Analysis 2 - imng
Analysis 2 - imng
Analysis 2 - imng
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Analysis</strong> mehrerer Veränderlicher<br />
Das Handout ist Bestandteil der Vortragsfolien zur Höheren Mathematik; siehe die Hinweise auf der Internetseite<br />
www.<strong>imng</strong>.uni-stuttgart.de/LstNumGeoMod/VHM/ für Erläuterungen zur Nutzung und zum Copyright.<br />
<strong>Analysis</strong> 2 1-1
Umgebung<br />
Als ε-Umgebung eines Punktes x ∈ R n bezeichnet man die offene Kugel<br />
B ε (x) = {y : |y − x| < ε} .<br />
U<br />
ε<br />
x<br />
Allgemein ist die Umgebung U von x eine Menge, die eine ε-Umgebung<br />
enthält.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Mengen 1-1
Offene Menge<br />
Eine Menge D ⊆ R n heißt offen, wenn jeder Punkt x ∈ D eine Umgebung<br />
besitzt, die ganz in D enthalten ist. Insbesondere sind R n und die leere<br />
Menge ∅ offen.<br />
U<br />
x<br />
D<br />
Für eine beliebige Menge D bezeichnet ◦ D ⊆ D das Innere von D, d.h, die<br />
Menge aller Punkte mit einer Umgebung in D.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Mengen 1-1
Abgeschlossene Menge<br />
Eine Menge D ⊆ R n heißt abgeschlossen, wenn jede konvergenten Folge<br />
von Punkten x k ∈ D gegen einen Grenzwert in D strebt. Insbesondere sind<br />
R n und die leere Menge ∅ abgeschlossen.<br />
Für eine beliebige Menge D bezeichnet D ⊇ D den Abschluß von D,<br />
d.h,die Menge aller Grenzwerte von Folgen in D.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Mengen 1-1
Rand einer Menge<br />
Der Rand ∂D einer Menge D ⊆ R n besteht aus allen Punkten x die keine<br />
Umgebung U besitzen, d.h. die entweder ganz in D oder im Komplement<br />
von D liegt.<br />
∂D<br />
x<br />
U<br />
D<br />
Alternativ kann der Rand als Differenz von Abschluß und Inneren,<br />
∂D = D \ D<br />
◦<br />
definiert werden.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Mengen 1-1
Kompakte Menge<br />
Eine beschränkte und abgeschlossene Menge D ⊆ R n bezeichnet man als<br />
kompakt.<br />
Äquivalent dazu sind folgende Charakterisierungen:<br />
Jede Folge in D besitzt eine konvergente Teilfolge mit Grenzwert in D.<br />
Jede Überdeckung von D mit offenen Mengem besitzt eine endliche<br />
Teilüberdeckung.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Mengen 1-1
Beispiel:<br />
Hälfte einer Kreisscheibe:<br />
D : x 2 + y 2 < 1 ∧ y > 0<br />
offen wegen strikter Ungleichungen<br />
y<br />
1<br />
D<br />
0 1<br />
x<br />
<strong>Analysis</strong> 2 – Grundbegriffe Mengen 2-1
Rand ∂D von D: Halbkreis<br />
H : x 2 + y 2 = 1 ∧ y ≥ 0<br />
und Geradensegment<br />
S : (−1, 1) × {0}<br />
H abgeschlossen:<br />
Relationen =, ≥ und ≤ bleiben bei Grenzwertbildung erhalten<br />
S weder offen noch abgeschlossen:<br />
Produkt einer offenen und abgeschlossenen Menge<br />
¯D, ∂D = H ∪ S kompakt:<br />
abgeschlossen und beschränkt<br />
<strong>Analysis</strong> 2 – Grundbegriffe Mengen 2-2
Multivariate Funktionen<br />
Eine reelle multivariate Funktion (auch als Funktion von mehreren<br />
Veränderlichen bezeichnet)<br />
f : R n ⊇ D → R m , x ↦→ f (x) ,<br />
ordnet einem Vektor x = (x 1 , . . . , x n ) t aus dem Definitionsbereich D einen<br />
Vektor f (x) = f (x 1 , . . . , x n ) = (f 1 (x), . . . , f m (x)) t zu.<br />
Je nach Dimension m des Bildbereichs unterscheidet man zwischen<br />
skalaren (m = 1) und vektorwertigen (m > 1) Funktionen. Ist n = 1 (und<br />
f stetig), so nennt man f eine Parametrisierung einer Kurve.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 1-1
Für m, n ≤ 3 verwendet man meist keine Indizes und bezeichnet die<br />
Variablen mit x, y und z. Beispielsweise schreibt man<br />
( x<br />
y<br />
)<br />
↦→<br />
( f (x, y)<br />
g(x, y)<br />
)<br />
im Fall m = n = 2.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 1-2
Wie in der Abbildung illustriert, können zur Visualisierung skalarer<br />
Funktionen der Graph<br />
{(x, f (x)) : x ∈ D}<br />
und die Niveauflächen<br />
benutzt werden.<br />
{x ∈ D : f (x) = c}<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 1-3
Multivariate Polynome<br />
Ein Polynom p in n Variablen x 1 , . . . , x n ist eine Linearkombination von<br />
Monomen:<br />
p(x) = ∑ a α x α , x α = x α 1<br />
1 · · · x n αn ,<br />
α<br />
mit α i ∈ N 0 .<br />
Je nach Summationsbereich unterscheidet man zwischen<br />
totalem Grad ≤ m: ∑ α = α 1 + · · · + α n ≤ m;<br />
maximalem Grad ≤ m: max α = max i α i ≤ m.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 1-1
Man bezeichnet ein Polynom als homogen vom Grad k, wenn die<br />
Linearkombination nur Monome mit ∑ α = k enthält. Die Anzahl solcher<br />
homogenen Monome ist ( )<br />
k+n−1<br />
n−1 Folglich ist die Dimension der Polynome<br />
vom totalen Grad ≤ m gleich<br />
( ) m + n<br />
=<br />
n<br />
m∑<br />
( ) k + n − 1<br />
.<br />
n − 1<br />
k=0<br />
Die Dimension der n-variaten Polynome vom maximalen Grad ≤ m ist<br />
(m + 1) n .<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 1-2
Beweis:<br />
(i) bivariate Polynome (n = 2): Auflistung der homogenen Monome<br />
k = 0 : 1<br />
k = 1 :<br />
x, y<br />
k = 2 : x 2 , xy, y 2<br />
k = 3 : x 3 , x 2 y, y 2 x, y 3<br />
. . . ,<br />
Anzahl<br />
für Grad k<br />
( ) k + 2 − 1<br />
k + 1 =<br />
2 − 1<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 2-1
Dimension der bivariaten Polynome vom totalen Grad ≤ m:<br />
( )<br />
(m + 2)(m + 1) m + 2<br />
1 + 2 + · · · + (m + 1) = =<br />
2<br />
2<br />
(m + 1) 2 Monome vom maximalen Grad ≤ m<br />
x i y j ,<br />
i, j ≤ m<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 2-2
(ii) n-variate Polynome:<br />
identifiziere Exponent<br />
mit einer strikt monotonen Folge<br />
aus {1, . . . , m + n − 1}<br />
mit β 0 = 0, β n = m + n<br />
( )<br />
m+n−1<br />
n−1 Möglichkeiten<br />
(α 1 , . . . , α n ), ∑ α = m<br />
β 1 = α 1 + 1<br />
β 2 = α 1 + α 2 + 2<br />
. . .<br />
β n−1 = α 1 + · · · + α n−1 + (n − 1)<br />
α i = β i − β i−1 − 1<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 2-3
n-variate Monome vom totalen Grad ≤ m<br />
←→ (n + 1)-variate homogene Monome vom Grad m:<br />
x α 1<br />
1 · · · x αn<br />
n ⇐⇒ x α 1<br />
1 · · · x n<br />
αn<br />
(Letzter Exponent liegt fest.)<br />
Dimension ( )<br />
m + (n + 1) − 1<br />
(n + 1) − 1<br />
x m−∑ α i<br />
n+1<br />
Dimension der Polynome vom maximalen Grad ≤ m:<br />
analog zum bivariaten Fall<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 2-4
Beispiel:<br />
Polynom vom totalen Grad ≤ 3 in 2 Variablen:<br />
p(x, y) = a 3,0 x 3 + a 2,1 x 2 y + a 1,2 xy 2 + a 0,3 y 3<br />
+a 2,0 x 2 + a 1,1 xy + a 0,2 y 2<br />
+a 1,0 x + a 0,1 y + a 0,0<br />
spezielles homogenes bivariates Polynom vom Grad 3:<br />
4x 3 − 2xy 2 + 5y 3<br />
Polynom vom totalen Grad ≤ 2 in drei Variablen:<br />
p(x, y, z) = a 2,0,0 x 2 + a 0,2,0 y 2 + a 0,0,2 z 2<br />
+a 1,1,0 xy + a 1,0,1 xz + a 0,1,1 yz<br />
+a 1,0,0 x + a 0,1,0 y + a 0,0,1 z + a 0,0,0<br />
<strong>Analysis</strong> 2 – Grundbegriffe Funktionen 3-1
Stetigkeit multivariater Funktionen<br />
Eine Funktion f ist in einem Punkt x des Definitionsbereichs D stetig,<br />
wenn<br />
D ∋ x k → x =⇒ lim f (x k) = f (x) .<br />
k→∞<br />
Gilt dies für alle x ∈ D, so ist f stetig auf D.<br />
Existiert der Grenzwert für Punkte x auf dem Rand ∂D des<br />
Definitionsbereichs, so lässt sich f stetig fortsetzen.<br />
Für die Verknüpfung stetiger Funktionen mehrerer Veränderlicher gelten<br />
die gleichen Regeln wie für univariate Funktionen.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 1-1
Beispiel:<br />
nicht-konstante bivariate Funktion f (ϕ), die nur vom Winkel und nicht<br />
vom Radius r = √ x 2 + y 2 abhängt, z.B. mit x = r cos ϕ, y = r sin ϕ<br />
f (x, y) =<br />
xy<br />
x 2 = cos ϕ sin ϕ<br />
+ y 2<br />
unstetig im Ursprung<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 2-1
Einschränkung auf Gerade durch den Ursprung<br />
konstanter Funktionswert:<br />
f (x, mx) =<br />
mx 2<br />
x 2 + (mx) 2 =<br />
g : y = mx bzw. g : ϕ = c<br />
für x ≠ 0 nicht stetig fortsetzbar bei (0, 0):<br />
m<br />
1 + m 2 = c m bzw. f (ϕ) = cos ϕ sin ϕ = c ϕ ,<br />
m<br />
lim f (x, mx) = lim<br />
x→0 x→0 1 + m 2 = m<br />
1 + m 2 ,<br />
d.h. der Grenzwert ist auf jeder Ursprungsgeraden verschieden<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 2-2
Extremwerte stetiger Funktionen<br />
Eine stetige Funktion besitzt auf einer kompakten Menge sowohl ein<br />
Minimum als auch ein Maximum.<br />
Auf dem links abgebildeten Funktionsgraphen sind Minimum und<br />
Maximum markiert. Bei den Niveaulinien erkennt man Extremstellen durch<br />
geschlossene Kurven, die diese Punkte einschließen<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 1-1
Äquivalenz von Vektornormen<br />
Jede Vektornorm ‖ · ‖ im R n ist zur euklidischen Norm | · | äquivalent, d.h.<br />
es gibt Konstanten c i mit<br />
für alle x ∈ R n .<br />
c 1 ‖x‖ ≤ |x| ≤ c 2 ‖x‖<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 2-1
Beweis:<br />
Ungleichungen skalierungsinvariant, d.h. invariant unter der Substitution<br />
x ↦→ λx<br />
betrachte nur Vektoren x auf der Einheitssphäre<br />
S : |x| = 1<br />
jede Norm ungleich 0 auf S =⇒ Stetigkeit der Funktion<br />
x ↦→ ‖x‖<br />
|x|<br />
S kompakt ⇒ Existenz von Minimum c 1 und Maximum c 2<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 3-1
enutzt: Stetigkeit der Norm<br />
‖x‖ ≤ ‖x − y‖ + ‖y‖<br />
‖y‖ ≤ ‖y − x‖ + ‖x‖<br />
=⇒<br />
| ‖x‖ − ‖y‖ | ≤ ‖x − y‖ ,<br />
d.h. Lipschitz-Stetigkeit der Norm mit Konstante 1<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 3-2
Lipschitz-Stetigkeit<br />
Eine Funktion f heißt Lipschitz-stetig auf einer Menge D, wenn eine<br />
Lipschitz-Konstante c existiert, so dass<br />
für alle x, y ∈ D.<br />
||f (x) − f (y)|| ≤ c||x − y||<br />
Ist f stetig differenzierbar und D konvex, so kann die Lipschitz-Konstante<br />
mit Hilfe der Jacobi-Matrix abgeschätzt werden:<br />
c ≤ sup |f ′ (x)| .<br />
x∈D<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 1-1
Beispiel:<br />
radiale Funktion<br />
f (x) = r α , r = |x| =<br />
√<br />
x 2 1 + · · · + x 2 n ,<br />
α = 1 α = 2<br />
α = 0.5<br />
α = −1<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 2-1
(i) α = 1: f global Lipschitz-stetig, denn<br />
|r − r ′ | = ||x| − |x ′ || ≤ |x − x ′ | ,<br />
d.h. c = 1 ist Lipschitz-Konstante für D = R n<br />
(ii) α > 1: f Lipschitz-stetig auf beschränkten Mengen D<br />
Mittelwertsatz ⇒<br />
|r α − (r ′ ) α | = αs α−1 |r − r ′ |<br />
mit s zwischen r und r ′<br />
Lipschitz-Konstante<br />
c = max<br />
x∈D α|x|α−1<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 2-2
(iii) 0 < α < 1: f stetig aber nicht Lipschitz-stetig in Umgebung von 0:<br />
Ungleichung<br />
|r α − 0 α | ≤ c|r − 0|<br />
für r → 0 nicht erfüllbar<br />
(iv) α < 0: f unstetig bei 0, denn<br />
lim r α = ∞<br />
r→∞<br />
<strong>Analysis</strong> 2 – Grundbegriffe Stetigkeit 2-3
Konvergenz einer Vektor-Folge<br />
Eine Folge von Vektoren x k ∈ R n konvergiert gegen einen Vektor x,<br />
lim x k = x bzw. x k → x für k → ∞,<br />
k→∞<br />
wenn für alle ε > 0 ein Index k ε existiert mit<br />
|x k − x| < ε für k > k ε .<br />
Mit anderen Worten enthält jede ε-Umgebung<br />
B ε (x) = {y : |y − x| < ε}<br />
alle bis auf endlich viele Folgenelemente.<br />
Äquivalent zur Konvergenz von (x k ) ist die Konvergenz aller<br />
Komponenten, d.h. es können eindimensionale Konvergenzkriterien<br />
herangezogen werden.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 1-1
Beispiel:<br />
Ý ÝÜ<br />
alternierende Projektion auf zwei Geraden<br />
Folge (x k , y k ) t konvergiert gegen Schnittpunkt<br />
ÈËÖÖÔÐÑÒØ× Üݽ<br />
(<br />
xk<br />
y k<br />
)<br />
:<br />
( 0<br />
0<br />
) ( 0<br />
,<br />
1<br />
) ( 1<br />
, 2 1<br />
2<br />
) ( 1<br />
) (<br />
, 2 1<br />
, . . . → 1 1<br />
)<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 2-1
Konvergenz der ersten Komponente:<br />
x 2k = x 2k+1 = 1 − (1/2) k → 1<br />
denn ∣ ∣∣∣∣ ( ) ∣<br />
1<br />
k∣∣∣∣ ( ) 1 k<br />
1 − 1 + = < ε<br />
2 2<br />
für k > k ε = ⌈− ld ε⌉<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 2-2
Cauchy-Kriterium für Vektor-Folgen<br />
Eine Folge von Vektoren x k ∈ R n konvergiert genau dann, wenn sie eine<br />
Cauchy-Folge ist, d. h. wenn für alle ε > 0 ein k ε existiert mit<br />
|x l − x k | < ε für l, k > k ε .<br />
Dies ist gleichbedeutend damit, dass jede der n Komponenten von (x k )<br />
eine Cauchy-Folge ist.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 1-1
Beispiel:<br />
ÈËÖÖÔÐÑÒØ× Ü¼<br />
binärer Baum:<br />
Ü ½Ü¾Ü¿Ü Ü<br />
neue Segmente jeweils um den Faktor λ (0 < λ < 1) verkürzt und im<br />
45 ◦ -Winkel angefügt geometrische Konvergenz der sukzessiven<br />
Verzweigungspunkte x k :<br />
|x k+1 − x k | = cλ k<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 2-1
Cauchy-Folge, denn<br />
|x l − x k | = |x l − x l−1 + x l−1 − . . . + . . . − x k+1 + x k+1 − x k |<br />
≤ |x l − x l−1 | + |x l−1 − x l−2 | + . . . + |x k+2 − x k+1 | + |x k+1 − x k |<br />
≤ c λ l−1 + c λ l−2 + . . . + c λ k<br />
= c λ k 1 − λl−k<br />
1 − λ ≤ c 1<br />
λ k ≤ c ′ λ k<br />
}<br />
1<br />
{{<br />
− λ<br />
}<br />
c ′<br />
< ε<br />
für l > k > k ε = ln(ε/c′ )<br />
ln λ<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 2-2
Kontrahierende Abbildung<br />
Eine Abbildung<br />
g : D → D<br />
ist kontrahierend, wenn in einer geeigneten Norm<br />
‖g(x) − g(y)‖ ≤ c ‖x − y‖, x, y ∈ D ,<br />
mit c < 1 gilt. Dabei ist c die sogenannte Kontraktionskonstante von g.<br />
Sie kann für eine konvexe Menge D mit Hilfe der Jacobi-Matrix durch<br />
abgeschätzt werden.<br />
sup ||g(x)||<br />
x∈D<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 1-1
Beispiel:<br />
Richardson Iteration für eine symmetrisch positiv definite Matrix A mit<br />
Eigenwerten λ i<br />
g(x) = x − ω(Ax − b)<br />
kontrahierend, falls ω genügend klein<br />
Begründung:<br />
g(x) − g(y) = Q(x − y),<br />
Q = E − ωA<br />
Eigenwerte von Q:<br />
ω = 1/ max i λ i =⇒<br />
ϱ i = 1 − ωλ i , λ i > 0<br />
c = ‖Q‖ = max<br />
i<br />
ϱ i = 1 − (min<br />
i<br />
bei Verwendung der euklidischen Norm<br />
λ i )/(max λ i ) < 1<br />
i<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 2-1
Banachscher Fixpunktsatz<br />
Ist g eine kontrahierende Abbildung, die eine nichtleere, abgeschlossene<br />
Menge D ⊂ R n in sich abbildet, d.h. gilt<br />
D = D<br />
x ∈ D =⇒ g(x) ∈ D<br />
‖g(x) − g(y)‖ ≤ c‖x − y‖<br />
∀x, y ∈ D<br />
mit c < 1, dann besitzt g einen eindeutigen Fixpunkt x ∗ = g(x ∗ ) ∈ D.<br />
Ausgehend von x 0 ∈ D kann x ∗ durch die Iterationsfolge<br />
approximiert werden.<br />
x 0 , x 1 = g(x 0 ), x 2 = g(x 1 ), . . .<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 1-1
Für den Fehler gilt<br />
‖x ∗ − x l ‖ ≤<br />
cl<br />
1 − c ‖x 1 − x 0 ‖<br />
d.h. die Iterationsfolge konvergiert für jeden Startwert linear.<br />
Der Fixpunktsatz gilt allgemein in vollständigen metrischen Räumen. Da<br />
die Translationsinvarianz und Homogenität der Norm nicht benötigt wird,<br />
kann man ‖x − y‖ durch eine allgemeine Abstandfunktion d(x, y) ersetzen.<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 1-2
Beweis:<br />
(i) g(D) ⊆ D ⇒ x l ∈ D für alle l > 0<br />
(ii) Kontraktionsbedingung =⇒<br />
Iteration <br />
‖x l+1 − x l ‖ = ‖g(x l ) − g(x l−1 )‖ ≤ c ‖x l − x l−1 ‖<br />
(iii) Dreiecksungleichung =⇒<br />
‖x l+1 − x l ‖ ≤ c l ‖x 1 − x 0 ‖<br />
‖x j − x l ‖ ≤ ‖x j − x j−1 ‖ + ‖x j−1 − x j−2 ‖ + · · · + ‖x l+1 − x l ‖<br />
≤ (c j−1 + · · · + c l )‖x 1 − x 0 ‖ = cj −c l<br />
1 − x 0 ‖<br />
≤<br />
cl<br />
1−c ‖x 1 − x 0 ‖<br />
c−1<br />
Cauchy-Konvergenz der Folge x l gegen einen Grenzwert x ∗<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 2-1
(iv) Kontraktionsbedingung =⇒<br />
‖g(x ∗ ) − x ∗ ‖ ≤ ‖g(x ∗ ) − g(x j )‖ + ‖g(x j ) − x ∗ ‖ ≤ c ‖x ∗ − x j ‖ + ‖x j+1 − x ∗ ‖<br />
Grenzwert j → ∞ =⇒ x ∗ Fixpunkt (v) x ∗ eindeutig, da<br />
mit c < 1<br />
‖˜x ∗ − x ∗ ‖ = ‖g(˜x ∗ ) − g(x ∗ )‖ ≤ c‖˜x ∗ − x ∗ ‖<br />
(vi) Abschätzung für den Fehler ⇐= Ungleichung für ‖x j − x l ‖ für j → ∞<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 2-2
Beispiel:<br />
gestörtes lineares System:<br />
Ax + εf (x) = b<br />
mit einer quadratischen invertierbaren Matrix A und Lipschitz-stetiger<br />
Funktion f (Konstante c f )<br />
Lösung durch Iteration<br />
x ← g(x) = A −1 (b − εf (x))<br />
prüfe Voraussetzungen des Banachschen Fixpunktsatzes bei Wahl<br />
D = {y : ‖y − p‖ ≤ r},<br />
p = A −1 b<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 3-1
für x ∈ D<br />
‖g(x) − p‖ = ε‖A −1 f (x)‖ ≤ ε‖A −1 ‖ max ‖f (y)‖<br />
y∈D<br />
g(x) ∈ D (Abstand zu p kleiner gleich r), falls<br />
Kontraktionsbedingung<br />
ε ≤<br />
r<br />
‖A −1 ‖ max y∈D ‖f (y)‖<br />
‖g(x) − g(y)‖ = ε‖A −1 (f (x) − f (y)‖ ≤ ε‖A −1 ‖c<br />
} {{ } f ‖x − y‖<br />
c<br />
mit c < 1, falls<br />
ε <<br />
1<br />
‖A −1 ‖c f<br />
Bedingungen für hinreichend kleines ε erfüllt<br />
<strong>Analysis</strong> 2 – Grundbegriffe Konvergenz 3-2
Partielle Ableitungen<br />
Die partielle Ableitung ∂ i f einer Funktion f nach der i-ten Variablen x i ist<br />
die Ableitung der univariaten Funktion<br />
x i ↦→ f (x 1 , . . . , x i , . . . , x n ) ,<br />
bei der die Variablen x j , j ≠ i, als Konstanten betrachtet werden. Man<br />
schreibt auch<br />
∂ i f = f xi = ∂f .<br />
∂x i<br />
Gemäß der Definition der univariaten Ableitung gilt<br />
f (. . . , x i + h, . . .) − f (. . . , x i , . . .)<br />
∂ i f (x) = lim<br />
.<br />
h→0 h<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
Partielle Ableitungen sind sowohl für skalare als auch für vektorwertige<br />
reelle Funktionen definiert. In beiden Fällen bleibt der Funktionstyp beim<br />
partiellen Ableiten erhalten. Definitionsgemäß gilt<br />
∂ i<br />
⎛<br />
⎜<br />
⎝<br />
⎞ ⎛ ⎞<br />
f 1 ∂ i f 1<br />
⎟ ⎜ ⎟<br />
. ⎠ = ⎝ . ⎠ .<br />
f n ∂ i f n<br />
Die partielle Ableitung wird simultan in den Komponenten gebildet.<br />
Die übliche Konvention ist, sowohl für die Variable x als auch für die<br />
Funktion f Spaltenvektoren zu verwenden (wichtig bei der Definition der<br />
totalen Ableitung bzw. der linearen Approximation).<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-2
Beispiel:<br />
(i) skalare Funktion<br />
⎛<br />
⎝<br />
skalare partielle Ableitungen<br />
⎞<br />
x 1<br />
x 2<br />
⎠ ↦→ f (x 1 , x 2 , x 3 ) = x1 2 x 2 + 5x 2 x 3<br />
x 3<br />
∂ 1 f = 2x 1 x 2<br />
∂ 2 f = x 2 1 + 5x 3<br />
∂ 3 f = 5x 2<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
(ii) vektorwertige Funktion<br />
⎛ ⎞ ⎛<br />
x 1<br />
⎝ x 2<br />
⎠ ↦→ ⎝<br />
x 3<br />
f 1 (x 1 , x 2 , x 3 )<br />
f 2 (x 1 , x 2 , x 3 )<br />
f 3 (x 1 , x 2 , x 3 )<br />
⎞<br />
⎛<br />
⎠ = ⎝<br />
x2 3x ⎞<br />
3<br />
x 1 x 2 x 3<br />
⎠<br />
x 1 + x 3<br />
partielle Ableitungen mit gleicher Komponentenanzahl<br />
⎛ ⎞ ⎛ ⎞<br />
∂ 1 f 1<br />
0<br />
∂ 1 f = ⎝ ∂ 1 f 2<br />
⎠ = ⎝ x 2 x 3<br />
⎠<br />
∂ 1 f 3 1<br />
∂ 2 f =<br />
∂ 3 f =<br />
⎛<br />
⎝<br />
⎛<br />
⎝<br />
⎞<br />
∂ 2 f 1<br />
∂ 2 f 2<br />
⎠ =<br />
∂ 2 f 3<br />
⎞<br />
∂ 3 f 1<br />
∂ 3 f 2<br />
⎠ =<br />
∂ 3 f 3<br />
⎛<br />
⎝<br />
⎛<br />
⎝<br />
3x 2 2 x 3<br />
x 1 x 3<br />
0<br />
x 3 2<br />
x 1 x 2<br />
1<br />
⎞<br />
⎠<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-2
Mehrfache partielle Ableitungen<br />
Zweifache (hintereinander ausgeführte) partielle Ableitungen werden mit<br />
∂ i ∂ j f = f xj x i<br />
= ∂2 f<br />
∂x i ∂x j<br />
bezeichnet. Analog schreibt man ∂ i ∂ j ∂ k . . . f für partielle Ableitungen<br />
höherer Ordnung.<br />
Alternativ kann man die Multiindex-Notation<br />
∂ α f = ∂ α 1<br />
1 · · · ∂αn n f , α = (α 1 , . . . , α n ) ,<br />
verwenden, wobei der Index α i ∈ N 0 die Anzahl der partiellen Ableitungen<br />
nach der i-ten Variablen bezeichnet. Die Summe |α| = α 1 + · · · + α n heißt<br />
Ordnung der partiellen Ableitung.<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
Beispiel:<br />
ebene Welle, y ∈ R n fest gewählt:<br />
f (x) = exp(ix t y) = exp(i(x 1 y 1 + ... + x n y n ))<br />
Kettenregel <br />
∂ k f (x) = iy k exp(ix t y)<br />
∂ l ∂ k f (x) = (iy l )(iy k ) exp(ix t y)<br />
und somit<br />
∂ α f (x) = (iy) α exp(ix t y) = i |α| y α exp(ix t y)<br />
mit α = (α 1 , ..., α n ) und y α = y α 1<br />
1 . . . y n<br />
αn<br />
z.B. (n = 2):<br />
∂ (3,4) f = }{{} i 7 y1 3 y2 4 exp(i(x 1 y 1 + x 2 y 2 ))<br />
−i<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
Partielle Ableitungen von multivariaten Polynomen<br />
Die partielle Ableitung<br />
∂ α x β = ∂ α 1<br />
1 . . . ∂αn n<br />
( )<br />
x β 1<br />
1 . . . x n<br />
βn<br />
eines Monoms ist nur dann ungleich Null, wenn<br />
und in diesem Fall gleich<br />
α ≤ β ⇔ α i ≤ β i ∀i ,<br />
cx β−α ,<br />
c = ∏ i<br />
β i (β i − 1) · · · (β i − α i + 1) .<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
Insbesondere ist<br />
∂ α x β | x=0 = α!δ αβ mit α! = ∏ k<br />
α k !<br />
Gilt für ein Polynom p(x) = ∑ β x β<br />
so hat p totalen Grad < m.<br />
∂ α p = 0, |α| = α 1 + · · · + α n = m ,<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-2
Beweis:<br />
(i) Beweisidee für n = 2 und |α| = 3:<br />
0 = p xxx = p xxy = p xyy = p yyy , p(x, y) = ∑ j,k<br />
c j,k x j y k<br />
=⇒ Grad p ≤ 2<br />
c j,k = 0, j + k > 2<br />
Summand (beispielsweise c 2,1 x 2 y) ungleich Null =⇒<br />
Existenz einer partiellen Ableitung dritter Ordnung (im Beispiel p xxy ), die<br />
diesen Term nicht annulliert<br />
(ii) allgemeiner Fall:<br />
∀|β| ≥ m ∃γ : |γ| = m, ∂ γ x β ≠ 0<br />
z.B. für n = 3, m = 4 und β = (1, 2, 3),<br />
γ = (1, 2, 1), (1, 1, 2), (1, 0, 3), (0, 2, 2), (0, 1, 3)<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
Vertauschbarkeit partieller Ableitungen<br />
Sind die ersten und zweiten partiellen Ableitungen einer Funktion f stetig,<br />
so gilt<br />
∂ i ∂ j f = ∂ j ∂ i f .<br />
Für hinreichend glatte Funktionen ist also die Reihenfolge partieller<br />
Ableitungen vertauschbar. Insbesondere rechtfertigt dies die<br />
Multiindex-Schreibweise.<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
Beweis:<br />
Variablen x k , k ≠ i, j, irrelevant für partielle Ableitungen ∂ i , ∂ j<br />
betrachte bivariate Funktion f (x, y)<br />
bezeichne<br />
ÈËÖÖÔÐÑÒØ× Ý<br />
mit<br />
g(x) = f (x, B) − f (x, A), h(y) = f (b, y) − f (a, y)<br />
die Differenzen in y- bzw. x-Richtung<br />
<br />
Ü<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
erechne<br />
Q = f (b, B) − f (b, A) − f (a, B) + f (a, A)<br />
mit Hilfe des eindimensionalen Mittelwertsatzes auf zwei verschiedene<br />
Arten:<br />
Q = [f (b, B) − f (b, A)] − [f (a, B) − f (a, A)]<br />
= g(b) − g(a)<br />
MWS<br />
= (b − a)g x (c)<br />
mit a ≤ c ≤ b und A ≤ C ≤ B<br />
= (b − a)[f x (c, B) − f x (c, A)]<br />
MWS<br />
= (b − a)(B − A)f xy (c, C)<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-2
und<br />
Q = [f (b, B) − f (a, B)] − [f (b, A) − f (a, A)]<br />
= h(B) − h(A)<br />
MWS<br />
= (B − A)h y (C ⋆ )<br />
= (B − A)[f y (b, C ⋆ ) − f y (a, C ⋆ )]<br />
MWS<br />
= (B − A)(b − a)f yx (c ⋆ , C ⋆ )<br />
mit a ≤ c ⋆ ≤ b und A ≤ C ⋆ ≤ B<br />
gleichsetzen =⇒<br />
f xy (c, C) = f yx (c ⋆ , C ⋆ )<br />
Verkleinerung des Rechtecks durch Grenzübergang, (b → a, B → A) =⇒<br />
f xy (a, A) = f yx (a, A)<br />
aufgrund der Stetigkeit der gemischten zweiten Ableitungen<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-3
Totale Ableitung und Jacobi-Matrix<br />
Eine reelle Funktion f : R n → R m ist in einem Punkt x differenzierbar,<br />
wenn<br />
f (x + h) = f (x) + f ′ (x)h + o(|h|)<br />
für |h| → 0.<br />
Die totale Ableitung f ′ ist die Jacobi-Matrix der partiellen Ableitungen:<br />
⎛<br />
⎞<br />
f ′ = J f = ∂(f ∂ 1 f 1 . . . ∂ n f 1<br />
1, . . . , f n )<br />
∂(x 1 , . . . , x n ) = (∂ ⎜<br />
⎟<br />
1f , . . . , ∂ n f ) = ⎝ . . ⎠ .<br />
∂ 1 f m . . . ∂ n f m<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
Für eine skalare Funktion (m = 1) bezeichnet man die Ableitung als<br />
Gradient,<br />
f ′ = (grad f ) t ,<br />
und für die Parametrisierung einer Kurve (n = 1) als Tangentenvektor.<br />
Um die lineare Approximation kleiner Änderungen (|h| → 0)<br />
hervorzuheben, schreibt man<br />
df = ∂f<br />
∂x 1<br />
dx 1 + · · · + ∂f<br />
∂x n<br />
dx n<br />
mit sogenannten Differentialen df und dx i .<br />
Hinreichend für die Existenz der totalen Ableitung f ′ (x) ist die Stetigkeit<br />
der partiellen Ableitungen in einer Umgebung von x .<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-2
Beweis:<br />
(i) zeige: totale Ableitung enthält die partiellen Ableitungen<br />
für eine bivariate Funktion f (x, y) und h = (s, 0) t ,<br />
f (x + s, y) = f (x, y) + f ′ (x, y) (s, 0) t + o(|(s, 0)|)<br />
= f (x, y) + (J f ) 1 s + o(|s|) ,<br />
wobei (J f ) 1 die erste Spalte von J f bezeichnet<br />
Division durch s und s → 0 <br />
f (x + s, y) − f (x, y)<br />
(J f ) 1 = lim<br />
= ∂ 1 f (x, y)<br />
s→0 s<br />
analoge Argumentation für ∂ 2 f und Funktionen von mehr als zwei<br />
Variablen<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
(ii) zeige: totale Ableitung existiert bei stetigen partiellen Ableitungen<br />
betrachte skalare Funktion f (x, y), Mittelwertsatz =⇒<br />
f (x + s, y + t) = f (x + s, y) − f (x, y) + f (x + s, y + t)<br />
mit ξ ∈ (x, x + s), η ∈ (y, y + t)<br />
Stetigkeit von f x und f y =⇒<br />
−f (x + s, y) + f (x, y)<br />
= s f x (ξ, y) + t f y (x + s, η) + f (x, y) ,<br />
f x (ξ, y) → f x (x, y) , f y (x + s, η) → f y (x, y)<br />
für |h| → 0 und damit die totale Differenzierbarkeit der Funktion f :<br />
f (x + s, y + t) = f (x, y) + sf x (x, y) + tf y (x, y) + o(|h|)<br />
separates Betrachten der Komponenten vektorwertiger Fall<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-2
Beispiel:<br />
(i)<br />
unstetig im Ursprung:<br />
f (x, y) =<br />
xy<br />
x 2 + y 2<br />
x<br />
2<br />
lim f (x, x) =<br />
x→0 x 2 + x 2 = 1 2 ≠ −1 2 = lim f (x, −x)<br />
x→0<br />
=⇒ nicht differenzierbar bei (0, 0)<br />
(ii) partielle Ableitungen existieren:<br />
f (x, 0) = f (0, y) = 0<br />
=⇒<br />
f x (0, 0) = f y (0, 0) = 0<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 3-1
(iii) beide partielle Ableitungen im Ursprung unstetig:<br />
betrachte Grenzwert (x, y) → (0, 0) der Ableitung<br />
auf verschiedenen Kurven:<br />
und<br />
f x (x, y) = y 3 − x 2 y<br />
(x 2 + y 2 ) 2<br />
y = x lim<br />
x→0<br />
f x (x, x) = lim<br />
x→0<br />
0<br />
(x 2 + y 2 ) 2 = 0<br />
y = x 2 lim<br />
x→0<br />
f x (x, x 2 ) = lim<br />
x→0<br />
x 2 − 1<br />
(1 + x 2 ) 2 = −1<br />
Unstetigkeit der partiellen Ableitung f y im Ursprung folgt analog<br />
Beispiel =⇒<br />
Existenz partieller Ableitungen nicht ausreichend für Differenzierbarkeit<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 3-2
Beispiel:<br />
⎛<br />
f (x, y) = ⎝<br />
⎞<br />
x + 2y<br />
xy ⎠<br />
3x 2 + y 2<br />
prüfe Definition der totalen Ableitung: Es ist<br />
⎛<br />
1 2<br />
⎞<br />
f ′ (x, y) = ⎝ y x ⎠<br />
6x 2y<br />
und<br />
⎛<br />
f (x + s, y + t) = ⎝<br />
⎞<br />
(x + s) + 2(y + t)<br />
(x + s)(y + t) ⎠<br />
3(x + s) 2 + (y + t) 2<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 4-1
=⇒ g(s, t) = f (x + s, y + t) − f (x, y) − f ′ (x, y) (s, t) t<br />
= (0, st, 3s 2 + t 2 ) t = o(|(s, t)|)<br />
d.h. jede Komponente strebt für (s, t) → (0, 0) schneller gegen 0 als<br />
|h| = |(s, t)|<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 4-2
Beispiel:<br />
(i) Gradient der skalaren Funktion f (x, y) = r = √ x 2 + y 2<br />
grad f (x, y) =<br />
(<br />
∂1 f<br />
∂ 2 f<br />
)<br />
=<br />
( x/r<br />
y/r<br />
)<br />
(ii) Tangentenvektor, der durch<br />
f (t) = (cos t, sin t, t) t<br />
parametrisierten Kurve<br />
f ′ (t) = (− sin t, cos t, 1) t<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 5-1
(iii) Jacobi-Matrix, der durch<br />
⎛<br />
⎝<br />
x<br />
y<br />
z<br />
⎞<br />
⎛<br />
⎠ = ⎝<br />
r sin ϑ cos ϕ<br />
r sin ϑ sin ϕ<br />
r cos ϑ<br />
⎞<br />
⎠<br />
definierten Kugelkoordinaten<br />
f ′ (r, ϑ, ϕ) =<br />
⎛<br />
∂(x, y, z)<br />
∂(r, ϑ, ϕ) = ⎝<br />
sin ϑ cos ϕ r cos ϑ cos ϕ −r sin ϑ sin ϕ<br />
sin ϑ sin ϕ r cos ϑ sin ϕ r sin ϑ cos ϕ<br />
cos ϑ −r sin ϑ 0<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 5-2
Fehlerfortpflanzung bei multivariaten Funktionen<br />
Für eine stetig differenzierbare Funktion x ↦→ y = f (x) lassen sich die<br />
Auswirkungen von inakuraten Argumenten x + ∆x ≈ x mit Hilfe der<br />
partiellen Ableitungen von f beschreiben. Für den absoluten Fehler gilt bei<br />
Vernachlässigung von Termen der Ordnung o (|∆x|)<br />
∆y = f (x + ∆x) − f (x) ≈ f x1 (x)∆x 1 + · · · + f xn (x)∆x n .<br />
Ist |x i |, |y| ≠ 0 , so folgt für den relativen Fehler<br />
∆y<br />
|y| ≈ c ∆x 1<br />
1<br />
|x 1 | + · · · + c ∆x n<br />
n<br />
|x n |<br />
mit den Konditionszahlen<br />
c i = ∂y<br />
∂x i<br />
|x i |<br />
|y| .<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
Beispiel:<br />
Berechnung des Winkels ϕ von Polarkoordinaten aus kartesischen<br />
Koordinaten<br />
ϕ = arctan(y/x)<br />
(i) absoluter Fehler<br />
∆ϕ ≈ f x (x, y)∆x + f y (x, y)∆y = − y∆x<br />
x 2 + y 2 + x∆y<br />
x 2 + y 2<br />
mögliche Vergrößerung des absoluten Fehlers um einen Faktor proportional<br />
zu 1/r<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
(ii) relativer Fehler<br />
∆ϕ<br />
|ϕ| ≈ − y|x|<br />
(x 2 + y 2 )|ϕ|<br />
∆x<br />
|x| +<br />
x|y| ∆y<br />
(x 2 + y 2 )|ϕ| |y|<br />
x = r cos ϕ, y = r sin ϕ und | sin ϕ/ϕ| ≤ 1 ⇒ Betrag der rechten Seite<br />
( ≤<br />
cos ϕ sin ϕ<br />
|∆x|<br />
∣ ϕ ∣ + |∆y| ) ( |∆x|<br />
≤ 2 max<br />
|x| |y|<br />
|x| , |∆y| )<br />
|y|<br />
Verstärkung des relativen Fehlers höchstens um einen Faktor 2<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-2
Tangente<br />
Der Tangentenvektor einer mit einer stetig differenzierbaren Funktion<br />
f : t ↦→ (f 1 (t), . . . , f n (t)) t<br />
parametrisierten Kurve im Punkt f (t 0 ) ist die Ableitung f ′ (t 0 ) , falls<br />
mindestens eine der Komponenten f<br />
i ′(t<br />
0) ungleich Null ist. Die Tangente<br />
ist die durch<br />
f (t 0 ) + f ′ (t 0 )(t − t 0 ) , t ∈ R ,<br />
parametrisierte Gerade.<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
f(t 0 ) + f ′ (t 0 )(t − t 0 )<br />
f(t 0 )<br />
f ′ (t 0 )<br />
f ′ i (t 0)<br />
x i<br />
Ist f ′ (t 0 ) der Nullvektor, so ist die Parametrisierung bei t 0 singulär. Ein<br />
Tangentenvektor muss nicht existiern, die Tangentenrichtung kann sich im<br />
Punkt f (t 0 ) abrupt ändern.<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-2
Beispiel:<br />
Schraubenlinie<br />
Tangentenvektor<br />
⎛<br />
t ↦→ f (t) = ⎝<br />
sin t<br />
cos t<br />
t<br />
⎞<br />
⎠<br />
f ′ (t) = (cos t, − sin t, 1) t<br />
30<br />
20<br />
10<br />
1 0<br />
0<br />
−1<br />
−1<br />
0<br />
1<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
Parametrisierung der Tangente im Punkt f (3π) = (0, −1, 3π)<br />
⎛<br />
0<br />
⎞ ⎛ ⎞<br />
−1<br />
t ↦→ ⎝ −1 ⎠ + ⎝<br />
3π<br />
0<br />
1<br />
⎠ (t − 3π)<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-2
Beispiel:<br />
(i)<br />
t ↦→ g(t) =<br />
( t<br />
3<br />
t 2 )<br />
abrupte Richtungsänderung für t 0 = 0 von (0, −1) t nach (0, 1) t ,<br />
möglich, da g ′ (t) = (0, 0) t<br />
1<br />
y<br />
g(t) = (t 3 , t 2 ) t<br />
0<br />
1<br />
x<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 3-1
(ii)<br />
t ↦→= (t 3 , t 4 ) t<br />
stetige Tangentenänderung trotz g ′ (0) = (0, 0) t<br />
Umparametrisierung<br />
s = t 3 , g(t) = q(s) =<br />
=⇒ q ′ (s) = (1, 4s 1/3 /3) t stetig bei s = 0<br />
y<br />
1<br />
( s<br />
s 4/3 )<br />
g(t) = (t 3 , t 4 ) t<br />
0<br />
1<br />
x<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 3-2
Tangentialebene<br />
Sei f eine stetig differenzierbare Funktion und p = (p 1 , . . . , p n ) die<br />
Koordinaten eines Punktes P auf der durch<br />
implizit definierten Fläche.<br />
f (x 1 , . . . , x n ) = c<br />
Ist grad f (p) ≠ 0 , so hat die Tangentialebene im Punkt P die Gleichung<br />
E : (grad f (p)) t (x − p) = 0 .<br />
Der Normalenvektor ist also parallel zu grad f .<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-1
grad f(p)<br />
x<br />
P<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-2
Speziell ist für den Graph einer Funktion x ↦→ y = g (x 1 , . . . , x n−1 )<br />
∑n−1<br />
E : y − g(q) = ∂ i g(q) (x i − q i )<br />
die Gleichung der Tangentialebene im Punkt (q i , . . . , q n−1 , g(q)) t . Die<br />
partielle Ableitung ∂ i g entspricht somit der Steigung der Tangentialebene<br />
in Richtung der i-ten Koordinatenachse.<br />
i=1<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 1-3
Beweis:<br />
(i) Definition der totalen Ableitung f ′ = (grad f ) t =⇒<br />
f (x) = f (p) + (grad f ) t (x − p) + o(|x − p|)<br />
Vernachlässigung des Terms o(|x − p|), f (x) = f (p) = c <br />
Gleichung der Tangentialebene<br />
(ii) Funktionsgraph: y = g (x 1 , . . . , x n−1 )<br />
∑n−1<br />
∆y = ∂ i g(q)(∆x i )<br />
i=1<br />
mit ∆y = y − g(q) und ∆x = x − q<br />
Vernachlässigung des Restgliedes <br />
behauptete Darstellung der Tangentialebene<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 2-1
Beispiel:<br />
Kegel<br />
K : f (x, y, z) = x 2 + y 2 − z 2 = 0<br />
grad f (x, y, z) = (2x, 2y, −2z) t Tangentialebene<br />
E : 2x(x − x 0 ) + 2y(y − y 0 ) − 2z 0 (z − z 0 ) = 0<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 3-1
Tangentialebene im Punkt P = (3, 4, 5)<br />
E : −10z + 8y + 6x = 0<br />
grad f (p) = (0, 0, 0) für p = (0, 0, 0)<br />
keine Tangentialebene an der Spitze des Kegels<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 3-2
Beispiel:<br />
Potential eines Dipols mit Ladungen in den Punkten −P und P (mit<br />
Koordinaten ±p = ±(p 1 , p 2 ))<br />
Gradient<br />
g(x) = |x − p| −1 − |x + p| −1 , x = (x 1 , x 2 )<br />
grad g(x) =<br />
(x + p) (x − p)<br />
−<br />
|x + p| 3 |x − p| 3<br />
Tangentialebene im Punkt A mit Koordinaten a = (a 1 , a 2 )<br />
x 3 = g(a) + (grad g(a)) t (x − a)<br />
z.B. für a = (0, 0)<br />
x 3 = 0 + (2p r /|p| 3 )(x 1 , x 2 ) t<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 4-1
Tangentialebene verläuft durch den Ursprung und enthält die Gerade<br />
senkrecht zu P.<br />
keine Tangentialebenen in den Singularitäten P und −P<br />
<strong>Analysis</strong> 2 – Differentiation Partielle Ableitungen 4-2
Multivariate Kettenregel<br />
Für die Hintereinanderschaltung<br />
h = g ◦ f : x ↦→ y = f (x) ↦→ z = g(y) ,<br />
stetig differenzierbarer Funktionen f : R m → R l und g : R l → R n gilt<br />
h ′ (x) = g ′ (y)f ′ (x) ,<br />
d.h. die Jacobi-Matrix von h ist das Produkt der Jacobi-Matrizen von f<br />
und g. Die einzelnen Einträge von h ′ ergeben sich durch<br />
Matrixmultiplikation:<br />
∂h i<br />
∂x k<br />
= ∑ j<br />
∂g i<br />
∂y j<br />
∂f j<br />
∂x k<br />
.<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-1
Insbesondere hat die Kettenregel für den Spezialfall m = n = 1 (d.h. f ist<br />
eine parametrisierte Kurve und g eine skalare Funktion von l<br />
Veränderlichen) die Form<br />
d h<br />
d x = (grad g)t f ′ (x) .<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-2
Beweis:<br />
Definition der totalen Ableitung:<br />
ϕ(x + h) = ϕ(x) + ϕ ′ (x)h + o(|h|)<br />
Existenz der Ableitungen f ′ (x) und g ′ (y) =⇒<br />
g(f (x + h)) = g(f (x) + f ′ (x)h + o(|h|) ) = g(y) + [g ′ (y) ˜h] + o(|˜h|)<br />
} {{ }<br />
˜h<br />
Formel für die Jacobi-Matrix von g ◦ f , da<br />
und |˜h| = O(|h|)<br />
[g ′ (y) ˜h] = g ′ (y)f ′ (x)h + o(|h|)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-1
Beispiel:<br />
Funktionen<br />
y = f (x) =<br />
( )<br />
x3 sin(x 1 )<br />
e x 2<br />
, g(y) =<br />
/x 3<br />
⎛<br />
⎜<br />
⎝<br />
y 1<br />
y 1 + ln(y 2 )<br />
0<br />
y 2 cos(y 1 )<br />
⎞<br />
⎟<br />
⎠<br />
Jacobi-Matrix von h = g ◦ f in p = (π, 0, 1) t :<br />
( )<br />
f ′ cos(x1 )x<br />
(x) |x=p =<br />
3 0 sin(x 1 )<br />
0 e x 2<br />
/x 3 −e x 2<br />
/x3<br />
2<br />
|x=p<br />
=<br />
( −1 0 0<br />
0 1 −1<br />
)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-1
und<br />
g ′ (y) |y=f (p) =<br />
⎛<br />
⎜<br />
⎝<br />
1 0<br />
1 1/y 2<br />
0 0<br />
−y 2 sin(y 1 ) cos(y 1 )<br />
⎞<br />
⎟<br />
⎠<br />
|y=(0, 1)<br />
=<br />
⎛<br />
⎜<br />
⎝<br />
1 0<br />
1 1<br />
0 0<br />
0 1<br />
⎞<br />
⎟<br />
⎠<br />
<br />
h ′ (π, 0, 1) =<br />
⎛<br />
⎜<br />
⎝<br />
1 0<br />
1 1<br />
0 0<br />
0 1<br />
⎞<br />
⎟<br />
⎠<br />
( −1 0 0<br />
0 1 −1<br />
⎛<br />
)<br />
= ⎜<br />
⎝<br />
−1 0 0<br />
−1 1 −1<br />
0 0 0<br />
0 1 −1<br />
⎞<br />
⎟<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-2
Beispiel:<br />
Kettenregel für eine skalare Funktion f (x, y) entlang einer Kurve<br />
t ↦→ (x(t), y(t)) t :<br />
d<br />
d t f = f xx ′ + f y y ′<br />
z.B.<br />
f (x, y) = √ x 2 + y 2 , x = sin t , y = cos t<br />
<br />
d<br />
d t f (x(t), y(t)) = x<br />
√<br />
x 2 + y cos(t) + y<br />
√ (− sin(t))<br />
2 x 2 + y 2<br />
sin(t) cos(t) − cos(t) sin(t)<br />
=<br />
1<br />
= 0<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 4-1
identisch zur direkten Ableitung der zusammengesetzten Funktion<br />
√<br />
f (x(t), y(t)) = sin 2 (t) + cos 2 (t) = 1<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 4-2
Beispiel:<br />
Kettenregel für eine vektorwertige Funktion<br />
(u(x, y, z), v(x, y, z), w(x, y, z)) t<br />
auf einer durch<br />
parametrisierten Fläche:<br />
∂(u, v, w)<br />
∂(s, t)<br />
(x(s, t), y(s, t), z(s, t)) t<br />
⎛<br />
= ⎝<br />
u x u y u z<br />
⎞<br />
v x v y v z<br />
⎠<br />
⎛<br />
⎝<br />
x s x t<br />
⎞<br />
y s y t<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-1
z.B. radiale Funktion<br />
(u, v, w) = (x, y, z)/r, r = √ x 2 + y 2 + z 2 ,<br />
auf dem durch<br />
(x, y, z) = (cos ϕ, sin ϕ, z) , ϕ ∈ (−π, π] , z ∈ R<br />
parametrisierten Zylindermantel:<br />
∂(u, v, w)<br />
∂(x, y, z)<br />
∂(x, y, z)<br />
∂(ϕ, z)<br />
= r −3 ⎛<br />
⎝<br />
=<br />
⎛<br />
⎝<br />
r 2 − x 2 ⎞<br />
−xy −xz<br />
−xy r 2 − y 2 −yz ⎠<br />
−xz −yz r 2 − z 2<br />
− sin ϕ 0<br />
cos ϕ 0<br />
0 1<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-2
s = sin ϕ, c = cos ϕ und r = √ 1 + z 2 <br />
⎛<br />
= r −3 ⎝<br />
∂(u, v, w)<br />
∂(ϕ, z)<br />
= r −3 ⎛<br />
⎝<br />
r 2 − c 2 ⎞<br />
−cs −cz<br />
−cs r 2 − s 2 −sz ⎠<br />
−cz −sz r 2 − z 2<br />
−sr 2 −cz<br />
⎞<br />
cr 2 −sz ⎠<br />
0 1<br />
⎛<br />
⎝<br />
−s 0<br />
c 0<br />
0 1<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-3
Beispiel:<br />
Berechnung des Gradienten von h = g ◦ f für<br />
⎛<br />
f (u, v) = ⎝<br />
u + v<br />
u − v<br />
u 2 + v 2 − 1<br />
⎞<br />
⎠ , g(x, y, z) = x 2 + y 2 + z 2<br />
Jacobi-Matrix von f<br />
Gradient von g<br />
⎛<br />
grad g = ⎝<br />
⎛<br />
f ′ = ⎝<br />
2x<br />
2y<br />
2z<br />
⎞<br />
1 1<br />
1 −1<br />
2u 2v<br />
⎛<br />
⎠ = 2 ⎝<br />
⎞<br />
⎠<br />
u + v<br />
u − v<br />
u 2 + v 2 − 1<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 6-1
Kettenregel =⇒<br />
(grad h) t = (grad g) t f ′<br />
=<br />
( u + v + u − v + 2u(u<br />
2<br />
+ v 2 − 1)<br />
u + v − u + v + 2v(u 2 + v 2 − 1)<br />
) t<br />
und nach Vereinfachung<br />
(<br />
grad h = 4(u 2 + v 2 u<br />
)<br />
v<br />
)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 6-2
Beispiel:<br />
affine Abbildung eines Referenzdreiecks<br />
D ∗ : x 1 + x 2 ≤ 1, x i ≥ 0 ,<br />
auf ein Dreieck D mit den Eckpunkten P, Q und R:<br />
y = ϕ(x) = p + (q − p)x 1 + (r − p)x 2<br />
(0, 1)<br />
ϕ<br />
R<br />
x ∈ D ∗<br />
P<br />
y ∈ D<br />
Q<br />
(0, 0) (1, 0)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 7-1
Jacobi-Matrix<br />
∂(y 1 , y 2 )<br />
= (q − p, r − p)<br />
∂(x 1 , x 2 )<br />
Kettenregel ⇒<br />
( )<br />
(grad h(x)) t = (grad g(y)) t q1 − p 1 r 1 − p 1<br />
, h(x) = g(ϕ(x))<br />
q 2 − p 2 r 2 − p 2<br />
für eine sklalare Funktion ϕ<br />
Anwendung:<br />
Aufstellen von Steifigkeitsmatrizen bei Finite-Elemente-Verfahren<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 7-2
Richtungsableitung<br />
Die Ableitung einer Funktion f in Richtung eines Vektors v ist<br />
f (x + hv) − f (x)<br />
∂ v f (x) = lim<br />
.<br />
h→0 h<br />
Aufgrund der Kettenregel kann sie mit Hilfe der Jacobi-Matrix f ′ durch<br />
( )<br />
d<br />
dt f (x + tv) = f ′ (x)v<br />
berechnet werden. Speziell ist ∂ eν f mit e ν dem ν-ten Einheitsvektor die<br />
partielle Ableitung bzgl. der ν-ten Koordinate.<br />
t=0<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-1
∂ v f(x)<br />
grad f<br />
v<br />
x<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-2
Für eine skalare Funktion ist<br />
∂ v f = (grad f (x)) t v .<br />
Wie in der Abbildung illustriert ist, gibt die Richtungsableitung in diesem<br />
Fall den Anstieg von f in Richtung v an. Die lokale Änderung wird<br />
maximal für v ‖ grad f (x) .<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-3
Beispiel:<br />
Berechnung der Richtungsableitung der Funktion<br />
im Punkt (x, y) = (2, −1)<br />
allgemeine Form des Gradienten<br />
f (x, y) = x 2 y 3<br />
grad f (x, y) =<br />
Einsetzen der konkreten Koordinaten<br />
∂ v f (2, −1) = (−4, 12)<br />
( 2xy<br />
3<br />
3x 2 y 2 )<br />
(<br />
v1<br />
v 2<br />
)<br />
= −4v 1 + 12v 2<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-1
Richtungsableitung maximal für<br />
v ‖<br />
also z.B. für v = (−1, 3)<br />
größter lokaler Anstieg von f<br />
( −4<br />
12<br />
)<br />
f (2 − t, −1 + 3t) ≈ f (2, −1) + t∂ v f (2, −1) = −4 + 40t<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-2
Steilster Abstieg<br />
Die Methode des steilsten Abstiegs dient zur Minimierung multivariater<br />
Funktionen f (x 1 , . . . , x n ). Zur Durchführung eines Iterationsschrittes<br />
x → y wird zunächst der negative Gradient<br />
d = − grad f (x)<br />
als lokal beste Abstiegsrichtung berechnet.<br />
Dann wird y als eine Minimalstelle von f in Richtung von d bestimmt:<br />
f (y) = min f (x + td) .<br />
t≥0<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-1
x<br />
y<br />
d<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-2
Wie in der Abbildung illustriert, ist die Suchrichtung orthogonal zu der<br />
Niveaumenge durch x und berührt eine Niveaumenge zu einem kleineren<br />
Funktionswert in y.<br />
Die Konvergenz der durch die Methode des steilsten Abstiegs erzeugten<br />
Folge x 0 , x 1 , . . . kann unter sehr allgemeinen Voraussetzungen gezeigt<br />
werden. Hinreichend ist, dass f nach unten beschränkt ist und grad f in<br />
einer Umgebung U der Menge {x : f (x) ≤ f (x 0 )} Lipschitz-stetig ist, d.h.<br />
Dann gilt<br />
‖ grad f (x) − grad f (˜x)‖ ≤ L‖x − ˜x‖, x, ˜x ∈ U .<br />
∞∑<br />
‖ grad f (x l )‖ 2 < ∞,<br />
l=0<br />
und ‖ grad f (x l )‖ ist eine Nullfolge.<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-3
Dies impliziert insbesondere, dass jeder Häufungspunkt der Folge x 0 , x 1 , . . .<br />
ein kritischer Punkt von f ist. Dass es sich um ein lokales Minimum<br />
handelt ist statistisch gesehen fast sicher, kann jedoch nicht zwingend<br />
gefolgert werden.<br />
In dem Algorithmus braucht die eindimensionale Minimierung nur<br />
näherungsweise durchgeführt werden. Die Suchrichtung d muss nicht als<br />
der negative Gradient gewählt und eine globale Minimalstelle y nicht<br />
bestimmt werden. Entscheidend für die Konvergenz ist lediglich, dass in<br />
jedem Iterationsschritt eine Reduktion des Funktionswertes proportional zu<br />
‖ grad f (x)‖ 2 erreicht wird.<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-4
Beispiel:<br />
steilster Abstieg für eine quadratische Funktion<br />
f (x) = 1 2 x t Ax − b t x<br />
mit einer symmetrischen positiv definiten Matrix A<br />
Iterationsschritt x → y<br />
y = x + td, d = − grad f (x) = b − Ax, t = d t d<br />
d t Ad<br />
eindimensionale Minimierung explizit durchführbar:<br />
f (x + td) = 1 2 (x + td)t A(x + td) − b t (x + td)<br />
= 1 2 d t Ad t 2 + (x t Ad − b t d) t + c<br />
Nullsetzen der Ableitung nach t Formel für den Halbgeradenparameter t<br />
0 = d t Ad t − (b − Ax) t d = d t Ad t − d t d<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-1
x 0<br />
x 1<br />
x ∗<br />
unerwünschte Oszillationen bei Eigenwerten stark unterschiedlicher<br />
Größenordnung von A, z.B. für<br />
( ) ( )<br />
1 0<br />
0<br />
A =<br />
, b =<br />
0 100<br />
0<br />
x = (c, 1) t <br />
d = −<br />
( c<br />
100<br />
)<br />
( ) c<br />
, Ad = −<br />
10 4<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-2
und<br />
sowie<br />
d t d = c 2 + 10 4 , d t Ad = c 2 + 10 6 , t = c2 + 10 4<br />
( ) c<br />
y = − c2 + 10 4 (<br />
1 c 2 + 10 6<br />
c<br />
100<br />
c 2 + 10 6<br />
) (<br />
= 99c2 10 4 /c<br />
c 2 + 10 6 −1<br />
)<br />
für c = 100 Verbesserung um weniger als 1%<br />
y = 99 ( )<br />
x1<br />
101 −x 2<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-3
Umkehrfunktion<br />
Sei f : R n → R n eine in einer Umgebung B eines Punktes x ∗ stetig<br />
differenzierbare Funktion mit invertierbarer Jacobi-Matrix f ′ (x ∗ ). Dann ist<br />
f auf einer Umgebung U ⊂ B von x ∗ bijektiv, d.h. es existiert eine stetig<br />
differenzierbare Umkehrfunktion g = f −1 mit<br />
y = f (x) ⇐⇒ x = g(y) , x ∈ U.<br />
Darüber hinaus gilt für die Jacobi-Matrizen<br />
für alle x ∈ U .<br />
g ′ (y) = f ′ (x) −1<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-1
Beweis:<br />
Anwendung des Banachschen Fixpunktsatzes <br />
eindeutige Lösung der Gleichung f (x) = y in einer Umgebung<br />
eines Punktes (x ∗ , y ∗ )<br />
verwendete Iteration<br />
U × V = {x : |x − x ∗ | ≤ δ} × {y : |y − y ∗ | ≤ ε}<br />
x ← ϕ(x) = x − f ′ (x ∗ ) −1 (f (x) − y)<br />
zeige:<br />
Für festes y ∈ V ist ϕ eine kontrahierende Selbstabbildung auf U.<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-1
(i) Kontraktionskonstante:<br />
c ≤ sup ‖ϕ ′ (x)‖<br />
x∈U<br />
mit ‖ · ‖ die der Euklidischen Norm |·| zugeordneten Matrixnorm<br />
‖ϕ ′ (x)‖ = ‖E − f ′ (x ∗ ) −1 f ′ (x)‖ = ‖f ′ (x ∗ ) −1 (f ′ (x) − f ′ (x ∗ ))‖<br />
=⇒ c < 1 für hinreichend kleines δ, denn f ′ (x) → f ′ (x ∗ ) für x → x ∗<br />
(ii) Inklusion ϕ(U) ⊆ U:<br />
Abschätzung der Norm von<br />
ϕ(x) − x ∗ = x − x ∗ − f ′ (x ∗ ) −1 (f (x) − f (x ∗ ) + y ∗ − y)<br />
stetige Differenzierbarkeit von f =⇒<br />
f (x) − f (x ∗ ) = f ′ (x ∗ )(x − x ∗ ) + R, |R| = o(|x − x ∗ |)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-2
und<br />
|ϕ(x) − x ∗ | ≤ ‖f ′ (x ∗ ) −1 ‖(o(δ) + ε) ≤ δ<br />
für hinreichend kleines δ (o(δ)/δ → 0) und ε<br />
Voraussetzungen des Banachschen Fixpunktsatzes erfüllt<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-3
(iii) Formel für g ′ (y):<br />
formales Differenzieren von x = g(f (x)) mit der Kettenregel =⇒<br />
E = g ′ (y)f ′ (x)<br />
d.h. die Jacobi-Matrix von g ist die Inverse der Jacobi-Matrix von f<br />
prüfe Formel mit Definition der totalen Ableitung<br />
für y + ∆y = f (x + ∆x) mit x, x + ∆x ∈ U:<br />
g(y + ∆y) − g(y) − f ′ (x) −1 (∆y)<br />
= ∆x − f ′ (x) −1 (f (x + ∆x) − f (x)) = f ′ (x) −1 R<br />
} {{ }<br />
f ′ (x)∆x+R<br />
mit R = o(|∆x|) aufgrund der Differenzierbarkeit von f<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-4
zu zeigen: |∆x| durch |∆y| abschätzbar<br />
Umformung <br />
∆x = f ′ (x) −1 (∆y − R)<br />
Beschränkheit von ‖f ′ (x) −1 ‖ auf U =⇒<br />
|∆x| ≤ c ∗ (|∆y| + o (|∆x|)) ≤ ˜c|∆y|<br />
für hinreichend kleines |∆x| mit Konstanten c ∗ und ˜c<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-5
Beispiel:<br />
prüfe lokale Invertierbarkeit der Funktion<br />
( ) ( )<br />
x u<br />
f : ↦→ =<br />
y v<br />
im Punkt (x, y) = (2, 1) :<br />
Jacobi-Matrix<br />
f ′ (x, y) =<br />
Einsetzen der konkreten Koordinaten<br />
J f = f ′ (2, 1) =<br />
( xy<br />
x/y<br />
( )<br />
y x<br />
1/y −x/y 2<br />
( 1 2<br />
1 −2<br />
det J = −4 ≠ 0 ⇒ ∃ Umkehrfunktion g in Umgebung von<br />
( )<br />
( )<br />
u∗<br />
2<br />
= f (x, y) =<br />
v ∗ 2<br />
)<br />
)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-1
Jacobi-Matrix im Punkt (u ∗ , v ∗ )<br />
g ′ (2, 2) = J −1 f = 1 4<br />
( 2 2<br />
1 −1<br />
explizite Bestimmung von g durch Auflösen der Ausdrücke für u und v<br />
nach x und y:<br />
( )<br />
( √ )<br />
x uv<br />
= g(u, v) = √<br />
y<br />
u/v<br />
Überprüfung der Formel für g ′ (2, 2) auf direktem Weg<br />
g ′ (u, v) = 1 2<br />
Übereinstimmung für (u, v) = (2, 2)<br />
( √<br />
v/u<br />
√<br />
u/v<br />
1/ √ uv − √ u/v<br />
)<br />
)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-2
Beispiel:<br />
komplexe Exponentialfunktion<br />
z = x + iy ↦→ exp(z) = u + iv,<br />
reelle Darstellung:<br />
( u<br />
f (x, y) =<br />
v<br />
)<br />
=<br />
( exp(x) cos y<br />
exp(x) sin y<br />
)<br />
mit Jacobi-Matrix<br />
(<br />
f ′ cos y − sin y<br />
(x, y) = exp(x)<br />
sin y cos y<br />
)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 4-1
det f ′ (x, y) = exp(2x) > 0 =⇒<br />
lokale Existenz einer Umkehrfunktion g (ein Zweig des komplexen<br />
Logarithmus) mit der Ableitung<br />
g ′ (u, v) = ( f ′ (x, y) ) (<br />
−1 cos y sin y<br />
= exp(−x)<br />
− sin y cos y<br />
keine globale Umkehrfunktion wegen<br />
)<br />
f (x, y + 2πk) = f (x, y),<br />
k ∈ Z<br />
Periodizität ⇒ unendlich viele Urbilder für jeden Punkt (u, v) ≠ (0, 0)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 4-2
Beispiel:<br />
Polarkoordinaten<br />
x = r cos ϕ, y = r sin ϕ, r = √ x 2 + y 2<br />
partielle Ableitung des Radius’ nach der Koordinate x:<br />
Paradox:<br />
∂r<br />
∂x = ∂ √<br />
x<br />
∂x<br />
2 + y 2 =<br />
x<br />
√<br />
x 2 + y 2 = x r = cos ϕ<br />
r = x/ cos(ϕ) ⇒ ∂r<br />
∂x = 1<br />
cos(ϕ)<br />
Grund: Bei den Berechnungen der partiellen Ableitungen werden nicht die<br />
gleichen Variablen konstant gehalten: In der ersten Gleichung ist y<br />
konstant und bei der zweiten ϕ<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-1
skalare Ableitungsregel<br />
i.A. falsch für partielle Ableitungen:<br />
( )<br />
dy dx −1<br />
dx = dy<br />
x u ≠ (u x ) −1<br />
für Bijektion (x, y) ↔ (u, v) korrekte Berechnung mit Jacobi-Matrix:<br />
( )<br />
∂(u, v)<br />
∂(x, y) = ux u y<br />
,<br />
v x v y<br />
( )<br />
∂(x, y)<br />
∂(u, v) = xu x v<br />
=<br />
y u y v<br />
(<br />
ux u y<br />
v x v y<br />
) −1<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-2
im betrachteten Beispiel<br />
(<br />
∂(x, y) cos ϕ<br />
∂(r, ϕ) = sin ϕ<br />
−r sin ϕ<br />
r cos ϕ<br />
)<br />
Inverse partielle Ableitungen nach x und y:<br />
( )<br />
( )<br />
cos ϕ sin ϕ ∂(r, ϕ)<br />
− 1 r sin ϕ 1 =<br />
r<br />
cos ϕ ∂(x, y) = rx r y<br />
ϕ x ϕ y<br />
insbesondere: r x = cos ϕ<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-3
Implizite Funktionen<br />
Ist für eine stetig differenzierbare Funktion f : R n × R m → R n<br />
f (x ∗ , y ∗ ) = 0, det f x (x ∗ , y ∗ ) ≠ 0 ,<br />
so lässt sich das Gleichungssystem<br />
f k (x 1 , . . . , x n , y 1 , . . . , y m ) = 0 , k = 1, . . . , n ,<br />
in einer Umgebung von y ∗ nach x auflösen:<br />
x = ϕ(y) .<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-1
Die implizit definierte Funktion ϕ ist in einer Umgebung von y ∗ stetig<br />
differenzierbar und besitzt die Jacobi-Matrix<br />
ϕ ′ = −(f x ) −1 f y .<br />
Ein entsprechendes Resultat gilt nach Permutation der Variablen, d.h. man<br />
kann nach x k1 , . . . , x kn auflösen, wenn die Spalten k 1 , . . . , k n der<br />
Jacobi-Matrix f ′ linear unabhängig sind. Insbesondere ist die Gleichung<br />
f (x) = 0 für eine skalare Funktion f in einer Umgebung von x ∗ nach x k<br />
auflösbar, wenn ∂ k f (x ∗ ) ≠ 0.<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 1-2
Beweis:<br />
betrachte die Abbildung<br />
(x, y) ↦→ u(x, y) = (f (x, y), y)<br />
von R n+m nach R n+m in einer Umgebung von (x ∗ , y ∗ )<br />
invertierbare Jacobi Matrix<br />
( )<br />
u ′ fx f<br />
(x ∗ , y ∗ ) = y<br />
0 E<br />
|(x ∗,y ∗)<br />
=⇒ lokale Existenz einer Umkehrfunktion<br />
u −1 = (v 1 , . . . , v n+m )<br />
E : m × m Einheitsmatrix<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-1
u(x, y) = (f (x, y), y) = (0, y) ⇔ (x, y) = v(0, y) ,<br />
d.h. ϕ(y) = (v 1 (0, y), . . . , v n (0, y))<br />
Differenzieren von<br />
0 = f (ϕ(y), y)<br />
nach y =⇒<br />
0 = f x ϕ ′ + f y ,<br />
d.h. die explizite Formel für die Jacobi-Matrix ϕ ′<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 2-2
Beispiel:<br />
Vivianische Kurve: Schnitt der Einheitssphäre mit einem Zylinder<br />
C :<br />
⎛<br />
sin t cos t<br />
t ↦→ ⎝ sin(2t)<br />
cos t<br />
⎞<br />
⎠ , t ∈ [0, 2π) ,<br />
z<br />
x<br />
y<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-1
implizite Form<br />
f (x, y, z) = x 2 + y 2 + z 2 − 1 = 0<br />
(<br />
g(x, y, z) = x 2 + y − 1 ) 2<br />
− 1 = 0<br />
2 4<br />
Jacobi-Matrix<br />
( ) (<br />
fx f y f z 2x 2y 2z<br />
=<br />
g x g y g z 2x 2y − 1 0<br />
)<br />
Satz über implizite Funktion <br />
Möglichkeit der Parametrisierung durch eine der Koordinaten x, y, z<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-2
(i) Parametrisierung bezüglich x, d.h. auflösen nach y und z:<br />
( )<br />
∂(f , g) 2y 2z<br />
∂(y, z) = 2y − 1 0<br />
Invertierbarkeit hinreichend, erfüllt für z ≠ 0 und y ≠ 1/2<br />
Auflösen nach y und z unter Berücksichtigung von f − g = z 2 − 1 + y = 0<br />
<br />
y(x) = 1 √<br />
√<br />
√<br />
1<br />
2 + δ 4 − x 2 , z(x) = δ ′ 1 1<br />
2 − δ 4 − x 2<br />
wobei die Vorzeichen δ, δ ′ ∈ {−1, 1} entsprechend den einzelnen Zweigen<br />
gewählt werden müssen<br />
Parametrisierungen singulär in den Punkten (0, 1, 0) t ,<br />
(±1/2, 1/2, ± √ 2/2) t und (±1/2, 1/2, ∓ √ 2/2) t<br />
geometrisch notwendig: Tangentenrichtung nicht orthogonal zu (1, 0, 0) t ,<br />
d.h. mit nichtrivialer Komponente in x-Richtung<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-3
(ii) Parametrisierung bezüglich y und z:<br />
hinreichende Bedingungen<br />
( )<br />
( 2x 2z<br />
2x 2y<br />
det<br />
= −4xz ≠ 0 , det<br />
2x 0<br />
2x 2y − 1<br />
keine lokale Parametrisierung im Punkt (0, 1, 0) t<br />
Jacobi-Matrix<br />
Rang 1 Doppelpunkt der Kurve<br />
∂(f , g)<br />
∂(x, y, z) | (0,1,0) = ( 0 0 0<br />
0 −1 1<br />
)<br />
)<br />
= −2x ≠ 0<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 3-4
Beispiel:<br />
skalare Funktion<br />
f (x, y, z) = xe y − yz = 0<br />
nach einer Variablen auflösbar, falls die entsprechende partielle Ableitung<br />
nicht verschwindet<br />
Gradient<br />
(f x , f y , f z ) t = (e y , xe y − z, −y) t<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 4-1
(i) f x > 0 =⇒ f = 0 für alle (x, y, z) nach x auflösbar:<br />
x = yze −y<br />
(ii) Auflösen nach z für y ≠ 0 möglich<br />
(iii) keine elementare Auflösbarkeit nach y, Satz über implizite Funktionen<br />
=⇒ Auflösbarkeit in einer Umgebung von (x ∗ , y ∗ , z ∗ ) falls<br />
f y (x ∗ , y ∗ , z ∗ ) = x ∗ e y∗ − z ∗ ≠ 0<br />
z.B. erfüllt für die Lösung (0, 0, 1) der Gleichung:<br />
f y (0, 0, 1) = −1<br />
<br />
∃ϕ : f (x, y, z) = 0 ⇔ y = ϕ(x, z) , (x, z) ≈ (0, 1)<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 4-2
ϕ nicht explizit angebbar; aber der Gradient bestimmbar:<br />
0 = f (x, ϕ(x, z), z) =⇒ 0 = f x + f y ϕ x , 0 = f z + f y ϕ z<br />
partielle Ableitungen im Punkt (x ∗ , y ∗ , z ∗ )<br />
ϕ x (0, 1) = −f x(0, 0, 1)<br />
f y (0, 0, 1) = 1 −1 = −1<br />
ϕ z (0, 1) = −f z(0, 0, 1)<br />
f y (0, 0, 1) = 0 −1 = 0<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 4-3
Beispiel:<br />
algebraische Kurve, definiert durch ein bivariates Polynom p<br />
C : p(x, y) = 0<br />
grad p ≠ 0 =⇒<br />
C lokal entweder als Funktion von x oder y darstellbar<br />
grad p = 0 =⇒<br />
Singularität möglich<br />
0.5<br />
y<br />
1<br />
x<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-1
Lemniskate<br />
C : p(x, y) = y 2 − x 2 + x 4 = 0<br />
Doppelpunkt bei (0, 0), keine eindeutige Auflösbarkeit nach x oder y<br />
(i) Tangente senkrecht zur x-Achse bei (±1, 0) <br />
nur lokale Auflösung nach x möglich:<br />
√<br />
√<br />
1 1<br />
x = σ<br />
2 + 4 − y 2<br />
(ii) Tangente waagrecht bei ±(1/ √ 2, 1/2) <br />
y als Funktion von x darstellbar (nicht umgekehrt):<br />
y = ± √ x 2 − x 4<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-2
(iii) andere Punkte (x 0 , y 0 ): Auflösbarkeit sowohl nach x oder y<br />
bei Auflösung nach y<br />
und<br />
dy<br />
dx = −p−1 y p x = 4x 3 − 2x<br />
2y<br />
y − y 0 = 4x 3 0 − 2x 0<br />
2y 0<br />
(x − x 0 )<br />
ist die Gleichung der Tangente im Punkt (x 0 , y 0 )<br />
<strong>Analysis</strong> 2 – Differentiation Ableitungsregeln 5-3
Multivariate Taylor-Approximation<br />
Eine in einer Umgebung eines Punktes mit Koordinaten a = (a 1 , . . . , a m )<br />
skalare (n + 1)-mal stetig differenzierbare Funktion f von m<br />
Veränderlichen x i kann durch ein Taylor-Polynom vom totalen Grad n<br />
approximiert werden:<br />
f (x) = ∑<br />
|α|≤n<br />
mit α! = α 1 ! · · · α m ! .<br />
Das Restglied hat die Form<br />
R =<br />
für ein θ ∈ [0, 1] .<br />
∑<br />
|α|=n+1<br />
1<br />
α! ∂α f (a)(x − a) α + R , |x − a| < r ,<br />
1<br />
α! ∂α f (u)(x − a) α , u = a + θ(x − a) ,<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 1-1
Beweis:<br />
Zurückführung auf den univariaten Fall (o.B.d.A. a = 0):<br />
setze<br />
f (x 1 , ..., x m ) = f (tx 1 , ..., tx m )| t=1 = g(t)| t=1<br />
Taylor-Entwicklung der univariaten Funktion g(t) im Nullpunkt<br />
g(t) = g(0) + g ′ (0) t + · · · + 1 n! g (n) (0)t n + R<br />
mit<br />
R =<br />
1<br />
(n + 1)! g (n+1) (θt)t n+1 , θ ∈ [0, 1]<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 2-1
Kettenregel ⇒<br />
g(0) =<br />
∑<br />
f (0)<br />
g ′ (0) = (∂ j f (0))x j<br />
g ′′ (0) = ∑ i<br />
.<br />
j<br />
∑<br />
(∂ i ∂ j f (0))x i x j<br />
j<br />
m k Terme bei k-ter Ableitung<br />
Zusammenfassen gleicher partieller Ableitungen <br />
Koeffizienten der Entwicklung<br />
z.B. für m = 2, k = 5, Zusammenfassung von<br />
∂ 1 ∂ 1 ∂ 1 ∂ 2 ∂ 2 , ∂ 1 ∂ 2 ∂ 1 ∂ 2 ∂ 1 , ∂ 1 ∂ 2 ∂ 2 ∂ 1 ∂ 1 , ...<br />
∂ α , α = (3, 2) ( 5<br />
3)<br />
= 5!/(3! 2!) Terme<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 2-2
allgemein<br />
( ) ( ) ( )<br />
k k − α1 k − α1 − . . . − α m−1<br />
· · · ·<br />
= k!/(α 1 ! . . . α m !)<br />
α 1 α 2 α m<br />
Terme, wenn nach der ν-ten Komponente jeweils α ν -mal abgeleitet wird<br />
Einsetzen der Ableitungen der Funktion g(t) , Kürzen des Faktors k! <br />
Entwicklung von f<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 2-3
Beispiel:<br />
Taylor-Entwicklung einer Funktion von zwei Variablen:<br />
f (x, y) = f + f x (x − x 0 ) + f y (y − y 0 )<br />
+ f xx<br />
2 (x − x 0) 2 + f xy (x − x 0 ) (y − y 0 ) + f yy<br />
2 (y − y 0) 2<br />
+ f xxx<br />
6 (x − x 0) 3 + f xxy<br />
2 (x − x 0) 2 (y − y 0 )<br />
+ f xyy<br />
2 (x − x 0) (y − y 0 ) 2 + f yyy<br />
6 (y − y 0) 3 + R ,<br />
wobei f und sämtliche partielle Ableitungen im Punkt (x 0 , y 0 ) ausgewertet<br />
werden<br />
Entwickeln von<br />
im Punkt (x 0 , y 0 ) = (0, 0)<br />
f (x, y) = sin(x − ωy)<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-1
wegen<br />
∂ α x ∂ β y f (0, 0) = sin (α+β) (0) (−ω) β<br />
Approximation<br />
mit<br />
sin(x − ωy) = x − ωy − 1 6 (x 3 − 3ωx 2 y + 3ω 2 xy 2 − ω 3 y 3 ) +R<br />
} {{ }<br />
(x−ωy) 3<br />
für ein θ ∈ [0, 1]<br />
R = 1 4! (f x 4 + 4f x 3 y + 6f x 2 y 2 + 4f xy 3 + f y 4)(θ(x, y))<br />
= 1 4! (x − ωy)4 sin(θ(x − ωy))<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-2
Alternative Berechnung des Taylor-Polynoms: durch Einsetzen von<br />
t = x − ωy in die eindimensionale Reihendarstellung der Sinusfunktion:<br />
t = x − ωy <br />
sin(t) = t − t3<br />
3! + t5<br />
5! − ... .<br />
f (x, y) = (x − ωy) − 1 3! (x − ωy)3 + 1 cos(θ)(x − ωy)5<br />
5!<br />
(univariates Restglied)<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-3
Beispiel:<br />
Entwicklung des Polynoms<br />
f (x, y, z) = z 2 − xy<br />
an der Stelle (0, −2, 1)<br />
von Null verschiedene Ableitungen<br />
f x = −y , f y = −x , f z = 2z , f xy = −1 , f zz = 2<br />
Auswerten am Entwicklungspunkt Taylor-Darstellung<br />
1 + 2x + (−0)(y + 2) + 2(z − 1) + (−1)x(y + 2) + 1 2 2(z − 1)2 = z 2 − xy<br />
alternativ: Entwicklung durch Umformung<br />
substituiere<br />
y + 2 = η , z − 1 = ζ<br />
<br />
f (x, y, z) = (ζ + 1) 2 − x(η − 2) = ζ 2 + 2ζ + 1 − xη + 2x<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 4-1
Hesse-Matrix<br />
Die quadratische Taylor-Approximation einer skalaren Funktion f in einem<br />
Punkt mit Koordinaten a = (a 1 , . . . , a n ) lässt sich in der Form<br />
f (x 1 , . . . , x n ) = f (a) + (grad f (a)) t (x − a)<br />
+ 1 2 (x − a)t H f (a)(x − a) + O(|(x − a)| 3 )<br />
schreiben, wobei die symmetrische Hesse-Matrix<br />
⎛<br />
⎞<br />
∂ 1 ∂ 1 f (a) · · · ∂ 1 ∂ n f (a)<br />
⎜<br />
⎟<br />
H f (a) = ⎝ .<br />
. ⎠<br />
∂ n ∂ 1 f (a) · · · ∂ n ∂ n f (a)<br />
die zweiten Ableitungen enthält.<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 1-1
Beweis:<br />
Umschreiben der quadratischen Terme der Taylor-Entwicklung (n = 2) <br />
f (x, y) = f + f x (x − x 0 ) + f y (y − y 0 )<br />
+ 1 2! (f xx (x − x 0 ) 2 + 2f xy (x − x 0 ) (y − y 0 ) + f yy (y − y 0 ) 2 ) + R<br />
= f + f x (x − x 0 ) + f y (y − y 0 )<br />
+ 1 ( ) (<br />
2! ((x − x fxx f<br />
0) , (y − y 0 ))<br />
xy (x − x0 )<br />
f xy f yy (y − y 0 )<br />
wobei f und sämtliche partiellen Ableitungen im Punkt (x 0 , y 0 )<br />
ausgewertet werden<br />
)<br />
+ R ,<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 2-1
Restglied<br />
mit<br />
für ein θ ∈ [0, 1]<br />
Abschätzung<br />
R = ∑<br />
|α|=3<br />
1<br />
α! ∂α f (u, v) (x − x 0 ) α 1<br />
(y − y 0 ) α 2<br />
(u, v) = (1 − θ)(x 0 , y 0 ) + θ(x, y)<br />
R = O(|(x − x 0 , y − y 0 )| 3 )<br />
Beweis im allgemeinen Fall (n ≥ 2) analog<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 2-2
Beispiel:<br />
f (x, y) = ln(x + 1/y)<br />
partielle Ableitungen<br />
1<br />
f x =<br />
x + 1/y , f y = − 1<br />
xy 2 + y ,<br />
1<br />
f xx = −<br />
(x + 1/y) 2 , f 1<br />
xy =<br />
(xy + 1) 2 , f yy = 2xy + 1<br />
(xy 2 + y) 2<br />
Gradient und Hesse-Matrix im Punkt (0, 1):<br />
( )<br />
( )<br />
1 −1 1<br />
grad f (0, 1) = , H f (0, 1) =<br />
−1<br />
1 1<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-1
die quadratische Taylor-Entwicklung<br />
( ) x<br />
f (x, y) = (1, −1)<br />
y − 1<br />
+ 1 ( ) ( −1 1 x<br />
2 (x, y − 1) 1 1 y − 1<br />
)<br />
+ O(|(x, y)| 3 )<br />
= x − y + 1 + 1 2<br />
(<br />
−x 2 + 2x(y − 1) + (y − 1) 2) + O(|(x, y − 1)| 3 )<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-2
Beispiel:<br />
quadratische Taylor-Entwicklung von<br />
im Punkt (1, 1, 1)<br />
partielle Ableitungen<br />
f (x, y, z) = (xy) z<br />
f x = yz(xy) z−1 , f z = ln(xy)(xy) z ,<br />
f xx = y 2 z(z − 1)(xy) z−2 , f zz = (ln(xy)) 2 (xy) z ,<br />
f xy = z(xy) z−1 + xyz(z − 1)(xy) z−2 , f xz = y(xy) z−1 + yz ln(xy)(xy) z−1<br />
(f y , f yy und f yz durch Vertauschen der Variablen)<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 4-1
Gradient und Hesse-Matrix:<br />
⎛<br />
grad f (1, 1, 1) = ⎝<br />
1<br />
1<br />
0<br />
⎞<br />
⎛<br />
⎠ , H f (1, 1, 1) = ⎝<br />
quadratische Taylor-Entwicklung<br />
⎛ ⎞<br />
x − 1<br />
f (x, y, z) = 1 + (1, 1, 0) ⎝ y − 1 ⎠<br />
z − 1<br />
⎛<br />
+ 1 2 (x − 1, y − 1, z − 1) ⎝<br />
+ O(|(x, y, z)| 3 )<br />
0 1 1<br />
1 0 1<br />
1 1 0<br />
0 1 1<br />
1 0 1<br />
1 1 0<br />
⎞ ⎛<br />
⎠ ⎝<br />
= 1 + (x − 1) + (y − 1) + (x − 1)(y − 1)<br />
+(x − 1)(z − 1) + (y − 1)(z − 1)<br />
+ O(|(x − 1, y − 1, z − 1)| 3 )<br />
⎞<br />
⎠<br />
x − 1<br />
y − 1<br />
z − 1<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 4-2
Multivariates Newton-Verfahren<br />
Die Lösung x ∗ ∈ R n eines nichtlinearen Gleichungssystems<br />
kann mit der durch<br />
f 1 (x ∗ ) = · · · = f n (x ∗ ) = 0<br />
x neu = x alt − ∆x, f ′ (x alt )∆x = f (x alt )<br />
definierten Newton-Iteration bestimmt werden.<br />
Ist f zweimal stetig partiell differenzierbar und die Jacobi-Matrix f ′ (x ∗ )<br />
invertierbar, so konvergiert das Verfahren quadratisch<br />
|x neu − x ∗ | ≤ c |x alt − x ∗ | 2<br />
für Starwerte in einer Umgebung U von x ∗ . Insbesondere ist det f ′ (x) ≠ 0<br />
für x ∈ U, so dass das lineare Gleichungssystem für ∆x eindeutig lösbar ist.<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 1-1
Beweis:<br />
lineare Approximation von f =⇒<br />
0 = f (x ∗ ) = f (x alt ) + f ′ (x alt )(x ∗ − x alt ) + R, R = O(|x ∗ − x alt | 2 )<br />
Auflösen nach x ∗ und Vernachlässigen des Restglieds <br />
eine verbesserte Näherung x neu ≈ x ∗<br />
x neu = x alt − f ′ (x alt ) −1 f (x alt )<br />
Auflösen der ersten Gleichung nach f (x alt ) =⇒<br />
f (x alt ) = −f ′ (x alt )(x ∗ − x alt ) − R,<br />
und nach Einsetzen in die Iterationsvorschrift<br />
x neu = x ∗ + f ′ (x alt ) −1 R<br />
stetige Differenzierbarkeit =⇒<br />
| (f ′ (x)) −1 | in einer Umgebung U von x ∗ beschränkt und<br />
|x neu − x ∗ | = ∣ ∣ f ′ (x alt ) −1 R ∣ ∣ ≤ c |x alt − x ∗ | 2<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 2-1
Beispiel:<br />
ÈËÖÖÔÐÑÒØ×<br />
vereinfachte Robotersteuerung<br />
¬ <br />
¼«<br />
È<br />
Roboterarm mit drei Drehgelenken<br />
Position P und die Orientierung ϑ des Endeffektors als nichtlineare<br />
Funktion q der Gelenkwinkel α, β, γ<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-1
q 1 (α, β, γ) = a cos(α) + b cos(α + β − π) + c cos(α + β + γ − 2π)<br />
q 2 (α, β, γ) = a sin(α) + b sin(α + β − π) + c sin(α + β + γ − 2π)<br />
q 3 (α, β, γ) = α + β + γ − 2π.<br />
a = 3, b = 2, c = 1 und Substitution von<br />
β ′ = α + β,<br />
ϑ = q 3 = α + β + γ − 2π<br />
nichtlineares System<br />
0 = f 1 (α, β ′ ) = p 1 − 3 cos α + 2 cos β ′ − cos ϑ<br />
0 = f 2 (α, β ′ ) = p 2 − 3 sin α + 2 sin β ′ − sin ϑ<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-2
Ruhelage des Roboterarms: ˜p = (2, 2) t , ˜ϑ = −π/2<br />
←→ Lösung α 0 = π/2, β 0 ′ = π mit Jacobi-Matrix<br />
[<br />
f ′ (α 0 , β 0) ′ 3 sin α0 −2 sin β<br />
=<br />
0<br />
′ ]<br />
−3 cos α 0 2 cos β 0<br />
′ =<br />
[ 3 0<br />
0 −2<br />
erster Schritt des Newton-Verfahrens zur Erreichung der benachbarten<br />
Position p = (2, 3) t , ϑ = −π/4<br />
[ ] [ ] [ √ ]<br />
3 0 ∆α − 2/2<br />
0 −2 ∆β ′ = √<br />
2/2<br />
]<br />
=⇒ ∆α = − √ 2/6 , ∆β ′ = − √ 2/4 und<br />
( ) ( )<br />
α1 α0<br />
= −<br />
β 0<br />
β ′ 1<br />
( ∆α<br />
∆β ′ )<br />
=<br />
( π/2 +<br />
√<br />
2/6<br />
π + √ 2/4<br />
)<br />
Fehler zur Position p<br />
f (α 1 , β ′ 1) ≈ (0.1172, 0.0976)<br />
<strong>Analysis</strong> 2 – Differentiation Taylor-Entwicklung 3-3
Kritischer Punkt<br />
Für eine skalare Funktion f bezeichnet man x als kritischen Punkt, wenn<br />
grad f (x) = 0 . Ist f zweimal stetig differenzierbar, so wird der Typ des<br />
kritischen Punktes, d.h. die Form des Funktionsgraphen in einer<br />
Umgebung von x, durch die Vorzeichen der Eigenwerte λ i der<br />
Hesse-Matrix H f (x) bestimmt:<br />
Flachpunkt: Alle Eigenwerte λ i sind Null.<br />
elliptischer Punkt: Alle Eigenwerte λ i sind ungleich Null und haben<br />
das gleiche Vorzeichen. Die Funktion f hat in diesem Fall ein lokales<br />
Extremum bei x.<br />
hyperbolischer Punkt: Es gibt Eigenwerte λ i mit verschiedenem<br />
Vorzeichen. Man bezeichnet x auch als Sattelpunkt.<br />
parabolischer Punkt: Mindestens ein Eigenwert λ i ist Null, und alle<br />
anderen Eigenwerte haben das gleiche Vorzeichen.<br />
Motivation der Bezeichnungen: Form der Höhenlinien im bivariaten Fall:<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-1
elliptischer Punkt hyperbolischer Punkt parabolischer Punkt<br />
Bei Funktionen in zwei Veränderlichen kann der Typ anhand der<br />
Determinante der Hesse-Matrix klassifiziert werden. Ist det(H f ) > 0<br />
(< 0), so handelt es sich um ein Extremum (einen Sattelpunkt).<br />
Für ein Minimum bzw. ein Maximum ist Spur(H f ) > 0 bzw. < 0 .<br />
Verschwindet die Determinante und ist die Hesse-Matrix nicht Null, so ist<br />
der Punkt parabolisch.<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-2
Beispiel:<br />
kritische Punkte der Funktion<br />
f (x, y) = y(1 − x 2 − y 2 )<br />
Gradient und Hesse-Matrix<br />
(<br />
)<br />
( )<br />
−2xy<br />
−2y −2x<br />
grad f =<br />
1 − x 2 − 3y 2 , H f =<br />
−2x −6y<br />
grad f = 0 ⇔<br />
kritische Punkte<br />
xy = 0 ∧ x 2 = 1 − 3y 2<br />
(<br />
0, ±1/ √ )<br />
3 , (±1, 0)<br />
entsprechende Hesse-Matrizen<br />
( √ )<br />
∓2/ 3 0<br />
0 ∓6/ √ ,<br />
3<br />
( 0<br />
) ∓2<br />
∓2 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-1
Punkt (x, y) = ( 0, ±1/ √ 3 ) :<br />
det(H f ) > 0 und Spur(H f ) = ∓8/ √ 3<br />
=⇒ Minimum bei (0, −1/ √ 3) und Maximum bei (0, 1/ √ 3)<br />
Punkt (x, y) = (±1, 0)<br />
Sattelpunkte<br />
det(H f ) = −4 < 0<br />
alternativ:<br />
Typbestimmung anhand der Nullstellenmenge und der sich daraus<br />
ergebenden Vorzeichenverteilung von f<br />
f (x, y) = 0 ⇐⇒ y = 0 ∨ x 2 + y 2 = 1<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-2
(0, 1/ √ 3)<br />
(−1, 0)<br />
(1, 0)<br />
(0, −1/ √ 3)<br />
Sattelpunkte an Schnittpunkten mit Vorzeichenwechsel<br />
lokale Extrema in von der Nullstellenmenge eingeschlossenen beschränkten<br />
Bereichen<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-3
Beispiel:<br />
f (x, y) = (y − x + x 2 )y<br />
Gradient<br />
grad f =<br />
( )<br />
(−1 + 2x)y<br />
2y − x + x 2<br />
kritische Punkte (0, 0), (1, 0), (1/2, 1/8)<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-1
(i) Typbestimmung anhand der Vorzeichenverteilung von f :<br />
+<br />
− (1/2, 1/8)<br />
(0, 0) (1, 0)<br />
−<br />
−<br />
+<br />
Sattelpunkte an Schnittpunkten, denn in jeder Umgebung existieren<br />
sowohl positive als auch negative Werte<br />
lokales Minimum im grauen Bereich<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-2
(ii) Typbestimmung mit Hilfe der Hesse-Matrix:<br />
( 2y 2x − 1<br />
H f =<br />
2x − 1 2<br />
)<br />
Einsetzen der kritischen Punkte <br />
H f (0, 0) =<br />
H f (1, 0) =<br />
H f (1/2, 1/8) =<br />
( ) 0 −1<br />
−1 2<br />
( ) 0 1<br />
1 2<br />
( ) 1/4 0<br />
0 2<br />
Sattelpunkte bei (0, 0) und (1, 0) , da det(Hf ) < 0<br />
lokales Minumum bei (1/2, 1/8), da det(Hf ) > 0 und Spur(Hf ) > 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-3
Extrema multivariater Funktionen<br />
Ist f (x ∗ ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren<br />
Funktion f auf einer Umgebung von x ∗ , so gilt<br />
grad f (x ∗ ) = 0 .<br />
Eine hinreichende Bedingung ist, dass zusätzlich alle Eigenwerte der<br />
Hesse-Matrix im kritischen Punkt x ∗ positiv (negativ) sind.<br />
Gibt es Eigenwerte mit verschiedenen Vorzeichen, so handelt es sich um<br />
einen Sattelpunkt, also kein lokales Extremum. Ist mindestens ein<br />
Eigenwert Null bei gleichen Vorzeichen der von Null verschiedenen<br />
Eigenwerte, so kann der Typ des kritischen Punktes x ∗ anhand der zweiten<br />
Ableitungen nicht klassifiziert werden.<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-1
Lokale Minima (Maxima) können auch an Randpunkten des<br />
Definitionsbereichs D auftreten. In diesen Fall muss die Richtungsableitung<br />
∂ v f (x ∗ ) für jede ins Innere von D zeigende Richtung v positiv (negativ)<br />
sein.<br />
Eine globale Extremstelle einer skalaren Funktion f auf einer Menge D ist<br />
entweder ein kritischer Punkt (d.h. grad f = 0), ein Randpunkt, oder eine<br />
Unstetigkeitsstelle einer partiellen Ableitung. Die globalen Minima und<br />
Maxima lassen sich also durch Vergleich der Funktionswerte an diesen<br />
Punkten ermitteln.<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-2
Die Abbildung illustriert die verschiedenen Möglichkeiten. Dabei sind lokale<br />
Extrema durch Kreise und globale Extrema durch Punkte gekennzeichnet.<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-3
Beweis:<br />
(i)<br />
betrachte f entlang von Geraden<br />
g(t) = f (x ∗ + tv), t ∈ R ,<br />
für eine beliebige Richtung v<br />
x ∗ eine lokale Extremstelle von f =⇒<br />
t = 0 Extremstelle von g und folglich<br />
v beliebig =⇒ grad f (x ∗ ) = 0<br />
0 = g ′ (0) = (grad f (x ∗ )) t v = ∂ v f (x ∗ )<br />
(ii)<br />
x ∗ ∈ ∂D =⇒ vg ′ (0) ≥ 0 für ins Innere von D zeigende Vektoren v<br />
(g monoton wachsend auf [0, t] für kleines t)<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-1
(iii)<br />
Eigenwerte von H f (x ∗ ) > 0 =⇒<br />
v t H f (x ∗ )v c > 0, |v| = 1<br />
Stetigkeit der zweiten Ableitungen ⇒<br />
Ungleichung mit einer Konstanten c/2 in einer Umgebung U von x ∗<br />
Taylor-Entwicklung <br />
mit θ ∈ [0, 1]<br />
g(t) = g(0) + g ′ (0)t + 1 } {{ } 2 g ′′ (θt)t 2<br />
=0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-2
Kettenregel =⇒<br />
g ′′ (θt) = v t H f (x ∗ + θtv)v t<br />
lokales Minimum von f bei x ∗ in jeder Richtung v, denn<br />
g(t) g(0) + (c/2)t 2 , t ≈ 0<br />
(iv) analoge Herleitung der hinreichenden Bedingung für ein Maximum<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-3
Beispiel:<br />
quadratische Funktion<br />
f (x) = 1 2 x t Ax − x t b + c,<br />
A = A t<br />
Gradient und Hesse-Matrix<br />
grad f = Ax − b,<br />
H f = A<br />
lokale Extremstellen: Lösungen von Ax = b<br />
Eigenwerte von A ausschließlich positiv oder negativ =⇒<br />
det A ≠ 0 und Ax = b eindeutig lösbar<br />
genau ein lokales und damit ebenfalls globales Extremum von f<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-1
z.B.:<br />
f (x, y) = 3 2 x 2 + 2xy + 3 2 y 2 + x + 4y − 3, A =<br />
grad f = (0, 0) <br />
( 3 2<br />
2 3<br />
mit Lösung (x, y) = (1, −2)<br />
) ( x<br />
y<br />
)<br />
=<br />
( −1<br />
−4<br />
( ) 3 2<br />
, b =<br />
2 3<br />
det A = 5 und Spur A = 6 positiv =⇒<br />
Eigenwerte von A positiv und (x, y) ist globales Minimum von f<br />
)<br />
( ) −1<br />
−4<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-2
Beispiel:<br />
Bestimmung der globalen Extrema der Funktion<br />
f (x, y) = cos x + cos y + cos(x + y)<br />
f 2π-periodisch bezüglich x und y und f (y, x) = f (x, y) = f (−x, −y) ⇒<br />
nur Bereich (−π, π] × [0, π] zu untersuchen<br />
keine Randpunkte und Unstetigkeitstellen von partiellen Ableitungen <br />
nur kritische Punkte relevant<br />
( ) ( − sin x − sin(x + y) 0<br />
grad f =<br />
=<br />
− sin y − sin(x + y) 0)<br />
=⇒<br />
sin x = − sin(x + y) = sin y ,<br />
also für y ∈ [0, π] insbesondere x = y oder y = π − x<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-1
etrachte alle möglichen Fälle:<br />
(i) x = y:<br />
sin x = − sin(2x) = −2 sin x cos x<br />
kritische Punkte (0, 0), (π, π) und ( 2π<br />
3 , 2π )<br />
3 im betrachteten Bereich<br />
(ii) y = π − x:<br />
kritische Punkte (0, π) und (π, 0)<br />
sin(x) = − sin(π) = 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-2
π<br />
π/2<br />
−1<br />
4<br />
2<br />
0<br />
2<br />
0<br />
−π/2<br />
1<br />
−1<br />
0<br />
−π<br />
−π −π/2 0 π/2 π<br />
−2<br />
π<br />
0<br />
−π<br />
π<br />
0<br />
−π<br />
Vergleich der Funktionswerte ⇒<br />
globales Maximum mit Wert f (0, 0) = 3 bei (0, 0)<br />
globales Minimum mit Wert f ( 2π<br />
3 , 2π )<br />
3 = −<br />
3<br />
2 bei ( 2π<br />
3 , 2π )<br />
3<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-3
Typbestimmung der anderen kritischen Punkte mit Hilfe der Hesse Matrix<br />
( )<br />
− cos x − cos(x + y) − cos(x + y)<br />
H f =<br />
− cos(x + y) − cos y − cos(x + y)<br />
Punkt (π, π):<br />
=⇒ Sattelpunkt<br />
H f =<br />
( 0 −1<br />
−1 0<br />
)<br />
, det H f < 0<br />
Punkte (π, 0) und (0, π) (symmetrische Lage)<br />
( )<br />
( 2 1<br />
0 1<br />
H f = , H f =<br />
1 0<br />
1 2<br />
=⇒ Sattelpunkte<br />
)<br />
, det H f < 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-4
globale Maxima (2kπ, 2lπ) k, l ∈ Z,<br />
globale Minima ( 2π<br />
( 3 + 2kπ, 2π 3 + 2lπ) bzw.<br />
−<br />
2π<br />
3 + 2kπ, − 2π 3 + 2lπ) , k, l ∈ Z<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-5
Beispiel:<br />
Steiners Problem:<br />
Bestimme den Punkt Q ∈ R 2 , so dass die Summe der Abstände zu<br />
vorgegebenen Punkten P i minimal wird.<br />
Spezialfall dreier Punkte P 1 , P 2 , P 3 <br />
Q Randpunkt des Dreiecks [P 1 , P 2 , P 3 ] oder ∢(P i , Q, P j ) = 2π/3 ∀i, j<br />
P 1<br />
P 2<br />
P 3<br />
Q<br />
2π<br />
3<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-1
zeige Charakterisierung für einen inneren Punkt:<br />
d i Abstand zwischen Q = (x, y) und P i = (x i , y i ), d.h.<br />
d 2<br />
i = (x − x i ) 2 + (y − y i ) 2<br />
Kettenregel =⇒<br />
bzw.<br />
2d i<br />
∂d i<br />
∂x = 2 (x − x i)<br />
∂d i<br />
∂x = x − x i<br />
d i<br />
und entsprechend ∂d i<br />
∂y = y − y i<br />
d i<br />
<br />
grad d i = 1 ( ) x − xi<br />
d i y − y i<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-2
Minimum<br />
bei innerem Punkt Q ⇒<br />
f = d 1 + d 2 + d 3<br />
( ) 0<br />
grad f (Q) = ,<br />
0<br />
da f stetig differenzierbar in Umgebung von Q<br />
| grad d i | = 1 =⇒<br />
Gradienten bilden gleichseitiges Dreieck (Vektorsumme null)<br />
Winkel 2π/3 zwischen den Gradientenrichtungen<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-3
Lagrange-Multiplikatoren<br />
Ist x ∗ eine lokale Extremstelle der skalaren Funktion f unter den<br />
Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i ,<br />
so dass<br />
f ′ (x ∗ ) = λ t g ′ (x ∗ ) .<br />
Dabei wird vorausgesetzt, dass f und g in einer Umgebung von x ∗ stetig<br />
differenzierbar sind und dass die Jacobi-Matrix g ′ (x ∗ ) vollen Rang hat.<br />
Bei nur einer Nebenbedingung hat die Lagrange-Bedingung die einfache<br />
Form<br />
grad f (x ∗ ) ‖ grad g(x ∗ ) ,<br />
falls grad g(x ∗ ) ≠ 0, d.h. die Niveauflächen von f und g berühren sich an<br />
einer Extremstelle.<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-1
Die Lagrange-Bedingung ist nicht hinreichend, um zu entscheiden, ob ein<br />
lokales Extremum vorliegt und ob es sich um ein Minimum oder ein<br />
Maximum handelt. Dies lässt sich nur mit Hilfe weiterer Informationen<br />
feststellen.<br />
Die globalen Extrema erhält man durch den Vergleich der Funktionswerte<br />
an den Punkten, welche die Lagrange-Bedingung erfüllen, sowie<br />
gegebenenfalls den Randpunkten der zulässigen Menge oder Punkten mit<br />
einem Rangverlust von g ′ .<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-2
Beweis:<br />
n: Anzahl der Variablen, m: Anzahl der Nebenbedingungen<br />
m ≥ n ̌:<br />
n-Vektor grad f ist als Linearkombination von n linear unabhängigen Zeilen<br />
von g ′ darstellbar<br />
m < n:<br />
Partition der Variablen, x = (u, v) ∈ R m × R n−m , wobei nach eventueller<br />
Permutation die Invertierbarkeit von g u (u ∗ , v ∗ ) vorausgesetzt wird<br />
Satz über implizite Funktionen =⇒<br />
lokale Aufösbarkeit der Nebenbedingungen<br />
g(u, v) = 0 ⇐⇒ u = ϕ(v),<br />
v ≈ v ∗<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-1
Gradient von v ↦→ f (ϕ(v), v) Null an einem Extremum, d.h.<br />
f u (u ∗ , v ∗ )ϕ ′ (v ∗ ) + f v (u ∗ , v ∗ ) = 0<br />
Differenzieren der Nebenbedingung g(ϕ(v), v) = 0 =⇒<br />
ϕ ′ (v) = −g u (u, v) −1 g v (u, v)<br />
definiere λ = f u (u ∗ , v ∗ )g u (u ∗ , v ∗ ) −1 und setze Ausdruck für ϕ ′ in den<br />
Gradienten ein <br />
f u = λg u , f v = λg v<br />
(u- und v-Komponenten der Bedingung f ′ = λg ′ im Punkt (u ∗ , v ∗ ))<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-2
Beispiel:<br />
minimiere<br />
f (x, y) = y<br />
unter der Nebenbedinung<br />
g(x, y) = y 3 − x 2 = 0<br />
Minimum bei (0, 0)<br />
g = y 3 − x 2 = 0<br />
grad f<br />
(0, 0)<br />
y = 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-1
Lagrange-Bedingung (f x , f y ) = λ(g x , g y ) nicht erfüllt<br />
(0, 1) ≠ (0, 0) = λ(−2x ∗ , 3y 2 ∗ )<br />
Grund: kein maximaler Rang der Jacobi-Matrix g ′ (x ∗ , y ∗ ) = (0, 0)<br />
Lagrange-Bedingung in singulären Punkten nicht anwendbar<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-2
Beispiel:<br />
Lagrange Bedingung für Extremstellen (x ∗ , y ∗ ) einer bivariaten Funktion<br />
f (x, y) unter der Nebenbedingung g(x, y) = 0:<br />
d.h. grad g ist parallel zu grad f<br />
(f x , f y ) = λ(g x , g y ), grad g ≠ 0<br />
Niveaulinien von f im Punkt (x ∗ , y ∗ ) tangential zu der durch g definierten<br />
Kurve<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-1
2<br />
g = 0<br />
1<br />
(x ∗ , y ∗ )<br />
0<br />
−1<br />
f =const<br />
−2<br />
−2 −1 0 1 2<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-2
z.B.:<br />
f (x, y) = (x − 3)(y − 3) → min , g(x, y) = x 2 + y 2 − 2 = 0<br />
Langrange-Bedingung<br />
Elimination von λ <br />
(y − 3, x − 3) = λ(2x, 2y)<br />
y(y − 3) − x(x − 3) = 0 ⇐⇒ (y − x)(y + x − 3) = 0<br />
Berücksichtigung der Nebenbedingung x 2 + y 2 − 2 = 0 <br />
mögliche Extremstellen (1, 1) und (−1, −1)<br />
Existenz von Minimum und Maximum für eine stetige Funktion auf einer<br />
kompakten Menge =⇒<br />
f bei (1, 1) minimal und bei (−1, −1) maximal<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-3
Beispiel:<br />
Bestimmung der Extrema von<br />
unter den Nebenbedingungen (A)<br />
f (x, y, z) = x + 2y − z<br />
g 1 (x, y, z) = x 2 + y 2 − 8 = 0, g 2 (x, y, z) = x + z − 4 = 0<br />
(Ellipse: Schnitt eines Zylinders mit einer Ebene)<br />
Jacobi-Matrix der Nebenbedingungen<br />
( 2x 2y<br />
) 0<br />
1 0 1<br />
vollen Rang für (x, y) ≠ 0; auf zulässiger Menge erfüllt<br />
Lagrange-Bedingung für Extremstellen (x, y, z)<br />
( )<br />
2x 2y 0<br />
(1, 2, −1) = (λ 1 , λ 2 )<br />
1 0 1<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-1
zw.<br />
1 = 2λ 1 x + λ 2<br />
2 = 2λ 1 y<br />
−1 = λ 2<br />
Einsetzen von λ 1 = 1/y und λ 2 = −1 in die erste Gleichung =⇒ x = y<br />
Nebenbedingungen mögliche Extrema (2, 2, 2) und (−2, −2, 6)<br />
Existenz von Minimum und Maximum auf der Ellipse und Vergleich der<br />
Funktionswerte:<br />
f (−2, −2, 6) = −12 < 4 = f (2, 2, 2)<br />
=⇒ f bei (−2, −2, 6) minimal und bei (2, 2, 2) maximal<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-2
Beispiel:<br />
Gleichgewichtslage einer an zwei Punkten aufgehängten Kette mit 2n<br />
Kettengliedern der Länge 1<br />
r<br />
x 1<br />
x 2<br />
potentielle Energie unter Berücksichtigung der Symmetrie<br />
( x1<br />
) (<br />
f (x) = −2 − 2 x 1 + x ) (<br />
2<br />
− · · · − 2 x 1 + · · · + x n−1 + x )<br />
n<br />
2<br />
2<br />
2<br />
= −a 1 x 1 − · · · − a n x n<br />
mit a i = 2(n − i) + 1<br />
Länge der Kette<br />
g(x) = r/2 −<br />
n∑<br />
i=1<br />
√<br />
1 − x 2 i<br />
= 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 6-1
Optimierungsproblem<br />
f → min, g = 0<br />
Lagrange-Bedingungen<br />
a i = λ<br />
x i<br />
√<br />
1 − x 2 i<br />
Quadrieren und Auflösen nach x i =⇒<br />
x 2 i = a2 i<br />
a 2 i<br />
+ λ 2<br />
, i = 1, . . . , n<br />
Einsetzen in die Nebenbedingung <br />
√<br />
r<br />
n∑<br />
2 = λ 2<br />
ai 2 + λ 2<br />
i=1<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 6-2
√ . . . monotone Funktion von λ <br />
einfache numerische Lösung<br />
Bestimmung von x i aus den Nebenbedingungen<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 6-3
Kuhn-Tucker-Bedingung<br />
Ist x ∗ ein lokales Minimum einer skalaren Funktion f unter den<br />
Nebenbedingungen g i (x) ≥ 0 und sind die Gradienten der aktiven<br />
Gleichungen g i (x ∗ ) = 0, i ∈ I , linear unabhängig, dann existieren<br />
Lagrange-Multiplikatoren λ i ≥ 0, so dass<br />
grad f (x ∗ ) = ∑ i∈I<br />
λ i grad g i (x ∗ ) .<br />
Für ein lokales Maximum ist entsprechend λ i ≤ 0.<br />
Die Indexmenge I lässt sich auch implizit durch die Bedingungen<br />
λ t g(x ∗ ) = 0 , λ ≥ 0 ,<br />
festlegen. Ist g k (x ∗ ) > 0, so folgt λ k = 0, d.h. die nichttrivialen<br />
Multiplikatoren entsprechen den aktiven Nebenbedingungen.<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-1
grad f<br />
g i = 0<br />
grad g i<br />
Geometrisch bedeutet die Kuhn-Tucker Bedingung für ein Minimum, dass<br />
der Gradient der Zielfunktion f in dem durch die Gradienten der aktiven<br />
Nebenbedingungen aufgespannten Kegel (gestrichelt) liegt.<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 1-2
Beweis:<br />
inaktive Nebenbedingungen (g j (x ∗ ) > 0, j /∈ I ) irrelevant, da in Umgebung<br />
von x ∗ keine Einschränkung <br />
f ebenfalls auf der kleineren Menge, die durch die Gleichungsbedingungen<br />
g i (x) = 0 beschrieben wird, minimal<br />
Satz über Lagrange-Multiplikatoren =⇒ behauptete Identität mit λ i ∈ R<br />
zu zeigen: λ i ≥ 0<br />
Indirekter Beweis: Annahme λ k < 0 für ein k ∈ I<br />
lineare Unabhängigkeit der Gradienten =⇒<br />
∃v : (grad g k (x ∗ )) t v = 1, (grad g i (x ∗ )) t v = 0, i ∈ I \k<br />
(v in Tangentialebene der durch g i , i ≠ k, definierten Fläche S)<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-1
wähle t ↦→ x(t) ∈ S mit Anfangspunkt x(0) = x ∗ und Anfangsrichtung<br />
x ′ (0) = v <br />
g k (x(t)) = g k (x ∗ ) + ( (grad g k (x ∗ )) t v ) t + O(t 2 ) = 0 + t + O(t 2 ), t → 0<br />
also x(t) für hinreichend kleines t > 0 zulässig:<br />
g k (x(t)) ≥ 0,<br />
g i (x(t)) = 0, i ∈ I \ k<br />
Konstruktion von v und Identität für grad f =⇒<br />
d<br />
dt f (x(t)) |t=0 = (grad f (x ∗ )) t v = λ k (grad g k (x ∗ )) t v = λ k < 0<br />
Abnahme von f entlang der Kurve<br />
Widerspruch zur Minimalität von f (x ∗ )<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 2-2
Beispiel:<br />
Extrema der Funktion<br />
f (x, y) = y 2 − x<br />
auf der durch<br />
y − x 2 ≥ 0 , 2 − x 2 − y 2 ≥ 0<br />
definierten hellgrauen Menge D:<br />
2<br />
f = 9 4<br />
1<br />
0<br />
f = −3<br />
4 4/3<br />
−1 0 1<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-1
Kuhn-Tucker-Bedingung<br />
(−1, 2y) = λ(−2x, 1) + µ(−2x, −2y)<br />
λ(y − x 2 ) + µ(2 − x 2 − y 2 ) = 0<br />
mit Lagrange-Multiplikatoren λ und µ gleichen Vorzeichens<br />
Gradienten der aktiven Nebenbedingungen für alle zulässigen Punkte linear<br />
unabhängig (nicht Null und an den Schnittpunkten der Randkurven nicht<br />
parallel) Kuhn-Tucker-Bedingung für alle Extrema notwendig<br />
verschiedene Fälle je nach dem welche Nebenbedingungen aktiv sind:<br />
(i) λ = 0 , µ = 0 (keine Nebenbedingung aktiv):<br />
(−1, 2y) = (0, 0)<br />
nicht erfüllbar, keine Extrema von f im Inneren von D<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-2
(ii) λ = 0 , µ ≠ 0 (2 − x 2 − y 2 ≥ 0 aktiv):<br />
(−1, 2y) = µ(−2x, −2y)<br />
2 − x 2 − y 2 = 0<br />
=⇒ µ = −1 < 0 (y = 0 wegen (± √ 2, 0) /∈ D nicht möglich), x = −1/2<br />
und y = √ 7/2<br />
=⇒ Kuhn-Tucker-Bedingung für ein lokales Maximum erfüllt<br />
(iii) λ ≠ 0 , µ = 0 (y − x 2 ≥ 0 aktiv):<br />
=⇒<br />
(−1, 2y) = λ(−2x, 1)<br />
y − x 2 = 0<br />
λ = 2y = 2x 2 ≥ 0 , −1 = (2x 2 )(−2x) ⇔ x = 4 −1/3 und y = 4 −2/3<br />
Kuhn-Tucker-Bedingung für ein lokales Minimum ist erfüllt<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-3
(iv) λ ≠ 0 , µ ≠ 0 (y − x 2 ≥ 0 und 2 − x 2 − y 2 ≥ 0 aktiv):<br />
y = x 2 ∧ x 2 + y 2 = 2<br />
=⇒ (x, y) = (1, 1) oder (x, y) = (−1, 1)<br />
Einsetzen in die Gleichung für grad f <br />
bzw.<br />
(−1, 2) = λ(−2, 1) + µ(−2, −2) =⇒ λ = 1 , µ = − 1 2<br />
(−1, 2) = λ(2, 1) + µ(2, −2) =⇒ λ = 1/3 , µ = − 5 6<br />
keine Extremstellen wegen verschiedenen Vorzeichens der<br />
Lagrange-Multiplikatoren<br />
Existenz von Extrema auf kompakten Mengen =⇒<br />
Typbestimmung anhand des Vorzeichen der Langrange-Multiplikatoren<br />
möglich oder auch durch Vergleichen der Funktionswerte<br />
Maximum von f bei (−1/2, √ 7/2) und Minimum bei ( 4 −1/3 , 4 −2/3)<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 3-4
Beispiel:<br />
f (x) → min ,<br />
a i ≤ x i ≤ b i<br />
Kuhn-Tucker-Bedingung für ein lokales Minimum<br />
grad f (x ∗ ) = ∑ i<br />
(λ i − µ i ) e i<br />
λ i , µ i ≥ 0<br />
λ t (x ∗ − a) + µ t (b − x ∗ ) = 0<br />
mit e i dem i-ten Einheitsvektor<br />
±∞ als Intervallgrenzen zugelassen<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-1
(i) a i < x ∗,i < b i : Lagrange-Multiplikatoren λ i und µ i Null und damit auch<br />
die i-te Komponente g i von grad f (x ∗ )<br />
(ii) eine der Ungleichungen für x i aktiv entsprechender<br />
Lagrange-Multiplikator bestimmt Vorzeichen von g i :<br />
x ∗,i = a i → g i ≥ 0 ; x ∗,i = b i → g i ≤ 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-2
x 2<br />
a 1<br />
b 2<br />
b 1<br />
a 2<br />
x 1<br />
mögliche Richtungen von grad f (x ∗ ) für bivariate Zielfunktionen und<br />
Minima auf den Seiten und an den Ecken von [a 1 , b 1 ] × [a 2 , b 2 ]<br />
grad f (x ∗ ) = 0 für Minima im Inneren<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 4-3
Beispiel:<br />
Lineares Programm:<br />
Minimierung einer linearen Funktion<br />
unter linearen Nebenbedingungen<br />
mit einer m × n-Matrix A<br />
(c 1 , . . . , c n )x → min<br />
Ax ≥ b<br />
Kuhn-Tucker-Bedingungen für eine Lösung x ∗ ∈ R n<br />
c t = λ t A, λ t (Ax ∗ − b) = 0<br />
mit λ i ≥ 0 (entsprechend λ i ≤ 0 für ein Maximum)<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-1
z.B.<br />
ist<br />
x + y → min, x ≥ 2, y ≥ 1, x + 2y ≥ 8<br />
⎛ ⎞ ⎛ ⎞<br />
( 1 0<br />
2<br />
1<br />
c = , A = ⎝0 1⎠ , b = ⎝1⎠<br />
1)<br />
1 2<br />
8<br />
=⇒ Kuhn-Tucker-Bedingungen<br />
1 = λ 1 +λ 3 , 1 = λ 2 +2λ 3 , λ 1 [x −2]+λ 2 [y −1]+λ 3 [x +2y −8] = 0<br />
mit λ i , [. . . ] ≥ 0<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-2
Bedingungen =⇒ genau einer der Lagrange-Multiplikatoren gleich null,<br />
drei Fälle (jeweils zwei Nebenbedingungen aktiv)<br />
λ 1 = 0:<br />
=⇒ λ 3 = 1, λ 2 = −1<br />
kein Extremum, da verschiedenes Vorzeichen<br />
λ 2 = 0:<br />
=⇒ λ 3 = 1/2, λ 1 = 1/2<br />
aktive Nebenbedingungen (x, y) = (2, 3)<br />
Kuhn-Tucker-Bedingungen für ein Minimum erfüllt<br />
λ 3 = 0:<br />
aktive Nebenbedingungen (x, y) = (2, 1) (ausserhalb des zulässigen<br />
Bereichs)<br />
f auf zulässigem Bereich nach unten beschränkt =⇒<br />
globales Minimum bei (2, 3)<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-3
y<br />
5<br />
4<br />
3<br />
(2, 3)<br />
2<br />
1<br />
1 2 3 4 5 6 7 8<br />
x + y = c<br />
x<br />
geometrische Konstruktion der Lösung: Niveaulinie der Zielfunktion<br />
berührt den zulässigen Bereich in (2, 3)<br />
Zielfunktion steigt (fällt), wenn die Niveaugeraden den zugelassenen<br />
Bereich schneiden (nicht schneiden)<br />
<strong>Analysis</strong> 2 – Differentiation Extremwerte 5-4
Zwei- und dreidimensionale Simplizes werden als Dreiecke bzw. Tetraeder<br />
bezeichnet.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-1<br />
Simplex<br />
Ein n-dimensionaler Simplex S ist die konvexe Hülle von n + 1 Punkten<br />
p 0 , . . . , p n , die nicht alle in einem (n − 1)-dimensionalem Unterraum<br />
liegen:<br />
S = {x = ∑ α j p j : ∑ α j = 1, α j ≥ 0}<br />
j<br />
j<br />
p 2<br />
p 3<br />
p 2<br />
p 1<br />
p 0<br />
p 0<br />
p 1<br />
n=2 n=3
Das Volumen eines Simplex lässt sich mit Hilfe der Determinate der<br />
Vektoren p i − p 0 , i = 1, . . . , n ausdrücken:<br />
vol S = 1 n! | det(p 1 − p 0 , . . . , p n − p 0 )| .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-2
Parallelepiped<br />
Ein n-dimensionales Parallelepiped P wird von n linear unabhängigen<br />
Vektoren a i aufgespannt:<br />
P = {x = ∑ α i a i : 0 ≤ α i ≤ 1} .<br />
i<br />
ÑÒØ× ¾ ÈËÖÖÔÐÑÒØ×<br />
½<br />
¿ ¾½<br />
n=2 n=3<br />
Zwei- und dreidimensionale Parallelepipeds werden als Parallelogramme<br />
bzw. Spat bezeichnet.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-1
Das Volumen eines Parallelepipeds ist der Betrag der Determinante der<br />
aufspannenden Vektoren:<br />
vol P = | det(a 1 , . . . , a n )| .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-2
Integrationsbereich<br />
Ein Elementarbereich V ⊆ R n wird nach einer geeigneten orthogonalen<br />
Koordinatentransformation x → x ′ durch Graphen stetiger Funktionen a i<br />
und b i begrenzt:<br />
a 1 ≤ x ′ 1 ≤ b 1<br />
a 2 (x ′ 1 ) ≤ x ′ 2 ≤ b 2(x ′ 1 )<br />
.<br />
a n (x ′ 1 , . . . , x ′ n−1 ) ≤ x ′ n ≤ b n (x ′ 1 , . . . , x ′ n−1 )<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-1
y<br />
z<br />
b 2 (x)<br />
b 3 (x, y)<br />
a 2 (x)<br />
x<br />
a 1 b1<br />
x<br />
a 2 (x)<br />
b 2 (x)<br />
a 3 (x, y)<br />
y<br />
Eine bis auf Randkurven bzw. -flächen disjunkte endliche Vereinigung von<br />
Elementarbereichen wird als regulärer Bereich bezeichnet. Ein Spezialfall<br />
ist ein aus Simplizes bestehender polygonaler Bereich.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-2
Mehrdimensionales Integral<br />
Das Integral einer stetigen Funktion f auf einem regulären Bereich<br />
V ⊆ R n kann als Grenzwert von Riemann-Summen definiert werden:<br />
∫<br />
V<br />
f dV =<br />
lim<br />
|∆|→0<br />
∑<br />
f (P i )∆V i , ∆V i = vol(V i ) .<br />
i<br />
Dabei wird V durch Vereinigungen V ∆ disjunkter Elementarbereiche V i<br />
(im Allgemeinen Simplizes oder Parallelepipede) approximiert, d.h. die<br />
Volumina der Differenzmengen V \V ∆ und V ∆ \V streben gegen Null. Mit<br />
|∆| wird der maximale Durchmesser der V i bezeichnet, P i sind beliebige<br />
Punkte in V i .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-1
Die Schreibweise ∆V i → dV symbolisiert den Grenzprozess, und dV nennt<br />
man das Volumenelement. Abkürzend schreibt man auch ∫ f oder<br />
V<br />
ausführlicher<br />
∫<br />
V<br />
∫<br />
f dV =<br />
V<br />
f (x 1 , . . . , x n ) dx 1 . . . dx n ,<br />
wenn man die Integrationsvariablen hervorheben will.<br />
Aufgrund der Stetigkeit von f ist die Definition des Riemann-Integrals<br />
sowohl von der Wahl der Elementarbereiche V i als auch der Punkte P i<br />
unabhängig.<br />
Für eine positive Funktion entspricht das Integral dem Volumen der Menge<br />
{(x 1 , . . . , x n , h) : 0 ≤ h ≤ f (x), x ∈ V } .<br />
Insbesondere ist ∫ V<br />
1 das Volumen des Integrationsbereiches V .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-2
P 1<br />
V 1 V2 V 3 V 4<br />
Die Glattheitsvoraussetzungen an f und V können abgeschwächt werden,<br />
indem man das Integral über einen geeigneten Grenzprozess definiert. Man<br />
spricht dann von einem uneigentlichen Integral.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-3
Beispiel:<br />
Integration von<br />
über dem Bereich<br />
f (x, y) = xy<br />
V : 0 ≤ x ≤ 1, 0 ≤ y ≤ 1 + x 2<br />
y<br />
x<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 2-1
Approximation für ein Quadratgitter mit Gitterweite h = 1/n<br />
h 2<br />
∑ ∑<br />
∑ ∑<br />
j k<br />
0≤j
Satz von Fubini<br />
Ein Integral einer stetigen Funktion über einem Elementarbereich<br />
V : a j (x 1 , . . . , x j−1 ) ≤ x j ≤ b j (x 1 , . . . , x j−1 )<br />
lässt sich durch Hintereinanderausführung eindimensionaler Integrationen<br />
berechnen:<br />
∫<br />
V<br />
∫ b 1 ∫<br />
f dV = · · ·<br />
b 2 (x 1 )<br />
a 1 a 2 (x 1 )<br />
∫<br />
b n(x 1 ,...,x n−1 )<br />
a n(x 1 ,...,x n−1 )<br />
f (x 1 , . . . , x n ) dx n · · · dx 2 dx 1 .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-1
Dabei spielt die Reihenfolge der Variablen bei der Beschreibung des<br />
Elementarbereichs keine Rolle. Insbesondere gilt für Doppelintegrale mit<br />
konstanten Integrationsgrenzen<br />
∫ b ∫ d<br />
a<br />
c<br />
f (x, y) dydx =<br />
∫ d ∫ b<br />
c<br />
a<br />
f (x, y) dxdy .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 1-2
Beispiel:<br />
Integration von<br />
über dem Bereich<br />
f (x, y) = y cos ( x 2)<br />
V : 0 ≤ x ≤ 1 , 0 ≤ y ≤ √ x<br />
y<br />
1<br />
y = √ x<br />
0<br />
1<br />
x<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 2-1
Satz von Fubini Berechnung mit zwei eindimensionale Integrationen:<br />
⎛<br />
∫ ∫ 1<br />
√ ⎞<br />
x<br />
⎜<br />
f = ⎝ y cos ( x 2) ∫ 1 [<br />
⎟ y<br />
2<br />
dy⎠ dx =<br />
2 cos ( x 2)] y= √ x<br />
dx<br />
V<br />
=<br />
0<br />
∫ 1<br />
0<br />
∫<br />
0<br />
1<br />
2 x cos ( x 2) [ 1<br />
dx =<br />
4 sin ( x 2)] 1<br />
= 1<br />
0<br />
4 sin(1)<br />
Vertauschung der Integrationsreihenfolge <br />
nicht (explizit) berechenbares Integral<br />
⎛<br />
⎞<br />
∫ ∫ 1 ∫ 1<br />
⎜<br />
f = ⎝ y cos ( x 2) ⎟<br />
dx⎠ dy<br />
V<br />
0<br />
y 2<br />
0<br />
y=0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 2-2
Beispiel:<br />
Integration von<br />
über den Tetraeder<br />
f (x, y, z) = x<br />
T : x, y, z ≥ 0, x + y + z 2 ≤ 1<br />
Darstellung von T als Elementarbereich:<br />
T : 0 ≤ x ≤ 1, 0 ≤ y ≤ 1 − x , 0 ≤ z ≤ 2 (1 − x − y)<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 3-1
z<br />
2<br />
1<br />
x<br />
1<br />
y<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 3-2
Satz von Fubini <br />
∫<br />
f =<br />
T<br />
=<br />
=<br />
∫ 1<br />
0<br />
∫ 1<br />
0<br />
∫ 1<br />
0<br />
⎛<br />
∫<br />
⎜<br />
⎝<br />
1−x<br />
0<br />
⎛<br />
∫<br />
⎝<br />
1−x<br />
0<br />
⎛<br />
⎜<br />
⎝<br />
∫<br />
2(1−x−y)<br />
0<br />
⎞<br />
⎞<br />
⎟ ⎟<br />
x dz⎠ dy⎠ dx<br />
⎞<br />
2x (1 − x − y) dy⎠ dx<br />
2x(1 − x) 2 − 2x(1 − x) 2 /2<br />
} {{ }<br />
x−2x 2 +x 3 dx = 1 12<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 3-3
Beispiel:<br />
Volumen des Durchschnitts der beiden Zylinder<br />
Z 1 : x 2 + y 2 ≤ r 2 , Z 2 : x 2 + z 2 ≤ r 2<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 4-1
Symmetrie betrachte Teilkörper im ersten Oktant;<br />
Integrationsgebiet: Viertelkreisscheibe, definiert durch Z 1<br />
K : 0 ≤ x ≤ r, 0 ≤ y ≤ √ r 2 − x 2<br />
Z 2 Höhe h(x, y) = √ r 2 − x 2 des Schnittkörpers über K<br />
Teilvolumen<br />
⎛<br />
∫ ∫ r<br />
⎜<br />
h = ⎝<br />
K<br />
0<br />
√<br />
r 2 −x 2<br />
∫<br />
0<br />
⎞<br />
√<br />
r 2 − x 2 ⎟<br />
dy⎠ dx =<br />
∫ r<br />
0<br />
(r 2 − x 2 ) dx = r 3 − 1 3 r 3 = 2r 3 /3<br />
16r 3 /3 als Volumen für den gesamten Körper<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 4-2
Beispiel:<br />
Das Volumen V n der n-dimensionalen Einheitskugel<br />
ist<br />
mit der Gamma-Funktion Γ.<br />
B n = {x ∈ R n : |x| ≤ 1}<br />
V n = 2√ π n<br />
n Γ( n 2 ) ,<br />
Für n ≤ 6 sind die Werte in der folgenden Tabelle angegeben:<br />
n 1 2 3 4 5 6<br />
V n 2 π 4π/3 π 2 /2 8π 2 /15 π 3 /6<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 5-1
Definition der Gamma-Funktion <br />
(B 1 = [−1, 1])<br />
Induktionsschritt (n − 1) → n:<br />
vol B 1 = 2 = 2√ π<br />
Γ( 1 2 )<br />
Schnitt von B n mit der Hyperebene x n = ξ, (−1 ≤ ξ ≤ 1) <br />
(n − 1)-dimensionale Kugel mit Radius √ 1 − ξ 2<br />
Satz von Fubini =⇒<br />
vol B n =<br />
∫ 1<br />
−1<br />
(1 − ξ 2 ) n−1<br />
2 vol B n−1 dξ<br />
(Skalierung des Volumes von B n−1 mit der (n − 1)-ten Potenz des Radius’)<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 5-2
Substitution ξ = sin t, dξ = cos t dt <br />
∫ 1<br />
−1<br />
(<br />
1 − ξ<br />
2 ) n−1<br />
2<br />
dξ =<br />
= 2<br />
∫ π/2<br />
−π/2<br />
∫ π/2<br />
0<br />
= √ π Γ ( n+1<br />
2<br />
Γ ( n<br />
(<br />
1 − sin 2 t ) n−1<br />
2<br />
cos t dt<br />
(cos t) n−1 cos t dt<br />
)<br />
2 + 1)<br />
Induktionsannahme<br />
vol B n−1 =<br />
2 √ π n−1<br />
(n − 1)Γ( n−1<br />
2 )<br />
expliziter Ausdruck für vol B n<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 5-3
vol B n = √ n+1<br />
Γ(<br />
2<br />
π ) 2 √ π n−1<br />
Γ( n 2 + 1) (n − 1)Γ( n−1<br />
2 )<br />
Funktionalgleichung der Gamma-Funktion,<br />
Γ(x + 1) = x Γ(x)<br />
=⇒<br />
vol B n =<br />
2√ π n n−1<br />
2<br />
Γ( n−1<br />
2 )<br />
(n − 1) Γ( n−1<br />
2 ) n 2 Γ( n 2 ) = 2√ π n<br />
n Γ( n 2 )<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Mehrdimensionale Integrale 5-4
Transformation mehrdimensionaler Integrale<br />
Für eine bijektive, stetig differenzierbare Transformation g eines regulären<br />
Bereiches U ⊆ R n mit<br />
det g ′ (x) ≠ 0, x ∈ U ,<br />
gilt für stetige Funktionen f :<br />
∫<br />
∫<br />
f ◦ g | det g ′ | dU =<br />
U<br />
V<br />
f dV , V = g(U) ,<br />
wobei det g ′ als Funktionaldeterminante der Transformation bezeichnet<br />
wird. Sie beschreibt die lokale Änderung des Volumenelementes:<br />
dV = | det g ′ | dU .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 1-1
U<br />
g<br />
V<br />
y = g(x)<br />
x<br />
Für eine lokal orthogonale Koordinatentransformation g, d.h.bei<br />
orthogonalen Spalten von g ′ , ist<br />
| det g ′ | =<br />
∣ n∏<br />
∂g ∣∣∣<br />
∣ ,<br />
∂x i<br />
d.h., der Skalierungsfaktor des Volumenelements ist das Produkt der<br />
Skalierungsfaktoren der einzelnen Variablen.<br />
i=1<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 1-2
Bei einer affinen Transformation y = Ax + b ändert sich das<br />
Volumenelement gemäß<br />
dy = | det A| dx .<br />
Insbesondere gilt für eine Skalierung der Variablen, y i = λ i x i<br />
dy i = λ i dx i .<br />
Die Voraussetzungen können etwas abgeschwächt werden. Insbesondere<br />
muss die Bijektivität von g und die Invertierbarkeit von g ′ nur im Innern<br />
von U gefordert werden.<br />
Unstetigkeiten von f und bestimmte Singularitäten sind ebenfalls möglich,<br />
wenn die Existenz beider Integrale gewährleistet ist.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 1-3
Beispiel:<br />
Bereich V , begrenzt durch zwei geradlinig verbundene Parabelsegmente<br />
( ) ( ) ( ) ( ) ( )<br />
x u x −1 u<br />
=<br />
y u 2 , = +<br />
y 1 u 2 , 0 ≤ u ≤ 1<br />
kontinuierliche Verschiebung der Parabelsegmente<br />
( ) ( ) ( )<br />
x −1 u<br />
= v +<br />
y<br />
1 u 2 , 0 ≤ v ≤ 1<br />
bijektive Abbildung auf das Einheitsquadrat U<br />
( ) ( ) ( )<br />
u x −v + u<br />
↦→ =<br />
v y v + u 2 , 0 ≤ u, v ≤ 1<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 2-1
v<br />
y<br />
1<br />
U<br />
V<br />
0<br />
1<br />
u<br />
0<br />
x<br />
Jacobi-Matrix der Abbildung<br />
(<br />
∂(x, y) 1 −1<br />
∂(u, v) = 2u 1<br />
)<br />
mit Funktionaldeterminante<br />
det<br />
∂(x, y)<br />
∂(u, v) = 2u + 1 > 0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 2-2
Volumenelement<br />
dV = dx dy = (2u + 1)du dv = (2u + 1)dU<br />
Transformationssatz für f (x, y) = x + y =⇒<br />
∫<br />
∫<br />
[<br />
(x + y) dx dy = (−v + u) + (v + u 2 ) ] (2u + 1) du dv<br />
V<br />
=<br />
=<br />
U<br />
∫ 1 ∫ 1<br />
0<br />
∫ 1<br />
0<br />
(u + u 2 )(2u + 1) du dv<br />
} {{ }<br />
0 2u 3 +3u 2 +u<br />
( 2<br />
4 2)<br />
+ 1 + 1 dv = 2<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 2-3
Beispiel:<br />
Torus erzeugt durch Drehung der Kreisscheibe<br />
( ) ( )<br />
x R + rs cos ϑ<br />
=<br />
, 0 ≤ s ≤ 1 , 0 ≤ ϑ ≤ 2π<br />
z rs sin ϑ<br />
mit Radius r < R um die z-Achse<br />
mögliche Parametrisierung<br />
⎛ ⎞<br />
⎛<br />
x<br />
⎝ y ⎠ = p(s, ϑ, ϕ) = ⎝<br />
z<br />
(R + rs cos ϑ) cos ϕ<br />
(R + rs cos ϑ) sin ϕ<br />
rs sin ϑ<br />
mit 0 ≤ ϕ ≤ 2π<br />
(Ersetzen von der Richtung (1, 0, 0) durch (cos ϕ, sin ϕ, 0) in der<br />
Parametrisierung der Kreisscheibe)<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 3-1
z<br />
2<br />
0<br />
x<br />
r<br />
R<br />
ϑ<br />
y<br />
−2<br />
4<br />
2<br />
0<br />
−2<br />
−4<br />
−4 −2 0 2<br />
4<br />
Jacobi-Matrix der Transformation p : (s, ϑ, ϕ) t ↦→ (x, y, z) t<br />
⎛<br />
p ′ = (p s , p ϑ , p ϕ ) = ⎝<br />
r cos ϑ cos ϕ −rs sin ϑ cos ϕ −(R + rs cos ϑ) sin ϕ<br />
r cos ϑ sin ϕ −rs sin ϑ sin ϕ (R + rs cos ϑ) cos ϕ<br />
r sin ϑ rs cos ϑ 0<br />
⎞<br />
⎠<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 3-2
orthogonale Spalten Funktionaldeterminate<br />
| det p ′ | = |p s ||p ϑ ||p ϕ | = |r||rs||R + rs cos ϑ| = r 2 s(R + rs cos ϑ)<br />
Berechnung des Volumens mit dem Transformationssatz <br />
∫ 1 ∫ 2π ∫ 2π<br />
0<br />
0<br />
0<br />
r 2 s(R + rs cos ϑ) dϕ dϑ ds<br />
= 2πr 2 ⎛<br />
⎝<br />
= 2πr 2 ⎛<br />
⎝<br />
∫ 1 ∫ 2π<br />
0 0<br />
∫ 1<br />
0<br />
sR dϑ ds +<br />
⎞<br />
∫ 1 ∫ 2π<br />
2πsR ds + 0⎠ = 2π 2 Rr 2<br />
0<br />
0<br />
⎞<br />
rs 2 cos ϑ dϑ ds⎠<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 3-3
Beispiel:<br />
Parallelogramm V als Bild einer affinen Transformation des<br />
Einheitsquadrates U:<br />
U ∋ x ↦→ y = Ax + b ∈ V<br />
Eckpunkt b und Spalten von A spannen Parallelogramm auf<br />
z.B.:<br />
( ) ( )<br />
4 2<br />
2<br />
A = , b =<br />
1 3<br />
1<br />
y 2<br />
1<br />
x 2<br />
1<br />
U<br />
4<br />
2<br />
V<br />
0<br />
x 1<br />
0<br />
2 4 6 8<br />
y 1<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 4-1
Funktionaldeterminante der Transformation<br />
Integral einer linearen Funktion<br />
über V :<br />
∫ ∫<br />
f =<br />
V<br />
=<br />
U<br />
∫ 1 ∫ 1<br />
0<br />
det ∂(y 1, y 2 )<br />
= det A = 10<br />
∂(x 1 , x 2 )<br />
f (y) = 3y 1 − 4y 2 = (3, −4)<br />
f (Ax + b) · 10 dU<br />
0<br />
(<br />
y1<br />
y 2<br />
)<br />
(( ) ( ) ( 4 2 x1 2<br />
(3, −4)<br />
+<br />
1 3 x 2 1<br />
} {{ }<br />
8x 1 −6x 2 +2<br />
))<br />
·10 dx 1 dx 2 = 30<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 4-2
Verallgemeinerung:<br />
invertierbare affine Abbildung des Einheitswürfels U = [0, 1] n ,<br />
(x 1 , . . . , x n ) t ↦→ Ax + b<br />
Parallelepiped V , aufgespannt durch die Spalten der Matrix A<br />
Integral einer linearen Funktion f (y) = c t y über V<br />
∫ ∫<br />
f = c t (Ax + b)| det A| dx = c t (Ae/2 + b)| det A|<br />
V<br />
U<br />
mit e = (1, . . . , 1) t<br />
Begründung:<br />
∫<br />
c t Ax dx = ∑<br />
U<br />
i<br />
mit a i den Spalten von A<br />
∫<br />
U<br />
c t a i x i dx = ∑ i<br />
c t a i /2<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 4-3
Volumenelement in Zylinderkoordinaten<br />
Für die Koordinatentransformation<br />
ist<br />
x = ϱ cos ϕ, y = ϱ sin ϕ, z = z<br />
dx dy dz = ϱdϱ dϕ dz .<br />
Insbesondere gilt damit für das Integral einer Funktion f auf einem<br />
Zylinder<br />
Z : 0 ≤ ϱ ≤ ϱ 0 , 0 ≤ z ≤ z 0<br />
∫<br />
Z<br />
f =<br />
∫ z 0 ∫ 2π ∫ ϱ 0<br />
0<br />
0<br />
0<br />
f (ϱ, ϕ, z) ϱ dϱ dϕ dz .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 1-1
Speziell ist für eine axialsymmetrische Funktion f (ϱ)<br />
∫<br />
Z<br />
∫ϱ 0<br />
f = 2πz 0<br />
0<br />
f (ϱ) ϱ dϱ .<br />
Das Flächenelement für ebene Polarkoordinaten transformiert sich analog.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 1-2
Beweis:<br />
lokal orthogonale Koordinatentransformation<br />
(x, y, z) = g(ϱ, ϕ, z)<br />
d.h. Jacobi-Matrix<br />
⎛<br />
g ′ = ⎝<br />
cos ϕ −ϱ sin ϕ 0<br />
sin ϕ ϱ cos ϕ 0<br />
0 0 1<br />
⎞<br />
⎠<br />
mit orthogonalen Spalten<br />
Funktionaldeterminante<br />
| det g ′ | = |g ϱ | |g ϕ | |g z | = 1 · ϱ · 1 = ϱ<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 2-1
Beispiel:<br />
Integral der Gauß-Funktion:<br />
∫ ∞<br />
−∞<br />
exp (−x 2 ) dx = √ π<br />
berechne zunächst das Quadrat des Integrals:<br />
⎛<br />
⎝<br />
∫ ∞<br />
−∞<br />
⎞<br />
exp (−x 2 ) dx⎠<br />
=<br />
=<br />
2<br />
⎛<br />
⎝<br />
∫ ∞<br />
⎞ ⎛<br />
exp (−x 2 ) dx⎠<br />
⎝<br />
∫ ∞<br />
−∞<br />
−∞<br />
∫ ∞ ∫ ∞<br />
−∞ −∞<br />
exp (−x 2 − y 2 ) dx dy<br />
⎞<br />
exp (−y 2 ) dy⎠<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 3-1
Polarkoordinaten <br />
∫ 2π ∫ ∞<br />
0<br />
0<br />
[<br />
exp (−r 2 )r drdϕ = 2π − 1 ] ∞<br />
2 exp (−r 2 )<br />
0<br />
= π<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 3-2
Volumenelement in Kugelkoordinaten<br />
Für die Koordinatentransformation<br />
ist<br />
x = r sin ϑ cos ϕ, y = r sin ϑ sin ϕ, z = r cos ϑ<br />
dx dy dz = r 2 sin ϑ dr dϑ dϕ .<br />
Insbesondere gilt damit für das Integral einer Funktion f auf einer Kugel<br />
K : 0 ≤ r ≤ R<br />
∫<br />
K<br />
∫ 2π ∫ π ∫ R<br />
f = f (r, ϑ, ϕ) r 2 sin ϑ dr dϑ dϕ .<br />
0 0 0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 1-1
Speziell ist für eine radialsymmetrische Funktiopn f (r)<br />
∫<br />
K<br />
∫ R<br />
f = 4π f (r)r 2 dr .<br />
0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 1-2
Beweis:<br />
lokal orthogonale Koordinatentransformation<br />
(x, y, z) = g(r, ϑ, ϕ)<br />
d.h. Jacobi-Matrix<br />
⎛<br />
g ′ = ⎝<br />
sin ϑ cos ϕ r cos ϑ cos ϕ −r sin ϑ sin ϕ<br />
sin ϑ sin ϕ r cos ϑ sin ϕ r sin ϑ cos ϕ<br />
cos ϑ −r sin ϑ 0<br />
⎞<br />
⎠<br />
mit orthogonalen Spalten<br />
Funktionaldeterminante<br />
| det g ′ | = |g r | |g ϑ | |g ϕ | = 1 · r · r sin ϑ = r 2 sin ϑ<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 2-1
Integration über ϑ und ϕ bei radialsymmetrische Funktion f :<br />
∫ 2π ∫ π<br />
0 0<br />
sin ϑ dϑ dϕ = 2π [− cos ϑ] π 0 = 4π<br />
Vorfaktor bei der Berechnung von ∫ f ̂= Flächeninhalt der<br />
K<br />
Einheitskugeloberfläche<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 2-2
Beispiel:<br />
(i) Integral von r α auf der Kugel K : r ≤ 1:<br />
∫ 2π ∫ π ∫ 1<br />
∫ 1<br />
r 2 r α sin ϑ dr dϑ dϕ = 4π<br />
r α+2 dr<br />
0<br />
0<br />
0<br />
0<br />
existiert nur für α > −3 mit Wert<br />
[ r<br />
α+3 1<br />
4π =<br />
α + 3] 4π<br />
0<br />
α + 3<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 3-1
(ii) Integral auf R 3 \ K:<br />
∫ 2π ∫ π ∫ ∞<br />
∫ ∞<br />
r α r 2 sin ϑdr dϑ dϕ = 4π r α+2 dr<br />
0 0 1<br />
1<br />
existiert nur für α < −3 mit Wert<br />
[ r<br />
α+3 ∞<br />
4π<br />
α + 3]<br />
1<br />
= −4π<br />
α + 3<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 3-2
Beispiel:<br />
Sauerstoffmenge in der Atmosphäre<br />
barometrische Höhenformel Druck in der Höhe h über Nullniveau<br />
p(h) = p 0 e − ϱ 0 gh<br />
p 0<br />
mit p 0 = 101300 N dem Normaldruck, ϱ<br />
m 2<br />
0 = 0.150 kg der Sauerstoffdichte<br />
m 3<br />
auf Nullniveau (21% der Luft sind Sauerstoff) und g = 9, 80 m der<br />
s 2<br />
Erdbeschleunigung<br />
ideale Gasgleichung Dichte<br />
k B<br />
m Molekül<br />
ϱ =<br />
p<br />
R s T<br />
mit R s = = 519 N m<br />
K kg<br />
der spezifischen Gaskonstante für Sauerstoff<br />
und T der in Kelvin gemessenen Temperatur (als konstant −3 ◦ C, also<br />
T = 270K, angenommen)<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 4-1
Näherung für die Gesamtmasse des Sauerstoffs in der Atmosphäre<br />
∫<br />
M =<br />
V<br />
ϱ dV =<br />
∫ π ∫ 2π ∫ ∞<br />
0<br />
0<br />
1<br />
R s T p 0 e − ϱ 0 gh<br />
p 0<br />
r 0<br />
r 2 sin ϑ drdϕdϑ<br />
mit r 0 = 6.37 · 10 6 m dem Erdradius<br />
Substitution von h = r − r 0 und Integration über ϑ und ϕ <br />
M = 4π p 0<br />
R s · T e ϱ 0 g<br />
p 0<br />
r 0<br />
zweifache partielle Integration <br />
(c = ϱ 0g<br />
p 0<br />
)<br />
∫ ∞<br />
e −cr r 2 dr =<br />
[− r 2 ] ∞<br />
c e−cr +<br />
r<br />
r 0<br />
0<br />
∫∞<br />
r 0<br />
e − ϱ 0 g<br />
p 0<br />
r r 2 dr<br />
[<br />
− 2r ] ∞ [<br />
c 2 e−cr + − 2 ] ∞<br />
r 0<br />
c 3 e−cr r 0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 4-2
insgesamt<br />
M = 4πp 0<br />
R s T<br />
(<br />
c −1 r 2 0 + 2c −2 r 0 + 2c −3) = 2.59 · 10 19 kg<br />
Zum Vergleich<br />
– Erdmasse: 6 · 10 24 kg (2.3 · 10 5 M)<br />
– Mondmasse: 7.4 · 10 22 kg ( 2.9 · 10 3 M )<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Variablentransformation 4-3
Kurvenintegral<br />
Das Integral einer stetigen Funktion f entlang einer Kurve C mit regulärer<br />
stetig differenzierbarer Parametrisierung<br />
ist als<br />
t → p(t) ∈ R n , p ′ (t) ≠ 0 , t ∈ [a, b] ,<br />
∫<br />
C<br />
f =<br />
∫ b<br />
a<br />
f (p(t))|p ′ (t)| dt<br />
definiert und unabhängig von der gewählten Parametrisierung.<br />
Insbesondere erhält man für f = 1 die Länge der Kurve.<br />
Die Glattheitsvoraussetzungen an f und p können abgeschwächt werden,<br />
indem man das Integral über einen geeigneten Grenzprozeß erklärt.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 1-1
Beweis:<br />
Begründung der Definition mit Hilfe von Riemann-Summen<br />
∫<br />
f ≈ ∑ f (p j )|p (t j+1 ) − p (t j ) |<br />
j<br />
C<br />
mit ∆ : a = t 0 < t 1 < · · · < t J = b einer Partition von [a, b]<br />
p ′ (t j )<br />
p(t j+1 )<br />
p(t j )<br />
C<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-1
Mittelwertsatz =⇒<br />
p(t j+1 ) − p(t j ) =<br />
mit τ ν,j ∈ [t j , t j+1 ] und ∆t j = t j+1 − t j<br />
⎛<br />
⎜<br />
⎝<br />
p ′ 1 (τ 1,j)<br />
.<br />
p ′ n(τ n,j )<br />
gleichmäßige Stetigkeit von p ′ auf [a, b] =⇒<br />
⎞<br />
⎟<br />
⎠ ∆t j<br />
|p(t j+1 ) − p(t j )| = |p ′ (t j )|∆t j + r j ∆t j<br />
mit |r j | < ε für |∆t j | < δ<br />
∫<br />
f ≈ ∑ j<br />
C<br />
|R| ≤ ∑ j<br />
f (p(t j )) |p ′ (t j )|∆t j + R<br />
|f (p(t j ))|∆t j |r j | ≤ max |f |(b − a)ε<br />
Verfeinerung der Partition ⇒ Riemann-Summe → ∫ b<br />
a f (p(t)) |p′ (t)| dt<br />
Approximation unabhängig von der Parametrisierung<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-2
Beispiel:<br />
Berechnung des Integrals der Funktion<br />
f (x, y, z) = exp(−z)<br />
entlang n Windungen der Schraublinie C mit der Parametrisierung<br />
⎛<br />
cos t<br />
⎞ ⎛<br />
− sin t<br />
⎞<br />
C : p(t) = ⎝ sin t<br />
t<br />
⎠ , p ′ (t) = ⎝ cos t<br />
1<br />
⎠ , t ∈ [0, 2πn]<br />
|p ′ )| = √ 2 =⇒<br />
∫<br />
C<br />
f =<br />
∫<br />
2πn<br />
0<br />
exp(−t) √ 2 dt<br />
= √ 2 [− exp(−t)] 2πn<br />
0 = √ 2 (1 − exp(−2πn))<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 3-1
Eigenschaften des Kurvenintegrals<br />
Das Kurvenintegral ∫ f ist linear in f und additiv bzgl. C:<br />
C<br />
∫<br />
∫ ∫<br />
αf + βg = α f + β g<br />
C<br />
∫<br />
C<br />
C<br />
∫ ∫<br />
f dC = f + f ,<br />
C 1 C 2<br />
C<br />
falls C = C 1 ∪ C 2 und C 1 und C 2 bis auf isolierte Punkte disjunkt sind.<br />
Es hängt nicht von der Parametrisierung und insbesondere auch nicht von<br />
der Orientierung der Kurve ab.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 4-1
Länge einer Kurve<br />
Die Länge L einer Kurve mit stetig differenzierbarer Parametrisierung<br />
t ↦→ p(t), a ≤ t ≤ b, ist<br />
∫ b<br />
a<br />
|p ′ (t)| dt .<br />
Speziell gilt für eine Kurve in der xy-Ebene mit der Parameterdarstellung<br />
p(t) = (x(t), y(t))<br />
L =<br />
∫ b<br />
a<br />
√<br />
x ′ (t) 2 + y ′ (t) 2 dt .<br />
Insbesondere hat der Graph einer Funktion y = f (x) , x ∈ [c, d] die Länge<br />
L =<br />
∫ d<br />
c<br />
√<br />
1 + f ′ (x) 2 dx .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 1-1
Die Länge des Kurvenstücks zwischen p(a) und p(t),<br />
s(t) =<br />
∫ t<br />
a<br />
|p ′ (τ)| dτ ,<br />
kann als kanonischer Kurvenparameter benutzt werden. Man erhält die<br />
sogenannte Parametrisierung nach Bogenlänge:<br />
q(s) = p(t), |q ′ | = 1 .<br />
Aufgrund des normierten Tangentenvektors gilt für diese kanonische<br />
Parametrisierung<br />
∫ ∫ L<br />
f = f (q(s)) ds<br />
mit L der Länge von C.<br />
C<br />
0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 1-2
Beispiel:<br />
Zykloide: Punkte auf entlang der x-Achse rollenden Kreises mit Radius r<br />
r<br />
t/r<br />
0 t<br />
Bahnkurve:<br />
x(t) = t + r cos(3π/2 − t/r) = t − r sin(t/r)<br />
y(t) = r + r sin(3π/2 − t/r) = r − r cos(t/r)<br />
denn<br />
t = (2πr)· Drehwinkel /(2π) ⇔ Drehwinkel = t/r<br />
cos(3π/2 − α) = − sin α, sin(3π/2 − α) = − cos α<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-1
Länge des Bogens für t ∈ [0, 2πr]<br />
L =<br />
=<br />
∫ 2πr<br />
0<br />
∫ 2πr<br />
0<br />
√<br />
x ′ (t) 2 + y ′ (t) 2 dt<br />
√<br />
(1 − cos(t/r)) 2 + (sin(t/r)) 2 dt<br />
Substitution s = t/r, dt = r ds und Identitäten<br />
cos 2 ϕ + sin 2 ϕ = 1 ,<br />
1 − cos ϕ = 2 sin 2 (ϕ/2)<br />
=⇒<br />
L = r<br />
∫ 2π<br />
0<br />
√<br />
∫ 2π<br />
2(1 − cos(s)) ds = r 2 sin(s/2) ds = 8 r<br />
0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-2
Beispiel:<br />
Parametrisierung nach Bogenlänge q(s) der Spirale<br />
( )<br />
( cos t<br />
C : p(t) = exp(t) , p ′ cos t − sin t<br />
(t) = exp(t)<br />
sin t<br />
cos t + sin t<br />
Definition =⇒<br />
bzw.<br />
s(t) =<br />
∫ t<br />
0<br />
|p ′ (τ)| dτ =<br />
t(s) = ln(s/ √ 2 + 1)<br />
∫ t<br />
0<br />
√<br />
2 exp(τ) dτ =<br />
√<br />
2(exp(t) − 1)<br />
)<br />
Einsetzen in Parametrisierung p =⇒<br />
q(s) = (s/ √ ( √<br />
cos(ln(s/ 2 + 1))<br />
2 + 1)<br />
sin(ln(s/ √ 2 + 1))<br />
)<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 3-1
Reguläre Parametrisierung eines Flächenstücks<br />
Eine stetig differenzierbare Parametrisierung<br />
⎛ ⎞ ⎛ ⎞<br />
x 1<br />
y 1<br />
⎜ ⎟ ⎜ ⎟<br />
R ∋ ⎝ . ⎠ ↦→ s(x) = ⎝ . ⎠<br />
x n−1 y n<br />
über einem regulären Bereich R beschreibt ein reguläres<br />
(n − 1)-dimensionales Flächenstück S = s(R) ⊂ R n , wenn s im Inneren<br />
von R injektiv ist und die Vektoren ∂ 1 s(x), . . . , ∂ n−1 s(x) für alle x ∈ ◦ R<br />
linear unabhängig sind.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 1-1
ξ<br />
R<br />
x<br />
s<br />
S<br />
y<br />
∂ i s<br />
Der bis auf das Vorzeichen eindeutig bestimmte Einheitsvektor ξ,<br />
orthogonal zu der durch ∂ 1 s(x), . . . , ∂ n−1 s(x) aufgespannten<br />
Tangentialebene, wird als Flächennormale bezeichnet. Er bildet zusammen<br />
mit den Vektoren ∂ i s(x) eine Basis von R n .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 1-2
Flächenintegral<br />
Das Integral einer stetigen Funktion f über einem regulären Flächenstück<br />
S mit Parametrisierung<br />
⎛ ⎞ ⎛ ⎞<br />
x 1<br />
y 1<br />
⎜ ⎟ ⎜ ⎟<br />
⎝ . ⎠ ↦→ s(x) = ⎝ . ⎠ , x ∈ R ,<br />
x n−1 y n<br />
und Flächennormale ξ mit |ξ| = 1 ist als<br />
∫ ∫<br />
f dS = (f ◦ s) | det(∂ 1 s, . . . , ∂ n−1 s, ξ)| dR<br />
S<br />
R<br />
definiert und unabhängig von der gewählten Parametrisierung.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-1
Der Betrag der Determinante ist der Skalierungsfaktor der<br />
Flächenelemente:<br />
dS = | det(∂ 1 s, . . . , ∂ n−1 s, ξ)| dR .<br />
Als Spezialfall erhält man für f = 1 den Flächeninhalt von S.<br />
Die Glattheitsvoraussetzungen an f und s können abgeschwächt werden,<br />
indem man das Integral über einen geeigneten Grenzprozess definiert.<br />
Darüber hinaus kann eine Fläche aus mehreren Flächenstücken<br />
zusammengesetzt sein. Das Flächenintegral ist dann die Summe der<br />
Integrale über die einzelnen Flächenstücke.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-2
Beispiel:<br />
Integration der Funktion<br />
f (x, y) = √ x 2 + y 2<br />
auf dem durch<br />
⎛<br />
(r, ϕ) ↦→ s(r, ϕ) = ⎝<br />
(1 + r) cos ϕ<br />
(1 + r) sin ϕ<br />
ϕ<br />
⎞<br />
⎠ , 0 ≤ ϕ ≤ 2π , − 1 2 ≤ r ≤ 1 2<br />
parametrisierten Teilstück einer Wendeltreppe S<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 3-1
Tangentenvektoren:<br />
⎛<br />
s r = ⎝<br />
cos ϕ<br />
sin ϕ<br />
0<br />
⎞<br />
⎛<br />
⎠ , s ϕ = ⎝<br />
−(1 + r) sin ϕ<br />
(1 + r) cos ϕ<br />
1<br />
⎞<br />
⎠<br />
Orthogonalität =⇒<br />
| det(s r , s ϕ , ξ)| = |s r | |s ϕ | =<br />
Einsetzen in Definition des Flächenintegrals <br />
√<br />
(1 + r) 2 + 1<br />
∫<br />
S<br />
fdS =<br />
∫ 2π 1<br />
∫2<br />
0<br />
= 2π 3<br />
− 1 2<br />
√<br />
(1 + r) (1 + r) 2 + 1 dr dϕ = 2π<br />
[ ((1<br />
+ r) 2 + 1 ) 3<br />
2<br />
] 1<br />
2<br />
− 1 2<br />
= 2π 3<br />
( (13<br />
4<br />
1<br />
∫2<br />
− 1 2<br />
√<br />
(1 + r) (1 + r) 2 + 1 dr<br />
) 3 ( ) 3<br />
)<br />
2 5 2<br />
−<br />
4<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 3-2
Beispiel:<br />
Flächenelement des Graphen S einer Funktion z(x, y):<br />
√<br />
dS = 1 + zx 2 + zy 2 dxdy<br />
Spezialisierung der allgemeinen Definition für die Parametrisierung<br />
⎛ ⎞<br />
x<br />
(x, y) ↦→ s(x, y) = ⎝ y<br />
z(x, y)<br />
⎠<br />
mit Flächennormale ξ parallel zu<br />
⎛ ⎞ ⎛<br />
1<br />
⎝ 0 ⎠ ⎝<br />
×<br />
z x<br />
s x<br />
} {{ }<br />
0<br />
1<br />
⎞<br />
⎠<br />
=<br />
z y<br />
s y<br />
} {{ }<br />
⎛<br />
⎝<br />
−z x<br />
−z y<br />
1<br />
|ξ| = 1, ξ ⊥ s x , s y =⇒ | det(s x , s y , ξ)| = |s x × s y | =<br />
⎞<br />
⎠<br />
√<br />
1 + z 2 x + z 2 y<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 4-1
z.B.<br />
z(x, y) = x 2 + 1 2 y 2 ⇒ dS = √ 1 + 4x 2 + y 2 dxdy<br />
Integration von f (x, y) = xy über das über dem Rechteck [0, 1] × [0, 2]<br />
liegende Flächenstück <br />
∫<br />
S<br />
fdS =<br />
∫ 1 ∫ 2<br />
0<br />
= 1 3<br />
= 1 3<br />
0<br />
∫ 1<br />
0<br />
xy √ 1 + 4x 2 + y 2 dy dx<br />
[<br />
]<br />
x(1 + 4x 2 + y 2 ) 3 2<br />
2 dx = 1 ∫ 1<br />
0 3<br />
0<br />
(<br />
)<br />
x(5 + 4x 2 ) 3 2 − x(1 + 4x 2 ) 3 2<br />
[( )] 1<br />
20 (5 + 4x 2 ) 5 1<br />
1<br />
2 −<br />
20 (1 + 4x 2 ) 5 2 = 61<br />
0<br />
15 − 5 √<br />
5<br />
6<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 4-2
Flächenelement in Zylinderkoordinaten<br />
Das Flächenelement für einen durch<br />
⎛<br />
( ) ϕ<br />
↦→ ⎝<br />
z<br />
ϱ cos ϕ<br />
ϱ sin ϕ<br />
z<br />
⎞<br />
⎠<br />
parametrisierten Mantel S eines Zylinders mit Radius ϱ ist<br />
dS = ϱ dϕ dz .<br />
Damit gilt für das Integral einer Funktion f in Zylinderkoordinaten<br />
∫<br />
S<br />
∫z max ∫2π<br />
f dS = f (ϱ, ϕ, z) ϱ dϕ dz .<br />
z min 0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 1-1
Beweis:<br />
Orthogonalität der Tangentenvektoren<br />
⎛ ⎞<br />
−ϱ sin ϕ<br />
⎛<br />
s ϕ = ⎝ ϱ cos ϕ<br />
0<br />
⎠ , s z = ⎝<br />
<br />
0<br />
0<br />
1<br />
⎞<br />
⎠<br />
| det(s ϕ , s z , ξ)| = |s ϕ | |s z | = ϱ ,<br />
als Skalierungsfaktor für das Flächenelement<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-1
Flächenelement in Kugelkoordinaten<br />
Das Flächenelement für eine durch<br />
⎛<br />
( ) ϑ<br />
↦→ ⎝<br />
ϕ<br />
R sin ϑ cos ϕ<br />
R sin ϑ sin ϕ<br />
R cos ϑ<br />
⎞<br />
⎠<br />
parametrisierte Sphäre mit Radius R ist<br />
dS = R 2 sin ϑ dϑ dϕ .<br />
Damit gilt für das Integral einer Funktion f in Kugelkoordinaten<br />
∫<br />
S<br />
∫ 2π ∫ π<br />
f dS = f (R, ϑ, ϕ) R 2 sin ϑ dϑ dϕ .<br />
0 0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 1-1
Beweis:<br />
Orthogonalität der Tangentenvektoren<br />
⎛<br />
⎞<br />
R cos ϑ cos ϕ<br />
⎛<br />
s ϑ = ⎝ R cos ϑ sin ϕ<br />
−R sin ϑ<br />
⎠ , s ϕ = ⎝<br />
<br />
−R sin ϑ sin ϕ<br />
R sin ϑ cos ϕ<br />
0<br />
⎞<br />
⎠<br />
| det(s ϑ , s ϕ , ξ)| = |s ϑ | |s ϕ | = R 2 sin ϑ<br />
als Skalierungsfaktor für das Flächenelement<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 2-1
Beispiel:<br />
Bestimmung des Schwerpunkts S einer Halbkugelschale<br />
H : x 2 + y 2 + z 2 = 1 , z ≥ 0 ,<br />
bei konstanter Dichte<br />
Symmetrie =⇒ x- und y-Koordinate des Schwerpunkts = 0<br />
z-Koordinate:<br />
s z area(H) =<br />
∫ 2π π<br />
∫2<br />
0<br />
0<br />
[ sin 2 ϑ<br />
(cos ϑ) sin ϑ dϑ dϕ = 2π<br />
} {{ }<br />
2<br />
z<br />
] π/2<br />
0<br />
= π<br />
area(H) = 2π =⇒ s z = 1 2<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Kurven- und Flächenintegrale 3-1
Schwerpunkt<br />
Die Masse eines Körpers K mit Dichte ϱ(x), x ∈ K , ist durch<br />
∫<br />
m = ϱ(x) dK<br />
K<br />
gegeben. Speziell erhält man für ϱ(x) = 1 das Volumen V von K .<br />
Die ν-te Koordinate des Massenschwerpunktes S berechnet sich gemäß<br />
∫<br />
s ν = m −1 x ν ϱ(x) dK .<br />
K<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 1-1
Für ϱ(x) = 1 ergibt sich<br />
s ν = V −1 ∫<br />
K<br />
x ν dK ,<br />
und S wird als geometrischer Schwerpunkt oder auch einfach als<br />
Schwerpunkt bezeichnet.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 1-2
Beispiel:<br />
Kegel K mit Grundkreisradius a und Höhe b :<br />
K : 0 ≤ ϕ ≤ 2π, 0 ≤ ϱ ≤ a (b − z), 0 ≤ z ≤ b<br />
b<br />
Volumen V = π 3 a2 b<br />
z<br />
b<br />
y<br />
x<br />
a<br />
a<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-1
Symmetrie x-und y-Koordinate des Schwerpunkts Null, z-Koordinate:<br />
s z = 1 ∫<br />
z<br />
V<br />
Transformation auf Zylinderkoordinaten <br />
V s z =<br />
∫ b<br />
0<br />
∫ b<br />
= 2π<br />
= π<br />
∫<br />
K<br />
a(b−z)/b∫ 2π<br />
0<br />
∫ b<br />
0<br />
0<br />
= π 12 a2 b 2<br />
=⇒ Schwerpunkt: S = (0, 0, b/4)<br />
∫<br />
0<br />
a(b−z)/b<br />
0<br />
ϱ z dϕdϱdz<br />
ϱ z dϱdz<br />
z<br />
( a<br />
b (b − z) ) 2<br />
dz<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-2
Trägheitsmoment<br />
Das Trägheitsmoment eines Körpers K mit Dichte ϱ(x), x ∈ K, um eine<br />
Achse g ist<br />
∫<br />
I = dist(x, g) 2 ϱ(x) dK ,<br />
wobei dist die Abstandsfunktion bezeichnet.<br />
K<br />
g<br />
x<br />
dist<br />
K<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 1-1
Beispiel:<br />
Hohlkugel<br />
Þ<br />
K : 1 − a ≤ r ≤ 1 , 0 ≤ ϑ ≤ π , 0 ≤ ϕ ≤ 2π<br />
ÈËÖÖÔÐÑÒØ×<br />
½<br />
Ü<br />
½ ¼ ½ <br />
½<br />
Ý<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-1
Trägheitsmoment um die z-Achse g bei konstanter Dichte ϱ<br />
I =<br />
∫ 2π ∫ π ∫ 1<br />
0<br />
0<br />
= 2πϱ<br />
5<br />
= 2πϱ<br />
5<br />
= 8πϱ<br />
15<br />
ϱ( r} sin {{ ϑ}<br />
) 2 ( r 2 sin ϑ ) drdϑdϕ<br />
} {{ }<br />
1−a dist((x,y,z),g)<br />
d K<br />
(<br />
1 − (1 − a)<br />
5 ) ∫ π<br />
sin 3 ϑ dϑ<br />
0<br />
(<br />
1 − (1 − a)<br />
5 ) [ − cos ϑ + 1 3 cos3 ϑ<br />
(<br />
1 − (1 − a)<br />
5 )<br />
] π<br />
0<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-2
Dichte ϱ bei Masse 1 der Hohlkugel ⇔<br />
=⇒<br />
∫<br />
1 =<br />
K<br />
ϱ =<br />
∫ 2π ∫ π ∫ 1<br />
0<br />
0<br />
1−a<br />
ϱr 2 sin ϑ drdϑdϕ = 4πϱ<br />
3 (1 − (1 − a)3 )<br />
I (a) = 2 (1 − (1 − a) 5 )<br />
5 (1 − (1 − a) 3 )<br />
Trägheitsmoment der ganzen Kugel<br />
Grenzwert für a = 0: I (0) = 2/3<br />
(Regel von l’Hospital)<br />
I (1) = 2/5<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-3
Volumen eines Rotationskörpers<br />
Das Volumen V des durch Rotation des Funktionsgraphen r = f (x) ≥ 0,<br />
a ≤ x ≤ b, um die x-Achse erzeugten Körpers lässt sich durch Integration<br />
über die kreisförmigen Querschnitte berechnen:<br />
∫ b<br />
V = π f (x) 2 dx .<br />
a<br />
d = f(b)<br />
r = f(x)<br />
c = f(a)<br />
y = f(x)<br />
h(r)<br />
a<br />
x<br />
b<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 1-1
Alternativ kann man über die Zylindermäntel integrieren:<br />
∫ d<br />
V = πc 2 (b − a) + 2π rh(r) dr ,<br />
c<br />
wobei c bzw. d der minimale bzw. maximale Radius r und h(r) die<br />
Gesamthöhe des in dem Körper enthaltenen Zylindermantels mit Radius r<br />
sind. Diese Variante ist vor allem bei monotoner Radiusfunktion f sinnvoll.<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 1-2
Beweis:<br />
(i) erste Formel:<br />
y = f(x)<br />
r max = f(η i )<br />
r min = f(ξ i )<br />
a<br />
x i−1<br />
x i<br />
b<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-1
Partition ∆ mit Intervallen [x i−1 , x i ], i = 1 . . . n<br />
Einschluss des Volumens durch einen Zylinder mit minimalem Radius f (ξ i )<br />
und einem Zylinder mit maximalem Radius f (η i )<br />
Abschätzung für das Gesamtvolumen<br />
π<br />
n∑<br />
f (ξ i ) 2 ∆x i ≤ V ≤ π<br />
i=1<br />
n∑<br />
f (η i ) 2 ∆x i<br />
i=1<br />
mit ∆x i = x i − x i−1<br />
Konvergenz der beiden Riemann-Summen =⇒<br />
∫ b<br />
V = π f (x) 2 dx<br />
a<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-2
(ii) zweite Formel (monoton wachsendes f ):<br />
d = f(b)<br />
y = f(x)<br />
r = f(x)<br />
h(r) = b − x<br />
c = f(a)<br />
a<br />
x<br />
b<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-3
Umformung der behaupteten Formel durch Substitution<br />
r = f (x) ⇔ x = f −1 (r),<br />
dr = f ′ (x) dx<br />
<br />
2π<br />
∫<br />
d=f (b)<br />
c=f (a)<br />
h(r)r dr = π<br />
=⇒ Äquivalenz zur ersten Formel<br />
∫ b<br />
a<br />
(b − x) 2f (x)f ′ (x) dx<br />
} {{ } } {{ }<br />
u v ′<br />
= π [ (b − x)f (x) 2] b<br />
a + π ∫ b<br />
= −π(b − a)c 2 +π<br />
} {{ }<br />
innerer Zylinder<br />
∫ b<br />
a<br />
a<br />
f (x) 2 dx<br />
f (x) 2 dx<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-4
(iii) analog: monoton fallendes f<br />
allgemeiner Fall durch Aufteilung in Monotoniebereiche<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 2-5
Beispiel:<br />
Paraboloid: Rotation der Kurve r = √ x um die x-Achse<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 3-1
(i) horizontale Integration über Kreisscheiben:<br />
π<br />
∫ a<br />
0<br />
(√ x<br />
) 2 dx = π<br />
[ x<br />
2<br />
(ii) vertikale Integration über Zylindermäntel:<br />
2π<br />
(Höhe h(r))<br />
∫ √ a<br />
0<br />
2<br />
] a<br />
0<br />
= 1 2 πa2<br />
r (a − r 2 ) dr = 2π<br />
[− 1 ] √ a<br />
} {{ }<br />
4 (a − r 2 ) 2 = 1<br />
0<br />
2 πa2<br />
h(r)<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 3-2
Beispiel:<br />
Torus: Rotation einer Kreisscheibe mit Radius r um eine Achse im<br />
Abstand R vom Mittelpunkt<br />
ÈËÖÖÔÐÑÒØ×<br />
ÜÖ<br />
Ê<br />
Ö Ö<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 4-1
Differenz zweier Rotationskörper (π ∫ (r 2 + − r 2 −)) <br />
∫ r<br />
V = π<br />
= 4π<br />
−r<br />
∫ r<br />
−r<br />
(R + √ r 2 − x 2 ) 2<br />
dx − π<br />
∫ r<br />
R √ r 2 − x 2 dx<br />
Substitution x = r sin ϕ, dx = r cos ϕ dϕ <br />
V = 4πRr<br />
∫ π/2<br />
−π/2<br />
−r<br />
(<br />
R − √ r 2 − x 2 ) 2<br />
dx<br />
cos ϕ r cos ϕ dϕ = 4πRr 2 π 2 = 2π2 Rr 2<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 4-2
Beispiel:<br />
Kugel mit Radius R mit ausgestanztem Zylinder um die vertikale Achse<br />
mit Radius r<br />
x<br />
h(x)<br />
R<br />
r<br />
R<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 5-1
Integration über Zylindermäntel mit Radius x, r ≤ x ≤ R:<br />
R = 5, r = 3 <br />
V = 2π<br />
∫ R<br />
V = 2π xh(x) dr, h(x) = 2 √ R 2 − x 2<br />
r<br />
∫ 5<br />
3<br />
2x √ [<br />
25 − x 2 dx = 2π − 2 (<br />
25 − x<br />
2 ) ] 5<br />
3/2<br />
3<br />
3<br />
= 4 3 π(25 − 9)3/2 = 256<br />
3 π<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Anwendungen 5-2
Hauptsatz für Mehrfachintegrale<br />
Bezeichnet ξ die nach außen gerichtete Einheitsnormale eines regulären<br />
Bereichs V ⊂ R n mit regulärem (n − 1)-dimensionalem Rand ∂V , so gilt<br />
für eine stetig differenzierbare Funktion f<br />
∫ ∫<br />
∂ ν f = f ξ ν , ν = 1, . . . , n .<br />
V<br />
∂V<br />
Fasst man diese Gleichungen zusammen, erhält man die vektorielle<br />
Identität<br />
∫ ∫<br />
grad f = f ξ .<br />
V<br />
Die Glattheitsvoraussetzungen können abgeschwächt werden, indem man<br />
die Integrale über geeignete Grenzprozesse definiert.<br />
∂V<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 1-1
Beweisidee:<br />
Approximation durch stückweise lineare Funktion auf einer Triangulierung<br />
von V<br />
ξ<br />
Aufhebung von Randtermen im Inneren<br />
nur ein Dreieck bzw. Tetraeder zu betrachten<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 2-1
3D-Fall<br />
c<br />
a<br />
f :<br />
1 im Ursprung •<br />
0 an anderen Eckpunkten ◦<br />
b<br />
f linear: bestimmt durch Werte an den Eckpunkten<br />
Linearität ⇒ oBdA f null an 3 Eckpunkten<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 2-2
(i) linke Seite ∫ V grad f :<br />
bestimme g = grad f aus Richtungsableitungen<br />
Cramersche Regel ⇒<br />
g 1 =<br />
∣<br />
a t g = b t g = c t g = 0 − 1 = −1<br />
−1 a 2 a 3<br />
−1 b 2 b 3<br />
−1 c 2 c 3<br />
∣ ∣∣∣∣∣<br />
/<br />
det(a, b, c)<br />
= [−b 2 c 3 − c 2 a 3 − a 2 b 3 + c 2 b 3 + a 2 c 3 + b 2 a 3 ]/(6 vol V )<br />
analoge Berechnung von g 2 , g 3<br />
ertse Komponente der linken Seite<br />
(∫ )<br />
grad f<br />
V<br />
1<br />
= 1 [. . .]<br />
6<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 2-3
(ii) rechte Seite ∫ ∂V f ξ:<br />
betrachte von a,b aufgespannte Seitenfläche<br />
S : (s, t) ↦→ sa + tb<br />
Normale: ξ = −a × b/|a × b|<br />
Flächenelement dS = |a × b| dt ds<br />
f (sa + tb) = 1 − s − t ⇒<br />
∫<br />
∫ 1<br />
f ξ = (b × a)<br />
S<br />
0<br />
∫ 1−s<br />
0<br />
1 − s − t dt ds = 1 (b × a)<br />
6<br />
analoge Berechnung für die von b, c bzw. c, a aufgespannten Seitenflächen;<br />
f null auf vierter Seitenfläche ⇒<br />
∫<br />
f ξ = 1 (b × a + c × b + a × c)<br />
6<br />
∂V<br />
Übereinstimmung der ersten Komponente mit [. . .]<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 2-4
Beispiel:<br />
Hauptsatz für das Quadrat V = [0, 1] 2 :<br />
⎛<br />
∫ 1 ∫ 1<br />
0<br />
0<br />
grad f (x, y) dx dy = ⎜<br />
⎝<br />
∫ 1<br />
0<br />
∫ 1<br />
0<br />
f (1, y) − f (0, y) dy<br />
f (x, 1) − f (x, 0) dx<br />
ξ = (±1, 0), (0, ±1) , ξ v jeweils nur auf zwei gegenüberliegenden<br />
Randkomponenten ≠ 0<br />
⎞<br />
⎟<br />
⎠<br />
V<br />
ξ<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 3-1
Komponenten der Identität univariater Hauptsatz<br />
z.B.<br />
∫ 1<br />
0<br />
⎛<br />
⎝<br />
∫ 1<br />
0<br />
⎞<br />
f x (x, y) dx⎠ dy =<br />
∫ 1<br />
0<br />
[f (x, y)] x=1<br />
x=0 dy<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 3-2
Beispiel:<br />
V ⊆ R n : Simplex, begrenzt durch (n − 1)-dimensionale<br />
Simplizes V i , i = 1, . . . , n + 1<br />
ξ i : nach außen gerichtete Einheitsnormale<br />
s i : Schwerpunkt von V i<br />
s i<br />
V i<br />
ξ i<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 4-1
(i) konstante Funktion f (x) = b: Hauptsatz =⇒<br />
0 = ∑ i<br />
vol n−1 (V i )ξ i<br />
(ii) lineare Funktion f (x) = a t x: Hauptsatz =⇒<br />
vol n (V ) a = ∑ i<br />
vol n−1 (V i )(a t s i )ξ i<br />
denn für einen Simplex mit Schwerpunkt s ist die Quadraturformel<br />
∫<br />
f ≈ vol(S)f (s)<br />
für lineare Funktionen f exakt<br />
S<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 4-2
Beispiel:<br />
Volumen- und Flächenelement für eine Kugel mit Radius R und<br />
Oberfläche S = ∂V<br />
dV = r 2 sin ϑ dr dϑ dϕ ,<br />
dS = R 2 sin ϑ dϑ dϕ<br />
(Kugelkoordinaten)<br />
Einheitsnormale: ξ = (x, y, z) t /R<br />
Hauptsatz =⇒<br />
∫ R ∫ π ∫ 2π<br />
0<br />
0<br />
0<br />
∫π<br />
= R 2<br />
0<br />
grad f (r, ϑ, ϕ) r 2 sin ϑdϕ dϑ dr<br />
∫ 2π<br />
0<br />
⎛<br />
f (R, ϑ, ϕ) ⎝<br />
sin ϑ cos ϕ<br />
sin ϑ sin ϕ<br />
cos ϑ<br />
⎞<br />
} {{ }<br />
ξ<br />
⎠ sin ϑ dϕ dϑ<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 5-1
z.B.:<br />
mit<br />
grad f (x, y, z) = ⎝<br />
f (x, y, z) = xz 2 = R 3 sin ϑ cos ϕ cos 2 ϑ<br />
⎛<br />
z 2<br />
0<br />
2xz<br />
⎞<br />
⎠ ,<br />
⎛<br />
f (x, y, z)ξ = 1 ⎝<br />
R<br />
x 2 z 2<br />
xyz 2<br />
xz 3<br />
⎞<br />
⎠<br />
erste Komponente des Hauptsatzes<br />
R 2<br />
∫<br />
0<br />
π ∫ 2π<br />
0<br />
∫ R ∫ π ∫ 2π<br />
0<br />
0<br />
0<br />
(r cos ϑ) 2 r 2 sin ϑ dϕ dϑ dr = 4<br />
15 πR5<br />
1<br />
R (R sin ϑ cos ϕ)2 (R cos ϑ) 2 sin ϑ dϕ dϑ = 4<br />
15 πR5<br />
Symmetrie =⇒ letzten beiden Komponenten null<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 5-2
Partielle Integration bei Funktionen mehrerer<br />
Veränderlicher<br />
Für stetig differenzierbare Funktionen f und g auf einem regulären Bereich<br />
V ⊆ R n mit regulärem (n − 1)-dimensionalem Rand S = ∂V gilt<br />
∫<br />
∫ ∫<br />
f (∂ ν g) = f g ξ ν − (∂ ν f ) g ,<br />
V<br />
S<br />
wobei ξ die nach aussen gerichtete Einheitsnormale von S bezeichnet.<br />
Verschwinden f und g ausserhalb einer beschränkten Menge, so folgt<br />
insbesondere, dass ∫<br />
f (∂ ν g) = −<br />
R n ∫<br />
(∂ ν f ) g<br />
R n<br />
und allgemeiner, für glatte Funktionen,<br />
∫<br />
R n<br />
∫<br />
g ∂ α f = (−1) |α| R n f ∂ α g .<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 1-1<br />
V
Beweis:<br />
Hauptsatz für Mehrfachintegrale =⇒<br />
∫ ∫<br />
∂ ν (fg) = (fg)ξ ν<br />
für eine beliebige partielle Ableitung ∂ ν<br />
Produktregel,<br />
behauptete Identiät<br />
V<br />
∂V<br />
∂ ν (fg) = g∂ ν f + f ∂ ν g ,<br />
kein Randterm, falls f und g auf S verschwinden<br />
Identität mit V = R n<br />
Iteration der Identität <br />
Formel für partielle Intgration höherer Ableitungen<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 2-1
Greensche Integralformeln<br />
Für einen regulären Bereich V ⊆ R n mit regulärer Randfläche S = ∂V gilt<br />
für zweimal stetig differenzierbare Funktionen f und g<br />
∫ ∫<br />
f ∂ ⊥ g = (grad f ) t grad g + f ∆g ,<br />
S<br />
V<br />
wobei ∂ ⊥ g die Ableitung in Richtung der nach außen zeigenden<br />
Einheitsnormalen ξ ist, d.h. ∂ ⊥ g = ξ t grad g.<br />
Insbesondere folgt für f = 1<br />
∫ ∫<br />
∂ ⊥ g = ∆g .<br />
S<br />
V<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 1-1
Eine symmetrische Variante der auf Green zurückgehenden Identität ist<br />
∫<br />
∫<br />
f ∂ ⊥ g − g∂ ⊥ f = f ∆g − g∆f .<br />
S<br />
Bei beiden Greenschen Formeln können die Glattheitsvoraussetzungen<br />
abgeschwächt werden, indem man die Integrale über geeignete<br />
Grenzprozesse definiert.<br />
V<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 1-2
Beweis:<br />
Hauptsatz für Mehrfachintegrale ⇒<br />
∫<br />
∫<br />
f ∂ ν g ξ ν = ∂ ν (f ∂ ν g) , ν = 1, · · · , n .<br />
S<br />
V<br />
Produktregel ⇒<br />
∂ ν (f ∂ ν g) = (∂ ν f )(∂ ν g) + f (∂ ν ∂ ν g)<br />
und Summation über ν = 1, . . . , n Greensche Formel<br />
Vertauschen von f und g <br />
zweite Formel durch Substraktion der Identitäten für<br />
∫<br />
∫<br />
f ∂ ⊥ g und g∂ ⊥ f<br />
S<br />
S<br />
(Aufhebung der Produkte der Gradienten bei den Volumenintegralen)<br />
<strong>Analysis</strong> 2 – Mehrdimensionale Integration Integralsätze 2-1