4.4 Lokale Extrema und die Hessesche Form
|
|
- Annika Frei
- vor 6 Jahren
- Abrufe
Transkript
1 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 wir folgendes: 428 Definition Die Funktion f hat an der Stelle p U ein isoliertes lokales Maximum (bzw Minimum), wenn es ein ǫ > gibt mit f(v) < f(p) (bzw f(v) > f(p)) für alle p v K ǫ (p) U Man spricht von einem nichtisolierten Maximum bzw Minimum, wenn statt der strikten Ungleichungen jeweils nur bzw gelten Ein notwendiges Kriterium für lokale Extrema lautet: 429 Satz Sei f:u R auf U partiell differenzierbar Hat f an der Stelle p U ein lokales Extremum, dann ist xj f(p) = für alle j = 1,,n Beweis Nehmen wir an, f hat bei p ein lokales Maximum Wählen wir jetzt eine Koordinatenrichtung e j aus Dann gilt insbesondere f(p+te j ) f(p) für genügend kleine t Also hat die Zuordnung t f(p+te j ) bei t = ein lokales Maximum und daher folgt aus der eindimensionalen Theorie xj f(p) = d dt f(p+te j) t= = Dies gilt für alle j = 1,,n qed Diejenigen Punkte p, bei denen die partiellen Ableitungen verschwinden, sind also Kandidaten für lokale Extrema Man nennt sie deshalb auch die kritischen Punkte von f Ist p ein kritischer Punkt, in dem weder ein lokales Maximum noch ein lokales Minimum vorliegt, so spricht man von einem Sattelpunkt Wir fassen jetzt die partiellen Ableitungen von f an der Stelle p zu einem Vektor in R n zusammen Man spricht hier auch vom Gradienten von f an der Stelle p und verwendet die folgende Schreibweise: f(p) = ( x1 f(p),, xn f(p)) für p U 43 Beispiele 1 f(x,y) = x 2 +y 2 für x,y R Dann ist f(x,y) = (2x,2y) Das Differential von f verschwindet nur im Nullpunkt, und dort hat f ein isoliertes lokales (und absolutes) Minimum, denn x 2 +y 2 > für alle (x,y) (,) 2 f(x,y) = xy für x,y R Hier ist f(x,y) = (y,x) Wiederum verschwindet das Differential nur im Nullpunkt Dort hat f aber weder ein lokales Minimum noch ein lokales Maximum, sondern einen Sattelpunkt Denn zu jedem ǫ > finden wir Punkte p ǫ = (ǫ,ǫ) und q ǫ = (ǫ, ǫ) in K ǫ() mit f(p ǫ ) = 1 4 ǫ2 > und f(q ǫ ) = 1 4 ǫ2 < In Richtung der Winkelhalbierenden liegt also ein lokales Minimum, in Richtung der Antidiagonalen ein lokales Maximum vor
2 44 Lokale Extrema und die Hessesche Form 75 3 Ein Sattelpunkt kann auch eine andere Gestalt haben Die Funktion f(x,y) = x 3 +y 2 zum Beispiel hat im Nullpunkt ebenfalls einen Sattelpunkt Aber hier haben wir in y-richtung ein lokales Minimum und in x-richtung einen (eindimensionalen) Sattel 4 f(x,y) = x x2 + y 2 für x,y R Hier ist f(x,y) = (3(x 2 x),2y), es gibt also zwei kritische Punkte, nämlich (,) und (1,) Im Nullpunkt liegt ein Sattelpunkt vor (denn in x-richtung haben wir hier ein lokales Maximum und in y-richtung ein lokales Minimum) An der Stelle (1,) befindet sich ein lokales Minimum, denn sowohl in x-richtung, als auch in y-richtung ist hier ein lokales Minimum 5 f(x,y) = 1 (x 2 1) 2 y 2 für x,y R Dann ist f(x,y) = ( 4(x 2 1)x, 2y) Hier gibt es drei kritische Punkte, nämlich (±1,) und (,) In den Punkten (±1, ) hat f jeweils ein isoliertes lokales Maximum Denn offenbar ist f(x,y) 1, und Gleichheit gilt genau dann, wenn x 2 = 1 und y = ist Im Nullpunkt liegt ein Sattelpunkt vor Denn für < t 2 < 1 ist einerseits f(t,) = 1 (t 2 1) 2 > und andererseits f(,t) = t 2 < 6 f(x,y) = cosx für x,y R Der Gradient lautet f(x,y) = ( sinx,), kritische Stellen sind also die Punkte p k = (kπ,y) (k Z, y R) Ist k gerade, so liegt bei p k ein nichtisoliertes Maximum vor Ist k ungerade, so hat f bei p k ein nichtisoliertes Minimum 7 Die Funktion f(x,y) = (x 2 y x 1) 2 + (x 2 1) 2 hat genau zwei kritische Punkte bei p 1 = (1,2) und p 2 = ( 1,) Denn f(x,y) = (2(x 2 y x 1)(2xy 1)+2(x 2 1)2x,2x 2 (x 2 y x 1)) = (,) genau dann, wenn x 2 y x 1 = und x 2 = 1 Bei p 1 und p 2 nimmt f jeweils sein Minimum an Hier gibt es also zwei isolierte Minima und weder Sattelpunkte noch lokale Maxima Im eindimensionalen Fall wäre so etwas unmöglich Mithilfe der zweiten Ableitungen kann man - wie bei Funktionen in einer Variablen - in den meisten Fällen entscheiden, ob an einer bestimmten kritischen Stelle ein lokales Maximum, ein lokales Minimum oder ein Sattelpunkt vorliegt Wir nehmen dazu jetzt an, die ersten partiellen Ableitungen von f seien wiederum partiell differenzierbare Funktionen Durch nochmaliges partielles Ableiten erhält man die zweiten partiellen Ableitungen an der Stelle a U: x k x j (a) := x k ( f x j (v)) v=a und 2 f (a) := ( f (v)) x 2 v=a k x k x k Es wird auch die Bezeichnung k j f(a) verwendet Für die Wahl der Zahlenpaare (k,j) gibt es insgesamt n 2 Möglichkeiten und entsprechend viele zweite partielle Ableitungen, die zu einer quadratischen Matrix zusammengestellt werden
3 76 Kapitel 4 Differentialrechnung in mehreren Variablen 431 Definition Die n n-matrix H f (a) := (a) x i x j i,j wird als Hessesche Matrix von f bei a bezeichnet Nehmen wir jetzt zusätzlich an, dass die zweiten partiellen Ableitungen von f überall stetig sind Man schreibt dafür f C 2 (U) 432 Lemma Sei f C 2 (U) Dann gilt die Matrix H f (a) ist symmetrisch Auf den Beweis verzichten wir hier ( x 2 y x x y y 2 x i x j (a) = 2 f x j x i (a) für alle i,j Das heisst, 433 Beispiele 1 f(x,y) = x 2 ) +y 2 für x,y R Dann ist f(x,y) = (2x,2y) und H f (x,y) = = 2 2 f(x,y) = xy für x,y R Hier ist f(x,y) = (y,x) und H f (x,y) = f(x,y) = 1 (x 2 1) 2 y 2 für x,y ( R Dann erhalten ) wir f(x,y) = 12x ( 4(x 2 1)x, 2y) und H f (x,y) = 2 +4 Um nun das notwendige Kriterium für lokale Extrema formulieren zu können, brauchen wir die im vorigen Kapitel untersuchten Eigenschaften quadratischer Formen 434 Definition Eine symmetrische, reelle n n-matrix A heisst positiv definit, wenn die entsprechende quadratische Form q A (ausser bei ) nur positive Werte annimmt, das heisst q A (v) = v T Av > für alle v R n, v Entsprechend heisst A negativ definit, wenn q A (ausser bei ) nur negative Werte annimmt Wie im vorigen Kapitel gezeigt, können wir diese Eigenschaft folgendermassen charakterisieren: 435 Satz Eine symmetrische Matrix A ist genau dann positiv definit, wenn all ihre Eigenwerte positiv sind Sie ist genau dann negativ definit, wenn all ihre Eigenwerte negativ sind Hat die Matrix A sowohl negative als auch positive Eigenwerte, dann nennen wir A indefinit 436 Bemerkung Eine symmetrische invertierbare 2 2-Matrix A ist genau dann indefinit, wenn deta < ist Sie ist positiv (bzw negativ) definit, wenn deta > und Spur(A) > (bzw Spur(A) < ) ist
4 44 Lokale Extrema und die Hessesche Form 77 Hier nun das gewünschte Kriterium: 437 Satz Seif C 2 (U)füreineoffeneTeilmenge U R n Sei a U einekritische Stelle von f Dann gilt: 1 Ist die Hessesche Matrix H f (a) positiv definit, so hat f bei a ein isoliertes lokales Minimum 2 Ist die Hessesche Matrix H f (a) negativ definit, so hat f bei a ein isoliertes lokales Maximum 3 Ist H f (a) indefinit, so hat f bei a kein lokales Extremum, sondern einen Sattelpunkt Für n = 1 ist f(a) = (f (a)), kritische Stellen sind also gerade die Nullstellen von f Ausserdem hat die Hessesche Matrix dann den Typ 1 1 und ist genau dann positiv (bzw negativ) definit, wenn f (a) positiv (bzw negativ) ist Also verallgemeinert dieser Satz das bekannte Kriterium für Funktionen einer Variablen Für den Beweis des Satzes benötigt man einen anderen Zugang zur Differenzierbarkeit und eine Taylorentwicklung im Mehrdimensionalen Diese Dinge werden im nächsten Kapitel nachgetragen Überprüfen wir nun zunächst die Aussagen des Satzes an den oben angegebenen Beispielen 438 Beispiele 1 f(x,y) ( = x 2 +y ) 2 für x,y R Die Hessesche Matrix im Nullpunkt lautet H f (,) = Diese Matrix hat den doppelten Eigenwert 2 2, ist also positiv definit Deshalb hat f im Nullpunkt ein isoliertes Minimum, wie wir bereits oben direkt gesehen haben 2 f(x,y) = xy für x,y ( R Die) einzige kritische Stelle ist wiederum der Nullpunkt und H f (,) = Diese Matrix hat die Eigenwerte ±1, ist also 1 1 indefinit Und tatsächlich hat f im Nullpunkt einen Sattelpunkt 3 f(x,y) = 1 (x 2 1) 2 y 2 für x,y ( R Die Hessesche ) Matrix an einer 12x Stelle (x,y) lautet hier H f (x,y) = 2 +4 Für den Nullpunkt 4 erhalten wir H f (,) = Diese Matrix ist indefinit, denn sie hat die Eigenwerte 4 und 2 Also hat f im Nullpunkt einen Sattelpunkt An den 8 beiden anderen kritischen Stellen haben wir H f (±1,) = Hier ist die Hessesche Matrix negativ definit und deshalb hat f dort jeweils isolierte Maxima, in Übereinstimmung mit dem früheren Ergebnis 4 Sei jetzt f(x,y) = x 3 + xy + y 2 für x,y R Der Gradient von f lautet f(x,y) = ( 3x 2 + y,x+2y) Er verschwindet genau dann, wenn x = 2y
5 78 Kapitel 4 Differentialrechnung in mehreren Variablen und 12y 2 + y = sind Die Funktion f hat also zwei kritische Punkte: p 1 = (,) und p 2 = ( 1, 1 ) Die Hessematrix an der Stelle (x,y) lautet: x 1 H f (x,y) = Für den Nullpunkt erhalten wir H f (,) = 1 Diese Matrix hat die Spur 2 und Determinante 1, also müssen die Eigenwerte verschiedenes Vorzeichen haben und H f (,) ist indefinit Also liegt im Nullpunkt ein Sattelpunkt vor Für den zweiten kritischen Punkt ist 1 1 H f (p 2 ) = Hier ist die Spur gleich 3 und die Determinante ist gleich 1 Also sind beide Eigenwerte positiv, H f (p 2 ) ist positiv definit und an der Stelle p 2 liegt ein Minimum vor cosx 5 Für f(x,y) = cosx ist f(x,y) = ( sinx,) und H f (x,y) = ( ) coskπ An den kritischen Stellen p k = (kπ,) ist H f (kπ,) = = ( 1) k+1 Die Hessesche Matrix ist hier also weder positiv noch negativ definit, noch indefinit, und über diesen Fall macht der Satz keine Aussage 439 Bemerkung Ist a ein kritischer Punkt von f und ist H f (a) positiv semidefinit, das heisst, sind sämtliche Eigenwerte von H f (a) grösser oder gleich Null und ist mindestens ein Eigenwert positiv, dann kann f bei a ein isoliertes oder nichtisoliertes lokales Minimum oder einen Sattelpunkt haben Aber ein lokales Maximum ist ausgeschlossen 44 Beispiele Die Funktion ( f(x,y) ) = x 2 +y 3 hat im Nullpunkt einen Sattelpunkt und H f (,) = Die Funktion f(x,y) = x( 2 +y 4 hat ) im Nullpunkt ein isoliertes Minimum, und wiederum ist H f (,) =
5.10. 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(
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
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
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
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:
MehrAnalysis II WS 11/12 Serie 9 Musterlösung
Analysis II WS / Serie 9 Musterlösung Aufgabe Bestimmen Sie die kritischen Punkte und die lokalen Extrema der folgenden Funktionen f : R R: a fx, y = x + y xy b fx, y = cos x cos y Entscheiden Sie bei
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
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
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(
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
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,
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.
MehrQuadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
Mehr26. Höhere Ableitungen
26. Höhere Ableitungen 331 26. Höhere Ableitungen Im letzten Kapitel haben wir gesehen, wie man für Abbildungen zwischen mehrdimensionalen Räumen das Konzept der Differenzierbarkeit definieren und für
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,
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
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
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
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
MehrÜbung 22: Gradient und Richtungsableitung; Extremwertaufgaben für Funktionen mehrerer Veränderlicher
Technische Universität Chemnitz 1. Juli 20 Fakultät für Mathematik Höhere Mathematik I.2 Übung 22: Gradient und Richtungsableitung; Extremwertaufgaben für Funktionen mehrerer Veränderlicher 1. Durch ein
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
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
Mehr3 Anwendungen der Differentialrechnung. (x 1, x 2,..., x n 1, x n ) f xn (x 1, x 2,..., x n 1, x n ), 1 i n 1. y + cos z
R Es sei f : R n D R eine einmal stetig differenzierbare Funktion, für die in einer Umgebung eines Punkte a = a 1, a,, a n D gilt: fa 1, a,, a n = 0, f xn a 1, a,, a n 0 Dann gibt es eines Umgebung U des
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
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrExtrema (Funktionen mit zwei Variablen)
Extrema (Funktionen mit zwei Variablen) Vorzeigeaufgaben: WS04/05 Aufgabe 4 HS11 Aufgabe 4 a) + b) Empfohlene Bearbeitungsreihenfolge: WS05/06 Aufgabe 5 b) WS06/07 Aufgabe 4 HS10 Aufgabe 1 b) + c) HS1
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
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
MehrMusterlösung Höhere Mathematik I/II Di. Aufgabe 1 (11 Punkte) Geben Sie die Matrixbeschreibung der Quadrik
Aufgabe Punkte Geben Sie die Matrixbeschreibung der Quadrik {x R 3x 3x 8x x +x +4x +7 = 0} an Berechnen Sie die euklidische Normalform der Quadrik und ermitteln Sie die zugehörige Koordinatentransformation
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,
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.
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
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrKurvendiskussion für Funktionen mit einer Variablen
Kurvendiskussion für Funktionen mit einer Variablen Unter der Kurvendiskussion einer Funktionsgleichung versteht man die Zusammenstellung der wichtigsten Eigenschaften ihres Bildes mit anschließender Zeichnung.
MehrAnalysis II. Vorlesung 48. Die Hesse-Form
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 48 Die Hesse-Form Wir sind natürlich auch an hinreichenden Kriterien für das Vorliegen von lokalen Extrema interessiert. Wie schon im eindimensionalen
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
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
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
MehrDa der Nenner immer positiv ist, folgt. g (x) > 0 2x(2 x) > 0 0 < x < 2 g (x) < 0 2x(2 x) < 0 x < 0 oder x > 2
Da der Nenner immer positiv ist, folgt g (x) > 0 x( x) > 0 0 < x < g (x) < 0 x( x) < 0 x < 0 oder x > Also ist g auf (0,) streng monoton wachsend sowie auf (,0) und auf (, ) strengmonotonfallend.außerdemistg
MehrMAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7
MAT.4 - Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 Aufgabe Sei ϕ : V V R eine symmetrische Bilinearform auf einem reellen Vektorraum V. Für die Vektoren v,...,v n V gelte ϕ(v
Mehr6.2 Extremwertaufgaben mit Nebenbedingung
6.. Extremwertaufgaben mit Nebenbedingung 87 6. Extremwertaufgaben mit Nebenbedingung Betrachten wir jetzt eine differenzierbare Funktion f:u R n R U offen in R n. Ist n = 3 und U eine glatte Fläche, dann
Mehr1.9 Eigenwerte und Eigenvektoren
.9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrÜbungen zu Funktionen mehrerer Veränderlicher. Lösungen zu Übung Betrachten Sie die durch. y 1 + x 2. z = gegebene Fläche.
Übungen zu Funktionen mehrerer Veränderlicher 5.1 Betrachten Sie die durch Lösungen zu Übung 5 gegebene Fläche. z = y 1 + x 2 (a) Zeichnen Sie die Höhenlinien in ein Koordinatensystem. (b) Veranschaulichen
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
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
MehrHTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt. Mathematik II für Bauingenieure. (f) 4 sin x cos 5 x dx. 3 x e x2 dx (i) e 2x 1 dx.
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Mathematik II Mathematik II für Bauingenieure Wiederholungsaufgaben zur Prüfungsklausur im Juli 2007 1 Integralrechnung Aufgabe 1 : Berechnen Sie die folgenden
MehrDifferentialrechnung in mehreren Veränderlichen
Kapitel 6 Differentialrechnung in mehreren Veränderlichen 6.1 Ableitungen (partielle Ableitung; (stetig) partiell differenzierbar; die Klasse C 1 (U); totale Differenzierbarkeit; Nabla-Operator; Gradient;
MehrDefinition: Differenzierbare Funktionen
Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ
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.
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
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
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
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
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
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
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
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 :
MehrKapitel 5 Untermannigfaltigkeiten. 5.1 Glatte Flächen in R 3
Kapitel 5 Untermannigfaltigkeiten 5.1 Glatte 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.
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
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
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
Mehr1 Lösungen zu Kapitel 1
Lösungen zu Kapitel. Lösungen der Aufgaben zu Abschnitt... Lösung. Untersuchen Sie die nachstehend definierten Folgen ( a k ) k und ( b k ) k auf Konvergenz und bestimmen Sie ggf. den jeweiligen Grenzwert:
MehrGroßes Lehrbuch der Mathematik für Ökonomen
Großes Lehrbuch der Mathematik für Ökonomen Von Professor Dr. Karl Bosch o. Professor für angewandte Mathematik und Statistik an der Universität Stuttgart-Hohenheim und Professor Dr. Uwe Jensen R. Oldenbourg
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
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
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrTaylor-Entwicklung der Exponentialfunktion.
Taylor-Entwicklung der Exponentialfunktion. Betrachte die Exponentialfunktion f(x) = exp(x). Zunächst gilt: f (x) = d dx exp(x) = exp(x). Mit dem Satz von Taylor gilt um den Entwicklungspunkt x 0 = 0 die
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr4.4 Taylorentwicklung
4.4. TAYLORENTWICKLUNG 83 4.4 Taylorentwicklung. Definitionen f sei eine reellwertige m + -mal stetig differenzierbare Funktion der n Variablen x bis x n auf einem Gebiet M R n. Die Verbindungsgerade der
MehrLokale Extrema von Funktionen mehrerer Variabler
Kapitel 11 Lokale Extrema von Funktionen mehrerer Variabler Bemerkung 11.1 Motivation. Bei skalarwertigen Funktionen einer Variablen gibt es notwendige und hinreichende Bedingungen für das Vorliegen von
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrINGENIEURMATHEMATIK. 9. Differentialrechnung für Funktionen mehrerer Variablen. Sommersemester Prof. Dr. Gunar Matthies
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik INGENIEURMATHEMATIK 9. Differentialrechnung für Funktionen mehrerer Variablen Prof. Dr. Gunar Matthies Sommersemester
MehrAbb lokales Maximum und Minimum
.13 Lokale Extrema, Monotonie und Konvexität Wir kommen nun zu den ersten Anwendungen der Dierentialrechnung. Zwischen den Eigenschaten einer Funktion, dem Verlau des zugehörigen Graphen und den Ableitungen
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrTaylorentwicklung von Funktionen einer Veränderlichen
Taylorentwicklung von Funktionen einer Veränderlichen 17. Januar 2013 KAPITEL 1. MATHEMATISCHE GRUNDLAGEN 1 Kapitel 1 Mathematische Grundlagen 1.1 Stetigkeit, Differenzierbarkeit und C n -Funktionen Der
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
MehrKonvexe Funktionen und Legendre-Transformation
Konvexe Funktionen und Legendre-Transformation 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.
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrAufgaben für die 6. Übung zur Vorlesung Mathematik 2 für Informatiker: Analysis Sommersemester 2010
Aufgaben für die 6. Übung zur Vorlesung Mathematik für Informatiker: Analysis Sommersemester 00 6. Wie hat man eine reelle Zahl α > 0 so in a b 3 positive Summanden x, y, z zu zerlegen, damit fx, y x y
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrFerienkurs Analysis 1 - Wintersemester 2014/15. 1 Aussage, Mengen, Induktion, Quantoren
Ferienkurs Analysis 1 - Wintersemester 2014/15 Können Sie die folgenden Fragen beantworten? Sie sollten es auf jeden Fall versuchen. Dieser Fragenkatalog orientiert sich an den Themen der Vorlesung Analysis
MehrNumerische Ableitung
Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrMathematik II. Kapitel III: Funktionen mit mehreren Variablen. 13. Mai 2015
13. Mai 2015 f(x,y) = sin(x 2 +y 2 ) f(x,y) = sin x 2 +y 2 x2 +y 2 +1 f(x,y) = x y x 2 +y 2 f(x,y) = x 2 y Niveaulinien von f(x,y) = 4 x 2 y 2 f(x,y) = 1 x2 y 2 x f(x,y) = x 2 +y 2 f(x,y) = x 2 +y 2 f(x,y)
MehrAbbildung 5.1: stabile und instabile Ruhelagen
Kapitel 5 Stabilität Eine intuitive Vorstellung vom Konzept der Stabilität vermitteln die in Abb. 5.1 dargestellten Situationen. Eine Kugel rollt unter dem Einfluss von Gravitation und Reibung auf einer
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 4
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 4 Hausaufgaben Aufgabe 4. Gegeben sei die Funktion f : D R mit f(x) :=
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
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
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrGradient, Hessematrix, Definitheit, Taylorentwicklung und Extremwertaufgaben von Funktionen mehrerer Variabler
Rolf Haftmann Gradient, Hessematri, Definitheit, Talorentwicklung und Etremwertaufgaben von Funktionen mehrerer Variabler Gradient: Spaltenvektor der partiellen Ableitungen f 1 f f 1 f = grad f = 2 = f
Mehrlim Der Zwischenwertsatz besagt folgendes:
2.3. Grenzwerte von Funktionen und Stetigkeit 35 Wir stellen nun die wichtigsten Sätze über stetige Funktionen auf abgeschlossenen Intervallen zusammen. Wenn man sagt, eine Funktion f:[a,b] R, definiert
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
MehrLösungen der Probe-Vorklausur 1. Lösungen der Probe-Vorklausur 2
Bei allen Aufgaben muss der Rechenweg erkennbar sein (auch beim Bruchrechnen mindestens Zwischenschritt). Ohne Rechnung gibt es auch bei richtigem Ergebnis keine Punkte. Lösungen der Probe-Vorklausur Aufgabe
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
MehrLMU MÜNCHEN. Mathematik für Studierende der Biologie Wintersemester 2016/17. GRUNDLAGENTUTORIUM 5 - Lösungen. Anmerkung
LMU MÜNCHEN Mathematik für Studierende der Biologie Wintersemester 2016/17 GRUNDLAGENTUTORIUM 5 - Lösungen Anmerkung Es handelt sich hierbei um eine Musterlösung so wie es von Ihnen in einer Klausur erwartet
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
Mehr