1. Grundlagen der konvexen Analysis Version
|
|
- Thilo Kruse
- vor 6 Jahren
- Abrufe
Transkript
1 1. Grundlagen der konvexen Analysis Version Konvexe Mengen Definitionen. Eine Menge M R n heisst konvex, wenn aus x, y M folgt, dass auch alle Punkte z = λx + (1 λ)y mit 0 < λ < 1 (Strecke zwischen x und y) aus M sind. Eine Menge M R n heisst Kegel, wenn aus x M folgt, dass auch alle Punkte z = λx mit λ 0 (Strahl durch 0 und x) aus M sind. Ein Kegel, der konvex ist, heisst konvexer Kegel. 1
2 Offenbar ( Übung! ) ist der Durchschnitt beliebig vieler konvexer Mengen wieder konvex. Ebenso ist der Durchschnitt beliebig vieler Kegel ein Kegel. Ausserdem folgt für konvexes M (Induktion) z := m i=1 λ i x i M sofern x i M, λ i 0 und m i=1 λ i = 1. Für A R n bezeichnet conv A die konvexe Hülle von A. Sie ist die kleinste konvexe Menge M mit A M, und es gilt z conv A m, λ 1,..., λ m 0, a 1,..., a m A : mi=1 λ i = 1 und z = m i=1 λ i a i. (1) kleinste im Sinne der Inklusion A M 2
3 Analog definiert man die Kegelhülle pos A von A R n als kleinsten konvexen Kegel, der A enthält, und es gilt z pos A m, λ 1,..., λ m 0, a 1,..., a m A : z = m i=1 λ i a i. (2) Mit aff A und lin A bezeichnen wir die affine bzw. lineare Hülle von A, d.h., die kleinste lineare Mannigfaltigkeit (affiner Unterraum) bzw. der kleinste Unterraum, der A enthält. Die Linearkombinationen in den Beschreibungen dieser Hüllen analog zu (1), (2) sind anzupassen (Übung!). Die kleinste abgeschlossene Menge, die A enthält, heisst Abschliessung von A, Bezeichnung cl A. 3
4 Sei M R n. Die Menge int M := {x M ε > 0 : B (x, ε) M} heisst das (topologisch) Innere von M, wobei B (x, ε) die offene Kugel - bei vorgegebener Norm, z.b. der euklidischen Norm - mit Radius ε um x bezeichnet. Ferner ist rel int M := {x M ε > 0 : B (x, ε) aff M M} das relative Innere von M, das heisst, das Innere der Menge M relativ zur Mannigfaltigkeit aff M. So ist aber rel int {(x, y) R 2 x = 0, y 0} = {(0, y) y > 0}, int {(x, y) R 2 x = 0, y 0} =. 4
5 Übung: Sei M eine nichtleere, konvexe Teilmenge des R n. Zeigen Sie, dass dann auch die Mengen konvex sind. int M, rel int M und cl M Machen Sie sich das an selbst gewählten Beispielen im R 2 klar. Bezeichnung (euklidisches Skalarprodukt). die Schreibweise Wir verwenden synonym x, y = x T y 5
6 Eine Menge M R n heisst abgeschlossen, wenn M = cl M ist. Übung: Man zeige: (i) Sind X i R n, i I (I beliebige Indexmenge), konvexe Mengen, so ist auch i I X i eine konvexe Menge (ggf. leer). (ii) Sind X i R n, i I (I beliebige Indexmenge), abgeschlossene Mengen, so ist auch i I X i eine abgeschlossene Menge (ggf. leer). Per definitionem betrachten wir die leere Menge als konvex und abgeschlossen, also lassen wir zukünftig die Zusatzbemerkung ggf. leer weg. 6
7 1.1.1 Satz von Caratheodory. Für jede Teilmenge A R n gilt die Darstellung (1) bereits mit m n + 1, und es gilt (2) bereits mit m n. Beweis. Wir führen den Beweis für die konvexe Hülle, der Beweis für die Kegelhülle geht analog. Man schreibe z conv A mit einer minimalen Anzahl m von Elementen a i A, i = 1,..., m, als Konvexkombination: m m z = λ i a i mit λ i > 0, λ i = 1. (3) i=1 Wenn m > n + 1 gilt, so sind die m 1 Vektoren a i a 1, i = 2,..., m, linear abhängig, also existiert ein m (r 2,..., r m ) 0, so dass 0 = r i (a i a 1 ). (4) i=1 i=2 Man argumentiere direkt mit {a 1,..., a m } statt mit {a 2 a 1,..., a m a 1 } 7
8 Setzt man r 1 = m m i=1 i=2 r i, folgt r i a i = r 1 a 1 + m i=2 m i=1 r i = 0 sowie wegen (4) r i a i = Mit beliebigem t R gilt daher wegen (3) z = m (λ i + tr i )a i, i=1 m i=2 r i a 1 + m i=2 m (λ i + tr i ) = 1. i=1 r i a i = 0. Andererseits kann man ein t = t wegen r = (r 1,..., r m ) 0 und λ i > 0 (für alle i) so wählen, dass (λ i + tr i ) 0 i und λ i0 + tr i0 = 0 für wenigstens ein i 0 gilt. Die Darstellung (3) war also nicht minimal, ein Widerspruch. q.e.d. Übung: Damit ist conv A kompakt, wenn A R n kompakt ist. Wieso? 8
9 1.1.2 Projektionssatz. Sei = M R n konvex und abgeschlossen und π M (x) die Projektion von x R n auf M, d.h., π M (x) M erfüllt (mit euklidischer Norm) π M (x) x y x y M. (5) (i) Dann ist p = π M (x) eindeutig bestimmt und erfüllt (p x) T (y p) 0 y M. (6) (ii) Umgekehrt, erfüllt p M Bedingung (6), so ist π M (x) = p Lösung der Aufgabe (5). (iii) Die Projektion π M ist nicht expansiv, d.h. π M (x ) π M (x) x x. Dabei gilt für π M (x ) π M (x) genau dann die Gleichung, wenn π M (x ) π M (x) = x x. 9
10 Beweis: Ein Minimalpunkt p = π M (x) für (5) existiert, weil die Norm stetig ist und es - mit irgendeinem y 0 M - ausreicht, die Norm über der kompakten Menge M {y y x y 0 x } zu minimieren. (i) Mit beliebigem y M setze man z(t) = p + t(y p), 0 < t < 1. Dann folgt z(t) = ty + (1 t)p M (Konvexität) und z(t) x 2 = (z(t) x) T (z(t) x) = (p x + t(y p)) T (p x + t(y p)) = p x 2 + 2t (p x) T (y p) + t 2 y p 2. Wegen z(t) x 2 p x 2, muss deshalb (6) gelten - sonst entstünde ein Widerspruch, da 2t (p x) T (y p) + t 2 y p 2 < 0) für kleine t > 0. 10
11 (ii) Erfüllen zwei Punkte p, p M die Bedingung (6), erhalten wir (p x) T (p p) 0 und (p x) T (p p ) 0 und nach Addition (p p ) T (p p) = p p 2 0, also p = p. Damit gilt (6) nur für p = π M (x), und π M (x) aus (5) muss eindeutig sein. (iii) Man wende (6) auf beide Projektionen an: π M (x) x, π M (x ) π M (x) 0, π M (x ) x, π M (x) π M (x ) 0. Addition und Ausmultiplizieren liefert π M (x) x + x π M (x ), π M (x ) π M (x) 0, x x, π M (x ) π M (x) π M (x ) π M (x)
12 Damit gilt auch bei Verwendung der Cauchy-Schwarz-Ungleichung π M (x ) π M (x) 2 π M (x ) π M (x), x x x x π M (x ) π M (x). Division durch π M (x ) π M (x) > 0 liefert Nicht-Expansivität. Ausserdem: Die rechte Ungleichung gilt mit π M (x ) π M (x) als Gleichung π M (x ) π M (x) = x x. q.e.d. 12
13 1.1.3 Trennungssatz 1. Sei = M R n konvex, abgeschlossen und x / M. Dann existiert ein u R n \ {0} mit u T x < u T y y M. Beweis: Es sei p die Projektion von x auf M (Projektionssatz) und u = p x. Dann ist u T (y x) = u T (y p + p x) = u T (y p + u) = u } T (y {{ p) } + u 2 > 0 y M. 0 nach (6) q.e.d. 13
14 1.1.4 Trennungssatz 2. Es sei = M R n konvex, abgeschlossen und x / int M. Dann gibt es ein u R n \ {0}, so dass gilt u T x u T y y M. Beweis: Da x / int M, gibt es Punkte x k x (k ), so dass x k / M. Auf diese lässt sich Trennungssatz 1 anwenden. Sei u k ein entsprechender Vektor. O.B.d.A. gelte u k = 1. (Division durch die Norm). Für eine unendliche Teilfolge konvergieren die beschränkten u k gegen ein u mit u = 1. Mit jedem y M folgt so wegen u kt x k u kt y und Stetigkeit des Skalarprodukts auch u T x u T y. q.e.d. Bemerkung: Ist M nur konvex, aber nicht abgeschlossen, beweist man Trennungssatz 2 analog, indem man x von der (konvexen) Abschliessung cl M trennt, deren Inneres x ebenfalls nicht enthalten kann. 14
15 1.1.5 Satz (Trennung allgemein). Seien A und B konvexe Teilmengen des R n, seien ferner A und int B nichtleer sowie A int B =. Dann gibt es ein u R n \ {0}, so dass gilt u T a u T b a A, b B. Beweis: Man bilde die (wiederum konvexe) Menge M = {x x = b a, a A, b B}. Man kann dann zeigen, dass 0 / int M ist. Trennung von 0 und M liefert die Behauptung, man benutze dazu Trennungssatz 2 (und die Bemerkung dort). q.e.d. 15
16 1.2. Konvexe Funktionen f : R n R {± } Definition. Sei f : X R {± }, d.h., eine erweitert-reellwertige Funktion auf X. Wir betrachten hier X = R n, aber die Begriffe sind auch definiert, wenn X ein linearer normierter Raum ist. Die Menge dom f = {x X f(x) R} heisst effektiver Definitionsbereich von f. Die Funktion f heisst konvex, falls ihr Epigraph epi f := {(x, t) X R f(x) t} X R eine konvexe Menge ist. f ist konkav (d.h., f ist konvex), wenn der Hypograph konvex ist. hypo f := {(x, t) X R f(x) t} X R 16
17 f heisst eigentlich, falls dom f und f(x) x X, insbesondere also auch f(x) +. Falls f eigentlich ist, dann ist f konvex genau dann, wenn dom f eine nichtleere konvexe Menge ist und f(λx + (1 λ)y) λf(x) + (1 λ)f(y) x, y dom f, 0 < λ < 1 gilt (Beweis?). Ferner: Falls f im üblichen Sinne konvex über einer nichtleeren, konvexen Menge M X ist, also wenn gilt, so ist f(λx + (1 λ)y) λf(x) + (1 λ)f(y) x, y M, 0 < λ < 1 f(x) = { f(x) falls x M + sonst eine eigentliche konvexe (erweitert-reellwertige) Funktion. Wir betrachten in der Regel eigentliche konvexe Funktionen. 17
18 1.2.2 Übung: Verknüpfungen konvexer Funktionen Es seien I irgendeine Indexmenge und f i : R n R {+ }, i I, konvexe Funktionen. Dann gilt Das punktweise Supremum f(x) := sup i I f i (x), x R n ist konvex. Falls I = {1, 2,...}, so ist der punktweise Limes g(x) := lim i f i (x), x R n, konvex. Falls I endlich, f i eigentlich ( i I) und λ i (i I) nichtnegative reelle Zahlen sind, dann ist F (x) := i I λ if i (x) konvex (und eigentlich). 18
19 1.2.3 Definition. Eine Funktion f : D R n R m (D offene Menge) heisst lokal Lipschitz-stetig auf D, falls zu jedem x D eine Umgebung U von x und eine Konstante L = L(x) > 0 existieren, so dass f(x ) f(x ) L x x x, x U Satz ((lokale Lipschitz-) Stetigkeit über offenen Mengen). Ist f : R n R {+ } konvex und int dom f nichtleer, so ist f lokal Lipschitz-stetig auf int dom f. Zum Beweis vgl. Alt, Numerische Verfahren der nichtglatten, konvexen Optimierung, Abschnitt 1.7. Folgerung: Insbesondere ist eine über einer konvexen Menge M R n mit nichtleerem Inneren int M definierte konvexe Funktion von M in R stetig auf int M. 19
20 1.2.5 Subgradient und Subdifferential im R n Satz (Repetition 1). Sei I R ein Intervall und f : I R differenzierbar. Dann gilt: (1) f ist genau dann konvex, wenn für beliebige x, y I gilt f(y) f(x) + (y x)f (x). (2) f ist genau dann konvex, wenn die Ableitung f auf I monoton wachsend ist. (3) Falls f sogar zweimal differenzierbar ist, so ist f genau dann konvex, wenn f (x) 0 für alle x I gilt. Nach Anwendung der verallgemeinerten Kettenregel auf die reelle Funktion F (t) = f(x + t(y x)) lassen sich diese Aussagen auf den Fall von Funktionen in mehreren Variablen übertragen, und es folgt: 20
21 Satz (Repetition 2). Seien f : D R n R eine stetig differenzierbare Funktion und D eine offene, konvexe Teilmenge von R n. Dann gilt: 1. f ist konvex genau dann wenn für alle Punkte x, y D die Ungleichung f(y) f(x) + (y x) T f(x) gilt. 2. Hat f sogar stetige zweite partielle Ableitungen nach allen Variablen, so ist f konvex genau dann, wenn für jeden Punkt x D die Hesse- Matrix 2 f(x) positiv semidefinit ist. Dabei heisst eine symmetrische (n, n)-matrix A positiv semidefinit, falls h T Ah 0 für alle Vektoren h R n gilt; positiv definit, falls für alle h R n \ {0} sogar h T Ah > 0 gilt. 21
22 Definition: Es seien f : R n R {+ } eigentlich konvex und x dom f. Ein x R n heisst Subgradient von f in x, falls f(ξ) f(x) + x T (ξ x) ξ R n. (7) Die Menge f(x) aller Subgradienten in x heisst das Subdifferential von f in x. Ähnlich wie bei glatten konvexen Funktionen ist die affin-lineare Funktion ξ f(x) + x T (ξ x) folglich eine Stützfunktion an f und {(ξ, η) η = f(x) + x T (ξ x)} ist eine Stützhyperebene an den Graphen von f. Zur Beachtung: Man betrachtet nur Punkte x dom f und f(ξ) = ist nicht zugelassen. f(x) ist konvex und abgeschlossen (siehe unten), allerdings kann die Menge leer sein. Man betrachte das Beispiel offenbar ist f(0) =. f(x) = x falls x 0; f(x) = falls x < 0, 22
23 Bemerkung: Offenbar gilt für x dom f f(x) f ist unterhalb stetig im Punkt x, wobei f unterhalb stetig in x heisst, falls lim inf ξ x f(ξ) f(x) Triviales Optimalitätskriterium. 0 f(x 0 ) x 0 ist ein globaler Minimalpunkt von f. Beweis: Man setze in die Definition des Subdifferentials ein! 23
24 1.2.7 Übung (Beispiele für Subdifferentiale). Zeigen Sie ν(x) := x, x R: ν(0) = [ 1, +1] Euklidische Norm n(x) := x, x R n : n(0) = {x R n x 1} Satz ( f(x 0 ) ). Falls f : R n R {+ } konvex ist und int dom f, dann ist f(x 0 ) für alle x 0 int dom f. 24
25 25
26 Beweis von Satz 1.2.8: Sei M := {(t, x) t f(x)}. Dann folgt (f(x 0 ), x 0 ) int M aus (f(x 0 ) ε, x 0 ) M für ε > 0. Andererseits: Nach Satz ist f stetig auf int dom f, folglich (f(x 0 ) + ε, x 0 ) int M. Somit können M und (f(x 0 ), x 0 ) getrennt werden: Es gibt (r, u) R R n, so dass (r, u), (f(x 0 ), x 0 ) (r, u), (t, x) (t, x) M. (8) Nach Definition von M haben wir r 0 (via t ). x 0 int dom f dass r = 0 den Widerspruch Ferner zeigt u 0 und u, x 0 u, x x dom f. liefert. Damit folgt r > 0 und (8) sichert, dass u/r ein Subgradient ist: dividiere durch r and setze t = f(x)). q.e.d. 26
27 1.2.9 Definition (Richtungsableitung). Sei f : R n R {+ } eine konvexe Funktion und x int dom f. Als Richtungsableitung von f im Punkt x in Richtung u bezeichnet man die Zahl f f(x + tu) f(x) f(x + tu) f(x) (x; u) := lim = inf t 0 t t>0 t Die Abbildung u f (x; u) (x fest) heisst Richtungsableitung von f in x. Diese Definition ist gerechtfertigt, denn nach Satz genügt der Differenzenquotient f(x + tu) f(x) q(t) := der Abschätzung q(t) L(x) u, t (0, t), t mit gewissen L(x), t > 0, und die Funktion t q(t) ist wegen der Konvexität von f monoton steigend, so dass lim t 0 q(t) = inf t>0 q(t) existiert. 27
28 Sei wieder f : R n R {+ } eine konvexe Funktion und x int dom f. Eigenschaften der Richtungsableitung a. f (x; λu) = λf (x; u) λ 0 u (positiv homogen) b. f (x; u + v) f (x; u) + f (x; v) u, v (subadditiv) c. L 0 : f (x; u) L u u (beschränkt durch L) Zum Beweis vgl. W. Alt, Numerische Verfahren der nichtglatten, konvexen Optimierung, Abschnitt 2.8. Die Eigenschaften a. und b. zusammen heissen auch sublinear, der Epigraph einer sublinearen Funktion ist ein konvexer Kegel (ÜA!). Eigenschaft c. heisst auch oft Lipschitz-Eigenschaft. 28
29 Satz Es sei f : R n R {+ } eine eigentlich konvexe Funktion, und es sei x int dom f gegeben. Dann ist das Subdifferential f(x) eine nichtleere, konvexe, abgeschlossene und beschränkte Menge ist mit und somit x f(x) x, u f (x; u) u R n (9) f(x) = (f (x; ))(0). (10) Der Beweis folgt, vgl. auch die Illustration zu Satz
30 Beweis: Dass f(x) nichtleer ist, wurde in Satz bewiesen. (9) und (10) Da f (x; ) sublinear und somit konvex ist, gilt mit f (x; 0) = 0 und f (x; u) = inf t>0 t 1 (f(x + tu) f(x)) sowie nach Definition des Subdifferentials x f(x) f(x + tu) f(x) + t x, u u t > 0 f (x; u) x, u u f (x; u) f (x; 0) + x, u 0 u x (f (x; ))(0). 30
31 Eigenschaften von f(x): f(x) gilt wegen x int dom f nach Satz Konvexität und Abgeschlossenheit folgt sofort aus f(x) = {x x, y x f(y) f(x)}, y R,y x was ein Durchschnitt abgeschlossener Halbräume (also spezieller abgeschlossener, konvexer Mengen) ist. Die Beschränktheit von f(x) folgt aus (9) für u := x sowie Eigenschaft c. in 1.2.9: x f(x) x 2 = x, x f (x; x ) L x. Bemerkung: Übrigens ist die Lipschitz-Eigenschaft c. in eine unmittelbare Folgerung aus der Lipschitz-Stetigkeit von f in einer Umgebung von x int dom f gemäss Satz 1.2.4: f(x + tu) f(x) Lt u u t 0 mit gewissem L 0. 31
32 Berechnung von Subdifferentialen/Richtungsableitungen. 1. Sind f, g : R n R konvex, so gilt für alle x und u sowie λ, µ 0 (λf + µg)(x) = λ f(x) + µ g(x), (λf + µg) (x; u) = λf (x; u) + µg (x; u). (Satz von Moreau-Rockafellar) 2. Sei f : R n R konvex. Ist f (total) differenzierbar im Punkt x 0 R n, dann gilt f(x 0 ) = { f(x 0 )} und f (x 0 ; u) = f(x 0 ) T u ( u). Die Beweise von 1. und 2. werden im Anhang zu Kapitel 1 gegeben. Repetition: f heisst differenzierbar (genauer: total differenzierbar) in x 0, falls die Darstellung f(x) = f(x 0 ) + (x x 0 ) T f(x 0 ) + o(x x 0 ) mit o(u)/ u 0 für u 0 gilt. 32
33 Folgerung aus und (bekannt aus Mathematik III): Sind D R n offen, konvex und f : D R eine konvexe, stetig differenzierbare Funktion, so besitzt f in x 0 D ein globales Minimum genau dann, wenn f(x 0 ) = 0 gilt. Die konkave Funktion g = f besitzt in x 0 D ein globales Maximum genau dann wenn g(x 0 ) = 0 gilt. 3. (Maximum-Funktion I) Für f(x) = max i g i (x); g i : R n R konvex, differenzierbar (i = 1,..., m) gilt mit I = I(x 0 ) := {i {1,..., m} g i (x 0 ) = f(x 0 ) }, f(x 0 ) = conv { g i (x 0 ) i I} f (x 0 ; u) = max i I g i (x 0 ) T u u. Beweis: vgl. Alt, Numerische Verfahren der konvexen, nichtglatten Optimierung, Satz
34 Übung. 1. Sei f die Maximumnorm f(x) = max 1 i n x i, x = (x 1,..., x n ) T. Zeigen Sie mit den Einheitsvektoren e j f(0) = conv {e 1,..., e n, e 1,..., e n }. Berechnen Sie auch f (x; u) in x = 0 und f(x) für x Zeigen Sie, dass für jede konvexe Funktion f : (a, b) R R gilt f(x) = [f (x), f + (x)], a < x < b, wobei f und f + sind. die übliche linksseitige bzw. rechtsseitige Ableitung 34
35 Konjugierte Funktion. Die Umkehrrelation zu x f(x), x ( f) 1 (x ) := {x x f(x) } ordnet der linearen gestörten Funktion ξ f(ξ) x, ξ ihre Menge der Minimalpunkte zu: x f(x) x argmin (f( ) x, ). (11) Also ist das Subdifferential der Lösungsmengenabbildung eines parametrischen Optimierungsproblems zugeordnet. (11) ist äquivalent zu x ( f)(x) x argmax ( x, f( )). Die entsprechende Optimalwertfunktion f heisst Fenchel-Konjugierte zu f. Wir fassen die Definition etwas allgemeiner: 35
36 Sei f : R n R {± } eine beliebige (nicht notwendig konvexe) Funktion. Dann heisst f (x ) := sup x X ( x, x f(x)) (eventuell ± ) die (Fenchel-) Konjugierte zu f (oder konjugierte Funktion zu f). Falls dom f ist, gilt stets f (x ) > Lemma. f ist konvex. Beweis: f ist konvex genau dann, wenn epi f konvex ist. Es gilt aber offenbar (x, η) epi f f (x ) η x, x η f(x) x R n, d.h., epi f ist der Durchschnitt von abgeschlossenen Halbräumen in R n R und folglich konvex. 36
37 Übung (Beispiele für konjugierte Funktionen). Man zeige für die reellen Funktionen f(x) = e x f (y) = y ln y y, falls y > 0 0 falls y = 0, + sonst g(x) = ln x, x > 0, g (y) = { 1 ln( y), falls y < 0 + sonst sowie für die Log-Barriere-Funktion in n Variablen: h(x) = n i=1 ln x i, x R n ++, h (x ) = { h( x) n, falls x R n ++ \ {0} + sonst, wobei R n ++ := {(x 1,..., x n ) x i > 0 i}. 37
38 1.3 Fixpunktsätze Im Hinblick auf die Existenz von Gleichgewichten sind die Fixpunktsätze von Brouwer und Kakutani zentral, sie werden z.b. in 5 zum Beweis der Existenz eines Nash-Gleichgewichts angewendet Definition. Sei F eine mengenwertige Abbildung von irgendeiner nichtleeren Menge X in sich selbst, d.h., Dann heisst x x X F (x) X, Symbol: F : X X. Fixpunkt von F, falls x F (x ) gilt. Ist f : X X sogar eine Funktion (d.h., eine eindeutige Relation), so erfüllt ein Fixpunkt x von f offenbar f(x ) = x ; ist X Teilmenge eines linearen Raumes, so ist das eine Nullstelle der Funktion g(x) = f(x) x. Eine mengenwertige Abbildung nennt man auch Relation oder Korrespondenz oder Punkt-Menge-Abbildung. 38
39 1.3.2 Fixpunktsatz von Brouwer. Sei = X R n eine konvexe, abgeschlossene und beschränkte Menge und f eine stetige Funktion von X in X. Dann existiert ein Fixpunkt von f, d.h., es existiert ein x X, so dass f(x ) = x. Beweis: vgl. Stoer, Witzgall, Convexity and Optimization I, Springer, (Beweis unter Benutzung des Sperner-Lemmas) 39
40 Bemerkungen. Wenn X konvex, beschränkt, aber nicht abgeschlossen ist, stimmt die Aussage nicht, man betrachte z.b. f(x) = x 2 über dem offenen Intervall X := (0, 1) R. Wenn X kompakt (also beschränkt und abgeschlossen), aber nicht konvex ist, stimmt die Aussage ebenfalls nicht, man betrachte z.b. f(x) = 1 x über X := [0, 1 4 ] [3 4, 1] R. Wenn f unstetig ist, stimmt die Aussage trivialerweise nicht, man betrachte z.b. f(x) = 1, falls 1 x < 0, f(x) = 1, falls 0 x 1. 40
41 1.3.3 Spezialfall X R. Ist X R und enthält mehr als ein Element, dann erfüllt X die Voraussetzungen des Brouwerschen Fixpunktsatzes genau dann, wenn X ein abgeschlossenes, beschränktes Intervall [a, b] mit a < b ist. Der Fixpunktsatz von Brouwer folgt dann aus dem Zwischenwertsatz für stetige reelle Funktionen. Beweis: Ist f(a) = a oder f(b) = b, dann sind wir fertig. Sei also a f(a) [a, b] und b f(b) [a, b]. Dann folgt für die stetige Funktion x [a, b] g(x) := f(x) x g(a) = f(a) a > 0 und g(b) = f(b) b < 0, also hat g in ihrem Definitionsintervall eine Nullstelle und f folglich einen Fixpunkt. 41
42 1.3.4 Definition. Sei = S R n. Eine mengenwertige Abbildung F : S S heisst abgeschlossen, falls ihr Graph gph F := {(x, y) x S, y F (x)} eine abgeschlossene Teilmenge des R 2n ist Fixpunktsatz von Kakutani. Sei S R n eine konvexe, abgeschlossene und beschränkte Menge. Sei ferner F : S S eine abgeschlossene mengenwertige Abbildung derart, dass alle Mengen F (x), x S, nichtleere konvexe Teilmengen von S sind. Dann besitzt F einen Fixpunkt in S, d.h., es existiert ein x S, so dass x F (x ). Beweis: im Anhang zu Kapitel 1. Bemerkung. Der Brouwersche Fixpunktsatz ist ein Spezialfall des Fixpunktsatzes von Kakutani, da F (x) := {f(x)} offenbar abgeschlossen bezüglich der kompakten Menge S ist, wenn f : S S stetig ist. 42
43 1.4. Theorie der linearen Optimierung Ein Optimierungsproblem der Form min x M ct x mit M = {x R n Ax b} (12) wobei c R n, b R m und eine (m, n) Matrix A gegeben sind, heisst lineares Optimierungsproblem oder lineares Programm (kurz LP ). Die Menge M wird, mit den Zeilen A i von A und Komponenten b i von b, durch m lineare Ungleichungen A i x b i, i = 1, 2,..., m, beschrieben. Sie ist also der Durchschnitt endlich vieler affiner Halbräume. Solche Mengen (ebenso der R n ) heissen konvexe polyedrische Mengen oder kurz konvexe Polyeder. Machen Sie sich ihre Gestalt im R 2 klar. Hinweis: Zuweilen werden nur beschränkte konvexe polyedrische Mengen als konvexe Polyeder bezeichnet, wir lassen auch unbeschränkte Mengen zu. 43
44 Die Restriktionsmengen linearer Programme sind in Anwendungen häufig auch in anderer Form beschrieben, z.b. als Gleichungen mit Vorzeichenbeschränkungen, M = {x R n Ax = b, x 0}, (13) oder in allgemeiner Form mit (in der Dimension passenden) Matrizen A, B, C, D und Vektoren b, c, M = {(x, y) R n R s Ax + By = b, Cx + Dy c, x 0}, (14) oder es treten -Ungleichungen auf. Ebenso sind Maximierungsprobleme interessant. Existenz- und Dualitätsaussagen zu LPs werden in dieser Vorlesung in einer der Formen präsentiert, für andere Formen sind sie geeignet anzupassen. Durch die im Folgenden zusammengestellten äquivalenten Umformungen lassen sie sich problemlos äquivalent ineinander überführen. 44
45 Äquivalente Umformungen : A i x b i A i x b i A i x = b i A i x b i, A i x b i x j R (x + j, x j ) R2 + : x j = x + j x j max x M ct x = [min x M ( ct x)] A i x b i z i 0 : A i x + z i = b i mit R 2 + = {(x 1, x 2 ) R 2 x 1 0, x 2 0} 45
46 1.4.1 Existenzsatz der linearen Optimierung. Die Aufgabe max {c T x x M} mit M = {x R n Ax = b, x 0} besitzt eine Lösung, wenn M nicht leer und v := sup x M c T x endlich ist. Beweis. (durch vollständige Induktion) Für n = 1 ist der Satz trivial. Er sei für n < p gezeigt (Induktionsvoraussetzung), und wir betrachten nun n = p. Gelte x k M, c T x k v (k = 1, 2,...). Besitzt die Folge {x k } einen Häufungpunkt x, löst er das Problem. 46
47 Andernfalls folgt x k und für eine unendliche Teilfolge konvergieren die beschränkten Vektoren 0 u k = xk x k u. O.B.d.A. sei das schon die Ausgangsfolge. Wegen Ax k = x k Au k = b und c T x k = x k c T u k v muss nun Au = 0 und c T u = 0 gelten. Damit folgt u 0, u 0, A(x k + tu) = b, c T (x k + tu) = c T x k t R. Mit geeignetem t = t k 0 liegt der Punkt h k = x k + t k u auf dem Rand des nichtnegativen Orthanten. Damit ist eine seiner Komponenten, etwa x n, unendlich oft Null. Die Aufgabe max {c T x x M, x n = 0} besitzt somit ebenfalls das Supremum v, was nach Induktionsvoraussetzung in einem x M angenommen wird. q.e.d. 47
48 Analog zu diesem Beweis lässt sich (Induktion über n) zeigen Satz. Für jede (m, n)-matrix A ist die Menge abgeschlossen. K = {z R m z = Ax, x 0} Bemerkung. Der Existenzsatz gilt auch für quadratische Zielfunktionen (D (n, n)-matrix, c R n gegeben) f(x) = c T x + x T Dx und im Fall von Polynomen f dritten Grades mit n reellen Variablen. Er wird falsch für Polynome vom Grade 4 und x M = R 2. Gegenbeispiel: f(x) = (x (1 x 1x 2 ) 2 ) max x=(x 1,x 2 ) Offenbar ist sup f(x) = 0, aber es wird nicht angenommen, denn f(x) < 0, x k = (1/k, k) 0 (k ). 48
49 1.4.4 Lemma von Farkas. Die Ungleichung c T u 0 gilt für alle u mit Au 0 dann und nur dann, wenn c im Kegel K = {z z = A T y, y 0} liegt. Beweis. Wenn c K, gilt für die Zeilen A i von A im Falle Au 0: c T u = y T Au = i y i A i u 0. Wenn c K, kann man wegen der Abgeschlossenheit von K (Satz 1.4.2) und Trennungssatz 1 trennen: Ein u R n erfüllt u T c > u T z z K. Da 0 K und λz K λ > 0 (falls z K), folgt also auch u T c > 0 u T A T y = y T Au y 0. Damit muss Au 0 gelten; aus Au 0 folgt also nicht c T u 0. q.e.d 49
50 Definition: Die beiden linearen Programme (P ) max c T x, x R n mit Ax b, x 0 (D) min b T y, y R m mit A T y c, y 0 (15) bilden ein (symmetrisches) duales Paar in Standardform. Symmetrisch : Schreibt man (D) mittels der o.a. äquivalenten Umformungen als Maximum-Problem (P ) in der Form von (P) und betrachtet die Dualaufgabe (D ) zu (P ), so beschreiben (D ) und (P) dieselben Aufgaben. Also sind (P) und (D) gleichberechtigt in dem Sinne, dass jede dual zur anderen ist Dualitätssatz der linearen Optimierung Ist eine beider Aufgaben lösbar, so auch die andere. Dann sind ausserdem beide Extremalwerte v P und v D gleich. 50
51 Beweis. Sei (P) lösbar und x eine Lösung für (P). Wir bilden I = {i A i x = b i } und J = {j x j = 0}. Weiter erfülle u R n das System Dann sind die Punkte A i u 0 i I, u j 0 j J. (16) x(t) = x + tu in (P) zulässig für kleine t > 0. Ihr Zielfunktionswert erfüllt daher wegen Optimalität von x : Also folgt c T u 0 aus (16). c T x c T x(t) = c T x + tc T u. 51
52 Nach dem Farkas-Lemma existieren dann y i 0(i I ) und µ j 0(j J ) mit c T = y i A i µ j e T j ; e j = jter Einheitsvektor R n. (17) Setzt man die restlichen Komponenten von y Null (um y R m zu erreichen), wird y zulässig für (D), und man erhält wegen x j = 0 j J : c T x = i y i A i x j J µ j e T j x = y i b i = b T y. (18) Schliesslich ist y optimal für (D), denn jedes (andere) zulässige y von (D) erfüllt wegen der Nebenbedingungen (mit A = (a i,j )): c j x j ( y i a i,j )x j = y i (a i,j x j ) y i b i, (19) j i i j i j kurz c T x y T Ax b T y. Also sichert die Lösbarkeit von (P) die von (D) sowie v P = v D. Die entsprechende Aussage unter Lösbarkeit von (D) zeigt man analog. q.e.d. i 52
53 Die Abschätzung (19), die für beliebige zulässige Punkt x, y beider Aufgaben in (15) gilt, heisst oft schwache Dualität. Mit der schwachen Dualität folgt aus dem Existenzsatz der linearen Optimierung die Existenz von Lösungen für (P) und (D), wenn diese Probleme zulässige Punkte besitzen. Da stets c T x b T y für zulässige Punkte für (P) und (D) gilt, hat man gleichzeitig eine Abschätzung für die Extremalwerte v P, v D. Weiter folgt: 53
54 1.4.6 Korollar. Zwei zulässige Punkte x, y der Aufgaben (P) bzw. (D) sind genau dann optimal, wenn c T x = b T y gilt, was dasselbe ist wie y T (Ax b) = 0 = x T (A T y c). (20) Wegen y i 0 und A ix b i 0, bedeutet die Komplementaritätsbedingung (20): Ist eine Ungleichung nicht als Gleichung erfüllt, muss (in Lösungen) die entsprechende duale Variable y i bzw. x j Null werden. Damit sind die Aufgaben (P) und (D) zu einem Ungleichungssystem äquivalent: Korollar. Zwei Punkte x R n, y R m lösen (P) bzw. (D) genau dann, wenn Ax b, A T y c, c T x b T y, x 0, y 0. (21) In diesem Fall folgt ausserdem c T x = b T y. 54
55 Wandelt man ein gegebenes LP mit den o.a. äquivalenten Umformungen in die Standardform (P) (oder (D)) um, ist die dazugehörige Dualaufgabe (D) (bzw. (P)) die Dualaufgabe zum LP. Man spricht wieder von einem dualen Paar, und es gelten die Dualitätsaussagen analog Übung. Man zeige, dass die folgenden Paare von LPs duale Paare sind: (P ) min c T x, x R n mit Ax = b, x 0 (D ) max b T y, y R m mit A T y c (P ) min c T x, x R n mit Ax b (D ) max b T y, y R m mit A T y = c T, y 0 Faustregel. Hat man bei einem dualen Paar, im Vergleich zum Standardpaar (P), (D), umgekehrte Ungleichungen, so werden die Vorzeichenbedingungen der entsprechenden Dualvariablen zu 0. Hat man Gleichungen, sind die entsprechenden Dualvariablen nicht vorzeichenbeschränkt. Dabei gilt jeweils auch das Umgekehrte. 55
56 Anhang zu Kapitel 1 Beweis der Eigenschaften 1 und 2 in Eigenschaft 1: Satz von Moreau-Rockafellar. Subgradienten s von f in x gilt Nach Definition eines f(y) f(x) + s, y x y, das ist für λ > 0 äquivalent zu λf(y) λf(x) + λs, y x y, also (λf)(x) = λ f(x). 56
57 Direkt aus der Definition der Richtungsableitung folgt nach den Limesgesetzen Es reicht also zu zeigen, dass (λf + µg) (x; u) = λf (x; u) + µg (x; u) u. (22) (f + g)(x) = f(x) + g(x). Zunächst impliziert s f(x) und s g(x) nach (9) also wegen s + s, u f (x; u) + g (x; u) = (f + g) (x; u) u, s + s (f + g) (x; u), d.h. S := f(x) + g(x) (f + g)(x). 56-1
58 Die umgekehrte Inklusion beweisen wir indirekt und nehmen an, dass s 0 (f + g)(x) : s 0 S. Da f(x) und g(x) nach Satz nichtleer, konvex, abgeschlossen und beschränkt sind (und somit auch ihre Summe S), gibt es nach Trennungssatz 1 einen Vektor d 0, so dass s 0, d > max s, d. (23) s S Da S nichtleer, abgeschlossen und beschränkt ist, gibt es nach dem Satz von Weierstrass sowohl s 1 f(x) als auch s 2 g(x), so dass s 1, d = max s, d und s f(x) s2, d = max s, d. s g(x) 56-2
59 Daraus folgt wegen (23) und s 1 + s 2 S, dass s 0, d > max s S s, d s1 +s 2, d = s 1, d + s 2, d = Das führt aber nach (9) auf im Widerspruch zu (22). (f + g) (x; d) s 0, d > f (x; d) + g (x; d), max s, d + max s, d. s f(x) s g(x) Damit war die Annahme falsch, und die Behauptung S = (f + g)(x) ist bewiesen. 56-3
60 Eigenschaft 2. Da f nach Voraussetzung total differenzierbar ist, gilt f (x 0 ; u) = f(x 0 ), u u. Nach Formel (9) folgt damit f(x 0 ) f(x 0 ). Ist umgekehrt s f(x 0 ), gilt wieder nach (9) für alle Einheitsvektoren e j R n f(x 0 ), e j = f (x 0 ; u) s, e j und f(x 0 ), e j = f (x 0 ; u) s, e j und somit s j = f(x0 ) x j, also s = f(x 0 ). q.e.d. 56-4
61 Beweis von Satz (Fixpunktsatz von Kakutani) Wir nehmen zunächst an, dass S = B die (abgeschlossene) euklidische Einheitskugel des R n ist. Sei stets, wenn wir von x reden, x S. Wir führen den Beweis indirekt. Im Gegensatz zur Behauptung gelte x F (x) x S. Dann gibt es (Trennungssatz) zu jedem x S ein z R n \ {0} als Trennungsvektor mit t(z, x) := inf y F (x) Sei W (x) die Menge aller dieser z und z, y x > 0. W 1 (z) = {x S t(z, x) > 0}. 56-5
62 Weil gph F abgeschlossen ist, folgert man leicht, dass W 1 (z) (relativ) offen in S ist. Da nun (mit Z := x S W (x)) S z Z W 1 (z), gibt es wegen der Kompaktheit von S endlich viele (Ueberdeckungssatz von Heine-Borel) Elemente z p (p = 1,..., N) mit S n p=1 W 1 (z p ) (24) Sei A p = S \ W 1 (z p ) und d p (x) = dist (x, A p ). Wegen (24) und der Abgeschlossenheit aller A p gilt d(x) := N p=1 d p (x) > 0 x. Damit kann man stetige Funktionen λ p (x) = d p(x) d(x) und z(x) = N p=1 λ p (x) z p ( 0) definieren. 56-6
63 Bemerkung: Stetige Funktionen λ p, die in dieser (und allgemeinerer) Weise einer offenen Überdeckung (wie hier (24)) zugeordnet sind, heissen Zerlegung der Einheit (partition of unity), wenn N p=1 λ p (x) = 1 und λ p (x) > 0 x W 1 (z p ). Wir zeigen nun z(x) W (x) x S. Sei x S und y F (x). Dann gibt es ein p {1,..., N}, so dass λ p (x) positiv ist, und aus λ p (x) > 0 folgt x W 1 (z p ) und λ p (x) z p, y x > 0. Also ist auch z(x), y x = p λ p (x) z p, y x > 0. Da y F (x) beliebig war, folgt so z(x) W (x). Auch z(x) 0 ist richtig. 56-7
64 Daher bildet die Funktion f(x) = z(x) z(x) die abgeschlossene Einheitskugel S = B stetig auf den Rand von B ab und erfüllt ebenfalls f(x) W (x). Nach dem Brouwerschen Fixpunktsatz hat sie einen Fixpunkt: x = f(x ) W (x ). Er erfüllt 0 < inf y F (x ) x, y x, x = 1. Letzteres liefert F (x ) S = im Gegensatz zu = F (x ) S. Widerspruch beweist den Satz für S = B. Dieser 56-8
65 Der Kakutani-Fixpunktsatz ist also bewiesen im Falle, dass die Menge S die (abgeschlossene) euklidische Einheitskugel in R n ist. Offenbar gilt er dann auch für jede abgeschlossene r-kugel S = B(0, r) := {x x r}. (ÜA!) Ist schliesslich S = C konvex und kompakt, wählen wir r mit C B(0, r) und betrachten G(x) = F (p(x)), x B(0, r), mit p(x) = Projektion von x auf C, was den Beweis beschliesst. q.e.d. 56-9
12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrKonvexe Optimierungsprobleme
von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
MehrNachklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 18.9.17 Fakultät 4 - Mathematik und Naturwissenschaften Prof. N. V. Shcherbina Dr. T. P. Pawlaschyk www.kana.uni-wuppertal.de Nachklausur zur Analysis 2, SoSe 217 Aufgabe
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrKAPITEL 3. Konvexe Funktionen
KAPITEL 3 Konvexe Funktionen Sei F R n ein Definitionsbereich und f : F R eine Funktion. Unter dem Epigraphen von f versteht man die Menge epif = {(x, z) R n+1 x F, z R, z f(x)}. Man nennt f konvex, wenn
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
Mehr8.1. DER RAUM R N ALS BANACHRAUM 17
8.1. DER RAUM R N ALS BANACHRAUM 17 Beweis. Natürlich ist d 0 und d(x, y) = 0 genau dann, wenn x = y. Wegen (N2) ist x = x und damit d(x, y) = d(y, x). Die letzte Eigenschaft einer Metrik schließt man
MehrKonversatorium zu Lineare Algebra und Analysis Analysis - Übungsbeispiele
Univ.-Prof. Dr. Radu Ioan Boţ, Axel Böhm Konversatorium zu Lineare Algebra und Analysis Analysis - Übungsbeispiele SS18 A1. Sei f : [, + ) R so, dass und dass ein M existiert mit Zeigen Sie, dass f(s +
MehrOptimierungstheorie Scheinklausur Sommersemester Juli 2007
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Prof. Dr. Christian Wieners, Dipl.-Math. techn. Martin Sauter Institut für Angewandte und Numerische Mathematik Optimierungstheorie Scheinklausur
MehrStetigkeit, Konvergenz, Topologie
Ferienkurs Seite 1 Technische Universität München Ferienkurs Analysis 1 Hannah Schamoni Wintersemester 2011/12 Stetigkeit, Konvergenz, Topologie 21.03.2012 Inhaltsverzeichnis 1 Stetigkeit und Konvergenz
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrAnalysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
Mehr1 Die direkte Methode der Variationsrechnung
Die direkte Methode der Variationsrechnung Betrachte inf I(u) = f(x, u(x), u(x)) dx : u u + W,p () wobei R n, u W,p mit I(u ) < und f : R R n R. (P) Um die Existenz eines Minimierers direkt zu zeigen,
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 2: Konvexe Mengen und Kegel Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. April 2010) Gliederung 2 Konvexe Mengen
MehrWiederholung. Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen.
Wiederholung Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen. Definition. Sei X eine Menge und d : X X R eine Abbildung mit den Eigenschaften 1.
MehrAnalysis II. Vorlesung 36. stark kontrahierend, wenn es eine nichtnegative reelle Zahl c < 1 gibt mit
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 36 Weitere Stetigkeitsbegriffe Wir führen einige weitere Stetigkeitsbegriffe ein. Definition 36.1. Es sei eine Abbildung zwischen den metrischen
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel IV SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
Mehrsign: R R, sign(x) := 0 falls x = 0 1 falls x < 0 Diese ist im Punkt x 0 = 0 nicht stetig, denn etwa zu ε = 1 finden wir kein δ > 0
ANALYSIS FÜR PHYSIK UND VERWANDTE FÄCHER I 81 3. Stetigkeit 3.1. Stetigkeit. Im Folgenden sei D R eine beliebige nichtleere Teilmenge. Typischerweise wird D ein allgemeines Intervall sein, siehe Abschnitt
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
MehrMusterlösung Klausur zu Analysis II. Verständnisteil
Technische Universität Berlin SS 2009 Institut für Mathematik 20.07.2009 Prof. Dr. R. Schneider Fritz Krüger Sebastian Holtz Musterlösung Klausur zu Analysis II Verständnisteil 1. (a) Sei D R n konvex
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrAnalysis I. Guofang Wang , Universität Freiburg
Universität Freiburg 10.1.2017, 11.1.2017 Definition 1.1 (Ableitung) Die Funktion f : I R n hat in x 0 I die Ableitung a R n (Notation: f (x 0 ) = a), falls gilt: f(x) f(x 0 ) lim = a. (1.1) x x 0 x x
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
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
Mehrd(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.
Metrische Räume K bezeichnet entweder den Körper R oder den Körper C. Genauer bedeutet dies: K wird in denjenigen Situationen verwendet, in denen die Ersetzung von K sowohl durch R als auch durch C einen
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
Mehr1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)
. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)
MehrInstitut für Analysis WiSe 2018/2019 Prof. Dr. Dirk Hundertmark Dr. Markus Lange. Analysis 1. Aufgabenzettel 14
Institut für Analysis WiSe 2018/2019 Prof. Dr. Dirk Hundertmark 03.02.2019 Dr. Markus Lange Analysis 1 Aufgabenzettel 14 Dieser Zettel wird in der letzten Übung des Semesters am 08.02.2019 besprochen Aufgabe
Mehr2.4 Verallgemeinerte Ungleichungen
2.4 Verallgemeinerte Ungleichungen 2.4.1 Eigentliche Kegel und verallgemeinerte Ungleichungen Ein Kegel K R heißt eigentlicher Kegel, wenn er die folgenden Bedingungen erfüllt: K ist konvex K ist abgeschlossen
Mehr13 Auswahlaxiom und Zornsches Lemma
13 Auswahlaxiom und Zornsches Lemma Handout zur Funktionalanalysis I von H. Glöckner, 25.11.2008 Wichtige Teile der modernen Mathematik beruhen auf dem sogenannten Auswahlaxiom der Mengenlehre. Dieses
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrInhaltsverzeichnis. 6 Topologische Grundlagen. 6.1 Normierte Räume
Inhaltsverzeichnis 6 Topologische Grundlagen 1 6.1 Normierte Räume................................ 1 6.2 Skalarprodukte................................. 2 6.3 Metrische Räume................................
MehrDer Satz von Hahn-Banach und seine geometrische Bedeutung Seminararbeit im Rahmen des PS Funktionalanalysis 2 SS 2008
Der Satz von Hahn-Banach und seine geometrische Bedeutung Seminararbeit im Rahmen des PS Funktionalanalysis 2 SS 2008 Brigitte Kertelits (9925250) 16. November 2008 1 Zusammenfassung Diese Arbeit befasst
MehrKonvexe Mengen und konvexe Funktionen
Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl I: Analysis Ausarbeitung Analysis III Seminar Konvexe Mengen und konvexe Funktionen Name: Jessica Prang Datum: 14.04.2015 Seminarleiter:
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
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Lösung 4
D-MATH, D-PHYS, D-CHAB Analysis I HS 017 Prof. Manfred Einsiedler Lösung 4 Hinweise 1. Zeigen Sie, dass inf X die kleinste obere Schranke von X ist.. Dass z 1, z Lösungen sind, kann man durch Einsetzen
MehrVorlesung Analysis I WS 07/08
Vorlesung Analysis I WS 07/08 Erich Ossa Vorläufige Version 07/12/04 Ausdruck 8. Januar 2008 Inhaltsverzeichnis 1 Grundlagen 1 1.1 Elementare Logik.................................. 1 1.1.A Aussagenlogik................................
MehrTeil 6. Differentialrechnung mehrerer Veränderlicher
Teil 6 Differentialrechnung mehrerer Veränderlicher 95 96 6.1 Topologie von Mengen Umgebung ε-umgebung eines Punktes x R n : B ε (x) = {y : y x < ε} Umgebung U von x: Menge, die eine ε-umgebung von x enthält
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
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
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
MehrTopologische Begriffe
Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrInhalt der Vorlesung. 1 Einführung 2 Konvexe Mengen 3 Konvexe Funktionen 4 Konvexe Optimierung 5 Lösungsverfahren (6 Anwendungen)
Inhalt der Vorlesung 1 Einführung 2 Konvexe Mengen 3 Konvexe Funktionen 4 Konvexe Optimierung 5 Lösungsverfahren (6 Anwendungen) 1 S-M. Grad - Optimierung II / Universität Leipzig, SS2018 Beispiel 1.1
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
MehrVorlesung Mathematik für Ingenieure 2 (Sommersemester 2009)
1 Vorlesung Mathematik für Ingenieure 2 (Sommersemester 2009) Kapitel 10: Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 27. März 2009) Differenzialrechnung
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
Mehr8 KAPITEL 1. GRUNDLAGEN
8 KAPITEL 1. GRUNDLAGEN Beweis. 1. Sei A X abgeschlossen, dann ist X \ A offen und jede offene Überdeckung von A lässt sich durch Hinzunahme von X \ A auf ganz X fortsetzen. Die Kompaktheit von X erlaubt
MehrVorlesungen Analysis von B. Bank
Vorlesungen Analysis von B. Bank vom 23.4.2002 und 26.4.2002 Zunächst noch zur Stetigkeit von Funktionen f : D(f) C, wobei D(f) C. (Der Text schliesst unmittelbar an die Vorlesung vom 19.4.2002 an.) Auf
MehrVorlesung Mathematik für Ingenieure II (Sommersemester 2008)
Vorlesung Mathematik für Ingenieure II (Sommersemester 8) Kapitel : Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 8. Mai 8) Differenzialrechnung R R 4
MehrAnalysis II. Vorlesung 47
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Zu einer reellwertigen Funktion Vorlesung 47 interessieren wir uns wie schon bei einem eindimensionalen Definitionsbereich für die Extrema, also Maxima
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
MehrÜbersicht. 1. Motivation. 2. Grundlagen
Übersicht 1. Motivation 2. Grundlagen 3. Analysis 3.1 Folgen, Reihen, Zinsen 3.2 Funktionen 3.3 Differentialrechnung 3.4 Extremwertbestimmung 3.5 Nichtlineare Gleichungen 3.6 Funktionen mehrerer Variabler
Mehrzul. Kurve g 1 C zul dθ (0) y = dϕ dθ (0) =
2. Grundlagen der nicht-linearen konvexen Optimierung 2.1. Die Karush-Kuhn-Tucker Bedingungen. Unser Basisproblem (NLO) sei geben durch min f(x) NLO g i (x) 0, i I = {1,..., m} x R n f, g i stetig differenzierbar.
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
MehrÜbungsklausur Höhere Mathematik I für die Fachrichtung Physik
Karlsruher Institut für Technologie (KIT) Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning WS /3 6..3 Übungsklausur Höhere Mathematik I für die Fachrichtung Physik Aufgabe ((3++5) Punkte)
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
MehrMehrdimensionale Differentialrechnung Übersicht
Mehrdimensionale Differentialrechnung Übersicht Partielle und Totale Differenzierbarkeit Man kann sich mehrdimensionale Funktionen am Besten für den Fall f : R 2 M R vorstellen Dann lässt sich der Graph
Mehr4 Holomorphie-Konvexität. Definition Satz. 42 Kapitel 2 Holomorphiegebiete
42 Kapitel 2 Holomorphiegebiete 4 Holomorphie-Konvexität Wir wollen weitere Beziehungen zwischen Pseudokonvexität und affiner Konvexität untersuchen. Zunächst stellen wir einige Eigenschaften konvexer
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrVorlesung Mathematik für Ingenieure I (Wintersemester 2007/08)
1 Vorlesung Mathematik für Ingenieure I (Wintersemester 2007/08) Kapitel 4: Konvergenz und Stetigkeit Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 22. November 2007) Folgen Eine Folge
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 x 1, x 2,..., x n ) x 2... f 2 x 1, x 2,..., x n )... x n f m x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man: f
MehrExtremalprobleme mit Nebenbedingungen
Extremalprobleme mit Nebenbedingungen In diesem Abschnitt untersuchen wir Probleme der folgenden Form: g(x 0 ) = inf{g(x) : x Ω, f(x) = 0}, (x 0 Ω, f(x 0 ) = 0). (1) Hierbei sind Ω eine offene Menge des
MehrUniversität Stuttgart Fakultät Mathematik und Physik Institut für Analysis, Dynamik und Modellierung. Lösungen zur Probeklausur 2.
Adµ Universität Stuttgart Fakultät Mathematik und Physik Institut für Analysis, Dynamik und Modellierung Blatt Probeklausur 2 Lösungen zur Probeklausur 2 Aufgabe 1 1. Formulieren Sie den Satz von Taylor
MehrWie in der reellen Analysis üblich notiert man Folgen f in der Form
2.1.3 Folgen und Konvergenz Viele aus der Analysisvorlesung bekannte Begriffe lassen sich in den Bereich der metrischen Räume verallgemeinern. Diese Verallgemeinerung hat sich als sehr nützliches mathematisches
MehrKapitel II. Vektorräume
Inhalt der Vorlesung LAAG I Prof. Dr. Arno Fehm TU Dresden WS2017/18 Kapitel II. Vektorräume In diesem ganzen Kapitel sei K ein Körper. 1 Definition und Beispiele 1.1 Beispiel. Ist K = R, so haben wir
MehrKlausur - Analysis 1
Prof. Dr. László Széelyhidi Analysis I, WS 22 Klausur - Analysis Lösungen Aufgabe. i Punt Definieren Sie, wann x n eine Cauchyfolge ist. Lösung : x n heisst Cauchyfolge wenn es zu jedem ε > ein N N gibt,
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Definition: Sei M R, alsom
Mehr8 Ungleichungen. Themen: Klassische Ungleichungen Konvexe und monotone Funktionen
8 Ungleichungen Themen: Klassische Ungleichungen Konvexe und monotone Funktionen Die Youngsche Ungleichung Aus 0 (a±b) 2 erhalten wir die Youngsche Ungleichung für a, b Ê ab 1 2 a2 + 1 2 b2. Ersetzen wir
MehrANALYSIS 1 Kapitel 6: Stetige Funktionen
ANALYSIS 1 Kapitel 6: Stetige Funktionen MAB.01012UB MAT.101UB Vorlesung im WS 2017/18 Günter LETTL Institut für Mathematik und wissenschaftliches Rechnen Karl-Franzens-Universität Graz 6.1 Grundbegrie
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
MehrD-MAVT/D-MATL Analysis I HS 2017 Dr. Andreas Steiger. Lösung - Serie 6. (n+1)!. Daraus folgt, dass e 1/x < (n+
D-MAVT/D-MATL Analysis I HS 2017 Dr. Andreas Steiger Lösung - Serie 6 1. MC-Aufgaben (Online-Abgabe) 1. Für alle ganzen Zahlen n 1 gilt... (a) e 1/x = o(x n ) für x 0 + (b) e 1/x = o(x n ) für x 0 + (c)
MehrNachklausur Analysis 2
Nachklausur Analysis 2. a) Wie ist der Grenzwert einer Folge in einem metrischen Raum definiert? Antwort: Se (a n ) n N eine Folge in dem metrischen Raum (M, d). Diese Folge besitzt den Grenzwert g M,
MehrVorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)
1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 5: Konvergenz Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Dezember 2011) Folgen Eine Folge x 0, x 1,
Mehr3 a) Berechnen Sie die normierte Zeilenstufenform der Matrix A = normierte Zeilenstufenform:
1. Aufgabe (9 Punkte) In dieser Aufgabe müssen Sie Ihre Antwort nicht begründen. Es zählt nur das Ergebnis. Tragen Sie nur das Ergebnis auf diesem Blatt im jeweiligen Feld ein. 0 1 3 a) Berechnen Sie die
Mehr3.1. Existenzsatz und Struktur der Lösungsmenge
3. EXISTENZ UND DUALITÄT 3.1. Existenzsatz und Struktur der Lösungsmenge Nach dem Satz von Weierstraß besitzt eine lineare Funktion auf einem Polytop stets ein Minimum und ein Maximum. Im allgemeinen Fall
Mehrb) Definieren Sie den Begriff Cauchy-Folge. c) Geben Sie zwei Beispiele für konvergente Folgen und deren jeweilige Grenzwerte an.
Repetitorium zur Ingenieur-Mathematik I, WS 00/ Aufgabe : Bestimmen Sie das quadratische Polynom, auf dessen Graph die Punkte (, 4), (0, ), (, 7) liegen. Aufgabe : a) Wann ist eine Folge konvergent (Definition)?
MehrKommutativität. De Morgansche Regeln
1. Formale Logik Proposition 1.1. Die logischen Elementarverknüpfungen gehorchen folgenden Äquivalenzen: (1.1) (1.2) p p p p p p Idempotenz (1.3) (1.4) p q q p p q q p Kommutativität (1.5) (1.6) (p q)
MehrÜbungen zu Einführung in die Analysis
Übungen zu Einführung in die Analysis (Nach einer Zusammengestellung von Günther Hörmann) Sommersemester 2011 Vor den folgenden Aufgaben werden in den ersten Wochen der Übungen noch jene zur Einführung
Mehr