Professional Documents
Culture Documents
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
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.
Vorwort
A
`
o
Aristoteles
vi
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
55
55
59
61
64
5
5.1
5.2
5.3
5.4
5.5
5.6
69
69
75
77
84
90
97
6
6.1
6.2
6.3
Kurvenintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenst
ucke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenintegral 1. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenintegral 2. 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Transformation der Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
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 . . . . . . . .
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
Eindeutigkeit und Stabilit
at . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.3.2
Zur Existenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.3.3
Dierenzenverfahren f
ur die W
armeleitungsgleichung . . . . .
13.3.4
Stabilit
at des Dierenzenverfahrens . . . . . . . . . . . . . . . . . . . .
13.4 Die Wellengleichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.4.1
Eindeutigkeit und Stabilit
at . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.4.2
Zur Existenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13.4.3
Dierenzenverfahren f
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
p
, q = 0.
q
1 Matrizen
1.2
Erkl
arungen und Bezeichnungen
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
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)
(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
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
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
1 Matrizen
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
(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
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.
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
(A B)
2 0
1 3
,A B
2 0
, aber B
2 3
2 0
1 3
AB =
2 1
0 3
, aber B A =
2 2
0 3
1.4
11
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
12
1 Matrizen
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.
A=
1 2
1
1
1
.
1 3
0
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
1 2
A=
1 3
1
1
1 2 1
1 1 1
1 2
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
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
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
1.5
(1.14)
Quadratische Matrizen
A=
1 2 3
2 1 1
= sp (A) = 1 + 1 + 3 = 3.
1 0 3
16
1 Matrizen
(1.15)
(1.16)
Auch diese Begrie sind sehr anschaulich. Spiegeln Sie die Matrix A an ihrer
1
(A + A )
2
symmetrisch
1
(A A )
2
schiefsymmetrisch
(1.17)
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)
A=
0 1
1
1 2
A=1
1
2 a1
2 0
2
,
2 2
a
aR
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
(1.18)
(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
A=
3 1
B=
5 2
2 1
5
Dann ist
2 1
5
3 1
5 2
1 0
0 1
19
also
1 0
AB =
0 1
C=
2 4
1.7
Orthogonale Matrizen
i, j = 1, . . . , n, i = j.
f
ur
A=
1
2
1
2
12
1
2
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
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.
21
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
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
1 0 2
A=
1 1 0
1 1 4
keine inverse Marix besitzt.
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
2 Determinanten
Ubersicht
2.1
2.2
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
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)
(2.2)
a11 a12
a21 a22
24
2 Determinanten
A =
B =
2 1
1 2
1
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:
A=
a21 a22 a23 .
a31 a32 a33
Dann heit det(A) = |A|
(2.3)
a11
a12
a13
a21
a22
a23
a+
31
+
a11
a32
j
a33
a12
s
a13
a21
a22
ja23
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.
25
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
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
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:
27
(2.5)
2.
det(A ) = det(A),
det(E) = 1,
(2.6)
3.
det(A) = 0 rg(A) = n,
(2.7)
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
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.
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
1 3
1 1
2 6 10
4
A=
3
1
3
10
1 2 11
A=
2 3
3 1
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
3 Lineare Gleichungssysteme
Ubersicht
3.1
3.2
3.3
3.4
3.5
Bezeichnungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Existenz und Eindeutigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
a11 a1n
.
..
.
A=
. ,
.
am1 amn
b1
b = .. .
.
bm
x1
.
.
x =
. ,
xn
32
3 Lineare Gleichungssysteme
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)
(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
3.2
a11
an1
.
.
.
.
a1 =
. , ,
an = .
am1
anm
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
34
3 Lineare Gleichungssysteme
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
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
3 Lineare Gleichungssysteme
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
3.4
L-R-Zerlegung
3.4.1
Die Grundaufgabe
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)
.. ..
.
.
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
3 Lineare Gleichungssysteme
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
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=
0
..
.
..
.
.. . .
.
. ..
.
..
.
..
.
. .
.
0 rnn
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
3 Lineare Gleichungssysteme
2 3 1
A=
0 1 3 ,
3 2 a
a R.
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
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
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
3 Lineare Gleichungssysteme
A1 = (a11 ),
A2 =
a11 a12
a21 a22
A3 =
a21 a22 a23 ,
a31 a32 a33
a11 a41
a14 a44
Das Haupt bezieht sich also auf die Symmetrie zur Hauptdiagonalen.
|aik | |aii |,
1 i n,
k=1
k=i
3.4 L-R-Zerlegung
3.4.3
43
(3.7)
y := R
x
(3.8)
(Vorw
artselimination)
(3.9)
2. Man setze
und berechne
y aus
L
y =
b
(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
3 Lineare Gleichungssysteme
Beispiel 3.2
L
osen Sie folgendes lineare Gleichungssystem mittels L-R-Zerlegung.
4x1 11x2 = 1
2x1 +
4x2 = 1
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
R
x=
y
4 11
0 32
x1
x2
1
3/2
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
3 Lineare Gleichungssysteme
Tij Tij
= E,
1 0 0
T23 =
0 0 1 ,
0 1 0
1 1 1
A=
2 2 2 .
3 3 3
1 1 1
1 0 0
0 0 1
0 1 0
2 2
3 3
,
1 1
3 3
2 2
(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)
x1
0.6867
1
x2 = 0.8338 .
x3
1.331 1.21 1.1
1
1
48
3 Lineare Gleichungssysteme
0.7290
0.8100
0.9000
0.6867
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:
x1
1
x2 = 0.8338 .
0.729 0.81 0.9
0.6867
x3
1
3.5 Pivotisierung
49
1.331
1.2100 1.1000
1.0000
1.331
1.2100 1.1000
1.0000
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
3 Lineare Gleichungssysteme
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
(3.13)
y := R
x
(3.14)
2. Man setze
und berechne
y aus
L
y = P
b
(Vorw
artselimination)
(3.15)
(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
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
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
3 Lineare Gleichungssysteme
3.5.2
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
(Vorw
artselimination).
(3.20)
(R
uckw
artselimination).
(3.21)
3.5 Pivotisierung
53
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
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
3 Lineare Gleichungssysteme
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=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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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
4.1
Erste Erkl
arungen
Zuerst erkl
aren wir, mit welchen Objekten wir uns ab sofort befassen wollen:
56
(4.1)
z = f (x, y).
(4.2)
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|.
57
y
6
@
@
@
@
1
Abb. 4.1
Der Graph der Funktion f (x) = |x|, wie wir ihn aus der Schule kennen.
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
1
= 1 = x2 + y 2 = 1
x2 + y 2
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
x2
x = r cos ,
y = r sin .
f (x, y) = f (r, ) =
1
1
= 2 , wegen sin2 + cos2 = 1.
r
r2 (cos2 + sin2 )
4.2 Beschr
anktheit
59
z
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
(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.
(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
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
61
z
y
x
4.3
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)
(4.6)
xy
.
1
ex2
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
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
4.4
Stetigkeit
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 ).
4.4 Stetigkeit
65
66
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)
x2 y 2
x2 + y 2
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
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
68
xy
2 + y2
x
f (x, y) =
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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
5.1
Partielle Ableitung
Wir beginnen gleich mit einem neuen Begri, der sich aber nur als leichte Verallgemeinerung aus der Schule herausstellt.
70
bzw.
F (y) := f (x0 , y)
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
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)
(5.3)
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
f (x, y) =
xy
x2 + y 2
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
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|
in
in
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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)
(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
2
2
xy x y
x2 + y 2
f (x, y) :=
f
ur (x, y) = (0, 0)
f
ur (x, y) = (0, 0)
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
5.3
77
Totale Ableitung
lim
(x,y)(x0 ,y0 )
Der Term
df (x0 , y0 ) = fx (x0 , y0 ) (x x0 ) + fy (x0 , y0 ) (y y0 )
(5.8)
(5.9)
aus
dem R1 .
1
ln(x2 + y2 )
2
78
dy := y y0 ,
x2
x
,
+ y2
fy (x0 , y0 ) =
x2
y
,
+ y2
also
grad f (x0 , y0 ) =
y
x
,
x2 + y 2 x2 + y 2
,
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
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
.
y
= 2 x y + 2 z = 2.
2
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) =
fx (x0 , y0 ) =
=
fy (x0 , y0 ) =
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
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.
82
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
1. Zeigen Sie, dass die Funktion
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
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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.
(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
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.
5.4 Richtungsableitung
87
(5.12)
= f (x, y) im Punkt
Jetzt m
ussen wir aber dringend u
ben.
Beispiel 5.7
Wir betrachten die Funktion
f (x, y) :=
x3 x y 2
x2 +y2
(x, y) = (0, 0)
(x, y) = (0, 0)
(x,y)(0,0)
f (x, y) = f (0, 0)
lim
(x,y)(0,0)
= lim
= 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 =
5.4 Richtungsableitung
89
Ubung
9
1. Bestimmen Sie f
ur die Funktion
f (x, y) :=
y
1 + x2
(1, 2)
im Punkt (xo , yo ) =
,
.
|(1, 2)|
2 4
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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)
f
ur alle (x, y) U (x0 , y0 )\{(x0 , y0 )}.
(5.14)
f
ur uns absolut. Da sehen wir schon, worum es geht. Betrachten Sie folgende
Funktion:
25
20
15
10
-5
-10
-15
-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,
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
(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
Betrachten wir die Funktion
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
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
Betrachten wir die Funktion
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)
(5.18)
(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 ) :=
(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,
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
fy (x, y) = 2y 3x2 .
fyy (x, y) = 2,
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
.
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
2. Untersuchen Sie die Funktion
f (x, y) := (y x2 ) (y 2 x2 )
auf relative Extrema.
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
5.6 Wichtige S
atze der Analysis
5.6
97
Wichtige S
atze der Analysis
(5.22)
+
dt
x
dt
y
dt
(t)
(t)
y(t) = (t) = et .
(5.23)
(5.24)
98
5.6 Wichtige S
atze der Analysis
99
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)
+ (y y0 )
(x x0 )
x
y
k
k
k f
f :=
(x x0 )i (y y0 )ki i ki .
x y
i
i=0
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
f (x, y) =
(x
k=0
x0 ) x
+ (y
y0 ) y
k
f (x0 , y0 )
+ R2 (x, y)
k!
(5.27)
k=1
+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)
(5.29)
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
6 Kurvenintegrale
Ubersicht
6.1
6.2
6.3
6.4
Kurvenst
ucke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenintegral 1. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenintegral 2. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kurvenhauptsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
104
105
113
119
104
6 Kurvenintegrale
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)
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.
105
6.2
Kurvenintegral 1. Art
f (x, y) ds :=
(6.2)
106
6 Kurvenintegrale
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.
2 (t) + 2 (t).
Das sieht alles kompliziert aus. Wie einfach es wirklich ist, zeigen wir jetzt am
Beispiel.
107
Beispiel 6.1
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 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.
y 2 ds =
B(0,0)
=
0
=
0
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.
t = 1 = (0, 1) = B,
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
!
!
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
!
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,
y = (t) = 2 sin(t), 0 t
.
2
110
6 Kurvenintegrale
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.
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
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
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 =
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
y ex ds,
y = (t) := 2 arctan t t + 3
! '
k
b 2 x2
a2 y 2
+ 2 ds,
2
b
a
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
6.3
113
Kurvenintegral 2. Art
f : Rn R
f
: Rn Rm
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
!
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)
!
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)
3
2
(0,0) 3
Abb. 6.5
(1,0)
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 ,
0 t 1.
Damit folgt
!
f
(
x(t) d
x =
1
0
1
"
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),
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
#
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
6.4 Kurvenhauptsatz
6.4
119
Kurvenhauptsatz
f
(
x) = f1 (x, y, z), f2 (x, y, z), f3 (x, y, z) .
(6.9)
rot f
(
x) :=
f3 (
x) f2 (
f1 (
f3 (
x) f2 (
x) f1 (
x)
x)
x)
y
z
z
x
x
y
. (6.10)
rot f
(
x) :=
f2 (
x) f1 (
x)
f3 (
f1 (
f3 (
x)
x) f2 (
x)
x)
x2
x3
x3
x1
x1
x2
(6.11)
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
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
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
&
%
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)
(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
!
(xy, y x) d
x =
=
0
!
=
"
=
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
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
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
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
!
v (x, y, z) d
x,
k
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
7 Doppelintegrale
Ubersicht
7.1
7.2
7.3
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
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
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)
131
6y
y2 (x)
B
y1 (x)
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.
Wir berechnen das Integral
!!
f (x, y) dB.
B
!!
(!
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
!!
! (!
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-
133
y, 0 y 1,
und sei
f (x, y) := x y.
Wir berechnen das Integral
!!
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
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
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?
6y
B
135
y
6
x
Abb. 7.5 Zur Transformationsformel
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)
!!
f (x, y) dB =
B
!!
e
B
f ((x
, y), (x
, y) det
xe ye
dB.
(7.6)
xe ye
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
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
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
!!
!!
[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
!!
!!
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
!!
m |B|
f (x, y) dB M |B|.
(7.12)
++
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.
!!
e(x
+y2 )
dB,
y 2 = x3
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
8 Dreifachintegrale
Ubersicht
8.1
8.2
8.3
8.4
Berechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rechenregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Transformation der Variablen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Kugel- und Zylinderkoordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
142
143
144
144
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
142
8.1
8 Dreifachintegrale
Berechnung
! ! (!
!!!
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
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
! ! (!
!!!
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
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
(8.4)
z = (r, , ) = r cos .
Damit erhalten wir
cos sin
sin sin
det
r sin sin r cos sin
cos
0
= r 2 sin .
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)
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
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.
x+y+z =1
begrenzte K
orper. Skizzieren Sie diesen K
orper.
b) Berechnen Sie das Dreifachintegral
!!!
(2 x + y + z) dV.
V
x+y+z =1
begrenzte K
orper. Skizzieren Sie diesen K
orper.
b) Berechnen Sie das Dreifachintegral
!!!
(2 x + y + z) dV.
V
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
9 Ober
achenintegrale
Ubersicht
9.1
9.2
Ober
achenintegrale 1. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Ober
achenintergale 2. Art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
9.1
Ober
achenintegrale 1. Art
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
Nat
urlich bieten sich hier geradezu die Zylinderkoordinaten an:
9.1 Ober
achenintegrale 1. Art
151
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
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
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
9.2 Ober
achenintergale 2. Art
9.2
153
Ober
achenintergale 2. Art
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 .
9.2 Ober
achenintergale 2. Art
155
z
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
156
9 Ober
achenintegrale
6
2
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
"
=
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
9.2 Ober
achenintergale 2. Art
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.
!!
= 28 4 = 16 .
f
(
x) dF
3
3
F
158
9 Ober
achenintegrale
vgl. Schule
Doppelintegral
)
! b (! y2 (x)
f (x, y) dB =
f (x, y) dy dx
!!
y1 (x)
!!!
V
z1 (x,y)
!!
F
Ober
! ! achenintegral 1. Art
f (
x) dF :=
f (
x(u, v)) |
xu (u, v)
xv (u, v)| dB
B
!!
F
Ober
!a!chenintegral 2. Art
:=
xv (u, v)) dB
f
(
x) dF
f
(
x) (
xu (u, v)
B
9.2 Ober
achenintergale 2. Art
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.
a > 0.}
Sei
v (x, y, z) := (x, y, z).
Berechnen Sie den Fluss von
v durch die Fl
ache F .
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
10 Integrals
atze
Ubersicht
10.1 Divergenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
10.2 Der Divergenzsatz von Gau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
10.3 Der Satz von Stokes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
10.1
Divergenz
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
Dieser Begri Divergenz spielt die zentrale Rolle im Satz von Gau.
!!!
!!
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
163
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
!
=
=
=
=
=
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
10.3
!!
=
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.
165
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)
!!
F
!!
rot f
n dF = 8
dF = 8 ,
166
10 Integrals
atze
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 .
v (x, y, z) =
y
x
, 2
,z
2
2
x + y x + y2
167
z
Abb. 10.1
*
v d
x = 0,
k
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
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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.
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
11.2
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
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.
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
(11.2)
176
11.3
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.
(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)
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)
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)
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
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
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)
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
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]
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
11.4
183
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)
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.
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)
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
(11.18)
x[a,b]
h4
max |f (iv) (x)|.
384 x[a,b]
(11.19)
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]
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) :=
:= 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,
j = i, j = 0, 1, . . . , N
188
f (xi ) 0 1 1
f (xi ) 0 1 1
x [1, 1].
|f (x) H(x)|
aussagen?
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
11.5
189
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.
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)
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
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
2.5
2
1.5
2
1.5
0.5
0
1
0.5
00
10
20
30
1
40
3
50
60
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.
193
(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
0.9
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
12 Gew
ohnliche
Dierentialgleichungen
Ubersicht
12.1
12.2
12.3
12.4
12.5
12.6
12.7
12.8
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
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
12.2
Zun
achst wollen wir uns u
ber den Begri Dierentialgleichung klar werden.
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)
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
198
12 Gew
ohnliche Dierentialgleichungen
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)
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)
(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
ohnliche Dierentialgleichungen
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)
12.3
Numerische Verfahren
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
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:
h2
y ()
2
y2 := y1 + hy (x1 ) = y1 + hf (x1 , y1 )
..
.
(12.12)
(12.13)
(12.14)
202
12 Gew
ohnliche Dierentialgleichungen
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
2x x2 /2
e
= xy(x).
2
y5 = 0.653.
12.4 Euler-Polygonzug-Verfahren
203
x-Wert
exakte L
osung N
aherungswert
x0 = 0
y(x0 ) = 1
y0 = 1
y1 = 1
y2 = 0.96
y3 = 0.8832
y4 = 0.777
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
ohnliche Dierentialgleichungen
Verfahren. Leider k
onnen wir in diesem Rahmen darauf nicht n
aher eingehen.
12.5
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.
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
206
12 Gew
ohnliche Dierentialgleichungen
(12.16)
207
Ubung
23
1. Gegeben sei die Anfangswertaufgabe (AWA)
y (x) = x y(x)
mit
y(0) = 1
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
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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
208
12.6
12 Gew
ohnliche Dierentialgleichungen
Runge-Kutta-Verfahren
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)
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,
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
ohnliche Dierentialgleichungen
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
12.7
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
ohnliche Dierentialgleichungen
Ubung
24
1. Gegeben sei die AWA
y (x) =
x + y(x)
mit
y(0.4) = 0.41
2x
y(x)
mit
1
= 2.
2
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.
3. Gegeben sei die Anfangswertaufgabe
y (x) = x (x + y(x)),
y(0) = 1.
y(1) =
Ausf
uhrliche L
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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
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
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
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
(13.1)
(13.2)
k
t
2 u(x, y, t)
2 u(x, y, t)
+
x2
y2
= f (x, y, t), k R.
(13.3)
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
215
(13.5)
2 u(x, y)
2 u(x, y)
+
= 0.
x2
y 2
(13.6)
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 .
(13.7)
(13.8)
216
13.2.1
13 Partielle Dierentialgleichungen
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).
217
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
Dierenzenverfahren f
ur die Poissongleichung
218
13 Partielle Dierentialgleichungen
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
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
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
220
13 Partielle Dierentialgleichungen
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
u2 = u4 .
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.
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
13 Partielle Dierentialgleichungen
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.
13.2.4
Zur Konvergenz
h2
u
C4 () .
48
(13.13)
223
224
13 Partielle Dierentialgleichungen
Ubung
25
1. Betrachten Sie die Randwertaufgabe
u(x, y) = uxx (x, y)+uyy (x, y) = 0
2
L
3 2 1
0 1
3 x
13.3 Die W
armeleitungsgleichung
13.3
225
Die W
armeleitungsgleichung
(13.14)
(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 Partielle Dierentialgleichungen
13.3.1
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)
13.3.2
Zur Existenz
(13.20)
13.3 Die W
armeleitungsgleichung
227
(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
13 Partielle Dierentialgleichungen
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
armeleitungsgleichung
Wt (x, t) = Wxx (x, t)
(13.22)
x + c2 sin
x)
(13.23)
13.3.3
Dierenzenverfahren f
ur die W
armeleitungsgleichung
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
armeleitungsgleichung
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
13 Partielle Dierentialgleichungen
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
13.3 Die W
armeleitungsgleichung
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)
ui+1,j := u(xi+1 , tj )
1
= 0.25,
4
k=
1
= 0.1
10
232
13 Partielle Dierentialgleichungen
folgt
ui,j+1 = 1.4ui,j + 0.8ui+1,j + 1.6ui1,j .
Mit h =
1
4
(13.33)
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:
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
armeleitungsgleichung
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
13 Partielle Dierentialgleichungen
Ubung
26
1. Betrachten Sie die Anfangs-Randwert-Aufgabe
2 uxx (x, t) + ut (x, 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
osungen: www.spektrum-verlag.de/978-3-8274-2866-0
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
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
u(x, 0)
= 1 (x), 0 x < .
t
236
13 Partielle Dierentialgleichungen
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 < .
c
t2
x2
u(x, 0)
u(x, 0)
t
u(0, t)
= f (x, t),
(13.38)
= 0 (x)
(13.39)
= 1 (x), 0 x <
(13.40)
= 1 (t), u(, t) = 2 (t),
0t<
(13.41)
13.4.1
237
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,
(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
13 Partielle Dierentialgleichungen
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,
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
wir diese Frage, verweisen Sie auf die Literatur und wenden uns der Numerik
zu, die uns erstaunlich gut weiterf
uhrt.
13.4.3
Dierenzenverfahren f
ur die Wellengleichung
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)
k2
utt (xn , 0).
2
(13.50)
240
13 Partielle Dierentialgleichungen
k2
4uxx (xn , 0).
2
(13.51)
k2
4[f (xn1 2f (xn ) + f (xn+1 )]. (13.53)
2h2
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
ui+1,j := u(xi+1 , tj )
241
(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)
242
13 Partielle Dierentialgleichungen
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
1 0.2
2 0.4
13.4.4
Stabilit
at des Dierenzenverfahrens
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)
(13.61)
244
13 Partielle Dierentialgleichungen
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
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
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
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
(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
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
uhrung in die Wahrscheinlichkeitsrechnung
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)
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
(14.4)
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
uhrung in die Wahrscheinlichkeitsrechnung
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?
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
uhrung in die Wahrscheinlichkeitsrechnung
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
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
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
254
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung
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
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
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
uhrung in die Wahrscheinlichkeitsrechnung
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
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
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
uhrung in die Wahrscheinlichkeitsrechnung
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
............
..........
....
...
.....
...
..
.
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
14.2 Wahrscheinlichkeitsrechnung
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
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.
260
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung
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.
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
14.2 Wahrscheinlichkeitsrechnung
261
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
uhrung in die Wahrscheinlichkeitsrechnung
A = A1 + A 2 + =
Ai
zu B.
Wir schreiben auch
A = A1 A2 . . . =
Ai .
0
A = A1 A2 =
Ai
i
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)
(14.11)
(14.12)
14.2 Wahrscheinlichkeitsrechnung
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)
(14.15)
(14.16)
264
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung
sind A und BAB disjunkt. Axiom III., der Subtraktionssatz und die Gleichung
BAB = AB ergeben dann
14.2.4
Bedingte Wahrscheinlichkeit
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)
14.2 Wahrscheinlichkeitsrechnung
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)
(14.20)
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
uhrung in die Wahrscheinlichkeitsrechnung
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
14.2 Wahrscheinlichkeitsrechnung
267
P (B|A) =
6
1
= .
12
2
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)
(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
uhrung in die Wahrscheinlichkeitsrechnung
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
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:
14.2 Wahrscheinlichkeitsrechnung
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)
P (B|Ai ) P (Ai )
.
P (B)
(14.26)
270
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung
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) =
14.2.5
Zufallsvariable
14.2 Wahrscheinlichkeitsrechnung
271
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
uhrung in die Wahrscheinlichkeitsrechnung
axi <b
und f
ur abz
ahlbar unendlich viele Realisierungen gilt:
P (xi ) =
pi = 1,
(14.28)
<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)
<xi <x
pi
(14.30)
14.2 Wahrscheinlichkeitsrechnung
273
1
.
6
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
f (t) dt mit F () = 0, F () = 1
(14.31)
274
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung
In beiden F
allen ist
P (a X < b) = F (b) F (a).
(14.32)
P (a X < b) =
pi ,
pi = 1,
(14.33)
<xi <
axi <b
!
P (a X < b) =
f (x) dx,
f (x) dx = 1.
(14.34)
!
P (x1 X < x2 ) = P (X < x2 ) P (X < x1 ) = F (x2 ) F (x1 ) =
x2
f (t) dt.
x1
14.2.7
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
14.2 Wahrscheinlichkeitsrechnung
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
uhrung in die Wahrscheinlichkeitsrechnung
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)
(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
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.
14.2 Wahrscheinlichkeitsrechnung
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
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
uhrung in die Wahrscheinlichkeitsrechnung
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)
14.2.10
Binomialverteilung
14.2 Wahrscheinlichkeitsrechnung
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
280
14 Kurze Einf
uhrung in die Wahrscheinlichkeitsrechnung
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)
(4/3)k 4/3
e
.
k!
2
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 Wahrscheinlichkeitsrechnung
14.2.12
281
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)
t2
e 2 dt.
(14.48)
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
uhrung in die Wahrscheinlichkeitsrechnung
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
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.
14.2 Wahrscheinlichkeitsrechnung
283
und
n (1 p) > 4.
(14.51)
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,
Spektrum Akademischer Verlag Heidelberg 2012
286
Literaturverzeichnis
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
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
Existenz und Eindeutigkeit
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
Wellengleichung, 237
Determinante
einer (2 2)-Matrix, 23
einer (3 3)-Matrix, 24
Determinanten
-Multiplikationssatz, 27
Hauptminor, 41
Rechenregeln, 27
Determinantenkriterium, 36
DGL, 197
Anfangsbedungung, 198
Anfangswertaufgabe, 198
Diagonalmatrix, 15
Dichtefunktion der Gauverteilung, 281
Dierential
totales, 77
Dierentialgleichung
Anfangsbedingung, 198
Anfangswertaufgabe, 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
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
Dierenzenverfahren, 222
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
armeleitungsgleichung, 214
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
Wellengleichung, 236
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
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
armeleitungsgleichung, 214
Anfangs-Randwert-Problem, 226
ARWA, 228
Dierenzenverfahren, 228232
Eindeutigkeit, 226
Herleitung, 225
Stabilit
at, 226, 233
Wahrscheinlichkeit
nach Laplace, 257
nach von Mises, 260
Wahrscheinlichkeitsaxiome, 262
Index
W
armeleitungsgleichung
Anfangsbedingungen, 226
Randbedingungen, 226
Wassertopftrick, 70
Weierstra,Satz von, 65
Wellengleichung, 214, 237
Anfangsbedingungen, 235
ARWA, 238
Cauchy-Problem, 235, 237
Dierenzenverfahren, 238242
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