4 Euklidische Vektorräume
|
|
- Vincent Dresdner
- vor 7 Jahren
- Abrufe
Transkript
1 4 EUKLIDISCHE VEKTORRÄUME 1 4 Euklidische Vektorräume Um Geometrie zu treiben, benötigen wir Längen und Winkel. Beides sind nicht Strukturen, die in einem reellen Vektorraum von vornherein vorhanden sind. Zum einen kann man Maßeinheiten doch ziemlich willkürlich festlegen, zum anderen sind Vektorraumisomorphismen im allgemeinen nicht mit vorhandenen Längenmaßen verträglich. Als Beispiel betrachten wir die Untervektorräume U 1 = Span{(1, 0)} und U 2 = Span{(1, 1)} der mit der kanonischen Längenmessung versehenen Ebene R 2. Der durch die Zuordnung (1, 0) (1, 1) definierte Isomorphismus U 1 U 2 ist nicht längentreu, er bildet einen Vektor der Länge 1 auf einen Vektor der Länge 2 ab. Im folgenden werden wir untersuchen, wie wir einem reellen Vektorraum eine zusätzliche Struktur so zuordnen können, dass eine vernünftige Längenmessung möglich ist. Wir beginnen mit einer abstrakten Funktion, deren anschauliche Bedeutung darin liegt, dass jedem Vektor eine Länge zugeordnet wird. Definitionen. Es sei V R-Vektorraum. Eine Funktion l : V R heißt Längenfunktion für V, wenn gilt: (L 0) l(v) = 0 v = 0 l(v) > 0 für v 0 (L 1) l(λv) = λ l(v) speziell ergibt sich für λ = 1: l( v) = l(v). Es werden noch drei weitere Bedingungen an die Längenfunktion gestellt, aber um diese bequem formulieren zu können, ist es sinnvoll, zunächst den Begriff senkrecht oder orthogonal einzuführen. Anschaulich geschieht dies über die grundlegende Tatsache, dass ein Parallelogramm genau dann ein Rechteck ist, wenn seine Diagonalen gleich lang sind. w w v v Definition. Ein Vektor w steht senkrecht auf dem Vektor v, oder ist orthogonal zu v in Zeichen: v w wenn gilt: l(v + w) = l(v w) Aus (L 1) folgt sofort die Symmetrie dieser Relation v w w v. Ferner ist die Bedingung für w = 0 immer erfüllt, also hat man v 0, und wegen der Symmetrie auch 0 v für alle v V. Die beiden folgenden Bedingungen an die Längenfunktion besagen, dass die Gesamtheit der zu einem Vektor senkrechten Vektoren einen Untervektorraum von V bildet.
2 4 EUKLIDISCHE VEKTORRÄUME 2 (L 2) v w 1, v w 2 = v w 1 + w 2, v 1 w, v 2 w = v 1 + v 2 w. (L 3) v w = v λw, λv w Die entscheidende Bedingung für eine Längenfunktion ist die Existenz der orthogonalen Projektion, die wir zunächst anschaulich folgendermaßen formulieren: Zu jedem Paar (v, w) von Vektoren mit v 0 gibt es genau ein α R derart, dass w αv senkrecht auf v steht: v w αv. w w αv 0 αv v Die Zuordnung (v, w) α ist eine Funktion, die zunächst nur auf V \ {0} V definiert ist. Wir dehnen sie auf ganz V V, in dem wir den Paaren (0, w) den Wert 0 zuordnen. Damit können wir die noch fehlende Bedingung an die Längenfunktion folgendermaßen formulieren. (L 4) Es gibt eine Funktion s : V V R mit: v w αv α = s(v, w) falls v 0 s(0, w) = 0 Die Funktion s hat viele interessante Eigenschaften, von denen uns einige zu einer handlichen Beschreibung der möglichen Längenfunktionen hinführen werden. (S 0) s(v, w) = 0 v w (S 1) s(v, w 1 + w 2 ) = s(v, w 1 ) + s(v, w 2 ) (S 2) s(v, λw) = λ s(v, w) (S 3) λ 0 = s(λv, w) = 1 λ s(v.w) (S 4) l(v) = l(w) s(v + w, v) = s(v + w, w) (S 5) l(v) = l(w) = l(λv w) = l(λw v) Interessant ist nun die Frage nach der Symmetrie der Funktion s, das heißt, ein Vergleich der Werte α = s(v, w) und β = s(w, v) für v, w 0 und s(v, w) 0 ( s(w, v)). Dazu argumentieren wir zunächst anschaulich. Die rechtwinkligen Dreiecke 0(αv)w und 0v(βw) stimmen außer in dem rechten Winkel auch noch in dem Winkel an der Ecke 0 überein, sie sind also ähnlich und stimmen damit in den Verhältnissen entsprechender Seiten überein: Hypotenuse Hypotenuse = Gegenseite des Winkels bei w Gegenseite des Winkels bei v,
3 4 EUKLIDISCHE VEKTORRÄUME 3 das heißt, Umformung ergibt l(w) l(αv) = l(v) l(βw). l(w) l(βw) = l(v) l(αv) β l(w) 2 = α l(v) 2. Die Werte α und β haben immer gleiches Vorzeichen; sie sind beide positiv, falls die Vektoren v und w einen spitzen Winkel einschließen, und beide negativ im Fall eines stumpfen Winkels. Damit erhalten wir β l(w) 2 = α l(v) 2, was auf die folgende, aus den vorhergehenden Eigenschaften zu beweisende Behauptung führt: (S 6) Im Fall s(v, w) 0 gilt: s(v, w) = s(w, v) l(v) = l(w) Beweis. Wir kürzen wieder ab: α = s(v, w) und β = s(w, v). = : Aus v w αv folgt mit der Definition der Orthogonalität: l(v + w αv) = l(v w + αv), das heißt, l((1 α)v + w) = l((1 + α)v w). Nach (L 1) ist die rechte Seite dieser Gleichung gleich l((α 1)v w), also haben wir l((α 1)v w) = l((α + 1)v w). Aufgrund der Voraussetzung l(v) = l(w) können wir nun nach (S 5) auf beiden Seiten dieser Gleichung die Vektoren v und w vertauschen: l((α 1)w v) = l((α + 1)w v). Dieselben Umformungen, rückwärts durchgeführt, liefern nun w v αw, das heißt, α = s(w, v) = β. = : Mit s(v, w) 0 haben wir v 0 w und damit auch l(v) 0 l(w). Wir setzen λ = l(v) l(w) und berechnen l(λw) = λl(w) = l(v).
4 4 EUKLIDISCHE VEKTORRÄUME 4 Aus der bereits bewiesenen umgekehrten Richtung folgt nun s(v, λw) = s(λw, v), λ s(v, w) = 1 s(w, v) (nach (S 2) und (S 3)), λ λ = 1 λ λ 2 = 1 λ = 1 (da λ > 0), (da nach Voraussetzung s(v, w) = s(w, v)), l(v) = l(w) (nach Definition von λ). Damit ist die Funktion s im allgemeinen nicht symmetrisch, aber die obige Rechnung zeigt für v 0 w und λ = l(v)/l(w): s(v, w) l(v) 2 = 1 λ s(v, λw) l(v)2 = l(v) l(w) s(v, λw) (S 6) = = l(v) l(w) s(λw, v) = Definieren wir also eine neue Funktion l(v) l(w) λ s(w, v) = s(w, v) l(w) 2. <, >: V V R, (v, w) < v, w >= s(v, w) l(v) 2, so gilt (P 1) Die Funktion <, > ist symmetrisch. Beweis. Für v 0 w folgt dies aus der Herleitung. Im Fall v = 0 oder w = 0 hat die Funktion unabhängig von der Reihenfolge der Variablen den Wert 0. Diese neue Funktion hat weitere schöne Eigenschaften. (P 2) Die Funktion <, > ist positiv definit, das heißt, es gilt < v, v >= 0 falls v = 0, < v, v >> 0 falls v 0. Beweis. Es genügt den Fall v 0 zu betrachten. Wir finden zunächst v 0 = v v 1 v = s(v, v) = 1. Daraus folgt < v, v >= s(v, v) l(v) 2 = l(v) 2 > 0. Für später halten wir noch fest: Diese Rechnung zeigt, dass sich die Längenfunktion aus der Funktion <, > zurückgewinnen lässt: l(v) = <, >.
5 4 EUKLIDISCHE VEKTORRÄUME 5 (P 3) Die Funktion <, > ist bilinear. Beweis. Die Multiplikation mit einem nur von der ersten Variablen abhängigen Faktor beim Übergang von der Funktion s zu der Funktion <, > zerstört die Linearität in der zweiten Variablen nicht: < v, u + w > = s(v, u + w) l(v) 2 = (s(v, u) + s(v, w)) l(v) 2 = = s(v, u) l(v) 2 + s(v, w) l(v) 2 = = < v, u > + < v, w >, < v, λw > = s(v, λw) l(v) 2 = (λ s(v, w)) l(v) 2 = λ (s(v, w) l(v) 2 ) = = λ < v, w >. Aus der Symmetrie (P 1) folgt dann auch die Linearität in der ersten Variablen. Wegen der Bilinearität ist die Funktion <, > viel handlicher als die ursprüngliche Längenfunktion. Deshalb ergänzt man zur Behandlung metrischer Eigenschaften die Struktur reeller Vektorräume um eine solche Funktion. Definitionen. Es sei V ein reeller Vektorraum. 1. Eine bilineare Abbildung <, >: V V R heißt Bilinearform auf V. 8. April Eine positiv definite, symmetrische Bilinearform auf V heißt Skalarprodukt oder inneres Produkt auf V. 3. Ein euklidischer Vektorraum ist ein Paar (V, <, >), bestehend aus einem reellen Vektorraum V und einem Skalarprodukt <, > auf V. Beispiele. 1. Das kanonische Skalarprodukt auf R n : < (β 1,..., β n ), (γ 1,..., γ n ) > = β j γ j = u t w. 2. Es sei eine Matrix A = (α ij ) R n,n gegeben. Aus den Gesetzen der Matrizenmultiplikation folgt, dass die Abbildung <, > A : R n R n R, (v, w) < v, w > A = v t Aw = α ij v i w j, eine Bilinearform ist. Sie ist genau dann symmetrisch, wenn die Matrix A symmetrisch ist, das heißt, wenn gilt: A = A t. Beweis. <, > A symmetrisch = α ij =< e i, e j > A =< e j, e i > A = α ji für alle i, j {1, 2,..., n} = A = A t. A = A t = < v, w > A = v t Aw = (v t Aw) t = w t A t v = w t Av =< w, v > A. Eine symmetrische Matrix A heißt positiv definit, wenn die zugehörige symmetrische Bilinearform <, > A positiv definit ist. Damit führt jede positiv definite symmetrische Matrix zu einem Skalarprodukt auf R n. i,
6 4 EUKLIDISCHE VEKTORRÄUME 6 Methoden zur Feststellung der positiven Definitheit einer Matrix werden später entwickelt. Hier nun zwei einfache Fälle: Eine Diagonalmatrix ist genau dann positiv definit, wenn sämtliche Diagonaleinträge positiv sind. Beweis. Sei D eine Diagonalmatrix mit den Diagonalelementen δ j, j {1, 2,..., n}. = : Ist D positiv definit, so gilt 0 < < ej, e j > D = δ j für alle j. = : Sind alle δ j positiv, so gilt für alle v = (v 1, v 2,..., v n ) 0: 0 < < v, v > D = δ j vj 2 > 0. ( ) α β Die symmetrische 2 2-Matrix A = ist genau dann positiv definit, wenn β γ α > 0 und α γ > β 2 ist. = : Wegen α > 0 kann durch α dividiert werden. Damit haben wir für beliebiges v = (v 1, v 2 ): 0 << v, v > A = α v β v 1 v 2 + γ v 2 2 = α (v 1 + β α v 2) 2 + α γ β2 α v 2 2. Ist v 0, so ist entweder v 2 0 und damit ist der zweite Summand auf jeden Fall positiv, oder es ist v 2 = 0 und v 1 0 und dann ist der erste Summand positiv. Da beide Summanden nie negativ sind, ist die Summe auf jeden Fall positiv. = : Ist A positiv definit, so gilt zunächst 0 < e 1, e 1 > A = α. Wählen wir nun so erhalten wir: v = ( β α ), 0 << v, v > A = α γ β2 α α 2 = (α γ β 2 ) α. Division durch die positive Zahl α ergibt α γ β 2 > 0, das heißt, α γ > β Integration auf V = {f f R [0,1] fstetig }. < f, g >= 1 0 f g. Bilinearität und Symmetrie sind klar. Die positive Definitheit ergibt sich folgendermaßen: Ist f V \{0}, so ist f 2 (t) 0 für alle t [0, 1] und f 2 (t 0 ) > 0 für wenigstens
7 4 EUKLIDISCHE VEKTORRÄUME 7 ein t 0 [0, 1]. Wir wählen ein solches t 0. Da f stetig ist, ist auch f 2 stetig. Damit kann 0 < t 0 < 1 angenommen werden und es gibt zu ε = f 2 (t 0 ) 2 ein δ > 0 mit f(t) f(t 0 ) < ε für t t 0 δ. Dabei kann δ so klein gewählt werden, dass gilt [t 0 δ, t 0 + δ] [0, 1]. Für t [t 0 δ, t 0 + δ] gilt dann f 2 (t) f 2 (t 0 ) 2 Wir definieren nun die Treppenfunktion g : [0, 1] R durch 0, t [t 0 δ, t 0 + δ], g(t) = f 2 (t 0 ), 2 t [t 0 δ, t 0 + δ]. Dann gilt f 2 (t) g(t) für alle t [0, 1] und damit haben wir. 1 0 f g = 2δ f 2 (t 0 ) 2 = δ f 2 (t 0 ) > 0. Lemma und Definition. Symmetrische Bilinearformen sind durch ihre Werte auf einer Basis eindeutig bestimmt. Ist <, > eine solche Form und ist B = (v 1,..., v n ) eine Basis von V, so heißt die Matrix A = (α ij ) mit α ij =< v i, v j > darstellende Matrix von <, > bezüglich B. Beweis. Wir berechnen für u = λ i v i und w = µ j v j < u, w > = < = = = λ i v i, i=1 λ i < v i, i=1 i=1 i=1 µ j v j > = µ j v j > = λ i µ j < v i, v j > = λ i µ j α ij. Lemma. Es seien F : W V eine lineare Abbildung und <, > eine symmetrische Bilinearform auf V. Dann ist <, > F : W W K, (u, w) < F (u), F (w) >
8 4 EUKLIDISCHE VEKTORRÄUME 8 eine symmetrische Bilinearform auf W. Ist <, > ein Skalarprodukt, so ist <, > F genau dann ein Skalarprodukt, wenn F ein Monomorphismus ist. Beweis. Symmetrie: < w 1, w 2 > F =< F (w 1 ), F (w 2 ) >=< F (w 2 ), F (w 1 ) >=< w 2, w 1 > F Linearität in der ersten Variablen: < λ j w j, w > F =< F ( λ j w j ), F (w) >= =< λ j F (w j ), F (w) >= λ j < F (w j ), F (w) >=< λ j < w j, w > F <, > positiv definit und F Monomorphismus: w 0 F (w) 0 < w, w > F =< F (w), F (w) >> 0 F kein Monomorphismus ker F 0 es gibt w 0 mit F (w) = 0. Für ein solches w gilt < w, w > F =< F (w), F (w) >= 0 also ist <, > F definit. nicht positiv Folgerung. Es sei <, > eine symmetrische Bilinearform auf V. Ist B eine Basis von V, Φ : R n V das zugehörige Koordinatensystem und A die darstellende Matrix von <, > bezüglich B, so gilt: <, > A =<, > Φ. Transformationsformel. Es seien V ein reeller Vektorraum, A = (u 1,..., u n ), B = (w 1,..., w n ) Basen von V, K n,n T = Φ 1 B Φ A die zugehörige Transformationsmatrix, <, > eine symmetrische Bilinearform auf V, A, B K n,n darstellende Matrizen von <, > bezüglich A beziehungsweise B. Dann gilt A = T t B T. Beweis. < u, w > A =< Φ A (u), Φ A (w) >= =< Φ B T (u), Φ B T (w) >=< T u, T w > B = (T u) t BT w = = u t T t BT w =< u, w > T t BT. Augustin-Louis Cauchy, * Paris , Sceaux , ursprünglich Ingenieur, Schüler von Lagrange, Professor an der École Polytechnique, Royalist, sehr fruchtbarer Mathematiker Hermann Amandus Schwarz, * Hermsdorf (Schlesien) , Berlin , Professor in Halle, Zürich, Göttingen und Berlin. Cauchy-Schwarzsche Ungleichung. Es sei V euklidischer Vektorraum beliebiger, auch unendlicher, Dimension. Dann gilt für alle u, w V : < u, w > 2 < u, u > < w, w >
9 4 EUKLIDISCHE VEKTORRÄUME 9 Das Gleichheitszeichen gilt genau dann, wenn die Vektoren u und w linear abhängig sind. Beweis. u, w linear abhängig w = 0 oder u = λw für ein λ K. w = 0 < u, w > 2 =< u, 0 > 2 = 0 =< u, u >< 0, 0 >=< u, u >< w, w >, u = λw < u, w > 2 =< λw, w > 2 = (λ < w, w >) 2 = λ 2 < w, w > 2 = = λ 2 < w, w >< w, w >=< λw, λw >< w, w >=< u, u >< w, w >. u, w linear unabhängig u λw 0 für alle λ R, also 0 < < u λw, u λw > = < u, u > λ < u, w > λ < w, u > +λ 2 < w, w > = =< u, u > 2λ < u, w > +λ 2 < w, w > Da aber auch w 0 gilt, können wir λ = < u, w > < w, w > wählen, und wir erhalten für den obigen Ausdruck < u, w >2 < u, w >2 =< u, u > 2 + < w, w > < w, w > = < u, u >< w, w > < u, w >2 < w, w >, woraus die gewünschte Ungleichung folgt. Bezeichnung. Ist <, > eine symmetrische Bilinearform, so ist die Abbildung die zugeordnete quadratische Form. q : V K, v < v, v > Lemma. Symmetrische Bilinearformen sind schon durch ihre zugeordneten quadratischen Formen bestimmt. Beweis. < u, w >= 1 (q(u + w) q(u w)). 4 Definitionen. Es sei V ein reeller Vektorraum. Eine Abbildung : V R 0, v v heißt Norm auf V, wenn für alle u, v, w V und λ R gilt: 1. v = 0 v = 0, 2. λv = λ v (Homogenität), 3. u + w u + w (Dreiecksungleichung). Ein normierter Vektorraum ist ein Paar (V, ), bestehend aus einem reellen Vektorraum V und einer Norm auf V. Die Norm ist eine Abstraktion des zur Einführung in das Skalarprodukt verwendeten Begriffs Lnge eines Vektors.
10 4 EUKLIDISCHE VEKTORRÄUME 10 Lemma und Bezeichnung. Ist <, > ein Skalarprodukt in V, so ist die Abbildung V R, v v = < v, v > eine Norm, die zu <, > gehörige Norm auf V. Ist <, > das kanonische Skalarprodukt auf R n, so spricht man von der euklidischen Norm auf R n. Beweis. 1. folgt direkt aus der positiven Definitheit: v = 0 < v, v > = 0 < v, v >= 0 v = λv = < λv, λv > = λ 2 < v, v > = λ < v, v > = λ v. 3. Wir bemerken zunächst, dass in dieser Schreibweise die Cauchy-Schwarzsche Ungleichung die Form < u, w > 2 u 2 w 2 annimmt, woraus wegen der Monotonie der Wurzelfunktion folgt. Nun berechnen wir: u + w 2 = < u + w, u + w > = < u, w > u w = < u, u > +2 < u, w > + < w, w > < u, u > +2 < u, w > + < w, w > Cauchy-Schwarz u u w + w 2 = = ( u + w ) 2. Wieder wegen der Monotonie der Wurzelfunktion folgt daraus die Behauptung. Parallelogrammgleichung. u + w 2 + u w 2 = 2 ( u 2 + w 2. Beispiel für eine Norm, die nicht zu einem Skalarprodukt gehrt: max : R n R 0, (β 1,..., β n ) max{ β 1,..., β n } (Maximumsnorm). Beweis. Normeigenschaften: 1. (β j ) max = 0 β j = 0 für alle j {1,..., n} β j = 0 für alle j {1,..., n} (β j ) = 0 2. λ(β j ) = (λβ j ) = max{ λβ 1,..., λβ n } = = max{ λ β 1,..., λ β n } = λ max{ β 1,..., β n } = λ (β j ) max. 3. Zu (α j ), (γ j ) R n gibt es ein j 0 {1,..., n} mit (α j ) + (γ j ) max = (α j + β j ) max = α j0 + γ j0.
11 4 EUKLIDISCHE VEKTORRÄUME 11 Damit berechnen wir (α j ) + (γ j ) max = α j0 + γ j0 α j0 + γ j0 (α j ) max + (γ j ) max. Jedoch gilt die Parallelogrammgleichung nicht: Für u = e 1, w = e 2 berechnen wir: u + w 2 max + u w 2 max = = 2, 2 ( u 2 max + w 2 max) = 2 2 = 4. Bemerkung. Ein Skalarprodukt ist durch die zugehörige Norm eindeutig bestimmt. Anwendung. Sei K = R. Für u 0 und w 0 können wir dann die Cauchy-Schwarzsche Ungleichung auch in der Form < u, w > u w 1 oder in der Form 1 < u, w > u w 1 schreiben; dabei tritt Gleichheit links genau für u = λw mit λ < 0 (u und w sind gleichgerichtet) und Gleichheit rechts genau für u = λw mit λ > 0 (u und w sind entgegengesetzt gerichtet): < λw, w > λw w = λ < w, w > λ w w = sign λ. Der Analysis entnehmen wir die Existenz genau eines ϕ [0, π] mit cos ϕ = < u, w > u w. Wir sagen deshalb, dass u und w miteinander den Winkel ϕ einschließen. Merkregel. Das Skalarprodukt zweier Vektoren im Anschauungsraum ist gleich dem Produkt aus den Längen der beiden Vektoren und dem Kosinus des von ihnen eingeschlossenen Winkels; das ist gleich dem Produkt aus der Länge des einen Vektors und der Länge der Projektion des anderen auf den einen. Definition. Es sei M eine Menge. Eine Abbildung d : M M R 0 heißt Metrik auf M, wenn für alle a, b, c M gilt: 1. d(a, c) = 0 a = c, 2. Symmetrie: d(a, c) = d(c, a), 3. Dreiecksungleichung: d(a, c) d(a, b) + d(b, c) Der Wert d(a, c) wird Distanz, Abstand oder Entfernung von a und c genannt.
12 4 EUKLIDISCHE VEKTORRÄUME 12 Lemma und Bezeichnung. Ist (V, ) ein normierter Vektorraum, so ist d : V V R 0, (u, w) u w eine Metrik auf V, die von induzierte Metrik. Die euklidische Norm auf R n induziert die euklidische Metrik auf R n. Eine Norm ist durch die von ihr induzierte Metrik eindeutig bestimmt. Beweis. 1. d(u, w) = 0 u w = 0 u w = 0 u = w. 2. d(u, w) = u w = 1 u w = ( 1) (u w) = w u = d(w, u). 3. d(u, w) = u w = (u v) + (v u) u v + v u = d(u, v) + d(v, w). 15. April 2003 Beispiel für eine Metrik auf einem K-Vektorraum, die nicht von einer Norm induziert ist: Sei V ein K-Vektorraum mit dim V > 0. Wir setzen { 0, u = w, d : V V R 0, (u, w) 1, u w. Das ist offensichtlich eine Metrik auf V. Diese triviale Metrik kann man auf jeder beliebigen Menge definieren. Wre sie von einer Norm induziert, so müsste für alle v V \ {0} gelten: v = v 0 = d(v, 0) = 1 und damit hätten wir 2v = 1 2 = 2 v. Definitionen. Es sei (V, <, >) ein euklidischer Vektorraum. 1. Sind u, w V, so heißt u orthogonal zu w - in Zeichen: u w - wenn gilt: < u, w >= 0 ( < w, u >= 0). 2. Sind U, W nichtleere Teilmengen von V, so heißt U orthogonal zu W, wenn u w für alle u U und w W ist. 3. Ist U eine nichtleere Teilmenge von V, so heißt die Menge orthogonales Komplement von U in V. U = {w V : w u für alle u U}. 4. Eine Familie (v j ) j J von Vektoren heißt orthogonal, wenn für alle k, j J mit k j gilt: v k v j. 5. Eine Familie (v j ) j J von Vektoren heißt orthonormal, wenn sie orthogonal ist und nur Einheitsvektoren enthält, das heißt, Vektoren mit der Norm (Lnge) Eine Basis von V heißt Orthonormalbasis, wenn sie eine orthonormale Familie ist. Lemma. Es sei (V, <, >) ein euklidischer Vektorraum. Dann gilt: 1. Die Orthogonalität von Vektoren ist eine symmetrische, aber im allgemeinen weder reflexive noch transitive Relation auf V.
13 4 EUKLIDISCHE VEKTORRÄUME Die Orthogonalität von nichtleeren Teilmengen ist eine symmetrische, aber im allgemeinen weder reflexive noch transitive Relation auf der Menge der nichtleeren Teilmengen von V. 3. Das orthogonale Komplement U einer nichtleeren Teilmenge U von V ist ein Untervektorraum von V ; es ist U die größte zu U orthogonale Teilmenge und es gilt: U U {0}. 4. Eine orthogonale Familie ohne Nullvektor ist linear unabhängig. eine ortho- 5. Ist (v j ) j J eine orthogonale Familie ohne Nullvektor, so ist ( 1 v v j j) j J normale Familie 6. Ist V = R n und <, > das kanonische Skalarprodukt, so ist die kanonische Basis eine Orthonormalbasis. Beweis. 1. Die Symmetrie folgt aus der Symmetrie der zugrundeliegenden Form. Reflexivität würde < v, v >= 0 für alle v V bedeuten, das heißt, wegen der positiven Definitheit, v = 0 für alle v, also V = 0. Aus der Biadditivität des Skalarprodukts folgt v 0 für alle v V ; deswegen hätte die Transitivität die Reflexivität zur Folge, ist also auch nur für V = 0 möglich. 2. folgt unmittelbar aus Wegen 0 u für alle u U ist U. Für w 1, w 2 U und alle u U gilt: < w 1 + w 2, u >=< w 1, u > + < w 2, u >= = 0, also w 1 + w 2 U. Für w U, λ R und alle u U gilt: < λw, u >= λ < w, u >= λ 0 = 0, also λw U. Ist W orthogonal zu U, so gilt für alle w W : Für alle u U ist w u, also w U. Damit ist W U. Für v U U gilt < v, v >= 0, also wegen der positiven Definitheit auch v = Es sei (v j ) j J eine orthogonale Familie ohne Nullvektor. Ist eine Gleichung λ j v j = 0 vorgelegt, so ergibt skalare Multiplikation mit v k, k J: 0 =< v k, j J j J λ j v j >= j J λ j < v k, v j >= λ k < v k, v k >, woraus wegen v k 0 und der positiven Definitheit λ k = 0 folgt. 5. Wir berechnen für alle k, j J: < 1 v k v k, 1 v j v j >= 1 v k v j < v k, v j >=
14 4 EUKLIDISCHE VEKTORRÄUME 14 = 0, k j, < v j, v j > v j 2 = 1, j = k. Damit ist ( 1 v j v j) j J eine orthogonale Familie aus Einheitsvektoren, also orthonormal. 6. Bezüglich des kanonischen Skalarproduktes auf R n gilt: < e k, e j >= δ kj. Beispiele. 1. Das Vektorprodukt auf R 3 : Für v = (µ j ), w = (ν j ) R 3 wird gesetzt u = (λ j ) = v w mit λ 1 = µ 2 ν 3 µ 3 ν 2, λ 2 = µ 3 ν 1 µ 1 ν 3, λ 3 = µ 1 ν 2 µ 2 ν 1. Es sei <, > das kanonische Skalarprodukt auf R 3. Sind v, w R 3 linear unabhängig, so ist u = v w orthogonal zu v und w und u ist die Fläche des von v und w gebildeten Parallelogramms. Beweis. < u, v >= (µ 2 ν 3 µ 3 ν 2 )µ 1 + (µ 3 ν 1 µ 1 ν 3 )µ 2 + (µ 1 ν 2 µ 2 ν 1 )µ 3 = 0. u = ( i j µ2 i ν 2 j 2 i<j µ iµ j ν i ν j ) 1/2 Bezeichnet ϕ den von v und w eingeschlossenen Winkel, so ergibt sich Fläche des Parallelogramms zu v w sin ϕ = v 2 w 2 (1 cos 2 ϕ) = = µ 2 i ν2 j ( µ i ν i ) Geometrische Bedeutung der Gleichung einer Hyperebene in K n : i,j λ 1 x λ n x n = µ. Wir setzen v = (λ 1,..., λ n ), x = (x 1,..., x n ) und schreiben die Gleichung in der Form < v, x > µ = 0 Der zu dieser Hyperebene gehörige Untervektorraum ist gegeben als Lösungsmenge der homogenen Gleichung < v, x >= 0, ist also das orthogonale Komplement zu {v}; da er parallel zu der Hyperebene ist, folgt daraus, dass der Vektor v senkrecht zu der Hyperebene ist. Allgemein bezeichnet man einen Vektor, der senkrecht zu einem affinen Unterraum A ist, als Normalenvektor zu A. 3. V = {f f R [ π,π] f stetig }, Die Familie < f, g >= π π f g. (1/ 2π) ((cos mt)/ π) m N ((sin mt)/ π) m N ) ist orthonormal (Beweis als Übungsaufgabe).
15 4 EUKLIDISCHE VEKTORRÄUME 15 Gram - Schmidtsches Orthonormalisierungsverfahren : Es seien (V, <,>) ein euklidischer Vektorraum, N = {1, 2, 3,..., n} oder N = N und (v j ) j N eine linear unabhängige Familie. Dann gibt es eine orthonormale Familie (w j ) j N derart, dass für alle k N gilt: Span(w j ) j {1,...,k} = Span(v j ) j {1,...,k} ( Span(w j ) j N = Span(v j ) j N ). Beweis. Konstruktion durch Induktion nach k: k = 1 : w 1 = 1 v 1 v 1. k k + 1 : Als Induktionsvoraussetzung ist eine orthonormale Familie (w 1,..., w k ) mit gegeben. Für j 0 {1,..., k} gilt: Span(w 1,..., w k ) = Span(v 1,..., v k ) ṽ = =< w j0, v k+1 > k < w j, v k+1 > w j < w j0, v k+1 ṽ >= k < w j, v k+1 >< w j0, w j >= 0. Damit gilt v k+1 ṽ w j für alle j {1,..., k}; wegen v k+1 Span(v j ) j {1,...,k} = Span(w j ) j {1,...,k} ist v k+1 ṽ 0 und wir können setzen. w k+1 = 1 v k+1 ṽ (v k+1 ṽ) Jórgen Pedersen Gram, * Nustrup (bei Haderslev/Dänemark) , Kopenhagen , Direktor der Versicherungsgesellschaft Hafnia Erhard Schmidt, * Dorpat 14. Januar 1876, Berlin 6. Dezember Satz. Jeder euklidische Vektorraum höchstens abzählbarer Dimension besitzt eine Orthonormalbasis. Satz. V euklidischer Vektorraum mit dim V = n <, U Untervektorraum von V V = U U, U = U. Beweis. Es sei v 1,..., v k eine Orthonormalbasis von U. Wir ergänzen durch v k+1,..., v n zu einer Orthonormalbasis von V und behaupten U = Span(v k+1,..., v n )
16 4 EUKLIDISCHE VEKTORRÄUME 16 : Sei v = n λ jv j U. Dann gilt für alle l {1,..., k} 0 =< v l, v >= λ j < v l, v j >= λ l < v l, v l >= λ l, woraus v Span(v k+1,..., v n ) folgt. : Für l {1,..., n k} und u = k µ jv j U gilt < v k+l, u >= k µ j < v k+l, v j >= 0, also v k+l U. Da nun U ein Untervektorraum ist, der alle v k+l, l {1,..., n k}, enthält, folgt U Span(v k+1,..., v n ). Folgerung. Ist U ein Untervektorraum des euklidischen Vektorraumes V mit U = 0, so ist U = V. Definition. Es sei V ein euklidischer Vektorraum. Eine Abbildung F : V V heißt orthogonal, wenn gilt: < F (u), F (w) >=< u, w > für alle u, w V. Satz. F orthogonal F (v) = v für alle v V und F linear. Beweis. : F (v) 2 =< F (v), F (v) >=< v, v >= v 2. < F (u + w) F (u) F (w), F (u + w) F (u) F (w) >=< F (u + w), F (u + w) > + < F (u), F (u) > + < F (w), F (w) > 2 < F (u + w), F (u) > 2 < F (u + w), F (w) > +2 < F (u), F (w) >=< u + w, u + w > + < u, u > + < w, w > 2 < u+, u > 2 < u + w, w > +2 < u, w >=< (u + w) u w, (u + w) u w >=< 0, 0 >= 0 F (u + w) F (u) F (w) = 0 F (u + w) = F (u) + F (w) < F (λv) λf (v), F (λv) λf (v) >=< F (λv), F (λv) > 2 < F (λv), λf (v) > + < λf (v), λf (v) >=< λv, λv > 2 λ < F (λv), F (v) > λ 2 < F (v), F (v) >= λ 2 < v, v > 2 λ < λv, v > λ 2 < v, v >= 0 F (λv) λf (v) = 0 F (λv) = λf (v) : Die Voraussetzung besagt, dass die zu den Formen <, > und <, > F gehörigen quadratischen Formen übereinstimmen. Da aber symmetrische Bilinearformen durch ihre zugehörigen quadratischen Formen eindeutig bestimmt sind, folgt die Behauptung. Satz. Der Vektorraum R n sei mit dem kanonischen Skalarprodukt versehen. Dann sind für eine Matrix A R n,n sind die folgenden Eigenschaften äquivalent: 1. A ist als Abbildung R n R n aufgefasst orthogonal; 2. die Spaltenvektoren bilden eine Orthonormalbasis von R n ; 3. A t A = E n ; 4. A ist invertierbar und A 1 = A t ; 5. AA t = E n ;
17 4 EUKLIDISCHE VEKTORRÄUME die Zeilenvektoren bilden eine Orthonormalbasis von R n. Definitionen. (Erinnerung) Es sei V ein Vektorraum. Eine Abbildung f : V V heißt Verschiebung oder Translation, wenn es einen Vektor v gibt, derart dass für alle v V gilt: F (v) = v + v ; affin, wenn sie eine Verkettung aus einer linearen Abbildung gefolgt von einer Verschiebung ist, also wenn es eine lineare Abbildung G : V V und einen Vektor v gibt, derart dass für alle v V gilt: f(v) = G(v) + v. Bemerkung. Der lineare Anteil und der Verschiebungsvektor einer affinen Abbildung sind durch die Abbildung eindeutig bestimmt. Denn mit den obigen Bezeichnungen ist v = f(0) und G(v) = f(v) v. Satz. Eine Abbildung ist genau dann affin, wenn sie mit affinen Kombinationen verträglich ist. Definition. Es sei V ein euklidischer Vektorraum. Eine Abbildung f : V V heißt Bewegung, wenn sie abstandstreu ist. Satz. Eine Bewegung ist eine affine Abbildung, deren Linearanteil eine orthogonale Abbildung ist. Beweis. Es seien V ein euklidischer Vektorraum und f : V V eine Bewegung. Wir definieren G : V V, v f(v) f(0). Dann gilt zunächst: G(v) = f(v) f(0) = d(f(v), f(0)) = d(v, 0) = v 0 = v. Also ist die Abbildung G mit der Norm verträglich. Weiter folgt: G(u) G(w) = (f(u) f(0)) (f(w) f(0)) = f(u) f(w) = d(f(u), f(w)) = Durch Quadrieren ergibt sich = d(u, w) = u w. u 2 2 < u, w > + w 2 > = < u, u > 2 < u, w > + < w, w > = = < u w, u w > = u w 2 = = G(u) G(w) 2 = = G(u) 2 2 < G(u), G(w) > + G(w) 2 = = u 2 2 < G(u), G(w) > + w 2 = < u, w >=< G(u), G(w) >.
18 4 EUKLIDISCHE VEKTORRÄUME 18 Damit ist die Abbildung G auch mit dem Skalarprodukt verträglich, also orthogonal, falls noch die Bilinearität nachgewiesen werden kann. Dazu berechnen wir < G(λu + νw) λg(u) νg(w), G(λu + νw) λg(u) νg(w) >= =< G(λu + νw), G(λu + νw) > +λ 2 < G(u), G(u) > +ν 2 < G(w), G(w) > 2λ < G(λu + νw), G(u) > 2ν < G(λu + νw), G(w) > +2λν < G(u), G(w) >= =< λu + νw, λu + νw > +λ 2 < u, u > +ν 2 < w, w > 2λ < λu + νw, u > 2ν < λu + νw, w > +2λν < u, w >= < λu + νw λu νw, λu + νw λu νw >= 0.
1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrKap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v
Kap 1: VEKTORRÄUME Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung ϕ : I X, i ϕ(i) = x i, wobei die Menge I in diesem Zusammenhang auch Indexmenge genannt wird. Man schreibt vereinfacht
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
MehrL3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...
L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt
MehrKapitel 5. Vektorräume mit Skalarprodukt
Kapitel 5 Vektorräume mit Skalarprodukt 119 120 Kapitel V: Vektorräume mit Skalarprodukt 5.1 Elementare Eigenschaften des Skalarprodukts Dienstag, 20. April 04 Wollen wir in einem Vektorraum wie in der
MehrKontrollfragen und Aufgaben zur 3. Konsultation
1 Technische Universität Ilmenau Fakultät für Mathematik und Naturwissenschaften Institut für Mathematik Prof. Dr. Michael Stiebitz Kontrollfragen und Aufgaben zur 3. Konsultation Termin: Ort: Determinante
MehrL3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...
L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrLineare Algebra II 9. Übungsblatt
Lineare Algebra II 9. Übungsblatt Fachbereich Mathematik SS Prof. Dr. Kollross 5./6. Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest: ohne Benutzung des Skripts und innerhalb von Minuten!)
MehrMathematik für Anwender II
Prof Dr H Brenner Osnabrück SS 22 Mathematik für Anwender II Vorlesung Euklidische Vektorräume Im Anschauungsraum kann man nicht nur Vektoren addieren und skalieren, sondern ein Vektor hat auch eine Länge,
MehrLineare Algebra 2 (SS 13) Blatt 13: Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,
MehrAnalytische Geometrie
21 Vorlesungen über Analytische Geometrie für Lehramtstudierende der Schulformen Grund-, Mittel- und Realschule Jens Jordan Universität Würzburg, Wintersemster 2015/16 Hier kommt noch ein schönes Bildchen
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrVektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
MehrKapitel III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
MehrAnalysis II. Vorlesung 48. Die Hesse-Form
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 48 Die Hesse-Form Wir sind natürlich auch an hinreichenden Kriterien für das Vorliegen von lokalen Extrema interessiert. Wie schon im eindimensionalen
MehrEuklidische und unitäre Vektorräume
Euklidische und unitäre Vektorräume In allgemeinen Vektorräumen gibt es keine Möglichkeit der Längenmessung von Vektoren und der Winkelmessung zwischen zwei Vektoren. Dafür ist eine zusätzliche Struktur
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
Mehr8 Euklidische und unitäre Vektorräume. Skalarprodukte Orthogonalität Matrizen
8 Euklidische und unitäre Vektorräume Skalarprodukte Orthogonalität Matrizen 8 Euklidische und unitäre Vektorräume Skalarprodukte Orthogonalität Matrizen In diesem Kapitel werden nur endlich dimensionale
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
Mehr3 Vektorräume abstrakt
Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare
Mehr4.3 Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen
196 KAPITEL 4. VEKTORRÄUME MIT SKALARPRODUKT 4. Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen In diesem Abschnitt betrachten wir Vektorräume über IR und über C. Ziel ist es, in solchen Vektorräumen
MehrKapitel VIII: Der Raum R n ; allgemeine Vektorräume
Kapitel VIII: Der Raum R n ; allgemeine Vektorräume a) Vektoren: Definition und Grundlagen Größen, die sich durch Angabe eines Zahlenwertes und einer Einheit vollständig beschreiben lassen, nennt man Skalare
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
Mehr3 Bilinearformen und quadratische Formen
3 Bilinearformen und quadratische Formen Sei V ein R Vektorraum. Definition: Eine Bilinearform auf V ist eine Abbildung s : V V R, welche linear in beiden Variablen ist, d.h.: Für u, v, w V und λ, µ R
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
Mehrr i w i (siehe (3.7)). r i v, w i = 0.
Orthogonales Komplement und Orthogonalprojektion Wir betrachten weiterhin einen euklidischen Vektorraum V,,. (6.13) Def.: Ist M V, so heißt das orthogonale Komplement von M. (6.14) Fakt. (i) M ist Untervektorraum
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrÜbungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.
Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrDie Lineare Algebra-Methode. Mahir Kilic
Die Lineare Algebra-Methode Mahir Kilic 23. Juni 2004 1 Einführung 1.1 Überblick Im Allgemein benutzt man die Lineare Algebra-Methode in der Kombinatorik wie folgt: Für die Bestimmung einer Obergrenze
MehrVektorrechnung. 1. Vektoren im R 2, R 3 Größen in Physik und Technik:
Vektorrechnung 1. Vektoren im R 2, R 3 Größen in Physik und Technik: - skalare Größen: Länge [m], Zeit [sec], Masse [kg], Energie [N m], elektr. Spannung [V ],... gekennzeichnet durch: Maßzahl ( R) [Maßeinheit]
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrUnter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über
9 Innere Produkte In diesem Kapitel betrachten wir immer Vektorräume über dem Körper der reellen Zahlen R oder dem Körper der komplexen Zahlen C. Definition 9.1: Sei V ein Vektorraum über R. Ein inneres
MehrLösung 23: Sylvesters Trägheitssatz & Singulärwertzerlegung
D-MATH Lineare Algebra I/II HS 07/FS 08 Dr Meike Akveld Lösung 3: Sylvesters Trägheitssatz & Singulärwertzerlegung Wir wissen, dass eine Basis B von R n existiert, sodass p [β Q ] B I I q 0 n p q gilt
Mehr4 Orthogonale Endormorphismen
4 Orthogonale Endormorphismen Frage: Bei welchen Abbildungen R R bzw. R 3 R 3 bleibt der Abstand zwischen zwei Punkten erhalten? Für α R setzen wir cosα sin α D(α) = und S(α) := sin α cosα ( cos α sin
Mehr4.2 Die adjungierte Abbildung
4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,
Mehr1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 15.11.2013 Alexander Lytchak 1 / 12 Erinnerung Eine Abbildung f : V W zwischen reellen Vektorräumen ist linear, wenn
MehrLösungen zum Aufgabenblatt Nr. 1: Konstruktion der reellen Zahlen
Lösungen zum Aufgabenblatt Nr. 1: Konstruktion der reellen Zahlen Aufgabe 1: Es sei D die Menge aller rationalen Dedekind-Mengen, also D := { M 2 Q M is Dedekind-Menge }. Auf der Menge D definieren wir
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Symmetrische
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 6 4. Mai 2010 Definition 69. Der Vektor f 3 x 2 (x 1, x 2, x 3 ) f 2 x 3 (x 1, x 2, x 3 ) f 1 x 3 (x 1, x 2, x 3 ) f 3 x 1 (x 1, x 2, x 3 ) f 2 x
Mehr14 Skalarprodukt Abstände und Winkel
4 Skalarprodukt Abstände und Winkel Um Abstände und Winkel zu definieren benötigen wir einen neuen Begriff. Zunächst untersuchen wir die Länge eines Vektors v. Wir schreiben dafür v und sprechen auch von
Mehr8 Euklidische und unitäre Vektorräume
8 Euklidische und unitäre Vektorräume In diesem Kapitel werden nur endlich dimensionale Vektorräume über à = Ê oder à = betrachtet. Der Querstrich bezeichnet die komplexe Konjugation (z = x+iy, z = x iy).
MehrHM II Tutorium 1. Lucas Kunz. 24. April 2018
HM II Tutorium 1 Lucas Kunz 24. April 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Körper...................................... 2 1.2 Gruppen..................................... 2 1.3 Vektorraum...................................
MehrMathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ))
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 18 Vielfachheiten und diagonalisierbare Abbildungen Satz 18.1. Es sei K ein Körper und es sei V ein endlichdimensionaler K- Vektorraum.
MehrLineare Abbildungen. Es seien V und W Vektorräume über einem Körper K. Eine Abbildung f : V W heißt linear oder Homomorphismus, falls. d.h.
Lineare Abbildungen Es seien V und W Vektorräume über einem Körper K. Eine Abbildung f : V W heißt linear oder Homomorphismus, falls (1) u, v V : f( u + v) = f( u) + f( v). (2) v V α K : f(α v) = αf( v).
Mehr1.5 Kongruenz und Ähnlichkeit
19 1.5 Kongruenz und Ähnlichkeit Definition Sei A n der affine Standardraum zum Vektorraum R n. Eine Abbildung F : A n A n heißt Isometrie, falls d(f (X), F (Y )) = d(x, Y ) für alle X, Y A n gilt. Es
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
Mehr2. Isotropie. Beweis: (i) (ii): β U ist nicht ausgeartet. U U = {0} (ii) (iii): β U ist nicht ausgeartet. Da β nicht ausgeartet ist, gilt U = U:
2. Isotropie Im folgenden sei V ein K-Vektorraum der Dimension n. Es sei q eine quadratische Form darüber und β die zugehörige symmetrische Bilinearform. Zudem gelte in K: 1 + 1 0. Notation 2.0: Wir nennen
Mehr1 Die Jordansche Normalform
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 4/5 A Die Jordansche Normalform Vierter Tag (9.03.205) Im Zusammenhang mit der Lösung komplexer Differentialgleichungssysteme
Mehr42 Orthogonalität Motivation Definition: Orthogonalität Beispiel
4 Orthogonalität 4. Motivation Im euklidischen Raum ist das euklidische Produkt zweier Vektoren u, v IR n gleich, wenn die Vektoren orthogonal zueinander sind. Für beliebige Vektoren lässt sich sogar der
MehrMusterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
MehrFerienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen
Technische Universität München Department of Physics Ferienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Freitag, 16.03.2012 Sascha Frölich Ferienkurs Lin. Alg. -
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrIm gesamten Kapitel sei Ω eine nichtleere Menge. Wir bezeichnen die Potenzmenge
1 Mengensysteme Ein Mengensystem ist eine Familie von Teilmengen einer Grundmenge und damit eine Teilmenge der Potenzmenge der Grundmenge. In diesem Kapitel untersuchen wir Mengensysteme, die unter bestimmten
Mehr9. Übung zur Linearen Algebra II -
9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).
MehrTechnische Universität München
Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrFachwissenschaftlicher Hintergrund zur Vektorrechnung
Fachwissenschaftlicher Hintergrund zur Vektorrechnung Seminar zur Didaktik der Linearen Algebra Dr. Oliver Passon SoSe 2010 Einführung: Vektorrechnung ist anders Grundbegriffe bei der schulischen Behandlung
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
Mehr13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
Mehr3 Bilinearform, Basen und Matrizen
Lineare Algebra II 2. Oktober 2013 Mitschrift der Vorlesung Lineare Algebra II im SS 2013 bei Prof. Peter Littelmann von Dario Antweiler an der Universität zu Köln. Kann Fehler enthalten. Veröentlicht
MehrBild, Faser, Kern. Stefan Ruzika. 23. Mai Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 23. Mai 2016 Stefan Ruzika 7: Bild, Faser, Kern 23. Mai 2016 1 / 11 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume 4 Basis
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 06 Lineare Algebra analytische Geometrie II Vorlesung 35 Winkeltreue Abbildungen Definition 35.. Eine lineare Abbildung ϕ: V W zwischen euklidischen Vektorräumen V W heißt
MehrLösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
MehrKapitel 17 Skalar- und Vektorprodukt
Kapitel 17 Skalar- und Vektorprodukt Mathematischer Vorkurs TU Dortmund Seite 1 / 22 Bisher hatten wir die Möglichkeit Vektoren des R n zu addieren und Vektoren mit rellen Zahlen zu multiplizieren. Man
MehrEinführung in die Grundlagen der Numerik
Einführung in die Grundlagen der Numerik Institut für Numerische Simulation Rheinische Friedrich-Wilhelms-Universität Bonn Wintersemester 2014/2015 Normierter Vektorraum Sei X ein R-Vektorraum. Dann heißt
Mehr102 KAPITEL 14. FLÄCHEN
102 KAPITEL 14. FLÄCHEN Definition 14.3.1 (Kurve) Es sei M eine k-dimensionale Untermannigfaltigkeit des R n. Eine C 1 - Kurve γ : ( a, a) R n mit γ(( a, a)) M heißt Kurve auf M durch x 0 = γ(0). Definition
MehrFerienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte
Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare
Mehr5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
MehrMathematik III. Vorlesung 68. Das Verhalten von Maßen bei linearen Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 68 Das Verhalten von Maßen bei linearen Abbildungen Lemma 68.1. Es sei V ein reeller Vektorraum und L :R n V eine bijektive lineare
MehrDidaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra
A. Filler[-3mm] Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra, Teil 8 Folie 1 /27 Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra 8. Das Skalarprodukt, metrische
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrLineare Algebra Weihnachtszettel Musterlösungen
Lineare Algebra Weihnachtszettel Musterlösungen Januar 009 Die folgenden Musterlösungen sind weitgehend so aufgeschrieben, wie wir dies beim Bearbeiten von Übungsaufgaben erwarten. Kleinere Differenzen
Mehr4.4 Orthogonalisierungsverfahren und die QR-Zerlegung
4.4 Orthogonalisierungsverfahren und die QR-Zerlegung Die Zerlegung einer regulären Matrix A R n n in die beiden Dreiecksmatrizen L und R basiert auf der Elimination mit Frobeniusmatrizen, d.h. R = FA,
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 24./ in den Übungsgruppen
Hannover, den 0. April 2006. Übungsblatt: Lineare Algebra II Abgabe: 24./25.4.2006 in den Übungsgruppen ( ) 2 5 a) Zeigen Sie, dass A = und B = 2 ( 7 6 invertierbare Matrix T an mit T AT = B. b) Zeigen
MehrÜbungen zu Lineare Algebra 1, NAWI Graz, WS 2018/19 Blatt 1 (3.10.)
Blatt 1 (3.10.) 1. Von einem Parallelogramm ABCD sind die Punkte A = (2, 1), B = (6, 2) und D = (3, 5) gegeben. Berechnen Sie C. 2. Stellen Sie rechnerisch fest, ob das Viereck ABCD mit A = (2, 3), B =
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGEBRA Ferienkurs Hanna Schäfer Philipp Gadow INHALT 1 Abbildungen 1 1.1 Lineare Abbildungen 1 1.2 Bilineare Abbilidungen - Skalarprodukt 5 iii KAPITEL 1 ABBILDUNGEN 1.1 Lineare Abbildungen
Mehr10 Unitäre Vektorräume
10 Unitäre Vektorräume Pink: Lineare Algebra 2014/15 Seite 98 10 Unitäre Vektorräume Die Theorie komplexer Vektorräume mit Skalarprodukt folgt denselben Linien wie die Theorie reeller Vektorräume mit Skalarprodukt;
Mehr11.2 Orthogonalität. Wintersemester 2013/2014
Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 2013/2014 Markus Scheighofer Lineare Algebra I 11.2 Orthogonalität Definition 11.2.1. Seien V ein K-Vektorraum mit Skalarprodukt
Mehr