2.7 Implizite Funktionen, Umkehrabbildungen
|
|
- Erwin Flater
- vor 6 Jahren
- Abrufe
Transkript
1 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 Darstellung x 2 + y 2 = r 2 der expliziten Darstellung y = ± r 2 x 2 (Fallunterscheidung!) vorzuziehen Entwicklung der Differentialrechnung durch Leibniz und Newton mit Anwendung auf die Darstellung von Kurven und Bewegungsvorgänge; dabei waren x und y, ebenso die Differentiale dx und dy gleichberechtigt Erst später logische Fundierung mit Hilfe des Funktionsbegriffs, Auszeichnung einer unabhängigen Variablen x, von der die andere, nämlich y, abhängt Frage: Kann man stets eine Gleichung f(x, y) = nach y aufhören, dh gibt es eine Funktion y = g(x) mit f(x, g(x))? Obiges Beispiel mit r = 1 : x 2 + y 2 = 1 Ist x > 1 gibt es (im Reellen) kein y, im Fall x = 1 genau ein y und im Fall x < 1 genau 2 Werte y mit f(x, y) = Also eindeutige Auflösung im Großen nicht zu erwarten, stattdessen bescheideneres Ziel: Auflösung im Kleinen, dh lokal in einer Umgebung einer festen Stelle (x, y ) mit f(x, y ) = Statt Skalare x und y jetzt Vektoren x 1 x n = x IRn, y = y 1 y m IRm, also Gleichung f(x, y) = schreibt sich ausführlich f 1 (x 1,,x n ; y 1,,y m ) = f m (x 1,, x n ; y 1,,y m ) = ( ) x IR n+m, f(x, y) IR m, y Frage nach der Auflösung der m Gleichungen nach den m Variablen y 1,,y m bei festen Parametern x 1,,x n, dh gesucht ist y = g(x), dh y 1 = g 1 (x 1,,x n ),,y m = g m (x 1,,x n ) mit f(x, g(x)) Blick auf lineare Algebra: Auflösung linearer Gleichungssysteme möglich, falls zugehörige Koeffizientenmatrix regulär, ein Test hierzu: det Hier treten folgende Funktionalmatrixen auf: 4
2 f x = x = f y = = 1 x 1 m x m 1 1 x n m x n 1 m m m m n Matrix m m Matrix Schreibweise f C k (D) f k-mal stetig differenzierbar auf D Satz über implizite Funktionen Sei f : D IR m stetig differenzierbar auf einer offenen Teilmenge D des IR n+m Es gelte f(x, y ) = und det ( (x, y )) für einen Punkt (x, y ) D mit x IR n, y IR m Dann gibt es offene Umgebungen U von x in IR n, V von y in IR m und eine stetig differenzierbare Funktion g : U V mit der Eigenschaft f(x, g(x)) = für alle x U, f(x, y) für alle y g(x), (x, y) U V Ist zudem f C k (D), so ist auch g C k (U) (1 k ) Hieraus ergibt sich folgende Formel für die Jacobi-Matrix g = x g Aus der Identität f(x, g(x)) folgt mit Hilfe der Kettenregel: x + g x x i ( fj (x, g(x)) ) = j x i + g x = x mit Regularität = oder komponentenweise m k=1 j k g k x i = ( ) i = 1,,n j = 1,,m [(m m) Matrix (m n) Matrix = (m n) Matrix] g x = ) 1 ( x im Argument (x, g(x)) 41
3 Beispiele Sei f(x, y) = x 2 y 2 + 1, D = IR 2, n = m = 1 = 2y; Schulgeometrie: Gleichungsmenge = gleichseitige Hyperbel Sei z B x = 1, y = 2 Dann ist f(x, y ) =, (x, y ) = 2 2 Also Voraussetzung erfüllt Durch y = g(x) = x 2 + 1, x U := IR, g(u) = [1, ) IR =: V wird die zugehörige explizite Funktion beschrieben Hier ist g (x ) = in Übereinstimmung mit dem Satz aus g = ( 1 ) 2x = x, jedoch verschieden 2y y von x (x, y ) = 2 Wählt man dagegen x = 1, y = 2, so ist auch f(x, y ) =, (x, y ) Hierzu gehört die explizite Funktion y = h(x) = x 2 + 1, x U := IR, h(u) = (, 1] IR Obiger Satz auch anwendbar, falls keine formelmäßige Auflösung von f(x, y) = nach y möglich ist Sei z B f(x, y) = y + xy 2 e xy, D = IR 2 f(x, y) = transzendente Gleichung in y, nicht formelmäßig nach y aufzulösen Trotzdem existiert hierzu eine explizite Funktion y = g(x) in einer Umgebung von zb x =, y = 1; denn (x, y) = 1 + 2xy xexy, (x, y ) = 1 Für x sind Funktionswerte y = g(x) zur Gleichung numerisch zu ermitteln (Bisektion, Newton) Hier sind Ableitungen und Skalare, damit berechnet sich x x g (x, g(x)) (x) = (x, g(x)) = g(x)2 g(x)exg(x) 1 + 2xg(x) xe xg(x) g () = 1 1 = 1 Spezialfall des Satzes über implizite Funktionen: lokale Existenz von Umkehrabbildungen Invertierungssatz 42
4 Seien X offen in IR n und f : X IR n stetig differenzierbar In einem Punkt x X gelte det ( x (x ) ) Dann gibt es eine offene Umgebung U von x in X mit den Eigenschaften: (i) V = f(u) ist eine offene Umgebung von y = f(x ) und f : U V ist bijektiv (ii) Die eindeutig bestimmte Umkehrabbildung f 1 : V U ist stetig differenzierbar (iii) Es gilt für alle y = f(x) V (f 1 ) (y) = ( f (x) ) 1 Ist zudem f C k (U), dann ist auch f 1 C k (V ) (1 k ) Beweis (Skizze): Nahe bei y ist zu f(x) = y ein x zu finden, dh die Gleichung F(x, y) = f(x) y = nach x aufzulösen Wende Satz über implizite Funktionen an! Dabei ist m = n, jedoch Rollen von x und y vertauscht! Wegen F(x, y ) =, det F x (x, y ) = det f (x ) gibt es offene Umgebung U von x, V von y mit der Eigenschaft: Zu jedem y V existiert genau ein x := g(y) U mit F(x, y) =, also mit f(x) = y, dh g ist gesuchte Umkehrabbildung f 1 und es ist f 1 C 1 (V ) Die Funktion f bildet also die Menge U = f 1 (V ) U bijektiv auf V ab Nur noch zu zeigen: U offen Dies folgt aber aus der Stetigkeit von f, da U = Urbildmenge der offenen Menge V ist Beispiel: Ebene Polarkoordinaten x = r cos ϕ y = r sin ϕ mit r = x 2 + y 2 Für die Abbildung (r, ϕ) (r cos ϕ, r sin ϕ) ist det (x, y) (r, ϕ) = cosϕ r sin ϕ sin ϕ r cosϕ = r sofern (x, y) (, ) Zu jedem Bildpunkt (x, y) gibt es unendlich viele Urbilder (r, ϕ + 2kπ) Jedoch existiert eine Übereinstimmung mit dem Satz in einer Umgebung 43
5 von (x, y ) = (r cos ϕ, r sin ϕ ) eine Umkehrfunktion in C, gegeben durch r = (x 2 + y 2 ) 1/2, ϕ = arc (x, y) = arc tan y x (falls x ist, andernfalls ϕ = arc cot x ), wobei jener Funktionszweig des y Arcustangens zu wählen ist, der für (x, y ) den richtigen Wert ϕ ergibt 28 Extremalprobleme a) ohne Nebenbedingungen Sei X offen IR n und sei f : X IR gegeben Zunächst globale Minimalstelle von f gesucht, dh ein x min X mit f(x min ) f(x) x X Bescheideneres Ziel: lokale Minimalstelle x von f, dh es gibt eine Umgebung U X von x, so dass f( x) f(x) x U, x x oder auch strikte lokale Minimalstelle von f, dh < anstelle von Wir wissen bereits: Ist x X Extremalstelle (dh lokale Minimalstelle oder lokale Maximalstelle) von f, dann gilt f(x ) = Man nennt dann x einen kritischen Punkt oder stationär Dies ist jedoch nur notwendiges Kriterium für Minimal- oder Maximalstelle, wie bereits im 1-dim Fall (waagrechte Wendetangente!) Beispiele: Im Fall n = 2 (vgl Ü oder) einfaches Beispiel von einem Sattelpunkt: Sei f(x, y) = x 2 y 2 Dann f = 2 ( x y ), f ( ) = ( ) Im Eindimensionalen weitere Tests: Vorzeichen von f! Satz (Hinreichende Bedingungen) Seien X offen IR n, f : X IR zweimal stetig differenzierbar Es gelte grad f(x ) = für ein x X Ist die zur Hesse-Matrix H f (x ) zugehörige quadratische Form positiv definit, dh < v T H f (x )v := n ν,µ=1 v ν v µ x ν x µ (x ) ( v IR n \{}), 44
6 (bzw negativ definit), dann ist x eine strikte lokale Minimalstelle (bzw strikte lokale Maximalstelle) Beweis: Satz von Taylor, k = 1 f(x + h) = f(x ) + h T f(x ) + 1 }{{} 2 = n i,j=1 f xi x j (x + ϑh)h i h j für ein ϑ (, 1), oder ( ) f(x + h) f(x ) = 1 2 ht H f (x + ϑh)h Wegen f C 2 (D), daher H f stetig δ > : h < δ H f (x + ϑh), ϑ [, 1] positiv definit, falls H f (x ) positiv definit (negativ definit analog) Also für < h < δ rechte Seite der Gleichung (*) positiv, dh es liegt ein echtes lokales Minimum vor qed Blick auf lineare Algebra: ( 62 Skript) H f (x ) IR n n ist symmetrisch Dann ist H f (x ) positiv definit alle Hauptminoren sind > alle Eigenwerte von H f (x ) sind > Im Fall n = 2 bezeichnet man als Diskriminante D := det H f = f xx f yy f 2 xy ; ein stationärer Punkt von f mit D < heißt Sattelpunkt zb Nullpunkt für Funktion (x, y) x 2 y 2, denn H f () = ( 2 2 ), D = 4 < Tatsächlich verhält sich eine Funktion in der Nähe eines kritischen Punktes mit D < qualitativ so, wie es dieser Prototyp zeigt: Zerlegung in 4 Sektoren, wobei f(x) f(x ) in gegenüberliegenden Sektoren gleiches Vorzeichen besitzt Beispiel zu obigem Satz: Sei f(x, y) = e xy + x 2 + µy 2 mit µ > Wir berechnen f x = ye xy + 2x; f y = xe xy + 2µy; f xx = y 2 e xy + 2, f xy = (1 + xy) e xy, f yy = x 2 e xy + 2µ Offenbar ist (, ) ein kritischer Punkt und D = 4µ 1, f xx () = 2 > Also für µ > 1/4 echtes lokales Minimum; für µ (, 1/4) Sattelpunkt 45
7 Grenzfall µ = 1/4? Keine Auskunft von obigem Satz! Jedoch für xy Abschätzung (bei µ = 1/4) f(x, y) = 1 + (x y)2 + (e xy 1 xy) > 1 + (x + y 2 )2 1 wegen e t > 1 + t für t (Taylorreihe!) Auch falls x = oder y = gilt f(x, y) > 1 = f(, ) für (x, y) (, ) globales Minimum für µ 1/4 b) mit Nebenbedingungen Frage nach Minima, bzw Maxima von f unter zusätzlichen Restriktionen (Nebenbedingungen) in Gestalt von Gleichungen, z B h(x) = (auch interessant für Anwendungen: Ungleichungen) Problemstellung: Seien X offen IR n, f : X IR ( Zielfunktion ), zudem g : X IR p ( Restriktionen, Nebenbedingungen ) mit p < n gegeben Gesucht sind (lokale) Minimal-, bzw Maximalstellen der Einschränkung f N auf N = {x X g(x) = } Beispiel Frage nach Quader größten Volumens bei vorgegebener Länge der Kanten, dh V (x 1, x 2, x 3 ) = x 1 x 2 x 3, x D x (, ) 3 zu maximieren unter 4(x 1 + x 2 + x 3 ) = s, s > gegeben oder h(x 1, x 2, x 3 ) = x 1 + x 2 + x 3 = s 4 =: u Also h : D IR, p = 1 Hier einfach zu lösen durch Auflösen und Einsetzen, dh Aufstellen eines äquivalenten unrestringierten Problems, zb x 3 = u x 1 x 2 Ṽ (x 1, x 2 ) = V ( ) x 1, x 2, u x 1 x 2 = x 1 x 2 (u x 1 x 2 ) = u x 1 x 2 x 2 1 x 2 x 1 x 2 2 ( Ṽ (x u x 2 2x 1 x 2 x 2 ) ( ) 2! 1, x 2 ) = x 1 u x 1 x 2 1 2x 1 x 2 = x 2 u x 1 x 2 2x 2 1x 2 x 1 x 2 2 = u x 1 x 2 x 2 1x 2 2x 1 x 2 2, x 2 1x 2 = x 1 x 2 2, x 1 x }{{ 2 (x } 2 x 1 ) =, x 1 = x 2 =: x > Oben eingesetzt: u x 3 x 2 = x x = u 3 = x 1 = x 2 = x 3 46
8 H V = ( 2x2 u 2x 1 2x 2 u 2x 1 2x 2 2x 1 ) Ṽ x1 x 1 ( x, x ) <, D( x, x) = 4 x 2 ( 1 3 u ) 2 ( 4 = 9 1 ) u 2 9 > also in der Tat echtes lokales Maximum Globales Maximum? Dazu betrachte Maximierung von V auf D = [, ) 3 unter h(x 1, x 2, x 3 ) = x 1 + x 2 + x 3 = u > Maximierung von V auf dem Dreieck mit den Ecken u, u, V stetig, kompakt x max : V (x max ) V (x), x V ( ) < ( u 3 ) 3 = V ( x, x, x), also tritt kein Randmaximum auf u x max V (x max ) = x max = Oft ist die Auflösung der Gleichungsrestriktion(en) und damit die Reduktion auf ein unrestringiertes Extremalproblem nicht möglich Beispiel: Finde den Punkt einer Bahnkurve, gegeben durch h(x) =, der am nächsten zu liegt! maw Minimiere das Abstandsquadrat bei Euklidischer n Metrik f(x) = x 2 ν unter der Nebenbedingung h(x) = ν=1 Lösungswege 1 Weg: Auflösen und Einsetzen, dh Aufstellen eines äquivalenten Problems ohne Nebenbedingungen 2 Weg: Methode der Lagrange-Multiplikatoren mit Satz über implizite Funktionen Zunächst erläutert im Fall n = 2 Seien f, h : D IR 2 IR mit D offen; f, h C 1 (D) Weiter sei (x, y ) D mit h(x, y ) =, h y (x, y ) Satz über implizite Funktionen h = lässt sich in einer Umgebung von (x, y ) eindeutig auflösen durch die Funktion y = g(x) mit g (x) = 47 x x x
9 hx h y (x, g(x)) Damit ist lokal das restringierte Extremalproblem unter der Nebenbedingung h(x, y) = äquivalent zum unrestringierten Extremalproblem mit der Zielfunktion k(x) := f(x, g(x)) Es ist k (x) = f x + f y g und g (x) = h x h y (x, g(x)) Also liegt ein stationärer Punkt von k vor, wenn ( ) k (x) = f x f y h x h y = und h = (kurz ohne Argument) Nach Lagrange kann man diese beiden Gleichungen auch erhalten, wenn man einführt die neue Funktion ( Lagrange-Funktion ) L(x, y, λ) = f(x, y)+λh(x, y) mit der zusätzlichen Variablen λ ( Lagrangscher Multiplikator ) und einen stationären Punkt von L (als Funktion der 3 Variablen x, y, λ) sucht: L x = f x (x, y)+ λh x (x, y) = ( ) L y = f y (x, y)+ λh y (x, y) = h(x, y) = In der Tat (*) (**) bei h y Jetzt allgemeiner Fall: Sei x IR n, y IR m ; D offen IR k Gegeben sei f : D offen IR n m IR, g : D IR m Gesucht sind lokale Extrema von f(x, y) = f(x 1,, x n ; y 1,,y m ) unter den m Nebenbedingungen g 1 (x 1,,x n ; y 1,, y m ) = g m (x 1,,x n ; y 1,, y m ) =, d h gesucht ( x, ŷ) D N mit (Maximum) (Minimum) f( x, ŷ) f(x, y) (x, y) D N U, wobei N = Menge aller Nullstellen von g(in D), U eine Umgebung von ( x,ŷ) Dabei haben wir bereits die Variablen in zwei Klassen aufgeteilt: 48
10 x und y, weil wir nach y unter der Voraussetzung det g auflösen wollen Satz (bei vorgegebener Aufteilung der Variablen): Seien U eine offene Umgebung von ( x,ŷ) IR k IR m, f : U IR und g : U IR m stetig differenzierbar Sei det g ( x,ŷ) Hat die Funktion f unter der Nebenbedingung g = an der Stelle ( x,ŷ) ein lokales Extremum, so gibt es ein λ IR m derart, dass die Lagrange-Funktion L(x, y, λ) = f(x, y) + λ T g(x, y) (x, y) U, λ IR m an der Stelle ( x, ŷ, λ) einen stationären Punkt besitzt Man nennt λ 1, λ m die Lagrangeschen Multiplikatoren An der Stelle ( x,ŷ, λ) bestehen also die Gleichungen x L =, y L =, λ L = ; ausführlicher m L xi = f xi + λ j g j,xi = (i = 1,,n) j=1 m L yk = f yk + λ j g j,yk = (k = 1,, m) j=1 L λk = g k = (k = 1,, m), also n + 2m Gleichungen für n + 2m Unbekannte als eine notwendige Bedingung für das Auftreten eines lokalen Extremums von f unter der Nebenbedingung g =, sofern an der betreffenden Stelle die Matrix g invertierbar ist Beweis: Nach Satz über implizite Funktionen hat g = in einer Umgebung von ( x, ŷ) eine eindeutige Auflösung y = h(x) = ( h 1 (x),,h m (x) ) Also hat F(x) := f ( x, h(x) ) an der Stelle x ein Extremum ohne Nebenbedingungen, folglich m F xi = f xi + f yj h j,xi = (i = 1,,n) oder in Matrixschreibweise Wir wissen j=1 F x = x + h x = h x = g ) 1 g ( x, 49
11 also Setzen wir so gilt an der Stelle ( x, ŷ, λ) x ( g ) 1 g x = λ T = ( λ 1,, λ m ) = g + λt x x = und ( g ) 1 ( x, ŷ) + λt g =, dh die oben behaupteten Gleichungen L xi = L yk = (zusätzlich zur Zulässigkeit: g k = ) qed Ein Vorteil der Lagrangeschen Multiplikatorenregel: keine Auszeichnung der Variablen y k, nach denen aufgelöst wird In den praktischen Anwendungsfällen ist ja auch nicht eine Aufteilung zu unabhängige und abhängige Variable vorgegeben Wir wollen uns daher in der Formulierung der Lagrangeschen Multiplikatorenregel von dieser Aufteilung freimachen und müssen daher die Voraussetzung über die Matrix g ersetzen Lagrangesche Multiplikatorenregel (keine Aufteilung der Variablen): Seien X offen IR n, f : X IR und g : X IR p stetig differenzierbar mit p < n Hat die Funktion f an der Stelle x X unter der Nebenbedingung g = ein lokales Extremum und hat die Funktionalmatrix x g an dieser Stelle den (Höchst-)Rang p, so gibt es ein λ IR p derart, dass ( x, λ) stationärer Punkt ist für die Lagrange-Funktion L(x, λ) = f(x) + p j=1 λ j g j (x) x X, λ IR p Also löst ( x, λ) das Gleichungssystem L x = x + g λt x = ; L λ = g = 5
12 Beweis durch Zurückführen auf obigen Satz Nach Voraussetzung gibt es m g Indizes i 1,,i m derart, dass die Matrix (x i1,,x im an der Stelle x invertierbar ist Fasse die Komponenten (x i1,,x im ) als Vektor y, die restlichen ) Komponenten als Vektor ξ zusammen Dann ist x = (ξ, y) und die obige Situation liegt vor mit ξ anstelle von x Satz (Hinlängliche Bedingungen) Seien X offen IR n, f : X IR und g : X IR p stetig differenzierbar mit p < n An der Stelle x N habe die Funktionalmatrix x g Rang p und es gebe ein λ IR p, so dass ( x, λ) stationärer Punkt ist für die Lagrange-Funktion L Zudem sei die zugehörige Hesse-Matrix ( 2 L ) x ν x = ( 2 f ) p + µ ν,µ=1,,n x ν x µ j=1 λ j ( 2 g j x ν x µ ) in x positiv (bzw negativ) definit Dann ist x eine strikte lokale Minimal- (bzw Maximal-) Stelle der Zielfunktion f unter den Nebenbedingungen g 1 =,,g p = Bemerkung: Die Bedingung der positiven (bzw negativen) Definitheit lässt sich abschwächen Es reicht hin, wenn die Hesse-Matrix ( 2 ) L x ν x positiv µ (bzw negativ) definit ist auf dem Unterraum Z = {z IR n g ( x) z = } Beispiel: (nach Meyberg Vachenauer) Gesucht sind die Extremwerte der quadratischen Form q(x) = x T Ax (mit A = A T IR n n ) auf der Sphäre S = {x IR n : x = 1}: x T Ax = Extr! NB: g(x) 1 x T x = Es ist g (x) = 2x T und Lagrangefunktion L(x, λ) = x T Ax + λ(1 x T x) Notwendige Optimalitätsbedingungen: x L = 2Ax 2λx = λ L = 1 x T x = g(x) = 51
13 sind äquivalent zu dem Eigenwertproblem Ax = λx, x = 1 Also sind die Extremwerte unter q(x) = x T Ax = λx T x = λ zu suchen Ergebnis: Der kleinste Eigenwert von A ist das Minimum, der größte Eigenwert das Maximum der quadratischen Form q (stetig) auf der Sphäre S (kompakt) Die Extrema werden für die zugehörigen Eigenvektoren der Länge 1 angenommen Hinlängliche Bedingungen 2 Ordnung verwenden die Hesse Matrix ( 2 2 ) L xl := = 2(A λi) x ν x µ Anwendung: Der maximale (minimale) Wert der Normalspannung σ = n T Σn, n = 1 in einem Punkt eines elastisch belasteten Körpers ist der größte (kleinste) Eigenwert des Spannungstensors Σ in der Kontinuumsmechanik Ein Zahlenbeispiel Sei n = 3, A = klar λ min = 1 < 2 < 3 = λ max Zu λ = λ max = 3 gehört der Eigenvektor ˆx = (, ±1, ) T (mit x = 1), und damit ist g (ˆx) und vom (Höchst )Rang 1 A 3I =, 1 2 Determinantenkriterium versagt; zugehörige quadratische Form ˆq(x) = x T ( x L(ˆx) ) x = x 2 1 2x2 3 ist semi-negativ-definit, aber nicht negativ-definit (wähle x 1 = x 3 = ; x 2 bel!) Z = { z IR 3 q (ˆx)z = } = { z (, ±1, )z = } = { z z 2 = } und auf Z hat ˆq(z) = zur Folge z 1 = z 3 = und z 2 =, also z = ; dh ˆq ist negativ definit auf dem Unterraum Z Oder ( ) 1 (A 3I)(e 1, e 3 ) = ( e 1, 2e 2 ), (A 3I) Z = 2 ist negativ definit nach dem Determinantenkriterium 52
Extremwerte 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
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
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
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
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
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
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 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
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
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
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
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
MehrMusterlösung zu Blatt 1
Musterlösung zu Blatt Analysis III für Lehramt Gymnasium Wintersemester 0/4 Überprüfe zunächst die notwendige Bedingung Dfx y z = 0 für die Existenz lokaler Extrema Mit x fx y z = 8x und y fx y z = + z
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
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
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
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
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
MehrLagrange-Multiplikatoren
Lagrange-Multiplikatoren Ist x eine lokale Extremstelle der skalaren Funktion f unter den Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i, so dass grad f (x ) = λ i grad g i
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.
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
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,
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
Mehri j m f(y )h i h j h m
10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem
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
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,
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 1 Hausaufgaben Aufgabe 1.1 Sei f : R R gegeben durch f(x 1, x ) = x 3
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
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. 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
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
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.
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
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
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 :
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,
MehrThema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema
Thema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema In diesem Kapitel befassen wir uns mit der Ableitung von Funktionen f : R m R n. Allein die Schreibweise
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
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
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
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,
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.
Mehr53 Der Satz über implizite Funktionen
53 Der Satz über implizite Funktionen 229 53 Der Satz über implizite Funktionen 53.1 Implizit definierte Kurven. In diesem Abschnitt wird zunächst die implizite Definition von Kurven durch Gleichungen
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
Mehr4.4 Lokale Extrema und die Hessesche Form
74 Kapitel 4 Differentialrechnung in mehreren Variablen 44 Lokale Extrema und die Hessesche Form Sei jetzt wieder U R n offen und f:u R eine Funktion Unter einem lokalen Extremum der Funktion f verstehen
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
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
Mehr28 Taylor-Formel, lokale Extrema
VII. Differentialrechnung in mehreren Variablen 458 28 Taylor-Formel, lokale Extrema Wir erinnern an den Mittelwertsatz für differenzierbare Funktionen f : D R (D R n offen) (vgl. 26.1): Sind a,b D Punkte,
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
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:
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
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
MehrKlausurenkurs zum Staatsexamen (SS 2016): Differential und Integralrechnung 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2016): Differential und Integralrechnung 7 7.1 (Herbst 2015, Thema 1, Aufgabe 4) Gegeben sei das Dreieck und die Funktion f : R mit Bestimmen Sie f(
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
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
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.
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
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
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,
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(
MehrAnalysis III. Dr. Theo Overhagen Fachbereich 6 Mathematik Universität Siegen
Analysis III Dr. Theo Overhagen Fachbereich 6 Mathematik Universität Siegen 2008 1 Einleitung Die Vorlesung Analysis III schließt an die Vorlesungen Analysis I,II (Prof. Dr. Nickel) in den Studienjahren
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
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.
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
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
Mehr4.5 Lokale Extrema und die Hessesche Form
80 Kapitel 4. Differentialrechnung in mehreren Variablen 4.5 Lokale Extrema und die Hessesche Form Sei ab jetzt U R n offen und f:u R eine Funktion. Unter einem lokalen Extremum der Funktion f verstehen
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,
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
MehrMathematik für Anwender II
Prof. Dr. H. Brenner Osnabrück SS 2012 Mathematik für Anwender II Vorlesung 49 Zu einer reellwertigen Funktion Extrema auf einer offenen Menge G R n interessieren wir uns, wie schon bei einem eindimensionalen
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
Mehr41 Der Satz über implizite Funktionen
41 Der Satz über implizite Funktionen 203 41 Der Satz über implizite Funktionen Lernziele: Resultate: Satz über implizite Funktionen Methode: Implizite Differentiation Kompetenzen: (Lokale) Auflösung von
Mehr9 Höhere partielle Ableitungen und die Taylorformel
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 9 Höhere partielle Ableitungen und die Talorformel Definition 91 Sei U R n offen, f : U R m eine Funktion Dann heißt f 2-mal partiell differenzierbar,
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrVorlesung: Analysis I für Ingenieure
Vorlesung: Analysis I für Ingenieure Michael Karow Thema: Satz von Taylor Die Taylor-Entwicklung I Satz von Taylor. Sei f : R D R an der Stelle x n-mal differenzierbar. Dann gilt für x D, n f (k) (x )
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrReellwertige Funktionen mehrerer Veränderlicher
Reellwertige Funktionen mehrerer Veränderlicher Teilnehmer: Philipp Besel Joschka Braun Robert Courant Florens Greÿner Tim Jaschek Leroy Odunlami Gloria Xiao Heinrich-Hertz-Oberschule, Berlin Ludwigs-Georgs-Gymnasium,
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
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
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
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
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
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,
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
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
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
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,
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 23 (5.8.23). Gegeben seien die Matrizen A = 2 3 3 und B = 5 2 5 (a) Bestimmen Sie die Eigenwerte von A und B sowie die
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
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
MehrSeite 1. sin 2 x dx. b) Berechnen Sie das Integral. e (t s)2 ds. (Nur Leibniz-Formel) c) Differenzieren Sie die Funktion f(t) = t. d dx ln(x + x3 ) dx
Seite Aufgabe : a Berechnen Sie das Integral b Berechnen Sie das Integral +x x+x dx. π sin x dx. c Differenzieren Sie die Funktion ft = t e t s ds. Nur Leibniz-Formel a + x x + x dx = d dx lnx + x dx =
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
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
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
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrAnalysis II. 8. Klausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis II 8. Klausur mit en 1 2 Aufgabe 1. Definiere die folgenden kursiv gedruckten) Begriffe. 1) Eine Metrik auf einer Menge M. 2) Die Kurvenlänge
Mehr4.7 Der Taylorsche Satz
288 4 Differenziation 4.7 Der Taylorsche Satz Die Differenzierbarkeit, also die Existenz der ersten Ableitung einer Funktion, erlaubt bekanntlich, diese Funktion lokal durch eine affine Funktion näherungsweise
Mehr4. Anwendung der Differentialrechnung: Kurvendiskussion 4.1. Maxima und Minima einer Funktion.
4. Anwendung der Differentialrechnung: Kurvendiskussion 4.1. Maxima und Minima einer Funktion. Definition 4.3. Es sei f : R D R eine auf D erklarte Funktion. Die Funktion f hat in a D eine globales oder
Mehr