Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Einführung in die Numerische Mathematik - Lehrstuhl Numerische ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
4 <strong>Numerische</strong> L<strong>in</strong>eare Algebra<br />
Mit unterschiedlichen Skalarprodukten existieren unterschiedliche Orthonormalbasen zu<br />
e<strong>in</strong> und demselben Vektorraum V . Orthogonalität stimmt dann im Allgeme<strong>in</strong>en nicht mit<br />
dem geometrischen Orthogonalitätsbegriff des euklidischen Raums übere<strong>in</strong>:<br />
Beispiel 4.8 (Skalarprodukte und Orthonormalbasis). Es sei V = R 2 . Durch<br />
(x, y) 2 := x 1 y 1 + x 2 y 2 , (x, y) ω = 2 x 1 y 1 + x 2 y 2 ,<br />
s<strong>in</strong>d zwei verschiedene Skalarprodukte gegeben. Das erste ist das euklidische Skalarprodukt.<br />
Die Skalarprodukteigenschaften des zweiten s<strong>in</strong>d e<strong>in</strong>fach zu überprüfen. Durch<br />
x 1 = 1 √<br />
2<br />
(1, 1) T , x 2 = 1 √<br />
2<br />
(−1, 1) T ,<br />
ist e<strong>in</strong>e Orthonormalbasis bezüglich (·, ·) 2 gegeben. Es gilt jedoch:<br />
(x 1 , x 2 ) ω = 1 1<br />
(2 − 1) = √ ≠ 0.<br />
2 2<br />
E<strong>in</strong>e Orthonormalbasis erhalten wir z.B. durch<br />
x 1 = 1 √<br />
3<br />
(1, 1) T , x 2 = 1 2 (−1, 2)T ,<br />
Orthonormalbasen werden für zahlreiche numerische Verfahren benötigt, bei der Gauß’schen<br />
Quadratur, bei der Gauß-Approximation von Funktionen und z.B. für <strong>die</strong> QR-Zerlegung<br />
e<strong>in</strong>er Matrix.<br />
Wir betrachten nun den Vektorraum aller R n×m -Matrizen. Auch <strong>die</strong>ser Vektorraum ist<br />
endlich-dimensional und pr<strong>in</strong>zipiell können wir den Vektorraum der n × m-Matrizen mit<br />
dem Vektorraum der (nm)-Vektoren identifizieren. Von besonderem Interesse ist für uns<br />
der Vektorraum der quadratischen R n×n -Matrizen:<br />
Def<strong>in</strong>ition 4.9 (Eigenwerte, Eigenvektoren). Die Eigenwerte λ e<strong>in</strong>er Matrix A ∈ R n×n<br />
s<strong>in</strong>d def<strong>in</strong>iert als Nullstellen des charakteristischen Polynoms:<br />
det(A − λI) = 0.<br />
Die Menge aller Eigenwerte e<strong>in</strong>er Matrix heißt das Spektrum<br />
σ(A) := {λ ∈ C, λ Eigenwert von A}.<br />
Der Spektralradius spr : R n×n → R + ist der betragsmäßig größte Eigenwert:<br />
spr(A) := max{|λ|, λ ∈ σ(A)}.<br />
E<strong>in</strong> Element w ∈ R n heißt Eigenvektor zu Eigenwert λ, falls gilt:<br />
Aw = λw.<br />
112