11 Optimierung von Funktionen einer Veränderlichen
|
|
- Anna Maus
- vor 7 Jahren
- Abrufe
Transkript
1 11 Optimierung von Funktionen einer Veränderlichen In diesem Kapitel werden die bis hier behandelten Grundlagen der Analysis genutzt, um Methoden aus der Optimierungstheorie für eindimensionale Entscheidungsmengen einzuführen. Die zentrale Problemstellung der Optimierung besteht darin, den Wert einer Funktion durch die geeignete Wahl ihres Arguments zu maimieren oder zu minimieren. Kann das Argument aus dem Definitionsbereich der Funktion beliebig gewählt werden, so spricht man von unbeschränkter Optimierung oder auch der Optimierung ohne Nebenbedingungen; falls dagegen das Argument zusätzliche Bedingungen erfüllen muß, so spricht man von beschränkter Optimierung oder auch Optimierung unter Nebenbedingungen. Insbesondere die beschränkte Optimierung steht in sehr enger Beziehung zu zentralen Fragestellungen der Wirtschaftswissenschaften, insbesondere im Zusammenhang der bestmöglichen Verwendung knapper Ressourcen Lokale und globale Etrema Wichtigstes Grundkonzept der Optimierungstheorie sind Etremwerte von Funktionen, also Maima und Minima. Wir unterscheiden zwischen lokalen und globalen Etremwerten. Die Formulierung lokal bezieht sich auf die unmittelbare Nachbarschaft (genügend kleine ε-kugel) um den Etremwert, während global sich auf eine in Frage kommende oder betrachtete Zahlenmenge bezieht. Durch die in der folgenden Definition vorgenommene Präzisierung kann ein lokales als ein relatives (relativ zur Nachbarschaft) Etremum aufgefaßt werden und ein globales als ein absolutes. Definition 11.1 (Lokale und globale Etrema) Sei f : R R. DasElement ˆ A Def(f) heißt lokales Maimum (Minimum) auf A genau dann wenn ε >0: B ε = { ˆ ε} A gilt: f() ( )f (ˆ). ˆ A Def(f) heißt dagegen globales Maimum (Minimum) auf A genau dann wenn A gilt: f() ( )f (ˆ). 106
2 insert picture here Im Bild sind a und c lokale Maima, b lokales Minimum und c globales Maimum, während kein globales Minimum eistiert. Für differenzierbare Funktionen stehen erste und zweite Ableitung in engem Zusammenhang mit der Etremwert Satz 11.1 (Notwendige und hinreichende Bedingungen für lokale Etremwerte) Sei f : R R eine C 2 -Funktion mit Def(f) =R. Danngilt: 1.) Falls ˆ lokales Maimum ist, gilt Df (ˆ) =0 und D 2 f (ˆ) 0. 2.) Falls ˆ lokales Minimum ist, gilt Df (ˆ) =0 und D 2 f (ˆ) 0. 3.) Falls Df (ˆ) =0 und D 2 f (ˆ) < 0 ist, dann ist ˆ lokales Maimum. 4.) Falls Df (ˆ) =0 und D 2 f (ˆ) > 0 ist, dann ist ˆ lokales Minimum. Man beachte die feinen Unterschiede zwischen den notwendigen und hinreichenden Bedingungen in den schwachen und starken Ungleichheitszeichen. Daraus ergibt sich ein einfaches Rezept für den nach einem globalen Maimum suchenden Protagonisten. 1.) Zunächst bestimme man diejenigen Punkte ˆ mit der Eigenschaft, daß deren erste Ableitung gleich null ist, also Df (ˆ) = 0. 2.) Unter diesen bestimme man diejenigen, für die zusätzlich gilt D 2 f (ˆ) < 0. Nach Satz 11.1 ist sichergestellt, daß alle Punkte die beiden Kriterien genügen lokale Maima sind. 3.) Man bestimme deren Funktionswerte und wähle denjenigen (oder falls es mehr als einen gibt, diejenigen) mit dem höchsten Funktionswert aus. 107
3 4.) Achtung jetzt sind wir noch nicht fertig, denn es kann noch passieren, daß die Funktion f am Rand des Definitionsbereiches also für oder nach strebt und daher kein globales Maimum eistiert. Letzter Schritt ist also die Untersuchung des Randverhaltens. Beispiel 11.1: Sei f() = Dann ist Df() = und D 2 f() = Erster Schritt: Erste Ableitung gleich null ergibt 1 = 0, 2 = 1 und 3 = 1. Zweiter Schritt: Zweite Ableitung strikt negativ gilt für 2 und 3 aber nicht für 1. Dritter Schritt: Da f( 2 )=f( 3 )ist,sindsowohl 2 als auch 3 mögliche Kandidaten für globale Maima. Vierter Schritt: Für das Randverhalten gilt lim f() = lim 2 ( 2 +2)+4= und lim f() = lim 2 ( 2 +2)+4=. Eine Analyse der (strengen) Monotoniebereiche Mon ++ (f) ={ Df() > 0} und Mon (f) ={ Df() < 0} ist eine alternative Methode zur Bestimmung der lokalen Etrema, die gleich die Analyse des Randverhaltens mit einschließt Optimierung mit Nebenbedingungen Wir betrachten in den folgenden beiden Abschnitten stets Optimierungsprobleme der Form ma f(), A wobei A =[a, ) odera =(,b]odera =[a, b] mit a, b R. Das heißt, der zulässige Bereich A, über dem maimiert wird, ist ein abgeschlossenes Intervall. In diesem Zusammenhang sei daran erinnert, daß z.b. [a, ) eine abgeschlossene aber nicht kompakte da nicht beschränkte Teilmenge der reellen Zahlen ist. Beispiel 11.2: (i) insert picture (ii) insert picture 108
4 Wir erkennen am zweiten Beispiel, daß im Gegensatz zur Optimierung ohne Nebenbedingungen Df(ˆ) = 0 keine notwendige Bedingung für eine Lösung des Optimierungsproblems ma A f() ist. Offenbar braucht diese Bedingung erster Ordnung genau dann nicht erfüllt zu sein, wenn eine Lösung ˆ am Rand A des Intervalls A liegt, also ˆ = a oder ˆ = b ist. Satz 11.2 Sei f : A R zweimal differenzierbar und konkav auf seinem Definitionsbereich Def(f) =A, alsod 2 f() 0 A. Danngilt:Df(ˆ) =0 ˆ ist globales Maimum auf A. Df(ˆ) = 0 ist also hinreichend dafür, daß ˆ das Optimierungsproblem ma A f() löst, falls f konkav auf A ist. Beispiel 11.3: Sei f() = , A =[ 5, 1], B =[ 1, 3] und C =[3, ]. Dann ist Df() = und D 2 f() =6 12, also D 2 f() 0für A. Aus Satz 11.2 folgt also, daß ˆ = 0 das Maimierungsproblem ma A f() löst. Man beachte, daß Satz 11.2 keine notwendige Bedingung angibt, denn ˆ = 0 löst ma B f(), obwohl f nicht konkav auf B ist. Das Maimierungsproblem ma C f() besitzt keine Lösung, während auf das Minimierungsproblem min f() C wieder Satz 11.2 anwendbar ist durch die Umformung in das entsprechende Maimierungsproblem ma C f(). Da Df(4) = 0 und D 2 f() 0für C löst ˆ = 4 das Minimierungsproblem min C f(). Beispiel 11.2 lehrt uns, daß es in der Optimierungstheorie genügt, Maimierungsprobleme zu studieren, da Minimierungsprobleme durch Umkehrung des Vorzeichens der Zielfunktion stets in analoge Maimierungsprobleme umgewandelt werden können Lagrangefunktion und Kuhn-Tucker Bedingungen Beispiel 11.2zeigt, daßsatz11.2nicht befriedigt, dennselbst für konkave Funktionen ist offenbar die Bedingung erster Ordnung Df(ˆ) = 0 nicht notwendig für die Lösung eines Problems vom Typ ma A f(). Die inzwischen 250 Jahre alte Idee 109
5 des 18-jährigen autodidaktischen Joseph-Louis Lagrange ( ) war es, stattdessen eine andere Funktion einer höheren Dimensionalität zu definieren, deren Ableitung stets 0 ist für die Lösung des betrachteten Optimierungsproblems. 1 insert picture Sei für den Moment A =(,b]. Wir betrachten nun das Optimierungsproblem ma A f(), das wir häufig auch schreiben als ma f() u.d.n. b 0, wobei u.d.n. die Abkürzung für unter der Nebenbedingung ist. Definition 11.2 Die Funktion heißt Lagrangefunktion zum Problem L(, λ) =f()+λ(b ) ma f() u.d.n. b 0. Die Variable λ heißt die zur Nebenbedingung b 0 gehörige Lagrangevariable oder Lagrangemultiplikator. Die Lagrangevariable λ wird so bestimmt, daß für eine Lösung ˆ des Optimierungsproblems stets L(, λ) = 0 gilt. Definition 11.3 (Kuhn-Tucker Bedingungen) Die Bedingungen (1) L(, λ) =0 (2) b 0 (4) λ(b ) =0 heißen Kuhn-Tucker Bedingungen (KT) zum Optimierungsproblem ma f() u.d.n. b 0. Falls ˆ die Kuhn-Tucker Bedingungen erfüllt, werden wir abkürzend sagen, ˆ erfüllt KT. 1 Diese Methode des jungen italienischen Mathematikers wurde von seinem berühmten Zeitgenossen Leonard Euler als so bedeutsam eingestuft, daß Lagrange auf dessen Empfehlung kurz darauf als 19-jähriger zum Professor an der Universität Turin ernannt wurde. Später soll Lagrange einmal geäußert haben Wenn ich reich gewesen wäre, hätte ich mich wahrscheinlich nicht der Mathematik gewidmet. 110
6 2 Fälle: insert picture Die Mathematiker Harold Kuhn und Albert Tucker haben ca. 200 Jahre später die Idee von Lagrange verallgemeinert und notwendige und hinreichende Bedingungen für die Lösung von Optimierungsproblemen mit Nebenbedingungen in Form von Ungleichungen formuliert. 2 Da rationales ökonomisches Verhalten meistens auf genau diese Art von Problem reduzierbar ist, spielen diese Bedingungen ein zentrale Rolle für Wirtschaftswissenschaftler. Bemerkenswerterweise sind vereinfachte und dadurch falsche Versionen dieser für Wirtschaftswissenschaftler so zentralen Theorie hartnäckig bis heute Bestandteil des üblichen ökonomischen Curriculums und der entsprechenden Literatur. In diesem Abschnitt werden diese Bedingungen für Funktionen einer Veränderlichen studiert. Da dies eine gute Vorbereitung für die allgemeine Formulierung darstellt, behandeln wir hier den eindimensionalen Fall aus didaktischen Gründen getrennt von der allgemeineren mehrdimensionalen Formulierung. 3 Satz 11.3 (Notwendige Bedingungen) Sei eine Lösung des Optimierungsproblems ma f() u.d.n. b 0. Dann eistiert ein λ, so daß (,λ ) die KT erfüllt. (1) L(, λ) =0 (2) b 0 (4) λ(b ) =0 Die Umkehrung benötigt wie im Fall ohne Nebenbedingungen mehr Voraussetzungen. Das folgende Bild zeigt, daß auch ein lokales Minimum die KT erfüllen kann. insert picture 2 Man beachte, daß Nebenbedingungen in Form von Gleichungen stets durch die doppelte Anzahl von Nebenbedingungen in Form von Ungleichungen ersetzbar ist. Z.B. gilt g() = 0 g() 0 g() 0. Da umgekehrt Ungleichungsnebenbedingungen nicht durch Gleichungen repräsentierbar sind, ist die Formulierung auf Basis von Ungleichungen allgemeiner. 3 Es ist häufig nicht schwierig, oder sogar einfacher, im eindimensionalen Fall Lösungen zu bestimmen, ohne auf KT zurückzugreifen. Da der Rand des Optimierungsbereiches A nur aus höchstens zwei Elementen besteht, ist durch Bestimmung der lokalen Maima in A und der Funktionswerte an den Rändern ein direkter Vergleich sehr einfach. 111
7 Satz 11.4 (Hinreichende Bedingungen) Sei f konkav auf A =(,b] und (,λ ) erfülle die KT (1) L(, λ) =0 (2) b 0 (4) λ(b ) =0. Dann löst das Optimierungsproblem ma f() u.d.n. b 0. Statt der 4.) KT Bedingung λ(b ) = 0 kann man auch schreiben L(,λ )= f( ). Analoge Aussagen zu den Sätzen 11.3 und 11.4 gelten offenbar für A = [a, ) odera =[a, b]. Die Lagrangefunktion für A =[a, ) ist L(, λ) =f()+λ( a) und die KT sind (1) L(, λ) =0 (2) a 0 (4) λ( a) =0. Für A =[a, b] ist die Lagrangefunktion L(, λ 1,λ 2 )=f()+λ 1 (b )+λ 2 ( a) und es müssen zwei Ungleichungen erfüllt sein. Die Zahl der KT erhöht sich entsprechend: (1) 1,λ 2 )=0 (2) b 0 und a 0 (3) λ 1 0 und λ 2 0 (4) λ 1 (b ) = 0 und λ 2 ( a) =0. Beispiel 11.4: Betrachte das Optimierungsproblem ma f() u.d.n. b 0 für f() =2 2. (i) Sei zunächst b = 1. Die Lagrangefunktion ist dann L(, λ) =2 2 + λ(1 ) 112
8 und die KT sind (1) L(, λ) = 2 λ =0 (2) b =1 0 (4) λ(b ) =λ(1 ) =0. Da f konkav ist, löst wegen Satz 11.4 eine Lösung der KT auch das Optimierungsproblem. Betrachte dazu zwei Fälle: (i) λ > 0 = 1führt zu einem Widerspruch, denn es muß gelten 2 1 λ = 0. Daher kann nur gelten (ii) λ =0 =0.Lösung des Optimierungsproblems ist also =0. (ii) Sei nun b = 1. Also L(, λ) =2 2 + λ( 1 ), und die KT (1) 2 λ =0 (2) 1 0 (4) λ( 1 ) =0. Hier führt (ii) λ = 0 zum Widerspruch denn dies impliziert = Umgekehrt ist (i) λ > 0 = 1 2 ( 1) = λ = 2. Lösung des Optimierungsproblems ist also = 1. (iii) Betrachte zuletzt b = 0.Also L(, λ) =2 2 λ, und die KT sind (1) 2 λ =0 (2) 0 (4) λ =0. (i) λ>0 =0 λ = 0 Widerspruch, also (ii) λ =0 =0.Lösung des Optimierungsproblems ist also =0. Für das Verständnis allgemeiner mehrdimensionaler Optimierungstheorie ist es hilfreich, sich folgende Zusammenfassung zu globalen Maima von Funktionen einer Variablen einzuprägen. 1.) Ohne Nebenbedingungen löst ma R f() f ist konkav Df( )=0. 113
9 2.) Mit Nebenbedingungen löst ma A f() f ist konkav (,λ )löst KT. Offenbar ist 1.) in 2.) enthalten. Statt Konkavität genügt auch Quasikonkavität als schwächere Annahme für die hinreichenden Bedingungen. 114
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,
Mehredingung erster Ordnung ist eine notwendige aber Die hinreichende edingung für ein Maimum keine die edingung erster Ordnung erfüllt ist, können wir We
sei eine reelle Zahl und f () eine reellwertige Funktion, Dabei die wenigstens zweimal differenzierbar ist Λ ein Maimum dieser Funktion ist, dann muß die Wenn der Funktion an Λ genau gleich 0 sein Warum?
MehrTutorium Mathematik I M WM Lösungen
Tutorium Mathematik I M WM Lösungen 3... Durch mehrmaliges Anwenden der Regel von de l Hospital ergibt sich: e e sin() e cos()e sin() sin() cos() e + sin()e sin() cos ()e sin() sin() e + cos()e sin() +
MehrPropädeutik Klausur in Analysis für Wirtschaftswissenschaftler
Universität Mannheim SS 998 Dr. Matthias Blonski Propädeutik Klausur in Analysis für Wirtschaftsissenschaftler Man beachte folgende Hineise:. Die Klausur umfaßt 5 Aufgaben (jeeils auf einem Blatt) zuzüglich
MehrMathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung
Mathematik I Herbstsemester 2014 Kapitel 4: Anwendungen der Differentialrechnung www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
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.
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
MehrWie reagiert Nachfrage nach dem Gut auf Preisänderungen?
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 008 7.7 Warum Ökonomen Elastizitäten benutzen? 7.Oktober
MehrMusterlösung der 1. Klausur zur Vorlesung
Prof. Dr. M. Röger Dipl.-Math. C. Zwilling Fakultät für Mathematik TU Dortmund Musterlösung der. Klausur zur Vorlesung Analysis II 6.7.6) Sommersemester 6 Aufgabe. i) Die Folge f n ) n N konvergiert genau
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,
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,
MehrAnalysis II 14. Übungsblatt
Jun.-Prof. PD Dr. D. Mugnolo Wintersemester 01/13 F. Stoffers 04. Februar 013 Analysis II 14. Übungsblatt 1. Aufgabe (8 Punkte Man beweise: Die Gleichung z 3 + z + xy = 1 besitzt für jedes (x, y R genau
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
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrZusammenfassung: Differenzialrechnung 2
LGÖ Ks M 11 Schuljahr 17/18 Zusammenfassung: Differenzialrechnung Inhaltsverzeichnis Etrem- und Wendepunkte... 1 Etremwertprobleme... 8 Etrem- und Wendepunkte Definition: Ist eine reelle Zahl, dann heißt
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
MehrVorkurs Mathematik. Christoph Hindermann. Funktionen, Ableitungen und Optimierung
Kapitel 3 Funktionen, Ableitungen und Optimierung Christoph Hindermann Vorkurs Mathematik 1 Vorkurs Mathematik 2 3.1 Funktionen Motivation Funktionen reeller Veränderlicher gehören zu den wichtigsten Untersuchungs-
MehrAnalysis II - 2. Klausur
Analysis II - 2. Klausur Sommersemester 25 Vorname: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Summe Analysis II - 2. Klausur 6.7.25 Aufgabe 6 Punkte Betrachten Sie die C
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
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)
Mehr8.1 Grundbegriffe der Mengen-Topologie
Die Menge der möglichen Handlungsalternativen eines Entscheidungsproblems wird Entscheidungsraum genannt. Die Entscheidungsräume vieler ökonomischer Entscheidungsprobleme sind Teilmengen des R n. In diesem
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 5
Technische Universität München Zentrum Mathematik Mathematik Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 5 Hausaufgaben Aufgabe 5. Bestimmen Sie folgende Grenzwerte. Benutzen
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
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
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
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
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
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
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.
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
Mehrwenn f ( x 0 ) der größte Funktionswert für alle x aus einer Umgebung Dieser größte Funktionswert f ( x 0 ) heißt relatives (lokales) Maximum
R. Brinkmann http://brinkmann-du.de Seite 06.0.008 Etrempunkte ganzrationaler Funktionen Vorbetrachtungen und Begriffserklärungen Beim zeichnen eines Funktionsgraphen war es bislang unbefriedigend, den
MehrDie Lagrange-duale Funktion
Die Lagrange-duale Funktion Gregor Leimcke 21. April 2010 1 Die Lagrangefunktion Wir betrachten das allgemeine Optimierungsproblem wobei minimiere f 0 über D sodass f i 0, i = 1,..., m 1.1 D = h i = 0,
MehrMathematik M 1/Di WS 2001/02 1. Sei f : D R eine Funktion mit nichtleerem Definitionsbereich D. Sei a D. f heißt stetig in a, falls gilt
Mathematik M 1/Di WS 2001/02 1 b) Stetigkeit Sei f : D R eine Funktion mit nichtleerem Definitionsbereich D Sei a D f heißt stetig in a, falls gilt lim f() = f(a) a f heißt stetig auf D, wenn f in jedem
MehrMusterlösung. TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Klausur Mathematik für Physiker 3 (Analysis 2) I... II...
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 3 Unterschrift der Kandidatin/des Kandidaten 4 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
MehrWertetabelle für f(x, y) = x² + y² Konstruktion des Punktes (2 2 8)
6 Differentialrechnung bei Funktionen in mehreren Veränderlichen DEFINITION Es seien, ;..., n reelle unabhängige Variablen. Wenn jede Wertekombination ( ; ;..., n ) genau eine Zahl R zugeordnet ist, so
MehrDie Lösungen der Gleichung b x = log b (x)
Die Lösungen der Gleichung b = log b () wgnedin@math.uni-koeln.de 17. Januar 2014 In der ersten Vorlesung des Wintersemesters wurde folgende Frage gestellt: Wieviele Lösungen hat die Gleichung ( ) 1 =
MehrKonvexe Optimierungsprobleme
von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel
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
MehrKapitel II Funktionen reeller Variabler
Kapitel II Funktionen reeller Variabler D (Funktion) Es sei f XxY eine Abbildung Die Abbildung f heiß Funktion, falls sie eindeutig ist Man schreibt dann auch: f : X Y f ( x) = y, wobei y das (eindeutig
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
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
MehrTechnische Universität Berlin
Technische Universität Berlin Fakultät II Institut für Mathematik WS /4 P. Bank, A. Gündel-vom-Hofe, G. Penn-Karras 9.4.4 April Klausur Analsis II für Ingenieure Lösungsskizze. Aufgabe 6 Punkte Es seien
MehrVorkurs Mathematik für Ingenieur Innen WS 2018/2019 Übung 7
Prof. Dr. J. Pannek Dynamics in Logistics Vorkurs Mathematik für Ingenieur Innen WS 018/019 Übung 7 Aufgabe 1 : Etremwerte Der Ellipse + y = 1 ist ein Rechteck mit Seitenlängen p, q, dessen Seiten parallel
MehrVorkurs Mathematik für Ingenieure WS 2015/2016 Übung 6
Prof. Dr. J. Pannek Dynamics in Logistics Vorkurs Mathematik für Ingenieure WS 015/016 Übung 6 Aufgabe 1 : Differentialrechnung (a Berechnen Sie die Ableitung nachstehender Funktionen an der Stelle 0 und
MehrKapitel 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
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
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
Mehr3.2 Lineare Optimierung (Entscheidungen unter Sicherheit)
3. Lineare Optimierung (Entscheidungen unter Sicherheit) Betrachtet wird hier der Fall Θ = (bzw. die Situation u(a, ϑ) bzw. l(a,ϑ) konstant in ϑ Θ für alle a A). Da hier keine Unsicherheit über die Umweltzustände
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
Mehr1. Aufgabe. Lösungen Übungsaufgaben Prof. Dr. Friedel Bolle Lehrstuhl für Volkswirtschaftslehre, insbesondere Wirtschaftstheorie.
Lösungen Übungsaufgaben - 6 Prof. Dr. Friedel Bolle Lehrstuhl für Volkswirtschaftslehre, insbesondere Wirtschaftstheorie (Mikroökonomie) Lösungen Übungsaufgaben - 6. Aufgabe 0 Menge I Menge II Durchschnitt
Mehr4.5 Lokale Extrema und die Hessesche Form
80 Kapitel 4. Differentialrechnung in mehreren Variablen 4.5 Lokale Extrema und die Hessesche Form Sei ab jetzt U R n offen und f:u R eine Funktion. Unter einem lokalen Extremum der Funktion f verstehen
MehrTechnische Universität Berlin Fakultät II Institut für Mathematik SS 14
Technische Universität Berlin Fakultät II Institut für Mathematik SS 4 Doz.: Blath, Gündel vom Hofe Ass.: Altmann, Fackeldey, Hammer 8. Okt 4 Oktober Klausur Analysis I für Ingenieure Name:....................................
Mehr6 Die Bedeutung der Ableitung
6 Die Bedeutung der Ableitung 24 6 Die Bedeutung der Ableitung Wir wollen in diesem Kapitel diskutieren, inwieweit man aus der Kenntnis der Ableitung Rückschlüsse über die Funktion f ziehen kann Zunächst
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
Mehr1 Höhere Ableitungen 2. 2 Mittelwertsatz und Monotonie 3. 3 Konvexe und konkave Funktionen 5. 4 Lokale und globale Extremalstellen 7
Universität Basel 4 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Kurvendiskussionen Inhaltsverzeichnis 1 Höhere Ableitungen 2 2 Mittelwertsatz und
MehrAnwendungen der Differentialrechnung
KAPITEL 7 Anwendungen der Differentialrechnung 7.1 Maxima und Minima einer Funktion................. 141 7.2 Mittelwertsatz............................ 144 7.3 Kurvendiskussion..........................
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 x 1, x 2,..., x n ) x 2... f 2 x 1, x 2,..., x n )... x n f m x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man: f
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
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
MehrMathematik für Wirtschaftswissenschaftler
Fred Böker Mathematik für Wirtschaftswissenschaftler Das Übungsbuch 2., aktualisierte Auflage Higher Education München Harlow Amsterdam Madrid Boston San Francisco Don Mills Meico City Sydney a part of
MehrHöhere Mathematik I für Ingenieurinnen und Ingenieure Lösungen zur 11. und 12. Übung
TU Bergakademie Freiberg Vorl. Frau Prof. Dr. Swanhild Bernstein Übung Dipl.-Math. Daniel Lorenz Freiberg, WS 017/18 Höhere Mathematik I für Ingenieurinnen und Ingenieure Lösungen zur 11. und 1. Übung
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
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
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
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
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 I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
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
Mehr( ) ( ) < b k, 1 k n} (2) < x k
Technische Universität Dortmund Fakultät für Mathematik Proseminar Analysis Prof. Dr. Röger Benjamin Czyszczon Satz von Heine Borel Gliederung 1. Zellen und offene Überdeckungen 2. Satz von Heine Borel
MehrSerie 4: Flächeninhalt und Integration
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr. Ana Cannas Serie 4: Flächeninhalt und Integration Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom. und 4. Oktober.. Das Bild zeigt
Mehr5.10. Mehrdimensionale Extrema und Sattelpunkte
5.1. Mehrdimensionale Extrema und Sattelpunkte Zur Erinnerung: Eine Funktion f von einer Teilmenge A des R n nach R hat im Punkt a ein (strenges) globales Maximum, falls f( x ) f( a ) (bzw. f( x ) < f(
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
MehrTechnische Universität München. Grundlagen der konvexen Optimierung
Technische Universität München Fakultät für Mathematik Lehrstuhl für Mathematische Optimierung Grundlagen der konveen Optimierung Michael Ulbrich April 2012 Gliederung der Vorlesung 1. Einführung Konvee
MehrKapitel VII Untersuchung von Funktionen mittels Ableitungen (Lösungen)
Kapitel VII Untersuchung von Funktionen mittels Ableitungen (Lösungen) 7 cos sin 7 a) b a b b a a b a ln ln ln b) 8 sin cos sin ) ( lnsin π π π π π c) + + + ln 7 a) + e e e e b) ) + + ( + + 7 a) + + +
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
Mehr10. Isolierte Singularitäten
0. Isolierte Singularitäten 57 0. Isolierte Singularitäten Der wichtigste Spezialfall von Laurent-Reihen (und in der Tat auch der, den wir ab jetzt nur noch betrachten werden) ist der, bei dem der innere
Mehr3 Abbildungen. 14 I. Zahlen, Konvergenz und Stetigkeit
14 I. Zahlen, Konvergenz und Stetigkeit 3 Abbildungen 3.1 Definition. Es seien zwei Mengen M, N gegeben. Unter einer Abbildung f : M N von M nach N versteht man eine Vorschrift, die jedem Element M genau
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
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
MehrA7.2 Kenntnis der Bedeutung der 1. und 2. Ableitung für den Graphen einer Funktion; Untersuchung ganzrationaler Funktionen
A7.2 Kenntnis der Bedeutung der 1. und 2. Ableitung für den Graphen einer Funktion; Untersuchung ganzrationaler Funktionen Die folgenden grundsätzlichen Überlegungen sollen am Beispiel der Funktion f 1
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
MehrKontinuierliche Optimierung
Kontinuierliche Optimierung Markus Herrich Wintersemester 2018/19 ii Inhaltsverzeichnis 2 Optimalitäts- und Regularitätsbedingungen 1 2.1 Einleitung und Wiederholung.................... 1 2.2 Optimalitätsbedingungen
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,
MehrMathematische Methoden der VWL
Mathematische Methoden der VWL Kapitel 1: Maximierung ohne Nebenbedingungen Till Stowasser Klaus Schmidt, 2001 / Till Stowasser, 2014 LMU, Wintersemester 2014/2015 1 / 30 Syllabus Syllabus 1.1 Funktionen
MehrAufgabe 51. Gegeben ist die Preis-Absatz-Funktion. p W R C! R C mit p.x/ D 20 2x :
Aufgabe 5 Differentialrechnung: Preiselastizität (DIFF0.4) Gegeben ist die Preis-Absatz-Funktion p W R C! R C mit p./ D 0 : Dabei steht R C für die nachgefragte Menge und p R C für den Preis. Bestimmen
MehrMathematik I Herbstsemester 2018 Kapitel 4: Anwendungen der Differentialrechnung
Mathematik I Herbstsemester 2018 Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 55 4. Anwendungen der Differentialrechnung Monotonie Krümmung Linearisierung einer Funktion Extremwerte
MehrOptimierung und Lagrange. x = 9 maximiert f
Optimierung und Lagrange 1.1 Eine Variable, keine Nebenbedingung ma f ( Erinnerung: (a) min f ( ma ( f ( ) (b) maimiert f f ( ) = 0 (c) f ( ) = 0 und f knkav (z.b. f ( ) 0 für alle ) maimiert f Beispiel:
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrKlausur Mathematik 1 für Wirtschaftswissenschaftler
Klausur Mathematik 1 für Wirtschaftswissenschaftler WS 2003/04 Prof. Dr. Matthias Blonski Man beachte folgende Hinweise: 1. Die Klausur umfaßt 5 Aufgaben (jeweils auf einem Blatt) zuzüglich einer Lösungsliste,
MehrÜbersicht. 1. Motivation. 2. Grundlagen
Übersicht 1. Motivation 2. Grundlagen 3. Analysis 3.1 Folgen, Reihen, Zinsen 3.2 Funktionen 3.3 Differentialrechnung 3.4 Extremwertbestimmung 3.5 Nichtlineare Gleichungen 3.6 Funktionen mehrerer Variabler
Mehr23 Konvexe Funktionen und Ungleichungen
23 Konvexe Funktionen und Ungleichungen 231 Konvexe Funktionen 232 Kriterien für Konvexität 233 Streng konvexe Funktionen 235 Wendepunkte 237 Ungleichung von Jensen 2310 Höldersche Ungleichung 2311 Minkowskische
Mehr1 Polynome III: Analysis
1 Polynome III: Analysis Definition: Eine Eigenschaft A(x) gilt nahe bei a R, falls es ein δ > 0 gibt mit A(x) gilt für alle x (a δ, a + δ)\{a} =: U δ (a) Beispiele: x 2 5 nahe bei 0 (richtig). Allgemeiner:
MehrAnalysis 2 für Mathematiker, Wirtschaftsmathematiker und Gymnasiallehrer Übungsblatt 3 vom
Analysis 2 für Mathematiker, Wirtschaftsmathematiker und Gymnasiallehrer Übungsblatt 3 vom 26.04.2012 Die Aufgaben werden immer am Donnerstag gestellt und sind am Donnerstag der darauf folgenden Woche
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie (KIT) WS 202/3 Institut für Analysis 26..202 Prof. Dr. Tobias Lamm Dr. Patrick Breuning Höhere Mathematik I für die Fachrichtung Physik 7. Übungsblatt Aufgabe Untersuchen
Mehr