Orthogonale Waveletbasen
|
|
- Petra Weber
- vor 6 Jahren
- Abrufe
Transkript
1 Orthogonale Waveletbasen Johannes Stemick Johannes Stemick () Orthogonale Waveletbasen / 46
2 Übersicht 1 Multiskalenanalyse und Skalierungsfunktion Haar-Basis Multiskalenanalyse Konstruktion einer Skalierungsfunktion 2 Orthogonale Waveletbasen Zwei-Skalen-Relation Conjugate Mirror Filter Orthogonale Wavelets Zusammenfassung 3 Daubechies Konstruktion Johannes Stemick () Orthogonale Waveletbasen / 46
3 Übersicht 1 Multiskalenanalyse und Skalierungsfunktion Haar-Basis Multiskalenanalyse Konstruktion einer Skalierungsfunktion 2 Orthogonale Waveletbasen Zwei-Skalen-Relation Conjugate Mirror Filter Orthogonale Wavelets Zusammenfassung 3 Daubechies Konstruktion Johannes Stemick () Orthogonale Waveletbasen / 46
4 x Johannes Stemick () Orthogonale Waveletbasen / 46
5 x Johannes Stemick () Orthogonale Waveletbasen / 46
6 x Johannes Stemick () Orthogonale Waveletbasen / 46
7 x 0.4 Johannes Stemick () Orthogonale Waveletbasen / 46
8 x Johannes Stemick () Orthogonale Waveletbasen / 46
9 Die Haar-Wavelet-Basis Idee: Verschieben und Skalieren der charakteristischen Funktion. Skalierungsfunktion φ(t) = χ [0,1) (t) = { 1 0 t < 1 0 sonst Johannes Stemick () Orthogonale Waveletbasen / 46
10 Die Haar-Wavelet-Basis Idee: Verschieben und Skalieren der charakteristischen Funktion. Skalierungsfunktion φ(t) = χ [0,1) (t) = { 1 0 t < 1 0 sonst Translation und Skalierung { φ j,k (t) = 1 1 k2 j t < (k + 1)2 j 2 j φ(2 j t k) = 2 j 0 sonst Johannes Stemick () Orthogonale Waveletbasen / 46
11 x x x Johannes Stemick () Orthogonale Waveletbasen / 46
12 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Johannes Stemick () Orthogonale Waveletbasen / 46
13 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Nicht normiert! Normierung mit 1 2 : 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) := h[0]φ(x) + h[1]φ(x 1). 2 2 Johannes Stemick () Orthogonale Waveletbasen / 46
14 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Nicht normiert! Normierung mit 1 2 : 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) := h[0]φ(x) + h[1]φ(x 1). 2 2 Definiere V j := span({φ j,k } k Z ). Es gilt: Johannes Stemick () Orthogonale Waveletbasen / 46
15 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Nicht normiert! Normierung mit 1 2 : 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) := h[0]φ(x) + h[1]φ(x 1). 2 2 Definiere V j := span({φ j,k } k Z ). Es gilt: V j V j 1 Johannes Stemick () Orthogonale Waveletbasen / 46
16 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Nicht normiert! Normierung mit 1 2 : 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) := h[0]φ(x) + h[1]φ(x 1). 2 2 Definiere V j := span({φ j,k } k Z ). Es gilt: V j V j 1 {φ j,k } k Z ist eine Orthonormalbasis von V j Johannes Stemick () Orthogonale Waveletbasen / 46
17 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Nicht normiert! Normierung mit 1 2 : 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) := h[0]φ(x) + h[1]φ(x 1). 2 2 Definiere V j := span({φ j,k } k Z ). Es gilt: V j V j 1 {φ j,k } k Z ist eine Orthonormalbasis von V j {φ j,k } (j,k) Z 2 liegt dicht in L 2 (R) Johannes Stemick () Orthogonale Waveletbasen / 46
18 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Nicht normiert! Normierung mit 1 2 : 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) := h[0]φ(x) + h[1]φ(x 1). 2 2 Definiere V j := span({φ j,k } k Z ). Es gilt: V j V j 1 {φ j,k } k Z ist eine Orthonormalbasis von V j {φ j,k } (j,k) Z 2 liegt dicht in L 2 (R) P Vj f = k Z f, φ j,k φ j,k Johannes Stemick () Orthogonale Waveletbasen / 46
19 Die Haar-Wavelet-Basis Wir beobachten χ [0,1) ( x 2 ) = χ[0,1) (x) + χ [0,1) (x 1). Nicht normiert! Normierung mit 1 2 : 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) := h[0]φ(x) + h[1]φ(x 1). 2 2 Definiere V j := span({φ j,k } k Z ). Es gilt: V j V j 1 {φ j,k } k Z ist eine Orthonormalbasis von V j {φ j,k } (j,k) Z 2 liegt dicht in L 2 (R) P Vj f = k Z f, φ j,k φ j,k φ j,k = 1 (j, k) Z 2 Johannes Stemick () Orthogonale Waveletbasen / 46
20 Die Haar-Wavelet-Basis Mit dem orthogonalen Komplement W j von V j in V j 1 gilt: V j 1 = V j W j. P Vj 1 f = P Vj f + P Wj f. Johannes Stemick () Orthogonale Waveletbasen / 46
21 Die Haar-Wavelet-Basis Mit dem orthogonalen Komplement W j von V j in V j 1 gilt: V j 1 = V j W j. P Vj 1 f = P Vj f + P Wj f. Mehrmaliges Durchführen: Ein P V und viele P W! Interpretation: Eine grobe Approximation und viele Details. P Vj P Vj+1 P Vj+2 P Vj+3 P Wj+1 P Wj+2 P Wj+3 Johannes Stemick () Orthogonale Waveletbasen / 46
22 Die Haar-Wavelet-Basis Basis für W j : Mother Wavelet 1 0 t < 1 2 ψ(t) := t < 1 0 sonst, Johannes Stemick () Orthogonale Waveletbasen / 46
23 Die Haar-Wavelet-Basis Basis für W j : Mother Wavelet Translation und Skalierung 1 0 t < 1 2 ψ(t) := t < 1 0 sonst, ψ k,j (t) = 1 1 k2 j t < (k j 2 )2j 2 j ψ(2 j t k) = 1 (k j 2 )2j t < (k + 1)2 j 0 sonst. Johannes Stemick () Orthogonale Waveletbasen / 46
24 Multiskalenanalyse Definition: Multiskalenanalyse(MRA) Eine Menge {V j } j Z abgeschlossener Teilräume von L 2 (R) heißt Multiskalenanalyse (multiresolution analysis, kurz MRA), falls gilt: (j, k) Z 2 : f V j f ( 2 j k) V j, (1) j Z : V j+1 V j, (2) j Z : f V j f ( 2 ) V j+1, (3) lim V j = V j = {0}, (4) j + j Z lim V j = V j = L 2 (R), (5) j j Z θ L 2 (R): {θ( n)} n Z ist eine Riesz-Basis von V 0. (6) Johannes Stemick () Orthogonale Waveletbasen / 46
25 Multiskalenanalyse Lemma 1: Riesz-Bedingung für θ Eine Familie {θ( n)} n Z ist eine Riesz-Basis des von ihr erzeugten Raumes V 0 genau dann, wenn es A, B > 0 gibt, so dass gilt. ω [ π, π] : 1 B + k= ˆθ(ω + 2kπ) 2 1 A : Per Widerspruch. Konstruktion einer passenden Funktion, die die Bedingung verletzt. Johannes Stemick () Orthogonale Waveletbasen / 46
26 Beweis : f V 0 f (t) = + n= a[n]θ(t n) := (a θ)(t). Johannes Stemick () Orthogonale Waveletbasen / 46
27 Beweis : f V 0 f (t) = + n= a[n]θ(t n) := (a θ)(t). ˆf (ω) = â(ω)ˆθ(ω) mit â(ω) = k Z a[k]e ikω. Johannes Stemick () Orthogonale Waveletbasen / 46
28 Beweis : f V 0 f (t) = + n= a[n]θ(t n) := (a θ)(t). ˆf (ω) = â(ω)ˆθ(ω) mit â(ω) = k Z a[k]e ikω. f 2 = 1 2π ˆf 2 = 1 ˆf (ω) 2 dω = 1 2π R 2π + â(ω) 2 ˆθ(ω) 2 dω Johannes Stemick () Orthogonale Waveletbasen / 46
29 Beweis : f V 0 f (t) = + n= a[n]θ(t n) := (a θ)(t). ˆf (ω) = â(ω)ˆθ(ω) mit â(ω) = k Z a[k]e ikω. f 2 = 1 2π ˆf 2 = 1 2π = 1 2π R 2π 0 ˆf (ω) 2 dω = 1 2π + k= + â(ω) 2 ˆθ(ω) 2 dω â(ω + 2kπ) 2 ˆθ(ω + 2kπ) 2 dω Johannes Stemick () Orthogonale Waveletbasen / 46
30 Beweis : f V 0 f (t) = + n= a[n]θ(t n) := (a θ)(t). ˆf (ω) = â(ω)ˆθ(ω) mit â(ω) = k Z a[k]e ikω. f 2 = 1 2π ˆf 2 = 1 2π = 1 2π R 2π 0 = 1 2π 2π 0 ˆf (ω) 2 dω = 1 2π + k= â(ω) 2 + â(ω) 2 ˆθ(ω) 2 dω â(ω + 2kπ) 2 ˆθ(ω + 2kπ) 2 dω + k= ˆθ(ω + 2kπ) 2 dω Johannes Stemick () Orthogonale Waveletbasen / 46
31 Beweis : f V 0 f (t) = + n= a[n]θ(t n) := (a θ)(t). ˆf (ω) = â(ω)ˆθ(ω) mit â(ω) = k Z a[k]e ikω. f 2 = 1 2π ˆf 2 = 1 2π = 1 2π R 2π 0 = 1 2π 2π 0 ˆf (ω) 2 dω = 1 2π + k= â(ω) 2 + â(ω) 2 ˆθ(ω) 2 dω â(ω + 2kπ) 2 ˆθ(ω + 2kπ) 2 dω + k= ˆθ(ω + 2kπ) 2 dω Einsetzen liefert die Behauptung. Linear unabhängig: klar. Johannes Stemick () Orthogonale Waveletbasen / 46
32 Beispiel: B-Splines B-Spline der Ordnung m: ( θ(t) = ( m+1 χ [0,1] ) + k= ˆθ(ω + 2kπ) 2 = + k= 1 + t + m ). sin( ω 2 + kπ) 2(m+1) ω 2 + kπ 2(m+1) 1 kπ 2m+2 := 1 B, k Z {0} da die letzte Summe sicherlich konvergiert. Nach unten gilt nun + k= sin( ω 2 + kπ) 2(m+1) ω 2 + kπ 2(m+1) sin( ω 2 ) ω 2 2m+2 min ω [ π 2, π 2 ] sin(ω) ω 2m+2 ( ) 2 π Johannes Stemick () Orthogonale Waveletbasen / 46
33 Eigenschaftsübertragung von V 0 auf V j Lemma 2: Übertragung der Riesz-Eigenschaft Ist eine Menge {φ( n)} n Z eine Riesz-Basis des Teilraumes V 0, so ist die Menge { 1 φ( n)} 2 j 2 j n Z eine Riesz-Basis des Teilraumes V j mit den gleichen Riesz-Konstanten A, B. Johannes Stemick () Orthogonale Waveletbasen / 46
34 Eigenschaftsübertragung von V 0 auf V j Lemma 2: Übertragung der Riesz-Eigenschaft Ist eine Menge {φ( n)} n Z eine Riesz-Basis des Teilraumes V 0, so ist die Menge { 1 φ( n)} 2 j 2 j n Z eine Riesz-Basis des Teilraumes V j mit den gleichen Riesz-Konstanten A, B. Beweis: Es gilt für f V j : f (2 j ) = a[n]φ( n) V 0 n Z f = a[n]φ(2 j n) = 1 ã[n] n Z n Z 2 j φ(2 j n) V j Johannes Stemick () Orthogonale Waveletbasen / 46
35 Eigenschaftsübertragung von V 0 auf V j Lemma 2: Übertragung der Riesz-Eigenschaft Ist eine Menge {φ( n)} n Z eine Riesz-Basis des Teilraumes V 0, so ist die Menge { 1 φ( n)} 2 j 2 j n Z eine Riesz-Basis des Teilraumes V j mit den gleichen Riesz-Konstanten A, B. Beweis: Es gilt für f V j : f (2 j ) = n Z a[n]φ( n) V 0 f = a[n]φ(2 j n) = 1 ã[n] n Z n Z 2 j φ(2 j n) V j f (2 j ) 2 = f (2 j t) 2 dt = 2 j f (u) 2 du = 2 j f 2. R R Johannes Stemick () Orthogonale Waveletbasen / 46
36 Beweis f (2 j ) 2 = R A f 2 f (2 j t) 2 dt = 2 j + n= 2 j A f 2 2 j A f (2 j ) 2 2 j A f (2 j ) 2 R ã[n] 2 B f 2. + n= + n= + n= f (u) 2 du = 2 j f 2. ã[n] 2 2 j B f 2 2 j a[n] 2 B f (2 j ) 2 a[n] 2 B f (2 j ) 2, Johannes Stemick () Orthogonale Waveletbasen / 46
37 Beweis f (2 j ) 2 = R A f 2 f (2 j t) 2 dt = 2 j + n= 2 j A f 2 2 j A f (2 j ) 2 2 j A f (2 j ) 2 R ã[n] 2 B f 2. + n= + n= + n= f V 0 f ( 2 j ) V j Behauptung. f (u) 2 du = 2 j f 2. ã[n] 2 2 j B f 2 2 j a[n] 2 B f (2 j ) 2 a[n] 2 B f (2 j ) 2, Johannes Stemick () Orthogonale Waveletbasen / 46
38 Konstruktion einer Skalierungsfunktion Wir wollen P Vj f berechnen. Einfach, falls Orthonormalbasis {φ n } n Z gegeben: P Vj f = + n= f, φ n φ n. Wann bildet Menge {θ( n)} n Z ein Orthonormalsystem? Johannes Stemick () Orthogonale Waveletbasen / 46
39 Konstruktion einer Skalierungsfunktion Wir wollen P Vj f berechnen. Einfach, falls Orthonormalbasis {φ n } n Z gegeben: P Vj f = + n= f, φ n φ n. Wann bildet Menge {θ( n)} n Z ein Orthonormalsystem? Lemma 3: Orthonormalitätskriterium Sei φ L 2 (R) so, dass {φ( n)} n Z eine Riesz-Basis der Menge V 0 darstellt. Dann gilt: φ, φ( n) = δ 0n ω R : k Z ˆφ(ω + 2πk) 2 = 1. Johannes Stemick () Orthogonale Waveletbasen / 46
40 Beweis Beweis: : Es gilt φ, φ( n) = R = 1 2π φ(t)φ(t n)dt = 1 2π ˆφ(ω) 2 e iωn dω R R ˆφ(ω) ˆφ(ω)e iωn dω Johannes Stemick () Orthogonale Waveletbasen / 46
41 Beweis Beweis: : Es gilt φ, φ( n) = R = 1 2π = 1 2π φ(t)φ(t n)dt = 1 2π ˆφ(ω) 2 e iωn dω R 2π 0 ˆφ(ω + 2kπ) 2 e iωn dω k Z R ˆφ(ω) ˆφ(ω)e iωn dω Johannes Stemick () Orthogonale Waveletbasen / 46
42 Beweis Beweis: : Es gilt φ, φ( n) = R = 1 2π = 1 2π φ(t)φ(t n)dt = 1 2π ˆφ(ω) 2 e iωn dω R 2π 0 ˆφ(ω + 2kπ) 2 e iωn dω k Z = 1 2π e iωn dω = 2π 0 R { 1 n = 0 0 sonst ˆφ(ω) ˆφ(ω)e iωn dω Johannes Stemick () Orthogonale Waveletbasen / 46
43 Beweis Beweis: : Es gilt φ, φ( n) = R = 1 2π = 1 2π φ(t)φ(t n)dt = 1 2π ˆφ(ω) 2 e iωn dω R 2π 0 ˆφ(ω + 2kπ) 2 e iωn dω k Z = 1 2π e iωn dω = 2π 0 R { 1 n = 0 0 sonst ˆφ(ω) ˆφ(ω)e iωn dω : Die φ( n) bilden eine Orthonormalbasis, insbesondere eine Rieszbasis mit A = B = 1 (Lemma 1) Behauptung. Johannes Stemick () Orthogonale Waveletbasen / 46
44 Konstruktion einer Skalierungsfunktion Haar-Basis Wir wissen, dass φ, φ( n) = δ 0n gilt. Damit gewinnen wir automatisch, dass die Fourier-Transformation der charakteristischen Funktion ˆφ(ω + 2πk) 2 = 1 k Z für jedes ω R (insbesondere ω = 0) erfüllt. Johannes Stemick () Orthogonale Waveletbasen / 46
45 Konstruktion einer Skalierungsfunktion Satz 1 Sei {V j } j Z eine durch θ erzeugte MRA und sei φ L 2 (R) die so genannte Skalierungsfunktion, deren Fourier-Transformation durch ˆφ(ω) = ˆθ(ω) + k= ˆθ(ω + 2kπ) 2 gegeben ist. Definiere φ j,n (t) := 1 ( ) t φ 2 j 2 j n. Dann ist {φ j,n } n Z eine Orthonormalbasis von V j j Z. Johannes Stemick () Orthogonale Waveletbasen / 46
46 Konstruktion einer Skalierungsfunktion Satz 1 Sei {V j } j Z eine durch θ erzeugte MRA und sei φ L 2 (R) die so genannte Skalierungsfunktion, deren Fourier-Transformation durch ˆφ(ω) = ˆθ(ω) + k= ˆθ(ω + 2kπ) 2 gegeben ist. Definiere φ j,n (t) := 1 ( ) t φ 2 j 2 j n. Dann ist {φ j,n } n Z eine Orthonormalbasis von V j j Z. Beweis: Literatur. Johannes Stemick () Orthogonale Waveletbasen / 46
47 Übersicht 1 Multiskalenanalyse und Skalierungsfunktion Haar-Basis Multiskalenanalyse Konstruktion einer Skalierungsfunktion 2 Orthogonale Waveletbasen Zwei-Skalen-Relation Conjugate Mirror Filter Orthogonale Wavelets Zusammenfassung 3 Daubechies Konstruktion Johannes Stemick () Orthogonale Waveletbasen / 46
48 Zwei-Skalen-Relation Erinnerung: MRA als Kette... V 1 V 0 V 1... V 1 V φ( 2 ) V 0 Johannes Stemick () Orthogonale Waveletbasen / 46
49 Zwei-Skalen-Relation Erinnerung: MRA als Kette... V 1 V 0 V 1... V 1 V φ( 2 ) V 0 Zwei-Skalen-Relation 1 ( ) φ = n= h[n]φ( n) Johannes Stemick () Orthogonale Waveletbasen / 46
50 Zwei-Skalen-Relation Erinnerung: MRA als Kette... V 1 V 0 V 1... V 1 V φ( 2 ) V 0 Zwei-Skalen-Relation Vergleiche Haar-Basis: 1 ( ) φ = n= h[n]φ( n) 1 ( x ) φ = 1 χ 2 2 [0,1) (x) + 1 χ [0,1) (x 1) x R. 2 2 Johannes Stemick () Orthogonale Waveletbasen / 46
51 Zwei-Skalen-Relation Es gilt: 1 ( ) 2 φ = R φ ( t 2 ) 2 dt t= t 2 = R φ(t) 2 dt = φ 2. Johannes Stemick () Orthogonale Waveletbasen / 46
52 Zwei-Skalen-Relation Es gilt: 1 ( ) 2 φ = h[n] ist definiert durch R φ ( t 2 h[n] := 1 2 φ ) 2 dt t= t 2 = ( 2 Erinnerung Haar: h[0] = h[1] = 1 2, 0 sonst. R ), φ( n). φ(t) 2 dt = φ 2. Johannes Stemick () Orthogonale Waveletbasen / 46
53 Zwei-Skalen-Relation Betrachtung im Frequenzbereich: ˆφ(2ω) = 1 2 ĥ(ω) ˆφ(ω) mit ĥ(ω) = k Z h[k]e ikω. Rekursives Einsetzen: ˆφ(ω) = P k=1 ĥ(2 k ω) 2 ˆφ(2 P ω) Johannes Stemick () Orthogonale Waveletbasen / 46
54 Zwei-Skalen-Relation Falls ˆφ stetig in 0: ˆφ(ω) = + k=1 ĥ(2 k ω) 2 ˆφ(0). Erlaubt es, φ nurnoch durch h zu beschreiben und zu erzeugen (bis auf einen Startwert )! Frage: Welche Eigenschaften muss h erfüllen, damit dieses Produkt wieder eine Skalierungsfunktion erzeugt? Johannes Stemick () Orthogonale Waveletbasen / 46
55 Conjugate Mirror Filter Satz 2 (Conjugate Mirror Filter) a)sei φ L 2 (R) eine integrierbare Skalierungsfunktion mit Filter h. Dann gilt: (i) ω R : ĥ(ω) 2 + ĥ(ω + π) 2 = 2, (7) (ii) ĥ(0) = 2. (8) b)erfüllt ĥ(ω) a) und ist zusätzlich 2π-periodisch, stetig differenzierbar in einer Umgebung von ω = 0 und erfüllt inf ĥ(ω) > 0, (9) ω [ π 2, π ] 2 so ist eine Skalierungsfunktion φ L 2 (R) im Frequenzbereich definiert durch ˆφ(ω) + ĥ(2 p ω) =. (10) 2 p=1 Johannes Stemick () Orthogonale Waveletbasen / 46
56 Beweis Beweis von a) (i): Sei ω R und {φ( n)} n Z eine Orthonormalbasis von V 0. 1 = k Z ˆφ(ω + 2kπ) 2 = k Z Trennen der geraden und ungeraden Terme ergibt ĥ(ω 2 + kπ) 2 ˆφ( ω 2 + kπ) 2 = k Z ĥ(ω 2 + 2kπ) 2 ˆφ( ω 2 + 2kπ) 2 + k Z 1 2 ĥ(ω 2 + kπ) 2 ˆφ( ω 2 + kπ) 2. ĥ( ω 2 + π + 2kπ) 2 ˆφ( ω 2 + π + 2kπ) 2 = 2. k Z Johannes Stemick () Orthogonale Waveletbasen / 46
57 Beweis Erinnerung: ĥ ist laut Definition 2π-periodisch: ĥ(ω) = k Z h[k]e ikω. ĥ( ω 2 + 2kπ) 2 ˆφ( ω 2 + 2kπ) 2 + k Z ĥ( ω 2 + π + 2kπ) 2 ˆφ( ω 2 + π + 2kπ) 2 k Z Johannes Stemick () Orthogonale Waveletbasen / 46
58 Beweis Erinnerung: ĥ ist laut Definition 2π-periodisch: ĥ(ω) = k Z h[k]e ikω. ĥ( ω 2 + 2kπ) 2 ˆφ( ω 2 + 2kπ) 2 + k Z ĥ( ω 2 + π + 2kπ) 2 ˆφ( ω 2 + π + 2kπ) 2 k Z = ĥ(ω 2 ) 2 ˆφ( ω 2 + 2kπ) 2 + ĥ(ω 2 + π) 2 ˆφ( ω 2 + π + 2kπ) 2 k Z k Z Johannes Stemick () Orthogonale Waveletbasen / 46
59 Beweis Erinnerung: ĥ ist laut Definition 2π-periodisch: ĥ(ω) = k Z h[k]e ikω. ĥ( ω 2 + 2kπ) 2 ˆφ( ω 2 + 2kπ) 2 + k Z ĥ( ω 2 + π + 2kπ) 2 ˆφ( ω 2 + π + 2kπ) 2 k Z = ĥ(ω 2 ) 2 ˆφ( ω 2 + 2kπ) 2 + ĥ(ω 2 + π) 2 ˆφ( ω 2 + π + 2kπ) 2 k Z k Z = ĥ(ω) 2 + ĥ(ω + π) 2 = 2. Johannes Stemick () Orthogonale Waveletbasen / 46
60 Diskrete Orthogonalität Die Aussage ω R : ĥ(ω) 2 + ĥ(ω + π) 2 = 2 entspricht einer diskreten Orthogonalität des Filters h, denn: δ 0n = φ, φ( n) = φ(t)φ(t n)dt R Johannes Stemick () Orthogonale Waveletbasen / 46
61 Diskrete Orthogonalität Die Aussage ω R : ĥ(ω) 2 + ĥ(ω + π) 2 = 2 entspricht einer diskreten Orthogonalität des Filters h, denn: δ 0n = φ, φ( n) = φ(t)φ(t n)dt R = 2 h[k] h[l] k Z l Z R φ(2t k)φ(2t 2n l)dt Johannes Stemick () Orthogonale Waveletbasen / 46
62 Diskrete Orthogonalität Die Aussage ω R : ĥ(ω) 2 + ĥ(ω + π) 2 = 2 entspricht einer diskreten Orthogonalität des Filters h, denn: δ 0n = φ, φ( n) = φ(t)φ(t n)dt R = 2 h[k] h[l] φ(2t k)φ(2t 2n l)dt k Z l Z R = h[k] h[l] φ(t k)φ(t 2n l)dt k Z l Z R Johannes Stemick () Orthogonale Waveletbasen / 46
63 Diskrete Orthogonalität Die Aussage ω R : ĥ(ω) 2 + ĥ(ω + π) 2 = 2 entspricht einer diskreten Orthogonalität des Filters h, denn: δ 0n = φ, φ( n) = φ(t)φ(t n)dt R = 2 h[k] h[l] φ(2t k)φ(2t 2n l)dt k Z l Z R = h[k] h[l] φ(t k)φ(t 2n l)dt k Z l Z R = h[k] k Z l Z h[l]δ k,2n+l Johannes Stemick () Orthogonale Waveletbasen / 46
64 Diskrete Orthogonalität Die Aussage ω R : ĥ(ω) 2 + ĥ(ω + π) 2 = 2 entspricht einer diskreten Orthogonalität des Filters h, denn: δ 0n = φ, φ( n) = φ(t)φ(t n)dt R = 2 h[k] h[l] φ(2t k)φ(2t 2n l)dt k Z l Z R = h[k] h[l] φ(t k)φ(t 2n l)dt k Z l Z R = h[k] k Z l Z h[l]δ k,2n+l = k Z h[k]h[k + 2n]. Johannes Stemick () Orthogonale Waveletbasen / 46
65 Orthogonale Wavelets Erinnerung Haar-MRA: V 1 = V 0 W 0 und dementsprechend P V 1 f = P V0 f + P W0 f x φ und ψ stehen senkrecht aufeinander, ψ ist sogar ein Wavelet! Johannes Stemick () Orthogonale Waveletbasen / 46
66 Orthogonale Wavelets Erinnerung Haar-MRA: V 1 = V 0 W 0 und dementsprechend P V 1 f = P V0 f + P W0 f x φ und ψ stehen senkrecht aufeinander, ψ ist sogar ein Wavelet! Frage: Geht dies auch allgemein für MRAs? Antwort: Johannes Stemick () Orthogonale Waveletbasen / 46
67 Orthogonale Wavelets Erinnerung Haar-MRA: V 1 = V 0 W 0 und dementsprechend P V 1 f = P V0 f + P W0 f x φ und ψ stehen senkrecht aufeinander, ψ ist sogar ein Wavelet! Frage: Geht dies auch allgemein für MRAs? Antwort: Ja! Johannes Stemick () Orthogonale Waveletbasen / 46
68 Orthogonale Wavelets Satz 3: Mother Wavelet Sei φ L 2 (R) eine Skalierungsfunktion und h der zugehörige Conjugate Mirror Filter. Definiere das Mother Wavelet ˆψ(ω) := 1 ( ) ( ) ω ω ĝ ˆφ mit Definiere ferner ĝ(ω) = e iωˆ h(ω + π). ψ j,n (t) = 1 ( ) t ψ 2 2 j n. Dann ist für jedes j Z {ψ j,n } n Z eine Orthonormalbasis des orthogonalen Komplements von V j in V j 1, also W j. Ausserdem ist die Menge {ψ j,n } (j,n) Z 2 eine Orthonormalbasis des L 2 (R). Johannes Stemick () Orthogonale Waveletbasen / 46
69 Orthogonale Wavelets Entsprechungen im Zeitbereich: 1 2 ψ( t 2 ) = n Z g[n]φ(t n) mit g[n] = 1 2 ψ( 2 ), φ( n) = ( 1)1 n h[1 n]. Johannes Stemick () Orthogonale Waveletbasen / 46
70 Orthogonale Wavelets Entsprechungen im Zeitbereich: 1 2 ψ( t 2 ) = n Z g[n]φ(t n) mit Haar-Wavelet: g[n] = 1 2 ψ( 2 ), φ( n) = ( 1)1 n h[1 n]. 1 2 n = 0 g[n] = 1 2 n = 1 0 sonst. Johannes Stemick () Orthogonale Waveletbasen / 46
71 Orthogonale Wavelets Vor Beweis: Lemma 4 Die Menge {ψ j,n } n Z ist genau dann eine Orthonormalbasis von W j, wenn ω R : ĝ(ω) 2 + ĝ(ω + π) 2 = 2 (11) und ω R : ĝ(ω)ˆ h(ω) + ĝ(ω + π)ˆ h(ω + π) = 0 (12) gelten. Johannes Stemick () Orthogonale Waveletbasen / 46
72 Orthogonale Wavelets Vor Beweis: Lemma 4 Die Menge {ψ j,n } n Z ist genau dann eine Orthonormalbasis von W j, wenn ω R : ĝ(ω) 2 + ĝ(ω + π) 2 = 2 (11) und ω R : ĝ(ω)ˆ h(ω) + ĝ(ω + π)ˆ h(ω + π) = 0 (12) gelten. Beweis: Erster Teil komplett analog zu Satz 2 (i). Zweiter Teil: Ausarbeitung. Johannes Stemick () Orthogonale Waveletbasen / 46
73 Bemerkungen zu Lemma 4 Beide Eigenschaften haben wieder diskrete Filteranaloga: ĝ(ω) 2 + ĝ(ω + π) 2 = 2 k Z g[k]g[k + 2n] = δ 0n. ω R : ĝ(ω)ˆ h(ω) + ĝ(ω + π)ˆ h(ω + π) = 0 k Z g[k]h[k + 2n] = 0. Johannes Stemick () Orthogonale Waveletbasen / 46
74 Beweis zu Satz 3 Beweis zu Satz 3: ĝ(ω) = e iωˆ h(ω + π) erfüllt die Bedingungen in Lemma 4, denn ĝ(ω) 2 + ĝ(ω + π) 2 = ˆ h(ω + π) 2 + ˆ h(ω + 2π) 2 = 2. Johannes Stemick () Orthogonale Waveletbasen / 46
75 Beweis zu Satz 3 Beweis zu Satz 3: ĝ(ω) = e iωˆ h(ω + π) erfüllt die Bedingungen in Lemma 4, denn ĝ(ω) 2 + ĝ(ω + π) 2 = ˆ h(ω + π) 2 + ˆ h(ω + 2π) 2 = 2. und ĝ(ω)ˆ h(ω) + ĝ(ω + π)ˆ h(ω + π) = e iωˆ h(ω + π)ˆ h(ω) + e i(ω+π)ˆ h(ω + 2π)ˆ h(ω + π) = e iωˆ h(ω + π)ˆ h(ω) e iωˆ h(ω)ˆ h(ω + π) = 0 Die Menge {ψ j,k } k Z ist eine Orthonormalbasis von W j. Johannes Stemick () Orthogonale Waveletbasen / 46
76 Beweis zu Satz 3 Noch zu zeigen: Die Menge {ψ j,k } (j,k) Z 2 bildet eine Orthonormalbasis von L 2 (R). Dazu zuerst: W j V j und W l V l 1 V j. Damit gilt W l W j für j l. Wegen V j 1 = V j W j gilt nun insbesondere für L < J: V L = V J J j=l 1 W j Johannes Stemick () Orthogonale Waveletbasen / 46
77 Beweis zu Satz 3 Noch zu zeigen: Die Menge {ψ j,k } (j,k) Z 2 bildet eine Orthonormalbasis von L 2 (R). Dazu zuerst: W j V j und W l V l 1 V j. Damit gilt W l W j für j l. Wegen V j 1 = V j W j gilt nun insbesondere für L < J: V L = V J J j=l 1 W j Die Menge {ψ j,n } (j,n) Z 2 L 2 (R) = + j= W j. ist eine Orthonormalbasis des L 2 (R). Johannes Stemick () Orthogonale Waveletbasen / 46
78 Basiswechsel Anwendung: Zerlege Signal f in eine grobe Darstellung und viele Details: P Vj P Vj+1 P Vj+2 P Vj+3 P Wj+1 P Wj+2 P Wj+3 Johannes Stemick () Orthogonale Waveletbasen / 46
79 Zusammenfassung Wir können eine Funktion f L 2 (R) zerlegen in eine grobe Darstellung + viele Details. Johannes Stemick () Orthogonale Waveletbasen / 46
80 Zusammenfassung Wir können eine Funktion f L 2 (R) zerlegen in eine grobe Darstellung + viele Details. MRAs erlauben es, L 2 (R) durch Verschieben und Skalieren einer einzigen Funktion φ darzustellen. Johannes Stemick () Orthogonale Waveletbasen / 46
81 Zusammenfassung Wir können eine Funktion f L 2 (R) zerlegen in eine grobe Darstellung + viele Details. MRAs erlauben es, L 2 (R) durch Verschieben und Skalieren einer einzigen Funktion φ darzustellen. Diese Funktion φ erzeugt dadurch Teilräume V j. Johannes Stemick () Orthogonale Waveletbasen / 46
82 Zusammenfassung Wir können eine Funktion f L 2 (R) zerlegen in eine grobe Darstellung + viele Details. MRAs erlauben es, L 2 (R) durch Verschieben und Skalieren einer einzigen Funktion φ darzustellen. Diese Funktion φ erzeugt dadurch Teilräume V j. Die Orthogonalen Komplemente werden durch ein einziges Wavelet ψ erzeugt. Johannes Stemick () Orthogonale Waveletbasen / 46
83 Zusammenfassung Wir können eine Funktion f L 2 (R) zerlegen in eine grobe Darstellung + viele Details. MRAs erlauben es, L 2 (R) durch Verschieben und Skalieren einer einzigen Funktion φ darzustellen. Diese Funktion φ erzeugt dadurch Teilräume V j. Die Orthogonalen Komplemente werden durch ein einziges Wavelet ψ erzeugt. Sowohl φ als auch ψ sind eindeutig durch den Filter h bestimmt. Johannes Stemick () Orthogonale Waveletbasen / 46
84 Zusammenfassung Wir können eine Funktion f L 2 (R) zerlegen in eine grobe Darstellung + viele Details. MRAs erlauben es, L 2 (R) durch Verschieben und Skalieren einer einzigen Funktion φ darzustellen. Diese Funktion φ erzeugt dadurch Teilräume V j. Die Orthogonalen Komplemente werden durch ein einziges Wavelet ψ erzeugt. Sowohl φ als auch ψ sind eindeutig durch den Filter h bestimmt. 1 2-Skalen-Relation: 2 φ( /2) = k Z h[k]φ( k) Johannes Stemick () Orthogonale Waveletbasen / 46
85 Zusammenfassung Wir können eine Funktion f L 2 (R) zerlegen in eine grobe Darstellung + viele Details. MRAs erlauben es, L 2 (R) durch Verschieben und Skalieren einer einzigen Funktion φ darzustellen. Diese Funktion φ erzeugt dadurch Teilräume V j. Die Orthogonalen Komplemente werden durch ein einziges Wavelet ψ erzeugt. Sowohl φ als auch ψ sind eindeutig durch den Filter h bestimmt. 1 2-Skalen-Relation: 2 φ( /2) = k Z h[k]φ( k) 1 2-Skalen-Relation: 2 ψ( /2) = k Z g[k]φ( k) Johannes Stemick () Orthogonale Waveletbasen / 46
86 Übersicht 1 Multiskalenanalyse und Skalierungsfunktion Haar-Basis Multiskalenanalyse Konstruktion einer Skalierungsfunktion 2 Orthogonale Waveletbasen Zwei-Skalen-Relation Conjugate Mirror Filter Orthogonale Wavelets Zusammenfassung 3 Daubechies Konstruktion Johannes Stemick () Orthogonale Waveletbasen / 46
87 Verschwindende Momente Definition: Verschwindende Momente Man sagt, dass eine Funktion ψ p verschwindende Momente hat, falls t k ψ(t)dt = t k, ψ = 0 für 0 k < p (13) gilt. R Generell: Je mehr verschwindende Momente, desto kleiner sind die Waveletkoeffizienten! Johannes Stemick () Orthogonale Waveletbasen / 46
88 Verschwindende Momente 2 Satz 4 Seien ψ und φ Wavelet und zugehörige Skalierungsfunktion, die eine Orthonomalbasis des L 2 (R) erzeugen. Es gelte ψ(t) = O((1 + t 2 ) (1+ p 2 ) ) und φ(t) = O((1 + t 2 ) (1+ p 2 ) ). Dann sind die folgenden vier Aussagen äquivalent: (i) Das Wavelet ψ hat p verschwindende Momente. (ii) ˆψ (k) (0) = 0 für 0 k < p. (iii) ĥ (k) (π) = 0 für 0 k < p. (iv) Für 0 k < p gilt q k (t) = n k φ(t n) ist ein Polynom vom Grad k. n Z Johannes Stemick () Orthogonale Waveletbasen / 46
89 Verschwindende Momente 2 Satz 4 Seien ψ und φ Wavelet und zugehörige Skalierungsfunktion, die eine Orthonomalbasis des L 2 (R) erzeugen. Es gelte ψ(t) = O((1 + t 2 ) (1+ p 2 ) ) und φ(t) = O((1 + t 2 ) (1+ p 2 ) ). Dann sind die folgenden vier Aussagen äquivalent: (i) Das Wavelet ψ hat p verschwindende Momente. (ii) ˆψ (k) (0) = 0 für 0 k < p. (iii) ĥ (k) (π) = 0 für 0 k < p. (iv) Für 0 k < p gilt q k (t) = n k φ(t n) ist ein Polynom vom Grad k. n Z Beweis: Ausarbeitung. Johannes Stemick () Orthogonale Waveletbasen / 46
90 Trägergröße Fehler in Signal f Fehler in Waveletkoeffizienten. Wie erreichen wir eine möglichst kleine Fehlerfortpflanzung? Johannes Stemick () Orthogonale Waveletbasen / 46
91 Trägergröße Fehler in Signal f Fehler in Waveletkoeffizienten. Wie erreichen wir eine möglichst kleine Fehlerfortpflanzung? Satz 5:Trägergröße Die Skalierungsfunktion φ hat genau dann einen kompakten Träger, wenn h einen kompakten Träger hat und der Träger von h und φ gleich sind. Falls supp(h) = supp(φ) = [N 1, N 2 ] gilt, gilt ausserdem supp(ψ) = [ 1 2 N 2 N 1 2, N 2 N 1 2 ]. Johannes Stemick () Orthogonale Waveletbasen / 46
92 Trägergröße Fehler in Signal f Fehler in Waveletkoeffizienten. Wie erreichen wir eine möglichst kleine Fehlerfortpflanzung? Satz 5:Trägergröße Die Skalierungsfunktion φ hat genau dann einen kompakten Träger, wenn h einen kompakten Träger hat und der Träger von h und φ gleich sind. Falls supp(h) = supp(φ) = [N 1, N 2 ] gilt, gilt ausserdem supp(ψ) = [ 1 2 N 2 N 1 2, N 2 N 1 2 ]. Beweis: Literatur. Johannes Stemick () Orthogonale Waveletbasen / 46
93 Daubechies Konstruktion Wir betrachten im folgenden kausale Filter, d.h. Filter der Form ĥ(ω) = N 1 n=0 h[n]e inω. Verschwindende Momente und Trägergröße sind abhängig! Frage: Was ist der minimale Träger für p verschwindende Momente? Wie konstruiert man Wavelets, die dies erfüllen? Johannes Stemick () Orthogonale Waveletbasen / 46
94 Daubechies Konstruktion Wir betrachten im folgenden kausale Filter, d.h. Filter der Form ĥ(ω) = N 1 n=0 h[n]e inω. Verschwindende Momente und Trägergröße sind abhängig! Frage: Was ist der minimale Träger für p verschwindende Momente? Wie konstruiert man Wavelets, die dies erfüllen? Satz 6: Daubechies-Filter Ein reeller conjugate mirror filter h, dessen Fourier-Transformierte ĥ p Nullstellen bei ω = π besitzt, hat mindestens 2p von Null verschiedene Koeffizienten. Daubechies-Filter haben genau 2p von Null verschiedene Koeffizienten. Wir skizzieren nur die Konstruktion der Daubechies-Filter. Johannes Stemick () Orthogonale Waveletbasen / 46
95 Daubechies-Filter Satz 4: ψ hat p verschwindende Momente Ordnung p bei ω = π. ĥ hat Nullstelle der Idee: Starte mit ĥ(ω) = ( ) 1 + e iω p 2 R(e iω ). 2 Johannes Stemick () Orthogonale Waveletbasen / 46
96 Daubechies-Filter Satz 4: ψ hat p verschwindende Momente Ordnung p bei ω = π. ĥ hat Nullstelle der Idee: Starte mit ĥ 2 ist gerade Funktion ĥ(ω) = ( ) 1 + e iω p 2 R(e iω ). 2 ( ĥ(ω) 2 = 2 cos ω ) 2p ( P sin 2 ω ). 2 2 Johannes Stemick () Orthogonale Waveletbasen / 46
97 Daubechies-Filter Satz 4: ψ hat p verschwindende Momente Ordnung p bei ω = π. ĥ hat Nullstelle der Idee: Starte mit ĥ 2 ist gerade Funktion ĥ(ω) = ( ) 1 + e iω p 2 R(e iω ). 2 ( ĥ(ω) 2 = 2 cos ω ) 2p ( P sin 2 ω ). 2 2 Konstruiere nun Polynom R(e iω ) 2 = P ( sin 2 ω 2 ). Johannes Stemick () Orthogonale Waveletbasen / 46
98 Daubechies-Filter Als Polynom in C hat R eine Darstellung R(e iω ) = r 0 m k=0 R(e iω ) 2 = R(e iω )R(e iω ) = P ( 1 ak e iω). ( sin 2 ω ) = P 2 ( 2 e iω e iω 4 ). Johannes Stemick () Orthogonale Waveletbasen / 46
99 Daubechies-Filter Als Polynom in C hat R eine Darstellung R(e iω ) = r 0 m k=0 R(e iω ) 2 = R(e iω )R(e iω ) = P Erweitere auf C: R(z)R(z 1 ) = r 2 0 k=0 ( 1 ak e iω). ( sin 2 ω ) = P 2 ( 2 e iω e iω m ( ) 2 z z (1 a k z)(1 a k z 1 1 ) = P. 4 4 ). Johannes Stemick () Orthogonale Waveletbasen / 46
100 Daubechies-Filter Als Polynom in C hat R eine Darstellung R(e iω ) = r 0 m k=0 R(e iω ) 2 = R(e iω )R(e iω ) = P Erweitere auf C: R(z)R(z 1 ) = r 2 0 k=0 ( 1 ak e iω). ( sin 2 ω ) = P 2 ( 2 e iω e iω m ( ) 2 z z (1 a k z)(1 a k z 1 1 ) = P. 4 Wähle jedes a k aus den Wurzeln von P, {c k, 1/c k, 1/ c k, c k }, und nimm ā k dazu. Satz minimales Polynom R. 4 ). Johannes Stemick () Orthogonale Waveletbasen / 46
101 Daubechies-Filter Satz 7: Bezug Träger und verschwindende Momente Falls ψ ein Wavelet mit p verschwindenden Momenten ist, das eine Basis des L 2 (R) erzeugt, dann ist die Länge seines Trägers größer oder gleich 2p 1. Die Träger der Daubechies-Wavelets haben den Träger [1 p, p]. Der Träger der zugehörigen Skalierungsfunktion φ ist [0, 2p 1]. Johannes Stemick () Orthogonale Waveletbasen / 46
102 Abbildung: Quelle: Johannes Stemick () Orthogonale Waveletbasen / 46
Die komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
MehrVorlesung Mathematik 2 für Ingenieure (Sommersemester 2016)
1 Vorlesung Mathematik 2 für Ingenieure (Sommersemester 216) Kapitel 11: Potenzreihen und Fourier-Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
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
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,
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
MehrHöhere Mathematik I/II
Markus Stroppel Höhere Mathematik I/II Z. Zusätze. Z.. Skalarprodukte in Funktionenräumen. Wir wollen an einigen Beispielen zeigen, dass es nützlich sein kann, Skalarprodukte auch in ganz allgemeinen (reellen)
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrKap. 7: Wavelets. 2. Diskrete Wavelet-Transformation (DWT) 4. JPEG2000. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
Kap. 7: Wavelets. Die kontinuierliche Wavelet-Transformation (WT). Diskrete Wavelet-Transformation (DWT) 3. Sh Schnelle Wavelet-Transformation ltt ti (FWT) 4. JPEG000 H. Burkhardt, Institut für Informatik,
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
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
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
MehrLineare Algebra und analytische Geometrie II
Prof Dr H Brenner Osnabrück SS 26 Lineare Algebra und analytische Geometrie II Vorlesung 2 Orthogonalität Mit dem Skalarprodukt kann man die Eigenschaft zweier Vektoren, aufeinander senkrecht zu stehen,
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
Mehrr i w i (siehe (3.7)). r i v, w i = 0.
Orthogonales Komplement und Orthogonalprojektion Wir betrachten weiterhin einen euklidischen Vektorraum V,,. (6.13) Def.: Ist M V, so heißt das orthogonale Komplement von M. (6.14) Fakt. (i) M ist Untervektorraum
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
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
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
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
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
Mehr18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive
MehrDer Primzahlsatz. Es gibt eine Konstante A, so daß f(x) g(x) Ah(x) für alle genügend großen x.
Der Primzahlsatz Zusammenfassung Im Jahr 896 wurde von Hadamard und de la Vallée Poussin der Primzahlsatz bewiesen: Die Anzahl der Primzahlen kleiner gleich verhält sich asymptotisch wie / log. Für ihren
Mehr10 Hilberträume. (b) λx,y = λ x,y für x,y X, λ K. (c) x, y = y, x für x, y X (Komplexe Konjugation nur im Falle K = C)
10 Hilberträume 10.1. Definition. Sei X ein Vektorraum über K. Eine Abbildung, : X X K heißt Skalarprodukt, falls (a) x 1 + x,y = x 1,y + x,y für x 1,x,y X (b) λx,y = λ x,y für x,y X, λ K (c) x, y = y,
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
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
MehrElliptische Funktionen
Elliptische Funktionen Jeff Schomer Universität Freiburg (Schweiz) 27.09.2007 Einleitung In diesem Seminar werden wir über doppelt periodische und elliptische Funktionen sprechen. Nachdem wir grundlegende
Mehr10 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
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
MehrAufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).
Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =
Mehr2 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,
MehrSerie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015
Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
Mehr3 Lineare Differentialgleichungen
3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,
MehrÜbungen zur Vorlesung Funktionentheorie Sommersemester Lösungshinweise zum Klausurvorbereitungsblatt. (z) i f. 2xe (x2 +y 2) i2ye (x2 +y 2 ) 2
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6. MATHEMATIK Prof. Dr. Roland Speicher M.Sc. Tobias Mai Übungen zur Vorlesung Funktionentheorie Sommersemester 0 Lösungshinweise zum Klausurvorbereitungsblatt (3
MehrDiskrete und Schnelle Fourier Transformation. Patrick Arenz
Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
Mehr10.2 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
MehrZusammenfassung 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,
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
Mehr2.9 Die komplexen Zahlen
LinAlg II Version 1 3. April 2006 c Rudolf Scharlau 121 2.9 Die komplexen Zahlen Die komplexen Zahlen sind unverzichtbar für nahezu jede Art von höherer Mathematik. Systematisch gehören sie zum einen in
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrÜbungen zur Diskreten Mathematik I Blatt 6
1 Blatt 6 Aufgabe 19 Es sei M := {n N : n 2} und R := {(n, m) M M : n teilt m}. a) Zeigen Sie, dass R eine Ordnungsrelation auf M ist. b) Überprüfen Sie, ob R eine totale Ordnung auf M ist. c) Zeigen Sie,
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
MehrKapitel 3: Die Sätze von Euler, Fermat und Wilson. 8 Der Satz von Euler
Kapitel 3: Die Sätze von Euler, Fermat und Wilson In diesem Kapitel wollen wir nun die eulersche -Funktion verwenden, um einen berühmten Satz von Euler zu formulieren, aus dem wir dann mehrere interessante
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
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.
MehrKlausur: Höhere Mathematik IV
Prof. Dr. Josef Bemelmans Templergraben 55 52062 Aachen Raum 00 (Hauptgebäude) Klausur: Höhere Mathematik IV Tel.: +49 24 80 94889 Sekr.: +49 24 80 9492 Fax: +49 24 80 92323 bemelmans@instmath.rwth-aachen.de
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrLösungsvorschläge zum 14. Übungsblatt.
Übung zur Analysis III WS / Lösungsvorschläge zum 4. Übungsblatt. Aufgabe 54 Sei a R\{}. Ziel ist die Berechnung des Reihenwertes k a + k. Definiere dazu f : [ π, π] R, x coshax. Wir entwickeln f in eine
MehrDIRICHLET-L-REIHEN UND SATZ VON DIRICHLET ÜBER PRIMZAHLEN IN ARITHMETISCHEN PROGRESSIONEN
DIRICHLET-L-REIHEN UND SATZ VON DIRICHLET ÜBER PRIMZAHLEN IN ARITHMETISCHEN PROGRESSIONEN MARIN GENOV Zusammenfassung. Die nachfolgende Ausarbeitung hat sich zum Ziel gesetzt, einen möglichst kurzen, zugleich
MehrApril (Voll-) Klausur Analysis I für Ingenieure. Rechenteil
April (Voll-) Klausur Analysis I für Ingenieure en Rechenteil Aufgabe 7 Punkte (a) Skizzieren Sie die 4-periodische Funktion mit f() = für und f() = für (b) Berechnen Sie für diese Funktion die Fourierkoeffizienten
Mehr13 Die trigonometrischen Funktionen
13 Die trigonometrischen Funktionen Wir schreiben die Werte der komplexen Exponentialfunktion im Folgenden auch als e z = exp(z) (z C). Geometrisch definiert man üblicherweise die Werte der Winkelfunktion
Mehr3.6 Approximationstheorie
3.6 Approximationstheorie Bisher haben wir uns im Wesentlichen mit der Interpolation beschäftigt. Die Approximation ist weiter gefasst: wir suchen eine einfache Funktion p P (dabei ist der Funktionenraum
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
Mehr4.3 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
Mehrϕ k (t)ψ j (s) 2 ds)dt < folgt ϕ k (t)ψ j (s) δ j1,j 2 und daher handelt es sich um ein Orthonormalsystem in L 2 (Ω 1 Ω 2 ).
1) a) Wir wollen zeigen, dass {ϕ k (t)ψ j (s)} j,k N0 eine Orthonormalbasis ist. Beachte dabei zunächst, dass (t, s) ϕ k (t)ψ j (s) für alle j, k N 0 messbare Abbildungen auf Ω 1 Ω 2 sind und da Ω 1 ϕ
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
MehrTopologische Aspekte: Eine kurze Zusammenfassung
Kapitel 1 Topologische Aspekte: Eine kurze Zusammenfassung Wer das erste Knopfloch verfehlt, kommt mit dem Zuknöpfen nicht zu Rande J. W. Goethe In diesem Kapitel bringen wir die Begriffe Umgebung, Konvergenz,
MehrKlausur HM I H 2005 HM I : 1
Klausur HM I H 5 HM I : 1 Aufgabe 1 4 Punkte): Zeigen Sie mit Hilfe der vollständigen Induktion: n 1 1 + 1 ) k nn k n! für n. Lösung: Beweis mittels Induktion nach n: Induktionsanfang: n : 1 ) 1 + 1 k
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
Mehr14 Lineare Differenzengleichungen
308 14 Lineare Differenzengleichungen 14.1 Definitionen In Abschnitt 6.3 haben wir bereits eine Differenzengleichung kennengelernt, nämlich die Gleichung K n+1 = K n q m + R, die die Kapitalveränderung
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
MehrETH Zürich Analysis I Zwischenprüfung Winter 2014 D-BAUG Musterlösungen Dr. Meike Akveld
ETH Zürich Analysis I Zwischenprüfung Winter 2014 D-BAUG Musterlösungen Dr. Meike Akveld Bitte wenden! 1. Die unten stehende Figur wird beschrieben durch... (a) { (x, y) R 2 x + y 1 }. Richtig! (b) { (x,
Mehr1 Formen und äußeres Differential
1 Formen und äußeres Differential Wir betrachten den n-dimensionalen reellen Raum R n = { x = x 1,...,x n ) : x i R für i = 1,...,n }. Definition 1.1 Ein Tangentialvektor an R n im Punkt x R n ist ein
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
Mehr44 Orthogonale Matrizen
44 Orthogonale Matrizen 44.1 Motivation Im euklidischen Raum IR n haben wir gesehen, dass Orthonormalbasen zu besonders einfachen und schönen Beschreibungen führen. Wir wollen das Konzept der Orthonormalität
MehrDie Lösungen der Gleichung b x = log b (x)
Die Lösungen der Gleichung b = log b () wgnedin@math.uni-koeln.de 17. Januar 2014 In der ersten Vorlesung des Wintersemesters wurde folgende Frage gestellt: Wieviele Lösungen hat die Gleichung ( ) 1 =
Mehr8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem
8 Der Kompaktheitssatz und der Satz von Löwenheim und Skolem 8.1 Der Kompaktheitssatz Kompaktheitssatz Endlichkeitssatz Der Kompaktheitssatz ist auch unter dem Namen Endlichkeitssatz bekannt. Unter Verwendung
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
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
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
Mehr9. 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).
Mehr1 2 x x x x x x2 + 83
Polynominterpolation Aufgabe 1 Gegeben sei die Wertetabelle i 0 1 2 3 x i 0 1 2 4 f i 3 1 2 7 a) Bestimmen Sie das Interpolationspolynom von Lagrange durch die obigen Wertepaare. b) Interpolieren Sie die
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 23 Die Gradformel Satz 1. Seien K L und L M endliche Körperweiterungen. Dann ist auch K M eine endliche Körpererweiterung und
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrNormalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,
Normalengleichungen Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen 1-1 Normalengleichungen Für eine beliebige
Mehr1 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)
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
Mehr3 Topologische Gruppen
$Id: topgr.tex,v 1.2 2010/05/26 19:47:48 hk Exp hk $ 3 Topologische Gruppen Als letztes Beispiel eines topologischen Raums hatten wir die Zariski-Topologie auf dem C n betrachtet, in der die abgeschlossenen
Mehr