5 Lagrangeformalismus
|
|
- Gerburg Kurzmann
- vor 6 Jahren
- Abrufe
Transkript
1 63 5 Lagrangeformalismus 5.1 Lagrange und Sattelfunktionen Eine typische Aufgabe ist, daß eine Funktion zweier Veränderlicher L(x, y) gegeben ist und diese Funktion bezüglich einer Variabler (hier x) maximiert und bezüglich der anderen Variablen (hier y) minimiert wird. Dazu kann man die beiden Varianten s = inf sup y Y x X L(x, y), s = sup inf L(x, y) x X y Y betrachten und die Frage stellen, wie sich beide Größen s und s zueinander verhalten. Es stellt sich heraus, daß stets s s (genannt: schwaches Dualitätsprinzip) und unter speziellen Bedingungen s = s (genannt: starkes Dualitätsprinzip) gilt. Beide Aufgaben inf-sup und sup-inf sind physikalisch verschiedene Aufgaben. Im Fall s < s haben beide Aufgaben nichts miteinander zu tun. Der Fall s = s beschreibt den Zusammenhang dieser beiden Aufgaben und ist daher von besonderem Interesse. Eine zentrale Aufgabe in der Physik ist es, zu einem Problem eine Funktion L(x, y) zu finden, für die s = s gilt. Die beiden Funktionen f(x) = inf y Y L(x, y), g(y) = sup L(x, y) x X spielen dann die Rolle von zueinander dualen Funktionen, von denen die eine maximiert und die andere minimiert wird. Im einführenden Beispiel, der Suche nach den Gleichgewichtslagen eines Graphen, gebildet aus massiven Kugeln und Federn, bestanden die beiden zueinander dualen Aufgaben in der Minimierung zweier potentieller Energien Q(y) und P(x). Der Zusammenhang mit den eben eingeführten Funktionen ist f(y) = Q(y) und g(x) = P(x). Der Minimierung von P(x) entspricht die Maximierung von g(x) = P(x). Definition: Es seien X und Y beliebige Mengen und L : X Y Ê eine beliebige Funktion. L heißt Lagrangefunktion oder Lagrangian, falls s = s gilt. Man sagt auch, daß eine Lagrangefunktion ein Minimax-Theorem erfüllt oder daß für L das starke Dualitätsprinzip gilt. Für uns werden in erster Linie Banachräume X und Y interessant sein. Es stellt sich heraus, daß schon das Finden von Lagrangefunktion nicht einfach ist. Das führt dazu, daß jede gefundene Lagrangefunktion interessante physikalische Interpretationen zuläßt. Heute wird eine neue Idee in der theoretischen Physik eigentlich nur dann akzeptiert, wenn ihr eine Lagrangefunktion zugrunde liegt. Viele Artikel in physikalischen Journalen, insbesondere zur Quantenfeldtheorie, beginnen mit dem Satz: Wir postulieren folgenden Lagrangian. Wir werden in diesem Kurs untersuchen, welche Informationen man aus einer Lagrangefunktion ziehen kann. Definition: Man sagt, eine Funktion L hat einen Sattelpunkt (x 0, y 0 ), falls L(x 0, y) L(x 0, y 0 ) L(x, y 0 ), (x, y) X Y gilt. L(x 0, y 0 ) ist der Sattelwert. Eine Funktion L, die einen Sattelpunkt hat, wird Sattelfunktion genannt.
2 64 5 LAGRANGEFORMALISMUS Im weiteren wird sich herausstellen, daß Lagrangefunktionen und Sattelfunktionen weitgehend Synonyme und damit auch äquivalent zu den Begriffen Minimax-Theorem oder starkes Dualitätsprinzip sind. Es wird der Begriff verwendet, der die Eigenschaf vervorhebt, die gerade im Vordergrund steht. Das klassische Beispiel für eine solche Funktion ist L(x, y) = y 2 x 2 Der Punkt (x 0, y 0 ) = (0, 0) ist ein Sattelpunkt mit dem Sattelwert L(0, 0) = 0 wegen y 2 y 2 x 2 x 2 und außerdem gilt offensichtlich. inf sup y Y x X L(x, y) = 0 = sup inf L(x, y) x X y Y Eine Sattelfunktion kann mehrere Sattelpunkte haben. Es gilt aber der Satz: Eine Sattelfunktion hat genau einen Sattelwert. Beweis: Angenommen es sei (x 1, y 1 ) ein weiterer Sattelpunkt. Dann gelten nach Definition für alle (x, y) X Y die beiden Ungleichungen L(x 0, y) L(x 0, y 0 ) L(x, y 0 ) L(x 1, y) L(x 1, y 1 ) L(x, y 1 ) Sei jetzt o.b.d.a. L(x 0, y 0 ) < L(x 1, y 1 ), dann können wir in der ersten Ungleichung x = x 1 und in der zweiten y = y 0 setzen und erhalten den Widerspruch L(x 0, y 0 ) L(x 1, y 0 ) L(x 1, y 1 ) Schwaches Dualitätsprinzip Satz: Es seien X und Y beliebige Mengen und L : X Y Ê eine beliebige Funktion. dann gilt sup inf L(x, y) inf x X y Y Beweis: Es seien f(x) = inf y Y dann gilt offensichtlich sup y Y x X L(x, y) L(x, y), g(y) = sup L(x, y) x X f(x) L(x, y) g(y), (x, y) X Y Aus f(x) g(y) folgt natürlich auch sup f(x) inf g(y) x X y Y oder sup x X inf y Y L(x, y) inf y Y sup x X L(x, y) Bemerkung: Entscheident für das Relationszeichen ist die innere Extremwertbildung: Wenn man von einer Größe min und max bildet ist natürlich min max. Die äußere Extremwertbildung verändert diese Eigenschaft dann nicht mehr.
3 5.1 Lagrange und Sattelfunktionen Äquivalenz von Sattelfunktionen und Lagrangefunktionen Satz: L ist eine Sattelfunktion mit Sattelpunkt (x 0, y 0 ) und Sattelwert L(x 0, y 0 ) genau dann, wenn gilt L(x 0, y 0 ) = max x X inf y Y L(x, y) = min y Y sup x X L(x, y) Beweis: Wir setzen g(y) = sup x X L(x, y) f(x) = inf y Y L(x, y) = Es sei L eine Sattelfunktion. Dann gilt L(x 0, y) L(x 0, y 0 ) L(x, y 0 ), x, y. Wir beweisen, daß L ein Minimax-Theorem erfüllt. Da es Punkte x 0 und y 0 gibt, gilt inf y Y L(x 0, y) = L(x 0, y 0 ) = sup x X L(x, y 0 ) Außerdem ist inf y Y sup x X L(x, y) sup x X L(x, y 0 ) = L(x 0, y 0 ) da das Infimum nicht größer als ein spezieller Wert sein kann. Analog gilt L(x 0, y 0 ) = inf y Y L(x 0, y) sup x X inf y Y L(x, y) Wegen der schwachen Dualität gilt Gleichheit und damit die Gleichheit aller Größen die dazwischen liegen. Außerdem ist wegen der Definition von f und g inf y Y L(x 0, y) = f(x 0 ) und sup x X L(x, y 0 ) = g(y 0 ). Das ergibt folgende Gleichungskette: L(x 0, y 0 ) = inf y Y L(x 0, y) = sup x X inf y Y L(x, y) = sup x X f(x) = f(x 0 ) = = sup x X L(x, y 0 ) = inf y Y sup x X L(x, y) = inf y Y g(y) = g(y 0 ) Diese Gleichungskette enthält die Gleichungen sup x X f(x) = f(x 0 ) und inf y Y g(y) = g(y 0 ) die bedeuten, daß die Extremwerte der Funktionen f und g in den Punkten x 0 bzw. y 0 angenommen werden, also max x X f(x) = f(x 0 ) und min y Y g(y) = g(y 0 ) gilt. Damit erhält man abschließend aus der Definition von f und g L(x 0, y 0 ) = f(x 0 ) = max x X f(x) = max x X inf y Y L(x, y) = = g(y 0 ) = min y Y g(y) = min y Y sup x X L(x, y) = Es sei max x X inf y Y L(x, y) = min y Y sup x X L(x, y). Die Gleichheit bedeutet, daß es Punkte x 0 und y 0 gibt mit L = f(x 0 ) = max x X f(x) = g(y 0 ) = min y Y g(y) Wir beweisen, daß (x 0, y 0 ) Sattelpunkt von L(x, y) ist und L(x 0, y 0 ) = L gilt. Welchen Wert hat L(x 0, y 0 )? Es gilt L = f(x 0 ) = inf y Y L(x 0, y) L(x 0, y 0 ) L = g(y 0 ) = sup x X L(x, y 0 ) L(x 0, y 0 ) Da Gleichheit gilt, gilt L = L(x 0, y 0 ) und inf y Y L(x 0, y) = L(x 0, y 0 ) = sup x X L(x, y 0 ) und damit L(x 0, y) L(x 0, y 0 ) L(x, y 0 ), x, y.
4 66 5 LAGRANGEFORMALISMUS 5.2 Beispiele für Lagrangefunktionen Beispiel 1: Die Funktionen F(x) und G(y) haben globale Minima in x 0 bzw. y 0. Dann ist L(x, y) = G(y) F(x) Lagrangefunktion mit dem Sattelpunkt (x 0, y 0 ). Es gilt F(x 0 ) G(y) F(x 0 ) G(y 0 ) F(x) G(y 0 ) Das ist der typische Fall in der Physik, wenn F kinetische und G potentielle Energie sind. Beispiel 2: Es sei A(y) B(x, y) C(x) mit den Eigenschaften, daß ein Punkt (x 0, y 0 ) existiert, für den A(y 0 ) A(y) B(x 0, y 0 ) B(x 0, y) C(x) C(x 0 ) B(x, y 0 ) B(x 0, y 0 ) gilt. Dann ist L(x, y) = A(y) + C(x) B(x, y) Lagrangefunktion mit dem Sattelpunkt (x 0, y 0 ) denn es gilt L(x, y 0 ) L(x 0, y 0 ) = A(y 0 ) + C(x) B(x, y 0 ) ( A(y 0 ) + C(x 0 ) B(x 0, y 0 ) ) = und analog L(x 0, y) L(x 0, y 0 ). = C(x) C(x 0 ) + B(x 0, y 0 ) B(x, y 0 ) 0 Beispiel 3: Es sei L 0 (x, y) Lagrangefunktion mit dem Sattelpunkt (x 0, y 0 ) und f(x) und g(y) definiert wie oben. Dann ist L(x, y) = f(x) + g(y) L 0 (x, y) = = sup y Y L 0 (x, y) + inf x X L 0 (x, y) L 0 (x, y) ebenfalls Lagrangefunktion mit dem Sattelpunkt (x 0, y 0 ) denn es gilt g(y) L(x 0, y) und L(x, y 0 ) f(x), woraus g(y 0 ) g(y) L(x 0, y 0 ) L(x 0, y) f(x) f(x 0 ) L(x, y 0 ) L(x 0, y 0 ) folgt. Damit ist dieses Beispiel auf Beispiel 2 zurückgeführt. Im allgemeinen gilt L(x, y) L 0 (x, y). Gleichheit gilt nur für L(x, y) = 1 2 f(x) g(y). Beispiel 4: Es seien F(x) und G(y) stetige Funktionen mit Wertebereich Ê. Dann ist L(x, y) = F(x) G(y) eine Lagrangefunktion. Beweis: Wir beweisen das minimax-theorem. Es ist sup F(x) G(y) = χ F 1 (0) y inf sup F(x) G(y) = inf χ F x x 1 (0) = 0 sup y y inf x F(x) G(y) = χ G 1 (0) inf x F(x) G(y) = sup y ( χ G 1 (0)) = inf χ G y 1 (0) = 0
5 5.2 Beispiele für Lagrangefunktionen 67 Für die Sattelpunkte gilt (x 0, y 0 ) F 1 (0) G 1 (0) Beispiel 5: Für festes x 0 ist die Funktion L : X X Ê definiert durch L(x, x) = F(x) + x 0 x, x genau dann Lagrangefunktion, wenn F konvex und unterhalbstetig ist. Beweis: Es ist ) F (x 0 ) = sup x inf x (F(x) + x 0 x, x ( ) F(x 0 ) = inf x sup x F(x) + x 0 x, x Es gilt F(x 0 ) = F (x 0 ) für alle x 0, falls F konvex und unterhalbstetig ist. Beispiel 6: ÜA Es seien a, b, p, q : Ê Ê stetige Funktionen mit inf y b(y) >, sup x a(x) < und p(x) > 0, q(y) > 0. Dann ist L(x, y) = a(x) + b(y) p(x) + q(y) eine Sattelfunktion.
6 68 5 LAGRANGEFORMALISMUS 5.3 Spieltheorie Lagrangefunktionen in der Spieltheorie Besonders deutlich wird die Rolle von Lagrangefunktionen in der Spieltheorie. Hier treffen zwei ähnlich wie in vielen ökonomischen Problemen zwei Parteien mit unterschiedlichen Interessen aufeinander. In der Physik ist das genauso, nur kann sich der Mensch das Wirken unterschiedlicher Interessen schlecht vorstellen. Aber hier gilt wie immer in der Naturwissenschaft: Wir sehen die Natur nicht wie sie ist sondern wie wir sie wahrnehmen. Es sei X = {1,..., n} und Y = {1,..., m}. Dann läßt sich eine allgemeine Funktion L : X Y Ê als Matrix A = (a ij ), i = 1,..., m, j = 1,..., n darstellen. Gegeben sei eine Matrix A = (a ij ), i = 1,..., m, j = 1,..., n, die die möglichen Züge zweier Spieler beschreibt. Spieler A kann einen Wert in der i-ten Zeile bestimmen, Spieler B einen Wert in der j-ten Spalte. Die auf diese Weise festgelegte Zahl a ij beschreibt den Betrag, den A an B zahlen muß. a 11 a 12 a 13 a 14 a 1n a 21 a 22 a 23 a 24 a 2n a 31 a 32 a 33 a 34 a 3n a m1 a m2 a m3 a m4 a mn 1) Angenommen A beginnt: Wenn er ein i festlegt, wird B in dieser Zeile das Maximum wählen, also max j a ij. Da A das ahnt, wird es also jenes i wählen, bei dem max j a ij minimal wird. Das ist J A = min i max a ij. j 2) Angenommen B beginnt: Wenn er ein j festlegt, wird A in dieser Spalte das Minimum wählen, also min i a ij. Da B das ahnt, wird es also jenes j wählen, bei dem min i a ij maximal wird. Das ist J B = max min a ij. j i Übersichtlich dargestellt, werden folgende Operationen ausgeführt: a 11 a 12 a 13 a 14 a 1n M 1 a 21 a 22 a 23 a 24 a 2n M 2 a 31 a 32 a 33 a 34 a 3n max = M a m1 a m2 a m3 a m4 a mn min ( ) max m1 m 2 m 3 m 4 m n = J B. M m min = J A Wie verhalten sich J A und J B zueinander? Das hängt von der Matrix A ab. Es kann sein, daß egal ist, wer anfängt, dann ist J A = J B und die Matrix A erfüllt ein starkes Dualitätsprinzip. So
7 5.3 Spieltheorie 69 ein Spiel wird fair genannt. Der damit zusammenhängende Sattelwert heißt Nash-Gleichgewicht (nach John Nash, Nobel- und Abelpreisträger). Ein typisches unfaires Spiel ist das Spiel Schere, Stein, Papier. Hier verliert der, der anfängt. Deshalb fangen in der Realität auch beide Spieler gleichzeitig an. Es sei X = Y = {1, 2}. Dann läßt sich eine allgemeine Funktion L : X Y Ê als Matrix L = ( a b c d) darstellen. Wir vergleichen ( ) ( ) a b a b max min min max Spalte Zeile c d Zeile Spalte c d ÜA: Beweise: L ist Lagrangefunktion einer der folgenden Fälle erfüllt ist: max{a, c} min{b, d} max{b, d} min{a, c} max{a, b} min{c, d} max{c, d} min{a, b} ÜA: Ist folgende Aussage richtig? Es sei L eine n m Matrix mit Einträgen aus [0, 1]. Der Anteil der Matrizen, die das Minimax-Theorem erfüllen ist m!n!/(n + m 1)! Gemischte Spielstrategien (stochastisches Spiel) Gegeben sei wieder eine Matrix A = (a ij ), i = 1,..., m, j = 1,..., n, die die möglichen Züge zweier Spieler beschreibt. Diesmal muß aber Spieler A nicht einen definierten Wert in der i-ten Zeile bestimmen, sondern kann eine konvexe Kombination (= zufällige Verteilung) der Werte der i-ten Zeile bestimmen. Spieler A muß also nicht einen Index i bestimmen, sondern einen Vektor (x 1,..., x m ) aus dem Simplex P m Ê m. Das gleiche gilt für Spieler B und der j-ten Spalte. Er muß einen Vektor (y 1,..., y n ) aus dem Simplex P n Ê n bestimmen. Auf diese Weise wird ein Wert m,n a ij x i y j festgelegt. Das ist der Betrag, den A an B zahlen muß. Das führt auf i,j=1 die beiden Ergebnisse (in Abhängigkeit davon, wer anfängt) J A = min x P m max J B = max y P n min m,n y P n i,j=1 m,n x P m i,j=1 a ij x i y j = min x P(Y) y P(X) max Tx, Ay a ij x i y j = max y P(X) min x P(Y) Tx,Ay Hier ist T der Transponierungsoperator. Interessanterweise gilt stets J A = J B. Die Funktion L(x, y) = Tx, Ay enthält stets einen Sattelpunkt. Das ist der klassische Satz von vonneumann. Umgekehrt ist das deterministische Spiel ein Spezialfall eines stochastischen Spiels. Es gilt min x ep n max Tx,Ay = min y ep m i max j Te i,ae j = min i max j e i,ae j = min i max a ij j Die Möglichkeit, nicht nur reine Zustände, sondern auch gemischte Zustände auszuwählen, regularisiert das Spiel. ÜA: Finde für Schere, Stein, Papier eine gemischte Strategie.
8 70 5 LAGRANGEFORMALISMUS 5.4 Existenzbedingungen für Sattelpunkte und Extremwerte Wie immer ist die Existenz eines Extremwertes eine viel schächere Bedingung als die Existenz eines Punktes in dem der Extremwert angenommen wird. Man will vom Verhalten eines Funktionals auf die Existenz von Punkten schließen. Wir werden im weiteren voraussetzen, daß für eine uns interessierende Lagrangefunktion ein Sattelpunkt existiert, falls wir ihn brauchen. Der Vollständigkeit halber führen wir hier ohne Beweis einige solcher Existenzsätze an. Die Idee der Beweise besteht im allgemeinen im folgenden: Man konstruiert eine Folge, die gegen den Extremwert konvergiert. Hier reicht meist die schwache Konvergenz. Die konvergente Folge wird aus einer beschränkten Folge konstruiert. Hierzu ist Kompaktheit und Reflexivität Voraussetzung Existenzsätze für Extremalaufgaben Im Allgemeinen nehmen stetige Funktionen auf nicht-kompakten Mengen kein Minimum oder Maximum an. Da wir hier häufig Funktionen auf Banachräumen (die natürlich nicht kompakt sind) betrachten, sind Aussagen sinnvoll, die die Existenz von Extremwerten in nicht kompakten Situationen implizieren. Intuitiv ist klar, daß man für die Existenz eines Minimums die Nicht- Kompaktheit durch schnelles Wachstum außerhalb kompakter Mengen kompensieren kann. Dazu dient folgende Definition: Eine Funktion F : X Ê heißt koerzitiv, falls für jede Folge x n mit lim n x n = gilt: lim n F(x n ) =. Dazu gelten folgende Sätze: Satz: Es sei X reflexiv und F : X Ê stetig, konvex und koerzitiv. Dann nimmt F auf X sein Minimum an. Satz: Es sei X reflexiv und F : X Ê schwach unterhalbstetig und koerzitiv. Dann nimmt F auf X sein Minimum an. Hier heißt schwach unterhalbstetig, daß für alle schwach konvergenten Folgen x n x lim inf n f(x n ) f(x) gilt Existenzsätze für Sattelpunkte Die grundlegenden Voraussetzungen für eine Funktion L Sattelfunktion zu sein sind folgende: Es seien X und Y reflexive Banachräume, A X und B Y Teilmengen und L : A B Ê. Im weiteren gelten folgende Voraussetzungen: A nichtleer, konvex, abgeschlossen B nichtleer, konvex, abgeschlossen Für feste y B sei L(, y) konvex und unterhalbstetig Für feste x A sei L(x, ) konvex und unterhalbstetig Satz: Es seien A und B beschränkt. Dann besitzt L einen Sattelpunkt.
9 5.4 Existenzbedingungen für Sattelpunkte und Extremwerte 71 Satz: Es sei L als Funktion jeder Veränderlicher koerzitiv. Dann besitzt L einen Sattelpunkt. Der klassische Satz zur Existenz von Sattelpunkten ist der folgende Satz (vonneumann): Es seien X und Y reflexive Banachräume, A X und B Y abgeschlossen, beschränkt und konvex. Es sei x L(x, y) konkav und stetig y B y L(x, y) konvex und stetig x A dann existiert ein Punkt (x 0, y 0 ) mit sup x A inf y B L(x, y) = inf y B sup x A L(x, y) = L(x 0, y 0 ) Die Bedingungen an die Räume und die Funktion L lassen sich weiter abschwächen. Hierzu gibt es viele alternative Sätze Differenzierbare Sattelfunktionen Es sei L für feste Variable als Funktion der anderen Variablen differenzierbar (es existiere die Gateauxableitung). Satz: Ein Punkt (x 0, y 0 ) ist Sattelpunkt von L genau dann, wenn x L(x 0, y 0 ), x x 0 0, x A y L(x 0, y 0 ), y y 0 0, y B Notwendige Sattelbedingungen Analog zum Verschwinden der Ableitungen läßt sich zeigen, daß eine notwendige Bedingung für einen Sattelpunkt das Verschwinden beider Ableitungen x L(x, y 0) = 0, x=x0 y L(x 0, y) = 0 y=y0 ist. Diese Eigenschaft beschreibt eine horizontale Tangentialebene. Es ist natürlich nur eine notwendige Bedingung, denn eine Funktion zweier Varabler hat eine horizontale Tangentialebene auch in einem Maximum oder Minimum. Es folgt eine Übersicht über Minima, Maxima und Sattelpunkte. Es sei x X, y Y global lokal d Maximum g(y) g(y 0 ) g(y) y=y0 = 0 dy d Minimum f(x 0 ) f(x) f(x) dx x=x0 = 0 Sattelpunkt L(x 0, y) L(x 0, y 0 ) L(x, y 0 ) L(x, y x 0) x=x0 = 0, L(x y 0, y) = 0 y=y0
10 72 5 LAGRANGEFORMALISMUS 5.5 Bedingte Extremalaufgaben Lagrangefunktionen und Extremalaufgaben Aus der Analysis ist gut bekannt, daß man bedingte Extremalaufgaben mit der Lagrangemethode der Einführung von Lagrange-Multiplikatoren lösen kann. Wir beweisen hier diese Methode mit Mitteln der konvexen Analysis für allgemeine nicht-glatte Funktionen. Die Idee der Lagrangemethode besteht darin, anstelle eines Extremalproblems auf einer Teilmenge, ein spezielles Sattelproblem auf dem ganzen Raum zu betrachten. Wir betrachten zwei stetige Funktionen F : Y Ê und G : Y Ê und suchen das Minimum von F(y) unter der Nebenbedingung G(y) = 0. Es sei M = {y Y G(y) = 0} diese Menge, die oft zulässige Menge genannt wird. Dazu betrachten wir eine weitere Funktion L(x, y) = F(y) xg(y). Der Einfachheithalber setzen wir inf y F(y) > und sup y + voraus. Wir beweisen folgenden Satz: Der Punkt (x 0, y 0 ) ist ein Sattelpunkt von L genau dann, wenn y 0 M und F(y 0 ) das Minimum von F(y) auf M bildet. Beweis = : Es sei (x 0, y 0 ) Sattelpunkt der Funktion L(x, y). Dann gilt nach Definition des Sattelpunktes L(x 0, y) 1 L(x 0, y 0 ) 2 L(x, y 0 ) F(y) x 0 G(y) 1 F(y 0 ) x 0 G(y 0 ) 2 F(y 0 ) xg(y 0 ) Ungleichung 2 gilt für alle x also auch für x = x 0 x. Das heißt, es gilt für alle x die Ungleichung x G(y 0 ) 0. Aber das ist nur für G(y 0 ) = 0 möglich, d.h. der linke Anteil des Sattelpunktes gehört zur zulässigen Menge y 0 M. Mit G(y 0 ) = 0 folgt aus Ungleichung 1 F(y 0 ) F(y) x 0 G(y) also für alle y M die Ungleichung F(y 0 ) F(y), y M Aber das bedeutet gerade, daß y 0 das Minimum von F(y) auf M bildet. Beweis =: Hier ist zu zeigen, daß unter der Annahme, daß F(y) in y 0 ein Minimum auf M hat, es ein x 0 gibt, sodaß (x 0, y 0 ) ein Sattelpunkt auf Ê Y ist. Das heißt, aus einer Ungleichung auf M folgt eine Ungleichung auf Y. Wir zeigen, daß die Funktion L(x, y) ein minimax-theorem erfüllt. 1): Die Funktion g(y) = sup x ( F(y) xg(y) ) ist überall + außer für die y mit G(y) = 0. Dort ist g(y) = F(y). Das heißt, ( ) F(y 0 ) = min F(y) = min g(y) = min sup F(y) xg(y). y M y M y x
11 5.5 Bedingte Extremalaufgaben 73 2) Wir zeigen jetzt, daß ( ) F(y 0 ) max inf F(y) xg(y) x y gilt. Es sei f(x) = inf y ( F(y) xg(y) ) Diese Funktion ist als Infimum affiner Funktionen konkav und oberhalbstetig. Den Fall f(x) schließen wir aus. Das ist gerade der Fall, wenn F(y) = oder G(y) = für gewisse y. Z.B., wenn F(y) schneller nach geht als G(y) nach für wachsende y. Wir untersuchen, wie sich f(x) für x ± verhält. Die Funktion G(x) ist außerhalb der Menge M positiv oder negativ. Für x + sind die positiven Werte von G(y) die dominierenden in F(y) xg(y), für x die negativen Werte von G(y). In beiden Fällen geht also f(x). Damit ist f(x) konvex, koerzitiv und unterhalbstetig. f(x) nimmt ihr Maximum im Inneren von Ê an. Dieser Punkt sei x 0. Es gilt also f(x 0 ) = max x f(x) = max inf x y ( F(y) xg(y) ) Wir zeigen f(x 0 ) F(y 0 ). Damit wäre zusammen mit der stets geltenden schwachen Dualität f(x 0 ) = F(y 0 ) gezeigt. Angenommen, f(x 0 ) < F(y 0 ), d.h., es gilt inf y ( F(y) x0 G(y) ) < F(y 0 ) = inf y M F(y) dann kann das Infimum links nicht auf M angenommen werden. Dann gibt es eine Folge (y n ) M mit F(y n ) x 0 G(y n ) < F(y 0 ) und G(y n ) > 0 (oder G(y n ) < 0). Jetzt läßt sich x 0 verkleinern (vergrößern) und daß Supremum in sup x f(x) wird größer. Das ist ein Widerspruch dazu, daß f(x 0 ) das Supremum war. Bemerkung 1: Es sei G(x) = G 0. Dann ist L(x, y) = F(y) x(g(y) G 0 ) zu wählen. Wenn L glattist, dann ist G 0 L = x und x läßt sich interpretieren als die Größe, die die Änderung von L in Abhängigkeit von G 0 angibt. Bemerkung 2: Die Idee hinter der Methode besteht darin, daß man außerhalb der Menge M den Ausdruck xg(y) durch Wahl des x beliebig groß oder klein machen kann, da dort G(y) 0. D.h., eigentlich betrachtet man eine Funktion, die außerhalb von M den Wert annimmt. Bemerkung 3: Ein bedingtes Extremalproblem ist eigentlich ein Sattelproblem für eine Funktion, die in einer Variablen zu einer linearen Funktion entartet ist.
12 74 5 LAGRANGEFORMALISMUS Der allgemeine Fall. Die Euler-Lagrange-Gleichung Wir betrachten jetzt ein Minimumproblem für ein Funktional F : Y Ê mit einer allgemeinen Nebenbedingung. Es sei G : Y X eine Abbildung, x 0 X und M = {y Y G(y) = x 0 } die zulässige Menge. Wir betrachten das Minimumproblem F(y 0 ) = min y M F(y) Dazu stellen wir folgende Lagrangefunktion auf: L(x, y) = F(y) x, G(y) x 0. Unter allgemeinen Bedingungen an F und G gilt folgender Satz: Der Punkt (x 0, y 0) ist ein Sattelpunkt von L genau dann, wenn y 0 M und F(y 0 ) das Minimum von F(y) auf M bildet. Angenommen F und G sind ausreichend glatt, dann erfüllt der Sattelpunkt (x 0, y 0) die notwendige Bedingung L = 0 und L = 0. Die erste Gleichung ist einfach die Nebenbedingung. x y Die zweite Gleichung ist formal soetwas wie F (y) x, G (y) = 0. Um diesen Ausdruck zu verstehen, führen wir folgende Definition ein: Definition: Eine Abbildung G : Y X heißt im Punkt y Frechet-differenzierbar, wenn ein linearer Operator G (y) : Y X existiert und für alle h Y gilt G(y + h) = G(y) + G (y)h + ω(x, h) mit ω X 0 für h Y 0. Definition: Ein Punkt y M heißt regulärer Punkt der Menge M, falls G in diesem Punkt Frechet-differenzierbar ist und R(G (y)) = X. Eine notwendige Bedingung für das genannte Minimumproblem gibt folgender Satz: Es sei y 0 Lösung des Minimumproblems F(y 0 ) = min y M F(y). F sei Gateauxdifferenzierbar, G Frechet-differenzierbar in y 0 und y 0 regulärer Punkt von M, dann existiert ein Funktional x X, sodaß gilt h, F (y 0 ) G (y 0 )h, x = 0, h Y Diese Gleichung heißt vage Euler-Lagrange-Gleichung des Minimumproblems und x heißt Lagrangemultiplikator. Fall G (y 0 ) darüber hinaus dicht definiert ist, existiert sein adjungierter [G (y 0 )] und x erfüllt die starke Euler-Lagrange-Gleichung F (y 0 ) [G (y 0 )] x = 0 Zusammen mit der Gleichung der Nebenbedingung kann auf diese Weise der Sattelpunkt (x, y 0 ) berechnet werden.
13 5.5 Bedingte Extremalaufgaben Beispiel: Quadratisches Funktional und lineare Nebenbedingung Wir betrachten das Minimumproblem 1 min y M 2 y,ay mit M = {y : y, y = c}. Das führt auf die Lagrangefunktion L(y, λ) = 1 2 y,ay λ( y, y c) und die Euler-Lagrange-Gleichung 0 = L(y, λ) = Ay λy y mit der Lösung y = λa 1 y. Das, eingesetzt in die Nebenbedingung, ergibt c = y, y = λ y,a 1 y Damit erhält man als Lösung y = c y,a 1 y A 1 y Berechnung der Höhe des Simplex im Ê n Der Simplex im Ê n ist gegeben durch den Schnitt einer Ebene mit den Koordinatenachsen. Seine Höhe ist der kürzeste Abstand dieser Ebene zum Koordinatenursprung. Die Ebene sei gegeben durch die Achsenabschnittsgleichung x 1 a 1 + x 2 a x n a n = 1 mit gegebenen Achsenabschnitten a 1, a 2,..., a n. Nach der Lagrangemethode (damit λ eine Länge ist, wählen wir als Multiplier 2λ 2 ) kann das gesuchte Minimum mit der Sattelfunktion ( n n ) L(x, λ) = x 2 i x i 2λ2 1 a i=1 i=1 i berechnet werden. Das ergibt x j L(x, λ) = 2x j 2λ 2 1 a j = 0 = Aus der Nebenbedingung folgt 1 = n i=1 x i a i = λ 2 n i=1 1 a 2 i = 1 λ 2 = n Das Minimum wird angenommen bei x j = λ2 a j = 1 a j n 1 a 2 i=1 i i=1 λ 2 = x j a j 1 a 2 i
14 76 5 LAGRANGEFORMALISMUS und beträgt h 2 = ( n n x 2 i = j=1 i=1 Wir erhalten 1 n h = 1 2 i=1 a 2 i ) ( n ) 2 ( n ) = = λ 2 a 2 j i=1 a 2 i i=1 den Satz des Pythagoras für die Kehrwerte. Wie bekannt, ist das Volumen des Simplex der n-te Teil des Produktes aus Grundfläche und Höhe. Wir können dieses Volumen auf (n + 1) Weise berechnen: nv = h A = a 1 a 2 a n = a i A i mit dem Flächeninhalt A der Grundfläche und den Flächeninhalten A i der Flächen, senkrecht zur i-ten Achse. Wir multiplizieren Gleichung (15) mit n 2 V 2 und erhalten A 2 = A A A2 n Damit erhalten wir zusammen mit der bekannten Formel für die Länge der Diagonale d im Quader folgende n-dimensionale Verallgemeinerungen des Satzes des Pythagoras: 1 h 2 = 1 a a a 2 n d 2 A 2 = a a a 2 n = A A A2 n Beispiel: Quadratisches Funktional und quadratische Nebenbedingung Es seien zwei lineare Operatoren A,B : Y Y gegeben. Wir betrachten das Minimumproblem 1 min y M 2 y,ay mit M = {y : 1 y,by = c}. Das führt auf die Lagrangefunktion 2 L(y, λ) = 1 ( ) 1 2 y,ay λ 2 y,by c und die entsprechende Euler-Lagrange-Gleichung 0 = L(y, λ) = Ay λby y Diese Gleichung heißt zusammen mit der Nebenbedingung y, By = 1 verallgemeinertes Eigenwertproblem. Der Fall B = I enspricht der Erzeugung eines Hilbertraumes aus Y. Wir erhalten das klassische Eigenwertproblem. Bemerkung: Quadratische Funktionale mit linearen oder quadratischen Nebenbedingungen sind die einfachsten bedingten Minimumproblem. Daß auch diese im allgemeinen nicht leicht zu lösen sind, zeigt wie schwer es für allgemeine Sattelprobleme ist, eine Lösung zu finden. a 2 i (15)
15 5.5 Bedingte Extremalaufgaben Zusatzbedingungen als Ungleichungen Die Lagrangemethode läßt sich auf Nebenbedingungen in Ungleichungsform verallgemeinern. Zu beachten ist hierbei, daß das entsprechende Problem fü den Lagrangemultiplikator nicht im ganzen Raum betrachtet werden darf sondern nur dort (z.b. im positiven Kegel), daß die Nebenbedingung wie im Fall einer Gleichung als Nebenbedingung in eine charakteristische Funktion übergeht. Es ist und sup x, x = χ {0} (x ) x sup x, x = x A Wir betrachten den allgemeineren Fall mehrerer Zusatzbedingungen, die durch eine Ungleichung gegeben seien. Es seien F : G : x X Y Ê Y X Wir betrachten das bedingte Minimumproblem F(y 0 ) = inf y Y F(y) M = {y Y G(y) 0} Zu diesem Problem betrachten wir die Funktion L(y, x ) = F(y) + G(y), x, (y, x ) Y X + Es gilt folgender Satz: (x 0, y 0) ist genau dann ein Sattelpunkt von L(y, x ) mit y Minimum unter der angegebenen Nebenbedingung annimmt. Beweis: Da L Lagrangefunktion mit Sattelpunkt (x 0, y0 ) ist, gilt Y +. wenn F in y 0 ein L(x 0, y ) L(x 0, y 0 ) L(x, y 0 ), x X, y 0 Y + F(x 0 ) + G(x 0 ), y 1 F(x 0 ) + G(x 0 ), y 0 2 F(x) + G(x), y 0, x X, y 0 Y + Ungleichung 1 gilt für beliebige y 0, also auch für beliebige y = y 0+h mit h 0. Daraus folgt G(x 0 ), y 0 + h 1 G(x 0 ), y 0 also G(x 0), h 0 für beliebige h 0. Also G(x 0 ) 0. Setzt man in Ungleichung 1 y = 0 erhält man 0 G(x 0 ), y 0. Da G(x 0 ), y 0 für alle y 0 gilt, folgt G(x 0 ), y 0 = 0. Damit folgt aus Ungleichung 2 F(x 0 ) 2 F(x) + G(x), y 0. Das heißt, für alle x X, also die x mit G(x) 0 gilt F(x 0 ) F(x). Satz: Es sei (x 0, y 0 ) ein Sattelpunkt von L(x, y ) mit y Y. Dann ist x 0 Lösungspunkt der Aufgabe F(x 0 ) = inf x X F(x) X = {x X G(x) = 0}
16 78 5 LAGRANGEFORMALISMUS Der Unterschied zum Satz eben besteht darin, daß im aktuellen Fall die Sattelpunktbedingung für alle y Y gelten muß. Entsprechend kleiner ist die Menge X der zulässigen x. Beweis: Da L Lagrangefunktion mit Sattelpunkt (x 0, y0 ) ist, gilt L(x 0, y ) L(x 0, y 0 ) L(x, y 0 ), x X, y Y F(x 0 ) + G(x 0 ), y 1 F(x 0 ) + G(x 0 ), y 0 2 F(x) + G(x), y 0, x X, y Y Ungleichung 1 gilt für beliebige y, also auch für beliebige y = y 0 + h mit beliebigem h. Daraus folgt G(x 0 ), y 0 + h 1 G(x 0 ), y 0 also G(x 0 ), h 0 für beliebige h. Das ist nur für G(x 0 ) = 0 möglich. Damit folgt aus Ungleichung 2 F(x 0 ) 2 F(x) + G(x), y 0. Das heißt, für alle x X gilt F(x 0 ) F(x).
Musterlösung. 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,
MehrOptimalitätskriterien
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
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
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
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
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
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 =
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
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
MehrModulabschlussklausur 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
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
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
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
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,
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
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,
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
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
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
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
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
MehrDualität bei konvexer Optimierung
Dualität bei konvexer Optimierung Seminar zur Numerik I im SS 2016 Laslo Hunhold 10. Mai 2016 Ausarbeitung zum Seminarvortrag vom 2. Mai 2016 Mathematisches Institut Mathematisch-Naturwissenschaftliche
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
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
Mehr18 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
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
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
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
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
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
Mehr(c) (a) X ist abgeschlossen. X = A,wobeiderDurchschnittüberalleabgeschlossenenMengengebildet wird, die X enthalten. (d) (e)
27 15. Metrische Räume Mit Hilfe einer Norm können wir den Abstand x y zweier Punkte x, y messen. Eine Metrik ist eine Verallgemeinerung dieses Konzepts: 15.1. Metriken. Es sei M eine beliebige Menge.
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
MehrExtrema von Funktionen mit zwei Variablen
Extrema von Funktionen mit zwei Variablen Es gilt der Satz: Ist an einer Stelle x,y ) f x x,y ) = und f y x,y ) = und besteht außerdem die Ungleichung f xx x,y )f yy x,y ) f xy x,y ) >, so liegt an dieser
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,
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
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrDas Lagrange-duale Problem
Das Lagrange-duale Problem Tobias Kulke 29. April 2010 1 Einführung Für jedes Paar (λ, ν) mit λ 0 liefert die Langrange-duale Funktion ( ) p g(λ, ν) = inf L(x, λ, ν) = inf f 0 (x) + λ i f i (x) + ν i h
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
MehrDer metrische Raum (X, d) ist gegeben. Zeigen Sie, dass auch
TECHNISCHE UNIVERSITÄT BERLIN SS 07 Institut für Mathematik Stand: 3. Juli 007 Ferus / Garcke Lösungsskizzen zur Klausur vom 6.07.07 Analysis II. Aufgabe (5 Punkte Der metrische Raum (X, d ist gegeben.
Mehr1.3 Differenzierbarkeit
1 1.3 Differenzierbarkeit Definition Sei B R n offen, a B, f : B R eine Funktion und v 0 ein beliebiger Vektor im R n. Wenn der Grenzwert D v f(a) := lim t 0 f(a + tv) f(a) t existiert, so bezeichnet man
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
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
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)
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
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
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
MehrFunktionen mehrerer Variabler
Vektoranalysis Funktionen mehrerer Variabler Wir untersuchen allgemein vektorwertige Funktionen von vektoriellen Argumenten, wobei zunächst nur reelle Vektoren zugelassen seien. Speziell betrachten wir:
MehrTopologie und Differentialrechnung mehrerer Veränderlicher, SS 2009 Modulprüfung/Abschlussklausur. Aufgabe Punkte
Universität München 22. Juli 29 Topologie und Differentialrechnung mehrerer Veränderlicher, SS 29 Modulprüfung/Abschlussklausur Name: Aufgabe 2 3 4 Punkte Gesamtpunktzahl: Gesamturteil: Schreiben Sie unbedingt
MehrDierentialrechnung mit einer Veränderlichen
Dierentialrechnung mit einer Veränderlichen Beispiel: Sei s(t) die zum Zeitpunkt t zurückgelegte Wegstrecke. Dann ist die durchschnittliche Geschwindigkeit zwischen zwei Zeitpunkten t 1 und t 2 gegeben
Mehr1. EINFÜHRUNG INS STATE-PRICING 1
1. EINFÜHRUNG INS STATE-PRICING 1 1. Einführung ins State-Pricing In diesem Kapitel betrachten wir eine Periode. Das heisst, wir können nur zu den Zeitpunkten 0 und 1 handeln. Im weiteren arbeiten wir
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
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.
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
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,
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
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
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
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
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
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
MehrTangentialebene. Sei f eine stetig differenzierbare Funktion und p = (p 1,..., p n ) die Koordinaten eines Punktes P auf der durch
Tangentialebene Sei f eine stetig differenzierbare Funktion und p = (p 1,..., p n ) die Koordinaten eines Punktes P auf der durch implizit definierten Fläche. f (x 1,..., x n ) = c Tangentialebene 1-1
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
MehrVorlesung: Nicht-kooperative Spieltheorie. Teil 4: 2-Personen-Nullsummenspiele
Vorlesung: Nicht-kooperative Spieltheorie Teil 4: 2-Personen-Nullsummenspiele Dr. Thomas Krieger Wintertrimester 2009 Dr. Thomas Krieger Vorlesung: Nicht-kooperative Spieltheorie 1 Definition 2-Personen-Nullsummenspiele
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
Mehr12 Extremwerte und Monotonie
5 II. Differentialrechnung 1 Extremwerte und Monotonie Lernziele: Resultate: Existenz von Maxima und Minima stetiger Funktionen auf kompakten Intervallen, Monotoniesatz Kompetenzen: Bestimmung lokaler
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.
MehrFerienkurs Analysis 3. Ari Wugalter März 2011
Ari Wugalter 07. - 08. März 2011 1 1 Hilberträume Im ersten Kapitel wollen wir uns mit den grundlegenden Eigenschaften von Hilberträumen beschäfitgen. Hilberträume habe die herausragende Eigenschaft, dass
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrUniversität Ulm Abgabe: Mittwoch,
Universität Ulm Abgabe: Mittwoch, 8.5.23 Prof. Dr. W. Arendt Jochen Glück Sommersemester 23 Punktzahl: 36+4* Lösungen Halbgruppen und Evolutionsgleichungen: Blatt 2. Sei X ein Banachraum und (T (t)) t
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
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
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
MehrEigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
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
Mehrε 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
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr M Keyl M Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker (Analysis ) MA90 http://www-m5matumde/allgemeines/ma90 06S Sommersem 06 Lösungsblatt (606) Zentralübung Z
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrProseminar Analysis Vollständigkeit der reellen Zahlen
Proseminar Analysis Vollständigkeit der reellen Zahlen Axel Wagner 18. Juli 2009 1 Voraussetzungen Zunächst wollen wir festhalten, was wir als bekannt voraussetzen: Es sei (Q, +, ) der Körper der rationalen
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.
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrangetex,v 18 01/11/09 14:07:08 hk Exp $ $Id: untermfgtex,v 14 01/11/1 10:00:34 hk Exp hk $ Extrema unter Nebenbedingungen Lagrange-Multiplikatoren In der letzten Sitzung hatten wir begonnen die
Mehr3.1. Existenzsatz und Struktur der Lösungsmenge
3. EXISTENZ UND DUALITÄT 3.1. Existenzsatz und Struktur der Lösungsmenge Nach dem Satz von Weierstraß besitzt eine lineare Funktion auf einem Polytop stets ein Minimum und ein Maximum. Im allgemeinen Fall
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
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.
MehrKapitel 1:»Rechnen« c 3 c 4 c) b 5 c 4. c 2 ) d) (2x + 3) 2 e) (2x + 0,01)(2x 0,01) f) (19,87) 2
Kapitel :»Rechnen«Übung.: Multiplizieren Sie die Terme so weit wie möglich aus. a /5 a 5 Versuchen Sie, vorteilhaft zu rechnen. Übung.2: Berechnen Sie 9% von 2573. c 3 c 4 b 5 c 4 ( b 2 c 2 ) (2x + 3)
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
Mehr