6.2 Beispiel: endlich dimensionale Räume
|
|
- Annika Hofmann
- vor 7 Jahren
- Abrufe
Transkript
1 6.2 Beispiel: endlich dimensionale Räume Beispiel: endlich dimensionale Räume Wir stellen hier ein paar Aussagen über verschiedene Normen in endlich dimensionalen Räumen vor. Sie dienen vor allem einem besseren Verständnis des Zusammenhangs der fundamentalen Räume C und C mit AM- bzw. AL-Normen und von C abgeleitenen Räumen wie L p -Räumen und Hilberträumen. Analoge Aussagen gelten für Folgenräume und andere unendlichdimensionalen Räume Ungleichungen zwischen Mitteln Es seien = ( 1,..., n ) 0, α = (α 1,...,α n ) 0, α α n = 1 gegebene Vektoren im R n (zu verstehen als linearer Raum ohne festgelegte Norm). Weiter sei f : R + R + stetig, streng monoton wachsend mit f(0) = 0. Wir definieren drei Funktionen ( n )1 S t () = t t i, t > 0 ( n ) M f (,α) = f 1 α if( i ) M t (,α) = ( n α i t i )1 t, t > 0 Offensichtlich ist M t = M f für f() = t. M t und S t lassen sich auf t < 0 für strikt positive Vektoren verallgemeinern (es sei 1/ = (1/ 1,...,1/ n ): S t () = 1/S t (1/), M t (,α) = 1/M t (1/,α), t < 0 Die definierten Funktionen haben folgende Eigenschaften! : M f () =, d.h. f( ) = α i f( i ), α i ( f(i ) f( ) ) = 0. M f (λ) = λm f () = M f = M t. M f () M g () F = g f 1 ist konve, d.h. g ist konve bezüglich f. min M s () M t () ma s t Spezialfälle: M 1 = AM, M 2 = QM, M 1 = HM, M 0 = GM, M = min, M = ma min S s () S t () s t 0 S s () S t () ma 0 s t Des weiteren hat S t folgende Konveitätseigenschaften (hier sind die t i gegebene reelle Zahlen mit t 0 = m α it i ): tlogs t () ist konve in t = S t0 m Sα it i t i logs t () ist konve in t = S t0 m Sα i t i S t () ist konve für t > 0 = S t0 m α is ti
2 82 6 DER RAUM DER STATISTISCHEN ZUSTÄNDE P(Z) Ausgehend von diesen Funktionen lassen sich Normen im R n definieren: c = S ( ) c = S 1 ( ) lp = S p ( ), 1 < p < lp(α) = M p (,α), 1 p < Alle diese Normen machen aus R n einen normierten Raum. Da er endlichdimensional ist, sind alle Normen äquivalent und damit alle normierten Räume isomorph aber eben nicht isometrisch Einige Übungsaufgaben Außerdem seien p,q 1 reelle Zahlen mit 1/p+1/q = 1 (wir setzen 1/ = 0). In diesem Zusammenhang stehen folgende Aufgaben: ÜA 15 a) Beweise d/dt S t () 0, t > 0 und t < 0 ÜA 15 b) Berechne lim t +0 S t (), lim t 0 S t (), lim t S t (), lim t S t () (falls eistent). ÜA 15 c) Beweise M t (,α) ist stetig differenzierbar in t ( und α fiiert und gutartig) ÜA 15 d) Beweise d/dt M t (,α) 0 ÜA 15 e) Berechne lim t 0 M t (,α), lim t M t (,α), lim t M t (,α) ÜA 15 f) Beweise: l p = l q (im Sinne von Isometrie). ÜA 15 g) Beweise: l p(α) = l q (α), p > 1 (im Sinne von Isometrie). ÜA 15 h) Beweise: l 1(α) = c, (c) = c (im Sinne von Isometrie). ÜA 15 i) Wie ist l (α) zu verstehen, was könnte l (α) sein? ÜA 15 j) Zeichne die Einheitssphäre, d.h. die Menge { = 1} im R 2 für alle definierten Normen (in einer Zeichung!). Wie hängt die Zeichnung mit den Monotonieeigenschaften 15a) und 15d) zusammen? Lösungen der Übungsaufgaben M n (,α,p) p ma n n Beweis (für n = 2): Es sei y. Wir betrachten logm n (,α,p). Dann ist nach l Hopital lim logm log(α p +βy p ) n(,α,p) = lim p p p αlog+β = lim p αβ ( y ( y α p log+βy p logy = lim = p α p +βy ) p p logy ) p = αlog = log α Berechnung der Norm in R n: = sup n, = sup i =1 =1 i sup =1 n i i n i Andererseits eistiert ein scharfes, nämlich i = i sign i
3 6.2 Beispiel: endlich dimensionale Räume 83 Falls + = ma{ 1,..., n }, gilt für t > 0: α 1 t + M t (,α) + Monotonie (Berechnung von d dt logs(t)) t 2( ) t t Ṡ t () n S t () = ( t 1log( t 1)+...+ t nlog( t n) ) ( t t n) log ( t t n) = = t 1 log t t t t n log n t n t t n 0 weil das Argument unter dem log kleiner als 1 ist. (Hier und im nächsten Punkt wird tlog = log t benutzt.) Monotonie (Berechnung von d dt logm(t)) t 2( α 1 t α n t n ) Ṁ t (,α) M t (,α) = ( α 1 t 1 log(t 1 )+...+α n t n log(t n )) ( α 1 t α n t n) log ( α1 t α n t n) 0 Die Positivität folgt aus der Jensenschen Ungleichung für die konvee Funktion F() = log. Im folgenden Bild sind die Funktionen S t und M t für ma = 5 und min = 1 dargestellt S t 6 ma 4 M t min 2 S t t Zusammenhänge von Normen und Unterräumen IstineinemlinearenRaumYeineNorm gegeben,sokannessein,daßnichtalleelementedes Raumes bezüglich dieser Norm beschränkt sind. Die Norm definiert in Y einen Unterraum X. Für Y und X ist =. Sind in Y zwei Normen gegeben, etwa 1 und 2, so werden dadurch zwei Unterräume X 1 und X 2 definiert. Sind beide Normen äquivalent, d.h., gibt es positive Konstanten c 1 und c 2 mit 2 c 1 1 und 1 c 2 2, so sind X 1 = X 2. Gilt nur 1 2, so gilt im allgemeinen nur die Inklusion X 2 X 1 (es ist klar, daß ein Element, dessen Norm 2
4 84 6 DER RAUM DER STATISTISCHEN ZUSTÄNDE P(Z) beschränkt ist, in X 2 liegt und erst recht auch in X 1. Umgekhert kann sein, daß zwar 1 aber nicht 2 beschränkt ist Dieses Enthaltensein der Räume mit verschiedenen Normen spiegelt sich im Enthaltensein der Einheitskugeln wieder. Der Monotonie der Normen in den l t (α)- und l t -Räumen entspricht dann eine Schar ineinander enthaltender Einheitskugeln. In der nebenstehenden Zeichnung sind für einige Normen die Einheitssphären im R 2 gezeichnet. Es handelt sich um die Normen von(vonaußen nachinnen) l 1 (α), l 4/3 (α), l 2 (α), l 4 (α), l (α) = l, l 4, l 2, l 4/3, l 1 mit α = (1/3,2/3) Diskussion Die Monotonie von M t beschreibt die bekannten Mittelungleichungen, wogegen die Monotonie von S t merkwürdige Ungleichungen beschreibt: Im Fall n = 2 ist M 2 M 1 die bekannte Ungleichung zwischen quadratischem und arithmetischem Mittel: ( 2 +y 2 )/2 (+y)/2 wogegen S 2 S 1 bedeutet: 2 +y 2 +y. Die Ungleichung S S 1 suggeriert c c, was im allgemeinen natürlich Unsinn ist, ein Raum kann seinen dualen nicht enthalten. Sinnvoll sind c und c mit Normen. Was ist l p? Es gibt Ungleichungen, die hängen mit Räumen zusammen. X X könnte mit X X zu X X X X führen. DieHölderungleichung, istsinnvoll.eineungleichungderform g,µ g p 1/p µ q 1/q mit g Cund µ C ist dagegenunsinn, damaßenicht potenziert werden können. Mittel mit allgemeinen Funktionen f Orlisz-Räume Ausgehen von C können weitere Normen definiert werden, etwa die Norm in Marcinkiewicz- Räumen: g ω = = sup µ(b) ω ½ B g,µ B B(Z)
5 6.3 Ein paar fundamentale Ungleichungen Ein paar fundamentale Ungleichungen Die Youngsche Ungleichung Die Youngsche Ungleichung ist eine fundamentale Ungleichung, die zwei zueinander konve konjugierte Funktionen mit der dualen Paarung verbindet. Sind F : X R und F : X R zwei solche y zueinander konve konjugierter Funktionen, so gilt y = ϕ(), F()+F ( ) Die Gateua-Ableitungen (Subdifferentiale) beider Funktionen sind zueinander invers. Betrachtet man im R die beiden zueinander inversen Funktionen y = p 1 und = y q 1 mit 1 = 1/p+1/q, zu erhält man b F (b) a b 1 p ap + 1 q bq Siehe nebenstehendes Bild Die Hölderungleichung. Normen in L p -Räumen Abstrakt ist die Hölderungleichung, eine Ungleichung zwischen der dualen Paarung und den Normen in einem normierten linearen Raum und seinem dualen. Die bekannte p, q-hölderungleichung ist eigentlich eine Ungleichung für ein Pseudo-Skalarprodukt, das in C mithilfe einer Norm definiert werden kann. Im weiteren seien f,g C + (Z), µ P(Z) und p,q 1, 1/p+1/q = 1. Wir betrachten folgende Aufgaben: ÜA 16 a) Beweise die Hölderungleichung f g,µ f p,µ 1/p g q,µ 1/q ÜA 16 b) Beweise die Minkowskiungleichung (f +g) p,µ 1/p f p,µ 1/p + g p,µ 1/p 0 F(a) Diese Ungleichungen lassen sich einfach beweisen, ohne Benutzung der Darstellung der dualen Paarung als Lebesgueintegral nach dem Rieszschen Satz. Die Benutzung der Youngschen Ungleichung setzt nur voraus, daß die Ordnungsrelation in C die punktweise Ordnung ist. Lösungen: Die Hölderungleichung folgt aus der Youngschen Ungleichung für Potenzfunktionen: a b 1 p ap + 1 q bq a f g 1 f p f p g q p f p + 1 g q p q g q q 1 f g,µ 1 f p,µ f p g q p f p + 1 g q,µ p q g q q = 1 p + 1 q = 1 f g,µ f p g q
6 86 6 DER RAUM DER STATISTISCHEN ZUSTÄNDE P(Z) Minkowskiungleichung folgt aus Hölderungleichung: (f +g) p,µ = (f +g)(f +g) p 1,µ f(f +g) p 1,µ + g(f +g) p 1,µ f p,µ 1/p (f +g) (p 1)q,µ 1/q + g p,µ 1/p (f +g) (p 1)q,µ 1/q = = ( f p,µ 1/p + g p,µ 1/p) (f +g) p,µ 1/q (f +g) p,µ 1/p f p,µ 1/p + g p,µ 1/p Hier wurde benutzt: 1/p = 1 1/q und (p 1)q = p. Für die, denen der Beweis der Minkowski-Ungleichung mit Hilfe der Hölder-Ungleichung nicht gefällt (woher wissen wir, daß wir neben p auch das q betrachten müssen), folgt hier ein Beweis der Minkowski-Ungleichung mit Hilfe der Jensensche Ungleichung.
Optimale 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
MehrProseminar Mathematik. Ungleichungen I Betreuung: Natalia Grinberg. Karlsruher Institut für Technologie
Proseminar Mathematik Ungleichungen I 12.6.215 Betreuung: Natalia Grinberg Karlsruher Institut für Technologie Inhaltsverzeichnis 1 Young-Ungleichung 2 2 Hölder-Ungleichung 4 3 Minkowski-Ungleichung 5
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
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrFouriertransformation und Unschärfeprinzip
Information, Codierung, Komplexität 2 SS 2007 24. April 2007 Das berühmte von Heisenberg in der Quantentheorie beruht, rein mathematisch betrachtet, auf einer grundlegenden Eigenschaft der der Dichtefunktionen
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
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
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 )
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,
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.
MehrDie von Neumannsche Ungleichung
Die von Neumannsche Ungleichung Dominik Schillo 12. November 2012 Satz (Die von Neumannsche Ungleichung) Seien p C[z] ein Polynom in einer Variablen und T L(H) eine Kontraktion (d.h. T 1). Dann gilt: p(t
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
MehrKonvexität und Dualität (Proseminar WS 2014/15)
Konvexität und Dualität (Proseminar WS 2014/15) Hermann Dinges Frankfurt, 17. Juli 2014 Handreichung Die in der Ankündigung genannten Themengebiete müssen noch genauer umrissen werden, wenn klar ist, welche
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
MehrGewichte sind n-tupel von nichtnegativen reellen Zahlen, deren Summe 1 ist. α i 0,
37 2 Konvee Analsis 2.1 Grundlagen Die konvee Analsisauch Konveitätstheorie genannt) untersucht geometrische Eigenschaften von konveen Mengen, Funktionen und Funktionalen in linearen Räumen. Eine tpische
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
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
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
Mehrist 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)
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
MehrPräferenzen und Nutzenfunktionen. 10.März 2017
Präferenzen und Nutzenfunktionen 10.März 2017 Präferenzen und Nutzenfunktionen Darstellung der Präferenzen mittels Nutzenfunktion (utility function) Eine Nutzenfunktion u(x) ordnet jedem Element x aus
MehrLebesgue-Integral und L p -Räume
Lebesgue-Integral und L p -Räume Seminar Integraltransformationen, WS 2012/13 1 Treppenfunktionen Grundlage jedes Integralbegriffs ist das geometrisch definierte Integral von Treppenfunktionen. Für A R
MehrFachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen
Fachbereich Mathematik/Informatik 6. Juni 0 Prof. Dr. H. Brenner Mathematik für Anwender II Testklausur mit Lösungen Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Ein Skalarprodukt
Mehri=1 i=1,...,n x K f(x).
2. Normierte Räume und Banachräume Ein normierter Raum ist ein Vektorraum, auf dem wir Längen messen können. Genauer definieren wir: Definition 2.1. Sei X ein Vektorraum über C. Eine Abbildung : X [0,
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
MehrBeispiele. Grundlagen. Kompakte Operatoren. Regularisierungsoperatoren
Beispiele Grundlagen Kompakte Operatoren Regularisierungsoperatoren Transportgleichung Dierenzieren ( nx ) (f δ n ) (x) = f (x) + n cos, x [0, 1], δ Regularisierung!! Inverse Wärmeleitung Durc f (f δ n
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
MehrKonvexe 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
Mehr3 Grenzwert und Stetigkeit 1
3 Grenzwert und Stetigkeit 3. Grenzwerte bei Funktionen In diesem Abschnitt gilt: I ist immer ein beliebiges Intervall, 0 I oder einer der Endpunkte. 3.. Definition Sei I Intervall, 0 IR und 0 I oder Endpunkt
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
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
Mehrα + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus
4. Dualräume und schwache Topologien Den Begriff des Dualraums hatten wir bereits in Kapitel 2 definiert. Der Dualraum X eines Banachraums X ist X = B(X, C). X ist mit der Abbildungsnorm F = sup x =1 F
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
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
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
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
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
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
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
Mehr9. Übung zur Maß- und Integrationstheorie, Lösungsskizze Aufgaben
9. Übung zur aß- und Integrationstheorie, Lösungsskizze Aufgaben A 50 (Eine Flächenberechnung mit dem Cavalierischen Prinzip). Es seien a, b > 0 und : { (x, y) R 2 : (x/a) 2 + (y/b) 2 1 }. (a) Skizzieren
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
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
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
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
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
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
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
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
Mehr3. Mai Zusammenfassung. g x. x i (x).
3. Mai 2013 Zusammenfassung 1 Hauptsatz Satz 1.1 Sei F C 1 (D) für eine offene Teilmenge D von R q+1 = R q R. Für (x 0, u 0 ) D gelte F (x 0, u 0 ) = 0, (x 0, u 0 ) 0. Dann gibt es eine Umgebung V von
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
Mehr8 Ungleichungen. Themen: Klassische Ungleichungen Konvexe und monotone Funktionen
8 Ungleichungen Themen: Klassische Ungleichungen Konvexe und monotone Funktionen Die Youngsche Ungleichung Aus 0 (a±b) 2 erhalten wir die Youngsche Ungleichung für a, b Ê ab 1 2 a2 + 1 2 b2. Ersetzen wir
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
MehrLösungsvorschläge für das 5. Übungsblatt
Lösungsvorschläge für das 5. Übungsblatt Aufgabe 6 a) Sei = [0, ], f(x) := [e x ] für x. Hierbei ist [y] := maxk Z k y} für y. Behauptung: f ist messbar und es ist f(x) dx = 2 log 2. falls x [0, log 2),
Mehr12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
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
MehrGrundlagen der Fourier Analysis
KAPITEL A Grundlagen der Fourier Analysis Wir definieren wie üblich die L p -Räume { ( } 1/p L p (R) = f : R C f(x) dx) p =: f p < 1. Fourier Transformation in L 1 (R) Definition A.1. (Fourier Transformation,
Mehr23 Konvexe Funktionen und Ungleichungen
23 Konvexe Funktionen und Ungleichungen 231 Konvexe Funktionen 232 Kriterien für Konvexität 233 Streng konvexe Funktionen 235 Wendepunkte 237 Ungleichung von Jensen 2310 Höldersche Ungleichung 2311 Minkowskische
MehrMonotone Funktionen. Definition Es sei D R. Eine Funktion f : D R heißt. (ii) monoton fallend, wenn für alle x, x D gilt. x < x f (x) f (x ).
Monotone Funktionen Definition 4.36 Es sei D R. Eine Funktion f : D R heißt (i) monoton wachsend, wenn für alle x, x D gilt x < x f (x) f (x ). Wenn sogar die strikte Ungleichung f (x) < f (x ) folgt,
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
Mehr3 Konvexe Analysis. 3.1 Grundlagen
25 3 Konvee Analsis 3.1 Grundlagen Die konvee Analsis auch Konveitätstheorie genannt untersucht geometrische Eigenschaften von konveen Mengen, Funktionen und Funktionalen in linearen Räumen. Eine tpische
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrHöhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 7. Übungsblatt
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl WS 008/09 Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge
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
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
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.
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.
Mehr4.2 Grenzwerte und Stetigkeit reeller Funktionen
4. Grenzwerte und Stetigkeit reeller Funktionen 73 4. Grenzwerte und Stetigkeit reeller Funktionen Definition 4.. Gegeben sei eine Funktion y = mit D(f). (i) Sei D(f). heißt stetig in, falls es für alle
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
MehrDie Lösungen der Gleichung b x = log b (x)
Die Lösungen der Gleichung b = log b () wgnedin@math.uni-koeln.de 17. Januar 2014 In der ersten Vorlesung des Wintersemesters wurde folgende Frage gestellt: Wieviele Lösungen hat die Gleichung ( ) 1 =
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
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
MehrMathematik für Ökonomen Kompakter Einstieg für Bachelorstudierende Lösungen der Aufgaben aus Kapitel 5 Version 1.0 (11.
Mathematik für Ökonomen Kompakter Einstieg für Bachelorstudierende Lösungen der Aufgaben aus Kapitel 5 Version.0. September 05) E. Cramer, U. Kamps, M. Kateri, M. Burkschat 05 Cramer, Kamps, Kateri, Burkschat
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrLogarithmusfunktion zur Basis 2, Aufgaben. 7-E Vorkurs, Mathematik
Logarithmusfunktion zur Basis 2, Aufgaben 7-E Vorkurs, Mathematik Logarithmusfunktion zur Basis 2: Aufgaben 7-9 Aufgabe 7: Bestimmen Sie eine vertikale Asymptote für die folgenden Funktionen: f ( x) =
MehrKurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof. Dr. Ulrich Reif
14 Oktober 2008 1 Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof Dr Ulrich Reif Inhalt: 1 Vektorrechnung 2 Lineare Gleichungssysteme 3 Matrizenrechnung 4 Lineare Abbildungen 5 Eigenwerte
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
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
MehrVorkurs Mathematik. Christoph Hindermann. Funktionen, Ableitungen und Optimierung
Kapitel 3 Funktionen, Ableitungen und Optimierung Christoph Hindermann Vorkurs Mathematik 1 Vorkurs Mathematik 2 3.1 Funktionen Motivation Funktionen reeller Veränderlicher gehören zu den wichtigsten Untersuchungs-
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,
Mehr4.4 Umkehrfunktion 77. Sei o.b.d.a. f(a) > 0 und f(b) < 0, setzen M = {y [a, b] mit f(x) > 0 für alle x [a, y]}
. Umkehrfunktion 77 B e w e i s : Sei o.b.d.a. fa) > und fb) für alle [a, y] M a M), M beschränkt y b) Aiom V ξ [a, b] : ξ sup M fa) f) n.z.z. : i) fξ) ii) ξ a, b) zu i):
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Informatiker I Wintersemester 3/ Aufgabenblatt 6. Januar Präsenzaufgaben
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
Mehr3.2 Extensive und intensive Größen. Mathematik. Zusammenfassung des physikalischen Teils:
3. Extensive und intensive Größen. Mathematik 43 3. Extensive und intensive Größen. Mathematik Zusammenfassung des physikalischen Teils: Wir untersuchen, wie sich bestimmte Größen bei Kontakt B 1 B zweier
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
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
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
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
Mehr3.1 Sukzessive Minima und reduzierte Basen: Resultate
Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,
MehrFUNKTIONALANALYSIS. Carsten Schütt WS 2006/7
1. Eine Teilmenge K eines topologischen Raumes heißt folgenkompakt, wenn jede Folge in K eine Teilfolge enthält, die in K konvergiert. Die Menge K heißt abzählbar kompakt, wenn jede unendliche Teilmenge
Mehr