Mathematik Fuer Naturwissenschaftler

Mathematik fr Naturwissenschaftler
Norbert Herrmann
Mathematik fr
Naturwissenschaftler
Was Sie im Bachelor wirklich brauchen
und in der Schule nicht lernen
Autor
Dr. Dr. h.c. Norbert Herrmann
Leibniz Universitt Hannover
www.mathematikistueberall.de
www.ifam.uni-hannover.de/~herrmann
Weitere Informationen zum Buch finden Sie unter www.spektrum-verlag.de/978-3-8274-2866-0
Wichtiger Hinweis fr den Benutzer

Der Verlag und der Autor haben alle Sorgfalt walten lassen, um vollstndige und akkurate Informationen
in diesem Buch zu publizieren. Der Verlag bernimmt weder Garantie noch die juristische Verantwortung
oder irgendeine Haftung fr die Nutzung dieser Informationen, fr deren Wirtschaftlichkeit oder fehlerfreie
Funktion fr einen bestimmten Zweck. Der Verlag bernimmt keine Gewhr dafr, dass die beschriebenen
Verfahren, Programme usw. frei von Schutzrechten Dritter sind. Die Wiedergabe von Gebrauchsnamen,
Handelsnamen, Warenbezeichnungen usw. in diesem Buch berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wren und daher von jedermann benutzt werden drften. Der Verlag hat sich
bemht, smtliche Rechteinhaber von Abbildungen zu ermitteln. Sollte dem Verlag gegenber dennoch der
Nachweis der Rechtsinhaberschaft gefhrt werden, wird das branchenbliche Honorar gezahlt.
Bibliografische Information der Deutschen Nationalbibliothek

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;
detaillierte bibliografische Daten sind im Internet ber http://dnb.d-nb.de abrufbar.
Springer ist ein Unternehmen von Springer Science+Business Media

springer.de
Spektrum Akademischer Verlag Heidelberg 2012
Spektrum Akademischer Verlag ist ein Imprint von Springer
11 12 13
14
15
5 4 3 2 1
Das Werk einschlielich aller seiner Teile ist urheberrechtlich geschtzt. Jede Verwertung auerhalb der
engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulssig und strafbar. Das
gilt insbesondere fr Vervielfltigungen, bersetzungen, Mikroverfilmungen und die Einspeicherung und
Verarbeitung in elektronischen Systemen.
Planung und Lektorat: Andreas Rdinger, Martina Mechler

Satz: Autorensatz
Herstellung: Crest Premedia Solutions (P) Ltd, Pune, Maharashtra, India
Umschlaggestaltung: SpieszDesign, Neu-Ulm
Titelbild: Panthermedia
Zeichnungen: Thomas Epp und der Autor
ISBN 978-3-8274-2866-0
Vorwort
A
`
o
Aristoteles
Der Anfang ist die H

alfte vom Ganzen.
So sagte es schon Aristoteles und forderte damit seine Zuh
orer auf, doch bitte
auf jeden Fall erst einmal anzufangen.
Liebe Leserinnen und Leser, Sie stehen an einem neuen Lebensabschnitt. Das
Studium beginnt, und es warten viele neue Herausforderungen. Gerade wenn
Sie sich den Naturwissenschaften verschrieben haben, wird es Sie u
berraschen,
wieviel Mathematik Sie dazu lernen m
ussen. Ohne fundierte mathematische
Grundkenntnisse ist die Welt von heute aber nicht mehr zu beschreiben und
zu begreifen. Wir wollen mit diesem Buch einen Beitrag leisten, Ihnen diesen
Anfang etwas leichter zu machen.
Dieses Buch entstand als Ausarbeitung einer Vorlesung, die der Autor im WS
2006 und SS 2007 an der Leibniz Universit
at Hannover f
ur Studierende der
Chemie, Biologie, Life Science, Geowissenschaften und Biochemie gehalten hat.
Er beschritt damals Neuland. Denn bislang war die Philosophie stets:
Die Studierenden haben zwar Abitur, aber von Mathematik keine
Ahnung. Wir m
ussen also bei Null anfangen, um in dem ersten Studienjahr wenigstens die Grundbegrie der Mathematik vermitteln
zu k
onnen.
Da der Autor mehrere Jahre lang selbst an einer Schule unterrichtet hat und
weil seine Frau als Mathematik- und Physiklehrerin ihm stets direkten Einblick
in den Schulalltag geben konnte, lag ein anderes, ja neues Vorgehen hier auf der
Hand.
Wir gehen daher in diesem Buch davon aus, dass alle Abiturientinnen und Abiturienten etwas vom Dierenzieren und Integrieren verstehen und auch schon
kleine lineare Gleichungssysteme gel
ost haben.
Wir beginnen im ersten und zweiten Kapitel damit, einige Grundbegrie der Linearen Algebra vorzustellen, soweit wir sie sp
ater ben
otigen. Da ist zum einen
ein gutes eektives Verfahren zum L
osen von groen linearen Gleichungssystemen. Wir berichten u
ber das L-R-Verfahren mit Pivotisierung, wie es in vielen
kommerziellen Rechenprogrammen verwendet wird. Dann brauchen wir sp
ater
bei der Rotation und der Hessematrix etwas von Determinanten.
Im dritten Kapitel kommen wir zur Analysis. Hier bauen wir auf den Schulkenntnissen auf und beginnen gleich mit der Analysis im Mehrdimensionalen.
vi
Dadurch gewinnen wir viel Zeit, die wir zur ausf

uhrlichen Erl
auterung der komplizierten Fachtermini verwenden k
onnen. Die eindimensionale Analysis aus der
Schule wird aber immer wieder mal als Beispiel herangezogen. Viele vollst
andig
durchgerechnete Beispiele sollen gerade den Erstsemestlern helfen, die abstrakten Begrie zu verstehen. Auf die Weise gelingt es uns, schon im ersten Semester
mehrdimensionale Integrale und die ber
uhmten S
atze von Gau und Stokes zu
erkl
aren. Das ist echtes Neuland.
Die Splinefunktionen im Kapitel 11 sind ausgesprochen wichtige Hilfsmittel f
ur
Anwender. In Experimenten erhalten wir manchmal sehr viele Werte, die dann
durch eine Kurve verbunden werden m
ochten. Polynome waren lange Zeit Standard, um solche Aufgaben zu l
osen. Wer aber jemals versucht hat, 100 Messpunte durch ein Polynom darzustellen, wird diesen Versuch nie wieder wagen.
Hier sind Splines ein sehr probates Hilfsmittel, die sich auch sehr leicht in Computerprogramme einbeziehen lassen.
Kapitel 12 und 13 sind den Dierentialgleichungen gewidmet. Sie als Naturwissenschaftlerinnen und -wissenschaftler werden sehr schnell in Ihrem weiteren Studium erkennen, dass diese neuen Gleichungen fast die ganze Natur zu
beherrschen scheinen. Wir werden nicht viel Zeit darauf verwenden, die theoretischen Grundlagen und L
osungsm
oglichkeiten zu erkl
aren, sondern wollen uns
der Praxis zuwenden. Gerade heute mit Einsatz groer Computer sind numerische Methoden sehr gefragt und lassen sich hochezient einsetzen. Wir k
onnen
allerdings nur die ersten Anf
ange schildern.
Das Kapitel 14 enth
alt eine kurze Einleitung in die Wahrscheinlichkeitsrechnung, ebenfalls ein mathematisches Teilgebiet, das in sehr vielen Anwendungsbereichen anzutreen ist.
Vielen Dank m
ochte ich meinem Lektor, Dr. Andreas R
udinger, vom SpektrumVerlag sagen, der das ganze Manuskript mit groer Akribie gelesen hat und mir
mit vielen Fragen und Anregungen sehr geholfen hat. Auch seiner Kollegin,
Martina Mechler, sei herzlich gedankt. Sie hat sich vor allem um die Graphiken
gek
ummert.
Ein besonders groer Dank gilt meiner lieben Frau. Viele sch
one Nachmittag
hat sie ohne mich zubringen m
ussen, weil ich ja noch etliche Seiten Manuskript
zu schreiben hatte.
Nun w
unsche ich Ihnen, dass dieser Anfang f
ur Sie mit groem Erfolg gemeistert
wird. Es ist sehr wichtig, etwas anzupacken und aktiv zu gestalten. Hat man
das geschat, so ist ja bereits die H
alfte erreicht, sagt Aristoteles.
Ich w
urde mich u
uckmeldungen zu diesem Buch sehr freuen. Vielleicht
ber R
helfen Ihnen die gel

osten Ubungsaufgaben,
die der Verlag im Internet zum Herunterladen bereitstellen wird.
In diesem Sinne: Packen wirs an. Viel Erfolg!
Norbert Herrmann
Inhaltsverzeichnis
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Erkl
arungen und Bezeichnungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rechnen mit Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rang einer Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Quadratische Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Inverse Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Orthogonale Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1
2
5
10
15
18
19
2
2.1
2.2
Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Erste einfache Erkl
arungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Elementare Umformungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
23
26
3
3.1
3.2
3.3
3.4
Lineare Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bezeichnungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Existenz und Eindeutigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Determinantenkriterium . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L-R-Zerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1 Die Grundaufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.2 Existenz der L-R-Zerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.3 L-R-Zerlegung und lineare Gleichungssysteme . . . . . . . . . . . . . . .
Pivotisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1 L-R-Zerlegung, Pivotisierung und lineare Gleichungssysteme . . .
3.5.2 L-R-Zerlegung, Pivotisierung und inverse Matrix . . . . . . . . . . . . .
31
31
32
36
36
36
41
43
45
50
52
4
4.1
4.2
4.3
4.4
Funktionen mehrerer Ver

anderlicher Stetigkeit . . . . . . . . . . .
Erste Erkl
arungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Beschr
anktheit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Grenzwert einer Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Stetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
55
59
61
64
5
5.1
5.2
5.3
5.4
5.5
5.6

anderlicher Dierenzierbarkeit . .
Partielle Ableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
H
ohere Ableitungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Totale Ableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Richtungsableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Relative Extrema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Wichtige S
atze der Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
69
75
77
84
90
97
6
6.1
6.2
6.3
Kurvenintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenst
ucke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenintegral 1. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
103
104
105
113
3.5
viii
Inhaltsverzeichnis
6.4
Kurvenhauptsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7
7.1
7.2
7.3
Doppelintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Berechnung des Doppelintegrals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Transformation der Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rechenregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
129
129
134
137
8
8.1
8.2
8.3
8.4
Dreifachintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Berechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rechenregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kugel- und Zylinderkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
141
142
143
144
144
9
9.1
9.2
Ober
achenintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Ober
achenintegrale 1. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Ober
achenintergale 2. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
10
10.1
10.2
10.3
Integrals
atze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Divergenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Der Divergenzsatz von Gau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Der Satz von Stokes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
161
161
162
164
11
11.1
11.2
11.3
11.4
11.5
Interpolation mit Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Einf
uhrendes Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Existenz und Eindeutigkeit der Polynominterpolation . . . . . . . . . . . . .
Interpolation mit linearen Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Interpolation mit Hermite-Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Interpolation mit kubischen Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
171
172
173
176
183
189
12
12.1
12.2
12.3
12.4
12.5
12.6
12.7
12.8
Gew
ohnliche Dierentialgleichungen . . . . . . . . . . . . . . . . . . . . . . .
Diese Mathematiker immer mit Existenz und Eindeutigkeit . . . . . . . .
Numerische Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Euler-Polygonzug-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zur Konvergenz des Euler-Verfahrens . . . . . . . . . . . . . . . . . . . . . . . . . . .
Runge-Kutta-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zur Konvergenz des Runge-Kutta-Verfahrens . . . . . . . . . . . . . . . . . . . .
Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
195
196
196
200
201
204
208
210
211
13 Partielle Dierentialgleichungen . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.1 Typeinteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.2 Laplace- und Poisson-Gleichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.2.1
Eindeutigkeit und Stabilit
at . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.2.2
Zur Existenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.2.3
Dierenzenverfahren f
ur die Poissongleichung . . . . . . . . . . . .
13.2.4
Zur Konvergenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
213
213
215
216
217
217
222
Inhaltsverzeichnis
ix
13.3 Die W
armeleitungsgleichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.3.1
at . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.3.2
Zur Existenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.3.3
ur die W
armeleitungsgleichung . . . . .
13.3.4
Stabilit
at des Dierenzenverfahrens . . . . . . . . . . . . . . . . . . . .
13.4 Die Wellengleichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.4.1
at . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.4.2
Zur Existenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.4.3
ur die Wellengleichung . . . . . . . . . . . .
13.4.4
Stabilit
at des Dierenzenverfahrens . . . . . . . . . . . . . . . . . . . .
225
226
226
228
232
235
237
238
238
242
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung . . . . .
14.1 Kombinatorik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.1.1
Permutationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.1.2
Variationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.1.3
Kombinationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.1.4
Ein Sitz- und ein ungel
ostes Problem . . . . . . . . . . . . . . . . . . .
14.2 Wahrscheinlichkeitsrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.1
Denitionsversuch nach Laplace und von Mises . . . . . . . . . .
14.2.2
Axiomatische Wahrscheinlichkeitstheorie . . . . . . . . . . . . . . . .
14.2.3
Einige elementare S
atze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.4
Bedingte Wahrscheinlichkeit . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.5
Zufallsvariable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.6
Verteilungsfunktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.7
Erwartungswert und Streuung . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.8
Tschebyschesche Ungleichung . . . . . . . . . . . . . . . . . . . . . . . .
14.2.9
Gesetz der groen Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.10 Binomialverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.11 Poissonverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.12 Gau- oder Normalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . .
14.2.13 Grenzwerts
atze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
245
245
245
247
250
252
256
256
261
263
264
270
271
274
276
277
278
280
281
282
Literaturverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
1 Matrizen
Ubersicht
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.1
Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Erkl
arungen und Bezeichnungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rechnen mit Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rang einer Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Quadratische Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Inverse Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Orthogonale Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
2
5
10
15
18
19
Einleitung
In der Schule haben wir im Mathematikunterricht viele Zahlen kennen gelernt.

1. Da waren zuerst
nat
urliche Zahlen N = 1, 2, 3, 4, 5, . . . .
Der groe Mathematiker Leopold Kronecker hat erkl
art, dass diese Zahlen
der liebe Gott gemacht hat. Also werden wir uns auch nicht weiter um eine Erkl
arung bem
uhen. In manchen B
uchern nimmt man auch die Null zu
den nat
urlichen Zahlen hinzu. Ein Kollege von mir begann seine Vorlesung
stets mit dem Paragraphen 1, f
ur ihn geh
orte wohl auch diese Zahl zu den
nat
urlichen. Das kann man halten wie Frau Nolte die machte es, wie sie
wollte.
2. Dann kamen
ganze Zahlen Z = . . . , 4, 3, 2, 1, 0, 1, 2, 3, 4, . . . .
Das sind also die positiven und negativen Zahlen im umgangssprachlichen
Sinn, und die Zahl 0 bitte nicht zu vergessen.
3. Das n
achste sind
rationale Zahlen Q =
p
, q = 0.
q
N. Herrmann, Mathematik fr Naturwissenschaftler, DOI 10.1007/978-3-8274-2867-7_1,

1 Matrizen
Das sind also alle Br

uche, echt oder unecht ist egal. Nur durch 0 teilen wollen
wir nicht, sonst kommen wir in die H
olle. Zugleich k
onnen wir diese Zahlen
darstellen als endlichen oder periodischen Dezimalbruch.
4. Danach stehen auf dem Plan
reelle Zahlen R.
Sie mathematisch korrekt zu beschreiben f
allt ziemlich schwer. Daher nur
eine vage Andeutung: Es sind alle Zahlen, die sich als Dezimalbruch schreiben
lassen, also als Zahl
a, a1 a2 a3 a4 . . .
Der kann unendlich lang sein, ohne periodisch zu werden.
5. Dann bleiben noch
komplexe Zahlen C = a + i b, a, b R
Die werden wir in einem Extraabschnitt sp
ater vorstellen.
F
ur uns interessant ist, dass wir mit all diesen Zahlen rechnen gelernt haben.
Dabei haben wir bestimmte Gesetzm
aigkeiten eingehalten. Wie gesagt, das war
alles in der Schule ausf
uhrlich dran.
1.2
Erkl
arungen und Bezeichnungen
Hier wollen wir eine v

ollig neue Welt kennen lernen, n
amlich die Welt der Matrizen. Das sind zu Beginn etwas eigent
umliche Gebilde, mit denen wir dann so
umgehen m
ochten wie mit Zahlen. Wir wollen also mit ihnen rechnen. Bitte fragen Sie jetzt nicht nach dem Sinn dieser Gebilde. Wir werden sp
ater sehen, wo
wir sie mit groem Gewinn einsetzen k
onnen. Wir beginnen mit der Denition:
Denition 1.1 (Matrix)
Unter einer (m, n)-Matrix A Rmn verstehen wir ein rechteckiges Zahlenschema, das aus m Zeilen und n Spalten besteht. Die Eintr
age sind i.a. reelle
Zahlen:
a11 . . . a1n
a21 . . . a2n
A= .
..
..
..
.
.
am1 . . . amn
= (aij ) 1im
1jn
(1.1)
1.2 Erkl
arungen und Bezeichnungen
Wir nennen also ein solches Schema eine Matrix. Der Plural heit dann Matrizen. Beachten Sie bitte den Unterschied zu Matrizen, die man in der Druckerei
ndet. Deren Singular lautet die Matrize. Und verwechseln Sie bitte den Begri
nicht mit den Matratzen in Ihren Betten.
Beispiel 1.1
Wir betrachten folgende Beispiele, auf die wir sp
ater Bezug nehmen wollen:
1.
1 1
A=
3
.
5
2
4
Das ist eine (3, 2)-Matrix, A R32 mit z.B. a22 = 3, a31 = 4.
2.
B=
1 1 2
Das ist eine (1, 3)-Matrix, also eine einzeilige und dreispaltige Matrix. In
diesem Sinne sind dann auch die Vektoren, die wir aus der Schule kennen,
als Matrizen aufzufassen. H
aug trennt man bei Vektoren, wenn man sie als
Zeilenvektoren schreibt, die Komponenten durch Kommas, also
a = (1, 1, 2).
3.
C=
2 3
1 5
Dies ist eine zweizeilige und zweispaltige Matrix. Wir nennen solche Matrizen
mit gleich vielen Zeilen und Spalten auch quadratisch.
4.
D=
3 2 4
0 4 0
Diese Matrix D ist wieder quadratisch, auerdem ist sie symmetrisch, wenn
wir uns einen Spiegel von links oben nach rechts unten gestellt denken.
Denition 1.2 (Symmetrische Matrix)
Eine n n-Matrix A = (aij ) 1in heit
1jn
symmetrisch
aij = aji f
ur 1 i, j n.
(1.2)
1 Matrizen
Denition 1.3 (Nullmatrix)

Eine n n-Matrix A = (aij ) 1in mit
1jn
aij = 0 f
ur 1 i, j n
(1.3)
heit Nullmatrix O.
Dies ist z.B. eine quadratische 3 3-Null-Matrix:
0 0 0
O=
0 0 0
0 0 0
Noch ein weiterer Name sei hier angef
ugt.
Denition 1.4 (Transponierte Matrix)
Sei A eine m n-Matrix A = (aij ) 1im . Dann heit
1jn
A := (aji ), 1 j n, 1 i m transponiert zu A.
(1.4)
alt man also, indem man Zeilen und Spalten

Die transponierte Matrix A erh
in A vertauscht.
Der folgende Satz ist sofort einsichtig.
Satz 1.1
Es gilt f
ur alle (m n) Matrizen A, B
(A ) = A.
(A + B)
(1.5)
= A +B
(1.6)
Zur Veranschaulichung betrachten wir obige Beispiele und bilden ihre Transponierten. Es ist

,B =
1
, C =
1 3 5
2
1 3 0
D =
O = O
3 2 4 ,
0 4 0
1 2 4
2 1
3
Das sind also alles ziemlich einfache Begrie, die wir nur als Abk
urzung benutzen.
1.3 Rechnen mit Matrizen
1.3
Rechnen mit Matrizen
Hier wollen wir lernen, wie wir mit diesen neuen Gebilden umgehen m
ussen.
Rechnen heit vor allem addieren, subtrahieren und multiplizieren. Zum Dividieren werden wir sp
ater ausf
uhrlicher Stellung nehmen. Nat
urlich k
onnen wir
nur gleichartige Matrizen addieren oder subtrahieren.
Denition 1.5 (Rechenregeln)
Seien A = (aij ), B = (bij ) Rmn zwei Matrizen mit gleich vielen Zeilen und
Spalten und sei x R eine reelle Zahl. Dann sei
A = B : aij = bij f
ur i = 1, . . . , m, j = 1, . . . , n.
(1.7)
cA
:=
(c aij ).
(1.8)
A+B
:=
(aij + bij )
(1.9)
Wir multiplizieren also eine Matrix mit einer Zahl, indem wir einfach alle Eintr
age mit dieser Zahl multiplizieren. Addieren geht ebenfalls so, wie gedacht,
n
amlich elementweise. Eine kleine Rechenaufgabe dazu sollten Sie zur Ubung
bew
altigen:
Beispiel 1.2
Sei
A=
1 2 3
0
B=
2 1
0 1 1
2 0
Berechnen Sie bitte

C = 2 A 3 B + A + 2 B.
C = 2
1 2 3
0
2 1
1 2 3
0
2 1
3 7 10
2
+2
0 1 1
2 0
0 1 1
2 0
Wie wir unschwer sehen, ist das Ergebnis gleich C = 3 A B. Das h

atten wir
auch vorher schon sehen k
onnen, denn wir halten fest, dass f
ur diese Addition
und die Multiplikation mit einer reellen Zahl das Assoziativ-, das Kommutativund das Distributivgesetz gelten, wie man ja auch sofort sieht.
1 Matrizen
Wir wollen jetzt versuchen, Matrizen miteinander zu multiplizieren; aber dabei

m
ussen wir sehr vorsichtig vorgehen. Leider ist es hier so wie auch an anderen
Stellen in der Mathematik: das leichte ist leider nicht verwertbar.
Wir starten mit dem simplen Vorschlag, die Multiplikation analog zur Addition
zu erkl
aren, n
amlich elementweise. Um nicht die Ubersicht
zu verlieren, zeigen
wir die Idee nur an kleinen Matrizen. Wir probieren folgende Festlegung:
a11 a12
a21 a22
b11 b12
b21 b22
a11 b11 a12 b12
a21 b21 a22 b22
Der Grund, warum wir diese einfache Version nicht w

ahlen, liegt etwas tiefer.
Tats
achlich wollen wir so weit auch gar nicht in die Mathematik einsteigen.
Sie sollten aber, liebe Freunde, im Blick behalten, dass Mathematiker nichts
ohne Grund denieren. Wir wollen Ihnen daher den wirklich guten Grund kurz
erz
ahlen.
Man kann Matrizen benutzen, um lineare Abbildungen zu beschreiben. Das
sind Drehungen, Spiegelungen usw. Zu jeder solchen Abbildung geh
ort eine Matrix, nennen wir sie A und B. Nat
urlich m
ochte man solche Abbildungen auch
miteinander verkn
upfen. Und tats
achlich geh
ort zu einer solchen Hintereinanderausf
uhrung wieder eine Matrix, die sich auf komplizierte Weise berechnen
l
asst. Genau die so entstehende Matrix denieren wir als Produktmatrix der
beiden Matrizen A und B. So, jetzt wissen Sie es. Aber wir werden darauf nicht
mehr zur
uckkommen, sondern erkl
aren jetzt die richtige Multiplikation.
Die folgende Denition sieht sehr formal aus, kurz danach aber werden wir ein
wundervolles Schema von Sigurd Falk angeben, nach dem sich diese Multiplikation sehr einfach ausf
uhren l
asst.
Denition 1.6 (Matrizenmultiplikation)
Sei A = (aij ) Rmn eine m n-Matrix und B = (bjk ) Rnr eine n rMatrix. Beachten Sie bitte, dass die Anzahl der Spalten von A gleich der Anzahl
der Zeilen von B vorausgesetzt wird. Dann sei
C := A B = (cik ) die m r-Matrix mit
n

aij bjk , i = 1, . . . , m, k = 1, . . . , r
cik :=
(1.10)
(1.11)
j=1
Das sieht furchterregend aus, oder? Aber nicht verzagen, Falk wird es richten.
Er hatte n
amlich die Maik
aferidee. Wie das?
Betrachten wir das ganze am Beispiel. Dazu seien
A=
1 1 2
3 2 4
1 2 11 4
B=
2 3
3 1
6 2
4 0
A hat also 3 Spalten und B hat 3 Zeilen, das passt zusammen. Wir werden
am Schema diese Bedingung direkt ablesen k
onnen, m
ussen also unseren Kopf
damit nicht belasten.
Wir schreiben jetzt die beiden Matrizen in einer etwas eigenwilligen Form auf,
n
amlich in einem Dreiecksschema.
A
1
-1
-2
11
-2
13
19
AB
Abb. 1.1
Das Falk-Schema zur Multiplikation von Matrizen.
Wir wollen das Produkt A B berechnen. Dazu schreiben wir A links etwas
nach unten versetzt und B nach oben rechts. Jetzt der Maik
afertrick: So wie
zwei Maik
afer aufeinander zu krabbeln, krabbeln wir von links nach rechts und
zugleich von oben nach unten. Dabei werden die getroenen Zahlen miteinander
multipliziert und die Produkte dann aufsummiert. Wir haben zwei Beispiele
eingezeichnet. Da krabbeln wir die erste Zeile der linken Matrix von links nach
rechts und die dritte Spalte der oberen Matrix von oben nach unten. Dabei
rechnen wir
1 11 + (1) 6 + 2 4 = 13.
Genau an den Kreuzungspunkt der beiden Krabbellinien schreiben wir diese 13
hin. Als zweites krabbeln wir die zweite Zeile der linken Matrix von links nach
rechts und zugleich die erste Spalte der oberen von oben nach unten mit der
Rechnung
3 1 + (2) (2) + 4 3 = 19
und der 19 am entsprechenden Kreuzungspunkt.
Es ist nicht verboten, hier mit den eigenen Fingern die Zeilen und Spalten zu
durchlaufen. Wenn Sie das dreimal gemacht haben, wird es richtig einfach, ja
und dann macht es sogar Spa. Hier das vollst
andige Ergebnis:
1 Matrizen
11
-2
-1
13
-2
19
37
AB
Abb. 1.2 Das Ergebnis der Multiplikation der beiden Matrizen A und B
Wir erhalten
AB =
9 1 13 2
19 4 37 8
Jetzt verrate ich Ihnen auch noch, wie man an dem Schema direkt sieht, ob
die Multiplikation u
uhrbar ist. Erinnern Sie sich,
berhaupt erlaubt und durchf
dass wir in der Denition gefordert haben, dass die Anzahl der Spalten von
A gleich der Anzahl der Zeilen von B ist? Wer will sich denn so einen Satz
merken? Siehste da, m
ussen wir auch gar nicht, ergibt sich n
amlich ganz von
selbst. Schauen Sie nur genau hin.
Abb. 1.3 Der von links krabbelnde Maik

afer trit auf sechs Spalten, also muss der von
oben herunter krabbelnde genau sechs Zeilen haben. Und die Produktmatrix hat genau
so viele Zeilen wie A und genau so viele Spalten wie B. Sieht man doch, oder?
Bilden Sie sich doch bitte selbst weitere M

oglichkeiten, um zu sehen, ob die
Multi-Tour geht oder nicht.
Wie sich das f

ur ein gutes Rechnen geh
ort, kommen wir jetzt mit sehr
ver
unftigen Rechenregeln. Zun
achst setzen wir fest:
Denition 1.7 (Einheitsmatrix)
Die Matrix
1 0
0 1 0
E= . . .
.. .. . . ...
0 0 1
(1.12)
heit Einheitsmatrix.
Satz 1.2 (Rechenregeln)
Wir setzen voraus, dass alle folgenden Operationen f
ur die beteiligten Matrizen
A, B, . . . durchf
uhrbar sind. Dann gilt:
Assoziativgesetz: (A + B) + C = A + (B + C)
Kommutativgesetz: A + B = B + A
Neutrales Element f
ur Addition: A + O = O + A = A
Assoziativgesetz: A (B C) = (A B) C
Neutrales Element f
ur Mult.: A E = E A = A,
die Einheitsmatrix E verh
alt sich also bei Multiplikation neutral.
6. Distributivgesetz: A (B + C) = A B + A C
7. Transponierte: (A B) = B A
1.
2.
3.
4.
5.
Das m
ussen wir noch etwas kommentieren.
1. Die Gesetze 1. bis 4. und 6. sind sehr nat
urlich und leicht einsichtig.
2. Dass die Einheitsmatrix beim Multiplizieren nichts ver
andert, sollten wir mal
kurz nachrechnen, damit auch das einsichtig wird. Wenn wir das f
ur eine
(3 3)-Matrix vorf
uhren, glauben Sie mir das wohl auch f
ur eine (5 5)Matrix. F
ur eine (99 99)-Matrix mag rechnen, wer will, aber wir sind doch
nicht bl
od.
1 2 3
1 0 0
0 1 0
0 0 1
5 6
8 9
2 3
5 6
8 9
10
1 Matrizen
3. Das Gesetz 7. u
ollig u
ber die Transponierte ist dagegen v
berraschend, und
viele Anf
anger wollen es einfach nicht glauben. Aber man muss es akzeptieren, dass sich die Reihenfolge beim Transponieren eines Produktes umkehrt.
Wir pr
ufen das einfach mal an einem Beispiel nach.
Sei A =
2 1
0
B=
1 1
0 1
Dann ist (bitte, bitte nachrechnen)
(A B)
2 0
1 3
,A B
2 0
, aber B
2 3
2 0
1 3
4. Es sollte Ihnen auallen, das wir kein Kommutativgesetz f

ur die Multiplikation behauptet haben. Und tats
achlich, dieses Gesetz ist nicht erf
ullt. Wie
sicher ist uns doch die Regel daher gelaufen, dass immer und u
berall 5 8
dasselbe ergibt wie 8 5. Hier begegnet uns zum ersten Mal ein Rechenbereich, wo dieses Gesetz nicht gilt. Bitte merken Sie sich das ganz fest. Es ist
wirklich sehr wichtig, und ein Fehler bei dieser Rechnung kann sich bitter
r
achen.
Selbst bei quadratischen Matrizen A und B, wo ja sowohl A B als auch B A
als Produkt erkl
art ist, kommt in der Regel nicht das gleiche heraus. Also
auch hierf
ur ein Beispiel:
Mit obigen Matrizen A und B haben wir
AB =
2 1
0 3
, aber B A =
2 2
0 3
Es ist also im allgemeinen

A B = B A.
Wir sollten nicht vers
aumen zu sagen, dass f
ur die Widerlegung des Kommutativgesetzes ein Gegenbeispiel ausreicht. Auch dass (A B) = A B ist, kann
mit einem einzigen Beispiel gezeigt werden. Dass aber immer (AB) = B A
ist, m
usste mit einem allgemeinen Beweis begr
undet werden, den wir uns hier
ersparen.
1.4
Rang einer Matrix
Jetzt kommen wir zu einem sehr wichtigen Begri, den wir sp

ater bei der L
osung
von linearen Gleichungssystemen wunderbar gebrauchen k
onnen. Von der Schule
1.4 Rang einer Matrix
11
her kennen wir den Begri linear unabh

angig bei Vektoren. Jetzt fassen wir
die Zeilen bzw. Spalten einer Matrix als Vektoren auf und erkl
aren:
Denition 1.8 (Zeilenrang, Spaltenrang)
Der Zeilenrang bzw. Spaltenrang einer Matrix A ist die maximale Anzahl linear
unabh
angiger Zeilen- bzw. Spaltenvektoren.
Der folgende Satz ist v
ollig u
berraschend, auch wenn er so leicht zu formulieren
ist:
Satz 1.3
Es ist f
ur alle Matrizen A Rmn
Zeilenrang = Spaltenrang.
Wieso ist das u
berraschend? Betrachten Sie bitte mal die Matrix
2 3 1
A=
2 2 1
10 0
2
.
1 1 4
3
Sie hat drei Zeilen und f

unf Spalten. Oensichtlich sind die erste und zweite
Zeile linear unabh
angig. Wenn wir aber die erste Zeile mit 2 und die zweite
Zeile mit 3 multiplizieren und dann beide addieren, so erhalten wir die dritte
Zeile:
2 (2, 3, 1, 4, 1) + (3) (2, 2, 1, 3, 2) = (10, 0, 1, 1, 4).
Die dritte Zeile ist also ein Vielfaches der ersten und der zweiten Zeile, also von
ihnen linear abh
angig. Damit ist der Zeilenrang gleich 2.
Und jetzt sollte nach unserem Satz auch der Spaltenrang genau gleich zwei
sein, also nur zwei Spalten linear unabh
angig und alle anderen von diesen linear
abh
angig sein? Das ist doch v
ollig unglaubw
urdig. Diese Aufgabe habe ich mal
unangek
undigt in einer Klausur gestellt. Tats
achlich haben 90 % der Studierenden den Zeilenrang richtig mit zwei angegeben, den Spaltenrang dann aber
mit f
unf. Hier muss man die erste Spalte mit 1/10 und die zweite Spalte mit
4/10 multiplizieren und dann beide addieren, um die dritte Spalte zu erhalten. Analog lassen sich die Spalten vier und f
unf aus den Spalten eins und zwei
kombinieren.
In der Tat ist dies einer der u
atze der Anf
angermathematik,
berraschendsten S
und Sie sollten ihn schon verbl
ut zur Kenntnis nehmen.
12
1 Matrizen
Interessant ist vielleicht folgende Bemerkung. Im Beweis dieses Satzes f

ur reelle
Matrizen, der u
brigens nicht so schwer ist, wird mitten drin irgendwo das Kommutativgesetz der Multiplikation reeller Zahlen gebraucht, also a b = b a. In
Bereichen, wo dieses Gesetz nicht gilt, haben wir daher auch evtl. die Ranggleichheit nicht. Einen solchen Bereich haben wir gerade bei den Matrizen kennen gelernt. Wenn wir also Matrizen betrachten, deren Eintr
age kleine (22)-Matrizen
sind, so kann dort der Zeilenrang verschieden vom Spaltenrang sein.
Hier noch drei leichte Beispiele zum Rang einer Matrix:
A=
2 0 0 0
0 3 0 2
,
0 0 0 1
0 0 0 0
1 2 3 4
B=
0 0 1 2 ,
0 0 0 1
1 2 1
C=
0 1 1
0 2 2
Wir wissen ja, dass der Nullvektor stets von jedem anderen Vektor linear
abh
angig ist. Damit erhalten wir
rg(A) = 3,
rg(B) = 3,
rg(C) = 2.
Um bei komplizierteren Matrizen den Rang bestimmen zu k

onnen, aber nicht
nur aus diesem Grund betrachten wir einige Rechenoperationen:
Denition 1.9 (Elementare Umformungen)
Folgende Zeilen- bzw. Spaltenumformungen heien elementare Umformungen:
1. Vertauschen von zwei Zeilen bzw. Spalten,
2. Multiplikation einer Zeile bzw. Spalte mit einer Zahl c = 0,
3. Addition eines Vielfachen einer Zeile bzw. Spalte zu einer anderen Zeile bzw.
Spalte.
Der n
achste Satz erkl
art uns den Sinn dieser Operationen:
Satz 1.4
Durch diese elementaren Umformungen wird der Rang einer Matrix nicht
ver
andert.
Das ist doch klasse, jetzt k
onnen wir manipulieren und dadurch leichter den
Rang bestimmen. Betrachten wir ein Beispiel.
A=
1 2
1
1
1
.
1 3
0
1.4 Rang einer Matrix
13
In das Manipulieren wollen wir jetzt eine strenge Ordnung bringen. Man k
onnte
ja die elementaren Umformungen beliebig auf die Matrix los lassen, zeilen- oder
spaltenweise oder gemischt, aber dann verliert man schnell den Uberblick.
Wir
arbeiten daher nur mit Zeilenumformungen und lassen stets die erste Zeile, wenn
m
oglich, v
ollig ungeschoren. Sonderf
alle kommen sp
ater.
Dann multiplizieren wir die erste Zeile mit solch einer Zahl, dass bei Addition
der ersten Zeile zur zweiten Zeile dort das erste Element a21 verschwindet. In
der Matrix A oben m
ussen wir dazu die erste Zeile mit 1 multiplizieren. Wenn
wir sie dann zur zweiten Zeile addieren, erhalten wir a21 = 0, fein.
Genau so manipulieren wir die dritte Zeile, indem wir einfach die erste Zeile zu
ihr addieren, also mit 1 multiplizieren und dann addieren, wenn Sie so wollen:
A=
1 2
1
1
1 3
(1) 1
1 2
0 2 1
0 1 1
So haben wir locker zwei Nullen in die erste Spalte unterhalb des Diagonalelementes erzeugt. Das war der erste Streich. Jetzt arbeiten wir weiter mit der
zweiten Spalte, um wieder unterhalb des Diagonalelementes a22 Nullen zu erzeugen usw., bis wir am Ende eine obere Dreiecksmatrix haben, in der also
unterhalb der Diagonalen nur Nullen stehen. Der Rang einer solchen Matrix ist
dann leicht abzulesen.
Satz 1.5
Jede (m n)-Matrix A l
asst sich durch elementare Umformungen, also ohne
ihren Rang zu
andern, in die Zeilenstufenform
0
A=
0 0 0
(1.13)
0 0 0 0
u
uhren. Ihr Rang ist dann gleich der Anzahl der Stufen. Sie sind hier mit
berf
gekennzeichnet.
Die mit gekennzeichneten Pl
atze sind dabei Zahlen = 0, unter den Stufen
stehen nur Nullen. Sonst k
onnen beliebige Zahlen auftreten.
Jetzt erleichtern wir uns die Schreiberei noch etwas. Die erzeugten Nullen
m
ussen wir doch gar nicht aufschreiben. Wir machen ja unter das Diagonalelement einen Strich, darunter stehen nach richtiger Rechnung nur Nullen. Diese
Pl
atze benutzen wir jetzt dazu, unsere Faktoren, die wir oben rechts an die Matrix geklemmt haben, hineinzuschreiben. Wir werden ihnen sp
ater (vgl. S. 39)
einen eigenen Namen geben. Ihr Eintrag unterhalb der Stufen wird uns dann zu
einer leichten L
osungsmethode bei linearen Gleichungssystemen f
uhren.
14
1 Matrizen
Obige Matrix lautet dann:
1 2
A=
1 3
1
1
1 2 1
1 1 1
1 2
Ich hoe, Sie verstehen auch sofort den zweiten Schritt:
A=
1 2
1
1
1 2
2
1
1
1 2 1 1
1 1/2 1/2
1 1 1
1 3
0
Jetzt ist unsere Matrix in Zeilenstufenform, und wir sehen, dass ihr Rang 3 ist.
Betrachten wir noch ein Beispiel, um das Gelernte zu festigen.
B=
1 3 7 1
2
0 2
1 1
Das sieht doch nach einer ganz gew

ohnlichen Matrix aus, man k
onnte vermuten,
dass ihr Rang 4 ist. Mal sehen. Wir schreiben nur die verk
urzte Form auf, Sie
werden es hoentlich verstehen.
4
2
1 1 2 1
1
7 14
4
1/4
5 0
8 4
0 0
7/4 0 0
Wer h
atte das vorher erkannt? Diese Matrix hat man gerade den Rang 2, nur
die ersten zwei Zeilenvektoren sind linear unabh
angig. Also bitte nicht t
auschen
lassen.
Hier noch ein kleines Beispiel, das uns lehrt, mit dem Begri Rang nicht so ganz
sorglos umzugehen.
A=
2 4
B=
2 4
1
Dann ist
rg(A) = rg
2 4
= rg
1 2
2 0

=1
1.5 Quadratische Matrizen
15
und
rg(B) = rg
2 4
1
2 4
= rg
1/2

= 1,
aber es ist
2 4
1 2

0 0
0 0
Damit ist der Rang des Produktes rg(A B) = 0. Beweisen k

onnen wir nur
folgende recht schwache Aussage:
Satz 1.6
Sind A und B zwei Matrizen mit jeweils m Zeilen und n Spalten, so gilt:
rg(A B) min(rg(A), rg(B)).
1.5
(1.14)
Quadratische Matrizen
Denition 1.10 (Quadratische Matrix)

Eine (m n)-Matrix heit quadratisch, wenn m = n ist, wenn also die Anzahl
der Zeilen gleich der Anzahl der Spalten ist. Die Zahlenreihe a11 , a22 , . . . , ann
heit die Hauptdiagonale von A. Die Summe der Hauptdiagonalelemente
sp (A) := a11 + a22 + + ann
heit die Spur von A.
Ein Beispiel gef
allig?
A=
1 2 3
2 1 1
= sp (A) = 1 + 1 + 3 = 3.
1 0 3
Denition 1.11 (Diagonalmatrix)

Eine quadratische Matrix A heit Diagonalmatrix, wenn auerhalb der Hauptdiagonalen nur Nullen stehen.
16
1 Matrizen
Denition 1.12 (Symmetrische Matrix)

Eine quadratische Matrix A heit symmetrisch, wenn gilt:
A = A .
(1.15)
Eine quadratische Matrix A heit schiefsymmetrisch , wenn gilt:

A = A .
(1.16)
Auch diese Begrie sind sehr anschaulich. Spiegeln Sie die Matrix A an ihrer
Hauptdiagonalen. Entsteht dann dieselbe Matrix, so ist sie symmetrisch. Andern

sich alle Vorzeichen bei sonst gleichen Zahlen, so ist sie schiefsymmetrisch. Klar,
dass eine schiefsymmetrische Matrix nur Nullen auf der Hauptdiagonalen haben
darf.
Der folgende Satz l
asst sich manchmal bei physikalischen Problemen sinnvoll
anwenden, weil symmetrische Matrizen leichter zu handhaben sind.
Satz 1.7
Jede quadratische Matrix A l
asst sich in die Summe aus einer symmetrischen
und einer schiefsymmetrischen Marix zerlegen, n
amlich
A=
1
(A + A )
2

symmetrisch
1
(A A )
2

schiefsymmetrisch
(1.17)
1.5 Quadratische Matrizen
17
Ubung
1
1. Gegeben seien die beiden Matrizen
6 3
A=
4 2 ,
2 1
B=
3 2 5
2
Berechnen Sie
A B,
(A B) ,
B A,
(B A)
2. Gegeben seien die Matrix
A=
0 1
1
und das Polynom

p(x) = 2 x4 3 x2 + x + 4.
Berechnen Sie die Potenzen A2 , A3
3. Bestimmen Sie f
ur die Matrix
1 2
A=1
1
2 a1
und A4 und die Matrix p(A).
2 0
2
,
2 2
a
aR
den Rang in Abh

angigkeit vom Parameter a R.
4. Stellen Sie die Matrix
A=
1 2
3 4
als Summe aus einer symmetrischen und einer schiefsymmetrischen Matrix
dar.
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
18
1.6
1 Matrizen
Inverse Matrizen
Wir hatten ja oben bereits festgestellt, dass wir das Kommutativgesetz f

ur die
Multiplikation bei Matrizen nicht haben. Jetzt kommt noch ein zweiter Punkt,
wo es Einschr
ankungen bei Matrizen gibt, das sind die bezgl. der Multiplikation
inversen Elemente. Durch reelle Zahlen, die nicht Null sind, k
onnen wir ja teilen
und dadurch Gleichungen au
osen. Das geht hier leider auch nur in Sonderf
allen.
Diese beschreiben wir in der folgenden Denition.
Denition 1.13 (Inverse Matrix)
Seien A, B zwei reelle quadratische (n n)-Matrizen. Ist
A B = E,
(1.18)
so heien A und B invers zueinander. Wir schreiben

B = A1 .
(1.19)
Existiert f
ur eine Matrix A die inverse Matrix A1 , so nennen wir A invertierbar oder regul
ar, sonst heit sie singul
ar.
Leider wird der Begri regul
ar in der Mathematik an sehr vielen Stellen in
unterschiedlichster Bedeutung benutzt. Im Zusammenhang mit quadratischen

Matrizen aber ist er klar deniert: A heit regul
ar, wenn die inverse Matrix zu
A existiert.
Satz 1.8
Sei A eine (n n)-Matrix, also quadratisch. Dann existiert die inverse Matrix A1 genau dann, wenn rg(A) = n ist, wenn also alle Zeilenvektoren oder
Spaltenvektoren linear unabh
angig sind.
Das ist doch mal ein sehr konkreter Satz und wir wissen jetzt, warum wir uns
oben mit dem abstrakten Begri Rang rumschlagen mussten. Schnell ein Bei
spiel, damit die Begrie klarer werden.
Seien
A=
3 1
B=
5 2
2 1
5
Dann ist
2 1
5
3 1
5 2
1 0
0 1
1.7 Orthogonale Matrizen
19
also
1 0
AB =
0 1
B ist also invers zu A.

Die Matrix
C=
2 4
hat dagegen keine inverse, da rg(C) = 1 ist.
1.7
Orthogonale Matrizen
Diese Matrizen beschreiben wir hier nur der Vollst

andigkeit wegen. Orthogonale
Matrizen werden Ihnen sp
ater vielleicht recht h
aug begegnen. Sie spielen eine
groe Rolle in der Physik und den angewandten Wissenschaften.
Denition 1.14 (Orthogonale Matrix)
Eine quadratische Matrix A Rnn heit orthogonal, wenn die Zeilenvektoren
paarweise senkrecht aufeinander stehen und normiert sind.
In der Schule habe wir gelernt, dass zwei Vektoren genau dann aufeinander
senkrecht stehen, wenn ihr inneres Produkt verschwindet. F
ur die Zeilenvektoren
a1 = (a11 , a12 . . . . , a1n ), . . . , an = (an1 , an2 . . . . , ann ) der Matrix A bedeutet
das z.B. a1 a2 = a11 a12 + + a1n a2n = 0, oder allgemein
ai aj = 0
i, j = 1, . . . , n, i = j.
f
ur
Ein Vektor heit normiert, wenn seine L

ange gleich 1 ist, oder gleichbedeutend,
sein inneres Produkt mit sich selbst ist gleich 1, also a1 a1 = 1, oder allgemein
ai ai = 1, i = 1, . . . , n.
Damit wir noch sicherer werden, ein kleines Beispiel. Sei
A=
1
2
1
2
12
1
2
Wir zeigen, dass A eine orthogonale Matrix ist.
20
1 Matrizen
1
2
1
=
2
1
=
4
1
=
2
a1 a2 =
a1 a1
a2 a2
1 1
1
3 3 = 0,
2
2
2
1
1
1
+ ( 3) ( 3),
2
2
2
3
+ = 1,
4
1
1 1
3 3 + = 1.
2
2 2
Wir stellen einge Aussagen u

ber orthogonale Marizen zusammen.
Satz 1.9
Sei A eine quadratische Matrix. Dann gilt:
1.
2.
3.
4.
5.
Ist A orthogonal, so ist A regul

ar.
A ist genau dann orthogonal, wenn A A = E, also wenn A = A1 ist.
A ist genau dann orthogonal, wenn A A = E.
Ist A orthogonal, so sind auch A1 und A ortogonal.
Sind A, B Rnn orthogonal, so ist auch A B orthogonal.
Die Ergebnisse sind teilweise so u

berraschend, dass wir uns die Beweise anschauen wollen.
Zu 1. Wenn die Zeilen paarweise aufeinander senkrecht stehen, so sind sie auf
jeden Fall linear unabh
angig. Diese Aussage ist also klar.
Ubrigens, paarweise bedeutet, dass man sich beliebig Paare greifen kann.
Diese m
ochten bitte immer senkrecht aufeinander stehen. Ohne diese Voraussetzung k
onnte es doch passieren, dass der erste Vektor senkrecht auf dem
zweiten steht, der zweite senkrecht auf dem dritten, aber dieser dritte muss
dann nicht senkrecht auf dem ersten stehen. Der dritte Vektor k
onnte ja z.B.
wieder der erste sein.
Zu 2. Schauen wir uns dazu das Falk-Schema mit A und A an:
A
A A A
Wir haben also links die Matrix A und rechts oben die Matrix A . Die hat
ja als Spalten gerade die Zeilen von A. Jetzt lassen wir die K
aferchen laufen; dadurch bilden wir genau innere Produkte der Zeilen von A (links) mit
den Spalten von A , also den Zeilen von A (rechts oben). Unsere Orthogonalit
atsbedingung besagt, dass hier bei gleichen Zeilen 1, sonst 0 herauskommt,
und das ergibt genau die Einheitsmatrix. Haben wir umgekehrt A A = E,
so sind nach diesem Schema die Zeilen aufeinander senkrecht bzw. normiert.
1.7 Orthogonale Matrizen
21
Zu 3. Diese Aussage ist ganz u

asst sich aber sehr leicht herleiberraschend, l
ten.
Sei A orthogonal, also A A = E. Diese Gleichung multiplizieren wir von
links mit A1 . Diese Matrix existiert ja nach 1.
1

1
1

1
A
A A = A E = A , also folgt A = A .
E
Jetzt multiplizieren wir diese letzte Gleichung von rechts mit A und erhalten:
A A = A1 A = E,
und das haben wir behauptet. Aber was bedeutet diese schlichte Zeile?
Schauen Sie einfach weder auf das Falk-Schema:
A
Links krabbeln wir die Zeilen lang, aber in A , das sind also die Spalten
von A, oben krabbeln wir auch die Spalten runter, und es ergibt sich E. Also
stehen die Spalten aufeinander senkrecht.
Das h
atte man doch kaum erwartet: Wenn in einer quadratischen Matrix
die Zeilen paarweise aufeinander senkrecht stehen und normiert sind, so gilt
genau das gleiche auch f
ur die Spalten.
Zu 4 Sei A orthogonal. Dann existiert A1 und es gilt
(A1 ) = (A ) = A = (A1 )1 = A1 ist orthogonal.
Zu 5.
(A B) = B A = B 1 A1 = (A B)1 = A B ist orthogonal.
Hier noch zwei Beisiele orthogonaler Matrizen.
A=
1
2
1
2
12
1
2
B=
cos sin
sin
cos
Bitte rechnen Sie doch kurz nach, dass wirklich A A = E gilt. B B = E

folgt wegen cos2 + sin2 = 1.
Bequem ist es, f
ur orthogonale Matrizen ihre inverse Matrix auszurechnen. Die
muss man n
amlich gar nicht lange suchen, sondern es ist ja A1 = A f
ur
orthogonale Matrizen. Hier folgt also
1
2
12
1
2
1
2
cos
sin
sin cos
22
1 Matrizen
Ubung
2
1. Gegeben seien die beiden Matrizen
A=
1 1 2
3 2 4
1 2 11 4
B=
2 3
3 1
0 2
4 0
Uberpr
ufen Sie mit diesen Matrizen die Aussage von Satz 1.6:
rg(A B) = min(rg(A), rg(B))
2. Zeigen Sie (vgl. Satz 1.7), dass sich jede quadratische Matrix A Rnn in
die Summe
A=
1
1
(A + A ) + (A A )
2
2
zerlegen l
asst, wobei 12 (A + A ) symmetrisch und
metrisch ist.
3. Zeigen Sie, dass die Matrizen
A=
1 2
1
1
1 3
(A A ) schiefsym-
1
2
und
B=
2 1 1
3
1 1 2
invers zueinander sind.

4. Zeigen Sie, dass die Matrix
1 0 2
A=
1 1 0
1 1 4
keine inverse Marix besitzt.
Ausf
uhrliche L
2 Determinanten
Ubersicht
2.1
2.2
Erste einfache Erkl

arungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Elementare Umformungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
26
In diesem Kapitel stellen wir einen Begri vor, der uns gar nicht oft begegnen
wird, der aber trotzdem seine Bedeutung hat. Wir kommen in Kapitel Die
renzierbarkeit darauf zur
uck.
Weil wir aber mit diesem Begri nur sehr eingeschr
ankt arbeiten werden, stellen
wir ihn auch nur in einer sehr abgespeckten Form vor. Wenn Sie mehr u
ber dieses
Gebiet erfahren wollen, schlagen Sie bitte in guten Mathematikb
uchern nach.
2.1
Erste einfache Erkl

arungen
Jeder quadratischen Matrix und nur diesen wird auf ranierte Weise eine Zahl,
ihre Determinante zugeordnet. Nur f
ur (2 2)- und (3 3)-Matrizen wollen wir
etwas genauer darauf eingehen.
Denition 2.1 (Determinante einer (2 2)-Matrix)
Sei
A=
a11 a12
a21 a22
R22 .
(2.1)
= a11 a22 a12 a21
(2.2)
Dann heit die reelle Zahl
det(A) = |A| = det
a11 a12
a21 a22
die Determinante von A.

Dazu ein Beispiel.

24
2 Determinanten
A =
B =
= det(A) = (2) (1) 3 (2) = 8
2 1
1 2
1
= det(B) = 1 2 (2) (1) = 0
Eine
ahnlich einfache Regel gibt es f
ur (3 3)-Matrizen, und nur f
ur solche. Sie
ist nicht f
ur gr
oere Matrizen u
bertragbar.
Denition 2.2 (Determinante einer (3 3)-Matrix)
Sei A eine reelle (3 3)-Matrix:
a11 a12 a13
A=
a21 a22 a23 .
a31 a32 a33
Dann heit det(A) = |A|
(2.3)
a11 a22 a33 + a21 a32 a13 + a31 a12 a23
a13 a22 a31 a23 a32 a11 a33 a12 a21

die Determinante von A.
Das sieht schrecklich aus, aber daf
ur haben wir ja Sarrus, der uns eine einfache
Merkregel spendiert hat.
Satz 2.1 (Regel von Sarrus f
ur (3 3)-Matrizen)

a11
a12
a13
a21
a22
a23
a+
31

+
a11
a32
j
a33
a12
s
a13

a21
a22
ja23
Abb. 2.1 Die Regel von Sarrus
Wir schreiben die ersten beiden Zeilen

unter die Matrix darunter. Dann folgen wir den Pfeilen. Jeder Pfeil trit
drei Eintr
age der Matrix. Diese werden
jeweils miteinander multipliziert. Dann
werden die Produkte, die zu Pfeilen von
links oben nach rechts unten geh
oren,
addiert; die Produkte zu Pfeilen von
rechts oben nach links unten werden
subtrahiert.
Vergleichen Sie das Ergebnis bitte mit der Denition (2.4), es ergibt sich genau
dieser Ausdruck. Wir sollten noch einmal betonen, dass diese wundersch
one
Regel nur f
ur (3 3-Matrizen verwendet werden kann. Sie l
asst sich nicht auf
gr
oere Matrizen verallgemeinern. Das bitte unbedingt im Ged
achtnis behalten.
2.1 Erste einfache Erkl

arungen
25
Mit einem Beispiel wird es noch leichter. Sei dazu
1 2 3
A=
4
5
6
7 8 9
Dann rechnen wir mit Herrn Sarrus:

1
8
2
j9
s3
j6
+
7

+
1
4
det(A) = 1 5 9 + 4 8 3 + 7 2 6
3 5 7 6 8 1 9 2 4
= 45 + 96 + 84 105 48 72
= 225 225 = 0
Abb. 2.2 Beispiel zur Regel von Sarrus
Beim folgenden Beispiel lassen wir schon mal die Pfeile weg, damit das Bild
einfacher ausschaut. Wenn Sie viel ge
ubt haben, m
ussen Sie auch die beiden
Zeilen nicht mehr darunter schreiben. Dann geht alles im Kopf.
A=
2 1
0 0 4
0 3
det(A) = (2) 3 (4) + 0 + 0

0 0 0 = 24
Dieses Beispiel gibt uns gleich einen Hinweis f

ur spezielle Matrizen, der sehr
n
utzlich sein wird.
Satz 2.2
Ist A Rnn eine obere (oder untere) Dreiecksmatrix, so ist det(A) das Produkt
der Diagonalelemente.
26
2.2
2 Determinanten
Elementare Umformungen
Diese Umformungen, die uns schon bei der Berechnung des Ranges einer Matrix
geholfen haben, sind genau so gute Hilfsmittel zur Berechnung von Determinanten, aber Achtung, es gibt kleine Unterschiede.
Satz 2.3
Sei A Rnn eine quadratische Matrix. Dann gilt:
1. Vertauscht man zwei Zeilen oder zwei Spalten in A, so wird die Determinante
mit 1 multipliziert, sie
andert also ihr Vorzeichen.
2. Multipliziert man eine Zeile oder eine Spalte mit a R, so wird die Determinante mit dieser Zahl multipliziert. Wird die gesamte Matrix mit einer
Zahl a R multipliziert, so werden ja n Zeilen oder Spalten mit dieser Zahl
multipliziert, und es ergibt sich:
det(a A) = an det(A)
(2.4)
3. Addiert man das Vielfache einer Zeile bzw. Spalte zu einer anderen Zeile
bzw. Spalte, so
andert sich die Determinante nicht.
Gerade dieser 3. Punkt ist es, der sich prima verwenden l
asst. Wir werden mit
dieser Regel versuchen, eine gegebene Matrix auf Dreiecksgestalt zu u
uhren
berf
und dann mit Satz 2.2 ihre Determinante berechnen.
2 3
0 1 2 2
A :=
1 1 3 2
1 2
2 3
0
0
1 2 2
1 1 4 4
1 1 2
1 2 3 0
0 1 2 2
=: B

0 0 4 4
1 1 1
1 1
1
2 2
6 2
3
2 2
4 4
1 1/4 3
0 0 0 3
Diese elementaren Umformungen, die wir oben durch Pfeile angedeutet haben, a
ndern die Determinante nicht. Daher erhalten wir:
2.2 Elementare Umformungen
27
det(A) = det(B) = 1 1 4 (3) = 12.

Damit haben wir ein wirklich praktikables Verfahren zur Berechnung von Determinanten auch gr
oerer Matrizen kennen gelernt. Aber aufpassen, wirklich nur
die Operation 3. durchf
uhren, nicht zwischendurch mal, weil uns die Vorzeichen
nicht passen, schnell mit (1) multiplizieren oder zwei Zeilen vertauschen.
Der folgende Satz enth
alt einige Rechenregeln, die wertvolle Hilfen zur Berechnung von Determinanten liefern.
Satz 2.4
Seien A, B Rnn . Dann gilt:
1. Determinantenmultiplikationssatz:
det(A B) = det(A) det(B),
(2.5)
2.
det(A ) = det(A),
det(E) = 1,
(2.6)
3.
det(A) = 0 rg(A) = n,
(2.7)
die Zeilen bzw. Spalten bilden also ein linear unabh

angiges System,
4.
det A = 0 = det(A1 ) =
1
.
det(A)
(2.8)
In Ubung
3, S. 22 haben wir nachgerechnet, dass die beiden Matrizen
A=
1 2
1
1
1 3
0
und
B=
2 1 1
3
1 1 2
invers zueinander sind, dass also A B = E ist. Wir berechnen jetzt det A und
det B und pr
ufen den Determinantenmultiplikationssatz (2.5).
Mit Sarrus erhalten wir:
1 2 2
1 0 1
det(A) = 1 0 (3) + 1 1 2 + (1) (2) 1

1 1 3
2 0 (1) 1 1 1 (3) (2) 1
1 2
2
= 0 + 2 + 2 0 1 6 = 3
1
0
1
28
2 Determinanten
1
3
2
3
13
1
3
23
4
3
1
3
13
4
3
1
3
2
3
13
23
2
3
13
2
2
1 2
1 1
( ) + ( ) ( )
3 3
3
3
3 3
1
4
1
2 1
1
+( ) ( ) ( ) ( )
3
3
3
3 3
3
1
1 1
2
4
2
( ) ( ) ( ) ( ) ( )
3
3 3
3
3
3
9
1
[2 + 4 + 4 + 2 1 16] =
=
27
27
det(B) =
Es folgt also
det(A) det(B) = (3) (
9
27
)=
= 1 = det(A B) = det(E) = 1
27
27
in guter Ubereinstimmung
mit dem Determinantenmultiplikationssatz.
Zum Schluss dieser ersten Erkl
arungen hier noch der Hinweis, dass man in Mathematikb
uchern selbstverst
andlich eine sehr allgemeine Denition der Determinante einer (n n)-Matrix ndet. Dabei wird von den Permutationen der
Zahlen 1, . . . , n Gebrauch gemacht. Wir wollen nur bemerken, dass es bekanntlich n! viele Permutationen dieser Zahlen gibt. Das ist eine rasant ansteigende
Zahl. Man wird also schon f
ur n = 10 M
uhe haben, nach dieser Denition eine
Determinante auszurechnen. F
ur n = 100 braucht man schon einen sehr groen
Computer, und selbst die gr
oten Computer werden streiken, wenn wir Matrizen f
ur n = 1000 vor uns haben. Solche Dinger sind aber Anwendern heutzutage
allgegenw
artig. Determinanten kann man da einfach vergessen.
Wir merken uns:
Eine Determinante ist eine schlichte reelle Zahl, die auf komplizierte
Weise einer quadratischen Matrix zugeordnet wird.
2.2 Elementare Umformungen
29
Ubung
3
1. Berechnen Sie von folgenden Matrizen jeweils ihre Determinante:
A=
1 1
3 2
1 2 11
B=
2 3
3 1
1 0 0
0
,
4
C=
2 3 0
11 4 4
2. Berechnen Sie mit elementaren Umformungen die Determinante folgender

Matrix:
1 3
1 1
2 6 10
4
A=
3
1
3
10
3. Verizieren Sie an Hand der Matrix
1 2 11
A=
2 3
3 1
die Aussage det (A) = det (A ).

4. Verizieren Sie an Hand der beiden Matrizen
A=
1 1
3 2
B=
1 2
2 3
den Determinantenmultipliktionssatz.
5. Zeigen Sie, dass f
ur eine regul
are n n-Matrix A gilt:
det(A1 ) =
1
det(A)
Ausf
uhrliche L
3 Lineare Gleichungssysteme
Ubersicht
3.1
3.2
3.3
3.4
3.5
Bezeichnungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Determinantenkriterium . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
L-R-Zerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Pivotisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
32
36
36
45
Lineare Gleichungssysteme sind uns ja von der Schule her wohlvertraut. Schon
in der 9. Klasse haben wir gelernt, 3 Gleichungen mit 3 Unbekannten zu l
osen.
Daher werden wir in diesem Kapitel gleich ziemlich allgemein an die Sache
herangehen.
3.1
Bezeichnungen
Wir starten mit der Denition des allgemeinsten Falles.

Denition 3.1 (Lineares Gleichungssystem)
Gegeben seien eine Matrix A und ein Vektor b
a11 a1n
.
..
.
A=
. ,
.
am1 amn
b1
b = .. .
.
bm
Gesucht wird ein Vektor
x1
.
.
x =
. ,
xn

32
ost:
der das folgende System von m Gleichungen mit n Unbekannten x1 , . . . , xn l
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2
..
..
.
.
(3.1)
am1 x1 + am2 x2 + + amn xn = bm

Ein solches System heit lineares Gleichungssystem (LGS). Wir schreiben es
auch k
urzer als
A x = b.
(3.2)
Bitte machen Sie sich an Hand der Matrizenmultiplikation klar, dass die Kurzschreibweise (3.2) genau zu dem Gleichungssystem (3.1) f
uhrt. Aus diesem Schema kann man auch sofort erkennen, dass der Vektor
x genau n Komponenten
hat, w
ahrend der Vektor der rechten Seite b dann m Komponenten haben muss,
weil sonst das Schema nicht passen w
urde. Man muss sich das also nicht extra
merken.
Ubrigens
hat sich in der Mathematik kein eigener Name f
ur den Vektor b eingeb
urgert. Manchmal taucht bei Studierenden der Name L
osungsvektor auf,
das ist aber ganz schlecht und geht gar nicht. Der L
osungsvektor ist eindeutig
der gesuchte Vektor x und keiner sonst. Wir werden b also Vektor der rechten
Seite nennen. A heit die Koezientenmatrix.
3.2
Existenz und Eindeutigkeit
Der gleich folgende Satz enth

alt die zentrale Aussage f
ur LGS. Er gibt uns u
ber
alles Auskunft. Und das Sch
onste dran ist, dass er sehr leicht einsichtig ist, wenn
wir nur einen klitze kleinen Trick verwenden.
Der Trick sieht so aus: Wir schreiben die Spalten der Koezientenmatrix A als
Vektoren, also
a11
an1
.
.
.
.
a1 =
. , , an = .
am1
anm
Das kommt uns so harmlos als Abk

urzung daher, aber jetzt aufgemerkt. Wir
schreiben das LGS (3.1) in der Form
x1 a1 + x2 a2 + + xn an = b
3.2 Existenz und Eindeutigkeit
33
Ganz ruhig und gelassen hinschauen, dann sehen Sie es, ja, so kann man das
schreiben. Scheint auch noch nicht viel gewonnen. Aber diese neue Schreibweise gibt uns eine andere Sicht auf das LGS. Wir haben doch eine Summe von
Vektoren, mit Zahlen xi multipliziert, die den Vektor b ergeben m
ochten. Das

heit doch, dass wir den Vektor b als Linearkombination der Spaltenvektoren
a1 , , an darstellen m
ussen. Das bedeutet wiederum, wir m
ussen x1 , , xn
suchen, so dass mit diesen Zahlen der Vektor b von den Spaltenvektoren linear
abh
angig ist. Das kann nat
urlich nur gelingen, wenn b in dem von den Spalten
aufgespannten Vektorraum liegt. Mit dieser Uberlegung

haben wir also sofort
unsere Bedingung, wann ein LGS u
osbar ist. Wir dr
ucken das im
berhaupt l
folgenden Satz mit Hilfe des Ranges aus.
Satz 3.1 (Alternativsatz f
ur LGS)
mn
m
Seien A R
, b R . Dann gilt f
ur das lineare Gleichungssystem (3.2) die
Alternative
(i) Ist rg A < rg (A| b), so ist die Aufgabe nicht l
osbar.

x = b
(ii)Ist rg A = rg (A|b), so ist die Aufgabe l
osbar, es gibt also
x Rn mit A
Im Fall (ii) gilt die zus
atzliche Alternative:
1. Ist rg A = n = Anzahl der Unbekannten, so gibt es genau eine L
osung der
Gleichung (3.2).
2. Ist rg A < n, so gibt es unendlich viele L
osungen mit n rg A Parametern.
Eine meiner Lieblingsaufgaben lautet:
Suchen Sie doch mal nach einem reellen Gleichungssystem, das genau zwei L
osungen hat.
Es w
urde mir ein sehr kleines System, also vielleicht zwei Gleichungen mit drei
Unbekannten oder so ausreichen. In manchen Ubungsstunden

habe ich sogar
schon mal einen Kasten Bier ausgelobt. Aber ich bin ja geizig. So etwas setze
ich nicht einer leichtfertigen Wette aus. Unser obiger Satz sagt uns ja auch ganz
klar, dass es ein solches LGS nicht geben kann. Entweder hat es gar keine L
osung
oder genau eine oder unendlich viele. Genau zwei geht nicht.
Aber jetzt kommt die hinterh
altige Frage.
Wenn wir denn also schon zwei verschiedene L
osungen, nennen wir
sie x1 und x2 , haben und dann wissen, dass es unendlich viele weitere gibt, dann m
ochten wir doch schnell auch eine dritte angeben
k
onnen, oder? Also, wie heit eine dritte L
osung
x3 ?
Die Erkenntnis, die wir aus dieser einfachen Frage gewinnen werden, ist sehr,
sehr wichtig. Darum streuen wir ein leichtes Beispiel ein.
34
y = 4
2x 2y = 8
Ich verrate Ihnen zwei L
osungen:
x1 = (5, 1) ,
x2 = (3, 1) .
x2 als L
osungen
Der erste Verdacht f
ur eine dritte L
osung ist: Klar, mit
x1 und
osung. Das riecht man doch geradezu. Aber
ist nat
urlich auch x1 + x2 eine L
Achtung, unbedingt verinnerlichen: Diese Aussage ist falsch, falsch, falsch und
nochmals falsch.
Probieren Sie es:
x3 = x1 + x2 = (5, 1) + (3, 1) = (8, 0) ,
setzen Sie aber jetzt x3 = (8, 0) in das LGS ein, so erhalten Sie als rechte Seite
(8, 16) = (4, 8) .
Also bitte unbedingt ins Langzeitged
achtnis aufnehmen:
Die Summe zweier L
osungen ist nicht unbedingt eine L
osung.
Wir schr
anken diese Aussage bewusst etwas ein: nicht unbedingt; denn schauen
wir genau hin. Unser Problem lag ja darin, dass wir f

ur jede L
osung rechts
den Vektor b erhalten, f
ur die Summe also den Vektor 2 b. Der ist aber i.a.
verschieden von b.
Wenn die rechte Seite aber der Nullvektor w
are, b = 0, so bliebe auch bei der
Summe wegen 0 + 0 = 0 die rechte Seite unge
andert, die Summe w
are also eine
L
osung. Das gilt aber nur, wenn b = 0 ist. So ein LGS nennen wir homogen.
Nun sind wir erst ein kleines St
uckchen weiter mit unserer Frage nach einer
dritten L
osung: Die Summe tuts normalerweise nicht.
Wenn wir jetzt aber diesen Faden weiter spinnen, so w
urde doch ein Vektor,
der uns auf der rechten Seite 0 erbr
achte, nicht weiter st
oren, den k
onnten wir
gefahrlos hinzuaddieren. Und da f
allt uns doch gleich ein Vektor ein.
x1 bringt
b und x2 bringt auch b, ihre Dierenz x2 x1 ergibt also 0. Aber halt, wenn wir
x1 + (
x2
x1 ) =
x2 ,
jetzt zu x1 den Vektor x2 x1 hinzuaddieren ergibt sich
und das ist nicht Neues.
Nachdenken . . . Klackerts? Wegen 2 0 = 0 k
onnen wir doch einfach den Vektor
x3 = x1 + 2 ( x2 x1 ) = 2
x2
x1
verwenden:
35
A x3 = A ( x1 + 2 ( x2 x1 )) = b + 2 0 = b.
osung des LGS und sicher verschieden von
x1 und
x2 .
x3 ist also L
Jetzt setzen wir nur noch einen drauf, um unendlich viele weitere L
osungsvektoren zu nden. Wir bilden
xk = x1 + k ( x2 x1 ), k R.
k kann also eine beliebige reelle Zahl sein, immer ergibt sich rechts b, so haben
wir locker unendlich viele neue L
osungen gefunden.
Gerade der letzte Teil obiger Uberlegung zeigt ein allgemeines Prinzip f
ur die
L
osungsgesamtheit. Stets ist sie so aufgebaut, dass man eine spezielle L
osung
des nicht homogenen LGS nden muss, hier ist es
x1 , und daran h
angt man
die allgemeine L
osung des homogenen LGS. Mathematisch zeigt sich, dass die
L
osungen des homogene LGS einen Vektorraum der Dimension nrg (A) bilden
mit den Bezeichnungen des Satzes 3.1. Man kann also (n rg (A))-viele linear
unabh
angige L
osungsvektoren nden, die wir dann als Linearkombination an
die spezielle L
osung additiv dranh
angen.
Schauen Sie bitte noch einmal auf den Satz 3.1. Wichtig f
ur die Existenz einer
L
osung ist es, ob die rechte Seite aus den Spaltenvektoren kombinierbar ist.
Die L
osung selbst h
angt dann von n, also der Zahl der Unbekannten oder,
was dasselbe ist, der Zahl der Spalten ab. Haben wir irgendwo von den Zeilen
geredet? Nur die Zahl der Unbekannten bzw. Spalten ist interessant, die Zahl
der Gleichungen bzw. Zeilen ist v
ollig uninteressant. Lediglich u
ber die Aussage,
dass Zeilenrang gleich Spaltenrang ist, k
onnte man einen Zusammenhang zu den
Zeilen herstellen.
Nehmen wir noch einmal unser Beispiel von oben:
x
x
y = 4
y = 4
2x 2y = 8
2x 2y = 8
2x 2y = 8
2x 2y = 8
Das linke System hat, wie wir oben gesehen haben, unendlich viele L
osungen.
Beim rechten haben wir deswegen noch zwei Zeilen hinzugef
ugt, aber in Wirklichkeit doch gar nichts ge
andert, weil wir nur die zweite Zeile noch zweimal
darunter geschrieben haben. Das
andert an der L
osbarkeit keinen Deut. Das
rechte System hat jetzt vier Gleichungen f
ur zwei Unbekannte, ist also scheinbar sehr u
osungen.
berbestimmt, hat aber immer noch unendlich viele L
Die Zahl der Gleichungen spielt keine Rolle bei der Frage nach der
L
osbarkeit eines LGS.
36
Wenn also in Zukunft irgend jemand Ihnen daher kommt und anhebt, dass ein
LGS l
osbar ist, wenn die Zahl der Gleichungen . . . , dann unterbrechen Sie ihn
und sagen Sie ihm, dass er keine Ahnung hat. Also vielleicht dr
ucken Sie es
etwas diplomatischer aus, aber im Kern genau das sagen.
3.3
Determinantenkriterium
Der folgende Satz z

ahlt zu den Lieblingen vieler Studierender. Aber wenn man
genau hinsieht, hat er das wirklich nicht verdient:
Korollar 3.1
Ist A Rnn eine quadratische Matrix mit det A = 0, so hat das LGS (3.2)
genau eine L
osung.
Sie brauchen f
ur diese Eindeutigkeitsaussage zwei sehr wesentliche Voraussetzungen.
1. Zum einen muss es ein quadratisches System sein, es muss also genau so viele
Gleichungen wie Unbekannte haben.
2. Dann muss auerdem die Determinante, die ja nur f
ur quadratische Matrizen deniert ist, ungleich 0 sein. Wenn Sie aber jetzt ein System mit zehn
Gleichungen und zehn Unbekannten haben, so m
ochte ich mal sehen, wie Sie
die Determinante ausrechnen. In der Praxis werden heute aber locker Gleichungen mit einer Million Unbekannten gerechnet. Na dann, viel Spa. Das
geht gar nicht.
Fazit: Dieses Korollar geht nur in Anf
anger
ubungsgruppen.
3.4
L-R-Zerlegung
Nun steuern wir mit groen Schritten auf das L

osen linearer Gleichungssysteme
zu. Eine probate Methode ist dabei das Zerlegen der vorgegebenen Systemmatrix
in eine einfachere Struktur. Wir schildern hier eine Variante des Gaualgorithmus, bekannt als die L-R-Zerlegung oder Links-Rechts-Zerlegung.
3.4.1
Die Grundaufgabe
Um uns nicht mit zu vielen Formalien befassen zu m

ussen, beschr
anken wir uns
auf quadratische Matrizen. Das Verfahren ist aber im Prinzip auch f
ur beliebige
Matrizen durchf
uhrbar.
3.4 L-R-Zerlegung
37
Die Berechnung der Zerlegung lehnt sich eng an die Gauelimination an. Im
Prinzip macht man gar nichts Neues, sondern w
ahlt lediglich eine andere Form.
Am Ende einer erfolgreichen Elimination hat man ja eine obere Dreiecksmatrix
erreicht. Diese genau ist schon die gesuchte Matrix R.
Die Matrix L steht ebenfalls fast schon da, aber Achtung, eine Kleinigkeit ist
anders.
Denition 3.2 (L-R-Zerlegung)
Gegeben sei eine quadratische Matrix A Rnn . Dann verstehen wir unter
einer L-R-Zerlegung der Matrix A eine multiplikative Zerlegung der Matrix A
in
A=LR
(3.3)
mit einer linken Dreiecksmatrix L und einer rechten Dreiecksmatrix R, wobei L

nur Einsen in der Hauptdiagonalen besitzt; also ( steht f
ur eine beliebige Zahl)
.. ..
.
.
L=
. .
.. . . . . .

1
0
..
.

.
0 ..
.. . . . .
.
.
.
, R =
0
1

..
.
..
.
(3.4)
agen geEinmal kurz nachgedacht: Wir haben die Matrix A mit n n = n2 Eintr
geben. In der Matrix R haben wir wegen der vollst
andig ausgef
ullten Diagonalen
schon mehr als die H
alfte der gesuchten Zahlen eingetragen. Daher k
onnen wir
es uns hoentlich leisten, in der Matrix L die Diagonale mit Einsen vorzugeben,
damit die ganze Aufgabe nicht u
berbestimmt wird. Damit haben wir erst mal
ein Grundger
ust. Ob das dann so geht, m
ussen wir noch u
achst
berlegen. Zun
erkl
aren wir, wie wir das L nden. Dazu schidern wir das allgemeine Vorgehen.
Dabei erinnern wir daran, dass dieses Verfahren zwar auch f
ur kleine LGS mit
(3 3)-Matrizen seine Berechtigung hat, aber erst wirklich wichtig wird bei
groen Aufgaben. Daher schildern wir alles so, wie wir es zum Programmieren
eines Rechners ben
otigen. Zun
achst beschreiben wir eine Version ohne Zeilentausch. Wir geben sp
ater Bedingungen an, wann diese Variante durchf
uhrbar ist.
Von unseren elementaren Umformungen werden wir also nur die erste benutzen,
n
amlich das Vielfache einer Zeile zu einer anderen zu addieren
1. Erster Schritt: Wir wollen in der ersten Spalte unterhalb des Diagonalelementes a11 Nullen erzeugen. Dazu w
ahlen wir den Faktor
a21
.
a11
38
Mit diesem multiplizieren wir die erste Zeile und addieren das Ergebnis zur
zweiten Zeile. Wir machen uns schnell klar, wie wir diesen Faktor gefunden
haben. Wenn wir (im Kopf) die erste Zeile durch a11 dividieren, entsteht
an der ersten Stelle eine 1. Multiplizieren wir dann diese Zeile mit a21 , so
entsteht genau die negative Zahl, die an der Stelle a21 steht. Durch unsere
Addition zur zweiten Zeile erhalten wir also dort eine Null. Bitte machen
Sie sich diesen Weg noch einmal ganz langsam klar; denn dann werden alle
folgenden Schritte leicht.
Das Spiel geht in der ersten Spalte weiter mit dem Element a31 . Dazu multiplizieren wir die erste Zeile mit
a31
a11
und addieren sie zur dritten Zeile. Dann entsteht an der Stelle a31 eine Null.
Das geht weiter, bis die ganze erste Spalte unterhalb der Diagonalen nur
noch Nullen enth
alt.
Beachten Sie bitte, dass es dem Computer egal ist, ob bereits a11 = 1 ist und
eine Division daher u
ussig w
are. Diese Pr
ufung w
urde zus
atzlich Zeit
ber
kosten und h
atte kaum Bedeutung. Auch die Abfrage, ob bereits a21 = 0 ist,
bringt nur zus
atzlichen Zeitaufwand f
ur den Computer.
2. Zweiter Schritt: Durch den ersten Schritt sind jetzt nat
urlich die Eintr
age in
der Matrix A ge
andert worden. Wir verzichten aber auf eine Umbenennung
mitoder Ahnlichem,
um nicht zuviel Verwirrung herzustellen.
Wir wollen in der zweiten Spalte unterhalb des Diagonalelementes a22 Nullen
erzeugen. Dazu w
ahlen wir den Faktor
a32
,
a22
mit dem wir die zweite Zeile multiplizieren und das Ergebnis zur dritten Zeile
addieren.
Sollen wir noch einmal diesen Faktor erl
autern? Die Division durch a22 f
uhrt
zu einer 1 an der Stelle a22 . Die Multiplikation mit a32 ergibt dann genau
das Negative der Zahl a32 . Wenn wir die so ge
anderte zweite Zeile also zur
dritten addieren, erhalten wir a32 = 0.
Das geht dann die ganze zweite Spalte munter so weiter, bis alle Eintr
age
unterhalb des Diagonalelementes a22 gleich Null sind.
3. im dritten Schritt machen wir die Eintr
age unterhalb von a33 zu Null, im
vierten Schritt, na usw, bis, ja bis zur n 1-ten Spalte. Die n-te Spalte hat
ja nichts mehr unter sich stehen, das Element ann steht ja schon in der Ecke.
Also beim Programmieren aufpassen, diese Schleife darf nur bis n 1 laufen.
Wir multiplizieren mit ziemlich charakteristischen Faktoren. Diese verdienen
daher einen Namen:
3.4 L-R-Zerlegung
39
Denition 3.3 (Gau-Faktoren)

Die Faktoren, mit denen wir zwischendurch Zeilen multiplizieren und zu darunter stehenden Zeilen addieren, heien Gau-Faktoren:
bik =
aik
,
akk
i.k = 1, . . . , n 1.
(3.5)
Jetzt kommen wir noch mit einer kleinen Abwandlung. Wir haben ja in der
Ausgangsmatrix A unterhalb der Diagonalen Nullen erzeugt. Diese Nullen sind
sch
on, aber wir brauchen sie doch gar nicht weiter. Also werden wir sie mit den
jeweiligen Gaufaktoren u
berschreiben. So entsteht die Matrix:
r11 r12
r1n
r2n
r33
r3n
..
..
.
.
bnn1 rnn
b21 r22
b31 b32
..
..
.
.
bn1 bn2
Wie wir oben schon gesagt haben, sehen wir oberhalb der Stufen unsere gesuchte
Matrix R:
R=
r11 r12 r1n
0
..
.
..
.
r22 r23 r2n
.. . .
.
. ..
.
..
.
..
.
. .
.
0 rnn
Unterhalb steht fast schon L, aber nicht ganz:
b21
1
0
L=
b31 b32 1
.
..
.
.
1
.
bn1 bn2 bnn1
0
1
0
..
.
Sehen Sie bitte genau hin, L entnehmen wir aus der Gauumformung, indem
wir s
amtliche Vorzeichen unterhalb der Stufenform umkehren. Das ist aber doch
dann wiederum ganz simpel, oder?
Wenn Sie jetzt wissen wollen, warum man f
ur das korrekte L alle Vorzeichen
unterhalb der Diagonalen umkehren muss, so bin ich richtig stolz auf Sie. Toll,
dass Sie sich daf
ur interessieren. Kennen Sie das Lied der Sesamstrae? Dort
heit es:
40
Wieso, weshalb, warum? Wer nicht fragt, bleibt dumm!

Genau das beherzigen Sie, wenn Sie mir diese Frage stellen. Habe ich vielleicht
doch schon etwas bewirkt?
Leider komme ich jetzt aber mit einer h
asslichen Nachricht. Diese Vorzeichenumkehr zu erkl
aren, erfordert einen ziemlichen Aufwand. Es ist also u
berhaupt nicht
trivial, wie Mathematiker gerne solche Fragen abb
ugeln. Wenn ich mal etwas
andeuten darf, man benutzt sogenannte Frobeniusmatrizen. Deren Inverse l
asst
sich ganz leicht mittels Vorzeichenumkehr hinschreiben. Bitte schauen Sie, wenn
es Sie wirklich interessiert, in das Buch (11), dort ist es ausf
uhrlich erkl
art.
Beispiel 3.1
Gegeben sei die Matrix
2 3 1
A=
0 1 3 ,
3 2 a
a R.
Berechnen Sie ihre L-R-Zerlegung, und zeigen Sie, dass A f

ur a = 6 regul
ar
ist.
Da a21 = 0 schon gegeben ist, muss nur a31 im 1. Schritt bearbeitet werden.
Dazu muss die erste Zeile mit 3/2 multipliziert werden, um durch Addition
zur letzten Zeile a31 = 0 zu erreichen.
A
0
0 52 32 + a
Zur Ersparnis von Schreibarbeit und beim Einsatz eines Rechners von Speicherplatz ist es empfehlenswert, die geliebten, aber jetzt nutzlosen Nullen, die man
unterhalb der Diagonalen erzeugt hat, durch die Faktoren zu ersetzen, die wir
berechnen, um an dieser Stelle eine Null zu erzeugen. Das passt gerade zusammen:
=
AA
32 52 32 + a
Im 2. Schritt, der auch schon der letzte ist, wird die 2. Zeile mit 5/2 multipliziert
und zur 3. Zeile addiert. Man erh
alt

A
2 3
0 1
32
5
2
6+a
3.4 L-R-Zerlegung
41
Daraus lesen wir sofort die gesuchten Matrizen L und R ab.
1
0 0
L =
1 0
0
,
3
5
2 2 1
2 3
1
R =
0 1 3 .
0 0 6+a
Um die Regularit
at von A zu pr
ufen, denken wir an den Determinantenmultiplikationssatz
A = L R det A = det L det R.
Oensichtlich ist L stets eine regul
are Matrix, da in der Hauptdiagonalen nur
Einsen stehen. F
ur eine Dreiecksmatrix ist aber das Produkt der Hauptdiagonalelemente gerade ihre Determinante. Die Regularit
at von A entscheidet sich
also in R. Hier ist das Produkt der Hauptdiagonalelemente genau dann ungleich
Null, wenn a = 6 ist. Das sollte gerade gezeigt werden.
3.4.2
Existenz der L-R-Zerlegung
Leider ist die L-R-Zerlegung schon in einfachen F

allen nicht durchf
uhrbar. Betrachten wir z. B. die Matrix
A=
0 1
(3.6)
1 0
Oensichtlich scheitert schon der erste Eliminationsschritt, da das Element
ar ist, also vollen Rang besitzt.
a11 = 0 ist, obwohl die Matrix doch sogar regul
Der folgende Satz zeigt uns, wann eine solche Zerlegung durchgef
uhrt werden
kann. Dazu m
ussen wir, nur um diesen Satz zu verstehen, eine Bezeichnung
einf
uhren, die Sie also anschlieend getrost wieder vergessen k
onnen:
Denition 3.4 (Hauptminoren)
Bei einer quadratischen Matrix A Rnn verstehen wir unter den Hauptminoren die Determinanten folgender Untermatrizen:
42
Wir haben, um Platz zu sparen, nur eine (5 5)-Matrix hingeschrieben. Von

einer Matrix A = (aij ) betrachten wir also die Untermatrizen
A1 = (a11 ),
A2 =
a11 a12
a11 a12 a13
a21 a22
A3 =
a21 a22 a23 ,
a31 a32 a33
Die Determinanten dieser Untermatrizen sind dann die Hauptminoren von A.

Das Wort Hauptminor erkl
art sich mehr, wenn wir bedenken, dass wir auch
noch ganz andere Untermatrizen bilden k
onnen, z.B. die Matrix
a11 a41
a14 a44
Das Haupt bezieht sich also auf die Symmetrie zur Hauptdiagonalen.
Mit diesem Begri k

onnen wir jetzt den Satz angeben:
Satz 3.2
Sei A eine regul
are (n n)-Matrix. A besitzt dann und nur dann eine L-RZerlegung, wenn s
amtliche Hauptminoren von A ungleich Null sind.
Doch dieser Satz hilft in der Praxis u
berhaupt nicht. Hauptminoren sind schlielich Determinanten. Und die zu berechnen, erfordert einen Riesenaufwand. Der
folgende Satz hat dagegen in speziellen F
allen schon mehr Bedeutung.
Satz 3.3
Sei A eine regul
are (n n)-Matrix mit der Eigenschaft
n

|aik | |aii |,
1 i n,
k=1
k=i
dann ist die L-R-Zerlegung durchf

uhrbar.
Dieses Kriterium k
onnte man also tats
achlich vor einer langwierigen Berechnung
mal kurz anwenden. Aber meistens wird man die Zerlegung einfach probieren.
3.4 L-R-Zerlegung
3.4.3
43
L-R-Zerlegung und lineare Gleichungssysteme
Wie benutzt man nun diese L-R-Zerlegung, um ein lineares Gleichungssystem

zu l
osen?
Betrachten wir, damit wir keinen Arger

mit der L
osbarkeit haben, ein lineares
Gleichungssystem mit einer regul
aren (n n)-Matrix A. Dann gehen wir nach
folgendem Algorithmus vor:
Gleichungssysteme und L-R-Zerlegung
Gegeben sei ein lineares Gleichungssystem mit regul
arer Matrix A
A x = b.
1. Man berechne, falls m
oglich, die L-R-Zerlegung von A, bestimme also
eine untere Dreiecksmatrix L und eine obere Dreiecksmatrix R mit
A
x = L R x = b.
(3.7)

y := R x
(3.8)
(Vorw
artselimination)
(3.9)
2. Man setze
und berechne
y aus
L
y = b
3. Man berechne das gesuchte x aus

R x =
y
(R
uckw
artselimination)
(3.10)
Wie Sie sehen, muss man zwar mit diesem Algorithmus zwei lineare Systeme bearbeiten, der Vorteil der L-R-Zerlegung liegt aber darin, dass man es
jeweils nur mit einem Dreieckssystem zu tun hat. Einfaches Aufrollen von
oben nach unten (Vorw
artselimination) bei (3.9) bzw. von unten nach oben
(R
uckw
artselimination) bei (3.10) liefert die L
osung.
Wir sollten nicht unerw
ahnt lassen, dass man die Vorw
artselimination direkt in
die Berechnung der Zerlegung einbauen kann. Dazu schreibt man die rechte Seite
b des Systems als zus
atzliche Spalte an die Matrix A heran und unterwirft sie den
gleichen Umformungen wie die Matrix A. Dann geht b direkt u
ber in den oben
eingef
uhrten Vektor
y , und wir k
onnen sofort mit der R
uckw
artselimination
beginnen.
44
Beispiel 3.2
L
osen Sie folgendes lineare Gleichungssystem mittels L-R-Zerlegung.
4x1 11x2 = 1
2x1 +
4x2 = 1
Die zum System geh

orige Matrix lautet

4 11
.
A=
2
4
Unser Gau sagt, dass wir die erste Zeile mit 1/2 multiplizieren und zur zweiten
Zeile addieren m
ussen, um in der ersten Spalte unterhalb der Diagonalen eine
Null zu erzeugen:

4 11
A
.
1
32
2
Bei dieser kleinen Aufgabe sind wir schon mit der Zerlegung fertig. Die gesuchten
Matrizen L und R lauten
L=
1 0
12 1
R=
4 11
0 32
So, nun m
ussen wir zwei Gleichungssysteme l
osen. Zun
achst berechnen wir den
Hilfsvektor
y aus dem System
L
y = b
1 0
12 1
y1
y2
Nun ja, aus der ersten Zeile liest man die L

osung f
ur y1 direkt ab, und ein wenig
Kopfrechnen schat schon die ganze L
osung herbei:
y1 = 1, y2 = 3/2.
Das n
achste System enth
alt den gesuchten Vektor
x und lautet
R
x=
y
4 11
0 32
x1
x2
1
3/2
Hier fangen wir unten an gem

a der R
uckw
artselimination und erhalten aus der
zweiten Zeile direkt und dann aus der ersten, wenn wir noch einmal unseren
Kopf bem
uhen:
x2 = 1, x1 = 5/2.
3.5 Pivotisierung
3.5
45
Pivotisierung
Wenn man ein Gleichungssystem vor Augen hat mit der Matrix (3.6) von Seite
41 als Systemmatrix, bei der wir die Gauelimination nicht durchf
uhren k
onnen,
so hat man nat
urlich sofort die Abhilfe parat. Wir tauschen einfach die beiden
Zeilen, was das Gleichungssystem v
ollig unge
andert l
asst. Das ist der Weg, den
wir jetzt beschreiten werden.
Denition 3.5 (Transpositionsmatrix)
Eine (n n)-Matrix T heit Transpositionsmatrix, wenn sie aus der Einheitsmatrix durch Tausch zweier Zeilen hervorgeht. Mit Tij bezeichnen wir dann die
Transpositionsmatrix, die durch Tausch der i-ten mit der j-ten Zeile entstanden
ist:
Tij
1
0
..
.
.. .. ..
.
.
.
0
1
..
..
..
.
.
.
1 0 ..
.. ..
.
. 0
0 1
1
Ich hoe, Sie verstehen dieses kurze Schema. In der i-ten und j-ten Zeile stehen
also jetzt in der Diagonalen jeweils eine 0, die beiden 1 sind daf
ur etwas rausgerutscht. Zur Not verfolgen Sie den Vorgang mit Ihren Fingerchen. Hier einige
Eigenschaften dieser Matrizen.
Satz 3.4
Transpositionsmatrizen sind regul
ar, symmetrisch und orthogonal.
Das ist ziemlich leicht zu sehen. Die Einheitsmatrix ist nat
urlich regul
ar mit
Determinante 1. Eine Transpositionsmatrix entsteht durch Tausch zweier Zeilen,
also ist ihre Determinante 1. Sie ist somit auf jeden Fall regul
ar.
Die Symmetrie sieht man sofort.

Um ihre Orthogonalit
at zu pr
ufen, m
ussen wir zeigen, dass Tij Tij
= E ist.
Wegen der Symmetrie m
ussen wir zeigen, dass Tij Tij = E ist. Nun, Tij vertauscht die i-te mit der j-ten Zeile, wenn man von links ranmultipliziert. Wenn
wir dann Tij noch mal von links ranmultiplizieren, vertauschen wir dieselben
Zeilen noch mal, kommen also zur Ausgangsmatrix zur
uck. Daher ist
46

Tij Tij
= E,
was wir zeigen wollten.

Diese Transpositionsmatrizen helfen uns nun beim Zeilentausch.
Satz 3.5
Multiplikation einer Matrix A von links mit einer Transpositionsmatrix Tij vertauscht die i-te mit der j-ten Zeile. Multiplikation von rechts vertauscht die i-te
mit der j-ten Spalte.
Wir schauen uns das nur an einem Beispiel an, aber das ist so einsichtig, dass
wir auf einen allgemeinen Beweis leicht verzichten k
onnen.
Beispiel 3.3
Sei f
ur n = 3
1 0 0
T23 =
0 0 1 ,
0 1 0
1 1 1
A=
2 2 2 .
3 3 3
Dann rechnen wir Tij A nach dem Falk-Schema aus:
1 1 1
1 0 0
0 0 1
0 1 0
2 2
3 3
,
1 1
3 3
2 2
was Sie bitte mit Ihren Fingern nachrechnen m

ogen. Sie sehen, die zweite und
die dritte Zeile habe ihre Pl
atze getauscht. Die Aussage f
ur die Spaltenvertauschung bei Multiplikation von rechts, glauben Sie mir hoentlich. Oder wieder
die Finger?
Denition 3.6 (Permutationsmatrix)
Eine Matrix P Rnn heit Permutationsmatrix, wenn sie das Produkt von
Transpositionsmatrizen ist.
Satz 3.6
Permutationsmatrizen P sind regul
ar und orthogonal, es gilt also
P 1 = P .
Das folgt sofort aus der 5. Aussage von Satz 1.9, Seite 20.
(3.11)
3.5 Pivotisierung
47
Bemerkung 3.1
Aber Achtung, Permutationsmatrizen sind i.a. nicht symmetrisch. Denken Sie
an die Aussage 7. von Satz 1.2, Seite 9.
Mit diesen Begrien k
onnen wir jetzt erkl
aren, wann eine L-R-Zerlegung einer
Matrix A durchf
uhrbar ist.
Satz 3.7
Sei A eine regul
are (n n)-Matrix. Dann gibt es eine Permutationsmatrix P ,
so dass die folgende L-R-Zerlegung durchf
uhrbar ist:
P A = L R.
(3.12)
Man kann also bei einer regul

aren Matrix stets durch Zeilentausch, was ja durch
die Linksmultiplikation mit einer Permutationsmatrix darstellbar ist, die L-RZerlegung zu Ende f
uhren.
Nun packen wir noch tiefer in die Kiste der Numerik. Aus Gr
unden der Stabilit
at empehlt sich n
amlich stets ein solcher Zeilentausch, wie wir am folgenden
Beispiel zeigen werden.
Beispiel 3.4
Gegeben sei das lineare Gleichungssystem
0.729 0.81 0.9
x1
0.6867
1
x2 = 0.8338 .
x3
1.331 1.21 1.1
1
1
Berechnung der exakten L

osung, auf vier Stellen gerundet, liefert
x1 = 0.2245, x2 = 0.2814, x3 = 0.3279.
Stellen wir uns vor, dass wir mit einer Rechenmaschine arbeiten wollen, die nur
vier Stellen bei Gleitkommarechnung zul
asst. Das ist nat
urlich reichlich akademisch, aber das Beispiel hat ja auch nur eine (3 3)-Matrix zur Grundlage.
Genauso k
onnten wir eine Maschine mit 20 Nachkommastellen bem
uhen, wenn
wir daf
ur das Beispiel entsprechend h
oher dimensionieren. Solche Beispiele liefert das Leben sp
ater zur Gen
uge. Belassen wir es also bei diesem einfachen
Vorgehen, um die Probleme nicht durch zu viel Rechnung zu verschleiern.
Wenden wir den einfachen Gau ohne groes Nachdenken an, so m
ussen wir die
erste Zeile mit 1/0.729 = 1.372 multiplizieren und zur zweiten Zeile addieren,
damit wir unterhalb der Diagonalen eine Null erzeugen. Zur Erzeugung der
n
achsten 0 m
ussen wir die erste Zeile mit 1.331/0.729 = 1.826 multiplizieren
und zur dritten Zeile addieren. Wir schreiben jetzt s
amtliche Zahlen mit vier
signikanten Stellen und erhalten das System
48
0.7290
0.8100
0.9000
0.6867
1.372 0.1110 0.2350 0.1082 .
1.826 0.2690 0.5430 0.2540

ussen wir die zweite Zeile mit
Um an der Stelle a32 eine Null zu erzeugen, m
(0.2690/ 0.1110) = 2.423 multiplizieren und erhalten
0.7290
0.8100
0.9000
0.6867
1.372 0.1110
0.2350 0.1082
.
1.826
2.423 0.026506 0.008300
Hieraus berechnet man durch Aufrollen von unten die auf vier Stellen gerundete
L
osung
x
3 = 0.3132, x
2 = 0.3117, x
1 = 0.2089.
Zur Bewertung dieser L
osung bilden wir die Dierenz zur exakten L
osung
|x1 x
1 | = 0.0156, |x2 x
2 | = 0.0303, |x3 x
3 | = 0.0147.
Hierauf nehmen wir sp
ater Bezug.
Zur Erzeugung der Nullen mussten wir zwischendurch ganze Zeilen mit Faktoren
multiplizieren, die gr
oer als 1 waren. Dabei werden automatisch auch die durch
Rundung unvermeidlichen Fehler mit diesen Zahlen multipliziert und dadurch
vergr
oert.
Als Abhilfe empehlt sich ein Vorgehen, das man Pivotisierung nennt. Das
Wort Pivot kommt dabei aus dem Englischen oder dem Franz
osischen. Die
Aussprache ist zwar verschieden, aber es bedeutet stets das gleiche: Zapfen oder
Angelpunkt.
Denition 3.7 (Spaltenpivotisierung)
Unter Spaltenpivotisierung verstehen wir eine Zeilenvertauschung so, dass das
betragsgr
ote Element der Spalte in der Diagonalen steht.
Wir suchen also nur in der jeweils aktuellen Spalte nach dem betraglich gr
oten
Element. Dieses bringen wir dann durch Tausch der beiden beteiligten Zeilen in
die Diagonale, was dem Gleichungssystem v
ollig wurscht ist.
In unserem obigen Beispiel m
ussen wir also zuerst die erste mit der dritten Zeile
vertauschen, weil nun mal 1.331 die betraglich gr
ote Zahl in der ersten Spalte
ist:
1.331 1.21 1.1
x1
1
x2 = 0.8338 .
0.729 0.81 0.9
0.6867
x3
1
3.5 Pivotisierung
49
Nun kommt der Eliminationsvorgang wie fr

uher, allerdings multiplizieren wir
immer nur mit Zahlen, die kleiner als 1 sind, das war ja der Trick unserer
Tauscherei:
1.331
1.2100 1.1000
1.0000
0.7513 0.09090 0.1736 0.08250 .
0.5477 0.1473 0.2975 0.1390

Das Spiel wiederholt sich jetzt mit dem um die erste Zeile und erste Spalte
reduzierten (22)-System, in dem wir erkennen, dass 0.1473 > 0.09090 ist. Also
m
ussen wir die zweite mit der dritten Zeile vertauschen. Da die Faktoren links
von dem senkrechten Strich jeweils zu ihrer Zeile geh
oren, werden sie nat
urlich
mit vertauscht.
1.331
1.2100 1.1000
1.0000
0.5477 0.1473 0.2975 0.1390 .
0.7513 0.09090 0.1736 0.08250

ussen wir die zweite Zeile mit
Um nun an der Stelle a32 eine Null zu erzeugen, m
0.0909/0.1473 = 0.6171 multiplizieren und erhalten
1.331
1.2100
1.1000
1.0000
0.7513 0.1473
0.2975
0.1390
.
0.5477 0.6171 0.01000 0.003280
Wiederum durch Aufrollen von unten erhalten wir die L
osung
x
3 = 0.3280, x
2 = 0.2812, x
1 = 0.2246.
Bilden wir auch hier die Dierenz zur exakten L
osung
|x1 x
1 | = 0.0001, |x2 x
2 | = 0.0002, |x3 x
3 | = 0.0001.
Dies Ergebnis ist also deutlich besser!
Wo liegt das Problem? Im ersten Fall haben wir mit Zahlen gr
oer als 1 multipliziert, dadurch wurden auch die Rundungsfehler vergr
oert. Im zweiten Fall
haben wir nur mit Zahlen kleiner als 1 multipliziert, was auch die Fehler nicht
vergr
oerte. Wir m
ussen also das System so umformen, dass wir nur mit kleinen
Zahlen zu multiplizieren haben. Genau das schat die Pivotisierung, denn dann
steht das betraglich gr
ote Element in der Diagonalen, und Gau sagt dann,
dass wir nur mit einer Zahl kleiner oder gleich 1 zu multiplizieren haben, um
die Nullen zu erzeugen.
50
Aus den Unterabschnitten 3.4.1 und 3.5 lernen wir also, dass zur L
osung von
linearen Gleichungssystemen eine Pivotisierung aus zwei Gr
unden notwendig
ist.
Spaltenpivotisierung ist notwendig, weil
1. selbst bei regul
arer Matrix Nullen in der Diagonalen auftreten k
onnen und
Gauumformungen verhindern,
2. wegen Rundungsfehlern sonst v
ollig unakzeptable L
osungen entstehen
k
onnen.
3.5.1
L-R-Zerlegung, Pivotisierung und lineare

Gleichungssysteme
Jetzt packen wir zu unserer oben vorgestellten L

osungsmethode mit der L-RZerlegung noch die Spaltenpivotisierung hinzu und schreiben den nur wenig
ge
anderten Algorithmus auf:
Gleichungssysteme und L-R-Zerlegung mit Pivotisierung
Gegeben sei ein lineares Gleichungssystem mit regul
arer Matrix A
A x = b.
1. Man berechne die L-R-Zerlegung von A unter Einschlu von Spaltenpivotisierung, bestimme also eine untere Dreiecksmatrix L, eine obere
Dreiecksmatrix R und eine Permutationsmatrix P mit
P A
x = L R x = P b.
(3.13)

y := R x
(3.14)
2. Man setze
und berechne
y aus
L
y = P b
(Vorw
artselimination)
(3.15)
3. Man berechne das gesuchte x aus

R x =
y
(R
uckw
artselimination)
(3.16)
3.5 Pivotisierung
51
Beispiel 3.5
L
osen Sie folgendes lineare Gleichungssystem mittels L-R-Zerlegung unter Einschluss der Spaltenpivotisierung.
2x1 +
4x2 = 1
4x1 11x2 = 1
Die zum System geh

orige Matrix lautet

2
4
A=
.
4 11
Oensichtlich ist in der ersten Spalte das betraglich gr
ote Element 4 nicht in
der Diagonalen, also tauschen wir ugs die beiden Zeilen mit Hilfe der Transpositionsmatrix

0 1
4 11
= P12 A =
A
.
P12 =
1 0
2
4
die Eliminationstechnik an. Wir m

Dann wenden wir auf die neue Matrix A
ussen
die erste Zeile mit 1/2 multiplizieren und zur zweiten Zeile addieren, um in der
ersten Spalte unterhalb der Diagonalen eine Null zu erzeugen:

4 11
.
P12 A
1
32
2
Bei dieser kleinen Aufgabe sind wir schon mit der Zerlegung fertig. Die gesuchten
Matrizen L und R lauten

1 0
4 11
,
R=
.
L=
12 1
0 32
So, nun m
ussen wir zwei Gleichungssysteme l
osen. Zun
achst berechnen wir den
Hilfsvektor
y aus dem System

1 0
y1
1

=
.
L
y = P12 b
y2
12 1
1
Nun ja, aus der ersten Zeile liest man die L
osung f
ur y1 direkt ab, und ein wenig
Kopfrechnen schat schon die ganze L
osung herbei
y1 = 1, y2 = 3/2.
Das n
achste System enth
alt den gesuchten Vektor
x und lautet

4 11
x1
1
=
.
R
x=
y
0 32
3/2
x2
52
Hier fangen wir unten an gem

a der R
uckw
artselimination und erhalten aus der
zweiten Zeile direkt und dann aus der ersten, wenn wir noch einmal unseren
Kopf bem
uhen:
x2 = 1, x1 = 5/2.
3.5.2
L-R-Zerlegung, Pivotisierung und inverse Matrix
Der wahre Vorteil des Verfahrens zeigt sich, wenn man Systeme mit mehreren
rechten Seiten zu bearbeiten hat. Dann muss man einmal die Zerlegung berechnen, kann sich aber anschlieend beruhigt zur
uck lehnen; denn nun l
auft die
L
osung fast von selbst. Das wird z. B. benutzt bei der Bestimmung der inversen
Matrix, wie wir es jetzt zeigen wollen.
Inverse Matrizen zu berechnen, ist stets eine unangenehme Aufgabe. Zum Gl
uck
wird das in der Praxis nicht oft verlangt. Eine auch numerisch brauchbare Methode liefert wieder die oben geschilderte L-R-Zerlegung.
Bestimmung der inversen Matrix
Gegeben sei eine regul
are Matrix A.
Gesucht ist die zu A inverse Matrix A1 , also eine Matrix X(= A1 ) mit
AX =E
(3.17)
Dies ist ein lineares Gleichungssystem mit einer Matrix als Unbekannter und
der Einheitsmatrix E als rechter Seite.
Man berechne die L-R-Zerlegung von A unter Einschlu von Spaltenpivotisierung, bestimme also eine untere Dreiecksmatrix L, eine obere Dreiecksmatrix R und eine Permutationsmatrix P mit
P A X = L R X = P E.
(3.18)
Y := R X
(3.19)
Man setze
und berechne Y aus

LY =P E
(Vorw
artselimination).
(3.20)
Man berechne das gesuchte X aus

RX =Y
(R
uckw
artselimination).
(3.21)
3.5 Pivotisierung
53
Auch hier sind die beiden zu l

osenden Systeme (3.20) und (3.21) harmlose Dreieckssysteme. Auf ihre Au
osung freut sich jeder Rechner.
Beispiel 3.6
Als Beispiel berechnen wir die Inverse der Matrix aus Beispiel 3.5 von Seite 50.
Gegeben sei also

2
4
A=
.
4 11
Gesucht ist eine Matrix X mit A X = E.
In Beispiel 3.5 haben wir bereits die L-R-Zerlegung von A mit Spaltenpivotisierung berechnet und erhielten:

4 11
1 0
4 11

A = P12 A =
=LR=
.
2
4
12 1
0 32
So k
onnen wir gleich in die Au
osung der beiden Gleichungsysteme einsteigen.
Beginnen wir mit (3.20). Aus

1 0
y11 y12
0 1
=
=P E
LY =
12 1
1 0
y21 y22
berechnet man fast durch Hinschauen
Y =
0 1
1
1
2
Bleibt das System (3.21):

4 11
x11 x12
0 1
=
= Y,
RX =
x21 x22
0 32
1 12
ur die beiden anderen
aus dem man direkt die Werte x21 und x22 abliest. F
Werte muss man vielleicht eine Zwischenzeile hinschreiben. Als Ergebnis erh
alt
man

11 4
1
X=
.
6 4 2
So leicht geht das, wenn man die L-R-Zerlegung erst mal hat.
Eine letzte Bemerkung: Manchmal scheint es sich anzubieten, auch Spalten zu
vertauschen. Das k
onnte man ja ebenfalls mit Permutationsmatrizen schaen,
wenn man sie nur von rechts her an die Matrix A heranmultipliziert. Aber Achtung, Tausch von Spalten bedeutet Tausch der Variablen. Wenn Sie Spalte 5 mit
Spalte 8 tauschen, so werden auch x5 und x8 getauscht. Das muss man unbedingt dem Rechner mitteilen, w
ahrend Zeilentausch ohne weitere Auswirkungen
bleibt. Daher raten wir vom Spaltentausch ab. Das ganze Verfahren ist ja auch
ohne Spaltentausch stets f
ur regul
are Matrizen durchf
uhrbar.
54
Ubung
4
1. Gegeben sei das lineare Gleichungssystem
2x1 + x3 = 0
2x2 + x4 = 1
x1 + 2x3 = 0
x2 + 2x4 = 1
a) Berechnen Sie die L-R-Zerlegung der Systemmatrix A.
b) Zeigen Sie an Hand dieser L-R-Zerlegung, dass das LGS genau eine
L
osung besitzt.
c) Berechnen Sie diese L
osung mit der L-R-Zerlegung.
2. Gegeben sei die Matrix
2 2 4
2 2 1 5
.
A=
2
1
5
4
4 5
4 23
a) Berechnen Sie mit Spaltenpivotisierung die L-R-Zerlegung von A.

b) Begr
unden Sie mit der L-R-Zerlegung aus (a), da A regul
ar ist.
3. Von einer Matrix A sei folgende L-R-Zerlegung bekannt:
A=LR
1 0 0 0
0 1 0 0
,
mit L =
1 3 1 0
0 1 2 1
2 3 2 0
0 1 2 1
R=
0 0 2 2
0
a) Begr
unden Sie ohne explizite Berechnung von A, da A regul
ar ist.
b) Berechnen Sie ohne explizite Berechnung von A die Inverse A1 .
Ausf
uhrliche L
4 Funktionen mehrerer
Ver
anderlicher Stetigkeit
Ubersicht
4.1
4.2
4.3
4.4
Erste Erkl
arungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Beschr
anktheit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Grenzwert einer Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Stetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
59
61
64
In diesem Kapitel wollen wir Ernst machen mit der Ank

undigung im Vorwort,
dass wir n
amlich auf Ihren Vorkenntnissen, liebe Leserin, lieber Leser, die Sie
aus der Schule von der Analysis besitzen, aufbauen wollen. Inzwischen ist es
Standard an unseren Gymnasien, dass alle, die Abitur gemacht haben, wissen,
wie man Funktionen ableitet, wie man dieses Wissen zur Berechnung von Extremwerten benutzt, und alle haben etwas vom Integral geh
ort. Wohlgemerkt,
1
das alles im R .
Wir wollen daher hier gleich mit der Analysis im Rn beginnen. Dabei werden
uckkommen und so Ihr
wir immer wieder an kleinen Beispielen auf den R1 zur
Vorwissen wieder aurischen, soweit das n
otig ist. Da der Unterschied vom R1
2
zum R ziemlich gewaltig ist, dann aber der Weg zum R3 und allgemein zum
Rn , n > 3 kaum noch Steine enthalt, beschranken wir uns in der Darstellung
und f
ur m
ogliche Veranschaulichungen auf den R2 .
Bitte folgen Sie mir in die Welt der h
oher dimensonalen Analysis.
4.1
Erste Erkl
arungen
Zuerst erkl
aren wir, mit welchen Objekten wir uns ab sofort befassen wollen:

56
4 Funktionen mehrerer Ver

Denition 4.1 (Funktion zweier Ver

anderlicher)
Eine reellwertige Funktion von zwei Ver
anderlichen x und y ist eine Abbildung
f : R2 R
(4.1)
z = f (x, y).
(4.2)
mit der Funktionsgleichung
x, y heien unabh
angige Ver
anderliche.
Anschaulich bedeutet dies, dass wir jedem Punkt (x, y) in der Ebene einen Wert
zuordnen. Nehmen Sie also die Tischplatte vor sich. Nach rechts an der vorderen
Kante gehe die positive x-Achse, senkrecht von Ihnen weg l
auft die positive yAchse. Denken Sie sich einen Punkt (x, y) aus, also legen Sie Einheiten fest
und w
ahlen Sie dann den Punkt (2, 3), der hoentlich auf Ihrer Tischplatte
liegt. Dann stellen Sie ihren Bleistift oder Kugelschreiber senkrecht auf diesen
Punkt. Die L
ange des Stiftes ist der Wert z. Den k
onnen wir uns als nach oben,
oder wenn der der Wert negativ ist, nach unten zeigenden Vektor vorstellen.
Lassen Sie jetzt den Stift u
ber den Tisch wandern und denken Sie sich, dass
der Stift dabei k
urzer oder l
anger, ja auch negativ wird, so wie gerade die
Funktionsgleichung das hergibt. Die oberen Endpunkte des Stiftes beschreiben
dann eine Fl
ache, vielleicht hat sie ja auch Abbruchkanten, das h
angt von der
Funktion ab. Vielleicht nehmen Sie sich ein Blatt Papier und halten es u
ber die
Tischebene. Dann sehen Sie eine m
ogliche Funktion vor sich.
Kleine, aber wichtige Bemerkung: Zu jedem Punkt u
ber der Tischebene, also der
(x, y)-Ebene darf es nur genau einen Bildpunkt geben. Wenn Sie also Ihr Blatt
Papier zu einer R
ohre drehen und u
ber die Tischplatte halten, so ist dieses
Gebilde nicht der Graph einer Funktion. Auch gefaltetes Papier usw. ergibt
keine Fl
ache einer Funktion. Das ist genau wie in der Schule. Ein Kreis u
ber der
x-Achse ist ja auch kein Funktionsgraph. Den m
ussen Sie sch
on brav in zwei
Teilkreise aufspalten, den oberen und den unteren Halbkreis.
Beispiel 4.1
Wir betrachten die Funktion
f : R2 R,
f (x, y) := |x|.
Beschreiben Sie den Graphen dieser Funktion.

Dazu erinnern wir uns an die einfache Betragsfunktion f (x) = |x|:
Jetzt haben wir es mit der Funktion f (x, y) = |x| zu tun. Wir wollen also
jedem Punkt (x, y) der Ebene den Absolutwert seiner x-Koordinate zuordnen.
Die y-Koordinate spielt keine Rolle f
ur den Graphen. Wir k
onnen also y beliebig
vorgeben und dann den Graphen betrachten. Nehmen wir y = 0, so sind wir
4.1 Erste Erkl

arungen
57
y
6
@
@
@
@
1
Abb. 4.1
Der Graph der Funktion f (x) = |x|, wie wir ihn aus der Schule kennen.
oben bei der Funktion im R1 . F

ur jedes andere y ergibt sich derselbe Graph
wegen der Unabh
angigkeit von y.
Stellen Sie jetzt zwei Bleistifte vor sich auf die Tischplatte, jeweils im Winkel
von 45 gegen die Senkrechte geneigt. Diese beiden Stifte verschieben Sie dann
auf der y-Achse nach hinten. Oder halten Sie zwei DIN-A 4 Bl
atter jeweils 45
geneigt vor sich. Oder schauen Sie sich unten die Abbildung an.
Ich hoe, jetzt sehen Sie den Graphen der Funktion.
Denition 4.2 (H
ohenlinie)
Unter einer H
ohenlinie oder Niveaulinie einer Funktion verstehen wir alle Punkte im Denitionsgebiet, u
ber denen die Funktion den gleichen Wert annimmt.
In der Regel ist es tats
achlich eine Linie, es kann aber auch ein ganzer Bereich
sein. F
ur eine konstante Funktion ist es ja sogar die ganze Ebene. Wir betrachten
dazu ein weiteres Beispiel, auch um alte Begrie zu wiederholen.
Beispiel 4.2
Sei
z
5 6
3 4
1 2
-1 0 1 2
-2
3 4
-4 -3
5
-6 -5
Abb. 4.2
y
6
Der Graph der Funktion f (x, y) = |x| liegt wie ein Buch vor uns.
58

z = f (x, y) =
1
.
x2 + y 2
Beschreiben Sie diese Funktion an Hand ihrer H

ohenlinien.
Gehen wir erst mal etwas rechnerisch vor. Wir suchen die H
ohenlinien. Wie sieht
die H
ohenlinie z.B. f
ur z = 1 aus?
z = 1 also
1
= 1 = x2 + y 2 = 1
x2 + y 2
Das ist also der Einheitskreis in der (x, y)-Ebene.

z=
1
1
1
also 2
= = x2 + y 2 = 2.
2
x + y2
2
Das ist ein Kreis mit Radius, na, nicht falsch machen, richtig, mit Radius
z=
2.
1
1
1
, also 2
= = x2 + y 2 = 4.
2
4
x +y
4
Und das ist ein Kreis mit Radius 2. Alles klar?

Stets sind die H
ohenlinien Kreise um den Nullpunkt. Betrachten wir allgemein
die H
ohenlinie zum Wert z = c = const., so folgt
1
1
= c = x2 + y2 = .
2
+y
c

1
Das sind Kreise um (0, 0) mit Radius
c.
Hier liegt es nahe, mit anderen Koordinaten zu arbeiten. Wir nehmen die Polarkoordinaten
z = c also
x2
x = r cos ,
y = r sin .
Damit schreibt sich unsere Funktionsgleichung
f (x, y) = f (r, ) =
1
1
= 2 , wegen sin2 + cos2 = 1.
r
r2 (cos2 + sin2 )
Hier sieht man sehr deutlich, dass die Niveaulinien unabh

angig vom Winkel
sind. Also sind diese Linien rotationssymmetrisch. Ein Bild ist auf der n
achsten
Seite.
4.2 Beschr
anktheit
59
z
Abb. 4.3 Graph der Funktion f (x, y) =
4.2
1
x2 +y2
Beschr
anktheit
Beschr
anktheit ist, mal abgesehen von der umgangssprachlichen Bedeutung,
eigentlich ein ziemlich einfacher Begri. Eine Funktion ist beschr
ankt, wenn
halt eine Schranke da ist, u
ber die die Funktion nicht hinausgelangt. So einfach
m
ochte man das haben, aber wir m
ussen aufpassen. Mathematik ist gnadenlos,
wenn Sie etwas u
bersehen. Soll die Schranke oben oder unten sein? Muss die
Funktion an die Schranke heranreichen? Wenn 10 eine obere Schranke ist, ist
dann auch 20 eine obere Schranke? Also was jetzt? Hier die exakte Denition,
die uns zuerst abschreckt, aber wir werden schon alles erkl
aren.
Denition 4.3 (Beschr
ankte Funktion)
Eine Funktion
f : R2 R
heit (auf ihrem Denitionsbereich E) nach oben (unten) beschr
ankt, wenn die
Menge der Funktionswerte
{f (x, y) mit (x, y) E}
in R nach oben (unten) beschr
ankt ist.
60

f heit auf dem Denitionsbereich E beschr

ankt, wenn f auf dem Denitionsbereich E nach oben und nach unten beschr
ankt ist.
Ist f nach oben (unten) beschr
ankt, so heit die obere (untere) Grenze von
M := {f (x, y) mit (x, y) E}
Supremum (Inmum) auf E, in Zeichen:
sup f (x, y) bzw. inf f (x, y).
(x,y)
(x,y)
Geh
ort das Supremum (Inmum) von f auf E zu M , so heit es Maximum
(Minimum), in Zeichen:
max f (x, y)
(x,y)
bzw.
min f (x, y).
(x,y)
Ja, das klingt ganz furchtbar. Ist es aber nicht wirklich. Schranke ist klar. Umgangssprachlich sagen wir, dass eine Schranke f
ur die L
ange der Menschen sicher
3 m ist. Dabei vergessen wir ganz die Schranke nach unten: 0 m. Mathematiker
d
urfen so etwas nicht vergessen. Daher ist f
ur uns eine Funktion erst beschr
ankt,
wenn sie nach oben und nach unten beschr
ankt ist. Nun, das lernen wir leicht.
Schlimmer ist es mit den Begrien Inmum und Minimum. Ist das nicht
dasselbe? Oh, nein, ganz und gar nicht.

Dazu ein Beispiel.
Beispiel 4.3
z = f (x, y) = x2 + y 2 .
Ist diese Funktion beschr
ankt? Was k
onnen wir u
ber Minima und Maxima aussagen?
Zur Veranschaulichung betrachten wir wieder die H
ohenlinien.
x2 + y 2 = c = const.
Das sind Kreise um den Punkt (0, 0) mit Radius r =
Schnittbilder mit der (x, z)-Ebene:
c. Betrachten wir die
y = 0 = x2 = z.
Das ist eine nach oben ge
onete Parabel. Ebenfalls ist das Schnittbild mit der
(y, z)-Ebene
x = 0 = y 2 = z
4.3 Grenzwert einer Funktion
61
z
y
x
Abb. 4.4 Wir sehen das nach oben ge

onete Paraboloid f (x, y) = x2 + y2 . Es ist nach
unten, aber nicht nach oben beschr
ankt.
eine nach oben ge

onete Parabel. Genau wie oben mit Polarkoordinaten k
onnen
wir sehen, dass die ganze Fl
ache rotationssymmetrisch ist.
Bei diesem Beispiel sehen wir, dass die Funktions
ache nach unten durch die
(x, y)-Ebene beschr
ankt ist, nach oben ist sie nicht beschr
ankt. Also ist sie insgesamt nicht beschr
ankt. Da im Nullpunkt (0, 0) der Wert 0 angenommen wird und
dieser Wert als Funktionswert im Nullpunkt angenommen wird (f (0, 0) = 0),
ist das Inmum 0 zugleich das Minimum 0.
4.3
Grenzwert einer Funktion
Mein Schwiegervater hatte sich angeboten, als guter 10-Finger-Schreibmaschinenakrobat die Examensarbeit meiner Frau zu tippen. Es dauerte zwei Seiten,
dann kam er entnervt zu mir und gestand, dass er sich stets unter einem Grenzwert etwas Bestimmtes vorgestellt habe, aber was die Mathematik damit will,
sei ihm r
atselhaft. Er hat dann die Arbeit zu Ende getippt, ohne ein weiteres
Wort zu verstehen.
Nun, der Begri Grenzwert hat es auch wirklich in sich. Also bitte nicht ver
zagen, wenn es zu Beginn im Geb
alk der grauen Zellen knirscht.
Denition 4.4 (Grenzwert einer Funktion)
Wir sagen, eine Funktion
f : R2 R
hat bei (x, y) R2 einen Grenzwert a R, in Zeichen
lim
(x,y)(x0 ,y0 )
f (x, y) = a,
(4.3)
62

wenn f
ur jedes > 0 ein > 0 existiert, so dass
aus |(x, y) (x0 , y0 )| < folgt |f (x, y) a| < .

Betrag in R
(4.4)
Dabei ist
|(x2 , y2 ) (x1 , y1 )| :=
(x2 x1 )2 + (y2 y1 )2
(4.5)
der Euklidische Abstand von (x1 , y1 ) und (x2 , y2 ).

Das ist so eine schreckliche Denition mit und , wie man sie den Mathematikern von Seiten der Anwender als v
ollig unverst
andlich um die Ohren haut. Wir
k
onnten uns daran machen, Ihnen den Horror vor solchen Denitionen zu nehmen, indem wir die Einfachheit der Formel zeigen, aber es gibt eine viel leichter
einsichtige Formel, die wir jetzt hier angeben. Warum sollen wir uns mit diesen
--Fragen herumqu
alen? Sie ist nur der Vollst
andigkeit wegen hier aufgef
uhrt
und um meinen Schwiegervater zu entlasten.
Satz 4.1
Eine Funktion
f : R2 R
sei in einer Umgebung von (x0 , y0 ) erkl
art, in (x0 , y0 ) eventuell nicht. f hat in
ur alle Folgen von Punkten (xi , yi )
(x0 , y0 ) dann den Grenzwert a R, wenn f
aus dem Denitionsgebiet
mit lim (xi , yi ) = (x0 , y0 ) folgt lim f (xi , yi ) = a.
i
(4.6)
Wir mussten nur eine kleine Einschr

ankung vorweg schicken:
Eine Funktion f sei in einer Umgebung von (x0 , y0 ) erkl
art,. . .
Wenn wir also einen isolierten Punkt betrachten, der so ganz allein da herumsteht, so kann dort zwar die Funktion erkl
art sein, aber mit obigem Satz k
onnen
wir dort nicht pr
ufen, ob ein Grenzwert vorliegt. Wir k
onnen dort keine Folge
betrachten, die zu diesem Punkt hinl
auft. So etwas gibt es ja bei einem isolierten
Punkt nicht. Dort hilft nur obige Denition 4.4. Isolierte Punkte sind aber f
ur
die Praxis ziemlich uninteressant.
Beispiel 4.4
Betrachten wir die Funktion
f (x, y) :=
Wir fragen: Existiert der Limes
xy
.
1
ex2
4.3 Grenzwert einer Funktion
63
lim
(x,y)(0,0)
f (x, y) = ?
W
ahlen wir eine Folge auf der x-Achse, also mit y = 0, so folgt:
f (x, 0) =
0
= 0,
ex2
also ist auch der Grenzwert einer solchen Folge, wenn wir uns dem Punkt (0, 0)
auf der x-Achse n
ahern, gleich 0:
lim
(x,0)(0,0)
f (x, 0) = 0
W
ahlen wir jetzt aber eine Folge, die sich auf der ersten Winkelhalbierenden
(x = y) dem Punkt (0, 0) n
ahert, so erhalten wir
f (x, x) =
x2
.
ex2
F
ur x 0 geht das gegen einen Ausdruck 00 . So etwas nennen wir einen unbestimmten Ausdruck, weil man ja durch 0 nicht dividieren darf. F
ur solche F
alle
kennen wir ein probates Hilfsmittel:
Lemma 4.1 (Regel von lHospital)
Sind f und g als Funktionen von R R in einer Umgebung von x0 dierenzierbar, ist g(x) dort nicht Null und ist limxx0 dort ein unbestimmter Ausdruck
wie
lim
f (x)
= oder
,
g(x)
0
lim
f (x)
f (x)
= lim
,
xx0 g (x)
g(x)
xx0
so gilt
xx0
falls dieser Term existiert.

Wir sollten nicht vergessen zu bemerken, dass Johann Bernoulli, ein hervorragender, aber nicht mit G
utern gesegneter Mathematiker, Herrn Marquis de
lHospital diese Idee verkauft hat. Eigentlich ist es also die Regel von Bernoulli.
Auerdem gibt es heute noch Nachfahren im Elsass, die sich Lospital sprechen,
also mit dem gesprochenen s, im Gegensatz zu unserer Schulweisheit. Und sie
sagen, dass sich auch ihr ber

uhmter Vorfahre so gesprochen h
atte.
2
Zur
uck zu unserem Beispiel. Den oben aufgetretenen Ausdruck exx2 , der ja f
ur
x 0 unbestimmt wurde, k
onnen wir jetzt mit Marquis de lHospital bearbeiten, indem wir sowohl im Z
ahler als auch im Nenner einfach die Ableitungen
bilden:
64

2x
1
x2
= x2
ex2
2xex2
e
Dieser letzte Ausdruck geht jetzt f
ur x 0 gegen 11 = 1, also existiert der
Grenzwert auch f
ur den unbestimmten Ausdruck und stimmt mit diesem hier
u
berein, ist also gleich 1.
Fassen wir zusammen: Wir haben zwei Folgen betrachtet, die sich beide dem
Nullpunkt (0, 0) n
ahern. Die auf der x-Achse hatte den Grenzwert 0, die auf der
ersten Winkelhalbierenden aber den Grenzwert 1. Damit haben nicht alle Folgen
denselben Grenzwert. Damit existiert ein solcher (einheitlicher) Grenzwert nicht.
Wichtige Bemerkung: Wir haben mit zwei Beispielen die Existenz des Grenzwertes widerlegt. Das ist erlaubt.
Es ist aber nat
urlich nicht richtig, mit zwei Beispielen die Existenz nachzuweisen. Es heit im Satz 4.1: wenn f
ur alle Folgen. Da reichen nicht zwei und nicht
hundert zum Nachweis.
4.4
Stetigkeit
Wir beginnen mit dem Begri stetig, der in der Schule h

aug aus verst
andlichen
Gr
unden u
ater an verschiedenen Stellen auf
bergangen wird. Wir werden aber sp
diese wichtige Eigenschaft mancher Funktionen zur
uck kommen.
Eingedenk, dass Sie, liebe Leserinnen und Leser, nicht zu den eingeeischten
Freaks der Mathematik werden wollen, sondern die Mathematik als Hilfsmittel
betrachten, wollen wir hier einen leicht verst
andlichen Begri stetig einf
uhren,
der den kleinen Nachteil hat, dass es Ausnahmepunkte gibt, wo dieser Begri
nicht anwendbar ist. Es sind echte Seltenheitspunkte, die Sie wohl nie interessieren werden. Wir sagen unten etwas dazu. Erst mal die Denition.
Denition 4.5 (Stetigkeit)
Eine Funktion
f : R2 R
heit im Punkt (x0 , y0 ) stetig, wenn gilt:
lim
(x,y)(x0 ,y0 )
= f (x0 , y0 ).
f heit in einem Bereich B R2 stetig, wenn f in jedem Punkt aus B stetig

ist.
Diese Denition ist anschaulich und erkl
art den Begri stetig hinreichend. Sie
ist mit der in Mathematikb

uchern vorgeschlagenen --Denition gleichbedeu-
4.4 Stetigkeit
65
tend in allen Punkten, die H

aufungspunkte eines Bereiches sind. In isolierten
Punkten, Punkten also, die eine Umgebung haben, in denen kein weiterer Punkt
des Bereiches liegt, kann man keine Folgen betrachten, die sich diesem Punkt
n
ahern. Dort ist unsere anschauliche Denition also nicht anwendbar. Als Anwender werden Sie solche Punkte aber wohl kaum in Betracht ziehen wollen,
oder?
Satz 4.2 (Eigenschaften stetiger Funktionen)
1. Ist f in (x0 , y0 ) stetig und gilt
f (x0 , y0 ) > 0,
dann gibt es eine ganze Umgebung von (x0 , y0 ) mit
f (x, y) > 0 f
ur alle (x, y) aus dieser Umgebung.
2. Ist f auf einer abgeschlossenen und beschr
ankten Menge E stetig, so ist f
auf E beschr
ankt.
3. [Satz von Weierstra] Ist f auf einer abgeschlossenen und beschr
ankten
Menge E stetig, so besitzt f auf E Minimum und Maximum.
Der folgende Satz l
asst sich ziemlich leicht anschaulich deuten. Im R1 kann man
eine Funktion betrachten, die an einer Stelle x1 negativ ist, an einer anderen
Stelle, sagen wir x2 > x1 ist sie positiv. Dann muss sie dazwischen mal die xAchse geschnitten haben. Sie nimmt also den Zwischenwert y = 0 an. Da muss
man allerdings zwei Einschr
ankungen beachten. Die erste ist recht einsichtig,
bei der zweiten muss man etwas nachdenken, was wir lieben.
1. Die Funktion darf keine Spr
unge machen, klar, sonst k
onnte sie ja einfach die
x-Achse aussparen und von y = 3 nach y = +5 h
upfen, ohne die x-Achse
zu schneiden. Dazu brauchen wir also unbedingt die Stetigkeit der Funktion.
2. Wir brauchen noch eine ganz wichtige Eigenschaft, n
amlich, dass wir in
den reellen Zahlen arbeiten. Diese Zahlen sind vollst
andig. Da gibt es kei
ne L
ucken mehr. Dagegen sind die rationalen Zahlen nicht vollst
andig. 2
geh
ort nicht zu den rationalen Zahlen, auch nicht. Auch wenn die rationalen Zahlen sehr dicht aussehen, gibt es L
ucken. Betrachten Sie z.B. die
Funktion
f (x) = x2 2,
so sehen wir, dass ihre Nullstellen bei x1 = 2 und bei x2 = 2 liegen.

Beide Zahlen geh
oren nicht zu den rationalen Zahlen. Wenn wir f also nur
auf den rationalen Zahlen betrachten, so haben wir zwar f
ur x = 0 den Wert
f (0) = 2 < 0 und f
ur x = 2 den Wert f (2) = 2 > 0, aber es gibt keinen
rationalen Punkt x0 [0, 2] mit f (x0 ) = 0.
66

Satz 4.3 (Zwischenwertesatz)

Ist f in einem Gebiet E R2 stetig und gilt f
ur (x1 , y1 ), (x2 , y2 ) E
f (x1 , y1 ) = a,
f (x2 , y2 ) = b mit a < b,
so gibt es f
ur jedes c (a, b) einen Punkt (x, y) E mit
f (x, y) = c.
4.4 Stetigkeit
67
Ubung
5
1. Betrachten Sie die durch
z=
y
1 + x2
gegebene Fl
ache.
a)
b)
c)
d)
Zeichnen Sie die H

ohenlinien in ein Koordinatensystem.
Veranschaulichen Sie sich das Schnittbild mit der Ebene x = const
Veranschaulichen Sie sich das Schnittbild mit der Ebene y = const
Skizzieren Sie ein Blockbild.
2. Untersuchen Sie die Funktion

f (x, y) =
x2 y 2
x2 + y 2
im Punkt (0, 0) auf die folgenden drei Grenzwerte:

a)
b)
c)
f (x, y)
lim

B = lim lim f (x, y)
x0 y0

C = lim lim f (x, y)
A=
(x,y)(0,0)
y0
x0

x2 y 2
f (x, y) =
.
x2 + y 2 + 1 1
im Punkt (0, 0) auf die drei Grenzwerte von Aufgabe 2.
4. Zeigen Sie mit Hilfe von Polarkoordinaten, dass die Funktion

f (x, y) =
x3 y 3
x2 +y 2
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
u
berall stetig ist.
5. Zeigen Sie, dass die Funktion
f (x, y) =
sin(x3 + y 3 )
x2 + y 2
im Nullpunkt (0, 0) stetig erg

anzbar ist. Durch welchen Wert?
68

xy
2 + y2
x
f (x, y) =
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
im Nullpunkt nicht stetig ist.
Ausf
uhrliche L
5 Funktionen mehrerer
Ver
anderlicher
Dierenzierbarkeit
Ubersicht
5.1
5.2
5.3
5.4
5.5
5.6
Partielle Ableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
H
ohere Ableitungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Totale Ableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Richtungsableitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Relative Extrema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Wichtige S
atze der Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
75
77
84
90
97
In diesem Kapitel werden wir alles, was Sie in der Schule u

ber das Dierenzieren
gelernt haben, ins Mehrdimensionale u
urlich nicht eins
bertragen. Das geht nat
zu eins, aber immer wieder werden Sie die Schule durchblicken sehen. Ziel der
Dierentialrechnung damals war die Untersuchung von Funktionen, vor allem ihre Minima und Maxima zu bestimmen. Das wird auch hier unser Ziel sein. Dazu
werden wir ganz
ahnlich notwendige und hinreichende Bedingungen aufbauen.
Allerdings kann man bei Funktionen mehrerer Ver
anderlicher auf verschiedene
Weisen Ableitungen denieren. Da m
ussen wir sorgf
altig unterscheiden lernen.
Das ist sicherlich etwas gew
ohnungsbed
urftig. Ich hoe, dass die vielen Beispiele
Ihnen den Weg ebnen. Also nur Mut und nicht verzagt.
5.1
Partielle Ableitung
Wir beginnen gleich mit einem neuen Begri, der sich aber nur als leichte Verallgemeinerung aus der Schule herausstellt.

70

anderlicher Dierenzierbarkeit
Denition 5.1 (Partielle Ableitung)

Eine Funktion
z = f (x, y) R
heit bei (x0 , y0 ) aus dem Denitionsbereich partiell nach x bzw. nach y dierenzierbar, wenn die Funktion
F (x) := f (x, y0 )
bzw.
F (y) := f (x0 , y)
bei x0 bzw. bei y0 (im gew

ohnlichen Sinn) dierenzierbar ist. Wir schreiben
f (x0 , y0 )
= fy (x0 , y0 ) := F (y)
y
(5.1)
und nennen diese Terme partielle Ableitungen von f an der Stelle (x0 , y0 ) nach
x bzw. nach y.
f (x0 , y0 )
= fx (x0 , y0 ) := F (x)
x
bzw.
Ich hoe, Sie verstehen das bzw. und ordnen jeweils richtig zu. Eigentlich
h
atten wir alles zweimal aufschreiben m
ussen. Betrachten wir die partielle Ableitung nach x. Um sie zu berechnen, setzen wir y = y0 , d.h. wir setzen y
fest, lassen es also nicht mehr als Variable frei herumschwirren. Dann ist die
Funktion f (x, y) nicht mehr von y abh
angig, sondern eine gew
ohnliche Funktion einer Variablen. Wenn wir sp
ater von den Richtungsableitungen erz
ahlen,
werden wir hierauf zur
uck kommen und zeigen, dass diese partielle Ableitung
die Richtungsableitung der Funktion f (x, y) im Punkt (x0 , y0 ) in Richtung der
x-Achse ist.
Hier haben wir den Wassertopftrick angewendet. Kennen Sie nicht? Also, ein
Physiker soll einen Topf mit Wasser hei machen. Dazu hat er einen leeren Topf,
einen Wasserhahn und eine Kochplatte. Er f
ullt den Topf mit Wasser, stellt ihn
auf den Kocher und wartet zehn Minuten, bis der Topf hei ist. Anschlieend
erh
alt der Mathematiker eine etwas leichtere Voraussetzung, der Topf ist schon
mit kaltem Wasser gef
ullt. Nun, der Mathematiker giet das Wasser aus dem
Topf und sagt, er sei fertig, denn diese Aufgabe sei ja schon von dem Physiker
gel
ost worden.
Sie glauben gar nicht, wie wenig witzig das f
ur Mathematiker ist; denn so verhalten wir uns st
andig. Wir f
uhren neue Aufgaben auf bereits gel
oste zur
uck.
Genau das haben wir mit dem partiellen Dierenzieren gemacht. Die beiden
Funktionen F (x) bzw. F (y) sind ja gew
ohnliche Funktionen einer Variablen.
F
ur die haben wir das Dierenzieren in der Schule gelernt. Das nutzen wir jetzt
aus.
In der Schule lernten wir: Die Ableitung einer Funktion f (x) im Punkt x0 ist
der Limes
5.1 Partielle Ableitung
71
f (x0 ) = lim
xx0
f (x) f (x0 )
.
x x0
In unserer Funktion f (x, y) halten wir jetzt das y0 fest und schreiben dieselbe
Ableitung hin, einfach immer nur hinten dran das y0 setzen:
f (x, y0 ) f (x0 , y0 )
f (x0 , y0 )
= lim
.
xx0
x
x x0
(5.2)
Jetzt kommt die noch sch

onere Nachricht. So wie in der Schule sind auch hier alle
Gesetze und Kenntnisse u
ultig. Wir m
ussen
ber Ableitungen von Funktionen g
unser K
opfchen also kaum mit Neuem belasten, es bleibt fast alles beim Alten.
Wir zeigen das gleich am Beispiel.
Sp
ater werden wir sehen, dass die partiellen Ableitungen einer Funktion in einem Punkt, zusammengefasst als Vektor, eine wunderbare Bedeutung besitzen.
Dieser Vektor verdient daher einen eigenen Namen.
Denition 5.2 (Gradient)
Der Vektor
grad f (x, y) := (fx (x, y), fy (x, y))
(5.3)
heit Gradient von f im Punkt (x, y).

Hier sei bereits eine ganz wichtige Bemerkung angef
ugt: Der Gradient einer
Funktion von zwei Variablen ist ein Vektor mit zwei Komponenten, er liegt
also in der Ebene, wo auch unsere Funktion ihren Denitionsbereich hat. Wir
kommen sp
ater darauf zur
uck.
Beispiel 5.1
Sei
f (x, y) := x2 y 3 + x y 2 + 2 y.
Wir berechnen zun
achst allgemein die partiellen Ableitungen und dann den Gradienten im Punkt (x0 , y0 ) = (0, 1).
Dazu halten wir y0 fest und schauen uns die Funktion F (x) an:
F (x) = f (x, y0 ) = x2 y03 + x y02 + 2 y0 .
Ihre Ableitung lautet (Hallo, Schule!)
dF (x0 )
f (x0 , y0 )
= 2 x0 y03 + 1 y02 + 0 = fx (x0 , y0 ) =
.
dx
x
Das macht doch Spa, also ran an die partielle Ableitung nach y. Wir halten
jetzt x0 fest und betrachten die Funktion F (y):
F (x0 ) =
72

F (y) = x20 y 3 + x0 y 2 + 2 y.
Ihre Ableitung lautet
F (y0 ) =
dF (y0 )
f (x0 , y0 )
= x20 3 y02 + x0 2 y0 + 2 = fy (x0 , y0 ) =
.
dy
y
Damit k
onnen wir sofort den Gradienten aufstellen:
grad f (x0 , y0 ) = (2 x0 y03 + 1 y02 , x20 3 y02 + x0 2 y0 + 2)
Damit berechnet sich der Gradient im Punkt (x0 , y0 ) = (0, 1) zu
grad f (0, 1) = (2 0 13 + 12 , 02 3 12 + 0 2 1 + 2) = (1, 2).
Das heit also, der Gradient der Funktion f (x, y) im Punkt (0, 1) ist der Vektor
(1, 2).
Denition 5.3 (dierenzierbar)
Eine Funktion f heit im Bereich E aus dem Denitionsgebiet dierenzierbar,
wenn f in jedem Punkt von E nach allen Variablen partiell dierenzierbar ist.
Denition 5.4 (stetig dierenzierbar)
Eine Funktion f heit im Punkt (x0 , y0 ) aus dem Denitionsgebiet stetig differenzierbar, falls f in einer Umgebung von (x0 , y0 ) dierenzierbar ist und alle
partiellen Ableitungen in (x0 , y0 ) stetig sind.
Eine im Bereich E aus dem Denitionsgebiet dierenzierbare Funktion f heit
in E stetig dierenzierbar, wenn alle partiellen Ableitungen in E stetig sind.
Mit diesem Begri stetig dierenzierbar darf man nicht ins Stottern kommen.
Wir meinen nicht stetig und dierenzierbar, sondern wirklich, dass die Funk
tion dierenzierbar sei und alle Ableitungen noch stetig sind. Das ist also eine
weitere Eigenschaft der Ableitungen, die gefordert wird.
Leider ist dieser Begri dierenzierbar nicht so gebrauchsfertig, wie wir ihn
vom R1 her kennen. Dort galt ja z.B.

f : R R dierenzierbar = f stetig.
Wir werden jetzt ein Beispiel vorf
uhren, wo genau diese Folgerung hier nicht
zutrit.
Beispiel 5.2
f (x, y) =
xy
x2 + y 2
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
5.1 Partielle Ableitung
73
Wir zeigen an Hand dieses Gegenbeispiels, dass aus partiell dierenzierbar leider
nicht unbedingt stetig folgt.
Wie Sie sehen, ist ein Problem nur im Punkt (0, 0) zu erwarten; dort entsteht ein
Ausdruck der Form 00 , also etwas Unbestimmtes. Darum haben wir ja an dieser
Stelle den Wert der Funktion extra festgelegt. Das bedeutet, diese Funktion
ist auf jeden Fall u
berall in der ganzen Ebene bis auf den Punkt (0, 0) stetig,
dierenzierbar, alle partiellen Ableitungen existieren usw. Nur der Nullpunkt
macht uns Kummer. Dort m
ussen wir pr
ufen. Haben Sie sich mit der Aufgabe
6 im letzten Kapitel (S. 68) besch
aftigt? Dort haben Sie hoentlich nachweisen
k
onnen, dass diese Funktion im Nullpunkt leider nicht stetig ist.
Wir zeigen jetzt, dass f
ur diese Funktion auch im Nullpunkt beide partiellen
Ableitungen existieren. Weil das nicht so ganz einsichtig ist, werden wir uns an
die Erkl
arung in Gleichung (5.2) halten. Es ist
x0
f (x, 0) f (0, 0)
x2 +0 0
=
=
0.
(5.4)
x0
x0
Rechts ergibt sich 0, also ist der Ausdruck links auch gleich Null, damit existiert
auch sein Grenzwert und ist ebenfalls einfach gleich Null.
x0
2
2 0
f (x, 0) f (0, 0)
= lim x +0
= lim 0 = 0.
x0
x0
x0
x0
x0
Die partielle Ableitung nach x existiert also. Nun, genau so geht das mit der
partiellen Ableitung nach y:
fx (0, 0) = lim
0y
f (0, y) f (0, 0)
02 +y 2 0
= lim y 0
= lim 0 = 0.
y0
y0
y0
y0
Beide partiellen Ableitungen existieren also. Nach unserer Denition ist damit
die Funktion f auch im Nullpunkt dierenzierbar, aber leider ist sie ja dort nicht
stetig. Das ist also ein schlechter Dierenzierbarkeitsbegri, und wir m
ussen uns
etwas Besseres, leider damit auch etwas Komplizierteres einfallen lassen.
Noch eine Bemerkung. Zum Nachweis des Grenzwertes in der partiellen Ableitung nach x haben wir zuerst alles ohne lim hingeschrieben und ausgerechnet.
Erst als wir gesehen haben, dass hier alles glatt ging, es ergab sich ja 0, durften
wir auch den Limes davorschreiben. An der Tafel schreibe ich die Zeile (5.4)
mit jeweils kleinen L
ucken nach jedem Gleichheitszeichen hin. Dann sehe ich,
dass ganz rechts vor die 0 das Limeszeichen geschrieben werden kann, weil ja
limx0 0 = 0 ist. Dann kann man wegen der Gleichheit das Zeichen lim auch
vor die beiden Terme vorher in der Zeile setzen. Und dann erst darf man auch
die partielle Ableitung ganz vorne hinschreiben. Manchmal schreibe ich diese
Zeile an der Tafel dann noch mal hin, damit die Logik, wie wir den Grenzwert
nachweisen, ganz klar wird. Bitte lesen Sie sich die zehn Zeilen hier also noch
mal durch. Das entspricht meiner Wiederholung an der Tafel.
fy (0, 0) = lim
74

Ubung
6
1. Bestimmen Sie f
ur die Funktion
f (x, y) = |y|
R = {(x, y) R2 : 1 < x < 1, 1 < y < 1}
in
Supremum und Inmum auf R.

Sind das auch Maximum und Minimum?
2. Betrachten Sie die Funktion
f (x, y) = x2 + y 2
in
Q = {(x, y) R2 : 2 < x < 2, 2 < y < 2}.
Veranschaulichen Sie sich an einer Skizze die partiellen Ableitungen fx und

fy in verschiedenen Punkten von Q.
3. Berechnen Sie f
ur folgende Funktionen die partiellen Ableitungen fx und fy
jeweils im Denitionsbereich:
f (x, y) = x2 + 3xy + y 2
x
y
f (x, y) = 2 2
y
x
c) f (x, y) = sin 3x cos 4y
y
d) f (x, y) = arctan
x
4. Zeigen Sie, dass f
ur

x2 + y 2 gilt: x fx + y fy = f ,
a) f (x, y) =
b) f (x, y) = ln x2 + y 2 gilt: x fx + y fy = 1,
a)
b)
f (x, y) =
x2 y
+ y2
0
x4
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
im Punkt (0, 0) partiell dierenzierbar, aber dort nicht stetig ist [Hinweis:
Betrachten Sie die Koordinatenachsen und die Parabel y = x2 ].
Ausf
uhrliche L
5.2 H
ohere Ableitungen
5.2
75
H
ohere Ableitungen
Genau so wie im R1 l
asst sich auch hier der Ableitungsbegri auf h
ohere Ableitungen verallgemeinern.
Denition 5.5
Die Funktion f : R2 R sei in der Menge E R2 partiell nach x bzw. partiell
nach y dierenzierbar. Dann sind fx und fy beides wieder Funktionen mit dem
Denitionsbereich E. f heit in (x0 , y0 ) E zweimal nach x bzw. nach y partiell
dierenzierbar, falls fx bzw. fy partiell nach x bzw. nach y dierenzierbar ist.
Bezeichnung:
2f
2f
(x0 , y0 )
(x0 , y0 ), fxy (x0 , y0 ) =
2
x
yx
2f
2f
fyx (x0 , y0 ) =
(x0 , y0 ), fyy (x0 , y0 ) =
(x0 , y0 )
xy
y2
fxx (x0 , y0 ) =
(5.5)
Analog kann man dann noch h

ohere Ableitungen denieren, also so etwas wie
fxxyxyyx (x0 , y0 ), aber das k
onnen Sie sicher alleine weiter treiben. Eine wichtige
Frage bleibt zu kl
aren, wenn wir fxy und fyx betrachten.
ochten bitte zuerst nach y und dann
Beachten Sie bitte, dass fxy bedeutet, wir m
nach x ableiten. Manche Autoren denieren das anders. Aber jetzt kommen wir
mit einem sehr interessanten Satz, der uns sagt, dass wir diese Regel gar nicht
so genau beachten m
ussen. In den meisten F
allen, die bei den Anwendungen
vorkommen, ist es schlicht egal, in welcher Reihenfolge wir ableiten.
Satz 5.1 (Hermann Amandus Schwarz)
Die Funktion f sei in einer Umgebung von (x0 , y0 ) stetig. Existieren die partiellen Ableitungen fx fy und fxy in dieser Umgebung und sind diese in (x0 , y0 )
stetig, so existiert auch die partielle Ableitung fyx und es gilt
fxy (x0 , y0 ) = fyx (x0 , y0 ).
Damit folgern wir z.B.:
fxxyxyyx (x0 , y0 ) = fxxxxyyy (x0 , y0 ) = fyyyxxxx (x0 , y0 )
Das ist doch mal eine gute Nachricht.
(5.6)
76

Ubung
7
1. Berechnen Sie f
ur die Funktionen
a)
b)
f (x, y) := x3 y + ex y ,
f (x, y) := x cos x y sin x
alle zweiten partiellen Ableitungen.

2
2
xy x y
x2 + y 2
f (x, y) :=
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
a) Berechnen Sie die ersten partiellen Ableitungen.

b) Zeigen Sie mittels Polarkoordinaten, dass die ersten partiellen Ableitungen in (0, 0) stetig sind.
c) Zeigen Sie, dass die gemischten zweiten partiellen Ableitungen im Punkt
(0, 0) nicht gleich sind:
fyx (0, 0) = fxy (0, 0)
ur die Funktion
3. F
ur welches a R ist f
f (x, y) := x3 + a x y2
die Gleichung
fxx (x, y) + fyy (x, y) = 0
ullt?
f
ur alle (x, y) R2 erf
Ausf
uhrliche L
5.3 Totale Ableitung
5.3
77
Totale Ableitung
Nun aber zu dem neuen Ableitungsbegri, der uns alle W

unsche erf
ullt.
Denition 5.6
Es sei D R2 eine oene Menge und (x0 , y0 ) D. Die Funktion f : D R
heit im Punkt (x0 , y0 ) total dierenzierbar, wenn gilt
lim
(x,y)(x0 ,y0 )
f (x, y)f (x0 , y0 )fx (x0 , y0 ) (x x0 )fy (x0 , y0 ) (y y0 )

= 0.
|(x, y) (x0 , y0 )|
(5.7)
Der Term
df (x0 , y0 ) = fx (x0 , y0 ) (x x0 ) + fy (x0 , y0 ) (y y0 )
(5.8)
heit totales Dierential der Funktion f im Punkt (x0 , y0 ).

Der Graph der Funktion
f(x, y) := f (x0 , y0 ) + fx (x0 , y0 ) (x x0 ) + fy (x0 , y0 ) (y y0 )
(5.9)
heit Tangentialebene an f im Punkt (x0 , y0 , f (x0 , y0 )).

Die n
achste gute Nachricht lautet, dass wir alle aus der Schule bekannten Regeln
f
ur das Ableiten hierher u
onnen.
bernehmen k
Satz 5.2 (Ableitungsregeln)
Die Dierentiationsregeln f
ur Summen, Dierenzen, Produkte und Quotienten
u
bertragen
sich
sinngem
a
aus
dem R1 .
Bevor wir alles an einem Beispiel u

achst mal der Satz, der uns sagt,
ben, zun
dass mit diesem Begri alles paletti ist.
Satz 5.3
Ist die Funktion f in (x0 , y0 ) total dierenzierbar, so ist f in (x0 , y0 ) stetig und
dierenzierbar.
Ist f in (x0 , y0 ) stetig dierenzierbar, so ist f in (x0 , y0 ) total dierenzierbar.
Beispiel 5.3
Bestimmen Sie f
ur
f (x, y) :=
das totale Dierential bei (x0 , y0 ).
1
ln(x2 + y2 )
2
78

Wir benutzen dieses Beispiel, um uns eine kleine Merkregel f

ur das totale Differential zu erarbeiten. Es ist ja nach Denition
df (x0 , y0 ) = fx (x0 , y0 ) (x x0 ) + fy (x0 , y0 ) (y y0 ).
Setzen wir jetzt wie in der Schule
dx := x x0 ,
dy := y y0 ,
und beachten wir

grad f := (fx , fy ),
so schreibt sich das totale Dierential
df (x0 , y0 ) = fx (x0 , y0 ) (x x0 ) + fy (x0 , y0 ) (y y0 )

= fx (x0 , y0 ) dx + fy (x0 , y0 ) dy
= grad f (x0 , y0 ) (dx, dy).
Das kann man sich doch leicht merken, oder?
Hier heit das:
fx (x0 , y0 ) =
x2
x
,
+ y2
fy (x0 , y0 ) =
x2
y
,
+ y2
also

grad f (x0 , y0 ) =
y
x
,
x2 + y 2 x2 + y 2

,
und damit lautet das totale Dierential

df (x0 , y0 ) =
x
y
dx + 2
dy.
x2 + y 2
x + y2
Beispiel 5.4
Bestimmen Sie die Tangentialebene an
f (x, y) :=
y
in (x0 , y0 ) = (1, 2).
1 + x2
Die Tangentialebene ist der Graph der Funktion

f(x, y) := f (x0 , y0 ) + fx (x0 , y0 ) (x x0 ) + fy (x0 , y0 ) (y y0 ).
Wir rechnen also:
79
y0
2
f (1, 2) =
= 1,
1 + 12
1 + x20
f (x0 , y0 ) =
y0
2 x fx (1, 2) = 1,
(1 + x20 )2
1
1
fy (1, 2) = .
fy (x0 , y0 ) =
2
1 + x20
fx (x0 , y0 ) =
Damit folgt

grad f (x0 , y0 ) =
2 x0 y0
1
,
(1 + x20 )2 1 + x2

,
also

grad f (1, 2) =
1,
1
2

.
Als Tangentialebene erhalten wir damit

1
f(x0 , y0 ) = 1 + (1) (x0 1) + (y 2)
2
y0
= 1 x0 + .
2
Wir setzen jetzt z := f(x, y), um damit die Tangentialebene im R3 darzustellen,
und erhalten in Koordinatenform:
z =1x+
y
= 2 x y + 2 z = 2.
2
Das ist, wie wir von fr

uher wissen, eine Ebene im R3 .
Ist das nicht toll, wie hier pl
otzlich die analytische Geometrie ins Spiel kommt?
Ebenengleichung, hatten wir doch in der 12. Ein ziemliches Wesensmerkmal in
der Mathematik, dass man nichts vergessen darf, alles kommt irgendwann mal
wieder.
Solch einen neuen Begri wie total dierenzierbar hat man erst vollst
andig verstanden, wenn man auch Funktionen kennen gelernt hat, die diese Eigenschaft
nicht besitzen. Darum folgt jetzt ein Beispiel einer Funktion, die u
berall, auch
im Punkt (0, 0) stetig ist, dort sogar alle partiellen Ableitungen besitzt, also in
unserer Nomenklatur dierenzierbar ist, aber dort nicht total dierenzierbar ist.
Beispiel 5.5
Wir zeigen, dass die Funktion

f (x, y) :=
x2 y
x2 +y 2
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
80

im Punkt (0, 0) stetig und dierenzierbar, aber nicht total dierenzierbar ist. Wir
sehen nat
urlich sofort, dass in allen anderen Punkten kein Problem zu erwarten
ist. Nur die Nulldividiererei macht ja Kummer.
Wir zeigen, dass
1. f (x, y) im ganzen R2 stetig ist,
2. f (x, y) auch im Punkt (0, 0) alle partiellen Ableitungen besitzt,
3. dass f (x, y) aber im Nullpunkt (0, 0) nicht total dierenzierbar ist.
Zu 1. Wir untersuchen den Punkt (x, y) = (0, 0) mit Polarkoordinaten:
x = r cos ,
y = r sin .
Sei zun
achst (x, y) = (0, 0). Dann ist
r2 cos2 r sin
r 2 cos2 + r2 sin2
r3 cos2 sin
=
r2
2
= r cos sin ,
f (x, y) =
weil ja stets sin2 + cos2 = 1 ist.

Jetzt betrachten wir den Grenz
ubergang r 0, n
ahern uns also dem Nullpunkt. Wie wir an der letzten Zeile sehen, gibt es kein Problem mehr, da
wird nirgends mehr durch 0 geteilt. Also existiert der Grenzwert und er ist
gleich null. Also ist f stetig im Punkt (0, 0). Das war mit dem Trick der
Polarkoordinaten einfach.
Wir sollten dazu sagen, dass wir im Prinzip nat
urlich alle Wege, wirklich alle
betrachten m
ussen, die sich auf den Nullpunkt zu bewegen. Aber durch den
Grenz
ubergang r 0 haben wir die alle erfasst.
Zu 2. Wir bilden die partiellen Ableitungen zun
achst wieder f
ur (x0 , y0 ) =
(0, 0):
fx (x0 , y0 ) =
=
fy (x0 , y0 ) =
2 x0 y0 (x20 + y02 ) x20 y0 2 x0

(x20 + y02 )2
2 x0 y03
(x20 + y02 )2
x20 (x20 y02 )

(x20 + y02 )2
Hier haben wir etwas Kummer. Das Problem, durch Null zu dividieren, hat
sich nicht ge
andert. Wir kommen also so nicht weiter. Wir werden daher f
ur
den Punkt (0, 0) direkt die partiellen Ableitungen aus der urspr
unglichen
Denition berechnen. Es ist
81
f (x, 0) f (0, 0)
00
=
= 0.
x0
x
Dann gilt auch f
ur den Limes
fx (0, 0) = lim
x0
f (x, 0) f (0, 0)
00
= lim
= lim 0 = 0.
x0
x0
x0
x
Ganz analog geht das mit der partiellen Ableitung nach y, auch die existiert
und es ist fy (0, 0) = 0.
Also ist f in (0, 0) dierenzierbar, beide partiellen Ableitungen existieren.
Wir bemerken noch schnell, dass aber die partiellen Ableitungen nicht stetig
im Punkt (0, 0) sind; denn betrachte die 1. Winkelhalbierende x = y mit
zun
achst x = 0.
fx (x0 , x0 ) =
2 x0 x30
1
= .
2
(x20 + x20 )2
Das ist also ein konstanter Wert. Damit ist auch

lim fx (x0 , x0 ) =
x0 0
1
= 0.
2
Zu 3. Wir zeigen jetzt, dass f im Punkt (0, 0) nicht total dierenzierbar ist.
Wir m
ussten lt. Denition zeigen (vgl. Formel (5.7)):
lim
(x,y)(0,0)
. . . = 0.
Wieder w
ahlen wir zur Widerlegung die 1. Winkelhalbierende. Sei also x =
y > 0. Dann folgt
f (x, x) f (0, 0) fx (0, 0) (x 0) fy (0, 0) (x 0)
|(x, x) (0, 0)|
=
x3
2 x2
000
2 x2
2x
1
=
2 2
= const.
Und das geht nicht gegen 0, da es ja konstant ist.

Mit diesem Beispiel haben wir zugleich gezeigt, dass wir wirklich einen neuen
Ableitungsbegri deniert haben.
Wir wollen noch einmal zusammenfassen, wie wir eine Funktion auf totale Differenzierbarkeit untersuchen m
ussen.
82

Untersuchung auf totale Dierenzierbarkeit in (x0 , y0 )

f stetig?
neinf nicht total dibar
ja
?
f partiell dibar?
ja
?
part. Abl. stetig?
ja -
f total dibar
nein
?
Ex. Grenzwert in (5.7)?
ja
?
f total dibar
83
Ubung
8
f (x, y) :=
x3 y
+ y2
0
x2
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
u
berall im R2 total dierenzierbar ist.
2. Untersuchen Sie, ob die Funktion
2 2
x y
f
ur (x, y) = (0, 0)
x2 + y 2
f (x, y) :=
0
f
ur (x, y) = (0, 0)
im R2 total dierenzierbar ist.
3. Berechnen Sie f
ur die Funktion
f (x, y) :=
1
ln(x2 + y2 )
2
das totale Dierential.

4. Berechnen Sie f
ur die Funktion
f (x, y) := x2 y 3 y
a) die Tangentialebene im Punkt (x0 , y0 ) = (4, 3),
b) das totale Dierential im Punkt (x1 , y1 ) = (3.99, 3.02),
c) eine N
aherung mit Hilfe des totalen Dierentials f
ur f (5.12, 6.85).
Ausf
uhrliche L
84
5.4

Richtungsableitung
In diesem Abschnitt wollen wir den Begri der partiellen Ableitung erweitern
und daraus einige interessante Folgerungen ziehen.
Denition 5.7 (Richtungsableitung)
Sei f (x, y) in einer Umgebung des Punktes (x0 , y0 ) R2 deniert und sei m
:=
2
ange 1, also mit
(m1 , m2 ) ein Vektor des R der L
|m|
:=
m21 + m22 = 1.
Dann heit der Grenzwert, falls er existiert,

f (x0 , y0 )
f (x0 + k m1 , y0 + k m2 ) f (x0 , y0 )
:= lim
k0
m
k
(5.10)

Richtungsableitung von f (x, y) im Punkt (x0 , y0 ) in Richtung von m.
Schauen wir uns das genau an, so erkennen wir, dass wir uns vom Punkt (x0 , y0 )
ein kleines St
uck zum Punkt f (x0 +km1 , y0 +km2 ) entfernen und dann mit dem
Limes auf den Punkt (x0 , y0 ) zulaufen, indem wir nur k ver
andern. Wir laufen
und betrachten dort
also auf der Geraden durch (x0 , y0 ) in Richtung von m
genau so einen Dierenzenquotienten wie im R1 und davon den Limes. Jetzt
wird der Begri Richtungsableitung hoentlich klar, es ist die gew
ohnliche
Ableitung von f (x, y), eingeschr

ankt auf die Gerade durch (x0 , y0 ) in Richtung
m.

Schnell ein Beispiel, damit wir sehen, wie einfach dieser Begri ist.
Beispiel 5.6
F
ur die Funktion
f (x, y) := x2 + y 2
berechnen wir die Richtungsableitung im Nullpunkt (x0 , y0 ) = (0, 0) in Richtung
der ersten Winkelhalbierenden.
Vom Nullpunkt in Richtung der ersten Winkelhalbierenden geht es mit dem
Vektor (1, 1). Aber Achtung, dieser Vektor hat nicht die L
ange 1. Pythagoras
sagt uns doch, dass
|(1, 1)| =
12 + 12 = 2.
Wir m
ussen also den Vektor
1
m
:= (1, 1) =
2
1
1
,
2
2
5.4 Richtungsableitung
85
als Richtungsvektor nehmen. Dann rechnen wir mal schnell den Grenzwert aus.
Es ist
f ( k2 , k2 ) f (0, 0)
f (x0 + k m1 , y0 + k m2 ) f (x0 , y0 )
=
k
k
k2
k2
+
0
2
= 2
k
= k.
Hier darf man nat
urlich den Limes limk0 anwenden, und es ergibt sich
f (x0 , y0 )
= 0.
m
Nehmen wir jetzt den Richtungsvektor m
= (1, 0), also die Richtung der xAchse, so folgt
f (x0 , y0 )
f (x0 + k, 0) f (0, 0)
k2
= lim
= lim
= lim k = 0.
k0
k0 k
k0
m
k
Das ist genau die partielle Ableitung in x-Richtung. Vergleichen Sie nur die
Denition in (5.2). Analog ergibt sich f
ur den Vektor m
= (0, 1) die partielle
Ableitung in y-Richtung. Die partiellen Ableitungen sind also die Richtungsableitungen in Richtung der Koordinatenachsen.
Im folgenden Satz zeigen wir, wie man die Richtungsableitung sehr leicht ausrechnen kann, ohne immer diesen Grenzwert zu betrachten.
Satz 5.4
Ist f (x, y) in einer Umgebung von (x0 , y0 ) deniert und in (x0 , y0 ) stetig, so
existiert die Richtungsableitung von f (x, y) in (x0 , y0 ) in Richtung jedes Einheitsvektors m,
und es gilt
f (x0 , y0 )
= grad f (x0 , y0 ) m

m
(5.11)
Wir berechnen also den Gradienten von f und bilden das innere Produkt mit
dem Richtungsvektor m,
vorher diesen bitte auf L
ange 1 zurecht stutzen.
Als n
achstes haben wir zwei wundersch
one S
atze vor uns, die uns die Untersuchung solcher Funktionen so anschaulich machen. Dazu betrachten wir die
H
ohenlinien einer Funktion f (x, y). Gehen Sie dazu wieder ganz an den Anfang
zur
uck und denken Sie noch mal an das Gebirge, das die Funktion bildet, also der
Graph dieser Funktion, sagen wir, u
ohenlinien
ber der Tischplatte vor Ihnen. H
erhalten wir dadurch, dass wir ein Blatt Papier parallel zur Tischplatte in einem gewissen Abstand mit dem Gebirge zum Schnitt bringen. Aber jetzt nichts
falsch machen. Die H
ohenlinien sind nicht diese Schnittlinien, sndern ihre Projektion auf die Tischplatte. Die H
ohenlinien liegen in der Tischebene. Es sind
86

die Linien im Denitionsgebiet, auf denen die Funktion f (x, y) denselben Wert
annimmt. Das ist ganz wichtig und wird von vielen Anf
angern falsch gemacht.
Wir suchen also die Punkte (x, y) R2 , mit
f (x, y) = const.
Uber
einer solchen Linie hat unsere Funktion also immer die gleiche H
ohe. Wenn
wir in Richtung einer solchen Linien fortschreiten, so
andert sich unsere Steigung nicht, d.h. die Richtungsableitung in eine solche Richtung m
ist gleich
f (x0 ,y0 )
null:
= 0. Jetzt werfen Sie bitte einen kleinen Blick auf den Satz 5.4,
m
und Sie erkennen, weil das innere Produkt nur f
ur senkrecht stehende Vektoren
verschwindet, falls diese beiden ungleich dem Nullvektor sind:
Satz 5.5 (Gradient und H
ohenlinien)
Der Gradient steht senkrecht auf den H
ohenlinien.
Wir suchen uns also auf der Tischplatte durch einen beliebigen Punkt die zugeh
orige H
ohenlinie und wissen sogleich, wohin der Gradient zeigt, n
amlich senkrecht zu dieser Linie. Wir wissen ja noch von fr
uher, dass auch der Gradient ein
Vektor in der Tischplattenebene ist.
F
ur den n
achsten Satz m
ussen wir zur
uckgreifen auf das innere Produkt zweier
Vektoren. Erinnern wir uns?
a b = | a| | b| cos ( a, b).
Man multipliziert die L
ange des ersten Vektors mit der L
ange des zweiten und
noch mit dem Cosinus des eingeschlossenen Winkels. F
ur die Richtungsableitung
galt
f (x0 , y0 )
= grad f (x0 , y0 ) m

m
cos (grad f (x0 , y0 ), m).

= |grad f (x0 , y0 )| |m|
Der Richtungsvektor m
hat immer die L
ange 1. An einem bestimmten Punkt
(x0 , y0 ) ist der Gradient festgelegt, hat also auch eine feste L
ange, an der nicht
gedreht wird. Einzig der Cosinus
andert sich, wenn wir m

andern. Der Cosinus
hat Werte zwischen 1 und 1. Sein gr
oter Wert wird f
ur den Winkel 0 erreicht,
n
amlich 1. Wenn wir also m
in dieselbe Richtung wie den Gradienten legen, so
hat die Richtungsableitung ihren gr
oten Wert. Wir schlieen:
Satz 5.6
Der Gradient zeigt in Richtung des st
arksten Anstiegs.
87
Aber halt, hier sind sehr viele Irrt

umer im Umlauf. Wir erinnern uns, dass der
Gradient in der (Tisch-)Ebene liegt, der Vektor m
ebenfalls. Wenn wir also jetzt
den gr
oten Anstieg unserer Fl
ache in einem Punkt (x0 , y0 ) suchen, so rechnen
wir an diesem Punkt den Gradienten aus. Der zeigt in der Tischebene in eine
Richtung. Oben auf der Fl
ache geht es in dieser Richtung am steilsten bergauf.
Viele meinen, der Gradient l
age oben auf der Fl
ache und zeige so tangential in
die steilste Richtung. Aber der Gradient ist kein Tangentenvektor. Er liegt in
der Ebene unten. Nie wieder falsch machen!
Einen Tangentenvektor k
onnen wir trotzdem leicht bestimmen:
Satz 5.7
F
ur z = f (x, y) ist mit m
= (m1 , m2 ) der Vektor
t := (m1 , m2 , grad f (x0 , y0 ) m)

ein Tangentenvektor an den Graph der Fl
ache z
(x0 , y0 , f (x0 , y0 )) in Richtung m.

(5.12)
= f (x, y) im Punkt
Jetzt m
ussen wir aber dringend u
ben.
Beispiel 5.7
f (x, y) :=
x3 x y 2
x2 +y2
(x, y) = (0, 0)
(x, y) = (0, 0)
und zeigen, dass f (x, y)

1. auch im Nullpunkt stetig ist,
2. auch im Nullpunkt eine Richtungsableitung in jede Richtung besitzt,
3. im Nullpunkt aber nicht total dierenzierbar ist.
Zu 1. Wir zeigen, dass gilt:
lim
(x,y)(0,0)
f (x, y) = f (0, 0)
Dazu benutzen wir Polarkoordinaten x = r cos , y = r sin . F

ur (x, y) =
(0, 0) ist
lim
(x,y)(0,0)
r3 cos3 r3 cos sin2

r0
r2 (cos2 + sin2 )
= lim
= lim r cos (cos2 sin2 )

r0
= 0 = f (0, 0);
denn sin und cos sind beschr
ankte Funktionen.
88

Zu 2. Wir zeigen, dass f (x, y) in 0, 0) in jede Richtung dierenzierbar ist. Wieder helfen uns dabei die Polarkoordinaten. Als Ableitungsrichtung w
ahlen
wir m
= (cos , sin ), 0 < 2 , und erhalten f
ur ein beliebiges k R,
indem wir bei der Richtungsableitung zun
achst den lim weglassen,
f ((0, 0) + k(cos , sin )) f (0, 0)
k3 (cos3 cos sin )
=
k
k3
3
= cos cos sin2
= cos cos(2 ).
Unser Adlerauge sieht sofort, dass hier kein r mehr drinsteckt, der ganze
letzte Term aber beschr
ankt ist, weil der cos so lieb ist. Also k
onnen wir
getrost den Grenzwert r 0 betrachten, der letzte Wert bleibt einfach
unber
uhrt vom r und h
angt nur von der Richtung ab. Damit folgt
f (0, 0)
= cos cos(2 ).
m
Also existiert in jede Richtung die Richtungsableitung.
Zu 3. Um zu zeigen, dass f nicht total dierenzierbar ist, rechnen wir drei
verschiedene Tangentenvektoren im Punkt (0, 0) aus. Dann sehen wir das
Palaver schon.
Als Tangentenvektor haben wir im Satz 5.7 die Gleichung angegeben
t := (m1 , m2 , grad f (x0 , y0 ) m).

Die erste und zweite Komponente w
ahlen wir frei, die dritte Komponente
haben wir gerade in 2. ausgerechnet. Dann geht das ganz leicht.
Wir w
ahlen zuerst die Richtung der x-Achse, also m
1 = (1, 0). Wegen = 0
erhalten wir
t1 = (1, 0, 1).
Dann w
ahlen wir die Richtung der y-Achse, also m
2 = (0, 1). Wegen = 90
ist unser Tangentenvektor
t2 = (0, 1, 0).
Als drittes
w
a
hlen wir die Richtung der ersten Winkelhalbierenden, also

m
3 = 22 , 22 und erhalten wegen = 45

2
2
2
2
,
,
0 =
(1, 1, 0).
2
2
2
2
Schauen Sie sich bitte diese drei Tangentenvektoren an. Sie liegen nicht in
einer Ebene, wie Sie vielleicht mit drei Bleistiften sehen k
onnen. Also kann
es im Nullpunkt keine Tangentialebene geben, und damit ist die Funktion
im Punkt (0, 0) auch nicht total dierenzierbar.
t3 =
89
Ubung
9
1. Bestimmen Sie f
ur die Funktion
f (x, y) :=
y
1 + x2
a) die Richtungsableitung im Punkt (1, 2) in die Richtungen (3, 4) und

(1, 1),
b) die Richtungen im Punkt (1, 2), f
ur die die Steigung maximal, minimal,
gleich Null ist
c) die Tangentialebene im Punkt (1, 2) sowie die Tangente im Punkt (1, 2)
in Richtung (3, 4).
2. Gegeben sei die Funktion
f (x, y) := x2 + 3 x + y 2 + 2 y 15.
a) Ist f (x, y) an der Stelle (x0 , y0 ) = (1, 3) total dierenzierbar?
b) Berechnen Sie die Gleichung der Tangentialebene an die Funktion f (x, y)
im Punkt (1, 3, f (1, 3)).
c) Bestimmen Sie das totale Dierential bei (x0 , y0 ) = (1, 3).
d) Bestimmen Sie die Richtung des st
arksten Anstiegs von f (x, y) im Punkt
(1, 3) und die Richtungsableitung in diese Richtung.
3. Berechnen Sie die Richtungsableitung der Funktion
f (x, y) := x sin y
in Richtung m
:=

(1, 2)
im Punkt (xo , yo ) =
,
.
|(1, 2)|
2 4
Ausf
uhrliche L
90

5.5
Relative Extrema
Auch in diesem Abschnitt werden wir erstaunlich viele Parallelen zur Schulmathematik kennen lernen. Auf die Weise k
onnen wir unser Schulwissen reaktivieren und in einen gr
oeren Zusammenhang einordnen.
Denition 5.8 (Relative Extrema)
Die Funktion f (x, y) sei im Gebiet G R2 denert. Der Punkt (x0 , y0 ) G
heit relatives Maximum von f in G, wenn es eine Umgebung U (x0 , y0 ) G
gibt mit
f (x, y) < f (x0 , y0 )
f
ur alle (x, y) U (x0 , y0 )\{(x0 , y0 )}.
(5.13)
Er heit relatives Minimum von f in G, wenn es eine Umgebung U (x0 , y0 ) G

gibt mit
f (x, y) > f (x0 , y0 )
f
ur alle (x, y) U (x0 , y0 )\{(x0 , y0 )}.
(5.14)
Das sieht nur gruselig aus. Gemeint ist, dass f

ur ein Maximum in einer Umgebung von (x0 , y0 ) alle Werte von f (x, y) kleiner sind als der Wert bei (x0 , y0 ).
Also ganz anschaulich, was wir unter Maximum so verstehen. Minimum analog.
Ein Wort zum Begri relativ. Wir meinen hier nicht so etwas wie in der Wet
tervorhersage, dass es morgen relativ kalt wird. Das Gegenteil von relativ ist
f
ur uns absolut. Da sehen wir schon, worum es geht. Betrachten Sie folgende
Funktion:
25
20
15
10

-5
-10
-15
-1
Abb. 5.1 f : [1, 5] R mit f (x) := x3 6x2 + 9x + 1.
Das sieht wie ein Graph mit einem Maximum bei x = 1 und einem Minimum
bei x = 3 aus. Tats
achlich haben wir die Funktion genau so gew
ahlt. Aber halt,
5.5 Relative Extrema
91
wenn wir das ganze Intervall [1, 5] betrachten, so ist doch bei x = 1, also am
linken Rand das Minimum und bei x = 5 das Maximum. Nur in einer kleinen
Umgebung, die wir durch einen kleinen Kreis um das vermeintliche Maximum
angedeutet haben, gibt es keine gr
oeren Werte. Solch einen Punkt nennen wir
relatives Maximum bzw. relatives Minimum. Die beiden Randextrema sind
absolute Extrema. Genau so halten wir es auch im R2 .

Und genau so wie im R1 hilft uns auch hier die Dierentialrechnung bei der
Suche nach relativen Extrema.
Satz 5.8 (Notwendige Bedingung)
Ist in (x0 , y0 ) ein relatives Extremum von f (x, y), so ist dort
fx (x0 , y0 ) = fy (x0 , y0 ) = 0, also grad f (x0 , y0 ) = (0, 0).
(5.15)
Hier u
bernimmt also der Gradient die Stelle der ersten Ableitung im R1 . Beachten Sie bitte genau die Reihenfolge der Aussagen. In relativen Extrema haben wir einen verschwindenden Gradienten. Es ist keineswegs umgekehrt auch
richtig, dass in allen Punkten mit verschwindendem Gradienten ein relatives
Extremum vorliegt. Wir kommen gleich mit Beispielen. Die Bedingung mit dem
Gradienten ist daher nicht hinreichend f
ur ein relatives Extremum, aber notwendig ist sie schon. Nur solche Punkte k
onnen u
berhaupt als relative Extrema
in Frage kommen. Alle anderen k
onnen wir aus unserer Suche nach relativen Extrema ausscheiden. Das ist doch immerhin schon eine Einschr
ankung f
ur unsere
Suche.
Denition 5.9 (Station
are Punkte)
Punkte (x, y) des R2 mit grad f (x, y) = (0, 0) heien station
are Punkte von f .
Beispiel 5.8
f (x, y) = x2 + y 2 .
Wir sehen, dass im Nullpunkt (0, 0) die partiellen Ableitungen sowohl nach x
als auch nach y verschwinden. Dort hat die Fl
ache auch ein Minimum.
92

z
y
x
2
Abb. 5.2 Der Graph der Funktion z = f (x, y) = x + y , ein nach oben oenes
Paraboloid oder anschaulich eine Sch
ussel
Beispiel 5.9
f (x, y) = x y.
Unten ist eine graphische Darstellung dieser Funktion. Es handelt sich anschaulich um eine Sattel
ache, mathematisch nennen wir diese Fl
ache ein hyperbolisches Paraboloid.
z
-6
-5
-4
-3
-2
-1
5
0 1 12 2 3 4
3 4 5
6
Abb. 5.3 Der Graph der Funktion z = f (x, y) = x y, ein hyperbolisches Paraboloid
oder anschaulich eine Sattel
ache
93
Im Nullpunkt (0, 0) sind die partiellen Ableitungen sowohl nach x als auch nach
y gleich 0, aber trotzdem ist dort keine relative Extremstelle, weder Minimum
noch Maximum, weil die Fl
ache nach vorne und nach hinten abf
allt, nach rechts
und nach links aber ansteigt.
Die Bedingung mit dem verschwindenden Gradienten reicht also auf keinen Fall
aus, um sicher auf ein relatives Extremum zu schlieen. Ganz genau wie im
R1 haben wir aber auch hier eine hinreichende Bedingung, die nat
urlich etwas
2
komplizierter ausf
allt, um alle M
oglichkeiten des R zu erfassen:
Satz 5.9 (Hinreichende Bedingung)
Die Funktion z = f (x, y) sei in ihrem Denitionsgebiet G zweimal stetig dierenzierbar, d.h. ihre zweiten partiellen Ableitungen seien noch stetig. Es sei in
(x0 , y0 ) G
grad f (x0 , y0 ) = 0.
(5.16)
Ist dann
2
fxx (x0 , y0 ) fyy (x0 , y0 ) fxy
(x0 , y0 ) > 0 und fxx (x0 , y0 ) < 0,
(5.17)
so besitzt f in (x0 , y0 ) ein relatives Maximum.

Ist
2
fxx (x0 , y0 ) fyy (x0 , y0 ) fxy
(x0 , y0 ) > 0 und fxx (x0 , y0 ) > 0,
(5.18)
so besitzt f in (x0 , y0 ) ein relatives Minimum.

Ist
2
fxx (x0 , y0 ) fyy (x0 , y0 ) fxy
(x0 , y0 ) < 0,
(5.19)
so liegt kein relatives Extremum vor, sondern f hat in (x0 , y0 ) einen Sattelpunkt.
Aufmerksame Leserinnen und Leser sehen vielleicht, dass hier der Fall
2
(x0 , y0 ) = 0
fxx (x0 , y0 ) fyy (x0 , y0 ) fxy
(5.20)
in der Aufz
ahlung fehlt. Tats
achlich muss man in dem Fall zur Untersuchung
der Funktion im Punkt (x0 , y0 ) h
ohere Ableitungen heranziehen. Dies wollen
wir hier nicht weiter betrachten.
Das ist ein langer Satz, der uns aber ziemlich ersch
opfend Auskunft u
ber relative
Extrema gibt. F
ur die erste Bedingung in (5.17) bzw. in (5.18) gibt es eine
einfache Merkregel. Wir schreiben die zweiten partiellen Ableitungen in eine
Matrix nach folgender Anordnung:
H(x0 , y0 ) :=
fxx (x0 , y0 ) fxy (x0 , y0 )

fyx (x0 , y0 ) fyy (x0 , y0 )
(5.21)
94

Die Determinante dieser sog. Hesse-Matrix ist genau der Audruck oben, wenn
Sie bitte noch mal die Denition der Determinante einer (2 2)-Matrix S. 23
nachschlagen.
Zwei Beispiele m
ogen das verdeutlichen.
Beispiel 5.10
Es sei
1
x2
4 x y + 9 y 2 + 3 x 14 y + .
2
2
Wir untersuchen diese Funktion auf relative Extrema.
f (x, y) :=
Wir rechnen:
fx (x, y) = x 4y + 3,
fy (x, y) = 4x + 18y 14.
Zur Findung von station

aren Punkten setzen wir diese beiden partiellen Ableitungen jeweils gleich 0. Daraus entstehen zwei lineare Gleichungen mit zwei
Unbekannten, also etwas Einfaches:
4x 16y + 12 = 0
4x + 18y 14 = 0
Ich glaube, diese kleine Rechnung k
onnen wir uns ersparen und Ihnen miteilen,
dass x = y = 1 die einzige L
osung dieses LGS ist. Also haben wir nur einen
ufen wir jetzt weiter.
station
aren Punkt P0 = (x0 , y0 ) = (1, 1) gefunden. Den pr
Es ist
fxx (x, y) = 1,
fyy (x, y) = 18,
fxy (x, y) = fyx (x, y) = 4.
Damit erhalten wir als Determinante der Hesse-Matrix

2
fxx (1, 1) fyy (1, 1) fxy
(1, 1) = 1 18 (4)2 = 2 > 0.
Also liegt auf jeden Fall ein relatives Extremum im Punkt P0 = (1, 1). Wegen
fxx (1, 1) = 1 > 0 handelt es sich um ein relatives Minimum. Der Wert der
Funktion in diesem Punkt ist
f (1, 1) =
1
1
4 + 9 + 3 14 = 5.
2
2
Beispiel 5.11
Gegeben sei die Funktion
f (x, y) := (y x2 ) (y 2 x2 ).
Wieder versuchen wir, ihre relativen Extremstellen zu nden.
95
fx (x, y) = 2x(3y 4x2 ),
fy (x, y) = 2y 3x2 .
Beide Ableitungen gleich 0 setzen, ergibt als einzigen station

aren Punkt P0 =
(0, 0).
fx x(x, y) = 6y + 24x3 ,
fyy (x, y) = 2,
fxy (x, y) = fyx (x, y) = 6x.
2
(0, 0) = 0.
H(0, 0) = fxx (0, 0) fyy (0, 0) fxy
Leider m
ussen wir hier die Segel streichen. F
ur diesen Fall k
onnen wir aus dem
Kriterium keine weiteren Aussagen herleiten und m
ussten h
ohere Ableitungen
betrachten.
Wir fassen das ganze Vorgehen noch einmal zusammen:
Bestimmung der relativen Extrema von z = f (x, y)
1. Berechne die station
aren Punkte von f (x, y), also die Punkte (x, y) mit
grad f (x, y) = 0.
2. Berechne f
ur diese Punkte
det H := det
fxx fxy
fyx fyy
2
= fxx fyy fxy
.
3. Ist det H > 0 und fxx < 0 = relatives Maximum,

Ist det H > 0 und fxx > 0 = relatives Minimum,
Ist det H < 0 = Sattelpunkt,
Ist det H = 0 = extra untersuchen.
4. Berechne f (x, y) an den Extremstellen und Sattelpunkten.
Zwei Bemerkungen wollen wir noch anf
ugen.
1. Unser Vorgehen oben sieht nicht vollst
andig aus. Wir haben den Fall det H >
2
0 und fxx = 0 nicht behandelt. Nun, es ist ja stets fxy
(x0 , y0 ) 0. Damit
ist dann, falls det H > 0, stets
fxx (x0 , y0 ) fyy (x0 , y0 ) > 0.
Also kann fxx (x0 , y0 ) nicht gleich 0 sein. Ebenso ist, falls det H > 0, stets
fyy (x0 , y0 ) = 0. Daher ist der Fall doch vollst
andig.
2. Wegen fxx fyy > 0 folgt aus fxx < 0 sofort auch fyy < 0, und aus fxx > 0
onnte also statt fxx auch fyy in die Fallunterfolgt sofort fyy > 0. Man k
scheidung einbauen.
96

Ubung
10
1. Bestimmen Sie die relativen Extrema von
a)
f (x, y) := x2 + 3 x + y2 + 2 y 15,
b)
f (x, y) :=
x3
+ 4 x y 2 y2 ,
3
c)
ur a > 0.
f (x, y) := ex y + x2 + a y 2 f
f (x, y) := (y x2 ) (y 2 x2 )
auf relative Extrema.
Ausf
uhrliche L
5.6 Wichtige S
atze der Analysis
5.6
97
Wichtige S
atze der Analysis
In diesem Abschnitt wollen wir einige wichtige, ja zentrale S

atze der Analysis vorstellen. Der erste, die Kettenregel, hilft uns in der Praxis ungemein. Er
zeigt uns, wie man bei zusammengesetzten Funktionen die Ableitung ausrechnet. Der anschlieende Satz von Taylor und sein Ableger, der Mittelwertsatz,
haben dagegen keine groe Bedeutung; denn sie sind nicht konstruktiv, d.h. es
sind Existenzaussagen, die aber keine Konstruktionsvorschriften mitliefern. Wegen ihrer groen Bedeutung innerhalb der Analysis seien sie aber hier erw
ahnt.
Schlielich kann der Autor seine mathematischen Wurzeln nicht ablegen. Der
erste Satz ist die Kettenregel.
Satz 5.10 (Kettenregel)
Die Funktion f (x, y), deniert in D R2 , sei in (x0 , y0 ) total dierenzierbar,
x = (t) und y = (t) seien in (a, b) deniert und in t0 (a, b) dierenzierbare
Funktionen mit x0 = (t0 ), y0 = (t0 ). Dann ist die aus f (x, y) und (t) und
(t) zusammengesetzte Funktion
F (t) := f ((t), (t))
(5.22)
in t0 dierenzierbar, und es gilt

dF (t)
f (x0 , y0 ) d(t) f (x0 , y0 ) d(t)
=
+
dt
x
dt
y
dt

(t)
(t)
= grad f ((t), (t)) ( (t), (t)) .

Wir f
uhren diese Regel an einem Beispiel vor.
Beispiel 5.12
Betrachten Sie die Funktion
f (x, y) := x2 + 3 x + y 2 + 2 y 15.
Es sei
x(t) = (t) = t2 + 1,
y(t) = (t) = et .
Wir berechnen die Ableitung der zusammengesetzten Funktion

F (t) = f ((t), (t)).
Es ist
(5.23)
(5.24)
98

F (t) = f ((t), (t))

= (t2 + 1)2 + 3 (t2 + 1) + (et )2 + 2 et 15.
Dann folgt
fx (x0 , y0 ) = 2 x0 + 3, fy (x0 , y0 ) = 2 y0 + 2, (t) = 2 t, (t) = et ,
und damit
dF (t0 )
= (2 x0 + 3) cdot2 t0 + (2 y0 + 2) et0
dt
= (2 (t20 + 1) + 3) 2 t0 + (2 et0 + 2) et0
= (2 t20 + 5) 2 t0 + 2 et0 et0 + 2 et0 .
Wenn Sie sich jetzt das Vergn
ugen g
onnen, die obige Funktion F (t) mit
herk
ommlichen Schulmitteln abzuleiten, werden Sie dasselbe Ergebnis erhalten.
Beispiel 5.13
Betrachten Sie die Funktion
z = f (x, y) mit x = r cos t, y = r sin t,
also Polarkoordinaten. Wie berechnet sich hier die Ableitung nach t?
Es ist
F (t) = f (r cos t, r sin t),
also
F (t) = fx (r cos t, r sin t) (r sin t) + fy (r cos t, r sin t) r cos t.
Damit folgt
F (t) = r fx (r cos t, r sin t) sin t + r fy (r cos t, r sin t) cos t.
Auf diese Formel kommen wir sp
ater zur
uck, Sie werden sie bestimmt auch in
Ihren Anwendungen gebrauchen k
onnen, also merken.
Jetzt folgt ein Satz, der es in sich hat. Normale Menschen haben richtig Grauen
vor solchen Unget
umen. Ich hoe, dass er nach unseren Erl
auterungen etwas
von seinem Schrecken verliert.
5.6 Wichtige S
atze der Analysis
99
Satz 5.11 (von Taylor)

Die Funktion f (x, y), deniert in D R2 , sei in D (r + 1)-mal stetig dierenzierbar. Dann gilt f
ur alle (x, y) D

f (x, y) =
(x
x0 ) x
+ (y
y0 ) y
k
f (x0 , y0 )
+ Rr (x, y)
k!
k=0
(5.25)
mit

(x x0 ) x
+ (y y0 ) y
r+1
f (x0 + (x x0 ), y0 + (y y0 ))
Rr (x, y) =
(r + 1)!
(5.26)
wobei (0, 1) eine Zahl ist und wir zur Abk

urzung gesetzt haben
+ (y y0 )
(x x0 )
x
y

k

k
k f
f :=
(x x0 )i (y y0 )ki i ki .
x y
i
i=0
Rr (x, y) heit (Lagrangesches) Restglied der Taylorentwicklung von f (x, y).

Ja, ja, ich h
ore Sie schon st
ohnen: Solch ein Satz, und was soll das ganze blo?
Oh, Sie werden es nicht glauben, aber dieser Satz sagt uns eigentlich etwas Wunderbares. Wir m
ussen es nur erkennen. Wir haben da eine beliebige Funktion,
die nat
urlich sch
on sein m
oge, also gen
ugend oft stetig dierenzierbar. Dann
k
onnen wir diese Funktion anders schreiben. Jetzt m
ussen wir uns diese Formel
(5.25) mal ganz genau ansehen. Sie ist n
amlich gar nicht so furchtbar. Da ist zuerst das Restglied. Es gibt verschiedene Restglieder, wir bitten Sie daf
ur aber,
in die Literatur zu schauen. Falls wir irgendwie Kenntnis haben, dass dieses
Restglied Rr wirklich nur einen Rest darstellt, also immer kleiner wird, wenn
sich der Punkt (x, y) dem sog. Entwicklungspunkt (x0 , y0 ) n
ahert, so k
onnen wir
den ersten Teil, die endliche Summe, perfekt interpretieren. Wir sehen zun
achst
die partiellen Ableitungen, gebildet an der festen Stelle (x0 , y0 ), das sind also
feste Faktoren. Dann stehen da versteckt mitten drin das x und das y. Auen
an der geschweiften Klammer steht eine Hochzahl. Das ist so ein binomischer
Ausdruck. Wenn wir diesen ausrechnen, entsteht nichts anderes als ein Polynom
in den zwei Variablen x und y. Der Satz sagt uns also, dass wir unter gewissen Voraussetzungen die Funktion f zumindest in einer kleinen Umgebung von
(x0 , y0 ), wenn sich also (x, y) dem Punkt (x0 , y0 ) n
ahert, als Polynom auassen
k
onnen. Mit denen hantieren wir aber liebend gerne. Die kennen wir doch schon
von der Schule. Wir lieben Polynome! Allerdings ist die Einschr
ankung mit der
100

kleinen Umgebung, die man nicht einmal genau angeben kann, doch etwas happig. Wir werden sp
ater im Kapitel 11 Interpolation mit Splines eine andere
Methode kennen lernen, um komplizierte Funktionen leichter darzustellen.

Beispiel 5.14
Der Satz von Taylor spielt in der Praxis kaum eine Rolle, weil man die unbekannte Zahl (0, 1) nicht angeben kann. In vielen Anwendungen benutzt man
aber die Reihe (5.25) in einer abgespeckten Form als N
aherungsformel, indem
man schon nach wenigen Gliedern abbricht. Um Ihnen hier, liebe Leserin, lieber
Leser, die Arbeit zu erleichtern, schreiben wir die endliche Reihe f
ur r = 2 auf.

f (x, y) =
(x
k=0
x0 ) x
+ (y
y0 ) y
k
f (x0 , y0 )
+ R2 (x, y)
k!
f (x0 , y0 ) (x x0 )fx (x0 , y0 ) + (y y0 )fy (x0 , y0 )

+
0!
1!

k=0
(5.27)
k=1
(x x0 )2 fxx + 2(x x0 )(y y0 )fxy + (y y0 )2 fyy

+
2!

k=2
+R2 (x, y)
Um die Ubersicht
nicht zu verlieren, haben wir in der vorletzten Zeile bei den
zweiten partiellen Ableitungen das Argument (x0 , y0 ) weggelassen. Sie werden
es aber bitte nicht vergessen.
Diese N
aherung werden wir sp
ater bei der Herleitung der Dierenzenverfahren
f
ur partielle Dierentialgleichungen benutzen.
Wir betrachten noch den Sonderfall r = 0. Hier erinnern wir zuerst an den
zentralen Satz der Analysis im R1 , den Mittelwertsatz.
Korollar 5.1 (Mittelwertsatz im R1 )
Sei f : R R eine Funktion, die im Intervall [a, b] stetig und im Intervall (a, b)
dierenzierbar ist. Dann gibt es eine Zahl (a, b) mit
f (b) f (a)
= f ().
ba
(5.28)
Dieser Satz l
asst sich sehr leicht veranschaulichen. Betrachten Sie dazu folgende
Skizze.
Die linke Seite in Gleichung (5.28) ist ein Dierenzenquotient. Die Gerade durch
die beiden Punkte (a, f (a)) und (b, f (b)) hat genau diese Steigung. Dann gibt
es einen Punkt , wo die Tangente dieselbe Steigung hat. Sieht man, oder?
5.6 Wichtige S
atze der Analysis
101
6f (x)
Abb. 5.4 Veranschaulichung zum Mittelwertsatz im R1
Um diesen Satz jetzt hierhin zu transferieren, m

ussen wir die Bezeichnungen ein
klein wenig
andern. Statt a schreiben wir x0 , statt b schreiben wir x und statt
schreiben wir x0 + (x x0 ). Diese letzte Zahl liegt im Intervall (x0 , x), wenn
0 < < 1 ist. Einfach mal hinmalen. Dann l
osen wir die Gleichung (5.28) etwas
anders auf:
f (x) = f (x0 ) + (x x0 ) f (x0 + (x x0 ))
Jetzt schreiben wir den Taylorsatz f
ur r = 0 auf:
Korollar 5.2 (Mittelwertsatz)
Die Funktion f (x, y), deniert in D R2 , sei in D einmal stetig dierenzierbar.
Dann gilt f
ur alle (x, y) D
f (x, y) = f (x0 , y0 ) + (x x0 ) fx (x0 + (x x0 ), y0 + (y y0 ))

+(y y0 ) fy (x0 + (x x0 ), y0 + (y y0 )).
(5.29)
Ich hoe, Sie sehen die Parallelit

at zum R1 . An der Tafel w
urde ich beide S
atze
nebeneinander schreiben und mit den H
anden auf die vergleichbaren Stellen
deuten. Niemand hindert Sie, das jetzt auf einem Blatt Papier ebenfalls zu
machen.
Der folgende Satz hat ebenfalls einen direkten Verwandten im R1 . Daher sei er
nur zitiert.
Korollar 5.3
Ist f (x, y) in D R2 stetig dierenzierbar und gilt f
ur alle (x, y) D
fx (x, y) = fy (x, y) = 0, also
dann ist f (x, y) eine konstante Funktion.
gradf (x, y) = (0, 0),
102

Ubung
11
1. Gegeben sei die Funktion
f (x, y) := ex2 y
und es sei x = sin t, y = t3 . Durch Einsetzen entsteht die Funktion F (t).
dF (t)
auf zweierlei Art.
Berechnen Sie
dt
2. Berechnen Sie das Taylorpolynom 2. Grades (vgl. Formel (5.27), Seite 100)
f
ur die Funktionen
a)
f (x, y) := cos(x y) + x ey1
an der Stelle (x0 , y0 ) = (, 1),
b)
f (x, y) := cos x sin y
an der Stelle (x0 , y0 ) = (0, 0).
Ausf
uhrliche L
6 Kurvenintegrale
Ubersicht
6.1
6.2
6.3
6.4
Kurvenst
ucke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenhauptsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
104
105
113
119
Aus der Schule kennen wir gew

ohnliche Integrale. Dort haben wir gelernt, wie
vorteilhaft wir sie einsetzen k
onnen, wenn wir Fl
acheninhalte von krummlinig
begrenzten Fl
achen bestimmen wollen. Dabei war es aber wichtig, dass wir die
zu betrachtende Fl
ache als Graph einer Funktion f : [a, b] R vorliegen hatten.
Zugrunde lag also ein Intervall [a, b] der x-Achse, u
ber der wir die Funktion f
gegeben hatten.
Abb. 6.1 Integral u

ache des Graphen
ber eine Kurve, also Berechnung der Fl
In diesem Kapitel wollen wir eine wesentliche Verallgemeinerung betrachten.

Die Grundkurve sei nun nicht mehr ein Teil der geraden x-Achse, sondern sei
eine beliebige Kurve in der Ebene oder gar im Raum. Darauf sei eine Funktion

104
6 Kurvenintegrale
gegeben. Und wir wollen uns u

berlegen, wie wir die u
ber dieser krummen Kurve
liegende Fl
ache berechnen k
onnen.
6.1
Kurvenst
ucke
Zun
achst wollen wir uns einigen, was wir unter einem glatten Kurvenst
uck verstehen wollen.
Denition 6.1 (Kurvenst
uck)
Ein ebenes Kurvenst
uck, gegeben durch
x = (t), y = (t),
t 0 t t1 ,
(6.1)
heit glatt, wenn

1. verschiedene t-Werte verschiedene Punkte der Kurve ergeben und
2. wenn die Ableitungen von (t) und (t) stetig sind und
3. wenn
t [t0 , t1 ]
2 (t) + 2 (t) > 0
ist.
Der Punkt (x0 , y0 ) = ((t0 ), (t0 )) heit Anfangspunkt.
Der Punkt (x1 , y1 ) = ((t1 ), (t1 )) heit Endpunkt.
Die Kurve heit st
uckweise glatt, wenn sie sich in endlich viele glatte Kurvenst
ucke zerlegen l
asst.
Bemerkung 6.1
Alles u
agt sich analog auf Raumkurven
bertr
x = (t), y = (t), z = (t),
t0 t t1 ,
Halt, das sieht nur so aus, als ob es schwer sei, in echt ist es ganz einfach zu
verstehen.
Gleichung (6.1) nennen wir eine Parameterdarstellung einer Kurve; dabei heit
t der Parameter.
1. bedeutet, dass sich die Kurve nicht u
berschneidet, es gibt also keine Kreuzungspunkte. Wenn solch eine Kurve mit Kreuzungspunkt vor uns l
age, w
ussten
wir ja nicht, ob wir geradeaus u
ber die Kreuzung laufen oder nach rechts oder
links abbiegen sollen. Liegt doch mal so ein Weg vor uns, so werden wir ihn
einfach in zwei Teilwege aufspalten, die dann kreuzungsfrei sind.
2. sichert uns, dass die Kurve keine Knicke hat. Genau hier steckt der Begri
glatt.
6.2 Kurvenintegral 1. Art
105
Mit 3. legen wir fest, dass der Tangentenvektor immer h

ubsch positiv ist; denn
dort steht ja gerade das Quadrat seiner L
ange. Sollte er doch mal verschwinden,
so bleibt als Abhilfe wieder die Zerlegung in mehrere Kurvenb
ogen. Das ist also
auch keine wirkliche Einschr
ankung f
ur uns als Anwender.
Beispiele bekommen wir noch zu Hauf. Gleich im n
achsten Abschnitt werden
wir Kurvenintegrale handfest berechnen. Das geht immer nur mit solchen Parameterdarstellungen. Die haben wir also bald im Blut.
6.2
Kurvenintegral 1. Art
Bei Kurvenintegralen unterscheiden wir zwischen 1. und 2. Art. Die Typen 1.

Art lassen sich prima veranschaulichen. F
ur die 2. Art werden wir auf die Physik
zur
uckgreifen.
Denition 6.2 (Kurvenintegral 1. Art)
Sei f : R2 R und
:= {((t), (t)) R2 : a t b}
ein Kurvenst
uck. Dann heit
f (x, y) ds :=
f ((t), (t)) |( (t), (t))| dt
Kurvenintegral 1. Art von f (x, y) u

ber .
ds := |( (t), (t))| dt
heit skalares Bogenelement. Dabei muss a < b sein.
(6.2)
106
6 Kurvenintegrale
Was haben wir da erkl

art? Ein merkw
urdiges Gebilde, dieses Integral u
ber einer
Kurve , m
ochte man meinen. Aber schauen wir uns folgende Skizze an.
z
6
L
armschutzwand
i
Kurve
x
Abb. 6.2 In der x-y-Ebene haben wir einen Weg skizziert, an dessen Rand, also der
Kurve , ein L
armschutzzaun aufgebaut ist. Das Kurvenintegral 1. Art fragt nach dem
Fl
acheninhalt dieses Zaunes.
In Verallgemeinerung des gew

ohnlichen Integrals fragen wir also hier nach dem
Fl
acheninhalt u
ber einer krummen Kurve . Wenn die Funktion negative Werte
ausspuckt, so verschwindet halt der Zaun unter der Erde, was die Analogie etwas
tr
ubt.
Die Berechnungsvorschrift in (6.2) zeigt uns den Trick: Wir haben das komplizierte Kurvenintegral zur
uckgef
uhrt auf die Berechnung eines gew
ohnlichen
Integrals. Das kennen wir ja schon lange.
ange der Tangente im jeweiligen
Der Anteil |( (t), (t))| ist im Prinzip die L
Punkt. Als L
ange ist hier die euklidische L
ange des Vektors ( (t), (t)) gemeint, also die Wurzel aus den Quadraten der Komponenten, also
|( (t), (t))| =
2 (t) + 2 (t).
Das sieht alles kompliziert aus. Wie einfach es wirklich ist, zeigen wir jetzt am
Beispiel.
107
Beispiel 6.1
Gegeben sei der Dreiecksweg

vom Nullpunkt (0, 0) zum Punkt
A = (1, 0), dann weiter zum
Punkt B = (0, 1) und wieder
zur
uck zum Nullpunkt (0, 0), den
wir rechts in der Skizze angedeutet haben, und auf diesem die
Funktion f (x, y) = x2 + y2 .
Wir wollen das Kurvenintegral
f (x, y)
B = (0, 1)
(0, 0)
x /
A = (1, 0)
f (x, y) ds
u
ber diesem Dreiecksweg berechnen.
Abb. 6.3
Ein Dreiecksweg
Wir zerlegen den Weg in drei Teilwege:

() Weg von (0, 0) nach A = (1, 0).
() Weg von B = (0, 1) nach (0, 0).
() Weg von A = (1, 0) nach B = (0, 1).
zu () Der Weg (0, 0) nach A = (1, 0) ist Teil der x-Achse, dort ist also y = 0.
Wir m
ussen also berechnen:
!
x2 ds.
(0,0)A
Wir w
ahlen hier als Parameter t = x, also folgt dt = dx und 0 t 1.
Damit erhalten wir:
x2 ds =
(0,0)A
t2 dt =
1
.
3
F
ur diese Berechnung haben wir unser Schulwissen ausgenutzt. Das war doch
schon sehr einfach.
zu () Hier betrachten wir den Weg von B nach (0, 0). Dieser ist Teilweg der
y-Achse, also ist hier x = (t) = 0. Den Weg wollen wir vom Punkt B zum
Nullpunkt hin durchlaufen, also die y-Achse r
uckw
arts. Daher w
ahlen wir als
Parameter t = y 1, erhalten also
y = (t) = 1 t.
Daraus ergibt sich
108
6 Kurvenintegrale
t = 0 = y = 1,
t = 1 = y = 0.
Das setzen wir in das Integral ein und erhalten
y 2 ds =
B(0,0)
=
0
=
0
(1 t)2 |(0, 1)| dt

(1 t)2

02 + (1)2 dt
"
#1
t3
2t2
+
(1 2t + t2 ) dt = t
2
3 0
1
= .
3
Auch hier bitte nicht erschrecken lassen durch die simple Schulrechnung.
zu () Jetzt zum Weg von A nach B. Als Parameter w
ahlen wir hier
y = (t) = t,
x = (t) = 1 t, 0 t 1.
Dann erhalten wir

t = 0 = (1, 0) = A,
t = 1 = (0, 1) = B,
wir laufen also richtig.

Dann folgt, jetzt wieder einsetzen und rechnen, wie in der Schule gelernt,
f (x, y) ds =
AB
$
%
(1 t)2 + t2
2 dt
"
#1
2t3
2t2
+
(1 2t + 2t ) 2 dt = 2 t
=
2
3 0
0
"
#
2
2
= 2 11+
=
2.
3
3
!
Damit ist dann insgesamt
!
f (x, y) ds =
f (x, y) ds +
(0,0)A
1
2
4+9
1
2+ =
+
=
3
3
3
6
So weit das Beispiel.
f (x, y) ds +
B(0,0)
= 2.787987.
f (x, y) ds
AB
109
Wir leisten uns jetzt mal den Spa, das Integral in () durch Umkehrung des
Weges zu berechnen. Wir wollen also von (0, 0) B laufen. Kommt da dasselbe
heraus?
Wir m
ussen mit dem Parameter spielen. Wir w
ahlen jetzt x = (t) = 0, y =
(t) = t, 0 t 1. F
ur t = 0 geht es also von (0, 0) los bis t = 1, also zum
Punkt (0, 1) = B. Dann erhalten wir
f (x, y) ds =
0
(0,0)B
t |(0, 1)| dt =
1
0
&1
t3 &&
1
t dt = & = .
3 0
3
2
Wir erhalten also dasselbe. Das riecht nach Methode. Tats

achlich k
onnen wir
beweisen:
Satz 6.1
Das Kurvenintegral 1. Art h
angt nicht vom Durchlaufungssinn der Kurve ab:
!
f (x, y) ds =
AB
f (x, y) ds.
(6.3)
BA
Sonderfall
Ist die ebene Kurve (also im R2 ) gegeben als Graph einer Funktion, also in der
Darstellung
y = y(x),
a x b,
so gilt
f (x, y) ds =
f (x, y(x))
1 + y 2 (x) dx.
(6.4)
Wiederum muss dabei a < b sein. Diese Formel ndet man in vielen B
uchern.
Wir wollen schnell an einem Beispiel u
ben, wie man damit umgeht. Gleichzeitig
verlieren wir dabei die Angst vor der Parametrisierung.
Beispiel 6.2
Wir berechnen
!
x y ds,
wenn der Viertelkreisbogen, Radius r = 2 im 1. Quartal ist.

Zuerst wenden wir die u
bliche Formel an.
Den Kreis vom Radius 2 parametrisieren wir durch
x = (t) = 2 cos(t),
y = (t) = 2 sin(t), 0 t
.
2
110
6 Kurvenintegrale
Dann haben wir

(t) = 2 sin(t), (t) = 2 cos(t),
also
|( (t), (t))| =
(2 sin(t))2 + (2 cos t)2 = 2.
Damit folgt
/2
x cot y ds =
0
2 cos t) 2 sin t 2 dt
/2
= 8
0
&/2
&
1
2 &
sin t cos t dt = 8 sin t&
= 4.
2
0
Jetzt w
ahlen wir zur Berechnung die gerade im Sonderfall vorgestellte Idee. Wir
erkennen n
amlich, dass sich der Viertelkreis mit Radius 2 darstellen l
asst als
x2 + y 2 = 4
also
y=

4 x2 .
Der Graph dieser Funktion ist der Viertelkreis, wissen wir doch, oder?
Jetzt rechnen wir ein wenig.
y (x) =
2x
x
=
,
4 x2
4 x2
0 x 2.
Dann folgt mit obiger Formel (6.4):
x y ds =
x
0

'
4
x2
1+
'
x2
dx
4 x2
4 x2 + x2
dx
4 x2
0
! 2
4
x 4 x2
dx
=
4
x2
0
&2
! 2
2 x2 &&
=
2 x dx =
= 4,
2 &
4 x2
und das ist doch wunderbar u

bereinstimmend mit obigem Ergebnis, wenn wir
noch mal einen Blick zur
uck riskieren.
Kurvenl
ange
Wenn wir bei einem gew
ohnlichen Integral als Integranden die Funktion f (x) =
1 verwenden, so erhalten wir ja
111
1 dx = b a,
also die L
ange des Integrationsintervalls. Genau dasselbe geschieht jetzt hier
beim Kurvenintegral 1. Art mit dem kleinen, aber feinen Unterschied, dass wir
die L
ange der Kurve erhalten. Das ist doch prima.
Satz 6.2
W
ahlen wir im Kurvenintegral 1. Art u
ber der Kurve als Funktion f (x, y) = 1,
so ergibt sich die L
ange der Kurve .
Dazu ein Beispiel.
Beispiel 6.3
y
6
Wir berechnen die L

ange L des
Parabelbogens
2
y=x ,
1 x 1.
Abb. 6.4
Parabelbogen
Locker erkennen wir, dass dieser Bogen voll symmetrisch zur y-Achse ist. Also
werden wir uns doch klug anstellen und nur die L
ange des halben Bogens
, wie
eingezeichnet, berechnen und das Ergebnis verdoppeln. Das f
uhrt zu
!
1 ds = 2
!
1 ds = 2
1 + (2x)2 dx
! 1
! 1'
1
+ x2 dx
1 + 4x2 dx = 2 2
= 2
4
0
0
( '
)1
1
1
1
= 4 x
+ x2 + arsh 2x
2
4
4
0
('
)
arsh 2
arsh 2
5
+
2.96.
= 2
= 5+
4
4
2
L =
Das ist doch eine h

ubsche Formel, mit der wir leicht und einfach L
angen von
irgendwelchen Kurven ausrechnen k
onnen. Erschrecken Sie bitte in obiger Berechnung nicht u
ber den Areasinus hyperbolicus arsh. So eine Stammfunktion
kennt niemand auswendig, daf
ur gibt es gute Formelsammlungen.
112
6 Kurvenintegrale
Ubung
12
1. Sei k der obere Halbkreis mit dem Radius r um (0, 0), und sei f (x, y) := y.
Berechnen Sie
!
f (x, y) ds.
k
2. Berechnen Sie das Kurvenintegral
y ex ds,
wenn k der Bogen der Kurve

x = (t) := ln(1 + t2 ),
y = (t) := 2 arctan t t + 3
zwischen t = 0 und t = 1 ist.

3. Berechnen Sie das Kurvenintegral
! '
k
b 2 x2
a2 y 2
+ 2 ds,
2
b
a
wenn k die Ellipse ist mit der Gleichung

x2
y2
+
= 1.
a2
b2
4. Berechnen Sie den Umfang U des Kreises um (0, 0) mit dem Radius r > 0,
indem Sie das Kurvenintegral
!
1 ds
4
k
betrachten, wenn k der Viertelkreisbogen mit Radius r > 0 ist.
Ausf
uhrliche L
6.3
113
Kurvenintegrale 2. Art sind nicht so leicht zu veranschaulichen wie die

L
armschutzwand einer Autobahn f
ur ein Kurvenintegral 1. Art. Wir werden
sp
ater durch R
uckgri auf die Physik aber eine gute Veranschaulichung angeben. Hier erst mal die Denition.
Denition 6.3
Eine Funktion
f : Rn R
f : Rn Rm
heit skalare Funktion oder Skalarfeld,

heit vektorwertige Funktion oder Vektorfeld.
Wir schreiben dann auch f ( x) = f (x, y) = (f1 (x, y), f2 (x, y)), k
urzen also noch
ab x = (x, y).
Kurz ein Beispiel: Die Funktion f (x, y) = x2 + y2 ist ein Skalarfeld f : R2 R.

Die Funktion f (x, y) = (x2 + y3 , |x|) ist ein Vektorfeld f : R2 R2 .

Hier ist dann f1 (x, y) = x2 + y2 und f2 (x, y) = |x|.
Denition 6.4
Ist f ( x) ein Vektorfeld und
= { x(t), a t b}
ein Kurvenst
uck, so heit
!
f ( x) d
x :=
f ( x(t)) x dt
(6.5)
mit
x(t) := (x(t), y(t)) = ((t), (t))
und
x (t) := (x(t),
y(t))
= ( (t), (t))
Kurvenintegral 2. Art.
Im Gegensatz zum Kurvenintegral 1. Art steckt hier also ein Vektorfeld im
Integral. Dieses wird multipliziert mit dem Tangentenvektor
x (t). Aber Achtung,
das ist ein inneres Produkt. Schlielich stehen ja hier zwei Vektoren. Bei der
1. Art hatten wir mit dem Betrag dieses Vektors, also mit einer reellen Zahl
multipliziert. Hier also inneres Produkt. Das hat interessante Auswirkungen.
Zeigen wir zun
achst ein paar Rechenregeln:
114
6 Kurvenintegrale

1.
!
!
c f ( x) d
x=c
2.
(6.6)
!
!
!

f ( x) + g ( x) d
f ( x) d
x + g (
x=
x) d
x
3.
f (
x) d
x
(6.7)
!
f ( x) d
x=
f (
x) d
x
(6.8)
Die 3. Aussage im obigen Satz wird ziemlich einsichtig, wenn wir sp

ater das
Kurvenintegral 2. Art als Arbeitsintegral interpretieren. Wenn wir einen Koer
drei Stockwerke hinauf geschat haben, ergibt sich beim Heruntertragen genau
die umgekehrte Arbeit, bis auf Reibungsverluste mit unseren Schuhen oder in
unseren Gelenken. So erkl
art sich das negative Vorzeichen.
Damit uns diese Integrale nicht zu unheimlich werden, schnell ein Beispiel. Dann
sehen wir auch, wie die ganze Rechnung auf die Berechnung von gew
ohnlichen
Integralen zur
uckl
auft.
Beispiel 6.4
Wir berechnen
!
f (x, y) d
x
f
ur f (x, y) := (x, x y), d
x = (dx, dy)
und drei verschiedene Wege
6
(0,1)
(1,1)
: direkte Strecke von (0, 0) nach

(1, 1),
2 Parabelbogen von (0, 0) nach
(1, 1),
3 Strecke auf der x-Achse von (0, 0)
nach (1, 0), dann Parallele zur yAchse von (1, 0) nach (1, 1).
3
2
(0,0) 3
Abb. 6.5
(1,0)
Drei Wege zum Ziel
Weg 1 : Wir gehen auf der Diagonalen. Zu jedem Schritt in x-Richtung f

ugen
wir gleich einen Schritt in y-Richtung hinzu. Daher liegt folgende Parametrisierung nahe:
x = (t) = t,
115
y = (t) = t,
(t) = (t) = 1, 0 t 1.
Dann ist
f ( x(t)) = ((t), (t) (t)) = (t, t2 )
und
x (t) = ( (t), (t) = (1, 1).
Damit folgt
!
f ( x(t) d
x =
1
0
1
(t, t2 ) (1, 1) dt
(t + t2 ) dt =
"
t3
t2
+
2
3
#1
=
0
1
5
1
+ = .
2 3
6
Weg 2 : F
ur die Parabel w
ahlen wir die Parametrisierung:
x = (t) = t,
y = (t) = t2 ,
(t) = 1, (t) = 2t,
0 t 1.
Damit folgt
!
f ( x(t) d
x =
1
0
1
(t, t3 ) (1, 2t) dt

(t + 2t4 ) dt =
"
2t5
t2
+
2
5
#1
=
0
2
9
1
+ =
.
2
5
10
Ups, das ist ja ein anderes Ergebnis als oben? Haben wir uns verrechnet?
Passiert ja leicht bei diesen Integralen. Aber seien Sie beruhigt, alles ist genau
so richtig. Wir lernen: Anderer Weg, anderes Ergebnis!
Weg 3 : Wir probieren es noch ein drittes Mal, wieder auf einem anderen Weg.
Diesen Weg teilen wir in zwei Teilwege: 3 = 31 + 32 . Dabei ist 31 der
Weg auf der x-Achse von (0,0) nach (1,0) und 32 der anschlieende Weg
auf der Parallelen zur y-Achse, also von (1,0) nach (1,1). F
ur beide Wege
m
ussen wir das Integral sch
on nacheinander ausrechnen, also
!
=
3
Weg 31 :
!
+
31
.
32
Hier f
allt uns die Parametrisierung in den Scho. Wir setzen
x = (t) = t, y = (t) = 0.
116
6 Kurvenintegrale
Dann ist
f (x(t), y(t))(t, t 0) = (t, 0),
0 t 1,
und
( (t), (t)) = (1, 0).
Das ergibt
!
f ( x(t)) d
x =
31
(t, 0) (0, 1) dt
t dt =
=
0
&1
t2 &&
1
= .
2 &0
2
Das ging ja puppig leicht, also schnell noch den zweiten Teilweg:
Weg 32 : Auch hier ist die Parametrisierung sofort zu sehen. Wir setzen
x = (t) = 1, y = (t) = t.
Dann ist
f (x(t), y(t)) = (1, t),
( (t), (t)) = (0, 1),
0 t 1.
Das ergibt
!
f ( x(t)) d
x =
32
1
0
1
=
0
(1, t) (0, 1) dt
&1
t2 &&
1
t dt = & =
2 0
2
Als Gesamtwert f
ur den dritten Weg 3 erhalten wir also
1
1
f ( x(t)) d
x = + = 1.
2
2
3
Wir lernen an diesem Beispiel, dass ein solches Kurvenintegral 2. Art nicht
unabh
angig vom Weg ist, u
ber den wir integrieren. Das erstaunt uns vielleicht,
aber jetzt komme ich mit der Physik.
In der Physik wei man, dass Arbeit gleich Kraft mal Weg ist, eine 3.000,- Euro
Frage in einem Fernsehquizz, und die Kandidaten patzten. Ich nde, sie gingen
zurecht mit 0 Euro nach Hause. Das sollte wirklich zum Allgemeingut geh
oren
so wie H
anschen klein.
117
Die Kraft h
angt nat
urlich vom jeweiligen Ort ab und auch von der Richtung, in
die sie ausge
ubt wird. Sie ist also ein Vektor. Der Ort, an dem die Kraft ausge
ubt
wird, liegt irgendwo in der Welt, also hat er drei Koordinaten, ist also auch ein
Vektor. Das Produkt dieser beiden Vektoren nden wir im Integral 2. Art, hier
allerdings auf sehr kleine Wege, richtiger innitesimale Wege d
x beschr
ankt,
u
ber die dann anschlieend aufsummiert wird. Wie das halt so beim Integral
gemacht wird.
Dieses Kurvenintegral 2. Art berechnet also schlicht die Arbeit, die man bei
bestimmter Kraft f (x, y) leisten muss, um den Weg zur
uckzulegen. Nat
urlich
h
angt das vom Weg ab, werden Sie mir zugeben. Gehe ich einen sehr langen Weg,
muss ich mehr arbeiten. So zeigt es ja auch unser Beispiel 6.4 oben. Aber halt,
nicht so schnell. Tats
achlich ist manchmal das Kurvenintegral 2. Art vom Wege
unabh
angig. Im n
achsten Abschnitt werden wir ein recht einfach handhabbares
Kriterium daf
ur angeben, wann das passiert.
118
6 Kurvenintegrale
Ubung
13
1. Gegeben sei das folgende Vektorfeld
v ( x) := (x y, x2 , x z).
Berechnen Sie das Kurvenintegral
!
v ( x) d
x
k
vom Nullpunkt zum Punkt (1, 2, 4), wobei

(a) k die gerade Verbindung beider Punkte ist,
(b) k die Kurve gegeben durch die folgende Parametrisierung ist:
x = t2 , y = 2t3 , z = 4t.
(c)Vergleichen Sie das Ergebnis von (a) und (b), und begr
unden Sie es.
2. Berechnen Sie das Integral
! "
k
#
x
y
dx
+
dy
,
x2 + y 2
x2 + y 2
wobei k eine Kurve im Kreis K : (x 2)2 + y 2 1 ist, die den Punkt (1, 0)
mit einem beliebigen Punkt (x, y) in K verbindet.
3. Gegeben sei das Vektorfeld
f (x, y, z) := (x + y z, y + x z, z + x y).
Berechnen Sie das Kurvenintegral
!
f (x, y, z) d
x,
k
wenn
(a) k die Strecke von (0, 0, 0) nach (1, 1, 1) ist,
(b) k die Kurve mit der Parametrisierung x = t, y = t2 , z = t3 mit 0 t
1 ist,
(c) k die drei Strecken von (0, 0, 0) nach (1, 0, 0), dann von (1, 0, 0) nach
(1, 1, 0) und abschlieend von (1, 1, 0) nach (1, 1, 1) durchl
auft.
Ausf
uhrliche L
6.4 Kurvenhauptsatz
6.4
119
Kurvenhauptsatz
Immer ist es ein Bestreben der Mathematik, solch st

orende Eigenschaften wie
die Wegabh
angigkeit eines Integrals genau zu durchschauen und ein Kriterium
zu nden, das uns diese Eigenschaft im Vorhinein erkennen l
asst. Das ist ja
eigentlich ziemlich verwegen. Wie sollen wir das dem Integral ansehen, ohne es
auszurechnen? Aber tats
achlich, wir sind dazu in der Lage. Dazu m
ussen wir
einen neuen Begri einf
uhren, der aber ziemlich leicht zu handhaben ist.
Denition 6.5
Gegeben sei ein dierenzierbares Vektorfeld

f ( x) = f1 (x, y, z), f2 (x, y, z), f3 (x, y, z) .
(6.9)
Unter der Rotation dieses Feldes, in Zeichen rot f (

x), verstehen wir den Vektor

rot f ( x) :=
f3 ( x) f2 (
f1 (
f3 ( x) f2 ( x) f1 ( x)
x)
x)
y
z
z
x
x
y

. (6.10)
Die Formel sieht im ersten Moment ziemlich un

ubersichtlich aus. Sie hat aber eine starke innere Gesetzm
aigkeit, die wir sofort erkennen, wenn wir statt (x, y, z)
die Variablen (x1 , x2 , x3 ) verwenden:

rot f ( x) :=
f2 ( x) f1 ( x)
f3 (
f1 (
f3 ( x)
x) f2 (
x)
x)
x2
x3
x3
x1
x1
x2

(6.11)
Bitte nur genau hinschauen. In jeder Komponente sind die Z

ahlerindizes und die
Nennerindizes miteinander gekoppelt. Nehmen Sie die Zahlen 1,2,3 und tauschen
Sie diese zyklisch durch, also
1 2 3 1 2 ...
und vergleichen Sie mit der Formel (6.11). Sie m
ussen sich also nur den Anfang
merken, dann geht es automatisch weiter. Das ist zwar nicht gar so ein Br
uller,
aber zumindest hilft es uns, dass wir einen Fehler vermeiden k
onnen. Manche
erinnern sich vielleicht noch an das Kreuzprodukt zweier Vektoren des R3 . Nur
f
ur diese Dimension ist es erkl
art. Es lautete:

Sei a = (a1 , a2 , a3 ) und sei b = (b1 , b2 , b3 ). Dann ist
a b := (a2 b3 a3 b2 , a3 b1 a1 b3 , a1 b2 a2 b1 ).
Schauen Sie sich auch hier die Indizes an, und Sie sehen die Analogie.
120
6 Kurvenintegrale
Beispiel 6.5
Wir berechnen die Rotation des Vektorfeldes

f ( x) := x2 y, 2 x z, 2 y z .
Einfaches Ausrechnen, bei dem man aber unbedingt auf die Indizes achten muss,
ergibt

2z (2x), 0 0, 2x x2

= 2z + 2x, 0, 2x x2 .
rot f ( x) =
Hier folgen einfache Rechenregeln, die uns sagen, dass der Operator rot ein
linearer Operator ist. Da es sich ja um das Dierenzieren handelt, kann man
das auch erwarten.
Satz 6.4
Es gilt f
ur alle dierenzierbaren Vektorfelder f , g und alle reellen Zahlen R

rot f ( x) + g ( x) = rot f ( x) + rot g (
x)

rot f ( x) = rot f (
x)
(6.12)
(6.13)
Mit dem Begri Rotation verbinden wir eine spezielle Vorstellung. Da dreht
sich etwas. Richtig, und genau das zeigen wir jetzt f

ur den Operator rot, womit
dieser dann sehr anschaulich wird.
Zur Erkl
arung des Namens Rotation betrachten wir das Vektorfeld
v ( r) :=
r,
wobei
ein konstanter Vektor und r der Radiusvektor vom Nullpunkt zum
Punkt (x, y, 0) in der Ebene sei. Denken Sie wieder an die vor sich liegende
Tischebene. Irgendwo ist der Nullpunkt. Von dort geht der Vektor r zu einem
Punkt (x, y, 0), bitte lassen Sie ihn rechts vom Nullpunkt liegen. Sonst m
ussen
Sie gleich Ihre Hand furchtbar verdrehen. Wir lassen den Vektor
nach oben
in Richtung der z-Achse zeigen. Um das Vektorfeld v ( r) zu sehen, erinnern wir
uns an das Kreuzprodukt und die Rechte-Hand-Regel. Der erste Vektor ist der
Daumen der rechten Hand, der zweite Vektor ist der Zeigenger. Wir halten
also den Daumen nach oben und den Zeigenger nach rechts. Dann zeigt der
senkrecht zu Daumen und Zeigenger ausgestreckte Mittelnger in Richtung des
Kreuzproduktvektors, also in Richtung von v ( r). In unserem Tischbeispiel zeigt
er vom K
orper weg, bleibt aber in der Tischebene. Das gilt f
ur jeden Punkt der
Tischebene. In jedem Punkt entsteht der Kreuzproduktvektor, der senkrecht
zum Radiusvektor r steht. Deutet man ihn als Bewegungsvektor, so sieht man,
dass sich die Tischebene dreht, von oben gesehen gegen den Uhrzeiger.
6.4 Kurvenhauptsatz
121
Wir zeigen jetzt, dass die Rotation dieses Vektorfeldes, also der Vektor rot v ( r)
gleich 2
ist. Der Vektor
aus unserem Vektorfeld ist also der Drehachsenvektor und (bis auf den Fakor 2) der rot-Vektor:
F
ur das Vektorfeld erhalten wir mit r = (x, y, z) und
= (1 , 2 , 3 ) aus dem
Kreuzprodukt
v ( r) =
r = (2 z 3 y, 3 x 1 z, 1 y 2 x).
Dann folgt
(1 y 2 x)
(2 x 1 z)
,
y
z
(1 y 2 x)
(2 z 3 y)
,
z
y

(2 z 3 y)
(3 x 1 z)
x
y

= 1 (1 ), 2 (2 ), 3 (3 )
rot v ( r) =
= 2 (1 , 2 , 3 ) = 2
.
Wie wir es angek
undigt haben, ist die Rotation rot v ( r) bis auf den Faktor 2 der
Drehvektor des Vektorfeldes. So k
onnen wir uns den Namen Rotation erkl
aren.
Schauen Sie sich folgendes Bild an, wo wir versucht haben, diese Drehung anschaulich darzustellen.
z
y
v (r) =
r

r
x
Abb. 6.6
Die Rotation des Vektorfeldes v =

r
Diese Rotation, recht einfach nachzurechnen, hilft uns nun bei der Beantwortung
der Frage nach der Wegabh
angigkeit eines Kurvenintegrals 2. Art. Allerdings
m
ussen wir eine kleine Vorsichtsmanahme einbauen. Diese Einschr
ankung an
die beteiligten Gebiete ist sehr anschaulich.
122
6 Kurvenintegrale
Denition 6.6 (Einfacher Zusammenhang)

Ein Gebiet G R2 heit einfach zusammenh
angend, wenn sich jeder geschlossene Weg in G auf einen Punkt zusammenziehen l
asst, ohne das Gebiet zu verlassen.
Stellen Sie sich also ein Gebiet vor, in das Sie ein Gummiband als geschlossenen Ring hineinlegen. Kann man dieses Band auf einen Punkt zusammenziehen, ohne dass das Band das Gebiet verl
asst, so ist das Gebiet einfach zusammenh
angend. Doch sehr anschaulich, oder? Wir zeigen im untenstehenden Bild
einige Gebiete, die einfach zusammenh
angen oder es nicht tun.

&

%
Abb. 6.7 Drei Bilder, links der Kreis ist einfach zusammenh
angend, in der Mitte das
Gebiet ebenfalls, rechts das Gebiet mit zwei Augen ist es nicht.
Ein typisch extremes Beispiel ist ein Kreis, dem nur der Mittelpunkt fehlt. Der
ist ebenfalls nicht einfach zusammenh
angend.
Im R3 muss man sehr aufpassen. Eine Kugel mit einem fehlenden Mittelpunkt
oder eine Hohlkugel sind einfach zusammenh
angende Gebiete. Nehmen Sie Ihr
Gummiband, das klappt.
Satz 6.5 (Kurvenhauptsatz)
Sei G ein Gebiet und f ein stetiges Vektorfeld in G. Dann sind folgende Aussagen
aquivalent:
1. f besitzt ein Potential, d.h. es gibt eine Skalarfunktion g mit
f (x, y) = grad g(x, y).
(6.14)
2. Das Kurvenintegral von f in G ist unabh

angig vom Weg.

3. Das Kurvenintegral von f in G u
ber jeden in G verlaufenden geschlossenen
Weg verschwindet.
Ist G dar
uber hinaus einfach zusammenh
angend und f ein stetig dierenzierbares Vektorfeld, so ist zus
atzlich
aquivalent:
4.
rot f = 0.
(6.15)
6.4 Kurvenhauptsatz
123
Diese letzte Bedingung reduziert sich, falls f ein Vektorfeld im R2 ist, auf
f1
f2
=
.
y
x
(6.16)
Beispiel 6.6
Wir berechnen das Integral
!
(xy, y x) d
x,
wobei das St
uck der Parabel y = x2 mit Anfangspunkt (0, 0) und Endpunkt
(1, 1) ist.
Dir Normalparabel kennen wir gut, m
ussen also kein Bildchen malen. Wir parametrisieren den Weg:
y = (t) = t2 , 0 t 1.
x = (t) = t,
Dann ist
( (t), (t)) = (1, 2t).

Damit folgt
!
(xy, y x) d
x =
=
0
!
=
"
=
(t3 , t2 t) (1, 2t) dt

(t3 + 2t3 2t2 ) dt
(3t3 2t2 ) dt
3 4 2 3
t t
4
3
#1
=
0
3
2
1
=
.
4 3
12
Haben Sie gesehen, wie wir gleich in der ersten Zeile rechts nur noch ein
gew
ohnliches Integral aus der 12. Klasse stehen hatten? Die Parametrisierung
hat uns sofort dahin gebracht.
Beispiel 6.7
Gegeben sei die Kraft
( x) := (y + z, x + z, x + y).
F
Wir berechnen die Arbeit, wenn ein Teilchen vom Nullpunkt (0, 0, 0) zum Punkt
(1, 1, 1) bewegt wird.
124
6 Kurvenintegrale
Sofort f
allt uns auf, dass in dieser Aufgabenstellung nichts u
ber den Weg gesagt
ist, den wir bitte zur
uck legen sollen. Ist das ein Fehler der Aufgabenstellung
oder ist es egal, auf welchem Weg wir die Arbeit verrichten? Um das zu pr
ufen,
w
ahlen wir zwei verschiedene Wege und rechnen mal.
1. Wir w
ahlen zun
achst die direkte Strecke vom Punkt (0, 0, 0) zum Punkt
(1, 1, 1) und nehmen die Parametrisierung
x = (t) = t, y = (t) = t, z = (t) = t, 0 t 1.
Dann folgt
( (t), (t), (t)) = (1, 1, 1).
Wir erhalten
!
( x) d
F
x =
1
0
(t + t, t + t, t + t) (1, 1, 1) dt
6t dt =
=
0
&
6 2 &1
t & = 3.
2 0
2. Als zweiten Weg gehen wir entlang der Kurve, die wir folgendermaen parametrisieren:
x = (t) = t, y = (t) = t2 , z = (t) = t3 , 0 t 1.
Dann folgt
( (t), (t), (t)) = (1, 2t, 3t2 ).
Wir erhalten
!
( x) d
F
x =
=
0
(t2 + t3 , t + t3 , t + t2 ) (1, 2t, 3t2 ) dt

(t2 + t3 + 2t2 + 2t4 + 3t3 + 3t4 ) dt
(3t2 + 4t3 + 5t4 ) dt

&
3 3 4 4 5 5 &1
t + t + t &
=
3
4
5
0
= 1+1+1=3
=
6.4 Kurvenhauptsatz
125
Aha, beide Male ergibt sich das Gleiche. Das sieht nach Methode aus. Wir
vermuten also, dass dieses Integral wegunabh
angig ist. Da unser Gebiet, n
amlich
der ganze R3 , kein Loch hat, ist es also einfach zusammenh
angend und wir
k
onnen das Kriterium mit der Rotation anwenden. Wir rechnen f
ur
( x) = (F1 (x, y, z), F2 (x, y, z), F3 (x, y, z) = (y + z, x + z, x + y)
F
die Rotation aus:
( x) = (1 1, 1 1, 1 1) = (0, 0, 0)
rot F
Also ist das Integral nach Teil 4. unseres Kurvenhauptsatzes 6.5 wegunabh
angig.
Beispiel 6.8
Dieses Beispiel sieht nach einem Gegenbeispiel zum Kurvenhauptsatz aus. Wir
geben ein rotationsfreies Vektorfeld und einen geschlossenen Weg an, auf dem
das Kurvenintegral nicht verschwindet.
Gegeben sei das Vektorfeld

x
y
,
,
z
v (x, y, z) =
x2 + y 2 x2 + y 2
und der Torus D, den man dadurch erh
alt, dass der Kreis (x 2)2 + z 2 1, y =
0 um die z-Achse rotiert. Wir zeigen, dass in D zwar
rot v = 0,
aber das Kurvenintegral
*
v d
x = 0
k
ist, wobei k der Kreis x2 + y2 = 4, z = 0 ist.

Berechnen wir zun
achst rot v :
rot v = det

=
e1
e2
y
x2 +y 2
x
x2 +y 2
0, 0,
x
x
x2 + y 2
e3
z
z
y
x2 + y 2
x2 + y2 2x2 + x2 + y 2 2y 2
= 0, 0,
(x2 + y 2 )2
= (0, 0, 0).

126
6 Kurvenintegrale
Zur Berechnung des Kurvenintegrals f

uhren wir Polarkoordinaten ein:
x = 2 cos , y = 2 sin ,
0 2.
Damit folgt:
dx = 2 sin d, dy = 2 cos d,
also
d
x = (2 sin d, 2 cos d).
Weil der Kreis k in der (x, y)-Ebene liegt, reduziert sich v zu:

v =

1
x
1
y
sin
,
cos
,
0
,
,
0
=
.
x2 + y 2 x2 + y 2
2
2
Dann folgt f
ur das Integral:

*
! 2
1
1
v d
x =
sin , cos (2 sin , 2 cos ) d
2
2
k
0
! 2
=
(sin2 + cos2 ) d
=
0
= 2.
Trotzdem ist das kein Gegenbeispiel zu unserem Satz, dass Kurvenintegrale
genau dann wegunabh
angig sind, Kurvenintegrale u
ber geschlossenen Wegen
also verschwinden, wenn das Vektorfeld rotationsfrei ist. Dieser Satz gilt n
amlich
nur in einfach zusammenh
angenden Gebieten. Das Vektorfeld v ist aber auf
der gesamten z-Achse nicht deniert. Wir m
ussen also ein Gebiet w
ahlen, das
keinen Punkt der z-Achse enth
alt. Der Torus erf
ullt dies, bildet aber kein einfach
zusammenh
angendes Gebiet. So ist also der oben zitierte Satz nicht anwendbar,
und die Aufgabe gibt ein sch
ones Beispiel daf
ur, dass auf die Voraussetzung des
einfachen Zusammenhangs nicht verzichtet werden kann.
6.4 Kurvenhauptsatz
127
Ubung
14
1. Bestimmen Sie f
ur das Vektorfeld
f (x, y, z) := (x y 2 , 2 x2 y z, 3 y z 2 )
die Rotation rot f (x, y, z).
2. Gegeben sei ein Skalarfeld f (x, y, z), das partielle Ableitungen mindestens
bis zur 2. Ordnung besitzt. Zeigen Sie, dass dann stets gilt
rot (grad f (x, y, z)) = 0.
3. Betrachten Sie einen Torus D, also einen Autoreifen, dessen Mittelebene in
der (x, y)-Ebene liegt und der sich um die z-Achse herumwindet. Der Kreis
x2 + y 2 = 4, z = 0 liege ganz im Innern des Torus. (Man erh
alt den Torus
z.B. dadurch, dass der Kreis (x 2)2 + z 2 1, y = 0 um die z-Achse rotiert.)
Gegeben sei in D das Vektorfeld

v (x, y, z) :=

x
y
,
,z .
x2 + y 2 x2 + y 2
a) Zeigen Sie, dass in D gilt:

rot ( v (x, y, z)) = 0.
b) Berechnen Sie
!
v (x, y, z) d
x,
k
wobei k der geschlossenen Kreis x2 + y2 = 4, z = 0 ist.
Ausf
uhrliche L
7 Doppelintegrale
Ubersicht
7.1
7.2
7.3
Berechnung des Doppelintegrals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

Transformation der Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
Rechenregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
Die jetzt zu beschreibenden Doppelintegrale sind die nat

urliche Verallgemeinerung des aus der Schule bekanten gew
ohnlichen Integrals. Wir erinnern uns mit
folgender Skizze:
f6(x)
Abb. 7.1 Integral als Fl

acheninhalt
Auf dem Intervall [a, b] R ist also die Funktion f : R R gegeben. Ihr
Graph schliet mit der x-Achse eine Fl
ache ein, wir haben sie gestrichelt. Das
Integral berechnet diese Fl
ache. Dabei sind Anteile oberhalb der x-Achse positiv,
unterhalb der x-Achse negativ zu werten.
7.1
Berechnung des Doppelintegrals
Dieses gew
ohnliche Integral u
bertragen wir nun in den R2 . Gegeben sei ein
2
Bereich B R , also ein Bereich der (x, y)-Ebene. Dort sei eine Funktion f :
B R gegeben.

130
7 Doppelintegrale
x
Abb. 7.2 Doppelintegral als Volumen des Zylinders u
ber B
Gesucht wird jetzt das Volumen des Zylinders u

ache vom
ber B, dessen Deck
Graphen der Funktion f gebildet wird. Sie erkennen hoentlich die Parallelit
at
zum gew
ohnlichen Integral u
ber einem Intervall [a, b].
Um das Integral berechnen zu k
onnen, muss uns irgendwie der Bereich B vorgegeben sein. F
ur zwei Spezialf
alle, die den meisten F
allen der Praxis entsprechen,
wollen wir eine Berechnungsmethode angeben. Manchmal hilft es, wenn man den
Bereich B in Teilbereiche zerlegt, wie wir das bei den Rechenregeln in Satz 7.3
angeben werden.
Erste Berechnungsmethode
Ist B gegeben durch zwei Funktionen y1 und y2 mit
a x b, y1 (x) y y2 (x),
(7.1)
so gilt
!!
(!
y2 (x)
f (x, y) dB =
B
)
f (x, y) dy dx,
y1 (x)
(7.2)
7.1 Berechnung des Doppelintegrals
131
d.h., das Doppelintegral kann dadurch, dass wir zwei gew

ohnliche Integrale hintereinander ausf
uhren, berechnet werden. Dabei wird zuerst die innere eckige
Klammer berechnet, wobei genau wie bei der partiellen Dierentiation die Variable x vor
ubergehend als konstant angesehen wird.
H
aug werden die eckigen Klammen weggelassen, denn die Zuordnungen sind
mit der Reihenfolge dy dx gekl
art. Manche Autoren benutzen andere Festlegungen.
6y
y2 (x)
B
y1 (x)
Abb. 7.3 Berechnung des Doppelintegrals, wenn f

ur B die Funktionen y1 (x) und y2 (x)
gegeben sind.
Beispiel 7.1
B sei der Bereich zwischen den Kurven
y1 (x) = x2 , y2 (x) =
x, 0 x 1,
und sei
f (x, y) := x y.
!!
f (x, y) dB.
B
Nach unserer Vorschrift rechnen wir
!!
(!
y2 (x)= x
f (x, y) dB =
B
)
x y dx.
y1 (x)=x2
132
7 Doppelintegrale
(1, 1)
y2 (x) = x
B
y1 (x) = x2
(0, 0)
Abb. 7.4 Berechnung des Doppelintegrals, wenn f
ur B die Funktionen y1 (x) = x2 und
y2 (x) = x gegeben sind.
Befassen wir uns zun

achst mit der inneren eckigen Klammer. Integration nach
dy meint, dass wir die Variable x vor
ubergehend als konstant annehmen. Dann
folgt durch schlichte Schulrechnung
)
!!
! (!
1
y2 (x)=
f (x, y) dB =
x y dy dx
y1 (x)=x2
=
0
"
#y (x)=x
1 2 2
x y
dx
2
y1 (x)=x2

1
x x x4 dx
0 2

&
1 1 3 1 6 &1
x x &
=
2 3
6
0

1
1 1
=
0
2 3
6
1
=
.
12
1
Zweite Berechnungsmethode
Ist B gegeben durch zwei Funktionen x1 und x2 mit
c y d, x1 (y) x x2 (y),
(7.3)
so gilt
!!
(!
x2 (y)
f (x, y) dB =
B
)
f (x, y) dx dy.
(7.4)
x1 (y)
Auch hier kann das Doppelintegral dadurch, dass wir zwei gew
ohnliche Integrale
hintereinander ausf
uhren, berechnet werden. Dabei wird zuerst die innere ecki-
7.1 Berechnung des Doppelintegrals
133
ge Klammer berechnet, wobei jetzt die Variable y vor

ubergehend als konstant
angesehen wird.
Man muss sich das so vorstellen, dass wir f
ur diese Berechnungsmethode das
Blatt Papier mit dem Gebiet B um 90 gegen den Uhrzeiger drehen und dann
hoen, dass wir die obere und untere Kante, die ja vorher linke und rechte Kante
waren, als Graphen zweier Funktionen ansehen k
onnen.
Wir nehmen unser Beispiel von oben noch mal auf und berechnen das Doppelintegral mit der zweiten Methode.
Beispiel 7.2
Sei wieder B der Bereich zwischen den Kurven
c = 0, d = 1, x1 (y) = y 2 , x2 (y) =
y, 0 y 1,
und sei
f (x, y) := x y.
!!
f (x, y) dB.
B
Nach unserer Vorschrift rechnen wir, wobei wir im ersten Schritt ja diesmal nach
x integrieren und deshalb f
ur diesen Schritt y als konstant ansehen:
!!
(!
f (x, y) dB =
B
x2 (x)= y
x y dx dy
0
1
0
1
=
0
"
x1 (x)=y 2
1
y x2
2
#x2 (y)=y
dy
x1 (y)=y 2

1
y y y 4 dy
2
1
.
=
12
Nat
urlich ergibt sich dasselbe wie oben.
Der Satz, dass jede stetige Funktion f : R1 R1 integrierbar ist, u
agt sich
bertr
hierher und l
asst sich sogar noch verallgemeinern.
Satz 7.1
1. Jede in B stetige Funktion ist auch u
ber B integrierbar.
2. Jede Funktion, die in B stetig ist mit Ausnahme von Punkten auf endlich
vielen glatten Kurven, ist auch u
ber B integrierbar.
134
7 Doppelintegrale
Solche Kurven sind ja in der (x, y)-Ebene eindimensional, haben also
achenm
aig keine Ausdehnung. Dort kann man die Funktion sogar beliebig
ab
andern, ohne den Integralwert zu
andern. Mathematisch sagt man, sie seien
vom Ma Null. Solche Nullmengen ignoriert das Integral.
Wir betrachten das folgende Beispiel, das wir es gleich anschlieend noch einmal
bearbeiten werden.
Beispiel 7.3
Wir berechnen das Doppelintegral
!!
x y dB
B
u
ber dem Viertelkreis
B := {(x, y) : x2 + y 2 R2 , x 0, y 0, R R}.
Wir nehmen die x-Achse als Basis und betrachten dar
uber den Viertelkreis:
B:
a = 0, b = 1, y1 (x) = 0, y2 (x) =
R2 x2 .
Dann folgt
!!
(!
x y dB =
B
)
x y dy dx
&
1 2 & R2 x2
x y &
dx
=
2
0
0

! R
! R 2
x3
x 2
R
2
(R x ) dx =
x
dx
=
2
2
2
0
0
=
7.2
R2 x2
R2 2 R4
R4
R
=
.
4
8
8
Transformation der Variablen
Ein wichtiges Hilfsmittel besteht darin, das zugrunde liegende Gebiet zu transformieren, so dass es vielleicht f
ur die Berechnung leichter zug
anglich ist. Der
Satz greift auf unsere Kenntnis der Determinante im Kapitel Determinanten
S. 23 zur
uck.
Betrachten Sie folgendes Bild:
in der (x
, y)-Ebene, rechts der Bereich B in der (x, y)Links ist der Bereich B
Ebene. Die Funktionen (, ) stellen die eineindeutige Abbildung dieser beiden
durch eine Abbildung
Bereiche her. K
onnen wir diesen Gedanken, den Bereich B
zu vereinfachen, f
ur unsere Doppelintegrale ausnutzen?
7.2 Transformation der Variablen
6y

B

135
y
6
x

Abb. 7.5 Zur Transformationsformel
Satz 7.2 (Transformationsregel)

Durch die Funktionen
x = (x
, y), y = (x
, y)
der (x
, y)-Ebene mit st
uckweise glattem Rand eineindeutig
werde der Bereich B
auf den Bereich B der (x, y)-Ebene abgebildet. Die Funktionen x = (x
, y) und

, y) und ihre partiellen Ableitungen erster Ordnung seien stetig in B.
y = (x

ur die Funktionaldeterminante
Im Innern von B gelte f
det
xe (x
, y) ye(x
, y)
xe (x
, y) ye(x
, y)
= 0.
(7.5)
Ist dann die Funktion f (x, y) in B stetig, so gilt:
!!
f (x, y) dB =
B
!!
e
B
f ((x
, y), (x
, y) det
xe ye

dB.
(7.6)
xe ye
Das ist ja mal ein richtig groer Satz. Tats

achlich ist er sehr wichtig f
ur die
Anwendungen. Wir berechnen gleich ein Beispiel. Aber zuvor eine kleine Bemerkung zum Begri eineindeutig. Nein, nein, da haben wir nicht gestottert.
Bei Abbildungen meint eindeutig, dass jedem Urbild genau ein Bild zugeord
net wird. Eineindeutig verlangt dar
uber hinaus, dass verschiedenen Urbildern
auch verschiedene Bilder zugeordnet werden. Machen Sie sich bitte klar, dass das
zwei verschiedene Bedingungen sind. Die Nullabbildung, die also jedem Urbild
die Null zuordnet, ist eindeutig. Jedes Urbild bekommt genau ein Bild, n
amlich
die Null. Aber verschiedene Urbilder erhalten nicht verschiedenen Bilder, alles
klar? Diese Bedingung brauchen wir nat
urlich f
ur unsere Transformation. Falls
Sie z.B. die Ebene ein paar mal falten, kann das nat
urlich nicht klappen mit der
Formel (7.6).
auf den
Achten Sie bitte genau auf die Reihenfolge. Wir haben den Bereich B
Bereich B abgebildet und k
onnen dann das Integral u
ber B auf das Integral

u
uckf
uhren.
ber B zur
136
7 Doppelintegrale
Beispiel 7.4
Wir betrachten noch mal das Beispiel von oben, also berechnen das Doppelintegral
!!
x y dB
B
u
ber dem Viertelkreis
B := {(x, y) : x2 + y 2 R2 , x 0, y 0, R R}.
Jetzt nehmen wir eine ganz geschickte Transformation vor.
y
R6

B
r
R
R x
e nach B
Abb. 7.6 Transformation von B
ist also das Rechteck, B der Viertelkreis. Als Transformation nehmen wir
B
x = r cos , y = r sin , 0 r R, 0
.
2
haben auch verDiese Zuordnung ist eineindeutig: verschiedene Urbilder in B

schiedene Bilder in B.
Die beiden Funktionen
, y) = (r, ) = r cos , y = (x
, y) = (r, ) = r sin
x = (x
sind stetig, ihre partiellen Ableitungen
r = cos , = r sin
r = sin , = r cos
sind ebenfalls stetig. Die Funktionaldeterminante
det
xe ye
= det
cos r sin
sin
xe ye
2
r cos
= r cos (r sin2 ) = r (cos2 + sin2 ) = r
7.3 Rechenregeln
137
ungleich
ist ganz wichtig unsere Einschr
ankung im Satz im Innern von B
Null; nur im Punkt (0, 0), also f
ur r = 0 ist sie gleich Null. Der Punkt liegt aber
im Rand des Viertelkreises. Unser Transformationssatz ist also anwendbar. Wir
erhalten
!!
!!
x y dB =
!
e
B
"
1
2
(!
/2
r cos r sin r dB =
cos 2
4
r3 dr =
#/2
)
r3 cos sin d dr
dr
0
R4
.
8
So haben wir es auch schon oben erhalten Wir haben dieses Beispiel zweimal
vorgerechnet, um die Alternativen aufzuzeigen. Es ist sicher Geschmacksache,
welche dieser beiden Rechnungen leichter oder bequemer ist.
7.3
Rechenregeln

1. Additivit
at bezgl. des Integranden: Sind f und G zwei integrierbare Funktionen, so gilt
!!
!!
[f (x, y) + g(x, y)] dB =
!!
f (x, y) dB +
g(x, y) dB.
(7.7)
2. Additivit
at bezgl. des Bereiches: Sind B1 und B2 zwei Bereiche ohne gemeinsame innere Punkte, so gilt
!!
!!
!!
f (x, y) dB =
f (x, y) dB +
f (x, y) dB.
(7.8)
B1 B2
B1
B2
3. Konstanter Faktor: Ist k eine reelle Zahl, so gilt
!!
!!
k f (x, y) dB = k
f (x, y) dB.
(7.9)
4. Monotonie: Ist f
ur jeden Punkt (x, y) B : f (x, y) g(x, y), so gilt
!!
!!
f (x, y) dB
g(x, y) dB.
5. Absch
atzung: Ist f u
ber B integrierbar, so auch |f |, und es gilt
&! !
& !!
&
&
&
f (x, y) dB &&
|f (x, y)| dB.
&
B
(7.10)
(7.11)
138
7 Doppelintegrale
6. Eingrenzung: Ist m die untere, M die obere Grenze von f in B (m

f (x, y) M ) und ist |B| der Fl
acheninhalt von B, so gilt
!!
m |B|
f (x, y) dB M |B|.
(7.12)
7. Mittelwertsatz: Wenn f auf B stetig ist, so existiert auf B mindestens eine

Stelle (, ) mit
!!
f (x, y) dB = f (, ) |B|.
(7.13)
B
++
8. Fl
acheninhalt: Ist f (x, y) 1, so ist B dB das Volumen eines Zylinders
mit der Deck
ache z = f (x, y) = 1 und daher ist
!!
dB = |B| = Fl
acheninhalt von B.
B
(7.14)
7.3 Rechenregeln
139
Ubung
15
1. Es sei
f (x, y) := x y,
B : x 0, y 0, x2 + y 2 2, y x2 .
Berechnen Sie
!!
f (x, y) dB.
B
2. Sei
B : x 0, y 0, x2 + y 2 R2
und sei
f (x, y) := x2 + y 2 .
!!
Berechnen Sie
(x2 + y 2 ) dB.
[Hinweis: Polarkoordinaten]
3. Bestimmen Sie die Fl
ache, die begrenzt ist durch die Parabeln
y2 = 4 x
und
y 2 = 4 4x.
4. Berechnen Sie das Integral
!!
e(x
+y2 )
dB,
wobei B der Kreis in der (x, y)-Ebene sei:

x2 + y2 a2 , a R, a > 0.
5. Berechnen Sie das Volumen V der Kugel vom Radius R.
6. Berechnen Sie auf zwei verschiedenen Wegen den Fl
acheninhalt der Fl
ache
B, die im 1. Quadranten liegt und durch die
(halb-kubische) Parabel
y 2 = x3
und die Gerade
y=x
begrenzt wird.
7. Wie lautet die Funktionaldeterminante bei Doppelintegralen f
ur eine
Transformation mittels verallgemeinerter Polarkoordinaten?
x = a r cos ,
y = b r sin ,
a, b R, a, b > 0
140
7 Doppelintegrale
2
8. F
ur die Funktion y = ex ist keine elementare Stammfunktion bekannt.
Daher kann das Integral
1
0
ex dx dy
3y
in der Form nicht berechnet werden. Berechnen Sie es durch Umkehrung der
Integrationsreihenfolge.
Ausf
uhrliche L
8 Dreifachintegrale
Ubersicht
8.1
8.2
8.3
8.4
Berechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rechenregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kugel- und Zylinderkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
142
143
144
144
In diesem Kapitel stellen wir eine weitere Verallgemeinerung des gew

ohnlichen
1
Integrals vor. Erinnern wir uns, dass im R eine Funktion jedem Punkt z.B.
eines Intervalls Werte zuordnete. Das gew
ohnliche Integral berechnete dann
den Fl
acheninhalt unter dem Graphen, berechnete also einen Fl
acheninhalt.
Ein Doppelintegral berechnete in Verallgemeinerung dann ein Volumen. Was
macht jetzt ein dreifaches Integral? Nun wir betrachten ein Gebilde im R3 , z.B.
einen W
urfel, eine Kugel oder Ahnliches.
Auf diesem Gebilde sei eine reellwertige Funktion gegeben. Da k
onnte man sich die Temperaturverteilung oder die
Windst
arke in jedem Punkt des Gebildes vorstellen. Das Dreifachintegral berechnet dann das Volumen dieses vierdimensionalen Gebildes, was sich unserer
Vorstellung entzieht, weil wir als dreidimensionale Wesen nicht vierdimensional

schauen k
onnen.
Wir k
onnen aber auch etwas anders herangehen. Denken Sie sich die Funktion
als Dichtefunktion des betrachteten K
orpers, also mit Dichte gleich Masse pro
Volumen. Dann k
onnen wir ein Dreifachintegral benutzen, um die Gesamtmasse
eines K
orpers zu bestimmen. Genauso helfen uns die Dreifachintegrale, wenn
wir einen geladenen K
orper vor uns haben und seine Gesamtladung suchen.
Wir integrieren u
ber die Raumladungsdichte und erhalten das Ergebnis. So also
nicht verzagen, Dreifachintegrale sind ungemein n
utzliche Wesen.
Wichtig ist, dass sich diese Dreifachintegrale recht leicht berechnen lassen,
wir werden das vorf
uhren. Wiederbegegnen werden sie uns dann sp
ater im
ber
uhmten Divergenzsatz von C.F. Gau. Und dort helfen sie uns wirklich sehr.
Aber dat krieje mer sp
ater!

142
8.1
8 Dreifachintegrale
Berechnung
Der folgende Spezialfall, f

ur den wir die Berechnung des Dreifachintegrals angeben, ist gar nicht so speziell; denn viele andere Gebiete lassen sich in diese
Form bringen. Vielleicht muss man auch Gebiete zertrennen, um auf diese Form
zu kommen.
Es sei V ein Zylinder u
ache
ber einem Bereich B der (x, y)-Ebene mit der Grund
z = z1 (x, y) und der Deck
ache z = z2 (x, y). Dann gilt
! ! (!
!!!
f (x, y, z) dV =
V
z2 (x,y)
f (x, y, z) dz dB.
B
(8.1)
z1 (x,y)
Erkennen Sie unseren Wassertopftrick (vgl. S. 70)? Wir haben das unbekannte
Dreifachintegral auf ein gew
ohnliches inneres Integral und anschlieend auf das
bekannte Doppelintegral zur
uckgef
uhrt. Ein typisches Vorgehen in der Mathematik. Und gar nicht witzig! Wir zeigen das mal an einem Beispiel.
Beispiel 8.1
Gegeben sei auf dem Bereich V , der im ersten Quadranten liegt und begrenzt
wird durch die Ebenen y = 0, z = 0, x + y = 2, x + 2y = 6 und den Zylinder
y2 +z 2 = 4. Auerdem sei die Funktion f (x, y, z) = z gegeben. B sei das Viereck
in der (x, y)-Ebene, das von den begrenzenden Ebenen dort gebildet wird.
z
Abb. 8.1 Der Bereich V
Schauen wir uns das Bild genau an. B liegt, wie gesagt, in der (x, y)-Ebene.
Dar
uber w
olbt sich der Zylinder. So erhalten wir unsere beiden Deck
achen
z1 (x, y) = 0 z z2 (x, y) =
4 y2 .
8.2 Rechenregeln
143
z2 (x, y) folgt also oben aus der Zylindergleichung y 2 + z 2 = 4. Dann rechnen

wir einfach los.
! ! (!
!!!
z=
f (x, y, z) dV =
V
4y 2
z dz dB
B
!!
=
!!
=
&
z 2 &z= 4y2
dB
&
2 z=0
4 y2
dB.
2
Dies ist jetzt ein Doppelintegral wie im vorigen Kapitel. Mit 0 y 2 und
2 y x 6 2y folgt weiter
=
0
=
0
62y
4 y2
dx dy
2
2y
&x=62y
4 y2
&
x&
dy
2
x=2y
4 y2
[(6 2y) (2 y)] dy
2
0
! 2
!
1
1 2
2
=
(4 y ) (4 y) dy =
(16 4y2 4y + y 3 ) dy
2 0
2 0
"
#
44
16
48
1
32
=
2
3
2
4

1
32
26
.
=
28
=
2
3
3
=
8.2
Rechenregeln
Auch hier k
onnen wir angeben, welche Funktionen auf jeden Fall integrierbar
sind.
Satz 8.1
1. Jede in V stetige Funktion ist auch u
ber V integrierbar.
2. Jede Funktion, die in V stetig ist mit Ausnahme von Punkten, die auf einer
endlichen Anzahl von glatten Fl
achen liegen, ist auch u
ber V integrierbar.
Der Satz 7.3 mit den Rechenregeln f
ur Doppelintegrale (vgl. S. 137) u
agt
bertr
sich vollst
andig.
144
8 Dreifachintegrale
8.3
Transformation der Variablen
Auch haben wir hier eine Transformationsregel, die nat

urlich wegen der h
oheren
Dimension etwas komplizierter ausf
allt, im Wesentlichen aber das Gleiche aussagt.
Satz 8.2
Die Voraussetzungen seien hier f
ur die Transformationsfunktionen
x = (x
, y, z), y = (x
, y, z), z = (x
, y, z)
dieselben wie im Satz 7.2. Ist dann im Innern des Bereiches V die Funktionaldeterminante
det
x
e
y
e
z
e
x
e
y
e
z
e
x
e
y
e
z
e
= 0,
(8.2)
so gilt f
ur jede stetige Funktion f (x, y, z)
!!!
!!!
f (x, y, z) dV =
e
V
f ((x
, y, z), (x
, y, z), (x
, y, z)) det
dV .
(8.3)
8.4
Kugel- und Zylinderkoordinaten
Als Anwendung betrachten wir Kugelkoordinaten r, , und berechnen die

Funktionaldeterminante f
ur
x = (r, , ) = r cos sin ,

y = (r, , ) = r sin sin ,
(8.4)
z = (r, , ) = r cos .
Damit erhalten wir
cos sin
sin sin
det
r sin sin r cos sin
cos
0
r cos cos r sin cos r sin
= r 2 sin .
8.4 Kugel- und Zylinderkoordinaten
145
Hier haben wir zweimal ausgenutzt, dass sin2 + cos2 = 1 ist. Rechnen Sie
es bitte nach, so wiederholen Sie die Regel von Sarrus und festigen Ihr Wissen
u
ber Kugelkoordinaten.
In vielen Anwendungen braucht man Zylinderkoordinaten; also rechnen wir auch
daf
ur die Funktionaldeterminante aus. Mit
x = r cos , y = r sin , z = z
(8.5)
erhalten wir
cos
sin
det
r sin r cos 0 = r.
0
0
1
Eine interessante Anwendung nden wir in den Physikb
uchern. Wenn wir irgend
einen dreidimensionalen K
orper V betrachten, so fragt man manchmal nach
:= (S1 , S2 , S3 ) seine Koordinaten
dessen Schwerpunkt. Bezeichnen wir mit S
und ist der Bereich V mit der Massendichte (x, y, z) belegt, so gilt
=
S
+++
+++
+++

x (x, y, z) dV
y (x, y, z) dV
z (x, y, z) dV
V
V
V
+++
+++
+++
,
,
.
(x, y, z)
(x, y, z)
(x, y, z)
V
V
V
(8.6)
Beispiel 8.2
Zur Ubung
mit Kugelkoordinaten berechnen wir hier das Volumen V einer Kugel
vom Radius R > 0. Aus der Schule kennen wir V = 43 R3 . Mal sehen, ob wir
das ausrechnen k
onnen.
F
ur eine Kugel kennen wir die Koordinatendarstellung
K = {(x, y, z) R3 : x2 + y2 + z 2 R2 }.
Mit den Kugelkoordinaten r, , und der Einschr
ankung
0 r R, 0 2, 0
sowie mit der Funktion f (x, y, z) 1 erhalten wir
146
8 Dreifachintegrale
z
y
x
Abb. 8.2 Berechnung des Volumens einer Kugel vom Radius R. Hier ist eine Halbkugel
dargestellt mit den entsprechenden Kugelkoordinaten.
!!!
|V | =
dV =
V
r2 cos
d dr
[r 2 (1) (r2 )] d dr
2 r d dr =
=
0
r2 sin d d dr
&2
&
2 r2 & dr
0
&
4 3 &R
4 3
r & =
R .
2 r2 2 dr =
3
3
0
Manchmal hilft der folgende Satz bei der Berechnung von Dreifachintegralen.
Satz 8.3 (Dreifachintegral als Produkt von Einfachintegralen)
Hat das Dreifachintegral feste Grenzen und l
asst sich der Integrand f (x, y, z)
schreiben als
f (x, y, z) = f1 (x) f2 (y) f3 (z),
so gilt
!!!
x1
y1
z1
f (x, y, z) dV =
V
f (x, y, z) dz dy dx
x0
y0
z0
f1 (x) dx
=
x0
y1
y0
!
f2 (y) dy
z1
f3 (z) dz.
z0
(8.7)
8.4 Kugel- und Zylinderkoordinaten
147
F
ur unsere Kugel ist dieser Satz anwendbar, denn als Integranden haben wir ja
lediglich die Funktion f (x, y, z) = r 2 sin . Wir k
onnen also auch so rechnen:
!!!
|V | =
dV =
V
!
0
r dr
2
0
!
d
sin d
0
,
-
4R3
2R3
R3
2 cos =
[1 (1)] =
.
3
3
3
0
Und so hatten wir es auch oben in Ubereinstimmung

mit der Schule berechnet.
148
8 Dreifachintegrale
Ubung
16
1. Berechnen Sie folgende Dreifachintegrale:
a)
1x
2x
x y z dz dy dx,
0
b)
pi
2
z r2 sin dz dr d.
2. a) V sei der von den Koordinatenebenen und der Ebene

E:
x+y+z =1
begrenzte K
orper. Skizzieren Sie diesen K
orper.
b) Berechnen Sie das Dreifachintegral
!!!
(2 x + y + z) dV.
V
3. a) V sei der von den Koordinatenebenen und der Ebene

E:
x+y+z =1
begrenzte K
orper. Skizzieren Sie diesen K
orper.
b) Berechnen Sie das Dreifachintegral
!!!
(2 x + y + z) dV.
V
4. Berechnen Sie den Schwerpunk S = (S1 , S2 , S3 ) der Halbkugel H vom Radius

R > 0 bei konstanter Massendichte = 1.
5. Berechnen Sie das Dreifachintegral
!!!
x y z dV,
V
wo V die Einheitskugel ist.
Ausf
uhrliche L
9 Ober
achenintegrale
Ubersicht
9.1
9.2
Ober
achenintegrale 1. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Ober
achenintergale 2. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
In diesem Kapitel schildern wir die Verallgemeinerung der Kurvenintegrale f

ur
2
den R . Und genau wie dort gibt es auch hier zwei verschiedene M
oglichkeiten.
Wir nennen sie Ober
achenintegrale 1. Art und 2. Art. Bei den Kurvenintegralen
hatten wir als Ausgangsmenge eine Kurve im R2 oder im R3 . Hier betrachten
wir jetzt eine Fl
ache im R3 . F
ur den R2 macht das keinen Sinn mehr. Auf dieser
Fl
ache sei ein Skalarfeld oder ein Vektorfeld gegeben, darin unterscheiden sich
die beiden Integrale.
9.1
Ober
achenintegrale 1. Art
Wir schauen zur

uck auf unsere Kurven. Die hatten wir deniert als Abbildung
uck bl
attern wollen. Hier
eines Intervalls [a, b] R1 , wenn Sie bitte noch mal zur
werden wir jetzt alles um eine Dimension erh
ohen, geben uns also einen Bereich
B R2 statt des Intervalls vor und betrachten eine Abbildung dieses Bereiches.
Denition 9.1
Wir betrachten ein Fl
achenst
uck F R3 , gegeben durch
F R3 := {(x, y, z) R3 : (x = x(u, v), y = y(u, v), z = z(u, v)), (u, v) B}.
(9.1)
B heit der Parameterbereich, u und v sind die Parameter,
x := (x(u, v), y(u, v), z(u, v)).

150
9 Ober
achenintegrale
6y
6z
j F
*
y
a
Abb. 9.1
Ein Fl
achenst
uck im R3 als Abbildung eines Rechtecks im R2
Denition 9.2
Auf F sei eine Funktion f ( x) gegeben. Dann nennen wir
!!
!!
f ( x(u, v)) | xu (u, v)
xv (u, v)| dB
f ( x) dF :=
F
(9.2)
Ober
achenintegral 1. Art.
Beachten Sie bitte wieder unseren Wassertopftrick. Rechts in Formel (9.2) steht
ein Doppelintegral, wie wir es fr
uher schon eingef
uhrt haben.
xu (u, v) und
xv (u, v) sind die Tangentenvektoren. Der Betrag ihres Kreuzproduktes ist, wie
wir uns aus der Schule erinnern, die Fl
ache des von diesen beiden Vektoren
aufgespannten Parallelogramms. Sehen Sie die Analogie zum Kurvenintegral 1.
Art? Dort hatten wir mit der L
ange des Tangentenvektors multipliziert.
Beispiel 9.1
Sei F der Zylindermantel
F := {(x, y, z) R3 : x2 + y 2 = 1 mit 0 z 1.}
F
ur die Funktion f : F R mit f (x, y, z) = x2 z berechnen wir das Ober
achenintegral 1. Art u
ber F.
z
v
1
y
2
u
x
Abb. 9.2
Ein Zylindermantel als Fl

achenst
uck im R
Nat
urlich bieten sich hier geradezu die Zylinderkoordinaten an:
9.1 Ober
achenintegrale 1. Art
151
x(u, v) = (cos u, sin u, v), 0 u 2, 0 v 1.

Mit
xu = ( sin u, cos u, 0), xv = (0, 0, 1)
berechnen wir das Kreuzprodukt mit Hilfe der Formel
e1 e2 e3
a b = det
a
a
a
1
2
3
b1 b2 b3
und dann der Sarrusregel. F
ur unsere beiden Tangentenvektoren
xu und
xv
ergibt sich
e1
e2
e3
= cos u e1 + sin u e2 = (cos u, sin u, 0).

xu xv = det
sin
u
cos
u
0
0
0
1
Damit erhalten wir dann
!!
!!
v cos2 u dB
x z dF =
F
B
2
v cos u dv du =
"
u
2
2
=
2
=
sin 2u
4
1
= .
2
2
#2 " 2 #1
v
2 0
0
cos u du
0
v dv
0
Haben Sie gesehen, wo wir das Ober

achenintegral in ein einfacheres Doppelintegral und dieses dann in zwei sehr einfache gew
ohnliche Integrale umgewandelt
haben? So simpel ist das.
152
9 Ober
achenintegrale
Ubung
17
1. Sei F die Ober
ache der Einheitskugel
F := {(x, y, z) R3 : x2 + y 2 + z 2 = 1.}
Berechnen Sie f
ur
f (x, y, z) := a, a R, a = const.
das Ober
achenintegral
!!
f (x, y, z) dF.
F
2. Sei F ein Fl
achenst
uck, gegeben als Graph einer Funktion u
ber der (x,y)Ebene:
F := {(x, y, z) R3 : z = g(x, y).}
Berechnen Sie mit der sich auf nat
urliche Weise ergebenden Parametrisierung
| xu xv |
3. Berechnen Sie das Ober
achenintegral von f (x, y, z) := x
!!
!!
f (x, y, z) dF =
x dF,
F
wobei F die Fl
ache z = x2 + y mit 0 x 1, 1 y 1 ist.
4. Sei F die Halbkugel
ache
F := {(x, y, z) R3 : x2 + y 2 + z 2 = 1, z > 0.}
achenintegral
Sei f (x, y, z) := x2 y 2 z. Berechnen Sie das Ober
!!
f (x, y, z) dF.
F
Ausf
uhrliche L
9.2 Ober
achenintergale 2. Art
9.2
153
Ober
Analog zum Kurvenintegral 2. Art betrachten wir jetzt Integrale u

ber
Fl
achenst
ucken, bei denen der Integrand ein Vektorfeld ist. Nat
urlich muss
dann das Dierential d
x ebenfalls verktorwertig sein.
Eine wichtige Bemerkung m
ussen wir vorweg schicken. Wenn wir so eine Fl
ache
3
im R betrachten, so wollen wir voraussetzen, dass wir sie orientieren k
onnen.
Wir m
ochten also festlegen k
onnen, wo auen und innen ist. Bei einer geschlossenen Kugel
ache ist das klar, aber auch bei einem Blatt Papier wollen wir das
festlegen. Wir k
onnen auch oben und unten sagen. Wir wollen also, mathematisch ausgedr
uckt, den Normalenvektor der Fl
ache festlegen. Er ergibt sich aus
dem Kreuzprodukt der Tangentenvektoren in einem Punkt. Wenn wir die Reihenfolge der Tangentenvektoren umkehren, zeigt der Normalenvektor r
uckw
arts.
Die Orientierung k
onnen wir also mit der Reihenfolge der Parameter u und v
andern. Wir wollen diese Parameter so w
ahlen, dass ihr Kreuzprodukt mit der
von uns gew

ahlten Normalenrichtung u
bereinstimmt. Zur Not muss man also
die beiden Parameter vertauschen, das f
allt uns auch nicht schwer.
Betrachten wir dagegen ein sog. M
obiusband. Zur Herstellung nehmen Sie einfach einen Streifen Papier, halten jedes Ende mit einer Hand fest, verdrehen
ein Ende des Bandes um 180 und kleben ihn dann zu einem Ring zusammen.
Das entstehende Gebilde ist ein M
obiusband. Wenn Sie auf diesem mit dem
Finger langfahren, kommen Sie nach zwei Uml
aufen wieder am Ausgangspunkt
an, haben aber den Rand nicht u
berquert.
Sie
k
onnen auch am Rand langfahren
und kommen ebenfalls nach zwei Uml

aufen wieder am Ausgangspunkt an. Das
Band hat also merkw
urdigerweise nur eine Seite und nur einen Rand. Daher ist
es nicht orientierbar. Wenn wir einen Normalenvektor irgendwo auf das Band
stellen und lassen ihn das Band ablaufen, so kommen wir nach einem Umlauf
genau auf die Gegenseite und unser Normalenvektor zeigt genau in die entgegengesetzte Richtung. Wir k
onnen solch ein Band daher nicht orientieren. Falls Sie
meinen, dass Sie solch ein Band noch nicht gesehen haben, so schauen Sie doch
mal bei sich rum. H
aug hat man da Schl
usselb
ander oder Umh
angeb
ander bei
Kongressen. Wenn Sie sich den Fortsatz, wo der Schl
ussel oder Ihre Visitenkarte dranh
angt, abgeschnitten denken, so ist der Rest ein M
obiusband. Wenn
Sie ein solches Band um den Hals h
angen, dann verkn
ault es sich nicht so. Ihre
Visitenkarte bleibt immer sch
on lesbar.
Nun, so etwas wollen wir nicht betrachten. Falls Ihnen doch mal so ein Gebiet unterkommt, m
ussen Sie es in Teilgebiete unterteilen und die Teile einzeln
betrachten. Geht doch auch, oder?
154
9 Ober
achenintegrale
Denition 9.3
Sei F ein orientierbares Fl
achenst
uck, gegeben durch
F := {(x, y, z) R3 : (x = x(u, v), y = y(u, v), z = z(u, v)), (u, v) B}. (9.3)
Dann sei auf F eine Funktion f ( x) gegeben. Dann nennen wir
!!
!!
:=
f ( x) dF
xv (u, v)) dB
f ( x) ( xu (u, v)
(9.4)
Ober
achenintegral 2. Art.
Dabei sind xu und xv die Tangentenvektoren, xu (u, v)
xv (u, v) der Normalenvektor, nach auen gerichtet.
Dieses Integral beschreibt den Fluss einer str
omenden Fl
ussigkeit durch die
Fl
ache F. Ist also f ( x) das Geschwindigkeitsfeld der Fl
ussigkeit, so gibt
++

f ( x) dF die durch F hindurchtretende Fl
ussigkeitsmenge an. Schon aus
F
der Anschauung erkennen wir: Wenn das Vektorfeld f (
x) senkrecht zum Normalenvektor xu (u, v) xv (u, v) str
omt, also in Richtung der Tangentenvektoren,
so ergibt sich Null oder n
uscht, wie die Sachsen sagen; denn dann ist das innere
Produkt in (9.4) null.
Beispiel 9.2
Wir berechnen den Fluss des Vektorfeldes
f ( x) := (z, y, z + 1)
durch die Ober
ache des Kegels
K := {(x, y, z) : 0 z 2

x2 + y 2 }.
Dabei werde der Fluss von innen nach auen gemessen, wir m
ussen also w
ahrend
der Rechnung stets die Richtung von n im Auge behalten.
x2 + y2 = 2 z = x2 + y 2 = (2 z)2 .
Das ist oensichtlich f

ur jedes z mit 0 z 2 ein Kreis mit dem Radius z 2.
Wenn wir von der (x, y)-Ebene, wo z = 0 ist, hochsteigen bis z = 2, wird dieser
Radius immer kleiner. Ich hoe, Sie sehen jetzt mit mir den Kegelmantel vor
sich. Unser Bild zeigt ihn.
Wir wollen die ganze Ober
ache dieses Kegels bedenken, dazu geh
ort auch der
Kreis K in der (x, y)-Ebene als Grundkreis. Das bedeutet, die ganze Ober
ache
besteht aus
Ober
ache = Kegelmantel M + Grundkreis K.
9.2 Ober
155
z
In der Aufgabenstellung haben wir

bereits von einem Kegel gesprochen.
K
onnen wir uns den vorstellen? Was
ist
also die Menge {(x, y, z) : z =
2 x2 + y 2 }? Mit dem Gleichheitszeichen betrachten wir nur den Mantel der
Fl
ache. F
ur x = y = 0 ergibt sich z = 2.
Uber
dem Nullpunkt in der (x, y)-Ebene
haben wir also den Wert z = 2. F
ur beliebiges x und y erhalten wir
Abb. 9.3
Der Kegel
Mit
x = (x, y, z) = (r cos , r sin , 2 r)
folgt
xr = (cos , sin , 1), x = (r sin , r cos , 0).
Damit erhalten wir den Normalenvektor
xr x = det
e1
e2
cos
sin
e3
r sin r cos 0
= r cos2 e3 + r sin e2 + r sin2 e3 + r cos e1

= r cos e1 + r sin e2 + r e3 = (r cos , r sin , r).
Mit diesen Polarkoordinaten gehen wir jetzt in den Integranden:
f ( x(r, )) ( xr x ) = (2 r, r sin , 2 r + 1) (r cos , r sin , r)

= r((2 r) cos + r sin2 + 3 r)
= (2r r2 ) cos + r2 sin2 + 3r r2 .
Damit folgt f
ur den Fluss durch den Mantel:
156
9 Ober
achenintegrale
6
2
Betrachten wir zun

achst den Kegelmantel M . Wir w
ahlen etwas ver
anderte Zylinderkoordinaten:
x = r cos ,
y = r sin ,
z = 2 r,
0 r 2, 0 2.
Damit ist unser Parameterbereich das
rechts stehende Rechteck.
Abb. 9.4
!!
=
f ( x) dM
0
Parameterbereich B
[(2r r2 ) cos + r2 sin2 + 3r r2 ] d dr
mit den festen Grenzen k

onnen wir Produkte bilden
! 2
! 2
! 2
! 2
(2r r 2 ) dr
cos d +
r2 dr
sin2 d
=
0
"
=
0
2
(3r r 2 ) dr
r3
2r
2
3
#2
1 d
#2
&2 " 3 # "
sin 2
r
&
sin & +
3
2
4
0
0 0

#
3 2
&2
r
3r 2
&
&
2
3 0
0

8 83
"
8
3
28
.
3
Dieses war der erste Streich, jetzt kommt der zweite, n

amlich das Integral u
ber
den Grundkreis K. Den parametrisieren wir wieder mit Polarkoordinaten, das
bietet sich bei Kreisen geradezu an.
x = (r cos , r sin , 0), 0 r 2, 0 2.
Wir erhalten
9.2 Ober
157
e1
e2
xr x = det
cos
e3
0
= (0, 0, r).
r sin r cos 0
sin
Aber Achtung, dieser Vektor zeigt vom Nullpunkt senkrecht nach oben, also ins
Innere des Kegels. Wir hatten aber verabredet, dass Normalenvektoren bitte
nach auen zu zeigen haben. Also werden wir das Vorzeichen
andern und
xr
x = (0, 0, r) betrachten.
Damit folgt
f ( x)(r, ) ( xr x ) = (0, r sin , 1) (0, 0, r) = r.
Wir erhalten
!!
!
=
f ( x) dK
2
0
2
0
r d dr = 4.
Damit ist der Gesamtuss
!!
= 28 4 = 16 .
f ( x) dF
3
3
F
158
9 Ober
achenintegrale
Zusammenstellung der Integrale

gew
ohnliches Integral
! b
f (x) dx
a
vgl. Schule
Doppelintegral
)
! b (! y2 (x)
f (x, y) dB =
f (x, y) dy dx
!!
y1 (x)
vgl. (7.2) S. 130

Dreifachintegral
)
! ! (! z2 (x,y)
f (x, y, z) dV =
f (x, y, z) dz dB
!!!
V
z1 (x,y)
vgl. (8.1) S. 142

! b
f ( x) ds :=
f ((t), (t)) |( (t), (t))| dt
vgl. (6.2) S. 105

! b
f ( x) d
x :=
f ((t), (t)) ( (t), (t)) dt
vgl. (6.5) S. 113
!!
F
Ober
! ! achenintegral 1. Art
f ( x) dF :=
f ( x(u, v)) | xu (u, v)
xv (u, v)| dB
B
vgl. (9.2) S. 150
!!
F
Ober
!a!chenintegral 2. Art
:=
xv (u, v)) dB
f ( x) dF
f ( x) ( xu (u, v)
B
vgl. (9.4) S. 154
9.2 Ober
159
Ubung
18
1. Sei F die Ober
ache der Einheitskugel
F := {(x, y, z) R3 : x2 + y 2 + z 2 = 1.}
Sei
f (x, y, z) := x2 + y2 + z 2 ,
n der Normaleneinheitsvektor an F.
Berechnen Sie das Integral

!!
F
grad f (x, y, z) n dF.
2. Sei F die Ober

ache der Kugel vom Radius a > 0:
F := {(x, y, z) R3 : x2 + y 2 + z 2 = a2 ,
a > 0.}
Sei
v (x, y, z) := (x, y, z).
Berechnen Sie den Fluss von v durch die Fl
ache F .
Ausf
uhrliche L
10 Integrals
atze
Ubersicht
10.1 Divergenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
10.2 Der Divergenzsatz von Gau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
10.3 Der Satz von Stokes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
In diesem Kapitel stellen wir Ihnen ganz groartige S

atze vor, die dazu auch noch
enorme Bedeutung in der Praxis haben. Es sind S
atze, die Mathematikern ein
Glitzern in die Augen treiben und Naturwissenschaftler zum Strahlen bringen.
Lassen Sie sich u
berraschen.
10.1
Divergenz
Diesen Begri werden wir erst nach dem ber

uhmten Satz von Gau kommentieren. Hier erst mal die Denition.
Denition 10.1
Sei f eine vektorwertige Funktion
f ( x) = (f1 (x, y, z), f2 (x, y, z), f3 (x, y, z)).
Dann verstehen wir unter der Divergenz von f den Ausdruck
f1 (x, y, z) f2 (x, y, z) f3 (x, y, z)
div f ( x) =
+
+
.
x
y
z
Das ist zwar recht einfach, trotzdem hilft immer ein Beispiel.
Beispiel 10.1
Sei
f ( x) := (xy, x2 z, x z).
Wir berechnen die Divergenz von f .

(10.1)
162
10 Integrals
atze
x
x
div f ( x) = y + 0 + = + y.
2 z
2 z
10.2
Der Divergenzsatz von Gau
Dieser Begri Divergenz spielt die zentrale Rolle im Satz von Gau.
Satz 10.1 (Divergenzsatz von Gau)

anktes Gebiet mit st
uckweise glatter und orientierbarer
Sei V R3 ein beschr

Rand
ache V . Sei f stetig dierenzierbar. n sei der nach auen gerichtete
Normaleneinheitsvektor auf F = V . Dann gilt
!!!
!!
div f ( x) dV =
F
f (
x) n dF.
(10.2)
Das ist also der groe Divergenzsatz. Rechts das Integral beschreibt den Fluss
durch die Ober
ache V des K
orpers V . Wenn jetzt links im Integral die Divergenz positiv ist, so ist auch das Integral rechts positiv, es iet also etwas aus der
Fl
ache heraus. Ist dagegen die Divergenz links negativ, so wird Fl
ussigkeit verschluckt. Im ersten Fall ist also innerhalb V eine Quelle, im zweiten Fall nennt
man es eine Senke. Die Divergenz beschreibt also, ob Quellen oder Senken in
einem Gebiet liegen.
Die Voraussetzungen des Satzes sollten uns nicht so sehr unruhig machen. Mit
der Divergenz wollen wir ja partielle Ableitungen bilden, also m
ussen wir den
Integranden als stetig dierenzierbar voraussetzen. Damit wir rechts das Ober
achenintegral u
onnen, darf diese Ober
ache nur st
uckweise nicht
berall bilden k
glatt sein. Mit diesen Voraussetzungen k
onnen wir dann die schwierige Berechnung eines Ober
achenintegrals auf die hoentlich leichtere Aufgabe der Berechnung eines Volumenintegrals zur
uckf
uhren. Am besten ist dazu ein Beispiel.
Beispiel 10.2
F
ur das Vektorfeld
f (x, y, z) := (xy, yz, x)
und den Rand F des Gebietes
G := {(x, y, z) R3 : x2 + y 2 < z, 0 < z < 1}
m
ochten wir gerne das Integral
!!
F
berechnen.
f (x, y, z) n dF
10.2 Der Divergenzsatz von Gau
163
Zur Veranschaulichung des Gebietes G betrachten wir die Menge

{(x, y, z) R3 : x2 + y 2 = z, 0 < z < 1}.
F
ur jedes z (0, 1) ist das ein schlichter Kreis parallel zur x-y-Ebene mit Radius
z. Setzen wir x = 0 und betrachten z = y 2 , so ist das eine Parabel, analog ist
f
ur y = 0 auch z = x2 eine Parabel. Das Ganze ist also ein nach oben oenes
Paraboloid. Ein Bildchen nden Sie auf Seite 61.
Das gesuchte Ober
achenintegral 2. Art ist schwierig zu berechnen. Wegen des
hervorragenden Satzes von Gau k
onnen wir uns aber auf die Berechnung des
Volumenintegrals u
anken. Dazu brauchen wir die
ber das ganze Gebiet G beschr
Divergenz des Vektorfeldes.
div f (x, y, z) = y + z + 0 = y + z.
Zur Berechnung des Volumenintegrals benutzen wir unsere guten alten Polarkoordinaten
x = r cos , y = r sin , z = z, 0 2.
!!
F
!
f n dF =
!!
(y + z) dx dy dz
x2 +y 2 z
2 !
z
=
0
(r sin + z) r dr d dz
hier ist r die

Funktionaldet. der Polarkoord.
! 1 ! 2 ! z
! 1 ! 2 ! z
=
r2 sin dr d dz +
r z dr d dz
0
!
=
=
=
=
=
0
3
! 1 ! 2
&z
&
r2 & z
r
&
sin & , d dz +
z & , d dz
3
2 0
0
0
0
0
0
! 1 ! 2 3
! 1 ! 2
z
zz
sin d dz +
d dz
3
2
0
0
0
0
! 1 3
! 1 2
&2
z
z
&
( cos )& dz +
2 dz
3
2
0
0
0

=0

also =0
&
z 3 &1
&
3 0
.
3
1
Zum Schluss der Hinweis, dass echte Typen diesen Satz nat
urlich auswendig
kennen. Der Autor hat ihn seinerzeit w
ahrend der Expo in Hannover im deutschen Pavillon an eine dort f
ur Bemerkungen (Ohh, wie toll hier!) aufgeh
angte
164
10 Integrals
atze
Tafel geschrieben. Tats

achlich ist mir, ich wei nicht mehr, wann, auf der Strae eine junge Frau entgegen gekommen, die hatte die Formel (10.2) auf ihrem
T-Shirt stehen. Mir ist fast die Spucke weg geblieben.
Hier ein kleiner Hinweis, wie man sich die Formel merken kann. Da steht links
ein dreifaches Integral, nat
urlich u
ber einem Volumen V , und rechts ein Ober
achenintegral, nat
urlich u
origen Ober
ache V . Gleichheit u
ber der zugeh
ber
verschiedene Dimensionen ist ungew
ohnlich. Aber bei dem Volumenintegral
steht der Ableitungsoperator div. So quasi wird damit ein Integral aufgehoben. Und so macht das Ganze Sinn. Merke: dreifaches Integral aufheben mit
div. Dass rechts noch der Normalenvektor steht, ist nicht verwunderlich, denn
dieses Integral gibt ja den Fluss durch die Ober
ache an, da braucht man schon
die Richtung des Flusses.
10.3
Der Satz von Stokes
Hier schildern wir Ihnen den zweiten ber

uhmten Integralsatz, den Satz von
Stokes. Er sieht sehr analog zum Gauschen Divergenzsatz aus, aber kleine
Unterschiede sind zu beachten.
Satz 10.2 (Satz von Stokes)
Sei F R3 ein st
uckweise glattes orientierbares Fl
achenst
uck im R3 mit
st
uckweise glatter orientierbarer Randkurve . Sei f eine vektorwertige stetig
alt, und sei n
dierenzierbare Funktion auf einem Gebiet G R3 , das F enth
der Normaleneinheitsvektor auf F . Seine Richtung kann frei gew
ahlt werden. Die
Orientierung der Randkurve , gegeben durch die Tangente t, von F ist nach
Festlegung von n so zu w
ahlen, dass ein Mensch, dessen K
orper in Richtung von
n auf steht, beim Vorw
artsschreiten in Richtung von t das Fl
achenst
uck zur
Linken hat. Dann gilt
!!
=
rot f (x, y, z) dF
f (x, y, z) d
x
(10.3)
f (x, y, z) t ds.
(10.4)
bzw.
!!
F
!
rot f (x, y, z) n dF =
Wir sehen, dass auch hier ein Dimensionssprung stattndet. Links ein (zweidimensionales) Ober
achenintegral, rechts ein (eindimensionales) Kurvenintegral.
Und auch hier die kleine Merkregel, dass ja der Operator rot ein Dierentialoperator ist und quasi eine Integration aufhebt. Darum steht er links. Und klar,
beim Ober
achenintegral steht die Normale, beim Kurvenintegral die Tangente.
10.3 Der Satz von Stokes
165
Zum besseren Verst

andnis wieder ein Beispiel. Wir w
ahlen es so, dass wir den
Satz von Stokes u
ufen, d.h. wir geben uns alle Einzelheiten vor und rechnen
berpr
dann beide Seiten der Formel aus, um zu verizieren, dass der Satz zumindest
in diesem Beispiel stimmt. Das ist nat
urlich kein Beweis. Wir wollen lediglich
u
ben.
Beispiel 10.3
Sei
f (x, y, z) := (4y, 4x, 3)
und F die Kreisscheibe mit Radius 1 und Mittelpunkt (0, 0, 1) in der Ebene
z = 1. Wir verizieren den Satz von Stokes.
Wir berechnen die linke Seite von Gleichung (10.4):
rot f (x, y, z) = det
e1
e2
e3
4y 4x 3
= 0 e1 4 e3 + 0 e2 4 e3 + 0 e1 + 0 e2
= (0, 0, 8).
Den Normaleneinheitsvektor entnehmen wir der Anschauung. Die Kreisscheibe
liegt in der Ebene z = 1, ist also parallel zur x-y-Ebene. Senkrecht dazu steht
der Vektor
n = (0, 0, 1)
= (0, 0, 1) wahlen konnen. Wir

und ist normiert. Wir h
atten auch den Vektor n
m
ussen jetzt nur bei der Randkurve aufpassen, dass wir sie passend orientieren.
Dann ist
rot f n = (0, 0, 8) (0, 0, 1) = 8.
Damit folgt
!!
F
!!
rot f n dF = 8
dF = 8 ,
weil die Kreis

ache den Inhalt r2 hat und r = 1 ist. Das war es schon.
Jetzt ugs zur rechten Seite. Die Randkurve ist ja die Kreislinie. Zur Integration greifen wir wieder auf die Polarkoordinaten zur
uck:
x = cos t, y = sin t, z = 1, 0 t 2.
166
10 Integrals
atze
Wie ist das mit der Orientierung? Wir starten f

ur t = 0 mit dem Punkt (1, 0, 1).
Wenn wir jetzt von oben auf die Kreisscheibe in der Ebene z = 1 herabschauen,
so sehen wir, dass wir mit wachsendem t die Kreislinie im Gegenuhrzeigersinn umlaufen. Stellen wir uns auf den Anfangspunkt in Richtung der von uns
gew
ahlten Normalen n und laufen im Gegenuhrzeigersinn um den Kreis herum, so bleibt dieser immer links von uns. Das passt zusammen. Jetzt nur noch
rechnen.
f (x, y, z) = (4 sin t, 4 cos t, 3)
d
x = ( sin t dt, cos t dt, 0)
! 2
[4 sin t ( sin t) 4 cos t cos t] dt
f d
x =
0
=
0
= 4
4(sin2 t + cos2 t) dt
2
0
dt = 8 .
Und das stimmt genau mit der linken Seite u

ar ja auch noch sch
oner!
berein. W
Gestatten Sie mir noch zwei kleine Bemerkungen zu den Integrals
atzen.
1. Wir fassen noch einmal kurz die wesentlichen Inhalte beider Integrals
atze
zusammen.
a) Gau betrachtet ein Volumen, also einen K
orper oder so etwas, und dessen
Ober
ache. Dann liefert uns der Satz einen Zusammenhang zwischen dem
Dreifachintegral u
orper und dem Ober
achenintegral u
ber dem K
ber die
gesamte Ober
ache. Benutzt wird er vor allem dazu, das komplizierte
Ober
achenintegral mittels des leichter zu berechnenden Raumintegrals
auszuwerten. Man muss ja nur die Divergenz des Vektorfeldes berechnen.
b) Stokes bietet eine andere Welt. Betrachtet wird ein Fl
achenst
uck und
seine Randkurve. Dieser Satz liefert den Zusammenhang zwischen dem
Ober
achenintegral u
ache und dem Kurvenintegral u
ber die Fl
ber die
Randkurve. H
aug l
asst sich so das komplizierte Ober
achenintegral mit
dem leichter zu berechnenden Randintegral knacken.
2. Das folgende Beispiel sei als Warnung angef
ugt. Es sieht aus wie ein Gegenbeispiel zum Satz von Stokes.
Beispiel 10.4
Gegeben sei das Vektorfeld

v (x, y, z) =
y
x
, 2
,z
2
2
x + y x + y2
167
z
Abb. 10.1
Der Torus mit ganz im Innern verlaufendem Band
und der Torus D, den man dadurch erh

alt, dass der Kreis (x 2)2 + z 2
1, y = 0 um die z-Achse rotiert. In Beispiel 6.8 (vgl. S. 125) hatten wir
gesehen, dass in D gilt:
rot v = 0,
aber
*
v d
x = 0,
k
asst sich daraus kein

wobei k der Kreis x2 + y 2 = 4, z = 0 ist. Warum l
Gegenbeispiel zum Satz von Stokes konstruieren?
Die Aufgabe liefert nat
urlich kein Gegenbeispiel zum Satz von Stokes, wo das
Fl
achenintegral u
ber die Rotation des Vektorfeldes ja wegen der Rotationsfreiheit den Wert Null lieferte, wohingegen das Kurvenintegral einen Wert
ungleich Null hat. Der erste Gedanke k
onnte sein, dass unser betrachtetes
Gebiet, der Torus, wahrlich nicht einfach zusammenh
angt. Aber Vorsicht, so
einfache Gedanken haben manchmal einen Haken. Im Satz von Stokes haben
wir nirgendwo verlangt, dass unser Gebiet einfach zusammenh
angen m
oge.
War das ein Fehler? Das k
onnten Sie mir aber schrecklich vorwerfen und
ich w
urde mich sch
amen. Nein, so einfach ist das nicht!
Dieser Satz setzt ein Integral u
achenst
uck in Beziehung zu einem
ber ein Fl
Integral u
achenst
ucks. Hier kneift die Saber die gesamte Randkurve des Fl
che. Als Fl
achenst
uck im Torus bietet sich ein geschlossenes Band an, das
ganz im Torus verl
auft. Dieses hat aber neben der betrachteten Kurve k
noch eine zweite Randkurve. Zur Anwendung des Stokesschen Satzes muss
168
10 Integrals
atze
also noch ein zweites Randintegral betrachtet werden. Wegen der Orientierungsvorschrift ist diese Randkurve entgegengesetzt zur ersten Randkurve
zu orientieren. Somit erg
abe das Integral u
ber diese Randkurve den negativen Wert zum ersten Integral, die Summe w
urde also verschwinden in guter
Ubereinstimmung mit der Rotationsfreiheit und dem Satz von Stokes.

Ein Fl
achenst
uck, das nur den in der Aufgabe erw
ahnten Kreis als Randkurve besitzt, w
are zum Beispiel eine Halbkugel. Wegen der Singularit
at der
gesamten z-Achse f
ur das betrachtete Vektorfeld mussten wir aber den Torus
betrachten. Eine Halbkugel, bei der die Symmetrieachse die z-Achse ist, kann
nicht in den Torus eingebracht werden. Bitte packen Sie in Ihr Ged
achtnis,
dass das Gebiet im Satz von Stokes nicht einfach zusammen h
angen muss.
169
Ubung
19
1. Sei V R3 der Einheitsw
urfel
V := {(x, y, z) R3 : 0 x, y, z 1.}
Verizieren Sie f
ur
v (x, y, z) := (4xz, y 2 , yz)
den Gauschen Divergenzsatz.
2. Verizieren Sie den Divergenzsatz von Gau f
ur folgende Funktion:
v (x, y, z) := (4x, 2y 2 , z 2 )
auf V := {(x, y, z) R3 : x2 + y 2 4, 0 z 3.}
3. Verizieren Sie den Satz von Stokes f
ur die Funktion
f (x, y, z) := (2 x y, y z 2 , y 2 z.
Dabei sei F die obere Halbkugel
ache mit Radius R > 0 um den Nullpunkt
und n der nach auen gerichtete Normaleneinheitsvektor. Auen seien dabei
alle Punkte des R3 mit z > 0, deren Abstand von (0, 0, 0) gr
oer als R ist.
[Hinweis: Die Berechnung des Ober
achenintegrals muss nicht zu Ende
gef
uhrt werden.]
4. Berechnen Sie unter geschickter Ausnutzung des Satzes von Stokes das Ober
achenintegral
!!
rot f (x, y, z) n dF.
F
Dabei sei
f (x, y, z) := (3 y, x z, y z 2 )
und F das nach oben ge
onete Paraboloid
F := {(x, y, z) R3 : 2z = x2 + y 2 , beschr
ankt durch Z = 2}
und n sei der nach auen gerichtete Normaleneinheitsvektor.
Ausf
uhrliche L
11 Interpolation mit Splines
Ubersicht
11.1
11.2
11.3
11.4
11.5
Einf
uhrendes
Existenz und
Interpolation
Interpolation
Interpolation
Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Eindeutigkeit der Polynominterpolation . . . . . . . . . . . . .
mit linearen Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
mit Hermite-Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
mit kubischen Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
172
173
176
183
189
Oft schon sind Studierende zu mir gekommen mit dem Problem: Sie haben
durch ein Experiment viele, manchmal wirklich sehr viele Daten erhalten und
sollen diese nun auswerten. Am besten geht das, wenn man statt der Daten
eine Kurve vorliegen hat. Aber woher die Kurve nehmen? Schlielich liegen nur
furchtbar viele Punkte vor uns. Eine einfach zu beschreibende Idee haben wir
schon in der Schule kennen gelernt. Wir legen durch zwei Punte eine Gerade,
durch drei Punkte eine Parabel usw. Allgemein suchen wir ein Polynom n-ten
Grades, das durch n+1 Punkte hindurchgeht. Diese Aufgabe heit Interpolation
mit Polynomen. Wir werden uns aber schnell u
ur
berlegen, dass diese Methode f
die Praxis g
anzlich ungeeignet ist.
In diesem Kapitel wollen wir eine Methode zur Interpolation kennenlernen, die
aus dem Schibau stammt. Dort wurden schon in alten Zeiten feststehende
P
ocke benutzt, um Seitenw
ande f
ur Boote zu bauen. Die einzuspannenden
Latten heien Straklatten, englisch Splines. Daran orientieren wir uns, der Name Strakfunktion, urspr
unglich mal vorgeschlagen, hat sich nicht durchgesetzt.
Heute sprechen wir von einer Spline-Funktion oder kurz einem Spline.

172
11.1
Einf
uhrendes Beispiel
Hier sehen wir ein Blatt, auf dem die Daten eines sozusagen jungfr
aulichen
Magneten aufgezeichnet sind. Magnetisches Material zeigt im Urzustand keine
magnetische Auenwirkung. Die sogenannten Elementarmagnete liegen fr
ohlich
durcheinander. Erst wenn man ein
aueres Magnetfeld anlegt, richten sich die
Weischen Bezirke nacheinander in Richtung des
aueren Feldes und es entsteht
die magnetische Wirkung.
Unten am Rand stehen die Messdaten der sog. Neukurve. Diese Neukurve ist
f
ur die Herstellung wichtig. Ein Student, der mir diese Daten brachte, hatte
sich viel M
uhe gegeben, hier eine Kurve zu erkennen. Er versuchte es mit einer
Arctan-Funktion. Viel Versuche hat es ihn gekostet, bis er mit dieser Funktion
ankam:
f (x) = 1.14296 arctan 1.91714x + 0.0126213x.
Wir zeigen das Ergebnis an den folgenden Bildern.
11.2 Existenz und Eindeutigkeit der Polynominterpolation
173
3
2.5
2
1.5
0.5
0
0
10
20
30
40
50
60
Abb. 11.1 Die Messpunkte der Neukurve und Versuch mit der Arctan-Funktion
f (x) = 1.14296 arctan 1.91714x + 0.0126213x
Gerade im Bereich um 50 herum sehen wir, dass die Arctan-Funktion weiter

ansteigt, w
ahrend die Messdaten sich abachen. Ein weiterer Unterschied zeigt
sich, wenn wir uns die Daten um Null herum genauer anschauen. Schauen Sie
sich das Zoom-Bild auf der n
achsten Seite an.
Die Neukurve macht gerade am Anfang einen Schlenker nach rechts und dann
weiter nach oben, die Arctan-Funktion steigt gleich direkt nach oben. Besonders
dieser Anfang war f
ur den Studenten sehr wichtig. Da half also Arctan nicht
wirklich. Am besten w
are eine Interpolation der Punkte, aber mit Polynomen
kann das hier nicht klappen. Wir werden am Schluss dieses Kapitels die L
osung
verraten.
11.2
Existenz und Eindeutigkeit der

Polynominterpolation
Bei der Dierenzierbarkeit hatten wir schon einmal das Problem, eine vorgegebene Funktion durch ein Polynom zu ersetzen. Damals half uns die Taylorentwicklung. Half sie uns wirklich? Nur in einer kleinen Umgebung konnten wir zu
einer unendlich oft dierenzierbaren Funktion ein approximierendes Polynom
angeben. Das hilft nicht wirklich. Approximieren ist schon nicht unser Ziel und
174
1.5
0.5
Abb. 11.2 Eine Vergr

oerung, also ein Zoom in der N
ahe des Nullpunktes. Hier sieht
man, dass die Arctan-Funktion nicht optimal approximiert
in einer kleinen Umgebung erst recht nicht. Und das Ganze nur f
ur unendlich
oft dierenzierbare Funktionen, das geht in der Praxis gar nicht.
Unser erstes Ziel ist zu interpolieren. Das haben wir in der Schule ge
ubt und
ging so.
Beispiel 11.1
Wir betrachten die Punkte (0, 0) und (1, 1) in der Ebene und suchen eine
m
oglichst einfache Funktion, die durch diese beiden Punkte hindurch geht. Klar,
das ist die Gerade y(x) = x, also die erste Winkelhalbierende.
Das formulieren wir allgemeiner.
Denition 11.1 (Interpolationsaufgabe)
Gegeben seien im R2 die Punkte
P0 = (x0 , y0 ), P1 = (x1 , y1 ), . . . , PN = (xN , yN ), x0 < x1 < < xN .
Gesucht ist ein Polynom p(x) mit grad p(x) N , das diese Punkte interpoliert,
f
ur das also gilt:
p(xi ) = yi , i = 0, 1, . . . , N.
Beachten Sie bitte zwei Kleinigkeiten in dieser Denition.
11.2 Existenz und Eindeutigkeit der Polynominterpolation
175
1. Wir benennen den letzten Punkt mit N , damit wir nicht mit n durcheinander
kommen; denn n wird in fast allen B
uchern als Dimension des zugrunde
liegenden Raums verwendet, hier also in der Ebene ist n = 2.
2. Wir beginnen bei der Nummerierung der Punkte mit 0. Dadurch haben wir,
bitte z
ahlen Sie das nach, N + 1 Punkte gegeben. Achtung jetzt, bei zwei
gegebenen Punkten reicht eine Gerade, also Polynom vom Grad 1, bei
drei Punkten eine Parabel, also Polynom vom Grad 2, usw. Bei N + 1
gegebenen Punkten suchen wir deshalb ein Polynom vom Grad N . Das ist
so sch
on einfach. Wenn Sie stattdessen die Z
ahlerei bei 1 beg
annen, h
atten
Sie nur N Punkte und m
ussten ein Polynom vom Grad N 1 suchen, wie
unangenehm.
Der folgende Satz ist so h
ubsch einfach zu beweisen, dass wir das unbedingt
vorf
uhren wollen.
Satz 11.1 (Eindeutigkeit)
Es gibt h
ochstens ein Polynom mit grad N , das obige Interpolationsaufgabe
l
ost.
Beweis: Nehmen wir an, wir h
atten zwei Polynome p(x) und q(x), beide vom
grad N , die die Aufgabe l
osen, also mit
p(xi ) = yi ,
q(xi ) = yi , 0 i N.
(11.1)
Dann kommen wir mit einem Trick, wir betrachten die Dierenz
r(x) := p(x) q(x).
Als Dierenz zweier Polynome mit grad N ist r(x) nat
urlich wieder ein Polynom mit grad r(x) N . Beachten Sie das . Das m
ussen wir sehr ernst
nehmen. Wegen (11.1) haben wir dann aber

r(x0 ) = r(x1 ) = = r(xN ) = 0.
(11.2)
Das sind N + 1 Nullstellen f

ur das Polynom r(x), das aber nur einen Grad N
hat. Als Folgerung aus dem Fundamentalsatz der Algebra ergibt sich aber, dass
ein Polynom mit grad N h
ochstens N Nullstellen haben kann. Widerspruch?
Nein, denn im Fundamentalsatz gibt es die Einschr
ankung, dass wir nur Polynome vom Grad 1 betrachten. Die einzige Chance, nicht zu einem Widerspruch
zu kommen: r(x) muss das Nullpolynom sein. Das hat n
amlich unendlich viele
Nullstellen. Aus r(x) = 0 f
ur alle x folgt aber
p(x) = q(x) f
ur alle x.
Es gibt also h
ochstens ein solches Polynom.

176
Mit dieser niedlichen Uberlegung

haben wir also die Eindeutigkeit. Die Existenz
k
onnten wir im Prinzip jetzt dadurch beweisen, dass wir einfach f
ur beliebige
N + 1 Punkte ein solches Polynom angeben. Dazu haben sich ber
uhmte Leute wie Lagrange, Newton, Hermite u.a. viele Verfahren einfallen lassen. Mit
ihrer Hilfe w
are also leicht ein Existenznachweis konstruktiv zu f
uhren. Wir lassen das lieber, weil es in der Praxis sowieso nicht funktioniert, wie wir gleich
unten erl
autern, zitieren aber den zugeh
origen Satz, wobei wir eine kleine Einschr
ankung an die St
utzstellen beachten m
ussen.
Satz 11.2 (Existenz)
Zu vorgegebenen Punkten P0 = (x0 , y0 ), P1 = (x1 , y1 ), . . . , PN = (xN , yN ) mit
xi = xj , i, j = 1, . . . , N, i = j gibt es stets ein Polynom p(x) mit grad p(x) N ,
das die Interpolationsaufgabe aus Denition 11.1 l
ost.
Diese Bedingung xi = xj bedeutet, dass zwei Punkte nicht u
bereinander liegen
d
urfen. Na, das h
atten wir sowieso nicht gewollt.
Nach dieser im Prinzip guten Nachricht kommt jetzt aber der Pferdefu. Wenn
Sie schon mal tausend Punkte gegeben haben, wollen Sie doch nicht ernsthaft
mit einem Polynom mit grad 999 arbeiten, oder? Sie k
onnen sich sicher vorstellen, was das f
ur ein Unget
um w
are. V
ollig ausgeschlossen. Ganz abgesehen
davon, dass dieses Ding vielleicht 999 Nullstellen haben k
onnte. Das schwingt
dann hin und her, total unbrauchbar. Zum Gl
uck k
onnen wir das viel besser.
11.3
Interpolation mit linearen Splines
Die erste Idee klingt geradezu primitiv. Wir verbinden die gegebenen Punkte
einfach durch Geradenst
ucke. Viele, vor allem a
ltere Plot-Programm nutzen
diese Idee. Wenn wir solch einen Plot nur etwas vergr
oern, sehen wir, dass dort
die Kurve im wesentlichen aus kleinen Geradenst
ucken besteht.
Wir betrachten eine fest vorgegebene St

utzstellenmenge
x 0 < x1 < < x N ,
(11.3)
auf die wir im weiteren unsere Aussagen beziehen, ohne dies jedesmal ausdr
ucklich zu erw
ahnen.
Denition 11.2
Unter dem Vektorraum der linearen Splines verstehen wir die Menge
S10 := {L C[x0 , xN ] : L|[xi ,xi+1 ] P1 , i = 0, . . . , N 1}
Hier m
ussen wir einige Erl
auterungen hinzuf
ugen.
(11.4)
11.3 Interpolation mit linearen Splines
177
1. Dass es sich bei dieser Menge um einen Vektorraum handelt, ist nicht schwer
zu erkennen. Da es uns hier nicht weiter f
uhrt, verweisen wir auf weitere
Literatur, z.B. (11).
2. Die Denition besteht im wesentlichen aus zwei Bedingungen.
a) Globale Bedingung: Die Funktionen L C[x0 , xN ] sind im ganzen Inter
vall [x0 , xN ] stetig. Das ist also eine globale Eigenschaft, die wir verlangen. Stetige Funktionen auf einem Intervall (a, b) bezeichnen wir ja mit
C(a, b) oder zur Unterscheidung von den Funktionen C 1 (a, b), deren erste Ableitung noch stetig sein m
oge, mit C 0 (a, b); daher kommt also die
0
hochgestellte 0 in S1 .
b) Lokale Bedingung: In jedem der Teilintervalle seien die Funktionen L
P1 , also Polynome mit grad L 1; dort sind es also lineare Funktionen
oder Geraden. Und das ergibt den unteren Index 1 in S10 .
Wir fassen das wegen der Wichtigkeit und wegen vieler Fehler, die der Autor
in Pr
ufungen immer wieder geh
ort hat, zusammen:
Lineare Splines sind (bei vorgegebenen St
utzstellen) Funktionen,
die auf dem gesamten Intervall stetig und in jedem Teilintervall
Polynome h
ochstens ersten Grades sind.
Splines sind also keine Polynome. Man darf h
ochstens sagen, dass
es st
uckweise Polynome sind. Das Wort st
uckweise ist dabei sehr
wichtig.
Dies ist das typische Verhalten der Splines. Global, also im Gesamtintervall
[x0 , xN ], geh
oren sie zu einer Stetigkeitsklasse. Das ist nur interessant an den
inneren St
utzstellen, wo zwei Teile der Funktion zusammenkommen. Lokal sind
es Polynome von einem gewissen Grad. Dieser Grad ist festgew
ahlt und steigt
nicht mit der Zahl der St
utzstellen an, wie es ja bei der Polynominterpolation so schrecklich passiert. Er kann nat
urlich bei geeigneten St
utzstellen kleiner
werden. Wenn zwei Punkte gleichen y-Wert haben, ist das verbindende Geradenst
uck nat
urlich parallel zur x-Achse, also ein Polynom mit grad 0.
Denition 11.3 (Interpolationsaufgabe mit linearen Splines)
Gegeben seien die St
utzstellen
x0 < x1 < < xN ,
(11.5)
und an jeder Stelle ein Wert yi , i = 0, . . . , N , der vielleicht der Funktionswert

einer gesuchten Funktion ist.
Gesucht ist dann eine lineare Spline-Funktion L(x) S10 , die diese Werte interpoliert, f
ur die also gilt:
L(xi ) = yi ,
i = 0, . . . , N
(11.6)
178
In jedem Teilintervall sind damit zwei Werte vorgegeben. Allein schon die Anschauung sagt uns, dass damit die Aufgabe genau eine L
osung hat. Wir halten
dieses einfache Ergebnis in einem Satz fest, um den Aufbau dieses Abschnittes
in den n
achsten Abschnitten u
onnen.
bernehmen zu k
Satz 11.3
Die Aufgabe 11.3 hat genau eine L
osung.
Mit der aus der 8. Klasse bekannten Zwei-Punkte-Form ist diese Aussage sofort
einsichtig. Da eine Gerade zwei Unbekannte besitzt, f
uhrt diese Zwei-PunkteForm in jedem Intervall zu einem kleinen linearen (2 2)-Gleichungssystem. Um
uns die Arbeit zu vereinfachen, w
ahlen wir einen etwas geschickteren Ansatz, so
dass wir ohne LGS auskommen. Das werden wir in den n
achsten Abschnitten
sogar noch verbessern k
onnen.
Konstruktion linearer Splines
Die Konstruktion der interpolierenden linearen Splines L(x) geschieht u
ber
den Ansatz
a0 + b0 (x x0 )
f
ur x [x0 , x1 )
f
ur x [x1 , x2 )
a1 + b1 (x x1 )
L(x) =
(11.7)
..
..
.
..
.
.
ur x [xN 1 , xN )
aN 1 + bN 1 (x xN 1 ) f
Man sieht unmittelbar
ai = y i ,
i = 0, . . . , N 1.
(11.8)
Die anderen Koezienten erh

alt man dann aus
ai + bi (xi+1 xi ) = yi+1 ,
i = 0, . . . , N 1.
(11.9)
Wir k
onnen also die unbekannten ai und bi sofort aus den Vorgabedaten ausrechnen. Um es genau zu durchschauen, betrachten wir ein kleines Beispiel.
Beispiel 11.2
Wir suchen einen linearen Spline L(x), der die Punkte
P0 (x0 , y0 ) = (1, 1), P1 (x1 , y1 ) = (2, 4), P2 (x2 , y2 ) = (4, 1)
interpoliert.
Wir w
ahlen den Ansatz

L(x) =
179
a0 + b0 (x x0 ) f
ur x [1, 2)
ur x [2, 4)
a1 + b1 (x x1 ) f
Jetzt berechnen wir in jedem der beiden Teilintervalle die Gerade.

41
0
In [1, 2) ist a0 = y0 = 1, b0 = xy11 y
x0 = 21 = 3.
y2 y1
5
In [2, 3) ist a1 = y1 = 4, b1 = x2 x1 = 14
42 = 2 .
Also ist

L(x) =
1 + 3(x 1) f
ur x [1, 2)
ur x [2, 4)
4 52 (x 2) f
Hier sehen wir die typische Antwort, wenn wir nach einem interpolierenden
Spline fragen. F
ur jedes der beteiligten Teilintervalle erhalten wir ein eigenes
Polynom. Klar, bei tausend gegebenen Punkten ist das eine lange Liste. Niemand will so etwas mit Hand auswerten, aber daf
ur haben wr ja unsere Knechte,
die Computer, die das leicht f
ur uns erledigen.
Machen wir noch schnell die Probe:
L(1) = 1, L(2) = 4, L(4) = 1.
Sieht alles gut und richtig aus.
Die zugeh
orige st
uckweise lineare Funktion, die diese Werte interpoliert, haben
wir unten dargestellt.
y
6
P1 = (2, 4)
4
3
2
1
P0 = (1, 1)
P2 = (4, 1)
Abb. 11.3 Drei Vorgabepunkte und linearer Spline
180
Wie gut sind die linearen Splines?

Dieser Abschnitt bringt uns eine ganz erstaunliche Sicht auf die so simplen
linearen Splines. Wir denken uns eine gewisse Funktion f gegeben, von der wir
aber leider nur ein paar St
utzstellen kennen, und berechnen f
ur diese unseren
linearen Spline. Den Abstand der St
utzstellen nennen wir h. Wenn nicht alle
Abst
ande gleich sind, nennen wir den gr
oten Abstand h. Jetzt verkleinern wir
diesen Abstand z.B. durch Halbieren. Dadurch verdoppeln wir quasi die Anzahl
der St
utzstellen. Und wieder betrachten wir den zugeh
origen Spline. Ist er n
aher
an der f
ur uns unbekannten Funktion dran? Wir halbieren vielleicht noch ein
weiteres Mal und betrachten den zugeh
origen Spline. Und das geht immer weiter,
immer h verkleinern und den zugeh
origen Spline betrachten. So erzeugen wir
im Prinzip eine unendliche Folge von Splines. Dann macht es Sinn zu fragen,
ob diese unendliche Folge sich der vorgegebenen Funktion n
ahert. Diese kennen
wir aber normalerweise nicht; sonst w
urden wir ja nicht interpolieren.
Jetzt kommt das Unglaubliche. Obwohl wir die Funktion f nicht kennen, k
onnen
wir doch angeben, wie genau sich die interpolierenden Splines ihr n
ahern. Fast
mag man das nicht glauben. Aber der folgende Satz sagt uns genau das. Wenn
wir den Abstand der St
utzstellen immer weiter verfeinern und jedesmal den
zugeh
origen Spline berechnen, so erhalten wir eine Folge von solchen Splines,
und diese Folge n
ahert sich unter recht schwachen Voraussetzungen dieser unbekannte Funktion f . Von der Funktion f wird dabei lediglich zweimalige stetige
Dierenzierbarkeit vorausgesetzt.
F
ur die ganze Uberlegung
betrachten wir ein fest vorgegebenes Intervall [a, b].
Dort sei die unbekannte Funktion erkl
art, und in diesem m
ogen alle St
utzstellen
liegen, auch wenn wir verfeinern und verfeinern.
Satz 11.4
F
ur die St
utzstellen (11.3) sei
h := max |xi+1 xi |.
0i<N
(11.10)
Sei f C 2 [a, b], und sei L der f in den St

utzstellen (11.3) interpolierende lineare
Spline. Dann gilt:
max |f (x) L(x)|
x[a,b]
h2
max |f (x)|.
8 x[a,b]
(11.11)
Betrachten wir jetzt also eine Folge von Zerlegungen so, dass der gr
ote
St
utzstellenabstand, den wir ja mit h bezeichnet haben, gegen 0 strebt. Die
zugeh
origen linearen Splines interpolieren dann an immer mehr St
utzstellen,
woraus aber noch nichts folgt f
ur die Werte zwischen den St
utzstellen. Der obige
Satz sagt aber, dass auch dort der Unterschied kleiner wird, sogar mit quadratischer Ordnung. Halt, werden Sie sagen, das ist doch nicht richtig. Rechts steht
181
doch die unbekannte Zahl maxx[a,b] |f (x)|. Wir kennen f nicht, schon gar
nicht die zweite Ableitung und k
onnen deshalb ja wohl kaum den maximalen
Absolutwert dieser Ableitung angeben. Was soll das also bitte?
Nun, weil f zweimal stetig dierenzierbar ist, ist ihre zweite Ableitung noch stetig im Intervall [a, b], das alle St
utzstellen enthalten m
oge. Dort nimmt sie nach
dem Satz von Weierstra , vgl. den Teil 3. von Satz 4.2, S. 65, ihr Maximum
an. Wir wissen nicht, wie gro es ist, aber es ist eine endliche Zahl, die sich
bei Zunahme der St
utzstellen nicht
andert; nur das ist wichtig. Wenn wir jetzt
h immer kleiner machen, wird der Faktor h2 /8 viel kleiner und dann auch irgendwann viel kleiner als dieses unbekannte Maximum. F
ur h 0 geht also die
rechte Seite garantiert gegen Null. Damit n
ahert sich L u
berall der unbekannten
Funktion f . Das ist fast eine hinterh
altige Argumentation, oder?
Wir wollen nicht vergessen, zum Schluss darauf hinzuweisen, dass diese so einfach daherkommenden linearen Splines eine ganz groe Bedeutung bei der numerischen Berechnung der L
osung von Dierentialgleichungen besitzen. Sie sind
das wesentliche Element in den sogenannten FEM-Programmen, die heute aus
dem Arbeitsalltag sehr vieler Anwender nicht mehr wegzudenken sind.
182
Ubung
20
1. Gegeben seien in der (x, y)-Ebene die 13 Punkte:
xi 6 5 4 3
yi
2
1
0
1
2
3 4 5 6
1+ 5 1+ 8 4 1+ 8 1+ 5 1 1 1 1
a) Skizzieren Sie diese Punkte.

b) Stellen Sie zur Berechnung des Polynoms p(x), welches diese Punkte interpoliert, das zugeh
orige lineare Gleichungssystem auf.
c) Bestimmen Sie (exemplarisch f
ur drei Punkte) den zugeh
origen linearen
Spline, der diese Punkte interpoliert, und skizzieren Sie das Ergebnis.
f (x) := x4 ,
x [1, 1].
a) Bestimmen Sie den linearen Spline L1 (x), der f in den drei Knoten x0 =
1, x1 = 0 und x2 = 1 interpoliert.
unf Knoten x0 =
b) Bestimmen Sie den linearen Spline L2 (x), der f in den f
1, x1 = 1/2, x2 = 0, x3 = 1/2 und x4 = 1 interpoliert.
c) Skizzieren Sie das Ergebnis.
d) Was k
onnen Sie u
ber den Fehler
sup |f (x) L(x)|
[1,1]
aussagen, wenn L(x) der lineare Spline ist, der bei

aquidistanten St
utzstellen die Funktion f f
ur h = 1, h = 1/2 und h = 1/4 im Intervall [1, 1]
interpoliert?
Ausf
uhrliche L
11.4 Interpolation mit Hermite-Splines
11.4
183
Interpolation mit Hermite-Splines
In der zw
olften Klasse haben manche von Ihnen vielleicht eine weiterf
uhrende
Interpolationsaufgabe kennengelernt. Dort waren nicht nur die Werte einer evtl.
unbekannten Funktion an vorgegebenen St
utzstellen gegeben, sondern zus
atzlich
auch die Werte der ersten Ableitung, also die Steigung der Funktion. Wieder
wurde nach einem interpolierenden Polynom gefragt. Diese Aufgabe k
onnen wir
hierher verfrachten und dabei alles u
ber lineare Splines Gelernte wiederholen;
denn es
andern sich nur Kleinigkeiten.
Wieder betrachten wir die fest vorgegebene St
utzstellenmenge
x0 < x1 < < xN .
(11.12)
Denition 11.4
Unter dem Vektorraum der Hermite-Splines verstehen wir die Menge
S31 := {H C 1 [x0 , xN ] : H|[xi ,xi+1 ] P3 , i = 0, . . . , N 1}.
(11.13)
Und wiederum sehen wir die Zweiteilung in der Denition:

1. Globale Eigenschaft: Im ganzen Intervall [x0 , xN ] sei die Funktion H einmal stetig dierenzierbar.
2. Lokale Eigenschaft: In jedem Teilintervall sei H ein Polynom mit grad
3.
Denition 11.5 (Interpolationsaufgabe mit Hermite-Splines)
Gegeben seien wieder die St
utzstellen (11.3) und an jeder Stelle ein Wert yi , i =
0, . . . , N , der vielleicht der Funktionswert einer gesuchten Funktion ist, und ein
Wert yi1 , der dann der Wert der ersten Ableitung der unbekannten Funktion an
dieser Stelle ist.
ur den
Gesucht ist ein Hermite-Spline H S31 , der diese Werte interpoliert, f
also gilt:
H(xi ) = yi , H (xi ) = yi1 , i = 0, . . . , N
(11.14)
In jedem Teilintervall sind damit vier Werte vorgegeben, mit denen wir nat
urlich
sofort ein Polynom mit grad 3 bestimmen k
onnen.
Satz 11.5
Die Aufgabe 11.5 hat genau eine L
osung.
184
x
Abb. 11.4 Wir haben vier Punkte und an jedem Punkt, angedeutet durch eine kleine
Gerade, die erste Ableitung vorgegeben. Wir suchen eine st
uckweise kubische Funktion,
die diese Punkte interpoliert und an jedem Punkt die vorgegebene Ableitung hat.
Konstruktion von Hermite-Splines

Die Konstruktion eines interpolierenden Hermite-Splines h(x) geschieht u
ber
den Ansatz
a0 + b0 (x x0 ) + c0 (x x0 )2 + d0 (x x0 )3 f
ur x [x0 , x1 )
2
3
a1 + b1 (x x1 ) + c1 (x x1 ) + d1 (x x1 )
f
ur x [x1 , x2 )
..
H(x) =
.
aN 1 + bN 1 (x xN 1 ) + cN 1 (x xN 1 )2 +dN 1 (x xN 1 )3
f
ur x [xN 1 , xN )
(11.15)
Man sieht unmittelbar
ai = yi , bi = yi1 ,
i = 0, . . . , N 1.
(11.16)
alt man dann f

ur i = 0, . . . , N 1
Die anderen Koezienten ci und di erh
jeweils aus dem linearen Gleichungssystem
ci (xi+1 xi )2 + di (xi+1 xi )3 = yi+1 ai bi (xi+1 xi )
(11.17)
1
2ci (xi+1 xi ) + 3di (xi+1 xi )2 = yi+1
bi
185
Beispiel 11.3
Eine Funktion f sei durch folgende Wertetabelle beschrieben:
xi
1 2 4
f (xi ) 0 1 1 .
f (xi ) 1 2 1
Wir berechnen den dieser Wertetabelle gen
ugenden Hermite-Spline.
Wie es sich f
ur einen Spline geh
ort, gehen wir intervallweise vor.Im Intervall
[1, 2] machen wir den Ansatz
H(x) = a0 + b0 (x 1) + c0 (x 1)2 + d0 (x 1)3 .
Die Ableitung lautet
H (x) = b0 + 2c0 (x 1) + 3d0 (x 1)2
Die Interpolationsbedingung H(1) = 0 ergibt sofort
a0 = 0,
die weitere Bedingung H (1) = 1 bringt
b0 = 1.
Jetzt nutzen wir die Interplationsbedingungen am rechten Rand aus und erhalten zwei Gleichungen
H(2) = 1 1 + c0 + d0 = 1
H (2) = 2 1 + 2c0 + 3d0 = 2
Daraus erh
alt man
c0 = 1, d0 = 1,
und so lautet der Spline im Intervall [1, 2]
H(x) = (x 1) 1(x 1)2 + (x 1)3 in [1, 2]
Ein analoges Vorgehen im Intervall [2, 4] f
uhrt zur Funktionsgleichung im Intervall [2, 4]
H(x) = 1 + 2(x 2)
10
3
(x 2)2 + (x 2)3 in [2, 4]
4
4

186
Wie gut sind die Hermite-Splines?

In der Spezialliteratur sind viele Aussagen zu nden, die sich mit der G
ute der
Ann
aherung der Hermite-Splines an eine unbekannte Funktion befassen. Wir
zitieren hier einen Satz, der eine Aussage vergleichbar mit den linearen Splines
macht.
Satz 11.6
F
ur die St
0i<N
(11.18)
Sei f C 4 [a, b], und sei H der f in den St

utzstellen (11.3) interpolierende
Hermite-Spline. Dann gilt:
max |f (x) H(x)|
x[a,b]
h4
max |f (iv) (x)|.
384 x[a,b]
(11.19)
Bitte schauen Sie zur

uck, wie wir die analoge Formel f
ur lineare Splines diskutiert haben (vgl. S. 180). Hier entdecken wir zum Unterschied die Potenz 4 beim
St
utzstellenabstand. Das bedeutet nat
urlich viel bessere Ann
aherung; wenn wir
4
h = 1/10 w
ahlen, erhalten wir ja schon h = 1/10 000. Mit h = 1/100 erhielaherung ist nat
urlich hervorragend, auch
ten wir h4 = 1/100 000 000. Diese Ann
wenn viele St
utzstellen zu berechnen sind, aber diese Rechnung macht ja wieder
unser Computer. Also was solls? Soll er doch!
187
Ubung
21
1. Ist die Funktion
f (x) :=
x [4, 1]
12 (2 x)2 +
3
2
3
2
x [1, 2]
x [2, 4]
unden Sie Ihre Aussagen.

ein Hermite-Spline in S31 ? Begr
2. Welche der folgenden Funktionen ist ein Hermite-Spline in S31 ?
a)

f (x) =
b)

f (x) =
$
%
x 1, 12
$
%
3 x3 1 x 12 , 1
x3 1
x3 1
x [1, 0]
3 x 1 x [0, 1]
3. K
onnen a und b so bestimmt werden, dass die Funktion
3
2
(x 2) + a (x 1) x [0, 2]
(x 2)3 (x 3)2
x [2, 3]
f (x) :=
(x 3)3 + b (x 2)2 x [3, 5]

ein Hermite-Spline in S31 ist? Begr
undung!
4. Zeigen Sie, dass die Interpolationsaufgabe mit Hermite-Splines genau eine
L
osung besitzt.
5. Der Hermite-Spline Hi0 , 0 < i < N, sei gegeben durch die Vorgaben
Hi0 (xi ) := 1, Hi0 (xj ) := 0,

Hi0 (xi )
:= 0,

Hi0 (xj )
j = i, j = 0, 1, . . . , N
j = i, j = 0, 1, . . . , N
:= 0,
der Hermite-Spline Hi1 , 0 < i < N, sei gegeben durch die Vorgaben
Hi1 (xi ) := 0, Hi1 (xj ) := 0,

Hi1 (xi )
:= 1,

Hi1 (xj )
j = i, j = 0, 1, . . . , N
:= 0,
Skizzieren Sie qualitativ beide Funktionen.
j = i, j = 0, 1, . . . , N
188
6. Gegeben seien folgende Werte einer ansonsten unbekannten Funktion f :

xi 0 1
f (xi ) 0 1 1
f (xi ) 0 1 1
Bestimmen Sie den Hermite-Spline H(x), der diese Werte interpoliert.

f (x) = x4 ,
x [1, 1].
Angenommen, wir interpolieren diese Funktion mit einem Hermite-Spline

H(x),
a) indem wir die St
utzstellen 1, 0, 1,
b) indem wir die St
utzstellen 1, 1/2, 0, 1/2, 1,
c) indem wir die St
utzstellen 1, 3/4, 1/2, 1/4, 0, 1/4, 1/2, 3/4, 1
benutzen. Was k
onnen Sie jedes Mal u
ber den Fehler
sup
x[x0 ,xN ]
|f (x) H(x)|
aussagen?
Ausf
uhrliche L
11.5 Interpolation mit kubischen Splines
11.5
189
Interpolation mit kubischen Splines
Kubische Splines
Die Uberschrift
k
onnte Verwirrung stiften; denn auch die Hermite-Splines bestanden ja st
uckweise aus kubischen Polynomen. Es hat sich aber eingeb
urgert,
die nun zu erkl
arenden Spline mit dem Zusatz kubisch zu versehen.
Der Vektorraum der kubischen Splines

Auch hier betrachten wir die fest vorgegebene St
utzstellenmenge
x0 < x1 < < xN
mit
hk := xk+1 xk , k = 0, . . . , N 1.
(11.20)
Denition 11.6
Unter dem Vektorraum der kubischen Splines verstehen wir die Menge
S32 := {K C 2 [x0 , xN ] : s|[xi ,xi+1 ] P3 , i = 0, . . . , N 1}
(11.21)
Der Unterschied zu den Hermite-Splines liegt also in der gr

oeren Glattheit; die
zweite Ableitung m
ochte noch stetig sein.
Interpolation mit kubischen Splines

Unsere Interpolationsaufgabe gestaltet sich hier etwas komplizierter, weil wir
N + 3 Freiheiten haben, aber nur N + 1 St
utzstellen. Wir werden also auf jeden
Fall zur Interpolation alle St
utzstellen verwenden. Damit haben wir schon mal
N + 1 Bedingungen.
Denition 11.7 (Interpolationsaufgabe mit kubischen Splines)
Gegeben seien wieder die St
utzstellen (11.3) und an jeder Stelle ein Wert yi , i =
0, . . . , N , der vielleicht der Funktionswert einer gesuchten Funktion ist.
Gesucht ist ein kubischer Spline K(x) S23 , der diese Werte interpoliert, f
ur
den also gilt:
K(xi ) = yi , i = 0, . . . , N
(11.22)
Z
ahlen wir einmal kurz nach, so erkennen wir, dass damit N + 1 Interpolationsbedingungen vorgegeben sind. Wir kommen gleich darauf zur
uck.
F
ur das weitere Vorgehen w
ahlen wir den gleichen Ansatz wie bei den HermiteSplines.
190
Denition 11.8
Ansatz zur Interpolation mit kubischen Splines:
a0 + b0 (x x0 ) + c0 (x x0 )2 + d0 (x x0 )3
f
ur x [x0 , x1 )
a + b1 (x x1 ) + c1 (x x1 )2 + d1 (x x1 )3
1
f
ur x [x1 , x2 )
K(x) :=
..
aN 1 + bN 1 (x xN 1 ) + cN 1 (x xN 1 )2 + dN 1 (x xN 1 )3
f
ur x [xN 1 , xN )
(11.23)
In diesem Ansatz haben wir damit 4N unbekannte Koezienten, n
amlich
a0 , . . . , aN 1 , b0 , . . . , bN 1 , c0 , . . . , cN 1 und d0 , . . . , dN 1 . Bei N + 1 Interpolationsbedingungen haben wir noch viel Freiheit. Wir suchen eine zweimal
stetig dierenzierbare Funktion. Das ist aber nur interessant an den inneren
Knoten, wo man von rechts und von links an die Stelle herankommt. Am Rand
ankung. Wir haben insgesamt N 1 innere
bei x0 und xN ist das keine Einschr
St
utzstellen, n
amlich x1 , . . . xN 1 . Dort m
ogen also u
bereinstimmen
1. die Funktionswerte wegen der Stetigkeit,
2. die Steigungen wegen der ersten Ableitung
3. und so etwas wie die Kr
ummung wegen der zweiten Ableitung.
Das sind insgesamt 3(N 1) Bedingungen, die unsere Splines einschr
anken. Wir
fassen zusammen
4N 3(N 1) = N + 3.
F
ugen wir die N + 1 Interpolationsbedingungen hinzu, erhalten wir
4N 3(N 1) (N + 1) = 2.
Was sehen wir? Wir haben immer noch zwei freie Parameter zuviel, k
onnen also
noch zwei Bedingungen hinzuf
ugen.
Es gibt sicherlich sehr viele M
oglichkeiten, diese zwei zus
atzlichen Freiheiten
sinnvoll f
ur eine Interpolationsaufgabe zu nutzen. Eine verbreitete Idee bezieht
sich auf den Ursprung der Splines im Schibau.
Denition 11.9
Unter einem nat
urlichen kubischen Spline verstehen wir einen Spline
K(x) S32 , der auerhalb der vorgegebenen Knotenmenge x0 , . . . , xN als Po
an
lynom ersten Grades, also linear fortgesetzt wird mit C 2 -stetigem Ubergang
den Intervallenden.
191
Man stelle sich einen Stab vor, der gebogen wird und durch einige Lager in
dieser gebogenen Stellung gehalten wird. So wurden genau die Straklatten im
Schibau eingesetzt, um den Schisrumpf zu bauen. Auerhalb der
aueren
St
utzstellen verl
auft der Stab dann gerade, also linear weiter. So erkl
art sich
auch die Bezeichnung nat
urlich.
Mathematisch betrachtet m
ussen die zweiten Ableitungen am linken und rechten Interpolationsknoten verschwinden, d. h. K (x0 ) = K (xN ) = 0. Aus der
Denition der nat
urlichen kubischen Splines erhalten wir folgende Zusatzbedingungen:
Satz 11.7
Bei nat
urlichen kubischen Splines sind die Koezienten c0 und cN gleich Null.
Damit erhalten wir den vollst
andigen Algorithmus:
Algorithmus zur Berechnung kubischer Splines
1
2
3
4
ak
= yk
f
ur k = 0, . . . , N
ck1 hk1 + 2ck (hk1 + hk ) + ck+1 hk =

3
3
=
(ak+1 ak )
(ak ak1 )
hk
hk1
f
ur k = 1, . . . , N 1, c0 = cN = 0
ak+1 ak
1
bk =
(2ck + ck+1 )hk f
ur k = 0, . . . , N 1
hk
3
1
dk =
(ck+1 ck ) f
ur k = 0, . . . , N 1
3hk
Der Schritt 1 folgt unmittelbar aus der Interpolationsbedingung. Interessant

ist der Schritt 2 . Hier ensteht ein lineares Gleichungssystem zur Bestimmung
der Koezienten c1 , . . . , cN 1 . Wenn wir wegen c0 = cN = 0 gleich die nullte
und N -te Spalte dieses Systems weglassen, erhalten wir:
S=
2(h0 + h1 )
h1
0
..
.
..
.
0
h1
0 ...
...
..
.
2(h1 + h2 ) h2
.. ..
..
.
.
.
h2
..
.. ..
..
.
.
.
.
.. ..
.
. 2(hN 3 + hN 2 )
...
... 0
hN 2
0
..
.
..
.
0
hN 2
2(hN 2 + hN 1 )
192
Diese Matrix ist oensichtlich quadratisch, symmetrisch und tridiagonal. Es

l
asst sich zeigen, dass sie auch regul
ar ist. Dann hat das System genau eine
L
osung.
Satz 11.8 (Existenz und Eindeutigkeit)
Es gibt genau einen nat
urlichen kubischen Spline, welcher die Interpolationsaufgabe 11.7 l
ost.
Diesen Algorithmus wenden wir jetzt auf unser Eingangsbeispiel, der Neukurve
eines Industriemagneten, an. Wir erhalten mit Hilfe eines Rechenprogramms
folgenden Ausdruck:
2.5
2
1.5
2
1.5
0.5
0
1
0.5
00
10
20
30
1
40
3
50
60
Abb. 11.5 Die Neukurve, dargestellt durch einen nat

urlichen kubischen Spline, im Inset
ein Zoom in der N
ahe des Nullpunktes
Gerade in der N
ahe des Nullpunktes, wo die Arctan-Funktion versagte, erhalten
wir mit Splines ein gutes Ergebnis. Mein Student war jedenfals sehr zufrieden,
da er nun auch Zwischenpunkte ablesen bzw. mit meinem kleinen Programm
berechnen konnte.
Und wie gut sind kubische Splines?

Mit einem sehr komplizierten Beweisverfahren kann man auch f
ur die kubischen Splines eine Aussage herleiten, die sicherstellt, dass mit der Erh
ohung der
193
Knotenzahl eine immer bessere Ann

aherung einhergeht. Wir verweisen f
ur den
Beweis auf Spezialliteratur und zitieren lediglich die Hauptaussage.
Satz 11.9
F
ur die St
0i<N
(11.24)
utzstellen (11.3) interpolierende kubiSei f C 4 [a, b], und sei K der f in den St
sche Spline mit den zus
atzlichen Randbedingungen K (x0 ) = f (x0 ), K (xN ) =
f (xN ). Dann gilt:
max |f (x) K(x)|
x[a,b]
5h4
max |f (iv) (x)|.
384 x[a,b]
(11.25)
5
Der Faktor 384
ist dabei nicht zu verbessern. Der entscheidende Punkt liegt
wieder in der 4-ten Potenz des St
utzstellenabstandes h. Genau die gleiche Potenz
war auch f
ur die Konvergenz der kubischen Hermite-Splines verantwortlich.
194
Ubung
22
1. Berechnen Sie mit dem Algorithmus von Seite 191 jeweils den nat
urlichen
kubischen Spline K, der
(a)f (x) = x4 in den Punkten x0 = 1, x1 = 0, x2 = 1 interpoliert,
(b)der folgenden Wertetabelle gen
ugt:
x
2 1 0
f (x) 0.2 0.5 1 0.5 0.2

2. Bestimmen Sie den nat
urlichen kubischen Spline K, der die Sinusfunktion
gem
a unten stehender (N
aherungs-)Wertetabelle interpoliert, und berechnen Sie den Wert von K bei x = 1:
0 /6 2/6 /2
0 0.5
0.9
Ausf
uhrliche L
12 Gew
ohnliche
Dierentialgleichungen
Ubersicht
12.1
12.2
12.3
12.4
12.5
12.6
12.7
12.8
Diese Mathematiker immer mit Existenz und Eindeutigkeit . . . . . . . .

Numerische Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Euler-Polygonzug-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zur Konvergenz des Euler-Verfahrens . . . . . . . . . . . . . . . . . . . . . . . . . . .
Runge-Kutta-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zur Konvergenz des Runge-Kutta-Verfahrens . . . . . . . . . . . . . . . . . . . .
Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
196
196
200
201
204
208
210
211
In diesem Kapitel wollen wir uns mit einer Aufgabe befassen, die f
ur die Praxis von gr
oter Bedeutung ist. Es geht um die Aufgabe, Dierentialgleichungen
zu l
osen. Es handelt sich um eine ganz neue Form von Gleichungen, n
amlich
Gleichungen, in denen eine unbekannte Funktion und zugleich ihre Ableitungen
vorkommen. Die unbekannte Funktion y(x) wird als L
osung gesucht. Ich erinnere mich noch sehr, wie schrecklich es mir ankam, als wir in der 11. Klasse zur
Dierentialrechnung kamen. Wir hatten bis dahin immer nur mit Zahlen gerechnet, jetzt sollten wir pl
otzlich mit Funktionen umgehen. Das war furchtbar neu
und hat uns alle abgeschreckt. So, wie wir uns daran gew
ohnt haben, m
ussen
wir uns ebenso an die Dierentialgleichungen gew
ohnen. Dann wird das schon.
In sehr vielen Gebieten des t
aglichen Lebens spielen Dierentialgleichungen eine
entscheidende Rolle. Wir nennen das Grundgesetz von Newton f
ur Bewegungen:
Kraft gleich Masse mal Beschleunigung. Die Beschleunigung ist die zweite Ableitung der Bewegung nach der Zeit. Das ist also eine Gleichung, in der eine
Ableitung vorkommt. Wenn Sie eine Pendeluhr betrachten, wenn wir von Satelliten h
oren, die die Erde umkreisen, Konzentrationen in chemischen Verbindungen oder por
oses Material betrachten, stets sind es Dierentialgleichungen, die
zur Modellbildung herangezogen werden k
onnen. Sie werden staunen, wo diese Biester in Ihrem Studium auftauchen. Wir k
onnen allerdings nur einen sehr

196
12 Gew
ohnliche Dierentialgleichungen
groben Uberblick
geben, wie solche Gleichungen zu l
osen sind. F
ur Einzelheiten
m
ussen wir auf die Literatur verweisen.
12.1
Diese Mathematiker immer mit Existenz

und Eindeutigkeit
Ein typischer Vorwurf gerade von Anwendern gegen die Mathematiker besteht
in den beiden Worten Existenz und Eindeutigkeit und einem groen St
ohnen.
Ja, damit hantieren die, aber was soll ich als Praktiker damit anfangen? Da kam
eine Studentin zu mir mit dem Problem: Sie hatte einen Roboter entwickelt. Der
sollte vorw
arts laufen. Das tat er auch, aber seine Bewegungen waren sehr komisch. Um vorw
arts zu kommen, streckte er zuerst sein Hinterteil weit nach
hinten. Dann erst setzte er einen Fu nach vorne. Und das machte er bei jedem Schritt. Sie meinte, das k
onnte sie nicht anbieten, alle w
urden nur lachen.
Sie h
atte da eine Dierentialgleichung aus ihrer Modellbildung entnommen. Sie
vermutete, dass diese Gleichung mehrere L
osungen haben k
onnte und dass sie
die falsche L
osung benutzt hatte. Da war ich mit meiner Existenz und Eindeutigkeit gefragt, und siehe da, ich konnte ihr mit den Methoden, die wir gleich
unten besprechen werden, leicht zeigen, dass ihre Aufgabe genau eine L
osung
besitzt, Existenz klar, Eindeutigkeit ebenfalls gegeben. Da war diese Studentin
sehr froh, denn jetzt war klar, dass ihr Modell falsch war. Und sie wusste auch
schon, wo sie ansetzen musste. Also bitte, verachten Sie mir die Existenz- und
Eindeutigkeitsfragen der Mathematiker nicht. Wenn irgendeine Aufgabe mehr
als eine L
osung hat, k
onnen Sie doch mit einem Computer gar nicht anfangen
zu rechnen. Der haut doch gleich mit ERROR dazwischen, beendet die weitere
Diskussion oder rechnet gar mit einer nicht brauchbaren L

osung weiter.
Wir werden uns also zuerst die gar nicht so komplizierten S
atze zur Existenz und
Eindeutigkeit anschauen und danach zwei der wichtigsten Verfahren zur numerischen Berechnung von sogenannten Anfangswertaufgaben mit gew
ohnlichen
Dierentialgleichungen kennenlernen.
12.2
Zun
achst wollen wir uns u
ber den Begri Dierentialgleichung klar werden.
Daher beginnen wir mit der Denition einer gew

ohnlichen Dierentialgleichung.
Die andere groe Gruppe, die partiellen Dierentialgleichungen, behandeln wir
dann im n
achsten Kapitel.
197
Denition 12.1
Eine gew
ohnliche Dierentialgleichung erster Ordnung ist eine Gleichung, in der
eine unbekannte Funktion y(x) der einen unabh
angigen Variablen x zusammen
mit ihrer ersten Ableitung y (x), steht, also eine Gleichung der Form
F (x, y(x), y (x)) = 0
(12.1)
mit einer allgemeinen Funktion F von den 3 Variablen x, y und y . Gesucht ist
dabei die Funktion y = y(x).
Die Dierentialgleichung heit explizit, wenn sie sich schreiben l
asst als
y (x) = f (x, y(x)).
(12.2)
Wir werden solch eine Gleichung h

aug mit DGL abk
urzen.
Tats
achlich ist es keine schwierige Weiterf
uhrung, wenn wir auch noch
y (x),. . . ,y (n) zulassen, also DGLn n-ter Ordnung betrachten. Wir m
ochten
aber hier nur eine Einf
uhrung geben und verweisen Sie auf Spezialliteratur.
Beispiel 12.1
Die DGL
3y (x) + 2y(x) = cos x
l
asst sich schreiben als
cos x
2
y (x) = y(x) +
,
3
3
ist also explizit.
Aber die DGL
y (x) + y 2 (x)

y(x) ln y (x) = 0
osen. Versuchen Sie es ruhig.

l
asst sich nicht nach y (x) au

Wir betrachten ab sofort nur explizite DGLn. F

ur nicht explizite DGLn ndet
man nur in echter Spezialliteratur L
osungsans
atze. Im Prinzip sehen wir da eine
Ableitung in der Gleichung, also m
usste man ja wohl integrieren. Ungef
ahr so
werden wir das auch machen. Wichtig im Moment ist, dass dabei, wie wir aus der
Schule noch wissen, eine Integrationskonstante auftritt, die wir beliebig w
ahlen
k
onnen. Das bedeutet aber, dass wir beliebig viele L
osungen haben, wenn wir
denn u
ankung,
berhaupt eine haben. Daher brauchen wir eine weitere Einschr
also eine weitere Bedingung, die wir an unsere L
osung stellen wollen. Eine der
wichtigsten Forderungen, die sich anbieten, ist eine sogenannte Anfangsbedingung. Wir verlangen, dass unsere L
osung bei x0 einen fest vorgegebenen Wert
y0 annimmt.
198
12 Gew
Denition 12.2
Unter einer Anfangsbedingung AB f
ur eine gew
ohnliche Dierentialgleichung
erster Ordnung verstehen wir eine Gleichung der Form
y (x0 ) = y0 .
(12.3)
Unsere damit entstehende Aufgabe erh

alt einen eigenen Namen:
Denition 12.3
Eine gew
ohnliche explizite Dierentialgleichung erster Ordnung zusammen mit
einer Anfangsbedingung nennen wir eine Anfangswertaufgabe (AWA) . Sie hat
also die Form
y (x) = f (x, y(x))
mit
y(x0 ) = y0 .
(12.4)
Beispiel 12.2
Wir betrachten die AWA
y (x) = y(x) mit y(0) = 1.
(12.5)
Zun
achst die kleine Erkl
arung, wo wir unsere Funktion f nden. Bei der expliziten Darstellung steht sie einfach auf der rechten Seite. Hier also f (x, y) = y.
Aber da ist ja kein x? Muss doch auch nicht. Betrachten Sie im R1 die Funktion
f (x) = 2, also eine konstante Funktion. Da ist auch kein x drin. Na, das ist kein
Problem. Weiter unten kommen wir mit schwierigeren AWAs.
Oensichtlich ist
y(x) = c ex
L
osung der Dierentialgleichung
y (x) = y(x),
wie man durch Einsetzen direkt zeigt. Wir werden gleich im Satz 12.2 zeigen,
dass es die einzige L
osung dieser Dierentialgleichung ist. Dann benutzen wir
die AB y(0) = 1 und erhalten
y(0) = c e0 = c = 1.
osung der AWA (12.5).
Also ist y(x) = ex die einzige L
Jetzt
andern wir die AB:
Beispiel 12.3
Wir betrachten die AWA
y (x) = y(x) mit y(0) = 2.

199
Die L
osung der DGL ist wie oben die Funktion y(x) = c ex . Anpassen der AB
y(0) = 2 ergibt
y(0) = c e0 = c = 2.
osung dieser AWA, und sie ist verschieden
Damit ist y(x) = 2 ex die einzige L
von der L
osung der AWA in Beispiel 12.2.

Satz 12.1 (Existenzsatz von Peano)
Sei f stetig im Gebiet G R2 und sei (x0 , y0 ) G. Dann gibt es ein > 0, so
da die Anfangswertaufgabe
y (x) = f (x, y(x)),
y(x0 ) = y0
(mindestens) eine L
osung im Intervall [x , x + ] besitzt.
Falls die rechte Seite der DGL, also die Funktion f diese sehr schwache Bedingung der Stetigkeit nicht erf
ullt, so k
onnen wir leider keine Aussage zur Existenz
einer L
osung machen. Vielleicht gibt es eine L
osung, vielleicht aber auch nicht.
Eine etwas st
arkere Bedingung an die Funktion f gibt uns jetzt die Gewissheit,
dass es genau eine L
osung gibt.
Satz 12.2 (Lokaler Existenz- und Eindeutigkeitssatz)
Es sei G ein Gebiet des R2 und f : G R eine stetige Funktion, die bezgl.
der zweiten Variablen y lokal einer Lipschitz-Bedingung (L) gen
ugt, f
ur jeden
Punkt (x, y) G gebe es also eine (vielleicht winzig) kleine Umgebung U (x, y),
in der eine Konstante L > 0 existiert mit
(L)
ur alle (x, y1 ), (x, y2 ) U. (12.6)

|f (x, y1 ) f (x, y2 )| L |y1 y2 | f
Dann gibt es zu jedem Punkt (x0 , y0 ) G genau eine stetig dierenzierbare

Funktion y(x), die der folgenden Anfangswertaufgabe gen
ugt:
y (x) = f (x, y(x)) mit y(x0 ) = y0 .
(12.7)
Es reicht also, wenn es zu jedem Punkt eine klitzekleine Umgebung gibt, in der
die Lipschitz-Bedingung erf
ullt ist. Diese Umgebung muss nicht mal f
ur jeden
Punkt die gleiche Gr
oe haben. Das ist wirklich eine schwache Bedingung.
Beispiel 12.4
Hat die AWA
y (x) = x y(x),
genau eine L
osung?
y(0) = 1
200
12 Gew
Wir m
ussen die Funktion f (x, y) untersuchen. Das ist hier die Funktion
f (x, y) = xy.
Dabei betrachten wir y analog zu x als unabh
angige Variable, f sei also eine
Funktion von zwei Variablen x und y. Wir vergessen f
ur diese Untersuchung also,
dass y als L
osung der AWA eine Funktion von x sein m
ochte. Selbstverst
andlich
ist diese Funktion stetig. Das sieht man wirklich. K
ummern wir uns also nur
noch um die Lipschitzbedingung (L). Wir rechnen:
|f (x, y1 ) f (x, y2 )| = | xy1 (xy2 )| = |x| |y1 y2 |.
Vergleich mit der Formel (L)
zeigt uns, dass L aus dem Faktor
|x| zu entwickeln ist. Aus der AB
entnehmen wir x0 = 0 und y0 =
1. Wir m
ussen also schauen, ob
in einer Umgebung des Punktes
(0, 1) R2 dieses |x| beschr
ankt
bleibt. Schauen wir rechts auf die
Skizze. In dem gezeichneten Kreis
ist |x| 1. Also betrachten wir
als kleine Umgebung diesen Kreis
und w
ahlen L = 1.
y
6
'$
U
(0, 1)
&%
(0, 0)
Abb. 12.1 Umgebung U des Punktes

(0, 1), in der |x| beschr
ankt bleibt
Damit haben wir die Lipschitzbedingung erf

ullt und sind sicher, dass unsere
Aufgabe durch diesen Anfangspunkt genau eine L
osung besitzt.

Wir betonen noch einmal, dass wir hier zwei Bedingungen, stetig und Lipschitzstetig, betrachten, die wir vorab, ohne die DGL zu l
osen, anwenden k
onnen. An
Hand dieser Bedingungen sind wir dann in der Lage vorherzusagen, ob die Aufgabe Sinn macht, also l
osbar ist oder nicht. Das grenzt doch schon an Zauberei,
oder? Ja, diese Mathematiker!
12.3
Numerische Verfahren
Schon sehr einfache AWAn sind nicht mehr exakt zu l

osen. Betrachten wir z.B.
y (x) = x2 + y2 (x),
y(0) = 1.
Das ist wegen des Quadrates rechts bei y keine in y lineare Dierentialgleichung
mehr. F
ur solch eine Aufgabe kennen wir leider kein Verfahren zur Berechnung
12.4 Euler-Polygonzug-Verfahren
201
der exakten L
osung. Weil solche Aufgaben aber immer h
auger die Anwendungen bestimmen, wollen wir gleich zur Numerik schreiten und versuchen, sie
n
aherungsweise zu l
osen.
12.4
Euler-Polygonzug-Verfahren
Wir betrachten als Standard-AWA die Aufgabe

y (x) = f (x, y(x)),
y(x0 ) = y0 .
(12.8)
Grundgedanke der N
aherungsverfahren:
Wir versuchen, die L
osung dieser AWA anzun
ahern, indem wir
N
aherungswerte an gewissen Punkten berechnen.
Dazu w
ahlen wir eine Schrittweite h > 0 und bilden mit x0 aus der AB die
St
utzstellen:
x0 , x1 = x0 + h, x2 = x0 + 2h, x3 = x0 + 3h, . . .
(12.9)
aherungswerte
Wir versuchen dann, ausgehend von dem Vorgabewert y0 der AB N
ur y(x1 ), y(x2 ), y(x3 ), . . ., also die Werte der exakten L
osung y(x)
y1 , y2 , y3 , . . . f
an diesen St
utzstellen zu nden:
y1 y(x0 + h) = y(x1 ), y2 y(x0 + 2h) = y(x2 ), y3 y(x0 + 3h) = y(x3 ), . . .

(12.10)
Leonard Euler benutzte die Idee der Taylor-Entwicklung:
y(x1 ) = y(x0 + h) = y(x0 ) + hy (x0 ) +
h2
y ()
2
mit x0 < < x1 . (12.11)
Den unterklammerten Ausdruck vernachl

assigen wir. Da steht ja ein h2 drin;
wenn wir h klein machen, wird dieser Term viel kleiner, also weglassen. Wir
werden sp
ater dazu Kritisches anmerken.
Jetzt nutzen wir aus, dass wir ja aus der gegebenen Dierentialgleichung die
Funktion f kennen, und setzen
y1 := y0 + hy (x0 ) = y0 + hf (x0 , y0 )

y2 := y1 + hy (x1 ) = y1 + hf (x1 , y1 )
..
.
(12.12)
(12.13)
(12.14)
202
12 Gew
Am folgenden Beispiel k
onnen Sie sehr schnell sehen, wie einfach dieses Verfahren anzuwenden ist.
Beispiel 12.5
Zeigen Sie, dass f
ur folgende AWA
y (x) = xy(x),
y(0) = 1
osung ist, und berechnen Sie mit h = 0.2

die Funktion y(x) = ex /2 die exakte L
eine N
aherung mit dem Euler-Verfahren.
Mit Hilfe des lokalen Existenz- und Eindeutigkeitssatzes 12.2 u
berlegen wir uns
zuerst, dass diese Aufgabe genau eine L
osung besitzt. Wegen f (x, y) = xy,
eine oenkundig stetige Funktion, gibt es durch den Anfangspunkt (x0 , y0 ) =
(0, 1) eine L
osung. Die Lipschitzbedingung hatten wir oben im Beispiel 12.4
schon nachgewiesen. Also wissen wir damit, dass diese ganze Aufgabe genau
eine L
osung besitzt. Wir m
ussen nur nachrechnen, dass die angegebene Funktion
eine L
osung ist.
Wir berechnen die Ableitung der Funktion y(x):
y (x) =
2x x2 /2
e
= xy(x).
2
Und wir sehen, dass diese Funktion auch die AB erf

ullt: y(x0 ) = y(0) = 1. Alles
2
osung.
klar, y(x) = ex /2 ist die einzige L
Jetzt berechnen wir eine N
aherungsl
osung. Aus der AB folgt x0 = 0, y0 = 1 und
aus der DGL f (x, y) = xy. Mit h = 0.2 haben wir
x0 = 0, x1 = 0.2, x2 = 0.4, x3 = 0.6, x4 = 0.8, x5 = 1.
Damit erhalten wir
y1 = y0 + hf (x0 , y0 ) = 1 + 0.2 (x0 y0 ) = 1 + 0.2 (0) 1 = 1.
So geht es weiter.
y2 = y1 + hf (x1 , y1 ) = 1 + 0.2 (x1 y1 ) = 1 + 0.2 (0.2 1) = 0.96.
y3 = y2 + hf (x2 , y2 ) = 0.96 + 0.2 (0.4 0.96) = 0.8832.
Zur Berechnung der weiteren Werte benutzen wir lieber einen Rechner, der freut
sich geradezu auf solche Aufgaben.
y4 = 0.777,
y5 = 0.653.
Zum Vergleich mit der exakten L

osung stellen wir die Terme gegen
uber.
12.4 Euler-Polygonzug-Verfahren
203
x-Wert
exakte L
osung N
aherungswert
x0 = 0
y(x0 ) = 1
y0 = 1
x1 = 0.2 y(x1 ) = 0.980
y1 = 1
x2 = 0.2 y(x2 ) = 0.923
y2 = 0.96
x3 = 0.2 y(x3 ) = 0.835
y3 = 0.8832
x4 = 0.2 y(x4 ) = 0.726
y4 = 0.777
x5 = 0.2 y(x5 ) = 0.6065 y5 = 0.653

Wir sehen, dass das Ergebnis h
ochstens suboptimal ist. Aber wir haben ja auch
eine Schrittweite h = 0.2 gew
ahlt. Wenn wir die verkleinern, dann wird es schon
werden, m
ochte man meinen. Wir werden gleich anschlieend dazu etwas sagen.
Wir fassen das Euler-Polygonzug-Verfahren zusammen:
Euler-Polygonzug-Verfahren
y0 = y(x0 ),
yi+1 = yi + h f (xi , yi ),
i = 0, 1, 2, . . . .
(12.15)
Wir k
onnen dieses Verfahren wunderbar veranschaulichen. Schauen Sie auf das
folgende Bild.
y(x)
6
(x4 , y4 )
(x1 , y1 )
(x0 , y0 )
x0
Abb. 12.2
(x2 , y2 )
x1
x2
(x3 , y3 )
x3
x4
Ungef
ahr so k
onnte ein Polygonzug nach dem Euler-Verfahren aussehen
Durch die vorgegebene Schrittweite h > 0 haben wir, ausgehend vom Anfangsonnen wir aus
punkt x0 aus der AB, die Punkte x1 ,. . . ,x4 eingetragen. Dann k
204
12 Gew
der gegebenen Dierentialgleichung, wenn wir x0 einsetzen und y0 = y(x0 ) aus

der AB entnehmen, den Wert y (x0 ) = f (x0 , y0 ) ausrechnen. Was ist das bitte?
Es ist, wie es sich f
ur die Ableitung geh
ort, die Steigung der L
osungsfunktion
onnen wir
im Punkt (x0 , y0 ). Mit der Punkt-Steigungsform aus der 8. Klasse k
damit die Geradengleichung aufstellen und beim Schnittpunkt mit der Ordinate
u
ber x1 den neuen Punkt y1 ablesen. Unser Pfeil zeigt genau auf diese Gerade.
Dieser Punkt ist eine N
aherung an den gesuchten Punkt der L
osungsfunktion
u
ber x1 .
Wieder mittels der DGl berechnen wir an dieser Stelle den Wert y (x1 ) =
onnen
f (x1 , y1 ), erhalten also wieder die neue Steigung am Punkt (x1 , y1 ) und k
eine neue Gerade zeichnen bis zur Ordinate u
ber x2 . Und so geht das fort und
fort, und es entsteht der ganze Polygonzug.
Wir betonen noch einmal: Im Punkt (x0 , y0 ) haben wir in der Tat die Steigung
der L
osungsfunktion ausgerechnet. Im Punkt (x1 , y1 ) haben wir auch eine Steigung ausrechnen k
onnen, aber das muss nicht die Steigung der L
osungsfunktion
sein. y1 ist ja nur ein N
aherungswert, die L
osungsfunktion muss ja gar nicht
durch (x1 , y1 ) hindurchgehen. So sind auch alle weiteren berechneten Punkte
nur N
aherungswerte an die gesuchte L
osungsfunktion.
Eine Bemerkung zur fest gew
ahlten Schrittweite h > 0. Es ist m
oglich und an
vielen Stellen sogar notwendig, die Schrittweite von Schritt zu Schritt variabel
zu gestalten. Sie nden das in der Literatur unter der Bezeichnung adaptive
Verfahren. Leider k
onnen wir in diesem Rahmen darauf nicht n
aher eingehen.
12.5
Zur Konvergenz des Euler-Verfahrens
Bitte vergessen Sie den Gedanken, selbst wenn wir tausend und mehr Schritte Polygonzug machen, mit diesen Punkten etwas u
ber Konvergenz sagen zu
wollen. Konvergenz ist ein Begri, der nur bei unendlich vielen Schritten Sinn
macht. Selbst mit den gr
oten Rechnern k
onnen Sie niemals unendlich viele
Schritte berechnen. Wenn wir trotzdem dazu was sagen wollen, so ist anderes
damit gemeint.
12.5 Zur Konvergenz des Euler-Verfahrens
205
y(x)
6

,

,
Q

,
QQ
,

Q

,

Q

"
Q,
"

x
Abb. 12.3
Drei Polygonz
uge nach dem Euler-Verfahren
Schauen Sie sich in obiger Skizze zuerst die Sterne an. Sie nden sie auf der xAchse im Abstand, sagen wir h = 1. Dazwischen liegen , die zusammen mit den
den Abstand h = 1/2 symbolisieren. Dann sind noch wieder in der Mitte ,
die mit den anderen den Abstand h = 1/4 zeigen. Dazu haben wir oben dar
uber
Polygonz
uge gezeichnet. Der grobe zu , der mittelfeine zu und der ganz feine
zu . Ganz fein ist nat
urlich nur f
ur die Skizze gemeint. Wir lassen jetzt die
Abst
ande immer kleiner werden, denken also im Kopf, niemand will das mehr
zeichnen, an h 0. Zu jedem dieser h geh
ort ein Polygonzug. So entstehen
im Prinzip unendlich viele Polygonz
uge. Jetzt ist es m
oglich und erlaubt, f
ur
Mathematikerinnen und Mathematiker geradezu Picht, nach Konvergenz dieser
Folge von Polygonz
ugen zu fragen. So ist also Konvergenz zu verstehen.
Leider kann man nun vom Euler-Verfahren nicht so locker vom Hocker etwas
u
ber Konvergenz aussagen. Unter der Zusatzbedingung, dass das Verfahren stabil ist, folgt das erst. Und das Schlimme ist, dass Stabilit
at ziemlich kompliziert
zu beschreiben ist. Grob gesprochen, und nur das k
onnen wir hier andeuten,
meint es:
Kleine Abweichungen zu Beginn d
urfen nicht zu Chaos im Verlauf
der Rechnung f
uhren.
Wir k
onnen in der Praxis kleine Abweichungen am Beginn in der Regel nicht
vermeiden; denn wir haben ja unsere Anfangsbedingung nicht am gr
unen Tisch
gefunden, sondern, wenn wir mal von unseren kleinen Ubungsbeispielen

absehen,
aus Messungen in der Natur. Da sind Fehler nicht vermeidbar. Diese d
urfen sich
dann im Verlauf der weiteren Berechnungen nicht aufschaukeln. Man kann es
vergleichen mit einer Anordnung, wo eine groe Halbkugel auf dem Tisch liegt
und ganz oben wird eine kleine Kugel platziert. Wenn wir es schaen, diese
kleine Kugel ganz exakt auf den obersten Punkt der Halbkugel zu legen, wenn
206
12 Gew
wir dabei nicht atmen und auch zugleich niemand die T

ur aufmacht, wenn also
nicht die kleinste Ersch
utterung passiert, dann bleibt die Kugel oben liegen.
Aber bei der geringsten Abweichung f
allt die kleine Kugel sofort nach unten.
Dieser obere Punkt ist also ein unstabiler Punkt.
Wenn Sie aber eine hohlkugelf
ormige Sch
ussel auf den Tisch stellen und eine
kleine Kugel genau in die Mitte, also den untersten Punkt, legen, so k
onnen Sie
ruhig am Tisch wackeln. Dann bewegt sich die kleine Kugel aus der Mitte weg,
rollt dann aber nach kurzer Zeit genau dort wieder hin. Dieser Punkt ist stabil.
Tats
achlich spielt dieser Begri Stabilit
at heute eine immer gr
oere Rolle ge
rade bei Problemen in der Praxis. Die leichten Aufgaben sind ja l
angst gel
ost;
heute m
ussen wir uns mit schrecklich viel schwierigeren Aufgaben abplagen. Da
kommen genau solche Fragen ins Spiel. Gerne w
urden wir hier dar
uber mehr
berichten, m
ussen aber auf speziellere Literatur verweisen (vgl. (11)).
F
ur das Euler-Verfahren kennen wir Einschr
ankungen an die Schrittweite sie
darf nicht zu gro werden, so dass wir Stabilit
at sichern k
onnen. Dann k
onnen
wir den Satz beweisen:
Satz 12.3 (Konvergenz des Euler-Verfahrens)
Wenn das Euler-Verfahren stabil ist, so ist es konvergent mit der Ordnung h,
es gilt also
max |yh (xi ) y(xi )| c h.
i
(12.16)
Schauen wir genau hin. Hier wird eine Absch

atzung angegeben zwischen dem
osung bei xi diesen Wert kennen wir normalerWert y(xi ) der exakten L
weise nicht! und dem bei vorgegebener Schrittweite h > 0 berechneten
N
aherungswert yh (xi ). Wenn wir also h 0 gehen lassen, so wird die rechte Seite mit h kleiner, also geht der Abstand der N
aherung von der exakten
L
osung ebenfalls mit h gegen Null. Da die Konstante c > 0 ebenfalls unbekannt
ist, k
onnen wir den Abstand nicht genau angeben, aber er wird kleiner und kleiner. Wir m
ussen also, um bessere Genauigkeit zu erhalten, mit immer kleinerem
h neue N
aherungswerte berechnen. Weil das Euler-Verfahren richtig einfach ist,
ist das mit modernen Rechnern u
berhaupt kein Problem.
12.5 Zur Konvergenz des Euler-Verfahrens
207
Ubung
23
1. Gegeben sei die Anfangswertaufgabe (AWA)
y (x) = x y(x)
mit
y(0) = 1
Zeigen Sie, dass die Funktion

y(x) = x 1 + 2 ex
die einzige L
osung dieser AWA ist.
2. Gegeben sei die AWA
y (x) = 3 x + y 2 (x)
mit
y(1) = 1.2
a) Zeigen Sie mit Hilfe des lokalen Existenz- und Eindeutigkeitssatzes, dass
diese Aufgabe genau eine L
osung besitzt.
b) Berechnen Sie mit dem Euler-Verfahren, Schrittweite h = 0.025, x0 = 1,
aherungen y1 , y2 , y3 , y4 an den Stellen x1 = x0 + h, . . . ,
y0 = 1.2, N
x4 = x0 + 4 h.
3. Gegeben sei die Anfangswertaufgabe (AWA)
y (x) = y 2 (x)
mit
y(0) = 1
a) Zeigen Sie, dass die Funktion

y(x) =
1
1x
die einzige L
osung dieser AWA ist.
b) Bestimmen Sie zeichnerisch f
ur das Euler-Verfahren bei Schrittweite h =
1/2 einen N
aherungswert f
ur y(1/2).
c) Berechnen Sie mit dem Euler-Verfahren bei Schrittweite h = 1/5 N
aherungen an den Stellen x1 , . . . ,x5 , und vergleichen Sie diese Werte mit den
Werten der exakten L
osung.
Ausf
uhrliche L
208
12.6
12 Gew
Runge-Kutta-Verfahren
Eines der beliebtesten Verfahren bei Anfangswertaufgaben ist das Verfahren

von Runge und Kutta. Seine Beliebtheit r
uhrt vermutlich aus der sehr guten
Konvergenzg
ute her. Wir werden sie unten angeben, aber zugleich auch ein
notwendiges Wort zu den Einschr
ankungen sagen.
Das Runge-Kutta-Verfahren ist etwas aufwendiger in seiner Anwendung als das
Euler-Verfahren, da nicht irgendwie eine Steigung verwendet wird, sondern eine
Mixtur aus vier verschiedenen Steigungen. Es ist nat
urlich f
ur die Anwendung
durch Computer gedacht, und denen ist es ziemlich egal, wie lang die Formeln
sind.
Wir betrachten wieder die Standard-AWA
y (x) = f (x, y(x)),
y(x0 ) = y0 .
(12.17)
Mittels einer vorgebbaren Schrittweite h > 0 wollen wir vom gegebenen Anfangspunkt (x0 , y0 ) ausgehen und an den Stellen
x1 = x0 + h, x2 = x0 + 2h, x3 = x0 + 3h, . . .
(12.18)
osung y(x) zu nden:

N
aherungswerte y1 , y2 , y3 , . . . an die exakte L
y1 y(x0 + h) = y(x1 ), y2 y(x0 + 2h) = y(x2 ), y3 y(x0 + 3h) = y(x3 ), . . .
(12.19)
Hier kommt das ganze Formelpaket.
Runge-Kutta-Verfahren
y0 = y(x0 ),
k1 = f (xi , yi )

h
h
k2 = f xi + , yi + k1
2
2

h
h
k3 = f xi + , yi + k2
2
2
k4 = f (xi + h, yi + hk3 )

h
k1 + 2k2 + 2k3 + k4 ,
yi+1 = yi +
6
(12.20)
(12.21)
(12.22)
(12.23)
(12.24)
i = 0, 1, 2, . . . . (12.25)
12.6 Runge-Kutta-Verfahren
209
Aus der DGl kennen wir die Funktion f als rechte Seite. Wegen der Gleichheit
mit y sind die Werte von f zugleich Steigungswerte der L
osungsfunktion, allerdings nicht an der richtigen Stelle, wo die exakte L
osung durchgeht; denn
die kennen wir ja in der Regel nicht. In Gleichung (12.21) bis (12.24) werden
also Steigungen berechnet, zun
achst bei x0 , dann bei x0 + h/2 zwei Werte und
dann bei x0 + h. In Gleichung (12.25) wird dann ein Mittelwert gebildet mit den
Gewichten 1, 2, 2, 1; entsprechend wird dann durch 6, die Summe der Gewichte,
dividiert. Vielleicht helfen Ihnen diese Bemerkungen, um die Formel mehr zu
durchschauen und sie besser zu verstehen.
Weil die Formeln so aufwendig mit Hand zu berechnen sind, wollen wir f
ur
unser Beispiel von oben nur die erste N
aherung y1 ausrechnen. Die weiteren
N
aherungen lassen wir den kleinen Rechner machen, der freut sich schon darauf.
Beispiel 12.6
Wieder betrachten wir die Anfangswertaufgabe
y (x) = x y(x),
mit
y(0) = 1,
und berechnen diesmal eine N

aherungsl
osung mit dem Runge-Kutta-Verfahren.
x0 = 0, y0 = 1 und die Schrittweite h = 0.2 seien wie oben vorgegeben.
Wir berechnen die Hilfsgr
oen k1 ,. . . ,k4 , die sich ja graphisch als Steigungen
darstellen lassen; es sind doch Funktionswerte f (x, y) = y (x) laut Dierentialgleichung.
k1 = f (x0 , y0 ) = x0 y0 = 0

h
h
k2 = f x0 + , y0 + k1 = (x0 + 0.1) (y0 + 0.1 0) = 0.1
2
2

h
h
k3 = f x0 + , y0 + k2 = (x0 + 0.1) (y0 + 0.1 k2 ) = 0.099
2
2
k4 = f (x0 + h, y0 + hk3 ) = (x0 + 0.2) (y0 + 0.2 k3 ) = 0.19604

h
k1 + 2k2 + 2k3 + k4 = 0.9802
y1 = y 0 +
6
Das sieht nicht schlecht aus, ist aber f
ur eine Beurteilung zu kurz. Erst wenn
wir mehrere Schritte durchf
uhren, k
onnen wir das Ergebnis mit den anderen
Verfahren vergleichen. F
ur die Berechnung von y2 m
ussten wir k1 , aber jetzt
f
ur die Stelle (x1 , y1 ) ausrechnen, also
k1 = f (x1 , y1 ) = x1 y1 .
210
12 Gew
Dann k
ame k2 dran, dann k3 und schlielich k4 , dann gewichtetes Mittel bilden und durch 6 dividieren. Dann erst kann aus (12.25) y2 berechnet werden.
Also das ist eine ziemlich langweilige Rechnerei, wir lassen das vom Computer
besorgen und erhalten:
xi
yexakt
0.2
0.4
0.6
0.8
1.0
1.0 0.980 0.923 0.835 0.726 0.6065
Runge-Kutta 1.0 0.980 0.923 0.835 0.726 0.6065

Hier sieht man also tats
achlich keine Unterschiede mehr zur exakten L
osung.
Da m
ussten wir mehrere Nachkommastellen ber
ucksichtigen, um Abweichungen
zu nden. Das liegt nat
urlich auch an dem sehr einfachen Beispiel.
12.7
Zur Konvergenz des

Runge-Kutta-Verfahrens
Die Probleme liegen hier genauso wie beim Euler-Verfahren. Wieder bedeutet
Konvergenz, dass wir f
ur eine feste Schrittweite h > 0 eine N
aherungsl
osung
berechnen. Dann verkleinern wir h und berechnen eine weitere N
aherung usw.,
immer sch
on h verkleinern, ja, und schlielich den Fall h 0 betrachten. So
entsteht eine unendliche Folge von N
aherungsl
osungen, deren Konvergenz untersucht werden kann. Um zu positiven Aussagen zu gelangen, m
ussen wir auch
hier wissen, ob das Verfahren stabil ist. Die Aussage ist nicht leicht zu erhalten.
Man ndet in der Literatur folgenden Satz:
Satz 12.4 (Stabilit
at des Runge-Kutta-Verfahrens)
Die Stabilit
atsgebiete expliziter Runge-Kutta-Verfahren sind s
amtlich beschr
ankt.
Daraus entnehmen wir, dass wir mit der Schrittweite bei Runge-Kutta-Verfahren
etwas vorsichtig umgehen m
ussen. Man kann sie nicht so frei und willk
urlich
w
ahlen. Falls sich Probleme mit der N
aherungsl
osung einstellen, und das merken
sie sehr schnell an v
ollig unakzeptablen Werten, so w
ahlen Sie die Schrittweite
etwas kleiner, damit sie vielleicht wieder vern
unftige Werte erhalten. Dann kann
man auch die Konvergenz sicher stellen.
Satz 12.5 (Konvergenz des Runge-Kutta-Verfahrens)
Wenn das Runge-Kutta-Verfahren stabil ist, so ist es konvergent mit der Ordnung h4 .
Diese Konvergenzordnung h4 ist es, die viele Anwender zu diesem Verfahren
greifen l
asst. Man muss die Schrittweite nur ein wenig verkleinern und erh
alt
sehr viel genauere Werte, grob gesprochen.
12.8 Ausblick
12.8
211
Ausblick
Eine u
altigende Zahl weiterer Verfahren wird in der Fachliteratur angeberw
boten. Uns liegt es am Herzen, dass Sie in dieser Einf
uhrung grunds
atzliche
Einblicke erhalten, so dass Sie in der Lage sind, sich gegebenenfalls weitere Verfahren selbst anzueignen. Wir wollen und k
onnen Ihnen in diesem Rahmen nur
eine Anleitung geben, wie solche Verfahren zu beurteilen sind.
212
12 Gew
Ubung
24
1. Gegeben sei die AWA
y (x) =

x + y(x)
mit
y(0.4) = 0.41
Berechnen Sie mit dem Verfahren von Runge-Kutta eine N

aherung y1 an die
ur h = 0.4, also x1 = 0.8.
exakte L
osung y(x1 ) f
2. Gegeben sei die Anfangswertaufgabe
y (x) = y(x)
2x
y(x)
mit

1
= 2.
2
a) Zeigen Sie, dass diese Aufgabe in einer Umgebung des Anfangspunktes
osung besitzt.
(1/2, 2) genau eine L
b) Zeigen Sie, dass
y(x) = 2x + 1
diese einzige L
osung ist.
c) Berechnen Sie mit dem klassischen Runge-Kutta-Verfahren, Schrittweite
h = 0.5, eine N
aherung y1 y(1), und vergleichen Sie diese mit dem
Wert y(1) der exakten L
osung.
y (x) = x (x + y(x)),
y(0) = 1.
a) Zeigen Sie, dass diese Aufgabe f

ur 0 x 1 genau eine L
osung besitzt.
b) Berechnen Sie mit Hilfe des klassischen Runge-Kutta-Verfahrens eine
N
aherung f
ur y(0.2) bei einer Schrittweite von h = 0.1.
(Rechengenauigkeit: 4 Stellen hinter dem Dezimalpunkt)
1
.
2
a) Zeigen Sie mittels Lipschitzbedingung, dass diese Aufgabe genau eine
L
osung besitzt.
b) Zeigen Sie, dass
1
y(x) =
1 + x2
diese einzige L
osung ist.
c) Berechnen Sie eine N
aherung f
ur y(0.6) mit dem klassischen RungeKutta-Verfahren (Schrittweite h = 0.2), und vergleichen Sie das Ergebnis
mit dem exakten Wert.
y (x) = 2 x y 2 (x),
y(1) =
Ausf
uhrliche L
13 Partielle
Dierentialgleichungen
Ubersicht
13.1
13.2
13.3
13.4
Typeinteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Laplace- und Poisson-Gleichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Die W
armeleitungsgleichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Die Wellengleichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
213
215
225
235
Wie wir schon im Kapitel 12 Gew

ohnliche Dierentialgleichungen erz
ahlt ha
ben, sind wir jetzt der Natur direkt auf der Spur. Viele Vorg
ange sind zeitlichen
Anderungen
unterworfen. Denken Sie an Wachstum, an Ausbreitung von Wind,
Fl
ussigkeiten oder Krankheitskeimen. Aber vieles
andert sich auch mit dem Ort,
Gesteinssorten oder auch nur die Anzahl der H
auser pro Quadratkilometer. Da
wir drei Raumkoordinaten zu beachten haben, m

ussen wir also Anderungen
f
ur
vier Variable beachten: x, y, z und t. Jetzt wird klar, warum wir uns im Kap. 5
anderlicher Dierenzierbarkeit mit partiellen Ablei
tungen befasst haben. Wenn wir n
amlich solche Ph
anomene betrachten wollen,
m
ussen wir diese Anderungen einbeziehen. So entstehen gerade f
ur Biologen und
Chemiker sehr schnell Gleichungen, die nicht nur unbekannte Funktionen wie
Temperatur, Stokonzentration, Verschiebungen etc. enthalten, sondern auch
Ableitungen, richtig, partielle Ableitungen dieser Gr
oen enthalten. Das sind
dann unsere jetzt zu behandelnden partiellen Dierentialgleichungen. Auf gehts.
13.1
Typeinteilung
Eine allgemeine partielle Dierentialgleichung sieht folgendermaen aus.

214
13 Partielle Dierentialgleichungen
Denition 13.1
Die Gleichung
F

u
u 2 u
2u
2u
ku
x1 , . . . , xn , u,
,...,
, 2,
,..., 2 ,..., k = 0
x1
xn x1 x1 x2
xk
xn
stellt die allgemeinste partielle Dierentialgleichung PDGL der Ordnung k in n

Ver
anderlichen dar; Ordnung ist dabei die gr
ote vorkommende Ableitungsordnung.
Hier kann die Funktion F sogar nichtlinear sein. Dann aber verlassen uns alle
Geister. Daf
ur gibt es keine L
osungsverfahren. Selbst wenn wir uns einschr
anken
auf lineare PDGLn, k
onnen wir noch keine zusammenh
angende Theorie bieten.
Das sollten wir sogar noch etwas deutlicher ausdr
ucken. Niemand kann hier eine
einheitliche Theorie bieten. Tats
achlich m
ussen wir spezielle Typen betrachten,
die wir dann behandeln k
onnen. Also zun
achst zu den Typen. Bei den zugeordneten Beispielen bleiben wir im R2 , betrachten also nur die Variablen x und y
und als Neuheit hier die Zeit, also t.
Wir unterscheiden drei Haupttypen:
1. Elliptische Gleichungen, ihre Hauptvertreter sind die Poisson-DGL
2 u(x, y)
2 u(x, y)
+
= f (x, y)
x2
y 2
(13.1)
bzw. ihr homogener Ableger, die Laplace-DGL

2 u(x, y)
2 u(x, y)
+
= 0.
x2
y 2
(13.2)
2. Parabolische Gleichungen, ihr Hauptvertreter ist die W

armeleitungsgleichung
u(x, y, t)
k
t
2 u(x, y, t)
2 u(x, y, t)
+
x2
y2

= f (x, y, t), k R.
(13.3)
Wir werden gleich unten erz

ahlen, was diese Dierentialgleichung mit
W
armeleitung zu tun hat.
3. Hyperbolische Gleichungen, ihr Hauptvertreter ist die Wellengleichung
2 u(x, y, t)
a2
t2
2 u(x, y, t)
2 u(x, y, t)
+
x2
y 2

= f (x, y, t), a R.
(13.4)
Wir wollen uns hier nur exemplarisch mit den Hauptvertretern befassen, zu
weiteren Erkl
arungen verweisen wir auf die Fachliteratur, die in u
berreichlichem
Mae vorhanden ist.
13.2 Laplace- und Poisson-Gleichung
13.2
215
Laplace- und Poisson-Gleichung
Wir beginnen mit elliptischen Gleichungen und betrachten in diesem Abschnitt

die beiden partiellen Dierentialgleichungen, n
amlich die Poisson-DGL
2 u(x, y)
2 u(x, y)
+
= f (x, y)
x2
y 2
(13.5)
2 u(x, y)
2 u(x, y)
+
= 0.
x2
y 2
(13.6)
und die Laplace-DGL
Die Poisson-DGL heit h

aug auch Potentialgleichung. Sie beschreibt in der Tat
das Potential eines Kraftfeldes wie z. B. das elektrische Potential einer geladenen
Platte.
Genau wie bei den gew
ohnlichen DGLn brauchen wir auch hier f
ur eine
vollst
andige Beschreibung Vorgaben auf dem Rand des betrachteten Gebietes.
F
ur diese Gleichungen werden h
aug zwei spezielle Randvorgaben betrachtet,
die dann auch mit eigenen Namen bedacht werden.
1. Dirichlet-Randbedingungen:
u(x) = (x),
x ,
und hier ist der Rand des betrachteten Gebietes . Es werden also nur die
Funktionswerte der gesuchten L
osung auf dem Rand vorgegeben.
2. Neumann-Randbedingungen:
u
(x) = (x),
n

x .
Hier werden nur die Normalableitungen der gesuchten L

osung in Richtung n
auf dem Rand vorgegeben, wobei n der Normalenvektor auf dem Rand ist.
In der Praxis braucht man dann auch Mischtypen dieser beiden Randvorgaben,
aber, wie gesagt, wir wollen nur eine Einf
uhrung geben.
Denition 13.2
Die Aufgabe
u(x, y) = f (x, y) in R2
(13.7)
u(x, y) = g(x, y) auf =
(13.8)
heit Randwertproblem 1. Art oder Dirichletsche Randwertaufgabe.

Bei diesem Problem sind also auf dem Rand die Funktionswerte der gesuchten
L
osungsfunktion vorgegeben.
216
13.2.1

at
Wie wichtig gerade die Existenz unfd Eindeutigkeit f

ur den Anwender sind,
hatten wir schon im Kapitel 12 Gew
ohnliche Dierentialgleichungen berichtet.
Hier bei den partiellen DGLn hat J.S.Hadamard einen weiteren Begri in den
Fokus ger
uckt, indem er von einem korrekt gestellten Problem spricht. Er f
ugt
die Stabilit
at hinzu. Die Bedeutung dieses Begris f
ur die Praxis kann in der
heutigen Zeit gar nicht genug betont werden. Die einfachen Aufgaben sind ja
l
angst gel
ost, es bleiben immer kompliziertere Gleichungen f
ur die Anwender.
Und hier treten laufend solche Stabilit
atsfragen auf.
Denition 13.3
Ein PDGl-Problem heit korrekt gestellt, wenn
1. es mindestens eine L
osung besitzt (Existenz),
2. es h
ochstens eine L
osung besitzt (Eindeutigkeit),
3. die L
osung stetig von den Vorgaben (den Daten) abh
angt (Stabilit
at).
Was bedeutet also Stabilit

at? Die Vorgaben, das sind die rechte Seite oder auch
die Randbedingungen. Denken Sie z.B. an einen Balkon. Da h
angt so eine Platte
aus der Mauer heraus. Die Belastung durch ihr Eigengewicht oder durch Schnee
oder durch ein Balkongel
ander steckt physikalisch alles in der rechten Seite
f (x, y).
In der Mauer muss die Platte fest verankert sein. Dort gibt es also eine feste Auflage, also hat unsere gesuchte Funktion f
ur die Durchbiegung dieser Balkonplatte
dort fest vorgegebene Werte. Gleichzeitig ist die Platte so fest eingespannt, dass
man sch
on gerade nach drauen treten kann. Also sind die partiellen Ableitungen nach drauen an diesen Auagepunkten gleich Null. Das sind dann die
Randbedingungen.
Diese Vorgaben entnimmt man bei praktischen Aufgaben aus den physikalischen
Gegebenheiten. Das bedeutet, in der Regel kann man am Objekt so ungef
ahre
Daten ablesen. Diese sind also mit Fehlern behaftet, das l
asst sich gar nicht vermeiden. Mit diesen ungenauen Daten k
onnen wir nat
urlich keine exakte L
osung
ausrechnen. Wenn wir jetzt also eine N
aherungsl
osung ausrechnen wollen, so
kann es passieren, dass diese Anfangsfehler sich furchtbar aufschaukeln. Das
kann soweit gehen, dass die N
aherung v
ollig unbrauchbar wird. Diesen Fall nennen wir instabil. Es kann aber auch sein, dass die Fehler beschr
ankt bleiben. In
dem Fall sprechen wir von Stabilit
at. Genau dieser Fall ist oben im 3. Punkt
beschrieben. Stetige Abh
angigkeit meint, wenn sich die Daten nur ein wenig
andern, darf sich die L
osung nicht dramatisch wandeln. Wir werden sehen, dass
die Mathematik tats

achlich N
aherungsverfahren danach beurteilen kann, ob sie
stabil sind oder nicht.
F
ur unser Dirichletproblem (13.7) haben wir die fast perfekte Antwort.
217
Satz 13.1 (Eindeutigkeit und Stabilit

at)
2
Ist R ein beschr
anktes Gebiet, so hat das Dirichlet-Problem (13.7) f
ur die
Poissongleichung h
ochstens eine L
osung, die dann auch stabil ist.
13.2.2
Zur Existenz
Zeigen m
ussten wir in diesem theoretischen Teil nun noch, dass eine L
osung
existiert. Noch besser w
are es eine L
osung konkret anzugeben. Da gibt es eine
gute und eine schlechte Nachricht. Die gute ist, dass man tats
achlich mit einem fantastisch anmutenden Trick, dem Separationsansatz von Bernoulli, eine
L
osung konstruieren kann. Die schlechte Nachricht muss aber sogleich hinzugef
ugt werden: Das geht nur in sehr eingeschr
ankten F
allen, z. B. in Rechtecken
oder in Kreisen. Aber wer handelt schon mit Kreisen und Rechtecken? Im Fall
der W
armeleitung in einem Stab hat man automatisch ein Rechteck als Grundgebiet. Wir werden daher im Abschnitt 13.3.2 (vgl. S. 226) den Trick vorf
uhren.
13.2.3
ur die Poissongleichung
Die Aufgaben, die heute in der Praxis angefasst werden m

ussen, sind in der Regel
von einem erheblich h
oheren Schwierigkeitsgrad. Da wird in seltensten F
allen
eine exakte L
osung zu bestimmen sein. Hier setzt die numerische Mathematik
ein. Mit dem sogenannten Dierenzenverfahren gelingt es in vielen F
allen, eine
N
aherungsl
osung zu bestimmen.
Der Grundgedanke des Dierenzenverfahrens lautet:
Wir ersetzen die in der Dierentialgleichung und den Randbedingungen auftretenden Dierentialquotienten durch Dierenzenquotienten.
Bei der Dierentialrechnung sind wir umgekehrt vorgegangen. Wir haben uns
den Dierenzenquotienten angeschaut und sind dann mit dem Limes zum Differentialquotienten gelangt. Diesen Limes lassen wir jetzt hier weg, betrachten
also nur den Dierenzenquotienten so als N
aherung und schauen mal, was dann
rauskommt.
In der Literatur ndet man f
ur die zweite Ableitung folgenden Dierenzenquotienten:
y(xi+1 ) 2y(xi ) + y(xi1 )
zentraler Di.-Quot.
(13.9)
h2
Er heit zentral, weil wir ja die Ableitung bei xi betrachten und dazu die beiden
Nachbarpunkte xi1 links und xi+1 rechts von xi einbeziehen.
y (xi )
218
Wir betrachten jetzt eine ganz einfache Aufgabe, um uns an das Prinzip der
Dierenzenverfahren heranzuschleichen.
Gesucht ist im Rechteck
R = {(x, y) R2 : 0 < x < a, 0 < y < b}
eine L
osung des Randwertproblems 1. Art:
u(x, y) = 0
in R
u(x, 0) = 0, u(x, b) = 0,
u(0, y) = 0, u(a, y) = g(y)
Zuerst betrachten wir den Laplace-Operator im R2 :
u(x, y) :=
2 u(x, y)
2 u(x, y)
+
.
2
x
y 2
Hier sind zwei partielle Ableitungen durch Dierenzenquotienten zu ersetzen.

Dazu beginnen wir mit einer Diskretisierung des zugrunde liegenden Gebietes.
Da die beiden partiellen Ableitungen in Richtung der Koordinatenachsen zu
bilden sind, werden wir ein Gitter einf
uhren, indem wir das Gebiet mit Linien,
die parallel zu den Achsen laufen, u
ahlen wir einen festen
berziehen. Dabei w
Abstand h > 0 f
ur diese Parallelen in x-Richtung und einen festen Abstand
k > 0 in y-Richtung. Wir starten mit einem x0 , das uns in der Regel durch die
ur
Randbedingungen, hier x0 = 0, gegeben ist, und setzen dann xi := x0 + h i f
i = 1, . . . , n. Wenn wir xn wieder durch die Randbedingung festlegen wollen,
z.B. xn = a, schr
ankt uns das in der Wahl des h etwas ein. Man wird dann
h := a/n setzen. Analog geht das auf der y-Achse und liefert uns y0 ,. . . ,ym .
Durch diese Punkte ziehen wir die Parallelen. Die Schnittpunkte sind dann
unsere Knoten, die wir (xi , yj ) nennen wollen.
Jetzt kommt die entscheidende Aufgabe beim Dierenzenverfahren:
In diesen Knoten suchen wir N
aherungswerte f
ur die L
osung unserer Randwertaufgabe. Entsprechend der Knotennummerierung nennen wir diese Werte
ui,j u(xi , yj ).
Wir suchen also nicht eine Funktion als N
aherung unserer unbekannten
L
osungsfunktion, sondern wir sind schon froh, wenn wir in ausgew
ahlten Punkten, den Knoten, N
aherungswerte gefunden haben.
219
Knotennummerierung
x0 := 0, w
ahle h = a/n und xi = x0 + h i f
ur i = 1, . . . , n, (13.10)
ahle k = b/m und yj = y0 + k j f
ur j = 1, . . . , m(13.11)
y0 := 0, w
Zur Ersetzung der partiellen Ableitungen im Laplace-Operator verwenden wir

den zentralen Dierenzenquotienten (13.9) in x-Richtung und in y-Richtung und
erhalten:
2 u(xi , yj )
2 u(xi , yj )
ui1,j 2ui,j + ui+1,j + ui,j1 2ui,j + ui,j+1
+
2
2
x
y
h2
ui1,j + ui,j1 4ui,j + ui+1,j + ui,j+1
=
h2
Die letzte Formel signalisiert uns, dass wir den zentralen Knotenwert ui,j , diesen
mit dem Faktor 4, und die unmittelbaren Nachbarwerte, und zwar den linken,
den rechten, den oberen und den unteren, verwenden m
ussen, diese jeweils mit
dem Faktor 1.

1

Rechts haben wir den sogenannten
F
unf-Punkte-Stern abgebildet. Seine

Bedeutung ist aus dem oben Gesagten

4
1
1

unmittelbar klar, wird aber in den Beispielen noch hervorgehoben. Die Fakto
ren 4 und 1 werden in diesem Zusam1

menhang auch Gewichte genannt.
An einem Beispiel wollen wir das Vorgehen verdeutlichen.
Beispiel 13.1
Betrachten wir die Randwertaufgabe
u(x, y) = uxx (x, y) + uyy (x, y) = 0
in G := {(x, y) R2 : |x| < 3, |y| < 1}
mit der Randbedingung

u(x, y) = x2 auf G.
Mit der Schrittweite h = 1 sowohl in x-Richtung als auch in y-Richtung werde
das Gebiet G diskretisiert. Wir berechnen mit dem Dierenzenverfahren an den
Knoten N
aherungswerte f
ur die (unbekannte) L
osung.
220
y
6
0
(2, 0)
u1
(1, 0)
u2
(0, 0)
u3
(1, 0)
u4
(2, 0)
u5
Abb. 13.1 Hier sehen wir das gegebene Gebiet G, also das ganze Rechteck. In der Mitte
sind die Koordinaten der Knoten durch und die zu suchenden Funktionswerte u1 , . . . ,
u5 eingetragen. Am Rand haben wir die durch die Randbedingung gegebenen Werte
hingeschrieben.
Vielleicht noch ein Wort zu den gegebenen Randwerten. Betrachten wir die
Stelle (x, y) = (2, 1) auf dem Rand, die wir durch gekennzeichnet haben.
Wegen u(x, y) = x2 auf dem Rand ist dort also der Wert u(2, 1) = 22 = 4
gegeben. Alles klar?
Bevor wir jetzt einfach losrechnen, sollten wir uns aber noch mal zur
ucklehnen
und die Aufgabe in der Ubersicht betrachten. Da f

allt uns doch auf, dass das
Gebiet G und auch die Randbedingung v
ollig symmetrisch zur y-Achse sind.
Das nutzen wir nat
urlich aus. Bei diesen kleinen Aufgaben spielt das keine
wesentliche Rolle, aber wenn die Probleme umfangreicher werden, ist solche
Erkenntnis sehr wertvoll. Wir sparen so fast die H
alfte an Unbekannten.
Wir setzen also wegen der Symmetrie
u1 = u5 ,
u2 = u4 .
So bleiben noch drei Unbekannte u1 , u2 und u3 zu bestimmen.

Jetzt ersetzen wir die beiden partiellen Ableitungen in der Dierentialgleichung
jeweils durch den zentralen zweiten Dierenzenquotienten und erhalten
u(xi+1 , yi ) + u(xi , yi+1 ) + u(xi1 , yi ) + u(xi , yi1 ) 4u(xi , yi )
= 0. (13.12)
h2
Symbolisch haben wir diese Gleichung im F
unf-Punkte-Stern ausgedr
uckt. Die
sen Stern legen wir jetzt auf die Skizze, jeweils mit dem Mittelpunkt auf einen
Knoten. Wir beginnen mit Knoten 1, also (2, 0).
Unser Stern sagt, dass dort das Gewicht 4 liegt, beim Knoten (1, 0) liegt
das Gewicht 1, ebenso bei den anderen drei Knoten um (2, 0) herum. Beim
Knoten (1, 0) liegt die Unbekannte u2 . Bei den anderen drei Knoten kennen

4

221
y
6
0
9
(2,

0)
0) (1,
(0, 0)
u2
u3
u1
(1, 0)
u4
(2, 0)
u5

9

4
Abb. 13.2 Dies ist noch einmal unser Bild von oben, jetzt aber mit dem F
unf-PunkteStern auf den Knoten (2, 0) gelegt.
wir die Werte aus der Randbedingung. Wir ber

ucksichtigen nun noch, dass wir
2
wegen h = 1 den Wert h = 1 erhalten, und gelangen so zur ersten Gleichung:
am Knoten (2, 0) : 4u1 + u2 = (9 + 4 + 4) = 17.
Jetzt legen wir den Stern auf den Knoten (1, 0).

1

y
6
0

0)
(2,
0) (1,
(0,
0)
(1, 0)
u2
u3
u4
u1
(2, 0)
u5

9

1
Abb. 13.3 Dies ist noch einmal unser Bild von oben, jetzt aber mit dem F
unf-Punkte
Stern auf den Knoten (1, 0) gelegt.
K
onnen Sie nachvollziehen, dass wir die Gleichung
am Knoten (1, 0) : u1 4u2 + u3 = (1 + 1) = 2
erhalten? Jetzt noch einmal den Stern verschieben, und wir erhalten
am Knoten (0, 0) : u2 4u3 + u4 = 2u2 4u3 = 0.
Wir fassen diese drei Gleichungen als Gleichungssystem zusammen:
222
4u1 +
= 17
u2 +
u1 4u2 +
u3 =
2u2 4u3 =
Jetzt sehen wir, was das ganze soll. Durch die Ersetzung mit den Dierenzenquotienten ist ein lineares Gleichungssystem entstanden. Das haben wir im ersten
Kapitel gelernt. Dieses wirklich kleine System l
osen wir jetzt mit Gau.
17
1 25/4
2 4
0
2 4
0
4
1
0 17
0 3.75
1 6.25
0
0 3.47 3.3
1 4
0
0 17
0 3.75
Hier k
onnen wir das Ergebnis durch Aufrollen von unten direkt angeben:
u3 = 0.9615,
u2 = 1.9231,
u1 = 4.7308.
Zwei kleine Bemerkungen d

urfen nicht fehlen:
1. Diese drei Gleichungen haben wir erhalten, weil wir f
ur jeden der unbekannten Knoten eine Gleichung aufstellen konnten. Wir hatten also drei Unbekannte und haben drei Gleichungen aufstellen k
onnen. Das passt genau
zusammen.
2. Wir wollen das alles jetzt nicht weiter vertiefen, aber Sie sollten sich klarmachen, dass die Zahl der Unbekannten enorm steigt, wenn wir das Gitter
verfeinern, in etwa geht das quadratisch. Damit wird auch das lineare Gleichungssystem immer gr
oer. Darum haben wir im Kapitel 3 Lineare Glei
chungssysteme (vgl. S. 36) das Verfahren der L-R-Zerlegung eingef
uhrt. Das
l
asst sich f
ur solche Aufgaben hervorragend einsetzen.
13.2.4
Zur Konvergenz
Hier wollen wir nur einen der wichtigsten S

atze zitieren.
Satz 13.2 (Konvergenz)
Die L
osung der Poisson-Gleichung u(x, y) sei in C 4 (). Dann konvergiert die nach der Dierenzenmethode mit dem F
unf-Punkte-Stern ermittelte
ur h 0 gegen u(x, y); genauer gilt:
N
aherungsl
osung uh (x, y) quadratisch f
u uh
h2
u C4 () .
48
(13.13)
223
Die Voraussetzung u C 4 () bedeutet dabei, dass die vierte Ableitung der

L
osungsfunktion noch stetig sein m
ochte und, das ist die Bedeutung des Querstriches u
ber , stetig auf den Rand fortsetzbar ist. Das ist eine sehr starke
Voraussetzung. Man kann bereits sehr einfache Aufgaben angeben, wo schon
die zweite Ableitung nicht mehr existiert, wer denkt da noch an die vierte Ableitung?
Man kann die Voraussetzung u C 4 () etwas abschw
achen. Es reicht schon,
3
wenn u C () ist und die dritte Ableitung noch Lipschitz-stetig ist. Aber das
sind Feinheiten, die wir nicht weiter erl
autern wollen. Der interessierte Leser
mag in der Fachliteratur nachlesen.
Die Aussage, dass wir f
ur eine gen
ugend glatte L
osung quadratische Konvergenz
haben, ist dann nat
urlich sch
on und interessant, aber bei solch harten Vorgaben
nicht gerade erstaunlich. Wer soviel reinsteckt, kann ja wohl auch viel erwarten.
Diese Kritik muss sich das Dierenzenverfahren gefallen lassen, denn die Ingenieure waren es, die bereits in den f
unfziger Jahren des vorigen Jahrhunderts ein
anderes Verfahren entwickelt haben, n
amlich die Methode der Finiten Elemente. Unter weit schw
acheren Voraussetzungen f
ur die Poissongleichung reicht
es aus, wenn die L
osung u(x, y) nur einmal (im schwachen Sinn) dierenzierbar
ist kann dort ebenfalls quadratische Konvergenz nachgewiesen werden. Leider
m
ussen wir dazu auf die Spezialliteratur, die zu diesem Thema sehr umfangreich
vorliegt, verweisen.
224
Ubung
25
1. Betrachten Sie die Randwertaufgabe
u(x, y) = uxx (x, y)+uyy (x, y) = 0
in R := {(x, y) : 2 < x < 2, 1 < y < 1}
mit den Randbedingungen:

u(x, 1) = u(x, 1) = x2
u(2, y) = u(2, y) = 4 y 2
Berechnen Sie mit dem Dierenzenverfahren (Schrittweite in x-Richtung h =
1, in y-Richtung k = 1, zentrale Dierenzenquotienten in x- und y-Richtung)
N
aherungswerte f
ur die L
osung an den inneren Knotenpunkten.
2. Betrachten Sie auf dem rechts skizzierten Gebiet L die Randwertaufgabe
y
3
2u
2u
2
+
= x + y 2 in L
x2
y2
u = 0 auf L
2
L
Verwenden Sie die Schrittweite h = 1 in x- und in y-Richtung, und berechnen

Sie mittels zentraler Dierenzenquotienten nach dem Dierenzenverfahren
N
aherungswerte f
ur die L
osung u(x, y) an den inneren Gitterpunkten.
y
6
3
3. Auf dem skizzierten Dreiecksgebiet werde folgende Randwertaufgabe betrachtet:

2u
2u
+
2
= y im Innern des Dreiecks
x2
y 2
u(x, 0) = 9 x2
3 2 1
0 1
3 x
auf dem unteren Rand
u(x, y) = 0 auf dem u

brigen Rand
Verwenden Sie ein quadratisches Gitter (h = 1) und zentrale Dierenzenquotienten, und berechnen Sie N
aherungswerte f
ur u an den inneren Gitterpunkten.
(Hinweis: Nutzen Sie aus, dass wegen der Symmetrie zur y-Achse von DGl
und Randbedingung auch die L
osung symmetrisch ist.)
Ausf
uhrliche L
13.3 Die W
13.3
225
Die W
Wie breitet sich W

arme in einem festen Medium aus? Zur Herleitung der
sogenannten W
armeleitungsgleichung gehen wir davon aus, dass wir keine
Konvektion und auch keine W
armestrahlung vorliegen haben, sondern reine
W
armeleitung.
F
ur die W
arme lautet das Naturgesetz:
W
arme str
omt vom warmen Gebiet zum kalten. Das geschieht umso
schneller, je h
oher die Temperaturdierenz ist.
Dieses Naturgesetz nutzen wir bei der Herleitung aus.
Sei W = W (x, y, z, t) die W
arme am Ort (x, y, z) zur Zeit t. Sei j = j(x, y, z, t)
die W
armestromdichte. Die Temperaturdierenz ist dann, wie wir uns von
fr
uher her erinnern, gerade der Gradient bezgl. des Ortes:
j(x, y, z, t) = grad W (x, y, z, t).
(13.14)
Dabei ist eine Konstante und bezeichnet die W

armeleitf
ahigkeit. Das Minuszeichen w
ahlen wir, weil wir so den Vorgang in Richtung abnehmender Temperatur betrachten. Wenn wir jetzt ein festes Volumen, einen K
orper als gegeben
annehmen, so kann dort W
arme heraus- oder hineinstr
omen. Mathematisch beschrieben wird das durch die Divergenz, wie wir uns im Kapitel 10 Integrals
atze
(siehe S. 161) klargemacht haben. Die bez

uglich der Ortskoordinaten berechnete
Divergenz beschreibt also die zeitliche Temperatur
anderung.
W (x, y, z, t)
= K div j(x, y, z, t).
t
(13.15)
K ist ebenfalls eine Konstante. Die beiden Gleichungen (13.14) und (13.15)
kombinieren wir jetzt und erhalten
W (x, y, z, t)
= K div ( grad W (x, y, z, t))
t
= K div grad W (x, y, z, t)
(13.16)
= K W (x, y, z, t)
uhrlicher auf:
Wir schreiben diese Gleichung f
ur den R2 noch einmal ausf
" 2
#
W (x, y, z, t)
2 W (x, y, z, t)
W (x, y, z, t)
=K
+
.
t
x2
y 2
(13.17)
226
13.3.1

at
Nun f
ugen wir weitere Vorgaben hinzu. Der Stab hat ja zu Beginn bereits eine
Temperatur. Vielleicht wollen wir ihn in gewissen Teilen auf konstanter Temperatur halten. Dann soll er vielleicht an einem Ende dauernd beheizt werden.
Alles dies zusammen nennen wir die Anfangs- und die Randbedingungen. Unsere
allgemeine Aufgabe lautet:
Denition 13.4
Unter dem Anfangs-Randwert-Problem der W
armeleitung verstehen wir folgende Aufgabe:
Gegeben sei ein Gebiet G R3 , dessen Rand G hinreichend glatt sei. Gesucht ist dann eine Funktion W = W (x, y, z, t) in G (0, ) = {(x, y, z, t) :
(x, y, z) G, t > 0}, die zweimal stetig nach (x, y, z) und einmal stetig nach t
dierenzierbar ist, der Dierentialgleichung
" 2
#
2 W (x, y, z, t)
W (x, y, z, t)
W (x, y, z, t)
=K
+
.
t
x2
y 2
(13.18)
gen
ugt und folgende Anfangs- und Randbedingungen erf
ullt :
W (x, y, z, 0) = f (x, y, z)
f
ur
(x, y, z) G G
W (x, y, z, t) = g(x, y, z, t) f
ur (x, y, z) G, t 0
(13.19)
Der folgende Satz zeigt uns, dass wir h

ochstens eine und nicht vielleicht sehr
viele L
osungen haben und dass diese L
osung stetig von den Anfangs- und Randbedingungen abh
angt.
Satz 13.3 (Eindeutigkeit und Stabilit
at)
Die L
osung des Anfangs-Randwert-Problems 13.4 ist eindeutig und stabil.
Zum groen Gl
uck, dass unser Problem korrekt gestellt ist, fehlt uns jetzt noch
eine Konstruktionsvorschrift f
ur die L
osung.
13.3.2
Zur Existenz
Allgemeine Aussagen zur Existenz von L

osungen des Anfangs-RandwertProblems sind sehr schwierig zu erhalten. Wir wollen im Folgenden daher nur
an einem einfachen Spezialfall zeigen, wie man mit Hilfe des Produktansatzes
eventuell eine L
osung f
ur die W
armeleitungsgleichung gewinnen k
onnte. Wir
setzen also alle Konstanten zu 1.
ur 0 < x < s, t > 0.
Wt (x, t) Wxx (x, t) = 0 f
(13.20)
13.3 Die W
227
Der bekannte Separationsansatz lautet

W (x, t) = X(x) T (t).
(13.21)
Wir versuchen also, die gesuchte Funktion als Produkt aus zwei Funktionen, die
jeweils nur von einer Variablen abh
angen, darzustellen.
Wir betonen, dass dies rein formal zu verstehen ist. Wir machen uns keinerlei Gedanken dar
uber, ob dieser Ansatz Sinn macht, ob es erlaubt sein mag,
so vorzugehen usw. Wir wollen auf irgendeine Weise lediglich eine L
osung nden. Im Anschluss m
ussen wir uns dann aber u
berlegen, ob die durch solche
hinterh
altigen Tricks gefundene Funktion wirklich eine L
osung unserer Aufgabe
ist.
Setzen wir den Ansatz in die W
armeleitungsgleichung ein, so ergibt sich
dT (t)
d2 X(x)
=
T (t).
dt
dx2
Hier brauchen wir keine partiellen Ableitungen zu benutzen, denn die einzelnen
Funktionen sind ja jeweils nur von einer Variablen abh
angig. Um die m
uhselige
Schreibweise mit den Ableitungen zu vereinfachen, gehen wir ab sofort dazu
u
ber, die Ableitungen mit Strichen zu bezeichnen. Es ist ja stets klar, nach
welcher Variablen abzuleiten ist.
Jetzt Haupttrick: Wir trennen die Variablen, bringen also alles, was von t
abh
angt, auf die eine Seite und alles, was von x abh
angt auf die andere.
X(x)
T (t)
X (x)
=
.
T (t)
X(x)
Wieder machen wir uns keine Sorgen darum, ob wir hier vielleicht durch 0
dividieren. Wir werden ja sp
ater durch eine Probe unser Vorgehen rechtfertigen.
Nun der fundamentale Gedanke von Bernoulli: In obiger Gleichung steht links
etwas, was nur von t abh
angt. Wenn es sich aber in echt mit t ver
andern w
urde,
m
usste sich auch die rechte Seite ver
andern. Die h
angt doch aber gar nicht von
t ab, kann sich also nicht ver
andern. Also
andert sich die linke Seite auch nicht
mit t. Sie ist also eine Konstante. Jetzt schlieen wir analog, dass sich ebenso
wenig die rechte Seite mit x
andern kann, auch sie ist eine Konstante. Wegen
der Gleichheit kommt beide Male dieselbe Konstante heraus. Wir nennen sie .
Also haben wir
T (t)
X (x)
=
= = const
T (t)
X(x)
oder einzeln geschrieben
(i)
T (t) = T (t),
(ii)
X (x) = X(x).
228
Hier muss man genau hinschauen und dann vor Herrn Bernoulli, der diesen
Trick erfunden hat, den Hut ziehen. Was hat er geschat?
Es sind zwei gew
ohnliche Dierentialgleichungen entstanden.
Das war sein genialer Trick!
Aus der Theorie der linearen Dierentialgleichungen kann man jetzt die allgemeine L
osung dieser beiden DGLn herleiten. Man erh
alt:
Satz 13.4
F
ur die eindimensionale W
Wt (x, t) = Wxx (x, t)
(13.22)
ergibt sich mit dem Separationsansatz von Bernoulli folgende Darstellungsformel

f
ur die beschr
ankten L
osungen, wobei eine beliebige positive Zahl sein kann:
W (x, t) = et (c1 cos
x + c2 sin
x)
(13.23)
Wie wir es oben schon angedeutet haben, m

ussten wir jetzt noch eine Proberechnung vollziehen, um zu zeigen, dass diese Funktion wirklich unsere Aufgabe
l
ost. Vielleicht haben Sie Spa daran, es selbst zu tun.
13.3.3
ur die W
Wenn es denn schwierig ist, eine exakte L

osung zu berechnen, so wollen wir
jetzt wiederum das Dierenzenverfahren schildern, mit dem wir in vielen F
allen
wenigstens eine angen
aherte L
osung ermitteln k
onnen. Um uns eventuell am
ur die Poisson-Gleichung orientieren zu k
onnen, benutzen wir jetzt wieder die allgemeinere Bezeichnung u(x, y, z, t) als unbekannte
Funktion einer partiellen Dierentialgleichung statt W (x, y, z, t), die wir speziell
f
ur die W
armeleitung gew
ahlt haben. Dann betrachten wir folgendes AnfangsRandwert-Problem:
ut (x, t) = K uxx (x, t)
f
ur 0 x 1, 0 t <
(13.24)
u(x, 0) = (x)
Anfangsbedingung
(13.25)
u(0, t) = 0 (t)
1. Randbedingung
(13.26)
u(1, t) = 1 (t)
2. Randbedingung
(13.27)
Zur numerischen L
osung u
berziehen wir den Streifen
G = {(x, t) R2 :
0 x 1, 0 t < },
13.3 Die W
229
in dem die L
osung gesucht wird, mit einem Rechteckgitter und bezeichnen die
Gitterpunkte mit (xi , tj ). Wieder bezeichnen wir mit
ui,j u(xi , tj )
die gesuchte N
aherung f
ur u(xi , tj )
Nun beginnen wir damit, dass wir uxx durch den zentralen Dierenzenquotienten ersetzen.
Was machen wir mit der ersten Ableitung auf der linken Seite? Wir bleiben bei
der Idee des Dierenzenverfahrens, ersetzen also auch diesen Dierentialquotienten durch einen Dierenzenquotienten. Hier gibt es verschiedene M
oglichkeiten.
Wir w
ahlen als ersten Einstig sp
ater werden wir einige Bemerkungen zu anderen Varianten machen den sogenannten vorderen Dierenzenquotienten
y(xi+1 ) y(xi )
vorderer Di.-Quot.
(13.28)
h
arts
Er heit vorderer, weil wir vom betrachteten Punkt xi einen Schritt vorw
zum Punkt xi+1 gehen und so den Dierenzenquotienten nach vorne bestimmen.
Wir ersetzen jetzt also ut durch den vorderen Dierenzenquotienten. Dabei
w
ahlen wir als Schrittweite in t-Richtung k und als Schrittweite in x-Richtung
h. Dadurch gelangen wir zu einer Ersatzaufgabe, mit der wir eine N
aherung f
ur
die L
osung u(x, t) berechnen k
onnen.
y (xi )
K
1
(ui,j+1 ui,j ) = 2 (ui+1,j 2ui,j + ui1,j ).
k
h
Hier stehen f
unf u-Terme, vier von ihnen im Zeitschritt tj und einer links im
Zeitschritt tj+1 , weil wir ja den vorderen Quotienten verwendet haben. Wir
asst.
l
osen daher obige Gleichung nach ui,j+1 auf, was sich explizit machen l
ui,j+1

Kk
2Kk
Kk
= 2 ui+1,j + 1 2
ui,j + 2 ui1,j .
h
h
h
(13.29)
Nun haben wir ja die Anfangsbedingung und kennen also Werte im Zeitschritt
t = 0, d.h. f
ur j = 0. Aus obiger Gleichung k
onnen wir daher die Werte im
Zeitschritt j = 1, d.h. f
ur t = k berechnen. Mit diesen Werten gehen wir zum
Zeitschritt j = 2, d.h. f
ur t = 2k und rechnen dort unsere N
aherungswerte
aus. So schreiten wir Schritt f
ur Schritt voran, bis wir zu einem Zeitschritt
kommen, den uns die Aufgabe stellt oder f
ur den wir uns aus anderen Gr
unden
interessieren.
230
t
2k
u11
u21
u31
k
0 (t)
1 (t)
x
0
1
4
1
2
(x)
3
4
Oben haben wir einen Stab als eindimensionales Gebilde auf die x-Achse gelegt.
Die Zeit tragen wir nach oben auf. t = 0 ist also die x-Achse, dort tragen wir
die in der Aufgabe gegebenen Anfangswerte ein. Die Randbedingungen besagen,
wie sich die W
arme am linken und rechten Rand ausbreitet. In der Skizze sind
also die Werte auf der t-Achse am linken Rand und auf der Parallelen zur tAchse am rechten Rand gegeben. Um nun f
ur den Zeitpunkt t = k, also j = 1
die N
aherung zu berechnen, schauen wir uns die Gleichung (13.29) genau an
und sehen, dass rechts der Wert zum selben Ortspunkt xi , aber zur Zeit t = 0
steht. Auerdem sind seine beiden Nachbarwerte links und rechts von diesem
Ortspunkt dabei. Der N
aherungswert u11 im Zeitpunkt t = k ergibt sich nach
obiger Formel aus den Vorgabewerten im Nullpunkt, im Punkt ( 14 , 0) und im
aherungswert u21 erh
alt man aus den Werten im Punkt
Punkt ( 12 , 0). Den N
1
1
3
( 4 , 0), im Punkt ( 2 , 0) und im Punkt ( 4 , 0). Und die N
aherung u31 erhalten
wir aus den Werten im Punkt ( 12 , 0) und im Punkt ( 34 , 0) und im Punkt (1, 0)
alle zum Zeitpunkt t = 0. Das ergibt zusammen mit den gegebenen Werten
am linken und rechten Rand die M
oglichkeit, alle Werte im Zeitschritt ti+1 zu
bestimmen. Wir haben das durch die Verbindungslinien angedeutet.
Das ganze zeigen wir jetzt ausf
uhrlich an einem Beispiel.
Beispiel 13.2
Wir betrachten die Anfangs-Randwert-Aufgabe
ut (x, t) = uxx (x, t) 2ux (x, t) in 0 < x < 1, t > 0
u(x, 0) = x2
u(0, t) = 0,
Anfangsbedingung
u(1, t) = 1
(13.30)
Randbedingungen
und wollen mit dem Dierenzenverfahren eine angen

aherte L
osung berechnen.
Diese Aufgabe ist ein bisschen aufgepeppt gegen
uber den bisherigen Aufgaben,
weil wir in der Dierentialgleichung noch den Zusatzterm der ersten Ortsableitung eingebaut haben. Es wird aber dadurch gar nicht echt schwerer.
13.3 Die W
231
Wir verwenden f
ur die erste Ableitung nach der Zeit und die erste Ableitung
nach dem Ort jeweils den vorderen Dierenzenquotienten, f
ur die zweite Ableitung nach dem Ort den zentralen Dierenzenquotienten. Auf die Weise k
onnen
wir die zugeh
orige Dierenzengleichung aufstellen.
u(x, t + k) u(x, t)
k
u(x + h, t) u(x, t)
ux (x, t) =
h
u(x + h, t) 2u(x, t) + u(x h, t)
uxx (x, t) =
h2
ut (x, t) =
(13.31)
Das setzen wir in unsere Dierentialgleichung ein und erhalten die N

aherungsgleichung
u(x, t + k) u(x, t)
u(x + h, t) 2u(x, t) + u(x h, t)
u(x + h, t) u(x, t)
=
.
2
k
h2
h
Wir setzen jetzt
ui,j := u(xi , tj ),
ui+1,j := u(xi+1 , tj )
und analog die anderen Terme. Dann lautet unsere N

aherungsgleichung
ui+1,j 2ui,j + ui1,j
ui+1,j ui,j
ui,j+1 ui,j
=
.
2
k
h2
h
Diese Gleichung muss man sich jetzt haarscharf anschauen. Der erste wichtige
Punkt ist, dass wir schrittweise in der Zeit vorgehen. Da wir durch die Anfangsbedingung die Werte im Zeitpunkt t = 0, also j = 0 vollst
andig kennen, werden
wir zum Zeitschritt t = k, also j = 1 vorschreiten und dort N
aherungewerte
berechnen. Wenn wir genau hinschauen, sehen wir, dass in obiger Formel die
Zeitschritte j und j + 1 auftreten. F
ur j = 0 sind das die Anfangswerte, f
ur
j = 1 m
ussen wir rechnen. Und welch ein Gl
uck, durch die Verwendung des vorderen Dierenzenquotienten f
ur die Zeit tritt der Zeitschritt j = 1 nur einmal
osen wir jetzt die ganze
und zwar links im Term ui,j+1 auf. Nach diesem Term l
Formel auf und erhalten
k
2k
ui,j+1 = ui,j + 2 (ui+1,j 2ui,j + ui1,j )
(ui1,j ui,j )
h

h
2k
2k
2k
k
k
= 1 2 +
ui,j +
ui+1,j + 2 ui1,j (13.32)

2
h
h
h
h
h
ussen wir
Damit haben wir eine explizite Gleichung f
ur ui,j+1 gefunden. Jetzt m
nur unsere vereinbarten Werte einsetzen und k
onnen losrechnen. Mit
h=
1
= 0.25,
4
k=
1
= 0.1
10
232
folgt
ui,j+1 = 1.4ui,j + 0.8ui+1,j + 1.6ui1,j .
Mit h =
1
4
(13.33)
sind die Orts- und Zeitschritte
1
1
3
, x2 = , x3 = , x4 = 1, t0 = 0, t1 = 0.1 usw.
4
2
4
Aus der Anfangsbedingung lesen wir ab
x0 = 0, x1 =
1
1
9
, u2,0 = , u3,0 =
, u4,0 = 1,
16
4
16
und mit der Randbedingung folgt
u0,0 = 0, u1,0 =
u0,1 = 0.
Jetzt haben wir alles beisammen und rechnen einfach die gesuchten Werte aus:
u1,1 = 1.4u1,0 + 0.8u2,0 + 1.6u0,0 = 1.4

=
1
1
+ 0.8 + 1.6 0
16
4
14
+ 0.2 = 0.1125
160
9
1
1
u2,1 = 1.4u2,0 + 0.8u3,0 + 1.6u1,0 = 1.4 + 0.8 + 1.6
4
16
16
14
72
=
+
+ 0.1 = 0.2
40
160
1
9
u3,1 = 1.4u3,0 + 0.8u4,0 + 1.6u2,0 = 1.4
+ 0.8 1 + 1.6
16
4
= = 0.4125
Der letzte Rechenvorgang schreit doch geradezu nach einem Rechner. Das l
asst
sich ja auch furchtbar einfach programmieren. Ich denke, Sie sehen hier sehr
deutlich den Unterschied zur Poisson-Gleichung, wo wir auf jeden Fall ein lineares Gleichungssystem zu l
osen hatten.
13.3.4
Stabilit
at des Dierenzenverfahrens
F
ur die Stabilit
at dieses Verfahrens k
onnen wir in der Literatur eine interessante
Einschr
ankung entdecken. Man k
onnte auf die Idee kommen, die Schrittweite h
f
ur den Ort sehr fein zu w
ahlen, aber die Zeitschritte k wegen des hohen Rechenaufwandes gro zu lassen. Das w
urde ziemlich schnell zu Chaos f
uhren. Denn
zwischen Zeitschritt k und Ortsschritt h muss bei dieser expliziten Methode eine
Einschr
ankung eingehalten werden:
13.3 Die W
233
Satz 13.5
Die explizite Euler-Methode f
ur die W
armeleitung ist genau dann stabil, wenn
gilt :
k
1
(13.34)
< .
h2
2
Im Fall von Stabilit
at ist die G
ute der Ann
aherung quadratisch mit der Ortsschrittweite h und linear mit der Zeitschrittweite k.
Wir m
ussen also die Bedingung einhalten:
h2
.
2
Das muss man unbedingt beachten, denn schon recht einfache Aufgaben lassen
sich sonst nicht l
osen. Mit dieser Bedingung aber erhalten wir bei Verkleinerung
von h sehr gute Ergebnisse, es geht mit h2 . Immerhin geht es noch mit k beim
Zeitschritt.
Die Literatur ist voll von vielen weiteren Methoden. Sie unterscheiden sich stark
im Rechenaufwand, ihrer Konsistenz und ihrem Stabilit
atsverhalten. Sogenannte implizite Verfahren, bei denen der vordere durch den hinteren Dierenzenquotienten ersetzt wird, sind in der Regel unbedingt stabil. Es lohnt sich also,
wenn man Probleme bei der Berechnung einer L
osung erh
alt, hier Ausschau zu
halten.
k<
234
Ubung
26
1. Betrachten Sie die Anfangs-Randwert-Aufgabe
2 uxx (x, t) + ut (x, t) = 0
0 < x < 1, t > 0
DGl.
0<x<1
Anfangsbed.
t0
Randbed.
u(x, 0) = sin 3x
u(0, t) = u(1, t) = 0
F
uhren Sie sie mit dem Produktansatz auf ein System von zwei gew
ohnlichen
Dierentialgleichungen zur
uck. Ber
ucksichtigen Sie dabei auch die Randbedingungen.
2. L
osen Sie die Anfangs-Randwert-Aufgabe
ut (x, t) = uxx (x, t) + ux (x, t) in 1 < x < 1, t 0
u(x, 0) = 1 x2
(AB)
u(1, t) = u(1, t) = 0
(RB)
n
aherungsweise mit dem Dierenzenverfahren:
ur ux jeweils den vorderen, f
ur uxx den zena) Verwenden Sie f
ur ut und f
tralen Dierenzenquotienten, und stellen Sie die zugeh
orige Dierenzengleichung auf.
b) Berechnen Sie f
ur die Schrittweiten h = 0.5 in x-Richtung und k = 0.1 in
t-Richtung N
aherungswerte f
ur die Zeit t = 0.2.
3. Die Anfangs-Randwertaufgabe (nichtstation
are W
armeleitung)
1
uxx (x, t),
10
u(x, 0) = 2x
ut (x, t) =
0 x 1, t 0
u(0, t) = t, u(1, t) = t + 2
soll mit dem Dierenzenverfahren (Vorw
arts- und zentraler Dierenzenquotient) n
aherungsweise gel
ost werden.
a) F
ur welche Zeitschrittweiten k k
onnen Sie bei Wahl der Ortsschrittweite
h = 0.25 die Stabilit
at des Verfahrens garantieren?
b) Berechnen Sie mit den Schrittweiten h = 0.25, k = 0.3 N
aherungswerte
ur u(i h, 0.6), i = 1, 2, 3.
ui,2 f
Ausf
uhrliche L
13.4 Die Wellengleichung
13.4
235
Die Wellengleichung
Betrachten wir als weiteres Beispiel die Wellengleichung und als Spezialfall im
R1 die schwingende Saite :
2u
2u
c2 2 = f (x, t),
2
t
x
(x, t) [0, ] [0, ).
Dabei ist c die Ausbreitungsgeschwindigkeit der Welle, f (x, t) die zur Zeit t
auf den Punkt x einwirkende
auere Kraft, die z. B. beim Anzupfen der Saite
gebraucht wird oder beim Anreien mit dem Bogen bei der Geige.
Rechts haben wir die Saite auf die xAchse gelegt von 0 bis . Senkrecht nach
oben wollen wir die Zeitachse auftragen. Damit haben wir als Gesamtgebiet einen nach oben oenen Streifen,
der drei Randlinien besitzt. Der untere Rand liegt auf der x-Achse, also bei
t = 0, der linke Rand ist der Anfangspunkt der Saite und seine zeitliche Entwicklung, der rechte Rand ist der Endpunkt in der zeitlichen Entwicklung.
0 , 1
Damit ist bereits die Wellengleichung vollst

andig beschrieben, und wir werden
uns sp
ater fragen, ob und wie wir diese Gleichung l
osen k
onnen. Da wir noch
keine Einschr
ankungen an die R
ander vorgegeben haben, wird die L
osung, wenn
es denn eine gibt, noch viele Freiheiten besitzen.
In dieser Gleichung nden wir sowohl zweite Ableitungen nach t als auch nach x.
In der L
osung darf man also vier Parameter erwarten, und wir k
onnen vier Bedingungen gebrauchen. H
aug werden f
ur die Saite eine Anfangslage 0 (x) und
eine Anfangsgeschwindigkeit 1 (x) vorgegeben, also sog. Anfangsbedingungen :
u(x, 0) = 0 (x),
u(x, 0)
= 1 (x), 0 x < .
t
Die so beschriebene Aufgabe ist f

ur sich allein schon interessant, auch wenn
sie immer noch recht viele Freiheiten besitzt. Sie verdient bereits einen eigenen
Namen:
Denition 13.5
Unter dem Cauchy-Problem der Wellengleichung verstehen wir die Wellengleichung lediglich mit gegebenen Anfangswerten, also
236
2
2u
2 u
c
= f (x, t), (x, t) [0, ] [0, )
t2
x2
u(x, 0) = 0 (x)
u(x, 0)
= 1 (x), 0 x <
t
(13.35)
(13.36)
(13.37)
Die beiden Funktionen 0 (x) und 1 (x) heien die Cauchy-Daten des Problems.
Als weitere Festlegung kann man daran denken vorzugeben, wie sich der linke
und der rechte Endpunkt der Saite im Laufe der Zeit zu verhalten haben, das
sind die sog. Randbedingungen:
u(0, t) = 1 (t), u(, t) = 2 (t),
0 t < .
Auch diese Aufgabe wollen wir benennen:

Denition 13.6
Unter dem Anfangs-Randwert-Problem der Wellengleichung (im R1 )
verstehen wir folgende Aufgabe:
2
2u
2 u
c
t2
x2
u(x, 0)
u(x, 0)
t
u(0, t)
= f (x, t),
(x, t) [0, ] [0, )
(13.38)
= 0 (x)
(13.39)
= 1 (x), 0 x <
(13.40)
= 1 (t), u(, t) = 2 (t),
0t<
(13.41)
Eventuell werden dar

uber hinaus Vertr
aglichkeitsbedingungen verlangt. Damit
die L
osung auch auf dem Rand stetig ist, muss gelten:
1 (0) = 0 (0), 2 (0) = 0 ().
Vielleicht will man ja auch sicherstellen, dass die L
osung dierenzierbar ist,
dann muss zumindest gefordert werden:
1 (0) = 1 (0), 2 (0) = 1 ().
Damit haben wir die Grundaufgaben, die sich bei der Wellengleichung ergeben, beschrieben. F
ur diese Aufgaben werden wir uns im Folgenden bem
uhen,
L
osungsans
atze zu erarbeiten.
13.4.1
237

at
F
ur die bez
uglich des Ortes eindimensionale Wellengleichung kann man
tats
achlich die exakte L
osung angeben. Der folgende Satz sichert uns diese
Existenz und Eindeutigkeit zu, allerdings verschweigt er, wie die L
osung wirklich aussieht. Dazu muss man sich den Beweis ansehen, dort werden die beiden
Funktionen f und g konstruiert. Wir wollen es hier aber beim Zitat belassen.
Satz 13.6
Ist u(x, t) eine im ganzen (x, t)-Raum zweimal dierenzierbare L
osung der Gleichung
(13.42)
utt (x, t) c2 uxx (x, t) = 0,
so gibt es zwei Funktionen f, g C 2 (R) mit
u(x, t) = f (x + ct) + g(x ct).
(13.43)
Umgekehrt ist auch jede Funktion u(x, t), die sich so mit zwei Funktionen f, g
C 2 (R) darstellen l
asst, eine L
osung der Wellengleichung (13.42).
Auch f
ur das Cauchy-Problem der eindimensionalen Wellengleichung k
onnen
wir die L
osung angeben, wie es der folgende Satz zeigt.
Satz 13.7
Das Cauchy-Problem
utt (x, t) c2 uxx (x, t) = 0,
u(x, 0) = u0 (x), ut (x, 0) = u1 (x)
ist korrekt gestellt, falls u0 C 2 und u1 C 1 ist.

Die L
osung lautet dann:
! x+ct
u0 (x + ct) + u0 (x ct)
1
u(x, y) =
+
u1 () d.
2
2c xct
(13.44)
(13.45)
Hier hat man sogar alles zusammen, kann also direkt die L
osung hinschreiben.
Auerdem l
asst sie sich leicht veranschaulichen. F
ur den Fall, dass wir unsere
zweite Anfangsbedingung zu Null setzen, also
ut (x, 0) = u1 (x) = 0,
lautet die L
osung
u(x, y) =
u0 (x ct)
u0 (x + ct)
+
.
2
2

nach links nach rechts
(13.46)
238
F
ur t = 0 ist das die erste Anfangsbedingung. F
ur t > 0 besteht sie aus zwei
Teilen. Der Faktor 1/2 in beiden Teilen zeigt uns, dass die Anfangswelle in jedem
Teil auf die H
alfte zusammenschrumpft. F
ur wachsendes t > 0 verschiebt sich
der linke Teil nach links und der rechte immer weiter nach rechts. So entstehen
also zwei auseinanderlaufende Wellenberge.
F
ur das volle Anfangs-Randwert-Problem der Wellengleichung k
onnen wir nur
sagen, dass die L
osung eindeutig und stabil ist.
Satz 13.8
Das Anfangs-Randwert-Problem
utt (x, t) c2 uxx (x, t) = 0,
0 < t, 0 < x < s Wellengleichung
u(x, 0) = u0 (x),
0<x<s
Anfangsbedingung
ut (x, 0) = u1 (x),
0<x<s
Anfangsbedingung
u(0, t) = h(t),
t>0
u(s, t) = k(t),
t>0
Randbedingung
Randbedingung
(13.47)
hat h
ochstens eine L
osung u(x, t), falls u C 2 ist. Diese ist dann auch stabil.
13.4.2
Zur Existenz
Hier wollen wir lediglich hinweisen auf den fundamentalen Separationsansatz,

den wir schon bei der W
armeleitungsgleichung wunderbar einsetzen konnten
und der uns auch hier in reichlich eingeschr
ankten F
allen zu einer L
osung f
uhrt.
Weil solche einfachen Aufgaben aber leider nicht sehr praxisnah sind, u
bergehen
wir diese Frage, verweisen Sie auf die Literatur und wenden uns der Numerik
zu, die uns erstaunlich gut weiterf
uhrt.
13.4.3
ur die Wellengleichung
Unser Vorgehen hier

ahnelt sehr stark dem Verfahren bei der W
armeleitungsgleichung. Wieder ersetzen wir zur Berechnung einer N
aherungsl
osung die Differentialquotienten durch geeignete Dierenzenquotienten. Betrachten wir das
Beispiel:
239
Beispiel 13.3
Gegeben sei das Anfangs-Randwert-Problem der Wellengleichung:
utt (x, t) = c2 uxx (x, t) 0 < x < 1, t > 0 Wellengleichung
u(x, 0) = f (x)
0<x<1
1. Anfangsbedingung
ut (x, 0) = g(x)
0<x<1
2. Anfangsbedingung
u(0, t) = r1 (t)
t>0
1. Randbedingungen
u(1, t) = r2 (t)
t>0
2. Randbedingungen
(13.48)
Zur Diskretisierung der Dierentialgleichung unterteilen wir die Zeit in kleine

Zeitschritte der Gr
oe k > 0 und den Raum, also hier die x-Achse in kleine
Ortsschritte der L
ange h > 0.
Zuerst benutzen wir sowohl f
ur die Zeitableitung als auch f
ur die Ortsableitung
jeweils den zentralen Dierenzenquotienten 2. Ordnung an der Stelle ui,j , wobei
wir wieder wie oben mit ui,j die N
aherung an unsere gesuchte L
osung an der
Stelle (xi , tj ) bezeichnen, also setzen
uij u(xi , tj ),
und erhalten die Gleichung
ui,j+1 2ui,j + ui,j1
=4
,
(13.49)
k2
h2
f
ur i = 1, 2, . . . , n 1 und j = 1, 2, . . .
Nun kommt das Charakteristikum der Wellengleichung voll zum Tragen. Da in
der Dierentialgleichung die zweite Ableitung nach der Zeit vorkommt, mussten
wir den zweiten Dierenzenquotienten verwenden. In obiger Gleichung stehen
damit Werte im Zeitschritt j 1, im Zeitschritt j und im Zeitschritt j +1. Unsere
1. Anfangsbedingung in (13.48) liefert uns die Werte im Zeitschritt j = 0. Wir
brauchen jetzt also noch Werte im Zeitschritt j = 1, also t1 = k, um dann mit
dieser Gleichung die Werte im Zeitschritt j = 2, 3, . . . berechnen zu k
onnen.
Woher nehmen, wenn nicht stehlen?
Mister Brooke Taylor, der im selben Jahr wie J. S. Bach geboren wurde, weist
uns mit seiner Reihenentwicklung den Weg. Dazu m
ussen wir allerdings voraussetzen, dass die Funktion f der ersten Anfangsbedingung zweimal stetig
dierenzierbar ist. Dann halten wir die Stelle xn fest und entwickeln die L
osung
uglich der Zeitvariablen um den Zeitpunkt
u(x, t) an der Stelle (xn , t1 ) nur bez
t0 = 0 in eine Taylorreihe, die wir nach der zweiten Ableitung abbrechen. Damit machen wir zwar einen Fehler, aber wir wollen ja nur eine N
aherungsformel
entwickeln. Sp
ater m
ussen wir dann rechtfertigen, dass unser Fehler unter gewissen Einschr
ankungen verzeihlich war. So erhalten wir f
ur den ersten Zeitschritt
j = 1, also t1 = k
u(xn , t1 ) = u(xn , 0) + k ut (xn , 0) +
k2
utt (xn , 0).
2
(13.50)
240
Jetzt bringen wir unsere Dierentialgleichung ins Spiel

u(xn , t1 ) = u(xn , 0) + k g(xn ) +
k2
4uxx (xn , 0).
2
(13.51)
Hier setzen wir die erste Anfangsbedingung ein:

k2
4f (xn ).
(13.52)
2
Die zweite Ableitung approximieren wir mit dem zweiten zentralen Dierenzenquotienten:
u(xn , t1 ) = u(xn , 0) + k g(xn ) +
u(xn , t1 ) = u(xn , 0) + k g(xn ) +
k2
4[f (xn1 2f (xn ) + f (xn+1 )]. (13.53)
2h2
Diese Gleichung benutzen wir nun zur Berechnung von un1 :

k2
4[f (xn1 2f (xn ) + f (xn+1 )].
(13.54)
2h2
Damit kennen wir aus der ersten Anfangsbedingung die Werte zum Zeitpunkt
aherungswerte zum Zeitpunkt t1 = k. Und
t0 = 0, aus obiger Gleichung N
so haben wir alles beisammen, um mit der Gleichung (13.49) die Werte im
Zeitschritt t2 = 2k, dann die im Zeitschritt t3 = 3k usw. auszurechnen, und
fahren solange fort, bis wir bei einem verabredeten Zeitpunkt ankommen. Wir
zeigen das ausf
uhrlich wieder an einem Beispiel.
un1 = un0 + k g(xn ) +
Beispiel 13.4
Wir betrachten die Anfangs-Randwert-Aufgabe
utt (x, t) = uxx (x, t) 0 < x < 1, t > 0 Wellengleichung
u(x, 0) = 2x x2
0<x<1
1. Anfangsbedingung
ut (x, 0) = 0
0<x<1
2. Anfangsbedingung
u(0, t) = 0
t>0
1. Randbedingung
ux (1, t) = 0
t>0
2. Randbedingung
und berechnen eine N

aherungsl
osung mit dem Dierenzenverfahren bei Schrittweiten h = k = 0.2, h Ortsschrittweite, k Zeitschrittweite.
Zun
achst beschaen wir uns die N
aherungsaufgabe durch Ersetzen der 2. Ableitungen durch zentrale Dierenzenquotienten. Mit den Abk
urzungen wie oben
bei der W
armeleitung
ui,j := u(xi , tj ),
erhalten wir
ui+1,j := u(xi+1 , tj )
241

ui,j+1 2ui,j + ui,j1
=
.
h2
k2
Wie bei der W
armeleitung versuchen wir, f
ur einen bestimmten Zeitschritt
achsten Zeitschritt
die N
aherungswerte f
ur xi zu bestimmen, um dann zum n
vorw
artszugehen. Wegen h = k k
onnen wir die Gleichung vereinfachen und
dann nach ui,j+1 au
osen:
ui,j+1 = ui+1,j + ui1,j ui,j1 .
(13.55)
Doch was sehen wir: auf der rechten Seite werden die Werte im Zeitschritt
j und im Zeitschritt j 1 verlangt. Hier m
ussen wir mit den Anfangs- und
Randbedingungen spielen. Wir beginnen mit den Anfangsbedingungen.
Die erste benutzen wir zur Berechnung der Werte im 0-ten Zeitschritt, also zu
Beginn:
ui,0 = 2ih (ih)2 .
(13.56)
In der zweiten Anfangsbedingung steckt eine Ableitung. Hier ersetzen wir sie
durch den r
uckw
artigen Dierenzenquotienten:
ui,j ui,j1
.
k
Setzen wir hier tj = 0, also j = 0, so erhalten wir wegen der Anfangsbedingung
ut (xi , tj ) =
ui,1 ui,0
= 0 = ui,1 = ui,0 .
(13.57)
k
Da haben wir also recht einfach die Werte im ersten Zeitschritt erhalten. Da die
Ableitung in Zeitrichtung verschwindet, ist es plausibel, die Werte im 0-ten und
1-ten Zeitschritt gleichzusetzen.
Jetzt zu den Randbedingungen. Die erste liefert uns die Werte am linken Rand
f
ur x = 0:
u0,j = 0.
(13.58)
Die zweite Randbedingung enth

alt wieder eine Ableitung, die wir nach unserem Erfolg bei der zweiten Anfangsbedingung ebenfalls durch den r
uckw
artigen
Dierenzenquotienten ersetzen:
u5,j u4,j
(13.59)
= 0 = u5,j = u4,j .
h
Die Werte am rechten Rand w
ahlen wir also gleich den Werten im Ortsschritt
i = 4, also x = 0.8. Auch das ist wegen des Verschwindens der Ableitung in
x-Richtung plausibel.
ux (1, t) =
242
So kennen wir jetzt die Werte in den ersten beiden Zeitschritten und am linken
und rechten Rand. Es bleibt also lediglich die simple Ausrechnung der weiteren
Zeitschritte mit der Formel (13.55). Wir schreiben das alles als Tabelle auf.
i
j
t x 0.0
0.2
0.4
0.6
0.8
1.0
0 0.0
0.0 0.36 0.64 0.84 0.96 1.00
1 0.2
0.0 0.36 0.64 0.84 0.96 1.00
2 0.4
0.0 0.28 0.56 0.76 0.88 0.88
oglichkeiten. Nach Formel (13.56) erhalten

F
ur den Wert u5,0 haben wir zwei M
wir
u5,0 = 2 5 0.2 (5 0.2)2 = 1.00,
nach Formel (13.59) aber
u5,0 = u4,0 = 2 4 0.2 (4 0.2)2 = 0.96.
Wir entscheiden uns willk
urlich f
ur den Wert u5,0 = 1.00. Da wir ja sowieso nur eine N
aherungsl
osung berechnen wollen und k
onnen, m
ussen wir die
Schrittweite viel kleiner machen, um hoentlich, abgesehen von m
oglichen Stabilit
atsverlusten (s.u.), eine vern
unftige L
osung zu erhalten. Dann spielt diese
Willk
ur keine Rolle mehr.
Die letzte Zeile der Tabelle haben wir nach Formel (13.55) ausgerechnet, hier
f
ur j = 1:
ui,2 = ui+1,1 + ui1,1 ui,0 .
Genau diese Formel k
onnen wir jetzt f
ur viele weitere Zeilen benutzen. Das
macht nat
urlich ein Rechner. Den k
onnen wir auch mit kleineren Schrittweiten
f
uttern. Das Verfahren ist ja doch recht simpel.
Sie sehen, dass wir bei der Wellengleichung ganz sch
on raniert vorgehen mussten. Es sind ja auch viele Vorgaben zu beachten. Zweimal die zweite partielle
Ableitung und daraufhin zwei Anfangs- und zwei Randbedingungen, beide mit
Ableitungen versehen. Nun, wir empfehlen, f
ur solche Aufgaben Spezialliteratur
aufzuschlagen. Viele weitere Tricks sind dort vorgeschlagen.
13.4.4
Stabilit
at des Dierenzenverfahrens
Ganz analog zur W

armeleitungsgleichung erhalten wir f
ur das oben entwickelte
N
aherungsverfahren eine Einschr
ankung an die Stabilit
at:
243
Satz 13.9
Ist die L
osung unserer Anfangs-Randwert-Aufgabe (13.48) viermal stetig dierenzierbar, so hat die explizite Methode (13.49) einen lokalen Diskretisierungsfehler
O(k2 + h2 ).
(13.60)
Sie ist stabil genau dann, wenn gilt

c2 k2 h2 .
(13.61)
Also auch hier kann es zu Chaos f

uhren, wenn wir den Ortsschritt st
andig verfeinern, aber den Zeitschritt gleich halten. Beispiele zeigen, dass die Waage sehr
schnell zur falschen Seite hin ausschwingt, wenn man diese Bedingung auch nur
ein wenig verletzt.
244
Ubung
27
1. Betrachten Sie noch einmal die Anfangs-Randwert-Aufgabe von Beispiel 13.4
(vgl. Seite 240):
utt (x, t) = uxx (x, t) 0 < x < 1, t > 0 Wellengleichung
u(x, 0) = 2x x2
0<x<1
1. Anfangsbedingung
ut (x, 0) = 0
0<x<1
2. Anfangsbedingung
u(0, t) = 0
t>0
1. Randbedingung
ux (1, t) = 0
t>0
2. Randbedingung
und berechnen Sie eine N

aherungsl
osung mit dem Dierenzenverfahren bei
Schrittweiten h = k = 0.2, h Ortsschrittweite, k Zeitschrittweite, wobei Sie
diesmal die Ableitungen in der Anfangsbedingung und in der Randbedingung
durch zentrale erste Dierenzenquotienten ersetzen.
Ausf
uhrliche L
osung: www.spektrum-verlag.de/978-3-8274-2866-0
14 Kurze Einfu
hrung in die
Wahrscheinlichkeitsrechnung
Ubersicht
14.1 Kombinatorik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
14.2 Wahrscheinlichkeitsrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
Ein immer wichtiger werdender Zweig der Mathematik gerade f

ur Anwender
ist die Wahrscheinlichkeitsrechnung. Mathematisch zeigt sich hier eine ziemlich
neuartige Denkweise, die gerade zu Beginn h
aug groe Schwierigkeiten bereitet. Wir wollen daher einerseits zur Verminderung dieser Beschwernisse mit
unserem letzten Kapitel beitragen, andererseits k
onnen wir nur die elementaren
Grundlagen behandeln, sonst w
urde dieses Buch doppelt so dick. Weiterf
uhrende
Literatur ist aber zum Gl
uck in H
ulle und F
ulle vorhanden.
14.1
Kombinatorik
Das t
agliche Leben gibt uns in diesem Abschnitt viele Beispiele, die uns zu
interessanten Formeln f
uhren, so z.B. beim Skatspielen oder beim Lotto.
14.1.1
Permutationen
Wir beginnen mit einer einfachen Aufgabe:

Beispiel 14.1
Auf wie viele Arten k
onnen sich sechs Reisende auf sechs leere Zugabteile verteilen, wenn jeder allein sitzen m
ochte?
Diese Frage k
onnen wir gleich viel allgemeiner bearbeiten, indem wir fragen:
Auf wie viele Arten P (n) k
onnen sich n Reisende auf n leere Zugabteile verteilen, wenn jeder allein sitzen m
ochte? Dabei sei n N .
246
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung
Oensichtlich gibt es f
ur einen Reisenden genau eine M
oglichkeit. F
ur zwei Reisende gibt es genau zwei M
oglichkeiten. F
ur drei Reisende sechs M
oglichkeiten,
wie Sie mir hoentlich zustimmen, wenn Sie folgende Reihe betrachten. Hier
sind alle sechs M
oglichkeiten aufgez
ahlt.
1, 2, 3
1, 3, 2
2, 3, 1
2, 1, 3
3, 1, 2
3, 2, 1.
F
ur n Reisende erhalten wir: Der erste kann in einem der n Abteile Platz nehmen, der zweite anschlieend nur noch in n 1 Abteilen. F
ur beide zusammen
gibt es daher n(n 1) M
oglichkeiten. F
ur den dritten Reisenden stehen nur
noch n 2 Abteile frei zur Verf
ugung. F
ur alle drei gibt es also n(n 1)(n 2)
M
oglichkeiten usw. Das f
uhrt zu der Formel: Es gibt f
ur n Reisende
P (n) = n(n 1)(n 2) . . . 2 1 = 1 2 . . . (n 1) n =: n!
(14.1)
M
oglichkeiten, sich auf n Abteile zu verteilen, ohne sich gegenseitig zu st
oren.
Wie sprechen n! als n-Fakult
at aus. Diese Bezeichnung wurde 1808 von dem
Mathematiker Christian Kramp eingef

uhrt. Wir setzen dabei noch fest
0! := 1.
(14.2)
Dann k
onnen wir die Formel (14.1) f
ur alle n N benutzen. (14.2) ist also nur
eine Vereinfachung zur Bequemlichkeit, damit wir nicht dauernd auf Ausnahmen
achten m
ussen.
Zur Vereinfachung der Sprechweise vereinbaren wir:
Denition 14.1
Jede Zusammenstellung einer endlichen Anzahl von paarweise verschiedenen
Elementen in irgendeiner Anordnung, in der s
amtliche Elemente verwendet werden, nennen wir Permutation der gegebenen Elemente.
Damit k
onnen wir obige Formel (14.1) so ausdr
ucken:
Satz 14.1
Von n N paarweise verschiedenen Elementen gibt es n! Permutationen.
Eine Verallgemeinerung dieser Fakult
at auf reelle und auch komplexe Zahlen
stammt von Leonhard Euler: die Gammafunktion. Bitte schauen Sie in die Spezialliteratur.
Beispiel 14.2
Schauen wir als Beispiel auf unsere sechs Zugfahrer, die jeder in einem eigenen
Abteil sitzen m
ochten.
F
ur die gibt es 6! = 1 2 6 = 720 M
oglichkeiten.
14.1 Kombinatorik
247
Eine kleine Abwandlung ergibt sich, wenn wir nicht mehr so viele Sitzpl
atze
frei haben. Wie viele M
oglichkeiten gibt es, wenn wir drei Einzelpl
atze und ein
Abteil mit drei freien Pl
atzen zur Verf
ugung haben? Dabei seien aber die drei
Pl
atze im Abteil nicht unterscheidbar, also keine Pr
aferenz f
ur Fensterplatz o.
a.
Das schr
ankt die Anzahl der M
oglichkeiten sehr ein. Die drei Reisenden im
Abteil k
onnen ja 1 2 3 = 3! = 6 Vertauschungen der Pl
atze vornehmen, da ja
die Pl
atze nicht unterscheidbar sind. Dann bleiben insgesamt noch
6!
1 26
=
= 120
3!
123
M
oglichkeiten. Allgemein gilt f
ur solche Permutationen mit n Elementen, von
denen k Elemente nicht unterscheidbar sind:
pk (n) =
n!
,
k!
k n.
Beispiel 14.3
Wie viel m
ogliche Verteilungen beim Skatspiel gibt es?
Genau die oben geschilderte Situation ergibt sich beim Skatspielen. Da erh
alt
jeder der drei Mitspieler von 32 Karten genau 10 Karten. Die restlichen zwei
Karten kommen in die Mitte. Sie heien Skat. Da die Reihenfolge der Karten
dem einzelnen Spieler egal ist, er muss sie ja sortieren, gibt es

32!
= 2 753 294 408 504 640
10! 10! 10! 2!
Verteilungen. Das sind in Worten mehr als 2.7 Billiarden M
oglichkeiten. Denken
wir mal, dass zu Christi Geburt f
unf Millionen Skatspieler begonnen haben
zu spielen. Jede Minute hat jeder von ihnen ein Skatblatt ausgeteilt und das
12 Stunden am Tag tagaus, tagein, also auch sonn- und feiertags. Wenn alle
m
oglichen Verteilungen nur genau einmal auftreten, dann w
aren sie erst in der
heutigen Zeit fertig. Man muss also nicht Angst haben, dass das Skatspielen
langweilig wird, weil man ja alle m
oglichen Spiele schon gespielt hat. Wir sollten
uns merken, dass die Fakult
at eine wirklich rasant anwachsende Tendenz hat.
P10,10,10,2 (32) =
14.1.2
Variationen
In diesem Abschnitt seien wieder n Elemente gegeben. Wir betrachten Zusammenstellungen von k Elementen in irgendeiner Anordnung. So etwas heit dann
Zusammenstellung k-ter Ordnung oder k-ter Klasse. Betrachten wir dann Zusammenstellungen, die die gleichen Elemente, aber in verschiedener Anordnung
enthalten, als verschieden, so sprechen wir von Variationen. Den andern Fall,
dass wir die Anordnung nicht beachten, behandeln wir im n
achsten Unterabschnitt.
248
14 Kurze Einf
Denition 14.2
Zusammenstellungen von k Elementen einer n-elementigen Menge mit Ber
ucksichtigung ihrer Anordnung heien Variationen.
Wir k
onnen uns also folgende Frage stellen:
Auf wie viele Arten kann man n Elemente auf k n Pl
atze verteilen?
Hier m
ussen wir zwei verschiedene F
alle unterscheiden. Wollen wir zulassen,
dass Elemente mehrfach vorkommen d
urfen, wir nennen das mit Wiederholung
oder darf jedes Element nur einmal verwendet werden, das nennen wir ohne
Wiederholung?
1. Variation ohne Wiederholung
Wenn wir keine Wiederholung zulassen wollen, m
ussen wir so u
berlegen:
Der erste Platz kann von n Elementen eingenommen werden. der zweite Platz
dann nur noch von n 1 u
brig gebliebenen Elementen, der dritte Platz von
den restlichen n 2 Elementen usw.
Um den k-ten Platz k
onnen sich noch n (k 1) Elemente streiten. Daher
erhalten wir:
Satz 14.2
Die Anzahl der Variationen Vk von n Elementen zur k-ten Klasse ohne Wiederholung ist
Vk (n) = n(n 1)(n 2) (n (k 1)) =
n!
.
(n k)!
(14.3)
Bei der letzten Gleichung haben wir eine leichte K

urzung ausgef
uhrt:
n(n 1)(n 2) (n (k 1))(n k) 2 1
n!
=
.
1 2 (n k)
(n k)!
Wenn wir bei n Elementen die Verteilung auf k = n Pl
atze vornehmen, sind
wir wieder bei den Permutationen.
Beispiel 14.4
Wie viele zweistellige Zahlen kann man mit den neun Ziern 1,2,. . . ,9 aufschreiben, wenn wir keine Wiederholung zulassen?
Nach unserer Formel ist das ganz leicht: 9 Elemente auf 2 = 9 7 Pl
atze
verteilen, ergibt
V2 (9) =
9!
1 29
9!
=
=
= 8 9 = 72.
(9 2)!
7!
1 27
14.1 Kombinatorik
249
Das k
onnen wir uns auch so u
berlegen. Wir bilden zweistellige Zahlen ohne
0, also lassen wir bei den 99 Zahlen 1, 2, . . . , 99 schon mal die ersten neun
weg, denn die sind ja nur einstellig. Dann m
ussen auch die 20, 30, . . . , 90 ins
Kr
opfchen, also wieder neun weg. Da wir keine Wiederholung wollen, fallen
auch noch 11, 22, . . . , 99, also nochmals neun Zahlen weg. Es bleiben
99 9 9 9 = 72,
wie es unsere Formel (14.3) schon konnte.
2. Variation mit Wiederholung
Wenn wir Wiederholungen zulassen, wird die Uberlegung

einfacher. Dann
kann der 1. Platz auf n Arten besetzt werden, der 2. Platz kann wieder auf n
Arten besetzt werden, usw., der k-te Platz kann schlielich auch auf n Arten
besetzt werden. Das f
uhrt uns zu der Aussage:
Satz 14.3
Die Anzahl der Variationen Vk von n Elementen zur k-ten Klasse mit Wiederholung ist
Vk (n) = nk .
(14.4)
Hier ist sogar k > n zugelassen.

Beispiel 14.5
Betrachten wir als Beispiel die Blindenschrift.
Braille hat ein System entwickelt, wo an sechs Stellen erhabene, also tastbare
Punkte eingedr
uckt werden oder eben das Papier ach bleibt. Wir haben also
die Elemente ach und erhaben. Diese zwei Elemente wollen wir auf sechs
Pl
atze verteilen, wobei Wiederholung zugelassen ist. Dann erhalten wir
V6 (2) = 26 = 64
m
ogliche Zeichen.
Beispiel 14.6
Sie k
onnen sich auch fragen, wie viel verschiedene W
urfe sind mit vier unterschiedlichen, also vielleicht rot, gr
un, blau und schwarz gef
arbten W
urfeln
m
oglich.
Die m
oglichen W
urfe von 1 bis 6 f
ur jeden W
urfel wollen wir also auf vier
W
urfel, also auf vier Pl
atze verteilen. Das ergibt
V4 (6) = 64 = 1296
verschiedene W
urfe bei unterscheidbaren W
urfeln.
250
14 Kurze Einf
Beispiel 14.7
Wir denken noch mal an die zweistelligen Zahlen, die wir mit den neun
Ziern 1, 2, . . . , 9 schreiben wollen, jetzt aber mit Wiederholungen.
Unsere Formel sagt
V2 (9) = 92 = 81,
was ja auch sofort klar ist, denn wir betrachten wie oben die Zahlen von 1
bis 99, lassen 1 bis 9 weg und lassen 10, 20, . . . , 90 weg. 11, 22, . . . , 99 sind
aber wegen der Wiederholung erlaubt. Also bleiben
99 9 9 = 81 = 92 .
14.1.3
Kombinationen
Jetzt betrachten wir Zusammenstellung, bei denen uns die Anordnung egal ist.
Denition 14.3
Zusammenstellungen Kk (n) von k Elementen einer n-elementigen Menge ohne
Ber
ucksichtigung ihrer Anordnung heien Kombinationen.
Wir stellen uns also folgende Frage:
Wie viele M
oglichkeiten gibt es, aus n Elementen k < n Elemente
herauszunehmen?
Rein umgangssprachlich ist uns klar, dass wir ein Element, das wir herausgenommen haben, nicht gleich wieder zur
ucklegen. Wir wollen es aber sauber
verlangen, also bitte zun
achst den Fall, dass keine Wiederholungen zugelassen
sind.
1. Kombinationen ohne Wiederholung
F
ur diesen Fall ist die Anzahl der M
oglichkeiten gerade so gro wie die
Anzahl der Variationen, allerdings ohne R
ucksicht auf die Anordnung der
Pl
atze. Wir m
ussen also, um die richtige Anzahl zu erhalten, durch die Zahl
der Permutationen k! von k Pl
atzen dividieren.
Satz 14.4
Die Anzahl der Kombinationen von n Elementen zur k-ten Klasse ohne Wiederholung ist
Kk (n) =
Vk (n)
n!
=
.
k!
(n k)!k!
(14.5)
14.1 Kombinatorik
251
Diese Zahlen treten vor allem in den Binomialentwicklungen auf, also z.B. in
(a + b)2 = a2 + 2ab + b2 . Auf der rechten Seite sind die Zahlen 1,2,1 als Koefzienten enthalten. Bei (a + b)3 treten die Zahlen 1, 3, 3,1 als Koezienten
auf usw. Sie heien daher:
Denition 14.4
Die Zahlen
n
k
n(n 1) (n (k 1))
n!
=
(n k)!k!
1 2k
(14.6)
heien Binomialkoezienten.
Hier haben wir wieder den ersten Faktor (nk)! im Nenner gegen die letzten
Faktoren im Z
ahler gek
urzt. Dadurch ergibt sich eine recht einfache Merkregel f
ur die Binomialkoezienten.

Betrachten Sie n
k , so schreiben wir sowohl im Zahler wie im Nenner jeweils
k Faktoren, im Z
ahler von oben runter, im Nenner von unten herauf, also
z.B.

765
7
= 35.
=
123
3
Ubrigens,
ein alter Scherz bringt den Namen Binomialkoezient mit einem
Herrn Binomi in Verbindung. Selbst Wikipedia kennt diesen Herrn nicht.
Also bitte nicht verwirren lassen. Manchmal ist mathematischer Humor recht
eigenwillig. Sie heien auch nicht Binominalkoezient. Da ist ein n zuviel.
Beispiel 14.8
Wie viel m
ogliche Kombinationen beim Lotto 6 aus 49 gibt es?
Das rechnen wir jetzt leicht aus.
49
6

=
49 48 44
= 13 983 816.
1 26
Die Zahl ist wirklich ziemlich gro. Und nur eine Kombination wird am
n
achsten Samstag von der Lottomaschine gezogen. Wenn jemand jede Woche
100 verschiedene Lottotipps abgibt, jede Woche genau die gleichen, und wenn
keine Tippreihe wiederholt wird, bevor nicht alle Tippreihen gezogen sind,
muss er im schlimmsten Fall mehr als 2689 Jahre warten, bis ganz sicher eine
seiner Tippreihen drankommt.
Beispiel 14.9
Wie oft macht es Ping, wenn n Personen Wein trinken und jeder mit jedem
anderen anst
ot?
252
14 Kurze Einf
Wir m
ussen die Anzahl der Kombinationen von n Elementen zur 2-ten Klasse
ausrechnen, weil ja immer zwei Personen miteinander anstoen:
n
n (n 1)
=
12
2
Das ist auch leicht einsehbar; denn jede der n Personen st
ot ja mit n
1 anderen an. Wenn aber Herr A mit Frau B anst
ot, dann ist das doch
dasselbe, als wenn Frau B mit Herrn A anst
ot. Wir m
ussen also die Zahl
n (n 1) noch durch 2 teilen.
2. Kombinationen mit Wiederholung
Hier stellen wir uns z.B. die Aufgabe:
Wie viele M
oglichkeiten gibt es, aus einer Urne mit n Elementen
nacheinander k Elemente herauszunehmen, wenn jedes herausgenommene Element sofort wieder zur
uckgelegt wird?
Hier zitieren wir den entscheidenden Satz. Auf den nicht ganz leichten Nachweis verzichten wir und verweisen auf die Literatur.
Satz 14.5
Die Anzahl der Kombinationen von n Elementen zur k-ten Klasse mit Wiederholung ist
Kk (n) =
n+k1
k

.
(14.7)
Beispiel 14.10
Wie viele Wurfkombinationen mit f
unf nicht unterscheidbaren W
urfeln gibt
es?
Das nden wir mit obiger Formel:
K5 (6)
14.1.4

=
6+51
5

=
10
5

=
10 6
= 252.
15
Ein Sitz- und ein ungel

ostes Problem
Dienstags am sp
aten Nachmittag treen wir uns mit drei befreundeten Ehepaaren zu einer kleinen Runde in einem Weinlokal. Wir, das sind meine Frau und
ich, also Ehepaar H , dann Ehepaar D , Ehepaar G , und Ehepaar U . Unser
Problem ist, wie wir uns setzen. Um die Runde abwechslungsreich zu gestalten,
m
ochte niemand neben seinem Ehepartner sitzen.
Beispiel 14.11
Die Frage lautet nun: Wie viele verschiedene M
oglichkeiten gibt es f
ur uns, an
einem runden Tisch Platz zu nehmen, wenn wir
14.1 Kombinatorik
253
1. eine bunte Reihe, also m

annlich - weiblich - m
annlich - weiblich usw. ein
halten und
2. Ehepaare getrennt sitzen wollen.
Wenn wir die Anordnung jetzt als reinen Kreis darstellen, entspricht das nicht
ganz der Wirklichkeit. Von Platz H aus sieht man n
amlich vielleicht die T
ur,
ahrt. Damit ist also auch schon
w
ahrend Platz U den Blick in den Garten gew
die erste Wahl eines Platzes wichtig. Symmetrie k
onnen wir nicht geltend machen. Deswegen hat der erste Herr H wir nehmen mal an, dass die forschen
Herren sich zuerst einen Stuhl heranziehen acht m
ogliche Pl
atze zur Auswahl. Wegen der bunten Reihe sind dann die restlichen St
uhle in M
anner- und
Frauenst
uhle festgelegt. Der zweite Herr D kann dann noch zwischen drei
annerst
uhlen,
M
annerst
uhlen w
ahlen. Herr G hat die Wahl zwischen zwei M
aber Herr U darf nicht mehr w
ahlen, sondern wird gesetzt auf den letzten
freien M
annerstuhl. Insgesamt haben damit die Herren
8 3 2 = 48
m
ogliche Sitzanordnungen.

g

u

d

hm
U
Abb. 14.1 Hier die Sitzordnung, wenn sich alle Herren gesetzt haben und Frau
ihre erste Wahl unten links vorgenommen hat.
hm
Jetzt kommen die runden Frauenst

uhle. Frau hmm
ochte nicht neben ihrem
Ehegesponst sitzen. Dies Vergn
ugen hat sie t
aglich. Also bleiben ihr nur zwei
Frauenst
uhle zur Wahl. Wir zeigen zuerst ihre Wahl zwischen D und U . Sie
sehen sofort, dass Frau gmkeine Wahl mehr hat. Sie muss zwischen D und
H sitzen. Dann sind beide anderen Frauen ebenfalls festgelegt.
254
14 Kurze Einf

u

d

h

gm
U
Abb. 14.2 Hier die Sitzordnung, wenn sich alle Herren gesetzt haben und Frau
ihre zweite Wahl unten rechts vorgenommen hat.
Wenn Frau
hmzwischen U und G Platz nimmt, hat Frau
m
h
dmkeine Wahl
ur die beide
mehr, sondern muss zwischen H und G sitzen. Ebenso bleiben f
anderen Frauen keine Wahlm
oglichkeiten mehr. Insgesamt haben die Frauen
also, wenn die M
anner sitzen, nur noch zwei M
oglichkeiten.
Zusammen ergibt das
8 3 2 2 = 96
m
ogliche Sitzanordnungen. Bei w
ochentlichen Treen hat die Runde also fast
zwei Jahre zu tun, um alle Sitzpositionen durchzuprobieren.
Beispiel 14.12
Es gibt schon leichte Fragen, f
ur die wir bis heute keine Antwort wissen. Wir
denken uns eine Reihe von Briefmarken, solange es die noch gibt. Um sie in meine Geldb
orse zu stecken, m
ochte ich sie solange falten, bis sie alle u
bereinander
liegen. Wenn wir uns die Marken unendlich d
unn vorstellen, so hat das Endpaket also die Gr
oe einer Marke. Aber wie viele M
oglichkeiten gibt es, diese
Reihe so zusammenzufalten? Bei einem Zollstock von 1 m L
ange, der also aus
f
unf Elementen besteht, kann man ja mal durchz
ahlen. Bis heute gibt es f
ur den
allgemeinen Fall keine Formel f
ur diese Aufgabe. Eigent
umlich, nicht?
14.1 Kombinatorik
255
Zusammenstellung der Begrie und Formeln
Permutationen
P (n) = n!
Variationen ohne Wiederh.
Variationen mit Wiederh.
n!
Vk (n) =
Vk (n) = nk
(n k)!
Kombinationen ohne Wiederh. Kombinationen mit Wiederh.

n!
n+k1

Kk (n) =
Kk (n) =
(n k)!k!
k
256
14 Kurze Einf
14.2
Wahrscheinlichkeitsrechnung
Im Jahre 1652 reisten der Chevalier de Mere, ein begeisterter Spieler, und der
Mathematiker Blaise Pascal zusammen nach Poitou. Im Gespr
ach bat de Mere
den Mathematiker, ihm bei der L
osung der folgenden Aufgabe zu helfen.
Zwei Spieler wollen so viele Partien miteinander spielen, bis einer
N Partien gewonnen hat. Leider muss die Spielserie abgebrochen
werden, als noch keiner der beiden N Spiele gewonnen hat. Der eine
hatte n < N Spiele, der andere m > N Spiele gewonnen. Wie muss
jetzt die Gewinnsumme gerecht verteilt werden?
Blaise Pascal fand eine L
osung, die er dem Juristen und genialen Feierabendma
thematiker Pierre de Fermat brieich mitteilte. Dieser entwickelte eine eigene
L
osung. Auch Christian Huygens dachte sich eine L
osung aus. Mit dieser Korrespondenz wurden die Grundlagen zur Wahrscheinlichkeitsrechnung gelegt.
Das Ziel ist die Untersuchung mathematischer Gesetzm
aigkeiten von groen
Anzahlen zuf
alliger Ereignisse. Man kann deshalb die Wahrscheinlichkeits
rechnung als eine Theorie bezeichnen, die die Gesetzm
aigkeiten von Massenerscheinungen untersucht.
14.2.1
Denitionsversuch nach Laplace und von Mises
Eines der einfachsten Anschauungsobjekte ist der gew

ohnliche regelm
aige
W
urfel. Wir erkl
aren einige Grundbegrie zun
achst nur f
ur ihn, u
bertragen sie
aber sp
ater auf andere Experimente.
-
Da sind zun
achst die Elementarmerkmale eines W
urfels: W
urfe der Augenzahlen 1,. . . ,6
Weitere Merkmale k
onnten z.B. der Wurf einer geraden Punktzahl sein.
Wir wollen auch das unm
ogliches Merkmal , z.B. den Wurf einer 7 als Merkmal mit einf
ugen.
Ein Ereignis ist dann der Wurf und die Registrierung des Wurfes.
Ein Elementarereignis e1 , . . . , e6 ist der Wurf und die Registrierung von
1,. . . , 6
beliebige Ereignisse bezeichnen wir mit groen Buchstaben A, B, C, . . ..
Das sichere Ereignis werde mit S bezeichnet, beim W
urfel ist das das Ereignis
urfeln.
e1 oder . . . oder e6 , also eine 1 oder eine 2 oder oder eine 6 zu w
14.2 Wahrscheinlichkeitsrechnung
257
Wahrscheinlichkeit nach Laplace

Laplace deniert bereits 1812:
Denition 14.5
Die Wahrscheinlichkeit P (probability) eines Ereignisses A wird deniert als
P (A) =
Anzahl g der g
unstigen Elementarmerkmale
Anzahl m der gleichm
oglichen Elementarmerkmale
(14.8)
Beispiel 14.13
Regelm
aiger W
urfel
Fragen wir nach der Wahrscheinlichkeit f
ur das W
urfeln einer 6, also A =
W
urfeln einer 6, kurz A = 6.
Wir haben m = 6 gleichm
ogliche Elementarmerkmale, aber nur g = 1 g
unstiges
Elementarmerkmal, also
1
.
6
Wir sehen an diesem Beispiel, dass die unterstrichene Vorsilbe gleich in der Denition sehr wichtig ist. W
urden wir z.B. mit einer Streichholzschachtel w
urfeln,
m
ussten wir sonst ebenfalls allen Seiten die Wahrscheinlichkeit P = 1/6 zuordnen, was nat
urlich unsinnig w
are.
P (A = 6) =
Beispiel 14.14
Wie gro ist die Wahrscheinlichkeit U , eine ungerade Zahl zu w
urfeln?
Wieder ist m = 6, aber hier ist g = 3, also
P (U ) =
3
1
= .
6
2
Das folgende Beispiel zeigt uns sehr deutlich die Schwierigkeiten mit diesem Begri der Wahrscheinlichkeit nach Laplace. Es ist als Bertrandsches Paradoxon
bekannt, weil der franz
osische Mathematiker Joseph Bertrand im Jahre 1888
dieses Beispiel vorgestellt hat, bei dem er zu einer klaren Aufgabe zwei sehr
vern
unftig erscheinende aber sich widersprechende Antworten gegeben hat. Dazu hat er die b
ose Frage gestellt: Was ist das denn f
ur eine Wissenschaft, die
bei einer solch einfachen Aufgabe nicht genau eine Antwort geben kann?
Seine Aufgabe lautete:
258
14 Kurze Einf
Wir betrachten einen Kreis mit Radius

2. Diesem beschreiben wir ein gleichseitiges Dreieck ein. Dann betrachten wir
Sehnen, also nur die Strecken innerhalb des Kreises. Jetzt die Frage: Wie
gro ist die Wahrscheinlichkeit P , dass
die zuf
allig eingezeichneten Kreissehnen
l
anger sind als eine Dreiecksseite? Wir
haben als Beispiel drei zuf
allige Sehnen
eingetragen
Abb. 14.3 Kreis mit Radius 2 und

eingezeichnetem gleichseitigen Dreieck
Wir bieten Ihnen drei L

osungen an:
Erste L
osung:
Betrachten wir eine beliebige Sehne.
Dann k
onnen wir doch den Kreis um
seinen Mittelpunkt so drehen, dass ein
Endpunkt der Sehne mit einem Eckpunkt des Dreiecks zusammenf
allt. Dies
Bild halten wir fest und zeichnen eine zweite Sehne. Jetzt drehen wir das
vorherige Bild insgesamt so um den
Kreismittelpunkt, dass wiederum auch
der Endpunkt der neuen Sehne mit
diesem Eckpunkt des Dreiecks zusammenf
allt. Das machen wir dauernd so.
Wir k
onnen also ohne Einschr
ankung
alle Sehnen so gelegt denken, dass ein
Endpunkt gerade durch den einen Eckpunkt des Dreiecks verl
auft.
b
a
c
............
..........
....
...
.....
...
..
.

Dreieck und drei zuf
alligen Sehnen.
(a) und (b) liegen innerhalb des Dreiecks, (c) liegt auerhalb.
Jetzt einen kleinen Blick auf die Gesamtgur. Wir sehen doch sofort, dass Sehnen, die innerhalb des gleichseitigen Dreiecks liegen, l
anger sind als eine Dreiecksseite. Alle auerhalb sind k
urzer. Der Winkel im gleichseitigen Dreieck ist
stets 60 . Durch die angedeutete Tangente wird der Gesamtwinkel, der durch
unser Werfen erreicht werden kann, angedeutet, er ist 180 . Daraus folgt:
P1 =
Fein, das war einsichtig.
60
1
= .
180
3
259
Zweite L
osung:
Jetzt komme ich aber mit einem anderen Vorschlag. Wieder zeichne ich Sehnen. Diesmal drehe ich den Grundkreis
mit dem Dreieck jedesmal so, dass am
Schluss alle Sehnen parallel zur unteren
Dreiecksseite liegen. Schauen Sie rechts
das Bild an. (a) und (b) sind oensichtlich l
anger, (c) ist k
urzer als eine
Dreiecksseite. Die untere dick gezeichnete Dreiecksseite halbiert den senkrecht
nach unten eingetragenen Radius, hat
also den Abstand 1 vom Mittelpunkt;
denn die eingezeichnete Figur ist ja eine
Raute. Bei der halbieren sich die Diagonalen. Die obere dicke Linie hat aus
Symmetriegr
unden ebenfalls den Abstand 1 zum Mittelpunkt.
6
2
?
c

Dreieck und drei zuf
alligen Sehnen.
(a) und (b) sind l
anger, (c) ist k
urzer
als eine Dreiecksseite.
Der Gesamtabstand der beiden dicken Linien ist also 2. Alle Sehnen, die innerhalb dieses Streifens der beiden dicken Linien liegen, sind l
anger als eine
Dreiecksseite. Der Durchmesser ist 4. Also folgt:
P1 =
Merkw
urdig, nicht? Denn
Dritte L
osung:
1
3
1
2
= .
4
2
= 12 .
a
Wir k
onnen es noch besser und eine
dritte L
osung pr
asentieren. Dazu betrachten wir den Inkreis des Dreiecks.
Der hat einen Radius 1, wie wir aus
obiger Abbildung 14.5 entnehmen. Alle Sehnen, deren Mittelpunkt in diesem
Kreis liegen, sind l
anger als eine Dreiecksseite, alle anderen k
urzer.

Dreieck und Inkreis vom Radius 1.
(a) ist l
anger, (b) ist k
urzer als eine Dreiecksseite.
260
14 Kurze Einf
Das ergibt die Wahrscheinlichkeit mit Hilfe der Fl

achen:
P1 =
12
1
= .
22
4
Noch merkw
urdiger; denn 13 = 12 = 14 .
Wo liegt das Problem? Nun, wir haben jedesmal unsere Sehnen zuf
allig gezeichnet und das als gleichwahrscheinlich angesehen. Dabei haben wir aber jedesmal
ganz andere Grundmengen betrachtet. Im ersten Beispiel haben wir die Winkel
altnis zu [0 , 180 ], im zweiten Fall die Strecke [0, 2]
im Bereich [0 , 60 ] im Verh
im Verh
altnis zu [0, 4] und im dritten Fall die Fl
ache 12 im Verh
altnis zu
2
uhrt nat
urlich zu ganz verschiedenen Ergebnissen. Das
2 betrachtet. Das f
mit der Gleichwahrscheinlichkeit ist also sehr problematisch.
Kritik an der Laplaceschen Denition:
Der Wahrscheinlichkeitsbegri von Laplace ist zu eng; denn
1. wie wir angedeutet haben, ist er schon bei m = 6 nicht anwendbar bei einem
unregelm
aigen W
urfel,
2. er kann nicht elementar auf unendlich viele Elementarmerkmale erweitert
werden,
oglich meinen wir gleichwahrscheinlich, wir benutzen also in der
3. mit gleichm
Denition schon das zu denierende Wort. So etwas nennt man in der Mathematik eine Zirkeldenition, die nat
urlich nicht zul
assig ist.
Wahrscheinlichkeit nach v. Mises

Richard Edler Freiherr von Mises hat versucht, diese Festlegung zu verbessern,
und hat folgende Denition vorgeschlagen:
Denition 14.6
Mit den gleichen Bezeichnungen wie in Def. 14.5 sei
P (A) := lim
ng
,
n
(14.9)
unstigen F
alle nat
urlich von n abh
angt, also
wobei die Anzahl ng der g
ng = ng (n).
Auch hier gibt es einige Kritikpunkte.
1. Wenn Sie mal eine M
unze werfen und z
ahlen, wie oft Zahl erscheint, werden
Sie schon tausend mal werfen m

ussen, damit Sie mit der relativen H
augkeit
nahe an 0.5 herankommen.
261
2. Wir wollen ja zuf

allige Folgen von Ereignissen betrachten. Charakteristisch
f
ur diese ist aber, dass sie keinem Bildungsgesetz gehorchen. Wie soll man
da einen Limes ausrechnen?
Es gibt also in der inhaltlichen Auslegung der Wahrscheinlichkeit groe Probleme. Daher geht man seit Kolmogorov einen anderen Weg.
14.2.2
Axiomatische Wahrscheinlichkeitstheorie
Wir wollen im folgenden Wahrscheinlichkeit als ein reines Denkmodell vorstellen. Das geschieht axiomatisch. Wir werden das nur der Vollst
andigkeit wegen
angeben. Sobald wir in konkreten Beispielen Antworten suchen, werden wir auch
inhaltlich Aussagen treen.
Axiomatisch gehen wir nun folgendermaen vor.
1. Menge S der Elementarereignisse
Als zuf
allige Elementarereignisse oder nur Elementarereignisse bezeichnen
wir die endlich oder unendlich vielen m
oglichen verschiedenen Ergebnisse
eines Versuches, z.B. die beim Werfen von W
urfeln erzielbaren Augenzahlen,
wenn wir mit ei das Ereignis bezeichnen, i Augen zu w
urfeln:
S = {e1 , e2 , e3 , . . .}
2. Menge B der Ereignisse und ihre Rechengesetze
Unter der Menge B der zuf
alligen Ereignisse verstehen wir im Falle endlicher
S die Potenzmenge P(S) von S, also die Menge aller Teilmengen von S,
wobei wir unter das unm
ogliche Ereignis verstehen. Beim W
urfeln ergibt
sich:
B = P(S) = {, {e1 }, {e2 }, . . . {e6 }, {e1 , e2 }, . . . , {e1 , e2 . . . , e6 }}
Ereignisse wollen wir allgemein mit groen Buchstaben bezeichnen. So ist
z.B.
G = {e2 , e4 , e6 }
das Ereignis, eine gerade Zahl zu w
urfeln.
Folgende f
unf Rechengesetze wollen wir fordern:
a) B enth
alt , das unm
ogliche Ereignis.
b) B enth
alt S, das sichere Ereignis
ort auch die
c) Mit endlich oder abz
ahlbar vielen Ereignissen A1 , A2 , . . . geh
Summe, d.h. die Vereinigungsmenge
262
14 Kurze Einf
A = A1 + A 2 + =
Ai
zu B.
Wir schreiben auch
A = A1 A2 . . . =
Ai .
ort auch die Dierenz A1 A2 zu B.

d) Mit A1 und A2 geh
e) Mit endlich vielen oder abz

ahlbar unendlich vielen A1 , A2 , . . . geh
ort auch
das Produkt, d.h. die Durchschnittsmenge
0
A = A1 A2 =
Ai
i
zu B. Wir schreiben auch

A = A1 A2 . . . =
Ai .
are Ereignis.
Wir nennen A := S A das zu A komplement
3. Die Wahrscheinlichkeitsaxiome
I. Jedem zuf
alligen Ereignis A B wird eine reelle Zahl P (A) zugeordnet,
die Wahrscheinlichkeit P von A mit der Eigenschaft
0 P (A) 1.
(14.10)
II. Die Wahrscheinlichkeit des sicheren Ereignisses ist gleich 1:

P (S) = 1.
(14.11)
III. Die Wahrscheinlichkeit f

ur eine Summe von endlich oder abz
ahlbar unendlich vielen Ereignissen, die einander paarweise ausschlieen, ist gleich
der Summe der Wahrscheinlichkeiten dieser Ereignisse:
P (A1 + A2 + ) = P (A1 ) + P (A2 )
(14.12)
Das also sind die ber

uhmten Axiome von Kolmogorov. Einige Bemerkungen
wollen wir anf
ugen:
1. Das Paar {S, B} heit Ereignisfeld, das Tripel {S, B, P } heit Wahrscheinlichkeitsfeld.
2. Die Wahrscheinlichkeit P (A) wird nicht explizit deniert. Axiom I. fordert
nur eine Zuordnung.
263
3. Man kann zeigen, dass der Laplacesche Begri ein Sonderfall des Kolmogorovschen Begries ist. Auerdem ist, falls der Laplacesche Begri anwendbar
ist, der von Misessche Begri gleich dem Laplaceschen.
Man kann daher f
ur groe n die Wahrscheinlichkeit P (A) mit der relativen
H
augkeit gleichsetzen.
14.2.3
Einige elementare S
atze
Da A und A disjunkt sind, folgt aus A + A = S mit den Axiomen I. und III.
1 = P (S) = P (A + A) = P (A) + P (A).
Daraus folgt
Satz 14.6 (Komplement
are Ereignisse)
Es gilt
P (A) = 1 P (A),
(14.13)
P () = 0.
(14.14)
Das letztere folgt mit Axiom II., weil und S komplement

ar sind und damit
P () = 1 P (S) gilt.
Man h
ute sich vor dem Fehlschluss, dass aus P (A) = 0 auch sofort A = folgen
w
urde. Das folgt nicht zwingend.
In der Zerlegung A = (A B) + AB sind A B und AB disjunkt. Daher folgt
nach Axiom III. P (A) = P ((A B) + AB) = P (A B) + P (AB). Also erhalten
wir
Satz 14.7 (Subtraktionssatz f
ur beliebige A und B)
P (A B) = P (A) P (AB).
(14.15)
Satz 14.8 (Additionssatz f

ur beliebige A und B)
Es gilt
P (A + B) = P (A) + P (B) P (AB)
Das u
berlegen wir uns wie folgt:
In der Zerlegung
A + B = A + (B AB)
(14.16)
264
14 Kurze Einf
sind A und BAB disjunkt. Axiom III., der Subtraktionssatz und die Gleichung
BAB = AB ergeben dann
P (A + B) = P (A + (B AB)) = P (A) + P (B AB)

= P (A) + P (B) P (BAB) = P (A) + P (B) P (AB)
Sind speziell A und B disjunkt, haben wir also AB = , so f
uhrt uns das auf
Axiom III. zur
uck.
14.2.4
Bedingte Wahrscheinlichkeit
Wir betrachten ein Beispiel.

Beispiel 14.15
In einer Urne liegen m Kugeln. Sie repr
asentieren m disjunkte, gleichwahrscheinliche Elementarereignisse. Von den Kugeln sind genau a aus Aluminium.
Eine davon zu ziehen, ist unser Ereignis A. Von diesen sind genau b g blau.
Eine blaue zu ziehen, nennen wir Ereignis B. Wie gro ist die Wahrscheinlichkeit, dass eine gezogene Aluminiumkugel blau ist?
Wir gehen also davon aus, dass das Ereignis A bereits eingetreten ist, wir haben
eine Aluminiumkugel gezogen. Jetzt fragen wir nach der Wahrscheinlichkeit,
dass diese Kugel blau ist. Wir suchen also die Wahrscheinlichkeit B unter der
Bedingung A, das nennen wir die bedingte Wahrscheinlichkeit P (B|A), Wir
nden folgende Formel:
b
.
a
Diesen Bruch rechts k
onnen wir leicht erweitern und dann neu interpretieren:
P (B|A) =
P (B|A) =
b
b/m
=
.
a
a/m
Im Z
ahler dieses letzten Bruches steht n
amlich jetzt die Wahrscheinlichkeit
daf
ur, dass die Ereignisse A und B zugleich eingetreten sind. Das entspricht
dem Durchschnitt und nach unserer Bezeichnung dem Produkt beider Ereignisse. Im Nenner steht die Wahrscheinlichkeit daf
ur, dass Ereignis A eingetreten
ist. Wir schlieen also
P (B|A) =
b/m
P (B|A)
b
=
=
.
a
a/m
P (A)
265
Denition 14.7
Sei P (A) die Wahrscheinlichkeit f
ur das Ereignis A und P (B) die f
ur das Ereignis B und sei P (A) = 0. Unter der bedingten Wahrscheinlichkeit P (B|A),
dass Ereignis B eintritt, wenn Ereignis A bereits eingetreten ist, verstehen wir
dann die Wahrscheinlichkeit
P (B|A) :=
P (AB)
.
P (A)
(14.17)
Satz 14.9
Ist unter den gleichen Voraussetzungen wie oben statt P (A) = 0 jetzt P (B) = 0
bekannt, so gilt
P (AB)
.
(14.18)
P (A|B) =
P (B)
Sind A und B disjunkt, also AB = , so gilt
P (B|A) = P (A|B) = 0.
(14.19)
Aus der Denition 14.7 entnehmen wir sofort:

Satz 14.10 (Multiplikationssatz)
Haben zwei Ereignisse A und B die Wahrscheinlichkeiten P (A) und P (B), dann
ist die Wahrscheinlichkeit P (AB) daf
ur, dass A und B zugleich eintreten
P (AB) = P (A) P (B|A) = P (A|B) P (B).
(14.20)
In Kombination mit der bedingten Wahrscheinlichkeit k

onnen wir hier eine leichte Abwandlung angeben:
P (A|B) P (B) = P (AB) = P (B|A) P (A),
und daraus erhalten wir das Resultat, das als Satz von Bayes in die Literatur
eingegangen ist, hier in seiner einfachsten Form dargestellt:
Satz 14.11 (Satz von Bayes)
Sind A und B zwei zuf
allige Ereignisse und ist P (B) = 0, so folgt
P (A|B) =
P (B|A)
P (A).
P (B)
(14.21)
Diese recht simpel daherkommende Formel hat, richtig interpretiert, eine groe
Bedeutung. Wir k
onnen sie n
amlich quasi r
uckw
arts anwenden. Sei dazu B
ein Symptom oder eine Beobachtung f
ur eine unbekannte m
ogliche Ursache
A. Von A kennen wir die Wahrscheinlichkeit P (A) des Auftretens. Wir wissen
vielleicht auch, dass, falls A auftritt, B mit der bedingten Wahrscheinlichkeit
P (B|A) vorliegt. Wenn wir jetzt B beobachten, so kann uns die Formel von
Bayes Auskunft dar
uber geben, mit welcher Wahrscheinlichkeit A vorliegt. Die
266
14 Kurze Einf
Wahrscheinlichkeit P (A) kennen wir vorher, also a priori. P (A|B) ist dann die
bedingte Wahrscheinlichkeit nachher, also a posteriori. Diese Formel wird z.B.
bei lernenden Spam-Filtern eingesetzt.
Unabh
angigkeit von Ereignissen
Wir betrachten zwei regelm
aige, aber unterscheidbare W
urfel, der erste sei
klein, der zweite gro, und fragen:
Beispiel 14.16
Wie gro ist die Wahrscheinlichkeit daf
ur, mit dem kleinen W
urfel eine 1 oder
eine 2 zu werfen, Ereignis A, und mit dem groen zugleich eine gerade Zahl,
Ereignis B.
Wir setzen dabei voraus, dass beide W
urfel unabh
angig voneinander, also z.B.
nicht durch eine Schnur miteinander verbunden sind.
Nun, mit zwei W
urfeln k
onnen wir alle Ergebnisse in einer Tabelle anordnen:
11 12 13 14 15 16
21 22 23 24 25 26
31 32 33 34 35 36
41 42 43 44 45 46
51 52 53 54 55 56
61 62 63 64 65 66
Insgesamt haben wir also 36 gleichm
ogliche Elementarmerkmale.
F
ur Ereignis A schauen wir uns die kleinen Zahlen in der Tabelle an und sehen,
dass nur in den ersten beiden Zeilen g
unstige Ergebnisse stehen. Das sind 12
g
unstige Elementarmerkmale. Die Wahrscheinlichkeit f
ur A betr
agt also nach
Laplace
12
1
= .
36
3
F
ur das Ereignis B sind nur die zweite, vierte und sechste Spalte zust
andig. Das
sind insgesamt 18 m
ogliche Elementarmerkmale.
Die Wahrscheinlichkeit f
ur B betr
agt also nach Laplace
P (A) =
P (B) =
18
1
= .
36
2
F
ur das Ereignis B|A, dass B unter der Bedingung A auftritt, sind von den 12
Elementarmerkmalen in den ersten beiden Zeilen nur die Merkmale der zweiten,
der vierten und sechsten Spalte g
unstig, das sind 6 g
unstige Merkmale von
insgesamt 12. Daraus folgt
267
P (B|A) =
6
1
= .
12
2
Mit dem Multiplikationssatz erhalten wir jetzt f

ur die Wahrscheinlichkeit P (A
B, dass beide Ereignisse zugleich auftreten,
1 1
1
= = P (A) P (B).
3 2
6
Die letzte Gleichheit sieht nach Zufall aus, ist aber eine Folgerung aus der geforderten Unabh
angigkeit der W
urfel. Kolmogorov hat das zum Anlass f
ur folgende
Denition genommen:
P (A B) = P (A) P (A|B) =
Denition 14.8
Zwei Ereignisse A und B heien unabh
angig voneinander, wenn der Produktsatz
in der einfachen Form gilt:
P (A B) = P (A) P (B),
(14.22)
P (B|A) = P (B) und P (A|B) = P (A).
(14.23)
wenn also
Das l
asst sich gut verallgemeinern:
Satz 14.12
angig, dann gilt der MulSind die Ereignisse A1 , A2 , . . . , An insgesamt unabh
tiplikationssatz in der einfachen Form
n
0
i=1

Ai
n
0
P (Ai ).
(14.24)
i=1
Hier m
ussen wir aber eine Warnung anschlieen. Bernstein hat ein ganz einfaches Beispiel angegeben, dass wir tats
achlich insgesamt die Unabh
angigkeit
ussen. Nur die Forderung nach paarweise
der Ereignisse A1 , . . . , An fordern m
Unah
angigkeit reicht nicht. Lesen Sie bitte sein Beispiel, damit Sie den Unterschied zwischen paarweise unabh
angig und insgesamt unabh
angig erkennen.
Wir stellen uns vier Papierstreifen her, auf die wir die Zahlen 0 und 1 schreiben:
1
1
0
1
0
1
0
1
1
0
0
0
und legen sie in eine Urne.
Jetzt untersuchen wir drei Ereignisse:
Ereignis A1 : Herausgreifen eines Streifens, der links eine 1 hat,
Ereignis A2 : Herausgreifen eines Streifens, der mittig eine 1 hat,
Ereignis A3 : Herausgreifen eines Streifens, der rechts eine 1 hat.
Dann betrachten wir noch das
268
14 Kurze Einf
Ereignis A = A1 A2 A3 ,
also das Ereignis, einen Streifen herauszugreifen, der drei mal 1 enth
alt. Oenkundig geht das nicht, Ereignis A ist also das unm
ogliche Ereignis mit P (A) = 0.
Leicht zu sehen ist:
P (A1 ) = P (A2 ) = P (A3 ) =
1
.
2
Hier gilt der Multiplikationssatz also nicht, denn

1
.
8
angig
Wir sehen also, dass die Ereignisse A1 , A2 und A3 zwar paarweise unabh
sind, denn z.B. ist f
ur A1 und A2
= P (A) = P (A1 A2 A3 ) = P (A1 P (A2 ) P (A3 ) =
1
= P (A2 ),
2
aber sie sind nicht insgesamt unabh
angig. F
ur den Multiplikationssatz in der
einfachen Form wird aber die insgesamte Unabh
angigkeit als Voraussetzung
gefordert.
p(A2 |A1 ) =
Totale Wahrscheinlichkeit
Betrachten wir folgendes Beispiel:
Beispiel 14.17
Gegeben seien zwei Urnen I und II mit je 10 Kugeln. In der Urne I seien 4
schwarze und sechs weie Kugeln, in der Urne II seien 8 schwarze und zwei
weie Kugeln. Wir w
ahlen zuf
allig eine Urne und ziehen daraus eine Kugel.
Wie gro ist die Wahrscheinlichkeit daf
ur, dass wir eine weie Kugel ziehen?
Wir bezeichnen mit
ahlen, P (A1 = 0.5,
A1 das Ereignis, Urne I zu w
A2 das Ereignis, Urne II zu w
ahlen, P (A2 ) = 0.5,
B das Ereignis, eine weie Kugel zu ziehen.
Da B nach Wahl von Urne I und nach Wahl von Urne II auftreten kann, ist
B = A1 B + A2 B
Dabei sind A1 B und A2 B disjunkt. Wir erhalten:
269
P (B) = P (A1 B + A2 B)
= P (A1 B) + P (A2 B)
= 0.5 0.6 + 0.5 0.2
= 0.4
Diese Uberlegung
k
onnen wir sofort verallgemeinern:
Satz 14.13 (Totale Wahrscheinlichkeit)
opfen sie die Menge
Schlieen sich die Ereignisse A1 , A2 , . . . paarweise aus, sch
ur alle i, dann ist die totale
der Elementarereignisse aus und ist P (Ai ) > 0 f
Wahrscheinlichkeit P (B) f
ur ein beliebiges Ereignis B mit den bedingten Wahrscheinlichkeiten P (B|Ai )
P (B) =
P (Ai ) P (B|Ai ).
(14.25)
Mit Hilfe dieses Satzes k

onnen wir jetzt eine etwas verallgemeinerte Form des
Satzes von Bayes angeben:
Satz 14.14 (Verallgemeinerter Satz von Bayes)
Schlieen sich die Ereignisse A1 , A2 , . . . paarweise aus, sch
opfen sie die Menge
der Elementarereignisse aus, ist P (Ai ) > 0 f
ur alle i und ist B ein weiteres
zuf
alliges Ereignis mit P (B) = 0, so ist
P (Ai |B) =
P (B|Ai ) P (Ai )
.
P (B)
(14.26)
Um noch einmal auf die M

oglichkeit hinzuweisen, wie man mit dem Satz von
Bayes r
uckw
arts denken kann, betrachten wir das Beispiel:
Beispiel 14.18
In einer Fabrik stellen zwei Maschinen I und II gleichartige Teile her. Maschine I fertigt in einer Stunde 6 Teile, davon sind 90 % brauchbar. Maschine II
fertigt in einer Stunde 10 Teile her, davon sind 80 % brauchbar. Wie gro ist
die Wahrscheinlichkeit P daf
ur, dass ein brauchbares Teil aus der Maschine II
stammt?
Wir haben folgende Ereignisse:
A1 :
A2 :
B:
Herstellung auf Maschine I

Herstellung auf Maschine II
Brauchbarkeit des Teils
270
14 Kurze Einf
Wir wissen:
P (A1 ) =
6
P (A2 ) = 0.6 P (A2 ).
10
Mit P (B|A1 ) = 0.9 und P (B|A2 ) = 0.8 erhalten wir nach Bayes:
P (A2 ) P (B|A2 )
P (A1 ) P (B|A1 ) + P (A2 ) P (B|A2 )
P (A2 ) 0.8
=
0.6 P (A2 ) 0.9 + P (A2 ) 0.8
= 0.597
P (A2 |B) =
Das war ein Gl

uck, in der vorletzten Zeile konnten wir P (A2 ) herausk
urzen und
erhalten so das Ergebnis: Das brauchbare Teil stammt mit gr
oerer Wahrscheinlichkeit von der Maschine II als von der Maschine I.
14.2.5
Zufallsvariable
Elementarereignisse haben oft qualitativen Charakter. F

ur quantitative Betrachtungen ist es gew
ohnlich n
otig, jedem Elementarereignis eine reelle Zahl
X(e) zuzuordnen.
Mein verehrter Lehrer, G. Bertram, in dessen humoriger Vorlesung ich viel u
ber
Wahrscheinlichkeiten gelernt habe, was hier in dieses Kapitel eingeossen ist,
berichtete von folgendem Beispiel f
ur einen M
unzwurf.
W
ahrend des Studiums h
atte er h
aug mit seinem Freund zusammen die M
unze
geworfen, Vorderseite Zahl, R
uckseite Wappen. Sie hatten verabredet:
Wenn Zahl f
allt, dann gehen wir ins Kino.
Wenn Wappen f
allt, dann gehen wir in die Disco.
Wenn aber die M
unze auf der Kante stehen bleibt, dann arbeiten wir f
urs
Studium.
Das entsprach sicherlich nicht der Wirklichkeit, schlielich war er Professor f
ur
Mathematik, das wird man nicht im Kino und schon lange nicht in der Disco.
Aber witzig war es schon.
Nun, wir nehmen diese Dreiteilung des M
unzenwurfes und wollen jedem Ereignis
eine Zahl zuordnen. Das k
onnen wir sehr willk
urlich auf verschiedene Weise
machen. Sei z.B.
e1 das Ereignis: Zahl f
allt. Dann sei X(e1 ) := 1
e2 das Ereignis: Wappen f
allt. Dann sei X(e2 ) := 3
e3 das Ereignis: Kante. Dann sei X(e3 ) := 0
271
Das ist in der Tat reichlich willk

urlich. Wir werden aber gleich sehen, wozu das
alles taugt.
Denition 14.9
Eine eindeutige reelle Funktion X(e), die auf der Menge aller Elementarereignisse deniert ist, heit Zufallsvariable, falls f
ur jedes Intervall I = (, x) die
alliges Ereignis ist.
Menge Ax aller e, denen X(e) Werte aus I zuordnet, ein zuf
Kann X nur endlich oder abz
ahlbar unendlich viele Werte annehmen, so heit
X diskret. Sind u
ahlbar unendlich viele Werte m
oglich, so heit X kontiberabz
nuierlich oder stetig.
Eine Zufallsvariable ist also eine Funktion. Ihren Werten sind Wahrscheinlichkeiten oder auch Wahrscheinlichkeitsdichten zugeordnet.
So kann zum Beispiel die beim W
urfeln beobachtete Augenzahl X nur die diskreten Werte x = 1, 2, 3, 4, 5, 6 annehmen, ist also eine diskrete Zufallsvariable.
Andererseits ist die Geschwindigkeit eines Gasmolek
uls, die sich beim Zusammensto mit anderen Gasmolek
ulen
andern kann und damit in einem festen
Intervall jeden beliebigen Wert annehmen kann, eine kontinuierliche Zufallsvariable.
14.2.6
Verteilungsfunktion
Bei der Herstellung eines Produktes, z.B. einer Schraube, entstehen immer wieder Fehlteile. Die Anzahl dieser pro Stunde oder pro Tag etc. ist eine Zufallsvariable, weil bei der Herstellung auch Faktoren zu ber
ucksichtigen sind, deren
Einuss man nicht erfassen kann, z.B. die Umgebungstemperatur oder Materialschwankungen. Selbst wenn man die kleinste und die gr
ote Ausschusszahl
angeben kann, kann man daraus noch nichts u
ute des Produktes in
ber die G
einem l
angeren Zeitraum aussagen. Dazu muss man auch noch die Wahrscheinlichkeiten kennen, mit denen diese Fehlteile auftreten. Wenn man also f
ur eine
Zufallsvariable alle ihre Werte und die zugeh
origen Wahrscheinlichkeiten kennt,
so kann man G
uteaussagen machen; denn dann kennt man die Verteilung der
zuf
alligen Gr
oen.
Denition 14.10
Wir sagen, dass die Zufallsvariable eine Wahrscheinlichkeitsverteilung besitzt,
wenn f
ur alle m
oglichen Ereignisse a X < b bei festen Werten a, b R die
Wahrscheinlichkeiten P (a X b) deniert sind. Dabei tritt a X < b genau
dann ein, wenn X einen Wert x = X(e) annimmt mit a x < b.
Betrachten wir uns diese Denition etwas genauer an Beispielen.
272
14 Kurze Einf
1. Ist X eine diskrete Zufallsvariable, so kann X(e) abh

angig von den m
oglichen
Elementarereignissen ei nur endlich oder abz
ahlbar unendlich viele verschieorigen Wahrscheinlichkeiten
dene Werte x = xi mit den zugeh
P (xi ) = P (X = xi ) =: pi
annehmen. Dann nennt man die xi auch Realisierungen von X. Im endlichen
Fall gilt:
b

P (xi ) =
pi ,
(14.27)
P (a X < b) =
a
axi <b
und f
ur abz
ahlbar unendlich viele Realisierungen gilt:
P (xi ) =
pi = 1,
(14.28)
<xi <
ogliche Realisierungen von

wobei jeweils u
ber alle xi zu summieren ist, die m
X sind und aus a x < b bzw. < x < stammen.
F
ur den idealen W
urfel mit seinen sechs diskreten Werten lautet die Verteilung:
xi
1
2
3
4
5
6
1
1
1
1
1
1
P (X = xi )
6
6
6
6
6
6
2. Im kontinuierlichen Fall kann man gew
ohnlich f
ur < x < eine nichtnegative, integrierbare Funktion f (x) einf
uhren mit
!
P (a X < b) =
f (x) dx und
f (x) dx = 1.
(14.29)
Diese Funktion heit Wahrscheinlichkeitsdichte von X.

Hieraus k
onnen wir jetzt leicht die Verteilungsfunktion herleiten. Wir denieren:
Denition 14.11
Die Funktion
F (x) = P (X < x) f
ur < x <
heit Verteilungsfunktion von X.
1. Im diskreten Fall ist
F (x) =

<xi <x
pi
(14.30)
273
eine Treppenkurve. Betrachten wir den W

urfel. Hier gibt sie die Wahrscheinlichkeit daf
ur an, dass die geworfene Augenzahl kleiner ist als eine bestimmte
Zahl. So ist z.B.
F (1) = P (X < 1) = 0,
denn die Wahrscheinlichkeit, dass man mit einem regul
aren W
urfel weniger
als 1 w
urfelt, ist gleich Null. Genau so erhalten wir
F (2) = P (X < 2) = P (X = 1) =
1
.
6
Das geht weiter:

F (3) = P (X < 3) = P (X = 1) + P (X = 2) =
1
1
2
+ = .
6
6
6
Dann folgt
F (4) =
3
4
5
6
, F (5) = , F (6) = , F (x > 6) = .
6
6
6
6
6
6/6
5/6
4/6
3/6
2/6
1/6
Abb. 14.7
Die Verteilungsfunktion f
ur einen regul
aren W
urfel
2. Im kontinuierlichen Fall kann eine Zufallsvariable in einem Intervall beliebig

viele Werte annehmen. Dann ist
F (x) := P ((X < x) =
f (t) dt mit F () = 0, F () = 1
(14.31)
eine stetige, monoton von 0 nach 1 wachsende Funktion.

Man sieht auerdem. dass die Wahrscheinlichkeit f
ur das Auftreten eines
einzelnen Wertes Null ist. So ist z.B. die Wahrscheinlichkeit, dass eine zuf
allig
stehenbleibende Uhr mit dem groen Zeiger genau auf die 12 zeigt, gleich
Null.
274
14 Kurze Einf
In beiden F
allen ist
P (a X < b) = F (b) F (a).
(14.32)
Im diskreten Fall ist insbesondere
P (a X < b) =
pi ,
pi = 1,
(14.33)
<xi <
axi <b
und im kontinuierliche Fall
!
P (a X < b) =
f (x) dx,
f (x) dx = 1.
(14.34)
Mit diesen Erkl

arungen ist dann z.B. die Wahrscheinlichkeit, dass X zwischen
x1 und x2 mit x1 < x2 liegt,
!
P (x1 X < x2 ) = P (X < x2 ) P (X < x1 ) = F (x2 ) F (x1 ) =
x2
f (t) dt.
x1
14.2.7
Erwartungswert und Streuung
Kennen wir bei einer diskreten Zufallsvariablen das Verteilungsgesetz bzw. bei
einer kontinuierlichen Zufallsvariablen die Dichtefunktion, so kennen wir diese
Zufallsvariable vollst
andig. Wir k
onnen Aussagen u
ber ihre Werte und die zugeh
origen Wahrscheinlichkeiten machen. Zus
atzlich zur Charakterisierung der
Zufallsvariablen haben sich noch weitere Parameter eingeb
urgert, Parameter,
die wir aus dem Verteilungsgesetz bzw. der Dichtefunktion berechnen k
onnen.
Das sind der Erwartungswert und die Streuung.
Denition 14.12
Unter dem Erwartungswert einer diskreten Zufallsvariablen verstehen wir
die Zahl, die wir erhalten, wenn wir jeden ihrer m
oglichen Werte mit der zugeh
origen Wahrscheinlichkeit multiplizieren und die Summe bilden:
=
xi p i .
(14.35)
i=1
ur i = 1, . . . , 6
F
ur einen W
urfel hatten wir ja die Wahrscheinlichkeiten pi = 1/6 f
berechnet. Damit erhalten wir den
1
1
+ + 6 = 3.5.
6
6
Man sieht, dass der Erwartungswert nicht unter den Werten der diskreten Zufallsvariablen vorkommen muss. Mit einem regul
aren W
urfel kann man keine
3.5 werfen.
Erwartungswert beim W
urfeln = 1
275
Denition 14.13
Unter dem Erwartungswert einer kontinuierlichen Zufallsvariablen verstehen
wir die Zahl, die wir erhalten, wenn wir ihre Dichtefunktion f (x) mit x multiplizieren und von bis integrieren:
x f (x) dx.
(14.36)
Der n
achste Satz hilft uns sehr bei der Berechnung des Erwartungswertes.
Satz 14.15
Es gelten folgende Rechenregeln:
1. Der Erwartungswert der Summe zweier Zufallsvariablen ist gleich der Summe
der Erwartungswerte der beiden Zufallsvariablen.
2. Der Erwartungswert des Produktes zweier unabh
angiger Zufallsvariablen ist
gleich dem Produkt der Erwartungswerte der beiden Zufallsvariablen.
Beispiel 14.19
Wie gro ist der Erwartungswert beim W
urfeln mit zwei W
urfeln?
Wir hatten oben den Erwartungswert f
ur den Wurf mit einem W
urfel mit 3.5
ausgerechnet. Dann ist der Erwartungswert der Augenzahlen beim W
urfeln mit
zwei W
urfeln
= 3.5 + 3.5 = 7.
Beispiel 14.20
In einer Fabrik werden rechteckige Platten hergestellt. Dabei ist sowohl die L
ange
(X) als auch die Breite (Y ) eine Zufallsvariable, und beide seien unabh
angig.
Damit ist auch die Fl
ache (Z) eine Zufallsvariable. Wenn wir die Erwartungswerte f
ur X und Y kennen, wie gro ist dann der Erwartungswert f
ur die
Fl
ache?
ur die
Nehmen wir an, dass die Erwartungswerte f
ur die L
ange X = 5 m und f
Breite Y = 3 m seien. Wegen Z = X Y ist auch
Z = XY = X Y = 5 3 m2 = 15 m2 .
Bei der mechanischen Herstellung von G
utern ist der Erwartungswert nat
urlich
ein erster wichtiger Wert, aber h
aug weichen die Ergebnisse nur wenig, manchmal aber auch sehr viel von diesem Erwartungswert ab. Ein Ma daf
ur ist die
Varianz oder Streuung. Ihre Quadratwurzel ist die Standardabweichung.
276
14 Kurze Einf
Denition 14.14
F
ur eine diskrete Zufallsvariable X ist die Varianz 2
2 =
(xi )2 pi .
(14.37)
Leicht l
asst sich ausrechnen:
2 =
(xi )2 pi
x2i pi 2
xi pi +2

pi
x2i
pi
Denition 14.15
Der Wert
2
=
(xi )2 pi
(14.38)
heit Streuung oder Standardabweichung von .

Denition 14.16
F
ur eine kontinuierliche Zufallsvariable X ist die Varianz 2
2
(x )2 p(x) dx.
(14.39)
Auch hier k
onnen wir ein Additionsgesetz zeigen:
Satz 14.16
2
bzw. Y2 .
Sind X und Y zwei unabh
angige Zufallsvariable mit den Varianzen X
Dann ist auch Z = X + Y eine Zufallsvariable, und es ist
2
2
Z
= X
+ Y2 .
14.2.8
(14.40)
Tschebyschesche Ungleichung
Mit dem Erwartungswert und der Streuung k

onnen wir uns einen groben
Uberblick
u
onnen noch nichts dar
uber
ber die Verteilung machen. Aber wir k
aussagen, wie gro die Wahrscheinlichkeiten f
ur Abweichungen vom Erwartungswert sind. Die folgende Ungleichung von Tschebysche gibt uns hier eine
einfache Absch
atzung.
277
Satz 14.17
Es sei X eine diskrete oder kontinuierliche Zufallsvariable mit den Werten x,
dem Erwartungswert und der Varianz 2 . Dann ist die Wahrscheinlichkeit
daf
ur, dass die Dierenz x betragsm
aig gr
oer oder gleich einer beliebigen
Zahl > 0 ist, gegeben durch
P (|x | )
2
.
2
(14.41)
Das ist nun eine recht gut in der Praxis einsetzbare Ungleichung.
Beispiel 14.21
Bei der Herstellung von Holzbrettern von 10 m L
ange ist eine Varianz von
2 = 10 cm festgestellt worden. Wie gro ist die Wahrscheinlichkeit, dass Abweichungen von mehr als 9 cm auftreten?
Wir fragen also nach der Wahrscheinlichkeit
P (|x 1000| 9)?
Tschebysche sagt:
P (|x 1000| 9)
14.2.9
10
10
= 0.123.
=
92
81
Gesetz der groen Zahlen
Im t
aglichen Leben spielen Wahrscheinlichkeiten nahe bei 1 eine wichtige Rolle.
Man m
ochte ja gerne, dass Flugzeuge ganz sicher sind. Auch Br
ucken m
ochten
bitte ganz, ganz sicher halten. Wenn es ginge, sollte die Wahrscheinlichkeit daf
ur
fast 1, besser sogar gr
oer als 1 sein, wenn das denn ginge. Es ist also eine wichtige Aufgabe der Wahrscheinlichkeitsrechnung, Aussagen zu nden, die uns diese
hohen Wahrscheinlichkeiten sichern. Zwei S
atze sind hier besonders wichtig, die
bei einer groen Anzahl von unabh
angigen Zufallsvariablen anzuwenden sind.
Satz 14.18 (Tschebysche )
Gegeben seien n unabh
angige Zufallsvariable X1 , . . . Xn mit den Erwartungswerten 1 , . . . , n und Varianzen, die alle kleiner als 4b2 sind. Dann unterscheidet
sich das arithmetische Mittel
1
(1 + + n )
n
der Erwartungswerte f
ur hinreichend groe n mit einer Wahrscheinlichkeit, die
beliebig nahe bei 1 liegt, dem Betrage nach um weniger als vom arithmetischen
A=
278
14 Kurze Einf
Mittel der n Zufallsvariablen. Dabei ist > 0 eine beliebige positive Zahl. Es gilt
die Ungleichung
n
&
&
&1
&
xi A& <
&
n
i=1
b2
n2 .
(14.42)
Einen
ahnlichen Satz lieferte schon fast 200 Jahre fr
uher Jacob Bernoulli:
Satz 14.19 (Bernoulli)
Es sei p die Wahrscheinlichkeit f
ur das Eintreen des Ereignisses e. In n Versuchen sei dieses Ereignis n1 -mal eingetreten. Dann gilt f
ur ein beliebig kleines
positives
&
& n

1
&
& 1
P &
p& < 1 2 .
n
4 n
(14.43)
Man kann es umgangssprachlich so ausdr

ucken.
Satz 14.20 (Gesetz der groen Zahlen)
Bei einer hinreichend groen Zahl von Versuchen kann man mit einer beliebig
nahe bei 1 liegenden Wahrscheinlichkeit erwarten, dass sich die H
augkeit des
Ereignisses beliebig wenig von seiner Wahrscheinlichkeit unterscheidet.
14.2.10
Binomialverteilung
Es gibt viele verschiedene Verteilungen. Drei besonders f

ur die Praxis wichtige
stellen wir folgenden zusammen und beginnen mit der Bernoulli-Verteilung. Ihr
liegt ein sog. Bernoulli-Versuchschema zugrunde. Darunter verstehen wir eine
Folge von Versuchen mit den Eigenschaften:
1.
2.
3.
4.
Sie sind gleichartig.

Sie sind unabh
angig.
Es wird stets das gleiche Ereignis A beobachtet.
Die Grundwahrscheinlichkeit p = P (A) sei in allen Versuchen gleich gro.
Dann fragen wir:

Wie gro ist die Wahrscheinlichkeit P (k) daf
ur, dass in n Versuchen
genau k-mal das Ereignis A auftritt?
Wir leiten die Formel an Hand eines Beispiels her. Dazu betrachten wir einen
Glaskasten. Darin iegen Bienen herum, mathematisch also Punkte ohne Ausdehnung. Die Bienen m
ogen sich gegenseitig nicht st
oren und sollen auch keine
Pr
aferenz f
ur einen Aufenthaltsort haben. Den Kasten denken wir uns in drei
gleichgroe Teilk
asten geteilt, so dass die Aufenthaltswahrscheinlichkeit einer
279
Biene im rechten Teilkasten gleich 1/3 angenommen werden kann. Jetzt wird
der Kasten fotograert. Wie gro ist die Wahrscheinlichkeit daf
ur, dass auf dem
Foto genau k Bienen im rechten Teilkasten sind?
Zun
achst denken wir uns die n Bienen mit Nummern versehen. F
ur die erste
Biene ist dann p = 1/3 die Wahrscheinlichkeit daf
ur, dass sie rechts ist, dies sei
Ereignis A. F
ur die zweite Biene ist ebenfalls p = 1/3 usw. Die Wahrscheinlichkeit daf
ur, dass sie Biene 1 bis k rechts benden, ist dann nach dem Produktsatz,
da es ja unabh
angige Ereignisse sind,
k
1
.
p =
3
k
Die Wahrscheinlichkeit, dass sich die Bienen k + 1 bis n nicht rechts benden,
ist dann mit q = 1 p
q nk = (1 p)nk =
nk
2
.
3
Da die k Bienen rechts aber nach Fragestellung nicht unbedingt die mit den
Nummern 1 bis k sein m
ussen, ist diese Wahrscheinlichkeit nach dem Additionssatz so oft zu nehmen, wir man k Bienen aus n Bienen ausw
ahlen kann,
also
n
.
k
Die gesuchte Wahrscheinlichkeit ist damit
Pn (k) =
n
k
pk (1 p)nk .
(14.44)
Denition 14.17
Diese Verteilung heit Bernoulli-Verteilung.
Man kann f
ur diese Verteilung den Erwartungswert und die Streuung 2
angeben:
= n p,
2 = n p q = q.
Beispiel 14.22
Wir berechnen f
ur n = 4 Bienen die Wahrscheinlichkeit f
ur k = 0, 1, 2, 3, 4.
Es ist
P4 (k) =

4
(1/3)k (2/3)4k .
k
Das Ergebnis zeigen wir in folgender Tabelle:
280
14 Kurze Einf
P (k) 16/81 32/81 24/81 8/81 1/81
14.2.11
Poissonverteilung
F
ur groe n und kleine p ersetzt man zur Erleichterung der Rechnung die Binomialverteilung durch die Poissonverteilung:
Denition 14.18
Die Wahrscheinlichkeitsverteilung
P (k) = lim Pn (k) =
n
k
e
k!
(14.45)
mit = n p = konst. heit Poissonverteilung.

Wegen = n p, also p = /n strebt p 0 f
ur n . Darum heit diese
Verteilung auch Verteilung der seltenen Ereignisse.
Wir berechnen P (k) f
ur unsere vier Bienen in dem Kasten. Mit n = 4 und
p = 1/3 ist = n p = 4/3 = 2 . Daraus folgt
P (k) =
k
(4/3)k 4/3
e
.
k!
2
P (k) 21.4/81 28.5/81 19/81 8.4/81 2.8/81

Obwohl weder n = 4 besonders gro noch p = 1/3 besonders klein ist, erhalten wir doch schon recht brauchbare N
aherungen, wenn wir mit obiger Tabelle
vergleichen.
Folgende Faustregel ndet man in der Literatur:
(Faustregel) Praktisch darf die Binomialverteilung durch die Poissonverteilung mit = 2 = n p ersetzt werden, wenn beide Ungleichungen
n p 10,
n 1500 p
(14.46)
erf
ullt sind.
F
ur unsere Bienen ist nur die erste Ungleichung erf
ullt. Erstaunlich, wie gut die
Poissonverteilung trotzdem die Binomialverteilung ann
ahert.
14.2.12
281
Gau- oder Normalverteilung
Wie der Name schon sagt, fand Gau diese Verteilung im Rahmen seiner trigonometrischen Vermessungen. Es ist die wohl wichtigste Verteilung der Wahrscheinlichkeitsrechnung. Man erh
alt auch sie durch Grenz
ubergang n aus
der Poissonverteilung, indem man hier p = 1/2 festh
alt.
Denition 14.19
Die Funktion
x2
1
(x) = e 2
2
(14.47)
heit Dichtefunktion der standardisierten oder normierten Normalverteilung

oder Gauverteilung.
Zu ihr geh
ort die
Denition 14.20
Standardisierte Verteilungsfunktion
1
(x) =
2
t2
e 2 dt.
(14.48)
Sie heit auch Gausches Fehlerintegral.

Zu (x) bzw. (x) geh
oren der Erwartungswert 0 und die Standardabweichung
1.
F
ur beliebige und substituieren wir
y
mit = n p, 2 = n p q.
Dann ist die allgemeine Dichte- und Verteilungsfunktion:

x=
Satz 14.21
F
ur beliebiges und lautet die allgemeine Dichtefunktion
(y )2
2 2
(14.49)
(t )2
2 2 dt.
e
(14.50)
1
, (y) =
e
2 2
und die allgemeine Verteilungsfunktion
1
, (y) =
2 2
282
14 Kurze Einf
F
ur dieses Integral kennen wir zwar keine Stammfunktion, k
onnen es also nicht
exakt berechnen, aber es gibt in vielen B
uchern, im Internet und auf vielen
Taschenrechnern N
aherungswerte in Tabellenform, so dass eine Auswertung der
Gauverteilung kein groer Aufwand mehr ist.
Beispiel 14.23
Wir wenden auch diese Verteilung auf unsere Bienen an, um zu vergleichen, ob
sich brauchbare Wahrscheinlichkeitsapproximationen P (k) := , (k) ergeben.
Wir haben n = 4, p = 1/3, = 4/3 und 2 = 8/9. Damit ist
(k 4/3)2
1
16/9 .
P (k) = 4/3,8/9 (k) =
e
2 89
Mit einem Taschenrechner erhalten wir

k
P (k) 12.6/81 32.2/81 26.7/81 7.2/81 0.6/81

Das ist zwar auch kein berauschendes Ergebnis, man erkennt aber, dass eine
gewisse Approximation schon stattndet. Eine Berechtigung, hier mit der Normalverteilung zu arbeiten, nden wir im Grenzwertsatz von Moivre und Laplace,
den wir im n
achsten Abschnitt vorstellen.
14.2.13
Grenzwerts
atze
In diesem letzten Abschnitt unseres Kurzausuges in die Wahrscheinlichkeitslehre geht es um das Grenzverhalten von Folgen von Zufallsvariablen oder Verteilungsfunktionen. Wir fragen also, wann eine Folge von Verteilungsfunktionen
gegen eine Grenzverteilung konvergiert.
Da ist zun
achst der lokale Grenzwertsatz von de Moivre und Laplace. Hier wird
das Grenzverhalten einer Folge von Binomialverteilungen untersucht.
Satz 14.22 (Lokaler Grenzwertsatz von de Moivre-Laplace)
Ist X eine binomialverteilte Zufallsvariable mit den Parametern n und p, so
konvergiert die Verteilungsfunktion der standardisierten Zufallsvariablen
Z=
X np
X
=
np(1 p)
f
ur n gegen die Verteilungsfunktion der Standardnormalverteilung.
283
Dieser Satz sagt uns, dass wir f

ur groe n die M
uhe bei der Berechnung der
Binomialverteilung durch eine viel einfachere Rechnung mittels der Normalverteilung ersetzen k
onnen. Folgende Faustregel zeigt uns, wann wir diese Ersetzung
vornehmen d
urfen.
Faustregel: Praktisch darf die Binomialverteilung dann durch eine

Gauverteilung mit = n p und = np(1 p) ersetzt werden,
wenn gilt:
n p > 4,
und
n (1 p) > 4.
(14.51)
Im obigen Bienenbeispiel ist zwar keine der beiden Ungleichungen erf

ullt, weil
wir nur 4 Bienen betrachtet haben, aber auch hier sieht man ja schon, dass die
Normalverteilung gute Dienste leistet.
Der zentrale Grenzwertsatz befasst sich mit der Frage: Was kann man u
ber
die Wahrscheinlichkeitsverteilung einer Summe von Zufallsvariablen aussagen?
Diese Frage ergibt sich h
aug bei Anwendungen, wenn z.B. Messfehler X einer chemischen Gr
oe aus vielen kleinen Einzelfehlern additiv zusammengesetzt
werden. Dann kann man zwar meistens f
ur endlich viele Zufallsvariable keine
Aussage machen, aber im Grenzfall n stellt sich die Normalverteilung von
Gau ein. Das ist der Inhalt des Satzes
Satz 14.23 (Zentraler Grenzwertsatz)
Sind X1 , X2 , . . . , Xn unabh
angige Zufallsvariable, die alle der gleichen Verteiugen, so konvergiert die
lungsfunktion mit Erwartungswert und Varianz 2 gen
Verteilungsfunktion der standardisierten Zufallsvariablen
Yn =
X1 + X2 + Xn n
(14.52)
f
ur n gegen die Verteilungsfunktion der Standardnormalverteilung.
Literaturverzeichnis
[1] Arens, T. et al.: Mathematik
Spektrum Akademischer Verlag, Heidelberg, 2. Au., 2012
[2] Burg, K.; Haf, H.; Wille, F.: H
ohere Mathematik f
ur Ingenieure, I IV
Teubner, Stuttgart, 1985/1987
[3] Dirschmidt, H.J.: Mathematische Grundlagen der Elektrotechnik
Vieweg, Braunschweig, 1987
[4] Engeln-M
ullges, G.; Reutter, F.: Num. Mathematik f
ur Ingenieure
BI, Mannheim, 1978
[5] Feldmann, D.: Repetitorium der Ingenieurmathematik
Binomi Verlag, Springe, 1988
[6] Gellert, W., K
astner, H., Neuber, S.: Lexikon der Mathematik,
Bibliogr. Institut Leipzig, 3. Au. 1981
[7] Gellert, W., K
ustner,H., Hellwich, M. (Hrsgb.): Kleine Enzyklop
adie Mathematik,
Bibliogr. Institut Leipzig, 8. Au. 1965
[8] Haase, H, Garbe, H.: Elektrotechnik
Springer-Verlag Berlin, u.a. , 1998
[9] H
ammerlin, G.; Homann, K.H.: Numerische Mathematik
Springer, Berlin u.a., 1989
[10] Hermann, M.: Numerische Mathematik
Oldenbourg Wissenschaftsverlag, M
unchen, 2001
[11] Herrmann, N.: H
ohere Mathematik f
ur Ingenieure, Physiker und Mathematiker
2. Au., Oldenbourg Wissenschaftsverlag, M
unchen, 2007
[12] Herrmann, N.: H
ohere Mathematik f
ur Ingenieure, Aufgabensammlung
Bd. I und II, Oldenbourg Wissenschaftsverlag, M
unchen, 1995
[13] Maess, G.: Vorlesungen u
ber numerische Mathematik I, II
Birkh
auser, Basel u.a., 1985/88
[14] Merziger, G., Wirth, T.: Repetitorium der h
oheren Mathematik
Binomi Verlag, Springe, 2002
[15] Meyberg, K., Vachenauer, P.: H
ohere Mathematik
Band 1 und 2, SpringerVerlag, Berlin et al., 1990
[16] Modler, F., Kreh, M.: Tutorium Analysis 1 und Lineare Algebra 1: Mathematik
von Studenten f
ur Studenten erkl
art und kommentiert, Spektrum Akademischer
Verlag, 2009
[17] Papula, L.: Mathematik f
ur Ingenieure und Naturwissenschaftler, Bd. I, II, III
Vieweg Verlag, Braunschweig et.al., 2001
[18] Preu, W., Kirchner, H.: Partielle Dierentialgleichungen, VEB Fachbuchverlag
Leipzig 1990
[19] Schaback, R., Werner, H.: Numerische Mathematik
SpringerVerlag, Berlin et al., 1993
[20] Schmeier, G.; Schirmeier, H.: Praktische Mathematik
W. de GruyterVerlag, Berlin u.a., 1976
N. Herrmann, Mathematik fr Naturwissenschaftler, DOI 10.1007/978-3-8274-2867-7,
286
Literaturverzeichnis
[21] Schwarz, H. R.: Numerische Mathematik

Teubner, Stuttgart, 1988
[22] Schwetlick, H.; Kretschmar, H.: Numerische Verfahren f
ur Naturwissenschaftler
und Ingenieure
Fachbuchverlag, Leipzig, 1991
[23] T
ornig, W.; Spellucci, P.: Numerische Mathematik f
ur Ingenieure und Phys. I, II
SpringerVerlag, Berlin u.a., 1990
[24] T
ornig, W.; Gipser, M.; Kaspar, B.: Numerische L
osung von partiellen Dierentialgleichungen der Technik
Teubner, Stuttgart, 1985
[25] Werner, H.; Arndt, H.: Gew
SpringerVerlag, Berlin u.a., 1986
[26] W
orle, H.; Rumpf, H.-J.: IngenieurMathematik in Beispielen I, II, III
Oldenbourg Verlag, M
unchen, 1986
Index
AB, 198
Ableitung
partielle, 70
Richtungs-, 84
totale, 77
Abstand
Euklidischer, 62
Additionssatz, 263
allgemeinste PDGl., 214
Anfangs-Randwert-Problem, 236
Anfangsbedingung, 198, 235
Anfangsbedingungen bei der
Wellengleichung, 235
Anfangswertaufgabe, 198
AWA, 198
Axiomatische Wahrscheinlichkeitstheorie,
261263
Dierenzenquotient, zentraler, 217

Dierenzenverfahren, 217
Konvergenz, 222
W
armeleitungsgleichung, 228
dierenzierbar, 72
total, 77
Dirichlet-Randbedingungen, 215
Dirichletsche Randwertaufgabe, 215
Dirichletsche RWA
Eindeutigkeit, 217
Divergenz, 161
Divergenzsatz von Gau, 162
Doppelintegral
erste Berechnung, 130
zweite Berechnung, 132
Dreifachintegral, 142
Bayes, Satz von, 265

Bedingte Wahrscheinlichkeit, 265
Bernoulli, Satz von, 278
Bernoulli-Ansatz, 227
Bernoulli-Verteilung, 279
beschr
ankte Funktion, 59
Binomialkoezient, 251
Bogenelement, skalares, 105
Bogenl
ange, 111
einfach zusammenh
angend, 122
Einheitsmatrix, 9
Elementare Umformungen
bei Determinanten, 26
elementare Umformungen, 12
Elementarereignis, 256
elliptische PDGL, 214
Ereignis, 256
Erwartungswert
diskret, 274
kontinuierlich, 275
Euklidischer Abstand, 62
Euler-Polygonzug-Verfahren, 203
lokal, 199
Existenzsatz f
ur AWA, 199
explizite Dierentialgleichung, 197
Extrema, relative, 90
hinreichende Bedingung, 93
notwendige Bedingung, 91
Cauchy-Daten, 236
Cauchy-Problem, 235
Determinante
einer (2 2)-Matrix, 23
einer (3 3)-Matrix, 24
Determinanten
-Multiplikationssatz, 27
Hauptminor, 41
Rechenregeln, 27
Determinantenkriterium, 36
DGL, 197
Anfangsbedungung, 198
Diagonalmatrix, 15
Dichtefunktion der Gauverteilung, 281
Dierential
totales, 77
Dierentialgleichung
Anfangsbedingung, 198
gew
ohnliche, 197
gew
ohnliche explizite, 197
Fakult
at, 246
Falk-Schema, 7
Faustregel f
ur Pois sonverteilung, 280
ur Normalverteilung, 283
Faustregel f
uck, 149
Fl
achenst
Fluss eines Vektorfeldes, 154
F
unf-Punkte-Stern, 219
Funktion mehrerer Ver
anderlicher, 55
Funktionaldeterminante, 135, 144
Funktionsgleichung, 56
ganze Zahlen, 1
Gau
N. Herrmann, Mathematik fr Naturwissenschaftler, DOI 10.1007/978-3-8274-2867-7,

288
Divergenzsatz, 162
Gausches Fehlerintegral, 281
Gaufaktoren, 39
Gebiet, einfach zusammenh
angend, 122
gew
ohnliche Dierentialgleichung, 197
Gewicht
des F
unfpunktesterns, 219
glatt,st
uckweise, 104
Gleichungssystem
Lineares, 31
Gradient, 71
Grenzwert, 61
Grenzwertsatz von Moivre-Laplace, 282
Hauptminor, 41
Hauptsatz f
ur Kurven, 122
Hermann Amandus Schwarz
Satz von, 75
Hermite-Splines, 183
Konstruktion, 184
H
ohenlinie, 57
h
ohere Ableitung, 75
homogenes LGS, 34
hyperbolische PDGL, 214
Inmum, 60
Interpolation
mit kubischen Splines, 190
mit Hermite-Splines, 183
mit linearen Splines, 177
mit Polynomen, 174
inverse Matrix, 18
L-R-Zerlegung, 52
Kettenregel, 97
Knotennummerierung, 219
Koezientenmatrix, 32
Kombination, 250
mit Wiederholung, 252
ohne Wiederholung, 250
Komplement
ares Ereignis, 263
komplexe Zahlen, 2
Konvergenz
Euler-Verfahren, 206
Runge-Kutta-Verfahren, 210
korrekt gestellt, 216
Kreuzprodukt, 151
kubische Splines, 189
Algorithmus, 191
Kugelkoordinaten, 144
Kurvenhauptsatz, 122
Kurvenintegral 1. Art, 105
Kurvenintegral 2. Art, 113
Kurvenl
ange, 111
Kurvenst
uck, 104
Index
Lagrange,Restglied von, 99
Laplace-Operator, 218
Laplace-PDGL, 214
LGS, 31
Alternativsatz, 33
Determinantenkrterium, 36
homogen, 34
Koezientenmatrix, 32
lHospital
Regel von, 63
lineare Splines, 176
Konstruktion, 178
Lineares Gleichungssystem, 31
Lipschitz-Bedingung, 199
Lokaler Existenz- und Eindeutigkeitssatz,
199
L-R-Zerlegung, 37
L
osung mittels, 43, 50
Maik
afer, 6
Matrix, 2
Diagonalmatrix, 15
Einheitsmatrix, 9
elementare Umformungen, 12
Falk-Schema, 7
inverse, 18
Multiplikation, 6
Nullmatrix, 4
orthogonale, 19
Permutations-, 46
quadratische, 15
Rechenregeln, 9
regul
are, 18
schiefsymmetrische, 16
singul
are, 18
Spaltenrang, 11
symmetrisch, 3
symmetrische, 15
transponierte, 4
Transpositions-, 45
Zeilenrang, 11
Zeilenstufenform, 13
Matrizenmultiplikation, 6
Maximum, 60
Minimum, 60
Mittelwertsatz im R1 , 100
Multiplikation
Determinanten-, 27
Multiplikationssatz, 265
nat
urliche Splines, 190
nat
urliche Zahlen, 1
Neumann-Randbedingungen, 215
Niveaulinie, 57
Normalenvektor, 215
Nullmatrix, 4
Index
Ober
achenintegral 1. Art, 149
Ober
achenintegral 2. Art, 153
orthogonale Matrix, 19
parabolische PDGL, 214
Paraboloid, 61
Parameterdarstellung, 104
partielle Ableitung, 70
zweite, 75
partielle Dierentialgleichung, 214
PDGL, 214
elliptische, 214
hyperbolische, 214
Laplace-, 214
parabolische, 214
Poisson-Gleichung, 215
Potentialgleichung, 215
Typen, 214
W
Wellengeichung, 214
Peano, Existenzsatz, 199
Permutation, 246
Permutationsmatrix, 46
Pivotisierung
Spalte-, 50
Spalten-, 48
Poisson-Gleichung, 215
Poissonverteilung, 280
Polarkoordinaten, 58
Polygonzug-Verfahren von Euler, 203
Polynominterpolation, 174
Eindeutigkeit, 175
Existenz, 176
Potential, 122
Potentialgleichung, 215
Produktansatz, 227
quadratische Matrix, 15
Randbedingungen bei der
rationale Zahlen, 1
reelle Zahlen, 2
Regel von lHospital, 63
Regel von Sarrus, 24
regul
are Matrix, 18
relative Extrema, 90
hinreichnde Bedingung, 93
notwendige Bedingung, 91
Restglied, 99
Lagrangesches, 99
Richtungsableitung, 84
Rotation, 119
R
uckw
artselimination, 43
Runge-Kuttta-Verfahren , 208
289
Saite, schwindende, 235

Sarrus
Regel von, 24
Satz von Bayes, 265
Satz von Bayes, verallgemeinerter, 269
Satz von Bernoulli, 278
Satz von Gau, Divergenzsatz, 162
Satz von Hermann Amandus Schwarz, 75
Satz von Peano, 199
Satz von Stokes, 164
Satz von Taylor, 99
Satz von Tschebysche, 277
Satz von Weierstra, 65
schiefsymmetrische Matrix, 16
Schrittweite, 201, 208
schwingende Saite, 235
Separationsansatz nach Bernoulli, 227
sicheres Ereignis, 256
singul
are Matrix, 18
Skalarfeld, 113
Spaltenpivotisierung, 48, 50
Spaltenrang, 11
Splines
Hermite-, 183
kubische, 189
lineare, 176
nat
urliche kubische, 190
St
utzstellen, 176, 201
Stabilit
at, 205
W
stetig dierenzierbar, 72
Stetigkeit
Eigsnchaften, 65
Stokes
Satz von, 164
Sttigkeit, 64
St
uckweise glatt, 104
Subtraktionssatz, 263
Supremum, 60
symmetrische Matrix, 3, 15
Tangentialebene, 77
Taylor
Satz von, 99
Taylor-Entwicklung, 201
Torus, 125
total dierenzierbar, 77
totale Ableitung, 77
Totale Wahrscheinlichkeit, 269
totales Dierential, 77
Transformation der Variablen, 135, 144
transponierte Matrix, 4
Transpositionsmatrix, 45
Tschebyschesche Ungleichung, 277
Typen von PDGLn, 214
Unabh
angigkeit von Ereignissen, 267
290
unabh
angige Ver
anderliche, 56
Variablentransformation, 135, 144
Varianz, 276
Variation, 248
mit Wiederholung, 249
ohne Wiederholung, 248
Vektor der rechten Seite, 32
Vektorfeld, 113
verallgemeinerter Satz von Bayes, 269
Verteilungsfunktion, 271
Volumen einer Kugel, 145
Vorw
artselimination, 43
W
Anfangs-Randwert-Problem, 226
ARWA, 228
Eindeutigkeit, 226
Herleitung, 225
Stabilit
at, 226, 233
Wahrscheinlichkeit
nach Laplace, 257
nach von Mises, 260
Wahrscheinlichkeitsaxiome, 262
Index
W
Anfangsbedingungen, 226
Randbedingungen, 226
Wassertopftrick, 70
Weierstra,Satz von, 65
Wellengleichung, 214, 237
Anfangsbedingungen, 235
ARWA, 238
Cauchy-Problem, 235, 237
Dierenzenverfahren, explizit, 239
Zahlen
ganze, 1
komplexe, 2
nat
urliche, 1
rationale, 1
reelle, 2
Zeilenrang, 11
Zeilenstufenform, 13
zentraler Dierenzenquotient, 217
Zufallsvariable, 271
zweite partielle Ableitung, 75
Zwischenwertesatz, 66
Zylinderkoordinaten, 145
Zylindermantel, 150

Mathematik Fuer Naturwissenschaftler

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mathematik Fuer Naturwissenschaftler

Uploaded by

Copyright:

Available Formats

Mathematik fr Naturwissenschaftler

Wichtiger Hinweis fr den Benutzer

Bibliografische Information der Deutschen Nationalbibliothek

Springer ist ein Unternehmen von Springer Science+Business Media

Planung und Lektorat: Andreas Rdinger, Martina Mechler

Der Anfang ist die H

Dadurch gewinnen wir viel Zeit, die wir zur ausf

helfen Ihnen die gel

Funktionen mehrerer Ver

Funktionen mehrerer Ver

Interpolation mit Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

In der Schule haben wir im Mathematikunterricht viele Zahlen kennen gelernt.

N. Herrmann, Mathematik fr Naturwissenschaftler, DOI 10.1007/978-3-8274-2867-7_1,

Das sind also alle Br

Hier wollen wir eine v

Denition 1.3 (Nullmatrix)

alt man also, indem man Zeilen und Spalten

1.3 Rechnen mit Matrizen

Rechnen mit Matrizen

Berechnen Sie bitte

Wie wir unschwer sehen, ist das Ergebnis gleich C = 3 A B. Das h

Wir wollen jetzt versuchen, Matrizen miteinander zu multiplizieren; aber dabei

a11 b11 a12 b12

a21 b21 a22 b22

Der Grund, warum wir diese einfache Version nicht w

1.3 Rechnen mit Matrizen

Das Falk-Schema zur Multiplikation von Matrizen.

Abb. 1.3 Der von links krabbelnde Maik

Bilden Sie sich doch bitte selbst weitere M

1.3 Rechnen mit Matrizen

Wie sich das f

Dann ist (bitte, bitte nachrechnen)

4. Es sollte Ihnen auallen, das wir kein Kommutativgesetz f

Es ist also im allgemeinen

Rang einer Matrix

Jetzt kommen wir zu einem sehr wichtigen Begri, den wir sp

1.4 Rang einer Matrix

her kennen wir den Begri linear unabh

Sie hat drei Zeilen und f

Interessant ist vielleicht folgende Bemerkung. Im Beweis dieses Satzes f

Um bei komplizierteren Matrizen den Rang bestimmen zu k

1.4 Rang einer Matrix

Obige Matrix lautet dann:

Ich hoe, Sie verstehen auch sofort den zweiten Schritt:

Das sieht doch nach einer ganz gew

1.5 Quadratische Matrizen

Damit ist der Rang des Produktes rg(A B) = 0. Beweisen k

Denition 1.10 (Quadratische Matrix)

Denition 1.11 (Diagonalmatrix)

Denition 1.12 (Symmetrische Matrix)

Eine quadratische Matrix A heit schiefsymmetrisch , wenn gilt:

Hauptdiagonalen. Entsteht dann dieselbe Matrix, so ist sie symmetrisch. Andern

1.5 Quadratische Matrizen

2. Gegeben seien die Matrix

und das Polynom

und A4 und die Matrix p(A).

den Rang in Abh

Wir hatten ja oben bereits festgestellt, dass wir das Kommutativgesetz f

so heien A und B invers zueinander. Wir schreiben

unterschiedlichster Bedeutung benutzt. Im Zusammenhang mit quadratischen

1.7 Orthogonale Matrizen

B ist also invers zu A.

hat dagegen keine inverse, da rg(C) = 1 ist.