Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
|
|
- Bertold Sternberg
- vor 7 Jahren
- Abrufe
Transkript
1 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 1, x 2 Ω auch λ 1 x 1 + λ 2 x 2 Ω für alle λ 1, λ 2 0. Beispiel 3.2 Für λ 1 = λ 2 = 0 folgt, dass insbesondere 0 in einem konvexen Kegel enthalten sein muss. Nicht jede konvexe Menge ist ein konvexer Kegel, zum Beispiel sind Kreise keine konvexen Kegel. Der Winkelraum mit Scheitel 0 ist ein konvexer Kegel. Der Winkelraum mit Scheitel 0 ist kein konvexer Kegel. Sei a R n, a 0, α R und definiere die Hyperebene H(a, α) = { x R n : a T x = α }. Diese Hyperebene ist eine konvexe Menge. Übungsaufgabe Ist α 0, dann ist 0 H(a, α) und H(a, α) ist kein konvexer Kegel. Im Falle α = 0 ist H(a, α) ein konvexer Kegel H(a, α) = a. Übungsaufgabe Analog gilt für Halbräume H + (a, α) = { x R n : a T x α }, H (a, α) = { x R n : a T x α }, dass diese für α = 0 konvexe Kegel sind und sonst nicht. Eine Menge, die durch Hyperebenen berandet ist, die allesamt den Punkt 0 enthalten, wird auch polyhedrischer Kegel genannt. Polyhedrische Kegel sind konvexe Kegel, insbesondere R n + = {x R n : x 0}. Definition 3.3 Trennung von Mengen. Die Hyperebene H(a, α) trennt die nichtleeren Mengen Ω 1, Ω 2 R n, wenn gilt a T x α x Ω 1 und a T x α x Ω 2. Falls in beiden Relationen die echten Ungleichungen stehen, dann wird die Trennung streng genannt. Lemma 3.4 Sei Ω R n nichtleer, abgeschlossen und konvex und gelte 0 Ω. Dann existiert eine Hyperebene H(a, α) mit α > 0, so dass a T x > α für alle x Ω. 80
2 Beweis: Wir werden eine konkrete Hyperebene angeben. Seien x 1 Ω und B 1 = {x R n : x 2 x 1 2 } eine Kugel mit Radius x 1 2 und Mittelpunkt 0. Dann ist Ω B 1 und der Durchschnitt ist kompakt (abgeschlossen und beschränkt). Damit nimmt die stetige Funktion d(x) = x 2 ihr Minimum über Ω B 1 in einem Punkt x 0 an (Satz von Bolzano Weierstrass), dass heißt es gilt x 2 x 0 2 x Ω B 1. (3.1) Wegen 0 Ω ist x 0 2 > 0. Da die Elemente von Ω, die nicht in Ω B 1 liegen, eine größere Norm als x 1 2 x 0 2 besitzen, gilt (3.1) für alle x Ω. Wegen der Konvexität von Ω ist x 0 +λ (x x 0 ) Ω für alle x Ω und λ (0, 1] und es folgt (1 λ)x 0 + λx 2 = x 0 + λ (x x 0 ) 2 x 0 2 > 0. Quadratur dieser Ungleichung und Ausschreiben der Skalarprodukte ergibt 2λ (x x 0 ) T x 0 + λ 2 (x x 0 ) T (x x 0 ) 0. Division durch λ und dann λ 0 ergibt x T x 0 x T 0 x 0 = x > x > 0 x Ω. Die Hyperebene mit a = x 0 und α = x /2 erfüllt nun die Bedingungen des Lemmas. Eine Folgerung ist der nachfolgende Satz. Satz 3.5 Erster Trennungssatz. Seien Ω 1 abgeschlossen und konvex und Ω 2 kompakt und konvex, Ω 1, Ω 2 R n, mit Ω 1 Ω 2 =. Dann existiert eine Hyperebene H(a, α), die Ω 1 und Ω 2 streng trennt. Beweis: Seien Ω 1 = {x : x = y, y Ω 1 }, Ω 2 Ω 1 = {x : x 1 Ω 1, x 2 Ω 2 mit x = x 2 x 1 }. Diese Mengen sind konvex und abgeschlossen. Da Ω 1 und Ω 2 einen leeren Durchschnitt haben, gilt 0 Ω 2 Ω 1. Nach Lemma 3.4 gibt es eine Hyperebene H(a, α) mit α > 0 und a T (x 2 x 1 ) > α > 0 für alle x 1 Ω 1, x 2 Ω 2. Durch Umstellen dieser Beziehung erhält man inf a T x 2 sup a T x 1 + α > sup a T x 1. x 2 Ω 2 x 1 Ω 1 x 1 Ω 1 Jede Hyperebene H(a, β) mit ( ) β sup a T x 1, inf a T x 2 x 1 Ω 1 x 2 Ω 2 trennt damit Ω 1 und Ω 2 streng. Übungsaufgabe: Notwendigkeit der Kompaktheitsvoraussetzung für strenge Trennung an Beispiel zeigen. Satz 3.6 Jede abgeschlossene konvexe Menge Ω R n ist der Durchschnitt aller abgeschlossenen Halbräume, die Ω enthalten. 81
3 Beweis: Beweisskizze. Bezeichnen wir den Durchschnitt aller abgeschlossenen Halbräume, die Ω enthalten, mit D. Dann ist Ω D klar (Durchschnitt beliebig vieler konvexer Mengen ist konvex). Zu zeigen bleibt D Ω. Das geschieht indirekt, wobei der Widerspruch mit einer trennenden Hyperebene hergeleitet wird (sogenannter zweiter Trennungssatz, Details siehe [ERSD77, Abschnitt 2.1.4]). Der Eckpunkt oder Extrempunkt einer konvexen Menge wurde bereits in Definition 1.10, Teil I, definiert als ein Punkt, für den es keine echte konvexe Linearkombination gibt. Dafür, dass x 0 Ω ein Extrempunkt ist, reicht es bereits aus, dass man keine x 1, x 2 Ω findet, so dass x 0 = 1 2 x x 2. x 1, x 2 x 0, Übungsaufgabe Satz 3.7 Jede nichtleere, kompakte, konvexe Menge Ω R n einen Extrempunkt. besitzt mindestens Beweis: x Ω. Sei Da Ω kompakt ist, gibt es ein x 0 R n mit x 0 2 x 2 für alle x 0 = 1 2 x x 2 = x (x 2 x 1 ) = x (x 1 x 2 ) für x 1, x 2 Ω, x 1, x 2 x 0. Damit folgt x x = x x 2 x (x 2 x 1 ) T x 1. }{{} 0, da x 0 2 x 1 2 Das heißt x 2 x (x 2 x 1 ) T x 1 und analog x 2 x (x 1 x 2 ) T x 2 = 4 (x 2 x 1 ) T x 2. Addition der Ungleichungen ergibt 2 x 2 x (x 2 x 1 ) T (x 2 x 1 ) = 4 x 2 x und damit x 2 = x 1 = x 0. Somit ist x 0 ein Extrempunkt. 3.2 Konvexe und konkave Funktionen Definition 3.8 Konvexe, konkave Funktion. Die Funktion f : Ω R n R heißt konvex, wenn für beliebige x 1, x 2 Ω gilt Sie heißt konkav, wenn f ((1 λ)x 1 + λx 2 ) (1 λ)f(x 1 ) + λf(x 2 ) λ [0, 1]. f ((1 λ)x 1 + λx 2 ) (1 λ)f(x 1 ) + λf(x 2 ) λ [0, 1]. Gilt die echte Ungleichung spricht man von strenger Konvexität (Konkavität). Beispiel 3.9 Die lineare Funktion f(x) = c T x mit c R n ist konvex und konkav in R n, jedoch nicht streng. 82
4 Beispiel 3.10 Jede über R n positiv semidefinite Bilinearform f(x) = x T Ax mit A = A T R n n ist konvex. Sei nämlich dann gilt x = (1 λ)x 1 + λx 2 = x 1 + λ(x 2 x 1 ), x 1 x 2 R n, λ [0, 1], x T Ax = x T 1 Ax 1 + 2λ(x 2 x 1 ) T Ax 1 + }{{} λ 2 (x 2 x 1 ) T A(x 2 x 1 ) }{{} λ 0 x T 1 Ax 1 + 2λ(x 2 x 1 ) T Ax 1 + λ(x 2 x 1 ) T A(x 2 x 1 ) = x T 1 Ax 1 + λ(x 2 x 1 ) T A (x 1 + x 2 ) = (1 λ)x T 1 Ax 1 + λx T 2 Ax 2. Analog zeigt man, dass - A ist positiv definit, dann ist f(x) streng konvex, - A ist negativ semidefinit, dann ist f(x) konkav, - A ist negativ definit, dann ist f(x) streng konkav. Beispiel 3.11 Sind die Funktionen f j (x), j = 1,..., k, über Ω R n konvex, dann ist auch die Linearkombination konvex. f(x) = k α j f j (x), j=1 α j 0 j Zur Stetigkeit von konvexen Funktionen gibt es folgende Aussage. Satz 3.12 Seien Ω R n konvex und das Innere der Menge, int(ω), nichtleer. Dann ist jede konvexe Funktion f : Ω R stetig in int(ω). Beweis: Siehe Literatur, zum Beispiel [ERSD77, Satz 2.65]. Man prüft die ε δ Definition nach. Beispiel 3.13 Nichtstetige konvexe Funktion über konvexer Menge. Stetigkeit bis auf den Rand muss bei einer konvexen Funktion im allgemeinen nicht vorliegen. Die konvexe Funktion f : [1, 2] R mit { 1/x für x [1, 2) f(x) = 2 für x = 2 ist ein Beispiel. Jetzt werden einige Bedingung dafür gegeben, dass ein Funktion auf einer konvexen Menge konvex ist. Zunächst wird eine Monotonieaussage für den Differenzenquotienten gegeben. Lemma 3.14 Seien Ω R n eine offene konvexe Menge, f : Ω R mit f C 1 (Ω) eine konvexe Funktion, x 0 Ω, h R n, x 0 νh Ω und x 0 + ρh Ω für gewisse ν, ρ > 0. Dann gilt f(x 0 ) f(x 0 νh) ν für alle µ (0, ν], λ (0, ρ]. f(x 0) f(x 0 µh) µ f(x 0 + λh) f(x 0 ) λ f(x 0 + ρh) f(x 0 ) ρ 83
5 Beweis: Übungsaufgabe Damit ist für konvexe Funktionen der Differenzenquotient im Punkt x 0 in Richtung h eine monoton wachsende Funktion von λ. Satz 3.15 Sei Ω R n eine offene konvexe Menge und f : Ω R mit f C 1 (Ω). Dann ist f auf Ω genau dann konvex, wenn für alle x 0, x 1 Ω mit x 0 x 1 gilt f(x 1 ) f(x 0 ) (x 1 x 0 ) T f(x 0 ). (3.2) Beweis: 1) Notwendigkeit von (3.2). Da f differenzierbar ist, gilt für die Richtungsableitung in Richtung h R n mit h 2 = 1 f h (x 0) = h T f(x 0 + λh) f(x 0 ) f(x 0 λh) f(x 0 ) f(x 0 ) = lim = lim, λ 0 λ λ 0 λ wobei bei der letzten Gleichung λ durch λ ersetzt wurde. Nach Lemma 3.14 gilt alle ρ > 0 mit x 0 + ρh Ω (nehme λ 0 in Lemma 3.14 ) f(x 0 + ρh) f(x 0 ) ρ h T f(x 0 ) oder f(x 0 + ρh) f(x 0 ) + ρh T f(x 0 ). Wählt man x 1 = x 0 + ρh, so ergibt sich (3.2). 2) Hinlänglichkeit von (3.2). Sei λ 0 > 0 beliebig gewählt, setzte λ 1 = 1 λ 0. Dann gilt für x 2 = λ 0 x 0 + λ 1 x 1 nach Voraussetzung f(x 0 ) f(x 2 ) (x 0 x 2 ) T f(x 2 ), f(x 1 ) f(x 2 ) (x 1 x 2 ) T f(x 2 ). Damit folgt ( T λ 0 f(x 0 ) + λ 1 f(x 1 ) f(x 2 ) + λ 0 (x 0 x 2 ) + λ 1 (x 1 x 2 )) f(x2 ) ) T (λ 0 x 0 + λ 1 x 1 x 2 = f(x 2 ) + } {{ } =0 = f(x 2 ) = f(λ 0 x 0 + λ 1 x 1 ) f(x 2 ) für alle x 0, x 1 Ω. Für eine zweimal stetig differenzierbare Funktion f : Ω R, Ω R n, offen, ist die Hesse Matrix ( 2 ) f H f (x) := x i x j (x) i,j=1,...,n symmetrisch (Satz von Schwarz). Liegt zusammen mit x 0, x 1 die Strecke [x 0, x 1 ] vollständig in Ω, so gilt für eine geeignete Zahl λ (0, 1) nach dem Satz von Taylor f(x 1 ) = f(x 0 )+(x 1 x 0 ) T f(x 0 )+ 1 2 (x 1 x 0 ) T H f (x 0 +λ(x 1 x 0 ))(x 1 x 0 ). (3.3) Satz 3.16 Seien Ω R n eine offene konvexe Menge und f : Ω R mit f C 2 (Ω). Dann ist f auf Ω genau dann konvex, wenn H f (x) positiv semidefinit ist für alle x Ω. 84
6 Beweis: 1.) Sei H f (x) positiv semidefinit. Dann folgt aus (3.3) für beliebige x 0, x 1 Ω und eine geeignete Zahl λ (0, 1) f(x 1 ) f(x 0 ) (x 1 x 0 ) T f(x 0 ) = 1 2 (x 1 x 0 ) T H f (x 0 + λ(x 1 x 0 ))(x 1 x 0 ) 0. Aus Satz 3.15 folgt, dass f(x) konvex ist. 2) Sei f(x) konvex auf Ω. Seien x 0 Ω und h R n beliebig gegeben. Da Ω offen ist, gibt es eine Zahl θ 0 > 0 so dass x 0 + θh Ω für alle θ (0, θ 0 ]. Wählt man in (3.2) x 1 = x 0 + θh, erhält man Aus (3.3) folgt nun f(x 0 + θh) f(x 0 ) θh T f(x 0 ) 0 θ (0, θ 0 ]. h T H f (x 0 + λθh)h 0 θ (0, θ 0 ] mit λ (0, 1). Da die Hesse Matrix nach Voraussetzung stetig ist, folgt für θ +0 h T H f (x 0 )h 0. Da x 0 Ω und h R n beliebig gewählt wurden, ist H f (x) in jedem Punkt x Ω positiv semidefinit. Eine skalare Funktion einer skalaren Veränderlichen f : (a, b) R mit f C 2 (a, b) ist konvex, wenn f (x) 0 in (a, b), zum Beispiel die Funktion f(x) = x 2. Bemerkung 3.17 Es gibt Verallgemeinerungen des Begriffs der konvexen Funktion, zum Beispiel quasi konvex und explizit konvex, siehe Literatur. 3.3 Ungleichungen und konvexe Mengen Satz 3.18 Die Funktion f : Ω R n R sei konvex, Ω sei konvex und sei b R. Dann ist V = {x Ω : f(x) b} konvex. Beweis: Zu zeigen ist: x 1, x 2 V = x = (1 λ)x 1 + λx 2 V für alle λ [0, 1]. Aus f(x 1 ), f(x 2 ) b folgt aus der Konvexität von f Damit ist x V. f(x) (1 λ)f(x 1 ) + λf(x 2 ) b. Bemerkung ) Die Menge V aus Satz 3.18 heißt Unterhalbmenge von f(x) in Ω zum Wert b. 2.) Die Niveaumenge {x Ω : f(x) = b} der konvexen Funktion f(x) ist im allgemeinen nicht konvex. Zum Beispiel besteht die Niveaumenge zu b = 1 der konvexen Funktion f(x) = x 2, x R, aus den Punkten 1 und 1. Folgerung 3.20 Sei f : Ω R n R konkav, sei Ω konvex und sei b R. Dann ist U = {x Ω : f(x) b} konvex. Beweis: Nutze Satz 3.18 mit f(x), da diese Funktion konvex ist. 85
7 3.4 Extrema von konvexen Funktionen Es wird die Frage untersucht, unter welchen Bedingungen eine konvexe Funktion ihr globales Minimum über einer gegebenen konvexen Menge Ω annimmt. Satz 3.21 Sei f : Ω R eine konvexe Funktion über einer konvexen Menge Ω. Dann ist ein lokales Minimum von f(x) in Ω zugleich das globale Minimum über Ω. Beweis: Indirekt. Nehme f(x) ein lokales Minimum in x 0 Ω an. Sei weiter x Ω mit f(x ) < f(x 0 ). Aus der Konvexität von f(x) folgt f((1 λ)x 0 + λx ) (1 λ)f(x 0 ) + λf(x ) = f(x 0 ) + λ (f(x ) f(x 0 )) < f(x 0 ) für alle λ (0, 1), da f(x ) < f(x 0 ). Aus der Konvexität von Ω folgt, dass der Funktionswert im Zwischenpunkt wohldefiniert ist. Wählt man λ < ε so ist der Zwischenpunkt beliebig nahe an x 0 und die obige Ungleichung steht im Widerspruch dazu, dass f(x) in x 0 ein lokales Minimum annimmt. Beispiel 3.22 Konvexe Funktion über konvexer Menge ohne Annahme eines lokalen Minimums. Der obige Satz kann nur angewendet werden, wenn es ein lokales Minimum gibt, das angenommen wird. Das muss nicht der Fall sein. Die konvexe Funktion aus Beispiel 3.13 nimmt ihr Minimum nicht an. Folgerung 3.23 Die Menge Ω 0, über der eine konvexe Funktion f : Ω R über einer konvexen Menge Ω das globale Minimum annimmt, ist konvex. Beweis: Folgt aus Satz Satz 3.24 Sei f(x) C 1 (Ω) über einer konvexen Menge Ω konvex. Dann nimmt f(x) in jedem x 1 Ω mit f(x 1 ) = 0 sein globales Minimum über Ω an. Beweis: Es ist zu zeigen, dass alle Punkte x 1 Ω mit f(x 1 ) = 0 wirklich Extremalpunkte sind und zudem Minima. Sei x 1 Ω mit f(x 1 ) = 0. Da f(x) konvex ist, gilt f (λx 2 + (1 λ)x 1 ) (1 λ)f(x 1 ) + λf(x 2 ) = f(x 1 ) + λ (f(x 2 ) f(x 1 )) für alle x 2 Ω und λ [0, 1]. Für λ (0, 1] erhält man daraus f (x 1 + λ(x 2 x 1 )) f(x 1 ) λ f(x 2 ) f(x 1 ). Nach dem Mittelwertsatz der Differentialrechnung gibt es ein θ [0, 1] mit (x 2 x 1 ) T f (x 1 + θλ(x 2 x 1 )) f(x 2 ) f(x 1 ). Für λ 0 folgt nun mit f(x 1 ) = 0 0 = (x 2 x 1 ) T f (x 1 ) f(x 2 ) f(x 1 ), also f(x 1 ) f(x 2 ) für alle x 2 Ω. 86
Teil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 67 Kapitel 1 Einleitung Bemerkung 1.1 Problemklasse. In diesem Abschnitt wird die Optimierung von Funktionen min x Ω {f(x)} betrachtet, wobei Ω R n eine abgeschlossene
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
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
MehrÜbungen zu Grundlagen der Mathematik 2 Lösungen Blatt 12 SS 14. Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion.
Übungen zu Grundlagen der Mathematik Lösungen Blatt 1 SS 14 Prof. Dr. W. Decker Dr. M. Pleger Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion f : U R, (x, y) x y x + y, im Punkt (1, 1) bis einschließlich.
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
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,
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrMIA Analysis einer reellen Veränderlichen WS 06/07. Kapitel VI. Differenzierbare Funktionen in einer Veränderlichen
Version 01.02. Januar 2007 MIA Analysis einer reellen Veränderlichen WS 06/07 Kurzfassung Martin Schottenloher Kapitel VI. Differenzierbare Funktionen in einer Veränderlichen In diesem Kapitel werden differenzierbare
MehrKonvexe Optimierungsprobleme
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
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
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:
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
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
Mehr8.1. DER RAUM R N ALS BANACHRAUM 17
8.1. DER RAUM R N ALS BANACHRAUM 17 Beweis. Natürlich ist d 0 und d(x, y) = 0 genau dann, wenn x = y. Wegen (N2) ist x = x und damit d(x, y) = d(y, x). Die letzte Eigenschaft einer Metrik schließt man
Mehr1 Die direkte Methode der Variationsrechnung
Die direkte Methode der Variationsrechnung Betrachte inf I(u) = f(x, u(x), u(x)) dx : u u + W,p () wobei R n, u W,p mit I(u ) < und f : R R n R. (P) Um die Existenz eines Minimierers direkt zu zeigen,
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 2: Konvexe Mengen und Kegel Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. April 2010) Gliederung 2 Konvexe Mengen
MehrD-MATH, D-PHYS, D-CHAB Analysis II FS 2018 Prof. Manfred Einsiedler. Übungsblatt 6. f(x, y, z) = xyz + 3e x y
D-MATH, D-PHYS, D-CHAB Analysis II FS 2018 Prof. Manfred Einsiedler Übungsblatt 6 1. Es seien f : R 2 R 3 und g : R 3 R 3 die Funktionen definiert durch x cos(y) 2 y 2 f(x, y) = x sin(y) und g(x, y, z)
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
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
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
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
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
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.
MehrÜbersicht. 1. Motivation. 2. Grundlagen
Übersicht 1. Motivation 2. Grundlagen 3. Analysis 3.1 Folgen, Reihen, Zinsen 3.2 Funktionen 3.3 Differentialrechnung 3.4 Extremwertbestimmung 3.5 Nichtlineare Gleichungen 3.6 Funktionen mehrerer Variabler
MehrOptimierungstheorie Scheinklausur Sommersemester Juli 2007
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Prof. Dr. Christian Wieners, Dipl.-Math. techn. Martin Sauter Institut für Angewandte und Numerische Mathematik Optimierungstheorie Scheinklausur
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,
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,
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
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.
MehrVorlesung Mathematik für Ingenieure 2 (Sommersemester 2009)
1 Vorlesung Mathematik für Ingenieure 2 (Sommersemester 2009) Kapitel 10: Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 27. März 2009) Differenzialrechnung
Mehr19.2 Mittelwertsatz der Differentialrechnung
19 Mittelwertsätze der Differentialrechnung mit Anwendungen 19.1 Satz von Rolle 19.2 Mittelwertsatz der Differentialrechnung 19.4 Globaler Wachstumssatz 19.6 Verallgemeinerter Mittelwertsatz der Differentialrechnung
Mehrsign: R R, sign(x) := 0 falls x = 0 1 falls x < 0 Diese ist im Punkt x 0 = 0 nicht stetig, denn etwa zu ε = 1 finden wir kein δ > 0
ANALYSIS FÜR PHYSIK UND VERWANDTE FÄCHER I 81 3. Stetigkeit 3.1. Stetigkeit. Im Folgenden sei D R eine beliebige nichtleere Teilmenge. Typischerweise wird D ein allgemeines Intervall sein, siehe Abschnitt
MehrKonvexe Mengen und konvexe Funktionen
Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl I: Analysis Ausarbeitung Analysis III Seminar Konvexe Mengen und konvexe Funktionen Name: Jessica Prang Datum: 14.04.2015 Seminarleiter:
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
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel IV SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
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
Mehr6 Weiterer Ausbau der Differentialrechnung
6 Weiterer Ausbau der Differentialrechnung 6.1 Mittelwertsätze, Extremwerte, Satz von Taylor Motivation: Wie wählt man Höhe und Durchmesser einer Konservendose, so dass bei festem Volumen V möglichst wenig
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
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrGewöhnliche Differentialgleichungen Woche 6. Existenz nach Picard-Lindelöf
d Gewöhnliche Differentialgleichungen Woche 6 Existenz nach Picard-Lindelöf 6.1 Vorbereitung für den Existenzsatz 6.1.1 Stetigkeit und Lipschitz-Stetigkeit Definition 6.1 Seien (V 1, 1 und (V 2, 2 zwei
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)
Mehr4. Anwendung der Differentialrechnung: Kurvendiskussion 4.1. Maxima und Minima einer Funktion.
4. Anwendung der Differentialrechnung: Kurvendiskussion 4.1. Maxima und Minima einer Funktion. Definition 4.3. Es sei f : R D R eine auf D erklarte Funktion. Die Funktion f hat in a D eine globales oder
MehrVorlesung Mathematik für Ingenieure II (Sommersemester 2008)
Vorlesung Mathematik für Ingenieure II (Sommersemester 8) Kapitel : Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 8. Mai 8) Differenzialrechnung R R 4
MehrKommutativität. De Morgansche Regeln
1. Formale Logik Proposition 1.1. Die logischen Elementarverknüpfungen gehorchen folgenden Äquivalenzen: (1.1) (1.2) p p p p p p Idempotenz (1.3) (1.4) p q q p p q q p Kommutativität (1.5) (1.6) (p q)
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(
MehrAnwendungen der Differentialrechnung
KAPITEL 7 Anwendungen der Differentialrechnung 7.1 Maxima und Minima einer Funktion................. 141 7.2 Mittelwertsatz............................ 144 7.3 Kurvendiskussion..........................
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 Satz von Krein-Milman und der Satz von der trennenden Hyperebene
Der Satz von Krein-Milman und der Satz von der trennenden Hyperebene Sascha Schleef 28.10.2011 Ausarbeitung im Rahmen des Proseminars Analysis auf Grundlage des Buches A course in convexity von Alexander
MehrMathematischer Vorkurs NAT-ING II
Mathematischer Vorkurs NAT-ING II (02.09.2013 20.09.2013) Dr. Jörg Horst WS 2013-2014 Mathematischer Vorkurs TU Dortmund Seite 1 / 252 Kapitel 7 Differenzierbarkeit Mathematischer Vorkurs TU Dortmund Seite
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
Mehr(alternierendes Vorzeichen) a n := ( 1)n n + 1 a n := 3n 2 7n a n := n(n 1)(n 2), n 3
ANALYSIS FÜR PHYSIK UND VERWANDTE FÄCHER I 43 2. Folgen und Reihen Folgen und Reihen werden in jedem Analysislehrbuch besprochen, siehe etwa [H, Kapitel III], [K, Kapitel 5], [J2, Kapitel 23] oder [M,
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
Mehr12 Extremwerte und Monotonie
5 II. Differentialrechnung 1 Extremwerte und Monotonie Lernziele: Resultate: Existenz von Maxima und Minima stetiger Funktionen auf kompakten Intervallen, Monotoniesatz Kompetenzen: Bestimmung lokaler
MehrDer Satz von Hahn-Banach und seine geometrische Bedeutung Seminararbeit im Rahmen des PS Funktionalanalysis 2 SS 2008
Der Satz von Hahn-Banach und seine geometrische Bedeutung Seminararbeit im Rahmen des PS Funktionalanalysis 2 SS 2008 Brigitte Kertelits (9925250) 16. November 2008 1 Zusammenfassung Diese Arbeit befasst
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
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 +
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
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
MehrMusterlösung Klausur zu Analysis II. Verständnisteil
Technische Universität Berlin SS 2009 Institut für Mathematik 20.07.2009 Prof. Dr. R. Schneider Fritz Krüger Sebastian Holtz Musterlösung Klausur zu Analysis II Verständnisteil 1. (a) Sei D R n konvex
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
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
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
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
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
Mehr14 Ljapunov-Funktionen
14 Ljapunov-Funktionen 67 14 Ljapunov-Funktionen 14.1 Gradientenfelder. a Ein Vektorfeld v C 1 D, R n besitze ein Potential U C 2 D, R, d.h. es sei v = gradu. Dann ist Dvx = HUx symmetrisch, und man hat
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
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
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
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
MehrTopologische Begriffe
Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer
MehrExtremwertrechnung in mehreren Veränderlichen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann SS 2014 14.05.2014 Höhere Mathematik II für die Fachrichtung Informatik 3. Saalübung (14.05.2014) Extremwertrechnung
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
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
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
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
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
MehrGewöhnliche Differentialgleichungen Woche 7. Globale Existenz einer Lösung
Gewöhnliche Differentialgleichungen Woche 7 Globale Existenz einer Lösung 7.1 Von lokal zu global Wir betrachten wiederum das Anfangswertproblem { y (x = f (x, y(x, y( = y 0. (7.1 Eine erste Erweiterung
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrMonotone Funktionen. Definition Es sei D R. Eine Funktion f : D R heißt. (ii) monoton fallend, wenn für alle x, x D gilt. x < x f (x) f (x ).
Monotone Funktionen Definition 4.36 Es sei D R. Eine Funktion f : D R heißt (i) monoton wachsend, wenn für alle x, x D gilt x < x f (x) f (x ). Wenn sogar die strikte Ungleichung f (x) < f (x ) folgt,
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
MehrNachklausur Analysis 2
Nachklausur Analysis 2. a) Wie ist der Grenzwert einer Folge in einem metrischen Raum definiert? Antwort: Se (a n ) n N eine Folge in dem metrischen Raum (M, d). Diese Folge besitzt den Grenzwert g M,
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
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:
MehrNewton- und und Quasi-Newton-Methoden in der Optimierung. János Mayer
Newton- und und Quasi-Newton-Methoden in der Optimierung János Mayer 1 GLIEDERUNG Newton-Methode für nichtlineare Gleichungen nichtlineare Gleichungssysteme freie Minimierung. Quasi-Newton-Methoden für
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 +
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
MehrKompetenz: Verinnerlichung des Mittelwertsatzes Daraus ergibt sich leicht der wichtige Mittelwertsatz der Differentialrechnung:
16 Mittelwertsätze und Anwendungen 71 16 Mittelwertsätze und Anwendungen Lernziele: Konzepte: Konvexität und Konkavität Resultate: Mittelwertsätze der Differentialrechnung Methoden: Regeln von de l Hospital
MehrMusterlösung - Aufgabenblatt 7. Aufgabe 1
Musterlösung - Aufgabenblatt 7 Aufgabe Sei C R n eine nicht-leere abgeschlossene und konvexe Menge. Wir wollen zeigen, dass C als der Durchschnitt ihrer stützenden Halbräume dargestellt werden kann, d.h.
MehrHolomorphe Funktionen
1 Kapitel 1 Holomorphe Funktionen 1 Komplexe Differenzierbarkeit Ist z = (z 1,..., z n ) ein Element des C n und z ν = x ν + i y ν, so können wir auch schreiben: z = x + i y, mit x = (x 1,..., x n ) und
Mehr