Satz 2.3. Jeder lineare normierte Raum wird durch Einführung einer Metrik
|
|
- Christin Blau
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel Lineare normierte Räume.1 Allgemeiner Überblick Definition.1. Eine Menge X, in der über einem Zahlenkörper K (K = R oder K = C) die Addition und λ-multiplikation mit den üblichen Verbindungsaxiomen definiert sind, bezeichnen wir als linearen Raum. Definition.. Ein linearer Raum X heißt linerarer normierter Raum (reell oder komplex), wenn jedem x X eine reelle Zahl x (die Norm von x) zugeordnet, ist welche den Normaxiomen 1. x 0 x X und x = 0 x = 0. λx = λ x x X λ K 3. x + y x + y x, y X (Dreiecksungleichung) genügt. Satz.3. Jeder lineare normierte Raum wird durch Einführung einer Metrik zu einem metrischen Raum. ϱ(x, y) := x y Folglich sind alle Begriffe des metrischen Raumes auf den linearen normierten Raum übertragbar (offene, abgeschlossene Mengen, Häufungspunkt, Abschließung, Konvergenz, Cauchyfolge, Vollständigkeit,...), z.b. Umgebung B r (x 0 ) von x 0 : B r (x 0 ) := {x X : x x 0 < r} oder Konvergenz: x n x 0 x n x 0 0 Ein wichtiger neuer Begriff ist aber die Linearkombination und wir bezeichnen mit span(x 1,..., x n ) die Menge der Linearkombinationen λ 1 x λ n x n der Elemente x 1,..., x n X mit λ 1,..., λ n K. Für eine Menge M X bezeichne span(m) die Menge aller möglichen Linearkombinationen aus jeweils endlich vielen Elementen aus M. 16
2 Definition.4. Ein vollständiger linearer normierter Raum heißt Banachraum. Definition.5. Sei X linearer normierter Raum und X 0 X ein Unterraum. Falls gilt X 0 = X 0 so heißt X 0 abgeschlossener Unterraum, falls gilt X 0 X 0 so heißt X 0 nicht abgeschlossener Unterraum. Beispiel.6. X = C[a, b], X 0 Menge der Polynome über [a, b]. x = max a t b x(t) = ist Unterraum von C[a, b], x(t) = e t X 0, Weierstraß scher Approximationssatz X 0 = X = X 0 nicht abgeschlossener Unterraum in C[a, b]. Definition.7. Es sei M X ein Elementesystem im linearen normierten Raum X. Dann heißt M linear unabhängig, wenn für jede endliche Teilmenge {x 1, x,..., x n } M gilt: λ 1 x λ n x n = 0 = λ 1 =... = λ n = 0, andernfalls linear abhängig. Definition.8. Es sei X ein linearer normierter Raum. Dann heißt X n-dimensional (endlich-dimensionaler Raum), wenn jede Menge M X mit mehr als n Elementen linear abhängig ist, aber eine linear unabhängige Menge {x 1, x,..., x n } X mit n Elementen existiert. Wir schreiben dann dim(x) = n. Die Dimension eines endlich-dimensionalen Raumes ist also die maximale Anzahl von Elementen in einen linear unabhängigen Elementesystem in X. Der Raum X heißt unendlich-dimensional, wenn zu jeder natürlichen Zahl n N ein linear unabhängiges Elementesystem {x 1, x,..., x n } X existiert. Wir schreiben dann dim(x) =. Bemerkung. Räume unendlicher Folgen und Funktionenräume sind im Allgemeinen unendlich dimensional. a) R n ist ein n-dimensionaler linearer Raum und jeder Vektor ist eine Linearkombination der Einheitsvektoren e 1, e,..., e n. b) C[a, b] : die Menge {1, t, t, t 3,...} ist linear unabhängig C[a, b] ist -dimensionaler Raum. Definition.9. Es sei X ein linearer normierter Raum. Dann nenen wir eine Menge M X, d.h. ein Elementesystem in X, Basis in X, wenn (i) das Elementesystem M linear unabhängig ist sowie (ii) span(m) = X gilt, d.h. die lineare Hülle von M überall dicht in X ist. Im n-dimensionalen Raum X ist der Basisbegriff einfach zu verstehen, denn genau jedes linear unabhängige Elementesystem M = {x 1,..., x n } in X bestehend aus n linear unabhängigen Elementen x i X ist eine Basis. Darüber hinaus ist dann jedes Element 17
3 x X aus span(m) und in eindeutiger Weise (mit eindeutig bestimmten Koeffizienten λ i ) darstellbar in der Form x = n λ i x i. Im unendlich-dimensionalen linearen normierten Raum X ist die Situation wesentlich komplizierter, da eine Basis aus abzählbar vielen oder überabzählbar vielen Elementen bestehen kann. Wir betrachten in dieser Vorlesung nur den abzählbaren Fall M = {x i } und innerhalb desselben nur den Fall der Schauder-Basis. Dieser ist dadurch gekennzeichnet, dass jedes x X als konvergente Reihe x = λ i x i mit eindeutig bestimmten Koeffizienten {λ i } aus dem Zahlkörper geschrieben werden kann, wobei die Konvergenz der Reihe in X im Sinne der Grenzwertbeziehung lim x n λ i x i = 0 zu verstehen ist. n Dabei lässt sich zeigen, dass nur separable Räume X Schauder-Basen besitzen können, aber nicht müssen. Die unendlichen Einheitszahlenfolgen e i mit 1 in der i-ten Komponente und sonst überall 0 bilden eine Schauder-Basis in l p (1 p < ) und in c 0, aber nicht in l = m. direkte Summe von Teilräumen eines linearen normierten Raumes X E := X 1 X... X n Eine Zerlegung x E: x = x x n, x i X i existiert für jedes x E in eindeutiger Weise. direktes Produkt (kartesisches Produkt) E := X 1 X... X n Elemente x E: x = (x 1, x,..., x n ) T, x i X i ; Einführung einer Norm: x E := x i Xi oder x E := max 1 i n x i Xi Eine Überprüfung der Normaxiome zeigt, dass es sich dabei tatsächlich um Normen auf E handeln. Beispiel.10. X = R n, mögliche Normen: x = n x i (Euklidische Norm) x p = n p x i p (1 p < ) x = max 1 i n x i 18
4 C n [a, b] : x = max a t b x (i) (t) ( ) 1/p l p : x = ξ i p, x = (ξ i ) (1 p < ) L p (a, b) : x p = ( b a x(t) p dt) 1/p (1 p < ) Dabei besteht der Raum jeweils aus der Menge aller Elemente x, so dass x < ist. Definition.11. Sei A : X Y eine Abbildung und X und Y lineare normierte Räume. Dann heißt A linearer Operator, wenn A additiv und homogen ist, d.h. A(x + y) = Ax + Ay x, y X, A(λx) = λ(ax) λ K, x X. Stetigkeit von A bereits eingeführt : x n X x = Ax n Y Ax. Definition.1. Ein linearer Operator heißt beschränkt, wenn eine Konstante c > 0 existiert mit Ax Y c x X x X. ( ) Satz.13. Jeder beschränkte lineare Operator A : X Y ist auf dem gesamten Raum X stetig. Beweis. Es ist zu zeigen, dass aus ( ) für alle Punkte in X die Stetigkeit folgt. Nun ist aber ausgehend von x X n x und ( ) A(x n x) Y c x n x X 0 für n. Dies impliziert A(x n x) Y 0 und folglich Ax n Y Ax für n. Später zeigen wir sogar die Äquivalenz der Begriffe,,Stetigkeit und,,beschränktkeit.. Endlich-dimensionale normierte Räume Satz.14. Sei X ein linearer normierter Raum und x 1..., x n seien linear unabhängige Elemente aus X. Es existieren Konstanten α 1, α > 0, so dass α 1 ξ ξ 1 x ξ n x n X α ξ für alle ξ = (ξ 1,..., ξ n ) T R n bzw. C n gilt ( - Euklidische Norm). 19
5 Beweis. Wir definieren A : R n X durch ξ A ξ := ξ i x i. Dann gilt Aξ X = ξ 1 x ξ n x n X ξ 1 x 1 X +... ξ n x n X n ξ i n x i = α ξ } {{ } ξ } {{ } c aufgrund der Cauchy-Schwarzschen Ungleichung. Folglich ist A stetig. Die Norm ist ebenfalls eine stetige Abbildung, d.h. f(ξ) := Aξ X ist stetig von R n in R. Es gilt f(ξ) > 0 für ξ 0, weil {x 1,..., x n } linear unabhängig ist. Diese Eigenschaft gilt insbesondere auf der Oberfläche der Einheitskugel (kompakte Menge im R n ), d.h. f(ξ) > 0 für ξ : ξ = 1. Satz von Weierstraß : f nimmt auf kompakten Mengen Minimum an, d.h. es gibt ein ξ R n mit ξ = 1 und f(ξ) = min f(ξ) =: α 1 > 0. Sei ξ 0, dann folgt daraus ξ =1 ( ) ξ f ξ Dies gilt offensichtlich auch für ξ = 0. min ξ =1 f(ξ) = α 1 = ξ 1 x ξ n x n X α 1 ξ. Definition.15. Sei X ein linearer normierter Raum mit zwei Normen 1,. Diese heißen äquivalent, wenn zwei Konstanten c 1, c > 0 existieren mit c 1 x 1 x c x 1, x X. Bemerkung. Die Konvergenz einer Folge in der Norm 1 äquivalent zur Konvergenz dieser Folge in der Norm. ist in diesem Fall auch Satz.16. Sei X ein endlich-dimensionaler linearer Raum. Dann sind alle möglichen Normen in X äquivalent. Beweis. Dies ist eine Folgerung aus dem vorherigen Satz. Sei also 1, zwei Normen in X, x = ξ 1 x ξ n x n, {x 1,..., x n } feste Basis, ξ R n. Dann gilt α 1 ξ x 1 α ξ α 1, α > 0 β 1 ξ x β ξ β 1, β > 0 = ξ 1 α x 1 = β 1 α x 1 x ξ 1 α 1 x 1 = β α 1 x 1 x = β 1 α x 1 x β α 1 x 1 0
6 Definition.17. Lineare Isomorphie zweier linearer normierter Räume bedeutet die Existenz einer bijektiven linearen Abbildung zwischen den Räumen, die in beiden Richtungen stetig ist. Bemerkung. Bei linearer Isomorphie sind die sich daraus ergebenden metrischen Räume homöomorph. Isometrie muss aber dabei nicht gelten. Satz.18. Alle n-dimensionalen reellen linearen normierten Räume X sind linear isomorph zum Raum R n mit der Euklidischen Norm. Beweis. Im Raum X Raum mit Basis {x 1,... x n } ist jedes Element x X darstellbar in der Form x = ξ 1 x ξ n x n. Diese Darstellung ist eindeutig bestimmt. Wir definieren eine Abbildung A : R n X mit A ξ := ξ 1 x ξ n x n, ξ R n. Offenbar ist A eine Bijektion. Bleibt zu zeigen: A, A 1 sind stetig (hinreichend A, A 1 beschränkt). Es gilt für A : A ξ X = ξ 1 x ξ n x n X α ξ für A 1 : A 1 x = ξ 1 α 1 ξ 1 x ξ n x n X = 1 α 1 x X. Bemerkung. (R n, ) ist ein Repräsentant für alle n-dimensionale reelle normierte Räume, (C n, ) ist ein Repräsentant für alle n-dimensionale komplexe normierte Räume. Folgerung.19. Jeder endlich-dimensionale normierte Raum ist vollständig, also ein Banachraum. Beweis. Wir betrachten (R n, ). In R n ist jede Cauchyfolge konvergent (Cauchykriterium) = jede Cauchyfolge ist in einem beliebigen endlich-dimensionalen Raum konvergent..3 Unitäre Räume Definition.0. Es sei U ein reeller oder komplexer linearer Raum, in welchem in jedem Paar x, y U eine (entsprechend reelle oder komplexe) Zahl (x, y) zugeordnet ist. Falls die Axiome des Skalarproduktes (i) (x + y, z) = (x, z) + (y, z) x, y, z U (ii) (λx, y) = λ(x, y) x, y U, λ R(C) 1
7 (iii) (x, y) = (y, x) also (x, y) = (y, x) im reellen Raum (iv) (x, x) 0 und (x, x) = 0 x = 0 erfüllt sind, so heißt U Raum mit Skalarprodukt. Folgerung.1. (x, y + z) = (x, y) + (x, z) (x, λy) = λ(x, y) Satz.. Jeder Raum mit Skalarprodukt wird durch x := (x, x) ( ) zu einem normierten Raum. Definition.3. Ein linearer normierter Raum U mit Skalarprodukt, in welchem mittels der Beziehung ( ) eine Norm eingeführt ist heißt unitärer Raum. Satz Im unitären Raum U gilt die Cauchy - Schwarzsche Ungleichung (x, y) x y x, y U. Die Gleichheit gilt genau dann, wenn x und y linear abhängig sind. Beweis. Wir zeigen: (x, y) x y Es gilt 0 x + λy = (x, x) + (x, λy) + (λy, x) + (λy, λy) Setzen nun λ = (x,y) (y,y) falls y 0. Man erhält = (x, x) + λ(x, y) + λ(x, y) + λ (y, y) (x, y) 0 (x, x) (y, y) (x, y) = (x, x) (y, y) (x, y) (y, y) + (x, y) (y, y) = Cauchy - Schwarzsche Ungleichung Für x + λy = 0 gilt die Gleichheit.. Im unitären Raum U gilt die Parallelogrammgleichung x + y + x y = ( x + y ) x, y U.
8 Beweis. x + y = (x + y, x + y) = (x, x) + (x, y) + (y, x) + (y, y) = x + y + (x, y) + (x, y) = x + y + Re (x, y) x y = x + y Re (x, y) = x + y + x y = ( x + y ) 3. Jeder lineare normierte Raum, dessen Norm die Parallelogrammgleichung erfüllt, kann durch Einführung eines passenden Skalarproduktes zu einem unitären Raum gemacht werden. Beweis. siehe Werner S. 159f reell : (x, y) := 1 4 ( x + y x y ) komplex : (x, y) := 1 4 ( x + y x y + i x + iy i x iy ) 4. Das Skalarprodukt im unitären Raum U ist stetig in beiden Komponenten, d.h. Beweis. x n U x und y n U y = (x n, y n ) R,C (x, y) (x n, y n ) (x, y) (x n, y n ) (x n, y) + (x n, y) (x, y) (x n, y n y) + (x n x, y) x n y n y + x n x y 0 für n Beispiel R n ist ein unitärer Raum : x, y R n (x, y) := x i y i oder (x, y) := g i x i y i, g i > 0, x := n g i x i. l (Hilbertscher Folgenraum) ist ein unitärer Raum: x = {ξ i }, y = {η i } l. Skalarprodukt/Norm: (x, y) := ξ i η i und x := ξ i 3
9 Ist (x, y) stets definiert? Es gilt die Cauchy-Schwarzsche Ungleichung ξ i η i n ξ i n η i für alle n. Dabei bildet ξ i η i eine monoton wachsende Folge in n. Sie ist beschränkt und damit konvergent, d.h. ξ i η i < existiert. Die Beschränktheit folgt aus x, y l, d.h. ξ i < und η i <, weil die Zahlenreihe, die (x, y) definiert, konvergiert, wenn sie absolut konvergiert, und offenbar dann (x, y) ξ i η i ξ i η i = x y < gilt. 3. L (Ω) mit Ω R n ist ein unitärer Raum. Skalarprodukt: (x, y) := x(t)y(t) dt. Man kann analog zu. argumentieren, wobei statt der Summen Integrale stehen. Definition.6. Zwei Elemente x, y U eines unitären Raumes mit Skalarprodukt heißen orthogonal, wenn gilt (x, y) = 0. Das Element x heißt zur Menge M orthogonal, wenn (x, y) = 0 für alle y M gilt. Zwei Mengen M 1 und M heißen orthogonal, wenn (x, y) = 0 für alle x M 1 und alle y M gilt. Schreibweise: x y, x M, M 1 M. Eine Menge {x 1, x,...} (endlich oder abzählbar) von Elementen 0 aus U heißt Orthogonalsystem, wenn (x i, x j ) = 0 i j gilt und Orthonormalsystem (ONS), wenn gilt. (x i, x j ) = δ ij = 4 Ω { 1 i = j 0 i j
10 Satz.7. Ein Orthogonalsystem ist stets linear unabhängig. Beweis. Alle Elemente aus einem beliebigen Satz x i1, x i,... x ik von k Elementen aus dem Orthogonalsystem sind verschieden vom Nullelement. Weiter gilt dann für beliebige j = 1,,..., k λ 1 x i1 + λ x i λ k x ik = 0 x ij = λ 1 (x i1, x ij ) λ k (x ik, x ij ) = λ j x ij = 0 = λ j = 0. Beispiel.8. Sei U der Raum C L [0, π] aller auf [0, π] stetigen reellen Funktionen mit dem L -Skalarprodukt. Ein bekanntes ONS bilden die Funktionen { 1, cos t, sin t } cos t sin t,,,.... π π π π π Dies ONS bildet die Grundlage der klassischen trigonometrischen Fourierreihenentwicklung einer stetigen Funktion. Satz.9 (Schmidtsches Orthogonalisierungsverfahren formuliert für dim(u) = ). Es sei {x 1, x,...} eine beliebiges abzählbares linear unabhängiges Elementesystem eines unitären Raumes U. Dann existiert ein ONS {e 1, e,...} in U derart, dass e n = a n1 x 1 + a n x +... a nn x n, (n = 1,,...) mit entsprechenden Koeffizienten a ij (i, j N, j i) aus dem Zahlkörper gilt, damit auch span(e 1, e,..., e n ) = span(x 1, x,..., x n ) n N, und wir folglich span(e 1, e,...) = span(x 1, x,...) erhalten. Beweis. x 1 0, wir setzen Finden g e 1, Ansatz: e 1 := x 1 x 1 = a 11 x 1 (offenbar (e 1, e 1 ) = e 1 = 1) g = x c 1 e 1 e 1 = (g, e 1 ) = (x, e 1 ) c 1 = 0 = c 1 = (x, e 1 ) Es gilt: g 0, da sonst x c 1 a 11 x 1 = 0, d.h. x 1 und x wären linear abhängig. Wir setzen e := g g = x g c 1 g e 1 Seien nun e 1, e,..., e k 1 orthonormiert. Ansatz: g k = x k c k1 e 1... c kk 1 e k 1 e j, j < k = (g k, e j ) = (x k, e j ) c kj = 0 = c kj = (x k, e j ), j < k Wieder gilt g k 0, weil alle e j Linearkombinationen der x j sind und deshalb ansonsten lineare Abhängigkeit auftreten würde. Wir setzen e k := g k g k = x k 1 k g k 5 (x k, e i ) g k e i
11 Wir erhalten also die folgende Formel für das Orthonormieren: e 1 := x 1 x 1, e k := g k g k mit g k 1 k := x k (x k, e i ) e i (k =, 3,...). Dies liefert die geforderten Eigenschaften. Bemerkung. Eine Inspektion des Beweises liefert, dass x k span(e 1,..., e k ) k N gilt, Zu den Konsequenzen dieser Aussage sei auf die letzte Bemerkung dieses Kapitels nach dem Beweis von Satz.43 verwiesen. Beispiel.30. U = C L [ 1, 1], System {1, t, t,...} Schmidtsches Orthogonalisierungsverfahren: x 1 = (x 1, x 1 ) = 1 1 g (t) = t g (t) = 1 dt = e 1 = 1 ( ) 1 1 t, = t 3 = e = 3 t Fortsetzung dieses Prinzips liefert die Legendreschen Polynome n d n e n+1 (t) := P n (t) = n n! dt n (t 1) n, (n = 0, 1,,...) Reihenentwicklung nach Orthonormalsystem im unitären Raum (Fourierreihen) Definition.31 (Vollständigkeit eines ONS). Ein ONS {e 1, e,..., } heißt vollständig, wenn span(e 1, e,...) = U gilt. Vollständigkeit bedeutet, dass die lineare Hülle des ONS überall dicht und das ONS Basis ist in U. Beispiel.3. Beispiel eines vollstängigen ONS: U = C L [0, π] mit (x, y) = π x(t) y(t) dt. 0 Das System { 1, sin t, cos t } sin t cos t,,,... π π π π π ist vollständig in C L [0, π]. Die Vollständigkeit dieses ONS folgt aus der klassischen Theorie der Fourierreihenentwicklung. Das ONS ist auch im Hilbertraum L (0, π) vollständig. Endlich-dimensionaler Raum U = R n x = {e 1, e,..., e n } sei eine Orthonormalbasis α i e i Darstellung eindeutig x U beliebig skalar multiplizieren mit e j = (x, e j ) = α j = x = 6 (x, e i )e i
12 c i := (x, e i ) - Fourierreihenkoeffizient von x U zum i - ten Element e i des ONS Im weiteren betrachten wir unendlich-dimensionale Räume U. Definition.33. Sei {e 1, e,...} ein (abzählbares) ONS im unendlich-dimensionalen Raum U, x U. Dann heißen die Zahlen c i := (x, e i ) i = 1,,... Fourierkoeffizienten bzw. Koordinaten von x bzgl. des ONS {e 1, e,...}. Die unendliche Reihe c i e i = (x, e i ) e i heißt Fourierreihe von x. Fragen : 1. Konvergiert c i e i?. Wenn ja, konvergiert die Reihe gegen x? Satz.34. Sei U ein unitärer Raum, {e 1, e,...} ein ONS, x U und {c i } die Fourierkoeffizienten von x. Dann gilt : (i) x c k e k x α k e k α i aus dem Zahlenkörper R, C. (Minimaleigenschaft der Fourierkoeffizienten) (ii) c k x (Besselsche Ungleichung) 7
13 Beweis. (i) x α k e k = = = (, ) = = x α k e k x c k e k (α k c k )e k x c k e k + (α k c k )e k 0 ( ) Re x c k e k, (α k c k )e k ( x, =0, denn: ) ( ) (α k c k )e k c k e k, (α k c k )e k (α k c k ) (x, e k ) =c k x c k e k. c k (α k c k ) = 0 (ii) x c k e k ( = x + c k e k, = x ) ( c k e k x, } {{ = c k } c k. ) ( ) c k e k c k e k, x = c k = c k Die Gleichung x n c ke k = x c k bezeichnet man als Besselsche Gleichung, wobei 0 x c k e k = x c k gilt. Als Konsequenz ergibt sich x c k = c k <, d.h. die Reihe der Fourierkoeffiezientenquadrate konvergiert. Durch Grenzübergang n erhält man aus der Besselschen Gleichung die Besselsche Ungleichung. Folgerung.35. Für x U ist die Folge {c i } der Fourierkoeffizienten aus l. 8
14 Folgerung.36. Falls der Raum U vollständig ist, so konvergiert die Fourierreihe c k e k stets in U Beweis. Wir setzen v n := v n v n+l = n+l k=n+1 c k e k U, zu zeigen: {v n } ist eine Cauchyfolge. c k e k = n+l k=n+1 c k < ε sobald n > n 0 (ε) da Aus der Vollständigkeit von U folgt die Existenz des Grenzwertes. c k konvergiert. Definition.37. Ein ONS {e i } i N in U heißt abgeschlossen, wenn für alle x U die Parsevalsche Gleichung c k = x gilt. Satz.38. Ist {e 1, e,...} ein abgeschlossenes ONS in U, so konvergiert die Fourierreihe von x gegen x für alle x U, d.h. x = c k e k = lim n c k e k. Beweis. Die Aussage folgt aus der Besselschen Gleichung, weil ja für alle x U die Parsevalsche Gleichung gilt: x c k e k = x = x = lim n c k e k = c k x c k e k. c k = 0 für n Folgerung.39. Unabhängig von den Eigenschaften des ONS {e 1, e,...} gilt stets x = lim n n c ke k = c ke k, wenn für dieses Element x U die Parsevalsche Gleichung x = c k erfüllt ist. Beweis. Dies ist eine Folgerung, welche sich unmittelbar aus dem Beweis von Satz.38 ergibt. 9
15 Satz.40. Die Begriffe Vollständigkeit und Abgeschlossenheit eines ONS sind äquivalent. Beweis. (a) Zuerst sei das ONS {e 1, e,...} abgeschlossen. Dann konvergiert für alle x U die Fourierreihe gegen x und wir haben ε > 0 n(ε) : x c k e k < ε. Zu vorgegebenem ε > 0 findet man ein Element aus span(e 1,..., e n ), welches bis auf ε nahe an x liegt. Daraus folgt span(e 1, e,...) = U und damit die Vollständigkeit des ONS. (b) Das ONS {e 1, e,...} sei nun vollständig. Für gegebenes x und ε > 0 existieren Zahlen α 1,..., α n, und n mit ε x α k e k x c k e k = x c k 0 aufgrund der Minimaleigenschaft der Fourierkoeffizienten und der Besselschen Gleichung. Da ε > 0 beliebig war, gilt x = c k, d.h. die Parsevalsche Gleichung. Anwendung auf C L [0, π] und L (0, π) 1 Die Fourierreihe a 0 π + 1 π {a k cos kt + b k sin kt} mit a 0 = 1 π π 0 x(t) dt a k = 1 π π 0 cos kt x(t) dt b k = 1 π π konvergiert im quadratischen Mittel gegen die Funktion x(t) (0 t π), d.h. lim n π 0 ( x(t) a 0 1 π + 1 π {a k cos kt + b k sin kt}) dt = 0. 0 sin kt x(t) dt Für x C L [0, π] konvergiert die Fourierreihe sogar überall punktweise. Für Funktionen x L (0, π), welche beschränkte Variation aufweisen, erfolgt an Sprungstellen die punktweise Konvergenz gegen das arithmetische Mittel der links- und rechtsseitigen Grenzwerte (vgl. Heuser, Lehrbuch Analysis Teil, 136). 30
16 .4 Hilberträume Definition.41. Ein vollständiger unitärer Raum heißt Hilbertraum. Wir bezeichnen im Folgenden Hilberträume mit H. Die bisherige Analyse von Fourierreihen im unitären Raum U setzte die Vollständigkeit des normierten Raumes nicht voraus. Satz.4 (Riesz - Fischer). Sei {e 1, e,...} ein beliebiges abzählbares ONS in einem (reellen oder komplexen) unedlichdimensionalen Hilbertraum H. Sei weiter {c k } eine unendliche Folge von (reellen oder komplexen) Zahlen, für die c k < gilt. Dann existiert ein Element x H mit c k = (x, e k ) (k = 1,,...) und x = c k. Dabei ist x = c k e k = lim n c k e k. Beweis. H sei Hilbertraum und {e 1, e,...} darin ein ONS. Weiter sei {c k } l. Wir konstruieren mittels x n := c k e k eine Folge {x n } n=1 H. Wir zeigen: dies ist eine Cauchyfolge. Ohne Einschränkung sei m > n. Dann gilt x n x m = m k=n+1 c k e k = m k=n+1 c k < ε, sobald n > n 0 (ε), weil c k <. Wegen der Vollständigkeit von H konvergiert diese Folge in H, d.h. es existiert ein x H mit x = lim x n oder x = c k e k. ( ) n Es ist noch zu zeigen: c k = (x, e k ). Wir wählen n > k. (x, e k ) = (x n, e k ) +(x x n, e k ), n > k = c k (x x n, e k ) x x n e k 0 für n. 0 = 1 31
17 Damit gilt (x, e k ) = c k und wegen ( ) die Parsevalsche Gleichung x = c k. Satz.43. Jeder unendlich-dimensionale separable Hilbertraum besitzt ein abzählbares vollständiges Orthonormalsystem. Einen Beweis unter Ausnutzung des Projektionsbegriffs findet man am Ende von Kapitels. Die bisherigen Erkenntnisse zum Hilbertraum führen zu: Folgerung.44. Jeder reelle (komplexe) n-dimensionale unitäre Raum (welcher stets einen Hilbertraum H repräsentiert) ist linear isomorph und isometrisch zum unitären Raum R n ( C n ) ausgestattet mit der Euklidischen Norm. Jeder unendlich-dimensionale separable Hilbertraum H ist linear isomorph und isometrisch zum reellen (komplexen) Hilbertschen Folgenraum l. Beweis. Da nach Satz.43 im separablen Hilbertraum H stets ein vollständiges ONS existiert, so kann die Zuordnung x {(x, e k ) = c k } H l ausgenutzt werden, die wegen der Aussagen früherer Sätze eine Bijektion ist und sogar einen linearen Isomorphismus darstellt. Die Parsevalsche Gleichung liefert schließlich sogar die Isometrie: Norm in H : x = c k : Norm in l. Kleiner Exkurs zur Optimierung in Hilberträumen und zu Normtypen Welche Eigenschaften müssen Mengen C H besitzen, damit stets ein normkleinstes Element z C mit z = min x existiert? x C Definition.45. Es sei X ein linearer normierter Raum. Dann heißt eine Teilmenge C in X konvex, wenn gilt. x, y C = λx + (1 λ)y C λ [0, 1]. Satz.46. Jede nichtleere, abgeschlossene und konvexe Menge C im Hilbertraum H besitzt ein eindeutig bestimmtes Element z C mit kleinster Norm, d.h. es gilt z = min x C x. 3
18 Beweis. C, x 0 x C {x n } C mit lim n x n = d. d := inf x 0. Dann existiert eine Folge x C Wir zeigen: {x n } ist in H eine Cauchyfolge. Wir wählen n, m hinreichend groß. Aus der Konvexität von C folgt 1 (x n + x m ) C = 1 (x n + x m ) d. Wir nutzen die Parallelogrammgleichung: 1 (x n x m ) = 1 ( x n + x m ) 1 (x n + x m ) 1 ( x n + x m ) d 0 für n, m d d Damit ist {x n } Cauchyfolge und wegen der Vollständigkeit des Raumes H sowie der Abgeschlossenheit von C existiert ein Element z = lim n x n C. Weiterhin gilt wegen der Stetigkeit der Norm: z = lim x n = lim x n = d. n n Zu zeigen ist die Eindeutigkeit: z 1, z C seien zwei Elemente mit z 1 = z = d. Dann gilt 1 (z 1 z ) = 1 ( z 1 + z ) z 1 + z d d = 0. Folglich z 1 = z. Definition.47. Es sei X ein linearer normierter Raum mit Norm. Dann nennen wir diese Norm strikt konvex, wenn für beliebige x 1, x X die Implikation x 1 = x = 1 und x 1 + x = 1 = x 1 = x gilt. Lemma.48. Seien in einer konvexen Menge C in X zwei normkleinste Elemente z 1, z gegeben, d.h. z 1 = z = min x, dann ist auch z 1 + z C ein normkleinstes x C Element. Beweis. Sei z 1 = z = d. Es gilt z 1 + z d = z 1, da z 1 + z C. Andererseits gilt z 1 + z 1 ( z 1 + z ) = d. Also gilt z 1 + z = d = min x. x C 33
19 Satz.49. Ist die Norm in einem linearen normierten Raum X strikt konvex, so ist das normkleinste Element eine konvexen Menge C, sofern es existiert, stets eindeutig bestimmt. Beweis. x 1, x C, x 1 = x = min x = x 1 + x x C Folglich gilt x 1 = x = x 1 + x C und x 1 + x = min x C x = d. Betrachtet man die drei Elemente x 1 d, x d und x 1+x mit Norm 1, so ergibt sich aus der Definition der strikten Konvexität der Norm d sofort x 1 = x, was die Eindeutigkeit beweist. Satz.50. Im Hilbertraum ist die Norm strikt konvex. Beweis. Sei x 1 = x = x 1 + x = 1. Parallelogrammgleichung: x 1 + x = 1 ( x 1 + x ) x 1 x = x 1 x = 0 = x 1 = x Bemerkung. Im R n sind unter den p-normen gerade 1 und nicht strikt konvex, im - dim. Raum bilden l 1, l = m und C[a, b] Beispiele für Räume mit nicht strikt konvexen Normen. Neben Hilberträumen sichern auch reflexive separable Räume die Existenz von normkleinsten Elementen (Begriff,,reflexiv wird später geklärt). Exkurs beendet! Folgerung.51. Es sei C eine nichtleere, konvexe, abgeschlossene Menge und H ein Hilbertraum. Dann existiert zu jedem x H genau ein z C mit x z x ỹ ỹ C. Beweis. Die Aussage folgt aus Satz.46 mit C := x + C = {ỹ = x + y, y C}. Satz.5. Es sei L ein abgeschlossener linearer Unterraum des Hilbertraumes H. Dann existiert bei Vorgabe eines Elementes x H genau ein Element z L mit x z x y y L. Diese Element heißt Projektion z = P x von x auf den Unterraum L und ist eindeutig charakterisiert durch die Gleichung (x z, y) = 0 y L (+) Beweis. Aus dem vorherigen Satz ist Existenz und Eindeutigkeit von z geklärt! Zu zeigen ist die Notwendigkeit und Hinlänglichkeit der Gleichung (+). 34
20 = : Sei z = P x, wir zeigen (x z, y) = 0 y L, wobei o.b.d.a. H ein reeller Hilbertraum sei. Dann gilt f(λ) = x (z + λy). Wegen z = P x gilt f (0) = 0, weiter f (λ) = (x (z + λy), y), f (0) = (x z, y) = 0 und damit (x z, y) = 0 y L. = : Sei z L und (x z, y) = 0 y L. Zu zeigen ist x z x y y L. Dies ergibt sich aus x y = (x z) + (z y) = x z + z y + (x z, z y) L = x z + z y x z. Definition.53. Sei U unitärer Raum, L 1, L abgeschlossene Unterräume von U. Gilt L 1 L und U = L 1 L, dann heißt U = L 1 L orthogonale Summe der beiden Unterräume L 1 und L. Satz.54. Sei H Hilbertraum, L ein abgeschlossener linearer Unterraum von H. Dann existiert genau ein abgeschlossener linearer Unterraum M von H, so dass H = L M. Die Menge M = L nennen wir orthogonales Komplement zu L in H. Beweis. (a) Wir definieren M := {v H : (x, v) = 0 x L} die Menge der zu L orthogonalen Elemente. M ist offensichtlich linearer Unterraum. (b) Zu zeigen M ist abgeschlossen, {v n } M, v n Skalarproduktes: H v, zu zeigen v M. Stetigkeit des (x, v n ) = 0 n x L = (x, v) = 0 x L = v M (c) Zerlegung von x H, z = P x sei orthogonale Projektion von x auf L, v = x P x ist wegen früherer Folgerung orthogonal zu L. x = P x +( x } {{ P x } ) = x = z + v, z L, v M = z L = v M Eindeutigkeit der Zerlegung = H = L M: Sei auch x = z + ṽ, z L, ṽ M, dann gilt ṽ = (x z) L und z L = z = P x = z und ṽ = x P x = v Folgerung.55. Sei H ein Hilbertraum und L linearer Unterraum von H. Dann ist L genau dann dicht in H, wenn gilt: x L = x = 0. 35
21 Beweis. (a) Sei L dicht in H, d.h. L = H. Sei x L. Wegen der Stetigkeit des Skalarproduktes folgt daraus x L = H, d.h. insbesondere x x = (x, x) = x = 0 = x = 0. (b) Sei x L = x = 0 erfüllt. Zu zeigen L = H. Angenommen L H. Dann x H mit x / L. Wir zerlegen orthogonal x = x 1 L + x L wobei x 0 gelten muß. Andererseits x L = x L = x = 0, also Widerspruch zur Annahme = L = H. Als unmittelbare Konsequenz der letzten Folgerung erhält man: Folgerung.56. Ein ONS {e 1, e,...} in H ist genau dann vollständig, wenn die Implikation (x, e i ) = 0 i N = x = 0 gilt. Nun können wir problemlos den noch fehlenden Beweis von Satz.43 nachholen, welcher besagt, dass im unendlich-dimensionalen separablen Hilbertraum stets ein (abzählbares) vollständiges ONS existiert: Beweis. von Satz.43 Wegen der Separabilität des Raumes existiert eine abzählbare überall dichte Teilmenge {g 1, g,...} H. o.b.d.a. g 1 0, e 1 := g 1 g 1, L 1 := span(e 1 ) Sei g n erstes Element, welches nicht in L 1 liegt. Sei h n die orthogonale Projektion von g n auf L 1 = g n = h n +(g n h n ) wir setzen e := L L 1 1 h n h n, L := span(e 1, e ) Auf diese Weise finden wir e 1, e,..., e n und L n = span(e 1, e,..., e n ). Jedes g i ist in eine Linearkombination von endlich vielen e 1, e,..., d.h g i L k für ein k = 1,,... Noch zu zeigen ist span(e 1, e,...) = H. Sei dazu x H gegeben, ε > 0. = Wegen der Dichtheit von {g 1, g,...} in H finden wir ein g i : x g i < ε. 36
22 Andererseits muss g i in einem der Räume L k = span(e 1,... e k ) liegen k = x λ j e j < ε j=1 = span(e 1, e,...) = H Unser konstruiertes ONS ist also vollständig. Bemerkung. Ohne Verwendung des Projektionsbegriffs kann man die Existenz eines vollständigen Orthonormalsystems sogar in einem separablen unitären Raum U beweisen, wenn man die Bemerkung nach dem Beweis von Satz.9 in die Betrachtung einbezieht. Dazu konstruiert man zu einem abzählbaren System G = {g 1, g,...} U mit G = U, das wegen der Separabilität von U stets existiert, ein ONS {e 1, e,...} mit der Eigenschaft, dass g n für alle natürlichen Zahlen n eine Linearkombination endlich vieler e i ist. Dies impliziert span(e 1, e,...) = U und damit die Vollständigkeit dieses ONS. Man geht dazu vor wie beim Schmidt schen Orthogonalisierungsverfahren, lässt aber bei der Bestimmung von e i+1 diejenigen g j aus (analog zum obigen Beweis von Satz.43), die bereits in der linearen Hülle span(e 1,..., e i ) liegen. 37
ist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
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
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
Mehr10 Hilberträume. (b) λx,y = λ x,y für x,y X, λ K. (c) x, y = y, x für x, y X (Komplexe Konjugation nur im Falle K = C)
10 Hilberträume 10.1. Definition. Sei X ein Vektorraum über K. Eine Abbildung, : X X K heißt Skalarprodukt, falls (a) x 1 + x,y = x 1,y + x,y für x 1,x,y X (b) λx,y = λ x,y für x,y X, λ K (c) x, y = y,
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrDifferentialgleichungen und Hilberträume Sommersemester 2014 Übungsblatt 11
Institut für Analysis Prof. Dr. Wolfgang Reichel Dipl.-Math. Anton Verbitsky Aufgabe 1 Differentialgleichungen und Hilberträume Sommersemester 14 Übungsblatt 11 5 Punkte In dieser Aufgabe geht es um die
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
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
Mehr72 Orthonormalbasen und Konvergenz im quadratischen Mittel
72 Orthonormalbasen und Konvergenz im quadratischen Mittel 30 72 Orthonormalbasen und Konvergenz im quadratischen Mittel Wir untersuchen nun die Konvergenz von Fourier-Reihen im quadratischen Mittel in
MehrOrthogonalreihendarstellung eines zentrierten Gauß-Prozesses
Orthogonalreihendarstellung eines zentrierten Gauß-Prozesses Thomas Steinle Seminar Zufällige Felder Universität Ulm 18. November, 2008 Einleitung Inhalt Einleitung Wiederholung und Themenvorstellung Wichtiges
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
Mehr8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN
8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN (vi) Konvergenz von Folgen ist in topologischen Räumen folgendermaßen definiert: Ist (a n ) M eine Folge, so heißt sie konvergent gegen a M, wenn es
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
Mehr1 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
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
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
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
Mehr2 Folgen und Reihen. 2.1 Folgen in C Konvergenz von Folgen. := f(n)
2 Folgen und Reihen 2.1 Folgen in C 2.1.1 Konvergenz von Folgen Eine Folge komplexer Zahlen ist eine Funktion f : N C. Mit a n schreibt man (a n ) n=1, (a n ) oder auch a 1, a 2,.... := f(n) (a n ) heißt
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
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
MehrVollständiger Raum, Banachraum
Grundbegriffe beschränkte Menge Cauchyfolge Vollständiger Raum, Banachraum Kriterium für die Vollständigkeit Präkompakte Menge Kompakte Menge Entropiezahl Eigenschaften kompakter und präkompakter Mengen
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
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
MehrFerienkurs Analysis 3. Ari Wugalter März 2011
Ari Wugalter 07. - 08. März 2011 1 1 Hilberträume Im ersten Kapitel wollen wir uns mit den grundlegenden Eigenschaften von Hilberträumen beschäfitgen. Hilberträume habe die herausragende Eigenschaft, dass
Mehr5 Teilmengen von R und von R n
5 Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,...,x n ) : x i R} = R }... {{ R }. n mal Für x R ist x der Abstand zum Nullpunkt. Die entsprechende Verallgemeinerung
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrÜbungen zur Funktionalanalysis Lösungshinweise Blatt 4
Übungen zur Funktionalanalysis Lösungshinweise Blatt 4 Aufgabe 13 Wie üblich sei l 1 = {x : N K x n < } mit Norm x l 1 = x n und l = {x : N K sup n N x n < } mit x l = sup n N x n Für die Unterräume d
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
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
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
Mehr7. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof. Dr. Streicher Dr. Sergiy Nesenenko Pavol Safarik SS 2010 27.-31.05.10 7. Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G24 (Grundlegende Definitionen) Betrachten
MehrUltrametrik. Christian Semrau Metrische Räume
Ultrametrik Christian Semrau 05.11.2002 Inhaltsverzeichnis 1 Metrische Räume 1 1.1 Definition der Metrik.................................. 1 1.2 Offene und abgeschlossene Mengen..........................
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
Mehr8 KAPITEL 1. GRUNDLAGEN
8 KAPITEL 1. GRUNDLAGEN Beweis. 1. Sei A X abgeschlossen, dann ist X \ A offen und jede offene Überdeckung von A lässt sich durch Hinzunahme von X \ A auf ganz X fortsetzen. Die Kompaktheit von X erlaubt
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
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
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.
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
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
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
Mehr68 Hilberträume - Grundbegriffe
- 235-68 Hilberträume - Grundbegriffe In 21 haben wir uns ausführlich mit R und C Vektorräumen mit Skalarprodukt beschäftigt, dort allerdings hauptsächlich mit endlichdimensionalen Vektorräumen. Im Folgenden
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
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
MehrRechenoperationen mit Folgen. Rekursion und Iteration.
Rechenoperationen mit Folgen. Die Menge aller Folgen in V bildet einen Vektorraum, V N, für den die Addition und skalare Multiplikation wie folgt definiert sind. (a n ) n N + (b n ) n N := (a n + b n )
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
Mehr$Id: hilbert.tex,v /06/21 13:11:01 hk Exp hk $
$Id: hilbert.tex,v 1.5 2013/06/21 13:11:01 hk Exp hk $ 7 Hilberträume In der letzten Sitzung hatten wir die Theorie der Hilberträume begonnen, und sind gerade dabei einige vorbereitende elementare Grundtatsachen
MehrProseminar Analysis Vollständigkeit der reellen Zahlen
Proseminar Analysis Vollständigkeit der reellen Zahlen Axel Wagner 18. Juli 2009 1 Voraussetzungen Zunächst wollen wir festhalten, was wir als bekannt voraussetzen: Es sei (Q, +, ) der Körper der rationalen
MehrTopologische Grundbegriffe II. 1 Begriffe auf Mengen
Vortrag zum Seminar zur Analysis, 03.05.2010 Dennis Joswig, Florian Goy Aufbauend auf den Resultaten der Vorlesung Topologische Grundbegriffe I untersuchen wir weitere topologische Eigenschaften von metrischen
Mehr30 Metriken und Normen
31 Metriken und Normen 153 30 Metriken und Normen Lernziele: Konzepte: Metriken, Normen, Skalarprodukte, Konvergenz von Folgen Frage: Versuchen Sie, möglichst viele verschiedene Konvergenzbegriffe für
MehrFolgen und Reihen Folgen
Folgen und Reihen 30307 Folgen Einstieg: Wir beginnen mit einigen Beispielen für reelle Folgen: (i),, 4, 8, 6, (ii) 4,, 6, 3, 7, (iii) 0,,,, 3,, (iv), 3, 7,,, Aufgabe : Setzt die Zahlenfolgen logisch fort
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 6 Grenzwerte von Funktionen und Stetigkeit
Kapitel 6 Grenzwerte von Funktionen und Stetigkeit 225 Relle Funktionen Im Folgenden betrachten wir reelle Funktionen f : D R, mit D R. Wir suchen eine formale Definition für den folgenden Sachverhalt.
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. SS 6 9.4.6 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum. Übungsblatt Aufgabe
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
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).
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer In diesem Vortrag werden die Eigenschaften von kompakten, metrischen Räumen vertieft. Unser Ziel ist es Techniken zu erlernen, um
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrKapitel II. Vektorräume. Inhalt: 7. Vektorräume 8. Basis und Dimension 9. Direkte Summen und Faktorräume
Kapitel II. Vektorräume Inhalt: 7. Vektorräume 8. Basis und Dimension 9. Direkte Summen und Faktorräume Die fundamentale Struktur in den meisten Untersuchungen der Linearen Algebra bildet der Vektorraum.
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
Mehr13 Auswahlaxiom und Zornsches Lemma
13 Auswahlaxiom und Zornsches Lemma Handout zur Funktionalanalysis I von H. Glöckner, 25.11.2008 Wichtige Teile der modernen Mathematik beruhen auf dem sogenannten Auswahlaxiom der Mengenlehre. Dieses
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
Mehrϕ k (t)ψ j (s) 2 ds)dt < folgt ϕ k (t)ψ j (s) δ j1,j 2 und daher handelt es sich um ein Orthonormalsystem in L 2 (Ω 1 Ω 2 ).
1) a) Wir wollen zeigen, dass {ϕ k (t)ψ j (s)} j,k N0 eine Orthonormalbasis ist. Beachte dabei zunächst, dass (t, s) ϕ k (t)ψ j (s) für alle j, k N 0 messbare Abbildungen auf Ω 1 Ω 2 sind und da Ω 1 ϕ
Mehr43 Unitäre Vektorräume
43 Unitäre Vektorräume 43 1 Zusammenfassung In diesem Paragrafen werden die gleichen Themen wie in 41 abgehandelt, jetzt allerdings für den komplexen Fall. Die Aussagen entsprechen sich weitgehend, daher
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
Mehr(c) (a) X ist abgeschlossen. X = A,wobeiderDurchschnittüberalleabgeschlossenenMengengebildet wird, die X enthalten. (d) (e)
27 15. Metrische Räume Mit Hilfe einer Norm können wir den Abstand x y zweier Punkte x, y messen. Eine Metrik ist eine Verallgemeinerung dieses Konzepts: 15.1. Metriken. Es sei M eine beliebige Menge.
MehrDas Newton Verfahren.
Das Newton Verfahren. Ziel: Bestimme eine Nullstelle einer differenzierbaren Funktion f :[a, b] R. Verwende die Newton Iteration: x n+1 := x n f x n) f x n ) für f x n ) 0 mit Startwert x 0. Das Verfahren
MehrÜbersicht Kapitel 9. Vektorräume
Vektorräume Definition und Geometrie von Vektoren Übersicht Kapitel 9 Vektorräume 9.1 Definition und Geometrie von Vektoren 9.2 Teilräume 9.3 Linearkombinationen und Erzeugendensysteme 9.4 Lineare Abhängigkeiten
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
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
Mehr5.1 Charakterisierung relativ kompakter und kompakter
Kpitel 5 Kompkte Mengen 5.1 Chrkterisierung reltiv kompkter und kompkter Mengen X sei im weiteren ein Bnchrum. Definition 5.1. Eine Menge K X heißt kompkt, wenn us jeder offenen Überdeckung von K eine
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 3.2 Konvergenzkriterien
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrProjektionen auf abgeschlossene konvexe Mengen
Projektionen auf abgeschlossene konvexe Mengen Seminarvortrag von Veronika Pick Seminar Optimierung bei Herrn Prof. Dr. F. Jarre Heinrich-Heine-Universität Düsseldorf SS 2006 1 Vorbemerkung Das Seminarthema
MehrVollständigkeit. Andreas Schmitt. Ausarbeitung zum Proseminar zur Topologie im WS 2012/13
Vollständigkeit Andreas Schmitt Ausarbeitung zum Proseminar zur Topologie im WS 2012/13 1 Einleitung Bei der Konvergenz von Folgen im Raum der reellen Zahlen R trifft man schnell auf den Begriff der Cauchy-Folge.
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
MehrKonstruktion reeller Zahlen aus rationalen Zahlen
Konstruktion reeller Zahlen aus rationalen Zahlen Wir nehmen an, daß der Körper der rationalen Zahlen bekannt ist. Genauer wollen wir annehmen: Gegeben ist eine Menge Q zusammen mit zwei Verknüpfungen
MehrHäufungspunkte und Satz von Bolzano und Weierstraß.
Häufungspunkte und Satz von Bolzano und Weierstraß. Definition: Sei (a nk ) k N eine konvergente Teilfolge der Folge (a n ) n N.Dannwirdder Grenzwert der Teilfolge (a nk ) k N als Häufungspunkt der Folge
MehrTopologische Begriffe
Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer
MehrKlausur zur Höheren Mathematik IV
Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
MehrAnalysis 2. Contents. Torsten Wedhorn. June 12, Notation. Es bezeichne K immer den Körper R der reellen Zahlen oder den Körper C der komplexen
Analysis 2 Torsten Wedhorn June 12, 2012 Notation Es bezeichne K immer den Körper R der reellen Zahlen oder den Körper C der komplexen Zahlen. Contents 12 Metrische Räume 2 (A) Definition metrischer Räume........................
MehrGleichmäßige Konvergenz und Funktionenräume
Gleichmäßige Konvergenz und Funktionenräume Isabella Lukasewitz und Andreas Brack 07.06.2010 Vortrag zum Proseminar zur Analysis Konvergenz und Funktionenräume INHALTSVERZEICHNIS Bereits in den Vorlesungen
MehrMetrische Räume. Kapitel Begriff des metrischen Raumes
Kapitel 8 Metrische Räume 8.1 Begriff des metrischen Raumes Bemerkung 8.1 Motivation. In diesem Abschnitt wird der Begriff des Abstandes zwischen reellen Zahlen verallgemeinert. Das ist notwendig, um Analysis
MehrAnalysis II - 1. Klausur
Analysis II -. Klausur Sommersemester 25 Vorname: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Analysis II -. Klausur 2.5.25 Aufgabe 2 Punkte Berechnen
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
MehrTopologische Aspekte: Eine kurze Zusammenfassung
Kapitel 1 Topologische Aspekte: Eine kurze Zusammenfassung Wer das erste Knopfloch verfehlt, kommt mit dem Zuknöpfen nicht zu Rande J. W. Goethe In diesem Kapitel bringen wir die Begriffe Umgebung, Konvergenz,
Mehr31: Normierte Vektorräume
31: Normierte Vektorräume Für eine systematische Behandlung von Grenzwert-Prozessen für Funktionenfolgen benötigen wir die allgemeine Definition der normierten Vektorräume und einen passenden Abstandsbegriff.
MehrLösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.
Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 4. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 0/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 4. Übungsblatt Aufgabe
MehrVorlesung Mathematik 1 für Ingenieure (Wintersemester 2015/16)
1 Vorlesung Mathematik 1 für Ingenieure (Wintersemester 2015/16) Kapitel 7: Konvergenz und Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
Mehr