Proseminar Konvexe Mengen: Der Satz von Carathéodory

Größe: px
Ab Seite anzeigen:

Download "Proseminar Konvexe Mengen: Der Satz von Carathéodory"

Transkript

1 Proseminar Konvexe Mengen: Der Satz von Carathéodory Gerrit Grenzebach 26. Otober 2004 In diesem Referat werden der Begriff der onvexen Hülle einer Menge eingeführt und einige Eigenschaften der onvexen Hülle behandelt. Dazu wird nach einer Auflistung wichtiger Begriffe, die bereits beannt sein sollten zunächst der Satz von Carathéodory bewiesen. Speziell werden danach noch die onvexe Hülle endlicher Mengen sowie die onvexe Hülle von offenen oder ompaten Mengen betrachtet. Als Grundlage für dieses Referat ist das Buch Convex sets and their applications von Steven R. Lay (New Yor etc.: John Wiley & Sons, 1982), Seite 16 bis 22, verwendet worden. Einige wichtige Begriffe In diesem Abschnitt werden einige Begriffe und Sätze aufgeführt, die bereits im ersten Referat vorgestellt worden sind. Sie werden aber später benötigt, so daß hier nur daran erinnert werden soll. Eine Anmerung zur Notation: Ein reeller Vetorraum R n mit Salarprodut wird mit E n bezeichnet. Definition (2.14): Eine Linearombination y = i=1 λ ix i von x 1,..., x E n mit reellen Koeffizienten λ i heißt Affinombination, falls i=1 λ i = 1, Konvexombination, falls i=1 λ i = 1 und λ i 0 für alle i. Satz (2.15): Für S E n gilt: Satz (2.16): Für S E n gilt: S onvex Jede Konvexombination von Elementen aus S liegt in S. S affin Jede Affinombination von Elementen aus S liegt in S.

2 Der Satz von Carathéodory Seite 2 Definition (2.17): Eine endliche Menge {x 1,..., x m } heißt affin abhängig, wenn es reelle Koeffizienten λ 1,..., λ m gibt, λ i = 0 für mindestens ein i, so daß m λ i = 0 i=1 und Andernfalls heißt die Menge affin unabhängig. Satz (2.18): Sei S E n. Es gilt: m λ i x i = 0. i=1 S hat (n + 1) Elemente = S ist linear abhängig, S hat (n + 2) Elemente = S ist affin abhängig. Der Satz von Carathéodory Bevor wir den Satz von Carathéodory 1 beweisen, führen wir zunächst die zentralen Begriffe der onvexen und der affinen Hülle ein und zeigen einen etwas allgemeineren Satz. Definition (2.20): Die onvexe Hülle einer Menge S ist der Durchschnitt aller onvexen Mengen, die S enthalten. Man bezeichnet sie als conv S. Definition (2.21): Die affine Hülle einer Menge S ist der Durchschnitt aller affinen Mengen, die S enthalten. Man bezeichnet sie als aff S. Bemerung: Die onvexe (affine) Hülle einer Menge S ist die leinste onvexe (affine) Menge 2, die die Menge S enthält. Es gilt: S onvex S = conv S, und S affin S = aff S. Da nach Satz (2.13) jede affine Menge A E n ein affiner Unterraum von E n ist, önnen wir die Dimension einer Menge S als die Dimension der affinen Hülle von S festlegen: dim S := dim(aff S) Satz (2.22): Für jede Menge S E n besteht die onvexe (affine) Hülle von S aus allen Konvexombinationen (Affinombinationen) von Elementen aus S: { } conv S = λ j x j J endlich, xj S, λ j 0, λ j = 1 j J j J { } aff S = λ j x j J endlich, xj S, λ j = 1 j J j J 1 Constantin Carathéodory: * Berlin, München, deutscher Mathematier griechischer Abstammung. 2 Zur Definition einer onvexen oder affinen Menge sei auf den ersten Vortrag von Norman Wirsi verwiesen.

3 Der Satz von Carathéodory Seite 3 Beweis: Der Beweis wird für onvexe Hüllen geführt. Für affine Hüllen ist der Beweis analog. Sei T := { j J λ j x j J endlich, xj S, λ j 0, j J λ j = 1 } die Menge aller Konvexombinationen von Elementen aus S. Nach Satz (2.15) liegen alle Konvexombinationen von Elementen aus conv S in conv S. Da S conv S, gilt: T convs. Seien x, y T mit x := α jx j und y := l β jy j. Für z xy folgt: Dabei ist: z = λx + (1 λy) für ein 0 λ 1 = λα j x j + l i=1 (1 λ)β i y i. 0 λα j 1 für alle j, 0 (1 λ)β i 1 für alle i, λα j + l i=1 (1 λ)β i = 1. Also ist z T. Da dieses für jedes z T gilt und x, y T beliebig gewählt sind, ist T onvex. Außerdem ist S T, da jedes x p eine Konvexombination ist: x p = λ i x i mit λ p = 1, λ i = 0 für i = p. i I Nach Definition der onvexen Hülle ist damit Insgesamt gilt also: conv S T. conv S = T. Der folgende Satz ist von zentraler Bedeutung für die Untersuchung onvexer Mengen. Während der vorige Satz, nach dem jedes Element in der onvexen Hülle einer Menge S als Konvexombination von endlich vielen Elementen x j aus S dargestellt werden ann, eine obere Schrane angibt für die Anzahl der notwendigen x j, begrenzt der Satz von Carathéodory diese: Für eine n-dimensionale Menge genügen n + 1 Elemente. Satz (2.23 Carathéodory): Sei S E n, S =. Dann gilt: Jedes x conv S läßt sich als Konvexombination von höchstens (n + 1) Elementen aus S darstellen: conv S = { n+1 λ j x j x j S, λ j 0, n+1 } λ j = 1.

4 Der Satz von Carathéodory Seite 4 Beweis: Nach Satz (2.22) läßt sich jedes x conv S als endliche Konvexombination darstellen. Sei x = λ jx j eine Konvexombination mit n + 2, x j S. Nach Satz (2.18) sind dann x 1,..., x affin abhängig, d. h. es gibt Salare α 1,..., α mit: α j x j = 0, j α j = 0, α l = 0 für ein l {1,..., } j Durch Umsortieren (falls notwendig) läßt sich in jedem Fall erreichen: α > 0, λ α λ j α j für alle j mit α j > 0. Für 1 j sei nun β j := λ j λ α α j. Dabei gilt: (I) β = 0 (II) β j = λ j λ α α j = 1 0 = 1 (III) β j 0 für alle j. Denn: Für α j 0 ist β j = λ j λ α α j λ j 0. ( Für α j > 0 ist β j = λ j λ λj α α j = α j Außerdem gilt, da β = 0: 1 β j x j = β j x j = α j ( λ j λ ) α j x j = α λ α 0 ) 0. λ j x j = x λ α α j x j = x. = 0 x conv S läßt sich also als Konvexombination von ( 1) Elementen aus S darstellen: x = 1 β jx j. Obiges Verfahren läßt sich so lange fortsetzen, bis x eine Konvexombination von n + 1 Elementen aus S ist. Dann ann man dieses Verfahren nicht mehr weiterführen, da dann die x 1,..., x n+1 im allgemeinen nicht affin abhängig sind. Damit läßt sich jedes x conv S E n als Konvexombination von höchstens (n + 1) Elementen aus S darstellen. Bemerung: Die onvexe Hülle einer Menge S E n ist die Menge aller Konvexombinationen von Elementen aus S. Damit läßt sich der Satz von Carathéodory wie folgt formulieren: x conv S x ist in der onvexen Hülle von höchstens (n + 1) Punten p S.

5 Die onvexe Hülle einer endlichen Menge Seite 5 Die onvexe Hülle einer endlichen Menge Definition (2.24): Die onvexe Hülle einer endlichen Menge S E n heißt Polytop (oder onvexes Polytop). Die onvexe Hülle einer Menge S = {x 1,..., x }, dim S =, heißt -dimensionales Simplex. Die Punte x 1,..., x werden dann als Ecpunte bezeichnet. x 3 x 4 x 2 x 1 x 1 x 3 x x 1 2 x 2 = 1 S = {x 1, x 2 } = 2 S = {x 1, x 2, x 3 } = 3 S = {x 1, x 2, x 3, x 4 } Abbildung 1: Beispiele für Simplizes von endlichen Mengen S. Im folgenden nehmen wir o. B. d. A. an, daß für eine -dimensionale Menge S = {x 1,..., x } E n gilt: Die Vetoren (x 2 x 1 ), (x 3 x 1 ),..., (x x 1 ) sind linear unabhängig. Satz (2.25): Sei S := {x 1,..., x } eine -dimensionale Menge, S E n. Dann besitzt jedes x im Simplex conv S eine eindeutige Darstellung als Konvexombination x = λ jx j. Beweis: Nach Satz (2.22) ist jedes x conv S als Konvexombination x = α jx j der + 1 Elemente von S darstellbar. Sei x = β jx j eine weitere Konvexombination. Mit λ j := α j β j folgt: Damit folgt: λ j x j = 0 mit 0 = λ j = α j β j = 1 1 = 0 λ 1 = (λ 2 + λ λ ) (1) λ j x j = λ j (x j x 1 ) Da nach obiger Annahme (x 2 x 1 ), (x 3 x 1 ),..., (x x 1 ) linear unabhängig sind, ist dieses nur erfüllt, falls λ j = 0 für 2 j + 1. Nach (1) ist dann λ 1 = 0. Für alle j gilt dann: α j = β j ; jedes x conv S besitzt also eine eindeutige Darstellung als Konvexombination der x j S.

6 Die onvexe Hülle einer endlichen Menge Seite 6 Definition (2.26): Sei T := conv{x 1,..., x } ein -dimensionales Simplex. Sei x T mit der eindeutigen Darstellung x = α jx j. Die Koeffizienten α j bezeichnet man als Schwerpuntoordinaten von x. Der Punt x 0 := 1 (x x ) heißt Zentrum des Simplex. Das relative Innere relint S ist das Innere einer Menge S bezüglich des minimalen affinen Unterraums, der S enthält. Zum Beispiel ist für einen Kreis im E 3 das relative Innere des Kreises die offene (zweidimensionale) Kreisscheibe. Mit Hilfe des Zentrums läßt sich zeigen, daß jede nichtleere onvexe Menge S ein relatives Inneres relint S hat. Dieses zeigen wir zunächst für Simplizes. Satz (2.27): Sei S := conv{x 1,..., x }. Ist S ein -dimensionales Simplex, so gilt: relint S =. Beweis: Für den Beweis werden die zwei Hilfssätze aus dem Anhang benötigt ( Anhang A). Sei S := conv{x 1,..., x } E n ein -dimensionales Simplex. Nach obiger Annahme sind die Vetoren (x 2 x 1 ),..., (x x 1 ) linear unabhängig. Nach dem Hilfssatz (1) sind dann die x 1,..., x affin unabhängig; und nach Hilfssatz (2) hat jedes x aff S eine eindeutige Darstellung als Affinombination der x 1,..., x. Man ann damit eine stetige Abbildung f definieren, die jedem x aff S das ()-Tupel der Koeffizienten der eindeutigen Affinombination von x zuordnet: f : aff S E, f (x) = f (α 1 x α x ) := (α 1,..., α ) Sei x 0 das Zentrum von S. Es gilt dann: ( ) f (x 0 ) = 1,..., 1 mit 1 > 0. Da f stetig ist, gibt es dann ein r > 0, so daß für alle x B(x 0, r) aff S, x = α jx j, gilt 1 : Für alle j ist α j > 0. Damit sind aber alle x B(x 0, r) aff S darstellbar als Konvexombination der x 1,..., x. Nach Satz (2.22) gilt dann: ( B(x 0, r) aff S ) conv S. Da S nach Voraussetzung ein Simplex ist, gilt conv S = S, also ( B(x 0, r) aff S ) S. Wegen x 0 B(x 0, r) und x 0 S aff S ist x 0 ( B(x 0, r) aff S ). Da aff S der leinste affine Unterraum ist, der S enthält, ist x 0 relint S. Korollar (2.28): Sei S E n onvex, dim S =. Dann gilt: relint S =. Beweis: Da dim S =, gibt es () affin unabhängige Punte x 1,..., x S. Die onvexe Hülle dieser Punte ist ein -dimensionales Simplex T. Nach Satz (2.27) gilt: relint T =. Da relint T relint S, ist relint S =. 1 Zur Erinnerung: B(x 0, r) := { x E n x x 0 < r }

7 Die onvexe Hülle offener und ompater Mengen Seite 7 Die onvexe Hülle offener und ompater Mengen Wir betrachten zunächst die onvexe Hülle einer offenen Menge. Satz (2.29): Die onvexe Hülle conv S einer offenen Menge S ist offen. Beweis: Sei S E n eine offene Menge. Dann ist S Rand(conv S) =. Wegen S conv S gilt: S int(conv S). Da conv S die leinste onvexe Menge ist, die S enthält, und da das Innere einer onvexen Menge onvex ist 1, ist conv S int(conv S). Es gilt ebenfalls: int(conv S) conv S. Damit ist insgesamt: conv S = int(conv S), d. h. conv S ist offen. Satz (2.30): Die onvexe Hülle conv S einer ompaten Menge S ist ompat. Beweis: Sei B := { (α 1,..., α n+1 ) n+1 α j = 1, α j 0 j } E n+1. Nach Hilfssatz (3) ( Anhang B) ist B ompat. Wir definieren nun eine stetige Abbildung: f : E n+1 E } n. {{.. E n } = E (n+1)2 E n, (n+1)-mal f (α 1,..., α }{{ n+1, x } 1,1,..., x 1,n,..., x n+1,1,..., x n+1,n ) := E n+1 E n E n n+1 α j (x j,1,..., x j,n ). Sei nun S E n ompat. Nach dem Satz von Carathéodory (2.23) gilt 2 : conv S = {x E n n+1 x = α j x j, x j S, α j 0, n+1 } α j = 1. Wir betrachten nun die Menge B S... S E n+1 E n... E n. Die oben definierte Abbildung f bildet diese Menge ab auf conv S: f : B S... S conv S, da B entsprechend gewählt ist. Da B ompat, S ompat, ist auch B S... S ompat. Da f stetig ist, ist conv S ompat. 1 Korollar (2.10) 2 Beachte: x j S E n, also x j = (x j,1,..., x j,n )

8 Anhang: A Zwei Hilfssätze Seite 8 Anhang A Zwei Hilfssätze Hilfssatz (1): Es gilt: {x 1,..., x } affin abhängig {x 2 x 1,..., x x 1 } linear abhängig. Bemerung: Aus Hilfssatz (1) folgt: {x 1,..., x } affin unabhängig {x 2 x 1,..., x x 1 } linear unabh. Beweis: : Sei {x 1,..., x } affin abhängig. Es gibt dann Salare α j für 1 j + 1 mit: (I) α l = 0 für mindestens ein l {1,..., + 1}, (II) α j = 0 α 1 = α j, (III) α jx j = 0. Aus (II) und (III) folgt: 0 = α 1 x 1 + α j x j = x 1 α j + α j x j = α j (x j x 1 ) Wegen (I) gilt α j = 0 nicht für alle j. Damit ist diese Gleichung nur erfüllt, wenn {x 2 x 1,..., x x 1 } linear abhängig. : Sei {x 2 x 1,..., x x 1 } linear abhängig. Es gibt dann Salare β j für 2 j + 1 mit: (I) β l = 0 für mindestens ein l {2,..., + 1}, (II) β j (x j x 1 ) = 0 x 1 Mit β 1 := β j folgt: β j + β j x j = 0. β j x j = 0 und β j = 0 Damit ist wegen (I) {x 1,..., x } affin abhängig. Hilfssatz (2): Sei S := {x 1,..., x } E n eine -dimensionale Menge. Für jedes x aff S gilt: x hat eine eindeutige Darstellung als Affinombination der x 1,..., x. Der Beweis dieses Hilfssatzes erfolgt analog zum Beweis des Satzes (2.25).

9 Anhang: B Eine ompate Menge Seite 9 B Eine ompate Menge Zum Beweis des Satzes (2.30) benötigen wir den folgenden Hilfssatz: Hilfssatz (3): Die Menge A := { (α 1,..., α n+1 ) n+1 Beweis: Wir zeigen: A ist beschränt und abgeschlossen. ➀ A ist beschränt, denn es gilt: } α j = 1, α j 0 j E n+1 ist ompat. (α 1,..., α n+1 ) A = α n+1 α j = 1 für alle 1 n + 1. ➁ A ist abgeschlossen. Dazu betrachten wir die lineare (und damit stetige) Abbildung f : E n+1 R, f (x) = f (x 1,..., x n+1 ) := n+1 x j. Wir definieren nun zwei Mengen: H := { x E n f (x) = 1 } = f 1 (1), Q := [0, 1]... [0, 1] E n+1. (n+1) mal Da die Menge {1} abgeschlossen ist, ist wegen der Stetigeit von f die Menge H abgeschlossen. Ebenfalls abgeschlossen ist die Menge Q. Es ist nun A = H Q; damit ist A als Durchschnitt zweier abgechlossener Mengen abgeschlossen.

8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule

8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule 1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier

Mehr

Insbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex.

Insbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex. Konvexe Mengen 2 Wie am Ende des vorigen Kapitels bereits erwähnt, ist die notwendige Gradientenbedingung aus Satz 1.4.6 für konvexe Zielfunktionen auch hinreichend. Diese Tatsache mag als erste Motivation

Mehr

Konvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke

Konvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke Konvexe Mengen Def. Eine Teilmenge A R n heißt onvex, wenn sie mit je zwei Punten x,y auch stets deren Verbindungsstrece xy = {x + t xy 0 t } = {( t)x + ty 0 t } enthält. onvex nicht onvex Lemma 2. Der

Mehr

3.3 Der Seitenverband

3.3 Der Seitenverband Diskrete Geometrie (Version 3) 10. Januar 2012 c Rudolf Scharlau 217 3.3 Der Seitenverband Wir setzen die Untersuchung der Relation ist Seite von auf der Menge aller konvexen Polytope in einem gegebenen

Mehr

Klausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1

Klausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1 1.1 (Herbst 2005, Thema 1, Aufgabe 1) Bestimmen Sie alle reellen Lösungen des folgenden linearen

Mehr

11. Darstellung von Kurven und Flächen

11. Darstellung von Kurven und Flächen H.J. Oberle Approximation WS 23/4. Darstellung von Kurven und Flächen Bézier Kurven. Unser Ziel ist es, polynomiale Kurven auf dem Rechner möglichst effizient darzustellen. Hierzu nutzen wir die Basisdarstellung

Mehr

Vorlesung Lineare Optimierung (Sommersemester 2010)

Vorlesung Lineare Optimierung (Sommersemester 2010) 1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 2: Konvexe Mengen und Kegel Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. April 2010) Gliederung 2 Konvexe Mengen

Mehr

Die komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.

Die komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C. Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines

Mehr

Projektive Räume und Unterräume

Projektive Räume und Unterräume Projektive Räume und Unterräume Erik Slawski Proseminar Analytische Geometrie bei Prof. Dr. Werner Seiler und Marcus Hausdorf Wintersemester 2007/2008 Fachbereich 17 Mathematik Universität Kassel Inhaltsverzeichnis

Mehr

In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,

In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum, 2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.

Mehr

Vektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)

Vektorräume. 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

Mehr

2.1 Vektorräume. 1. für alle x, y U ist x + y U und. 2. für alle x U und alle λ R ist λx U. O V (= O U) U, und dass ( 1) x U, also x U.

2.1 Vektorräume. 1. für alle x, y U ist x + y U und. 2. für alle x U und alle λ R ist λx U. O V (= O U) U, und dass ( 1) x U, also x U. Vektorräume Definition Eine nicht leere Menge V, für die eine Addition (dh eine Rechenvorschrift + derart, dass a + b V für alle a, b V ist und eine skalare Multiplikation (dh λa V für alle λ R (λ ist

Mehr

4.1. Vektorräume und lineare Abbildungen

4.1. 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

Mehr

Triangulierungen von Punktmengen und Polyedern

Triangulierungen von Punktmengen und Polyedern Triangulierungen von Punktmengen und Polyedern Vorlesung im Sommersemester 2000 Technische Universität Berlin Jörg Rambau 17.05.2000 Sekundärpolytop und 6 bistellare Operationen In diesem Kapitel werden

Mehr

Der Eulersche Polyedersatz in beliebiger Dimension

Der Eulersche Polyedersatz in beliebiger Dimension Der Eulersche Polyedersatz in beliebiger Dimension Rolf Stefan Wilke 17. Juli 2007 Definition. Sei P R d ein Polytop der Dimension d. Es bezeichne f k (P ) die Anzahl der k-dimensionalen Seitenflächen.

Mehr

5.1 Affine Räume und affine Abbildungen

5.1 Affine Räume und affine Abbildungen 402 LinAlg II Version 1.2 21. Juli 2006 c Rudolf Scharlau 5.1 Affine Räume und affine Abbildungen Ein affiner Raum besteht aus zwei Mengen P und G zusammen mit einer Relation der Inzidenz zwischen ihnen.

Mehr

Reihenentwicklung II. 1 Potenzreihenentwicklung von Lösungen

Reihenentwicklung II. 1 Potenzreihenentwicklung von Lösungen Vortrag zum Seminar Gewöhnliche Differentialgleichungen, 29.11.2011 Julia Rittich In dem vorherigen Vortrag haben wir erfahren, dass in vielen Anwendungsproblemen eine Differentialgleichung nicht in geschlossener

Mehr

Vorlesung Lineare Optimierung (Sommersemester 2010)

Vorlesung Lineare Optimierung (Sommersemester 2010) 1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das

Mehr

Vorlesung Mathematik WS 08/09. Friedel Bolle. Vorbemerkung

Vorlesung Mathematik WS 08/09. Friedel Bolle. Vorbemerkung Vorlesung Mathemati WS 08/09 Vorbemerung Weshalb Mathemati für Öonomen? Das werden Sie selbst sehen im Grundstudium in - Miroöonomie - Statisti - Maroöonomie - BWL: Prodution und dazu in einer Reihe von

Mehr

Lösung zu Serie [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren.

Lösung zu Serie [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren. Lineare Algebra D-MATH, HS 2014 Prof. Richard Pink Lösung zu Serie 8 1. [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren. a 1 A 1 a 2 A 2 a 3

Mehr

Proseminar: Konvexe Mengen

Proseminar: Konvexe Mengen Proseminar: Konvexe Mengen Varianten vom Satz von Kirchberger Trennung von Mengen mit einer Kugeloberfläche Trennung von Mengen mit Zylindern Jens Siewert Vortrag vom 14.12.04 und 04.01.05 1 Varianten

Mehr

Kapitel 13. Lineare Gleichungssysteme und Basen

Kapitel 13. Lineare Gleichungssysteme und Basen Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x

Mehr

3 Polytope. 3.1 Polyeder

3 Polytope. 3.1 Polyeder 28 3 Polytope 3.1 Polyeder Polytope in der Ebene und im Raum standen neben Kreis und Kugel schon während der griechischen Antike im Mittelpunkt des mathematischen (und philosophischen) Interesses. Durch

Mehr

Kapitel II. Vektorräume

Kapitel II. Vektorräume Inhalt der Vorlesung LAAG I Prof. Dr. Arno Fehm TU Dresden WS2017/18 Kapitel II. Vektorräume In diesem ganzen Kapitel sei K ein Körper. 1 Definition und Beispiele 1.1 Beispiel. Ist K = R, so haben wir

Mehr

6 Lineare Optimierung

6 Lineare Optimierung 6 Lineare Optimierung Um die Aufgabenstellung deutlich zu machen, beginnen wir mit einem (natürlich sehr vereinfachten) Beispiel: Produtionsplan einer (zugegebenermaßen sehr leinen) Schuhfabri. Hergestellt

Mehr

4 Vektorräume. 4.1 Definition. 4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48. Sei K ein Körper.

4 Vektorräume. 4.1 Definition. 4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48. Sei K ein Körper. 4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48 4 Vektorräume 4.1 Definition Sei K ein Körper. Definition: Ein Vektorraum über K, oder kurz ein K-Vektorraum, ist ein Tupel (V,+,, 0 V ) bestehend aus

Mehr

Mathematik I. Vorlesung 11. Lineare Unabhängigkeit

Mathematik I. Vorlesung 11. Lineare Unabhängigkeit Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 11 Lineare Unabhängigkeit Definition 11.1. Es sei K ein Körper und V ein K-Vektorraum. Dann heißt eine Familie von Vektoren v i, i I,

Mehr

Bild, Faser, Kern. Stefan Ruzika. 23. Mai Mathematisches Institut Universität Koblenz-Landau Campus Koblenz

Bild, 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

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

Technische Universität München Zentrum Mathematik. Übungsblatt 7 Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion

Mehr

Lineare Algebra 1. Roger Burkhardt

Lineare Algebra 1. Roger Burkhardt Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2008/09 4 Einführung Vektoren und Translationen

Mehr

Affine Hülle. x x 1 ist lineare Kombination der Vektoren x 2 x 1,x 3 x 1,...,x k x 1. Tatsächlich, in diesem Fall ist λ 1 = 1 λ 2 λ 3...

Affine Hülle. x x 1 ist lineare Kombination der Vektoren x 2 x 1,x 3 x 1,...,x k x 1. Tatsächlich, in diesem Fall ist λ 1 = 1 λ 2 λ 3... Affine Hülle Wiederholung. Der Vektor x K n ist eine lineare Kombination der Vektoren x,...,x k K n, wenn es Zahlen λ,...,λ k K gibt mit x = λ x +... + λ k x k. Def. Gibt es solche Zahlen λ,...,λ k K mit

Mehr

Konvexe Mengen. Skript zur Seminar Wintersemester 2012/13 Universität Potsdam. Dr. H. Wendland

Konvexe Mengen. Skript zur Seminar Wintersemester 2012/13 Universität Potsdam. Dr. H. Wendland Konvexe Mengen Skript zur Seminar Wintersemester 2012/13 Universität Potsdam Dr. H. Wendland Stand vom 7. November 2012 Inhaltsverzeichnis 1 Konvexe Mengen im Euklidischen Raum 1 1.1 Affine Unterräume,

Mehr

5 Vektorräume. (V1) für alle x, y V : x + y = y + x; (V2) für alle x, y, z V : (x + y) + z = x + (y + z);

5 Vektorräume. (V1) für alle x, y V : x + y = y + x; (V2) für alle x, y, z V : (x + y) + z = x + (y + z); 5 Vektorräume Was wir in den vorangegangenen Kapiteln an Matrizen und Vektoren gesehen haben, wollen wir nun mathematisch abstrahieren. Das führt auf den Begriff des Vektorraumes, den zentralen Begriff

Mehr

2.3 Basis und Dimension

2.3 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

Mehr

. TRENNENDE HYPEREBENEN

. TRENNENDE HYPEREBENEN VORLESUNG ÜBER KONVEXITÄT Daniel Plaumann Universität Konstanz Wintersemester /.. HYPEREBENEN De nition.. Es sei V ein reeller Vektorraum. Eine lineare Abbildung ℓ V R heißt lineares Funktional auf V.

Mehr

Hüllen und Kombinationen

Hüllen und Kombinationen Hüllen und Kombinationen 2 Die zulässigen Bereiche in der Linearen Optimierung sind Lösungen von linearen Ungleichungssystemen. Deswegen müssen wir die Werkzeuge der linearen Algebra um Elemente erweitern,

Mehr

Mathematik für Naturwissenschaftler II SS 2010

Mathematik für Naturwissenschaftler II SS 2010 Mathematik für Naturwissenschaftler II SS 2010 Lektion 8 18. Mai 2010 Kapitel 8. Vektoren (Fortsetzung) Lineare Unabhängigkeit (Fortsetzung) Basis und Dimension Definition 80. (Lineare (Un-)Abhängigkeit)

Mehr

Übungen zur Linearen Algebra 1

Übungen zur Linearen Algebra 1 Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume

Mehr

Konvexgeometrie. Vorlesung im WS 2004/05 (R. Schneider)

Konvexgeometrie. Vorlesung im WS 2004/05 (R. Schneider) i Konvexgeometrie Vorlesung im WS 2004/05 (R. Schneider) Konvexität ist ein Begriff, der in verschiedenen Zusammenhängen eine Rolle spielt und sich als nützlich erwiesen hat. Eine Punktmenge heißt konvex,

Mehr

Lineare Algebra I (WS 13/14)

Lineare Algebra I (WS 13/14) Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 03.12.2013 Alexander Lytchak 1 / 16 Wiederholung und Beispiele Der Spaltenrang einer Matrix ist gleich ihrem Zeilenrang.

Mehr

Lösungen Serie 6 (Vektorräume, Skalarprodukt)

Lösungen Serie 6 (Vektorräume, Skalarprodukt) Fachhochschule Nordwestschweiz (FHNW Hochschule für Technik Institut für Geistes- und Naturwissenschaft Lösungen Serie 6 (Vektorräume, Skalarprodukt Dozent: Roger Burkhardt Klasse: Studiengang ST Büro:

Mehr

2 Die Dimension eines Vektorraums

2 Die Dimension eines Vektorraums 2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1

Mehr

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 1: Facetten des Knapsack-Polytops

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 1: Facetten des Knapsack-Polytops Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 1: Facetten des Knapsack-Polytops Diskutieren Sie folgende Fragen

Mehr

H. Stichtenoth WS 2005/06

H. Stichtenoth WS 2005/06 H. Stichtenoth WS 25/6 Lösungsvorschlag für das. Übungsblatt Aufgabe : Der gesuchte Unterraum U ist die lineare Hülle von v und v 2 (siehe Def. 5. und Bsp. 5.5b), d. h. U : Spanv,v 2 } v R : v λ v + λ

Mehr

Vorkurs Mathematik B

Vorkurs Mathematik B Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein

Mehr

Spline-Räume - B-Spline-Basen

Spline-Räume - B-Spline-Basen Spline-Räume - B-Spline-Basen René Janssens 4. November 2009 René Janssens () Spline-Räume - B-Spline-Basen 4. November 2009 1 / 56 Übersicht 1 Erster Abschnitt: Räume von Splinefunktionen Grundlegende

Mehr

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 3: Das Matching-Polytop Diskutieren Sie folgende Fragen in der

Mehr

2.3 Basis und Dimension

2.3 Basis und Dimension 23 Basis und Dimension Erinnerung Gegeben ein K-Vektorraum V, ein Vektorensystem x,, x n in V Eine Linearkombination in den x i ist ein Vektor der Form λ x + + λ n x n mit λ i K Die λ i heißen Koeffizienten

Mehr

Viele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung

Viele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele

Mehr

1 Analytische Geometrie und Grundlagen

1 Analytische Geometrie und Grundlagen $Id: vektor.tex,v 1.4 2017/04/13 14:48:29 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.1 Affine Geometrie im R d Wir hatten einen affinen Teilraum A des R d als eine Teilmenge der Form A = a + U definiert,

Mehr

Extremalprobleme mit Nebenbedingungen

Extremalprobleme mit Nebenbedingungen Extremalprobleme mit Nebenbedingungen In diesem Abschnitt untersuchen wir Probleme der folgenden Form: g(x 0 ) = inf{g(x) : x Ω, f(x) = 0}, (x 0 Ω, f(x 0 ) = 0). (1) Hierbei sind Ω eine offene Menge des

Mehr

BAYERISCHE AKADEMIE DER WISSENSCHAFTEN MATHEMATISCH-NATURWISSENSCHAFTLICHE KLASSE SITZUNGSBERICHTE JAHRGANG MÜNCHEN 1961

BAYERISCHE AKADEMIE DER WISSENSCHAFTEN MATHEMATISCH-NATURWISSENSCHAFTLICHE KLASSE SITZUNGSBERICHTE JAHRGANG MÜNCHEN 1961 BAYERISCHE AKADEMIE DER WISSENSCHAFTEN MATHEMATISCH-NATURWISSENSCHAFTLICHE KLASSE SITZUNGSBERICHTE JAHRGANG 1960 MÜNCHEN 1961 VERLAG DER BAYERISCHEN AKADEMIE DER WISSENSCHAFTEN In Kommission bei der C.

Mehr

Konvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke

Konvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke Konvexe Mengen Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke xy = {x + t xy 0 t 1} = {(1 t)x + ty 0 t 1} enthält. konvex nicht konvex Lemma

Mehr

HM II Tutorium 1. Lucas Kunz. 24. April 2018

HM 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...................................

Mehr

KAPITEL 4. Orthogonalität. 1. Der Winkel zwischen zwei Vektoren. Wir wiederholen die Definition des Skalarprodukts zweier Vektoren, Definition 1.7.

KAPITEL 4. Orthogonalität. 1. Der Winkel zwischen zwei Vektoren. Wir wiederholen die Definition des Skalarprodukts zweier Vektoren, Definition 1.7. KAPITEL 4 Orthogonalität Der Winel zwischen zwei Vetoren Wir wiederholen die Definition des Salarproduts zweier Vetoren, Definition 7 DEFINITION 4 Seien a a, b b in n Wir definieren: a n b n () a, b a

Mehr

Vektorräume. Kapitel Definition und Beispiele

Vektorräume. Kapitel Definition und Beispiele Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte

Mehr

Ausgewählte Lösungen zu den Übungsblättern 4-5

Ausgewählte Lösungen zu den Übungsblättern 4-5 Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit

Mehr

Lösungen Serie 6 (Vektorräume, Skalarprodukt)

Lösungen Serie 6 (Vektorräume, Skalarprodukt) Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9

Mehr

1 Häufungswerte von Folgen

1 Häufungswerte von Folgen KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heio Hoffmann WS 0/..0 Höhere Mathemati I für die Fachrichtung Informati. Saalübung (..0) Häufungswerte von Folgen Oft

Mehr

Konvexe Mengen. Kanglin,Chen. Universität Bremen, Proseminar WS 04/05

Konvexe Mengen. Kanglin,Chen. Universität Bremen, Proseminar WS 04/05 Konvexe Mengen Kanglin,Chen Universität Bremen, Proseminar WS 04/05 Satz. (Satz von Kirchberger) Sei P, Q E n kompakt und nicht leer. Dann gilt: P, Q sind durch eine Hyperebene streng trennbar. Für jede

Mehr

GEOMETRIE DER POLYEDER

GEOMETRIE DER POLYEDER GEOMETRIE DER POLYEDER Das Polyeder P sei gegeben durch P = x R n Ax b. Definition. (i) Die Hyperebene H = x R n c T x = d,c, heißt Stützhyperebene von P, falls die Ungleichungc T x d redundant ist bzgl.

Mehr

Brückenkurs Mathematik. Mittwoch Freitag

Brückenkurs Mathematik. Mittwoch Freitag Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs

Mehr

1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)

1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende) . Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)

Mehr

Lineare Algebra II Lösungen der Aufgaben 42 und 43

Lineare Algebra II Lösungen der Aufgaben 42 und 43 D Blottière SS 7 P Schützdeller Universität Paderborn Lineare Algebra II Lösungen der Aufgaben 4 und 43 Aufgabe 4 : Bemerkungen : Es sei V ein n-dimensionaler Vektorraum über einem Körper K und β : V V

Mehr

3.4 Kombinatorische Äquivalenz und Dualität von Polytopen

3.4 Kombinatorische Äquivalenz und Dualität von Polytopen 222 Diskrete Geometrie (Version 3) 12. Januar 2012 c Rudolf Scharlau 3.4 Kombinatorische Äquivalenz und Dualität von Polytopen Dieser Abschnitt baut auf den beiden vorigen auf, indem er weiterhin den Seitenverband

Mehr

Anhang A. Etwas affine Geometrie. A.1 Die affine Hülle

Anhang A. Etwas affine Geometrie. A.1 Die affine Hülle Anhang A Etwas affine Geometrie In diesem Anhang stellen wir die wichtigsten Grundbegriffe aus der affinen Geometrie zusammen, soweit sie eben für uns von Nutzen sind. Für weiterführende Ergebnisse sei

Mehr

5 Schnitt, Verbindung und Erzeugung affiner Unterräume: Fortsetzung

5 Schnitt, Verbindung und Erzeugung affiner Unterräume: Fortsetzung Kapitel II Lineare Algebra und analytische Geometrie 5 Schnitt, Verbindung und Erzeugung affiner Unterräume: Fortsetzung Wann liegt ein Punkt auf einem affinen Unterraum? Wann haben zwei affine Unterräume

Mehr

Lösung zu Serie 20. Die Menge der Polynome vom Grad 4 ohne Nullstelle ist gegeben durch

Lösung zu Serie 20. Die Menge der Polynome vom Grad 4 ohne Nullstelle ist gegeben durch Lineare Algebra D-MATH, HS 2014 Prof. Richard Pin Lösung zu Serie 20 1. (a) Bestimme alle irreduziblen Polynome vom Grad 4 in F 2 [X]. (b) Bestimme die Fatorisierung von X 6 + 1 und X 10 + 1 und X 20 +

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07.03.2016-11.03.2016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Rechnen mit Matrizen 2 1.1 Matrixmultiplikation............................................

Mehr

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 3: Das Matching-Polytop Diskutieren Sie folgende Fragen in der

Mehr

5.7 Lineare Abhängigkeit, Basis und Dimension

5.7 Lineare Abhängigkeit, Basis und Dimension 8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n

Mehr

Klausur - Analysis 1

Klausur - Analysis 1 Prof. Dr. László Széelyhidi Analysis I, WS 22 Klausur - Analysis Lösungen Aufgabe. i Punt Definieren Sie, wann x n eine Cauchyfolge ist. Lösung : x n heisst Cauchyfolge wenn es zu jedem ε > ein N N gibt,

Mehr

1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:

1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen: Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere

Mehr

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau

4.3 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

Mehr

Ausgewählte Lösungen zu den Übungsblättern 9-10

Ausgewählte Lösungen zu den Übungsblättern 9-10 Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt

Mehr

Affine Geometrie (Einfachere, konstruktive Version)

Affine Geometrie (Einfachere, konstruktive Version) Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit

Mehr

Lösung 5: Gram-Schmidt Orthogonalisierung, adjungierte Abbildungen

Lösung 5: Gram-Schmidt Orthogonalisierung, adjungierte Abbildungen D-MATH Lineare Algebra II FS 7 Dr. Meike Akveld Lösung 5: Gram-Schmidt Orthogonalisierung, adjungierte Abbildungen. a) Wegen der Linearität im ersten Argument gilt sicherlich w S :, w =. Somit ist S und

Mehr

1 Der Simplex Algorithmus I

1 Der Simplex Algorithmus I 1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier

Mehr

Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)

Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) 1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 2: Vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. Oktober 2011) Vektoren in R n Definition 2.1

Mehr

3.3 Austauschsatz, Basisergänzungssatz und Dimension

3.3 Austauschsatz, Basisergänzungssatz und Dimension 66 Kapitel III: Vektorräume und Lineare Abbildungen 3.3 Austauschsatz, Basisergänzungssatz und Dimension Montag, 15. Dezember 2003 Es sei V ein Vektorraum. Jedes Teilsystem eines linear unabhängigen Systems

Mehr

Der n-dimensionale Raum

Der 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

Mehr

Konvexe Optimierungsprobleme

Konvexe Optimierungsprobleme von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel

Mehr

3 Vektorräume abstrakt

3 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

Mehr

Vorlesung Mathematik WS 10/11. Friedel Bolle. Vorbemerkung

Vorlesung Mathematik WS 10/11. Friedel Bolle. Vorbemerkung Prof Dr Friedel Bolle Vorlesung Mathemati WS 0/ Friedel Bolle Prof Dr Friedel Bolle Vorbemerung Weshalb Mathemati für Öonomen? Das werden Sie selbst im Studium erfahren! Viele Probleme werden in der Sprache

Mehr

Hilbertpolynom von I, i.z. a HP I.

Hilbertpolynom von I, i.z. a HP I. 9.4.4 Korollar/Def. Sei (1) I k[x 1,..., X n ] ein Ideal. Dann ist die affine Hilbertfunktion a HF I (s) für s 0 ein Polynom in s mit Koeffizienten in Q; es heißt das affine Hilbertpolynom von I, i.z.

Mehr

Geometrie kubischer Kurven

Geometrie kubischer Kurven Geometrie kubischer Kurven Werner Hoffmann Wir wollen die Theorie nur soweit entwickeln, wie es zum Verständnis der Gruppenoperation auf einer irreduziblen kubischen Kurve nötig ist. Satz 1 In der affinen

Mehr

5 Analytische Geometrie

5 Analytische Geometrie 5 Analytische Geometrie Die Grundidee der analytischen Geometrie ist es, geometrische Objekte in Räumen mittels linearer Algebra zu beschreiben 51 Affine Räume Definition 511 Ein affiner Raum (AR) über

Mehr

technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller

technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 4.3 und 4.4

Mehr

Die lineare Hülle. heißt der Vektor. Linearkombination der Vektoren v i mit Koeffizienten α i. Direkt aus (12.6) folgt

Die lineare Hülle. heißt der Vektor. Linearkombination der Vektoren v i mit Koeffizienten α i. Direkt aus (12.6) folgt Eine Menge v +U mit einem Untervektorraum U nennt man auch eine Nebenklasse des Untervektorraumes U. Sie entsteht, wenn man die Translation τ v auf die Menge U anwendet. Ausdrücke der Form αu + βv, auch

Mehr

Die Fundamentalgruppe des Kreises

Die Fundamentalgruppe des Kreises Abschnitt 9 Die Fundamentalgruppe des Kreises Überlagerungen und die Fundamentalgruppe von S 1 Überlagerungen (die Definition folgt weiter unten stehen in engem Zusammenhang mit der Fundamentalgruppe.

Mehr

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de

Mehr

Kapitel III: Vektorräume

Kapitel III: Vektorräume apitel III: Vektorräume 6 Vektorräume und Unterräume Definitionen und Beispiele In diesem Paragraphen kommen wir nun endlich zurück auf die in 1 erörterten Beispiele und behandeln diejenige Struktur, die

Mehr

Unterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie. Sommersemester Franz Pauer

Unterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie. Sommersemester Franz Pauer Unterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie Sommersemester 2009 Franz Pauer INSTITUT FÜR MATHEMATIK, UNIVERSITÄT INNSBRUCK, TECHNIKERSTRASSE 13, 6020

Mehr

( 1) k k 2. k=0. n n(n + 1) ( 1) k k 2 + ( 1) n+1 (n + 1) 2. k=0. + ( 1) n+1 (n + 1) 2 n(n + 1) + (n + 1) 2 )

( 1) k k 2. k=0. n n(n + 1) ( 1) k k 2 + ( 1) n+1 (n + 1) 2. k=0. + ( 1) n+1 (n + 1) 2 n(n + 1) + (n + 1) 2 ) Musterlösung zum 9. Blatt 8. Aufgabe: Sei n eine natürliche Zahl. Vermuten Sie eine Formel für ( ) k k und beweisen Sie diese durch vollständige Induktion. Lösung: Für jede natürliche Zahl n sei a n =

Mehr

Mathematik für Naturwissenschaftler II SS 2010

Mathematik für Naturwissenschaftler II SS 2010 Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können

Mehr

Klausurenkurs zum Staatsexamen (WS 2016/17): Lineare Algebra und analytische Geometrie 4

Klausurenkurs zum Staatsexamen (WS 2016/17): Lineare Algebra und analytische Geometrie 4 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 26/7): Lineare Algebra und analytische Geometrie 4 4. (Frühjahr 27, Thema, Aufgabe ) Zeigen Sie, dass die beiden folgenden Unterräume des R 3 übereinstimmen:

Mehr

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 6. Aufgabe 6.1. Dr. V. Gradinaru K. Imeri. Herbstsemester 2018.

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 6. Aufgabe 6.1. Dr. V. Gradinaru K. Imeri. Herbstsemester 2018. Dr. V. Gradinaru K. Imeri Herbstsemester 8 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6. Multiple Choice: Online abzugeben. 6.a) (i) Welche der folgenden

Mehr

2 Vektorräume und Gleichungssysteme

2 Vektorräume und Gleichungssysteme 2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum 2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum Definition 21 Seien K = (K, +, ) ein Körper, V eine Menge und

Mehr