Konvexe Mengen und konvexe Funktionen
|
|
- Hertha Kuntz
- vor 6 Jahren
- Abrufe
Transkript
1 Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl I: Analysis Ausarbeitung Analysis III Seminar Konvexe Mengen und konvexe Funktionen Name: Jessica Prang Datum: Seminarleiter: Prof. Dr. Matthias Röger
2 Inhaltsverzeichnis 1 Einleitung 3 2 Grundlagen 4 3 Konvexe Mengen 6 4 Konvexe Funktionen 11 5 Wichtige Ungleichungen 21 6 Literaturverzeichnis 28 7 Abbildungsverzeichnis 29
3 1 Einleitung Konvexe Mengen und konvexe Funktionen begegnen uns in vielen Teilgebieten der Mathematik. Konvexe Mengen finden wir häufig in der Geometrie, aber auch in der Analysis sind sie Teil der Lehre. Eine durchaus größere Bedeutung wird hier jedoch den konvexen Funktionen zugeschrieben. Diese treten zusätzlich auch viel in der Optimierung auf, denn mit ihnen können Problemstellungen angemessen bearbeitet werden. Im folgenden wird zunächst eine Einführung in die konvexen Mengen stattfinden. Danach wird auf konvexe Funktionen und in diesem Zusammenhang wichtige Sätze eingegangen werden. Im Anschluss werden mit Hilfe der konvexen Funktionen einige wichtige Ungleichungen angeführt.
4 2 Grundlagen 2.1 Definition: Kugel Sei X ein metrischer Raum und a X und r > 0. Dann definiert man eine (offene) Kugel mit dem Mittelpunkt a und Radius r durch B r (a) := {x X : d(x, a) < r}. 2.2 Definition: Hyperebene und Halbraum Seien a R n, a 0, und R gegeben. Dann heißt die Menge H(a, ) = {x R n : a T x = } von a und induzierte Hyperebene. Eine Hyperebene H(a, ) erzeugt durch H(a, ) = {x R n : a T x } und H(a, ) = {x R n : a T x } zwei Halbräume. 2.3 Definition: Regelfunktion Es sei I R ein Intervall mit den Grenzen a, b. Eine Funktion f : I R heißt Regelfunktion, wenn folgendes gilt: 1. Für jeden Punkt x (a, b) existieren in R der linksseitige und der rechtsseitige Grenzwert.
5 2.3 Definition: Regelfunktion 5 2. Wenn der Anfangspunkt a I liegt, so existiert der rechtsseitige Grenzwert in R. 3. Wenn der Endpunkt b I liegt, so existiert der linksseitige Grenzwert in R. Die Menge der Regelfunktionen auf I wird mit R(I) bezeichnet.
6 3 Konvexe Mengen 3.1 Definition: Konvexe Menge Eine Menge K des R n heißt konvex, wenn mit x, y K auch die Strecke [x, y] := {λx + (1 λ)y : 0 λ 1} zu K gehört. 3.2 Bemerkungen 1. Es gilt [x, y] = [y, x]. 2. Für n = 1 und x < y ist die Strecke [x, y] das Intervall {z R : x z y}. Wählt man z = x + t(y x) = (1 t)x + ty mit 0 t 1 für die Punkte von [x, y], so ist z = x für t = 0 und z = y für t = 1. Wandert t von 0 nach 1 so werden die Punkte von [x, y] monoton von x nach y durchlaufen. 3.3 Beispiele 1. Jede Kugel B r (x 0 ) ist konvex. Beweis: Aus x x 0 < r und y x 0 < r folgt für 0 λ 1 das gilt λx + (1 λ)y x 0 = λ(x x 0 ) + (1 λ)(y x 0 ) λ x x 0 + (1 λ) < λr + (1 λ)r = r. 2. Jede affine Hyperebene E in R n ist konvex. Beweis: E ist gegeben durch die Gleichung a, x = c mit a R n, c R n und a 0. Dann
7 3.4 Definition: konvexe Kombination 7 folgt aus x E und y E, dass a, λx + (1 λ)y = λ a, x + (1 λ) a, y = λc + (1 λ)c = c gilt. Damit gilt λx + (1 λ)y E. Man benötigt für diesen Beweis nicht einmal dass 0 λ 1 ist. 3. Jeder Halbraum H := {x R n : a, x c} ist konvex. Beweis: Aus a, x c und a, y c folgt für 0 λ 1 das gilt: a, λx + (1 λ)y = λ a, y λc + (1 λ)c = c. 4. Die Schnittmenge beliebig vieler konvexer Mengen ist konvex. 5. Graphische Darstellung: Abbildung 3.1: Konvexe und nicht konvexe Menge 3.4 Definition: konvexe Kombination Sind x 1, x 2,..., x k R n und λ 1, λ 2,..., λ k reelle Zahlen mit λ 1 + λ λ k = 1 und λ j 0 für 1 j k, so ist x := λ 1 x 1 + λ 2 x λ k x k (3.1) eine konvexe Kombination der Punkte x 1, x 2,..., x k.
8 3.5 Satz Satz Eine Menge K des R n ist genau dann konvex, wenn jede konvexe Kombination von Punkten aus K wieder in K liegt. Beweis: Rückrichtung: Die Bedingung ist hinreichend. Betrachte k = 2: x = λ 1 x 1 + λ 2 x 2, mit der Definition 3.4 folgt wegen λ 1 + λ 2 = 1, dass x geschrieben werden kann als x = λ 1 x 1 + (1 λ 1 )x 2. Das entspricht eben der Definition von konvex. Damit ist die Rückrichtung gezeigt. Hinrichtung: Vollständige Induktion nach k. Induktionsanfang: Für k = 2 gilt: x = λ 1 x 1 + λ 2 x 2. Da K konvex ist, ist λ 1 + λ 2 = 1, mit λ 1 0 und λ 2 0 und somit gilt x K. Induktionsannahme: Die Behauptung gelte für k Punkte aus K. Induktionsschritt: k k + 1 Sei x := λ 1 x λ k+1 x k+1 mit 0 λ 1 und λ λ k+1 = 1 für alle k +1 Punkte x 1,..., x k+1 aus K. Falls λ k+1 = 1 x = x k+1 K. Falls λ k+1 < 1 λ λ k = 1 λ k+1 > 0. ( Somit lässt x sich schreiben als x = (λ λ k ) λ k+1 x k+1. Nach Induktionsannahme gilt: y = λ 1 λ λ k x λ 1 λ λ λ k x k λ λ k x k mit y K. λ k λ λ k x k ) + Es gilt: λ λ k = 1 λ k+1 > 0, dies wieder in die Gleichung x = (λ ( ) λ λ k ) 1 λ λ λ k x k λ λ k x k + λ k+1 x k+1 eingesetzt, liefert: x = (1 λ k+1 )y + λ k+1 x k+1, was somit eine konvexe Kombination von zwei Punkten aus K ist, weil K konvex ist. Es folgt somit x K, wenn K konvex ist.
9 3.6 Definition: k-simplex Definition: k-simplex Sei k {1,..., n}. Die Menge der konvexen Kombinationen von k+1 Punkten x 0, x 1,..., x k des R n mit 1 k n wird als k-simplex mit den Eckpunkten x 0, x 1,..., x k bezeichnet, falls die Vektoren x 1 x 0,..., x k x 0 linear unabhängig sind. 3.7 Beispiele 1. 1-Simplex = Strecke 2. 2-Simplex = Dreieck 3. 3-Simplex = Tetraeder 3.8 Definition: Stützhalbraum Sei K eine abgeschlossene Menge des R n mit K, R n. Dann nennt man einen Halbraum H := {x R n : a, x c} mit a 0 einen Stützhalbraum von K, wenn K H ist und die Hyperebene E = H = {x R n : a, x = 0} mindestens einen Punkt von K enthält. E heißt Stützhyperebene von K. 3.9 Bermerkung Ist H K die Menge aller Stützhalbräume von K, R n, dann gilt: K H =: K. (3.2) H H K 3.10 Satz Für jede abgeschlossene konvexe Menge K, R n gilt: K = H. (3.3) H H K
10 3.10 Satz 10 Beweis: : Gäbe es einen Punkt ξ K \K, so sei x 0 K ein Punkt mit ξ x 0 = d(ξ, K). Das bedeutet: ξ x 0 ξ x x K (3.4) Sei H 0 := {x R n : x 0 ξ, x x 0 0}. Weil gilt x 0 ξ, ξ x 0 = ξ x 0 2 < 0 folgt, dass ξ / H 0. Außerdem gilt K H 0. Weil x 0 H 0 ist, wäre H 0 dann Stützhalbraum von K und daher auch ξ K H 0. Das ist ein Widerspruch zur Annahme ξ K \K. : Sei x ein beliebiger Punkt x von K. Dann folgt tx+(1 t)x 0 K für alle t [0, 1]. Und wegen (2.4) gilt außerdem für alle t [0, 1], dass ξ x 0 (ξ x 0 ) t(x x 0 ) also auch ξ x 0 2 (ξ x 0 ) t(x x 0 ) 2 = ξ x 0 2 2t ξ x 0, x x 0 + t 2 x x 0 2 = ξ x t x 0 ξ, x x 0 + t 2 x x 0 2. Hieraus folgt: 2t ξ x 0, x x 0 +t 2 x x und somit x 0 ξ, x x 0 + t 2 x x für alle t [0, 1]. Mit t 0 ergibt sich x 0 ξ, x x 0 0 für alle x K, damit ist gezeigt, dass K H 0 ist.
11 4 Konvexe Funktionen 4.1 Definition: (strikt) konvex Eine auf einer konvexen Menge K des R n definierte Funktion f : K R heißt konvex, wenn f(λx + µy) λf(x) + µf(y) (4.1) für beliebige λ, µ [0, 1] mit λ + µ = 1 und für alle x, y K gilt. f heißt strikt konvex, wenn sogar f(λx + µy) < λf(x) + µf(y) (4.2) für x y und 0 < λ, µ < 1, λ + µ = 1, x, y K erfüllt ist. Abbildung 4.1: Konvexe Funktion
12 4.2 Definition: Epigraph Definition: Epigraph Die Menge Epi(f) := {(x, z) R n R : x K, z f(x)} (4.3) heißt Epigraph der Funktion f : K R. Abbildung 4.2: Epigraph einer konvexen Funktion 4.3 Satz Eine auf einer konvexen Menge K R n definierte Funktion f : K R ist genau dann konvex, wenn ihr Epigraph konvex ist. Beweis: Hinrichtung: Seien x = (x 1, x 2 ) und y = (y 1, y 2 ) aus Epi(f) und λ [0, 1] mit x 1, y 1 R n und x 2, y 2 R. Sei z = (z 1, z 2 ) := λx + (1 λ)y = (λx 1 + (1 λ)y 1, λx 2 + (1 λ)y 2 ). Dann gilt: z 2 = λx 2 + (1 λ)y 2 λf(x 1 ) + (1 λ)f(y 1 ) f(λx 1 + (1 λ)y 1 ) = z 1 also z Epi(f). Rückrichtung: Sei Epi(f) konvex und (f(x), x), (f(y), y) aus Epi(f) und λ [0, 1] so, dass f(λx + (1 λ)y) > λf(x) + (1 λ)f(y), f also nicht konvex. Damit folgt
13 4.4 Definition: (strikt) konkav 13 λ(x, f(x)) + (1 λ)(y, f(y)) = (λx + (1 λ)y, λf(x) + (1 λ)y) / Epi(f). Dann wäre Epi(f) nicht konvex und es kommt zum Widerspruch. 4.4 Definition: (strikt) konkav Wenn statt (4.1) bzw. (4.2) die Ungleichungen f(λx + µy) λf(x) + µf(y) bzw. f(λx + µy) > λf(x) + µf(y) gelten, nennt man f konkav bzw. strikt konkav. 4.5 Bemerkung Eine Funktion f ist konkav bzw. strikt konkav, wenn f konvex bzw. strikt konvex ist. 4.6 Satz Sei Ω eine offene konvexe Menge des R n. Dann gilt: 1. Eine Funktion f C 1 (Ω) ist genau dann konvex, wenn die Ungleichung f(x + h) f(x) + f(x), h (4.4) für alle x und x + h Ω erfüllt ist. 2. Eine Funktion f C 1 (Ω) ist genau dann strikt konvex, wenn die Ungleichung f(x + h) > f(x) + f(x), h (4.5) für alle x und x + h Ω mit h 0 erfüllt ist.
14 4.6 Satz 14 Geometrische Bedeutung im R: Stellt man (4.4) um zu f(x + h) f(x) h f (x) erhält man anschaulich, dass die Steigung der Sekanten durch die Punkte x und x + h größer ist als die Tangentensteigung der Tangente im Punkt x. Beweis zu 1.: Hinrichtung: Seien f konvex, t (0, 1) und x, x + h Ω. Dann gilt x + th Ω und mit Definition (4.1) folgt: f(x + th) (1 t)f(x) + tf(x + h) f(x + th) f(x) tf(x) + tf(x + h) f(x + th) f(x) 1 [f(x + th) f(x)] t 1 [f(x + th) f(x)] f(x), h t t[f(x + h) f(x)] f(x + h) f(x) f(x + h) f(x) f(x), h. Lässt man t 0 laufen, so erhält man: 0 f(x + h) f(x) f(x), h 0 f(x + h) + f(x) + f(x), h f(x + h) f(x) + f(x), h. Rückrichtung: Annahme: (4.4) gilt. Für beliebige x, y Ω mit x y setzen wir z := tx + (1 t)y mit t (0, 1) und h := x z. Dann folgt für z Ω: z = tx + (1 t)y y = 1 (z tx) 1 t y = 1 (z tz tx + tz) 1 t y = 1 (z(1 t) tx + tz) 1 t y = z 1 t(x z) 1 t y = z t 1 t h.
15 4.6 Satz 15 Aus (4.4) folgt somit: f(y) f(z) t f(z), h und f(x) f(z) + f(z), h. 1 t Multiplikation der ersten Ungleichung mit 1 t liefert: (1 t)f(y) (1 t)[f(z) t f(z), h ] 1 t f(y) tf(y) f(z) tf(z) t f(z), h. Multiplikation der zweiten Ungleichung mit t ergibt: tf(x) tf(z) + t f(z), h. Addition beider Ungleichungen liefert: f(y) tf(y) + tf(x) f(z) tf(z) t f(z), h + ff(x) + t f(z), h f(y) tf(y) + tf(x) f(z) tf(x) + (1 t)f(y) f(z) für 0 < t < 1 und damit ist f konvex. Beweis zu 2.: Rückrichtung: Gilt nun die stärkere Ungleichung (4.5), so folgt wegen h = x z mit z = tx + (1 t)y: h = x z = x (tx + (1 t)y) = (1 t)(x y) 0 und somit folgt, wie bei dem Beweis zu 1.: f(y) > f(z) t f(z), h und f(x) > f(z) + f(z), h. 1 t Multipliziert man die erste Ungleichung mit 1 t und die zweite mit t und addiert sie anschließend, ergibt sich die Ungleichung: tf(x) + (1 t)f(y) > f(z) für t (0, 1) und x y.
16 4.7 Satz 16 Hinrichtung: Sei nun f strikt konvex. Wählt man t (0, 1) und x, x + h Ω mit h 0. Aus dem Beweis zu 1. wissen wir, dass f(x + th) f(x) f(x), th (4.6) ist. Die strikt Konvexität liefert: f(x + th) = f(x + th + tx tx) = f(t(x + h) + (1 t)x) < tf(x + h) + (1 t)f(x) also f(x + th) f(x + th) < tf(x + h) + (1 t)f(x) < tf(x + h) + f(x) tf(x) f(x + th) f(x) < t[f(x + h) f(x)] (4.7) Mit (4.6) und (4.7) folgt: t[f(x + h) f(x)] > f(x), th und somit f(x + h) f(x) > f(x), h. 4.7 Satz Sei Ω eine offene konvexe Menge des R n, f C 2 (Ω) und H f = D 2 f. Dann gilt: 1. f ist genau dann konvex (konkav), wenn H f (x) 0 ( 0) auf Ω ist. 2. Wenn H f (x) > 0 (< 0) ist, dann ist f strikt konvex (strikt konkav). Beweis zu 1.: Rückrichtung: Für x, x + h Ω liegt [x, x + h] in Ω, da Ω konvex ist. Dann liefert die Taylorsche Formel: f(x + h) = f(x) + f(x), h h, H f (x + ϑh)h mit ϑ (0, 1).
17 4.8 Bemerkung 17 Aus H f (z) 0 für alle z Ω folgt für h 0: f(x + h) = f(x) + f(x), h h, H f (x + ϑh)h f(x) + f(x), h und somit gilt nach 4.6.1, dass f konvex ist. Hinrichtung: Sei f konvex, mit f(x + h) f(x) + f(x), h aus Satz folgt: h, H f (x + ϑh)h 0 für h << 1 und ein ϑ (0, 1). (4.8) Wählt man h = ta mit a S n 1 und 0 < t << 1 und multipliziert man (4.8) mit t 2 so folgt: t 2 ta, H f (x + ϑta)ta 0 t 2 t 2 a, H f (x ϑta)a 0 a, H f (x + ϑta)a 0 mit t 0 bekommt man a, H f (x)a 0 für alle a S n 1 und das liefert H f (x) 0 für jedes x Ω. Beweis zu 2.: Genau wie bei dem Beweis zu (Rückrichtung) folgt mit H f (z) > 0 und Satz 4.6.2, dass f strikt konvex ist, wenn H f (x) > Bemerkung 1. Ganz äquivalent zeigt man bei Satz 4.7 die Beweise zu den konkaven Funktionen. 2. In Satz ist die Bedingung H f (x) > 0 auf Ω nicht notwendig für strikte Konvexität von f. Hierzu kann man das Beispiel f : R R mit f(x) = x 4 betrachten: f(λx + µy) = λ 4 x 4 + 4λ 3 x 3 µy + 6λ 2 x 2 µ 2 y 2 + 4λxµ 3 y 3 + µ 4 y 4 mit x y und 0 < y, µ < 1, λ + µ = 1 gilt f(λx + µy) < λf(x) + µf(y) = λx 4 + µy 4. Somit ist f(x) = x 4 strikt konvex.
18 4.9 Satz 18 Andererseits gilt jedoch H f (x) = 12x 2 0 für x Ω, da x = 0 nicht ausgeschlossen ist. 4.9 Satz Sei I ein Intervall in R und f C 1 (I). Dann gilt: 1. f ist genau dann konvex, wenn f schwach monoton wächst. 2. f ist genau dann strikt konvex, wenn f monoton wächst. Beweis zu 1.: Hinrichtung: Setzen wir in die Ungleichung (4.4) für x + h = y mit x, y int I und y < x folgt f(y) f(x) + f(x), y x und durch Vertauschen von x und y folgt f(x) f(y) + f(y), x y also hat man die beiden Ungleichungen f(y) f(x) f (x)(y x) und f(x) f(y) f (y)(x y) falls f konvex ist. Multiplikation der ersten Ungleichung mit ( 1) ergibt f(x) f(y) f (x)(x y) und damit folgt insgesamt: f (y) f (x) für x, y int I mit y < x. Rückrichtung: Ist f schwach monoton wachsend auf I, so folgt mit einem ϑ (0, 1), dass f(x + h) f(x) = f (x + ϑh)h f (x)h gilt. Mit Satz 4.6 folgt, dass f konvex ist. Beweis zu 2.: Hinrichtung: Setzt man x, y int I mit y < x in die Ungleichung 43.5) ein, so folgt analog zu Beweis zu 3.9.1: f(y) f(x) > f (x)(y x) und f(x) f(y) > f (y)(x y) und damit f (y) < f (x) für x, y int I mit y < x. Rückrichtung: Ist f monoton wachsend und h 0 so folgt f(x+h) f(x) = f (x+ϑh)h > f (x)h.
19 4.10 Satz Satz Sei I ein Intervall und f C 2 (I). Dann gilt: Die Funktion f ist genau dann konvex, wenn f (x) 0 auf I ist, und f ist strikt konvex, falls f (x) > 0 auf I ist, mit Ausnahme von endlich vielen Punkten in I. D.h. an der Stelle x liegt eine Wendestelle vor, welche eine Linkskrümmung beschreibt Bemerkung Ist in 4.10 f (x) 0 bzw. f (x) < 0 so ist f konkav bzw. strikt konkav Beispiele 1. Die Funktion f(x) := e x, x R ist strikt konvex. Beweis: f (x) = e x > 0 2. Die Funktion f(x) := x, x > 0 ist strikt konvex für > 1, strikt konkav für 0 < < 1 und strikt konvex für > 0. Beweis: f (x) = ( 1)x 2 > 0 für > 1 und < 0. f (x) = ( 1)x 2 < 0 für 0 < < Die Funktion f(x) := log x, x > 0 ist strikt konkav. Beweis: f (x) = x 2 < 0 Für x, y > 0 mit x y und 0 < λ < 1 gilt also log(λx + (1 λ)y) > λlog x + (1 λ)log y = log(x λ y 1 λ ). Exponenzieren der Ungleichung liefert: x λ y 1 λ < λx + (1 λ)y für 0 < λ < 1. (4.9) Damit gilt: x λ y 1 λ λx + (1 λ)y für 0 λ 1. (4.10)
20 4.12 Beispiele 20 Mit a = x λ, b = y 1 λ, λ = 1 p, 1 λ = 1 q, q = ab 1 p x + 1 q y p p 1 folgt x ist wegen a = x λ x = a λ 1 x = a p y ist wegen b = y 1 λ y = b (1 λ) 1 y = b q damit folgt insgesamt: ab 1 p ap + 1 q bq (Y oungsche Ungleichung) (4.11) für a, b 0 und p, q > 1 mit 1 p + 1 q = 1.
21 5 Wichtige Ungleichungen 5.1 Höldersche Ungleichung Für beliebige Funktionen f, g R([, β]) gilt β f(x)g(x)dx f(x) p dx wenn p, q > 1 und 1 p + 1 q = 1 ist. ) 1 p ) 1 g(x) q q dx (5.1) Beweis: Die Betragsfunktion, sowie alle Potenzfunktionen sind Regelfunktionen, somit sich auch f p und g q Regelfunktionen. Wir setzen daher: ) 1 ( A := f(x) p p β dx + ɛ und B := mit ɛ > 0, außerdem sei a := f(x) A f(x)g(x) AB ) 1 g(x) q q dx + ɛ g(x) und b := B. Einsetzen in (4.11) liefert: 1 ( ) f(x) p + 1 ( ) g(x) q. p A q B Integration der Ungleichung auf beiden Seiten bzgl. x von bis β ergibt: 1 AB β f(x)g(x) dx 1 pa p β f(x) p dx + 1 qb q Da nun 1 β pa p f(x) p 1 β dx, qb q g(x) q dx < 1 ist, erhält man: 1 AB β und für die Multiplikation mit AB ergibt sich β Lässt man ɛ 0 so folgt: β f(x)g(x)dx f(x)g(x) dx 1 p + 1 q = 1 f(x)g(x) dx AB. β g(x) q dx. ) 1 ( f(x) p p β ) 1 dx g(x) q q dx.
22 5.2 Bemerkung Bemerkung Setzt man in (5.1) p = 2 so ergibt sich β f(x)g(x)dx ) 1 ( f(x) 2 2 β ) 1 dx + g(x) 2 2 dx. Hierbei handelt es sich um die Cauchy-Schwarz-Ungleichung. 5.3 Minkowskische Ungleichung Für f, g R(I), I = [, β] und 1 p < gilt: ) 1 f + g p p dx Beweis: Sei p = 1 dann gilt: ) f + g dx ) 1 ( f p p β ) 1 dx + g p p dx. (5.2) ) ) f dx + g dx. Diese Ungleichung folgt direkt aus Integration der Dreiecksungleichung. Sei p > 1, dann setze A := β f + g p dx. Anwendung der Dreiecksungleichung sowie der Hölderschen Ungleichung liefert: A = β β = f + g f + g p 1 dx β f f + g p 1 dx + ) 1 ( f p p β dx g f + g p 1 dx f + g (p 1)q dx ) 1 ( f p p β dx + g p dx ) 1 p ) 1 q ) 1 ( + g p p β ) 1 dx f + g (p 1)q q dx ) 1 f + g (p 1)q q dx. Mit (p 1)q = p, da 1 p + 1 q = 1 p+q pq = 1 p = pq q p = (p 1)q folgt nun: ) 1 ( A f p p β ) 1 ( dx + g p p β ) 1 dx f + g (p 1)q q dx ) 1 ( = f p p β ) 1 dx + g p p dx A 1 q.
23 5.4 Bemerkung 23 Dividiert man die Gleichung auf beiden Seiten durch A 1 q erhält man: A A 1 q = β f + g p dx ( ) 1 β f + g p q dx = A 1 1 q = A 1 p = ) 1 f + g p p dx ) 1 ( f p p β ) 1 dx + g p p dx. 5.4 Bemerkung Auf R(I) sei die Funktion f f p definiert durch f p := ) 1 p f(x) p dx. (5.3) Dann kann die Minkowskische Ungleichung geschrieben werden als Dreiecksungleichung f + g p f p + g p für f, g R(I). (5.4) Es gilt f p 0 und λf p = λ f p. Die Minkowskische Ungleichung besagt somit, dass eine Halbnorm auf R(I) ist. kurz: Für die L p -Norm ist die Minkowskische Ungleichung einfach die Dreiecksungleichung. 5.5 Jensensche Ungleichung I Sei K eine konvexe Menge in R n. Eine Funktion f : K R n ist genau dann konvex auf K, wenn f(λ 1 x λ k x k ) λ 1 f(x 1 ) λ k f(x k ) (5.5) für beliebige x 1,..., x k K und beliebige λ 1,..., λ k [0, 1] mit λ λ k = 1 gilt. Beweis: Rückrichtung: Die Bedingung ist hinreichend, betrachte wie im Beweis zu Satz 3.5 k = 2: f(λ 1 x 1 + λ 2 x 2 ) λ 1 f(x 1 ) + λ 2 f(x 2 ) das ist eben die Definition von konvex. Hinrichtung: Beweis per Induktion, Bezeichungen wie bei dem Beweis zu Satz 3.5. f(y) λ 1 λ k f(x 1 ) f(x k ) λ λ k λ λ k mit λ = λ λ k
24 5.6 Jensensche Ungleichung II 24 und damit f(λ 1 x λ k+1 x k+1 ) = f(λy + (1 λ)x k+1 ) λf(y) + (1 λ)f(x k+1 ) λ 1 f(x 1 ) λ k+1 f(x k+1 ). 5.6 Jensensche Ungleichung II Sei ϕ C 0 (I), I = [a, b] und sei f eine stetige konvexe Funktion auf einem Intervall, das ϕ(i) enthält. Dann gilt: ( f I ) ϕ(x)dx f(ϕ(x))dx (5.6) I Beweis: Sei Z eine Zerlegung des Intervalls I mit a = x 0 < x 1 <... < x k = b und x j = x j x j 1. Wir betrachten die dazugehörige Riemannsche Summe: k k S Z (ϕ) = ϕ(x j ) x j, S Z (f ϕ) = f(ϕ(x j )) x j. j=1 j=1
25 5.7 Satz 25 Mit λ j := x j I folgt 0 λ j 1 und λ λ k = 1 ist f( I 1 S Z (ϕ)) = f = f( = f( ( k j=1 ϕ(x ) j) x j k j=1 I ϕ(x j ) x j ) I k ϕ(x j )λ j ) j=1 = f(λ 1 ϕ(x 1 ) λ k ϕ k (x k )) λ 1 f(ϕ(x 1 )) λ k f(ϕ(x k )) = = k f(ϕ(x j ))λ j j=1 k j=1 f(ϕ(x j )) x j I k = I 1 f(ϕ(x j )) x j j=1 = I 1 S Z (f ϕ). Wenn nun die Feinheit der Zerlegung Z gegen O strebt, ergibt sich: 5.7 Satz ( f I ) ϕ(x)dx f(ϕ(x))dx. I Man braucht bei der Jensenschen Ungleichung nicht die Annahme machen, dass f stetig ist, falls f auf einem offenen Intervall I mit ϕ(i) I konvex ist, denn es gilt, wenn f : Ω R auf einer offenen konvexen Menge Ω des R n konvex ist, so gilt f C 0 (Ω) und f stetig für jedes Kompaktum K in Ω. Beweis: Sei x o Ω. Dann gibt es ein r > 0, so dass der Würfel W r (x 0 ) := {x R n : x x 0 r} in Ω liegt. Jeder Punkt x W r (x 0 ) ist eine konvexe Kombination der N = 2 n Eckpunkte a 1,..., a N
26 5.8 Bemerkung 26 von W r (x 0 ). Sei µ := max{f(a 1 ),..., f(a N )}, so folgt f(x) µ für alle x W r (x 0 ). Sei ( ) nun x ein beliebiger Punkt mit 0 < x x 0 r. Mit p := x x 0, h := r p (x x 0 ). Dann gilt h = r und x [x 0, x 0 h] [x 0 h, x 0 + h] B r (x 0 ) W r (x o ). Aus x = λ(x 0 + h) + (1 λ)x 0, 0 < λ 1 ergibt sich x 0 = 1 1+λ x + λ 1+λ (x 0 h). Diese Darstellungen von x und x 0 sind konvexe Kombinationen und wir erhalten f(x) λf(x 0 + h) + (1 λ)f(x 0 ) λµ + (1 λ)f(x 0 ) und Das liefert f(x 0 ) λ f(x) + λ 1 + λ f(x f(x) + λµ 0 h) 1 + λ. f(x) f(x 0 ) λ[µ f(x 0 )], f(x 0 ) f(x) λ[µ f(x 0 )] und somit f(x) f(x 0 ) λ[µ f(x 0 )]. Weil x = x 0 + λh und h = r, x x 0 = p folgt λ = p r und damit auch f(x) f(x 0 ) µ f(x 0) x x 0 r für alle x B r (x 0 ) mit x x 0. Folglich ist f in x 0 und damit auch in Ω stetig. 5.8 Bemerkung Auf einer nichtoffenen konvexen Menge K kann eine konvexe Funktion f : K R unstetig sein.
27 5.9 Besipiel Besipiel Die Funktion f : [0, ) R mit 1 falls x = 0 f(x) = 0 sonst ist konvex, aber am Randpunkt x = 0 unstetig.
28 6 Literaturverzeichnis S. Hildebrandt: Analysis 2, Springer-Verlag
29 7 Abbildungsverzeichnis Abbildung 3.1: Konvexe und nicht konvexe Menge: konvexitat-veranschaulichung-strecke-innerhalb.png; am Abbildung 4.1: Konvexe Funktion: files/news/2011/convexity/convex.jpg; am Abbildung 4.2: Epigraph einer konvexen Funktion: wikipedia/commons/3/31/epigraph convex.svg; am
Der 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
MehrKonvexe Mengen und konvexe Funktionen
Konvexe Mengen und konvexe Funktionen Teilnehmer: Moritz Butz Franziska Ihlefeldt Johannes Jendersie Marie Lambert Eike Müller Gregor Pasemann Konstantin Rohde Herder-Gymnasium Herder-Gymnasium Georg-Forster-Gymnasium
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
MehrSeminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen
Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R 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
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,
MehrProseminar Mathematik. Ungleichungen I Betreuung: Natalia Grinberg. Karlsruher Institut für Technologie
Proseminar Mathematik Ungleichungen I 12.6.215 Betreuung: Natalia Grinberg Karlsruher Institut für Technologie Inhaltsverzeichnis 1 Young-Ungleichung 2 2 Hölder-Ungleichung 4 3 Minkowski-Ungleichung 5
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
Mehr4 Affine Koordinatensysteme
4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrElementare Beweismethoden
Elementare Beweismethoden Christian Hensel 404015 Inhaltsverzeichnis Vortrag zum Thema Elementare Beweismethoden im Rahmen des Proseminars Mathematisches Problemlösen 1 Einführung und wichtige Begriffe
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
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
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrAbb lokales Maximum und Minimum
.13 Lokale Extrema, Monotonie und Konvexität Wir kommen nun zu den ersten Anwendungen der Dierentialrechnung. Zwischen den Eigenschaten einer Funktion, dem Verlau des zugehörigen Graphen und den Ableitungen
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrWir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung).
Kapitel 4 Metrische Räume und Stetigkeit 4.1 Metrische und normierte Räume 4.2 Folgen in metrischen Räumen 4.3 Offene und abgeschlossene Mengen 4.4 Stetige Funktionen 4.5 Grenzwerte von Funktionen 4.6
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
Mehrn 1, n N \ {1}, 0 falls x = 0,
IV.1. Stetige Funktionen 77 IV. Stetigkeit IV.1. Stetige Funktionen Stetige Funktionen R R sind vielen sicher schon aus der Schule bekannt. Dort erwirbt man sich die naive Vorstellung, dass eine stetige
MehrFormelsammlung zum Starterstudium Mathematik
Formelsammlung zum Starterstudium Mathematik Universität des Saarlandes ¼ Version.3 Inhaltsverzeichnis. Potenzgesetze. Vollständige Induktion 3. Betragsgleichungen, Betragsungleichungen 4 4. Folgen und
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
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,...} Ganze Zahlen : Aus
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
MehrStetigkeit von Funktionen
Stetigkeit von Funktionen Definition. Es sei D ein Intervall oder D = R, x D, und f : D R eine Funktion. Wir sagen f ist stetig wenn für alle Folgen (x n ) n in D mit Grenzwert x auch die Folge der Funktionswerte
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Wintersemester 2008/2009 Übung 11 Einleitung Es wird eine 15-minütige Mikroklausur geschrieben. i) Sei D R oderd C. Wann heißt
MehrVorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)
1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 5: Konvergenz Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Dezember 2011) Folgen Eine Folge x 0, x 1,
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrSpickzettel Mathe C1
Spickzettel Mathe C1 1 Mengenlehre 1.1 Potenzmenge Die Potenzmenge P (Ω) einer Menge Ω ist die Menge aller Teilmengen von Ω. Dabei gilt: P (Ω) := {A A Ω} card P (Ω) = 2 card Ω P (Ω) 1.2 Mengenalgebra Eine
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
Mehr3 Polytope. 3.1 Polyeder
28 3 Polytope 3.1 Polyeder Polytope in der Ebene und im Raum standen neben Kreis und Kugel schon während der griechischen Antike im Mittelpunkt des mathematischen (und philosophischen) Interesses. Durch
MehrDifferenzierbare Funktionen
47 Kapitel 6 Differenzierbare Funktionen 1 Topologische Strukturen Inhalt: Umgebungen, innere Punkte, offene Mengen, abgeschlossene Mengen, Häufungspunkte, offener Kern und abgeschlossene Hülle, Rand einer
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
MehrKonvexe Funktionen und Legendre-Transformation
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.
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Aufgabe 45. Polynome sind stets stetig. Höhere Mathematik für Informatiker II (Sommersemester
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
MehrMitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester
Mitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester Christian Nawroth, Erstellt mit L A TEX 23. Mai 2002 Inhaltsverzeichnis 1 Vollständige Induktion 2 1.1 Das Prinzip der Vollstandigen Induktion................
MehrKonvexgeometrie. Vorlesung im WS 2004/05 (R. Schneider)
i Konvexgeometrie Vorlesung im WS 2004/05 (R. Schneider) Konvexität ist ein Begriff, der in verschiedenen Zusammenhängen eine Rolle spielt und sich als nützlich erwiesen hat. Eine Punktmenge heißt konvex,
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
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
MehrStetige Funktionen, Binomischer Lehrsatz
Vorlesung 13 Stetige Funktionen, Binomischer Lehrsatz 13.1 Funktionenfolgen Wir verbinden nun den Grenzwertbegriff mit dem Funktionsbegriff. Es seien (a n ) n N eine reelle Folge und f : R R eine Funktion.
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrMusterlösung. TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Klausur Mathematik für Physiker 3 (Analysis 2) I... II...
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 3 Unterschrift der Kandidatin/des Kandidaten 4 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
MehrMathematische Grundlagen der Ökonomie Übungsblatt 8
Mathematische Grundlagen der Ökonomie Übungsblatt 8 Abgabe Donnerstag 7. Dezember, 0:5 in H 5+7+8 = 20 Punkte Mit Lösungshinweisen zu einigen Aufgaben 29. Das Bisektionsverfahren sucht eine Nullstelle
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer In diesem Vortrag werden die Eigenschaften von kompakten, metrischen Räumen vertieft. Unser Ziel ist es Techniken zu erlernen, um
MehrAufgaben zur Analysis I aus dem Wiederholungskurs
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 Hilfskräfte: A. Weiß, W. Thumann 6.3.29 NWF I - Mathematik Universität Regensburg Aufgaben zur Analysis I aus dem Wiederholungskurs Die folgenden
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrDonnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl.
Unterräume und Lineare Hülle 59 3. Unterräume und Lineare Hülle Definition.1 Eine Teilmenge U eines R-Vektorraums V heißt von V, wenn gilt: Unterraum (U 1) 0 U. (U ) U + U U, d.h. x, y U x + y U. (U )
Mehr6 Komplexe Integration
6 Komplexe Integration Ziel: Berechne für komplexe Funktion f : D W C Integral der Form f(z)dz =? wobei D C ein Weg im Definitionsbereich von f. Fragen: Wie ist ein solches komplexes Integral sinnvollerweise
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrTopologische Räume und stetige Abbildungen Teil 2
TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrSerie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015
Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
MehrLineare Algebra I. Eine Vorlesung von Prof. Dr. Klaus Hulek
Lineare Algebra I Eine Vorlesung von Prof. Dr. Klaus Hulek hulek@math.uni-hannover.de c Klaus Hulek Institut für Mathematik Universität Hannover D 30060 Hannover Germany E-Mail : hulek@math.uni-hannover.de
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
MehrGleichmäßige Konvergenz und Funktionenräume
Gleichmäßige Konvergenz und Funktionenräume Isabella Lukasewitz und Andreas Brack 07.06.2010 Vortrag zum Proseminar zur Analysis Konvergenz und Funktionenräume INHALTSVERZEICHNIS Bereits in den Vorlesungen
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
MehrEtwas Topologie. Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann
Etwas Topologie Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann Literatur Abraham, Marsden, Foundations of Mechanics, Addison Wesley 1978, Seiten 3 17 Definition. Ein topologischer
MehrSeminar zur Zahlentheorie Spezialfälle des Satzes von Fermat
Seminar zur Zahlentheorie Spezialfälle des Satzes von Fermat Vortrag von Kristina Rupp und Benjamin Letschert am 29.01.2008 Inhaltsverzeichnis 13 Speziallfälle des Satzes von Fermat 1 13.1 Der Große Satz
MehrFunktionalgleichungen
Funktionalgleichungen Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de 10. Mai 2010 Funktionalgleichungen sind Gleichungen, mit denen Funktionen charakterisiert oder bestimmt werden können. In diesem
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrWS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch
Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch WS 2010/2011 14. Januar 2011 Geometrie mit Übungen Übungsblatt 9, Musterlösungen Aufgabe 33. Es werden Kreise in der Euklidischen
Mehr3.2 Extensive und intensive Größen. Mathematik. Zusammenfassung des physikalischen Teils:
3. Extensive und intensive Größen. Mathematik 43 3. Extensive und intensive Größen. Mathematik Zusammenfassung des physikalischen Teils: Wir untersuchen, wie sich bestimmte Größen bei Kontakt B 1 B zweier
Mehr16. Charakterisierungen der Ganzteilfunktion
16. Charakterisierungen der Ganzteilfunktion Praxis der Mathematik 15 (1973), 33-35 1. Die Ganzteilfunktion Bei der Umwandlung eines unechten Bruches Q in eine gemischte Zahl bedient man sich des Divisionsalgorithmus
MehrVokabelliste FB Mathematik Vokabeln 7./8. Klasse // Vokabeln 9./10. Klasse // Vokabeln Sek II. Mengenbegriffe:
Vokabeln 7./8. Klasse // Vokabeln 9./10. Klasse // Vokabeln Sek II Mathematik Symbol, Definition N N 0 Z Q Z + + Q 0 A = {a 1,, a n } Deutsch Erklärung Mengenbegriffe: natürlichen Zahlen natürlichen Zahlen
MehrMathematik anschaulich dargestellt
Peter Dörsam Mathematik anschaulich dargestellt für Studierende der Wirtschaftswissenschaften 15. überarbeitete Auflage mit zahlreichen Abbildungen PD-Verlag Heidenau Inhaltsverzeichnis 1 Lineare Algebra
MehrMathematik für Naturwissenschaftler I WS 2009/2010
Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion 18 8. Januar 2010 Kapitel 5. Funktionen mehrerer Veränderlicher, Stetigkeit und partielle Ableitungen 5.2. Partielle Ableitungen von Funktionen
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Lösungen Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Kapitel I: Mengen Aufgabe
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrVorlesung Mathematik 1 für Ingenieure (Wintersemester 2015/16)
1 Vorlesung Mathematik 1 für Ingenieure (Wintersemester 2015/16) Kapitel 7: Konvergenz und Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 5: Differentialrechnung im R n Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 17. Juni 2009 1 / 31 5.1 Erinnerung Kapitel
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
Mehr9 Die Normalverteilung
9 Die Normalverteilung Dichte: f(x) = 1 2πσ e (x µ)2 /2σ 2, µ R,σ > 0 9.1 Standard-Normalverteilung µ = 0, σ 2 = 1 ϕ(x) = 1 2π e x2 /2 Dichte Φ(x) = 1 x 2π e t2 /2 dt Verteilungsfunktion 331 W.Kössler,
MehrKapitel 5. Stetige Funktionen 5.1. Stetigkeit
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit Reelle Zahlen sind ideale Objekte, die es uns ermöglichen, eine transparente und leistungsfähige Theorie aufzubauen. Ein Computer kann jedoch nur mit Approximationen
MehrTaylor-Entwicklung der Exponentialfunktion.
Taylor-Entwicklung der Exponentialfunktion. Betrachte die Exponentialfunktion f(x) = exp(x). Zunächst gilt: f (x) = d dx exp(x) = exp(x). Mit dem Satz von Taylor gilt um den Entwicklungspunkt x 0 = 0 die
MehrStetigkeit. Definitionen. Beispiele
Stetigkeit Definitionen Stetigkeit Sei f : D mit D eine Funktion. f heißt stetig in a D, falls für jede Folge x n in D (d.h. x n D für alle n ) mit lim x n a gilt: lim f x n f a. Die Funktion f : D heißt
Mehri=1 i=1,...,n x K f(x).
2. Normierte Räume und Banachräume Ein normierter Raum ist ein Vektorraum, auf dem wir Längen messen können. Genauer definieren wir: Definition 2.1. Sei X ein Vektorraum über C. Eine Abbildung : X [0,
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrOutline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
MehrGeometrie. 1 Vektorielle analytische Geometrie der Ebene, Kegelschnitte
Geometrie Geometrie W. Kuhlisch Brückenkurs 206. Vektorrechnung und analytische Geometrie der Ebene, Kegelschnitte 2. Vektorrechnung und analytische Geometrie des Raumes, Anwendungen in der Geometrie,
MehrKlausur zur Höheren Mathematik IV
Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene
Mehr