Konvexe Mengen und Funktionen
|
|
- Jan Sommer
- vor 6 Jahren
- Abrufe
Transkript
1 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
2 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Einleitung 2 2 Konvexe Mengen 3 3 Projektion 6 4 Trennung 8 5 Konvexe Funktion 11 6 Fazit 14 Literaturverzeichnis 14
3 1 EINLEITUNG 2 1 Einleitung Die mathematische Optimierung ist eine junge Disziplin der angewandten Mathematik. Industrie, Wirtschaft und Verwaltung benötigen sie, um spezifische auf sie zugeschnittene Probleme zu lösen, welche sich oft als konvexe Probleme darstellen lassen. Diese lassen sich dann als Minimierung einer konvexen Zielfunktion mit konvexen Nebenbedingungen formulieren. In der Mathematik gehören die konvexen Mengen und Funktionen zu den sehr gut untersuchten Strukturen, weshalb diese Probleme relativ leicht gelöst werden können. Daher lohnt es sich hier besonders, die Struktur konvexer Mengen und konvexer Funktionen herauszuarbeiten und in die Problemlösung einfließen zu lassen. Diese Informationen über Konvexität können mittels verschiedener Methoden aus der Analysis, Geometrie und anderen Teilwissenschaften der Mathematik, die hier jedoch ausgeblendet werden sollen gewonnen werden. Die starken Voraussetzungen, die an konvexe Probleme gestellt werden, erwirken die mannigfachen Möglichkeiten, diese zu analysieren und darauf aufbauend zu relativ schnellen und einfachen Algorithmen zu gelangen, welche Zeit und Kosten sparen. Der Spezialfall der linearen Optimierung ist in der Problemstellung enthalten und kann aufgrund seiner besonders starken Anforderungen sehr bequem bearbeitet werden.
4 2 KONVEXE MENGEN 3 2 Konvexe Mengen Definition 2.1 Eine Konvexkombination ist ein Vektor x der Form x = n α ix i mit endlich vielen Vektoren x 1,...,x n IR n und α i 0 n α i = 1. Beispiel 2.1 Konvexe Mengen sind z.b. die leere Menge, die offene und abgeschlossene Einheitskugel im IR n und Polyeder im IR n. Abbildung 1: Beispiele für konvexe Mengen Satz 2.1 Eine Menge C IR n ist genau dann konvex, wenn sie alle Konvexkombinationen von Punkten aus C enthält. Enthält eine Menge C alle Konvexkombinationen ihrer Punkte, so auch diejenigen Punkte z C, die mit n = 2, λ [0,1] und x, y C durch z = λx+(1 λ)y dargestellt werden können. Offenbar enthält eine konvexe Menge alle Konvexkombinationen z aus n=2 Vektoren x, y C für alle λ [0, 1] z = λx + (1 λ)y. Gelte also die Aussage für n=k. Sei k+1 x = α i x i = α i x i + α k+1 x k+1 = (1 α k+1 ) α i x i 1 α k+1 + α k+1 x k+1 so ist dies eine Konvexkombination der beiden Punkten k α i x i 1 α k+1, x k+1 C mit λ = α k+1 [0, 1]. Definition 2.2 Eine nichtleere Teilmenge K IR n heißt Kegel, wenn mit x K auch {αx α > 0} K ist. Lemma 2.1 Ein Kegel ist genau dann konvex, wenn K + K K. Angenommen, K ist nicht konvex, dann gibt es a, b K, λ (0, 1), sodass z = λx + (1 λ)y / K. Jedoch λx, (1 λ)y K, da K ein Kegel ist. Daher auch z = λx + (1 λ)y K + K K. Seien x, y K. Dann gilt auch 1 2 (x + y) K. z = x + y K + K, damit auch z = 1 2 (x + y) (x + y) = 2 2 (x + y) K. Insgesamt: K + K K.
5 2 KONVEXE MENGEN 4 Lemma 2.2 Sei (C j ) j J eine Familie konvexer Mengen mit einer beliebigen Indexmenge J, dann ist auch C:= j J C j konvex. Für alle j J seien x, y C j und λ [0, 1]. Dann ist z = λx + (1 λ)y C j j J. Somit gilt ebenso z = λx + (1 λ)y C. Abbildung 2: Vereinigungen und Komplemente konvexer Mengen Beispiel 2.2 Die Differenz zweier konvexer Mengen ist nicht mehr konvex. Ebenso ist die Vereinigung konvexer Mengen nicht mehr konvex. Lemma 2.3 C i IR n i C i i = 1,...,k. Dann ist die Produktmenge C := C 1... C k IR n 1... IR n k genau dann konvex, wenn die Mengen C i i = 1,...,k konvex sind. Zu x = (x 1,...,x k ), y = (y 1,...,y k ) C und λ [0, 1] ist z = λx+(1 λ)y = (z 1,...,z k ) C, da x i, y i C i i = 1,...,k und somit ebenfalls z i = λx i + (1 λ)y i C i i = 1,...,k. Lemma 2.4 Sei C IR n konvex, dann sind auch das Innere int C und der Abschluss cl C konvex X z (1- ) y 1- Abbildung 3: das Innere einer konvexen Menge ist konvex Seien x, y int C. Wir müssen zeigen, dass auch jede Konvexkombination dieser beiden Punkte im Inneren von C liegt. Sei also für λ (0, 1) z = λx + (1 λ)y bestimmt. Da x int C, gibt es ein δ > 0 mit B(x, δ) C. Der Strahlensatz
6 2 KONVEXE MENGEN 5 ( ) und die Konvexität besagen nun, dass auch B z, δ z y x y C also z C. Seien nun x, y cl C. Sei z = λx + (1 λ)y eine Konvexkombination beider Punkte mit einem λ (0, 1). Da x, y cl C existieren Folgen { x (k)}, { y (k)} in C mit x (k) x, y (k) x. Damit folgt z (k) := λx (k) + (1 λ)y (k) C k IN aus der Konvexität und ist daher z ein Häufungspunkt der Menge C, also z cl C. Lemma 1.2 besagt, dass beliebige Schnitte konvexer Mengen wiederum konvex sind. Dies rechtfertigt folgende Definition: Definition 2.3 Die konvexe Hülle co A einer Menge A IR n ist die kleinste konvexe Menge, die A umfasst. coa = C Ckonvex C A Beispiel 2.3 Im Falle einer konvexen Menge A IR n gilt offenbar co(a)=a. Damit gilt für eine beliebige Menge B IR n co(co(b))=co(b). Für beliebige Mengen C,D IR n mit C D gilt weiter co C co D. Lemma 2.5 Für A IR n ist coa = {x IR n x ist Konvexkombination von Punkten in A}. Sei B = {x IR n x ist Konvexkombination von Punkten in A}, dann ist B konvex und offensichtlich B A. Für alle konvexen Mengen C mit C B folgt damit C = co C co B co A. Sei nun eine konvexe Menge C A. Da B alle Konvexkombinationen von Punkten aus A enthält, gilt auch C B. Folglich gilt mit der speziellen Wahl C=co A auch coa B.
7 3 PROJEKTION 6 3 Projektion An dieser Stelle geben wir drei Sätze aus Kapitel 1.2 des Buches [1] noch ein Mal an, verzichten aber auf den. Satz 3.1 Sei C IR n eine nichtleere und konvexe Menge und f : C IR strikt konvex. Falls eine Lösung des Problems existiert, so ist sie eindeutig bestimmt. ohne min f(x) x C Satz 3.2 Sei C IR n eine abgeschlossene Menge und f : C IR stetig. Wenn entweder C beschränkt ist oder lim x f(x) = + gilt, dann hat eine Lösung. ohne min f(x) x C Sei C IR n eine nichtleere, abgeschlossene und konvexe Menge. Für ein festes z IR n definieren wir das Projektionsproblem(P) durch: min x C x z 2 2 Satz 3.3 Sei C IR n konvex und f : IR n IR konvex. Wenn f in ˆx C richtungsdifferenzierbar ist, dann sind folgende Aussagen äquivalent: (i) ˆx ist Lösung von (P) (ii) f (x, x ˆx) 0 x C ohne Sei f : IR n IR n, f(x) := x z 2 2. Es gilt f(x) = x z 2 = x z, x z = x, x 2 x, z + z, z = x 2 2 x, z + z 2 x 2 2 x z + z 2 = ( x z ) 2 =: g( x. Es gilt lim x g (x) = + und g ( x ) f (x). Daher folgt lim x f(x) = +. Weiter ist f zweimal differenzierbar mit f(x) = 2(x z) und Hf(x) = 2I. Hf(x) ist positiv definit und daher f(x) streng und damit auch strikt konvex. Nach 2.1 und 2.2 hat (P) eine Lösung, die eindeutig ist. Die eindeutige Lösung des Problems (P) kann man wie folgt charakterisieren: Satz 3.4 Sei C IR n eine nichtleere, abgeschlossene und konvexe Menge. Dann löst ˆx C das Problem (P) genau dann, wenn z ˆx, x ˆx 0 x C
8 3 PROJEKTION 7 Nach Satz 3.3 ist ˆx C genau dann Lösung des Problems(P), wenn f(ˆx), x ˆx 0 x C. Wegen f(ˆx) = 2(ˆx z) folgt die Aussage: f(ˆx), x ˆx = 2(ˆx z), x ˆx = 2 z ˆx, x ˆx Wir fassen zusammen: das Problem(P) min x C x z 2 2 mit z IR n und C IR n eine nichtleere, abgeschlossene und konvexe Menge hat genau eine Lösung und diese wird bestimmt durch z ˆx, x ˆx 0 x C. Die drei Bedingungen C IR n eine nichtleere, abgeschlossene und konvexe Menge können bei Benutzung dieser drei Sätze nicht abgeschwächt werden. Die Konvexität wurde bei den Sätzen 3.1 und 3.3, die Abgeschlossenheit bei Satz 3.2 und die Existenz von zulässigen Punkten wurde in 3.1 und 3.3 benutzt.
9 4 TRENNUNG 8 4 Trennung Definition 4.1 Für s 0 IR n und r IR. Sei H s,r = {x IR n s, x = r}. Seien C 1, C 2 IR n. H s,r bzw. s trennt C 1 und C 2, falls s, y r s, x y C 1, x C 2 H s,r bzw. s trennt C 1 und C 2 strikt, falls sup y C1 s, y inf x C2 s, x trennende Hyperebene: keine trennende Hyperebene: Abbildung 4: Beispiele für trennende Hyperebenen Satz 4.1 Sei C IR n eine nichtleere, abgeschlossene und konvexe Menge, x / C, dann gibt es eine Hyperebene, die C und {x} strikt trennt. Es gibt also einen Vektor 0 s IR n mit sup s, y s, x y C Nach Satz 3.3 erfüllt die Lösung ˆx des Problems (P) x ˆx, y ˆx 0 y C Mit s := x ˆx 0 also y ˆx = y x + s folgt Daraus folgt s, y x + s = s, y s, x + s 0 y C s, x s 2 s, y y C Daraus folgt wegen s 0 die Behauptung. Der Ausdruck sup y C s, y s, x ist äquivalent zur strikten Trennung, da mit folgender Wahl von r gilt:
10 4 TRENNUNG 9 und r := 1 2 ( s, x = 1 2 s, x s, x 1 2 s, x + sup s, y y C ( ) s, x + sup s, y y C ) = r sup y C s, y = 1 2 sup y C s, y sup y C s, y 1 2 sup s, y + 1 s, x = r. y C 2 Insgesamt also sup s, y s, x y C Definition 4.2 Sei C IR n, so ist der Rand bd C von C die Menge bd C = cl C \ int C. Abbildung 5: Rand der konvexen Menge Definition 4.3 Sei C IR n und x bd C ein Randpunkt. Dann heißt die Hyperebene H r,s Stützhyperebene von C in x, falls s, x = r s, y y C gilt. Weiter heißt die Stützhyperebene trivial, falls C H r,s bzw gilt. s, x = r = s, y y C
11 4 TRENNUNG 10 aber nicht: Abbildung 6: Beispiele für Stützhyperebenen Lemma 4.1 Sei C IR n, C IR n eine nichtleere und konvexe Menge mit int C und x bd C, dann gibt es eine nicht triviale Stützhyperebene in x. Wäre cl C = IR n, so wäre C int C = int (cl C) = int IR n = IR n. Also ist cl C IR n. Folglich gibt es zu x bd C eine Folge { x (k)} x mit x (k) / cl C. Für jedes k IN gibt es also nach (3.1) ein s (k) mit s (k), x (k) s (k), y y cl C C s (k) s (k), s (k) x(k) s (k), y y cl C. Mit t (k) = s(k) s (k) also t (k) = 1 folgt t (k), x (k) t (k), y y cl C. Die Menge {x IR n x = 1} ist beschränkt und abgeschlossen, daher hat die Folge t (k) eine Teilfolge k j und ein t IR mit t (k j) t t = 1. Mit r := t, x folgt t, x = r t, y y C. Wegen t = 1 ist weiterhin t 0 und int C ; die Stützhyperebene H t,r folglich nicht trivial. Die Bedingung int C ist offenbar notwendig für die Existenz der nichttrivialen Stützhyperebenen, wenn man folgendes Beispiel betrachtet: C sei ein Geradenstück und x keiner der beiden Randpunkte. Abbildung 7: Beispiel triviale Stützhyperebene Nicht-triviale Stützhyperebenen durch einen relativ inneren Punkt müssen also nicht existieren wenn die Menge kein Inneres hat.
12 5 KONVEXE FUNKTION 11 5 Konvexe Funktion Definition 5.1 Eine Funktion f : IR n IR, die nicht identisch + ist, heißt konvex, wenn gilt: f((1 λ)x + λy) (1 λ)f(x) + λf(y) x, y IR n, λ (0, 1) Die Menge der konvexen Funktionen f : IR n IR wird mit Conv IR n bezeichnet. Für eine Funktion f : IR n IR heißt die Menge Definitionsbereich von f. domf := {x IR n f(x) + } Definition 5.2 Für eine Funktion f : IR n IR mit dom f ist der Epigraph von f die Menge epi f := {(x, r) IR n IR r f(x)}. Zu r IR definiert man die Niveaumengen von f mit N(f, r) := {x IR n f(x) r}. Auch für nicht konvexe Funktionen gilt (x, r) epi f genau dann, wenn x N(f, r). Lemma 5.1 Die Funktion f : IR n IR ist konvex, genau dann, wenn ihr Epigraph konvex ist. Seien x = ( x 1 ) ( x 2, y = y1 ) y 2 epi(f) und λ [0, 1] mit x1, y 1 IR n und x 2, y 2 IR. ( ) ( ) z1 λx1 + (1 λ)y 1 z = := λx + (1 λ)y =. z 2 λx 2 + (1 λ)y 2 Dann gilt: z 2 = λx 2 + (1 λ)y 2 λf(x 1 ) + (1 λ)f(y 1 ) f(λx 1 + (1 λ)y 1 ) = z 1 also z epi f. Sei also epi f konvex und ( ) ( f(x) x, f(y) ) y epi f und λ [0, 1] so gewählt, dass f(λx + (1 λ)y) λf(x) + (1 λ)f(y), f also nicht konvex. Dann folgt: λ ( ) ( x f(x) + (1 λ) y ) ( f(y) = λx+(1 λ)y λf(x)+(1 λ)y) / epi f, daher wäre dann epi f nicht konvex. Bei einer konvexen Funktion f IR n sind die Niveaumengen stets konvex, dagegen muss eine Funktion, deren Niveaumengen konvex sind nicht unbedingt selbst konvex sein, wie man anhand des Beispiels f(x) = lnx leicht erkennt. Hierbei fasst man f Conv IR n auf, indem man sie auf x 0 auf f (x) = setzt.
13 5 KONVEXE FUNKTION ln( x) x 10 Abbildung 8: Beispiel für eine nicht-konvexe Funktion mit konvexen Niveaumengen Satz 5.1 (Ungleichung von Jensen) Sei f Conv IR n eine konvexe Funktion, k IN, x i IR, i = 1,...,k und x = k α ix i eine Konvexkombination. Dann gilt f(x) α i f(x i ) Offenbar gilt die Aussage für k=0, 1, 2. Gelte die Aussage also für k=n. Dann folgt aus der Konvexität von f und der Voraussetzung: k+1 f(x) = f( α i x i ) = f( = f((1 α k+1 ) (1 α k+1 )f( (1 α k+1 ) α i x i + α k+1 x k+1 ) α i 1 α k+1 x i + α k+1 x k+1 ) α i 1 α k+1 x i ) + α k+1 f(x k+1 )) α i 1 α k+1 f(x i ) + α k+1 f(x k+1 )) k+1 α i f(x i ) + α k+1 f(x k+1 )) = α i f(x i )
14 5 KONVEXE FUNKTION 13 Lemma 5.2 Sind f 1,...f m Conv IR n, t 1,...t m R +. Gilt m domf i, dann ist auch die Funktion f := m i+1 t if i konvex. Aufgrund der Bedingung m domf i gibt es ein x IR n mit f(x) = m i+1 t if i (x) und es gilt: f(λx + (1 λ)y) = m t i f i (λx + (1 λ)y) i+1 f ist also konvex. m t i λf i (x) + t i (1 λ)f i (y) = λf(x) + (1 λ)f(y) i+1 Lemma 5.3 Sei J eine beliebige Indexmenge, {f j } j J eine Familie von Funktionen f i Conv IR n. Gibt es ein x IR n mit sup j J f j (x) +, dann ist die Funktion f := sup j J f j konvex. Nach (1.2) und (4.1) ist epif = j J epif j als Schnitt konvexer Mengen wieder konvex und aufgrund der Existenz von x IR n mit sup j J f j (x) + nichtleer. Aus (4.1) folgt wiederum die Konvexität von f.
15 6 FAZIT 14 6 Fazit Im Kapitel konvexe Mengen wurden konvexe Mengen und Kegel untersucht. Besonderes Augenmerk wurde auf konvexitäts-erhaltende Abbildungen gelegt, wie sie das Produkt und der beliebige Schnitt ist. Weiter sind das Innere und der Abschluss konvexer Mengen wieder konvex. Das Kapitel Projektion betraute sich mit dem Problem (P) min x C x z 2 2 mit einer abgeschlossenen und konvexen Menge C. Dieses Problem hat eine Lösung und diese ist eindeutig. Um sie zu finden, betrachtet man ein äquivalentes und ebenfalls konvexes Problem, welches jedoch leichter zu lösen ist, obwohl es in semiinfiniter Formulierung vorliegt: z ˆx, x ˆx 0 x C. Im Kapitel Trennung wurde betrachtet, in welcher Lage zwei konvexe Mengen zueinander liegen können. Das Kriterium war jeweils, ob eine trennende oder strikt trennende Hyperebene existiert. Einen Spezialfall hiervon erhält man, indem eine der beiden Mengen Randpunkt der anderen ist. In diesem Falle existieren keine strikt trennenden Hyperebenen. Die trennenden Hyperebenen nennen sich dann Stützhyperebenen. Diese nennen sich trivial, wenn die Menge vollständig in ihnen enthalten ist. Das Kapitel Konvexe Funktion behandelte Funktionen f : IR n IR mit dom(f) IR n. Als Charakteristika wurden der Epigraph und die eng mit ihm verbundenen Niveaumengen eingeführt. Es wurden konvexitätserhaltende Operationen auf konvexen Funktionen wie die nicht-negative Summenbildung und das Supremum konvexer Funktionen betrachtet. Diese Hilfsmittel können dabei helfen, für Probleme der konvexen Optimierung schnelle und effiziente Löser zu finden und deren Konvergenz zu beweisen. Literatur [1] Alt w.; Numerische Verfahren der konvexen, nichtglatten Optimierung; Teubner Verlag Wiesbaden, 2004
Der 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
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
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
MehrTopologische Aspekte: Eine kurze Zusammenfassung
Kapitel 1 Topologische Aspekte: Eine kurze Zusammenfassung Wer das erste Knopfloch verfehlt, kommt mit dem Zuknöpfen nicht zu Rande J. W. Goethe In diesem Kapitel bringen wir die Begriffe Umgebung, Konvergenz,
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrKonvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke
Konvexe Mengen Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke xy = {x + t xy 0 t 1} = {(1 t)x + ty 0 t 1} enthält. konvex nicht konvex Lemma
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
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer In diesem Vortrag werden die Eigenschaften von kompakten, metrischen Räumen vertieft. Unser Ziel ist es Techniken zu erlernen, um
MehrTopologische Begriffe
Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
MehrSEMINAR Die konjugierte Funktion. Barbara Pisanec
SEMINAR Die konugierte Funktion Barbara Pisanec 10. Mai 2006 Einleitung Mein Seminar handelt von der so genannten konugierten Funktion, ihren grundlegenden Eigenschaften und zugehörigen Rechenregeln (und
Mehr1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1
Konvexität und Operationen, die die Konvexität bewahren Seite 1 1 Konvexe Funktionen 1.1 Definition Eine Funktion f heißt konvex, wenn domf eine konvexe Menge ist und x,y domf und 0 θ 1: f(θx + (1 θ)y)
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,
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,
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die Konvergenz
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer 1 Überdeckungskompaktheit Einleitung P T Q A R S U B (a) (b) Abbildung 1: Beispiele verschiedener Überdeckungen (1.1) Definition (Überdeckung)
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.
MehrLösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.
Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
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
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
MehrKapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen
Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N
MehrKonvexe Mengen und konvexe Funktionen
Konvexe Mengen und konvexe Funktionen Teilnehmer: Moritz Butz Franziska Ihlefeldt Johannes Jendersie Marie Lambert Eike Müller Gregor Pasemann Konstantin Rohde Herder-Gymnasium Herder-Gymnasium Georg-Forster-Gymnasium
MehrWir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung).
Kapitel 4 Metrische Räume und Stetigkeit 4.1 Metrische und normierte Räume 4.2 Folgen in metrischen Räumen 4.3 Offene und abgeschlossene Mengen 4.4 Stetige Funktionen 4.5 Grenzwerte von Funktionen 4.6
MehrKonvexe Mengen. Kanglin,Chen. Universität Bremen, Proseminar WS 04/05
Konvexe Mengen Kanglin,Chen Universität Bremen, Proseminar WS 04/05 Satz. (Satz von Kirchberger) Sei P, Q E n kompakt und nicht leer. Dann gilt: P, Q sind durch eine Hyperebene streng trennbar. Für jede
MehrKapitel 5. Vektorräume mit Skalarprodukt
Kapitel 5 Vektorräume mit Skalarprodukt 119 120 Kapitel V: Vektorräume mit Skalarprodukt 5.1 Elementare Eigenschaften des Skalarprodukts Dienstag, 20. April 04 Wollen wir in einem Vektorraum wie in der
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrProseminar: Konvexe Mengen
Proseminar: Konvexe Mengen Varianten vom Satz von Kirchberger Trennung von Mengen mit einer Kugeloberfläche Trennung von Mengen mit Zylindern Jens Siewert Vortrag vom 14.12.04 und 04.01.05 1 Varianten
Mehr5 Teilmengen von R und von R n
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 Nullpunkt. Die entsprechende Verallgemeinerung
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 (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
Mehr4.5 Schranken an die Dichte von Kugelpackungen
Gitter und Codes c Rudolf Scharlau 19. Juli 2009 341 4.5 Schranken an die Dichte von Kugelpackungen Schon in Abschnitt 1.4 hatten wir die Dichte einer Kugelpackung, speziell eines Gitters bzw. einer quadratischen
MehrÜbungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Lösungsvorschlag Serie 12
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen Übungsaufgaben zur Vorlesung ANALYSIS I (WS 2/3) Lösungsvorschlag
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrKonvexe Optimierung. Prof. Dr. Sven Rahmann. LS 11, Fakultät für Informatik, TU Dortmund Entwurf vom 17. Mai 2010
Konvexe Optimierung Prof. Dr. Sven Rahmann LS 11, Fakultät für Informatik, TU Dortmund 2009 2010 Entwurf vom 17. Mai 2010 Vorbemerkungen Dieses Dokument enthält Notizen zu meiner Vorlesung Konvexe Optimierung,
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 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)
MehrThema 4 Limiten und Stetigkeit von Funktionen
Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.
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
MehrOptimierung I. Einführung in die Optimierung. Skript zur Vorlesung von Prof. Dr. Mirjam Dür Prof. Dr. Alexander Martin Prof. Dr.
Optimierung I Einführung in die Optimierung Skript zur Vorlesung von Prof. Dr. Mirjam Dür Prof. Dr. Alexander Martin Prof. Dr. Stefan Ulbrich Wintersemester 2008/2009 TU Darmstadt Überarbeitete Version
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.
Mehrf(x nk ) = lim y nk ) = lim Bemerkung 2.14 Der Satz stimmt nicht mehr, wenn D nicht abgeschlossen oder nicht beschränkt ist, wie man z.b.
Proposition.13 Sei f : D R stetig und D = [a, b] R. Dann ist f(d) beschränkt. Außerdem nimmt f sein Maximum und Minimum auf D an, d.h. es gibt x max D und ein x min D, so dass f(x max ) = sup f(d) und
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
MehrKonvergenz, Filter und der Satz von Tychonoff
Abschnitt 4 Konvergenz, Filter und der Satz von Tychonoff In metrischen Räumen kann man topologische Begriffe wie Stetigkeit, Abschluss, Kompaktheit auch mit Hilfe von Konvergenz von Folgen charakterisieren.
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrLineare Abbildungen - I
Lineare Abbildungen - I Definition. Seien V und W K-Vektorräume (über demselben K). Eine Abbildung F : V W heißt K-linear, wenn L1) F (v + w) = F (v) + F (w) v, w V L2) F (λv) = λf (v) v V, λ K. Somit
MehrKapitel 5. Stetige Funktionen 5.1. Stetigkeit
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit Reelle Zahlen sind ideale Objekte, die es uns ermöglichen, eine transparente und leistungsfähige Theorie aufzubauen. Ein Computer kann jedoch nur mit Approximationen
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
Mehr1 Lineare Optimierung, Simplex-Verfahren
1 Lineare Optimierung, Simplex-Verfahren 1.1 Einführung Beispiel: In einer Fabrik werden n Produkte A 1, A 2,..., A n hergestellt. Dazu werden m Rohstoffe B 1, B 2,..., B m (inklusive Arbeitskräfte und
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
MehrEinführung in die Analysis
Ergänzungen zur Vorlesung Einführung in die Analysis Christian Schmeiser 1 Vorwort In dieser Vorlesung werden Grundbegriffe der Analysis wie Folgen und Reihen, Konvergenz und Vollständigkeit am Beispiel
Mehrα + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus
4. Dualräume und schwache Topologien Den Begriff des Dualraums hatten wir bereits in Kapitel 2 definiert. Der Dualraum X eines Banachraums X ist X = B(X, C). X ist mit der Abbildungsnorm F = sup x =1 F
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
Mehr3.2 Lineare Optimierung (Entscheidungen unter Sicherheit)
3. Lineare Optimierung (Entscheidungen unter Sicherheit) Betrachtet wird hier der Fall Θ = (bzw. die Situation u(a, ϑ) bzw. l(a,ϑ) konstant in ϑ Θ für alle a A). Da hier keine Unsicherheit über die Umweltzustände
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
Mehr,...) ist eine Folge, deren Glieder der Null beliebig nahe kommen. (iii) Die Folge a n = ( 1) n + 1 n oder (a n) = (0, 3 2, 2 3, 5 4, 4 5
3 Folgen 3.1 Definition und Beispiele Eine Abbildung a : Æ Ê heißt (reelle) Zahlenfolge. Statt a(n) schreiben wir kürzer a n und bezeichnen die ganze Folge mit (a n ) n Æ oder einfach (a n ), was aber
MehrMathematik I. Vorlesung 19. Metrische Räume
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 19 Metrische Räume Euklidische Räume besitzen nach Definition ein Skalarprodukt. Darauf aufbauend kann man einfach die Norm eines Vektors
Mehr3 Trennungs- und Stützeigenschaften, sowie elementare Hilfssätze
U BREHM: Konvegeoetrie 3-1 3 Trennungs- un Stützeigenschaften, sowie eleentare Hilfssätze Zunächst einige Hilfssätze, in enen Begriffe aus er Konveität it topologischen Eigenschaften zusaengebracht weren
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrProseminar Mathematik. Ungleichungen I Betreuung: Natalia Grinberg. Karlsruher Institut für Technologie
Proseminar Mathematik Ungleichungen I 12.6.215 Betreuung: Natalia Grinberg Karlsruher Institut für Technologie Inhaltsverzeichnis 1 Young-Ungleichung 2 2 Hölder-Ungleichung 4 3 Minkowski-Ungleichung 5
MehrThema 3 Folgen, Grenzwerte
Thema 3 Folgen, Grenzwerte Definition Eine Folge von reellen Zahlen ist eine Abbildung von N in R d.h. jedem n N ist eine Zahl a n zugeordnet. Wir schreiben für eine solche Folge. Beispiele. (a n ) n N
Mehrp 2istirrational Satz 1.15 Beweis. Es gibt keine rationale Zahl x, diediegleichungx 2 =2erfüllt.
p 2istirrational Satz 1.15 Es gibt keine rationale Zahl x, diediegleichungx 2 =2erfüllt. Beweis. Annahme: Es existiert x 2 Q mit x 2 = 2. Wegen x 2 Q folgt x = p q und p und q sind teilerfremde ganze Zahlen.
Mehreine Folge in R, für die man auch hätte schreiben können, wenn wir alle richtig raten, was auf dem Pünktchen stehen sollte.
Analysis, Woche 5 Folgen und Konvergenz A 5. Cauchy-Folgen und Konvergenz Eine Folge in R ist eine Abbildung von N nach R und wird meistens dargestellt durch {x n } n=0, {x n} n N oder {x 0, x, x 2,...
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.
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
MehrKonvexgeometrie. Vorlesung im WS 2004/05 (R. Schneider)
i Konvexgeometrie Vorlesung im WS 2004/05 (R. Schneider) Konvexität ist ein Begriff, der in verschiedenen Zusammenhängen eine Rolle spielt und sich als nützlich erwiesen hat. Eine Punktmenge heißt konvex,
MehrEULER-CHARAKTERISTIK KONVEXER POLYEDER
MINI-IKM 1998 EULER-CHARAKTERISTIK KONVEXER POLYEDER Eberhard-Karls-Universität Tübingen, März 1998 Richard Bödi Inhalt 1. Der euklidische Raum, affine Räume...........................................1
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 :
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
MehrLösung zur Übung für Analysis einer Variablen WS 2016/17
Blatt Nr. 3 Prof. F. Merkl Lösung zur Übung für Analysis einer Variablen WS 206/7 Aufgabe Das Guthaben G setzt sich zusammen aus der Summe aller bisherigen Einzahlungen multipliziert mit ( + p) k, wobei
Mehr3 Topologische Gruppen
$Id: topgr.tex,v 1.2 2010/05/26 19:47:48 hk Exp hk $ 3 Topologische Gruppen Als letztes Beispiel eines topologischen Raums hatten wir die Zariski-Topologie auf dem C n betrachtet, in der die abgeschlossenen
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Numerische Verfahren der nicht-linearen Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Line
MehrHM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
MehrVollständiger Raum, Banachraum
Grundbegriffe beschränkte Menge Cauchyfolge Vollständiger Raum, Banachraum Kriterium für die Vollständigkeit Präkompakte Menge Kompakte Menge Entropiezahl Eigenschaften kompakter und präkompakter Mengen
MehrGleichmäßige Konvergenz und Funktionenräume
Gleichmäßige Konvergenz und Funktionenräume Isabella Lukasewitz und Andreas Brack 07.06.2010 Vortrag zum Proseminar zur Analysis Konvergenz und Funktionenräume INHALTSVERZEICHNIS Bereits in den Vorlesungen
MehrZusammenfassung der Vorlesung Einführung in die Analysis
Zusammenfassung der Vorlesung Einführung in die Analysis Hier werden die wichtigsten Definitionen und Sätze aus der Vorlesung dargestellt, zusammen mit Beweisideen und Querverbindungen. Ziel ist es, die
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)
MehrSatz 2.3. Jeder lineare normierte Raum wird durch Einführung einer Metrik
Kapitel Lineare normierte Räume.1 Allgemeiner Überblick Definition.1. Eine Menge X, in der über einem Zahlenkörper K (K = R oder K = C) die Addition und λ-multiplikation mit den üblichen Verbindungsaxiomen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Informatiker I Wintersemester 3/ Aufgabenblatt 6. Januar Präsenzaufgaben
MehrIn diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,
2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.
Mehrn 1, n N \ {1}, 0 falls x = 0,
IV.1. Stetige Funktionen 77 IV. Stetigkeit IV.1. Stetige Funktionen Stetige Funktionen R R sind vielen sicher schon aus der Schule bekannt. Dort erwirbt man sich die naive Vorstellung, dass eine stetige
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
Mehr1 Loesungen zu Analysis 1/ 1.Uebung
Loesungen ausgewaehlter Beispiele zu Analysis I, G. Bergauer, Seite 1 1 Loesungen zu Analysis 1/ 1.Uebung 1.1 Einleitung Gegeben Mengen X, A mit A X. Sei die Menge durch A = {a X : a erfuellt B} gegeben,
MehrFerienkurs Analysis 1, SoSe Unendliche Reihen. Florian Beye August 15, 2008
Ferienkurs Analysis 1, SoSe 2008 Unendliche Reihen Florian Beye August 15, 2008 1 Reihen und deren Konvergenz Definition 1.1. Eine reelle bzw. komplexe Reihe ist eine unendliche Summe über die Glieder
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrProseminar Konvexe Mengen: Der Satz von Carathéodory
Proseminar Konvexe Mengen: Der Satz von Carathéodory Gerrit Grenzebach 26. Otober 2004 In diesem Referat werden der Begriff der onvexen Hülle einer Menge eingeführt und einige Eigenschaften der onvexen
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
Mehr8.1 Grundbegriffe der Mengen-Topologie
Die Menge der möglichen Handlungsalternativen eines Entscheidungsproblems wird Entscheidungsraum genannt. Die Entscheidungsräume vieler ökonomischer Entscheidungsprobleme sind Teilmengen des R n. In diesem
MehrDer Satz von Cramér (1938) Ausarbeitung zu einem Vortrag im Seminar Große Abweichungen am Maren Urner
Der Satz von Cramér (1938) Ausarbeitung zu einem Vortrag im Seminar Große Abweichungen am 04.12.2010 Maren Urner In diesem Vortrag soll der Satz von Cramér als ein Prinzip großer Abweichungen (LDP) vorgestellt
Mehr