Sie sind auf Seite 1von 73

H

ohere Mathematik I
Universitat Stuttgart, WS 2008/09
Prof. Dr. M. Griesemer
Inhaltsverzeichnis
1 Grundlagen 1
1.1 Aussagenlogik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Mengen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Reelle Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Komplexe Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 Polynome und rationale Funktionen . . . . . . . . . . . . . . . . . . . . . 13
2 Lineare Algebra 15
2.1 R
n
und C
n
als Vektorraume . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Lineare Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Das Gausche Losungsverfahren . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Die Matrizenmultiplikation . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6 Vektorraume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7 Basis und Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8 Elementarmatrizen und elementare Umformungen . . . . . . . . . . . . . 25
2.9 Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.10 R
n
als Euklidischer Vektorraum . . . . . . . . . . . . . . . . . . . . . . . 29
2.11 Lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.12 Basiswechsel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.13 Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . . . . . . . 37
2.14 Symmetrische Matrizen und quadratische Formen . . . . . . . . . . . . . 39
2.15 Quadriken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.16 PageRank: die Bewertung einer Webpage durch Google . . . . . . . . . . 44
3 Konvergenz und Stetigkeit 45
3.1 Zahlenfolgen und Grenzwerte . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Grenzwerte von Funktionen . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Stetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1
4 Dierentialrechnung 57
4.1 Die Ableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Der Mittelwertsatz und Anwendungen der Dierentialrechnung . . . . . . 61
4.3 Umkehrfunktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4 Exponentialfunktion und Logarithmus . . . . . . . . . . . . . . . . . . . 68
4.5 Konvexe Funktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2
1 Grundlagen
1.1 Aussagenlogik
Eine Aussage ist ein Satz in Worten oder Zeichen, welche eindeutig als wahr oder falsch
deklariert werden kann.
Aussagen sind:
2 + 2 = 5
Durch zwei verschiedene Punkte gibt es genau eine Gerade
Morgen scheint die Sonne
Keine Aussagen sind:
Elektronen sind blau
Die Beatles waren bessere Musiker als Beethoven
Ein Axiom oder ein Postulat ist eine Aussage, welche gema Vereinbarung wahr ist.
Beispiele:
Zu jeder Geraden g und zu jedem nicht auf g liegenden Punkt P gibt es genau
eine Gerade, welche durch P verlauft und zu g parallel ist.
Die Lichtgeschwindigkeit im Vakuum ist unabhangig vom Bewegungszustand von
Quelle und Beobachter.
Ein Theorem, Satz, Lemma oder Korollar ist eine wahre Aussage, welche aus den
Axiomen hergeleitet werden kann.
Eine Aussagenform ist ein Satz in Worten oder Zeichen, welcher mindestens eine Va-
riable enthalt, und f ur jede zulassige Belegung der Variablen zu einer Aussage wird (Bsp.:
x < 1).
Nicht, und, oder
Wir benutzen a, b, c . . . zur Abk urzung von Aussagen (a :=

5 ist eine Primzahl.) Die


moglichen Wahrheitswerte einer Aussage bezeichnen wir mit 1 (wahr) und 0 (falsch).
Die Wahrheitswerte der neuen Aussagen:
a

nicht a
a b

a oder b
a b

a und b
a a b a b a b
1 0 0 0 0
0 1 0 1 0
1 0 1 1 0
0 1 1 1 1
hangen nur von den Wahrheitswerten von a und b ab, und sind deniert durch obige
Wahrheitswertetabelle.
Implikation und

Aquivalenz
Seien a und b zwei Aussageformen.
a b :

aus a folgt b
bedeutet: falls a wahr ist, dann ist auch b wahr,
a b :

a ist aquivalent zu b
bedeutet: a ist genau dann wahr, wenn b wahr ist.
Bemerkung: a b und a b sind keine Aussagen, sondern beschreiben Beziehungen
zwischen den Aussageformen a und b. (siehe Vortrags ubung)
Satz 1.1. Die Implikation a b und deren Kontraposition b a sind logisch
aquivalent.
Beweis: Vortrags ubung.
Satz 1.2 (De Morgansche Regeln).
(a b) a b
(a b) a b
Satz 1.3 (Distributivgesetze).
a (b c) (a b) (a c)
a (b c) (a b) (a c).
Quantoren
Sei a(x) eine Aussageform.
x : a(x)

f ur alle x gilt a(x)


ist die und-Verkn upfung aller Aussagen a(x). Man schreibt daher auch
_
x : a(x).
x : a(x)

es gibt ein x, so dass a(x) gilt


ist die oder-Verkn upfung aller Aussagen a(x). Man schreibt daher auch
_
x : a(x).
De Morgansche Regeln:
x : a(x) x : a(x),
x : a(x) x : a(x).
1.2 Mengen
Eine Menge M ist eine Zusammenfassung von Objekten m, genannt Elemente von
M, zu einem Ganzen.
m M :

m ist Element von M


m M :

m ist nicht Element von M.


2
bezeichnet die leere Menge (sie enthalt kein Element).
Mengen kann man beschreiben durch Aufzahlung der Elemente:
{1, 3, 7} = {3, 1, 7} = {1, 1, 3, 7}
oder mit Hilfe einer Aussageform a(x):
M := {x X|a(x)}
ist die Menge der Elemente x X f ur welche die Aussage a(x) wahr ist.
Wichtige Beispiele
N := {1, 2, 3, . . .} Menge der nat urlichen Zahlen,
N
0
:= {0, 1, 2, 3, . . .}
Z := {0, 1, 2, . . .} Menge der ganzen Zahlen,
Q := {
m
n
|(m Z) (n N)} Menge der rationalen Zahlen,
R := Menge der reellen Zahlen,
C := Menge der komplexen Zahlen.
Teilmengen
Eine Menge A heit Teilmenge der Menge B:
A B
falls jedes Element von A auch ein Element von B ist. Dabei ist A = B erlaubt. Es gilt
also:
A, A A.
Beispiele: N N
0
Z Q R C.
Die Menge aller Teilmengen einer Menge A heit Potenzmenge von A und wird mit
P(A) bezeichnet.
Beispiel:
P({1, 3, 7}) =
_
, {1}, {3}, {7}, {1, 3}, {1, 7}, {3, 7}, {1, 3, 7}
_
.
3
Mengenoperationen
Seien A und B zwei Mengen.
A B := {x|x A x B} Durchschnitt
A B := {x|x A x B} Vereinigung
A\B := {x|x A x B} Dierenz
= {x A|x B}.
Die Mengen A und B heien disjunkt, falls AB = . Falls A Teilmenge einer Grund-
menge X ist, uber welche kein Zweifel besteht, dann heit
A
c
:= X\A,
das Komplement von A.
Kartesisches Produkt
Das kartesische Produkt von zwei Mengen A, B ist die Menge
A B := {(x, y)|x A, y B}
der geordneten Paare (a, b). Also B A = A B.
F ur n Mengen A
1
, . . . A
n
ist
A
1
A
2
A
n
:= {(a
1
, . . . , a
n
)|a
i
A
i
}
die Menge der geordneten n-Tupel (a
1
, . . . , a
n
), und
A
n
:= A A A
. .
n Faktoren
.
1.3 Abbildungen
Seien A, B zwei beliebige Mengen. Eine Abbildung oder Funktion f von A nach B,
in Zeichen:
f : A B,
ist eine Vorschrift, welche jedem Element x A ein Element y B zuordnet. Man
schreibt
y = f(x), oder f : x f(x).
A heit Denitionsbereich, f(A) := {f(x)|x A} heit Wertebereich oder Bild-
menge von f. f ist der Name der Funktion und f(x) ist der Wert der Funktion an
der Stelle x. F ur U A und V B ist
f(U) := {f(x)|x U} Bild von U,
f
1
(V ) := {x|f(x) V } Urbild von V.
Der Graph der Abbildung f ist die Menge
G(f) := {(x, y)|x A, y = f(x)}.
4
Die Umkehrabbildung
Eine Abbildung f : A B heit injektiv, falls f ur alle x, y A gilt:
f(x) = f(y) x = y.
f heit surjektiv, falls f(A) = B, und f heit bijektiv, falls f injektiv und surjektiv
ist. Ist f bijektiv, dann existiert die Umkehrabbildung f
1
: B A, deniert durch
y = f(x) x = f
1
(y).
Es gilt also
f
1
(f(x)) = x und f(f
1
(y)) = y.
Vorsicht: f
1
(y) = f(y)
1
!
Im Fall A, B R bekommt man den Graphen von f
1
durch Spiegelung des Graphen
von f an der Geraden y = x in R
2
.
Einschrankung einer Funktion
Sei f : A B gegeben und sei U A. Die Einschrankung oder Restriktion von f
auf U ist die neue Abbildung
f U : U B, (f U)(x) = f(x).
Bemerkungen.
Durch geeignete Wahl von U kann eine nicht-injektive Funktion injektiv gemacht
werden.
Falls B wahlbar ist, dann wird f durch die Wahl B = f(A) surjektiv.
Beispiel. Mit f(x) = x
2
meint man in der Regel eine Funktion, mit A = B = R. f ist
also weder injektiv noch surjektiv. Durch die Wahl A = B = {x R|x 0} wird f
bijektiv und f
1
(x) =

x.
Komposition von Funktionen
Sind f : X Y und g : Y Z zwei gegebene Abbildungen, dann ist die Verkn upfung
(Zusammensetzung, Komposition)
g f : X Z
von f und g deniert durch
(g f)(x) := g(f(x)).
Satz 1.4. Die Verkn upfung von Abbildungen ist assoziativ. D.h., wenn f : X Y, g :
Y Z und h : Z W, dann
(h g) f = h (g f).
Satz 1.5. Sind f : X Y und g : Y Z bijektiv, dann ist auch g f : X Z bijektiv
und es gilt
(g f)
1
= f
1
g
1
.
5
1.4 Reelle Zahlen
Vollstandige Induktion
Die Elemente von N := {1, 2, 3. . . .} heien nat urliche Zahlen. Alle Eigenschaften der
nat urlichen Zahlen, z.B.
m, n N m+n N, m n N
Jede nichtleere Teilmenge von N hat ein kleinstes Element.
lassen sich aus f unf Axiomen herleiten (Peanosche Axiome, siehe Barwol). Das wich-
tigste f ur uns ist das Induktionsaxiom:
Falls M N, 1 M und n M (n + 1) M,
dann gilt M = N.
Beweisprinzip der vollstandigen Induktion: Sei n
0
Z und f ur jedes n n
0
sei
a(n) eine Aussage. Falls:
1. a(n
0
) ist wahr,
2. a(n) a(n + 1),
dann ist a(n) wahr f ur alle n n
0
.
(Wahle M = {k N|a(n
0
1 +k) ist wahr} im Induktionsaxiom)
Rekursive Denitionen
Fakultat:
0! = 1, (n + 1)! = n! (n + 1)
Potenzen:
a
0
:= 1, a
n+1
:= a
n
a, f ur alle a R.
Summen und Produktzeichen:
n

k=1
a
k
= a
1
+a
2
+. . . +a
n
,
n

k=1
a
k
= a
1
a
2
a
n
werden rekursiv deniert:
1

k=1
a
k
:= a
1
,
n+1

k=1
a
k
:=
_
n

k=1
a
k
_
+a
n+1
1

k=1
a
k
:= a
1
,
n+1

k=1
a
k
:=
_
n

k=1
a
k
_
a
n+1
6
Binomialkoezienten
F ur k, n N
0
mit k n deniert man
_
n
k
_
:=
n!
k!(n k)!
=
n(n 1) . . . (n k + 1)
k!
Es gilt
_
n
0
_
= 1 =
_
n
n
_
,
_
n
k
_
=
_
n
n k
_
.
Lemma 1.6. F ur alle k, n N mit k n gilt
_
n + 1
k
_
=
_
n
k 1
_
+
_
n
k
_
.
Bemerkung: diese Rekursionsbeziehung f uhrt auf das Pascalsche Dreieck.
Binomische Formel
Satz 1.7. F ur beliebige a, b R und jede nat urliche Zahl n gilt
(a +b)
n
=
n

k=0
_
n
k
_
a
nk
b
k
.
Rationale und irrationale Zahlen
Reelle Zahlen, die sich schreiben lassen als m/n mit m Z und n N heien rationale
Zahlen. Reelle Zahlen, welche sich nicht so schreiben lassen heien irrationale Zahlen.
Die Summe m/n+p/q und das Produkt m/n p/q von zwei rationalen Zahlen ist wieder
eine rationale Zahl, und wenn m/n = 0, dann ist auch die Inverse n/m eine rationale
Zahl.
Es gibt aber auch irrationale Zahlen! Zum Beispiel:

2, , e = 2.71828 . . .
Satz 1.8. Eine reelle Zahl ist genau dann rational, wenn sie eine abbrechende oder eine
periodische Dezimalbruchdarstellung hat. Es gilt
0.b
1
b
2
. . . b
k
=
b
1
b
2
. . . b
k
99 . . . 9
mit k Neunen im Nenner.
Wir stellen uns reelle Zahlen als Punkte auf der Zahlengeraden vor.
Intervalle
Seien a, b R. a < b, sprich

a ist kleiner als b, bedeutet dass b a > 0, und a b


(a < b) a = b.
Eine Teilmenge I R heit Intervall, falls
x, y I (x < t < y) t I.
7
F ur a, b R deniert man
[a, b] := {x R|a x b} abgeschlossenes Intervall
(a, b) := {x R|a < x < b} oenes Intervall
[a, b) := {x R|a x < b}
(a, b] := {x R|a < x b}
[a, ) := {x R|a x}
(a, ) := {x R|x > a},
und analog f ur (, b] und (, b). Die Intervalle [a, b) und (a, b] nennt man halboen.
( sind keine reelle Zahlen!)
Schranken und Vollstandigkeitsaxiom
Sei S R. S heit nach oben beschrankt, falls ein b R existiert, mit
S (, b] (d.h. x S x b)
Die Zahl b nennt man dann eine obere Schranke von S. Die Menge S heit nach unten
beschrankt, falls eine Zahl a R existiert, mit S [a, ), und dann heit a eine untere
Schranke. Die Menge S heit beschrankt, wenn sie eine untere Schranke a und eine
obere Schranke b hat, so dass S [a, b].
Vollstandigkeitsaxiom:
Jede nicht leere, nach oben beschrankte Menge S R,
hat eine kleinste obere Schranke, genannt Supremum von S, sup(S).
Bemerkungen:
Das Vollstandigkeitsaxiom garantiert die Existenz irrationaler Zahlen, wie z.B.

2:

2 = sup{x Q|x
2
< 2}.
Aus dem Vollstandigkeitsaxiom folgt, dass jede nach unten beschrankte Menge
U R eine grosste untere Schranke hat. Man nennt Sie Inmum von U, inf(U).
Es gilt
inf(U) = sup{u|u U}.
Wenn := sup(S) in S liegt, dann heit grotes oder maximales Element
von S. Man schreibt dann = max(S). Wenn = inf(U) in U liegt, dann heit
kleinstes oder minimales Element von U und man schreibt = min(U).
Um auszudr ucken, dass S nicht nach oben und U nicht nach unten beschrankt ist,
schreibt man auch
sup(S) = , inf(U) = .
8
Ungleichungen
F ur alle rellen Zahlen x, y, a, b gilt
x y, a b x +a y +b
x y, 0 a xa ya
x y x y
0 < x y 0 <
1
y

1
x
Diese Beziehungen kann man herleiten aus den Denitionen von <, und den Tatsachen
(Axiomen), dass die Summe und das Produkt von zwei positiven Zahlen positiv ist.
Der Betrag |a| einer reellen Zahl a ist deniert durch
|a| :=
_
a, falls a 0
a, falls a < 0.
Folglich gilt |a| = max{a, a}, |a| = | a| und a = |a|.
Satz 1.9. F ur alle a, b R gilt
(i) |a| 0 und
_
|a| = 0 (a = 0)

(ii) |a b| = |a||b|
(iii) |a +b| |a| +|b|
Korpereigenschaften von R
Ein Korper ist eine Menge K f ur deren Elemente zwei Operationen
+ : K K K (Addition)
: K K K (Multiplikation)
deniert sind, welche folgende Eigenschaften haben:
(K1) Die Addition ist kommutativ und assoziativ:
a +b = b +a, a + (b +c) = (a +b) +c
(K2) Es gibt ein Element 0 K, genannt Null, sodass
a + 0 = a f ur alle a K
(K3) Zu jedem Element a K gibt es ein Element (a) K, sodass
a + (a) = 0.
(K4) Die Multiplikation ist kommutativ und assoziativ:
a b = b a, a (b c) = (a b) c
9
(K5) Es gibt ein Element 1 K\{0}, genannt Eins, so dass
a 1 = a f ur alle a K
(K6) Zu jedem Element a K\{0} gibt es ein Element a
1
K, so dass
a a
1
= 1.
(K7) F ur alle Elemente a, b, c K gilt das Distributivgesetz
a (b +c) = a b +a c.
Alle algebraischen Eigenschaften von R folgen aus der Tatsache, dass R die Korperaxiome
erf ullt. Da diese auch von den komplexen Zahlen erf ullt werden, kann man mit den
komplexen Zahlen rechnen wie mit reellen Zahlen.
1.5 Komplexe Zahlen
Denition von C
Die Menge R R versehen mit der Addition
(a, b) + (c, d) = (a +c, b +d)
und der Multiplikation
(a, b) (c, d) = (ac bd, ad +bc)
wird mit C bezeichnet. Die Elemente von C heien komplexe Zahlen.
Satz 1.10. C ist ein Korper.
R C und Imaginare Einheit
F ur die Elemente der Teilmenge R {0} = {(a, 0)|a R} gilt
(a, 0) + (b, 0) = (a +b, 0)
(a, 0) (b, 0) = (ab, 0).
Das heit, R{0} ist invariant unter Addition und Multiplikation und verhalt sich unter
diesen Operationen gleich wie R. Wir werden daher im folgenden (a, 0) C mit a R
identizieren und R als Teilmenge von C auassen.
Die komplexe Zahl
i := (0, 1) C
heit imaginare Einheit.
Satz 1.11. i
2
= 1 und a +ib = (a, b) f ur alle a, b R.
10
Realteil, Imaginarteil und komplexe Konjugation
Sei z = a +ib C, dann heit a Realteil von z, a = Re(z), und b heit Imaginarteil
von z, b = Im(z). Weiter ist z := a ib die zu z konjugiert komplexe Zahl.
Satz 1.12. F ur alle z, w C gilt
(i) z +w = z + w
(ii) zw = z w
(iii) Re(z) = (z + z)/2, Im(z) = (z z)/(2i)
(iv) z R z = z
(v) z = a +ib z z = a
2
+b
2
.
Betrag einer komplexen Zahl
Sei z = a +ib C (a, b R), dann heit
|z| :=

z z =

a
2
+b
2
(absoluter) Betrag von z. Oenbar ist der Betrag von z = a + ib der Abstand des
Punktes (a, b) R
2
vom Ursprung (0, 0).
Satz 1.13. Seien z, w C, dann gilt
(i) |z| 0 und (|z| = 0 z = 0)
(ii) |zw| = |z||w|
(iii) |z +w| |z| +|w| (Dreiecksungleichung)
(iv) | Re(z)|, | Im(z)| |z| | Re(z)| +| Im(z)|
(v) z = 0 z
1
= z/|z|
2
Konsequenzen der Dreiecksungleichung
Korollar 1.14.
(1)
z
1
, . . . , z
n
C

k=1
z
k

k=1
|z
k
|,
(2)
z, w C

|z| |w|

|z w|.
11
Polardarstellung einer komplexen Zahl
F ur R denieren wir
e
i
:= cos +i sin
Oensichtlich gilt |e
i
| = 1, e
i0
= 1, e
i/2
= i, e
i
= 1 und e
i(+2)
= e
i
. Aus den
Formeln f ur cos(
1
+
2
) und sin(
1
+
2
) folgt, dass
e
i(
1
+
2
)
= e
i
1
e
i
2
. (1)
Jede komplexe Zahl z hat eine Polardarstellung
z = |z|e
i
wobei das Argument R nur bis auf ein ganzzahliges Vielfaches von 2 bestimmt
ist, und f ur z = 0 beliebig gewahlt werden kann.
Aus (1) folgt f ur z
1
= |z
1
|e
i
1
und z
2
= |z
2
|e
i
2
, dass
z
1
z
2
= |z
1
||z
2
|e
i(
1
+
2
)
. (2)
Potenzen und binomische Formel
Sei z C und n N. Dann wird z
n
rekursiv deniert durch
z
0
:= 1 und z
n+1
:= z
n
z.
Weiter ist z
n
:= (z
1
)
n
.
Satz 1.15. F ur alle z, w C\{0} und alle n, m Z gilt
(i) (zw)
n
= z
n
w
n
, z
n
= (z
n
)
1
(ii) z
n
z
m
= z
n+m
(iii) (z
n
)
m
= z
(nm)
F ur alle z, w C und f ur alle n N gilt die binomische Formel:
(z +w)
n
=
n

k=0
_
n
k
_
z
nk
w
k
.
12
Wurzeln
Wir suchen die komplexen Losungen z der Gleichung z
n
= w f ur gegebenes w C. Sei
z = |z|e
i
, w = |w|e
i
und sei z
n
= w.
Dann folgt aus (2) und e
2i
= 1, dass
z
n
= |z|
n
e
in
= |w|e
i(+2k)
, k Z.
Wir denieren daher:
z
k
:= |w|
1/n
e
i(+2k)/n
, k Z.
Dann gilt z
n
k
= w wobei z
n
= z
0
= z
n
= z
2n
etc.
Satz 1.16. F ur jede komplexe Zahl w = |w|e
i
= 0 hat die Gleichung z
n
= w mit n N,
genau n verschiedene Losungen, namlich die n-ten Wurzeln
z
k
:= |w|
1/n
e
i(/n+2k/n)
, k = 0, . . . , n 1.
1.6 Polynome und rationale Funktionen
Polynome
Eine Abbildung p : C C heit Polynom n-ten Grades, wenn es Zahlen a
0
, . . . , a
n
C
gibt, mit a
n
= 0 und
p(x) =
n

k=0
a
k
x
k
= a
0
+a
1
x +. . . a
n
x
n
.
Die Zahlen a
0
, . . . , a
n
C heien Koezienten des Polynoms f.
Summe und Produkt von zwei Polynomen sind wieder Polynome, denn
n

k=0
a
k
x
k
+
n

k=0
b
k
x
k
=
n

k=0
(a
k
+b
k
)x
k
_
n

k=0
a
k
x
k
_

_
m

k=0
b
k
x
k
_
=
m+n

k=0
x
k
k

l=0
a
kl
b
l
wobei a
kl
:= 0 f ur k l > n und b
l
:= 0 f ur l > m.
Satz 1.17. Die Koezienten eines Polynoms sind eindeutig bestimmt: aus
n

k=0
a
k
x
k
=
n

k=0
b
k
x
k
f ur alle x R
folgt, dass a
k
= b
k
, f ur k = 0 . . . n.
13
Fundamentalsatz der Algebra
Satz 1.18 (Fundamentalsatz der Algebra). Jedes Polynom p vom Grad n 1 hat
mindestens eine Nullstelle. D.h. es gibt eine komplexe Zahl mit p() = 0.
(Beweis in HM3)
Satz 1.19. Jedes Polynom p(x) =

n
k=0
a
k
x
k
von Grad n 1, besitzt die Faktorisierung
uber C:
p(x) = a
n
(x
1
)
m
1
(x
2
)
m
2
(x
r
)
mr
,
mit den verschiedenen Nullstellen
i
der Vielfachheit m
i
, (i = 1, . . . , r), m
1
+ m
2
+
. . . + m
r
= n. Ein Polynom vom Grad n 1 hat also genau n Nullstellen in C, wobei
jede Nullstelle so oft gezahlt wird, wie ihre Vielfachheit angibt.
Polynome mit reellen Koezienten
Satz 1.20. Ist eine Nullstelle der Vielfachheit m eines Polynoms mit reellen Koe-
zienten, dann ist auch eine Nullstelle der Vielfachheit m.
Satz 1.21. Jedes Polynom p(x) =

n
k=0
a
k
x
k
mit n 1, a
k
R, a
n
= 0 hat die Fakto-
risierung uber R
p(x) = a
n
(x b
1
)
m
1
(x b
r
)
mr
(x
2
+c
1
x +d
1
)
k
1
(x
2
+c
s
x +d
s
)
ks
mit reellen Nullstellen b
i
der Vielfachheit m
i
(i = 1 . . . r) und quadratischen Polynomen
x
2
+c
i
x +d
i
der Vielfachheit k
i
(i = 1 . . . s), die in R keine Nullstellen haben.
Rationale Funktionen
Ein Quotient zweier Polynome
p(x)
q(x)
=
a
n
x
n
+. . . +a
1
x +a
0
b
m
x
m
+. . . +b
1
x +b
0
, a
n
= 0, b
m
= 0, (3)
heit rationale Funktion. Der Denitionsbereich von p/q ist die Menge {x C |
q(x) = 0}.
Satz 1.22. Jede rationale Funktion (3) mit Zahlergrad Nennergrad (n m), lasst
sich darstellen in der Form
p(x)
q(x)
= h(x) +
r(x)
q(x)
mit einem Polynom h und einem Restpolynom r wobei r = 0 oder Grad(r) < Grad(q).
Diese Darstellung ist eindeutig.
14
2 Lineare Algebra
2.1 R
n
und C
n
als Vektorraume
Sei K = R oder K = C. Wir denieren in K
n
= K . . . K eine Addition von zwei
n-Tupeln x = (x
1
, . . . , x
n
) und y = (y
1
, . . . , y
n
) durch
x +y := (x
1
+y
1
, . . . , x
n
+y
n
),
und eine Multiplikation von einer Zahl K mit einem n-Tupeln x = (x
1
, . . . , x
n
)
durch
x := (x
1
, . . . , x
n
).
Die Elemente von K
n
versehen mit diesen Operationen nennt man Vektoren (statt
n-Tupel). Der Vektor

0 = (0, . . . , 0)
heit Nullvektor. Man deniert x y := x + (y).
F ur die Vektoroperationen in K
n
gelten folgende Rechenregeln:
Die Vektoraddition ist kommutativ und assoziativ,
x +

0 = x f ur alle x K
n
,
x + (x) =

0 f ur alle x K
n
.
Ausserdem gilt f ur alle , K und alle x, y K
n
:
(x +y) = x +y,
( +)x = x +x,
()x = (x),
1x = x.
Damit wird K
n
zu einem n-dimensionalen Vektorraum (vgl. spatere Denition ab-
strakter Vektorraume)
2.2 Lineare Gleichungssysteme
Ein reelles lineares Gleichunssystem mit m Gleichungen und n Unbekannten ist von
der Form
a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
a
m1
x
1
+a
m2
x
2
+. . . +a
mn
x
n
= b
m
wobei a
ik
, b
i
, f ur 1 i m, 1 k n gegebene reelle Zahlen sind. Das System heit
homogen, wenn b
1
= b
2
= = b
m
= 0, sonst heit es inhomogen.
Wir interessieren uns f ur die Losungsmenge, d.h. die Menge der n-Tupel (x
1
, . . . , x
n
),
welche alle m Gleichungen gleichzeitig losen.
15
Das Gausche Losungsverfahren
Bei folgenden Umformungen andert sich die Losungsmenge eines lineare Gleichungssy-
stems nicht. Wir sagen: das Gleichungssystem geht in ein aquivalentes Gleichungssystem
uber.
1. Vertauschung zweier Gleichungen.
2. Multiplikation einer Gleichung mit = 0.
3. Addition des -fachen der iten Gleichung zur j-ten Gleichung.
Diese Feststellung ist die Grundlage Gausches Losungsverfahren.
2.3 Matrizen
Eine reelle mn-Matrix ist ein rechteckiges Schema von reellen Zahlen
A =
_
_
_
_
_
a
11
a
12
a
13
. . . a
1n
a
21
a
22
a
23
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
. . . a
mn
_
_
_
_
_
= (a
ik
).
Das Element a
ik
steht in der i-ten Zeile und der k-ten Spalte.
Man deniert die Summe von zwei mn Matrizen A = (a
ik
) und B = (b
ik
) durch
A +B := (a
ik
+b
ik
)
und das Produkt einer Matrix A = (a
ik
) mit einer Zahl R durch
A := (a
ik
).
Weiter ist A B := A + (B).
Diese Addition und die skalare Multiplikation von m n Matrizen unterscheidet sich
nicht von den entsprechenden Operationen in R
nm
. Somit gilt f ur alle m n Matrizen
A, B und alle , R:
Die Matrixaddition ist kommutativ und assoziativ,
A + 0 = A
A + (A) = 0
(A +B) = A +B,
( +)A = A +A,
()A = (A),
1A = A.
16
Hier bezeichnet 0 die mn-Nullmatrix deren Elemente lauter Nullen sind.
Eine m1 Matrix
_
_
_
_
_
a
1
a
2
.
.
.
a
m
_
_
_
_
_
R
m
nennt man auch Spaltenvektor. Eine 1 n-Matrix
(a
1
, a
2
, . . . , a
n
) R
n
heit Zeilenvektor. Wir denieren das Produkt eines Zeilenvektors aus R
n
mit einem
Spaltenvektor aus R
n
durch
(a
1
, a
2
, . . . , a
n
)
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
:=
n

k=1
a
k
b
k
.
Ein lineares Gleichungssystem mit m Gleichungen und n Unbekannten lasst sich somit
schreiben als
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
.
Links steht die Koezientenmatrix A = (a
ij
) angewandt auf den Spaltenvektor x
mit den unbekannten Komponenten x
i
, d.h, jede Zeile von A wird multipliziert mit dem
Spaltenvektor x. Kurz
Ax =

b
wobei
x :=
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
,

b :=
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
.
Die Umformungen des Gauschen Losungsverfahrens lassen sich ubersichtlich ausf uhren
an der erweiterten Koezientenmatrix:
(A,

b) :=
_
_
_
_
_
a
11
a
12
. . . a
1n
b
1
a
21
a
22
. . . a
2n
b
2
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
b
m
_
_
_
_
_
Die Gleichungsumformungen entsprechen den folgenden elementaren Zeilenumfor-
mungen:
17
1. Vertauschen von zwei Zeilen
2. Multiplikation einer Zeile mit einer Zahl = 0,
3. Addition (Subtraktion) des -fachen einer Zeile zu einer anderen Zeile.
2.4 Das Gausche Losungsverfahren
Das homogene System Ax =

0
Im Fall

b =

0 gen ugt die

einfache Koezientenmatrix:
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
.
Vorwartselimination:
Zeilen vertauschen bis a
11
= 0, (bzw bis a
12
= 0, falls a
11
= . . . = a
m1
= 0),
subtrahiere
a
21
a
11
-faches der ersten Zeile von zweiter Zeile,
subtrahiere
a
31
a
11
-faches der ersten Zeile von dritter Zeile,
etc.
Das Resultat ist:
_
_
_
_
_

0
.
.
. A
1
0
_
_
_
_
_
An der -Stelle ist eine Zahl = 0, uber die Zahlen an den -Stellen wird nichts ausgesagt,
und A
1
bezeichnet eine (m1) (n 1) Matrix.
Falls A
1
die Nullmatrix ist, ist man fertig. Sonst wiederholt man das Eliminationsver-
fahren mit A
1
. Nach hochstens m1 Eliminationsschritten gelangt man zu einer Matrix
M in Zeilenstufenform, z.B. auf:
M =
_
_
_
_

0 0
0 0 0
0 0 0 0 0 0
_
_
_
_
.
R uckwartssubstitution
Die Unbekannten zu den Spalten ohne sind freie Variablen. Wir bezeichnen sie
mit
1
, . . . ,
nr
.
18
Im Gleichungssystem das der Matrix M entspricht bringt man die freien Variablen

1
, . . . ,
nr
auf die rechte Seite und berechnet der Reihe nach, von unten nach
oben, die zu den -Stellen gehorenden abhangigen Variablen (in Abhangigkeit von

1
, . . . ,
nr
).
Die so bestimmte Losung heit allgemeine Losung des Systems.
Der Rang der mn-Matrix A, RangA, ist die Anzahl der von Null verschiedenen Zeilen
in der Zeilenstufenmatrix M, welche aus A mittels Gau-Elimination erzielten wurde.
Oensichtlich ist RangA m.
Satz 2.1. Sei A eine m n Matrix. Dann enthalt allgemeine Losung des homogenen
Systems Ax =

0:
n RangA frei wahlbare Parameter.
Falls RangA = n dann ist

0 ist die einzige Losung. F ur RangA < n, z.B. wenn m < n,
dann gibt es von Null verschiedene Losungen.
Das inhomogene System Ax =

b
Vorwartselimination an der Matrix (A,

b) liefert
(M,

d) =
_
_
_
_
d
1
0 0 :
0 0 0 d
r
0 0 0 0 0 0 d
m
_
_
_
_
.
Falls eine der Zahlen d
r+1
, . . . , d
m
verschieden von 0 ist, dann ist Mx =

d nicht
losbar, also hat auch Ax =

b keine Losung
Die R ucksubstitution im Fall d
r+1
= . . . = d
m
= 0 wird analog wie bei ho-
mogenen Systemen durchgef uhrt. Alternative: man berechne zuerst eine spezielle
Losung v
0
R
n
, z.B. mit
1
= . . . =
nr
= 0, und dann die allgemeine Losung
u(
1
, . . . ,
nr
) von Mx =

0. Dann ist
v
0
+u(
1
, . . . ,
nr
)
die allgemeine Losung von Mx =

d.
Satz 2.2. Sei A eine reelle mn Matrix und sei

b R
m
.
(a) Ax =

b ist genau dan losbar, wenn


Rang(A,

b) = Rang(A).
(b) Falls Ax =

b losbar ist, dann ist die allgemeine Losung von der Form
v = v
0
+u
wobei v
0
eine spezielle Losung von Ax =

b und u die allgemeine Losung von Ax = 0


ist. v
0
+u enthalt n Rang(A) frei wahlbare Parameter.
(c) Ist Ax =

b losbar und Rang(A) = n =Anzahl der Variablen, dann ist die Losung
eindeutig.
19
2.5 Die Matrizenmultiplikation
Das Produkt C := AB einer mn Matrix A = (a
ij
) und einer n r Matrix B = (b
jk
)
ist eine mr Matrix C = (c
ij
) deniert durch
c
ik
:=
n

j=1
a
ij
b
jk
= a
i1
b
1k
+. . . +a
in
b
nk
.
Im allgemeinen ist AB = BA.
Ist A eine m n Matrix und ist x R
n
ein Spaltenvektor, dann ist Ax ein
Matrixprodukt.
Das Produkt eines Zeilenvektors mit einem Spaltenvektor ist ein Spezialfall des
Matrixprodukts.
Die n n Einheitsmatrix E
n
= (
ij
) ist deniert durch

ij
=
_
1, i = j,
0, i = j.

ij
heit Kroneckersymbol.
Satz 2.3. Seien A, A
1
, A
2
m n Matrizen, B, B
1
, B
2
n r Matrizen und sei C eine
r s Matrix. Dann gilt:
(a) (A
1
+A
2
)B = A
1
B +A
2
B, A(B
1
+B
2
) = AB
1
+AB
2
,
(b) (AB) = (A)B = A(B), ( R),
(c) (AB)C = A(BC),
(d) E
m
A = AE
n
= A.
Transponierte einer Matrix
Sei A eine mn Matrix. Dann ist A
T
die nm Matrix, welche aus A durch Spiegelung an
der Diagonalen ensteht: die i-te Spalte von A
T
ist die die i-te Zeile von A, (A
T
)
ji
= A
ij
.
A
T
heit die zu A transponierte Matrix. Insbesondere ist
(a
1
, . . . , a
n
)
T
=
_
_
_
a
1
.
.
.
a
n
_
_
_
,
_
_
_
b
1
.
.
.
b
n
_
_
_
T
= (b
1
, . . . , b
n
)
Satz 2.4. Seien A, B mn Matrizen und sei C eine n r Matrix. Dann gilt:
(a) (A +B)
T
= A
T
+B
T
,
(b) (A)
T
= A
T
,
(c) (A
T
)
T
= A,
20
(d) (AC)
T
= C
T
A
T
.
Eine n n Matrix heit symmetrisch, falls A
T
= A, sie heit schiefsymmetrisch
(antisymmetrisch), falls A
T
= A. Oensichtlich gilt
A
T
= A a
ij
= a
ji
A
T
= A a
ij
= a
ji
.
Ist A schiefsymmetrisch, dann ist a
ii
= 0 f ur alle i = 1, . . . , n.
F ur jede n n Matrix, sind A+A
T
, A
T
A und AA
T
symmetrisch, und AA
T
ist
schiefsymmetrisch.
Die Einheitsmatrix E
n
ist symmetrisch.
Invertierbare Matrizen
Im folgenden ist E := E
n
und auch alle anderen Matrizen sind quadratisch.
Satz 2.5. Seien A, B, C n n Matrizen mit BA = E = AC. Dann gilt B = C.
Eine n n Matrix A heit invertierbar, falls eine n n Matrix B existiert mit AB =
E = BA. Nach Satz 2.5 ist B eindeutig durch A bestimmt. B heit Inverse von A und
wird mit A
1
bezeichnet.
Beispiele:
1. F ur = 0 ist E invertierbar und (E)
1
=
1
E.
2. Falls ad bc = 0, dann hat
A =
_
a b
c d
_
die Inverse A
1
=
1
ad bc
_
d b
c a
_
.
Satz 2.6. (a) Ist A invertierbar, dann auch A
1
, und (A
1
)
1
= A.
(b) Sind A, B invertierbar, dann auch AB, und (AB)
1
= B
1
A
1
.
(c) A
T
ist genau dann invertierbar, wenn A invertierbar ist, und dann gilt (A
T
)
1
=
(A
1
)
T
.
Satz 2.7. Folgende Aussagen uber eine n n Matrix A sind aquivalent:
(a) A ist invertierbar.
(b) Es gibt eine n n Matrix B mit AB = E.
(c) Es gibt eine n n Matrix C mit CA = E.
(d) Ax = 0 x =

0.
(e) RangA = n.
21
Diagonalmatrizen
Eine Matrix der Form
diag(a
1
, . . . , a
n
) :=
_
_
_
_
_
a
1
0 0
0 a
2
.
.
.
.
.
.
.
.
.
0 a
n
_
_
_
_
_
heit Diagonalmatrix. Z.B. ist E
n
= diag(1, . . . , 1) und es gilt diag(a
1
, . . . , a
n
) diag(b
1
, . . . , b
n
) =
diag(a
1
b
1
, . . . , a
n
b
n
). Falls a
i
= 0 f ur alle i, dann ist diag(a
1
, . . . , a
n
) invertierbar und es
gilt
diag(a
1
, . . . , a
n
)
1
= diag(
1
a
1
, . . . ,
1
a
n
).
Dreiecksmatrizen
Quadratische Matrizen der Form
_
_
_
_

0
0 0
0 0 0
_
_
_
_
,
_
_
_
_
0 0 0
0 0
0

_
_
_
_
,
heien Dreiecksmatrizen. Jede Diagonalmatrix ist eine Dreiecksmatrix.
Satz 2.8. Eine Dreiecksmatrix A = (a
ij
) ist genau dann invertierbar, wenn alle Diago-
nalelemente a
ii
verschieden von Null sind.
2.6 Vektorraume
Der abstrakte Vektorraum
Se K = R oder K = C. Eine nichtleere Menge V f ur deren Elemente eine Addition a+b
und eine Multiplikation a mit Zahlen K deniert ist heit K-Vektorraum, oder
Vektorraum uber K, wenn folgende Axiome erf ullt sind:
(V1) Die Addition ist kommutativ und assoziativ.
(V2) Es gibt ein Element 0 V , genannt Nullvektor, mit a + 0 = a f ur alle a V .
(V3) Zu jedem a V gibt es ein Element a V mit a + (a) = 0.
(V4) 1a = a f ur alle a V .
(V5) (a) = ()a f ur alle , K, a V .
(V6) (a +b) = a +b f ur alle K, a, b V .
(V7) ( +)a = a +a f ur alle , K, a V .
Die Elemente eines Vektorraums nennt man Vektoren; statt a + (b) schreibt man
a b.
22
Beispiele von Vektorraumen
R
n
ist eine Vektorraum uber R, C
n
ist ein Vektorraum uber C.
Die Mengen der reellen mn Matrizen bilden einen Vektorraum uber R.
Die Menge aller Funktionen f : [a, b] R bei festen a, b R zuammen mit den
Operationen
(f +g)(x) := f(x) +g(x), (f)(x) := f(x),
ist eine R-Vektorraum.
Die Menge der Polynome vom Grad n,
P
n
:= {a
0
+a
1
x +. . . +a
n
x
n
| a
i
K}
bilden einen Vektorraum uber K.
Sei V ein Vektorraum uber K. Eine nichtleere Teilmenge U V heit Unterraum von
V , wenn
(U1) u, v U u +v U,
(U2) u U, K u U.
Bemerkungen:
Ein Unterraum eines K-Vektorraums ist wieder ein K-Vektorraum.
Jeder Unterraum enthalt den Nullvektor.
Jeder Vektorraum V hat die Unterraume U = {0} und U = V .
Jede aus endliche vielen Vektoren v
1
, . . . , v
k
V gebildete Summe
k

i=1

i
v
i
,
i
K,
heit Linearkombination der v
i
.
Die Menge aller Linearkombinationen der v
i
,
Lin(v
1
, . . . , v
k
) :=
_
k

i=1

i
v
i

i
K
_
heit lineare H ulle der v
i
. Lin(v
1
, . . . , v
k
) ist ein Unterraum von V .Ein Unterraum U
wird von den Vektoren v
1
, . . . , v
k
erzeugt, falls
U = Lin(v
1
, . . . , v
k
).
Man sagt auch, {v
1
, . . . , v
k
} ist ein Erzeugendensystem von U.
23
Lineare Unabhangigkeit
Endliche viele Vektoren v
1
, . . . , v
k
heien linear abhangig, wenn es Zahlen
1
, . . . ,
k

K gibt, nicht alle gleich Null, so dass

k
i=1

i
v
i
= 0. Im Fall k > 1 ist das aquivalent
dazu, dass sich einer der Vektoren v
i
als Linearkombination der anderen schreiben lasst.
Z.B.
v
k
=
k1

i=1

i
v
i
.
Endliche viele Vektoren v
1
, . . . , v
k
heien linear unabhangig, wenn sie nicht linear
abhangig sind, d.h., wenn
k

i=1

i
v
i
= 0
1
=
2
. . . =
k
= 0.
Satz 2.9. Ist A eine m n Matrix in Zeilenstufenform, dann sind die von Null ver-
schiedenen Zeilenvektoren linear unabhangig.
Satz 2.10. F ur eine n n Matrix sind folgende Aussagen aquivalent:
A ist invertierbar
Die Spalten von A sind linear unabhangig.
Die Zeilen von A sind linear unabhangig.
Satz 2.11. F ur Vektoren v
1
, . . . , v
k
, w V gilt:
(a) Lin(v
1
, . . . , v
k
, w) = Lin(v
1
, . . . , v
k
) w Lin(v
1
, . . . , v
k
).
(b) v
1
, . . . , v
k
sind linear unabhangig zur Erzeugung von Lin(v
1
, . . . , v
k
) kann kein
v
i
weggelassen werden.
2.7 Basis und Dimension
Eine Familie von linear unabhangigen Vektoren v
1
, . . . , v
n
V mit V = Lin(v
1
, . . . , v
n
)
heit Basis von V .
Satz 2.12. Ist v
1
, . . . , v
n
eine Basis von V , dann hat jeder Vektor a V eine Darstellung
a =
1
v
1
+
2
v
2
+ +
n
v
n
.
wobei die Zahlen
1
, . . . ,
n
K eindeutig bestimmt sind. Jede Familie von m > n
Vektoren ist linear abhangig.
Sind v
1
, . . . , v
n
und w
1
, . . . , w
m
zwei Basen von V , dann folgt aus Satz 2.12, dass m = n.
Die Anzahl Vektoren einer Basis heit Dimension von V . Die Dimension von {0} ist
per Vereinbarung gleich Null.
24
Existenz einer Basis
Ein Vektorraum V heit endlich erzeugt, wenn es endlich viele Vektoren w
1
, . . . , w
r
gibt, mit V = Lin(w
1
, . . . , w
r
).
Satz 2.13. Jedes Erzeugendensystem w
1
, . . . , w
r
von V lasst sich (durch Weglassen von
Vektoren) zu einer Basis von V reduzieren und
dimLin(w
1
, . . . , w
r
)
ist die Maximalzahl linear unabhangiger Vektoren die in w
1
, . . . , w
r
gefunden werden
konnen. Insbesondere hat jeder endlich erzeugte Vektorraum eine Basis.
Satz 2.14. Sei V ein endlich erzeugter Vektorraum. Dann lasst sich jede Familie linear
unabhangiger Vektoren v
1
, . . . , v
k
V zu einer Basis von V erweitern.
Aus den Satzen 2.13 und 2.14 folgt sofort:
Satz 2.15. Sei V ein Vektorraum der Dimension n.
(a) Ist V = Lin(v
1
, . . . , v
n
), dann bilden v
1
, . . . , v
n
eine Basis.
(b) Sind die Vektoren v
1
, . . . , v
n
linear unabhangig, dann bilden sie eine Basis.
Satz 2.16. Ist U ein Unterraum eines endlich dimensionalen Vektorraums V und U =
V , dann ist U endlich dimensional und
dimU < dimV.
2.8 Elementarmatrizen und elementare Umformungen
Zeilen- und Spaltenraum einer Matrix
Sei A eine mn Matrix. Der durch die Spaltenvektoren a
1
, . . . , a
n
von A aufgespannte
Unterraum von R
m
ist der
Spaltenraum von A = Lin(a
1
, . . . , a
n
)
= {Ax | x R
n
}.
Der durch die Zeilenvektoren z
1
, . . . , z
m
von A aufgespannte Unterraum von R
n
ist der
Zeilenraum von A = Lin(z
1
, . . . , z
n
)
= {y
T
A | y R
m
}.
Der Kern der Matrix A ist der Unterraum von R
n
deniert durch
KernA := {x R
n
| Ax = 0}.
Satz 2.17. Sei A eine mn Matrix.
25
(a) Entsteht M aus A durch endliche viele elementare Zeilenumformungen, dann gibt
es eine invertierbare mm Matrix P mit
M = PA.
(b) Entsteht N aus A durch endlich viele elementare Spaltenumformungen, dann gibt
es eine invertierbare n n Matrix Q mit
N = AQ.
Satz 2.18. Bei elementaren Zeilenumformungen andert sich der Zeilenraum nicht, bei
elementaren Spaltenumformungen andert sich der Spaltenraum nicht. Insbesondere gilt
RangA = Dimension des Zeilenraums von A.
Theorem 2.19. Sei A eine mn Matrix. Dann gilt
(a)
RangA = Dimension des Zeilenraums von A,
= Dimension des Spaltenraums von A.
(b)
RangA + dim(KernA) = n.
(c) Es gibt eine invertierbare mm Matrix P und eine invertierbare nn Matrix Q,
derart dass
PAQ =
_
E
r
0
0 0
_
, r = RangA.
2.9 Determinanten
Die Determinante einer 2 2 Matrix
A =
_
a
1
b
1
a
2
b
2
_
ist det A := a
1
b
2
a
2
b
1
.
Also ist A genau dann invertierbar, wenn det A = 0.
Die Determinate einer 3 3 Matrix
A =
_
_
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3
_
_
ist deniert durch
det A :=a
1
det
_
b
2
c
2
b
3
c
3
_
a
2
det
_
b
1
c
1
b
3
c
3
_
+a
3
det
_
b
1
c
1
b
2
c
2
_
=a
1
b
2
c
3
+b
1
c
2
a
3
+c
1
a
2
b
3
a
3
b
2
c
1
b
3
c
2
a
1
c
3
a
2
b
1
26
Rekursive Denition der Determinante
Sei A = (a
ij
) eine n n Matrix.
F ur n = 1, d.h. A = (a
11
), ist die det A = a
11
.
F ur n 2 ist (Entwicklung nach der ersten Spalte):
det A =
n

i=1
(1)
i+1
a
i1
det A
i1
= a
11
det A
11
a
21
det A
21
+. . . (1)
n+1
a
n1
det A
n1
,
wobei A
i1
die (n1) (n1) Matrix ist, welche aus A durch Entfernen der i-ten
Zeile und der erste Spalte ensteht.
Rechenregeln f ur Determinanten
Satz 2.20. F ur jede n n Matrix A gilt:
(a) Entsteht

A aus A durch vertauschen zweier Zeilen, dann gilt det

A = det A.
(b) det A ist linear als Funktion der Zeilenvektoren von A. D.h.,
det
_
_
_
a
1
a
2
.
.
.
_
_
_
= det
_
_
_
a
1
a
2
.
.
.
_
_
_
,
det
_
_
_
a
1
+b
1
a
2
.
.
.
_
_
_
= det
_
_
_
a
1
a
2
.
.
.
_
_
_
+ det
_
_
_
b
1
a
2
.
.
.
_
_
_
und analog f ur die anderen Zeilen von A.
Folgerungen:
Sind zwei Zeilenvektoren von A gleich, dann ist det A = 0.
det(A) =
n
det A wenn A eine n n Matrix ist.
Korollar 2.21. Die elementaren Zeilenumformungen:
1. Vertauschen von zwei Zeilen,
2. Multiplikation einer Zeile mit = 0,
3. Addition des -fachen einer Zeile zu einer anderen Zeile,
verandern die Determinante um den Faktor 1, bzw. 1.
27
Eine Elementarmatrix P ist eine quadratische Matrix, welche eine elementare Zeilen-
umformung erzeugt. Die Determinante von P stimmt uberein mit dem Zahlenfaktor
1, bzw. 1 um welchen die Determinante sich andert bei der P entsprechenden Zeilen-
umfomung. Es gilt also:
det(PA) = det(P) det(A).
Satz 2.22. Jede invertierbare Matrix ist das Produkt von Elementarmatrizen.
Theorem 2.23. F ur n n Matrizen A, B gilt:
(a) A ist genau dann invertierbar wenn det A = 0.
(b) det A
T
= det A und Satz 2.20 gilt auch f ur die Spaltenvektoren einer Matrix.
(c) det(AB) = det(A) det(B).
Satz 2.24. Das durch die Vektoren a, b R
2
aufgespannte Parallelogramm hat den
Flacheninhalt
| det(a, b)|.
Das durch die Vektoren a, b, c R
3
aufgespannte Parallelepiped (Spat) hat das Volumen
| det(a, b, c)|.
Entwicklung von det A nach beliebiger Spalte/Zeile
Sei A = (a
ij
) eine n n Matrix und sei A
ij
die (n 1) (n 1) Matrix welche aus
A durch Streichen der i-ten Zeile und der j-ten Spalte entsteht. Dann gelten folgende
Entwicklungsformeln:
Entwicklung nach der j-ten Spalte:
det A =
n

i=1
(1)
i+j
a
ij
det A
ij
Entwicklung nach der i-ten Zeile:
det A =
n

j=1
(1)
i+j
a
ij
det A
ij
Cramersche Regel und inverse Matrix
Sei A = (a
1
, . . . , a
n
) eine invertierbare n n Matrix und sei b R
n
. Dann ist die
(eindeutige) Losung des Gleichungssystems Ax = b gegeben durch die Cramersche Regel
x
i
=
1
det A
det(a
1
, . . . , a
i1
, b, a
i+1
, . . . , a
n
).
(i-te Spalte von A durch b ersetzt.)
Satz 2.25. Sei A eine invertierbare n n Matrix. Dann gilt:
(A
1
)
ik
=
1
det A
(1)
i+k
det A
ki
wobei rechts die Reihenfolge der indizes i, k gegen uber links vertauscht ist.
28
Permutationen
Eine Permutation der Zahlen {1, . . . , n} ist eine bijektive Abbildung : {1, . . . , n}
{1, . . . , n}. Die Permutation wird durch das Schema
_
1 2 3 . . . n
(1) (2) (3) . . . (n)
_
vollstandig beschrieben. Es gibt n! verschiedene Permutationen von {1, . . . , n}. Das Si-
gnum einer Permutation, sgn(), ist deniert durch sgn() = (1)
r
wobei r die Anzahl
Vertauschungen zweier Elemente ist, welche notwendig ist um {1, . . . , n} in die Reihen-
folge {(1), . . . , (n)} zu bringen. Die Permutation heit gerade, wenn sgn() = +1
und ungerade wenn sgn() = 1.
Die zyklischen Permutationen von {1, 2, 3}:
_
1 2 3
1 2 3
_
,
_
1 2 3
2 3 1
_
,
_
1 2 3
3 1 2
_
,
sind gerade, die anderen drei Permutationen sind ungerade.
Satz 2.26. Die Determinate einer n n Matrix A = (a
ij
) lasst sich schreiben als
det A =

sgn()a
1(1)
a
2(2)
a
n(n)
wobei uber alle Permutationen von {1, . . . , n} zu summieren ist.
2.10 R
n
als Euklidischer Vektorraum
Seien x, y R
n
, x = (x
1
, . . . , x
n
)
T
, y = (y
1
, . . . , y
n
)
T
. Die Zahl
x y := x
T
y =
n

i=1
x
i
y
i
heit Skalarprodukt (inneres Produkt ) von x und y, und
|x| :=

x x
heit Betrag (oder Lange) von x. Ein Vektor x R
n
heit normiert oder Einheits-
vektor, wenn |x| = 1.
Vorsicht: (x y)z = x(y z).
Satz 2.27. F ur alle x, y, z R
n
und alle R gilt
(a) x x 0 und x x = 0 x = 0.
(b) x y = y x
(c) x (y +z) = x y +x z, und x (y) = (x y),
29
Satz 2.28. F ur alle x, y R
n
und alle R gilt
(a) |x| 0 und |x| = 0 x = 0.
(b) |x| = |||x|,
(c) |x y| |x||y| (Cauchy-Schwarzsche Ungleichung),
(d) |x +y| |x| +|y| (Dreiecksungleichung).
Satz 2.29. Seien x, y R
n
und sei [0, ] der Winkel zwischen x und y. Dann gilt
x y = |x||y| cos .
Zwei Vektoren x, y R
n
heien orthogonal, in Zeichen x y, wenn x y = 0. Der
Nullvektor ist othogonal zu allen Vektoren. Sind x und y orthogonal, dann gilt
|x +y|
2
= |x|
2
+|y|
2
.
Satz 2.30 (Satz von Pytagoras). Sind x
1
, . . . , x
k
R
n
paarweise othogonal, d.h. x
i
x
j
=
0 f ur i = j, dann gilt

i=1
x
i

2
=
k

i=1
|x
i
|
2
Gram-Schmidtsches Orthogonalisierungsverfahren
Eine Familie von Vektoren b
1
, . . . , b
k
R
n
heit orthogonal wenn b
i
b
j
= 0 f ur i = j
und sie heit orthonormal, wenn wenn sie othogonal ist und alle Vektoren normiert
sind, d.h. wenn
b
i
b
j
=
ij
.
Satz 2.31. Jede orthogonale Familie {b
1
, . . . , b
k
} R
n
ohne den Nullvektor ist
linear unabhangig.
Ist b
1
, . . . , b
n
eine orthonormale Basis (ONB) von R
n
, dann gilt f ur jeden Vektor
x R
n
:
x =
n

i=1
(x b
i
)b
i
Zu jedem System linear unabhangiger Vektoren a
1
, . . . , a
k
R
n
gibt es ein orthonormales
System b
1
, . . . , b
k
mit
Lin{a
1
, . . . , a
k
} = Lin{b
1
, . . . , b
k
}.
30
Insbesondere hat jeder Unterraum U R
n
eine ONB. Gram-Schmidtsches Orthogonali-
sierungsverfahren:
b
1
:=
a
1
|a
1
|
a

2
:= a
2
(a
2
b
1
)b
1
, b
2
:=
a

2
|a

2
|
a

3
:= a
3
(a
3
b
1
)b
1
(a
3
b
2
)b
2
, b
3
:=
a

3
|a

3
|
.
.
.
.
.
.
a

k
:= a
k

k1

i=1
(a
k
b
i
)b
i
, b
k
:=
a

k
|a

k
|
Orthogonale Projektion
Ist U R
n
eine beliebige Teilmenge und x y f ur alle y U, dann schreiben wir
x U.
Satz 2.32. Sei U ein Unterraum von R
n
. Dann hat jeder Vektor x R
n
eine eindeutige
Zerlegung
x = x
U
+y
U
, mit x
U
U, y
U
U.
Ist {b
1
, . . . , b
k
} eine ONB von U, dann gilt
x
U
=
k

i=1
(x b
i
)b
i
.
x
U
heit heit orthogonale Projektion von x auf U.
Das Vektorprodukt in R
3
Das Vektorprodukt ab von zwei Vektoren a, b R
3
, a = (a
1
, a
2
, a
3
)
T
, b = (b
1
, b
2
, b
3
)
T
ist deniert durch
a b :=
_
_
a
2
b
3
a
3
b
2
a
3
b
1
a
1
b
3
a
1
b
2
a
2
b
1
_
_
Oenbar gilt f ur alle Vektoren a, b, c R
3
die Identitat
(a b) c = det(a, b, c).
Der Betrag des Spatprodukt (a b) c ist nach Satz 2.24 das Volumen des durch a, b, c
aufgespannten Spats.
31
Folgerungen:
a b ist orthogonal zu a und b.
|a b| = |a||b| sin wobei [0, ] der Winkel zwischen a und b ist.
Die drei Vektoren a, b, a b bilden ein Rechtssystem, d.h. sie sind gleich orientiert
wie e
1
= (1, 0, 0), e
2
= (0, 1, 0) und e
3
= (0, 0, 1).
Satz 2.33. F ur alle a, b, c R
3
gilt:
(a) a b = b a, also a a = 0,
(b) (a b) = (a) b = a (b) f ur alle R,
(c) a (b +c) = a b +a c, (a +b) c = a c +b c,
(d) |a b|
2
= |a|
2
|b|
2
(a b)
2
.
Satz 2.34. F ur alle a, b, c, d R
3
gelten die Identitaten:
a (b c) = (a c)b (a b)c (Grassmann)
(a b) (c d) = (a c)(b d) (a d)(b c) (Lagrange).
Das Vektorprodukt a b in der Darstellung
a b = e
1
det
_
a
2
b
2
a
3
b
3
_
e
2
det
_
a
1
b
1
a
3
b
3
_
+e
3
det
_
a
1
b
1
a
2
b
2
_
mit der Standardbasis e
1
, e
2
, e
3
von R
3
sieht aus wie die Determinante einer 33 Matrix
deren erste Spalte aus e
1
, e
2
und e
3
besteht, d.h. formal
a b = det
_
_
e
1
a
1
b
1
e
2
a
2
b
2
e
3
a
3
b
3
_
_
.
2.11 Lineare Abbildungen
Lineare Abbildungen
Seien V, W zwei Vektorraume uber K (K = R oder K = C). Eine Abbildung F : V W
heit linear falls f ur alle u, v V and alle K,
F(v) = F(v),
F(u +v) = F(u) +F(v).
F ur jede lineare Abbildung F ist F(0) = 0 und
F
_
n

i=1

i
v
i
_
=
n

i=1

i
F(v
i
).
Der Kern {v V | F(v) = 0} und das Bild {F(v) | v V } einer linearen Abbildung
F : V W sind Unterraume von V bzw. W.
Bemerkungen:
32
(a) Sind F, G : V W linear, dann sind auch F + G und F linear. Somit ist die
Menge der linearen Abbildungen von V nach W,
Hom(V, W) := {F : V W|F ist linear}
selbst auch ein Vektorraum uber K (Raum der Homomorphismen).
(b) Sind F : V W und G : U V linear, dann ist auch F G : U W linear.
(c) Ist F : V W linear und bijektiv, dann ist auch F
1
: W V linear.
Matrizen linearer Abbildungen
Satz 2.35. Zu jeder linearen Abbildung F : K
n
K
m
gibt es eine m n Matrix
A = (a
ij
), a
ij
K, so dass
F(x) = Ax, f ur alle x K
n
. (4)
Umgekehrt wird durch jede mn Matrix A via (4) eine lineare Abbildung F : K
n
K
m
deniert. Die Spalten von A sind die Bilder der Basisvektoren e
1
, . . . , e
n
von K
n
.
Bemerkungen:
(a) Sind F, G : K
n
K
m
linear mit F(x) = Ax und G(x) = Bx, dann ist A +B die
Matrix von F +G und A ist die Matrix von F.
(b) Sind F : K
n
K
m
und G : K
l
K
n
linear mit F(x) = Ax und G(x) = Bx,
dann ist AB die Matrix von F G, d.h
(F G)(x) = ABx, f ur alle x K
l
.
(c) Eine lineare Abbildung F : K
n
K
n
mit F(x) = Ax ist genau dann bijektiv,
wenn die Matrix A invertierbar ist, und dann gilt
F
1
(x) = A
1
x.
Satz 2.36. Sei F : K
n
K
m
linear mit F(x) = Ax. Dann gilt
(a) F ist genau dann injektiv wenn KernA = {0}.
(b) F ist genau dann surjektiv wenn RangA = m.
Aus diesem Satz und der Dimensionsformel RangA + dim(KernA) = n (Theorem 2.19)
folgt sofort:
Satz 2.37. F ur eine lineare Abbildung F : K
n
K
n
(quadratische Matrix!) sind aqui-
valent:
(a) F ist injektiv,
(b) F ist surjektiv,
(c) F ist bijektiv.
33
Orthogonale Abbildungen
Eine reelle n n Matrix A und auch die zugehorige lineare Abbildung F : R
n
R
n
heien orthogonal wenn
A
T
= A
1
.
Das wird durch folgenden Satz erklart:
Satz 2.38. Sei A eine reelle n n Matrix. Dann sind aquivalent:
(a) A ist orthogonal,
(b) (Ax) (Ay) = x y f ur alle x, y R
n
,
(c) |Ax| = |x| f ur alle x R
n
,
(d) die Spalten von A bilden eine ONB von R
n
.
(e) die Zeilen von A bilden eine ONB von R
n
.
Ist A orthogonal, dann gilt
det A = 1,
denn aus E = A
T
A folgt 1 = det E = det A
T
A = (det A)
2
.
O(n) := Menge der orthogonalen n n Matrizen,
heit orthogonale Gruppe des R
n
.
SO(n) := {A O(n) | det A = +1} heit
spezielle orthogonale Gruppe.
Orthogonale Abbildungen sind
langentreu
winkeltreu
volumentreu
Spiegelungen und Drehungen
Die Spiegelung s : R
n
R
n
am Ursprung 0 R
n
, s(x) = x, hat die orthogonale
Matrix E mit Determinante det(E) = (1)
n
.
Die Spiegelung an der Ebene a x = 0 mit |a| = 1:
s : R
3
R
3
, s(x) = x 2a(a x)
hat die orthogonale Matrix
E 2aa
T
=
_
_
1 2a
2
1
2a
1
a
2
2a
1
a
3
2a
2
a
1
1 2a
2
2
2a
2
a
3
2a
3
a
1
2a
3
a
2
1 2a
2
3
_
_
34
mit det(E 2aa
T
) = 1. Oensichtlich ist diese Matrix symmetrisch. Das muss so sein,
denn s
1
= s und somit gilt S
T
= S
1
= S f ur S = E 2aa
T
.
Eine Drehungen in der Ebene um 0 R
2
wird beschrieben durch eine orthogonale
Matrix:
D() =
_
cos sin
sin cos
_
, det D() = 1.
Drehungen um die x, y und z-Achse werden dargestellt durch SO(3) Matrizen
D
1
() =
_
_
1 0 0
0 cos sin
0 sin cos
_
_
, D
2
() =
_
_
cos 0 sin
0 1 0
sin 0 cos
_
_
D
3
() =
_
_
cos sin 0
sin cos 0
0 0 1
_
_
Die Vorzeichen sind so gewahlt, dass ein positiver Winkel zu einer Drehung im Gegen-
uhrzeigesinn f uhrt wenn man gegen der Achse blickt.
Die Drehung im Raum um die Achse parallel zu einem gegebenen Einheitsvektor
a R
3
mit Winkel ist eine orthogonale Abbildung d : R
3
R
3
gegeben durch
d(x) = (cos )x + (1 cos )(x a)a + (sin )a x.
Die zugehorige Matrix ist:
D = (cos )E + (1 cos )aa
T
. .
symmetrisch
+(sin )
_
_
0 a
3
a
2
a
3
0 a
1
a
2
a
1
0
_
_
. .
antisymmetrisch
(5)
Man kann zeigen, dass
D SO(3) D ist Drehmatrix.
Somit ist jede jede SO(3) Matrix von der Form (5).
Ist D = (d
ij
) eine gegebene SO(3)-Matrix dann kann man den zugehorige Drehwinkel
und den Vektor a aus den Elementen der Matrix D berechnen. Nach (5) gilt
cos =
1
2
(SpurD 1) mit SpurD := d
11
+d
22
+d
33
was einen Winkel [0, ] festlegt, und der zugehorige Vektor a ist gegeben durch
a =
d
|d|
, mit d :=
_
_
d
32
d
23
d
13
d
31
d
21
d
12
_
_
falls =
und f ur = kann f ur a eine normierte Losung von (D E)a = 0 gewahlt werden.
35
Euler-Winkel
Sind b
1
, b
2
, b
3
R
3
orthonormierte Vektoren welche ein Rechtsystem bilden, zum Beispiel
b
k
= De
k
wobei D eine Drehmatrix ist, dann sind die Eulerschen Winkel , , deniert
durch folgende Figur, worin die Achsen x

1
, x

2
, x

3
durch die Vektoren b
1
, b
2
, b
3
deniert
sind.
Es gilt also b
k
= D
3
()D
1
()D
3
()e
k
. Jede Drehmatrix D lasst sich somit schreiben als
D = D
3
()D
1
()D
3
()
.
2.12 Basiswechsel
Sei {e
1
, . . . , e
n
} die Standardbasis von K
n
und sei {b
1
, . . . , b
n
} eine zweite Basis von K
n
.
Dann lasst sich jeder Vektor x = (x
1
, . . . , x
n
)
T
=

n
i=1
x
i
e
i
darstellen in der Form
x =
n

k=1
x

k
b
k
, (6)
mit eindeutig bestimmten Koordinaten x

k
K. Der Spaltenvektor x

:= (x

1
, . . . , x

n
)
T
heit Koordinatenvektor von x bez uglich der Basis {b
1
, . . . , b
n
}. Aus (6) folgt, dass
x = Bx

, B := (b
1
, . . . , b
n
)
x

= B
1
x,
denn

n
k=1
x

k
b
k
= Bx

, wenn B die Matrix gebildet aus den Spaltenvektoren b


1
, . . . , b
n
bezeichnet.
Bemerkungen:
Im Fall der Standardbasis stimmt der Koordinatenvektor x

mit dem zugehorigen


Vektor x K
n
uberein.
Bei einem Basiswechsel andert sich nur der Koordinatenvektor. Der Vektor selbst
bleibt unverandet!
36
Die Matrix A einer lineare Abbildung F : K
n
K
n
besteht aus den Spaltenvekto-
ren Ae
1
, . . . , Ae
n
. Diese Spaltenvektoren sind Koordinatenvektoren von F(e
1
), . . . , F(e
n
)
bez uglich der Standardbasis. Ist {b
1
, . . . , b
n
} eine beliebige Basis von K
n
, dann ist die
Abbildungsmatrix C von F bez uglich {b
1
, . . . , b
n
} deniert durch
C =
_
F(b
1
)

, . . . , F(b
n
)

_
.
F(b
k
)

= Koordinatenvektor von F(b


k
) bez uglich {b
1
, . . . , b
n
}.
Satz 2.39. Ist C die Abbildungsmatrix einer linearen Abbildung F : K
n
K
n
bez uglich
der Basis {b
1
, . . . , b
n
}, dann gilt
F(x)

= Cx

, und C = B
1
AB,
wobei x

, F(x)

Koordinatenvektoren bez uglich der Basis {b


1
, . . . , b
n
} sind, und A die
Abbildungsmatrix von F bez uglich der Standardbasis von K
n
bezeichnet.
Zwei n n-Matrizen A, C heien ahnlich, wenn es eine invertierbare Matrix B gibt,
so dass C = B
1
AB.
2.13 Eigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren
Sei A = (a
ij
) eine komplexe (oder reelle) nn Matrix. Eine Zahl C heit Eigenwert
von A, wenn es einen Vektor b C
n
, b = 0, gibt
Ab = b.
Jeder Vektor b = 0 der diese Gleichung erf ullt heit Eigenvektor von A zum Eigenwert
.
Satz 2.40. Eine komplexe Zahl ist genau dann ein Eigenwert der n n Matrix A,
wenn det(A E) = 0.
Zur Berechnung der Eigenwerte von A sind also die Nullstellen des charakteristisches
Polynom

A
() := det(A E)
von A zu bestimmen.
F ur eine 2 2-Matrix A =
_
a b
c d
_
gilt

A
() = det
_
a b
c d
_
=
2
(a +d) + (ad bc)
=
2
(SpurA) + det A,
und allgemein

A
() = ()
n
+ (SpurA)()
n1
+. . . + det A (7)
wobei die Spur von A deniert ist durch
Spur(A) := a
11
+a
22
+. . . +a
nn
.
37
Berechnung der Eigenwerte und Eigenvektoren
Nach Satz 1.19 hat
A
eine Faktorisierung

A
() = (
1
)
m
1
(
r
)
mr
. (8)
Die Zahlen
1
. . . ,
r
sind die Nullstellen von
A
und somit die Eigenwerte von
A. Die Vielfachheit m
i
der Nullstelle
i
heit algebraische Vielfachheit des
Eigenwerts
i
.
Die Eigenvektoren zum Eigenwert
i
sind die von Null verschiedenen Losungen des
homogenen linearen Gleichungssystems (A
i
E)x = 0. Der Losungsraum
V (
i
) := Kern(A
i
E)
heit Eigenraum zu
i
. dimV (
i
) heit geometrische Vielfachheit des Eigen-
werts
i
.
Durch Ausmultiplizieren von (8) und Vergleich mit (7) bekommt man
SpurA =
r

i=1
m
i

i
, det A =
r

i=1

m
i
i
.
Also gilt:
SpurA = Summe der Eigenwerte
det A = Produkt der Eigenwerte
wenn in der Summe und im Produkt jeder Eigenwert so oft aufgenommen wird wie seine
algebraische Vielfachheit angibt.
Satz 2.41. Sei A eine komplexe oder reelle n n-Matrix.
(a) Sei b ein Eigenvektor von A mit Eigenwert . Dann ist b auch ein Eigenvektor von
a
m
A
m
+. . . +a
1
A +a
0
E
und der zugehorige Eigenwert ist a
m

m
+. . . +a
1
+a
0
.
(b) A, A
T
und B
1
AB haben dasselbe charakteristische Polynom und deshalb auch
dieselben Eigenwerte. Ist b ein Eigenvektor von A, dann ist B
1
b eine Eigenvektor
von B
1
AB und umgekehrt.
(c) A ist genau dann invertierbar wenn 0 keine Eigenwert von A ist. Ist ein Ei-
genwert von A mit Eigenvektor b, dann ist
1
eine Eigenvektor von A
1
mit
demselben Eigenvektor b.
Satz 2.42. Eigenvektoren b
1
, . . . , b
r
zu paarweise verschiedenen Eigenwerten
1
, . . . ,
r
der Matrix A sind linear unabhangig.
38
Satz 2.43. Sei A eine komplexe oder reelle n n-Matrix. Falls A n linear unabhangige
Eigenvektoren b
1
, . . . , b
n
hat mit nicht notwendig verschiedenen Eigenwerten
1
, . . . ,
n
,
dann gilt
B
1
AB =
_
_
_
_
_

1
0 0
0
2
.
.
.
.
.
.
.
.
.
0
n
_
_
_
_
_
,
wobei B = (b
1
, . . . , b
n
).
Anwendung von Satz 2.43: Berechnung von A
k
.
2.14 Symmetrische Matrizen und quadratische Formen
Theorem 2.44. F ur jede symmetrische reelle n n Matrix A gilt:
(a) Alle Eigenwerte sind reell.
(b) Eigenvektoren zu verschiedenen Eigenwerten sind orthogonal.
(c) Algebraische und geometrische Vielfachheit jedes Eigenwerts stimmen uberein.
Korollar 2.45. Ist A eine symmetrische reelle n n-Matrix, dann gibt es eine ONB
von R
n
bestehend aus Eigenvektoren von A.
Nach Korollar 2.45 lasst sich eine symmetrische 3 3 Matrix durch eine Drehung des
Koordinatensystems diagonalisieren, d.h. auf Diagonalgestalt bringen.
Satz 2.46. Zwei symmetrische nn Matrizen A, C mit AC = CA lassen sich gleichzeitig
(orthogonal) diagonalisieren, d.h. es gibt eine ONB {b
1
, . . . , b
n
} von R
n
, so dass B
1
AB
und B
1
CB Diagonalmatrizen sind wenn B = (b
1
, . . . , b
n
).
Eine quadratische Form q ist eine Abbildung q : R
n
R mit q(x) = x
T
Ax wobei
A eine reelle, symmetrische n n Matrix ist. q heit rein quadratisch wenn A eine
Diagonalmatrix ist.
Bemerkung:
Wenn die Matrix A nicht symmetrisch ist, dann kann man sie ersetzen durch
die symmetrische Matrix (A +A
T
)/2 ohne dass sich dabei die quadratische Form
q(x) = x
T
Ax andert.
Eine Funktion f : R
n
R deren Graph bei 0 eine horizontale Tangentialeben
hat, kann dort durch eine quadratische Form q : R
n
R approximiert werden
(HM2). Das Studium von q gibt Aufschluss dar uber, ob f bei 0 ein Maximum, ein
Minimum oder keines von beidem hat.
39
Basiswechsel. Sei b
1
, . . . , b
n
eine Basis von R
n
, B := (b
1
, . . . , b
n
), und sei x = By, d.h.
y
1
, . . . , y
n
sind die Koordinaten von x R
n
bez uglich der neuen Basis. Dann gilt
q(x) = x
T
Ax = (By)
T
ABy = y
T
(B
T
AB)y =: q(y).
Die quadratische Form q wir also bez uglich der Basis b
1
, . . . , b
n
dargestellt durch die
Matrix

A = B
T
AB
Bemerkungen:
Die Matrix einer quadratischen Form transformiert sich bei Basiswechsel nicht so
wie die Matrix einer linearen Abbildung, ausser B
T
= B
1
.
Die Matrizen

A = B
T
AB und A haben nicht dieselben Eigenwerte, ausser B
T
=
B
1
, d.h. ausser {b
1
, . . . , b
n
} eine ONB von R
n
.
Eine ONB {b
1
, . . . , b
n
} heit Hauptachsensystem von q, wenn q in dieser Basis rein
quadratisch ist. Aus Korollar 2.45 folgt
Jede quadratische Form hat ein Hauptachsensystem.
Bestimmung eines Hauptachsensystems von q(x) = x
T
Ax:
1. Man bestimme die Eigenwerte
1
, . . . ,
r
von A.
2. Zu jedem der verschiedenen Eigenwerte
i
bestimmt man eine ONB {b
(i)
1
, . . . , b
(i)
r
}
von V (
i
) = Kern(A
i
E).
3. Die Vereingung
r
i=1
{b
(i)
1
, . . . , b
(i)
r
} der Teilbasen ist ein Hauptachsensystem.
Die Signatur einer symmetrischen Matrix A ist die das Zahlentripel (p, q, s) bestehend
aus:
p = Anzahl positiver Eigenwerte von A,
q = Anzahl negativer Eigenwerte von A,
s = Vielfachheit des Eigenwerts 0.
Satz 2.47 (Tragheitssatz von Sylvester). Ist A eine symmetrische und W eine inver-
tierbare n n Matrix, dann haben A und W
T
AW die selbe Signatur
Beweis: Siehe Meyberg, Vachenauer
Terminologie f ur quadratische Formen q : R
n
R mit q(x) = x
T
Ax, bzw. f ur symme-
trische Matrizen A:
f ur alle x = 0 gilt q bzw. A heit
q(x) > 0 positiv denit
q(x) 0 positiv semidenit
q(x) 0 negativ semidenit
q(x) < 0 negativ denit
q(x
1
) > 0, q(x
2
) < 0 indenit.
40
Diese Eigenschaften einer symmetrischen Matrix sind unabhangig von der Wahl der
Basis, denn es gilt:
A ist positiv denit W
T
AW ist positiv denit
wenn W eine invertierbare Matrix ist, und analog f ur positiv semidenit, negativ semi-
denit, etc.
Sei A eine symmetrische nn Matrix und b
1
, . . . , b
n
ein Hauptachsensystem von A, d.h.
eine ONB mit Ab
i
=
i
b
i
. Sei B = (b
1
, . . . , b
n
), dann ist A positiv denit genau dann
wenn B
T
AB positiv denit ist und
x
T
(B
T
AB)x =
n

i=1

i
x
2
i
.
Satz 2.48. F ur jede symmetrische n n Matrix A gilt:
(i) A ist positiv denit alle EW sind > 0,
(ii) A ist positiv semidenit alle EW sind 0,
(iii) A ist negativ semidenit alle EW sind 0,
(iv) A ist negativ denit alle EW sind < 0,
(v) A ist indenit es gibt positive und negative EW.
Typische Graphen
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5 1.0
0.0
0.5
1.0
1.5
2.0
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
0.0
0.5
1.0
1.0
0.5
0.0
0.5
1.0
1.0
0.5
0.0 0.5 1.0
1.0
0.5
0.0
0.5
1.0
q(x, y) = x
2
+y
2
, positiv denit
q(x, y) = x
2
, positiv semidenit
q(x, y) = x
2
y
2
, indenit
Sei A = (a
ij
) eine symmetrische n n Matrix. Dann gilt:
A ist positiv denit a
ii
> 0, f ur alle i.
Die Positivitat der Diagonalelemente a
ii
ist aber nicht hinreichend daf ur, dass A positiv
denit ist. Folgender Satz gestattet zu pr ufen ob eine Matrix positiv denit ist, ohne die
Eigenwerte zu berechnen:
41
Satz 2.49 (Jacobi). Eine symmetrische n n Matrix A = (a
ij
) ist genau dann positiv
denit, wenn die n Hauptuntermatrizen H
1
= a
11
,
H
2
=
_
a
11
a
12
a
21
a
22
_
, . . . , H
k
=
_
_
_
a
11
. . . a
1k
.
.
.
.
.
.
a
k1
. . . a
kk
_
_
_
, . . . , H
n
= A
positive Determinanten haben.
2.15 Quadriken
Transformation von Punktkoordinaten
Jeder Punkt X = (x
1
, . . . , x
n
) R
n
entspricht einem Ortsvektor x = (x
1
, . . . , x
n
)
T
und
umgekehrt. Aber man muss zwischen Koordinaten eines Punktes (oder Ortsvektors)
und Koordinaten eines Vektors unterscheiden, da sie sich verschieden verhalten unter
Basiswechsel.
Ein anes Koordinatensystem K = (P; b
1
, . . . , b
n
) von R
n
besteht aus einem Punkt
P R
n
und einer Basis {b
1
, . . . , b
n
} von R
n
(als Vektorraum). Die Koordinaten x

1
, . . . , x

n
von X R
n
bez uglich K sind bestimmt durch die Gleichung
x = p +
n

i=1
x

i
b
i
.
Wir schreiben X
K
:= (x

1
, . . . , x

n
) und x

:=

n
i=1
x

i
b
i
. Ist B = (b
1
, . . . , b
n
) dann gilt
oenbar:
x = p +Bx

, x

= B
1
(x p).
Quadriken
Eine Funktion p : R
n
R der Form
p(x) = a
0
+a
T
x +x
T
Ax = a
0
+
n

i=1
a
i
x
i
+

i,j
a
ij
x
i
x
j
mit a
0
R, a R
n
und A
T
= A = (a
ij
) heit quadratisches Polynom in den Varia-
blen x
1
, . . . , x
n
. Insbesondere ist jede quadratische Form q(x) = x
T
Ax ein quadratisches
Polynom.
Die Menge aller Punkte x = (x
1
, . . . , x
n
) R
n
, welche eine Gleichung der Form
p(x) = x
T
Ax +a
T
x + = 0,
erf ullen, nennt man eine Quadrik (oder Hyperache zweiter Ordnung). Jede Niveauache
{x R
n
| p(x) = const} eines quadratischen Polynoms p ist also eine Quadrik.
42
Beispiele von Quadriken in R
2
x
2
+ 2xy + 3y
2
2y x = 0
x
2
6xy + 9y
2
2 = 0
x
2
+
y
2
2
+xy + 4x +y
21
20
= 0
0.4 0.2 0.2 0.4 0.6 0.8 1.0
0.4
0.2
0.2
0.4
0.6
0.8
1.0
1.0 0.5 0.5 1.0
1.0
0.5
0.5
1.0
0.5 1.0 1.5 2.0
3.0
2.5
2.0
1.5
Normalform von Quadriken
Die Quadrik x
T
Ax+a
T
x+ = 0 liegt in Normalform vor, wenn x
T
Ax rein quadratisch
ist, und a
T
x + durch keine ane Substitution verk urzt werden kann. F ur eine Tabelle
von Quadriken in Normalform siehe Meyberg/Vachenauer.
Transformation auf Normalform:
Hauptachsentransformation: Bestimmung der Eigenwerte
1
, . . . ,
n
von A
und einer ONB zugehoriger Eigenvektoren b
1
, . . . , b
n
. Die Quadrikengleichung im
Koordinatensystem (0; b
1
, . . . , b
n
) lautet:

1
y
2
1
+. . . +
n
y
2
n
+
1
y
1
+. . . +
n
y
n
+ = 0
wobei
i
= b
i
a und x =

n
k=1
y
k
b
k
.
Quadratische Erganzung: Sei
1
, . . . ,
r
= 0 und
r+1
, . . . ,
n
= 0. Durch qua-
dratische Erganzung erhalten wir
r

k=1
_

k
y
2
k
+
k
y
k
_
+ =
r

k=1

k
z
2
k
+
wobei z
k
:= y
k
+ (
k
/2
k
) und := b

r
k=1

2
k
4
k
.
Reduktion des linearen Anteils. Falls
k
= 0 f ur eine k r + 1, z.B.
n
= 0,
dann wird eliminiert durch
n
y
n
+ =
n
z
n
mit z
n
:= y
n
+ (/
n
). Wir setzen
z
k
:= y
k
f ur die ubrigen ks und erhalten
n

k=r+1

k
y
k
+ =
_
alle
k
= 0

n
k=r+1

k
z
k
ein
k
= 0.
Die Normalform wird angenommen im Koordinatensystem (Bu; b
1
, . . . , b
n
) wobei u
k
=

k
/2
k
, k r, und f ur k r + 1, u
k
= 0 oder u
k
= /
k
.
43
2.16 PageRank: die Bewertung einer Webpage durch Google
Problemstellung: Sei n die Anzahl existierender Webseiten (ein paar Milliarden). Ge-
sucht ist f ur jede Webpage i {1, . . . , n} eine Bewertung x
i
0, welche ein Mass
f ur die relative Wichtiggkeit der Seite darstellt. Suchmaschinen benotigen eine solche
Bewertung um die gefundenen Webseiten nach Wichtigkeit zu ordnen.
L
ji
:=
_
1 es gibt einen Link von Seite j auf die Seite i.
0 sonst.
n
j
:=
n

i=1
L
ji
= Anzahl Links von Seite j auf andere Seiten,
n

j=1
L
ji
= Anzahl Links von anderen Seiten auf die Seite i.
L
ii
:= 0.
Idee: Die Bewertungen x
1
, . . . , x
n
sollen den Gleichungen
x
i
=
n

j=1
1
n
j
L
ji
x
j
i = 1, . . . , n, (9)
gen ugen. D.h. x
i
ist gro, wenn viele oder wichtige andere Webseiten einen Link auf die
Seite i haben. Dabei ist der Wert eines Links reduziert wenn er von einer Seite mit vielen
Links kommt.
Gleichung (9) ist aquivalent zum Eigenwertproblem
x = Ax, A
ij
:=
1
n
j
L
ji
, x := (x
1
, . . . , x
n
)
T
. (10)
Die Matrix A hat die Eigenschaften A
ij
0 und
Spaltensumme:
n

i=1
A
ij
= 1, f ur alle j.
Man nennt solche Matrizen stochastisch.
Satz 2.50. Sei A eine stochastische Matrix. Dann gilt:
(a) F ur alle Eigenwerte C von A gilt || 1.
(b) = 1 ist ein Eigenwert von A und es gibt einen Eigenvektor x = (x
1
, . . . , x
n
) mit
x
i
0.
(c) Wenn A
ij
> 0 f ur alle i, j, dann hat der Eigenwert 1 die Vielfachheit 1 und f ur
jedes v R
n
,

i
v
i
= 0, ist der Limes
lim
k
A
k
v
ein Eigenvektor von A zum Eigenwert 1.
44
Problem: Die Bedingung A
ij
> 0 ist nicht erf ullt f ur die Matrix A
ij
= L
ji
/n
j
. Die
Losung von (10) ist daher in der Regel nicht eindeutig und der Limes in Teil (b) des
obigen Satzes braucht nicht zu existieren.
Losung: Die Bedingung an x wir wie folgt modiziert:
x = Ax + (1 )e, e = (1, . . . , 1)
T
, (11)
wobei (0, 1). In der Praxis wird = 0.85 gewahlt. Jede Webseite hat also ein Gewicht
von 0.15 unabhangig von der Linkstruktur des www. Die Losung des Gleichungssystems
(11) ist
x = (1 )(E A)
1
e. (12)
Weil die Berechnung der Inversen von E A zu aufwending ist berechnet man (12)
durch Iteration der Gleichung (11): wenn
x
(k+1)
:= Ax
(k)
+ (1 )e,
dann ist lim
k
x
(k)
die Losung von (11) und zwar unabhangig von der Wahl von x
(0)
.
Also, a PageRank for 26 million web pages can be computed in a few hours on a medium
size workstation. (http://infolab.stanford.edu/ backrub/google.html)
3 Konvergenz und Stetigkeit
3.1 Zahlenfolgen und Grenzwerte
Beispiele von Zahlenfolgen
F ur n N sei
a
n
:=
1
n
, b
n
= (1)
n1
, c
n
=
n

n!
Graphische Darstellung (Graphen):

2 4 6 8
1
1
2
3
Zahlenfolgen
Eine Folge reeller Zahlen ist eine Abbildung
N R, n a
n
.
45
Man schreibt daf ur
(a
n
)
nN
, (a
n
)
n1
, (a
n
), oder a
1
, a
2
, a
3
. . .
Die Zahlen a
n
heien Glieder der Folge. Eine Folge braucht nicht mit a
1
zu beginnen;
z.B. nennt man auch a
5
, a
6
, a
7
, . . . eine Folge, da man durch die Umnumerierung der
Glieder b
n
:= a
n+4
, n 1, eine Folge in obigem Sinn denieren kann.
Eine Folge heit beschrankt, wenn es eine Zahl K gibt, mit
|a
n
| K f ur alle n N.
Folgen und Flachenberechnung
0.2 0.4 0.6 0.8 1.0
0.2
0.4
0.6
0.8
1.0
0.2 0.4 0.6 0.8 1.0
0.2
0.4
0.6
0.8
1.0
0.2 0.4 0.6 0.8 1.0
0.2
0.4
0.6
0.8
1.0
0.2 0.4 0.6 0.8 1.0
0.2
0.4
0.6
0.8
1.0
a
1
= 0.433013, a
2
= 0.623927, a
3
= 0.709955.
a
n
= Gesamtache der 2
n
1 Rechtecke unterhalb des Viertelskreises. Je groer n ist,
desto besser wird die Flache des Viertelskreises durch a
n
approximiert. Wir werden
spater sehen, das
a
n


4
= 0.785398 . . . , (n ).
Konvergenz
Eine Folgen (a
n
) konvergiert (oder strebt) gegen die Zahl a, in Zeichen
lim
n
a
n
= a, oder a
n
a, (n ),
falls es zu jeder noch so kleinen Zahl > 0 einen Indexwert n
0
N gibt, so dass
n n
0
|a
n
a| < .
Die Zahl a heit Grenzwert der Folge (a
n
). Eine Folge heit konvergent wenn sie einen
Grenzwert hat, sonst heit sie divergent. Eine Folge mit Grenzwert 0 heit Nullfolge.
Wichtigstes Beispiel:
lim
n
1
n
= 0.
46
Illustrationen von Konvergenz und Divergenz



5 10 15 20 25
0.6
0.8
1.0
1.2
1.4
1.6
lim
n
_
1 +
20 sin(n)
n
2
_
= 1.

5 10 15 20 25
1.5
1.0
0.5
0.5
1.0
1.5
2.0
Die Folge a
n
= (1)
n
hat weder den Grenzwert 1 (siehe Figur) noch irgend einen anderen
Grenzwert. Sie ist daher divergent.
Satz 3.1. (a) Der Grenzwert einer konvergenten Folge ist eindeutig: falls lim
n
a
n
=
a und lim
n
a
n
= b dann gilt a = b.
(b) Jede konvergente Folge ist beschrankt.
Korollar 3.2. Ist die Folge (a
n
) unbeschrankt, dann ist sie divergent.
Die Folge (a
n
) divergiert gegen (oder strebt gegen ), in Zeichen
lim
n
a
n
= oder a
n
, (n )
falls zu jeder noch so groen Zahl K R eine Indexwert n
0
N existiert, so dass
n n
0
a
n
> K.
Divergenz gegen ist analog deniert.
Geometrische Folge und geometrische Reihe
F ur jede reelle Zahl x gilt:
lim
n
x
n
=
_
_
_
x > 1,
0 1 < x < 1,
unbestimmt x 1.
(13)
F ur jede reelle Zahl x = 1 gilt
s
n
:= 1 +x +x
2
+. . . +x
n
=
1 x
n+1
1 x
. (14)
Die Folge (14) heit geometrische Reihe. Sie ist konvergent f ur |x| < 1 und divergent
f ur |x| 1. Nach (13) gilt

k=0
x
k
:= lim
n
(1 +x +x
2
+. . . +x
n
) =
1
1 x
, |x| < 1.
47
Teilfolgen und Haufungspunkte
Ist (a
n
)
n1
eine Folge und n
1
< n
2
< n
3
, . . . eine aufsteigende Indexfolge, dann heit die
Folge a
n
1
, a
n
2
, a
n
3
, . . . Teilfolge der Folge (a
n
).
Satz 3.3. Hat die Folge (a
n
) den Grenzwert a, dann konvergiert auch jede Teilfolge von
(a
n
) gegen a.
Eine Zahl a R heit Haufungspunkt der Folge (a
n
), wenn eine Teilfolge existiert, wel-
che gegen a konvergiert. Insbesondere ist der Grenzwert einer Folge auch ein Haufungs-
punkt.
Konvergenzkriterien und Rechenregeln
Satz 3.4 (Vergleichskriterien). (a) Falls |a
n
| b
n
f ur alle n n
1
und lim
n
b
n
= 0,
dann gilt
lim
n
a
n
= 0
(b) Falls a
n
b
n
c
n
f ur n n
1
und lim
n
a
n
= L = lim
n
c
n
, dann gilt
lim
n
b
n
= L.
(c) Falls lim
n
a
n
= a, lim
n
b
n
= b, und a
n
b
n
f ur alle n n
1
, dann gilt
a b.
Bemerkung: Wenn a
n
< b
n
f ur alle n n
1
in Teil (c), dann folgt trotzdem nur a b.
Das sieht man am Beispiel a
n
= 0, b
n
= 1/n.






5 10 15 20 25
0.0
0.5
1.0
1.5

1
n

1 + 2 sin(n)
n

3
n
.
Satz 3.5. (a) lim
n
a
n
= a lim
n
|a
n
| = |a|.
(b) a
n
0 und lim
n
a
n
= a lim
n

a
n
=

a.
(c) lim
n
n

a = 1 f ur alle a > 0.
(d) lim
n
n

n = 1.
48
Satz 3.6 (Rechenregeln). Seien (a
n
) und (b
n
) konvergente Folgen mit lim
n
a
n
= a
und lim
n
b
n
= b. Dann gilt
(a) lim
n
(a
n
+b
n
) = a +b.
(b) lim
n
(a
n
b
n
) = ab.
(c) Falls b = 0, dann gibt es ein n
1
mit b
n
= 0 f ur n n
1
und
lim
n
a
n
b
n
=
a
b
.
Monotone Folgen
Eine Folge (a
n
)
n1
heit monoton wachsend, wenn
a
n
a
n+1
, f ur alle n 1.
Sie heit monoton fallend wenn a
n
a
n+1
f ur alle n 1.
Theorem 3.7. Jede beschrankte monotone Folge ist konvergent.
Die Eulersche Zahl
e :=

k=0
1
k!
= 2, 71828 . . .
ist der Grenzwert der beschrankten, monoton wachsenden Folge s
n
=

n
k=0
1
k!
.
Lemma 3.8 (Bernoullische Ungleichung). F ur alle n N und alle x 1 gilt:
(1 +x)
n
1 +nx.
Illustration f ur n = 2 und n = 3:
2.0 1.5 1.0 0.5 0.5 1.0
1.0
0.5
0.5
1.0
1.5
2.0
2.0 1.5 1.0 0.5 0.5 1.0
1.0
0.5
0.5
1.0
1.5
2.0
Satz 3.9. Die Folge (1 +
1
n
)
n
ist monoton wachsend, beschrankt und
lim
n
_
1 +
1
n
_
n
= lim
n
n

k=0
1
k!
= e.
Satz 3.10. F ur alle x R existiert der Limes
exp(x) := lim
n
_
1 +
x
n
_
n
und es gilt exp(0) = 1, exp(x) > 0 und exp(x) = 1/ exp(x).
49
Satz 3.11. F ur alle x R und alle rationalen Zahlen r Q gilt
exp(xr) = exp(x)
r
.
F ur rationale Zahlen r gilt nach Satz 3.9 und Satz 3.11, exp(r) = exp(1)
r
= e
r
. Man
deniert daher f ur alle x R:
e
x
:= exp(x).
Graph der Exponentialfunktion
4 3 2 1 0 1 2
0.5
1.0
1.5
2.0
2.5
3.0
Zinseszins
Ein Guthaben a > 0 wird f ur ein Jahr zum Zinssatz r (0, 1), also 100r Prozent,
angelegt. Das Endguthaben hangt davon ab, wie oft Zins ausgesch uttet wird:
Zinsaussch uttung Endbetrag
jahrlich a(1 +r)
monatlich a(1 +
r
12
)
12
taglich a(1 +
r
365
)
365
jede Stunde a(1 +
r
8760
)
8760
jede Sekunde a(1 +
r
31536000
)
31536000
kontinuierlich lim
n
a(1 +
r
n
)
n
= ae
r
Da die Folge (1 +
r
n
)
n
monoton wachsend ist, ist der Endbetrag umso groer, je ofter
Zins ausgesch uttet wird.
Wurzelberechnung
Satz 3.12. Sei b > 0, a
0
> 0, und sei
a
n+1
=
1
2
_
a
n
+
b
a
n
_
.
Dann gilt a
1
a
2
a
3
. . . und
lim
n
a
n
=

b.
50
Zur Berechnung von

3 wahlen wir x
0
= 2 und und erhalten:
x
1
= 1.75
x
2
= 1.7321...
x
3
= 1.732050810
x
4
= 1.732050808
Limes superior und Limes inferior
Sei (a
n
) eine Folge reeller Zahlen. Dann ist
b
n
:= sup
kn
a
k
= sup{a
k
| k n}
oensichtlich eine monoton fallende Folge. Wenn sie beschrankt ist, dann ist sie konver-
gent. Sonst ist entweder b
n
= f ur alle n, oder lim
n
b
n
= . In jedem Fall ist also
der Limes superior
limsup
n
a
n
:= lim
n
_
sup
kn
a
k
_
.
wohldeniert. Die Folge b
n
:= inf
kn
a
k
= inf{a
k
| k n} ist monoton wachsend. Also
existiert auch der Limes inferior
liminf
n
a
n
:= lim
n
_
inf
kn
a
k
_
.
Im allgemeinen gilt liminf
n
a
n
limsup
n
a
n
. F ur eine beschrankte Folge
gilt
liminf
n
a
n
= kleinster Haufungspunkt von (a
n
),
limsup
n
a
n
= groter Haufungspunkt von (a
n
).
Eine Folge (a
n
) ist genau dann konvergent, wenn sie beschrankt ist und
liminf
n
a
n
= limsup
n
a
n
, (15)
und dann ist (15) der Grenzwert der Folge.
Jede beschrankte Folge (a
n
) hat eine konvergente Teilfolge. Z.B. die Teilfolge welche
gegen den Haufungspunkt limsup
n
a
n
konvergiert. (Satz von Bolzano - Weier-
stra.)
51
Das Cauchy-Kriterium
Eine Folge (a
n
) heit Cauchy-Folge, wenn zu jedem > 0 ein Indexwert n
0
N
existiert, so dass
n, m n
0
|a
n
a
m
| < .
Theorem 3.13. Eine Folge reeller Zahlen ist genau dann konvergent, wenn sie eine
Cauchy-Folge ist.
Beweisidee: Mit Hilfe der Dreiecksungleichung ist es leicht zu zeigen, dass eine kon-
vergente Folge das Cauchy-Kriterium erf ullt, und dass jede Cauchy-Folge beschrankt
ist (

Ubung). F ur eine Cauchy-Folge (a


n
) sind somit liminf
n
a
n
und limsup
n
a
n
endlich und, wegen dem Cauchy-Kriterium, sogar gleich. Also ist jede Cauchy-Folge
konvergent.
Bestimmte Divergenz und Konsequenzen
Satz 3.14. (a) Wenn lim
n
a
n
= und (b
n
) beschrankt ist, dann gilt
lim
n
(a
n
+b
n
) = , lim
n
b
n
a
n
= 0.
(b) Wenn lim
n
a
n
= 0, a
n
> 0 und lim
n
b
n
= b = 0, dann gilt
lim
n
b
n
a
n
= b > 0
lim
n
b
n
a
n
= b < 0.
3.2 Grenzwerte von Funktionen
Beispiele
2 1 1 2
1.5
1.0
0.5
0.5
1.0
1.5
lim
x0
(x
3
x) = 0
2 1 1 2
1.5
1.0
0.5
0.5
1.0
1.5
lim
x0+
f(x) = 1,
lim
x0
f(x) = 1
1.0 0.5 0.5 1.0
1.5
1.0
0.5
0.5
1.0
1.5
lim
x0
sin(1/x) existiert nicht
52
Eine Funktion f hat f ur x gegen a den rechtsseitigen Grenzwert c, in Zeichen:
lim
xa+
f(x) = c oder f(x) c f ur x a+, (16)
wenn
x
n
a, (n )
x
n
> a
_
lim
n
f(x
n
) = c.
Dazu braucht f nur f ur a < x < a + deniert zu sein. Auch wenn f in a deniert ist,
ist der Wert f(a) irrelevant f ur (16).
Der linksseitige Grenzwert lim
xa
f(x) = c ist analog deniert.
Die Funktion f hat f ur x gegen a den Grenzwert c, in Zeichen:
lim
xa
f(x) = c oder f(x) c, x a,
wenn lim
xa+
f(x) = c = lim
xa
f(x).
Aus Satz 3.4 folgt:
Satz 3.15 (Vergleichskriterien). (a) Wenn |f(x)| p(x) f ur x nahe a und lim
xa
p(x) =
0, dann gilt lim
xa
f(x) = 0.
(b) Wenn f(x) g(x) h(x) f ur x nahe a und lim
xa
f(x) = c = lim
xa
h(x), dann
gilt lim
xa
g(x) = c.
(c) Wenn f(x) g(x) f ur x nahe a, lim
xa
f(x) = c und lim
xa
g(x) = d, dann gilt
c d.
Diese Aussagen gelten auch f ur einseitige Grenzwerte und wenn a = .
0.1 0.2 0.3 0.4 0.5
0.4
0.2
0.2
0.4
lim
x0
x sin
_
1
x
_
= 0.
Wichtige Beispiele:
lim
x0
cos x = 1, lim
x0
sin x = 0, (17)
lim
x0
cos x 1
x
= 0, lim
x0
sin x
x
= 1. (18)
15 10 5 5 10 15
1.0
0.5
0.5
1.0
1.5
Graph von (sin x)/x
53
Aus Satz 3.6 folgt:
Satz 3.16 (Rechenregeln). Aus lim
xa
f(x) = c und lim
xa
g(x) = d mit c, d R folgt
(a) lim
xa
[f(x) +g(x)] = c +d
(b) lim
xa
f(x)g(x) = cd
(c) Falls d = 0, dann
lim
xa
f(x)
g(x)
=
c
d
.
Diese Aussagen gelten auch f ur einseitige Grenzwerte und wenn a = .
Eine Funktion heit monoton wachsend, wenn
x
1
< x
2
f(x
1
) f(x
2
).
f heit streng monoton wachsend, wenn
x
1
< x
2
f(x
1
) < f(x
2
).
Monoton fallend und streng monoton fallend sind analog deniert. Eine Funktion
heit monoton, wenn sie entweder monoton wachsend oder monoton fallend ist.
Satz 3.17 (Monotoniekriterium). Ist f : (a, b) R monoton und beschrankt, dann
existieren die einseitigen Grenzwerte
f(a+) = lim
xa+
f(x), f(b) = lim
xb
f(x).
3.3 Stetigkeit
Sei I R ein Intervall. Eine Funktion f : I R heit stetig in x
0
I, wenn
lim
xx
0
f(x) = f(x
0
).
Ist x
0
ein Randpunkt von I, dann ist lim
xx
0
f(x) als einseitiger Grenzwert zu verstehen.
Die Funktion f ist stetig auf I, wenn sie in jedem Punkt x
0
I stetig ist. Eine Funktion
heit stetig, wenn sie auf ihrem Denitionsbereich stetig ist.
Beispiele stetiger Funktionen von x:
1
x
, |x|, x
n
,

x. sin x, cos x.
Die Stetigkeit dieser Funktionen folgt aus Satz 3.5, Satz 3.6 und (17).
54
Klassikation von Unstetigkeiten
f(x
0
) = f(x
0
+) = f(x
0
)
f(x
0
) = f(x
0
+) (Sprungstelle)
f(x
0
) oder f(x
0
+) existiert nicht. (Unste-
tigkeit zweiter Art.)
Satz 3.18. Sei I R ein Intervall.
(a) Sind f, g stetig auf I, dann auch f +g, f ( R) und fg. Die Funktion f/g ist
stetig auf {x I : g(x) = 0}.
(b) Sind f : I R und g : D R stetig, wobei g(D) I, dann ist auch die
Komposition h : D R, h(x) = f(g(x)) auf D stetig.
Satz 3.18 (a) folgt aus Satz 3.16.
Korollar 3.19. (a) Jedes Polynom p(x) = a
n
x
n
+. . . +a
1
x+a
0
ist auf ganz R stetig.
(b) Jede rationale Funktion p/q ist stetig in allen x R mit q(x) = 0.
Theorem 3.20. F ur jede auf einem abgeschlossenen, beschrankten Intervall [a, b] R
stetige Funktion f gilt:
(a) Beschranktheit. Es gibt eine Schranke K mit |f(x)| K f ur alle x [a, b].
(b) Maximum und Minimum werden angenommen. Es gibt stets Punkte x
0
, x
1

[a, b] mit
f(x
0
) f(x) f(x
1
), alle x [a, b].
(c) Zwischenwertsatz. Wenn f(x
0
) < c < f(x
1
) dann gibt es einen Punkt x [a, b]
mit
f( x) = c.
(d) Gleichmaige Stetigkeit. Zu jedem > 0 gibt es ein > 0, so dass
|x x

| < |f(x) f(x

)| < .
55
Gegenbeispiele
0.0 0.2 0.4 0.6 0.8 1.0
2
4
6
8
10
Die Funktion f : (0, 1) R, f(x) = 1/x, ist stetig aber sie hat
keine der Eigenschaften (a),(b),(d) aus dem Theorem. Grund:
(0, 1) ist nicht abgeschlossen.
2 4 6 8 10
0.2
0.4
0.6
0.8
1.0
Die Funktion f : [1, ) R, f(x) = 1/x, ist stetig aber sie
nimmt kein Minimum an. Grund: [1, ) ist unbeschrankt.
1.0 0.5 0.5 1.0
1
1
2
3
4
Die Funktion f : [1, 1] R mit
f(x) =
_
1, 1 x 0
1
x
, 0 < x 1
hat keine der Eigenschaften (a)-(d) aus Theorem 3.20. Grund:
sie ist nicht stetig.
Aus dem Zwischenwertsatz und der Stetigkeit von Polynomen folgt:
Satz 3.21. (a) Ist f : [a, b] R stetig und haben f(a) und f(b) entgegengesetzte
Vorzeichen, dann hat f mindestens eine Nullstelle x (a, b). D.h. a < x < b und
f( x) = 0.
(b) Jedes Polynom mit ungeradem Grad n 1 hat mindestens eine reelle Nullstelle.
Nullstellenbestimmung: Sei f(a) < 0 < f(b). Deniere rekursiv Intervalle [a
n
, b
n
] durch
[a
0
, b
0
] = [a, b] und
wenn f(
a
n
+b
n
2
) 0 dann a
n+1
:=
a
n
+b
n
2
, b
n+1
:= b
n
,
wenn f(
a
n
+b
n
2
) > 0 dann b
n+1
:=
a
n
+b
n
2
, a
n+1
:= a
n
.
x = lim
n
a
n
= lim
n
b
n
ist eine Nullstelle von f.
56
4 Dierentialrechnung
4.1 Die Ableitung
Vorbemerkungen
Im folgenden ist es wichtig zu unterscheiden zwischen einer Funktion f : I R und
dem Funktionswert f(x):
f ist die Funktion,
f(x) ist der Wert der Funktion an der Stelle x,
wobei x I fest aber beliebig ist, sofern nichts anderes gesagt wird. Mit der Sprechweise
die Funktion 1/x meint man die Funktion f gegeben durch f(x) = 1/x. Addition,
Multiplikation und Division von zwei Funktionen f, g : I R sind punktweise deniert.
D.h.
(f +g)(x) := f(x) +g(x)
(fg)(x) := f(x)g(x)
_
f
g
_
(x) :=
f(x)
g(x)
wobei f/g den Denitionsbereich {x I | g(x) = 0} hat.
Die Ableitung
Sei I R ein Interval und sei x
0
I. Eine Funktion f : I R heit in x
0
dieren-
zierbar, wenn der Grenzwert
lim
h0
f(x
0
+h) f(x
0
)
h
= lim
xx
0
f(x) f(x
0
)
x x
0
existiert und endlich ist. Dieser Grenzwert heit Ableitung von f an der Stelle x
0
und wird mit
f

(x
0
) oder
df
dx
(x
0
)
bezeichnet. Die Funktion f ist auf I dierenzierbar, wenn f in jedem Punkt von I
dierenzierbar ist. In diesem Fall wird durch x f

(x) eine neuen Funktion erklart,


welche mit
f

oder
df
dx
bezeichnet wird, und Ableitung von f heit.
Geometrische Interpretation der Ableitung
f(x) f(x
0
)
x x
0
=
_
Steigung der Sekante durch
(x
0
, f(x
0
)) und (x, f(x))
f

(x
0
) =
_
Steigung der Tangente an den Graphen
von f im Punkt (x
0
, f(x
0
)).
57
x
0
Tangente
Sekante
x
fx
0

fx
Gleichung der Tangente durch
(x
0
, f(x
0
)):
y = f(x
0
) +f

(x
0
)(x x
0
)
Physikalische Interpretation der Ableitung
Sei s(t) R die Position eines Teilchens zur Zeit t. Dann ist
s(t
0
) :=
ds
dt
(t
0
) = lim
tt
0
s(t) s(t
0
)
t t
0
= Geschwindigkeit zur Zeit t
0
.
Wird das Argument eine Funktion f nicht mit x, sondern mit t bezeichnet, dann schreibt
man oft

f statt f

f ur die Ableitung.
Beispiel:
s(t) = v
0
t
g
2
t
2
s(t) = v
0
gt
Hier ist s(t) die Hohe eines Steins uber Boden, wenn er zur Zeit t = 0 mit Geschwindig-
keit v
0
von der Hohe 0 aufgeworfen wird. g = 9.81m/s
2
.
Analytische Interpretation der Ableitung
Wenn f in x
0
dierenzierbar ist, dann gilt
f(x
0
+h) = f(x
0
) +f

(x
0
)h +R(h)
wobei
R(h)
h
=
f(x
0
+h) f(x
0
)
h
f

(x
0
) 0, (h 0).
Also ist R(h) klein im Vergleich zu |h|, wenn |h| klein ist.
In diesem Sinn gilt:
f(x
0
+h) f(x
0
) +f

(x
0
)h, |h| klein
Umgekehrt, wenn f(x
0
+ h) = f(x
0
) + mh + R(h) wobei m R und R(h)/h 0 f ur
h 0, dann ist f in x
0
dierenzierbar mit Ableitung m.
58
Das Dierential
x
0
x
0
h
dff'x
0
h
f
fx
0

fx
0
h
dx = x = x x
0
= h Zuwachs des Arguments
f = f(x) f(x
0
) tatsachlicher Zuwachs von f
df = f

(x)h lineare Approximation des Zuwachses von f.


Somit gilt:
df = f

(x
0
)dx.
Die lineare Abbildung df : h f

(x
0
)h heit Dierential von f an der Stelle x
0
.
Satz 4.1. Ist f : I R ein x
0
I dierenzierbar, dann ist f dort auch stetig.
Satz 4.2. Sind f, g : I R dierenzierbar und c R, dann sind auch f + g, cf, fg
und f/g dierenzierbar, und es gilt
(a) (f +g)

= f

+g

(b) (cf)

= cf

(c) (fg)

= f

g +fg

(d)
_
f
g
_

=
f

g fg

g
2
,
_
1
g
_

=
g

g
2
.
Ist nur bekannt, dass f, g in x
0
I dierenzierbar sind, dann sind f + g, fg und, falls
g(x
0
) = 0, f/g an der Stelle x
0
dierenzierbar und es gelten (a)(d) an der Stelle x
0
.
Korollar 4.3. Jedes Polynom und jede rationale Funktion ist dierenzierbar und
d
dx
(a
n
x
n
+. . . +a
1
x +a
0
) = na
n
x
n1
+. . . +a
1
,
d
dx
(
1
x
n
) =
n
x
n+1
, n N.
Satz 4.4. sin, cos, tan, cot sind dierenzierbar und
sin

x = cos x, cos

x = sin x,
tan

x =
1
(cos x)
2
, cot

x =
1
(sin x)
2
,
59
Lemma 4.5. F ur alle x < 1 gilt
1 +x e
x

1
1 x
.
1x
1x
1
Theorem 4.6. Die Exponentialfunktion ist dierenzierbar, es gilt e
x+y
= e
x
e
y
f ur alle
x, y R und
d
dx
e
x
= e
x
.
Satz 4.7 (Kettenregel). Die Komposition f g : x f(g(x)) von zwei dierenzierbaren
Funktionen f und g ist ebenfalls dierenzierbar und
d
dx
f(g(x)) = f

(g(x))g

(x). (19)
Folgerungen:

d
dx
f(g(x)) = f

(g(x)), ausser wenn g

(x) = 1, und somit auch


d
dx
f(g(x)) =
df
dx
(g(x)).
Sind f, g und h dierenzierbar, dann auch x f(g(h(x))) und
d
dx
f(g(h(x))) = f

(g(h(x)))
d
dx
g(h(x)) = f

(g(h(x)))g

(h(x))h

(x).
Hohere Ableitungen
Seien f : I R und f

: I R dierenzierbar. Die Ableitung (f

der Ableitung f

heit zweite Ableitung von f und wird mit f

, f
(2)
oder
d
2
f
dx
2
:=
d
dx
_
d
dx
f
_
bezeichnet. Die n-te Ableitung ist rekursiv deniert durch:
f
(0)
:= f, f
(n)
:=
d
n
f
dx
n
:=
d
dx
_
f
(n1)
_
Die Funktion f heit n Mal dierenzierbar, wenn alle Ableitungen von f bis zur n-ten
Ableitung, f
(n)
, existieren. Die Funktion f heit n Mal stetig dierenzierbar, wenn
sie n Mal dierenzierbar ist und f
(n)
noch stetig ist.
60
Satz 4.8 (Leibnizsche Regel). Sind f, g : I R n Mal dierenzierbar, dann ist auch
fg n Mal dierenzierbar und es gilt
(fg)
(n)
=
n

k=0
_
n
k
_
f
(k)
g
(nk)
.
Beispiel:
(fg)

= f

g +fg

(fg)

= f

g + 2f

+fg

(fg)

= f

g + 3f

+ 3f

+fg

.
4.2 Der Mittelwertsatz und Anwendungen der Dierentialrech-
nung
Maxima und Minima einer Funktion
Die Zahl f(a) heit globales Maximum von f : D R, wenn
f(x) f(a) f ur alle x D.
Dann ist a D eine globale Maximalstelle. (Statt global sagt man auch absolut.)
Die Zahl f(a) heit lokales Maximum von f, wenn es ein > 0 gibt, so dass
f(x) f(a) f ur x D, |x a| < .
Globales und lokales Minimum sind analog deniert. Extremum ist der gemeinsame
Oberbegri f ur Maximum und Minimum.
Ein Punkt x
0
D heit stationarer Punkt (oder kritischer Punkt) von f, wenn
f

(x
0
) = 0.
x
0
x
1
x
2
x
3
x
4
x
5
x
6
61
f(x
1
) = globales Minimum,
f(x
5
) = globales Maximum,
f(x
1
), f(x
2
), f(x
4
), f(x
6
) = lokale Minima,
f(x
0
), f(x
3
), f(x
5
) = lokale Maxima,
x
2
, x
3
, x
4
, x
5
= stationare Punkte.
Satz 4.9. Sei f : (a, b) R dierenzierbar und a < x
0
< b. Dann gilt:
x
0
ist lokale Extremstelle f

(x
0
) = 0.
Umgekehrt braucht ein stationarer Punkt keine Extremstelle zu sein. Z.B. ist x = 0 ist
ein stationarer Punkt von f(x) = x
3
aber keine lokale Extremstelle.
Kandidaten f ur Extremstellen von f : I R sind:
(a) Die Randpunkte von I,
(b) Die Punkte von I, wo f nicht dierenzierbar ist,
(c) die stationaren Punkte aus dem Inneren von I.
Der Mittelwertsatz
Theorem 4.10 (Mittelwertsatz). Sei f : [a, b] R stetig und in (a, b) dierenzierbar.
Dann gibt es einen inneren Punkt x
0
(a, b) mit
f(b) f(a)
b a
= f

(x
0
).
x
0
a b
62
Satz 4.11. Sei I ein Intervall und sei f : I R dierenzierbar. Dann gilt:
f

= 0 f ist konstant,
f

0 f ist monoton wachsend,


f

0 f ist monoton fallend,


f

> 0 f ist streng monoton wachsend,


f

< 0 f ist streng monoton fallend.


Mit f

= 0 ist gemeint, dass f

(x) = 0 f ur alle x I, f

0 bedeutet f

(x) 0 f ur alle
x I, etc.
In den letzten beiden Aussagen ist die Umkehrung im allgemeinen falsch.
Das sieht man am Beispiel der Funktionen f(x) = x
3
. Sie sind streng monoton
obwohl f

(0) = 0.
Alle Aussagen sind falsch wenn I kein Intervall ist.
Korollar 4.12. Ist I ein Interval und sind f, g : I R dierenzierbar, dann gilt:
(a) f

= g

auf I f = g +c wobei c eine Konstante ist.


(b) f
(n)
= 0 f ist ein Polynom vom Grad n 1 oder kleiner.
Theorem 4.13. Ist f : R R dierenzierbar, dann gilt
f

= f f(x) = ce
x
wobei c = f(0).
Satz 4.14. Sei f : (a, b) R dierenzierbar, x
0
(a, b) und
f

(x
0
) = 0. Falls es ein > 0 gibt, so dass
f

(x) < 0, x
0
< x < x
0
,
f

(x) > 0, x
0
< x < x
0
+,
dann hat f in x
0
ein lokales Minimum. Eine analoge Aussage
gilt uber lokale Maxima.
x
0
f'0 f'0
Satz 4.15. Sei f : (a, b) R zwei Mal stetig dierenzierbar und f

(x
0
) = 0. Dann gilt
f

(x
0
) > 0 f hat in x
0
ein lokales Minimum,
f

(x
0
) < 0 f hat in x
0
ein lokales Maximum.
Satz 4.16 (Verallgemeinerter Mittelwertsatz). Seien f, g : [a, b] R stetig und in (a, b)
dierenzierbar. Falls g

(x) = 0 f ur alle x I, dann gibt es einen Punkt t (a, b) mit


f(b) f(a)
g(b) g(a)
=
f

(t)
g

(t)
.
63
Theorem 4.17 (de lHospitalsche Regel). Seien f, g : (a, b) R dierenzierbar, b ,
g

(x) = 0 f ur alle x (a, b) und zusatzlich


(a) f(x) 0, g(x) 0 f ur x b, oder f(x) , g(x) f ur x b,
(b) lim
xb
f

(x)/g

(x) existiert oder ist in {}.


Dann gilt:
lim
xb
f(x)
g(x)
= lim
xb
f

(x)
g

(x)
.
Das Newton-Verfahren
x
n+1
= x
n

f(x
n
)
f

(x
n
)
x
0
x
1
x
2
x

Ist x
0
nahe genug an einer Nullstelle x

von f, dann x
n
x

, (n ) in vielen Fallen.
Z.B. wenn f zwei Mal stetig dierenzierbar ist und f

(x

) = 0 (siehe Thm. 4.18). Wenn


zusatzlich a x
n
b f ur alle n 0, dann gilt
|x
n+1
x

| M|x
n
x

|
2
, M :=
max
x[a,b]
|f

(x)|
min
x[a,b]
|f

(x)|
.
D.h. die Anzahl der richtigen Nachkommastellen verdoppelt sich in jedem Schritt, wenn
x
0
nahe genug bei x

ist.
Fixpunkte
Ein Punkt x

R heit Fixpunkt der Abbildung f wenn


f(x

) = x

.
Das Problem einen Fixpunkt zu nden ist aquivalent zum Problem eine Nullstelle zu
nden denn:
x ist Fixpunkt von f x ist Nullstelle von f(x) x,
x ist Nullstelle von f x ist Fixpunkt von f(x) +x.
Eine Funktion
f : [a, b] [a, b]
hat mindestens einen Fixpunkt wenn sie stetig ist (Aufgabe 70), und genau einen Fix-
punkt wenn sie dierenzierbar ist mit |f

(x)| < 1 f ur alle x, Theorem 4.18


64
Theorem 4.18. Ist f : [a, b] [a, b] dierenzierbar mit
|f

(x)| K < 1 f ur alle x [a, b].


Dann gilt:
Existenz Es gibt genau ein x

[a, b] mit f(x

) = x

.
Berechnung Die Iterationsfolge
x
n+1
= f(x
n
)
konvergiert gegen den Fixpunkt x

und zwar f ur jede Wahl des Startwerts x


0

[a, b].
Abschatzung F ur alle n N gilt
|x
n
x

|
K
1 K
|x
n
x
n1
|.
Denition von
Von einem analytischen Standpunkt ist es bequem /2 als erste positive Nullstelle der
Cosinusfunktion zu denieren wobei cos x deniert wird durch
cos x = 1
x
2
2!
+
x
4
4!
. . .
(siehe HM2). /2 ist also ein Fixpunkt der Abbildung x x + cos x. Die Fixpunktite-
ration x
n+1
= x
n
+ cos x
n
mit Startwert x
0
= 1.5 liefert x
1
, x
2
, x
3
, . . . wobei:
2x
1
= 3.141(474403335406),
2x
2
= 3.1415926535897(24),
2x
3
= 3.141592653589793.
(falsche Nachkommastellen sind in Klammern.)
4.3 Umkehrfunktionen
Ist f : D R injektiv, dann sagt man auch f sei invertierbar oder umkehrbar, denn
f : D f(D) ist dann bijektiv. Somit existiert eine Umkehrfunktion g : f(D) D
mit
f(x) = y g(y) = x.
Also gilt
g(f(x)) = x f ur alle x D,
f(g(y)) = y f ur alle y f(D),
65
Man bezeichnet die Umkehrfunktion einer Funktion f meist
mit f
1
. Der Graph von f
1
ist die Spiegelung des Graphen
von f an der Geraden y = x.
f
1
f
Satz 4.19. (a) Jede streng monotone Funktion f : D R ist invertierbar. Jede dif-
ferenzierbare Funktion f : I R, I ein Intervall, mit f

(x) = 0 f ur alle x I, ist


invertierbar.
(b) Die Umkehrfunktion f
1
einer dierenzierbaren Funktion f : I R ist in einem
Punkt y = f(x) genau dann dierenzierbar, wenn f

(x) = 0, und dann gilt


(f
1
)

(y) =
1
f

(x)
=
1
f

(f
1
(y))
.
Arcussinus

2
1
1
Die Sinusfunktion ist auf [/2, /2]
streng monoton wachsend und
sin([/2, /2]) = [1, 1].
Die Umkehrfunktion von sin [/2, /2] heit Arcussinus-
Funktion. Es gilt
arcsin : [1, 1] [/2, /2]
y = arcsin x
_
x = sin y,

2
y

2
_
Arcussinus ist dierenzierbar in (1, 1) und
d
dx
arcsin x =
1

1 x
2
, 1 < x < 1.

2
1
1
Arcuscosinus

1
1
Die Cosinusfunktion ist z.B. auf
[0, ] streng monoton fallend und
cos([0, ]) = [1, 1].
66
Die Umkehrfunktion von cos [0, ] heit
Arcuscosinus-Funktion. Es gilt
arccos : [1, 1] [0, ]
y = arccos x
_
x = cos y, 0 y
_
.
Arcuscosinus ist dierenzierbar in (1, 1) und
d
dx
arccos x =
1

1 x
2
, 1 < x < 1.

1 1
Arcustangens
Die Tangensfunktion auf (/2, /2) streng monoton wach-
send und tan(/2, /2) = R. Die Umkehrfunktion von
tan (/2, /2) heit Arcustangens. Es gilt
arctan : R (/2, /2)
y = arctan x
_
x = tan y,

2
< y <

2
_
.

2
Arcustangens ist dierenzierbar in R und
d
dx
arctan x =
1
1 +x
2
.

2
Tschebyschev Polynome
Zu jedem n N gibt es ein Polynom T
n
vom Grad n mit
T
n
(x) = cos(narccos x), |x| 1.
T
n
erf ullt die Dierentialgleichung:
(1 x
2
)T

n
(x) xT

n
(x) +n
2
T
n
(x) = 0.
Aus T
0
= 1, T
1
(x) = x und der Rekursionsbeziehung T
n+1
(x) = 2xT
n
(x) T
n1
(x) folgt
T
0
(x) = 1,
T
1
(x) = x,
T
2
(x) = 2x
2
1,
T
3
(x) = 4x
3
3x,
T
4
(x) = 8x
4
8x
2
+ 1.
1 1
T
0
T
1
T
2
T
3
T
4
67

Ubertragungsfunktion eines Tschebyschev-Tiefpasslters:

U
2
U
1

2
() =
1 +
2
1 +
2
T
n
()
, (n gerade).
Graph f ur n = 8:
1
1
1
2
4.4 Exponentialfunktion und Logarithmus
Wichtigste Eigenschaften der Exponentialfunktion
Denition
e
x
:= lim
n
_
1 +
x
n
_
n
, x R,
e
0
= 1, e
x
> 0 f ur alle x R, und
e
x+y
= e
x
e
y
,
d
dx
e
x
= e
x
.
Satz 4.20.
lim
x
e
x
= , lim
x
e
x
= 0
lim
x
e
x
x
n
= , n N.
1
Die Exponentialfunktion ist also streng monoton wachsend und exp(R) = (0, ).
Der nat urliche Logarithmus
Die Umkehrfunktion der Exponentialfunktion exp : R (0, ) heit nat urlicher
Logarithmus und wird mit ln oder log bezeichnet:
ln : (0, ) R, y = ln x e
y
= x.
Aus dem Graph lesen wir ab, dass ln 1 = 0, ln x < 0 f ur 0 < x < 1, und ln x > 0 f ur
x > 1.
68
Satz 4.21. (a) lim
x0+
ln x = ,
(b) lim
x
ln x = ,
(c) ln(xy) = ln x + ln y, ln(
x
y
) = ln x ln y,
(d)
d
dx
ln x =
1
x
.
1
Allgemeine Exponentialfunktionen und Logarithmen
F ur a > 0 und r Q gilt nach Satz 3.11
a
r
= (e
ln(a)
)
r
= e
r ln(a)
.
Man deniert daher die Exponentialfunktion zur Basis a f ur alle x R durch:
a
x
:= e
xln a
, a > 0.
Eigenschaften:
a
x
a
y
= a
x+y
, (a
x
)
y
= a
xy
.
(ab)
x
= a
x
b
x
,
ln(a
x
) = x ln a,
n-te Wurzel von a > 0:
n

a := a
1/n
.
1
10
x
e
x
2
x
Die Exponentialfunktion x a
x
= e
xln a
ist nicht zu verwechseln mit der Potenzfunk-
tion x x

= e
ln x
, wo x > 0, R.
d
dx
a
x
= a
x
ln a, x R, a > 0,
d
dx
x

= x
1
, x > 0, R.
Satz 4.22. F ur alle > 0 gilt
lim
x
ln x
x

= 0.
1
1
Graphen von x

01
0 1
Die Funktion a
x
= exp(x ln a) ist streng monoton wachsend f ur a > 1 und streng mono-
ton fallend f ur 0 < a < 1. Dabei werden alle Werte aus (0, ) angenommen. Die Inverse
69
von x a
x
heit Logarithmus zur Basis a und wird mit log
a
bezeichnet. Es gilt
log
a
x =
ln x
ln a
, x > 0.
Eigenschaften von log
a
:
log
a
(xy) = log
a
x + log
a
y,
d
dx
log
a
x =
1
x ln a
.
Die Hyperbolischen Funktionen sinh, cosh, tanh
Jede Funktion f : R R lasst sich zerlegen in f = u +g wobei
u(x) :=
1
2
(f(x) f(x)), u(x) = u(x),
g(x) :=
1
2
(f(x) +f(x)), g(x) = g(x),
der ungerade und der gerade Anteil von f sind. Im Fall f = exp erhalt man sinh und
cosh:
sinh x :=
1
2
(e
x
e
x
)
cosh x :=
1
2
(e
x
+e
x
)
tanh x :=
sinh x
cosh x
.
1
1
cosh
sinh
tanh
Summenformeln:
sinh(x +y) = sinh x cosh y + cosh x sinh y,
cosh(x +y) = cosh x cosh y + sinh x sinh y,
cosh
2
x sinh
2
x = 1.
Ableitungen:
sinh

x = cosh x, tanh

x =
1
cosh
2
x
cosh

x = sinh x.
sinh ist umkehrbar auf ganz R, cosh ist umkehrbar auf [0, ). Die zugehorigen Um-
kehrfunktionen heien area sinus hyperbolicus und area cosinus hyperbolicus. Es
gilt
arsinh x = ln(x +

x
2
+ 1)
d
dx
arsinh x =
1

x
2
+ 1
arcosh x = ln(x +

x
2
1)
d
dx
arcosh x =
1

x
2
1
70
4.5 Konvexe Funktionen
Sei I ein Intervall. Eine Funktion f : I R heit konvex, wenn f ur alle x, y I gilt
f
_
(1 )x +y
_
(1 )f(x) +f(y), 0 < < 1.
Der Funktionswert am gewichteten Mittel ist kleiner oder gleich das gewichtete Mittel
der Funktionswerte. f heit strikt konvex, wenn < gilt f ur x = y. f heit (strikt)
konkav, wenn (f) (strikt) konvex ist.
x y
fx
fy
1xy
1fxfy
Satz 4.23. Ist f : (a, b) R dierenzierbar, dann gilt:
f ist konvex f

ist monoton wachsend,


f ist strikt konvex f

ist streng monoton wachsend,


Aus Satz 4.23 und Satz 4.11 folgt:
Satz 4.24. Ist f : (a, b) R zwei Mal dierenzierbar, dann gilt:
f

0 f ist konvex,
f

0 f ist konkav,
f

> 0 f ist strikt konvex,


f

< 0 f ist strikt konkav.


Mit f

0 ist gemeint, dass f

(x) 0 f ur alle x, etc.


Satz 4.25. Sei f : (a, b) R dierenzierbar und a < x
0
< b. Dann gilt f ur alle
x (a, b):
f ist konvex f(x) f(x
0
) +f

(x
0
)(x x
0
),
f ist konkav f(x) f(x
0
) +f

(x
0
)(x x
0
).
Satz 4.26. F ur alle x > 1 gilt
(1 +x)

1 +x, falls < 0 oder > 1,


(1 +x)

1 +x, falls 0 < < 1.


71