Title | Analysis und Numerik 2019 - Kapitel 5 - Mehrdimensionale Funktionen |
---|---|
Course | Numerische Analyse |
Institution | Hochschule Rhein-Main |
Pages | 76 |
File Size | 5.2 MB |
File Type | |
Total Downloads | 86 |
Total Views | 190 |
Download Analysis und Numerik 2019 - Kapitel 5 - Mehrdimensionale Funktionen PDF
Kapitel 5
Differenzialrechnung mehrdimensionaler Funktionen
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 1
Inhalt
5.1 Mehrdimensionale Funktionen Darstellungen, Netzlinien, Niveaulinien
5.2 Partielle Ableitungen Tangentialebene, Gradient, Richtungsableitung 5.3 Extrema Hesse-Matrix, Extrema, Gradientenabstiegsverfahren
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 2
5.1 Mehrdimensionale Funktionen
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 3
Warum Funktionen von mehreren Variablen?
Viele Funktionen in Naturwissenschaft, Technik und Informatik hängen von mehreren Variablen ab. Einfache Beispiele: (a) Der Flächeninhalt eines Rechtecks hängt von Länge und Breite ab: Rechtecksfläche = f(x, y) = xy
(b) Die Temperatur in diesem Raum hängt von allen drei räumlichen Koordinaten ab: T(x, y, z)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 4
Praxisrelevante Beispiele
Computergrafik: Darstellung von Flächen im Raum Information Retrieval: Dokumente bestehen aus Tausenden von Termen
Bildverarbeitung: Bilder bestehen aus Millionen von Pixeln BWL: Betriebswirtschaftliche Größen wie Gewinn und Verbrauch hängen von mehreren Variablen ab
Physik: Phänomene wie Bewegung, Kräfte oder Felder sind mehrdimensional
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 5
Darstellung von f(x, y) Darstellung von z = f(x,y) im räumlichen Koordinatensystem:
z
x
f(x,y) = x² + (y – 2)²
y
Der gesamte Graph wird zu einer Fläche über der x-y-Ebene.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 6
1. Beispiel: Paraboloid
Beispiel: Die Funktion f(x, y) = x² + y² in verschiedenen Darstellungen:
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 7
Netzlinien x-Linie: x ist variabel, y ist fest y-Linie: x ist fest, y ist variabel
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 8
Niveaulinien
Niveaulinien (Höhenlinien) sind horizontale Schnitte auf bestimmten Höhen. Sie werden in der x-y-Ebene dargestellt. Beispiel: f(x) = x² + y² Niveau 0:
f(x, y) = x² + y² = 0 Niveaulinie: Nullpunkt
Niveau 1:
f(x, y) = x² + y² = 1 Niveaulinie: Einheitskreis
Niveau 2:
f(x, y) = x² + y² = 2 Niveaulinie: Kreis mit Radius 2
Allgemein: Niveau c:
f(x, y) = x² + y² = c Niveaulinie: Kreis mit Radius c
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 9
Niveaulinien für die Niveaus 1, 2, …, 16
Je dichter die Niveaulinien, umso steiler ist die Fläche. Wenn die Niveaulinien Kreise sind, ist die Fläche rotationssymmetrisch zur z-Achse.
GeoGebra: ImpliziteKurve[f(x,y) - h]
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 10
Niveaulinien im Schrägbild, Grund- und Aufriss
f(x, y) = x² + y² beschreibt ein Paraboloid. Im Grundriss sind die Niveaulinien Kreise, im Aufriss horizontale Geraden.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 11
2. Beispiel: Sattelfläche
Beispiel: Die Funktion f(x, y) = xy heißt Sattelfläche. Sie beschreibt z. B. die Fläche eines Rechtecks.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 12
Niveaulinien für die Niveaus -1, -0.9, …, 0.9, 1 Für die Niveaulinien der Sattelfläche gilt: Niveau 0: f(x, y) = xy = 0 x = 0 oder y = 0 (Achsen) Niveau c: f(x, y) = xy = c y = c/x (Hyperbeln)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 13
Sattelfläche: Täler, Berge und ein Sattelpunkt Im 1. und 3. Quadranten haben wir positive Funktionswerte, im 2. und 4. Quadranten negative Funktionswerte. Der Nullpunkt ist ein Sattelpunkt: In zwei Richtungen geht es hinauf, in zwei Richtungen hinunter.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 14
5.2 Partielle Ableitungen
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 15
Partielle Ableitungen
Trick: y = y0 setzen und „einfrieren“! Ableitung von f(x, y0) bezüglich x an der Stelle (x0, y0): Partielle Ableitung nach x (Ableitung in x-Richtung):
Analog: Partielle Ableitung nach y (Ableitung in y-Richtung):
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 16
Geometrische Interpretation der partiellen Ableitung fx(x0, y0) = (Tangenten-) Steigung der x-Linie x-Linie: f(x, y0))
Punkt: (x0, y0, f(x0, y0))
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 17
Beispiel und Übung
Beispiele:
(a) f(x, y) = x² + y²
fx(x, y) = 2x fy(x, y) = 2y
(b) f(x, y) = x³ - 3xy²
fx(x, y) = 3x² - 3y² fy(x, y) = -6xy
Übungen:
(c) f(x, y) = xy
fx(x, y) = fy(x, y) =
(d) f(x, y, z) = xy²z³
fx(x, y, z) =
fy(x, y, z) = fz(x, y, z) =
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 18
Tangentialebenen Erinnerung: Tangente an Funktion f(x) g(x) = f(x0) + f´(x0)(x – x0) Analog: Tangentialebene:
g(x, y) = f(x0, y0) + fx(x0, y0)(x – x0) + fy(x0, y0)(y – y0)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 19
Beispiel Paraboloid: f(x, y) = x² + y² mit fx(x, y) = 2x und fy(x, y) = 2y Tangentialebene an der Stelle (0.6, 0.8): g(x, y)= f(0.6, 0.8) + fx(0.6, 0.8)(x – 0.6) + fy(0.6, 0.8)(y – 0.8)
= 0.6² + 0.8² + 20.6 (x – 0.6) + 2 0.8 (y – 0.8) = 0.36 + 0.64 + 1.2 (x – 0.6) + 1.6 (y – 0.8) = 1 + 1.2x – 0.72 + 1.6y – 1.28
= – 1 + 1.2x + 1.6y
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 20
Beispiel (Fortsetzung)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 21
Übung Die Funktion f(x, y) = x³ - 3xy² heißt Affensattel. Bestimmen Sie für f die Tangentialebene an der Stelle (1, 2).
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 22
Partielle Ableitungen und Tangentialebene
Änderung der Tangentialebene: fx fx dx
(x, y, f(x, y))
fx
df
fy dy (x0, y0, f(x0, y0))
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 23
Gradient
Der Gradient einer Funktion f(x, y) ist der Vektor ihrer partiellen Ableitungen: fx grad( f ) fy
Statt grad(f) schreibt man auch: f (Nabla-Operator). Beispiel: Die Funktion f(x, y) = x³ - 3xy² (Affensattel ) hat den Gradient fx 3 x 2 3 y 2 grad( f ) f y 6 xy
0 An der Stelle (1, 1) ergibt sich der Gradient: grad( f )(1,1) 6 Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 24
Übung
Berechnen Sie folgende Gradienten an der Stelle (1, 1):
(a) grad(3x² - 7y)
(b) grad(21x²y)
(c) grad(xy)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 25
Richtungsableitungen
Wir kennen bereits • die Ableitung in x-Richtung f (Steigung einer x-Linie): fx x • die Ableitung in y-Richtung f (Steigung einer y-Linie): fy y Fragen: - Wie steil ist es schräg zu diesen Richtungen? - In welcher Richtung ist die Steigung am größten?
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 26
Richtungsableitung Achtung: Die Richtung ist normiert: | r | = 1
Wir beschreiben eine beliebige Richtung cos( ) durch einen Vektor r mit | r | 1. sin( ) Die Richtungsableitung einer Funktion f(x, y) f in Richtung r wird mit bezeichnet. r Sie ergibt sich als Skalarprodukt der beiden Vektoren grad(f) und r : Satz: Für die Richtungsableitung gilt: fx cos( ) f fx cos( ) fy sin( ). grad( f ) r f sin( ) r y
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 27
Übung
Berechnen Sie für die Funktion f(x, y) = x³ sin(y) + ex y²
im Punkt (1, 0, f(1, 0)) die Richtungsableitung in Richtung von r
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
1 2 1 2
.
Seite 28
Folgerungen Sei der Winkel zwischen den Vektoren grad(f) und r . Dann gilt: f grad( f ) r | grad( f ) | | r | cos( ) r f maximal (1.) Für den Fall = 0 folgt: = 0 cos() = 1 r D. h.: Die Richtungsableitung ist maximal, wenn = 0 ist, wenn also r in die Richtung von grad(f) zeigt.
Folgerung 1: Der Gradient zeigt in Richtung des steilsten Anstiegs. f (2.) Für den Fall = /2 (= 90°) folgt: = /2 cos() = 0 0 r Folgerung 2: Der Gradient steht senkrecht auf den Niveaulinien.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 29
Eigenschaften des Gradienten
(1.) Der Gradient zeigt in Richtung des steilsten Anstiegs. Sein Betrag ist die Steigung in dieser (steilsten) Richtung. (2.) Der Gradient steht senkrecht auf den Niveaulinien.
z
x
y
grad (f)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 30
Beispiel: f(x, y) = xy
f(x, y) = xy Gradient: fx y grad( f ) fy x Im Punkt (1, 1): 1 grad( f ) (1, 1) 1
- zeigt in Richtung des steilsten Anstiegs, Steigung in dieser Richtung = 2 - steht senkrecht auf der Niveaulinie
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 31
Gradientenfeld von f(x, y) = xy
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 32
Übung Berechnen Sie die Richtung des größten Anstiegs der Funktion f(x, y) = x² - y² im Punkt (1, 1, f(1, 1)) und die Steigung in dieser Richtung.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 33
Höhere partielle Ableitungen
Die partiellen Ableitungen fx und fy können erneut nach x oder y abgeleitet werden. Zweimalige partielle Ableitung nach x:
2f fxx 2 x
2f Einmal nach x und einmal nach y abgeleitet: fxy xy
Zweimalige partielle Ableitung nach y:
2f fyy 2 y
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 34
Beispiel
Satz: Die Reihenfolge der partiellen Ableitungen spielt keine Rolle.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 35
Übung Bestimmen Sie fx, fy, fxy, fyx: (a) f(x, y) = x²y + xy³ + 5xy
(b) f(x, y) = cos(2x)e5y
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 36
5.3 Extrema
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 37
Wdh.: Extrema von f(x)
Erinnerung an Funktionen f(x) einer Variablen: Kriterium für lokale Extrema: • Notwendig: f (xE) = 0 („waagerechte Tangente“) • Hinreichend: f (xE) > 0 („linksgekrümmt“)
Minimum in xE
f (xE) < 0 („rechtsgekrümmt“)
Maximum in xE
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 38
Extrema von f(x, y): notwendig
Für Funktionen f(x, y) von zwei Variablen gelten analoge Kriterien. Notwendiges Kriterium für lokale Extrema: Wenn eine Funktion f(x, y) an der Stelle (x0, y0) ein lokales Extremum hat, dann gilt an dieser Stelle fx = 0 und fy = 0, also 0 grad( f ) 0 0
Anstelle von f müssen jetzt also beide ersten Ableitungen fx und fy gleich Null sein. Um mögliche Extrempunkte zu finden, muss daher ein Gleichungssystem mit zwei Gleichungen gelöst werden.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 39
Hesse-Matrix
Anstelle von f benötigen wir für das hinreichende Kriterium die vier zweiten Ableitungen: fxx, fxy, fyx und fyy. Diese werden in der Hesse-Matrix zusammengefasst: fxx H fyx
fxy fyy
Entscheidend für die Art des Extremums ist die Determinante der Hesse-Matrix: f xx f xy fxx fyy fxy2 det f yx f yy
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 40
Übung
Bestimmen Sie die Determinante der Hesse-Matrix von f(x, y) = x²y³. fx =
fxx =
, fxy =
fy =
fyy =
, fyx =
f xx f xy fxx fyy fxy2 det f yx f yy
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 41
Extrema von f(x, y): hinreichend Hinreichendes Kriterium für lokale Extrema: Wenn für eine Funktion f(x, y) an der Stelle (x0, y0) gilt grad(f) = 0, dann liegt in (x0, y0) unter folgenden Bedingungen folgendes vor: > 0 und fxx > 0
isoliertes Minimum
> 0 und fxx < 0 0 und außerdem fxx(0, 0) = 2 > 0 befindet sich in (0, 0) ein isoliertes Minimum.
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 45
2. Beispiel
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 46
Übung Untersuchen Sie folgende Funktion auf Extrema und Sattelpunkte: f(x, y) = 1/3 x³ – x² + y³ – 12y
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 47
Gradientenabstiegsverfahren
Probleme in der Praxis: • Gleichungen lösen, höhere Ableitungen berechnen: oft schwierig, aufwändig, unmöglich • Kriterium liefert manchmal keine Aussage Ausweg: Numerische Näherung! Gradientenabstiegsverfahren: • auch: „Verfahren des steilsten Abstiegs“, „steepest descent“
• fundamentales Optimierungsverfahren, 1847 von Cauchy vorgestellt • moderne Anwendungen, u. a. in der künstlichen Intelligenz
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 48
Gradientenabstiegsverfahren Ziel: numerische Berechnung eines lokalen Minimums f(x,y)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 49
Gesucht: Minimum! y
f(x)
?
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 50
Startstelle wählen y
f(x)
x0
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 51
Steigung berechnen y
f(x)
x0
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 52
Richtung und Schrittweite? y
Steigung positiv nach links gehen xn+1 = xn – … f(x)
Große Steigung Min. weit entfernt große Schritte
x1
x0
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 53
Und wieder Steigung berechnen … y
f(x)
x1
x0
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 54
Richtung und Schrittweite? y
Steigung positiv nach links gehen xn+1 = xn – … f(x)
Kleinere Steigung Min. näher kleinere Schritte
x2 x1
x0
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 55
Usw. y
Steigung positiv nach links gehen xn+1 = xn – … f(x)
Kleinere Steigung Min. näher kleinere Schritte
x3x2 x1
x0
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 56
Usw. bis Steigung klein genug y
Steigung positiv nach links gehen xn+1 = xn – … f(x)
Kleine Steigung Min. in der Nähe kleine Schritte
x4x3x2 x1
x0
x
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 57
Gradientenabstiegsverfahren (eindimensional)
• Startwert x0 beliebig wählen • Richtung? Steigung positiv nach links:
xn+1 = xn – …
Steigung negativ nach rechts: xn+1 = xn + … • Schrittweite? Große Steigung Min. weit entfernt große Schritte Kleine Steigung Min. in der Nähe kleine Schritte Schrittweite proportional zur Steigung! • Iterationsvorschrift:
xn+1 = xn – s f (xn)
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 58
Beispiel Funktion: Ableitung:
f(x) = x³ – 2x² + 2 f (x) = 3x² – 4x
Wähle:
Startwert: x0 = 2 Schrittweite: s = 0.1
Gradientenabstieg: xn+1 = xn – sf (xn) = xn – 0.1(3xn² – 4xn) Ergebnis der ersten Iterationen: x0 = 2 x1 = 2 – 0.1(32² – 42) = 1.6 x2 = 1.6 – 0.1(31.6² – 41.6) = 1.472
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 59
Taschenrechner-Trick
Der TR speichert xn im ANS-Speicher! xn+1
= xn – 0.1(3xn² – 4xn) = [ANS] – 0.1(3[ANS]2 – 4[ANS] )
TR-Eingabe: 2 = Ans – 0.1 ( 3 Ans ^ 2 – 4 Ans ) =
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 60
Übung
Berechnen Sie ein Minimum der Funktion f(x) = x4 – 4x3 + 2x2 + 4x + 1 mit dem Gradientenabstiegsverfahren (mit x0 = 3 und s = 0.1). xn+1 = xn – sf (xn) = xn – 0.1(4xn3 – 12xn2 + 4xn + 4) Ergebnis: x = 2.4142 Bei Startwert x0 = 0: x = –0.41421
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 61
Programmierung des Gradientenabstiegsverfahrens
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 62
Steuerung der Schrittweite Problem: Divergenz bei zu großer Schrittweite:
Lösung: Solange f(xn+1) f(xn) Schrittweitenfaktor s verkleinern: while (f(x - s*f_strich(x)) >= f(x)) {s = s/2}
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 63
Weitere mögliche Probleme
a) Finden schlechter Minima c) Oszillation in Schluchten
b) Stillstand bei flachen Plateaus d) Verlassen guter Minima
Kapitel 5: Differenzialrechnung mehrdimensionaler Funktionen
Seite 64
Wie findet der Skifahrer im Nebel zurück ins Tal?