seperate auto left-right parens from salign

ana10.tex

@@ -0,0 +1,183 @@
+\documentclass{lecture}
+
+\begin{document}
+
+\subsection{Lineare und nichtlineare Gleichungssysteme}
+
+Motivation: Es sei ein quadratisches Gleichungssystem der Form
+\begin{alignat*}{2}
+    &f_1(x_1, \ldots, x_n) &=\;& b_1 \\
+    &\; \vdots &&\vdots \\
+    &f_n(x_1, \ldots, x_n) &=\;& b_n
+,\end{alignat*}
+eine Vektorform $f(x) = b$ und ein $b \in \mathbb{K}^{n}$ gegeben, s.d.
+\[
+    f= \begin{pmatrix} f_1 \\ \vdots \\ f_n  \end{pmatrix} \colon D \subseteq \mathbb{K}^{n} \to \mathbb{K}^{n}
+.\] 
+Ziel: $x = f^{-1}(b)$ finden als Grenzwert einer Folge $\left( x^{(k)} \right)_{k \in \N}$.
+
+Ansatz: Definiere $g(x) := x - \sigma (f(x) - b)$ für ein $\sigma \in \mathbb{K} \setminus \{0\} $
+und suche \underline{Fixpunkt} von $g\colon D \to \mathbb{K}^{n}$ $(x = g(x))$.
+
+Fixpunktiteration: Startwert $x^{(0)}$. Iterationsschritt
+\[
+    x^{(k)} = g(x^{(k-1)}), \quad k \in \N
+.\] 
+Falls $f$ stetig, dann ist auch $g$ stetig. Damit folgt, falls $x^{(k)} \xrightarrow{k \to \infty} x$, dann
+$g\left( x^{(k-1}) \right) \xrightarrow{k \to \infty} g(x)$. Damit folgt
+\[
+    \underbrace{x^{(k)}}_{\xrightarrow{k \to \infty} x}
+    = \underbrace{g\left( x^{(k-1}) \right)}_{\xrightarrow{k \to \infty} g(x)}
+.\] Für $k \to \infty$, folgt also $x = g(x)$, also ist $x$ Fixpunkt. Damit folgt
+$x = g(x) = x - \sigma (f(x) - b) \implies f(x) = b$.
+
+Frage: Unter welchen Bedingungen konvergiert die Fixpunktiteration?
+
+\begin{definition}[Lipschitz-Stetigkeit]
+    Eine Funktion $f\colon D \subseteq \mathbb{K}^{n} \to \mathbb{K}^{n}$ heißt\\
+    \underline{Lipschitz-stetig}, wenn eine Konstante $L < \infty$ existiert, s.d.
+    \[
+        \Vert g(x) - g(y) \Vert \le L \Vert x - y \Vert, \qquad \forall x, y \in D
+    .\] Falls $L < 1$ heißt $g$ Kontraktion (bezügl. Norm $\Vert \cdot \Vert$).
+\end{definition}
+
+\begin{satz}[Banachscher Fixpunktsatz]
+    Sei $g\colon D \subseteq \mathbb{K}^{n} \to \mathbb{K}^{n}$ eine Funktion mit den Eigenschaften
+    \begin{enumerate}[1)]
+        \item $g(M) = M$ für ein $M \subseteq D$, $M$ abgeschlossen
+        \item $g$ ist Kontraktion auf $M$, d.h. $\exists L < 1$, s.d.
+            $\Vert g(x) - g(y) \Vert \le L \Vert x - y \Vert$, $\forall x, y \in M$.
+    \end{enumerate}
+    Dann gilt
+    \begin{enumerate}[(i)]
+        \item Es existiert genau ein Fixpunkt $x^{*} \in M$ von $g$.
+        \item $\forall x^{(0)} \in M$ ist die Iterationsfolge $x^{(k)} = g\left( x^{(k-1)} \right)$ wohldefiniert
+            $(x^{(k)} \in M)$ und $x^{(k)} \xrightarrow{k \to \infty} x^{*}$.
+        \item Es gilt die Abschätzung:
+            \[
+                \Vert x^{(k)} - x^{*}  \Vert \le \frac{L^{k}}{1 - L} \Vert x^{(1)} - x^{(0)} \Vert
+            .\] 
+    \end{enumerate}
+\end{satz}
+
+\begin{proof}
+    \begin{enumerate}[(i)]
+        \item Seien $x, x' \in M$ zwei Fixpunkte. Dann
+            \begin{align*}
+                \Vert x - x' \Vert = \Vert g(x) - g(x') \Vert \le L \Vert x - x'\Vert
+            .\end{align*}
+            Damit folgt
+            \begin{align*}
+                \underbrace{(1 - L)}_{> 0} \underbrace{\Vert x - x' \Vert}_{\ge 0} \le 0
+                \implies \Vert x - x'\Vert = 0 \implies x = x'
+            .\end{align*}
+        \item $g(M) = M \implies x^{(k)} = g\left( x^{(k-1)} \right)$, $k \in \N$ ist wohldefiniert,
+            d.h. $x^{(k)} \in M$, $\forall k \in \N$, falls $x^{(0)} \in M$.
+
+            Z.z.: $x^{(k)}$ konvergiert mit $\displaystyle \lim_{k \to \infty} x^{(k)} \in M$, also
+            g.z.z.: $\left( x^{(k)} \right)_{k \in \N}$ ist Cauchy-Folge.
+            \begin{leftright}
+            \begin{salign*}
+                \Vert x^{(k+1)} - x^{(k)} \Vert &= \left\Vert g(x^{(k)}) - g(x^{(k-1)}) \right\Vert \\
+                                                &\le L \Vert x^{(k)} - x^{(k-1)} \Vert \\
+                                                &= L \left\Vert g(x^{(k-1)}) - g(x^{(k-2)}) \right\Vert \\
+                                                &\le L \cdot L \cdot \Vert x^{(k-1)} - x^{(k-2)} \Vert\\
+                                                &\le \underbrace{L \cdot \ldots \cdot L}_{k}
+                                                \Vert x^{(1)} - x^{(0)} \Vert \\
+                                                &= L^{k} \Vert x^{(1)} - x^{(0)} \Vert
+                                                \intertext{Seien $k, m$ beliebig. Dann gilt
+                                                $\forall \epsilon > 0$}
+                \Vert x^{(k+m)} - x^{(k)} \Vert &= \Vert x^{(k+m)} - x^{(k+m-1)} + x^{(k+m-1)} - \ldots x^{(k+1)} - x^{(k)} \Vert \\
+                                                &\le \Vert x^{(k+m)} - x^{(k+m+1)} \Vert
+                                                + \ldots + \Vert x^{(k+1)} - x^{(k)} \Vert \\
+                                                &= L^{m-1} \Vert x^{(k+1)} - x^{(k)} \Vert
+                                                + L^{m-2} \Vert x^{k+1} - x^{k} \Vert
+                                                + \ldots + \Vert x^{(k+1)} - x^{(k)} \Vert \\
+                                                &= (L^{m-1} + L^{m-2} + \ldots + 1) \Vert x^{(k+1)} - x^{(k)} \Vert \\
+                                                &= \frac{1 - L^{m}}{1 - L} \Vert x^{(k+1)} - x^{(k)} \Vert \\
+                                                &\le \frac{1 - L^{m}}{1 - L} L^{k} \Vert x^{(1)} - x^{(0)} \Vert \\
+                                                &\le \frac{L^{k}}{1-L} \Vert x^{(1)} - x^{(0)} \Vert \\
+                                                &\stackrel{L < 1}{<}\epsilon \qquad \text{ für } k \text{ groß genug}
+            .\end{salign*}
+            \end{leftright}
+            Also ist $\left( x^{(k)} \right)_{k \in \N}$ eine Cauchy-Folge in $M$ und es existiert
+            ein $x^{*} \in M$, s.d. $\left( x^{(k)} \right)_{k \in \N}$ gegen
+            $x^{*}$ konvergiert. $x^{*}$ ist ein Fixpunkt von $g$, weil
+            \[
+                x^{*} = \lim_{k \to \infty} x^{(k)} = \lim_{k \to \infty} g\left( x^{(k-1)} \right)
+                \qquad \stackrel{g \text{ stetig}}{=} \qquad
+                g\left( \lim_{k \to \infty} x^{(k-1)} \right) = g(x^{*})
+            .\] 
+        \item Für festes $k \in \N$ gilt
+            \begin{align*}
+                \Vert \underbrace{x^{(k+m)}}_{\xrightarrow{m \to \infty} x^{*}} - x^{(k)} \Vert \le \frac{L^{k}}{1-L} \Vert x^{(1)} - x^{(0)} \Vert \implies \Vert x^{*} - x^{(k)} \Vert \le \frac{L^{k}}{1 -L}
+                \Vert x^{(1)} - x^{(0)} \Vert
+            .\end{align*}
+    \end{enumerate}
+\end{proof}
+
+\begin{bem}
+    Für den Beweis ist wichtig, dass der grundlegende Raum vollständig ist, d.h. dass alle
+    Cauchy-Folgen in diesem Raum konvergieren.
+\end{bem}
+
+\begin{bem}[Anwendung: Lineare Gleichungssysteme]
+    $A = \left( a_{ij} \right)_{i,j = 1}^{n} \in \mathbb{K}^{n \times n}$ regulär und $b = (b_i)_{i = 1}^{n} \in \mathbb{K}^{n}$. Da $A$ regulär, hat das LGS $Ax = b$ genau
+    eine Lösung $x^{*} = A^{-1}b$. Sei $g(x) := x - \sigma (Ax - b)$ mit
+    $\sigma \in \mathbb{K} \setminus \{0\} $.
+
+    Fixpunktiteration $x^{(k)} = x^{(k-1)} - \sigma (Ax^{(k-1}) - b)$, $k \in \N$ konvergiert, wenn
+    $g$ kontraktiv ist. Zum Beispiel in $\ell_2$:
+    \begin{align*}
+        \Vert g(x) - g(y) \Vert_2 &= \Vert x - \sigma(Ax - b) - y + \sigma(Ay -b)\Vert_2 \\
+                                  &= \Vert x - y - \sigma A(x-y) \Vert_2 \\
+                                  &= \Vert (\mathbb{I} - \sigma A)(x-y) \Vert_2 \\
+                                  &\le \Vert \mathbb{I} - \sigma A \Vert_2 \Vert x - y \Vert_2
+    ,\end{align*} d.h. $g$ kontraktiv, falls $\vert \mathbb{I} - \sigma A \Vert_2 < 1$.
+
+    Frage: Wahl von $\sigma$? Wähle $\sigma = \Vert A \Vert_{\infty}^{-1} = \frac{1}{\Vert A \Vert_{\infty}}$, falls $A$ hermitesch und positiv definit (= ,,Richardson Iteration``). Zu überprüfen
+    $\left\Vert \mathbb{I} - \frac{A}{\Vert A \Vert_{\infty}} \right\Vert_2 < 1$.
+    Da $A$ positiv definit und hermitesch, sind alle Eigenwerte $\lambda > 0$. Es gilt
+    $\forall $ EW: $0 < \lambda \le \Vert A \Vert_{\infty}$. Für EW von $\mathbb{I} - \frac{A}{\Vert A\Vert_{\infty}} $ gilt $\mu = 1 - \frac{\lambda}{\Vert A \Vert_{\infty}}$, $\lambda$ Eigenwert von $A$. Also
+    $0 \le \underbrace{1 - \frac{\lambda}{\Vert A \Vert_{\infty}}}_{= \mu} < 1$, also
+    $\underbrace{\Big\Vert \underbrace{\mathbb{I} - \frac{A}{\Vert A \Vert_{\infty}}}_{\text{hermitesch}} \Big\Vert_2}_{\text{Spektralnorm}} < 1$. Falls $A$ hermitesch und positiv definit, ist also
+    die Richardson Iteration konvergent.
+\end{bem}
+
+\begin{definition}[Starke Monotonie]
+    Eine Funktion $f\colon D \subseteq \R^{n} \to \R^{n}$ heißt stark monoton, wenn
+    eine Konstante $m > 0$ existiert, s.d. $\forall x, y \in D$ gilt
+    \[
+        (f(x) - f(y), x-y)_2 \ge m \Vert x - y \Vert_2^2
+    .\] 
+\end{definition}
+
+\begin{bem}[Anwendung: Nichtlineare Gleichungssysteme]
+    Sei $f\colon D \subseteq \R^{n} \to \R^{n}$ Lipschitz stetig mit $L$ und stark monoton mit $m > 0$.
+    Betrachte $f(x) = b$, $g(x) := x - \theta (f(x) - b)$.
+
+    Frage: Wahl von $\theta$, s.d. $\forall x ^{(0)} \in D$ die Fixpunktiteration konvergiert?
+    Es ist
+    \begin{align*}
+        \Vert g(x) - g(y) \Vert_2^2 &= \Vert x - \theta (f(x) - b) - y + \theta (f(y) - b) \Vert_2^2 \\
+                                    &= \Vert x - y - \theta (f(x) - f(y)\Vert_2^2 \\
+                                    &= \Vert x - y \Vert_2^2 - 2 \theta (x-y, f(x) - f(y))_2
+                                    + \theta^2 \Vert f(x) - f(y) \Vert_2^2 \\
+                                    &\le \Vert x - y \Vert_2^2 - 2 \theta m \Vert x - y \Vert_2^2
+                                    + \theta^2 L^2 \Vert x- y \Vert_2^2 \\
+                                    &= (1 - 2\theta m + \theta^2 L^2) \Vert x - y \Vert_2^2
+    .\end{align*}
+    Die Fixpunktiteration konvergiert, falls $1 - 2 \theta m + \theta^2L^2 < 1$, d.h.
+    für $\theta \in \left( 0, \frac{2m}{L^2} \right) $. Dann existiert
+    ein $\displaystyle x^{*} = \lim_{k \to \infty} x^{(k)}$ mit $g(x^{*}) = x^{*}$. Ist
+    $x^{*}$ eindeutig? Seien $x, x'$ zwei Lösungen. Dann ist
+    \begin{salign*}
+        0 &= (\underbrace{f(x) - b + b -f(x')}_{= 0}, x - x')_2 \\
+        &= (f(x) - f(x'), x-x')_2 \\
+        &\stackrel{f\text{ stark monoton}}{\ge} m \Vert x - x' \Vert_2^2 \\
+        &> 0
+    .\end{salign*}
+    Also $x = x'$, damit ist $x^{*}$ eindeutig.
+\end{bem}
+
+\end{document}

ana11.tex

@@ -0,0 +1,217 @@
+\documentclass{lecture}
+
+\begin{document}
+
+\chapter{Differenzierbare Funktionen in \texorpdfstring{$\R^{n}$}{R\unichar{"207F}}}
+
+Betrachte die Abbildung $f \colon D \subseteq \R^{n} \to \R^{n}$. Die Stetigkeitsdefinition von $f$ entspricht
+der Stetigkeit von $f$ in $\R$. Aber: Differenzierbarkeit einer Funktion $g\colon I \subseteq \R \to \R$,
+\[
+    g'(x_0) := \lim_{h \to 0} \frac{f(x_0 + h) - f(x_0)}{h}
+.\] Für $h \in \R^{n}$ \underline{nicht sinnvoll}.
+
+\section{Partielle Differenzierbarkeit}
+
+\begin{definition}[Partielle Ableitung]
+    Sei $D \subseteq \R^{n}$ offen und $f\colon D \to \R$.
+    \begin{itemize}
+        \item $f$ heißt
+    im Punkt $x \in D$ partiell differenzierbar nach $i$-ter Koordinatenrichtung, falls der
+    Grenwert
+    \[
+        \partial_i f(x) := \lim_{h \to 0} \frac{f\left( x + h \cdot e^{(i)} \right) - f(x)}{h}
+        .\] existiert mit $e^{(i)} := $ $i$-te Spalte der $n \times n$ Einheitsmatrix.
+        Schreibweise auch $\frac{\partial f}{\partial x_i}(x)$ oder $\frac{\partial f(x)}{\partial x_i}$.
+    \item $f$ heißt partiell differenzierbar in $x \in D$, falls $\partial_i f(x)$ für alle $1 \le i \le n$
+        existieren.
+    \item Sind $\partial_i f(x)$ $\forall i$ stetig, dann heißt $f$ stetig partiell differenzierbar.
+    \item Falls $f \colon D \subseteq \R^{n} \to \R^{m}$, dann heißt $f$ (stetig) partiell differenzierbar,
+        falls alle Komponentenfunktionen $f_j$ $(1 \le j \le m)$ (stetig) partiell differenzierbar
+        in $x \in D$ sind, d.h. wenn $\partial_i f_j(x)$ $\forall i=1,\ldots,n$, $j = 1,\ldots,m$ existieren.
+    \end{itemize}
+\end{definition}
+
+\begin{bem}[Interpretation als gewöhnliche Ableitung]
+    Sei $f(x) = f(x_1, \ldots, x_n)$. Definiere $\tilde{f}(\xi) = f(x_1, \ldots, x_{i-1}, \xi, x_{i+1}, \ldots, x_n)$, d.h. $x_1, \ldots, x_{i-1}, x_{i+1}, \ldots, x_n$ fest. Dann ist
+    \[
+        \partial_i f(x) = \frac{\d{\tilde{f}(\xi)}}{\d\xi}
+    .\] 
+    D.h. für partielle Ableitungen
+    gelten analoge Regeln, wie für die gewöhnliche Ableitung, insbesondere Produktregel, Quotientenregel
+    und auch Kettenregel.
+\end{bem}
+
+\begin{bsp}
+    Die Funktion
+    \[
+        r(x) := \Vert x \Vert_2 = \sqrt{\sum_{i=1}^{n} x_i^2}
+    .\] ist in $D = \R^{n} \setminus \{0\} $ stetig partiell differenzierbar mit den partiellen
+    Ableitungen
+    \begin{align*}
+        \partial_i r (x_1, \ldots, x_i, \ldots, x_n)
+        \quad \qquad \stackrel{\text{gew. Kettenregel}}{=} \quad \qquad
+        \frac{1}{2} \frac{1}{\sqrt{\sum_{i=1}^{n} x_i^2} } 2x_i
+        = \frac{x_i}{\Vert x \Vert_2}
+    .\end{align*}
+    Sei $F\colon \R_+ \to \R$ beliebige differenzierbare Funktion. Dann ist $f(x) = F(r(x))$ auf
+    $\R^{n} \setminus \{0\} $ definiert und partiell differenzierbar.
+    \begin{align*}
+        \partial_i f(x) = \frac{\d F(r(x))}{\d y} \partial_i r(x) = F'(r(x)) \frac{x_i}{\Vert x\Vert_{2}}
+        = F'(r(x)) \frac{x_i}{r(x)}
+    .\end{align*}
+\end{bsp}
+
+\begin{bem}
+    Für $n =1$ gilt: $f$ differenzierbar $\implies$ $f$ stetig. Für $n > 1$ und $f$ partiell
+    differenzierbar, folgt i.A. nicht, dass $f$ stetig ist.
+\end{bem}
+
+\begin{satz}
+    Sei $D \subseteq \R^{n}$ offen und $f\colon D \to \R$. Für $x \in D$ gelte: $\exists K_r(x) \subseteq D$,
+    s.d. die partiellen Ableitungen $\partial_i f(y)$, $i = 1, \ldots, n$ beschränkt sind $\forall y \in K_r(x)$,
+    d.h.
+    \[
+        \sup_{x \in K_r(x)} | \partial_i f(y) | \le M, \quad i = 1, \ldots, n
+    .\] Dann gilt $f$ stetig in Punkt $x$.
+\end{satz}
+
+\begin{proof}
+    Sei $n = 2$ und $y = (y_1, y_2) \in K_r(x)$. Es ist
+    \begin{salign*}
+        f(y_1, y_2) - f(x_1, x_2) &= f(y_1, y_2) - f(x_1, y_2) + f(x_1, y_2) - f(x_1, x_2)
+        \intertext{Mit $y_2$ fest, folgt mit dem Mittelwertsatz der Differentialrechnung:
+        $\exists \xi = \xi(y_2)$ zwischen $y_1$ und $x_1$, also}
+        f(y_1, y_2) - f(x_1, y_2) &\stackrel{\text{MWS}}{=} \partial_1 f(\xi, y_2) (y_1 - x_1)
+        \intertext{Analog für $x_1$ fest und $\zeta(x_1)$ zwischen $y_2$ und $x_2$}
+        f(x_1, y_2) - f(x_1, x_2) &\stackrel{\text{MWS}}{=} \partial_2 f(x_1, \zeta) (y_2 - x_2)
+        \intertext{Dann folgt}
+        |f(y) - f(y)| &\le \underbrace{|\partial_1 f(\xi, y_2)|}_{\le M} |y_1 - x_1|
+        + \underbrace{|\partial_2 f(x_2, \zeta)|}_{\le M} |y_2 - x_2| \\
+        &\le M (|y_1 - x_1| + |y_2 - x_2|) \\
+        &= M \Vert y - x \Vert_1
+    .\end{salign*} 
+    Sei $\epsilon \in (0, r]$ beliebig, dann gilt für $\delta := \frac{\epsilon}{M}$
+    \[
+        \Vert y -x \Vert_1 \le \delta  \implies | f(y) - f(y) | \le \epsilon
+.\] Also $f$ stetig in $x$ und wegen $|f(y) - f(x)| \le M \Vert y - x \Vert_1$ sogar Lipschitz-stetig.
+Für $n > 2$ analog.
+\end{proof}
+
+\begin{definition}
+    Sei $f\colon D \subseteq \R^{n} \to \R$ partiell differenzierbar mit $\partial_i f \colon D \to \R$.
+    \begin{itemize}
+        \item Falls $\partial_i f$ partiell differenzierbar sind, dann heißt $f$ zweimal
+            partiell differenzierbar mit den partiellen Ableitungen zweiter Ordnung
+            \[
+                \partial_i \partial_j f(x) := \frac{\partial^2 f(x)}{\partial x_i \partial x_j}
+                := \frac{\partial}{\partial x_i} \left( \frac{\partial f(x)}{\partial x_j} \right)
+            .\] 
+        \item $f$ heißt $k$-mal stetig partiell differenzierbar, falls alle partiellen Ableitungen
+            $k$-ter Ordnung von $f$ existieren und stetig sind.
+    \end{itemize}
+\end{definition}
+
+\begin{bem}
+    Im Allgemeinen ist $\partial_i \partial_j f(x) \neq  \partial_j \partial_i f(x)$!
+\end{bem}
+
+\begin{satz}[Vertauschbarkeit der Differentiationsreihenfolge]
+    Sei $D \subseteq \R^{n}$ offen  und $f\colon D \to \R$ zweimal stetig differenzierbar in
+    einer Umgebung $K_r(x) \subseteq D$ eines Punktes $x \in D$. Dann gilt
+    \[
+        \partial_i \partial_j f(x) = \partial_j \partial_i f(x), \qquad \forall i,j=1,\ldots,n
+    .\] Allgemein: Für eine $k$-mal stetig partiell differenzierbare Funktion ist die Reihenfolge
+    der partiellen Ableitungen vertauschbar.
+\end{satz}
+
+\begin{proof}
+    \begin{enumerate}[1)]
+        \item Sei $n = 2$ und
+            \[
+                A := \underbrace{f(x_1 + h_1, x_2 + h_2) - f(x_1 + h_1, x_2)}_{= \varphi(x_1 + h_1)}
+                - \underbrace{f(x_1, x_2 + h_2) + f(x_1, x_2)}_{= \varphi(x_1)}
+            .\] Definiere $\varphi(x) := f(x, x_2 + h_2) - f(x, x_2)$. Dann ist
+            $A = \varphi(x_1 + h_1) - \varphi(x_1)$. Mit dem MWS bezügl. $x_1$ folgt
+            \begin{salign*}
+                \varphi(x_1 + h_1) - \varphi(x_1) &= \varphi'(x_1 + \theta_1) \cdot h_1, \quad \theta_1 \in (0, h_1)
+                \intertext{Für $\varphi'$ gilt}
+                \varphi'(x_1) &= \partial_1 f(x_1, x_2 + h_2) - \partial_1 f(x_1, x_2) \\
+                              &\stackrel{\text{MWS bezügl. } x_2}{=} 
+                              \partial_2 (\partial_1 f(x_1, x_2 + \theta_1')) \cdot h_2, \quad \theta_1' \in (0, h_2)
+                \intertext{Dann folgt}
+                \varphi'(x_1 + \theta_1) &= \partial_2 (\partial_1 f(x_1 + \theta_1, x_2 + \theta_1')) h_2
+            .\end{salign*}
+            Und damit ist
+            \begin{salign*}
+                A &= \varphi'(x_1 + \theta_1) h_1 = \partial_2 (\partial_1 f(x_1 + \theta_1, x_2 + \theta_1'))
+                \cdot h_1 \cdot h_2
+                \intertext{Analog definiere $\psi(x) := f(x_1 + h_1, x) - f(x_1, x)$, dann}
+                A &= \psi(x_2 + h_2) - \psi(x_2) \\
+                  &\stackrel{\text{wie oben}}{=} h_2 \psi'(x_2 + \theta_2) \\
+                  &= h_1 \cdot h_2 \partial_
+                  (\partial_2 f(x_1 + \partial_2, x_2 + \partial_2')), \quad \theta_2 \in (0, h_1),
+                  \theta_2' \in (0, h_2)
+            .\end{salign*}
+            Also folgt
+            \[
+                \partial_2 \partial_1 f(x_1 + \theta_1, x_2 + \theta_1') = \frac{A}{h_1 \cdot h_2}
+                = \partial_1 \partial_2 f(x_1 + \theta_2, x_2 + \theta_2')
+            .\] 
+            Die partiellen Ableitungen $\partial_2 \partial_1 f$ und
+            $\partial_1 \partial_2 f$ sind stetig in $K_r(x)$, also gilt
+            für $h_1, h_2 \to 0$, d.h. $x_1 + \theta_1 \to x_1, x_2 + \theta_1' \to x_2, \ldots$
+            \begin{salign*}
+                \partial_2 \partial_1 f(x_1 + \theta_1, x_2 + \theta_1') &\xrightarrow{h_1, h_2 \to 0}
+                \partial_2 \partial_1 f(x) \\
+                \partial_1 \partial_2 f(x_1 + \theta_2, x_2 + \theta_2')
+                &\xrightarrow{h_1, h_2 \to 0} \partial_1 \partial_2 f(x)
+            .\end{salign*}
+            Also $\partial_1 \partial_2 f(x) = \partial_2 \partial_1 f(x)$. Für $n > 2$ analog.
+        \item Sei $f$ k-mal stetig differenzierbar. Dann folgt durch Induktion nach $k$
+            \[
+                \partial_1 \ldots \partial_k f(x) = \partial_{i_1} \ldots \partial_{i_k} f(x)
+            .\] für jede Permutation ($i_1, \ldots, i_k)$ von $(1 \ldots k)$.
+    \end{enumerate}
+\end{proof}
+
+\begin{definition}[Begriffe der Vektoranalysis]
+    \begin{itemize}
+        \item \underline{Gradient}: Sei $D \subseteq \R^{n}$ offen und $f\colon D \to \R$ eine partiell
+            differenzierbare Funktion. Der Vektor
+            \[
+                \text{grad} f(x) := \nabla f(x) := \begin{pmatrix} \partial_1 f(x) \\ \vdots \\ \partial_n f(x) \end{pmatrix}  \in \R^{n}
+            \] heißt der Gradient von $f$ in $x \in D$.
+        \item \underline{Hesse-Matrix}: Sei $D \subseteq \R^{n}$ offen, $f\colon D \to \R$
+            eine zweimal partiell differenzierbare Funktion. Die Matrix
+            \[
+                H_f(x) := \nabla^2 f(x) := (\partial_i \partial_j f(x))_{i,j=1}^{n} \in \R^{n \times n}
+            .\] heißt Hesse-Matrix von $f$ im Punkt $x \in D$.
+        \item \underline{Jacobi-Matrix}: Sei $D \subseteq \R^{n}$ offen, $f\colon D \to \R^{m}$
+            eine partiell differenzierbare Vektorfunktion. Die Matrix
+            \[
+                J_f(x) := \begin{pmatrix} \partial_1 f_1 & \ldots &\partial_n f_1 \\
+                    \vdots & & \vdots \\
+                    \partial_1 f_m & \ldots & \partial_n f_m
+                \end{pmatrix} \in \R^{m \times n}
+            .\] heißt Funktionalmatrix oder auch Jacobimatrix von $f$ in $x \in D$.
+
+            Schreibweise: $J_f(x) = f'(x) = \left( \nabla f(x) \right)^{T}$.
+    \end{itemize}
+\end{definition}
+
+\begin{bsp}
+    $r(x) = \Vert x \Vert_2$.
+    \[
+        \nabla r(x) = \begin{pmatrix} \vdots \\ \partial_i r(x) \\ \vdots \end{pmatrix}
+        = \begin{pmatrix} \vdots \\ \frac{x_i}{r(x)} \\ \vdots \end{pmatrix} \in \R^{n}
+    .\] Für die Hesse-Matrix $\nabla ^2 r(x) = \left( \partial_j \frac{x_i}{r(x)} \right)_{i,j=1}^{n}$ folgt
+    \[
+        \partial_j \left( \frac{x_i}{r(x)}\right)
+        = \begin{cases}
+            \frac{r(x) - x_i \frac{x_i}{r(x)}}{r(x)^2} = \frac{1}{r(x)} - \frac{x_i^2}{r(x)^2} & i = j \\
+            - \frac{x_i \frac{x_j}{r(x)}}{r(x)^2} = - \frac{x_i x_j}{r(x)^{3}} & i \neq  j
+        \end{cases}
+        .\] Diese Hesse-Matrix ist die Jacobi-Matrix der Vektorfunktion $v(x) = \frac{x}{r(x)} = \begin{pmatrix} \vdots \\ \frac{x_i}{r(x)} \\ \vdots \end{pmatrix} $.
+\end{bsp}
+
+\end{document}

analysisII.tex

@@ -25,5 +25,7 @@
 \input{ana7.tex}
 \input{ana8.tex}
 \input{ana9.tex}
+\input{ana10.tex}
+\input{ana11.tex}
 
 \end{document}

lecture.cls

@@ -217,15 +217,35 @@
   }
   % replace all relations with align characters (&) and add the needed padding
   \regex_replace_all:nnN
-      { (\c{iff}&|&\c{iff}|\c{impliedby}&|&\c{impliedby}|\c{implies}&|&\c{implies}|\c{approx}&|&\c{approx}|\c{equiv}&|&\c{equiv}|=&|&=|\c{le}&|&\c{le}|\c{ge}&|&\c{ge}|&\c{stackrel}{.*?}{.*?}|\c{stackrel}{.*?}{.*?}&|&\c{neq}|\c{neq}&) }
+  { (\c{iff}&|&\c{iff}|\c{impliedby}&|&\c{impliedby}|\c{implies}&|&\c{implies}|\c{approx}&|&\c{approx}|\c{equiv}&|&\c{equiv}|=&|&=|\c{le}&|&\c{le}|\c{ge}&|&\c{ge}|&\c{stackrel}{.*?}{.*?}|\c{stackrel}{.*?}{.*?}&|&\c{neq}|\c{neq}&|>&|&>|<&|&<) }
       { \c{kern} \u{l_tmp_dim_needed} \1 \c{kern} \u{l_tmp_dim_needed} }
       \l__lec_text_tl
   % replace all parantheses with \left( \right)
+  %\regex_replace_all:nnN { \( } { \c{left}( } \l__lec_text_tl
+  %\regex_replace_all:nnN { \) } { \c{right}) } \l__lec_text_tl
+  %\regex_replace_all:nnN { \[ } { \c{left}[ } \l__lec_text_tl
+  %\regex_replace_all:nnN { \] } { \c{right}] } \l__lec_text_tl
+  \l__lec_text_tl
+ }
+\cs_generate_variant:Nn \lec_insert_padding:n { V }
+
+\NewEnviron{leftright}
+{
+    \lec_replace_parens:V \BODY
+}
+
+% function to replace parens with left right
+\cs_new_protected:Nn \lec_replace_parens:n
+ {
+  \tl_set:Nn \l__lec_text_tl { #1 }
+  % replace all parantheses with \left( \right)
   \regex_replace_all:nnN { \( } { \c{left}( } \l__lec_text_tl
   \regex_replace_all:nnN { \) } { \c{right}) } \l__lec_text_tl
   \regex_replace_all:nnN { \[ } { \c{left}[ } \l__lec_text_tl
   \regex_replace_all:nnN { \] } { \c{right}] } \l__lec_text_tl
   \l__lec_text_tl
  }
-\cs_generate_variant:Nn \lec_insert_padding:n { V }
+\cs_generate_variant:Nn \lec_replace_parens:n { V }
+
 \ExplSyntaxOff
+