Mathematik II für Chemie und LA Chemie. Karsten Eppler Technische Universität Dresden Institut für Numerische Mathematik
|
|
- Christa Bieber
- vor 6 Jahren
- Abrufe
Transkript
1 Mathematik II für Chemie und LA Chemie Karsten Eppler Technische Universität Dresden Institut für Numerische Mathematik eppler Vorlesungsassistent: Herr Dr. Morherr
2 Organisatorische Hinweise K. Eppler: Willersbau, Zi.: C 318, Tel.: Sprechzeit: Di Uhr Übungsaufgaben: s. Homepage Dr. Morherr (1. Übung - in der 1. Woche ( ): Klausurbesprechung) Termin Prüfungsklausur: Wird noch bekanntgegeben Literatur: s. Skript Chemie I (Dr. Kuhlisch, WS 17/18) (Ergänzung?): Bärwolff Höhere Mathematik für Naturwissenschaftler und Ingenieure (Spektrum) Übungsmaterial: Wenzel/Heinrich Übungsaufgaben zur Analysis (Ü1+Ü2); Pforr/Oehlschlaegel/Seltmann zur linearen Algebra und linearen Übungsaufgaben Optimierung (Ü3)
3 Inhaltsübersicht I - Kurs Ch II Funktionen von mehreren reellen Variablen Grundbegriffe, Stetigkeit (Wdhlg. - kurz) Mehrdimensionale Differentialrechnung: partielle Ableitung; Gradient; Hessian (S.v. Schwarz) Anwendungen: totales Differential + Fehlerrechnung; Taylorentwicklung; Satz über implizite Funktionen; Extremwertaufgaben (auch mit Gleichungs-NB) Lineare Algebra: Eigenwerte und Eigenvektoren von Matrizen; Diagonalisierbarkeit
4 Inhaltsübersicht II - Kurs Ch II Gewöhnliche DGL (GDGL) (skalare) lineare GDGL 1. Ordnung; Bernoullische DGL lineare DGL höherer Ordnung mit konst. Koeffizienten lineare DGL-Systeme mit konst. Koeffizienten Einführung in die mehrdimensionale Integralrechnung Parameterdarstellung von Kurven Kurvenintegrale 1. und 2. Art Flächenintegrale evtl. Numerik: Nichtlineare GS, Integration (auch AWA)
5 1. Funktionen mehrerer Veränderlicher 1.1 Analysis im R n Natürliche Basis des R n und Ortsvektor e 3 z x y x e 2 e 1
6 Der Betrag (Länge) von Vektoren Def.1.1: Sei x = (x 1,..., x n ) R n. Dann heißt x := x x2 n = n Betrag oder Länge von x. Der Euklidische Abstand der Vektoren x, y R n wird durch x y i=1 definiert, also als Betrag des Differenzvektors x y. x 2 i
7 Offene und abgeschlossene Kugelumgebung Def. 1.2: Die Menge K r (x 0 ) := {x R n x x 0 < r} heißt offene Kugelumgebung des Punktes x 0 mit dem Radius r > 0. Die Menge K r (x 0 ) := {x R n x x 0 r} heißt abgeschlossene Kugelumgebung des Punktes x 0 mit dem Radius r > 0.
8 Innere Punkte und offene Mengen Def. 1.3: Sei M R n. Ein Punkt x M heißt innerer Punkt der Menge M, wenn eine Umgebung K r (x) existiert, die ganz zu M gehört. Die Menge M heißt offen, wenn sie nur innere Punkte enthält. int M bezeichnet die Menge aller inneren Punkte von M.
9 Häufungspunkt einer Menge Def. 1.4: Ein Punkt x R n heißt Häufungspunkt der Menge M R n, wenn in jeder Umgebung des Punktes x ein Punkt y x der Menge M liegt. Das bedeutet, x ist Häufungspunkt von M genau dann, wenn gilt M {K r (x) \ {x}} für alle r > 0. Folgerung: In jeder Kugel K r (x) (r > 0 beliebig) liegen unendlich viele Punkte von M. Bemerkung: Ein Häufungspunkt kann, muß aber nicht zu M gehören.
10 Randpunkt einer Menge Def. 1.5: Ein Punkt x R n heißt Randpunkt der Menge M, wenn in jeder Umgebung K r (x) sowohl ein Punkt der Menge M als auch ein Punkt der Menge R n \ M liegt. M bezeichnet die Menge aller Randpunkte der Menge M. Abgeschlossene Mengen Def. 1.6: Eine Menge M R n heißt abgeschlossen, wenn sie alle ihre Randpunkte enthält. Die Menge R n und die leere Menge sind sowohl offen als auch abgeschlossen.
11 Beschränkte und kompakte Mengen Def. 1.7: Eine Menge M R n heißt beschränkt, wenn es eine Konstante C > 0 gibt, so dass x C für alle x M. Eine Menge M R n heißt kompakt, wenn sie beschränkt und abgeschlossen ist. Bemerkung: Eine äquivalente Formulierung der Beschränktheit lautet Es existiert ein C > 0 derart, daß M K C (0).
12 Verbindungsstrecke und Polygonzug Def. 1.8: Seien x, y R n sowie x 0,... x p R n. Dann heißt [x, y] := {x + s(y x) s [0, 1]} Verbindungsstrecke von x und y und [x 0,..., x p ] := p [x j 1, x j ] j=1 Polygonzug, der x 0,..., x p (in dieser Reihenfolge) verbindet.
13 K. Eppler, Inst. f. Num. Mathematik Konvexe Mengen Def. 1.8 (Fortsetzung): Eine Menge M Rn heißt konvex, falls mit je zwei Punkten x und y aus M auch die Verbindungsstrecke [x, y] ganz zu M geho rt.
14 Folgen im R n Def. 1.9: Seien K N. Eine Abbildung, die jeder natürlichen Zahl k K genau ein Element a k R n zuordnet, heißt Folge von Vektoren des R n und wird durch (a k ) k K bezeichnet. Falls K = N oder falls klar ist, um welche Menge K es sich handelt, schreibt man auch nur (a k )
15 Grenzwert einer Folge I Def. 1.10: Sei (a k ) k K eine Folge im R n. Der Vektor a R n heißt Grenzwert oder Limes von (a k ) k K, wenn für jedes ɛ > 0 ein Index k ɛ N existiert, so dass Man schreibt dann a = a k a < ɛ für alle k K mit k k ɛ. lim a k oder a k a für k, k K k, k K bzw., falls K = N oder die Menge K klar ist, a = lim k a k oder a k a für k.
16 Grenzwert einer Folge II Satz 1.1: Der Grenzwert einer Folge (a k ) im R n existiert genau dann, wenn die Grenzwerte der Koordinatenfolgen (a ik ) für i = 1,..., n existieren. Es gilt dann lim a k = k lim k a 1k. lim k a nk. Beispiel: Es sei die Folge (a k ) R 3 gegeben durch [ln k] 125 / 500 k a k := (1 1 k )k. NICHT konv., da (a 3) k (1 ( 1) k ) nicht konv.
17 Abbildung (Funktion) Def. 1.11: Eine Abbildung f : D R n R m ist eine Vorschrift, die jedem x D genau ein Element y R m zuordnet, man schreibt y = f(x) D heißt Definitionsbereich der Abbildung f. Die Menge W := f(d) := {f(x) x D} R m heißt Wertebereich der Abbildung f.
18 Graph einer Funktion als Fläche im R 3 Abbildung 1.1: f : D R 2 R mit z := f(x, y) := 1 x 2 y 2 D := {(x, y) x 2 + y 2 1}
19 Stetigkeit von Abbildungen Def. 1.12: Sei D R n. Eine Abbildung f : D R m heißt stetig in x 0 D, wenn für alle Folgen (x k ) D aus die Beziehung folgt. lim k x k = x 0 lim f(x k) = f(x 0 ) k f heißt stetig auf A D, wenn f für alle x A stetig ist. f heißt stetig, wenn f auf dem Definitionsbereich D stetig ist.
20 Vererbung der Stetigkeit Sind f : D R und g : D R stetig im Punkt x 0 D, so sind f + g, f g, f g und auch stetig in x 0. f g (falls g(x 0 ) 0) Seien f : A B und g : B C gegeben und A R n, B R p, C R m. Wenn f in x 0 A und g in f(x 0 ) B stetig sind, dann ist die verkettete Funktion g f : A C stetig in x 0 (dabei möglich: n p m). Bemerkung: Die Begriffe monotone, gerade/ungerade, periodische Fkt. und Umkehrfkt. lassen sich nicht (direkt) auf mehrdimensionale Funktionen übertragen!
21 2 Beispiele zu GW/Stetigkeit von Abb. I 2): f 2 (x, y)= xy x 2 + y 2, 3): f 3(x, y)= x 2 + y x2 + y 2 1, DB(f 2/3 ) = R 2 \ {0} In jedem Punkt ihres (natürlichen) DB sind die beiden Funktionen ) stetig. Kritisch ist das Grenzwertverhalten in x = 0. Dazu ( 0 0 r > 0, ϕ [0, 2π) : R2 x = ( ) x y = ( ) r cos ϕ r sin ϕ 0 : x 0 r 0 (!) Dann gilt: f 2/3 (x) = f 2/3 (r, ϕ) und lim x 0 f 2/3 (x) = c = lim r 0 f2/3 (r, ϕ) f 2 (r, ϕ) = sin ϕ cos ϕ = 1 2 sin 2ϕ, f3 (r, ϕ) = r r2 1
22 2 Beispiele zu GW/Stetigkeit von Abb. II Das Grenzwertverhalten von f 3 (bzw. f 3 ) für x 0: lim r 0 r f 2 3 (r, ϕ) = lim r r2 1 =... = 2 (l Hospital) Für f 3 existiert der GW lim x 0 f 3 (x) = 2 stetige Fortsetzbarkeit Für f 2 (bzw. f 2 ) existieren nur Richtungs-GW mit festem ( ) d1 d = R 2 lim f 2 (0 + td) = lim f2 (r, ϕ 0 ) = 1 t 0 r 0 2 sin 2ϕ 0, d 2 ϕ 0 = arctan(d 2 /d 1 ), aber dabei gilt i.a. Ungleichheit, z.b. ( ) ( ) sin(2 0) = lim 2 f 2(0 + t ) lim f 2 (0 + t ) = 1 t 0 0 t sin(2 π 4 )
23 1.2 Mehrdimensionale Differentialrechnung Partielle Ableitungen Abbildung 1.2: Graph von f(x 1, x 2 ) := 1 x 1 x 2
24 Partielle Ableitung einer Funktion Abbildung 1.3: Graph von f (x 1 ) = 1 3x 1 an f einschließlich Tangente
25 Partielle Ableitungen Def. 1.12: Sei D R n, x ein innerer Punkt von D und f : D R. Existiert der Grenzwert f xi (x) := f(x) x i f(x + he i ) f(x) := lim, h 0 h dann heißt er partielle Ableitung von f nach x i an der Stelle x und man sagt, f ist in x partiell differenzierbar nach x i. Eine Funktion f : D R heißt partiell differenzierbar in x, falls in x die partiellen Ableitungen von f nach x 1,..., x n existieren. Ist D offen und ist f für jedes x D partiell differenzierbar, so heißt f partiell differenzierbar.
26 Differenzierbarkeit von Abbildungen Def.: Eine Abbildung f : D R m heißt in einem inneren Punkt x 0 von D differenzierbar, falls sie in x 0 partiell differenzierbar ist und f(x) = f(x 0 ) + f (x 0 )(x x 0 ) + R(x x 0 ) für alle x aus einer Umgebung von x 0 gilt, wobei R(x x 0 ) lim x x 0 x x 0 = 0. Die Abbildung f heißt differenzierbar, falls D offen und f in jedem Punkt von D differenzierbar ist. f (bzw. f (x 0 )) heißt dann Ableitung von f (an der Stelle x 0 )
27 Stetige partielle Differenzierbarkeit Def. 1.13: Sei D R n und x innerer Punkt von D. Dann heißt f : D R n stetig partiell differenzierbar in x, falls f in x partiell differenzierbar ist und die partiellen Ableitungen stetig in x sind. f xi : D R für i = 1,..., n Ist D offen und ist f für jedes x D stetig partiell differenzierbar, so heißt f stetig partiell differenzierbar. Stetige partielle Differenzierbarkeit ist ein hinreichendes Kriterium für Differenzierbarkeit.
28 Der Gradient einer Funktion Def. 1.14: Sei D R n und f : D R stetig partiell differenzierbar in x. Dann heißt der Vektor f x 1 (x) f(x) := grad f(x) :=. Rn f x n (x) Gradient der Funktion f im Punkt x. Ist f stetig partiell differenzierbar, so definiert f : D R n damit eine vektorwertige Abbildung, die Gradient der Funktion f genannt wird (dann Kurznotation: f C 1 ).
29 Höhere partielle Ableitungen Def. 1.15: Sei f : D R partiell differenzierbar. Existiert die Ableitung f xi x j := ( ) f von f xi nach x j, x j x i so heißt sie zweite partielle Ableitung von f nach x i und x j. Falls alle zweiten partiellen Ableitungen für i, j = 1,..., n existieren (und stetig sind), so heißt f zweimal (stetig) partiell differenzierbar. k-te partielle Ableitungen (auch partielle Ableitungen k-ter Ordnung genannt) werden entsprechend rekursiv definiert, sofern sie existieren: f xi1...x ik := ) (f xi1...xik 1 x ik
30 Satz von Schwarz Satz 1.2: Seien D R n und f : D R eine p-mal stetig partiell differenzierbare Funktion und i 1, i 2,..., i k aus {1, 2,..., n} gewählte Indizes mit 1 < k p, so ist f xi1 x i2...x ik unabhängig von der Reihenfolge dieser Indizes. Speziell für n = p = 2 gilt (f = f(x, y)) f xy := ( ) f = f yx := y x x ( ) f y
31 Partielle Ableitung einer vektorwertigen Abb. Def. 1.16: Seien D R n, f 1,..., f m : D R und f : D R m mit f 1 (x) f(x) =.. f m (x) Die Abbildung f heißt (stetig) partiell differenzierbar in x D bzw. (stetig) partiell differenzierbar, falls f 1,..., f m (stetig) partiell differenzierbar in x bzw. (stetig) partiell differenzierbar sind.
32 Die Jacobi-Matrix (Jacobian) Def. 1.17: Sei D R n und f : D R m in x D partiell differenzierbar. Dann heißt die Matrix f 1 f x 1 (x) 1 x n (x) f (x) :=. f m x 1 (x). f m x n (x) Jacobi-Matrix (oder Ableitungsmatrix oder Ableitung) von f in x. Man schreibt auch f(x) := ( f 1, f 2,..., f m ) = f (x).
33 Die Hesse-Matrix (Hessian) Def. 1.18: Sei D R n und f : D R in x D zweimal stetig partiell differenzierbar. Dann heißt die Matrix f x1 x 1 (x) f x1 x n (x) f (x) :=.. f xn x 1 (x) f xn x n (x) Hesse-Matrix von f an der Stelle x. Man schreibt auch 2 f(x) := f (x).
34 Ein Beispiel g : R 2 R, g(x, y) = 1 + x 2 ln y, (DB : y > 0). g x (x, y) = x 1 + x 2 ln y, g y(x, y) = 1 + x 2, y 2 g x 2 = ln y 1 + x 2 3, 2 g 1 + x y 2 = 2 y 2, 2 g x y = 2 g y x = x y 1 + x 2 g : R 2 R 2 (vektorwertig), 2 g : R 2 R 2 2 (Matrixfunktion) g(x, y) = x ln y 1+x 2 1+x 2 y, 2 g(x, y) = ln y 1+x 2 3 x y 1+x 2 x y 1+x 2 1+x 2 y 2.
35 Differentiationsregeln Linearität: Sind f : D R m und g : D R m differenzierbar in x und λ, µ R, so ist auch die Abbildung λf + µg : D R m in x differenzierbar und es gilt (λf + µg) (x) = λf (x) + µg (x). Kettenregel: Es seien h : C R p und g : D R m mit h(c) D. Falls h in x C differenzierbar und g differenzierbar in h(x), dann ist auch g h : C R m in x differenzierbar und es gilt (g h) (x) = g (h(x)) h (x). Achtung: Das ist (i.a.) ein Produkt von Matrizen!
36 Bemerkung: Für die Berechnung partieller Ableitungen gelten natürlich weiterhin Produkt- und Quotientenregel, daraus ergeben sich oft auch allgemeine Formeln für Gradient usw., [ ] f z.b.: [g f] = g f + f g, = 1 [g f f g] g g2 Richtungsableitung Def. 1.19: Seien D R n, f : D R und ein Vektor d R n gegeben. Falls der Grenzwert f (x; d) := lim t 0 f(x + td) f(x) t existiert, dann nennt man ihn die Richtungsableitung der Funktion f an der Stelle x in Richtung d.
37 Richtungsableitung bei Differenzierbarkeit Satz 1.3: Seien D R n und f : D R in x D differenzierbar. Dann gilt für alle d R n. Dabei ist f (x; d) = f(x) d f(x) die Richtung des stärksten Anstiegs von f im Punkt x, d.h., der Vektor ˆd = f(x)/ f(x) ist Lösung von max f (x; d), d =1 (x ist fest).
38 Totales Differential Def (totales oder vollständiges Differential): Die durch dz = n j=1 f x j (x 0 )dx j beschriebene lineare Funktion mit den Variablen dx 1, dx 2,..., dx n heißt das vollständige oder totale Differential von f in x 0. Die Funktion wird auch durch df : R n R mit der Funktionsgleichung df(dx 1, dx 2,..., dx n ) := n j=1 f x j (x 0 )dx j symbolisiert.
39 1.3 Anwendung(en) der Differentialrechnung Der Mittelwertsatz für f : R n R Satz 1.4: Sei f : D R stetig differenzierbar und die Strecke [x, x + h] liege im Inneren von D. Dann gibt es eine Zahl θ mit 0 < θ < 1, so dass f(x + h) f(x) = f(x + θh) h. Achtung: Für Vektorfelder f : R n R m, m > 1, gibt es kein(!) Analogon (in dieser Form)! Es gilt aber die Abschätzung (auch für Vektorfelder) f(x + h) f(x) h max f(x + th). 0 t 1
40 bzw.: f(x) f(x 0 ) n j=1 f (x 0 )h j x j f(x 0) x x 0 Mehrdimensionale Fehlerrechnung (2 Beispiele) Aufgabe 1: Bei der Deformation eines Zylinders vergrößert sich dessen Radius r = 0.2m auf 0.205m und die Höhe h verringert sich von 1m auf 0.98m. Ermitteln Sie die Änderung des Volumens exakt und mit Hilfe der Formel V dv! Aufgabe 2: Aus den Meßwerten U 0 = 100V, I 0 = 20A soll der Widerstand R eines Stromkreises nach dem Ohmschen Gesetz bestimmt werden. Für die möglichen Fehler gilt: U < 2V, I < 0.5A. Schätzen Sie den absoluten und relativen Fehler bei der Widerstandsberechnung ab!
41 Lösung zu Aufgabe 2 Gesucht ist eine Schätzung für R. Es gilt: R = R(U, I) = U/I, x 0 = (U 0, I 0 ) T = (100, 20) T R(x 0 ) = 5 (Ω). R = R(x) R(x 0 ) dr(x; x 0 ), x [98, 102] [19.5, 20.5] Lösg.: R U = 1 I, R I = U I 2 dr = 1 du U 0 di = du I 0 20 di 4 R dr = R(x 0 ) T dx = 2 i=1 I 2 0 R x i (x 0 )dx i = Mögliche Abschätzungen für den absoluten Fehler: dr R(x 0 ) dx, aber auch: dr du 20 + di 4 Abschätzung für den relativen Fehler: dr R(x 0 ) du U 0 di I 0 I 2 0 = (Ω). =
42 Niveaumenge einer (skalaren) Funktion Def. 1.21: Als Niveaumenge der Funktion f : D R,D R n zum Niveau α R bezeichnet man die Menge N (α) := {x D f(x) = α}. Ist diese Menge eine Kurve, so nennt man sie Niveau- oder Höhenlinie (dies ist der kanonische Fall für D R 2 ). Die Niveaumenge ist eine Teilmenge von DB(f), aber {( ) x {( ) x x N (α)} graph(f) := x DB(f)} R n+1 α f(x)
43 Graph einer Funktion und Niveaulinien Abbildung 1.4: Graph von f(x, y) = 2x 2 + y 2 und Niveaulinien
44 Einige Notation(en) (Teil 1) h := h 1. h n Rn, := (h ) := h h n = x 1 x n (h ) k := (i 1,...,i k ) Sei f : D R n R differenzierbar. (h )f(x) = n i=1 h i1 h ik h i f(x) x i x 1. x n n i=1 k h i x i1 x ik = f(x) h x i
45 Einige Notation(en) (Teil 2) Falls f zweimal differenzierbar: (h ) 2 f(x) = (i,j) h i h j 2 f(x) x i x j ( falls n = 2) = h 1 h 1 2 f(x) x 1 x 1 + h 1 h 2 2 f(x) x 1 x 2 + h 2 h 1 2 f(x) x 2 x 1 + h 2 h 2 2 f(x) x 2 x 2 Falls f zweimal stetig partiell differenzierbar: (h ) 2 f(x) = h f (x)h
46 Das Taylor-Polynom Def. 1.22: Die Funktion f : D R sei (p + 1)-mal stetig differenzierbar und die Strecke [x 0, x 0 + h] liege im Inneren von D. Für 0 k p heißt dann T k (x) := f(x 0 ) + 1 1! (h )f(x 0) k! (h )k f(x 0 ) Taylor-Polynom k-ten Grades der Funktion f an der Stelle x 0, wobei h := x x 0.
47 Taylor-Polynom vom Grad 0 T 0 (x) = f(x 0 ) Taylor-Polynom vom Grad 1 T 1 (x) = f(x 0 ) + f(x 0 ) (x x 0 ) Taylor-Polynom vom Grad 2 T 2 (x) = f(x 0 ) + f(x 0 ) (x x 0 ) (x x 0) 2 f(x 0 )(x x 0 ) n = 2: T 2 (x, y) = f(x 0, y 0 ) + f x (x 0, y 0 )(x x 0 ) + f y (x 0, y 0 )(y y 0 )+ + 1 ( ) ( ) 2 f x0 xx (x x 0 ) 2 x0 + f xy (x x 0 )(y y 0 ) + 1 ( ) y 0 y 0 2 f x0 yy (y y 0 ) 2 y 0
48 Die Taylorsche Formel Satz 1.5: Die Funktion f : D R sei (p + 1)-mal stetig differenzierbar und die Strecke [x, x + h] liege im Inneren von D. Dann gilt die Taylor-Formel f(x + h) = f(x) + 1 1! (h )f(x) + 1 2! (h )2 f(x) p! (h )p f(x) +R p (h) mit dem Restglied R p (h) := für ein von x, h abhängiges θ (0, 1). 1 (p + 1)! (h )p+1 f(x + θh)
49 Satz über die implizite Funktion (n = 2) Sei f : D R 2 R stetig differenzierbar und (x 0, y 0 ) D. Falls f(x 0, y 0 ) = 0 und f y (x 0, y 0 ) 0, dann gibt es offene Intervalle U um x 0 und V um y 0, so dass zu jedem x U genau ein y V existiert mit f(x, y) = 0. Jedem x U ist damit eindeutig ein g(x) := y V zugeordnet. Die so definierte Abbildung g : U V erfüllt die Gleichung f(x, g(x)) = 0 für alle x U. Außerdem ist g stetig differenzierbar mit g (x) = f x(x, g(x)) f y (x, g(x)) für alle x U.
50 Satz über die implizite Funktion I Sei f : D R m stetig differenzierbar und ( x 0 y 0 ) D R n+m. Falls f(x 0, y 0 ) = 0 und die Matrix f y (x 0, y 0 ) := f 1 (x 0,y 0 ) y 1. f m (x 0,y 0 ) y 1 f 1 (x 0,y 0 ) y m. f m (x 0,y 0 ) y m regulär ist, dann gibt es Umgebungen U um x 0 und V um y 0, so dass zu jedem x U genau ein y V existiert mit f(x, y) = 0.
51 Satz über die implizite Funktion II Jedem x U ist damit eindeutig ein g(x) := y V zugeordnet. Die so definierte Abbildung g : U R n V R m erfüllt die Gleichung f(x, g(x)) = 0 für alle x U R n. Außerdem ist g stetig differenzierbar mit g (x) = f y (x, g(x)) 1 f x (x, g(x)) für alle x U. Achtung: Dies ist ein Produkt von Matrizen: f y (...) 1 R m m, f x (...) R m n g (x) R m n
52 Illustraion zu impliziten Funktionen Abbildung 1.5: Zur Auflösbarkeit der Gleichung f(x, y) = x 2 y 2 1 = 0 nach y
53 Zur illustration (Ergänzung) f(x, y) = x 2 y 2 1 (! = 0) f(x, y) = x 2 y 2 ( = N (1) ) x 0 > 1 (x 0 = 3) : x = y 2 0 y 0 = 2 2 (= g (x 0 ) = x = g(x 0)) 2x 0 2 x = x 0 x = f x(x 0, y 0 ) f y (x 0, y 0 ) = 2x 0 2y 0 = x 1 = 1 ( y 1 = 0) : f y (x 1, y 1 ) = 0 (!) Hier kann der Satz x 0 x über impl. Fkt. nicht angewandt werden (bei Auflösung nach y)! Aber: Bei x 1 = 1 ist auflösen nach x möglich! U(1) : f(x, y) = 0 x = h(y) = 1 + y 2, x (y 1 ) = f y f x = y 1 x 1 = 0, In y 1 = 1 besitzt x = x(y) ein lok. Max.! (x (y) = dh dy = y ) y2 +1
54 Supremum/Infimum einer Funktion f : R n R Die Zahl M heißt Supremum der Funktion f, wenn M die kleinste obere Schranke von f ist, d.h. wenn f(x) M für alle x D und es eine Folge (x k ) D gibt mit lim f(x k) = M. Das Supremum von f wird bezeichnet durch k sup f(x). x D Die Zahl m heißt Infimum der Funktion f, wenn m die größte untere Schranke von f ist, d.h. wenn f(x) m für alle x D und es eine Folge (x k ) D gibt mit lim f(x k) = m. Das Infimum von k f wird bezeichnet durch inf f(x). x D
55 Maximum/Minimum einer Funktion f : R n R Die Zahl M heißt Maximum der Funktion f, wenn f(x) M für alle x D und wenn es ein x M D gibt mit f(x M ) = M =: max x D f(x). Die Zahl m heißt Minimum der Funktion f, wenn f(x) m für alle x D und wenn es ein x m D gibt mit f(x m ) = m =: min x D f(x).
56 Existenz von Supremum und Infimum Falls f nach oben beschränkt ist, d.h. wenn M R existiert, so dass f(x) M für alle x D, so existiert sup f(x) in R, andernfalls gilt sup f(x) = +. x D x D Falls f nach unten beschränkt ist, d.h. wenn m R existiert, so dass f(x) m für alle x D, so existiert inf f(x) in R, andernfalls gilt inf f(x) =. x D x D
57 Existenz von Maximum und Minimum Satz 1.6 (Satz von Weierstraß): Sei D R n eine kompakte Menge (abgeschlossen und beschränkt) und f : D R stetig. Dann existieren Maximum und Minimum der Funktion f (f nimmt auf D Maximum und Minimum an) Zwei (einfache) Beispielaufgaben (D 1, D 2 nicht kompakt): 1.) f(x) = 1 x min, bei x D 1 = (1, ) sup f(x) = 1, inf f(x) = 0, es existiert aber kein max/min. x D 1 x D 1 2.) f(x) = 1 x min, bei x D 2 = [1, ) sup x D 2 f(x) = 1 = max x D 2 f(x), inf x D 2 f(x) = 0, es existiert kein min.
58 Extremwertaufgaben ohne Nebenbedingungen auch: Unrestringierte Optimierungsaufgaben f(x) min Lokale oder relative Extrema Def. 1.23: Es sei f : D R und x D. Falls es eine Umgebung U D von x gibt mit f(x ) f(x) für alle x U, so heißt x lokale Lösung (oder lokale Minimumstelle) der Optimierungsaufgabe f(x) min. f(x ) wird dann als lokales oder relatives Minimum bezeichnet.
59 Lokale oder relative Maxima Die Begriffe lokale Lösung, lokale Maximumstelle, bzw. lokales oder relatives Maximum werden analog für die Optimierungsaufgabe f(x) max definiert. Dann muss f(x ) f(x) für alle x in einer Umgebung U von x gelten. Illustrationsbeispiel (ÜA!): Die Funktion f(x, y) = (x 1) 2 x + (y + 2) 2 besitzt in P 1 = (1, 2) T ein lokales Minimum und in P 2 = (1/3, 2) T einen Sattelpunkt, aber es existieren kein lokales Maximum und keine globalen Extrema.
60 Notwendige Optimalitätsbedingung Satz 1.7: Seien D R n offen und f : D R partiell differenzierbar. Ist x D eine lokale Extremstelle (d.h., Minimumstelle oder Maximumstelle) von f, dann gilt f(x ) = 0, d.h. sämtliche partiellen Ableitungen von f verschwinden in x. Jeder Punkt x mit f(x ) = 0 heißt stationärer Punkt von f.
61 Hinreichende Optimalitätsbedingung Satz 1.8: Sei D R n offen, f : D R zweimal stetig partiell differenzierbar und f(x ) = 0. Dann ist x eine (isolierte) lokale Minimumstelle von f, falls 2 f(x ) positiv definit ist, d.h. falls h 2 f(x )h > 0 für alle h R n \ {0}, lokale Maximumstelle von f, falls 2 f(x ) negativ definit ist, d.h. falls h 2 f(x )h < 0 für alle h R n \ {0}.
62 Positive/negative Definitheit von Matrizen Eine symmetrische Matrix A R n n ist genau dann (s. Kap. 2) positiv definit, wenn alle ihre Eigenwerte positiv sind, negativ definit, wenn alle ihre Eigenwerte negativ sind. Im Fall n = 2 ist A := a b b c genau dann positiv definit, wenn deta = ac b 2 > 0 und a > 0 negativ definit, wenn deta = ac b 2 > 0 und a < 0
63 Globale Lösungen Sei D R n offen und f : D R. Dann heißt x D globale Lösung (oder globale Minimumstelle) der Optimierungsaufgabe f(x) min, wenn f(x ) f(x) für alle x D. Sei D R n offen und konvex und f : D R konvex. Dann ist jeder stationäre Punkt von f eine globale Lösung der Optimierungsaufgabe f(x) min. Ist f zweimal stetig partiell differenzierbar, so ist f genau dann konvex, wenn 2 f(x) für jedes x D positiv semidefinit ist.
64 Sattelpunkte Sei D R n offen, f : D R zweimal stetig partiell differenzierbar und f(x ) = 0. Falls 2 f(x ) positive und negative Eigenwerte besitzt, so wird x Sattelpunkt der Funktion f genannt. Sattelpunkte im Fall n = 2: Die Funktion f besitzt in einem stationären Punkt x genau dann einen Sattelpunkt, wenn die Matrix A = 2 f(x ) indefinit ist (genau einen positiven und einen negativen Eigenwert besitzt), dabei gilt A := a b ist indefinit deta = ac b 2 < 0. b c
65 Illustration Sattelpunkte Niveaulinien der Funktion f : R 2 R mit f(x, y) := x2 a 2 Abbildung 1.6: Sattelpunkt bei (x, y) := (0, 0) y2 b 2
66 Extemwertaufgaben mit Nebenbedingungen auch: Restringierte Optimierungsaufgaben f(x) min bei x G wobei f : R n R und G R n gegeben sind. Minimalforderungen : f glatt (f C2 ), G abgeschlossen, zusammenhängend (evtl. beschränkt) Einfachstes Beispiel : achsparalleler Quader Q(a, b) G = Q := {x R n a i x i b i, i = 1(1)n}, a < b R n fest. Bem.: Der Rand von G enthält unendlich viele Punkte (n 2).
67 Globales/Lokales (restringiertes) Optimum Ein Punkt x G heißt globale Lösung (globale Minimumstelle) der Optimierungsaufgabe f(x) min bei x G, wenn f(x ) f(x) für alle x G. Ein Punkt x G heißt lokale Lösung (lokale Minimumstelle) der Optimierungsaufgabe f(x) min bei x G, wenn eine Umgebung U von x existiert, so dass f(x ) f(x) für alle x G U.
68 Beschreibung des zulässigen Bereiches G Gegeben seien (2x-stetig differenzierbare) Funktionen g : R n R m und h : R n R p Ungleichungsrestriktionen G := {x R n g(x) 0} Gleichungsrestriktionen G := {x R n h(x) = 0} Ungleichungs- und Gleichungsrestriktionen G := {x R n g(x) 0, h(x) = 0}
69 Lagrange Funktion Seien f : R n R(, g : R n R m ) und h : R n R p gegeben. Dann heißt die Funktion L : R n ( R m ) R p R mit L(x(, u), v) := f(x) + (u g(x)) + v h(x) Lagrange Funktion zur Optimierungsaufgabe f(x) min bei (g(x) 0, ) h(x) = 0. Mit x L(x(, u), v) := f(x) + ( g(x)u) + h(x)v wird der Gradient der Lagrange Funktion bzgl. x bezeichnet.
70 Notwendige Optimalitätsbedingung (Gl.-NB) Die Funktionen f : R n R und h : R n R p seien stetig differenzierbar. Weiter sei x eine lokale Lösung der Aufgabe f(x) min bei h(x) = 0. ( ) Wenn p < n und die Jacobi-Matrix h (x ) Vollrang besitzt, dann existiert ein Vektor v = (v1,..., vp), so dass x L(x, v ) = 0, ( ) h(x ) = 0. Der Vektor v (bzw. seine Elemente) heißen Lagrange Multiplikator(en) und x stationärer Punkt. Die Bedingungen ( ) werden als Lagrangesche Multiplikatorregel zur Aufgabe ( ) bezeichnet.
71 Berechnungsbeispiel: OA mit Gl.-NB OA: f(x, y) = 4x + 3y min, bei der Gl.-NB: x 2 + y 2 = 1, Lagrangefkt.: L(x, y, λ) = 4x + 3y + λ(x 2 + y 2 1), λ R. Notw. Opt.-bedg.: L = 0 ( = freie Opt.-bedg. für L) L x = 4 + 2λx! = 0, L y = 3 + 2λy! = 0, L λ = x 2 + y 2 1! = 0, λ = 2 x = 3 2y y = 3 4 x ( )x2 = 1, 2 Lösungen: P 1 : x 1 = 4 5, y 1 = 3 5, λ 1 = 5 2, P 2 = P 1, (Probe!) Die (berechneten) Lagrangeschen Multiplikatoren λ j sind wichtig (z.b.) für die Überprüfung hinreichender Opt.-bedingungen.
72 Optimierung (Gl.-NB): Abbildung 1.7 Graph der Funktion f und seine Einschränkung auf die zulässige Menge f(x, y) := x 2 y, g(x, y) := x2 4 + y2 9 1 = 0
73 Optimierung (Gl.-NB): Abbildung 1.8 Gradienten von f und g Extremwerte von f unter Nebenbedingung g(x, y) = 0
74 Optimierung (Gl.-NB): Abbildung 1.9 Extremwerte von f(x, y) := x 2 + 3y 2 4 unter der Nebenbedingung x 2 y 2 = 0
75 Ausgleichsrechnung ( MKQ ) Gegeben seien: 1.) Eine Messreihe (t i, b i ) R l R i = 1,..., m, und 2.) Ansatzfunktionen φ 1,..., φ n : R l R, (häufig n << m), Linearer Ansatz mit Parametervektor x := (x 1,..., x n ) : n F (t; x) := x 1 φ 1 (t) + + x n φ n (t) = x j φ j (t) j=1 Gesucht: Parametervektor x := (x 1,..., x n) R n so, dass m ( 2 b i F (t i ; x)) für x = x minimal ist. i=1
76 Bemerkung: (i) Praktisch häufig benutztes System: φ j (t) = t j (Polynomialer Ansatz, l = 1). (ii) Auch für das Nachbilden mehrdimensionaler funktionaler Zusammenhänge anwendbar (l > 1). Lineares Ausgleichsproblem oder: Lineares Quadratmittelproblem m ( 2 b i F (t i ; x)) min i=1 x R n ist gesucht und (t 1, b 1 ),..., (t m, b m ) sind gegeben
77 Matrixschreibweise b := b 1. b m, x := x 1. x n, A := φ 1 (t 1 ) φ n (t 1 ).. φ 1 (t m ) φ n (t m ) F (t i ; x) = (Ax) i m m (b i F (t i ; x)) 2 = (b i (Ax) i ) 2 = b Ax 2 2 min i=1 i=1
78 Lineares Quadratmittelproblem (LQP) Seien A R m n und b R m gegeben. Dann besitzt das (LQP) L(x) := Ax b 2 2 min stets eine globale Lösung. Jede Lösung x von (LQP) ist Lösung des Gaußschen Normalgleichungssystems A A x = A b und umgekehrt. Falls ranga = n, so ist A A positiv definit und (LQP) besitzt eine eindeutige Lösung x, bzw. die hinreichenden Optimalitätsbedingungen für (LQP) sind in x erfüllt wegen 2 L(x ) = A A
79 Herleitung des NGS für linearer Trend Gegeben: m Zeitpunkte t i, Daten y i, i = 1(1)m, l = 1, Linearer Trendansatz: g(t) = x 1 t + x 2, (n = 2), Fehlerquadratsumme: L(x 1, x 2 ) = m [y i (x 1 t i +x 2 )] 2 (= Ax b 2 2). ) (ˆx1 Bekannt (Extremwertaufgaben): ˆx = ist (lokales) Minimum ( ) ˆx 2 1 L(ˆx) von L(x) L(ˆx) = = 0 s. nächste Folie. 2 L(ˆx) i=1 Hier: ranga = n = 2, falls i j mit t i t j.
80 Das Normalengleichungssystem(NGS) m 2[y i (x 1 t i + x 2 )]( t i ) i=1 m 2[y i (x 1 t i + x 2 )]( 1) i=1 x 1 x 1 m i=1 m i=1 t 2 i + x 2 m i=1 t i 1 + x 2 1 t i = m i=1 1 =! = 0! = 0 m y i t i i=1 m y i. i=1 Das ist das Normalengleichungssystem für einen linearen Trendansatz.
81 Ein Beispiel für linearen Trend t i y i (m = 4, n = 2) A T A = x = 10 6 ( ) 30 10, A T b = ( ) ( ) 0.4, g(t) = 10 6 (0.4t + 8.5). 8.5
INGENIEURMATHEMATIK. 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
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
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 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
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
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
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
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
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
MehrDefinition: Differenzierbare Funktionen
Definition: Differenzierbare Funktionen 1/12 Definition. Sei f :]a, b[ R eine Funktion. Sie heißt an der Stelle ξ ]a, b[ differenzierbar, wenn der Grenzwert existiert. f(ξ + h) f(ξ) lim h 0 h = lim x ξ
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.
MehrAnalysis II WS 11/12 Serie 9 Musterlösung
Analysis II WS / Serie 9 Musterlösung Aufgabe Bestimmen Sie die kritischen Punkte und die lokalen Extrema der folgenden Funktionen f : R R: a fx, y = x + y xy b fx, y = cos x cos y Entscheiden Sie bei
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
Mehr4.7 Der Taylorsche Satz
288 4 Differenziation 4.7 Der Taylorsche Satz Die Differenzierbarkeit, also die Existenz der ersten Ableitung einer Funktion, erlaubt bekanntlich, diese Funktion lokal durch eine affine Funktion näherungsweise
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 4
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 4 Hausaufgaben Aufgabe 4. Gegeben sei die Funktion f : D R mit f(x) :=
Mehr2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n
2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n f ist in dem Fall ein Weg in R n. Das Bild f(t) des Weges wird als Kurve
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
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
MehrDifferentialrechnung in mehreren Veränderlichen
Kapitel 6 Differentialrechnung in mehreren Veränderlichen 6.1 Ableitungen (partielle Ableitung; (stetig) partiell differenzierbar; die Klasse C 1 (U); totale Differenzierbarkeit; Nabla-Operator; Gradient;
Mehr2 Stetigkeit und Differenzierbarkeit
2.1) Sei D R. a) x 0 R heißt Häufungspunkt von D, wenn eine Folge x n ) n N existiert mit x n D,x n x 0 und lim n x n = x 0. D sei die Menge der Häufungspunkte von D. b) x 0 D heißt innerer Punkt von D,
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
Mehr7.2.1 Zweite partielle Ableitungen
72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,
MehrMathematik für Bauingenieure
Mathematik für Bauingenieure von Kerstin Rjasanowa 1. Auflage Mathematik für Bauingenieure Rjasanowa schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Hanser München 2006 Verlag C.H.
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
MehrInhaltsverzeichnis. 1 Lineare Algebra 12
Inhaltsverzeichnis 1 Lineare Algebra 12 1.1 Vektorrechnung 12 1.1.1 Grundlagen 12 1.1.2 Lineare Abhängigkeit 18 1.1.3 Vektorräume 22 1.1.4 Dimension und Basis 24 1.2 Matrizen 26 1.2.1 Definition einer
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
MehrLösung zu den Testaufgaben zur Mathematik für Chemiker II (Analysis)
Universität D U I S B U R G E S S E N Campus Essen, Mathematik PD Dr. L. Strüngmann Informationen zur Veranstaltung unter: http://www.uni-due.de/algebra-logic/struengmann.shtml SS 7 Lösung zu den Testaufgaben
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
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrDifferentialrechnung bei Funktionen mehreren Variablen
Kap. 6 Differentialrechnung bei Funktionen mehreren Variablen Im folgenden geht es um Funktionen des Typsf :R n R X... Y =f(x,...,x n ) X n Eine Weiterentwicklung der Differentialrechnung für solche Funktionen
MehrNumerische Ableitung
Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrÜbungen zu Funktionen mehrerer Veränderlicher. Lösungen zu Übung Betrachten Sie die durch. y 1 + x 2. z = gegebene Fläche.
Übungen zu Funktionen mehrerer Veränderlicher 5.1 Betrachten Sie die durch Lösungen zu Übung 5 gegebene Fläche. z = y 1 + x 2 (a) Zeichnen Sie die Höhenlinien in ein Koordinatensystem. (b) Veranschaulichen
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrDifferenzierbarkeit von Funktionen mehrerer Variablen
Kapitel 1 Differenzierbarkeit von Funktionen mehrerer Variablen 11 Definition und grundlegende Eigenschaften Bemerkung 11 Motivation Auch die Differenzierbarkeit von Funktionen mehrerer Veränderlicher
MehrMathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation
Mathematik II Frühlingsemester 2015 Kap. 9: Funktionen von mehreren Variablen 9.2 Partielle Differentiation www.math.ethz.ch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof. Dr. Erich Walter
MehrMathematik Übungsblatt - Lösung. b) x=2
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Sommersemester 204 Technische Informatik Bachelor IT2 Vorlesung Mathematik 2 Mathematik 2 4. Übungsblatt - Lösung Differentialrechnung
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
MehrKapitel 5. Stetige Funktionen 5.1. Stetigkeit
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit Reelle Zahlen sind ideale Objekte, die es uns ermöglichen, eine transparente und leistungsfähige Theorie aufzubauen. Ein Computer kann jedoch nur mit Approximationen
Mehr1. Klausur. für bau immo tpbau
1. Klausur Höhere Mathematik I/II für bau immo tpbau Wichtige Hinweise Die Bearbeitungszeit beträgt 120 Minuten. Verlangt und gewertet werden alle 6 Aufgaben. Bei Aufgabe 1 2 sind alle Lösungswege und
MehrApril (Voll-) Klausur Analysis I für Ingenieure. Rechenteil
April (Voll-) Klausur Analysis I für Ingenieure en Rechenteil Aufgabe 7 Punkte (a) Skizzieren Sie die 4-periodische Funktion mit f() = für und f() = für (b) Berechnen Sie für diese Funktion die Fourierkoeffizienten
MehrHöhere Mathematik II
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Universität der Bundeswehr München Höhere Mathematik II (Beilagen) Univ. Prof. Dr. sc. math. Kurt Marti 2 2 L A TEX-Satz
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
MehrAufgaben für die 6. Übung zur Vorlesung Mathematik 2 für Informatiker: Analysis Sommersemester 2010
Aufgaben für die 6. Übung zur Vorlesung Mathematik für Informatiker: Analysis Sommersemester 00 6. Wie hat man eine reelle Zahl α > 0 so in a b 3 positive Summanden x, y, z zu zerlegen, damit fx, y x y
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrB-P 11: Mathematik für Physiker
B-P 11: Mathematik für Physiker Status: freigegeben Modulziele Erwerb der Grundkenntnisse der Analysis, der Linearen Algebra und Rechenmethoden der Physik Modulelemente Mathematik für Physiker I: Analysis
MehrDifferentialrechnung
Kapitel 7 Differentialrechnung Josef Leydold Mathematik für VW WS 205/6 7 Differentialrechnung / 56 Differenzenquotient Sei f : R R eine Funktion. Der Quotient f = f ( 0 + ) f ( 0 ) = f () f ( 0) 0 heißt
MehrVorlesungsfolien Mathematik 3 WS 2010/11 UMIT. Einleitung
Vorlesungsfolien Mathematik 3 WS 2010/11 Dr. Leonhard Wieser UMIT Einleitung Begriff Vektoranalysis: Kombination aus Linearer Algebra/Vektorrechnung mit Differential- und Integralrechnung Inhaltsangabe:
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
Mehr19.3 Oberflächenintegrale
19.3 Oberflächenintegrale Definition: Sei D R 2 ein Gebiet und p : D R 3 eine C 1 -Abbildung x = p(u) mit x R 3 und u = (u 1, u 2 ) T D R 2 Sind für alle u D die beiden Vektoren und u 1 linear unabhängig,
MehrLösung der Prüfung Sommer 2009
Prof. D. Salamon Analysis I/II D-MATH, D-PHYS, D-CHAB ETH Zürich. Juni 9 Lösung der Prüfung Sommer 9. Berechnen Sie folgende Grenzwerte: (a) (b) Hinweis: Regel von de l Hospital. ( ( )) lim n n cos n lim
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrTaylorentwicklung von Funktionen einer Veränderlichen
Taylorentwicklung von Funktionen einer Veränderlichen 17. Januar 2013 KAPITEL 1. MATHEMATISCHE GRUNDLAGEN 1 Kapitel 1 Mathematische Grundlagen 1.1 Stetigkeit, Differenzierbarkeit und C n -Funktionen Der
MehrHöhere Mathematik III WS 05/06 Lösungshinweis Aufgabe G 11 Blatt 2
Höhere Mathematik III WS 5/6 Lösungshinweis Aufgabe G 11 Blatt Die zu optimierende Zielfunktion ist der Abstand zum Ursprung. Ein bekannter Trick (Vereinfachung der Rechnung) besteht darin, das Quadrat
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Aufgabe 98 12.12.2012 Untersuchen Sie die Funktion f W R! R mit f.x/
MehrSerie 13: Online Test
D-ERDW, D-HEST, D-USYS Mathematik I HS 3 Dr. Ana Cannas Serie 3: Online Test Einsendeschluss: 3. Januar 4 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung verwenden.
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrDifferenzialrechnung
Mathe Differenzialrechnung Differenzialrechnung 1. Grenzwerte von Funktionen Idee: Gegeben eine Funktion: Gesucht: y = f(x) lim f(x) = g s = Wert gegen den die Funktion streben soll (meist 0 oder ) g =
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrStichpunkte zum Abschnitt Analysis der Höheren Mathematik für Ingenieure I
Stichpunkte zum Abschnitt Analysis der Höheren Mathematik für Ingenieure I Komplexe Zahlen Definition komplexer Zahlen in der Gaußschen Zahlenebene, algebraische Form, trigonometrische Form, exponentielle
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg : Gliederung 1 Aussagenlogik 2 Lineare Algebra 3 Lineare Programme 4 Folgen
MehrPartielle Ableitungen & Tangentialebenen. Folie 1
Partielle Ableitungen & Tangentialebenen Folie 1 Bei Funktionen mit einer Variable, gibt die Ableitung f () die Steigung an. Bei mehreren Variablen, z(,), gibt es keine eindeutige Steigung. Die Steigung
Mehr(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren
Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrBeispielaufgaben rund um Taylor
Beispielaufgaben rund um Taylor Mirko Getzin Universität Bielefeld Fakultät für Mathematik 19. Februar 014 Keine Gewähr auf vollständige Richtigkeit und perfekter Präzision aller (mathematischen) Aussagen.
Mehr2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0!
Klausur 25.02.2004 Aufgabe 5 Gegeben ist die Funktion f(x) = 2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0! Klausur 06.08.2003 Aufgabe 5 Gegeben ist
MehrMathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder
DGL Schwingung Physikalische Felder Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder Johannes Wiedersich 23. April 2008 http://www.e13.physik.tu-muenchen.de/wiedersich/
MehrVorkurs Mathematik für Wirtschaftsingenieure und Wirtschaftsinformatiker
Vorkurs Mathematik für Wirtschaftsingenieure und Wirtschaftsinformatiker Übungsblatt Musterlösung Fachbereich Rechts- und Wirtschaftswissenschaften Wintersemester 06/7 Aufgabe (Definitionsbereiche) Bestimme
Mehr6. Funktionen von mehreren Variablen
6. Funktionen von mehreren Variablen Prof. Dr. Erich Walter Farkas 24.11.2011 Seite 1 Funktionen von mehreren Variablen n {1, 2, 3,...} =: N. R n := {(x 1,..., x n) x 1,..., x n R} = Menge aller n-tupel
MehrTaylor-Entwicklung der Exponentialfunktion.
Taylor-Entwicklung der Exponentialfunktion. Betrachte die Exponentialfunktion f(x) = exp(x). Zunächst gilt: f (x) = d dx exp(x) = exp(x). Mit dem Satz von Taylor gilt um den Entwicklungspunkt x 0 = 0 die
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrZusammenfassung Mathematik 2012 Claudia Fabricius
Zusammenfassung Mathematik Claudia Fabricius Funktion: Eine Funktion f ordnet jedem Element x einer Definitionsmenge D genau ein Element y eines Wertebereiches W zu. Polynom: f(x = a n x n + a n- x n-
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
Mehr4.4 Taylorentwicklung
4.4. TAYLORENTWICKLUNG 83 4.4 Taylorentwicklung. Definitionen f sei eine reellwertige m + -mal stetig differenzierbare Funktion der n Variablen x bis x n auf einem Gebiet M R n. Die Verbindungsgerade der
MehrMathematik für das Ingenieurstudium
Mathematik für das Ingenieurstudium von Martin Stämpfle, Jürgen Koch 2., aktual. Aufl. Hanser München 2012 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 43232 1 Zu Inhaltsverzeichnis schnell
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
Mehr1 Grundlagen 8 Funktionen 8 Differenzenquotient und Änderungsrate 9 Ableitung 11
Inhalt A Differenzialrechnung 8 Grundlagen 8 Funktionen 8 Differenzenquotient und Änderungsrate 9 Ableitung 2 Ableitungsregeln 2 Potenzregel 2 Konstantenregel 3 Summenregel 4 Produktregel 4 Quotientenregel
MehrKonvexe Mengen und konvexe Funktionen
Konvexe Mengen und konvexe Funktionen Teilnehmer: Moritz Butz Franziska Ihlefeldt Johannes Jendersie Marie Lambert Eike Müller Gregor Pasemann Konstantin Rohde Herder-Gymnasium Herder-Gymnasium Georg-Forster-Gymnasium
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
Mehr"wahre Anomalie": (= Winkel bzgl. Fokus) "exzentrische Anomalie": const =
Beipiel 4: Iteratives Lösen von Gleichungen Kepler-Gleichung: Finde Lösung für bis inklusive! Physikalische Anwendung im Kepler-Problem: Gl. (1) bestimmt den Zusammenhang zwischen Laufzeit t und der "exzentrischen
MehrStetige Funktionen, Binomischer Lehrsatz
Vorlesung 13 Stetige Funktionen, Binomischer Lehrsatz 13.1 Funktionenfolgen Wir verbinden nun den Grenzwertbegriff mit dem Funktionsbegriff. Es seien (a n ) n N eine reelle Folge und f : R R eine Funktion.
MehrDer Abschluss D ist die Menge, die durch Hinzunahme der Intervallränder entsteht, in den obigen Beispielen also
Festlegung Definitionsbereich 11.1 Festlegung Definitionsbereich Festlegung: Wir betrachten Funktionen f : D Ñ R, deren Definitionsbereich eine endliche Vereinigung von Intervallen ist, also z.b. D ra,
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
MehrÜbungsaufgaben zu Analysis 2 Lösungen von Blatt V vom 07.05.15. f(x, y) = 2(x + y) + xy + 3x 2, g(x, y) = xy + e xy.
Prof. Dr. Moritz Kaßmann Fakultät für Matematik Sommersemester 015 Universität Bielefeld Übungsaufgaben zu Analysis Lösungen von Blatt V vom 07.05.15 Aufgabe V.1 + Punkte) Gegeben seien die Funktionen
MehrHöhere Mathematik III für Wirtschaftsinformatiker
TU Ilmenau Institut für Mathematik Prof. Dr. S. Vogel Höhere Mathematik III für Wirtschaftsinformatiker Funktionen von mehreren Variablen. Grenzwerte und Stetigkeit Betrachtet werden Funktionen f : D f
MehrThema 4 Limiten und Stetigkeit von Funktionen
Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrRotationskörper. Ronny Harbich. 1. August 2003 (geändert 24. Oktober 2007)
Rotationskörper Ronny Harbich 1. August 2003 geändert 24. Oktober 2007) Inhaltsverzeichnis 1 Einführung 3 2 Anschauliche Herleitung 4 2.1 Darstellungen................................. 4 2.2 Gleichungen
MehrÜberblick. Kapitel 7: Anwendungen der Differentialrechnung
Überblick Kapitel 7: Anwendungen der Differentialrechnung 1 Beispiel 1: Kapitel 7.1: Implizites Differenzieren 1 Beispiel 1: Steigung der Tangente Kapitel 7.1: Implizites Differenzieren 2 Beispiel 1: Steigung
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
Mehr