B Vektor- und Matrixnormen

Ähnliche Dokumente
Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren

Einleitung Grundlagen Einordnung. Normen. Thomas Gerstner. Institut für Mathematik Goethe-Universität Frankfurt am Main

Wiederholung von Linearer Algebra und Differentialrechnung im R n

Mathematische Grundlagen

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

Numerische Verfahren

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

6 Numerische Verfahren zur Lösung linearer Gleichungssysteme

4.4 Hermitesche Formen

1 Fehleranalyse, Kondition, Stabilität

9 Metrische und normierte Räume

Der n-dimensionale Raum

4 Lineare Abbildungen Basisdarstellungen

Lineare Algebra und analytische Geometrie II

2 Euklidische Vektorräume

Kapitel 3. Konvergenz von Folgen und Reihen

ist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1

Grundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang

Seminar Einführung in die Kunst mathematischer Ungleichungen

Multiplikationen und Divisionen Hauptarbeit des Algorithmus liegt somit in der Berechnung der LR-Zerlegung. (n 1)n(2n 1) 6. = n3 3 n2.

Klausur zur Höheren Mathematik IV

Skalarprodukt, Norm & Metrik

Numerische Mathematik für Ingenieure (SoSe 2013)

Kapitel 5. Vektorräume mit Skalarprodukt

Lineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß

d(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.

Von Skalarprodukten induzierte Normen

Unter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über

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

Kapitel 2. Zahlenbereiche

Numerik I. Aufgaben und Lösungen

Analysis I. Guofang Wang Universität Freiburg

1 Konvergenz im p ten Mittel

7 Lineare Abbildungen und Skalarprodukt

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =

1 Euklidische und unitäre Vektorräume

Kapitel 2. Zahlenbereiche

14 Skalarprodukt Abstände und Winkel

6 Eigenwerte und Eigenvektoren

2 Grundlagen der linearen Algebra

Begleitmaterial zur Vorlesung Numerik I

Merkblatt zur Funktionalanalysis

9 Vektorräume mit Skalarprodukt

Vektor und Matrixnormen Vorlesung vom

31: Normierte Vektorräume

6 Hauptachsentransformation

Euklidische und unitäre Vektorräume

Vektor und Matrixnormen Vorlesung vom

Hauptsatz der Zahlentheorie.

Mathematische Grundlagen für die Vorlesung. Differentialgeometrie

00. Einiges zum Vektorraum R n

KAPITEL 2. Folgen und Reihen

8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN

Zahlen und metrische Räume

Iterative Verfahren, Splittingmethoden

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

30 Metriken und Normen

5 Stetigkeit und Differenzierbarkeit

8 KAPITEL 1. GRUNDLAGEN

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 n, woraus folgt

Zusammenfassung Analysis 2

Normen und Skalarprodukte

5 Numerische Iterationsverfahren

Lineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching

Tutorium 7. Definition. Sei V ein C-Vektorraum. Eine Abbildung, : V V C heißt komplexes Skalarprodukt : det F k > 0 mit F k := (f i,j ) C k k

Einführung in die Grundlagen der Numerik

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

Modulteilprüfung Geometrie (BaM-GS, L3M-RF)

Eigenwertaufgaben. Heinrich Voss. Hamburg University of Technology Department of Mathematics. Eigenwertaufgaben p.

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

Mathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ))

35 Stetige lineare Abbildungen

(c) (a) X ist abgeschlossen. X = A,wobeiderDurchschnittüberalleabgeschlossenenMengengebildet wird, die X enthalten. (d) (e)

2. Stetige lineare Funktionale

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

Ferienkurs Analysis 3. Ari Wugalter März 2011

Definition von R n. Parallelverschiebungen in R n. Definition 8.1 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R... R (n-mal), d.h.

10 Aus der Analysis. Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit

Klausur zur Mathematik II (Modul: Lineare Algebra II)

Mathematik für Anwender II

Lineare Algebra und analytische Geometrie II

Universität Ulm Abgabe: Mittwoch,

NUMERISCHE MATHEMATIK I

5 Diagonalisierbarkeit

Proseminar Mathematik. Ungleichungen I Betreuung: Natalia Grinberg. Karlsruher Institut für Technologie

Kapitel VI. Euklidische Geometrie

Im Allgemeinen gibt es drei verschiedene Ursachen der numerischen Fehler:

Kapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen

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

Wir beginnen mit der Definition eines metrischen Raumes, der in diesem Kapitel von zentraler Bedeutung ist. x, y, z X (Dreiecksungleichung).

Vektorräume und Lineare Abbildungen

Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof. Dr. Ulrich Reif

BUND-Chronik Güllehavarien von Juli 2015 bis Juni 2016 Schlampereien, Pech und Pannen - Güllehavarien haben schlimme Folgen für die Wasserqualität

Lösungsskizze zur Wiederholungsserie

1 Metrische Räume. In diesem Abschnitt wollen wir den Begriff des metrischen Raumes einführen und an einigen Beispielen illustrieren.

8 Die Riemannsche Zahlenkugel

Metrische Räume. Kapitel Begriff des metrischen Raumes

Analysis 2. Contents. Torsten Wedhorn. June 12, Notation. Es bezeichne K immer den Körper R der reellen Zahlen oder den Körper C der komplexen

Transkript:

XXXI B Vektor- und Matrixnormen Um die Länge von Vektoren aus einem Vektorraum V über K {R, C} (und damit den Abstand zweier Vektoren) zu messen, definieren wir Normen, das sind Abbildungen : V R + 0, v v, die positiv definit, d.h. v > 0 v V, v 0, sowie homogen, d.h. αv = α v α K, v V, sind und der Dreiecksungleichung, d.h. w + w v + w v, w V, genügen. Der Abstand zweier Vektoren v, w V (bez. der Norm ) ist durch d(v, w) := v w definiert ( d ist eine Metrik auf V).

XXXII Die wichtigsten Normen im R n (bzw. C n ) sind die Hölder-Normen (Otto Hölder, 1859 1937), 1/p n x p := x j p für 1 p, j=0 mit den Spezialfällen n x 1 := x i ((Betrags-)Summennorm), x 2 := j=0 n x j 2 j=0 x := max 1 j n x j (x = [x 1, x 2,..., x n ] ). 1/2 (Euklid-Norm, Euklid, ca. 408 355 v. Chr.), (Maximumnorm) Beachte: lim p x p = x für alle x K n.

XXXIII Obwohl alle Normen im K n äquivalent sind, z.b. gilt für alle x K n x 2 x 1 n x 2, x x 2 n x, sowie x x 1 n x d.h. sie erzeugen dieselbe Topologie (Grenzwerte, Stetigkeit), gibt es deutliche Unterschiede: Einheitskreisscheibe {x R 2 : x 1} bez. 1, 2 und : 1 1 1

XXXIV Eine Matrixnorm ist eine Abbildung : K n n R + 0, A A, die positiv definit, d.h. A > 0 A K n n, A O, sowie homogen, d.h. αa = α A α K, A K n n, ist und der Dreiecksungleichung, dh. A + B A + B A, B K n n, genügt. Zusätzlich soll sie submultiplikativ sein, d.h. AB A B A, B K n n. Beispiel: Frobenius oder Schur-Norm (Fedinand Georg Frobenius, 1849 1917; Isaac Schur, 1875 1941) (A = [a i,j ] 1 i,j n K n n ) A F := n i,j=0 a i,j 2 1/2 = [ spur(a H A) ] 1/2.

XXXV Jede Vektornorm V im K n induziert durch A M := max Ax V = max x V =1 x 0 Ax V x V eine Matrixnorm in K n n, die von V induzierte Matrixnorm. Es ist üblich, für V und M das gleiche Symbol zu verwenden: 1 induziert die Spaltensummennorm A 1 = max 1 j n n i=1 a i,j. 2 induziert die Spektralnorm A 2 = λ max (A H A). induziert die Zeilensummennorm A = max 1 i n n j=1 a i,j.

XXXVI Eine Vektornorm V und eine Matrixnorm M sind miteinander verträglich (oder passen zueinander), wenn Ax V A M x V x K n, A K n n gilt. Bezeichnet M die von der Vektornorm V induzierte Matrixnorm, so sind V und M miteinander verträglich. M ist die kleinste Matrixnorm, die mit V verträglich ist: Für alle A K n n gilt A M = min{ A : ist mit V verträglich}. Die Euklidsche Vektornorm 2 ist mit der Frobenius-Norm F verträglich, was A 2 A F für alle A K n n impliziert.

XXXVII Einige Fakten: 1. Für jede Norm auf V gilt v w v w v, w V. 2. Für alle 1 p, q, mit 1 p + 1 q = 1 ( 1 := 0) gilt x H y x p y q x, y K n (Hölder-Ungleichung). Wichtiger Spezialfall: x H y x 2 y 2 x, y K n (Cauchy-Schwarz-Ungleichung) (Augustin Louis Cauchy, 1789 1857; Hermann Amandus Schwarz, 1843 1921).

XXXVIII 3. Ist (, ) ein Innenprodukt auf V, so ist v := (v, v) eine Norm auf V (die von (, ) induzierte Norm). Die Euklid-Vektornorm wird durch das Euklid-Innenprodukt (x, y) := n j=1 x jy j, x, y K n, die Frobenius-Norm wird durch das Innenprodukt (A, B) := spur(b H A), A, B K n n, induziert. 4. Wird eine Norm auf V durch ein Innenprodukt induziert, so genügt sie der Parallelogrammgleichung, v + w + v w = 2( v + w ) v, w V. Genügt umgekehrt eine Norm der Parallelogrammgleichung, so wird sie durch ein Innenprodukt induziert.

XXXIX 5. Für jede Matrixnorm gelten: I n 1 und A 1 1/ A. Wird von einer Vektornorm induziert, so ist I n = 1. 6. Ist ρ(a) := max{ λ : λ ist ein Eigenwert von A} der Spektralradius von A K n n und eine Matrixnorm, so ist ρ(a) A. Für A K n n und ε > 0 gibt es eine (von einer Vektornorm induzierte) Matrixnorm (die von A und ε abhängt) mit A ε ρ(a) A. Ist A diagonalisierbar, so gibt es eine Matrixnorm mit A = ρ(a). 7. Für jede Matrixnorm auf K n n gilt lim m Am 1/m = ρ(a) A K n n.

XL Eine Norm auf C n bzw. C n n heißt absolut, wenn x = x x C n bzw. A = A A C n n gilt. Für x = [x j ] 1 j n und A = [a i,j ] 1 i,j n sind dabei x := [ x j ] 1 j n und A = [ a i,j ] 1 i,j n. 1,, F sind absolute Matrixnormen, während die Matrixnorm 2 nicht absolut ist. Bemerkung. Eine Norm auf C n bzw. C n n ist genau dann absolut, wenn x y (x, y C n ) stets x y bzw. A B (A, B C n n ) stets A B impliziert. Dabei ist x y : x j y j j = 1, 2,..., n bzw. A B : a i,j b i,j i, j = 1, 2,..., n.