Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung
|
|
- Linus Blau
- vor 6 Jahren
- Abrufe
Transkript
1 Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung Karl Worthmann Mathematisches Institut, Universität Bayreuth in Zusammenarbeit mit Lars Grüne gefördert vom DFG Schwerpunktprogramm 1305 Regelungstheorie digital vernetzter dynamischer Systeme Workshop Mathematische Systemtheorie, Elgersburg, 11.Februar 2013
2 Gliederung Problemformulierung Kontrollsystem Arbeitspunktstabilisierung Modellprädiktive Regelung (MPC) Stabilität in MPC benötigter Prädiktionshorizont Steuerbarkeitsbedingung Akkumulierte Schranken Vergleich Kombination der Verfahren möglich? Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 2
3 Notation: Kontrollsystem Nichtlineare zeitdiskrete Systeme: Systemdynamik: x + = f(x, u) Zustand x 0 X, Kontrollfolge u = (u(n)) n N0 U x u (n + 1) = f(x u (n), u(n)), x u (0) = x 0. Zustandsraum X und Kontrollwertemenge U: Hilberträume f(0, 0) = 0 x = 0 Gleichgewicht Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 3
4 Differentialgleichungen Synchrongenerator: ẋ 1 (t) = x 2 (t) ẋ 2 (t) = b 1 x 3 (t) sin x 1 (t) b 2 x 2 (t) + P ẋ 3 (t) = b 3 cos x 1 (t) b 4 x 3 (t) + E + u(t) Frage: Können wir solche Systeme behandeln? Antwort: Ja Abtastsystem mit Abtastzeit T > 0: Zustandsraum X := R d, d = 3 Kontrollwertemenge U := L ([0, T ), R m ), m = 1. Systemdynamik x + = f(x, u) := Φ(T ; x, u) Alternativ: stückweise konstante Steuerungen U = R m. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 4
5 Partielle Differentialgleichungen Reaktions-Diffusions-Gleichung: y t (z, t) = y(z, t) + f(y(z, t))y(z, t) + v(z, t) Ω (0, ) y(z, t) = 0 Ω (0, ) y(z, 0) = y 0 (z) Ω Behandlung: völlständig analog Abtastsystem mit Abtastzeit T > 0: Zustandsraum X := H0(Ω) 1 Kontrollwertemenge U := L ([0, T ), L 2 (Ω)). Systemdynamik x + = f(x, u) := Φ(T ; x, u) Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 5
6 Arbeitspunktstabilisierung Finde Zustandsrückführung µ : X U so, dass der geschlossene Regelkreis x µ (n + 1) = f(x µ (n), µ(x µ (n))), x µ (0) = x 0 bzgl. des Gleichgewichts x asymptotisch stabil ist, das heißt: x µ (n) x β( x 0 x, n) n 0 x 0 X. Steuer- & Zustandsbeschränkungen U U bzw. X X Zulässigkeit: µ(x µ (n)) U und f(x µ (n), µ(x µ (n))) X X muss kontrollinvariant sein! Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 6
7 Optimale Steuerung Optimale Steuerung Stufenkosten l : X U R 0 mit l(0, 0) = 0 und l(x, u) > 0 für alle x 0. Definiere J (ˆx, u) := l(x u (n; ˆx), u(n)) n=0 V (ˆx) := inf u zulässig J (ˆx, u) Falls J (ˆx, u ) = V (ˆx) für u = (u (n)) n N0 µ (ˆx) = u (0) Lyapunov Gleichung gilt, definiere V (f(ˆx, µ (ˆx))) = V (ˆx) l(ˆx, µ (ˆx)). + Technische Voraussetzungen = asymptotische Stabilität Aber: Lösen dieser Lyapunov Gleichung i.a. sehr schwer! Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 7
8 Modellprädiktive Regelung Alternative: Modellprädiktive Regelung (MPC) Idee: ersetze das Originalproblem minimiere J (x, u) = l(x(n), u(n)) n=0 durch eine iterativ zu lösende Folge von Problemen auf endlichem Horizont minimiere J N (x(n), ū) := N 1 k=0 l( x(k), ū(k)), x(0) = x(n) Motivation: effiziente Löser verfügbar Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 8
9 Prinzip der Modellprädiktiven Regelung Regelung mittels wiederholter Prädiktion & Optimierung 1. Messe aktuellen Zustand 2. Prädiziere & berechne opt. Steuerung 3. Wende opt. Steuergröße an Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 9
10 Modellprädiktive Regelung: Algorithmus Grundidee: optimiere bzgl. endlichem Horizont N < Algorithmus: 1. Messe aktuellen Zustand x(0) := x(n). 2. Minimiere J N (x(n), ū) = N 1 k=0 l( x(k), ū(k)) u. d. Nb. x(k + 1) = f( x(k), ū(k)) mit x(0) = x(n) x(k + 1) X und ū(k) U für k {0, 1,..., N 1}. optimale Steuerfolge ū (0), ū (1),..., ū (N 1). 3. Wende erste Steuergröße ū (0) an. Definiere Zustandsrückführung mittels µ N (x(n)) := ū (0) Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 10
11 Typischer Stabilitätsnachweis Bekannt: modifiziert man das MPC Optimalsteuerungsproblem geeignet [Chen/Allgöwer ] Endbedingung x u (N; x 0 ) E Endkosten F : E R 0 : für jedes x E existiert ein u x U mit f(x, u x ) X und x u (1; x 0 ) x 0 x u (N ; x 0 ) x u (N 2; x 0 ) x u (N 1; x 0 ) F (f(x, u x )) F (x) l(x, u x ). E x kann rekursive Zulässigkeit und Stabilität gezeigt werden Zulässigkeit des Anfangsproblems Horizontlänge abhängig von Endregion Regelgüte? Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 11
12 MPC Schemata ohne Endbedingung Frage: Sind MPC Schemata ohne Endbedingung stabil? Antwort: Ja, falls eine Steuerbarkeitsbedingung erfüllt ist und der Prädiktionshorizont hinreichend lang ist [Alamir/Bornard 95, Jadbabaie/Hauser 05, Grimm et al. 05]. kann man das quantifizieren? Wir gehen wie folgt vor: Stabilitätstheorem relaxierte Lyapunov Ungleichung Steuerbarkeitsbedingung Verfahren um den Prädiktionshorizont abzuschätzen konkurriender Ansatz basierend auf akkumulierten Schranken Vergleich beider Techniken Kombination verbesserte Schranken Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 12
13 Stabilitätstheorem Theorem [Grüne/Rantzer 08]: Existiert α (0, 1] so, dass die relaxierte Lyapunov Ungleichung V N (f(x, µ N (x))) V N (x) αl(x, µ N (x)) für alle x X gilt. Dann erhalten wir die Güteabschätzung J (x, µ N ) V (x)/α. Asymptotische Stabilität (mit V N als Lyapunov Funktion) folgt, falls zusätzlich folgende Ungleichungen erfüllt sind: η( x ) inf l(x, u) and V (x) η( x ). u U,f(x,u) X wir bekommen Stabilität und Suboptimalität! Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 13
14 Steuerbarkeitsbedingung Frage: wie relaxierte Lyapunov Ungleichung sicherstellen? Benötigte Annahme: Steuerbarkeitsbedingung, das heißt summierbare Folge (c n ) n N0 mit c n c m c n+m so, dass x 0 X eine Folge (u x0 (n)) n N0 U (x 0 ) existiert: l(x ux0 (n), u x0 (n)) c n inf l(x 0, u) =: c n l (x 0 ). u U, f(x 0,u) X Beispiel: c n := Cσ n mit C = 2 und σ = 2/3 l (x ux0 (i)) l(x ux0 (n), u x0 (n)) Cσ n i l (x ux0 (i)) Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 14
15 Bedingungen an optimale Trajektorien u optimale Steuerfolge relaxierte Lyapunov Ungleichung: V N (f(x, u (0))) }{{} =:ν N 1 n=0 l(x u (n), u (n)) }{{} α l(x, u (0)) }{{} =:λ n =λ 0. Steuerbarkeitsbedingung: V N (x) N 1 n=0 c nl (x) N 1 n=0 λ n N 1 n=0 c nλ 0. zusätzlich Bellman sches Opt.prinzip (j = 1, 2,..., N 2): J N j (x u (j), u ( + j)) N j 1 n=0 c n l (x u (j)) N 1 n=j λ n N j 1 n=0 c n λ i. Schätze V N (f(x, u (0))) = ν ab (j = 1, 2,..., N 1): ν j 1 n=1 λ n + N j n=0 c nλ j. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 15
16 Lösungsformel Suboptimalitätsgrad α kann mittels linearem Programm α := inf λ 0 >0,λ 1,...,λ N 1,ν 0 ν N 1 n=0 λ n λ 0 unter Berücksichtigung der hergeleiteten Nebenbedingungen charakterisiet werden [Grüne 09]. Lösung gegeben durch [Grüne, Pannek, Seehafer, W. 10] α = α N = (γ N 1) N i=2 (γ i 1) [ N i=2 γ i ] with γ i := N i=2 (γ i 1) i 1 c n. n=0 Stabilitätsbedingung α N > 0 ist für hinreichend großes N erfüllt. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 16
17 Synchrongenerator Frage: Steuerbarkeitsbedingung erfüllt für ẋ 1 (t) = x 2 (t) ẋ 2 (t) = b 1 x 3 (t) sin x 1 (t) b 2 x 2 (t) + P ẋ 3 (t) = b 3 cos x 1 (t) b 4 x 3 (t) + E + u(t) mit x ( , 0, ) T und Stufenkosten l(x, u) = T 0 Φ(t; x, ũ( )) x 2 dt + λt u 2? Antwort: Ja, z.b., Wahl von X als kontrollinv. Subniveaumenge von V 6 bzgl. Zustandsbeschränkungen 0 x 1 π/2, x 3 0. Berechne für jeden Zustand x X eine Folge (c n (x)) n N0. Dann kann c n als sup x X c n (x) definiert werden. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 17
18 Synchrongenerator fortgesetzt Setze berechnete Kontrollfolge (c n ) n N0 in α-formel ein Stabilitätsbedingung α N > 0 sichergestellt für N Performance Estimate α N Prediction Horizon N Fazit: geeignete Horizontlänge kann bestimmt werden. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 18
19 Alternativer Ansatz Annahme (akkumulierte Schranken): Existenz einer monotonen beschränkten Folge (M i ) i N R 1 mit der Eigenschaft V i (x) M i l (x) x X. relaxierte Lyapunov Ungleichung [Tuna, Messina, Teel 06] mit N 1 α N := 1 (M 2 1)(M N 1 ) i=2 M i 1 M i 0. Beobachtung: Steuerbarkeitsbed. M i := γ i = i 1 k=0 c n. Jedoch gilt i.a. M i γ i, weil M i := sup x X i 1 c k (x) k=0 akkumulierte Schranken besser. i 1 k=0 sup c k (x). x X Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 19
20 Synchrongeneratorbeispiel Vergleich beider Ansätze Performance Estimate α N Prediction Horizon N Beobachtung: erster Ansatz liefert bessere Abschätzungen α N. Erklärung : zusätzliche Ungleichungen werden berücksichtigt. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 20
21 Kombiniere beide Ansätze Ziel: nutze akkumulierte Schranken und folglich schärfere Abschätzungen in der ersten Methode. Idee: Definiere eine äquivalente Folge (c n ) n N O.B.d.A. M 1 = 1 c 0 := 1 and c n := M n+1 M n, n N >1. Beobachtung: die gleiche Konstruktion (lineares Programm) kann durchgeführt werden. Falls c n c m c n+m gilt: Lösungsformel bleibt unverändert. α N α N kann gezeigt werden. Andernfalls gilt Relation für Lösung des linearen Programms. Zudem verringert sich die asymptotische Wachstumsrate des minimalen stabilisierenden Horizont (kleinstes N mit α N > 0) γ ln(γ) anstelle von 2γ ln(γ) für γ := lim i M i Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 21
22 Beispiel fortgesetzt Steuerbarkeitsbedingung lineares Programm (Grüne): N = 41 Akkumulierte Schranken Formel (Tuna et al.): N = 51 Vorgeschlagene Methodik Wachstumsbedingung: N = Performance Estimate α N Formula (Gruene) Growth Condition Formula (Tuna et. al.) Prediction Horizon N Fazit: deutliche Verbesserung beobachtbar. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 22
23 Zusammenfassung Prädiktionshorizont N Stabilitätsbedingung α N > 0 Steuerbarkeitsbedingung Grüne Akkumulierte Schranken Tuna, Messina, Teel >= Güteabschätzung basierend auf linearem Program Güteabschätzung basierend auf Induktion Akk. Schranken & lin. Programm beste Abschätzungen. Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 23
24 Reaktions-Diffusions-Gleichung Frage: Steuerbarkeitsbedingung erfüllbar für y t (z, t) = y(z, t) + f(y(z, t))y(z, t) + v(z, t) mit Stufenkosten l(z(n), u(n)) = 1 2 y(x, nt ) 2 L 2 (Ω) + ν 2 v(x, nt ) 2 L 2 (Ω)? Antwort: Ja, zum Beispiel wenn Nichtlinearität f : R R stetig differenzierbar und beschränkt (M) ist. Zustandsrückführung v(x, t) := Ky(x, t). c n := Cσ n mit C = (1 + νk 2 ) und σ = e 2T (λ 1 M+K) Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 24
25 Beispiel: 1d Reaktions-Diffusions-Gleichung mit T = 0.025, M = 13 und ν = 0.01 α N > 0 für N = 13 (K 7.21) asymp. Stabilität Akkumulierte Schranken γ: optimiere jedes γ i einzeln i 1 inf K R n=0 i 1 C(K)σ(K) n C(K)σ(K) n Horizontverkürzung N = 9. n=0 Karl Worthmann, Abschätzung des Optimierungshorizonts in MPC, p. 25
Flüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
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
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
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
MehrBestimmen Sie die Lösung des Anfangswertproblems. y (x) 4y (x) 5y(x) = 6e x. y(0) = y (0) = 0.
Aufgabe Bestimmen Sie die Lösung des Anfangswertproblems y (x) 4y (x) 5y(x) = 6e x y(0) = y (0) = 0. Zunächst bestimmen wir die Lösung der homogenen DGL. Das charakteristische Polynom der DGL ist λ 2 4λ
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
MehrÜbungen zu Partielle Differentialgleichungen, WS 2016
Übungen zu Partielle Differentialgleichungen, WS 2016 Ulisse Stefanelli 16. Januar 2017 1 Beispiele 1. Betrachten Sie die Beispiele von nichtlinearen PDG und Systemen, die wir im Kurs diskutiert haben,
MehrDer Primzahlsatz. Es gibt eine Konstante A, so daß f(x) g(x) Ah(x) für alle genügend großen x.
Der Primzahlsatz Zusammenfassung Im Jahr 896 wurde von Hadamard und de la Vallée Poussin der Primzahlsatz bewiesen: Die Anzahl der Primzahlen kleiner gleich verhält sich asymptotisch wie / log. Für ihren
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
MehrRegulär variierende Funktionen
KAPITEL 4 Regulär variierende Funktionen Unser nächstes Ziel ist es, die Max-Anziehungsbereiche der Extremwertverteilungen zu beschreiben. Dies wird im nächsten Kapitel geschehen. Wir haben bereits gesehen,
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
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)
MehrAufgaben zur Analysis I aus dem Wiederholungskurs
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 Hilfskräfte: A. Weiß, W. Thumann 6.3.29 NWF I - Mathematik Universität Regensburg Aufgaben zur Analysis I aus dem Wiederholungskurs Die folgenden
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
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
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 :
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
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
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
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
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
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
MehrKleine Formelsammlung zu Mathematik für Ingenieure IIA
Kleine Formelsammlung zu Mathematik für Ingenieure IIA Florian Franzmann 5. Oktober 004 Inhaltsverzeichnis Additionstheoreme Reihen und Folgen 3. Reihen...................................... 3. Potenzreihen..................................
Mehr4. Differentialgleichungen
4. Differentialgleichungen Prof. Dr. Erich Walter Farkas 10.11.2011 Seite 1 Einleitung Viele in der Natur stattfindende Vorgänge können durch sogenannte Differentialgleichungen beschrieben werden. Unter
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrLösung zu den Testaufgaben zur Mathematik für Chemiker II (Analysis)
Universität D U I S B U R G E S S E N Campus Essen, Mathematik PD Dr. L. Strüngmann Informationen zur Veranstaltung unter: http://www.uni-due.de/algebra-logic/struengmann.shtml SS 7 Lösung zu den Testaufgaben
MehrEigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
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
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
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,...
MehrTrennende Markov Ketten
Trennende Markov Ketten (in Zusammenarbeit mit A. Martinsson) Timo Hirscher Chalmers Tekniska Högskola Seminarvortrag KIT 8. Mai 206 Übersicht Der Seminarvortrag ist wie folgt gegliedert: Einleitung Denitionen
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
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
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
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
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
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrBeispiel: Evolution infizierter Individuen
Differentialgleichungen sind sehr nützlich in der Modellierung biologischer Prozesse, denn: damit kann man auch sehr komplizierte Systeme beschreiben die Mathematik liefert mit der gut entwickelten Theorie
MehrDie Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel. dt = lim. = lim = Weiters erhalten wir durch partielle Integration, dass
Die Gamma-Funktion, das Produkt von Wallis und die Stirling sche Formel Zuerst wollen wir die Gamma-Funktion definieren, die eine Verallgemeinerung von n! ist. Dazu benötigen wir einige Resultate. Lemma.
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,
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
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
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
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,
MehrDie komplexe Exponentialfunktion und die Winkelfunktionen
Die komplexe Exponentialfunktion und die Winkelfunktionen In dieser Zusammenfassung werden die für uns wichtigsten Eigenschaften der komplexen und reellen Exponentialfunktion sowie der Winkelfunktionen
Mehr31 Die Potentialgleichung
3 Die Potentialgleichung Die Potentialgleichung oder auch Poisson-Gleichung ist die lineare Gleichung zweiter Ordnung u = f in einem Gebiet R n. Im homogenen Fall f = 0 spricht man auch von der Laplace-
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
MehrMPC Schemata mit variablem Kontrollhorizont
MPC Schemata mit variablem Kontrollhorizont Diplomarbeit von Harald Voit FAKULTÄT FÜR MATHEMATIK UND PHYSIK MATHEMATISCHES INSTITUT Datum: 21. Januar 2008 Aufgabenstellung: Prof. Dr. L. Grüne 2 Inhaltsverzeichnis
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 3.2 Konvergenzkriterien
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,
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester Lösungshinweise zum Klausurvorbereitungsblatt. (z) i f. 2xe (x2 +y 2) i2ye (x2 +y 2 ) 2
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6. MATHEMATIK Prof. Dr. Roland Speicher M.Sc. Tobias Mai Übungen zur Vorlesung Funktionentheorie Sommersemester 0 Lösungshinweise zum Klausurvorbereitungsblatt (3
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
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
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
MehrMikroökonomik 4. Vorlesungswoche Fortsetzung
Mikroökonomik 4. Vorlesungswoche Fortsetzung Tone Arnold Universität des Saarlandes 14. November 2007 Tone Arnold (Universität des Saarlandes) 4. Vorlesungswoche Fortsetzung 14. November 2007 1 / 41 Slutzky
MehrMitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester
Mitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester Christian Nawroth, Erstellt mit L A TEX 23. Mai 2002 Inhaltsverzeichnis 1 Vollständige Induktion 2 1.1 Das Prinzip der Vollstandigen Induktion................
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.
MehrVorlesung 6: Alternativen zur Erwartungsnutzentheorie
Vorlesung 6: Alternativen zur Erwartungsnutzentheorie Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 6 (FS 11) Alternativen zur Erwartungsnutzentheorie 1 / 21 1.
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
MehrSS 2016 Höhere Mathematik für s Studium der Physik 21. Juli Probeklausur. Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert.
SS 6 Höhere Mathematik für s Studium der Physik. Juli 6 Probeklausur Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert. Fragen Sei (X, d) ein metrischer Raum. Beantworten Sie die nachfolgenden
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)
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
Mehr16 Vektorfelder und 1-Formen
45 16 Vektorfelder und 1-Formen 16.1 Vektorfelder Ein Vektorfeld v auf D R n ist eine Abbildung v : D R n, x v(x). Beispiele. Elektrisches und Magnetisches Feld E(x), B(x), Geschwindigkeitsfeld einer Strömung
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) :=
MehrFormelsammlung zum Starterstudium Mathematik
Formelsammlung zum Starterstudium Mathematik Universität des Saarlandes ¼ Version.3 Inhaltsverzeichnis. Potenzgesetze. Vollständige Induktion 3. Betragsgleichungen, Betragsungleichungen 4 4. Folgen und
MehrSchnecke auf expandierendem Ballon
Schnecke auf expandierendem Ballon Kann in einem sich expandierenden Uniersum das Licht einer Galaxie auch die Punkte erreichen, die sich on ihr mit mehr als Lichtgeschwindigkeit entfernen? 1 Als einfaches
Mehrcos(kx) sin(nx)dx =?
3.5 Fourierreihen 3.5.1 Vorbemerkungen cos(kx) sin(nx)dx =? cos gerade Funktion x cos(kx) gerade Funktion sin ungerade Funktion x sin(nx) ungerade Funktion x cos(kx) sin(nx) ungerade Funktion Weil [, π]
Mehry = A(x) y + b(x). (1) y = A(x) y (2)
73 5.2 Lineare Systeme Sei weiterhin IK = C oder IK = IR. Seien = I IR ein offenes Intervall, x 0 I, y 0 IK n, A: I IK n n und b: I IK n stetige matrix- bzw vektorwertige Funktionen. Wir betrachten komplexe
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
MehrElementare Beweismethoden
Elementare Beweismethoden Christian Hensel 404015 Inhaltsverzeichnis Vortrag zum Thema Elementare Beweismethoden im Rahmen des Proseminars Mathematisches Problemlösen 1 Einführung und wichtige Begriffe
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrBerechenbare Funktionalanalysis und kompakte Operatoren
Berechenbare Funktionalanalysis und kompakte Operatoren Volker Bosserhoff Oberseminar der Fakultät für Informatik, 22. Juli 2008 Typ-2-Berechenbarkeit Rechnen mit endlichen Objekten Σ := {0, 1}. f : Σ
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
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
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
Mehr6 Komplexe Integration
6 Komplexe Integration Ziel: Berechne für komplexe Funktion f : D W C Integral der Form f(z)dz =? wobei D C ein Weg im Definitionsbereich von f. Fragen: Wie ist ein solches komplexes Integral sinnvollerweise
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
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
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
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
MehrIV. Stetige Funktionen. Grenzwerte von Funktionen
IV. Stetige Funktionen. Grenzwerte von Funktionen Definition. Seien X und Y metrische Räume und E X sowie f : X Y eine Abbildung und p ein Häufungspunkt von E. Wir schreiben lim f(x) = q, x p falls es
Mehr4. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 4. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-7.. Aufgabe G (Geraden im R ) Bestimmen
MehrStetigkeit von Funktionen
Stetigkeit von Funktionen Definition. Es sei D ein Intervall oder D = R, x D, und f : D R eine Funktion. Wir sagen f ist stetig wenn für alle Folgen (x n ) n in D mit Grenzwert x auch die Folge der Funktionswerte
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrStabilität von n-spezies Gemeinschaften
Stabilität von n-spezies Gemeinschaften Julia Klein 20.12.2011 Joseph Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics, Kap.15 Übersicht 1 Einführung 2 Mutualismus und M-Matrizen 3
Mehralso ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges
11. Kompakte Operatoren Seien X, Y Banachräume, und sei T : X Y ein linearer Operator. Definition 11.1. T heißt kompakt, enn T (B) eine kompakte Teilmenge von Y ist für alle beschränkten Mengen B X. Wir
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrRekonfigurierbare Regelung der Stuttgart SmartShell
Rekonfigurierbare Regelung der Stuttgart SmartShell Michael Heidingsfeld Institut für Systemdynamik, Universität Stuttgart 9. Elgersburg Workshop (2.-6. März 2014) Institut für Systemdynamik Stuttgart
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
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
MehrLösungshinweise zu den Hausaufgaben:
P. Engel, T. Pfrommer S. Poppitz, Dr. I. Rybak 14. Gruppenübung zur Vorlesung Höhere Mathematik 1 Sommersemester 009 Prof. Dr. M. Stroppel Prof. Dr. N. Knarr Lösungshinweise zu den Hausaufgaben: Aufgabe
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
Mehr