$Id: hilbert.tex,v /06/21 13:11:01 hk Exp hk $
|
|
- Gundi Friederike Auttenberg
- vor 6 Jahren
- Abrufe
Transkript
1 $Id: hilbert.tex,v /06/21 13:11:01 hk Exp hk $ 7 Hilberträume In der letzten Sitzung hatten wir die Theorie der Hilberträume begonnen, und sind gerade dabei einige vorbereitende elementare Grundtatsachen über Hilberträume beziehungsweise Prähilberträume zusammenzustellen. Die letzte noch ausstehende dieser Aussagen ist die Stetigkeit des Skalarprodukts, und um diese überhaupt zu formulieren benötigen wir eine vorbereitende Konstruktion. Das Skalarprodukt eines Prähilbertraums H über K {R, C} ordnet je zwei Vektoren x, y H einen Skalar x y K zu, ist also eine Abbildung : H H K. Um jetzt überhaupt von Stetigkeit sprechen zu können, benötigen wir auf dem Definitionsbereich und dem Bildbereich des Skalarprodukts die Struktur eines normierten Raums. Für die rechte Seite K haben wir den gewöhnlichen reellen oder komplexen Betrag, auf H H haben wir dagegen zunächst keine Norm. Wir werden auf H H ein Skalarprodukt definieren so, dass auch H H zu einem Prähilbertraum und somit zu einem normierten Raum wird. Da die Beschränkung auf das Produkt zweier Prähilberträume etwas künstlich ist, werden wir gleich weiter gehen und Produkte E 1 E n endlich vieler normierter Räume definieren. Wir orientieren uns dabei am Beispiel des R n, dieser war als Menge ein Produkt R n = R R und eine Norm konnten wir beispielsweise durch die euklidische Norm (x 1,..., x n ) := x x 2 n einführen. Dies war allerdings keinesfalls die einzige Wahl, wir haben im Laufe dieser Veranstaltung auch schon die beiden alternativen Normen (x 1,..., x n ) 1 := x x n oder (x 1,..., x n ) := max{ x 1,..., x n } verwendet, in II. 8.Satz 6 hatten wir dann gesehen das es auf die spezielle Wahl der Norm für Konvergenz- und Stetigkeitsfragen nicht ankommt. Ebenso können wir auf viele verschiedene Weisen eine Norm auf einem allgemeinen Produkt E = E 1 E n normierter Räume einführen, jede Formel die eine Norm auf dem R n liefert gibt uns auch eine Norm auf E. Schreiben wir etwa die Norm auf E i als i, so sind (x 1,..., x n ) 2 := x x n 2 n, (x 1,..., x n ) 1 := x x n n, (x 1,..., x n ) := max{ x 1 1,..., x n n } 17-1
2 alles äquivalente Normen auf E, wie wir im folgenden Lemma einsehen werden. Lemma 7.3 (Produkte normierter Räume) Seien K {R, C}, n N mit n 1 und für jedes 1 j n sei (E j, j ) ein normierter Raum über K. Auf dem cartesischen Produkt E := E 1 E n definieren wir die Addition und die Multiplikation mit Skalaren für x, y E, λ K durch x + y = (x 1,..., x n ) + (y 1,..., y n ) := (x 1 + y 1,..., x n + y n ) und λx = λ (x 1,..., x n ) := (λx 1,..., λx n ). Dann ist E mit dieser Addition und Multiplikation ein Vektorraum über K. Sei weiter 0 eine Norm auf dem R n und für alle x, y R n mit x j y j für alle 1 j n gelte auch x 0 y 0. Dann definiert für x E ein Norm auf E. Es gelten: x := ( x 1 1,..., x n n ) 0 (a) Für jedes 1 j n ist die Projektion P j : E E j ; x x j eine stetige lineare Abbildung. (b) Sind F ein weiterer normierter Raum, M F eine Teilmenge und f j : M E j für jedes 1 j n eine stetige Abbildung, so ist auch eine stetige Abbildung. f := (f 1,..., f n ) : M E; x (f 1 (x),..., f n (x)) (c) Eine Menge U E ist genau dann offen wenn es für jedes x U stets offene Mengen U j E j mit x j U j für 1 j n gibt so, dass U 1 U n U ist. (d) Eine Folge (x k ) k N in E konvergiert genau dann gegen ein x E wenn die Folge (x k j ) k N für jedes 1 j n in E j gegen x j konvergiert. (e) Eine Folge (x k ) k N in E ist genau dann eine Cauchyfolge wenn die Folge (x k j ) k N für jedes 1 j n eine Cauchyfolge in E j ist. (f) Die Norm auf E ist bis auf Äquivalenz von Normen von 0 unabhängig. (g) Genau dann ist die Norm vollständig wenn die Norm j für jedes 1 j n vollständig ist. 17-2
3 Beweis: Wir zeigen zunächst das E überhaupt ein Vektorraum über K ist und hierzu müssen wir die Vektorraumaxiome aus I. 11 nachweisen. Zunächst gelten für alle x, y, z E und alle Skalare λ, µ K das Assoziativgesetz (x + y) + z = (x j + y j ) 1 j n + z = ((x j + y j ) + z j ) 1 j n = (x j + (y j + z j )) 1 j n = x + (y j + z j ) 1 j n = x + (y + z) der Addition, das Kommutativgesetz der Addition, das Assoziativgesetz x + y = (x j + y j ) 1 j n = (y j + x j ) 1 j n = y + x λ(µx) = λ (µx j ) 1 j n = (λ(µx j )) 1 j n = ((λµ)x j ) 1 j n = (λµ)x der Multiplikation, die beiden Distributivgesetze λ (x + y) = λ (x j + y j ) 1 j n = (λ(x j + y j )) 1 j n = (λx j + λy j ) 1 j n = (λx j ) 1 j n + (λx j ) 1 j n = λx + λy sowie (λ + µ)x = ((λ + µ)x j ) 1 j n = (λx j + µx j ) 1 j n = (λx j ) 1 j n + (µx j ) 1 j n = λx + µx und die Multiplikation mit Eins ist 1 x = (1 x j ) 1 j n = x. Um die Existenz eines Nullvektors einzusehen, setze 0 := (0,..., 0) und dann gilt für jedes x E auch 0 + x = (0 + x j ) 1 j n = x. Ist schließlich x E, so setzen wir x := ( x j ) 1 j n und erhalten ( x) + x = (( x j ) + x j ) 1 j n = (0,..., 0) = 0. Damit ist E mit der angegebenen Addition und Multiplikation ein Vektorraum über K. Als nächsten Schritt wollen wir einsehen das eine Norm auf E ist, und hierzu überprüfen wir die definierenden Eigenschaften einer Norm aus II Dabei ist für jedes x E stets x 0, es gilt 0 = (0,..., 0) 0 = 0 und ist x E mit x = 0, so ist ( x 1 1,..., x n n ) 0 = 0, also gilt x j j = 0, und somit auch x j = 0, für jedes 1 j n, d.h. es ist x = 0. Seien nun x, y E. Für jedes 1 j n haben wir x j + y j j x j j + y j j, also ist nach unserer Annahme für 0 auch x + y = ( x 1 + y 1 1,..., x n + y n n ) 0 ( x y 1 1,..., x n n + y n n ) 0 = ( x 1 1,..., x n n ) + ( y 1 1,..., y n n ) 0 ( x 1 1,..., x n n ) 0 + ( y 1 1,..., y n n ) 0 = x + y. 17-3
4 Sind schließlich x E und λ K, so haben wir λx = ( λx 1 1,..., λx n n ) 0 = ( λ x 1 1,..., λ x n n ) 0 = λ ( x 1 1,..., x n n ) 0 = λ ( x 1 1,..., x n n ) 0 = λ x. Damit ist gezeigt das eine Norm auf E ist, und wir kommen nun zu den restlichen Aussagen des Lemmas. Nach II. 8.Satz 6 ist 0 äquivalent zur Maximumsnorm auf dem R n, also gibt es nach II. 8.Lemma 5.(a) Konstanten A, B > 0 mit x 0 A max 1 j n x j und max 1 j n x j B x 0 für alle x R n. (d) = Sei 1 j n. Ist dann ɛ > 0, so existiert ein k 0 N mit x k x < ɛ/b für alle k N mit k k 0 und für jedes k N mit k k 0 ist damit auch x k j x j j max 1 i n xk i x i i B ( x k 1 x 1 1,..., x k n x n n ) 0 = B x k x < ɛ. Also konvergiert die Folge (x k j ) k N in E j gegen x j. = Sei ɛ > 0. Für jedes 1 j n existiert dann ein k j N mit x k j x j j < ɛ/a für alle k N mit k k j. Setze k 0 := max{k 1,..., k n }. Ist dann k N mit k k 0, so gilt für jedes 1 j n wegen k k 0 k j stets x k j x j j < ɛ/a, also ist auch x k x = ( x k 1 x 1 1,..., x k n x n n ) 0 A max 1 j n xk j x j j < ɛ. Damit konvergiert die Folge (x k ) k N in E gegen x. (a) Klar nach (d). (b) Sei (x k ) k N eine Folge in M die gegen ein x M konvergiert. Für jedes 1 j n ist f j in x stetig, also konvergiert (f j (x k )) k N in E j gegen f j (x) und nach (d) konvergiert die Folge (f(x k )) k N in E gegen f(x). Damit ist f : F E eine stetige Abbildung. (c) = Sei U E offen. Sei x U. Da x ein innerer Punkt von U ist, existiert ein ɛ > 0 mit B ɛ (x) U. Für jedes 1 j n ist die offene Kugel U j := B ɛ/a (x j ) eine offene Teilmenge von E j mit x j U j. Sei nun y U 1 U n gegeben. Für jedes 1 j n ist dann y j B ɛ/a (x j ), also y j x j j < ɛ/a, und damit ist auch y x = ( y 1 x 1 1,..., y n x n n ) 0 A max 1 j n y n x n j < ɛ, es gilt also y B ɛ (x) U. Damit haben wir auch U 1 U n U eingesehen. = Sei x U. Nach unserer Annahme gibt es dann für jedes 1 j n eine offene Menge U j E j mit x j U j so, dass U 1 U n U gilt. Ist 1 j n, so ist x j ein innerer Punkt von U j, also existiert ein ɛ j > 0 mit B ɛj (x j ) subsetequ j. Setze schließlich ɛ := 1 B min{ɛ 1,... ɛ n } >
5 Wir zeigen nun das B ɛ (x) U gilt. Sei also ein Punkt y B ɛ (x) gegeben. Für jedes 1 j n ist dann y j x j j max 1 i n y i x i i B ( y 1 x 1 1,..., y n x n n ) 0 = B y x 0 <Bɛ ɛ j, also y j B ɛj (x j ) U j. Damit haben wir y U 1 U n U, und wir haben B ɛ (x) U eingesehen. Damit ist x ein innerer Punkt von U. Somit ist jeder Punkt von U ein innerer Punkt von U, d.h. U E ist offen. (f) Nach (c) sind die offenen Teilmengen von E unabhängig von der speziell gewählten Norm 0, d.h. die Norm ist bis auf Äquivalenz von Normen von 0 unabhängig. (e) = Sei 1 j n. Ist dann ɛ > 0, so existiert ein k 0 N mit x k x l < ɛ/b für alle k, l N mit k, l k 0. Für alle k, l N mit k, l k 0 haben wir damit auch x k j x l j j max 1 i n xk i x l i B ( x k 1 x l 1 1,..., x k n x l n n ) 0 = B x k x l < ɛ, und damit ist (x k j ) k N eine Cauchyfolge in E j. = Sei ɛ > 0. Für jedes 1 j n existiert dann ein k j N mit x k j x l j j < ɛ/a für alle k, l N mit k, l k j. Setze k 0 := max{k 1,..., k n }. Seien k, l N mit k, l k 0. Für jedes 1 j n ist dann k, l k 0 k j, also auch x k j x l j j < ɛ/a, und somit gilt x k x l = ( x k 1 x l 1 1,..., x k n x l n n ) 0 A max 1 j n xk j x l j j < ɛ. Damit ist (x k ) k N eine Cauchyfolge in E. (g) = Sei 1 j n und sei (x k ) k N eine Cauchyfolge in E j. Für alle k N und alle 1 i n definiere dann { yi k x k, i = j, := und y k := (yi k ) 1 i n E. 0, i j Auf diese Weise erhalten wir eine Folge (y k ) k N in E, und da (y k j ) k N = (x k ) k N eine Cauchyfolge in E j ist und (y k i ) k N = (0) k N für jedes 1 i n mit i j auch eine Cauchyfolge in E i ist, ist (y k ) k N nach (e) eine Cauchyfolge in E. Nach unserer Annahme existiert ein x E so, das (y k ) k N in E gegen x konvergiert und nach (d) konvergiert (x k ) k N = (y k j ) k N in E j gegen x j E j. Damit ist E j vollständig. = Sei (x k ) k N eine Cauchyfolge in E. Nach (e) ist (x k j ) k N für jedes 1 j n eine Cauchyfolge in E j und da E j vollständig ist konvergiert (x k j ) k N gegen ein x j E j. Wir erhalten x := (x j ) 1 j n E und nach (d) konvergiert (x k ) k N in E gegen x. Damit ist auch E vollständig. Alle vor diesem Lemma genannten Normen auf dem R n erfüllen die Monotoniebedingung des Lemmas, liefern uns also äquivalente Normen auf E. Während es damit für 17-5
6 normierte Räume zwar stets passende Normen auf dem Produktraum gibt, gibt es aber immer gleich viele verschiedene äquivalente Normen von denen keine besonders ausgezeichnet ist. Für Prähilberträume ist die Situation etwas übersichtlicher, hier kann man auf dem Produkt in kanonischer Weise ein Skalarprodukt einführen. Lemma 7.4 (Produkte von Hilberträumen) Seien K {R, C}, n N mit n 1 und für jedes 1 j n sei H j ein Prähilbertraum über K mit dem Skalarprodukt j. Ist dann H der Vektorraum H := H 1 H n über K, so definiert x y := x j y j j für x, y H ein Skalarprodukt auf H. Für jedes x H ist die Norm von x in H gegeben als ( ) 1/2 x = x j 2 j und genau dann ist H ein Hilbertraum wenn H j für jedes 1 j n ein Hilbertraum ist. Beweis: Nach Lemma 3 bildet H überhaupt einen Vektorraum über K. Wir weisen nun nach, dass die Abbildung der Behauptung ein Skalarprodukt auf H ist. Seien x, y, z H und λ K ein Skalar. Dann haben wir zunächst x + y z = x j + y j z j j = ( x j z j j + y j z j ) j = x j z j j + y j z j j = x z + y z und λx y = λx j y j j = λ x j y j j = λ x j y j j = λ x y. Weiter erfüllt auch die hermitesche Bedingung denn für alle x, y H gilt y x = y j x j j = x j y j j = x j y j j = x y, und hieraus folgt für alle x, y, z H, λ K weiter x y + z = y + z x = y x + z x = y x + z x = x y + x z und x λy = λy x = λ y x = λ y x = λ x y. 17-6
7 Wir müssen also nur noch nachweisen das auch positiv definit ist. Sei 0 x H gegeben. Für jedes 1 j n ist dann x j x j j = x j 2 j 0 und es existiert ein 1 j n mit x j 0, also auch x j j > 0. Damit gilt x x = x j x j j = x j 2 j > 0. Damit ist H ein Prähilbertraum und Norm von H ist wie in der Behauptung des Lemmas angegeben. Insbesondere ist H als normierter Raum von der in Lemma 3 beschriebenen Form, und nach Lemma 3.(g) ist H genau dann ein Hilbertraum, also vollständig, wenn H j für jedes 1 j n ein Hilbertraum ist. Da die Norm des Produkts H = H 1 H n wie in Lemma 3 gegeben ist, sind insbesondere die Aussagen dieses Lemmas über Folgen und Stetigkeit auch auf Produkte von Prähilberträumen anwendbar. Jetzt haben wir auf H H die Struktur eines normierten Raums, und sogar eines Prähilbertraums, eingeführt und können nun zur angekündigten Stetigkeit des Skalarprodukts kommen. Lemma 7.5 (Stetigkeit des Skalarprodukts) Sei H ein Prähilbertraum über K {R, C}. Dann ist das Skalarprodukt eine stetige Abbildung. : H H K; (u, v) u v Beweis: Seien x, y H und ɛ > 0 gegeben. Wähle dann ein 0 < δ < 1 mit ( x + y + 1)δ < ɛ. Für alle u, v H mit (u, v) (x, y) = ( u x 2 + y v 2 ) 1/2 < δ gilt dann u x (u, v) (x, y) < δ und ebenso y v < δ, also haben wir auch u x + u x < x + δ < x + 1. Mit der Cauchy-Schwartzschen Ungleichung II. 6.Satz 1 folgt u v x y = u v u y + u y x y = u v y + u x y u v y + u x y u v y + u x y ( x + y + 1)δ < ɛ. Damit ist das Skalarprodukt im Punkt (x, y) H H stetig und das Lemma ist bewiesen. Haben wir also einen Prähilbertraum H und zwei konvergente Folgen (x n ) n N, (y n ) n N in H mit Grenzwerten x := lim n x n beziehungsweise y := lim n y n, so konvergiert 17-7
8 die Folge ((x n, y n )) n N nach Lemma 3.(d) in H H gegen (x, y), und damit gilt x y = lim n x n y n. Etwas verkürzt kann man diese Gleichung auch als lim x n y n = lim x n n n lim y n n schreiben, sofern die beiden Grenzwerte auf der rechten Seite existieren. Ist dabei eine der beiden Folgen konstant, so ergeben sich auch lim x n y = lim x n n n y und lim x y n = x n lim y n n sofern die jeweils rechts stehende Grenzwerte existieren. 7.1 Orthogonale Komplemente Einer der Schlüssel zum Verständnis der Hilberträume ist der Orthogonalitätsbegriff, und wir führen jetzt erst einmal einige dieser Orthogonalitätsbegriffe in einem Prähilbertraum ein. Schon in II. 6.1 hatten wir zwei Vektoren x, y H in einem Prähilbertraum orthogonal oder senkrecht zueinander genannt wenn ihr Skalarprodukt verschwindet, also x y : x y = 0 wobei das Symbol x y für x steht senkrecht auf y steht. Wegen y x = x y ist genau dann x y wenn y x gilt. Die positive Definitheit x x > 0 für x 0 ergibt das kein von Null verschiedener Vektor zu sich selbst senkrecht sein kann. Ebenfalls schon in II. 6.1 hatten wir einen Vektor x H senkrecht auf einer Teilmenge U H genannt wenn er senkrecht auf jedem Element von U ist. Schreiben wir x U oder U x für x ist senkrecht auf U, so ist also x U : (y U) : x y. Weiter nennen wir zwei Mengen U, V H senkrecht aufeinander, geschrieben als U V, wenn jedes Element von U zu jedem Element von V senkrecht ist, also U V := (x U) (y V ) : x y. Nun kommen wir zu einer neuen Definition und führen die orthogonalen Komplemente von Teilmengen eines Prähilbertraums ein. Definition 7.1 (Orthogonalkomplement) Seien K {R, C} und H ein Prähilbertraum über K. Ist dann M H eine beliebige Teilmenge von H, so heißt die Menge M := {x H (y M) : x y} = {x H x M} das orthogonale Komplement von M. 17-8
9 Bevor wir zu einem Beispiel kommen, wollen wir uns erst einmal die elementaren Grundeigenschaften dieses Begriffs überlegen. Zunächst einmal stellt sich heraus das M immer ein abgeschlossener Unterraum von H ist. Weiter kann man die Menge M noch um beliebige Linearkombinationen von Elementen aus M vergrößern ohne das orthogonale Komplement dabei zu verändern. Insbesondere kann man die Menge aller Linearkombinationen von Elementen aus M nehmen, dies ist der sogenannte Aufspann, oder das Erzeugnis, { } M := λ k u k n N, λ 1,..., λ n K, u 1,..., u n M k=1 von M. Besteht M nur aus endlich vielen Vektoren so hatten wir diesen Begriff schon in I eingeführt, bei Hilberträumen ist man aber zumeist am unendlichdimensionalen Fall interessiert und benötigt diese Erweiterung. Der Aufspann M ist der kleinste M umfassende Unterraum. Dies kann man leicht einsehen. Zunächst ist 0 M, wir müssen uns nur daran erinnern das die leere Summe per Konvention immer als Null interpretiert wird. Weiter ist die Summe zweier Linearkombinationen von Elementen aus M wieder eine solche, denn haben wir n, m N und λ 1,..., λ n, µ 1,..., µ m K sowie u 1,..., u n, v 1,..., v m M, so setzen wir λ i := µ i n K, u i := v i n M für n + 1 i n + m, und erhalten λ k u k + k=1 m µ k v k = k=1 n+m k=1 λ k u k M. Weiter ist auch jedes Vielfache einer Linearkombination von Elementen von M wieder eine solche, denn sind n N, λ 1,..., λ n K, u 1,..., u n M und ein Skalar λ K gegeben, so ist λ λ k u k = (λλ k )u k M. k=1 k=1 Damit ist M tatsächlich ein Untervektorraum von H und für jedes u M ist auch u = 1 u M, also M M. Ist umgekehrt U H ein Untervektorraum mit M U, so enthält U auch jede Linearkombination von Elementen aus M und es gilt M U. Damit ist der Aufspann M tatsächlich der kleinste M umfassende Untervektorraum von H. Das folgende Lemma stellt einige Grundeigenschaften über das orthogonale Komplement zusammen. Lemma 7.6 (Grundeigenschaften des Orthogonalkomplements) Seien H ein Prähilbertraum über K {R, C} und M H eine Teilmenge. Dann gelten: (a) Das orthogonale Komplement M ist ein abgeschlossener Unterraum von H. (b) Ist N H eine weitere Teilmenge mit M N, so ist N M. 17-9
10 (c) Es gilt M = M. Beweis: (a) Wir zeigen zunächst das M ein Untervektorraum von H ist. Dabei ist 0 M klar. Sind weiter x, y M und λ K, so gilt für jedes u M stets x u und y u, also x u = y u = 0, und es folgen x + y u = x u + y u = 0 und λx u = λ x u = 0, d.h. wir haben auch x + y u und λx u, und dies bedeutet x + y, λx M. Damit ist M ein Untervektorraum und wir zeigen nun das M auch abgeschlossen ist. Nach II. 4.Lemma 17.(d) reicht es zu zeigen das das Komplement H\M offen ist. Sei also x H\M gegeben, d.h. es existiert ein u M mit x u 0. Da das Skalarprodukt nach Lemma 5 stetig ist, existiert ein δ > 0 mit y u x u < x u für alle y B δ (x), also ist für jedes y B δ (x) auch y u = x u ( x u y u ) x u x u y u > 0, also y u 0 und somit ist B δ (x) H\M. Damit ist x ein innerer Punkt von H\M und H\M ist eine offene Menge, wie behauptet. (b) Klar. (c) Nach (b) gilt M M. Ist u M, so gilt M u, also ist nach (a) auch M u und dies bedeutet u M. Also gilt u M. Dies zeigt M M und insgesamt haben wir damit M = M eingesehen. Ist beispielsweise H = R 3 mit dem gewöhnlichen euklidischen Skalarprodukt und 0 u R 3 ein Vektor, so ist u die auf u senkrecht stehende Ebene durch den Nullpunkt und ist U R 3 eine Ebene durch Null, so ist U die Normalenrichtung von U, also die auf U senkrecht stehende Gerade durch den Nullpunkt. Wir wollen uns jetzt ein Beispiel in einer weniger vertrauten Situation anschauen, und betrachten den Hilbertraum H := C[ 1, 1] aller stetigen Funktion f : [ 1, 1] R wie in II. 6.1 versehen mit dem Skalarprodukt f g = 1 1 f(x)g(x) dx für f, g H. Weiter sei U der Teilraum aller geraden stetigen, reellen Funktionen auf [ 1, 1]. Wir behaupten das U dann genau aus den ungeraden Funktionen in H besteht. Ist f H eine ungerade Funktion, so ist nämlich fg für jede gerade Funktion g H wieder ungerade, also ist f g = 1 1 f(x)g(x) dx =
11 Damir steht jede ungerade Funktion senkrecht auf allen geraden Funktionen, liegt also in U. Nun sei umgekehrt f : [ 1, 1] R eine stetige Funktion die senkrecht auf jeder geraden Funktion ist. Wäre f nicht ungerade, so gäbe es ein 0 x ( 1, 1) mit f( x) f(x), d.h. wir haben f(x) + f( x) 0. Da die Funktion f stetig ist, gibt es dann ein ɛ > 0 mit (x ɛ, x + ɛ) ( x ɛ, yx + ɛ) ( 1, 1)\{0} so, dass f(y) f(x) < f(x) + f( x) /3 für alle y (x ɛ, x + ɛ) und f(y) f( x) < f(x) + f( x) /3 für alle y ( x ɛ, x + ɛ) gelten. Für jedes y (x ɛ, x + ɛ) haben wir dann auch f(y) + f( y) = f(x) + f( x) (f(x) f(y)) (f( x) f( y)) f(x) + f( x) f(x) f(y) f( x) f( y) > Definieren wir also die stetigen Funktionen 0, 0 y x ɛ, 2(y x+ɛ), x ɛ y x ɛ, ɛ 2 h : [0, 1] R; y 1, x ɛ y x + ɛ, 2 2 2(x y+ɛ), x + ɛ ɛ 2 y x + ɛ, 0, x + ɛ y 1 f(x) + f( x). 3 und g : [ 1, 1] R; y h( y ), so ist g gerade mit g(y) 0 für alle y [ 1, 1]. Wir haben f g = 1 1 f(y)g(y) dy = = (f(y)g(y) + f( y)g( y)) dx (f(y) + f( y))g(y) dy = x+ɛ x ɛ (f(y) + f( y))g(x) dx und da f(y) + f( y) für y [x ɛ, x + ɛ] konstantes Vorzeichen hat folgt weiter f g x+ɛ/2 x ɛ/2 f(y) + f( y) dx ɛ f(x) + f( x) > 0, 3 es ist also f g = 0 und f steht nicht senkrecht auf U. Insgesamt besteht U damit genau aus den ungeraden Funktionen f H. Sind x, y H zwei Vektoren aus einem Prähilbertraum H mit x y, so haben wir den nach Lemma 1.(e) den Satz des Pythagoras, also x + y 2 = x 2 + y 2. Im gewöhnlichen euklidischen Raum R 3 folgte mit dem Satz des Pythagoras das bei einer gegebenen Ebene e R 3 und einem Punkt x R 3 der kleinste Abstand von x zu Punkten der Ebene genau im Lotfußpunkt x von x auf e angenommen wurde, also im Punkt x e mit x x e. Diese Tatsache überträgt sich jetzt auf allgemeine Hilberträume. Wir beginnen mit einem vorbereitenden Lemma
12 Lemma 7.7 (Lotfußpunkte als optimale Approximation) Seien H ein Prähilbertraum über K {R, C}, U H ein Unterraum und x H, x U. Dann ist genau dann x x = inf{ x u : u U} wenn x der Lotfußpunkt von x auf U ist, wenn also x x U gilt. In diesem Fall ist x durch die Bedingung inf{ x u : u U} = x x eindeutig bestimmt. Beweis: = Es gelte x x = inf{ x u : u U}, also x u x x für jedes u U. Für jedes u U folgt wegen x + u U nach Lemma 1.(a) auch x x 2 x x u 2 = x x 2 + u 2 2 Re( x x u ), d.h. Re( x x u ) u 2. Ist also u U und wählen wir λ K mit λ = 1 und λ x x u = x x u, so folgt wegen λu U auch x x u = Re(λ x x u ) = Re( x x λu ) λu 2 = λ 2 u 2 = u 2. Sei wieder u U. Für jedes t > 0 haben wir dann u/t U und somit x x u t = x x x 2 u t t = u 2, t 2 also auch t x x u u 2. Da dies für jedes t > 0 gilt, muss damit x x u = 0 sein, und wir haben x x U gezeigt. = Nun nehmen wir x x U. Ist dann u U mit u x, so ist auch x u U mit x u 0 und wegen x x x u gilt nach dem Satz des Pythagoras Lemma 1.(b) x u 2 = x x + x u 2 = x x 2 + x u 2 > x x 2, also auch x u > x x. Damit ist x x = inf{ x u : u U} und x ist der eindeutige Punkt in dem dieses Infimum angenommen wird. All bisher bewiesenen Aussagen gelten allgemein in Prähilberträumen H, und jetzt kommen wir zu der ersten Aussage für deren Gültigkeit wir die Vollständigkeit von H benötigen, also voraussetzen müssen das H sogar ein Hilbertraum ist. Im eben bewiesenen Lemma haben wir gezeigt das der minimale Abstand eines Punkt x H zu einem Unterraum U H im Lotfußpunkt von x auf U angenommen wird, es kann aber durchaus passieren das es keinen solchen Lotfußpunkt gibt, dass also das Infimum inf{ x u : u U} kein Minimum ist. Die Existenz von Lotfußpunkten können wir nur in Hilberträumen beweisen. Satz 7.8 (Existenz des Lotfußpunkts) Seien H ein Hilbertraum über K {R, C}, U H ein abgeschlossener Teilraum von H und x H. Dann existiert genau ein x U mit x x = inf{ x u : u U} und es gilt x x U
13 Beweis: Wir setzen α := inf{ x u : u U} und wählen für jedes n N mit n 1 ein u n U mit x u n < α + 1 n. Wir behaupten das die Folge (u n ) n N eine Cauchyfolge ist. Sei also ɛ > 0 gegeben und wähle n 0 N mit n 0 > 4(2α + 1)/ɛ. Seien n, m N mit n, m n 0. Dann ist (u n + u m )/2 U also haben wir x u n + u m 2 α und mit der Parallelogramidentität Lemma 1.(c) ergibt sich u n u m 2 = (x u m ) (x u n ) 2 = 2( x u m 2 + x u n 2 ) 2x u m u n 2 = 2( x u n 2 + x u m 2 ) 4 x u 2 n + u m 2 ( ( < 2 α + 1 ) 2 ( + α + 1 ) ) 2 ( 1 4α 2 = 4α n m n + 1 ) ( m n + 1 ) 2 m 2 4(2α + 1) n 0 < ɛ. Damit ist (u n ) n N eine Cauchyfolge und da H als vollständig vorausgesetzt ist, existiert x := lim n u n H. Da U H abgeschlossen ist, ist dabei x U = U. Mit der Stetigkeit des Skalarprodukts Lemma 5 folgt weiter x x 2 = x x x x = lim x u n n lim x u n n also auch = lim n x u n x u n = lim n x u n 2, ( α x x = lim x u n lim α + 1 ) = α, n n n und wir haben x x = α = inf{ x u : u U} eingesehen. Dass x x U gilt, folgt nun aus Lemma 7. Für diesen Beweis reicht es eigentlich aus zu fordern das U vollständig ist, diese Verallgemeinerung hat aber keine nützlichen Konsequenzen. Wir wollen zwei wichtige Korollare dieses Satzes festhalten, und für das erste dieser beiden Korollare benötigen wir noch einen kleinen Begriff. Wir sagen das ein Prähilbertraum H die orthogonale 17-13
14 Summe zweier Teilräume U, V H ist, wenn U V gilt und sich jedes x H als eine Summe x = u + v mit u U, v V schreiben läßt. Ist H eine solche orthonale Summe, so schreiben wir auch H = U V. Nehme nun H = U V an. Für alle u U, v V ist dann u v, also gilt nach dem Satz des Pythagoras Lemma 1.(b) auch u + v 2 = u 2 + v 2. Ist jetzt x H und schreiben wir x auf zweierlei Arten als Summe x = u + v = u + v mit u, u U, v, v V, so sind auch u u U, v v V und u u + v v = 0, also u u 2 + v v 2 = 0 und es folgen u u = v v = 0 und u = u, v = v. Damit läßt sich jedes x H eindeutig als eine Summe x = u + v mit u U, v V schreiben. Weiter behaupten wir das U = V ist. Dabei ist V U klar und ist umgekehrt x U, so existieren u U, v V mit x = u + v und es folgt 0 = x u = u + v u = u 2 + v u = u 2, also u = 0 und x = v V. Dies zeigt U = V und analog ist auch V = U. Nach Lemma 6.(a) sind U, V H damit beide auch abgeschlossen in H. Als eine Umformulierung des Satzes über Lotfußpunkte erhalten wir den folgenden Zerlegungssatz für Hilberträume. Korollar 7.9 (Zerlegungssatz für Hilberträume) Seien H ein Hilbertraum und U H ein abgeschlossener Teilraum von H. Dann gilt H = U U. Beweis: Ist x U, so gibt es nach Satz 8 ein x U mit x x U, d.h. es ist x x U mit x = x + (x x ). Da auch U U gilt, ist damit H = U U. Schließlich ergibt sich hieraus eine oft nützliche Beschreibung des Abschlußs von Teilräumen als doppelte Orthogonalkomplemente. Korollar 7.10 (Bestimmung der abgeschlossenen Hülle) Seien H ein Hilbertraum und U H ein Teilraum. Dann gilt U = U. Beweis: Nach Lemma 2.(a) ist U H ein abgeschlossener Unterraum von U und nach Korollar 9 ist damit H = U U. Mit Lemma 6.(c) folgt hieraus und das Korollar ist bewiesen. U = U = U, 7.2 Orthonormalbasen Bereits in II. 6.1 hatten wir Orthonormalbasen endlich erzeugter Hilberträume eingeführt, dies waren einfach Basen deren einzelne Vektoren auf Länge Eins normiert 17-14
15 sind und paarweise senkrecht aufeinander stehen. Wir sind nun an unendlichdimensionalen Hilberträumen interessiert, und für diese gibt es keine Orthonormalbasen im obigen Sinn. Wir können den Begriff der Orthonormalbasis aber leicht auf den unendlichdimensionalen Fall erweitern, indem wir ganze Folgen von Vektoren zulassen. Definition 7.2 (Orthogonale und orthonormale Folgen) Sei H ein Prähilbertraum. Eine Folge (u n ) n N in H heißt orthogonal wenn u n u m für alle n, m N mit n m gilt, orthonormal wenn zusätzlich u n = 1 für jedes n N gilt und eine Orthonormalbasis von H wenn auch gilt. H = u n n N Wir werden einsehen das jeder nicht zu große unendlichdimensionale Hilbertraum eine Orthonormalbasis besitzt. Als ein Beispiel betrachte etwa den Hilbertraum l 2 der quadratsummierbaren Folgen über K {R, C}. Für jedes n N haben wir dann das Element e n := (δ kl ) k N, das n-te Folgenglied von e n soll also Eins sein, und alle anderen Folgenglieder sind gleich Null. Für alle n, m N haben wir dann { 1, n = m, e n e m = e n,j e m,j = δ nj δ mj = 0, n = m, die Folge (e n ) n N in l 2 ist also orthonormal. Um einzusehen das es sich auch um eine Basis handelt, müssen wir noch l 2 = {e n n N} einsehen. Seien also x l 2 und ɛ > 0 gegeben. Wegen x j 2 < existiert dann ein n 0 N mit j=n 0 +1 x j 2 < ɛ 2, und damit ist y := n 0 x je j {e n n N} und wegen x j y j = 0 für 1 j n 0 und x j y j = x j für j n ist ( ) 1/2 x y = x j 2 < ɛ. j=n 0 +1 Dies beweist direkt {e n n N} = l 2. Alternativ können wir auch über Korollar 10 vorgehen. Ist x {e n n N}, so gilt für jedes n N stets x n = x j δ nj = x e n = 0, 17-15
16 also haben wir x = 0. Damit ist {e n n N} = {0} und mit Korollar 10 erhalten wir erneut {e n n N} = {e n n N } = {0} = l 2. Im allgemeinen Fall gibt es zwar immer eine Orthonormalbasis, es kann es recht schwer sein wirklich eine explizit zu berechnen. Ein Hilfsmittel für derartige Rechnungen ist die schon in II. 6.1 eingeführte Gram-Schmidt Orthonormalisierung. Diese hat zu jedem System v 1,..., v n linear unabhängiger Vektoren das eindeutige orthonormale System u 1,..., u n mit u 1,..., u k = v 1,..., v k für alle 1 k n geliefert. Man kann das Gram-Schmidtsche Orthonormalisierungsverfahren auch zur Konstruktion von Orthonormalbasen im unendlichdimensionalen Fall verwenden. Ist (v n ) n N eine Folge linear unabhängiger Vektoren in H, sind also v 1,..., v n für jedes n N linear unabhängig, so setzen wir w 1 := v 1, und ist j > 1 und sind w 1,..., w j 1 schon definiert, so sei w j := v j j 1 k=1 v j w k w k 2 w k. Wir erhalten eine Folge (w k ) k N in H und setzen schließlich u j := w j / w j für jedes j N. Dann ist (u n ) n N nach den Ergebnissen von II. 6.1 eine orthonormale Folge in H mit mit u 1,..., u n = v 1,..., v n für jedes n N. Setzen wir zusätzlich voraus das gilt, so ist wegen auch {u n n N} = H = {v n n N} u 1,..., u n = n=1 v 1,..., v n = {v n n N} n=1 {u n n N} = {v n n N} = H, d.h. (u n ) n N ist dann sogar eine Orthonormalbasis von H. Starten wir beispielsweise mit der Folge v n (x) := x n der Monome im zu Beginn dieses Kapitels eingeführten Prähilbertraum R 2 [ 1, 1], so ergeben sich durch das Gram-Schmidtsche Orthonormalisierungsverfahren bis auf Konstanten die sogenannten Legendre-Polynome p n (x) := 1 d n 2 n n! dx n (x2 1) n, genauer liefert das Orthonormalisierungsverfahren die Folge u n (x) = n p n(x) für jedes n N. Explizit ist (x 2 1) n = ( ) n ( 1) n k x 2k k k=
17 also p n (x) = 1 2 n n! k=[n/2] ( 1) n k ( n k ) (2k)! (2k n)! x2k n. Dies wirklich nachzurechnen ist der Inhalt von Aufgabe (43), und in Aufgabe (42) ist ein weiteres Beispiel zum Gram-Schmidtschen Orthonormalisierungsverfahren
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,
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrEuklidische 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
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
Mehr6 Reelle und komplexe Zahlenfolgen
$Id: folgen.tex,v.7 200//29 :58:57 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Folgenkonvergenz In der letzten Sitzung hatten wir den Begriff der Konvergenz einer reellen oder komplexen Folge gegen
Mehr7 Vektorräume und Körperweiterungen
$Id: vektor.tex,v 1.3 2009/05/25 15:03:47 hk Exp $ 7 Vektorräume und Körperweiterungen Wir sind gerade bei der Besprechung derjenigen Grundeigenschaften des Tensorprodukts, die mit vergleichsweise wenig
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
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,
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).
Mehr6 Reelle und komplexe Zahlenfolgen
Mathematik für Physiker I, WS 200/20 Freitag 0.2 $Id: folgen.tex,v. 200/2/06 :2:5 hk Exp $ $Id: reihen.tex,v. 200/2/0 4:4:40 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Cauchyfolgen Wir kommen nun
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrKlausur zur Höheren Mathematik IV
Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
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
Mehr7 Orthogonale und unitäre Matrizen
$Id: orthogonal.tex,v.6 2/7/ 4::3 hk Exp $ $Id: mdiffb.tex,v.3 2/7/ 4::5 hk Exp hk $ 7 Orthogonale und unitäre Matrizen 7.2 Drehungen Wir wollen uns jetzt mit Drehungen im dreidimensionalen Raum beschäftigen.
Mehri=1 i=1,...,n x K f(x).
2. Normierte Räume und Banachräume Ein normierter Raum ist ein Vektorraum, auf dem wir Längen messen können. Genauer definieren wir: Definition 2.1. Sei X ein Vektorraum über C. Eine Abbildung : X [0,
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrKonvergenz, 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.
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrTopologische Begriffe
Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
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
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
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
MehrTechnische 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
MehrWir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung).
Kapitel 4 Metrische Räume und Stetigkeit 4.1 Metrische und normierte Räume 4.2 Folgen in metrischen Räumen 4.3 Offene und abgeschlossene Mengen 4.4 Stetige Funktionen 4.5 Grenzwerte von Funktionen 4.6
Mehr$Id: reihen.tex,v /06/12 10:59:50 hk Exp $ unendliche Summe. a 1 + a 2 + a 3 +.
Mathematik für Informatiker B, SS 202 Dienstag 2.6 $Id: reihen.tex,v.8 202/06/2 0:59:50 hk Exp $ 7 Reihen Eine Reihe ist eine unendliche Summe a + a 2 + a 3 +. Die Summanden a i können dabei reell oder
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
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
Mehr1 Eingebettete Untermannigfaltigkeiten des R d
$Id: unter.tex,v 1.2 2014/04/14 13:19:35 hk Exp hk $ 1 Eingebettete Untermannigfaltigkeiten des R d In diesem einleitenden Paragraphen wollen wir Untermannigfaltigkeiten des R d studieren, diese sind die
MehrSpickzettel 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
Mehr2 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
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)
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,
Mehr$Id: stetig.tex,v /06/26 15:40:18 hk Exp $
$Id: stetig.tex,v 1.11 2012/06/26 15:40:18 hk Exp $ 9 Stetigkeit 9.1 Eigenschaften stetiger Funktionen Am Ende der letzten Sitzung hatten wir eine der Grundeigenschaften stetiger Funktionen nachgewiesen,
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehralso 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
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
MehrSatz 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
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrDie 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
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
Mehr6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v.0 0/06/9 :47:4 hk Exp $ $Id: orthogonal.tex,v.4 0/06/9 3:46:46 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.3 Quadratische Funktionen und die Hauptachsentransformation Wir sind
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrKapitel 15. Aufgaben. Verständnisfragen
Kapitel 5 Aufgaben Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation einen K-Vektorraum bildet
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
Mehr1 Modulare Arithmetik
$Id: modul.tex,v 1.10 2012/04/12 12:24:19 hk Exp $ 1 Modulare Arithmetik 1.2 Euklidischer Algorithmus Am Ende der letzten Sitzung hatten wir den größten gemeinsamen Teiler zweier ganzer Zahlen a und b
MehrAnalytische Geometrie
Kapitel 2 Analytische Geometrie 21 Vektoren Die Elemente des kartesischen Produktes R n, d h die n Tupel oder Zeilenvektoren (a 1,, a n ) mit a k R für k n, interpretiert man als Punkte eines n dimensionalen
MehrAufgaben zu Kapitel 15
Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
Mehr1 Mengen und Abbildungen
1 MENGEN UND ABBILDUNGEN 1 1 Mengen und Abbildungen Wir starten mit einigen einführenden Definitionen und Ergebnissen aus der Theorie der Mengen und Abbildungen, die nicht nur Grundlage der Linearen Algebra
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
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrMathematik für Anwender II
Prof. Dr. H. Brenner Osnabrück SS 2012 Mathematik für Anwender II Vorlesung 32 Metrische Räume Euklidische Räume besitzen nach Definition ein Skalarprodukt. Darauf aufbauend kann man einfach die Norm eines
MehrDonnerstag, 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 )
Mehr1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
Mehr(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:
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrLineare 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
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Aufgabe 45. Polynome sind stets stetig. Höhere Mathematik für Informatiker II (Sommersemester
MehrOutline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
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
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
MehrDie Dimension eines Vektorraumes
Die Dimension eines Vektorraumes Ist (b 1, b 2,..., b n ) eine Basis des Vektorraums V, so heißt n die Dimension von V. Die Möglichkeit dieser Definition beruht auf dem folgenden nichttrivialen Satz. Je
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
Mehr9.2. 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
Mehrα + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus
4. Dualräume und schwache Topologien Den Begriff des Dualraums hatten wir bereits in Kapitel 2 definiert. Der Dualraum X eines Banachraums X ist X = B(X, C). X ist mit der Abbildungsnorm F = sup x =1 F
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
MehrMathematik I. Vorlesung 19. Metrische Räume
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 19 Metrische Räume Euklidische Räume besitzen nach Definition ein Skalarprodukt. Darauf aufbauend kann man einfach die Norm eines Vektors
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,
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehr11. BASIS, UNTERRAUM, und DIMENSION
11. BASIS, UNTERRAUM, und DIMENSION 1 Basen werden zu unterschiedlichen Zwecken benutzt: Um lineare Abbildungen in ihrer Matrixdarstellung zu vereinfachen, um die Dimension von Vektorräumen und ihren Unterräumen
Mehr& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors
Einführu hnung Was ist ein Vektor? In Bereichen der Naturwissenschaften treten Größen auf, die nicht nur durch eine Zahlenangabe dargestellt werden können, wie Kraft oder Geschwindigkeit. Zur vollständigen
MehrElementare Beweismethoden
Elementare Beweismethoden Christian Hensel 404015 Inhaltsverzeichnis Vortrag zum Thema Elementare Beweismethoden im Rahmen des Proseminars Mathematisches Problemlösen 1 Einführung und wichtige Begriffe
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
Mehr1 Modulare Arithmetik
$Id: modul.tex,v 1.11 2012/04/16 19:15:39 hk Exp $ $Id: gruppen.tex,v 1.11 2012/04/17 10:30:56 hk Exp $ 1 Modulare Arithmetik 1.3 Restklassen Wir waren gerade damit beschäftigt eine Beispiele zum Rechnen
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
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 1 von Philipp Bischo
Konstruktion der reellen Zahlen 1 von Philipp Bischo 1.Motivation 3 1.1. Konstruktion von R im allgemeine 3 2.Voraussetzung 3 2.1Die Menge Q zusammen mit den beiden Verknüpfungen 3 2.2Die Rationalen Zahlen
MehrKapitel 5. Die trigonometrischen Funktionen Die komplexen Zahlen Folgen und Reihen in C
Kapitel 5. Die trigonometrischen Funktionen 5.1. Die komplexen Zahlen 5.. Folgen und Reihen in C 5.10. Definition. Eine Folge (c n n N komplexer Zahlen heißt konvergent gegen c C, falls zu jedem ε > 0
MehrMusterlösung zu Blatt 6, Aufgabe 2
Musterlösung zu Blatt 6, Aufgabe 2 I Aufgabenstellung Es sei F = R N der Raum aller reellen, mit N induzierten Folgen. Weiter bezeichne N alle Nullfolgen, K alle konvergenten Folgen und B alle beschränkten
Mehr4.5 Schranken an die Dichte von Kugelpackungen
Gitter und Codes c Rudolf Scharlau 19. Juli 2009 341 4.5 Schranken an die Dichte von Kugelpackungen Schon in Abschnitt 1.4 hatten wir die Dichte einer Kugelpackung, speziell eines Gitters bzw. einer quadratischen
MehrKompaktheit 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
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
MehrKapitel 10. Lineare Abbildungen Definition linearer Abbildungen Eigenschaften und Beispiele Alle linearen Abbildungen R n V Bild von Unterräumen
Kapitel 10. Lineare Abbildungen Definition linearer Abbildungen Eigenschaften und Beispiele Alle linearen Abbildungen R n V Bild von Unterräumen Vorschau: Lineare Abbildungen Wer Vektorräume studiert,
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
Mehr1 Axiomatische Charakterisierung der reellen. 3 Die natürlichen, die ganzen und die rationalen. 4 Das Vollständigkeitsaxiom und irrationale
Kapitel I Reelle Zahlen 1 Axiomatische Charakterisierung der reellen Zahlen R 2 Angeordnete Körper 3 Die natürlichen, die ganzen und die rationalen Zahlen 4 Das Vollständigkeitsaxiom und irrationale Zahlen
MehrLösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
Mehrentspricht 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.
Mehr4 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
Mehreine Folge in R, für die man auch hätte schreiben können, wenn wir alle richtig raten, was auf dem Pünktchen stehen sollte.
Analysis, Woche 5 Folgen und Konvergenz A 5. Cauchy-Folgen und Konvergenz Eine Folge in R ist eine Abbildung von N nach R und wird meistens dargestellt durch {x n } n=0, {x n} n N oder {x 0, x, x 2,...
MehrKapitel III. Aufbau des Zahlensystems
Kapitel III. Aufbau des Zahlensystems 1 Addition und Multiplikation natürlicher Zahlen Wir wollen erklären, wie man natürliche Zahlen addiert und multipliziert und dabei nur den Begriff das Zählens verwenden.
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
Mehr