Über konvexe Matrixfunktionen.*)
|
|
- Friederike Waltz
- vor 6 Jahren
- Abrufe
Transkript
1 Wegener, Untersuchungen download unter über Finslersche Räume. 7 III. Zwei- und dreidimensionale Finslersche Räume mit 3 der Grundform: L = ] / aiklx' x 'k x '1 Im zweidimensionalen Fall hat man zwei Fälle zu unterscheiden, je nachdem die Invariante R der kubischen Form 11) verschwindet oder nicht. Der zweite Fall gibt nur ganz allgemeine Finslersche Räume, in denen keine Invariante verschwindet, oder Minkowskische Räume. Im ersten Fall sind alle Räume affinzusammenhängend und können eventuell Minkowskisch werden. Im dreidimensionalen Fall hat man sechs Fälle zu unterscheiden. Es zeigt sich hier, daß alle Landsbergschen Räume affinen Zusammenhang haben. Im allgemeinen Fall reduzieren sie sich auf den Minkowskischen Fall, nur für spezielle Grundformen existieren auch nicht-minkowskische affinzusammenhängende Räume. 14) Vgl. A. Clebsch, Binäre Formen, Leipzig Über konvexe Matrixfunktionen.*) Yon Fritz Kraus. (Auszug aus einer Dissertation. Ref. Prof. Dr. Löwner). Diese Arbeit beschäftigt sich mit einer Verallgemeinerung des Begriffs der konvexen, skalaren Funktion auf eine Klasse von Funktionen, wo sowohl Argument wie Funktionswert eine variable, reelle, symmetrische Matrix gegebenen Grades n sind. Sie können so beschrieben werden: Man geht von einer in einem Intervall J definierten skalaren Funktion f (co) aus. Ist X n eine reelle symmetrische Matrix vom Grade n, deren Eigenwerte J angehören, so wird unter dem Funktionswert f ( X n ) die reelle symmetrische Matrix verstanden, die aus X n entsteht, in dem jeder Eigenvektor V'beibehalten, der zugehörige Eigenwert % jedoch durch f (Ä) ersetzt wird. In einer Arbeit in den Math. Zeitschr. 38, 177, 1933 hat K. Löwner den Begriff der Monotonie auf die geschilderten Funktionen ausgedehnt. In Analogie hierzu wird der Begriff der Konvexität einer Matrixfunktion f (Xn ) so definiert: Sei X ^, X ein Paar reeller symmetrischer Matrizen vom Grade n, die dem Definitionsbereiche von f (Xn ) angehören, und es sei (1) x< > < X f (Das bedeutet, daß die zu X^3) X ^ gehörige quadratische Form nicht negativ ist.) Man bilde nun mit einem Werte t aus dem ln- *) Die vollständige Dissertation ist in der Math. Zeitschr., Bd. 41 (Jahrg. 1936) erschienen.
2 8 Lotos Prag download unter tervall 0 <C t <C 1 die neue Matrix ( 1-1) + t Xjj^, deren Eigenwerte bekanntlich auch in J hineinfallen, f (co) heiße nun konvex von n-ter Stufe, wenn stets (2) f ((1 t) X< >+ t X>?>) < (1-t) f (X«) + t f (X<3>) wie auch X ^, X (n3\ t in Übereinstimmung mit unseren Forderungen gewählt werden. Die Konvexität erster Stufe fällt mit der gewöhnlichen Konvexität zusammen. Das Ziel der Arbeit ist es, die notwendigen und hinreichenden Bedingungen dafür zu finden, daß eine Funktion konvex von n-ter Stufe sei. Die wichtigste Vorstufe zur Aufstellung derselben bildet der Beweis des Satzes: Eine von zweiter Stufe konvexe Funktion ist mindestens zweimal stetig differenzier bar. Auf Grund der einfachen Bemerkung, daß jede von n-ter Stufe (n ^ 2) konvexe Funktion auch von jeder niedrigeren Stufe konvex ist, folgt, daß jede Aussage, die für eine konvexe Funktion von einer bestimmten Stufe gültig ist, auch für konvexe Funktionen jeder höheren Stufe in Geltung bleibt. Es besteht also zweimal stetige Differenzierbarkeit auch bei jeder höheren Stufe. Ist aber einmal die Differenzierbarkeit nachgewiesen, so ergeben sich notwendige und hinreichende Bedingungen verhältnismäßig einfach auf Grund des Hilfssatzes. Hilfssatz 1. Ist eine Funktion f (co) in einem Intervall zweimal stetig differenzier bar, so auch die zugehörige Matrixfunktion. Das soll naturgemäß bedeuten, daß die Elemente der Matrix f (Xn) zweimal stetig differenzier bare Funktionen der Elemente von Xn sind. Zu Beweisführung des oben erwähnten Satzes werden noch zwei Bemerkungen mit Vorteil ausgenützt: Die erste sagt aus, daß die Beziehung zwischen der Matrix (Cn) und der ihr zugeordneten Matrix f (Cn ) orthogonal invariant ist, das heißt, daß im Falle eine Matrix X* aus X n durch eine feste orthonogale Transformation T entsteht, mit X n auch X* dem Definitionsbereich vom f (Xn) angehört, und daß die Beziehung f (Xn*) = (f (XJ )* besteht, die zweite, daß die Ungleichung A n < B n invariant gegenüber jeder linearen homogenen, also insbesondere jeder othogonalen Transformation ist. Aus diesen Bemerkungen folgt nun, daß man, wenn die Konvexität einer Matrixfunktion zum Ausdruck gebracht werden soll, annehmen
3 Kraus, download Ueber unter konvexe Matrixfunktionen. 9 kann, es sei eine der in der Konvexitätrelation (2) auftretenden Matrizen, etwa X (n2) = (1 t) X^1' + t X^3) auf die Hauptachsen gebracht. Da wir uns hier auf den Fall n =2 beschränken können, bezeichnen wir deren Eigenwerte mit = X2 und der Gedankengang des Beweises über die Differenzierbarkeiteigenschaft ist kurz folgender: Da nach Voraussetzung (siehe (1) ) X 2(1) < X 2f3) und wegen 0 <C t <C 1 offenbar X 2(2^ zwischen X 2(1) und X 2(3) gelegen ist, so gilt für die Eigenwerte von X 2^ die mit v x ~ y bezeichnet werden sollen, das Ungleichungspaar vi = ^ii ^2 und für das Paar von Eigenwerten von X 2(-3\ die yv ^ v2 mögen, h = 7* h = V f heißen Der wesentliche Gedanke des Beweises besteht darin, daß wir die Konvexitätsbedingung nicht allgemein ansetzen, sondern nur für solche Matrixtripel X 2(1\ X 2(2', X 2(3), für die 7* = y ist. Dieser Wert liegt offenbar im Intervall <C A1? X Es ergibt sich, daß die zweimalige Differenzierbarkeit bereits aus den Ungleichungen folgt, welche aus der Konvexitätsrelation (siehe (2) ) in diesem Spezialfall fließen. Bei der Durchführung des Beweises ist es von besonderer Wichtigkeit, die Frage zu entscheiden, ob bei willkürlicher Wahl von fünf Werten in der Anordnung (3) n < A < y < A2 < *2 drei Matrizen X 2(1), X 2 2), X 2(3) gefunden werden können, die auf einer Geraden liegen und von denen X 2(1) die Eigenwerte v1 und X 2(2) die Eignewerte und L2 und X 2(3) die Eigenwerte y und v2 besitzen. Daraus, daß X 2^1) und X 2^3) den Eigenwert y gemein haben, und v1 < v2 ist, folgt, falls die Frage überhaupt eine Lösung besitzt, jedenfalls die Ungleichung X 2^1) X 2(:i), so daß diese früher in die Konvexitätsbedingung eingeführte Ungleichung hier nicht besonders angesetzt werden muß. Ohne Beschränkung der Allgemeinheit können wir bei der weiteren Untersuchung y = 0 annehmen. In diesem Falle muß man also den Ansatz machen: X 2 (2) (x, x) = X1 x, 2 + x 22 X 2(1) (x, x) = (bt X, + b2 x2) 2 (bt2 + b22 = 1) X 2(3) (x, x) v2 (at Xi + a2 x 2) 2 (at2 + a22 = 1) Wir haben noch analytisch zum Ausdruck zu bringen, daß die drei Matrizen auf einer Geraden liegen. Das bedeutet, daß die Differenz X 2^2) X 2(1) sich von X 2^ X 2(2^ um einen skalaren Faktor c unterscheidet; dieser hängt mit dem früher eingeführten Parameter
4 10 Lotos Prag download unter t durch die Relation c = j^zusammen. Dies drückt sich aber nach Einführung der Bezeichnung durch die Indentität bi X! + b2 x 2 = & i, X! + a2 x 2 = Ä2 (c + 1) X 2(2) (x, x ) = c v2 ß 22 + Vj Jgj* aus. Das bedeutet fünf Koeficientengleichungen, die hier nicht explicit angeschrieben werden sollen. Durch eine nähere Betrachtung derselben ergibt sich, daß eine Lösung unserer Aufgabe dann und nur dann besteht, wenn für die Eigenwerte die Ungleichung (4) v1 + v%l x vx v2 == 0 erfüllen. Läßt man die Voraussetzung y = o fallen, so nimmt diese offenbar folgende Gestalt an: ( 4 * ) - f ) ( v, - f ) + ( J, - () (v, - ) - (v, - 1) (y, - f ) 0. Man nehme nun irgend welche fünf Werte aus dem Definitionsintervall von f (co), die dem doppelten System von Ungleichungen (3) und (4*) genügen, bestimme die zugehörigen Matrizen X 2^, X 2<-2), X 2(3) und gehe mit ihnen in die Konvexitätsrelation (2) ein. Indem man die bekannten Determinantenungleichungen für eine Nicht-negative Matrix auf die linke Seite derselben anwendet, kommt man nach rechnerisch etwas schwierigen Umformungen zu dem wichtigen Resultat : Eine in einem Intervall von zweiter Stufe konvexe Funktion ist dort zunächst im gewöhnlichen Sinne konvex und sie genügt für irgend fünf Werte des Intervalles, die der Relation (3) und (4*) genügen der Ungleichung. Ü (>, «/.,) x (/,, ( )-,) (V, /.,) l>, - - y. (Ä2 i /.,) x ()>!»,) [(v, - 0 (v, - () - f t - f) (,.» - { ) - (;.2 - f) (n - f)] s o. Aus diesen Bedingungen ergibt sich durch passendes Zusammenrücken von Werten die zweimal stetige Differenzierbarkeit der Funktion f (co). Unter x (, y ) verstehen wir allgemein den mit dem Faktor Vs multiplizierten zweiten Differenzquotienten der Funktion f (co) für die Argumentwerte, ij, C. Nachdem die zweimal stetige Differenzierbarkeit von Funktionen, welche von höherer Stufe konvex sind, bewiesen ist, wird zunächst der Begriff der erweiterten Differenzierbarkeit von zweiter Stufe oder der zweimaligen Differenzierbarkeit im weiteren Sinne herangezogen, der bekanntlich folgendermaßen zu definieren ist: Eine Funktion f (x1? x2. x m) heißt an der Stelle (x!0, x2,.. x m ) ihres Definitionsbereiches zweimal differenzierbar im weiteren Sinne oder eigentlich differenzierbar von zweiter Stufe, wenn neben Konstanten
5 Kraus, download Ueber unter konvexe Matrixfunktionen. 11 ax, a2.. am noch weitere Konstante (i, k = l, 2. m, = ot^) angegeben werden können von folgender Art: Zu jedem positiven e kann ein positives <5e (x!, x2.. x m ) so angegeben werden, daß für jeden Punkt (xl, x2.. x ra) des Definitionsintervalles der Funktion, welcher der Ungleichung genügt stets auch m f(x 1?x 2. X ra) f (xx, X 2. x m0) (xi Xi ) m V2 2 a ik (xj Xi ) ( Xk x t ) i k = 1 < e r2 ausfällt. Analog kann man eine Differenzierbarkeit im weiteren Sinne von höherer als zweiter Stufe definieren. Dieser Begriff läßt sich ohne weiteres von skalaren auf M atrixfunktionen übertragen. Eine Matrixfunktion f (Xn) heiße im weiteren Sinne zweimal differenzierbar von k-ter Stufe, wenn ihre Elemente von k-ter Stufe differenzierbare Funktionen der Elemente der Matrix X^ sind. Nach Einführung dieses Begriffes werden zunächst zwei Hilfssätze bewiesen: Hilfssatz II: Ist die skalare Funktion f (co) in ihrem Definitionsbereich überall von zweiter Stufe im weiteren Sinne differenzier bar, so kann dasselbe von der Matrixfunktion f (Xn) behauptet werden. Hilfssatz III: Ist eine skalare Funktion, (die wir uns der Einfachheit halber in einem offenen Prisma definiert denken), dort überall eigentlich differenzier bar von zweiter Stufe in weiterem Sinne und kann das in der Definition der Differenzierbarkeit auftretende de bei jedem positiven e für alle Punkte gleich gewählt Averden (gleichmäßige Differenzierbarkeit im weiteren Sinne), dann ist die Funktion im ganzen Prisma zweimal stetig differenzierbar. Unter Verwendung dieser beiden Hilfssätze wird dann der Beweis des Hilfssatzes I. geführt. Im letzten Abschnitt der Arbeit werden dann die notwendigen und hinreichenden Bedingungen für die Konvexität n-ter Stufe einer in einem offenen Intervall definierten Funktion abgeleitet, die die
6 10 Lotos Prag download unter t durch die Relation c = ^zusam m en. Dies drückt sich aber nach Einführung der Bezeichnung durch die Indentität bi Xt + b2 x 2 = S i, ai X! + a2 x 2 = S 2 (c + 1) X 2(2) (x, x ) = c v2 S 22 + J'i S i 2 aus. Das bedeutet fünf Koeficientengleichungen, die hier nicht explicit angeschrieben werden sollen. Durch eine nähere Betrachtung derselben ergibt sich, daß eine Lösung unserer Aufgabe dann und nur dann besteht, wenn für die Eigenwerte die Ungleichung (4) vx A8 + v2 Ai v1 v2 == 0 erfüllen. Läßt man die Voraussetzung 7 = 0 fallen, so offenbar folgende Gestalt an: nimmt diese ( 4 * ) & -?) ( v - f ) + ( A 2 - f ) ( v t - ) - ( n - f ) (v, - f ) ä s 0. Man nehme nun irgend welche fünf Werte aus dem Definitionsintervall von f (w), die dem doppelten System von Ungleichungen (3) und (4*) genügen, bestimme die zugehörigen Matrizen X 2^, X 2(2\ X 2(3) und gehe mit ihnen in die Konvexitätsrelation (2) ein. Indem man die bekannten Determinantenungleichungen für eine Nicht-negative Matrix auf die linke Seite derselben anwendet, kommt man nach rechnerisch etwas schwierigen Umformungen zu dem wichtigen Resultat : Eine in einem Intervall von zweiter Stufe konvexe Funktion ist dort zunächst im gewöhnlichen Sinne konvex und sie genügt für irgend fünf Werte des Inter valles, die der Relation (3) und (4*) genügen der Ungleichung. * (vi j) * (A f s)o, - V) Oi- y '» A f a)" ( i f [(>. - i ) ("! - i ) - (>! - 1) O -i - f) - f t - f) (v, - f)] s 0. Aus diesen Bedingungen ergibt sich durch passendes Zusammenrücken von Werten die zweimal stetige Differenzierbarkeit der Funktion f (to). Unter x (, y ) verstehen wir allgemein den mit dem Faktor V2 multiplizierten zweiten Differenzquotienten der Funktion f (co) für die Argumentwerte, C. Nachdem die zweimal stetige Differenzierbarkeit von Funktionen, welche von höherer Stufe konvex sind, bewiesen ist, wird zunächst der Begriff der erweiterten Differenzierbarkeit von zweiter Stufe oder der zweimaligen Differenzierbarkeit im weiteren Sinne herangezogen, der bekanntlich folgendermaßen zu definieren ist: Eine Funktion f (xx, x2. x m) heißt an der Stelle (xx, x 2,.. x ra ) ihres Definitionsbereiches zweimal differenzierbar im weiteren Sinne oder eigentlich differenzierbar von zweiter Stufe, wenn neben Konstanten
7 Kraus, download Ueber unter konvexe Matrixfunktionen. 11 al5 a2.. a m noch weitere Konstante aik (i, k = l, 2 angegeben werden können von folgender Art:. m, aik = «ki) Zu jedem positiven e kann ein positives de (xi, x2.. x m0) so angegeben werden, daß für jeden Punkt (xl, x 2.. x ra) des Definitionsintervalles der Funktion, welcher der Ungleichung 2 (X i ~ X i )2 < ( x j 0, x 2.. x m ) genügt stets auch in f (x1?x2.. Xra) ~ f ( x i, X2.. x m ) Za-i (x i Xi ) m i = 1 1/2 2 a ik (x; - xj ) ( Xk x k ) i k l < e r2 ausfällt. Analog kann man eine Differenzierbarkeit im weiteren Sinne von höherer als zweiter Stufe definieren. Dieser Begriff läßt sich ohne weiteres von skalaren auf M atrixfunktionen übertragen. Eine Matrixfunktion f (X n) heiße im weiteren Sinne zweimal differenzierbar von k-ter Stufe, wenn ihre Elemente von k-ter Stufe differenzierbare Funktionen der Elemente der Matrix X " sind. Nach Einführung dieses Begriffes werden zunächst zwei Hilfssätze bewiesen: Hilfssatz II: Ist die skalare Funktion f (to) in ihrem Definitionsbereich überall von zweiter Stufe im weiteren Sinne differenzierbar, so kann dasselbe von der Matrixfunktion f (Xn) beh auptet werden. Hilfssatz III: Ist eine skalare Funktion, (die wir uns der Einfachheit halber in einem offenen Prisma ai < Xi <C bi ( =!. m) definiert denken), dort überall eigentlich differenzier bar von zweiter Stufe in weiterem Sinne und kann das in der Definition der Differenzierbarkeit auftretende <5 bei jedem positiven e für alle Punkte gleich gewählt werden (gleichmäßige Differenzierbarkeit im weiteren Sinne), dann ist die Funktion im ganzen Prisma zweimal stetig differenzierbar. Unter Verwendung dieser beiden Hilfssätze wird dann der Beweis des Hilfssatzes I. geführt. Im letzten Abschnitt der Arbeit werden dann die notwendigen und hinreichenden Bedingungen für die Konvexität n-ter Stufe einer in einem offenen Intervall definierten Funktion abgeleitet, die die
8 12 Lotos Prag download unter Gestalt von Differentialungleichungen haben. Der Gedankengang ist folgender: Daß eine Funktion f (co) konvex von n-ter Stufe ist, bedeutet, daß die zugehörige Matrixfunktion f (Xn) auf einer Geraden (5) X n = Ln + t Hn mit einem Hn > o die Eigenschaft besitzt, daß die zu f (Ln + t Hn ) = $>(t) gehörige quadratische Form in n Veränderlichen für jede Wahl derselben eine im gewöhnlichen Sinne konvexe, skalare Funktion von t ist. Nun ist aber bewiesen, daß f (Xn ) zweimal stetig differenzierbar von X n abhängt. Es ist also auch die eben eingeführte skalare Funktion von t zweimal stetig differenzierbar im t. ln diesem Falle wird bekanntlich die Konvexität durch die Nichtnegativität der zweiten Ableitung vollständig zum Ausdruck gebracht. Es ist also < I> " (t) > 0 und insbesondere, falls L n zum Definitionsbereich vom f (Xn ) gehört (6) <P"(o) > 0 (P (o) ist von der Wahl von L n und Hn abhängig. Die Konvexität wird vollständig durch die Ungleichung (6) zum Ausdruck gebracht, wenn man L n alle möglichen Matrizen, deren Eigenwerte in das Definitionsintervall von f (co) hineinfallen und Hn alle nichtnegativen Matrizen durchlaufen läßt. Um also für die notwendigen und hinreichenden Konvexitätsbedingungen einen analytischen Ausdruck zu erhalten, wird die Berechnung von 0 " (o) wirklich durchgeführt. Das sich aus dieser zunächst ergebende Kriterium besagt, daß die Matrix (7) Ak A i) dxüdxkij > o *) sein muß für d X n ) 0. Durch eine weitere Spezialisierung der dxik folgen aus dieser Ungleichung n weitere, nämlich (8) 2, x (^ Ak Am) k = 0 (m = 1, 2 n) i,k = l und aus den Bestehen der n Ungleichungen (8) folgt wieder (7) zurück. Damit ist erkannt, daß durch die Ungleichungen (8) notwendige und hinreichende Bedingungen für die Konvexität n-ter Stufe der Funktion f (co) gegeben sind. x) Falls Zusammenfallen von Werten in k (Ai, Ak, Äj ) atattfindet, hat man darunter den entsprechenden Differenzialausdruck zu verstehen.
9 Kraus, Ueber download konvexe unter Matrixfunktionen. 13 D a clie Nichtnegativität einer quadratischen Form durch Nichtnegativität ihrer Hauptminoren zum Ausdrucke gebracht werden kann, so spricht sich das Hauptergebnis der Arbeit in folgendem Satze aus: Damit eine Funktion in einem offenen Intervall konvex von n-ter Stufe sei, ist notwendig und hinreichend, daß sie das selbst zweimal stetig differenzierbar ist, und daß alle Determinanten von der Form n (fo, i, k ) i, k = 1 für p n bei beliebiger Wahl der p + 1 Argumente o, lj S-_>5... n a u s dem Definitionsintervall der Funktion f "(ro) und für p = n bei der einzigen Einschränkung daß 0 mit einem der folgenden I i - W e r t e ZU- S a m m e nf ä 111, nicht negativ ausfallen. Die Arbeit schließt mit der aus den Ungleichungen (8) sich ergebenden Bemerkung, daß Konvexität der Matrixfunktion sogar in dem erweiterten Sinne besteht, daß in der Relation (5) für Hn eine beliebige Matrix eingesetzt werden kann. Eine Normalform für Viererzöpfe.1) Von Walter Fröhlich, Prag. 1. Einleitung. Nach Artin läßt die Gruppe der Viererzöpfe die Darstellung durch zwei Erzeugende a o mit den definierenden Relationen 2) a4 = (ao)3 o ^ a2o a ~ - zu. 0. Schreier hat eine Normalgestalt für Dreierzöpfe angegeben und damit auch das Transformationsproblem für sie gelöst. Im folgenden soll eine Normalform für Viererzöpfe aufgestellt werden: Wir schlagen zunächst den gleichen Weg ein wie Schreier und setzen ao = b Dann' wird aus der ersten Relation a 1 = bh x) Über die wichtigsten Ergebnisse dieser Arbeit habe ich unter dem gleichen Titel am II. Kongreß der Mathematiker der slaw. Länder ( IX in Prag) ganz kurz berichtet. 2) E. Artin, Theorie der Zöpfe, in den Abhandlungen aus dem mathem. Seminar der Hamburger Universität, Bd. IV, Seite 54, Formeln (16) und (17).
18 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
40 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:
8 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
Taylorentwicklung 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
5.10. 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(
Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
Quadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
Mathematik 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
9 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
3 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)
4.7 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
Höhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
Technische 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) :=
3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
4. DIE ABLEITUNG (DERIVATIVE)
31 Dieses Skript ist ein Auszug mit Lücken aus Einführung in die mathematische Behandlung der Naturwissenschaften I von Hans Heiner Storrer, Birkhäuser Skripten. Als StudentIn sollten Sie das Buch auch
Rückblick 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
5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
Wirtschaftsmathematik 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
27 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
Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
Anwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
Großes Lehrbuch der Mathematik für Ökonomen
Großes Lehrbuch der Mathematik für Ökonomen Von Professor Dr. Karl Bosch o. Professor für angewandte Mathematik und Statistik an der Universität Stuttgart-Hohenheim und Professor Dr. Uwe Jensen R. Oldenbourg
Eigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
Übungsaufgaben zur Analysis
Serie Übungsaufgaben zur Analysis. Multiplizieren Sie folgende Klammern aus: ( + 3y)( + 4a + 4b) (a b )( + 3y 4) (3 + )(7 + y) + (a + b)(3 + ). Multiplizieren Sie folgende Klammern aus: 6a( 3a + 5b c)
Mathematik 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
Vektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
f 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
6 Gleichungen und Gleichungssysteme
03.05.0 6 Gleichungen und Gleichungssysteme Äquivalente Gleichungsumformungen ( ohne Änderung der Lösungsmenge ).) a = b a c = b c Addition eines beliebigen Summanden c.) a = b a - c = b - c Subtraktion
Optimalitätskriterien
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
26. 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
Symmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome
Proseminar Lineare Algebra SS10 Symmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome Natalja Shesterina Heinrich-Heine-Universität ASymmetrische Polynome Definition 1 Sei n
Folgen und Reihen von Funktionen
Folgen und Reihen von Funktionen Sehr häufig treten in der Mathematik Folgen bzw. Reihen von Funktionen auf. Ist etwa (f n ) eine Folge von Funktionen, dann können wir uns für ein festes x fragen, ob die
Kapitel 7. Funktionentheorie. 7.1 Holomorphe und harmonische Funktionen. 1. Definitionen
Kapitel 7 Funktionentheorie In diesem Kapitel geht es meistens um Funktionen, die auf einem Gebiet G C definiert sind und komplexe Werte annehmen. Nach Lust, Laune und Bedarf wird C mit R identifiziert,
DEUTSCHE SCHULE MONTEVIDEO BIKULTURELLES DEUTSCH-URUGUAYISCHES ABITUR ( AUF SPANISCH )
Grundlegende Bemerkungen : Der Begriff des Vektors wurde in den vergangenen Jahren im Geometrieunterricht eingeführt und das mathematische Modell des Vektors wurde vor allem auch im Physikunterricht schon
Analysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
Kapitel 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
Vorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
2. 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
Abb lokales Maximum und Minimum
.13 Lokale Extrema, Monotonie und Konvexität Wir kommen nun zu den ersten Anwendungen der Dierentialrechnung. Zwischen den Eigenschaten einer Funktion, dem Verlau des zugehörigen Graphen und den Ableitungen
16.3 Rekurrente und transiente Zustände
16.3 Rekurrente und transiente Zustände Für alle n N bezeichnen wir mit f i (n) = P(X n = i,x n 1 i,...,x 1 i,x 0 = i) die Wahrscheinlichkeit, daß nach n Schritten erstmalig wieder der Zustand i erreicht
C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
4.1 Definition. Gegeben: Relation f X Y f heißt Funktion (Abbildung) von X nach Y, wenn. = y 1. = y 2. xfy 1. xfy 2
4.1 Definition Gegeben: Relation f X Y f heißt Funktion (Abbildung) von X nach Y, wenn xfy 1 xfy 2 = y 1 = y 2 Y heißt Zielbereich oder Zielmenge von f. Statt (x, y) f oder xfy schreibt man y = f(x). Vollständige
Technische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mathematik 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
Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
Lineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
Mathematik I Herbstsemester 2014
Mathematik I Herbstsemester 2014 www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 32 1 Stetigkeit Grenzwert einer
1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
f(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
13. Funktionen in einer Variablen
13. Funktionen in einer Variablen Definition. Seien X, Y Mengen. Eine Funktion f : X Y ist eine Vorschrift, wo jedem Element der Menge X eindeutig ein Element von Y zugeordnet wird. Wir betrachten hier
Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
Faltung und Approximation von Funktionen
Faltung und Approximation von Funktionen Lisa Bauer und Anja Moldenhauer 9. Juni 2008 1 Die Faltung von Funktionen 1.1 Die Faltung Eine kleine Widerholung mit einem Zusatz: Vergleiche den Vortrag von Benjamin
Im allerersten Unterabschnitt wollen wir uns mit einer elementaren Struktur innerhalb der Mathematik beschäftigen: Mengen.
Kapitel 1 - Mathematische Grundlagen Seite 1 1 - Mengen Im allerersten Unterabschnitt wollen wir uns mit einer elementaren Struktur innerhalb der Mathematik beschäftigen: Mengen. Definition 1.1 (G. Cantor.
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
Extrema 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
3 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
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
Dierentialgleichungen 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:
Satz von Taylor Taylorreihen
Satz von Taylor Taylorreihen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de Tangente als Näherung Weil sich anschaulich die Tangente anschmiegt, ist die Tangentenfunktion
1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
1.3 Funktionen einer reellen Veränderlichen und ihre Darstellung im x, y - Koordinatensystem
.0.0. Funktionen einer reellen Veränderlichen und ihre Darstellung im, - Koordinatensstem Vereinbarungen Wir betrachten vorerst nur noch Funktionen f, deren Definitionsund Wertebereich jeweils R oder ein
Die Abbildung (x 1 ;x 2 ) 7! (x 1 ;x 2 ; 1) ist eine Einbettung von R 2 in P 2 (als Mengen). Punkte mit z 6= 0 sind endliche" Punkte mit inhomogenen K
Kapitel IV Projektive Geometrie In diesem Kapitel wird eine kurze Einführung in die projektive Geometrie gegeben. Es sollen unendlich ferne Punkte mit Hilfe von homogene Koordinaten eingeführt werden und
Technische Universität München Zentrum Mathematik. Übungsblatt 5
Technische Universität München Zentrum Mathematik Mathematik Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 5 Hausaufgaben Aufgabe 5. Bestimmen Sie folgende Grenzwerte. Benutzen
Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
Übungen 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.
6. 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
Wirtschaftsmathematik Formelsammlung
Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2015 (a + b) 2 = a 2 +2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) =a 2 b 2 Fakultät (Faktorielle) n! =1 2 3 4 (n 1) n Intervalle Notation
Mathematik für Anwender I
Prof. Dr. H. Brenner Osnabrück WS 20/202 Mathematik für Anwender I Vorlesung 30 Gewöhnliche Differentialgleichungen mit getrennten Variablen Definition 30.. Eine Differentialgleichung der Form y = g(t)
Mathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Ungleichungen Inhalt: 1. Grundlegendes 2. Lineare Ungleichungen 3. Ungleichungen mit
Schulstoff. Übungen zur Einführung in die Analysis. (Einführung in das mathematische Arbeiten) Sommersemester 2010
Übungen zur Einführung in die Analysis (Einführung in das mathematische Arbeiten) Sommersemester 010 Schulstoff 1. Rechnen mit Potenzen und Logarithmen 1. Wiederholen Sie die Definiton des Logarithmus
5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
Lösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
(Unvollständige) Zusammenfassung Analysis Grundkurs
(Unvollständige) Zusammenfassung Analysis Grundkurs. Ableitungs und Integrationsregeln (Folgende 0 Funktionen sind alles Funktionen aus dem Zentralabitur Grundkurs.) a) f(t) = 0,0t e 0,t b) f(t) = t 3
Inhaltsverzeichnis INHALTSVERZEICHNIS 1
INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Die Parabel 2 1.1 Definition................................ 2 1.2 Bemerkung............................... 3 1.3 Tangenten................................ 3 1.4
Multivariate 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
(geometrische) Anschauung
(geometrische) Anschauung Marcus Page Juni 28 In dieser Lerneinheit widmen wir uns dem schon oft angesprochenen Zusammenhang zwischen Matrizen und linearen Abbildungen. Außerdem untersuchen wir Funktionen,
9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
Teil I.2 Lösen von Bestimmungsgleichungen
Brückenkurs Mathematik Teil I.2 Lösen von Bestimmungsgleichungen Staatliche Studienakademie Leipzig Studienrichtung Informatik Dr. Susanne Schneider 12. September 2011 Bestimmungsgleichungen 1 Reelle Zahlen
Erweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
4.1. Grundlegende Definitionen. Elemente der Analysis I Kapitel 4: Funktionen einer Variablen. 4.2 Graphen von Funktionen
4.1. Grundlegende Definitionen Elemente der Analysis I Kapitel 4: Funktionen einer Variablen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 22./29. November 2010 http://www.mathematik.uni-trier.de/
Optimierung 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
In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
Lineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
Taylor-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