Konvexe Funktionen und Legendre-Transformation
|
|
- Fanny Brinkerhoff
- vor 7 Jahren
- Abrufe
Transkript
1 Konvexe Funktionen und Legendre-Transformation Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x, y auch stets deren Verbindungsstrecke xy = {x +t xy 0 t 1} = {(1 t)x +ty 0 t 1} enthält. konvex nicht konvex Bsp. R n ist selbst konvex. Auf R ist jedes Intervall (mit oder ohne Endpunkte) konvex. Jede konvexe Teilmenge von R ist ein (eventuell, ausgeartetes) Intervall.
2 Def. Eine Funktion f : U R heißt konvex, falls U konvex ist und es gilt: x 0,x 1 U t [0,1] gilt (1 t)f(x 0 )+tf(x 1 ) f((1 t)x 0 +tx 1 )}. Geometrische Vorstellung: die Punkte (1 t)f(x 0 ) + tf(x 1 ) sind für t [0,1] die Punkte des Intervalls mit Endpunkten( f(x 0 )) und ( f(x 1 ). ) Die Punkte (1 x0 x1 t) +t sind die Punkte f(x 0 ) f(x 1 ) ( ) x0 des Intervalls mit Endpunkten ( ) f(x 0 ) x1 und des Graphs der Funktion f(x 1 ) f. Die Funktion ( ist ) konvex, ( wenn ) auf R n R der Punkt x0 x1 (1 t) +t höher liegt als der Punkt ( f(x 0 ) ) f(x 1 ) (1 t)x0 +tx 1 (oder fällt mit dem Punkt zusammen). f((1 t)x 0 +tx 1 )
3 Def. Eine Funktion f : U R heißt konvex, falls U konvex ist und es gilt: x 0,x 1 U t [0,1] es gilt (1 t)f(x 0 ) + tf(x 1 ) f((1 t)x 0 + tx 1 ). Bsp. Die Funktion x x 2 (von R nach R) ist konvex. Beweis. Für f(x) = x 2 sieht die Ungleichung (1 t)f(x 0 )+tf(x 1 ) f((1 t)x 0 +tx 1 ) wie folgt aus: (1 t)x 2 0 +tx 2 1 ((1 t)x 0 +tx 1 ) 2 = (1 t) 2 x (1 t)tx 0 x 1 +t 2 x 2 1 Nach algebraischen Manipulationen (ziehe alles nach links wende das Distributionsgesetz an) bekommen wir die Bedingung: t(1 t)(x 2 0 2x 1 x 2 +x 2 1) 0, ( ) was offensichtlich gilt, denn (x0 2 2x 1x 2 +x1 2) = (x 0 x 1 ) 2. Bemerkung. Die Aussage ist geometrisch offensichtlich, da die Strecke zwischen den Punkten (x 0,x0 2) und (x 1,x1 2 ) über dem Graph der Funktion f(x) = x 2 liegt.
4 Bemerkung. Eine auf einer konvexen Menge U R n definierte Funktion ist genau dann konvex, wenn der Obergraph, also die Menge konvex ist. {(x,y) R n R x U,y f(x)} R n+1, Der Beweis wird auf der Tafel besprochen. Bsp. Lineare Funktionen sind konvex. Konstante Funktionen sind konvex. Linearkombinationen von konvexen Funktionen mit nichtnegativen Koeffizienten sind konvex.
5 Wir betrachten die Funktion f : R n R, f(x) = a ij x i x j = (x 1,...,x n ) a ij i,j x 1.. x n, wobei a ij eine (konstante) Matrix und (o.b.d.a) (a ij ) symmetrisch sei. Dann gilt: Die Funktion ist g.d. konvex, wenn die Bilinearform x,y i,j a ijx i y j nichtnegativ definit ist, d.h. für alle x R n ist f(x) = ij a ijx i x j 0. (Der Beweis wird auf der Tafel besprochen. Die Aussage wird auch aus Satz 7 folgen). Bemerkung. Aus LA I kennen wir das sogenannte Sylvester-Kriterium zur Überprüfung der Definitheit von Bilinearformen mit Gramscher Matrix (a ij ). Bemerkung. Ebenfalls wissen wir aus der LA, dass man mit Hilfe einer geeigneten, linearen Koordinatentransformation die Matrix (a ij ) diagonal machen kann. Es ist offensichtlich, dass eine Diagonalmatrix g.d. einer nichtnegativ definiten Bilinearform entspricht, wenn alle Diagonaleigräge nichtnegativ sind. Z.B. ist die Funktion f(x 1,x 2 ) = x1 2 x2 2 nicht konvex.
6 Def. Eine Funktion f : U R heißt konvex, falls U konvex ist und es gilt: x 0,x 1 U mit x 0 x 1 t [0,1] gilt (1 t)f(x 0 ) + tf(x 1 ) f((1 t)x 0 + tx 1 ). Def. Eine konvexe Funktion f ist streng konvex, wenn die Ungleichung in der Definition der Konvexität für t (0,1) streng ist. Bsp. f(x) = x 2 ist streng konvex. Erklärung. Wir haben bereits gesehen, dass für f(x) = x 2 (1 t)f(x 0 )+tf(x 1 ) f((1 t)x 0 +tx 1 ) = t(1 t)(x 0 x 1 ) 2. Falls x 0 x 1 und t (0,1) ist t(1 t)(x 0 x 1 ) 2 positiv und die Ungleichung (1 t)f(x 0 )+tf(x 1 ) f((1 t)x 0 +tx 1 ) ist streng. Bsp. Lineare Funktionen sind konvex, aber nicht streng konvex. Bemerkung. Geometrisch bedeutet die strenge Konvexität, dass innere Punkte der Strecke, welche die Punkte (x 0,f(x 0 )) und (x 1,f(x 1 )) verbindet, innere Punkte des Obergraphen der Funktion f sind.
7 Hinreichende Bedingung für Konvexität Satz 7. Es sei f : U R eine glatte (mind. C 2 -) Funktion auf konvexem U R n. Ist die Bilinearform( Dxf 2 nichtnegativ ) definit in jedem x U, (äquivalent: ist die Matrix 2 f x i x j (x) nichtnegativ definit für jedes x U), so ist die Funktion konvex. Ferner gilt: Ist die Bilinearform ( ) Dxf 2 positiv definit in jedem x U (äquivalent: ist die Matrix 2 f x i x j (x) positiv definit für jedes x U), so ist die Funktion streng konvex.
8 Wiederholung: Was ist D 2 xf? (Analysis II) Die Bilinearform D 2 xf definiert man wie folgt: für x U ist D 2 xf(u,v) = 2 s t f(x +tv +su) t=s=0. In ( Koordinaten: ) Die Gramsche Matrix von Dxf 2 ist die Hesse-Matrix 2 f x i x j (x) und die Bilinearform Dxf(u,v) 2 ist (u,v) i,j 2 f x i x j (x)u i v j. Bis auf den Koeffizienten 1/2 ist die Funktion h D 2 x 0 f(h) die Summe quadratischer Terme in der Taylorreihe von f im Punkt x 0. In Dimension 1 ist die Bilinearform D x F gegeben durch h 1 h 2 h 1 h 2 f (x). Die Bedingung nichtnegativ definit ist dann die Bedingung f 0, und positiv definit ist f > 0.
9 Beweis für n = 1 unter der Annahme f > 0. x 0,x 1 U t [0,1] gilt (1 t)f(x 0 ) + tf(x 1 ) f((1 t)x 0 + tx 1 ). Es seien nun x 0 < x 1 U beliebig und v := x 1 x 0. Wir betrachten die Funktion g : [0,1] R, g(t) := f(x 0 +tv) (1 t)f(x 0 ) tf(x 1 ) = = ( (1 t)f(x 0 ) tf(x 1 ) f((1 t)x 0 +tx 1 ) ) Es ist g(0) = g(1) = 0. Zu zeigen wäre: g(t) < 0 für t [0,1]. Da g stetig auf dem kompakten Intervall [0,1] ist, nimmt g in einem Punkt t [0,1] sein Maximum an: g(t ) = max t [0,1] g(t). Ist t = 0 oder t = 1, dann sind wir fertig, die Funktion ist dann kleiner gleich 0. Sei also angenommen, dass t (0,1). Da g dort 2-mal differenzierbar ist, muss g (t ) = 0 und g (t ) 0. Da g (t ) = v 2 f (x 0 +t v), widerspricht die Bedingung g (t ) 0 der Voraussetzung f > 0
10 Beweis für n = 1 unter der Annahme f 0. Wie im Beweis unter der Annahme f > 0, betrachten wir die Funktion g(t) und ihr Maximum t. Ist t = 0 oder t = 1, oder ist f(t ) = 0, dann sind wir fertig. Sei also angenommen, dass t (0,1) und f(t ) > 0. In Punkt t ist g = 0, in allen Punkten ist g = (g ) 0. Dann ist die Funktion g nichtnegativ auf dem Intervall [t,1] und deswegen die Funktion g nicht fallend auf [t,1]. Aber im Punkt t ist sie > 0 und im Punkt 1 ist sie 0, was uns ein Widerspruch gibt.
11 Beweis für beliebiges n Wir betrachten wieder die Funktion g : [0,1] R, g(t) := f(x 0 +tv) (1 t)f(x0) tf(x 1 ) = = ( (1 t)f(x 0 )+tf(x 1 ) f((1 t)x 0 +tx 1 ) ) Sie ist eine Funktion einer Variablen t (obwohl x 0 und x 1 jetzt Vektoren sind). Die zweite Ableitung dieser Funktion im Punkt t ist g (t) = D 2 (x 0 +tv) f(v) und ist 0 falls, D2 f nichtnegativ definit ist. Sie ist > 0, falls D 2 f positiv definit ist. Wir wiederholen die Argumentation wie in Dimension 1 und erhalten die Aussage.
12 Legendre-Transformation: Zunächst in Dimension n = 1 Sei f : U R konvex. Wir betrachten die Funktion g(p) := max(xp f(x)). x U Diese Funktion ist auf der folgenden Menge U g definiert: U g = {p R : max(xp f(x))}. x U Bemerkung. Die Konvexität der Funktion f impliziert: Existiert das Maximum max x U (xp f(x)), so ist die Menge der Punkte, in denen das Maximum angenommen wird, ein Intervall. Wenn die Funktion f streng konvex ist, wird das Maximum max x U (xp f(x)) in genau einem Punkt angenommen. Def. Die so konstruierte Funktion g heißt Legendre-Transformation von f. Wir werden die Bezeichnung f für die Funktion g verwenden.
13 Rechnerische Bestimmung der Legendre-Transformation Es sei f : U R glatt mit f > 0. Aus Satz 7 wissen wir, dass f strikt konvex ist. Nach Definition ist f (p) = max(xp f(x)). x U Aus Analysis I wissen wir, dass das Maximum dort angenommen wird, wo die Ableitung gleich 0 ist, also wo p = f ist (unter der Voraussetzung, dass die Funktion f auf ganz R definiert ist). Also: f (p) = x p p f(x p ), wo x p die Lösung der Gleichung f (x p ) = p ist. Bemerkung. Bei streng konvexen Funktionen ist so ein x p eindeutig, also die Abbildung p x p eine Bijktion ist (falls f glatt ist). Bei Funktionen mit f > 0 ist die Abbildung p x p glatt. Die Umkehrabbildung sieht man direkt aus der Formel f (x p ) = p: sie bildet den Pukt x auf p = f (x p ) ab.
14
15 Wichtige Eigenschaft der Legendre-Transformation: Wichtige Eigenschaft.Es gilt: f(x)+f (p) px Falls für ein x gilt: f(x)+f (p) = px, dann nimmt die Funktion x xp f(x) im Punkt x ihr Maximum an. Beweis. Die beiden Aussagen folgen direkt aus der Definition: f (p) := max(xp f(x)). x U Bemerkung. Diese Eigenschaft wird später intensiv benutzt. Sie wird auch mehrdimensional gelten. Auf der nächsten Folie zeigen wir eine Anwendung der Legendre-Transformation aus der Analysis, welche die wichtige Eigenschaft verwendet.
16 Anwendungen in der Analysis: Youngsche Ungleichung f(x) + f (p) px. Die Legendre-Transformation wird hauptsächlich in der klassischen Mechanik angewendet. Wir zeigen hier jedoch eine Anwendung aus der Analysis. Folgerung. Für alle x,p R gilt: xp x2 +p 2 2. Für alle α,β > 0 mit 1 α + 1 β = 1 gilt: xp 1 α xα + 1 β pβ Beweis. Wir haben vorher für f(x) = 1 2 x2 ausgerechnet, dass f (p) = p2 2. Wenn wir diese f,f in f(x)+f (p) px einsetzen, bekommen wir xp x2 +p 2 2. Analog haben wir vorher für f(x) = xα α ausgerechnet, dass f (p) = pβ β. Wenn wir diese f,f in f(x)+f (p) px einsetzen, bekommen wir xp 1 α xα + 1 β pβ
17 Die Legendre-Transformation ist eine Involution Lemma. Es sei f : U R konvex, und glatt, und die Hesse-Matrix ist in jedem Punkt positive definit. Dann ist die Legendre-Transformierte f auch konvex, glatt, hat positive Hesse-Matrix, und es gilt (f ) = f. Bemerkung. Glattheit ist nicht essenziell. Beweis der Konvexität: Zu zeigen ist: p 0,p 1 Definitionsbereich(f ) t [0,1] (1 t)f (p 0 )+tf (p 1 ) f ( (1 t)p 0 +tp 1 ). Wir ersetzen f mittels der Definition und bekommen (1 t) max x U (xp 0 f(x))+tmax x U (xp 1 f(x)) max x U (x ((1 t)p 0 +tp 1 ) f(x)). Die Aussage folgt dann aus den zwei offensichtlichen Formeln: max(f +g) maxf +maxg, maxλf = λmaxf für λ 0 Bemerkung. Selbstverständlich muss man noch zeigen, dass Definitionsbereich von f konvex ist. Beweis ist analog und ich werde ihn aus Zeitgründen nicht vorführen.
18 Beweis der Involutivität Wir haben (Wicht. Eigenschaft): xp f(x)+f (p) und die Ungleichung wird in einem Punkt x p zur Gleichung. Dann gilt: xp f (p) f(x) und die Ungleichung wird in einem Punkt x p zur Gleichung. Also: max p (xp f (p)) f(x) und die Ungleichung wird zur Gleichung für p mit x p = x. Schließlich ist (f ) = max p (xp f (p)) = f(x)
19 Legendre-Transformation für beliebiges n Grobe Regel: Alles ist wie in Dim. 1, man muss nur die Multiplikation an geeigneten Stellen ersetzen durch das Skalarprodukt ersetzen. Def. Sei f : U R, wobei (U R n konvex) eine konvexe Funktion. Man definiert die Legendre-Transformierte f von f durch f (p) := max(p x f(x)). x U Anschauliche Darstellung. Jedes p R n erzeugt auf natürliche Weise eine Hyperebene im R n+1, nämlich den Graph der Funktion x p x. f (p) ist dann analog zum 1-dimensionalen Fall das Maximum des vertikalen Unterschieds der Funktion zur Ebene.
20 f (p) := max(p x f(x)). x U Rechnerische Bestimmung der Legendre-Transformation gilt auch in Dimension n: f (p) = x p p f(x p ), wobei x p ( R n die Lösung der ) Gleichung f D xp f = x 1 (x p ),..., f x n (x p ) = p ist. Die wichtige Eigenschaft überlebt ebenfalls: Es gilt: f(x)+f (p) p x Die Legendre-Transformation ist nach wie vor eine Involution.
21 Hamiltonische Gleichungen Satz 8. Sei L(x,y,t) eine Lagrangefunktion sodass die Hesseform bzgl. y-koordinaten, also ( ) DyL 2 ( 2 L y i y j (x,y,t) ) für alle x,y,t positiv definit ist. Man bezeichne mit H(x,p,t) die Lagrange-Transformation von L(x,y,t) bzgl. der y-variablen, also die Funktion H(x,p,t) = y p p L(x,y p,t) ( ) L wobei y p durch die Bedingung y 1 (x,y p,t),..., L y n (x,y p,t) = p bestimmt. ( Dann für jede Extremal x(t) ) und für L L p(t) = y 1 (x,ẋ,t),..., y n (x,ẋ,t) gelten die folgenden Hamilton-Gleichungen ẋ = H(x,p,t) p, ṗ = H(x,p,t) x. Ferner gilt: für jede Lösung (x(t), p(t)) der H-Gleichungen ist die Kurve x(t) eine Extremalkurve von L.
22 H(x,p,t) = y p p L(x,y p,t) ẋ = H(x,p,t) p, ṗ = H(x,p,t) x. Bemerkung. Die H-Gleichungen sind 2n GDG auf 2n unbekannten Funktionen x 1 (t),...,p n (t) in der Euler-Form. Bemerkung. Ich habe zu viel vorausgesetzt, um Beweise einfacher zu halten. Man kann z.b. die Aussage auch für nichtglatte Funktionen verallgemeinern.
23 Beweis von Satz 8. H(x,p,t) = y p p L(x,y p,t) ẋ = H(x,p,t) p, ṗ = H(x,p,t) x. Wir betrachten die folgende Funktion von n+n+n+1 = 3n+1 Variablen (x,p,y,t): Tmp(x,y,p,t) = L(x,y,t)+H(x,p,t) p y. Aus Wicht. Eigenschaft der Legendre-Transformation folgt Tmp 0 und Tmp(x,y,p,t) = 0 nur für p = L y. Dann sind die Partielle Ableitungen von Tmp(x,y,p,t) bzgl. x, y und p gleich 0 im p = L y : L x + H x = 0, L y p = 0, H p y = 0. Das ist offensichtlich Äquivalent zur L x = H x, L y = p, H p = y.
24 L x = H x, L y = p, H p = y. Jetzt betrachten wir wir diese Gleichungen im Punkten (x,y,t) = (x,ẋ,t), wobei x(t) eine Extremale ist. Die dritte Gleichungen gibt uns sofort die erste Hamilton-Gleichung H p = ẋ. In der ersten Gleichung ersetzen wir L x durch d L dt ẋ und bekommen die zweite amilton-gleichung ṗ = H x. Bemerkung. Ich habe den Satz nur in einer Richtung gezeigt: ich habe gezeigt dass die Extremale von L die Lösungen von Hamilton-Gleichungen sind. Beweis in der anderen Richtung ist eine Übung für Sie; man muss überlegen dass alle Beweisschritte invertierbar sind.
25 Energieerhaltung revisited Die Formel für H ist H(x,p,t) = y p p L(x,y p,t) und ist dieselbe Formel wie für die Energie. Also, aus Satz 5 unter der zusätzlichen Annahme dass ( H t = ) 0 und auch unter der zusätzlichen Annahme dass die Matrix 2 H p i p j positiv definit ist folgt dass die Funktion H auf der Lösungen von Hamilton-Gleichungen konstant ist. ( Man kann dass direkt sehen, und die Annahme, dass die Matrix 2 H positiv definit ist ist nicht notwendig: d H H dth(x,p) = ẋ +ṗ x p = H p H x H x H p = 0 p i p j )
Affine Hülle. x x 1 ist lineare Kombination der Vektoren x 2 x 1,x 3 x 1,...,x k x 1. Tatsächlich, in diesem Fall ist λ 1 = 1 λ 2 λ 3...
Affine Hülle Wiederholung. Der Vektor x K n ist eine lineare Kombination der Vektoren x,...,x k K n, wenn es Zahlen λ,...,λ k K gibt mit x = λ x +... + λ k x k. Def. Gibt es solche Zahlen λ,...,λ k K mit
Mehr102 KAPITEL 14. FLÄCHEN
102 KAPITEL 14. FLÄCHEN Definition 14.3.1 (Kurve) Es sei M eine k-dimensionale Untermannigfaltigkeit des R n. Eine C 1 - Kurve γ : ( a, a) R n mit γ(( a, a)) M heißt Kurve auf M durch x 0 = γ(0). Definition
MehrFlüsse und Vektorfelder
Flüsse und Vektorfelder Def. Ein Vektorfeld auf U R n ist eine glatte (vektorwertige) Abbildung V : U R n. Bemerkung. Wir werden später die Transformationsgesetze für den Koordinatenwechsel bei Vektorfeldern
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
MehrDifferentialformen. Lie-Ableitung von Differentialformen und Poincaré-Formel. Differentialform dp dx und ihre Invarianz bzgl. Hamiltonischer Flüsse.
Differentialformen Plan Zuerst lineare Algebra: Schiefsymmetrische Formen im R n. Dann Differentialformen: Invarianz bzgl. Diffeomorphismen (und sogar beliebigen glatten Abbildungen). Äußere Ableitung.
Mehr2.4 Verallgemeinerte Ungleichungen
2.4 Verallgemeinerte Ungleichungen 2.4.1 Eigentliche Kegel und verallgemeinerte Ungleichungen Ein Kegel K R heißt eigentlicher Kegel, wenn er die folgenden Bedingungen erfüllt: K ist konvex K ist abgeschlossen
MehrSymplektische Geometrie
Symplektische Geometrie Def. Eine symplektische Form auf U R 2n ist eine geschlossene, nichtausgeartete 2-Differentialform. }{{}}{{} d.h. dω = 0 wird gleich definiert Wir bezeichnen sie normalerweise mit
MehrAffine Geometrie (Einfachere, konstruktive Version)
Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit
MehrExtremale des Lagrange-Funktionals
Extremale des Lagrange-Funktionals Def. Ein Element x K heißt Extremalkurve oder Extremal eines differenzierbaren Funktionals F, falls in diesem Punkt die Ableitung D auf eigentlichen Variationen verschwindet
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
MehrSei ω eine symplektische Struktur auf U 2n. Satz 12. In einer Umgebung eines beliebigen Punktes x gibt es
Satz von Darboux Sei ω eine symplektische Struktur auf U 2n. Satz 12. In einer Umgebung eines beliebigen Punktes x gibt es Koordinaten (x 1,..., x n, p 1,..., p n ), sodass ω = n i=1 dp i dx i. Ferner
MehrWiederholung: lineare Abbildungen
Wiederholung: lineare Abbildungen Def Es seien (V,+, ) und (U, +, ) zwei Vektorräume Eine Abbildung f : V U heißt linear, falls für alle Vektoren v 1, v 2 V und für jedes λ R gilt: (a) f (v 1 + v 2 ) =
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
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
MehrAffine Eigenschaften ( stets K = R)
Affine Eigenschaften ( stets K = R) Def. 15 Sei M eine Teilmenge eines affinen Raums A über V (über K). Eine Eigenschaft der Menge M heißt affin, wenn für jede Affinität F : A A 1 die Bildmenge {F(a)wobei
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
MehrFormelsammlung Analysis I & II
Formelsammlung Analysis I & II Wichtige eindimensionale Integrale: { x s dx = s+ xs+ + C falls s log x + C falls s = exp(x dx = exp(x + C cos(x dx = sin(x + C sin(x dx = cos(x + C sinh(x dx = cosh(x +
MehrD-MAVT/D-MATL Analysis I HS 2017 Dr. Andreas Steiger. Lösung - Serie 6. (n+1)!. Daraus folgt, dass e 1/x < (n+
D-MAVT/D-MATL Analysis I HS 2017 Dr. Andreas Steiger Lösung - Serie 6 1. MC-Aufgaben (Online-Abgabe) 1. Für alle ganzen Zahlen n 1 gilt... (a) e 1/x = o(x n ) für x 0 + (b) e 1/x = o(x n ) für x 0 + (c)
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
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
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrSatz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine Teilmenge des nichttrivialen
Mehr1.3 Differenzierbarkeit
1 1.3 Differenzierbarkeit Definition Sei B R n offen, a B, f : B R eine Funktion und v 0 ein beliebiger Vektor im R n. Wenn der Grenzwert D v f(a) := lim t 0 f(a + tv) f(a) t existiert, so bezeichnet man
MehrProf. Dr. H. Brenner Osnabrück SS Analysis II. Vorlesung 50. Hinreichende Kriterien für lokale Extrema
Prof. Dr. H. Brenner Osnabrück SS 205 Analysis II Vorlesung 50 Hinreichende Kriterien für lokale Extrema Wir kommen jetzt zu hinreichenden Kriterien für die Existenz von lokalen Extrema einer Funktion
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrM U = {x U f 1 =... = f n k (x) = 0}, (1)
Aufgabe 11. a) Es sei M = {(x, y, z) R 3 f 1 = xy = 0; f = yz = 0}. Der Tangentialraum T x M muss in jedem Punkt x M ein R-Vektorraum sein und die Dimension 1 besitzen, damit diese Menge M eine Untermannigfaltigkeit
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 x 1, x 2,..., x n ) x 2... f 2 x 1, x 2,..., x n )... x n f m x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man: f
MehrSatz 7. A sei eine nichtleere Teilmenge des nichttrivialen Vektorraums (V, +, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine nichtleere Teilmenge
Mehr1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)
. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
Mehr9 Höhere partielle Ableitungen und die Taylorformel
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 9 Höhere partielle Ableitungen und die Talorformel Definition 91 Sei U R n offen, f : U R m eine Funktion Dann heißt f 2-mal partiell differenzierbar,
Mehri j m f(y )h i h j h m
10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem
Mehrx 2 + y 2 = f x y = λ
Lineare Abbildungen Def Es seien (V 1,+, ) und (V 2,+, ) zwei Vektorräume Eine Abbildung f : V 1 V 2 heißt linear, falls für alle Vektoren u,v V 1 und für jedes λ R gilt: f (u + v) = f (u) + f (v), f (λu)
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
MehrVorlesung mathematische Methoden der klassischen Mechanik
Vorlesung mathematische Methoden der klassischen Mechanik Ich werde mindestens die ersten Vorlesungen mit Beamer halten; die Folien sind auf meiner Homeseite verfügbar. Die Vorlesung wird im Modus 4+2
MehrAnalysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie (KIT) WS 212/13 Institut für Analysis 14.1.213 Prof. Dr. Tobias Lamm Dr. Patrick Breuning Aufgabe 1 Höhere Mathematik I für die Fachrichtung Physik 12. Übungsblatt Sei
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
Mehr2. Isotropie. Beweis: (i) (ii): β U ist nicht ausgeartet. U U = {0} (ii) (iii): β U ist nicht ausgeartet. Da β nicht ausgeartet ist, gilt U = U:
2. Isotropie Im folgenden sei V ein K-Vektorraum der Dimension n. Es sei q eine quadratische Form darüber und β die zugehörige symmetrische Bilinearform. Zudem gelte in K: 1 + 1 0. Notation 2.0: Wir nennen
MehrAnalysis I. Guofang Wang , Universität Freiburg
Universität Freiburg 10.1.2017, 11.1.2017 Definition 1.1 (Ableitung) Die Funktion f : I R n hat in x 0 I die Ableitung a R n (Notation: f (x 0 ) = a), falls gilt: f(x) f(x 0 ) lim = a. (1.1) x x 0 x x
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
Mehr8 Ungleichungen. Themen: Klassische Ungleichungen Konvexe und monotone Funktionen
8 Ungleichungen Themen: Klassische Ungleichungen Konvexe und monotone Funktionen Die Youngsche Ungleichung Aus 0 (a±b) 2 erhalten wir die Youngsche Ungleichung für a, b Ê ab 1 2 a2 + 1 2 b2. Ersetzen wir
MehrGleitspiegelung und Verkettungen von Spiegelung und Parallelverschiebung
Gleitspiegelung und Verkettungen von Spiegelung und Parallelverschiebung Def. Eine Gleitspiegelung ist eine Spiegelung an einer Geraden (Spiegelachse) verknüpft mit einer Translation parallel zu dieser
MehrElemente der Analysis II
Elemente der Analysis II Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 8. Mai 2009 1 / 29 Bemerkung In der Vorlesung Elemente der Analysis I wurden Funktionen
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrMathematik II. Vorlesung 46. Der Gradient
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 46 Der Gradient Lemma 46.1. Es sei K ein Körper und V ein K-Vektorraum, der mit einer Bilinearform, versehen sei. Dann gelten folgende Aussagen
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
MehrÜbungen zur Ingenieur-Mathematik III WS 2012/13 Blatt
Übungen zur Ingenieur-Mathematik III WS 2012/13 Blatt 9 19.12.2012 Aufgabe 35: Thema: Differenzierbarkeit a) Was bedeutet für eine Funktion f : R n R, dass f an der Stelle x 0 R n differenzierbar ist?
MehrKörper- und Galoistheorie
Prof. Dr. H. Brenner Osnabrück SS 2011 Körper- und Galoistheorie Vorlesung 8 Erzeugte Algebra und erzeugter Körper Satz 8.1. Sei K L eine Körpererweiterung und sei f L ein algebraisches Element. Dann ist
MehrKonvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke
Konvexe Mengen Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke xy = {x + t xy 0 t 1} = {(1 t)x + ty 0 t 1} enthält. konvex nicht konvex Lemma
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrExkurs: Klassifikation orthogonaler 2 2-Matrizen.
Exkurs: Klassifikation orthogonaler 2 2-Matrizen. Aussage: Es gilt: (a) Jede orthogonale 2 2 Matrix A mit det(a) = 1 hat das Aussehen cos(α) sin(α) D(α) = sin(α) cos(α), wobei α [0,2π[. Ist sin(α) 0, so
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
MehrKonvexe Mengen. Kanglin,Chen. Universität Bremen, Proseminar WS 04/05
Konvexe Mengen Kanglin,Chen Universität Bremen, Proseminar WS 04/05 Satz. (Satz von Kirchberger) Sei P, Q E n kompakt und nicht leer. Dann gilt: P, Q sind durch eine Hyperebene streng trennbar. Für jede
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
MehrKonversatorium zu Lineare Algebra und Analysis Analysis - Übungsbeispiele
Univ.-Prof. Dr. Radu Ioan Boţ, Axel Böhm Konversatorium zu Lineare Algebra und Analysis Analysis - Übungsbeispiele SS18 A1. Sei f : [, + ) R so, dass und dass ein M existiert mit Zeigen Sie, dass f(s +
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrUmkehrfunktion. g (y) = f (x) 1, x = g(y), Umkehrfunktion 1-1
Umkehrfunktion Ist für eine stetig differenzierbare n-variate Funktion f : D R n die Jacobi-Matrix f (x ) für einen Punkt x im Innern des Definitionsbereiches D R n nicht singulär, so ist f lokal invertierbar,
Mehr4.5 Lokale Extrema und die Hessesche Form
80 Kapitel 4. Differentialrechnung in mehreren Variablen 4.5 Lokale Extrema und die Hessesche Form Sei ab jetzt U R n offen und f:u R eine Funktion. Unter einem lokalen Extremum der Funktion f verstehen
Mehrx y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)
Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f(v) = u} (Andere Bezeichnung: f(v) wird in Analysis-Vorlesung
MehrLemma 10. Die Menge Aff (K n ) aller Affinitäten von K n ist eine Gruppe bezüglich der Verkettung. Beweis. (vgl. Lemma 39 LAAG I sowie
Lemma 10. Die Menge Aff (K n ) aller Affinitäten von K n ist eine Gruppe bezüglich der Verkettung. Beweis. (vgl. Lemma 39 LAAG I sowie Noch ein Beispiel aus Vorl. 1, Seite 10) Zuerst zeigen wir, dass jede
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
Mehrmit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
Mehr8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule
1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier
Mehr4.3 Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen
196 KAPITEL 4. VEKTORRÄUME MIT SKALARPRODUKT 4. Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen In diesem Abschnitt betrachten wir Vektorräume über IR und über C. Ziel ist es, in solchen Vektorräumen
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
Mehr23 Konvexe Funktionen und Ungleichungen
23 Konvexe Funktionen und Ungleichungen 231 Konvexe Funktionen 232 Kriterien für Konvexität 233 Streng konvexe Funktionen 235 Wendepunkte 237 Ungleichung von Jensen 2310 Höldersche Ungleichung 2311 Minkowskische
MehrKonvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke
Konvexe Mengen Def. Eine Teilmenge A R n heißt onvex, wenn sie mit je zwei Punten x,y auch stets deren Verbindungsstrece xy = {x + t xy 0 t } = {( t)x + ty 0 t } enthält. onvex nicht onvex Lemma 2. Der
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
Mehr12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
Mehr5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
Mehr4 Holomorphie-Konvexität. Definition Satz. 42 Kapitel 2 Holomorphiegebiete
42 Kapitel 2 Holomorphiegebiete 4 Holomorphie-Konvexität Wir wollen weitere Beziehungen zwischen Pseudokonvexität und affiner Konvexität untersuchen. Zunächst stellen wir einige Eigenschaften konvexer
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Symmetrische
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
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
MehrP AP 1 = D. A k = P 1 D k P. = D k. mit P 0 3
Matrixpotenzen In Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden Ist die Matrix diagonalisierbar, dann kann diese Berechnung wie folgt vereinfacht werden Sei A eine diagonalisierbare
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
Mehr4.4 Lokale Extrema und die Hessesche Form
74 Kapitel 4 Differentialrechnung in mehreren Variablen 44 Lokale Extrema und die Hessesche Form Sei jetzt wieder U R n offen und f:u R eine Funktion Unter einem lokalen Extremum der Funktion f verstehen
Mehr5.4 Hamilton-Mechanik
5.4 Hamilton-Mechanik 157 5.4 Hamilton-Mechanik Die Lagrangegleichung ist das Mittel zur Wahl zum Lösen allgemeiner mechanischer Aufgaben, wobei es unerheblich ist, welches konkrete Problem und unter Benutzung
MehrHöhere Mathematik II für die Fachrichtung Physik. Übungs- und Scheinklausur
Institut für Analysis SS17 PD Dr. Peer Christian Kunstmann 15.7.17 Dipl.-Math. Leonid Chaichenets, Johanna Richter, M.Sc., Tobias Ried, M.Sc., Tobias Schmid, M.Sc. Höhere Mathematik II für die Fachrichtung
MehrAnalysis II. Vorlesung 47
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Zu einer reellwertigen Funktion Vorlesung 47 interessieren wir uns wie schon bei einem eindimensionalen Definitionsbereich für die Extrema, also Maxima
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
MehrÜbungen zu Differentialgleichungen (WiSe 12/13)
Übungen zu Differentialgleichungen WiSe 2/) Blatt 6 22 November 202 Gruppenübung Aufgabe G Sei f t, p) := p 5, t, p) R 2 Gegeben sei das Anfangswertproblem ẋ = f t,x), x0) = ) Bestimmen sie das maximale
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 09/10. Michael Karow. Themen: Taylor-Entwicklung und lokale Extrema
Vorlesung: Analysis II für Ingenieure Wintersemester 09/10 Michael Karow Themen: Taylor-Entwicklung und lokale Extrema Motivierendes Beispiel: die Funktion f(x, y) = x(x 1) 2 2 y 2. Dieselbe Funktion von
MehrTechnische Universität Berlin
Technische Universität Berlin Fakultät II Institut für Mathematik WS 7/8 W. Stannat, A. Gündel-vom ofe..8 Februar Klausur Analysis II für Ingenieurwissenschaften Lösungsskizze Analysis II für Ingenieurwissenschaften
MehrBasis und Dimension. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
Basis und Dimension Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren aus V. 1) (v i ) i I heißt ein Erzeugendensystem von V, wenn Span(v i ) = V. 2) (v i ) i I heißt Basis von
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
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
Mehr4 Bilinearformen und Skalarprodukte
4 Bilinearformen und Skalarprodukte 4 Grundlagen über Bilinearformen Definition 4 Sei V ein K-Vektorraum Eine Bilinearform b auf V ist eine Abbildung b : V V K mit folgenden Eigenschaften: (B) x, y, z
Mehr