Analysis 2. Prof. Dr. Linus Kramer SS getext von Julia Wolters
|
|
- Julian Gärtner
- vor 6 Jahren
- Abrufe
Transkript
1 Analysis 2 Prof. Dr. Linus Kramer SS 2010 getext von Julia Wolters
2
3 Inhaltsverzeichnis 9. Metrische und normierte Räume 1 10.Stetigkeit Offene Mengen und Kurven Differentialgleichung in Vektorräumen Lokale Extrema reeller Funktionen Integration, Satz vom lokalen Inversen, Taylorentwicklung 47 Stichwortverzeichnis iii i
4 Inhaltsverzeichnis Impressum Erstellt von Prof. Dr. Linus Kramer Vorlesungsseite: Verfasst in TEXon Mac OS X von Julia Wolters Korrigierte Fassung bis Kapitel 10, Stand: 13. Juli 2010 Korrekturen bitte per mail an julia.wolters@uni-muenster.de ii getext: Julia Wolters
5 9. Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...) Definition Sei X eine Menge. Eine Metrik auf X ist eine Abbildung d : X X R, (x, y) d(x, y). Dabei soll gelten: (M1) Für alle u, v X ist d(u, v) = d(v, u) 0 (symmetrisch und positiv) (M2) Es gilt d(u, v) = 0, wenn u = v (M3) Für u, v, w X gilt d(u, w) d(u, v) + d(v, w) (Dreiecksungleichung) Man nennt (X, d) dann einen metrischen Raum Beispiel a) X = R, d(u, v) = u v. Dann gelten (M1), (M2) und (M3) ist die Dreiecksungleichung der Betragsfunktion (1.8). Also ist R mit d(u, v) = u v ein metrischer Raum. { 1, falls u v b) X eine beliebige Menge. Setzte d(u, v) = 0, falls u = v. (M1) und (M2) gelten. Ist u = w d(u, w) = 0 d(u, v) + d(v, w) ( ). Ist u w d(u, w) = 1. Für alle v X gilt entweder v u oder v w, also folgt d(u, v) + d(v, w) 1 = d(u, w). Folglich gilt (M3) und d ist eine Metrik auf X. Man nennt d die diskrete Metrik auf X. c) X = R 2. Für u = (u 1, u 2 ), v = (v 1, v 2 ). Setze d(u, v) = u 1 v 1 + u 2 v 2 l 1 -Metrik auf R 2 oder Manhattan-Taxi-Metrik. (M1) und (M2) gelten. d(u, w) = u 1 w 1 + u 2 w 2 = u 1 v 1 + v 1 w 1 + u 2 v 2 + v 2 w 2 u 1 v 1 + v 1 w 1 + u 2 v 2 + v 2 w 2 = d(u, v) + d(v, w) 1
6 KAPITEL 9. METRISCHE UND NORMIERTE RÄUME (u 1, u 2 ) (v 1, v 2 ) Abbildung 9.1.: Manhattan-Taxi-Matrik (M3) gilt. Also ist d eine Metrik auf R Beobachtung Ist (X, d) ein metrischer Raum und A X, dann ist A mit der Metrik d ebenfalls ein metrischer Raum, ein Unterraum Definition Sei (X, d) ein metrischer Raum, sei r > 0 und x X. Dann heißt B r (x) = {v X d(v, x) < r} der offene r-ball um x. In den drei Beispielen: a) B r (x) = (x r, x + r) offenes Intervall ( x ) X r r b) B r (x) = {x}, falls r 1 B r (x) = X, falls r > 1 c) B r (x) in der Taximetrik: r x r r r 2 getext: Julia Wolters
7 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer 9.5. Definition Sei J N eine unendliche Indexmenge, sei (X, d) ein metrischer Raum. Eine Folge in X mit Indexmenge J ist eine Abbildung J X, j x j (Folgenglied). Ist K J eine unendliche Teilmenge, dann heißt (x k ) k K Teilfolge der Folge (x j ) j J. Wir sagen, die Folge (x j ) j J konvergiert gegen x X, wenn gilt: Zu jedem ε > 0 gibt es n N, so dass d(x, x j ) ε j J, j n In Beispiel a X = R, d(u, v) = u v liefert das genau den Konvergenzbegriff aus Analysis I für reelle Folgen Lemma Sei (X, d) metrischer Raum, (x j ) j J eine Folge in X. Die Folge konvergiert gegen x X genau dann, wenn gilt: Für jedes r > 0 gibt es ein n N, so dass x j B r (x) für alle j > n. Ebenfalls äquivalent dazu: Für jedes r > 0 liegen fast alle Folgenglieder x j in B r (x) Lemma (Eindeutigkeit des Grenzwertes) Eine Folge (x j ) j J x X. in einem metrischen Raum (X, d) konvergiert höchstens gegen ein Der eindeutige Grenzwert einer konvergenten Folge (x j ) j J wird (wie in Analysis I) geschrieben: lim j J x j = x Beispiel a): X = R, d(u, v) = u v. Das ist genau der Konvergenzbegriff aus Analysis I für reelle Folgen. Beispiel b): X mit diskreter Metrik. Konvergente Folgen sind genau die Folgen in X, die ab einem gewissen Index konstant sind. getext: Julia Wolters 3
8 9.8. Definition KAPITEL 9. METRISCHE UND NORMIERTE RÄUME (X, d) metrischer Raum (a i ) i I Folge. Dies heißt Cauchy-Folge, falls ε > 0 N N i, j I mit i Nundj N : d(a i, a j ) ε 9.9. Satz (X, d) metrischer Raum. Dann ist jede konvergente Folge eine Cauchy-Folge Definition Ein metrischer Raum (X, d) heißt vollständig, falls jede Cauchy-Folge in X konvergiert. Beispiel: a) X = R, d(x, y) = x y ist vollständig, vgl. (3.2) a ) X = Q, d(x, y) = x y ist nicht vollständig, denn es gilt Folgen (a i ) rationaler Zahlen die (in R) gegen 2 konvergieren. b) Diskrete Räume sind vollständig. Falls (a i ) Cauchy-Folge in X, gilt für ε > 1 : N N, 2 so dass i, j I mit i N und j N: d(a, a j ) ε d(a 2 i, a j ) = 0, also a i = a j. c) R 2 mit Mannhattan Matrix ist vollständig. Achtung: (X, d) vollständig. Y X Unterraum nicht notwendig vollständig Definition (X, d) metrischer Räume. Eine Teilmenge A X heißt abgeschlossen in X, falls für jede Folge in A, die in X konvergiert, der Grenzwert in A liegt. Beispiel i), X sind immer abgeschlossen 4 getext: Julia Wolters
9 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer ii) u, v R, u < v, A = [u, v] ist abgeschlossen. Dann (a i ) in A i I gilt u a v. Insbesondere gilt für x := lim a, u x v (vgl. Ana I) x A. iii) A = (0, 1) = {x R 0 < x < 1} nicht abgeschlsosen, dann setzte a i = 1 2, I = N. Dann gilt lim a = 0 / A Satz (X, d) metrischer Raum i) Vereinigung endlich vieler abgeschlossener Mengen sind abgeschlossen. ii) Beliebige Durchschnitte abgeschlossener Mengen sind abgeschlossene. Bemerkung Satz 9.12 falsch für beliebige Vereinigungen. Beispiel Für n N sei A n := [ 1, 1 ] 1 n n, n 2. A2 = { } 1 2, A3 = [ 1, 2 3 3],.... A = A n = (0, 1) nicht abgeschlossen. n Satz Sei (X, d) vollständiger metrischer Raum A X ist abgeschlossen A ist als Teilmenge vollständig. 1 Achtung Beispiel: X = (0, 1) R, d(u, v) = u v A = ( 0, 2] 1 X. Die Teilmenge A ist abgeschlossen in X (aber nicht in R!). Aber: A ist nicht vollständig. a n = 1, n 1 ist Cauchy-Folge in A, hat aber keinen 2 Grenzwert in A. Das ist KEIN Widerspruch zu Satz 9.13! Denn X ist selber gar nicht vollständig. Vollständigkeit ist eine innere Eigenschaft von metrischen Räumen. 1 Umformulierung: Sei (X, d) vollständiger metrischer Raum. Eine Teilmenge A X ist genau dann vollständig, wenn sie abgeschlossen ist in X. getext: Julia Wolters 5
10 KAPITEL 9. METRISCHE UND NORMIERTE RÄUME Abgeschlossenheit ist eine Eigenschaft von Teilmengen eines metrischen Raumes, man muss dazu sagen: abgeschlossen in folgenden Raum Definition Sei V ein reeller Vektorraum (beliebiger, evt. unendlicher Dimension). Eine Norm auf V ist eine Abbildung : V R, v v. Dann soll folgendes gelten: (N1) v 0 für alle v V. v = 0 v = 0 (Nullvektor). (N2) Für alle v V, r R gilt v r = v r. Insbesondere gilt v = v. (N3) Für alle u, v V ist u + v u + v (Dreiecksungleichung) Das Paar (V, ) heißt normierter (Vektor)Raum. Beispiele a) V = R n, v = (v 1,..., v n ) R n, v 1 = n v k. Sogenannte l 1 -Norm auf R n. k=1 b) V = R n, v = = max { v 1,..., v n } ebenfalls Norm. Sogenannte l -Norm oder Supremumsnorm Satz Sei (V, ) ein normierter Vektorraum. Setze d(u, v) = u v. Das ist eine Metrik auf V. Jeder normierte Vektorraum ist also ein metrischer Raum und wir können nun über Konvergenz, Abgeschlossen, Cauchy-Folgen usw. in normierten Räumen sprechen Definition Ein normierter Vektorraum, der vollständig ist, heißt Banachraum 2. 6 getext: Julia Wolters
11 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Beispiel R n mit der l 1 -Norm oder l -Norm ist ein Banachraum. Beweis: Sei (v j ) j J eine Folge von Vektoren, die Cauchy-Folge ist. v k = (v 1,j, v 2,j,..., v n,j ). Es gilt (für beide Normen) v k,l v k,m v l v m v l v m 1 Folglich ist die reelle Folge (v k,j ) j J eine Cauchy-Folge in R. Sei u k R ihr Grenzwert, sei u = (u 1,..., u n ). Beh: Die Folge der (v j ) j J konvergiert gegen u. Es sei ε > 0 gegeben. Wähle n 0 N so, dass v k,j u k ε für alle k = 1,..., n und alle n j n 0. Es folgt v j u 1 ε + ε ε = ε für j n n n n 0, v j u v j u 1 ε für j n 0. Damit sind (R n, 1 ) und (R n, ) Banachräume. 3 Beispiele [a, b] R B([a, b], R) = {f : [a, b] R f beschränkt}. Setze f = sup { f(x) x [a, b]} Supremumsnorm, vlg Analysis I. Das ist eine Norm und (B([a, b], R), ) ist vollständig, vlg. Analysis I. R([a, b], R) = {f : [a, b] R f Regelfunktion}. Nach Satz 5.11 ist (R([a, b], R), ) vollständig. C([a, b], R) = {f : [a, b] R f stetig} ist ebenfalls vollständig, vlg Kapitel 4 Übungsaufgabe Fazit: (B([a, b], R), ), (R([a, b], R), ) und (C([a, b], R), ) sind Banachräume Definition Sei V ein reeller Vektorraum. Eine Abbildung h : V V R, (u, v) h(u, v) heißt bilinear, falls für alle u, v, w V, r R gilt: h(u + v, w) = h(u, w) + h(v, w), h(u, v + w) = h(u, v) + h(u, w) h(u r, v) = h(u, v r) = h(u, v) r h ist Bilinearform. Falls h(u, v) = h(v, u) für alle u, v, so heißt h symmetrische Bilinearform. Falls weiter gilt: h(u, u) 0 für alle u V und h(u, u) = 0 u = 0, dann heißt h inneres Produkt oder Skalarprodukt. 3 Später: R n ist bzgl. jeder Norm vollständig. getext: Julia Wolters 7
12 KAPITEL 9. METRISCHE UND NORMIERTE RÄUME Beispiel V = R n, A = (a i,j ) n i,j 1, n n-matrix, Bilinearform ist genau dann symmetrisch, wenn die Matrix A symmetrisch ist, a ij = a ji für alle i, j, d.h. wenn A T = A. Beispiel 1 0 Die Einheitsmatrix E =... = A 0 1 n u i a ij v j = n u i v i Standardskalarprodukt auf R n i,j=1 i=1 h(u, u) = n u 2 i 0, i=1 n u 2 i = 0 genau dann, wenn alle u i = 0. Skalarprodukt. i= Definition und Satz Sei V ein reeller Vektorraum, sei h ein inneres Produkt / Skalarprodukt. Setze u = h(u, u). Behauptung Das ist eine Norm auf V. Das Paar (V, h) heißt Prä-Hilbert-Raum 4 Warum ist das eine Norm? u 0 und u = 0 genau dann, wenn u = 0. ( ) u r = h(u r, u r) = h(u, u)r 2 = h(u, u) r = u r. ( ) Fehlt noch die Dreieckungleichung. Dazu benötige wir die Cauchy-Schwarz-Ungleichung Satz (Cauchy-Schwarz-Ungleichung) Sei h ein inneres Produkt auf V. Dann gilt für alle u, v V h(u, v) h(u, u) h(v, v) 8 getext: Julia Wolters
13 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Beweis, dass u = h(u, u) die Dreiecksungleichung erfüllt u + v 2 = h(u + v, u + v) = u 2 + v 2 + 2h(u, v) Beispiel Cauchy Schwarz Ungleichung u 2 + v u v = ( u + v ) 2 R n, h(u, v) = n u i v i (Standard-Skalarprodukt) i=1 u + v u + v Die zugehörige Norm ist eine l 2 -Norm, die euklidsche Norm u 2 = n Man nennt (R n, 2 ) einen (den) euklidschen Vektorraum. Die Cauchy-Schwarz-Ungleichung für den R n besagt ( n ) 2 ( n u i v i i=1 Klassische Formulierung: Es gilt im R n i=1 i=1 u 2 i u 2 i ) ( n i=1 v 2 i ) u 1 u 2 u 1 n u 1 Folgerung: Alle drei Normen liefern den selben Begriff von Konvergenz, Abgeschlossenheit, Cauchy-Folgen, etc. Insbesondere ist der R n bzgl. aller drei Normen vollständig Definition Ein Vektorraum mit innerem Produkt, der vollständig ist in der zugehörigen Norm heißt Hilbert-Raum. Beispiel R n ist Hilbert-Raum mit dem Standard-Skalarprodukt. Hilbert-Räume sind also spezielle Banach-Räume. getext: Julia Wolters 9
14 KAPITEL 9. METRISCHE UND NORMIERTE RÄUME Beispiel (R n, 1 ) Banach-Raum, aber kein Hilbert-Raum (es gibt keine Bilinearform zur 1 - Norm) Beispiel (Der Hilbert-Raum l 2 (R)) l 2 (R) ist die Menge aller reellen Folgen (a n ) n N, a n R mit der Eigenschaft Satz n a 2 n < i=0 l 2 (R) ist ein Hilbert-Raum mit innerem Produkt h(a, b) = a i b i mit a i = (a i ) i N, b = (b i ) i N. Beispiel l 2 (R), Folgen (a n ) R, h(a, b) = a n b n. Wir hatten gezeigt, l 2 (R) ist ein Vektorraum. n=0 Bleibt zu zeige l 2 (R) ist vollständig. Angenommen (a j ) j J ist eine Cauchy-Folge in l 2 (R). Jedoch ist eine reelle Folge (a k,j ) k N. Für jedes k N gilt (a k,l a 2 k,m a l a m 2 2) Folglich ist für jedes k N die Folge (a k,j ) j J eine Cauchy-Folge. Sei also b k = lim j J a k,j. Sei ε > 0 geben, sei n 0 N, so dass i=1 Grenzumgebung n k=0 a l a n 2 2 ε2 l, m n 0 a k,l a n,m 2 < ε l, m n 0 n b k a n,m 2 ε l, m n 0 k=0 dabei ist n beliebig. Nun lassen wir n laufen. Es folgt b k a k,m 2 ε m n 0 k=0 Insbesondere ist also b = (b k ) k N l 2 (R) und die Folge (a j ) j J konvergent gegen b. 10 getext: Julia Wolters
15 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Bemerkung Nicht jede Norm kommt von einem inneren Produkt. Das kann man so sehen: u 2 = h(u, u), so folgt: h(u + v, u + v) = h(u, u) + h(v, v) +2h(u, v) }{{}}{{}}{{} u+v 2 u 2 v 2 = h(u, v) = 1 2 ( u + v 2 u 2 v 2 ) d.h. aus der Norm kann man h gewinnen. Aber wenn man rechts zum Beispiel die l 1 -Norm auf R 2 einsetzt, so ist die linke Seite keine Bilinearform. getext: Julia Wolters 11
16
17 10. Stetigkeit Wir übertragen den Stetigkeitsbegriff für reelle Funktionen auf metrische Räume Definition (Stetigkeit) Seien (X, d x ), (Y, d y ) metrische Räume, f : X Y eine Abbildung. Wir sagen f ist stetig im Punkt x X genau dann, falls für jede Folge (x j ) j J in X mit Grenzwert lim j J x j = 0 gilt lim j J f(x j ) = f(x) = f(lim j J x j ) f vertauscht mit Grenzwertbildung Wenn f in jedem Punkt x X stetig ist, dann heißt f stetig. Wir setzen C(X, Y ) = {f : X Y f ist stetig} Beispiele 1. X R, Y = R mit Standartmetrik auf R. f : X Y ist stetige Funktion Stetigkeit im Sinne von Analysis I. 2. Sei (V, ) ein normierter Vektorraum. : V R ist stetig. lim j Ju j = u u = u u j + u j u u j + u j u j = u j u + u u j u + u u j = u j u + u u j u u u u j u u j }{{} 0 nach V orraussetzung 3. Sei (X, d) ein metrischer Raum, p X, f(x) = d(p, x), f : X R ist stetig. 13
18 KAPITEL 10. STETIGKEIT Definition (Lipschitz-Stetigkeit) Seien (X, d x ), (Y, d y ) metrische Räume. Eine Abbildung f : X Y heißt Lipschitz- Stetig wenn gilt: L 0 : u, v X : d x (f(u), f(u)) L d x (u, v) Satz Seien X, Y, Z metrische Räume. Sei f : X Y und g : Y Z stetig. Dann ist g f stetig Beobachtung Ist X metrischer Raum, so bildet C(X, R) = {f : X R f stetig} einen reellen Vektorraum und einen Ring (eine reelle Algebra, vgl Beobachtung 4.3) f + g : x f(x) + g(x) f, g C(X, R), v R f r : x f(x) r sind stetig (10.1) f g : x f(x) g(x) Satz (ε δ-kriterium der Stetigkeit) Seien X, Y metrische Räume und f : X Y eine Abbildung. Dann ist f stetig im Punkt x X, wenn gilt forallε > 0 δ > 0, so dassd X (x, u) δ d Y (f(x), f(u)) ε Beispiele X = Y = R, f(x) = x 2 ist stetig, aber nicht L-Stetig für ein L 0 (x + 1) 2 x 2 = 2x + 1 L(x + 1 x) = L 1. X = R n mit l 1 -, l 2 - oder l -Norm. Sei (t 1,..., t n ) R n, sei f(v) = n f k v k, (f : k=1 14 getext: Julia Wolters
19 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer X R Linearform ) a) In der l 2 -Norm: f(u) f(v) = = n (u k v k )t k k=1 n (u k v k ).t k k=1 n (u k v k ) t k k=1 f(u) f(v) u v 2 t 2 (CSU) b) In der l 1 -Norm: f(u) f(v) u v 1 t c) In der l -Norm In allen Normen ist f Lipschitzstetig. 2. X = C([a, b], ), ϕ : X R ϕ(f) = ϕ(f) ϕ(g) = n a f(u) f(v) u v t 1 (f(x) g(x))dx b a b a f(x)dx = also ist ϕ eine (b a)-l-stetige Abbildung. 3. X = Y = C([a, b], R) mit der -Norm. ψ(f) := x x a f(t)dt ψ(f)(x) ψ(g)(x) = x a f(x) g(x) dx b f(t) g(t)dt (x a) f g ψ(f) ψ(g) (b a) f g_ Also sind auch diese Abbildungen (b a)-l-stetig. Beachte: f und ψ sind lineare Abbildungen! a f g dx = f g (b a) getext: Julia Wolters 15
20 KAPITEL 10. STETIGKEIT Satz Es seien (V, V ) und (W, W ) normierte Vektorräume. Sei f : V W linear. Dann sind äquivalent: i) f ist stetig. ii) f ist L-Lipschitzstetig für ein L 0 iii) Es gibt L 0, so dass für alle v V gilt f(v) W L v V Satz und Definition Sei f : V W stetige lineare Abbildung zwischen zwei normierten Vektorräumen. Definiere f := sup{ f(v) W v V, v 1} (Nach Satz (10.8) wohldefiniert, denn falls v 1 f(v) L v L) heißt Operatornorm. Dann gilt v V : f(v) W f v V. L(V, W ) = {f : V W f : V W linear und stetig} Operatornorm f = sup { f(w) W v V, v V 1} Beispiel V = R n, W = R, f(v) = n t i v i i=1 L(R n, R) = R n. Wie sieht die Operatornorm { aus? } n (R n, 1 ), f = sup t i v i v v n n i=1 n t i v i t v i 1 f t. i=1 = t, dann Andere Abschätzung: Sei t 1 = t, v = (0,..., 0, 1, 0,..., 0) f(v) = t 1 = t und V 1 = 1 f f, also f = t. (R n, ) Operatornorm von f ist f = t 1. (R n, 1 ) Operatornorm von f ist f = t 2. n t i v i i= Satz Seien (V, V ) und (W, W ) normierte Räume. Wenn W vollständig ist, dann ist L(V, W ) vollständig bzgl. der Operatornorm. 16 getext: Julia Wolters
21 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Korollar (Spezialfall W = R) Der Raum L(V, R) der stetigen Linearformen auf V (stetiger Dualraum von V ) ist immer vollständig, wenn V ein normierter Vektorraum ist Beispiel Eine unvollständige lineare Abbildung, V = {f : [0, 1] R f ist Polynomfunktion} mit -Norm. Betrachte D : V D, f f. Diese Abbildung ist linear und unstetig. Betrachte f n (x) = x n f = 1. D(f) = f = n x n 1 n f n 1. D(f n ) = n. Also kann es kein L 0 geben mit D(f n ) L f n = L D ist unstetig bzgl. -Norm Drei Lammata Lemma A Sei (V, V ) normierter Vektorraum, sei f : R n C linear. Dann ist f stetig bzgl. der 1 -Norm auf R n. Lemma B Sei eine beliebige Norm auf R n. Dann gibt es r > 0, so dass gilt: für alle v R n mit v 1 = 1 gilt v r. Lemma C Sei eine beliebige Norm auf R n. Dann ist (R n, ) id (R n, 1 ) stetig Theorem ( Hauptsatz über endlichdimensionale normierte Räume ) Seien (V, V ) und (W, W ) zwei normierte Vektorräume. Sei f : V W linear. Falls V endliche Dimension hat, dann ist f automatisch stetig. Insbesondere sind alle linearen Abbildungen zwischen endlich dimensionalen normierten Vektorräumen stetig. getext: Julia Wolters 17
22 Definition und Satz KAPITEL 10. STETIGKEIT Sei V ein Vektorraum mit zwei Normen a und b. Die Normen heißen äquivalent, wenn es Konstruktoren r, s > 0 gibt, so dass für alle v V gilt v a v b r und v b v a s Beispiel Wir haben im BSP (9.20) in R n gezeigt, u 1 u 2 u 1 n u 1 Diese drei Normen auf R n sind paarweise äquivalent. Satz Sei V ein endlichdimensionaler Vektorraum. Dann sind alle Normen auf V äquivalent. Folgerung Alle Normen auf R n liefern den gleichen Konvergenzbegriff, die gleichen Cauchy-Folgen etc. Insbesondere ist jeder endlicher dimensionaler Vektorraum vollständig, d.h. ein Banachraum ist Definition Sei (X, d) ein metrischer Raum. Wenn jede Folge in X eine konvergente Teilfolge hat, so heißt X konvergent (oder: X hat die Bolzano-Weierstraß-Eigenschaft). Beispiel Sei X = [a, b] R, d(u, v) = u v. Nach 2.21 ist also [a, b] kompakt. X = [0, 1] Q, d(u, v) = u v. Ist nicht kompakt. Z.B. giibt es eine Folge in X, die gegen 1 konvergiert und 1 / X 2 2 X = R, d(u, v) = u v ist nicht kompakt. Z.B. (x n ) n N, x n = n. Jede Teilfolge (x j ) j J ist unbeschränkt, denn jede unendliche Teilmenge J N ist unbeschränkt. Also kann keine Teilfolge dieser Folgen konvergieren. 18 getext: Julia Wolters
23 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Satz Sei (X, d) metrischer Raum, sei A X Teilmenge. Wenn (A, d) kompakt ist, dann ist A abgeschlossen in X und vollständig. Insbesondere ist jeder kompakt metrische Raum vollständig Satz Seien X, Y metrische Räume, sei f : X Y stetig. Wenn A X eine kompakte Teilmengt ist, dann ist f(a) komapakt Stetige Bilder kompakter Mengen sind kompakt Satz (Bolzano-Weierstraß in mehreren Variablen) Sei V ein endlich dimensionaler normierter Vektorraum. Dann ist A V kompakt, genau dann wenn A abgeschlossen in V ist und beschränkt (A ist beschränkt, falls es R > 0 gibt, mit B R (0) A) Korollar Sei (X, d) metrischer Raum, A X sei kompakt, f : X R sei stetig. Dann nimmt f auf A ein Minimum und ein Maximum an, dh. es gibt a, b A, so dass für alle c A gilt f(a) f(c) f(b). Beispiele für kompakte Mengen in R n Die (n 1)-Späre $ n 1 = {x R n x 2 = 1} $ 0 = {±1} R $ 1 = {(x, y) x 2 + y 2 = 1} $ 2 = {(x, y, z) x 2 + y 2 + z 2 = 1} Die Sphären $ n sind alle kompakt, weil abgeschlossen und beschränkt im R m+1. 1 Umformulierung: Sei V eindlich dimensionaler Vektorraum. Dann ist A V genau dann kompakt, wenn A abgeschlossen und beschränkt. getext: Julia Wolters 19
24 KAPITEL 10. STETIGKEIT D n = {x R n x 2 1} n-dimensionale Vollkugel (n-ball oder n-scheibe) allgemeiner: v R n, r > 0. Vollkugel vom Radius r mit Mittelpunkt v. B r (v) = {w R n v w 2 r} Sind das ebenfalls kompakte Mengen? Der n-würfel I n = {x R n 0 x i 1, i = 1,..., n} ist ebenfalls kompakt. Nicht kompakt in R n : z.b. ist jeder Untervektorraum V R n mit v {0} nicht kompakt. Denn: wähle v V, v 0, die Menge {v, 2v, 3v,...} ist unbeschränkt. Fazit: lineare Abbildungen zwischen endlich dimensionalen normierten Vektorräumen sind immer stetig. stetige lineare Abbildungen sind sogar Lipschitz-stetig. Auf R n sind alle Normen äquivalent, alle liefern den gleichen Konvergenzbegriff. abschlossen und beschränkte Mengen im R n haben die Bolzano-Weierstraß-Eigenschaft. Im unendlich Dimensionalen gilt dies nicht Definition und Satz Sei X eine Menge, f : X X. Ein Punkt x X heißt Fixpunkt von f, wenn gilt f(x) = x. Viele Gleichungen lassen sich als Fixpunktgleichungen umschreiben. Man interessiert sich dann für die Existenz, Eindeutigkeit und die Berechnung von Fixpunkten. Beispiel (Brouwers-Fixpunktsatz) Ist f : D m D m stetig, dann hat f mindestens einen Fixpunkt. Spezialfall m = 1: f : [ 1, 1] [ 1, 1]. Zwischenwertsatz liefert einen Punkt x [ 1, 1] mit f(x)x. Beispiel X = R f(x) = x 2, zwei Fixpunkte: 0,1 g(x) = x + 1 hat keinen Fixpunkt 20 getext: Julia Wolters
25 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Satz (Banachs Fixpunktsatz) Sei (X, d) vollständiger metrischer Raum, sei f : X X Lipschitz-Stetig mit L < 1 (dh. für alle u, v X gilt d(f(u), f(v)) L d(u, v)). Dann hat f genau einen Fixpunkt. Bemerkung Der Beweis liefert einen Algorithmus, den Fixpunkt näherungsweise zu berechnen, mit Kontrolle über den Fehler. Wähle x 0 X, iteriere f(x n ) = x n+1. Diese Folge konvergiert gegen den Fixpunkt x und es gilt d(x n, x) L n R 1. Dabei ist L die Lipschitz-Konstante 1 L und R = d(x 0, f(x 0 )). (Gegen-)Beispiele: X = R f(x) = x 2 ist nicht Lipschitz-stetig. g(x) = x + 1 ist 1-Lipschitz-stetig g(u) g(v) = (u + 1) (v + 1) = u v, aber nicht L-Lipschitz-stetig für ein L < 1 getext: Julia Wolters 21
26
27 11. Offene Mengen und Kurven Ein offenes Intervall (a, b) R hat folgende Eigenschaft: für jedes x (a, b) gibt es ein ε > 0, so dass (x ε, x + ε) (a, b) Definition Sei (X, d) ein metrischer Raum. Eine Menge U X heißt offen in X, wenn folgendes gilt: Bemerkung x U ε > 0 : B ε (x) = {y X d(x, y) < ε} U Die leere Menge ist offen (in X)! X ist offen in X. Es gibt die Menge, die in X sowohl offen, als auch abgeschlossen sind (so genannte abgeschloffene Mengen ) Es gibt Mengen in X, die weder offen noch abgeschlossen sind! z.b. Q R ist nicht offen oder abgeschlossen Satz über offene und abgeschlossene Mengen Sei X metrischer Raum, sei U X Teilmenge. Dann sind äquivalent (i) U X ist offen in X (ii) X \ U = {x X x / U} ist abgeschlossen in X Beispiel Q R ist weder abgeschlossen noch offen. (X, d) metrischer Raum. Dann sind die Teilmengen, X offen in X. B r (x) = {y X d(x, y) < r} ist stets offen in X. X = [0, 1] [2, 3]. X ist abgeschlossen in R. A = [0, 1] X und U = x \ A = [2, 3] sind abgeschlossen in R und in X. Folgerung: In X sind A und U abgeschloffen. Vorsicht: [2, 3] ist offen in X = [0, 1] [2, 3], aber nicht in R. 23
28 11.4. Satz KAPITEL 11. OFFENE MENGEN UND KURVEN Sei (X, d) metrischer Raum. Dann sind beliebige Vereinigungen und endliche Durchschnitte von offenen Mengen in X wieder offen in X Satz Seien (X, d X ) und (Y, d Y ) metrische Räume und sei f : X Y eine Abbildung. Dann sind äquivalent: i) f ist stetig. ii) Für jede abgeschlossene Menge A Y ist f 1 (A) X abgeschlossen. iii) Für jede offene Menge U Y ist f 1 (U) X offen Definition und Satz Sei (X, d) ein metrischer Raum, sei Z X beliebige Teilmenge. Der Abschluss von Z in X ist Z = {A X A abgeschlossen in X und A Z} Diese Menge Z enthält Z, Z Z und ist nach (9.12) abgeschlossen in X. Ist A X abgeschlossene Menge und gilt Z A, so folgt Z A, dh. Z ist die kleinste abgeschlossene Menge in X, die Z enthält. Beispiele =, X = X, allgemein: wenn A X abgeschlossen ist, dann gilt A = A. X = R, Z = Q Z = Q = R (weil jede reelle Zahl Grenzwert einer Folge in Q ist). X = R, Z = (0, 1) ÜA Z = [0, 1]. Satz Der Abschluss von Z in X besteht genau aus allen Grenzwerten von Folgen in Z, die (in X) konvergieren. 24 getext: Julia Wolters
29 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Satz Seien (X, d X ) und (Y, d Y ) metrische Räume, f : X Y eine Abbildung. Dann sind äquivalent: (i) f ist stetig. (ii) Für jede Teilmenge S X gilt f(s) f(s) Definition Eine Teilmente I R heißt offenes Intervall, wenn sie von der Form I = (a, b) = {x R a < x < b} I = (a, ) = {x R a < x} I = (, a) = {x R x < a} I = (, ) = R ist. In den letzten beiden Fällen spricht man manchmal von unendlihen Intervallen. Wenn I von der Form I = [a, b] = {x R a x b} I = [a, ) = {x R a x} I = (, a] = {x R x a} I = (, ) = R ist, heißt I abgeschlossenes Intervall Offene / abgeschlossene Intervalle sind offen / abgeschlossen in R im Sinn der Definition aus Kapitel 9 und 11. Sei X ein metrischer Raum. Eine (stetige) Kurve in X ist eine stetige Abbildung c : I X, wobei I R ein offenes oder abgeschlossenes Intervall ist. Beispiel a) I = R, c : I R stetige reelle Funktion. b) X = V normierter Vektorraum, z.b. X = R 2 mit 2 -Norm. Seien u, v V. c(t) = v t + u(1 t), t I = R, c(0) = u, c(1) = v. c(t) liegt auf der affinen Geraden durch u und v. getext: Julia Wolters 25
30 KAPITEL 11. OFFENE MENGEN UND KURVEN u c(t) v Abbildung 11.1.: Beispiel c) f : I R stetige Abbildung, c(t) = (t, f(t)) R 2 = X. Anschauliche Vorstellung: ein Punkt wandert - abhängig von der Zeit t - duch den Raum X zum Zeitpunkt t befindet der Punkt sich bei c(t) X. Was ist die normierte Geschwindigkeit von c? Idee: t 0 I fester Zeitpunkt. Vergeleicht c(t 0 +h) mit c(t 0 ) für h klein. Wir interessieren uns für 1 h (c(t 0 + h) c(t 0 )) betrachte Übergang h 0. Damit diese Formel sinnvoll wird, nehmen wir an, dass X ein normierter Vektorraum ist Definition Sei V ein normierter Vektorraum, sei I R offenes Intervall, sei c : I V eine Kurve. Sei t 0 I. Wir sagen c ist differenzierbar in t = t 0 wenn gilt: es gibt eine stetige Funktion p : ( ε, ε) V mit p(h) = 1 h (c(t 0 + h) c(t 0 )) h 0 Dabei ist ε > 0 so gewällt, dass (t 0 ε, t 0 + ε) I. Die Ableitung oder Geschwindigkeitsvektor in t 0 ist dann p(0) = lim h (c(t 0 + h) c(t 0 )). Diese Schreibweise bedeutet: für jede Nullfolge 1 (h j ) j J, h j 0, gilt lim j J h j (c(t 0 + h j ) c(t 0 )) = p(0). Man sieht dann c(t 0 ) = p(0) = 1 lim (c(t h 0 h 0 + h) c(t 0 )). Das ist wieder ein Vektor, c(t 0 ) V, der Geschwindigkeitsvektor oder Tangentialvektor der Kurve c zum Zeitpunkt t 0. Wenn c in jedem t 0 I differentierbar ist, heißt c differenzierbare Kurve. Wenn die Kurve c : t c(t) stetig ist, heißt c stetig differenzierbare Kurve oder C 1 -Kurve. h getext: Julia Wolters
31 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Beispiel Wie vorher u, v V, c(t) = v t + u (1 t). c(t 0 + h) c(t 0 ) = v ( t 0 + h t 0 ) + u( 1 t 0 h 1 + t 0 ) = (v u) h p(h) = v u = const ist stetig in h = 0. Diese Kurve ist C 1 -Kurve, c(t 0 ) = v u für alle t 0 I. Die Geschwindkeit ist konstant Satz Ist V = R n (mit beliebiger Norm), c : I R n Kurve, c(t) = (c 1 (t, c 2 (t),..., c n (t)), dann ist c differenzierbar 1 in t 0 genau dann, wenn die n reellen Funktionen c 1,..., c n es sind. Für die Geschwindkeit gilt dann Beispiel c(t 0 ) = (c 1(t 0 ),..., c n(t 0 )) V = R 3, I = R, c(t) = (cos(t), sin(t), t). Geschwindigkeit Geschwindigkeit : ZweiteAbleitung : c(t) = ( sin(t), cos(t), 1) c = ( cos(t), sin(t), 0) Die zweite Ableitung einer (zweimal differenzierbaren) Kurve ist die Beschleunigung (momentane Änderung der Geschwindigkeit) Rechenregeln für Kurven und ihre Ableitungen (i) Sind c, d : I V differenzierbare Kurven, so ist c+d : t c(t)+d(t) differenzierbar mit c + d = c + d. (ii) Sind c : I V differenzierbare Kurve, f : I R differenzierbare Funktion, so ist c f : t c(t) f(t) differenzierbar und c f = cf + cf (iii) Sind I 1, I 2 offene Intervalle, f : I 1 I 2 differenzierbare Funktion, c : I V differenzierbare Kurve, so ist c f : t c(f(t)) differenzierbar und c f = ( c f)+f. Beachte den Unterschied zwischen (ii) und (iii). (iv) Ist c : I V differenzierbare Kurve, f : V W linear und stetig, so ist f c : t f(c(t)) differenzierbar mit c f = f c. 1 oft auch nur diff bar 2 Die Größe von c ist ein Maß der Krümmung der Kurve. Genauer der Anteil von c senkrecht zu c ist die Krümmung. getext: Julia Wolters 27
32 Definition KAPITEL 11. OFFENE MENGEN UND KURVEN Ist c : [a, b] C stetige Kurve und sei c auf (a, b) differenzierbar. Wir sagen, c ist auf [a, b] differenzierbar, wenn es ε > 0 gibt und wenn sich c auf das offene Intervall (a ε, b + ε) differenzierbar fortsetzen lässt Definition Sei c : [a, b] V stetig differenzierbar. Die Länge der Kurve c ist L(c) = b a c(t) dt Physikalische Interpretation Wir integrieren die Geschwindigkeit über dem Zeitraum der Bewegung auf und erhalten so die zurückgelegte Strecke. Beispiel u, v V fest gewählt, c(t) = v(1 t) + u(t), c(t) = u v 1 0 c(t) dt = Das ist genau der Abstand von u und v. 1 0 u v dt = u v Satz (Umprarametrisierung von Kurven) Sei c : [a, b] V stetig differenzierbare Kurve. Sei f : [a, b] [a, b] bijektiv, monoton steigend und stetig differenzierbar. Erinnerung an die Analysis 1 L(c) = L(c f) f : (a, b) R differenzierbar in t (a, b). Bedeutet: es gibt eine stetige Funktion p : ( ε, ε) R mit p(h) = (f(t + h) f(t)) 1 h (11.1) 28 getext: Julia Wolters
33 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Für h = 0 und p(0) liefert genau die Ableitung f (t) = p(0) = lim h 0 (f(t + h) f(t)) 1 h. Wir schreiben (11.1) um: p(h) h = f(t + h) f(t) (p(h) p(0)) h + f (t)h = f(t + h) f(t) λ(h) h + f (t)h = f(t + h) f(t) { p(h) p(0) falls h 0 λ(0) = 0 und λ(h) = (p(h) p(0)) falls h < 0 λ ist stetig auf ( ε, ε) Definition Sei (V, ) ein normierter Vektorraum und sei U V offen. Sei f : U R stetig. Sei u U. Wähle ε > 0 so, dass B ε U. Wir sagen, f ist differenzierbar in u, wenn gilt: f(t + h) f(t) = λ(h) h + g(h) Dabei soll g : V R linear und stetig sein, λ : B ε (0) R sei stetig und λ(0) = 0. Interpretation der Gleichung g ist lineare Approximation für die Differenz f(t + h) f(t). Lemma Die Bedingungen liegen die lineare Abbildung g eindeutig fest. Wir schreiben g = df(u) : V R und nennen df(u) die Ableitung oder das Differential von f im Punkt u. Erinnerung L(V, R) = {g : V R g linear und stetig } ist der Dualraum von V, L(V, R) = V. Also ist df(u) ein Element von V. Wenn f in jedem Punkt u U differenzierbar ist, heißt f differenzierbar auf U. Dann ist u df(u) eine Abbildung U V. Falls diese Abbildung stetig ist, heißt f stetig differenzierbar auf U. Erinnerung Die Norm auf V ist die Operatornorm df(u) = sup { df(u)(v) v V, v 1}. Es gilt df(u)(v) df(u) v. getext: Julia Wolters 29
34 KAPITEL 11. OFFENE MENGEN UND KURVEN Beispiel V = R, U = (a, b) offenes Intervall, f : (a, b) R, t (a, b) Ableitung f (t) ist relle Zahl. Die zugehörige lineare Abbildung ist df(t)(v) = f (t) v, v R d.h. df(t) = [v f (t)v] Satz Sei V normierter Vektorraum, U V offen, sei f : U R (stetig) differenzierbar. Sei c : (a, b) U V eine (stetig) differenzierbare Kurve. Dann ist f c : (a, b) R (stetig) differenzierbar und (f c) (t) = df(c(t))( c(t)) Wichtige Spezialfälle dieser Rechnung c(t) = u + v t, u U V, v V, c(0) = v Ist f : U R (stetig) differenzierbar, ergibt sich (f c) (0) = df(u)(v) = D v f(u) Richtungsableitung von f in Richtung v (am Punkt u U). D v f(u) = lim t f(u + vt) f(u) t Noch spezieller: V = R n mit Standard-Basis e 1,..., e n, e k = (0,..., 0, 1, 0,... 0) k te Stelle df(u)(e k ) = D ek f(u) = f x k (u) k te partielle Ableitung von f = lim t 0 f(u + e k t) f(u) t Beispiel V = U = R 3, u = (u 1, u 2, u 3 ), f(u) = u 2 1 u 1 u 2 + u 2 3 f(u + h) f(u) = (u 1 + h 1 ) 2 u 2 1 (u 1 + h 1 )(u 2 + h 2 ) + u 1 u 2 + (u 3 + h 3 ) 2 u 2 3 = 2u 1 h 1 + h 2 1 u 2 h 1 u 1 h 2 h 1 h 2 + 2u 3 + h 2 3 = 2u 1 h 1 u 2 h 1 u 1 h 2 + 2u 3 h }{{} 1 + h 2 1 h 1 h 2 + h 2 3 }{{} df(u)(h) λ(h) h 30 getext: Julia Wolters
35 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Problem mit dem hinteren Term! Wenn das richtig ist, erhalten wir Satz f (u) x 1 = 2u 1 u 2 f (u) x 2 = u 1 f (u) x 3 = 2u 3 Sei V ein normierter Vektorraum, sei U V offen. Sei C 1 (U, R) = {f : U R f ist stetig differenzierbar } Dann ist C 1 (U, R) ein Vektorraum und Ring. Dabei gilt für f, g C 1 (U, R) und r R d(f + g)(u) = df(u) + dg(u) d(r f)(u) = r df(u) d(f g)(u) = f(u) dg(u) + g(u) df(u) Definition und Lemma Ist V ein normierter Vektorraum, α : V R linear un dstetig. Dann ist α stetig differenzierbar mit dα(u)(v) = α(v) u, v V Im R n = V stetze x k (u) = u k, u = (u 1,..., u n ) R n für k = 1,..., n. Damit ist x k : R n R linear. Man nennt die x k Koordinatenfunktion. Ihre Differentiale sind also die Ableitungen dx k (u)(v) = v k v = (v 1,..., v n ) Lemma Ist U R n offen, f C 1 (U, R), so gilt df(u) = f x 1 (u)dx 1 + f x 2 (u)dx f x n (u)dx n getext: Julia Wolters 31
36 KAPITEL 11. OFFENE MENGEN UND KURVEN Beispiel Jetzt rechnen wir Beispiel (11.17) nochmal. f : R n R; f(u) = f(u 1, u 2, u 3 ) = u 2 1 u 1 u 2 + u 2 3 f(u) = x 1 (u) 2 x 1 (u)x 2 (u) + x 3 (u) 2 = df(u) = 2x 1 (u)dx 1 x 1 (u)dx 2 x 2 (u)dx 2 + 2x 3 (u)dx 3 Weiter folgt aus dem Lemma: = 2u 1 dx 1 u 1 dx 2 u 2 dx 1 + 2u 3 dx 3 f (u) x 1 = 2u 1 u 2 f (u) x 2 = u 1 f (u) x n = 2u Definition (Gradient einer reellen Funktion) Ist U R n offen und f : U R (stetig) differenzierbar, so heißt der Vektor der Gradient von f in U. f(u) = ( f x 1 )(u),..., f x n (u)) Zum Beispiel f(u) = u 2 1 u 1 u 2 + u 2 3 Erinnerung f(n) = (2u 1 u 2, u 1, 2u 3 ) Auf R n ist u, v = u 1 v u n v n, u, v R n das Standardskalarprodukt. Damit gilt: df(u)(v) = < f, v > df(u)(v) = f f (u) dx 1 (v) + + (u) dx x 1 }{{} n (v) x n }{{} = f(u), v =v 1 v n 32 getext: Julia Wolters
37 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Abbildung 11.2.: Die Niveaulinen Beispiel V = U = R 2 f(u 1, u 2 ) = cos(u u 2 2) Die Kettenregel gilt (nächstes Kapitel). U V offen, f : U R differenzierbar. Ist nun g : R R auch differenzierbar, so gilt Für f(u 1, u 2 ) = cos(u 2 1, u 2 2) erhalten wir d(g f)(u) = g f((u))df(u) df(u 1, u 2 ) = sin(u u 2 2)(2u 1 dx 1 + 2u 2 dx Theorem Sei U R n offen, f : U R stetig. Dann sind folgende Bedingungen äquivalent: (i) f ist stetig differenzierbar. (ii) u U f (u) := lim t 0 f(u+e k t) f(u) t x k sind stetig auf U. Wenn (i) oder (ii) gilt, ist df(u) = n Definition k=1 f x k (u)dx k k = 1,..., n und diese n Funktionen f x k getext: Julia Wolters 33
38 KAPITEL 11. OFFENE MENGEN UND KURVEN Sei X ein metrischer Raum, f : X R eine reelle Funktion. Wir sagen, f hat ein Maximum (bzw. Minimum), im Punkt x X, falls f(y) f(x) (bzw f(y) f(x)) y X gilt. Ist f(y) < f(x) (bzw f(y) > f(x)) y x, so hatf in x ein striktes Maximum (bzw. Minimum). Wenn f in x ein Maximum (bzw. Minimum) auf B ε (x) hat, für ε > 0, so spricht man von einem lokalen Maximum (bzw. Minimum) Satz Sei V ein normierter Vektorraum, U V offen und f : U R stetig differenzierbar. Wenn f in u ein (lokales) Extremum hat, dann gilt df(u) = Beispiele a) U = V = R 2, f(u 1, u 2 ) = u u 2 2 Partielle Ableitungen: f C 1 f (u) x 1 = 2u 1 f (u) x 2 = 2u 2 df(u) = 2u 1 dx 1 2u 2 dx 2 df(u) = 0 u 1 = u 2 b) U = V = R 2, f(u 1, u 2 ) = cos(u u 2 2) (Abbildungen 11.2) 34 getext: Julia Wolters
39 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer f (u) x 1 = sin(u u 2 2)2u 1 f (u) x 2 = sin(u u 2 2)2u 2 df(u) = 2 sin(u u 2 2)(u 1 dx 1 + u 2 dx 2 ) df(u) = 0 u u 2 2 = k π, k Z Diese Punkte bilden konzentrische Kreise um (0, 0) mit Radius r = kπ, k N Ein Punkt u U heißt kritischer Punkt der differenzierbaren Funktion f, falls gilt df(u) = 0. c) U = V = R 2, f(u 1, u 2 ) = u 2 1 u 2 2 df(u) = 2u 1 dx 1 2u 2 dx 2 kritischer Punkt in (0, 0) f(0, 0) = 0 f(ε, 0) = ε 2 > 0 f(0, ε) = ε 2 < 0 f hat in (0, 0) kein lokales Extremum. Fazit Kritische Punkte sind Kandidaten für lokale Extrema. Aus df(u) = 0 folgt noch nicht, dass ein Extremum vorliegt. getext: Julia Wolters 35
40 KAPITEL 11. OFFENE MENGEN UND KURVEN Erinnerung an Analysis I f (t) = 0 f (t) < 0 lokales Maximum liegt vor. Wenn wir das verallgemeinern wollen auf Funktionen f : U R müssen wir vektorwertige Funktionen ableiten können, wie zum Beispiel df : U L(V, R) Was bedeutet dann aber f > 0 oder f < 0? 36 getext: Julia Wolters
41 12. Differentialgleichung in Vektorräumen Definition Seien V, W normierte Vektorräume, U V offen, f : U W stetig. Sei u U. f heißt differenzierbar in U, falls ex ε > 0 gibt mit B ε (u) = U und eine stetige Abbildung λ : B ε (0) w mit λ(0) = 0 und stetige lineare Abbildung g : V W gibt, so dass für alle h B ε V gilt: f(u + h) f(u) = g(h) }{{} linear Approx. + λ(h) h }{{} Fehler g ist hierdurch eindeutig bestimmt. g = Df(u). Falls f in jedem u U differenzierbar istm so heißt f differenzierbar. Das liefert die Abbildung Df : U L(V, W ) L(V, W ) ist normiert (Operatornorm). Falls Df stetig ist, so heißt f stetig differenzierbar Einordnung 1. f : (a, b) R differenzierbar t (a, b) f (t) R; Df : (a, b) L(R, R) = R Df(t)(x) = f (t) x 2. c : (a, b) W Kurve t (a, b), c(t) W, W = R Dc : (a, b) L(R, W ) = W Dc(t) : R W, x x c(t) 3. U V offen, f : U R = W Differential df(u) : V R linear Df(u) = df(u) 37
42 KAPITEL 12. DIFFERENTIALGLEICHUNG IN VEKTORRÄUMEN Beispiel Sei f : V W linear und stetig. für alle u V ist Df(u) = f Beispiel V = W = C([0, 1], R) mit (u V, u = sup{ u(t) : t [0, 1]}), f : V V, f(u) = u 2, f(u)(t) = u(t) u(t), t [0, 1] stetig, denn u 2 = u 2 f(u + h) f(u) { = (u + h) 2 u 2 = 2uh + h 2. 1 h2, h 0 h Sezte λ(h) = 0, sonst stetig. ZZ : λ(h) 0 für h 0. λ(h) = h 2 h Daher f(u + h) f(u) = 2uh + h 2 = Df(u) = V V ; h 2u Satz = h 2uh g(h) linear + λ(h) h Seien V, W normierte Vektorräume. U V offen. Falls f, g : U W differenzierbar in u U und r R, so sind auch (f + g) und (rf) differenzierbar mit D(f + g)(u) = Df(u) + Dg(u) D(rf)(u) = rdf(u) Daher ist C 1 (U, W ) = {f : U W f stetig differenzierbar} ein Vektorraum, Satz Ist U R n offen, f : U R m stetig. Schreibe f(u 1,..., u n ) = (f 1 (u 1,..., u n ),..., f n (u 1,..., u n )). Die Funktion f ist stetig dfiferenzierbar genaz dann, wenn alle Funktionen f k : U R es sind Korollar Ist U R n offen, f : U R m stetig, so ist f genau dann stetig differenzierbar, wenn die Ableitungen f k f k (u + e l t) f k (u) (u) = lim x l t 0 t 38 getext: Julia Wolters
43 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer existieren und stetige Funktionen f k x l bilden, 1 k m, 1 l n Kettenregel Seien X, Y, Z normierte Vektorräume. Sei U X offen, V Y offen und seien f : U V und g : V Z (stetig) differenzierbar. Dann ist g f : U Z (stetig) differenzierbar und es gilt D(g f)(u) = (Dg)(f(u)) Df(u) Höhere Ableitungen Ist U V offen, V, W normierte Vektorräume, f : U W eine stetige differenzierbare Abbildung. Df : U L(V, W ); u Df(u). Ist diese Abbildung ihrerseits wieder differenzierbar, so erhalten wir in u U D(Df)(u) L(V, L(V, W )). Für v, v V erhalten wir einen Vektor w W D(Df)(u)(v)(v ) = w Man schreibt D(Df) =: D 2 f, D(D(Df)) =: D 3 f,... Das sind Abbildungen von U nach L(V, L(V, W )), L(L(V, L(V, W ))) usw. Die k-mal stetig differenzierbare Funktionenen von U nach W bilden einen Vektorraum C k (U, W ). Der Durchschnitt C k (U, W ) = C (U, W ) heißt Raum der glatten Funktionen. k=1 Wir betrachten die 2. Ableitunge D 2 f(u) genauer: Wir können D 2 f(u) als Abbildung V V W betrachten, (v, v ) D 2 f(u)(v)(v ) = w. Diese Abbildung ist linear in v und in v. D 2 f(u) ist eine bilineare Abbildung V V W Beispiel V = W = R, U = (a, b) R, f : U R C 2 -Funktion, 1. Ableitung f (t) R, f (t) R. Für v, v V = R ist Df(t) = [v f (t) v] L(R, R) und D 2 f(t) : R R R [(v, v ) f (t) v v ] L(R, L(R, R)) }{{} bilineare Abbildung Die Hesse-Matrix Sei U R n, f : U R, C 2 -Funktion. ( f f(u) = (u),..., f ) (u) = (g 1,..., g n ) x n x n getext: Julia Wolters 39
44 KAPITEL 12. DIFFERENTIALGLEICHUNG IN VEKTORRÄUMEN Df(u)(v) = D 2 f(u)(v, w) = = n k=1 n k,l=1 n k,l=1 f x k (u)v k v = (v 1,..., v n ) x l f x k (u)v k w l w = (w 1,..., w n ) Die Hesse-Matrix von f ist die n n-matrix 2 f (u) x 1 x 1 Hf(u) =. 2 f (u) x n x 1 Dann gilt D 2 f(u)(v, w) = (w 1,..., w n ) Hf(u) Beispiel a) f(u 1, u 2 ) = u u 2 2 f f f(u) = (2u 1, 2u 2 ), (u) = 2u 1, (u) = 2u 2 x 1 x 2 ( ) 2 0 Hf(u) = f x l x k (u)v k, w l v 1 v n 2 f (u) x 1 x n. 2 f (u) x n x n R. b) f(u 1, u 2 ) = u 2 1 u 2 2 f f f(u) = (2u 1, 2u 2 ), (u) = 2u 1, (u) = 2u 2 x 1 x 2 ( ) 2 0 Hf(u) = 0 2 c) f(u 1, u 2 ) = u u 1 u 2 u 2 2 f(u) = (2u 1 + u 2, 2u 2 + u 1 ) Hf(u) = ( ) getext: Julia Wolters
45 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Lemma Sei r > 0, U := {(u 1, u 2 ) R 2 : u 1 < r und u 2 < r} R 2, f : U R C 2 -Funktion. Dann gilt 2 f (0, 0) = 2 f (0, 0) x 1 x 2 x 2 x Theorem (Satz von Schwarz) Sei V normierter Vektorraum, U V offen, f : U R C 2. Dann gilt für alle u U, v 1, v 2 V : D 2 f(u)(v 1, v 2 ) = D 2 f(u)(v 2, v 1 ). Korollar U R n offen, f : U R C 2 u U ist Hf(u) symmetrisch Anwendung (Potentiale) Falls U R n offen, f : U R C 2, dann f : U R n C 1 Vektorfeld. Umgekehrt: Gegeben g : U R n C 1. Gibt es dann Umkehrfunktion f : U R mit f = g. Beispiel Falls ein f existiert, so gilt f x 1 x 2 (u) = g(u 1, u 2 ) = (u 1, 2u 1 u 2 ) h(u 1, u 2 ) = (u 2 1, 2u 1 u 2 ) 2 f x 2 x 1 (u) g i x j (u) = g j x i (u) Im Beispiel g 1 (u) = 0, g 2 (u) = 2u 2, h 1 = 2u 2, h 2 (u) = 2u 2 x 2 x 1 x 2 x 1 Hier kann es eine Stammfunktion geben Satz f(u 1, u 2 ) = u 1 u 2 2 Sei U R n offen, g : U R n C 1. Ein notwendiges Kriterium für die Existenz einer Stammfunktion f : U R (d.h. f = g) ist das g i (u) = g j (u) für alle u U und x j x i i j, i, j n. getext: Julia Wolters 41
46 KAPITEL 12. DIFFERENTIALGLEICHUNG IN VEKTORRÄUMEN Bemerkung Ob die Bedingung hinreichend ist hängend von der Gestalt von U ab. Für U = B r (u 0 ). Zum Beispiel ist die Bedingung hinreichend. Bemerkung In R 3 definiere für C 1 -Funktion g : R 3 R 3 die Rotation g 3 g 2 x 2 x 3 g 1 rot(g) = g 3 ( rot(g) = xg ) x 3 x 1 g 2 g 1 x 1 x 2 Die notwendige Bedingung lautet dann: g = f rot(g) = 0 Das führt in der sogenannten klassischen Vektoranalysis. Der moderne Blickwinkel ist es, sogenannte Differentialformen zu Betrachten Analysis IV. 42 getext: Julia Wolters
47 13. Lokale Extrema reeller Funktionen Lemma Sei r > 0, ϕ : ( r, r) R C 2. Dann ϕ(t) = ϕ(0) + ϕ (0)t + t 0 ϕ (s)(t s)ds Korollar Falls ϕ (0) = 0 und ϕ (0) < 0, so hat ϕ in t = 0 ein lokales Maximum Korollar Falls ϕ in t = 0 ein Maximum hat, so folgt ϕ (0) = 0 und ϕ(0) 0. (Denn, falls ϕ (0) > läge ein Minimum vor.) Satz Sei V normierter Vektorraum. U V offen, f : U R C 2 -Funktion, die im Punkt u U ein lokales Maximum (bzw. Minimum) hat. Dann gilt df(u) = 0 und für alle v V D 2 f(u)(v, v) 0 (bzw 0) Beispiel ( ) 2 0 f : R 2 R 2, f(u 1, u 2 ) = u 2 1 u 2 2. Hf(u) =, u R u = (0, 0) ist der einzige kritische Punkt. Nach Satz 13.2 kein Extrempunkt, denn Hf(0)(e 1, e 2 ) = 2 > 0 und Hf(0)(e 2, e 2 ) = 2 < 0. 43
48 KAPITEL 13. LOKALE EXTREMA REELLER FUNKTIONEN Satz V normierter Vektorraum, U V offen, f : U R C 2 -Funktion, u U kritischer Punkt, d.h. df(u) = 0. Wenn es ein δ > 0 gibt, so dass D 2 f(u)(v, v) δ, v V mit v = 1, dann hat f in u ein lokales Maximum Lemma Ist V endlich dimensionaler normierter Vektorraum f : U R C 2 (U V offen) und gilt für ein u U D 2 f(u)(v, v) < 0 v V mit v 0, dann gibt es δ > 0, so dass D 2 f(u)(v, v) δ v V mit v = Satz Sei V endlich dimensional normierter Vektorraum, U V offen, f : U R C 2 -Funktion, u U kritischer Punkt. Wenn für alle v V mit v 0 gilt D 2 f(u)(v, v) < 0, so hat f in u ein striktes lokales Maximum Definition Sei V ein (endlicher) R-Vektorraum. Eine symmtrische Bilinearform h : V V R heißt positiv definit, wenn h(v, v) > 0 v V mit v 0. Positiv semidefinit heißt h(v, v) 0 v V. Entsprechend negativ definit, bzw. negativ semidefinit Zusammenfassung Sei u kritischer Punkt. Dann ist D 2 f(u) negativ definit hinreiches Kriterium für lokales Maximum. D 2 f(u) negativ semidefinit notwendiges Kriterium. Entsprechend für positiv... und Minimum. Beispiel U = R 2, f(u 1, u 2 ) = cosh(u 1 ) + sin(u 2 ) 1 1 cosh(t) = 1 2 (et + e t ), sinh(t) = 1 2 (et e t ) 44 getext: Julia Wolters
49 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Satz Sei h eine symmetrische Bilinearform auf R n, sei, das Standardskalarprodukt, { v, w = n 1 k = l v k w k. Dann gibt es eine Orthonormalbasis b 1,..., b n des R n (d.h. b k, b l = k=1 0 k l ) { dk k = l und Zahlen d 1,..., d n, so dass h(b k, b l ) =. Man sagt: h,, sind gleichzeitig 0 k l diagonalisierbar. Offensichtlich ist h genau dann positiv definit (semidefinit), wenn alle d i > 0 (d i 0) sind. getext: Julia Wolters 45
50
51 14. Integration, Satz vom lokalen Inversen, Taylorentwicklung Definition Sei V ein Banachraum. Eine Abbildung c : [a, b] V heißt beschränkt, wenn c([a, b]) V beschränkt ist, dh. wenn es r > 0 mit c(t) r für alle t [a, b] gibt. Sei B([a, b], V ) = {c : [a, b] V c beschränkt }. Das ist ein reeller Vektorraum und normiert durch c := sup{ c(t) t [a, b]} Satz B([a, b], V ) ist vollständig bzgl. und C([a, b], V ) = {c : [a, b] V c stetig } ist ein abgeschlossener (und deswegen vollständiger) Unterraum Definition Sei V ein Banachraum. Eine Funktion c : [a, b] V heißt Stufenfunktion, wenn es eine Zerlegung Z = {a = a 0 <... < a k = b} gibt, so dass c auf den Teilstücken (a j, a j+1 ) konstant ist. Klar: die Stufenfunktionen bilden einen Untervektorraum Step([a, b], V ). von B([a, b], V ). Eine Regelfunktion ist eine beschränkte Funktion c : [a, b] V, die ein Grenzwert einer Folge von Stufenfunktionen ist (bzw. ). Mit anderen Worten: Die Regelfunktionen sind der Abschluss von Step([a, b], V ) in B([a, b], V ). Schreibe R([a, b], V ) = {c : [a, b] V c Regelfunktion } = Step([a, b], V ) 47
52 KAPITEL 14. INTEGRATION, SATZ VOM LOKALEN INVERSEN, TAYLORENTWICKLUNG Satz Es gilt C([a, b], V ) R([a, b], V ), jede stetige Funktion ist eine Regelfunktion Definition Sei Z = {a = a 0 <... < a n = b} und sei c eine Stufenfunktion zu Z, c(t) = c j falls a j < t < a j+1. Setze b a n 1 c(t)dt := c j (a j+1 a j ) j=0 Kurze Überlegung Wenn man die Zerlegung Z verfeinert (metrische Stützstellen) ändert sich am Ergebnis der Summe nichts. Also hängt das Ergebnis gar nicht von der Zerlegung ab. Weiter ist Step([a, b], V ) V, c b a c(t)dt b a n 1 j=0 c(t)dt offensichtlich linear und Lipschitz-stetig. c j (a }{{} j+1 a j ) c (b a) c Ist c R([a, b], V ) und (c n ) n J eine Folge von Stufenfunktionen mit lim c c n n J = 0, so ist (c n ) n J eine Cauchy-Folge, also ist b a c n (t)dt eine Cauchyfolge in V. b b Wir definieren c(t)dt = lim c n (t)dt a n J a Das geht, weil V ein Banachraum ist. Die linke Seite hängt nicht von der gewählten Funktion c n ab: Ist c Step([a, b], V ) mit c c ε, so ist c n c 2 ε für alle hinreichend großen n J. Es folgt c(t)dt c n (t)dt b b 2 ε(b a), also c(t)dt c(t)dt 2ε(b a). Das zeigt, dass das Integral nur von c abhängt und nicht von der gewählten Funktion (c n ) n J. Fazit b Die Abbildung c c(t)dt ist eine Lipschitz-stetige lineare Abbildung R([a, b], V ) V, a b b c(t)dt c(t) dt c (b a). a a a a 48 getext: Julia Wolters
53 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Lemma Seien V, W Banachräume, F : V W linear und stetig, c : [a, b] ( V eine Regelfunktion. b b ) Dann ist F c : [a, b] W Regelfunktion und F (c(t))dt = F c(t)dt Satz Ist c : [a, b] V stetig, t 0 [a, b], so ist f(t) := c(s)ds eine C 1 -Kurve und f(t) = c(t). t 0 Folgerung Ist c : [a, b] V eine C 1 -Funktion, so gilt c(v) c(u) = a t v u a c(s)ds für alle u, v [a, b] Satz (Mittelwertsatz der Integralrechnung in Vektorräumen) Seien V, W Banachräume. U V offen, sei f : U W eine C 1 -Funktion. Sei u U und v V so, dass u + v s U für alle s [0, 1]. Dann gilt f(u + v) f(u) = 1 Df(u + v s)(v)ds = 1 Df(u + v s)ds (v) Satz Sei V normierter Vektorraum, U V offen, f : U R eine C k -Funktion. Dann gilt für alle {1,..., k} = {l 1,..., l k } und alle v 1,..., v k V. D k f(u)(v 1,..., v k ) = D k f(u)(v i1,..., v ik ) Satz (Taylors Formel / Taylorentwicklung) Sei V normierter Vektorraum, U V offen, f : U R eine C k+1 -Funktion. Sei u U, v V so, dass {u + vt 0 t 1} gilt. Dann gilt f(u+v) = f(u)+df(u)(v)+ 1 2 D2 f(u)(v, v)+ 1 6 D3 f(u)(v, v, v) k! Dk f(u)(v,..., v) +R }{{} k+1 (u)(v) k mal getext: Julia Wolters 49
54 KAPITEL 14. INTEGRATION, SATZ VOM LOKALEN INVERSEN, TAYLORENTWICKLUNG und das Restglied ist Addendum R k+1 (u, v) = 1 0 (1 t) k D k+1 f(u + vt)(v,..., v)dt k! Taylorentwicklung von f im Punkt u bis zum k-ten Grad Für R l+1 (u, v) gibt es metrische Formeln R l+1 (u, v) 1 k! sup { D k+1 f(u + vt) 0 t 1 } v k+1, denn D k+1 f(u + vt)(v,..., v) D k+1 f(u + vt) v k+1 1 Andere Form des Restgliedes R k+1 (u, v) = (k + 1)! Dk+1 f(u)(v,..., v)+λ(v) v k+1. Dabei ist λ stetig auf ε-kugel B ε (0) und λ(0) = Satz (Die von Neumannsche Reihe) Sei V ein Banachraum, f : V V linear und stetig mit f < 1. Dann konvergiert die Neumannsche Reihe f k (f k = f... f k mal f 0 = id V ) k 0 gegen eine stetige lineare Abbildung g und g(id V f) = (id V f)g = id V d.h. f k = (id V f) 1 k=0 (vgl. geometrische Reihe) Satz Sei V ein Banachraum, sei GL(V ) = {f : V V f linear und stetig und f hat stetiges Inverses } Dann ist GL(V ) L(V, V ) offen, GL(V ) ist eine Gruppe, das Multiplizieren und Invertieren ist stetig. 1 1 Solche Gruppen werden auch Topologische Gruppen genannt. 50 getext: Julia Wolters
55 Vorlesung SS 2010 Analysis 2 Prof. Dr. Linus Kramer Satz ( Spezieller Satz vom lokalen Inversen ) Sei V ein Banachraum (z.b. R n ), U V offen mit 0 U, f : U V stetig differenzierbar, f(0) = 0 und Df(0) = id V. Dann gibt es R > 0, ein C 1 -Funktion g : B R (0) V mit g f = id auf einer offenen Kugel B R(0). In einer kleinen Umgebung von 0 hat f eine Inverse, die ebenfalls C 1 ist: DIe Gleichung f(x) = y hat Lösungen, wenn g nahe genug bei 0 liegt Theorem (Satz vom lokalen Inversen) Seien V, W Banachräume, sei U V offen und f : U W eine stetig differenzierbare Abbildung. Sei u U ein Punkt, an dem Df(u) : V W ein stetiger Isomorphismus (mit stetigen Inversen) ist. Dann gibt es R; R > 0; eine stetig differenzierbare Funktion g : B R (f(u)) V so, dass g f(v) = v für alle v B R(u) gilt: f hat nahe u ein C 1 -Inverse. Bemerkung Man kann zeigen: f C k -Funktion g C k -Funktion. (zeige: Invertieren in GL(u) ist C.Funktion) Satz über impliziete Funktion Seien V 1, V 2, W Banachräume, V = V 1 V 2. Sei U V offen, f : U W eine C 1 -Funktion, u = (u 1, u w ) U. Betrachte A : V 2 W, v 2 Df(u)(0, v w ). Wenn A ein Isomorphismus mit stetigen Inversen ist, so gibt es U 1 V 1 offen, u 1 U 1 und g : U 1 V 2 C 1 -Funktion mit (i) g(u 1 ) = u 2 (ii) f(x, g(x)) = f(u) = const (iii) nahe u sind alle (x, y) U von der Form (x, y) = (x, g(x)). Man sagt: y = y(x) ist (nahe u) impliziet durch f(x, y) = f(u) = const definiert Beispiel V Hilbertraum mit Skalarprodukt, (z.b. V = R n, v w = n k=1 v j w k ), U V offen, f : U R eine C 1 -Funktion, u U Punkt mit df(u) 0 (also insb. kein lokales Extremum). getext: Julia Wolters 51
9 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
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
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
MehrAnalysis II. 8. Klausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis II 8. Klausur mit en 1 2 Aufgabe 1. Definiere die folgenden kursiv gedruckten) Begriffe. 1) Eine Metrik auf einer Menge M. 2) Die Kurvenlänge
MehrMathematik für Anwender II
Prof. Dr. H. Brenner Osnabrück SS 2012 Mathematik für Anwender II Vorlesung 49 Zu einer reellwertigen Funktion Extrema auf einer offenen Menge G R n interessieren wir uns, wie schon bei einem eindimensionalen
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
MehrAnalysis II. Vorlesung 47
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Zu einer reellwertigen Funktion Vorlesung 47 interessieren wir uns wie schon bei einem eindimensionalen Definitionsbereich für die Extrema, also Maxima
MehrSS 2016 Höhere Mathematik für s Studium der Physik 21. Juli Probeklausur. Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert.
SS 6 Höhere Mathematik für s Studium der Physik. Juli 6 Probeklausur Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert. Fragen Sei (X, d) ein metrischer Raum. Beantworten Sie die nachfolgenden
MehrMathematik II. Vorlesung 46. Der Gradient
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 46 Der Gradient Lemma 46.1. Es sei K ein Körper und V ein K-Vektorraum, der mit einer Bilinearform, versehen sei. Dann gelten folgende Aussagen
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
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
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
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.
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
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
Mehr12 Biholomorphe Abbildungen
12 Biholomorphe Abbildungen 2 Funktionenräume Wir erinnern zunächst an den Weierstraßschen Konvergenzsatz : 2.1 Satz. Sei G C ein Gebiet, (f n ) eine Folge holomorpher Funktionen auf G, die auf G kompakt
Mehri j m f(y )h i h j h m
10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem
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
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.
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.
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
Mehr10 Der Satz über implizite Funktionen und Umkehrfunktionen
Vorlesung SS 9 Analsis Prof. Dr. Siegfried Echterhoff SATZ ÜBER IMPLIZITE FKT UND UMKEHRFKT Der Satz über implizite Funktionen und Umkehrfunktionen Motivation: Sei F : U R R eine differenzierbare Funktion
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
Mehr34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlich-dimensionalen
34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlich-dimensionalen R-Vektorräumen 34.1 Äquivalenz von Normen 34.3 Stetigkeit und Normen linearer Abbildungen 34.4 Äquivalente Normen sind gegeneinander
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 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).
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:
MehrProf. Dr. H. Brenner Osnabrück SS Analysis II. Vorlesung 50. Hinreichende Kriterien für lokale Extrema
Prof. Dr. H. Brenner Osnabrück SS 205 Analysis II Vorlesung 50 Hinreichende Kriterien für lokale Extrema Wir kommen jetzt zu hinreichenden Kriterien für die Existenz von lokalen Extrema einer Funktion
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
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
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
Mehr1 Einleitung. 2 Reelle Zahlen. 3 Konvergenz von Folgen
1 Einleitung Können Sie die folgenden Fragen beantworten? Sie sollten es auf jeden Fall versuchen. Dieser Fragenkatalog orientiert sich an den Themen der Vorlesung Analysis 1 aus dem Wintersemester 2008/09
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
MehrVorlesung 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 5: Konvergenz Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Dezember 2011) Folgen Eine Folge x 0, x 1,
Mehrd(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.
Metrische Räume K bezeichnet entweder den Körper R oder den Körper C. Genauer bedeutet dies: K wird in denjenigen Situationen verwendet, in denen die Ersetzung von K sowohl durch R als auch durch C einen
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
Mehr9 Höhere partielle Ableitungen und die Taylorformel
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 9 Höhere partielle Ableitungen und die Talorformel Definition 91 Sei U R n offen, f : U R m eine Funktion Dann heißt f 2-mal partiell differenzierbar,
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
Mehr15 Differentialrechnung in R n
36 15 Differentialrechnung in R n 15.1 Lineare Abbilungen Eine Abbilung A : R n R m heißt linear falls A(αx + βy) = αa(x) + βa(y) für alle x, y R n un alle α, β R. Man schreibt oft Ax statt A(x) un spricht
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
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
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
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
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........................
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
MehrEtwas Topologie. Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann
Etwas Topologie Handout zur Vorlesung Semi-Riemannsche Geometrie, SS 2004 Dr. Bernd Ammann Literatur Abraham, Marsden, Foundations of Mechanics, Addison Wesley 1978, Seiten 3 17 Definition. Ein topologischer
Mehr49 Differenzierbarkeit, Richtungsableitung und partielle Differenzierbarkeit
49 Differenzierbarkeit, Richtungsableitung und partielle Differenzierbarkeit 49.1 Differenzierbarkeit 49.2 Eindeutigkeit des Differentials; Unabhängigkeit der Differenzierbarkeit von den gewählten Normen
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
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
Mehr1.3 Differenzierbarkeit
1 1.3 Differenzierbarkeit Definition Sei B R n offen, a B, f : B R eine Funktion und v 0 ein beliebiger Vektor im R n. Wenn der Grenzwert D v f(a) := lim t 0 f(a + tv) f(a) t existiert, so bezeichnet man
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
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
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
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
Mehr1, 0 < y < x 2 0, sonst f besitzt alle Richtungsableitungen in (0, 0), ist aber unstetig dort
ANALYSIS II Lösung der. Klausur vom /7 (von D. Reding Aufgabe (a Richtig sind die Aussagen (iii, (iv und (vii. (b Gegenbeispiel zu (i: f: R R, (x, y x ist stetig, aber nicht partiell differenzierbar nach
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
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..........................
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,
MehrVorlesung Mathematik für Ingenieure I (Wintersemester 2007/08)
1 Vorlesung Mathematik für Ingenieure I (Wintersemester 2007/08) Kapitel 4: Konvergenz und Stetigkeit Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 22. November 2007) Folgen Eine Folge
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
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
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
Mehr39 Differenzierbare Funktionen und Kettenregel
192 VI. Differentialrechnung in mehreren Veränderlichen 39 Differenzierbare Funktionen und Kettenregel Lernziele: Konzepte: totale Ableitungen, Gradienten, Richtungsableitungen, Tangentenvektoren Resultate:
Mehrheißt Exponentialreihe. Die durch = exp(1) = e (Eulersche Zahl). n! + R m+1(x) R m+1 (x) = n! m m + 2
9 DIE EXPONENTIALREIHE 48 absolut konvergent. Beweis. Wegen x n+ n! n + )!x n = x n + < 2 für n 2 x folgt dies aus dem Quotientenkriterium 8.9). Definition. Die Reihe x n heißt Exponentialreihe. Die durch
MehrAnalysis I. Vorlesung 13. Gleichmäßige Stetigkeit
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analysis I Vorlesung 13 Gleichmäßige Stetigkeit Die Funktion f: R + R +, x 1/x, ist stetig. In jedem Punkt x R + gibt es zu jedem ǫ > 0 ein δ > 0 mit f(u (x,δ))
Mehr10 Aus der Analysis. Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit
10 Aus der Analysis Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit Zahlenfolgen Ein unendliche Folge reeller Zahlen heißt Zahlenfolge. Im Beispiel 2, 3, 2, 2 2, 2
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 5: Differentialrechnung im R n Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 17. Juni 2009 1 / 31 5.1 Erinnerung Kapitel
Mehrdifferenzierbare Funktionen
Kapitel IV Differenzierbare Funktionen 18 Differenzierbarkeit und Rechenregeln für differenzierbare Funktionen 19 Mittelwertsätze der Differentialrechnung mit Anwendungen 20 Gleichmäßige Konvergenz von
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 )
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
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
MehrFerienkurs Analysis 1
Skript Ferienkurs Analysis 1 Fabian Hafner und Thomas Baldauf TUM Wintersemester 2016/17 04.04.2017 Das Skript wurde teilweise übernommen vom Skript des Ferienkurses WS 2014, verfasst von Andreas Wörfel.
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
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
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
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
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
MehrTechnische Universität München. Aufgaben Mittwoch SS 2012
Technische Universität München Andreas Wörfel Ferienkurs Analysis 2 für Physiker Aufgaben Mittwoch SS 2012 Aufgabe 1 Äquivalente Aussagen für Stetigkeit( ) Beweisen Sie folgenden Satz: Seien X und Y metrische
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
MehrVorlesungen Analysis von B. Bank
Vorlesungen Analysis von B. Bank vom 23.4.2002 und 26.4.2002 Zunächst noch zur Stetigkeit von Funktionen f : D(f) C, wobei D(f) C. (Der Text schliesst unmittelbar an die Vorlesung vom 19.4.2002 an.) Auf
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
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
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
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
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
MehrDefinition Eine Metrik d auf der Menge X ist eine Abbildung d : X X IR
0 Inhaltsverzeichnis 1 Metrik 1 1.1 Definition einer Metrik............................. 1 1.2 Abstand eines Punktes von einer Menge................... 1 1.3 Einbettung eines metrischen Raumes in einen
Mehr10. Stetigkeit Definition (Stetigkeit) Beispiele. Wir übertragen den Stetigkeitsbegriff für reelle Funktionen auf metrische Räume.
10 Stetigkeit Wir übertrge de Stetigkeitsbegriff für reelle Fuktioe uf metrische Räume 101 Defiitio (Stetigkeit) Seie (X, d x ), (Y,d y ) metrische Räume, f : X Y eie Abbildug Wir sge f ist stetig im Pukt
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
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
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Wintersemester 2008/2009 Übung 11 Einleitung Es wird eine 15-minütige Mikroklausur geschrieben. i) Sei D R oderd C. Wann heißt
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
Mehra 0, a 1, a 2, a 3,... Dabei stehen die drei Pünktchen für unendlich oft so weiter.
7 Folgen 30 7 Folgen Wir betrachten nun (unendliche) Folgen von Zahlen a 0, a, a 2, a 3,.... Dabei stehen die drei Pünktchen für unendlich oft so weiter. Bezeichnung Wir bezeichnen mit N die Menge der
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
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
MehrNormierte, metrische und topologische Räume Stetige und gleichmäßig stetige Abbildungen
Kapitel VIII Normierte, metrische und topologische Räume Stetige und gleichmäßig stetige Abbildungen 33 Normierte und metrische Räume 34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlichdimensionalen
Mehr