/
/
·
·
/
/
·
·
  • Einführung
  • Die Idee in einem Satz
  • Das Problem
  • Die Lagrange-[Funktion](/themen/funktionen)
  • Notwendige [Bedingungen](/themen/bedingungen) (Lagrange-Bedingungen)
  • Komplettes Beispiel
  • Bedeutung von \lambda (Schattenpreis)
  • Geometrische Interpretation
  • Mehrere Nebenbedingungen
  • Hinreichende Bedingungen (Hesse-[Matrix](/themen/matrizen))
  • KKT-Bedingungen (Erweiterung)
  • Klausur-Faustregeln
  • Häufige Stolpersteine
ThemenMathematikOptimierung mit Lagrange-Multiplikatoren
Mathematik·4Lerneinheiten·20min·Stand17.07.2026

Optimierung mit Lagrange-Multiplikatoren.

Maximiere Nutzen unter Budget-Restriktion. Minimiere Kosten unter Produktions-Vorgabe. Diese Klausur-Klassiker lösen Lagrange-Multiplikatoren, die Standardmethode für Optimierung mit Nebenbedingungen. Klausur-Pflicht in 14/16 WInf-Mathe-2-Klausuren.

Lagrange-Multiplikator-Methode: Wandle ein restringiertes Optimierungsproblem (mit Nebenbedingung) in ein unbeschränktes durch Einführung eines neuen Parameters λ\lambdaλ (Lagrange-Multiplikator).

Standard-Form: max⁡ f(x,y)u.d.N.g(x,y)=c\max \, f(x, y) \quad \text{u.d.N.} \quad g(x, y) = cmaxf(x,y)u.d.N.g(x,y)=c

(oder min statt max, oder mehrere Variablen)

Beispiel: max⁡ U(x,y)=x⋅y\max \, U(x, y) = x \cdot ymaxU(x,y)=x⋅y u.d.N. pxx+pyy=mp_x x + p_y y = mpx​x+py​y=m (Budget).

L(x,y,λ)=f(x,y)−λ⋅[g(x,y)−c]\mathcal{L}(x, y, \lambda) = f(x, y) - \lambda \cdot [g(x, y) - c]L(x,y,λ)=f(x,y)−λ⋅[g(x,y)−c]

Wichtig: λ\lambdaλ ist eine NEUE Variable, kein bekannter Wert!

Setze alle partiellen Ableitungen = 0:

∂L∂x=0,∂L∂y=0,∂L∂λ=0\frac{\partial \mathcal{L}}{\partial x} = 0, \quad \frac{\partial \mathcal{L}}{\partial y} = 0, \quad \frac{\partial \mathcal{L}}{\partial \lambda} = 0∂x∂L​=0,∂y∂L​=0,∂λ∂L​=0

Die dritte Gleichung gibt immer die ursprüngliche Nebenbedingung zurück: ∂L∂λ=−[g(x,y)−c]=0⇔g(x,y)=c\frac{\partial \mathcal{L}}{\partial \lambda} = -[g(x, y) - c] = 0 \Leftrightarrow g(x, y) = c∂λ∂L​=−[g(x,y)−c]=0⇔g(x,y)=c

Problem: max⁡ U(x,y)=x⋅y\max \, U(x, y) = x \cdot ymaxU(x,y)=x⋅y u.d.N. 2x+4y=1002x + 4y = 1002x+4y=100.

Schritt 1, Lagrange-Funktion aufstellen: L(x,y,λ)=x⋅y−λ(2x+4y−100)\mathcal{L}(x, y, \lambda) = x \cdot y - \lambda(2x + 4y - 100)L(x,y,λ)=x⋅y−λ(2x+4y−100)

Schritt 2, Partielle Ableitungen = 0:

∂L∂x=y−2λ=0⇒y=2λ\frac{\partial \mathcal{L}}{\partial x} = y - 2\lambda = 0 \Rightarrow y = 2\lambda∂x∂L​=y−2λ=0⇒y=2λ

∂L∂y=x−4λ=0⇒x=4λ\frac{\partial \mathcal{L}}{\partial y} = x - 4\lambda = 0 \Rightarrow x = 4\lambda∂y∂L​=x−4λ=0⇒x=4λ

∂L∂λ=−(2x+4y−100)=0⇒2x+4y=100\frac{\partial \mathcal{L}}{\partial \lambda} = -(2x + 4y - 100) = 0 \Rightarrow 2x + 4y = 100∂λ∂L​=−(2x+4y−100)=0⇒2x+4y=100

Schritt 3, Lösen: Aus y=2λy = 2\lambday=2λ und x=4λx = 4\lambdax=4λ: x=2yx = 2yx=2y.

Einsetzen: 2(2y)+4y=100⇒8y=100⇒y=12.52(2y) + 4y = 100 \Rightarrow 8y = 100 \Rightarrow y = 12.52(2y)+4y=100⇒8y=100⇒y=12.5, x=25x = 25x=25.

λ=y/2=6.25\lambda = y / 2 = 6.25λ=y/2=6.25.

Lösung: (x∗,y∗)=(25,12.5)(x^*, y^*) = (25, 12.5)(x∗,y∗)=(25,12.5), U∗=312.5U^* = 312.5U∗=312.5.

Der Multiplikator λ\lambdaλ hat eine wichtige Interpretation:

λ\lambdaλ = Veränderung des optimalen Zielfunktionswerts pro Einheit Lockerung der Nebenbedingung.

Im Beispiel: λ=6.25\lambda = 6.25λ=6.25 bedeutet: ein zusätzlicher Euro Budget erhöht den Nutzen um ca. 6.25 Einheiten.

In Mikroökonomie heißt λ\lambdaλ auch Grenznutzen des Einkommens, in der Produktion Schattenpreis.

Im Optimum sind die Gradienten von fff und ggg parallel:

∇f=λ∇g\nabla f = \lambda \nabla g∇f=λ∇g

Geometrisch: die Höhenlinie von fff tangiert die Restriktionskurve g=cg = cg=c.

Höhenlinien von f:
   ↗  ↗  ↗
   .  .  .       g = c (Restriktion)
   .  ☆  .       ☆ = Optimum (Tangentialpunkt)
   .  .  .
   .  .  .

Bei kkk Nebenbedingungen g1,g2,…,gkg_1, g_2, \ldots, g_kg1​,g2​,…,gk​:

L=f−∑i=1kλi(gi−ci)\mathcal{L} = f - \sum_{i=1}^k \lambda_i (g_i - c_i)L=f−∑i=1k​λi​(gi​−ci​)

Jeder λi\lambda_iλi​ ist eigener Multiplikator.

Notwendige Bedingung allein gibt nur "kritischen Punkt", Max, Min oder Sattelpunkt? Klärt der geränderte Hesse-Test (Bordered Hessian).

Klausur-Hinweis: In Bachelor-Klausuren wird oft nur die notwendige Bedingung verlangt + ökonomisches Argument für Maximum/Minimum.

Bei Ungleichungs-Nebenbedingungen (g(x)≤cg(x) \leq cg(x)≤c) statt Gleichungen → Karush-Kuhn-Tucker (KKT) Bedingungen, Erweiterung von Lagrange.

1. Lagrange-Funktion: L=f−λ(g−c)\mathcal{L} = f - \lambda(g - c)L=f−λ(g−c). Vorzeichen +/− egal, Konvention.

2. 3 Bedingungen für 2 Variablen + 1 NB: ∂L/∂x=0\partial \mathcal{L} / \partial x = 0∂L/∂x=0, ∂L/∂y=0\partial \mathcal{L} / \partial y = 0∂L/∂y=0, ∂L/∂λ=0\partial \mathcal{L} / \partial \lambda = 0∂L/∂λ=0.

3. λ\lambdaλ = Schattenpreis = Sensitivität des Optimums gegenüber Lockerung der Nebenbedingung.

4. Im Optimum: ∇f\nabla f∇f parallel zu ∇g\nabla g∇g (geometrisch).

5. KKT für Ungleichungs-Nebenbedingungen.

1. Nebenbedingung in Lagrange falsch aufstellen. Standard-Form: L=f−λ(g−c)\mathcal{L} = f - \lambda(g - c)L=f−λ(g−c). Nicht L=f−λg\mathcal{L} = f - \lambda gL=f−λg, der konstante Term ccc ist wichtig.

2. Multiplikator vergessen zu berechnen. λ\lambdaλ ist Teil der Lösung. Klausur fragt oft nach λ∗\lambda^*λ∗ und seiner ökonomischen Bedeutung.

3. Hinreichende Bedingungen überspringen. In Klausuren oft nicht verlangt, aber gut zu erwähnen (Hesse-Test oder ökonomisches Argument).

4. Mehrere Variablen-Substitutionen verheddern. Strategie: 2 Gleichungen aus den partiellen Ableitungen kombinieren → Verhältnis x/y finden → in NB einsetzen.

5. λ\lambdaλ als Konstante behandeln. λ\lambdaλ ist eine VARIABLE im Lagrange-System, kein gegebener Wert. Sie ergibt sich aus der Lösung.

Visualisiere das klassische Optimierungs-Problem:

  • Zielfunktion U(x,y)=x⋅yU(x,y) = x \cdot yU(x,y)=x⋅y als Höhenlinien
  • Budgetgerade pxx+pyy=mp_x x + p_y y = mpx​x+py​y=m als rote Linie
  • Optimum als Tangentialpunkt

Schiebe die Budget-Slider und sieh, wie sich das Optimum verschiebt.

Lade Visualisierung...

Klausur-Tipp: Bei Lagrange-Aufgaben IMMER die 3 partiellen Ableitungen (bei 2 Variablen + 1 NB) explizit aufschreiben. Erst dann zusammensetzen. Spart Fehler.

Anmelden, um den Fortschritt zu speichern.

Nächster Schritt

Wenn du fertig bist: jetzt üben.

Aktives Abrufen festigt Wissen schneller als nochmal lesen.

War das hilfreich?

Verwandte Themen

  • Lineare Funktionen
  • Prädikatenlogik 1. Stufe
  • Quadratische Funktionen
  • Ableitungen
  • Integrale

Tools

Bald: Karteikarten · Spaced-Repetition · Mind-Map-Export

Fachliche Qualität
Noch nicht klassifiziertNoch nicht geprüft.

Diese Lerneinheit wurde für typische Bachelor-Klausuren konzipiert. So prüfen wir · Fehler entdeckt? Melde ihn uns oder markiere die fragliche Stelle direkt im Text oben.

Klausur-ÜbersichtKomplette Übersicht: alle Tabs als linearer Text zum Lernen
▾

Alle Tabs der Lerneinheit (Erklärung · Interaktiv verstehen · Praxis-Übung · Klausur-Quiz) als durchgehender Text. Ideal zum Wiederholen vor der Klausur, und für Suchmaschinen wie Google, Bing und KI-Suche (ChatGPT, Perplexity).

Inhalt dieser Übersicht

  1. Erklärung(Erklärung)
  2. Interaktiv verstehen(Visualisierung / Interaktiv)
  3. Praxis-Übung(Quiz / Klausurfragen)
  4. Klausur-Quiz(Quiz / Klausurfragen)
Teil 1·Erklärung

Erklärung

Maximiere Nutzen unter Budget-Restriktion. Minimiere Kosten unter Produktions-Vorgabe. Diese Klausur-Klassiker lösen Lagrange-Multiplikatoren, die Standardmethode für Optimierung mit Nebenbedingungen. Klausur-Pflicht in 14/16 WInf-Mathe-2-Klausuren.

Die Idee in einem Satz

Lagrange-Multiplikator-Methode: Wandle ein restringiertes Optimierungsproblem (mit Nebenbedingung) in ein unbeschränktes durch Einführung eines neuen Parameters λ (Lagrange-Multiplikator).

Das Problem

Standard-Form: max f(x, y) u.d.N. g(x, y) = c

(oder min statt max, oder mehrere Variablen)

Beispiel: max U(x, y) = x · y u.d.N. p_x x + p_y y = m (Budget).

Die Lagrange-Funktion

L(x, y, λ) = f(x, y) - λ · [g(x, y) - c]

Wichtig: λ ist eine NEUE Variable, kein bekannter Wert!

Notwendige Bedingungen (Lagrange-Bedingungen)

Setze alle partiellen Ableitungen = 0:

(∂ L)/(∂ x) = 0, (∂ L)/(∂ y) = 0, (∂ L)/(∂ λ) = 0

Die dritte Gleichung gibt immer die ursprüngliche Nebenbedingung zurück: (∂ L)/(∂ λ) = -[g(x, y) - c] = 0 ⇔ g(x, y) = c

Komplettes Beispiel

Problem: max U(x, y) = x · y u.d.N. 2x + 4y = 100.

Schritt 1, Lagrange-Funktion aufstellen: L(x, y, λ) = x · y - λ(2x + 4y - 100)

Schritt 2, Partielle Ableitungen = 0:

(∂ L)/(∂ x) = y - 2λ = 0 ⇒ y = 2λ

(∂ L)/(∂ y) = x - 4λ = 0 ⇒ x = 4λ

(∂ L)/(∂ λ) = -(2x + 4y - 100) = 0 ⇒ 2x + 4y = 100

Schritt 3, Lösen: Aus y = 2λ und x = 4λ: x = 2y.

Einsetzen: 2(2y) + 4y = 100 ⇒ 8y = 100 ⇒ y = 12.5, x = 25.

λ = y / 2 = 6.25.

Lösung: (x^*, y^*) = (25, 12.5), U^* = 312.5.

Bedeutung von λ (Schattenpreis)

Der Multiplikator λ hat eine wichtige Interpretation:

λ = Veränderung des optimalen Zielfunktionswerts pro Einheit Lockerung der Nebenbedingung.

Im Beispiel: λ = 6.25 bedeutet: ein zusätzlicher Euro Budget erhöht den Nutzen um ca. 6.25 Einheiten.

In Mikroökonomie heißt λ auch Grenznutzen des Einkommens, in der Produktion Schattenpreis.

Geometrische Interpretation

Im Optimum sind die Gradienten von f und g parallel:

∇ f = λ ∇ g

Geometrisch: die Höhenlinie von f tangiert die Restriktionskurve g = c.

Höhenlinien von f:
   ↗  ↗  ↗
   .  .  .       g = c (Restriktion)
   .  ☆  .       ☆ = Optimum (Tangentialpunkt)
   .  .  .
   .  .  .

Mehrere Nebenbedingungen

Bei k Nebenbedingungen g₁, g₂, ..., g_k:

L = f - Σ_(i=1)^k λ_i (g_i - c_i)

Jeder λ_i ist eigener Multiplikator.

Hinreichende Bedingungen (Hesse-Matrix)

Notwendige Bedingung allein gibt nur "kritischen Punkt", Max, Min oder Sattelpunkt? Klärt der geränderte Hesse-Test (Bordered Hessian).

Klausur-Hinweis: In Bachelor-Klausuren wird oft nur die notwendige Bedingung verlangt + ökonomisches Argument für Maximum/Minimum.

KKT-Bedingungen (Erweiterung)

Bei Ungleichungs-Nebenbedingungen (g(x) ≤ c) statt Gleichungen → Karush-Kuhn-Tucker (KKT) Bedingungen, Erweiterung von Lagrange.

Klausur-Faustregeln

1. Lagrange-Funktion: L = f - λ(g - c). Vorzeichen +/− egal, Konvention.

2. 3 Bedingungen für 2 Variablen + 1 NB: ∂ L / ∂ x = 0, ∂ L / ∂ y = 0, ∂ L / ∂ λ = 0.

3. λ = Schattenpreis = Sensitivität des Optimums gegenüber Lockerung der Nebenbedingung.

4. Im Optimum: ∇ f parallel zu ∇ g (geometrisch).

5. KKT für Ungleichungs-Nebenbedingungen.

Häufige Stolpersteine

1. Nebenbedingung in Lagrange falsch aufstellen. Standard-Form: L = f - λ(g - c). Nicht L = f - λ g, der konstante Term c ist wichtig.

2. Multiplikator vergessen zu berechnen. λ ist Teil der Lösung. Klausur fragt oft nach λ^* und seiner ökonomischen Bedeutung.

3. Hinreichende Bedingungen überspringen. In Klausuren oft nicht verlangt, aber gut zu erwähnen (Hesse-Test oder ökonomisches Argument).

4. Mehrere Variablen-Substitutionen verheddern. Strategie: 2 Gleichungen aus den partiellen Ableitungen kombinieren → Verhältnis x/y finden → in NB einsetzen.

5. λ als Konstante behandeln. λ ist eine VARIABLE im Lagrange-System, kein gegebener Wert. Sie ergibt sich aus der Lösung.

Teil 2·Visualisierung / Interaktiv

Interaktiv verstehen

Lagrange-Höhenlinien-Plot

Visualisiere das klassische Optimierungs-Problem:

  • Zielfunktion U(x,y) = x · y als Höhenlinien
  • Budgetgerade p_x x + p_y y = m als rote Linie
  • Optimum als Tangentialpunkt

Schiebe die Budget-Slider und sieh, wie sich das Optimum verschiebt.

Interaktive Visualisierung

Interaktive Komponente: probiere sie im Topic-Player oben aus.

Klausur-Tipp: Bei Lagrange-Aufgaben IMMER die 3 partiellen Ableitungen (bei 2 Variablen + 1 NB) explizit aufschreiben. Erst dann zusammensetzen. Spart Fehler.

Teil 3·Quiz / Klausurfragen

Praxis-Übung

Lagrange, Praxis-Übung

6 Aufgaben zu Lagrange-Funktion, Bedingungen, Multiplikator-Bedeutung.

Klausurfragen mit Lösungen (6)

F1.Was ist die Standard-Form einer Lagrange-Funktion bei einem Optimierungs-Problem max f(x,y) u.d.N. g(x,y) = c?

Antwort: `L = f - λ (g - c)`

Erklärung: Standard-Lagrange: `L = f - λ(g - c)`. Das `c` ist wichtig! Manche Konventionen schreiben +λ, mathematisch egal, Vorzeichen von λ wechselt.

F2.Bei einem Optimum mit Lagrange, was ist λ (Lagrange-Multiplikator) ökonomisch?

Antwort: Schattenpreis: Sensitivität des Optimums gegenüber Lockerung der NB

Erklärung: `λ` = Schattenpreis = Veränderung des optimalen Zielfunktionswerts pro Einheit Lockerung der Nebenbedingung. In Mikroökonomie: Grenznutzen des Einkommens. In Produktion: Schattenpreis einer Ressource.

F3.Im Optimum mit Lagrange sind die Gradienten von Zielfunktion f und Nebenbedingung g parallel.

Antwort: Wahr

Erklärung: RICHTIG. `∇ f = λ ∇ g` im Optimum. Geometrisch: Höhenlinie von `f` tangiert Restriktionskurve `g = c`. Anschauliche Interpretation der Methode.

Typ: Wahr/Falsch

F4.max U(x,y) = xy u.d.N. x + y = 10. Was sind x^* und y^*?

Antwort: `x = 5, y = 5`

Erklärung: Lagrange: `L = xy - λ(x+y-10)`. `∂_x: y = λ`, `∂_y: x = λ` → `x = y`. NB: `2x = 10` → `x = y = 5`. Optimum `(5, 5)`, `U^* = 25`.

F5.Welche Aussagen über Lagrange-Multiplikatoren sind RICHTIG?

Richtige Antworten: Lagrange wandelt restringiertes in unbeschränktes Problem; `λ` ist eine Variable, kein gegebener Wert; Bei `k` Nebenbedingungen: `k` Multiplikatoren `λ₁, ..., λ_k`; `λ` heißt Schattenpreis (oder Grenznutzen); KKT für Ungleichungs-Nebenbedingungen

Erklärung: Richtig: Lagrange-Idee, λ als Variable, k NB → k λ, Schattenpreis, KKT-Erweiterung. Falsch: `∂ L = 0` liefert NOTWENDIGE Bedingungen, hinreichend braucht zusätzlich Hesse-Test (Bordered Hessian).

Typ: Multi-Select

F6.Ordne Begriff der Bedeutung zu:

Zuordnungen:

  • Lagrange-Funktion → $\mathcal{L} = f - \lambda(g - c)$
  • $\lambda$ (Multiplikator) → Schattenpreis / Sensitivität
  • KKT-Bedingungen → Erweiterung für Ungleichungs-NB
  • Bordered Hessian → Hinreichende Bedingung 2. Ordnung

Erklärung: Lagrange-Vokabular. Klausur-Pflicht.

Typ: Zuordnung

Teil 4·Quiz / Klausurfragen

Klausur-Quiz

Klausurfragen mit Lösungen (6)

F1.max U(x,y) = x · y u.d.N. 2x + 4y = 100. Was ist x^*?

Antwort: 25 (Toleranz ±0.5)

Erklärung: Lagrange: `L = xy - λ(2x + 4y - 100)`. `∂_x: y = 2λ`, `∂_y: x = 4λ` → `x = 2y`. NB: `2(2y) + 4y = 100 → 8y = 100 → y = 12.5, x = 25`.

Typ: Zahlen-Eingabe

F2.Im obigen Beispiel, wie groß ist λ^*?

Antwort: 6.25

Erklärung: Aus `y = 2λ` und `y = 12.5`: `λ = 6.25`. Interpretation: ein zusätzlicher Euro Budget (Lockerung der NB um 1) erhöht den Nutzen um ca. 6.25 Einheiten (Grenznutzen des Einkommens).

F3.Bei mehreren Nebenbedingungen brauchst du mehrere Lagrange-Multiplikatoren, einen pro Nebenbedingung.

Antwort: Wahr

Erklärung: RICHTIG. Bei `k` NB: `L = f - Σ_i λ_i (g_i - c_i)`. Jeder `λ_i` ist eigener Schattenpreis für seine Nebenbedingung.

Typ: Wahr/Falsch

F4.Sie nutzen Lagrange für ein Min-Problem. Ändert sich was?

Antwort: Ja, Vorzeichen von `λ` kann sich ändern, aber Methodik bleibt

Erklärung: Lagrange funktioniert für Max + Min identisch. Lagrange-Funktion + 3 partielle Ableitungen = 0. Nur das Vorzeichen + Interpretation von `λ` können sich ändern. Hesse-Test entscheidet zwischen Max/Min/Sattelpunkt.

F5.Lagrange-Funktion: L = f - {{1}} · (g - c). Notwendige Bedingungen: alle partiellen {{2}} = 0. Der Multiplikator λ heißt {{3}}-preis. Bei mehreren NB braucht's {{4}} Multiplikatoren. {{5}}-Bedingungen erweitern Lagrange auf Ungleichungs-NB.

Lösungen pro Lücke:

  • {{1}}: \lambda / lambda
  • {{2}}: Ableitungen
  • {{3}}: Schatten
  • {{4}}: mehrere / k
  • {{5}}: KKT

Erklärung: Lagrange-Vokabular. Multiplikator-Methode, partielle Ableitungen, Schattenpreis-Interpretation, KKT.

Typ: Lückentext

F6.Sortiere: Lagrange-Methode anwenden.

Richtige Reihenfolge:

  1. Problem in Standard-Form: max f(x,y) u.d.N. g(x,y) = c
  2. Lagrange-Funktion aufstellen: $\mathcal{L} = f - \lambda(g - c)$
  3. Alle partiellen Ableitungen berechnen: $\partial_x, \partial_y, \partial_\lambda$
  4. Alle = 0 setzen (notwendige Bedingungen)
  5. Gleichungssystem lösen: x*, y*, λ*
  6. λ als Schattenpreis interpretieren

Erklärung: Standard-Lagrange-Workflow. Klausur-Pflicht.

Typ: Reihenfolge

Zur KategorieMathematik.Mehr Themen entdeckenZum Themen-Hub.

UniProMax ist eine themenbasierte Lernplattform für Studierende an deutschen Unis.

Wir glauben, dass Verstehen besser ist als Auswendiglernen. Wir bauen Lerneinheiten die zeigen statt erzählen. Code, Visualisierung, Quiz. Auf Deutsch.

Marke

UniProMaxUniProMax

Themenbasiert, visuell, interaktiv.

Inhalte

  • Alle Themen (Hub)
  • Programmiergrundlagen
  • Algorithmen
  • Mathematik
  • Statistik
  • Datenbanken
  • Rechnungswesen
  • VWL

Studiengang-Filter

  • Informatik
  • Wirtschaftsinformatik
  • BWL
  • Data Science
  • VWL
  • Wirtschaftsingenieurwesen
  • Mathe
  • Psychologie
  • weitere Studiengänge folgen

Plattform

  • Mein Fortschritt
  • Impressum
  • Datenschutz
© 2026 UniProMaxAlle Systeme onlinev0.2 / Sommersemester 2026
UniProMaxUniProMaxUniProMaxUniProMax