Lagrange-Multiplikatoren
|
|
- Irmgard Messner
- vor 6 Jahren
- Abrufe
Transkript
1 Lagrange-Multiplikatoren Ist x eine lokale Extremstelle der skalaren Funktion f unter den Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i, so dass grad f (x ) = λ i grad g i (x ). i Dabei wird vorausgesetzt, dass f und g in einer Umgebung von x stetig differenzierbar sind und dass die Gradienten grad g i (x ) linear unabhängig sind. Lagrange-Multiplikatoren 1-1
2 Lagrange-Multiplikatoren Ist x eine lokale Extremstelle der skalaren Funktion f unter den Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i, so dass grad f (x ) = λ i grad g i (x ). i Dabei wird vorausgesetzt, dass f und g in einer Umgebung von x stetig differenzierbar sind und dass die Gradienten grad g i (x ) linear unabhängig sind. Bei nur einer Nebenbedingung hat die Lagrange-Bedingung die einfache Form grad f (x ) grad g(x ), falls grad g(x ) 0, d.h. die Niveauflächen von f und g berühren sich an einer Extremstelle. Lagrange-Multiplikatoren 1-2
3 Die Lagrange-Bedingung ist nicht hinreichend, um zu entscheiden, ob ein lokales Extremum vorliegt und ob es sich um ein Minimum oder ein Maximum handelt. Dies lässt sich nur mit Hilfe weiterer Informationen feststellen. Lagrange-Multiplikatoren 1-3
4 Die Lagrange-Bedingung ist nicht hinreichend, um zu entscheiden, ob ein lokales Extremum vorliegt und ob es sich um ein Minimum oder ein Maximum handelt. Dies lässt sich nur mit Hilfe weiterer Informationen feststellen. Die globalen Extrema erhält man durch den Vergleich der Funktionswerte an den Punkten, welche die Lagrange-Bedingung erfüllen, sowie gegebenenfalls den Randpunkten der zulässigen Menge oder Punkten mit einem Rangverlust von g. Lagrange-Multiplikatoren 1-4
5 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen Lagrange-Multiplikatoren 2-1
6 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen (i) m n: Lagrange-Multiplikatoren 2-2
7 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen (i) m n: Der n-vektor grad f (x ) ist immer als Linearkombination der, nach Voraussetzung linear unabhängigen Gradienten grad g i (x ) darstellbar. Lagrange-Multiplikatoren 2-3
8 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen (i) m n: Der n-vektor grad f (x ) ist immer als Linearkombination der, nach Voraussetzung linear unabhängigen Gradienten grad g i (x ) darstellbar. Grund: Für m n, besteht die zulässige Menge im Allgemeinen bereits aus diskreten Punkten, die durch die Nebenbedingungen festgelegt sind. Lagrange-Multiplikatoren 2-4
9 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen (i) m n: Der n-vektor grad f (x ) ist immer als Linearkombination der, nach Voraussetzung linear unabhängigen Gradienten grad g i (x ) darstellbar. Grund: Für m n, besteht die zulässige Menge im Allgemeinen bereits aus diskreten Punkten, die durch die Nebenbedingungen festgelegt sind. (ii) m < n: Lagrange-Multiplikatoren 2-5
10 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen (i) m n: Der n-vektor grad f (x ) ist immer als Linearkombination der, nach Voraussetzung linear unabhängigen Gradienten grad g i (x ) darstellbar. Grund: Für m n, besteht die zulässige Menge im Allgemeinen bereits aus diskreten Punkten, die durch die Nebenbedingungen festgelegt sind. (ii) m < n: fasse die Nebenbedingungen g i zu einer Funktion g = (g 1,..., g m ) t zusammen Lagrange-Multiplikatoren 2-6
11 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen (i) m n: Der n-vektor grad f (x ) ist immer als Linearkombination der, nach Voraussetzung linear unabhängigen Gradienten grad g i (x ) darstellbar. Grund: Für m n, besteht die zulässige Menge im Allgemeinen bereits aus diskreten Punkten, die durch die Nebenbedingungen festgelegt sind. (ii) m < n: fasse die Nebenbedingungen g i zu einer Funktion g = (g 1,..., g m ) t zusammen partitioniere die Variablen als x = (u, v) R m R n m, wobei nach eventueller Permutation die Invertierbarkeit der Jacobi-Matrix ( g(u, v)/ u) (u,v ) = g u (u, v ) vorausgesetzt wird Lagrange-Multiplikatoren 2-7
12 Beweis: n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen (i) m n: Der n-vektor grad f (x ) ist immer als Linearkombination der, nach Voraussetzung linear unabhängigen Gradienten grad g i (x ) darstellbar. Grund: Für m n, besteht die zulässige Menge im Allgemeinen bereits aus diskreten Punkten, die durch die Nebenbedingungen festgelegt sind. (ii) m < n: fasse die Nebenbedingungen g i zu einer Funktion g = (g 1,..., g m ) t zusammen partitioniere die Variablen als x = (u, v) R m R n m, wobei nach eventueller Permutation die Invertierbarkeit der Jacobi-Matrix ( g(u, v)/ u) (u,v ) = g u (u, v ) vorausgesetzt wird Satz über implizite Funktionen = lokale Auflösbarkeit der Nebenbedingungen g(u, v) = (0,..., 0) t u = ϕ(v), (u, v) (u, v ) Lagrange-Multiplikatoren 2-8
13 Gradient der Funktion v h(v) = f (ϕ(v), v) Null an einem Extremum, d.h. grad h(v ) = f u (u, v )ϕ (v ) + f v (u, v ) = 0 aufgrund der Kettenregel und mit ϕ der Jacobi-Matrix von ϕ Lagrange-Multiplikatoren 2-9
14 Gradient der Funktion v h(v) = f (ϕ(v), v) Null an einem Extremum, d.h. grad h(v ) = f u (u, v )ϕ (v ) + f v (u, v ) = 0 aufgrund der Kettenregel und mit ϕ der Jacobi-Matrix von ϕ Differenzieren der Nebenbedingungen g(ϕ(v), v) = (0,..., 0) t = ϕ (v) = g u (u, v) 1 g v (u, v) Lagrange-Multiplikatoren 2-10
15 Gradient der Funktion v h(v) = f (ϕ(v), v) Null an einem Extremum, d.h. grad h(v ) = f u (u, v )ϕ (v ) + f v (u, v ) = 0 aufgrund der Kettenregel und mit ϕ der Jacobi-Matrix von ϕ Differenzieren der Nebenbedingungen g(ϕ(v), v) = (0,..., 0) t = ϕ (v) = g u (u, v) 1 g v (u, v) Setzen von λ = f u (u, v )g u (u, v ) 1 und Einsetzen des Ausdrucks für ϕ in den Gradienten f u = λg u, f v = f u ( gu 1 g v ) = λg v (u- und v-komponenten der Bedingung f = λg im Punkt (u, v )) Lagrange-Multiplikatoren 2-11
16 Beispiel: minimiere f (x, y) = y unter der Nebenbedinung g(x, y) = y 3 x 2 = 0 Minimum bei (0, 0) g = y 3 x 2 = 0 grad f (0, 0) y = 0 Lagrange-Multiplikatoren 3-1
17 Die Lagrange-Bedingung (f x, f y ) = λ(g x, g y ) nicht erfüllt: (0, 1) (0, 0) = λ( 2x, 3y 2 ) Lagrange-Multiplikatoren 3-2
18 Die Lagrange-Bedingung (f x, f y ) = λ(g x, g y ) nicht erfüllt: (0, 1) (0, 0) = λ( 2x, 3y 2 ) Grund: kein maximaler Rang der Jacobi-Matrix g (x, y ) = (0, 0) Lagrange-Multiplikatoren 3-3
19 Die Lagrange-Bedingung (f x, f y ) = λ(g x, g y ) nicht erfüllt: (0, 1) (0, 0) = λ( 2x, 3y 2 ) Grund: kein maximaler Rang der Jacobi-Matrix g (x, y ) = (0, 0) Die Lagrange-Bedingung ist in singulären Punkten nicht anwendbar. Lagrange-Multiplikatoren 3-4
20 Beispiel: Lagrange Bedingung für die Extremstellen (x, y ) einer bivariaten Funktion f (x, y) unter der Nebenbedingung g(x, y) = 0: d.h. grad g ist parallel zu grad f (f x, f y ) = λ(g x, g y ), grad g 0 Lagrange-Multiplikatoren 4-1
21 Beispiel: Lagrange Bedingung für die Extremstellen (x, y ) einer bivariaten Funktion f (x, y) unter der Nebenbedingung g(x, y) = 0: (f x, f y ) = λ(g x, g y ), grad g 0 d.h. grad g ist parallel zu grad f Die Niveaulinien von f im Punkt (x, y ) sind tangential zu der durch g definierten Kurve. Lagrange-Multiplikatoren 4-2
22 2 g = 0 1 (x, y ) 0 1 f =const Lagrange-Multiplikatoren 4-3
23 z.b.: f (x, y) = (x 3)(y 3) min, g(x, y) = x 2 + y 2 2 = 0 Lagrange-Multiplikatoren 4-4
24 z.b.: f (x, y) = (x 3)(y 3) min, g(x, y) = x 2 + y 2 2 = 0 Langrange-Bedingung (f x, f y ) = (y 3, x 3) = λ(2x, 2y) = λ(g x, g y ) Lagrange-Multiplikatoren 4-5
25 z.b.: f (x, y) = (x 3)(y 3) min, g(x, y) = x 2 + y 2 2 = 0 Langrange-Bedingung (f x, f y ) = (y 3, x 3) = λ(2x, 2y) = λ(g x, g y ) Elimination von λ durch Bilden der Differenz yf x xf y y(y 3) x(x 3) = 0 (y x)(y + x 3) = 0 Lagrange-Multiplikatoren 4-6
26 z.b.: f (x, y) = (x 3)(y 3) min, g(x, y) = x 2 + y 2 2 = 0 Langrange-Bedingung (f x, f y ) = (y 3, x 3) = λ(2x, 2y) = λ(g x, g y ) Elimination von λ durch Bilden der Differenz yf x xf y y(y 3) x(x 3) = 0 (y x)(y + x 3) = 0 Berücksichtigung der Nebenbedingung x 2 + y 2 2 = 0 (kein zulässiger Punkt für y + x 3 = 0) x = y und (1, 1) sowie ( 1, 1) als mögliche Extremstellen Lagrange-Multiplikatoren 4-7
27 z.b.: f (x, y) = (x 3)(y 3) min, g(x, y) = x 2 + y 2 2 = 0 Langrange-Bedingung (f x, f y ) = (y 3, x 3) = λ(2x, 2y) = λ(g x, g y ) Elimination von λ durch Bilden der Differenz yf x xf y y(y 3) x(x 3) = 0 (y x)(y + x 3) = 0 Berücksichtigung der Nebenbedingung x 2 + y 2 2 = 0 (kein zulässiger Punkt für y + x 3 = 0) x = y und (1, 1) sowie ( 1, 1) als mögliche Extremstellen Existenz von Minimum und Maximum für eine stetige Funktion auf einer kompakten Menge (Kreis mit Radius 2) = f bei (1, 1) minimal und bei ( 1, 1) maximal Lagrange-Multiplikatoren 4-8
28 Beispiel: Bestimmung der Extrema von f (x, y, z) = x + 2y z unter den Nebenbedingungen g 1 (x, y, z) = x 2 + y 2 8 = 0, g 2 (x, y, z) = x + z 4 = 0 (Ellipse: Schnitt eines Zylinders mit einer Ebene) Lagrange-Multiplikatoren 5-1
29 Beispiel: Bestimmung der Extrema von unter den Nebenbedingungen f (x, y, z) = x + 2y z g 1 (x, y, z) = x 2 + y 2 8 = 0, g 2 (x, y, z) = x + z 4 = 0 (Ellipse: Schnitt eines Zylinders mit einer Ebene) Jacobi-Matrix der Nebenbedingungen ( ) g 2x 2y 0 (x, y) = voller Rang für (x, y) (0, 0); auf zulässiger Menge erfüllt Lagrange-Multiplikatoren 5-2
30 Beispiel: Bestimmung der Extrema von unter den Nebenbedingungen f (x, y, z) = x + 2y z g 1 (x, y, z) = x 2 + y 2 8 = 0, g 2 (x, y, z) = x + z 4 = 0 (Ellipse: Schnitt eines Zylinders mit einer Ebene) Jacobi-Matrix der Nebenbedingungen ( ) g 2x 2y 0 (x, y) = voller Rang für (x, y) (0, 0); auf zulässiger Menge erfüllt Lagrange-Bedingung für Extremstellen (x, y, z) ( ) 2x 2y 0 (1, 2, 1) = (λ 1, λ 2 ) Lagrange-Multiplikatoren 5-3
31 bzw. 1 = 2λ 1 x + λ 2 2 = 2λ 1 y 1 = λ 2 Lagrange-Multiplikatoren 5-4
32 bzw. 1 = 2λ 1 x + λ 2 2 = 2λ 1 y 1 = λ 2 Einsetzen von λ 1 = 1/y und λ 2 = 1 in die erste Gleichung = x = y Lagrange-Multiplikatoren 5-5
33 bzw. 1 = 2λ 1 x + λ 2 2 = 2λ 1 y 1 = λ 2 Einsetzen von λ 1 = 1/y und λ 2 = 1 in die erste Gleichung = x = y Nebenbedingungen mögliche Extrema (2, 2, 2) und ( 2, 2, 6) Lagrange-Multiplikatoren 5-6
34 bzw. 1 = 2λ 1 x + λ 2 2 = 2λ 1 y 1 = λ 2 Einsetzen von λ 1 = 1/y und λ 2 = 1 in die erste Gleichung = x = y Nebenbedingungen mögliche Extrema (2, 2, 2) und ( 2, 2, 6) Existenz von Minimum und Maximum auf der Ellipse und Vergleich der Funktionswerte, f ( 2, 2, 6) = 12 < 4 = f (2, 2, 2), = f ist minimal bei ( 2, 2, 6) und maximal bei (2, 2, 2). Lagrange-Multiplikatoren 5-7
35 Beispiel: Gleichgewichtslage einer an zwei Punkten aufgehängten Kette mit 2n Kettengliedern der Länge 1 Lagrange-Multiplikatoren 6-1
36 Beispiel: Gleichgewichtslage einer an zwei Punkten aufgehängten Kette mit 2n Kettengliedern der Länge 1 r x 1 x 2 Lagrange-Multiplikatoren 6-2
37 Beispiel: Gleichgewichtslage einer an zwei Punkten aufgehängten Kette mit 2n Kettengliedern der Länge 1 r x 1 x 2 potentielle Energie unter Berücksichtigung der Symmetrie ( x1 ) ( f (x) = 2 2 x 1 + x ) ( 2 2 x x n 1 + x ) n = a 1 x 1 a n x n mit a i = 2(n i) + 1 Lagrange-Multiplikatoren 6-3
38 Beispiel: Gleichgewichtslage einer an zwei Punkten aufgehängten Kette mit 2n Kettengliedern der Länge 1 r x 1 x 2 potentielle Energie unter Berücksichtigung der Symmetrie ( x1 ) ( f (x) = 2 2 x 1 + x ) ( 2 2 x x n 1 + x ) n = a 1 x 1 a n x n mit a i = 2(n i) + 1 Länge der Kette Nebenbedingung n g(x) = r/2 1 xi 2 = 0 i=1 Lagrange-Multiplikatoren 6-4
39 Optimierungsproblem f min, g = 0 Lagrange-Multiplikatoren 6-5
40 Optimierungsproblem f min, g = 0 Lagrange-Bedingungen grad f = λ grad g a i = λ x i 1 x 2 i, i = 1,..., n Lagrange-Multiplikatoren 6-6
41 Optimierungsproblem f min, g = 0 Lagrange-Bedingungen grad f = λ grad g a i = λ x i 1 x 2 i Quadrieren und Auflösen nach x i = x 2 i = a2 i a 2 i + λ 2, i = 1,..., n Lagrange-Multiplikatoren 6-7
42 Optimierungsproblem f min, g = 0 Lagrange-Bedingungen grad f = λ grad g a i = λ x i 1 x 2 i Quadrieren und Auflösen nach x i = x 2 i = a2 i a 2 i + λ 2 Einsetzen in die Nebenbedingung r/2 = i r n 2 = i=1, i = 1,..., n λ 2 a 2 i + λ 2 1 x 2 i Lagrange-Multiplikatoren 6-8
43 ... monotone Funktion von λ Lagrange-Multiplikatoren 6-9
44 ... monotone Funktion von λ einfach zu berechnende numerische Lösung λ Lagrange-Multiplikatoren 6-10
45 ... monotone Funktion von λ einfach zu berechnende numerische Lösung λ Bestimmung von x i aus den Lagrange-Bedingungen Lagrange-Multiplikatoren 6-11
Kuhn-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
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
MehrImplizite Funktionen. Ist für eine stetig differenzierbare Funktion f : R n R m R n. so lässt sich das Gleichungssystem
Implizite Funktionen Ist für eine stetig differenzierbare Funktion f : R n R m R n f (x, y ) = (0,..., 0) t, det f x (x, y ) 0, so lässt sich das Gleichungssystem f k (x 1,..., x n, y 1,..., y m ) = 0,
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
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
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
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
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
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
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.
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 :
MehrExtrema mit Nebenbedingungen
Extrema mit Nebenbedingungen Gesucht ist das Extremum der Funktion f(x,y) = 5 x y unter der Nebenbedingung g(x,y) = x+y =. 5 y x In diesem einfachen Fall kann die Nebenbedingung nach einer Variablen aufgelöst
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
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
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
Mehr7.11. Extrema unter Nebenbedingungen
7.11. Extrema unter Nebenbedingungen Randextrema Wir haben schon bemerkt, daß die üblichen Tests mit Hilfe von (eventuell höheren) Ableitungen nur Kriterien für (lokale) Extrema im Inneren des Definitionsgebietes
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
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
MehrExtrema von Funktionen mit Nebenbedingung
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen mit Nebenbedingung Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
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,
MehrExtremwertrechnung in mehreren Veränderlichen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann SS 2014 14.05.2014 Höhere Mathematik II für die Fachrichtung Informatik 3. Saalübung (14.05.2014) Extremwertrechnung
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
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)
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
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
MehrMusterlösungen Aufgabenblatt 2
Jonas Kindervater Ferienkurs - Höhere Mathematik III für Physiker Musterlösungen Aufgabenblatt Dienstag 17. Februar 009 Aufgabe 1 (Implizite Funktionen) f(x, y) = x 1 xy 1 y4 = 0 Man bestimme die lokale
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
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
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
MehrMathematik 2 für Wirtschaftsinformatik
für Wirtschaftsinformatik Sommersemester 2012 Hochschule Augsburg Hinreichende Bedingung für lokale Extrema Voraussetzungen Satz D R n konvex und offen Funktion f : D R zweimal stetig partiell differenzierbar
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
MehrFerienkurs der TU München- - Analysis 2 Funktionen in mehreren Variablen Vorlesung
Ferienkurs der TU München- - Analysis 2 Funktionen in mehreren Variablen Vorlesung Jonas J. Funke 30.08.2010-03.09.2010 Inhaltsverzeichnis 1 Funktionen in mehreren Variablen 3 2 Partielle Differentiation
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
MehrTU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik 1. Dr. M. Herrich SS 2017
TU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik Prof. Dr. K. Eppler Institut für Numerische Mathematik Dr. M. Herrich SS 207 Aufgabe Gegeben sei die Funktion f : R 2 R mit Übungen
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
MehrC. Eicher Analysis Study Center ETH Zürich HS Extremwerte
C. Eicher Analysis Study Center ETH Zürich HS 05 Extremwerte Gelöste Aufgabenbeispiele:. Bestimme die lokalen und globalen Extrema der Funktion f(x) = x x + x auf dem Intervall [ 4, ]. a. Bestimmung der
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
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.
MehrKritischer Punkt. Kritischer Punkt 1-1
Kritischer Punkt Für eine skalare Funktion f bezeichnet man x als kritischen Punkt, wenn grad f (x) = (0,..., 0)textt. Ist f zweimal stetig differenzierbar, so wird der Typ des kritischen Punktes, d.h.
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
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
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
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
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.
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 07/08. Michael Karow. Themen: Niveaumengen und Gradient
Vorlesung: Analysis II für Ingenieure Wintersemester 07/08 Michael Karow Themen: Niveaumengen und Gradient Wir betrachten differenzierbare reellwertige Funktionen f : R n G R, G offen Zur Vereinfachung
MehrOptimierung unter Nebenbedingungen
Optimierung unter Nebenbedingungen Kapitel 7: Optimierung unter Nebenbedingungen Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 1. Juli 2009 1 / 18 7.1 Bemerkung
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
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
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
MehrProf. Dr. H. Brenner Osnabrück SS Analysis II. Vorlesung 50. Hinreichende Kriterien für lokale Extrema
Prof. Dr. H. Brenner Osnabrück SS 205 Analysis II Vorlesung 50 Hinreichende Kriterien für lokale Extrema Wir kommen jetzt zu hinreichenden Kriterien für die Existenz von lokalen Extrema einer Funktion
MehrTotale Ableitung und Jacobi-Matrix
Totale Ableitung und Jacobi-Matrix Eine reelle Funktion f : R n R m ist in einem Punkt x differenzierbar, wenn f (x + h) = f (x) + f (x)h + o( h ) für h 0. Totale Ableitung 1-1 Totale Ableitung und Jacobi-Matrix
MehrUmkehrfunktion. g (y) = f (x) 1, x = g(y), Umkehrfunktion 1-1
Umkehrfunktion Ist für eine stetig differenzierbare n-variate Funktion f : D R n die Jacobi-Matrix f (x ) für einen Punkt x im Innern des Definitionsbereiches D R n nicht singulär, so ist f lokal invertierbar,
MehrMathematik I ITB. Funktionen mit mehreren reellen Variablen. Prof. Dr. Karin Melzer
Funktionen mit mehreren reellen Variablen 11.05.09 Beispiel: Funktionsgebirge Das Beispiel zeigt die Funktion z = y sin(x 2 ) Schnittkurven: Beispiel Kegelschnitte Schnittkurve: Kurve, die aus dem Schnitt
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
Mehr42 Lokale Extrema mit Nebenbedingungen
4 Lokale Extrema mit Nebenbedingungen 09 4 Lokale Extrema mit Nebenbedingungen Lernziele: Resultate: Kriterien für lokale Extrema mit Nebenbedingungen Methoden: Lagrange-Multiplikatoren Kompetenzen: Bestimmung
MehrMathematische Behandlung der Natur- und Wirtschaftswissenschaften I. f(x) := e x + x.
Technische Universität München WS 009/0 Fakultät für Mathematik Prof. Dr. J. Edenhofer Dipl.-Ing. W. Schultz Übung Lösungsvorschlag Mathematische Behandlung der Natur- und Wirtschaftswissenschaften I Aufgabe
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
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
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr.
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
MehrB Lösungen. Aufgabe 1 (Begriffe zur Differenziation) Sei (x, y) R 2 Berechnen Sie zur Abbildung. f(x, y) := x sin(xy) f : R 2 R,
B en Aufgabe 1 (Begriffe zur Differenziation) Sei (x, y) R Berechnen Sie zur Abbildung f : R R, f(x, y) : x sin(xy) das totale Differenzial f df, die Jacobi-Matrix J f (x, y) und den Gradienten ( f)(x,
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
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
Mehr6 Weiterer Ausbau der Differentialrechnung
6 Weiterer Ausbau der Differentialrechnung 6.1 Mittelwertsätze, Extremwerte, Satz von Taylor Motivation: Wie wählt man Höhe und Durchmesser einer Konservendose, so dass bei festem Volumen V möglichst wenig
Mehr3.2 Implizite Funktionen
3.2 Implizite Funktionen Funktionen können explizit als y = f(x 1, x 2,..., x n ) oder implizit als F(x 1, x 2,..., x n ;y) = 0 gegeben sein. Offensichtlich kann man die explizite Form immer in die implizite
MehrÜbungen zur Analysis II Blatt 27 - Lösungen
Prof. Dr. Torsten Wedhorn SoSe 22 Daniel Wortmann Übungen zur Analysis II Blatt 27 - Lösungen Aufgabe 5: 6+6+6* Punkte Bestimme alle lokalen Extrema der folgenden Funktionen: a b c* f : R 3 R g : R 2 R
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.
MehrSchein-Klausur. Analysis 2
Universität Konstanz FB Mathematik & Statistik Prof. Dr. M. Junk Dipl.-Phys. Martin Rheinländer Schein-Klausur Analysis 2 28. Juli 26 2. Iteration Name: Vorname: Matr. Nr.: Hauptfach: Nebenfach: Übungsgruppen-Nr.:
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,
MehrDie Tangentialebene. {(x, y, z) z = f(x 0, y 0 )+ f x (x 0, y 0 )(x x 0 )+ f. y (x 0, y 0 )(y y 0 )}
Die Tangentialebene Der Graph der linearen Approximation ist Tangentialebene an den Graph der Funktion. In Symbolen: Es sei D R 2. Es sei f : D R, (x, y) f(x, y) differenzierbar. Dann ist {(x, y, z) z
MehrMultivariate Kettenregel
Multivariate Kettenregel Für die Hintereinanderschaltung h = g f : x y = f (x) z = g(y), stetig differenzierbarer Funktionen f : R m R l und g : R l R n gilt h (x) = g (y)f (x), d.h. die Jacobi-Matrix
MehrAnleitung zu Blatt 5 Analysis III für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / r. Hanna Peywand Kiani 4.. Anleitung zu Blatt 5 Analysis III für Studierende der Ingenieurwissenschaften Extrema unter Nebenbedingungen, Lagrange Multiplikatoren
Mehr5.10. Mehrdimensionale Extrema und Sattelpunkte
5.1. Mehrdimensionale Extrema und Sattelpunkte Zur Erinnerung: Eine Funktion f von einer Teilmenge A des R n nach R hat im Punkt a ein (strenges) globales Maximum, falls f( x ) f( a ) (bzw. f( x ) < f(
MehrLösungsvorschlag Klausur MA9802
Lehrstuhl für Numerische Mathematik Garching, den 3.8.22 Prof. Dr. Herbert Egger Dr. Matthias Schlottbom Lösungsvorschlag Klausur MA982 Aufgabe [3 + 3 Punkte] Berechnen Sie, falls existent, die folgenden
MehrKurvendiskussion von Funktionsscharen
Kurvendiskussion von Funktionsscharen Die Untersuchung von Funktionsscharen unterscheidet sich nicht von der Untersuchung von normalen Funktionen. Einzig die Bestimmung der Ortskurven von Extremstellen
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) =
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
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
MehrTechnische Universität Berlin Fakultät II Institut für Mathematik SS 13 G. Bärwolff, C. Mehl, G. Penn-Karras
Technische Universität Berlin Fakultät II Institut für Mathematik SS 3 G. Bärwolff, C. Mehl, G. Penn-Karras 9..3 Oktober Klausur Analysis II für Ingenieure Rechenteil. Aufgabe Punkte i) Wir berechnen zunächst
MehrAufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen
Aufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen 1. Bestimmen Sie für die folgenden Funktionen zunächst die kritischen Stellen und entscheiden
MehrHeinrich-Hertz-Oberschule, Berlin
Reellwertige Funktionen mehrerer Variabler Teilnehmer: Maximilian Ringleb Jakob Napiontek Kay Makowsky Mallku Schlagowski Trung Duc Nguyen Alexander Reinecke Herder-Oberschule, Berlin Heinrich-Hertz-Oberschule,
Mehr*** 2.2. Variation mit Nebenbedingung (Ergänzung: wird nicht geprüft)
*** 2.2. Variation mit Nebenbedingung (Ergänzung: wird nicht geprüft) In manchen Problemen sind nicht alle möglichen Funktionen als Lösung erlaubt, sondern nur Funktionen, die zusätzliche Bedingungen erfüllen.
MehrÜbungen zum Ferienkurs Analysis II 2014
Übungen zum Ferienkurs Analysis II 4 Probeklausur Allgemein Hinweise: Die Arbeitszeit beträgt 9 Minuten. Falls nicht anders angegeben, sind alle en ausführlich und nachvollziehbar zu begründen. Schreiben
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:
Mehr10.6. Implizite ebene Kurven und Tangenten
0.6. Implizite ebene Kurven und Tangenten Im Gegensatz zu expliziten Darstellungen sind weder implizite noch Parameterdarstellungen einer Kurve eindeutig. Der Übergang von impliziten zu expliziten Darstellungen
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrImplizite Funktionen
Implizite Funktionen Durch die Bedingung F (x, y) = C, C R wird eine bestimmte Teilmenge des R 2 festgelegt, zb durch die Bedingung x y = 4 Dabei können wir obda C = 0 annehmen, da wir stets zur Betrachtung
Mehr2.10 Lokale Funktionsanalyse
2.1 Lokale Funktionsanalyse Aufgabe Gegeben sei die Abbildung g : R 2 R 2 mit g(x, y) : (x 3 yx, y). Man bestimme alle Mengen M k : {(ξ, η) R 2 g 1 (ξ, η) hat genau k Elemente}. Wie verhält g sich in der
Mehr2.7 Implizite Funktionen, Umkehrabbildungen
27 Implizite Funktionen, Umkehrabbildungen Motivation Häufig sind ebene Kurven in impliziter Form f(x, y) = und nicht in expliziter Form y = g(x) gegeben Einfaches Beispiel Für Kreise um ist implizite
MehrWirtschaftsmathematik-Klausur vom und Finanzmathematik-Klausur vom
Wirtschaftsmathematik-Klausur vom 07.02.2014 und Finanzmathematik-Klausur vom 27.01.2014 Bearbeitungszeit: W-Mathe 60 Minuten, F-Mathe 45 Minuten Aufgabe 1 GegebensindinAbhängigkeit der produzierten und
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
MehrKapitel 6 Vektoranalysis. 6.1 Glatte Kurven und Flächen in R 3
Kapitel 6 Vektoranalysis 6. Glatte Kurven und Flächen in R 3 Bisher haben wir unter einem glatten Weg im R n stets eine differenzierbare Abbildung γ:i R n, definiert auf einem Intervall I R, verstanden.
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
MehrÜbungen zu Grundlagen der Mathematik 2 Lösungen Blatt 12 SS 14. Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion.
Übungen zu Grundlagen der Mathematik Lösungen Blatt 1 SS 14 Prof. Dr. W. Decker Dr. M. Pleger Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion f : U R, (x, y) x y x + y, im Punkt (1, 1) bis einschließlich.
MehrPrüfungsklausur Höhere Mathematik II (20. Juli 2005) - Lösungen zum Theorieteil - für MB, EC, TeM, FWK, KGB, BGi, WiW, GtB, Ma, WWT, ESM
Prüfungsklausur Höhere Mathematik II (2. Juli 25) für MB, EC, TeM, FWK, KGB, BGi, WiW, GtB, Ma, WWT, ESM - Lösungen zum Theorieteil - Aufgabe : Sei f(x, y) eine in einem Gebiet zweimal stetig differenzierbare
Mehr