Mathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 6.5 (das agraökonomische Schaf )
|
|
- Nora Fried
- vor 5 Jahren
- Abrufe
Transkript
1 Mathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 65 (das agraökonomische Schaf ) Sascha Kurz Jörg Rambau 25 November 2009
2 2 66 Die Karush-Kuhn-Tucker-Methode Die Erkenntnisse aus dem vorherigen Abschnitt zur Optimierung von differenzierbaren Funktionen unter mehreren Nebenbedingungen können wir nun wieder zu einer Art Rezept, der Karush-Kuhn-Tucker-Methode, kurz: KKT-Methode, zusammenfassen Wie vorher finden wir damit aber nur globale Extrema im Innern des Definitionsbereichs, in denen die Zielfunktion u differenzierbar ist Gibt es Punkte im zulässigen Bereich, in denen u nicht differenzierbar ist, so kann man diese»bösen Punkte«evtl mit anderen Argumenten behandeln und die Methode trotzdem noch anwenden Man findet dann eben keine bösen Punkte, selbst wenn sie Maxima sind Findet man maximale zulässige kritische Punkte, so muss man sie dann also noch vergleichen mit den Funktionswerten der Punkte, an denen u nicht differenzierbar ist Ein Beispiel für dieses Vorgehen ist die Maximierung von Cobb-Douglas-Funktionen mit Budget-Restriktionen; diese Funktionen sind zwar für nicht-negative Werte definiert aber nur für echt positive Werte differenzierbar Dort konnten wir im Beispiel aus Abschnitt?? argumentieren, dass keiner der bösen Punkte ein globales Maximum sein kann Dann blieben nur noch die maximalen kritischen Punkte als Kandidaten übrig Hätten wir ein globales Minimum gesucht, so hätten wir auf diese Weise auch ohne die KKT-Methode herausgefunden, dass alle bösen Punkte globale Minima sind, da sie einfach den kleinstmöglichen Nutzen null haben Möchten wir ein globales Maximum einer differenzierbaren Funktion u : k D, X u (X ) unter den differenzierbaren Nebenbedingungen G (X ) = 0 (also g 1 (X ) = 0,, g r (X ) = 0) und H(X ) 0 (also h 1 (X ) 0,, h s (X ) 0) bestimmen, so gehen wir wie folgt vor: Merksatz: KKT-Methode für max{u (X ) : G (X ) = 0,H(X ) 0 }: 1 Bestimme die Lagrange-Funktion L(X ;λ,µ) = u (X ) λ T G (X ) µ T H(X ) (61) 2 Anschließend bestimme alle Lösungen der notwendigen Bedingungen erster Ordnung (Karush-Kuhn-Tucker-System, kurz: KKT-System): L / x1 X ;λ,µ = 0 ( ) L / xk X ;λ,µ = 0 ( ) G (X ) = 0 ( ) µ T H(X ) = 0 ( ) H(X ) 0 ( ) µ 0
3 66 Die Karush-Kuhn-Tucker-Methode 3 Dazu führe für jede mögliche Kombination von aktiven und nicht aktiven Ungleichungen (entspricht µ 1 = 0 oder µ 1 0,, µ s = 0 oder µ s 0) folgende Schritte durch: (a) Löse das Gleichungssystem bestehend aus allen Gleichungen ( ) und allen Gleichungen aus ( ) mit µ i 0 Kritische Punkte (b) Prüfe, ob die Kandidaten die Ungleichungen ( ) erfüllen Zulässige kritische Punkte 3 Wähle die Kandidaten mit den maximalen Zielfunktionswerten aus Maximale zulässige kritische Punkte Die Methode liefert in den meisten interessanten Fällen tatsächlich globale Maxima, sofern sie sogenannte reguläre Punkte sind Satz 661 Die Funktionen u : k D sowie G : D r und H : D s seien differenzierbar in X 0 D Ferner seien die Gradienten am Punkt X 0 der in X 0 aktiven Nebenbedingungen linear unabhängig (Rangbedingung) Wenn X 0 ein lokales Maximum von max{u (X ) : G (X ) = 0,H(X ) 0,X D } ist, dann ist X 0 ein kritischer Punkt der KKT-Methode Ferner gilt: Ist X 0 ein globales Maximum, so ist X 0 ein maximaler kritischer Punkt der KKT-Methode Zusammengefasst: Kandidaten für globale Maxima sind maximale kritische Punkte, Randpunkte des Definitionsbereichs und Punkte, für die die Rangbedingung verletzt ist Liegt der zulässige Bereich im Innern des Definitionsbereichs D, so fallen Randpunkte als Kandidaten automatisch weg Gilt die Rangbedingung für alle zulässigen Punkte, so fallen Kandidaten mit verletzter Rangbedingung auch weg, und nur maximale kritische Punkte könnten globale Maxima sein Vorsicht: Falls kein globales Maximum existiert, dann kann trotzdem ein maximaler kritischer Punkt der KKT-Methode existieren, und man weiß nichts über die Qualität seines Zielfunktionswerts Für kompakte zulässige Bereiche hingegen ist die Existenz eines globalen Maximums garantiert Der beste aller Fälle ist also: Der zulässige Bereich ist kompakt sowie im Innern von D enthalten und die Rangbedinung gilt dort überall Dann sind die maximalen kritischen Punkte der KKT-Methode auch globale Maxima Die Rangbedingung eine von vielen möglichen sogenannten Regularitätsbedingungen, die die Rangbedingung ersetzen können kann für sehr einfache Beispiele verletzt sein, so dass es sein kann, dass man globale Extrema mit der KKT-Methode übersieht Es gibt also einfache nicht-lineare differenzierbare Optimierungsaufgaben, bei denen das eindeutige Extremum keine Lösung des KKT-Systems ist Ein solches Beispiel muten wir Ihnen mal zu, um Sie zu sensibilisieren Betrachten Sie das differenzierbare Optimierungsproblem max x : y 0, y x 2
4 4 y h 2 (1, 0) y h 2 (0, 0) x x h 1 (0, 0) h 1 (1, 1) Abb 61: Beispiel für ein Extremum, das die KKT-Methode nicht findet Die Zielfunktion und die Nebenbedingungen können formuliert werden als u (x,y ) := x, h 1 (x,y ) := y 0, h 2 (x,y ) := y x 2 0 Damit ergibt sich die Lagrange-Funktion L(x,y ;λ,µ) := x + λy µ(y x 2 ) Mit bloßem Auge sieht man, dass der Nullpunkt (0, 0) zulässig und optimal ist (siehe Abb 61) Aber gleich die erste Bedingung des KKT-Systems ist durch (0, 0) verletzt: L (0, 0) = 1 2µx = 1 2µ 0 = 1 0 x Ebenfalls in Abbildung 61 sieht man, dass die Gradienten ausgerechnet am Nullpunkt in entgegengesetzte Richtungen zeigen: Also sind sie nicht linear unabhängig, und am Nullpunkt ist die Rangbedingung somit verletzt Wie ist der Zusammenhang von Gleichung und Geometrie? Wann existieren Lagrange-Multiplikatoren, so dass die partiellen Ableitungen der Lagrange- Funktion nach x 1,,x k in einem Extremum X 0 allesamt gleich null sind? Wenn Sie die KKT-Gleichungen so umstellen, dass die partiellen Ableitungen der Zielfunktion auf der linken Seite isoliert stehen, dann sehen Sie, dass die Bedingungen gleichbedeutend sind mit folgender Bedingung: Der Gradient der Zielfunktion in X 0 hat eine Darstellung als Linearkombination der Gradienten der im Punkt X 0 aktiven Nebenbedingungen Die Lagrange-Multiplikatoren können dann gerade als die Koeffizienten dieser Linearkombination gewählt werden Im Beispiel: Der Gradient ( 1, 0) der Zielfunktion u (x, y ) = x lässt sich nicht aus den Gradienten der Nebenbedingungen im Punkt (0,0) linear kombinieren (Das würde immer gehen, wenn diese linear unabhängig wären sind sie aber nicht) Also gilt auch die KKT-Bedingung nicht
5 66 Die Karush-Kuhn-Tucker-Methode 5 Insgesamt füllt die allgemeine, korrekte Behandlung differenzierbarer Optimierungsaufgaben ganze Bücher Wir müssen die theoretische Diskussion hier abbrechen, da es zu viele gefährliche Fallstricke gibt, die man nur durch sehr viel gründlichere Mathematik, als uns hier möglich ist, alle vermeiden kann Betrachten wir lieber ein Beispiel Hierzu stellen wir uns eine Wiese mit einem Schaf vor, das an einem Pflock angebunden ist Das heißt, das arme Schaf kommt nicht überall zum Grasen hin, wo es gerne hinmöchte Der Pflock stehe an Position (0,0), und das Seil habe eine Länge von 10 m Da wir es mit einem agrarökonomischen Schaf zu tun haben, versucht es seine Gras-Nutzenfunktion u (x,y,t ) = x 2 y 2 + 4y t zu maximieren Hierbei sind x und y die Koordinaten, an denen das Schaf grast und t [0, 1] beschreibt die aktuelle Jahreszeit, 0 für den Winterbegin, 0,25 für den Frühlingsbeginn, 0,5 für den Sommerbeginn und 0,75 für den Beginn des Herbstes (Offenbar verfügt es über eine besonders genaue Vorstellung, wann wo das beste Gras ist) Wir wollen nun die optimale Grasposition des Schafes zum Beginn des Sommers bestimmen Die Nutzenfunktion u (x, y, t ) können wir einfach als Zielfunktion übernehmen Die Bedingung mit dem Pflock ist eine Kreisungleichung der Form (x 0) 2 + (y 0) 2 10, was sich zu h(x,y,t ) = x 2 + y umschreiben lässt Die Nebenbedingung für die Jahreszeit lautet einfach t = 1 /2 bzw g (x,y,t ) = t 1 2 = 0 Die KKT-Methode ist geeignet: Zunächst einmal ist der zulässige Bereich kompakt, denn er ist durch eine stetige Ungleichung gegeben (abgeschlossen) und in einer Box enthalten (beschränkt) Ferner gilt: Die Gradienten der Nebenbedingungen lauten g (x,y,t ) = 00 1 /2 und h(x,y,t ) = 2x 2y 0 Falls in einem Punkt (x 0,y 0,t 0 ) gilt, dass h(x 0,y 0,t 0 ) < 0, so ist { g (x 0,y 0,t 0 )} natürlich linear unabhängig Falls h(x 0,y 0,t 0 ) = 0, so ist insbesondere x 0 0 oder y 0 0, wodurch in diesem Falle auch { h(x 0,y 0,t 0 ), g (x 0,y 0,t 0 )} linear unabhängig ist Also gilt die Rangbedingung überall Ferner sind u, g und h auf ganz 3 definiert und differenzierbar Also finden wir die globalen Maxima im zulässigen Bereich mit der KKT-Methode
6 6 Mit Hilfe der Funktionen u, h und g können wir nun die Lagrange-Funktion angeben: L(x,y,t ;λ,µ) = x 2 y 2 + 4y t λ t 1 2 Das zugehörige Gleichungssystem lautet L! / x x,y,t ;λ,µ = 2x 2µx = 0 L! / y x,y,t ;λ,µ = 2y + 4 2µy = 0 L! / t x,y,t ;λ,µ = λ = 0 g (x,y,t ) = t 1! /2 = 0 µh(x,y,t ) = µ(x 2 + y 2! 10) = 0 h(x,y,t ) = x 2 + y 2 10! 0! µ 0 µ(x 2 + y 2 10) Wir schließen sofort λ = 0 und t = 1 /2 Eine Fallunterscheidung nach µ = 0 oder µ 0 führt uns zu einem kritischen Punkt: Fall 1: µ = 0 (Ungleichung nicht aktiv): 2x = 0 2y + 4 = 0 = x = 0 y = 2 Wegen h(0,2) = ist (0,2) ein zulässiger kritischer Punkt und führt zu einem Nutzen von u (0, 2, 1 /2) = 14 Fall 2: µ 0 (Ungleichung aktiv): x 2 + y 2 10 = 0 (1) 2x 2µx = 0 (2) 2y + 4 2µy = 0 (3) Aus Gleichung (2) schließen wir 2x (1 µ) = 0 Es gilt also x = 0 oder µ = 1 Im ersten Fall folgern wir aus Gleichung (1) y = ± 10, was zu Nutzen von u 0, 10, /2 1 = ,649 bzw u 0, 10, 1 /2 = ,649 führt Im zweiten Fall µ = 1 reduziert sich unser Gleichungssystem zu x 2 + y 2 10 = 0 4y + 4 = 0 woraus wir y = 1 und x = ±3 schließen Es ergeben sich Nutzen von u (3, 1, 1 /2) = 22 bzw u ( 3, 1, 1 /2) = 22 Am Sommeranfang sollte das agrarökonomische Schaf also an den Position (3, 1) bzw ( 3, 1) grasen, um einen maximalen Nutzen von 22 zu erzielen,
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8 Markus Sinnl 1 markus.sinnl@univie.ac.at http://homepage.univie.ac.at/markus.sinnl basierend auf Folien von Dr. Ivana Ljubic, Mag. Christian Spreitzer und Mag.
MehrMikroökonomik Prof. Dr. Stefan Klonner SoSe Übungsblatt 1
1 Funktionen Definition 1 (Funktion). Übungsblatt 1 Eine Funktion f(x) einer reellen Variable x mit Definitionsbereich D ist eine Regel, die jeder Zahl x in D eine reelle Zahl f(x) eindeutig zuordnet.
Mehr6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode
6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode In diesem Kapitel orientieren wir uns stark an den Büchern: 1. Knut Sydsæter, Peter Hammond, Mathematik für Wirtschaftswissenschaftler,
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung 1. Anwendungen des Satzes über implizite Funktionen 2. Stationäre Punkte implizit definierter Funktionen 3. Reguläre Punkte 4. Singuläre Punkte Ausblick auf die heutige
MehrUNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz Dr P C Kunstmann Dipl-Math M Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive Komplexe
MehrAnalysis II 14. Übungsblatt
Jun.-Prof. PD Dr. D. Mugnolo Wintersemester 01/13 F. Stoffers 04. Februar 013 Analysis II 14. Übungsblatt 1. Aufgabe (8 Punkte Man beweise: Die Gleichung z 3 + z + xy = 1 besitzt für jedes (x, y R genau
MehrHöhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8. Übungsblatt. ). 12x 3 Die Hessematrix von f ist gegeben durch H f (x, y) =
Karlsruher Institut für Technologie (KIT Institut für Analysis Priv-Doz Dr P C Kunstmann Dipl-Math D Roth SS 0 7060 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 8 Übungsblatt
MehrKarlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang. Sommersemester
Karlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang Sommersemester 03 6.06.03 Höhere Mathematik II für die Fachrichtungen Elektrotechnik und Informationstechnik
MehrMusterlösung zu Blatt 1
Musterlösung zu Blatt Analysis III für Lehramt Gymnasium Wintersemester 0/4 Überprüfe zunächst die notwendige Bedingung Dfx y z = 0 für die Existenz lokaler Extrema Mit x fx y z = 8x und y fx y z = + z
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrKapitel 12. Lagrange-Funktion. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28. f (x, y) g(x, y) = c. f (x, y) = x y 2
Kapitel 12 Lagrange-Funktion Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28 Optimierung unter Nebenbedingungen Aufgabe: Berechne die Extrema der Funktion unter der Nebenbedingung
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
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)
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 MÜNCHEN
Prof Dr M Keyl M Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker (Analysis ) MA90 http://www-m5matumde/allgemeines/ma90 06S Sommersem 06 Lösungsblatt (606) Zentralübung Z
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrange.tex,v 1.6 2012/11/06 14:26:21 hk Exp hk $ 2 Extrema unter Nebenbedingungen 2.1 Restringierte Optimierungsaufgaben Nachdem wir jetzt die bereits bekannten Techniken zur Bestimmung der lokalen
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
MehrNachklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 18.9.17 Fakultät 4 - Mathematik und Naturwissenschaften Prof. N. V. Shcherbina Dr. T. P. Pawlaschyk www.kana.uni-wuppertal.de Nachklausur zur Analysis 2, SoSe 217 Aufgabe
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Mehr(3D-)Extrema unter Nebenbedingungen. Problemstellung (lokale Optimierung)
(3D-)Extrema unter Nebenbedingungen Wir beschränken uns wieder (meistens) auf Funktionen von zwei Variablen x, y. Bei drei oder mehr Variablen x 1,..., x n sind die gleichen Techniken analog anwendbar,
MehrMathematik für Wirtschaftswissenschaftler Kapitel 4-6. Universität Trier Wintersemester 2013 / 2014
Mathematik für Kapitel 4-6 Universität Trier Wintersemester 2013 / 2014 Kapitel 4 1. Extremwerte 2. Lokale Optimalpunkte 3. Wendepunkte 2 Kapitel 4.1 EXTREMWERTE 3 Extrempunkte und Extremwerte 4 Strikte
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
MehrLagrange-Multiplikatoren
Lagrange-Multiplikatoren Ist x eine lokale Extremstelle der skalaren Funktion f unter den Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i, so dass grad f (x ) = λ i grad g i
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
MehrExtrema multivariater Funktionen
Extrema multivariater Funktionen Ist f (x ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren Funktion f auf einer Umgebung U von x, so gilt grad f (x ) = (0,..., 0) t. Extrema multivariater
MehrAufgabensammlung zum UK Mathematische Optimierung
Aufgabensammlung zum UK Mathematische Optimierung Mehrdimensionale Analysis Stetigkeit. Man bestimme den natürlichen Definitionsbereich D f der folgenden Funktionen f: a) f(x, y) = ln(x y ) b) f(x, y)
MehrMathematische Behandlung der Natur- und Wirtschaftswissenschaften I. f(x) := e x + x.
Technische Universität München WS 009/0 Fakultät für Mathematik Prof. Dr. J. Edenhofer Dipl.-Ing. W. Schultz Übung Lösungsvorschlag Mathematische Behandlung der Natur- und Wirtschaftswissenschaften I Aufgabe
MehrProbeklausur. 1 Stetigkeit [7 Punkte] 2 Differenzierbarkeit [10 Punkte] Ferienkurs Analysis 2 für Physiker SS Karolina Stoiber Aileen Wolf
Karolina Stoiber Aileen Wolf Ferienkurs Analysis 2 für Physiker SS 26 A Probeklausur Allgemein Hinweise: Die Arbeitszeit beträgt 9 Minuten. Falls nicht anders angegeben, sind alle en ausführlich und nachvollziehbar
MehrMehrdimensionale Differentialrechnung Übersicht
Mehrdimensionale Differentialrechnung Übersicht Partielle und Totale Differenzierbarkeit Man kann sich mehrdimensionale Funktionen am Besten für den Fall f : R 2 M R vorstellen Dann lässt sich der Graph
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
Mehr16. FUNKTIONEN VON MEHREREN VARIABLEN
16. FUNKTIONEN VON MEHREREN VARIABLEN 1 Reelle Funktionen auf dem R 2 Wir betrachten Funktionen f(x 1, x 2 ) von zwei reellen Variablen x 1, x 2, z.b. f(x 1, x 2 ) = x 2 1 + x2 2, g(x 1, x 2 ) = x 2 1
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
Mehr9 Differentialrechnung für Funktionen in n Variablen
$Id: diff.tex,v.7 29/7/2 3:4:3 hk Exp $ $Id: ntaylor.tex,v.2 29/7/2 3:26:42 hk Exp $ 9 Differentialrechnung für Funktionen in n Variablen 9.6 Lagrange Multiplikatoren Die Berechnung von Maxima und Minima
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
Mehr1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
MehrMusterlösung. TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Klausur Mathematik für Physiker 3 (Analysis 2) I... II...
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 3 Unterschrift der Kandidatin/des Kandidaten 4 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
MehrTopologie und Differentialrechnung mehrerer Veränderlicher, SS 2009 Modulprüfung/Abschlussklausur. Aufgabe Punkte
Universität München 22. Juli 29 Topologie und Differentialrechnung mehrerer Veränderlicher, SS 29 Modulprüfung/Abschlussklausur Name: Aufgabe 2 3 4 Punkte Gesamtpunktzahl: Gesamturteil: Schreiben Sie unbedingt
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 :
MehrExtrema von Funktionen mit Nebenbedingung
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen mit Nebenbedingung Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr.
Mehr7.11. Extrema unter Nebenbedingungen
7.11. Extrema unter Nebenbedingungen Randextrema Wir haben schon bemerkt, daß die üblichen Tests mit Hilfe von (eventuell höheren) Ableitungen nur Kriterien für (lokale) Extrema im Inneren des Definitionsgebietes
MehrTU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik 1. Dr. M. Herrich SS 2017
TU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik Prof. Dr. K. Eppler Institut für Numerische Mathematik Dr. M. Herrich SS 207 Aufgabe Gegeben sei die Funktion f : R 2 R mit Übungen
MehrKlausurrepetitorium ABWL
Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches
MehrWirtschaftsmathematik II
WMS: Wirtschaftsmathematik 2 :: WS 2009/10 Wirtschaftsmathematik II Reinhard Ullrich http://homepage.univie.ac.at/reinhard.ullrich Basierend auf Folien von Dr. Ivana Ljubic October 11, 2009 1 Funktionen
MehrAnleitung zu Blatt 5 Analysis III für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / r. Hanna Peywand Kiani 4.. Anleitung zu Blatt 5 Analysis III für Studierende der Ingenieurwissenschaften Extrema unter Nebenbedingungen, Lagrange Multiplikatoren
Mehr10. Übungsblatt zur Analysis II
Fachbereich Mathematik Prof. Dr. Steffen Roch Nada Sissouno WS 2009/2010 17.12.2009 10. Übungsblatt zur Analysis II Gruppenübung Aufgabe G1 Gegeben sei die Funktion g : R 2 R, g(x,y) = sin 2 y + x 3 1.
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
MehrÜbung 5, Analytische Optimierung
Übung 5, 5.7.2011 Analytische Optimierung Aufgabe 5.1 Bei der Herstellung von Konserven werden für Boden und Deckel bzw. für den Konservenmantel verschiedene Materialien verwendet, die g 1 = bzw. g 2 =
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
MehrÜbungen zur Vorlesung Mathematik im Querschnitt Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr. E. Schörner WS 06/7 Blatt 4 5..06 Übungen zur Vorlesung Mathematik im Querschnitt Lösungsvorschlag 3. Die gegebene Polynomfunktion f : R R, f(x, y) =
Mehr10 Extremwerte mit Nebenbedingungen
10 Extremwerte mit Nebenbedingungen 49 10 Extremwerte mit Nebenbedingungen Wir betrachten nun Extremwertaufgaben, bei denen nach dem Extremwert einer fx 1,, x n gesucht wird, aber die Menge der zulässigen
MehrBERGISCHE UNIVERSITÄT WUPPERTAL Fachbereich C Mathematik und Naturwissenschaften
Musterl osung BERGISCHE UNIVERSITÄT WUPPERTAL Fachbereich C Mathematik und Naturwissenschaften Analysis II Klausur WS 211/212 Prof. Dr. Hartmut Pecher 3.2.212, 9:15 Uhr Name Matr.Nr. Studienfach Fachsemester
Mehr5.10. Mehrdimensionale Extrema und Sattelpunkte
5.1. Mehrdimensionale Extrema und Sattelpunkte Zur Erinnerung: Eine Funktion f von einer Teilmenge A des R n nach R hat im Punkt a ein (strenges) globales Maximum, falls f( x ) f( a ) (bzw. f( x ) < f(
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrC. Eicher Analysis Study Center ETH Zürich HS Extremwerte
C. Eicher Analysis Study Center ETH Zürich HS 05 Extremwerte Gelöste Aufgabenbeispiele:. Bestimme die lokalen und globalen Extrema der Funktion f(x) = x x + x auf dem Intervall [ 4, ]. a. Bestimmung der
MehrInhaltsverzeichnis. Innere-Punkte-Verfahren 3. Inhaltsverzeichnis 1
Inhaltsverzeichnis 1 Inhaltsverzeichnis Innere-Punkte-Verfahren 3 1 Theoretische Grundlagen 3 1.1 Die KKT-Bedingungen........................... 3 1.2 Der zentrale Pfad.............................. 4
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 89
9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 89 Beweis. Der Beweis erfolgt durch vollständige Induktion. Angenommen wir hätten den Satz für k 1 gezeigt. Dann ist wegen auch Damit ist f(g(y), y) = 0 0 = D y
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik 8.11.2011 1 von 38 Gliederung 1 2 Lagrange-Optimierung 2 von 38 Übersicht über die Stützvektormethode (SVM) Eigenschaften
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Semestrale (Wiederholung) HÖHERE MATHEMATIK 3 für Chemieingenieurwesen
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 3 Unterschrift der Kandidatin/des Kandidaten 4 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
MehrKAPITEL 3. Konvexe Funktionen
KAPITEL 3 Konvexe Funktionen Sei F R n ein Definitionsbereich und f : F R eine Funktion. Unter dem Epigraphen von f versteht man die Menge epif = {(x, z) R n+1 x F, z R, z f(x)}. Man nennt f konvex, wenn
MehrOutline. 1 Funktionen von mehreren Veränderlichen. 2 Grenzwert und Stetigkeit. 3 Partielle Ableitungen. 4 Die verallgemeinerte Kettenregel
Outline 1 Funktionen von mehreren Veränderlichen 2 Grenzwert und Stetigkeit 3 Partielle Ableitungen 4 Die verallgemeinerte Kettenregel 5 Das totale Differential 6 Extremstellen Roman Wienands (Universität
Mehr1 Übungsaufgaben zu Kapitel 1
Übungsaufgaben zu Kapitel. Übungsaufgaben zu Abschnitt... Aufgabe. Untersuchen Sie die nachstehend definierten Folgen ( a k ) k und ( b k ) k auf Konvergenz und bestimmen Sie ggf. den jeweiligen Grenzwert:
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrangetex,v 18 01/11/09 14:07:08 hk Exp $ $Id: untermfgtex,v 14 01/11/1 10:00:34 hk Exp hk $ Extrema unter Nebenbedingungen Lagrange-Multiplikatoren In der letzten Sitzung hatten wir begonnen die
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
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 7 (7.8.7). Gegeben ist die Matrix A 3 3 3 (a) Bestimmen Sie sämtliche Eigenwerte sowie die zugehörigen Eigenvektoren.
Mehr6 Die Bedeutung der Ableitung
6 Die Bedeutung der Ableitung 24 6 Die Bedeutung der Ableitung Wir wollen in diesem Kapitel diskutieren, inwieweit man aus der Kenntnis der Ableitung Rückschlüsse über die Funktion f ziehen kann Zunächst
MehrExtremalprobleme mit Nebenbedingungen
Extremalprobleme mit Nebenbedingungen In diesem Abschnitt untersuchen wir Probleme der folgenden Form: g(x 0 ) = inf{g(x) : x Ω, f(x) = 0}, (x 0 Ω, f(x 0 ) = 0). (1) Hierbei sind Ω eine offene Menge des
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrEin Buch. Für Anwendungen des Stoffs in den Wirtschaftswissenschaften: Knut Sydsæter, Peter Hemmond: Mathematik für Wirtschaftswissenschaftler
Ein Buch Für Anwendungen des Stoffs in den Wirtschaftswissenschaften: Knut Sydsæter, Peter Hemmond: Mathematik für Wirtschaftswissenschaftler (Aber bei der Mathematik ein bisschen aufpassen!) 4 Extremstellen
Mehrzul. Kurve g 1 C zul dθ (0) y = dϕ dθ (0) =
2. Grundlagen der nicht-linearen konvexen Optimierung 2.1. Die Karush-Kuhn-Tucker Bedingungen. Unser Basisproblem (NLO) sei geben durch min f(x) NLO g i (x) 0, i I = {1,..., m} x R n f, g i stetig differenzierbar.
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
Mehr1. EINFÜHRUNG INS STATE-PRICING 1
1. EINFÜHRUNG INS STATE-PRICING 1 1. Einführung ins State-Pricing In diesem Kapitel betrachten wir eine Periode. Das heisst, wir können nur zu den Zeitpunkten 0 und 1 handeln. Im weiteren arbeiten wir
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
Mehr(k!) 2 ((n + 1)!) 2 n.
Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik 1142KSL15 6 Punkte Aufgabe 1. Zeigen Sie, dass für alle n N gilt: n k=0 Für n = 0 und n = 1 gilt die Behauptung, da bzw. 1
Mehr11 Optimierung von Funktionen einer Veränderlichen
11 Optimierung von Funktionen einer Veränderlichen In diesem Kapitel werden die bis hier behandelten Grundlagen der Analysis genutzt, um Methoden aus der Optimierungstheorie für eindimensionale Entscheidungsmengen
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
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) :=
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik 1142KWL09 Aufgabe 1. Zeigen Sie, dass für alle n 2 gilt: n paarweise verschiedene Geraden im R 2 schneiden sich untereinander
MehrÜbungen zur Vorlesung Mathematik im Querschnitt Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr. E. Schörner WS 016/17 Blatt 3 08.11.016 Übungen zur Vorlesung Mathematik im Querschnitt Lösungsvorschlag 9. Bei der Definitionsmenge D = { (x, y) R x
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrDualität bei konvexer Optimierung
Dualität bei konvexer Optimierung Seminar zur Numerik I im SS 2016 Laslo Hunhold 10. Mai 2016 Ausarbeitung zum Seminarvortrag vom 2. Mai 2016 Mathematisches Institut Mathematisch-Naturwissenschaftliche
Mehr3. Mai Zusammenfassung. g x. x i (x).
3. Mai 2013 Zusammenfassung 1 Hauptsatz Satz 1.1 Sei F C 1 (D) für eine offene Teilmenge D von R q+1 = R q R. Für (x 0, u 0 ) D gelte F (x 0, u 0 ) = 0, (x 0, u 0 ) 0. Dann gibt es eine Umgebung V von
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
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
MehrOptimierung. Optimierung. Vorlesung 5 Optimierung mit Nebenbedingungen Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 5 Optimierung mit Nebenbedingungen 1 Minimierung mit Gleichheitsrestriktionen Gegeben: Funktion,,,, : Ziel:,,, Unrestringierter Fall: Notwendige Bedingung für lokales Minimum keine
MehrWirtschaftsmathematik 00054: Mathematik für Wirtschaftswissenschaftler II Kurseinheit 2: Lineare Algebra II
Wirtschaftsmathematik 00054: Mathematik für Wirtschaftswissenschaftler II Kurseinheit : Lineare Algebra II Leseprobe Autor: Univ.-Prof. Dr. Wilhelm Rödder Dr. Peter Zörnig 74 4 Extrema bei Funktionen mehrerer
MehrDiplom Vorprüfung bzw. Bachelor Modulprüfung Höhere Mathematik II für die Fachrichtung Physik. Lösungsvorschläge. det
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Herbst 9.9.9 Diplom Vorprüfung bzw. Bachelor Modulprüfung Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge Aufgabe
MehrHöhere Mathematik II für BWIW, BNC, BAI, BGIP, GTB, Ma Hausaufgaben zum Übungsblatt 5 - Lösung
TU Bergakademie Freiberg Sommersemester Dr. Gunter Semmler Dr. Anja Kohl Höhere Mathematik II für BWIW, BNC, BAI, BGIP, GTB, Ma Hausaufgaben zum Übungsblatt 5 - Lösung Differentialrechnung für Funktionen
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik Technische Universität Dortmund 12.11.2013 1 von 39 Gliederung 1 Hinführungen zur SVM 2 Maximum Margin Methode Lagrange-Optimierung
Mehr7.1 Matrizen und Vektore
7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit
Mehr9. Übungsblatt zur Vorlesung Mathematik I für Informatik
Fachbereich Mathematik Prof. Dr. Thomas Streicher Dr. Sven Herrmann Dipl.-Math. Susanne Pape 9. Übungsblatt zur Vorlesung Mathematik I für Informatik Wintersemester 2009/2010 8./9. Dezember 2009 Gruppenübung
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr M Keyl M Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 3 (Analysis 2) MA923 http://wwwm5matumde/allgemeines/ma923_26s Sommersem 26 Probeklausur (4726) Krümmung
Mehr1 Einstimmung 2. 2 Die Reduktionsmethode 5. 3 Die Methode der Lagrange-Multiplikatoren 6. 4 *Ergänzungen und Verallgemeinerungen* 10
Universität Basel 9 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Extremwertprobleme mit Nebenbedingung Inhaltsverzeichnis 1 Einstimmung 2 2 Die Reduktionsmethode
MehrMusterlösungen Aufgabenblatt 2
Jonas Kindervater Ferienkurs - Höhere Mathematik III für Physiker Musterlösungen Aufgabenblatt Dienstag 17. Februar 009 Aufgabe 1 (Implizite Funktionen) f(x, y) = x 1 xy 1 y4 = 0 Man bestimme die lokale
Mehr