x) = ū (Minimale) Ausgabenfunktion hängt von p und ū ab: e = e(p, ū) Lagrange-Funktion L(x, λ) = p t x + λ (ū U(x)) e = L = x j [ Hicks sche Nachfragefunktion ] p j p j Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 27 / 28
10 Zusammenfassung Optimierung unter Nebenbedingungen Graphische Lösung Lagrange-Funktion und Lagrange-Multiplikator Extremum und kritischer Punkt Geränderte Hesse-Matrix Globale Extrema Interpretation des Lagrange-Multiplikators Umhüllungssatz Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 28 / 28
Kuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
MehrMathematik 2 für Wirtschaftsinformatik
für Wirtschaftsinformatik Sommersemester 2012 Hochschule Augsburg Hinreichende Bedingung für lokale Extrema Voraussetzungen Satz D R n konvex und offen Funktion f : D R zweimal stetig partiell differenzierbar
MehrLagrange-Multiplikatoren
Lagrange-Multiplikatoren Ist x eine lokale Extremstelle der skalaren Funktion f unter den Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i, so dass grad f (x ) = λ i grad g i
MehrExtrema von Funktionen mit Nebenbedingung
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen mit Nebenbedingung Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Gliederung 1 : Einführung 2 Differenzieren 2 3 Deskriptive 4 Wahrscheinlichkeitstheorie
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
Mehr6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode
6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode In diesem Kapitel orientieren wir uns stark an den Büchern: 1. Knut Sydsæter, Peter Hammond, Mathematik für Wirtschaftswissenschaftler,
MehrMikroökonomik Prof. Dr. Stefan Klonner SoSe Übungsblatt 1
1 Funktionen Definition 1 (Funktion). Übungsblatt 1 Eine Funktion f(x) einer reellen Variable x mit Definitionsbereich D ist eine Regel, die jeder Zahl x in D eine reelle Zahl f(x) eindeutig zuordnet.
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
Mehr1 Einstimmung 2. 2 Die Reduktionsmethode 5. 3 Die Methode der Lagrange-Multiplikatoren 6. 4 *Ergänzungen und Verallgemeinerungen* 10
Universität Basel 9 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Extremwertprobleme mit Nebenbedingung Inhaltsverzeichnis 1 Einstimmung 2 2 Die Reduktionsmethode
MehrÜbung 5, Analytische Optimierung
Übung 5, 5.7.2011 Analytische Optimierung Aufgabe 5.1 Bei der Herstellung von Konserven werden für Boden und Deckel bzw. für den Konservenmantel verschiedene Materialien verwendet, die g 1 = bzw. g 2 =
MehrHöhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8. Übungsblatt. ). 12x 3 Die Hessematrix von f ist gegeben durch H f (x, y) =
Karlsruher Institut für Technologie (KIT Institut für Analysis Priv-Doz Dr P C Kunstmann Dipl-Math D Roth SS 0 7060 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8 Übungsblatt
MehrUNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz Dr P C Kunstmann Dipl-Math M Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive Komplexe
MehrExtrema mit Nebenbedingungen
Extrema mit Nebenbedingungen Gesucht ist das Extremum der Funktion f(x,y) = 5 x y unter der Nebenbedingung g(x,y) = x+y =. 5 y x In diesem einfachen Fall kann die Nebenbedingung nach einer Variablen aufgelöst
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
Mehr1 Envelope Theorem ohne Nebenbedingungen
Envelope Theorem ohne Nebenbedingungen Man betrachte das Maimierungsproblem V (α) = ma f (α,) Bedingung für ein Maimum ist f = 0 und die Lösung ist ein (α) Die Ableitung der Wertefunktion nach α i ist
MehrMathematische Behandlung der Natur- und Wirtschaftswissenschaften I. f(x) := e x + x.
Technische Universität München WS 009/0 Fakultät für Mathematik Prof. Dr. J. Edenhofer Dipl.-Ing. W. Schultz Übung Lösungsvorschlag Mathematische Behandlung der Natur- und Wirtschaftswissenschaften I Aufgabe
MehrMathematik für Wirtschaftswissenschaftler Kapitel 4-6. Universität Trier Wintersemester 2013 / 2014
Mathematik für Kapitel 4-6 Universität Trier Wintersemester 2013 / 2014 Kapitel 4 1. Extremwerte 2. Lokale Optimalpunkte 3. Wendepunkte 2 Kapitel 4.1 EXTREMWERTE 3 Extrempunkte und Extremwerte 4 Strikte
MehrKlausur Mathematik II
Technische Universität Dresden. Juli 8 Institut für Numerische Mathematik Prof. Dr. G. Matthies, Dr. M. Herrich Klausur Mathematik II Modul Dierentialgleichungen und Dierentialrechnung für Funktionen mehrerer
MehrMusterlösung zu Blatt 1
Musterlösung zu Blatt Analysis III für Lehramt Gymnasium Wintersemester 0/4 Überprüfe zunächst die notwendige Bedingung Dfx y z = 0 für die Existenz lokaler Extrema Mit x fx y z = 8x und y fx y z = + z
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
Mehr14.4 Warum die Methode der Lagrange-Multiplikatoren funktioniert
14 Optimierung unter Nebenbedingungen 14.4 Warum die Methode der Lagrange-Multiplikatoren funktioniert [1] Lösen sie die folgenden Probleme, indem Sie diese auf ein univariates Problem zurückführen. Zeigen
Mehr10 Extremwertaufgaben, dreidimensional
Dr. Dirk Windelberg Leibniz Universität Hannover Mathematik für Ingenieure Mathematik http://www.windelberg.de/agq 10 Extremwertaufgaben, dreidimensional 3D: Notwendige Bedingung für das Auftreten eines
MehrHöhere Mathematik II für BWIW, BNC, BAI, BGIP, GTB, Ma Hausaufgaben zum Übungsblatt 5 - Lösung
TU Bergakademie Freiberg Sommersemester Dr. Gunter Semmler Dr. Anja Kohl Höhere Mathematik II für BWIW, BNC, BAI, BGIP, GTB, Ma Hausaufgaben zum Übungsblatt 5 - Lösung Differentialrechnung für Funktionen
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrange.tex,v 1.6 2012/11/06 14:26:21 hk Exp hk $ 2 Extrema unter Nebenbedingungen 2.1 Restringierte Optimierungsaufgaben Nachdem wir jetzt die bereits bekannten Techniken zur Bestimmung der lokalen
MehrKarlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang. Sommersemester
Karlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang Sommersemester 03 6.06.03 Höhere Mathematik II für die Fachrichtungen Elektrotechnik und Informationstechnik
MehrInverse und implizite Funktionen
Kapitel 8 Inverse und implizite Funktionen Josef Leydold Mathematik für VW WS 2017/18 8 Inverse und implizite Funktionen 1 / 21 Inverse Funktion Sei f : D f R n W f R m, x y f(x). Eine Funktion f 1 : W
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
MehrWirtschaftsmathematik II
WMS: Wirtschaftsmathematik 2 :: WS 2009/10 Wirtschaftsmathematik II Reinhard Ullrich http://homepage.univie.ac.at/reinhard.ullrich Basierend auf Folien von Dr. Ivana Ljubic October 11, 2009 1 Funktionen
MehrMathematik für Wirtschaftswissenschaftler im WS 12/13 Lösungen zu den Übungsaufgaben Blatt 12
Mathematik für Wirtschaftswissenschaftler im WS /3 Lösungen zu den Übungsaufgaben Blatt Aufgabe 5 Welche der folgenden Matrizen sind positiv bzw negativ definit? A 8, B 3 7 7 8 9 3, C 7 4 3 3 8 3 3 π 3
MehrKapitel 2. Mathematik für Mikroökonomie
Kapitel Mathematik für Mikroökonomie 1 Mathematik der Optimierung Ökonomische Theorien basieren auf der Annahme, dass die Agenten versuchen, den optimalen Wert einer Funktion zu wählen. Konsumenten maximieren
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrKapitel 7. Differentialrechnung. Josef Leydold Mathematik für VW WS 2017/18 7 Differentialrechnung 1 / 56
Kapitel 7 Differentialrechnung Josef Leydold Mathematik für VW WS 2017/18 7 Differentialrechnung 1 / 56 Differenzenquotient Sei f : R R eine Funktion. Der Quotient f x = f (x 0 + x) f (x 0 ) x = f (x)
MehrDifferenzialrechnung für Funktionen mit mehreren unabhängigen Variablen. Graphentheorie
Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Graphentheorie Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Def.: eine Funktion n f :D mit D,x (x,...x
Mehr7.11. Extrema unter Nebenbedingungen
7.11. Extrema unter Nebenbedingungen Randextrema Wir haben schon bemerkt, daß die üblichen Tests mit Hilfe von (eventuell höheren) Ableitungen nur Kriterien für (lokale) Extrema im Inneren des Definitionsgebietes
MehrFK WMS: Wirtschaftsmathematik 2, Einheit 7/8
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8 Markus Sinnl 1 markus.sinnl@univie.ac.at http://homepage.univie.ac.at/markus.sinnl basierend auf Folien von Dr. Ivana Ljubic, Mag. Christian Spreitzer und Mag.
Mehr3 Anwendungen der Differentialrechnung. (x 1, x 2,..., x n 1, x n ) f xn (x 1, x 2,..., x n 1, x n ), 1 i n 1. y + cos z
R Es sei f : R n D R eine einmal stetig differenzierbare Funktion, für die in einer Umgebung eines Punkte a = a 1, a,, a n D gilt: fa 1, a,, a n = 0, f xn a 1, a,, a n 0 Dann gibt es eines Umgebung U des
MehrKapitel 15. Kontrolltheorie. Josef Leydold Mathematik für VW WS 2017/18 15 Kontrolltheorie 1 / 19. T (1 s(t)) f (k(t)) dt
Kapitel 15 Kontrolltheorie Josef Leydold Mathematik für VW WS 217/18 15 Kontrolltheorie 1 / 19 Wirtschaftswachstum Aufgabe: Maximiere Konsum im Zeitraum [, T]: max s(t) 1 (1 s(t)) f (k(t)) dt f (k)...
MehrOptimierung unter Nebenbedingungen
Optimierung unter Nebenbedingungen Kapitel 7: Optimierung unter Nebenbedingungen Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 1. Juli 2009 1 / 18 7.1 Bemerkung
Mehr(3D-)Extrema unter Nebenbedingungen. Problemstellung (lokale Optimierung)
(3D-)Extrema unter Nebenbedingungen Wir beschränken uns wieder (meistens) auf Funktionen von zwei Variablen x, y. Bei drei oder mehr Variablen x 1,..., x n sind die gleichen Techniken analog anwendbar,
MehrLösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, August D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben. ( Punkte) a) Wir berechnen lim sin(x ) x 3 + 4x L Hôpital = lim x cos(x ) 3x + 8x = 4. b) Wir benutzen L Hôpital lim
MehrMathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 6.5 (das agraökonomische Schaf )
Mathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 65 (das agraökonomische Schaf ) Sascha Kurz Jörg Rambau 25 November 2009 2 66 Die Karush-Kuhn-Tucker-Methode Die Erkenntnisse
MehrKlausurrepetitorium ABWL
Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches
MehrInverse und implizite Funktionen
Kapitel 8 Inverse und implizite Funktionen Josef Leydold Mathematik für VW WS 2017/18 8 Inverse und implizite Funktionen 1 / 21 Inverse Funktion Sei f : D f R n W f R m, x y = f(x). Eine Funktion f 1 :
Mehr10 Extremwerte mit Nebenbedingungen
10 Extremwerte mit Nebenbedingungen 49 10 Extremwerte mit Nebenbedingungen Wir betrachten nun Extremwertaufgaben, bei denen nach dem Extremwert einer fx 1,, x n gesucht wird, aber die Menge der zulässigen
MehrAufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen
Aufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen 1. Bestimmen Sie für die folgenden Funktionen zunächst die kritischen Stellen und entscheiden
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung 1. Anwendungen des Satzes über implizite Funktionen 2. Stationäre Punkte implizit definierter Funktionen 3. Reguläre Punkte 4. Singuläre Punkte Ausblick auf die heutige
MehrTU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik 1. Dr. M. Herrich SS 2017
TU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik Prof. Dr. K. Eppler Institut für Numerische Mathematik Dr. M. Herrich SS 207 Aufgabe Gegeben sei die Funktion f : R 2 R mit Übungen
Mehr16. FUNKTIONEN VON MEHREREN VARIABLEN
16. FUNKTIONEN VON MEHREREN VARIABLEN 1 Reelle Funktionen auf dem R 2 Wir betrachten Funktionen f(x 1, x 2 ) von zwei reellen Variablen x 1, x 2, z.b. f(x 1, x 2 ) = x 2 1 + x2 2, g(x 1, x 2 ) = x 2 1
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr.
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
MehrAufgabensammlung zum UK Mathematische Optimierung
Aufgabensammlung zum UK Mathematische Optimierung Mehrdimensionale Analysis Stetigkeit. Man bestimme den natürlichen Definitionsbereich D f der folgenden Funktionen f: a) f(x, y) = ln(x y ) b) f(x, y)
Mehr1 Übungsaufgaben zu Kapitel 1
Übungsaufgaben zu Kapitel. Übungsaufgaben zu Abschnitt... Aufgabe. Untersuchen Sie die nachstehend definierten Folgen ( a k ) k und ( b k ) k auf Konvergenz und bestimmen Sie ggf. den jeweiligen Grenzwert:
MehrTeil 6. Differentialrechnung mehrerer Veränderlicher
Teil 6 Differentialrechnung mehrerer Veränderlicher 95 96 6.1 Topologie von Mengen Umgebung ε-umgebung eines Punktes x R n : B ε (x) = {y : y x < ε} Umgebung U von x: Menge, die eine ε-umgebung von x enthält
MehrMusterlösungen Aufgabenblatt 2
Jonas Kindervater Ferienkurs - Höhere Mathematik III für Physiker Musterlösungen Aufgabenblatt Dienstag 17. Februar 009 Aufgabe 1 (Implizite Funktionen) f(x, y) = x 1 xy 1 y4 = 0 Man bestimme die lokale
MehrExkurs: Dualität zwischen Nutzenmaximierung und Ausgabenminimierung
Exkurs: Dualität zwischen Nutzenmaximierung und Ausgabenminimierung Tone Arnold Universität des Saarlandes 29 November 2007 29 November 2007 1 / 14 Nutzenmaximierung Beispiel: u(x 1, x 2 ) = x 05 1 x 05
MehrMehrdimensionale Differentialrechnung Übersicht
Mehrdimensionale Differentialrechnung Übersicht Partielle und Totale Differenzierbarkeit Man kann sich mehrdimensionale Funktionen am Besten für den Fall f : R 2 M R vorstellen Dann lässt sich der Graph
MehrFunktionen mehrerer Variabler
Inhaltsverzeichnis 8 Funktionen mehrerer Variabler 8. Einführende Definitionen und Bemerkungen....................... 8. Graphische Darstellungsmöglichkeiten.......................... 8. Grenzwert und
Mehrz 2 + 2z + 10 = 0 = 2 ± 36 2 Aufgabe 2 (Lineares Gleichungssystem) Sei die reelle 3 4 Matrix
Mathematik für Wirtschaftswissenschaftler im WS 03/04 Lösungsvorschläge zur Klausur im WS 03/04 Aufgabe (Komplexe Zahlen (4 Punkte a Berechnen Sie das Produkt der beiden komplexen Zahlen + i und 3 + 4i
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
Mehr1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrWirtschaftsmathematik 00054: Mathematik für Wirtschaftswissenschaftler II Kurseinheit 2: Lineare Algebra II
Wirtschaftsmathematik 00054: Mathematik für Wirtschaftswissenschaftler II Kurseinheit : Lineare Algebra II Leseprobe Autor: Univ.-Prof. Dr. Wilhelm Rödder Dr. Peter Zörnig 74 4 Extrema bei Funktionen mehrerer
Mehr2 Funktionen in mehreren Variablen: Differentiation
Satz 2. (Richtungsableitung) Für jede auf der offenen Menge D R n total differenzierbaren Funktion f (insbesondere für f C 1 (D, R) und für jeden Vektor v R n, v 0, gilt: n v f(x) = f(x) v = f xi (x)v
Mehr8 Blockbild und Hohenlinien
Mathematik fur Ingenieure Institut fur Algebra, Zahlentheorie und Diskrete Mathematik Dr. Dirk Windelberg Universitat Hannover Stand: 18. August 008 http://www.iazd.uni-hannover.de/windelberg/teach/ing
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
MehrTechnische Universität Berlin
Technische Universität Berlin Fakultät II Institut für Mathematik WS /5 G. Bärwol, A. Gündel-vom-Hofe..5 Februar Klausur Analysis II für Ingenieurswissenschaften Lösungsskizze. Aufgabe 6Punkte Bestimmen
MehrKlausur Mathematik, 1. Oktober 2012, A
Klausur, Mathematik, Oktober 2012, Lösungen, A 1 Klausur Mathematik, 1. Oktober 2012, A Die Klausureinsicht ist Do, 8.11.2012 um 18:00 in MZG 8.136. Die Klausur ist mit 30 Punkten bestanden. Falls Sie
Mehr3. Mai Zusammenfassung. g x. x i (x).
3. Mai 2013 Zusammenfassung 1 Hauptsatz Satz 1.1 Sei F C 1 (D) für eine offene Teilmenge D von R q+1 = R q R. Für (x 0, u 0 ) D gelte F (x 0, u 0 ) = 0, (x 0, u 0 ) 0. Dann gibt es eine Umgebung V von
MehrLösung zur Prüfung HM 1,2 el+phys+kyb+geod, Teil 2
Lösung zur Prüfung HM, el+phys+kyb+geod, Teil Universität Stuttgart Fachbereich Mathematik Institut für Analysis, Dynamik und Modellierung 9.7.6 Name Vorname Matr.-nummer Raum Anmerkungen zur Korrektur:...
Mehr3. Approximation von Funktionen und Extremwertprobleme im R n
3. Approximation von Funktionen und Extremwertprobleme im R n Wie in D ist es wichtig Funktionen mit mehreren Variablen durch Polynome lokal approximieren zu können. Polynome lassen sich im Gegensatz zu
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
MehrNachklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 18.9.17 Fakultät 4 - Mathematik und Naturwissenschaften Prof. N. V. Shcherbina Dr. T. P. Pawlaschyk www.kana.uni-wuppertal.de Nachklausur zur Analysis 2, SoSe 217 Aufgabe
MehrSubstitutionsverfahren
Substitutionsverfahren 1 Motivation Wir stehen vor folgendem Problem: In unserem Betrieb kann unsere einzige Maschine Produkt A in zwei Stunden und Produkt B in einer Stunde produzieren. Die Maschine läuft
MehrEinführung in die Volkswirtschaftslehre
Einführung in die Volkswirtschaftslehre Übung 1: Mathematische Analyseinstrumente Dipl.-Volksw. J.-E.Wesselhöft/ Dipl.-Volksw. J.Freese Bachelor Modul Volkswirtschaftliche Analyse (WS-14-V-03) HT 2009
MehrSerie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015
Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 3. Mai 203 *Aufgabe. Bestimmen Sie alle Punkte (x 0, y 0 ), an denen der Gradient der Funktion f(x, y) = (xy 2 8)e x+y Null ist. Untersuchen Sie, ob diese Punkte lokale
MehrMathematik I Internationales Wirtschaftsingenieurwesen
Mathematik I Internationales Wirtschaftsingenieurwesen Funktionen mit mehreren reellen Variablen 18.11.08 Beispiel: Funktionsgebirge Das Beispiel zeigt die Funktion z = y sin(x 2 ) Schnittkurven: Beispiel
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
MehrAufgabe 1 (Komplexe Zahlen) Berechnen Sie die folgenden komplexe Zahlen:
Mathematik für Wirtschaftswissenschaftler im SoSe 24 Lösungsvorschläge zur Klausur im SoSe 24 Aufgabe (Komplexe Zahlen) Berechnen Sie die folgenden komplexe Zahlen: z = ( + i) 2 w = + i. Stellen Sie jeweils
MehrEin Buch. Für Anwendungen des Stoffs in den Wirtschaftswissenschaften: Knut Sydsæter, Peter Hemmond: Mathematik für Wirtschaftswissenschaftler
Ein Buch Für Anwendungen des Stoffs in den Wirtschaftswissenschaften: Knut Sydsæter, Peter Hemmond: Mathematik für Wirtschaftswissenschaftler (Aber bei der Mathematik ein bisschen aufpassen!) 4 Extremstellen
MehrOptimierung. Optimierung. Vorlesung 5 Optimierung mit Nebenbedingungen Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 5 Optimierung mit Nebenbedingungen 1 Minimierung mit Gleichheitsrestriktionen Gegeben: Funktion,,,, : Ziel:,,, Unrestringierter Fall: Notwendige Bedingung für lokales Minimum keine
MehrKapitel 6 Differential- und Integralrechnung in mehreren Variablen
Kapitel 6 Differential- und Integralrechnung in mehreren Variablen Inhaltsverzeichnis FUNKTIONEN IN MEHREREN VARIABLEN... 3 BEISPIELE UND DARSTELLUNGEN... 3 GRENZWERT UND STETIGKEIT (ABSTANDSBEGRIFF)...
MehrDifferentialrechnung
Kapitel 7 Differentialrechnung Josef Leydold Auffrischungskurs Mathematik WS 2017/18 7 Differentialrechnung 1 / 75 Differenzenquotient Sei f : R R eine Funktion. Der Quotient f = f ( 0 + ) f ( 0 ) = f
MehrDifferentialrechnung. Kapitel 7. Differenzenquotient. Graphische Interpretation des Differentialquotienten. Differentialquotient
Differenzenquotient Sei f : R R eine Funktion. Der Quotient Kapitel 7 Differentialrechnung f = f 0 + f 0 = f 0 0 heißt Differenzenquotient an der Stelle 0., Sekante 0, f 0 f 0 Josef Leydold Auffrischungskurs
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Aufgaben zur nicht-linearen Optimierung Teil II Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Aufgabe 5 Bestimmen
MehrExtremwertrechnung in mehreren Veränderlichen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann SS 2014 14.05.2014 Höhere Mathematik II für die Fachrichtung Informatik 3. Saalübung (14.05.2014) Extremwertrechnung
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
MehrOutline. 1 Funktionen von mehreren Veränderlichen. 2 Grenzwert und Stetigkeit. 3 Partielle Ableitungen. 4 Die verallgemeinerte Kettenregel
Outline 1 Funktionen von mehreren Veränderlichen 2 Grenzwert und Stetigkeit 3 Partielle Ableitungen 4 Die verallgemeinerte Kettenregel 5 Das totale Differential 6 Extremstellen Roman Wienands (Universität
Mehr