Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
|
|
- Johann Dressler
- vor 6 Jahren
- Abrufe
Transkript
1 Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung Funktionen mehrerer Veränderlicher Darstellung Globale und lokale Extrema Konvexe / konkave Funktionen Differenzierbare Funktionen Ableitungen erster Ordnung Ableitungen zweiter Ordnung Quadratische Funktionen, Definitheit von Matrizen Lokale Optimalitätskriterien für differenzierbare Funktionen Notwendige Kriterien Hinreichende Kriterien Das Newton-Verfahren
2 Nomenklatur... 3 Optimierungsproblem: min{f (x) x X } bzw. max{f (x) x X } (Muss nicht unbedingt angenommen werden.) Schreibweise: min f (x) s.t. x X max f (x) s.t. x X (s.t.: subject to; unter der Bedingung, dass) X R n (n ): Menge der zulässigen Lösungen f : X R {, }: Zielfunktion... Nomenklatur Optimalwert: inf{f (x) x X } bzw. sup{f (x) x X } (aus R {, }) x X Optimallösung: f (x ) = Optimalwert, d.h. f (x ) f (x) bzw. f (x ) f (x) für alle x X. Optimierungsproblem unzulässig: X = Optimierungsproblem unbeschränkt: Optimalwert = bzw. Optimalwert = (insbesondere: unbeschränkte Probleme sind zulässig)
3 5 Funktionsgraph Definition. Der Graph einer Funktion f : R n X R ist die Menge { (x, f (x)) x X } R n f (x, x ) = cos(x ) sin(x ) f (x, x ) = 5x + x 6 Niveauflächen Definition. Die Niveaufläche (Niveaulinie für n = ) einer Funktion f : R n X R zum Wert α R ist die Menge { x X f (x) = α } R n f (x, x ) = cos(x ) sin(x ) f (x, x ) = 5x + x
4 7 Globale Minima (Maxima analog) Definition.3 Eine Funktion f : R n X R nimmt in x X ihr (globales) Minimum über X an, wenn f (x ) f (x) für alle x X gilt. Minimum heißt immer globales Minimum. Die Optimallösungen von min{f (x) x X } sind genau die Punkte, in denen f ihr Minimum über X annimmt. Eine Funktion kann in unendlich vielen Punkten ihr Minimum annehmen (z.b. konstante Funktionen oder f (x, x ) = cos(x ) sin(x )). Eine Funktion kann auch kein Minimum annehmen (z.b. nicht konstante lineare Funktionen). 8 Lokale Minima (Maxima analog) Definition. Eine Funktion f : R n X R nimmt in x X ein (lokales) Minimum über X an, wenn ein ε > existiert, so dass f (x ) f (x) für alle x X mit x x < ε gilt. Globale Minima sind immer auch lokale Minima. Lokale Minima müssen keine globalen Minima sein. Funktionen können in unendlich vielen oder auch in keinen Punkten lokale Minima annehmen.
5 9 Konvexe / konkave Funktionen Definition.5 Eine Funktion f : R n R heißt (streng) konvex, wenn für alle x, y R n (mit x y) und < λ < gilt. f (λx + ( λ)y) (<) λf (x) + ( λ)f (y) Definition.6 Eine Funktion f : R n R heißt (streng) konkav, wenn für alle x, y R n (mit x y) und < λ < gilt. f (λx + ( λ)y) (>) λf (x) + ( λ)f (y) Geometrische Interpretation Beobachtung.7 Eine Funktion f : R n R ist genau dann konvex/konkav, wenn ihr Graph für alle Punkte x, y R n unterhalb/oberhalb (und möglicherweise auf) der Verbindungstrecke der beiden Punkte (x, f (x)) und (y, f (y)) liegt. 3 f (x, x ) = x
6 Beispiele konvexer / konkaver Funktionen f (x, x ) = x + x f (x, x ) = x x streng konvex streng konkav Beispiel Barrier-Funktion
7 3 Extrema konvexer / konkaver Funktionen Satz.8 Nimmt eine konvexe/konkave Funktion in einem Punkt ein lokales Minimum/Maximum an, so nimmt sie dort auch ihr globales Minimum/Maximum an. Bemerkung.9 Hat eine streng konvexe/konkave Funktion ein globales Minimum/Maximum, so nimmt sie es in einem eindeutig bestimmten Punkt an. Eigenschaften konvexer / konkaver Funktionen Satz. Eine Funktion ist genau dann konvex und konkav, wenn sie affin ist. Definition. Eine Funktion f : R n R heißt affin, wenn sie die Summe einer linearen und einer konstanten Funktion ist (d.h. es gibt a R n und β R mit f (x) = a, x + β für alle x R n ). Definition. Für zwei Vektoren v, w R n ist v, w := n v i w i i= das Standard-Skalarprodukt von v und w.
8 Gradienten Definition.3 Ist f : R n X R differenzierbar in einem inneren Punkt x int(x ), so ist grad x f := ( f x (x ),..., f x n (x ) ) 5 der Gradient von f in x. Ist v R n mit v =, so ist grad x f, v R der Anstieg von f im Punkt x in Richtung v. ( v := n i= v i Euklidische Norm) Die affine Funktion ϕ(x) := grad x f, x x + f (x ) appoximiert f lokal bei x gut: f (x) ϕ(x) lim x x x x = Gradienten und Niveaulinien 6 Bemerkung. Ist f : R n X R differenzierbar in einem inneren Punkt x int(x ) mit α = f (x ), so steht grad x f senkrecht auf der Niveaulinie von f zum Wert α und zeigt in die Richtung des größten Anstiegs von f in x f (x, x ) = x x
9 Die Hesse-Matrix Definition.5 Ist f : R n X R zweimal differenzierbar in einem inneren Punkt x int(x ), so ist f x x (x )... f x x n (x ) hess x f :=..... f x n x (x )... f x x n (x ) 7 die Hesse-Matrix von f in x. f zweimal stetig differenzierbar: hess x f symmetrisch Die quadratische Funktion q(x) := (x x ) T hess x f (x x )+ grad x f, x x +f (x ) appoximiert f lokal bei x sehr gut: f (x) q(x) lim x x x x = Einschub: Notation für Matrizen und Vektoren 8 [p] := {,,..., p} R [m] [n] : Menge der (reellen) m n-matrizen Besondere Matrizen: Op R p, O [m] [n] : Nullvektor, Nullmatrix p R p, [m] [n]: Einsvektor, Einsmatrix I [n] [n] : Identitätsmatrix Auch ohne Subskripte, wenn Kontext klar ei = (,...,,,,..., ) R n : i-ter Einheitsvektor Für A R [m] [n], i [m], j [n]: A(i,j) = A ij = a ij : Eintrag in Zeile i, Spalte j Ai, R n : i-te Zeile von A A,j R m : j-te Spalte von A Im Kontext von Matrix-Multiplikation: Identifikation von R p mit R [p] [] (Spaltenvektoren)
10 Quadratische Funktionen 9 Definition.6 Eine Funktion q : R n R heißt quadratisch, wenn es eine symmetrische Matrix Q R [n] [n] sowie c R n und γ R gibt mit q(x) = x T Qx + c, x + γ für alle x R n Die Symmetrieforderung an Q ist wegen keine Einschränkung, x T Qx = x T( (Q + QT ) ) x Definite Matrizen Definition.7 Eine Matrix Q R [n] [n] ist positiv definit positiv semidefinit negativ definit negativ semidefinit, wenn für alle x R n \ {O n } x T Qx > x T Qx x T Qx < x T Qx gilt. Sie ist indefinit, wenn sie weder positiv noch negativ semidefinit ist.
11 Eigenwerte Satz.8 Eine symmetrische Matrix Q R [n] [n] ist positiv definit positiv semidefinit negativ definit negativ semidefinit, wenn alle Eigenwerte von Q positiv nicht negativ negativ nicht positiv sind. Sie ist indefinit, wenn sie positive und negative Eigenwerte hat. Konvexität / Konkavität Satz.9 Eine quadratische Funktion q : R n R mit q(x) = x T Qx + c, x + γ ist genau dann (streng) konvex/konkav, wenn für alle x R n die Matrix Q positiv/negativ semidefinit (definit) ist x + x - x x - x x -
12 3 Konvexität / Konkavität Satz. Eine zweimal stetig differenzierbare Funktion f : R n R ist genau dann konvex/konkav, wenn für alle x R n die Hesse-Matrix hess x f positiv/negativ semidefinit ist. Ist die Hesse-Matrix sogar überall positiv/negativ definit, so ist f streng konvex/konkav. Bemerkung. Für die durch q(x) = x T Qx + c, x + γ (mit symmetrischer Matrix Q) definierte quadratische Funktion q : R n R gilt für jedes x :. grad x q = Qx + c. hess x q = Q Kriterien erster Ordnung Satz. Nimmt f : R n X R ein lokales Extremum in einem inneren Punkt x int(x ) an, in dem f differenzierbar ist, so gilt grad x f = O n. Definition.3 Für eine differenzierbare Funktion f : R n X R (X offen) heißen die x X mit grad x f = O n die stationären Punkte. Korollar. Die stationären Punkte sind die einzigen Kandidaten für lokale Extrema differenzierbarer Funktionen (über offenen Mengen).
13 Kriterien zweiter Ordnung 5 Satz.5 Sei f : R n X R (X offen) zweimal stetig differenzierbar auf X und sei x X ein stationärer Punkt von f.. Ist hess x f positiv definit, so nimmt f in x ein lokales Minimum an.. Ist hess x f negativ definit, so nimmt f in x ein lokales Maximum an. 3. Ist hess x f indefinit, so nimmt f in x kein lokales Extremum an Die Idee des Newton-Verfahrens Sei f : R n R zweimal stetig differenzierbar auf R n mit: hessx f ist positiv definit für alle x R n f hat ein globales Minimum, welches also in einem eindeutigen stationären Punkt x min R n angenommen wird. Strategie: Erzeuge eine Folge (bzw. ein Anfangsstück davon) x (), x (), R n mit 6 lim x (k) = x min. k Für jedes k: Wähle eine geeignete Richtung d (k) R n. Bestimme x (k+) als (angenäherte) Optimallösung des eindimensionalen Minimierungsproblems min{f (x (k) + td (k) ) t R}. (Richtungsminimierung von f in x (k) in Richtung d (k) )
14 7 Bestimmung der Richtungen d (k) Die quadratische Funktion q (k) (x) := (x x (k) ) T (hess x (k) f )(x x (k) ) + grad x (k) f, x x (k) + f (x (k) ) = x T Q (k) x + c (k), x + γ (k) mit Q (k) c (k) γ (k) = hess x (k) f = grad x (k) f (hess x (k) f )x (k) = f (x (k) ) + x (k)t (hess x (k) f )x (k) approximiert die Funktion f in der Nähe von x (k) sehr gut. 8 Bestimmung der Richtungen d (k) q (k) ist streng konvex mit eindeutigem Minimand x. Hoffnung: d (k) = x x (k) ist eine gute Richtung x ist der stationäre Punkt von q (k) O n = grad x q (k) = Q (k) x + c (k) Q (k) ist positiv definit, also invertierbar: x = (Q(k) ) c (k) Also: d (k) = ( hess x (k) f ) (gradx (k) f (hess x (k) f )x (k) ) = x (k) (hess x (k) f ) grad x (k) f := (hess x (k) f ) grad x (k) f grad x (k) f, d (k) = (grad x (k) f ) T (hess x (k) f ) grad x (k) f <, falls x (k) nicht stationär für f (d (k) Abstiegsrichtung in x (k) )
15 9 Richtungsminimierung mit Two-Slope-Test Sei x (k) nicht stationär für f. Sei ϕ k : R + R die Funktion mit ϕ k (t) = f (x (k) + td (k) ). d (k) Abstiegsrichtung, also ϕ k () <. Ideale Wahl: x (k+) = x (k) + τk d (k) für Optimallösung τk von min{ϕ k (t) t R + } Statt dessen: Wähle zu Anfang Parameter > α > > α > und setze dann x (k+) = x (k) + τ k d(k) für ein τ k >, das die Two-Slope Bedingung erfüllt. ϕ k () + α ϕ k ()τ ϕ k(τ) ϕ k () + α ϕ k ()τ 3 Bestimmung von τ k Bestimme durch Testen von u =,,, 8,... ein u > mit ϕ k () + α ϕ k ()τ ϕ k(u). Falls ϕ k (u) ϕ k () + α ϕ k ()u: τ k = u Sonst: Setze l = (gilt: ϕ k (l) ϕ k () + α ϕ k ()l)) ( ) Überprüfe beide Ungleichungen der Two-Slope Bedingung für τ = u l. Beide erfüllt: τ k = τ Erste verletzt: l = τ, weiter mit ( ) (Zweite verletzt:) u = τ, weiter mit ( ) Bemerkung Das Verfahren bestimmt nach endlich vielen Schritten ein geeignetes τ k.
16 Analyse des Newton-Verfahrens 3 Satz.6 Ist f : R n R zweimal stetig differenzierbar auf R n mit überall positiv definiter Hesse-Matrix und sei x () R n so, dass X () := {x R n f (x) f (x () )} beschränkt ist, so konvergiert die mit der Newton-Methode und Two-Slope-Test erzeugte Folge gegen den Punkt, in dem f ihr Minimum annimmt. Bemerkung Für alle genügend großen k gilt sogar x (k+) x min L m x (k) x min, wobei L die Lipschitz-Konstante von x hess x f und m der kleinste Eigenwert von hess x f auf X sind. Insbesondere: Quadratische Konvergenz bei genügend gutem Startpunkt Und für nicht-konvexe Funktionen? 3 Modell: f : R n X R gegeben durch Orakel für die Auswertung von f (x) (grad x f, hess x f ) Es gibt keinen Algorithmus, der für jedes f entscheidet, ob f ein globales Minimum hat (sogar für n = ). Für X = [, ] n R n und Lipschitz-stetige Funktionen mit vorgegebener Lipschitz-Konstante L ( f (x) f (x ) L x x für alle x, x X ): Es gibt keinen Algorithmus, der µ(f ) := min{f (x) x X } für jede solche Funktion f berechnet. Aber: Es gibt einen Algorithmus, der für jede solche Funktion f in O( ( L + ε )n ) Schritten ein x X berechnet mit f (x ) µ(f ) ε. ( Kein Algorithmus kann das in weniger als Ω( L ) ) n Schritten ε für jedes solche f. S. A. Vavasis, Nonlinear Optimization, Complexity Issues. Oxford Science Publications, 99. (Kapitel 6)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
MehrMathematik 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
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
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
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
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
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
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.
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
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
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
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
Mehr2 Stetigkeit und Differenzierbarkeit
2.1) Sei D R. a) x 0 R heißt Häufungspunkt von D, wenn eine Folge x n ) n N existiert mit x n D,x n x 0 und lim n x n = x 0. D sei die Menge der Häufungspunkte von D. b) x 0 D heißt innerer Punkt von D,
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
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
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
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
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:
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
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
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
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
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
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
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen
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;
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Aufgabe 98 12.12.2012 Untersuchen Sie die Funktion f W R! R mit f.x/
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
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
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..
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
MehrInhaltsverzeichnis. 1 Lineare Algebra 12
Inhaltsverzeichnis 1 Lineare Algebra 12 1.1 Vektorrechnung 12 1.1.1 Grundlagen 12 1.1.2 Lineare Abhängigkeit 18 1.1.3 Vektorräume 22 1.1.4 Dimension und Basis 24 1.2 Matrizen 26 1.2.1 Definition einer
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
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
MehrVektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
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
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
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.
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
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,
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
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) :=
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
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.
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrWS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch
Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch WS 2010/2011 14. Januar 2011 Geometrie mit Übungen Übungsblatt 9, Musterlösungen Aufgabe 33. Es werden Kreise in der Euklidischen
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
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrKAPITEL 6. Nichtlineare Ausgleichsrechnung
KAPITEL 6 Nichtlineare Ausgleichsrechnung Beispiel 61 Gedämpfte Schwingung: u + b m u + D m u = 0, Lösungen haben die Form: u(t) = u 0 e δt sin(ω d t + ϕ 0 ) Modell einer gedämpften Schwingung y(t; x 1,
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
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
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.
Mehr2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0!
Klausur 25.02.2004 Aufgabe 5 Gegeben ist die Funktion f(x) = 2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0! Klausur 06.08.2003 Aufgabe 5 Gegeben ist
MehrII. Nichtlineare Optimierung
II. Nichtlineare Optimierung 1. Problemstellungen 2. Grundlagen 3. Probleme ohne Nebenbedingungen 4. Probleme mit Nebenbedingungen Theorie 5. Probleme mit Nebenbedingungen Verfahren H. Weber, FHW, OR SS06,
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrKLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)
Mathematisches Institut WS 2012/13 der Heinrich-Heine-Universität 7.02.2013 Düsseldorf Prof. Dr. Achim Schädle KLAUSUR zu Einführung in die Optimierung Bitte folgende Angaben ergänzen und DEUTLICH LESBAR
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,
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
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,
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
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
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
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
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
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
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
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
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
Mehr6. Funktionen von mehreren Variablen
6. Funktionen von mehreren Variablen Prof. Dr. Erich Walter Farkas 24.11.2011 Seite 1 Funktionen von mehreren Variablen n {1, 2, 3,...} =: N. R n := {(x 1,..., x n) x 1,..., x n R} = Menge aller n-tupel
MehrFachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)
Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen
MehrFlüsse, 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
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
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrLineare Algebra II 9. Übungsblatt
Lineare Algebra II 9. Übungsblatt Fachbereich Mathematik SS Prof. Dr. Kollross 5./6. Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest: ohne Benutzung des Skripts und innerhalb von Minuten!)
MehrLineare Optimierung. bei Prof. Walter Alt. Semester: SS 2006 und WS 2009
Lineare Optimierung bei Prof. Walter Alt Semester: SS 2006 und WS 2009 Vorwort Dieses Dokument wurde als Skript für die auf der Titelseite genannte Vorlesung erstellt und wird jetzt im Rahmen des Projekts
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.
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrVorkurs Mathematik für Wirtschaftsingenieure und Wirtschaftsinformatiker
Vorkurs Mathematik für Wirtschaftsingenieure und Wirtschaftsinformatiker Übungsblatt Musterlösung Fachbereich Rechts- und Wirtschaftswissenschaften Wintersemester 06/7 Aufgabe (Definitionsbereiche) Bestimme
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
Mehr3 Nichtlineare Gleichungssysteme
3 Nichtlineare Gleichungsssteme 3.1 Eine Gleichung in einer Unbekannten Problemstellung: Gegeben sei die stetige Funktion f(). Gesucht ist die Lösung der Gleichung f() = 0. f() f() a) f ( ) 0 b) f ( )
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.
MehrAlgebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen
Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch
MehrNichtlineare Gleichungssysteme
Kapitel 2 Nichtlineare Gleichungssysteme Problem: Für vorgegebene Abbildung f : D R n R n finde R n mit oder ausführlicher f() = 0 (21) f 1 ( 1,, n ) = 0, f n ( 1,, n ) = 0 Einerseits führt die mathematische
MehrWenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe. a 0 + a 1 + a 2 +
8 Reihen 38 8 Reihen Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine Summe a 0 + a + a 2 + zu bilden. Wir wollen nun erklären, was wir darunter verstehen wollen. Zunächst kann man die
MehrZahlen und Gleichungen
Kapitel 2 Zahlen und Gleichungen 21 Reelle Zahlen Die Menge R der reellen Zahlen setzt sich zusammen aus den rationalen und den irrationalen Zahlen Die Mengen der natürlichen Zahlen N, der ganzen Zahlen
MehrKursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2009/
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2009/10 2.3.2010 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
MehrÜbungsaufgaben mit Lösungen
Priv. Doz. Dr. A. Wagner Aachen, 9. September 6 S. Bleß, M. Sc. Analysis Übungsaufgaben mit Lösungen im Vorkurs Mathematik 6, RWTH Aachen University Intervalle, Supremum und Infimum Für a, b R, a < b nennen
MehrLösungsvorschläge zum 14. Übungsblatt.
Übung zur Analysis III WS / Lösungsvorschläge zum 4. Übungsblatt. Aufgabe 54 Sei a R\{}. Ziel ist die Berechnung des Reihenwertes k a + k. Definiere dazu f : [ π, π] R, x coshax. Wir entwickeln f in eine
Mehr