Sie sind auf Seite 1von 5

Distributionen und Greensche Funktionen

Jan Niklas Grieb


28. Januar 2011

1 Distributionen
Distributionen sind verallgemeinerte Funktionen. Sie sind definiert als Elemente des Dualraums eines Banachraums
B:

T : B → C, f 7→ T [f ]. (1.1)

Hier wollen wir Funktionsräume, wie bspw. Cc∞ oder L2 betrachten. Dann sind die Elemente von B Funktionen f ,
welche durch die T ’s auf reelle Werte geschickt werden.
Dies würden allgemein alle T : B → C, f 7→ T [f ], lineare Funktionale genannt, machen. Die Elemente des
Dualraums müssen aber stetig / beschränkt sein (was für unsere Interessen äquivalent ist). Also sind Distributionen
stetige lineare Funktionale.
Haben wir es sogar mit einem Hilbertraum zu tun, d.h. H ist mit einem Skalarprodukt auf der Menge B ausge-
stattet, so ist klar, dass jede Funktion f ∈ H eine Distribution via
Z
Tf : H → C, g 7→ f ∗ (x)g(x) dx (1.2)

ist. Umgekehrt besagt der Riesz’sche Darstellungssatz, dass man für jedes T ∈ H∗ ein solches f findet.

1.1 Stetige Funktionen mit kompaktem Träger


Die stetigen Funktionen mit kompaktem Träger Cc0 (E) sind nur ein Banachraum, dennoch ist
Z
Tg [f ] := g ∗ (x)f (x) dx (1.3)
E

ein beschränktes, lineares Funktional und damit eine Distribution. Man spricht in solchen Fällen von einer regulären
Distribution.
Ist ist aber auch einfach, sich Distributionen auszudenken, welche nicht von einem g ∈ Cc0 (E) ableitbar sind.
Zum Beispiel die Auswertedistribution (auch: Evaluationsdistribution), welche, wie der Name andeutet, an einer
Stelle x0 ∈ E auswertet:

Tx0 [f ] := f (x0 ). (1.4)

Man spricht von einer singulären Distribution, was gleich klar werden sollte. Dennoch schreibt man oft einen Inte-
gralkern, der keine echte Funktion ist, hin:
Z
Tx0 [f ] ≡ δ(x − x0 )f (x) dx ≡ f (x0 ). (1.5)
E

Hier kann δ(x − x0 ) allerhöchstens durch eine Folge von Funktionen in Cc0 (E) approximiert werden; hier z.B.

1
1.2 Ableitung und Fouriertransformation 1 DISTRIBUTIONEN

durch

+x
 2 , − ≤ x ≤ 0,

δ (x) = −x
2 , 0 ≤ x ≤ ,
(1.6)

0, sonst.

→0
Es gilt: δ −→ δ. (Man beachte: für andere Räume, bspw. diffbare Funktionen muss man natürlich entsprechende
Approximationen wählen; dann wären z.B. Gaußkurven eine gute Wahl).

1.2 Ableitung und Fouriertransformation


Nun wollen wir uns auf ganz spezielle Funktionen beschränken, sogenannte Schwarz-Funktionen, bei denen die
Funktion und alle Ableitungen schnell abfallen. Dann lassen sich viele schöne Eigenschaften zeigen.
Ein wichtiges Beispiel sind Ableitungen: Motiviert aus der partiellen Integration
Z Z
f 0 (x)g(x) dx = [f (x)g(x)] − f (x)g 0 (x) dx (1.7)

definiert man die Ableitung einer Distribution als:

T 0 [f ] := −T [f 0 ] (1.8)

(wir müssen also voraussetzen, dass wir f überhaupt diff.bar sind, was wir aber ja getan haben). Per Induktion:

(∂ N T )[f ] = (−1)n T [f (n) ]. (1.9)

Prominetes Beispiel ist die Heaviside-Funktion, welche zwar keine Schwarzfunktion ist, aber für bestimmte Funk-
tionenräume (fragt den Mathematiker eures Vertrauens, wahrscheinlich Cc∞ (E)) eine reguläre Funktion:
(
1, x ≥ 0,
θ(x) =
0, sonst
Z
⇒ Tθ [f ] = θ(x)f (x) dx. (1.10)

Mit der Ableiteregel wird daraus die (singuläre) Delta-Distribution:


Z
∂Tθ [f ] = −θ[f 0 ] = − f 0 (x) dx = f (0) = Tδ [f ]. (1.11)
E+

(Hierbei sollte dann E + der positive Unterraum von E sein, so dass er von 0 und einem Wert außerhalb des Kom-
paktums, wo f verschwindet, begrenzt wird.)

Fouriertransformation

Warum aber Schwarzfunktionen, deren Distribution T ∈ S ∗ temperiert genannt werden, so wichtig sind, liegt daran,
dass wir nun Fouriertransformationen definieren können:

Tb[f ] = T [fb]. (1.12)

Insbesondere sind wir nun in der Lage, die Delta-Distribution zu transformieren:


Z Z
1
Ta [f ] = Ta [f ] =
c b f (k)δ(k − a) dk = f (a) = √
b b f (x)e−i~x·~a dx
R 2π R
Z
≡ δ(xb − a)f (x) dx. (1.13)

√ √
Somit kann man lässig b − a) = Te−ika und T
2π δ(x [eiax = 2πδ(k − a) schreiben.

2
2 GREENSCHE FUNKTIONEN

2 Greensche Funktionen

Zur Motivation möchte ich eine altbekannte Lösung von inhomogenen Gleichungssystemen vorstellen: Sei Φ(t) das
Fundamentalsystem von

~x˙ (t) + A(t) · ~x(t) = 0. (2.1)

Dann ist

Z t ↔ −1
ψ(t) = Φ(t) · Φ (τ ) · ~g (τ ) dτ (2.2)
t0

die Lösung des inhomogenen Systems („Variation der Konstanten“)



~x˙ (t) + A(t) · ~x(t) = g(t). (2.3)

2.1 Inhomogene partielle Differentialgleichungen


Nun haben wir einen inhomogene partielle DGL der Form

hΨ(~r, t) = f (~r, t). (2.4)

Wir können (in Analogie zu oben) auf eine Lösung der Form
Z
Ψ(~r, t) = G(~r, t; ~r 0 , t0 )f (~r 0 , t0 ) d3 x0 dt0 (2.5)

hoffen. Denn wäre hG(~r, t; ~r 0 , t0 ) = δ(~r − ~r 0 , t − t0 ) im Distributionssinne, also formell


Z Z
hTG [f ] = hG(~r, t; ~r 0 , t0 )f (~r 0 , t0 ) d3 x0 dt0 = δ(~r − ~r 0 , t − t0 )f (~r 0 , t0 ) d3 x0 dt0 = Tδ [f ], (2.6)

dann gilt, Vertauschbarkeit von h und Integration vorausgesetzt, dass Ψ die Lösung der PDG ist, da
Z Z
hΨ = hG(~r, t; ~r 0 , t0 )f (~r 0 , t0 ) d3 x0 dt0 = δ(~r − ~r 0 , t − t0 )f (~r 0 , t0 ) d3 x0 dt0 = f (~r, t). (2.7)

Lösung der homogenen PDG

Wie man dem obigen Argument entnimmt, ist G also zunächst eine Distribution, der zugehörige Funktionenraum ist
natürlich der Lösungsraum der PDG: nenne wir ihn M. Eine Distribution Ta ∈ M∗ heißt Grundlösung von hg = 0
an der Stelle a, wenn für alle g ∈ M gilt:

hTa [g] = g(a). (2.8)

Diese Lösung ist nicht eindeutig, da Ga := Ta + h, für hh = 0, auch eine Lösung darstellt. Dies ist gut für uns, da
wir so Lösungen zu verschiedenen RWP generieren können. Dazu später mehr.

Lösung der inhomogenen PDG

Wenn der Differentialoperator h selbstadjungiert ist, so gilt für g ∈ M mit hg = f :


(2.8) s.a.
g(a) = hGa [g] = hhGa , gi = hGa , hgi = hGa , f i. (2.9)

(Hierbei habe ich von h abhängige Randterme ignoriert.) Somit generiert Ga also unsere Lösung g(a) bei a.
Ist h translationsinvariant (hängt also nicht von Ort und Zeit ab, wie z.B. alle Differentialoperatoren mit konstanten

3
2.1 Inhomogene partielle Differentialgleichungen 2 GREENSCHE FUNKTIONEN

Koeffizienten, also z.B. ), so gilt, wie man sich leicht klar machen kann1 ,

G(~x, t; ~x 0 , t0 ) = G(~x − ~x 0 , t − t0 ), (2.10)

so dass die Lösung für alle a leicht gegeben ist durch eine Faltung:
Z Z
g(a) = hGa , f i = G(~x, t; ~x , t )f (~x , t) d x dt = G(~x − ~x 0 , t − t0 )f (~x 0 , t) d3 x0 dt0 = (G ∗ f )(~x, t).
0 0 0 3 0 0

(2.11)

Bestimmung der Greenschen Funktion

Wir wollen für einen Fall wie oben, also für ein translationsinvariantes h(~r) die Greensche Funktion bestimmen
(d.h. wir lassen die Zeitabhängigkeit mal außen vor). Dazu benutzen wir Gl. 1.13, die Selbstadjungiertheit und die
~
Translationsinvarianz. Den diese bedingt, dass der Ableitungsoperator auf eik·~r wie folgt wirkt:
~ ~
heik·~r = H(i~k)eik·~r , (2.12)

wobei H ein Polynom mit konstanten Koeffizienten ist.


~
Schreiben wir die FT als fb = heik·~r , f i, dann sehen wir für G0 :
√ √ (1.13)
2π hG
d0 = 2π δb0 = 1
√ ~ s.a. √ ~ √
= 2πheik·~r , hG0 i = 2πhheik·~r , G0 i = 2πH(i~k)G
c0 . (2.13)

Zusammengefasst also:

c0 (~k) = √ 1
G
2πH(i~k)
~
eik·~r 3
Z
1
⇒ G0 (~r) = d k. (2.14)
2π R3 H(i~k)

Nun haben wir wegen der Translationsinvarianz auch die vollständige Lösung gefunden, da
√ \
Ψ(~r) = hG~r , f i = (G0 ∗ f )(~r) = 2π G
b 0 · fb
fb(~k) i~k·~r 3
Z
1
=√ e d k. (2.15)
2π R3 H(i~k)

Green-Funktion aus Eigenfunktionen

Wir betrachten eine PDG der Form

hg = λg. (2.16)

Kennen wir ein VON-Lösungssystem der PDG aus Eigenfunktionen φi mit reellen Eigenwerten λi (da h s.a.), so
können wir die Greensche Funktion angeben durch
X φi (x)φ∗ (y)
i
G(x, y) = (2.17)
i
λi

(natürlich sollte λi 6= 0 für alle i gelten), da dann:


X [hφi (x)]φ∗ (y) X
hG(x, y) = i
= φi (x)φ∗i (y) = δ(x − y). (2.18)
i
λi i

1 Siehe Pruschke-Skript, S. 112: h und Translationsoperator vertauschen dann. Da dieser Operator auch die Delta-Distribution verschiebt,

folgt aus der definierenden Eigenschaft hGa = δa , dass sich Ga aus G0 durch Translation ergibt.

4
2 GREENSCHE FUNKTIONEN 2.1 Inhomogene partielle Differentialgleichungen

Letztere Identität ist die Vollständigkeitsrelation, welche sich aus


X
f= ai φi , ai = hφi , f i, ∀f ∈ L2 (E), (2.19)
i∈I

ergibt:
X XZ
f (x) = hφi , f iφi (x) = φ∗i (x0 )f (x0 ) dx0 φi (x)
i∈I i∈I
Z X
= φ∗i (x0 )φi (x)f (x0 ) dx0 , ∀f ∈ L2 (E), (2.20)
i∈I

φ∗i (x0 )φi (x) = δ(x − x0 ).


P
also im Sinne von Distributionen i∈I