Wirtschaftsmathematik II
|
|
- Eike Hafner
- vor 6 Jahren
- Abrufe
Transkript
1 WMS: Wirtschaftsmathematik 2 :: WS 2009/10 Wirtschaftsmathematik II Reinhard Ullrich Basierend auf Folien von Dr. Ivana Ljubic October 11, 2009
2 1 Funktionen in mehreren Variablen 2 Differentialrechnung in mehreren Variablen 3 Totales Differential 4 Jacobimatrix 5 Kettenregel 6 Approximation durch eine affine Funktion 7 Die zweite Ableitung von f : R n R 8 Die zweite Ableitung von f in Richtung h 9 Definitheit der Matrizen 10 Optimierung in mehreren Variablen 11 Extremwerte unter Nebenbedingungen 12 Konvexität 13 Extremalprobleme mit Ungleichungen als Nebenbedingungen
3 Funktionen in mehreren Variablen Beispiele: Lineare Funktion: f (x 1, x 2,..., x n ) = c 1 x 1 + c 2 x c n x n = c t x Cobb-Douglas Funktionen: in 2 Variablen (der Output einer Produktion hängt von der Arbeit = x 1 und Kapital = x 2 ab): in n Variablen: f (x 1, x 2 ) = x 1 x 2 f (x 1,..., x n ) = x c 1 1 x c x cn n, c i > 0, i = 1,..., n
4 Beispiele f (x, y) = x 2 + y 2 f : R 2 : [0, )
5 Beispiele f (x, y) = x 2 y 2 f : R 2 : R
6 Definitionsbereich Skizziere den Definitionsbereich: 1 f (x, y) = x3 +y 3 x 2 +y 2 2 f (x, y) = sin(x+y) x+y 3 f (x, y) = x y x+y 4 f (x, y) = ln(x 2 y 2 )
7 Graphische Darstellung Applet im Web: flaechen3d/ f (x 1, x 2 ): f (x 1, x 2 ) als Funktionsgebirge, ähnlich wie eine Relief-Landkarte. Höhenschichtlinien der Funktion f, ähnlich wie auf einer Wanderkarte, oder beim Wetterbericht. Beispiele: 1 f (x, y) = ln(x 2 y 2 ) 2 f (x, y) = x + y
8 Einschub: Hyperbel Hyperbel: x 2 a 2 y 2 b 2 = 1 Asymptoten: y = ± b a x
9 Einschub: Parabel Parabel: y = ax 2 y = ax 2 +bx+c
10 Einschub: Elipse Elipse: x 2 a 2 + y 2 b 2 = 1 Kreis: x 2 + y 2 = r 2
11 f (x, y) = log(1 + x 2 + y 2 )
12 Differenzenquotient Die Änderung einer Funktion f auf einem Intervall [x 0, x] ist f (x) f (x 0 ). Die durchschnittliche Änderung ist f (x) f (x 0 ) x x 0 Differenzenquotient Einschub: Differentialrechnung (f : R R)
13 Einschub: Differentialrechnung (f : R R) 1. Ableitung Die momentane Änderung einer Funktion im Punkt x 0 ist die 1.Ableitung von f im Punkt x 0. Sie ist durch folgenden Limes gegeben (sofern der Limes existiert!!) f (x 0 ) = lim h 0 f (x 0 + h) f (x 0 ) h f ist differnzierbar auf D f wenn für alle x 0 D f obriger Limes existiert! Der Anstieg der Tangente an einer Funktion f im Punkt x 0 ist gegeben durch k = f (x 0 ).
14 Elementare Ableitungen Einschub: Differentialrechnung (f : R R) f (x) f (x) f (x) = c R f (x) = 0 f (x) = c g(x) f (x) = c g (x) f (x) = x n f (x) = n x n 1 f (x) = g(x) ± h(x) f (x) = g (x) ± h (x) f (x) = sin(x) f (x) = cos(x) f (x) = cos(x) f (x) = sin(x) f (x) = e x f (x) = e x f (x) = ln(x) f (x) = 1 x Kettenregel [f (g(x))] = f (g(x)) g (x)
15 Partielle Ableitung (f : R n R) Partielle Ableitung Für eine Funktion f (x 1, x 2,..., x n ), nennen wir jene Funktion, welche man erhält, wenn man die Variable x 1,..., x i 1, x i+1,..., x n festhält und nach der Variablen x i differenziert, die i te partielle Ableitung der Funktion f. Wir schreiben: f x i (x 1,..., x n )
16 Partielle Ableitung (f : R n R) Partielle Ableitung Falls der Grenzwert f (x1 lim,..., x i 1, x i + h, xi+1,..., x n) f (x1,..., x n) = f h 0 h x i existiert, so ist die Funktion f im Punkt x = (x 1,..., x n) t partiell nach der Variable x i differenzierbar. Der marginale Zuwachs Grenz-Zuwachs der Funktion f wenn die Variable x i um eine kleine Einheit erhöht wird. x
17 Partielle Ableitung (f : R n R) Beispiele Berechne die partiellen Ableitungen: 1 f (x, y) = xy 2 f (x, y, z) = ln(y 3 + 2x 2 ) + e z 3 f (x, y, z) = xz + yz + xy 4 f (x, y, z) = e xyz
18 Differenzierbarkeit Differenzierbarkeit im Punkt Die Funktion f : R n R heißt im Punkt x = (x 1,..., x n) t differenzierbar, falls es eine Abbildung gibt, sodass f ( x ) = (y 1,..., y n ) : R n R f ( x + s) f ( x ) (y 1,..., y n ) s lim s 0 s = 0
19 Gradientenvektor Ableitung im Punkt x : Wenn f ( x) im Punkt x = (x1,..., x n) t differenzierbar ist, so existieren die partiellen Ableitungen im Punkt x und es gilt: ( f f ( x ) = ( x ),..., f ) ( x ) x 1 x n Gradientenvektor der Funktion f : R n R an der Stelle x versteht man den Vektor f x 1 ( x ) f gradf ( x x ) = 2 ( x ). f x n ( x )
20 Gradientenvektor Gradientenvektor Steht normal auf die Niveaulinie von f an der Stelle x. Zeigt in die Richtung des größten Anstiegs der Funktion f an der Stelle x. Beispiel Bestimme die Richtung des stärksten Anstiegs der Funktion f im Punkt P: 1 f (x, y) = xy in P = (1, 1) 2 f (x 1, x 2 ) = x 2 in P = (2, 2) x1 2 +1
21 Richtungsableitung Richtungsableitung Die Richtungsableitung der Funktion f : R n R an der Stelle P in Richtung h ist: f P h Ist h = 1, dann entspricht die erste Richtungsableitung dem Anstieg der Funktion f an der Stelle P in Richtung h. Applets im Web: flaechen3d/
22 Totales Differential Totales Differential: Zu einer gegebenen Funktion f : R n R, bezeichnet man mit df das totale Differential: df = n i=1 f x i dx i Das totale Differential beschreibt die Änderung von f bei kleinen Änderungen von x i Variablen. Link: http: //
23 Totales Differential Als lineare Abbildung: df (x) = n i=1 f x i (x)dx i df (x) : R n R (Richtungsableitung in Richtung h): [df (x)](h) = f (x) h = n i=1 f x i (x)h i Falls h = e i = (0,..., 1,..., 0) t : [df (x)](h) = f (x) h = f x i (x)
24 Jacobimatrix Jacobimatrix Unter der Jacobi-Matrix der Funktion F : R n R m f 1 (x 1,..., x n ) F (x 1,..., x n ) =. f m (x 1,..., x n ) versteht man die folgende m n Matrix: J(F ) = f 1 x 1 ( x). f m x 1 ( x) f 1 x n ( x). f m x n ( x)
25 Jacobimatrix Bemerkung: Für den Fall F : R n R gilt: F ( x) = J(F ( x)) Beispiele: Berechne die Jacobi-Matrix: 1 F (x, y) = (y 2, x 2, 1 xy )t 2 F (u, v, w) = e uw+v
26 Kettenregel Kettenregel: Seien g : R n R m und f : R m R im Punkt x, bzw. g(x) differenzierbar. Dann gilt für die zusammengesetzte Funktion f g(x) = f (g(x)): J(f g) x = J(f ) g(x) J(g) x Beispiel: Gegeben seien f (t) = (t, sin t, ln t) t und g(x 1, x 2, x 3 ) = x 2 + x1 2 + x 3. Differenziere g f.
27 Approximation durch eine affine Funktion Gleichung der Tangentialebene: Eine Funktion heißt affin, wenn sie die Summe einer linearen Funktion und einer Konstanten ist. f : R R : Tangente a. d. Stelle x 0 : t: y = f (x 0 ) + (x x 0 )f (x 0 ) f : R n R : Affine Funktion a. d. Stelle x 0 : T ( x) = f ( x 0 ) + f ( x 0 ) ( x x 0 ) f : R n R m : Affine Funktion a. d. Stelle x 0 : T ( x) = f ( x 0 ) + Jf ( x 0 ) ( x x 0 )
28 Die zweite Ableitung von f : R n R Hess sche Matrix der Funktion f : R n R grad : R n R n ist eine vektorwertige Funktion. Noch einmal differenzieren matrix. f f x 1... Hf = x 1 x 1 f x 1 x 2. f x 1 x n x 2 x 2 x 2 f x n x 1 f x 2 f x 2... x n.. f x n... x n f x n Jede Komponente des Gradientenvektors von f wird nach jeder Variable abgeleitet.
29 Beispiel Finde die zweite Ableitung von f (x, y) = sin(xy) + x. Beispiel
30 Beispiel Finde die zweite Ableitung von f (x, y) = sin(xy) + x. Satz von Schwarz: Wenn alle 2-fachen partiellen Ableitungen x i stetig sind, dann gilt: f x j Beispiel existieren und f = x i x j f x j x i i, j n Dadurch wird die Hess sche Matrix symetrisch. Es werden folgende Schreibweisen verwendet: f = x i x j 2 f x i x j bzw. x i f x i = 2 f x 2 i
31 Die zweite Ableitung von f in Richtung h Definition: Unter der zweiten Richtungsableitung der Funktion f : R n R an der Stelle P in Richtung des Vektors h versteht man den Ausdruck ht H f ( x) P h Bemerkung: ht H f ( x) P h = n n i=1 j=1 2 f x i x j P h i h j
32 Die zweite Ableitung von f in Richtung h Beispiel: Gegeben ist die Funktion f (x 1, x 2 ) = e x 1+2x 2 und der normierte Vektor h = 1 13 (2, 3) t. Finde im Punkt P(2, ln 2) die zweite Richtungsableitung in Richtung h. Konvex in Richtung h: Falls die zweite Richtungsableitung von f an der Stelle P in Richtung h größer als 0 ist ( h t H f ( x) P h > 0), so ist die Funktion f in der Nähe von P in Richtung h konvex. Konkav in Richtung h: Analog ist f in der Nähe von P in Richtung h konkav, falls ht H f ( x) P h < 0 ist.
33 Einschub: Definitheit der Matrizen Definition: H ist pos. definit x t H x > 0 x R n \ 0 neg. definit x t H x < 0 x R n \ 0 pos. semidefinit x t H x 0 neg. semidefinit x t H x 0 x R n x R n indefinit es gibt x R n \ 0 so dass x t H x < 0 und es gibt y R n \ 0 so dass y t H y > 0
34 Einschub: Definitheit und Eigenwerte Bemerkung: Für jede (symmetrische) n n Matrix H mit Eigenwerten λ 1,..., λ n gilt: Sind alle λ i > 0, dann ist H positiv definit. Sind alle λ i 0, dann ist H positiv semi-definit. Sind alle λ i < 0, dann ist H negativ definit. Sind alle λ i 0, dann ist H negativ semi-definit. Ist ein λ i > 0 und ein λ j < 0, dann ist H indefinit.
35 Konvexität in der Nähe von P Bemerkung: Ist die Hesse-Matrix der Funktion f im Punkt P positiv definit: dann ist f in jeder Richtung h in der Nähe von P konvex. negativ definit: dann ist f in jeder Richtung h in der Nähe von P konkav. indefinit: dann gibt es Richtungen, für die f konkav ist und solche, für die f in der Nähe von P konvex ist.
36 Beispiel Bestimme die Definitheit der folgenden Matrix A: A = Wir suchen die Nullstellen des charakteristischen Polynoms p(λ) = det(a λi n ) = 0. Die zugehörigen Eigenvektoren werden über das homogene lineare Gleichungssystem (A λ i I n )v = 0 berechnet. (Dabei erhält man eine parametrische Losung mit mindestens 1 freien Parameter)
37 Einschub: Eigenwerte & Eigenvektoren Die Anzahl der linear unabhängigen Eigenvektoren zu einem Eigenwert λ i ist gleich der Anzahl der freien Parameter in der Lösung des linearen GLS (A λ i I n )v = 0. Ist A eine obere (untere) Dreiecksmatrix, bzw eine Diagonalmatrix, so stehen die Eigenwerte in der Hauptdiagonalen von A. Ist die Matrix nicht invertierbar, so ist λ = 0 ein Eigenwert. Das Produkt der Eigenwerte ist gleich der Determinante der Matrix.
38 Konvexität Eine Funktion f : R n R sei zweimal stetig differenzierbar. Wenn x R n gilt: Hf ( x) ist positiv definit, dann heißt die Funktion f strikt konvexe Funktion Hf ( x) ist positiv semidefinit, dann heißt die Funktion f konvexe Funktion Hf ( x) ist negativ definit, dann heißt die Funktion f strikt konkave Funktion Hf ( x) ist negativ semidefinit, dann heißt die Funktion f konkave Funktion
39 Beispiele flaechen3d/ Strikt konvex: f (x, y) = x 2 + y 2. Strikt konkav: f (x, y) = (x 2 + y 2 ). Weder noch: f (x, y) = x 2 y 2.
40 Optimierung in mehreren Variablen Definition Sei f : R n R mit D f R n. Ein Punkt x D f heißt: lokaler Maximizer wenn f (x ) f (x) lokaler Minimizer wenn f (x ) f (x) für alle x aus D f die genügend nahe bei x sind, d.h. x D f, die x x < ɛ für ein ɛ > 0. globaler Maximizer wenn f (x ) f (x) globaler Minimizer wenn f (x ) f (x) für alle x aus D f. Bemerkung: Enthält D f auch Randpunkte, so kann f auch Randextrema besitzen.
41 Einschub: Optimierung in einer Variable Beispiel: f : R R, f (x) = x Finde die lokalen Extrema von f 1 in D f 2 in [ 1, 2] 3 in ( 1, 2). Das Rezept: 1 Nullsetzen der ersten Ableitung kritischer Punkt x 2 Natur des Extremums: das Vorzeichen der zweiten Ableitung in x : f (x ) > 0 lokaler Minimizer f (x ) < 0 lokaler Maximizer f (x ) = 0 keine Aussage möglich.
42 Optimierung in mehreren Variablen Kritische Punkte Ein Punkt x 0 R n, für den gilt gradf ( x 0 ) = 0 heißt kritischer Punkt der Funktion f. Proposition Sei f : R n R zweimal stetig differenzierbar. Wenn x 0 kritischer Punkt ist und 1 Hf an der Stelle x 0 positiv definit ist, dann ist x 0 ein lokaler Minimizer. 2 Hf an der Stelle x 0 negativ definit ist, dann ist x 0 ein lokaler Maximizer. 3 Hf an der Stelle x 0 indefinit ist, dann ist x 0 ein Sattelpunkt. 4 Hf an der Stelle x 0 semidefinit ist mit mindestens einem Eigenwert gleich 0, dann ist keine Aussage möglich.
43 Beispiele Bestimme die lokalen Extrema der Funktion f : 1 f (x, y) = x 2 + y 2 2 f (x, y) = x 2 y 2 3 f (x, y) = x 2 y 2 4 f (x, y) = (x 2 + 2y 2 )e x2 y 2
44 Extremwerte unter Nebenbedingungen Nebenbedingungen: Beispiel Maximiere die Fläche eines Rechtecks bei gegebenem Umfang U, d.h. F (a, b) = a b max unter der Nebenbedingung 2a + 2b = U Bemerkung: Wenn der Punkt x = (a, b ) t ein Extremum des Zielfunktionals F (a, b) unter der Nebenbedingung g(a, b) = 0 ist, so ist es notwendig, dass im Punkt x der Gradient von F ein vielfaches vom Gradienten von g ist: gradf (x ) = λgradg(x ).
45 Satz über Lagrange-Multiplikatoren Satz über Lagrange-Multiplikatoren: Gegeben: f ( x) extremal (max. od. min.) Nebenbedingungen: g 1 ( x) = 0 g 2 ( x) = 0. g k ( x) = 0 Damit x lokaler Minimizer oder Maximizer von f unter den Nebenbedingungen g 1, g 2,..., g k ist, ist es notwendig, dass es reelle Zahlen λ 1, λ 2,..., λ k gibt (Lagrange-Multiplikatoren), sodass: grad f ( x )=λ 1 grad g 1 ( x )+λ 2 grad g 2 ( x )+...+λ k grad g k ( x ) Zusatzbedingung Die Vektoren grad g i ( x ) müssen linear unabhängig sein.
46 Klassifizieren von kritischen Punkten, Teil I Lagrange-Funktion Gegeben: f ( x) extremal (max. od. min.) NB: g 1 ( x) = 0 g 2 ( x) = 0. g k ( x) = 0 G( x) = g 1 ( x) g 2 ( x). g k ( x) Wir betrachten die Lagrange-Funktion: L(x 1,...,x n, λ 1,...,λ k )=f (x 1,...,x n) λ 1 g 1 (x 1,..., x n)... λ k g k (x 1,...,x n) Kritischer Punkt von L Sei z = (x1,..., x n, λ 1,..., λ k ) kritischer Punkt des Problemes, d.h. gradl( x) z = 0 und G( x) x = 0
47 Klassifizieren von kritischen Punkten, Teil II Berandete Hesse Matrix H = ( 0k k JG( x) JG( x) t HL( x) Die Hesse-Matrix HL( x) wird gebildet indem man die Ableitungen nach den Variablen x i bildet, die λ i werden als Konstante betrachtet. ) Haben die letzten n k Minoren von H z alle das Vorzeichen ( 1) k, so liegt an der Stelle x ein Minimum vor. Wechseln die letzten n k Minoren von H z ( ) alle das Vorzeichen, wobei sgn det H z = ( 1) n, so liegt an der Stelle x ein Maximum vor.
48 Spezielle Anwendungsfälle n = 2, k = 1 : 3 > 0 Maximum 3 < 0 Minimum n = 3, k = 1 : 4 < 0 und 3 > 0 Maximum 4 < 0 und 3 < 0 Minimum n = 3, k = 2 : 5 < 0 Maximum 5 > 0 Minimum n = 4, k = 2: 6 > 0 und 5 < 0 Maximum 6 > 0 und 5 > 0 Minimum
49 Konvexität Definition: Eine Menge C im R n heißt konvex, wenn zu je zwei Punkten x 1 und x 2 C, auch die Verbindungsstrecke zwischen x 1 und x 2 in C liegt, d.h. λ x 1 + (1 λ) x 2 C für alle x 1, x 2 C
50 Konvexität Definition: Eine Menge C im R n heißt konvex, wenn zu je zwei Punkten x 1 und x 2 C, auch die Verbindungsstrecke zwischen x 1 und x 2 in C liegt, d.h. λ x 1 + (1 λ) x 2 C für alle x 1, x 2 C Bemerkung: Der Durchschnitt von zwei oder mehreren konvexer Mengen ist konvex.
51 Konvexität Definition: Eine Menge C im R n heißt konvex, wenn zu je zwei Punkten x 1 und x 2 C, auch die Verbindungsstrecke zwischen x 1 und x 2 in C liegt, d.h. λ x 1 + (1 λ) x 2 C für alle x 1, x 2 C Bemerkung: Der Durchschnitt von zwei oder mehreren konvexer Mengen ist konvex. Die Vereinigung von zwei konvexen Mengen ist im allgemeinen nicht mehr konvex.
52 Epigraph, I Epigraph: Der Epigraph einer Funktion f : R n R ist diejenige Teilmenge des R n+1, die aus allen Punkten des R n+1 besteht, welche über dem Graphen von f liegen. D.h.: Epi(f ) = {( x y ) x Rn, y R, y f ( x)}
53 Epigraph, I Epigraph: Der Epigraph einer Funktion f : R n R ist diejenige Teilmenge des R n+1, die aus allen Punkten des R n+1 besteht, welche über dem Graphen von f liegen. D.h.: Epi(f ) = {( x y ) x Rn, y R, y f ( x)} Konvexe Funktion: Eine auf einer konvexen Teilmenge C des R n definierte Funktion f : C R heißt konvex, falls der Epigraph von f eine konvexe Menge ist.
54 Epigraph, I Epigraph: Der Epigraph einer Funktion f : R n R ist diejenige Teilmenge des R n+1, die aus allen Punkten des R n+1 besteht, welche über dem Graphen von f liegen. D.h.: Epi(f ) = {( x y ) x Rn, y R, y f ( x)} Konvexe Funktion: Eine auf einer konvexen Teilmenge C des R n definierte Funktion f : C R heißt konvex, falls der Epigraph von f eine konvexe Menge ist. Konkave Funktion: Die Funktion f heißt konkav, falls die Funktion f konvex ist.
55 Epigraph, II Beispiel: Für α R betrachten wir die Funktion f : R + R +, f = x α. Für α 0 oder α 1 ist f konvex, für 0 < α < 1 ist f konkav. Warum?
56 Epigraph, II Beispiel: Für α R betrachten wir die Funktion f : R + R +, f = x α. Für α 0 oder α 1 ist f konvex, für 0 < α < 1 ist f konkav. Warum? Proposition: Sei g : C R eine auf einer konvexen Teilmenge C des R n definierte konvexe Funktion. Dann ist für jedes b R die Menge C b = { x C g( x) b} konvex.
57 Extremalprobleme mit Ungleichungen als Nebenbedingungen, I Der zulässige Bereich eines Optimierungsproblems: Für das Optimierungsproblem f ( x) = max! nennen wir die Menge g 1 ( x) b 1 g 2 ( x) b 2. g m( x) b m C = { x R n g j ( x) b j für j = 1, 2,..., m} den zulässigen Bereich des Optimierungsproblems.
58 Bemerkungen: Extremalprobleme mit Ungleichungen als Nebenbedingungen, I Wenn ein Minimierungsproblem F (x) = min! vorliegt, läßt es sich durch Änderung des Vorzeichens in die max! Form überführen: f (x) = F (x) = max!.
59 Bemerkungen: Extremalprobleme mit Ungleichungen als Nebenbedingungen, I Wenn ein Minimierungsproblem F (x) = min! vorliegt, läßt es sich durch Änderung des Vorzeichens in die max! Form überführen: f (x) = F (x) = max!. Die Ungleichungen der Form h( x) b j lassen sich in die Form umschreiben. g( x) = h( x) b j
60 Bemerkungen: Extremalprobleme mit Ungleichungen als Nebenbedingungen, I Wenn ein Minimierungsproblem F (x) = min! vorliegt, läßt es sich durch Änderung des Vorzeichens in die max! Form überführen: f (x) = F (x) = max!. Die Ungleichungen der Form h( x) b j lassen sich in die Form g( x) = h( x) b j umschreiben. Eine Gleichheitsnebenbedingung g( x) = b j schreiben wir als: g( x) b j und g( x) b j.
61 (In)Aktive Restriktionen: Spezielle Anwendungsfälle Eine Restriktion g j ( x) b j heißt aktiv im Punkt x C, falls gilt: g j ( x ) = b j. Die Menge der im Punkt x C aktiven Nebenbedingungen bezeichnen wir mit J a( x ). Beispiel: Der Zulässige Bereich C eines Optimierungsproblems sei durch folgende Ungleichungen beschrieben: x 2 + y 2 25, x 4, x + y 1 Untersuchen Sie für die angegebenen Punkte P j, ob Sie im zulässigen Bereich C liegen. Geben Sie für Punkte im zulässigen Bereich die Menge der aktiven und die Menge der inaktiven Nebenbedingungen an! P 1 (3 4), P 2 ( 1 2), P 3 (2 2), P 4 (4 3), P 5 ( 3 4), P 6 (0 5)
62 Konkaves Programm Ein Optimierungsproblem Konkaves/Konvexes Programm f ( x) = max! g 1 ( x) b 1. g m( x) b m heißt konkaves Programm, wenn die Zielfunktion f eine konkave Funktion und die Nebenbedingugnsfunktionen g j konvexe Funktionen sind.
63 Konkaves Programm Ein Optimierungsproblem Konkaves/Konvexes Programm f ( x) = max! g 1 ( x) b 1. g m( x) b m heißt konkaves Programm, wenn die Zielfunktion f eine konkave Funktion und die Nebenbedingugnsfunktionen g j konvexe Funktionen sind. Konvexes Programm Ein Optimierungsproblem f ( x) = min! g 1 ( x) b 1. g m( x) b m heißt konvexes Programm, wenn die Zielfunktion f eine konvexe Funktion und die Nebenbedingugnsfunktionen g j konvexe Funktionen sind.
64 Satz von Kuhn-Tucker: Sei x ein lokaler Maximizer für das Optimierungsproblem Satz von Kuhn-Tucker f ( x) = max! g 1 ( x) b 1 g 2 ( x) b 2. g m( x) b m 1 Dann gibt es nichtnegative Zahlen λ 1,..., λ m, sodass m gradf ( x ) = λ j grad g j ( x ) j=1 Außerdem gelten Complementary Slackness Bedingungen: λ j = 0 für j / J a( x ) 2 Wenn ein konkaves Programm vorliegt, dann ist Bedingung (1) hinreichend, dass x ein Maximizer des Optimierungsproblems ist. 3 Bemerkung: x muss darüber hinaus die constrained qualification erfüllen. (S. 49)
65 Satz von Kuhn-Tucker: Sei x ein lokaler Minimizer für das Optimierungsproblem Satz von Kuhn-Tucker f ( x) = min! g 1 ( x) b 1 g 2 ( x) b 2. g m( x) b m 1 Dann gibt es nichtpositive Zahlen λ 1,..., λ m, sodass m gradf ( x ) = λ j grad g j ( x ) j=1 Außerdem gelten Complementary Slackness Bedingungen: λ j = 0 für j / J a( x ) 2 Wenn ein konvexes Programm vorliegt, dann ist Bedingung (1) hinreichend, dass x ein Minimizer des Optimierungsproblems ist. 3 Bemerkung: x muss darüber hinaus die constrained qualification erfüllen. (S. 49)
66 Satz von Kuhn-Tucker Bemerkung: Die KT-Bedingungen lassen sich aus der Lagrange-Funktion ableiten: L(x 1, x 2,..., x n, λ 1,..., λ m) = f ( x) Die n Gleichungen müßen erfüllt sein: m λ j (g( x) b j ). i=j und L x 1 = = L x n = 0 L L 0,..., 0 λ 1 λ m
67 Satz von Kuhn-Tucker - Beispiel Beispiel: Angenommen, die Kosten der Produktionsfaktoren betragen 1 Euro pro Einheit Arbeit und Kapital in der Cobb-Douglas Funktion: f (x, y) = x 1 2 y 1 4, maximieren sie die Produktion wenn insgesamt b Euro für die Produktionsfaktoren zur Verfügung stehen.
68 Satz von Kuhn-Tucker - Beispiel Beispiel: Prüfe, ob der Punkt P = (4, 3) ein lokaler (der globale) Minimizer des gegebenen Problems ist: (4x + 3y) 2 max! x 2 + y x + y 4 Satz: Eine auf einem abgeschlossenen und beschränkten Bereich definierte stetige Funktion besitzt einen globalen Maximizer und einen globalen Minimizer.
69 Satz: Wenn ein konkaves Programm (P) im Punkt x ein lokales Maximum besitzt, so besitzt es in x bereits ein globales Maximum. Satz: Wenn ein konvexes Programm (P) im Punkt x ein lokales Minimum besitzt, so besitzt es in x bereits ein globales Minimum.
FK 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.
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,
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
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
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
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
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
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
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
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
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
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)
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 09/10. Michael Karow. Themen: Taylor-Entwicklung und lokale Extrema
Vorlesung: Analysis II für Ingenieure Wintersemester 09/10 Michael Karow Themen: Taylor-Entwicklung und lokale Extrema Motivierendes Beispiel: die Funktion f(x, y) = x(x 1) 2 2 y 2. Dieselbe Funktion von
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
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
Mehr3 Differenzierbarkeit und Ableitung (Differentialrechnung I)
3 Differenzierbarkeit und Ableitung (Differentialrechnung I) 31 Differenzierbarkeit und Ableitung von Funktionen einer Variablen Definition 31 Es sei M R, f : M R und a M Wenn der Funktionsgrenzwert f(x)
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
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
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
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
MehrMikroökonomik Prof. Dr. Stefan Klonner SoSe Übungsblatt 1
1 Funktionen Definition 1 (Funktion). Übungsblatt 1 Eine Funktion f(x) einer reellen Variable x mit Definitionsbereich D ist eine Regel, die jeder Zahl x in D eine reelle Zahl f(x) eindeutig zuordnet.
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
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
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
MehrFunktionen mehrerer Variabler
Vektoranalysis Funktionen mehrerer Variabler Wir untersuchen allgemein vektorwertige Funktionen von vektoriellen Argumenten, wobei zunächst nur reelle Vektoren zugelassen seien. Speziell betrachten wir:
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
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
Mehr4.5 Lokale Extrema und die Hessesche Form
80 Kapitel 4. Differentialrechnung in mehreren Variablen 4.5 Lokale Extrema und die Hessesche Form Sei ab jetzt U R n offen und f:u R eine Funktion. Unter einem lokalen Extremum der Funktion f verstehen
Mehr4.4 Lokale Extrema und die Hessesche Form
74 Kapitel 4 Differentialrechnung in mehreren Variablen 44 Lokale Extrema und die Hessesche Form Sei jetzt wieder U R n offen und f:u R eine Funktion Unter einem lokalen Extremum der Funktion f verstehen
Mehr5.10. 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(
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
MehrThema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema
Thema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema In diesem Kapitel befassen wir uns mit der Ableitung von Funktionen f : R m R n. Allein die Schreibweise
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
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
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
MehrProf. Dr. H. Brenner Osnabrück SS Analysis II. Vorlesung 50. Hinreichende Kriterien für lokale Extrema
Prof. Dr. H. Brenner Osnabrück SS 205 Analysis II Vorlesung 50 Hinreichende Kriterien für lokale Extrema Wir kommen jetzt zu hinreichenden Kriterien für die Existenz von lokalen Extrema einer Funktion
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
MehrMathematik I für MB und ME
Übungsaufgaben Aufgaben zur Wiederholung Mathematik I für MB und ME Fachbereich Grundlagenwissenschaften Prof Dr Viola Weiÿ Wintersemester 06/07 a) Stellen Sie die Gleichung a b 3+c = a +c, a, b > 0, nach
MehrDifferential- und Integralrechnung
Brückenkurs Mathematik TU Dresden 2016 Differential- und Integralrechnung Schwerpunkte: Differentiation Integration Eigenschaften und Anwendungen Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik
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
MehrMathematische Behandlung der Natur- und Wirtschaftswissenschaften I. f(x) := e x + x.
Technische Universität München WS 009/0 Fakultät für Mathematik Prof. Dr. J. Edenhofer Dipl.-Ing. W. Schultz Übung Lösungsvorschlag Mathematische Behandlung der Natur- und Wirtschaftswissenschaften I Aufgabe
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
MehrPRÜFUNG AUS ANALYSIS F. INF.
Zuname: Vorname: Matrikelnummer: PRÜFUNG AUS ANALYSIS F. INF. (GITTENBERGER) Wien, am 2. Juli 2013 (Ab hier freilassen!) Arbeitszeit: 100 Minuten 1) 2) 3) 4) 5) 1)(8 P.) Sei f : R 2 R mit f(x, y) = e x
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
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
MehrLagrange-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
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
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
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,
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.
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
MehrUnivariate Analysis. Analysis und nichtlineare Modelle Sommersemester
Analysis und nichtlineare Modelle Sommersemester 9 5 Univariate Analysis C. Berechnen Sie ohne Taschenrechner(!). Runden Sie die Ergebnisse auf ganze Zahlen. (a) 7 :, (b) 795 :.. Berechnen Sie ohne Taschenrechner(!):
MehrP AP 1 = D. A k = P 1 D k P. = D k. mit P 0 3
Matrixpotenzen In Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden Ist die Matrix diagonalisierbar, dann kann diese Berechnung wie folgt vereinfacht werden Sei A eine diagonalisierbare
Mehr1.3 Differenzierbarkeit
1 1.3 Differenzierbarkeit Definition Sei B R n offen, a B, f : B R eine Funktion und v 0 ein beliebiger Vektor im R n. Wenn der Grenzwert D v f(a) := lim t 0 f(a + tv) f(a) t existiert, so bezeichnet man
MehrFerienkurs der TU München- - Analysis 2 Funktionen in mehreren Variablen Vorlesung
Ferienkurs der TU München- - Analysis 2 Funktionen in mehreren Variablen Vorlesung Jonas J. Funke 30.08.2010-03.09.2010 Inhaltsverzeichnis 1 Funktionen in mehreren Variablen 3 2 Partielle Differentiation
MehrMathematik für Anwender II
Prof. Dr. H. Brenner Osnabrück SS 2012 Mathematik für Anwender II Vorlesung 49 Zu einer reellwertigen Funktion Extrema auf einer offenen Menge G R n interessieren wir uns, wie schon bei einem eindimensionalen
Mehrf(x) f(a) f (a) := lim x a Es existiert ein Polynom ersten Grades l(x) = f(a) + c (x a) derart, dass gilt lim x a x a lim
A Analysis, Woche 8 Partielle Ableitungen A 8. Partielle Ableitungen Wir haben vorhin Existenzkriterien für Extrema betrachtet, aber wo liegen sie genau? Anders gesagt, wie berechnet man sie? In einer
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
MehrFachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen
Fachbereich Mathematik/Informatik 6. Juni 0 Prof. Dr. H. Brenner Mathematik für Anwender II Testklausur mit Lösungen Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Ein Skalarprodukt
MehrFK WMS: Wirtschaftsmathematik 2, Einheit 1
Markus Sinnl 2 markus.sinnl@univie.ac.at http://homepage.univie.ac.at/markus.sinnl basierend auf Folien von Dr. Ivana Ljubic, Mag. Christian Spreitzer und Mag. Reinhard Ullrich 2 Sprechstunde: MI, 10-11
Mehr26. Höhere Ableitungen
26. Höhere Ableitungen 331 26. Höhere Ableitungen Im letzten Kapitel haben wir gesehen, wie man für Abbildungen zwischen mehrdimensionalen Räumen das Konzept der Differenzierbarkeit definieren und für
MehrKuhn-Tucker-Bedingung
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
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.
MehrMathematik für Wirtschaftswissenschaftler im WS 12/13 Lösungen zu den Übungsaufgaben Blatt 12
Mathematik für Wirtschaftswissenschaftler im WS /3 Lösungen zu den Übungsaufgaben Blatt Aufgabe 5 Welche der folgenden Matrizen sind positiv bzw negativ definit? A 8, B 3 7 7 8 9 3, C 7 4 3 3 8 3 3 π 3
Mehri j m f(y )h i h j h m
10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
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
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
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,
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 10
Technische Universität München Zentrum Mathematik Mathematik 2 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt Hausaufgaben Aufgabe. Sei f : R 2 R gegeben durch x 2 y für (x, y)
MehrHTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt. Mathematik II für Bauingenieure. (f) 4 sin x cos 5 x dx. 3 x e x2 dx (i) e 2x 1 dx.
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Mathematik II Mathematik II für Bauingenieure Wiederholungsaufgaben zur Prüfungsklausur im Juli 2007 1 Integralrechnung Aufgabe 1 : Berechnen Sie die folgenden
MehrMathematik II. Vorlesung 46. Der Gradient
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 46 Der Gradient Lemma 46.1. Es sei K ein Körper und V ein K-Vektorraum, der mit einer Bilinearform, versehen sei. Dann gelten folgende Aussagen
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
Mehr1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
MehrMathematik für Betriebswirte II (Analysis) 1. Klausur Sommersemester
Mathematik für Betriebswirte II (Analysis). Klausur Sommersemester 04 5.07.04 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:................................................................... Vorname:....................................................................
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrINGENIEURMATHEMATIK. 9. Differentialrechnung für Funktionen mehrerer Variablen. Sommersemester Prof. Dr. Gunar Matthies
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik INGENIEURMATHEMATIK 9. Differentialrechnung für Funktionen mehrerer Variablen Prof. Dr. Gunar Matthies Sommersemester
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 1 Hausaufgaben Aufgabe 1.1 Sei f : R R gegeben durch f(x 1, x ) = x 3
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
MehrDer metrische Raum (X, d) ist gegeben. Zeigen Sie, dass auch
TECHNISCHE UNIVERSITÄT BERLIN SS 07 Institut für Mathematik Stand: 3. Juli 007 Ferus / Garcke Lösungsskizzen zur Klausur vom 6.07.07 Analysis II. Aufgabe (5 Punkte Der metrische Raum (X, d ist gegeben.
MehrPrüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
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
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
MehrMathematik 2 SS 2016
Mathematik 2 SS 2016 2. Übungsblatt Gruppe 1 18. Man zeige, dass die Gleichung f(x, y) = y 5 e y (2x 2 + 3) sin y + x 2 y 2 x cos x = 0 in einer Umgebung des Punktes P (0, 0) nach y aufgelöst werden kann,
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
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
MehrAnalysis1-Klausuren in den ET-Studiengängen (Ba) ab 2007
Analysis-Klausuren in den ET-Studiengängen (Ba) ab 7 Im Folgenden finden Sie die Aufgabenstellungen der bisherigen Klausuren Analysis im Bachelorstudium der ET-Studiengänge sowie knapp gehaltene Ergebnisangaben.
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
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
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
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
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,
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
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrMathematik für Wirtschaftswissenschaftler II (Analysis) 2. Klausur Sommersemester
Mathematik für Wirtschaftswissenschaftler II (Analysis) 2. Klausur Sommersemester 2011 30.09.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
Mehr28 Taylor-Formel, lokale Extrema
VII. Differentialrechnung in mehreren Variablen 458 28 Taylor-Formel, lokale Extrema Wir erinnern an den Mittelwertsatz für differenzierbare Funktionen f : D R (D R n offen) (vgl. 26.1): Sind a,b D Punkte,
Mehr