Deiser - Einführung in die Mathematik 1.2

Oliver Deiser
Einführung in die Mathematik 1.2
Reelle und komplexe Zahlen, Ebene und Raum,

mehrdimensionale Analysis
für Caroline, Thalia und Larina

Inhalt
3. Abschnitt Reelle und komplexe Zahlen . . . . . . . . . . . . . 5
1. Die Vollständigkeit der reellen Zahlen . . . . . . . . . . . . . . . . . . . . 7

Modellierung eines Linearkontinuums . . . . . . . . . . . . . . . . . . . . . 8
Obere und untere Schranken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Das Vollständigkeitsaxiom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Das Archimedische Axiom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Dichte Mengen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Anwendungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2. Grenzwerte für Folgen und Reihen . . . . . . . . . . . . . . . . . . . . . . 27
Folgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Die Epsilon-Definition des Grenzwerts einer Folge . . . . . . . . . . 30
Die Limesregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Eine Charakterisierung der konvergenten Folgen . . . . . . . . . . . . 33
Unendliche Reihen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Die geometrische Reihe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Die harmonische Reihe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Konvergenzkriterien für unendliche Reihen . . . . . . . . . . . . . . . . . 41
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
© Oliver Deiser Einführung in die Mathematik 1.2

2 Inhalt
3. Grenzwerte und Stetigkeit von Funktionen . . . . . . . . . . . . . . . . 47

Grenzwerte bei Funktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Stetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Links- und rechtsseitige Grenzwerte . . . . . . . . . . . . . . . . . . . . . . . 55
Uneigentliche Grenzwerte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Die Folgenstetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Stetigkeits- und Unstetigkeitsbeweise . . . . . . . . . . . . . . . . . . . . . . 60
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4. Komplexe Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Die Gaußsche Zahlenebene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Die geometrische Deutung der komplexen Multiplikation . . . . . 68
Die imaginäre Einheit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Realteil, Imaginärteil, Betrag und Konjugation . . . . . . . . . . . . . . 71
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5. Der Fundamentalsatz der Algebra . . . . . . . . . . . . . . . . . . . . . . . . 75

Komplexe Polynome . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Formulierungen des Fundamentalsatzes . . . . . . . . . . . . . . . . . . . . 80
Komplexe Quadratwurzeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Die komplexen Einheitswurzeln . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Das regelmäßige Fünfeck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Ein anschaulicher Beweis des Fundamentalsatzes, I . . . . . . . . . . . 88
Ein anschaulicher Beweis des Fundamentalsatzes, II . . . . . . . . . . 91
Komplexe Wurzelfunktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6. Die komplexe Exponentialfunktion . . . . . . . . . . . . . . . . . . . . . . . 99

Übertragung analytischer Begriffe ins Komplexe . . . . . . . . . . . . . 100
Die Exponentialfunktion im Komplexen . . . . . . . . . . . . . . . . . . . . 102
Kreisaufwicklung und Eulersche Formel . . . . . . . . . . . . . . . . . . . 104
Anwendungen der Eulerschen Formel . . . . . . . . . . . . . . . . . . . . . 112
Bilder der komplexen Exponentialfunktion . . . . . . . . . . . . . . . . . . 114
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4 . A b s c h n i t t E b e n e u n d R a u m . . . . . . . . . . . . . . . . . . . . . . . . . . 119
1. Reelle Vektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

Reelle Vektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Die Vektoraddition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Die Skalarmultiplikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Der Satz des Pythagoras und die Euklidische Norm . . . . . . . . . . 125
Das Euklidische Skalarprodukt . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
2. Die Euklidische Ebene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

Die Winkelformel für das Euklidische Skalarprodukt . . . . . . . . . 138
Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Einführung in die Mathematik 1.2 © Oliver Deiser

Inhalt 3
Linearkombinationen und Koordinatenvektoren . . . . . . . . . . . . . 147

Lineare Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Die Struktur der Lösungsmenge . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Algebraische Kurven ersten und zweiten Grades . . . . . . . . . . . . . 152
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
3. (2 × 2)-Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Matrizen und ihre Einträge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Addition und Skalierung von Matrizen . . . . . . . . . . . . . . . . . . . . . 163
Das Matrix-Vektor-Produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
Die Matrizenmultiplikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Matrizen als lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . 170
Allgemeine Abbildungseigenschaften von Matrizen . . . . . . . . . . . 176
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
4. Invertierung und Orthogonalität . . . . . . . . . . . . . . . . . . . . . . . . . 181

Das Inverse einer Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Orthogonale Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
Matrizen und Ellipsen, I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
5. Eigenwerte und Spektralsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
Der Spektralsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
Diagonalisierung symmetrischer Matrizen . . . . . . . . . . . . . . . . . . 202
Matrizen und Ellipsen, II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Die Singulärwertzerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
6. Der Euklidische Raum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215

Grundlegendes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
Geraden und Ebenen im dreidimensionalen Raum . . . . . . . . . . . 217
Lineare Unabhängigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
Die Orthogonaldarstellung einer Ebene . . . . . . . . . . . . . . . . . . . . 220
Eigenschaften des Kreuzprodukts . . . . . . . . . . . . . . . . . . . . . . . . . 223
Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
Linearkombinationen und Koordinatenvektoren . . . . . . . . . . . . . 230
Lineare Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
7. (3 × 3)-Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Grundlegendes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
Matrizen als lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . 240
Invertierbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
Der Invertierungsalgorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Die Elementarmatrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251

4 Inhalt
5 . A b s c h n i t t M e h r d i m e n s i o n a l e A n a l y s i s . . . . . . . . . . . . . . 253
1. Kurven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
Vektoren als Funktionswerte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
Parametrisierte Kurven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
Tangentialvektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
Die Länge einer Kurve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
2. Partielle Ableitungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

Mehrdimensionale Definitionsbereiche . . . . . . . . . . . . . . . . . . . . 270
Richtungsableitung und partielle Differenzierbarkeit . . . . . . . . . 274
Gradienten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
Anwendungen des Gradienten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
Allgemeine mehrdimensionale Funktionen . . . . . . . . . . . . . . . . . . 281
Vektorfelder und Differentialoperatoren . . . . . . . . . . . . . . . . . . . 283
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
3. Mehrdimensionale Integration . . . . . . . . . . . . . . . . . . . . . . . . . . 289

Mehrdimensionale Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Das Cavalierische Prinzip . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Integration in Polarkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . 297
Inhalte von Rotationsflächen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306
A n h ä n g e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
1. Kompetenzorientierte Aufgaben . . . . . . . . . . . . . . . . . . . . . . . . . 309

Grundwissen Definitionen und Sätze . . . . . . . . . . . . . . . . . . . . . . 310
Kalkül . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
Anschauliche mathematische Sprache . . . . . . . . . . . . . . . . . . . . . . 313
Formale mathematische Sprache . . . . . . . . . . . . . . . . . . . . . . . . . . 315
Schulwissen vom höheren Standpunkt . . . . . . . . . . . . . . . . . . . . . 316
2. Notationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
3. Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321

3. Abschnitt
Reelle und komplexe Zahlen

1. Die Vollständigkeit der reellen Zahlen
Bisher haben wir die reellen Zahlen als gegeben betrachtet und Begriffe wie
„Grenzwert“ und „Stetigkeit“ anschaulich verwendet. In diesem Abschnitt un-
tersuchen wir die reellen Zahlen und die Grundlagen der Analysis genauer. Da-
bei streben wir erneut keine vollständige Behandlung dieses Themas an, sondern
eine Art „Wissensvertiefung erster Stufe“. Wir beginnen mit der Isolierung einer
Eigenschaft, die die reellen Zahlen von den rationalen Zahlen unterscheidet.

8 3. Abschnitt Reelle und komplexe Zahlen
Modellierung eines Linearkontinuums
Neben einem Modell des Zählens ist ein Modell eines Linearkontinuums von
grundlegender Bedeutung für die Mathematik. Ein solches Modell wird aus
Punkten gebildet. Je zwei verschiedene Punkte sind durch ein „kleiner“ bzw.
„größer“ miteinander vergleichbar (Linearität) und zwischen zwei Punkten liegt
immer ein weiterer Punkt (Dichtheit). Weiter kann mit den Punkten gerechnet
werden (arithmetisches Kontinuum). Alle diese Eigenschaften werden durch die
rationalen Zahlen
Q = { ± n/m | n P N, m ≥ 1 }
erfüllt. Dennoch sind die rationalen Zahlen kein geeignetes Modell für ein
Linearkontinuum. Warum nicht, zeigt der folgende Satz, der zum Grundbestand
des mathematischen Wissens gehört.
Satz (Irrationalität der Quadratwurzel aus 2)

£2 ist irrational, d. h. es gibt keine natürlichen Zahlen n, m mit (n/m)2 = 2.
Beweis
Seien n, m P N. Wir betrachten die Primfaktorzerlegungen von n und m
und schreiben
n = 2a1 ⋅ 3a2 ⋅ 5a3 ⋅ …
m = 2b1 ⋅ 3b2 ⋅ 5b3 ⋅ …
mit Exponenten ak , bk ≥ 0. Nach den Potenzregeln gilt
n2 = 22 a1 ⋅ 32 a2 ⋅ 52 a3 ⋅ …
m2 = 22 b1 ⋅ 32 b2 ⋅ 52 b3 ⋅ …
2m2 = 22 b1 + 1 ⋅ 32 b2 ⋅ 52 b3 ⋅ …
Dann sind die 2-Exponenten von n2 und 2m2 verschieden, da der erste der
beiden Exponenten gerade, der zweite aber ungerade ist. Aufgrund der
Eindeutigkeit der Primfaktorzerlegung ist also n2 ≠ 2m2 und damit (n/m)2 ≠ 2.
Da (n/m)2 = 2 äquivalent zu 2n2 = m2 ist, lässt sich das Ergebnis auch so formu-
lieren:
Satz (Irrationalität der Quadratwurzel aus 2, zahlentheoretische Version)

Das Doppelte einer Quadratzahl ist keine Quadratzahl.
In dieser Version ist nur noch von natürlichen Zahlen und der Multiplikation
die Rede. Es tauchen keine Wurzeln und Verhältnisse mehr auf.
Eine wichtige Folgerung für die Analysis ist:

1. Die Vollständigkeit der reellen Zahlen 9
Korollar
Die Funktion f : Q → Q mit f(q) = q2 − 2 für alle q P Q hat keine Nullstelle.
f(x)
-2 -1 1 2
-1
-2
Die Funktion f : Q → Q besitzt keine Nullstellen
Diese und verwandte Überlegungen zeigen, dass Q für die Analysis ungeeig-
net ist: Die rationalen Zahlen haben Lücken. Wie kann man den Unterschied
zwischen Q und R genau fassen? Eine Möglichkeit, die die Ordnungsstruktur
der reellen Zahlen an die Spitze stellt, werden wir nun kennenlernen. Anschau-
lich besagt sie, dass jede in den rationalen Zahlen auftretende Lücke durch eine
(irrationale) reelle Zahl geschlossen wird.
Obere und untere Schranken
Zur Formulierung der „Lückenlosigkeit“ von R brauchen wir eine Reihe von
Ordnungsbegriffen. Die meisten von ihnen sind anschaulich und suggestiv in ih-
rer Namensgebung.
Definition (obere und untere Schranke, beschränkt)

Seien X ⊆ R und s P R. Dann heißt s eine obere Schranke von X, in Zeichen
X ≤ s, falls für alle x P X gilt, dass x ≤ s. Analog heißt s eine untere Schranke
von X, in Zeichen s ≤ X, falls für alle x P X gilt, dass s ≤ x. Die Menge X
heißt nach oben (unten) beschränkt, falls eine obere (untere Schranke) von X
existiert. Schließlich heißt X beschränkt, falls X nach oben und unten
beschränkt ist. Andernfalls heißt X unbeschränkt.

Definition (Minimum und Maximum)

Seien X ⊆ R und s P R. Dann heißt s das Maximum von X, in Zeichen
s = max(X), falls s P X und X ≤ s. Analog heißt s das Minimum von X, in
Zeichen s = min(X), falls s P X und s ≤ X.
Für a1 , …, an P R setzen wir zur Vereinfachung der Notation

max(a1 , …, an ) = max({ a1 , …, an }),
min(a1 , …, an ) = min({ a1 , …, an }).
Wir betrachten nun besonders ausgezeichnete obere und untere Schranken ei-
ner Menge:
Definition (Supremum und Infimum)

Seien X ⊆ R und s P R. Dann heißt s das Supremum oder die kleinste obere
Schranke von X, in Zeichen s = sup(X), falls
s = min { t | X ≤ t }.
Analog heißt s das Infimum oder die größte untere Schranke von X, falls
s = max { t | t ≤ X }.
t inf(X) X sup(X) s
Eine Menge X reeller Zahlen mit unterer Schranke t und oberer Schranke s
Anschaulich erhalten wir das Infimum einer nach unten beschränkten nicht-
leeren Menge X reeller Zahlen, indem wir eine untere Schranke t von X betrach-
ten und diese Schranke soweit nach rechts verschieben, bis sie die Menge X in
folgendem Sinne berührt: Jede weitere Vergrößerung würde dazu führen, dass
keine untere Schranke mehr vorliegt. Analoges gilt für das Supremum.
Wir fassen die Definitionen in einer Tabelle zusammen.
Begriff Ausdruck Definition
s ist eine obere Schranke von X X≤s ∀x P X x ≤ s
s ist eine untere Schranke von X s≤X ∀x P X s ≤ x
s ist das Maximum von X s = max(X) sPX ∧ X ≤ s
s ist das Minimum von X s = min(X) sPX ∧ s ≤ X
s ist das Supremum von X s = sup(X) X ≤ s ∧ ∀t (X ≤ t → s ≤ t)
s ist das Infimum von X s = inf(X) s ≤ X ∧ ∀t (t ≤ X → t ≤ s)

Beispiele
(1) [ 0, 1 ] ≤ 1, [ 0, 1 ] ≤ 2, [ 0, 1 [ ≤ 1, [ 0, 1 [ ≤ 2.
(2) max([ 0, 1 ]) = 1, max([ 0, 1 [) existiert nicht.
(3) sup([ 0, 1 ]) = 1, sup([ 0, 1 [) = 1.
(4) N ⊆ R ist nach unten, aber nicht nach oben beschränkt. Damit ist N
unbeschränkt in R.
(5) max(N) und sup(N) existieren nicht, min(N) = inf(N) = 0.
(6) Sei X = { 1 − 1/n | n P N* } ⊆ Q. Dann gilt
max(X) existiert nicht, sup(X) = 1 P Q.
Die Menge X ⊆ Q hat also ein Supremum in Q.
(7) Sei X = { q P Q | q > 0 ∧ q2 ≤ 2 }. Dann ist X nach oben beschränkt
(zum Beispiel durch 2). Es gilt
max(X) existiert nicht, sup(X) = £2 ¸ Q.
Die Teilmenge X der rationalen Zahlen hat also kein Supremum in Q.
Anschaulich können wir dies so beschreiben: Ist s P Q eine obere
Schranke von X, so können wir s durch Verkleinerung von rechts an X
heranführen, wobei wir vereinbaren, jederzeit in der Menge der
rationalen Zahlen zu verbleiben. Durch diese Einschränkung erreichen
wir aufgrund der Irrationalität von £2 nie das Supremum von X. Wir
steuern auf einen Punkt zu, den es in Q nicht gibt. Jede rationale obere
Schranke von X lässt sich immer noch zu einer rationalen oberen
Schranke von X verkleinern.
Das Maximum und Minimum einer Menge ist immer ein Element der Menge.
Das Supremum einer Menge kann der Menge angehören oder auch nicht, und
das Gleiche gilt für das Infimum. Es gelten die folgenden Implikationen:
(i) Existiert max(X), so ist sup(X) = max(X).
(ii) Existiert min(X), so ist inf(X) = min(X).
(iii) Ist s = sup(X), so ist s = max(X ∪ { s }).
(iv) Ist s = inf(X), so ist s = min(X ∪ { s }).
Nach diesen Vorbereitungen können wir nun eine fundamentale Eigenschaft
der reellen Zahlen, die sie von Q und anderen Zahlbereichen unterscheidet,
axiomatisch fassen.

Das Vollständigkeitsaxiom
Axiom (Vollständigkeitsaxiom für die reellen Zahlen)

Jede nichtleere und nach oben beschränkte Menge reeller Zahlen besitzt
ein Supremum in den reellen Zahlen.
Wir bezeichnen die Aussage als Axiom, da wir die reellen Zahlen weiterhin als
gegeben voraussetzen. Konstruiert man die Menge der reellen Zahlen (mit Hilfe
der Axiome der Mengenlehre), so wird die Aussage zu einem beweisbaren Satz.
Die in den obigen Beispielen betrachtete Menge
X = { q P Q | q > 0 ∧ q2 ≤ 2 } ⊆ Q
zeigt, dass die rationalen Zahlen ein analog formuliertes Vollständigkeitsaxiom
verletzen: Die Menge X ist eine nichtleere und nach oben beschränkte Teil-
menge von Q, die innerhalb der rationalen Zahlen kein Supremum besitzt. Sie
markiert eine Lücke von Q, die in R durch £2 geschlossen wird.
Um Rechenregeln für Suprema und Infima möglichst allgemein und unkom-
pliziert formulieren zu können, ist es nützlich, auch leere und unbeschränkte
Mengen zuzulassen.
Konvention
Wir setzen:
sup(∅) = −∞
inf(∅) = ∞
sup(X) = ∞, für jede nach oben unbeschränkte Menge X ⊆ R,
inf(X) = −∞, für jede nach unten unbeschränkte Menge X ⊆ R.
Für die symbolischen Werte ∞ und −∞ vereinbaren wir:

−∞ < ∞
−∞ < x, x < ∞ für alle x P R
∞ + ∞ = ∞, −∞ − −∞ = −∞
x + ∞ = ∞, x − ∞ = −∞, x / ∞ = x / −∞ = 0 für alle x P R
x ⋅ ∞ = ∞, x ⋅ −∞ = −∞ für alle x P ] 0, ∞ ]
x ⋅ ∞ = −∞, x ⋅ −∞ = ∞ für alle x P [ − ∞, 0 [
Warnung
Nicht erklärt sind ∞ − ∞, −∞ + ∞, 0 ⋅ ∞, 0 ⋅ −∞, ±∞/∞, ∞/±∞.
Als Nächstes führen wir arithmetische Operationen für Zahlmengen ein.

Definition (Addition und Skalierung von Teilmengen von R)

Für alle X, Y ⊆ R und alle c P R setzen wir
X + Y = { x + y | x P X und y P Y },
X ⋅ Y = X Y = { x y | x P X und y P Y },
cX = { c x | x P X },
−X = (−1) X = { −x | x P X }.
Damit können wir nun Rechenregeln zusammenstellen.
Satz (Rechenregeln für Suprema und Infima)

Für alle nichtleeren X, Y ⊆ R gilt:
(1) sup(X + Y) = sup(X) + sup(Y),
(2) sup(c X) = c sup(X) für alle c > 0,
(3) sup(X ⋅ Y) = sup(X) sup(Y), falls X, Y ⊆ R+ ,
(4) X ⊆ Y impliziert sup(X) ≤ sup(Y),
(5) inf(X) = −sup(−X), sup(X) = −inf(−X).
Analoge Regeln gelten für Infima.
Beweisskizze
Wir zeigen exemplarisch die erste Eigenschaft für nach oben beschränkte
und nichtleere Teilmengen X, Y von R. Seien also s = sup(X) und t = sup(Y).
Für alle x P X und y P Y gilt x ≤ s und y ≤ t, sodass x + y ≤ s + t. Damit ist
s + t eine obere Schranke von X + Y. Ist nun u P R beliebig mit u < s + t, so sei
ε = s + t − u.
Dann gilt ε > 0. Wegen s = sup(X) und t = sup(Y) gibt es x P X und y P Y
mit x > s − ε/2 und y > t − ε/2 (sonst wären s − ε/2 bzw. t − ε/2 obere
Schranken von X bzw. Y). Dann gilt
x + y > s − ε/2 + t − ε/2 = s + t − ε = u,
sodass u keine obere Schranke von X + Y ist. Dies zeigt, dass s + t die
kleinste obere Schranke von X + Y ist.
Aus der Eigenschaft (5) des Satzes folgt insbesondere:
Korollar (Existenz von Infima)

Sei X ⊆ R nichtleer und nach unten beschränkt. Dann existiert inf(X).
Dass wir im Vollständigkeitsaxiom Suprema gegenüber Infima bevorzugt ha-

ben, hat keinen speziellen Grund. Fordert man die Existenz von Infima, so lässt
sich die Existenz von Suprema folgern.

Das Archimedische Axiom
Eine weitere wichtige Eigenschaft der reellen Zahlen lautet:
Axiom (Archimedisches Axiom)

Für alle reellen Zahlen x > 0 gibt es eine natürliche Zahl n ≥ 1 mit 1/n < x.
Durch das Axiom sind infinitesimale Größen ausgeschlossen: Es gibt keine

positive reelle Zahl, die kleiner ist als 1, 1/2, 1/3, … Anders formuliert: Es gibt
keine positive reelle Zahl, die eine untere Schranke der Menge { 1/n | n ≥ 1 } ist.
Da 0 eine untere Schranke dieser Menge ist, ist das Archimedische Axiom äqui-
valent zu
inf({ 1/n | n ≥ 1 }) = 0. (Archimedisches Axiom, Umformulierung)
...
0.0 0.2 0.4 0.6 0.8 1.0
Das Infimum aller Zahlen 1/n, n ≥ 1, ist 0
Bemerkung
Das Archimedische Axiom lässt sich aus dem Vollständigkeitsaxiom ableiten,
sodass es in einer axiomatischen Charakterisierung der reellen Zahlen nicht
explizit gefordert werden muss. Wir diskutieren dies in den Übungen.
Als exemplarische Anwendung des Axioms zeigen wir:
Satz (Identifikation von Suprema)

Sei X ⊆ R nichtleer und nach oben beschränkt. Weiter sei s P R. Dann sind
äquivalent:
(1) s = sup(X).
(2) X ≤ s und für alle n P N* gibt es ein x P X mit x + 1/n > s.
Die zweite Aussage können wir auch so formulieren:

(2)′ X ≤ s und für alle n P N* gilt ] s − 1/n, s ] ∩ X ≠ ∅.
Ein analoger Satz gilt natürlich auch für Infima.
Beweis
(1) impliziert (2) : Sei s = sup(X). Dann gilt X ≤ s. Sei also n ≥ 1 beliebig. Da
s die kleinste obere Schranke von X ist, ist s − 1/n keine obere Schranke
von X. Also gibt es ein x P X mit x > s − 1/n. Folglich ist x + 1/n > s.

(2) impliziert (1) : Es gelte (2). Dann ist s eine obere Schranke von X. Sei
nun t < s beliebig. Nach dem Archimedischen Axiom gibt es ein n ≥ 1
derart, dass 1/n < s − t. Sei nun x P X mit x + 1/n > s (ein solches x
existiert nach Voraussetzung). Dann ist aber
x > s − 1/n > t,
sodass t keine obere Schranke von X ist. Dies zeigt, dass s die kleinste
obere Schranke von X ist.
Dichte Mengen
Reelle Zahlen lassen sich durch rationale Zahlen beliebig genau approximie-
ren. Es gilt:
Satz (Dichtheit der rationalen Zahlen)

Seien x, y P R mit x < y. Dann gibt es ein q P Q mit x < q < y.
Beweis
Wir setzen ε = y − x. Dann ist ε > 0. Folglich existiert ein n ≥ 1 mit 1/n < ε.
Die ganzzahligen Vielfachen m ⋅ 1/n P Q, m P Z, von 1/n sind nach oben
und unten unbeschränkt in R und folgen aufeinander im Abstand 1/n, da
(m + 1) 1/n − m 1/n = (m + 1 − m) 1/n = 1/n für alle m P Z.
Wegen 1/n < y − x muss also eines dieser Vielfachen zwischen x und y
liegen. Speziell ist das maximale m P Z mit m/n < y geeignet.
Allgemein definieren wir:
Definition (dicht)
Eine Menge D reeller Zahlen heißt dicht in R, falls für alle x < y in R ein
z P D existiert mit x < z < y.
Die rationalen Zahlen sind das Paradebeispiel für eine in R dichte Menge.
Aber auch
D = { ± n/2m | n, m P N }
ist dicht in R. Und natürlich ist R selbst dicht in R.
-1.0 -0.5 0.0 0.5 1.0
Visualisierung der dichten Menge D

Anwendungen
Wir diskutieren nun einige Anwendungen der Vollständigkeit der reellen

Zahlen. Sie zeigen die vielfältigen Einsatzmöglichkeiten von oberen und unteren
Schranken.
1. Grenzwerte monotoner Folgen
Als Erstes betrachten wir den Zusammenhang zwischen Grenzwert und Su-
premum/Infimum für einfache Folgen
x0 , x1 , x2 , …, xn , …
reeller Zahlen. Dabei verwenden wir den Grenzwertbegriff (und den Begriff ei-
ner Folge selbst) nach wie vor anschaulich. Eine genaue Definition geben wir im
nächsten Kapitel.
Um die Notation zu vereinfachen, schreiben wir
supn xn statt sup({ xn | n P N }), infn xn statt inf({ xn | n P N }).
Der vielleicht einfachste Zusammenhang zwischen dem Grenzwert einer
Folge und dem Supremum bzw. Infimum einer Menge ist:
Satz (Grenzwerte monotoner Folgen)

Sei x0 , x1 , …, xn , … eine Folge in R. Dann gilt
(1) Ist die Folge monoton steigend, d. h. xn ≤ xn + 1 für alle n, so gilt
limn xn = supn xn P R ∪ { ∞ }.
(2) Ist die Folge monoton fallend, d. h. xn ≥ xn + 1 für alle n, so gilt
limn xn = infn xn P R ∪ { −∞ }.
Der Leser erstelle Diagramme zur Visualisierung dieser Zusammenhänge.
Beispiele
(1) Die Folge x0 , x1 , x2 , … mit xn = n für alle n ist monoton steigend. Es
gilt limn xn = supn xn = ∞.
(2) Die Folge x0 , x1 , x2 , … mit xn = 1/2n für alle n ist monoton fallend. Es
gilt limn xn = infn xn = 0.
(3) Die Folge x0 , x1 , x2 , … mit xn = (−1)n für alle n ist nicht monoton. Es
gilt infn xn = −1 und supn xn = 1. Dagegen existiert limn xn nicht.
(4) Die Folge 9/10, 99/100, 999/1000, … (10n − 1)/10n , … ist monoton
steigend. Ihr Supremum (und damit ihr Grenzwert) ist gleich 1.

2. Grenzwerte von Pendelfolgen
Definition (Pendelfolge)
Eine Folge x0 , x1 , …, xn , … reeller Zahlen heißt eine linksstartende
Pendelfolge, falls gilt:
x0 ≤ x2 ≤ … ≤ x2n ≤ … ≤ x2n + 1 ≤ … ≤ x3 ≤ x1 .
Analog sind rechtsstartende Pendelfolgen definiert durch die Eigenschaft
x1 ≤ x3 ≤ … ≤ x2n + 1 ≤ … ≤ x2n ≤ … ≤ x2 ≤ x0 .
Wir beschränken uns im Folgenden auf linksstartende Pendelfolgen. Analoge

Ergebnisse gelten für den zweiten Typ. Allgemein genügt es, sich auf einen Typ
zu konzentrieren, denn die beiden Typen gehen durch das Streichen des ersten
Folgengliedes ineinander über.
Auch für Pendelfolgen können wir einen Zusammenhang zwischen Grenz-
wert und Supremum/Infimum herstellen:
Satz (Grenzwerte von Pendelfolgen)

Sei x0 , x1 , …, xn , …, eine linksstartende Pendelfolge in R. Dann existiert der
Grenzwert der Folge genau dann, wenn gilt:
infn (x2n + 1 − x2n ) = 0. (Konvergenzbedingung für Pendelfolgen)
In diesem Fall ist
limn xn = supn x2n = infn x2n + 1 .
Ist nämlich s = supn x2n und t = infn x2n + 1 , so gilt s ≤ t. Die Konvergenzbedin-
gung besagt, dass sich die geraden und ungeraden Glieder beliebig nahe kom-
men, sodass s = t. Genau dann ist s = t der Grenzwert der Folge. Die Folge
x1 − x0 , x3 − x2 , …, x2n + 1 − x2n , …
der Abstände der Paare einer linksstartenden Pendelfolge ist monoton fallend
und nach unten beschränkt durch 0. Sie konvergiert also immer gegen ihr Infi-
mum. Die Folge konvergiert genau dann, wenn dieses Infimum gleich Null ist.
Viele der Folgen, die uns in der Analysis begegnen, sind entweder monoton
oder pendelnd (zumindest ab einer bestimmten Stelle n0 ). Damit decken die bei-
den Folgentypen bereits zahlreiche Fälle ab. Noch allgemeinere konvergente
Folgen, die um ihren Grenzwert beliebig hin und her springen können, betrach-
ten wir nächsten Kapitel.
Beispiele
(1) Die Folge x0 , x1 , x2 , … mit xn = (−1)n /2n für alle n ist eine rechtsstar-
tende Pendelfolge mit 0 = limn xn = supn x2n + 1 = infn x2n .
(2) Die Folge x0 , x1 , x2 , … mit xn = (−1)n + 1 für alle n ist eine linksstartende
Pendelfolge, die die Konvergenzbedingung nicht erfüllt.

3. Intervallschachtelungen
Definition (Intervallschachtelung)
Eine Folge I0 , I1 , …, In , … von reellen Intervallen In heißt eine Intervall-
schachtelung, falls gilt
I0 ⊇ I1 ⊇ … ⊇ In ⊇ ….
Für jede Intervallschachtelung können wir die Menge

I = >n In = { x P R | x P In für alle n P N }
aller Punkte betrachten, die in jedem der Intervalle als Element enthalten sind.
Das wichtigste Ergebnis über diese Schnittmenge ist:
Satz (Satz über Intervallschachtelungen)

Sei I0 , I1 , …, In , … eine Intervallschachtelung bestehend aus abgeschlos-
senen und beschränkten Intervallen In = [ an , bn ]. Weiter sei I = >n In .
Dann gilt
I = [ supn an , infn bn ] ≠ ∅.
Weiter gilt I = { supn an } = { infn bn } genau dann, wenn limn (bn − an ) = 0.
Beweis
Die monotonen Folgen
a0 , a1 , … an , … und b0 , b1 , …, bn , …
der linken und rechten Intervallgrenzen sind aufgrund der Schachtelung
der Intervalle monoton steigend bzw. fallend und zudem beschränkt,
sodass sie gegen ihr Supremum a bzw. Infimum b konvergieren. Das
Intervall [ a, b ] ist ein Teilintervall jedes Intervalls In und somit im Durch-
schnitt I der Intervalle enthalten. Andererseits können wegen a = supn an
und b = infn bn keine weiteren Punkte in I enthalten sein, sodass I = [ a, b ].
Aus der Äquivalenz von limn (an − bn ) = 0 und a = b ergibt sich der Zusatz.
Der Durchschnitt einer Intervallschachtelung wie im Satz besteht genau dann

aus genau einem Punkt, wenn die Folge der Intervall-Längen gegen Null kon-
vergiert. Wir beobachten hierzu, dass die aus den Intervallgrenzen gebildete
Folge
a0 , b0 , a1 , b1 , …, an , bn , …
eine linksstartende Pendelfolge ist. Gilt
limn an = a = b = limn bn ,
so ist der Durchschnitt der Intervalle die einpunktige Menge { a } = { b }. Anschau-
lich ziehen sich die Intervalle auf den Punkt a = b zusammen.

4. Die Dezimaldarstellung
Wir betrachten endliche und unendliche Dezimalbrüche. Dabei beschrän-

ken wir uns auf nichtnegative reelle Zahlen. Für m P N und Nachkommazif-
fern d1 , …, dn P { 0, …, 9 } setzen wir
d1 d2 dn
m, d1 … dn = m + + + … + . (endlicher Dezimalbruch)
10 100 10n
Lesen wir die Ziffernfolge d1 … dn als Dezimalzahl, so gilt
d1 …dn
m, d1 … dn = m + .
10n
Wir erinnern an:
Charakterisierung der endlichen Dezimalbrüche

Genau die rationalen Zahlen q ≥ 0 der Form q = a/10n lassen sich als
endlicher Dezimalbruch schreiben. In gekürzter Form sind dies genau die
Brüche, deren Nenner nur die Primfaktoren 2 und 5 enthalten.
Beispielsweise lassen sich also 1/5 und 3/20, nicht aber 1/7 oder 2/15 als endli-
cher Dezimalbruch schreiben.
Mit Hilfe des Supremumsbegriffs können wir unendliche Dezimalbrüche de-
finieren:
Definition (unendlicher Dezimalbruch)

Für m P N und eine Folge (dn )n P N in { 0, …, 9 } setzen wir
m,d1 d2 … = supn m,d1 …dn . (unendlicher Dezimalbruch)
Statt „sup“ können wir auch „lim“ schreiben, da die Folge der endlichen Dezi-
malbrüche monoton steigend und nach oben beschränkt durch m + 1 ist.
Jeder unendliche Dezimalbruch definiert eine eindeutige reelle Zahl x ≥ 0. Die
Umkehrung ist im Allgemeinen nicht gültig. Dieses bedeutsame Phänomen lässt
sich mit Hilfe der Definition als Supremum sehr einfach erklären:
Beispiel: Neuner-Periode
Es gilt 1 = 1,000… = 0,999… Denn nach Definition ist
0,999… = supn 0,9…9 (mit n Stellen)
= supn (1 − 1/10n ) = 1 − infn 1/10n = 1 − 0 = 1.
Der Einwand, dass zu 1 in 0,999… immer noch „etwas fehlen“ würde, ist
damit entkräftet: 0,999… ist definiert als Supremum einer Menge (oder
gleichwertig als Grenzwert einer Folge), und ein Supremum muss einer
Menge nicht angehören (ein Grenzwert nicht von den Folgengliedern
angenommen werden).

Allgemein gilt:
Charakterisierung der Nichteindeutigkeit

Jede reelle Zahl x ≥ 0 hat genau eine oder genau zwei unendliche Dezimal-
darstellungen. Genauer gilt:
(1) 0 hat die eindeutige unendliche Dezimaldarstellung 0 = 0,000…
(2) Eine reelle Zahl x > 0 hat genau dann zwei unendliche Darstellungen,
wenn x von der Form m, d1 … dn ist mit dn ≠ 0. In diesem Fall gilt
x = m, d1 …dn 000… (Nullfortsetzung)
x = m, d1 … (dn − 1)999… (Neuner-Periode)
Damit ist die Darstellung einer irrationalen Zahl stets eindeutig. Aber auch ra-
tionale Zahlen wie 1/3 oder 1/7 haben eine eindeutige unendliche Dezimaldar-
stellung. Welche rationalen Zahlen sich eindeutig darstellen lassen, ergibt sich
aus der obigen Charakterisierung der endlichen Dezimalbrüche.
Wir betrachten zwei Möglichkeiten der Veranschaulichung oder, wenn man
so will, Interpretation von Dezimalbrüchen:
Visualisierung 1: Abmessen am Zahlstrahl

Die Dezimaldarstellung einer reellen Zahl x > 0 lässt sich anschaulich durch
„Abmessen am Zahlenstrahl“ mit immer kleineren Maßstäben
1, 1/10, 1/100, …
beschreiben. Mit den so produzierten endlichen Dezimalbrüchen entstehen
rationale Approximationen an x, die monoton steigend gegen x konvergie-
ren. Erlauben wir, dass eine Approximation exakt gleich x ist, so ist eine in 0
auslaufende Folge von Approximationen möglich. Fordern wir dagegen,
dass jede Approximation echt kleiner als x sein muss, so erhalten wir immer
eine streng monoton steigende Folge von endlichen Dezimalbrüchen, die
in manchen Fällen in der Ziffer 9 terminiert.
Visualisierung 2: Verwendung von Bäumen

Ist x ein Element von [ 0, 1 [, so können wir [ 0, 1 ] in 10 Teilintervalle
[ 0, 1/10 [, [ 1/10, 2/10[ , …, [ 9/10, 1 [
zerlegen und fragen, in welchem der Teile sich x befindet. So finden wir
eine erste Dezimalstelle d1 . Nun wiederholen wir das Verfahren mit dem
Intervall [ d1 /10, (d1 + 1)/10 [ und erhalten so d2 . So fortfahrend ergibt sich
die Darstellung x = 0, d1 d2 …, wobei wir im zweideutigen Fall (x ist eine der
auftretenden Intervallgrenzen) die in 0 terminierende Darstellung
erzeugen, da wir nach rechts offene Intervalle verwenden. Die Darstellung
lässt sich als unendlicher Pfad in einem Baum auffassen, dessen Knoten mit
Intervallen beschriftet sind und der sich an jedem Knoten zehnfach
verzweigt.

5. b-adische Darstellungen
Eine natürliche Verallgemeinerung der Dezimaldarstellung ist die b-adische

Darstellung für eine beliebige natürliche Basis b ≥ 2. Obige Definitionen werden
übernommen, wobei nun anstelle der Menge { 0, …, 9 } von Nachkommastellen
die Menge { 0, …, b − 1 } tritt und die Nenner 10n durch bn ersetzt werden. Die
Dezimaldarstellung entspricht dem Fall b = 10. In der Mathematik, Informatik
und Kulturgeschichte sind neben b = 10 vor allem bedeutsam:
b=2 Dualdarstellung
b=3 Ternärdarstellung
b = 16 Hexadezimaldarstellung
b = 60 Hexagesimaldarstellung
Für die Hexadezimaldarstellung verwendet man statt 0, …, 15 die Nachkomma-
ziffern 0, …, 9, A, …, F, um keine Trennstellen in der Darstellung angeben zu
müssen. Analoges gilt allgemein für b-adische Darstellungen mit b > 10.
Beispiele
(1) In Dualdarstellung gilt
1 = 1,000… = 0,111… = supn (1/2 + 1/4 + 1/8 + … + 1/2n ).
(2) In 7-adischer Darstellung gilt
1 = 1,000… = 0,666… = supn (6/7 + 6/72 + 6/73 + … + 6/7n ).
Die beiden oben geschilderten Möglichkeiten der Visualisierung lassen sich

leicht an den Fall einer allgemeinen b-adischen Darstellung anpassen. An die
Stelle der Maßstäbe 1/10k treten die Maßstäbe 1/bk . Und die Bäume aus Interval-
len sind nun b-fach statt 10-fach verzweigt.
1 1 1 1 3 3 1 1 5 5 3 3 7 7
[0, [ [ , [ [ , [ [ , [ [ , [ [ , [ [ , [ [ , 1[
8 8 4 4 8 8 2 2 8 8 4 4 8 8
1 1 1 1 3 3
[0, [ [ , [ [ , [ [ , 1[
4 4 2 2 4 4
1 1
[0, [ [ , 1[
2 2
[0, 1[
Baumdiagramm zur Dualdarstellung

6. Ober- und Unterintegral
Das Integral einer Funktion f : [ a, b ] → R kann anstelle von Riemann-Sum-

men mit Hilfe von Ober- und Unterintegralen definiert werden. Hierzu wird in
jedem Intervall einer stützstellenfreien Partition p = (tk )k ≤ n von [ a, b ] das Supre-
mum bzw. Infimum aller Funktionswerte des Intervalls gebildet. Dadurch ent-
stehen Approximationen von oben und von unten:
S p f = ∑ k ≤ n (t k + 1 − t k ) sup x P [ t k , t k + 1 ] f(x), (obere Darboux-Summe)
s p f = ∑ k ≤ n (t k + 1 − t k ) inf x P [ t k , t k + 1 ] f(x). (untere Darboux-Summe)
t0 t1 t2 t3 t4 t5
t0 t1 t2 t3 t4 t5
Die obere und untere Darboux-Summe einer Funktion für eine stützstellenfreie Partition

Die Funktion f wird bei der Bildung einer Darboux-Summe als beschränkt
vorausgesetzt, damit die gebildeten Suprema und Infima in R definiert sind.
Stützstellen und zugehörige Funktionswerte spielen keine Rolle. Wir setzen nun
S f = infp Sp f, (Oberintegral)
s f = supp sp f. (Unterintegral)
Das Infimum bzw. Supremum wird über alle Partitionen p des Intervalls [ a, b ]
gebildet (wobei man sich auf äquidistante Partitionen beschränken kann). Es gilt
stets s f ≤ S f. Man kann nun zeigen, dass f genau dann Riemann-integrierbar ist,
wenn s f = S f gilt, d. h. wenn Ober- und Unterintegral übereinstimmen. Dieser
Zugang zur Integration, oft auch Darboux-Integral genannt, ist also äquivalent
zum Zugang über Riemann-Summen. Er ist theoretisch aufgrund des eleganten
Kalküls mit Suprema und Infima ansprechend, aus numerischer Sicht aber weni-
ger geeignet, da die Darboux-Summen im Vergleich zu den Riemann-Summen
viel schwieriger zu berechnen sind. Wie so oft sind beide Wege wertvoll.

Übungen
Übung 1
Zeigen Sie in Analogie zum Beweis der Irrationalität von £2, dass £3
irrational ist. Warum scheitert der Beweis bei £4? Auf welche Zahlen lässt
sich das Argument allgemein anwenden?
Übung 2
Recherchieren Sie den Beweis der Irrationalität von £2, der sich in den
„Elementen“ des Euklid findet. Vergleichen Sie diesen Beweis mit unserem
Argument.
Übung 3
Bestimmen Sie die Infima und Suprema der folgenden Mengen:
(a) [ 0, 1 ] ∪ { 2 },
(b) ] 0, 1 [ ∪ ] 2, 3 [,
(c) { sin(x) | 0 ≤ x ≤ π/2 },
(d) { (−1)n /n | n ≥ 1 },
(e) { 3/10, 33/100, 333/1000, … },
(f ) { 1/2 + 1/4 + … + 1/2n | n ≥ 1 },
(g) { sup({ 1 + 1/k | k ≥ n }) | n ≥ 1 }.
Übung 4
Zeigen Sie, dass die Eigenschaft
sup(X + Y) = sup(X) + sup(Y)
unter den eingeführten Konventionen für alle nichtleeren (nicht notwendig
beschränkten) X, Y ⊆ R gültig ist. Kann man auch leere Teilmengen
zulassen?
Übung 5
Zeigen Sie, dass für alle nichtleeren X, Y ⊆ R gilt:
(1) sup(c X) = c sup(X) für alle c > 0,
(2) sup(X ⋅ Y) = sup(X) sup(Y), falls X, Y ⊆ R+ ,
(3) X ⊆ Y impliziert sup(X) ≤ sup(Y),
(4) inf(X) = −sup(−X), sup(X) = −inf(−X).
Gelten diese Eigenschafen auch für leere Mengen? Begründen Sie Ihre
Antworten.

Übung 6
Zeigen Sie ohne Verwendung des Vollständigkeitsaxioms, dass folgende
Aussagen äquivalent sind:
(a) Das Archimedische Axiom.
(b) N ist nach oben unbeschränkt in R.
Übung 7
Beweisen Sie das Archimedische Axiom mit Hilfe des Vollständigkeits-
axioms.
[ Es genügt nach der vorangehenden Übung zu zeigen, dass die Menge N
nach oben unbeschränkt in R ist. Annahme nicht. Dann existiert s = sup(N)
nach dem Vollständigkeitsaxiom. Zeigen Sie, dass ein n* P N existiert mit
s − 1 < n* und leiten Sie hieraus einen Widerspruch ab. ]
Übung 8
Nehmen Sie an, dass Q dicht in R ist und zeigen Sie mit Hilfe dieser
Voraussetzung das Archimedische Axiom.
Übung 9
Begründen Sie die Dichtheit der rationalen Zahlen in R mit Hilfe der
Dezimalbruchentwicklung.
Übung 10
Sei D = { ± n/2m | n, m P N } ⊆ Q. Geben Sie eine möglichst einfache
beschränkte nichtleere Teilmenge von D an, deren Supremum in Q − D
liegt. Stellen Sie eine Analogie zu £2 her.
Übung 11
Definieren Sie die Menge D der vorangehenden Übung mit Hilfe von
Dualdarstellung.
Übung 12
Sei b eine natürliche Zahl mit b ≥ 2.
(a) Geben Sie (ohne Begründung) alle möglichen b-adischen Darstel-
lung der folgenden reellen Zahlen an:
1 a 1
1, , für 1 ≤ a < b, .
b b−1 2
(b) Charakterisieren Sie (mit kurzer Begründung) alle reellen Zahlen
x > 0, die genau zwei b-adische Darstellungen besitzen. Geben Sie
einige Beispiele an.

Übung 13
Erstellen Sie Diagramme zu den im Text beschriebenen Visualisierungen
der Dezimaldarstellung für eine reelle Zahl x P [ 0, 1 ]:
(1) Approximation am Zahlenstrahl von links
(2) wiederholte Intervallteilung (Baumstruktur)
Erläutern Sie das Phänomen der Zweideutigkeit für beide Visualisierungen.
Verallgemeinern Sie zudem die Visualisierungen auf b-adische Darstellun-
gen und betrachten Sie speziell den Fall b = 2 für die Visualisierung (2).

2. Grenzwerte für Folgen und Reihen
Wir definieren nun Grenzwerte von Folgen

(xn )n P N = (x0 , x1 , x2 , …, xn , …)
und unendlichen Reihen
∑ n ≥ 0 xn = x0 + x1 + x2 + … + xn + …
in den reellen Zahlen formal mit Hilfe der sogenannten Epsilontik. Diese Defi-
nitionsform wird heute in der Analysis zur Präzisierung aller Arten von Grenz-
wertbegriffen verwendet. Für eine Folge (xn )n P N reeller Zahlen wird
limn →∞ xn = x
definiert durch die Konvergenzbedingung
∀ε > 0 ∃n0 ∀n ≥ n0 |x − xn | < ε.
Alle Eigenschaften des Grenzwertbegriffs, die wir bisher intuitiv verwendet ha-
ben, lassen sich mit Hilfe dieser Definition beweisen.

Folgen
Wir präzisieren zunächst den Begriff einer Folge.
Definition (Folge in einer Menge)

Sei M eine Menge. Eine Folge in M (mit Definitionsbereich N) ist eine
Funktion der Form f : N → M.
Notation (Folgennotation)
Wir notieren eine Folge f : N → M in einer Menge M oft als
f = (xn )n P N , mit xn = f(n) für alle n P N.
Einen Wert xn = f(n) nennen wir auch ein Glied der Folge und die Stelle n
einen Index. Anstelle von (xn )n P N schreiben wir auch
(x0 , x1 , x2 , …, xn , …) oder x0 , x1 , x2 , …, xn , …
Eine Folge wird üblicherweise nicht mit einem Funktionsnamen wie f,g,h ver-
sehen, sondern einfach in der Form (xn )n P N angegeben. Besonders nützlich ist
die Folgennotation, wenn die Funktionswerte durch Terme definiert sind. So ist
zum Beispiel (n2 )n P N die Funktion f auf N mit f(n) = n2 für alle n P N.
Folgen tauchen in vielen Varianten auf. Oft beginnt man mit dem Index 1 statt
0 und notiert eine solche Folge in der Form (xn )n ≥ 1 oder x1 , x2 , …, xn , … (n ≥ 1).
Da eine Folge eine Funktion (einer bestimmten Form) ist, stehen ohne weitere
Definitionen alle funktionalen Begriffe zur Verfügung:
Beispiele
(1) Die Folge (1)n P N ist die Folge (xn )n P N mit xn = 1 für alle n. In der
alternativen Notation lautet sie 1, 1, 1, …
(2) Die Folge (1/n)n ≥ 1 ist die Folge (xn )n ≥ 1 mit xn = 1/n für alle n ≥ 1. Wir
können sie auch notieren als 1, 1/2, 1/3, …, 1/n, …
(3) Eine Folge (xn )n P N ist injektiv, wenn alle Folgenglieder paarweise
verschieden sind, d. h. wenn xn ≠ xm für alle n ≠ m.
(4) Eine Folge (xn )n P N reeller Zahlen ist monoton steigend, wenn
xn ≤ xn + 1 für alle n gilt. Gilt stärker xn < xn + 1 für alle n, so ist sie streng
monoton steigend.
(5) Ist (xn )n P N eine Folge in R und (nk )k P N eine Folge in N, so ist
(xn )n P N + (nk )k P N = (xnk )k P N .
Der besseren Lesbarkeit halber können wir die Komposition auch in
der Form (xn(k) )k P N angeben. Ist (nk )k P N streng monoton steigend, so
heißt (xn(k) )k P N eine Teilfolge von (xn )n P N .

2. Grenzwerte für Folgen und Reihen 29
Zur Visualisierung einer reellen Folge stehen verschiedene Möglichkeiten zur

Verfügung. Zwei davon betrachten wir genauer.
Visualisierung einer reellen Folge, Typ I

Die Folge (xn )n P N wird als Punktfolge auf der x-Achse gezeichnet. Wir
tragen die Folgenglieder xn als Punkte auf der x-Achse ein und benennen die
Punkte derart, dass die Indizes eindeutig aus dem Diagramm hervorgehen.
Visualisierung einer reellen Folge, Typ II

Die Folge (xn )n P N wird als Funktionsgraph (bestehend aus Punkten der
Ebene) gezeichnet: Der Graph besteht aus den Punkten (n, xn ) P R2 , n P N.
x2 n + 1 x2 n
-2 -1 0 1 2
Typ I: Visualisierung der Folge 1, −1, 1, −1, 1, −1, …
1.0
0.5
1 2 3 4 5 6 7 8 9 10
-0.5
-1.0
Typ II: Visualisierung der Folge 1, −1, 1, −1, 1, −1, …
1.0
0.5
1 2 3 4 5 6 7 8 9 10
-0.5
Typ II: Visualisierung der Folge (xn )n ≥ 1 mit xn = (−1)n + 1 /n für alle n ≥ 1

Die Epsilon-Definition des Grenzwerts einer Folge
Anschaulich bedeutet x = limn → ∞ xn , dass die Folgenglieder gegen x streben,

wenn n gegen unendlich strebt. Wie lässt sich dies präzisieren? Der erste Ansatz
ist vielleicht:
„Die Folgenglieder xn kommen dem Wert x beliebig nahe.“
Dies ist notwendig für die Konvergenz gegen x, aber nicht hinreichend. Die
Folge
1/2, 1, 1/4, 1, 1/8, 1, …
kommt zum Beispiel der Null beliebig nahe, hat aber die Null nicht als Grenz-
wert. Wir müssen also die Bedingung verstärken:
„Die Folgenglieder xn liegen ab einer bestimmten Stelle beliebig nahe bei x.“
Mit dieser Formulierung sind wir schon fast am Ziel. Wir müssen nur noch die
Abhängigkeitsverhältnisse zwischen „ab einer bestimmten Stelle“ und „beliebig
nahe“ klären, um eine exakte Definition zu erhalten. Allen Ansprüchen an Ge-
nauigkeit gerecht wird:
Definition (Grenzwert, Limes, Konvergenzbedingung)

Sei (xn )n P N eine Folge in R, und sei x P R. Dann heißt x Grenzwert oder
Limes der Folge (xn )n P N , falls gilt
∀ε > 0 ∃n0 ∀n ≥ n0 |x − xn | < ε. (Konvergenzbedingung)
x+
x-
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Visualisierung der Konvergenz-Bedingung für eine Folge (xn )n P N

Die Konvergenzbedingung besagt, dass für jedes (noch so kleine) ε > 0 ein
Index n0 existiert, sodass alle xn ab der Stelle n0 (d. h. für n ≥ n0 ) im Intervall
I(x, ε) = ] x − ε, x + ε [
liegen. Mit der Konvention
„fast alle“ = „alle bis auf höchstens endlich viele Ausnahmen“
können wir die Konvergenzbedingung so formulieren:
Umformulierung der Konvergenzbedingung

Für alle ε > 0 gilt:
Fast alle Folgenglieder sind Elemente von I(x, ε) = ] x − ε, x + ε [.
Diese Umformulierung lässt sich anschaulich so ausdrücken:

„Jedes (noch so kleine) Intervall ] x − ε, x + ε [ fängt die Folge schließlich ein.“
Im Fall der Existenz ist ein Grenzwert eindeutig bestimmt (Beweis als Übung).
Damit können wir einführen:
Limesnotation
Ist x P R der Grenzwert der Folge (xn )n P N , so schreiben wir
x = limn →∞ xn oder kurz x = limn xn .
Schließlich definieren wir:
Definition (konvergent, divergent)

Sei (xn )n P N eine Folge in R. Besitzt (xn )n P N einen Grenzwert x P R, so
heißt die Folge konvergent. Andernfalls heißt sie divergent.
Ein ausgezeichneter Grenzwert ist die Null:
Definition (Nullfolge)
Gilt limn xn = 0, so nennen wir (xn )n P N eine Nullfolge.
Fast selbsterklärend ist schließlich:
Definition (beschränkt)
Eine Folge (xn )n P N in R heißt beschränkt, falls { xn | n P N } beschränkt ist.
Analog sind die Begriffe nach unten bzw. nach oben beschränkt für Folgen
definiert.
Jede konvergente Folge ist beschränkt (Übung). Dagegen kann eine diver-
gente Folge beschränkt oder unbeschränkt sein: Die divergente Pendelfolge
1, −1, 1, −1, … ist beschränkt. Die divergente Folge 1, −1, 2, −2, 3, −3, … ist dage-
gen nach oben und nach unten unbeschränkt.

Wie für die Bildung von Supremum und Infimum ist es oft nützlich, auch die
symbolischen Werte ∞ und −∞ als Grenzwerte zuzulassen.
Definition (uneigentliche Konvergenz)

Für eine Folge (xn )n P N in R definieren wir
limn xn = ∞ falls ∀k > 0 ∃n0 ∀n ≥ n0 xn ≥ k,
limn xn = −∞ falls ∀k > 0 ∃n0 ∀n ≥ n0 xn ≤ −k.
Gilt limn xn = ± ∞, so nennen wir die Folge (xn )n P N uneigentlich konvergent.
Die Bedingungen besagen anschaulich, dass fast alle Glieder der Folge größer-
gleich (bzw. kleinergleich) einer beliebigen vorgegebenen Schranke sind. Eine
uneigentlich konvergente Folge ist nach wie vor divergent im Sinne der (eigent-
lichen) Konvergenz einer Folge in R.
Beispiele
(1) Es gilt limn ≥ 1 1/n = 0. Die Folge (1/n)n ≥ 1 ist eine Nullfolge.
(2) Es gilt limn n = ∞. Die Folge (n)n P N ist uneigentlich konvergent.
(3) limn (−1)n existiert nicht. Die Folge ((−1)n )n P N ist beschränkt und
divergent. Auch limn (−1)n n existiert nicht. Die Folge ((−1)n n)n P N
konvergiert weder eigentlich noch uneigentlich.
(4) Es gilt limn xn = ∞ genau dann, wenn limn −xn = −∞.
Die Limesregeln
Für die Berechnung von Grenzwerten sind unentbehrlich:
Satz (Limesregeln)
Seien (xn )n P N und (yn )n P N (x n )n P N konvergente Folgen in R. Dann gilt:
(a) lim n (x n + yn ) = lim n x n + lim n yn ,
(b) lim n (c x n ) = c lim n x n für alle c P R,
(c) lim n (x n − yn ) = lim n x n − lim n yn ,
(d) lim n (x n yn ) = lim n x n lim n yn .
(e)
xn lim n xn
lim n ( yn
) =
lim n yn
, falls yn ≠ 0 für alle n und limn yn ≠ 0.
Die ε-Beweise dieser Regeln diskutieren wir in den Übungen.

Beispiele
(1) Es gelte lim n x n = x. Dann gilt
lim n (xn2 ) = lim n (x n x n ) = (lim n x n ) ⋅ (lim n x n ) = x x = x2 .
Analoges gilt für höhere Exponenten.

(2) Es gilt
2 + n3 2 n3
lim n ≥ 1
n3
= lim n ≥ 1 ( n3
+
n3
) =
1
(
2 lim n ≥ 1
n
)3 + lim n ≥ 1 1 = 2 ⋅ 0 3 + 1 = 1.
Eine Charakterisierung der konvergenten Folgen
Welche Folgen konvergieren und welche nicht? Für monotone Folgen und
Pendelfolgen haben wir bereits Konvergenzbedingungen angegeben. Wir kön-
nen sie nun mit Hilfe der Epsilontik beweisen.
Satz (Konvergenzkriterium für monotone Folgen)

Eine monotone Folge (xn )n P N konvergiert genau dann, wenn sie beschränkt
ist. In diesem Fall gilt je nach Monotonietyp
limn xn = supn xn bzw. (bei monotoner Zunahme)
limn xn = infn xn . (bei monotoner Abnahme)
Beweis
Sei (xn )n P N monoton steigend. Ist die Folge unbeschränkt, so ist sie
divergent. Sei also die Folge beschränkt, und sei x = supn xn . Wir zeigen die
Konvergenzbedingung für x, d. h. wir zeigen
∀ε > 0 ∃n0 ∀n ≥ n0 |x − xn | < ε.
Sei hierzu ε > 0 beliebig. Dann gibt es ein n0 derart, dass x − ε < xn0 (denn
andernfalls wäre x − ε < x eine obere Schranke der Folgenglieder, im
Widerspruch zur Definition von x). Da die Folge monoton steigend ist, gilt
x − ε < xn für alle n ≥ n0 . Nach Definition von x gilt xn ≤ x für alle n. Damit
erhalten wir
x − ε < xn ≤ x für alle n ≥ n0 .
Für jedes n ≥ n0 gilt also xn P ] x − ε, x ]. Dies zeigt, dass |x − xn | < ε für alle
n ≥ n0 . Damit ist die Konvergenzbedingung für x bewiesen.
Der Beweis für monoton fallende Folgen wird analog geführt.

Satz (Konvergenzkriterium für Pendelfolgen)

Eine Pendelfolge (xn )n P N konvergiert genau dann, wenn die Folge der
Abstände gerader und ungerader Folgenglieder eine Nullfolge ist, d. h.
wenn limn |x2n + 1 − x2n | = 0. In diesem Fall gilt je nach Typ
limn xn = supn x2n = infn x2n + 1 bzw. (bei Linksstart)
limn xn = supn x2n + 1 = infn x2n . (bei Rechtsstart)
Der Beweis sei dem Leser zur Übung überlassen.

Was kann man über die Konvergenz allgemeiner Folgen sagen, die nicht not-
wendig diesen beiden Grundtypen angehören? Erstaunlicherweise gibt es eine
Bedingung, die für alle Folgen geeignet ist. Sie besagt anschaulich, dass sich die
Folgenglieder beliebig verdichten:
Definition (Cauchy-Folge, Cauchy-Bedingung)

Eine Folge (xn )n P N in R heißt Cauchy-Folge, falls gilt
∀ε > 0 ∃n0 ∀n, m ≥ n0 |xn − xm | < ε. (Cauchy-Bedingung)
Diese Bedingung fängt genau die konvergenten Folgen ein:
Satz (Charakterisierung der konvergenten Folgen)

Sei (xn )n P N eine Folge in R. Dann konvergiert die Folge genau dann, wenn
sie eine Cauchy-Folge ist. In diesem Fall ist
(+) limn xn = supn infk ≥ n xk = infn supk ≥ n xk .
Beweisskizze
Ist die Folge konvergent und x = limn xn , so gibt es für alle ε > 0 ein n0 mit
|x − xn | < ε/2 für alle n ≥ n0 . Dann gilt aufgrund der Dreiecksungleichung
|xn − xm | = |xn − x + x − xm | ≤ |xn − x| + |x − xm | < ε für alle n, m ≥ n0 .
Damit ist die Folge eine Cauchy-Folge. Sei also umgekehrt (xn )n P N eine
Cauchy-Folge. Dann ist die Folge beschränkt. Wir setzen
yn = infk ≥ n xk für alle n.
Für alle n gilt { xk | k ≥ n } ⊇ { xk | k ≥ n + 1 }, sodass yn ≤ yn + 1 . Damit ist
(yn )n P N monoton steigend und beschränkt, sodass y = supn yn < ∞ existiert.
Analog existiert z = infn zn für die Folge (zn )n P N mit zn = supk ≥ n xk für alle n.
Diese Konstruktion ist für alle beschränkten reellen Folgen (xn )n PN möglich
und es gilt stets y ≤ z. Aus der Cauchy-Bedingung folgt, dass y = z und weiter
y = limn xn .
Die Formeln (+) zeigen, dass der Grenzwert auch im allgemeinen Fall durch
eine Supremums- und Infimums-Bildung beschrieben werden kann. Die For-
meln sind deutlich komplizierter als die Formeln für monotone Folgen und Pen-
delfolgen, dafür aber für alle konvergenten Folgen anwendbar.

Konvergenz von Cauchy-Folgen als Axiom

Die Aussage „Jede Cauchy-Folge in R konvergiert.“ wird auch oft als
Axiom für die reellen Zahlen verwendet und als (metrisches) Vollständigkeits-
axiom bezeichnet. Zusammen mit dem Archimedischen Axiom ist das
metrische Vollständigkeitsaxiom äquivalent zu unserem linearen Vollstän-
digkeitsaxiom, das die Existenz eines Supremums für nichtleere und
beschränkte Teilmengen von R fordert. Welchen Zugang man für die
reellen Zahlen bevorzugt, ist letztendlich Geschmackssache. Die Existenz
eines Supremums einer nichtleeren beschränkten Teilmenge von R ist
vielleicht etwas anschaulicher als die Existenz des Grenzwerts einer
Cauchy-Folge. Ganz unabhängig davon ist der Begriff der Cauchy-Folge
unverzichtbar zur Beschreibung der Vollständigkeit von Räumen, die eine
Abstandsmessung zulassen, aber keine lineare Struktur mehr aufweisen.
Unendliche Reihen
Wir haben schon mehrfach unendliche Summen der Form

(+) x0 + x1 + … + xn + …
betrachtet, sog. unendliche Reihen. Mit Hilfe des Grenzwerts für Folgen können
wir die Konvergenz unendlicher Reihen präzisieren ohne weitere Grenzwert-
definitionen einzuführen. Dies erfolgt durch Betrachtung der Partialsummen
s0 = x0 , s1 = x0 + x1 , s2 = x0 + x1 + x2 , …, sn = x0 + … + xn , …,
die auftreten, wenn wir die Summe (+) schrittweise berechnen.
Definition (Partialsumme, unendliche Reihe, Summe, Wert)

Sei (x n )n P N eine Folge in R. Für alle n P N sei
sn = x0 + … + xn = ∑ k ≤ n x k
die n-te Partialsumme der Folge. Wir setzen
∑ n P N x n = (sn )n P N
und nennen ∑ n P N xn die unendliche Reihe mit den Summanden xn . Im Fall
der Konvergenz der Folge der Partialsummen setzen wir zudem
∑ n P N x n = limn sn .
Diesen Grenzwert nennen wir die Summe von (xn )n P N oder den Wert der
unendlichen Reihe.
Notation
Neben ∑ n P N x n verwenden wir gleichwertig auch die Notationen
∞
∑ n = 0 x n , ∑ n ≥ 0 x n , ∑ n x n , x0 + x1 + x2 + … + xn + …

Das Summenzeichen hat eine Doppelbedeutung: Für jede Folge (xn )n P N ist
die unendliche Reihe ∑ n xn definiert als die Folge (sn )n P N der Partialsummen der
Folge. Konvergiert die Folge der Partialsummen, so bezeichnet ∑ n xn auch den
Grenzwert der Folge der Partialsummen. Die Bedeutung geht in der Regel aus
dem Kontext hervor:
Beispiele
1. Bedeutung: „Die Reihe ∑ n 1/2n konvergiert.“
2. Bedeutung: „Es gilt ∑ n 1/2n = 1 + 1/2 + 1/4 + … + 1/2n + … = 2.“
1. Bedeutung: „Die Reihe ∑ n (−1)n divergiert.“
2.0
1.5
1.0
0.5
0 1 2 3 4 5 6 7 8 9 10
Die Partialsummen sn der unendlichen Reihe ∑ n 1/2n .

Es gilt limn sn = 2 und damit ∑ n 1/2n = 2.
0.5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Die Partialsummen sn der unendlichen Reihe ∑ n (−1)n .

Die Reihe ∑ n (−1)n divergiert, da die Folge der Partialsummen divergiert.

Die geometrische Reihe
Sei q P R. Bei der Diskussion der Polynomdivision hatten wir bereits die geo-
metrische Summe
1 − qn + 1
q0 + … + qn = , falls q ≠ 1
1−q
betrachtet, die sich aus der (auch für q = 1 gültigen) Teleskop-Summe
(q0 + … + qn ) (1 − q) = q0 − q1 + q2 − q2 + … − qn + 1 = 1 − qn + 1
ergibt. Die zugehörige unendliche Reihe ist
∑ n qn = q0 + … + qn + … (geometrische Reihe)
Ihr Konvergenzverhalten wird zusammengefasst in:
Satz (Konvergenz der geometrischen Reihe)

Sei q P R. Ist |q| < 1, so ist ∑ n qn konvergent und es gilt
1
∑ n qn = .
1−q
Ist |q| ≥ 1, so divergiert die Reihe ∑ n qn .
Wir erinnern an den Beweis. Ist |q| < 1, so gilt
1 − qn + 1 1
∑ n qn = limn sn = limn = ,
1−q 1−q
wobei wir verwenden, dass
limn qn + 1 = limn qn = 0 (da |q| < 1).
Ist dagegen |q| ≥ 1, so gilt |sn + 1 − sn | ≥ 1 für alle n, sodass die Folge (sn )n P N der
Partialsummen divergent ist.
Nützlich ist:
Geometrische Reihe ab dem Index 1

q
∑ n ≥ 1 qn = für alle |q| < 1.
1−q
Diese Formel ergibt sich aus

1 1 q
− q0 = − 1 = .
1−q 1−q 1−q

1.0
0.8
0.6
0.4
0.2
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Die Folge der Partialsummen sn der geometrischen Reihe ∑ n qn mit q = −2/3.

Die Reihe konvergiert gegen 1/(1 − q) = 3/5.
1.0
0.8
0.6
0.4
0.2
0 5 10 15 20 25 30 35 40 45 50
Die Partialsummen sn der geometrischen Reihe ∑ n qn mit q = −9/10.

Die Reihe konvergiert (deutlich langsamer als oben) gegen 1/(1 − q) = 10/19.
Für positive q sind die Partialsummen der geometrischen Reihe ∑ n qn streng

monoton steigend. Für q P [0, 1] konvergiert die Reihe. Strebt q im Intervall [0,
1 ] gegen 1, wird der Wert der Reihe beliebig groß, da dann 1/(1 − q) gegen un-
endlich konvergiert. Ab einschließlich q = 1 ist die geometrische Reihe uneigent-
lich konvergent gegen ∞.
Für negative q bilden die Partialsummen von ∑ n qn eine rechtsstartende Pen-
delfolge. Für q P ]−1, 0 [ konvergiert die Reihe mit Werten im Intervall ] 1/2, 1[.
Für q ≤ −1 ist die Reihe divergent und auch nicht uneigentlich konvergent. Für
q = −1 ergibt sich 1, 0, 1, 0, … als Folge der Partialsummen. Die Formel 1/(1 − q)
liefert für q = −1 den Wert 1/2, aber die Folge der Partialsummen divergiert.

Die harmonische Reihe
Die harmonische Reihe ist die Reihe
1 1 1 1
∑n ≥ 1 = 1 + + + + …
n 2 3 4
Die Partialsummen sn dieser Reihe sind aufgrund der positiven Summanden
streng monoton steigend. Das Wachstum ist jedoch sehr langsam. Durch fol-
gende geistreiche Zusammenfassung von Summanden können wir sehen, dass
die harmonische Reihe divergiert:
1 1 1
1 + + + + …
2 3 4
1 1 1 1 1 1 1
= 1 +
2
+ ( 3
+
4
)+( 5
+…+
8
)+( 9
+…+
16
)+…
1 1 1
≥ + + + … = ∞.
2 2 2
Die harmonische Reihe zeigt:

Eine Nullfolge positiver Summanden kann eine unendliche Summe besitzen.
Man kann zeigen, dass die Folge der Partialsummen sn = 1 + … + 1/n der
harmonischen Reihe bis auf eine Konstante so wächst wie der natürliche Lo-
garithmus. Es gilt
limn ( sn − log(n) ) = γ = 0,57721… (Euler-Mascheroni-Konstante)
2 log(x)
log(x) +
5 10 15 20 25
-1
Die Partialsummen der harmonischen Reihe im Vergleich mit dem Logarithmus

In den Übungen werden wir sehen, dass
1 1 1 1
∑n ≥ 1 = 1 + + + + …
n2 4 9 16
konvergiert. Euler zeigte, dass π2 /6 der Wert dieser Reihe ist.
s
1.5
0.5
0 5 10 15 20 25
Die Partialsummen der Reihe ∑ n 1/n2 und ihr Wert s = π2 /6 = 1,6449…
Allgemeiner konvergiert die Reihe
1 1 1
∑n ≥ 1 = 1 + + + …
nk 2k 3k
für jedes k ≥ 2. Die Werte dieser Reihen konnten für gerade Exponenten k be-
rechnet werden. So gilt zum Beispiel
1 π4 1 π6
∑n ≥ 1 = , ∑n ≥ 1 = .
n4 90 n6 945
Für ungerade Exponenten k ist dagegen nur wenig bekannt. Ein einfacher Zu-
sammenhang zwischen ∑ n ≥ 1 1/n3 und π3 scheint nicht zu bestehen.
Eine unendliche Reihe, die noch langsamer divergiert als die harmonische
Reihe, ist die Reihe der rezikroken Primzahlen. Es gilt
1 1 1 1 1 1
∑ p prim = + + + + + … = ∞.
p 2 3 5 7 11
Die Divergenz kann sowohl analytisch als auch kombinatorisch gezeigt wer-
den. Das Wachstum entspricht bis auf eine Konstante dem Wachstum von
log(log(x)). Die Konstante ist die mit γ verwandte Meissel-Mertens-Konstante
M = 0,2614972128… Ein bemerkenswertes Ergebnis einer wunderbaren
Theorie.

1.5
1.0
log(log(x))
log(log(x)) + M
0.5
10 20 30 40 50
Die Partialsummen ∑ p prim, p ≤ n 1/p (rot) für n ≤ 50 im Vergleich mit log(log(x))
Konvergenzkriterien für unendliche Reihen
Wir betrachten drei klassische Kriterien, mit denen sich in vielen Fällen die
Konvergenz einer Reihe feststellen lässt.
Satz (Leibniz-Kriterium für alternierende Reihen)

Sei (xn )n P N eine monoton fallende Nullfolge. Dann konvergiert
∑ n (−1)n xn = x0 − x1 + x2 − x3 + …
Der Beweis besteht in der Beobachtung, dass die Partialsummen

sn = ∑ k ≤ n (−1)k xk
eine konvergente (in x0 rechtsstartende) Pendelfolge bilden.
Beispiele
Die unendlichen Reihen
(−1)n − 1 1 1 1
∑n≥1 = 1 − + − + … (alternierende harm. Reihe)
n 2 3 4
(−1)n − 1 1 1 1
∑n≥1 = 1 − + − + … (Leibniz-Reihe)
2n − 1 3 5 7
konvergieren nach dem Leibniz-Kriterium. Weitaus schwieriger als die
Feststellung der Konvergenz ist die Berechnung der Grenzwerte. Man
kann zeigen, dass die alternierende harmonische Reihe gegen log(2) und die
Leibniz-Reihe gegen π/4 konvergiert; der Leser vergleiche hierzu die
Taylor-Entwicklungen des Logarithmus und Arkustangens in Abschnitt 2.

Unser zweites Kriterium ist:
Satz (Majoranten-Kriterium)
Sei ∑ n yn eine konvergente Reihe positiver reeller Zahlen. Weiter sei
(xn )n P N eine Folge in R mit |xn | ≤ yn für alle n. Dann konvergiert ∑ n xn .
Zum Beweis zeigt man, dass die Partialsummen der Folge (xn )n P N eine
Cauchy-Folge bilden. Gelten die Voraussetzungen des Satzes, so sagen wir auch,
dass die Reihe ∑ n xn durch die konvergente Reihe ∑ n yn majorisiert wird.
1.0 q
q2
q3
0.5
1 2 3 4 5 6 7 8 9 10 11 12
-0.5
-1.0
Majorisierung durch eine geometrische Reihe ∑ n qn mit q = 9/10:

Eine Reihe ∑ n xn konvergiert, falls jedes xn im n-ten Intervall [ − qn , qn ] liegt.
Das Kriterium führt im Zusammenspiel mit der geometrischen Reihe zu:
Satz (Quotienten-Kriterium)
Sei ∑ n xn eine unendliche Reihe mit xn ≠ 0 für alle n. Es gebe ein q P ] 0, 1 [
mit der Eigenschaft
xn + 1
| xn |≤q für alle n P N.
Dann konvergiert ∑ n xn .
Beweis
Sei q wie im Satz. Dann gilt
|x1 | ≤ q |x0 |, |x2 | ≤ q |x1 | ≤ q2 |x0 |, …
Induktiv ergibt sich
|xn | ≤ |x0 | qn für alle n P N.
Damit wird die Reihe ∑ n xn durch die (wegen q < 1 konvergente) skalierte
geometrische Reihe | x0 | ∑ n qn majorisiert.

Warnung
Im Quotientenkriterium ist es wichtig, dass die Schranke q der Quotienten
kleiner als 1 ist. Es genügt nicht, dass alle Quotienten kleiner als 1 sind.
Entsprechende Beispiele diskutieren wir in den Übungen.
Für Anwendungen ist nützlich:
Gültigkeit ab einer Stelle im Quotienten-Kriterium

Da die Konvergenz einer unendlichen Reihe nicht von endlich vielen
Summanden abhängt, genügt es im Majoranten- und Quotientenkriterium,
wenn die Bedingungen ab einer Stelle n0 gelten, also zum Beispiel
xn + 1 9
| xn | ≤
10
für alle n ≥ 5
erfüllt ist.
Ein Beispiel für eine derartige Abschätzung der Quotienten ab einer Stelle lie-
fert die folgende vielleicht wichtigste Anwendung des Quotientenkriteriums,
mit der wir eine Hypothek einlösen können:
Konvergenz der Exponentialreihe

Sei x P R beliebig. Wir betrachten die Exponentialreihe
xn x2 x3
∑n = 1 + x + + + …
n! 2 3!
Sei nun n0 eine natürliche Zahl mit n0 ≥ 2|x|. Dann gilt
xn + 1 /(n + 1)! |x| 1

| xn /n! |= n+1
≤
2
für alle n ≥ n0 .
Damit konvergiert die Exponentialreihe für x nach dem Quotientenkrite-

rium.
Der Konvergenzbeweis verwendet letztendlich eine Majorisierung durch eine

geometrische Reihe.

Übungen
Übung 1
Zeichnen Sie Diagramme des Typs I und II zu einigen Folgen Ihrer Wahl.
Diskutieren Sie die Unterschiede der beiden Typen und die Frage, ob sich
sich für gewisse Folgen ein Typ besser eignet als der andere.
Übung 2
Erläutern Sie die Konvergenz und Divergenz von Folgen mit Hilfe der
Folgendiagramme von Typ I und II. Betrachten Sie dabei zunächst einen
anschaulichen Grenzwertbegriff und in einer zweiten Stufe die ε-Defini-
tion.
Übung 3
Zeigen Sie mit Hilfe der Epsilontik, dass ein Grenzwert einer konvergenten
Folge (xn )n P N eindeutig bestimmt ist. Zeichnen Sie ein Diagramm, das die
Beweisidee erläutert.
Übung 4
Sei (xn )n P N eine konvergente Folge in R. Zeigen Sie mit Hilfe der
Epsilontik, dass (xn )n P N beschränkt ist.
Übung 5
Seien (xn )n P N und (yn )n P N gegen x bzw. y konvergente Folgen in R. Zeigen
Sie, dass limn (xn + yn ) = x + y. Erstellen Sie ein Diagramm zur Illustration
Ihrer Argumentation.
Übung 6
Beweisen Sie die restlichen Limesregeln für Folgen.
[ Zum Beweis der Regel für das Produkt zweier Folgen: Betrachten Sie ein s
mit der Eigenschaft
|x|, |y|, |xn |, |yn | < s für alle n.
Wählen Sie nun für ein gegebenes ε > 0 den Index n0 derart, dass
|x − xn |, |y − yn | < ε/(2s) für alle n ≥ n0 .
Zeigen Sie, dass |xy − xn yn | < ε für alle n ≥ n0 . ]
Übung 7
Beweisen Sie das Konvergenzkriterium für Pendelfolgen.
[ Zerlegen Sie eine Pendelfolge in zwei monotone Folgen und verwenden
Sie das Konvergenzkriterium für monotone Folgen. ]

Übung 8
Führen Sie die Beweisskizze zur Charakterisierung der konvergenten
Folgen durch Cauchy-Folgen im Detail aus.
Übung 9
Beweisen Sie das Majoranten-Kriterium.
Übung 10
Erstellen Sie ein Diagramm des Typs II für die Partialsummen der
alternierenden harmonischen Reihe.
Übung 11
(a) Bestimmen Sie die Partialsummen sn und den Wert der Reihe
1 1 1 1
∑n ≥ 1 = + + + …
n(n + 1) 1⋅2 2⋅3 3⋅4
(b) Zeigen Sie mit Hilfe von (a), dass die Reihe ∑ n ≥ 1 1/n2 konvergiert.
(c) Lässt sich das Quotientenkriterium verwenden, um die Konvergenz

der Reihe ∑ n ≥ 1 1/n2 zu beweisen?
Übung 12
Untersuchen Sie die folgende unendliche Reihe auf Konvergenz:
n2
∑n ≥ 1
2n
Übung 13
Visualisieren Sie die folgenden geometrischen Reihen:
1 1 1 1 2
∑n ≥ 1 = 1, ∑ n ≥ 1 = , ∑ n ≥ 1 (− )n = .
2n 4n 3 2 3
Übung 14
Wir betrachten die unendliche Reihe
n 1 2 3 4 5
∑n ≥ 1 = + + + + + …
2n 2 4 8 16 32
(a) Berechnen Sie einige Partialsummen sn und vermuten Sie, welchen
Wert die Reihe besitzt.
(b) Ordnen Sie die Summanden in der aufgespalteten Form
1 1 1 1 1 1
, , , , , , …
2 4 4 8 8 8
so an, dass Sie den Wert der Reihe bestimmen können.

Übung 15
Sei ∑ n xn eine unendliche Reihe wie im Leibniz-Kriterium. Zeigen Sie,
dass die Partialsummen der Reihe eine konvergente Pendelfolge bilden.
Erstellen Sie ein Diagramm zur Illustration.
Übung 16
Recherchieren Sie nach weiteren Beweisen für die Divergenz der harmoni-
schen Reihe. Vergleichen Sie einen der Beweise mit dem hier geführten
Beweis durch Klammerung.
Übung 17
Recherchieren Sie, was über die unendlichen Reihen der Form ∑ n ≥ 1 1/nk
mit k P N* bekannt und nicht bekannt ist.

3. Grenzwerte und Stetigkeit
von Funktionen
In diesem Kapitel präzisieren wir mit Hilfe der Epsilontik die Begriffe „Grenz-
wert“ und „Stetigkeit“ für Funktionen. Wir wählen einen anschaulichen Zu-
gang, bei dem der Verlauf eines Funktionsgraphen innerhalb gewisser Rechtecke
betont wird.

Grenzwerte bei Funktionen
Wir haben den Grenzwert

limx →p f(x) = a
mit einer Funktion f : P → R und reellen Zahlen a,p bislang anschaulich verwen-
det, vor allem bei der Untersuchung von Differentialquotienten. Unser Ziel ist
es nun, diesen Grenzwert genau zu definieren. Dabei treffen wir folgende Ver-
einbarung über die betrachtete Stelle p P R:
Vereinbarung
Wir nehmen im Folgenden an, dass für alle ε > 0 das Intervall ] p − ε, p + ε [
mindestens ein Element des Definitionsbereichs P von f enthält.
Dies ist insbesondere dann erfüllt, wenn die Stelle p ein Element von P ist oder
wenn P ein Intervall und p eine Intervallgrenze von P ist (die nicht notwendig zu
P gehören muss).
Nach diesen Vorbereitungen definieren wir:
Definition (Verlauf in einem Rechteck)

Seien f : P → R und (p, a) P R2 . Weiter seien ε, δ > 0. Wir sagen, dass die
Funktion f im ε-δ-Rechteck bei (p, a) verläuft, falls gilt:
Für alle x P P mit |x − p| < δ gilt |f(x) − a| < ε.
Anschaulich besagt die Bedingung, dass der Graph der Funktion f im Inter-
vall ] p − δ, p + δ [ ganz innerhalb des Rechtecks R mit Mittelpunkt (p, a) und
Seitenlängen 2δ und 2ε verläuft, d. h.
Graph(f ) ∩ (Iδ (p) × R) ⊆ R = Iδ (P) × Iε (a),
wobei
Iδ (p) = ] p − δ, p + δ [, Iε (a) = ] a − ε, a + ε [.
Im Folgenden ist stets ε mit der y-Achse und δ mit der x-Achse assoziiert.
Definition (Grenzwert einer Funktion)

Wir schreiben limx → p f(x) = a, falls gilt:
Für alle ε > 0 gibt es ein δ > 0, sodass f im ε-δ-Rechteck bei (p, a) verläuft.
Wir nennen dann a den Grenzwert von f an der Stelle p und sagen, dass f
gegen a strebt, wenn x gegen p strebt.
Statt „an der Stelle“ sagen wir gleichwertig auch „im Punkt“ oder „bei“. Dies
gilt, wo immer anwendbar, auch bei den folgenden Begriffsbildungen.

3. Grenzwerte und Stetigkeit von Funktionen 49
Beispiel
Der Sinus cardinalis si : R* → R ist definiert durch
sin(x)
si(x) = für alle x P R*.
x
Die Funktion ist im Nullpunkt nicht definiert. Wir setzen p = 0 und a = 1
und fragen nach dem Verlauf von si in ε-δ-Rechtecken bei (p, a) = (0, 1).
1.0
0.5
si(x)
-10 -5 5 10
1.0
0.5
si(x)
-10 -5 5 10
Der Sinus cardinalis verläuft im ε-δ-Rechteck bei (0, 1) für ε = 3/10 und δ = 1,
aber nicht im ε-δ-Rechteck bei (0, 1) für ε = 3/10 und δ = 2.
Ist ε > 0 vorgegeben, so verläuft f im ε-δ-Rechteck bei (0, 1), wenn δ > 0 hin-
reichend klein gewählt wird. Damit gilt
limx →0 si(x) = 1.
Diesen Grenzwert kennen wir bereits von der Diskussion der Ableitung des
Sinus:
sin(x) sin(x) − 0
limx →0 = limx →0 = sin′(0) = 1.
x x−0

Stetigkeit
Anschaulich lässt sich die Stetigkeit einer Funktion so beschreiben:

Die Funktion macht keine Sprünge.
Die Funktionswerte ändern sich wenig, wenn sich die Stelle hinreichend wenig ändert.
Mit Hilfe des Grenzwertbegriffs für Funktionen können wir die Stetigkeit in
einfacher Weise exakt definieren:
Definition (Stetigkeit einer Funktion)

Sei f : P → R, und sei p P P. Dann heißt f stetig an der Stelle p, falls gilt:
limx →p f(x) = f(p).
Andernfalls heißt f unstetig an der Stelle p. Weiter heißt f stetig, falls f stetig
an allen Stellen p P P ist.
Bemerkung
(1) Eine Aussage „f ist stetig/unstetig bei p“ beinhaltet immer, dass p ein
Element des Definitionsbereichs P von f ist. Die Funktion 1/x ist stetig
(ergänze: überall auf ihrem Definitionsbereich R*). Es ergibt keinen
Sinn zu sagen, dass 1/x unstetig im Nullpunkt ist, weil die Funktion
dort nicht definiert ist.
(2) Da p ein Element des Definitionsbereichs von f ist, liegt f(p) in allen
betrachteten Rechtecken. Damit ist die Bedingung limx → p f(x) = f(p)
äquivalent zur Existenz des Grenzwerts limx → p f(x). Wenn dieser
Grenzwert existiert, muss er gleich f(p) sein.
Die Bedingung limx →p f(x) = f(p) können wir in der Form

limx →p f(x) = f(limx →p x)
schreiben, die eine suggestive Interpretation der Stetigkeit nahelegt:
Limesbildung und Funktionsanwendung sind vertauschbar.
Ausformuliert und mit Quantoren notiert lautet unsere Definition:
Epsilon-Delta-Formulierung der Stetigkeit von f an der Stelle p

∀ε > 0 ∃δ > 0 ∀x P P (|x − p| < δ → |f(x) − f(p)| < ε)
Gleichwertig:
∀ε > 0 ∃δ > 0 ∀x P P ∩ ] p − δ, p + δ [ |f(x) − f(p)| < ε
Für die Stetigkeit von f (an allen Stellen) kommt noch ein weiterer Allquantor
„∀p P P“ davor. Die Reihenfolge der Quantoren ist genau zu beachten.

p+
f(p) 2
f(p) -
2
p- p p+
f(x)
p+
f(p) 2
f(p) -
2
f(x)
Zur ε-δ-Stetigkeit an der Stelle p: f verläuft im ε-δ-Rechteck bei (p, f(p)).

Wird ε verkleinert, kann auch δ geeignet verkleinert werden,
sodass der Verlauf im Rechteck erhalten bleibt.
Aufgrund der Quantorenformulierung wird unsere Stetigkeitsdefinition auch

ε-δ-Stetigkeit genannt. Daneben ist auch Umgebungsstetigkeit üblich, da für eine
beliebig kleine Umgebung U von f(p) eine Umgebung V von p existiert derart,
dass f die gesamte Umgebung V von p in die Umgebung U von f(p) abbildet. In
dieser „topologischen Form“ wird die Stetigkeit in der Mathematik heute in all-
gemeineren Räumen erklärt, in denen ein Umgebungsbegriff definiert ist.
Die Stetigkeit von f bedeutet nicht, dass man den Graphen von f ohne abzuset-
zen zeichnen kann. Der Stetigkeitsbegriff ist wesentlich allgemeiner. Zum einen
haben wir bereits gesehen, dass etwa die Funktion f : R* → R mit f(x) = 1/x für alle
x P R* stetig ist. Sie lässt sich aber nicht zeichnen, ohne abzusetzen, da sie im
Nullpunkt nicht definiert ist. Nun könnte man einwenden, dass f natürlich auf
einem Intervall definiert sein muss, damit die Anschauung greift. Aber auch dann
ist die Anschauung nicht korrekt. Weierstraß zeigte, dass es stetige Funktionen
gibt, die an keiner Stelle differenzierbar sind. Derartige Funktionen kann man
nicht zeichnen ohne abzusetzen. Korrekt ist: Kann man den Graphen einer auf
einem Intervall definierten Funktion f zeichnen, ohne abzusetzen, so ist f stetig.

1 f
1
2
1
3
1 1 1
1
8 4 2
Eine Zackenfunktion f : [ 0, 1 ] → R mit Zacken der Höhe 1, 1/2, 1/3, …, 1/n, …

Die Funktion ist stetig (auch im Nullpunkt), kann aber nicht ohne abzusetzen
gezeichnet werden: Ihr Graph besitzt aufgrund der Divergenz der harmonischen Reihe
eine unendliche Länge, da jeder Zacken länger als 1/n ist.
1.5
1.5
1.0 f1
1.0 f2
0.5
0.5
-1.0 -0.5 0.5 1.0 -1.0 -0.5 0.5 1.0
-0.5
-0.5
-1.0
-1.0
-1.5
-1.5
2 2
1 f4 1 f8
-1.0 -0.5 0.5 1.0 -1.0 -0.5 0.5 1.0
-1 -1
-2 -2
Partialsummen fn einer Weierstraß-Funktion f : R → R:

f(x) = ∑ n (1/2n ) cos(3n π x), fn (x) = ∑ k ≤ n (1/2k ) cos(3k π x) für alle x P R.
Die Funktion f ist überall stetig, aber nirgendwo differenzierbar.

In der Analysis zeigt man:
Satz (Stetigkeit der elementaren Funktionen)

Alle elementaren Funktionen sind stetig.
Zum Beweis dieses Satzes wird zuerst nachgewiesen, dass alle Grundfunktio-
nen, aus denen die elementaren Funktionen aufgebaut werden (Polynome, Ex-
ponentialfunktionen, trigonometrische Funktionen) stetig sind. Weiter zeigt
man, dass die Operationen der Addition, Subtraktion, Multiplikation, Division,
Verknüpfung und Umkehrung stetige Funktionen ergeben, wenn sie auf stetige
Funktionen angewendet werden. Damit ist der Satz bewiesen, denn die elemen-
taren Funktionen werden aus den Grundfunktionen mit Hilfe dieser Operatio-
nen aufgebaut.
Vieles ist also stetig, aber nicht alles:
Beispiele für unstetige Funktionen

(1) Die Vorzeichenfunktion sgn : R → R mit
sgn(x) = −1 für x < 0, sgn(0) = 0, sgn(x) = 1 für x > 0
ist unstetig im Nullpunkt und in allen anderen Punkten stetig. Das
Gleiche gilt für die Variante der Vorzeichenfunktion, die im Nullpunkt
den Wert 1 besitzt.
(2) Die Funktion f : R → R mit
f(x) = sin(1/x) für x ≠ 0,
f(0) = 0
ist unstetig im Nullpunkt und in allen anderen Punkten stetig.
(3) Die Dirichlet-Sprungfunktion f : [ 0, 1 ] → R mit
f(x) = 1, falls x rational,
f(x) = 0, falls x irrational
ist an allen Stellen unstetig.
(4) Die Funktion f : R → R mit
f(x) = x, falls x rational,
f(x) = − x, falls x irrational,
ist im Nullpunkt stetig und an allen anderen Stellen unstetig.
(5) Die Thomae-Funktion f : R → R mit
f(x) = 0, falls x irrational,
f(m/n) = 1/n für gekürzte Brüche m/n mit n ≥ 1
ist stetig an allen irrationalen und unstetig an allen rationalen Stellen.

1.0
sgn(x)
0.5
-1.0 -0.5 0.5 1.0
-0.5
-1.0
Die sgn-Funktion ist unstetig an der Stelle p = 0: Für ε = 1/2 verläuft sgn nicht im
ε-δ-Rechteck bei (0, 0) = (0, sgn(0)), wie klein δ > 0 auch gewählt wird.
1.0
0.5
-1.5 -1.0 -0.5 0.5 1.0 1.5
-0.5
-1.0
Die Funktion f mit f(x) = sin(1/x) für x ≠ 0 und f(0) = 0 ist an der Stelle 0 unstetig.
0.75
0.5
0.25
-1.0 -0.5 0.0 0.5 1.0 1.5 2.0
Die Thomae-Funktion ist genau an den irrationalen Stellen stetig.

Links- und rechtsseitige Grenzwerte
Oft möchte man „x strebt gegen p“ auf die linke oder rechte Seite der betrach-
teten Stelle p beschränken. Unsere Grenzwertdefinition kann leicht in dieser
Hinsicht angepasst werden:
Definition (Grenzwert einer Funktion mit Nebenbedingung)

Der Grenzwert
limx ↑p f(x) = limx → p, x < p f(x) = a
ist wie oben definiert, wobei nun nur x-Werte betrachtet werden, die
kleiner als p sind. Wir nennen dann a den linksseitigen Grenzwert von f an
der Stelle p und sagen, dass f gegen a strebt, wenn x von links oder von unten
gegen p strebt. Analog ist der rechtsseitige Grenzwert
limx ↓p f(x) = limx → p, x > p f(x) = a
definiert, bei dem nur x-Werte größer als p betrachtet werden.
Von der Stelle p wird bei einem linksseitigen Grenzwert immer vorausgesetzt,
dass p ein linksseitiger Häufungspunkt von P ist, d. h. es gilt
∀δ > 0 P ∩ ] p − δ, p [ ≠ 0.
Analog betrachten wir rechtsseitige Grenzwerte naturgemäß nur dann, wenn p
ein rechtsseitiger Häufungspunkt von P ist. Eine Annäherung an p von links bzw.
rechts ist andernfalls innerhalb des Definitionsbereichs P von f gar nicht mög-
lich.
Die einseitigen Grenzwerte erlauben die folgende Charakterisierung der Ste-
tigkeit:
Satz (Stetigkeit über einseitige Grenzwerte)

Sei f : P → R und p P P. Dann sind äquivalent:
(a) f ist stetig bei p.
(b) limx ↑p f(x) = f(p) = limx ↓p f(x).
Dabei ist in (b) ein einseitiger Grenzwert zu streichen, wenn p kein entsprechen-
der Häufungspunkt von P ist. Ist also zum Beispiel P = [0, 1] und p = 1, so verein-
facht sich die Bedingung zu
limx ↑1 f(x) = f(1).
Die Aussage (b) können wir etwas salopp, aber dafür griffig, so formulieren:
Linksseitiger Grenzwert gleich Funktionswert gleich rechtsseitiger Grenzwert.

Beispiele
(1) Für die Vorzeichenfunktion sgn gilt
limx ↑0 sgn(x) = −1, limx ↓0 sgn(x) = 1, sgn(0) = 0.
(2) Sei f : R → R mit f(x) = 0 für alle x ≠ 0 und f(0) = 1. Dann gilt
limx ↑0 f(x) = limx ↓0 f(x) = 0, f(0) = 1.
Dass sowohl der linksseitige als auch der rechtsseitige Grenzwert gleich a ist,
können wir durch
limx → p, x ≠ p f(x) = a
zum Ausdruck bringen.
Bemerkung
Nach unserer Definition wird in
limx →p f(x) = a
der Punkt p bei der „Annäherung an p“ zugelassen, sofern er sich im
Definitionsbereich von f befindet. Die Literatur ist hier nicht einheitlich,
manchmal wird der Punkt p explizit ausgeschlossen, sodass „x → p“ nach
unserer Lesart bedeutet, dass „x → p, x ≠ p“.
Uneigentliche Grenzwerte
Auch bei Grenzwerten für Funktionen können wir für p und a die symboli-
schen Werte ∞ und −∞ zulassen. Hierzu setzen wir:
limx →∞ f(x) = a, falls ∀ε > 0 ∃n ∀x P P (x ≥ n → |f(x) − a| < ε),
limx →p f(x) = ∞, falls ∀m ∃δ > 0 ∀x P P (|x − p| < δ → f(x) > m),
limx →∞ f(x) = ∞, falls ∀m ∃n ∀x P P (x ≥ n → f(x) > m).
In „x → ∞“ nehmen wir immer an, dass P nach oben unbeschränkt ist. Grenz-
werte, die den symbolischen Wert −∞ enthalten, werden analog definiert. Einen
Grenzwert, der einen symbolischen Wert ∞ oder −∞ involviert, nennen wir auch
einen uneigentlichen Grenzwert.
Der Leser möge sich uneigentliche Grenzwerte für Funktionen wieder mit
Hilfe von Rechtecken veranschaulichen. Die Rechtecke sind nun unbeschränkte
Teilmengen der Ebene. Die Idee bleibt gleich.

Die Folgenstetigkeit
Grenzwerte für Folgen und Grenzwerte für Funktionen hängen eng zusam-
men:
Satz (Funktionsgrenzwerte über Folgengrenzwerte)

Seien f : P → R und p, a P R. Dann sind äquivalent:
(a) limx →p f(x) = a.
(b) Für jede Folge (xn )n P N in P mit limn xn = p gilt limn f(xn ) = a.
Einige Vorbemerkungen zum Beweis: Die Implikation von (a) nach (b) können
wir durch Einsetzen der Definitionen zeigen. Etwas schwieriger ist dagegen die
Implikation von (b) nach (a). Wir führen den Beweis indirekt, d. h. wir nehmen
non(a) an und zeigen non(b). Die Annahme non(a) liefert uns ein ε > 0 derart,
dass f aus allen ε-δ-Rechtecken bei (p, a) ausbricht, wie klein δ auch gewählt wird.
Zeugen für derartige Ausbrüche entlang einer Nullfolge positiver δn ergeben
eine Folge (xn )n P N in P, die gegen p konvergiert, deren f-Werte aber nicht gegen
a konvergieren, da sie alle mindestens den Abstand ε von a haben.
Beweis
(a) impliziert (b):
Es gelte limx → p f(x) = a. Sei (xn )n P N eine Folge in P mit limn xn = p.
Wir zeigen:
(+) lim n f(x n ) = a.
Sei hierzu ε > 0. Dann gibt es ein δ > 0 mit:
(++) |x − p| < δ → |f(x) − a| < ε für alle x P P.
Wegen limn xn = p gibt es ein n0 mit |x n − p| < δ für alle n ≥ n0 . Nach
(++) gilt also |f(x n ) − a| < ε für alle n ≥ n0 . Dies zeigt, dass limn f(xn ) = a.
non(a) impliziert non(b):
Es gelte also non(limx → p f(x) = a). Dann gibt es ein ε > 0 derart, dass für
alle δ > 0 ein x P P existiert mit
|x − p| < δ und |f(x) − a| ≥ ε.
Speziell gibt es für alle n P N ein xn P P derart, dass
|xn − p| < 1/2n und |f(xn ) − a| ≥ ε.
Dann ist (xn )n P N eine gegen p konvergente Folge in P mit der Eigen-
schaft non(limn f(xn ) = a).

Hieraus ergibt sich eine sehr bedeutsame Formulierung der Stetigkeit einer
Funktion mit Hilfe von Folgen. Wir definieren hierzu:
Definition (Folgenstetigkeit)
Sei f : P → R, und sei p P P. Dann heißt f folgenstetig an der Stelle p, falls
gilt:
Für alle Folgen (xn )n P N in P mit limn xn = p gilt limn f(xn ) = f(p).
Weiter heißt die Funktion f folgenstetig, falls f folgenstetig an allen Stellen
p P P ist.
f(x2 )
f(p) f(p)
f(x1 )
f(x0 )
x0 x1 x2 p
f(x)
Zur Folgenstetigkeit an der Stelle p: Konvergiert x0 , x1 , x2 , … gegen p,

so konvergieren die Funktionwerte f(x0 ), f(x1 ), f(x2 ), … gegen f(p).
Nach dem obigen Satz sind die beiden Stetigkeitsbegriffe äquivalent. Wir
halten dieses Ergebnis explizit fest:
Korollar (ε-δ-Stetigkeit und Folgenstetigkeit)

Sei f : P → R, und sei p P P. Dann sind die folgenden Aussagen äquivalent:
(a) f ist stetig an der Stelle p.
(b) f ist folgenstetig an der Stelle p.
Die Folgenstetigkeit einer Funktion f können wir auch so notieren:

(+) Für alle konvergenten Folgen (xn )n P N in P gilt limn f(xn ) = f(limn xn ).
Dadurch wird erneut die Vertauschbarkeit von Grenzwertbildung und Funkti-
onsanwendung zum Ausdruck gebracht.

sgn(x2 ) sgn(x1 ) sgn(x0 )
0 x2 x1 x0
sgn(x)
Zur Folgen-Unstetigkeit von sgn an der Stelle 0: Die Folge 1, 1/2, 1/4, … konvergiert
gegen 0, aber die zugehörigen Funktionswerte konvergieren nicht gegen sgn(0) = 0.
Unsere Überlegungen zeigen, dass sich der Grenzwertbegriff für Funktionen

mit Hilfe des Grenzwertbegriffs für Folgen definieren lässt. Zum Abschluss der
Diskussion halten wir fest, dass umgekehrt auch eine Definition des Grenzwerts
für Folgen mit Hilfe der ε-δ-Grenzwertdefinition für Funktionen möglich ist.
Hierzu müssen wir nur beobachten, dass Folgen spezielle Funktionen sind:
Satz (Folgengrenzwerte über Funktionsgrenzwerte)

Sei (xn )n P N ein Folge in R. Dann sind äquivalent:
(a) limn xn = a.
(b) limx →∞ f(x) = a, wobei f : N → R definiert ist durch f(n) = xn .
Alternativ können wir in (b) zum Beispiel auch die Funktion g : P → R mit
P = { 1/n | n ≥ 1 } und
g(1/n) = xn für alle n ≥ 1
verwenden und limx → 0 g(x) = a fordern. Dadurch lassen sich uneigentliche
Grenzwerte vermeiden.

Stetigkeits- und Unstetigkeitsbeweise
Die Stetigkeitsdefinitionen weisen komplexe Quantorenkombinationen auf.

Wollen wir zeigen, dass eine Funktion f : P → R an einer Stelle p P P stetig ist,
so können wir eine der beiden folgenden äquivalenten Methoden verwenden:
Nachweis der Epsilon-Delta-Stetigkeit an einer Stelle p

Wir müssen zeigen:
∀ε > 0 ∃δ > 0 ∀x P P (|x − p| < δ → |f(x) − f(p)| < ε).
Hierzu betrachten wir ein beliebiges ε > 0. Nun ist es unsere Aufgabe, ein
geeignetes δ > 0 (in Abhängigkeit von ε) zu definieren, sodass f im ε-δ-
Rechteck bei (p, f(p)) verläuft.
Nachweis der Folgenstetigkeit an einer Stelle p

Wir müssen zeigen:
Für jede Folge (xn )n P N in P mit limn xn = p gilt limn f(xn ) = f(p).
Hierzu betrachten wir eine beliebige Folge (xn )n P N in P mit limn xn = p.
Für diese Folge müssen wir nun zeigen:
∀ε > 0 ∃n0 ∀n ≥ n0 |f(xn ) − f(p)| < ε.
Zum Nachweis dieser Aussage betrachten wir ein beliebiges ε > 0. Nun
müssen wir ein geeignetes n0 finden (in Abhängigkeit von ε), sodass alle
Werte f(xn ) für alle n ≥ n0 im Intervall ] f(p) − ε, f(p) + ε [ liegen.
Entsprechend verlaufen Nachweise der Unstetigkeit:
Nachweis der Epsilon-Delta-Unstetigkeit an einer Stelle p

Wir müssen zeigen:
∃ε > 0 ∀δ > 0 ∃x P P (|x − p| < δ ∧ |f(x) − f(p)| ≥ ε).
Wir müssen also ein geeignetes ε > 0 definieren, so dass f für ein beliebig
kleines δ > 0 nicht im ε-δ-Rechteck bei (p, f(p)) verläuft. Dass also f jedes
derartige Rechteck an mindestens einer Stelle x P ] p - δ, p + δ [ an seinem
Rand berührt oder verlässt.
Nachweis der Folgenunstetigkeit an einer Stelle p

Wir müssen zeigen:
Es gibt eine Folge (xn )n P N in P mit limn xn = p und limn f(xn ) ≠ f(p).
Zum Beweis dieser Aussage müssen wir eine gegen p konvergente Folge
(xn )n P N in P konstruieren derart, dass die Folge (f(xn ))n P N entweder
divergiert oder aber gegen ein a konvergiert mit a ≠ f(p).

Übungen
Übung 1
Erläutern Sie den Verlauf einer Funktion in einem ε-δ-Rechteck und die
ε-δ-Stetigkeit durch Diagramme. Achten Sie bei der Stetigkeit besonders
auf die Abhängigkeitsverhältnisse zwischen ε und δ.
Übung 2
Betrachten Sie zwei waagrechte Achsen (Kopien des reellen Zahlenstrahls).
Eine Funktion f : R → R können wir als Abbildung der Punkte der ersten
Achse auf Punkte der zweiten Achse auffassen.
(a) Illustrieren Sie diese Interpretation einer Funktion durch Dia-
gramme anhand einfacher Beispiele.
(b) Erläutern Sie die ε-δ-Stetigkeit einer beliebigen Funktion f : R → R
an einer Stelle p anhand dieser Interpretation.
Übung 3
Die Stetigkeit hatten wir anschaulich formuliert durch:
Die Funktionswerte ändern sich wenig,
wenn sich die Stelle hinreichend wenig ändert.
Erläutern Sie die Bedeutung des Wortes „hinreichend“ in dieser Formulie-
rung.
Übung 4
Sei f : P → R, und sei p P P. Die ε-δ-Stetigkeit von f an der Stelle p lautet:
∀ε > 0 ∃δ > 0 ∀x P P (|x − p| < δ → |f(x) − f(p)| < ε).
(a) Welche Bedeutung hat die Aussage
∃δ > 0 ∀ε > 0 ∀x P P (|x − p| < δ → |f(x) − f(p)| < ε),
bei der die Quantoren über ε und δ vertauscht sind?
(b) Welche Bedeutung hat die Aussage
∃ε > 0 ∀δ > 0 ∀x P P (|x − p| < δ → |f(x) − f(p)| < ε),
bei der die Quantoren über ε und δ verwechselt sind?
(c) Welche Bedeutung hat die Aussage
∀ε > 0 ∃δ > 0 ∃x P P (|x − p| < δ → |f(x) − f(p)| < ε),
bei der der letzte Allquantor zu einem Existenzquantor geworden
ist?

Übung 5
Sei f : R → R mit f(x) = x2 für alle x P R. Zeigen Sie sowohl mit Hilfe der
ε-δ-Stetigkeit als auch mit Hilfe der Folgenstetigkeit, dass f stetig ist.
Übung 6
Weisen Sie sowohl mit Hilfe der ε-δ-Stetigkeit als auch mit Hilfe der
Folgenstetigkeit nach, dass die Vorzeichenfunktion sgn : R → R unstetig
im Nullpunkt ist. Zeichnen Sie Diagramme zur Illustration Ihrer Beweise.
Übung 7
Wir betrachten die Funktion f : R → R mit
x≠0
f(x) =
{ sin(1/x)
0
falls
sonst.
(a) Bestimmen Sie die Nullstellen und lokalen Extrema von f.

(b) Weisen Sie sowohl mit Hilfe der ε-δ-Stetigkeit als auch mit Hilfe der
Folgenstetigkeit nach, dass die Funktion f im Nullpunkt unstetig ist.
Übung 8
Zeigen Sie mit Hilfe der Folgenstetigkeit und der Limesregeln für Folgen,
dass f + g, c f für c P R, f ⋅ g und f/g stetige Funktionen sind, wenn f und g
stetig sind. Folgern Sie hieraus die Stetigkeit aller Polynome und rationalen
Funktionen unter Verwendung der Stetigkeit der Identität.
Übung 9
Zeigen Sie, dass die Verknüpfung g + f zweier stetiger und miteinander
verknüpfbarer Funktionen f und g stetig ist.
Übung 10
Sei f : P → R differenzierbar an der Stelle p P P. Zeigen Sie, dass f stetig an
der Stelle p ist.

4. Komplexe Zahlen
Wir erweitern die reellen Zahlen R zu den komplexen Zahlen C, sodass unser
Zahlsystem die Form
N ⊆ Z ⊆ Q ⊆ R ⊆ C
annimmt. Die komplexen Zahlen sind gegenüber den reellen Zahlen durch die
uneingeschränkte Lösbarkeit von algebraischen Gleichungen ausgezeichnet.
Dies wird durch die Hinzunahme einer neuen Zahl i, der sog. imaginären Ein-
heit, erreicht, die die Eigenschaft i2 = −1 erfüllt. Überraschenderweise lässt sich
der neue Zahlkörper C der komplexen Zahlen einfach als die Euklidische Ebene
R2 auffassen − und speziell i als der Punkt (0, 1) −, sodass die Zahlen von ihrem
„imaginären Charakter“ befreit werden: Wir rechnen mit Punkten der Ebene, so
wie wir mit Punkten einer Linie rechnen.

Motivation
Die Geschichte des Zahlbegriffs ist durch schrittweise Erweiterungen ge-

prägt, die alle einer gewissen Zeit bedurften, um als Erweiterungen des Zahlbe-
griffs anerkannt zu werden: Die Null, rationale Zahlen als Zahlen (nicht nur als
Zahlverhältnisse), negative Zahlen, irrationale Zahlen. Einen Höhepunkt der
Entwicklung stellen die reellen Zahlen dar, die sich aufgrund ihrer Vollständig-
keit als Modell eines Linearkontinuums bewährt haben. Es stellt sich die Frage:
Können die reellen Zahlen noch einmal erweitert werden oder ist R der Abschluss der
Entwicklung?
Eine mögliche Erweiterung ist bereits in der Frühgeschichte der Analysis an-
gelegt: Infinitesimale Größen wie dx und df(x)/dx in der Leibniz-Notation. Das
Modell R und die Fundierung der Analysis mit Hilfe der Epsilontik zeigt, dass in-
finitesimale Größen nicht nötig sind, um die Differential- und Integralrechnung
aufbauen zu können. Dennoch blieb die Frage nach der Möglichkeit solcher
Größen, und diese Frage ist im 20. Jahrhundert mit der Nonstandard-Analysis
positiv beantwortet worden. Damit kann R (unter Preisgabe des Archimedischen
Axioms und damit der linearen Vollständigkeit) tatsächlich noch einmal erwei-
tert werden. Aber auch eine ganz andere Erweiterung ist möglich, und um diese
Erweiterung soll es hier gehen. Wir betrachten hierzu zwei verschiedene Zu-
gänge. Der erste entspricht grob der historischen Entwicklung, der zweite der
mathematik-intrinsischen Suche nach Struktur. Der Leser, der die komplexen
Zahlen möglichst schnell kennenlernen möchte, kann die Motivationen über-
schlagen.
Motivation I: Wurzeln negativer Zahlen
Die Gleichung x2 = −1 hat keine Lösung in R. Setzen wir rein formal

i = £−1
und rechnen wir mit i wie üblich, so gilt i2 = −1 und (−i)2 = −1, sodass die Glei-
chung x2 = −1 zwei Lösungen besitzt, wie es ja für viele Gleichungen zweiten
Grades der Fall ist. Wenn i eine Zahl sein soll, so sind auch x + i y für alle x, y P R
Zahlen. Rechnen wir wie üblich, so gilt für alle x1 , x2 , y1 , y2 P R:
(x1 + iy1 ) + (x2 + iy2 ) = (x1 + x2 ) + i (y1 + y2 ).
(x1 + iy1 ) ⋅ (x2 + iy2 ) = x1 x2 + i x1 y2 + i y1 x2 + i2 y1 y2
= (x1 x2 − y1 y2 ) + i (x1 y2 + x2 y1 ).
Je länger wir in dieser Weise rein formal rechnen, desto mehr entsteht der Ein-
druck, dass in den Ausdrücken x + i y neue Zahlen vorliegen, die sich von der ur-
sprünglichen Motivation der „negativen Wurzeln“ lösen. Die neue Zahl i ist eine

4. Komplexe Zahlen 65
Zahl, deren Quadrat −1 ergibt. Das ist ungewöhnlich, aber nicht offensichtlich
widersprüchlich, da ja nicht behauptet wird, dass i eine reelle Zahl ist und dass die
neuen Zahlen in allen Aspekten mit den reellen Zahlen übereinstimmen. Der
Wunsch nach einer Präzisierung entsteht, um „vermutlich nicht widersprüch-
lich“ zu „nicht widersprüchlich“ zu verbessern. Da nun eine Zahl x + iy vollkom-
men durch die beiden beteiligten reellen Zahlen x, y bestimmt ist, kann man auf
die Idee kommen, eine Zahl x + iy mit dem Punkt (oder Vektor) (x, y) P R2 der
Ebene zu identifizieren. Diese Idee wird auch dadurch nahegelegt, dass die For-
mel für die Addition an eine Vektoraddition erinnert und die Formel für die Mul-
tiplikation zumindest den Kenner an die Drehformel für Vektoren der Ebene
denken lässt. Fassen wir Größen x + i y als Punkte (x, y) der Ebene auf, so werden
die Zahlen x + iy = (x, y) P R2 anschaulich und dem Reich des Imaginären ent-
rückt. Wegen i = 0 + i 1 ist speziell
i = (0, 1)
der kanonische Einheitsvektor auf der y-Achse. Weiter lässt sich wie üblich die
Menge R der reellen Zahlen als Teilmenge von R2 auffassen, indem eine reelle
Zahl x mit dem Punkt (x, 0) identifiziert wird.
(x, y) = x + iy
iy = (0, y)
i = (0, 1)
1 = (1,0) x = (x, 0)
Eine komplexe Zahl x + iy als Punkt (x, y) der Ebene
Damit haben wir eine Erweiterung der reellen Zahlen gefunden, die dem Zah-
lenstrahl keine neuen Punkte mehr hinzufügt, sondern eine zweite Dimension.
Der entscheidende Unterschied zur Vektorrechnung der Ebene ist die eigenar-
tige Multiplikation, die sich aber zum Glück geometrisch mit Hilfe von Drehun-
gen anschaulich deuten lässt.

Motivation II: Eine „gute“ Multiplikation für die Ebene
Für eine beliebige Dimension n ≥ 1 können wir zwei Vektoren des reellen
Raumes Rn = { (x1 , …, xn ) | x1 , …, xn P R } durch Addition ihrer Komponen-
ten addieren. Für den Fall n = 2 gilt für alle (x1 , y1 ), (x2 , y2 ) P R2 :
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ). (komponentenweise Addition)
Diese Addition teilt mit der reellen Addition alle wesentlichen Eigenschaften.
Beispielsweise gelten das Assoziativ- und Kommutativgesetz. Folgende Frage ist
damit nur natürlich:
Lassen sich Vektoren der Ebene (oder allgemeiner des Rn ) nicht nur addieren,
sondern auch so multiplizieren, dass die üblichen Rechenregeln gelten?
Die Aufgabe lautet also: Finde eine „gute Multiplikation“ für die Ebene. Der er-
ste Ansatz ist
(x1 , y1 ) ⋅ (x2 , y2 ) = (x1 x2 , y1 y2 ). (komponentenweise Multiplikation)
Für diese Multiplikation gilt aber zum Beispiel
(1, 0) ⋅ (0, 1) = (1 ⋅ 0, 0 ⋅ 1) = (0, 0),
was im Vergleich zu R keine „gute“ Eigenschaft ist. Auch das Euklidische Skalar-
produkt (x1 , y1 ) ⋅ (x2 , y2 ) = x1 x2 + y1 y2 ist als Analogon zur reellen Multiplikation
nicht überzeugend, da als Werte nur reelle Zahlen auftreten und erneut
(1, 0) ⋅ (0, 1) = 1 ⋅ 0 + 0 ⋅ 1 = 0
gilt. Wir brauchen also einen neuen Ansatz. Betrachten wir hierzu einen Punkt
z = (x, y) auf dem Einheitskreis. Für den Punkt z soll das Inverse 1/z P R2 exi-
stieren und es soll z ⋅ 1/z = 1 = (1, 0) gelten, wenn 1 = (1, 0) die Rolle der 1 über-
nimmt. Bei der Betrachtung dieser Inversenbildung kann man auf die Idee
kommen, den mit der x-Achse eingeschlossenen Winkel von z zu betrachten:
Spiegeln wir den Vektor z P R2 an der x-Achse zu w P R2 , so ist w das Inverse
von z, wenn die Multiplikation über die Addition von Winkeln erklärt wird.
Eine genauere Überlegung zeigt, dass folgende Multiplikationsregel nicht nur
für Punkte des Einheitskreises sondern für alle z P R2 „gut“ ist:
Multipliziere die Längen und addiere die Winkel der beiden beteiligten Vektoren.
Eine geometrische Analyse wie bei der Findung der Drehformel zeigt, dass diese
Multiplikation in kartesischen Koordinaten durch
(x1 , y1 ) ⋅ (x2 , y2 ) = (x1 x2 − y1 y2 , x1 y2 + y1 x2 )
definiert wird. Damit ist eine gute Multiplikation für die Ebene gefunden.
Wie sieht es mit den anderen Dimensionen Rn , n ≥ 3, aus? Die Antwort hierauf
ist viel schwieriger zu finden. Das überraschende Ergebnis lautet: Es gibt noch
„einigermaßen gute“ Multiplikation im R4 und R8 , in den anderen Dimensionen
jedoch nicht. Wir verweisen den Leser hierzu auf die Literatur.

Die Gaußsche Zahlenebene
Motiviert durch obige Überlegungen definieren wir:
Definition (komplexe Zahlen, Gaußsche Zahlenebene)

Wir setzen
C = R2 = { (x, y) | x, y P R }.
Jedes Element z = (x, y) von C heißt eine komplexe Zahl. Für alle komplexen
Zahlen z1 = (x1 , y1 ), z2 = (x2 , y2 ) setzen wir:
z1 + z2 = (x1 + x2 , y1 + y2 ), (komplexe Addition)
z1 ⋅ z2 = (x1 x2 − y1 y2 , x1 y2 + y1 x2 ), (komplexe Multiplikation)
wobei auf der rechten Seite die reellen Operationen verwendet werden.
Die mit den Operationen + und ⋅ ausgestattete Menge R2 nennen wir die
Gaußsche Zahlenebene oder den Körper der komplexen Zahlen. Weiter sei
C* = C − { 0 }.
Wir identifizieren eine reelle Zahl x mit der komplexen Zahl (x, 0). Dadurch
erreichen wir R ⊆ C, sodass die komplexen Zahlen die reellen Zahlen erweitern.
Für alle c P R und z = (x, y) P C gilt
c z = c (x, y) = (c, 0) (x, y) = (c x − 0 y, c y + 0 x) = (cx, c y),
sodass die Multiplikation mit einem reellen ersten Faktor der üblichen Skalar-
multiplikation von Vektoren entspricht.
Unsere bevorzugten Zeichen für komplexe Zahlen sind z,w,u. Je nach Kontext
nennen wir ein z P C eine Zahl, einen Punkt oder einen Vektor der Ebene.
z1 +z2
z1 z2
z2
z1
cu

Die geometrische Deutung der komplexen Multiplikation
Die Addition komplexer Zahlen ist die vertraute Vektoraddition. Weiter hat
sich die Multiplikation einer reellen Zahl mit einer komplexen Zahl als die übli-
che Skalierung eines Vektors herausgestellt. Eine anschauliche Bedeutung des
Produkts zweier beliebiger komplexer Zahlen liegt dagegen noch nicht vor. Um
eine solche zu finden, erinnern wir uns an die Drehformel: Bei unserer Diskus-
sion der Additionstheoreme für den Kosinus und Sinus hatten wir für zwei
Punkte
P1 = (x1 , y1 ) = (cos α, sin α), P2 = (x2 , y2 ) = (cos β, sin β)
des Einheitskreises gezeigt, dass
Q = (x1 x2 − y1 y2 , x1 y2 + y1 x2 ).
der Punkt auf dem Einheitskreis mit dem Winkel α + β (modulo 2π) ist. Das ist
genau die Form der komplexen Multiplikation. Damit erhalten wir:
Spezielle geometrische Multiplikationsregel

Das Produkt zweier komplexer Zahlen auf dem Einheitskreis ist diejenige
komplexe Zahl auf dem Einheitskreis, deren Winkel der Summe der
Winkel der beiden Zahlen entspricht.
Durch Skalierung gewinnen wir hieraus eine allgemeine Version: Sind (x1 , y1 ),
(x2 , y2 ) P C* und r1 , r2 > 0 die Euklidischen Längen der Vektoren, so gilt
1 1
(x1 , y1 ) ⋅ (x2 , y2 ) = r1 r2 ( r1
(x1 , y1 ) ⋅
r2
)
(x2 , y2 ) .
Die mit 1/r1 und 1/r2 skalierten Vektoren auf der rechten Seite sind die Projek-
tionen der beiden Vektoren auf den Einheitskreis. Da der Winkel eines Vektors
bei Projektion auf den Einheitskreis unverändert bleibt, erhalten wir mit Hilfe
der speziellen Regel:
Geometrische Multiplikationsregel
Zwei komplexe Zahlen werden multipliziert, indem ihre Längen multipli-
ziert und ihre (mit der positiven x-Achse eingeschlossenen und gegen den
Uhrzeigersinn gemessenen) Winkel addiert werden.
Hier und im Folgenden ordnen wir dem Nullvektor 0 = (0, 0) zur Vereinfachung
der Sprechweise den Winkel 0 zu, wo immer dies nützlich ist. Dann gilt die Regel
auch dann, wenn eine der komplexen Zahlen gleich 0 ist.
Die Multiplikation komplexer Zahlen lässt sich mit Hilfe von Polarkoordina-
ten bestechend einfach formulieren:

Multiplikation komplexer Zahlen in Polarkoordinaten

Für alle komplexen Zahlen (r1 , ϕ1 ), (r2 , ϕ2 ) in Polarkoordinaten gilt
(r1 , ϕ1 ) ⋅ (r2 , ϕ2 ) = (r1 r2 , ϕ1 + ϕ2 ).
Mit Hilfe der geometrischen Multiplikationsregel lassen sich viele komplexe

Formeln anschaulich erklären. Man kann zum Beispiel mit etwas Mühe nach-
rechnen, dass die komplexe Multiplikation kommutativ ist, d.h. dass z w = w z für
alle z,w P C gilt. Mit der geometrischen Deutung ist dies sofort klar, da die Mul-
tiplikation von Längen und die Addition von Winkeln kommutativ sind. Glei-
ches gilt für die Assoziativität, d. h. z (w u) = (z w) u für alle z, w, u P C.
z1 z1
z1 z2 z2
1 1
z2
-1 1 -1 1
-1 -1
z1 z2
7 5
2
2 12 12
3 3
3
4 4
5
6 6
11
12 12
z1
0
1 2 3 4 5 6 7
13 23
12 z2 12
7 11
6 6
5 7
4 z1 z2 4
4 5
3 17 19 3
3
12 12
2

Die imaginäre Einheit
Definition (imaginäre Einheit)

Wir setzen i = (0, 1) P C. Die komplexe Zahl i heißt die imaginäre Einheit.
Nach Definition der Multiplikation gilt

i = (0, 1) ⋅ (0, 1) = (0 ⋅ 0 − 1 ⋅ 1, 0 ⋅ 1 + 1 ⋅ 0) = (−1, 0) = −1.
2
Mit Hilfe der Multiplikationsregel können wir so argumentieren: Die komplexe

Zahl i2 = i ⋅ i hat die Länge 1 ⋅ 1 und den Winkel π/2 + π/2 = π, sodass
i2 = (−1, 0) = −1.
Der Vektor i = (0, 1) wird durch Multiplikation mit i um π/2 gedreht, sodass sich
(−1, 0) = −1 ergibt.
Allgemeiner gilt für alle (x, y) P C
i (x, y) = (0, 1) ⋅ (x, y) = (0 x − 1 y, 0 y + 1 x) = (−y, x).
Damit ist i (x, y) der um π/2 gedrehte Vektor (x, y), was wir erneut auch ohne
Rechnung geometrisch einsehen können: Die Länge von i(x, y) ist die Länge von
(x, y) und der Winkel von i(x, y) ist der Winkel von (x, y) plus π/2. Wir halten fest:
Drehungen um π/2
Die Multiplikation einer komplexen Zahl z mit i dreht z um π/2 gegen den
Uhrzeigersinn. Die Multiplikation von z mit (−i) dreht z um π/2 im
Uhrzeigersinn.
Eine einfache Anwendung dieser Überlegungen st:
Satz (Standarddarstellung komplexer Zahlen)

Für alle z = (x, y) P C gilt z = x + i y.
Beweis
Sei z = (x, y) P C. Dann gilt
z = (x, 0) + (0, y) = x + i (y, 0) = x + i y.
Mit Hilfe der Standarddarstellung, i2 = −1 und den üblichen Rechenregeln

lässt sich die Formel für die komplexe Multiplikation reproduzieren (vgl. obige
Motivation I):
(x1 , y1 ) ⋅ (x2 , y2 ) = (x1 + i y1 ) ⋅ (x2 + i y2 )
= x1 x2 + i x1 y2 + i y1 x2 + i2 y1 y2
= (x1 x2 − y1 y2 ) + i (x1 y2 + y1 x2 )
= (x1 x2 − y1 y2 , x1 y2 + y1 x2 ).

Realteil, Imaginärteil, Betrag und Konjugation
Als Nächstes führen wir Koordinatenfunktionen einer komplexen Zahl ein:
Definition (Real- und Imaginärteil, rein imaginär)

Sei z = (x, y) P C. Dann setzen wir:
Re(z) = x, Im(z) = y.
Die reellen Zahlen Re(z) und Im(z) heißen der Realteil bzw. der Imaginärteil
von z. Eine komplexe Zahl z heißt rein imaginär, falls Re(z) = 0.
Zu beachten ist, dass auch der Imaginärteil stets eine reelle Zahl ist. Die imagi-
näre Einheit hat zum Beispiel den Realteil 0 und den Imaginärteil 1.
Die Standarddarstellung einer komplexen Zahl liest sich nun in der Form
z = Re(z) + i Im(z).
Definition (Betrag einer komplexen Zahl)

Sei z P C. Dann setzen wir
|z| = £Re(z)2 + Im(z)2.

Die reelle Zahl |z| heißt der Betrag von z.
Der Betrag einer komplexen Zahl z = (x, y) ist die Euklidische Länge des Vek-
tors (x, y). Die Eigenschaften des komplexen Betrags entsprechen den aus dem
Reellen bekannten Eigenschaften:
Satz (Eigenschaften des Betrags)

Für alle z, w P C gilt:
(a) |z| = 0 genau dann, wenn z = 0,
(b) |z + w| ≤ |z| + |w|, (Dreiecksungleichung)
(c) |z w| = |z| |w|. (Produktregel)
Der Nachweis dieser Eigenschaften kann dem Leser überlassen werden.

Eine sehr nützliche und häufig verwendete Funktion auf C ist:
Definition (komplexe Konjugation)

Sei z P C. Dann setzen wir:
z = z* = Re(z) − i Im(z).
Die komplexe Zahl z heißt die (komplex) Konjugierte von z.

Geometrisch entspricht die komplexe Konjugation der Spiegelung eines Vek-

tors an der x-Achse. Die Notation z* ist vor allem in der Physik üblich. Für alle
komplexen Zahlen gelten die Formeln
z + z z − z
|z|2 = z ⋅ z, Re(z) = , Im(z) = .
2 2i
Der Leser beweise diese Formeln sowohl algebraisch als auch mit Hilfe der Mul-
tiplikationsregel.
Die komplexe Konjugation ist nützlich für die Inversenbildung. Dabei ist das
Inverse z−1 von z P C definiert als das eindeutige w P C mit z ⋅ w = 1.
Satz (multiplikative Inverse)

Sei z P C mit z ≠ 0. Dann gilt
z
z−1 = .
|z|2
Den Beweis durch Nachrechnen überlassen wir dem Leser als Übung. Geo-
metrisch lässt sich die Formel für die Inversenbildung leicht einsehen (und mer-
ken). Denn die komplexe Zahl w auf der rechten Seite hat die Länge |z|−1 und
den negativen Winkel von z. Damit hat z ⋅ w die Länge |z||z|−1 = 1 und den
Winkel 0. Das Inverse von z entsteht also durch Spiegelung an der x-Achse und
Skalierung um das Inverse des Betragsquadrats von z.
1
z z
Im(z)
|z| |z|
zw
Re(z) 1
|z| -1
w
z
-1
Real- und Imaginärteil, Betrag, komplexe Konjugation und Inversenbildung

Übungen
Übung 1
Zeigen Sie sowohl in kartesischen Koordinaten als auch in Polarkoordina-
ten, dass die komplexe Multiplikation kommutativ und assoziativ ist, d. h.
dass
z w = w z, z (w u) = (z w) u für alle z, w, u P C.
Übung 2
Zeigen Sie, dass die komplexen Zahlen das Distributivgesetz erfüllen:
z(w + u) = z w + z u für alle z, w, u P C.
Begründen Sie das Distributivgesetz zudem geometrisch mit Hilfe eines
Diagramms und der geometrischen Multiplikationsregel.
Übung 3
Zeigen Sie, dass für alle z, w P C gilt:
(a) |z| = 0 genau dann, wenn z = 0,
(b) |z + w| ≤ |z| + |w|, (Dreiecksungleichung)
(c) |z w| = |z| |w|. (Produktregel)
[ Hinweis zu (b): Es gilt 2 |x y| ≤ x2 + y2 für alle x, y P R. Zeigen Sie diese

Aussage, wenn Sie sie zum Beweis der Dreiecksungleichung verwenden
möchten.]
Übung 4
Zeigen Sie (wahlweise in kartesischen Koordinaten oder in Polarkoordina-
ten), dass für alle z P C gilt:
z + z
(a) Re(z) = ,
2
z − z
(b) Im(z) = ,
2i
(c) |z|2 = z z,
z
(d) z− 1 = , falls z ≠ 0.
|z|2
Illustrieren Sie die Formeln mit Hilfe von Diagrammen.

5. Der Fundamentalsatz der Algebra
Die komplexen Zahlen zeichnen sich vor den reellen Zahlen durch die univer-
selle Lösbarkeit von algebraischen Gleichungen aus. Äquivalent formuliert: Je-
des komplexe Polynom zerfällt in Linearfaktoren. Das Paradebeispiel ist
x2 + 1 = (x − i) (x + i).
Diese fundamentale Eigenschaft ist das Thema dieses Kapitels. Wir betrachten
zunächst einige Spezialfälle und geben dann zwei anschauliche Beweise für den
allgemeinen Fall.

Komplexe Polynome
Im ersten Abschnitt hatten wir reelle Polynome betrachtet. Polynome und alle
zugehörigen Begriffe wie Grad, Normiertheit, Nullstelle, algebraische Vielfach-
heit usw. lassen sich in analoger Weise auch für die komplexen Zahlen betrach-
ten. Der Vollständigkeit halber definieren wir explizit:
Definition (komplexes Polynom)

Seien a0 , …, an P C. Dann heißt die Funktion f : C → C mit
f(z) = an zn + an − 1 zn − 1 + … + a0 für alle z P C
das (komplexe) Polynom oder die (komplexe) Polynomfunktion mit den
Koeffizienten a0 , …, an .
Genau wie für R wird der Grad deg(f) eines komplexen Polynoms erklärt.
Auch die Definitionen der Begriffe Leitkoeffizient, normiert, Nullpolynom, konstan-
tes Polynom, Nullstelle können übernommen werden.
Ein komplexes Polynom lässt sich visualisieren, indem wir in ein Diagramm
für einige z Pfeile von z nach f(z) eintragen. In den folgenden Diagrammen be-
trachten wir die Abbildungsdynamik zweier einfacher Polynome auf dem Ein-
heitskreis.
1.0
0.5
-1.0 -0.5 0.5 1.0
-0.5
-1.0
Die Wirkung von f(z) = z2 /2 auf dem Einheitskreis

5. Der Fundamentalsatz der Algebra 77
-1 1 2 3
-1
-2
Die Wirkung von f(z) = z2 + z + 1 auf dem Einheitskreis
Die Visualisierung mit Hilfe von Pfeilen führt schnell zu unübersichtlichen

Darstellungen. Eine Alternative, die prinzipiell die gesamte Information der
Funktion zum Ausdruck bringen kann, ist:
Die Farbkreismethode (color wheel method, domain coloring)

Jeder komplexen Zahl im Polarkoordinaten (r, ϕ) wird eine von ϕ abhän-
gige Farbe eines Farbkreises und eine von r abhängige Farbintensität
zugeordnet. Zum Beispiel kann der Nullpunkt schwarz (alternativ: weiß)
und komplexe Zahlen mit großem Radius r blass (alternativ: gesättigt)
eingefärbt werden. Oft werden auch periodische Intensitäten verwendet,
um die Darstellung optisch zu verbessern. Eine Funktion f : C → C können
wir nun visualisieren, indem wir jeden Punkt z der Zahlenebene mit der
Farbe f(z) einfärben. Die Nullstellen von f erscheinen dabei als schwarze
(alternativ: weiße) Punkte.
Da wir im Folgenden die Nullstellen einer Funktion betonen möchten, färben

wir in den folgenden Beispielen den Nullpunkt schwarz. Weiter verwenden wir
eine relativ starke Verblassung für komplexe Zahlen mit großen Beträgen. Zu-
sätzlich zeichnen wir oft ein Gitter ein, das durch f auf ein polares Koordinaten-
gitter abgebildet wird. Der Standard ist dabei ein „uhrartiges“ polares Gitter mit
ganzzahligen Radien und zwölf Winkelstrahlen.

1 Färbung der komplexen Ebene:

Farbplot des Polynoms
0 f(z) = z
-1
-2
-3
-3 -2 -1 0 1 2 3
1 Farbplot des Polynoms

f(z) = z + 1 + i
0
Nullstellen: − 1 − i
-1
-2
-3
-3 -2 -1 0 1 2 3

f(z) = z2
0
Nullstellen: 0 (doppelt)
-1
-2
-2 -1 0 1 2


f(z) = z2 + 1
0
Nullstellen: i, −i
-1
-2
-2 -1 0 1 2

1+i
f(z) = z2 + z−i
0
2
Nullstellen: (1 + i)/2, −1 − i
-1
-2
-2 -1 0 1 2

f(z) = z3 + z2 − 2
0
Nullstellen: 1, −1 + i, −1 − i
Radiales Gitter: 1, 2, 4, 8, 16
-1
-2
-2 -1 0 1 2

Formulierungen des Fundamentalsatzes
Die Sätze über den Koeffizientenvergleich, die Polynomdivision und das Ab-
spalten von Linearfaktoren bleiben samt ihren Beweisen für komplexe Polynome
gültig. Insbesondere kann ein Polynom n-ten Grades höchstens n Nullstellen
besitzen. Der Fundamentalsatz der Algebra besagt nun, dass tatsächlich n in ih-
rer Vielfachheit gezählte Nullstellen existieren. Es gibt viele Möglichkeiten, die-
ses Ergebnis zu formulieren. Eine davon ist:
Satz (Fundamentalsatz der Algebra)

Seien a0 , …, an P C mit n ≥ 1 und an ≠ 0. Weiter sei f : C → C mit
f(z) = an zn + … + a1 z + a0 für alle z P C
das zugehörige komplexe Polynom. Dann gibt es (nicht notwendig
paarweise verschiedene) w1 , …, wn P C mit
f(z) = an (z − w1 ) ⋅ (z − w2 ) ⋅ … ⋅ (z − wn ) für alle z P C.
Kurz: Jedes komplexe Polynom zerfällt in Linearfaktoren. Oder: Jedes komplexe Poly-
nom ist das Produkt von komplexen Geraden. Ist das Polynom normiert, so lässt es
sich als Produkt von Geraden der Steigung 1 schreiben. Alternativ können wir
den Fundamentalsatz auch (scheinbar schwächer) so formulieren:
Jedes komplexe Polynom vom Grad größergleich 1 besitzt mindestens eine Nullstelle.
Weiß man dies, so gewinnt man durch wiederholtes Abspalten von Linearfakto-
ren den Satz in der obigen Version. Schließlich können wir anstelle eines Poly-
noms auch eine algebraische Gleichung an zn + an − 1 zn − 1 + … + a0 = 0 mit kom-
plexen Koeffizienten ak betrachten und den Fundamentalsatz so zum Ausdruck
bringen: Jede algebraische Gleichung vom Grad n ≥ 1 hat eine komplexe Lösung. In
Analogie zu obiger Version für Polynome formulieren wir:
Satz (Fundamentalsatz der Algebra, Version für algebraische Gleichungen)

Sei an zn + … + a1 z + a0 = 0 eine algebraische Gleichung mit Koeffizienten
a0 , …, an P C, an ≠ 0, n ≥ 1. Dann gibt es w1 , …, wn P C mit
an zn + … + a1 z + a0 = an (z − w1 ) ⋅ (z − w2 ) ⋅ … ⋅ (z − wn ).
Die Gleichung hat also genau die komplexen (nicht notwendig paarweise
verschiedenen) Lösungen w1 , …, wn .
Erfreulicherweise gibt es anschauliche Beweise des Fundamentalsatzes, die auf

der geometrischen Bedeutung der Multiplikation beruhen. Bevor wir einen sol-
chen Beweis vorstellen, betrachten wir einige Spezialfälle. Wir beginnen mit
komplexen Quadratwurzeln und der komplexen Version der Lösungsformel für
Gleichungen zweiten Grades.

Komplexe Quadratwurzeln
Wir definieren:
Definition (komplexe Quadratwurzel)

Sei u P C. Eine komplexe Zahl w heißt eine komplexe Quadratwurzel von u,
falls w2 = u gilt.
Mit w ist immer auch −w eine komplexe Quadratwurzel von u.
Beispiele
(1) −1 hat die komplexen Quadratwurzeln i und −i.
(2) i hat die komplexen Quadratwurzeln
(cos π/4, sin π/4) = c (1, 1) und − c (1, 1), wobei c = 1/£2.
Die komplexen Wurzeln von u sind die Nullstellen des Polynoms f mit
f(z) = z2 − u für alle z P C.
Diese Nullstellen können wir mit Hilfe der Multiplikationsregel sofort angeben:
Satz (komplexe Quadratwurzeln in Polarkoordinaten)

Sei u P C, und sei u = (r, ϕ) in Polarkoordinaten. Dann sind
w = (£r, ϕ/2) und −w = (£r, ϕ/2 + π)
die in Polarkoordinaten dargestellten komplexen Quadratwurzeln von u.
2
z
-2 -1 1 2
-w
-1
-2
Die komplexen Quadratwurzeln von z

Wir ziehen also die reelle Wurzel aus der Länge und halbieren den Winkel der
Zahl u. Zusammen mit der am Nullpunkt gespiegelten komplexen Zahl haben
wir dann die beiden komplexen Wurzeln von u vorliegen.
Wir geben die Wurzeln noch in kartesischen Koordinaten an. Kartesisch ist
w = £r (cos ϕ/2, sinϕ/2).
Nach den Halbwinkelformeln für den Kosinus und Sinus ist
r + r cos ϕ r − r cos ϕ
r cos2 (ϕ/2) = , r sin2 (ϕ/2) = .
2 2
Wegen r cos ϕ = Re(u) erhalten wir
r + Re(u) r − Re(u)
Re(w)2 = r cos2 (ϕ/2) = , Im(w)2 = r sin2 (ϕ/2) = .
2 2
Die Werte cos(ϕ/2) und sin(ϕ/2) haben genau dann verschiedene Vorzeichen,
wenn ϕ einem der Intervalle
…, ] −π, 0 [, ] π, 2π [, ] 3π, 4π [, …
angehört, d. h. wenn Im(u) < 0. Aus w = (Re(w), Im(w)) erhalten wir also:
Satz (komplexe Quadratwurzeln in kartesischen Koordinaten)

Sei u P C. Weiter seien r = |u| und
falls Im(u) ≥ 0,
σ =
{ 1
−1 falls Im(u) < 0.
Dann sind
s s
r − Re(u)
w1/2 = ± ( r + Re(u)
2
, σ
2 )
die komplexen Quadratwurzeln von u.
Die Mitternachtsformel bleibt (mit gleicher Herleitung zum Beispiel durch

quadratische Ergänzung) auch für die komplexen Zahlen gültig. Damit hat eine
Gleichung
a z2 + b z + c = 0, mit a, b, c P C, a ≠ 0
zweiten Grades in C genau die komplexen Lösungen
−b ± £b2 − 4ac
w1,2 = , (Mitternachtsformel für C)
2a
wobei wir unter der Wurzel irgendeine der beiden komplexen Quadratwurzeln
von u = b2 − 4ac verstehen (da ± vor der Wurzel steht, spielt die Wahl nur für
die Nummerierung der Lösungen eine Rolle). Eine solche Wurzel können wir

mit den obigen Sätzen berechnen. In den komplexen Zahlen entfällt die Beach-
tung des Vorzeichens der Diskriminante u. In C führt jede Diskriminante zu Lö-
sungen.
Beispiel
Wir betrachten die Funktion f : C → C mit
f(z) = z2 /2 − z − i.
Nach der Mitternachtsformel sind genau die komplexen Zahlen
−b ± £b2 − 4ac
w1,2 = = 1 ± £1 + 2i
2a
die Nullstellen von f. Nach der Formel des Satzes ist
s s
£5 + 1 £5 − 1
w = ( 2
,
2 )
eine der beiden komplexen Quadratwurzeln von u = 1 + 2i (mit σ = 1,
Re(u) = 1, r = £5). In kartesischen Koordinaten lauten die Nullstellen also
s s
£5 + 1 £5 − 1
w1,2 = 1 ± w = 1 ± ( 2
, ±
2
. )
Auf drei Nachkommastellen gerundet ist
w1 = (2,272; 0,786), w2 = (0,272; − 0,786).
Dreidimensionaler Plot der Funktion g : C → R mit g(z) = |f(z)|2 für alle z P C.

Die Nullstellen von g sind genau die Nullstellen von f.

Die komplexen Einheitswurzeln
Wir definieren nun spezielle n-te Wurzeln:
Definition (n-te Einheitswurzel)

Sei n ≥ 1. Dann heißt ein w P C eine n-te Einheitswurzel, falls wn = 1.
Die n-ten Einheitswurzeln sind nach Definition genau die Nullstellen des
Polynoms f : C → C mit
f(z) = zn − 1 für alle z P C.
Für eine n-te Einheitswurzel w gilt wn = 1, sodass w eine n-te Wurzel der 1 ist. Im
algebraischen Jargon wird die 1 auch als (multiplikative) Einheit bezeichnet, was
die Namensgebung als Einheitswurzel motiviert.
Mit der geometrischen Deutung der Multiplikation können wir die n-ten Ein-
heitswurzeln leicht angeben, wodurch der Fundamentalsatz der Algebra für
wichtige Spezialfälle bereits bewiesen ist. Schreiben wir eine komplexe Zahl w in
Polarkoordinaten (r, ϕ), so gilt wn = (rn , nϕ). Damit gilt wn = (1, 0) genau dann,
wenn eine ganze Zahl k existiert mit
(rn , nϕ) = (1, k 2π).
Damit sind genau die komplexen Zahlen
wk = (1, k2π/n) für alle k P Z
n-te Einheitswurzeln. Beschränken wir k auf 0, …, n − 1, so erhalten wir alle
paarweise verschiedenen Wurzeln. Damit haben wir gezeigt:
Satz (n-te Einheitswurzeln)

Sei n ≥ 1. Dann sind für k = 0, …, n − 1 die komplexen Zahlen
wk = (1, k 2π/n) in Polarkoordinaten,
wk = (cos(k2π/n), sin(k2π/n)) in kartesischen Koordinaten
alle n-ten Einheitswurzeln. Sie bilden das regelmäßige in den Einheitskreis
einbeschriebene n-Eck, dem der Punkt w0 = 1 = (1, 0) angehört.
Traditionell werden die komplexen Einheitswurzeln mit dem griechischen

Buchstaben Zeta bezeichnet. Wir setzen also
k 2π k 2π
(
ζ nk = cos (
n
), sin (
n
)) für alle n ≥ 1 und k P Z.
Ist n fest, schreiben wir nur ζk . Bei festem n gilt für alle k, m P Z:
1 = ζ 0 = ζ kn , ζ k ζ m = ζ k + m , (ζ1 )k = ζk , (ζk )m = ζ m k .

3
1 2
0
-1 1
10
-1 9
8
Die elften Einheitswurzeln ζk = ζ11

k am Einheitskreis
i 0
1
i 1 i 10
i 2 i 9
-1 1
i 3 i 8
i 4 i 7
-1
i 5 i 6
Die Multiplikation der Einheitswurzeln mit i bewirkt eine Drehung der Figur um π/2.

Das regelmäßige Fünfeck
Als Anwendung der komplexen Einheitswurzeln analysieren wir das regelmä-

ßige Fünfeck (Pentagon). Sei hierzu
z = ζ51 = (cos(2π/5), sin(2π/5)).
Dann sind 1, z, z2 , z3 , z4 die Ecken des regelmäßigen in den Einheitskreis ein-
beschriebenen Fünfecks, dem der Punkt (1, 0) angehört. Es gilt
1 − z5
(+) 1 + z + z2 + z3 + z4 = = 0,
1−z
wobei wir beim ersten Gleichheitszeichen die auch in C gültige Formel für die
geometrische Summe bzw. konkret
(1 − z) (1 + z + z2 + z3 + z4 ) = 1 − z5
verwenden und beim zweiten Gleichheitszeichen beobachten, dass z5 = z0 = 1.
Wir setzen nun
w = z + z4 .
Dann ist w reell und weiter positiv, da
w = z + z4 = z + z−1 = z + z = 2 Re(z) = 2 cos(2π/5) > 0.
Weiter gilt
w2 + w − 1 = z2 + 2zz4 + z8 + z + z4 − 1 = 1 + z + z2 + z3 + z4 = 0.
Die Mitternachtsformel liefert wegen w > 0, dass
£5 − 1
w = ,
2
d.h. w ist das Inverse des goldenen Schnitts (1 + £5)/2. Wegen w = 2 Re(z) erhal-
ten wir den Wert
£5 − 1
cos(2π/5) = .
4
Da sich der Punkt P = ((£5 − 1)/4, 0) und damit ζ1 geometrisch mit Zirkel und
Lineal konstruieren lässt (Übung), haben wir unter Verwendung komplexer
Zahlen gezeigt, dass Re(z) und damit z und in der Folge auch das ganze regelmä-
ßige Pentagon mit Zirkel und Lineal konstruierbar ist. Dies ist keineswegs klar.
Ein regelmäßiges Siebeneck kann zum Beispiel nicht mehr mit Hilfe von Zirkel
und Lineal konstruiert werden. Der Wert cos(2π/7) lässt sich im Gegensatz zu
cos(2π/5) nicht mehr als Wurzelausdruck schreiben.

1 1
Die fünften Einheitswurzeln mit

Pentagon (Fünfeck) und Penta-
P gramm (Fünfstern). Im Penta-
-1 1
0 gramm findet sich ein zweites
kleineres Pentagon.
-1
4
Dreidimensionaler Plot der

Funktion g : C → R mit
g(z) = |z5 − 1|2 .
Die fünften Einheitswurzeln
sind die Nullstellen dieser
Funktion.
1.5
1.0
0.5
f(z) = z5 − 1
0.0
Radiales Gitter: 1, 2, 4, 8, 16, 32
-0.5
-1.0
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

Ein anschaulicher Beweis des Fundamentalsatzes, I
Wir haben den Fundamentalsatz der Algebra für komplexe Polynome zweiten
Grades und weiter für die Polynome zn − 1 mit einem beliebigen Grad n ≥ 1 be-
wiesen. Ein vollständiger Beweis des Fundamentalsatzes ist nicht Ziel dieses Tex-
tes. Wir können aber mit einer durch Felix Klein verbreiteten Argumentation die
Gültigkeit des Fundamentalsatzes in voller Allgemeinheit anschaulich einsehen.
Sei also f : C → C,
f(z) = zn + an − 1 zn − 1 + … + a1 z + a0 für alle z P C,
ein ohne Einschränkung normiertes Polynom n-ten Grades mit komplexen Ko-
effizienten (die Nullstellen eines Polynoms ändern sich bei der Division durch
seinen Leitkoeffizienten nicht).
Eine Nullstelle z des Polynoms f ist charakterisiert durch die Eigenschaft
(+) Re(f(z)) = 0 und Im(f(z)) = 0.
Die Nullstellen von f sind also genau die gemeinsamen Nullstellen der reellwer-
tigen Funktionen Re(f(z)) und Im(f(z)) mit Definitionsbereich C. Wir setzen nun
An = { z P C | Re(zn ) = 0 },
Bn = { z P C | Im(zn ) = 0 }.
Diese Mengen können wir mit Hilfe der geometrischen Multiplikationsregel
visualisieren. Sie sind regelmäßige Sterne, die aus n Geraden durch den Null-
punkt bestehen und so 2n unendliche Kreissektoren mit dem Winkel π/n
definieren. Der Menge Bn gehört die x-Achse an, An entsteht aus Bn (und um-
gekehrt Bn aus An ) durch eine Drehung um den halben Winkel π/(2n) eines
Sektors. Die Geraden, aus denen An und Bn bestehen, wechseln sich ab.
Für komplexe Zahlen z mit einem sehr großen Betrag r = |z| ist f(z) ungefähr
gleich zn , da der Leitterm zn das Polynom dominiert. Damit haben die Mengen
Af = { z P C | Re(f(z)) = 0 },
Bf = { z P C | Im(f(z)) = 0 }
außerhalb eines Kreises K mit dem Mittelpunkt 0 und einem hinreichend großen
Radius r recht genau die sternförmige Gestalt der Mengen An und Bn . Innerhalb
des Kreises K verlaufen die Linien von Af und Bf nicht mehr geradlinig wie in An
und Bn , aber ein Schnittpunkt von Af und K wird aus Stetigkeitsgründen mit ei-
nem weiteren solchen Schnittpunkt verbunden. Gleiches gilt für Bf . Da sich nun
die Schnittpunkte von Af und K mit den Schnittpunkten von Bf und K abwech-
seln, müssen sich die betrachteten Verbindungslinien innerhalb von K schnei-
den. Jeder solche Schnittpunkt ist aber nach (+) und den Definitionen von Af und
Bf eine Nullstelle von f. Da es je 2n Schnittpunkte für Af und Bf mit K gibt, erhal-
ten wir genau n (nicht notwendig paarweise verschiedene) Nullstellen von f.

10 10
5 5
0 0
-5 -5
-10 -10
-10 -5 0 5 10 -10 -5 0 5 10
Die Mengen An (mit y-Achse) und Bn (mit x-Achse) für n = 3 und n = 5
10 10
5 5
0 0
-5 -5
-10 -10
-10 -5 0 5 10 -10 -5 0 5 10
Af und Bf für f(z) = z3 + 2z2 + z + 1 (links) und f(z) = z5 + 2 i z3 − i z2 + 2 z − 1 (rechts)
10 10
5 5
0 0
-5 -5
-10 -10
-10 -5 0 5 10 -10 -5 0 5 10
2 3
Af und Bf für f(z) = (z − i + 3) (z + i − 2) (links) und ein Polynom vom Grad 6 (rechts)

Die Struktur der Mengen An und Bn lässt sich auch mit Hilfe von 3D-Plots vi-
sualisieren. Hierzu verwenden wir die Funktionen re*, im* : C → C mit
re*(z) = 2/π arctan(Re(z)2 ), im*(z) = 2/π arctan(Im(z)2 ) für alle z P C.
Der Wertebereich der beiden Funktionen ist das Intervall [ 0, 1 ]. Die Arkustan-
gens-Funktion bildet alle Funktionswerte in das Intervall [ 0, π/2 ] ab, der Fak-
tor 2/π führt zu Werten in [ 0, 1 ]. Diese Transformation dient der Übersicht-
lichkeit der Darstellung. Für jedes Polynom f : C → C sind die Mengen Af und
Bf genau die Nullstellen von re* + f und im* + f. Im Plot erscheinen diese Men-
gen als Canyons, die in einem hinreichend großen Abstand vom Ursprung eine
sternförmige Gestalt annehmen.
Die Funktionen re*(f(z)) (oben) und im*(f(z)) (unten) samt den Mengen
Af bzw. Bf (als Linien eingezeichnet) für das Polynom f(z) = z5

re*(f(z)), im*(f(z)), Af und Bf für das Polynom f(z) = z3 + 2z2 + z + 1
Ein anschaulicher Beweis des Fundamentalsatzes, II
Einen weiteren sehr anschaulichen Beweis erhalten wir, wenn wir die Bilder
f [ Kr ] = { f(z) | z P Kr } von zentrischen Kreisen Kr = { z P C | |z| = r } unter ei-
nem komplexen Polynom f untersuchen. Konkret betrachten wir f : C → R mit
f(z) = z5 + i z4 − 2z3 + z2 − (1 + i)z + 2 + i für alle z P C.
Das Bild f [ K0 ] ist die einelementige Menge { 2 + i }. Ist dagegen R sehr groß und
z P KR , so ist f(z) ungefähr gleich z5 . Das Bild von KR unter dem Polynom z5 ist
der (fünfmal durchlaufene) Kreis KR5 . Da sich f [ KR ] an KR5 annähert, liegt der
Nullpunkt im Inneren von f [ KR ]. Der Übergang von r = 0 zu r = R ist stetig, so-
dass es ein r* P [ 0, R ] und ein z* P Kr* geben muss mit f(z*) = 0. Die folgenden
Abbildungen visualisieren diese stetige Verformung.

2
2
1
1
-3 -2 -1 1 2 3 -3 -2 -1 1 2 3
-1
-1
-2
-2
-3
-3
50
4
-6 -4 -2 2 4 6 -50 50
-2
-4
-50
-6
1500 40 000
1000
20 000
500
-1500 -1000 -500 500 1000 1500 -40 000 -20 000 20 000 40 000
-500
-20 000
-1000
-1500 -40 000
Die Bilder f [ Kr ] der in fünf Farben aufgeteilten Kreise Kr für r = 1/4, 1/2, 1, 2, 4, 8.
Die rote Linie im dritten Diagramm trifft den Ursprung: Es gilt f(−i) = 0 für − i P K1 .
Die Mengen f [ Kr ] streben gegen fünf überlagerte Kreise Kr5 , wenn r gegen unendlich
strebt. Für das fünfte Diagramm mit r = 8 gilt 85 = 32786.

4
5
-6 -4 -2 2 4 6 -5 5
-2
-5
-4
-6
15
40
10
20
5
-15 -10 -5 5 10 15 -40 -20 20 40
-5
-20
-10
-40
-15
Die vier anderen Nullstellen von f . Die gerundeten Radien sind 0.909 (gelb),
1.005 (blau), 1.352 (violett), 1.809 (grün).
1.0 1.0
0.5 0.5
-1.0 -0.5 0.5 1.0 -1.0 -0.5 0.5 1.0
-0.5 -0.5
-1.0 -1.0
Detailausschnitte der Radien 1 und 1,005 (gerundet)

Komplexe Wurzelfunktionen
Wir hatten unter £z irgendeine der beiden komplexen Wurzeln von z ver-
standen. Wenn wir eine komplexe Wurzelfunktion sqrt : C → C definieren wol-
len, müssen wir uns auf eine der beiden Wurzeln festlegen, da Funktionswerte
eindeutig sind. Wir arbeiten in Polarkoordinaten mit Winkeln in [ 0, 2π [ (Vari-
ante 1) bzw. ] −π, π ] (Variante 2). Die Wurzeln einer komplexen Zahl z = (r, ϕ)
sind w = (£r, ϕ/2) und −w. Wir wählen w und setzen also
sqrt(z) = (£r, ϕ/2) für alle z = (r, ϕ) P C (polar).
10
Farbplot der komplexen Quadrat-

wurzelfunktion sqrt bei Variante 1
0
(Winkelfarben in [ 0, π[ )
-5
-10
-10 -5 0 5 10
10
Farbplot der komplexen Quadrat-

wurzelfunktion sqrt bei Variante 2
0
(Winkelfarben in ] −π/2, π/2])
-5
-10
-10 -5 0 5 10

Bei Variante 1 erhalten wir Winkel in [0, π[, bei Variante 2 Winkel in ]−π/2, π/2].
In ersten Fall ist sqrt unstetig auf der positiven x-Achse, im zweiten unstetig auf
der negativen x-Achse. Obige Farbplots veranschaulichen den beschränkten
Wertebereich und die Unstetigkeits-Strahlen. In der Funktionentheorie wird die
Variante 2 bevorzugt. Dort wählt man das Winkelintervall ] −π, π ] als Standard.
Analoge Überlegungen gelten für dritte und höhere Wurzeln und viele andere
Funktionen. Eine dritte Wurzelfunktion root3 : C → C kann beispielsweise
durch
root3 (z) = (r1/3 , ϕ/3) für alle z = (r, ϕ) P C (polar).
definiert werden. Bei Variante 2 ergeben sich Winkel in ]−π/3, π/3]. Erneut ist
die Funktion unstetig auf der negativen x-Achse.

Übungen
Übung 1
Eine komplexe Funktion f : C → C lässt sich wie beschrieben mit der
Farbkreismethode visualisieren, indem wir jedem Winkel ϕ P [ 0, 2π [ eine
Farbe und jedem r ≥ 0 eine Farbintensität (weiß für r = 0, dunkel für große r)
zuweisen. Jedes z = (r, ϕ) in Polarkoordinaten wird dann mit der Farbe f(z)
gefärbt. Diskutieren Sie qualitativ eine derartige Färbung für die Funktionen
(a) f(z) = z − c mit einer Konstanten c P C,
(b) f(z) = z,
(c) f(z) = 1/z für alle z ≠ 0,
(d) f(z) = z2 ,
(e) f(z) = z3 − 1.
Übung 2
Geben Sie die komplexen Lösungen der Gleichung
3z2 − 2z + 1 = 0
in kartesischen Koordinaten an.
Übung 3
Sei n ≥ 1. Zeigen Sie:
(a) Das Produkt zweier n-ter Einheitswurzeln ist eine n-te Einheitswur-
zel.
(b) Das multiplikative Inverse einer n-ten Einheitswurzel ist eine n-te
Einheitswurzel.
Übung 4
Seien n, m ≥ 1. In welchem Fall ist jede n-te Einheitswurzel auch eine m-te
Einheitswurzel?
Übung 5
Sei n ≥ 1. Geben Sie alle Nullstellen des Polynoms f : C → C mit
f(z) = zn + 1 für alle z P C
polar und kartesisch an. Zeichnen Sie die Nullstellen und beschreiben Sie
ihren Zusammenhang mit den komplexen Einheitswurzeln.

Übung 6
Seien n ≥ 1 und d P C. Geben Sie (in Verallgemeinerung der vorangehen-
den Übung) alle Nullstellen des Polynoms f : C → C mit
f(z) = zn − d für alle z P C
polar und kartesisch an und erstellen Sie ein erläuterndes Diagramm.
Übung 7
Konstruieren Sie mit Zirkel und Lineal den Punkt P = (x1 , 0) mit
£5 − 1
x1 = cos(2π/5) = .
4
Konstruieren Sie mit Hilfe von P ein regelmäßiges Pentagon.
Übung 8
Wie bei der Diskussion des regelmäßigen Fünfecks sei
z = ζ51 = (cos(2π/5), sin(2π/5)).
Wir setzen
a = |1 − z|, b = |1 − z2 |,
sodass a die Länge der Seite und b die Länge der Diagonalen des Pentagons
1, z, z2 , z3 , z4 ist. Erstellen Sie eine Skizze und zeigen Sie mit Hilfe
komplexer Zahlen, dass
s
5 − £5 b 1 + £5
a = , = (goldener Schnitt).
2 a 2

6. Die komplexe Exponentialfunktion
Zum Abschluss unserer Einführung in die Welt der komplexen Zahlen betrach-
ten wir die komplexe Exponentialfunktion, die manchmal als die wichtigste
Funktion der Mathematik bezeichnet wird. Dass die Exponentialfunktion als
Generator für viele Funktionen dienen kann, ist uns aus dem Reellen schon be-
kannt. Im Reellen ist aber kein Zusammenhang mit den trigonometrischen
Funktionen zu sehen. Dies ändert sich im Komplexen in einer wunderbaren Art
und Weise.

Übertragung analytischer Begriffe ins Komplexe
Mit den komplexen Zahlen können wir so arbeiten wie mit den reellen Zahlen.
Lediglich eine lineare Ordnung, mit der zwei Zahlen nach ihrer Größe vergli-
chen werden können, steht in der Zahlenebene C = R2 nicht mehr zur Verfü-
gung. Eine solche Ordnung wird aber für viele grundlegende Konzepte der Ana-
lysis nicht gebraucht. So können wir zum Beispiel den Limes
limn zn = z
einer Folge (zn )n P N komplexer Zahlen wie in R definieren durch
∀ε > 0 ∃n0 ∀n ≥ n0 |z − zn | < ε (mit ε P R wie bisher).
Die Konvergenz von (zn )n P N gegen z bedeutet, dass für jedes ε > 0 fast alle (alle
bis auf höchstens endlich viele) Folgenglieder in der offenen ε-Umgebung
Uε (z) = { w P C | |z − w| < ε }
von z liegen. Kurz: Jeder Kreis um z fängt die Folge schließlich ein.
z2 z1
z8
z7
z9 U (z)
z3
z0
1
z6
z4
z5
1 2
Eine spiralförmige Konvergenz in C: (zn )n P N konvergiert gegen z = (1, 1) = 1 + i
Alternativ lässt sich der Grenzwert einer Folge in C auch über reelle Grenzwerte
ausdrücken: Die Konvergenz von (zn )n P N gegen z ist gleichwertig mit der Kon-
vergenz der beiden reellen Folgen (Re(zn ))n P N und (Im(zn ))n P N gegen die reel-
len Zahlen Re(z) bzw. Im(z). Eine Folge komplexer Zahlen konvergiert also ge-
nau dann, wenn sie koordinatenweise konvergiert.

6. Die komplexe Exponentialfunktion 101
Aus dem Konvergenzbegriff für Folgen ergibt sich genau wie früher der Kon-
vergenzbegriff für unendliche Reihen in C: Im Fall der Existenz ist
∑ n zn = z0 + … + zn + … = limn sn , wobei sn = z0 + … + zn
wieder die n-te Partialsumme der Folge (zn )n P N in C ist.
Auch die Definition des Grenzwerts für Funktionen können wir übernehmen:
limz →p f(z) = a
ist für eine Funktion f : C → C, eine Stelle p P C und ein a P C definiert durch
∀ε > 0 ∃δ > 0 ∀w P C (|w − p| < δ → |f(w) − a| < ε) (mit ε,δ P R wie bisher).
Gilt limz →p f(z) = f(p), so nennen wir wieder f stetig an der Stelle p. Die ε-δ-Be-
dingung
∀ε > 0 ∃δ > 0 ∀w P C (|w − p| < δ → |f(w) − f(p)| < ε)
der Stetigkeit von f an der Stelle p können wir mit Hilfe von Umgebungen auch
kompakt notieren als
(+) ∀ε > 0 ∃δ > 0 f [ Uδ (p) ] ⊆ Uε (f(p)).
Dabei ist f [ X ] = { f(x) | x P X } das Bild der Menge X unter f. Die Formulierung
(+) besagt also, dass für jedes vorgegebene ε > 0 ein geeignetes (von ε abhängiges)
δ > 0 gewählt werden kann, sodass das Bild der δ-Umgebung von p unter f eine
Teilmenge der ε-Umgebung von f(p) ist.
U (f(p))
f(p)
U (p)
Zur ε-δ-Stetigkeit von f an der Stelle p: Zu jedem ε > 0 gibt es ein δ > 0 derart,
dass f die δ-Umgebung Uδ (p) in die ε-Umgebung Uε (f(p)) abbildet.

Die Stetigkeit lässt sich erneut gleichwertig als Folgenstetigkeit formulieren:

Für alle Folgen (zn )n P N in C mit limn zn = p gilt limn f(zn ) = f(p).
Diese Definitionen lassen sich an Funktionen f : P → C anpassen, die nur auf ei-
ner gewissen Teilmenge P der komplexen Zahlenebene definiert sind.
Differentialquotienten können ebenfalls unverändert ins Komplexe übertra-
gen werden: Für f : P → C und p P P heißt im Fall der Existenz
f(z) − f(p)
f ′(p) = limz →p PC
z−p
die Ableitung von f an der Stelle p. Die üblichen Notationen werden übernom-
men. Wie in R gilt zum Beispiel
d n
z = n zn − 1 .
dz
Die Exponentialfunktion im Komplexen
Die reelle Exponentialfunktion exp : R → R hatten wir über ihre Ableitung

und ihren Wert an der Stelle 0 charakterisiert: Sie ist die eindeutige Funktion
f : R → R mit f ′ = f und f(0) = 1. Wesentliche Eigenschaften sind das Additions-
theorem
exp(x + y) = exp(x) exp(y) für alle x, y P R
und die für alle x P R gültige Reihendarstellung
xn x2 xn
exp(x) = ∑ n = 1 + x + + … + + …,
n! 2 n!
die durch gliedweises Differenzieren die Ableitungsregel exp′ = exp reproduziert.
All dies lässt sich nach C übertragen, sodass folgende Definition möglich ist:
Definition (komplexe Exponentialfunktion)

Die komplexe Exponentialfunktion exp : C → C ist die eindeutige Funktion
f : C → C mit
(a) f ′ = f,
(b) f(0) = 1.
Erneut folgt hieraus das Additionstheorem

exp(z + w) = exp(z) exp(w) für alle z, w P C,
welches die Notation
ez für exp(z) (Exponentialschreibweise im Komplexen)
motiviert.

Für alle z P C gilt die Reihendarstellung

zn z2 zn
exp(z) = ∑ n = 1+z+ +…+ +… (komplexe Exponentialreihe)
n! 2 n!
Die komplexe Exponentialfunktion setzt die reelle Exponentialfunktion fort,
d. h. für alle x P R ⊆ C stimmen die Werte der beiden Funktionen überein.
Die Konvergenz der komplexen Exponentialreihe lässt sich wieder mit Hilfe
des Quotientenkriteriums und der geometrischen Reihe nachweisen. Letztere
wird wie in R eingeführt. Für die komplexe geometrische Summe gilt
1 − zn + 1
∑ k ≤ n zk = 1 + z + z2 + … + zn = für alle z ≠ 1,
1−z
sodass die komplexe geometrische Reihe im Inneren des Einheitskreises konver-
giert:
1
∑ n zn = 1 + z + z2 + … + zn + … = für alle z mit |z| < 1.
1−z
Beispiel
Wir setzen c = 19/20 ⋅ 1/£2 und q = c (1 + i). Die geometrische Reihe für q
konvergiert, da |q| = 19/20 < 1. Der Grenzwert berechnet sich zu
1 1
1−q
=
c2 + (1 − c)2
( 1 − c, c ) = ( 0,587…, 1,201… ).
Die Konvergenz ist aufgrund der Nähe von q zum Rand des Einheitskreises
recht langsam.
s4 s3
2
s12 s11
s5
s2
s13 s10
s14
s6 1
s9
s15 s1
s7 s8
s0
1 2
Die Partialsummen der geometrischen Reihe für q = 95/100 (1 + i)/£2

Kreisaufwicklung und Eulersche Formel
Während die komplexe Exponentialfunktion formal der reellen gleicht, sind

uns ihre Abbildungseigenschaften noch weitgehend unbekannt. Wir kennen die
Funktion zunächst nur auf der x-Achse, da sie dort mit der reellen Exponential-
funktion zusammenfällt. Schreiben wir eine beliebige komplexe Zahl z in der
Standardzerlegung z = x + i y mit x = Re(z) und y = Im(z), so gilt aufgrund des Ad-
ditionstheorems
exp(z) = exp(x + iy) = exp(x) exp(i y).
Damit bleibt die Aufgabe, die Funktionswerte exp(i y) P C für alle y P R zu er-
mitteln: Wir müssen die Exponentialfunktion auf der imaginären Achse untersu-
chen. Ein allgemeiner Wert exp(z) = exp(x + iy) lässt sich als die Skalierung der
komplexen Zahl exp(i y) mit dem positiven reellen Skalar exp(x) auffassen.
Sei also y P R. Wo in der komplexen Ebene liegt exp(iy)? Erneut ist es das Ad-
ditionstheorem, das uns weiterhilft. Aus der Reihenentwicklung gewinnen wir
exp(z) = exp( z ) für alle z P C.
Die Betragsformel |z|2 = z z für komplexe Zahlen liefert im Zusammenspiel mit
dem Additionstheorem, dass
|exp(iy)|2 = exp(i y) exp(i y) = exp(i y) exp(i y) = exp(i y) exp(− i y)
= exp(iy − i y) = exp(0) = 1.
Mit anderen Worten:
Die komplexe Exponentialfunktion bildet die imaginäre Achse auf den Einheitskreis ab.
Da dies in stetiger Form geschieht, wird die imaginäre Achse in einer noch näher
zu ergründenden Art und Weise auf den Einheitskreis aufgewickelt, wobei
ei 0 = e0 = 1 = (1, 0).
Das Einfachste und Beste wäre eine längentreue Aufwicklung, sodass sich ei y
gleichmäßig in y auf dem Einheitskreis bewegt und dabei ein Kreisbogen der
Länge , durchlaufen wird, wenn y ein Intervall der Länge , durchläuft. Nehmen
wir zusätzlich eine Kreisbewegung im bzw. gegen den Uhrzeigersinn für mono-
ton steigende bzw. fallende y an, so würde einfach
ei y = (cos y, sin y) = cos y + i sin y für alle y P R
gelten. Denn wie wir wissen stellt (cos y, sin y) eine Kreisbewegung in der Vari-
ablen y mit den beschriebenen Eigenschaften dar. Der folgende Satz besagt,
dass all dies in der Tat der Fall ist. Es gilt (wobei wir wieder x anstelle von y als
Variable verwenden):

Satz (Kreisaufwicklung, Eulersche Formel)

Für alle x P R gilt
exp(i x) = (cos x, sin x) = cos(x) + i sin(x). (Eulersche Formel)
Wir geben zwei Beweise dieses fundamentalen Ergebnisses.
Beweis 1: Potenzreihenentwicklung
Sei x P R. Dann gilt unter Verwendung der Potenzreihenentwicklungen
des Kosinus und Sinus:
(ix)n x2 xn
eix = ∑ n = 1 + i x + i2 + … + in + …
n! 2 n!
x2 x3 x4 x5 x6 x7
= 1 + ix − − i + + i x − − i + …
2 3! 4! 5! 6! 7!
x2n x2n + 1
= ∑ n (−1)n + i ∑ n (−1)n
(2n)! (2n + 1)!
= cos x + i sin x.
Beweis 2: Ableiten
Wir wissen bereits, dass eix für alle x P R auf dem Einheitskreis liegt. Damit
gibt es für alle x P R ein ϕ(x) P R mit
(+) eix = (cos ϕ(x), sin ϕ(x)) = cos ϕ(x) + i sin ϕ(x).
Also gilt für alle x P R (unter Verwendung der auch in C gültigen elemen-
taren Ableitungsregeln):
d ix d
−sinϕ(x) + i cosϕ(x) = i eix = e = ( cos ϕ(x) + i sin(ϕ(x) )
dx dx
= − sin ϕ(x) ϕ′(x) + i cosϕ(x) ϕ′(x)
= ( −sin ϕ(x) + i cosϕ(x) ) ϕ′(x).
Damit ist ϕ′(x) = 1 für alle x P R. Folglich gibt es ein c P R mit ϕ(x) = x + c
für alle x P R. Speziell ist ϕ(0) = c. Nach (+) gilt für x = 0
1 = ei0 = cos c + i sin c,
sodass c ein ganzzahliges Vielfaches von 2π ist. Sei also k P Z mit c = k2π.
Dann gilt für alle x P R:
eix = cos ϕ(x) + i sin ϕ(x) = cos(x + k2π) + i sin(x + k2π) = cos x + i sin x.

Spezielle Werte der Kreisaufwicklung sind:

exp(0) = 1, exp(i π/2) = i, exp(i π) = −1, exp(i 3π/2) = −i, exp(i 2π) = 1.
Die dritte Aussage ist die berühmte Eulersche Identität. Leicht umformuliert lau-
tet sie:
Korollar (Eulersche Identität)

ei π + 1 = 0.
Damit sind die fünf fundamentalen mathematischen Größen 0, 1, i, π und e in

einer Aussage vereint.
exp
2
3
exp exp
4 4
exp( ) exp(0)
5 7
exp exp
4 4
3
exp
2
Werte der komplexen Exponentialfunktion am Einheitskreis
Aus exp(i 2π) = 1 erhalten wir
Korollar (Periodizität)
Für alle z P C und k P Z gilt exp(z + i k2π) = exp(z).
Beweis
Seien z P C und k P Z. Dann gilt
exp(z + i k 2π) = exp(z) exp(i k 2π) = exp(z) exp(i 2π)k = exp(z) 1k = exp(z).
Aufgrund ihrer Periodizität ist die komplexe Exponentialfunktion durch ihre

Werte auf dem Streifen R × [ 0, 2π [ bestimmt. Die Funktion wiederholt sich,
wenn wir mehrere derartige Streifen übereinander oder untereinander legen.
Wir fassen zusammen:

Anschauliche Beschreibung der komplexen Exponentialfunktion

Sei p P C ein Punkt der Ebene, und sei exp(p) P C sein Bild unter der
komplexen Exponentialfunktion. Bewegen wir uns, in p startend, in der
Variablen z parallel zur x-Achse, so bewegt sich exp(z) auf der Halbgeraden,
die von 0 durch exp(p) führt (positive Skalierung von exp(p)). Dabei erreicht
exp(z) bei einer Bewegung nach links nie die Null, entfernt sich dagegen bei
einer Bewegung nach rechts mit exponentieller Geschwindigkeit. Bewegen
wir uns in p startend in der Variablen z parallel zur y-Achse, so dreht sich f(z)
auf dem Kreis mit Radius r = |f(p)| durch den Nullpunkt. Die Kreisbewe-
gung erfolgt gegen den Uhrzeigersinn bei einer Bewegung nach oben und
im Uhrzeigersinn bei einer Bewegung nach unten. Ein Kreisdurchlauf von
f(z) der Länge 2r π benötigt das Durchlaufen eines Intervalls der Länge 2π
in z. Von p ausgehende Bewegungen in der Variablen z, die sowohl einen
waagrechten als auch einen senkrechten Anteil besitzen, führen zu in f(p)
ihren Ausgang nehmenden Spiralbewegungen von f(z).
10 10
5 5
-10 -5 5 10 -10 -5 5 10
-5 -5
-10 -10
Die Verzerrung des kartesischen Gitters durch die komplexe Exponentialfunktion

(oben) und das Bild zweier Geraden unter exp (unten)

n=1 n=2 n=3
n=4 n=5 n=6
n=8 n = 11 n = 15
n = 20 n = 25 n = 30
Visualisierung der Kreisaufwicklung mit Hilfe der Exponentialreihe:

Für die angegebenen n ist das Bild von [ 0, ∞ [ unter den Partialsummen
sn (i x) = ∑ k ≤ n (ix)k /k! für alle x P R
gezeigt. Ab etwa n = 20 ist eine sehr gute Aufwicklung des Intervalls [ 0, 2π ] erreicht.
Bemerkenswert sind relativ scharfe Wendungen wie bei n = 11.

-3 -2 -1 1 2 3
-1
-2
-3
Visualisierung der Kreisaufwicklung durch ein Pfeildiagramm:

Wirkung der Exponentialfunktion auf der Menge { ix | x P [ −π, π ] }
1.0
0.5
-1.0 -0.5 0.5 1.0 1.5 2.0 2.5
-0.5
-1.0
Zum Kontrast: Wirkung der Exponentialfunktion auf dem Einheitskreis

10
10
5 5
0 0
-5
-5
-10
-10
-10 -5 0 5 10 -10 -5 0 5 10
15
10
10
5
5
0 0
-5
-5
-10
-10
-15
-10 -5 0 5 10 -15 -10 -5 0 5 10 15
20 20
10 10
0 0
-10 -10
-20 -20
-20 -10 0 10 20 -20 -10 0 10 20
Die Mengen Asn = { z | Re(sn (z)) = 0 } und Bsn = { z | Im(sn (z)) = 0 } für die Polynome
sn (z) = ∑ k ≤ n zk /k! mit n = 5, 10, 15, 20, 25.
(Der Leser vgl. den ersten anschaulichen Beweis des Fundamentalsatzes.) Im letzten
Diagramm sind Aexp = { z | Re(exp(z)) = 0 } und Bexp = { z | Im(exp(z)) = 0 } gezeigt.
Die waagrechten Linien verlaufen im Abstand π/2 voneinander.

Farbplot der komplexen

Exponentialfunktion
exp(z) = ∑ n ≥ 0 zn /n!
0
Radiales Gitter:
exp(−3), exp(−2), …, exp(3)
-
-3 -2 -1 0 1 2 3
1 Farbplot des Polynoms
0
s3 (z) = 1 + z + z2 /2 + z3 /6
Radiales Gitter wie oben

-1
-2
-3
-3 -2 -1 0 1 2 3
0
s5 (z) = ∑ k ≤ 5 zk /k!
Radiales Gitter wie oben
-2
-4
-4 -2 0 2 4

Anwendungen der Eulerschen Formel
Wir diskutieren einige Anwendungen der Eulerschen Formel

ix
e = cos x + i sin x für alle x P R.
1. Additionstheoreme für Kosinus und Sinus
Zu den bestechendsten Anwendungen der Eulerschen Formel gehört die si-

multane Herleitung der Additionstheoreme für den Kosinus und Sinus. Für alle
x, y P R gilt:
cos(x + y) + i sin(x + y) = ei (x + y)
= ei x + i y
= ei x ei y
= (cos x + i sin x) (cos y + i sin y)
= cos x cos y − sin x sin y + i (cos x sin y + cos y sin x)
Vergleich von Real- und Imaginärteil liefert
cos(x + y) = cos x cos y − sin x sin y,
sin(x + y) = cos x sin y + cos y sin x.
Damit haben wir beide Additionstheoreme in wenigen Zeilen erhalten. Das Ar-
gument ist ein wunderbares Beispiel dafür, wie der Einsatz der komplexen Zah-
len den reellen Kalkül vereinfachen kann. Effizient, elegant, magisch.
2. Angabe der Einheitswurzeln
Sei n ≥ 1, und seien wieder
k 2π k 2π
ζ nk = ( cos ( n
), sin (
n
)) für k P Z,
sodass ζ n0 , …, ζ nn − 1 die n-ten Einheitswurzeln sind. Dann gilt
ζ nk = ei k 2π/n für alle k P Z.
Durch diese Darstellung wird das Rechnen mit den Einheitswurzeln vereinfacht.
So gilt zum Beispiel für alle ganzzahligen k und m
ζ nk ζ nm = exp(i k 2π/n) exp(i m 2π/n) = exp(i (k + m) 2π/n) = ζ nk + m .

3. Reihenentwicklungen des Kosinus und Sinus
Kennt man die komplexe Exponentialreihe, so lassen sich die Reihenentwick-

lungen des Kosinus und Sinus leicht reproduzieren (vgl. die Argumentation im
ersten Beweis der Eulerschen Formel):
(ix)n
cos x + i sin x = ei x = ∑ n =
n!
x2 x3 x4 x5 x6 73
= 1 + ix − − i + + i x − − i + …
2 3! 4! 5! 6! 7!
x2n x2n + 1
= ∑ n (−1)n + i ∑ n (−1)n .
(2n)! (2n + 1)!
4. Ableitungen des Kosinus und Sinus
Die Ableitungen des Kosinus und Sinus lassen sich ebenfalls mit der Euler-
schen Formel reproduzieren (vgl. die Argumentation im zweiten Beweis):
d d ix
cos′ x + i sin′ x = ( cos x + i sin x ) = e = i eix =
dx dx
= i (cos x + i sin x) = − sin x + i cos x.
Vergleich von Real- und Imaginärteil ergibt cos′ = − sin und sin′ = cos. Das Argu-
ment ist die komplexe Version unserer dynamischen Ermittlung der Ableitungen
des Kosinus und Sinus über eine gleichmäßige Bewegung auf dem Einheitskreis.
Die Drehung des Koordinatenvektors (cos x, sin x) um π/2 zum Geschwindig-
keitsvektor (−sin x, cos x) entspricht der Multiplikation mit i bei der Ableitung
von eix .
Bemerkung
Es ist möglich, die komplexe Exponentialfunktion bei einem Aufbau der
Analysis an die Spitze zu stellen und die trigonometrischen Funktionen
durch
cos(x) = Re(eix ), sin(x) = Im(eix ) für alle x P R
zu definieren. Bei diesem Vorgehen lassen sich die Additionstheoreme, die
Reihenentwicklungen und die Ableitungen des Kosinus und Sinus mit
obigen Argumenten beweisen. Weiter ergibt sich eine analytische Defini-
tion von π, indem π/2 als die erste positive Nullstelle des Kosinus oder
alternativ 2π als die Periode von exp festlegt wird. Dann ist aber zu zeigen,
dass die analytische Größe π mit der geometrischen Größe π überein-
stimmt. Allgemeiner muss die Längentreue der Kreisaufwicklung nachge-
wiesen werden, die bei diesem Ansatz keineswegs klar ist.

Bilder der komplexen Exponentialfunktion
Wir betrachten spielerisch noch einige Teilmengen M der komplexen Ebene

und ihre Bilder
exp[ M ] = { exp(z) | z P M }
unter der komplexen Exponentialfunktion. Die betrachteten Mengen M sind li-
near, und wir färben sie regenbogenartig ein. Jeder Bildpunkt exp(z) erhält die
Farbe der Stelle z, sodass die Transformation der Menge anhand des Farbverlaufs
verfolgt werden kann. Der Leser möge versuchen, den Verlauf der Bilder anhand
unserer anschaulichen Beschreibung der komplexen Exponentialfunktion zu er-
klären.
25
20
0.3
15 0.2
0.1
10
-0.2 0.2 0.4 0.6 0.8 1.0
-0.1
-5 -4 -3 -2 -1
Das Bild exp[ L ] des linken Astes L = { (x, x2 ) der Einheitsparabel
25
100
20
50
15
-100 -50 50 100 150
10
-50
5
-100
1 2 3 4 5
Das Bild exp(R) des rechten Astes R = { (x, x2 ) | x ≥ 0 } der Einheitsparabel

10
1
5
-0.2 0.2 0.4 0.6 0.8 1.0 -1 1 2
-5
-1
-10
-2
Das Bild exp[ M ] von M = { (sin(t)/t, t) | t P [ −4π, 4π ] }
2
4
1
2
-1.0 -0.5 0.5 1.0 -2 -1 1 2 3
-2
-1
-4
-2
-6
Das Bild exp[ M ] von M = { (sin(t2 ), t) | t P [ −2π, 2π ] }
6
2
5
1
4
3 -2 -1 1 2 3
-1
2
1 -2
-3
-1.0 -0.5 0.5 1.0
Das Bild exp[ M ] von M = { (sin t, log t) | t P [ 1, exp(2π) ] }

k /2
-1 -0.5 0.5 1
- k /2
1
1
-1 1 2 -2 -1 1 2 3
-1
-1
-2
-2
2 2
1 1
-2 -1 1 2 3 -2 -1 1 2 3
-1 -1
-2 -2
Die Bilder exp[ E1, kπ ] der achsenparallelen Ellipse E1, kπ für k = 1, 2, 3, 4

Übungen
Übung 1
Visualisieren Sie den Grenzwert limn zn = z einer Folge (zn )n P N in den
komplexen Zahlen, indem Sie Kreise mit Mittelpunkt z der Ebene C = R2
betrachten.
Übung 2
Visualisieren Sie die ε-δ-Stetigkeit einer Funktion f : C → C an der Stelle
p P C. Betrachten Sie hierzu Kreise der Ebene.
Übung 3
Überzeugen Sie sich davon, dass
d n
z = n zn − 1 für alle z P C
dz
genau wie im Reellen bewiesen werden kann.
Übung 4
Zeigen Sie, dass für alle n P N und x P R gilt:
(cos x + i sin x)n = cos(nx) + i sin(nx). (Formel von de Moivre)
Leiten Sie hieraus die Verdopplungsformeln für cos(2x) und sin(2x) ab.
Übung 5
Skizzieren Sie die Mengen
A = { exp(1 + ix) | x P [ −π/2, π/2 ] },
B = { exp(log x + ix) | x P ] 0, 2π ] }.
Übung 6
Skizzieren Sie die Mengen
A = { (x, y) P C | x P [ 0, 1 ], y P [ 0, π ] },
B = exp [ A ] = { exp(x + i y) | (x, y) P A }.
Übung 7
Wie für R gilt für alle z P C und alle gegen z konvergenten Folgen (zn )n PN in C:
zn
(+) exp(z) = limn 1 + ( n ) n.
Leiten Sie aus (+) das Additionstheorem für exp : C → C ab.

4. Abschnitt
Ebene und Raum

1. Reelle Vektoren
In diesem Abschnitt untersuchen wir die Euklidische Ebene

R2 = R × R = { (x, y) | x, y P R }
und den Euklidischen Raum
R3 = R × R × R = { (x, y, z) | x, y, z P R }.
Allgemeiner betrachten wir auch die n-dimensionalen Euklidischen Räume
Rn = { (v1 , …, vn ) | v1 , …, vn P R }, n ≥ 1,
die sich zwar für eine Dimension n ≥ 4 unserer geometrischen Anschauung ent-
ziehen, sich aber über weite Strecken so behandeln lassen wie die zweidimen-
sionale Ebene und der dreidimensionale Raum. Größtmögliche Allgemeinheit
streben wir nicht an, und der Leser kann sich immer an den Fällen n = 2 und
n = 3 orientieren, wenn er möchte. Die vier Hauptthemen
Vektoraddition, Skalarmultiplikation, Euklidische Norm, Euklidisches Skalarprodukt
die wir im ersten Kapitel behandeln, bilden die Basis für alles Weitere.

122 4. Abschnitt Ebene und Raum
Reelle Vektoren
Definition (die Räume Rn , n-dimensionaler reeller Vektor)

Sei n ≥ 1. Dann setzen wir
Rn = { (v1 , …, vn ) | v1 , …, vn P R }.
Die Elemente des Rn heißen n-dimensionale reelle Vektoren oder reelle
Vektoren der Länge oder Dimension n. Ist v = (v1 , …, vn ) P Rn , so heißen die
reellen Zahlen v1 , …, vn die Komponenten des Vektors v. Genauer heißt vi die
i-te Komponente von v für alle 1 ≤ i ≤ n.
Wir betrachten vor allem die Räume

2
R = { (v1 , v2 ) | v1 , v2 P R }, (reelle Ebene)
3
R = { (v1 , v2 , v3 ) | v1 , v2 , v3 P R }. (dreidimensionaler reeller Raum)
Viele (nicht alle) Definitionen lassen sich aber allgemein für den Rn einführen.
Notation
Wie notieren Vektoren ohne Pfeile oder Striche. Bevorzugt verwenden wir
die Zeichen v, w, u für Vektoren. Ein Index i bezeichnet, wenn nichts
anderes gesagt ist, die i-te Komponente eines Vektors. Damit gilt für eine
gegebene Dimension n zum Beispiel
v = (v1 , …, vn ), w = (w1 , …, wn ), u = (u1 , …, un ).
Vektoren des R2 und R3 notieren wir oft auch in der Form
v = (x, y) bzw. v = (x, y, z).
Den Raum R1 identifizieren wir mit R.
Die Index-Notation ist auch möglich, wenn mehrere Vektoren betrachtet wer-
den. Sind zum Beispiel v1 , v2 , v3 drei Vektoren des R3 , so ist v2, 3 die dritte Kom-
ponente des Vektors v2 . Wir schreiben auch kurz vij statt vi, j .
Definition (Nullvektor, kanonische Einheitsvektoren)

Sei n ≥ 1. Der Vektor 0 = (0, …, 0) P Rn heißt der Nullvektor oder
Nullpunkt des Rn . Wir bezeichnen ihn mit 0. Weiter setzen wir
e1 = (1, 0, …, 0), e2 = (0, 1, 0, …, 0), … en = (0, …, 0, 1).
Die Vektoren e1 , …, en P Rn heißen die kanonischen Einheits- oder Basisvek-
toren des Rn .
Die mehrfache Bedeutung der 0 führt in der Regel nicht zu Verwechslungen.

Wer möchte, kann 0 statt 0 schreiben.

1. Reelle Vektoren 123
Die Vektoraddition
Definition (Vektoraddition)
Sei n ≥ 1. Dann setzen wir für alle v, w P Rn :
v + w = (v1 + w1 , …, vn + wn ) (Addition von v und w)
Die Vektoraddition ist eine Abbildung von Rn × Rn nach Rn : Je zwei Vektoren

des Rn wird ein Vektor des Rn zugeordnet. In der Ebene und im Raum lässt sie
sich in der bekannten Weise durch das Aneinanderfügen zweier Pfeile visualisie-
ren. Für n = 2 stimmt die Vektoraddition mit der Addition komplexer Zahlen
überein.
Weiter definieren wir:
Definition (inverser Vektor, Vektorsubtraktion)

−v = (− v1 , …, − vn ),
v − w = v + (−w) = (v1 − w1 , …, vn − wn ).
Der Vektor − v P Rn heißt der zu v additiv inverse Vektor. Der Vektor v − w
heißt der Differenzvektor der Vektoren v und w.
Die Bildung von −v lässt sich anschaulich durch die Spiegelung des Vektors v
am Nullpunkt darstellen. Die Differenz v − w können wir durch den Pfeil, der
von der Spitze von w zur Spitze von v zeigt, repräsentieren.
Wesentliche Eigenschaften der Vektoraddition sind:
Satz (Eigenschaften der Vektoraddition)

Sei n ≥ 1. Dann gilt für alle v, w, u P Rn :
v + (w + u) = (v + w) + u, (Assoziativität)
v + 0 = 0 + v = v, (Neutralität des Nullvektors)
v + (− v) = (− v) + v = 0, (Inversenbildung)
v + w = w + v. (Kommutativität)
Der Beweis kann dem Leser zur Übung überlassen bleiben. Insgesamt gelten
die vertrauten Gesetze der Addition reeller Zahlen, und wir übernehmen ent-
sprechende Konventionen. Aufgrund der Assoziativität können wir zum Beispiel
Klammern weglassen und aufgrund der Kommutativität Vektoren einer Summe
v1 + … + vn beliebig umordnen.
Beispiel
Im R5 gilt −(1, 1, 2, 0, −1) = (−1, −1, −2, 0, 1), −e2 = (0, −1, 0, 0, 0).

Die Skalarmultiplikation
Einen Vektor können wir um einen beliebigen reellen Faktor strecken oder
stauchen, wobei ein negatives Vorzeichen zusätzlich eine Spiegelung am Null-
punkt bewirkt. Dieser Vorgang wird als Skalierung oder Skalarmultiplikation be-
zeichnet und die beteiligten reellen Faktoren nennt man entsprechend Skalare.
Wir bezeichnen Skalare meistens mit griechischen Buchstaben, um sie von Vek-
toren zu unterscheiden. Da α, β, γ, δ oft für Winkel verwendet werden, bevorzu-
gen wir andere Buchstaben. Häufig verwendet werden vor allem λ und µ.
Definition (Skalarmultiplikation)
Sei n ≥ 1. Dann setzen wir für alle λ P R und alle v P Rn :
λ v = (λ v1 , …, λ vn ). (Multiplikation des Vektors v mit dem Skalar λ)
Die Skalarmultiplikation ist eine Abbildung von R × Rn nach Rn : Jedem Skalar

λ P R und jedem Vektor v P Rn wird ein Vektor λ v P Rn zugeordnet.
Die folgenden Eigenschaften lassen sich wieder durch Nachrechnen bewei-
sen:
Satz (Eigenschaften der Skalarmultiplikation)

Sei n ≥ 1. Dann gilt für alle λ, µ P R und alle v, w P Rn :
(i) 1 v = v,
(ii) λ (µ v) = (λ µ) v,
(iii) λ (v + w) = λ v + λ w,
(iv) (λ + µ) v = λ v + µ v.
Weiter bemerken wir, dass − v = (−1) v für alle n ≥ 1 und alle v P Rn gilt. Allge-
mein lässt sich die Multiplikation eines Vektors mit einem negativen Skalar λ als
eine Skalierung um |λ| gefolgt von einer Spiegelung am Nullpunkt auffassen
oder umgekehrt als Spiegelung am Nullpunkt gefolgt von einer Skalierung um
|λ|.
Beispiele
(1) Im R2 gilt 2e1 = 2(1, 0) = (2, 0), −3v = (−3v1 , −3v2 ) für alle v P R2 .
(2) Für alle v = (v1 , v2 , v3 ) P R3 gilt
v = v1 (1, 0, 0) + v2 (0, 1, 0) + v3 (0, 0, 1) = v1 e1 + v2 e2 + v3 e3 .
(3) Allgemein gilt für alle n ≥ 1 und v P Rn
v = v1 e1 + … + vn en = ∑ 1 ≤ k ≤ n vk ek .

Der Satz des Pythagoras und die Euklidische Norm
Wir setzen den Satz des Pythagoras als bekannt voraus. Die beiden folgenden
Diagramme illustrieren das zeitlose Ergebnis und zeigen Möglichkeiten auf, den
Satz mit Hilfe von Flächeninhalten bzw. Streckenverhältnissen zu beweisen.
c
b
a b
Die Fläche des großen Quadrats ist (a + b)2 und die Fläche der vier Dreiecke ist 2ab.
Damit ist c2 = (a + b)2 − 2ab = a2 + b2 .
c b
Q c a R c-a S
Die Dreiecke PQR und PSR sind ähnlich, sodass

c+a b
= .
b c−a
Folglich ist c2 − a2 = (c + a) (c − a) = b2 und damit a2 + b2 = c2 .

Motiviert durch den Satz des Pythagoras definieren wir:
Definition (Euklidische Norm bzw. Länge)

Sei n ≥ 1. Dann setzen wir für alle v P Rn :
i v i = £v1 2 + … + vn 2 .
Die reelle Zahl i v i heißt die Euklidische Norm oder Länge des Vektors v.
v = (x, y)
y
i v i = £x + y
2 2
Beispiele
(1) Für die Dimension n = 2 gilt i (3, 4) i = £9 + 16 = £25 = 5.
(2) Für die Dimension n = 2 gilt i (1, 1) i = £2. Für die Dimension n = 3
gilt i (1, 1, 1) i = £3. Allgemein gilt im Rn , dass i (1, …, 1) i = £n.
(3) Für jede Dimension n und alle 1 ≤ k ≤ n gilt i ek i = 1.
Für n = 1 und n = 2 fällt die Euklidische Norm mit dem reellen bzw. komplexen
Betrag zusammen. Wir verwenden Betragsstriche, wenn der skalare Aspekt im
Vordergrund steht und Doppelstriche für die vektorielle Sicht.
Wir sagen auch kurz Norm oder Länge, weisen aber darauf hin, dass es auch
viele andere Möglichkeiten gibt, einen Vektor zu messen. Eine davon ist:
Beispiel
Die Maximumsnorm auf dem Rn ist definiert durch
i v i max = max(|v1 |, …, |vn |) für alle v P Rn .
Für die Dimension n = 2 gilt zum Beispiel
i (1, 1) i = £2, i (1, 1) i max = 1.
Beim Rechnen mit der Euklidischen Norm führen die auftretenden Wurzeln
oft zu unübersichtlichen Termen. Es kann hilfreich sein, das Quadrat
i v i2 = v1 2 + … + vn 2
der Norm der Vektors zu berechnen und erst am Ende die Wurzel zu ziehen.

Vektoren der Länge Eins spielen an vielen Stellen eine besondere Rolle:
Definition (normiert, Normierung)

Sei n ≥ 1. Ein Vektor v P Rn heißt normiert, falls i v i = 1. Für alle v P Rn mit
v ≠ 0 definieren wir die Normierung von v durch
v
v̂ = .
ivi
Weiter setzen wir v̂ = v = 0 P Rn , falls v = 0.
Beispiele
(1) Im Rn sind alle Einheitsvektoren e1 , …, en normiert.
(2) Für n = 2 ist ein Vektor v genau dann normiert, wenn er auf dem
Einheitskreis K liegt. Für alle α P R ist (cos α, sin α) normiert.
Für alle Vektoren v ≠ 0 ist der Vektor v̂ (gelesen: „v Hut“ oder „v Dach“) nor-
miert. Es gilt
(+) v = i v i v̂ für alle v P Rn .
v
v
w
w
Die Normierung lässt sich als Projektion eines Vektors auf den Einheitskreis K ansehen
Bei vielen Argumenten kann man sich darauf beschränken, die gewünschte Ei-
genschaft nur für normierte Vektoren zu zeigen. Für allgemeine Vektoren folgt
sie dann durch die Skalierung (+). Zudem vereinfacht die Verwendung von v̂ auch
viele Formeln, bei denen durch die Norm dividiert wird.
Die grundlegenden Eigenschaften der Euklidischen Norm sind:

Satz (Eigenschaften der Euklidischen Norm)

Sei n ≥ 1. Dann gilt für alle λ P R und alle v, w P Rn :
(i) i v i = 0 genau dann, wenn v = 0,
(ii) i λ v i = |λ| i v i,
(iii) i v + w i ≤ i v i + i w i. (Dreiecksungleichung)
Die dritte Eigenschaft besagt anschaulich, dass der direkte Weg von 0 nach
v + w höchstens so lang ist wie der direkte Weg von 0 nach v gefolgt vom Weg
von v nach v + w.
v+w
v+w
Zur Dreiecksungleichung
Die anschaulich klare Aussage, dass der kürzeste Weg zwischen zwei Punkten
eine Gerade ist, ist keineswegs leicht zu beweisen. Im folgenden Beweis verwen-
den wir eine fundamentale Abschätzung, die sich aus der zweiten binomischen
Formel ergibt.
Beweis
Die Eigenschaften (i) und (ii) ergeben sich unschwer aus den Definitionen.
Zum Beweis der Dreiecksungleichung verwenden wir:
(+) 2 x y ≤ x2 + y2 für alle x, y P R.
Diese Ungleichung folgt aus 0 ≤ (x − y)2 = x2 − 2xy + y2 für alle x, y P R.
Seien nun v, w P Rn beliebig. Dann ergibt eine n-fache Anwendung von (+):
(
2 v̂1 ŵ1 + … + v̂n ŵn ) ≤ v̂1 2 + ŵ1 2 + … + v̂n 2 + ŵn 2
= i v̂ i 2 + i ŵ i 2 = 1 + 1 = 2.

Division durch 2 und Multiplikation mit den Normen von v und w liefert:
(♦) v1 w1 + … + vn wn ≤ i v i i w i.
Damit können wir nun rechnen:
iv + wi 2 = (v1 + w1 )2 + … + (vn + wn )2
(
= i v i 2 + i w i 2 + 2 v1 w1 + … + vn wn )
≤ ivi + iwi + 2 ivi iwi
2 2
≤ ( i v i + i w i ) 2.
Wurzelziehen erhält die Ungleichung (da die Wurzelfunktion monoton
steigt) und liefert die Behauptung.
Die Ungleichung (♦), aus der wir die Dreiecksungleichung gewinnen konn-
ten, leitet über zu unserem nächsten Zwischenabschnitt:
Das Euklidische Skalarprodukt
Im Beweis der Dreiecksungleichung ist uns die Summe

v 1 w1 + … + v n wn
begegnet, bei der die Komponenten zweier Vektoren paarweise multipliziert und
die Produkte anschließend aufsummiert werden. Wir untersuchen dieses „Wun-
der der linearen Algebra“ nun genauer.
Definition (Euklidisches Skalarprodukt)

〈v, w〉 = v • w = v1 w1 + … + vn wn .
Die reelle Zahl 〈v, w〉 heißt das Euklidische Skalarprodukt der Vektoren v und w.
Das Euklidische Skalarprodukt ist eine Abbildung von Rn × Rn nach R: Je zwei

Vektoren des Rn wird eine reelle Zahl (ein Skalar) zugeordnet. Das Produkt der
beiden Vektoren ist also ein Skalar, was die Namensgebung Skalarprodukt moti-
viert.
Im Folgenden bevorzugen wir die Klammernotation 〈v, w〉 gegenüber der in
der Schule vielleicht bevorzugten Punkt-Notation. In der mathematischen Phy-
sik ist zudem auch die Dirac-Notation
〈v w〉 statt 〈v, w〉
üblich.

Direkt aus den Definitionen des Skalarprodukts und der Norm ergibt sich:
Satz (Skalarprodukt und Norm)

Für alle v P Rn gilt:
i v i 2 = 〈v, v〉.
Durch Nachrechnen zeigt man die folgenden Eigenschaften, die pausenlos im

Einsatz sind:
Satz (Eigenschaften des Euklidischen Skalarprodukts)

Sei n ≥ 1. Dann gilt für alle λ P R und alle v, w, v′, w′ P Rn :
(i) 〈v + λ v′, w〉 = 〈v, w〉 + λ 〈v′, w〉,
〈v, w + λ w′〉 = 〈v, w〉 + λ 〈v, w′〉, (Bilinearität)
(ii) 〈v, w〉 = 〈w, v〉, (Symmetrie)
(iii) 〈v, v〉 > 0 für alle v ≠ 0. (positive Definitheit)
Mit Hilfe der Bilinearität und Symmetrie zeigen wir:
Satz (binomische Formeln und Polarisation)

Sei n ≥ 1. Dann gilt für alle v, w P Rn :
(a) i v ± w i 2 = i v i 2 + i w i 2 ± 2 〈v, w〉, (binomische Formeln)
(b) 4 〈v, w〉 = i v + w i − i v − w i .
2 2
(Polarisation)
Beweis
Seien v, w P Rn . Dann gilt:
iv + wi 2 = 〈v + w, v + w〉
= 〈v, v + w〉 + 〈w, v + w〉
= 〈v, v〉 + 〈v, w〉 + 〈w, v〉 + 〈w, w〉
= 〈v, v〉 + 2 〈v, w〉 + 〈w, w〉
= i v i 2 + i w i 2 + 2 〈v, w〉.
Die zweite binomische Formel wird analog bewiesen.

Der Beweis der Polarisationsformel (b) sei dem Leser zur Übung überlas-
sen.
Unserem Beweis der Dreiecksungleichung entnehmen wir folgende Abschät-

zung, die allgemein als eine der wichtigsten Ungleichungen der gesamten Ma-
thematik anerkannt ist:

Satz (Ungleichung von Cauchy-Schwarz)

Sei n ≥ 1. Dann gilt für alle v, w P Rn :
|〈v, w〉| ≤ i v i i w i.
Beweis
Seien v, w P Rn . Wir wissen schon (nach (♦) oben), dass 〈v, w〉 ≤ i v i i w i.
Ist 〈v, w〉 < 0, so ist 〈−v, w〉 > 0 und
|〈v, w〉| = 〈−v, w〉 ≤ i −v i i w i = i v i i w i.
Wir geben noch einen zweiten Beweis, der nur die grundlegenden Eigenschaf-
ten des Skalarprodukts verwendet.
Zweiter Beweis der Ungleichung von Cauchy-Schwarz

Es genügt, normierte Vektoren zu betrachten. Denn für v = 0 oder w = 0 ist die
Ungleichung klar und für Längen ungleich 1 folgt sie durch Skalierung aus
der Version für normierte Vektoren. Seien also v,w P Rn normiert. Dann gilt
für alle λ P R nach den binomischen Formeln:
0 ≤ i v − λ w i 2 = i v i 2 + λ2 i w i 2 − 2λ 〈v, w〉 = 1 + λ2 − 2λ 〈v, w〉.
Für den Spezialfall λ = 〈v, w〉 erhalten wir 0 ≤ 1 − 〈v, w〉2 , sodass
|〈v, w〉| ≤ 1 = 1 ⋅ 1 = i v i i w i.
v- w
v- w
v
Zum zweiten Beweis der Cauchy-Schwarz-Ungleichung
Aus den Beweisen ergibt sich, dass die Ungleichung von Cauchy-Schwarz ge-
nau dann zu einer Gleichung wird, wenn die Vektoren auf einer Geraden des Rn
liegen. Wir diskutieren dies in den Übungen.

Übungen
Übung 1
Visualisieren Sie die Vektoraddition, Vektorsubtraktion und Skalarmultipli-
kation durch Diagramme für den Fall n = 2.
Übung 2
Sei n ≥ 1. Zeigen Sie, dass für alle v, w, u P Rn gilt:
v + (w + u) = (v + w) + u, (Assoziativität)
v + 0 = 0 + v = v, (Neutralität des Nullvektors)
v + (− v) = (− v) + v = 0, (Inversenbildung)
v + w = w + v. (Kommutativität)
Übung 3
Sei n ≥ 1. Zeigen Sie, dass für alle λ, µ P R und alle v, w P Rn gilt:
(i) 1 v = v,
(ii) λ (µ v) = (λ µ) v,
(iii) λ (v + w) = λ v + λ w,
(iv) (λ + µ) v = λ v + µ v.
Übung 4
Zeigen Sie die Dreiecksungleichung für die Maximumsnorm.
Übung 5
Die 1-Norm auf dem Rn ist definiert durch
i v i 1 = |v1 | + … + |vn | für alle v P Rn .
(a) Beweisen Sie die Dreicksungleichung für die 1-Norm.

(b) Erkären Sie mit Hilfe eines Diagramms, warum die 1-Norm auch
Manhatten-Norm oder Taxi-Norm genannt wird.
Übung 6
(a) Welche allgemeinen Größenbeziehungen bestehen zwischen der
Euklidischen Norm, der Maximumsnorm und der 1-Norm im Rn ?
Formulieren Sie eine Hypothese und beweisen Sie sie.
(b) Welche Formen haben für n = 2 und n = 3 die Mengen
Kmax
n = { v P Rn mit i v i max = 1 } und K1n = { v P Rn mit i v i 1 = 1 }?

Übung 7
Sei n ≥ 1. Zeigen Sie, dass für alle λ P R und alle v P Rn gilt:
(i) i v i = 0 genau dann, wenn v = 0,
(ii) i λ v i = |λ| i v i.
Übung 8
Sei n ≥ 1. Beweisen Sie mit Hilfe der Dreiecksungleichung für die
Euklidische Norm, dass für alle v, w P Rn gilt:
(a) i v − w i ≤ i v i + i w i,
(b) i v i − i w i ≤ i v + w i,
(c) i v i − i w i ≤ i v − w i.
Übung 9
Sei n ≥ 1. Zeigen Sie, dass für alle λ P R und alle v, w, v′, w′ P Rn gilt:
(i) 〈v + λ v′, w〉 = 〈v, w〉 + λ 〈v′, w〉,
〈v, w + λ w′〉 = 〈v, w〉 + λ 〈v, w′〉, (Bilinearität)
(ii) 〈v, w〉 = 〈w, v〉, (Symmetrie)
(iii) 〈v, v〉 > 0 für alle v ≠ 0. (positive Definitheit)
Übung 10
Sei n ≥ 1. Zeigen Sie, dass für alle v P Rn gilt:
v = 〈e1 , v〉 e1 + … + 〈en , v〉 en
wobei e1 = (1, 0, …, 0), …, en = (0, …, 0, 1) die kanonischen Einheitsvekto-
ren des Rn sind.
Übung 11
Sei n ≥ 1. Formulieren und beweisen Sie eine dritte binomische Formel für
das Euklidische Skalarprodukt im Rn .
Übung 12
Sei n ≥ 1. Zeigen Sie, dass für alle v, w P Rn gilt:
4 〈v, w〉 = i v + w i 2 − i v − w i 2 . (Polarisation)
Übung 13
Sei n ≥ 1. Zeigen Sie, dass für alle v, w P Rn gilt:
(
iv + wi2 + iv − wi2 = 2 ivi2 + iwi2 . ) (Parallelogrammgleichung)
Erläutern Sie den Namen „Parallelogrammgleichung“ durch ein Dia-
gramm für den Fall n = 2.

Übung 14
Sei n ≥ 1. Wir setzen
d(v, w) = i v − w i für alle v, w P Rn .
Die reelle Zahl d(v, w) heißt der Euklidische Abstand der Vektoren v und w.
Zeigen Sie, dass für alle v, w, u P Rn gilt:
(i) d(v, w) = 0 genau dann, wenn v = w,
(ii) d(v, w) = d(w, v),
(iii) d(v, w) ≤ d(v, u) + d(u, w).
Übung 15
Sei n ≥ 1. Zeigen Sie, dass für alle v, w P Rn äquivalent sind:
(a) |〈v, w〉| = i v i i w i.
(b) w = 0 oder es gibt ein λ P R mit v = λw.
Übung 16
Seien v, w P R2 . Veranschaulichen Sie die Vektoren
v − λ w für λ P R
durch ein Diagramm. Motivieren Sie die Wahl von λ = 〈v, w〉 für normierte
Vektoren v, w im zweiten Beweis der Ungleichung von Cauchy-Schwarz.
Verwenden Sie hierzu, dass zwei Vektoren der Ebene aufeinander senkrecht
stehen, wenn ihr Skalarprodukt Null ist. Wie muss λ gewählt werden, wenn
v, w nicht notwendig normiert sind?
Übung 17
Sei n ≥ 1. Wir betrachten Vektoren z = (z1 , …, zn ) der Dimension n mit
komplexen Komponenten zn P C, also Elemente des Cn . Die Vektoraddi-
tion und Skalarmultiplikation (mit Skalaren λ P C) wird für Cn wie für Rn
definiert. Für die Norm verwenden wir den komplexen Betrag der
Komponenten, d. h. wir setzen
i z i = £|z1 |2 + … + |zn |2 für alle z P Cn .
Wir definieren nun für alle z, w P Cn :
〈z, w〉* = z1 w1 + … + zn wn ,
〈z, w〉 = z1 w1 + … + zn wn .
Untersuchen diese Versionen eines komplexen Skalarprodukts (die beide
für reelle Vektoren mit dem Euklidischen Skalarprodukt übereinstimmen).
Betrachten Sie hierzu insbesondere die elementaren Eigenschaften und den
Zusammenhang zur Norm. Was ändert sich, wenn man die komplexe
Konjugation auf die Komponenten von w anstelle von z anwendet?

Übung 18
Sei s : Rn × Rn → R eine Funktion mit den Eigenschaften:
s(ei , w) = wi für alle 1 ≤ i ≤ n und alle w P Rn ,
s(λ v + µ u, w) = λ s(v, w) + µ s(u, w) für alle v, u P Rn , λ, µ P R,
wobei wieder e1 = (1, 0, …, 0), …, en = (0, … 0, 1).
Zeigen Sie, dass s(v, w) = 〈v, w〉 für alle v, w P Rn .

2. Die Euklidische Ebene
Wir betrachten nun speziell die Ebene R2 , also die Dimension n = 2. Anhand
dieses Spezialfalls untersuchen wir Winkel zwischen Vektoren, Orthogonalität
und Kollinearität, Determinanten, Koordinatenvektoren und lineare Glei-
chungssysteme. Zum Abschluss des Kapitels werfen wir noch einen Blick auf
algebraische Kurven ersten und zweiten Grades.
Einen Vektor v der Ebene notieren wir oft auch in der durch das vertraute Ko-
ordinatensystem nahegelegten Form
v = (x, y).
Daneben gilt stets auch wieder
v = (v1 , v2 ), w = (w1 , w2 ), u = (u1 , u2 ).

Die Winkelformel für das Euklidische Skalarprodukt
Unsere erste Aufgabe ist die Ermittlung der geometrischen Bedeutung des
Euklidischen Skalarprodukts. Wir definieren hierzu:
Definition (eingeschlossener Winkel)

Seien v, w P R2 mit v, w ≠ 0. Dann setzen wir
](v, w) = „der von v und w eingeschlossene Winkel in [ 0, π ]“.
Der Winkel ](v, w) hat keine Orientierung und liegt immer zwischen 0 und π.
Es gilt ](v, w) = ](w, v) und ](v, w) = ](v̂, ŵ). Der Winkel zwischen zwei Vekto-
ren ist nicht definiert, wenn einer der Vektoren der Nullvektor ist.
Von großer Bedeutung ist:
Satz (Winkelformel)
Seien v, w P R2 von 0 verschieden, und sei ϕ = ](v, w). Dann gilt:
〈v, w〉
cos ϕ = 〈v̂, ŵ〉 = , ϕ = arccos(〈v̂, ŵ〉). (Winkelformel)
iviiwi
v
v
w
w
cos( )
Zur Winkelformel: cos ϕ = 〈v̂, ŵ〉
Für alle v, w P R2 mit v, w ≠ 0 gilt also
〈v, w〉 = cos(ϕ) i v i i w i.

2. Die Euklidische Ebene 139
Wir geben zwei Beweise für die Winkelformel. Der erste kombiniert den Ko-
sinussatz mit der zweiten binomischen Formel für das Skalarprodukt.
Beweis mit Hilfe des Kosinussatzes

Seien v, w P R2 mit v, w ≠ 0. In einem Dreieck ABC mit Seiten a, b, c und
Winkeln α, β, γ gilt:
a2 = b2 + c2 − 2 cos(α) b c. (Kosinussatz)
Für das Dreieck mit den Ecken A = 0, B = w und C = v gilt
(i) a = i v − w i, b = i v i, c = i w i,
(ii) α = ](v, w) = ϕ.
Der Kosinussatz für dieses Dreieck liest sich nun in der Form
(1) i v − w i 2 = i v i 2 + iw i 2 − 2 cos(ϕ) iv i iw i.
Nach der zweiten binomischen Formel für das Skalarprodukt gilt aber
(2) i v − w i 2 = i v i 2 + i w i 2 − 2 〈v, w〉.
Durch Vergleich von (1) und (2) erhalten wir
cos(ϕ) iv ii wi = 〈v, w〉.
C v
b a v v-w
A B 0 w
c w
Zum Beweis der Winkelformel mit Hilfe des Kosinussatzes
Der Kosinussatz lässt sich mit Hilfe des Satzes von Pythagoras beweisen (das
linke Diagramm enthält zwei rechtwinklige Dreiecke. Wir überlassen den Be-
weis dem Leser als Übung. Dabei sind neben spitzwinkligen auch stumpfwin-
klige Dreiecke zu betrachten. Der Kosinussatz ist für alle Dreiecke gültig.

Unser zweiter Beweis verwendet des Additionstheorem:
Beweis mit Hilfe des Additionstheorems für den Kosinus

Seien v, w P R2 mit v, w ≠ 0. Wir dürfen annehmen (nach evtl. Vertauschung
von v und w), dass es x1 , y1 , x2 , y2 , ϕ1 , ϕ2 P R gibt mit
(i) v̂ = (x1 , y1 ) = (cos ϕ1 , sin ϕ1 ),
(ii) ŵ = (x2 , y2 ) = (cos ϕ2 , sin ϕ2 ),
(iii) ϕ1 ≤ ϕ2 ≤ ϕ1 + π.
Dann ist
ϕ = ϕ2 − ϕ1 = ](v, w).
Nach dem Additionstheorem für den Kosinus gilt
cos ϕ = cos(ϕ2 − ϕ1 )
= cos ϕ2 cos ϕ1 − sin ϕ2 sin (−ϕ1 )
= cos ϕ1 cos ϕ2 + sin ϕ1 sin ϕ2
= x1 x2 + y1 y2
= 〈v̂, ŵ〉.
Wir betrachten nun einige Anwendungen der Winkelformel.
1. Die Ungleichung von Cauchy-Schwarz
Aus der Winkelformel ergibt sich wegen cos ϕ P [ −1, 1 ] noch einmal die Un-
gleichung von Cauchy-Schwarz. Denn für v = 0 oder w = 0 ist die Ungleichung
klar und für v, w ≠ 0 ist
|〈v, w〉| = |cos ϕ| i v i i w i ≤ i v i i w i.
2. Der Kosinussatz
Ist die Winkelformel in irgendeiner Art und Weise einmal bewiesen, so ergibt
sich aus ihr der Kosinussatz. Denn mit den Bezeichnungen des obigen Beweises
gilt für ein Dreieck ABC mit den Ecken A = 0, B = w und C = v:
a2 = i v − w i 2
= i v i 2 + i w i 2 − 2 〈v, w〉.
= i v i 2 + i w i 2 − 2 cos(α) i v i iw i
= b2 + c2 − 2 cos(α) b c.

3. Orthogonalität
Definition (orthogonal, aufeinander senkrecht stehen)

Seien v, w P R2 . Wir sagen, dass v und w orthogonal sind oder aufeinander
senkrecht stehen, falls 〈v, w〉 = 0.
Die Orthogonalität ist auch für Nullvektoren erklärt. Der Nullvektor ist or-
thogonal zu jedem Vektor der Ebene. Für vom Nullvektor verschiedene Vekto-
ren v, w mit eingeschlossenem Winkel ϕ P [ 0, π ] ist die Orthogonalität nach der
Winkelformel äquivalent zu cos ϕ = 0 und damit zu ϕ = π/2.
4. Kollinearität
Definition (kollinear, parallel, antiparallel)

Seien v, w P R2 . Wir sagen, v und w sind
kollinear, falls |〈v, w〉| = i v i i w i,
parallel, falls 〈v, w〉 = i v i i w i,
antiparallel, falls 〈v, w〉 = − i v i i w i.
Die Ungleichung von Cauchy-Schwarz ist also genau für kollineare Vekto-
ren eine Gleichung. Für v, w ≠ 0 entsprechen die drei Begriffe „kollinear, paral-
lel, antiparallel“ nach der Winkelformel genau den eingeschlossenen Winkeln
ϕ P { 0, π }, ϕ = 0, ϕ = π.
Beispiele
(1) Der Nullvektor ist mit jedem v P R2 kollinear.
(2) Die Vektoren (1, 4) und (−2, −8) sind antiparallel und damit kollinear.
Für alle y ≠ 8 sind die Vektoren (1, 4) und (2, y) nicht kollinear.
Der folgende Satz, dessen Beweis wir dem Leser zur Übung überlassen, ver-
sammelt einige Äquivalenzen zur Kollinearität zweier Vektoren.
Satz (Kriterien für Kollinearität)

Seien v, w P R2 . Dann sind die folgenden Aussagen äquivalent:
(a) Die Vektoren v, w sind kollinear.
(b) v = 0 ∨ ∃λ P R λv = w.
(c) ∃λ, µ P R (λv + µ w = 0 ∧ (λ ≠ 0 ∨ µ ≠ 0)).
(d) v, w liegen auf einer gemeinsamen Geraden durch 0, d. h. es gibt ein
u P R2 mit u ≠ 0 und v, w P G(u) = { λu | λ P R }.
Sind v,w ≠ 0, so sind v,w genau kollinear, wenn G(v) = G(w). Da der Nullvektor
keine Gerade definiert, ist die Voraussetzung v, w ≠ 0 wichtig.

5. Die orthogonale Projektion
Definition (orthogonale Projektion)

Wir setzen für alle u, v P R2 :
pru (v) = 〈û, v〉 û. (Projektionsformel)
2
Der Vektor pru (v) P R heißt die (orthogonale) Projektion des Vektors v auf
den Vektor u.
v1
u
1
pru (v1 )
pru (v2 )
2
v2
Die Projektionen der Vektoren v1 und v2 auf den Vektor u
Die Vektoren u und pru (v) sind nach Definition kollinear. Die Bezeichnung als
orthogonale Projektion wird dadurch erklärt, dass pru (v) und w = v − pru (v) auf-
einander senkrecht stehen:
〈pru (v), w〉 = 〈pru (v), v〉 − 〈pru (v), pru (v)〉
= 〈〈û, v〉 û, v〉 − 〈〈û, v〉 û, 〈û, v〉 û〉
= 〈û, v〉 〈û, v〉 − 〈û, v〉 〈û, v〉 〈û, û〉
= 〈û, v〉2 − 〈û, v〉2 = 0.
Als Merkhilfe können wir verwenden:
Zur Struktur der Projektionsformel

(1) Die Projektion von v auf u ist unabhängig von der Länge von u und
damit ein skalares Vielfaches von û.
(2) Die Projektion von λv auf u ist das λ-fache der Projektion von v auf u.
Dies erklärt das Vorhandensein bzw. Fehlen der Normen bei u bzw. v.

Ist der Vektor u normiert, so gilt pru (v) = 〈u, v〉 u und damit
i pru (v) i = |〈u, v〉|.
Der Betrag des Skalarprodukts von u und v ist in diesem wichtigen Fall also die
Euklidische Länge der Projektion von v auf u. Allgemein gilt ipru (v)i = |〈û, v〉|.
Wir halten noch fest: Die Vektoren u und v sind genau dann orthogonal, wenn
pru (v) = prv (u) = 0,
und genau dann kollinear, wenn
pru (v) = v und prv (u) = u.
Determinanten
Je zwei Vektoren der Ebene definieren in natürlicher Weise ein Parallelo-

gramm:
Definition (aufgespanntes Parallelogramm)

Seien v, w P R2 . Dann heißt die Menge
P = { λ v + µ w | λ, µ P [ 0, 1 ] } ⊆ R2
das von v und w aufgespannte Parallelogramm.
Natürlich ist P nur dann ein echtes Parallelogramm, wenn v und w nicht kolli-
near sind. Es schadet aber im Folgenden nicht, den kollinearen Fall zuzulassen.
v
P
Das von v und w aufgespannte Parallelogramm P und der Vektor u = 1/2 v + 2/3 w

Wir wollen nun eine Formel für die Fläche des von zwei Vektoren v und w auf-
gespannten Parallelogramms P in Abhängigkeit von den Koordinaten der Vekto-
ren entwickeln. Dabei tauchen in natürlicher Weise orientierte Flächen auf, die
ein der geometrischen Lage von v und w entsprechendes Vorzeichen tragen.
Hierzu definieren wir:
Definition (Orientierung eines Vektorpaars)

Seien v, w P R2 nicht kollinear, und sei v ⊥ = rotπ/2 (v) = (− v2 , v1 ). Weiter sei
ψ = ](v ⊥ , w). Dann heißt (v, w) positiv orientiert, wenn ψ P [ 0, π/2 [, und
negativ orientiert, wenn ψ P ] π/2, π ].
Kollinearen Vektoren wird keine Orientierung zugewiesen. Die positive Ori-

entierung von (v, w) besagt, dass w in der gleichen Halbebene wie v ⊥ liegt, wenn
wir die Ebene gemäß v in zwei Halbebenen aufteilen. Anders formuliert: Wir ge-
langen von v nach w durch eine Drehung gegen den Uhrzeigersinn um den ein-
geschlossenen Winkel ϕ = ](v, w). Bei einer negativen Orientierung gelangen
wir von v nach w durch eine Drehung um ϕ im Uhrzeigersinn. Ist (v, w) positiv
orientiert, so ist (w, v) negativ orientiert und umgekehrt.
rot /2 (v)
w
A(P)
(v, w) ist positiv orientiert, (v, u) negativ
Nach diesen Vorbereitungen können wir die orientierte Fläche A = A(P) be-
stimmen, wobei das Vorzeichen von A der Orientierung von v, w entsprechen
soll. Wir betrachten s = i v i als Grundseite von P. Dann berechnet sich die si-
gnierte Höhe von P zu
h = cos ψ i w i, wobei ψ = ](v ⊥ , w) P [ 0, π ] mit v ⊥ = rotπ/2 (v) = (−v2 , v1 ).
Wegen i v ⊥ i = i v i ist
A = s h = i v i cos ψ i w i = 〈v ⊥ , w〉 = 〈(−v2 , v1 ), (w1 , w2 )〉 = v1 w2 − v2 w1 .

Alternativ können wir die Flächenformel auch ohne Verwendung von Win-
keln mit Hilfe der Projektion berechnen. Für den Höhenvektor w − prv (w) des
Parallelogramms gilt nach dem Satz des Pythagoras
i w − prv (w) i 2 = i w i 2 − 〈 v̂, w〉 2 .
Damit gilt
A2 = i v i 2 i w − prv (w) i 2 = i v i 2 i w i 2 − 〈v, w〉 2
= (v21 + v22 ) (w21 + w22 ) − (v1 w1 + v2 w2 )2
= (v1 w1 )2 + (v1 w2 )2 + (v2 w1 )2 + (v2 w2 )2 − (v1 w1 )2 − 2(w1 v1 w2 v2 ) − (v2 w2 )2
= (v1 w2 )2 − 2v1 w1 v2 w2 + (v2 w2 )2
= (v1 w2 − v2 w1 )2 .
Diese Überlegungen motivieren die folgende Definition:
Definition (Determinante)
Seien v, w P R2 . Dann heißt die reelle Zahl
det(v, w) = v1 w2 − v2 w1
die Determinante des Vektorenpaars (v, w).
Notation
Wir notieren die Determinante auch in Matrix-Schreibweise in der Form
v1 v2
det statt det(v, w).
w1 w2
Die Vektoren werden als Zeilen in die Matrix geschrieben.
Direktes Nachrechnen zeigt:
Satz (Eigenschaften der Determinante)

Für alle v, w, v1 , v2 , w1 , w2 P R2 und alle λ P R gilt:
(i) det(e1 , e2 ) = 1,
(ii) det(v, v) = 0,
(iii) det(v, w) = − det(w, v),
(iv) det(λ v, w) = det(v, λ w) = λ det(v, w),
(v) det(v1 + v2 , w) = det(v1 , w) + det(v2 , w),
det(v, w1 + w2 ) = det(v, w1 ) + det(v, w2 ).

In Matrix-Notation halten wir noch eine weitere Eigenschaft fest, die sich
durch Ausrechnen sofort ergibt:
v1 v2 v1 w1
det = det .
w1 w2 v2 w2
In der rechten Matrix sind die Vektoren v und w als Spalten eingetragen.
Obige Diskussion zeigt:
Flächeninhalt
Die reelle Zahl det(v, w) ist die orientierte Fläche des von den Vektoren v
und w aufgespannten Parallelogramms. Weiter ist |det(v, w)|/2 die Fläche
des Dreiecks mit den Ecken 0, v, w.
Vorzeichen
Für alle v, w P R2 gilt:
> 0
{
falls (v, w) positiv orientiert
det(v, w) = 0 falls (v, w) kollinear
< 0 falls (v, w) negativ orientiert
Zusammenhang mit Skalarprodukt

Für alle v, w P R2 gilt:
det(v, w) = v1 w2 − v2 w1
= 〈(v1 , v2 ), (w2 , −w1 )〉 = 〈v, rot−π/2 (w)〉
= 〈(−v2 , v1 ), (w1 , w2 )〉 = 〈rotπ/2 (v), w〉.
Trigonometrische Funktionen
Ist ϕ = ](v, w), so gilt
〈v, w〉 = cos ϕ iv i i wi,
|det(v, w)| = sinϕ i v i i wi.

Für normierte Vektoren v und w gilt
cos ϕ = 〈v, w〉, sin ϕ = |det(v, w)|.
Die Werte cos ϕ, sin ϕ, tan ϕ, cot ϕ lassen sich also aus den Koordinaten von
v und w leicht berechnen. Insbesondere sind diese trigonometrischen
Werte rationale Wurzelausdrücke, wenn die Koordinaten von v und y
rational sind. Quadratwurzeln entstehen dabei durch Normierung.

Linearkombinationen und Koordinatenvektoren
In dem von zwei Vektoren v und w der Ebene aufgespannten Parallelogramm

P = { λ v + µ w | λ, µ P [ 0, 1 ] } ⊆ R2
sind die Skalare auf das Intervall [ 0, 1 ] beschränkt. Lassen wir diese Beschrän-
kung fallen, so erhalten wir folgenden Begriff:
Definition (Spann, Linearkombination)

Seien v, w P R2 . Dann heißt
span(v, w) = { λ v + µ w | λ, µ P R }
der Spann von v und w. Für alle λ, µ P R heißt der Vektor λ v + µ w eine
Linearkombination von v und w.
Die folgende Tabelle gibt einen Überblick der Möglichkeiten.
v,w span(v, w) det(v, w)
nicht kollinear R2 ≠0
kollinear, v ≠ 0 { λv | λ P R } 0
kollinear, w ≠ 0 { λw | λ P R } 0
kollinear, v = w = 0 {0} 0
Der linken Spalte entsprechend ist der Spann zweier Vektoren der Ebene also
die ganze Ebene, eine Gerade durch den Nullpunkt oder die Menge, die nur den
Nullpunkt als Element enthält. In jedem Fall ist der Nullpunkt ein Element des
Spanns (da 0 = 0 v + 0 w), sodass der Spann stets von der leeren Menge verschie-
den ist.
Von Interesse sind die Skalare λ,µ einer Linearkombination u = λ v + µw von v
und w. Wir definieren hierzu:
Definition (Koordinaten, Koordinatenvektor)

Seien v, w P R2 nicht kollinear, u P R2 und λ, µ P R mit
u = λ v + µ w.
Dann heißen λ, µ die Koordinaten von u bzgl. v, w. Wir nennen (λ, µ) P R2
auch den Koordinatenvektor des Vektors u bzgl. der Basis (v, w).
Die Koordinaten sind in der Tat eindeutig bestimmt (Übung), sodass es ge-
rechtfertigt ist, von den Koordinaten bzgl. v, w zu reden.

w
v
Der Vektor u = −2v + 3w hat den Koordinatenvektor (−2, 3) bzgl. der Basis (v, w)
Koordinatenvektoren lassen sich durch Vergleich mit der für jeden Vektor u
der Ebene gültigen Darstellung
u = u1 e1 + u2 e2 mit e1 = (1, 0), e2 = (0, 1)
illustrieren. Diese Darstellung zeigt, dass u = (u1 , u2 ) der Koordinatenvektor von
u bzgl. der Basis (e1 , e2 ) ist. Allgemein gibt ein Koordinatenvektor (λ,µ) die Posi-
tion von u an, wenn das übliche Basissystem (e1 , e2 ) durch ein beliebiges Basis-
system (v, w) ersetzt wird, das aus zwei nicht kollinearen Vektoren besteht:
u = λ v + µ w.
Bei Koordinaten ist die Reihenfolge der Basisvektoren zu beachten. Sind λ,µ die
Koordinaten von u bzgl. v, w, so sind µ, λ die Koordinaten von u bzgl. w, v.
Koordinatenvektoren sind nur für nicht kollineare Vektoren definiert. Zwei
Vektoren v, w P R2 sind nach obigen Ergebnissen genau dann nicht kollinear,
wenn det(v, w) ≠ 0. Dies werden wir im Folgenden häufig verwenden.
Lineare Gleichungssysteme
Wir betrachten nun reelle lineare Gleichungssysteme mit zwei Gleichungen

und zwei Unbekannten (oder Unbestimmten). Ein solches System hat die Form
(+) a x + b y = u1
c x + d y = u2 , mit:
Koeffizienten a, b, c, d P R,
Unbekannten x, y P R,
rechter Seite u = (u1 , u2 ) P R2 ,
Lösungsmenge L = { (x, y) P R2 | a x + b y = u1 , c x + d y = u2 }.

Ist L ≠ ∅, so heißt das System (+) lösbar. Andernfalls heißt es unlösbar. Besitzt die
Menge L genau ein Element, so heißt das System eindeutig lösbar.
Wir notieren im Folgenden Vektoren (v1 , v2 ) der Ebene oft als Spaltenvektoren:
v1
(v1 , v2 ) = .
v2
Damit können wir ein Gleichungssystem (+) schreiben als
a b u1
(++) x + y = = u.
c d u2
In dieser Form ist besonders schön zu sehen, dass auf der linken Seite Linear-
kombinationen der aus den Koeffizienten des Systems gebildeten Vektoren
a b
v = (a, c) = , w = (b, d) =
c d
stehen, also Elemente des Spanns dieser beiden Vektoren. Mit Hilfe unserer Er-
gebnisse über Determinanten und Koordinaten erhalten wir:
Grundlegende Eigenschaften der Lösungsmenge

(1) L ≠ ∅ genau dann, wenn u = (u1 , u2 ) P span(v, w).
(2) Ist det(v, w) = a d − b c ≠ 0, so hat L genau ein Element (x, y). Genauer
ist dann (x, y) der Koordinatenvektor von u = (u1 , u2 ) bzgl. (v, w).
(3) Ist det(v, w) = 0, so kann L die Ebene, eine Gerade (nicht notwendig
durch 0) oder die leere Menge sein.
Die eindeutige Lösbarkeit des Systems ist also äquivalent dazu, dass die Deter-
minante der Koeffizienten-Matrix
a b
c d
des Systems von Null verschieden ist. Die folgenden Beispiele illustrieren den
Fall einer verschwindenden Determinante.
Beispiele
(1) Sei v = w = 0. Für u = 0 ist L = R2 . Für u ≠ 0 ist L = ∅.
(2) Seien v = (1, 1), w = (−1, −1), d. h. wir betrachten ein System der Form
x − y = u1 , x − y = u2
Für die rechte Seite u = (0, 0) ist L = { (x, x) | x P R } eine Gerade
durch 0. Für u = (−1, −1) ist L = { (x, x + 1) | x P R } eine Gerade durch
(0, 1). (Dieses Translationsphänomen untersuchen wir gleich noch
genauer.) Für alle u mit u1 ≠ u2 ist L = ∅.

Die Struktur der Lösungsmenge
Definition (homogen, inhomogen)

Ist die rechte Seite u = (u1 , u2 ) eines Gleichungssystems der Nullvektor, so
nennen wir das System homogen. Andernfalls heißt es inhomogen.
Ein homogenes Gleichungssystem ist immer lösbar, nämlich durch den Null-
vektor. Umgekehrt ist ein System, das durch den Nullvektor gelöst wird, homo-
gen. Damit ist ein System genau dann homogen, wenn 0 P L. Jedem System
(1) a x + b y = u1
c x + d y = u2
können wir das homogene System
(2) ax + by = 0
cx + dy = 0
zuordnen. Ist L die Lösungsmenge von (1), v0 P L beliebig und L0 die Lösungs-
menge des zugeordneten homogenen Systems (2), so gilt (Übung):
L = v0 + L0 = { v0 + (x, y) | (x, y) P L0 }.
Wir drücken diese fundamentale Tatsache auch so aus:
Lösung = spezielle Lösung + homogene Lösung

Die Lösungsmenge L eines Systems ergibt sich aus einer beliebigen Lösung
v0 und der Lösungsmenge L0 des zugehörigen homogenen Systems. Es gilt
L = v0 + L0 .
In L = v0 + L0 steht links eine Menge und rechts die Summe eines Vektors und ei-
ner Menge. Genauer sollten wir also sagen:
Lösungsmenge = spezielle Lösung + homogene Lösungsmenge.
Im Fall einer von Null verschiedenen Determinante der Koeffizienten-Matrix

ist L = { v0 } und L0 = { 0 }. Ist L eine Gerade, so ist L0 eine Gerade durch den Null-
punkt und L = v0 + L0 die um den Vektor v0 verschobene Gerade L0 , eine sog.
affine Gerade der Ebene. Ist L die gesamte Ebene, so gilt dies auch für L0 .
Aus der Lösbarkeit des homogenen Systems folgt keineswegs die Lösbarkeit
des inhomogenen Systems (speziell kann L0 = R2 und L = ∅ gelten). Ist aber das
inhomogene System lösbar, so hat seine Lösungsmenge bis auf eine Verschie-
bung die geometrische Form der Lösungsmenge des homogenen Systems.

Struktur der Lösungsmenge eines linearen Gleichungssystems

Für die Lösungsmenge L eines linearen Gleichungssystems mit zwei
Gleichungen und zwei Unbekannten sind folgende Fälle möglich:
1. Fall: Die Determinante der Koeffizientenmatrix ist von Null verschieden
In diesem Fall besitzt L genau ein Element. Die eindeutige Lösung ist
genau dann der Nullvektor, wenn das System homogen ist.
2. Fall: Die Determinante der Koeffizientenmatrix ist gleich Null
In diesem Fall gilt genau eine der folgenden Aussagen:
(a) L ist leer. Das System ist notwendig inhomogen.
(b) L ist eine affine Gerade. Diese Gerade verläuft genau dann durch
Null, wenn das System homogen ist.
(c) L ist die gesamte Ebene. Dies ist genau dann der Fall, wenn alle
Koeffizienten gleich Null sind.
5
L
4
w
2
L0
v
1
-5 -4 -3 -2 -1 1 2 3 4 5
-1
-2
Die Lösungsmenge des Systems −x + 2y = 5, x − 2y = −5 ist eine affine Gerade:

L = w + L0 = w + { λ v | λ P R } = (1, 3) + { λ (2, 1) | λ P R }
w
1
1 2 3
Die Lösungsmenge des Systems x − y = 1, 2x − y = 3 besteht aus einem Punkt:

L = w + L0 = w + { 0 } = { w } = { (2, 1) }

Algebraische Kurven ersten und zweiten Grades
Ist G = G(u) = { λu | λ P R } die von einem Vektor u ≠ 0 der Ebene er-

zeugte Gerade, so besteht G aus genau den Vektoren des R2 , die senkrecht
auf dem Vektor u ⊥ = rotπ/2 (u) stehen. Setzen wir also (a, b) = u ⊥ = (−u2 , u1 ),
so gilt (a, b) ≠ 0 und
G = { v P R2 | 〈u ⊥ , v〉 = 0 }
= { (x, y) P R2 | ax + by = 0 }. (Orthogonaldarstellung einer Geraden)
Sei nun w P R2 und H = w + G = { w + λu | λ P R } eine affine Gerade. Für alle
v P R2 gilt v P H genau dann, wenn v − w P G, d.h. wenn 〈u ⊥ , v − w〉 = 0. Setzen
wir also
s = 〈u ⊥ , w〉, c = −s,
so erhalten wir die Darstellung
H = { v P R2 | 〈u ⊥ , v − w〉 = 0 } = { v P R2 | 〈u ⊥ , v〉 − 〈u ⊥ , w〉 = 0 }
= { v P R2 | 〈u ⊥ , v〉 = s } = { (x, y) P R2 | ax + by + c = 0 }.
Es ist bemerkenswert, dass sich eine affine Gerade als die Menge aller Vektoren
schreiben lässt, für die das Skalarprodukt mit einem gewissen Vektor einen kon-
stanten Wert s ergibt. Dem konstanten Wert s = 0 entsprechen die Geraden
durch den Nullpunkt, eine Änderung von s bewirkt eine Parallelverschiebung.
Umgekehrt ist leicht zu sehen, dass jede Gleichung der Form ax + by + c = 0
mit (a, b) ≠ 0 in den Unbestimmten x, y eine affine Gerade definiert, die genau
dann durch den Nullpunkt verläuft, wenn c = 0. Wir definieren:
Definition (algebraische Kurve ersten Grades)

Eine Menge C ⊆ R2 heißt eine algebraische Kurve ersten Grades, falls es
a, b, c P R gibt mit (a, b) ≠ 0 und
C = { (x, y) P R2 | ax + by + c = 0 }.
Wir sagen dann, dass die Kurve C durch die Gleichung ax + by + c = 0
definiert wird.
Da a ≠ 0 oder b ≠ 0 gilt, können wir eine definierende Gleichung einer Kurve

C hinsichtlich x oder y normieren. Ist c ≠ 0, so können wir durch c dividieren und
damit die Konstante der Gleichung normieren.
Unsere Überlegungen zeigen:
Satz (Klassifikation der algebraischen Kurven ersten Grades)

Die algebraischen Kurven ersten Grades sind genau die affinen Geraden
der Ebene.

Deutlich komplizierter werden die Verhältnisse, wenn wir bivariate Gleichun-

gen zweiten Grades betrachten:
Definition (algebraische Kurve zweiten Grades)

Eine Menge C ⊆ R2 heißt eine algebraische Kurve zweiten Grades, falls es
a, b, c, d, e, f P R gibt mit (a, b, c) ≠ 0 und
C = { (x, y) P R2 | a x2 + b y2 + c x y + d x + e y + f = 0 }.
Wir sagen dann wieder, dass die Kurve C durch die Gleichung der
Mengendefinition definiert wird.
Algebraische Kurven zweiten Grades sind uns schon oft begegnet. In der fol-
genden Tabelle geben wir definierende Gleichungen für die Kurven an.
Beispiele für algebraischen Kurven zweiten Grades

x2 + y2 − 1 = 0 Einheitskreis
x2 + y2 − r2 = 0 zentrischer Kreis mit Radius r
2 2 2
(x − x0 ) + (y − y0 ) − r = 0 Kreis mit Radius r und Mittelpunkt (x0 , y0 )
2
x −y = 0 Einheitsparabel
2 2 2 2
x /a + y /b − 1 = 0 achsenparallele Ellipse mit Halbachsen a, b
2 2
x −y −1 = 0 Einheitshyperbel
xy − 1 = 0 Hyperbel, Graph von f : R* → R, f(x) = 1/x
10
x2 - x y - y 2 + 1 0
0
-x2 - x y - y 2 - 6 y 0
x2 + 5 x - 2 y 0
-5
-10
-10 -5 0 5 10
Beispiele für algebraische Kurven zweiten Grades (Kegelschnitte)

Man kann zeigen, dass die algebraischen Kurven zweiter Ordnung genau die
(beliebig skalierten, gedrehten und verschobenen) Ellipsen, Parabeln und Hy-
perbeln der Ebene sind, wobei noch einige Sonderfälle zu beachten sind (für
eine durch x2 + c = 0 definierte Kurve C ist zum Beispiel C die leere Menge,
falls c > 0, C die y-Achse, falls c = 0 und C ein Geradenpaar, falls c < 0). Aus
Sicht der klassischen Geometrie sind die algebraischen Kurven zweiten Grades
die Kegelschnitte, also die Figuren der Ebene, die wir durch den Schnitt eines
unendlichen Doppelkegels mit einer Ebene des Raumes erhalten. Dieser Klas-
sifikationssatz ist keineswegs leicht zu zeigen, und wir begnügen uns an dieser
Stelle mit den obigen Beispielen und der Schilderung der Ergebnisse.
Der Leser wird sich fragen, wie es weitergeht. Algebraische Kurven dritten
Grades werden durch Gleichungen der Form
a1 x3 + a2 y3 + a3 x2 y + a4 x y2 + a5 x2 + a6 y2 + a7 x y + a8 x + a9 y + a10 = 0
definiert, wobei einer der ersten vier Koeffizienten von Null verschieden sein
muss. Es ergibt sich eine sehr reichhaltige Kurvenwelt, zu der insbesondere das
repräsentative Gebiet der elliptischen Kurven gehört. Diese spezielleren Kurven
dritten Grades werden definiert durch Gleichungen der Form
y2 = x3 + ax + b.
x3 - x - y 2 0
0
x3 - x - y 2 + 1 0
x3 - 3 x - y 2 + 2 0
-2
-4
-4 -2 0 2 4
Beispiele für elliptische Kurven

Übungen
Übung 1
Sei v P R2 . Zeigen Sie ohne Verwendung der Winkelformel, dass
〈v, rot± π/2 (v)〉 = 0.
Übung 2
In einem Dreieck ABC mit Seiten a, b, c und Winkeln α, β, γ gilt:
a2 = b2 + c2 − 2 cos(α) b c. (Kosinussatz)
Geben Sie einen trigonometrischen Beweis des Kosinussatzes mit Hilfe des
Satzes von Pythagoras.
Übung 3
Illustrieren Sie den Beweis der Winkelformel mit Hilfe des Kosinussatzes
durch Diagramme.
Übung 4
Seien v, w P R2 . Zeigen Sie, dass die folgenden Aussagen äquivalent sind:
(a) Die Vektoren v, w sind nicht kollinear.
(b) ∀λ, µ P R (λ v + µ w = 0 → λ = µ = 0).
Übung 5
Sei u P R2 . Für welche Vektoren v P R2 gilt pru (v) = u? Zeichnen Sie ein
erklärendes Diagramm.
Übung 6
Zeigen Sie, dass für alle u, v P R2 gilt:
(i) pru (u) = u,
(ii) pru (pru (v)) = pru (v),
(iii) 〈pru (v), u〉 = 〈v, u〉,
(iv) prv (pru (v)) = cos2 (ϕ) v, falls u, v ≠ 0 und ϕ = ](u, v).
Zeichnen Sie ein Diagramm zur Illustration von (iv) und ergänzen Sie es,
sodass die Größen cosn (ϕ) für n ≥ 1 sichtbar werden. Nehmen Sie dabei an,
dass u und v normiert sind.
Übung 7
Wie lässt sich mit Hilfe der Koordinaten dreier Punkte der Ebene
möglichst einfach feststellen, ob die drei Punkte auf einer gemeinsamen
Geraden (nicht notwendig durch 0) liegen?

Übung 8
Illustrieren Sie die positive bzw. negative Orientierung zweier Vektoren der
Ebene durch Diagramme.
Übung 9
Untersuchen Sie die Wirkung von Rotationen, Spiegelungen am Nullpunkt
und Spiegelungen an Geraden durch den Nullpunkt auf die Orientierung
zweier Vektoren der Ebene.
Übung 10
Zeigen Sie, dass für alle v, w, v1 , v2 , w1 , w2 P R2 und alle λ P R gilt:
(i) det(e1 , e2 ) = 1,
(ii) det(v, v) = 0,
(iii) det(v, w) = − det(w, v),
(iv) det(λ v, w) = det(v, λ w) = λ det(v, w),
(v) det(v1 + v2 , w) = det(v1 , w) + det(v2 , w),
det(v, w1 + w2 ) = det(v, w1 ) + det(v, w2 ).
Übung 11
Illustrieren Sie den Begriff des Koordinatenvektors (λ, µ) eines Vektors
u P R2 bzgl. einer Basis (v, w) durch Diagramme. Argumentieren Sie
anschaulich, warum jeder Vektor u der Ebene einen eindeutigen Koordina-
tenvektor bzgl. (v, w) besitzt und warum die Forderung „v, w sind nicht
kollinear“ notwendig ist.
Übung 12
Seien v, w P R2 nicht kollinear.
(a) Zeigen Sie, dass det(v, w) ≠ 0.
(b) Zeigen Sie, dass span(v, w) = R2 .
(c) Sei u P R2 . Beweisen Sie, dass u einen eindeutigen Koordinatenvek-
tor (λ, µ) bzgl. der Basis (v, w) besitzt.
Übung 13
Sei L die Lösungsmenge eines linearen Gleichungssystems der Form (+),
und sei L0 die Lösungsmenge des zugeordneten homogenen Systems.
Weiter sei (x*, y*) P L0 . Zeigen Sie:
L = (x*, y*) + L0 = { (x*, y*) + (x, y) | (x, y) P L0 }.

Übung 14
Zeigen Sie, dass für ein lineares Gleichungssystem der Form (+) die
folgenden Aussagen äquivalent sind:
(a) L = R2 ,
(b) a = b = c = d = u1 = u2 = 0.
Übung 15
(a) Sei (x*, y*) P R2 beliebig. Geben Sie ein lineares Gleichungssystem
an mit L = { (x*, y*) }.
(b) Sei G ⊆ R2 eine beliebige Gerade der Ebene (nicht notwendig
durch den Nullpunkt). Geben Sie ein lineares Gleichungssystem an
mit L = G.
(c) Geben Sie ein lineares Gleichungssystem an mit L = ∅ und L0 = R2 .
Alle Gleichungssysteme sollen hierbei die Form (+) haben, als aus zwei
Gleichungen mit zwei Unbekannten bestehen.
Übung 16
Sei u P R2 normiert, und sei G = G(u) = { λu | λ P R }. Weiter sei w P R2
orthogonal zu u, und es sei H = w + G die durch w und G definierte affine
Gerade. Schließlich sei s = 〈w, u ⊥ 〉 mit u ⊥ = rotπ/2 (u).
(a) Erklären Sie die Darstellung H = { v P R2 | 〈u ⊥ , v〉 = s } geometrisch
mit Hilfe der Winkelformel für das Skalarprodukt. Welche
Bedeutung haben die Länge und das Vorzeichen von s?
(b) Sei nun w′ P H beliebig und s′ = 〈u ⊥ , w′〉. Zeigen Sie, dass s = s′ und
illustrieren Sie die Situation durch ein Diagramm.
Übung 17
Welche algebraischen Kurven zweiten Grades werden durch Gleichungen
der folgenden Formen definiert?
(a) a x2 + b x2 = 0
(b) a x2 − b y2 = 0
(c) a x2 + c = 0
(d) b y2 + c = 0

3. (2 × 2)-Matrizen
Matrizen sind rechteckige Gebilde aus Zahlen (zumeist reell oder komplex). Wir
können sie als Erweiterung des Begriffs einer endlichen Folge (a1 , …, an ) ins
Zweidimensionale auffassen. Für alle natürlichen Zahlen m, n ≥ 1 hat eine reelle
(m × n)-Matrix die Form
a1,1 a1,2 … a1,n

a2,1 a1,2 … a2,n
A =
… … … …
am,1 a1,2 … am,n
mit Einträgen ai,j P R für 1 ≤ i ≤ m, 1 ≤ j ≤ n. Matrizen tauchen in der Mathematik

an vielen Stellen auf, und ihre vielfältigen Einsatzmöglichkeiten lassen sich ge-
nauso wenig in einem Satz beschreiben wie die der endlichen Folgen. In der line-
aren Algebra werden sie vor allem zur Beschreibung linearer Abbildungen und
zur Lösung linearer Gleichungssysteme eingesetzt. In diesem Kapitel stellen wir
einige grundlegende Dinge für den einfachen, aber bereits sehr reichhaltigen
Fall n = m = 2 zusammen. Im Sinne von Abbildungen und Gleichungssystemen
bleiben wir damit bei unserer Untersuchung der Ebene R2 .

Matrizen und ihre Einträge
Definition (2×2-Matrizen)
Eine doppelt indizierte Folge reeller Zahlen der Form (a1,1 , a1,2 , a2,1 , a2,2 )
heißt eine reelle 2 × 2-Matrix. Wir notieren eine Matrix A in den Formen
a1,1 a1,2 a11 a12

A = = = (aij )1 ≤ i,j ≤ 2 = (aij )i, j .
a2,1 a2,2 a21 a22
Die Elemente a11 , a12 , a21 , a22 heißen die Einträge der Matrix A. Weiter
heißen a11 und a22 die Diagonaleinträge, (a11 , a22 ) die (Haupt-) Diagonale und
a11 + a22 die Spur von A. Ist a12 = a21 = 0, so heißt A eine Diagonalmatrix.
Wir setzen
A(i, j) = aij für alle 1 ≤ i, j ≤ 2.
Die Vektoren (a11 , a12 ), (a21 , a22 ) P R2 heißen die Zeilenvektoren von A, die
Vektoren (a11 , a21 ), (a12 , a22 ) P R2 die Spaltenvektoren von A. Wir setzen
R2 × 2 = { A | A ist eine reelle 2 × 2-Matrix }.
Bei einer quadratischen Matrix-Darstellung werden zwischen den Einträgen

keine Kommata gesetzt. In den Indizes können wir „i, j“ oder kürzer „ij“ schrei-
ben, solange klar ist, dass keine Multiplikation i ⋅ j vorliegt.
Formal kann man eine 2 × 2-Matrix als eine Funktion von
{ 1, 2 } × { 1, 2 } = { (1, 1), (1, 2), (2, 1), (2, 2) }
nach R auffassen, die als Folge oder Familie
(a(1,1) , a(1,2) , a(2,1) , a(2,2) ) = (a1,1 , a1,2 , a2,1 , a2,2 )
notiert wird: ai, j ist der Funktionswert an der Stelle (i, j). Im Umgang mit Matri-
zen tritt dieser formale Aspekt in den Hintergrund. Wichtig sind die quadrati-
sche Darstellung und die Eigenschaften der Operationen mit Matrizen.
In der indizierten Form
a11 a12
A =
a21 a22
ist der erste Index immer ein Zeilenindex und der zweite Index immer ein
Spaltenindex. Der Eintrag A(i, j) = aij der Matrix A steht in der i-ten Zeile und der
j-ten Spalte von A. Da 2×2-Matrizen nur vier Einträge besitzen, geben wir sie oft
an in der Form
a b
A = .
c d

3. (2 × 2)-Matrizen 161
Es gilt dann automatisch A(1, 1) = a11 = a, …, A(2, 2) = a22 = d. Der Leser verglei-
che dies mit der Vektornotation v = (x, y) = (v1 , v2 ) P R2 .
Konvention: Strichpunkt und Komma

Jedes Paar von Vektoren der Ebene lässt sich als 2 × 2-Matrix auffassen. Um
Zeilen und Spalten zu unterscheiden, verwenden wir ein Komma bzw.
einen Strichpunkt: Sind v, w P R2 , so ist A = (v, w) die 2 × 2-Matrix mit den
Zeilenvektoren v und w und B = (v; w) die 2 × 2-Matrix mit den Spaltenvek-
toren v und w.
Der Unterschied zwischen den Matrizen A = (v, w) und B = (v; w) lässt sich
durch folgende Operation beschreiben:
Definition (Transposition, symmetrisch)

Sei A P R2 × 2 . Dann ist die zu A transponierte Matrix At definiert durch
At (i, j) = A(j, i) für alle 1 ≤ i, j ≤ 2.
Gilt A = At , so heißt A symmetrisch.
Die zu A transponierte Matrix entsteht durch Spiegelung an der Hauptdiago-

nalen. Wegen At (1, 1) = A(1, 1) und At (2, 2) = A(2, 2) hat At die gleiche Diagonale
wie A. Die beiden anderen Einträge sind vertauscht:
At (1, 2) = A(2, 1), At (2, 1) = A(1, 2).
Ist A = (v, w), so ist At = (v; w). Ist umgekehrt A = (v; w), so ist At = (v, w). Für alle
A gilt (At )t = A. Die Symmetrie einer Matrix A ist durch A(1, 2) = A(2, 1) charakte-
risiert; die Diagonaleinträge sind beliebig.
Beispiele
1 2
((1, 2), (3, 4)) = ((1, 3); (2, 4)) = ,
3 4
1 0 1 0
, sind Diagonalmatrizen,
0 1 0 2
0 1 0 1
, sind keine Diagonalmatrizen,
1 0 2 0
1 0 1 2
, sind symmetrisch,
0 2 2 4
0 1 2 1
, sind nicht symmetrisch.
2 0 4 2

Zwei wichtige spezielle Matrizen sind:
Definition (Nullmatrix, Einheitsmatrix)

Die Nullmatrix 0 P R2 × 2 und die Einheitsmatrix E2 P R2 × 2 sind definiert
durch
0 0 1 0
0 = ((0, 0); (0, 0)) = , E2 = ((1, 0); (0, 1)) = .
0 0 0 1
Beide Matrizen sind symmetrisch, sodass wir die Strichpunkte in der Defini-
tion auch durch Kommata ersetzen könnten. Die Einträge der Nullmatrix sind
alle gleich 0. Bei der Einheitsmatrix sind die Diagonaleinträge gleich 1, die ande-
ren Einträge gleich 0. Die Zeilen und Spalten von E2 bestehen aus den kanoni-
schen Einheitsvektoren e1 = (1, 0) und e2 = (0, 1) der Ebene. Wir werden gleich
sehen, dass die Nullmatrix die additive Rolle der Null und die Einheitsmatrix die
multiplikative Rolle der Eins übernimmt.
Wir führen noch eine Notation ein, die nicht nur im Umgang mit Matrizen
nützlich ist:
Notation: Kronecker-Delta
Für zwei Indizes i, j ist das Kronecker-Delta δij definiert durch
δij =
{ 1
0
falls i = j
falls i ≠ j
Die bei einem Kronecker-Delta verwendeten Indizes i, j sind dabei beliebige

mathematische Objekte. Für reelle Zahlen x,y ist zum Beispiel δxx = 1 und δxy = 0,
falls x ≠ y. Die durch δx0 definierte Funktion f : R → R ist genau an der Stelle 0
gleich 1 und für alle reellen Zahlen x ≠ 0 gleich 0.
Die Einheitsmatrix E2 P R2 × 2 lässt sich mit Hilfe des Kronecker-Deltas nun
definieren durch
E2 (i, j) = δij für alle 1 ≤ i, j ≤ 2.
Schließlich führen wir noch eine Notation für Diagonalmatrizen ein:
Notation
Für alle d1 , d2 P R setzen wir
d1 0
diag(d1 , d2 ) = .
0 d2
Damit gilt 0 = diag(0, 0) und E2 = diag(1, 1).

3. (2 × 2)-Matrizen 163
Addition und Skalierung von Matrizen
Matrizen lassen sich in natürlicher Weise addieren und skalieren:
Definition (Addition von Matrizen)

Seien A, B P R2 × 2 . Dann setzen wir
a11 a12 b11 b12 a11 + b11 a12 + b12

A+B = + = .
a21 a22 b21 b22 a21 + b21 a22 + b22
Die Matrix A + B P R2 × 2 heißt die Summe der Matrizen A und B.
Definition (Subtraktion von Matrizen)

Seien A, B P R2 × 2 . Dann setzen wir
−a11 −a12
−A = ,
−a21 −a22
A − B = A + (−B).
Die Matrix A − B P R2 × 2 heißt die Differenz der Matrizen A und B.
Definition (Skalierung von Matrizen)

Seien A P R2 × 2 und λ P R. Dann setzen wir
a11 a12 λa11 λa12

λA = λ = .
a21 a22 λa21 λa22
Die Matrix λ A P R2 × 2 heißt das Produkt der Matrix A mit dem Skalar λ.
Es gelten alle vertrauten Rechenregeln. Einige davon sind:
Satz (Rechenregeln für Matrizen)

Für alle A, B, C P R2 × 2 und λ, µ P R gilt:
(a) A + (B + C) = (A + B) + C,
(b) A + 0 = 0 + A = A,
(c) A + (− A) = (− A) + A = 0,
(d) A + B = B + A,
(e) 1 A = A, − A = (− 1) A,
(f ) λ (A + B) = λ A + λ B,
(g) λ (µ A) = (λ µ) A = µ (λ A).

Das Matrix-Vektor-Produkt
Als Nächstes führen wir ein Produkt einer Matrix A mit einem Vektor (x, y) der
Ebene ein. Wir vereinbaren hierzu:
Konvention
Einen Vektor (x, y) notieren wir bei einer Multiplikation mit einer Matrix in
Spaltenform. Anders formuliert: Wir fassen (x, y) als (2 × 1)-Matrix mit
zwei Zeilen und einer Spalte auf.
Damit können wir nun definieren:
Definition (Matrix-Vektor-Produkt)
Seien A P R2 × 2 und v = (x, y) P R2 . Dann setzen wir
a b x ax + by
A v = A (x, y) = = P R2 .
c d y cx + dy
Der Vektor A v P R2 heißt das Matrix-Vektor-Produkt von A mit v.
Beispiele
(a) 1 2 1 5 1 3 1 7
= , = .
3 4 2 11 2 4 2 10
(b) 1 2 1 1 1 2 0 2
= , = .
3 4 0 3 3 4 1 4
Allgemein gilt für alle A = (v; w) = ((a, b), (c, d)) P R2 × 2 :

A e1 = v = (a, c), A e2 = w = (b, d). (Spaltenextraktion)
Die Multiplikation mit den Einheitsvektoren liefert also die Spaltenvektoren ei-
ner Matrix. Die Zeilen erhalten wir durch Transposition:
At e1 = (a, b), At e2 = (c, d). (Zeilenextraktion)
Die Einträge einer Matrix A lassen sich mit Hilfe des Euklidischen Skalarpro-
dukts gewinnen:
〈e1 , Ae1 〉 = a11 , 〈e1 , Ae2 〉 = a12 ,
〈e2 , Ae1 〉 = a21 , 〈e2 , Ae2 〉 = a22 . (Extraktion der Einträge)
Es gilt also 〈ei , Aej 〉 = aij für alle i, j.

3. (2 × 2)-Matrizen 165
Matrizen als Abbildungen

Sei A P R2 × 2 . Dann können wir das Matrix-Vektor-Produkt als Abbildung
von R2 nach R2 auffassen: Jedem v P R2 wird der Vektor
fA (v) = Av P R2
zugeordnet. Wir werden die Sichtweise „Matrizen als Abbildungen“ und
die Abbildungen fA : R2 → R2 später genauer untersuchen. Für jetzt genügt
es, den funktionalen Zusammenhang zwischen v und Av bei festgehaltener
Matrix A wahrzunehmen. So können wir zum Beispiel sagen, dass v auf Av
abgebildet wird, oder dass A gewisse Abbildungseigenschaften besitzt.
Die vielleicht wichtigste Eigenschaft des Produkts ist:
Satz (Linearität des Matrix-Vektor-Produkts)

Sei A P R2 × 2 . Dann gilt für alle v, w P R2 und λ, µ P R:
A(λ v + µ w) = λ A v + µ A w.
Der Leser verifiziere dies durch Nachrechnen.
Zusammenhang mit linearen Gleichungssystemen
Das Matrix-Vektor-Produkt lässt sich durch lineare Gleichungssysteme illu-

strieren. Ein System
(+) a x + b y = u1
c x + d y = u2
können wir mit Hilfe des Produkts notieren als
a b x u1
= = u.
c d y u2
Ist A die Koeffizientenmatrix des Systems, so gilt

L = { v P R2 | A v = u }.
Das System (+) selbst können wir damit sehr kompakt angeben als
A (x, y) = u. (Matrix-Form eines linearen Gleichungssystems)
Ist A = ((a, b), (c, d)) = ((a, c); (b, d)) P R(2 × 2) , so ist die Determinante det(A) von A
definiert durch det(A) = ad − bc. Es gilt
det(A) = det(At ).
Die Determinante von A ist genau dann gleich Null, wenn die Zeilenvektoren
(gleichwertig: Spaltenvektoren) von A kollinear sind. Das lineare Gleichungssy-
stem A (x, y) = u ist genau dann eindeutig lösbar, wenn det(A) ≠ 0.

Die Struktur „Lösung = spezielle Lösung + homogene Lösung“ der Lösungs-

menge eines lösbaren Systems können wir in der Matrizenformulierung sehr ele-
gant beweisen. Denn seien L = { v | A v = u }, L0 = { v | Av = 0 } und v0 P L. Dann
gilt für alle v die Äquivalenzenkette
vPL genau dann, wenn Av = u
genau dann, wenn Av − Av0 = u − u
genau dann, wenn A(v − v0 ) = 0
genau dann, wenn v − v0 P L0
genau dann, wenn v P v0 + L0 .
Linearkombinationen der Spalten
Sei A P R2×2 . Für alle v = (x, y) P R2 ist Av eine Linearkombination der Spalten
von A, da
a b x ax + by a b
Av = = = x + y .
c d y cx + dy c d
Umgekehrt ist auch jede Linearkombination der Spalten von A von der Form Av.
Ist also A = ((a, c); (b, d)), so gilt
span((a, c), (b, d)) = { Av | v P R2 }.
Ist det(A) ≠ 0, so ist v der Koordinatenvektor von A v bzgl. der Basis (a, c), (b, d),
die aus den Spaltenvektoren von A gebildet ist.
Zusammenhang mit dem Euklidischen Skalarprodukt
Das Matrix-Vektor-Produkt Av mit v = (x, y) können wir mit Hilfe des Euklidi-
schen Skalarprodukts in der folgenden Form schreiben:
a b x ax + by 〈(a, b), v〉
Av = = = .
c d y cx + dy 〈(c, d), v〉
Wir lesen ab, dass A v genau dann gleich 0 ist, wenn v auf beiden Zeilenvektoren
von A senkrecht steht. Allgemeiner liegt Av auf der x-Achse (y-Achse), wenn v
auf der zweiten (ersten) Zeile von A senkrecht steht.
Eine weitere sehr wichtige Eigenschaft ist:
Satz (Seitenwechsel im Skalarprodukt)

Sei A P R2 × 2 . Dann gilt 〈v, Aw〉 = 〈At v, w〉 für alle v, w P R2 .
Der Leser beweise diese Eigenschaft durch Nachrechnen. Ist A symmetrisch,

so gilt also 〈v, Aw〉 = 〈Av, w〉 für alle A P R2 × 2 und v, w P R2 .

3. (2 × 2)-Matrizen 167
Die Matrizenmultiplikation
Mit Hilfe des Matrix-Vektor-Produkts führen wir nun eine Multiplikation für
Matrizen ein:
Definition (Produkt zweier Matrizen)

Seien A, B P R2 × 2 , und sei B = (b1 ; b2 ). Dann setzen wir
A ⋅ B = (A b1 ; A b2 ).
Die Matrix A ⋅ B P R2 × 2 heißt das Produkt der Matrizen A und B.
Wir erhalten also die Produktmatrix A ⋅ B, indem wir die beiden Matrix-Vek-
tor-Produkte Ab1 und Ab2 als Spalten in eine Matrix schreiben. In Langform no-
tiert ergibt sich
a11 a12 b11 b12

A⋅B = ⋅
a21 a22 b21 b22
a11 b11 + a12 b21 a11 b12 + a12 b22

= .
a21 b11 + a22 b21 a21 b12 + a22 b22
Die Berechnung lässt sich kompakt als Zeile mal Spalte zusammenfassen.
Notation
Wir schreiben auch kurz A B statt A ⋅ B.
Beispiele
(1) 1 2 1 3 5 11
=
3 4 2 4 11 25
(2) 1 0 0 0 0 0
= = 0
0 0 0 1 0 0
(3) 1 1 2 −1 1 0
= = E2
1 2 −1 1 0 1
(4) 0 1 0 1 1 0
= = E2
1 0 1 0 0 1

Das Matrizenprodukt lässt sich auch mit Hilfe der Summennotation elegant be-
schreiben. Für das Produkt C = AB zweier Matrizen A und B gilt nach Definition
cij = ∑ 1 ≤ k ≤ 2 aik bkj für alle 1 ≤ i, j ≤ 2.
Dabei durchläuft aik die i-te Zeile von A, während bkj die j-te Spalte von B durch-
läuft.
Die Matrizenmultiplikation lässt sich durch ein kombiniertes lineares Glei-
chungssystem illustrieren (Übung):
Komposition von Gleichungssystemen

Seien A, B P R2 × 2 , u P R2 . Das kombinierte Gleichungssystem
B (x, y) = (x′, y′), A (x′, y′) = u
wird von (x, y) P R2 genau dann gelöst, wenn
(A B) (x, y) = u.
Durch Nachrechnen zeigt man:
Satz (Eigenschaften der Matrizenmultiplikation)

Für alle A, B, C P R2 × 2 und alle v = (x, y) P R2 gilt:
(a) A (Bv) = (AB) v,
(b) A (BC) = (A B) C, (Assoziativität)
(c) A E2 = E2 A = A, (Neutralität von E2 )
(d) A (B + C) = A B + A C, (A + B) C = A C + B C. (Distributivität)
Der Leser hat vielleicht die Kommutativität A B = B A in der Liste vermisst.

Diese ist aber im Allgemeinen nicht gültig:
Beispiele
(1) 1 0 1 1 1 1
=
1 1 0 1 1 2
1 1 1 0 2 1
=
0 1 1 1 1 1
(2) a b 0 1 b a
= (Spaltentausch)
c d 1 0 d c
0 1 a b c d
= (Zeilentausch)
1 0 c d a b

3. (2 × 2)-Matrizen 169
Ist A = (v; w), so haben wir die Determinante von A definiert als det(A) = det(v,
w). Nachrechnen zeigt den folgenden wichtigen Satz:
Satz (Multiplikationssatz für Determinanten)

Seien A, B P R2 × 2 . Dann gilt det(AB) = det(A) det(B).
Beispiel
Seien
1 1 1 2 3 1
A = , B = , C = AB =
−1 2 2 −1 3 −4
Dann gilt det(A) = 3, det(B) = −5 und det(C) = −15 = det(A) det(B).
Schließlich definieren wir noch:
Definition (Potenzen für Matrizen)

Sei A P R2 × 2 . Dann setzen wir:
A0 = E2 , A1 = A, A2 = A A, A3 = A2 A, …
Beispiele
(1) Sei A = ((1, 0); (1, 1)). Dann gilt
1 1 1 1 1 2 1 3
A2 = = , A3 = , …
0 1 0 1 0 1 0 1
(2) Für die Matrix
0 1
A =
1 0
erhalten wir die periodischen Potenzen

A2 = E2 , A3 = A, A4 = E2 , …, A2n = E2 , A2n + 1 = A, …
(3) Für die Matrix
0 1
A =
0 0
gilt A2 = 0 und allgemein An = 0 für alle n ≥ 2.
Wiederholte Anwendung des Multiplikationsssatzes für Determinanten er-

gibt, dass det(An ) = det(A)n für alle n ≥ 1 gilt. Aus der Assoziativität der Matrizen-
multiplikation folgt
An Am = An + m = Am An für alle n, m P N.

Matrizen als lineare Abbildungen
Wir verfolgen nun das Motiv, dass eine Matrix A vermöge „v wird abgebildet
auf Av“ eine Abbildung der Ebene in sich selbst definiert, genauer. Hierzu defi-
nieren wir den grundlegenden Begriff einer linearen Abbildung f : R2 → R2 und
zeigen, dass die linearen Abbildungen den durch die Matrizen definieren Abbil-
dungen entsprechen. Die Matrizenmultiplikation entspricht dabei der Komposi-
tion von Abbildungen. Wir erinnern an:
Definition (zugeordnete Abbildung)

Sei A P R2 × 2 . Dann ist die Abbildung fA : R2 → R2 definiert durch
fA (v) = A v für alle v P R2 .
Die Abbildung fA heißt die der Matrix A zugeordnete Abbildung.
Wir haben schon verwendet, dass für alle A P R2 × 2 , Vektoren v, w P R2 und

Skalare λ, µ P R gilt:
A (λ v + µ w) = λ A v + µ A w, d. h.
fA (λ v + µ w) = λ fA (v) + µ fA (w).
Speziell gilt für alle v = (x, y) P R2 :
fA (v) = Av = A(x, y) = A(xe1 + ye2 ) = x Ae1 + y Ae2 .
Der Funktionswert fA (v) ist also eine Linearkombination der Spaltenvektoren
Ae1 und Ae2 der Matrix A. Die Skalare der Kombination sind die Komponenten
von v. Damit können wir die Abbildungseigenschaften einer Matrix mit nichtver-
schwindender Determinante veranschaulichen:
Visualisierung der Abbildungsdynamik einer Matrix A

Wir zeichnen die Spaltenvektoren von A in eine Diagramm ein und fassen
sie als neue Basisvektoren auf. Dadurch erzeugen wir ein neues Koordina-
tengitter. Für alle v = (x, y) ist Av der Punkt des Gitters mit den Koordina-
ten (x, y).
Ist die Determinante von A gleich 0, so sind die Spaltenvektoren von A kolli-
near. Wir können sie erneut in ein Diagramm einzeichnen, aber die beiden Vek-
toren erzeugen nun nur noch den Nullpunkt (im Fall A = 0) oder eine Gerade in
der Ebene (im Fall A ≠ 0).
Daneben stehen uns alle Visualisierungsmöglichkeiten zur Verfügung, die wir
für eine Funktion von C nach C diskutiert haben. Denn fA : R2 → R2 ist eine Ab-
bildung der Ebene in sich selbst. Beispielsweise können wir versuchen, die Wir-
kung von fA durch Pfeile von v nach Av für einige v zu veranschaulichen.

3. (2 × 2)-Matrizen 171
A(-2, 3)
Ae2
Ae1
A(-1, -3/2)
A(2, -4)
Eine Matrix A mit det(A) ≠ 0 verformt das kartesische Gitter zu einem neuen Gitter.
Mit Hilfe des neuen Gitters können wir die Vektoren fA (v) = A v bestimmen.
Beispiele
(1) Für die Nullmatrix 0 ist f0 (v) = 0 P R2 für alle v P R2 , d. h. f0 bildet
jeden Vektor der Ebene auf den Nullvektor der Ebene ab.
(2) Für die Einheitsmatrix E2 gilt fE2 (v) = v für alle v P R2 , sodass die
zugeordnete Abbildung die Identität auf R2 ist.
(3) Sei A = ((1, 0); (0, 0)). Dann gilt Av = (v1 , 0) für alle v P R2 . Die
Abbildung fA ist also die orthogonale Projektion eines Vektors v auf die
x-Achse, d. h. es gilt fA = pre1 .
Die Abbildung fA : R2 → R2 erlaubt eine neue Sicht auf ein lineares Glei-
chungssystem: Die Lösungsmenge eines linearen Gleichungssystems A v = u ist
das Urbild der Menge { u } unter der Abbildung fA . Genau diejenigen Vektoren
der Ebene, die durch fA auf u abgebildet werden, lösen das Gleichungssystem.
Die Urbildmenge einer einelementigen Menge ist auch als Faser der Abbildung
bekannt. Damit ist also L die Faser von u unter der Abbildung fA .
Der enge Zusammenhang zwischen A und fA wird weiter vertieft durch:
Satz (Matrizenmultiplikation als Komposition)

Für alle A, B P R2 × 2 gilt f A B = f A + f B .
Der Beweis des Satzes sei dem Leser zur Übung empfohlen. Wichtig ist die Rei-
henfolge der Komposition: f A B = f A + f B , aber f B A = f B + f A .

Lineare Abbildungen
Wir betrachten nun allgemein:
Definition (lineare Abbildung)

Eine Abbildung f : R2 → R2 heißt linear, falls für alle v, w P R2 und alle
λ, µ P R gilt:
f(λ v + µ w) = λ f(v) + µ f(w). (Linearitätsbedingung)
Alle Abbildungen der Form fA : R2 → R2 sind linear. Der folgende grundle-

gende Satz besagt, dass es keine weiteren Beispiele gibt:
Satz (Hauptsatz über lineare Abbildungen und Matrizen)

Sei f : R2 → R2 linear. Dann gibt es genau ein A P R2 × 2 mit f = fA .
Beweis
zur Existenz:
Wir setzen A = (f(e1 ); f(e2 )), d. h. die Spalten von A sind die Bilder der
kanonischen Basisvektoren e1 und e2 unter f. Dann gilt A e1 = f(e1 ) und
A e2 = f(e2 ). Folglich gilt für alle v = (x, y) P R2 :
fA (v) = fA (x e1 + y e2 ) = x fA (e1 ) + y fA (e2 )
= x f(e1 ) + y f(e2 ) = f(x e1 + y e2 ) = f(v).
zur Eindeutigkeit:
Seien A, B P R2 × 2 mit fA = f = fB . Dann gilt
A e1 = fA (e1 ) = fB (e1 ) = B e1 ,
sodass die erste Spalte von A mit der ersten Spalte von B übereinstimmt.
Analog zeigt eine Multiplikation mit e2 , dass die zweiten Spalten der
Matrizen A und B übereinstimmen. Damit gilt A = B.
Mit Hilfe des Ergebnisses lässt sich die Assoziativität der Matrizenmultiplika-
tion elegant aus der Assoziativität der Komposition von Abbildungen folgern.
Für alle Matrizen A, B, C gilt
fA(BC) = fA + (fBC ) = fA + (fB + fC ) = (fA + fB ) + fC = fAB + fC = f(AB)C .
Aus der Eindeutigkeit der Darstellung folgt A(BC) = (AB)C. Damit wird der Be-
weis durch Nachrechnen durch ein Argument vom höheren Standpunkt ergänzt.
Aus dem Beweis ergibt sich:
Wir können die darstellende Matrix einer linearen Abbildung finden, indem wir
die Bilder der kanonischen Basisvektoren bestimmen und als Spalten in eine Ma-
trix schreiben.
Wir betrachten einige Beispiele hierzu.

3. (2 × 2)-Matrizen 173
Projektionsmatrizen
Sei u P R2 mit u ≠ 0. Dann ist die orthogonale Projektion pru : R2 → R2 ,
die einen Vektor v auf pru (v) = 〈û, v〉 û abbildet, linear. Wir nehmen zur
Vereinfachung der Notation an, dass u normiert ist. Dann gilt
pru (e1 ) = 〈u, e1 〉 u = u1 u = (u1 2 , u1 u2 ),
pru (e2 ) = 〈u, e2 〉 u = u2 u = (u1 u2 , u2 2 ).
Damit erhalten wir die symmetrische Matrix
u1 2 u1 u2
Au =
u1 u2 u2 2
als darstellende Matrix. Matrizen dieser Form heißen Projektionsmatrizen.

Wir können diese Matrizen auch anders gewinnen, indem wir schreiben
u1 u1 2 u1 u2 v1
pru (v) = 〈u, v〉 u = (u1 v1 + u2 v2 ) = 2
.
u2 u1 u2 u2 v2
Eine Projektionsmatrix Au besitzt die Determinante 0. Alle Vektoren der

Ebene werden durch Au auf die von u erzeugte Gerade abgebildet.
-3 -2 -1 1 2 3
-1
-2
-3
Die Projektion Au auf den Vektor u = (2, 2/3) visualisiert als Pfeildiagramm.
Mit λ = 1/10 gilt û = £λ(3, 1), Au e1 = λ (3, 9) und Au e2 = λ (3, 1).

Rotationsmatrizen
Sei ϕ P R. Die Abbildung rotϕ : R2 → R2 , die einen Vektor v P R2 um
einen Winkel ϕ gegen den Uhrzeigersinn dreht, ist linear. Es gilt
f(e1 ) = (cos ϕ, sin ϕ), f(e2 ) = rotπ/2 (f(e1 )) = (−sin ϕ, cos ϕ).
Für die darstellende Matrix Aϕ = Arotϕ gilt also
cosϕ −sinϕ
Aϕ = .
sinϕ cosϕ
Ae1
Ae2
e1
A(-2, -1)
0.5
-1 -0.5 0.5 1
-0.5
-1
Die Rotation A = Aϕ um den Winkel ϕ = 2π/7

3. (2 × 2)-Matrizen 175
Weitere wichtige Beispiele sind die Punktspiegelung am Nullpunkt und die

Spiegelungen an Geraden durch den Ursprung. Wir diskutierenden die darstel-
lenden Matrizen dieser Abbildungen in den Übungen.
Durch den Übergang von A zu fA können wir die Determinante einer Matrix
A anschaulich interpretieren: In den Spalten von A stehen die Bilder der kanoni-
schen Basisvektoren. Die Basisvektoren e1 und e2 spannen ein Parallelogramm
der Fläche 1 auf (ein Quadrat). Ihre Bilder fA (e1 ) und fA (e2 ) unter fA spannen ein
Parallelogramm der signierten Fläche det(A) auf, wobei wir eine negative Fläche
als negative Orientierung der Bildvektoren interpretieren. Damit können wir zu-
sammenfassen:
Die Determinante einer Matrix A ist ein Maß für die von der linearen Abbil-
dung fA bewirkte Flächenverzerrung.
Diese Verzerrung kann durch die Skalierung der Basisvektoren, durch die Verän-
derung des eingeschlossenen rechten Winkels und durch die Umkehr der Orien-
tierung entstehen.
1.5
Ae2 det(A)
0.5
Ae1
0.5 1 1.5
Die Determinante einer Matrix A als Maß für die Flächenverzerrung
Beispiele
(1) Eine Projektion erzeugt ein degeneriertes Parallelogramm. Die
Determinante einer Projektionsmatrix ist 0.
(2) Eine Rotation erhält sowohl die Fläche als auch die Orientierung. Die
Determinante einer Rotationsmatrix ist 1.

Allgemeine Abbildungseigenschaften von Matrizen
Wir haben gesehen, dass zwischen linearen Abbildungen und Matrizen eine
eindeutige Beziehung besteht. Im Folgenden identifizieren wir, wo immer es die
Sprechweise erleichtert, eine Matrix A P R2 × 2 mit der zugeordneten Abbildung
f A : R2 → R2 .
Um die Abbildungseigenschaften einer Matrix A weiter zu beschreiben, be-
trachten wir die Wirkung von A auf geometrische Figuren der Ebene: Ist P ⊆ R2 ,
so wird jeder Punkt v von P durch A auf Av abgebildet. Sammeln wir alle Punkte
Av, so erhalten wir ein neues geometrisches Gebilde:
Definition (Bild einer Menge unter einer Matrix)

Sei A P R2 × 2 . Dann setzen wir
A[ P ] = { Av | v P P } für alle P ⊆ R2 .
Wir nennen die Menge A[ P ] das Bild von P unter A.
Ein exemplarisches Ergebnis ist, dass eine Matrix eine affine Gerade in eine af-
fine Gerade überführt:
Satz (Bilder von Geraden unter linearen Abbildungen)

Seien A P R2 × 2 und G = w + span(v) eine affine Gerade im R2 . Dann ist
A[ G ] die affine Gerade Aw + span(Av).
Beweis
A[ G ] = { A(w + λv) | λ P R } = { Aw + λAv | λ P R } = Aw + span(Av).
G
A[G]
w Aw
Av
Die Transformation einer affinen Geraden unter einer Matrix A

3. (2 × 2)-Matrizen 177
Allgemein zeigt das Argument, dass

A[ v + P ] = Av + A [ P ] für alle v P R2 und P ⊆ R2 .
Das Ergebnis lässt sich vielfach verallgemeinern. So wird die Strecke
S = { v + λ (w − v) | λ P [ 0, 1 ] }
zwischen zwei Punkten v, w P R2 durch eine Matrix A auf die Strecke
A[ S ] = { Av + λ (Aw − Av) | λ P [ 0, 1 ] }
abgebildet, die die Bildpunkte Av und Aw verbindet. Damit werden Dreiecke in
Dreiecke übersetzt (die genau dann degeneriert sind, wenn die Determinante
von A gleich 0 ist). Seitenlängen, Winkel und Orientierung können dabei verän-
dert werden. Ebenso wird ein Parallelogramm mit den Punkten p1 , p2 , p3 , p4 in
das Parallelogramm mit den Bildpunkten q1 = Ap1 , …, q4 = Ap4 überführt (denn
der einer Ecke gegenüberliegende Punkt errechnet sich linear aus den anderen
Punkten). Rechtecke werden genau dann in Rechtecke überführt, wenn die Spal-
tenvektoren von A aufeinander senkrecht stehen. Und Quadrate genau dann in
Quadrate, wenn die Spaltenvektoren von A orthogonal zueinander und zudem
normiert sind. Derartige Matrizen werden wir im nächsten Kapitel untersuchen.
Nachdem Quadrate auf Parallelogramme abgebildet werden, ist zu vermuten,
dass ein in ein Quadrat einbeschriebener Kreis auf eine Ellipse abgebildet wird,
die das Parallelogramm in den Mittelpunkten seiner Seiten tangential berührt.
Diese Vermutung ist richtig, aber nicht mehr so leicht zu zeigen. Weiter sind die
Halbachsen der Ellipse weder in ihrer Länge noch in ihrer Richtung einfach zu
berechnen. Wir werden die Frage im nächsten Kapitel aufgreifen und eine ver-
tiefte Analyse innerhalb der Eigenwerttheorie geben.
A(1, 1)
3
Ae2
2
1 Ae1
-4 -3 -2 -1 1 2 3 4
E -1
A(1, -1)
-2
-3
Das Bild des Einheitskreises K und des umgebenden Quadrats unter A = ((3, 1); (1, 2)).
Die Halbachsenrichtungen und -längen der Ellipse E = A[ K ] sind nicht klar.

Übungen
Übung 1
Zeigen Sie, dass für alle A, B, C P R2 × 2 und λ, µ P R gilt:
(a) A + (B + C) = (A + B) + C,
(b) A + 0 = 0 + A = A,
(c) A + (− A) = (− A) + A = 0,
(d) A + B = B + A,
(e) 1 A = A, − A = (− 1) A,
(f ) λ (A + B) = λ A + λ B,
(g) λ (µ A) = (λ µ) A = µ (λ A).
Übung 2
Sei A P R2 × 2 . Zeigen Sie, dass für alle v, w P R2 und λ, µ P R gilt:
A(λ v + µ w) = λ A v + µ A w.
Übung 3
Sei A P R2 × 2 . Zeigen Sie, dass es eindeutig bestimmte λ P R und B P R2 × 2
gibt mit den Eigenschaften:
A = λ E2 + B, spur(B) = 0.
Übung 4
Sei A P R2 × 2 gegeben mit det(A) = 0. Geben Sie ein v P R2 an mit v ≠ 0
und A v = 0.
Übung 5
Sei A P R2 × 2 . Zeigen Sie, dass für alle v, w P R2 gilt:
(a) 〈v, Aw〉 = 〈At v, w〉, 〈Av, w〉 = 〈v, At w〉,
(b) i A v i 2 = 〈v, At Av〉, i At v i 2 = 〈v, A At v〉.
Übung 6
Zeigen Sie, dass für alle A, B, C P R2 × 2 und v P R2 gilt:
(a) A (Bv) = (AB) v,
(b) A (BC) = (A B) C,
(c) A E2 = E2 A = A,
(d) A (B + C) = A B + A C, (A + B) C = A C + B C.

3. (2 × 2)-Matrizen 179
Übung 7
Seien A, B P R2 × 2 . Zeigen Sie, dass det(AB) = det(A) det(B).
Übung 8
(a) Sei A P R2 × 2 . Zeigen Sie, dass A At symmetrisch ist.
(b) Gilt immer At A = A At ?
Übung 9
Seien A, B P R2 × 2 . Zeigen Sie, dass (AB)t = Bt At .
Übung 10
Seien A, B P R2 × 2 , u P R2 . Wir betrachten das Gleichungssystem
(+) B (x, y) = (x′, y′), A (x′, y′) = u
(a) Notieren Sie das System in Variablenform.
(b) Zeigen Sie (wahlweise in Matrizen- oder Variablenform), dass
(x, y) P R2 genau dann eine Lösung von (+) ist, wenn (A B) (x, y) = u.
Übung 11
Zeigen oder widerlegen Sie:
(a) Das Produkt zweier Diagonalmatrizen ist eine Diagonalmatrix.
(b) Das Produkt zweier symmetrischer Matrizen ist eine symmetrische
Matrix.
(c) Das Produkt zweier oberer (unterer) Dreiecksmatrizen ist eine obere
(untere) Dreiecksmatrix.
Dabei heißt eine Matrix A P R2 × 2 eine obere bzw. untere Dreiecksmatrix, falls
A(2, 1) = 0 bzw. A(1, 2) = 0.
Übung 12
Eine Matrix A P R2 × 2 heißt idempotent, falls A2 = A. Zeigen Sie:
(a) Jede Projektionsmatrix ist idempotent.
(b) Ist A idempotent und keine Diagonalmatrix, so ist spur(A) = 1.
Übung 13
(a) Geben Sie Beispiele für Matrizen A P R2 × 2 an mit A ≠ 0 und A2 = 0.
(b) Sei A P R2 × 2 mit A2 = 0. Zeigen Sie, dass spur(A) = 0.
(c) Sei A P R2 × 2 symmetrisch mit A ≠ 0. Zeigen Sie, dass A2 ≠ 0.

Übung 14
Seien A, B P R2 × 2 . Zeigen Sie, dass fA B = fA + fB .
Übung 15
Welche linearen Abbildungen werden durch Diagonalmatrizen, obere
Dreiecksmatrizen bzw. untere Dreiecksmatrizen beschrieben? Geben Sie
Beispiele und zeichnen Sie Diagramme zur Illustration.
Übung 16
Seien A, B P R2 × 2 Rotationsmatrizen. Dann gilt:
(+) A B = B A.
(a) Begründen Sie (+) anschaulich durch Betrachtung von Rotationen
der Ebene.
(b) Beweisen Sie (+) durch Berechnung der Produkte.
Übung 17
Seien ϕ, ψ P R und seien rotϕ , rotψ : R2 → R2 die Rotationen der Ebene
um die Winkel ϕ bzw. ψ. Nehmen Sie an, dass
rotϕ + rotψ = rotϕ + ψ ,
und leiten Sie hieraus mit Hilfe von Matrizen die Additionstheoreme für
den Kosinus und Sinus ab.
Übung 18
Sei f : R2 → R2 die Spiegelung am Nullpunkt. Bestimmen Sie die
darstellende Matrix A von f.
Übung 19
Sei u P R2 normiert und sei f : R2 → R2 die Spiegelung an der durch u
definierten Geraden durch den Nullpunkt. Bestimmen Sie die darstellende
Matrix A von f. Zeigen Sie zudem, dass A2 = E2 . Wie lässt sich diese
Eigenschaft anschaulich erklären?
Übung 20
Sei A P R2 × 2 . Zeigen Sie, dass die folgenden Aussagen äquivalent sind:
(a) Die Abbildung fA : R2 → R2 ist bijektiv, d. h. für alle u P R2 gibt es
genau v P R2 mit fA (v) = u.
(b) Die Abbildung fA : R2 → R2 ist surjektiv, d. h. für alle u P R2 gibt es
mindestens ein v P R2 mit fA (v) = u.
(c) Die Abbildung fA : R2 → R2 ist injektiv, d. h. für alle u P R2 gibt es
höchstens ein v P R2 mit fA (v) = u.

4. Invertierung und Orthogonalität
Wir setzen unsere Untersuchung der (2 × 2)-Matrizen fort. Zunächst betrach-

ten wir inverse Matrizen, mit deren Hilfe wir eindeutig lösbare Gleichungs-
systeme mit variabler rechter Seite elegant lösen können. Wichtige Beispiele
für invertierbare Matrizen stellen die orthogonalen Matrizen dar, die sich
durch den Erhalt der Euklidischen Länge auszeichnen. Mit Hilfe der Invertie-
rung zeigen wir elementar, dass eine Matrix einen Kreis in eine Ellipse über-
führt.

Das Inverse einer Matrix
Wir betrachten wieder ein lineares Gleichungssystem

(+) a x + b y = u1
c x + d y = u2
das wir mit Hilfe des Matrix-Vektor-Produkts in der Form
(++) A v = u, A = ((a, b), (c, d))
notieren. Es ist verführerisch, durch A zu „dividieren“, sodass wir v = A−1 u erhal-
ten und damit das System durch eine einfache Matrix-Vektor-Multiplikation für
beliebige rechte Seiten u lösen können. Wir benötigen hierzu eine Matrix B mit
BA = E2 = AB. Dann gilt für alle u, v P R2 :
A v = u genau dann, wenn v = B u.
Denn ist A v = u, so ist
v = E2 v = BAv = Bu,
und ist v = Bu, so ist
Av = ABu = E2 u = u.
Diese Überlegungen motivieren:
Definition (invertierbar, invers, singulär)

Sei A P R2 × 2 . Gibt es ein B P R2 × 2 mit A B = E2 = B A, so heißt A invertier-
bar und B invers zu A. Andernfalls heißt A singulär.
Eine inverse Matrix ist im Fall der Existenz eindeutig bestimmt, denn sind B
und C invers zu A, so gilt
C = CE2 = C(AB) = (CA)B = E2 B = B.
Wir können deswegen folgende Notation einführen:
Notation
Ist A P R2 × 2 invertierbar, so bezeichnen wir das eindeutige Inverse von A
mit A−1 .
Für invertierbare A gilt also A A−1 = A−1 A = E2 . Während man für reelle und
komplexe Zahlen x ≠ 0 neben x−1 auch 1/x schreibt, ist für Matrizen die Bruchno-
tation 1/A mangels Kommutativität nicht üblich: B/A = B ⋅ 1/A ist im Allgemei-
nen von 1/A ⋅ B verschieden, was zu Fehlern führen kann, wenn der Kalkül der
Bruchnotation verwendet wird.
Beim Rechnen mit inversen Matrizen sind unentbehrlich:

4. Invertierung und Orthogonalität 183
Satz (Inversenregeln)
Seien A,B P R2×2 invertierbar. Dann sind A−1 und AB invertierbar und es gilt
(A−1 )−1 = A, (A B)−1 = B−1 A−1 .
Beweis
Es gilt AA−1 = E2 = A−1 A, sodass nach Definition des Inversen A invers zu A−1
ist, d.h. (A−1 )−1 = A. Zur zweiten Regel berechnen wir
(B−1 A−1 ) (AB) = B−1 A−1 A B = B−1 E2 B = B−1 B = E2 .
Ebenso zeigt man, dass (AB)(B−1 A−1 ) = E2 . Damit ist B−1 A−1 invers zu AB.
Der Leser beachte, dass sich bei der Invertierung von AB die Reihenfolge um-
kehrt. Im Allgemeinen ist (AB)−1 ≠ A−1 B−1 .
Für Gleichungssysteme zeigt obige Überlegung:
Lösen eines linearen Gleichungssystems durch Invertierung

Ist A invertierbar, so wird für alle rechten Seiten u das System A (x, y) = u
eindeutig durch den Vektor A−1 u gelöst.
Ist das System nicht eindeutig lösbar (d.h. det(A) = 0), so ist also A singulär. Im
eindeutig lösbaren Fall (d. h. det(A) ≠ 0) erweist sich umkehrt A als invertierbar,
sodass die eindeutige Lösbarkeit äquivalent zur Invertierbarkeit von A ist. Es gibt
verschiedene Möglichkeiten, dies zu zeigen. Eine davon verwendet:
Definition (Komplementärmatrix)
Sei A P R2 × 2 . Dann setzen wir
d −b a b
A# = , wobei A = .
−c a c d
Die Matrix A# heißt die Komplementärmatrix von A.
Mit Hilfe der Komplementärmatrix können wir das Inverse einer Matrix im
Fall der Existenz leicht ermitteln und einen Zusammenhang zur Determinante
herstellen:
Satz (Komplementärmatrix und Determinante)

Sei A P R2 × 2 . Dann gilt:
(a) A# A = A A# = det(A) E2 .
(b) A ist genau dann invertierbar, wenn det(A) ≠ 0. In diesem Fall ist
A−1 = det(A)−1 A# .

Beweis
Es gilt
a b d −b ad − bc ab − ab
A A# = = = det(A) E2 .
c d −c a cd − cd ad − bc
Analog ist A# A = det(A) E2 . Ist det(A) ≠ 0, so ist det(A)−1 A# das Inverse von
A nach (a). Ist det(A) = 0, so ist A nach obigen Überlegungen nicht
invertierbar. Dies zeigt (b).
Zum Beweis von (b) kann man auch den Multiplikationssatz für Determinan-
ten verwenden: Ist A invertierbar, so gilt
det(A) det(A−1 ) = det(AA−1 ) = det(E2 ) = 1,
sodass det(A) ≠ 0. Die Berechnung zeigt auch, dass det(A−1 ) = det(A)−1 .
Beispiel zur Invertierung

2 −1 1 1
Für A = gilt det(A) = 3 und A# = ,
1 1 −1 2
sodass
1 1 1
A−1 = .
3 −1 2
Ae2 Ae1
Be2
Be1
Die zu A und B = A−1 gehörigen Koordinatensysteme

Beispiel zur Lösung eines Gleichungssystems durch Invertierung

Das Gleichungssystem
(+) x + y = 1
2 x + 3 y = −1
besitzt die Koeffizientenmatrix A = ((1, 2); (1, 3)) mit det(A) = 1. Damit ist
A invertierbar mit A−1 = det(A)−1 A# = A# , sodass
3 −1
A−1 = A# = .
−2 1
Die eindeutige Lösung des Systems ist
1 3 −1 1 4
A−1 = = .
−1 −2 1 −1 −3
Der Vektor (4, −3) ist

(1) der Schnittpunkt der beiden durch die Gleichungen des Systems (+)
definierten Geraden,
(2) der Koordinatenvektor von (1, −1) bzgl. (Ae1 , Ae2 ),
(3) der Vektor mit den Koordinaten (1, −1) bzgl. A−1 e1 und A−1 e2 .
Ae2
3
Ae1
2
A-1 e2
1
-3 -2 -1 1 2 3 4 5
-1
A-1 e1
-2
-3
-4
Mit Hilfe von A−1 lässt sich das System (+) nun auch für beliebige andere
rechte Seiten ohne Neuberechnung lösen.

Charakterisierungen der Invertierbarkeit
Wir sammeln die Äquivalenzen, die im Verlauf unserer Untersuchungen auf-

getreten sind oder sich aus ihnen mehr oder weniger direkt ergeben:
Satz (Äquivalenzen zur Invertierbarkeit)

Sei A P R2 × 2 . Dann sind äquivalent:
(a) A ist invertierbar.
(b) det(A) ≠ 0.
(c) Die Spalten von A sind nicht kollinear.
(d) Die Zeilen von A sind nicht kollinear.
(e) Für alle u ist das System Av = u eindeutig lösbar in v.
(f ) Für alle u ist das System Av = u lösbar in v.
(g) Das homogene System Av = 0 ist eindeutig lösbar (durch den
Nullvektor).
(h) Der Nullvektor ist der einzige Vektor, der durch fA : R2 → R2 auf
den Nullvektor abgebildet wird.
(i) fA : R2 → R2 ist injektiv.
(j) fA : R2 → R2 ist surjektiv.
(k) fA : R2 → R2 ist bijektiv.
Explizit hervorheben möchten wir noch:
Satz (einseitige Inverse genügen)

Sei A P R2 × 2 . Es gebe ein B P R2 × 2 mit AB = E2 . Dann ist A invertierbar
und es gilt B = A−1 . Eine analoge Aussage gilt, wenn ein C P R2 × 2 existiert
mit CA = E2 .
Beweis
Nach dem Multiplikationssatz für Determinanten gilt
1 = det(E2 ) = det(AB) = det(A) det(B),
sodass det(A) ≠ 0. Folglich ist A invertierbar. Weiter folgt aus der Voraus-
setzung AB = E2 , dass
B = E2 B = A−1 A B = A−1 E2 = A−1 .
Die Behauptung über linksseitige Inverse C wird analog bewiesen.

Orthogonale Matrizen
Gilt A = (a1 , a2 ) und B = (b1 ; b2 ), so können wir das durch „Zeile mal Spalte“ ge-
bildete Matrizenprodukt AB schreiben als
〈a1 , b1 〉 〈a1 , b2 〉
AB = = ( 〈ai, bj 〉 )1 ≤ i, j ≤ 2.
〈a2 , b1 〉 〈a2 , b2 〉
Speziell gilt wegen At = (a1 ; a2 ), dass
〈a1 , a1 〉 〈a1 , a2 〉
A At = .
〈a2 , a1 〉 〈a2 , a2 〉
Hieraus lesen wir ab:

(1) A At ist genau dann eine Diagonalmatrix, wenn die Spaltenvektoren von A
senkrecht aufeinander stehen.
(2) A At ist genau dann die Einheitsmatrix E2 , wenn die Spaltenvektoren von
A senkrecht aufeinander stehen und zudem normiert sind.
Im Fall (2) ist also A invertierbar und At invers zu A. Wir definieren:
Definition (orthogonal)
Eine Matrix A P R2 × 2 heißt orthogonal, wenn die Spaltenvektoren von A
orthogonal zueinander und normiert sind.
Eine Matrix A = (v1 , v2 ) ist also genau dann orthogonal, wenn 〈vi , vj 〉 = δij für
alle 1 ≤ i, j ≤ 2. Dabei ist δij wieder das Kronecker-Delta, also δij = 0 falls i ≠ j und
δij = 1, falls i = j.
Der folgende Satz gibt eine Reihe von Charakterisierungen der Orthogonali-
tät:
Satz (Charakterisierungen der Orthogonalität)

(a) A ist orthogonal.
(b) A−1 = At , d. h. A und At sind invers zueinander.
(c) At ist orthogonal, d. h. die Zeilenvektoren von A sind orthogonal und
normiert.
(d) Für alle v P R2 gilt i A v i = i v i. (Erhalt der Länge)
(e) Für alle v, w P R gilt 〈A v, A w〉 = 〈v, w〉.
2
(Erhalt des Skalarprodukts)

Beweis
Die Äquivalenz von (a) und (b) haben wir oben schon gezeigt. Damit ist At
genau dann orthogonal, wenn At und (At )t = A invers zueinander sind, d. h.
wenn A orthogonal ist. Dies zeigt die Äquivalenz von (a) und (c).
(b) impliziert (d): Es gelte A−1 = At . Dann gilt für alle v P R2 :
i Av i 2 = 〈Av, Av〉 = 〈v, At A v〉 = 〈v, E2 v〉 = 〈v, v〉 = i v i 2 .
(d) impliziert (e): Es gelte i A v i = i v i für alle v P R2 . Dann gilt für alle
v, w P R2 unter zweimaliger Verwendung der Polarisationsformel:
4 〈v, w〉 = i v + w i 2 − i v − w i 2 = i A(v + w) i 2 − i A(v − w) i 2
= i A v + A w i 2 − i A v − A w i 2 = 4 〈Av, Aw〉.
(e) impliziert (a): Gilt (e), so gilt 〈A ei , A ej 〉 = 〈ei , ej 〉 = δij für 1 ≤ i, j ≤ 2.
Damit sind die Spalten A e1 und A e2 von A orthogonal und normiert.
Die Orthogonalität einer Matrix ist nach dem Satz äquivalent dazu, dass das
Matrix-Vektor-Produkt das Skalarprodukt erhält. Daraus folgt, dass Längen und
Winkel erhalten bleiben. Während der Erhalt der Länge äquivalent zur Ortho-
gonalität ist, ist der Erhalt der Winkel nicht hinreichend für die Orthogonalität.
Ist zum Beispiel A = 2E2 , also Av die Streckung von v um den Faktor 2, so bleiben
Winkel erhalten, aber A ist nicht orthogonal.
Ist A = (v; w) orthogonal, so ist v normiert und folglich gibt es ein eindetuig be-
stimmtes ϕ P [ 0, 2π [ mit v = (cos ϕ, sin ϕ). Da w ebenfalls normiert ist und sen-
krecht auf v steht, gilt
w = rotπ/2 (v) oder w = rot−π/2 (v).
Damit ist
w = (−sin ϕ, cos ϕ) oder w = (sin ϕ, −cos ϕ).
Die Überlegung zeigt:
Satz (Klassifikation der orthogonalen Matrizen)

Sei A P R2 × 2 orthogonal. Dann gibt es ein eindeutiges ϕ P [ 0, 2π [ mit
cos ϕ −sinϕ cos ϕ sinϕ
A = oder A = .
sin ϕ cosϕ sin ϕ −cosϕ
Im ersten Fall gilt det(A) = 1, im zweiten det(A) = −1.
Ist A orthogonal und det(A) = 1, so ist A v für alle v P R2 der um den Winkel ϕ
gedrehte Vektor v. Im Fall det(A) = −1 ist A v für alle v P R2 der an der Geraden
durch 0 mit Winkel ϕ/2 gespiegelte Vektor v (Übung). Wir nennen die Matrix A
entsprechend eine Rotationsmatrix oder Spiegelungsmatrix. Spiegelungsmatrizen
sind nicht nur orthogonal, sondern auch symmetrisch. Eine Rotationsmatrix ist
nur dann symmetrisch, wenn ϕ = 0 oder ϕ = π.

e2
Ae1
/2
/2
e1
Ae2
cos ϕ sinϕ
A= bewirkt eine Spiegelung an der Geraden mit Winkel ϕ/2
sin ϕ −cosϕ
Die Spiegelung an der Geraden mit Winkel ϕ/2 lässt sich auch auffassen als
eine Spiegelung an der x-Achse gefolgt von der Rotation um den Winkel ϕ. Denn
die Spiegelung an der x-Achse wird dargestellt durch die Matrix (e1 ; −e2 ) und es
gilt
cos ϕ −sinϕ 1 0 cos ϕ sinϕ

= .
sin ϕ cosϕ 0 −1 sin ϕ −cosϕ
Das Produkt C = A B zweier orthogonaler Matrizen A und B ist stets wieder

eine orthogonale Matrix, da
Ct = (AB)t = Bt At = B−1 A−1 = (AB)−1 = C−1 .
Nach dem Multiplikationssatz für Determinanten ist C eine Rotation, wenn so-
wohl A und B von gleichen Typ sind (beide Rotationen oder beide Spiegelun-
gen). Sind die Typen von A und B gemischt, so ist C eine Spiegelung. Mit Hilfe
der Additionstheoreme berechnet sich das Produkt zweier Spiegelungen zu
cos ϕ sinϕ cos ψ sinψ cos χ sinχ

= mit χ = ϕ − ψ.
sin ϕ −cosϕ sin ψ −cosψ sin χ −cosχ

Matrizen und Ellipsen, I
Wir zeigen nun so elementar wie möglich, dass das Bild des Einheitskreises
unter einer Matrix eine Ellipse ist.
Satz (Bild des Einheitskreises unter einer Matrix)

Sei A = ((a, c); (b, d)) P R2 × 2 invertierbar, und sei K der Einheitskreis. Dann
ist E = A[ K ] eine Ellipse. Es gilt die Kegelschnittdarstellung
(+) E = { (x, y) P R2 | (c2 + d2 )x2 − 2(ac + bd) x y + (a2 + b2 )y2 = det(A)2 }.
Beweis
Es gilt
E = { Av | v P K } = { v | A−1 v P K } = { v | i A−1 v i = 1 }.
Wegen A−1 = det(A)−1 A# mit A# = ((d, −b), (−c, a)) gilt für alle v = (x, y) P R2 :
det(A)2 iA−1 vi 2 = iA# vi 2
= (dx − by)2 + (−cx + ay)2
= (c2 + d2 )x2 − 2(ac + bd) x y + (a2 + b2 )y2 .

Damit ist die Darstellung (+) von E gezeigt. Als ein in ein Parallelogramm
einbeschriebener Kegelschnitt ist E notwendig eine Ellipse.
Im nächsten Kapitel werden wir einen zweiten Beweis kennenlernen, der Ke-
gelschnitte nicht heranzieht.
Die Ellipse E = A[ K ] ist genau dann achsenparallel, wenn die Zeilen der Ma-
trix senkrecht aufeinander stehen (was nicht notwendig die Orthogonalität der
Spalten nach sich zieht), und genau dann ein Kreis, wenn zusätzlich ihre Längen
übereinstimmen.
Der singuläre Fall

Ist A singulär und R das K umgebende achsenparallele Quadrat, so ist A[ R ]
ein Geradenstück (ein degeneriertes Parallelogramm) und A [ K ] ein
Teilstück von A [ R ] (eine degenerierte Ellipse, bei der eine Halbachse 0 ist).
Die Darstellung (+) ist dann nicht mehr gültig. Für A = ((1, 0); (1, 0)) ist
zum Beispiel A[ R ] das Geradenstück auf der x-Achse von −2 bis 2 und A[ K ]
das Geradenstück auf der x-Achse von −£2 bis £2, während die Menge
{ (x, y) P R2 | 2y2 = 0 } in (+) die gesamte x-Achse ist.
Die folgenden Berechnungen gelten auch für det(A) = 0, und wir bezeichnen
zur Vereinfachung die Menge A [ K ] stets als Ellipse. Die Darstellung (+) wird
nicht benötigt.

Bestimmung der Halbachsen
Die Halbachsen von E sind im Allgemeinen nicht durch Ae1 und Ae2 gege-
ben: Das Beispiel a = 2, b = −2, c = d = 1 zeigt, dass dies selbst für achsenparal-
lele Ellipsen nicht gelten muss:
Ae2 Ae1
1
-4 -3 -2 -1 1 2 3 4
E -1
-2 A[R]
Um die Lage von E zu bestimmen, durchlaufen wir den Einheitskreis K mit der
Funktion f : [ 0, 2π[ → K, f(t) = (cos t, sin t), und die Ellipse E = A[ K ] mit der
Funktion g : [ 0, 2π [ → E,
cos t a cos t + b sin t

g(t) = A f(t) = A = .
sin t c cos t + d sin t
Der Durchlauf der Ellipse startet im Punkt

g(0) = Ae1 = (a, c)
und verläuft über
g(π/2) = A e2 = (b, d), g(π) = −A e1 , g(3π/2) = −A e2 ,
sodass g(t) das Parallelogramm A[ R ] zu den Zeiten
0, π/2, π, 3π/2
berührt. Die Durchlaufrichtung entspricht der Orientierung der Spaltenvekto-
ren von A. Bei den als Vektoren aufgefassten Halbachsen von E erreicht die Eu-
klidische Norm von g(t) bzw. gleichwertig ihr Quadrat ein lokales Extremum.
Um die Nullstellen der Ableitung von i g(t) i 2 zu ermitteln, stellen wir diese
Norm zuerst in einer geeigneten Form dar. Unter Verwendung der Verdopp-
lungsformeln
cos2 t − sin2 t = cos(2t), 2 cos t sin t = sin(2t), 2 cos2 t = cos(2t) + 1
berechnen wir

ig(t)i 2 = (a cos t + b sin t)2 + (c cos t + d sin t)2
= a2 cos2 t + 2ab cos t sin t + b2 sin2 t + c2 cos2 t + 2cd cos t sin t + d2 sin2 t
= (a2 + c2 ) cos2 t + (b2 + d2 ) sin2 t + (ab + cd) sin(2t)
= (a2 + c2 − b2 − d2 ) cos2 t + (ab + cd) sin(2t) + b2 + d2
= (a2 + c2 − b2 − d2 )/2 cos(2t) + (ab + cd) sin(2t) + (a2 + b2 + c2 + d2 )/2
= τ + w1 cos(2t) + w2 sin(2t) = τ + 〈w, f(2t)〉,

wobei
a2 + c2 − b2 − d2 a2 + b2 + c2 + d2
(++) w1 = , w2 = ab + cd, τ = .
2 2
Damit können wir nun die Ableitung sehr einfach berechnen. Mit der Drehung
rot−π/2 (w) = (w2 , −w1 ) im Uhrzeigersinn ist
1 d
i g(t) i 2 = − w1 sin(2t) + w2 cos(2t) = 〈rot−π/2 (w), f(2t)〉.
2 dt
Im Fall w = 0 ist i g(t) i 2 konstant gleich τ und die Ellipse E ein Kreis mit Radius
£τ. Sei also w ≠ 0. Dann ist die berechnete Ableitung genau dann 0, wenn die
Vektoren rot−π/2 (w) und f(2t) orthogonal und damit w und f(2t) kollinear sind.
Seien also t1 , t2 derart, dass
f(2t1 ) = (cos(2t1 ), sin(2t1 )) = ŵ, f(2t2 ) = (cos(2t2 ), sin(2t2 )) = − ŵ.
Einsetzen in
i g(t) i 2 = τ + 〈w, f(2t)〉
zeigt, dass sich die Längen h1 und h2 der Halbachsen von E wie folgt berechnen
lassen:
(+++) h1 = i g(t1 ) i = £τ + 〈w, ŵ〉 = £τ + i w i ,
h2 = i g(t2 ) i = £τ − 〈w, ŵ〉 = £τ − i w i .
Die Halbachsen von E werden zu den Zeiten

s1 = arg(σ w)/2 P [ 0, π/2 [, s2 = s1 + π/2, s3 = s1 + π, s4 = s2 + π
erreicht, wobei wir σ P { 1, −1 } so wählen, dass σ w im ersten oder zweiten Qua-
dranten liegt (d.h. σ = 1 genau dann, wenn w2 ≥ 0). Dann sind t1 und t2 zwei dieser
Zeiten und die Halbachsen lassen sich darstellen als
cos s1 cos s3 cos s2 cos s4

g(s1 ) = A = −A , g(s2 ) = A = −A .
sin s1 sin s3 sin s2 sin s4

Beispiel
Wir bestimmen die Ellipse E = A [ K ] der Matrix
4 1
A = .
1 2
Mit obigen Bezeichnungen gilt:

w1 = 6, w2 = 5, τ = 11, i w i = 6£2,
s s
h1 = 11 + 6£2 , 4,41, h1 = 11 − 6£2 , 1,59,
s1 = π/8, s2 = s1 + π/2.
Ae2 = g( /2)
2
g(s2 ) g(s1 )
1 h1
Ae1 = g(0)
h2
-5 -4 -3 -2 -1 1 2 3 4 5
E -1
g(s3 ) g(s4 )
-2
-3
Verschiedene Matrizen können die gleiche Ellipse erzeugen. Die Ellipse E des
Beispiels können wir zum Beispiel auch erhalten, indem wir die achsenparallele
Ellipse mit den Halbachsenlängen h1 und h2 um das Argument ϕ von g(s1 ) gegen
den Uhrzeigersinn drehen. Damit ist E auch die Ellipse der Matrix
cos ϕ sinϕ h1 0 h1 cos ϕ h2 sin ϕ

B = = .
sin ϕ −cosϕ 0 h2 h1 sin ϕ −h2 cosϕ
Im Gegensatz zu A startet der Durchlauf gB von E bzgl. B in einem Halbachsen-

vektor, nämlich in Be1 = gA (s1 ).

Übungen
Übung 1
Lösen Sie sowohl durch Elimination als auch durch Invertierung der
Koeffizientenmatrix das Gleichungssystem
4x + 2 y = 1
2 x + 3 y = −1
Übung 2
Sei A P R2 × 2 . Zeigen Sie, dass A genau dann invertierbar ist, wenn
fA : R2 → R2 eine Umkehrfunktion besitzt, und dass in diesem Fall
fA−1 = (fA )−1 .
Übung 3
Geben Sie möglichst einfache Kriterien dafür an, wann eine Diagonalma-
trix, eine obere Dreiecksmatrix bzw. eine untere Dreiecksmatrix invertier-
bar ist. Begründen Sie Ihre Antwort und geben Sie Formeln für die
Inversen an.
Dabei heißt eine Matrix A P R2 × 2 eine obere (untere) Dreiecksmatrix, falls
a21 = 0 (a12 = 0).
Übung 4
Zeigen oder widerlegen Sie, dass für alle A, B, C P R2 × 2 gilt:
(a) Sind A, B invertierbar und ist C = A + B, so ist C invertierbar.
(b) Sind A, B invertierbar und ist C = AB, so ist C invertierbar.
(c) Ist C = A + B und ist C invertierbar, so sind A und B invertierbar.
(d) Ist C = AB und ist C invertierbar, so sind A und B invertierbar.
Übung 5
Sei A P R2 × 2 invertierbar. Zeigen Sie, dass At invertierbar ist mit
(At )−1 = (A−1 )t .
Übung 6
Sei A P R2 × 2 eine symmetrische Matrix, deren Diagonaleinträge von Null
verschieden sind und unterschiedliche Vorzeichen haben. Zeigen Sie, dass
A invertierbar ist.

Übung 7
(a) A ist invertierbar.
(b) Es gibt ein n ≥ 1 derart, dass An invertierbar ist.
(c) Für alle n ≥ 1 ist An invertierbar.
Übung 8
Sei A P R2 × 2 invertierbar. Zeigen Sie, dass die Spaltenvektoren von A
genau dann positiv orientiert sind, wenn dies für A−1 gilt. Zeigen Sie
zudem, dass diese Äquivalenz auch für die Zeilenvektoren gilt.
Übung 9
Bestimmen Sie alle invertierbaren Matrizen A P R2 × 2 mit A = A−1 .
Übung 10
Seien A, B P R2 × 2 mit A = 2B − E2 . Zeigen Sie, dass die folgenden Aussagen
äquivalent sind:
(a) A2 = A (d. h. A = A−1 ).
(b) B2 = B.
Übung 11
Geben Sie eine Matrix A P R2 × 2 an, die orthogonale Zeilen und nicht
orthogonale Spalten besitzt.
Übung 12
Sei A = ((a, b), (c, d)) P R2 × 2 orthogonal, und sei ϕ P [ 0, 2π [ mit
(a, c) = (cos ϕ, sin ϕ).
Zeigen Sie, dass für alle v P R2 gilt:
(a) Ist det(A) = 1, so ist A v der um den Winkel ϕ (gegen den Uhrzeiger-
sinn) gedrehte Vektor v.
(b) Ist det(A) = −1, so ist A v der an der Geraden durch 0 mit Winkel ϕ/2
gespiegelte Vektor v.
Übung 13
(a) Die Spalten von A sind orthogonal und haben die gleiche Länge
λ>0.
(b) A ist winkeltreu, d. h. es gilt ](v, w) = ](Av, Aw) für alle v, w P R2
mit v, w ≠ 0.

Übung 14
Seien A und w wie bei der Analyse von E = A[ K ]. Zeigen Sie, dass
2 i w i 2 = ( (a + d)2 + (b − c)2 ) ( (a − d)2 + (b + c)2 ) .
Folgern Sie hieraus, dass die Längen der Halbachsen der zu A und At
gehörigen Ellipsen übereinstimmen.
Übung 15
Sei A = ((a, c); (b, d)) P R2 × 2 invertierbar, und sei E = A[ K ] das Bild des
Einheitskreises unter A. Zeigen Sie:
E = { (x, y) P R2 | i At rotπ/2 (x, y) i 2 = det(A)2 }.
Übung 16
Sei A P R2 ×2 , und sei g : [ 0, 2π [ → E die betrachtete Parametrisierung der
Ellipse E = A[ K ]. Weiter seien g1 , g2 : [ 0, 2π [ → R definiert durch
(g1 (t), g2 (t)) = g(t) = A (cos t, sin t) für alle t P [ 0, 2π [.
Berechnen Sie g′(t) = (g1 ′(t), g2 ′(t)) und zeigen Sie, dass der Vektor g′(t) zu
den Zeitpunkten 0, π/2, π und 3π/2 in Richtung der Seiten des E umschlie-
ßenden Parallelogramms A[ R ] zeigt. Dabei ist R wieder das K umschlie-
ßende achsenparallele Quadrat.

5. Eigenwerte und Spektralsatz
Wir untersuchen nun diejenigen vom Nullvektor verschiedenen Vektoren, die

bei der Multiplikation mit einer gegebenen Matrix nur skaliert werden, sodass
ihre Richtung abgesehen vom einem Vorzeichen unverändert bleibt. Vektoren
mit dieser Eigenschaft heißen Eigenvektoren der Matrix und die zugehörigen
Skalare ihre Eigenwerte. Ein fundamentales Ergebnis über Eigenvektoren und
Eigenwerte ist der Spektralsatz. Er besagt, dass jede symmetrische Matrix zwei
zueinander orthogonale Eigenvektoren besitzt. Aus dem Spektralsatz gewinnen
wir die Singulärwertzerlegung, mit deren Hilfe wir jede Matrix multiplikativ in
drei Matrizen aufspalten können, die die Abbildungsdynamik der Matrix über-
sichtlich und anschaulich beschreiben.

Eigenwerte und Eigenvektoren
Sei A P R2×2 . Für jeden Vektor v der Ebene ist Av wieder ein Vektor der Ebene
und zudem eine Linearkombination der Spaltenvektoren von A. Für manche
Vektoren v kann ein besonders einfacher Zusammenhang zwischen v und Av be-
stehen. Beispiele sind:
Av = v Fixpunkt
Av = −v Spiegelung am Nullpunkt
Av = rotπ/2 (v) = (−v2 , v1 ) Drehung um π/2 gegen den Uhrzeigersinn
Für die Theorie der Matrizen ist der Fall einer Skalierung, d. h.
A v = λv für ein λ P R,
von großer Bedeutung. Wir definieren:
Definition (Eigenwert, Eigenvektor, Eigenpaar)

Seien A P R2 × 2 , λ P R und v P R2 mit v ≠ 0. Dann heißt λ ein Eigenwert
und v ein zu λ gehöriger Eigenvektor von A, falls A v = λ v. Weiter heißt (λ, v)
ein Eigenpaar von A.
Ein Eigenwert kann der Skalar 0 sein, ein Eigenvektor ist nach Definition da-
gegen immer vom Nullvektor verschieden. Der Grund für diese Einschränkung
ist, dass A 0 = 0 = λ 0 für alle λ P R gilt, sodass jeder Skalar ein Eigenwert von A
wäre, wenn wir den Nullvektor als Eigenvektor zulassen würden.
Ist v ein Eigenvektor von A zum Eigenwert λ, so gilt
A(µv) = µ A v = µ λ v = λ (µ v) für alle µ P R,
sodass für µ ≠ 0 auch µv ein Eigenvektor von A zum Eigenwert λ ist. Insbeson-
dere ist der normierte Vektor v̂ ein Eigenvektor von A zum Eigenwert λ.
3
w Av = 2v
2
v
1
-5 -4 -3 -2 -1 1 2 3 4 5
-1
-2
Aw = -w
-3
(2, v) und (−1, w) sind Eigenpaare von A

5. Eigenwerte und Spektralsatz 199
Beispiele
(1) Für die Einheitsmatrix E2 ist jeder Vektor v ≠ 0 ein Eigenvektor zum
Eigenwert 1.
(2) Für eine Diagonalmatrix A = ((a, 0), (0, d) ist e1 ein Eigenvektor zum
Eigenwert a und e2 ein Eigenvektor zum Eigenwert d.
(3) Ist A eine Rotationsmatrix um den Winkel ϕ P ] 0, 2π [ mit ϕ ≠ π, so
hat A keine Eigenwerte und Eigenvektoren.
(4) Beschreibt A die Spiegelung an einer Geraden G(v) = span(v), so ist v
ein Eigenvektor von A zum Eigenwert 1 und rotπ/2 (v) = (−v2 , v1 ) ein
Eigenvektor von A zum Eigenwert −1.
(5) Ist Av = 0 und v ≠ 0, so ist v ein Eigenvektor zum Eigenwert 0. Damit
ist 0 genau dann ein Eigenwert von A, wenn A singulär ist.
Berechnung der Eigenwerte und Eigenvektoren
Sei nun A = ((a, b), (c, d)) P R2 × 2 . Wie stellt man fest, ob A Eigenwerte besitzt
und wie berechnet man Eigenwerte und Eigenvektoren im Fall der Existenz?
Wir beobachten hierzu, dass für alle λ P R und alle v P R2 gilt:
Av = λv genau dann, wenn (A − λE2 ) v = 0.
Setzen wir also
a b λ 0 a−λ b
A λ = A − λ E2 = − = für alle λ P R,
c d 0 λ c d−λ
so ist λ genau dann ein Eigenwert von A, wenn das homogene Gleichungssystem
Aλ v = 0
eine vom Nullvektor verschiedene Lösung v besitzt, also nicht eindeutig lösbar
ist. Dies ist äquivalent dazu, dass det(A λ ) = 0. Für alle λ P R gilt:
det(A λ ) = (a − λ)(d − λ) − bc = λ2 − (a + d) λ + ad − bc
= λ2 − spur(A) λ + det(A).
Diese Überlegung motiviert:
Definition (charakteristisches Polynom)

Sei A P R2 × 2 . Dann heißt das Polynom pA : R → R zweiten Grades mit
pA (λ) = λ2 − spur(A) λ + det(A) für alle λ P R
das charakteristische Polynom von A.
Die Eigenwerte von A sind genau die reellen Nullstellen des charakteristi-
schen Polynoms von A. Die Lösungsformel für quadratische Gleichungen und
die Formeln von Vieta liefern:

Satz (Existenz von Eigenwerten)

Sei A P R2 × 2 . Dann besitzt A genau dann reelle Eigenwerte, wenn
(+) D = spur(A)2 − 4det(A) = (a − d)2 + 4bc ≥ 0.
In diesem Fall sind die Eigenwerte gegeben durch
spur(A) ± £D
λ1,2 = .
2
Es gilt λ1 + λ2 = spur(A) und λ1 λ2 = det(A). Weiter gilt λ1 = λ2 = spur(A)/2
genau dann, wenn D = 0.
Zugehörige Eigenvektoren finden wir durch Lösen der Gleichungssysteme

A λ1 v = 0 und A λ2 v = 0,
die im Fall λ1 = λ2 zusammenfallen.
Beispiel: Bestimmung von Eigenpaaren

1 1
Sei A = . Dann gilt
2 1
pA (λ) = λ2 − 2λ − 1, D = 8, £D = 2£2, λ1,2 = 1 ± £2.
Nichttriviale Lösungen der homogen Gleichungssysteme
−£2 1 £2 1
Aλ1 v = v = 0, Aλ2 v = v = 0
2 −£2 2 £2
sind v1 = (1, £2) und v2 = (1 , −£2). Damit sind (λ1 , v1 ) und (λ2 , v2 )
Eigenpaare von A.
4 pA ( )
2 1
-3 -2 -1 1 2 3 4 5
-2
Das charakteristische Polynom der Matrix A

Der Spektralsatz
Aus der Form (+) der Diskriminante D des obigen Satzes lesen wir ab, dass
Eigenwerte existieren, falls det(A) ≤ 0 oder bc ≥ 0. Letztere Bedingung ist für
jede symmetrische Matrix erfüllt, da dann bc = b2 ≥ 0. Damit besitzt jede sym-
metrische Matrix A P R2 × 2 reelle Eigenwerte λ1 und λ2 . Diese Eigenwerte sind
genau dann gleich, wenn D = (a − d)2 + b2 = 0, d. h. wenn a = d und b = 0 (sodass
A ein skalares Vielfaches von E2 ist). Damit können wir den folgenden funda-
mentalen Satz beweisen:
Satz (Spektralsatz)
(a) A ist symmetrisch.
(b) Es gibt zueinander orthogonale Eigenvektoren v und w von A.
Beweis
(a) impliziert (b): Sei A symmetrisch. Nach obigen Überlegungen besitzt A
reelle Eigenwerte λ1 und λ2 .
Gilt λ1 = λ2 = λ, so gilt A = λ E2 und v = e1 = (1, 0) und w = e2 = (0, 1)
sind orthogonale Eigenvektoren von A.
Es gelte also λ1 ≠ λ2 . Seien v und w Eigenvektoren von A zu λ1 bzw. λ2 .
Da A symmetrisch ist, gilt At = A. Damit erhalten wir
λ1 〈v, w〉 = 〈λ1 v, w〉 = 〈Av, w〉 = 〈v, At w〉 = 〈v, Aw〉 = 〈v, λ2 w〉 = λ2 〈v, w〉.
Folglich ist
(λ1 − λ2 ) 〈v, w〉 = λ1 〈v, w〉 − λ2 〈v, w〉 = 0.
Wegen λ1 ≠ λ2 gilt also 〈v, w〉 = 0, sodass v und w orthogonal sind.
(b) impliziert (a): Seien v und w orthogonale und ohne Einschränkung
normierte Eigenvektoren von A zu den Eigenwerten λ1 bzw. λ2 . Seien
(α, β), (γ , δ) die Koordinatenvektoren von e1 , e2 bzgl. der Basis (v, w), d. h.
e1 = αv + βw, e2 = γ v + δw.
Dann gilt wegen 〈v, w〉 = 〈w, v〉 = 0, dass
a12 = 〈e1 , Ae2 〉 = 〈e1 , A(γ v + δw)〉 = 〈αv + βw, λ1 γ v + λ2 δ w〉
= λ1 α γ 〈v, v〉 + λ2 β δ 〈w, w〉 = λ1 αγ + λ2 βδ,
a21 = 〈Ae1 , e2 〉 = 〈A(αv + βw), e2 〉 = 〈λ1 α v + λ2 β w, γ v + δw〉
= λ1 α γ 〈v, v〉 + λ2 β δ 〈w, w〉 = λ1 α γ + λ2 β δ.
Dies zeigt, dass a12 = a21 . Folglich ist A symmetrisch.

Beispiel: Bestimmung von Eigenpaaren für eine symmetrische Matrix

Wir betrachten die symmetrische Matrix
a b 4 2
A = = .
b d 2 1
Es gilt D = (a − d)2 + 4b2 = 25, £D = 5. Damit besitzt A die Eigenwerte

spur(A) ± £D 5±5
λ1,2 = = ,
2 2
sodass λ1 = 5 und λ2 = 0. Nichttriviale Lösungen von
−1 2 4 2
Aλ1 v = v = 0, Aλ2 w = w = 0
2 −4 2 1
sind v = (2, 1) und w = (−1, 2). Damit sind (λ1 , v) und (λ2 , w) Eigenpaare der
Matrix A. Es gilt
〈v, w〉 = 〈(2, 1), (−1, 2)〉 = 0,
sodass v und w orthogonal sind, wie es nach dem Spektralsatz sein muss.
Diese Ergebnisse lassen sich auch anders gewinnen: Wegen det(A) = 0 ist A
singulär und 0 ein Eigenwert von A. Für das homogene Gleichungssystem
Aw = 0 können wir w = (−1, 2) als eine nichttriviale Lösung ablesen. Nach
dem Spektralsatz muss der zu v orthogonale Vektor v = rot−π/2 (w) = (2, 1)
ein weiterer Eigenvektor von A sein. Wegen Av = (10, 5) = 5v ist 5 der
zweite Eigenwert von A.
Allgemein gilt für jede symmetrische Matrix A P R2 × 2 : Ist v ein Eigenvektor

von A, so auch rotπ/2 (v) (oder rot−π/2 (v)). Die Berechnung von Av und Arotπ/2 (v)
ergibt die zugehörigen Eigenwerte. Diese Argumentation ist aber auf die Di-
mension n = 2 beschränkt, da nur in der Ebene die Menge aller zu einem Vektor
v ≠ 0 orthogonalen Vektoren der Spann eines einzigen Vektors ist.
Diagonalisierung symmetrischer Matrizen
Der Spektralsatz besagt, dass sich jede symmetrische Matrix hinsichtlich ge-
wisser orthogonaler und normierter Vektoren so verhält wie eine Diagonalma-
trix hinsichtlich der kanonischen Basisvektoren. Um dies zu präzisieren, betrach-
ten wir eine symmetrische Matrix A mit Eigenwerten λ1 und λ2 und zugehörigen
normierten Eigenvektoren v und w. Wir setzen
λ1 0 v1 v2
D = diag(λ1 , λ2 ) = , S = (v, w) = .
0 λ2 w1 w2

Dann ist S orthogonal, sodass S−1 = St = (v; w). Durch einen Austausch von w
durch −w können wir das Vorzeichen von det(S) nach Wunsch einstellen. Es gilt
A S−1 = A (v; w) = (Av; Aw) = (λ1 v; λ2 w), sodass
λ1 〈v, v〉 λ2 〈v, w〉 λ1 0
S A S−1 = (v, w) (λ1 v; λ2 w) = = = D.
λ1 〈w, v〉 λ2 〈w, w〉 0 λ2
Durch Multiplikation mit S−1 von links und S von rechts erhalten wir
A = S−1 D S = St D S.
Diese Zerlegung können wir anschaulich interpretieren: Da S orthogonal ist, ist
S je nach Vorzeichen von det(S) eine Drehung um einen Winkel ϕ oder eine
Spiegelung an einer Geraden G. Im Fall einer Drehung können wir die Wirkung
von A = S−1 DS auf einen beliebigen Vektor v der Ebene so beschreiben:
(1) Der Vektor v wird um den Winkel ϕ gegen den Uhrzeigersinn gedreht.
(2) Der gedrehte Vektor wird in x-Richtung um den Faktor λ1 und in y-Richtung
um den Faktor λ2 skaliert.
(3) Der so erhaltene Vektor wird um den Winkel ϕ zurückgedreht.
Ist S eine Spiegelung, so gilt eine analoge Dreiteilung. Da für eine Spiegelung
S = S−1 gilt, ist die Rückspiegelung identisch mit der ersten Spiegelung.
Satz (Diagonalisierung symmetrischer Matrizen)

Sei A P R2 × 2 symmetrisch und σ P { −1, 1 }. Dann gibt es eine orthogonale
Matrix S mit det(S) = σ und eine Diagonalmatrix D derart, dass
A = S−1 DS, D = SAS−1 .
Eine Zerlegung A = S−1 DS wie im Satz heißt eine Diagonalisierung von A. In

der Diagonale von D stehen die Eigenwerte und die Zeilen von S sind zugehö-
rige normierte Eigenvektoren von A (Übung). Damit ist die Existenz einer Dia-
gonalisierung nach dem Spektralsatz äquivalent zur Symmetrie von A.
Fassen wir normierte und orthogonale Eigenvektoren v, w von A als die Basis-
vektoren eines Koordinatensystems auf, so hat ein Vektor u = (x, y) in diesem
System die Koordinaten x′, y′ mit u = x′ v + y′ w, sodass
(+) x e1 + y e2 = u = x′ v + y′ w.
Dann gilt
(x, y) = u = (v; w) (x′, y′) = S−1 (x′, y′), (x′, y′) = S (x, y),
sodass S und S−1 die Koordinaten (x, y) und (x′, y′) ineinander umrechnen. Wegen
S−1 D (x′, y′) = S−1 D S (x, y) = A (x, y)
hat A(x, y) bzgl. der Basis (v, w) die Koordinaten D(x′, y′) = (λ1 x′, λ2 y′). Aus der

Sicht der Basis (v, w) bewirkt A also eine Streckung um λ1 entlang der Achse von
v und λ2 entlang der Achse von w. Der Spektralsatz besagt damit, dass jede sym-
metrische Matrix von der sympathischen Schlichtheit einer Diagonalmatrix ist,
wenn wir ein geeignetes Koordinatensystem aus orthogonalen und normierten
Basisvektoren wählen.
Beispiel 1: Diagonalisierung einer singulären Matrix

Wir betrachten wie oben die symmetrische Matrix
a b 4 2
A = = .
b d 2 1
Nach unseren Berechnungen sind

v = α(2, 1), w = α(−1, 2), mit α = 1/£5.
orthogonale und normierte Eigenvektoren von A zu den Eigenwerten
λ1 = 5 und λ2 = 0. Bzgl. der Basis v, w lässt sich die Wirkung von A relativ
einfach beschreiben:
Ein Vektor u wird wird auf den Vektor v orthogonal projiziert
und anschließend um den Faktor 5 gestreckt.
Mit obigen Bezeichnungen gilt
λ1 0 5 0 2 1
D = = , S = (v, w) = α , S−1 = St .
0 λ2 0 0 −1 2
Der Leser rechne nach, dass A = S−1 DS und D = SAS−1 . Der Vektor
u = α (−3, 7/2) hat bzgl. (v, w) die Koordinaten Su = (−1/2, 2). Damit hat
Au = (−2, −1) = £5 (−1, −1/2) bzgl. (v, w) die Koordinaten DSu = (−5/2, 0),
wie nach „Projektion auf v und Streckung um 5“ auch sein muss.
2
u
w 1
-3 -2 -1 1 2 3
Au
-1
-2

Beispiel 2: Diagonalisierung einer invertierbaren Matrix

Wir betrachten die invertierbare symmetrische Matrix
a b 3 1
A = = .
b d 1 1
Eine Berechnung wie in den vorangehenden Beispielen liefert die Eigen-

werte
λ1,2 = 2 ± £2
und zugehörige normierte Eigenvektoren
v = α (1 + £2, 1), w = α (1 − £2, 1) mit α−1 = £4 − 2£2.
Bzgl. der Basis v, w verhält sich A wie die Diagonalmatrix D = diag(λ1 , λ2 )
bzgl. e1 , e2 .
2 Au
Av
1
w
Aw
v
-2 -1 1 2 3 4
-1
Matrizen und Ellipsen, II
Mit Hilfe der Diagonalisierung können wir die Eigenvektoren und Eigenwerte
einer invertierbaren symmetrischen Matrix geometrisch als Richtungen und Län-
gen der Halbachsen der von A erzeugten Ellipse interpretieren und damit zwei
Welten zusammenbringen. Im Folgenden seien
EA = A [ K ] = { Av | i v i = 1 }
das Bild des Einheitskreises K unter einer Matrix A und
Ea, b = { (x, y) P R2 | (x/a)2 + (y/b)2 = 1 }
die achsenparallele Ellipse mit Halbachsen a, b > 0. Wir erhalten:

Satz (Ellipsensatz für symmetrische Matrizen aus Spektralsatz)

Sei A P R2 × 2 invertierbar und symmetrisch, und sei A = S−1 D S mit S
orthogonal und D = diag(λ1 , λ2 ). Dann gilt
EA = S−1 [ E|λ1|, |λ2| ].
Damit sind die Eigenwerte von A die Längen der Halbachsen von EA und
zugehörige Eigenvektoren sind Halbachsenrichtungen von EA .
Wenn wir die Matrix S als Drehung annehmen und A = S−1 D S als Abfolge
der Drehung S, x-y-Skalierung D und Rückdrehung S−1 um den gleichen
Drehwinkel auffassen, wird das Ergebnis sehr anschaulich: Durch S = (v, w)
werden die orthogonalen und normierten Eigenvektoren v und w von A auf e1
und e2 abgebildet. Der Kreis K bleibt invariant. Anwendung von D verformt K
zur achsenparallelen Ellipse E|λ1 |, |λ2 | . Die Anwendung von S−1 dreht diese
Ellipse zur Ellipse EA ; die Halbachsenlängen |λ1 | und |λ2 | bleiben dabei
gleich, die Achsenrichtungen e1 und e2 werden zu den Eigenvektoren v = S−1 e1
und w = S−1 e2 von A. Die Vektoren v und w sind damit Halbachsenrichtungen
von EA . Analoges gilt, wenn S eine Spiegelung ist.
Beispiel
Für die oben untersuchte symmetrische Matrix
a b 2 1
A = = .
b d 1 1
mit Eigenwerten λ1,2 = 2 ± £2 und normierten Eigenvektoren
v = α (1 + £2, 1), w = α (1 − £2, 1), α−1 = £4 − 2£2.
ergibt sich folgendes Bild:
1v
Ae2
1
Ae1
2w
-3 -2 -1 1 2 3
EA
-1
Visualisierung der Eigenwerte und Eigenvektoren der symmetrischen Matrix A

Formal lässt sich der Satz wie folgt beweisen:
Beweis des Satzes

Für alle v P R2 gilt die Äquivalenzenkette:
v P EA genau dann, wenn i A−1 v i 2 = 1
genau dann, wenn 〈A−1 v, A−1 v〉 = 1
genau dann, wenn 〈S−1 D−1 Sv, S−1 D−1 Sv〉 = 1
genau dann, wenn 〈D−1 S v, D−1 S v〉 = 1.
Mit D−1 = diag(1/λ1 , 1/λ2 ) ist

EA = { v | 〈D−1 S v, D−1 S v〉 = 1 }
= { S−1 w | 〈D−1 w, D−1 w〉 = 1 }
= { S−1 (x, y) | (x/λ1 )2 + (y/λ2 )2 = 1 } = S−1 [ E|λ1|, |λ2| ].
Um den Ellipsensatz auch für nichtsymmetrische Matrizen A zu erhalten, ver-

wenden wir, dass für jede Matrix A die Matrix AAt symmetrisch ist, sodass wir den
Spektralsatz auf AAt anwenden können:
Satz (allgemeiner Ellipsensatz aus Spektralsatz)

Sei A P R2 × 2 invertierbar, und sei A At = S−1 DS mit S orthogonal und
D = diag(λ1 , λ2 ). Dann gilt λ1 , λ2 > 0 und
EA = S−1 [ Eσ1, σ2 ], wobei σ1 = £λ1 , σ2 = £λ2 .
Die Eigenvektoren der symmetrischen Matrix AAt sind also Halbachsenrich-

tungen der Ellipse EA und die Wurzeln der zugehörigen Eigenwerte sind die
Längen der Halbachsen.
Beweis
Da mit A auch At invertierbar ist, gilt
〈v, A At v〉 = 〈At v, At v〉 = i At v i 2 > 0 für alle v ≠ 0.
Dies zeigt, dass die Eigenwerte λ1 , λ2 der symmetrischen Matrix A At positiv
sind. Der Rest des Beweises verläuft analog zum obigen Beweis (Ausfüh-
rung des Arguments als Übung).
Wir bemerken schließlich, dass wir den spezielleren Satz für eine symmetri-
sche Matrix A aus dem allgemeinen Satz gewinnen können, indem wir
AAt = A A = A2
diagonalisieren. Denn die Matrix A2 hat die gleichen Eigenvektoren wie A und
die Eigenwerte von A2 sind die Quadrate der Eigenwerte von A.

Die Singulärwertzerlegung
Aus der Diagonalisierung AAt = S−1 DS = St DS der symmetrischen Matrix

AAt können wir trickreich, aber ohne großen Aufwand eine dreiteilige Zerle-
gung von A selbst gewinnnen, bei der in der Mitte eine Diagonalmatrix und
links und rechts orthogonale Matrizen verwendet werden:
Satz (Singulärwertzerlegung)
Sei A P R2 × 2 invertierbar. Weiter sei AAt = S−1 DS mit S orthogonal und
D = diag(λ1 , λ2 ). Weiter sei
T = D1/2 SA−t , wobei A−t = (A−1 )t , D1/2 = diag(σ1 , σ2 ) = diag(£λ1 , £λ2 ).
Dann ist T orthogonal und es gilt
A = S−1 D1/2 T. (Singulärwertzerlegung von A)
Wir können dieses sehr bedeutsame Ergebnis als Version des Spektralsatzes
für nichtsymmetrische Matrizen ansehen.
Beweis
Die Matrix T ist orthogonal, da
T t T = A−1 S−1 D1/2 D1/2 S A−t = A−1 A At A−t = E2 E2 = E2 .
Weiter ist
A = S−1 DSA−t = S−1 D1/2 D1/2 SA−t = S−1 D1/2 T.
Die Zerlegung A = S−1 D1/2 T ist als Singulärwertzerlegung von A bekannt und
die Diagonaleinträge σ1 , σ2 von D1/2 heißen die Singulärwerte von A. Die Matrix
A wird in drei Teile wie bei der Diagonalisierung zerlegt, wobei die äußeren Ma-
trizen immer noch orthogonal, aber im Allgemeinen nicht mehr invers zueinan-
der sind. Mehr können wir nicht erreichen, da wir A nicht als symmetrisch vor-
aussetzen.
Dass das Bild des Einheitskreises unter A eine Ellipse ist, lässt sich mit Hilfe
der Singulärwertzerlegung A = S−1 D1/2 T wie oben bei der Diagonalisierung so
einsehen: Wir nehmen an, dass S und T Drehungen sind. Dann wird der Ein-
heitskreis zunächst mit T gedreht. Seine Form bleibt dabei unverändert. Nun
wird der gedrehte Kreis durch Anwendung von D1/2 in x- und y-Richtung um
die positiven Skalare σ1 bzw. σ2 gestreckt und damit zur achsenparallelen El-
lipse Eσ1, σ2 . Schließlich wird diese Ellipse mit S−1 zur Ellipse E = A[ K ] gedreht.
Die Spaltenvektoren von S−1 sind damit Halbachsenrichtungen und die Singu-
lärwerte von A die Längen der Halbachsen von E. Die Ellipse E ist damit voll-
ständig durch die Matrizen S−1 und D bestimmt. Da die orthogonale Matrix
S−1 wiederum durch ihre erste Spalte bestimmt ist, legen die vier Parameter
S−1 (1, 1), S−1 (2, 1), σ1 , σ2 die zentrische Ellipse E fest. Die Rolle der vorge-

schalteten Drehung T lässt sich so beschreiben: Durchlaufen wir den Einheits-

kreis K mit f(t) = (cos t, sin t), t P [ 0, 2π ], so durchläuft Af(t) die Ellipse E. Die
Matrix T beeinflusst dabei den Startpunkt Ae1 des Durchlaufs. Im Fall T = E2 be-
ginnt der Durchlauf von E bei einem Halbachsenvektor von E (genauer bei
σ1 S−1 e1 ). Durch Änderung des Drehwinkels von T kann der Startpunkt des
Durchlaufs beliebig eingestellt werden, ohne die Ellipse EA zu verändern.
Beispiel
Seien σ1 = 2, σ2 = 1, ϕ = π/3, ψ = π/8, D = diag(σ1 , σ2 ), S−1 = rotψ , T = rotϕ .
Wir setzen
A = S−1 D T (Drehung um ψ, Skalierung mit D, Drehung um ϕ).
Die Anwendung von T gefolgt von D ergibt zunächst:
DTe2 Te2 Te1 DTe1

2
-2 -1 1 1 2
E 1, 2
K
-1
Anwendung von S−1 dreht die achsenparallele Ellipse um den Winkel ψ:
Ae1
2 S-1 e 2
1
-1 e
1S 1
1
Ae2
-2 -1 1 2
EA
-1

Analoge Überlegungen gelten, wenn S oder T eine Spiegelung ist. Die Deter-
minante von S oder von T kann dabei frei als 1 oder −1 gewählt werden: Multipli-
zieren wir die zweiten Spalten von S und T mit −1, so erhalten wir eine Singulär-
wertzerlegung von A, bei der die Determinanten der beiden äußeren Matrizen ihr
Vorzeichen gewechselt haben. Ist S eine Drehung, so entspricht das Vorzeichen
von det(T) wegen
det(A) = det(S−1 ) det(D1/2 ) det(T) = σ1 σ2 det(T) mit σ1 , σ2 > 0
der Orientierung der Spalten von A, also der Bilder von e1 und e2 unter A. Ist die
Determinante von A negativ, so durchläuft Af(t)) mit obiger Parametrisierung
f(t) von K die Ellipse E im Uhrzeigersinn.
Subtile Beziehungen bestehen zwischen den zu A und At gehörigen Ellipsen
E = A[ K ] und Et = At [ K ]. Wegen At = T −1 D1/2 S haben A und At die gleichen
Singulärwerte, sodass die Ellipsen E und Et die gleichen Halbachsenlängen σ1
und σ2 aufweisen. Ist vi = S−1 ei , i = 1,2, ein normierter Halbachsenvektor von
E, so ist
At vi = T −1 D1/2 SS−1 ei = T −1 D1/2 ei = σi T −1 ei
ein Halbachsenvektor von Et .
-3 -2 -1 1 2 3
-1
-2
Et
-3
Die Ellipsen von A und At für A = ((1, −1); (3, 2/3))

Übungen
Übung 1
Illustrieren Sie die Begriffe Eigenwert und Eigenvektor durch Diagramme.
Übung 2
Sei A P R2 × 2 , und seien v, w Eigenvektoren von A zum gleichen Eigenwert
λ. Weiter sei u P span(v, w) mit u ≠ 0. Zeigen Sie, dass u ein Eigenvektor
von A zum Eigenwert λ ist.
Übung 3
Was lässt sich über die Existenz von Eigenwerten (immer, manchmal, nie)
einer Matrix A unter den folgenden Bedingungen sagen? Begründen Sie
Ihre Antworten.
(a) det(A) = 0.
(b) det(A) > 0.
(c) det(A) < 0.
(d) spur(A) = 0.
(e) A ist eine Diagonalmatrix.
(f ) Die Einträge von A außerhalb der Hauptdiagonalen haben das
gleiche Vorzeichen.
(g) Die Einträge von A außerhalb der Hauptdiagonalen haben verschie-
dene Vorzeichen.
Übung 4
Bestimmen Sie alle symmetrischen Matrizen A = ((a, b), (b, d)), für die (1, 1)
ein Eigenvektor zum Eigenwert 1 ist.
Übung 5
Sei A = rotϕ P R2 × 2 eine Rotationsmatrix um einen Winkel ϕ P [ 0, 2π [.
Zeigen Sie, dass A genau dann Eigenwerte besitzt, wenn ϕ = 0 oder ϕ = π.
Übung 6
Sei u P R2 mit u ≠ 0, und sei A die Spiegelung an der Geraden G(u) =
span(u). Bestimmen Sie die Eigenwerte und Eigenvektoren von A sowohl
durch anschauliche Argumentation als auch durch Berechnung. Zeichnen
Sie ein Diagramm zur Illustration.

Übung 7
Sei u P R2 mit u ≠ 0, und sei A = Apru die Projektionsmatrix bzgl. u.
Bestimmen Sie die Eigenwerte und Eigenvektoren von A sowohl durch
anschauliche Argumentation als auch durch Berechnung. Zeichnen Sie ein
Diagramm zur Illustration.
Übung 8
Sei A P R2 × 2 invertierbar. Welche Beziehungen bestehen im Fall der
Existenz zwischen den Eigenvektoren und zugehörigen Eigenwerten von A
und A−1 ? Beweisen Sie Ihre Behauptungen.
Übung 9
Beweisen oder widerlegen Sie die folgenden Aussagen:
(a) Für alle A P R2 × 2 gilt: Besitzt A einen Eigenwert, so auch A2 .
(b) Für alle A P R2 × 2 gilt: Besitzt A2 einen Eigenwert, so auch A.
(c) Für alle A P R2 × 2 gilt: Besitzt A2 einen Eigenwert, so auch A3 .
Übung 10
Sei A P R2 × 2 eine obere oder untere Dreiecksmatrix mit voneinander
verschiedenen Diagonaleinträgen. Zeigen Sie, dass A keine Eigenwerte
besitzt.
Übung 11
Sei B = ((s, b), (b, −s)) P R2 × 2 , B ≠ 0, eine spurfreie Matrix, und sei
(s, b) = λ (cos(ϕ, sinϕ)) mit λ = i (s, b) i, ϕ P R.
Zeigen Sie unter Verwendung der Additionstheoreme für den Kosinus und
Sinus, dass
v = (cos(ϕ/2), sin(ϕ/2)) und w = (−sin(ϕ/2), cos(ϕ/2)).
Eigenvektoren von B zu den Eigenwerten λ und −λ sind. Illustrieren Sie das
Ergebnis durch eine Skizze.
Übung 12
Sei A P R2 × 2 symmetrisch, und sei A = S−1 DS, D = SAS−1 mit einer
orthogonalen Matrix S und einer Diagonalmatrix D. Zeigen Sie, dass die
Zeilenvektoren von S (und damit die Spaltenvektoren von S−1 ) orthogonale
und normierte Eigenvektoren von A mit den zugehörigen Eigenwerten
λ1 = d11 und λ2 = d22 sind.

Übung 13
Sei A P R2 × 2 symmetrisch.
(a) Illustrieren Sie die Aussage, dass A eine Diagonalmatrix D bzgl.
eines Koordinatensystems bestehend aus orthogonalen und
normierten Eigenvektoren v, w von A ist, durch Diagramme.
(b) Betrachten Sie nun eine konkrete symmetrische nichtdiagonale
Matrix A ihrer Wahl, und führen Sie das Umrechnen von (x,y)-
Koordinaten im System e1 , e2 und (x′, y′)-Koordinaten im System
v,w für einige Vektoren v = xe1 + ye2 = x′v + y′w der Ebene durch.
Übung 14
Seien Ea, b eine achsenparallele Ellipse und S orthogonal. Zeigen Sie, dass
die Ellipse E = S[ Ea, b ] auch im Fall det(S) = −1 durch eine Drehung aus Ea, b
hervorgeht. Wie lässt sich der Drehwinkel aus S gewinnen? Illustrieren Sie
Ihre Argumentation durch eine Skizze.
Übung 15
Führen Sie den Beweis des allgemeinen Ellipsensatzes vollständig aus (in
Analogie zum Beweis des Ellipsensatzes für symmetrische Matrizen).
Übung 16
Sei (v1 ; v2 ) diag(σ1 , σ2 ) (w1 , w2 ) eine Singulärwertzerlegung von A P R2 × 2 .
(a) Zeigen Sie, dass auch
(±v1 ; ±v2 ) diag(σ1 , σ2 ) (±w1 , ±w2 ),
(±v2 ; ±v1 ) diag(σ2 , σ1 ) (±w2 , ±w1 )
Singulärwertzerlegungen von A sind (mit beliebiger Vorzeichenkom-
bination bei den Vektoren).
(b) Zeigen Sie, dass jede Singulärwertzerlegung von A eine der
Zerlegungen in (a) ist.

6. Der Euklidische Raum
Gegenstand dieses Kapitels ist der dreidimensionale Raum

R3 = { (v1 , v2 , v3 ) | v1 , v2 , v3 P R } = { (x, y, z) | x, y, z P R }.
Eine Besonderheit des dreidimensionalen Raumes ist das Vorhandensein eines
speziellen Vektorprodukts v × w (Kreuzprodukt), das zwei Vektoren v und w des
Raumes einen bestimmten Vektor u = v × w zuordnet, der auf v und w senkrecht
steht. Wir motivieren dieses Produkt über die Darstellung von Ebenen. Schließ-
lich betrachten wir auch wieder Determinanten und lineare Gleichungssysteme.

Grundlegendes
Wir erinnern an die für alle v, w P R3 und λ P R definierten Vektoren bzw.

Skalare:
v + w = (v1 + w1 , v2 + w2 , v3 + w3 ) P R3 , (Vektoraddition)
λ v = (λ v1 , λ v2 , λ v3 ) P R3 , (Skalarmultiplikation)
i v i = £v1 2 + v2 2 + v3 2 P R, (Euklidische Norm)
〈v, w〉 = v1 w1 + v2 w2 + v3 w3 P R. (Euklidisches Skalarprodukt)
Unsere Beweise der Winkelformel bleiben gültig, da sie nur allgemeine Ei-
genschaften des Skalarprodukts und geometrische Größen eines Dreiecks ver-
wenden, die von der räumlichen Lage unabhängig sind. Damit gilt für alle Vekto-
ren v,w P R3 mit v, w ≠ 0:
〈v, w 〉
cos ϕ = 〈v̂, ŵ〉 = mit ϕ = ](v, w) P [ 0, π ]. (Winkelformel)
ivi iwi
Wie in der Ebene definieren wir die Orthogonalität und die Kollinearität zweier
Vektoren: Zwei Vektoren v, w P R3 sind orthogonal, falls 〈v, w〉 = 0 und kollinear,
falls |〈v, w〉| = i v i i w i. Der Nullvektor ist kollinear mit jedem Vektor des R3 .
Sind v,w P R3 mit v ≠ 0, so sind v,w genau dann kollinear, wenn es ein λ P R gibt
mit w = λv.
Die Vektoren v = (4, 1, 1) und w = (1, 2, 3) im R3

6. Der Euklidische Raum 217
Geraden und Ebenen im dreidimensionalen Raum
Geraden und Ebenen des Raumes, denen der Nullpunkt angehört, können wir
über den Spann von Vektoren einführen:
Definition (Gerade)
Sei v P R3 mit v ≠ 0. Dann setzen wir
G(v) = span(v) = { λ v | λ P R }.
Die Menge G(v) ⊆ R3 heißt die von v aufgespannte oder erzeugte Gerade des
R3 . Eine Teilmenge G ⊆ R3 heißt eine Gerade (durch 0), falls es ein v P R3
gibt mit G = G(v).
Definition (Ebene)
Seien v, w P R3 nicht kollinear. Dann setzen wir
E(v, w) = span(v, w) = { λ v + µ w | λ, µ P R }.
Die Menge E(v, w) ⊆ R3 heißt die von v, w aufgespannte oder erzeugte Ebene
des R3 . Eine Teilmenge E ⊆ R3 heißt eine Ebene (durch 0), falls es v, w P R3
gibt mit E = E(v, w).
Allgemeinere geometrische Geraden und Ebenen entstehen durch die Ver-

schiebung von Geraden und Ebenen durch den Nullpunkt um einen Vektor:
Definition (Translation)
Seien P ⊆ R3 und u P R3 . Dann setzen wir
P + u = { v + u | v P P }.
Die Menge P + u heißt die Translation oder Verschiebung von P um den
Vektor u.
Definition (affine Gerade, affine Ebene)

Eine Menge G ⊆ R3 heißt eine affine Gerade, falls es v, u P R3 gibt mit
G = u + G(v). Analog heißt eine Menge E ⊆ R3 eine affine Ebene, falls es
v, w, u P R3 gibt mit E = u + E(v, w).
Affine Gerade und Ebenen haben also die Form

G = u + span(v) = { u + λv | λ P R }, v ≠ 0,
E = u + span(v, w) = { u + λv + µ w | λ, µ P R }, v, w nicht kollinear.
Die Vektoren v, w, u sind dabei nicht eindeutig bestimmt und der Fall u = 0 ist
möglich. Im Folgenden bedeutet „Gerade“ und „Ebene“ immer „Gerade durch
0“ und “Ebene durch 0“, wenn der Zusatz „affin“ nicht explizit dabei steht.

Lineare Unabhängigkeit
Drei Vektoren des R3 liegen genau dann in einer gemeinsamen Ebene E, wenn
einer der drei Vektoren im Spann der beiden anderen Vektoren liegt. (Wir disku-
tieren diese anschaulich klare Aussage in den Übungen.) Eine weitere äquiva-
lente Bedingung gibt der folgende Satz.
Satz (nichttriviale Nulldarstellung))

Seien v, w, u P R3 . Dann sind äquivalent:
(a) v P span(u, w) oder w P span(v, u) oder u P span(v, w).
(b) ∃λ1 , λ2 , λ3 P R (λ1 v + λ2 w + λ3 u = 0 ∧ (λ1 , λ2 , λ3 ) ≠ (0, 0, 0)).
Beweis
(a) impliziert (b): Es gelte also
v P span(u, w) oder w P span(v, u) oder u P span(v, w).
Ist v P span(w, u), so gibt es λ2 , λ3 P R mit
v = λ2 w + λ3 u.
Dann ist aber
1 v + (−λ2 ) w + (−λ3 ) u = 0
eine Darstellung des Nullvektors, deren Koeffizienten nicht alle gleich
Null sind. Analoges gilt, falls w P span(v, u) oder u P span(v, w).
(b) impliziert (a): Seien also λ1 , λ2 , λ3 P R nicht alle gleich 0 derart, dass
λ1 v + λ2 w + λ3 u = 0.
Ist λ1 ≠ 0, so gilt
−1 −λ2 −λ3
v = ( λ2 w + λ3 u ) = w + u P span(w, u).
λ1 λ1 λ1
Die beiden anderen Fälle λ2 ≠ 0 und λ3 ≠ 0 sind analog.
Die Negation der Aussage (b) besagt, dass sich der Nullvektor nur trivial in der
Form
0 = 0v + 0w + 0u (triviale Nulldarstellung)
mit Hilfe der drei Vektoren v, w, u kombinieren lässt. Diese Form wird in der Li-
nearen Algebra heute bevorzugt verwendet, um zum Ausdruck zu bringen, dass
zwischen Vektoren keine linearen Abhängigkeitsverhältnisse bestehen. Wir defi-
nieren allgemein:

Definition (linear unabhängig)

Sei n ≥ 1, und seien v1 , …, vk P Rn . Dann heißen die Vektoren v1 , …, vk
linear unabhängig, falls gilt:
∀λ1 , …, λk P R (λ1 v1 + … + λk vk = 0 → λ1 = … = λk = 0).
Andernfalls heißen sie linear abhängig.
Genauer sollten wir sagen: „Das k-Tupel (v1 , …, vk ) ist linear unabhängig.“
Denn die lineare Unabhängigkeit kommt den Vektoren v1 , …, vk als Ganzes zu
und nicht jedem einzelnen Vektor. Die Sprechweise „Die Vektoren v1 , …, vk sind
linear unabhängig“ ist also etwas ungenau, aber sprachlich einfacher.
Lineare Unabhängigkeit in der Ebene

(1) Ein Vektor v P R2 ist genau dann linear unabhängig, wenn v ≠ 0.
(2) Zwei Vektoren v, w P R2 sind genau dann linear unabhängig, wenn v, w
nicht kollinear sind, d. h. nicht auf einer Geraden liegen.
(3) Drei Vektoren v, w, u P R2 sind stets linear abhängig.
Lineare Unabhängigkeit im dreidimensionalen Raum

(1) Ein Vektor v P R3 ist genau dann linear unabhängig, wenn v ≠ 0.
(2) Zwei Vektoren v, w P R3 sind genau dann linear unabhängig, wenn v, w
nicht kollinear sind, d. h. nicht auf einer Geraden liegen.
(3) Drei Vektoren v, w, u P R3 sind genau dann linear unabhängig, wenn
v, w, u nicht in einer Ebene liegen.
(4) Vier Vektoren v, w, u, u′ P R3 sind stets linear abhängig.
Eine nichttriviale Nulldarstellung: v + w + 3u = 0

Zur linearen Abhängigkeit des Nullvektors beobachten wir, dass 1 ⋅ 0 = 0 eine

nichttriviale Darstellung des Nullvektors ist. Im R2 sind drei und mehr Vektoren
immer linear abhängig, da zwei linear unabhängige Vektoren die gesamte Ebene
aufspannen. Ebenso sind im R3 vier und mehr Vektoren stets linear abhängig.
Die Orthogonaldarstellung einer Ebene
Ist E eine Ebene des R3 , so gibt es nach Definition linear unabhängige Vekto-
ren v und w des R3 , die die Ebene aufspannen:
Spanndarstellung
E = E(v, w) = span(v, w) = { λ v + µ w | λ, µ P R }.
Anschaulich ist klar, dass wir eine Ebene E auch als Menge aller Vektoren dar-
stellen können, die senkrecht auf einem Vektor s P R3 , s ≠ 0, stehen („s“ steht hier
für „senkrecht“). Eine solche Menge hat die Form:
Orthogonaldarstellung
E = Es = { v P R3 | v und s sind orthogonal }
= { v P R3 | 〈v, s〉 = 0 }
= { v P R3 | v1 s1 + v2 s2 + v3 s3 = 0 }.
Es stellt sich die Frage:

Wie rechnet man die beiden Darstellungen ineinander um?
Ist E ⊆ R2 gegeben in der Orthogonaldarstellung
E = Es = { v P R3 | s und v sind orthogonal }, s = (a, b, c),
so können wir aus den Komponenten a, b, c von s zwei linear unabhängige Lö-
sungen v = (x1 , y1 , z1 ) und w = (x2 , y2 , z2 ) der Gleichung
ax + by + cz = 0
in den Unbekannten x,y,z gewinnen (Übung). Es gilt dann E = E(v, w). Ist umge-
kehrt E ⊆ R2 gegeben in der Spanndarstellung
E = E(v, w) = span(v, w) = { λ v + µ w | λ, µ P R },
so suchen wir einen Vektor s = (a, b, c) ≠ 0, der auf den linear unabhängigen
Vektoren v und w senkrecht steht. Ist v = (x1 , y1 , z1 ) und w = (x2 , y2 , z2 ), so muss
für a, b, c gelten:
(+) ax1 + by1 + cz1 = 0
ax2 + by2 + cz2 = 0

Das homogene System (+) in den Unbestimmten a, b, c lässt sich mit Hilfe von
(2 × 2)-Matrizen und unserer Lösungstheorie für (2 × 2)-Systeme lösen, ohne
dass dabei unangenehme Fallunterscheidungen nach x1 ≠ 0, x2 ≠ 0, … auftreten
würden. Wir formen das System hierzu äquivalent um:
Ein Vektor s = (a, b, c) ist genau dann eine Lösung von (+), wenn gilt:
y1 z1 b x1
(I) = −a ,
y2 z2 c x2
x1 z1 a y1
(II) = −b ,
x2 z2 c y2
x1 y1 a z1
(III) = −c .
x2 y2 b z2
Wir bezeichnen die (2 × 2)-Matrizen von (I), (II) und (III) mit A1 , A2 bzw. A3 und
setzen
d1 = det(A1 ) = y1 z2 − z1 y2 ,
d2 = det(A2 ) = x1 z2 − z1 x2 ,
d3 = det(A3 ) = x1 y2 − y1 x2 .
Für alle Matrizen A P R2 × 2 und alle v P R2 gilt
det(A) v = A# A v.
Sei nun (a, b, c) eine Lösung von (I), (II), (III). Dann gilt:
b b b x1
d1 = det(A1 ) = A1 # A1 = − a A1 #
c c c x2
z2 −z1 x1 −d2
= −a = a .
−y2 y1 x2 d3
Analog erhalten wir
a y1 z2 −z1 y1 d1
d2 = − b A2 # = −b = −b ,
c y2 −x2 x1 y2 d3
a z1 y2 −y1 z1 d1
d3 = − c A3 # = −c = c .
b z2 −x2 x1 z2 −d2

Die drei Gleichungen werden offenbar erfüllt durch

(#) a = d1 , b = −d2 , c = d3 .
Einsetzen zeigt, dass durch (#) eine Lösung von (I), (II), (III) definiert wird.
Unsere Überlegungen motivieren:
Definition (Kreuzprodukt)
Für alle v, w P R3 setzen wir
x1 x2 d1 y 1 z2 − y 2 z1
v × w = y1 × y2 = − d2 = x2 z1 − x1 z2 .
z1 z2 d3 x1 y2 − x2 y1
Der Vektor v × w P R3 heißt das Kreuzprodukt oder Vektorprodukt von v und w.
Das Kreuzprodukt ist eine Abbildung von R3 × R3 nach R3 . Je zwei Vektoren

des Raumes wird ein Vektor des Raumes zugeordnet. Für linear unabhängige
Vektoren v und w und v × w = (a, b, c) gilt
E(v, w) = { λ v + µ w | λ, µ P R }
= { (x, y, z) | a x + b y + c z = 0 } = { u P R3 | 〈v × w, u〉 = 0 }.
Damit können wir die Orthogonaldarstellung einer Ebene E(v, w) einfach durch
eine Berechnung des Kreuzprodukts v × w finden.
Für v = (3, 2, 2) und w = (−2, 1, 1) ist v × w = (0, −7, 7) und w × v = − (v × w)

Eigenschaften des Kreuzprodukts
Das Kreuzprodukt besitzt eine Reihe von bemerkenswerten Eigenschaften.

Der folgende Satz, dessen „Beweis durch umfangreiches Nachrechnen“ dem Le-
ser zur Übung überlassen sei, versammelt einige davon.
Satz (Eigenschaften des Kreuzprodukts)

Für alle v, w, u P R3 und λ P R gilt:
(i) 〈v × w, v〉 = 〈v × w, w〉 = 0, (Orthogonalität)
(ii) v × w = − (w × v), (Antikommutativität)
(iii) (λv) × w = λ (v × w),
(v + u) × w = v × w + u × w,
v × (λw) = λ (v × w),
v × (w + u) = v × w + v × u, (Bilinearität)
(iv) v × v = 0, (Alternation)
(v) v × (w × u) = 〈v, u〉 w − 〈v, w〉 u, (Grassmann-Identität)
(vi) v × (w × u) + u × (v × w) + w × (u × v) = 0, (Jacobi-Identität)
(vii) i v × w i 2 = i v i 2 i w i 2 − 〈v, w〉2 . (Lagrange-Identität)
Das Kreuzprodukt ist also weder kommutativ noch assoziativ. Die Grass-
mann-Identität ist aus mnemotechnischen Gründen auch als bac-cab−Regel be-
kannt: Schreiben wir a, b, c statt v, w, u, so gilt
a × (b × c) = 〈a, c〉 b − 〈a, b〉 c = b 〈a, c〉 − c 〈a, b〉
mit ungewöhnlichen rechtsseitigen Skalaren an den Vektoren b und c. In der
Jacobi-Identität werden die Vektoren v, w, u zyklisch vertauscht, was ebenfalls
helfen kann, sich diese Formel zu merken. Explizit bemerken wir, dass die
Lagrange-Identität die Ungleichung von Cauchy-Schwarz (für den R3 ) impli-
ziert.
Für Liebhaber des Kreuzprodukts halten wir noch fest (Beweis als Übung):
Satz (allgemeine Lagrange-Identität, Binet-Cauchy-Identität)

Für alle v1 , v2 , w1 , w2 P R3 gilt:
〈v1 × v2 , w1 × w2 〉 = 〈v1 , v2 〉 〈w1 , w2 〉 − 〈v1 , w2 〉 〈w1 , v2 〉
〈v1 , v2 〉 〈v1 , w2 〉
= det .
〈w1 , v2 〉 〈w1 , w2 〉

Die Lagrange-Identität ergibt sich für v = v1 = v2 und w = w1 = w2 als Spezialfall

der Binet-Cauchy-Identität.
Nach Konstruktion steht das Kreuzprodukt von v und w senkrecht auf den
Vektoren v und w. Zu klären bleibt noch die Länge und die Richtung des Vek-
tors v × w. Für die Länge gilt:
Satz (Länge des Kreuzprodukts: Parallelogrammfläche)

Für alle v, w P R3 ist i v × w i die Fläche des von v und w im R3 aufgespann-
ten Parallelogramms
P = { λ v + µ w | λ, µ P [ 0, 1 ] }.
Für v, w ≠ 0 gilt also
i v × w i = i v i i w i sin(ϕ) mit ϕ = ](v, w) P [ 0, π ].
Beweis
Gilt v = 0 oder w = 0, so ist v × w der Nullvektor mit Länge 0, und die
Fläche von P ist ebenfalls gleich 0. Seien also v, w ≠ 0 und ϕ = ](v, w),
sodass sin ϕ ≥ 0. Nach der Lagrange-Identität gilt
iv × wi 2 = i v i 2 i w i 2 − 〈v, w〉2
= iv i 2 iw i 2 − cos2 ϕ i v i 2 iw i 2
= i v i 2 i w i 2 (1 − cos2 ϕ)
= ivi 2 iwi 2 sin2 ϕ.
Das von v und w aufgespannte Parallelogramm P mit der Höhe h = sin ϕ i w i

Damit gilt für alle v, w P R3 mit v, w ≠ 0 und ϕ = ](v, w):

cos ϕ = 〈v̂, ŵ〉, sin ϕ = i v̂ × ŵ i.
Um die Richtung von v × w zu ermitteln, betrachten wir zunächst die kanoni-
schen Einheitsvektoren. Ausrechnen zeigt:
Satz (Richtung des Kreuzprodukts)

Für e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) gilt:
e1 × e1 = 0, e2 × e2 = 0, e3 × e3 = 0,
e1 × e2 = e3 , e2 × e3 = e1 , e3 × e1 = e2 ,
e2 × e1 = −e3 , e3 × e2 = −e1 , e1 × e3 = − e2 .
Als Merkregel kann man verwenden, dass die zyklische bzw. azyklische An-
ordnung der Indizes zu einem positiven bzw. negativen Vorzeichen führt. Das
Ergebnis ei × ej lässt sich damit ablesen an der Aufzählung:
e1 , e2 , e3 , e1 , e2
Sind v, w linear unabhängig, so gilt allgemeiner, dass die räumliche Lage der
drei Vektoren v, w, v × w stets der Lage von e1 , e2 , e3 entspricht (und nicht etwa
der Lage von e1 , e3 , e2 ); bei diesem Lagebegriff wird von den Längen und dem
eingeschlossenen Winkel der Vektoren v und w abgesehen. Anschaulich lässt sich
dies wie folgt formulieren:
Richtung des Kreuzprodukts: Rechte-Hand-Regel

Zeigt v in Richtung des Daumens und w in Richtung des Zeigefingers der
rechten Hand, so zeigt v × w in Richtung des Mittelfingers der rechten
Hand, wenn dieser senkrecht auf Daumen und Zeigefinger steht.
Die Regel kann in dieser anschaulichen Form nicht bewiesen werden, da wir
in mathematischen Beweisen nicht von einer rechten Hand reden können. Um
sie mathematisch zu formulieren, betrachten wir drei linear unabhängige Vek-
toren a, b, c des Raumes derart, dass a auf der positiven x-Achse und b in der
x-y-Ebene liegt (c muss nicht notwendig senkrecht auf a und b stehen). Dann
bildet anschaulich a, b, c genau dann ein System, das wir mit der rechten Hand
(bei sehr beweglichen Fingern) richtungsmäßig nachbilden können, wenn das
Vorzeichen der y-Komponente von b mit dem Vorzeichen der z-Komponente
von c übereinstimmt. Zwei Beispiele sind
(2, 0, 0), (1, 1, 0), (−1, −1, 2),
(1, 0, 0), (0, −1, 0), (−1, 0, −1).
Allgemeine Vektoren u, v, w P R3 erlauben diese Nachbildung mit der rechten
Hand, wenn sie durch eine Rotation um den Nullpunkt in ein derartiges System
a, b, c übergeführt werden können.

Diese Überlegungen führen zu einer Definition, die durch die Anschauung

motiviert, aber von ihr unabhängig ist:
Definition (Rechtssystem)
Seien v, w, u P R3 linear unabhängig. Dann ist (v, w, u) ein Rechtssystem, falls
es eine Rotation f : R3 → R3 um den Nullpunkt gibt, sodass für die
Vektoren a = f(v), b = f(w), c = f(u) gilt:
(i) a = (a1 , 0, 0), b = (b1 , b2 , 0), c = (c1 , c2 , c3 ),
(ii) a1 > 0, sgn(b2 ) = sgn(c3 ).
Analog ist ein Linkssystem definiert, wobei in (ii) nun sgn(b2 ) ≠ sgn(c3 )
gefordert wird.
Damit können wir nun eine formale Version der Rechte-Hand-Regel bewei-
sen. Hierzu verwenden wir, dass eine Rotation f : R3 → R3 um den Nullpunkt
das Kreuzprodukt respektiert, d. h. dass f(u × v) = f(u) × f(v) für alle u, v P R3
gilt. Um dies streng zu beweisen, müssten wir Rotationen genauer untersu-
chen. Die Aussage ist aber plausibel, da eine Rotation eine stetige Abbildung ist
und wir das Kreuzprodukt bereits bis auf ein Vorzeichen in Länge und Rich-
tung festgelegt haben. Und dieses Vorzeichen kann bei einer stetigen Abbil-
dung nicht wechseln.
Satz (Richtung des Kreuzprodukts)

Seien v, w P R3 linear unabhängig, und sei u = v × w. Dann ist (v, w, u) ein
Rechtssystem.
Beweis
Sei a1 = i v i. Sei f : R3 → R3 eine Rotation um den Nullpunkt, die v auf
a = (a1 , 0, 0) und w auf einen Vektor b der x-y-Ebene abbildet, sodass
f(w) = b = (b1 , b2 , 0).
Weiter sei c = f(u). Dann gilt
a1 b1 0
c = f(v × w) = f(v) × f(w) = 0 × b2 = 0 ,
0 0 a1 b2
sodass c3 = a1 b2 . Wegen a1 > 0 ist sgn(c3 ) = sgn(b2 ).
Aus dieser Argumentation ergibt sich noch einmal, dass die Länge von v × w
die Fläche des von v und w aufgespannten Parallelogramms ist. Denn diese Flä-
che bleibt bei Rotationen unverändert, und die Fläche des von a und b aufge-
spannten Parallelogramms ist
|a1 b2| = i c i = i f(u) i = i v × w i.

Determinanten
Wir führen nun Determinanten in Analogie zur Ebene ein. Das dreidimensio-
nale Analogon zu dem von zwei Vektoren der Ebene aufgespannten Parallelo-
gramm ist:
Definition (aufgespanntes Parallelepiped, Spat)

Seien v, w, u P R3 . Dann heißt die Menge
P = { λ1 v + λ2 w + λ3 u | λ1 , λ2 , λ3 P [ 0, 1 ] } ⊆ R3
das von v, w, u aufgespannte Parallelepiped oder der von v, w, u aufgespannte Spat.
Der von v, w, u aufgespannte Spat P
Wir bestimmen nun das orientierte Volumen V(P) des von v, w, u aufgespann-
ten Parallelepipeds P. Das Vorzeichen von V(P) soll dabei wieder der Orientie-
rung der drei Vektoren entsprechen, die wir in Analogie zur Ebene so erklären
können:
Definition (Orientierung im R3 )
Seien v, w, u P R3 linear unabhängig, und sei ψ = ](v × w, u). Dann heißt
(v, w, u) positiv orientiert, wenn ψ P [ 0, π/2 [, und negativ orientiert, wenn
ψ P ] π/2, π ].
Die positive Orientierung von (v, w, u) besagt anschaulich, dass die Vektoren
u und v × w im gleichen durch die Ebene span(v, w) definierten Halbraum des

R3 liegen. Das Kreuzprodukt v × w spielt in der Begriffsbildung die Rolle des

Vektors v ⊥ = rotπ/2 (v) der Orientierung in der Ebene. Die positive Orientierung
von (v, w, u) ist äquivalent dazu, dass das Tripel (v, w, u) ein Rechtssystem ist. Die
Orientierung lässt sich aber ohne Verwendung von Rotationen erklären.
Für die Grundfläche f und die gemäß dem Vektor v × w orientierte Höhe h des
Spats P gilt
f = iv × wi, h = cos(ψ) i u i, wobei ψ = ](v × w, u).
Damit erhalten wir das orientierte Volumen
V(P) = f h = i v × w i cos(ψ) i u i = 〈v × w, u〉.
Wir definieren:
Definition (Determinante)
Seien v, w, u P R3 . Dann heißt die reelle Zahl
det(v, w, u) = 〈v × w, u〉
die Determinante von (v, w, u).
Unsere Diskussion zeigt:
Volumen und lineare Abhängigkeit

Die reelle Zahl det(v, w, u) ist das orientierte Volumen des von v, w, u
aufgespannten Parallelepipeds. Insbesondere ist det(v, w, u) genau dann
gleich 0, wenn v, w, u linear abhängig sind.
Im Fall det(v, w, u) ≠ 0 entspricht das Vorzeichen der Determinante der Orien-

tierung von (v, w, u). Damit ist das Volumen V(P) positiv bei einem Rechtssystem
und negativ bei einem Linkssystem.
Nachrechnen zeigt:
Satz (Eigenschaften der Determinante)

Für alle v, w, v1 ,v2 , w1 , w2 , u1 , u2 P R3 und alle λ P R gilt:
(i) det(e1 , e2 , e3 ) = 1,
(ii) det(v, w, u) = 0, falls v = w oder v = u oder w = u,
(iii) det(v, w, u) = − det(w, v, u) = − det(u, w, v) = − det(v, u, w),
(iv) det(λ v, w, u) = det(v, λ w, u) = det(v, w, λ u) = λ det(v, w, u),
det(v1 + v2 , w, u) = det(v1 , w, u) + det(v2 , w, u),
det(v, w1 + w2 , u) = det(v, w1 , u) + det(v, w2 , u),
det(v, w, u1 + u2 ) = det(v, w, u1 ) + det(v, w, u2 ).

Die Determinante ist also normiert im Hinblick auf die kanonischen Einheits-
vektoren und gleich 0, wenn zwei der drei Vektoren gleich sind. Sie ändert das
Vorzeichen, wenn wir zwei Vektoren vertauschen. Weiter ist sie linear in allen
drei Komponenten.
Notation
Wir notieren Determinanten auch wieder in Matrix-Schreibweise:
x1 x2 x3
det y1 y2 y3 statt det((x1 , y1 , z1 ), (x2 , y2 , z2 ), (x3 , y3 , z3 )).
z1 z2 z3
Die Vektoren werden als Spalten in die Matrix geschrieben.
Wie im zweidimensionalen Fall bleibt die Determinante unverändert, wenn

wir die Vektoren als Zeilen eintragen:
x1 x2 x3 x1 y1 z1
det y1 y2 y3 = det x2 y2 z2 .
z1 z2 z3 x3 y3 z3
Diese keineswegs offensichtliche Eigenschaft lässt sich zum Beispiel mit der fol-
genden Regel einsehen, die allgemein für die Berechnung von Determinanten
nützlich ist:
Satz (Regel von Sarrus)

Seien v = (x1 , y1 , z1 ), w = (x2 , y2 , z2 ), u = (x3 , y3 , z3 ) P R3 . Dann gilt
det(v, w, u) = x1 y2 z3 + x2 y3 z1 + x3 y1 z2 − x3 y2 z1 − x1 y3 z2 − x2 y1 z3
x1 x2 x3 x1 x2
y1 y2 y3 y1 y2
z1 z2 z3 z1 z2
Zur Regel von Sarrus: Bestimmung der Vorzeichen der sechs Summanden

Beweis
Mit den in der Motivation des Kreuzprodukts verwendeten (2 × 2)-
Determinanten d1 , d2 , d3 gilt
det(v, w, u) = 〈v × w, u〉 = 〈(d1 , −d2 , d3 ), (x3 , y3 , z3 )〉.
Ausrechnen und Umordnen liefert die sechs Summanden, wobei jede
Determinante ein positives und ein negatives Vorzeichen beiträgt.
Als Merkregel kann man verwenden: Das Vorzeichen des Summanden xi yj zk

in der Regel von Sarrus ist bestimmt durch die zyklische bzw. azyklische Anord-
nung der Indizes i, j, k.
Beispiele
(1) Für v = (1, 2, 3), w = (1, 0, −1), u = (0, 1, 2) gilt
1 1 0
det(v, w, u) = det 2 0 1 = 0 + 3 + 0 − 0 − 4 + 1 = 0.
3 −1 2
Damit sind v, w, u linear abhängig. Es gilt v − w − 2u = 0.

(2)
0 1 1
det 1 0 1 = 0 + 1 + 1 − 0 − 0 − 0 = 2.
1 1 0
1 0 1
det 0 1 1 = 0 + 0 + 0 − 1 − 0 − 1 = −2.
1 1 0
Die zweite Matrix entsteht durch Spaltentausch aus der ersten.
Linearkombinationen und Koordinatenvektoren
Erneut in Analogie zur Ebene definieren wir:
Definition (Spann, Linearkombination)

Seien v, w, u P R3 . Dann heißt
span(v, w, u) = { λ1 v + λ2 w + λ3 u | λ1 , λ2 , λ3 P R }
der Spann von v, w, u. Für alle λ1 , λ2 , λ3 P R heißt λ1 v + λ2 w + λ3 w eine
Linearkombination von v, w, u.

Der Spann dreier Vektoren kann { 0 }, eine Gerade, eine Ebene oder der ganze
Raum R3 sein. In jedem Fall enthält der Spann den Nullvektor als Element.
Definition (Koordinaten, Koordinatenvektor bzgl. einer Basis)

Seien v, w, u P R3 linear unabhängig, s P R3 und λ1 , λ2 , λ3 P R mit
s = λ1 v + λ2 w + λ3 u.
Dann heißt (λ1 , λ2 , λ3 ) der Koordinatenvektor von s bzgl. der Basis (v, w, u).
Die Eindeutigkeit des Koordinatenvektors ergibt sich elegant aus der eindeu-
tigen Nulldarstellung bei linearer Unabhängigkeit: Gilt
s = λ1 v + λ2 w + λ3 u = µ1 v + µ2 w + µ3 u,
so ist
0 = (λ1 − µ1 ) v + (λ2 − µ2 ) w + (λ3 − µ3 ) u.
Da die Vektoren v, w, u linear unabhängig sind, gilt λi − µi = 0 und also λi = µi
für alle i = 1, 2, 3.
Lineare Gleichungssysteme
Wir betrachten nun reelle lineare Gleichungssysteme mit drei Gleichungen

und drei Unbekannten. Ein solches System hat die Form:
(+) a1 x + b1 y + c1 z = u1
a2 x + b2 y + c2 z = u2
a3 x + b3 y + c3 z = u3
mit
Koeffizienten a1 , a2 , a3 , b1 , b2 , b3 , c1 , c2 , c3 P R,
Unbekannten x, y, z P R,
rechter Seite u = (u1 , u2 , u3 ) P R3 ,
Lösungsmenge L = { (x, y, z) P R3 | ai x + bi y + ci z = ui für alle i = 1, 2, 3 }.
Ist L ≠ ∅, so heißt das System lösbar. Andernfalls heißt es unlösbar. Besitzt L genau
ein Element, so heißt das System eindeutig lösbar.
Notieren wir Vektoren des Raumes als Spaltenvektoren, so schreibt sich das
System (+) in der Form
a1 b1 c1 u1
(++) x a + y b + z c = x a2 + y b2 + z c2 = u2 = u.
a3 b3 c3 u3

Auf der linken Seite stehen Linearkombinationen der aus den Koeffizienten
des Systems gebildeten Vektoren a, b, c. Diese Vektoren sind genau dann linear
unabhängig, wenn det(a, b, c) ≠ 0.
Grundlegende Eigenschaften der Lösungsmenge

(1) L ≠ ∅ genau dann, wenn u P span(a, b, c).
(2) Ist det(a, b, c) ≠ 0, so ist der Koordinatenvektor von u bzgl. der Basis
(a, b, c) die eindeutige Lösung des Systems.
(3) Ist det(a, b, c) = 0, so kann L die leere Menge, eine affine Gerade, eine
affine Ebene oder der ganze Raum R3 sein.
Erneut ist folgende Unterscheidung nützlich:
Definition (homogen, inhomogen)

Ist die rechte Seite u eines Gleichungssystems der Nullvektor, so nennen
wir das System homogen. Andernfalls heißt es inhomogen.
Ein Gleichungssystem ist genau dann homogen, wenn es durch den Nullvek-
tor gelöst wird. Im Gegensatz zu einem inhomogenen System ist also ein homo-
genes System immer lösbar. Jedem System können wir ein homogenes System
durch Nullsetzen der rechten Seite zuordnen. Ist das System lösbar, L seine Lö-
sungsmenge, (x*, y*, z*) P L beliebig und L0 die Lösungsmenge des zugeordne-
ten homogenen Systems, so gilt erneut
L = (x*, y*, z*) + L0 = { (x*, y*, z*) + (x, y, z) | (x, y, z) P L0 }.
Im Fall der Lösbarkeit gilt also wie im zweidimensionalen Fall:
Lösung = spezielle Lösung + homogene Lösung
Struktur der Lösungsmenge

(1) Es gilt det(a, b, c) ≠ 0 genau dann, wenn das System eindeutig lösbar
ist. In diesem Fall ist L = { (x*, y*, z*) } und L0 = { 0 }.
(2) Ist L eine affine Gerade oder Ebene, so ist L0 eine Gerade bzw. Ebene
durch den Nullpunkt und L die um (x*, y*, z*) verschobene Menge L0 .
(3) Ist L der gesamte Raum, so gilt dies auch für L0 . Dieser Fall tritt nur
für a = b = c = u = 0 auf.
(4) Aus L0 ≠ ∅ folgt nicht, dass L ≠ ∅. Der Fall a = b = c = 0 und u ≠ 0
zeigt, dass L = ∅ und L0 = R3 gelten kann.

Übungen
Übung 1
Sei s P R3 , s ≠ 0, und sei E = { v P R3 | 〈v, s〉 = 0 }. Diskutieren Sie, wie Sie
mit Hilfe der Komponenten von s eine Spanndarstellung von E erhalten
können. Führen Sie Ihre Konstruktion an konkreten Beispielen durch.
Übung 2
Seien E ⊆ R3 eine Ebene und u,vP E nicht kollinear. Zeigen Sie: E = E(u, v).
Übung 3
Seien v, w, u P R3 . Zeigen Sie, dass die folgenden Aussagen äquivalent sind:
(a) Die drei Vektoren liegen in einer gemeinsamen Ebene E ⊆ R3 .
(b) v P span(u, w) oder w P G(u) oder u P G(w).
(c) v P span(u, w) oder w P span(v, u) oder u P span(v, w).
[ zu (a) impliziert (b): Seien a, b P R3 mit E = E(a, b), und seien αi , βi P R mit
u = α1 a + β1 b, w = α2 a + β2 b, v = α3 a + β3 b.
Wir fragen nach der Existenz von λ1 , λ2 mit
α3 a + β3 b = v = λ1 u + λ2 w = (α1 λ1 + α2 λ2 )a + (β1 λ1 + β2 λ2 )b.
Hierzu betrachten wir das Gleichungssystem
α3 = α1 λ1 + α2 λ2 , β3 = β1 λ1 + β2 λ2
in den Unbestimmten λ1 , λ2 . Hat die Koeffizientenmatrix des Systems die
Determinante 0, so gilt w P G(u) oder u P G(w). Andernfalls ist das System
(eindeutig) lösbar, sodass v P span(u, w). ]
Übung 4
Zeigen Sie, dass für alle v, w, u P R3 und λ P R gilt:
(i) 〈v × w, v〉 = 〈v × w, w〉 = 0, (Orthogonalität)
(ii) v × w = − (w × v), (Antikommutativität)
(iii) (λv) × w = λ (v × w), (v + u) × w = v × w + u × w,
v × (λw) = λ (v × w), v × (w + u) = v × w + v × u, (Bilinearität)
(iv) v × v = 0, (Alternation)
(v) v × (w × u) = 〈v, u〉 w − 〈v, w〉 u, (Grassmann-Identität)
(vi) v × (w × u) + u × (v × w) + w × (u × v) = 0, (Jacobi-Identität)
(vii) i v × w i 2 = i v i 2 i w i 2 − 〈v, w〉2 . (Lagrange-Identität)

Übung 5
Zeigen Sie, dass für alle v, w, u, s P R3 gilt:
(v × w) × (u × s) = det(v, w, s) u − det(v, w, u) s.
Übung 6
Seien E1 und E2 zwei Ebenen des R3 mit E1 ≠ E2 . Zeigen Sie mit Hilfe des
Kreuzprodukts, dass es einen Vektor u gibt mit G(u) = E1 ∩ E2 .
Übung 7
Zeigen Sie, dass für alle v1 , v2 , w1 , w2 P R3 gilt:
〈v1 × v2 , w1 × w2 〉 = 〈v1 , v2 〉 〈w1 , w2 〉 − 〈v1 , w2 〉 〈w1 , v2 〉.
Übung 8
Illustrieren Sie den von v, w, u P R3 aufgespannten Spat P und die Formel
V(P) = f h = i v × w i cos(ψ) i u i = 〈v × w, u〉
für das orientierte Volumen von P durch ein Diagramm.
Übung 9
Zeigen Sie, dass für alle v, w, v1 ,v2 , w1 , w2 , u1 , u2 P R3 und alle λ P R gilt:
(i) det(e1 , e2 , e3 ) = 1,
(ii) det(v, w, u) = 0, falls v = w oder v = u oder w = u,
(iii) det(v, w, u) = − det(w, v, u) = − det(u, w, v) = − det(v, u, w),
(iv) det(λ v, w, u) = det(v, λ w, u) = det(v, w, λ u) = λ det(v, w, u),
det(v1 + v2 , w, u) = det(v1 , w, u) + det(v2 , w, u),
det(v, w1 + w2 , u) = det(v, w1 , u) + det(v, w2 , u),
det(v, w, u1 + u2 ) = det(v, w, u1 ) + det(v, w, u2 ).
Übung 10
Seien G1 = u1 + { λ v1 | λ P R } und G2 = u2 + { λ v2 | λ P R } affine Geraden
im R3 mit linear unabhängigen Vektoren v1 , v2 . Geben Sie mit Hilfe des
Skalar- und Kreuzprodukts eine Bedingung an, die genau dann zutrifft,
wenn sich G1 und G2 schneiden.
Übung 11
Sei T das räumliche Tetraeder mit den Ecken 0, v, w, u P R3 . Geben Sie mit
Hilfe des Skalar- und Kreuzprodukts eine Formel für das Volumen von T
an (unter Verwendung der Volumenformel „1/3 Grundfläche mal Höhe“).

Übung 12
Seien v0 P R3 , G eine affine Gerade und E eine affine Ebene des R3 . Geben
Sie drei lineare Gleichungssysteme an, die { v0 }, G bzw. E als Lösungs-
menge besitzen.
Übung 13
Sei K : R3 × R3 → R3 eine Funktion mit den Eigenschaften:
(a) K(e1 , e2 ) = e3 , K(e2 , e3 ) = e1 , K(e3 , e1 ) = e2 .
(b) K(v, w) = − K(w, v) für alle v, w P R3 .
(c) K ist bilinear, d. h. für alle v, w, u P R3 und λ P R gilt
K(λ v, w) = K(v, λ w) = λ K(v, w),
K(v + u, w) = K(v, w) + K(u, w), K(v, w + u) = K(v, w) + K(v, u).
Zeigen Sie, dass K(v, w) = v × w für alle v, w P R3 gilt.

7. (3 × 3)-Matrizen
In Analogie zu den reellen 2 × 2-Matrizen betrachten wir nun reelle 3 × 3-Ma-

trizen, also quadratische Gebilde aus neun reellen Zahlen. Erneut eignen sich
diese Matrizen zur Lösung von Gleichungssystemen (mit drei Gleichungen
und drei Unbekannten) und zur Beschreibung von linearen Abbildungen (des
dreidimensionalen Raumes). Nicht mehr ganz so einfach wie im Fall n = 2 ist
die Invertierung. Wir diskutieren hierzu einen Algorithmus, der das Inverse ei-
ner Matrix durch wiederholte Multiplikation mit Elementarmatrizen erzeugt
und sich ohne Schwierigkeiten auf höhere Dimensionen verallgemeinern lässt.

Grundlegendes
Eine reelle 3 × 3-Matrix hat die Form
a11 a12 a13

A = a21 a22 a23 = (aij )1 ≤ i,j ≤ 3
a31 a32 a33
mit reellen Zahlen A(i, j) = aij , den Einträgen der Matrix. Formal können wir A
wieder als eine Funktion von { 1, 2, 3 } × { 1, 2, 3 } nach R ansehen.
Viele Begriffsbildungen, Notationen und Konventionen lassen sich von
2 × 2-Matrizen auf 3 × 3-Matrizen in natürlicher Weise übertragen. So ist zum
Beispiel der Vektor (a11 , a22 , a33 ) P R3 die (Haupt-) Diagonale und der Skalar
a11 + a22 + a33 die Spur von A. Sind alle Einträge außerhalb der Hauptdiagona-
len gleich 0, so heißt die Matrix A eine Diagonalmatrix. Die Diagonalmatrix
mit der Diagonale (a, b, c) bezeichnen wir wieder mit diag(a, b, c). Die Vekto-
ren
(a11 , a12 , a13 ), (a21 , a22 , a23 ), (a31 , a32 , a33 ) P R3
heißen die Zeilenvektoren von A, die Vektoren
(a11 , a21 , a31 ), (a12 , a22 , a32 ), (a13 , a23 , a33 ) P R3
die Spaltenvektoren von A. Wir verwenden wieder ein Komma bzw. einen Strich-
punkt zur Unterscheidung von Zeilen und Spalten. Für drei Vektoren u, v, w des
R3 ist also A = (v, w, u) die Matrix mit den Zeilen v, w, u, während B = (v; w; u) die
Matrix mit den Spalten v, w, u ist.
Ist A = (v, w, u), so heißt At = (v; w; u) die zu A transponierte Matrix. Es gilt also
At (i, j) = A(j, i) für alle 1 ≤ i, j ≤ 3.
Gilt A = At , so heißt A symmetrisch.
Matrix-Operationen
Wir setzen
3×3
R = { A | A ist eine reelle 3 × 3-Matrix }.
Sind A, B P R3 × 3 , v P R3 und λ P R, so setzen wir
A + B = (aij + bij )1 ≤ i,j ≤ 3 , (Matrizenaddition)
λA = (λaij )1 ≤ i,j ≤ 3 , (Skalarmultiplikation)
A v = (ai1 v1 + ai2 v2 + ai3 v3 )1 ≤ i ≤ 3 , (Matrix-Vektor-Produkt)
AB = (ai1 b1j + ai2 b2j + ai3 b3j )1 ≤ i,j ≤ 3 . (Matrizenprodukt)

7. (3 × 3)-Matrizen 239
Weiter seien −A = (−1)A und A − B = A + (−B). Es gilt Av P R3 und AB P R3 × 3 .

Die Matrizenprodukte lassen sich wieder durch „Zeile mal Spalte“ beschreiben.
Ist B = (b1 ; b2 ; b3 ), so gilt
AB = (Ab1 ; Ab2 ; Ab3 ).
Nützlich ist die Darstellung
AB = C mit cij = ∑ 1 ≤ k ≤ 3 aik bkj für alle 1 ≤ i, j ≤ 3.
Zur Berechnung von AB sind neun Einträge zu berechnen, die alle die Form ei-
nes reellen Skalarprodukts haben.
Es gilt wieder A(BC) = (AB)C (Assoziativität), während die Kommutativität
AB = BA im Allgemeinen verletzt ist.
Die Nullmatrix 0 ist die Matrix, deren Einträge alle gleich 0 sind. Die Rolle der
1 übernimmt die Einheitsmatrix E3 = (e1 , e2 , e3 ) = (e1 ; e2 ; e3 ), mit den kanonischen
Basisvektoren e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1). Es gilt
A + 0 = 0 + A = A, A E3 = E3 A = A für alle A P R3 × 3 .
Beispiele
(1)
0 0 0 1 0 0
0 = 0 0 0 , E3 = diag(1, 1, 1) = 0 1 0
0 0 0 0 0 1
(2)
0 1 1 1 0 1 1 1 2
0 0 1 + 0 1 0 = 0 1 1
0 0 0 1 0 1 1 0 1
(3)
1 0 1 1 3
1 0 0 1 = 1
2 1 1 2 5
(4)
1 0 1 1 0 1 2 1 0
1 0 0 −1 1 0 = 1 0 1
2 1 1 1 1 −1 2 2 1
(5)
1 2 3 1 4 7
t
Ist A = 4 5 6 , so gilt A = 2 5 8 .
7 8 9 3 6 9

Matrizen als lineare Abbildungen
Wie für 2 × 2-Matrizen definieren wir:
Definition (zugeordnete Abbildung)

Sei A P R3 × 3 . Dann ist die A zugeordnete Abbildung fA : R3 → R3 definiert
durch fA (v) = A v für alle v P R3 .
Es gilt wieder fA B = fA + fB für alle A, B P R3 × 3 . Die Abbildungen fA entsprechen

erneut den linearen Abbildungen des Raumes:
Definition (lineare Abbildung)

Eine Abbildung f : R3 → R3 heißt linear, falls für alle v, w P R3 und alle
λ, µ P R gilt:
f(λ v + µ w) = λ f(v) + µ f(w). (Linearitätsbedingung)
Jede Abbildung fA : R3 → R3 ist linear und umgekehrt lässt sich jede lineare
Abbildung f : R3 → R3 eindeutig durch eine Matrix A darstellen, d. h., es gibt
genau ein A P R3 × 3 mit f = fA . Der für die Ebene geführte Beweis kann über-
nommen werden. Die darstellende Matrix A einer linearen Abbildung f erhal-
ten wir, indem wir die Bilder der kanonischen Basisvektoren unter f bestimmen
und als Spalten in eine Matrix schreiben:
A = (f(e1 ); f(e2 ); f(e3 )).
Wir betrachten wieder Projektionen und Rotationen als Beispiele.
Projektionsmatrizen
Im dreidimensionalen Raum können wir einen Vektor v orthogonal auf eine
Gerade G oder eine Ebene E projizieren. Wie in der Ebene ist das
Euklidische Skalarprodukt das entscheidende Hilfsmittel.
1. Die Projektion auf eine Gerade
Sei G = G(u) die von einen normierten Vektor u P R3 aufgespannte
Gerade. Dann ist die orthogonale Projektion prG : R3 → R3 auf die
Gerade G definiert durch
prG (v) = 〈u, v〉 u für alle v P R3 .
Es gilt prG (v) P G und 〈u, v − prG (v)〉 = 0, sodass der Vektor v − prG (v)
senkrecht auf u steht. Die darstellende Matrix AG von prG hat die
Spalten
prG (ei ) = 〈u, ei 〉 u = ui u für i = 1, 2, 3,
sodass

7. (3 × 3)-Matrizen 241
u1 u1 u2 u1 u3 u1 u1 2 u1 u2 u1 u3
2
AG = u1 u2 u2 u2 u3 u2 = u1 u2 u2 u2 u3 .
u1 u3 u2 u3 u3 u3 u1 u3 u2 u3 u3 2
Die Projektion des Vektors v auf die von u erzeugte Gerade G
2. Die Projektion auf eine Ebene

Sei E = E(u, w) die von den linear unabhängigen Vektoren u, w P R3
aufgespannte Ebene. Wir nehmen an, dass die Vektoren u und w ortho-
gonal und normiert sind. Dann ist die orthogonale Projektion
prE : R3 → R3 auf die Ebene E definiert durch
prE (v) = prG(u) (v) + prG(w) (v) = 〈u, v〉 u + 〈w, v〉 w für alle v P R3
mit den von u und w aufgespannten Geraden G(u) und G(w). Ist v P R3 ,
so gilt prE (v) P E und
〈u, v − prE (v)〉 = 〈w, v − prE (v)〉 = 0,
sodass der Vektor v − prE (v) senkrecht auf u und w steht und damit
kollinear zu u × w ist. Die darstellende Matrix AE von prE ist die Summe
der darstellenden Matrizen von prG(u) und prG(w) , sodass
u1 u1 + w1 w1 u2 u1 + w2 w1 u3 u1 + w3 w1
AE = AG(u) + AG(w) = u1 u2 + w1 w2 u2 u2 + w2 w2 u3 u2 + w3 w2 .
u1 u3 + w1 w3 u2 u3 + w2 w3 u3 u3 + w3 w3

Die Projektion von v auf die von u und w erzeugte Ebene lässt sich als Summe
der Projektionen auf die erzeugten Geraden G(u) und G(w) auffassen.
Alle Projektionsmatrizen sind symmetrisch. Der Leser vergleiche die

Ergebnisse mit den Projektionsmatrizen der Ebene.
Rotationsmatrizen
Sei ϕ P R. Dann stellt die Matrix
1 0 0
Aϕ = 0 cosϕ −sinϕ
0 sinϕ cosϕ
die Rotation im R3 um den Winkel ϕ (gegen den Uhrzeigersinn) mit der

x-Achse als Drehachse dar. In den Spalten stehen die Bilder von e1 , e2 , e3
unter der Rotation. Analog beschreiben
cos ψ 0 sinψ cosχ −sinχ 0

Bψ = 0 1 0 , Cχ = sinχ cosχ 0
−sinψ 0 cosψ 0 0 1
die Rotationen um die Winkel ϕ um die y-Achse bzw. χ um die z-Achse. Da

die Komposition von Rotationen wieder eine Rotation ergibt, sind auch alle
Produkte dieser Matrizen wieder Rotationen. Man kann zeigen, dass sich
jede Rotation des R3 als Produkt der Form Aϕ Bψ Cχ darstellen lässt. Dieses
Produkt berechnet sich zu

7. (3 × 3)-Matrizen 243
cos χ cos ψ −cos ψ sin χ sin ψ

cos ϕ sin χ cos χ cos ϕ
−cos ψ sin ϕ
+ cos χ sin ϕ sin ψ − sin χ sin ϕ sin ψ .
sin χ sin ϕ cos χ sin ϕ
cos ϕ cos ψ
− cos χ cos ϕ sin ψ + cos ϕ sin χ sin ψ
Eine Rotation f : R3 → R3 lässt sich auch als Drehung um einen Winkel

ϕ mit einer durch einen normierten Vektor s P R3 definierten Achse G =
G(s) beschreiben. Eine geometrische Analyse zeigt, dass
f(v) = 〈s, v〉 s + cos ϕ (s × v) × s + sin ϕ (s × v) für alle v P R3 .
Dabei ist der erste Summand die Projektion von v auf die Drehachse G. Die
Vektoren v1 = (s × v) × s und v2 = (s × v) liegen in der zu G orthogonalen
Ebene E und die beiden zugehörigen Summanden beschreiben die Drehung
von v1 = prE (v) um ϕ in E. Genaueres besprechen wir in den Übungen.
Die Rotation f(v) von v um die Drehachse G und den Winkel ϕ = π/4
Die darstellende Matrix A = (f(e1 ); f(e2 ); f(e3 )) der Rotation f berechnet sich
mit w(ϕ) = 1 − cos ϕ zu
s1 2 w(ϕ) + cos ϕ s1 s2 w(ϕ) − s3 sin ϕ s1 s3 w(ϕ) + s2 sin ϕ

s1 s2 w(ϕ) + s3 sin ϕ s2 2 w(ϕ) + cos ϕ s2 s3 w(ϕ) − s1 sin ϕ .
s1 s3 w(ϕ) − s2 sin ϕ s2 s3 w(ϕ) + s1 sin ϕ s3 w(ϕ) + cos ϕ
2

Invertierbarkeit
Wie für 2 × 2-Matrizen definieren wir:
Definition (invertierbar, invers, singulär)

Sei A P R3 × 3 . Gibt es ein B P R3 × 3 mit AB = E3 = BA, so heißt A invertier-
bar und B invers zu A. Andernfalls heißt A singulär.
Eine inverse Matrix ist im Fall der Existenz erneut eindeutig bestimmt, sodass
wir das Inverse einer invertierbaren Matrix A mit A−1 bezeichnen können. Für
alle invertierbaren Matrizen A, B P R3 × 3 gelten die Invertierungsregeln
(A−1 )−1 = A, (A B)−1 = B−1 A−1 .
Die für 2 × 2-Matrizen geführten Beweise können übernommen werden.
Beispiel
Hat A eine Nullzeile, so ist A singulär. Denn aus „Zeile mal Spalte“ folgt,
dass für jede Matrix B auch A B eine Nullzeile besitzt, sodass AB ≠ E3 .
Analog ist A singulär, wenn A eine Nullspalte besitzt.
Ein Gleichungssystem
(+) a1 x + b1 y + c1 z = u1
a2 x + b2 y + c2 z = u2
a3 x + b3 y + c3 z = u3
können wir wieder kompakt in der Form
A (x, y, z) = u
notieren, mit der Koeffizientenmatrix A = (a; b; c) P R3 × 3 des Systems. Wie frü-
her gilt:
Lösung durch Invertierung

Ist A invertierbar, so wird für alle rechten Seiten u P R3 das Gleichungs-
system A (x, y, z) = u eindeutig durch den Vektor A−1 u gelöst.
Die eindeutige Lösbarkeit von Av = u ist erneut äquivalent zu det(A) ≠ 0. Da-

mit ist A genau dann invertierbar, wenn det(A) ≠ 0.
Im Fall n = 2 konnten wir das Inverse einer Matrix mit Hilfe der Komplemen-
tärmatrix relativ leicht direkt angeben. Für 3 × 3-Matrizen ist eine explizite For-
mel für das Inverse komplizierter. Anstelle einer solchen Formel betrachten wir
einen Invertierungsalgorithmus, der sich leicht auf beliebige (n × n)-Matrizen
verallgemeinern lässt.

7. (3 × 3)-Matrizen 245
Der Invertierungsalgorithmus
Wir beschreiben zunächst den Algorithmus und illustrieren ihn durch Bei-
spiele. Anschließend zeigen wir, dass der Algorithmus korrekt ist.
Invertierungsalgorithmus
Gegeben ist eine beliebige Matrix A P R3 × 3 . Wir versuchen, A durch
schrittweise elementare Zeilenoperationen in die Einheitsmatrix E3 zu
überführen. Dadurch entsteht eine endliche Folge A = A0 , …, Ak von
3 × 3-Matrizen. An Zeilenoperationen sind dabei erlaubt:
(a) Multiplikation einer Zeile mit λ ≠ 0.
(b) Addition des λ-fachen einer Zeile zu einer anderen Zeile.
Parallel hierzu führen wir die Zeilenoperationen an der Einheitsmatrix E3
durch, sodass eine zweite endliche Folge von 3 × 3-Matrizen E3 = B0 , …, Bk
entsteht. Wird beim Versuch, A in E3 zu überführen eine Nullzeile oder
Nullspalte produziert, so stoppen wir das Verfahren mit dem Ergebnis „A
ist singulär“. Andernfalls geben wir die Matrix Bk als Ergebnis aus.
Die Zeilenoperationen werden mit dem Ziel durchgeführt, die Matrix unter-
halb und oberhalb der Diagonalen auszuräumen (Nulleinträge zu erzeugen) und
die Diagonaleinträge gleich 1 zu setzen.
Beispiel: Erzeugung einer Nullzeile

1 1 0 1 0 0
A0 = 1 0 1 B0 = 0 1 0
0 2 −2 0 0 1
1 1 0 1 0 0
A1 = 0 −1 1 B1 = −1 1 0
0 2 −2 0 0 1
1 1 0 1 0 0
A2 = 0 −1 1 B2 = −1 1 0
0 0 0 −2 2 1
Im ersten Schritt addieren wir das (−1)-Fache der ersten Zeile zur zweiten,
d. h. wir subtrahieren die erste Zeile von der zweiten. Im zweiten Schritt
addieren wir das 2-Fache der zweite Zeile zur dritten. Da A3 eine Nullzeile
besitzt, ist das Ergebnis der Berechnung „nicht invertierbar“.

Beispiel: Überführung in die Einheitsmatrix

1 1 0 1 0 0
A0 = 1 0 1 B0 = 0 1 0
1 −1 1 0 0 1
1 1 0 1 0 0
A1 = 0 −1 1 B1 = −1 1 0
1 −1 1 0 0 1
1 1 0 1 0 0
A2 = 0 −1 1 B2 = −1 1 0
0 −2 1 −1 0 1
1 1 0 1 0 0
A3 = 0 −1 1 B3 = −1 1 0
0 0 −1 1 −2 1
1 1 0 1 0 0
A4 = 0 −1 0 B4 = 0 −1 1
0 0 −1 1 −2 1
1 0 0 1 −1 1
A5 = 0 −1 0 B5 = 0 −1 1
0 0 −1 1 −2 1
1 0 0 1 −1 1
A6 = 0 1 0 B6 = 0 1 −1
0 0 −1 1 −2 1
1 0 0 1 −1 1
A7 = 0 1 0 B7 = 0 1 −1
0 0 1 −1 2 −1
Die ersten fünf Operationen sind Zeilenadditionen, die beiden letzten

Zeilenmultiplikationen. Es gilt A7 = E3 . Das Ergebnis der Berechnung ist
also B = B7 . Nachrechnen zeigt, dass BA = E3 , sodass B = A−1 .

7. (3 × 3)-Matrizen 247
Die Elementarmatrizen
Wir zeigen nun, dass der Invertierungsalgorithmus korrekt ist: Er eignet sich
als Test auf Invertierbarkeit und er produziert im invertierbaren Fall das Inverse
der Ausgangsmatrix. Hierzu führen wir spezielle Matrizen ein, mit deren Hilfe
wir die elementaren Zeilenoperationen als Matrizenmultiplikation von links dar-
stellen können.
Definition (Elementarmatrix, Additionstyp, Multiplikationstyp)

Seien 1 ≤ i, j ≤ 3 und λ P R. Dann ist Wij (λ) P R3 × 3 definiert als die Matrix,
die mit der Einheitsmatrix E3 übereinstimmt, aber an der Stelle (i, j) den
Eintrag λ besitzt. Eine solche Matrix W heißt eine Elementarmatrix, falls
W = Wi j (λ) mit λ P R, i ≠ j, oder (Additionstyp)
W = Wi j (λ) mit λ P R*, i = j. (Multiplikationstyp)
Die Matrix Wij (λ) entsteht, indem wir den Eintrag der Einheitsmatrix an der
Stelle (i, j) mit dem Skalar λ überschreiben. Befindet sich der neue Eintrag außer-
halb der Hauptdiagonalen, so erhalten wir einen Additionstyp. Wird eine Eins
der Diagonalen durch λ ≠ 0 ersetzt, so erhalten wir einen Multiplikationstyp. Die
Namensgebung wird erklärt durch:
(1) Ist A P R3 × 3 und W = Wij (λ) ein Additionstyp, so ist WA die Matrix, die
entsteht, wenn wir das λ-Fache der j-ten Zeile zur i-ten Zeile von A
addieren.
(2) Ist A P R3 × 3 und W = Wii (λ) ein Multiplikationstyp, so ist WA die Matrix,
die entsteht, wenn wir die i-te Zeile von A mit λ multiplizieren.
Beispiel
1 0 0 1 1 2 1 1 2
W23 (5) = 0 1 5 , W23 (5) 0 −2 −1 = 5 8 4
0 0 1 1 2 1 1 2 1
1 0 0 1 1 2 1 1 2
W32 (5) = 0 1 0 , W32 (5) 0 −2 −1 = 0 −2 1
0 5 1 1 2 1 1 −8 −4
Für die Multiplikation AW einer Matrix A mit einer Elementarmatrix W von

rechts gelten analoge Aussagen für die Spalten von A. Für einen Additionstyp W
vertauschen sich dabei die Indizes, sodass AW entsteht, indem wir das λ-Fache
der i-ten Spalte zur j-ten Spalte von A addieren.

Eine Elementarmatrix ist invertierbar und ihr Inverses ist wieder eine Elemen-
tarmatrix:
(1) Das Inverse eines Additionstyps Wij (λ) ist Wij (−λ).
(2) Das Inverse eines Multiplikationstyps Wii (λ) ist Wii (1/λ).
Den Invertierungsalgorithmus können wir nun so beschreiben: Gegeben A,
versuchen wir, Elementarmatrizen L1 , …, L k zu finden, sodass
(+) L k … L1 A = E3 .
Gelingt dies, so ist
B = L k … L1 = A−1 ,
da B A = Lk … L1 A = E3 nach (+). Wegen
B = B E3 = L k … L1 E3
erzeugt unser Algorithmus im invertierbaren Fall also das Inverse von A in der
parallel ausgeführten Zeilenmanipulation von E3 . Mit obigen Notationen gilt
A0 = A, A1 = L1 A0 , A2 = L2 A1 = L2 L1 A, …
B0 = E3 , B1 = L1 B0 = L1 , B2 = L2 B1 = L2 L1 , …
Wird eine Nullzeile oder Nullspalte erzeugt, so ist die Matrix
Ak = Lk … L1 A
nicht invertierbar. Da alle Li invertierbar sind, ist notwendig A singulär. Damit
ist die Korrektheit des Algorithmus vollständig bewiesen.
Unsere Überlegungen zeigen (angewendet auf B = A−1 ), dass jede invertierbare
Matrix A als ein Produkt von Elementarmatrizen dargestellt werden kann:
Satz (Zerlegung einer invertierbaren Matrix in Elementarmatrizen)

Sei A P R3 × 3 invertierbar. Dann gibt es ein k ≥ 1 und Elementarmatrizen
L1 , …, Lk mit A = Lk … L1 .
Dieser bemerkenswerte Satz gilt analog auch für höhere Dimensionen.
Bemerkung: Deterministische Version des Invertierungs-Algorithmus

Wir haben bei unserer Formulierung des Algorithmus keine Strategie
vorgegeben, wie der Versuch der Umwandlung von A in E3 durchzuführen
ist. Es gibt verschiedene Möglichkeiten, dies zu organisieren. Eine
deterministische Version erhalten wir zum Beispiel, indem wir solange wie
möglich (1) A Spalte für Spalte unterhalb der Hauptdiagonalen ausräumen,
(2) A Spalte für Spalte oberhalb der Hauptdiagonalen ausräumen, (3) die
Diagonale normieren. Alternativ können wir die Spalten von A auch gleich
unter- und oberhalb der Diagonalen ausräumen und dabei auch die
Normierung der Diagonaleinträge durchführen.

7. (3 × 3)-Matrizen 249
Eigenwerte und Eigenvektoren
Wie für die Dimension n = 2 definieren wir:
Definition (Eigenwerte und Eigenvektoren)

Seien A P R3 × 3 , λ P R und v P R2 mit v ≠ 0. Dann heißt λ ein Eigenwert
und v ein zu λ gehöriger Eigenvektor von A, falls A v = λ v.
Erneut gilt für alle A P R3 × 3 , λ P R und v P R3 die Äquivalenz:

A v = λ genau dann, wenn (A − λE2 ) v = 0.
Mit Aλ = A − λ E3 , ist also λ genau dann ein Eigenwert von A, wenn das homo-
gene Gleichungssystem Aλ v = 0 eine vom Nullvektor verschiedene Lösung v be-
sitzt. Dies ist genau dann der Fall, wenn det(Aλ ) = 0. Wir definieren:
Definition (charakteristisches Polynom)

Sei A P R3 × 3 . Dann heißt das Polynom pA : R → R dritten Grades mit
pA (λ) = det(Aλ ) = det(A − λE3 ) für alle λ P R
das charakteristische Polynom von A.
Die Eigenwerte von A sind genau die reellen Nullstellen von pλ . Eine Berech-
nung der Determinante von Aλ zeigt, dass
pA (λ) = −λ3 + spur(A) λ2 − (det(A′11 ) + det(A′22 ) + det(A′33 )) λ + det(A)
für alle λ P R, wobei A′ij die (2 × 2)-Matrix ist, die aus A durch Streichen der i-ten
Zeile und j-ten Spalte hervorgeht.
Beispiel
Für die obere Dreiecksmatrix A = ((1, 2, 3), (0, 1, 1), (0, 0, 1)) gilt
1 1 1 3 1 2
A′11 = , A′22 = , A′33 = ,
0 1 0 1 0 1
pA (λ) = −λ3 + 3λ2 − 3λ + 1 = − (λ − 1)3 für alle λ P R.

Damit ist λ = 1 eine dreifache Nullstelle von A. Lösen von (A − E3 ) v = 0
zeigt, dass genau die Vektoren µe1 mit µ P R* Eigenvektoren von A zum
Eigenwert 1 sind. Die Matrix A ist ein Beispiel dafür, dass zu einem
mehrfachen Eigenwert nicht notwendig zwei oder mehr linear unabhängige
Eigenvektoren gehören müssen.
Das charakteristische Polynom einer (3 × 3)-Matrix hat stets den Grad 3. Da ein
reelles Polynom ungeraden Grades eine reelle Nullstelle besitzt, erhalten wir:

Satz (Existenz von Eigenwerten)

Jede reelle (3 × 3)-Matrix besitzt mindestens einen reellen Eigenwert.
Beschreibt zum Beispiel A eine Rotation des dreidimensionalen Raumes, so

sind die von Null verschiedenen Vektoren der Drehachse Eingenvektoren von A
zum Eigenwert 1. Ist die Rotation echt (also nicht die Identität auf R3 ), so gibt es
keine weiteren Eigenwerte und Eigenvektoren.
Erneut gilt (mit einem etwas komplizierteren Beweis) der fundamentale:
Satz (Spektralsatz)
(a) A ist symmetrisch.
(b) Es gibt paarweise zueinander orthogonale Eigenvektoren v,w,u von A.
Hieraus ergibt sich erneut die Diagonalisierung A = S−1 D S einer symmetri-

schen Matrix A und die Singulärwertzerlegung A = S−1 D1/2 T einer beliebigen
Matrix A, mit D diagonal und S, T orthogonal, d. h. S−1 = St , T−1 = Tt . Die Ein-
heitssphäre S = { v P R3 | i v i = 1 } wird durch A in ein Ellipsoid E transformiert
(das degeneriert ist, wenn A singulär ist). Die Singulärwerte von A sind die Halb-
achsen von E und die Spalten von S−1 sind normierte Halbachsenrichtungen.
Beispiel
Seien B die Rotationsmatrix der Drehung um die x-Achse um ϕ = π/4 und
D = diag(3, 2, 1). Dann gilt cos ϕ = sin ϕ = 1/£2 und
1 0 0 3 0 0
A = BD = 0 cosϕ −sinϕ D = 0 £2 −1/£2
0 sinϕ cosϕ 0 £2 1/£2
beschreibt die Achsenskalierung gemäß D gefolgt von der Drehung B. Die
Einheitssphäre wird zu einem Ellipsoid mit den Halbachsen 3, 2, 1.

7. (3 × 3)-Matrizen 251
Übungen
Übung 1
Seien G = span(u) und E = span(u, w) mit normierten und orthogonalen
Vektoren u, w P R3 . Zeigen Sie, dass für alle v P R3 gilt:
(a) prG (prG (v)) = prG (prE (v)) = prE (prG (v)) = prG (v),
(b) prE (prE (v)) = prE (v).
Was bedeuten diese Eigenschaften für die darstellenden Matrizen?
Übung 2
Sei G = span(u) für einen normierten Vektor u P R3 . Weiter sei v P R3 .
Zeigen Sie, dass der Vektor prG (v) P G den kleinsten Euklidischen Abstand
zu v unter allen Vektoren von G besitzt.
Übung 3
Formulieren und beweisen Sie eine zur vorangehenden Übung analoge
Aussage für die orthogonale Projektion auf eine Ebene.
Übung 4
Seien Aϕ , Bψ die Rotationsmatrizen für Drehungen um die x- bzw. y-Achse.
Berechnen Sie Aϕ Bψ − Bψ Aϕ . Was lässt sich für im Betrag kleine Winkel ϕ
und ψ feststellen? Betrachten Sie hierzu eine Taylor-Entwicklung der
Einträge.
Übung 5
Sei f : R3 → R3 die Rotation um den Winkel ϕ (gegen den Uhrzeigersinn)
um eine durch einen normierten Vektor s P R3 gegebene Achse.
(a) Begründen Sie die Formel
f(v) = 〈s, v〉 s + cos ϕ (s × v) × s + sin ϕ (s × v) für alle v P R3
geometrisch.
(b) Berechnen Sie mit Hilfe von (a) die darstellende Matrix von f.
Übung 6
Was lässt sich über die Determinante einer Rotationsmatrix und einer
Projektionsmatrix sagen?

Übung 7
Lösen Sie für eine beliebige rechte Seite u P R3 das Gleichungssystem
x + 2y + 3z = u1
x + y + z = u2
2x + 2y + z = u3
durch Invertierung der Koeffizientenmatrix A. Verwenden Sie dabei den
Invertierungsalgorithmus zur Berechnung von A−1 .
Übung 8
Wie lässt sich die Vertauschung zweier Zeilen einer Matrix durch Links-
multiplikation mit Elementarmatrizen gewinnen?
Übung 9
Sei A P R3 × 3 invertierbar. Zeigen Sie, dass es Additionstypen L1 , …, Lk gibt
derart, dass Lk … L1 A eine Diagonalmatrix ist.

5. Abschnitt
Mehrdimensionale Analysis

1. Kurven
Kurven sind stetige Funktionen der Form f : [ a, b ] → Rm , mit einem reellen

Intervall [ a, b ] und einer beliebigen Dimension m ≥ 1. Für die analytische Un-
tersuchung von Kurven genügt die eindimensionale Differential- und Integral-
rechnung: Die Ableitungen der Komponentenfunktionen einer Kurve liefern
Tangentialvektoren und die Länge einer Kurve können wir mit Hilfe des Rie-
mann-Integrals im Zusammenspiel mit der Euklidischen Norm berechnen.

256 5. Abschnitt Mehrdimensionale Analysis
Vektoren als Funktionswerte
Wir betrachten Funktionen der Form

f : R → Rm oder allgemeiner f : P → Rm mit P ⊆ R.
Dabei ist m eine beliebige natürliche Zahl größer oder gleich Eins. Der Definiti-
onsbereich besteht aus reellen Zahlen, während die Funktionswerte Vektoren
des Rm sind. Wichtige Spezialfälle sind wieder m = 2 und m = 3.
In Erweiterung des Grenzwertbegriffs für reelle Folgen definieren wir:
Definition (Grenzwerte im Rm )
Seien m ≥ 1, (xn )n P N eine Folge im Rm und y P Rm . Dann heißt y
Grenzwert von (xn )n P N , falls gilt
∀ε > 0 ∃n0 ∀n ≥ n0 i y − xn i < ε.
Im Vergleich zum eindimensionalen Begriff ist also lediglich der Abstand

zweier reeller Zahlen durch den Abstand zweier Vektoren ersetzt. Dabei wird der
Abstand zweier Vektoren mit Hilfe der Euklidischen Norm berechnet.
Im Fall der Existenz ist der Grenzwert einer Folge erneut eindeutig bestimmt
und wir schreiben wieder limn → ∞ xn oder limn xn für diesen Grenzwert.
Ist (xn )n P N = ((xn, 1 , …, xn, m ))n P N eine Folge im Rm und y = (y1 ,…, ym ) P Rm ,
so sind äquivalent:
(1) limn xn = y.
(2) limn xn, k = yk für alle 1 ≤ k ≤ m. (komponentenweise Konvergenz)
m
Eine konvergente Folge im R besteht also aus m konvergenten reellen Folgen
(der Leser vergleiche dies mit der Konvergenz einer Folge in C = R2 ). Hieraus er-
geben sich Limesregeln für Folgen im Rm , z. B.
limn (xn + yn ) = limn xn + limn yn .
Auch die Stetigkeitsbegriffe können wir leicht erweitern:
Definition (Stetigkeit für mehrdimensionale Funktionswerte)

Seien m ≥ 1, P ⊆ R und f : P → Rm . Weiter sei p P P. Dann heißt f
ε-δ-stetig oder umgebungsstetig an der Stelle p, falls gilt:
∀ε > 0 ∃δ > 0 ∀x P P (|x − p| < δ → i f(x) − f(p) i < ε).
Weiter heißt f folgenstetig an der Stelle p, falls für jede Folge (xn )n P N in P
gilt, dass
limn xn = p impliziert limn f(xn ) = f(p).
Ist f umgebungs- bzw. folgenstetig an allen Stellen p P P, so heißt f
umgebungsstetig bzw. folgenstetig.

1. Kurven 257
Für die Dimension m = 2 besagt die ε-δ-Stetigkeit von f an der Stelle p, dass für
jedes (noch so kleine) ε > 0 ein δ > 0 existiert derart, dass die Menge
] p − δ, p + δ [ ∩ P ⊆ R
durch die Funktion f in die offene Kreisscheibe
Uε (f(p)) = { (x, y) P R2 | i (x, y) − f(p) i < ε } ⊆ R2
mit Mittelpunkt f(p) und Radius ε abgebildet wird. Erneut ist ε mit dem Werte-
bereich und δ mit dem Definitionsbereich von f assoziiert.
Die beiden Stetigkeitsbegriffe erweisen sich wie im eindimensionalen Fall als
äquivalent, sodass wir auch kurz von Stetigkeit ohne Zusatz sprechen können.
So wie wir eine Folge im Rm in m reelle Folgen aufspalten können, so können
wir eine Funktion f : P → Rm in m reelle Funktionen zerlegen:
Definition (Komponentenfunktionen)
Seien m ≥ 1, P ⊆ R und f : P → Rm . Dann heißen die reellen Funktionen
f1 , …, fm : P → R mit
f(x) = (f1 (x), …, fm (x)) für alle x P P
die Komponenten- oder Koordinatenfunktionen von f.
Beispiele
(1) Sei m = 2 und f : P → R2 . Dann können wir f als komplexwertige
Funktion auffassen. Es gilt
f1 (x) = Re(f(x)), f2 (x) = Im(f(x)) für alle x P P.
(2) Sei m = 3 und f : R → R3 mit f(x) = (x, ex , sin x) für alle x P R. Dann
ist f1 die Identität, f2 die Exponentialfunktion und f3 die Sinusfunk-
tion auf R.
Für alle m ≥ 1, P ⊆ R, f : P → Rm und p P P sind äquivalent:

(1) f ist stetig an der Stelle p.
(2) f1 , …, fm sind stetig an der Stelle p. (komponentenweise Stetigkeit)
In dieser Weise kann der Stetigkeitsbegriff für vektorwertige Funktionen auf
den skalarwertigen Fall zurückgeführt werden.
Bemerkung
Anstelle von „komponentenweiser Konvergenz/Stetigkeit“ und „Komponen-
tenfunktionen“ sprechen wir gleichwertig auch von „koordinatenweiser
Konvergenz/Stetigkeit“ bzw. „Koordinatenfunktionen“.
Nach diesen technischen Vorbereitungen können wir uns dem eigentlichen

Thema dieses Kapitels zuwenden.

Parametrisierte Kurven
Definition (Kurve, Parameter, Bahn, Spur)

Sei m ≥ 1, und sei [ a, b ] ⊆ R ein reelles Intervall. Weiter sei f : [ a, b ] → Rm
stetig. Dann heißt f eine (parametrisierte) Kurve im Rm und jedes t P [ a, b ]
heißt ein Parameter von f. Der Wertebereich
spur(f) = { f(t) | t P [ a, b ] }
von f heißt auch die Bahn oder Spur von f.
Wir bevorzugen hier die Variable t anstelle von x, um die in vielen Fällen
nützliche dynamische Interpretation einer Kurve zu unterstützen. Dabei wird t als
Zeitvariable und f(t) als der Ort eines sich in der Zeit t P [ a, b ] bewegenden
Punktes interpretiert. Wir betonen, dass es sich um eine für die Dimensionen
m = 2 und m = 3 anschauliche Interpretation handelt, die rein mathematisch
nicht relevant ist. Wir können als Variable zum Beispiel auch x, y oder u ver-
wenden, wenn wir möchten.
Wichtig ist es, eine Kurve von ihrer Spur zu unterscheiden. Aus einer Kurve
ergibt sich die Spur, aber nicht umgekehrt. Beim Übergang von f zu spur(f ) geht
die Information verloren, wie die Spur durchlaufen wird: Durchlaufrichtung,
Geschwindigkeit und Wiederholungen sind nicht mehr erkennbar.
Oft liegt eine „linienartige“ Menge P ⊆ Rm vor, die man mit Hilfe einer
Kurve analytisch beschreiben möchte. Gesucht ist eine Parametrisierung von P,
d. h. eine Kurve f : [ a, b ] → Rm , deren Spur gleich P ist. Das Standardbeispiel
ist die Parametrisierung des Einheitskreises
K = { (x, y) P R2 | x2 + y2 = 1 }.
Der Kreis K wird durch die Kurve f : [ 0, 2π ] → R2 mit
f(t) = (cos t, sin t) für alle t P [ 0, 2π ]
parametrisiert. Aber auch g : [ 0, 2π ] → R2 mit
g(t) = (sin t, cos t) für alle t P [ 0, 2π ]
ist eine Parametrisierung von K.
Wir führen noch einige suggestive Sprechweisen ein.
Definition (Startpunkt, Endpunkt, geschlossen, offen)

Sei f : [ a, b ] → Rm eine Kurve. Dann heißt f(a) der Startpunkt und f(b) der
Endpunkt von f. Gilt f(a) = f(b), so heißt die Kurve geschlossen. Andernfalls
heißt sie offen.

1. Kurven 259
Tangentialvektoren
Mit Hilfe der Komponentenfunktionen können wir die Grundbegriffe der

Differentialrechnung ohne Schwierigkeit auf Kurven übertragen:
Definition (differenzierbar, Ableitung, Tangentialvektor, regulär, singulär)

Sei f : [ a, b ] → Rm eine Kurve. Weiter sei t P [ a, b ]. Dann heißt f (stetig)
differenzierbar an der Stelle t, falls alle Komponenten f1 , …, fm von f an der
Stelle t (stetig) differenzierbar sind. Wir setzen dann
f ′(t) = (f1 ′(t), …, fm ′(t)) P Rm .
Der Vektor f ′(t) heißt die Ableitung oder der Tangentialvektor von f an der
Stelle t. Ist f ′(t) ≠ 0, so heißt der Parameter t regulär. Ist f ′(t) = 0, so heißt t
singulär. Schließlich heißt f (stetig) differenzierbar, falls f (stetig) differenzier-
bar für alle t P [ a, b ] ist.
Unter der dynamischen Interpretation ist f ′(t) der Geschwindigkeitsvektor

der Kurve f zum Zeitpunkt t. Der Betrag der Geschwindigkeit ist
λ = i f ′(t) i = £f1 ′(t)2 + … + fm ′(t)2 .
Ist λ ≠ 0, d.h. t ein regulärer Parameter, so ist f ′(v)/λ die normierte Richtung der
Geschwindigkeit, und diese Richtung ist tangential zur Spur von f. Ist λ = 0, so
steht ein sich gemäß f(t) bewegender Punkt zum Zeitpunkt t still.
Beispiele
(1) Sei f : [ 0, 2π ] → R2 definiert durch
f(t) = ei t = (cos t, sin t) für alle t P [ 0, 2π ].
Dann ist f eine geschlossene Kurve, die die gleichmäßige Bewegung
eines Punktes auf dem Einheitskreis gegen den Uhrzeigersinn mit
Startpunkt 1 = (1, 0) beschreibt. Die Spur von f ist der Einheitskreis K.
Die Kurve ist stetig differenzierbar mit
f ′(t) = (cos′ t, sin′ t) = (−sin t, cos t) für alle t P [ 0, 2π].
Der Tangentialvektor f ′(t) hat für alle t P [ 0, 2π ] die Länge 1 und er
steht senkrecht auf dem Vektor f(t), da
〈f(t), f ′(t)〉 = 〈(cos t, sin ), (−sin t, cos t)〉 = 0.
(2) Sei f : [ 0, 4π ] → R2 definiert durch

f(t) = ei t = (cos t, sin t) für alle t P [ 0, 4π ].
Der Einheitskreis wird nun zweimal durchlaufen. Die Spur von f ist
erneut der Einheitskreis K.

(3) Sei c ≠ 0, b = 2π/|c|, und sei f : [ 0, b ] → R2 definiert durch

f(t) = ei c t = (cos(ct), sin(ct)) für alle t P [ 0, b ].
Der Einheitskreis wird nun mit der Geschwindigkeit c durchlaufen,
gegen den Uhrzeigersinn für c > 0 und im Uhrzeigersinn für c < 0.
(4) Sei k P N*, und f : [ 0, k2π ] → R3 mit

f(t) = (cos t, sin t, t) für alle t P [ 0, k2π ].
Die Kurve f beschreibt eine k-fache Schraubbewegung im dreidimen-
sionalen Raum.
(5) Sei g : [ a, b ] → R eine stetige reelle Funktion. Wir definieren die
Kurve f : [ a, b ] → R2 durch
f(t) = (t, g(t)) für alle t P [ a, b ].
Dann ist f eine Kurve in der Ebene, deren Spur der Graph von g ist. Ist
g (stetig) differenzierbar, so gilt dies auch für die Kurve f mit
f ′(t) = (1, g′(t)) für alle t P [ a, b ].
Der Leser beachte, dass der Graph von f (den wir wie immer mit f
identifizieren) von g zu unterscheiden ist. Es gilt
f = graph(f ) = { (t, f(t)) | t P [ a, b ] } = { (t, (t, g(t))) | t P [ a, b ] },
g = graph(g) = { (t, g(t)) | t P [ a, b ] } = { f(t) | t P [ a, b ] } = spur(f ).
Das folgende Diagramm veranschaulicht die Situation für die
Funktion g : [ 0, 3 ] → R mit g(t) = arctan(t) für alle t P [ 0, 3 ].
1.5
f (1) f (2)
f (0)
1
f(2)
arctan(x)
1
f(1) x2 +1
0.5
f(0)
0.5 1 1.5 2 2.5 3
Der Graph von g ist die Spur von f. Die Ableitung von g
entspricht der y-Komponente der Tangentialvektoren von f.
Wir betrachten nun die Visualisierung der Kurvenbegriffe an einem Beispiel

noch genauer.

1. Kurven 261
Visualisierung
Sei f : [ 0, 2π ] → R2 mit
f(t) = (cos t, sin t) + 1/4 (cos(4t), sin(4t)) für alle t P [ 0, 2π ].
Die Kurve f ist geschlossen und differenzierbar mit
f ′(t) = (−sin t, cos t) + (− sin(4t), cos(4t)) für alle t P [ 0, 2π ].
f(t4 )
f(t3 )
1
f(t1 )
f(t2 )
0.5
f(t5 )
f(t6 ) f(0) = f(2 )
-1 -0.5 0.5 1
f(t7 )
-0.5
f(t10 )
f(t11 )
-1
f(t9 )
f(t8 )
Die Spur von f und die Werte f(tk ) für die Parameter tk = k π/6, k = 0, …, 12
0.5
f1 (t)
2 4 5
2 f2 (t)
3 3 3 3
-0.5
-1
Die Komponenten f1 und f2 von f

-2 -1 1 2
-1
-2
Die Tangentialvektoren von f für obige Parameter. Drei der Vektoren sind 0.
g(0) = g(2 )
2
g(t3 ) g(t9 )
1
g(t1 )
g(t11 )
-2 -1 1 2
-1
g(t4 ) g(t8 )
g(t7 ) g(t5 )
-2
Die Ableitung g = f ′ als Kurve. Es gilt g(t2 ) = g(t6 ) = g(t10 ) = 0, sodass die Parameter
t2 , t6 und t10 singulär sind. Alle anderen Parameter sind regulär.

1. Kurven 263
Die Länge einer Kurve
Ähnlich wie „Fläche zwischen Graph und x-Achse“ können wir „Länge einer
Kurve“ für Kurven mit hinreichend guten Eigenschaften definieren. Wie so oft
in der Analysis geschieht dies durch Approximation und Grenzwertbildung. Zur
Approximation verwenden wir Polygon-Züge:
Definition (Polygon-Approximation)
Sei f : [ a, b ] → Rm eine Kurve, und sei p = (tk )k ≤ n eine (stützstellenfreie)
Partition von [ a, b ]. Dann setzen wir
Lp f = ∑ k ≤ n i f(tk + 1 ) − f(tk ) i (wobei wieder tn + 1 = b).
Die reelle Zahl Lp f ist die Euklidische Länge des durch die Punkte
f(a) = f(t0 ), f(t1 ), f(t2 ), …, f(tn ), f(tn + 1 ) = f(b)
definierten Polygon-Zugs im Rm . Je feiner die Partition p ist, desto mehr nähert
sich Lp f anschaulich der Länge der Kurve f an.
f(t4 )
f(t3 )
1
f(t1 )
f(t2 )
0.5
f(t5 )
f(t6 ) f(0) = f(2 )
-1 -0.5 0.5 1
f(t7 )
-0.5
f(t10 )
f(t11 )
-1
f(t9 )
f(t8 )
Zwei Polygon-Approximationen an die Kurve des obigen Beispiels. In der zweiten

Approximation werden die Zerlegungspunkte k π/12, k = 0, …, 24 verwendet.

Diese Überlegungen motivieren:
Definition (rektifizierbar, Länge)

Sei f : [ a, b ] → Rm eine Kurve. Dann heißt f rektifizierbar, falls
L(f) = limδ(p) →0 Lp f
existiert. In diesem Fall heißt L(f) die (Euklidische) Länge von f.
Der Grenzwert
c = limδ(p) →0 Lp f
bedeutet, dass für jede Folge (pn )n P N von Partitionen von [ a, b ], deren Feinhei-
ten gegen Null konvergieren, die Folge (Lpn f )n P N der Längen der zugehörigen
Polygon-Approximationen gegen den gleichen reellen Wert c konvergiert. Der
Leser vergleiche dies mit der Definition des Riemann-Integrals.
Der Hauptsatz zur Längenberechnung einer Kurve lautet:
Satz (Längenformel für stetig differenzierbare Kurven)

Sei f : [ a, b ] → Rm eine stetig differenzierbare Kurve. Dann ist f rektifizier-
bar und es gilt
b
L(f) = * i f ′(t) i dt. (Längenformel)
a
Der Beweis wird in der Analysis geführt. Wir begnügen uns hier mit einem dy-
namischen Argument, durch das die Formel plausibel wird: Nach der Formel
„Weg ist Geschwindigkeit mal Zeit“ können wir i f ′(t) i dt als den infinitesimal
zurückgelegten Weg auffassen. Im Integral werden diese infinitesimalen Wege
zur Gesamtlänge des zurückgelegten Weges aufsummiert.
Beispiel 1: Kreisumfang
Seien r > 0 und [ a, b ] ein reelles Intervall. Wir definieren die stetig
differenzierbare Kurve f : [ a, b ] → R2 durch
f(t) = r eit = r (cos t, sin t) für alle t P [ a, b ].
Dann gilt i f ′(t) i = r für alle t P [ a, b ]. Damit ist
b b
L(f ) = * i f ′(t) i dt = * r dt = r (b − a).
a a
Für [ a, b ] = [ 0, 2π ] ergibt sich der Umfang r2π eines Kreises mit Radius r.
Die Längenberechnung berücksichtigt allgemeiner aber auch teilweise und
mehrfache Durchläufe des Kreises. So ergibt sich zum Beispiel die Länge
2kr π für Intervalle der Form [ 0, 2kπ ].

1. Kurven 265
Beispiel 2: Parabelbogen
Wir berechnen die Länge eines Parabelbogens. Sei hierzu [ a, b ] ein reelles
Intervall, und sei f : [ a, b ] → R2 definiert durch
f(t) = (t, t2 ) für alle t P [ a, b ].
Die stetig differenzierbare Kurve f durchläuft den durch das Intervall [ a, b ]
definierten Bogen der Einheitsparabel. Es gilt
f ′(t) = (1, 2t), i f ′(t) i 2 = 1 + 4t2 für alle t P [ a, b ].
Zur Berechnung der Länge von f verwenden wir, dass
1
* £c2 + t2 dt =
2
( t £c2 + t2 + c2 log( t + £c2 + t2 ) ) für alle c P R.
Mit c = 1/2 erhalten wir

b b
L(f ) = * i f ′(t) i dt = * £1 + 4t2 dt
a a
b
= 2 * £(1/2)2 + t2 dt
a
t=b
1
= t £1/4 + t2 + log( t + £1/4 + t2 ) .
4 t=a
Für das Intervall [ a, b ] = [ 0, 1 ] ergibt sich
£5 1 £5 1 1
L(f ) = + log( 1 + ) − log( )
2 4 2 4 2
£5 1
= + log( 2 + £5 ) = 1,4789…
2 4
Zum Vergleich: Die Länge der Diagonalen des Einheitsquadrats ist gleich
£2 = 1,4142… Wir machen also keinen allzu großen Umweg, wenn wir
anstelle der Diagonalen auf dem Parabelbogen von (0, 0) nach (1, 1) laufen.
Beispiel 3: Umfang einer Ellipse

Seien a ≥ b > 0. Wir berechnen den Umfang der achsenparallelen Ellipse
Ea, b = { (x, y) P R2 | (x/a)2 + (y/b)2 = 1 }
mit den Halbachsen a und b. Eine (traditionelle) Parametrisierung von Ea, b
ist gegeben durch die Kurve f : [ 0, 2π ] → R2 mit
f(t) = (a sin t, b cos t) für alle t P [ 0, 2π ].
Die Kurve durchläuft die Ellipse startend im Punkt (0, b) im Uhrzeigersinn.
Sie ist stetig differenzierbar mit
f ′(t) = (a cos t, − b sin t) für alle t P [ 0, 2π ].

Für alle ϕ P [ 0, 2π ] gilt

ϕ ϕ
L(f|[0, ϕ]) = * i f ′(t) i dt = * £a2 cos2 t + b2 sin2 t dt
0 0
ϕ
= a * £1 − ε2 sin2 t dt,
0
wobei wir a cos t = a2 (1 − sin2 t) verwendet und

2 2
ε = £1 − b2 /a2 P [ 0, 1 [ (numerische Exzentrizität von Ea,b )
gesetzt haben. Man kann zeigen, dass für ε ≠ 0 keine elementare Stamm-
funktion des Integranden
£1 − ε2 sin2 t
existiert. Der Versuch, die Länge der Bögen einer Ellipse Ea, b mit den
Halbachsen a ≠ b zu berechnen, gibt also Anlass zur Einführung einer
neuen nichtelementaren Funktion. Für ε P [ 0, 1 [ und ϕ P R ist das
elliptische Integral zweiter Art definiert durch
ϕ
E(ϕ, ε) = * £1 − ε2 sin2 t dt.
0
Der Umfang der Ellipse Ea, b berechnet sich zu a E(2π, ε). Im Gegensatz zur
Flächenberechnung ist das Problem der Umfangsberechnung einer Ellipse
also deutlich schwieriger. Es sprengt den Rahmen der elementaren
Funktionen.
E( , 0)
E( , 2/3)
E( , 0.9)
E( , 0.999)
Das elliptische Integral E(ϕ, ε) zweiter Art auf [ 0, 2π ] für einige ε

1. Kurven 267
Übungen
Übung 1
Seien a, ϕ > 0. Wir definieren die Archimedische Spirale f : [ 0, ϕ ] → R2 durch
f(t) = a t (cos t, sin t) für alle t P [ 0, ϕ ].
(a) Skizzieren Sie spur(f) für a = 1 und ϕ = 2π.
(b) Beschreiben Sie qualitativ die Bedeutung der Parameter a und ϕ für
die Kurve f.
(c) Berechnen Sie L(f ) in Abhängigkeit von a und ϕ.
Übung 2
Wir definieren die Zykloide f : [ 0, 2π ] → R2 durch
f(t) = (t − sin(t), 1 − cos(t)) für alle t P [ 0, 2π ].
(a) Begründen Sie, dass die Zykloide die Bewegung des Punktes
p = (0, 0) auf dem Kreis
K = { (x, y) P R2 | x2 + (y − 1)2 = 1 }
mit Radius 1 und Mittelpunkt (0, 1) beschreibt, wenn K auf der
x-Achse im vollen Umfang abrollt ohne zu rutschen. Erstellen Sie
eine Skizze, die Ihre Argumentation erläutert.
(b) Skizzieren Sie die Spur von f und markieren Sie einige Werte f(t).
(c) Berechnen Sie L(f ) mit Hilfe der Integrationsregeln. (Dabei kann
die Halbwinkelformel 2 sin2 (x/2) = 1 − cos x nützlich sein.)
Übung 3
Seien a ≥ b > 0, und sei
Ea, b = { (x, y) P R2 | (x/a)2 + (y/b)2 = 1 }
die achsenparallele Ellipse mit den Halbachsen a und b. Wir definieren
f : [ 0, 2π ] → R2 durch
f(t) = (a cos t, b sin t) für alle t P [ 0, 2π ].
Zeigen Sie, dass Ea, b = spur(f ).

Übung 4
Seien a ≥ b > 0, und sei
Ea, b = { (x, y) P R2 | (x/a)2 + (y/b)2 = 1 }.
Wir setzen
p = £a2 − b2 , F1 = (p, 0), F2 = (−p, 0),
E = { (x, y) P R2 | i (x, y) − F1 i + i (x, y) − F2 i = 2a }.
Zeigen Sie, dass Ea, b = E.
Übung 5
Sei a > 0. Wir definieren die Lemniskate von Bernoulli (zum Parameter a)
f : [ 0, 2π ] → R2 durch
a cos t
f(t) = (1, sin t) für alle t P [ 0, 2π ].
1 + sin2 t
Weiter setzen wir

p = a/£2, F1 = (p, 0), F2 = (−p, 0).
(a) Skizzieren Sie spur(f ), F1 und F2 für a = 1/2, 1, 3/2.
(b) Zeigen Sie, dass
spur(f ) = { (x, y) P R2 | (x2 + y2 )2 = a2 (x2 − y2 ) }
= { (x, y) P R2 | i (x, y) − F1 i i (x, y) − F2 i = p2 }.
(c) Bringen Sie L(f ) mit geeignet definierten c, ε P R in die Form
π/2 1
L(f ) = c * dt.
0 £1 + ε2 sin2 t
(Der Integrand besitzt keine elementare Stammfunktion.)

2. Partielle Ableitungen
Wir betrachten nun Funktionen der Form f : Rn → R oder allgemeiner f : P → R

mit P ⊆ Rn , für eine beliebige Dimension n ≥ 1. Im Gegensatz zu den Kurven sind
nun die Funktionswerte reelle Skalare, während die Stellen reelle Vektoren sind.
Erneut genügt die eindimensionale Differentialrechnung, um einen Ableitungsbe-
griff für diesen Funktionstyp zu etablieren.
Schließlich betrachten wir noch allgemeiner Funktionen des Typs f : Rn → Rm
mit beliebigen Dimensionen n, m ≥ 1. In dieser Klasse sind vor allem die zwei
bzw. dreidimensionalen Vektorfelder
f : R2 → R2 bzw. f : R3 → R3
von Bedeutung.

Mehrdimensionale Definitionsbereiche
Im Folgenden seien immer n ≥ 1, P ⊆ Rn und f : P → R, wenn nichts anderes

gesagt wird. Der Leser denke in erster Linie an die Spezialfälle n = 2 und n = 3. Im
Fall n = 2 ist also P eine Teilmenge der Ebene, im Fall n = 3 eine Teilmenge des
dreidimensionalen Raumes. Die Funktionswerte sind immer Skalare. Ein Stan-
dardbeispiel ist die Funktion f : Rn → R, die jedem Vektor x = (x1 , …, xn ) einer ge-
gebenen Dimension n seine Euklidische Länge f(x) = i x i zuweist.
Ist x = (x1 , …, xn ) P P, so schreiben wir kurz f(x) = f(x1 , …, xn ) anstelle der kor-
rekteren Version f(x) = f((x1 , …, xn )). Im Fall n = 2 verwenden wir oft auch die Va-
riablen x, y und im Fall n = 3 die Variablen x, y, z, sodass die Funktionswerte die
Form f(x, y) bzw. f(x, y, z) annehmen.
Für die Dimension n = 2 stehen uns verschiedene Visualisierungsmöglichkei-
ten zur Verfügung. Eine davon ist:
Visualisierung durch Höhenlandschaften (3-D-Plots)

Wir tragen f(x, y) für alle (x, y) P P in eine dreidimensionale Graphik ein,
d. h., wir visualisieren den dreidimensionalen Graphen von f.
Diese Form der Visualisierung entspricht der üblichen graphischen Darstel-

lung einer reellen Funktion. Da sie aufwendig zu zeichnen ist, eignet sie sich vor
allem für Computervisualisierungen.
3D-Plot der Funktion f mit f(x, y) = arctan(y/x) für x ≠ 0

2. Partielle Ableitungen 271
Eine Alternative, die sich zumindest für einfache Funktion auch zur Visuali-
sierung per Hand eignet, besteht darin, einen sog. Kontur-Plot der Funktion
zu erstellen. Hierzu definieren wir allgemein für jede Dimension n:
Definition (Niveau-Menge, Höhenlinie)

Sei f : P → R. Für alle c P R setzen wir
nivf (c) = { v P P | f(v) = c }.
Die Teilmenge nivf (c) von P ⊆ Rn heißt die Niveaumenge von f zum Wert c.
Im Fall n = 2 nennen wir eine Niveaumenge auch eine Höhenlinie.
Für die Dimension n = 2 ergibt sich folgende Möglichkeit der Visualisierung:
Visualisierung durch Höhenliniendiagramme (Kontur-Plots)

Wir tragen die Niveaumengen nivf (c) für einige Werte c in ein zweidimen-
sionales Diagramm ein und versehen sie mit dem Wert c. Zusätzlich
können die Bereiche zwischen den Höhnenlinien eingefärbt werden.
Für viele Funktionen sind die Niveaumengen in der Tat Linien, sodass sich ein
Bild ergibt, das an klassische Landkarten mit Höhenlinien und eingetragenen
Höhen erinnert.
Kontur-Plot der Funktion f mit f(x, y) = arctan(y/x) für x ≠ 0

Beispiele
(1) Sei f : R2 → R definiert durch
f(x, y) = x2 + y2 für alle (x, y) P R2 .
Visualisiert als 3-D-Plot ist f ein Paraboloid. Für alle c P R gilt
nivf (c) = { (x, y) P R2 | x2 + y2 = c } = { (x, y) P R2 | i(x, y) i 2 = c }.
Im Fall c < 0 ist nivf (c) die leere Menge. Für c = 0 ist nivf (c) die
einpunktige Menge { 0 }. Ist c > 0, so ist nivf (c) ein Kreis mit Mittel-
punkt 0 und Radius £c.

(2) Sei f : R2 → R definiert durch

f(x, y) = x2 − y2 für alle (x, y) P R2 .
Im 3-D-Plot erscheint f als Sattelfläche. Für alle c P R gilt
nivf (c) = { (x, y) P R2 | x2 − y2 = c }.
Für c = 0 besteht die Menge nivf (0) = { (x, y) P R2 | |x| = |y| } aus den
beiden sich im Nullpunkt schneidenden Winkelhalbierenden. Für
Werte c ≠ 0 erhalten wir Hyperbeln in Hauptlage, d. h. die Winkelhal-
bierenden sind Asymptoten der Äste der Hyperbeln. Im Fall c > 0
schneiden die Äste die x-Achse, im Fall c < 0 die y-Achse.

Die Stetigkeit lässt sich wieder in zwei äquivalenten Versionen definieren:
Definition (Stetigkeit für mehrdimensionale Definitionsbereiche)

Sei f : P → R, und sei p P P. Dann heißt f ε-δ-stetig oder umgebungsstetig an
der Stelle p, falls gilt:
∀ε > 0 ∃δ > 0 ∀x P P (i x − p i < δ → |f(x) − f(p)| < ε).
Weiter heißt f folgenstetig an der Stelle p, falls für jede gegen p konvergente
Folge (xn )n P N in P gilt, dass limn f(xn ) = f(p).
In der ε-δ-Stetigkeit steht die Euklidische Norm im Vergleich zu den Kurven

nun auf der linken Seite der Implikation. Die logische Struktur (und Idee) der
Definition bleibt gleich.
Aufgrund der Äquivalenz der beiden Stetigkeitsdefinitionen können wieder
kurz von Stetigkeit sprechen.
Richtungsableitung und partielle Differenzierbarkeit
Sei w P Rn ein normierter Vektor. Wir fassen w als Richtungsvektor auf und
fragen, für einen gegebenen Punkt p P P, nach der Steigung von f : P → R an der
Stelle p in Richtung w. Ist n = 2 und f visualisiert als 3-D-Plot, so ist dies die Stei-
gung der durch f erzeugten Höhenlandschaft, die wir sehen, wenn wir von f(p)
aus in Richtung w blicken. Allgemein definieren wir:
Definition (Richtungsableitung)
Sei f : P → R. Weiter sei w P Rn mit i w i = 1. Für jedes p P P heißt, im Fall
der Existenz, die reelle Zahl
f(p + hw) − f(p)
∂w f (p) = limh →0
h
die Ableitung von f an der Stelle p in Richtung w. Existiert ∂w f (p), so heißt f an
der Stelle p in Richtung w differenzierbar.
Der Leser vergleiche die h-Formulierung des Differentialquotienten für

reelle Funktionen. Aufgrund der Normierheit von w ist i (p + hw) − p i = h.
Besonders ausgezeichnete Richtungen werden durch die Koordinatenachsen
definiert. Für ein gegebenes n ≥ 1 seien wieder
e1 = (1, 0, …, 0), …, en = (0, …, 0, 1).
die kanonischen Basisvektoren des Rn . Die Richtungsableitungen bzgl. dieser
Vektoren haben einen eigenen Namen und eigene Bezeichnungen:

Definition (Ableitung in Achsenrichtung, partielle Differenzierbarkeit)

Sei f : P → R. Für jedes p P P und j = 1, …, n heißt, im Fall der Existenz,
f(p + hej ) − f(p)

∂j f (p) = ∂ej f (p) = limh →0
h
die j-te partielle Ableitung von f an der Stelle p. Existieren alle Ableitungen
∂1 f (p), …, ∂n f (p), so heißt f partiell differenzierbar an der Stelle p.
Ist f an allen Stellen p P P partiell differenzierbar, so heißt f partiell
differenzierbar. Sind zudem alle Ableitungsfunktionen ∂j f : P → R stetig, so
heißt f stetig partiell differenzierbar oder kurz stetig differenzierbar.
Oft ist es nützlich, eine partielle Ableitung nicht durch eine Koordinate, son-
dern durch eine Variable anzugeben:
Notation
Ist f(x) = f(x1 , …, xn ) so schreiben wir auch
∂f(x) ∂
∂xj f(x), oder f (x) anstelle von ∂j f (x).
∂xj ∂xj
Ist f(x) = f(x1 , …, xn ) durch einen Term definiert, so können wir f partiell nach
einer Variable xj ableiten, indem wir alle anderen Variablen wie Konstanten be-
handeln und die üblichen eindimensionalen Ableitungsregeln auf die betrachtete
Variable anwenden.
Beispiele
(1) Sei f : R2 → R mit
f(x, y) = y e2x für alle (x, y) P R2 .
Dann gilt für alle (x, y) P R2 :
∂
∂1 f (x, y) = ∂x f (x, y) = ( y e2x ) = 2 y e2x ,
∂x
∂
∂2 f (x, y) = ∂y f (x, y) = ( y e2x ) = e2x .
∂y
(2) Sei P = { (x, y, z) P R3 | z > 0 } , und sei f : P → R mit

x
f(x, y, z) = x + 2x y + für alle (x, y, z) P P.
z
Dann gilt für alle (x, y, z) P R3 mit z > 0:
1 x
∂x f (x, y, z) = 1 + 2y + , ∂y f (x, y, z) = 2x, ∂z f (x, y, z) = − 2 .
z z

(3) Sei n ≥ 1 und f : Rn → R definiert durch

f(x) = i x i 2 = x1 2 + … + xn 2 für alle x = (x1 , …, xn ) P Rn .
Dann gilt für alle 1 ≤ j ≤ n und alle x P Rn
∂ ∂
∂j f (x) = f(x) = ( x1 2 + … + xn 2 ) = 2xj .
∂xj ∂xj
Wie im eindimensionalen Fall können wir auch die mehrfache Differenzier-

barkeit von f : P → R betrachten. Es gilt der wichtige Vertauschungssatz:
Satz (Satz von Schwarz)

Sei f : P → R zweimal stetig differenzierbar. Dann gilt ∂i ∂j f = ∂j ∂i f für
alle i, j P { 1, …, n }.
Der Leser überzeuge sich anhand der obigen Beispiele, dass die zweifachen
partiellen Ableitungen nach x,y bzw. z immer die gleiche Funktion ergeben, egal,
in welcher Reihenfolge sie durchgeführt werden. Für Beispiel 1 ist etwa
∂x ∂y f (x, y) = 2e2x = ∂y ∂x f (x, y) für alle (x, y) P R2 .
Gradienten
Die partiellen Ableitungen lassen sich zu einem Vektor zusammenfassen:
Definition (Gradient)
Seien n ≥ 1, P ⊆ Rn und f : P → R partiell differenzierbar an der Stelle
p P P. Dann heißt der Vektor
grad f (p) = (∂1 f (p), …, ∂n f (p)) P Rn
der Gradient von f an der Stelle p.
Beispiel
Sei f : R2 → R definiert durch f(x, y) = x2 + y2 für alle (x, y) P R2 . Dann gilt
grad f (x, y) = (2x, 2y) = 2(x, y) für alle (x, y) P R2 .
Um die geometrische Bedeutung des Gradienten zu ermitteln, betrachten wir

den Spezialfall n = 2. In Analogie zur Tangente definieren wir:
Definition (Tangentialebene)
Seien P ⊆ R2 und f : P → R partiell differenzierbar an der Stelle
p = (x0 , y0 ) P P. Dann heißt die Funktion g : R2 → R mit
g(x, y) = f(p) + ∂1 f (p) (x − x0 ) + ∂2 f (p) (y − y0 ) für alle (x, y) P R2
die Tangentialebene von f an der Stelle p.

Beispiel
Sei f : R2 → R mit f(x, y) = −3(x2 + y2 ). Weiter sei p = (0, 1). Dann berechnet
sich die Tangentialebene g von f an der Stelle p zu
g(x, y) = −3 − 0(x − 0) − 6(y − 1) = −6y + 3 für alle (x, y) P R2 .
3D-Plot von f und der Tangentialebene g an der Stelle p = (0, 1)
Die Tangentialebene können wir mit Hilfe des Skalarprodukts in der Form
g(x, y) = f(p) + ∂1 f(p) (x − x0 ) + ∂2 f(p) (y − y0 )
= f(p) + 〈grad f (p), (x, y) − (x0 , y0 )〉 = f(p) + 〈grad f (p), (x, y) − p〉
schreiben. Aus den geometrischen Eigenschaften des Euklidischen Skalarpro-
dukts ergibt sich:
Geometrische Bedeutung des Gradienten

Der Gradient grad f (p) zeigt in die Richtung des stärksten Anstiegs von f an
der Stelle p. Er steht senkrecht auf der Niveau-Linie nivf (c) für c = f(p).
Wir können uns den Gradienten als „Steigungskompass“ vorstellen. Dabei ist
der Gradient im Fall n = 2 ein Vektor der Ebene, nicht des dreidimensionalen
Raumes. Er zeigt in der Ebene (im Definitionsbereich von f ) in Richtung des
stärksten Anstiegs (des Graphen) von f. Analoge Überlegungen gelten für andere
Dimensionen, sodass die geometrische Bedeutung für alle n ≥ 1 gültig bleibt.

Gradienten im 3D-Plot für die Funktion f mit f(x, y) = x2 + y2
Gradienten im Kontur-Plot für die Funktion f mit f(x, y) = xy

Anwendungen des Gradienten
Mit Hilfe des Gradienten können wir die Richtungsableitung einer Funktion
in einfacher Weise berechnen. Es gilt der folgende Satz:
Satz (Gradient und Richtungsableitung)

Sei f : P → R stetig differenzierbar an der Stelle p P P. Weiter sei
w = (w1 , …, wn ) P Rn normiert. Dann existiert ∂w f(p) und es gilt
(+) ∂w f (p) = 〈grad f (p), w〉 = ∑ 1 ≤ j ≤ n ∂j f(p) wj .
Zur Begründung betrachten wir wieder den anschaulichen Spezialfall n = 2.

Hier ergibt sich der Satz wie folgt:
(1) Die Aussage lässt sich elementar beweisen, falls die Funktion f eine Ebene
ist (also mit ihrer Tangentialebene an der Stelle p übereinstimmt).
(2) Die Formel (+) überträgt sich (unter guten Voraussetzungen der
Differenzierbarkeit) von der Tangentialebene auf die Funktion.
Eine weitere wichtige Anwendung des Gradienten betrifft Extremwerte:
Definition (lokale Extremalstelle)

Sei f : P → R. Dann heißt ein p P P eine lokale Maximalstelle von f, falls gilt:
∃ε > 0 ∀x P P ( i x − p i < ε → f(x) ≤ f(p) ).
Gilt stärker
∃ε > 0 ∀x P P ( i x − p i < ε ∧ x ≠ p → f(x) < f(p) ),
so heißt p eine strikte lokale Maximalstelle. Analog ist eine (strikte) lokale
Minimalstelle definiert. Ist p eine (strikte) lokale Minimal- oder Maximal-
stelle, so heißt p eine (strikte) lokale Extremalstelle und f(p) ein zugehöriger
lokaler Extremwert von f.
Ist p eine lokale Extremalstelle einer partiell differenzierbaren Funktion, so ist

die Richtungsableitung von f an der Stelle p für alle Richtungen w gleich Null, da
andernfalls f in einer gewissen Richtung w steigen oder fallen würde. Damit gilt:
Satz (notwendige Bedingung für ein lokales Extremum)

Sei f : P → R partiell differenzierbar an der lokalen Extremalstelle p P P.
Dann gilt grad f (p) = 0.
Das Ergebnis erweitert die klassische notwendige Bedingung f ′(p) = 0 für lo-
kale Extrema einer reellen Funktion. Das Verschwinden des Gradienten ist
keine hinreichende Bedingung: Das eindimensionale Beispiel f : R → R mit
f(x) = x3 und f ′(0) = 0 wird im Mehrdimensionalen ergänzt durch die Sattelflä-

che f : R2 → R mit f(x, y) = x2 − y2 . Hier gilt gradf (0) = 0, aber die Funktion besitzt
im Nullpunkt weder ein lokales Maximum noch ein lokales Minimum.
Ein hinreichendes Kriterium für ein striktes lokales Minimum einer reellen
Funktion an einer kritischen Stelle p (d. h. f ′(p) = 0) ist, dass f ″(p) > 0. Um ein
mehrdimensionales Analogon dieses Kriteriums formulieren zu können, brau-
chen wir eine mehrdimensionale Version einer „zweiten Ableitung“:
Definition (Hesse-Matrix)
Sei f : P → R zweimal partiell differenzierbar, und sei p P P. Dann ist die
Hesse-Matrix H f (p) von f an der Stelle p definiert durch
H f (p) = ( ∂i ∂j f (p) )1 ≤ i, j ≤ n.
Die Hesse-Matrix Hf (p) ist eine reelle (n × n)-Matrix, deren Einträge aus allen
zweiten partiellen Ableitungen von f an der Stelle p bestehen. Ist f zweimal stetig
differenzierbar, so ist die Hesse-Matrix symmetrisch nach dem Satz von
Schwarz. In der Analysis zeigt man den folgenden Satz:
Satz (hinreichende Bedingung für ein lokales Extremum)

Sei f : P → R zweimal stetig differenzierbar, und sei p P P mit grad f (p) = 0.
Weiter sei die Hesse-Matrix H = Hf (p) positiv definit, d. h. es gelte
〈x, H x〉 > 0 für alle x P Rn mit x ≠ 0.
Dann ist p eine strikte lokale Minimalstelle von f.
An die Stelle von f ″(p) > 0 tritt also positive Definitheit der Hesse-Matrix
H = Hf (p). Um letztere festzustellen, stehen verschiedene Möglichkeiten zur
Verfügung. Für den Fall n = 2 sind zum Beispiel äquivalent:
(a) H ist positiv definit, d. h. 〈(x, y), H(x, y)〉 > 0 für alle (x, y) ≠ 0.
(b) H(1, 1) = ∂11 f (p) > 0 und det(H) = ∂11 f(p) ∂22 f(p) − (∂12 f(p))2 > 0.
(c) Alle Eigenwerte von H sind positiv.
Beispiel
Sei f : R2 → R mit f(x, y) = x2 + y2 − 2x + 2y + 2. Dann gilt
grad f (x, y) = (2x − 2, 2y + 2).
Damit hat f höchstens im Punkt p = (1, −1) ein lokales Extremum. Die
Hesse-Matrix Hf (p) = ((2, 0); (0, 2)) ist positiv definit, sodass p eine strikte
lokale Minimalstelle von f ist. Dies lässt sich auch geometrisch einsehen, da
f(x, y) = (x − 1)2 + (y + 1)2 ein nach oben geöffnetes Paraboloid ist.
Strikte lokale Maximalstellen können wir durch Übergang zu −f untersuchen

oder analoge Ergebnisse mit „die Hess-Matrix H ist negativ definit“ formulieren
(d. h. 〈x, H x〉 < 0 für alle x P Rn mit x ≠ 0).

Allgemeine mehrdimensionale Funktionen
Bisher haben wir Funktionen mit reellen Stellen und mehrdimensionalen

Werten sowie Funktionen mit mehrdimensionalen Stellen und reellen Werten
untersucht. Nun betrachten wir Funktionen, bei denen sowohl die Stellen als
auch die Werte reelle Vektoren sein können. Eine derartige Funktion hat die
Form
f : Rn → Rm bzw. f : P → Rm
mit n, m ≥ 1 und einem Definitionsbereich P ⊆ Rn . Die Stetigkeitsbegriffe kön-
nen wieder leicht angepasst werden:
Definition (Stetigkeit für mehrdimensionale Definitionsbereiche)

Sei f : P → Rm mit P ⊆ Rn , und sei p P P. Dann heißt f ε-δ-stetig oder
umgebungsstetig an der Stelle p, falls gilt:
∀ε > 0 ∃δ > 0 ∀x P P (i x − p i < δ → i f(x) − f(p) i < ε).
Weiter heißt f folgenstetig an der Stelle p, falls für jede gegen p konvergente
Folge (xn )n P N in P ⊆ Rn gilt, dass limn f(xn ) = f(p) in Rm .
In der ε-δ-Stetigkeit wird auf der linken Seite der Implikation die Euklidische
Norm im Rn verwendet, auf der rechten Seite die Euklidische Norm im Rm . Im
Fall n = m = 2 stimmt die Definition mit der Stetigkeit einer komplexen Funktion
überein, da der komplexe Betrag über die Euklidische Norm erklärt ist. Wir
sprechen wieder kurz von Stetigkeit, da beide Definitionen äquivalent sind.
Wie bei einer Kurve können wir eine Funktion f : P → Rm , P ⊆ Rn , in die reell-
wertigen Komponenten f1 , …, fm : P → R zerlegen, sodass
f(x) = f(x1 , …, xn ) = (f1 (x1 , …, xn ), …, fm (x1 , …, xn )) P Rm für alle x P P.
Die Funktion f ist genau dann stetig in p, wenn alle Komponentenfunktionen
f1 , …, fm stetig in p sind. Im Fall der Existenz können wir für alle Komponenten-
funktionen die n-dimensionalen Gradienten bilden:
grad f1 (p) = (∂1 f1 (p), …, ∂n f1 (p))
grad f2 (p) = (∂1 f2 (p), …, ∂n f2 (p))
…
grad fm (p) = (∂1 fm (p), …, ∂n fm (p))
Alle Gradienten sind Vektoren des Rn . Schreiben wir die Gradienten als Zeilen in
eine Matrix mit m Zeilen und n Spalten, so erhalten wir die sog. Jacobi-Matrix

Jf (p) = (∂j fi (p))1 ≤ i ≤ m, 1 ≤ j ≤ n =
∂f1 ∂f1 ∂f1

(p) (p) … (p)
∂x1 ∂x2 ∂xn
∂f2 ∂f2 ∂f2

(p) (p) … (p)
∂x1 ∂x2 ∂xn
… … … …
∂fm ∂fm ∂fm

(p) (p) … (p)
∂x1 ∂x2 ∂xn
von f an der Stelle p P P. Für die Dimensionen n = m = 1 hat die Jacobi-Matrix

Jf (p) nur eine Zeile und Spalte und den Eintrag f ′(p). Im Kurvenfall n = 1
stimmt Jf (p) mit dem als Spaltenvektor notierten Tangentialvektor f ′(p) von f
an der Stelle p überein. Im Fall m = 1 einer reellwertigen Funktion ist Jf (p) der
als einzeilige Matrix notierte Gradient von f an der Stelle p.
Definition (stetige Differenzierbarkeit)

Eine Funktion f : P → Rm , P ⊆ Rn , heißt (stetig) partiell differenzierbar, falls
alle Komponenten f1 , …, fm : P → R dies sind. Analog ist die mehrfache
(stetige) partielle Differenzierbarkeit definiert.
Statt „stetig partiell differenzierbar“ sagen wir auch kurz „stetig differenzier-
bar“. Für eine stetig differenzierbare Funktion lässt sich das folgende Analogon
zum Linearen Approximationssatz der eindimensionalen Differentialrechnung
beweisen:
(+) f(x) = f(p) + Jf (p) (x − p) + o(i x − p i) für x → p,
wobei o(i x − p i) für eine Funktion r : P → Rm steht mit
i r(x) i
limx →p = 0.
ix − pi
Das Ergebnis unterstützt noch einmal die Stellung der Jacobi-Matrix als Verall-
gemeinerung des eindimensionalen Ableitungsbegriffs.
Bemerkung
Es stellt sich heraus, dass die Gültigkeit von (+) etwas stärker als die
partielle Differenzierbarkeit, aber auch etwas schwächer als die stetige
partielle Differenzierbarkeit von f an der Stelle p ist. In der Analysis wird
deswegen ein weiterer Differenzierbarkeitsbegriff eingeführt, die sog. totale
Differenzierbarkeit einer Funktion f : P → Rm an einer Stelle p. Sie bedeutet
genau, dass sich f in der Form (+) schreiben lässt.

Vektorfelder und Differentialoperatoren
Zu den wichtigsten mehrdimensionalen Funktionen gehören die Vektorfelder,

bei denen die beiden beteiligten Dimensionen übereinstimmen:
Definition (Vektorfeld)
Seien n ≥ 1 und P ⊆ Rn . Dann heißt eine Funktion f : P → Rn ein
n-dimensionales (reelles) Vektorfeld.
Ein zweidimensionales Vektorfeld f : P → R2 können wir visualisieren, indem

wir an jeden Punkt p des Definitionsbereichs P von f den Vektor f(p) der Ebene
anheften. Analoges gilt für dreidimensionale Vektorfelder.
Das Vektorfeld f : R2 → R2 mit

1
f(x, y) = (y, x) für alle (x, y).
Der Übersichtlichkeit halber
0 werden die Vektoren skaliert.
-1
-2
-2 -1 0 1 2
Das Vektorfeld f : R3 → R3 mit

f(x, y, z) = (−y, x, 0) für alle (x, y, z)

Ein wichtiges Vektorfeld ist uns implizit schon begegnet:
Definition (Gradientenfeld)
Seien n ≥ 1, P ⊆ Rn und f : P → R differenzierbar. Dann heißt das
n-dimensionale Vektorfeld grad f : P → Rn mit
grad f (x) = ( ∂1 f (x), … , ∂n f (x) ) für alle x = (x1 , …, xn ) P P
das Gradientenfeld von f.
Wir stellen nun noch einige wichtige Operatoren für skalar- und vektorwer-
tige Funktionen im Überblick vor. Diese Operatoren sind vor allem in der Physik
von Bedeutung und werden dort genauer diskutiert.
Die Gradientenbildung erzeugt ein Vektorfeld aus einer skalarwertigen Funk-
tion. Die folgende Operation liefert umgekehrt eine skalarwertige Funktion aus
einem Vektorfeld:
Definition (Divergenz)
Sei g : P → Rn ein differenzierbares Vektorfeld. Dann definieren wir die
Divergenz div g : P → R des Vektorfeldes g durch
div g (x) = ∑ 1 ≤ j ≤ n ∂j gj (x) = ∂1 g1 (x) + … + ∂n gn (x) für alle x P P.
Ist p P P und gilt div g (p) > 0 bzw. div g (p) < 0, so heißt p eine Quelle bzw.
Senke von g. Gilt div(g)(p) = 0, so heißt g quellfrei an der Stelle p.
Ein Beispiel für eine Operation, die ein Vektorfeld in ein Vektorfeld über-
führt, ist:
Definition (Rotation)
Sei P ⊆ R3 und g : P → R3 ein dreidimensionales differenzierbares
Vektorfeld. Dann definieren wir die Rotation oder das Wirbelfeld
rot g : P → R3 von g durch
rot g (x) = ( ∂2 g3(x) − ∂3 g2(x), ∂3 g1 (x) − ∂1 g3 (x), ∂1 g2 (x) − ∂2 g1 (x) )
für alle x P P. Ist p P P mit rot g (p) = 0, so heißt g wirbelfrei an der Stelle p.
Der Nabla-Operator
Das Rechnen mit Gradient, Divergenz und Rotation wird oft übersichtlicher,
wenn wir, für eine gegebene Dimension n ≥ 1, den sog. n-dimensionalen Nabla-
Operator
= = ( ∂1, …, ∂n ) = ( ∂x∂ 1
, …,
∂
∂xn )
verwenden. Wir setzen

= f = (∂1 f, …, ∂n f ) = grad f,
〈=, g〉 = 〈(∂1 , …, ∂n ), (g1 , …, gn )〉 = div g,
= × g = (∂1 , ∂2 , ∂3 ) × (g1 , g2 , g3 ) = rot g, falls n = 3.
Dabei ist f : P → R mit P ⊆ Rn eine partiell differenzierbare skalarwertige

Funktion, während g : P → Rn , P ⊆ Rn ein differenzierbares Vektorfeld ist.
Die Rotation = × g ist nur für die Dimension 3 erklärt.
Schließlich definieren wir noch:
Definition (Laplace-Operator)
Seien n ≥ 1, P ⊆ Rn und f : P → R zweimal differenzierbar. Dann ist der
Laplace-Operator (angewendet auf f ) definiert durch
D f = =2 f = div grad f = 〈=, = f 〉.
Angewendet auf eine skalarwertige Funktion erzeugt der Laplace-Operator

wieder eine skalarwertige Funktion (über den „Umweg“ des Gradientenfeldes).
Es gilt
D f = ∑ 1 ≤ j ≤ n ∂j ∂j f = ∂1 ∂1 f + … + ∂n ∂n f,
sodass D f (p) = spur(Hf (p)). Die Quadrat-Notation =2 ist motiviert durch
Df = 〈(∂1 ∂1 , …, ∂n ∂n ), f 〉 = 〈(∂1 , …, ∂n ), (∂1 , …, ∂n )〉 f = 〈=, =〉 f.

Übungen
Übung 1
Visualisieren Sie die folgenden Funktionen f : R2 → R durch Höhenlinien-
diagramme (Kontur-Plots):
(a) f(x, y) = x + y,
(b) f(x, y) = i (x, y) i,
(c) f(x, y) = max(x, y),
(d) f(x, y) = x y.
Übung 2
Sei f : R2 → R mit
f(x, y) = x2 + y2 für alle (x, y) P R2 .
Weiter seien w P R2 normiert und p P R2 . Berechnen Sie die Richtungsab-
leitung ∂w f (p)
(a) durch Berechnung des Differentialquotienten wie in der Definition
der Richtungsableitung,
(b) durch Anwendung der Formel ∂w f (p) = 〈grad f (p), w〉.
Übung 3
Zeigen Sie unter der Voraussetzung der Definiertheit:
(a) grad(f g) = f grad g + g grad f für f, g : Rn → R,
(b) div(f g) = 〈grad f, g〉 + f div g für f : Rn → R, g : Rn → Rn .
Übung 4
Skizzieren Sie das Gradientenfeld der Funktion f : R2 − { 0 } → R2 mit
f(x, y) = i (x, y) i für alle (x, y) P R2 − { 0 }.
Übung 5
Sei f : R2 → R mit
f(x, y) = x2 − y2 für alle (x, y) P R2 .
Skizzieren Sie das Gradientenfeld von f und berechnen Sie
D f = div grad f.

Übung 6
Sei f : R2 → R definiert durch
2xy/(x2 + y2 ) (x, y) ≠ 0
f(x, y) =
{ 0
falls
sonst.
(a) Erstellen Sie ein Höhenlinien-Diagramm (Kontur-Plot) für f.

(b) Untersuchen Sie f auf Stetigkeit und partielle Differenzierbarkeit.
Übung 7
Sei f : R3 → R3 zweimal stetig differenzierbar. Zeigen Sie:
div rot f = 0.

3. Mehrdimensionale Integration
Wir schließen unseren Überblick über die mehrdimensionale Differential- und

Integralrechnung mit einer kurzen Diskussion der Berechnung von Volumina
und Oberflächen einfacher geometrischer Gebilde ab. Der eindimensionale In-
tegrationskalkül genügt, um diese Berechnungen durchzuführen.

Mehrdimensionale Integrale
In Analogie zum Riemann-Integral I(f ) einer reellen integrierbaren Funktion

f : [ a, b ] → R lässt sich ein Riemann-Integral für Funktionen des Typs f : P → R
mit P ⊆ Rn , P = [a1 , b1 ] × … × [an , bn ], einführen. Hierzu werden die Begriffe der
Partition und der Riemann-Summe verallgemeinert. Das Integral wird dann er-
neut durch
I(f ) = limδ(p) →0 ∑p f P R
definiert, vorausgesetzt, der Grenzwert existiert. Für die Dimension n = 2 be-
steht eine Partition p eines Rechtecks P = [ a, b ] × [ c, d ] zum Beispiel aus achsen-
parallelen Rechtecken und zugehörigen Stützstellen in diesen Rechtecken. Bei
der Bildung einer Riemann-Summe ∑ p f einer Funktion f : [ a, b ] × [ c, d ] → R
summieren wir die Produkte der Rechtecksflächen mit den Funktionswerten an
den Stützstellen.
Es zeigt sich, dass wir das Integral einer Funktion f : P → R mit einem n-dimen-
sionalen Definitionsbereich P in vielen Fällen durch n hintereinander ausgeführte
eindimensionale Integrale berechnen können. Wir definieren hierzu:
Definition (schnittweise integrierbar)

Eine Funktion f : [ a, b ] × [ c, d ] → R heißt schnittweise integrierbar, wenn
für alle x P [ a, b ] die Funktion f x : [ c, d ] → R, f x (y) = f(x, y), und für alle
y P [ c, d ] die Funktion f y : [ a, b ] → R, f y (x) = f(x, y), integrierbar ist.
Analog wird der Begriff für höhere Dimensionen erklärt.
Ist y P [c, d], so erhalten wir die reelle Funktion fy : [a, b] → R, indem wir den
dreidimensionalen Graphen von f mit der Ebene Ey = R × { y } × R schneiden und
diesen Schnitt als Funktion auf [ a, b ] lesen. Analoges gilt für die Schnitte fx .
Man kann zeigen, dass jede stetige Funktion schnittweise integrierbar ist.
Weiter gilt:
Satz (Berechnung als Mehrfachintegral)

Sei f : [ a, b ] × [ c, d ] → R schnittweise integrierbar. Dann gilt
d b b d
I(f ) = * * f(x, y) dx dy = * * f(x, y) dy dx.
c a a c
Eine analoge Aussage gilt für höhere Dimensionen.
Für den Fall n = 2 erlaubt der Satz die Berechnung von I(f ) durch die Berech-
nung zweier eindimensionaler Integrale. Dabei können wir frei wählen, ob wir
zuerst nach der ersten oder zweiten Variablen integrieren. Abhängig vom Inte-
granden kann die eine Variante einfacher sein als die andere.

3. Mehrdimensionale Integration 291
0.8
0.6
g
0.4
0.2
-1.0 -0.5 0.5 1.0
-0.2
Der y-Schnitt g : [ −1, 1 ] → R für y = −1/2 der Funktion f : [−1, 1 ]2 → R mit

f(x, y) = 1 − x2 − y2 für alle (x, y) P [ −1, 1 ]2 .
Wir schneiden f mit R × { −1/2 } × R und lesen den Schnitt als Funktion auf [ −1, 1 ].

Beispiel 1: Vertauschung der Integrationsreihenfolge

Sei f : [ 0, 1 ] × [ 0, 2 ] → R definiert durch
f(x, y) = 3x2 y für alle (x, y) P [ 0, 1 ] × [ 0, 2 ].
Dann gilt
2 1 2 x=1 2
I(f) = ** 3x2 y dx dy = * x3 y
x=0
dy = * y dy = 2.
0 0 0 0
Mit der anderen Integrationsreihenfolge ergibt sich
1 2 1 y=2 1
I(f) = ** 3x2 y dy dx = * 3x2 y2 /2
y=0
dx = * 6x2 dx = 2.
0 0 0 0
Interessanter ist:
Beispiel 2: Kugelvolumen
Sei r ≥ 0, und sei
K = { (x, y, z) P R3 | x2 + y2 + z2 ≤ r2 } ⊆ R3
die Vollkugel im R3 mit Radius r und Mittelpunkt 0. Zur Berechnung des
Volumens V(K) von K betrachten wir die Funktion f : [ −r, r ]2 → R mit
£r2 − (x2 + y2) , falls x2 + y2 ≤ r2 ,

f(x, y) =
{ 0 sonst.
Der Graph der Funktion f besteht aus der Nullfortsetzung der oberen
Hälfte der Kugeloberfläche auf das Quadrat [ −r, r ]2 . Es gilt V(K) = 2I(f).
Für jedes y P [ −r, r ] ist das Integral über den Schnitt f y : [ −r, r ] → R der
Flächeninhalt eines Halbkreises mit dem von y abhängigen Radius
ry = £r2 − y2 .
Damit gilt
r r 1 2
* fy (x) dx = * f(x, y) dx =
2
(r − y2 ) π für alle y P [ −r, r ].
−r −r
Wir erhalten also

r r r
V(K) = 2 I(f ) = 2 * * f(x, y) dx dy = π * r2 − y2 dy
−r −r −r
3
y=r 2r 4 3
= π r2 y − y3 /3
y = −r (
= π 2 r3 −
3
) =
3
r π.

Die obere Hälfte der Oberfläche der Kugel mit dem Radius r = 1 wird dargestellt durch
f(x, y) = 1 − x2 − y2 für alle (x, y) mit x2 + y2 ≤ 1.
Ein y-Schnitt ist ein Halbkreis mit Radius ry = £1 − y2 .

Das Cavalierische Prinzip
Viele Volumenberechnungen werden einfacher, wenn wir die zu messende

Menge nicht funktional darstellen, sondern die Flächeninhalte der (als Teil-
mengen der Ebene aufgefassten) Schnitte der Menge mit achsenparallelen
Ebenen aufintegrieren. Für jede Menge A ⊆ R3 und alle x, y, z P R setzen wir
S1 (A, x) = { (y, z) P R2 | (x, y, z) P A }, (x-Schnitt)
2
S2 (A, y) = { (x, z) P R | (x, y, z) P A }, (y-Schnitt)
2
S3 (A, z) = { (x, y) P R | (x, y, z) P A }. (z-Schnitt)
So ist zum Beispiel die oben betrachtete Kugel K ⊆ R mit Radius r aus Kreis-
3
scheiben zusammengesetzt. Der x-Schnitt

S1 (K, x) = { (y, z) P R2 | y2 + z2 ≤ r2 − x2 }
der Kugel K ist für jedes x P [ −r, r ] ein Vollkreis mit Radius
rx = £r2 − x2
und Flächeninhalt (r2 − x2 ) π . Integrieren wir diese Flächeninhalte von −r bis r,
so erhalten wir
r 2 r3 4 3
*
−r
(r2 − x2 ) π dx = ( 2 r3 −
3
)π =
3
r π,
also das Volumen V(K) der Kugel K. Der Leser vergleiche die Methode mit obi-
gem Beispiel. Eine funktionale Darstellung der Kugeloberfläche entfällt.
Man kann zeigen, dass dieses „Aufintegrieren von Flächeninhalten“ ein kor-
rektes Verfahren zur Berechnung von Volumina darstellt. Eine wichtige Folge-
rung ist:
Cavalierisches Prinzip
Seien A, B Teilmengen des R3 mit den Volumina V(A) bzw. V(B). Für alle
x P R gelte, dass die x-Schnitte von A und B denselben Flächeninhalt
besitzen. Dann gilt V(A) = V(B). Eine analoge Aussage gilt, wenn die
Flächeninhalte aller y- bzw. z-Schnitte übereinstimmen.
Allgemeiner bleiben diese Überlegungen für jede Dimension n ≥ 2 gültig. So

lässt sich zum Beispiel der Flächeninhalt F(A) einer Teilmenge A der Ebene R2
dadurch berechnen, dass die Längen der x-Schnitte
S1 (A, x) = { y P R | (x, y) P A }
von A aufintegriert werden. Voraussetzung ist, dass A einen wohldefinierten Flä-
cheninhalt und alle x-Schnitte von A eine wohldefinierte Länge besitzen.

Beispiel 1: Volumen eines Rotationskörpers

Sei f : [ a, b ] → R eine stetige Funktion. Wir betrachten die Menge
A = { (x, y, z) P R3 | x P [ a, b ], y2 + z2 ≤ f(x)2 }
die entsteht, wenn wir den Graphen von f im dreidimensionalen Raum um
die x-Achse rotieren. Für alle x P [ a, b ] ist der x-Schnitt S1 (A, x) ein Kreis
mit Radius |f(x)| und Fläche f(x)2 π. Damit berechnet sich des Volumen von
A zu
b
V(A) = π * f(x)2 dx.
a
Ist konkret f : [ 0, h ] → R mit

f(x) = a x für alle x P [ 0, h ],
wobei a, h > 0, so ist der Rotationskörper A ein Kreiskegel mit Höhe h und
Schnittflächen (ax)2 π für x P [ 0, h ]. Damit gilt
h a2 h 3 Fh
V(A) = π * (ax)2 dx = π
3
=
3
mit F = (ah)2 π,
0
in Übereinstimmung mit der Formel „1/3 mal Grundfläche mal Höhe“ der
Elementargeometrie.
Der Rotationskörper A für f : [ −3, 3 ] → R mit f(x) = arctan(x) für alle x P [ −3, 3 ].
Eine numerische Berechnung des nichtelementaren Integrals ergibt das Volumen
V(A) = 16,36…

Beispiel 2: Volumen eines Torus

Seien R ≥ r > 0, und sei
2
T = { (x, y, z) P R3 | ( R − £x2 + y2 ) + z2 ≤ r2 }
der Torus mit den Radien R ≥ r > 0. Der Torus T entsteht, wenn wir den
in der x-z-Ebene liegenden Kreis mit Mittelpunkt (R, 0, 0) und Radius r um
die z-Achse rotieren. Zur Berechnung des Volumens verwenden wir die
z-Schnitte S3 (T, z) von T. Für alle z P [ −r, r ] ist S3 (T, z) ein Kreisring mit
dem Flächeninhalt
(+) ( R + £r2 − z2 ) 2 π − ( R − £r2 − z2 ) 2 π = 4 R π £r2 − z2 .
Damit berechnet sich das Volumen des Torus zu

r
V(T) = * 4 R π £r2 − z2 dz = 4R π r2 π/2 = 2π2 Rr2 ,
−r
wobei wir verwenden, dass das Integral von −r bis r über £r2 − z2 in der
Variablen z den halben Flächeninhalt eines Kreises mit Radius r ergibt.
Der Torus T für R = 2 und r = 1. Der Schnitt mit der x-y-Ebene ergibt einen
Kreisring mit innerem Radius R − r = 1 und äußerem Radius R + r = 3. Verschieben
wir die Schnittebene entlang der z-Achse, erhalten wir einen Kreisring mit den in
der Formel (+) verwendeten Radien (vgl. die folgende Abbildung).

Zur Formel (+): Der innere Radius des Schnitts ist R − rz , der äußere R + rz , wobei
rz = £r2 − z2 .
Integration in Polarkoordinaten
Polarkoordinaten stellen eine weitere Möglichkeit dar, die Berechnung von

mehrdimensionalen Integralen zu vereinfachen. Anstelle einen zweidimensiona-
len Definitionsbereich waagrecht oder senkrecht abzutasten, können wir ihn
auch Kreis für Kreis oder Radius für Radius durchlaufen. Dies entspricht der
Verwendung von Polarkoordinaten (r, ϕ) anstelle der kartesischen Koordinaten
(x, y).
Im Folgenden nehmen wir zur Vereinfachung an, dass der Definitionsbe-
reich der zu integrierenden Funktion ein Vollkreis KR mit Mittelpunkt 0 und
Radius R ist. Durch Nullfortsetzung der Funktion können wir einen solchen
Definitionsbereich in ein Rechteck verwandeln, sodass der Begriff der Inte-
grierbarkeit erklärt ist. In Analogie zur schnittweisen Integrierbarkeit setzen
wir zudem die polare Integrierbarkeit voraus, d. h., die Existenz der Integrale
aller Kreis- und Radialschnitte der Funktion. Diese technische Voraussetzung
ist in allen einfachen Beispielen erfüllt.
Es gilt nun der folgende Integrationssatz:

Satz (Integration in ebenen Polarkoordinaten)

Sei f : KR → R eine polarintegrierbare Funktion. Dann gilt:
R 2π
I(f) = * * f (r cos ϕ, r sin ϕ) r dϕ dr
0 0
2π R
= * * f (r cos ϕ, r sin ϕ) r dr dϕ.
0 0
Anstelle ein Doppelintegral mit kartesischen Koordinaten x und y zu berech-

nen, können wir also mit gleichem Ergebnis ein Doppelintegral mit Polarkoor-
dinaten r und ϕ bestimmen, wobei wir dem polar berechneten Integral den Kor-
rekturfaktor r hinzufügen müssen. Er entspricht der Tatsache, dass der Umfang
eines Kreises mit Radius r das r-Fache des Umfangs des Einheitskreises ist. Inte-
grieren wir bei festem r über alle Winkel ϕ, so hat dieser Beitrag zum Integral das
r-fache Gewicht.
Beispiel 1: Kreisfläche
Sei R > 0, und sei f : KR → R konstant gleich 1 auf KR . Dann ist das
Integral I(f) die Fläche eines Kreises mit Radius R. Eine polare Berechnung
des Integrals ergibt
R 2π R r=R
I(f) = * * 1 r dϕ dr = * 2π r dr = π r2
r=0
= R2 π.
0 0 0
Beispiel 2: Die Gaußsche Glockenkurve

Die Gaußsche Glockenkurve g : R → R ist definiert durch
2
g(x) = e− x /2 für alle x P R.
1.0 g
0.8
0.6
0.4
0.2
-4 -2 2 4
Die Gaußsche Glockenkurve

Die Glockenkurve spielt in der Wahrscheinlichkeitstheorie eine fundamen-

tale Rolle bei der Untersuchung normalverteilter Zufallsvariablen. Das
uneigentliche Integral
∞ 2
γ = * e− x /2 dx
−∞
ist nicht leicht zu berechnen, da die Gaußsche Glockenkurve keine
elementare Stammfunktion besitzt. Mit Hilfe einer auf unbestimmte
Integrale erweiterten Integration in Polarkoordinaten gelingt die Berech-
nung des Quadrats von γ vergleichsweise leicht:
∞ ∞ ∞ ∞
γ2 = (* −∞
e− x /2 dx
2
)( * −∞
2
e− y /2 dy ) = * (*
−∞ −∞
2
) 2
e− x /2 dx e−y /2 dy
∞ ∞ 2 2 ∞ ∞ 2
+ y2 )/2
= * * e− x /2 e−y /2 dx dy = * * e− (x dx dy
−∞ −∞ −∞ −∞
∞ 2π 2 R 2
= * * e−r /2 r dϕ dr = 2π limR →∞ * e−r /2 r dr
0 0 0
2 r=R
= 2π limR → ∞ −e−r /2 = 2π ⋅ 1 = 2π.
r=0
Damit ist also γ = £2π.
Die Schnitte der Funktion f : R2 → R mit

f(x, y) = exp(−(x2 + y2 )/2) = g(x) g(y)
sind skalierte Glockenkurven.

Räumliche Polarkoordinaten
Eine dreidimensionale Variante der ebenen Polarkoordinaten verwendet zur

Beschreibung eines Punktes (x, y, z) P R3 die Koordinaten r, θ, ϕ mit der folgen-
den Bedeutung:
(1) Die Koordinate r ≥ 0 ist die Euklidische Länge von (x, y, z).
(2) Die Koordinate θ P [ 0, π ] ist der Winkel, den (x, y, z) mit der positiven
z-Achse einschließt.
(3) Die Koordinate ϕ P [ 0, 2π [ ist der Winkel der Projektion (x, y, 0) von
(x, y, z) auf die x-y-Ebene wie bei ebenen Polarkoordinaten.
Den Winkel θ können wir als (mathematischen) Breitengrad und den Winkel
ϕ als Längengrad eines Punktes auf der Oberfläche einer Kugel mit Radius r und
Mittelpunkt 0 auffassen. Räumlichen Polarkoordinaten (r, θ, ϕ) entsprechen die
kartesischen Koordinaten
(x, y, z) = r (sin θ cos ϕ, sin θ sin ϕ, cos θ).
Die Berechnung von r, θ, ϕ aus x, y, z erfolgt wie bei den ebenen Polarkoordina-
ten mit Hilfe der Euklidischen Norm und der Arkustangens-Funktion.
Der Punkt P hat die räumlichen Polarkoordinaten (r, θ, ϕ)

Das Integral einer auf einer Kugel KR ⊆ R3 mit Radius R und Mittelpunkt 0
definierten Funktion lässt sich mit räumlichen Polarkoordinaten wie folgt be-
rechnen:
Satz (Integration in räumlichen Polarkoordinaten)

Sei f : KR → R eine polarintegrierbare Funktion. Dann gilt
R π 2π
I(f) = * * * f ( r sin θ cos ϕ, r sin θ sin ϕ, r cos θ ) r2 sin θ dϕ dθ dr.
0 0 0
Erneut sind auch andere Reihenfolgen der Integrale gleichwertig.
Bei festem Radius r und festem Winkel θ durchläuft der durch die räumli-
chen Polarkoordinaten (r, θ, ϕ) spezifizierte Punkt des Raumes im Winkel ϕ
den durch θ definierten Breitenkreis der Kugel Kr . Variiert nun θ von 0 bis π,
so überstreichen diese Breitenkreise die gesamte Oberfläche von Kr . Variieren
wir nun den Radius r von 0 bis R, so schöpfen wir die Vollkugel mit Radius R
vollständig durch Kugeloberflächen aus. Der erste Korrekturfaktor r2 ent-
spricht der Tatsache, dass die Oberfläche einer Kugel quadratisch in ihrem Ra-
dius wächst. Analog ist der zweite Korrekturfaktor sin(θ) darauf zurückzufüh-
ren, dass in die Umfänge der durch θ definierten Breitenkreise der Sinus des
Winkels θ einfließt.
Die Berechnung des Kugelvolumens ist nun besonders einfach:
Beispiel: Berechnung der Kugelvolumens

Sei K ⊆ R3 die Vollkugel mit Mittelpunkt 0 und Radius R > 0. Dann gilt
R π 2π
V(K) = * * * 1 ⋅ r2 sin θ dϕ dθ dr
0 0 0
R π
= * * 2π r2 sin θ dθ dr
0 0
R π R 4 3
= 2π * r2 − cos θ dr = * 4 π r2 dr = R π.
0 3
0 0
Inhalte von Rotationsflächen
Zum Abschluss diskutieren wir noch eine Formel für den Flächeninhalt einer
dreidimensionalen Rotationsfläche. Eine solche Fläche erhalten wir, indem wir
die Spur einer in einer Ebene verlaufenden Kurve um eine Achse rotieren. Wir
beschränken uns im Folgenden auf Kurven, die in der rechten Hälfte der x-z-
Ebene verlaufen und um die z-Achse rotiert werden. Der Leser denke an das
Töpfern zur Visualisierung der entstehenden Rotationsflächen.

Definition (Rotationsfläche einer Kurve)

Sei f : [ a, b ] → R3 eine Kurve mit f1 (t) ≥ 0 und f2 (t) = 0 für alle t P [ a, b ].
Weiter sei f injektiv auf ] a, b [. Dann heißt f eine Rotationskurve und
ρ(f ) = { (x, y, f3(t)) P R3 | t P [ a, b ], x2 + y2 = f1 (t) 2 }
die durch f erzeugte Rotationsfläche.
Rotationsfläche der Kurve f : [ 0, 2π] → R3 mit f(t) = (t, 0, cos t + 1/4 cos(4t) + 5/4)
Unser Ziel ist die Berechnung der Oberfläche (genauer: des Oberflächenin-
halts) Ar(ρ(f )) der Fläche ρ(f ).
Warnung
Ein naives Aufintegrieren von Kreisumfängen führt in der Regel zu falschen
Ergebnissen. Integrieren wir zum Beispiel die Umfänge der Breitenkreise
einer Kugel K mit Radius r und Mittelpunkt 0, so erhalten wir
r
* 2π £r2 − z2 dz = 2π r2 π/2 = π2 r2 ,
−r
also nicht den korrekten Wert 4r2 π.
Die Grundmethode „Approximation und Grenzwertbildung“ der Analysis lie-

fert eine korrekte Formel. Approximieren wir eine Rotationskurve f : [a, b] → R3
durch einen Polygonzug, so ist das zugehörige Rotationsgebilde aus den Mantel-
flächen von Kegelstümpfen (abgeschnittenen Kreiskegeln) zusammengesetzt.
Die Mantelfläche eines Kegelstumpfes der Höhe h mit den Radien r1 und r2 be-
rechnet sich elementargeometrisch zu

(+) π (r1 + r2 ) s, wobei s = £(r1 − r2)2 + h2. (Mantelflächenformel)
Die Größe s ist dabei die Länge einer Mantellinie des Kegelstumpfes.
Ein Kegelstumpf mit Radien r1 > r2 und Höhe h.

Im Fall r1 < r2 verjüngt sich der Stumpf nach unten.
Im Fall r1 = r2 ergibt sich ein Zylinder, im Fall h = 0 ein Kreisring.
Bemerkung
Die Formel (+) liefert im degenerierten Fall h = 0 die Fläche
π (r1 + r2 ) s = π (r1 + r2 )|r1 − r2 | = π max(r1 , r2 )2 − π min(r1 , r2 )2
eines Kreisrings mit den Radien r1 und r2 .
Ist nun p = (tk )k ≤ n eine stützstellenfreie Partition von [ a, b ], so ist nach (+)
Ar(p, f) = ∑ k ≤ n π ( f1 (tk ) + f1 (tk + 1 ) ) i f(tk + 1 ) − f(tk ) i
eine Approximation an Ar(ρ(f )). Ist p sehr fein, so ist π (f1 (tk + 1 ) + f1 (tk )) für alle
t P [ tk , k + 1 ] ungefähr gleich 2π f1 (t). Fügen wir 1/∆k ⋅ ∆k mit ∆k = tk + 1 − tk an
die Norm an, so wird folgendes Ergebnis plausibel:
Satz (Inhalt der Rotationsfläche einer Kurve)

Sei f : [ a, b ] → R3 eine stetig differenzierbare Rotationskurve. Dann gilt
b
Ar(ρ(f )) = * 2 π f1 (t) i f ′(t) i dt.
a

Ist die Kurve f durch einen Graphen auf der z-Achse definiert, d.h. gibt es eine
Funktion g : [ a, b ] → [ 0, ∞ [ mit
f(t) = (g(t), 0, t) für alle t P [ a, b ],
so erhalten wir die speziellere Formel
b
Ar(ρ(f )) = * 2 π g(t) £1 + g′(t)2 dt.
a
Der Leser vergleiche die Formeln mit den entsprechenden Ergebnissen für die
Längen von Kurven.
Beispiel 1: Kugeloberfläche
Sei r > 0 und f : [ 0, π ] → R3 definiert durch
f(t) = r (sin t, 0, cos t) für alle t P [ 0, π ].
Dann ist ρ(f) die Oberfläche einer Kugel K mit Radius r. Die Norm der
Ableitung der Kurve f ist konstant gleich r, sodass
π t=π
Ar(ρ(f )) = * 2 π r sin(t) r dt = − 2 r2 π cos t
t=0
= 4 r2 π.
0
Beispiel 2: Oberfläche eines Torus

Seien R ≥ r > 0, und sei f : [ 0, 2π ] → R3 mit
f(t) = (r cos(t) + R, 0, r sin(t)) für alle t P [ 0, 2π ].
Die Spur von f ist ein Kreis in der rechten Hälfte der x-z-Ebene mit Radius
r und Mittelpunkt (R, 0, 0). Die Norm der Ableitung von f ist erneut
konstant gleich r. Der durch Rotation der Kurve um die z-Achse entste-
hende Torus T = ρ(f ) hat damit die Oberfläche
2π
Ar(ρ(f )) = * 2 π (r cos(t) + R) r dt
0
t=2π
= 2 π r r sin(t) + Rt = 2π r 2 π R = 4 π2 r R.
t=0
Eine numerische Approximation
Zum Abschluss möchten wir die Oberfläche der Einheitssphäre

S2 = { (x, y, z) P R3 | x2 + y2 + z2 = 1 }
noch numerisch mit Hilfe der entwickelten Theorie berechnen. Sei hierzu n ≥ 1
gegeben. Wir setzen δ = 2/n und teilen das Intervall [−1, 1] der z-Achse durch die
Zerlegungspunkte
t0 = −1, t1 = −1 + δ, t2 = −1 + 2δ, …, tn = 1

in n gleichlange Intervalle der Länge δ auf. Nun betrachten wir die n Kegel-
stümpfe der Höhe δ, deren Radien durch die Funktion g : [ −1, 1 ] → R mit
g(z) = £1 − z2 für alle z P [ −1, 1 ]
definiert sind. Sei also rk = g(tk ) für alle k ≤ n. Dann ist
An = ∑ 0 ≤ k < n π (rk + rk + 1 ) £(rk − rk + 1 )2 + δ2
eine Approximation an die Oberfläche von S2 . Es gilt

limn An = 4π = 12,56637061…
Die folgende Tabelle zeigt einige gerundete Werte von An und 4π − An .
n An 4π − An
4 11,51049 1,0559
6 12,06174 0,50463
8 12,26840 0,29797
10 12,36866 0,19771
20 12,51150 0,054871
50 12,55644 0,0099308
100 12,56367 0,0027004
Approximation der Einheitssphäre durch 4, 6, 8 und 10 gleichhohe Kegelstümpfe

Übungen
Übung 1
Berechnen Sie das Volumen eines Kegels der Höhe h und Grundfläche
F = r2 π mit Hilfe des Cavalierischen Prinzips.
Übung 2
Begründen Sie die Additivität I(f + g) = I(f) + I(g) des Riemann-Integrals mit
Hilfe des Cavalierischen Prinzips.
Übung 3
Seien a, b, c > 0, und sei
E = { (x, y, z) P R | ( xa ) + ( by ) + ( zc )
3
2 2 2
≤ 1 }
das achsenparallele Ellipsoid mit den Halbachsen a, b, c. Berechnen Sie das
Volumen von E mit Hilfe des Cavalierischen Prinzips.
Übung 4
Einen Torus T mit Radien R ≥ r ≥ 0 erhalten wir, indem wir einen Kreis der
x-z-Ebene mit Radius r und Mittelpunkt (R, 0, 0) um die z-Achse rotieren.
Jeder Drehwinkel ϕ P [ 0, 2π ] erzeugt dabei einen Kreis mit der Fläche r2 π.
Integrieren wir alle diese Flächen auf, so erhalten wir 2πr2 π = 4π2 r2 .
Begründen Sie, warum diese Argumentation nicht das Torusvolumen
liefert.
Übung 5
Sei f : [ a, b ] → R3 eine Rotationskurve. Erklären Sie die Definition
ρ(f ) = { (x, y, f3(t)) P R3 | t P [ a, b ], x2 + y2 = f1 (t) 2 } .
der durch f erzeugten Rotationsfläche mit Hilfe einer Skizze.
Übung 6
Begründen Sie die Formel für die Mantelfläche eines Kegelstumpfes
elementargeometrisch.
Übung 7
Berechnen Sie die Oberfläche eines Kegels der Höhe h und Grundfläche
F = r2 π mit Hilfe der Oberflächenformel für Rotationsflächen.

Anhänge

1. Kompetenzorientierte Aufgaben
Die folgenden Aufgaben können nach der Lektüre des Buches als zusätzliche
Übungen bearbeitet werden. Darüber hinaus eignen sie sich als Muster bzw.
Grundlage für eine schriftliche kompetenzorientierte Prüfung. Wir betrachten
hier die folgenden Kompetenzen:
(1) Grundwissen Definitionen und Sätze: Fachsprachlich exakte Definition
von Begriffen, Objekten und Notationen sowie vollständige Formulierung
von Sätzen und Axiomen.
(2) Kalkül: Berechnungen, Umformungen, Durchführung von Algorithmen
zur Ergebnisfindung.
(3) Anschauliche mathematische Sprache: Erstellen von beschrifteten
Diagrammen zur Visualisierung von mathematischen Objekten, Zusam-
menhängen, Argumenten und Ergebnissen.
(4) Formale mathematische Sprache: Elementare Beweisführung mit genauer
Beachtung der Konventionen der Fachkultur.
(5) Schulwissen vom höheren Standpunkt: Anwendung und Diskussion von
im Vergleich zur Schule erweiterten und transformierten Inhalten,
Methoden und Sichtweisen.
Für eine schriftliche Prüfung kann zum Beispiel je eine Aufgabe pro Kompetenz
erstellt werden.
Mathematische Kompetenzen überschneiden sich häufig und es lassen sich
viele weitere Kompetenzen formulieren. Wir können zum Beispiel eine eigene
Kompetenz „Diskussion von Beispielen und Gegenbeispielen“ betrachten oder
die Kompetenz (1) entsprechend erweitern. Wichtige Kompetenzen im zentra-
len Themenfeld „Beweisen“ sind:
(6) Wiedergabe bekannter Beweise: Detaillierte Reproduktion von Argumen-
ten, Zusammenfassen von Beweisen, Formulierung von Beweisideen.
(7) Eigenständiges Beweisen: Übertragung von bekannten Argumentations-
mustern auf neue Fragestellungen, Problemlösen durch Anwendung von
Lösungsstrategien.
Im zweiten Teil des Buches diskutieren wir weitere Aufgaben, die den Kompe-
tenzen (1), (2), (3), (6) und (7) zugeordnet sind. Dadurch ergeben sich Prüfungen
mit anderer Gewichtung.

310 Anhänge
Grundwissen Definitionen und Sätze
Aufgabe 1
(1) Definieren Sie:
(a) Taylor-Reihe einer Funktion f : R → R an der Stelle 1
(b) ε-δ-Stetigkeit einer Funktion g : [ 0, ∞ [ → R an der Stelle 0
(c) Matrix-Vektor-Produkt im R2
(d) Ebene im R3
(2) Formulieren Sie die folgenden Sätze:
(a) Polynomdivision mit Rest
(b) Klassifikation der orthogonalen reellen (2 x 2)-Matrizen
Aufgabe 2
(1) Definieren Sie:
(a) Reelle Arkustangens-Funktion
(b) ∑ n ≥ 0 xn = a (für eine Folge (xn )n P N in R und a P R)
(c) Kreis in der Ebene R2 (mit beliebigem Radius und Mittelpunkt)
(d) Affine Gerade im R3
(a) Quotientenkriterium für Reihen in R
(b) Äquivalenzen zur Invertierbarkeit einer Matrix A P R2 × 2 (vier
Aussagen Ihrer Wahl)
Aufgabe 3
(1) Definieren Sie:
(a) Limesstetigkeit einer Funktion g : [ 0, 1 ] → R an der Stelle 1
(b) limn →∞ xn = ∞ für eine Folge (xn )n P N reeller Zahlen
(c) Komplexe Exponentialreihe
(d) Grad eines reellen Polynoms
(2) Formulieren Sie den Hauptsatz der Integral- und Differentialrech-
nung in beiden Versionen.

1. Kompetenzorientierte Aufgaben 311
Aufgabe 4
(1) Definieren Sie:
(a) Differenzierbarkeit einer reellen Funktion g : [ a, b ] → R
(b) Reelle geometrische Reihe
(c) s = sup(X) (für s P R und X ⊆ R)
(d) Taylor-Polynom der Ordnung 3 einer dreimal differenzierbaren
Funktion f : R → R an der Stelle 1
(a) Ungleichung von Cauchy-Schwarz
(b) Äquivalenzen zur Orthogonalität einer reellen (2 × 2)-Matrix A
(vier Aussagen Ihrer Wahl)
Aufgabe 5
(1) Definieren Sie:
(a) Parabel in R (als Funktion)
(b) Unendliche Reihe in R
(c) 0,999…
(d) reelle Exponentialfunktion (mit Hilfe der Ableitung)
(a) Konvergenz der geometrischen Reihe in C
(b) Approximationssatz der Differentialrechnung
Aufgabe 6
(1) Definieren Sie:
(a) allgemeine Exponentialfunktionen expa : R → R
(b) Schmiegeparabel von f : R → R im Punkt p P R
(c) Projektion des Vektors w P R2 auf den Vektor v P R2
(d) Von v, w P R2 aufgespanntes Parallelogramm
(a) Vollständigkeit von R
(b) Hauptsatz der Differential- und Integralrechnung (eine Version
Ihrer Wahl)

312 Anhänge
Kalkül
Aufgabe 1
Bestimmen Sie mit Hilfe der Integrationsregeln:
(a) * log2(x) dx.

(b) *e £x
dx.
Aufgabe 2
(1) * cot x dx.
(2) * £1 + £x dx.
Aufgabe 3
2x − 1
(1) * x2 − 1
dx.
(2) * log(1 + £x) dx.
Aufgabe 4
(1) Bestimmen Sie mit Hilfe der Integrationsregeln:
* x2 arcsin x dx.
Dabei dürfen Sie arcsin′(x) = 1/£1 − x2 verwenden.
(2) Bestimmen Sie die Eigenwerte und zugehörige Eigenvektoren der
reellen Matrix
4 2
A = .
2 1

Aufgabe 5
(1) Zeigen Sie, dass d/dx arccos x = − 1/£1 − x2 .
π
(2) Zeigen Sie, dass * £1 − cos(x) dx = 2 £2.
0
(3) Sei f : [ 0, 2π ] → R2 die Kurve mit

f(t) = (t − sin t, 1 − cos t) für alle t P [ 0, 2π ].
Skizzieren Sie Spur(f) und berechnen Sie L(f ).
Aufgabe 6
(1) Berechnen Sie die Ableitung von arcsin : [ −1, 1 ] → R mit Hilfe der
Ableitungsregeln. Illustrieren Sie die verwendete trigonometrische
Identität durch eine Skizze.
(2) Skizzieren Sie die Kurve f : [ 0, 2π ] → R2 mit
f(t) = (cos3 (t), sin3 (t)) für alle t P [ 0, 2π ]
und berechnen Sie die Länge L(f ).
(3) Seien u1 , u2 , u3 P R. Lösen Sie das Gleichungssystem
x + y + z = u1
x − 2y = u2
x + y − z = u3
in den Unbestimmten x, y, z durch Invertierung seiner Koeffizienten-
matrix.
Anschauliche mathematische Sprache
Aufgabe 1
Geben Sie den maximalen Definitionsbereich der durch den Term
1/(1 − log(x2 )) definierten reellen Funktion an. Skizzieren Sie den Graphen
der Funktion qualitativ möglichst genau.
Aufgabe 2
Veranschaulichen Sie die Abbildungseigenschaften der reellen (2 × 2)-
Matrizen A und B mit
1 1 −1 1 2
A = , B =
£2 1 1 3 −1
jeweils durch eine beschriftete Skizze.

314 Anhänge
Aufgabe 3
Sei f : R → R definiert durch
x≥0
f(x) =
{ x+1
x
falls
falls x<0
Erläutern Sie durch je ein beschriftetes Diagramm:

(1) die ε-δ-Unstetigkeit von f im Punkt 0.
(2) die Limesunstetigkeit von f im Punkt 0.
Aufgabe 4
Für alle c P R sei Lc die Lösungsmenge der Gleichung
−x + 2y = £5 c
in den reellen Unbestimmten x, y.
Visualisieren Sie L0 und allgemein Lc in Abhängigkeit von c P R durch ein
beschriftetes Diagramm. Achten Sie darauf, dass die geometrische
Bedeutung der Koeffizienten der Gleichung, des Parameters c und der
Konstanten £5 deutlich wird. Ergänzen Sie Ihr Diagramm durch kurze
Erklärungen, die die mathematischen Zusammenhänge aufzeigen.
Aufgabe 5
Illustrieren Sie mit Hilfe von beschrifteten Diagrammen:
(a) die Ableitungsregel für die Umkehrfunktion
(b) die Aussage: „Ein Vorzeichenwechsel der Ableitung ist keine
notwendige Bedingung für ein lokales Extremum.“
(c) den Zusammenhang zwischen den Funktionen log 2 : ] 0, ∞ [ → R
und log 8 : ] 0, ∞ [ → R
Aufgabe 6
Die Fibonacci-Zahlen F0 , F1 , F2 , … sind rekursiv definiert durch:
F0 = F1 = 1, Fn + 2 = Fn + Fn + 1 für alle n ≥ 0.
Es gilt:
(#) Fn + 1 2 = 4 Fn Fn − 1 + Fn − 2 2 für alle n ≥ 2.
Visualisieren Sie die Aussage (#), indem Sie ein Quadrat mit der Seiten-
länge Fn + 1 geeignet zerlegen.

Formale mathematische Sprache
Aufgabe 1
Sei x ≥ − 1. Zeigen Sie mit Hilfe vollständiger Induktion:
(1 + x)n ≥ 1 + nx für alle n P N.
Achten Sie dabei auf Genauigkeit, Lesbarkeit und Struktur der Argumenta-
tion.
Aufgabe 2
Wir betrachten eine beliebige Menge A, eine Funktion f : A → A und die
Verknüpfung g : A → A von f mit sich selbst, d. h. g = f + f . Zeigen oder
widerlegen Sie:
(a) Ist f injektiv, so ist g injektiv.
(b) Ist g injektiv, so ist f injektiv.
(c) Ist g die Identität auf A, so ist f die Identität auf A.
Aufgabe 3
(1) Zeigen Sie durch vollständige Induktion:
∑ 1 ≤ k ≤ n k (3k + 1) = n (n + 1)2.
(2) Beweisen Sie die Formel in (1) alternativ unter Verwendung der
Summenformeln
n(n + 1) n(n + 1)(2n + 1)
∑1 ≤ k ≤ n k = , ∑ 1 ≤ k ≤ n k2 = .
2 6
Aufgabe 4
Seien f, g : R → R differenzierbar an der Stelle p P R. Weiter sei h = f g.
Zeigen Sie mit Hilfe des linearen Approximationssatzes und der Landau-
Notation, dass die Funktion h an der Stelle p differenzierbar ist mit
h′(p) = f ′(p) g(p) + f(p) g′(p).
Aufgabe 5
(1) Zeigen Sie unter Verwendung von exp′ = exp mit Hilfe der Ableitungs-
regel für die Umkehrfunktion, dass d/dx log(x) = 1/x für alle x > 0.
(2) Für alle n ≥ 1 bezeichne log(n) die n-te Ableitung der Logarithmus-
funktion log. Zeigen Sie durch vollständige Induktion nach n ≥ 1:
1
log(n) (x) = (−1)n − 1 (n − 1)! für alle x > 0.
xn

316 Anhänge
Aufgabe 6
(1) Zeigen Sie durch vollständige Induktion:
∑ 0 ≤ k ≤ n (6k + 1) = (n + 1) (3n + 1) für alle natürlichen Zahlen n ≥ 0.
(2) Zeigen Sie unter Verwendung der Linearität des Euklidischen
Skalarprodukts:
∀n ≥ 1 ∀v, w P Rn 4 〈v, w〉 = i v + w i 2 − i v − w i 2 .
Schulwissen vom höheren Standpunkt
Aufgabe 1
(1) Beweisen Sie die Additionstheoreme des Kosinus und Sinus mit Hilfe
des Additionstheorems der komplexen Exponentialfunktion und der
Eulerschen Formel.
(2) Leiten Sie Potenzreihendarstellung der reellen Sinusfunktion aus der
komplexen Exponentialreihe und der Eulerschen Formel her.
Aufgabe 2
Sei D das durch die komplexen dritten Einheitswurzeln z0 , z1 , z2 definierte
Dreieck (mit z0 = 1).
(a) Skizzieren Sie D und geben Sie in Ihrer Skizze die Ecken z0 , z1 , z2
von D mit Hilfe der komplexen Exponentialfunktion an.
(b) Zeigen Sie mit Hilfe komplexer Argumentation, dass D gleichseitig
ist.
(c) Bestimmen Sie z1 + z2 .
(d) Zeigen Sie mit Hilfe von (a) − (c), dass cos(2π/3) = − 1/2.
Aufgabe 3
(a) Beweisen Sie die Ableitungsregeln der reellen Kosinus- und
Sinusfunktion mit Hilfe der Eulerschen Formel und der Ableitungs-
regel d/dx exp(ix) = i exp(ix). Begründen Sie die wichtigsten
Argumentationsschritte explizit.
(b) Zeigen Sie mit Hilfe der Reihendarstellung des Sinus:
limx →0 sin(x)/x = 1.
(c) Begründen Sie den Grenzwert in (b) geometrisch mit Hilfe eines
beschrifteten Diagramms (anschaulich, ohne vollständigen Beweis).
(d) Wo spielt der Grenzwert in (b) eine wichtige Rolle?

Aufgabe 4
Betrachten Sie folgende Aussage:
„Eine Parabel lässt sich eindeutig als Produkt zweier Geraden schreiben.“
Diskutieren Sie diese Aussage umfassend und mit Begründungen im
Hinblick auf die Zahlbereiche R und C.
Aufgabe 5
Sei E die achsenparallele Ellipse mit Mittelpunkt 0, großer Halbachse 1
und kleiner Halbachse 1/2.
(1) Definieren Sie E als Teilmenge der Ebene mit Hilfe einer algebrai-
schen Gleichung. Visualisieren Sie die Definition durch eine Skizze.
(2) Definieren Sie E als Teilmenge der Ebene mit Hilfe von Brennpunk-
ten. Visualisieren Sie die Definition durch eine Skizze.
(3) Parametrisieren Sie E in der Zeit t. Erstellen Sie eine weitere Skizze,
die die geometrische Bedeutung des Parameters t veranschaulicht und
fassen Sie diese Bedeutung in einem Satz zusammen.
Aufgabe 6
(1) Geben Sie einen geometrischen Beweis des Thalessatzes, der nur
elementare Eigenschaften von Winkeln in Dreiecken verwendet.
(2) Beweisen Sie den Thalessatz mit Hilfe von Vektoren der reellen Ebene
und einem Orthogonalitätsargument. Erstellen Sie ein Diagramm zur
Illustration Ihrer Argumentation.

2. Notationen
X≤s 9 〈v w〉 129 ∂w f(p) 274

s = max(X) 10 ivi1 132 ∂j f(p) 275
s = sup(X) 10 izi 134 gradf 276
X+Y 13 〈z, w〉 134 Hf 280
X⋅Y 13 ] 138 divg 284
cX 13 A(i, j) 160 rotg 284
−X 13 R2×2 160 = 284
Sp f 22 At 161 =f 285
sp f 22 E2 162 〈=, g〉 285
Sf 23 δij 162 =×g 285
sf 23 diag(d1 , d2 ) 162 D 285
∑ n P N xn 35 fA 165 =2 285
∞
∑n = 0 xn 35 A[P] 176 I(f) 290
limx → p f(x) 48 G(v) 217 S1 (A, x) 294
si(x) 49 span(v) 217 S2 (A, y) 294
limx ↑p f(x) 55 E(v, w) 217 S3 (A, z) 294
C 67 span(v, w) 217 ρ(f) 302
i 70 P + u 217 Ar(ρ(f)) 302
Re(z) 71 A(i, j) 238 S2 304
Im(z) 71 diag(a, b, c) 238
|z| 71 At 238
z 71 R3×3 238
ζnk 84 fA 240
limn zn 100 prG 240
Uε (z) 100 prE 241
∑ n zn 101 A−1 244
limz →p f(z) 101 Wij (λ) 247
Rn 122 limn → ∞ xn 256
ivi 126 spur(f) 258
ivimax 126 f ′(t) 259
v̂ 127 Lp f 263
〈v, w〉 129 L(f) 264
v•w 129 nivf 271

3. Index
A Determinante 145 , 169 , 228

Ableitung 102 , 259 , 274 Diagonale 160 , 238
Abstand 134 Diagonaleinträge 160
Achsenrichtung 275 Diagonalisierung 203
Addition 67 , 123 Diagonalmatrix 160 , 238
Additionstyp 247 dicht 15
additiv inverse Vektor 123 Differenz 163
affine Ebene 217 differenzierbar 259 , 274 , 282
affine Gerade 150 , 157 , 217 Differenzvektor 123
algebraische Kurve 152 f Dirac-Notation 129
Alternation 223 , 233 Dirichlet-Sprungfunktion 53
alternierende harmonische Reihe 41 Distributivität 168
analytische Definition von π 113 divergent 31
Antikommutativität 223 , 233 Divergenz 284
antiparallel 141 domain coloring 77
Archimedische Spirale 267 dreidimensionaler reeller Raum 122
Assoziativität 123 , 132 , 168 Dreiecksmatrix 179 , 194
aufeinander senkrecht 141 Dreiecksungleichung 128
aufgespannte Parallelogramm 143 dynamische Interpretation 258
B E
bac-cab−Regel 223 Ebene 217
b-adische Darstellung 21 Eigenpaar 198
Bahn 258 Eigenvektor 198 , 249
Basis 21 Eigenwert 198 , 249
Basisvektoren 122 eindeutig lösbar 149 , 231
beschränkt 9 , 31 Einheitshyperbel 153
Betrag 71 Einheitskreis 153
Bild 176 Einheitsmatrix 162 , 239
Bilinearität 130 , 133 , 223 , 233 Einheitsparabel 153
Binet-Cauchy-Identität 223 Einheitssphäre 304
binomische Formeln 130 Einheitsvektoren 122
Einheitswurzel 84
C Einträge 160
Cauchy-Bedingung 34 Einträgen 238
Cauchy-Folge 34 Elementarmatrix 247
Cavalierisches Prinzip 294 Ellipse 153
charakteristische Polynom 199 , 249 elliptische Integral 266
elliptischen Kurve 154
D endlicher Dezimalbruch 19
Darboux-Integral 23 Endpunkt 258
Darboux-Summe 22 Erhalt der Länge 187

322 Anhänge
Erhalt des Skalarprodukts 187 I

Euklidische Norm 126 , 216 idempotent 179
Euklidische Skalarprodukt 129 imaginäre Einheit 70
Euklidisches Skalarprodukt 216 Imaginärteil 71
Euler-Mascheroni-Konstante 39 Index 28
Eulersche Formel 105 Infimum 10
Eulersche Identität 106 inhomogen 150 , 232
Exponentialreihe 103 Integration in Polarkoordinaten 4 , 297
Exponentialschreibweise 102 Integration in räumlichen Polarkoordina-
Extraktion der Einträge 164 ten 301
Extremalstelle 279 integrierbar 290
Intervallschachtelung 18
F invers 182 , 244
Farbkreismethode 77 Inverse 72
Faser 171 Inversenbildung 123 , 132
fast alle 31 invertierbar 182 , 244
Folge 28 Invertierungsregeln 244
folgenstetig 58 , 256 , 274 , 281
Folgenstetigkeit 102 J
Formel von de Moivre 117 Jacobi-Identität 223 , 233
Fundamentalsatz der Algebra 80 Jacobi-Matrix 281
G K
Gaußsche Glockenkurve 298 Kegelschnitt 154
Gaußsche Zahlenebene 67 kleinste obere Schranke 10
geometrische Reihe 37 , 103 Koeffizienten 76 , 148 , 231
geometrische Summe 103 Koeffizienten-Matrix 149
Gerade 217 kollinear 141 , 216
geschlossen 258 Kommutativität 123 , 132
Glied 28 Komplementärmatrix 183
Glockenkurve 298 komplexe Exponentialfunktion 102
goldener Schnitt 97 komplexe Exponentialreihe 103
Gradient 276 komplexe Quadratwurzel 81
Gradientenfeld 284 komplexe Zahl 67
Grassmann-Identität 223 , 233 Komponenten 122 , 257 , 281
Grenzwert 30 , 48 , 101 , 256 komponentenweise Addition 66
größte untere Schranke 10 komponentenweise Konvergenz 256
Grundfläche mal Höhe 295 komponentenweise Multiplikation 66
komponentenweise Stetigkeit 257
H Konjugation 71
harmonische Reihe 39 Konjugierte 71
Häufungspunkt 55 konstantes Polynom 76
Hauptlage 273 Kontur-Plot 271
Hesse-Matrix 280 konvergent 31
Höhenlandschaften 270 Konvergenzbedingung 30
Höhenlinie 271 Konvergenzbedingung für Pendelfolgen
Höhenliniendiagramme 271 17
homogen 150 , 232 Konvergenzkriterienf, 41
Hyperbel 153 , 273 Koordinaten 147
Koordinatenfunktionen 257

3. Index 323
Koordinatenvektor 147 , 231 (metrisches) Vollständigkeitsaxiom 35

koordinatenweise 257 Minimum 10
Körper der komplexen Zahlen 67 Mittelpunkt 153
Kosinussatz 139 , 155 Mitternachtsformel 82
Kreis 153 monoton 28
Kreiskegel 295 monoton fallend 16
Kreisring 296 monoton steigend 16
Kreuzprodukt 215 , 222 Multiplikation 67 , 124
Kronecker-Delta 162 , 187 Multiplikationssatz 169
Kugeloberfläche 304 Multiplikationstyp 247
Kugelvolumen 292
Kurve 258 N
Nabla-Operator 284
L nach oben (unten) beschränkt 9
Lagrange-Identität 223 , 233 Nachkommaziffern 19
Länge 126 , 264 negativ definit 280
Längenformel 264 negativ orientiert 144 , 227
Laplace-Operator 285 Neuner-Periode 19 f
Leibniz-Kriterium 41 Neutralität des Nullvektors 123 , 132
Leibniz-Reihe 41 Neutralität von E2 168
Leitkoeffizient 76 Niveaumenge 271
Lemniskate von Bernoulli 268 Norm 126
Limes 30 normiert 76 , 127
linear 172 , 240 Normierung 127
linear abhängig 219 Nullfolge 31
linear unabhängig 219 Nullfortsetzung 20
Linearitätsbedingung 172 , 240 Nullmatrix 162 , 239
Linearkombination 147 , 230 Nullpolynom 76
linksseitigen Grenzwert 55 Nullstelle 76
Linkssystem 226 Nullvektor 122
lokale Maximalstelle 279 numerische Exzentrizität 266
lokale Minimalstelle 279
lokaler Extremwert 279 O
lösbar 149 , 231 obere Schranke 9
Lösungsmenge 148 , 231 Oberintegral 23
offen 258
M orthogonal 141 , 187 , 216
Majoranten-Kriterium 42 Orthogonaldarstellung einer Geraden
majorisiert 42 152
Mantelflächenformel 303 orthogonale Projektion 240 f
Matrix 160 , 238 Orthogonalität 223 , 233
Matrix-Form eines linearen Gleichungs-
systems 165 P
Matrix-Schreibweise 145 , 229 Parabel 154
Matrix-Vektor-Produkt 164 , 238 Paraboloid 272
Matrizenaddition 238 parallel 141
Matrizenprodukt 238 Parallelepiped 227
Maximum 10 Parallelogramm 143
Maximumsnorm 126 Parallelogrammgleichung 133
Mehrfachintegral 290 Parameter 258

324 Anhänge
Parametrisierung 258 Schnitt 294

Partialsumme 35 , 101 schnittweise integrierbar 290
partiell differenzierbar 275 Senke 284
partielle Ableitung 275 singulär 182 , 244 , 259
Partition 290 Singulärwertzerlegung 208
Pendelfolge 17 Sinus cardinalis 49
Pentagon 86 Skalar 124
Plot 270 Skalarmultiplikation 124 , 216 , 238
polare Integrierbarkeit 297 Skalierung 124
Polarisation 130 , 133 Spaltenextraktion 164
Polarkoordinaten 297 , 300 Spaltentausch 168
Polygon-Approximation 263 Spaltenvektoren 149 , 160 , 238
Polynom 76 Spann 147 , 230
Polynomfunktion 76 Spat 227
positiv definit 280 Spektralsatz 201 , 250
positiv orientiert 144 , 227 Spiegelungsmatrix 188
positive Definitheit 130 , 133 Spur 160 , 238 , 258
Produkt 163 , 167 Startpunkt 258
Projektion 142 Steigung 274
Projektionsformel 142 stetig 50 , 101 , 256 , 274 , 281
Projektionsmatrizen 173 stetig differenzierbar 275
stetig partiell differenzierbar 275
Q Stetigkeit 51 , 257 , 274 , 281
Quelle 284 strebt 48 , 55
quellfrei 284 streng monoton 28
Quotienten-Kriterium 42 strikte lokale Maximalstelle 279
Summanden 35
R Summe 35 , 163
Räumliche Polarkoordinaten 300 Supremum 10
Realteil 71 Symmetrie 130 , 133
Rechteck 48 symmetrisch 161 , 238
rechter Seite 148 , 231
Rechtssystem 226 T
reelle Ebene 122 Tangentialebene 276
reeller Vektor 122 Tangentialvektor 259
regulär 259 Teilfolge 28
rein imaginär 71 Thomae-Funktion 53
rektifizierbar 264 Torus 296 , 304
Richtungsableitung 274 totale Differenzierbarkeit 282
Richtungsvektor 274 Translation 217
Riemann-Summe 290 transponierte Matrix 161 , 238
Rotation 284
Rotationsfläche 302 f U
Rotationskörper 295 Umgebung 100
Rotationskurve 302 umgebungsstetig 256 , 274 , 281
Rotationsmatrix 188 Umgebungsstetigkeit 51
Unbekannte 148 , 231
S unbeschränkt 9
Sattelfläche 273 uneigentlich konvergent 32
Satz von Schwarz 276 uneigentlichen Grenzwert 56

3. Index 325
unendliche Reihe 35
unendlicher Dezimalbruch 19
unlösbar 149 , 231
unstetig 50
untere Schranke 9
Unterintegral 23
V
Vektoraddition 216
Vektorfeld 283
Vektorprodukt 215 , 222
Verlauf in einem Rechteck 48
Verschiebung 217
Vertauschung der Integrationsreihenfolge
292
von links 55
von unten 55
W
Weierstraß-Funktion 52
Wert 35
Winkelformel 138 , 216
winkeltreu 195
Wirbelfeld 284
wirbelfrei 284
Z
Zeile mal Spalte 167
Zeilenextraktion 164
Zeilentausch 168
Zeilenvektoren 160 , 238
zugeordnete Abbildung 170 , 240
Zykloide 267

Sprache

Willkommen bei Scribd!

Deiser - Einführung in die Mathematik 1.2

Hochgeladen von

Dokumentinformationen

Beschreibung:

Datum des Uploads

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Beschreibung:

Copyright:

Verfügbare Formate

Deiser - Einführung in die Mathematik 1.2

Hochgeladen von

Beschreibung:

Copyright:

Verfügbare Formate

Verwandte Titel

Oliver Deiser

Einführung in die Mathematik 1.2

Reelle und komplexe Zahlen, Ebene und Raum,

für Caroline, Thalia und Larina

3. Abschnitt Reelle und komplexe Zahlen . . . . . . . . . . . . . 5

1. Die Vollständigkeit der reellen Zahlen . . . . . . . . . . . . . . . . . . . . 7

© Oliver Deiser Einführung in die Mathematik 1.2

3. Grenzwerte und Stetigkeit von Funktionen . . . . . . . . . . . . . . . . 47

5. Der Fundamentalsatz der Algebra . . . . . . . . . . . . . . . . . . . . . . . . 75

6. Die komplexe Exponentialfunktion . . . . . . . . . . . . . . . . . . . . . . . 99

1. Reelle Vektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

2. Die Euklidische Ebene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

Einführung in die Mathematik 1.2 © Oliver Deiser

Linearkombinationen und Koordinatenvektoren . . . . . . . . . . . . . 147

4. Invertierung und Orthogonalität . . . . . . . . . . . . . . . . . . . . . . . . . 181

6. Der Euklidische Raum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215

© Oliver Deiser Einführung in die Mathematik 1.2

2. Partielle Ableitungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

3. Mehrdimensionale Integration . . . . . . . . . . . . . . . . . . . . . . . . . . 289

1. Kompetenzorientierte Aufgaben . . . . . . . . . . . . . . . . . . . . . . . . . 309

Einführung in die Mathematik 1.2 © Oliver Deiser

Reelle und komplexe Zahlen

© Oliver Deiser Einführung in die Mathematik 1.2

© Oliver Deiser Einführung in die Mathematik 1.2

Modellierung eines Linearkontinuums

Satz (Irrationalität der Quadratwurzel aus 2)

Satz (Irrationalität der Quadratwurzel aus 2, zahlentheoretische Version)

Einführung in die Mathematik 1.2 © Oliver Deiser

Die Funktion f : Q → Q besitzt keine Nullstellen

Obere und untere Schranken

Definition (obere und untere Schranke, beschränkt)

© Oliver Deiser Einführung in die Mathematik 1.2

Definition (Minimum und Maximum)

Für a1 , …, an P R setzen wir zur Vereinfachung der Notation

Definition (Supremum und Infimum)

Begriff Ausdruck Definition

s ist eine obere Schranke von X X≤s ∀x P X x ≤ s

s ist eine untere Schranke von X s≤X ∀x P X s ≤ x

s ist das Maximum von X s = max(X) sPX ∧ X ≤ s

s ist das Minimum von X s = min(X) sPX ∧ s ≤ X

s ist das Supremum von X s = sup(X) X ≤ s ∧ ∀t (X ≤ t → s ≤ t)

s ist das Infimum von X s = inf(X) s ≤ X ∧ ∀t (t ≤ X → t ≤ s)

Einführung in die Mathematik 1.2 © Oliver Deiser

© Oliver Deiser Einführung in die Mathematik 1.2

Axiom (Vollständigkeitsaxiom für die reellen Zahlen)

Für die symbolischen Werte ∞ und −∞ vereinbaren wir:

Als Nächstes führen wir arithmetische Operationen für Zahlmengen ein.

Einführung in die Mathematik 1.2 © Oliver Deiser

Definition (Addition und Skalierung von Teilmengen von R)

Damit können wir nun Rechenregeln zusammenstellen.

Satz (Rechenregeln für Suprema und Infima)

Aus der Eigenschaft (5) des Satzes folgt insbesondere:

Korollar (Existenz von Infima)

Dass wir im Vollständigkeitsaxiom Suprema gegenüber Infima bevorzugt ha-

© Oliver Deiser Einführung in die Mathematik 1.2

Das Archimedische Axiom

Eine weitere wichtige Eigenschaft der reellen Zahlen lautet: