4.4 Hermitesche Formen

Ähnliche Dokumente
3.3 Eigenwerte und Eigenräume, Diagonalisierung

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

Lineare Algebra - alles was man wissen muß

2 Die Darstellung linearer Abbildungen durch Matrizen

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 5

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

6 Symmetrische Matrizen und quadratische Formen

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt

Satz 25 A sei eine (n n)-matrix über K

Eigenwerte und Eigenvektoren von Matrizen

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

Grundlagen der Mathematik II

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).

Seminararbeit für das SE Reine Mathematik- Graphentheorie

11 Normalformen von Matrizen

Lösungen zum 3. Aufgabenblatt

u + 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.

Vorlesung. Funktionen/Abbildungen 1

A Matrix-Algebra. A.1 Definition und elementare Operationen

Mathematik III für Ingenieure

Quantenautomaten und das Cut-Point-Theorem für beschränkte erkennbare Potenzreihen

7 Die Determinante einer Matrix

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Beispiel Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Musterlösungen zur Linearen Algebra II Blatt 5

Einführung in die Algebra

Mathematik 1 für Wirtschaftsinformatik

Computer Vision SS Skript

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

Berechnung von Eigenwerten und Eigenvektoren

Gleichungen - Aufgabenstellung und Lösungsstrategien

Orthogonale Funktionenräume

Definition 27 Affiner Raum über Vektorraum V

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17

Statistische Methoden

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Galerkin-Diskretisierung von Eigenwertproblemen für partielle Differentialgleichungen

ARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG

Geometrische Mannigfaltigkeiten

Matrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33

Lineare Gleichungssysteme

Leitfaden Lineare Algebra: Determinanten

Quelle/Referenz für dieses Kapitel: Springborn [2, Lectures 28/29] hx a,vi

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Optimalitätskriterien

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen

Risikomessung und Value at Risk Wintersemester 2013/14

Ausgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik. Lineare Algebra. zusammengestellt von

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Lineare Algebra für Informatiker TUM Sommersemester 2011 Dozent: Christian Pötzsche

Codierungstheorie, Vorlesungsskript

Modulabschlussklausur Analysis II

Fakultät für Mathematik und Informatik. Seminar über angewandte Analysis. Sommersemester Der Kreissatz von Gerschgorin

4. Übungsblatt Matrikelnr.:

3. Zusammenhang. 22 Andreas Gathmann

Beispiel zur Lösung eines Gleichungssystems : 6 y + z = x + 3 y 3 z = x 3 y =

6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte

Extremwertverteilungen

Algorithmen II Vorlesung am

Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen

Modern Methods in Nonlinear Optimization

Kernel, Perceptron, Regression. Erich Schubert, Arthur Zimek KDD Übung

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

Höhere Mathematik I. 1. Gruppenübung zur Vorlesung Prof. Dr. M. Stroppel. Winter 2007/08

Multivariate Statistik

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Der Golay-Code und das Leech-Gitter

Übungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt

Numerische Behandlung des Eigenwertproblems

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

KAPITEL 0. Einführung

5. Verschiedene Repräsentanten

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität

Invariantentheorie. Vorlesung 5. Invariantenringe zu Untergruppen

Zuammenfassung: Reelle Funktionen

Frohe Weihnachten und ein gutes neues Jahr!

Einführung in die Funktionalanalysis

7 Lineare Abbildungen und Lineare Gleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg

Absolute Stetigkeit von Maßen

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

f : C C, z f(z) = zz komplex differenzierbar? Gibt es ein Gebiet G so dass f G analytisch ist?

Bildverarbeitung Herbstsemester Kanten und Ecken

Gitter und Codes. SS 2007 Prof. Dr. G. Nebe, Dr. M. Künzer

Expander Graphen und Ihre Anwendungen

Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:

2.1 Codes: einige Grundbegriffe

Lineare Algebra I. HP Butzmann. Vorlesung im HWS 09

GNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor

Transkript:

44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung h : V V C für die gilt: (HF1) x, y, z V : h(x + y, z) = h(x, z) + h(y, z); (HF2) x, y V, λ C : h(λx, y) = λh(x, y); (HF3) x, y V : h(x, y) = h(y, x) Das Paar (V, h) bezeichnen wir auch als hermiteschen Raum (HR) Bemerkung 442 Sei (V, h) ein HR Dann gilt: (1) x, y, z V : h(x, y + z) = h(x, y) + h(x, z) (2) x, y V, λ : C : h(x, λy) = λh(x, y) Beispiel (1) Seien x = x 1 x n C n Wir definieren den komplex konjugierten Vektor y :=, y = y 1 y n y 1 y n und damit h(x, y) := x t y = n i=1 x iy i Man beachte, dass dann h(x, x) = n i=1 x ix i = n i=1 x i 2 R mit h(x, x) > 0 falls x 0 (C n, h) ist ein hermitescher Raum und man nennt diese spezielle hermitesche Form h auch das (hermitesche) Standardskalarprodukt auf C n (2) Für A = (a ij ) M n (C) definieren wir die komplex konjugierte Matrix A := (a ij ) M n (C) Sei nun A M n (C) mit A = A t Wir definieren nun h A (x, y) := x t Ay Dies ist eine HF auf C n Beispiel (1) ist ein Spezialfall hiervon für A = I n (3) Sei V = {stetige Funktionen [a, b] C} wobei [a, b] R ein Interval ist Jedes f : [a, b] C kann geschrieben werden als f(x) = f 1 (x) + if 2 (x) mit f 1, f 2 : [a, b] R, und f ist stetig genau dann wenn f 1 und f 2 stetig sind Man definiert f(x) := f 1 (x) if 2 (x) und für f V das Integral b f(x)dx := a b f a 1(x)dx + i b f a 2(x)dx 1

Damit erhält man eine hermitesche Form h auf V mittels h(f, g) := b f(x)g(x)dx a Für f(x) = f 1 (x)+if 2 (x) bekommt man damit h(f, f) = b f a 1(x) 2 +f 2 (x) 2 dx, insbesondere h(f, f) R und wegen Stetigkeit h(f, f) > 0 falls f 0 Bemerkung Generell gilt in jedem HR (V, h) wegen h(x, x) = h(x, x), dass h(x, x) R x V Definition 443 Sei A M n (C) (i) Die zu A adjungierte Matrix ist definiert als A := A t (ii) A nennt man eine hermitesche Matrix falls A = A Bemerkung 444 Seien A = (a ij ), B M n (C) (i) A hermitesch A = A t a ii R i und a ij = a ji i j ( ) 3 1 + i ZB ist eine hermitesche Matrix 1 i 4 (ii) (AB) = B A, (A + B) = A + B, und für alle λ C hat man (λa) = λa Definition 445 (i) Ein HR (V, h) (bzw die HF h auf V ) heißt positiv definit falls h(x, x) > 0 für alle x V \ {0} Ein unitärer Raum (UR) ist ein positiv definiter HR (ii) Eine hermitesche Matrix A M n (C) heißt positiv definit falls h A : C n C n C : (x, y) x t Ay eine positiv definite HF ist (siehe Bsp (2) oben) Analog definiert man negativ definit, positiv/negativ semidefinit Fakten 446 Alles, was für SBRs über R gesagt und gezeigt wurde, gilt iw auch für HRs über C Sei also (V, h) ein HR (1) Orthogonalität: x, y V sind orthogonal zueinander, x y, falls h(x, y) = 0 (damit auch h(y, x) = 0, also y x) Entsprechend definiert man S T für Teilmengen S, T V Für S V definiert man den zu S orthogonalen Unterraum S = {x V x S} und das Radikal Rad(V, h) = V (V, h) ist nicht-entartet falls Rad(V, h) = {0} (2) Angenommen dim V = n < (i) Falls E : e 1,, e n eine Basis von V ist, so erhält man die Grammatrix G h,e = (h(e i, e j )) M n (C), welche notwendigerweise eine hermitesche Matrix ist: G h,e = G h,e (V, h) ist nicht-entartet falls det G h,e 0 2

(ii) Falls F : f 1,, f n eine andere Basis ist, so gibt es ein S GL n (C) mit S G h,e S = G h,f wobei S = M F E (id V ) (V, h) lässt sich diagonalisieren, dh es kann so eine Basis F gefunden werden für die G h,f = a 1 a n, eine Diagonalmatrix ist mit (notwendigerweise) a i R ( ) So eine Basis heißt dann Orthogonalbasis von (V, h) (iii) (V, h) ist genau dann positiv definit wenn in der Darstellung ( ) in (ii) alle a i > 0 (iv) Es gilt der Trägheitssatz von Sylvester (v) Falls (V, h) UR ist, so existiert eine Basis F von V mit G h,f = I n So eine Basis heißt dann Orthonormalbasis (ONB) von (V, h) (3) Sei (V, h) ein UR Man definiert für alle x V die Norm x = h(x, x) Es gilt dann (i) x 0, und x = 0 genau dann wenn x = 0 (ii) (Cauchy-Schwarzsche Ungleichung) x, y V : h(x, x) x y (iii) (Dreiecksungleichung) x, y V : x + y x + y (iv) (Homogenität) x V, λ C: λx = λ x Definition 447 Sei (V,, ) ein ER (K = R) oder ein UR (K = C), und seien f, g End K (V ) (a) g heißt adjungiert zu f falls x, y V gilt: f(x), y = x, g(y) Man schreibt dann g = f ad (diese Notation ist gerechtfertgit, da wir später sehen werden, dass adjungierte Abbildungen eindeutig bestimmt sind) (b) f heißt selbstadjungiert falls f = f ad (c) f heißt orthogonal (im Fall ER) bzw unitär (im Fall UR) falls f bijektiv und f(x), f(y) = x, y x, y V Bemerkung 448 (1) Die Definition von orthogonalem f im Fall ER stimmt überein mit der früheren Definition von orthogonalem f O(V, b) für einen SBR (V, b) (433) (2) f adjungiert zu g g adjungiert zu f 3

(3) f orthogonal/unitär f ad = f 1 (4) Verknüpfung und Umkerhabbildungen von orthogonalen/unitären Abbildungen sind wieder orthogonale/unitäre Abbildungen Definition und Lemma 449 Sei (V, h) ein HR Dann ist U(V, h) := {f End C (V ) f unitär} eine Gruppe unter der Verknüpfung von Abbildungen, genannt unitäre Gruppe von (V, h) Satz 4410 Sei (V,, ) ein ER (K = R) oder ein UR (K = C) mit dim V < (a) Zu jedem f End K (V ) existiert ein eindeutiges g End K (V ) mit g = f ad (b) Seien f, f 1, f 2 End K (V ) und λ K Dann gilt (f 1 f 2 ) ad = f ad 2 f ad 1, (f 1 + f 2 ) ad = f ad 1 + f ad 2, (λf) ad = λf ad Satz 4411 Sei S = (s ij ) = ( s 1 s n ) = und Zeilen s i Die folgenden Aussagen sind äquivalent: (i) S S = I n ; (ii) SS = I n ; s 1 s n M n (C) mit Spalten s i (iii) s 1,, s n C n bildet eine ONB bzgl des hermiteschen Standardskalarprodukts, auf C n ; des hermiteschen Standardskalarpro- (iv) s t 1,, s t n bildet eine ONB bzgl dukts, auf C n ; (v) Die Abbildung L S : C n C n : x Sx ist unitär bzgl des hermiteschen Standardskalarprodukts, auf C n ; (vi) Sei (V, h) ein UR, dim V = n und e 1,, e n eine ONB von (V, h) Sei f j := n i=1 s ije i, 1 j n Dann ist f 1,, f n auch eine ONB von (V, h) 4

Eine Matrix S M n (C) mit obigen Eigenschaften heißt unitär U n (C) = {S M n (C) S unitär} ist eine Gruppe unter der Matrizenmultiplikation, genannt unitäre Gruppe von C in Dimension n oder vom Grad n Lemma 4412 Sei V ein K-Vektorraum (K beliebig), f End K (V ) bijektiv mit Umkehrabbildung f 1, und sei U V ein f-invarianter Untervektorraum mit dim U < Dann ist U auch f 1 -invariant Lemma 4413 Sei (V,, ) ein ER (K = R) oder ein UR (K = C) mit dim V < Sei U V ein f-invarianter Untervektorraum Dann ist U ein f ad -invarianter Untervektorraum Satz 4414 (Spektralsatz) (a) Seien (V,, ) ein UR mit dim V <, und f End C (V ) selbstadjungiert oder unitär Dann existiert eine ONB von (V,, ) bestehend aus Eigenvektoren von f Insbesondere ist f diagonalisierbar (b) Die Eigenwerte eines unitären f End C (V ) bzgl (V,, ) haben Betrag 1 Die Eigenwerte eines selbstadjungierten f End C (V ) bzgl (V,, ) sind reell Korollar 4415 Sei A M n (C) eine hermitesche Matrix, dh A = A Dann existiert eine unitäre Matrix S M n (C) (dh S invertierbar und S = S 1 ) sodass S AS = S 1 AS diagonal ist Satz 4416 (Reller Spektralsatz) Sei (V,, ) ER mit dim V <, und sei f End R (V ) selbstadjungiert bzgl (V,, ) Dann existiert eine ONB von (V,, ) bestehend aus Eigenvektoren von f Insbesondere ist f diagonalisierbar Damit erhält man wieder Satz 436: Korollar 4417 (Satz 436) Sei A M n (R) symmetrisch, dh A = A t Dann existiert S O n (R) mit S t AS = S 1 AS diagonal Insbesondere zerfällt das charakteristische Polynom P A (X) R[X] in Linearfaktoren über R und damit sind alle Eigenwerte reell Korollar 4418 Sei A M n (R) eine symmetrische Matrix, dh A = A t, und sei b A : R n R n R : b A (x, y) = x t Ay; oder sei A M n (C) eine hermitesche Matrix, dh A = A, und sei h A : C n C n C : h A (x, y) = x t Ay (i) λ 1,, λ n R (nicht notwendigerweise verschieden) mit P A (X) = ( 1) n n i=1 (X λ i) (ii) Es existiert eine Orthogonalbasis E von b A bzw h A sodass G ba,e bzw G ha,e von der Gestalt I r+ Ir 0 r0, r +, r, r 0 N 0, ist (mit Nullen 5

außerhalb der Blöcke, wobei 0 r0 die r 0 r 0 Nullmatrix ist) Das Tripel (r +, r, r 0 ) (aus dem Sylvesterschen Trägheitssatz) berechnet sich dabei wie folgt: r + = {i λ i > 0} r = {i λ i < 0} r 0 = {i λ i = 0} 6