Kuhn-Tucker-Bedingung
|
|
- Til Brahms
- vor 6 Jahren
- Abrufe
Transkript
1 Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann existieren Lagrange-Multiplikatoren λ i 0, so dass grad f (x ) = i I λ i grad g i (x ). Für ein lokales Maximum ist entsprechend λ i 0. Kuhn-Tucker-Bedingungen 1-1
2 Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann existieren Lagrange-Multiplikatoren λ i 0, so dass grad f (x ) = i I λ i grad g i (x ). Für ein lokales Maximum ist entsprechend λ i 0. Die Indexmenge I lässt sich auch implizit durch die Bedingungen λ i g i (x ) = 0 festlegen. Ist g i (x ) > 0, so folgt λ i = 0, d.h. die nichttrivialen Multiplikatoren entsprechen den aktiven Nebenbedingungen. Kuhn-Tucker-Bedingungen 1-2
3 grad f g i = 0 grad g i Kuhn-Tucker-Bedingungen 1-3
4 grad f g i = 0 grad g i Geometrisch bedeutet die Kuhn-Tucker Bedingung für ein Minimum, dass der Gradient der Zielfunktion f in dem durch die Gradienten der aktiven Nebenbedingungen aufgespannten Kegel (gestrichelt) liegt. Kuhn-Tucker-Bedingungen 1-4
5 Beweis: Die inaktiven Nebenbedingungen (g j (x ) > 0, j / I ) sind irrelevant, da sie in der Umgebung von x keine Einschränkung bedeuten. Kuhn-Tucker-Bedingungen 2-1
6 Beweis: Die inaktiven Nebenbedingungen (g j (x ) > 0, j / I ) sind irrelevant, da sie in der Umgebung von x keine Einschränkung bedeuten. Minimalität von f ebenfalls auf der kleineren Menge, die durch die Gleichungsbedingungen g i (x) = 0 beschrieben wird Kuhn-Tucker-Bedingungen 2-2
7 Beweis: Die inaktiven Nebenbedingungen (g j (x ) > 0, j / I ) sind irrelevant, da sie in der Umgebung von x keine Einschränkung bedeuten. Minimalität von f ebenfalls auf der kleineren Menge, die durch die Gleichungsbedingungen g i (x) = 0 beschrieben wird Satz über Lagrange-Multiplikatoren = behauptete Identität mit λ i R Kuhn-Tucker-Bedingungen 2-3
8 Beweis: Die inaktiven Nebenbedingungen (g j (x ) > 0, j / I ) sind irrelevant, da sie in der Umgebung von x keine Einschränkung bedeuten. Minimalität von f ebenfalls auf der kleineren Menge, die durch die Gleichungsbedingungen g i (x) = 0 beschrieben wird Satz über Lagrange-Multiplikatoren = behauptete Identität mit λ i R zu zeigen: λ i 0 Kuhn-Tucker-Bedingungen 2-4
9 Beweis: Die inaktiven Nebenbedingungen (g j (x ) > 0, j / I ) sind irrelevant, da sie in der Umgebung von x keine Einschränkung bedeuten. Minimalität von f ebenfalls auf der kleineren Menge, die durch die Gleichungsbedingungen g i (x) = 0 beschrieben wird Satz über Lagrange-Multiplikatoren = behauptete Identität mit λ i R zu zeigen: λ i 0 Indirekter Beweis: Annahme λ k < 0 für ein k I Kuhn-Tucker-Bedingungen 2-5
10 Beweis: Die inaktiven Nebenbedingungen (g j (x ) > 0, j / I ) sind irrelevant, da sie in der Umgebung von x keine Einschränkung bedeuten. Minimalität von f ebenfalls auf der kleineren Menge, die durch die Gleichungsbedingungen g i (x) = 0 beschrieben wird Satz über Lagrange-Multiplikatoren = behauptete Identität mit λ i R zu zeigen: λ i 0 Indirekter Beweis: Annahme λ k < 0 für ein k I lineare Unabhängigkeit der Gradienten = v : (grad g k (x )) t v = 1, (grad g i (x )) t v = 0, i I \k, d.h. v liegt in der Tangentialebene der durch g i, i k, definierten Fläche S und hat eine nichttriviale Komponente in Richtung der Normalen der Fläche S k : g k (x) = 0 Kuhn-Tucker-Bedingungen 2-6
11 wähle eine Kurve t x(t) S mit Anfangspunkt x(0) = x und Anfangsrichtung x (0) = v g k (x(t)) = g k (x ) + ( (grad g k (x )) t v ) t + O(t 2 ) = 0 + t + O(t 2 ), t 0 Kuhn-Tucker-Bedingungen 2-7
12 wähle eine Kurve t x(t) S mit Anfangspunkt x(0) = x und Anfangsrichtung x (0) = v g k (x(t)) = g k (x ) + ( (grad g k (x )) t v ) t + O(t 2 ) = 0 + t + O(t 2 ), t 0 = x(t) für hinreichend kleines t > 0 zulässig: g k (x(t)) 0, g i (x(t)) = 0, i I \ k Kuhn-Tucker-Bedingungen 2-8
13 wähle eine Kurve t x(t) S mit Anfangspunkt x(0) = x und Anfangsrichtung x (0) = v g k (x(t)) = g k (x ) + ( (grad g k (x )) t v ) t + O(t 2 ) = 0 + t + O(t 2 ), t 0 = x(t) für hinreichend kleines t > 0 zulässig: g k (x(t)) 0, g i (x(t)) = 0, i I \ k Konstruktion von v und Identität für grad f = d dt f (x(t)) t=0 = grad f (x(t))x (t) t=0 = (grad f (x )) t v = i I λ i grad g i (x ) t v = λ k (grad g k (x )) t v = λ k < 0 Kuhn-Tucker-Bedingungen 2-9
14 wähle eine Kurve t x(t) S mit Anfangspunkt x(0) = x und Anfangsrichtung x (0) = v g k (x(t)) = g k (x ) + ( (grad g k (x )) t v ) t + O(t 2 ) = 0 + t + O(t 2 ), t 0 = x(t) für hinreichend kleines t > 0 zulässig: g k (x(t)) 0, g i (x(t)) = 0, i I \ k Konstruktion von v und Identität für grad f = d dt f (x(t)) t=0 = grad f (x(t))x (t) t=0 = (grad f (x )) t v = i I λ i grad g i (x ) t v = λ k (grad g k (x )) t v = λ k < 0 Abnahme von f entlang der Kurve Kuhn-Tucker-Bedingungen 2-10
15 wähle eine Kurve t x(t) S mit Anfangspunkt x(0) = x und Anfangsrichtung x (0) = v g k (x(t)) = g k (x ) + ( (grad g k (x )) t v ) t + O(t 2 ) = 0 + t + O(t 2 ), t 0 = x(t) für hinreichend kleines t > 0 zulässig: g k (x(t)) 0, g i (x(t)) = 0, i I \ k Konstruktion von v und Identität für grad f = d dt f (x(t)) t=0 = grad f (x(t))x (t) t=0 = (grad f (x )) t v = i I λ i grad g i (x ) t v = λ k (grad g k (x )) t v = λ k < 0 Abnahme von f entlang der Kurve Widerspruch zur Minimalität von f (x ) Kuhn-Tucker-Bedingungen 2-11
16 Beispiel: Extrema der Funktion auf der durch f (x, y) = y 2 x g 1 (x, y) = y x 2 0, g 2 (x, y) = 2 x 2 y 2 0 definierten hellgrauen Menge D Kuhn-Tucker-Bedingungen 3-1
17 Beispiel: Extrema der Funktion auf der durch f (x, y) = y 2 x g 1 (x, y) = y x 2 0, g 2 (x, y) = 2 x 2 y 2 0 definierten hellgrauen Menge D 2 f = f = 3 4 4/ Kuhn-Tucker-Bedingungen 3-2
18 Kuhn-Tucker-Bedingungen grad f = ( 1, 2y) t = λ ( 2x, 1) t t +µ ( 2x, 2y) }{{}}{{} grad g 1 grad g 2 λ (y x 2 ) = 0, µ (2 x 2 y 2 ) = 0 }{{}}{{} g 1 g 2 mit Lagrange-Multiplikatoren λ und µ gleichen Vorzeichens Kuhn-Tucker-Bedingungen 3-3
19 Kuhn-Tucker-Bedingungen grad f = ( 1, 2y) t = λ ( 2x, 1) t t +µ ( 2x, 2y) }{{}}{{} grad g 1 grad g 2 λ (y x 2 ) = 0, µ (2 x 2 y 2 ) = 0 }{{}}{{} g 1 g 2 mit Lagrange-Multiplikatoren λ und µ gleichen Vorzeichens lineare Unabhängigkeit der Gradienten der aktiven Nebenbedingungen für alle zulässigen Punkte (nicht Null und an den Schnittpunkten der Randkurven nicht parallel) Kuhn-Tucker-Bedingungen 3-4
20 Kuhn-Tucker-Bedingungen grad f = ( 1, 2y) t = λ ( 2x, 1) t t +µ ( 2x, 2y) }{{}}{{} grad g 1 grad g 2 λ (y x 2 ) = 0, µ (2 x 2 y 2 ) = 0 }{{}}{{} g 1 g 2 mit Lagrange-Multiplikatoren λ und µ gleichen Vorzeichens lineare Unabhängigkeit der Gradienten der aktiven Nebenbedingungen für alle zulässigen Punkte (nicht Null und an den Schnittpunkten der Randkurven nicht parallel) = Notwendigkeit der Kuhn-Tucker-Bedingung für alle Extrema Kuhn-Tucker-Bedingungen 3-5
21 Kuhn-Tucker-Bedingungen grad f = ( 1, 2y) t = λ ( 2x, 1) t t +µ ( 2x, 2y) }{{}}{{} grad g 1 grad g 2 λ (y x 2 ) = 0, µ (2 x 2 y 2 ) = 0 }{{}}{{} g 1 g 2 mit Lagrange-Multiplikatoren λ und µ gleichen Vorzeichens lineare Unabhängigkeit der Gradienten der aktiven Nebenbedingungen für alle zulässigen Punkte (nicht Null und an den Schnittpunkten der Randkurven nicht parallel) = Notwendigkeit der Kuhn-Tucker-Bedingung für alle Extrema verschiedene Fälle je nachdem welche Nebenbedingungen aktiv sind Kuhn-Tucker-Bedingungen 3-6
22 Kuhn-Tucker-Bedingungen grad f = ( 1, 2y) t = λ ( 2x, 1) t t +µ ( 2x, 2y) }{{}}{{} grad g 1 grad g 2 λ (y x 2 ) = 0, µ (2 x 2 y 2 ) = 0 }{{}}{{} g 1 g 2 mit Lagrange-Multiplikatoren λ und µ gleichen Vorzeichens lineare Unabhängigkeit der Gradienten der aktiven Nebenbedingungen für alle zulässigen Punkte (nicht Null und an den Schnittpunkten der Randkurven nicht parallel) = Notwendigkeit der Kuhn-Tucker-Bedingung für alle Extrema verschiedene Fälle je nachdem welche Nebenbedingungen aktiv sind (i) Keine Nebenbedingung aktiv ( = λ = µ = 0): Kuhn-Tucker-Bedingungen 3-7
23 Kuhn-Tucker-Bedingungen grad f = ( 1, 2y) t = λ ( 2x, 1) t t +µ ( 2x, 2y) }{{}}{{} grad g 1 grad g 2 λ (y x 2 ) = 0, µ (2 x 2 y 2 ) = 0 }{{}}{{} g 1 g 2 mit Lagrange-Multiplikatoren λ und µ gleichen Vorzeichens lineare Unabhängigkeit der Gradienten der aktiven Nebenbedingungen für alle zulässigen Punkte (nicht Null und an den Schnittpunkten der Randkurven nicht parallel) = Notwendigkeit der Kuhn-Tucker-Bedingung für alle Extrema verschiedene Fälle je nachdem welche Nebenbedingungen aktiv sind (i) Keine Nebenbedingung aktiv ( = λ = µ = 0): ( 1, 2y) = (0, 0) nicht erfüllbar, keine Extrema von f im Inneren von D Kuhn-Tucker-Bedingungen 3-8
24 (ii) g 1 (x, y) = y x 2 0 aktiv ( = µ = 0): ( 1, 2y) = λ( 2x, 1), y x 2 = 0 Kuhn-Tucker-Bedingungen 3-9
25 (ii) g 1 (x, y) = y x 2 0 aktiv ( = µ = 0): ( 1, 2y) = λ( 2x, 1), y x 2 = 0 = λ = 2y = 2x 2 0 und 1 = (2x 2 )( 2x) x = 4 1/3, y = 4 2/3 Kuhn-Tucker-Bedingungen 3-10
26 (ii) g 1 (x, y) = y x 2 0 aktiv ( = µ = 0): ( 1, 2y) = λ( 2x, 1), y x 2 = 0 = λ = 2y = 2x 2 0 und 1 = (2x 2 )( 2x) x = 4 1/3, y = 4 2/3 = Kuhn-Tucker-Bedingung für ein lokales Minimum Kuhn-Tucker-Bedingungen 3-11
27 (ii) g 1 (x, y) = y x 2 0 aktiv ( = µ = 0): = λ = 2y = 2x 2 0 und ( 1, 2y) = λ( 2x, 1), y x 2 = 0 1 = (2x 2 )( 2x) x = 4 1/3, y = 4 2/3 = Kuhn-Tucker-Bedingung für ein lokales Minimum (iii) g 2 (x, y) = 2 x 2 y 2 0 aktiv ( = λ = 0): Kuhn-Tucker-Bedingungen 3-12
28 (ii) g 1 (x, y) = y x 2 0 aktiv ( = µ = 0): = λ = 2y = 2x 2 0 und ( 1, 2y) = λ( 2x, 1), y x 2 = 0 1 = (2x 2 )( 2x) x = 4 1/3, y = 4 2/3 = Kuhn-Tucker-Bedingung für ein lokales Minimum (iii) g 2 (x, y) = 2 x 2 y 2 0 aktiv ( = λ = 0): ( 1, 2y) = µ( 2x, 2y), 2 x 2 y 2 = 0 Kuhn-Tucker-Bedingungen 3-13
29 (ii) g 1 (x, y) = y x 2 0 aktiv ( = µ = 0): = λ = 2y = 2x 2 0 und ( 1, 2y) = λ( 2x, 1), y x 2 = 0 1 = (2x 2 )( 2x) x = 4 1/3, y = 4 2/3 = Kuhn-Tucker-Bedingung für ein lokales Minimum (iii) g 2 (x, y) = 2 x 2 y 2 0 aktiv ( = λ = 0): ( 1, 2y) = µ( 2x, 2y), 2 x 2 y 2 = 0 = µ = 1 < 0 (y = 0 wegen (± 2, 0) / D nicht möglich) und x = 1/2, y = 7/2 Kuhn-Tucker-Bedingungen 3-14
30 (ii) g 1 (x, y) = y x 2 0 aktiv ( = µ = 0): = λ = 2y = 2x 2 0 und ( 1, 2y) = λ( 2x, 1), y x 2 = 0 1 = (2x 2 )( 2x) x = 4 1/3, y = 4 2/3 = Kuhn-Tucker-Bedingung für ein lokales Minimum (iii) g 2 (x, y) = 2 x 2 y 2 0 aktiv ( = λ = 0): ( 1, 2y) = µ( 2x, 2y), 2 x 2 y 2 = 0 = µ = 1 < 0 (y = 0 wegen (± 2, 0) / D nicht möglich) und x = 1/2, y = 7/2 = Kuhn-Tucker-Bedingung für ein lokales Maximum Kuhn-Tucker-Bedingungen 3-15
31 (iv) g 1 (x, y) = y x 2 0 und g 2 (x, y) = 2 x 2 y 2 0 aktiv: Kuhn-Tucker-Bedingungen 3-16
32 (iv) g 1 (x, y) = y x 2 0 und g 2 (x, y) = 2 x 2 y 2 0 aktiv: y = x 2 x 2 + y 2 = 2 = (x, y) = (1, 1) oder (x, y) = ( 1, 1) Kuhn-Tucker-Bedingungen 3-17
33 (iv) g 1 (x, y) = y x 2 0 und g 2 (x, y) = 2 x 2 y 2 0 aktiv: y = x 2 x 2 + y 2 = 2 = (x, y) = (1, 1) oder (x, y) = ( 1, 1) Einsetzen in die Gleichung für grad f bzw. ( 1, 2) = λ( 2, 1) + µ( 2, 2) = λ = 1, µ = 1/2 ( 1, 2) = λ(2, 1) + µ(2, 2) = λ = 1/3, µ = 5/6 Kuhn-Tucker-Bedingungen 3-18
34 (iv) g 1 (x, y) = y x 2 0 und g 2 (x, y) = 2 x 2 y 2 0 aktiv: y = x 2 x 2 + y 2 = 2 = (x, y) = (1, 1) oder (x, y) = ( 1, 1) Einsetzen in die Gleichung für grad f bzw. ( 1, 2) = λ( 2, 1) + µ( 2, 2) = λ = 1, µ = 1/2 ( 1, 2) = λ(2, 1) + µ(2, 2) = λ = 1/3, µ = 5/6 keine Extremstellen wegen der verschiedenen Vorzeichen der Lagrange-Multiplikatoren Kuhn-Tucker-Bedingungen 3-19
35 (iv) g 1 (x, y) = y x 2 0 und g 2 (x, y) = 2 x 2 y 2 0 aktiv: y = x 2 x 2 + y 2 = 2 = (x, y) = (1, 1) oder (x, y) = ( 1, 1) Einsetzen in die Gleichung für grad f bzw. ( 1, 2) = λ( 2, 1) + µ( 2, 2) = λ = 1, µ = 1/2 ( 1, 2) = λ(2, 1) + µ(2, 2) = λ = 1/3, µ = 5/6 keine Extremstellen wegen der verschiedenen Vorzeichen der Lagrange-Multiplikatoren Existenz von Extrema auf der kompakten zulässigen Menge = Minimum im Fall (ii) bei (4 1/3, 4 2/3 ), Maximum im Fall (iii) bei ( 1/2, 7/2) Kuhn-Tucker-Bedingungen 3-20
36 (iv) g 1 (x, y) = y x 2 0 und g 2 (x, y) = 2 x 2 y 2 0 aktiv: y = x 2 x 2 + y 2 = 2 = (x, y) = (1, 1) oder (x, y) = ( 1, 1) Einsetzen in die Gleichung für grad f bzw. ( 1, 2) = λ( 2, 1) + µ( 2, 2) = λ = 1, µ = 1/2 ( 1, 2) = λ(2, 1) + µ(2, 2) = λ = 1/3, µ = 5/6 keine Extremstellen wegen der verschiedenen Vorzeichen der Lagrange-Multiplikatoren Existenz von Extrema auf der kompakten zulässigen Menge = Minimum im Fall (ii) bei (4 1/3, 4 2/3 ), Maximum im Fall (iii) bei ( 1/2, 7/2) alternative Typbestimmung durch Vergleich der Funktionswerte f (4 1/3, 4 2/3 ) = 3 3 2/8 < 9/4 = f ( 1/2, 7/2) Kuhn-Tucker-Bedingungen 3-21
37 Beispiel: f (x) min, a i x i b i Kuhn-Tucker-Bedingungen 4-1
38 Beispiel: f (x) min, a i x i b i Kuhn-Tucker-Bedingung für ein lokales Minimum grad f (x ) = i (λ i µ i ) e i mit e i dem i-ten Einheitsvektor λ t (x a) = 0, µ t (b x ) = 0, λ i, µ i 0 Kuhn-Tucker-Bedingungen 4-2
39 Beispiel: f (x) min, a i x i b i Kuhn-Tucker-Bedingung für ein lokales Minimum grad f (x ) = i (λ i µ i ) e i λ t (x a) = 0, µ t (b x ) = 0, λ i, µ i 0 mit e i dem i-ten Einheitsvektor ± als Intervallgrenzen zugelassen Kuhn-Tucker-Bedingungen 4-3
40 Beispiel: f (x) min, a i x i b i Kuhn-Tucker-Bedingung für ein lokales Minimum grad f (x ) = i (λ i µ i ) e i λ t (x a) = 0, µ t (b x ) = 0, λ i, µ i 0 mit e i dem i-ten Einheitsvektor ± als Intervallgrenzen zugelassen z.b. a i = = λ i = 0 keine Einschränkung in den Kuhn-Tucker-Bedingungen Kuhn-Tucker-Bedingungen 4-4
41 (i) a i < x,i < b i : Kuhn-Tucker-Bedingungen 4-5
42 (i) a i < x,i < b i : Lagrange-Multiplikatoren λ i und µ i Null und damit auch die i-te Komponente g i von grad f (x ) Kuhn-Tucker-Bedingungen 4-6
43 (i) a i < x,i < b i : Lagrange-Multiplikatoren λ i und µ i Null und damit auch die i-te Komponente g i von grad f (x ) (ii) Eine der Ungleichungen für x i aktiv: Kuhn-Tucker-Bedingungen 4-7
44 (i) a i < x,i < b i : Lagrange-Multiplikatoren λ i und µ i Null und damit auch die i-te Komponente g i von grad f (x ) (ii) Eine der Ungleichungen für x i aktiv: entsprechender Lagrange-Multiplikator bestimmt Vorzeichen von g i : x,i = a i = g i 0, x,i = b i = g i 0 Kuhn-Tucker-Bedingungen 4-8
45 x 2 b 2 b 1 a 1 a 2 x 1 Kuhn-Tucker-Bedingungen 4-9
46 x 2 b 2 b 1 a 1 a 2 x 1 mögliche Richtungen von grad f (x ) für bivariate Zielfunktionen und Minima auf den Seiten und an den Ecken von [a 1, b 1 ] [a 2, b 2 ] Kuhn-Tucker-Bedingungen 4-10
47 x 2 b 2 b 1 a 1 a 2 x 1 mögliche Richtungen von grad f (x ) für bivariate Zielfunktionen und Minima auf den Seiten und an den Ecken von [a 1, b 1 ] [a 2, b 2 ] grad f (x ) = 0 für Minima im Inneren Kuhn-Tucker-Bedingungen 4-11
48 Beispiel: Lineares Programm: Kuhn-Tucker-Bedingungen 5-1
49 Beispiel: Lineares Programm: Minimierung einer linearen Funktion (c 1,..., c n )x min unter den linearen Nebenbedingungen mit einer m n-matrix A Ax b Kuhn-Tucker-Bedingungen 5-2
50 Beispiel: Lineares Programm: Minimierung einer linearen Funktion (c 1,..., c n )x min unter den linearen Nebenbedingungen Ax b mit einer m n-matrix A Kuhn-Tucker-Bedingungen für ein lokales Minimum x R n c t = λ t A, λ t (Ax b) = 0 mit λ i 0 (entsprechend λ i 0 für ein Maximum) Kuhn-Tucker-Bedingungen 5-3
51 z.b. d.h. x + y min, x 2, y 1, x + 2y 8, c = ( ) , A = 0 1, b = Kuhn-Tucker-Bedingungen 5-4
52 z.b. d.h. x + y min, x 2, y 1, x + 2y 8, c = = Kuhn-Tucker-Bedingungen ( ) , A = 0 1, b = = λ 1 + λ 3, 1 = λ 2 + 2λ 3, λ 1 [x 2] + λ 2 [y 1] + λ 3 [x + 2y 8] = 0 mit λ i, [... ] 0 Kuhn-Tucker-Bedingungen 5-5
53 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null Kuhn-Tucker-Bedingungen 5-6
54 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) Kuhn-Tucker-Bedingungen 5-7
55 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: Kuhn-Tucker-Bedingungen 5-8
56 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 Kuhn-Tucker-Bedingungen 5-9
57 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen Kuhn-Tucker-Bedingungen 5-10
58 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen (ii) λ 2 = 0: Kuhn-Tucker-Bedingungen 5-11
59 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen (ii) λ 2 = 0: = λ 3 = 1/2, λ 1 = 1/2 Kuhn-Tucker-Bedingungen 5-12
60 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen (ii) λ 2 = 0: = λ 3 = 1/2, λ 1 = 1/2 aktive Nebenbedingungen x = 2, x + 2y = 8 (x, y) = (2, 3) Kuhn-Tucker-Bedingungen 5-13
61 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen (ii) λ 2 = 0: = λ 3 = 1/2, λ 1 = 1/2 aktive Nebenbedingungen x = 2, x + 2y = 8 (x, y) = (2, 3) Kuhn-Tucker-Bedingungen für ein Minimum erfüllt Kuhn-Tucker-Bedingungen 5-14
62 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen (ii) λ 2 = 0: = λ 3 = 1/2, λ 1 = 1/2 aktive Nebenbedingungen x = 2, x + 2y = 8 (x, y) = (2, 3) Kuhn-Tucker-Bedingungen für ein Minimum erfüllt (iii) λ 3 = 0: Kuhn-Tucker-Bedingungen 5-15
63 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen (ii) λ 2 = 0: = λ 3 = 1/2, λ 1 = 1/2 aktive Nebenbedingungen x = 2, x + 2y = 8 (x, y) = (2, 3) Kuhn-Tucker-Bedingungen für ein Minimum erfüllt (iii) λ 3 = 0: aktive Nebenbedingungen x = 2, y = 1 Punkt ausserhalb des zulässigen Bereichs Kuhn-Tucker-Bedingungen 5-16
64 Bedingungen = genau einer der Lagrange-Multiplikatoren gleich null drei Fälle (jeweils zwei Nebenbedingungen aktiv) (i) λ 1 = 0: = λ 3 = 1, λ 2 = 1 kein Extremum, da verschiedene Vorzeichen (ii) λ 2 = 0: = λ 3 = 1/2, λ 1 = 1/2 aktive Nebenbedingungen x = 2, x + 2y = 8 (x, y) = (2, 3) Kuhn-Tucker-Bedingungen für ein Minimum erfüllt (iii) λ 3 = 0: aktive Nebenbedingungen x = 2, y = 1 Punkt ausserhalb des zulässigen Bereichs Beschränkheit von f nach unten auf dem zulässigem Bereich = globales Minimum bei (2, 3) Kuhn-Tucker-Bedingungen 5-17
65 y (2, 3) x + y = c x geometrische Konstruktion der Lösung: Niveaulinie der Zielfunktion berührt den zulässigen Bereich in (2, 3) Kuhn-Tucker-Bedingungen 5-18
66 y (2, 3) x + y = c x geometrische Konstruktion der Lösung: Niveaulinie der Zielfunktion berührt den zulässigen Bereich in (2, 3) Zielfunktion steigt (fällt), wenn die Niveaugeraden den zugelassenen Bereich schneiden (nicht schneiden) Kuhn-Tucker-Bedingungen 5-19
Lagrange-Multiplikatoren
Lagrange-Multiplikatoren Ist x eine lokale Extremstelle der skalaren Funktion f unter den Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i, so dass grad f (x ) = λ i grad g i
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
MehrKritischer Punkt. Kritischer Punkt 1-1
Kritischer Punkt Für eine skalare Funktion f bezeichnet man x als kritischen Punkt, wenn grad f (x) = (0,..., 0)textt. Ist f zweimal stetig differenzierbar, so wird der Typ des kritischen Punktes, d.h.
Mehr7.11. Extrema unter Nebenbedingungen
7.11. Extrema unter Nebenbedingungen Randextrema Wir haben schon bemerkt, daß die üblichen Tests mit Hilfe von (eventuell höheren) Ableitungen nur Kriterien für (lokale) Extrema im Inneren des Definitionsgebietes
MehrFK WMS: Wirtschaftsmathematik 2, Einheit 7/8
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8 Markus Sinnl 1 markus.sinnl@univie.ac.at http://homepage.univie.ac.at/markus.sinnl basierend auf Folien von Dr. Ivana Ljubic, Mag. Christian Spreitzer und Mag.
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrOutline. 1 Funktionen von mehreren Veränderlichen. 2 Grenzwert und Stetigkeit. 3 Partielle Ableitungen. 4 Die verallgemeinerte Kettenregel
Outline 1 Funktionen von mehreren Veränderlichen 2 Grenzwert und Stetigkeit 3 Partielle Ableitungen 4 Die verallgemeinerte Kettenregel 5 Das totale Differential 6 Extremstellen Roman Wienands (Universität
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
Mehr10 Extremwerte mit Nebenbedingungen
10 Extremwerte mit Nebenbedingungen 49 10 Extremwerte mit Nebenbedingungen Wir betrachten nun Extremwertaufgaben, bei denen nach dem Extremwert einer fx 1,, x n gesucht wird, aber die Menge der zulässigen
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof Dr M Keyl M Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker (Analysis ) MA90 http://www-m5matumde/allgemeines/ma90 06S Sommersem 06 Lösungsblatt (606) Zentralübung Z
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrExtrema von Funktionen mit Nebenbedingung
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen mit Nebenbedingung Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
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
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
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
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 :
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
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.
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
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
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
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
Mehr10. Übungsblatt zur Analysis II
Fachbereich Mathematik Prof. Dr. Steffen Roch Nada Sissouno WS 2009/2010 17.12.2009 10. Übungsblatt zur Analysis II Gruppenübung Aufgabe G1 Gegeben sei die Funktion g : R 2 R, g(x,y) = sin 2 y + x 3 1.
MehrWirtschaftsmathematik II
WMS: Wirtschaftsmathematik 2 :: WS 2009/10 Wirtschaftsmathematik II Reinhard Ullrich http://homepage.univie.ac.at/reinhard.ullrich Basierend auf Folien von Dr. Ivana Ljubic October 11, 2009 1 Funktionen
MehrExtrema mit Nebenbedingungen
Extrema mit Nebenbedingungen Gesucht ist das Extremum der Funktion f(x,y) = 5 x y unter der Nebenbedingung g(x,y) = x+y =. 5 y x In diesem einfachen Fall kann die Nebenbedingung nach einer Variablen aufgelöst
Mehr6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode
6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode In diesem Kapitel orientieren wir uns stark an den Büchern: 1. Knut Sydsæter, Peter Hammond, Mathematik für Wirtschaftswissenschaftler,
Mehr3 Anwendungen der Differentialrechnung. (x 1, x 2,..., x n 1, x n ) f xn (x 1, x 2,..., x n 1, x n ), 1 i n 1. y + cos z
R Es sei f : R n D R eine einmal stetig differenzierbare Funktion, für die in einer Umgebung eines Punkte a = a 1, a,, a n D gilt: fa 1, a,, a n = 0, f xn a 1, a,, a n 0 Dann gibt es eines Umgebung U des
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
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
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
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.4 Anwendungen (Teil 2): Extremwerte www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr.
MehrÜbung 22: Gradient und Richtungsableitung; Extremwertaufgaben für Funktionen mehrerer Veränderlicher
Technische Universität Chemnitz 1. Juli 20 Fakultät für Mathematik Höhere Mathematik I.2 Übung 22: Gradient und Richtungsableitung; Extremwertaufgaben für Funktionen mehrerer Veränderlicher 1. Durch ein
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
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
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
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
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
MehrMusterlösungen Aufgabenblatt 2
Jonas Kindervater Ferienkurs - Höhere Mathematik III für Physiker Musterlösungen Aufgabenblatt Dienstag 17. Februar 009 Aufgabe 1 (Implizite Funktionen) f(x, y) = x 1 xy 1 y4 = 0 Man bestimme die lokale
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
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
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
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
MehrKurvendiskussion von Funktionsscharen
Kurvendiskussion von Funktionsscharen Die Untersuchung von Funktionsscharen unterscheidet sich nicht von der Untersuchung von normalen Funktionen. Einzig die Bestimmung der Ortskurven von Extremstellen
Mehr7.1 Matrizen und Vektore
7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
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
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
MehrProbeklausur. 1 Stetigkeit [7 Punkte] 2 Differenzierbarkeit [10 Punkte] Ferienkurs Analysis 2 für Physiker SS Karolina Stoiber Aileen Wolf
Karolina Stoiber Aileen Wolf Ferienkurs Analysis 2 für Physiker SS 26 A Probeklausur Allgemein Hinweise: Die Arbeitszeit beträgt 9 Minuten. Falls nicht anders angegeben, sind alle en ausführlich und nachvollziehbar
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
MehrÜbung 5, Analytische Optimierung
Übung 5, 5.7.2011 Analytische Optimierung Aufgabe 5.1 Bei der Herstellung von Konserven werden für Boden und Deckel bzw. für den Konservenmantel verschiedene Materialien verwendet, die g 1 = bzw. g 2 =
MehrMathematik I ITB. Funktionen mit mehreren reellen Variablen. Prof. Dr. Karin Melzer
Funktionen mit mehreren reellen Variablen 11.05.09 Beispiel: Funktionsgebirge Das Beispiel zeigt die Funktion z = y sin(x 2 ) Schnittkurven: Beispiel Kegelschnitte Schnittkurve: Kurve, die aus dem Schnitt
MehrMathematik III - Blatt 6
Mathematik III - Blatt Christopher Bronner, Frank Essenberger 8. November Aufgabe Wir suchen erstmal im inneren des Vierecks nach Punkten, die für einen Extremwert in Frage kommen, danach auf den Rändern
MehrKlausurrepetitorium ABWL
Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches
MehrAufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen
Aufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen 1. Bestimmen Sie für die folgenden Funktionen zunächst die kritischen Stellen und entscheiden
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrangetex,v 18 01/11/09 14:07:08 hk Exp $ $Id: untermfgtex,v 14 01/11/1 10:00:34 hk Exp hk $ Extrema unter Nebenbedingungen Lagrange-Multiplikatoren In der letzten Sitzung hatten wir begonnen die
MehrMathematik I Internationales Wirtschaftsingenieurwesen
Mathematik I Internationales Wirtschaftsingenieurwesen Funktionen mit mehreren reellen Variablen 18.11.08 Beispiel: Funktionsgebirge Das Beispiel zeigt die Funktion z = y sin(x 2 ) Schnittkurven: Beispiel
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
Mehr42 Lokale Extrema mit Nebenbedingungen
4 Lokale Extrema mit Nebenbedingungen 09 4 Lokale Extrema mit Nebenbedingungen Lernziele: Resultate: Kriterien für lokale Extrema mit Nebenbedingungen Methoden: Lagrange-Multiplikatoren Kompetenzen: Bestimmung
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 07/08. Michael Karow. Themen: Niveaumengen und Gradient
Vorlesung: Analysis II für Ingenieure Wintersemester 07/08 Michael Karow Themen: Niveaumengen und Gradient Wir betrachten differenzierbare reellwertige Funktionen f : R n G R, G offen Zur Vereinfachung
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
MehrB Lösungen. Aufgabe 1 (Begriffe zur Differenziation) Sei (x, y) R 2 Berechnen Sie zur Abbildung. f(x, y) := x sin(xy) f : R 2 R,
B en Aufgabe 1 (Begriffe zur Differenziation) Sei (x, y) R Berechnen Sie zur Abbildung f : R R, f(x, y) : x sin(xy) das totale Differenzial f df, die Jacobi-Matrix J f (x, y) und den Gradienten ( f)(x,
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,
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 )
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 23 (5.8.23). Gegeben seien die Matrizen A = 2 3 3 und B = 5 2 5 (a) Bestimmen Sie die Eigenwerte von A und B sowie die
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,
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
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
MehrDifferenzialrechnung für Funktionen mit mehreren unabhängigen Variablen. Graphentheorie
Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Graphentheorie Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Def.: eine Funktion n f :D mit D,x (x,...x
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
MehrTangentialebene. Sei f eine stetig differenzierbare Funktion und p = (p 1,..., p n ) die Koordinaten eines Punktes P auf der durch
Tangentialebene Sei f eine stetig differenzierbare Funktion und p = (p 1,..., p n ) die Koordinaten eines Punktes P auf der durch implizit definierten Fläche. f (x 1,..., x n ) = c Tangentialebene 1-1
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrLUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 13. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Andreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.de Department Biologie II Telefon: 89-8-748 Großhadernerstr. Fax:
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
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
MehrDifferentialrechnung. Mathematik W14. Christina Sickinger. Berufsreifeprüfung. v 1 Christina Sickinger Mathematik W14 1 / 79
Mathematik W14 Christina Sickinger Berufsreifeprüfung v 1 Christina Sickinger Mathematik W14 1 / 79 Die Steigung einer Funktion Wir haben bereits die Steigung einer linearen Funktion kennen gelernt! Eine
MehrPartielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung
Partielle Ableitungen, Gradient, Lineare Näherung, Extrema, Fehlerfortpflanzung Jörn Loviscach Versionsstand: 29. Juni 2009, 18:41 1 Partielle Ableitungen, Gradient Die Ableitung einer Funktion f an einer
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.
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
Mehr1 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
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrDie Tangentialebene. {(x, y, z) z = f(x 0, y 0 )+ f x (x 0, y 0 )(x x 0 )+ f. y (x 0, y 0 )(y y 0 )}
Die Tangentialebene Der Graph der linearen Approximation ist Tangentialebene an den Graph der Funktion. In Symbolen: Es sei D R 2. Es sei f : D R, (x, y) f(x, y) differenzierbar. Dann ist {(x, y, z) z
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
MehrHeinrich-Hertz-Oberschule, Berlin
Reellwertige Funktionen mehrerer Variabler Teilnehmer: Maximilian Ringleb Jakob Napiontek Kay Makowsky Mallku Schlagowski Trung Duc Nguyen Alexander Reinecke Herder-Oberschule, Berlin Heinrich-Hertz-Oberschule,
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
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 7 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 200 Prof. Dr. Klaus Höllig (IMNG)
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(
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,
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
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
Mehr2 Extrema unter Nebenbedingungen
$Id: lagrange.tex,v 1.6 2012/11/06 14:26:21 hk Exp hk $ 2 Extrema unter Nebenbedingungen 2.1 Restringierte Optimierungsaufgaben Nachdem wir jetzt die bereits bekannten Techniken zur Bestimmung der lokalen
MehrTotale Ableitung und Jacobi-Matrix
Totale Ableitung und Jacobi-Matrix Eine reelle Funktion f : R n R m ist in einem Punkt x differenzierbar, wenn f (x + h) = f (x) + f (x)h + o( h ) für h 0. Totale Ableitung 1-1 Totale Ableitung und Jacobi-Matrix
MehrTU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik 1. Dr. M. Herrich SS 2017
TU Dresden Fachrichtung Mathematik Institut für Numerische Mathematik Prof. Dr. K. Eppler Institut für Numerische Mathematik Dr. M. Herrich SS 207 Aufgabe Gegeben sei die Funktion f : R 2 R mit Übungen
MehrStroppel Musterlösung , 180min. Aufgabe 1 (3 Punkte) Bestimmen Sie die Determinante der Matrix
Stroppel Musterlösung 7.., 8min Aufgabe Punkte Bestimmen Sie die Determinante der Matrix A =. Geben Sie alle Lösungen x des homogenen Gleichungssystems Ax = an. Entwicklung nach der ersten Spalte: deta
MehrKurvendiskussion für Funktionen mit einer Variablen
Kurvendiskussion für Funktionen mit einer Variablen Unter der Kurvendiskussion einer Funktionsgleichung versteht man die Zusammenstellung der wichtigsten Eigenschaften ihres Bildes mit anschließender Zeichnung.
MehrTechnische Universität Berlin Fakultät II Institut für Mathematik SS 13 G. Bärwolff, C. Mehl, G. Penn-Karras
Technische Universität Berlin Fakultät II Institut für Mathematik SS 3 G. Bärwolff, C. Mehl, G. Penn-Karras 9..3 Oktober Klausur Analysis II für Ingenieure Rechenteil. Aufgabe Punkte i) Wir berechnen zunächst
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik 1142KWL09 Aufgabe 1. Zeigen Sie, dass für alle n 2 gilt: n paarweise verschiedene Geraden im R 2 schneiden sich untereinander
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
Mehr