Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen

Größe: px
Ab Seite anzeigen:

Download "Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen"

Transkript

1 Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer

2 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term convexity is on focus, because with its hel many imortant ineualities can be roofed. Afterwards we go in detail and roof the ineualities from Hölder, Minkowski and ensen. At the end the Cauchy-Schwartz ineuality is used in an alication examle, which solves the reresented roblem. Kurze Übersicht Dieses Seminar handelt über Konvexe Funktionen und einige wichtige Ungleichungen. Zunächst steht der Begriff der Konvexität im Mittelunkt, da mit dessen Hilfe einige wichtige Ungleichungen bewiesen werden können. Anschließend werden seziel die Höldersche, Minkowskische, sowie ensensche Ungleichung bewiesen. Zum Schluss wird gezeigt, wie die Chauchy-Schwarz-Ungleichung in einem Anwendungsbeisiel zum tragen kommen kann, um das vorgestellte Problem zu lösen.

3 Einleitung Ableitungen können hysikalisch als Geschwindigkeiten interretiert werden, zweite Ableitungen dann entsrechend als Beschleunigungen. In diesem Seminar wird nun die geometrische Bedeutung der zweiten Ableitung diskutiert. Dies führt zum wichtigen Begriff der Konvexität, mit dessen Hilfe sich eine Reihe interessanter Ungleichungen herleiten lassen. Definition. a) Es sei I R ein Intervall. Eine Funktion f : I R heißt konvex, falls für alle x, y I und t [0, ] gilt: f(( t)x + ty) ( t)f(x) + tf(y) () b) Eine Funktion f : I R heißt konkav, falls f konvex ist. Konvexität bedeutet anschaulich, dass der Grah von f immer unterhalb der Verbindungsstrecke zweier seiner Punkte liegt (vgl. Abb. ), entsrechend bedeutet Konkavität, dass er stets oberhalb dieser Strecke liegt. Natürlich ist f : I R genau dann konkav, wenn () mit " "für f gilt.

4 Satz. Eine Funktion f : I R ist genau dann konvex, wenn für alle x < z < y I gilt: f(z) f(x) z x f(y) f(z) y z () Beweis : Setzt man in () z := ( t)x + ty mit t (0, ), folgt sofort die Äuivalenz: f(z) ( t)f(x) + tf(y) 0 ( t)f(x) + tf(y) f(z) (y x) 0 ( t)(y x)f(x) + t(y x)f(y) (y x)f(z) 0 [( t)y ( t)x]f(x) + (ty tx)f(y) (y x)f(z) 0 [y (( t)x + ty))]f(x) + [( t)x + ty x)f(y) (y x)f(z) } {{ } } {{ } =:z =:z 0 (y z)f(x) + (z x)f(y) (y z + z x)f(z) 0 [f(y) f(z)](z x) [f(z) f(x)](y z) f(z) f(x) z x f(y) f(z) y z Folgerung.3 Eine differenzierbare Funktion f F (I) ist genau dann konvex, wenn f monoton wachsend ist. Beweis : " ": In () gilt: x < z < y. Mit z x + f(z) f(x) folgt: lim z x + z x = f (x) f(y) f(z) y z Mit z y folgt: f(z) f(x) z x Insgesamt ist f monoton wachsend, denn: x < y f (x) f (y) f(y) f(z) lim z y y z = f (y) " ": Wähle f(z) f(x) z x = f (ξ ), sowie f(y) f(z) y z = f (ξ ) Da f monoton wachsend, gilt: f (x) f (y) Insbesondere: f (ξ ) f (ξ ) Mit dem Mittelwertsatz der Differentialrechnung folgt: f(z) f(x) z x = f (ξ ) f (ξ ) = f(y) f(z) y z, was mit Satz. die Konvexitätseigenschaft beschreibt.

5 Auf dieser Seite befinden sich ein aar Aussagen im Zusammenhang mit Konvexität, die für den weiteren Verlauf des Seminars aber nicht ausschlaggebend sind. Sie sollen dem Leser dennoch nicht vorenthalten werden. Folgerung.4 Eine zweimal differenzierbare Funktion f F (I) ist genau dann konvex, wenn f (x) 0 gilt. Eine differenzierbare Funktion f F (I) ist genau dann monoton wachsend, wenn f (x) 0 für x I gilt. Da nach Folgerung.3 eine differenzierbare Funktion f F (I) genau dann konvex ist, wenn f monoton wachsend ist, oder anders formuliert f (x) 0 für x I, folgt sofort die Äuivalenz der Aussage. f (x) 0 f mon. wachsend.3 f konvex Definition.5 Eine Funktion f : I R hat einen Wendeunkt in einem inneren Punkt a I, falls f für ein geeignetes δ > 0 auf (a δ, a] konkav und auf [a, a + δ) konvex ist, oder dies auf f zutrifft. Bemerkung.6 Die Funktion f F (I) habe einen Wendeunkt in a I. Ist f auf I differenzierbar, so hat f ein lokales Extremum in a. Ist f auf I zweimal differenzierbar, so folgt f (a) = 0

6 Beisiel.7 a) Die Exonentialfunktion f(x) = e x, f C (R) ist konvex wegen f(x) = e x = f (x) 0 x R.(vgl. Abb. ) b) Der Logarithmus g(x) = log(x), g C (R + ) ist wegen g (x) = x 0 konkav. (vgl. Abb. ) c) Für die Potenzfunktionen α : x x α gilt auf (0, ): α(x) = αx α, α(x) = α(α )x α D.h. konvex für: α α 0, sowie konkav für: 0 α. d) Sei nun α = 3. 3 (x) = x 3 ist wegen 3(x) = 6x auf (, 0] konkav und auf [0, ) konvex. (vlg. Abb. 3) e) Sei nun α = 4. 4 (x) = x 4 ist wegen 4(x) = x 0 konvex für alle x R. (vlg. Abb. 3)

7 Mit Hilfe der Konvexität der Exonentialfunktion lassen sich wichtige Ungleichungen beweisen. Lemma.8 Für, > mit + = und a, b 0 gilt: a b a + b (3) Beweis : Es werden alle 4 Fälle betrachtet: Für a, b = 0 folgt sofort: 0 0 Für a = 0, b > 0 folgt: 0 b 0 + b 0 b Für a > 0, b = 0 analog Für a, b > 0 folgt mit x := log(a) und y := log(b): a b = e x e y = e x+y = ex( x + () y) ex(x) + ex(y) = a + b Satz.9 (Höldersche Ungleichung) Für, > mit + = und Regelfunktionen f, g R() gilt: f(x)g(x) dx f(x) dx g(x) dx (4) Beweis : Sei ε > 0. Definiere: A ε := f(x) dx + ε, B ε := g(x) dx + ε Für x wendet man (3) auf a := f(x) A ε, b := g(x) a b = f(x) A ε B ε A ε g(x) B ε (3) f(x)g(x) dx A ε B ε an und erhält: ( ) f(x) + ( ) g(x) Integration A ε + = B ε f(x) dx + B ε g(x) dx Für ε 0 folgt die Behautung (4): f(x)g(x) dx A B

8 Mit = = hat man seziell die Cauchy-Schwarzsche Ungleichung: f(x)g(x) dx f(x) dx g(x) dx Satz.0 (Minkowskische Ungleichung) Für und Regelfunktionen f, g R() gilt: f(x) + g(x) dx f(x) dx + g(x) dx (5) Beweis : Für = ist dies klar. (Dreiecksungleichung) f(x) + g(x) dx f(x) + g(x) dx = f(x) dx + g(x) dx Für > und + = berechnet man mit Hilfe der Hölderschen Ungleichung für A := f(x) + g(x) dx : A = f(x) + g(x) f(x) + g(x) dx f(x) f(x) + g(x) dx + g(x) f(x) + g(x) dx f(x) dx f(x) + g(x) ( ) dx + g(x) dx f(x) + g(x) ( ) dx = f(x) dx + g(x) dx A wegen: + = = = ( ) = Für A = 0 ist (5) richtig, für A 0 dividiert man die letzte Abschätzung durch A.

9 Bemerkung. Wendet man (4) und (5) auf die Treenfunktionen f := n x k χ (k,k) und g := n y k χ (k,k) an, so erhält man seziell die ebenfalls von Hölder und Minkowski stammenden Ungleichungen: x k y k x k y k (6) x k + y k x k + y k (7) Im folgenden betrachten wir ein assendes Anwendungsbeisiel zur Chauchy-Schwarz-Ungleichung: Anwendung: Beschränkung des Punkt-Linien Vorfalls Man stelle sich vor, man hat eine große Anzahl N Punkte, sowie N gerade verlaufende Linien in dieser Umgebung. Die Menge der Punkte wird als P, die Menge der Linien l wird als L bezeichnet. Das Ziel ist es nun eine begründete obere Schranke für die Punkt-Linien-Vorfälle I, welche wie folgt definiert sind, zu finden: I =,l δ l mit δ l = {, wenn l 0, sonst Mit anderen Worten, wenn n() die Anzahl der Linien l L ist, die durch einen Punkt P gehen, oder n(l) die Anzahl der Punkte P die auf einer Linie l L liegen, dann ist I = n() = l n(l) Als anschauliche Orientierung soll nun das folgende Beisiel dienen. Hier ist der Sezialfall N = 3 gewählt.

10 Beisiel. N = 3, I = δ l = δ + δ δ 33 = 3,l Eine grobe, einfache Abschätzung ist, dass jeder Punkt auf jeder Linie l liegt, d.h. in diesen Fall müssten sich alle Linien in einem Punkt S schneiden, auf welchem dann alle Punkte liegen. Also ist die größtmögliche obere Schranke: I N An dieser Stelle wird darauf hingewiesen, dass diese Schranke nicht angenommen werden kann, da die Punkte alle unterschiedlich sind. Diese Abschätzung können wir jedoch otimieren, indem wir Cauchy-Schwarz benutzen: Mit y k = und, = hat (6) uaddriert folgende Darstellung: N x k N x k N } {{ } N = N N x k I lässt sich nun wie folgt abschätzen: I =,l δ l = l δ l N l δ l = N δ l δ l = N δ l δ l l,l l,l } {{ } ( )

11 Die Summe über l, l ist die Summe über alle angeordneten Linien-Paaren (l, l ). Sei nun ein Paar (l, l ) fest gegeben, der Ausdruck δ l δ l beschreibt die Anzahl derer Punkte aus P, welche gleichzeitig auf l und auf l liegen. Es sind für (*) also zwei Fälle zu betrachen, gilt l = l, so folgt: δ l δ l = δ l = I l l=l. Fall, gilt nun l l : Gegeben sei also ein Linien-Paar l l. Die maximale Anzahl von Punkten aus P, welche gleichzeitig auf l und l liegen ist, nämlich genau der Schnittunkt der beiden Linien. Also gilt: δ l δ l = N N l l l l Insgesamt ergibt sich mit I N die viel schärfere Abschätzung: I N ( I + N ) N(N + N ) = N 3 I N 3 Nun kommen wir zur letzten Ungleichung dieses Seminares: Die ensensche Ungleichung. Für Zahlen x,..., x n R werden nun gewichtete Mittel x := für die Gewichte λ k 0 und n λ k = n λ k x k untersucht. Hierbei gilt Satz.3 (ensensche Ungleichung) Es sei I R ein Intervall. Für x,..., x n I liegen alle gewichteten Mittel x = I, für konvexe Funktionen ϕ : I R gilt die ensensche Ungleichung n λ k x k in ϕ(x) λ k ϕ(x k ) (8)

12 Beweis : er Induktion IA: Der Fall n = ist klar, denn mit ϕ(x) λ ϕ(x ) = ϕ(x) = λ k = λ =, sowie x = λ k ϕ(x k ) Der Fall n = ebenso, denn aufgrund der Konvexität von ϕ gilt: ϕ(x) = ϕ( λ k x k ) = ϕ(λ x + λ x ) () λ ϕ(x ) + λ ϕ(x ) = Die Behautung sei nun für n bereits gezeigt. IV: ϕ(x) = ϕ( n IS: (n ) n ϕ(x) = ϕ( n λ k x k ) n λ k x k ) = ϕ( n λ k ϕ(x k ) λ k x k + λ n x n ) IV n λ k x k = λ x = x gilt: λ k ϕ(x k ) λ k ϕ(x k ) + λ n ϕ(x n ) = n λ k ϕ(x k ) Folgerung.4 Für Zahlen x,..., x n > 0 und λ,..., λ n 0 mit λ k = gilt die Abschätzung n x λ k k λ k x k (9) Beweis : Da der Logarithmus auf (0, ) konkav ist, gilt nach (8): log λ k x k λ k log(x k ) ex log λ k x k ex λ k log(x k ) λ k x k ex log(x λ k = k ) n x λ k k Anwendung ex Seziell erhält man mit λ k = diese allgemeine Fassung der Ungleichung zwischen geometrischem und arithmetischem Mittel: n n x x x n x k n

13 Literatur W. Kaballo. Einführung in die Analysis I. Sektrum Akademischer Verlag, 996,

18 Höhere Ableitungen und Taylorformel

18 Höhere Ableitungen und Taylorformel 8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a

Mehr

27 Taylor-Formel und Taylor-Entwicklungen

27 Taylor-Formel und Taylor-Entwicklungen 136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen

Mehr

1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1

1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1 Konvexität und Operationen, die die Konvexität bewahren Seite 1 1 Konvexe Funktionen 1.1 Definition Eine Funktion f heißt konvex, wenn domf eine konvexe Menge ist und x,y domf und 0 θ 1: f(θx + (1 θ)y)

Mehr

Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass

Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.

Mehr

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx

Mehr

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013 Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

6.2 Die Regeln von de l Hospital. Ausgangsfrage: Wie berechnet man den Grenzwert. Beispiel: Sei f(x) = x 2 und g(x) = x. Dann gilt. lim.

6.2 Die Regeln von de l Hospital. Ausgangsfrage: Wie berechnet man den Grenzwert. Beispiel: Sei f(x) = x 2 und g(x) = x. Dann gilt. lim. 6.2 Die Regeln von de l Hospital Ausgangsfrage: Wie berechnet man den Grenzwert falls g(x), beide Funktionen gegen Null konvergieren, d.h. = g(x) = 0 beide Funktionen gegen Unendlich konvergieren, d.h.

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

Definition: Differenzierbare Funktionen

Definition: Differenzierbare Funktionen Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ

Mehr

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

Mehr

Lösungsvorschläge zum 14. Übungsblatt.

Lösungsvorschläge zum 14. Übungsblatt. Übung zur Analysis III WS / Lösungsvorschläge zum 4. Übungsblatt. Aufgabe 54 Sei a R\{}. Ziel ist die Berechnung des Reihenwertes k a + k. Definiere dazu f : [ π, π] R, x coshax. Wir entwickeln f in eine

Mehr

Potenzen - Wurzeln - Logarithmen

Potenzen - Wurzeln - Logarithmen Potenzen - Wurzeln - Logarithmen Anna Geyer 4. Oktober 2006 1 Potenzrechnung Potenz Produkt mehrerer gleicher Faktoren 1.1 Definition (Potenz): (i) a n : a... a, n N, a R a... Basis n... Exponent od. Hochzahl

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen

Mehr

Elemente der Analysis II: Zusammenfassung der wichtigsten Definitionen und Ergebnisse

Elemente der Analysis II: Zusammenfassung der wichtigsten Definitionen und Ergebnisse Elemente der Anlysis II: Zusmmenfssung der wichtigsten Definitionen und Ergebnisse J. Wengenroth Dies ist die einzige zugelssene Formelsmmlung, die bei der Klusur benutzt werden drf. Es dürfen Unterstreichungen

Mehr

2 Stetigkeit und Differenzierbarkeit

2 Stetigkeit und Differenzierbarkeit 2.1) Sei D R. a) x 0 R heißt Häufungspunkt von D, wenn eine Folge x n ) n N existiert mit x n D,x n x 0 und lim n x n = x 0. D sei die Menge der Häufungspunkte von D. b) x 0 D heißt innerer Punkt von D,

Mehr

Ergänzungen zur Analysis I

Ergänzungen zur Analysis I 537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.

Mehr

Approximation durch Taylorpolynome

Approximation durch Taylorpolynome TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni

Mehr

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper 32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt

Mehr

ε δ Definition der Stetigkeit.

ε δ Definition der Stetigkeit. ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

9 Die Normalverteilung

9 Die Normalverteilung 9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,

Mehr

Taylor-Entwicklung der Exponentialfunktion.

Taylor-Entwicklung der Exponentialfunktion. Taylor-Entwicklung der Exponentialfunktion. Betrachte die Exponentialfunktion f(x) = exp(x). Zunächst gilt: f (x) = d dx exp(x) = exp(x). Mit dem Satz von Taylor gilt um den Entwicklungspunkt x 0 = 0 die

Mehr

2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0!

2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0! Klausur 25.02.2004 Aufgabe 5 Gegeben ist die Funktion f(x) = 2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0! Klausur 06.08.2003 Aufgabe 5 Gegeben ist

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Z = 60! 29!31! 1,1 1017.

Z = 60! 29!31! 1,1 1017. Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0. 1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:

Mehr

Analysis I - Stetige Funktionen

Analysis I - Stetige Funktionen Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt

Mehr

8. Quadratische Reste. Reziprozitätsgesetz

8. Quadratische Reste. Reziprozitätsgesetz O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung

Mehr

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:

a n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend

Mehr

Weiterbildung für Ingenieure Numerische Methoden für Differentialgleichungen Prinzipien und Praxis Taubert, Heitmann Universität Hamburg WS03/04

Weiterbildung für Ingenieure Numerische Methoden für Differentialgleichungen Prinzipien und Praxis Taubert, Heitmann Universität Hamburg WS03/04 Weiterbildung für Ingenieure Numerische Methoden für Differentialgleichungen Prinzipien und Praxis Taubert, Heitmann Universität Hamburg WS03/04 Linearisierung 1 K. Taubert LINEARISIERUNG und das VERHALTEN

Mehr

Mathematik I für Wirtschaftswissenschaftler

Mathematik I für Wirtschaftswissenschaftler 1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.

Mehr

g(x) = lim 6.2 Die Regeln von de l Hospital Ausgangsfrage: Wie berechnet man den Grenzwert Beispiel: Seif(x) = x 2 undg(x) = x.

g(x) = lim 6.2 Die Regeln von de l Hospital Ausgangsfrage: Wie berechnet man den Grenzwert Beispiel: Seif(x) = x 2 undg(x) = x. 6.2 Die Regeln von de l Hospital Ausgangsfrage: Wie berechnet man den Grenzwert falls x x 0 g(x), beide Funktionen gegen Null konvergieren, d.h. x x 0 = x x 0 g(x) = 0 beide Funktionen gegen Unendlich

Mehr

Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Aufgabe 98 12.12.2012 Untersuchen Sie die Funktion f W R! R mit f.x/

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

Mathematik für Wirtschaftswissenschaftler. gehalten von Claus Diem

Mathematik für Wirtschaftswissenschaftler. gehalten von Claus Diem Mathematik für Wirtschaftswissenschaftler gehalten von Claus Diem Übungen Die Seminare / Übungsgruppen / Tutorien finden wöchentlich statt. Alle zwei Wochen am Montag wird ein Übungsblatt ausgegeben. Dies

Mehr

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f. Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen

Mehr

Vorkurs: Mathematik für Informatiker Steven Köhler, Anja Moldenhauer, Marcel Morisse

Vorkurs: Mathematik für Informatiker Steven Köhler, Anja Moldenhauer, Marcel Morisse Vorkurs: Mathematik für Informatiker Steven Köhler, Anja Moldenhauer, Marcel Morisse Wintersemester 2014/15 Aufgaben I-1. Es seien die folgenden Mengen A = {5,7,9}, B = {5,6,7} und C = {1,3,5,7,9} gegeben.

Mehr

Stabilität mittels Ljapunov Funktion

Stabilität mittels Ljapunov Funktion Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt

Mehr

Seminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln

Seminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln Seminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln Michael Kniely November 2009 1 Vorbemerkungen Definition. Sei n N +, ϕ(n) := {d [0, n 1] ggt (d, n) = 1}. Die Abbildung ϕ : N + N + heißt

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. 2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es

Mehr

( ) als den Punkt mit der gleichen x-koordinate wie A und der

( ) als den Punkt mit der gleichen x-koordinate wie A und der ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der

Mehr

Elemente der Analysis I: Zusammenfassung und Formelsammlung

Elemente der Analysis I: Zusammenfassung und Formelsammlung Elemente der Analysis I: Zusammenfassung und Formelsammlung B. Schuster/ L. Frerick 9. Februar 200 Inhaltsverzeichnis Grundlagen 5. Mengen und Zahlen................................ 5.. Mengen...................................

Mehr

f : x 2 x f : x 1 Exponentialfunktion zur Basis a. Für alle Exponentialfunktionen gelten die Gleichungen (1) a x a y = a x+y (2) ax a y = ax y

f : x 2 x f : x 1 Exponentialfunktion zur Basis a. Für alle Exponentialfunktionen gelten die Gleichungen (1) a x a y = a x+y (2) ax a y = ax y 5. Die natürliche Exponentialfunktion und natürliche Logarithmusfunktion ================================================================== 5.1 Die natürliche Exponentialfunktion f : x 2 x f : x 1 2 x

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

Übersicht. Datenstrukturen und Algorithmen Vorlesung 5: Rekursionsgleichungen (K4) Übersicht. Binäre Suche. Joost-Pieter Katoen. 20.

Übersicht. Datenstrukturen und Algorithmen Vorlesung 5: Rekursionsgleichungen (K4) Übersicht. Binäre Suche. Joost-Pieter Katoen. 20. Übersicht Datenstrukturen und Algorithmen Vorlesung 5: (K4) Joost-Pieter Katoen Lehrstuhl für Informatik 2 Software Modeling and Verification Group http://www-i2.informatik.rwth-aachen.de/i2/dsal12/ 20.

Mehr

Optimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn

Optimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung

Mehr

Funktionsgrenzwerte, Stetigkeit

Funktionsgrenzwerte, Stetigkeit Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Tutorübung 5. Analysis 2 für Lehramt TU Dortmund, Sommersemester 2014

Tutorübung 5. Analysis 2 für Lehramt TU Dortmund, Sommersemester 2014 Tutorübung 5 Analysis 2 für Lehramt TU Dortmund, Sommersemester 24 Aufgabe T Bestimme die Taylorreihen von (a) cos(x) um a. (b) ln(x) um a. (c) um a 2. +x Bestimme in allen Fällen das Taylorpolynom T n,a

Mehr

Abituraufgabe zur Analysis, Hessen 2009, Grundkurs (TR)

Abituraufgabe zur Analysis, Hessen 2009, Grundkurs (TR) Abituraufgabe zur Analysis, Hessen 2009, Grundkurs (TR) Gegeben ist die trigonometrische Funktion f mit f(x) = 2 sin(2x) 1 (vgl. Material 1). 1.) Geben Sie für die Funktion f den Schnittpunkt mit der y

Mehr

Numerische Verfahren zur Lösung nichtlinearer Gleichungen

Numerische Verfahren zur Lösung nichtlinearer Gleichungen Kapitel 2 Numerische Verfahren zur Lösung nichtlinearer Gleichungen 21 Aufgabenstellung und Motivation Ist f eine in einem abgeschlossenen Intervall I = [a, b] stetige und reellwertige Funktion, so heißt

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik 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

Codierung, Codes (variabler Länge)

Codierung, Codes (variabler Länge) Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls

Mehr

1. Mathematik-Schularbeit 6. Klasse AHS

1. Mathematik-Schularbeit 6. Klasse AHS . Mathematik-Schularbeit 6. Klasse AHS Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: (Un-)Gleichungen und Gleichungssysteme: AG. Einfache Terme und Formeln aufstellen, umformen und

Mehr

Stetigkeit von Funktionen

Stetigkeit von Funktionen 9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a

Mehr

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt

Mehr

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

Aufgaben und Lösungen der Probeklausur zur Analysis I

Aufgaben und Lösungen der Probeklausur zur Analysis I Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur

Mehr

Grammatiken. Einführung

Grammatiken. Einführung Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische

Mehr

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 12

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 12 Mthemtisches Istitut der Uiversität Müche Prof. Dr. Peter Otte WiSe 203/4 Lösug 2 2.0.204 Aufgbe 2. [8 Pute] Übuge zur Alysis für Iformtier ud Sttistier Lösug zu Bltt 2 Für eie Teilmege Ω R, sei {, flls

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschftsmthemtik für Interntionl Mngement (BA) und Betriebswirtschft (BA) Wintersemester 2013/14 Stefn Etschberger Hochschule Augsburg Mthemtik: Gliederung 1 Aussgenlogik 2 Linere Algebr 3 Linere

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

Mathematik 1 für Wirtschaftsinformatik

Mathematik 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

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Originalklausur Abitur Mathematik

Originalklausur Abitur Mathematik Originalklausur Abitur Mathematik Bundesland: Nordrhein-Westfalen Jahrgang: 2009 Die Musterlösung zu dieser und über 100 weiteren Originalklausuren ab dem Abiturjahrgang 2006 finden Sie im Download-Center

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Lernzettel Mathe Inhaltsverzeichnis

Lernzettel Mathe Inhaltsverzeichnis Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend

Mehr

11.3 Komplexe Potenzreihen und weitere komplexe Funktionen

11.3 Komplexe Potenzreihen und weitere komplexe Funktionen .3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt

Mehr

Zusammenfassung - Mathematik

Zusammenfassung - Mathematik Mathematik Seite 1 Zusammenfassung - Mathematik 09 October 2014 08:29 Version: 1.0.0 Studium: 1. Semester, Bachelor in Wirtschaftsinformatik Schule: Hochschule Luzern - Wirtschaft Author: Janik von Rotz

Mehr

n 1, n N \ {1}, 0 falls x = 0,

n 1, n N \ {1}, 0 falls x = 0, IV.1. Stetige Funktionen 77 IV. Stetigkeit IV.1. Stetige Funktionen Stetige Funktionen R R sind vielen sicher schon aus der Schule bekannt. Dort erwirbt man sich die naive Vorstellung, dass eine stetige

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92

4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92 Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene

Mehr

Die Funktion f sei (zumindest) in einem Intervall I = [a, b] definiert und dort hinreichend oft differenzierbar. f(x 0 ) f(x)

Die Funktion f sei (zumindest) in einem Intervall I = [a, b] definiert und dort hinreichend oft differenzierbar. f(x 0 ) f(x) 3.2.4. Analyse von Funktionen Die Funktion f sei (zumindest) in einem Intervall I = [a, b] definiert und dort hinreichend oft differenzierbar. Begriffe: Die Funktion f hat in x 0 I eine stationäre Stelle,

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

Mehr

Mathematik-Lexikon. Abszisse Die x-koordinate eines Punktes -> Ordinate

Mathematik-Lexikon. Abszisse Die x-koordinate eines Punktes -> Ordinate Mathematik-Lexikon HM00 Abszisse Die x-koordinate eines Punktes -> Ordinate Aufstellen von Funktionstermen Gesucht: Ganzrationale Funktion n-ten Grades: ƒ(x) = a n x n + a n-1 x n-1 + a n- x n- +... +

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.

Mehr

Mathematik für Anwender I. Beispielklausur I mit Lösungen

Mathematik für Anwender I. Beispielklausur I mit Lösungen Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.

Mehr

Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen

Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Michael Gross mdgrosse@sbox.tugraz.at 20. Januar 2003 1 Spieltheorie 1.1 Matrix Game Definition 1.1 Ein Matrix Game, Strategic

Mehr

Thema 4 Limiten und Stetigkeit von Funktionen

Thema 4 Limiten und Stetigkeit von Funktionen Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba.

3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba. Die Eindeutigkeit nach Satz 3 ergibt schließlich (5). (6) folgt aus (2) und () wegen Aussage (7) ergibt sich aus () und (6). 0 = log b = log b ( a a) = log b a +log ba. 3 Reihen 3. Konvergenz und Divergenz

Mehr

10. Grenzwerte von Funktionen, Stetigkeit, Differenzierbarkeit. Der bisher intuitiv verwendete Grenzwertbegriff soll im folgenden präzisiert werden.

10. Grenzwerte von Funktionen, Stetigkeit, Differenzierbarkeit. Der bisher intuitiv verwendete Grenzwertbegriff soll im folgenden präzisiert werden. 49. Grenzwerte von Funktionen, Stetigkeit, Differenzierbarkeit a Grenzwerte von Funktionen Der bisher intuitiv verwendete Grenzwertbegriff soll im folgenden präzisiert werden. Einführende Beispiele: Untersuche

Mehr