Schauderbasen und das Beispiel der Riesz-Basen auf Hilberträumen

Größe: px
Ab Seite anzeigen:

Download "Schauderbasen und das Beispiel der Riesz-Basen auf Hilberträumen"

Transkript

1 Schauderbasen und das Beispiel der Riesz-Basen auf ilberträumen Bernhard Stiftner 0. Dezember 0 Inhaltsverzeichnis Allgemeines zu Schauderbasen Spezielle Schauderbasen auf ilberträumen 8 3 Literatur 8

2 Allgemeines zu Schauderbasen Bemerkung. Sei X ein endlichdimensionaler reeller oder komplexer Vektorraum der Dimension N N, dann gibt es N linear unabhängige Vektoren (b n N und eine eindeutige Folge (a n N von Skalaren, sodass x = N a n b n ( gilt. Für Details verweise auf [AV]. Es liegt nahe dieses Konzept auf Vektorräume "gröÿerer"dimension zu erweitern. Dies ist "manchmal", mit gewissen Einschränkungen auch möglich. Denition. Sei X ein nomierter linearer Raum. Eine Folge B := (b n in X heiÿt Schauderbasis von X, wenn es für jedes x X eine eindeutige Folge (a n von Skalaren gibt, mit x = a n b n ( Bemerkung 3. ˆ Nicht jeder Banachraum X hat eine Schauderbasis. ˆ In Denition konvergiert die Summe in der Norm des normierten Raums. Diese Konvergenz muss nicht absolut sein. ˆ In der Folge (b n aus der Denition ist die Reihenfolge wesentlich. Die Eigenschaft eine Schauderbasis zu sein kann bei einer beliebigen Permutation der Elemente verloren gehen. ˆ Der Nullvektor ist kein Element einer Schauderbasis. Wäre nämlich b n0 = 0 für eine Schauderbasis (b n, dann hätte er mit 0 = a n0 b n0 = a n0 0 für ein beliebiges a n0 mehr als eine Darstellung. ˆ Eine Schauderbasis ist linear unabhängig. Für eine nichttriviale beliebige Linearkombination 0 = a n b n (3 des Nullvektors müsste nämlich es dann n 0, n N geben mit a n0, a n 0. Damit gilt dann b n0 = n n 0 a n0 a n b n (4 Damit hat b n0 aber zwei verschiedene Darstellungen bzgl. der Schauderbasis (b n, was einen Widerspruch zur Eindeutigkeit der Darstellung darstellt. ˆ Ein Banachraum, der eine Schauderbasis hat, ist seperabel; d.h er hat eine abzählbare,dichte Teilmenge. Wähle zum Beispiel: { } M := a n b n : a n Q n N (5 dann gilt sicher M = X.

3 Beispiel 4. ˆ l p (I für überabzählbares I und p < hat keine Schauderbasis, da er nicht seperabel ist; nicht jeder seperable Banachraum besitzt umgekehrt eine Schauderbasis. ˆ l p (N, der Raum der p-summierbaren Folgen, ist seperabel und hat auch Schauderbasis. Wähle zum Beispiel (b m := (δ mn die kanonischen Einheitsvektoren. ˆ Betrachte für n N und i N mit i n die Funktionen des aar-systems: i x < i n+ n+ h n i +i : [0, ] R : x x < i n+ n+ 0 sonst. (6 Die h k sind sicher nicht orthogonal. Das System (h k k N ist eine Schauderbasis des L p [0, ] für p <. ˆ In der Darstellung von f L p [0, ] bzgl. dem aarsystem kommt es für < p < nicht auf die Reihenfolge der Summanden an. Für p = gilt das nicht. Im Allgemeinen gibt es auch keine andere Basis, sodass es in der Darstellung von f L [0, ] für die Koezienten nicht auf die Reihenfolge der Vektoren ankommt. Denition 5. (i Sei ein ilbertraum mit dem inneren Produkt (,. Eine Menge B := {b α : α A} in mit einer beliebigen Indexmenge A heiÿt Orthonormalsystem (ONS, wenn (b α, b β = δ nm α, β A (7 (ii Ein Orthonormalsystem heiÿt Orthonormalbasis (ONB, wenn es kein echt gröÿeres Orthonormalsystem gibt, d.h. für jedes ONS B mit B B bereits B = B folgt. Bemerkung 6. Mit dem Lemma von Zorn folgt dann leicht, dass es in jedem ilbertraum eine (nicht unbedingt abzählbare ONB gibt (vgl. dazu [FANA] Lemma Wir betrachten ab jetzt nur mehr abzählbare ilbertraumbasen. Satz 7. Sei ein ilbertraum und B := {b n : n N} in ein abzählbares Orthonormalsystem. Die folgenden Aussagen sind äquivalent (i B ist eine Orthonormalbasis. (ii D := span {b n : n N} ist dicht in. (iii Für alle x gilt die Parsevalgleichung; d.h es gilt x = (x, b n b n (8 und diese Darstellung ist eindeutig bzgl. (b n. Beweis. siehe [FANA], Korollar in vereinfachter Version (ursprünglich für beliebige Indexmengen Bemerkung 8. ˆ Jede abzählbare ONB ist lt. Satz 7 eine Schauderbasis, daher ist der Begri Schauderbasis eine Verallgemeinerung einer abzählbaren ONB auf einem ilbertraum. 3

4 ˆ In der Summe aus (7 kommt es auf die Reihenfolge nicht an. Vergleiche dazu Satz 7. Für obige Summendarstellung war nur die Dichtheit von D := span {b n : n N} wichtig. D ist aber invariant unter beliebigen Permutationen der b n. ˆ Sei (b n eine Schauderbasis auf einem ilbertraum und gelte zusätzlich (b m, b n = δ mn, dann ist (b n wegen der Äquivalenz von (i und (ii in Satz 7 eine ONB. Denition 9. Sei X ein normierter Raum und (b n eine Schauderbasis. Deniere die kanonischen Projektionen P N : X X : x = a n b n N a n b n (9 Bemerkung 0. ˆ Die kanonischen Projektionen hängen natürlich von der speziellen Schauderbasis (b n ab. ˆ Es gilt P N (X = span {b n : n N}. ˆ Die kanonischen Projektionen einer Schauderbasis (b n auf einem normierten Raum sind im Allgeinenen nicht beschränkt. Später werden wir für die kanonischen Projektionen P N von Schauderbasen auf Banachräumen sogar die gleichmäÿige Beschränktheit zeigen. Für eine abzählbare ONB auf einem ilbertraum gilt sogar immer P N =. Lemma. Sei (b n eine Schauderbasis eines normierten Raums X. Die kanonischen Projektionen P N erfüllen die folgenden drei Eigenschaften: (i Es gilt dim (P N (X = N, (ii P N P M = P M P N = P min(n,m, (iii für x X gilt P N (x x für N. Gelte umgekehrt für eine Folge von beschränkten (! Projektionen (P N N N auf einem normierten Raum die Eigenschaften (i-(iii, dann sind diese Projektionen die kanonischen Projektionen einer Schauderbasis. Beweis.. Es gilt P N (X := span {b n : n N} und die Vektoren (b n sind linear unabhängig, woraus die Aussage unmittelbar folgt.. klar 3. folgt sofort aus der Denition der Schauderbasis. Gelte für eine Folge von Projektionen (P N N N auf einem normierten Raum umgekehrt die Eigenschaften (i-(iii. Aus (ii folgt P N (X = P M (P N (X P M (X für M N und mit (i ist (P N (X eine Folge von aufsteigenden Unterräumen mit dim (P N (X + = dim (P N+ (X. Sei nun (b n beliebige Folge, sodass aber (b n N eine Basis von P N (X ist und zusätzlich b n+ ker P n (X gilt. Setze zusätzlich P 0 = 0. Mit (iii folgt dann für eine x X: P N+ (x P N (x = N+ a n b n N ã n b n (0 4

5 für zwei Folgen von Skalaren (a n N+ und (ã n N. Es gilt nun ( N+ 0 = P N (P N+ (x P N (x = P N a n b n und damit muss a n = ã n gelten für n N. Damit gilt aber für ein geeignetes a n+. Wir können nun weiter berechnen: N ã n b n = N a n b n N ã n b n ( P N+ (x P N (x = a n+ b n+ ( x = lim N P N (x = lim N P N (x P 0 (x = lim n = N (P n (x P n (x (3 (P n (x P n (x = a n b n (4 für Skalare a n. Für die Eindeutigkeit diese Darstellung betrachte eine weitere Darstellung x = β n b n. Die Projektionen sind lt. Voraussetzung stetig. Daher gilt für M N dann P M (x = P M ( lim N N β n b n = lim N P M ( N β n b n = M β n b n (5 Damit folgt sofort β n b n = P n (x P n (x = α n b n und dadurch die Eindeutigkeit der Darstellung. Damit ist (b n eine Schauderbasis und es folgt auch gleich, dass P n die kanonischen Projektionen von (b n. Lemma. Sei (X X ein normierter Raum mit einer Schauderbasis (b n. Gelte nun für die kanonischen Projektionen P n dann sup P n X <, dann ist (b n auch eine Schauderbasis der n Vervollständigung und die kanonischen Projetionen P n sind genau die stetigen Fortsetzungen von P n auf X. Beweis. Da die P n beschränkt sind, können sie stetig auf die Vervollständigung X erweitert werden. Nenne diese Erweiterung P n. Wir überprüfen nun die Eigenschaften (i-(iii aus Lemma für Pn auf X. Pn (X ist endlichdimensional und damit abgeschlossen in X. Für die Vervollständigung gilt P n (X P ( n X und damit folgt P ( n X = P n (X. (ii folgt sofort da die Aussage für die P n ja auf einer dichten Teilmenge gilt. Für (iii betrachte x X. Es gilt lt. Voraussetzung P n (x x für alle x X. Sei nun x ɛ X derart, dass x ɛ x für ɛ 0. Betrachte nun ( lim P n ( x = lim Pn lim x ɛ = lim lim P n (x ɛ = lim lim P n (x ɛ = lim x ɛ = x (6 ɛ 0 ɛ 0 ɛ 0 ɛ 0 wobei das dritte Gleichheitszeichen aus sup P X n = sup P n X < und der daraus resultierenden Gleichmäÿigkeit der Grenzübergangs in n folgt. Es folgt dass (b n eine Folge wie im Beweis der Umkehrung von Lemma ist. Der Rest folgt dann genauso. Satz 3. Sei (b n eine Schauderbasis auf einem Banachraum X. Setze für x = a n b n dann N X x B := sup a i b i. Es gelten die folgenden Aussagen: N N 5

6 (i B ist eine Norm auf X. (b n ist auch eine Schauderbasis auf (X, B und für die kanonischen Projekionen P N gilt P N B. (ii (X, B ist ein Banachraum und B eine äquivalente Norm auf X. (iii Es gilt sup P n X < für n N. Beweis. (i Wir zeigen zuerst, dass B eine Norm auf X ist. Die Wohldeniertheit folgt aus N x X = lim a n b n < (7 n X Die omogenität und die Dreiecksungleichung folgen sofort aus der Denition. Für die Denitheit betrachte die wieder (7. Es folgt sofort x B x X. Für x B = 0 folgt dann x X = 0 und weil X eine Norm ist, dann auch x = 0. Damit ist B eine Norm auf X. Nun zeigen wir, dass (b n auch eine Schauderbasis auf (X, B ist. Dazu verwenden wir Lemma. Für die kanonischen Projektionen P n der Schauderbasis (b n in (X, X rechnen wir also die Eigenschaften (i-(iii und die gleichmäÿige Beschränktheit der P n als Abbildung auf (X, B nach. Die Eigenschaften (i und (ii sind keine Frage der Topologie und folgen daher einfach weil (b n eine Schauderbasis auf (X, X ist. Für die Eigenschaft (iii wähle x X. Es gilt x P n (x B = sup P m (x P n P m (x X = sup P m (x P n (x X 0, (8 n m da die P n (x für n N den endlichen Teilsummen der Reihendarstellung bzgl. der Schauderbasis entsprechen und die eine Cauchyfolge in (X, X sind. Für die Beschränkheit betrachte schlieÿlich für m N P m B = sup x B = sup P m x B = { sup { da ja P n P m (x = P min(m,n (x. sup x B sup P n P m (x X = sup sup x B P n P m (x X : für x gilt sup P i (x X i N P n P m (x X = (9 }}, (0 (ii Wir zeigen zuerst, dass (X, B ein vollständiger Raum ist. Sei dazu X die Vervollständigung von X bzgl. B. Wir rechnen nach, dass X = X gilt. In (i haben wir gezeigt, dass (b n eine Schauderbasis (X, B. Mit Lemma folgt auch, dass (b n Schauderbasis der Vervollständigung X ist. Sei nun x X, dann existiert eine eindeutige Folge von Skalaren a n mit x = a n b n. Da ja lt. (i auch B X auf X gilt, folgt, dass N a n b n eine Cauchyfolge in (X, X ist. Daher gibt es x X mit N a n b n x bzgl. X für N, denn (X, X ist ein Banachraum. (b n ist auch eine Schauderbasis in (X, B und wegen Lemma, (iii gilt dann auch P N (x = N a n b n x bzgl. B. Insgesamt folgt x = x. 6

7 Für die Äquivalenz der Normen betrachte nun Einbettung ι X : (X, B (X, X. Wegen B X ist das eine stetige bijektive Abbildung zwischen zwei Banachräumen. Mit einem Korollar des Satzes der oenen Abbildung folgt, dass auch ι X stetig ist und damit auch die Äquivalenz der Normen. (iii Lt. (i gilt P n B für n N. Lt. (ii sind B und X äquivalente Normen, womit die Aussage unmittelbar folgt. Satz 4. Sei (b n eine Schauderbasis auf einem Banachraum X. Die Abbildung ψ N : X R (C : x = a n b n a N ( ist ein stetiges lineares Funktional auf X und es gilt b N X ψ N C B b N X ( Beweis. Setze P 0 = 0. Für x = a n b n und N N gilt dann und schlieÿlich ψ N X = P n (x P n (x X = ψ N (x b N X = ψ N (x b N X (3 sup ψ (x = b N X x X sup x X ψ (x b N X b N X sup P n X }{{} lt. Satz 3 (iii <, (4 Schlieÿlich gilt noch ψ N (b N = und damit ψ N X b N X Insgesamt folgt ψ N X b N X. 7

8 Spezielle Schauderbasen auf ilberträumen Sei nun ein ilbertraum. Bemerkung 5. ˆ Für eine Schauderbasis (b n betrachte das Funktional ψ N : R (C : x = a n b n a N (5 wie in Satz 4. ψ N ist eine stetiges lineares Funktional und mit dem Satz von Riesz-Fischer existiert eine eindeutige Folge (c n mit ψ n (x = (x, c n x n N (6 und damit gilt: x = a n b n = ψ n (x b n = (x, c n b n (7 Wir erhalten auf diese Weise also eine Verallgemeinerung der Fourierreihe bzgl. einer ONB auf dem ilbertraum. ˆ Klarerweise gilt (b m, c n = δ mn für m, n N. ˆ Es folgt ψ n = c n. Bemerkung 5 motiviert die folgende Denition: Denition 6. Sei ein ilbertraum. Zwei Folgen (c n und (d n in diesem ilbertraum heiÿen biorthogonal, wenn (c n, d m = δ nm n, m N (8 8

9 Satz 7 (Banach. Sei ein ilbertraum mit einer Schauderbasis (b n. (i Es existiert genau eine Folge (c n, sodass (b n und (c n biorthogonal sind. (ii Es gilt span {c n : n N} =. (iii Jedes x wird durch x = (x, c n b n (9 eindeutig bzgl. (b n dargestellt. (iv (c n aus (i ist auch eine Schauderbasis von. Beweis. (i Für eine Schauderbasis (b n lässt sich wie in Bemerkung 5 eine biorthogonale Folge (c n nden. Es muss lt. Denition 6 für jedes n 0 N dann c n0 span {b n : n n 0 } gelten. Es gilt dim span {b n : n n 0 } = und wegen (b n0, c n0 = ist (c n auch schon die einzige mögliche Folge. (ii Wir zeigen span {c n : n N} = 0. Für x = a n b n span {c n : n N} gilt sicher (c n, x = 0 für alle n N. Berechne dann ( 0 = (x, c m = a n b n, c m = Damit folgt aber x = 0. Schlieÿlich folgt span {c n : n N} =. (iii Mit Bemerkung 5 und (i folgt die Aussage unmittelbar. (iv Lt. dem vorherigen Punkt gilt für jedes x die Gleichung x = a n (b n, c m = a n (b m, c m = a m m N (30 (x, c n b n (3 und diese Summe konvergiert in der Norm. Wegen der Stetigkeit des Skalarprodukts (, folgt, dass für y auch (x, y = (x, c n (b n, y R (C (3 gilt. Es gilt weiters (x, y = lim N Betrachte weiters die Projektionen ( x, N (y, b n c n x, y (33 N Q N : span {c n : n N} : y (y, b n c n (34 9

10 Die Q N sind sicher beschränkt, da x (x, b n für jedes n N sicher stetig ist und Q N damit nur ein endliche Summe von stetigen Abbildungen ist. Mit (33 folgt dann Q n (y y bzw. Q n id. Schwach konvergente Teilfolgen sind beschränkt (folgt aus Banach-Steinhaus, d.h für x gilt sup Q n (y M y. Mit dem Prinzip der gleichmäÿigen Beschränktheit (vgl. [FANA], Korollar 4.. folgt dann, sup Q n < M <. Mit (ii wähle dann für ein y und ɛ R + können wegen (ii N ɛ N und d ɛ n mit n N ɛ derart gewählt werden, dass gilt. Weiters gilt damit N ɛ y d ɛ nc n < ɛ (35 N Q N (y ɛ N ɛ d ɛ nc n = Q N (y d ɛ nc n für N > N ɛ (36 und damit Q N ɛ N (y d ɛ nc n Mɛ (37 Für N > N ɛ gilt damit N ɛ Q N (y x Q N (y d ɛ N nc n + ɛ d ɛ nc n y ( + M ɛ (38 Damit gilt Q N (y = N (y, b n c n x bzw. y = (y, b n c n. Für die Eindeutigkeit betrachte eine weitere Darstellung y = d n c n. Dann gilt Q (y = d c = (y, b c. Weil sicher c n 0 für n N gilt (sonst wäre der n-te Koezient immer 0, folgt d = (y, b. Induktiv folgt, dann sofort d n = (y, b n für n N. 0

11 Bevor wir Riesz-Basen denieren noch die folgende Bemerkung: Bemerkung 8. Sei (φ n eine ONB auf einem ilbertraum und A B ( und sogar invertierbar. Für x gilt dann A x = ( A x, φ n φ n = ( x, A φ n φ n (39 und ( ( x = A x, A φ n φ n = ( x, A φ n Aφ n (40 Setze nun b n := Aφ n und c n := A φ n für n N. Es gilt (b m, c n = ( Aφ m, A φ n = ( Aφ m, A φ n = ( A Aφ m, φ n = δ mn (4 damit haben wir die Folgen (b n und die dazu biorthogonale Folge (b n, mit x = (x, c n b n (4 Wegen ( (x, c m = a n b n, c n = a m m N (43 folgt dann die Eindeutigkeit dieser Darstellung. Damit wird jede Orthonormalbasis (φ n durch einen Operator A B ( in die Schauderbasis (Aφ n deniert. Durch Bemerkung 8 wird die folgende Denition motiviert. Denition 9 (Riesz-Basis. Eine Folge (b n auf einem ilbertraum heiÿt äquivalent zu einer Orthonormalbasis (φ n, wenn es einen invertierbaren Operator A B ( gibt, mit Aφ n = b n für alle n N. Eine solche Schauderbasis wird auch Riesz-Basis genannt. Bemerkung 0. ˆ Wie in Bemerkung 8 folgt, dass eine Riesz-Basis eine Schauderbasis ist, womit der Basisgegri gerechtfertigt ist. ˆ In Denition 9 ist es äquivalent zu fordern, dass es einen Operator à B ( gibt, mit Ãb n = φ n, wobei (φ n eine Orthonormalbasis ist; wähle einfach à := A.

12 Lemma. Sei (b n eine Riesz-Basis auf. (i Die zu (b n biorthogonale Basis (c n ist auch eine Riesz-Basis. (ii Es gilt sup b n A und inf b n. A ( (iii b n b n ist auch eine Riesz-Basis. Beweis. (i Lt. Voraussetzung existiert ein A B ( und eine ONB (φ n mit Aφ n = b n für alle n N. Betrachte schlieÿlich die Folge (A φ n mit für n N. Wie schon in (4 gilt (b m, A φ n = δ mn für m, n N. Da (b n eine Schauderbasis ist und die zu einer Schauderbasis biorthogonale Folge lt. Satz 7 eindeutig und wieder eine Schauderbasis ist, und sicher A B ( und A auch invertierbar ist, folgt die Aussage unmittelbar. (ii Es gilt und weiter womit beide Ungleichungen gezeigt sind. b n = Aφ n A n N (44 = φ n = A b n A b n n N (45 (iii Deniere für n N die auf der ONB (φ n die Abbildung Bφ n = φ n b n ; dadurch die lineare Fortsetzung B auf span {φ n : n N} eindeutig deniert. Mit (ii berechne ( N B a n φ n N = a n A b n = ( N A B a n φ n N a n = (46 Stetig fortsetzen auf liefert schlieÿlich B B (. ( Analog folgt, dass B invertierbar ist. Es gilt ABφ n = b n b n für alle n N und damit ist b n b n eine Riesz-Basis. (47

13 Bemerkung. ˆ Jede Riesz-Basis ist lt. Denition eine Schauderbasis. Die Frage unter welchen Voraussetzungen eine Schauderbasis eine Riesz-Basis ist, ist nicht so einfach zu beantworten. Details dazu später. ˆ Riesz-Basen sind im Wesentlichen ONB auf bzgl. einem veränderten, dieselbe Topologie erzeugenden Skalarprodukt (,. Dazu der folgende Satz. Satz 3. Die folgenden Aussagen sind äquivalent: (i Die Folge (b n ist eine Riesz-Basis. (ii Es gibt ein Skalarprodukt (, (, auf, das dieselbe Topologie wie (, (b n ist eine ONB in (, (,. erzeugt und (iii span {b n : n N} = und es existieren K, K R + sodass N N und für jede Folge von Skalaren (a n gilt: K N a n N a n b n K N a n (48 (iv span {b n : n N} =, es existiert eine zu (b n biorthogonale Folge (c n mit span {c n : n N} = und es gilt (f, b n <, (f, c n < (49 Beweis. ˆ (i (ii: Sei A B ( der invertierbare Operator auf, der (b n auf eine ONB (φ n abbildet. Betrachte (x, y := (Ax, Ay ; es folgt leicht, dass (, ein Skalarprodukt auf ist. Bezeichne die zugehörige Norm auf mit. Man rechnet auch leicht nach, dass gilt. Schlieÿlich gilt noch womit (b n eine ONB in (, (, ist. A x Ax = x A x (50 (b m, b n = (Ab m, Ab m = (φ m, φ n = δ mn, (5 ˆ (ii (iii: Im vorherigen Schritt haben wir nachgerechnet, dass für x die Ungleichungskette K x Ax K x (5 für K, K R + gilt. Sei nun (a n eine Folge von Skalaren und N N, dann gilt K N N a n = K a n φ n N K a n φ n ( N A a n φ n N = a n b n (53 N = K a n (54 3

14 ˆ (iii (i: Sei (φ n eine beliebige abzählbare ONB auf. Eine solche existiert; wende auf (b n einfach das Orthogonalisierungsverfahren von Gram-Schmidt an. Deniere die Operatoren N N A : span {φ n : n N} span {b n : n N} : a n φ n a n b n (55 und dieser Operator ist sicher wohldeniert. Betrachte weiter N A : span {b n : n N} span {φ n : n N} : a n b n N a n φ n (56 was per se noch nicht wohldeniert ist, denn {b n : n N} ist keine Basis. Sei nun aber o.e.d.a für x span {b n : n N} dann x = N a n b n = N ã n b n für Folgen (a n N und (ã n N. Wegen der Voraussetzung in (iii gilt dann: N a n ã n K N a n b n N ã n b n = 0 (57 und damit folgt die wohldeniertheit von A auf span {b n : n N}. Insgesamt folgt nun ( N A N N a n φ n = a n b n K a n N = a n φ n und ( N A a n b n N = a n φ n = N a n K N a n b n Damit sind A und A dicht denierte und beschränkte Opertoren und lassen sich daher eindeutig auf A, A B ( fortsetzen. Es folgt leicht A A = A A = id. Damit ist A B ( ein linearer invertierbarer Operator mit Aφ n = b n und damit ist (b n eine Riesz-Basis. ˆ (i (iv: Der erste Teil der Aussage ist trivial. Für den zweiten Teil der Aussage sei (c n die zur Riesz-Basis (b n birorthognoale Basis. Es existiert ein A B (, das noch dazu invertierbar ist mit Ab n = φ n = A c n für alle n N. Nun gilt lt. Bemerkung 5 x = (x, c n b n = (58 (59 (x, b n c n (60 und weiter also auch Ax = (x, c n Ab n = (x, c n φ n (6 A x = (x, b n A c n = (x, b n φ n (6 und schlieÿlich > Ax = (x, c n und > A x = (x, b n (63 ˆ (iv (i: Mühsam, vgl. [GOKREIN], Kapitel 6, Theorem. 4

15 Denition 4. Eine Schauderbasis (b n auf einem ilbertraum heiÿt permutierbar, wenn jede Permutation der Basiselemente wieder eine Schauderbasis ergibt. Lemma 5. (i Abzählbare ONBs sind permutierbar. (ii Die zu einer Schauderbasis (b n biorthogonale Schauderbasis ist wieder permutierbar. (iii Riesz-Basen sind permutierbar. Beweis. (i Folgt aus Bemerkung 8. (ii Sei (b n permutierbar und σ : N N eine beliebige Permutation. Betrachte die lt. Lemma 7 eindeutige biorthogonale Basis (c n. Klarerweise ist ( c σ(n biorthogonal zur Folge ( bσ(n und lt. Voraussetzung ist ( b σ(n wieder eine Schauderbasis. Wieder mit Lemma 7 folgt, dass ( c σ(n wieder eine Schauderbasis ist. (iii Sei x beliebig, (b n eine Riesz-Basis, σ : N N eine beliebige Permutation und (φ n und A B ( die zugehörigen ONB und der beschränkte, invertierbare, lineare Operator, mit Aφ n = b n für n N. Es gibt dann eine eindeutige Folge (a n von Skalaren, sodass x = = A a n b n = A A a σ(n φ σ(n = a n b n = A a n Ab n = A a n φ n = (64 a σ(n A φ σ(n = a σ(n b σ(n, (65 gilt, wobei das vierte Gleichheitszeichen aus der Permutierbarkeit von ONBs folgt. Die Eindeutigkeit dieser Darstellung folgt wie in Satz 7, (iii. Bemerkung 6. In Lemma 5 haben wir für einen ilbertraum mit der permutierbaren Basis (b ( n, ihre biorthognoale Basis (c n und für eine Permutation σ : N N gezeigt, dass die zu bσ(n biorthogonale Basis ( c σ(n ist. Da lt. Satz 7 x = (x, c n b n und diese Darstellung eindeutig ist, folgt auch x = ( x, cσ(n b σ(n. Damit ist die Koezientenfolge einer permutierten Schauderbasis gleich der permutierten Koezientenfolge. Wir zitieren Lemmas. Lemma 7. Sei (b n eine Folge in einem Banachraum X (nicht unbedingt eine Schauderbasis und sei { } sup b n : A < <, (66 n A X dann gelten die folgenden beiden Aussagen. (i Es gilt sup N; ɛ n N ɛ n b n < (67 X 5

16 (ii und b n X < (68 Beweis. Siehe [GOKREIN], Kapitel 6, Lemma., Lemma. Denition 8. Eine Schauderbasis (b n auf einem ilbertraum heiÿt fast normiert, wenn inf b n > 0 und sup b n < (69 Lemma 9. (i Sei (c n die zur fast normierten Schauderbasis (b n auf einem ilbertraum biorthogonale Basis, dann ist auch (c n fast normiert. (ii Riesz-Basen sind fast normiert. Beweis. (i Betrachte die Abbildung ψ N aus Bemerkung 8. Mit dem.teil der Bemerkung und Satz 4 folgt inf c n = inf ψ n inf b n = sup > 0 (70 b n und sup c n = sup ψ n C B sup = C B b n inf b < (7 n für eine von der Basis abhängigen Konstante C B R +. (ii Bereits in Lemma (ii gezeigt. Satz 30. Eine Schauderbasis (b n auf einem ilbertraum ist eine Riesz-Basis, genau dann wenn sie permutierbar und fast normiert ist. Beweis. ˆ = : Bereits in Lemma 5 (ii bzw. Lemma 9 (ii gezeigt. ˆ =: Ein beliebiges x und eine beliebige Permutation σ : N N gilt lt. Bemerkung 5 und weil (b n lt. Voraussetzung permutierbar ist, dann x = (x, c n b n = ( x, cσ(n b σ(n (7 wobei (c n die zu (b n biorthogonale Schauderbasis ist. Für eine beliebige Permutation σ : N N und für ein x = (x, c n b n = ( x, cσ(n b σ(n gilt wegen Satz 3 dann > x X C x B (x, c n b n n A B (73 6

17 denn für A < ordne die n A einfach nach vorne. Damit ist aber auch die Voraussetzung von Lemma 7 erfüllt und es gilt: (x, c n b n < (74 und analog (x, b n c n < (75 Da (b n und (c n lt. Lemma 9 (ii fast normiert sind, folgt die Aussage folgt nun mit Satz 3. (x, c n < und (x, b n < (76 Beispiel 3. Es ist gar nicht so leicht eine Schauderbasis (b n zu nden, die keine Rieszbasis ist. Betrachte etwa das Beispiel von K.I. Babenko. (( α + x α exp (iπnx < α < ; α 0 (77 n Z Dies ist eine Basis auf L (,, aber keine Riesz-Basis. 7

18 3 Literatur [ANA] M. Kaltenbäck, Analysis für Technische Mathematik, Vorlesungsskript an der TU Wien, 0 [BASPT] M. Fabian, P. abala, P. ajek, V. Montesinos, V. Zizler, Banach Space Theory- The basis for linear and non-linear Analysis, Springer, New York, 00 [FANA]. Woracek, M. Kaltenbäck und M. Blümlinger, Funktionalanalysis, 8.Auage, Vorlesungsskript an der TU Wien, April 0 [GOKREIN] I.C. Gohberg, M.G. Krein, Introduction to the theory of linear nonselfadjoint operators, American Mathematical Society, Rhode Island, 969 [AV]. avlicek, Lineare Algebra für Technische Mathematiker, eldermann Verlag, Berliner Studienreihe zur Mathematik, Band 6, Berlin 006 [WIKI] ; Zugri am

x, 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

x, 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,

Mehr

Vollständiger Raum, Banachraum

Vollständiger Raum, Banachraum Grundbegriffe beschränkte Menge Cauchyfolge Vollständiger Raum, Banachraum Kriterium für die Vollständigkeit Präkompakte Menge Kompakte Menge Entropiezahl Eigenschaften kompakter und präkompakter Mengen

Mehr

Eigenschaften kompakter Operatoren

Eigenschaften kompakter Operatoren Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften

Mehr

10 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. (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,

Mehr

also ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges

also ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges 11. Kompakte Operatoren Seien X, Y Banachräume, und sei T : X Y ein linearer Operator. Definition 11.1. T heißt kompakt, enn T (B) eine kompakte Teilmenge von Y ist für alle beschränkten Mengen B X. Wir

Mehr

Lineare Algebra II 8. Übungsblatt

Lineare 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.

Mehr

Lösungsvorschlag zu den Hausaufgaben der 8. Übung

Lösungsvorschlag 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

Mehr

Topologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen

Topologische 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

Mehr

Vektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1

Vektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,

Mehr

ist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).

ist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1). Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)

Mehr

= ( n x j x j ) 1 / 2

= ( 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

Mehr

Von Skalarprodukten induzierte Normen

Von 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

Mehr

Kapitel 3. Konvergenz von Folgen und Reihen

Kapitel 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

Mehr

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153 3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische

Mehr

Satz 2.3. Jeder lineare normierte Raum wird durch Einführung einer Metrik

Satz 2.3. Jeder lineare normierte Raum wird durch Einführung einer Metrik Kapitel Lineare normierte Räume.1 Allgemeiner Überblick Definition.1. Eine Menge X, in der über einem Zahlenkörper K (K = R oder K = C) die Addition und λ-multiplikation mit den üblichen Verbindungsaxiomen

Mehr

9 Vektorräume mit Skalarprodukt

9 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

Mehr

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

2. 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

Mehr

Definition 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

Definition 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

Mehr

Kapitel 5. Vektorräume mit Skalarprodukt

Kapitel 5. Vektorräume mit Skalarprodukt Kapitel 5 Vektorräume mit Skalarprodukt 119 120 Kapitel V: Vektorräume mit Skalarprodukt 5.1 Elementare Eigenschaften des Skalarprodukts Dienstag, 20. April 04 Wollen wir in einem Vektorraum wie in der

Mehr

Euklidische und unitäre Vektorräume

Euklidische und unitäre Vektorräume Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein

Mehr

35 Stetige lineare Abbildungen

35 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.

Mehr

Lineare Algebra I (WS 13/14)

Lineare Algebra I (WS 13/14) Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 05.11.2013 Alexander Lytchak 1 / 14 Linearkombinationen Definition Es sei V ein reeller Vektorraum. Es sei (v i ) i

Mehr

4 Fehlerabschätzungen und Konvergenz der FEM

4 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

Mehr

i=1 i=1,...,n x K f(x).

i=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,

Mehr

4.1. Vektorräume und lineare Abbildungen

4.1. Vektorräume und lineare Abbildungen 4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt

Mehr

10.2 Linearkombinationen

10.2 Linearkombinationen 147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition

Mehr

11.2 Orthogonalität. Wintersemester 2013/2014

11.2 Orthogonalität. Wintersemester 2013/2014 Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 2013/2014 Markus Scheighofer Lineare Algebra I 11.2 Orthogonalität Definition 11.2.1. Seien V ein K-Vektorraum mit Skalarprodukt

Mehr

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

Bild, Faser, Kern. Stefan Ruzika. 23. Mai Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 23. Mai 2016 Stefan Ruzika 7: Bild, Faser, Kern 23. Mai 2016 1 / 11 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume 4 Basis

Mehr

Konvergenz im quadratischen Mittel - Hilberträume

Konvergenz 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

Mehr

Klausur zur Höheren Mathematik IV

Klausur 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

Mehr

1 Euklidische und unitäre Vektorräume

1 Euklidische und unitäre Vektorräume 1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen

Mehr

ϕ 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 ).

ϕ 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

Mehr

Optimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme

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

Mehr

Basis und Dimension. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Basis und Dimension. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren Basis und Dimension Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren aus V. 1) (v i ) i I heißt ein Erzeugendensystem von V, wenn Span(v i ) = V. 2) (v i ) i I heißt Basis von

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE 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

Mehr

Summen und direkte Summen

Summen und direkte Summen Summen und direkte Summen Sei V ein K-Vektorraum. Wie früher erwähnt, ist für beliebige Teilmengen M, N V die Teilmenge M +N V wie folgt definiert M +N = {v+w : v M, w N}. Man sieht leicht, dass i.a. M

Mehr

Ausgewählte Lösungen zu den Übungsblättern 4-5

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

Mehr

Musterlösungen zur Linearen Algebra II Weihnachtszettel

Musterlösungen zur Linearen Algebra II Weihnachtszettel Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu

Mehr

70 IV. ENDLICH-DIMENSIONALE VEKTORRÄUME

70 IV. ENDLICH-DIMENSIONALE VEKTORRÄUME IV. Endlich-dimensionale Vektorräume Unter einem endlich-dimensionalen Vektorraum verstehen wir einen Vektorraum, der eine endliche Basis besitzt. Die entscheidende Beobachtung ist die Tatsache, dass in

Mehr

Das Singularitätentheorem von Hawking Teil 2

Das Singularitätentheorem von Hawking Teil 2 Das Singularitätentheorem von Hawking Teil Jakob Hedicke 0.06.06 In diesem Vortrag werden wir den Beweis des Singularitätentheorems von Stephen Hawking vervollständigen. Im letzten Vortrag wurde bereits

Mehr

2.3 Basis und Dimension

2.3 Basis und Dimension Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit

Mehr

Topologische Aspekte: Eine kurze Zusammenfassung

Topologische Aspekte: Eine kurze Zusammenfassung Kapitel 1 Topologische Aspekte: Eine kurze Zusammenfassung Wer das erste Knopfloch verfehlt, kommt mit dem Zuknöpfen nicht zu Rande J. W. Goethe In diesem Kapitel bringen wir die Begriffe Umgebung, Konvergenz,

Mehr

Lösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.

Lösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1. Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )

Mehr

Cauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit

Cauchy-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

Mehr

(Allgemeine) Vektorräume (Teschl/Teschl 9)

(Allgemeine) Vektorräume (Teschl/Teschl 9) (Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:

Mehr

3.5 Duale Vektorräume und Abbildungen

3.5 Duale Vektorräume und Abbildungen 3.5. DUALE VEKTORRÄUME UND ABBILDUNGEN 103 3.5 Duale Vektorräume und Abbildungen Wir wollen im Folgenden auch geometrische Zusammenhänge mathematisch beschreiben und beginnen deshalb jetzt mit der Einführung

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik 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

Mehr

2 Die Dimension eines Vektorraums

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

Mehr

Kompaktheit und Überdeckungen. 1 Überdeckungskompaktheit

Kompaktheit und Überdeckungen. 1 Überdeckungskompaktheit Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer In diesem Vortrag werden die Eigenschaften von kompakten, metrischen Räumen vertieft. Unser Ziel ist es Techniken zu erlernen, um

Mehr

Kapitel 5 KONVERGENZ

Kapitel 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

Mehr

6.2 Basen. Wintersemester 2013/2014. Definition Seien V ein K-Vektorraum, n N 0 und v 1,..., v n V. (a) Man nennt

6.2 Basen. Wintersemester 2013/2014. Definition Seien V ein K-Vektorraum, n N 0 und v 1,..., v n V. (a) Man nennt Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 213/214 Markus Schweighofer Lineare Algebra I 6.2 Basen Definition 6.2.1. Seien V ein K-Vektorraum, n N und v 1,..., v n V. (a)

Mehr

Konstruktion der reellen Zahlen

Konstruktion der reellen Zahlen Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert

Mehr

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $ Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit

Mehr

Lineare Algebra I (WS 13/14)

Lineare Algebra I (WS 13/14) Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden

Mehr

Lösungen der Übungsaufgaben von Kapitel 3

Lösungen 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

Mehr

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

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

Mehr

Zusammenfassung der Lebesgue-Integrationstheorie

Zusammenfassung der Lebesgue-Integrationstheorie Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,

Mehr

2 Euklidische Vektorräume

2 Euklidische Vektorräume Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,

Mehr

Konstruktion der reellen Zahlen. 1 Der Körper der reellen Zahlen

Konstruktion der reellen Zahlen. 1 Der Körper der reellen Zahlen Vortrag zum Proseminar zur Analysis, 24.10.2012 Adrian Hauffe-Waschbüsch In diesem Vortrag werden die reellen Zahlen aus rationalen Cauchy-Folgen konstruiert. Dies dient zur Vorbereitung der späteren Vorträge,

Mehr

4 Messbare Funktionen

4 Messbare Funktionen 4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und

Mehr

Technische Universität München

Technische Universität München Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...

L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung

Mehr

Lineare Algebra I Zusammenfassung

Lineare Algebra I Zusammenfassung Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition

Mehr

$Id: folgen.tex,v /05/31 12:40:06 hk Exp $ an 1 2 n 1 ist gerade, 3a n 1 + 1, a n 1 ist ungerade.

$Id: folgen.tex,v /05/31 12:40:06 hk Exp $ an 1 2 n 1 ist gerade, 3a n 1 + 1, a n 1 ist ungerade. $Id: folgen.tex,v. 202/05/3 2:40:06 hk Exp $ 6 Folgen Am Ende der letzten Sitzung hatten wir Folgen in einer Menge X als Abbildungen a : N X definiert, die dann typischerweise in der Form (a n ) n N, also

Mehr

4 Fehlerabschätzungen und Konvergenz der FEM

4 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

Mehr

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse

Mehr

Skalarprodukt, Norm & Metrik

Skalarprodukt, Norm & Metrik Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1

Mehr

Lineare Algebra I. - 9.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Korrektur: 2. Klausurtermin:

Lineare Algebra I. - 9.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Korrektur: 2. Klausurtermin: Lineare Algebra I - 9.Vorlesung - rof. Dr. Daniel Roggenkamp & Falko Gauß Korrektur: 2. Klausurtermin: 09.02.2017 Linearkombination von Vektoren lineare Hülle Erzeugendensystem S lineare Unabhängigkeit

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte und Diagonalisierung Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende

Mehr

Vektorräume. Kapitel Definition und Beispiele

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

Mehr

10 Untermannigfaltigkeiten

10 Untermannigfaltigkeiten 10. Untermannigfaltigkeiten 1 10 Untermannigfaltigkeiten Definition. Eine Menge M R n heißt k-dimensionale Untermannigfaltigkeit des R n, 1 k n, falls es zu jedem a M eine offene Umgebung U R n von a und

Mehr

Spickzettel Mathe C1

Spickzettel Mathe C1 Spickzettel Mathe C1 1 Mengenlehre 1.1 Potenzmenge Die Potenzmenge P (Ω) einer Menge Ω ist die Menge aller Teilmengen von Ω. Dabei gilt: P (Ω) := {A A Ω} card P (Ω) = 2 card Ω P (Ω) 1.2 Mengenalgebra Eine

Mehr

Konvergenz, Filter und der Satz von Tychonoff

Konvergenz, Filter und der Satz von Tychonoff Abschnitt 4 Konvergenz, Filter und der Satz von Tychonoff In metrischen Räumen kann man topologische Begriffe wie Stetigkeit, Abschluss, Kompaktheit auch mit Hilfe von Konvergenz von Folgen charakterisieren.

Mehr

1 Linearkombinationen

1 Linearkombinationen Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Linearkombinationen Unter einer Linearkombination versteht man in der linearen Algebra einen Vektor, der sich durch

Mehr

9. Übung zur Linearen Algebra II -

9. Übung zur Linearen Algebra II - 9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).

Mehr

entspricht der Länge des Vektorpfeils. Im R 2 : x =

entspricht der Länge des Vektorpfeils. Im R 2 : x = Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.

Mehr

1 2. Körpererweiterungen

1 2. Körpererweiterungen 1 2. Körpererweiterungen 1 2. 1. Definition: Sind K, L Körper und i: K L ein Ringhomomorphismus, so ist i injektiv, wir fassen K vermöge i als Unterkörper von L auf, schreiben dafür L K und nennen L eine

Mehr

$Id: vektor.tex,v /01/21 14:35:13 hk Exp $

$Id: vektor.tex,v /01/21 14:35:13 hk Exp $ Mathematik für Physiker I, WS 2/2 Freitag 2 $Id: vektortex,v 5 2//2 4:35:3 hk Exp $ Vektorräume 2 Untervektorräume und Erzeugendensysteme Am Ende der letzten Sitzung hatten wir wieder einmal den Lösungsraum

Mehr

L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...

L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt

Mehr

Vektorräume und Lineare Abbildungen

Vektorräume 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

Mehr

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

Vektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition) Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz

Mehr

α + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus

α + 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

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

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

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare Algebra II, Lösungshinweise Blatt 9 Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren

Mehr

4 Elementare Vektorraumtheorie

4 Elementare Vektorraumtheorie 4. ELEMENTARE VEKTORRAUMTHEORIE 51 4 Elementare Vektorraumtheorie Im folgenden sei K stets ein Körper. Definition. (i) Eine homogene Gleichung in den Unbekannten ξ 1,..., ξ n ist ein Ausdruck der Gestalt

Mehr

Donnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl.

Donnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl. Unterräume und Lineare Hülle 59 3. Unterräume und Lineare Hülle Definition.1 Eine Teilmenge U eines R-Vektorraums V heißt von V, wenn gilt: Unterraum (U 1) 0 U. (U ) U + U U, d.h. x, y U x + y U. (U )

Mehr

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

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau 312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind

Mehr

3 Vollständige Induktion

3 Vollständige Induktion 3.1 Natürliche Zahlen In den vorherigen Kapiteln haben wir die Menge der natürlichen Zahlen schon mehrfach als Beispiel benutzt. Das Konzept der natürlichen Zahlen erscheint uns einfach, da wir es schon

Mehr

Unterricht 13: Wiederholung.

Unterricht 13: Wiederholung. , 1 I Unterricht 13: Wiederholung. Erinnerungen: Die kleinen Übungen nden diese Woche statt. Zur Prüfung müssen Sie Lichtbildausweis (Personalausweis oder Reisepass) Studierendenausweis mitbringen. I.1

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 2 Ein guter Schüler lernt auch bei einem schlechten Lehrer Eigentheorie Unter einer Achsenspiegelung in der

Mehr

Gegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.

Gegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen. 1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild

Mehr

Das Banach-Tarski-Paradox

Das Banach-Tarski-Paradox Das Banach-Tarski-Paradox Thomas Neukirchner Nicht-messbare Mengen verdeutlichen auf eindrucksvolle Weise, dass es keinen additiven - geschweige denn σ-additiven Volumenbegriff auf der Potenzmenge P(R

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

1 Angeordnete Körper. 1.1 Anordnungen und Positivbereiche

1 Angeordnete Körper. 1.1 Anordnungen und Positivbereiche 1 1 Angeordnete Körper 1.1 Anordnungen und Positivbereiche Definition 1.1. Eine zweistellige Relation auf einer Menge heißt partielle Ordnung, falls für alle Elemente a, b, c der Menge gilt: (i) a a (ii)

Mehr

2 Folgen und Reihen. 2.1 Folgen in C Konvergenz von Folgen. := f(n)

2 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

Mehr

Höhere Mathematik für Physiker II

Höhere 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

Mehr

Kap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v

Kap 1: VEKTORRÄUME. (c) (λµ) v = λ (µ v) (b) λ (v + w) = (λ v) + (λ w) (d) 1 v = v Kap 1: VEKTORRÄUME Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung ϕ : I X, i ϕ(i) = x i, wobei die Menge I in diesem Zusammenhang auch Indexmenge genannt wird. Man schreibt vereinfacht

Mehr

Analysis I für Studierende der Ingenieurwissenschaften

Analysis 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

Mehr