9 Höhere partielle Ableitungen und die Taylorformel
|
|
- Benedict Tiedeman
- vor 6 Jahren
- Abrufe
Transkript
1 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, falls f 1-mal partiell differenzierbar ist, und alle partiellen Ableitungen : U R m wieder partiell differenzierbar sind Wir schreiben dann f x i 2 f x j x i für x j f (also jede j-te partielle Ableitung von f x i Analog sagen wir, dass f k-mal partiell differenzierbar ist, wenn alle iterten partiellen Ableitungen ( ( f k f =: x ik x ik 1 x i2 x i1 x ik x i1 existieren (und dann natürlich auch alle partiellen Ableitungen kleinerer Ordnung f heißt k-mal stetig partiell differenzierbar, falls f k-mal partiell differenzierbar und alle partiellen Ableitungen der Ordnung k stetig sind x Beispiel 92 f : R 2 R; f = e x Dann gilt 2 f x 2 ( x 2 f x ( x := 2 f x x x i f x = e x f x = xe x x = e x + xe x 2 f x = e x + xe x x x = 2 e x 2 f x := 2 f 2 x = x 2 e x (allgemein: 2 f = 2 f x i x i x 2 i Beobachtung: Es gilt 2 f x = 2 f Ist das Zufall? x Satz 93 Sei U R n offen, f : U R m 2-mal stetig partiell differenzierbar Dann gilt für alle 1 i, j n: 2 f = 2 f x j x i x i x j (dh es ist nicht wichtig, in welcher Reihenfolge nach den einzelnen Variablen differenziert wird Achtung: Der Satz gilt nicht, wenn f nur 2-mal partiell differenzierbar ist, also die 2-ten Ableitungen nicht stetig sind (siehe Blatt 8 für ein Gegenbeispiel getext: Julia Wolters 67
2 Prof Dr Siegfried Echterhoff Analsis 2 Vorlesung SS 29 Beweis: Nach Zerlegung von f in Komponentenfunktionen können wir also obda f : U R annehmen Ist i = j, so ist die Behauptung klar Ist i < j, so sei x U fest und betrachte p : R 2 R n definiert durch p s x t + se i + te j = x + s i-te Stelle t j-te Stelle Setzte Ũ = p 1 (U R 2 Da p stetig ist Ũ R2 offen Sei g : Ũ R; g ( s f p t Dann gilt: g = f(x und die Kettenregel liefert: g s s = f ( p t x i s, t g t s = f ( p t x j ( und 2 g s = 2 f s p (usw s t t x i x j t Insbesondere ist auch g 2-mal stetig partiell differenzierbar! Es genügt dann zu zeigen, dass 2 g t s = 2 g s t s t Dazu wähle δ > mit ( δ, δ ( δ, δ Ũ (existiert, da Ũ R2 offen mit Für t ( δ, δ definiert F t : ( δ, δ R; F t (s = g s t s s t Ũ Dann ist F t stetig differenzierbar und nach dem 1 Mittelwertsatz existiert zu jedem s ( δ, δ ein σ [, δ] (bzw [δ, ] falls δ < mit ( g F t (s F t ( = F t(σs = s σ g t s σ s ( = 68 getext: Julia Wolters
3 Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff Da nach Voraussetzung t g σ differenzierbar auf ( δ, δ existiert wieder nach 1 s t Mittelwertsatz ein τ [, t] (bzw τ [t, ] mit g σ g σ = 2 g σ t ( s τ s t s τ ( ( liefert s g g t s g + g t Def von F t = Ft (s F t ( = st 2 g t s σ τ Vertauschen wir die Rollen von s und t in der obigen Rechnung, so erhalten wir völlig analog σ, τ mit σ s, τ t und s s g g g + g = st 2 g ( σ t t s t τ Für s, t erhalten wir 2 g ( σ = 2 g σ s t τ t s τ Wähle nun s n = t n = 1 und sei τ n n, τ n, σ ( n, σ n die ( zugehörigen Werte wie oben Wegen τ n, τ n s n = 1, σ n n, σ n 1 gilt σn σn,, und da 2 g n τ n τ n t s und 2 g s t stetig sind, folgt: σn σn 2 g t s ( 2 g = lim n t s τ n 2 g = lim n s t τ n = 2 g t s Folgerung 94 Sei U R n offen, f : U R m k-mal stetig partiell differenzierbar Dann gilt für 1 i 1,, i k n und jede Permutation τ : {1,, k} {1,, k}: k f x ik x i1 = k f x iτ(k x iτ(1 dh die k-ten Ableitungen hängen nur davon ab, wie oft nach einer gegebenen Variablen differenziert wird, nicht aber in welcher Reihenfolge dies geschieht Beweis: Folgt leicht durch Induktion und nach Anwendung des Satzes auf die k-2-ten Ableitungen von f Um die höheren Ableitungen etwas handlicher zu machen, ist es nützlich mit Multiindices zu arbeiten: Notation 95 (Multiindex Sei n N fest Ein n-facher Multiindex ist ein Element α = (α 1,, α n N n (also α i N, 1 i n getext: Julia Wolters 69
4 Prof Dr Siegfried Echterhoff Analsis 2 Vorlesung SS 29 Wir setzten α = α α n N Ist α = k und ist f k-mal stetig partiell differenzierbar, so setzten wir α f (x := xα x αn α f n x α (x 1 1 x U Nach Folgerung 94 können wir jede k-te partielle Ableitung von f so schreiben Wir benötigen noch weitere Multiindex Notationen: Ist α N n, h R n, so setzten wir: h α := h α 1 1 h α 2 2 h αn n und wir definieren α! := α 1! α 2! α n! 1 Beispiel: α = (3, 1, 4, x = x α = x = und α! = 3! 1! 4! = = Ist f : R 3 R; so α f x = 8 f α x 4 3 x 2 x 3 1 Wir wollen nun eine Talorformel für (k+1-mal stetig partiell differenzierbarer Funktionen f : U R n R herleiten Zur Erinnerung: Ist I R Intervall, x I, f : I R k+1-mal stetig differenzierbar, so leutet die Talor-Formel: f(x +h = f(x +f (x h+ + 1 n! f (k (x h k +R k+1 (h = k j= f (j (x h j + f (k+1 (x + θh h k+1 j! (k + 1! }{{} =R k+1 (h Lagrange Restglied für ein geeignetes θ [, 1] Lemma 96 Sei U R n offen, f : U R k-mal stetig partiell differenzierbar, und seien x U und h R n mit x +th U für alle t [, 1] Sei g : [, 1] R; g(t = f(x +th Dann ist g k-mal stetig differenzierbar mit g (k (t = α =k k! α f α! x (x α + thh α ( Beweis: Induktion nach k: k = : g ( (t = f(x + th α = α=(,, = α =! f(x α! + thh α k k + 1: Sei nun f k+1-mal stetig differenzierbar Nach Induktionsvoraussetzung gilt 7 getext: Julia Wolters
5 Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff ( Mit Kettenregel folgt dann g (k+1 (t = = n k! α f x j α! x (x α + thh α h j j=1 n j=1 α =k α =k k! α+e j f α! x (x α+e + thh α+e j j ( mit e j = (,,, 1 j-te Stelle,,, Nn Nun gilt: Ist β N n mit β = k + 1 und sind β j1,, β jl die Komponenten von β die sind, so lässt sich β auf genau l-facher Weise als Summe α + e j schreiben, nämlich für alle j {j 1,, j l } 1-mal (dann α = β e j N Der Summand β f x β (x + thh β tritt daher in der obigen Summe mit dem Faktor ( k! (β e j1! + + k! (β e jl! = k! βj1 β! + + β j l β! = k! β! (β j β jl = }{{} =k+1 (k + 1! β! auf Damit folgt: g (k+1 (t = β =k+1 (k + 1! β f β! x (x β + thh β Aus dem Lemma folgt nun sehr leicht die allgemeine Talorformel: Satz 97 (Talorformel Seien U R n offen, f : U R n R k+1-mal stetig partiell differenzierbar, x U und h R n mit x + th U t [, 1] Dann existiert ein θ [, 1] mit k f(x = α! x (x α + θhh α l= α =l Beweis: Dies folgt nun direkt aus Lemma 96 und der Talorformel für g(t = f(x +th, denn diese liefert f ein θ [, 1]: f(x + h = g(1 = 96 = k l= k α =l l= g (l ( l! g(l+1 (θ (l + 1! 1 l+1 x (x h α + α α! α =l+1 α! x (x α + θhh α In einer kleineren Umgebung von x approximiert das Talorpolnom die gegebene Funktion extrem gut! getext: Julia Wolters 71
6 Prof Dr Siegfried Echterhoff Analsis 2 Vorlesung SS 29 Satz 98 Sei f : U R n R k-mal stetig partiell differenzierbar, und sei x U Sei R : U R die Restfunktion k R(x = f(x α! x (x (x x α α ( l= α =l R(x ( Dann ist R stetig mit lim = x x x x k ε > δ > mit R(x < ε x x k x U δ (x ( Ist alse k groß, so wird der Fehler nahe x extrem klein! Beweis: ( liefert sofort, dass R stetig ist, da alle Summanden auf der rechten Seite stetig sind Schreibe nun h := x x Dann folgt mit Talorformel: θ n [, 1] mit also folgt f(x = f(x + h = α <k R(x + h = α =k α! x (x h α + α α! x (x α + θ n hh α α =k α! x (x h α α f α x (x h α }{{ α } =r α(h Da f k-mal stetig partiell differenzierbar, und da x + θ n h x für h gilt r α (h für h Ferner gilt für α = k: h α h α h k 2 = hα 1 1 h αn n h k 2 = h 1 α 1 h α 1 2 h n αn, h αn 2 da h j h 2 für alle 1 j n gilt Damit folgt R(x + h h k 2 α =k 1 α! r α(h für h Da jede Norm äquivalent zu 2 gilt die Aussage dann auch für jede beliebige Norm auf R n Notation 99 Wir bezeichnen von nun an das Polnom T k f(x := α k α! x (x (x x α α 72 getext: Julia Wolters
7 Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff als das k-te Talorpolnom von f im Entwicklungspunkt x Wir wollen nun im folgenden den Fall k = 2 genauer betrachten Dazu definieren wir für jede 2-mal stetig partiell differenzierbarfunktion f : U R n R die Hesse-Matrix A f (x von f im Punkt x durch A f (x = ( 2 f x j x i (x 1 i,j n Da 2-mal stetig partiell differenzierbar, ist A f (x nach Satz 93 eine smmetrische Matrix, also A f (x t = A f (x A f (x ist die 2-te Ableitung von f im Punkt x Satz 91 Sei f : U R n R 2-mal stetig partiell differenzierbar, und sei x U Dann filt für das 2-te Talorpolnom T 2 f(x im Entwicklungspunkt x : T 2 f(x + hf(x + f(x, h A f(x h, h ( Für den Fehler R(x = f(x T 2 f(x gilt dann lim x x R(x x x 2 2 Beweis: Der letzte Satz folgt sofort aus 98 im Fall k = 2 Nun zur Formel ( : Nach Definition gilt α = : α α = T 2 f(x + h = f α 2 α! x (x h α α (x x α h α = 1 (x! x h = f(x 2 l= α =l = α! x (x h α α α = 1: In diesem Fall gilt α = e j = (,,, 1 j,,, für 1 j n und es folgt α =2 α =1 α! x (x h α = α n j=1 f x j (x h j = f(x, h α = 2: In diesem Fall gilt entweder α = 2e j oder α = e i + e j mit i < j Damit folgt n α! x (x h α 1 2 f = (x α 2 x 2 h 2 j + 2 f h i h j j= j x j x i j<l = 1 2 = 1 2 n j=1 2 f (x x 2 h 2 j + 1 j 2 ( n n j=1 i=1 = 1 2 A f(x h, h n i,j=1 i j 2 f x j x i (x h i 2 f x j x i (x h i h j h j Damit folgt: T 2 f(x + h = f(x + f(x, h A f(x h, h getext: Julia Wolters 73
8 Prof Dr Siegfried Echterhoff Analsis 2 Vorlesung SS 29 Wir wollen nun die Talorfomel zur Untersuchung lokaler Extrema anwenden: Definition 911 Sei f : U R n R eine Funktion und sei x U Dann besitzt f in x ein lokales Maximum (bzw Minimum, falls ein δ > existiert mit f(x f(x (bzw f(x f(x x U δ (x U Gilt zusätzlich f(x = f(x x = x x U δ (x U, so hat f in x ein lokales Maximum (bzw Minimum im strengen Sinne Lemma 912 Sei U R n offen und f : U R partial differezierbar Dann gilt: besitzt f in x ein lokales Extremum (also lokales Maximum oder lokales Minimum, so gilt f(x = Beweis: Wähle δ > mit x + te j U t ( δ, δ Dann: Ist x lokales Extremum für f, so ist ein lokales Extremum für g : ( δ, δ R; g(t = f(x + te j Dann folgt = g ( = f x j (x 1 j n Wie im Falle einer Variablen erhalten wir also als notwendiges Kriterium fpr das Vorligen eines lokales Extremums im Punkt x, dass die erste Ableitung f(x im Punkt x verschwindet! Mit Hilfe der 2 Ableitung A f (x erhalten wir oft ein hinreichendes Kriterium Dazu benötigen wir: Definition 913 Sei A M n n (R smmetrisch (dh A = A t Dann heißt (1 positiv definit, falls Ah, h > h R n \ {} (2 positiv semi-definit, falls Ah, h h R n (3 negativ (semi- definit, falls -A positv (semi-definit ist (4 indefinit, falls h 1, h 2 R n existiert mit Ah 1, h 1 < und Ah 2, h 2 > Satz 914 Sei U R n offen, f : U R 2-mal stetig partiell differenzierbar, und sei x U mit f(x = Dann gelten: (1 Ist A f (x positiv (bzw negativ definit, so besitzt f im x ein lokales Minimum (bzw Maximum im strengen Sinn (2 Ist A f (x indefinit, so besitzt f in x kein lokales Extremum (3 Ist A f (x positiv (bzw negativ semi-definit, so besitzt f in x kein lokales Maximum (bzw Minimum (es könnte aber ein lokales Minimum (bzw Maximum vorliegen 74 getext: Julia Wolters
9 Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff Beweis: Sei δ > mit U δ (x U Dann gilt nach 91 für alle h U δ (: f(x + h = f(x A f(x h, h + R(x + h (da f(x = 1 mit R stetig und lim R(x h h 2 + h = 2 Zu ε > existiert dann ein δ > mit R(x + h ε h 2 2 für alle h U δ ( (1 Sei A := A f (x positiv definit Sei S = { R n 2 = 1} Dann ist S kompakt (nach Heine-Borel, da S abgeschlossen und beschränkt und da A, stetig existiert ein S mit < α := A, A, S Dann folgt für alle h R n : Ah, h α h 2 2, denn dies ist klar für h = und für h gilt: α A h h 1 h, = Ah, h 2 2 = Ah, h α h 2 h 2 h 2 h Wähle nun S klein genug, dass R(x + h α 4 h 2 2 (so mit ε = α Dann folgt 4 für alle h U δ (, h : f(x + h = f(x Ah, h + R(x + h f(x + α 2 h 2 2 R(x + h f(x + α 2 h 2 2 α 4 h 2 2 = f(x + α 4 h 2 2 > f(x, also besitzt f in x ein lokales Minimum im strengeren Sinn Ist A = A f (x negativ definit, so folgt die entsprechende Aussage durch Übergang auf -f (denn A f (x = A f (x (2 Sei nun A indefinit Dann existieren 1, 2 S mit A 1, 1 < < A 2, 2 Setzte α i = A i, i, i = 1, 2 und wähle S wir in (1 für α = min{α 1, α 2 }, also R(x + h α 4 h 2 2 für alle h U δ ( Dann folgt für r ( δ, δ: f(x + r 1 = f(x A(r 1, r 1 + R(x + r 1 und analog: f(x + r2 2 α 1 α 1 4 r2 = f(x α 1r 2 4 < f(x f(x + r 2 = f(x A(r 2, r 2 + R(x + r 2 f(x + r2 2 α 2 α 2 4 r2 = f(x α 2r 2 > f(x 4 Damit existiert in jeder δ-umgebung von x Funktionswerte die > und < f(x getext: Julia Wolters 75
10 Prof Dr Siegfried Echterhoff Analsis 2 Vorlesung SS 29 (3 Folgt ähnlich wie (2 Erinnerung: In der Linearen Algebra wurde gezeigt: Ist A M n n (R smmetrisch, so existiert eine orthogonale Matrix O mit λ 1 O T AO = D = λ n Ferner gilt: Eine Matrix O ist orthogonal, wenn eine der folgenden äquivalenten Aussagen gilt: (1 O invertierbar mit O 1 = O T (also OO T = O T O = E (2 x, R n gilt Ox, O = x, = O T x, O T λ 1 Aus (2 folgt dann A = A T und ist O orthogonal mit O T AO = D =, so λ n gilt auch A = ODO T und dann folgt R n : hieraus folgt sofort: A, = ODO T, = DO T, O T, = Dz, z n = λ j zj 2, für z = O T R n j=1 Satz 915 Sei A M n n (R smmetrisch und seien λ 1,, λ n R die Eigenwerte von A Dann gelten: (1 A positiv definit λ 1,, λ n > (2 A negativ definit λ 1,, λ n < (3 A positiv semi-definit λ 1,, λ n (4 A negativ semi-definit λ 1,, λ n (5 A indefinit Eigenwerte λ i, λ j von A mit λ i <, λ j > Im Buch von Fischer zur Linearen Algebra 5 findet man das folgende nützliche Kriterium: 5 Lineare Algebra: Eine Einführung für Studienanfänger von Gerd Fischer, Verlag: Vieweg+Teubner 76 getext: Julia Wolters
11 Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff Satz 916 (Hurwitz-Kriterium Sei A M n n (R smmetrisch Dann sind äquivalent: (1 A ist positiv definit (2 Für alle 1 k n gilt det A k >, wobei k a 11 a 1k {}}{ A k =, dh A = A k a k1 a kk Beweis: Siehe Fischer, Lineare Algebra Beispiel 917 (der Fall n = 2 Sei f : U R 2 R eine 2-mal stetig partiell differenzierbar Funktion und sei x U mit f(x = Sei A = A f (x Dann gilt f(x + h = f(x Ah, h + R(x + h mit R(x + h sehr klein nahe bei x, also f(x + h f(x + 1 Ah, h für h sehr klein 2 Wähle Orthonormalbasis {v 1, v 2 } von R 2 mit Av 1 = λ 1 v 1, Av 2 = λ 2 v 2 Schreiben wir dann in den Koordinaten {v 1, v 2 } so folgt h = h 1 v 1 + h 2 v 2 f(x + h f(x A(h 1v 1 + h 2 v 2, (h 1 v 1 + h 2 v 2 = f(x λλ 1h 1 v 1 + λ 2 h 2 v 2, h 1 v 1 + h 2 v 2 = f(x (λ 1h λ 2 h 2 2 = f(x + λ 1 2 h2 1 + λ 2 2 h2 2 getext: Julia Wolters 77
12 Prof Dr Siegfried Echterhoff Analsis 2 Vorlesung SS 29 Wir unterscheiden in 3 verschiedene Fälle: I a : λ 1, λ 2 > Parabolid (f hat lokales Minimum in x II: λ 1 λ 2 < Sattelfläche (A indefinit Abbildung 12: Parabolid I b : λ 1, λ 2 < umgedrehter Parabolid (f hat lokales Maximum in x Abbildung 14: Sattelfläche III: λ 1 λ 2 = aber λ 1 λ 2 Parabelförmig Parabo- Abbildung 13: umgedrehter lid Konkretes Beispiel: Sei f : R 2 R, f f Abbildung 15: Parabelförmig x = sin(x Dann gilt x 2x = cos(x 2 + 2, 2 x x also f = = oder x = π + kπ, k N 2 Hesse-Matrix: Es gilt 2 f x = 2 cos(x x x 2 sin(x f x = 2 cos(x sin(x und 2 f x = 2 f x = 4x sin(x x x x 2 2x Damit folgt: A f = cos(x sin(x x 4x 4 2 Insbesondere gilt 78 getext: Julia Wolters
13 Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 4x A f = ( 1 k+1 2 4x 4x 4 2 falls x = π + kπ, k N 2 Damit folgt: f besitzt in ein lokales Minimum (Parabolid In den anderen Fällen ( x x gilt det A f = 16x (x 2 = Da aber A f dort immer nur genau einer der Eigenwerte an dieser Stelle sein Damit ist f in allen diesier Punkte Parabelförmig getext: Julia Wolters 79
14 Der Fall Ia: _1>, _2> Der Fall Ib: _1<, _2<
15 Der Fall II: _1>, _2< Der Fall III: _1>, _2=
16
10 Der Satz über implizite Funktionen und Umkehrfunktionen
Vorlesung SS 9 Analsis Prof. Dr. Siegfried Echterhoff SATZ ÜBER IMPLIZITE FKT UND UMKEHRFKT Der Satz über implizite Funktionen und Umkehrfunktionen Motivation: Sei F : U R R eine differenzierbare Funktion
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
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
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:
Mehr7 Partielle Ableitung
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 7 Partielle Ableitung Definition 7 Sei U R n offen und f : U R m eine Funktion Dann heißt f im Punkt nach der j-ten Variablen j partiell differenierbar,
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.
MehrThema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema
Thema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema In diesem Kapitel befassen wir uns mit der Ableitung von Funktionen f : R m R n. Allein die Schreibweise
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
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
Mehr26. Höhere Ableitungen
26. Höhere Ableitungen 331 26. Höhere Ableitungen Im letzten Kapitel haben wir gesehen, wie man für Abbildungen zwischen mehrdimensionalen Räumen das Konzept der Differenzierbarkeit definieren und für
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:
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
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
MehrDer Satz von Taylor. Kapitel 7
Kapitel 7 Der Satz von Taylor Wir haben bereits die Darstellung verschiedener Funktionen, wie der Exponentialfunktion, der Cosinus- oder Sinus-Funktion, durch unendliche Reihen kennen gelernt. In diesem
Mehrf(x) f(a) f (a) := lim x a Es existiert ein Polynom ersten Grades l(x) = f(a) + c (x a) derart, dass gilt lim x a x a lim
A Analysis, Woche 8 Partielle Ableitungen A 8. Partielle Ableitungen Wir haben vorhin Existenzkriterien für Extrema betrachtet, aber wo liegen sie genau? Anders gesagt, wie berechnet man sie? In einer
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
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
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,
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
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
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
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
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
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
Mehr4.7 Der Taylorsche Satz
288 4 Differenziation 4.7 Der Taylorsche Satz Die Differenzierbarkeit, also die Existenz der ersten Ableitung einer Funktion, erlaubt bekanntlich, diese Funktion lokal durch eine affine Funktion näherungsweise
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
MehrVorlesung: Analysis I für Ingenieure
Vorlesung: Analysis I für Ingenieure Michael Karow Thema: Satz von Taylor Die Taylor-Entwicklung I Satz von Taylor. Sei f : R D R an der Stelle x n-mal differenzierbar. Dann gilt für x D, n f (k) (x )
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
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
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,
MehrAnalysis III. Teil I. Rückblick auf das letzte Semester. Themen aus dem SS Inhalt der letzten Vorlesung aus dem SS.
Analysis III für Studierende der Ingenieurwissenschaften Technische Universität Hamburg-Harburg Reiner Lauterbach Teil I Rückblick auf das letzte Semester Fakultät für Mathematik, Informatik und Naturwissenschaften
MehrAnalysis II. Vorlesung 44. Partielle Ableitungen
Prof. Dr. H. Brenner Osnabrück SS 2015 Analysis II Vorlesung 44 Sei f: K n K eine durch Partielle Ableitungen (x 1,...,x n ) f(x 1,...,x n ) gegebene Abbildung. Betrachtet man für einen fixierten Index
Mehr15 Differentialrechnung in R n
36 15 Differentialrechnung in R n 15.1 Lineare Abbilungen Eine Abbilung A : R n R m heißt linear falls A(αx + βy) = αa(x) + βa(y) für alle x, y R n un alle α, β R. Man schreibt oft Ax statt A(x) un spricht
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
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
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
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
Mehre x e x x e x + e x (falls die Grenzwerte existieren), e x e x 1 e 2x = lim x 1
Aufgabe a Hier kann man die Regel von de l Hospital zweimal anwenden (jeweils und die Ableitung des Nenners ist für hinreichend große x ungleich. Dies führt auf e x e x e x + e x e x + e x e x e x e x
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 009 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive Komplexe
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
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.
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 1 Hausaufgaben Aufgabe 1.1 Sei f : R R gegeben durch f(x 1, x ) = x 3
MehrDer metrische Raum (X, d) ist gegeben. Zeigen Sie, dass auch
TECHNISCHE UNIVERSITÄT BERLIN SS 07 Institut für Mathematik Stand: 3. Juli 007 Ferus / Garcke Lösungsskizzen zur Klausur vom 6.07.07 Analysis II. Aufgabe (5 Punkte Der metrische Raum (X, d ist gegeben.
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
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
MehrGrundlagen der Mathematik 2 Nachklausur
Andreas Gathmann und Yue Ren Sommersemester 6 Grundlagen der Mathematik Nachklausur Bearbeitungszeit: 8 Minuten Aufgabe (6 Punkte): Es sei f : R R, (x,y) xye (x+y). (a) Bestimme alle lokalen Maxima und
MehrDefinition: Differenzierbare Funktionen
Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
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
MehrStetigkeit und Dierenzierbarkeit im R n
Stetigkeit und Dierenzierbarkeit im R n 1 Stetigkeit Wir übertragen den Stetigkeitsbegri auf mehrstellige reellwertige Funktionen. Denition 1. Sei M R n. Eine Funktion f : M R heiÿt stetig in a M gdw.
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
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
MehrKlausur Analysis II
WS 28/9 Prof. Dr. John M. Sullivan Kerstin Günther Technische Universität Berlin Fakultät II Institut für Mathematik Klausur Analysis II 6.2.28 Name: Vorname: Matr.-Nr.: Studiengang: Mit der Veröffentlichung
MehrÜbungen zur Analysis II Blatt 27 - Lösungen
Prof. Dr. Torsten Wedhorn SoSe 22 Daniel Wortmann Übungen zur Analysis II Blatt 27 - Lösungen Aufgabe 5: 6+6+6* Punkte Bestimme alle lokalen Extrema der folgenden Funktionen: a b c* f : R 3 R g : R 2 R
MehrP n (1) P j (1) + ε 2, j=0. P(1) P j (1) + ε 2 < ε. log(1+x) =
Zu ε > 0 gibt es ein N N mit P n (1) P j (1) < ε/2 für j,n > N, also gilt Es folgt (1 x) n 1 j=n+1 und schließlich mit n x j P n (1) P j (1) (1 x) ε 2 P n (1) P n (x) (1 x) P(1) P(x) (1 x) für x hinreichend
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,
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
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
MehrLösungen der Aufgaben zu Kapitel 9
Lösungen der Aufgaben zu Kapitel 9 Abschnitt 9. Aufgabe a) Wir bestimmen die ersten Ableitungen von f, die uns dann das Aussehen der k-ten Ableitung erkennen lassen: fx) = x + e x xe x, f x) = e x e x
MehrWiederholungsklausur zur Analysis II
Wiederholungsklausur zur Analysis II Prof. Dr. C. Löh/M. Blank 11. April 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen Sie, ob Sie alle Seiten erhalten
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
Mehr1, 0 < y < x 2 0, sonst f besitzt alle Richtungsableitungen in (0, 0), ist aber unstetig dort
ANALYSIS II Lösung der. Klausur vom /7 (von D. Reding Aufgabe (a Richtig sind die Aussagen (iii, (iv und (vii. (b Gegenbeispiel zu (i: f: R R, (x, y x ist stetig, aber nicht partiell differenzierbar nach
Mehr28 Taylor-Formel, lokale Extrema
VII. Differentialrechnung in mehreren Variablen 458 28 Taylor-Formel, lokale Extrema Wir erinnern an den Mittelwertsatz für differenzierbare Funktionen f : D R (D R n offen) (vgl. 26.1): Sind a,b D Punkte,
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
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.
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
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
MehrLösungsvorschlag Klausur MA9802
Lehrstuhl für Numerische Mathematik Garching, den 3.8.22 Prof. Dr. Herbert Egger Dr. Matthias Schlottbom Lösungsvorschlag Klausur MA982 Aufgabe [3 + 3 Punkte] Berechnen Sie, falls existent, die folgenden
MehrKapitel 6 Grenzwerte von Funktionen und Stetigkeit
Kapitel 6 Grenzwerte von Funktionen und Stetigkeit 225 Relle Funktionen Im Folgenden betrachten wir reelle Funktionen f : D R, mit D R. Wir suchen eine formale Definition für den folgenden Sachverhalt.
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
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.
MehrNun zeigen wir: wie kann man durch eine Liftung eine neue Unterlösung konstruieren.
56 SS2016 Definition 6.17 (Unterlösung,Oberlösung). Ω R n seieingebietleinelliptischeroperator wie in Bedingung 6.1. Seien a i j, b i c stetig mit c 0 in Ω. Sei f stetig in Ω. Eine Funktion u C(Ω) heißt
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 :
MehrMisterlösung zur Klausur zur Vorlesung Analysis I, WS08/09, Samstag, (Version C)
Misterlösung zur Klausur zur Vorlesung Analysis I, WS08/09, Samstag, 14..009 (Version C Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen aus der Vorlesung
MehrTechnische Universität Berlin. Klausur Analysis I
SS 2008 Prof. Dr. John M. Sullivan Kerstin Günther Technische Universität Berlin Fakultät II Institut für Mathematik Klausur Analysis I 4.07.2008 Name: Vorname: Matr.-Nr.: Studiengang: Mit der Veröffentlichung
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
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrExtrema von Funktionen mit zwei Variablen
Extrema von Funktionen mit zwei Variablen Es gilt der Satz: Ist an einer Stelle x,y ) f x x,y ) = und f y x,y ) = und besteht außerdem die Ungleichung f xx x,y )f yy x,y ) f xy x,y ) >, so liegt an dieser
MehrKlausur. Wir wünschen Ihnen viel Erfolg! Klausur Mathematik für Informatiker und Softwaretechniker
Apl. Prof. Dr. W.-P. Düll Fachbereich Mathematik Universität Stuttgart Klausur für Studierende der Fachrichtungen inf, swt Bitte unbedingt beachten: Bitte beschriften Sie jeden Ihrer Zettel mit Namen und
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrMathematik für Anwender I. Klausur
Fachbereich Mathematik/Informatik 27. März 2012 Prof. Dr. H. Brenner Mathematik für Anwender I Klausur Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
MehrExponentialabbildung für Matrizen und Systeme von Differentialgleichungen
Proseminar Lineare Algebra SS10 Exponentialabbildung für Matrizen und Systeme von Differentialgleichungen Simon Strahlegger Heinrich-Heine-Universität Betreuung: Prof. Dr. Oleg Bogopolski Inhaltsverzeichnis:
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
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
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrImplizite Funktionen. Ist für eine stetig differenzierbare Funktion f : R n R m R n. so lässt sich das Gleichungssystem
Implizite Funktionen Ist für eine stetig differenzierbare Funktion f : R n R m R n f (x, y ) = (0,..., 0) t, det f x (x, y ) 0, so lässt sich das Gleichungssystem f k (x 1,..., x n, y 1,..., y m ) = 0,
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
MehrAnalysis II WS 11/12 Serie 9 Musterlösung
Analysis II WS / Serie 9 Musterlösung Aufgabe Bestimmen Sie die kritischen Punkte und die lokalen Extrema der folgenden Funktionen f : R R: a fx, y = x + y xy b fx, y = cos x cos y Entscheiden Sie bei
MehrLösung zu Kapitel 5 und 6
Lösung zu Kapitel 5 und 6 (1) Sei f eine total differenzierbare Funktion. Welche Aussagen sind richtig? f ist partiell differenzierbar f kann stetig partiell differenzierbar sein f ist dann immer stetig
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
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
MehrIV. Stetige Funktionen. Grenzwerte von Funktionen
IV. Stetige Funktionen. Grenzwerte von Funktionen Definition. Seien X und Y metrische Räume und E X sowie f : X Y eine Abbildung und p ein Häufungspunkt von E. Wir schreiben lim f(x) = q, x p falls es
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 39 Definitheit von Bilinearformen Wir möchten die symmetrischen Bilinearformen über den reellen Zahlen klassifizieren.
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
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
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
MehrMathematik I. k=0 c k(x a) k bilden die Teilpolynome n k=0 c k(x a) k polynomiale Approximationen für die Funktion f
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 30 Zu einer konvergenten Potenzreihe f(x) = c k(x a) k bilden die Teilpolynome n c k(x a) k polynomiale Approximationen für die Funktion
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
Mehr7.2.1 Zweite partielle Ableitungen
72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,
Mehr