Sie sind auf Seite 1von 106

Kurzskript und Unterlagen zur Vorlesung

Mathematik f

ur Ingenieure II
(INF)
Prof. Dr. J. Jahn
Angewandte Mathematik II
Universitat Erlangen-N urnberg
Martensstr. 3
91058 Erlangen
E-Mail: jahn@am.uni-erlangen.de
http://www.am.uni-erlangen.de/jahn/j jahn.html
SS 2007
1 Inhaltsverzeichnis
Inhaltsverzeichnis
Hinweise 2
Literatur 2
7 Reihen 3
7.1 Unendliche Reihen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
7.2 Potenzreihen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
7.3 Rechnen mit Potenzreihen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
8 Taylorsche Formel und Potenzreihenentwicklungen 13
8.1 Taylor-Polynome und Taylor-Reihen . . . . . . . . . . . . . . . . . . . . . . 13
8.2 Binomische Reihe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
8.3 Potenzreihen f ur Exponential- und Logarithmusfunktion . . . . . . . . . . . 17
8.4 Potenzreihen der Kreis- und Hyperbelfunktionen . . . . . . . . . . . . . . . . 19
8.5 Weitere Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
9 Dierenziation von Funktionen mehrerer Variabler 27
9.1 Funktionen mehrerer Variabler . . . . . . . . . . . . . . . . . . . . . . . . . . 27
9.2 Stetigkeit und Dierenzierbarkeit . . . . . . . . . . . . . . . . . . . . . . . . 29
9.3 Kettenregel und Ableitungen hoherer Ordnung . . . . . . . . . . . . . . . . . 35
9.4 Mittelwertsatz und Taylorsche Formel . . . . . . . . . . . . . . . . . . . . . 45
9.5 Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
9.6 Methode der kleinsten Quadrate . . . . . . . . . . . . . . . . . . . . . . . . . 57
9.7 Fehlerrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
10 Integration von Funktionen 63
10.1 Grundlegende Denitionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
10.2 Satze uber Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
10.3 Integrationsregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
10.4 Uneigentliche Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
10.5 Parameterintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
11 Integration von Funktionen mehrerer Variabler 79
11.1 Zweidimensionale Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.2 Dreidimensionale Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
11.3 Schwerpunkte und Tragheitsmomente dreidimensionaler Mengen . . . . . . . 91
11.4 Kurvenintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
11.5 Oberachenintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Hinweise und Literatur 2
Hinweise
Die Hausaufgaben werden von jeweils zwei Teilnehmern schriftlich bearbeitet und nach einer
Woche als ein Exemplar in der

Ubungsstunde abgegeben. Kopien und Ausdrucke werden
nicht anerkannt.
Zu dieser Vorlesung wird ein Schein f ur dieses Semester vergeben, falls mindestens 60% der
moglichen Punkte der Hausaufgaben in diesem Semester erreicht werden. Diese Bescheini-
gung erfolgt grundsatzlich unbenotet.
Das vorliegende Kurzskript wurde mit dem System L
A
T
E
X2

erstellt. Es ist uber WWW


unter Verwendung des URL
http://www.am.uni-erlangen.de/~jahn/j jahn.html
kostenlos erhaltlich.
Literatur
Als Grundlage zu diesem Kurzskript dienen die B ucher:
1. K. Burg, H. Haf und F. Wille: Hohere Mathematik f ur Ingenieure I, II (B.G. Teubner,
Stuttgart).
2. K. v. Finckenstein, J. Lehn, H. Schellhaas und H. Wegmann: Arbeitsbuch Mathematik
f ur Ingenieure, Band I (B.G. Teubner, Stuttgart).
3. W. Luh: Mathematik f ur Naturwissenschaftler I, II (AULA-Verlag, Wiesbaden).
Das folgende Buch ist ebenfalls n utzlich:
4. K. Meyberg und P. Vachenauer: Hohere Mathematik 1 (Springer, Berlin).
Eine brauchbare Formelsammlung ist:
5. I.N. Bronstein und K.A. Semendjajew: Taschenbuch der Mathematik (Harri Deutsch,
Frankfurt, oder auch B.G. Teubner, Stuttgart).
Eine Sammlung Erlanger Klausuraufgaben mit Losungen ndet sich in:
6. J. Jahn: Aufgabensammlung zur Ingenieurmathematik (Shaker Verlag, Aachen, 2006).
Als mathematische Software sind die Computer-Algebra-Systeme Mathematica oder Maple
und auch das Programmpaket MATLAB zu empfehlen.
3 Theorie
7 Reihen
7.1 Unendliche Reihen
Denition 7.1: (a
n
)
nN
sei eine Folge reeller Zahlen.
a) Die Folge (s
n
)
nN
mit
s
n
:=
n

i=1
a
i
= a
1
+a
2
+ +a
n
heit die mit (a
n
)
nN
gebildete Reihe. Schreibweise f ur diese Reihe:

n=1
a
n
.
b) Die Reihe

n=1
a
n
heit konvergent zur Summe s, wenn lim
n
s
n
= s gilt. Schreibweise:

n=1
a
n
= s.
Man betrachtet auch Reihen der Form

n=k
a
n
, wobei k eine beliebige ganze Zahl ist.
Beispiel 7.2:
a)

n=0
q
n
= ? f ur |q| < 1
s
n
=
n

i=0
q
i
=
1 q
n+1
1 q
lim
n
s
n
= lim
n
1 q
n+1
1 q
=
1
1 q
also:

n=0
q
n
=
1
1 q
, |q| < 1 (geometrische Reihe)
b)

n=1
1
n
divergiert (harmonische Reihe)
s
1
= 1, s
2
= 1 +
1
2
, s
4
= 1 +
1
2
+
_
1
3
+
1
4
_
. .
>
1
2
> 1 +
1
2
+
1
2
s
8
= 1 +
1
2
+
_
1
3
+
1
4
_
. .
>
1
2
+
_
1
5
+
1
6
+
1
7
+
1
8
_
. .
>
1
2
> 1 +
1
2
+
1
2
+
1
2
Allgemein erhalt man: s
2
k 1 +
k
2
, k = 1, 2, 3, . . .. Somit wachst s
n
unbeschrankt.
c)

n=1
1
n
2
konvergiert.
Beweis:
s
n
=
n

i=1
1
i
2
, n = 1, 2, 3, . . .
Die Folge (s
n
)
nN
ist monoton wachsend, und es gilt:
s
n
> 0 n N.
Beispiele und Notizen 4
5 Theorie
Auerdem ist
s
n
= 1 +
1
2 2
+. . . +
1
n n
< 1 +
1
1 2
+
1
2 3
+. . . +
1
(n 1)n
= 1 +
_
1
1

1
2
_
+
_
1
2

1
3
_
+. . . +
_
1
n 1

1
n
_
= 1 + 1
1
n
< 2 n N.
Somit ist die Folge (s
n
)
nN
beschrankt. Folglich ist die Reihe

n=1
1
n
2
konvergent (man kann
sogar zeigen:

n=1
1
n
2
=

2
6
). 2
Man beachte, dass bei einer konvergenten Reihe

n=1
a
n
die Koezientenfolge (a
n
)
nN
eine
Nullfolge bildet.
Satz 7.3: Sind

n=1
a
n
und

n=1
b
n
konvergente Reihen und sind , R beliebig, so
konvergiert auch

n=1
(a
n
+b
n
) und es ist

n=1
(a
n
+b
n
) =

n=1
a
n
+

n=1
b
n
.
Wir prasentieren nun Kriterien f ur die Konvergenz von Reihen.
Satz 7.4 (Majorantenkriterium): Die Reihe

n=1
a
n
konvergiert, falls es Zahlen b
n
R
mit
|a
n
| b
n
n N
gibt, so dass die Reihe

n=1
b
n
konvergiert.
Satz 7.5 (Quotienten- und Wurzelkriterium): Die Reihe

n=1
a
n
ist konvergent, falls
mindestens eines der folgenden Kriterien erf ullt ist:
a) Quotientenkriterium: Es gibt eine Nummer N und eine Zahl q < 1 mit

a
n+1
a
n

q < 1 n N.
b) Wurzelkriterium: Es gibt eine Nummer N und eine Zahl q < 1 mit
n
_
|a
n
| q < 1 n N.
Beispiele und Notizen 6
7 Theorie
Die Reihe

n=1
a
n
divergiert sicher dann, wenn

a
n+1
a
n

1 n N.
Satz 7.6 (Leibnitz-Kriterium): Die alternierende Reihe

n=0
(1)
n
a
n
mit a
n
0 ist
konvergent, falls (a
n
)
nN
eine monotone Nullfolge ist.
Beispiel 7.7:

n=1
(1)
n
n
konvergiert, denn es ist a
n
:=
1
n
0, und (a
n
)
nN
ist eine
monotone Nullfolge.
Denition 7.8: Eine Reihe

n=1
a
n
heit absolut konvergent, wenn

n=1
|a
n
| konvergiert. Ist

n=1
a
n
konvergent, aber nicht absolut konvergent, so heit die Reihe bedingt konvergent.
Jede absolut konvergente Reihe ist nach dem Majorantenkriterium auch konvergent, aber
jede konvergente Reihe muss nicht absolut konvergieren (vgl. Beispiel 7.7).
Satz 7.9: In einer absolut konvergenten Reihe darf man die Glieder beliebig umordnen,
ohne dass dadurch die Konvergenz der Reihe gestort wird und ohne dass sich dadurch der
Wert der Reihe andert.
Satz 7.10:

n=0
a
n
und

n=0
b
n
seien zwei absolut konvergente Reihen. Dann gilt:
a)

n=0
(a
n
b
n
) ist absolut konvergent und es ist

n=0
(a
n
b
n
) =

n=0
a
n

n=0
b
n
.
b)

n=0
(a
0
b
n
+a
1
b
n1
+. . . +a
n1
b
1
+a
n
b
0
) =

n=0
c
n
(Cauchy-Produkt)
ist absolut konvergent und es ist

n=0
c
n
=
_

n=0
a
n
__

n=0
b
n
_
.
Die beiden letzten Satze sind i. Allg. bei konvergenten Reihen, die nicht absolut konvergie-
ren, falsch.
7.2 Potenzreihen
In diesem Unterabschnitt untersuchen wir sogenannte Potenzreihen, d.h. Reihen der Form

n=0
a
n
x
n
mit x R. Die Menge aller x R, f ur die diese Reihe konvergiert, heit Konver-
genzbereich der Potenzreihe.
Beispiele und Notizen 8
9 Theorie
Denition 7.11: (a
n
)
nN
, mit a
n
0, sei eine Folge. Der grote aller Haufungspunkte
von (a
n
)
nN
(falls er existiert), d.h. der grote aller eventuell existierenden Grenzwerte von
konvergenten Teilfolgen der Folge (a
n
)
nN
, heit Limes superior von (a
n
)
nN
. Man schreibt
limsup
n
a
n
. Ist die Folge (a
n
)
nN
unbeschrankt, so deniert man limsup
n
a
n
= .
Satz 7.12 (Cauchy-Hadamard): Die Potenzreihe

n=0
a
n
x
n
ist konvergent f ur alle x mit
|x| < , wobei
:=
1
limsup
n
n
_
|a
n
|
.
F ur alle x mit |x| > ist die Potenzreihe divergent.
Der Parameter heit der Konvergenzradius und das Intervall (, ) das Konvergenzinter-
vall der Potenzreihe

n=0
a
n
x
n
.
Beispiel 7.13: Siehe Vorlesung.
Konvergiert die Folge
_
n
_
|a
n
|
_
nN
, so stimmt der Grenzwert nat urlich mit dem Limes
superior uberein, und in diesem Fall ergibt sich der Konvergenzradius als
=
1
lim
n
n
_
|a
n
|
.
Wir geben nun noch ein weiteres Kriterium zur Bestimmung des Konvergenzradius an.
Satz 7.14 (Quotientenkriterium): sei der Konvergenzradius der Potenzreihe

n=0
a
n
x
n
.
Existiert der Grenzwert lim
n

a
n+1
a
n

, so ist
=
1
lim
n

a
n+1
a
n

.
Eine Potenzreihe mit dem Konvergenzradius > 0 konvergiert im Intervall (, ); daher
wird durch den Grenzwert
f(x) :=

n=0
a
n
x
n
eine Funktion f mit dem Denitionsbereich D(f) = (, ) erklart.
Satz 7.15: > 0 sei der Konvergenzradius der Potenzreihe

n=0
a
n
x
n
. Dann ist zu jedem
r (0, ) diese Potenzreihe absolut konvergent f ur alle x [r, r] und es gibt eine Zahl
M(r) R mit

n=0
a
n
x
n

M(r) x [r, r].


Fazit: Eine Potenzreihe ist in jedem abgeschlossenen Intervall innerhalb des Konvergenz-
intervalls absolut konvergent und stellt dort eine beschrankte Funktion dar.
Beispiele und Notizen 10
11 Theorie
7.3 Rechnen mit Potenzreihen
Satz 7.16: f(x) =

n=0
a
n
x
n
und g(x) =

n=0
b
n
x
n
seien Potenzreihen mit den Konver-
genzradien
1
bzw.
2
. Dann sind Summe, Dierenz und Produkt dieser Potenzreihen f ur
|x| < min{
1
,
2
} konvergente Potenzreihen und es gilt:
f(x) g(x) =

n=0
(a
n
b
n
)x
n
, |x| < min{
1
,
2
}
f(x) g(x) =

n=0
(a
0
b
n
+a
1
b
n1
+. . . +a
n1
b
1
+a
n
b
0
)x
n
, |x| < min{
1
,
2
}.
Beispiel 7.17:
f(x) =
1
1 x
=

n=0
x
n
, |x| < 1
g(x) =
1
1 +x
=

n=0
(1)
n
x
n
, |x| < 1
_

_
(geometrische Reihen)
= f(x) +g(x) =
2
1 x
2
=

n=0
2x
2n
, |x| < 1
f(x) g(x) =
2x
1 x
2
=

n=0
2x
2n+1
= 2x

n=0
x
2n
, |x| < 1
Wir wenden uns nun der Dierenziation und Integration von Potenzreihen zu.
Satz 7.18: f(x) =

n=0
a
n
x
n
sei eine Potenzreihe mit dem Konvergenzradius > 0. Dann
gilt:
a) f ist in (, ) dierenzierbar, es ist
f

(x) =

n=1
na
n
x
n1
f ur |x| < ,
und diese Potenzreihe hat wieder den Konvergenzradius .
b) f ist in (, ) integrierbar, es ist
_
f(x) dx = c +

n=0
a
n
n + 1
x
n+1
f ur |x| < (mit c R),
und diese Potenzreihe hat wieder den Konvergenzradius .
Aus diesem Satz ergibt sich sofort, dass die Funktion f beliebig oft dierenziert werden
kann.
Beispiel 7.19:
1
1 x
=

n=0
x
n
, |x| < 1 (geometrische Reihe)
Beispiele und Notizen 12
13 Theorie
=
1
(1 x)
2
=
_
1
1 x
_

n=1
nx
n1
, |x| < 1
=
2
(1 x)
3
=
_
1
(1 x)
2
_

n=2
n(n 1)x
n2
, |x| < 1
Bemerkung 7.20:
f(x) =

n=0
a
n
x
n
f(0) = a
0
f

(x) =

n=1
na
n
x
n1
f

(0) = 1 a
1
f

(x) =

n=2
n(n 1)a
n
x
n2
f

(0) = 2 1 a
2
.
.
.
f
(k)
(x) =

n=k
n(n 1)(n 2) (n k + 1)a
n
x
nk
f
(k)
(0) = k(k 1) (k k + 1)a
k
= k! a
k
also: a
k
=
f
(k)
(0)
k!
, k = 0, 1, 2, . . .
und
f(x) =

n=0
f
(n)
(0)
n!
x
n
.
Satz 7.21 (Identitatssatz f ur Potenzreihen): f(x) =

n=0
a
n
x
n
und g(x) =

n=0
b
n
x
n
seien f ur ein r > 0 konvergent in (r, r). Dann gilt:
f(x) = g(x) x (r, r) a
n
= b
n
n 0.
8 Taylorsche Formel und Potenzreihenentwicklungen
8.1 Taylor-Polynome und Taylor-Reihen
Ziel dieses Abschnitts ist es, eine gegebene Funktion f durch eine geeignete Potenzreihe
darzustellen.
Denition 8.1: Eine reellwertige Funktion f heit in einem x R von n-ter Ordnung ap-
proximierbar, falls es Zahlen a
0
, a
1
, . . . , a
n
gibt mit
f(x) = a
0
+a
1
(x x) +. . . +a
n
(x x)
n
+r
n
( x, x),
wobei f ur den Rest r
n
( x, x) gelten soll
lim
x x
r
n
( x, x)
(x x)
n
= 0.
In diesem Fall sagt man: f ist in einer Umgebung von x durch ein Taylor-Polynom vom
maximalen Grad n approximierbar.
Beispiele und Notizen 14
15 Theorie
Im folgenden verwenden wir die Bezeichnungen:
I := ( x , x +) (oenes Intervall der Lange 2 mit Mittelpunkt x),
I
x
:= (min{ x, x}, max{ x, x}) f ur x I.
Satz 8.2: f sei auf I (n + 1)-mal stetig dierenzierbar. Dann ist f in x I von n-ter
Ordnung approximierbar, und f ur alle x I gibt es Zwischenstellen (x) I
x
mit
f(x) =
n

k=0
f
(k)
( x)
k!
(x x)
k
+r
n
( x, x)
und
r
n
( x, x) =
1
(n + 1)!
f
(n+1)
((x)) (x x)
n+1
.
Bemerkung 8.3: F ur praktische Zwecke ist eine Abschatzung des Fehlers zwischen Funk-
tion und Taylorpolynom recht n utzlich.
Ist f ur eine Zahl M R
max
I

f
(n+1)
()

M,
so folgt
|r
n
( x, x)| =
1
(n + 1)!

f
(n+1)
((x))

|x x|
n+1

M
n+1
(n + 1)!
x I.
Satz 8.4: f sei auf I beliebig oft dierenzierbar. Dann gilt f ur ein x I
f(x) =

n=0
f
(n)
( x)
n!
(x x)
n
genau dann, wenn f ur den Rest gilt
lim
n
r
n
( x, x) = 0.
In diesem Fall heit die Potenzreihe

n=0
f
(n)
( x)
n!
(x x)
n
die Taylor-Reihe von f mit dem
Entwicklungspunkt x. In den folgenden Abschnitten werden wir spezielle Taylor-Reihen
studieren.
8.2 Binomische Reihe
Satz 8.5: F ur beliebige R gilt
(1 +x)

n=0
_

n
_
x
n
x (1, 1)
(wobei
_

0
_
= 1 und
_

n
_
=
(1)...(n+1)
n!
, n N).
Beweis:
f(x) = (1 +x)

, x = 0
f
(n)
(0) = ( 1) . . . ( n + 1)
Beispiele und Notizen 16
17 Theorie

f
(n)
(0)
n!
=
( 1) . . . ( n + 1)
n!
=
_

n
_
Auerdem muss man noch zeigen: lim
n
r
n
(0, x) = 0 x (1, 1). 2
Spezialfalle der binomischen Reihe:
a) = 1 (geometrische Reihe)
1
1 +x
=

n=0
(1)
n
x
n
, |x| < 1
b) = 2 (negative Ableitung der geometrischen Reihe)
1
(1 +x)
2
=

n=0
(1)
n
(n + 1)x
n
, |x| < 1
c) =
1
2

1 +x =

n=0
_
1
2
n
_
x
n
= 1 +
1
2
x
1
2 4
x
2
+
1 3
2 4 6
x
3

1 3 5
2 4 6 8
x
4
+. . .
d) =
1
2
1

1 +x
=

n=0
_

1
2
n
_
x
n
= 1
1
2
x +
1 3
2 4
x
2

1 3 5
2 4 6
x
3
+
1 3 5 7
2 4 6 8
x
4
. . .
8.3 Potenzreihen f ur Exponential- und Logarithmusfunktion
Satz 8.6:
e
x
=

n=0
x
n
n!
x R.
Beweis: f(x) = e
x
, x = 0
f
(n)
(0) = e
0
= 1

f
(n)
(0)
n!
=
1
n!
n N {0}
|f
(n+1)
()| = |e

| e

I = (, ),
also: |r
n
(0, x)|
e

n+1
(n + 1)!
0 f ur jedes > 0. 2
Spezialfalle:
a) x = 1 = e =

n=0
1
n!
b) x = 1 =
1
e
=

n=0
(1)
n
n!
Satz 8.7:
ln(1 +x) =

n=1
(1)
n+1
n
x
n
x (1, 1).
Beispiele und Notizen 18
19 Theorie
Beweis: f(x) = ln(1 +x), x = 0
f

(x) =
1
1 +x
, f

(x) =
1
(1 +x)
2
, f

(x) =
2
(1 +x)
3
f
(n)
(0) = (1)
n+1
(n 1)!
f(x) =

n=1
(1)
n+1
(n 1)!
n!
x
n
=

n=1
(1)
n+1
n
x
n
.
Man kann zeigen, dass die Potenzreihe f ur |x| < 1 konvergiert. 2
Die Taylor-Reihe aus Satz 8.7 konvergiert allerdings auch f ur x = 1, d.h.
ln 2 =

n=1
(1)
n+1
n
.
Aus Satz 8.7 folgt speziell
ln(1 x) =

n=1
x
n
n
, |x| < 1
und
ln
1 +x
1 x
= ln(1 +x) ln(1 x)
=

n=1
(1)
n+1
n
x
n
+

n=1
1
n
x
n
= 2

n=0
x
2n+1
2n + 1
= 2
_
x +
x
3
3
+
x
5
5
+
x
7
7
+. . .
_
f ur |x| < 1.
Diese letzte Formel ist zur praktischen Berechnung von Logarithmen besser geeignet als
diejenige aus Satz 8.7.
8.4 Potenzreihen der Kreis- und Hyperbelfunktionen
Satz 8.8:
sin x =

n=0
(1)
n
(2n + 1)!
x
2n+1
cos x =

n=0
(1)
n
(2n)!
x
2n
_

_
x R.
Beweis: f(x) = sin x, x = 0
= f
(2n)
(x) = (1)
n
sin x f
(2n)
(0) = 0
f
(2n+1)
(x) = (1)
n
cos x f
(2n+1)
(0) = (1)
n
= sin x =

n=0
(1)
n
(2n + 1)!
x
2n+1
|f
(n+1)
()| 1 (, ) ; > 0 beliebig
= |r
n
(0, x)|

n+1
(n + 1)!
0 f ur beliebiges > 0. 2
Beispiele und Notizen 20
21 Theorie
Im Komplexen ergibt sich mit e
jx
= cos x +j sin x
sin x =
1
2j
(e
jx
e
jx
)
cos x =
1
2
(e
jx
+e
jx
)
_
x R.
Diese beiden Formeln legen es nahe, entsprechende Funktionen im Reellen zu denieren.
Wir denieren den hyperbolischen Cosinus und den hyperbolischen Sinus folgendermaen:
sinh x =
1
2
(e
x
e
x
) x R (Sinushyperbolicus)
cosh x =
1
2
(e
x
+e
x
) x R (Cosinushyperbolicus).
Auerdem denieren wir den hyperbolischen Tangens und den hyperbolischen Cotangens:
tanh x =
sinh x
cosh x
x R (Tangenshyperbolicus)
coth x =
cosh x
sinh x
x = 0 (Cotangenshyperbolicus).
Einige Formeln zu den Hyperbelfunktionen:
sinh(x y) = sinh x cosh y cosh x sinh y
cosh(x y) = cosh x cosh y sinh x sinh y
sinh x = sinh(x), cosh x = cosh(x)
cosh x sinh x = e
x
cosh
2
x sinh
2
x = 1
(sinh x)

= cosh x, (cosh x)

= sinh x
(tanh x)

=
1
cosh
2
x
= 1 tanh
2
x
(coth x)

=
1
sinh
2
x
= 1 coth
2
x.
Potenzreihen:
sinh x =

n=0
x
2n+1
(2n + 1)!
cosh x =

n=0
x
2n
(2n)!
_

_
x R.
Wir gehen noch kurz auf die Umkehrfunktionen der Kreis- und Hyperbelfunktionen ein. Im
Beispiel 6.8 haben wir bereits die zyklometrischen Funktionen kennengelernt. Wir geben
nun ihre Potenzreihen an:
arcsin x =

n=0
(2n)!
(2n + 1) (n!)
2
2
2n
x
2n+1
, |x| < 1
arccos x =

2

n=0
(2n)!
(2n + 1) (n!)
2
2
2n
x
2n+1
, |x| < 1
arctan x =

n=0
(1)
n
2n + 1
x
2n+1
, |x| < 1
arccot x =

2

n=0
(1)
n
2n + 1
x
2n+1
, |x| < 1.
Beispiele und Notizen 22
23 Theorie
Die Reihe des arctan x konvergiert auch f ur x = 1 (Leibnitz-Kriterium), und damit ist

4
= arctan 1 =

n=0
(1)
n
2n + 1
= 1
1
3
+
1
5

1
7
+
1
9
. . .
Die Umkehrfunktion der Hyperbelfunktionen bezeichnen wir mit

Area:
arsinh x, arcosh x, artanh x, arcoth x.
Ableitungen der Area-Funktionen:
(arsinh x)

=
1

1 +x
2
, x R
(arcosh x)

=
1

x
2
1
, x > 1
(artanh x)

=
1
1 x
2
, |x| < 1
(arcoth x)

=
1
1 x
2
, |x| > 1
Potenzreihenentwicklungen der Area-Funktionen:
arsinh x = x
1
2
x
3
3
+
1 3
2 4
x
5
5

1 3 5
2 4 6
x
7
7
+. . . , |x| < 1
artanh x = x +
x
3
3
+
x
5
5
+
x
7
7
+. . . , |x| < 1
8.5 Weitere Beispiele
Im folgenden werden anhand von Beispielen Methoden demonstriert, mit denen man Po-
tenzreihen ausrechnen kann.
a) Substitution
Beispiel 8.9: f(x) =
1
4 +x
2
Wir setzen y :=
1
4
x
2
. Dann folgt
f(x) =
1
4 +x
2
=
1
4 + 4y
=
1
4
1
1 +y
=
1
4

n=0
(1)
n
y
n
, |y| < 1.
R ucksubstitution liefert
f(x) =
1
4

n=0
(1)
n
_
1
4
x
2
_
n
=
1
4

n=0
_
1
4
_
n
x
2n
, |x| < 2.
b) Reihenmultiplikation
Beispiel 8.10: f(x) = e
x
sin 2x
Es ist
e
x
=

n=0
x
n
n!
, x R
und
sin 2x =

n=0
(1)
n
(2n + 1)!
2
2n+1
x
2n+1
, x R.
Beispiele und Notizen 24
25 Theorie
Daraus ergibt sich
e
x
sin 2x =
_
1 +x +
1
2
x
2
+
1
6
x
3
+. . .
_

_
2x
1
3!
2
3
x
3
+. . .
_
= 2x + 2x
2

1
3
x
3
x
4
+. . . , x R.
c) Reihendivision
Beispiel 8.11: f(x) = tan x =
sin x
cos x
Wegen tan 0 = 0 machen wir den Ansatz:
tan x =

n=1
a
n
x
n
.
Dann folgt
cos x tan x = sin x,
d.h.
_
1
x
2
2
+
x
4
24
. . .
_
(a
1
x +a
2
x
2
+a
3
x
3
+a
4
x
4
+. . .) = x
x
3
6
+
x
5
120
. . .
a
1
x +a
2
x
2
+
_
a
3

1
2
a
1
_
x
3
+
_
a
4

1
2
a
2
_
x
4
+
_
a
5

1
2
a
3
+
1
24
a
1
_
x
5
+. . .
= x
x
3
6
+
x
5
120
. . . .
Koezientenvergleich liefert
a
1
= 1, a
2
= 0
a
3

1
2
a
1
=
1
6
, also a
3
=
1
3
a
4

1
2
a
2
= 0, also a
4
= 0
a
5

1
2
a
3
+
1
24
a
1
=
1
120
, also a
5
=
2
15
.
Damit erhalten wir
tan x = x +
1
3
x
3
+
2
15
x
5
+. . . , |x| <

2
.
d) Gerade und ungerade Funktionen
Eine Funktion f : R R heit eine gerade Funktion, falls
f(x) = f(x) x R,
und f heit ungerade, falls
f(x) = f(x) x R.
Hat f eine Potenzreihenentwicklung um x = 0 mit
f(x) =

n=0
a
n
x
n
,
dann ist f genau dann
(i) gerade, falls a
n
= 0 f ur ungerade n ist,
(ii) ungerade, falls a
n
= 0 f ur gerade n ist.
Beispiele und Notizen 26
27 Theorie
9 Dierenziation von Funktionen mehrerer Variabler
9.1 Funktionen mehrerer Variabler
Beispiel 9.1: Van der Waalsche Zustandsgleichung f ur ein reales Gas:
p =
t R
v b

a
v
2
.
Hierbei bezeichnen:
p: Gasdruck
t: Temperatur
v: Molvolumen
R: allgemeine Gaskonstante
a, b: gasspezische Konstanten
Der Druck p hangt von den Variablen t und v ab. Man sagt: p ist eine Funktion von zwei
Variablen.
Denition 9.2: Eine (reellwertige) Funktion von n Variablen ist eine Vorschrift f, durch
welche jedem Punkt (x
1
, . . . , x
n
) D(f) R
n
in eindeutiger Weise eine reelle Zahl
f(x
1
, . . . , x
n
) W(f) zugeordnet wird. D(f) heit Denitionsbereich von f und
W(f) :=
_
f(x
1
, . . . , x
n
)

(x
1
, . . . , x
n
) D(f)
_
heit Wertebereich von f.
Man beachte, dass zur Beschreibung einer reellwertigen Funktion die Angabe des Deniti-
onsbereichs und der Vorschrift benotigt werden.
Beispiel 9.3:
a) f(x
1
, x
2
) = x
2
1
+x
2
2
, D(f) = R
2
W(f) = [0, ).
f stellt ein sogenanntes Rotationsparaboloid dar.
1
0.5
0
0.5
1
1
0.5
0
0.5
1
0
0.5
1
1.5
2
Darstellung von f in Beispiel 9.3, a).
b) f(x
1
, x
2
) =
_
1 x
2
1
x
2
2
, D(f) =
_
(x
1
, x
2
) R
2

x
2
1
+x
2
2
1
_
W(f) =
[0, 1].
f stellt die Oberache einer Halbkugel vom Radius 1 mit dem Mittelpunkt (0, 0, 0)
T
dar.
Beispiele und Notizen 28
29 Theorie
c) f(x
1
, x
2
) = x
1
x
2
, D(f) = R
2
W(f) = R.
f stellt ein sogenanntes hyperbolisches Paraboloid dar.
Zum Zeichnen einer Funktion f mit zwei Variablen ist es oft zweckmaig, die Niveaulinien
von f zu bestimmen. Unter der Niveaulinie (Hohenlinie) von f zum Niveau c W(f)
versteht man die Menge aller Punkte (x
1
, x
2
) D(f) mit f(x
1
, x
2
) = c. Z.B. sind im
Beispiel 9.3, c) die Niveaulinien Hyperbeln.
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Niveaulinien von f in Beispiel 9.3, c).
Beispiel 9.4: Man veranschauliche die Menge
M := {(x, y) R
2
| 2000 x
2
y 0, x 4y 0, x +y 0, x 0, y 0}.
0
5
10
15
20
25
0 5 10 15 20 25 30
. . . . . . . . . . . . . . . . . . . . .
.....................
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
.......................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
........................................................................................................................................................................................................................................................................................................................................................................................................................................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......................................................................................................................................................................................................................................................................................................................................................................................................................................................................
y
x
x +y = 0
x 4y = 0
2000 x
2
y = 0
M
Graphische Darstellung von M.
9.2 Stetigkeit und Dierenzierbarkeit
Im folgenden betrachten wir eine Funktion f : D(f) R mit D(f) R
n
. Zur Vereinfa-
chung werden wir f ur Punkte (x
1
, . . . , x
n
), ( x
1
, . . . , x
n
) auch nur x bzw. x schreiben.
Denition 9.5: Eine Funktion f von n Variablen heit stetig in x D(f), wenn f ur alle
Folgen (x
(k)
1
)
kN
, . . . , (x
(k)
n
)
kN
mit lim
k
x
(k)
1
= x
1
, . . . , lim
k
x
(k)
n
= x
n
und (x
(k)
1
, . . . , x
(k)
n
)
D(f) gilt:
lim
k
f(x
(k)
1
, . . . , x
(k)
n
) = f( x
1
, . . . , x
n
).
Beispiele und Notizen 30
31 Theorie
Ist f stetig in jedem x M D(f), so heit f stetig auf M.
Beispiel 9.6: Siehe Vorlesung.
Wir wenden uns nun sogenannten partiellen Ableitungen zu. Dabei halten wir alle Variablen
bis auf eine fest und dierenzieren bzgl. dieser einen Variable.
Denition 9.7: Eine Funktion f von n Variablen heit in x D(f) partiell nach x
i
(1 i n) dierenzierbar, falls der Grenzwert
f
x
i
( x) := lim
x
i
0
f( x
1
, . . . , x
i1
, x
i
+ x
i
, x
i+1
, . . . , x
n
) f( x)
x
i
existiert. Dieser Grenzwert heit die partielle Ableitung von f nach x
i
in x; er wird auch
als f
x
i
( x) geschrieben.
Beispiel 9.8: Siehe Vorlesung.
Der Begri der partiellen Dierenzierbarkeit reicht manchmal nicht aus, da wir nur Ablei-
tungen bzgl. einer Variable bilden. Wollen wir f durch eine lineare Funktion approximieren,
so benotigen wir einen starkeren Dierenzierbarkeitsbegri.
Denition 9.9: Eine Funktion f von n Variablen heit in xD(f) (total) dierenzierbar,
wenn es Zahlen A
1
, . . . , A
n
R und Funktionen
1
(x), . . . ,
n
(x) gibt, so dass f ur alle
x D(f), hinreichend nahe bei x, gilt
f(x) = f( x) +A
1
(x
1
x
1
) +. . . +A
n
(x
n
x
n
)
+
1
(x) (x
1
x
1
) +. . . +
n
(x) (x
n
x
n
)
(1)
und
lim
||x x||0

1
(x) = . . . = lim
||x x||0

n
(x) = 0
( bezeichne die Euklidische Norm im R
n
).
In diesem Fall gilt naherungsweise
f(x) f( x) +A
1
(x
1
x
1
) +. . . +A
n
(x
n
x
n
)
= f( x) +A
T
(x x) mit A =
_
_
_
A
1
.
.
.
A
n
_
_
_
.
Ist f eine Funktion von zwei Variablen, so beschreibt diese Naherungsfunktion eine Ebene,
die mit dem Graph von f (d.h. {(x, f(x)) R
n+1
| x D(f)}) den Punkt ( x
1
, x
2
, f( x
1
, x
2
))
gemeinsam hat. Diese Ebene heit Tangentialebene von f in x.
Satz 9.10: Eine Funktion f von n Variablen sei total dierenzierbar in x D(f). Dann
existieren die partiellen Ableitungen f
x
1
( x), . . . , f
x
n
( x), und die Gleichung (1) gilt mit A
1
=
f
x
1
( x), . . . , A
n
= f
x
n
( x).
Satz 9.11: Ist eine Funktion f von n Variablen total dierenzierbar in x D(f), so ist f
auch stetig in x.
Man beachte, dass eine partiell dierenzierbare Funktion i. Allg. nicht stetig zu sein braucht.
Wir f uhren noch eine Bezeichnungsweise ein:
Setzt man
dx
i
:= x
i
x
i
f ur i = 1, . . . , n
Beispiele und Notizen 32
33 Theorie
und
df( x) := f(x) f( x)
1
(x) dx
1
. . .
n
(x) dx
n
,
so lasst sich die Gleichung (1) auch in der Form schreiben
df( x) = f
x
1
( x)dx
1
+. . . +f
x
n
( x)dx
n
.
df( x) heit der lineare Anteil des Zuwachses von f oder auch das totale Dierenzial von f
in x.
Beispiel 9.12: Siehe Vorlesung.
Satz 9.13: Eine Funktion f sei in einer Umgebung von x partiell nach x
1
, . . . , x
n
dif-
ferenzierbar und alle partiellen Ableitungen seien stetig in x. Dann ist f in x auch total
dierenzierbar.
Die partiellen Ableitungen beschreiben das Wachstumsverhalten einer Funktion entlang
von Parallelen zu den Koordinatenachsen. Wir wollen nun auch Richtungen betrachten, die
nicht achsenparallel sind.
Denition 9.14: f sei eine Funktion mit n Variablen. Existiert f ur ein x D(f) R
n
und ein u R
n
der Grenzwert
D
u
f( x) := lim
0
>0
f( x +u) f( x)

,
so heit D
u
f( x) die Richtungsableitung von f in Richtung von u.
Oensichtlich ist f ur u := (0, . . . , 0,
i

1, 0, . . . , 0)
D
u
f( x) = f
x
i
( x)
(falls f
x
i
( x) existiert).
Ist f total dierenzierbar in x, so folgt mit der Gleichung (1)
f( x +u) f( x)

=
1

_
f
x
1
( x)(u
1
) +. . . +f
x
n
( x)(u
n
)
+
1
( x +u)(u
1
) +. . . +
n
( x +u)(u
n
)
_
= f
x
1
( x) u
1
+. . . +f
x
n
( x) u
n
+
1
( x +u) u
1
+. . . +
n
( x +u) u
n
,
und durch Grenz ubergang erhalten wir
D
u
f( x) = f
x
1
( x) u
1
+. . . +f
x
n
( x) u
n
= (u
1
, . . . , u
n
)
T

_
_
_
f
x
1
( x)
.
.
.
f
x
n
( x)
_
_
_
.
Der Vektor
f( x) :=
_
_
_
f
x
1
( x)
.
.
.
f
x
n
( x)
_
_
_
heit der Gradient von f in x (man liest als

Nabla). Mit dieser Bezeichnung folgt


D
u
f( x) = u
T
f( x).
Beispiele und Notizen 34
35 Theorie
9.3 Kettenregel und Ableitungen hoherer Ordnung
Satz 9.15: x
1
, . . . , x
n
seien in

t dierenzierbare Funktionen einer Variable und f sei ei-
ne in x(

t) :=
_
x
1
(

t), . . . , x
n
(

t)
_
T
dierenzierbare Funktion mit n Variablen. Dann ist die
verkettete Funktion g := f x (d.h. g(t) = f(x(t))) in

t dierenzierbar, und es gilt
g

t) = f
x
1
(x(

t)) x

1
(

t) +. . . +f
x
n
(x(

t)) x

n
(

t)
oder kurz
dg
dt
=
f
x
1
dx
1
dt
+. . . +
f
x
n
dx
n
dt
.
Beweis: Es ist
g(t) g(

t) = f(x(t)) f(x(

t))
= f
x
1
(x(

t)) (x
1
(t) x
1
(

t)) +. . . +f
x
n
(x(

t)) (x
n
(t) x
n
(

t))
+
1
(x(t)) (x
1
(t) x
1
(

t)) +. . . +
n
(x(t)) (x
n
(t) x
n
(

t)).
Damit folgt
g

t) = lim
t

t
g(t) g(

t)
t

t
= f
x
1
(x(

t)) x

1
(

t) +. . . +f
x
n
(x(

t)) x

n
(

t).
2
Wir betrachten nun die Komposition von f mit Funktionen mit mehreren Variablen.
Satz 9.16: x
1
, . . . , x
n
seien in u := (u
1
, . . . , u
n
)
T
partiell dierenzierbare Funktionen mit
n Variablen und f sei eine in x( u) := (x
1
( u), . . . , x
n
( u))
T
dierenzierbare Funktion. Dann
ist auch die verkettete Funktion g := f x (d.h. g(u) = f(x(u))) in u partiell dierenzierbar
und es gilt f ur alle i = 1, . . . , n
g
u
i
( u) = f
x
1
(x( u)) x
1
u
i
( u) +. . . +f
x
n
(x( u)) x
n
u
i
( u) (2)
oder kurz
g
u
i
=
f
x
1
x
1
u
i
+. . . +
f
x
n
x
n
u
i
.
Denieren wir die sogenannte (Jacobische) Funktionalmatrix von x als
x
u
:=
_
_
_
x
1
u
1
, . . . , x
1
u
n
.
.
.
.
.
.
x
n
u
1
, . . . , x
n
u
n
_
_
_
=
_
_
_
x
1
u
1
, . . . ,
x
1
u
n
.
.
.
.
.
.
x
n
u
1
, . . . ,
x
n
u
n
_
_
_
,
so lasst sich das Gleichungssystem (2) auch schreiben als
g( u) =
x
u
( u)
T
f(x( u)).
Beispiel 9.17 (Polarkoordinaten): Durch die Gleichungen
x
1
= r cos
x
2
= r sin
_
0 < 2 , r 0
Beispiele und Notizen 36
37 Theorie
ist eine Transformation zwischen Polarkoordinaten und kartesischen Koordinaten gegeben.
Dann lautet die Funktionalmatrix
(x
1
, x
2
)
(r, )
=
_
cos r sin
sin r cos
_
.
Es ist
Det
_
(x
1
, x
2
)
(r, )
_
= r cos
2
+r sin
2
= r.
Bemerkung 9.18 (Newton-Verfahren): Will man f ur eine gegebene Vektorfunktion
f : R
n
R
n
eine Losung des (nichtlinearen) Gleichungssystems
f(x) =

0
bestimmen, so kann man unter geeigneten Voraussetzungen eine Naherungslosung mit Hilfe
des Newton-Verfahrens berechnen. Ausgehend von einem Startvektor x
(0)
R
n
bestimmt
man f ur jedes k = 0, 1, 2, . . . eine Losung des linearen Gleichungssystems
F(x
(k)
) d
(k)
= f(x
(k)
) (3)
(hierbei bezeichne F die Funktionalmatrix von f) und setzt dann
x
(k+1)
:= x
(k)
+d
(k)
. (4)
Auf diese Weise erhalt man (falls die linearen Gleichungssysteme losbar sind) eine Folge
von Vektoren x
(0)
, x
(1)
, x
(2)
, . . . , f ur die man unter gewissen Voraussetzungen Konvergenz
zeigen kann. Ist f ur ein k {0, 1, 2, . . .} F(x
(k)
) invertierbar, so folgt aus (3)
d
(k)
= F(x
(k)
)
1
f(x
(k)
),
und mit (4) ergibt sich
x
(k+1)
= x
(k)
F(x
(k)
)
1
f(x
(k)
).
Diese Formel verallgemeinert die bekannte Iterationsformel aus Bemerkung 6.17.
Beispiel 9.19: Gesucht ist eine Losung x des nichtlinearen Gleichungssystems
cos x
1
+ 10x
1
+ 2x
2
+ 1 = 0,
cos x
2
+ 2x
1
+ 10x
2
2 = 0.
Wir setzen
f(x
1
, x
2
) :=
_
cos x
1
+ 10x
1
+ 2x
2
+ 1
cos x
2
+ 2x
1
+ 10x
2
2
_
und erhalten die Funktionalmatrix
F(x
1
, x
2
) =
_
sin x
1
+ 10 2
2 sin x
2
+ 10
_
.
Wir starten das Newton-Verfahren mit x
(0)
:=
_
0
0
_
. Dann ist
f(x
(0)
) =
_
2
1
_
, F(x
(0)
) =
_
10 2
2 10
_
.
Als Losung des linearen Gleichungssystems
_
10 2
2 10
_

_
d
(0)
1
d
(0)
2
_
=
_
2
1
_
Beispiele und Notizen 38
39 Theorie
erhalten wir
d
(0)
=
1
48
_
11
7
_
,
und somit ergibt sich
x
(1)
= x
(0)
+d
(0)
=
1
48
_
11
7
_
.
Dann gilt weiter
f(x
(1)
)
_
0, 026 . . .
0, 010 . . .
_
, F(x
(1)
)
_
10, 227 . . . 2
2 9, 854 . . .
_
,
_
10, 227 . . . 2
2 9, 854 . . .
_

_
d
(1)
1
d
(1)
2
_
=
_
0, 026 . . .
0, 010 . . .
_
und
d
(1)

_
0, 002 . . .
0, 000 . . .
_
, x
(2)

_
0, 2267240404
0, 1464147417
_
.
Wegen
f(x
(2)
)
_
0, 0000029064
0, 0000001676
_
ist x
(2)
bereits eine gute Naherungslosung.
Beispiel 9.20 (Ableitung implizit gegebener Funktionen): Durch die Gleichungen
x
3
= y
4
+ sin y + 1 , y(1) = 0
wird eine Funktion y (mit den Funktionswerten y(x))

implizit deniert. Es ist unser


Ziel, die Ableitung y

zu berechnen. Dazu setzen wir x


1
= t, x
2
= y(t) und f(x
1
, x
2
) =
x
3
1
x
4
2
sin x
2
1. Dann ist
g(t) := f(t, y(t)) = t
3
y(t)
4
sin y(t) 1 = 0.
Nach Satz 9.15 folgt
g

(t) = f
x
1
(t, y(t)) 1 +f
x
2
(t, y(t)) y

(t)
= 3x
2
1
+
_
4x
3
2
cos x
2
_
y

(t)
= 3t
2

_
4y(t)
3
+ cos y(t)
_
y

(t).
Wegen g(t) = 0 ist g

(t) = 0, und damit gilt:


0 = 3t
2

_
4y(t)
3
+ cos y(t)
_
y

(t).
Also ist
y

(t) =
3t
2
4y(t)
3
+ cos y(t)
.
Insbesondere erhalten wir
y

(1) =
3
4y(1)
3
+ cos y(1)
= 3 .
Beispiele und Notizen 40
41 Theorie
Ist allgemein durch die Gleichung f(x, y) = 0 eine dierenzierbare Funktion y (mit Funk-
tionswerten y(x)) gegeben, so folgt nach Satz 9.15
0 =
d
dx
f(x, y(x)) = f
x
1 +f
y
y

,
also
y

=
f
x
f
y
, falls f
y
= 0.
Der folgende Satz besagt unter den angegebenen Voraussetzungen, dass sich die Gleichung
f(x, y) =

0
in einem moglicherweise kleinen Bereich nach y auosen lasst, d.h., auf dieser Menge ist
y = g(x) f ur eine geeignete Funktion g.
Satz 9.21 (Satz uber implizite Funktionen): U
x
R
s
und U
y
R
t
seien Umgebungen
zweier Punkte x R
s
bzw. y R
t
. f : R
s
R
t
R
t
sei eine gegebene, in einer Umgebung
von ( x, y) stetig dierenzierbare Funktion mit den Eigenschaften
Det
_
f
y
(x, y)
_
= 0 f ur alle x U
x
und alle y U
y
(
f
y
bezeichne die Funktionalmatrix von f, wobei nur bzgl. des y-Anteils von (x, y) partiell
dierenziert wird) und
f( x, y) =

0.
Dann gibt es Umgebungen

U
x
U
x
von x und

U
y
U
y
von y, so dass durch die Gleichung
f(x, y) =

0
in

U
x
genau eine stetig dierenzierbare Funktion g :

U
x


U
y
mit
f(x, g(x)) =

0 x

U
x
implizit deniert ist.
Partielle Ableitungen hoherer Ordnung einer Funktion f mit n Variablen erhalt man, wenn
man die partiellen Ableitungen der partiellen Ableitungen bildet, falls diese Ausdr ucke
existieren.
Schreibweisen:

x
1
f
x
1
=: f
x
1
x
1
=:

2
f
x
2
1
,

x
2
f
x
1
=: f
x
1
x
2
=:

2
f
x
1
x
2
.
Beispiel 9.22: Siehe Vorlesung.
Satz 9.23 (Schwarz): Hat die Funktion f partielle Ableitungen n-ter Ordnung und sind
diese stetig, so ist bei den partiellen Ableitungen n-ter Ordnung die Reihenfolge der Die-
renziationen vertauschbar.
Im Falle zweier Variablen ist somit f
xy
= f
yx
, falls f zweimal stetig partiell dierenzierbar
ist.
Beispiele und Notizen 42
43 Theorie
Denition 9.24: Ist eine Funktion f mit n Variablen zweimal partiell dierenzierbar, so
heit die Matrix
H :=
_
_
_
f
x
1
x
1
. . . f
x
1
x
n
.
.
.
.
.
.
f
x
n
x
1
. . . f
x
n
x
n
_
_
_
die Hesse-Matrix von f.
Sind die partiellen Ableitungen 2. Ordnung von f stetig, so ist die Hesse-Matrix nach Satz
9.23 symmetrisch.
Beispiel 9.25 (Polarkoordinaten): Wie im Beispiel 9.17 setzen wir
x
1
= r cos
x
2
= r sin
_
0 < 2 , r 0.
Es ist
(x
1
, x
2
)
(r, )
=
_
cos r sin
sin r cos
_
.
Ist f als Funktion von 2 Variablen zweimal dierenzierbar und g gegeben durch
g(r, ) = f(x
1
(r, ), x
2
(r, )),
so folgt mit der Kettenregel
g
r
= f
x
1
cos +f
x
2
sin
g

= f
x
1
(r sin ) +f
x
2
r cos = f
x
1
r sin +f
x
2
r cos
g
rr
=
g
r
r
=

r
(f
x
1
cos +f
x
2
sin )
=
_
f
x
1
x
1
x
1
r
+f
x
1
x
2
x
2
r
_
cos +
_
f
x
2
x
1
x
1
r
+f
x
2
x
2
x
2
r
_
sin
=
_
f
x
1
x
1
cos +f
x
1
x
2
sin
_
cos +
_
f
x
2
x
1
cos +f
x
2
x
2
sin
_
sin
= f
x
1
x
1
cos
2
+ 2f
x
1
x
2
sin cos +f
x
2
x
2
sin
2

=
g

(f
x
1
r sin +f
x
2
r cos )
=
_
f
x
1
x
1
x
1

+f
x
1
x
2
x
2

_
r sin f
x
1
r cos
+
_
f
x
2
x
1
x
1

+f
x
2
x
2
x
2

_
r cos +f
x
2
r(sin )
=
_
f
x
1
x
1
(r sin ) +f
x
1
x
2
r cos
_
r sin f
x
1
r cos
+
_
f
x
2
x
1
(r sin ) +f
x
2
x
2
r cos
_
r cos f
x
2
r sin
= r
2
_
f
x
1
x
1
sin
2
2f
x
1
x
2
cos sin +f
x
2
x
2
cos
2

_
r(f
x
1
cos +f
x
2
sin ).
Daraus ergibt sich
g
rr
+
1
r
2
g

+
1
r
g
r
= f
x
1
x
1
(cos
2
+ sin
2
) +f
x
2
x
2
(sin
2
+ cos
2
)
= f
x
1
x
1
+f
x
2
x
2
(f
x
1
x
1
+f
x
2
x
2
heit Laplace-Operator und wird mit f bezeichnet).
Beispiele und Notizen 44
45 Theorie
9.4 Mittelwertsatz und Taylorsche Formel
Satz 9.26 (Mittelwertsatz): f sei eine Funktion mit n Variablen. f sei in einem Gebiet
G D(f) dierenzierbar und es sei x G. Zu jedem x G, f ur das die Verbindungsstrecke
zwischen x und x in G verlauft, existiert ein (0, 1) mit
f(x) = f( x) +f( x +(x x))
T
(x x).
F ur Funktionen mit 2 Variablen geben wir noch eine Taylorsche Formel an.
Satz 9.27 (Taylorsche Formel): f sei eine Funktion mit 2 Variablen. f besitze in einem
Gebiet G D(f) stetige partielle Ableitungen bis zur Ordnung k +1. Die Punkte x, x und
ihre Verbindungsstrecke seien in G enthalten. Dann existiert eine Zahl (0, 1) mit
f(x) =
k

i=0
1
i!
_
_
(x
1
x
1
)

x
1
+ (x
2
x
2
)

x
2
_
i
f
_
( x) +r
k
,
wobei f ur den Rest r
k
gilt
r
k
=
1
(k + 1)!
_
_
(x
1
x
1
)

x
1
+ (x
2
x
2
)

x
2
_
k+1
f
_
( x +(x x))
und das Symbol
_
(x
1
x
1
)

x
1
+ (x
2
x
2
)

x
2
_
i
f folgendermaen deniert ist:
_
(x
1
x
1
)

x
1
+ (x
2
x
2
)

x
2
_
i
f :=

i
f
x
i
1
(x
1
x
1
)
i
+
_
i
1
_

i
f
x
i1
1
x
2
(x
1
x
1
)
i1
(x
2
x
2
)
+. . . +

i
f
x
i
2
(x
2
x
2
)
i
.
Zur Verdeutlichung soll die Taylorsche Formel f ur k = 0, 1, 2 ausgeschrieben werden.
k = 0: Wir erhalten die Formel aus dem Mittelwertsatz 9.26.
k = 1:
f(x) = f( x) +f
x
1
( x) (x
1
x
1
) +f
x
2
( x) (x
2
x
2
)
+
1
2
_
f
x
1
x
1
( x +(x x)) (x
1
x
1
)
2
+2f
x
1
x
2
( x +(x x)) (x
1
x
1
) (x
2
x
2
)
+f
x
2
x
2
( x +(x x)) (x
2
x
2
)
2
_
.
k = 2:
f(x) = f( x) +f
x
1
( x) (x
1
x
1
) +f
x
2
( x) (x
2
x
2
)
+
1
2
_
f
x
1
x
1
( x) (x
1
x
1
)
2
+ 2f
x
1
x
2
( x) (x
1
x
1
) (x
2
x
2
)
+f
x
2
x
2
( x) (x
2
x
2
)
2
_
+r
2
.
Unter Verwendung der Hesse-Matrix H von f kann man im Falle von k = 2 auch schreiben:
f(x) = f( x) +f( x)
T
(x x) +
1
2
(x x)
T
H( x) (x x) +r
2
.
Beispiel 9.28: Siehe Vorlesung.
Beispiele und Notizen 46
47 Theorie
9.5 Optimierung
Denition 9.29: f sei eine Funktion mit n Variablen.
a) Ein Punkt x M D(f) heit (globale) Minimalstelle (bzw. (globale) Maximalstelle)
von f auf M, falls
f( x) f(x) x M
(bzw. f( x) f(x) x M).
In diesem Fall heit der Funktionswert f( x) Minimalwert (bzw. Maximalwert). Jede
Minimalstelle oder Maximalstelle von f heit auch (globale) Extremalstelle.
b) Ein Punkt x M D(f) heit lokale Minimalstelle (bzw. lokale Maximalstelle) von
f auf M, falls f ur eine Umgebung U von x
f( x) f(x) x U M
(bzw. f( x) f(x) x U M).
Jede lokale Minimalstelle oder lokale Maximalstelle von f heit auch lokale Extremal-
stelle.
0
10
20
30
40
50
0
10
20
30
40
50
8
6
4
2
0
2
4
6
8
10
Funktion mit lokalen und globalen Extremalstellen.
Es ist oensichtlich, dass jede globale Extremalstelle auch eine lokale Extremalstelle ist.
Das Problem
min
xD(f)
f(x)
(mit M = D(f)) wird auch als ein unrestringiertes Optimierungsproblem bezeichnet. Die
Funktion f wird Zielfunktion genannt.
Satz 9.30 (Notwendige Optimalitatsbedingung f ur unrestringierte Probleme):
Eine Funktion f mit n Variablen sei in einem inneren Punkt x von D(f) partiell dieren-
zierbar. Ist x eine lokale Extremalstelle von f auf D(f), so ist
f( x) = 0.
Beweis: An jeder lokalen Extremalstelle x muss die Richtungsableitung von f (falls sie
existiert) in jeder Richtung Null sein. Somit sind auch alle partiellen Ableitungen 0. 2
Beispiele und Notizen 48
49 Theorie
Beispiel 9.31: Siehe Vorlesung.
Ein Punkt x D(f) mit f( x) = 0 heit auch stationarer Punkt von f. Ein stationarer
Punkt x ist dadurch gekennzeichnet, dass die Tangentialebene von f in x horizontal verlauft.
Man beachte, dass nicht jeder stationare Punkt eine lokale Extremalstelle ist.
Satz 9.32 (Hinreichende Optimalitatsbedingung f ur unrestringierte Probleme):
f : R
n
R sei eine gegebene Funktion, und x R
n
sei ein gegebener Punkt.
a) f sei zweimal stetig partiell dierenzierbar auf R
n
. Ist f( x) = 0 und ist die Hesse-
Matrix H(x) von f f ur jedes x R
n
positiv semidenit (bzw. negativ semidenit), so
besitzt f auf R
n
in x eine globale Minimalstelle (bzw. globale Maximalstelle).
b) f sei zweimal stetig partiell dierenzierbar in einer Umgebung von x. Ist f( x) = 0
und ist die Hesse-Matrix H( x) positiv denit (bzw. negativ denit), so besitzt f auf
R
n
in x eine lokale Minimalstelle (bzw. lokale Maximalstelle).
Beweis:
a) Nach der Taylorschen Formel f ur k = 1 (wobei wir nur den Fall n = 2 untersucht
haben) gibt es zu jedem x R
n
ein x R
n
mit
f(x) = f( x) +f( x)
. .
=0
T
(x x) +
1
2
(x x)
T
H( x) (x x)
. .
0
f( x).
Folglich ist x eine globale Minimalstelle von f auf R
n
.
b) Da H( x) positiv denit ist, ist H(x) f ur alle x aus einer hinreichend kleinen Umgebung
von x positiv semidenit. Die Behauptung folgt dann wie unter a).
2
Beispiel 9.33: Siehe Vorlesung.
In den Ingenieurwissenschaften treten oft Optimierungsprobleme auf, bei denen eine Funkti-
on f unter Beachtung von zusatzlichen Nebenbedingungen zu minimieren bzw. maximieren
ist. Das Problem
min f(x)
unter den Nebenbedingungen
g
1
(x) 0
.
.
.
g
m
(x) 0
h
1
(x) = 0
.
.
.
h
p
(x) = 0
x R
n
wird als ein restringiertes Optimierungsproblem bezeichnet. Die Menge aller Vektoren x,
die alle Nebenbedingungen erf ullen, heit Restriktionsmenge.
Restringierte Optimierungsprobleme mit 2 Variablen lassen sich oft grasch losen.
Beispiele und Notizen 50
51 Theorie
Beispiel 9.34 (Entwurf eines rechteckigen Holztragers):

B
B

B
B
l
Langsschnitt des Balkens
x
y
Querschnitt des Balkens
l > 0 sei die gegebene Lange des Balkens. x beschreibe die Hohe und y gebe die Breite
an. Die Zielfunktion lautet lxy und beschreibt das Volumen des Balkens (als Ma f ur das
Gewicht des Balkens). Die Nebenbedingungen lauten:
2000 x
2
y (Tragfahigkeitsbedingung)
x 4y, y x (Stabilitatsbedingungen)
x 0, y 0 (Nichtnegativitatsbedingungen).
Damit ergibt sich das Optimierungsproblem:
min lxy
unter den Nebenbedingungen
2000 x
2
y 0
x 4y 0
x +y 0
x 0, y 0.
0
5
10
15
20
25
0 5 10 15 20 25 30
. . . . . . . . . . . . . . . . . . . . .
.....................
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
.......................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
........................................................................................................................................................................................................................................................................................................................................................................................................................................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......................................................................................................................................................................................................................................................................................................................................................................................................................................................................
...........
...........
...........
...........
...........
...........
...........
...........
...........
...........
...........
...........
...........
...........
...........
...........
........... ........... ........... ........... ........... ....
( x, y)
y
x
x +y = 0
x 4y = 0
xy = 100
2000 x
2
y = 0

Restriktionsmenge dieses Problems.


Grasch erhalt man die Losung ( x, y) = (20, 5). Der Minimalwert von f (Minimalgewicht)
lautet f( x, y) = 100l.
Satz 9.35 (Notwendige Optimalitatsbedingung f ur restringierte Probleme): f, g
1
,
. . . , g
m
, h
1
, . . . , h
p
: R
n
R seien gegebene Funktionen, und x R
n
sei eine lokale Mini-
malstelle von f auf der Restriktionsmenge
M :=
_
x R
n

g
1
(x) 0, . . . , g
m
(x) 0, h
1
(x) = 0, . . . , h
p
(x) = 0
_
.
Die Funktionen f, g
1
, . . . , g
m
seien dierenzierbar in x, und die Funktionen h
1
, . . . , h
p
seien
stetig dierenzierbar in x. Das System der Vektoren h
1
( x), . . . , h
p
( x) sei linear un-
abhangig. Ferner gebe es einen Vektor y R
n
mit
g
i
( x)
T
y < 0 i I( x)
Beispiele und Notizen 52
53 Theorie
und
h
i
( x)
T
y = 0 i {1, . . . , p},
wobei
I( x) :=
_
i {1, . . . , m}

g
i
( x) = 0
_
ist. Dann gibt es Multiplikatoren u
i
0 (i I( x)) und v
1
, . . . , v
p
R mit
f( x) +

iI( x)
u
i
g
i
( x) +
p

i=1
v
i
h
i
( x) =

0.
Die notwendige Optimalitatsbedingung in Satz 9.35 wird als Karush-Kuhn-Tucker-Bedin-
gung (kurz KKT-Bedingung) bezeichnet. Liegen nur Gleichungsrestriktionen vor, so heit
diese Optimalitatsbedingung auch Multiplikatorenregel von Lagrange. Die Koezienten u
i
(i I( x)), v
1
, . . . , v
p
heien Lagrange-Multiplikatoren.
Sind nur Nebenbedingungen in Form von Ungleichungen gegeben, so lasst sich die KKT-
Bedingung wie folgt veranschaulichen.
.........................................................................................................................................................................................................................................................................................
..................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
...............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
............................................................................................................................................................ . . . . . . . . . ......
. . . . . . . . . . . . . . . .
........................................................................................................ . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................
................
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . .. ..
...........
...........
...........
...........
...........
...........
...........
...........
...........
.
. . . . . . . . . . .
. . . . . . . . . . .
...........
...........
...........
...........
...........
...........
...........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

x
M
g
1
(x) = 0
g
2
(x) = 0
g
3
(x) = 0
f(x) = f( x)
f( x)
g
2
( x)
g
3
( x)
In diesem Bild ist mit geeigneten Lagrange-Multiplikatoren u
2
, u
3
0
f( x) = u
2
g
2
( x) +u
3
g
3
( x)
bzw.
f( x) +u
2
g
2
( x) +u
3
g
3
( x) =

0.
Beispiel 9.36: Bewegt sich ein Quantenteilchen der Masse m in einem Quader mit den
Seiten a, b, c > 0, so ist seine Energie gegeben durch
E =
h
2
8ma
2
b
2
c
2
_
b
2
c
2
x
2
1
+a
2
c
2
x
2
2
+a
2
b
2
x
2
3
_
,
wobei x
1
, x
2
, x
3
Quantenzahlen sind. Gesucht ist die Minimalenergie E
min
des Teilchens,
wenn die Summe der Quantenzahlen konstant ist: x
1
+ x
2
+ x
3
= N. Zur Vereinfachung
formulieren wir das entsprechende Optimierungsproblem folgendermaen:
min f(x
1
, x
2
, x
3
) = b
2
c
2
x
2
1
+a
2
c
2
x
2
2
+a
2
b
2
x
2
3
unter der Nebenbedingung
h
1
(x) = x
1
+x
2
+x
3
N = 0.
Beispiele und Notizen 54
55 Theorie
Partielle Ableitungen von f und h
1
:
f
x
1
= 2b
2
c
2
x
1
, f
x
2
= 2a
2
c
2
x
2
, f
x
3
= 2a
2
b
2
x
3
, h
1
x
1
= 1 = h
1
x
2
= h
1
x
3
.
Ist x eine lokale Minimalstelle von f auf der Restriktionsmenge, so ist h
1
( x) = 0, und wegen
h
1
( x) = 0 gibt es einen Multiplikator v
1
R mit
f( x) +v
1
h
1
( x) = 0.
Somit ist
2b
2
c
2
x
1
+v
1
= 0
2a
2
c
2
x
2
+v
1
= 0
2a
2
b
2
x
3
+v
1
= 0
x
1
+ x
2
+ x
3
N = 0.
Die einzige Losung dieses Gleichungssystems lautet
x
1
=
a
2
a
2
+b
2
+c
2
N, x
2
=
b
2
a
2
+b
2
+c
2
N, x
3
=
c
2
a
2
+b
2
+c
2
N, v
1
=
2N
1
b
2
c
2
+
1
a
2
c
2
+
1
a
2
b
2
.
Satz 9.37 (Hinreichende Optimalitatsbedingung f ur restringierte Probleme):
f, g
1
, . . . , g
m
: R
n
R seien gegebene Funktionen, h
1
, . . . , h
p
: R
n
R seien an-lineare
Funktionen, und es sei ein
x M :=
_
x R
n

g
1
(x) 0, . . . , g
m
(x) 0, h
1
(x) = 0, . . . , h
p
(x) = 0
_
gegeben. Es sei
I( x) :=
_
i {1, . . . , m}

g
i
( x) = 0
_
,
und die Funktionen f, g
1
, . . . , g
m
seien zweimal stetig partiell dierenzierbar. F ur alle x R
n
seien die Hesse-Matrizen der Funktionen f und g
i
(i I( x)) positiv semidenit. Gibt es
Multiplikatoren u
i
0 (i I( x)) und v
1
, . . . , v
p
R mit
f( x) +

iI( x)
u
i
g
i
( x) +
p

i=1
v
i
h
i
( x) =

0,
so ist x eine globale Minimalstelle von f auf M.
Beispiel 9.38: Wir kommen wieder auf das restringierte Optimierungsproblem aus Beispiel
9.36 zur uck. Die Hesse-Matrix der Zielfunktion f lautet
H(x) =
_
_
2b
2
c
2
0 0
0 2a
2
c
2
0
0 0 2a
2
b
2
_
_
x R
3
und ist wegen a, b, c > 0 positiv denit und damit auch positiv semidenit f ur alle x R
3
.
Die Restriktionsfunktion h
1
ist an-linear. Wir haben bereits gesehen, dass der Punkt
x =
N
a
2
+b
2
+c
2
_
_
a
2
b
2
c
2
_
_
die KKT-Bedingung erf ullt. Nach Satz 9.37 ist damit x eine globale Minimalstelle von f
auf der Restriktionsmenge.
Beispiele und Notizen 56
57 Theorie
9.6 Methode der kleinsten Quadrate
Die Methode der kleinsten Quadrate verwendet man haug zum Ausgleichen von Messfeh-
lern bei naturwissenschaftlichen Experimenten.
Wir gehen davon aus, dass zwischen zwei Groen x und y ein linearer Zusammenhang
y(x) = ax + b besteht. Die reellen Konstanten a und b sollen durch eine Messreihe mit N
Punktepaaren (x
1
, y
1
), . . . , (x
N
, y
N
) bestmoglich bestimmt werden (x
1
, . . . , x
N
seien dabei
paarweise verschieden). Dazu minimieren wir die Funktion f mit
f(a, b) =
N

i=1
_
y(x
i
) y
i
_
2
=
N

i=1
_
ax
i
+b y
i
_
2
(a, b) R
2
.
Die Gerade, die diese Forderung erf ullt, wird Ausgleichsgerade bzgl. der Punkte (x
1
, y
1
), . . . ,
(x
N
, y
N
) genannt.
Satz 9.39: Die Ausgleichsgerade bzgl. der Punkte (x
1
, y
1
), . . . , (x
N
, y
N
) mit N > 1 ist
gegeben durch y(x) = ax +b mit
a =
N
N

i=1
x
i
y
i

_
N

i=1
x
i
__
N

i=1
y
i
_
N
N

i=1
x
2
i

_
N

i=1
x
i
_
2
und
b =
_
N

i=1
y
i
__
N

i=1
x
2
i
_

_
N

i=1
x
i
__
N

i=1
x
i
y
i
_
N
N

i=1
x
2
i

_
N

i=1
x
i
_
2
.
Beweis:
f
a
= 2
N

i=1
x
i
(ax
i
+b y
i
)
f
b
= 2
N

i=1
(ax
i
+b y
i
)
f
aa
= 2
N

i=1
x
2
i
, f
ab
= 2
N

i=1
x
i
, f
bb
= 2
N

i=1
1 = 2N
f
a
= f
b
= 0
_

_
a
N

i=1
x
2
i
+b
N

i=1
x
i

i=1
x
i
y
i
= 0
a
N

i=1
x
i
+bN
N

i=1
y
i
= 0
Dieses lineare Gleichungssystem besitzt die in diesem Satz angegebene Losung. Die Hesse-
Matrix von f lautet
H(a, b) =
_
_
_
_
_
_
2
N

i=1
x
2
i
2
N

i=1
x
i
2
N

i=1
x
i
2N
_
_
_
_
_
_
Beispiele und Notizen 58
59 Theorie
mit den f uhrenden Hauptabschnittsdeterminanten 2
N

i=1
x
2
i
> 0 und 4N
N

i=1
x
2
i
4
_
N

i=1
x
i
_
2
> 0. Somit ist die Hesse-Matrix positiv denit, und die Losung des Gleichungssystems ist
eine Minimallosung des Optimierungsproblems. 2
Beispiel 9.40:
N = 5 : (2, 0), (1, 0), (0, 1), (1, 3), (2, 2)
Tableau:
x
i
y
i
x
2
i
x
i
y
i
-2 0 4 0
-1 0 1 0
0 1 0 0
1 3 1 3
2 2 4 4

: 0 6 10 7
Daraus ergeben sich a =
5 7 0
5 10 0
=
7
10
und b =
6 10 0
5 10 0
=
6
5
.
2 1.5 1 0.5 0 0.5 1 1.5 2
0.5
0
0.5
1
1.5
2
2.5
3
y=0.7*x+1.2
Darstellung der Ausgleichsgerade.
9.7 Fehlerrechnung
Die Fehlerrechnung wird oft bei der Abschatzung von Messfehlern verwendet, die im Zu-
sammenhang mit der Durchf uhrung naturwissenschaftlicher Experimente auftreten.
Wir gehen davon aus, dass x
1
, . . . , x
n
Messwerte sind und dass f ur eine bekannte Funktion
f mit n Variablen der Funktionswert f(x
1
, . . . , x
n
) berechnet werden kann. Im Allgemeinen
treten bei der Messung Messfehler x
1
, . . . , x
n
auf. Frage: Um wieviel weicht der aus den
Messwerten berechnete Wert f(x
1
+x
1
, . . . , x
n
+x
n
) von dem wahren Wert f(x
1
, . . . , x
n
)
ab? Wir fragen also nach dem absoluten Fehler
f := f(x
1
+ x
1
, . . . , x
n
+ x
n
) f(x
1
, . . . , x
n
).
Ist f dierenzierbar, so existiert nach dem Mittelwertsatz ein (0, 1) mit
f(x + x) = f(x) +f(x +x)
T
x
bzw.
f =
n

i=1
f
x
i
(x +x) x
i
.
Beispiele und Notizen 60
61 Theorie
Sind obere Schranken h
1
, . . . , h
n
f ur die absoluten Messfehler bekannt, d.h.
|x
i
| h
i
, i = 1, . . . , n,
und sind diese Fehlerschranken klein, so kann man x + x naherungsweise als x + x
schreiben.
Dann folgt:
|f| =

i=1
f
x
i
(x +x) x
i

i=1
f
x
i
(x + x) x
i

i=1
|f
x
i
(x + x)| |x
i
|

i=1
|f
x
i
(x + x)| h
i
.
Oft interessieren auch die relativen Fehler

x
i
x
i
+x
i

(i = 1, . . . , n) und

f
f(x+x)

. Sind obere
Schranken
1
, . . . ,
n
f ur die relativen Messfehler bekannt, d.h.

x
i
x
i
+ x
i


i
, i = 1, . . . , n,
so erhalt man wie oben

f
f(x + x)

i=1

f
x
i
(x + x) (x
i
+ x
i
)
f(x + x)


i
.
Beispiel 9.41: Zu bestimmen ist die Dichte eines Messingst uckes nach der Auftriebs-
methode:
=
m
m m
,
m: Gewicht in Luft
m: Gewicht in Wasser.
Eine Messung ergebe m = 100 5 10
3
g, m = 88 8 10
3
g. Wie gro ist der relative
Fehler von ?
Wir setzen x
1
= m, x
2
= m, f(x
1
, x
2
) =
x
1
x
1
x
2
und erhalten
f
x
1
=
x
2
(x
1
x
2
)
2
, f
x
2
=
x
1
(x
1
x
2
)
2
.
Ferner ist x
1
+ x
1
= 100, x
2
+ x
2
= 88, h
1
= 5 10
3
, h
2
= 8 10
3
. Dann kann man

1
= 5 10
5
und
2
= 10
4
setzen. Auerdem ist f(x + x) =
25
3
, f
x
1
(x + x) =
88
12
2
und f
x
2
(x + x) =
100
12
2
. Somit ergibt sich

f
f(x + x)

22
3
(5 10
5
+ 10
4
) 1, 1 10
3
,
d.h., der relative Fehler betragt also etwa 0, 11%.
Beispiele und Notizen 62
63 Theorie
10 Integration von Funktionen
10.1 Grundlegende Denitionen
Flachenbestimmung:
Gegeben sei eine Funktion f : [a, b] R mit f(x) > 0 x [a, b]. Gesucht ist der
Flacheninhalt der Flache, die durch die x-Achse und die Funktion f eingeschlossen wird.
Vorgehensweise:
1. Wir bilden eine Zerlegung Z von [a, b] in n + 1 Teilpunkte
a = x
0
< x
1
< x
2
< . . . < x
n
= b
und bezeichnen Z := max
1in
(x
i
x
i1
) als Norm dieser Zerlegung.
2. Wir wahlen ein x
i
[x
i1
, x
i
] und bilden die Riemannsche Summe
S
Z
=
n

i=1
f( x
i
) (x
i
x
i1
).
3. Wir gehen zu immer feineren Zerlegungen uber, d.h. Z 0.
Denition 10.1: f : [a, b] R sei eine beschrankte Funktion. Streben die Riemannschen
Summen S
Z
f ur alle Zerlegungen Z von [a, b] mit Z 0 und jede Wahl der Zwischen-
stellen x
i
einem gemeinsamen Grenzwert S zu, so heit f integrierbar auf [a, b]. Die Zahl S
heit bestimmtes Integral uber f im Intervall [a, b]. Wir schreiben
S = lim
Z0
n

i=1
f( x
i
) (x
i
x
i1
) =
b
_
a
f(x) dx.
Satz 10.2:
a) Ist f : [a, b] R monoton und beschrankt, so ist f in [a, b] integrierbar.
b) Ist f : [a, b] R stetig, so ist f in [a, b] integrierbar.
Denition 10.3: F ur eine in [a, b] integrierbare Funktion f setzen wir
a
_
a
f(x) dx = 0
und
b
_
a
f(x) dx =
a
_
b
f(x) dx.
Denition 10.4: f, F : [a, b] R seien gegebene Funktionen. F heit Stammfunktion zu
f in [a, b], wenn dort gilt
F

(x) = f(x).
Beispiele und Notizen 64
65 Theorie
In diesem Fall wird F auch unbestimmtes Integral zu f genannt und mit
_
f(x) dx bezeich-
net.
Beispiel 10.5: Siehe Vorlesung.
Satz 10.6: Sind F
1
und F
2
im Intervall [a, b] Stammfunktionen zu f, so gilt mit einer
Konstanten c R
F
1
(x) = F
2
(x) +c x [a, b].
Die Konstante c heit auch Integrationskonstante.
10.2 Satze uber Integrale
Satz 10.7: Jede auf [a, b] stetige Funktion besitzt dort eine Stammfunktion.
Satz 10.8 (Hauptsatz der Dierenzial- und Integralrechnung):
f : [a, b] R sei stetig auf [a, b], und F sei irgendeine Stammfunktion zu f.
Dann gilt
b
_
a
f(x) dx = F(b) F(a).
Oft benutzt man folgende Schreibweise:
b
_
a
f(t) dt = F(x)

b
a
= F(b) F(a).
Wir weisen noch auf folgendes hin:
a) Eine integrierbare Funktion muss nicht notwendig eine Stammfunktion besitzen.
b) Eine Funktion, die eine Stammfunktion besitzt, muss nicht notwendig integrierbar sein.
Beispiel 10.9: Siehe Vorlesung.
Satz 10.10: f : [a, b] R sei stetig dierenzierbar auf [a, b], und es sei f(x) = 0 x
[a, b]. Dann gilt
_
f

(x)
f(x)
dx = ln |f(x)| +c
und
b
_
a
f

(x)
f(x)
dx = ln
f(b)
f(a)
.
Beweis:
f

f
ist stetig und damit integrierbar. Wir unterscheiden zwei Falle:
a) f(x) > 0 x [a, b]

_
ln |f(x)| +c
_

=
_
ln f(x)
_

=
f

(x)
f(x)
b) f(x) < 0 x [a, b]

_
ln |f(x)| +c
_

=
_
ln(f(x))
_

=
f

(x)
f(x)
=
f

(x)
f(x)
.
Also ist
_
f

(x)
f(x)
dx = ln |f(x)| +c,
Beispiele und Notizen 66
67 Theorie
und damit gilt
b
_
a
f

(x)
f(x)
dx = ln |f(b)| ln |f(a)| = ln

f(b)
f(a)

= ln
f(b)
f(a)
,
da f(a) und f(b) das gleiche Vorzeichen haben. 2
Beispiel 10.11: Siehe Vorlesung.
Rechenregeln f ur Integrale stetiger Funktionen f, g : [a, b] R :
a) f(x) g(x) x [a, b]
b
_
a
f(x) dx
b
_
a
g(x) dx
b)
b
_
a
_
f(x) g(x)
_
dx =
b
_
a
f(x) dx
b
_
a
g(x) dx
c)
b
_
a
f(x) dx =
b
_
a
f(x) dx R
d)

b
_
a
f(x) dx

b
_
a
|f(x)| dx
e)
b
_
a
f(x) dx =
d
_
a
f(x) dx +
b
_
d
f(x) dx d [a, b].
Satz 10.12 (Mittelwertsatz der Integralrechnung):
f, p : [a, b] R seien stetige Funktionen mit
p(x) 0 x [a, b].
Dann gibt es eine Zwischenstelle x (a, b) mit
b
_
a
f(x) p(x) dx = f( x)
b
_
a
p(x) dx.
Im Spezialfall p 1 ergibt sich aus dem Mittelwertsatz insbesondere
b
_
a
f(x) dx = f( x) (b a) f ur ein x (a, b)
bzw.
f( x) =
1
b a
b
_
a
f(x) dx f ur ein x (a, b).
10.3 Integrationsregeln
Im folgenden beschreiben wir Methoden zur Berechnung von Integralen.
Beispiele und Notizen 68
69 Theorie
I. Partielle Integration
Satz 10.13: f, g : [a, b] R seien dierenzierbare Funktionen, f ur die f

und g

auf [a, b]
stetig sind. Dann gilt:
b
_
a
f

(x) g(x) dx = f(x) g(x)

b
a

b
_
a
f(x) g

(x) dx.
Beweis: Nach der Produktregel ist
_
f(x)g(x)
_

= f

(x)g(x) +f(x)g

(x),
d.h., f(x)g(x) ist eine Stammfunktion von
f

(x)g(x) +f(x)g

(x).
Somit gilt
b
_
a
_
f

(x)g(x) +f(x)g

(x)
_
dx =
_
f(x)g(x)
_

b
a
,
woraus die Behauptung folgt. 2
Partielle Integration kann auch bei unbestimmten Integralen verwendet werden. Es emp-
ehlt sich, das Ergebnis durch Dierenzieren zu uberpr ufen.
Beispiel 10.14: Siehe Vorlesung.
II. Substitution
Satz 10.15: f(x) sei stetig in [a, b], x(t) sei in [, ] stetig dierenzierbar, und es sei
x() = a, x() = b und x(t) [a, b] t [, ]. Dann gilt
b
_
a
f(x) dx =

f(x(t)) x

(t) dt.
Beweis: Wir denieren
G(x) =
x
_
a
f(u) du.
Dann ist G

(x) = f(x), und es gilt mit der Kettenregel


d
dt
G(x(t)) =
dG
dx

dx
dt
= f(x) x

(t) = f(x(t)) x

(t).
Folglich ist G(x(t)) eine Stammfunktion von f(x(t)) x

(t), d.h.

f(x(t)) x

(t) dt = G(x(t))

= G(x()) G(x()) = G(b) G(a) =


b
_
a
f(u) du.
2
Wegen
dx
dt
= x

(t) ist formal dx = x

(t) dt, was auch zur Substitutionsregel f uhrt.


Beispiele und Notizen 70
71 Theorie
Die Substitutionsregel kann auch bei unbestimmter Integration angewendet werden. Dann
muss aber noch eine R ucksubstitution auf die Variable x ausgef uhrt werden.
Beispiel 10.16: Siehe Vorlesung.
III. Partialbruchzerlegung
Wir beschaftigen uns nun mit der Auswertung von Integralen der Form
_
P(x)
Q(x)
dx =
_
a
0
+a
1
x +. . . +a
n
x
n
b
0
+b
1
x +. . . +b
m
x
m
dx.
Dabei zerlegen wir die rationale Funktion
P
Q
in sogenannte Partialbr uche.
Im folgenden nehmen wir n < m an, denn f ur n m erhalt man durch Polynomdivision
als Rest eine rationale Funktion, die diese Bedingung erf ullt.
Satz 10.17: Gegeben seien die Polynome
P(x) = a
0
+a
1
x +. . . +a
n
x
n
und
Q(x) = b
0
+b
1
x +. . . +b
m
x
m
, b
m
= 0,
mit n < m. Das Polynom Q besitze die Darstellung
Q(x) = b
m
(x
1
)
c
1
. . . (x
k
)
c
k
(x
2
+
1
x +
1
)
d
1
. . . (x
2
+
l
x +
l
)
d
l
.
Dabei seien
1
, . . . ,
k
die reellen Nullstellen von Q mit den Vielfachheiten c
1
, . . . , c
k
; (x
2
+

1
x+
1
), . . . , (x
2
+
l
x+
l
) seien quadratische Ausdr ucke mit den Vielfachheiten d
1
, . . . , d
l
,
welche keine reellen Nullstellen besitzen. Ferner sei c
1
+ . . . + c
k
+ 2d
1
+ . . . + 2d
l
= m.
Dann besitzt die rationale Funktion
P
Q
mit Konstanten a
ij
, A
ij
, B
ij
die folgende, eindeutig
bestimmte Partialbruchzerlegung
P(x)
Q(x)
=
a
11
x
1
+
a
12
(x
1
)
2
+. . . +
a
1c
1
(x
1
)
c
1
.
.
.
+
a
k1
x
k
+
a
k2
(x
k
)
2
+. . . +
a
kc
k
(x
k
)
c
k
+
A
11
x +B
11
x
2
+
1
x +
1
+
A
12
x +B
12
(x
2
+
1
x +
1
)
2
+. . . +
A
1d
1
x +B
1d
1
(x
2
+
1
x +
1
)
d
1
.
.
.
+
A
l1
x +B
l1
x
2
+
l
x +
l
+
A
l2
x +B
l2
(x
2
+
l
x +
l
)
2
+. . . +
A
ld
l
x +B
ld
l
(x
2
+
l
x +
l
)
d
l
.
Im folgenden untersuchen wir verschiedene Spezialfalle.
1.Fall: Einfache lineare Faktoren
Beispiel 10.18: Siehe Vorlesung.
2.Fall: Mehrfache lineare Faktoren
Beispiel 10.19: Siehe Vorlesung.
3.Fall: Einfache quadratische Faktoren
Beispiele und Notizen 72
73 Theorie
Beispiel 10.20: Siehe Vorlesung.
4.Fall: Mehrfache quadratische Faktoren
Beispiel 10.21:
_
3x
4
+ 5x
3
+ 10x
2
+ 5x + 1
x
5
+ 2x
4
+ 3x
3
+ 2x
2
+x
dx =?
Nennerpolynom: x
5
+ 2x
4
+ 3x
3
+ 2x
2
+x = x(x
2
+x + 1
. .
keine reellen Nullst.
)
2
Ansatz:
3x
4
+ 5x
3
+ 10x
2
+ 5x + 1
x
5
+ 2x
4
+ 3x
3
+ 2x
2
+x
=
a
11
x
+
A
11
x +B
11
x
2
+x + 1
+
A
12
x +B
12
(x
2
+x + 1)
2
Koezientenvergleich:
a
11
= 1, A
11
= 2, B
11
= 1, A
12
= 4, B
12
= 2
Integration:
_
3x
4
+ 5x
3
+ 10x
2
+ 5x + 1
x
5
+ 2x
4
+ 3x
3
+ 2x
2
+x
dx
=
_
1
x
dx +
_
2x + 1
x
2
+x + 1
dx +
_
4x + 2
(x
2
+x + 1)
2
dx
= ln |x| + ln(x
2
+x + 1
. .
>0
) + 2
_
2x + 1
(x
2
+x + 1)
2
dx
= ln |x| + ln(x
2
+x + 1)
2
x
2
+x + 1
+c mit c R beliebig.
In den beiden folgenden Satzen geben wir Integrale an, die bei der Partialbruchzerlegung
haug vorkommen.
Satz 10.22: F ur R und k N gilt:
_
1
(x )
k
dx =
_

_
ln |x | falls k = 1

1
k 1
1
(x )
k1
falls k > 1
Satz 10.23: F ur A, B, , R mit 4 >
2
gilt:
a)
_
Ax +B
x
2
+x +
dx =
A
2
ln(x
2
+x +) +
2B A
_
4
2
arctan
2x +
_
4
2
.
b) F ur k > 1, k N, ist
_
Ax +B
(x
2
+x +)
k
dx =
A
2(k 1)(x
2
+x +)
k1
+
_
B
A
2
_ _
1
(x
2
+x +)
k
dx
und
_
1
(x
2
+x +)
k
dx =
1
(k 1)(4
2
)

2x +
(x
2
+x +)
k1
+
2(2k 3)
(k 1)(4
2
)
_
1
(x
2
+x +)
k1
dx.
Beispiele und Notizen 74
75 Theorie
10.4 Uneigentliche Integrale
Denition 10.24: f : [a, b) R sei integrierbar in jedem Intervall [a, B] mit a < B < b.
Existiert der Grenzwert
lim
Bb
B
_
a
f(x) dx,
so heit f uneigentlich integrierbar in [a, b], und wir bezeichnen
b
_
a
f(x) dx := lim
Bb
B
_
a
f(x) dx
als uneigentliches Integral.
Entsprechend deniert man uneigentliche Integrale durch Grenz ubergang bei der Integral-
untergrenze und f ur a = bzw. b = . Falls f : R R f ur ein c R sowohl in (, c]
als auch in [c, ) uneigentlich integrierbar ist, so setzen wir

f(x) dx :=
c
_

f(x) dx +

_
c
f(x) dx.
Beispiele 10.25 und 10.26: Siehe Vorlesung.
In zahlreichen Anwendungen tritt das uneigentliche Integral

e
x
2
dx auf. Da die Funkti-
on e
x
2
keine elementare Stammfunktion besitzt, ist die Berechnung dieses uneigentlichen
Integrals etwas komplizierter.
Satz 10.27:

e
x
2
dx =

.
10.5 Parameterintegrale
In diesem Abschnitt sei I R ein gegebenes Intervall, und f : [a, b] I R sei eine
gegebene Funktion. Dann untersuchen wir die Integralfunktion F : I R mit
F(t) =
b
_
a
f(x, t) dx
. .
Parameterintegral
t I.
Beispiel 10.28:
a) F(t) =
2
_
1
e
xt
x
dx, t R
Beispiele und Notizen 76
77 Theorie
b) J
2n
(t) =
1

_
0
cos(t sin x) cos(2nx) dx, n Z, t R,
J
2n+1
(t) =
1

_
0
sin(t sin x) sin((2n + 1)x) dx, n Z, t R
(Bessel-Funktionen erster Gattung n-ter Ordnung).
Satz 10.29: f : [a, b] I R sei eine gegebene Funktion, und F : I R bezeichne die
zugehorige Integralfunktion.
Dann gilt:
a) Ist f auf [a, b] I stetig, so ist F auf I stetig.
b) Ist f auf [a, b] I stetig, existiert auf [a, b] I die partielle Ableitung
f
t
und ist diese
dort stetig, so ist F auf I dierenzierbar und es gilt:

F(t) =
b
_
a
f(x, t)
t
dx.
Beispiel 10.30: Siehe Vorlesung.
Im folgenden Satz nehmen wir speziell I = [c, d] an.
Satz 10.31 (Satz von Fubini): Ist f : [a, b] [c, d] R eine stetige Funktion, so folgt
f ur die zugehorige Integralfunktion F : [c, d] R :
d
_
c
F(t) dt =
d
_
c
_
_
b
_
a
f(x, t) dx
_
_
dt =
b
_
a
_
_
d
_
c
f(x, t) dt
_
_
dx.
Schlielich untersuchen wir auch Parameterintegrale, bei denen die Integrationsgrenzen
variabel sind.
Satz 10.32: I R sei ein gegebenes Intervall, : I R und : I R seien auf I
stetig dierenzierbare Funktionen, und f sei eine gegebene reellwertige Funktion, die auf
der Menge
M :=
_
(x, t) R I

(t) x (t), falls (t) (t)


bzw. (t) x (t), falls (t) < (t)
_
stetig ist und dort eine stetige partielle Ableitung
f
t
besitzt. Dann ist die Integralfunktion
F : I R mit
F(t) =
(t)
_
(t)
f(x, t) dx
dierenzierbar auf I und es gilt:

F(t) =
(t)
_
(t)
f(x, t)
t
dx +

(t)f((t), t) (t)f((t), t).
Beispiel 10.33: Siehe Vorlesung.
Beispiele und Notizen 78
79 Theorie
11 Integration von Funktionen mehrerer Variabler
11.1 Zweidimensionale Integrale
Im R
2
betrachten wir ein Rechteck der Form
I :=
_
(x, y) R
2

a x b, c y d
_
.
f : I R sei eine beschrankte Funktion. Zur Integration von f auf I gehen wir wie folgt
vor:
1. Wir bilden eine Zerlegung Z
1
von [a, b] in n + 1 Teilpunkte
a = x
0
< x
1
< . . . < x
n
= b
und eine Zerlegung Z
2
von [c, d] in m + 1 Teilpunkte
c = y
0
< y
1
< . . . < y
m
= d.
Wir bezeichnen
||Z
1
|| := max
1in
(x
i
x
i1
), ||Z
2
|| := max
1jm
(y
j
y
j1
)
als Normen dieser Zerlegungen.
2. Wir wahlen ein x
i
[x
i1
, x
i
] und ein y
j
[y
j1
, y
j
] und bilden die Riemannsche
Summe
S
Z
1
,Z
2
=
n

i=1
m

j=1
f( x
i
, y
j
) (x
i
x
i1
) (y
j
y
j1
).
f( x
i
, y
j
) (x
i
x
i1
) (y
j
y
j1
) beschreibt das Volumen des Quaders mit den Grund-
seiten x
i
x
i1
, y
j
y
j1
und der Hohe f( x
i
, y
j
).
3. Wir gehen zu immer feineren Zerlegungen uber, d.h. ||Z
1
|| 0 und ||Z
2
|| 0.
Denition 11.1: f sei eine auf I beschrankte reellwertige Funktion. Streben die Rie-
mannschen Summen S
Z
1
,Z
2
f ur alle Zerlegungen Z
1
von [a, b] mit ||Z
1
|| 0 und alle
Zerlegungen Z
2
von [c, d] mit ||Z
2
|| 0 sowie jede Wahl der Zwischenstellen ( x
i
, y
j
)
einem gemeinsamen Grenzwert S zu, so heit f integrierbar auf I. Die Zahl S heit
bestimmtes Integral uber f auf I. Wir schreiben
S = lim
||Z
1
||0
||Z
2
||0
n

i=1
m

j=1
f( x
i
, y
j
) (x
i
x
i1
) (y
j
y
j1
)
=
__
I
f(x, y) d(x, y).
Wir sagen, eine nichtleere Teilmenge G des R
2
ist beschrankt, falls es ein Rechteck
I :=
_
(x, y) R
2

a x b, c y d
_
gibt mit G I.
Beispiele und Notizen 80
81 Theorie
Denition 11.2: G R
2
sei eine beschrankte Menge (mit G I), und f : G R sei
eine beschrankte Funktion. Existiert f ur die Erweiterungsfunktion f
I
von f auf I mit
f
I
(x, y) :=
_
f(x, y) , falls (x, y) G
0 , falls (x, y) I \ G
_
das Integral
S =
__
I
f
I
(x, y) d(x, y),
so heit f integrierbar auf G, und wir setzen
S =
__
G
f(x, y) d(x, y).
Gilt f ur die Funktion f : G R
f(x, y) 0 (x, y) G,
so beschreibt das Integral
__
G
f(x, y) d(x, y) das Volumen des Raumst ucks uber G und unter
der Flache z = f(x, y).
Weitere Schreibweise:
S =
__
G
f(x, y) d(x, y) =
__
G
f(x, y) dG.
Satz 11.3: f und g seien integrierbar auf G R
2
. Dann ist f ur alle , R die Funktion
f +g ebenfalls integrierbar auf G, und es gilt
__
G
[f(x, y) +g(x, y)] d(x, y) =
__
G
f(x, y) d(x, y) +
__
G
g(x, y) d(x, y).
Denition 11.4: Ist G R
2
eine beschrankte Menge und ist die Funktion f(x, y) 1
integrierbar auf G, so heit G messbar. Der Wert des Integrals
(G) =
__
G
d(x, y)
heit der zweidimensionale Inhalt oder das Ma von G.
Wir wenden uns nun der Berechnung zweidimensionaler Integrale zu und benotigen zunachst
folgende Denition.
Denition 11.5: G sei eine nichtleere Teilmenge des R
2
.
a) G heit y-projizierbar, wenn es auf einem Intervall [a, b] der x-Achse stetige Funktionen
y(x) und y(x) mit
y(x) y(x) x [a, b]
so gibt, dass gilt
G =
_
(x, y)

x [a, b], y(x) y y(x)


_
.
Beispiele und Notizen 82
83 Theorie
b) G heit x-projizierbar, wenn es auf einem Intervall [c, d] der y-Achse stetige Funktionen
x(y) und x(y) mit
x(y) x(y) y [c, d]
so gibt, dass gilt
G =
_
(x, y)

y [c, d], x(y) x x(y)


_
.
c) G heit projizierbar, falls G y-projizierbar oder x-projizierbar ist.
d) G heit Standardmenge im R
2
, falls G sowohl y-projizierbar als auch x-projizierbar
ist.
Man beachte, dass eine Menge G R
2
weder y- noch x-projizierbar sein kann.
Satz 11.6: G R
2
sei eine projizierbare Menge, und f : G R sei eine stetige Funktion.
Dann existiert das Integral
__
G
f(x, y) d(x, y), und es gilt,
a) falls G y-projizierbar ist:
__
G
f(x, y) d(x, y) =
b
_
a
_
y(x)
_
y(x)
f(x, y) dy
_
dx;
b) falls G x-projizierbar ist:
__
G
f(x, y) d(x, y) =
d
_
c
_
x(y)
_
x(y)
f(x, y) dx
_
dy.
Beispiel 11.7: Siehe Vorlesung.
Ist G R
2
nicht projizierbar, aber zerlegbar in N projizierbare Mengen G
1
, . . . , G
N
, so gilt
__
G
f(x, y) d(x, y) =
__
G
1
f(x, y) d(x, y) +. . . +
__
G
N
f(x, y) d(x, y).
Wir wenden uns nun der Substitutionsregel f ur zweidimensionale Integrale zu. Zur Bestim-
mung von
__
G
f(x, y) d(x, y)
substituiert man x = x(u, v) und y = y(u, v). Dabei seien x und y stetige Funktionen, die
auf einer Menge H der (u, v)-Ebene stetige partielle Ableitungen erster Ordnung besitzen.
Diese Funktionen seien so beschaen, dass jedem (u
0
, v
0
) H ein (x(u
0
, v
0
), y(u
0
, v
0
)) G
zugeordnet wird und umgekehrt. F ur die Jacobische Funktionalmatrix
(x, y)
(u, v)
=
_
_
_
_
_
x(u, v)
u
x(u, v)
v
y(u, v)
u
y(u, v)
v
_
_
_
_
_
Beispiele und Notizen 84
85 Theorie
gelte Det
_
(x,y)
(u,v)
_
= 0 f ur alle (u, v) H. Dann gilt
__
G
f(x, y) d(x, y) =
__
H
f(x(u, v), y(u, v))

Det
_
(x, y)
(u, v)
_

d(u, v).
Beispiel 11.8: Siehe Vorlesung.
11.2 Dreidimensionale Integrale
Integrale uber Funktionen f(x, y, z) mit drei Variablen werden ahnlich wie im zweidimen-
sionalen Fall deniert. Zur Berechnung von
__
G
_
f(x, y, z) d(x, y, z) f uhren wir zunachst
projizierbare Mengen im R
3
ein.
Denition 11.9: G sei eine nichtleere Teilmenge des R
3
.
a) G heit z-projizierbar, wenn es eine projizierbare Menge G
z
in der (x, y)-Ebene und
auf G
z
stetige Funktionen z(x, y) und z(x, y) mit
z(x, y) z(x, y) (x, y) G
z
so gibt, dass gilt
G =
_
(x, y, z) R
3

(x, y) G
z
, z(x, y) z z(x, y)
_
.
b) G heit y-projizierbar, wenn es eine projizierbare Menge G
y
in der (x, z)-Ebene und
auf G
y
stetige Funktionen y(x, z) und y(x, z) mit
y(x, z) y(x, z) (x, z) G
y
so gibt, dass gilt
G =
_
(x, y, z) R
3

(x, z) G
y
, y(x, z) y y(x, z)
_
.
c) G heit x-projizierbar, wenn es eine projizierbare Menge G
x
in der (y, z)-Ebene und
auf G
x
stetige Funktionen x(y, z) und x(y, z) mit
x(y, z) x(y, z) (y, z) G
x
so gibt, dass gilt
G =
_
(x, y, z) R
3

(y, z) G
x
, x(y, z) x x(y, z)
_
.
d) G heit projizierbar, falls G z-projizierbar oder y-projizierbar oder x-projizierbar ist.
e) G heit Standardmenge im R
3
, falls G sowohl z-projizierbar als auch y-projizierbar
und x-projizierbar ist.
Beispiele und Notizen 86
87 Theorie
Satz 11.10: G R
3
sei eine projizierbare Menge, und f : G R sei eine stetige Funktion.
Dann existiert das Integral
__
G
_
f(x, y, z) d(x, y, z) und es gilt,
a) falls G z-projizierbar ist:
__
G
_
f(x, y, z) d(x, y, z) =
__
G
z
_
z(x,y)
_
z(x,y)
f(x, y, z) dz
_
d(x, y);
b) falls G y-projizierbar ist:
__
G
_
f(x, y, z) d(x, y, z) =
__
G
y
_
y(x,z)
_
y(x,z)
f(x, y, z) dy
_
d(x, z);
c) falls G x-projizierbar ist:
__
G
_
f(x, y, z) d(x, y, z) =
__
G
x
_
x(y,z)
_
x(y,z)
f(x, y, z) dx
_
d(y, z).
Man beachte, dass die Integrale in eckigen Klammern eindimensional und die aueren In-
tegrale zweidimensional sind. Ist z.B. G z-projizierbar und G
z
y-projizierbar, so folgt
__
G
_
f(x, y, z) d(x, y, z) =
b
_
a
_
y(z)
_
y(x)
_
z(x,y)
_
z(x,y)
f(x, y, z) dz
_
dy
_
dx.
Beispiel 11.11: Siehe Vorlesung.
Denition 11.12: Ist G R
3
eine beschrankte Menge (d.h., G ist Teilmenge eines
Quaders im R
3
) und ist die Funktion f(x, y, z) 1 integrierbar auf G, so heit G messbar.
Der Wert des Integrals
(G) :=
__
G
_
d(x, y, z)
heit der dreidimensionale Inhalt oder das Ma von G.
(G) gibt das Volumen von G an.
Beispiel 11.13: Siehe Vorlesung.
Wir wenden uns nun der Substitutionsregel f ur dreidimensionale Integrale zu. Zur Bestim-
mung von
__
G
_
f(x, y, z) d(x, y, z)
substituiert man x = x(u, v, w), y = y(u, v, w) und z = z(u, v, w). Dabei seien x, y und
z stetige Funktionen, die auf einer Menge H R
3
stetige partielle Ableitungen erster
Ordnung besitzen. Diese Funktionen seien so beschaen, dass jedem (u
0
, v
0
, w
0
) H genau
Beispiele und Notizen 88
89 Theorie
ein (x(u
0
, v
0
, w
0
), y(u
0
, v
0
, w
0
), z(u
0
, v
0
, w
0
)) G zugeordnet wird und umgekehrt. F ur die
Jacobische Funktionalmatrix
(x, y, z)
(u, v, w)
=
_
_
_
_
_
_
_
_
_
_
x
u
x
v
x
w
y
u
y
v
y
w
z
u
z
v
z
w
_
_
_
_
_
_
_
_
_
_
gelte Det
_
(x,y,z)
(u,v,w)
_
= 0 f ur alle (u, v, w) H. Dann gilt
__
G
_
f(x, y, z) d(x, y, z) =
__
H
_
f(x(u, v, w), y(u, v, w), z(u, v, w))

Det
_
(x, y, z)
(u, v, w)
_

d(u, v, w).
Beispiel 11.14 (Zylinderkoordinaten):
x = r cos
y = r sin
_
0 2, r 0
z = t , < t <
Det
_
(x, y, z)
(r, , t)
_
= Det
_
_
cos r sin 0
sin r cos 0
0 0 1
_
_
= r cos
2
+r sin
2
= r.
Beispiel 11.15 (Kugelkoordinaten):
x = r sin cos
y = r sin sin
z = r cos
_
_
_
0 , 0 2, r 0
Det
_
(x, y, z)
(r, , )
_
= Det
_
_
sin cos r cos cos r sin sin
sin sin r cos sin r sin cos
cos r sin 0
_
_
= cos (r
2
cos cos
2
sin +r
2
cos sin
2
sin )
+r sin (r sin
2
cos
2
+r sin
2
sin
2
)
= r
2
cos
2
sin (cos
2
+ sin
2
) +r
2
sin
3
(cos
2
+ sin
2
)
= r
2
cos
2
sin +r
2
sin
3
= r
2
sin (cos
2
+ sin
2
)
= r
2
sin .
Beispiele 11.16 und 11.17: Siehe Vorlesung.
Beispiele und Notizen 90
91 Theorie
11.3 Schwerpunkte und Tragheitsmomente dreidimensionaler
Mengen
G R
3
sei eine messbare Menge. Dann berechnet sich das Volumen V von G als
V =
__
G
_
d(x, y, z).
Ist in G eine Dichteverteilung = (x, y, z) gegeben, so wird
M :=
__
G
_
(x, y, z) d(x, y, z)
als Masse von G bezeichnet. Bei konstanter Dichte ist M = V . Unter dem Schwerpunkt
von G bzgl. der Dichteverteilung (x, y, z) versteht man einen Punkt (x
S
, y
S
, z
S
) R
3
mit
den Koordinaten
x
S
=
1
M
__
G
_
x(x, y, z) d(x, y, z),
y
S
=
1
M
__
G
_
y (x, y, z) d(x, y, z),
z
S
=
1
M
__
G
_
z (x, y, z) d(x, y, z).
Beispiel 11.18: Siehe Vorlesung.
Wir wenden uns nun Tragheitsmomenten zu. Dazu sei G R
3
wiederum eine messbare
Menge mit einer Dichteverteilung (x, y, z). Die Tragheitsmomente T
x
bzgl. der x-Achse,
T
y
bzgl. der y-Achse und T
z
bzgl. der z-Achse sind deniert als
T
x
=
__
G
_
(y
2
+z
2
) (x, y, z) d(x, y, z),
T
y
=
__
G
_
(x
2
+z
2
) (x, y, z) d(x, y, z),
T
z
=
__
G
_
(x
2
+y
2
) (x, y, z) d(x, y, z).
Beispiel 11.19: Siehe Vorlesung.
11.4 Kurvenintegrale
Denition 11.20:
a) [a, b] R sei ein gegebenes Intervall, und x, y, z : [a, b] R seien gegebene stetige
Funktionen. Die Punktmenge
K :=
_
(x(t), y(t), z(t)) R
3

t [a, b]
_
Beispiele und Notizen 92
93 Theorie
heit eine Kurve im R
3
. Diese Darstellung heit Parameterdarstellung von K. Der
Punkt A = (x(a), y(a), z(a)) heit Anfangspunkt, der Punkt B = (x(b), y(b), z(b))
heit Endpunkt von K.
b) Durchlauft man eine Kurve K vom Endpunkt B zum Anfangspunkt A, so bezeichnet
man diese Kurve mit K.
c) Eine Kurve, die ganz in einer Ebene enthalten ist, heit ebene Kurve.
d) Eine Kurve heit geschlossen, falls Anfangs- und Endpunkt ubereinstimmen.
e) Die Schnittpunkte einer Kurve heien auch Doppelpunkte.
f) Eine Kurve ohne Doppelpunkte heit Jordan-Kurve.
Beispiel 11.21: Siehe Vorlesung.
Denition 11.22: Gegeben sei eine Kurve K mit der Parameterdarstellung
K =
_
(x(t), y(t), z(t)) R
3

t [a, b]
_
.
a) K heit glatte Kurve, wenn x, y, z : [a, b] R stetige Ableitungen besitzen und
x

(t), y

(t), z

(t) in keinem Punkt gleichzeitig 0 sind.


b) K heit st uckweise glatte Kurve, wenn sie aus endlich vielen glatten Kurven zusam-
mengesetzt ist.
Als nachstes f uhren wir Kurvenintegrale bzgl. Skalarfeldern ein. Dazu sei K R
3
eine glatte
Kurve mit der Parameterdarstellung
K =
_
(x(t), y(t), z(t)) R
3

t [a, b]
_
,
und f : K R (Skalarfeld) sei stetig. Zur Integration von f auf K gehen wir wie folgt vor:
Wir wahlen eine Zerlegung Z des Parameterintervalls [a, b] in n + 1 Teilpunkte
a = t
0
< t
1
< . . . < t
n
= b.
Hierdurch wird eine Zerlegung der Kurve K in n + 1 Teilpunkte
P
i
= (x(t
i
), y(t
i
), z(t
i
)), i = 0, . . . , n
erklart. Die Lange der Kurve zwischen P
i1
und P
i
approximieren wir durch die Euklidische
Norm von P
i1
P
i
und betrachten somit den Ausdruck
n

i=1
f(x(t
i
), y(t
i
), z(t
i
)) ||P
i1
P
i
||
=
n

i=1
f(x(t
i
), y(t
i
), z(t
i
))
_
(x(t
i1
) x(t
i
))
2
+ (y(t
i1
) y(t
i
))
2
+ (z(t
i1
) z(t
i
))
2
=
n

i=1
f(x(t
i
), y(t
i
), z(t
i
))
_
_
x(t
i1
) x(t
i
)
t
i1
t
i
_
2
+
_
y(t
i1
) y(t
i
)
t
i1
t
i
_
2
+
_
z(t
i1
) z(t
i
)
t
i1
t
i
_
2
_
1/2
(t
i
t
i1
).
Beispiele und Notizen 94
95 Theorie
Bei Verfeinerung der Zerlegung Z konvergieren diese Riemannschen Summen gegen das
Integral
b
_
a
f(x(t), y(t), z(t))
_
x

(t)
2
+y

(t)
2
+z

(t)
2
dt
=
b
_
a
f(x(t), y(t), z(t)) ||(x

(t), y

(t), z

(t))|| dt.
Beschreiben wir die Kurve durch die Vektorfunktion k : [a, b] R
3
(Vektorfeld) mit
k(t) = (x(t), y(t), z(t)) t [a, b],
so lasst sich dieses Integral vereinfacht schreiben als
b
_
a
f(k(t)) ||k

(t)|| dt.
Denition 11.23: K R
3
sei eine glatte Kurve mit der Parameterdarstellung
K =
_
k(t) R
3

t [a, b]
_
,
und f : K R sei eine stetige Funktion (Skalarfeld). Dann heit
_
K
f(k) dk :=
b
_
a
f(k(t)) ||k

(t)|| dt
das Kurvenintegral bzgl. f und K. Der Wert des Integrals
b
_
a
||k

(t)|| dt
heit Bogenlange (oder Lange) der Kurve K.
Ist K eine st uckweise glatte Kurve, so erklart man
_
K
f(k) dk als die Summe der Kurven-
integrale bzgl. der einzelnen glatten Teilkurven. Ist K eine geschlossene Kurve, so schreibt
man auch:
_
K
f(k) dk.
Beispiel 11.24: Siehe Vorlesung.
Man kann ebenfalls Kurvenintegrale bzgl. Vektorfeldern einf uhren. Wir beschranken uns auf
die Angabe der Denition.
Denition 11.25: K R
3
sei eine glatte Kurve mit der Parameterdarstellung
K =
_
k(t) R
3

t [a, b]
_
,
Beispiele und Notizen 96
97 Theorie
und V : K R
3
sei eine stetige Vektorfunktion (Vektorfeld). Dann heit
_
K
V (k) dk :=
b
_
a
V (k(t))
T
k

(t)
. .
Skalarprodukt
dt
das Kurvenintegral bzgl. V und K.
Das Kurvenintegral bzgl. eines Vektorfeldes V = (v
1
, v
2
, v
3
) und einer Kurve K lasst sich
formal auch schreiben als:
_
K
V (k) dk =
b
_
a
V (k(t))
T
k

(t) dt
=
b
_
a
(v
1
, v
2
, v
3
)
_
_
_
dx
dt
dy
dt
dz
dt
_
_
_
dt
=
b
_
a
_
v
1
dx
dt
+v
2
dy
dt
+v
3
dz
dt
_
dt
=
_
K
(v
1
dx +v
2
dy +v
3
dz).
Zum Kurvenintegral bzgl. Skalarfeldern ergibt sich folgender Zusammenhang:
_
K
V (k) dk =
b
_
a
V (k(t))
T
k

(t) dt
=
b
_
a
V (k(t))
T

(t)
||k

(t)||
. .
Tangenten
einheitsvektor
. .
Skalarfeld
||k

(t)|| dt.
Bewegt sich ein Massenpunkt unter dem Einuss eines Kraftfeldes V auf einer Kurve K,
so beschreibt
_
K
V (k) dk die Arbeit, die zu leisten ist, um ihn langs der Kurve durch das
Kraftfeld zu f uhren.
Ist K eine st uckweise glatte Kurve, so erklart man
_
K
V (k) dk als die Summe der Kurven-
integrale bzgl. der einzelnen glatten Teilkurven.
Beispiel 11.26: Siehe Vorlesung.
Abschlieend wenden wir uns Vektorfeldern zu, die ein Potenzial besitzen.
Denition 11.27: G R
3
sei eine oene Menge. Ein auf G erklartes Vektorfeld V heit
konservativ (oder ein Gradientenfeld bzw. ein Potenzialfeld), wenn eine Funktion : G R
so existiert, dass
V (x, y, z) = (x, y, z) (x, y, z) G.
heit dann ein Potenzial zu V .
Beispiele und Notizen 98
99 Theorie
Satz 11.28: G R
3
sei eine oene Menge und V ein Vektorfeld, das auf G stetig ist und
dort ein Potenzial besitzt. K sei eine st uckweise glatte Kurve in G mit dem Anfangspunkt
(x
0
, y
0
, z
0
) und dem Endpunkt (x
1
, y
1
, z
1
). Dann gilt:
_
K
V (k) dk = (x
1
, y
1
, z
1
) (x
0
, y
0
, z
0
).
In diesem Absatz spielt die Rolle einer

Stammfunktion zu V .
Beispiel 11.29: Siehe Vorlesung.
Man sagt, ein Vektorfeld V besitzt in G wegunabhangige Kurvenintegrale, wenn f ur belie-
bige st uckweise glatte Kurven K
1
und K
2
in G mit gleichem Anfangspunkt und gleichem
Endpunkt gilt
_
K
1
V (k) dk =
_
K
2
V (k) dk.
Ein konservatives Vektorfeld besitzt wegunabhangige Kurvenintegrale.
Satz 11.30: G R
3
sei ein oener achsenparalleler Quader, und V = (V
1
, V
2
, V
3
) sei ein
Vektorfeld, welches auf G stetige partielle Ableitungen 1. Ordnung besitzt. Dann sind die
folgenden Aussagen aquivalent:
a) V ist konservativ;
b) V besitzt in G wegunabhangige Kurvenintegrale;
c) f ur jede st uckweise glatte, geschlossene Kurve K in G ist
_
K
V (k) dk = 0;
d) in G gelten die sogenannten Integrabilitatsbedingungen:
V
1
y
= V
2
x
, V
3
x
= V
1
z
, V
2
z
= V
3
y
.
11.5 Oberachenintegrale
Zunachst beschaftigen wir uns mit Flachen im R
3
und f uhren dann Integrale auf solchen
Flachen ein.
Denition 11.31: Die Funktionen x, y, z seien auf einer Standardmenge G R
2
stetig.
Dann heit die Punktmenge
S =
_
(x(u, v), y(u, v), z(u, v)) R
3

(u, v) G
_
eine Flache im R
3
. Diese Darstellung heit Parameterdarstellung von S.
Oft ist es g unstiger, die Flache S durch ein Vektorfeld s : G R
3
mit
s(u, v) =
_
_
x(u, v)
y(u, v)
z(u, v)
_
_
(u, v) G
zu beschreiben.
Beispiel 11.32: Siehe Vorlesung.
Beispiele und Notizen 100
101 Theorie
Denition 11.33:
a) Eine Flache S heit glatt, wenn s(u, v) nach u und v stetig partiell dierenzierbar ist
und
s
u
(u, v) s
v
(u, v) =

0 (u, v) G.
b) Eine Flache heit st uckweise glatt, wenn sie aus endlich vielen glatten Flachen zusam-
mengesetzt ist.
Beispiel 11.34: Siehe Vorlesung.
Denition 11.35: S R
3
sei eine glatte Flache mit der Parameterdarstellung S =
{s(u, v) R
3
| (u, v) G}. Dann heit
s
u
(u, v) s
v
(u, v)
ein Normalenvektor im Flachenpunkt (x(u, v), y(u, v), z(u, v)).
Ein Normalenvektor ist ein Vektor, der auf der Tangentialebene im Flachenpunkt (x(u, v),
y(u, v), z(u, v)) senkrecht steht.
Normalenvektoren in verschiedenen Punkten einer Flache.
Zur Motivation der Denition des Oberachenintegrals nehmen wir der Einfachheit halber
an, G R
2
sei ein Rechteck der Form
G =
_
(u, v) R
2

a u b, c v d
_
.
Dann gehen wir folgendermaen vor:
Wir wahlen Zerlegungen
Z
1
von [a, b] : a = u
0
< u
1
< . . . < u
n
= b,
Z
2
von [c, d] : c = v
0
< v
1
< . . . < v
m
= d
und betrachten die Teilrechtecke
G
ij
=
_
(u, v) R
2

u
i1
u u
i
, v
j1
v v
j
_
i = 1, . . . , n; j = 1, . . . , m.
Einem solchen Rechteck G
ij
entspricht ein Flachenst uck S
ij
von S. Seinen Flacheninhalt
ersetzen wir naherungsweise durch den Flacheninhalt F
ij
des von den Tangentenvektoren
s
u
(u
i1
, v
j1
) (u
i
u
i1
)
Beispiele und Notizen 102
103 Theorie
und
s
v
(u
i1
, v
j1
) (v
j
v
j1
)
erzeugten Parallelogramms. Dabei ist
F
ij
=

s
u
(u
i1
, v
j1
) s
v
(u
i1
, v
j1
)

(u
i
u
i1
) (v
j
v
j1
).
Ist f : S R eine stetige Funktion, so kann man zur Integration von f auf S folgende
Ausdr ucke bilden:
n

i=1
m

j=1
f(s(u
i1
, v
j1
)) F
ij
=
n

i=1
m

j=1
f(s(u
i1
, v
j1
))

s
u
(u
i1
, v
j1
) s
v
(u
i1
, v
j1
)

(u
i
u
i1
) (v
j
v
j1
).
Bei feiner werdenden Zerlegungen konvergieren diese Summen gegen das Integral
__
G
f(s(u, v))

s
u
(u, v) s
v
(u, v)

d(u, v).
Denition 11.36: S R
3
sei eine glatte Flache mit der Parameterdarstellung
S =
_
s(u, v) R
3

(u, v) G
_
,
und f : S R sei eine stetige Funktion. Dann heit
__
S
f(s) ds :=
__
G
f(s(u, v))

s
u
(u, v) s
v
(u, v)

d(u, v)
das Oberachenintegral bzgl. f und S. Der Wert des zweidimensionalen Integrals
__
G

s
u
(u, v) s
v
(u, v)

d(u, v)
heit Oberacheninhalt (oder Flacheninhalt) von S.
Ist S eine st uckweise glatte Flache, so erklart man
__
S
f(s) ds als die Summe der Ober-
achenintegrale bzgl. der einzelnen glatten Teilachen.
Beispiele 11.37 und 11.38: Siehe Vorlesung.
Beispiel 11.39: Eine glatte Flache S sei explizit durch eine Funktion gegeben, d.h.
S =
_
(u, v, (u, v)) R
3

(u, v) G
_
.
Dann ist
s(u, v) =
_
_
u
v
(u, v)
_
_
, s
u
=
_
_
1
0

u
(u, v)
_
_
, s
v
=
_
_
0
1

v
(u, v)
_
_
,
Beispiele und Notizen 104
105 Theorie
s
u
s
v
= Det
_
_
e
1
e
2
e
3
1 0
u
0 1
v
_
_
= e
1
(
u
) (e
2

v
e
3
)
=
u
e
1

v
e
2
+e
3
=
_
_

v
1
_
_
und
||s
u
s
v
|| =
_

2
u
+
2
v
+ 1.
Ist f : S R eine stetige Funktion, so gilt
__
S
f(s) ds :=
__
G
f(u, v, (u, v))
_

2
u
(u, v) +
2
v
(u, v) + 1 d(u, v).
Der Oberacheninhalt von S ergibt sich in diesem Spezialfall als
__
S
ds :=
__
G
_

2
u
(u, v) +
2
v
(u, v) + 1 d(u, v).