Skript II
Hochgeladen von
Mirok ZhangSkript II
Hochgeladen von
Mirok ZhangHöhere Mathematik II
für Elektrotechniker und Physiker
Maria G. Westdickenberg
24. Mai 2022
© Maria G. Westdickenberg
All Rights Reserved, 2015 Please email comments and corrections to
[email protected]
Acknowledgements
These are notes from an introductory course on mathematics for second semester Electrical
Engineering and Physics students taught at the RWTH Aachen University in the summer
semesters of 2015, 2017, and 2022. Many thanks go to Josef Bemelmans for generously
sharing the lecture notes that he had written while teaching the course for Physicists
and Electrical Engineers at the RWTH in previous years. In addition, Johannes Holten is
gratefully acknowl-edged for his help in compiling the notes and creating the gures. Finally,
we thank Harald Günzel, Sebastian Noelle, Philippe Suchsland, and Stefan Lotterstedt for
additional comments on and contributions to the documentas well as all of the students
who have asked and answered questions each term.
Inhaltsverzeichnis
1 Lineare Algebra (Teil II) 1
1.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Eigenwerte, Determinante und Spur . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Diagonalisierbarkeit einer Matrix . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Jordansche Normalform . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Potenzen, Produkte und die Matrixexponentialfunktion . . . . . . . . . . . . 16
1.7 Spezielle Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 Integralrechnung 31
2.1 Flächeninhalt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Das bestimmte Riemann Integral . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 Approximation des Integrals . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.4 Integrabilitätskriterien* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5 Eigenschaften des Integrals, Ungleichungen und der Mittelwertsatz . . . . . . 49
2.6 Das unbestimmte Integral und der Hauptsatz . . . . . . . . . . . . . . . . . 57
2.7 Methoden zur Berechnung eines bestimmten Integrals . . . . . . . . . . . . . 65
2.8 Uneigentliche Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.9 Integralrechnung und Reihen . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3 Funktionen mehrerer Veränderlicher 92
3.1 Einleitung durch Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
n
3.2 Topologie von R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.3 Grenzwerte und Stetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.4 Dierenzierbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.5 Lineare Approximation: Zusammenfassung . . . . . . . . . . . . . . . . . . . 113
3.6 Mittelwertsatz und TaylorFormel . . . . . . . . . . . . . . . . . . . . . . . . 115
3.7 Optimierungsprobleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.8 Lipschitz-Stetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4 Gewöhnliche Dierentialgleichungen 129
4.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
4.2 Korrekt gestellte Probleme und Spezialfälle . . . . . . . . . . . . . . . . . . . 134
4.3 Skalare Gleichungen erster Ordnung . . . . . . . . . . . . . . . . . . . . . . . 138
4.3.1 Lineare gewöhnliche Dierentialgleichung erster Ordnung . . . . . . . 138
4.3.2 Geometrische Sicht . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.3.3 Einführung in Phasenraumtechniken für autonome Systeme . . . . . . 143
4.4 Lineare, homogene Systeme . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
4.5 Lineare, nichthomogene Gleichungen . . . . . . . . . . . . . . . . . . . . . . 150
4.6 Lineare Systeme mit konstanten Koe zienten und Phasenraumtechniken . . 152
4.7 Stabilität nichtlinearer, autonomer Systeme . . . . . . . . . . . . . . . . . . 163
4.8 Nichtlineare Gleichungen i.A. und Sätze über Existenz und Eindeutigkeit . . 168
4.9 Gewöhnliche Dgl mit spezieller Struktur . . . . . . . . . . . . . . . . . . . . 179
4.9.1 Gradienten üsse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
4.9.2 Hamiltonsche Systeme . . . . . . . . . . . . . . . . . . . . . . . . . . 179
4.9.3 LiapunovFunktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
4.10 Lineare Dgl 2. Ordnung und Randwertprobleme . . . . . . . . . . . . . . . . 182
5 Weiter mit Raumkurven 187
5.1 Erste Eigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
5.2 Länge und Parametrisierungen . . . . . . . . . . . . . . . . . . . . . . . . . . 190
5.3 Krümmung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
5.4 The graph case . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Appendices 197
A Notation 198
B Ausgewählte Lösungen zu den Übungen 199
B.1 Lineare Algebra (Teil II) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
B.1.2 Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . . . . . 199
B.1.7 Spezielle Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
B.2 Integralrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
B.2.7 Methoden zur Berechnung eines bestimmten Integrals . . . . . . . . . 204
Stichwortverzeichnis 210
Kapitel 1
Lineare Algebra (Teil II)
1.1 Einleitung
In Teil I von linearer Algebra haben wir (u.A.) Folgendes diskutiert:
1. Lineare Abbildungen und Matrizen
Kern, Bild, usw.
2. Lineare Gleichungssysteme
Existenz und Eindeutigkeit einer Lösung
Gauÿ'sches Eliminationsverfahren, LU-Zerlegung
3. Determinanten
Eigenschaften
Formel über Kofaktoren
(Cramersche Regel)
Vor allem ging es darum, die Gleichung
Ax = b
zu verstehen. (Am Ende des HMI Skriptes nden Sie ein paar Aufgaben zur Erfrischung. Als
zusätzliche Quellen erwähnen wir die Bücher von Peter Lax [L] und Gilbert Strang [S].)
Jetzt im Teil II von linearer Algebra geht es hauptsätzlich darum, die Gleichung
Ax = λx
zu verstehen. Bevor wir weiter darüber reden, beweisen wir das folgende Lemma, das wir im
Teil II sehr oft anwenden werden.
Lemma 1.1.1. Eine n×n Matrix A ist singulär genau dann, wenn
det(A) = 0.
HMII ET+Phys SS 2022 Page 2
Beweis. Nach Satz 8.2.4 aus dem Skript zur HMI ist A singulär genau dann, wenn
Rang(A) < n,
also genau dann, wenn die Spaltenvektoren a1 , . . . , a n linear abhängig sind. Nach Lemma
8.7.4 (v) aus dem Skript zur HMI gilt dies genau dann, wenn
det(a1 , . . . , an ) = 0. (1.1.1)
Nach De nition 8.7.3 ist (1.1.1) äquivalent zu
det(A) = 0.
Wir werden Lemma (1.1.1) anwenden, um sogenannte Eigenwerte zu berechnen.
1.2 Eigenwerte und Eigenvektoren
Wir haben oft Matrix-Vektormultiplikation
Ax für A ∈ Rn×n , x ∈ Rn
betrachtet. Diese Multiplikation kostet im Allgemeinen O(n2 ) Operationen, also ist sie relativ
teuer. Multiplikation mit einer Diagonalmatrix D ∈ Rn×n kostet nur n Operationen:
d11 x1
.
Dx = . .
.
dnn xn
Auÿerdem ist die Wirkung einer allgemeinen Matrix A auf einen Vektor x ∈ Rn relativ
n×n
kompliziert zu verstehen. Andererseits, wenn D ∈ R eine Diagonalmatrix mit reellen
Koe zienten ist, dann stellt
Dx
den Vektor dar, in dem die i-te Komponente von x durch den Faktor dii gedehnt oder
gestaucht wird (und invertiert, wenn dii < 0). Leider ist nicht jede Matrix diagonal. Gibt es
trotzdem die Honung, allgemeine Matrizen "durch diagonale Matrizen" zu verstehen? Wie
wir in der Diskussion rund um die De nition 8.3.3 im alten Skript gesehen haben, nimmt
eine Matrix eine neue Form an, wenn man die lineare Abbildung bezüglich einer neue Basis
n
von R darstellt. Also, genauer ausgedrückt, ist unsere erste Frage in HMII:
Kann jede n×n Matrix A durch eine geeignete Wahl der Basis in Diagonalform
gebracht werden?
(Spoiler alert: Die Antwort ist nein, aber sie ist für die "meisten" Matrizen möglich. Diese
Matrizen werden diagonalisierbar genannt.)
HMII ET+Phys SS 2022 Page 3
Um unsere Frage zu motivieren, betrachten wir
3 −1
A= .
−1 3
Oensichtlich ist A nicht diagonal, aber beachten Sie:
1 2 1
A = = 2
1 2 1
1 4 1
A = = 4 .
−1 −4 −1
1 1
Also multipliziert A den Vektor mit 2 und den Vektor mit 4, genau wie die
1 −1
Diagonalmatrix
d1 0
0 d2
e1 mit d1 und e2 mit d2 multipliziert. Als zweites Beispiel, bemerken Sie, dass für
7 −4 4 1
B= −7 9 1 , v = −1
−3 −4 14 1
gilt
B v = 15v !
Also multipliziert B den Vektor v mit dem Skalar 15. In diesem Fall wird v Eigenvektor und
15 Eigenwert genannt.
Ob jede Matrix A ∈ Rn×n einen Eigenwert besitzt?
Die Antwort ist ja (sogar n Eigenwerte!), aber leider, wie wir gleich merken werden, können
wir nicht nur im R suchen. Auch wenn A nur reelle Komponenten besitzt, können die
Eigenwerte und Eigenvektoren komplex sein.
De nition 1.2.1
Sei A eine n×n Matrix. Wenn λ∈C und der von Null verschiedene Vektor x ∈ Cn die
Gleichung
A x = λx
erfüllen, so heiÿt λ Eigenwert von A und x heiÿt Eigenvektor zum Eigenwert λ (oder
ein zum Eigenwert λ gehörender Eigenvektor). Die Gesamtheit aller Eigenvektoren zum
Eigenwert λ vereinigt mit dem Nullvektor 0 bildet den Eigenraum E(λ).
Bemerkung (Übung!). Der Eigenraum E(λ) ist ein Vektorraum.
Bemerkung. Obwohl wir ab und zu der zu λ gehörige Eigenvektor sagen, ist der Eigenvektor
nur bis auf ein skalares Vielfaches de niert.
HMII ET+Phys SS 2022 Page 4
Bemerkung (Übung.). Wenn λ∈C\R ein Eigenwert von A ∈ Rn×n ist, dann ist auch λ
ein Eigenwert von A.
Jetzt fragen wir uns, wie wir einen Eigenwert-Eigenvektor-Paar einer Matrix nden
n×n
können. Wenn A ∈ R das Eigenwert-Eigenvektor-Paar (λ, x) besitzt, dann gilt
A x = λx,
so dass
(A − λ I)x = 0,
wobei I die n × n Einheitsmatrix ist. Also ist λ ein Eigenwert von A genau dann, wenn
A − λ I singulär ist. Nach Lemma 1.1.1 ist A − λ I singulär genau dann, wenn
det(A − λ I) = 0.
Man bemerkt, dass
pA (λ) := det(A − λ I)
ein Polynom n-ter Ordnung in λ ist. Es wird das charakteristische Polynom genannt. Wir
erinnern daran, dass pA (λ) = 0 kein einfach zu lösendes Problem ist! Insbesondere gibt
es für n ≥ 5 keine Formel für die Nullstellen eines Polynoms n-ter Ordnung. Wenn wir
trotzdem Glück haben und einen Eigenwert nden, dann können wir leicht die dazugehörigen
Eigenvektoren bestimmen, da
E(λ) = Kern(A − λ I).
Wir fassen zusammen: Algorithmus zur Bestimmung der Eigenwerte und Eigenvektoren
1. Nullstellen λ1 , . . . , λn des charakteristischen Polynoms nden. (Erinnerung: Es gibt n
komplexe Nullstellen, wenn man die Multiplizität der Nullstellen berücksichtigt.)
2. Für jedes λi , den Kern A − λi I berechnen.
Das klassische Beispiel, dass wir in Cn über C arbeiten müssen, auch wenn A reelle
Koe zienten besitzt, ist die Rotation:
0 1
A= ,
−1 0
wobei
0 1 1 0
pA (λ) = det −λ
−1 0 0 1
−λ 1
= det
−1 −λ
= λ2 + 1,
so dass λ1 = i, λ2 = −i. Übung: Finden Sie die Eigenvektoren.
Dass wir die Multiplizität berücksichtigen müssen, erkennt man am zweiten klassischen
Beispiel:
1 0
A= ,
0 1
HMII ET+Phys SS 2022 Page 5
wobei λ1 = 1, λ2 = 1. Übung: Was ist E(1)?
Dass Existenz von n Nullstellen Existenz von n linear unabhängigen Eigenvektoren nicht
liefert, erkennt man am dritten klassischen Beispiel:
0 1
A= ,
0 0
wobei λ1 = λ2 = 0, aber
0 1
0 = A − λI =
0 0
α 1 1
nur die Lösung x = = α besitzt. Also ist Kern(A − λ I) = Sp . Einen
0 0 0
zweiten, linear unabhängigen Eigenvektor gibt es nicht.
Der gute Fall ist, wenn eine n×n Matrix doch n linear unabhängige Eigenvektoren
besitzt. Zunächst schauen wir uns diesen Fall an. Sei A eine Matrix mit n linear unabhängigen
Eigenvektoren {v 1 , . . . , v n }. Dann besitzt A eine Diagonalform im folgenden Sinn. Sei
λ1 0 ··· 0
.. .
.
v1 . . . vn 0 λ2 . .
V := , Λ := . .
| ··· | .. .. ..
. . 0
0 ··· 0 λn
Aus
A v i = λi v i
folgt die Matrixgleichung
A V = V Λ.
Da V invertierbar ist (warum?), folgt
V −1 A V = Λ und A = V Λ V −1 .
Wir erinnern an De nition 8.3.4 aus dem Skript von HMI: A und Λ sind ähnliche Matrizen.
Anders ausgedrückt: Wenn A bezüglich der Basis von Eigenvektoren (Eigenbasis) dargestellt
wird, dann ist die entsprechende Matrix diagonal.
De nition 1.2.2
Sei A eine n×n Matrix. Wenn es eine nicht singuläre Matrix V ∈ Cn×n gibt, so dass
V −1 A V = Λ
mit Λ ∈ Cn×n diagonal, so heiÿt A diagonalisierbar.
Aus der Diskussion von oben folgt:
HMII ET+Phys SS 2022 Page 6
Lemma 1.2.3. Eine n×n Matrix A ist genau dann diagonalisierbar, wenn A n linear
unabhängige Eigenvektoren besitzt.
Bemerkung. Wenn zwei Matrizen ähnlich sind, dann haben sie die gleichen Eigenwerte.
(Warum?)
Wenn zwei Matrizen reihenäquivalent sind, dann haben sie im Allgemeinen nicht die
gleichen Eigenwerte. (Das wäre zu einfach.) Rang, Kern und Reihenspann bleiben
beim Gauÿ'schen Eliminationsverfahren erhalten, Eigenwerte nicht.
Die Diagonalisierung einer Matrix kann sehr nützlich sein. Betrachten Sie zum Beispiel
100 −1
die Berechnung von A . Wenn A = V Λ V gilt, wobei Λ diagonal ist, dann schreiben wir
A100 = V Λ V −1 V Λ V −1 · · · V Λ V −1
| {z }
100-mal
= V Λ V −1 V Λ V −1 V · · · Λ V −1 V Λ V −1
= V Λ100 V −1 .
Nach Berechnung von
λ100 0 ··· 0
1
.. .
.
0 λ100 . .
Λ100 = . 2
,
.. .. ..
. . 0
0 ··· 0 λ100
n
erhalten wir A100 durch zwei Matrixmultiplikationen.
Als zweites Beispiel der Anwendung der Diagonalform einer Matrix betrachten wir eine
Verbindung zwischen Eigenwerten und Stabilität. Hier folgen wir der Einleitung von Peter
Lax [L, Chapter 6]. Wir nehmen an, dass der Zustand eines physikalischen Systems durch n
n
Parameter beschrieben werden kann: so stellt x ∈ R den Zustand dar. Wir nehmen an, dass
bestimmte Regeln den Stand nach einer Einheit von Zeit bestimmen und, dass diese Regeln
n
zeitunabhängig sind. Wenn x ∈ R der Zustand des Systems im Zeitpunkt t = 0 ist, dann
n
sei F (x) ∈ R der Zustand im Zeitpunkt t = 1. Angenommen die Evolution ist in x = 0
periodisch mit Periode 1:
F (0) = 0,
dann möchte man wissen, ob kleine Störungen (zum Beispiel aufgrund von thermischen
Rauschen oder Messungenauigkeit) anwachsen oder abklingen. Wir nehmen an, dass F
dierenzierbar ist, so dass
F (x) = A x + o(|x|) für x klein.
Der Einfachheit halber nehmen wir an, dass F nicht nur linear approximierbar, sondern in
der Tat linear ist:
F (x) = A x.
In t=2 ist der Zustand des Systems gleich
F ◦ F (x) = A2 x,
HMII ET+Phys SS 2022 Page 7
und in t = n, n ∈ N, ist der Zustand gleich
An x.
Wir nennen den Ursprung stabil, wenn
An x → 0 für n→∞ und jedes x ∈ Rn ;
wir nennen den Ursprung instabil, wenn
n
A x → ∞ für n→∞ und irgendein x ∈ Rn .
Man beachte: Wenn v ein Eigenvektor von A ist und λ der entsprechende Eigenwert, dann
impliziert |λ| > 1, dass 0 instabil ist. Andererseits, wenn |λ| < 1, dann gilt
An v → 0 für n → ∞.
Auÿerdem, wenn v1, v2, . . . , vn n linear unabhängige Eigenvektoren von A sind und die
entsprechenden Eigenwerte λi alle Betrag kleiner Eins haben:
|λi | < 1 für alle i ∈ {1, . . . , n},
dann ist der Ursprung stabil. (Übung!)
Übung 1.2.4
Beantworten Sie die folgenden Fragen über Eigenwerte und Eigenvektoren.
(a) Was können Sie über die Eigenwerte und Eigenvektoren von Am für m ∈ N sagen?
(Also welche Verbindungen mit den Eigenwerten/-vektoren von A gibt es?)
(b) Betrachten Sie die Matrix
0, 8 0, 3
A= .
0, 2 0, 7
Wir behaupten, dass es einen Vektor v ∈ R2 gibt, so dass für jedes x ∈ R2 gilt
A100 x ∼ v.
Welcher v erfüllt diese Eigenschaft? Erklären Sie warum und in welchem Sinn
die ∼ gilt. Wie könnte man diese Methode im Allgemeinen benutzen, um den
gröÿten Eigenwert einer Matrix zu bestimmen? Was bedeutet hier gröÿten?
(c) Finden Sie die Eigenwerte und Eigenvektoren der Projektionsmatrix
0, 5 0, 5
A= .
0, 5 0, 5
Geben Sie zwei Begründungen an.
(d) Angenommen A
nichtsingulär und diagonalisierbar ist, was können Sie über die
−1
Beziehung zwischen Eigenwerte/vektoren von A und A sagen?
HMII ET+Phys SS 2022 Page 8
(e) Wie sind die Eigenwerte von A und AT miteinander verbunden?
(f ) Zeigen Sie, dass die Eigenwerte einer Dreiecksmatrix genau die Diagonalelemente
sind.
(g) Sei A eine n × n Matrix mit Eigenwerten λ1 , . . . , λn . Was sind die Eigenwerte von
A + I ? Warum?
(h) Was können Sie über die Eigenwerte von A+B sagen, wenn A, B zwei obere
Dreiecksmatrizen sind?
Übung 1.2.5: Beispielaufgabe Klausur
Es sei die 3 × 3Matrix
1 −2 0
A = −2 2 −2 .
0 −2 3
(a) Berechnen Sie die Inverse der Matrix A.
(b) Wann sind zwei Matrizen ähnlich? Zeigen Sie, dass zwei ähnliche Matrizen die
gleichen Eigenwerte haben.
(c) Es sei B die obere Dreiecksmatrix mit
5 2 1
B = 0 2 −1 .
0 0 −1
Berechnen Sie das charakteristische Polynom dieser Matrix und prüfen Sie, dass
die Nullstellen die Diagonalelemente sind.
Übung 1.2.6: Beispielaufgabe Klausur
(a) Geben Sie die De nition eines Eigenwerts und eines Eigenvektors einer n × n
Matrix an. Erklären Sie, wie man die Determinante verwendet, um die Eigenwerte
zu berechnen.
(b) Es sei A die 3 × 3Matrix mit
−5 0 7
A = 6 2 −6 .
−4 0 6
Bestimmen Sie die Eigenwerte von A und Eigenräume dieser Eigenwerte. Ist A
diagonalisierbar ?
(c) Beweisen Sie die folgende Aussage durch vollständige Induktion: Es seien λ1 , . . . , λk
paarweise verschiedene Eigenwerte einer Matrix B . Es seien v 1 , . . . , v k die zugehörigen
HMII ET+Phys SS 2022 Page 9
Eigenvektoren. Dann sind diese linear unabhängig.
Übung 1.2.7
Finden Sie eine Permutationsmatrix P so dass für
0 1 0 0
A := und à :=
0 0 0 1
gilt
A = P Ã.
Sind A und à ähnlich?
1.3 Eigenwerte, Determinante und Spur
De nition 1.3.1
Die Spur einer Matrix A = (aij ) i=1,...,n ist die Summe der Diagonalelemente:
j=1,...,n
tr(A) := a11 + a22 + . . . + ann .
Die folgenden nützlichen Ergebnisse werden Sie in den Übungen beweisen.
Satz 1.3.2
Sei A eine n×n Matrix mit Eigenwerten λ1 , . . . , λ n . Es gilt
tr(A) = λ1 + λ2 + . . . + λn ,
det(A) = λ1 · λ2 · . . . · λn .
Für eine 2×2 Matrix bestimmen die Determinante und die Spur das charakteristische
Polynom:
p(λ) = λ2 − tr(A)λ + det(A).
Dann liefert die quadratische Formel die Eigenwerte als Funktion von Determinante und
Spur:
1
q 2
λ1,2 = tr(A) ± tr(A) − 4 det(A) .
2
Im Allgemeinen bestimmen Determinante und Spur das charakteristische Polynom nicht,
aber sie geben (nach Satz 1.3.2) einen Hinweis, ob die Eigenwerte, die wir gefunden haben,
richtig sind.
HMII ET+Phys SS 2022 Page 10
Beispiel. Für die Matrix
1 −1 5
A = 4 0 16
2 4 11
berechnen wir λ1 = 2, λ2 = −3, λ3 = 10. Oensichtlich haben wir einen Fehler gemacht, da
tr(A) = 12, aber 2 − 3 + 10 = 9 ̸= 12.
1.4 Diagonalisierbarkeit einer Matrix
Wir haben eine hinreichende und notwendige Bedingung für Diagonalisierbarkeit gefunden
(cf. Lemma 1.2.3). Gibt es eine hinreichende Bedingung, die leichter zu überprüfen ist?
Satz 1.4.1
Wenn eine n × nMatrix A n verschiedene Eigenwerte λ1 , . . . , λ n besitzt, dann ist A
diagonalisierbar.
Beweis. Wir zeigen die allgemeinere Tatsache: Wenn v 1 , . . . , v k Eigenvektoren zu k
verschiedenen Eigenwerten λ1 , λ2 , . . . , λk sind (für irgendein k ≤ n), dann sind die k
Vektoren linear unabhängig. (Wie folgt die Aussage des Satzes daraus?) Wir benutzen
die vollständige Induktion: Sei k = 2. Angenommen
c1 v 1 + c2 v 2 = 0. (1.4.1)
Multiplikation mit A liefert
c1 λ1 v 1 + c2 λ2 v 2 = 0. (1.4.2)
Wir subtrahieren λ2 mal Gleichung (1.4.1) und erhalten
c1 (λ1 − λ2 )v 1 = 0.
Da λ1 ̸= λ2 (nach Annahme) und v 1 ̸= 0 (weil es ein Eigenvektor ist), schlieÿen wir
c1 = 0. Dann liefert (1.4.1) zusammen mit v 2 ̸= 0, dass c2 = 0. Also sind v 1 , v 2 linear
unabhängig. Jetzt nehmen wir an, dass die Aussage für k − 1 gilt und wir betrachten k
Vektoren v 1 , . . . , v k . Wenn
c1 v 1 + . . . + ck v k = 0, (1.4.3)
dann gilt (nach Multiplikation mit A)
c1 λ1 v 1 + . . . + ck λk v k = 0. (1.4.4)
Wir subtrahieren λk mal (1.4.3) und erhalten
c1 (λ1 − λk )v 1 + . . . + ck−1 (λk−1 − λk )v k−1 = 0.
HMII ET+Phys SS 2022 Page 11
Nach der Induktionsannahme und λj ̸= λk für j ̸= k folgt
c1 = c2 = . . . = ck−1 = 0. (1.4.5)
Ersetzen von (1.4.5) in (1.4.3) ergibt ck = 0.
Bemerkung. Die Bedingung im Satz 1.4.1 ist nicht notwendig. Gegenbeispiele:
I = n×n Einheitsmatrix. (Was ist E(1) ?)
λ1 0 ··· ··· 0
.. ..
0 λ1 .
.
. .. .. ..
A =
.. . λ2 . .
. (Was ist E(λ1 ) ? E(λ2 ) ?)
. ..
..
λ2 . 0
0 ··· ··· 0 λ2
Also ist es nicht unbedingt ein Problem, wenn ein Eigenwert eine Nullstelle des charakteristischen
Polynoms mit Multiplizität gröÿer Eins ist. Um das festzulegen, müssen wir zwischen zwei
verschiedenen Multiplizitäten unterscheiden.
De nition 1.4.2
Sei A n × n Matrix. Die algebraische Multiplizität eines Eigenwertes λ
eine ist die
Vielfachheit von λ als Nullstelle von pA . Die geometrische Multiplizität von λ ist die
Dimension des Eigenraums E(λ).
Das "Problem" tritt genau dann auf, wenn die geometrische Multiplizität eines Eigenwertes
λ kleiner ist als die algebraische Multiplizität von λ: Eine Matrix ist genau dann diagonalisierbar,
wenn die geometrische Multiplizität gleich der algebraischen Multiplizität für jeden Eigenwert
ist.
1.5 Jordansche Normalform
Das Beispiel
0 1
A=
0 0
zeigt, dass geometrische Multiplizität nicht immer gleich algebraischer Multiplizität ist. Für
diese Matrix ist 0 ein Eigenwert mit algebraischer Multiplizität zwei, da 0 eine Nullstelle der
Multiplizität 2 des charakteristischen Polynoms
pA (λ) = λ2
ist. Allerdings ist die geometrische Multiplizität nur 1, da
1
Kern(A − λ I) = Kern(A) = Sp .
0
HMII ET+Phys SS 2022 Page 12
Wenn die algebraische Multiplizität gröÿer ist als die geometrische Multiplizität, dann sucht
man einen sogenannten Hauptvektor zweiter Stufe w, das heiÿt, einen Vektor, der
(A − λ I)2 w = 0
löst. In unserem Beispiel ist λ=0 und wir suchen eine Lösung zu
A2 w = 0. (1.5.1)
Dafür lösen wir
A w = v,
wobei v = [1 0]T der Eigenvektor von A ist, weil dann
A2 w = A(A w) = A v = 0.
Als Lösung von
0 1 w1 1
Aw = =
0 0 w2 0
wählen wir
0
w= .
1
1
Obwohl A nur einen "echten" Eigenvektor besitzt, besitzt A zwei Hauptvektoren,
0
0
und .
1
De nition 1.5.1
SeiA eine n × n Matrix. Der Vektor w ∈ Cn heiÿt Hauptvektor von A zum Eigenwert
λ ∈ C, wenn gilt
(A − λ I)m w = 0
für irgendein m ∈ N. Wenn m die kleinste solche Zahl ist, dann heiÿt w Hauptvektor
m-ter Stufe (oder m-ten Grades). Sei v ein zu λ gehöriger Eigenvektor, dann heiÿt
{v, w1 , . . . , wk } eine Kette von Hauptvektoren, wenn gilt
(A − λ I) v = 0,
(A − λ I) w1 = v,
.
.
.
(A − λ I) wk = wk−1
und
(A − λ I) x = wk
keine Lösung besitzt.
Die gute Nachricht ist, dass jede n×n Matrix n Hauptvektoren besitzt. Die Hauptvektoren
liefern keine Diagonalform, aber "fast".
HMII ET+Phys SS 2022 Page 13
De nition 1.5.2
Eine k×k Matrix der Form
λ 1 0 ··· 0
.. .
0 λ 1
. .
.
. . ..
.. . . λ . 0
. .. ..
..
. . 1
0 ··· ··· 0 λ
heiÿt Jordan Kasten oder Jordan Block. Eine Matrix
J1
J2
J =
..
.
Jm
wobei jedes J i ein ki ×ki Jordan Kasten ist, heiÿt eine Matrix in Jordanscher Normalform
oder eine Jordanmatrix.
Satz 1.5.3
Jede n×n Matrix A besitzt eine Jordansche Normalform. Insbesondere existiert eine
nicht singuläre Matrix B, so dass
J1
..
B −1 A B = ,
.
Jm
wobei jedes
λi 1
.. ..
. .
Ji =
..
. 1
λi
ein ki × ki Jordan Kasten ist, λi ∈ C ein Eigenwert von A ist, und
m
X
ki = n.
i=1
Für den Beweis sehen Sie Lax [L] oder Strang [S].
Bemerkungen. O1 Genau dann, wenn ki = 1 für alle i, ist A diagonalisierbar.
HMII ET+Phys SS 2022 Page 14
O2 Die Werte λi müssen nicht verschieden sein:
1 1 0
J1
J= 0 1 0 =
,
J2
0 0 1
wobei
1 1
J1 = , J2 = 1 .
0 1
O3 Die Matrix der Hauptvektoren erzeugt die Transformationsmatrix
Kasten stellt eine Kette von Hauptvektoren dar. Beispiel:
B. Jeder Jordan
λ 1 0
J = 0 λ 1
0 0 λ
Sei
b1 b2 b 3
B= .
| | |
Dann ist AB = B J äquivalent zu
A b1 = λb1
A b2 = λb2 + b1 ⇒ (A − λ I) b2 = b1
A b3 = λb3 + b2 ⇒ (A − λ I) b3 = b2 .
Beispiel. Finden Sie die Jordansche Normalform und die zugehörige Transformationsmatrix
für
9 −2 7
A = 8 1 14 .
0 0 5
Man berechnet
0 = det(A − λ I)
9 − λ −2 7
= det 8 1 − λ 14
0 0 5−λ
9 − λ −2
= (5 − λ) det
8 1−λ
= −(λ − 5)3 ,
so dass λ = 5 ein Eigenwert algebraischer Vielfachheit 3 ist. Jetzt suchen wir die dazu
gehörigen Eigenvektoren:
4 −2 7
(A − 5I)v = 0 ⇔ 8 −4 14 v = 0.
0 0 0
HMII ET+Phys SS 2022 Page 15
Da die dritte Reihe verschwindet und die zweite Reihe ein Vielfaches der ersten Reihe ist,
ist der Zeilenrang eins. Also ist der Rang eins. (Warum?) Also ist die Dimension des Kerns
zwei. (Warum?) Die Jordansche Normalform von A besitzt einen Kasten der Dimension eins
und einen Kasten der Dimension zwei:
5 1 0
J = 0 5 0 . (1.5.2)
0 0 5
Vektoren im Kern erfüllen
4v1 − 2v2 + 7v3 = 0.
Zwei linear unabhängige Vektoren, die diese Gleichung erfüllen werden durch
v2 = 0, v3 = 4 ⇒ v1 = −7
v2 = 2, v3 = 0 ⇒ v1 = 1
gegeben. Entweder v 1 = [−7 0 4]T oder v 2 = [1 2 0]T (oder eine lineare Kombination von v1
und v2) besitzt einen Hauptvektor zweiter Stufe. Das System
(A − 5I) w = v 1 ,
also
4 −2 7 −7
8 −4 14 w = 0 ,
0 0 0 4
besitzt keine Lösung. Andererseits besitzt das System
(A − 5I) w = v 2 , (1.5.3)
also
4 −2 7 1
8 −4 14 w = 2 ,
0 0 0 0
die Lösung w = [0 3 1]T . Also besitzt v2 den Hauptvektor w. (Wenn (1.5.3) keine Lösung
besessen hätte, dann müssten wir
(A − 5I) w = αv 1 + βv 2
für α, β ∈ R betrachten.) Also gilt
AB = B J
für J in (1.5.2) gegeben und
1 0 −7
B = 2 3 0 .
0 1 4
(Beachten Sie, dass B nicht eindeutig bestimmt ist.)
HMII ET+Phys SS 2022 Page 16
Jordansche Normalform ist nicht ganz so einfach wie Diagonalform, aber "fast". Diese
Aussage begründen wir im nächsten Abschnitt, wenn wir Potenzen und das Matrixexponential
anschauen.
Die wesentlichen Punkte
O1 Nicht jede reelle Matrix hat reelle Eigenwerte. (Beispiel?) Jede
komplexe Eigenwerte. (Warum?)
n×n Matrix hat n
O2 Wenn eine
ist A
n×n Matrix An
diagonalisierbar und es gilt
linear unabhängige Eigenvektoren v1, . . . , vn hat, dann
V −1 AV = D,
wobei V die Matrix mit Spalten vi ist und D eine Diagonalmatrix mit den Eigenwerten
auf der Diagonale ist.
O3 Nicht jede Matrix hat n linear unabhängige Eigenvektoren. (Beispiel?)
O4 Wenn eine n×n Matrix
Eigenvektoren linear unabhängig.
n verschiedene Eigenwerte hat, dann sind die zugehörigen
OA
5 ist genau dann diagonalisierbar, wenn es zu jedem Eigenwert genügend Eigenvektoren
gibt (so dass geometrische Vielfachheit = algebr. Vielfachheit).
O6 Jede n×n Matrix A hat n linear unab. Hauptvektoren. (Yes!) Es gilt
B −1 AB = J,
wobei J eine Matrix in Jordanscher Normalform ist. Hier ist die Transformationsmatrix
B eine Matrix mit Hauptvektoren (inklusive Eigenvektoren!) als Spalten.
1.6 Potenzen, Produkte und die Matrixexponentialfunktion
Sei v ein Eigenvektor von A mit Eigenwert λ. Wie bemerkt, gilt
An v = λn v, (1.6.1)
so dass λn ein Eigenwert von An ist und v ist ein dazu gehöriger Eigenvektor. Im Allgemeinen
gilt für jedes Polynom p
p(A)v = p(λ)v. (1.6.2)
Die Verbindung zwischen dem Spektrum von A und dem Spektrum von p(A) wird im
folgenden Satz zusammengefasst.
HMII ET+Phys SS 2022 Page 17
Satz 1.6.1
Seien p ein Polynom und A eine n×n Matrix. Es gilt folgendes:
(i) Wenn λ ein Eigenwert von A ist, dann ist p(λ) ein Eigenwert von p(A).
(ii) Jeder Eigenwert von p(A) ist von der Form p(λ), wobei λ ein Eigenwert von A ist.
Beweis. Teil (i) folgt aus (1.6.2). Um Teil (ii) zu beweisen, nehmen wir einen beliebigen
Eigenwert µ der Matrix p(A). Wir faktorisieren das Polynom p(x) − µ:
m
Y
p(x) − µ = c (x − ri ),
i=1
wobei m das Grad von p und ri für i = 1, . . . , m die (komplexen) Nullstellen von p(x)−µ
sind. Wenn wir x durch A ersetzen, erhalten wir
m
Y
p(A) − µ I = c (A − ri I).
i=1
Da µ ein Eigenwert von p(A) ist, ist die linke Seite singulär. Also ist für irgendein i die
Matrix
(A − ri I)
singulär. (Warum?) Das heiÿt, ri ist ein Eigenwert von A. Da ri eine Nullstelle von
p(x) − µ ist, gilt
µ = p(ri )
für irgendein Eigenwert ri von A.
Wenn man insbesondere das charakteristische Polynom pA von A betrachtet, erhält man,
dass jeder Eigenwert von pA (A) verschwindet. Noch mehr ist wahr:
Satz 1.6.2: Cayley-Hamilton
Jede n×n Matrix A erfüllt
pA (A) = 0.
Partieller Beweis. Wenn A n linear unabhängige Eigenvektoren v j , j = 1, . . . , n besitzt,
n
dann gilt für jedes x∈R :
n
X n
X
pA (A)x = pA (λj )cj v j = 0 · v j = 0,
j=1 j=1
HMII ET+Phys SS 2022 Page 18
wobei wir x durch
n
X
x= cj v j
j=1
dargestellt haben. Für den allgemeinen Fall sehen Sie Lax, Seite 51.
Wenn A nicht diagonalisierbar und w ein Hauptvektor (und kein Eigenvektor) von A ist,
dann ist An w nicht mehr so einfach wie in (1.6.1), aber fast. Sei v ein Eigenvektor von A
und w ein Hauptvektor zweiter Stufe, der die Gleichung
(A − λ I)w = v
erfüllt. Wir formulieren diese Gleichung als
A w = λw + v
um. Multiplikation mit A ergibt
A2 w = λA w + A v
= λ(λw + v) + λv
= λ2 w + 2λv.
Im Allgemeinen erhält man
An w = λn w + nλn−1 v. (1.6.3)
Übung: Zeigen Sie (1.6.3). Was impliziert (1.6.3) wegen Stabilität für n ↑ ∞ ? (Wir erinnern
an das Beispiel auf Seite 7.)
Es existiert eine Spektraltheorie für das Produkt AB von zwei n×n Matrizen, wenn A
und B vertauschen, das heiÿt, wenn
A B = B A.
Satz 1.6.3
SeienA und B zwei n × n-Matrizen. Wenn A und B vertauschen, dann existieren n linear
n
unabhängige Vektoren v 1 , . . . , v n in C , wobei jeder Vektor v i ein Hauptvektor von A
und B ist. Insbesondere, wenn B n verschiedene Eigenwerte besitzt, dann haben A und
B die gleichen (echten) Eigenvektoren v 1 , . . . , v n . Diese Vektoren sind die Eigenvektoren
von A B und die Eigenwerte von A B sind genau
µi λi ,
wobei µi der zu vi gehörige Eigenwert von A ist und λi der zu vi gehörige Eigenwert von
B ist.
In den Übungen werden Sie den Satz unter der Annahme, dass A, B ∈ Rn×n und An
verschiedene, reelle Eigenwerte besitzt, beweisen. Für den allgemeinen Fall sehen Sie Lax,
Seite 59.
HMII ET+Phys SS 2022 Page 19
Übung 1.6.4
Seien A, B zwei diagonalisierbare Matrizen, die vertauschen. Was können Sie über die
Eigenwerte von A+B sagen? Und wenn A, B zwei diagonalisierbare Matrizen sind, die
nicht vertauschen?
Da die Potenzen An für n ∈ N de niert sind, kann man versuchen, das so genannte Matrixexponential
1 2
exp(A) = I + A + A + ...
2!
∞
X 1 j
= A (1.6.4)
j=0
j!
zu de nieren. Ob diese eine gute De nition ist, hängt davon ab, ob die (unendliche) Reihe
auf der Rechten Seite konvergiert. Um dies zu untersuchen, brauchen wir den Begri der
Matrixnorm:
De nition 1.6.5
Sei ∥·∥ die Euklidische Norm. Sei A ∈ Rn×n . Wir de nieren die Matrixnorm (oder
Operatornorm) von A durch
∥A x∥
∥A∥ := sup , x ̸= 0. (1.6.5)
∥x∥
Bemerkungen. O1 Es folgt, dass
∥A x∥ ≤ ∥A∥ ∥x∥.
O2 Das Supremum in (1.6.5) ist ein Maximum und jede (endlich dimensionale) Matrix ist
beschränkt.
O3 Man kann statt der Euklidischen Vektornorm eine andere (sehen Sie Skript I, Satz
2.1.6 und die Bemerkung danach) wählen.
O4 Es gibt auch andere Matrixnormen. Alle Normen auf einem endlich dimensionalen
n
Vektorraum sind äquivalent. D.h., wenn || · ||1 und || · ||2 zwei Normen über R sind,
dann gibt es Konstanten C1 , C 2 , so dass
1
||x||1 ≤ ||x||2 ≤ C2 ||x||1 für alle x ∈ Rn .
C1
Insbesondere, wenn || · ||1 und || · ||2 zwei Matrixnormen über Rn×n sind, dann gibt es
Konstanten C1 , C 2 , so dass
1
||A||1 ≤ ||A||2 ≤ C2 ||A||1 für alle A ∈ Rn×n .
C1
Der folgende Satz sammelt die Eigenschaften der Matrixnorm, die in De nition 1.6.5
de niert wurde.
HMII ET+Phys SS 2022 Page 20
Satz 1.6.6
Seien A, B ∈ Rn×n . Es gilt
(i) ∥αA∥ = |α|∥A∥ für jedes α∈R (oder C)
(ii) ∥A + B∥ ≤ ∥A∥ + ∥B∥
(iii) ∥A B∥ ≤ ∥A∥ ∥B∥
(iv) ∥AT ∥ = ∥A∥
Beweis. (Übung.)
Jetzt überprüfen wir, ob die Reihe in (1.6.4) konvergiert. Man sagt, dass die Reihe
konvergiert, wenn
m
X 1
j
A
j!
j=n
beliebig klein ist, solange n, m groÿ genug sind. (Wie formuliert man diesen Satz mit ε > 0,
N ∈N ?) Da n und m endlich sind, können wir die Dreiecksungleichung anwenden. (Man
benutze vollständige Induktion.) Wir erhalten
m
m
X 1
X 1
Aj
≤ ∥A∥j .
j!
j!
j=n j=n
Für jede A ∈ Rn×n gibt es ein C ∈ R, so dass
∥A∥ = C.
Pm 1 j
Da j=n j! C beliebig klein ist für n, m groÿ genug (weil die Potenzreihe der reellen Exponentialfunktion
konvergiert), konvergiert die Reihe in (1.6.4). Also können wir die folgende De nition einführen.
De nition 1.6.7: Matrixexponential
Sei A eine n×n Matrix. Die Matrixexponentialfunktion von A ist
∞
X 1 j
exp(A) = A. (1.6.6)
j=0
j!
Wie berechnet man die Matrixexponentialfunktion einer Matrix? Wenn A diagonalisierbar
ist mit Eigenwerte λi und Transformationsmatrix V, dann ist
e λ1
.. −1
exp(A) = V V .
.
eλn
HMII ET+Phys SS 2022 Page 21
Diese Formel werden wir oft anwenden.
Man fragt sich auch, was die Eigenschaften der Matrixexponential sind und ob sie sich
die Eigenschaften der reellen Exponentialfunktion ähneln. Für die reelle Exponentialfunktion
gilt z.B. exp(a + b) = exp(a) exp(b). Zunächst betrachten wir, ob/wann diese Eigenschaft
für die Matrixexponentialfunktion gilt.
Satz 1.6.8
Wenn A und B vertauschen, dann gilt
exp(A + B) = exp(A) exp(B). (1.6.7)
Wenn A und B nicht vertauschen, dann kann es sein, dass gilt
exp(A + B) ̸= exp(A) exp(B).
Beweis. Wenn A und B vertauschen, dann ist
j
X j
(A + B) = j
Ak B j−k . (1.6.8)
k=0
k
Wir erinnern (HMI, Satz 7.3.5 mit x = 1) an die Formel
j
∞ X ∞ ∞
! !
X X X
ak bj−k = aj bj . (1.6.9)
j=0 k=0 j=0 j=0
Aus (1.6.9) mit aj = Aj /j!, bj = B j /j! und (1.6.8) folgt (1.6.7). Um die zweite Aussage
zu bestätigen, geben wir das Beispiel
0 1 0 0
A= , B=
0 0 1 0
an. Dann ist An = B n = 0 für n ≥ 2, so dass
1 1 1 0
exp(A) = I + A = , exp(B) = I + B = .
0 1 1 1
Man erhält
e + e−1 e − e−1
2 1 1
exp(A) exp(B) = , exp(A + B) = .
1 1 2 e − e−1 e + e−1
HMII ET+Phys SS 2022 Page 22
1.7 Spezielle Matrizen
Wenn eine Matrix eine besondere Eigenschaft (oder Struktur) hat, dann möchte man nützliche
Folgerungen daraus schlieÿen. Da wir in der Spektraltheorie auch mit komplexen Matrizen
arbeiten mussten, betrachten wir in diesem Abschnitt reelle und komplexe Matrizen.
Notation 1.7.1
v1
..
Für v ∈ Cn , v=. schreiben wir
vn
v H = v T = [v 1 , v 2 , . . . , v n ] ,
wobei vj die zu vj komplex konjugierte Zahl bezeichnet. Für A ∈ Cn×n schreiben wir
T
AH = A ,
wobei
A ij
= A ij
.
Für v, w ∈ Rn de nieren wir
(v, w)R := v T w.
Für v, w ∈ Cn de nieren wir
(v, w)C := v H w.
Bemerkung. Für A ∈ Rn×n gilt
T T
AT = A, AB = B T AT .
Für A ∈ Cn×n gilt
H H
AH = A, AB = B H AH .
Die erste Klasse spezieller Matrizen, die wir anschauen, sind die symmetrischen oder
Hermiteschen Matrizen.
De nition 1.7.2
Die Matrix A ∈ Rn×n ist symmetrisch, falls gilt
A = AT .
Die Matrix A ∈ Cn×n ist Hermitesch, falls gilt
A = AH .
HMII ET+Phys SS 2022 Page 23
Beispiele. O1
2 1
ist symmetrisch.
1 3
O2
2 i
ist Hermitesch.
−i 3
Eine symmetrische Matrix A de niert die quadratische Form
Q(x) = xT A x = (x, A x)R .
Analog de niert eine Hermitesche Matrix B die quadratische Form
Q(x) = xH B x = (x, B x)C .
Unser erstes, wichtiges Resultat ist: Symmetrische und Hermitesche Matrizen besitzen reelle
Eigenwerte.
Satz 1.7.3
Wenn A ∈ Cn×n Hermitesch ist, dann sind die Eigenwerte von A reell.
Korollar 1.7.4. Wenn A ∈ Rn×n symmetrisch ist, dann sind die Eigenwerte von A reell.
Übung 1.7.5
(a) Überprüfen Sie direkt, dass
2 i
reelle Eigenwerte hat.
−i 3
(b) Überprüfen Sie direkt, dass
a z
für a, b ∈ R, z ∈ C reelle Eigenwerte hat.
z̄ b
Beweis von Satz 1.7.3. Angenommen
A v = λv,
dann gilt
v H A v = v H λv = λv H v = λ∥v∥2 .
Da ∥v∥2 reell ist, reicht es aus, wenn wir zeigen, dass vH A v reell ist. (Warum?) Wir
HMII ET+Phys SS 2022 Page 24
berechnen
H H H
vH A v = Av vH
= v H AH v
= v H A v,
wobei wir in der letzten Zeile angewendet haben, dass A Hermitesch ist.
Als Nächstes bemerken wir, dass Eigenvektoren, die zu verschiedenen Eigenwerten gehören,
orthogonal sind. Hier bedeutet "v ist orthogonal zu w", dass
v H w = 0.
Satz 1.7.6
SeiA eine n×n Hermitesche Matrix. Seien (λ, v) und (µ, w) zwei Eigenwert-Eigenvektor
Paare von A, wobei λ ̸= µ. Dann ist v (komplex-) orthogonal zu w .
Beweis. Wir berechnen:
λ∈R
λv H w = (λv)H w = (A v)H w
= v H AH w = vH A w (weil A = AH )
= v H µw
= µ v H w,
so dass
(λ − µ) v H w = 0.
Da λ ̸= µ, schlieÿen wir, dass
v H w = 0.
Man erhält noch mehr: Eine Hermitesche (oder symmetrische Matrix) besitzt n paarweise
orthogonale Eigenvektoren.
De nition 1.7.7
Eine Matrix U ∈ Cn×n heiÿt unitär, wenn
U H U = U U H = I.
Eine Matrix O ∈ Rn×n heiÿt orthogonal, wenn
OT O = OOT = I.
HMII ET+Phys SS 2022 Page 25
Satz 1.7.8
Sei A ∈ Rn×n symmetrisch beziehungsweise B ∈ Cn×n Hermitesch. Dann existiert eine
orthogonale Matrix O beziehungsweise eine unitäre Matrix U, so dass
A = O Λ OT bzw. B = U Λ UH
wobei Λ eine Diagonalmatrix ist.
Man sagt:
Symmetrische Matrizen sind orthogonal diagonalisierbar.
Hermetische Matrizen sind unitär diagonalisierbar.
Bemerkung. Die Zerlegung in Satz 1.7.8 entspricht der Hauptachsentransformation der
entsprechenden quadratischen Form.
Beweisidee von Satz 1.7.8. Für den Beweis sehen Sie Lax, Satz 8.4 (und benutzen Sie Seite
177 unten). Die wichtigste Tatsache ist, dass symmetrische (oder Hermitesche) Matrizen nur
echte Eigenvektoren besitzen. Wir betrachten den Fall
( A − λ I )2 w = 0.
| {z }
=:Ã, symm.
Wir schlieÿen
2
wT Ã w = 0
2
⇔
à w
= 0 (weil à symmetrisch ist)
⇔ Ã w = 0
⇔ A w = λw.
Also ist jeder Hauptvektor zweiter Stufe in der Tat ein echter Eigenvektor. Ein zusätzliches
Werkzeug, dass im Beweis angewendet wird und das im Allgemeinen nützlich ist, ist das
Orthonormierungsverfahren von Gram und Schmidt:
Satz 1.7.9
Seien {v 1 , . . . , v m } linear unabhängig. Es existieren Vektoren {q 1 , . . . , q m },so dass
Sp{q 1 , . . . , q m } = Sp{v 1 , . . . , v m }
HMII ET+Phys SS 2022 Page 26
und
∥q j ∥ = 1 für jedes j = 1, . . . , m
q Ti q j = 0 für i ̸= j .
Man kann den Satz auch konstruktiv formulieren.
Satz 1.7.8'. Seien {v 1 , . . . , v m } m linear unabhängige, reelle Vektoren. Paarweise orthogonale
Vektoren {q 1 , . . . , q m } mit dem gleichen Spann sind
q1 = v1,
q T1 v 2
q2 = v2 − q1,
q T1 q 1
q T1 v 3 q T2 v 3
q3 = v3 − q1 − q2,
q T1 q 1 q T2 q 2
und im Allgemeinen
i−1 T
X qk vi
qi = vi − qk , 2 ≤ i ≤ m.
k=1
q Tk q k
Normieren ergibt eine orthonormale Basis für den Spann.
Sie werden das Gram-Schmidt-Verfahren in der Globalübung anwenden. Wir schauen uns
ein konkretes Beispiel an.
Beispiel. Finden Sie eine orthogonale Basis für
V := Sp(v 1 , v 2 ),
wobei
1 0
v 1 = 1 ,
v2 = 2 .
2 −4
Man erkennt, dass v1 und v2 linear unabhängig sind. (Wie?) Wir möchten gerne
q 1 := v 1 , q 2 := v 2 + aq 1
de nieren, so dass sie orthogonal sind, d.h., so dass q T1 q 2 = 0. Wir rechnen
q T1 q 2 = v T1 v 2 + av T1 v 1 = −6 + 6a,
so dass a=1 Orthogonalität liefert. Das heiÿt,
1 1
1 und 3
2 −2
HMII ET+Phys SS 2022 Page 27
ist eine orthogonale Basis für V. Eine orthonormale Basis ist dann
1 1
1 1
√ 1 und √ 3
6 2 14 −2
Darüber hinaus kann man eine hinreichende und notwendige Bedingung dafür nden, so
daÿ eine Matrix unitär diagonalisierbar ist. Eine Matrix A ist unitär diagonalisierbar genau
dann, wenn A normal ist, also, wenn
A AH = AH A.
Oensichtlich sind hermetische Matrizen sowie unitäre Matrizen normal.
Unitäre und orthogonale Matrizen sind eine weitere wichtige Klasse von Matrizen. Wir
fassen einige wichtige Eigenschaften im folgenden Satz zusammen. Wir schreiben den Satz
für orthogonale Matrizen; die Aussagen für nicht reelle Hermiteschen Matrizen sind analog.
Satz 1.7.10: Orthogonale Matrizen
Sei O ∈ Rn×n orthogonal. Es gilt:
(i) O erhält die Länge von Vektoren
(O x, O y)R = (x, y)R für alle x, y ∈ Rn .
Insbesondere gilt
∥O x∥R = ∥x∥R für alle x ∈ Rn , ∥O x∥C = ∥x∥C für alle x ∈ Cn .
(ii) Jeder Eigenwert hat Betrag Eins: |λ|C = 1.
(iii) det(O) = ±1.
(iv) Eigenvektoren, die zu verschiedenen Eigenwerten gehören, sind (komplex) orthogonal.
Beweis. Zu (i): Man berechne
(O x)T O y = xT OT O y = xT y.
Analog für x ∈ C.
Zu (ii): Aus
O v = λv
folgt
∥O v∥C = |λ|C ∥v∥C ,
wobei (i) dann |λ| = 1 impliziert.
HMII ET+Phys SS 2022 Page 28
Zu (iii): Nach der Normalisierung der Determinanten gilt
1 = det(I) = det(OT O) = det(OT ) det(O) = (det(O))2 .
Zu (iv): Seien (λ, v), (µ, w) Eigenwert-Eigenvektor Paare von O mit λ ̸= µ. Es gilt
v H w = v H OT O w
= (O v)H O w weil O reell ist
= λv H µw
= λµv H w. (1.7.1)
Da |λ|C = |µ|C = 1 (nach (ii)) und λ ̸= µ (nach Annahme) ist λµ ̸= 1, so dass
vH w = 0
aus (1.7.1) folgt.
Die letzte Klasse von Matrizen, die wir betrachten, sind die positiv de niten Matrizen.
De nition 1.7.11
Die symmetrische Matrix A ∈ Rn×n heiÿt positiv de nit, falls gilt
xT A x ≥ 0 für alle x ∈ Rn
und xT A x = 0 genau dann, wenn x = 0.
Die zu A gehörige quadratische Form kann benutzt werden, um eine neue Norm zu
de nieren
q
∥x∥A := (x, A x)R .
(Erinnern Sie Sich an Skript I, Eigenschaften (1.4.2)-(1.4.4).) Man kann eine positiv de nite
Matrix an ihre Eigenwerte erkennen:
Satz 1.7.12
Die symmetrische Matrix A ∈ Rn×n ist genau dann positiv de nit, wenn alle ihre
Eigenwerte positiv sind.
Beweis. Da A symmetrisch ist, besitzt A n reelle Eigenwerte λ1 , . . . , λn und eine Darstellung
A = O Λ OT ,
HMII ET+Phys SS 2022 Page 29
wobei O orthogonal ist und
λ1
..
Λ= .
.
λn
Es gilt (x, A x) > 0 für jeden nicht trivialen Vektor x ∈ Rn genau dann, wenn
(x, O Λ OT x) > 0 für jeden solchen x
⇔ (OT x, Λ OT x) > 0 für jeden solchen x
⇔ (y, Λ y) > 0 für jedes nicht triviale y ∈ Rn
⇔ λi > 0 für jedes i = 1, 2, . . . , n.
Die wesentlichen Punkte
O1 Symmetrische Matrizen haben reelle Eigenwerte. Sie sind diagonalisierbar und es gibt
eine orthogonale Transformationsmatrix für die Diagonalisierung. Äquivalent: Die Matrix
besitzt n linear unabhängige, orthonormale Eigenvektoren.
O2 Orthogonale Matrizen erhalten die Länge von Vektoren und haben Eigenwerte mit
(komplexem) Betrag Eins.
O3 Eine symmetrische Matrix ist genau dann positiv de nit, wenn alle ihre Eigenwerte
positiv sind. Dann de niert die dazu gehörige quadratische Form eine Norm.
Übung 1.7.13: Beispielaufgabe Klausur
(a) Geben Sie die De nition einer symmetrischen, positiv de niten Matrix A ∈ Rn×n
an.
(b) Ist die Matrix
2 1 2
A = 1 2 2
2 2 3
positiv de nit?
(c) Finden Sie für die Matrix A aus Teil (b) eine orthogonale Zerlegung, d.h eine
orthogonale Matrix O, so dass
A = O Λ OT
gilt, wobei Λ Diagonalgestalt hat.
HMII ET+Phys SS 2022 Page 30
Übung 1.7.14: Beispielaufgabe Klausur
(a) Geben Sie die De nition der Matrixexponentialfunktion einer (n × n)Matrix A
an.
(b) Zeigen Sie, dass die Matrixexponentialfunktion wohlde niert ist.
(c) Berechnen Sie das Matrixexponential der Matrix
1 0 0
A = 0 0 −1 .
0 1 2
Hinweis: Es gilt A = I3 + N mit N 2 = 0.
Kapitel 2
Integralrechnung
Sie kennen das Integral aus der Schule. Wie mit reellen Funktionen und Dierentialrechnung
ist das Ziel jetzt das Verständnis zu vertiefen. Insbesondere möchten wir anschauen wie das
Integral durch einen Grenzwertprozess de niert ist.
2.1 Flächeninhalt
Wenn f eine nichtnegative Funktion ist, würden Sie
b
f (x) dx
a
vielleicht als "den Flächeninhalt des Bereiches, der vom Abschnitt [a, b] der x-Achse und
dem Graphen von f auf [a, b] begrenzt wird grob beschreiben. Wie misst man diesen
Flächeninhalt? Anders ausgedrückt: Was ist der Grenzwertprozess, von dem wir oben gesprochen
haben? Oder, eine einfachere Frage, mit der wir anfangen können: Für welche f ist es trivial
den Flächeninhalt zu messen?
h
f g
a b x a b x a b x
Für g(x) = c ist der Flächeninhalt des Rechtecks mit Seitenlängen c und (b − a)
A = c (b − a)
Für h(x) = c + dx kann man auch den Flächeninhalt des Trapezes durch die elementare
Formel
1
A= (h(a) + h(b)) (b − a)
2
HMII ET+Phys SS 2022 Page 32
ausrechnen. Also, wenn wir eine gute De nition für das Integral nden, dann erwarten wir,
dass
b b
1
g(x) dx = c (b − a), h(x) dx = (h(a) + h(b)) (b − a).
a a 2
Um den Flächeninhalt für eine beliebige (aber "gut genug" zum Beispiel: stetige) Funktion
f zu berechnen, braucht man den in nitesimalen Calculus von Newton und Leibniz.
Wie so oft der Fall ist, hilft es mit einer Approximation zum Flächeninhalt zu beginnen.
Da wir den Flächeninhalt von Rechtecken leicht berechnen können, ergibt es Sinn, den
gesuchten Flächeninhalt durch den Flächeninhalt geeigneter Rechtecke zu approximieren.
(x∗i , f (x∗i ))
b x
xi−1 x∗i xi
a
b
Abbildung 2.1: f (x) dx wird durch die Summe der Flächeninhalte der Rechtecke
a
approximiert.
Im Allgemeinen hängt die Approximation davon ab:
wie viele Punkte xi wir zwischen a und b anlegen,
wie die Punkte xi verteilt sind,
wie der Punkt x∗i in jedem Teilintervall ausgewählt wird.
Drei Ideen für die Auswahl von x∗i fallen einem direkt ein:
Rechtssumme: Auf [xi−1 , xi ] setzt man
x∗i := xi .
Linkssumme: Auf [xi−1 , xi ] setzt man
x∗i := xi−1 .
Mittelsumme: Auf [xi−1 , xi ] setzt man
xi−1 + xi
x∗i := .
2
HMII ET+Phys SS 2022 Page 33
Wir beenden diesen Abschnitt mit dem Beispiel f (x) = x2 auf [0, b]. Für die Punkte {xi }
b
wählen wir n+1 äquidistante Punkte mit Abstand
n
:
b 2b
x0 = 0, x1 = , x2 = ,..., xn = b.
n n
Die Rechtssumme ist
n X n 2 3 Xn
X b ib b ib b
SRn = f = = i2
i=1
n n i=1
n n n i=1
3
b n(n + 1)(2n + 1)
= , (2.1.1)
n 6
so dass
2 b3
SRn → b3 = für n → ∞.
6 3
Andererseits ist die Linkssumme
n n 2 3 Xn
(i − 1)b b (i − 1)b
X
X b b
SLn = f = = (i − 1)2
i=1
n n i=1
n n n i=1
3
b (n − 1)n(2n − 1)
= , (2.1.2)
n 6
so dass
b3
SLn → für n → ∞.
3
Wie nett, dass SRn und SLn den gleichen Grenzwert für n→∞ haben! Noch besser wäre,
wenn wir den gleichen Grenzwert bekämen unabhängig davon, wie wir die Punkte {xi } und
die Zwischenpunkte {x∗i } wählen.
Übung 2.1.1
n
Berechnen Sie die Mittelsumme SM (mit {xi }ni=0 wie oben gegeben). Bestätigen Sie, dass
n b3
lim SM = .
n→∞ 3
Es ist mehr als ein netter Zufall, dass die drei Grenzwerte gleich sind. Wir werden im
nächsten Abschnitt das Riemannsche Integral genau dann de nieren, wenn man den gleichen
∗
Grenzwert erhält, egal wie man sich die Punkte {xi } und Zwischenpunkte {xi } wählt.
Auch wenn man diesen Grenzwert nicht explizit ausrechnen kann, kann man den Grenzwert
durch eine Rechtssumme, Linkssumme, usw. approximieren. In der Praxis möchte man eine
Antwort nicht nur approximieren können, sondern man möchte den Fehler (zwischen dem
2
unbekannten, genauen Wert und der Approximation) abschätzen. Da x monoton wachsend
auf [0, b] ist, gilt
SLn ≤ S ≤ SRn für alle n ∈ N,
HMII ET+Phys SS 2022 Page 34
b3
wobei S := lim SLn = lim SRn (in diesem Fall = 3
). Also ist
n→∞ n→∞
(2.1.1),(2.1.2) b3
|S − SLn | ≤ |SRn − SLn | = ,
n
und das Gleiche für SRn .
Eine bessere Approximation als die Linkssumme oder die Rechtssumme ist der Durchschnitt:
n SLn + SRn
SD := ,
2
weil dann
n 1 n b3
|S − SD | ≤ |S − SLn | = .
2 R 2n
Sehen Sie das Bild unten.
SLn n
S SD SRn
Abbildung 2.2: Die drei Approximationen und der Grenzwert S.
Wie im Beispiel deutlich gemacht, werden wir Summationsformeln ab und zu in der
Integralrechnung nützlich nden. Wir sammeln einige Formeln im untenstehenden Lemma.
Sie können das Lemma mit der vollständigen Induktion beweisen. (Übung)
Lemma 2.1.2. Für c∈R und n∈N gilt:
n
X
1=n (2.1.3)
i=1
Xn
c = nc (2.1.4)
i=1
n
X n(n + 1)
i= (2.1.5)
i=1
2
n
X n(n + 1)(2n + 1)
i2 = (2.1.6)
i=1
6
n 2
X
3 n(n + 1)
i = (2.1.7)
i=1
2
n
X n(n + 1)(2n + 1)(3n2 + 3n − 1)
i4 =
i=1
30
Sie brauchen das Lemma nicht auswendig lernen, aber Sie sollten in der Lage sein, (2.1.3)
(2.1.7) zu zeigen und alle Formeln anzuwenden.
HMII ET+Phys SS 2022 Page 35
Übung 2.1.3
Benutzen Sie Lemma 2.1.2 um Folgendes zu berechnen.
n n 2 !
X X 2 i
(a) i(4i2 − 3), (b) lim −1 .
i=1
n→∞
i=1
n n
Die Formel für die Partialsummen der geometrischen Reihe und die Techniken, die wir in
HMI für Reihen angewendet haben, spielen auch wieder eine Rolle.
Übung 2.1.4
(a) Berechnen Sie
n
X
(i + 3i ).
i=1
(b) Benutzen Sie die Identität 2 sin u cos v = sin(u + v) + sin(u − v) um zu zeigen, dass
x 1 1
2 sin cos ix = sin (i + )x − sin (i − )x .
2 2 2
(c) Benutzen Sie die Formel aus (b) um zu zeigen, dass
n
sin (n + 12 )x − sin x
X
2
cos ix = ,
2 sin x2
i=1
wobei x kein ganzzahliges Vielfaches von 2π ist.
2.2 Das bestimmte Riemann Integral
In diesem Abschnitt betrachten wir immer beschränkte Funktionen. Wir werden später
das uneigentliche Integral einer nicht beschränkten Funktion de nieren. Um das bestimmte
Integral zu de nieren, ist das erste Objekt, das wir brauchen, eine Zerlegung.
De nition 2.2.1
Eine Zerlegung (oder Einteilung oder Partition) P eines Intervalls [a, b] ist eine Menge
{x0 , x1 , . . . , xn }, wobei
n∈N und a = x0 < x1 < · · · < xn = b.
Die Feinheit |P | der Zerlegung ist
|P | := max{|xi − xi−1 |; 1 ≤ i ≤ n}.
HMII ET+Phys SS 2022 Page 36
Eine äquidistante Zerlegung erfüllt
xi − xi−1 = const für alle 1 ≤ i ≤ n.
Wenn für zwei Zerlegungen P und P̃ von [a, b] gilt P ⊆ P̃ , dann sagen wir, dass P̃ eine
Verfeinerung von P ist.
Also ist die kleinste Zerlegung von [a, b] gleich {a, b}. Wir betrachten oft die äquidistante
Zerlegung
b−a (b − a)i b−a
x0 = a, x1 = a + , . . . , xi = a + , . . . , xn = b mit Feinheit .
n n n
Wir bemerken, dass nach De nition P P̃ eine
eine Verfeinerung von sich selbst ist und, dass
Verfeinerung von P nicht bedeutet, dass |P̃ | < |P | gilt. (Es bedeutet nur, dass |P̃ | ≤ |P |.)
Zum Beispiel ist P̃ := {0, 1, 2, 4} eine Verfeinerung von P := {0, 2, 4} wobei |P̃ | = |P | = 2.
Beispiel. Zerlegungen von [−1, 1] sind zum Beispiel:
P1 :={−1, 0, 1},
1
P2 :={−1, − , 0, 1},
2
1 1
P3 :={−1, − , , 1},
2 4
3 1 1
P4 :={−1, − , 0, , , 1}.
4 4 2
Es gilt
3 3
|P1 | = 1, |P2 | = 1, |P3 | = , |P4 | = .
4 4
Übung 2.2.2
Finden Sie die Feinheit der Zerlegung
P := {0, 0.6, 1.2, 1.7, 2, 2.4, 3} P̃ := {0, 0.6, 0.8, 1.2, 1.7, 2, 2.4, 2.8, 3}.
Bemerken Sie, dass es nicht hinreichend ist, Punkte zu addieren um die Feinheit zu
verkleinern. Wir können jetzt Riemannsche Summen de nieren.
De nition 2.2.3
Sei P = {x0 , x1 , . . . , xn } eine Partition von [a, b] und ξ := {ξ1 , ξ2 , . . . , ξn } eine Menge
wobei
ξi ∈ [xi−1 , xi ] für alle 1 ≤ i ≤ n.
HMII ET+Phys SS 2022 Page 37
Die Punkte ξi heiÿen Zwischenpunkte, und
n
X
R(P, ξ; f ) := f (ξi )(xi − xi−1 )
i=1
heiÿt eine Riemannsche Summe (oder Zwischensumme) von f zur Partition P und zur
Zwischenpunktmenge ξ.
Übung 2.2.4
Benutzen Sie P aus Übung 2.2.2 oben und ξi = xi−1 (Linkssumme) um die Riemannsche
Summe für f (x) = x2 − x + 3 zu berechnen. Skizzieren Sie den Graphen von f und die
approximierenden Rechtecke.
Wir haben schon die Beispiele
ξi = xi Rechtssumme,
ξi = xi−1 Linkssumme,
xi−1 + xi
ξi = Mittelsumme
2
betrachtet. Wir haben auch ein Beispiel angeschaut, in dem alle drei Summen denselben
Grenzwert (für Feinheit gegen Null) hatten. Müssen Riemannsche Summen immer denselben
Grenzwert haben?
1
Beispiel (Gegenbeispiel). Sei Pn die äquidistante Zerlegung von [0, 1] mit Feinheit n . Sei
(
1, x ∈ Q
f (x) = . (2.2.1)
0, x ∈ R\Q
Sei ξ eine Zwischenpunktmenge mit ξi ∈ Q für alle i und ξb eine Zwischenpunktmenge mit
ξbi ∈ R\Q für alle i. Dann ist
R(P n , ξ; f ) = 1
für alle n ∈ N.
R(P n , ξ;
b f) = 0
Genau dieses Verhalten möchten wir ausschlieÿen. Das tun wir mit der folgenden De nition.
De nition 2.2.5
Sei f auf [a, b] beschränkt. Dann ist f (Riemann-)integrierbar, falls der Grenzwert
n
X
lim f (ξi )(xi − xi−1 ), (2.2.2)
|P |→0
i=1
existiert, d.h., falls es eine Zahl I∈R gibt, so dass es zu jedem ε>0 ein δ>0 gibt, so
dass für jede Zerlegung P mit |P | < δ und jeder Wahl der Zwischenpunktmenge ξ gilt
|R(P, ξ; f ) − I| < ε.
HMII ET+Phys SS 2022 Page 38
In diesem Fall nennt man I das bestimmte Riemannsche Integral von f auf [a, b]:
b
f (x) dx := I.
a
Die Zahlen a und b heiÿen untere und obere Integrationsgrenzen. Man nennt f den
Integrand. Wenn der Grenzwert in (2.2.2) nicht existiert, dann wird f nicht (Riemann-
)integrierbar genannt.
Bemerken Sie, dass das bestimmte Integral von f auf [a, b] eine Zahl (und keine Funktion
von x) ist!
Wie oben gesehen, existiert der Grenzwert (2.2.2) für die Funktion f in (2.2.1) nicht.
Also ist diese Funktion nicht integrierbar.
Leider ist es i.A. schwierig direkt zu zeigen, dass für eine gegebene Funktion der Grenzwert
in (2.2.2) existiert (weil man unendlich viele Zerlegungen betrachten muss). Andererseits,
b
wenn man weiÿ, dass eine Funktion integrierbar ist, dann kann man a f (x) dx
durch den Grenzwert einer beliebig ausgewählten Folge von Zerlegungen (deren
Feinheit gegen Null konvergiert) und dazu gehörigen Zwischenpunktmengen
ausrechnen.
Fragen
Wir haben gesehen, dass nicht jede Funktion integrierbar ist. Können wir eine groÿe
Klasse von integrierbaren Funktionen identi zieren?
b
Wenn f integrierbar ist, wie kann man
a
f (x) dx gut approximieren?
Was sind die Eigenschaften des Integrals?
b
Gibt es eine e ziente Methode um
a
f (x) dx (exakt) zu berechnen?
Für die erste Frage betrachten wir die folgenden zwei Sätze. Wir fangen mit einer
De nition an.
De nition 2.2.6
Eine Funktion f : [a, b] → R heiÿt stückweise stetig, wenn es eine Partition P =
{x0 , x1 , . . . , xn } von [a, b] gibt, so dass
(i) f ist auf (xi−1 , xi ) stetig für alle i = 1, . . . , n,
(ii) lim f (x) und lim f (x) existieren für alle i = 1, . . . , n.
x↓xi−1 x↑xi
Jetzt beantworten wir die erste Frage oben mit den folgenden zwei Sätzen.
Satz 2.2.7
Wenn f : [a, b] → R stückweise stetig ist, dann ist f integrierbar.
HMII ET+Phys SS 2022 Page 39
Satz 2.2.8
Wenn f auf [a, b] beschränkt ist und es eine Zerlegung P = {x0 , x1 , . . . , xn } von [a, b]
gibt, so dass für jedes i = 1, . . . , n gilt
f ist monoton auf (xi−1 , xi ),
dann ist f auf [a, b] integrierbar.
Die Sätze werden im Abschnitt 2.4 bewiesen. Ein Hilfsmittel dafür ist das Lemma:
Lemma 2.2.9. (i) Seien f undf˜ beschränkte Funktionen, wobei f˜ auf [a, b] integrierbar
ist und f = f˜ auf (a, b). Dann ist f auf [a, b] integrierbar und es gilt
b b
f (x) dx = f˜(x) dx.
a a
(ii) Wenn für a < c < b, f auf [a, c] und [c, b] integrierbar ist, dann ist f auf [a, b]
integrierbar und es gilt
b c b
f (x) dx = f (x) dx + f (x) dx.
a a c
Den Beweis des Lemmas lassen wir als Übung.
Wir bemerken, dass (
1, 0 ≤ x ≤ 21
f (x) = . (2.2.3)
4, 12 ≤ x ≤ 1
nach Satz 2.2.7 integrierbar ist. Dass f in (2.2.3) integrierbar ist, ist eine Voraussetzung
dafür, dass De nition 2.2.5 eine gute De nition ist: Des weiteren sollte das Integral von f
auf [0, 1] genau
1 1 1 5
1· +4· = +2= ,
2 2 2 2
sein, also der Flächeninhalt der zwei Rechtecke, die durch den Graphen von f (und der
x-Achse) de niert sind. Es ist nicht schwierig zu zeigen: De nition 2.2.5 führt in der Tat zu
1
5
f (x) dx = .
0 2
Dieses Beispiel bestätigt, dass
Integrierbarkeit ⇏ Dierenzierbarkeit!
Andererseits sagt man grob, dass
Dierenzierbarkeit ⇒ Stetigkeit ⇒ Integrierbarkeit.
HMII ET+Phys SS 2022 Page 40
(Übung: Erklären Sie genau, was hier gemeint wird. Sprechen wir von Dierenzierbarkeit
in einem Punkt? Auf einem oenen Intervall? Auf einem abgeschlossenen Intervall?) Also ist
die Menge integrierbarer Funktionen echt gröÿer als die Menge dierenzierbarer Funktionen
in dem Sinn, dass die zweite Menge eine echte Teilmenge der ersten Menge ist.
Wie im ersten Abschnitt angedeutet, interpretiert man das Integral als Flächeninhalt,
wenn f nichtnegativ ist. Für Funktionen mit Vorzeichenwechsel, interpretiert man das
Integral als Flächenbilanz, also die Dierenz von der Fläche oberhalb der x-Achse und der
Fläche unterhalb der x-Achse.
Übung 2.2.10
Sei f (x) := x2 + 5.5x − 3 für x ∈ [0, 2]. Benutzen Sie Riemannsche Summen um den
Flächeninhalt zwischen dem Graphen von f und der x-Achse zu nden. Begründen Sie
Ihre Antwort. (Hinweis: Zum Beispiel hilft De nition 2.2.5 sehr.)
Übung 2.2.11
Gleiche Frage für g(x) = cos(x) auf [0, π4 ]. Auf [0, 3π/2]?
Manche Integrale repräsentieren den Flächeninhalt zwischen zwei Graphen, zum Beispiel:
Übung 2.2.12
Finden Sie den Flächeninhalt des Bereiches, der zwischen den Graphen von f (x) = 2−x2
und g(x) = 3x + 4 liegt. Skizzieren Sie den Bereich.
2.3 Approximation des Integrals
Wir haben im Abschnitt 2.2 eine Fehlerabschätzung für die Rechtssumme und die Linkssumme
2
von f (x) = x auf [0, b] gefunden - weil f monoton auf diesem Intervall ist. Wichtig war nicht,
dass wir die Rechts- und Linkssumme betrachtet haben, sondern dass die approximierenden
Rechtecke die Fläche, die vom Abschnitt [0, b] der x-Achse und dem Graphen von f begrenzt
wird, umfassen beziehungsweise von ihr umfasst werden.
Für eine allgemeine Funktion und Zerlegung P besitzen die Obersumme und Untersumme
diese Eigenschaft.
De nition 2.3.1
Sei f auf [a, b] eine beschränkte Funktion und P = {x0 , x1 , . . . , xn } eine Zerlegung von
[a, b]. Seien
Mi := sup f, mi := inf f.
[xi−1 ,xi ] [xi−1 ,xi ]
HMII ET+Phys SS 2022 Page 41
f (x) = x2
g(x)
b x b x
Abbildung 2.3: Der Flächeninhalt der Rechtecke ist gröÿer als das bestimmte Integral.
Man nennt
n
X n
X
O(P ; f ) = Mi (xi − xi−1 ) und U (P ; f ) = mi (xi − xi−1 )
i=1 i=1
die Obersumme und Untersumme von f zur Zerlegung P.
Leicht zu beweisen ist:
Lemma 2.3.2. Sei P eine Zerlegung von [a, b] und f : [a, b] → R eine beschränkte Funktion.
Es gilt
U (P ; f ) ≤ R(P, ξ; f ) ≤ O(P ; f ) (2.3.1)
für jede Zwischenpunktmenge ξ.
Beweis. Übung.
Auÿerdem erhält man Fehlerabschätzungen, in dem Fall, dass f integrierbar ist. Um dies
präzise zu machen, bemerken wir eine Monotonie der Untersumme und der Obersumme,
wenn man "Punkte hinzufügt".
Lemma 2.3.3. Sei P̃ eine Zerlegung von [a, b] mit n Punkten. Sei f : [a, b] → R eine
beschränkte Funktion mit |f (x)| ≤ M für alle x ∈ [a, b]. Für jede Zerlegung P gilt
U (P ; f ) ≤ U (P ∪ P̃ ; f ) ≤ U (P ; f ) + 2(n − 2)M |P |, (2.3.2)
O(P ; f ) ≥ O(P ∪ P̃ ; f ) ≥ O(P ; f ) − 2(n − 2)M |P |. (2.3.3)
Beweisidee. Man zeigt (2.3.2) und (2.3.3) analog, also reicht es aus, wenn wir (2.3.2)
betrachten. Wir zeigen (2.3.2) im Fall n = 3, so dass
P̃ = {a, x1 , b}.
Wenn x1 ∈ P , dann ist (2.3.2) trivialerweise erfüllt. Also nehmen wir o.B.d.A. an, dass
x1 ∈ (yi−1 , yi ) für irgendein i ∈ N, yi−1 , yi ∈ P .
HMII ET+Phys SS 2022 Page 42
Wir setzen
m1 := inf f (x), m2 := inf f (x), m := inf f (x).
[yi−1 ,x1 ] [x1 ,yi ] [yi ,yi−1 ]
Beachten Sie, dass
m ≤ m1 , m ≤ m2 (2.3.4)
Die Dierenz, die wir abschätzen möchten, ist
U (P ∪ P̃ ; f ) − U (P ; f )
= m1 (x1 − yi−1 ) + m2 (yi − x1 ) − m(yi − yi−1 )
= (m1 − m)(x1 − yi−1 ) + (m2 − m)(yi − x1 )). (2.3.5)
Ersetzen von (2.3.4) in (2.3.5) liefert
U (P ∪ P̃ ; f ) ≥ U (P ; f ).
Andererseits liefert
|mj − m| ≤ |mj | + |m| ≤ 2 max |f | ≤ 2M, j = 1, 2
[a,b]
zusammen mit (2.3.5) die Ungleichung
U (P ∪ P̃ ; f ) ≤ U (P ; f ) + 2M (yi − yi−1 ).
Für eine allgemeine Zerlegung P̃ mit n Punkten erhält man mit einem analogen Argument
die rechte Ungleichung in (2.3.2).
Korollar 2.3.4. Sei f beschränkt. Für beliebige Zerlegungen P und P̃ gilt
U (P ; f ) ≤ O(P̃ ; f ).
Beweis. Aus Lemma 2.3.3 erhält man
(2.3.2) (2.3.1) (2.3.3)
U (P ; f ) ≤ U (P ∪ P̃ ; f ) ≤ O(P ∪ P̃ ; f ) ≤ O(P̃ ; f ).
Korollar 2.3.5. Sei f auf [a, b] integrierbar. Sei P eine beliebige Zerlegung von [a, b]. Es
gilt
b
U (P ; f ) ≤ f (x) dx ≤ O(P ; f ). (2.3.6)
a
Beweis. Wenn f integrierbar ist, dann existiert eine Folge {Pn }∞
n=1 von Zerlegungen, so
dass b
R(Pn , ξn ; f ) → f (x) dx für n→∞
a
HMII ET+Phys SS 2022 Page 43
für jede Wahl von Zwischenpunktmengen ξn (zum Beispiel ξn := xn−1 ). O.B.d.A. nehmen
wir an, dass P ⊆ Pn für alle n ∈ N. Aus
U (P ; f ) ≤ U (Pn ; f ) ≤ R(Pn , ξn ; f ) ≤ O(Pn ; f ) ≤ O(P ; f )
und dem Vergleichskriterium für Grenzwerte erhält man (2.3.6)
Korollar 2.3.5 liefert die Fehlerabschätzung, die wir im Abschnitt 2.1 für das Beispiel
f (x) = x2 auf [0, b] direkt geschlossen haben. In der Tat für jede Zerlegung P erhält man
b
f (x) dx − U (P ; f ) ≤ O(P ; f ) − U (P ; f ),
a b
f (x) dx − O(P ; f ) ≤ O(P ; f ) − U (P ; f ),
a
b
U (P ; f ) + O(P ; f ) 1
f (x) dx − ≤ 2 (O(P ; f ) − U (P ; f )) .
a 2
Übung 2.3.6
Benutzen Sie Obersummen und Untersummen um
π
2
sin(x) dx
0
zu approximieren. Geben Sie eine Fehlerabschätzung für
U (Pn ; f ) + O(Pn ; f )
2
an, wobei Pn eine äquidistante Zerlegung mit n = 10, 20, 40 Punkte ist. Das gleiche für
die Mittelsumme. Vergleichen Sie die Fehlerabschätz-ung mit dem tatsächlichen Fehler.
π
(Der genaue Wert des Integrals ist 2
0
sin(x) dx = 1.)
Übung 2.3.7
Das gleiche mit n = 10 aber auf [0, π]! Was ist dabei anders?
In der Praxis würde man ein bestimmtes Integral nicht durch eine Obersumme oder eine
Untersumme approximieren. Es gibt bessere Approximationsmethoden, wie zum Beispiel die
Simpsonregel oder das Runge-Kutta-Verfahren.
2.4 Integrabilitätskriterien*
*Die Beweise aus diesem Abschnitt sind nicht klausurrelevant.
HMII ET+Phys SS 2022 Page 44
Wie in Abschnitt 2.2 bemerkt, ist es oft schwierig zu beweisen, dass eine Funktion f nach
De nition 2.2.5 integrierbar ist. Es wäre sehr hilfreich ein Kriterium zu haben, das leichter
zu überprüfen ist. So ein Kriterium würde auch helfen Sätze 2.2.7 und 2.2.8 zu beweisen -
die Sätze, die für uns Klassen von integrierbaren Funktionen identi zieren. Die Monotonie,
die wir in Lemma 2.3.3 und Korollar 2.3.5 bemerkt haben, motiviert:
De nition 2.4.1
Für [a, b] ⊆ R und f : [a, b] → R beschränkt nennt man
I(f ) := sup{U (P ; f ) : P ist eine Zerlegung von [a, b]}
I(f ) := inf{O(P ; f ) : P ist eine Zerlegung von [a, b]}
das untere Riemannsche Integral und das obere Riemannsche Integral von f.
Ob das untere Riemann-Integral und das obere Riemann-Integral immer gleich sind?
Nein. Ein Gegenbeispiel ist (
0, x ∈ [0, 1] ∩ Q
f (x) = ,
1, x ∈ [0, 1]\Q
wobei
I(f ) = 0, I(f ) = 1.
Dann fragt man sich, ob für jede "gute Funktion" f die Gleichheit
I(f ) = I(f )
erfüllt wird. Hier könnte man "gut" als "integrierbar" de nieren. Dann wäre die Antwort
"ja". Leider sieht De nition 2.4.1 fast genauso schlecht aus wie De nition 2.2.5. Sie wird
aber durch das folgende Lemma leichter anwendbar gemacht.
Lemma 2.4.2. Sei f : [a, b] → R eine beschränkte Funktion, mit
|f (x)| ≤ M für alle x ∈ [a, b].
Sei {Pn } eine Folge von Zerlegungen mit |Pn | → 0 für n → ∞. Dann gilt
lim U (Pn ; f ) = I(f ), lim O(Pn ; f ) = I(f ).
n→∞ n→∞
Lemma 2.4.2 drückt aus, dass man anstatt unendlich vieler Zerlegungen nur eine Folge
von Zerlegungen betrachten muss, um die oberen und unteren Integrale zu berechnen! Der
Beweis folgt unten.
Dass lim U (Pn ; f ) = lim O(Pn ; f ) für eine Folge {Pn }, kann man auch als das folgende
n→∞ n→∞
Kriterium umformulieren.
HMII ET+Phys SS 2022 Page 45
De nition 2.4.3
Eine beschränkte Funktion f : [a, b] → R erfüllt das Riemannsche
Integrabilitätskriterium, wenn es zu jedem ε>0 eine Zerlegung P gibt, so dass
O(P ; f ) − U (P ; f ) < ε.
Jetzt haben wir drei Methoden um zu überprüfen, ob eine Funktion gut ist. Sehr wichtig
für uns ist, dass die drei Kriterien äquivalent sind.
Satz 2.4.4
Für eine beschränkte Funktion f : [a, b] → R sind die folgenden Aussagen äquivalent:
(i) f ist auf [a, b] Riemann-integrierbar,
(ii) I(f ) = I(f ),
(iii) f erfüllt das Riemannsche Integrabilitätskriterium.
Zunächst beweisen wir Lemma 2.4.2. Danach kommt der Beweis von Satz 2.4.4, und dann
betrachten wir die Anwendung von Satz 2.4.4 auf Sätze 2.2.7 und 2.2.8.
Beweis von Lemma 2.4.2. Wir zeigen für eine Folge {Pn } mit |Pn | → 0, dass
lim U (Pn ; f ) = I(f ).
n→∞
Der Beweis fürO(Pn ; f ) ist analog. Im Schritt 1 zeigen wir, dass, wenn U (Pn ; f ) konvergiert,
der Grenzwert dann I(f ) ist. Im Schritt 2 zeigen wir, dass U (Pn ; f ) in der Tat konvergiert.
Schritt 1 Wir nehmen an, dass
lim U (Pn ; f ) = µ für ein µ ∈ R. (2.4.1)
n→∞
Sei P eine Zerlegung mit m Punkten, die das Supremum gut approximiert, das
heiÿt, für ein ε>0 gegeben, sei
U (P ; f ) ≥ I(f ) − ε (2.4.2)
Nach Lemma 2.3.3 gilt
U (Pn ; f ) ≤ U (Pn ∪ P ; f ) ≤ U (Pn ; f ) + 2mM |Pn |.
Aus (2.4.1) und der Annahme |Pn | → 0 schlieÿen wir
µ ≤ lim U (Pn ∪ P ; f ) ≤ µ,
n→∞
HMII ET+Phys SS 2022 Page 46
so dass auch U (Pn ∪P ; f ) gegen µ konvergiert. Andererseits gilt für jedes n ∈ N
U (P ; f ) ≤ U (Pn ∪ P ; f ) ≤ I(f ). (2.4.3)
Wir lassen n→∞ laufen und erhalten aus der Kombination von (2.4.2) und
(2.4.3), dass
I(f ) − ε ≤ U (P ; f ) ≤ µ ≤ I(f ).
Da ε>0 beliebig war, folgt µ = I(f ).
Schritt 2 Da U (Pn ; f ) nach oben durch M (b − a) und nach unten durch −M (b − a)
∗
beschränkt ist, besitzt die Folge einen gröÿten Häufungspunkt µ und einen
kleinsten Häufungspunkt µ∗ . Nach Schritt 1 schlieÿen wir, dass
µ∗ = I(f ), µ∗ = I(f ).
Eine beschränkte Folge konvergiert genau dann, wenn der gröÿte Häufungspunkt
gleich dem kleinsten Häufungspunkt ist, also konvergiert U (Pn ; f ).
Beweis von Satz 2.4.4. In den Übungen werden Sie im Teil A (i) ⇒ (ii) und im Teil B
(ii) ⇒ (iii) zeigen. Es bleibt zu zeigen, dass (iii) ⇒ (i). Sei ε > 0 gegeben. Wir müssen
zeigen, dass es ein I ∈ R und ein δ > 0 gibt, so dass für jede Zerlegung P̃ mit |P̃ | < δ
gilt
|R(P̃ , ξ; f ) − I| < ε.
1
Nach dem Riemannschen Integrabilitätskriterium gibt es zu jedem ,
n
n ∈ N eine Zerlegung
Pn , so dass |Pn | < n1 und
1
O(Pn ; f ) − U (Pn ; f ) < . (2.4.4)
n
Nach Lemma 2.4.2 konvergieren
O(Pn ; f ) → I(f ), U (Pn ; f ) → I(f )
und (2.4.4) impliziert auÿerdem, dass
I(f ) = I(f ) =: I.
Jetzt wenden wir das Riemannsche Integrabilitätskriterium nochmals an, um eine Zerle-
gung P mit m Punkten zu nden, so dass
ε
O(P ; f ) − U (P ; f ) < ,
2
und schlieÿen daraus (wie?), dass auch
ε ε
O(P ; f ) − I < , I − U (P ; f ) < . (2.4.5)
2 2
HMII ET+Phys SS 2022 Page 47
Für die gegebene Zerlegung P̃ folgt aus
U (P̃ ; f ) ≤ R(P̃ , ξ; f ) ≤ O(P̃ ; f ) (2.4.6)
und Lemma 2.3.3, dass
O(P̃ ; f ) ≤ O(P ∪ P̃ ; f ) + 2mM |P̃ |
≤ O(P ; f ) + 2mM |P̃ |
(2.4.5) ε
≤ I + + 2mM |P̃ | (2.4.7)
2
und analog
ε
U (P̃ ; f ) ≥ I − − 2mM |P̃ |. (2.4.8)
2
Ersetzen von (2.4.7) und (2.4.8) in (2.4.6) ergibt
ε ε
I− − 2mM |P̃ | ≤ R(P̃ , ξ; f ) ≤ I + + 2mM |P̃ |. (2.4.9)
2 2
ε
Wir wählen δ= und schlieÿen aus (2.4.9), dass
4mM
|R(P̃ , ξ; f ) − I| < ε.
Beweis von Satz 2.2.7. Wir behaupten, dass es ausreichend ist:
Wenn f : [a, b] → R stetig ist, dann ist f integrierbar (2.4.10)
zu zeigen. Um diese Behauptung zu begründen, werden wir Lemma 2.2.9 anwenden.
Nach der De nition von stückweise stetig (De nition 2.2.6) existiert eine Zerlegung
P = {x0 , x1 , . . . , xn }, so dass f auf (xi−1 , xi ) stetig ist und limx↓xi−1 f (x), limx↑xi f (x)
existieren für jedes i. Also kann man die stetige Ergänzung f˜ auf [xi−1 , xi ] de nieren.
Wenn f˜ integrierbar ist, dann folgt der Satz aus Lemma 2.2.9 und der vollständigen
Induktion. Also nehmen wir o.B.d.A. an, dass f : [a, b] → R stetig ist. Nach Satz 2.4.4
reicht es aus, wenn wir zu jedem ε > 0 eine Zerlegung P nden, so dass
O(P ; f ) − U (P ; f ) < ε.
Sei M ∈ R, so dass
|f | ≤ M für alle x ∈ [a, b].
Sei ε>0 gegeben. Wir nden δ > 0;
ε
|x − y| < δ ⇒ |f (x) − f (y)| < . (2.4.11)
b−a
HMII ET+Phys SS 2022 Page 48
(Warum können wir dies tun?) Dann setzen wir
b−a
N := .
δ
Sei P die äquidistante Zerlegung von [a, b] mit N +1 Punkten. Dann ist
N
X
O(P ; f ) − U (P ; f ) ≤ sup f (x) − inf f (x) (xi − xi−1 )
x∈[xi−1 ,xi ] x∈[xi−1 ,xi ]
i=1
N
(2.4.11) X ε
≤ (xi − xi−1 )
i=1
b−a
ε
= (b − a)
b−a
= ε.
Analog folgt Satz 2.2.8 aus der Tatsache, dass eine beschränkte, monotone Funktion
integrierbar ist (Übung) und Lemma 2.2.9.
Die wesentlichen Punkte
O1 Nicht jede Funktion ist integrierbar. (Gegenbeispiel?)
O2 Stetige Funktionen sind integrierbar. (Warum?) Monotone Funktionen sind integrierbar.
(Warum?)
O3 Es reicht aus, wenn die Funktion stückweise stetig oder stückweise monoton ist. (Warum?)
O4 In der De nition der Integrabilität muss der Grenzwert bezüglich jeder Folge von
Zerlegungen mit Feinheit, der gegen Null konvergiert, und jeder Wahl von Zwischenpunkt-
menge existieren. (schwierig)
O5 Wenn f integrierbar ist, können wir das Integral als Grenzwert bezüglich einer beliebigen
Folge von Zerlegungen berechnen. (leicht)
O6 Um ein Integral abzuschätzen/zu approximieren, sind Obersummen und Untersummen
nützlich. Hier betrachtet man auf jedem Teilintervall ein Optimierungsproblem.
O7 Man kann das bestimmte Integral als Flächeninhalt (ggf. als Flächenbilanz) interpretieren.
Übung 2.4.5
Seif (x) = 1 − x2 auf [−1, 2]. Finden Sie zu ε = 0, 01 eine Zerlegung Z , so dass O(Z; f ) −
U (Z; f ) < ε.
HMII ET+Phys SS 2022 Page 49
Übung 2.4.6
Verwenden Sie eine Zerlegung Z mit 3 Punkten und Riemannsche Summen von f und
g, um eine obere Abschätzung des Flächeninhalts zwischen den Graphen von
f (x) = x2 + 1, und g(x) = 10x − 8
zu nden. Vergleichen Sie mit der Obersumme O(Z; g − f ). Welche Abschätzung ist
besser?
2.5 Eigenschaften des Integrals, Ungleichungen und der
Mittelwertsatz
Bis jetzt haben wir das Integral auf [a, b] nur für a<b de niert. Dies erweitern wir mit der
folgenden De nition.
De nition 2.5.1
Sei a<b und f auf [a, b] integrierbar. Dann ist
a b
f (x) dx := − f (x) dx.
b a
Für jedes c ∈ [a, b] ist
c
f (x) dx := 0.
c
Wir werden folgende Rechenregeln benötigen.
Satz 2.5.2
Sei a<b und c ∈ [a, b]. Es gilt folgendes.
(i) Integration ist eine lineare Abbildung: Für f, g integrierbar und α, β ∈ R ist
αf + βg integrierbar
und es gilt
b b b
αf (x) + βg(x) dx = α f (x) dx + β g(x) dx. (2.5.1)
a a a
(ii) Wenn f auf [a, c] und [c, b] integrierbar ist, dann ist f auf [a, b] integrierbar und es
gilt
b c b
f (x) dx = f (x) dx + f (x) dx. (2.5.2)
a a c
HMII ET+Phys SS 2022 Page 50
(iii) Wenn f auf [a, b] integrierbar ist, dann ist f auf [a, c] und [c, b] integrierbar und es
gilt wiederum (2.5.2).
Beweis. Da f und g integrierbar sind, existiert zu jedem ε̃ > 0 ein δ1 > 0, δ2 > 0, do
dass
b
f (x)dx − R(P, ξ; f ) < ε̃ für |P | < δ1 ,
a b
g(x)dx − R(P, ξ; g) < ε̃
für |P | < δ2 ,
a
für eine beliebige Zwischenpunktmenge ξ. Sei α, β gegeben und ε > 0. Wir setzen
ε
ε̃ := .
2(max{|α|, |β|} + 1)
Sei P eine beliebige Zerlegung mit Feinheit δ > 0, wobei
δ ≤ min{δ1 , δ2 },
und sei ξ eine beliebige Zwischenpunktmenge zu P. Wir de nieren
b b
I := α f (x) dx + β g(x) dx.
a a
Dann gilt
|I − R(P, ξ; αf + βg)|
b b
= α
f (x) dx + β g(x) dx − α R(P, ξ; f ) − β R(P, ξ; g)
a b a
b
≤ |α| f (x) dx − R(P, ξ; f ) + |β| g(x) dx − R(P, ξ; g)
a a
≤ |α| ε̃ + |β| ε̃
ε ε
≤ + = ε.
2 2
Nach De nition 2.2.5 ist αf + βg integrierbar und es gilt (2.5.1).
(ii) zeigen Sie in den Übungen.
Für (iii) verwenden wir Satz 2.4.4. Nach diesem Satz reicht es für die Integrierbarkeit
auf [a, c] aus, wenn wir zu jedem ε>0 eine Zerlegung Pac von [a, c] nden, so dass
O(Pac ; f ) − U (Pac ; f ) < ε.
HMII ET+Phys SS 2022 Page 51
Sei ε>0 also gegeben. Da f auf [a, b] integrierbar ist, gibt es nach Teil (iii) vom Satz
2.4.4 eine Zerlegung P von [a, b], so dass
O(P ; f ) − U (P ; f ) < ε. (2.5.3)
Wenn P den Punkt c nicht enthält, betrachten wir
P̃ := P ∪ {c},
für die (2.5.3) auch gilt (warum?). Sei
Pac := {p ∈ P̃ : p ∈ [a, c]}.
Dann ist Pac eine Zerlegung von [a, c], und es gilt
O(Pac ; f ) − U (Pac ; f ) ≤ O(P̃ ; f ) − U (P̃ ; f ) (warum?)
≤ ε.
Integrierbarkeit von f auf [c, b] folgt analog.
Um (2.5.2) zu zeigen, wählen wir zu ε > 0 Zerlegungen P , P− , und P+ von [a, b] bzw.
[a, c] bzw. [c, b] und dazugehörigen Zwischen-punktmengen ξ , ξ− , und ξ+ , so dass gilt
P = P− ∪ P+ , ξ = ξ− ∪ ξ+
und
b
ε
f (x) dx − R(P, ξ; f ) ≤ ,
3
c a
ε
f (x) dx − R(P − , ξ− ; f ) ≤ ,
a
3
b
ε
bzw. f (x) dx − R(P+ , ξ+ ; f ) ≤ .
c 3
HMII ET+Phys SS 2022 Page 52
(Warum können wir dies tun?) Es folgt
b c b
f (x) dx − f (x) dx + f (x) dx
a a c
b c b
= f (x) dx − R(P, ξ; f ) + R(P, ξ; f ) − f (x) dx + f (x) dx
a b a c
≤ f (x) dx − R(P, ξ; f )
a c b
+ R(P− , ξ− ; f ) + R(P+ , ξ+ ; f ) − f (x) dx + f (x) dx
a c
b
≤ f (x) dx − R(P, ξ; f )
a c b
+ R(P− , ξ− ; f ) − f (x) dx + R(P+ , ξ+ ; f ) − f (x) dx
a c
≤ ε.
Da ε>0 beliebig war, erhalten wir (2.5.2).
Zunächst sammeln wir elementare Ungleichungen des Integrals.
Satz 2.5.3
Seien f, g integrierbar auf [a, b].
(i) Wenn f (x) ≥ 0 für alle x ∈ [a, b], dann ist
b
f (x) dx ≥ 0.
a
(ii) Wenn f (x) ≥ g(x) für alle x ∈ [a, b], dann ist
b b
f (x) dx ≥ g(x) dx.
a a
(iii) Wenn m ≤ f (x) ≤ M für alle x ∈ [a, b], dann ist
b
1
m ≤ f (x) dx ≤ M.
b−a a
(iv) Integrierbarkeit von f auf [a, b] impliziert, dass |f | auf [a, b] integrierbar ist und es
gilt
b b
f (x) dx
≤ |f (x)| dx.
a a
HMII ET+Phys SS 2022 Page 53
Beweis. Übung.
Bemerkung. Bemerken Sie, dass (iv) nur gilt, weil wir hier über beschränkte Funktionen
auf beschränkten, abgeschlossenen Gebieten reden!
Der nächste Satz ist eine Verallgemeinerung des Satzes zu der Dreiecksungleichung, Cauchy-
Schwarzesche Ungleichung und Minkowskische Ungleichung aus dem Skript zur HMI.
Satz 2.5.4
Seien f, g integrierbare Funktionen auf [a, b]. Es gilt:
(i) f 2 , g 2 , (f + g)2 und fg sind integrierbar.
(ii) Cauchy-Schwarzsche Ungleichung:
b b b 12
|f (x)g(x)| dx ≤ |f (x)|2 dx |g(x)|2 dx .
a a a
(iii) Minkowski-Ungleichung oder Dreiecksungleichung:
b 12 b 12 b 21
2 2 2
(f (x) + g(x)) dx ≤ |f (x)| dx + |g(x)| dx . (2.5.4)
a a a
Bemerkungen. O1 Wenn man die sogenannte L2 -Norm von f durch
b 21
2
∥f ∥L2 := |f (x)| dx
a
de niert, dann bekommt (2.5.4) die Form
∥f + g∥L2 ≤ ∥f ∥L2 + ∥g∥L2
O2 Sowie in der obigen Bemerkung gilt (i) hier nur, weil wir über beschränkte Funktionen
reden.
Beweis. Zu (i): Wir werden zeigen, dass das Quadrat einer integrierbaren Funktion
integrierbar ist. Dann folgt Integrierbarkeit von fg aus
(f + g)2 − f 2 − g 2
fg =
2
und Linearität des Integrals. Also reicht es aus, wenn wir zeigen, dass f2 integrierbar
ist. Aus Satz 2.5.3 ist |f | integrierbar. Sei ε > 0 gegeben. Wir nden eine Zerlegung
HMII ET+Phys SS 2022 Page 54
P = {x0 , x1 , . . . , xn } von [a, b], so dass
ε
O(P ; |f |) − U (P ; |f |) < ,
2M
wobei M := sup{|f (x)| : x ∈ [a, b]}. Dann setzen wir
Mk (f ) := sup{f (x) : x ∈ [xk−1 , xk ]}, mk (f ) := inf{f (x) : x ∈ [xk−1 , xk ]}
und bemerken, dass
2 2
Mk (f 2 ) − mk (f 2 ) = Mk (|f |) − mk (|f |)
= Mk (|f |) + mk (|f |) Mk (|f |) − mk (|f |)
≤ 2M Mk (|f |) − mk (|f |) .
Jetzt multiplizieren wir mit(xk −xk−1 ) und summieren. Es folgt, dass f 2 das Riemannsche
2
Integrabilitätskriterium erfüllt; also ist f integrierbar.
Zu (ii): Nach (i) und Satz 2.5.3 ist |f g| integrierbar. Also existiert das Integral auf
der linken Seite von (ii), und es reicht aus, die Ungleichung zu zeigen. Wir erinnern an
die elementare Ungleichung
2ab ≤ a2 + b2 , a, b ∈ R (2.5.5)
und de nieren
|f (x)| |g(x)|
a := , b := .
∥f ∥L2 ∥g∥L2
Ohne Beschränkung der Allgemeinheit können wir annehmen (warum?), dass
∥f ∥L2 > 0, ∥g∥L2 > 0.
⌈ Wenn z.B. ∥f ∥L2 = 0, dann setzen wir
⌊ a := |f (x)|/ε und lassen am Ende ε → 0.
Wir erhalten aus (2.5.5), dass
|f (x)| |g(x)| |f (x)|2 |g(x)|2
2 ≤ + (2.5.6)
∥f ∥L2 ∥g∥L2 ∥f ∥2L2 ∥g∥2L2
Integration von a nach b liefert
b
2 |f (x)g(x)| dx
a
≤ 2,
∥f ∥L2 ∥g∥L2
woraus (ii) folgt.
HMII ET+Phys SS 2022 Page 55
Zu (iii): Nach (i) ist (f + g)2 integrierbar. Also existiert das Integral auf der linken
Seite von (iii) und es reicht aus, wenn wir die Ungleichung zeigen. Wir erinnern an die
Formel v v v
u n u n u n
uX uX uX
2
t (ak + bk )2 ≤ t a +t b2
k k (2.5.7)
i=1 i=1 i=1
aus HMI. Für die Riemannsche Summe bezüglich einer Zerlegung P gilt
n
X n
X
(f + g)2 (ξk )(xk − xk−1 ) = (f (ξk ) + g(ξk ))2 (xk − xk−1 ).
i=1 i=1
√ √
Wir wenden (2.5.7) für ak := xx − xk−1 f (ξk ) und bk := xk − xk−1 g(ξk ) auf die rechte
Seite an und erhalten
n
! 21 n
! 12
X X
(f + g)2 (ξk )(xk − xk−1 ) ≤ f (ξk )2 (xk − xk−1 )
i=1 i=1
n
! 21
X
+ g(ξk )2 (xk − xk−1 ) .
i=1
Jetzt lassen wir |P | → 0.
Unser nächstes Thema sind die Mittelwertsätze der Integralrechnung. Der klassische Satz
ist:
Satz 2.5.5: Mittelwertsatz der Integralrechnung
Sei f : [a, b] → R stetig. Es gibt ein x0 ∈ [a, b], so dass
b
f (x) dx = f (x0 )(b − a).
a
Geometrische Interpretation: Es gibt ein Rechteck, dessen Oberkante den Graphen der
b
Funktion f schneidet und dessen Flächeninhalt gleich a f (x) dx ist.
f (x0 )
a x0 b x
HMII ET+Phys SS 2022 Page 56
Bemerkung. Die Aussage gilt nicht, wenn f nicht stetig ist. Geben Sie ein Gegenbeispiel
an.
Wir werden Satz 2.5.5 durch einen allgemeineren Beweis zeigen.
Satz 2.5.6: Verallgemeinerter Mittelwertsatz der Integralrechnung
Sei f : [a, b] → R stetig. Sei g : [a, b] → R stückweise stetig mit g(x) ≥ 0 und
b
g(x) dx > 0.
a
Dann gibt es ein x0 ∈ [a, b], so dass
b b
f (x)g(x) dx = f (x0 ) g(x) dx.
a a
Bemerkung. Man kann g(x) als ein gewichtetes Maÿ betrachten. Dann ist
b
f g dx
a
b
g dx
a
der Durchschnitt von f bezüglich dem Gewicht g.
Beweis von Satz 2.5.6. Seien m, M durch
m := inf f (x), M := sup f (x)
x∈[a,b] x∈[a,b]
de niert. Da g≥0 gilt
m g(x) ≤ f (x)g(x) ≤ M g(x) für jedes x ∈ [a, b].
Aus Satz 2.5.3 folgt
b b b
m g(x) dx ≤ f (x)g(x) dx ≤ M g(x) dx.
a a a
b
Da g(x) dx > 0, gilt
a
b
f (x)g(x) dx
a
m ≤ b
≤ M.
g(x) dx
a
HMII ET+Phys SS 2022 Page 57
Also liegt die Zahl
b
f (x)g(x) dx
a
c := b
g(x) dx
a
im Intervall [m, M ]. Nach dem Zwischenwertsatz gibt es ein x0 ∈ [a, b], so dass die stetige
Funktion f
f (x0 ) = c
erfüllt.
2.6 Das unbestimmte Integral und der Hauptsatz
Bis jetzt waren a, b ∈ R fest. In diesem Abschnitt lassen wir die obere Grenze variieren.
Dann ist x
f (s) ds
a
eine Funktion des Parameters x. Wenn wir
x
F (x) := f (s) ds
a
de nieren, was können wir über die Funktion F sagen? Ist F stetig? Monoton? Dierenzierbar?
Integrierbar? So gut wie f? Besser als f?
f (s)
a x s
x
Abbildung 2.4: Wie variiert
a
f (s) ds, wenn wir x variieren? (Wenn f ≥ 0 ist? Im
Allgemeinen?)
Wir fangen mit einem Beispiel an. Sei
(
0, x < 0
f (x) =
1, x ≥ 0.
Die Funktion f ist integrierbar aber nicht stetig. Die Funktion
x
(
0, x < 0
F (x) = f (s) ds =
−1 x, x ≥ 0
HMII ET+Phys SS 2022 Page 58
ist stetig. Die Funktion
0,
x x<0
G(x) = F (s) ds = 1
−1 x2 , x ≥ 0
2
ist stetig und dierenzierbar. Dieses Verhalten ist ein allgemeines Phänomen. Man sagt, dass
"Integration Funktionen glättet".
Satz 2.6.1
Seien −∞ < a < b < ∞ und f eine auf [a, b] integrierbare Funktion. Sei
x
F (x) := f (s) ds für x ∈ [a, b].
a
Es existiert ein L ∈ [0, ∞), so dass
|F (x) − F (y)| ≤ L|x − y| für alle x, y ∈ [a, b]. (2.6.1)
Insbesondere ist F stetig.
Bemerkung. Die Eigenschaft (2.6.1) ist stärker als Stetigkeit und heiÿt Lipschitz-Stetigkeit.
Beweis des Satzes. Es gilt
x y
|F (x) − F (y)| =
f (s) ds − f (s) ds
a y a
=
f (s) ds
x
≤ L|x − y|,
wobei
L := sup |f | .
[a,b]
Als Nächstes bemerken wir, dass, wenn der Integrand f besser als integrierbar und
zwar stetig ist, dann ist F dierenzierbar. Diese Tatsache wird der erste Hauptsatz der
Dierentialrechnung genannt.
Satz 2.6.2: Erster Hauptsatz
x
Sei f auf [a, b] integrierbar und in x0 ∈ (a, b) stetig. Sei F (x) := f (s) ds. Dann ist
a
HMII ET+Phys SS 2022 Page 59
F : [a, b] → R in x0 dierenzierbar und es gilt
x
′ d
F (x0 ) = f (x0 ) d.h. f (s) ds = f (x0 ).
dx a x=x0
Beweisidee Wir erinnern an den Dierenzenquotienten:
x
′ 1 1
F (x0 ) = lim (F (x) − F (x0 )) = lim f (s) ds.
x→x0 x − x0 x→x0 x − x0 x0
Man möchte argumentieren, dass
x
1 x − x0
f (s) ≈ f (x0 ) für s ≈ x0 ⇒ f (s) ds ≈ f (x0 ) = f (x0 ).
x − x0 x0 x − x0
Beweis. Zu jedem ε>0 gibt es ein δ > 0, so dass
|x − x0 | ≤ δ ⇒ |f (x) − f (x0 )| ≤ ε. (2.6.2)
(Warum?) Wir schätzen den Abstand zwischen dem Dierentialquotienten und dem
angeblichen Grenzwert wie folgt: Für |x − x0 | ≤ δ gilt
x
F (x) − F (x0 ) 1
− f (x0 ) = f (s) ds − f (x0 )
x − x0 x − x 0 x0
x x
1 1
= f (s) ds − f (x0 ) ds
x − x 0 x0 x − x 0 x0
x
1
≤ |f (s) − f (x 0 )| ds
|x − x0 | x0
(2.6.2)
≤ ε.
Analog kann man für x0 = a oder x0 = b argumentieren, wenn man die links- bzw. die
rechtsseitige Ableitung betrachtet.
Beispiel. Berechnen Sie:
x x2 b b
d d d d
sin(s) ds, sin(s) ds, sin(s) ds, sin(x) dx.
dx a dx a dx a dx a
Satz 2.6.2 drückt aus, dass Integration und Dierentiation zueinander inverse Operationen
sind. Für eine gegebene, stetige Funktion f ist die Funktion
x
F (x) := f (s) ds
a
dierenzierbar mit Ableitung f. Jede Funktion, die diese zwei Eigenschaften besitzt, heiÿt
"Stammfunktion zu f ".
HMII ET+Phys SS 2022 Page 60
De nition 2.6.3
Sei I ⊆ R oen. Sei f : I → R eine reelle Funktion. Wenn F : I → R auf I dierenzierbar
ist und
F ′ (x) = f (x) für alle x ∈ I,
dann heiÿt F Stammfunktion zu f auf I.
Oenbar ist eine Stammfunktion nicht eindeutig de niert, da, wenn F eine Stammfunktion
zu f ist, dann ist auch
Fc (x) := F (x) + C, C∈R
eine Stammfunktion zu f.
Das nächste Lemma drückt aus, dass F bis auf einer additiven Konstante eindeutig
bestimmt ist.
Lemma 2.6.4. Seien F1 , F2 zwei Stammfunktionen zu f auf (a, b) ⊆ R. Dann gibt es ein
C ∈ R, so dass
F1 (x) = F2 (x) + C für alle x ∈ (a, b).
F1
F2
x
Abbildung 2.5: Zwei Stammfunktionen einer Funktion
Beweis. Wir de nieren
G := F1 − F2 .
Nach Annahme (und De nition 2.6.3) ist G dierenzierbar und es gilt
G′ (x) = 0 für alle x ∈ I.
Nach HMI ist G auf I konstant.
Korollar 2.6.5. Sei f : [a, b] → R integrierbar. Sei F eine Stammfunktion zu f auf (a, b).
Dann ist F auf (a, b) stetig und es existieren
lim F (x), lim F (x).
x↓a x↑b
HMII ET+Phys SS 2022 Page 61
Bemerkung. Wenn wir von einer Stammfunktion auf [a, b] sprechen, dann meinen wir damit
immer die stetige Ergänzung von F.
Man erkennt die folgenden Stammfunktionen:
Funktion eine Stammfunktion
1 2
x 2
x
cos(x) sin(x)
sin(x) − cos(x)
ex ex
1
xα , α ̸= −1 xα+1
α+1
1
,x>0 log(x)
x
1
auf einem Intervall I ⊆ R, 0 ∈
/I log |x|
x
Man spricht auch von "dem unbestimmten Integral". Eigentlich bedeutet das unbestimmte
Integral
f (x) dx (ohne Grenzen)
alle Stammfunktionen zu f. Sei
x
F (x) := f (s) ds,
a
wobei f stetig auf einem Intervall I⊆R mit a∈I ist. Dann ist nach Lemma 2.6.4
f (x) dx = {F (x) + C; C ∈ R}.
Wir schreiben meist
f (x) dx = F (x) + C
ohne Mengenklammern.
Beispiel.
x2
x dx = + C.
2
Bemerkung. Es gilt
αf (x) + βg(x) dx = α f (x) dx + β g(x) dx.
HMII ET+Phys SS 2022 Page 62
Wenn f auf [a, b] stetig ist und F ist eine Stammfunktion von f auf [a, b] (vergleiche
Bemerkung 2.6), dann erhält man aus Satz 2.6.2 und Lemma 2.6.4, dass
b
F (b) − F (a) = f (x) dx.
a
Also wenn man eine Stammfunktion des Integranden erkennt, erhält man den Wert des
bestimmten Integrals durch Substitution.
Der zweite Hauptsatz drückt aus, dass dies auch gilt, wenn f nur integrierbar ist.
Satz 2.6.6: Zweiter Hauptsatz
Sei f auf [a, b] integrierbar. Sei c ∈ (a, b) und sei F : [a, b] → R eine stetige Funktion,
die eine Stammfunktion zu f auf (a, c) und auf (c, b) ist. Dann gilt
b
f (x) dx = F (b) − F (a).
a
Das Gleiche gilt, wenn wir anstatt eines Punktes c eine Zerlegung
P = {a = x0 , x1 , . . . , xN = b}
erlauben, so dass F eine Stammfunktion zu f auf (xi−1 , xi ) für jedes i ist.
Beweis. Wir nehmen eine Zerlegung
P = {x0 , x1 , . . . , xn }
von [a, b] mit c ∈ P . Wir betrachten ein beliebiges Teilintervall [xi−1 , xi ]. Da F auf
[xi−1 , xi ] stetig und auf (xi−1 , xi ) dierenzierbar ist, existiert nach dem Mittelwertsatz
der Dierentialrechnung ein ξi ∈ (xi−1 , xi ), so dass
F (xi ) − F (xi−1 )
= F ′ (ξi ) = f (ξi ). (2.6.3)
xi − xi−1
Es folgt
n
X
F (b) − F (a) = F (xi ) − F (xi−1 )
i=1
n
(2.6.3)
X
= f (ξi )(xi − xi−1 ).
i=1
Wenn wir die Feinheit der Partition gegen Null laufen lassen, dann konvergiert die rechte
HMII ET+Phys SS 2022 Page 63
Seite gegen
b
f (x) dx.
a
Analog folgt die Verallgemeinerung.
Fragen:
Wo haben wir Integrierbarkeit von f benutzt?
Wo haben wir Stetigkeit von f benutzt?
Folgt Stetigkeit einer Stammfunktion aus Dierenzierbarkeit der Stammfunktion?
Meist genügt uns:
Satz 2.6.7: Hauptsatz, einfache Form
Sei f auf [a, b] stetig.
Die Funktion x
f (s) ds
a
ist dierenzierbar und es gilt
x
d
f (s) ds = f (x).
dx a
Für jede Stammfunktion F zu f gilt
b
f (x) dx = F (b) − F (a).
a
Der zweite Hauptsatz entspricht der "direkten Methode", durch die man ein Integral
berechnet.
Beispiel.
2
2
1
dx = log(x) = log(2) − log(1) = log(2).
1 x 1
Satz 2.6.6 erlaubt uns auch das bestimmte Integral von nicht stetigen, integrierbaren
Funktionen wie
(
1 x ∈ [0, 1)
f (x) :=
2 x ∈ [1, 2]
schnell zu berechnen. Aber Achtung:
1
1
dx ̸= log(|1|) − log(| − 1|) = 0!
−1 x
HMII ET+Phys SS 2022 Page 64
Übung 2.6.8
Sei
(
−1 x < 0
f (x) :=
1 x ≥ 0.
Finden Sie
Alle Stammfunktionen auf (−∞, 0).
Alle Stammfunktionen auf (0, ∞).
Die einzige stetige Funktion G auf R, so dass G sowohl auf (−∞, 0) als auch auf
(0, ∞) eine Stammfunktion zu f ist. Für welche a, b ∈ R gilt
b
f (x) dx = G(b) − G(a)?
a
Übung 2.6.9
Für welche a, b ∈ R gilt
b
1
dx = log(|b|) − log(|a|)?
a x
Übung 2.6.10
Finden Sie eine Funktion u, die erfüllt
u′ (x) = sin(x), u(0) = 0.
(Wir nennen dies ein Anfangswertproblem.)
Übung 2.6.11
Finden Sie zu
(
x+1 x<0
f (x) := 1
2
x≥0
eine Funktion F, die für alle x, y ∈ R erfüllt
b
f (s) ds = F (b) − F (a).
a
HMII ET+Phys SS 2022 Page 65
Überprüfen Sie Ihr Ergebnis, indem Sie
100
f (s) ds
−1
einmal durch diese Formel und einmal durch elementare Kenntnisse über Flächeninhalt.
Obwohl wir in der HöMa oft Integrale behandeln, für die man eine geschlossene Formel
für die Stammfunktion nden kann, ist dies in der Praxis eine groÿe Ausnahme! Oft
muss man sich mit einer numerischen Approximation zufrieden stellen. Zwei Beispiele durch
Integrale de nierter Funktionen aus der Anwendungen sind:
Übung 2.6.12: Fresnel-Funktion
Wir de nieren für x∈R die Funktion
x
πt2
S(x) = sin dt.
0 2
Die Funktion S heiÿt Fresnel-Funktion und ist nach dem französischen Physiker Augustin
Fresnel (17881827) benannt, der wichtige Arbeit auf dem Gebiet der Optik geleistet hat.
Die Funktion S fand zum ersten mal in Fresnels Theorie zur Beugung von Lichtstrahlen
Anwendung. Eine jüngere Anwendung ndet sich zum Beispiel bei der Konstruktion von
Autobahnen.
Was sind die lokalen Maximalstellen der Fresnelfunktion S?
Übung 2.6.13: Integralsinus-Funktion
Für x∈R ist die Integralsinus-Funktion durch
x
sin(t)
Si(x) = dt
0 t
de niert und spielt eine Rolle in der Elektrotechnik.
sin(t)
(a) Wieso ist die Funktion t 7→ t
auf jedem Intervall [0, x], x ≥ 0, bzw. [x, 0], x < 0,
integrierbar?
(b) Was sind die lokalen Maximalstellen der Integralsinus-Funktion Si?
Nichtsdestotrotz möchte man natürlich festlegen können, ob und wie man eine geschlossene
Formel für eine Stammfunktion nden kann. Das ist unser nächstes Thema.
2.7 Methoden zur Berechnung eines bestimmten Integrals
Die wichtigste Regel der Integration für Analysis/partielle Dierentialgleichungen ist:
HMII ET+Phys SS 2022 Page 66
Satz 2.7.1: Partielle Integration
Seien f und g auf [a, b] stetig und auÿer in endlich vielen Punkten von (a, b) dierenzierbar.
Seien f ′ und g ′ stückweise stetig auf [a, b]. Es gilt
b
b b
′
f ′ (x)g(x) dx,
f (x)g (x) dx = f (x)g(x) − (2.7.1)
a a
a
′
sowie f (x)g (x) dx = f (x)g(x) − f ′ (x)g(x) dx. (2.7.2)
Also kann man "die Ableitung von g auf f verschieben". Der Beweis ist nicht schwer und
folgt aus der Produktregel; siehe unten. Folgende Notation ist oft bequem:
Notation 2.7.2
Für eine Teilmenge I ⊆ R schreiben wir f ∈ C(I), falls f stetig auf I ist. Falls
′
f zusätzlich auf I dierenzierbar ist und es gilt f ∈ C(I), so schreiben wir f ∈
C 1 (I) und analog für C k (I) mit k ∈ N. Siehe auch Notationen 3.4.7, 3.6.4 unten, für
mehrdimensionale Versionen.
Wenn f, g ∈ C 1 ([a, b]), dann ist der Beweis noch einfacher. Da die Annahme des Satzes
schwächer ist, müssen wir auf Teilintervalle einer geeigneten Zerlegung arbeiten:
Beweis. Wir zeigen (2.7.1); (2.7.2) zeigt man analog. Nach Annahme gibt es eine Zerlegung
P := {x0 , x1 , . . . , xn }, so dass
f, g ∈ C 1 ((xi−1 , xi )) für jedes i = 1, . . . , n,
und es existieren
lim f ′ (x), lim g ′ (x) und lim f ′ (x), lim g ′ (x) (2.7.3)
x↓xi−1 x↓xi−1 x↑xi x↑xi
für alle i = 1, . . . , n. Nach der Produktregel gilt
(f g)′ = f ′ g + g ′ f auf jedem Teilintervall (xi−1 , xi ), (2.7.4)
und nach (2.7.4), (2.7.3) und Stetigkeit von f, g existieren die Grenzwerte
lim (f g)′ (x) und lim(f g)′ (x) für alle i = 1, . . . , n.
x↓xi−1 x↑xi
(f g)′ stückweise stetig und dadurch integrierbar. Auÿerdem ist f g eine stetige
Also ist
′
Funktion, die auf jedem Teilintervall eine Stammfunktion zu (f g) ist. Nach dem zweiten
HMII ET+Phys SS 2022 Page 67
Hauptsatz gilt
b
f (b)g(b) − f (a)g(a) = f ′ (x)g(x) + g ′ (x)f (x) dx
a
b b
′
= f (x)g(x)dx + g ′ (x)f (x) dx.
a a
Beispiel.
log(x) dx = log(x) · |{z}
1 dx
| {z } ′
f g
1
= x log(x) − · x dx
x
= x log(x) − x + C.
x ex dx
werden in den Übungen behandelt.
ex sin(x) dx
Die nächst-wichtigste Regel der Integralrechnung ist folgende:
Satz 2.7.3: Substitutionsregel
Seien f ∈ C 1 ([a, b]) und g ∈ C([c, d]) mit W (f ) ⊆ [c, d]. Dann gilt
b f (b)
′
g(f (x))f (x) dx = g(y) dy ,
a f (a)
g(f (x))f ′ (x) dx
= g(y) dy .
y=f (x)
Beweis. Der Beweis ist nicht schwer und folgt aus der Kettenregel.
Beispiel.
2
x2 y = x2
x e dx Substitution mit:
0 dy = 2x dx
y=4
y=4
1 y 1 y 1 4
= e dy = e = (e − 1).
y=0 2 2 y=0 2
Weitere Beispiele mit Hinweisen
2
(log(x))2
1. dx (Hinweis: y = log(x))
1 x
HMII ET+Phys SS 2022 Page 68
1
2. x3 cos(x4 + 2) dx (Hinweis: y = x4 + 2 )
0
π
3
3. tan(x) dx (Hinweis: y = cos(x))
π
4
1
4. arctan(x) dx (Hinweis: partielle Integration mit f (x) = arctan(x), g(x) = x
0
und Substitution mit y = 1 + x2 .)
1
5. dx (Hinweis: y = log |x|)
x log |x|
Manchmal muss man verschiedene Ansätze ausprobieren, bevor man den richtigen Weg
ndet. Mit Übung ndet man leichter den richtigen Weg.
Manchmal möchte man "Substitution in die umgekehrte Richtung" anwenden, also
x=f (y) ′
g(x) dx = g(f (y)) f (y) dy .
y=f −1 (x)
Dies funktioniert, wenn f invertierbar ist.
Beispiel. √
x
e dx.
√
Wir setzen x = y, x = y 2 , y > 0. dx = 2y dy , so
Es gilt dass
√
x y
e dx = e 2y dy
√
y= x
= 2 y ey dy
√
y= x
y y
= 2 (y e − e dy)
√
y= x
√ √
x
√
x
= 2( xe −e ) + c.
Als Nächstes betrachten wir die Integration von trigonometrischen Funktionen. Da man
diese Methode am besten durchs Üben lernt, schauen wir uns ein paar Beispiele an.
Beispiele. O 1
sin(x) cos(x) dx.
Methode 1: Substitution mit y = sin(x) ergibt
y 2 sin2 (x)
sin(x) cos(x) dx = y dy = +c = + c. (2.7.5)
2 y=sin(x) 2
HMII ET+Phys SS 2022 Page 69
Methode 2: Wir kennen die Formel
1
sin(x) cos(x) = sin(2x).
2
Man erhält
1
sin(x) cos(x) dx = sin(2x) dx
2
1
= − cos(y) +c
4 y=2x
1
= − cos(2x) + c. (2.7.6)
4
Diese Ergebnisse sind äquivalent, denn aus der Formel
cos(2x) = 1 − 2 sin2 (x)
erhält man
1 1 1
− cos(2x) + c = − + sin2 (x) + c
4 4 2
sin2 (x)
= + c̃.
2
O2
2 3
sin (x) cos (x) dx = sin2 (x) (1 − sin2 (x)) cos(x) dx
2
= sin (x) cos(x) dx − sin4 (x) cos(x) dx
sin3 (x) sin5 (x)
= − + c.
3 5
O3
y=tan(x)
tan2 (x)
2
tan(x) sec (x) dx = y dy = + c.
y=tan(x) 2
Jetzt wenden wir uns Beispielen zu, bei denen es hilfreich ist, trigonometrische Funktionen
einzuführen .
Beispiel. Finden Sie eine Stammfunktion
√
1 − a2 x2 dx, a > 0, für |a x| ≤ 1.
Wenn wir
h π πi 1
a x = sin θ für θ∈ − , setzen, dann gilt dx = cos θ dθ.
2 2 a
HMII ET+Phys SS 2022 Page 70
Substitution ergibt
p
√ 1
1 − a2 x2 dx = 1 − sin2 θ cos θ dθ
a
1 h π πi
= | cos θ| cos θ dθ, θ∈ − ,
a 2 2
1
= cos2 θ dθ
a
1 1 + cos 2θ
= dθ
a 2
1θ 1
= + sin 2θ + c
a 2 4
1 √
= arcsin(a x) + a x 1 − a2 x2 + c, (2.7.7)
2a
wobei wir
sin 2θ = 2 sin θ cos θ 1 ax
√
= 2a x 1 − a2 x2
θ
√
angewendet haben. 1 − a2 x2
Man überprüft (2.7.7), indem man
1 d √
arcsin(a x) + a x 1 − a2 x2
2a dx
berechnet. Wenn wir keinen Fehler gemacht haben, sollte man
√
1 − a2 x 2
erhalten.
Trigonometrische Substitution ist nützlich zum Beispiel für
√
1 1 16 − x2
dx, √ dx, dx.
1 + x2 1 − x2 x2
Im Allgemeinen denkt man an trigonometrische Substitution, wenn der Integrand enthält:
Für Integrale der Form
1
√ dx (2.7.8)
1 + x2
kann man auch an die hyperbolischen Funktionen denken. Wir erinnern an
et − e−t et + e−t
sinh(t) := , cosh(t) := .
2 2
Dank der Formel
1 + sinh2 (t) = cosh2 (t)
HMII ET+Phys SS 2022 Page 71
Ausdrück im Integrand Substitution
√
a2 − x 2 x = a sin(θ), θ ∈ [−π/2, π/2]
√
a2 + x 2 x = a tan(θ), θ ∈ (−π/2, π/2)
√
x 2 − a2 x = a sec(θ), θ ∈ [0, π/2) oder [π, 3π/2)
kann man (2.7.8) durch Substitution mit
x = sinh(t), dx = cosh(t) dt
behandeln. Man erhält
1 1
√ dx = q cosh(t) dt
1 + x2 2
1 + sinh (t)
1
= cosh(t) dt
| cosh(t)|
= t+c
= arcsinh(x) + c.
Die letzte allgemeine Integrationsmethode, die wir anschauen, ist die Partialbruchzerlegung.
Dies ist eine Integrationsmethode für rationale Funktionen, die wir später für gewöhnliche
Dierentialgleichungen öfter anwenden werden. Wir fangen mit zwei Beispielen an, bevor
wir die allgemeine Methode zusammenfassen.
Partialbruchzerlegung für rationale Funktionen
Beispiel. Man kann
x
dx
x2 −4
durch die Substitution u(x) = x2 − 4 integrieren:
x 1 du 1
2
dx = = ln |u| + c
x −4 u 2 2
1
= ln |x2 − 4| + c.
2
Aber mit
1
dx
x2 −4
funktioniert die Substitution mit u(x) = x2 − 4 nicht, da du = 2x dx nicht (bis auf eine
Konstante) im originalen Integral steht. Man kann das Integral aber leicht berechnen, wenn
man die Formel
1 1 1 1 1
= −
x2 −4 4x−2 4x+2
HMII ET+Phys SS 2022 Page 72
anwendet. Man erhält
1 1 1
dx = ln |x − 2| − ln |x + 2| + c.
x2 −4 4 4
Das ist unser erstes Beispiel der Methode der Partialbruchzerlegung (PBZ).
Die Methode der Partialbruchzerlegung basiert auf der Tatsache, dass jedes reelle Polynom
p eine Darstellung
p(x) = α · (x − a1 )l1 (x − a2 )l2 · . . . · (x − an )ln ·
(x2 + b1 x + c1 )m1 (x2 + b2 x + c2 )m2 · . . . · (x2 + br x + cr )mr
besitzt, wobei gilt:
a1 ̸= a2 ̸= · · · ̸= an sind die reellen Nullstellen von p
l1 , . . . , ln ∈ N sind die zugehörigen Vielfachheiten
(x2 + bi + ci ), i = 1, . . . , r sind paarweise verschiedene, irreduzible, quadratische Terme
mit komplex konjugierten Nullstellen zi , z i , die Nullstellen von p mit Vielfachheit mi ∈
N sind
ℓ1 + ℓ2 + . . . + ℓn + 2(m1 + m2 + . . . + mr ) ist gleich dem Grad von p.
Die Methode der Partialbruchzerlegung sagt Folgendes. Sei
q(x)
R(x) =
p(x)
eine rationale Funktion, wobei q und p Polynome ohne gemeinsame Nullstelle sind und
Grad(q) < Grad(p).
Fall O
1 Wenn p als Produkt von paarweise verschiedenen Linearfaktoren
p(x) = (x − a1 )1 (x − a2 )1 · . . . · (x − an )1
geschrieben werden kann, dann besitzt R eine Darstellung
A1 A2 An
R(x) = + + ... + , Ai ∈ R.
x − a1 x − a2 x − an
Fall O
2 Wenn p als Produkt von paarweise verschiedenen Linearfaktoren und paarweise
verschiedenen quadratischen Polynomen
p(x) = (x − a1 ) · . . . · (x − an )(x2 + b1 x + c1 ) · . . . · (x2 + br x + cr )
geschrieben werden kann, dann besitzt f eine Darstellung
A1 An B1 x + C1 Br x + Cr
R(x) = +. . .+ + 2 +. . .+ 2 , Ai , Bi , Ci ∈ R.
x − a1 x − an x + b 1 x + c 1 x + br x + c r
HMII ET+Phys SS 2022 Page 73
Fall O
3 Wenn p einen Faktor der Form
(x − a)ℓ , ℓ>1
enhält, dann enthält die Partialbruchzerlegung Terme der Form
Ã1 Ã2 Ãℓ
+ 2
+ ... + .
x − a (x − a) (x − a)ℓ
Fall O
4 Wenn p einen Faktor der Form
(x2 + bx + c)m , m>1
enthält, dann enthält die Partialbruchzerlegung Terme der Form
B̃1 x + C̃1 B̃2 x + C̃2 B̃m x + C̃m
2
+ 2 2
+ ... + 2
x + bx + c (x + bx + c) (x + bx + c)m
Bemerken Sie, dass der Ansatz ausschlieÿlich durch p bestimmt ist!
Beispiele. O 1
x
x2 + 2x − 3
=
x
(x + 3)(x − 1)
=
A1
+
A2
x+3 x−1
.
O2
(x2
4x − 1
+ 1)(x − 2)
=
A
x−2
Bx + C
+ 2
x +1
.
O3
x2 (x
1
− 1)
=
A
x−1
+
B1 B2
x
+ 2.
x
O4
(x −
x
4)2 (x2 + 1)2
=
A1
+
A2
x − 4 (x − 4) 2
+
B1 x + C1 B2 x + C2
x2 + 1
+ 2
(x + 1)2
.
Wenn p und q gemeinsame Nullstellen besitzen, dann kürzt man erst durch diese Nullstellen.
Wenn Grad(q) ≥ Grad(p), dann dividiert man zuerst.
Beispiel.
x3 x A1 A2
2
=x+ 2 =x+ + .
x −1 x −1 x−1 x+1
Wie ndet man die Konstanten Ai , Bi , Ci ? Man ndet einen gemeinsamen Nenner, setzt
die Zähler gleich und
multipliziert die Polynome des rechtsseitigen Zählers aus,
oder
wählt Werte für x.
HMII ET+Phys SS 2022 Page 74
Beispiele. O1 Einfache reelle Nullstellen:
x2 + 2 A1 A2 A3
= + + .
(x − 1)(x − 2)(x − 3) x−1 x−2 x−3
Wir nehmen den gemeinsamen Nenner (x − 1)(x − 2)(x − 3):
x2 + 2 A1 (x − 2)(x − 3) + A2 (x − 1)(x − 3) + A3 (x − 1)(x − 2)
= .
(x − 1)(x − 2)(x − 3) (x − 1)(x − 2)(x − 3)
Diese Zwei rationale Funktionen sind gleich für alle x ̸= 1, 2, 3 genau dann, wenn die
Zähler gleich sind für alle x ∈ R.
Also genau dann, wenn
x2 + 2 = A1 (x − 2)(x − 3) + A2 (x − 1)(x − 3) + A3 (x − 1)(x − 2) für alle x ∈ R.
Wir wählen jetzt Werte für x, um die Gleichung so leicht wie möglich zu machen.
x=2 ⇒ 6 = −A2 ⇒ A2 = −6.
3
x = 1 ⇒ 3 = A1 (−1)(−2) ⇒ A1 = .
2
11
x = 3 ⇒ 11 = A3 (1)(2) ⇒ A3 = .
2
Also gilt
x2 + 2 3 6 11
= − + .
(x − 1)(x − 2)(x − 3) 2(x − 1) x − 2 2(x − 3)
O2 Reelle Nullstellen mit Vielfachheit >1
x+4 A1,1 A2,1 A2,2
2
= + + .
(x − 1)(x + 1) x − 1 x + 1 (x + 1)2
Wir erhalten die Gleichung
x + 4 = A1,1 (x + 1)2 + A2,1 (x − 1)(x + 1) + A2,2 (x − 1) für alle x ∈ R.
5
x=1 ⇒ A1,1 = .
4
−3
x = −1 ⇒ A2,2 = .
2
Es fehlt A2,1 . Um A2,1 zu nden, können wir einen anderen Wert für x wählen. Oft ist
x=0 am Einfachsten:
4 = A1,1 + A2,1 (−1) + A2,2 (−1)
5 6
⇒ 4 = − A2,1 +
4 4
−5
⇒ A2,1 =
4
Man erhält
x+4 5 5 3
2
= − − .
(x − 1)(x + 1) 4(x − 1) 4(x + 1) 2(x + 1)2
HMII ET+Phys SS 2022 Page 75
Zusammenfassung der Methode
q(x)
Für R(x) = gegeben,
p(x)
Kürzen und dividieren bis der Grad des Zählers echt kleiner ist als der Grad des
Nenners.
Die Form der Partialbruchzerlegung feststellen.
Die Konstanten der Partialbruchzerlegung nden.
Integrieren.
Übung 2.7.4
Berechnen Sie
x4 + x3 − x2 + 4
dx
x3 + x2 − x − 1
und
3
x4 + x3 − x2 + 4
dx.
2 x3 + x2 − x − 1
(Hinweis: Oben haben wir eine nützliche Zerlegung berechnet.)
Überblick
Im Abschnitt 2.7 haben wir Methoden für die folgenden Sorten von Integralen entwickelt:
1. x exp(x) dx
2. log(x) dx
3. x exp(x2 ) dx
(log(x))2
4. dx
x
5. x3 cos(x4 + 2) dx
π
3
6. tan(x) dx
π
4
1
7. arctan(x) dx (Hinweis: partielle Integration)
0
HMII ET+Phys SS 2022 Page 76
1
8. dx
x log(x)
√
x
9. e dx
10. sin(x) cos(x) dx (zwei Methoden)
11. sin2 (x) cos3 (x) dx
12. tan(x) sec2 (x) dx
√
13. 1 − 4x2 dx
1
14. dx
1 + x2
1
15. √ dx
1 − x2
1
16. √ dx
1 + x2
1
17. dx
x2 −x−6
Übung 2.7.5: Beispielaufgabe Klausur
Hier schauen wir uns Riemannsche Summen und Integrale an.
n
X n(n + 1)
(a) Beweisen Sie durch vollständige Induktion: i= .
i=1
2
(b) Berechnen Sie eine Stammfunktion von f (x) = 2x mittels Riemannscher Summen.
Erläutern Sie, weshalb die Riemannsche Summen gegen das bestimmte Integral
konvergieren.
(c) Berechnen Sie den Flächeninhalt des Bereichs, der von den Graphen von
2
f (x) = sin(x) und p(x) = π42 x − π2 − 1 eingeschlossen wird.
(d) Berechnen Sie
1
(i) x sin(x) dx, (ii) √ dx.
x2 1 − x2
HMII ET+Phys SS 2022 Page 77
Übung 2.7.6: Beispielaufgabe Klausur
Monotonie, Integrierbarkeit, und der Hauptsatz.
(a) Es seien a<b∈R und f : [a, b] → R beschränkt und monoton. Zeigen Sie: f ist
integrierbar.
2 √
(b) Benutzen Sie Obersummen und die Zerlegung P = {−1, 0, 1, 2} um x2 + 1 dx
−1
zu approximieren. Skizzieren Sie den Graphen von f und seiner Approximation.
Geben Sie eine Fehlerabschätzung an.
(c) Berechnen Sie
x3 10 10
d d d
(i) cos(t) dt, (ii) cos(t) dt, (iii) cos(t) dt.
dx 1 dx x ds x
(d) Berechnen Sie
arccos(t) dt.
Übung 2.7.7: Beispielaufgabe Klausur
(a) Zeigen Sie, dass
n
X n(n + 1)
i= .
i=1
2
(b) Seien −∞ < a < b < ∞. Zeigen Sie (nur) anhand Riemannscher Summen und
evtl. mit Integrabilität einer geeigneten Funktion, dass
b
1
x dx = (b2 − a2 ).
a 2
(c) Zeigen Sie die folgenden Abschätzungen:
(i)
2
2 1
≤ dx ≤ 2,
5 0 1 + x2
(ii)
1 1 1 21
1
x6 dx ≤ x4 dx ≤ √ x6 dx .
0 0 3 0
HMII ET+Phys SS 2022 Page 78
Hinweis: In Teil (c) dürfen Sie die p-Regel für p≥0 verwenden:
b
1 x=b bp+1 − ap+1
xp dx = xp+1 = .
a p+1 x=a p+1
Übung 2.7.8: Beispielaufgabe Klausur
π/2
(a) Man berechne das Integral
0
cos(x) sin(x) dx durch Substitution y = sin x, wobei
die Substitution unter Mitführung der Integrationsgrenzen durchzuführen ist.
π/2
(b) Man berechne das Integral
0
cos(x) sin(x) dx durch partielle Integration, wobei
die partielle Integrationen unter Mitführung der Integrationsgrenzen durchzuführen
ist.
(c) Man berechne das Integral:
4 √
2x+1
e dx.
2
2.8 Uneigentliche Integrale
Jetzt möchten wir die De nition des Integrals erweitern, damit wir Ausdrücke wie
1 ∞
1
log(x) dx und dx
0 1 x2
einen Sinn geben können. Im ersten Beispiel ist der Integrand auf (0, 1) unbeschränkt. Im
zweiten Beispiel betrachten wir statt eines beschränkten Intervalls [a, b] das unbeschränkte
Intervall [1, ∞). Beide werden wir als Grenzwert de nieren.
1 1
log(x) dx := lim log(x) dx,
0 a↓0 a
∞ b
1 1
dx := lim dx.
1 x2 b↑∞ 1 x2
Die allgemeinen De nitionen schreiben wir wie folgt.
De nition 2.8.1
Sei f : (a, b] → R eine Funktion, wobei f auf [α, b] integrierbar für jedes α>a ist und
lim f (x) nicht existiert,
x↓a
b
und lim f (x) dx existiert. (2.8.1)
α↓a α
HMII ET+Phys SS 2022 Page 79
Dann sagen wir, dass das uneigentliche Integral
b
f (x) dx
a
konvergiert oder existiert und hat den Wert
b
lim f (x) dx.
α↓a α
In diesem Fall sagt man, dass f auf (a, b] uneigentlich integrierbar ist.
Falls der Grenzwert in (2.8.1) nicht existiert, dann sagen wir, dass f auf (a, b]
nicht uneigentlich integrierbar ist. Wenn der Grenzwert in (2.8.1) gegen ∞ (bzw. −∞)
divergiert, dann sagen wir, dass das uneigentliche Integral gegen ∞ (bzw. −∞) divergiert
und notieren dies mit
b b
f (x) dx = ∞ bzw. f (x) dx = −∞.
a a
De nition 2.8.2
Sei f : [a, ∞) → R eine Funktion, wobei f auf [a, β] integrierbar ist für jedes β ∈ (a, ∞).
Wenn
β
lim f (x) dx (2.8.2)
β→∞ a
existiert, dann sagen wir, dass das uneigentliche Integral
∞
f (x) dx
a
konvergiert oder existiert und hat den Wert
β
lim f (x) dx.
β→∞ a
In diesem Fall sagt man, dass f auf [a, ∞) uneigentlich integrierbar ist.
Falls der Grenzwert in (2.8.2) nicht existiert, dann sagen wir, dass f auf (a, ∞)
nicht uneigentlich integrierbar ist. Wenn der Grenzwert in (2.8.2) gegen ∞ (bzw. −∞)
divergiert, dann sagen wir, dass das uneigentliche Integral gegen ∞ (bzw. −∞) divergiert
und notieren dies mit
∞ ∞
f (x) dx = ∞ bzw. f (x) dx = −∞.
a a
Analog de niert man das uneigentliche Integral
HMII ET+Phys SS 2022 Page 80
auf [a, b), wenn lim f (x) nicht existiert,
x↑b
oder
auf (−∞, b] oder (−∞, ∞).
Beispiel. Für welche Werte von α>0 existiert
1
1
dx ?
0 xα
Die Singularität des Integrands ist in Null. Wir rechnen
1
1
1 1 1−α
dx = x für α ̸= 1
a xα 1−α
a
1 a1−α
= −
1− α 1 − α
1 für a ↓ 0, wenn α < 1
→ 1−α
∞ für a ↓ 0, wenn α > 1.
Für α=1 ist 1
1
dx = log(1) − log(a) → ∞ für a ↓ 0.
a x
Also existiert das uneigentliche Integral genau dann, wenn α ∈ (0, 1).
Übung 2.8.3
Zeigen Sie, dass
∞
1
dx existiert genau dann, wenn α ∈ (1, ∞).
1 xα
1
Bemerkung. Bemerken Sie, dass x sowohl in einer Umgebung von Null als auch in einer
Umgebung von Unendlich gerade nicht integrierbar ist.
Wie de niert man b
f (x) dx,
a
wenn f eine Singularität in einem Punkt c ∈ (a, b) besitzt?
De nition 2.8.4
Sei c ∈ (a, b). Sei f : (a, b)\{c} → R eine Funktion, wobei die Integrale
c b
f (x) dx und f (x) dx
a c
HMII ET+Phys SS 2022 Page 81
(ggf. als uneigentliche Integrale) existieren. Dann sagen wir, dass das uneigentliche
Integral
b
f (x) dx
a
konvergiert oder existiert und hat den Wert
c b
f (x) dx + f (x) dx.
a c
In diesem Fall sagt man, dass f auf (a, b) uneigentlich integrierbar ist.
Bemerkung. Die Berechnung ∞ − ∞ =0 ist NICHT ERLAUBT! Zum Beispiel ist
1
1
dx
−1 x
nicht de niert, weil 1/x weder auf [−1, 0) noch auf (0, 1] uneigentlich integrierbar ist.
Beispiel. Ein Studierender schreibt
1 1 −ε
1 1 1
dx = lim dx + dx
−2 x3 ε→0 −2 x
3
ε x
3
1 1 1 1
= lim − − +1− 2
ε→0 2 ε2 4 ε
3
= − .
8
Woran liegt der Fehler? Können Sie zusätzlich raten, wieso wir den Grenzwert nicht durch
diese Berechnung de nieren?
Wir haben uneigentliche Integrale so de niert, dass die üblichen Rechenregeln gelten.
Satz 2.8.5
Seien a, b ∈ R ∪ {−∞, ∞} und f, g : (a, b) → R ∪ {−∞, ∞} Funktionen, so dass f und
g auf (a, b) uneigentlich integrierbar sind, d.h.,
b b
f (x) dx, g(x) dx
a a
existieren. Es gilt
b b b
(i) αf (x) + βg(x) dx = α f (x) dx + β g(x) dx.
a a a
b b
(ii) f (x) dx ≤ |f (x)| dx.
a a
HMII ET+Phys SS 2022 Page 82
b c b
(iii) f (x) dx = f (x) dx + f (x) dx für alle c ∈ (a, b).
a a c
Beweis. Übung.
Es ist bequem festlegen zu können, dass das einzige Problem in einem Endpunkt liegt.
Deswegen führen wir folgende De nition ein.
De nition 2.8.6
Wir nennen f auf (a, b) lokal integrierbar, wenn f auf jedem Interval [c, d] ⊆ (a, b)
integrierbar ist.
Jetzt formulieren wir ein Vergleichskriterium für uneigentliche Integrale.
Satz 2.8.7: Vergleichskriterium
Seien a, b ∈ R ∪ {−∞, ∞}. Sei g eine auf (a, b) uneigentlich integrierbare Funktion.
Angenommen es gilt
|f (x)| ≤ g(x) für x ∈ (a, b).
(i) Wenn |f | auf (a, b) lokal integrierbar ist, dann ist |f | auf (a, b) uneigentlich integrierbar
und es gilt
b b
|f (x)| dx ≤ g(x) dx.
a a
(ii) Wenn f auf (a, b) lokal integrierbar ist, dann ist f auf (a, b) uneigentlich integrierbar
und es gilt
b b b
f (x) dx ≤ |f (x)| dx ≤ g(x) dx.
a a a
Beweis. Wir lassen den Beweis als Übung. Hilfreich um (ii) aus (i) zu schlieÿen ist
folgendes Cauchy-Kriterium. Wenn für c ∈ (a, b) f lokal integrierbar auf (a, c) ist, dann
existiert
c
lim f (x) dx
α↓a α
genau dann, wenn es zu jedem ϵ > 0 ein δ > 0 gibt, so dass α ∈ (a, a+δ) und β ∈ (α, a+δ)
HMII ET+Phys SS 2022 Page 83
impliziert
β
f (x) dx ≤ ϵ.
α
Das Vergleichskriterium ist nützlich zum Beispiel für
∞ ∞
log(x) log(x)
dx, dx für α > 0.
1 x2 1 x1+α
Beispiel. Zeigen Sie, dass ∞
sin(x)
dx
0 x
existiert. In Null ist der Integrand nicht de niert, aber
sin(x)
lim =1
x↓0 x
[0, 1] (zum Beispiel) stetig ergänzbar ist. ( Und wir erinnern
impliziert, dass der Integrand auf
an Teil (i) von Lemma 2.2.9.) Also ist sin(x)/x auf (0, 1) integrierbar. Auf (1, ∞) ist sin(x)/x
lokal integrierbar, aber wir müssen überprüfen, ob der Grenzwert
b
sin(x)
lim dx
b↑∞ 1 x
1
existiert. Da x auf [1, ∞) nicht integrierbar ist, hilft uns
sin(x) 1
x ≤ x
1
nicht. Wenn wir allerdings partielle Integration auf [1, b] mit u = x
, v = cos(1) − cos(x)
anwenden, erhalten wir
b
b b
sin(x) 1 cos(1) − cos(x)
dx = (cos(1) − cos(x)) + dx
1 x x 1 1 x2
b
cos(1) − cos(b) cos(1) − cos(x)
= + dx. (2.8.3)
b 1 x2
Einerseits gilt
cos(1) − cos(b) 2
≤ →0 für b → ∞. (2.8.4)
b b
Andererseits schlieÿen wir aus lokale Integrierbarkeit von (cos(1)−cos(x))/x2 , der Abschätzung
cos(1) − cos(x)
≤ 2 für x ≥ 1,
x 2 x2
und dem Vergleichskriterium, dass
b
cos(1) − cos(x)
lim dx existiert. (2.8.5)
b↑∞ 1 x2
HMII ET+Phys SS 2022 Page 84
⌈ In diesem Fall können wir dies auch direkt zeigen. Sei ε > 0 gegeben. Sei M ∈ R
so groÿ, dass
2
< ε.
M
Dann ist
n
n n
cos(1) − cos(x) cos(1) − cos(x) 2 2
2
dx ≤
2
dx ≤ 2
dx ≤ <ε
m x m
x
m x m
⌊ für alle n ≥ m ≥ M.
Aus (2.8.3), (2.8.4), und (2.8.5) folgt, dass sin(x)/x auf (1, ∞) uneigentlich integrierbar ist.
Also ist
sin(x)
auf (0, ∞)
x
integrierbar.
Bemerkung. Das Beispiel von Dirichlet impliziert nicht, dass
∞
| sin(x)|
dx
0 x
existiert, und es gilt in der Tat
∞
| sin(x)|
dx = ∞.
0 x
(Vergleichen Sie mit Satz 2.5.3 (iv)!)
Das Dirichlet Integral ist ähnlich zu einer bedingt konvergenten Reihe.
Abbildung 2.6: Die positiven und negativen Beiträge heben sich weg.
Wie mit Reihen stört es, wenn die Konvergenz eines Integrals von der Vorzeichenänderung
des Integranden abhängt. Es ist besser, wenn die Konvergenz stärker ist:
De nition 2.8.8
Seien a, b ∈ R ∪ {−∞, ∞}. Wenn das uneigentliche Integral
b
f (x) dx existiert
a
HMII ET+Phys SS 2022 Page 85
und auÿerdem existiert das Integral
b
|f (x)| dx,
a
dann heiÿt b
f (x) dx
a
absolut konvergent und man sagt, dass f auf (a, b) absolut integrierbar ist.
Übung 2.8.9
Bestimmen Sie, ob
x+1
f (x) =
x 3 − x5 − 1
auf [3, ∞) uneigentlich integrierbar ist. Falls ja, bestimmen Sie, ob f auf [3, ∞) absolut
integrierbar ist.
2.9 Integralrechnung und Reihen
Das Integral liefert uns ein neues Konvergenzkriterium für Reihen. Das Kriterium kann man
durch Obersummen und Untersummen verstehen. Sei f : [1, ∞) → R eine positive, monoton
fallende Funktion. Für n ∈ N sind die Obersumme und Untersumme auf [1, n] zur Zerlegung
{1, 2, . . . , n} beide Teilsummen von Reihen mit Koe zienten f (k). Aus dieser Beobachtung
folgt das Integralkriterium.
Satz 2.9.1: Integralkriterium für Reihen
f : [1, ∞) → R eine positive, monoton fallende Funktion. Dann konvergiert ∞
P
Sei k=1 f (k)
genau dann, wenn f auf [1, ∞) uneigentlich integrierbar ist, d.h., genau dann, wenn
∞
f (x) dx existiert.
1
Beweis. Man bemerkt, dass
k+1
f (k + 1) ≤ f (x) dx ≤ f (k).
k
Wenn man über k = 1, . . . , n − 1 summiert, kann man schlieÿen, dass
n
X n
f (n) ≤ f (k) − f (x) dx ≤ f (1). (2.9.1)
k=1 1
HMII ET+Phys SS 2022 Page 86
Da
n
X n
sn := f (k) und tn := f (x) dx
k=1 1
beide monoton wachsende Folgen sind, folgt aus (2.9.1), dass sn genau dann konvergiert,
wenn tn konvergiert.
Beispiele. O1 Die harmonische Reihe
P∞ 1
k=1 k divergiert.
O2 Die Reihe
P∞ 1
k=1 kα konvergiert genau dann, wenn α > 1.
O3 Die Reihe
P∞
k=1 k exp(−k 2 ) konvergiert.
Jetzt schauen wir uns Verbindungen zwischen dem Integral und Taylor-Reihen an. Wir
erinnern an den Satz von Taylor (Satz 7.4.2) aus HMI:
Wenn f : (a, b) → R (n + 1)-mal dierenzierbar ist, dann gilt
n
X f (k) (x0 ) f (n+1) (c)
k
f (x) = (x − x0 ) + (x − x0 )n+1
k=0
k! (n + 1)!
für alle x, x0 ∈ (a, b) und irgendein c zwischen x und x0 .
Hier wird
f (n+1) (c)(x − x0 )n+1
(n + 1)!
die Dierentialform des Restglieds
n
X f (k) (x0 )
Rn (x; x0 ) := f (x) − (x − x0 )k
k=0
k!
genannt. Jetzt führen wir die Integralform des Restglieds ein.
Satz 2.9.2
Wenn f ∈ C n+1 ((a, b)) für irgendein n ∈ {0, 1, 2, . . .}, dann gilt
x
1
Rn (x, x0 ) = (x − t)n f (n+1) (t) dt. (2.9.2)
n! x0
Beweis. Wir benutzen vollständige Induktion. Für n=0 ist
x
f (x) − f (x0 ) = f ′ (t) dt
x0
der erste Hauptsatz (Satz 2.6.2). Wir nehmen an, dass für ein n ∈ {0, 1, 2, . . .} gilt
x
1
Rn (x; x0 ) = (x − t)n f (n+1) (t) dt, (2.9.3)
n! x0
HMII ET+Phys SS 2022 Page 87
und, dass f ∈ C n+2 . Wir müssen zeigen, dass (2.9.2) für n+1 gilt. Aus (2.9.3) folgt
f (n+1) (x0 )(x − x0 )(n+1)
Rn+1 = f (x) − f ′ (x0 )(x − x0 ) − . . . −
(n + 1)!
x (n+1)
1 f (x0 )(x − x0 )(n+1)
= (x − t)n f (n+1) (t) dt − .
n! x0 (n + 1)!
Wir schreiben den zweiten Term als Integral mittels
x
(x − x0 )n+1 1
= (x − t)n dt,
(n + 1)! n! x0
so dass x
1
(x − t)n f (n+1) (t) − f (n+1) (x0 ) dt.
Rn+1 =
n! x0
Partielle Integration mit u = f (n+1) (t) − f (n+1) (x0 ), dv = (x − t)n liefert
x
1
Rn+1 = (x − t)n+1 f (n+2) (t) dt.
(n + 1)! x0
Nach dem Prinzip der vollständigen Induktion gilt (2.9.2) für jedes n ∈ {0, 1, 2, . . .}.
Übung 2.9.3
1
Finden Sie das Taylorpolynom zweiter Ordnung von f (x) = x
um x0 = 1 und die
Integralform des Restglieds.
Übung 2.9.4
Verwenden Sie die Integralform des Restglieds, um zu zeigen, dass die Taylorreihe von
sin(x) um x0 = 0 auf ganz R konvergiert.
Übung 2.9.5
Bestimmen Sie
sin(x) − x + 61 x3
lim ,
x→0 x5
einmal mit der Regel von l'Hôspital und einmal mit einer Taylor Formel.
In HMI haben wir gesehen, dass Taylorreihen
∞
X
f (x) = ak x k
k=0
HMII ET+Phys SS 2022 Page 88
termweise dierenzierbar sind, das heiÿt, dass
∞
X
′
f (x) = kak xk−1 .
k=0
Termweise Integration ist auch für Taylorreihen in Ordnung - solange die Reihe in den
Integrationsgrenzen konvergiert.
Satz 2.9.6
Wenn die Taylorreihe
∞
X
f (x) = ak x k
k=0
in x=a und x=b konvergiert, dann gilt
b ∞
X b
f (x) dx = ak xk dx
a k=0 a
Bemerkung. Wie termweise Ableitung, gilt termweise Integration für allgemeine Reihen
nur mithilfe gleichmäÿiger Konvergenz.
Bemerkung. Wir werden den Satz aus dem (stärkeren) Satz von Abel folgern. Siehe unten.
Beispiel. Aus
1
= 1 + x + x2 + . . . für |x| < 1
1−x
erhalten wir
1
2
= 1 − x2 + x 4 − x6 + . . . für |x| < 1. (2.9.4)
1+x
Satz 2.9.6 impliziert, dass
x
1
arctan(x) = 2
dy für 0<x<1
0 1+y
xX
∞
= (−y 2 )k dy
0 k=0
X x
∞
= (−y 2 )k dy
k=0 0
∞
X 1
= (−1)k x2k+1 . (2.9.5)
k=0
2k + 1
Frage: Kann man daraus schlieÿen, dass
π 1 1 1
arctan(1) = = 1 − + − + . . .? (2.9.6)
4 3 5 7
Dies folgt aus Satz 2.9.6 nicht, da die Reihe in (2.9.4) in x = 1 nicht konvergiert. Um die
Gleichung in (2.9.6) zu bestätigen, brauchen wir Stetigkeit der Reihe in (2.9.5) in x = 1.
Dies erhalten wir unten im Satz von Abel. Zunächst brauchen wir ein Hilfslemma.
HMII ET+Phys SS 2022 Page 89
Lemma 2.9.7 (Abels Formel). Seien {ak }k∈N , {bk }k∈N reelle Folgen und für n ≥ m ≥ 1
setze:
n
X
An,m := ak .
k=m
Für alle n≥m≥1 gilt
n
X n−1
X
ak bk = An,m bn − Ak,m (bk+1 − bk ).
k=m k=m
Beweis. Aus Ak,m − Ak−1,m = ak und Am,m = am folgt
n
X n
X
ak b k = am b m + (Ak,m − Ak−1,m )bk
k=m k=m+1
n
X n−1
X
= am b m + Ak,m bk − Ak,m bk+1
k=m+1 k=m
n−1
X n−1
X
= am b m + Ak,m bk + An,m bn − Ak,m bk+1 − Am,m bm+1
k=m+1 k=m+1
n−1
X
= An,m bn − Am,m (bm+1 − bm ) − Ak,m (bk+1 − bk )
k=m+1
n−1
X
= An,m bn − Ak,m (bk+1 − bk ).
k=m
Bemerkung. Man kann Abels Formel als diskretes Analogon partieller Integration interpretieren.
Satz 2.9.8: Satz von Abel
Sei a < b. Wenn die Taylorreihe
∞
X
f (x) := ak x k
k=0
auf [a, b] konvergiert, dann ist f auf [a, b] stetig.
Beweis. O.B.d.A. nehmen wir an, dass a = 0 und b = R, der Konvergenzradius der
Reihe. Die Annahme ist, dass f in b = R konvergiert, also, dass es zu jedem ε>0 ein
N ∈N gibt, so dass m, n ≥ N impliziert, dass
Xn
k
ak R < ε. (2.9.7)
k=m
HMII ET+Phys SS 2022 Page 90
Sei x1 ∈ (0, R). Dann gilt
n n x k x n Xn−1
X X
1
1 x1 k+1 x1 k
ak xk1 = ak R k = An,m − Ak,m −
R R R R
k=m k=m k=m
(2.9.8)
wobei
n
X
An,m := ak R k .
k=m
In (2.9.8) haben wir Abels Formel angewendet. Gleichung (2.9.8) zusammen mit der
Dreiecksungleichung und (2.9.7) ergibt
n n−1
X x n x1 k x1 k+1
1
X
k
ak x 1 ≤ ε +ε −
R R R
k=m k=m
x n x m x n
1 1 1
= ε +ε −
xR m R R
1
= ε
R
≤ ε.
Da x1 ∈ (0, R) beliebig war, gilt
Xn
k
ak x 1 ≤ ε (2.9.9)
k=m
für alle x1 ∈ (0, R) m, n ≥ N , wobei N gewählt wird, so dass gilt (2.9.7).
solange
Auÿerdem ist (2.9.9) für x1 = 0 trivial und nach Annahme gilt (2.9.9) in x1 = R.
Sei ε > 0 gegeben. Wir wählen N wie oben. Dann wählen wir δ > 0, so dass
XN XN
k k
ak x − ak y < ε
k=0 k=0
für alle x, y ∈ [0, R] |x − y| < δ . (Warum ist dies möglich?) Wir erhalten
mit
XN X ∞ X ∞
|f (x) − f (y)| ≤ ak (xk − y k ) + ak x k + ak y k
k=0 k=N +1 k=N +1
≤ 3ε
für alle x, y ∈ [0, R] mit |x − y| < δ . Also ist f auf [0, R] (gleichmäÿig) stetig.
Korollar 2.9.9. Da die Reihe in (2.9.5) in x=1 konvergiert (Leibniz Test), gilt die Formel
(2.9.6).
HMII ET+Phys SS 2022 Page 91
Übung 2.9.10
Durch Vergleich mit einem uneigentlichen Integral begründen Sie, für welche Werte von
∞
X 1
q>0 die Reihe konvergiert.
k=2
k(log k)q
Übung 2.9.11
Bestimmen Sie das Taylorpolynom 4 - ten Grades T4 (x) um den Entwicklungspunkt
x0 = 0 der Funktion:
f (x) = tanh(x),
ex −e−x
wobei tanh(x) := ex +e−x
. Zeigen Sie, daÿ für das Restglied R4 (x) an der Stelle x∈R
gilt:
|R4 (x)| ≤ 3 |x|5 .
Hinweis: Es gilt tanh2 (x) ≤ 1, 1 − tanh2 (x) ≤ 1 und tanh′ (x) := 1 − tanh2 (x).
Übung 2.9.12
Verwenden Sie die Taylorreihe von 1/(1 + x), um die Taylorreihe von log(x) um x0 = 1
auf (0, 2) herzuleiten. (Hinweis: Schreiben Sie t = 1 − (1 − t).)
Kapitel 3
Funktionen mehrerer Veränderlicher
In diesem Kapitel betrachten wir Funktionen
f :Rn → Rm
oder f :Ω → Rm für Ω ⊆ Rn ,
wobei n oder m > 1.
3.1 Einleitung durch Beispiele
Beispiele. O
1 Temperatur in Deutschland:
Hamburg
Wir betrachten meist
T : Ω ⊆ R2 → R. Berlin
n = 2, m = 1.
Aachen
Oft zeichnet man die
Niveaumengen, wo T (x) = c
ist.
München
O2 Position eines Projektils: Die Trajektorie
X(t) = (x(t), y(t), z(t)) für t ∈ [0, T ]
ist eine so-genannte Raumkurve in R3 . n = 1, m = 3.
HMII ET+Phys SS 2022 Page 93
√ √
t t
Abbildung 3.1: Beispiel: X(t) = t, cos(t), sin(t) für t ∈ [0, 15].
2 2
O
3 Flüssigkeiten zwischen zwei Platten und Rayleigh-Benard-Konvektion:
y
T =0
x
h{ z
T =1
Wir nehmen an, dass die Geschwindigkeit nicht von z abhängt und dass die Geschwindigkeit
w(x) in Richtung z verschwindet. Wir interessieren uns für die Geschwindigkeit
U (x) = (u(x, y), v(x, y)) .
Also ist in diesem Beispiel
n = 2, m = 2.
O
4 Wir betrachten
f (x, y) = x2 + y 2 (n = 2, m = 1).
Man kann f durch seine Niveaulinien oder seinen Graphen anschauen.
HMII ET+Phys SS 2022 Page 94
Abbildung 3.2: Niveaulinien von f. Abbildung 3.3: Graph von f.
Man bemerkt, dass f in (x, y) = (0, 0) eine (globale) Nullstelle besitzt.
O
5 Wir betrachten
p
g(x, y) = x2 + y 2 (n = 2, m = 1).
Abbildung 3.4: Niveaulinien von g. Abbildung 3.5: Graph von g.
Man bemerkt, dass g auch eine (globale) Minimalstelle in (x, y) = (0, 0) besitzt
O
6 Wir betrachten
h(x, y) = y 2 − x2 (n = 2, m = 1).
Um den Graphen von h zu zeichnen, hilft es die Mengen
{(c, y, z) = (c, y, y 2 − c2 )} und {(x, c, z) = (x, c, c2 − x2 )}
zu benutzen.
HMII ET+Phys SS 2022 Page 95
Abbildung 3.6: Niveaulinien von h. Abbildung 3.7: Graph von h.
De nition 3.1.1
Seien A ⊆ Rn , B ⊆ Rm . Das Kartesische Produkt
A×B
ist die Menge
{x ∈ Rn+m ; x = (y, z) wobei y ∈ A, z ∈ B}.
De nition 3.1.2
Sei f : Ω ⊆ R2 → R gegeben.
Die Niveaumenge um Höhe c ist
{(x, y) ∈ Ω : f (x, y) = c} .
Die Schnittkurve um Höhe c ist
{(x, y, z) ∈ Ω × R : z = f (x, y) = c}.
Der Schnitt des Graphen von f mit der Ebene x=c ist
{(x, y, z) ∈ Ω × R : x = c und z = f (c, y)}.
Analog de niert man den Schnitt mit der Ebene y = c.
Also ist die Niveaumenge die Projektion der Schnittkurve auf die x − y−Ebene.
Die Funktionen f und g im Beispiel oben haben beide Niveaumengen, die Kreise sind. Die
Schnitte der Graphen sind allerdings sehr verschieden. Wir betrachten zum Beispiel den
Schnitt mit x = 0:
{(x, y, z) = (0, y, f (0, y)) = (0, y, y 2 )}
{(x, y, z) = (0, y, g(0, y)) = (0, y, |y|)}
HMII ET+Phys SS 2022 Page 96
Also für die Funktion f erhalten wir eine Parabel und für g erhalten wir die Betragsfunktion.
Abbildung 3.8: Schnitt des Graphen von f Abbildung 3.9: Schnitt des Graphen von g
mit x = 0. mit x = 0.
Wenn wir raten würden, dann würden wir wahrscheinlich sagen, dass beide Funktionen in
(0, 0) stetig sind und dass f in (0, 0) dierenzierbar ist, während g in (0, 0) nicht dierenzierbar
ist. Um diese Begrie zu de nieren und die Wahrheit dieser Aussagen überprüfen zu können,
brauchen wir ein bisschen Topologie.
3.2 Topologie von Rn
Das Analogon zu den Intervallen und punktierten Intervallen, die wir in R benutzt haben,
n
sind die folgenden Bälle und punktierten Bälle in R .
De nition 3.2.1
Sei x0 ∈ Rn , ε > 0. Der (ε−)Ball um x0 ist
Bε (x0 ) := {x ∈ Rn ; ∥x − x0 ∥ < ε}.
Der punktierte (ε−)Ball um x0 ist
Ḃε (x0 ) := {x ∈ Rn ; 0 < ∥x − x0 ∥ < ε}.
Also ist
Ḃε (x0 ) = Bε (x0 ) \ {x0 } .
HMII ET+Phys SS 2022 Page 97
Übung 3.2.2
Wie sieht der ε−Ball aus, wenn wir statt der Euklidischen Norm
1/2
∥x∥ := x21 + . . . + x2n
die Norm
∥x∥∞ := max{|x1 |, |x2 |, . . . , |xn |}
oder die Norm
∥x∥1 := |x1 | + |x2 | + . . . + |xn | (3.2.1)
in der De nition des Balles benutzen? Das heiÿt, beschreiben Sie die Mengen
Bε∞ (x0 ) := {x ∈ Rn : ∥x − x0 ∥∞ < ε} und
Bε1 (x0 ) := {x ∈ Rn : ∥x − x0 ∥1 < ε}.
Wenn wir gleich oen und abgeschlossen de nieren, wird es bequem sein, wenn wir über das
Komplement reden können:
De nition 3.2.3
Für eine Menge Ω ⊆ Rn besteht das Komplement Ωc aus allen Punkten in Rn , die nicht
zur Menge gehören:
Ωc = Rn \ Ω.
De nition 3.2.4
Sei Ω ⊆ Rn . Ein x0 ∈ Ω heiÿt innerer Punkt von Ω, falls es ein ε > 0 gibt, so
Punkt
n
dass Bε (x0 ) ⊆ Ω.
Ein Punkt x0 ∈ R heiÿt Randpunkt von Ω, falls jeder ε−Ball um x0
c n
mindestens einen Punkt Ω und einen Punkt aus dem Komplement Ω = R \Ω enthält.
Die Menge aller inneren Punkte von Ω heiÿt Innere von Ω und wird mit Ω̊ bezeichnet.
Die Menge aller Randpunkte von Ω heiÿt Rand von Ω und wird mit ∂Ω bezeichnet.
Die Menge Ω zusammen mit allen Randpunkten heiÿt Abschluÿ von Ω und wird mit Ω
bezeichnet.
De nition 3.2.5
Eine Menge Ω ⊆ Rnheiÿt oen, wenn Ω = Ω̊ (das heiÿt, wenn jeder Punkt ein innerer
n c
Punkt ist). Die Menge Ω ⊆ R heiÿt abgeschlossen, wenn das Komplement Ω oen ist.
Beispiele. O
1 (0, 1) ⊆ R ist oen.
O2 R ist oen und abgeschlossen.
HMII ET+Phys SS 2022 Page 98
O3 (1, ∞) ⊆ R ist oen.
O4 [0, 1] ⊆ R ist abgeschlossen.
O5 [0, 1) ⊆ R ist nicht oen und nicht abgeschlossen.
O6 (0, 1) ∪ {2} ist nicht oen und nicht abgeschlossen.
O7 {(x, y) ∈ R2 : x2 + y 2 < 1} ist oen.
O8 {(x, y) ∈ R2 : 0 < x2 + y 2 < 1} ist oen.
O9 R2 ist oen und abgeschlossen.
O
10 {(x, y) ∈ R2 : x2 + y 2 ≤ 1} ist abgeschlossen.
O
11 {(x, y) ∈ R2 : 0 ≤ x ≤ 1 und 0 ≤ y < 1} ist nicht oen und nicht abgeschlossen.
Es ist oft bequem, eine äquivalente De nition von abgeschlossen zu benutzen.
Satz 3.2.6
Ω ⊆ Rn ist abgeschlossen genau dann, wenn ∂Ω ⊆ Ω.
Um über Grenzwerte von Funktionen reden zu können, führen wir die De nition eines
Häufungspunktes ein.
De nition 3.2.7
Sei Ω ⊆ Rn . Ein Punkt x0 ∈ Rn heiÿt Häufungspunkt von Ω, wenn für jedes ε>0 der
Ball Bε (x0 ) unendlich viele Punkte von Ω enthält.
3.3 Grenzwerte und Stetigkeit
Man de niert Grenzwerte in Rn analog wie in R.
De nition 3.3.1: Grenzwert
Sei Ω ⊆ Rn . Seix0 ein Häufungspunkt von Ω. Eine Funktion f : Ω → Rm besitzt in x0
den Grenzwert y 0 ∈ Rm , wenn es zu jedem ε > 0 ein δ > 0 gibt, so dass
x ∈ Ω und 0 < ∥x − x0 ∥ < δ impliziert ∥f (x) − y 0 ∥ < ε.
Dann schreibt man
lim f (x) = y 0 .
x→x0
x∈Ω
HMII ET+Phys SS 2022 Page 99
Oft lassen wir das x∈Ω weg und schreiben nur
lim f (x) = y 0 .
x→x0
Bemerkungen. O
1 Wie in einer Dimension hat der Funktionswert
de niertnichts mit der Existenz des Grenzwertes zu tun.
f (x0 )wenn überhaupt
O2 Oft ist es bequem, über Folgen zu argumentieren. Äquivalent zu De nition 3.3.1 ist:
f hat in x0 den Grenzwert y0, wenn für jede Folge xn → x0 mit xn ∈ Ω \ {x0 } gilt
f (xn ) → y 0 .
Wichtig ist, dass man jede Folge betrachtet. Also müssen die Funktionswerte f (xn )den
gleichen Grenzwert haben, egal wie xn den Punkt x0 annähert. Die folgenden Beispiele
machen diesen Punkt klarer.
Beispiele. O
1 Zeigen Sie, dass
2xy , (x, y) ̸= (0, 0)
f (x, y) = x2 + y 2
0, (x, y) = (0, 0)
keinen Grenzwert in (0, 0) hat. Wir betrachten zunächst x=0 und bemerken, dass
lim f (0, y) = lim 0 = 0.
y→0 y→0
Wenn f einen Grenzwert in Null besitzt, dann muss dieser Grenzwert Null sein. (Warum?)
Allerdings für x=y ist
2x2
f (x, x) = =1 für alle x ̸= 0.
x2 + x 2
Sei ε ∈ (0, 1) gegeben. Jeder punktierte Ball um 0 besitzt einen Punkt (x, x), wo
|f (x, x) − 0| = 1 > ε.
Also besitzt f in 0 keinen Grenzwert.
O2 Zeigen Sie, dass
x2 y
f (x, y) =
x4 + y 2
den Grenzwert 0 in Null besitzt, wenn (x, y) den Ursprung entlang einer beliebigen
Geraden annähert, obwohl f in 0 keinen Grenzwert besitzt. Wenn (x, y) den Ursprung
entlang einer Geraden annähert, dann ist
(x(t), y(t)) = (at, bt) für t ∈ (0, 1] und irgendein a, b ∈ R (nicht beide Null).
Dann ist der Funktionswert
a2 bt3
f (x(t), y(t)) = →0 für t → 0, für alle a, b ∈ R (wobei nicht beide verschwinden).
a4 t4 + b2 t2
HMII ET+Phys SS 2022 Page 100
Jetzt betrachten wir die Kurve
y = x2 .
Die Funktionswerte entlang dieser Kurve sind
x4 1
f (x, x2 ) = = ,
x4 + x4 2
also konvergieren die Werte nicht gegen Null für x → 0. Also besitzt f in 0 keinen
Grenzwert.
Übung 3.3.2
x3 y
Zeigen Sie, dass f (x, y) = x2 +y 2
den Grenzwert 0 in x=0 besitzt.
Man erhält die üblichen Eigenschaften eines Grenzwertes.
Lemma 3.3.3. Sei x0 ein Häufungspunkt von Ω. Wenn für f, g : Ω → R gilt
lim f (x) = y0 und lim g(x) = z0 ,
x→x0 x→x0
dann folgt
lim (f
(i) x→x + g)(x) = y0 + z0 ,
0
lim (f
(ii) x→x · g)(x) = y0 z0 ,
0
1 1
(iii) lim = , sofern y0 ̸= 0.
x→x0 f (x) y0
Lemma 3.3.4. Sei f in einem punktierten Ball um x0 de niert und lim f (x) = y0 . Sei g
x→x0
in einem punktierten Ball um y0 de niert und lim g(y) = z0 . Dann gilt
y→y0
lim g (f (x)) = z0 .
x→x0
Die Beweise sind nicht schwer.
Wie in einer Dimension, benutzt man Grenzwerte zusammen mit den Funktionswerten
um Stetigkeit zu de nieren.
De nition 3.3.5
Seien Ω ⊆ Rn und f : Ω → Rm . Sei x0 ∈ Ω ein Häufungspunkt von Ω. Die Funktion f
ist in x0 stetig, wenn es zu jedem ε > 0 ein δ > 0 gibt, so dass
∥x − x0 ∥ < δ und x∈Ω impliziert ∥f (x) − f (x0 )∥ < ε.
Wenn f in jedem Punkt in Ω stetig is, so heiÿt f auf Ω stetig.
HMII ET+Phys SS 2022 Page 101
Wie üblich kann man Stetigkeit von f und g benutzen um Stetigkeit von
f
αf, f + g, f · g, , , f ◦g
g
zu zeigen. Auÿerdem ist f in x0 stetig genau dann, wenn
lim f (x)
x→x0
existiert
x∈Ω
und lim f (x) = f (x0 ).
x→x0
x∈Ω
Also wissen wir aus den obigen Beispielen, dass die Funktionen
2xy
(x, y) ̸= (0, 0)
f1 (x, y) = x2 + y 2
0 (x, y) = (0, 0)
und 2
xy (x, y) ̸= (0, 0)
f2 (x, y) = x4 + y 2
0 (x, y) = (0, 0)
in Null nicht stetig sind.
Mit Grenzwerten und Stetigkeit im Gri wenden wir uns jetzt der Dierenzierbarkeit zu.
HMII ET+Phys SS 2022 Page 102
3.4 Dierenzierbarkeit
Wir erinnern an die o- und O-Notation aus HMI:
Notation 3.4.1
Wir schreiben f (h) = o(h) (für h ↓ 0), wenn
f (h)
lim = 0.
h↓0 h
Wir schreiben f (h) = O(h) (für h ↓ 0), wenn es ein C∈R gibt, so dass
f (h)
lim sup ≤ C.
h↓0 h
Da wir jetzt öfter mit Funktionen von Ω ⊆ Rn nach Rm für n>1 oder m>1 arbeiten,
erlauben wir uns die Verallgemeinerung:
Notation 3.4.2
Für f : Rn → Rm schreiben f (h) = o(||h||Rn ) (für ||h||Rn ↓ 0), wenn
||f (h)||Rm
lim = 0.
||h||Rn ↓0 ||h||Rn
Wir schreiben f (h) = O(||h||Rn ) (für ||h||Rn ↓ 0), wenn es ein C∈R gibt, so dass
||f (h)||Rm
lim sup ≤ C.
||h||Rn ↓0 ||h||Rn
Schlieÿlich wollen wir auch kleine Terme notieren können:
Notation 3.4.3
Wir schreiben f (h) = o(1) für h↓0 oder f (h) = o(1)h→0 falls
lim f (h) = 0.
h↓0
De nition 3.4.4
Sei Ω ⊆ Rn und sei x0
ein innerer Punkt von Ω. Eine Funktion f : Ω → Rm heiÿt in x0
m×n
dierenzierbar, wenn es eine Matrix A ∈ R gibt, so dass
f (x) = f (x0 ) + A(x − x0 ) + o(∥x − x0 ∥).
Dann heiÿt A die Ableitung von f in x0 und A wird mit Df (x0 ) := A bezeichnet. Die
HMII ET+Phys SS 2022 Page 103
Funktion
Lf (x) := f (x0 ) + A(x − x0 )
heiÿt die (beste) lineare Approximation von f in x0 und deren Graph ist die Tangentialebene
in x0 .
Abbildung 3.10: Die Tangentialebene wird durch die Richtungsableitungen aufgespannt.
Die Ableitung, falls existent, ist eindeutig bestimmt. Auÿerdem impliziert
f in x0 dierenzierbar,
dass
f in x0 stetig ist.
Dies folgt (wie in einer Dimension) aus der De nition, da
f (x0 + h) − f (x0 ) m ≤ Df (x0 )h m + o(∥h∥ n )
R R
R
≤ Df (x0 ) M ∥h∥Rn + o(∥h∥Rn )
→0 für h → 0,
wobei Df (x0 ) die Matrixnorm bezeichnet.
M
n
Wie in R, ist die Ableitung in R eine lineare Abbildung: Wenn f, g in x0 dierenzierbar
sind, dann ist
D(αf + βg)(x0 ) = αDf (x0 ) + βDg(x0 ), für α, β ∈ R.
Die Produktregel gilt auch:
n
Seien Ω ⊆ R oen, f, g : Ω → Rm , x0 ∈ Ω, und f · g : Ω → R, (f · g) (x) := f (x) · g(x)
sowie f und g in x0 dierenzierbar. Dann gilt
D(f · g)(x0 ) = g(x0 )T Df (x0 ) + f (x0 )T Dg(x0 ). (3.4.1)
Die Beweise sind nicht schwierig. Als Beispiel zeigen wir (3.4.1).
HMII ET+Phys SS 2022 Page 104
Beweis. Zu zeigen ist, dass
|(f · g)(x0 + h) − (f · g)(x0 ) − A h|
lim = 0, (3.4.2)
h→0 ∥h∥Rn
wobei wir
A := g(x0 )T Df (x0 ) + f (x0 )T Dg(x0 )
gesetzt haben. Da f und g in x0 dierenzierbar sind, existieren ε, δ : Rn → Rm , so dass
ε(h) → 0, δ(h) → 0 für h→0
und
f (x0 + h) = f (x0 ) + Df (x0 )h + ∥h∥Rn ε(h) (3.4.3)
g(x0 + h) = g(x0 ) + Dg(x0 )h + ∥h∥Rn δ(h) (3.4.4)
für h klein genug. Wir schreiben die Funktion im Zähler von (3.4.2) als
(f · g)(x0 + h) − (f · g)(x0 ) − g(x0 )T Df (x0 )h − f (x0 )T Dg(x0 )h
= f (x0 + h) · g(x0 + h) − f (x0 ) · g(x0 ) − g(x0 )T Df (x0 )h − f (x0 )T Dg(x0 )h
= (f (x0 + h) − f (x0 ) − Df (x0 )h) · g(x0 + h)
+ f (x0 ) · (g(x0 + h) − g(x0 ) − Dg(x0 )h)
+ Df (x0 )h · (g(x0 + h) − g(x0 ))
=: E1 (h) + E2 (h) + E3 (h).
Wir schätzen den ersten Term ab
(3.4.3)
|E1 (h)| ≤ ∥h∥Rn ∥ε(h)∥Rm ∥g(x0 + h)∥Rm = o(∥h∥Rn ) für h → 0,
da g in x0 stetig ist (und deshalb gilt zum Beispiel
∥g(x0 + h)∥ ≤ 2∥g(x0 )∥
fürh klein genug). Ähnlich zeigt man (mithilfe von (3.4.4)), dass E2 (h) = o(∥h∥Rn ). Für
E3 benutzen wir Stetigkeit von g in x0 in der Form
∥g(x0 + h) − g(x0 )∥Rm → 0 für h → 0,
so dass
|E3 (h)| ≤ ∥Df (x0 )∥M ∥h∥Rn ∥g(x0 + h) − g(x0 )∥Rm = o(∥h∥Rn )
für h klein.
Man erhält auch eine Kettenregel. (Hierbei ist wichtig zu beachten, dass die Dimensionen
stimmen!)
HMII ET+Phys SS 2022 Page 105
Satz 3.4.5
Seien Ω ⊆ Rn und Ω̃ ⊆ Rm oen. Seien f : Ω → Rm , g : Ω̃ → Rp Funktionen, wobei
Bild(f ) ⊆ Ω̃.
Wenn f x0 ∈ Ω dierenzierbar ist mit Ableitung Df (x0 ) und g in f (x0 ) dierenzierbar
in
ist mit Ableitung Dg(f (x0 )), dann ist
g◦f in x0 dierenzierbar
und es gilt
D(g ◦ f )(x0 ) = Dg(f (x0 )) Df (x0 ) .
| {z } | {z } | {z }
∈Rp×n ∈Rp×m ∈Rm×n
Der Beweis ist ähnlich zu dem von (3.4.1).
Wir betrachten jetzt
f : Rn → R, also m = 1.
Fast alles ist für m>1 gleich, aber m=1 macht die Notation und die Bilder einfacher.
Wenn man eine Funktion mehrerer Veränderlicher anschaut, ergibt es Sinn, die Änderung
des Funktionswertes in einer Richtung zu betrachten.
De nition 3.4.6
Seien Ω ⊆ Rn , f : Ω → R, x0 ∈ Ω̊, v ∈ Rn mit ∥v∥ = 1 gegeben. Wenn der Grenzwert
f (x0 + hv) − f (x0 )
lim
h→0 h
existiert, dann heiÿt der Grenzwert die Richtungsableitung von f in Richtung v im Punkt
x0 . Man schreibt
∂f
(x ) oder fv (x0 )
∂v 0
dafür.
Die Richtungsableitungen in Richtung ei , i = 1, 2, . . . , n bekommen einen besonderen
Namen.
De nition 3.4.7
Seien Ω ⊆ Rn , f : Ω → R, x0 ∈ Ω̊. Für i ∈ {1, . . . , n} ist die i−te partielle Ableitung
von f in x0 de niert als
f (x0 + hei ) − f (x0 )
lim ,
h→0 h
HMII ET+Phys SS 2022 Page 106
falls dieser Grenzwert existiert. Man schreibt dafür
∂f
(x ) oder ∂i f (x0 )
∂xi 0
Wir möchten in den nächsten Beispielen anschauen, wie die partiellen Ableitungen uns
Informationen über die Funktion liefern.
Beispiele.
werden.
O
1 Wir betrachten die Funktion, deren Niveaumengen im Bild 3.11 angezeigt
(x0 , y0 )
g=0 x
g=1
g=2
g=3
Abbildung 3.11: Die Niveaumengen einer Funktion g : R2 → R.
Basierend auf dem Bild 3.11 gilt im Punkt (x0 , y0 ):
∂g ∂g
(x0 , y0 ) < 0, (x0 , y0 ) > 0.
∂x ∂y
O2 Wir betrachten die Funktion
f (x, y) = 100 − x2 − y 2 ,
deren Graph im Bild 3.12 gezeigt wird.
HMII ET+Phys SS 2022 Page 107
Abbildung 3.12: Ein Kugelausschnitt im 1. Oktant.
Es gilt
∂f ∂f
(5, 5) = −10, (5, 5) = −10.
∂x ∂y
Die x−partielle Ableitung drückt die Änderungsrate der Höhe aus, "wenn man nach
Osten wandert".
Die Berechnung von partiellen Ableitungen ist leicht; da man eine Variable festhält, ist
O
dies ein eindimensionales Problem.
Beispiele. 1 f (x, y) = x2 y + cos(x + y)
∂f
(x0 , y0 ) = 2x0 y0 − sin(x0 + y0 ),
∂x
∂f
(x0 , y0 ) = x20 − sin(x0 + y0 ).
∂y
O
xy ∂g ∂g
2 g(x, y) = . Hier ist g und deshalb auch , in (0, 0) nicht de niert. Für
x2 + y2 ∂x ∂y
(x0 , y0 ) ̸= (0, 0) ist
∂g y0 (y02 − x20 )
(x0 , y0 ) =
∂x (x20 + y02 )2
O
2 3
3x y − y , (x, y) ̸= (0, 0)
3 f (x, y) = x2 + y 2 . Finden Sie
0, (x, y) = (0, 0)
∂f ∂f
(0, 0), (0, 0).
∂x ∂y
HMII ET+Phys SS 2022 Page 108
Nach der De nition gilt
∂f f (h, 0) − 0 0
(0, 0) = lim = lim 3 = 0.
∂x h→0 h−0 h→0 h
∂f f (0, h) − 0 −h3
(0, 0) = lim = lim 3 = −1.
∂y h→0 h−0 h→0 h
Wenn f : Ω ⊆ Rn → R in x0 dierenzierbar ist, dann ist
Df (x0 ) ∈ R1×n
und man würde vielleicht raten, dass
∂f ∂f
Df (x0 ) = (x ), . . . , (x ) . (3.4.5)
∂x1 0 ∂xn 0
Dies ist in der Tat wahrwie der nächste Satz sagt. Wir nennen den Vektor in (3.4.5) den
Gradient oder Gradientenvektor und bezeichnen ihn mit
∇f (x0 ).
Wichtig ist allerdings, dass die Umkehrung nicht gilt! Existenz der partiellen Ableitungen
impliziert nicht, dass eine Funktion dierenzierbar ist. Wir fangen mit der einfacheren
Richtung an.
Satz 3.4.8
Seien Ω ⊆ Rn oen, f :Ω→R in x0 ∈ Ω dierenzierbar. Dann existieren die partiellen
Ableitungen
∂f
(x ) für alle i = 1, 2, . . . , n.
∂xi 0
Auÿerdem gilt (3.4.5).
Beweis. Sei x := x0 + he1 . Da f in x0 dierenzierbar ist, ist
f (x) = f (x0 + he1 ) = f (x0 ) + Df (x0 ) · he1 + o(h).
Also ist
f (x0 + he1 ) − f (x0 )
lim = Df (x0 ) · e1 .
h→0 h
∂f
Also existiert (x ) und
∂x1 0
∂f
(Df (x0 ))1 = (x ).
∂x1 0
Analog zeigt man, dass
∂f
(Df (x0 ))i = (x ).
∂xi 0
HMII ET+Phys SS 2022 Page 109
Jetzt bestätigen wir, dass Existenz des Gradientenvektors Dierenzierbarkeit (also, lineare
Approximierbarkeit) der Funktion nicht impliziert.
Beispiel. Wir betrachten
f (x, y) = |x| − |y| − |x| − |y|.
Dann ist
∂f f (h, 0) − f (0, 0) ∂f
(0, 0) = lim = 0, (0, 0) = 0,
∂x h→0 h ∂y
aber f ist in (0, 0) nicht dierenzierbar. In der Tat, wenn f in (0, 0) dierenzierbar wäre,
dann würde
Df (0, 0) = (0, 0)
gelten (nach dem obigen Satz). Aber für x=y=h ist
h
f (h, h) − f (0, 0) − (0, 0) = −2h,
h
was nicht o(h) ist.
Abbildung 3.13: Die Funktion f ist im Ursprung oensichtlich nicht dierenzierbar.
Es wird noch schlimmer! Existenz der partiellen Ableitungen impliziert nicht mal, dass
die Funktion stetig ist.
Beispiel. Die Funktion
2
xy , (x, y) ̸= (0, 0)
f (x, y) = x2 + y 4
0, (x, y) = (0, 0)
ist nicht in (0, 0) stetig, aber jede Richtungsableitung existiert!
Wenn man Stetigkeit der partiellen Ableitungen hat, dann ist alles wieder in Ordnung.
HMII ET+Phys SS 2022 Page 110
Satz 3.4.9
Seien Ω ⊆ Rnoen, f : Ω → R. Wenn es für x0 ∈ Ω einen Ball B(x0 ) gibt, so dass auf
B(x0 ) alle partiellen Ableitungen von f existieren und stetig in x0 sind, dann ist f in x0
dierenzierbar und es gilt
Df (x0 ) = ∇f (x0 ). (3.4.6)
Beweis. Wir zeigen die Aussage für n = 2. Der allgemeine Fall folgt analog. Seien
x0 = (x0 , y0 ), h = (h1 , h2 ), x = x0 + h.
Sei h klein genug, so dass x ∈ B(x0 ). Wir betrachten die Dierenz
f (x) − f (x0 ) = f (x0 + h) − f (x0 )
= f (x0 + h1 , y0 + h2 ) − f (x0 + h1 , y0 ) + f (x0 + h1 , y0 ) − f (x0 , y0 ).
(3.4.7)
Aus Existenz der partiellen Ableitungen auf B(x0 ) und (3.4.7) schlieÿen wir, dass f
auf B(x0 ) stetig ist (weil die rechte Seite O(||h||) ist). Somit folgt es aus Existenz
der partiellen Ableitungen und dem Mittelwertsatz der Dierentialrechnung (in einer
Dimension), dass
∂f ∂f
f (x) − f (x0 ) = (x0 + h1 , y0 + h̃2 )h2 + (x0 + h̃1 , y0 )h1 , (3.4.8)
∂x2 ∂x1
∂f ∂f
wobei h̃1 und h̃2 zwischen Null und h1 beziehungsweise h2 sind. Da und stetig
∂x1 ∂x2
in x0 sind, haben wir
∂f ∂f
(x0 + h1 , y0 + h̃2 ) = (x0 , y0 ) + o(1)h1 ,h̃2 →0 , (3.4.9)
∂x2 ∂x2
∂f ∂f
(x0 + h̃1 , y0 ) = (x0 , y0 ) + o(1)h̃1 →0 . (3.4.10)
∂x1 ∂x1
Ersetzen von (3.4.9) und (3.4.10) in (3.4.8) ergibt
∂f ∂f h1
f (x) − f (x0 ) = (x0 , y0 ), (x0 , y0 ) + o(||h||),
∂x1 ∂x2 h2
wobei wir ||h||1 ≲ ||h|| benutzt haben (sehen Sie (3.2.1)). Damit ist (3.4.6) gezeigt.
Notation 3.4.10
Wenn auf einer oenen Menge Ω ⊆ Rn , jede partielle Ableitung von f :Ω→R existiert
und stetig ist, dann schreiben wir
f ∈ C 1 (Ω)
HMII ET+Phys SS 2022 Page 111
und sagen, dass f C 1" ist. Wenn K ⊆ Rn abgeschlossen und beschränkt ist und K̊ ̸= ∅,
"
1
dann sagen wir, dass f ∈ C (K), wenn
f ∈ C 1 K̊)
und ∇f auf K stetig ergänzbar ist.
Bemerkung. Wenn für Ω ⊆ Rn oen f ∈ C 1 (Ω) ist und x0 ∈ Ω, dann folgt es, dass für
jeden Richtungsvektor v ∈ Rn (i.e., v ∈ Rn mit ||v|| = 1) gilt
∂f
(x ) = ∇f (x0 ) v.
∂v 0
Dies folgt aus der Kettenregel angewendet auf f (x0 + hv).
Korollar 3.4.11. Die Richtung maximaler Steigung von f ist ∇f . Die Richtung maximalen
Abklingens ist −∇f .
Beweis. Nach der Bemerkung gilt für jeden Richtungsvektor v (s.d. ∥v∥ = 1):
∂f
(x) = ∇f (x) · v = ∥∇f ∥ cos(θ),
∂v
wobei θ der Winkel zwischen ∇f und v ist. Dies liefert
∂f
−∥∇f (x)∥ ≤ (x) ≤ ∥∇f (x)∥
∂v
mit Gleichheit für
−∇f (x)
θ=π v=
∥∇f (x)∥
∇f (x)
bzw. θ = 0 v= .
∥∇f (x)∥
Sehen Sie Abbidlung 3.14.
f =2 ∇f (x0 )
f =1
f =0
x0
Abbildung 3.14: Niveaumengen einer Funktion f : R2 → R.
HMII ET+Phys SS 2022 Page 112
Der Gradient zeigt den "steilsten Weg bergauf".
Die Kettenregel wird auch angewendet, um Variablentransformationen durchzuführen.
Beispiel (Polarkoordinaten). Wir de nieren
x = r cos(θ)
y = r sin(θ).
Dann kann eine Funktion f (x, y) als eine neue Funktion von r, θ dargestellt werden. Wir
setzen
g(r, θ) := f (r cos(θ), r sin(θ))
(Oft wird in leichter, schlampiger Notation die Funktion mit dem gleichen Namen - hier f -
bezeichnet.)
Wie ist die Beziehung zwischen
∂f ∂f ∂g ∂g
, und , ?
∂x ∂y ∂r ∂θ
Da g die Zusammensetzung
g(r, θ) = (f ◦ x) (r, θ)
ist, wobei
x(r, θ) = (r cos(θ), r sin(θ))
liefert die Kettenregel die Antwort. Man berechnet
∂x ∂x
∂g ∂g ∂f ∂f ∂r ∂θ
=
∂r ∂θ ∂x ∂y ∂y ∂y
∂r ∂θ
∂f ∂f cos(θ) −r sin(θ)
= ,
∂x ∂y sin(θ) r sin(θ)
so dass
∂g ∂f ∂f
= cos(θ) + sin(θ)
∂r ∂x ∂y
∂g ∂f ∂f
= −r sin(θ) + r cos(θ) .
∂θ ∂x ∂y
Übung 3.4.12
Der Laplace-Operator in n=2 ist durch
∂ 2f ∂ 2f
∆f = +
∂x2 ∂y 2
HMII ET+Phys SS 2022 Page 113
de niert, wobei
∂f ∂f
2 (x0 + hei ) − (x )
∂ f ∂ ∂f ∂xi ∂xi 0
(x ) = (x ) = lim ,
∂x2i 0 ∂xi ∂xi 0 h→0 h
falls dieser Grenzwert existiert. Schreiben Sie ∆f in Polarkoordinaten.
3.5 Lineare Approximation: Zusammenfassung
Wir haben gesehen (siehe De nition 3.4.4), dass die lineare Approximation Lf einer Funktion
f ∈ C 1 (R2 ) 2
in einem Punkt x0 ∈ R durch
Lf (x) := f (x0 ) + ∇f (x0 )(x − x0 ).
gegeben ist. Wir schauen uns jetzt die Idee der Approximation genauer an. Das sogenannte
Dierential
∇f (x0 )(x − x0 )
approximiert die Änderung von f in einer Umgebung von x0 . Dierenzierbarkeit von f
bedeutet genau, dass diese Approximation besser als erster Ordnung ist:
f (x) − f (x0 ) + ∇f (x0 )(x − x0 ) = o(∥x − x0 ∥).
Graphisch gesehen ist die Tangentialebene die Ebene, die
die gleiche Steigung wie f in die x−Richtung hat (zu erster Ordnung)
die gleiche Steigung wie f in die y−Richtung hat (zu erster Ordnung)
durch (x0 , y0 , f (x0 , y0 )) läuft, wobei wir x0 = (x0 , y0 ) gesetzt haben.
Diese Ebene wird durch
∂ ∂
z = f (x0 , y0 ) + f (x0 , y0 )(x − x0 ) + f (x0 , y0 )(y − y0 )
∂x ∂y
gegeben und ein Normalenvektor zur Ebene ist
∂ ∂
n(x0 ) = f (x0 , y0 ), f (x0 , y0 ), −1 .
∂x ∂y
Ein Einheitsvektor ist dann
n(x0 )
n
b(x0 ) = .
∥n(x0 )∥
Auÿerdem ist die Steigung der Ebene in Richtung (1, 1), zum Beispiel, gegeben durch
∂ ∂ 1 1
f (x0 , y0 ), f (x0 , y0 ) · √ , √ ,
∂x ∂y 2 2
also genau die Richtungsableitung.
HMII ET+Phys SS 2022 Page 114
Beispiel. Wenn f nicht dierenzierbar ist, dann ist die Tangentialebene keine gute Approximation.
(Hier bedeutet "gut" besser als linear.) Wir haben gesehen, dass für
∂f ∂f
f (x, y) = |x| − |y| − |x| − |y| gilt (0, 0) = 0, (0, 0) = 0.
∂x ∂y
Also ist die Tangentialebene in 0 die x − y−Ebene. (Siehe Abbildung 3.13.)
Beispiel. Für
f (x, y) = 4 − x2 − 2y 2 , (x0 , y0 ) = (1, 1)
gilt
∂f ∂f
((1, 1)) = −2, ((1, 1)) = −4, f ((1, 1)) = 1.
∂x ∂y
Die Tangentialebene ist der Graph von
z = 1 − 2(x − 1) − 4(y − 1) = −2x − 4y + 7
und sollte mit dem Graphen von f zu erster Ordnung übereinstimmen. Dies überprüfen wir
jetzt. Die Änderung in f ist
△f : = f ((1 + h1 , 1 + h2 )) − f ((1, 1))
= −2h1 − 4h2 −h21 − 2h22 .
lineare Terme
| {z }
Andererseits ist das Dierential
∇f ((1, 1)) · (h1 , h2 ) = −2h1 − 4h2 ,
und stimmt in der Tat mit △f zu erster Ordnung überein. Die Dierenz ist
|△f − ∇f ((1, 1)) · (h1 , h2 )| = |h21 + 2h22 | = o (∥h∥) ,
da
h2 + 2h22 2 (h21 + h22 )
q
p1 ≤ = 2 h21 + h22 −→ 0.
für ∥h∥→0
p
h21 + h22 h21 + h22
Übung 3.5.1: Beispielaufgabe Klausur
(a) Zeigen oder widerlegen Sie: (i) f ∈ C1 (Ω) ⇒ f ∈ C(Ω), (ii) g ∈ C1 ((a, b)) ⇒ g
auf (a, b) integrierbar.
(b) SeiΩ ∈ Rn oen und f ∈ C 1 (Ω). Zeigen Sie, dass die erste Komponente der
Ableitung Df gleich der ersten partiellen Ableitung ist.
(c) Finden Sie die Tangentialebene zu f (x, y) = (sin(y))2 x2 in x0 = (−1, π/2).
HMII ET+Phys SS 2022 Page 115
(d) Für f und x0 aus Teil (c): Geben Sie △f = f (x, y) − f (−1, π/2) sowie das
Dierenzial an und verwenden Sie die ein-dimensionale Taylorformel um zu zeigen,
dass die zwei miteinander zu erster Ordnung übereinstimmen.
Als Nächstes betrachten wir, ob man einen Mittelwertsatz und eine Taylorentwicklung für
Funktionen mehrerer Veränderlicher erwarten kann.
3.6 Mittelwertsatz und TaylorFormel
Es ist bequem, wenn wir über Konvexität einer Menge in Rn reden können.
De nition 3.6.1
Eine Menge Ω ⊆ Rn heiÿt konvex, wenn für alle x, y ∈ Ω gilt
{x + t(y − x); t ∈ [0, 1]} ⊆ Ω.
konvex nicht konvex nicht konvex konvex nicht konvex
Jetzt möchten wir gerne überprüfen, ob wir einen Mittelwertsatz für f :Ω→R nden
können. Die Beobachtung ist
g(t) := f (x + t(y − x)), t ∈ [0, 1]
eine Funktion einer Variablen mit
g(0) = f (x), g(1) = f (y)
de niert. Gut wäre, wenn
x + t(y − x) ∈ Ω
für alle t ∈ [0, 1]
f ∈ C 1 (Ω).
Dann ist g ∈ C 1 ((0, 1)) ∩ C ([0, 1]) und, nach dem Mittelwertsatz (aus HMI), gibt es ein
tx ∈ (0, 1), so dass
g(1) · g(0) = g ′ (tx ).
Man erhält
Das könnte Ihnen auch gefallen
- Einführung in Die Theoretische PhysikNoch keine BewertungenEinführung in Die Theoretische Physik221 Seiten
- Catherine Meusburger - Lineare Algebra 1 Und 2 (Lecture Notes) (2016) PDF100% (1)Catherine Meusburger - Lineare Algebra 1 Und 2 (Lecture Notes) (2016) PDF356 Seiten
- Deiser - Einführung in Die Mathematik 1.2100% (1)Deiser - Einführung in Die Mathematik 1.2327 Seiten
- Analytische Geometrie Und Lineare Algebra 1 (Ina Kersten)Noch keine BewertungenAnalytische Geometrie Und Lineare Algebra 1 (Ina Kersten)167 Seiten
- Lineare Algebra - Eine Anwendungsorientierte Einführung - Andreas MüllerNoch keine BewertungenLineare Algebra - Eine Anwendungsorientierte Einführung - Andreas Müller765 Seiten
- Numerische Methoden Fuer Digital Engineering VONoch keine BewertungenNumerische Methoden Fuer Digital Engineering VO69 Seiten
- Theoretische Quantenmechanik Und AnwendungenNoch keine BewertungenTheoretische Quantenmechanik Und Anwendungen132 Seiten
- Bolthausen, Lineare Algebra Und Geometrie I IINoch keine BewertungenBolthausen, Lineare Algebra Und Geometrie I II258 Seiten
- Analysis 1 Videohellostermannws 16Noch keine BewertungenAnalysis 1 Videohellostermannws 16216 Seiten
- Analysis 2: Für Funktionen Mehrerer Reeller Veränderlichen Differential-Und IntegralrechnungNoch keine BewertungenAnalysis 2: Für Funktionen Mehrerer Reeller Veränderlichen Differential-Und Integralrechnung269 Seiten
- Gewöhnliche Diff Erential - Gleichungen: Wilhelm Forst Dieter Hoff MannNoch keine BewertungenGewöhnliche Diff Erential - Gleichungen: Wilhelm Forst Dieter Hoff Mann402 Seiten
- Einführung in Die Physikalischen Rechenmethoden - DellagoNoch keine BewertungenEinführung in Die Physikalischen Rechenmethoden - Dellago273 Seiten
- Höhere Mathematik - Differentialgleichungen, Funktionentheorie, Fourier-Analysis, Variationsrechnung (PDFDrive)100% (4)Höhere Mathematik - Differentialgleichungen, Funktionentheorie, Fourier-Analysis, Variationsrechnung (PDFDrive)472 Seiten
