Konvexe Optimierungsprobleme
|
|
- Gesche Junge
- vor 6 Jahren
- Abrufe
Transkript
1 von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel dieses Vortrags ist es, Optimalitätsbedingungen für solche Probleme herzuleiten. Dazu betrachten wir zunächst unrestringierte Probleme, d.h. C = R n. 1 Unrestringierte Probleme 1.1 Satz : Für eine konvexe Funktion f : R n R sind folgende Aussagen äquivalent: (i) x ist Lösung von (P) (ii) 0 f(x ) (iii) f (x, d) 0 für alle d R n Beweis : (i) (iii) : klar nach [4]. (i) (ii) : 0 f(x ) f(x + d) f(x )+ 0, d für alle d R n f(x + d) f(x ) für alle d R n x ist lokales Minimum von (P). Motiviert durch diesen Zusammenhang möchte man nun Abstiegsverfahren finden, die, ausgehend von einem Startpunkt x (0) eine Folge {x (k) } so konstruieren, daß f(x (k+1) ) < f(x (k) ), k = 0, 1,... gilt, wobei x (k+1) = x (k) + t k d (k) für eine Schrittweite t k > 0 und eine Abstiegsrichtung d (k) R n. Wir betrachten zunächst die Eigenschaften von Abstiegsrichtungen: 1.2 Definition : Für f : R n R und x R n heißt ein Vektor d R n Abstiegsrichtung von f in x, wenn es ein t > 0 mit f(x + td) < f(x) gibt. (Dies ist äquivalent zu der bisherigen Definition einer Abstiegsrichtung, da f konvex ist) 1.3 Satz : Für eine konvexe Funktion f : R n R und x, d R n sind folgende Aussagen äquivalent: (i) d ist Abstiegsrichtung von f in x (ii) f (x, d) < 0 (iii) max s, d < 0 s f(x) Beweis : (i) (ii) : klar nach [4]. (ii) (iii) : folgt aus f (x, d) = sup s f(x) s, d (siehe [6]) Für differenzierbare Funktionen f gilt f(x ) = f(x ). Gibt es bei konvexen Funktionen die Möglichkeit, wie bei den differenzierbaren Funktionen, z.b. beim Newton-Verfahren, eine
2 Unrestringierte Optimierungsprobleme 2 Abstiegsrichtung aus f(x ) zu basteln? Ist bei einem Iterationsverfahren x (k) nicht optimal, so gibt es nach Satz 1.1 eine Richtung d (k) mit f (x (k), d (k) ) < 0. Diese ist nach Satz 1.3 eine Abstiegsrichtung. 1.4 Satz : Ist s (k) := P f(x (k) )(0) 0 die eindeutig bestimmte Projektion von 0 auf f(x (k) ), dann ist d (k) := s (k) / s (k) eine Abstiegsrichtung von f in x (k), und es gilt: f (x (k), d (k) ) = s (k), f (x (k), s (k) ) = s (k) 2 Beweis : Nach [2] gilt, da f(x (k) ) konvex und kompakt ist: 0 s (k), s s (k) 0 s f(x (k) ). Setze d (k) := s (k) / s (k). s s (k), d (k) 0 s f(x (k) ) s, d (k) s (k), d (k) = s (k) s f(x (k) ). Wegen s (k) f(x (k) ) gilt dann f (x (k), d (k) ) = max s, d (k) = s (k) < 0 s f(x (k) ) Nach Satz 1.3 gilt, daß d (k) eine Abstiegsrichtung ist. Da f (x (k), ) positiv homogen ist, folgt die zweite Gleichung. Man erhält so aus P f(x (k) )(0) eine Abstiegsrichtung. In der Praxis scheitert diese Vorgehensweise daran, daß das Subdifferential nicht oder nur teilweise berechnet werden kann. Trotzdem gibt es einige Verfahren, die auf dieser Idee beruhen: Subgradientenverfahren Ist mindestens ein s (k) f(x (k) )) bekannt, so wird d (k) := s (k) als Suchrichtung benutzt. Man erhält in der Regel keine Abstiegsrichtung, aber bei geeigneten Schrittweiten zumindest schwache Konvergenzresultate. Dieses Verfahren wird im nächsten Vortrag genauer behandelt. Bundle-Verfahren Man berechnet approximative Abstiegsrichtungen und dazu passende Schrittweiten. Bundle-Trust-Region-Verfahren Wie Bundle-Verfahren, nur mit einem Trust-Region-Parameter, der die Schrittweite steuert. Diese Verfahren sind allerdings nur dann möglich, wenn f(x (k) ) gilt. 2 Restringierte Probleme Wir betrachten nun Probleme der Form (P) min x C f(x) wobei f : C R konvex auf einer konvexen Menge C R n, C R n ist. Für (P) werden wir ähnliche Bedingungen wie die KKT-Bedingungen für differenzierbare Funktionen herleiten. Dazu wiederholen wir zunächst den Begriff der Kegel: 2.1 Definition : Für eine Menge C R n und x C heißt K(C, x) := {α(y x) y C, α > 0} der von C x erzeugte Kegel. Ist x C, dann nennt man eine Richtung d R n zulässige Richtung in x, wenn auch x+td C
3 Restringierte Optimierungsprobleme 3 ist für hinreichend kleines t > 0. d ist zulässige Richtung in x genau dann, wenn d K(C, x) gilt. K(C, x) heißt daher auch Kegel der zulässigen Richtungen. Man sieht leicht, daß für eine konvexe Menge C der Kegel K(C, x) konvex ist. 2.2 Definition : Ist K R n ein konvexer Kegel, dann heißt K := {s R n s, d 0 d K} Dualkegel von K. In der Optimierung hatten wir den Dualkegel bisher auch als polaren Kegel bezeichnet. Es gilt 0 K und K ist konvex und abgeschlossen. Ist 0 im Inneren von K enthalten, so folgt K = R n und K = {0} Für zwei konvexe Kegel K 1 K 2 R n gilt K 1 K Beispiele : Ist K = U ein Unterraum des R n, dann ist K = U der zu U orthogonale Unterraum. Ist K = {x R n x > 0}. Dann ist K = {x R n x 0}. K ist offen, K ist abgeschlossen. 2.4 Definition : Für eine konvexe Menge C R n und x C heißt s R n Normalenrichtung von C in x, wenn s, y x 0 für alle y C gilt. Die Menge N(C, x) := {s R n s, y x 0 y C} heißt Normalenkegel von C in x. Der Normalenkegel ist konvex und abgeschlossen. Es gilt immer 0 N(C, x). Liegt x im Inneren von C, so gilt sogar N(C, x) = {0}. Es ist N(C, x) = N(C x, 0) = N(K(C, x), 0). Für eine Normalenrichtung s in x wird verlangt, daß der Winkel zwischen s und den Elementen aus K(C, x) mindestens 90 Grad ist. 2.5 Lemma : Für eine konvexe Menge C R n und x C ist N(C, x) = K(C, x). Beweis : s N(C, x) s, (y x) 0 y C s, α(y x) 0 y C, α > 0 s, z 0 z K(C, x) s K(C, x) s K(C, x) s, z 0 z K(C, x), insbesondere s, y x 0 y C, d.h. s N(C, x) 2.6 Satz : Ist f : R n R eine konvexe Funktion, C R n eine konvexe Menge und x C. Dann sind folgende Aussagen äquivalent : (i) x ist Lösung von (P); (ii) f (x, x x ) 0 für alle x C; (iii) f (x, d) 0 für alle d K(C, x ); (iv) es gibt ein s f(x ) mit s N(C, x ); (v) 0 f(x ) + N(C, x )
4 Restringierte Optimierungsprobleme 4 Beweis : (i) (ii) : Für beliebiges x C ist auch x + t(x x ) C für alle t [0, 1], da C konvex ist. Es gilt f(x + t(x x )) f(x ) für alle t [0, 1], weil x optimal ist. Es folgt f(x + t(x x )) f(x ) t 0 t ]0, 1]. Für t 0 erhalten wir f (x, x x ) 0. (ii) (i) : Für beliebiges x C ist nach Definition der Richtungsableitung 0 f (x, x x ) f(x + (x x )) f(x ) 1 = f(x) f(x ). (siehe zweite Gleichung in [4]) (ii) (iii) : Nach [5] gilt f (x, α(x x )) = αf (x, x x ) 0 für alle x C und α > 0. (iii) (ii) : gilt wegen C x K(C, x ). (iv) (v) : klar. Um (iii) (v) und (iv) (iii) zeigen zu können, benötigen wir leider noch einige weitere Vorbereitungen. 2.7 Lemma : seinen f : R n R konvex, x R n. f sei endlich in einer Umgebung von x. Dann ist die Funktion der Richtungsableitungen, f (x, ), lipschitzstetig mit der lokalen Lipschitzkonstante L(x) von f. Beweis : [5] besagt, daß f (x, d) L(x) d gilt für alle d R n, und f (x, ) ist subadditiv. Daher gilt f (x, x 1 ) f (x, x 2 ) f (x, x 1 x 2 ) L(x) x 1 x 2 für alle x 1, x 2 R n. Das Gleiche funktioniert auch für x 2 x 1, also erhält man insgesamt f (x, x 1 ) f (x, x 2 ) L(x) x 1 x Lemma : Seien K R n ein abgeschlossener, konvexer Kegel und x K, dann gibt es ein s R n mit s, x > 0 = max s, y. Beweis : Nach dem Trennungssatz [3] gibt es ein s R n mit x, s > sup s, y. Da K abgeschlossen ist, folgt 0 K und damit auch sup s, y s, 0 = 0. Annahme : Es gibt ein z K mit s, z > 0. Dann würde aber, da K ein Kegel ist, sup x, s > sup s, y. Also ist sup s, y = 0 = max s, y = + folgen. Dies ist ein Widerspruch zu s, y. 2.9 Lemma : Ist C R n eine konvexe Menge und x C, dann gilt d K(C, x) max s, d = 0 s N(C,x) und sup s, d = + für d K(C, x). s N(C,x) Beweis : : Da d K(C, x) ist, gibt es Folgen {y k } C, {α k } R + mit d = lim α k(y k x). Nach Definition gilt für belieges s N(C, x): k
5 Restringierte Optimierungsprobleme 5 α k s, y k x 0 für alle k N. Läßt man k gegen Unendlich laufen, so ergibt sich s, d 0 für alle s N(C, x). Wegen 0 N(C, x) folgt damit s, d = 0 max s N(C,x) : Annahme : d K(C, x). K(C, x) ist konvex (vgl. [1]). Nach Lemma 2.8 gibt es daher ein s R n mit s, d > 0 = max s, y max s, y (C,x) (C,x) Dies zeigt mit Lemma 2.5 s K(C, x) = N(C, x) und ist zusammen mit s, d > 0 ein Widerspruch zu der obigen Annahme. Also gilt d K(C, x). Gilt aber doch d K(C, x), so gibt es wie oben gezeigt ein s N(C, x) mit s, d > 0. Wegen αs N(C, x) für α > 0 beliebig folgt dann sup s N(C,x) s, d = +. Nun können wir den Beweis von Satz 2.6 vervollständigen. Beweis (Fortsezung): (iii) (v) : Definiere F := f(x ) + N(C, x ). Annahme : 0 F F ist abgeschlossen und konvex, da N(C, x ) abgeschlossen und konvex und f(x ) kompakt und konvex ist. Nach dem Trennungssatz ([3]) existiert ein d R n, so daß: 0, d = 0 > sup s, d = s F Wäre d K(C, x ), so würde aus Lemma 2.9 max s 1, d + s 1 f(x ) zu (1). Also ist d K(C, x ), und damit gilt nach Lemma 2.9 sup s 2, d = max s 2, d = 0 s 2 N(C,x ) s 2 N(C,x ) Aus (1) folgt 0 > sup s 2 N(C,x ) s 2, d. (1) sup s 2, d = + folgen, im Widerspruch s 2 N(C,x ) max s 1, d = f (x, d). (vgl. [6]). Die ist ein Widerspruch zur Vorraus- s 1 f(x ) setzung (iii), da wegen der Stetigkeit von f (x, ) die Ungleichung f (x, d) 0 gelten muß (vgl. Lemma 2.7). Also gilt 0 F (v). (iv) (iii) : Ist s f(x ) mit s N(C, x ), dann ist nach Lemma 2.5 s K(C, x ) und daher s, d 0 für alle d K(C, x ). [6] liefert f (x, d) = max g, d s, d 0 (iii) g f(x ) Ist f in x differenzierbar, dann gelten f(x ) = { f(x )} und f (x, d) = f(x ), d. Als Spezialfall von Satz 2.6 erhalten wir daher das entsprechende Resultat aus der differenzierbaren Optimierung. Im nächsten Abschnitt werden wir weitere Parallelen zur differenzierbaren Optimierung kennenlernen.
6 Optimierungsprobleme mit linearen Nebenbedingungen 6 3 Probleme mit linearen Nebenbedingungen Wir betrachten jetzt den Fall, das die Nebenbedingungen durch lineare Gleichungen und Ungleichungen definiert werden. (PL) min x C f(x) C := { x R n a i, x = b i, i = 1,..., m, g j, x r j, j = 1,..., p } wobei f : R n R eine konvexe, überall endliche Funktion ist. Die Menge C ist abgeschlossen und konvex, daher definiert (PL) einen Spezialfall von (P). Wir fassen im Folgenden die Zeilenvektoren a i zu einer m n-matrix A und die g j zu einer p n-matrix G zusammen. Es ist dann (PL) min { f(x) Ax = b, Gx r } x Rn Sei J(x) := { j 1 j p, g j, x = r j } die Menge der aktiven Indizes 3.1 Lemma : Sind A, b, G, r und C wie oben definiert, dann gilt für x C: K(C, x) = K := { d R n Ad = 0, g j, d 0, j J(x)} Insbesondere ist K(C, x) abgeschlossen. Beweis : K(C, x) K : Sei d := α(y x) K(C, x) für y C, α 0 beliebig gegeben. Wegen x, y C ist Ax = Ay = b und damit αa(y x) = 0. Desweiteren gilt g j, y r j = g j, x für alle j J(x). Also ist g j, d = α g j, y x 0 für alle j J(x). Daher ist d K. K K(C, x) : Sei d K beliebig gegeben. Wir zeigen x+td C für hinreichend kleines t > 0. Dann ist td C x und d K(C, x) (siehe Anfang Kapitel 2). Für j J(x) ist g j, x < r j. Daher gibt es ein ε j > 0 mit g j, x + td < r j für alle t ]0, ε j ]. Setze ε := min j J(x) ε j. Dann ist g j, x + td < r j für alle t ]0, ε], j J(x). Für j J(x) ist nach Definition g j, d 0 und daher g j, x + td = g j, x + t g j, d g j, x = r j. für alle t > 0 Für die Gleichungsrestriktionen ist A(x + td) = Ax + tad = Ax = b für alle t 0. Daher folgt x + td C, t ]0, ε]. Um den Normalenkegel zu berechnen, benötigen wir noch ein Hilfsresultat: 3.2 Lemma : Für einen abgeschlossenen konvexen Kegel K ist (K ) = K. Beweis : Zur Erinnerung: K = { d R n s, d 0 s K}, (K ) = { d R n s, d 0 s K } K (K ) : Sei d K beliebig. Für s K ist dann d, s 0 für alle s K. Also gilt auch d (K ). (K ) K : Sei d (K ) beliebig. Annahme : d K. Nach Lemma 2.8 gibt es dann ein s R n mit s, d > 0 = max s, y, d.h. s K, also müßte wegen d (K ) s, d 0 gelten, im Widerspruch zur Annahme.
7 Optimierungsprobleme mit linearen Nebenbedingungen 7 Im Folgenden setzen wir G(x) := (g j ) j J(x). Sei N(A, G, x) = { A λ + G(x) µ λ i, µ j R, i {1,..., m}, j J(x), µ 0} Die Menge N(A, G, x) ist ein abgeschlossener konvexer Kegel. 3.3 Lemma : Für (PL) und x C gilt N(A, G, x) = N(C, x). Beweis : : Ist s N(A, G, x), d R n, so gilt s, d = n λ i a i, d + µ j g j, d i=1 j J(x) Für d K(C, x) ist nach Lemma 3.1 a i, d = 0, i = 1..., m und g j, d 0, j J(x). Wegen µ 0 folgt daraus s, d 0 für alle d K(C, x), also s K(C, x) = N(C, x). : Es ist nach Lemma 3.1 N(A, G, x) K(C, x) und damit N(C, x) = K(C, x) (N(A, G, x) ) = N(A, G, x) Lemma 3.3 besagt, daß man jedes s N(C, x) in der Form s = A λ + G(x) µ, µ 0 darstellen kann. Definiert man µ j = 0 für j J(x), so erhält man die Darstellung s = A λ + G µ, λ R m, µ R p, µ 0. Sind die Zeilenvektoren a i, i = 1,..., m, g j, j J(x) linear unabhängig, so werden λ und µ durch s eindeutig bestimmt. 3.4 Definition und Satz : Ein Punkt x C ist genau dann Lösung von (PL), wenn es λ R m und µ R p zu x gibt, so daß (i) 0 f(x ) + A λ + G µ (ii) µ j 0, j = 1,..., p (iii) µ j ( g j, x r j ) = 0, j = 1,..., p Die Bedingung (iii) nennt man auch Komplementarität. Die (λ, µ) heißen Lagrangemultiplikatoren. Beweis : Nach Satz 2.6, (i) und (iv) ist x genau dann eine Lösung von (PL), wenn es ein s f(x ) gibt, für das s N(C, x ) gilt. Nach Lemma 3.3 ist N(C, x ) = N(A, G, x ). Nach Definition von N(A, G, x ) folgt daraus die Behauptung, wenn man µ j = 0 für j J(x ) setzt. Wenn f in x differenzierbar ist, gilt f(x ) = { f(x )} und wir erhalten das entsprechende, wohlbekannte Resultat aus der differenzierbaren Optimierung.
8 Optimierungsprobleme mit linearen Nebenbedingungen 8 Wir weisen noch auf einige praktische Eigenschaften der Lagrangemultiplikatoren hin. Sei dazu M(x) := { λ i, µ j i = 1,..., m, j = 1,..., p } die Menge der Langrangemultiplikatoren zu einer Lösung x von (PL). 3.5 Lemma : Die Menge M(x) ist abgeschlossen und konvex. Beweis : Die Konvexität der Menge M(x) folgt aus der Konvexität der Menge f(x). Zum Beweis der Abgeschlossenheit betrachten wir eine Folge {(λ (k), µ (k) ) k N } M(x) mit (λ (k), µ (k) ) (λ, µ). Wegen µ (k) 0 für alle k N ist auch µ 0. Da µ (k) j ( g j, x r j ) = 0, j = 1,..., p, für alle k N gilt, folgt µ j ( g j, x r j ) = 0, j = 1,..., p. Zu jedem k N gibt es ein s (k) f(x) mit 0 = s (k) + A λ (k) + G µ (k). Da f(x) kompakt ist, gibt es eine Teilfolge (s (l) ) von (s (k) ) mit s (l) s f(x). Daher gilt 0 = s (l) + A λ (l) + G µ (l) s + A λ + G µ = 0, d.h. (λ, µ) M(x) Die Lösung des Problems (PL) muß nicht eindeutig bestimmt sein. Wir zeigen, daß die Menge M(x) unabhängig von der Lösung x ist. 3.6 Lemma : Sind x und z Lösungen von (PL), so ist M(x) = M(z). Beweis : Wir zeigen M(x) M(z). Die umgekehrte Inklusion folgt dann aus dem Vertauschen von x und z. Sei (λ, µ) M(x) beliebig gegeben. Dann gilt 0 f(x) + A λ + G µ, und µ j 0, µ j ( g j, x r j ) = 0, j = 1,..., p. Sei l : R n R die Lagrange-Funktion, l(x) = f(x) + λ (Ax b) + µ (Gx r). Es ist 0 l(x), was nach Satz 1.1 äquivalent dazu ist, daß x unrestringierter Minimalpunkt von l ist. Also muß l(z) l(x) gelten. Wegen x C ist (Ax b) = 0, wegen der Komplementarität ist µ (Gx r) = 0, also gilt l(x) = f(x). Nach Voraussetzung ist f(x) = f(z), (Az b) = 0, damit folgt l(z) = f(z) + µ (Gz r) l(x) = f(x) = f(z). Daher muß µ (Gz r) 0 sein. Wegen µ j 0 und g j, z r j, j = 1,..., p folgt µ j ( g j, z r j ) = 0, j = 1,..., p. Also ist l(z) = f(z) = f(x) = l(x), d.h. z ist auch Minimalpunkt von l. Nach Satz 1.1 ist dann auch 0 l(z), was nach Definition von l äquivalent ist zu 0 f(z) + A λ + G µ. Insgesamt folgt also (λ, µ) M(z)
9 Benutzte Zusammenhänge aus dem Buch 9 Literatur [1] Lemma : Sei C R n konvex. Dann ist auch der Abschluß C konvex. [2] Satz (Charakterisierung von Projektionen): Sei C R n nichtleer, abgeschlossen und konvex, x C und x R n. Dann gilt x = P C (x) genau dann, wenn z x, x x 0 z C [3] Satz (Trennungssatz): Ist C R n nichtleer, abgeschlossen und kovex und x C, x R n, s R n, s 0 mit sup s, y < s, x y C dann gibt es ein [4] Satz : Sei f : R n R und x R n mit f endlich in einer Umgebung von x. Dann existiert f (x, d) = lim t 0 f(x + td) f(x) t f(x + td) f(x) = inf t>0 t [5] Satz : Sei f : R n R und x R n mit f endlich in einer Umgebung von x. Dann ist f (x, ) sublinear und beschränkt durch die lokale Lipschitzkonstante L(x) von f, Das heißt es gilt: f (x, d) L(x) d für alle d R n. Insbesondere ist f (x, 0) = 0. [6] Satz : Sei f : R n R und x R n mit f endlich in einer Umgebung von x. Dann ist f (x, d) = sup s, d s f(x)
Optimalitätskriterien
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
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
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
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
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
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
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrGleichmäßige Konvergenz und Funktionenräume
Gleichmäßige Konvergenz und Funktionenräume Isabella Lukasewitz und Andreas Brack 07.06.2010 Vortrag zum Proseminar zur Analysis Konvergenz und Funktionenräume INHALTSVERZEICHNIS Bereits in den Vorlesungen
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
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
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
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
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
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,
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
MehrEbene algebraische Kurven
Ebene algebraische Kurven Tangenten und Singularitäten Meyrer Claudine 4. November 010 Inhaltsverzeichnis 1 Lokale Eigenschaften an-algebraischer Kurven (in C ) 1.1 Denitionen..............................
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
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Dr. Nico Düvelmeyer Freitag, 8. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 NLP Aufgabe KKT 2 Nachtrag
MehrKonvexe Mengen und konvexe Funktionen
Konvexe Mengen und konvexe Funktionen Teilnehmer: Moritz Butz Franziska Ihlefeldt Johannes Jendersie Marie Lambert Eike Müller Gregor Pasemann Konstantin Rohde Herder-Gymnasium Herder-Gymnasium Georg-Forster-Gymnasium
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
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
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
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
Mehr8 Konvergenzkriterien und Häufungswerte von Folgen in R
8 Konvergenzkriterien und Häufungswerte von Folgen in R 8.1 Konvergenz monotoner Folgen 8.2 Die Zahl e 8.3 Existenz monotoner Teilfolgen 8.4 Auswahlprinzip von Bolzano-Weierstraß 8.5 Konvergenzkriterium
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrMathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz
Mathematik für Bioinformatik und Systembiologie - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz WS 2009/10 Universität Freiburg Dieses Vorlesungsskript ist auf der Basis von Vorlesungen
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
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
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,
MehrWir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung).
Kapitel 4 Metrische Räume und Stetigkeit 4.1 Metrische und normierte Räume 4.2 Folgen in metrischen Räumen 4.3 Offene und abgeschlossene Mengen 4.4 Stetige Funktionen 4.5 Grenzwerte von Funktionen 4.6
MehrDer Abschluss D ist die Menge, die durch Hinzunahme der Intervallränder entsteht, in den obigen Beispielen also
Festlegung Definitionsbereich 11.1 Festlegung Definitionsbereich Festlegung: Wir betrachten Funktionen f : D Ñ R, deren Definitionsbereich eine endliche Vereinigung von Intervallen ist, also z.b. D ra,
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
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
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
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
Mehr1. Klausur. für bau immo tpbau
1. Klausur Höhere Mathematik I/II für bau immo tpbau Wichtige Hinweise Die Bearbeitungszeit beträgt 120 Minuten. Verlangt und gewertet werden alle 6 Aufgaben. Bei Aufgabe 1 2 sind alle Lösungswege und
MehrAnalysis II (FS 2015): Vektorfelder und Flüsse
Analysis II (FS 215): Vektorfelder und Flüsse Dietmar A. Salamon ETH-Zürich 7. April 215 1 Der Fluss eines Vektorfeldes Sei U R n eine offene Menge und sei f : U R n eine lokal Lipschitz-stetige Abbildung.
MehrKapitel III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
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.
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.
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
MehrEinführung in die Analysis
Ergänzungen zur Vorlesung Einführung in die Analysis Christian Schmeiser 1 Vorwort In dieser Vorlesung werden Grundbegriffe der Analysis wie Folgen und Reihen, Konvergenz und Vollständigkeit am Beispiel
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
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
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
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
MehrMathematik-Lexikon. Abszisse Die x-koordinate eines Punktes -> Ordinate
Mathematik-Lexikon HM00 Abszisse Die x-koordinate eines Punktes -> Ordinate Aufstellen von Funktionstermen Gesucht: Ganzrationale Funktion n-ten Grades: ƒ(x) = a n x n + a n-1 x n-1 + a n- x n- +... +
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.
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
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
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
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 ( )
MehrSeminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln
Seminarvortrag aus Reiner Mathematik Existenz von Primitivwurzeln Michael Kniely November 2009 1 Vorbemerkungen Definition. Sei n N +, ϕ(n) := {d [0, n 1] ggt (d, n) = 1}. Die Abbildung ϕ : N + N + heißt
Mehr6 Lineare Kongruenzen
6 Lineare Kongruenzen Sei m > 0 un a, b beliebig. Wir wollen ie Frage untersuchen, unter welchen Beingungen an a, b un m eine Zahl x 0 existiert, so aß ax 0 b mo m. Wenn ein solches x 0 existiert, sagen
MehrMATTHIAS GERDTS NICHTDIFFERENZIERBARE OPTIMIERUNG
MATTHIAS GERDTS NICHTDIFFERENZIERBARE OPTIMIERUNG Address of the Author: Matthias Gerdts Mathematisches Institut Universität Bayreuth D-95440 Bayreuth E-Mail: Matthias.Gerdts@uni-bayreuth.de WWW: www.staff.uni-bayreuth.de/
Mehr3 Polytope. 3.1 Polyeder
28 3 Polytope 3.1 Polyeder Polytope in der Ebene und im Raum standen neben Kreis und Kugel schon während der griechischen Antike im Mittelpunkt des mathematischen (und philosophischen) Interesses. Durch
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
Mehrx 3 Genau dann liegt ein Punkt X mit dem Ortsvektor x auf g, wenn es ein λ R gib,t so dass
V. Geradengleichungen in Parameterform 5. Definition ---------------------------------------------------------------------------------------------------------------- x 3 v a x x x Definition und Satz :
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
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.
MehrOptimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen
Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes
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.
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
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
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
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
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,
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
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
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
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
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,
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
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
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
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.
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrAusgewählte unentscheidbare Sprachen
Proseminar Theoretische Informatik 15.12.15 Ausgewählte unentscheidbare Sprachen Marian Sigler, Jakob Köhler Wolfgang Mulzer 1 Entscheidbarkeit und Semi-Entscheidbarkeit Definition 1: L ist entscheidbar
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrSeminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen
Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term
Mehr3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
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,
Mehr10. Grenzwerte von Funktionen, Stetigkeit, Differenzierbarkeit. Der bisher intuitiv verwendete Grenzwertbegriff soll im folgenden präzisiert werden.
49. Grenzwerte von Funktionen, Stetigkeit, Differenzierbarkeit a Grenzwerte von Funktionen Der bisher intuitiv verwendete Grenzwertbegriff soll im folgenden präzisiert werden. Einführende Beispiele: Untersuche
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
MehrKapitel 5. Stetige Funktionen 5.1. Stetigkeit
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit Reelle Zahlen sind ideale Objekte, die es uns ermöglichen, eine transparente und leistungsfähige Theorie aufzubauen. Ein Computer kann jedoch nur mit Approximationen
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
MehrOptimierung und Variationsrechnung
Optimierung und Variationsrechnung Hermann Schichl Sommersemester 2011 Inhalt 1 Einleitung 3 1.1 Terminologie............................... 4 2 Anwendungen 7 2.1 Optimierung der Erzeugnisse einer Firma...............
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrMathematik II. Vorlesung 49. Der Banachsche Fixpunktsatz
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 49 Der Banachsche Fixpunktsatz Satz 49.1. Es sei M ein nicht-leerer vollständiger metrischer Raum und f :M M eine stark kontrahierende Abbildung.
Mehr4 Elementare Vektorraumtheorie
4. ELEMENTARE VEKTORRAUMTHEORIE 51 4 Elementare Vektorraumtheorie Im folgenden sei K stets ein Körper. Definition. (i) Eine homogene Gleichung in den Unbekannten ξ 1,..., ξ n ist ein Ausdruck der Gestalt
Mehr6. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
Mehrfraktal kommt von f : C C : x x 3.
Kapitel 4 Fraktale und Dimension 4.1 Selbstähnlichkeit Was sind Fraktale? Das Wort fraktal kommt von zerbrochen und steht für die nicht-ganzzahlige Dimension. Wir betrachten also Objekte deren Dimension
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
Mehr