Mathematik für Ingenieure I

Wintersemester 2013/14

W. Ebeling
2

c Wolfgang Ebeling
Institut für Algebraische Geometrie
Leibniz Universität Hannover
Postfach 6009
30060 Hannover
E-mail: ebeling@[Link]

Literatur
Es gibt sehr viele Bücher zur Mathematik für Ingenieure. Hier eine Auswahl:

[1] G. Merziger, Th. Wirth: Repetitorium der höheren Mathematik. Bino-

mi Verlag, Springe. ISBN 3-923 923-33-3

[2] G. Merziger et al.: Formeln + Hilfen zur höheren Mathematik. Binomi

Verlag, Springe. ISBN 3-923 923-35-X

[3] K. Meyberg, P. Vachenauer: Höhere Mathematik 1. 6., [Link]. 2001.

Springer-Verlag. ISBN 978-3-540-41850-4.

[4] L. Papula: Mathematik für Ingenieure und Naturwissenschaftler. View-

eg Verlag,
Band 1 ISBN 3-528-94236-3,
Band 2 ISBN 3-528-94237-1,
Anwendungsbeispiele ISBN 3-528-44355-3,
Klausur- und Übungsaufgaben ISBN 3-528-03208-1.

[5] L. Papula: Mathematische Formelsammlung. Vieweg Verlag ISBN 3-

528-74442-1
Kapitel 1

Lineare Algebra I

1.1 Zahlen
Zum Abzählen bedient man sich der natürlichen Zahlen:
N = {0, 1, 2, . . .}
bezeichnet die Menge der natürlichen Zahlen. (Man beachte, dass wir die
Null mit hinzunehmen!) Von L. Kronecker (1823-1891) stammt der Aus-
spruch: Die natürlichen Zahlen sind vom lieben Gott gemacht, alles andere
ist Menschenwerk.
Mit
Z = {. . . , −2, −1, 0, 1, 2, . . .}
bezeichnet man die Menge der ganzen Zahlen.
Aus den ganzen Zahlen lassen sich die rationalen Zahlen konstruieren:
 
p
Q= p, q ∈ Z, q 6= 0
q
ist die Menge der rationalen Zahlen.
Schließlich hat man noch die Menge der reellen Zahlen R, deren Elemente
in ”eineindeutiger” Weise den Punkten einer Geraden entsprechen.
Wie erhält man nun die eineindeutige Korrespondenz zwischen den reellen
Zahlen R und einer Geraden? Dazu wählen wir zunächst zwei Punkte 0 und
1 auf der Geraden und tragen dann äquidistant die übrigen ganzen Zahlen
ab.

0 1
−4 −3 −2 −1 2 3 4

3
4 Kapitel 1. Lineare Algebra I

Um nun einen Punkt für die rationale Zahl pq , p, q ∈ Z, q > 0, festzulegen,

teilt man die Strecke 0p auf der Geraden in q gleiche Teile. Der am dichtesten
bei 0 gelegene Teilpunkt steht dann für pq .

q = 5 gleiche Teile 0 1
p = −4 p
= −4 q 5

Man sieht dann ein, dass die rationalen Zahlen ”dicht” auf der Geraden
liegen. Das heißt, in jeder noch so kleinen Umgebung eines jeden Punktes
der Geraden findet man eine rationale Zahl (genauer gesagt, einen Punkt,
der eine rationale Zahl repräsentiert). Um einen solchen Punkt zu finden,
muss man q genügend groß und p passend wählen.
Allerdings hat man bisher keineswegs alle Punkte
√ der Geraden erwischt.
Die Diagonale des Einheitsquadrats hat die Länge 2.

0 1 2
√
@
@
2
@
√
Satz 1.1.1 Die Zahl 2 ist irrational (d.h. nicht rational).

Beweis. Dieser Beweis ist ein Beispiel für einen indirekten Beweis. Wir nehmen an, dass
√
2 rational ist, und leiten daraus einen Widerspruch her. Wir nehmen also an
√ p
2= , p, q ∈ Z, q 6= 0.
q

Ohne Einschränkung können wir zusätzlich annehmen, dass dieser Bruch bereits gekürzt
ist. Insbesondere
√ können wir annehmen, dass p und q nicht beide gerade sind.
Aus 2 = pq folgt aber
2q 2 = p2 .
Daraus folgt p2 gerade. Da aber Quadrate ungerader Zahlen wieder ungerade sind, muss
also schon p gerade sein, d.h. p = 2p0 für ein p0 ∈ Z. Setzen wir dies für p in die obige
Gleichung ein, so folgt
2q 2 = 4(p0 )2 .
Teilen wir beide Seiten der Gleichung durch 2, so erhalten wir

q 2 = 2(p0 )2 .

Daraus folgt nun aber, dass auch q 2 und damit q gerade sein muss.
√ Dies ist aber ein
Widerspruch zu unserer Annahme. Also war unsere Annahme, dass 2 rational ist, falsch.
2
1.2 Der Vektorraum Rn 5

Zwischen den bisher genannten Mengen hat man die folgenden Teilmen-
genbeziehungen:
N ⊆ Z ⊆ Q ⊆ R.

1.2 Der Vektorraum Rn

Wir stellen uns die reellen Zahlen als Zahlengerade vor. Jedem Punkt der
Geraden entspricht eine reelle Zahl. Jedem Punkt der Ebene entspricht ein
Paar (x, y), jedem Punkt des Raumes ein Tripel (x, y, z) von reellen Zahlen.
Allgemein nennt man

(x1 , x2 , . . . , xn ), wobei x1 , . . . , xn reelle Zahlen sind,

ein n-Tupel (n ist hierbei eine beliebige natürliche Zahl). Wir setzen

Rn := {~x = (x1 , . . . , xn ) | x1 , . . . , xn ∈ R}.

Man beachte, dass bei einem n-Tupel die Reihenfolge wichtig ist, d.h. zwei Tu-
pel (x1 , . . . , xn ) und (y1 , . . . , yn ) sind genau dann gleich, wenn x1 = y1 , . . . , xn =
yn . Man nennt den Rn auch den reellen Standardvektorraum der Dimension
n und ein Element dieses Raumes auch einen Vektor. Die Zahlen x1 , . . . , xn
heissen die Komponenten von ~x.
Der R1 ist die Zahlengerade, R2 entspricht der Ebene, R3 dem Raum. Für
größere n hat man keine geometrische Vorstellung mehr.
Mit den reellen Zahlen kann man rechnen, man kann sie nach den üblichen
Regeln addieren und multiplizieren. Auch mit n-Tupeln kann man rechnen.
Für (x1 , . . . , xn ) ∈ Rn und (y1 , . . . , yn ) ∈ Rn definieren wir eine Addition

(x1 , . . . , xn ) + (y1 , . . . , yn ) := (x1 + y1 , . . . , xn + yn )

und für (x1 , . . . , xn ) ∈ Rn eine Multiplikation mit einer Zahl λ ∈ R

λ(x1 , . . . , xn ) := (λx1 , . . . , λxn ).

Wir setzen ausserdem:

~0 := (0, . . . , 0)
−~x := (−x1 , . . . , −xn ).

Statt ~x + (−~y ) schreibt man kürzer ~x − ~y .

Man kann diese Operationen geometrisch deuten: Dazu sehen wir ein n-
Tupel ~x = (x1 , . . . , xn ) als Vektor an, d.h. als einen Pfeil mit Fußpunkt in
6 Kapitel 1. Lineare Algebra I

x2 + y2

y2

x2

0 y1 x1 x1 + y 1

Abbildung 1.1: Addition zweier Vektoren (n = 2)

~0 := (0, . . . , 0) und Spitze in ~x. Zwei Vektoren ~x und ~y spannen dann ein
Parallelogramm auf (siehe Abbildung 1.1 für n = 2) und dem Vektor ~x + ~y
entspricht dann der Pfeil, der auf der Diagonale mit dem Fußpunkt ~0 liegt
und als Spitze den anderen Eckpunkt hat. Der Multiplikation mit der Zahl
λ entspricht die Streckung des Vektors ~x um den Faktor λ.

Satz 1.2.1 (Vektorraumaxiome) Es seien ~x, ~y , ~z ∈ Rn und a, b, c ∈ R.

Dann gilt:

(V1) ~x + (~y + ~z) = (~x + ~y ) + ~z.

(V2) ~x + ~0 = ~0 + ~x = ~x.

(V3) ~x + (−~x) = (−~x) + ~x = ~0.

(V4) ~x + ~y = ~y + ~x.

(V5) (a + b)~x = a~x + b~x.

(V6) a(~x + ~y ) = a~x + a~y .

(V7) (ab)~x = a(b~x).

(V8) 1~x = ~x.

1.3 Das Skalarprodukt im Rn

Wir wollen nun auch Längen und Winkel definieren. Deswegen führen wir
das Skalarprodukt im Rn ein.
1.3 Das Skalarprodukt im Rn 7

Definition Für Vektoren ~x = (x1 , . . . , xn ) und ~y = (y1 , . . . , yn ) des Rn ist

das Skalarprodukt ~x · ~y definiert als

~x · ~y := x1 y1 + x2 y2 + · · · + xn yn .

Man beachte, dass ~x · ~y eine reelle Zahl ist. Bei der Multiplikation eines
Vektors ~x mit einem Skalar λ erhält man dagegen einen Vektor λ~x ∈ Rn .

Satz 1.3.1 (Eigenschaften des Skalarprodukts) (a) Für alle ~x ∈ Rn

gilt
~x · ~x ≥ 0
und es gilt ~x · ~x = 0 genau dann, wenn ~x = ~0. (Das Skalarprodukt ist positiv
definit.)
(b) Für alle ~x, ~y ∈ Rn gilt

~x · ~y = ~y · ~x.

(Das Skalarprodukt ist symmetrisch.)

(c) Für alle ~x, ~y , ~z ∈ Rn und λ ∈ R gilt:

(~x + ~z) · ~y = ~x · ~y + ~z · ~y ,
(λ~x) · ~y = λ(~x · ~y ),
~x · (~y + ~z) = ~x · ~y + ~x · ~z,
~x · (λ~y ) = λ(~x · ~y ).

(Das Skalarprodukt ist bilinear.)

Beweis. (a) Für ~x = (x1 , . . . , xn ) gilt

~x · ~x = x21 + · · · + x2n ≥ 0.

Daran sieht man auch, dass ~x · ~x genau dann gleich 0 ist, wenn x1 = . . . = xn = 0 , also
~x = ~0 gilt.
Die Formeln von (b) und (c) rechnet man einfach nach. 2

Definition Die Länge oder Norm eines Vektors ~x = (x1 , . . . , xn ) ist defi-
niert durch
√ q
|~x| := ~x · ~x = x21 + · · · + x2n .

Nach Satz 1.3.1 (a) folgt

|~x| = 0 ⇔ ~x = ~0.
8 Kapitel 1. Lineare Algebra I

Satz 1.3.2 (Cauchy-Schwarzsche Ungleichung) Für ~x, ~y ∈ Rn gilt

|~x · ~y | ≤ |~x||~y |.

Für ~y 6= ~0 gilt |~x · ~y | = |~x||~y | genau dann, wenn es ein λ ∈ R gibt, so dass
~x = λ~y .
Die Norm hat die folgenden Eigenschaften.

Satz 1.3.3 (Eigenschaften der Norm) (a) Für ~x ∈ Rn gilt

|~x| ≥ 0 und |~x| = 0 ⇔ ~x = ~0.

(b) Für ~x ∈ Rn und λ ∈ R gilt

|λ~x| = |λ||~x|.

(c) (Dreiecksungleichung) Für ~x, ~y ∈ Rn gilt

|~x + ~y | ≤ |~x| + |~y |.

Beweis. (a) folgt aus Satz 1.3.1 (a).

(b) folgt aus Satz 1.3.1 (c).
Zu (c): Es gilt

|~x + ~y |2 = (~x + ~y ) · (~x + ~y )

= (~x · ~x) + 2(~x · ~y ) + (~y · ~y )
≤ |~x|2 + 2|~x||~y | + |~y |2 nach Satz 1.3.2
= (|~x| + |~y |)2 .

Zieht man auf beiden Seiten die Wurzel, so erhält man

|~x + ~y | ≤ |~x| + |~y |.

Mit Hilfe der Norm kann man zwischen zwei Punkten ~x, ~y ∈ Rn einen
Abstand erklären:

Definition Der Abstand zwischen zwei Punkten ~x = (x1 , . . . , xn ) und ~y =

(y1 , . . . , yn ) ist definiert durch
p
d(~x, ~y ) := |~y − ~x| = (y1 − x1 )2 + · · · + (yn − xn )2 .

Aus den Eigenschaften der Norm folgt:

1.3 Das Skalarprodukt im Rn 9

Satz 1.3.4 (Eigenschaften des Abstands) (a) Für alle ~x, ~y ∈ Rn gilt

d(~x, ~y ) ≥ 0 und d(~x, ~y ) = 0 ⇔ ~x = ~y .

(b) Für alle ~x, ~y ∈ Rn gilt

d(~x, ~y ) = d(~y , ~x).

~ ∈ Rn gilt
(c) (Dreiecksungleichung) Für alle ~u, ~v , w

~ ≤ d(~u, ~v ) + d(~v , w).

d(~u, w) ~

Beweis. (a) und (b) folgen direkt aus Satz 1.3.3 (a).
(c) folgt aus Satz 1.3.3 (c) mit ~x := ~v − ~u und ~y := w
~ − ~v , also ~x + ~y = w
~ − ~u. 2

Definition Zwei Vektoren ~x, ~y ∈ Rn heißen orthogonal, in Zeichen ~x ⊥ ~y ,

genau dann, wenn ~x · ~y = 0 gilt.

Der Nullvektor ist orthogonal zu jedem Vektor.

Definition Ein Vektor ~x ∈ Rn mit |~x| = 1 heißt Einheitsvektor.

Ist ~x ∈ Rn mit ~x 6= ~0 beliebig, so ist ~

x
|~
x|
ein Einheitsvektor:

~x 1 1 1
= ~x = ||~x| = |~x| = 1.
|~x| |~x| |~x| |~x|

Nun wollen wir auch Winkel zwischen zwei Vektoren ~x, ~y ∈ Rn mit ~x 6= ~0
und ~y 6= ~0 erklären. Dazu erinnern wir zunächst an die Definition von sin α
und cos α für einen Winkel α. Ist x das Bogenmaß des Winkels α, so gilt:

x α
= .
2π 360◦

Es gilt folgende Umrechnungstabelle:

Gradmaß 30◦ 45◦ 60◦ 90◦ 180◦ 360◦

Bogenmaß π6 π
4
π
3
π
2
π 2π
10 Kapitel 1. Lineare Algebra I

Mit einem Winkel wird in Zukunft immer der Winkel im Bogenmaß gemeint
sein. Dann sind sin α und cos α anhand der folgenden Zeichnung definiert:

sin α x
α
cos α 1

Es gilt
−1 ≤ sin α ≤ 1, −1 ≤ cos α ≤ 1.
Ist ein Wert y ∈ R, −1 ≤ y ≤ 1, vorgegeben, so gibt es genau einen Winkel
α mit 0 ≤ α ≤ π mit cos α = y. Es gilt

sin2 α + cos2 α = 1.

Nun betrachten wir zwei Vektoren ~x, ~y ∈ Rn mit ~x 6= ~0 und ~y 6= ~0. Aus
der Cauchy-Schwarzschen Ungleichung folgt dann
~x · ~y
−1 ≤ ≤ 1.
|~x||~y |

Es gibt also ein α ∈ [0, π], so dass

~x · ~y
cos α = .
|~x||~y |

Definition Der Winkel zwischen ~x und ~y , in Zeichen ∠(~x, ~y ), ist definiert

als diejenige Zahl α mit 0 ≤ α ≤ π, so dass
~x · ~y
cos α = .
|~x||~y |

Satz 1.3.5 (Eigenschaften des Winkels) (a) Für ~x, ~y ∈ Rn mit ~x 6= ~0

und ~y 6= ~0 gilt
~x · ~y = |~x||~y | cos ∠(~x, ~y ).
1.3 Das Skalarprodukt im Rn 11

(b) Für ~x, ~y ∈ Rn mit ~x 6= ~0 und ~y 6= ~0 gilt

∠(~x, ~y ) = ∠(~y , ~x).

(c) Für ~x, ~y ∈ Rn mit ~x 6= ~0 und ~y 6= ~0 und λ, µ ∈ R mit λµ > 0 gilt

∠(λ~x, µ~y ) = ∠(~x, ~y ).

(d) Für ~x, ~y ∈ Rn mit ~x 6= ~0 und ~y 6= ~0 gilt ∠(~x, ~y ) = 0 oder ∠(~x, ~y ) = π

genau dann, wenn es ein λ ∈ R mit ~y = λ~x gibt.

Beweis. Diese Eigenschaften folgen unmittelbar aus der Definition und der Cauchy-Schwarzschen
Ungleichung. 2

Wir wollen nun zeigen, dass die Definition des Winkels mit der anschauli-
chen Definition übereinstimmt. Dazu beschränken wir uns auf den Fall n = 2.
Es seien also ~x, ~y ∈ R2 von Null verschiedene Vektoren und

1 1
~x0 := ~x, ~y 0 := ~y .
|~x| |~y |

Da |~x0 | = |~y 0 | = 1, gibt es 0 ≤ α, β ≤ π, so dass

~x0 = (cos α, sin α),

~y 0 = (cos β, sin β).

Aus Satz 1.3.5 (iii) und der Definition des Winkels folgt

cos ∠(~x, ~y ) = cos ∠(~x0 , ~y 0 ) = ~x0 · ~y 0 .

Es gilt

~x0 · ~y 0 = cos α cos β + sin α sin β = cos(α − β) = cos(β − α),

also
∠(~x, ~y ) = β − α.

Es seien ~a, ~b ∈ Rn mit ~b 6= ~0.

Definition Mit ~a~b bezeichnen wir die orthogonale Projektion von ~a auf ~b
(siehe Abbildung).
12 Kapitel 1. Lineare Algebra I

~a 6

~a~⊥
b

- - ~b
~a~b

Zur Berechnung von ~a~b bemerken wir:

~a · ~b ~a · ~b ~b
|~a~b | = |~a| cos α = |~a| = = ~a · .
|~a||~b| |~b| |~b|
Also gilt:
!
~b ~b
~a~b = ~a ·
|~b| |~b|
Es sei ~a~⊥
b
:= ~a − ~a~b . Dann gilt

~a · ~b~
~a~⊥ = ~a − b
b
|~b|2
Zum Abschluss geben wir noch eine Anwendung.
Übungsaufgabe 1.3.1 Wir wollen die Entfernung zwischen zwei Orten A
und B bestimmen. Wir kennen nur die Entfernung zu einem dritten Ort C
und den Winkel α, den die Verbindungsgeraden AC und BC bilden.

Lösung: Wir legen den Ursprung unseres Koordinatensystems in den Punkt

C. Es sei ~x = A − C und ~y = B − C. Dann ist gesucht:
d(~x, ~y ) = |~y − ~x|.
Nun rechnen wir:
|~y − ~x|2 = (~y − ~x) · (~y − ~x)
= ~y · ~y − 2~x · ~y + ~x · ~x
= |~y |2 − 2|~x||~y | cos α + |~x|2 .
Wir haben damit auch bewiesen:
Satz 1.3.6 (Kosinussatz) Für zwei Vektoren ~x, ~y ∈ Rn gilt:
|~y − ~x|2 = |~y |2 − 2|~x||~y | cos ∠(~x, ~y ) + |~x|2
1.4 Das Vektorprodukt im R3 13

1.4 Das Vektorprodukt im R3

Wir wollen nun das Vektorprodukt einführen. Dies ist aber nur für Vektoren
aus dem R3 definiert.

Definition Für Vektoren ~x = (x1 , x2 , x3 ) und ~y = (y1 , y2 , y3 ) aus R3 ist das

Vektorprodukt ~x × ~y definiert durch
~x × ~y := (x2 y3 − x3 y2 , x3 y1 − x1 y3 , x1 y2 − x2 y1 ).
Man beachte, dass ~x × ~y wieder ein Vektor des R3 ist. Um sich diese
Definition leichter merken zu können, geben wir noch eine Merkregel an. Wir
schreiben die Vektoren als Spaltenvektoren:
     
x1 y1 x2 y 3 − x3 y 2
~x × ~y =  x2  ×  y2  =  x3 y1 − x1 y3  .
x3 y3 x1 y 2 − x2 y 1
Wir erhalten die erste Komponente (Zeile) des Vektors ~x × ~y , indem wir die
erste Zeile abdecken und die Determinante
x2 y 2
= x2 y3 − x3 y2
x3 y 3
berechnen. Entsprechend ist die zweite Komponente gleich minus (!) der
Determinante, die man erhält, wenn man die zweite Zeile streicht. Schließlich
erhält man die dritte Komponente, indem man die dritte Zeile streicht und
die verbleibende Determinante ausrechnet.
Wir notieren nun einige Eigenschaften des Vektorprodukts.

Satz 1.4.1 (Eigenschaften des Vektorprodukts) (a) Für ~x, ~y , ~z ∈ R3

und λ ∈ R gilt
(~x + ~y ) × ~z = ~x × ~z + ~y × ~z,
~x × (~y + ~z) = ~x × ~y + ~x × ~z,
(λ~x) × ~y = λ(~x × ~y ) = ~x × (λ~y ).
(b) Für ~x, ~y ∈ R3 gilt
(~x × ~y ) · ~x = (~x × ~y ) · ~y = 0.
(c) Für ~x, ~y ∈ R3 gilt
|~x × ~y |2 = |~x|2 |~y |2 − (~x · ~y )2 .
(d) Für ~x, ~y ∈ R3 gilt
~x × ~y = −~y × ~x und ~x × ~x = ~0.
14 Kapitel 1. Lineare Algebra I

Beweis. Alle Eigenschaften kann man einfach nachrechnen. Wir führen den Beweis von (c)
vor. Es sei ~x = (x1 , x2 , x3 ) und ~y = (y1 , y2 , y3 ). Dann gilt
|~x × ~y |2 = (x2 y3 − x3 y2 )2 + (x3 y1 − x1 y3 )2 + (x1 y2 − x2 y1 )2
= (x1 y2 )2 + (x2 y1 )2 + (x3 y1 )2 + (x1 y3 )2 + (x2 y3 )2 + (x3 y2 )2
−2x1 x2 y1 y2 − 2x1 x3 y1 y3 − 2x2 x3 y2 y3
= (x21 + x22 + x23 )(y12 + y22 + y32 ) − (x1 y1 + x2 y2 + x3 y3 )2
= |~x|2 |~y |2 − (~x · ~y )2 .
2

Korollar 1.4.1 Für vom Nullvektor verschiedene ~x, ~y ∈ R3 gilt

|~x × ~y | = |~x||~y | sin ∠(~x, ~y ).
Beweis. Es sei θ = ∠(~x, ~y ). Nach Satz 1.3.5 (a) gilt
~x · ~y = |~x||~y | cos θ.
Nach Satz 1.4.1 (c) folgt also
|~x × ~y |2 = |~x|2 |~y |2 − (~x · ~y )2
= |~x|2 |~y |2 (1 − cos2 θ)
= |~x|2 |~y |2 sin2 θ.
Wegen θ ∈ [0, π] ist sin θ ≥ 0. Also können wir auf beiden Seiten die Quadratwurzel ziehen
und die Behauptung folgt. 2

Wir erhalten damit die übliche geometrische Beschreibung des Vektorpro-

dukts. Nach Satz 1.4.1 (a),(ii) steht der Vektor ~x × ~y senkrecht auf der von
den Vektoren ~x und ~y aufgespannten Ebene. Seine Länge ist nach der Formel
von Korollar 1.4.1 gleich dem Flächeninhalt des von ~x und ~y aufgespann-
ten Parallelogramms. Nun gibt es, wenn ~x × ~y 6= ~0, genau zwei Vektoren mit
diesen Eigenschaften. Der Vektor ~x ×~y berechnet sich nach der Rechte-Hand-
Regel: Zeigt der Daumen der rechten Hand in die Richtung von ~x und der
Zeigefinger in die Richtung von ~y , so zeigt der Mittelfinger in die Richtung
von ~x × ~y .

Definition Zwei Vektoren ~x und ~y des Rn heißen linear unabhängig genau

dann, wenn für alle λ, µ ∈ R mit der Eigenschaft, dass
λ~x + µ~y = ~0
gilt, notwendigerweise λ = µ = 0 folgt. Die Vektoren ~x und ~y heißen linear
abhängig genau dann, wenn sie nicht linear unabhängig sind, d.h. wenn es
λ, µ ∈ R mit λ 6= 0 oder µ 6= 0 gibt, so dass
λ~x + µ~y = ~0.
1.4 Das Vektorprodukt im R3 15

Der folgende Satz macht diese Definition etwas verständlicher.

Satz 1.4.2 Für ~x, ~y ∈ Rn sind folgende Bedingungen gleichwertig:

(a) ~x, ~y sind linear abhängig.

(b) ~x = ~0 oder es gibt ein ρ ∈ R, so dass ~y = ρ~x.

(c) ~y = ~0 oder es gibt ein ρ ∈ R, so dass ~x = ρ~y .

Beweis.
(a) ⇒ (b): Sind ~x, ~y linear abhängig, so gibt es λ, µ ∈ R mit λ 6= 0 oder µ 6= 0, so dass
λ~x + µ~y = ~0. Ist µ = 0, so muss λ 6= 0 sein. Aus λ~x = ~0 folgt dann aber ~x = ~0. Ist µ 6= 0,
dann gilt
λ
~y = − ~x,
µ
also ~y = ρ~x mit ρ := −λ/µ.
(b) ⇒ (a): Ist ~x = ~0, so gilt 1~x + 0~y = ~0. Ist ~y = ρ~x, so gilt −ρ~x + ~y = ~0. In beiden
Fällen sind also ~x, ~y linear abhängig.
Der Beweis von (a) ⇔ (c) geht analog. 2

Satz 1.4.3 Zwei Vektoren ~x, ~y ∈ R3 sind genau dann linear abhängig, wenn
~x × ~y = ~0 gilt.

Beweis. ⇒: Die Vektoren ~x, ~y ∈ R3 seien linear abhängig. Aus Satz 1.4.2 folgt, dass dann
~x = ~0 gilt oder es ein ρ ∈ R gibt, so dass ~y = ρ~x. Ist ~x = ~0, so gilt

~x × ~y = ~0 × ~y = ~0.

Ist ~y = ρ~x, so gilt nach Satz 1.4.1

~x × ~y = (ρ~y ) × ~y = ρ(~y × ~y ) = ~0.

⇐: Es sei ~x × ~y = ~0. Ist ~x = ~0 oder ~y = ~0, so sind ~x, ~y nach Satz 1.4.2 linear abhängig.
Es sei also ~x 6= ~0 und ~y 6= ~0. Nach Korollar 1.4.1 gilt

0 = |~x × ~y | = |~x||~y | sin ∠(~x, ~y ).

Ist θ := ∠(~x, ~y ), so folgt sin θ = 0, also θ = 0 oder θ = π. Das bedeutet aber, dass es ein
ρ ∈ R gibt, so dass ~y = ρ~x. Nach Satz 1.4.2 sind ~x, ~y daher linear abhängig. 2

Definition Das Spatprodukt [~a, ~b, ~c] der drei Vektoren ~a, ~b, ~c ∈ R3 ist defi-
niert durch
[~a, ~b, ~c] := ~a · (~b × ~c).
16 Kapitel 1. Lineare Algebra I

Der Betrag des Spatprodukts |[~a, ~b, ~c]| ist das Volumen V des von den Vek-
toren ~a, ~b, ~c aufgespannten Spats:

V = Grundfläche × Höhe
= |~b × ~c| ~a~b×~c
~a · (~b × ~c)~
= |~b × ~c| b × ~c
|~b × ~c|2
= |~a · (~b × ~c)|.

~b × ~c
6  
 

 


~a 















~c*











 -


~b

Für ~a = (a1 , a2 , a3 ), ~b = (b1 , b2 , b3 ), ~c = (c1 , c2 , c3 ) rechnen wir aus:

[~a, ~b, ~c] = ~a · (~b × ~c)

= a1 (b2 c3 − b3 c2 ) + a2 (b3 c1 − b1 c3 ) + a3 (b1 c2 − b2 c1 )
= a1 b 2 c 3 − a1 b 3 c 2 + a2 b 3 c 1 − a2 b 1 c 3 + a3 b 1 c 2 − a3 b 2 c 1 .

Den letzten Ausdruck kürzen wir ab durch

a1 b 1 c 1
b2 c 2 b 1 c1 b1 c 1
a2 b 2 c 2 := a1 − a2 + a3 .
b3 c 3 b3 c 3 b2 c 2
a3 b 3 c 3

Merkregel:
+ + +
aQ
1 b1Q c1Q a1 b1
a2 QbQ
2 c2Q

3
QQa
3
2 b2
Q
3
 Q  Q Q
a
3 b3 c3 a3 b3
s s s
− − −
1.5 Geraden und Ebenen
Wir betrachten zunächst Geraden im R2 .
1.5 Geraden und Ebenen 17

Definition Eine Teilmenge L ⊂ R2 heißt Gerade (in Koordinatenform),

wenn es a1 , a2 , b ∈ R mit (a1 , a2 ) 6= (0, 0) gibt, so dass

L = {(x1 , x2 ) ∈ R2 | a1 x1 + a2 x2 = b}.

~ 6= ~0 definieren wir
~ ∈ R2 mit w
Definition Für ~v , w

~ := {~x = ~v + λw
~v + Rw ~ | λ ∈ R}.

Diese Menge heißt Gerade (in Parameterform). Der Vektor ~v heißt Ortsvektor
und w~ Richtungsvektor der Geraden L = ~v + Rw.
~

Umrechnung Koordinatenform in Parameterform

Es sei
L := {(x1 , x2 ) ∈ R2 | a1 x1 + a2 x2 = b}
mit (a1 , a2 ) 6= (0, 0). Wir betrachten den Fall a2 6= 0, der Fall a1 6= 0 geht
analog. Wir lösen die Gleichung nach x2 auf:
1
x2 = (b − a1 x1 ).
a2
Wir setzen
 
b
~v := 0, (x1 = 0 gesetzt),
a2
 
a1
w
~ := 1, − (x1 = 1, b = 0 gesetzt).
a2
Dann gilt
L = ~v + Rw.
~

Umrechnung Parameterform in Koordinatenform

Es sei nun L = ~v + Rw ~ gegeben. Wir müssen eine Gleichung finden. Ist
~ = (w1 , w2 ) mit w1 6= 0, so überlegt man sich leicht, dass
~v = (v1 , v2 ) und w
folgende Gleichung gilt
x2 − v2 w2
=
x1 − v1 w1
⇔ w2 x1 − w1 x2 = w2 v1 − w1 v2 .

Wir definieren daher

a1 := w2 , a2 := −w1 , b := w2 v1 − w1 v2 .
18 Kapitel 1. Lineare Algebra I

Dann gilt:
L = {(x1 , x2 ) ∈ R2 | a1 x1 + a2 x2 = b}.

Nun betrachten wir den R3 , den dreidimensionalen Anschauungsraum.

Dann definiert eine lineare Gleichung der Form
a1 x 1 + a2 x 2 + a3 x 3 = b
mit (a1 , a2 , a3 ) 6= (0, 0, 0) keine Gerade mehr, sondern eine Ebene. denn ist
zum Beispiel a3 6= 0, so können wir die Gleichung nach x3 auflösen
1
x3 = (b − a1 x1 − a2 x2 ),
a3
und wir sehen, dass dies eine Ebene definiert.
Definition Eine Teilmenge E ⊂ R3 heißt Ebene (in Koordinatenform),
wenn es a1 , a2 , a3 , b ∈ R mit (a1 , a2 , a3 ) 6= (0, 0, 0) gibt, so dass
E = {(x1 , x2 , x3 ) ∈ R3 | a1 x1 + a2 x2 + a3 x3 = b}.
~ ∈ R3 und die Vektoren ~v und w
Definition Es seien ~u, ~v , w ~ seien linear
unabhängig. Dann heißt
~ := {~x = ~u + λ1~v + λ2 w
~u + R~v + Rw ~ | λ1 , λ2 ∈ R}
eine Ebene (in Parameterform). Der Vektor ~u heißt Ortsvektor, die Vektoren
~v und w~ heißen die Richtungsvektoren der Ebene.

Umrechnung Koordinatenform in Parameterform

Es sei
E = {(x1 , x2 , x3 ) ∈ R3 | a1 x1 + a2 x2 + a3 x3 = b}
und o.B.d.A. (ohne Beschränkung der Allgemeinheit) a3 6= 0. Setzt man
x1 = λ1 und x2 = λ2 in die Ebenengleichung ein, so erhält man
1
x3 = (b − a1 λ1 − a2 λ2 ).
a3
Wir setzen
b
~u := (0, 0, ) (λ1 = λ2 = 0 gesetzt),
a3
a1
~v := (1, 0, − ) (λ1 = 1, λ2 = 0, b = 0 gesetzt),
a3
a2
w~ := (0, 1, − ) (λ1 = 0, λ2 = 1, b = 0 gesetzt).
a3
Dann gilt
E = ~u + R~v + Rw.
~
1.5 Geraden und Ebenen 19

Umrechnung Parameterform in Koordinatenform

Es seien ~v und w
~ linear unabhängig und E = ~u + R~v + Rw.
~ Wir betrachten
den Vektor
~a = (a1 , a2 , a3 ) := ~v × w.
~
Nach Satz 1.4.3 gilt (a1 , a2 , a3 ) 6= (0, 0, 0). Es sei ~x = (x1 , x2 , x3 ) ∈ E, ~x =
~u + λ~v + µw.
~ Dann gilt

~a · ~x = a1 x1 + a2 x2 + a3 x3 = ~a · ~u.

und
E = {~x ∈ R3 | a1 x1 + a2 x2 + a3 x3 = ~a · ~u}.

Definition Es sei E = ~u + R~v + Rw ~ eine Ebene. Ein Vektor ~n mit |~n| = 1

und ~n ⊥ (~x − ~u) für alle ~x ∈ E heißt ein Einheitsnormalenvektor von E.
Nach Satz 1.4.1 ist der Vektor
~v × w
~ 1
= ~v × w
~
|~v × w|
~ |~v × w|
~

ein Einheitsnormalenvektor der Ebene E = ~u + R~v + Rw.

~
Wir können nun auch Geraden im R3 betrachten.

~ 6= ~0 definieren wir
~ ∈ R3 mit w
Definition Für ~v , w

~ := {~x = ~v + λw
~v + Rw ~ | λ ∈ R}.

Diese Menge heißt Gerade (in Parameterform) im R3 .

Warnung Um eine Gerade im R3 in Koordinatenform zu beschreiben, benö-

tigt man zwei Gleichungen, denn eine Gerade im R3 ist der Schnitt von zwei
Ebenen.
Wir betrachten nun den Abstand eines Punktes von einer Geraden oder
~ und ~y ∈ R3 , so definieren wir
einer Ebene. Ist L = ~v + Rw

d(~y , L) = min d(~y , ~x).

x∈L
~

Dann gilt
|(~v − ~y ) × w|
~
d(~y , L) =
|w|
~
20 Kapitel 1. Lineare Algebra I

Es sei E = ~u + R~v + Rw
~ mit linear unabhängigen Vektoren ~v und w
~ und
~y ∈ R3 . Dann definieren wir

d(~y , E) = min d(~y , ~x).

x∈E
~

Es sei ~n ein Einheitsnormalenvektor von E. Dann gilt

d(~y , E) = |(~u − ~y ) · ~n|

Es sei d := d(~0, E). Ist 0 ≤ ∠(~u, ~n) ≤ π/2, so gilt bereits

d = ~u · ~n.

Damit erhalten wir die Hessesche Normalform der Ebenengleichung

E = {~x ∈ R3 | ~x · ~n = d}.

1.6 Komplexe Zahlen

Definition Die Menge der komplexen Zahlen ist die Menge

C := {x + iy | x, y ∈ R}

mit der Addition und Multiplikation

(x + iy) + (x0 + iy 0 ) := (x + x0 ) + i(y + y 0 )

(x + iy) · (x0 + iy 0 ) := (xx0 − yy 0 ) + i(xy 0 + x0 y)

(Diese Formeln kann man sich so merken: Man rechnet wie mit Zahlen unter
Beachtung der Regel i2 = −1.)
Die komplexe Zahl a + bi ∈ C kann man mit dem Vektor (a, b) ∈ R2
identifizieren. Dies führt zu der Darstellung der komplexen Zahlen in der
Gaußschen Zahlenebene. Der Addition von komplexen Zahlen entspricht die
Addition der entsprechenden Vektoren. Die Multiplikation deuten wir später
geometrisch.
Ist z ∈ C mit z 6= 0, so bestimmen wir die Zahl z1 : Es sei z = x + iy. Dann
gilt
1 x − iy x − iy
= = 2 .
x + iy (x + iy)(x − iy) x + y2
Also gilt
1 x − iy
= 2
x + iy x + y2
1.6 Komplexe Zahlen 21

Definition Es sei z = x + iy.

• Re(z) := x heißt Realteil von z.

• Im(z) := y heißt Imaginärteil von z.

• z̄ := x − iy heißt die zu z konjugiert komplexe Zahl.

p √
• |z| := x2 + y 2 = z z̄ heißt der Betrag von z.
Zwei komplexe Zahlen z und z 0 sind also genau dann gleich, wenn Re(z) =
Re(z 0 ) und Im(z) = Im(z 0 ) gilt. In der Gaußschen Zahlenebene entspricht die
x-Achse der reellen Achse und die y-Achse der imaginären Achse. In der
Gaußschen Zahlenebene entsteht z̄ aus z durch Spiegelung an der reellen
Achse. Aus der Definition folgt
1 1
Re(z) = (z + z̄), Im(z) = (z − z̄).
2 2i
Einfach nachzurechnen sind folgende Rechenregeln für die Konjugation:

Satz 1.6.1 Für alle z, z1 , z2 ∈ C gilt

(a) z̄¯ = z.

(b) z1 + z2 = z1 + z2 .

(c) z1 z2 = z1 · z2 .
Für z ∈ R stimmt der Betrag mit dem Absolutbetrag für reelle Zahlen
überein. Für alle z ∈ C gilt |z| = |z̄|.

Satz 1.6.2 Für alle z, z1 , z2 ∈ C gilt

(a) |z| ≥ 0; |z| = 0 ⇔ z = 0.

(b) |z1 z2 | = |z1 ||z2 |.

(c) |z1 + z2 | ≤ |z1 | + |z2 | (Dreiecksungleichung).

Beweis. (a) ist klar.
Zu (b): Nach Definition des Betrags ist

|z1 z2 |2 = (z1 z2 )(z1 z2 ) = z1 z2 z1 z2 = (z1 z1 )(z2 z2 ) = |z1 |2 |z2 |2 .

Wurzelziehen liefert die Behauptung.

Zu (c): Für jede komplexe Zahl z gilt

Re(z) ≤ |z|.
22 Kapitel 1. Lineare Algebra I

Daraus folgt
Re(z1 z2 ) ≤ |z1 z2 | = |z1 ||z2 | = |z1 ||z2 |.
Also gilt

|z1 + z2 |2 = (z1 + z2 )(z1 + z2 )

= z1 z1 + z1 z2 + z2 z1 + z2 z2
= |z1 |2 + 2Re(z1 z2 ) + |z2 |2
≤ |z1 |2 + 2|z1 ||z2 | + |z2 |2
= (|z1 | + |z2 |)2 .

Wurzelziehen liefert wieder die Behauptung. 2

Definition Es sei z = x + iy, r := |z| und ϕ der Winkel von z mit der
positiven x-Achse. Dann nennt man ϕ das Argument der komplexen Zahl z
und
z = r(cos ϕ + i sin ϕ)
die Darstellung der Zahl in Polarkoordinaten.
Es seien z1 = r1 (cos ϕ1 + i sin ϕ1 ), z2 = r2 (cos ϕ2 + i sin ϕ2 ). Aus den
Additionstheoremen für sin und cos folgt:
z1 z2 = r1 r2 (cos ϕ1 + i sin ϕ1 )(cos ϕ2 + i sin ϕ2 )
= r1 r2 [(cos ϕ1 cos ϕ2 − sin ϕ1 sin ϕ2 ) + i(cos ϕ1 sin ϕ2 + sin ϕ1 cos ϕ2 )]
= r1 r2 (cos(ϕ1 + ϕ2 ) + i sin(ϕ1 + ϕ2 ))
Also gilt:
z1 z2 = r1 r2 (cos(ϕ1 + ϕ2 ) + i sin(ϕ1 + ϕ2 ))
Zwei komplexe Zahlen werden multipliziert, indem man ihre Beträge multi-
pliziert und und ihre Argumente addiert. Es gilt:
1 1
= (cos(−ϕ) + i sin(−ϕ)), z 6= 0
z r
z1 r1
= (cos(ϕ1 − ϕ2 ) + i sin(ϕ1 − ϕ2 )), z2 6= 0
z2 r2

Satz 1.6.3 (Formel von Moivre)

z n = rn (cos nϕ + i sin nϕ), n∈N

Definition (Eulerformel)

eiϕ := cos ϕ + i sin ϕ

1.7 Lineare Gleichungssysteme 23

Damit haben wir die folgenden Darstellungen einer komplexen Zahl:

• Darstellung in kartesischen Koordinaten: z = x + iy

• Darstellung in Polarkoordinaten: z = r(cos ϕ + i sin ϕ)

• Eulersche Darstellung: z = reiϕ

Beispiel 1.6.1 Die verschiedenen Darstellungen der Zahl z = 1 + i:

√  π π  √ iπ
1 + i = 2 cos + i sin = 2e 4 .
4 4
Definition Es sei b 6= 0 eine komplexe Zahl. Unter einer n-ten Wurzel von
b versteht man eine Lösung z der Gleichung z n = b.

Ist b = reiϕ mit r > 0, so sind

√ ϕ+2πk
ak = n
rei n , k = 0, 1, . . . , n − 1,

alle n-ten Wurzeln von b.

1.7 Lineare Gleichungssysteme

Definition Ein lineares Gleichungssystem ist ein Gleichungssystem der Form

a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. ..
. . .
am1 x1 + am2 x2 + · · · + amn xn = bm .

Dabei sind die aij und die bi reelle Zahlen und gesucht ist die Menge der
(x1 , . . . , xn ) ∈ Rn , die alle Gleichungen erfüllen.

Dieses System wollen wir nun zunächst übersichtlicher aufschreiben. Die

Koeffizienten aij schreibt man in einem rechteckigen Schema
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A :=  .
 
.. .. ... ..
 . . . 
am1 am2 · · · amn
24 Kapitel 1. Lineare Algebra I

Ein solches Schema nennt man eine m × n-Matrix. Wir schreiben auch zur
Abkürzung A = (aij ). Die Matrix A heißt die Koeffizientenmatrix des linearen
Gleichungssystems.
Die Unbekannten x1 , . . . , xn schreiben wir als Spaltenvektor
 
x1
 x2 
~x :=  ..  .
 
 . 
xn

Die Multiplikation einer Matrix A mit dem Vektor ~x erklären wir durch
  
a11 a12 · · · a1n x1
 a21 a22 · · · a2n   x2 
A~x =  ..
  
.. . . ..   .. 
 . . . .  . 
am1 am2 · · · amn xn
 
a11 x1 + a12 x2 + · · · + a1n xn
 a21 x1 + a22 x2 + · · · + a2n xn 
:=  .
 
..
 . 
am1 x1 + am2 x2 + · · · + amn xn

Anschaulich gesprochen bedeutet dies ”Zeile mal Spalte”. Schreiben wir nun
auch noch  
b1
 b2 
~b := 
 ..  ,

 . 
bm
so wird unser Gleichungssystem zu
    
a11 a12 · · · a1n x1 b1
 a21 a22 · · · a2n  x2   b2 
=
    
 .. .. .. ..  .. .. 
 . . . .  .   . 
am1 am2 · · · amn xn bm

oder kurz
A~x = ~b.
Wir sehen, dass es vorteilhaft ist, Vektoren als Spaltenvektoren aufzufassen.
Das werden wir in Zukunft tun. Wir werden von nun an Vektoren als Spal-
tenvektoren schreiben.
1.7 Lineare Gleichungssysteme 25

Wir wollen uns nun mit der Lösung eines solchen Gleichungssystems be-
fassen. Die Lösungsmenge ist gleich

L(A|~b) := {~x ∈ Rn | A~x = ~b}.

Man kann diese Lösungsmenge mit Hilfe des Gaußschen Algorithmus er-
mitteln. Dieses Verfahren wollen wir nun darstellen.

Gaußscher Algorithmus
Anstelle der Koeffizientenmatrix A betrachtet man die erweiterte Koeffizien-
tenmatrix  
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
(A|~b) :=  .. ..  .
 
.. .. ..
 . . . . . 
am1 am2 · · · amn bm
Der Gaußsche Algorithmus basiert darauf, dass die folgenden Umformun-
gen nichts an der Lösungsmenge eines Gleichungssystems ändern:

1. Vertauschung zweier Gleichungen.

2. Multiplikation einer Gleichung mit einer Zahl λ 6= 0.

3. Addition (bzw. Subtraktion) des Vielfachen einer Gleichung zu (bzw.

von) einer anderen.

Diesen Gleichungsumformungen entsprechen die folgenden elementaren Zei-

lenumformungen der Matrix (A|~b):

1. Vertauschung zweier Zeilen

2. Multiplikation einer Zeile mit einer Zahl λ 6= 0.

3. Addition (bzw. Subtraktion) des λ-fachen einer Zeile zu (bzw. von)

einer anderen.

Das Gauß-Verfahren besteht aus drei Teilen:

I. Vorwärtselimination.

II. Lösbarkeitsentscheidung (nur für ~b 6= ~0)

III. Rückwärtssubstitution
26 Kapitel 1. Lineare Algebra I

I. Vorwärtselimination

1. Eliminationsschritt
Ist a11 6= 0?
Wenn nein: Suche in der 1. Spalte von A ein Element ak1 6= 0 und vertausche
die k-te Zeile mit der ersten. (Sind alle Elemente der 1. Spalte gleich 0, so
beginne man statt mit der ersten Spalte mit der ersten anderen Spalte, die
nicht nur lauter Nullen enthält.)
Wenn ja:
Subtrahiere das aa11
i1
-fache der 1. Zeile von der i-ten Zeile (i = 2, . . . , m)
Ergebnis:

 
0 ··· 0 •
∗ ··· ∗ ∗ ··· ∗ ∗

 0 ··· 0 0 ···
0 0 ∗ ··· ∗ ∗ 
 • 6= 0
 .. . . .. ..
.. . . .... . . .. .. 
∗ = beliebig
 . . . . . . . . . . . 
0 ··· 0 0 0 ··· 0 ∗ ··· ∗ ∗

2. Eliminationsschritt
Wende das gleiche Verfahren auf die eingezeichnete Restmatrix an.

usw.

..
.

Verfahren bricht ab, wenn folgende Matrix erreicht ist (Zeilenstufenform):

 
0 ··· 0 • ∗ ··· ∗ ∗ ∗ ··· ∗ ∗ ∗ ∗ ∗ · · · ∗ eb1
0 ··· 0 0 0 ··· 0 • ∗ ··· ∗ ∗ ∗ ∗ ∗ · · · ∗ eb2
 
 
 
 0 ··· 0 0 0 ··· 0 0 0 ··· 0 • ∗ ∗ ∗ · · · ∗ eb3 
 .. .. .. .. .. .. .. .. .. .. .. .. .. .. 
. . . . . . . . . . . . . .
 
 
0 ··· 0 0 ··· 0 0 ··· 0 • ∗ · · · ∗ br
 
 0 0 0 0 e 
 
 0 ··· 0 0 0 ··· 0 0 0 ··· 0 0 0 0 0 · · · 0 ebr+1 
.. .. .. .. .. .. .. .. .. .. .. .. .. ..
 
 
 . . . . . . . . . . . . . . 
0 ··· 0 0 0 ··· 0 0 0 ··· 0 0 0 0 0 · · · 0 bme
1.7 Lineare Gleichungssysteme 27

Beispiel 1.7.1
 
0 0 2 −1 2 1 Zeile 1
 1 −2 3 4 2 2  und Zeile 2
(A|~b) = 
 2 −4 8

9 0 3  vertauschen
−1 2 −5 −6 5 4
 
1 −2 3 4 2 2
 0 0 2 −1 2 1 
→ 
 2 −4 8

9 0 3  −2 × Zeile 1
−1 2 −5 −6 5 4 +Zeile 1
 
1 −2 3 4 2 2
 0 0 2 −1 2 1 
→  
 0 0 2 1 −4 −1  − Zeile 2
0 0 −2 −2 7 6 +Zeile 2
 
1 −2 3 4 2 2
 0 0 2 −1 2 1 
→ 
 0 0 0 2 −6 −2 


0 0 0 −3 9 7 + 32 × Zeile 3
 
1 −2 3 4 2 2
 0 0 2 −1 2 1 
→ 
 0 0 0 2 −6 −2 


0 0 0 0 0 4

II. Lösbarkeitsentscheidung
(entfällt für ~b = ~0) Ist eine der Zahlen ebr+1 , . . . , ebm von Null verschieden,
etwa nach Zeilenvertauschung ebr+1 6= 0, dann ist das Gleichungssystem nicht
lösbar. Denn die (r + 1)-te Gleichung ergibt den Widerspruch

0x1 + . . . + 0xn = ebr+1 6= 0.

Beispiel 1.7.2 Das angebene Gleichungssystem ist nicht lösbar. Ersetzen

wir allerdings b4 = 4 durch b4 = 0, so ist das Gleichungssystem lösbar.
   
0 0 2 −1 2 1 1 −2 3 4 2 2
 1 −2 3 4 2 2   →  0 0 2 −1 2 1 

 
 2 −4 8 9 0 3   0 0 0 2 −6 −2 
−1 2 −5 −6 5 0 0 0 0 0 0 0

III. Rückwärtssubstitution
Dazu betrachten wir zunächst wieder das
28 Kapitel 1. Lineare Algebra I

Beispiel 1.7.3 Das Gleichungssystem

 
1 −2 3 4 2 2
 0 0 2 −1 2 1 
 
 0 0 0 2 −6 −2 
0 0 0 0 0 0

lautet explizit:

x1 −2x2 +3x3 +4x4 +2x5 = 2

2x3 −x4 +2x5 = 1
2x4 −6x5 = −2

Es beschreibt die Abhängigkeit der zu den •-Stellen gehörigen Variablen x1 ,

x3 , x4 (abhängige Variable) von x2 , x5 (unabhängige Variable oder freie Pa-
rameter). Setze

x2 = λ1 , x5 = λ2 (λ1 , λ2 ∈ R variabel)

und bringe die freien Variablen auf die rechte Seite:

x1 + 3x3 + 4x4 = 2 + 2λ1 − 2λ2

2x3 − x4 = 1 − 2λ2
2x4 = −2 + 6λ2

Daraus berechne man (von unten nach oben, daher Rückwärtssubstitution)

der Reihe nach x4 , x3 , x1 in Abhängigkeit von λ1 , λ2 :

x4 = −1 + 3λ2 ,
1 1 1
x3 = x4 + − λ 2 = λ 2 ,
2 2 2
x1 = −3x3 − 4x4 + 2 + 2λ1 − 2λ2
3
= − λ2 + 4 − 12λ2 + 2 + 2λ1 − 2λ2
2
31
= 6 + 2λ1 − λ2 .
2
Damit sieht die allgemeine Lösung wie folgt aus:

6 + 2λ1 − 31 − 31
         
x1 2
λ 2 6 2 2
 x2   λ1   0   1   0 
   1
      1 
 x3  =  λ2
 =  0  + λ 1
 0  + λ2  
   2       2 
 x4   −1 + 3λ2   −1   0   3 
x5 λ2 0 0 1
1.7 Lineare Gleichungssysteme 29

Allgemein:
– Die zu Spalten ohne •-Stelle gehörenden Unbekannten sind die freien
Variablen, sie werden der Reihe nach gleich λ1 , λ2 , . . . , λn−r gesetzt.
– Gleichungssystem nach den zu •-Stellen gehörenden abhängigen Varia-
blen auflösen und der Reihe nach (von unten nach oben) diese Variablen
in Abhängigkeit von λ1 , . . . , λn−r berechnen.

Definition Das lineare Gleichungssystem A~x = ~b heißt homogen, wenn

~b = ~0 ist, andernfalls inhomogen.

Definition Die Zahl r bezeichnen wir als den Rang der Matrix A.

Satz 1.7.1 (a) Das lineare Gleichungssystem A~x = ~b besitzt genau dann
eine Lösung, wenn gilt
Rang (A|~b) = Rang A.

(b) Das homogene lineare Gleichungssystem A~x = ~0 hat genau dann nur
~x = ~0 (triviale Lösung) als einzige Lösung, wenn Rang A = n gilt (n
= Anzahl der Unbekannten).
(c) Ist die Anzahl der Gleichungen kleiner als die Anzahl der Unbekannten
(m < n), dann besitzt A~x = ~0 stets nichttriviale Lösungen.

(d) Gilt m = n, so ist das inhomogene lineare Gleichungssystem A~x = ~b

genau dann eindeutig lösbar, wenn Rang A = n gilt.

Beispiel 1.7.4 Gegeben seien die Ebenen

E1 = {(x1 , x2 , x3 ) ∈ R3 | x1 + x2 + x3 = −2},
E2 = {(x1 , x2 , x3 ) ∈ R3 | x1 − x2 + 2x3 = −4}.
Aufgabe: Bestimmen Sie den Durchschnitt der beiden Ebenen!
Lösung: Zu lösen ist das lineare Gleichungssystem
 
  x1  
1 1 1  −2
x2  = .
1 −1 2 −4
x3
Eine Umformung ergibt
 
1 1 1 −2
1 −1 2 −4
 
1 1 1 −2
→
0 −2 1 −2
30 Kapitel 1. Lineare Algebra I

Das bedeutet: x3 ist eine freie Variable. Wir setzen x3 = λ. Wir lösen das
Gleichungssystem nach x2 und x1 auf:

1
x2 = λ + 1,
2
3
x1 = − λ − 3.
2
Wir setzen
− 32
   
−3
1
~v =  1  , w
~ = 2
.
0 1
Dann ist der Lösungsvektor
     3 
x1 −3 −2
1 
~x =  x2  =  1  +λ 
2
= ~v + λw.
~
x3 0 1

Der Schnitt der beiden Ebenen E1 und E2 ist also die Gerade L = ~v + Rw.
~

1.8 Basis und Dimension

Definition Eine nichtleere Teilmenge U ⊆ Rn heißt Unter(vektor)raum von
Rn , wenn gilt

(U1) ~x, ~y ∈ U ⇒ ~x + ~y ∈ U .

(U2) ~x ∈ U, λ ∈ R ⇒ λ~x ∈ U .

Bemerkung 1.8.1 Jeder Unterraum von Rn enthält den Nullvektor ~0. Denn
mit ~x ∈ U ist nach (U2) auch ~0 = 0~x ∈ U .

Beispiel 1.8.1 (a) {~0} , Rn sind Unterräume des Rn .

(b) Geraden und Ebenen in R3 durch den Ursprung sind Unterräume von
R3 .

(c) Die Lösungsmenge L(A, ~0) eines homogenen Gleichungssystems in n

Unbekannten ist ein Unterraum von Rn . Die Lösungsmenge eines in-
homogenen Gleichungssystems L(A, ~b) mit ~b 6= ~0 in n Unbekannten ist
kein Unterraum des Rn .
1.8 Basis und Dimension 31

Definition Die Vektoren ~a1 , . . . , ~ak ∈ Rn heißen linear unabhängig, falls für
alle reellen Zahlen x1 , . . . , xk ∈ R gilt:

x1~a1 + . . . + xk~ak = 0 ⇒ x1 = · · · = xk = 0.

Das bedeutet also: Ist

     
a1i a11 · · · a1k x1
~ai =  ...  , A =  ... . . . ...  , ~x =  ...  ,
     
ani an1 · · · ank xk

so hat das lineare Gleichungssystem A~x = ~0 nur die triviale Lösung ~x = ~0.
Sind ~a1 , . . . , ~ak ∈ Rn nicht linear unabhängig, so heißen sie linear abhängig.

Definition Ein Vektor ~x ∈ Rn ist eine Linearkombination der Vektoren

~a1 , . . . , ~ak ∈ Rn , falls reelle Zahlen λ1 , . . . , λk existieren mit

~x = λ1~a1 + . . . + λk~ak .

Die Menge aller Linearkombinationen von ~a1 , . . . , ~ak

Spann(~a1 , . . . , ~ak ) := {λ1~a1 + . . . + λk~ak | λ1 , . . . , λk ∈ R}

heißt der Spann (oder die lineare Hülle) von ~a1 , . . . , ~ak .

Satz 1.8.1 Der Spann Spann(~a1 , . . . , ~ak ) von Vektoren ~a1 , . . . , ~ak ∈ Rn ist
ein Unterraum von Rn .

Definition Es sei U ein Unterraum des Rn , ~b1 , . . . , ~bk ∈ U . Dann heißt

(~b1 , . . . , ~bk ) Basis von U , falls folgendes gilt:

(B1) ~b1 , . . . , ~bk sind linear unabhängig.

(B2) U = Spann(~b1 , . . . , ~bk ).

Eine Basis hat folgende fundamentale Eigenschaft:

Satz 1.8.2 Ist (~b1 , . . . , ~bk ) eine Basis des Unterraums U ⊆ Rn , so lässt sich
jeder Vektor ~x ∈ U in eindeutiger Weise als Linearkombination der ~bi schrei-
ben, d.h. zu ~x ∈ U gibt es eindeutig bestimmte Zahlen λ1 , . . . , λk ∈ R mit

~x = λ1~b1 + . . . + λk~bk .
32 Kapitel 1. Lineare Algebra I

Beispiel 1.8.2 Die Vektoren

   
1 0
 0   .. 
~e1 =   , . . . , ~en =  . 
   
..
 .  0 
0 1

bilden eine Basis (~e1 , . . . , ~en ) des Rn . Diese Basis heißt Standardbasis des Rn .

Beispiel 1.8.3 Wir betrachten wieder das lineare Gleichungssystem A~x = ~b

aus Beispiel 1.7.3. Setze
   31 
2 −2
 1   0 
   
~v1 :=  0  , ~v2 :=  1  .
   2 
 0   3 
0 1
Die Vektoren ~v1 und ~v2 sind linear unabhängig und sind Lösungen des ho-
mogenen Gleichungssystems A~x = ~0. Es gilt
L(A|~0) = Spann(~v1 , ~v2 )
und (~v1 , ~v2 ) ist eine Basis von L(A|~0).

Satz 1.8.3 (Allgemeines Lösungsprinzip von LGS) (a) Die Lösungen

~xh des homogenen linearen Gleichungssystems A~x = ~0 bilden einen Un-
terraum L(A|~0) des Rn . Ist (~v1 , . . . , ~vk ) eine Basis dieses Unterraums,
so lautet die allgemeine Lösung des homogenen Systems
~xh = λ1~v1 + . . . + λk~vk , λj ∈ R.

(b) Ist ~xs eine Lösung des inhomogenen linearen Gleichungssystems A~x = ~b
(spezielle Lösung), so lautet die allgemeine Lösung des inhomogenen
Systems:
~x = ~xs + ~xh = ~xs + λ1~v1 + . . . + λk~vk .
Je zwei Basen eines Unterraums U des Rn haben gleich viele Elemente.

Definition Die Anzahl der Elemente einer Basis von U heißt die Dimension
von U , in Zeichen dim U .

Satz 1.8.4 (Dimensionsformel) Für jede m × n-Matrix A gilt:

dim L(A|~0) = n − Rang A.
1.9 Matrizen 33

1.9 Matrizen
Wir behandeln nun allgemein Matrizen. Wir legen zunächst einige Bezeich-
nungen fest.

Definition Eine m × n-Matrix ist ein rechteckiges Zahlenschema

 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A :=  .
 
.. .. .. ..
 . . . . 
am1 am2 · · · amn

Die Zahlen aij bezeichnet man als die Einträge oder die Elemente der Matrix.
Eine m × 1-Matrix bezeichnet man auch als Spaltenvektor und eine 1 × n-
Matrix als einen Zeilenvektor. Eine n×n-Matrix nennt man eine quadratische
Matrix. In diesem Fall heißen die Elemente a11 , . . . , ann die Diagonalelemente
von A.

Wir definieren nun Rechenoperationen mit Matrizen. Es seien A = (aij )

und B = (bij ) zwei m × n-Matrizen. Dann ist ihre Summe A + B wie folgt
definiert:

   
a11 · · · a1n b11 · · · b1n
 .. . .. ..  +  ...
. ... .. 
A+B =  .
 
. 
am1 · · · amn bm1 · · · bmn
 
a11 + b11 · · · a1n + b1n
:=  .. ... ..
.
 
. .
am1 + bm1 · · · amn + bmn

Ist A eine m × n-Matrix und λ ∈ R, so ist das Produkt λA definiert durch

   
a11 · · · a1n λa11 · · · λa1n
λA = λ  ... ... ..  :=  .. ... ..  .

.   . . 
am1 · · · amn λam1 · · · λamn
34 Kapitel 1. Lineare Algebra I

Das Produkt AB einer m×r-Matrix A = (aij ) mit einer r×n-Matrix B = (bij )

ist definiert durch
 
 .
.. .. ..  · · · b 1j · · ·
. .  · · · b2j · · · 
AB =  ai1 ai2 · · · air  
  
.. 
.. .. ..  . 
. . . · · · brj · · ·
 .. 
.
=  · · · ai1 b1j + ai2 b2j + · · · + air brj · · · 
 
..
.

Das bedeutet,
AB = C = (cij )
und cij erhält man, indem man paarweise die Einträge der i-ten Zeile von
A und der j-ten Spalte von B multipliziert und die entstehenden Produkte
addiert, also
cij = ai1 b1j + ai2 b2j + · · · + air brj .
Sind a1 , a2 , . . . an beliebige Zahlen, so schreibt man abkürzend für die Summe
dieser Zahlen n
X
ak := a1 + a2 + · · · + an .
k=1

Also können wir abkürzend schreiben

r
X
cij = aik bkj .
k=1

Die neue Matrix C ist eine m × n-Matrix. Man merke sich: AB ist nur
erklärt, wenn die Spaltenzahl von A gleich der Zeilenzahl von B ist. Es gilt
die folgende Merkregel:

m × r mal r × n ergibt m × n.

Die Multiplikation einer Matrix mit einem Vektor ist der Spezialfall r = 1.

Beispiel 1.9.1
 
 2 −1  
1 5 0 −1  1 14
 0 3 2 0  0 3  

 −4 1  = −8 11  .
−4 0 1 −1 −13 5
1 0
1.9 Matrizen 35

Eine besondere Rolle spielen die n × n-Nullmatrix

 
0 0 ··· 0
 0 0 ··· 0 
0 = 0n :=  .. .. . . ..  .
 
 . . . . 
0 0 ··· 0

und die n × n-Einheitsmatrix

 
1 0 ··· 0
 0 1 ··· 0 
E = En :=  .
 
.... . . ..
 . . . . 
0 0 ··· 1

Satz 1.9.1 (Rechenregeln) Es seien alle Matrizen so gewählt, dass die

Operationen definiert sind. Dann gelten die folgenden Rechenregeln

(a) A + B = B + A (Kommutativgesetz der Addition)

(b) A + (B + C) = (A + B) + C (Assoziativgesetz der Addition)

(c) A + 0 = 0 + A = A (neutrales Element der Addition)

(d) (AB)C = A(BC) (Assoziativgesetz der Multiplikation)

(e) AE = EA = A (neutrales Element der Multiplikation)

(f) A(B + C) = AB + AC (linkes Distributivgesetz)

(g) (A + B)C = AC + BC (rechtes Distributivgesetz)

Beweis. Alle Aussagen betreffen die Gleichheit von Matrizen und werden bewiesen, in-
dem man beide Seiten ausrechnet und zeigt, dass die einander entsprechenden Einträge
übereinstimmen. Wir führen dies nur für die Aussage (d) vor.
Es sei A = (aij ) eine m × r-Matrix, B = (bij ) eine r × s-Matrix und C = (cij ) eine
s × n-Matrix. Es gilt
Xr
AB = (αil ) mit αil = aik bkl ,
k=1

also
(AB)C = (dij )
mit !
s
X s
X r
X r X
X s
dij = αil clj = aik bkl clj = aik bkl clj .
l=1 l=1 k=1 k=1 l=1
36 Kapitel 1. Lineare Algebra I

Auf der anderen Seite gilt

s
X
BC = (βkj ) mit βkj = bkl clj ,
l=1

also
A(BC) = (d0ij )
mit !
r
X r
X s
X r X
X s
d0ij = aik βkj = aik bkl clj = aik bkl clj .
k=1 k=1 l=1 k=1 l=1
2

Die Matrizenmultiplikation ist nicht kommutativ, wie das folgende Bei-

spiel zeigt.

Beispiel 1.9.2 Es sei

   
1 −1 1 1
A := , B := .
−1 1 2 2

Dann gilt    
−1 −1 0 0
AB = , BA = ,
1 1 0 0
also AB 6= BA.

Definition Es sei A eine quadratische Matrix. Die Matrix A heißt inver-

tierbar genau dann, wenn es eine Matrix B mit AB = BA = E gibt. In
diesem Fall heißt B eine inverse Matrix zu A.

Beispiel 1.9.3 Es sei

   
−1 −2 5 2
A := , B := .
3 5 −3 −1

Dann ist A invertierbar und B ist eine inverse Matrix zu A, da

    
−1 −2 5 2 1 0
AB = = =E
3 5 −3 −1 0 1

und     
5 2 −1 −2 1 0
BA = = = E.
−3 −1 3 5 0 1
1.9 Matrizen 37

Beispiel 1.9.4 Die Matrix

 
1 2
A :=
0 0

ist nicht invertierbar. Denn ist

 
b11 b12
B=
b21 b22

eine beliebige 2 × 2-Matrix, so gilt

    
1 2 b11 b12 b11 + 2b21 b12 + 2b22
AB = = 6= E.
0 0 b21 b22 0 0

Es ist zunächst ja nicht ausgeschlossen, dass es zu einer Matrix zwei inver-

se Matrizen geben kann. Der folgende Satz zeigt, dass das aber nicht möglich
ist.

Satz 1.9.2 Sind B und C inverse Matrizen zu A, so ist B = C.

Beweis. Nach Voraussetzung gilt

AB = BA = E und AC = CA = E.

Also gilt einerseits

(BA)C = EC = C
und andererseits
(BA)C = B(AC) = BE = B.
Also folgt B = C. 2

Also ist die inverse Matrix zu einer Matrix A eindeutig bestimmt und wir
bezeichnen sie mit A−1 . Es gilt also

AA−1 = A−1 A = E.

Beispiel 1.9.5 Die Matrix

 
a b
A=
c d

ist für ad − bc 6= 0 invertierbar und in diesem Fall gilt

 
−1 1 d −b
A = .
ad − bc −c a
38 Kapitel 1. Lineare Algebra I

Satz 1.9.3 (a) Für zwei invertierbare n × n-Matrizen A und B ist auch das
Produkt AB invertierbar und es gilt (AB)−1 = B −1 A−1 .
(b) Mit A ist auch A−1 invertierbar und es gilt (A−1 )−1 = A.
Beweis.
(a) Es gilt
(AB)(B −1 A−1 ) = A(BB −1 )A−1 = AEA−1 = AA−1 = E.
Entsprechend zeigt man (B −1 A−1 )(AB) = E. Daraus folgt, dass AB invertierbar ist und
(AB)−1 = B −1 A−1 gilt.
(b) Wegen A−1 A = AA−1 = E folgt, dass A−1 invertierbar mit (A−1 )−1 = A ist. 2

Satz 1.9.4 Eine n × n-Matrix A ist genau dann invertierbar, wenn ihr Rang
gleich n ist.

Berechnung der inversen Matrix

Es sei A eine invertierbare n×n-Matrix. Wir betrachten die erweiterte Matrix
 
1 0
(A|E) =  A
 ... .

0 1
Zunächst wird diese Matrix durch Vorwärtselimination nach dem Gaußschen
Algorithmus in eine Matrix in Zeilenstufenform verwandelt:
 
• ∗ ∗ ··· ∗
 .. .. . . .. 
 . . . . 
0 • ∗ ··· ∗
(Wegen Rang A = n sind alle Diagonalelemente von Null verschieden, vgl.
Satz 1.9.4.) Sodann wenden wir Rückwärtselimination (von unten nach oben)
im ersten Block an. Ergebnis:
 
• 0 ∗ ··· ∗
 .. .. . . .. 
 . . . . 
0 • ∗ ··· ∗
Auf der Diagonalen im ersten Block stehen von Null verschiedene Zahlen.
Durch geeignete Multiplikation der Zeilen mit Skalaren können wir diese
Elemente zu 1 machen. Damit erreichen wir:
 
1 0
.. −1
A−1  = (E|A ).
 
 .
0 1
1.9 Matrizen 39

Beispiel 1.9.6
 
1 2 3 1 0 0
 2 1 0 0 1 0  −2 × Zeile 1
1 0 2 0 0 1 −Zeile 1
 
1 2 3 1 0 0
→  0 −3 −6 −2 1 0 
0 −2 −1 −1 0 1 − 23 × Zeile 2
 
1 2 3 1 0 0 −Zeile 3
→  0 −3 −6 −2 1 0  +2 × Zeile 3
1
0 0 3 3
− 23 1
1 2 0 23 2
  2
3
−1 + 3 × Zeile 2
→  0 −3 0 − 4 − 1 2 
3 3
0 0 3 13 − 23 1
1 0 0 − 92 49 13
 

→  0 −3 0 − 4 − 1 2  × − 1
3 3 3
0 0 3 13 − 23 1 × 13
1 0 0 − 29 49 1
 
3
→  0 1 0 4 1
− 32 
9 9
0 0 1 19 − 29 31

Definition Jeder m × n-Matrix A zugeordnet ist die transponierte Matrix

AT , die sich aus A durch Vertauschen von Zeilen und Spalten ergibt, d.h. AT
ist die n × m-Matrix, deren i-te Spalte für i = 1, 2, . . . , m die i-te Zeile von
A ist:
   
a11 a12 · · · a1n a11 a21 · · · am1
 a21 a22 · · · a2n   a12 a22 · · · am2 
T
A =  .. ..  → A =  .. ..  .
   
.. . . .. . .
 . . . .   . . . . 
am1 am2 · · · amn a1n a2n · · · amn

Die transponierte Matrix AT entsteht durch eine Spiegelung der Matrix A

an der Hauptdiagonale.

Beispiel 1.9.7
 
1
 2 
AT =


A=
 3 ,
 1 2 3 −1 ,
−1
40 Kapitel 1. Lineare Algebra I

   
1 2 3 1 4 7
A =  4 5 6 , AT =  2 5 8  .
7 8 9 3 6 9

Satz 1.9.5 (Rechenregeln für die transponierte Matrix) Es seien al-

le Matrizen so gewählt, dass die Operationen definiert sind. Dann gelten die
folgenden Rechenregeln

(a) (A + B)T = AT + B T .

(b) (λA)T = λAT für jedes λ ∈ R.

(c) (AT )T = A.

(d) (AB)T = B T AT .

(e) Mit A ist auch AT invertierbar und es gilt (AT )−1 = (A−1 )T .

Beweis. Die Aussagen (a)-(c) sind leicht nachzurechnen.

(d) Es sei A = (aij ) eine m × r-Matrix und B = (bij ) eine r × n-Matrix. Dann gilt
r
X
AB = (cij ) mit cij = aik bkj ,
k=1

also
r
X
(AB)T = (cji ) = ( ajk bki ).
k=1

Auf der anderen Seite gilt

r
X
B T AT = (dij ) mit dij = bki ajk ,
k=1

also (AB)T = B T AT .
(e) Es gilt nach (d)

AT (A−1 )T = (A−1 A)T = E T = E,

(A−1 )T AT = (AA−1 )T = E T = E.

Daraus folgt die Behauptung. 2

1.10 Determinanten
In §1.4 haben wir bereits Determinanten von 2 × 2- und 3 × 3-Matrizen
betrachtet. Wir wollen nun die Definition der Determinante einer n × n-
Matrix geben.
1.10 Determinanten 41

Definition Es sei A eine n×n-Matrix. Die Matrix Aij entstehe aus A durch
Streichen der i-ten Zeile und j-ten Spalte von A, d.h.
a11 · · · a1,j−1 a1,j+1 · · · a1n
 
a1j
 .. .. .. .. .. 
 . . . . . 
 ai−1,1 · · · ai−1,j−1 ai−1,j ai−1,j+1 · · · ai−1,n 
 
Aij =  ai1 · · · ai,j−1 aij ai,j+1 · · · ain 
 
 ai+1,1 · · · ai+1,j−1 ai+1,j ai+1,j+1 · · · ai+1,n 
 
 . .. .. .. .. 
 .. . . . . 
an1 · · · an,j−1 anj an,j+1 · · · ann

Definition Es sei A eine n × n-Matrix.

n = 1: Ist A = (a11 ), so sei det A = a11 .
n = 2: Ist  
a11 a12
A= ,
a21 a22
so sei
det A = a11 a22 − a21 a12 .
n = 3: Ist  
a11 a12 a13
A =  a21 a22 a23  ,
a31 a32 a33
so sei
det A = a11 det A11 − a21 det A21 + a31 det A31 .
n → n + 1: Ist det B für jede n × n-Matrix B bereits definiert, so sei für eine
(n + 1) × (n + 1)-Matrix A
n+1
X
det A = (−1)i+1 ai1 det Ai1 (Entwicklung nach der ersten Spalte)
i=1

Für det A ist auch die Notation |A| üblich.

Die Berechnung der Determinante einer 3 × 3-Matrix merkt man sich mit
Hilfe der folgenden Regel:
Regel von Sarrus: Man schreibe die ersten beiden Spalten der Matrix noch
einmal hinter die Matrix und multipliziere entlang der angedeuteten Pfeile,
wobei die elementaren Produkte längs der nach oben gerichteten Pfeile mit
dem Vorzeichen − zu versehen sind:
  
a11 aH12 
H aH
13
*
a*
11 a
*

12
H
 a21 HaH H H
22 H
a23
 
HHH
H
a21

a22
a31 a32 a a31 aH
 H
  H
 H33
H H H H 32
j
H j
H j
H
42 Kapitel 1. Lineare Algebra I

Beispiel 1.10.1 Die Determinante der Matrix

 
1 0 −2
A :=  3 −1 1 
−2 1 −2

lautet
det A = 2 + 0 + (−6) − (−4) − 1 − 0 = −1.

Warnung Die Regel von Sarrus funktioniert nur für 3 × 3-Matrizen, nicht
für größere Matrizen!

Beispiel 1.10.2 Die Determinante der Matrix

 
0 −1 1 2
 1 0 2 −1 
A=  −1 1 1 0


0 −1 0 1

ist:
−1 1 2 −1 1 2
det A = − 1 1 0 − 0 2 −1 = 0 − 3 = −3.
−1 0 1 −1 0 1

Satz 1.10.1 (Rechenregeln für Determinanten) Es sei A eine n × n-

Matrix.

1. det ist linear in jeder Zeile (oder Spalte), d.h. es gilt

(a) Ist B die Matrix, die durch Multiplikation einer Zeile (oder Spalte)
von A mit einer Konstanten λ entsteht, so ist det B = λ det A.
(b) Es seien ~a1 , . . . , a~n die Zeilenvektoren von A und ~b ∈ Rn (als
Zeilenvektor aufgefasst). Dann gilt

~a1 ~a1
     
~a1
..  ..  ..

 . 
  . 

 . 

det  ~ak + ~b  = det  ~ak  + det  ~b .
     
..  .  ..
 .. 
   
 .   . 
~an ~an ~an

(Eine entsprechende Aussage gilt auch für Spaltenvektoren.)

2. det ist alternierend, d.h.

1.10 Determinanten 43

(a) Ist B die Matrix, die aus A durch Vertauschung zweier Zeilen
(oder Spalten) entsteht, so ist det B = − det A.
(b) Kommt in A eine Zeile (oder Spalte) doppelt vor, so gilt det A = 0.

3. Änderung bei elementaren Zeilenumformungen: Ist B die Matrix, die

aus A durch Addition eines Vielfachen einer Zeile (oder Spalte) zu einer
anderen entsteht, so gilt det B = det A.

4. Symmetrie
det AT = det A.

5. Für λ ∈ R gilt
det(λA) = λn det A.

6. Multiplikationssatz Für zwei n × n-Matrizen A und B gilt:

det(AB) = det A det B.

7. Invertierbarkeitstest A ist genau dann invertierbar, wenn det A 6= 0

gilt. In diesem Fall gilt
1
det(A−1 ) = .
det A

8. Kästchensatz Hat A die Gestalt

   
B C B 0
A= bzw. A =
0 D C D

mit quadratischen Kästchen B und D, so gilt

det A = (det B)(det D).

Satz 1.10.2 (Laplacescher Entwicklungssatz) Es sei A eine n×n-Matrix,

1 ≤ k ≤ n. Dann gilt
n
X
det A = (−1)i+k aik det Aik (Entwicklung nach der k-ten Spalte)
i=1

und
n
X
det A = (−1)k+j akj det Akj (Entwicklung nach der k-ten Zeile).
j=1
44 Kapitel 1. Lineare Algebra I

Die Vorzeichen in Satz 1.10.2 sind gemäß eines Schachbrettmusters ver-

teilt:  
+ − + − ···
 − + − + ··· 
 
 + − + − ··· 
 .
 − + − + ··· 
 
.. .. .. .. . .
. . . . .
Wir betrachten nun Anwendungen von Determinanten auf lineare Glei-
chungssysteme.

Satz 1.10.3 Ist A eine n × n-Matrix und ~b ∈ Rn , so sind die folgenden

Aussagen äquivalent:
(a) A~x = ~b besitzt genau eine Lösung.
(b) Die Spalten von A sind linear unabhängig.
(c) Der Rang von A ist n.
(d) A ist invertierbar.
(e) det A 6= 0.

Beispiel 1.10.3 Ein Anwendungsbeispiel:

Aufgabe: Bilden die Vektoren
     
0 2 5
~a1 :=  −1  , ~a2 :=  0  , ~a3 :=  −7 
0 0 3

eine Basis des R3 ?

Lösung: Die Antwort ist ja: Es sei
 
0 2 5
A :=  −1 0 −7  .
0 0 3

Dann gilt det A = 6 6= 0. Nach Satz 1.10.3(b) sind ~a1 , ~a2 , ~a3 linear un-
abhängig. Es gilt Spann(~a1 , ~a2 , ~a3 ) = R3 , denn für jeden Vektor ~b ∈ R3 hat
nach Satz 1.10.3(a) das lineare Gleichungssystem

x1~a1 + x2~a2 + x3~a3 = A~x = ~b

eine Lösung.
Kapitel 2

Lineare Algebra II

2.1 Lineare Abbildungen

Definition Eine Abbildung f : Rn → Rm ist eine Vorschrift, die jedem
Vektor ~x ∈ Rn einen eindeutig bestimmten Vektor ~y = f (~x) ∈ Rm zuordnet1 .
Eine Abbildung f : Rn → Rm heißt linear, wenn gilt:
(L1) f (~x + ~x0 ) = f (~x) + f (~x0 ) für alle ~x, ~x0 ∈ Rn .
(L2) f (λ~x) = λf (~x) für alle λ ∈ R, ~x ∈ Rn .

Beispiel 2.1.1 Es sei f : R2 → R2 die Abbildung, die jedem Vektor ~x ∈ R2

sein Spiegelbild bezüglich der y-Achse zuordnet.
y 6
@
I 
@
@
f (~x) @ ~x
@
@ - x

Das Bild f (~x) ist wieder ein Vektor. Wir bezeichnen die Komponenten dieses
Vektors mit f1 (~x) und f2 (~x). Es gilt
     
f1 (~x) f1 (x, y) −x
= = .
f2 (~x) f2 (x, y) y
Dies können wir auch so ausdrücken:
    
f1 (x, y) −1 0 x
= .
f2 (x, y) 0 1 y
1
Statt f (~x) = f ((x1 , . . . , xn )) schreiben wir auch f (x1 , . . . , xn ).

45
46 Kapitel 2. Lineare Algebra II

Beispiel 2.1.2 Wir betrachten nun die Abbildung f : R2 → R2 , die einen

Vektor ~x um den Winkel θ dreht. Um eine Beschreibung für f1 (x, y) und
f2 (x, y) abzuleiten, betrachten wir eine Drehung um einen positiven Winkel
θ. Es sei ϕ der Winkel zwischen dem Vektor ~x und der positiven x-Achse und
r die Länge von ~x.

6 f (~x)





~x

θ *

 ϕ

 - x

Dann gilt    
x r cos ϕ
~x = =
y r sin ϕ
und    
f1 (x, y) r cos(ϕ + θ)
f (~x) = = .
f2 (x, y) r sin(ϕ + θ)
Durch Anwendung der Additionstheoreme von sin und cos ergibt sich hieraus
f1 (x, y) = r cos ϕ cos θ − r sin ϕ sin θ
f2 (x, y) = r cos ϕ sin θ + r sin ϕ cos θ,
und schließlich
f1 (x, y) = (cos θ)x − (sin θ)y
f2 (x, y) = (sin θ)x + (cos θ)y.
In Matrizenschreibweise lautet dies
    
f1 (x, y) cos θ − sin θ x
= .
f2 (x, y) sin θ cos θ y
Beispiel 2.1.3 Nun betrachten wir auch Abbildungen des Raumes. Es sei
f : R3 → R3 eine Drehung um die x-Achse um den Winkel θ. Wie im vorigen
Beispiel leitet man her, dass diese Abbildung durch die folgende Vorschrift
gegeben wird:
    
f1 (x, y, z) 1 0 0 x
 f2 (x, y, z)  =  0 cos θ − sin θ   y  .
f3 (x, y, z) 0 sin θ cos θ z
2.2 Eigenwerte und Eigenvektoren 47

Beispiel 2.1.4 Die Beispiele von Abbildungen der Ebene und des Raumes
sind Spezialfälle der folgenden Konstruktion. Einer m × n-Matrix
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. ... .. 
 . . . 
am1 am2 · · · amn

kann man wie folgt eine Abbildung f : Rn → Rm zuordnen: Wir definieren

   
x1 a11 x1 + · · · + a1n xn
f ( ... ) =  ..
,
   
.
xn am1 x1 + · · · + amn xn

oder anders ausgedrückt

f (~x) = A~x.
Nach den Rechenregeln für Matrizen gilt

A(~x + ~x0 ) = A~x + A~x0 , A(λ~x) = λA~x.

Also ist die Abbildung f : Rn → Rm linear.

Beispiel 2.1.5 Die Funktion f : R → R, f (x) = x2 , ist nicht linear, denn es

gilt
f (λx) = (λx)2 = λ2 x2 für alle λ ∈ R
und etwa für λ = 2 ist λ2 6= λ.

2.2 Eigenwerte und Eigenvektoren

Definition Es sei A eine n × n-Matrix. Eine Zahl λ ∈ R heißt Eigenwert
von A, wenn es wenigstens einen Vektor ~x ∈ Rn , ~x 6= ~0, gibt mit

A~x = λ~x.

Jeder Vektor ~x 6= ~0, der diese Gleichung erfüllt, heißt Eigenvektor von A zum
Eigenwert λ.

Warnung Wichtig ist, dass ~x 6= ~0 gefordert wird. Denn für den Nullvektor
gilt A~0 = λ~0 für jedes λ ∈ R!
48 Kapitel 2. Lineare Algebra II

Beispiel 2.2.1 Es sei f : R3 → R3 eine Drehung um die x-Achse um den

Winkel θ und A die Matrix
 
1 0 0
A =  0 cos θ − sin θ  .
0 sin θ cos θ

Dann ist 1 ein Eigenwert von A und der Vektor (1, 0, 0)T ∈ R3 ein Eigenvektor
von A zum Eigenwert 1.
Wie berechnet man nun die Eigenwerte und Eigenvektoren einer Matrix?
Dazu betrachten wir das lineare Gleichungssystem

A~x = λ~x
⇔ (A − λE)~x = ~0.

Ein Eigenwert von A ist eine Zahl λ ∈ R, für die dieses Gleichungssystem
eine nicht triviale Lösung besitzt. Nach Satz 1.10.3 ist dies genau dann der
Fall, wenn
det(A − λE) = 0.
Diesen Ausdruck fassen wir als eine Gleichung für unsere Unbekannte λ auf.
Dieser Ausdruck ist ein Polynom in λ.

Beispiel 2.2.2 Für eine 2 × 2-Matrix

 
a b
A=
c d

gilt:

a−λ b
det(A − λE) =
c d−λ
= (a − λ)(d − λ) − bc
= λ2 − (a + d)λ + ad − bc.

Definition Die Gleichung (für die Unbekannte λ)

det(A − λE) = 0

heißt die charakteristische Gleichung von A und das Polynom (in der Varia-
blen λ)
PA (λ) := det(A − λE)
heißt das charakteristische Polynom von A.
2.2 Eigenwerte und Eigenvektoren 49

Berechnung der Eigenwerte und Eigenvektoren

1. Schritt Bestimme die Nullstellen des charakteristischen Polynoms PA (λ).
Die Vielfachheit ` einer Nullstelle λ = α heißt die algebraische Vielfachheit
des Eigenwertes α.

2. Schritt Zu jedem Eigenwert α berechnet man den Lösungsraum des ho-

mogenen linearen Gleichungssystems

(A − αE)~x = ~0.

Wir bezeichnen diesen Lösungsraum mit

V (α) := {~x ∈ Rn | (A − αE)~x = ~0}.

Jede Lösung ~x 6= ~0 ist ein Eigenvektor zu α.

Definition Der Unterraum V (α) von Rn heißt der Eigenraum von A zum
Eigenwert α. Die Dimension dim V (α) heißt die geometrische Vielfachheit
des Eigenwertes α.

Beispiel 2.2.3 Gegeben sei die 2 × 2-Matrix

 
a b
A= .
c d

1. Schritt: Charakteristisches Polynom:

PA (λ) = λ2 − (a + d)λ + (ad − bc) = (λ − λ1 )(λ − λ2 ).

Nullstellen:
a+d 1p
λ1,2 = ± (a + d)2 − 4(ad − bc).
2 2
2. Schritt: Für λi ( i = 1, 2) ist das Gleichungssystem
    
a − λi b x 0
=
c d − λi y 0

zu lösen.

Es gibt vier verschiedene Fälle:

(a) λ1 6= λ2 ,

(b) λ1 = λ2 , geometrische Vielfachheit 2,

50 Kapitel 2. Lineare Algebra II

(c) λ1 = λ2 , geometrische Vielfachheit 1,

(d) Die charakteristische Gleichung PA (λ) = 0 hat keine reellen Nullstellen.

Für jeden dieser Fälle betrachten wir nun ein Beispiel:

 
1 2
(a) A =
2 1
Eigenwerte: λ1 = −1, λ2 = 3  
−1
V (λ1 ) eindimensional mit Basis
 1
1
V (λ2 ) eindimensional mit Basis
1
 
2 0
(b) A =
0 2
Eigenwerte: λ1 = λ2 = 2
Eigenraum: V (λ1 ) = R2
 
2 1
(c) A =
0 2
Eigenwerte: λ1 = λ2 = 2  
1
Eigenraum: V (λ1 ) eindimensional mit Basis
0
 
0 −1
(d) A =
1 0
Charakteristische Gleichung λ2 + 1 = 0 hat keine reelle Nullstelle.

2.3 Koordinatentransformation
Definition Es sei f : Rn → Rm eine lineare Abbildung und (~e1 , . . . , ~en ) die
Standardbasis von Rn . Es sei


A := f (~e1 ) · · · f (~en )

die Matrix, deren Spalten aus den Bildern der Standardbasisvektoren beste-
hen. Man nennt A die Abbildungsmatrix von f bezüglich der Standardbasis.

Satz 2.3.1 Es gilt f (~x) = A~x für alle x ∈ Rn .

2.3 Koordinatentransformation 51

Beweis. Für ~x = x1~e1 + · · · + xn~en folgt:

f (~x) = f (x1~e1 + · · · + xn~en )

= x1 f (~e1 ) + · · · + xn f (~en )
 
x1
f (~en )  ... 


= f (~e1 ) · · ·


xn
= A~x.

Satz 2.3.2 Eine lineare Abbildung f : Rn → Rm ist bereits durch die Bilder
der Vektoren einer Basis vollständig festgelegt.
Man kann Abbildungen hintereinanderausführen:

Definition Sind f : Rn → Rm sowie g : Rm → R` Abbildungen, so heißt

die Abbildung

g ◦ f : Rn → R` , (g ◦ f )(~x) := g(f (~x)),

die Komposition (oder Hintereinanderschaltung) von f und g. (Man sagt zu

g ◦ f auch g ”Kringel” f .)

Satz 2.3.3 Es seien f : Rn → Rm sowie g : Rm → R` Abbildungen.

(a) Sind f und g linear, so ist auch g ◦ f linear.

(b) Sind f und g linear, A die Abbildungsmatrix von f , B die Abbildungs-

matrix von g, so ist BA die Abbildungsmatrix von g ◦ f .

Definition Eine Abbildung f : Rn → Rn heißt invertierbar (oder umkehr-

bar), wenn es zu jedem ~y ∈ Rn genau ein ~x ∈ Rn gibt mit f (~x) = ~y . In diesem
Fall existiert die mit f −1 : Rn → Rn bezeichnete Umkehrabbildung (oder in-
verse Abbildung), mit der jedem ~y ∈ Rn das eindeutig bestimmte ~x ∈ Rn mit
f (~x) = ~y zugeordnet wird (f (~x) wird unter f −1 wieder auf ~x abgebildet).

Satz 2.3.4 Es sei f : Rn → Rn eine lineare Abbildung mit Abbildungsmatrix

A.

(a) Ist f invertierbar, so ist auch f −1 linear und A−1 ist die Abbildungs-
matrix von f −1 .

(b) f ist genau dann invertierbar, wenn A invertierbar ist.

52 Kapitel 2. Lineare Algebra II

Definition (a) Eine lineare Abbildung f : Rn → Rn heißt orthogonal,

wenn sie das Skalarprodukt invariant lässt, d.h. wenn

f (~x) · f (~y ) = ~x · ~y für alle ~x, ~y ∈ Rn .

(b) Eine n × n-Matrix A heißt orthogonal, wenn gilt:

AT A = E (also AT = A−1 ).

(c) Eine Basis (~b1 , . . . , ~bn ) heißt orthogonal, wenn die Basisvektoren ~bi paar-
weise orthogonal sind, d.h. wenn
~bi · b~j = 0 für alle i 6= j.

Die Basis heißt orthonormal, wenn sie orthogonal ist und alle Basisvek-
toren Einheitsvektoren sind, d.h.
~bi · b~j = 0 für alle i 6= j und |~bi | = 1.

Beispiel 2.3.1 Die Standardbasis (~e1 , . . . , ~en ) des Rn ist eine Orthonormal-
basis.

Satz 2.3.5 Für eine orthogonale n × n-Matrix A gilt

det A = ±1.

Satz 2.3.6 Für eine n × n-Matrix A sind äquivalent:

(a) A ist orthogonal.

(b) (A~x) · (A~y ) = ~x · ~y für alle ~x, ~y ∈ Rn .

(c) Die Spalten von A bilden eine Orthonormalbasis des Rn .

Korollar 2.3.1 Eine lineare Abbildung f : Rn → Rn ist genau dann ortho-

gonal, wenn ihre Abbildungsmatrix orthogonal ist.

Beispiel 2.3.2 (a) Es sei f : R3 → R3 eine Drehung um die x-Achse um

den Winkel θ. Dann hat f die Abbildungsmatrix
 
1 0 0
A =  0 cos θ − sin θ  .
0 sin θ cos θ
2.3 Koordinatentransformation 53

DIe Abbildung f und die Matrix A sind orthogonal.

(b) Es sei ~a = (a1 , a2 , a3 )T ∈ R3 ein Einheitsvektor. Wir betrachten die
Spiegelung an der zu ~a orthogonalen Ebene E = {~x ∈ R3 | ~a · ~x = 0}. Dies
ist die Abbildung
s : R3 → R3 , s(~x) = ~x − 2(~x · ~a)~a.
Dann ist s orthogonal. Die Abbildungsmatrix von s bezüglich der Standard-
basis ist die Matrix
 2


1 − 2a 1 −2a2 a 1 −2a 3 a1
S = s(~e1 ) s(~e2 ) s(~e3 ) =  −2a1 a2 1 − 2a22 −2a3 a2  .
−2a1 a3 −2a2 a3 1 − 2a23
Es gilt det S = −1.
Es sei B = (~b1 , . . . , ~bn ) eine beliebige Basis des Rn . Nach Satz 1.8.2 besitzt
ein beliebiger Vektor ~x ∈ Rn eine eindeutige Darstellung
~x = x01~b1 + . . . + x0n~bn .
Definition Die eindeutig bestimmten Koeffizienten x0i ∈ R heißen Koordi-
naten des Vektors ~x ∈ Rn bezüglich B und
 
x01
~xB = ~x0 =  ... 
 
x0n
heißt der Koordinatenvektor von ~x ∈ Rn bezüglich B. Die Abbildung
tB : Rn → Rn , tB (~x) = ~xB ,
ist linear und heißt die Koordinatentransformation.
Wir bezeichnen mit B nun auch die invertierbare n × n-Matrix mit den
Spalten ~b1 , . . . , ~bn , d.h.  
B = ~b1 · · · ~bn .
Dann gilt  
x01
~x = x01~b1 + . . . + x0n~bn = B  ...  = B~xB .
 
x0n
Damit gilt für den Basiswechsel von der Standardbasis (~e1 , . . . , ~en ) nach
(~b1 , . . . , ~bn ):
Substitutionsformel: ~x = B~xB
Transformationsformel: ~xB = B −1~x
54 Kapitel 2. Lineare Algebra II

Definition Es sei f : Rn → Rn eine lineare Abbildung und B = (~b1 , . . . , ~bn )

eine Basis des Rn . Die Matrix
 
C := f (~b1 )B · · · f (~bn )B ,

in deren Spalten die Koordinatenvektoren der Bildvektoren f (~bi ) bezüglich

B stehen, heißt Abbildungsmatrix von f bezüglich B.

Satz 2.3.7 Es sei f : Rn → Rn eine lineare Abbildung und B = (~b1 , . . . , ~bn )

eine Basis des Rn . Ist A die Abbildungsmatrix von f bezüglich der Standard-
basis des Rn , so lautet die Abbildungsmatrix C von f bezüglich B:

C = B −1 AB.
Beweis. Es gilt:
 
C = (A~b1 )B ··· (A~bn )B
 
= B −1 A~b1 · · · B −1 A~bn (Transformationsformel)
 
= B −1 A ~b1 · · · ~bn
= B −1 AB.

Beispiel 2.3.3 Es sei ~a ∈ R3 ein Einheitsvektor. Wir betrachten die Spie-

gelung an der zu ~a orthogonalen Ebene E = {~x ∈ R3 | ~a · ~x = 0} (vgl.
Beispiel 2.3.2(b)). Wir wollen eine möglichst einfache Abbildungsmatrix von
s bestimmen. Dazu sei ~b ein Einheitsvektor, der in der Ebene E liegt, also
orthogonal zu ~a ist. Dann ist der Vektor ~a × ~b ebenfalls ein Einheitsvektor
und orthogonal zu ~a und ~b. Wir betrachten die Basis B = (~a, ~b, ~a ×~b). Es gilt

s(~a) = −~a, s(~b) = ~b, s(~a × ~b) = ~a × ~b.

Die Abbildungsmatrix von C von s bezüglich der Basis B sieht also wie folgt
aus:  
−1 0 0
C =  0 1 0 .
0 0 1
Es gilt det C = −1. Die Matrix C hat den Eigenwert λ = −1 mit zugehörigem
Eigenvektor ~a, denn es gilt C~a = −~a und ~a 6= ~0. Außerdem hat C den
Eigenwert λ = 1 und alle ~b ∈ E mit ~b 6= ~0 sind Eigenvektoren zu λ = 1.
Kapitel 3

Funktionen

3.1 Polynome und rationale Funktionen

Definition Es sei D ⊆ R. Eine Funktion f : D → R ist eine Vorschrift, die
jedem Element x ∈ D genau ein Element f (x) ∈ R zuordnet. Die Menge D
bezeichnet man als den Definitionsbereich der Funktion.
Man veranschaulicht sich eine Funktion durch einen Graphen. Es sei f :
D → R eine Funktion. Dann heißt die Menge
Gf := {(x, y) ∈ R2 | x ∈ D, y = f (x)}
der Graph der Funktion f . Der Graph der Funktion f (x) = x3 − x ist in
Abb. 3.1 angegeben.
Typische Definitionsbereiche sind Intervalle:

Definition Es sei a, b ∈ R, a < b.

[a, b] := {x ∈ R | a ≤ x ≤ b} abgeschlossenes Intervall,
[a, b) := {x ∈ R | a ≤ x < b} halboffenes Intervall ,
(a, b] := {x ∈ R | a < x ≤ b} halboffenes Intervall ,
(a, b) := {x ∈ R | a < x < b} offenes Intervall .
Die Zahl b − a bezeichnet man als die Länge des Intervalls. Ebenso definiert
man die uneigentlichen Intervalle:
[a, ∞) := {x ∈ R | x ≥ a},
(a, ∞) := {x ∈ R | x > a},
(−∞, a] := {x ∈ R | x ≤ a},
(−∞, a) := {x ∈ R | x < a}.

55
56 Kapitel 3. Funktionen

Abbildung 3.1: Graph von f (x) = x3 − x

Frage: Was ist (−∞, ∞)?

Antwort: (−∞, ∞) = R.
Warnung −∞, ∞ sind nur Symbole. Es gilt −∞ < x < ∞ für alle x ∈ R.
Intervalle [−∞, b], [a, ∞] usw. gibt es nicht!
Definition (Fakultät) Für eine natürliche Zahl n ≥ 1 setzen wir
n
Y
n! := 1 · 2 · . . . · n = k n Fakultät,
k=1
0! := 1.
Bemerkung 3.1.1 Eine alternative Definition ist eine rekursive Definition
von n!:
0! := 1,
n! := n · (n − 1)! für n ≥ 1.
Definition (Binomialkoeffizient) Es seien n, k ∈ N, 0 ≤ k ≤ n.
 
n n! n(n − 1) · · · (n − k + 1)
:= = Binomialkoeffizient
k k!(n − k)! k!
Beispiel 3.1.1 Es gilt
n=0: 1
n=1: 1 1
n=2: 1 2 1
n=3: 1 3 3 1
n=4: 1 4 6 4 1
n=5: 1 5 10 10 5 1
3.1 Polynome und rationale Funktionen 57

Dies ist das Pascalsche Dreieck.

Notation Für eine reelle Zahl a setzen wir

a0 := 1,
an := a · a · · · · · a (n Faktoren), n ≥ 1.

Satz 3.1.1 (Binomische Formel) Es seien a, b reelle Zahlen. Dann gilt

für alle natürlichen Zahlen n
n  
X
n n n−k k
(a + b) = a b
k=0
k

Nun betrachten wir Beispiele für Funktionen.

Definition Ein Polynom mit reellen Koeffizienten ist ein Ausdruck

a0 + a1 x + a2 x 2 + · · · + an x n

mit ai ∈ R. Der Buchstabe x ist hier nur ein Symbol, eine Unbestimmte. Die
ai bezeichnet man als die Koeffizienten des Polynoms. Ist an 6= 0, so heißt n
der Grad des Polynoms a0 + a1 x + · · · + an xn .
Polynome kann man addieren und multiplizieren:

(a0 + a1 x + · · · + an xn ) + (b0 + b1 x + · · · + bm xm )
= (a0 + b0 ) + (a1 + b1 )x + · · · ,
(a0 + a1 x + · · · + an xn ) · (b0 + b1 x + · · · + bm xm )
= a0 b0 + (a1 b0 + a0 b1 )x + (a2 b0 + a1 b1 + a0 b2 )x2 + · · ·
= c0 + c1 x + · · · + cn+m xn+m ,

wobei ai = 0 für i > n und bj = 0 für j > m gesetzt wird und

k
X
ck := ai bk−i für k = 0, 1, . . . , n + m.
i=0

Jedes Polynom
a0 + a1 x + · · · + an x n
liefert nun eine Funktion f : R → R durch

α ∈ R 7→ f (α) = a0 + a1 α + · · · + an αn ∈ R.

Diese Funktion nennt man auch eine ganzrationale Funktion.

58 Kapitel 3. Funktionen

Satz 3.1.2 (Koeffizientenvergleich)

a0 + a1 x + · · · + an x n = b 0 + b 1 x + · · · + b n x n ⇔ ak = b k (0 ≤ k ≤ n).

Abkürzend verwenden wir auch für ein Polynom a0 + a1 x + · · · + an xn

die Schreibweise f (x). Die Funktionswerte eines Polynoms berechnet man
zweckmäßigerweise nach dem Hornerschema:

f (x) = (· · · ((an x + an−1 )x + an−2 )x + · · · + a1 )x + a0 .

Definition Eine Zahl α ∈ R heißt Nullstelle des Polynoms f (x) genau

dann, wenn f (α) = 0.

Satz 3.1.3 Ist α ∈ R Nullstelle des Polynoms f (x), dann gibt es ein Poly-
nom g(x), so dass
f (x) = (x − α) · g(x).
Beweis. Durch Ausmultiplizieren sieht man

xp − αp = (x − α)(xp−1 + αxp−2 + α2 xp−3 + · · · + αp−2 x + αp−1 ).

Es sei f (α) = 0. Dann gilt

f (x) = a0 + a1 x + · · · + an xn − (a0 + a1 α + · · · + an αn )
= a1 (x − α) + a2 (x2 − α2 ) + · · · + an (xn − αn ).

Definition Man nennt α ∈ R eine `-fache Nullstelle des Polynoms f (x)

und ` die Vielfachheit von α, wenn der Linearfaktor x − α genau `-mal in
f (x) aufgeht, d.h. wenn es ein Polynom g(x) gibt mit

f (x) = (x − α)` g(x) und g(α) 6= 0.

Satz 3.1.4 Ein Polynom vom Grad n hat höchstens n verschiedene Nullstel-
len.

Definition Der Quotient zweier Polynome

p(x) an x n + · · · + a1 x + a0
f (x) := = (an 6= 0, bm 6= 0)
q(x) bm x m + · · · + b1 x + b0

heißt rationale Funktion.

Die Polynome definieren spezielle rationale Funktionen (q(x) = 1), dies
erklärt den Namen ”ganzrationale Funktionen”.
3.1 Polynome und rationale Funktionen 59

Satz 3.1.5 Jede rationale Funktion

p(x) an x n + · · · + a1 x + a0
= (an 6= 0, bm 6= 0)
q(x) bm x m + · · · + b 1 x + b0

mit Zählergrad ≥ Nennergrad lässt sich schreiben als

p(x) r(x)
= h(x) +
q(x) q(x)

mit einem Polynom h(x) (dem ganzen Anteil der rationalen Funktion) und
einem Restpolynom r(x) mit r(x) = 0 oder Grad r(x) < Grad q(x).
Beweis und Rechenverfahren (Polynomdivision mit Rest)

(1) Setze
an n−m
p1 (x) := p(x) − x q(x).
bm
Dann gilt
p(x) an n−m p1 (x)
= x +
q(x) bm q(x)
und Grad p1 (x) < Grad p(x).

(2) Ist p1 (x) = 0 oder Grad p1 (x) < Grad q(x), dann sind wir fertig. An-
dernfalls wiederhole man (1) mit

p1 (x) p(x)
anstelle von .
q(x) q(x)

Beispiel 3.1.2
−2x−3
(x3 + 2x2 + 1) : (x2 + 2) = x + 2 + x2 +2
3
x + 2x
2x2 − 2x + 1
2x2 + 4
− 2x − 3

Definition Das Polynom d(x) heißt Teiler des Polynoms p(x), wenn es ein
Polynom p0 (x) gibt mit Grad p0 (x) ≥ 1 und p(x) = d(x)p0 (x).
Ebenso wie bei normalen Brüchen ist es auch bei rationalen Funktionen
wichtig, die gemeinsamen Teiler des Zählers und des Nenners zu kürzen.
60 Kapitel 3. Funktionen

Gegeben sei eine rationale Funktion

p(x)
f (x) = .
q(x)
Wir setzen voraus, dass p(x) und q(x) keinen gemeinsamen Teiler mehr be-
sitzen. Dann haben p(x) und q(x) keine gemeinsamen Nullstellen. Der Defi-
nitionsbereich von f ist

D := {x ∈ R | q(x) 6= 0}.

Definition Eine `-fache Nullstelle α des Nenners,

q(x) = (x − α)` q1 (x) mit q1 (α) 6= 0,

heißt `-facher Pol von f .

3.2 Folgen und Reihen

Wir betrachten nun (unendliche) Folgen von Zahlen

a0 , a1 , a2 , a3 , . . . .

Dabei stehen die drei Pünktchen für ”unendlich oft so weiter”.

Definition Unter einer Folge reeller Zahlen versteht man eine auf N =
{0, 1, 2, . . .} erklärte reellwertige Funktion, d.h.

n ∈ N 7→ an ∈ R.

Bezeichnung (an )n∈N oder a0 , a1 , a2 , . . ..

Bemerkung 3.2.1 Es spielt im Prinzip keine Rolle, mit welchem Index man
beginnt. Es sei n0 ∈ Z. Dann bezeichnet man (an )n≥n0 oder

an0 , an0 +1 , an0 +2 , . . .

auch als Folge.

Beispiel 3.2.1 (1) Es sei an := 1 für alle n ∈ N. Man erhält die konstante
Folge 1, 1, 1, . . ..
(2) an := n1 , (n ≥ 1): 1, 12 , 13 , 14 , . . ..
(3) an := a0 + nd (n ≥ 0, d ∈ R): a0 , a0 + d, a0 + 2d, . . .
(arithmetische Folge)
Zahlenbeispiel: a0 = 1, d = 2: 1, 3, 5, 7, . . ..
3.2 Folgen und Reihen 61

(4) an := a0 q n (n ≥ 0, q 6= 0 fest): a0 , a0 q, a0 q 2 , . . .
(geometrische Folge)
Zahlenbeispiel: a0 = 1, q = 2: 1, 2, 4, 8, 16, . . ..
(5)
4n2 + 2n + 1
an := .
3n3 + 6
(6) Durch

a0 = 2,
 
1 2
an+1 = an +
2 an

wird eine Folge rekursiv definiert: 2, 32 , 17 , 577 , . . ..

12 408

Definition Eine Folge (an )n∈N konvergiert gegen den Grenzwert a (in Zei-
chen limn→∞ an = a oder an → a (für n → ∞)), wenn gilt:
Zu jeder beliebig kleinen vorgegebenen Schranke ε > 0 gibt es einen Index
n0 , so dass für alle n ≥ n0 gilt:

|an − a| < ε.

Anschaulich: Es gilt limn→∞ an = a genau dann, wenn in jedem noch so

kleinen Intervall mit Mittelpunkt a (ε-Umgebung von a) ab einem genügend
großen Index n0 schließlich alle Folgenglieder an (n ≥ n0 ) liegen. Hierbei
nennt man das Intervall

(a − ε, a + ε) := {x ∈ R | |x − a| < ε}

eine ε-Umgebung von a.

Es gilt also limn→∞ an = a genau dann, wenn in jeder ε-Umgebung von a
fast alle Folgenglieder liegen. Fast alle bedeutet hierbei alle bis auf endlich
viele.
Es gilt also limn→∞ an = a genau dann, wenn in jedem Intervall (a − ε, a + ε)
(für beliebig kleines ε > 0) unendlich viele, außerhalb aber höchstens endlich
viele Glieder der Folge liegen.

Definition Eine Folge heißt konvergent, wenn sie einen Grenzwert besitzt,
andernfalls divergent. Jede gegen 0 konvergierende Folge heißt Nullfolge.

Definition Man sagt, eine Folge (an )n∈N divergiert gegen den uneigentli-
chen Grenzwert ∞ (oder strebt gegen ∞) (in Zeichen limn→∞ an = ∞ oder
an → ∞ (für n → ∞)), wenn die Folgenglieder an in positiver Richtung über
62 Kapitel 3. Funktionen

alle Schranken wachsen, d.h. wenn es zu jedem noch so großen K einen Index
n0 gibt, so dass für alle n ≥ n0 gilt:

an > K.

Analog ist limn→∞ an = −∞ oder an → −∞ (für n → ∞) definiert.

Definition Eine Folge komplexer Zahlen ist eine auf N erklärte komplex-
wertige Funktion
n ∈ N 7→ cn ∈ C.
Eine Folge (cn )n∈N komplexer Zahlen ist genau dann konvergent, wenn die
beiden Folgen (Re(cn ))n∈N und (Im(cn ))n∈N konvergieren. Im Falle der Kon-
vergenz gilt
lim cn = lim Re(cn ) + i lim Im(cn ).
n→∞ n→∞ n→∞

Wir untersuchen nun die Beispiele auf Konvergenz bzw. Divergenz.

Beispiel 3.2.1

(1)
lim an = 1.
n→∞

(2)
1
lim = 0.
n→∞ n

(3) 
 ∞ für d > 0,
lim (a0 + nd) = a0 für d = 0,
n→∞
−∞ für d < 0.


(4) Es sei a0 > 0. 

 ∞ für q > 1,
n
lim a0 q = a0 für q = 1,
n→∞
0 für |q| < 1.


Die Folge (a0 q n )n∈N ist für q ≤ −1 divergent.

Bevor wir die anderen Beispiele untersuchen, notieren wir einige einfache
Sätze und Rechenregeln.

Satz 3.2.1 (Eindeutigkeit des Grenzwertes) Gilt limn→∞ an = a und

limn→∞ an = b, so gilt a = b.
3.2 Folgen und Reihen 63

Satz 3.2.2 (Rechenregeln für Grenzwerte) Wenn limn→∞ an = a und

limn→∞ bn = b ist, so gilt
(1) limn→∞ (an + bn ) = a + b,
(2) limn→∞ (an · bn ) = a · b.
Wenn b 6= 0, dann gibt es ein n1 ∈ N mit bn 6= 0 für alle n ≥ n1 und
 
(3) limn→∞ abnn = ab .

Beispiel 3.2.1(5):
4
4n2 + 2n + 1 n
+ n22 + 1
n3
lim = lim = 0.
n→∞ 3n3 + 6 n→∞ 3 + n63
Satz 3.2.3 Es sei limn→∞ an = a, limn→∞ bn = b und an ≤ bn für fast alle
n. Dann gilt a ≤ b.

Satz 3.2.4 (Einzwängungssatz) Für fast alle n gelte

an ≤ b n ≤ c n .

Gilt limn→∞ an = a und limn→∞ cn = a, so gilt auch limn→∞ bn = a.

Definition Eine Folge (an )n∈N heißt

• monoton wachsend, falls an ≤ an+1 für alle n ∈ N gilt.
• monoton fallend, falls an ≥ an+1 für alle n ∈ N gilt.
• nach oben beschränkt, falls es eine Zahl M ∈ R gibt, so dass an ≤ M
für alle n ∈ N gilt.
• nach unten beschränkt, falls es eine Zahl m ∈ R gibt, so dass m ≤ an
für alle n ∈ N gilt.
• beschränkt, falls sie nach oben und unten beschränkt ist.

Satz 3.2.5 Jede konvergente Folge ist beschränkt.

Warnung Die Umkehrung dieses Satzes gilt nicht, siehe Beispiel 3.2.1 (4)
q = −1.

Satz 3.2.6 (Ein Konvergenzkriterium) Jede monoton wachsende und nach

oben beschränkte Folge ist konvergent. Jede monoton fallende und nach unten
beschränkte Folge ist konvergent.
64 Kapitel 3. Funktionen

Beispiel 3.2.2 Jeder Dezimalbruch, z.B.

0, 9̄ = 0, 99999999999999999999 . . . ,

stellt eine reelle Zahl dar: Die Folge1

0; 0, 9; 0, 99; 0, 999; 0, 9999; 0, 99999; . . .

ist monoton wachsend und nach oben beschränkt, konvergiert also nach
Satz 3.2.6. Der Dezimalbruch bezeichnet gerade den Grenzwert dieser Folge.
In unserem Beispiel ist das die Zahl 1. Also stellt der unendliche periodische
Dezimalbruch 0, 9̄ die Zahl 1 dar.

Beispiel 3.2.1 (6): Es gilt

√
  r
1 2 2
an+1 = an + ≥ an · = 2.
2 an an
√
Somit ist 2 eine untere Schranke der Folge (an )n∈N . Also gilt
√
an ≥ 2
⇒ a2n ≥ 2
2
⇒ ≤ an
an
 
1 2
⇒ an+1 = an + ≤ an
2 an

Also ist die Folge (an )n∈N monoton fallend und nach unten beschränkt, also
konvergent nach√Satz 3.2.6. Es sei a = limn→∞ an . Wir berechnen a.
Es gilt an ≥ 2 > 0 für alle n ∈ N, also folgt aus Satz 3.2.3 a > 0. Nach
Satz 3.2.2 gilt somit
   
1 2 1 2
a = lim an+1 = lim an + = a+ .
n→∞ n→∞ 2 an 2 a
√ √
Daraus folgt aber a = 2. Es gilt√also limn→∞ an = 2. Damit haben wir
ein Iterationsverfahren gefunden, 2 approximativ zu berechnen.
1
Wir haben hier zur Deutlichkeit die Kommas zwischen den Folgengliedern durch
Strichpunkte ersetzt.
3.2 Folgen und Reihen 65

Reihen
Wenn man eine Folge gegeben hat, so kann man auch versuchen, eine ”Sum-
me”
a0 + a1 + a2 + · · ·
zu bilden. Wir wollen nun erklären, was wir darunter verstehen wollen. Zunächst
kann man die ”Partialsummen”

s n = a0 + a1 + · · · + an

betrachten. Konvergiert die Folge der Partialsummen (sn )n∈N , so kann man
den Grenzwert als die ”unendliche Summe”

a0 + a1 + a2 + · · ·

betrachten.

Definition Es sei (an )n∈N eine Folge reeller Zahlen. Durch

sn := a0 + a1 + · · · + an (Partialsumme)

wird eine Folge (sn )n∈N definiert, die Reihe genannt wird und mit ∞
P
k=0 ak
(bzw. mit a0 + a1 + a2 + . . .) bezeichnet wird.
P∞Konvergiert die Folge (sn )n∈N , soPwird ∞
ihr Grenzwert ebenfalls mit
a
k=0 k bezeichnet. Man sagt auch k=0 k konvergiert. Den Grenzwert
a
nennt man auch die Summe oder den Wert der Reihe.
Das Symbol ∞
P
k=0 ak bedeutet also

(a) die Folge ( nk=0 ak )n∈N der Partialsummen

P

(b) im Falle der Konvergenz den Grenzwert limn→∞ nk=0 ak .

P

Beispiel 3.2.3 (1) Das wichtigste Beispiel einer Reihe ist die geometrische
Reihe ∞
X
qk = 1 + q + q2 + q3 + · · ·
k=0

für q ∈ R. Die Partialsumme ist

sn = 1 + q + · · · + q n .

Für q = 1 erhält man

sn = |1 + 1 +{z· · · + 1} = n + 1.
n+1
66 Kapitel 3. Funktionen

Für q = 1 konvergiert die Reihe ∞ k

P
k=0 q daher nicht.
Es sei q 6= 1. Zieht man die beiden Gleichungen
sn = 1 + q + q 2 + · · · + q n
qsn = q + q 2 + · · · + q n + q n+1
voneinander ab, so erhält man
(1 − q)sn = 1 − q n+1 .
Für q 6= 1 gilt also
1 − q n+1
sn = .
1−q
Wir sehen also, dass die Folge (sn )n∈N genau dann konvergiert, wenn die Folge
(q n )n∈N konvergiert. Nach Beispiel 3.2.1(4) konvergiert die Folge (q n )n∈N aber
genau dann, wenn |q| < 1 ist, und es gilt für |q| < 1
lim q n = 0.
n→∞

Also folgt für |q| < 1

∞
X 1 − q n+1 1
q k = lim = .
n→∞ 1 − q 1−q
k=0

Wir erhalten also die sehr wichtige Summenformel für die geometrische Reihe
∞
X 1
qk = für |q| < 1
k=0
1−q

Insbesondere gilt also

∞  k
X 1 1 1 1
=1+ + + + · · · = 2.
k=0
2 2 4 8

(2) Die harmonische Reihe

∞
X 1 1 1
=1+ + + ...
k=1
k 2 3
1
hat die Glieder ak = k
(k ≥ 1) und es gilt
∞
X 1 1 1 1 1 1 1 1 1 1
= 1+ + + + + + + + + ··· + +···
k=1
k 2 |3 {z 4} |5 6 {z 7 8} |9 {z 16}
> 12 > 12 > 12
= ∞.
3.2 Folgen und Reihen 67

(3) Wir untersuchen die Reihe

∞
X 1
.
k=1
k(k + 1)

Schreibe
1 1 1
= − .
k(k + 1) k k+1
Damit gilt
       
1 1 1 1 1 1 1
sn = 1− + − + ··· + − + −
2 2 3 n−1 n n n+1
1
= 1− .
n+1
Daher gilt
∞  
X 1 1
= lim sn = lim 1 − = 1.
k=1
k(k + 1) n→∞ n→∞ n+1

Warnung Notwendig für die Konvergenz einer unendlichen Reihe ist, dass
die Glieder eine Nullfolge bilden. Das ist aber im Allgemeinen nicht hinrei-
chend, wie das Beispiel der harmonischen Reihe zeigt.

Definition Reihen, bei denen aufeinanderfolgende Glieder jeweils entge-

gengesetzte Vorzeichen haben, nennt man alternierende Reihen.

Satz 3.2.7 (Leibniz-Kriterium) Es sei

a0 ≥ a1 ≥ a2 ≥ · · · ≥ 0
und es gelte
lim ak = 0.
k→∞
Dann konvergiert die Reihe
∞
X
(−1)k ak = a0 − a1 + a2 − a3 + a4 − · · · .
k=0

Beispiel 3.2.4 Die alternierende harmonische Reihe

∞
X 1 1 1 1
(−1)k+1 = 1 − + − ± · · ·
k=1
k 2 3 4

konvergiert nach dem Leibnizkriterium.

68 Kapitel 3. Funktionen

sn

0 1 2 3 4 5 6 7 8 9 10 n

Abbildung 3.2: Partialsummen einer alternierenden Reihe

Man leitet leicht die folgenden Rechenregeln für Werte von Reihen ab.

Satz 3.2.8P(Rechenregeln für SummenPvon Reihen) (1) Ist ∞

P
k=0 ak
∞ ∞
und k=0 bk konvergent, so ist auch k=0 (ak + bk ) konvergent und es
gilt
∞
X ∞
X ∞
X
(ak + bk ) = ak + bk .
k=0 k=0 k=0

(2) Ist ∞
P P∞
k=0 ak konvergent und c ∈ R, so ist auch k=0 c · ak konvergent
und es gilt
∞
X ∞
X
c · ak = c · ak .
k=0 k=0

Warnung Eine Summe von endlich vielen Zahlen ist unabhängig von der
Reihenfolge. Bei einer Reihe kann jedoch das Umordnen der Glieder zu selt-
samen Resultaten führen: Wir betrachten wieder die alternierende Reihe

∞
X 1
(−1)k+1 .
k=1
k

Nach dem Leibnizkriterium konvergiert diese Reihe gegen eine Zahl s. Wir
3.2 Folgen und Reihen 69

ordnen nun die Reihe um:

1 1 1 1 1
s = 1− + − + − + ···
2 3 4 5 6
1 1 1 1 1 1 1 1
= 1− − + − − + − − + ···
2 4 3 6 8 5 10 12
(auf ein positives Glied folgen stets zwei negative Glieder)
     
1 1 1 1 1 1 1 1
= 1− − + − − + − − + ···
2 4 3 6 8 5 10 12
1 1 1 1 1 1
= − + − + − + ···
2  4 6 8 10 12 
1 1 1 1 1 1
= 1 − + − + − + ···
2 2 3 4 5 6
1
= s.
2
Solche Einschränkungen gelten nicht für absolut konvergente Reihen.
P∞
Definition
P∞ Die Reihe k=0 ak heißt absolut konvergent, wenn die Reihe
k=0 |a k | = |a 0 | + |a 1 | + |a 2 | + · · · konvergiert.

Satz 3.2.9 Jede absolut konvergente Reihe ist konvergent (im gewöhnlichen
Sinne).

Warnung Die Umkehrung ist falsch, wie das Beispiel der alternierenden
harmonischen Reihe ∞ k+1 1
P
k=1 (−1) k
zeigt.
P∞
Satz
P∞ 3.2.10 (Majorantenkriterium) Gegeben seien zwei Reihen k=0 ak ,

Pk=0 b k . Besteht für die Glieder die Abschätzung 0 ≤ |a k | ≤ b k für alle k ≥ k0

∞ P∞
( k=0 bk ist Majorante von k=0 ak ), dann gilt:
P∞ P∞
(a) k=0 bk konvergent ⇒ k=0 ak absolut konvergent.
P∞ P∞
(b) k=0 |ak | = ∞ ⇒ k=0 bk = ∞.

Beispiel 3.2.5 Wir beweisen die Konvergenz der Reihe

∞
X 1
k=1
k2

mit Hilfe des Majorantenkriteriums.

Für alle k ≥ 1 gilt
1 2
⇔ k(k + 1) ≤ 2k 2 .


2
≤
k k(k + 1)
70 Kapitel 3. Funktionen

Nach Beispiel 3.2.3 (3) konvergiert die Reihe ∞ 1

P
k=1 k(k+1) , also nach den Re-
P∞ 2
chenregeln für Summen von Reihen auch die Reihe k=1 k(k+1) . Diese Reihe
P∞ 1
ist daher Majorante von k=1 k2 .

Satz 3.2.11 (Quotientenkriterium) Ist ∞

P
k=0 ak eine Reihe mit ak 6= 0
für alle k ≥ k0 und gilt
ak+1
lim = r,
k→∞ ak
so gilt:
(a) r < 1 ⇒ ∞
P
k=0 ak absolut konvergent.

(b) r > 1 ⇒ ∞
P
k=0 ak divergent.

Warnung Ist r = 1, so kann man keine Aussage machen.

Beispiel 3.2.6 Die Reihe

∞
X xk x2 x3 x4
=1+x+ + + + ··· (x ∈ R)
k=0
k! 2! 3! 4!

konvergiert für jedes x ∈ R absolut:

xk+1
ak+1 xk+1 · k!
(k+1)! x
= = xk k
= → 0 für k → ∞.
ak (k + 1)! · x
k!
k+1

Satz 3.2.12 (Wurzelkriterium) Ist ∞

P
k=0 ak eine Reihe mit
p
lim k |ak | = r,
k→∞

so gilt:
P∞
(a) r < 1 ⇒ k=0 ak absolut konvergent.
P∞
(b) r > 1 ⇒ k=0 ak divergent.

Beispiel 3.2.7 Die Reihe

∞
X 1 1 1
k
=1+1+ + + ···
k=0
k 4 27

konvergiert absolut:
r
p
k k 1 1
|ak | = k
= → 0 für k → ∞.
k k
3.3 Grenzwerte von Funktionen 71

Nur für absolut konvergente Reihen gelten die beiden folgenden Sätze.
Satz 3.2.13
P (Cauchy-Produkt zweier Reihen) Für absolut konvergente
Reihen ∞
P∞
a
k=0 k und b
k=0 k gilt die Produktformel
∞
! ∞
! ∞ m
!
X X X X
ak bk = ak bm−k
k=0 k=0 m=0 k=0
= a0 b0 + (a1 b0 + a0 b1 ) + (a2 b0 + a1 b1 + a0 b2 ) + · · · .
P∞
SatzP 3.2.14 (Umordnungssatz) Ist die Reihe P∞ k=0 ak absolut konvergent
∞
und k=0 ak = s, dann konvergiert jede aus k=0 ak durch Umordnung der
Glieder entstandene Reihe ebenfalls gegen s.

3.3 Grenzwerte von Funktionen

Es sei I ⊆ R ein Intervall, a ∈ I, f : I \ {a} → R. Wir interessieren uns
nun für das Verhalten der Funktionswerte f (x), wenn sich x der Stelle x = a
nähert.
Definition Die Funktion f (x) hat für x gegen a den rechtsseitigen Grenz-
wert (bzw. linksseitigen Grenzwert) c, in Zeichen
lim f (x) = c (bzw. lim− f (x) = c),
x→a+ x→a

wenn für jede Folge (xn )n∈N aus I mit xn → a und a < xn für alle n (bzw.
xn → a und xn < a für alle n) die Folge (f (xn ))n∈N gegen c konvergiert.
Die Funktion f (x) hat für x gegen a den Grenzwert c, in Zeichen
lim f (x) = c,
x→a

wenn gilt limx→a+ f (x) = limx→a− f (x) = c.

Die Funktion f (x) hat für x gegen ∞ (bzw. −∞) den Grenzwert c, in
Zeichen
lim f (x) = c (bzw. lim f (x) = c),
x→∞ x→−∞

wenn für jede Folge (xn )n∈N aus I mit xn → ∞ (bzw. xn → −∞) die Folge
(f (xn ))n∈N gegen c konvergiert. Hierbei ist auch c ∈ {−∞, ∞} zugelassen.
Notation Andere übliche Notationen:
lim f (x) = c ⇔ f (x) → c für x → a,
x→a
lim f (x) = c ⇔ f (x) → c für x → a, a < x,
x→a+
lim f (x) = c ⇔ f (x) → c für x → a, x < a.
x→a−
72 Kapitel 3. Funktionen

Abbildung 3.3: f (x) = sin x1

Beispiel 3.3.1 (1) Die Größte-Ganze-Funktion:

Zu x ∈ R bezeichnet [x] die größte ganze Zahl, die kleiner oder gleich x ist.
Stellt man x > 0 in Dezimaldarstellung dar, so ist [x] die Zahl, die man
erhält, wenn man die Stellen hinter dem Komma abschneidet, z.B.

[15, 8765] = 15.

Für jede ganze Zahl m ∈ Z gilt

lim [x] = m − 1, lim [x] = m.

x→m− x→m+

(2)

1
lim+ = ∞,
x→0 x
1
lim− = −∞,
x→0 x
1 1
lim = 0 = lim .
x→∞ x x→−∞ x

(3) f (x) = sin x1 (x 6= 0) hat für x → 0 weder einen linksseitigen noch einen
rechtsseitigen Grenzwert. Dagegen gilt für g(x) = x sin x1 , (x 6= 0):

1
lim x sin = 0.
x→0 x
3.3 Grenzwerte von Funktionen 73

Abbildung 3.4: f (x) = x sin x1

Die Grenzwertregeln für Folgen lassen sich leicht auf Funktionsgrenzwerte

übertragen:

Satz 3.3.1 (Grenzwertregeln) Es seien

c, d ∈ R, lim f (x) = c, lim g(x) = d.

x→a x→a

Dann gilt:

(a) lim [f (x) ± g(x)] = c ± d.

x→a
(b) lim f (x)g(x) = cd, insbesondere lim λf (x) = λc (λ ∈ R).
x→a x→a
f (x) c
(c) lim = (falls d 6= 0).
x→a g(x) d

Diese Regeln gelten auch für a ∈ {−∞, ∞} (aber nur für c, d ∈ R!).

Anwendungen

Wir betrachten zunächst ein Polynom

f (x) = an xn + · · · + a1 x + a0 (an 6= 0, n ≥ 1).

74 Kapitel 3. Funktionen

Dann gilt
 
n an−1 a0
lim f (x) = lim an x 1+ + ··· +
x→∞ x→∞ an x an x n
= lim ax xn
x→∞

∞ falls an > 0,
=
−∞ falls an < 0,

lim f (x) = lim an xn

x→−∞ x→−∞

 ∞ falls an > 0 und n gerade
= oder an < 0 und n ungerade,
−∞ sonst.


Nun betrachten wir eine rationale Funktion

p(x)
f (x) = , p(x), q(x) haben keinen gemeinsamen Teiler.
q(x)
Die Zahl α sei ein `-facher Pol von f . Dann gilt
p(x)
lim+ f (x) = lim+
x→α x→α (x − α)` q1 (x)

p(α) 1
= lim+ ,
q1 (α) x→α (x − α)`
p(α) 1
lim− f (x) = lim− .
x→α q1 (α) x→α (x − α)`
Ferner gilt
an xn + an−1 xn−1 + · · · + a0
lim f (x) = lim
x→∞ x→∞ bm xm + bm−1 xm−1 + · · · + b0
 
an xn 1 + aan−1
nx
+ · · · + a0
an xn
= lim  
x→∞
bm xm 1 + bbm−1
mx
+ · · · + b0
b m xm
an n−m
= lim x
x→∞ bm

∞ falls n > m und bamn > 0,



 −∞ falls n > m und an < 0,


bm
= an
falls n = m,
 bm



0 falls n < m.
3.4 Stetigkeit 75

Beispiel 3.3.2
x3 + 2
f (x) = .
(x + 1)(x − 1)2
Die Funktion f hat einen einfachen Pol bei x = −1 und einen doppelten Pol
bei x = 1. Es gilt

1 1
lim f (x) = lim − = −∞,
x→(−1) − 4 x→(−1) x + 1
1 1
lim + f (x) = lim + = ∞,
x→(−1) 4 x→(−1) x + 1
3 1 3 1
lim− f (x) = lim− 2
= ∞ = lim+ = lim f (x),
x→1 2 x→1 (x − 1) 2 x→1 (x − 1)2 x→1+
lim f (x) = lim f (x) = 1.
x→∞ x→−∞

Die Geraden x = −1 und x = 1 sind vertikale Asymptoten, die Gerade y = 1

eine horizontale Asymptote der Kurve y = f (x).

3.4 Stetigkeit
Definition Es sei I ⊆ R ein Intervall, x0 ∈ I. Eine Funktion f : I → R
heißt stetig in x0 , falls limx→x0 f (x) = f (x0 ) gilt. (Ist x0 ein Randpunkt von
I, so limx→x0 f (x) = limx→x+0 f (x) oder limx→x0 f (x) = limx→x−0 f (x).)
Die Funktion f heißt stetig auf I, wenn f in jedem x0 ∈ I stetig ist.

Anschaulich: Graph ist zusammenhängende Linie (ohne Lücken und Sprünge).

Beispiel 3.4.1 (1) Die Größte-Ganze-Funktion f (x) = [x] ist in allen offe-
nen Intervallen (m, m + 1) mit m ∈ Z stetig und in allen m ∈ Z unstetig.
(2) f (x) = x1 ist stetig in allen Punkten x 6= 0 (in 0 nicht definiert).
(3) f (x) = |x| ist überall stetig.

Definition Es sei I ⊆ R ein Intervall, x0 ∈ I, f : I \ {x0 } → R eine Funk-

tion. Die Funktion f heißt stetig fortsetzbar nach x0 , wenn der Grenzwert

lim f (x) = c
x→x0

existiert und endlich ist. Durch die Festsetzung f (x0 ) := c wird f dann zu
einer in x0 stetigen Funktion fortgesetzt.
76 Kapitel 3. Funktionen

xn −1
Beispiel 3.4.2 (4) f (x) = x−1
ist stetig nach 1 fortsetzbar:

xn − 1
lim = lim (xn−1 + xn−2 + · · · + x + 1) = n.
x→1 x − 1 x→1

1
(5) x
und sin x1 sind nicht stetig nach 0 fortsetzbar, wohl aber x sin x1 .
Aus den Grenzwertregeln (Satz 3.3.1) folgt:

Satz 3.4.1 (Rechenregeln für stetige Funktionen) (a) Sind f, g auf

einem Intervall I ⊆ R stetig, so auch f + g, λf (λ ∈ R) und f g. fg ist
stetig in allen x ∈ I mit g(x) 6= 0.

(b) Sind f : I → R, g : D → R mit g(D) ⊆ I stetig, so auch h : D → R

mit h(x) = f (g(x)) auf D.

Satz 3.4.2 (a) Jedes Polynom ist auf ganz R stetig.

p(x)
(b) Jede rationale Funktion f (x) = q(x)
ist in allen x ∈ R mit q(x) 6= 0
stetig.

Satz 3.4.3 Für jede auf einem abgeschlossenen Intervall [a, b] stetige Funk-
tion f gilt:
(a) Schrankensatz f ist auf [a, b] beschränkt, d.h. es gibt eine Schranke K
mit |f (x)| < K für alle x ∈ [a, b].
(b) Satz vom Maximum und Minimum f nimmt auf [a, b] Minimum
und Maximum an, d.h. es gibt x0 , x1 ∈ [a, b] mit f (x0 ) ≤ f (x) ≤ f (x1 ) für
alle x ∈ [a, b].
(c) Zwischenwertsatz Jeder Wert zwischen dem Minimum und dem Maxi-
mum von f wird angenommen, d.h. ist m das Minimum und M das Maxi-
mum von f auf [a, b], so gibt es für jedes c mit m ≤ c ≤ M ein x ∈ [a, b] mit
f (x) = c.
Kapitel 4

Differentiation

4.1 Differenzierbarkeit
Es sei I ⊆ R ein Intervall, f : I → R eine Funktion, x0 ∈ I. Den Ausdruck
∆f (x) f (x) − f (x0 ) f (x0 + h) − f (x0 )
:= =
∆x x − x0 h
für x ∈ I, x 6= x0 , h := x − x0 , nennt man Differenzenquotient von f an der
Stelle x0 . Anschaulich gibt der Differenzenquotient die Steigung der Sekante
durch (x0 , f (x0 )) und (x, f (x)) an den Graphen von f an (siehe Abb. 4.1).

Definition f heißt differenzierbar in x0 , falls der Grenzwert

f (x) − f (x0 ) f (x0 + h) − f (x0 )
lim bzw. lim
x→x0 x − x0 h→0 h
existiert und endlich ist.
Ist f differenzierbar in x0 , so heißt

f (x0 + h) − f (x0 )
f 0 (x0 ) := lim
h→0 h
die Ableitung von f an der Stelle x0 .
f heißt differenzierbar, wenn f in jedem Punkt x ∈ I differenzierbar ist. In
diesem Fall ist f 0 (x) eine auf I definierte Funktion, die man mit f 0 bezeichnet
und auch die Ableitung von f nennt.

Notation Andere Notationen für f 0 (x):

df (x) d
f (x)0 , , f (x).
dx dx
77
78 Kapitel 4. Differentiation

f (x)
f (x) − f (x0 )
f (x0 )
x − x0

x0 x

Abbildung 4.1: Steigung der Sekante von (x0 , f (x0 )) nach (x, f (x))

Notation von Leibniz:

∆f (x) ∆y dy
lim = lim = ,
x→x0 ∆x x→x0 ∆x dx

Geometrische Deutung

Anschaulich gibt f 0 (x0 ) die Steigung der Tangente an den Graphen von f im
Punkt (x0 , f (x0 )) an. Die Gleichung der Tangente an den Graphen y = f (x)
in (x0 , f (x0 )) lautet also:

y = f 0 (x0 )(x − x0 ) + f (x0 )

Analytische Deutung

Zu einer differenzierbaren Funktion f : I → R wird diejenige Gerade (lineare

Funktion) g(x) = m(x − x0 ) + f (x0 ) durch (x0 , f (x0 )) gesucht, die f in der
Nähe von x0 am besten approximiert, d.h. mit

f (x) − g(x)
lim = 0.
x→x0 x − x0
4.1 Differenzierbarkeit 79

Einsetzen von g(x):

f (x) − m(x − x0 ) − f (x0 )
lim =0
x→x0 x − x0
f (x) − f (x0 )
⇔ lim =m
x→x0 x − x0
⇔ f 0 (x0 ) = m

Also ist die beste lineare Approximation von f nahe x0 die Funktion

f 0 (x0 )(x − x0 ) + f (x0 ).

Es gilt also
r(x − x0 )
f (x) = f 0 (x0 )(x − x0 ) + f (x0 ) + r(x − x0 ) mit lim = 0.
x→x0 x − x0

Physikalische Deutung
Betrachte die geradlinige Bewegung eines Massenpunktes. Es sei

x = t Zeit
f (x) = s(t) zum Zeitpunkt t zurückgelegte Strecke
(Ohne Einschränkung s(0) = 0).

Dann ist
∆s
∆t
die Durchschnittsgeschwindigkeit im Zeitintervall (t0 , t) (oder (t, t0 )) und
· s(t) − s(t0 )
v(t0 ) = s (t0 ) = lim
t→t0 t − t0
die (momentane) Geschwindigkeit zum Zeitpunkt t0 .

Beispiel 4.1.1 (1) f (x) = ax + b, f 0 (x) = a.

xn , f 0 (x) = nxn−1 .
(2) f (x) = √
(3) f (x) = x, f 0 (x) = 12 √1x , (x > 0).
Wie verhalten sich Stetigkeit und Differenzierbarkeit zueinander?

Satz 4.1.1 Ist f : I → R differenzierbar in x0 , so ist f auch stetig in x0 .

Warnung Die Umkehrung von Satz 4.1.1 gilt nicht! Z.B. ist f (x) = |x| in
0 stetig, aber nicht differenzierbar.
80 Kapitel 4. Differentiation

4.2 Rechenregeln
Satz 4.2.1 (Differentiationsregeln) Es seien f, g : I → R in x0 differen-
zierbar. Dann gilt:

(a) (f + g)0 (x0 ) = f 0 (x0 ) + g 0 (x0 )

(b) (λf )0 (x0 ) = λf 0 (x0 ) für λ ∈ R
(c) (f · g)0 (x0 ) = f 0 (x0 )g(x0 ) + f (x0 )g 0 (x0 )
(Produktregel)
 0
f f 0 (x0 )g(x0 ) − f (x0 )g 0 (x0 )
(d) (x0 ) = falls g(x0 ) 6= 0
g g(x0 )2
(Quotientenregel)
 0
1 g 0 (x0 )
(x0 ) = − falls g(x0 ) 6= 0
g g(x0 )2

Beispiel 4.2.1 (1) Jedes Polynom

p(x) = an xn + an−1 xn−1 + · · · + a0

ist überall differenzierbar und es gilt

p0 (x) = nan xn−1 + (n − 1)an−1 xn−2 + · + 2a2 x + a1 .

(2) Jede rationale Funktion f (x) = p(x)

q(x)
ist in ihrem Definitionsbereich D =
{x ∈ R | q(x) 6= 0} differenzierbar. Insbesondere
 0
1 n
=− (n ∈ N, x 6= 0).
xn xn+1

Satz 4.2.2 (Kettenregel) Es seien f : I → R, g : D → R Funktionen mit

g(D) ⊆ I. Ist g differenzierbar in x0 ∈ D, f differenzierbar in g(x0 ) ∈ I, so
ist f ◦ g : D → R differenzierbar in x0 und es gilt

d
f (g(x0 )) = f 0 (g(x0 ))g 0 (x0 )
dx

Merkregel: ”Äußere Ableitung an der Stelle g(x0 ) mal innere Ableitung.”

Beispiel 4.2.2 h(x) = (x2 + 4)3 , h0 (x) = 3(x2 + 4)2 · 2x.

4.3 Umkehrfunktionen 81

4.3 Umkehrfunktionen
Definition Eine Funktion f : D → R (D ⊆ R) heißt

(a) monoton wachsend (bzw. monoton fallend), wenn für alle x1 , x2 ∈ D

mit x1 < x2 die Ungleichung f (x1 ) ≤ f (x2 ) (bzw. f (x1 ) ≥ f (x2 )) gilt.

(b) streng monoton wachsend (bzw. streng monoton fallend), wenn für alle
x1 , x2 ∈ D mit x1 < x2 die strikte Ungleichung f (x1 ) < f (x2 ) (bzw.
f (x1 ) > f (x2 )) gilt.

Beispiel 4.3.1 f (x) = x2 ist auf (−∞, 0] streng monoton fallend und auf
[0, ∞) streng monoton wachsend.

Definition Es sei D ⊆ I ⊆ R, f : I → R eine Funktion. Man sagt, f ist

über D umkehrbar, wenn zu jedem y ∈ f (D) die Gleichung y = f (x) genau
eine Lösung x ∈ D besitzt. In diesem Fall gibt es eine Umkehrfunktion

f −1 : f (D) −→ D
y ∈ f (D) 7−→ eindeutig bestimmte Zahl x ∈ D mit f (x) = y

d.h.
f −1 (y) = x ⇔ y = f (x).
Besitzt f über D eine Umkehrfunktion f −1 : f (D) → D, dann gilt

f (f −1 (y)) = y für alle y ∈ f (D),

f −1 (f (x)) = x für alle x ∈ D.

Warnung f −1 ist nicht zu verwechseln mit f1 !

Beispiel 4.3.2 (a) Für a 6= 0 ist f (x) = ax + b über ganz R umkehrbar mit
Umkehrfunktion
1
f −1 (y) = (y − b), y ∈ R.
a
2
(b) f (x) = x ist nicht über ganz R umkehrbar, wohl aber über R+ = [0, ∞)
√ √
mit f −1 (y) = y und über R− = (−∞, 0] mit f −1 = − y.
Ist f : D → R umkehrbar mit Umkehrfunktion f −1 : f (D) → R, so
erhält man den Graphen von f −1 aus dem Graphen von f durch Spiegelung
an der Geraden y = x. Denn bei dieser Spiegelung geht ein Punkt mit den
Koordinaten (x, y) über in einen Punkt mit den Koordinaten (y, x), also aus
(x, f (x)) wird (f (x), x) = (y, f −1 (y)).
82 Kapitel 4. Differentiation

Satz 4.3.1 Jede streng monoton wachsende oder streng monoton fallende
Funktion f : D → R ist umkehrbar.

Satz 4.3.2 Es sei f eine über einem Intervall I ⊆ R umkehrbare und diffe-
renzierbare Funktion. Dann ist die Umkehrfunktion f −1 : f (I) → R in allen
x0 ∈ f (I) mit f 0 (f −1 (x0 )) 6= 0 differenzierbar und es gilt
1
(f −1 )0 (x0 ) =
f 0 (f −1 (x 0 ))

In der Notation von Leibniz:

dx 1
= dy
dy dx

Beispiel 4.3.3 f (x) = xn , x ∈ R, n ∈ N \ {0}.

1. Fall: n gerade.
Wegenf (−x) = (−x)n = xn = f (x) ist f nicht über ganz R umkehrbar. Auf
R+ = {x ∈ R | x ≥ 0} ist f streng monoton wachsend. Nach Satz 4.3.1 ist f
auf R+ umkehrbar. Deshalb hat die Gleichung y = xn zu jedem y ∈ f (R+ ) =
√
R+ in R+ genau eine Lösung, sie heißt n-te Wurzel von y, in Zeichen x = n y.
Die Umkehrfunktion von f ist die Funktion
√
f −1 : R+ → R+ , f −1 (x) = n x.
2. Fall: n ungerade.
Dann ist f auf ganz R streng monoton wachsend. Deshalb ist für ungerades
n die n-te Wurzel für alle x ∈ R erklärt. Die Umkehrfunktion von f ist
√
f −1 : R → R, f −1 (x) = n x.
Insgesamt ergibt sich
√

n x ≥ 0 falls n gerade,
y= n
x ⇔ y = x für
x ∈ R falls n ungerade.

Allgemeiner setzt man für x ∈ R, x > 0, n ∈ N \ {0}, m ∈ Z

1 √
x n := n x,
m 1 m
x n := x n .

Damit ist die Potenzfunktion

f : (0, ∞) → (0, ∞), f (x) = xα
für jeden rationalen Exponenten α ∈ Q erklärt. (Zur Vermeidung von Fallun-
terscheidungen wird einheitlich der Definitionsbereich D = (0, ∞) festgelegt.)
4.4 Extremwerte und Mittelwertsatz 83

1
Beispiel 4.3.4 Für die Ableitung von x = y n gilt nach Satz 4.3.2:
dx 1 1 1 1 1 −1
= dy = n−1
= n−1 = yn .
dy nx n
 1
dx n yn

Also folgt (Vertauschung von x und y)

d  1  1 1 −1
xn = xn (x > 0).
dx n
Insgesamt erhalten wir für α ∈ Q die Formel:

d α
(x ) = αxα−1 (x > 0)
dx

4.4 Extremwerte und Mittelwertsatz

Wir betrachten zunächst

Höhere Ableitungen
Es sei f : I → R, I ⊆ R Intervall, eine differenzierbare Funktion. Die Ablei-
tung der Ableitung f 0 von f bezeichnen wir, falls sie existiert, mit f 00 . Andere
Bezeichnungen:
d2
 
00 d d
f (x) = f (x) = 2 f (x).
dx dx dx
Allgemeiner:

f (0) (x) := f (x),

f (1) (x) := f 0 (x),
d2
f (2) (x) := f 00 (x) = f (x),
dx2
.. .. ..
. . .
d (n−1) dn
f (n) (x) := f (x) = n f (x).
dx dx
Definition Man sagt, f ist n-mal differenzierbar (bzw. stetig differenzier-
bar), wenn die n-te Ableitung f (n) (x) existiert (bzw. existiert und stetig ist).

Warnung Eine differenzierbare Funktion braucht nicht notwendig auch

zweimal differenzierbar zu sein. Gegenbeispiel: f (x) = x|x|, f 0 (x) = 2|x|.
Wir kommen nun zu der auch aus der Schule bekannten
84 Kapitel 4. Differentiation

Extremwertberechnung
Definition Es sei D ⊆ R, f : D → R eine Funktion.
Man sagt, f hat in x0 ∈ D ein globales (oder absolutes) Maximum, wenn
f (x) ≤ f (x0 ) für alle x ∈ D gilt.
Man sagt, f hat in x0 ∈ D ein lokales (oder relatives) Maximum, wenn es
ein offenes Intervall I mit Mittelpunkt x0 gibt, so dass f (x) ≤ f (x0 ) für alle
x ∈ I ∩ D gilt.
x0 heißt globale oder lokale Maximumstelle, f (x0 ) das globale oder lokale
Maximum.
Entsprechend sind globales oder lokales Minimum, globale oder lokale
Minimumstelle definiert. Ein Maximum oder Minimum heißt auch ein Extre-
mum (oder ein Extremwert).

Satz 4.4.1 (Lokales Extremwertkriterium) Es sei I ein offenes Inter-

vall und f : I → R eine differenzierbare Funktion. Dann gilt:
x0 ∈ I lokale Extremstelle von f ⇒ f 0 (x0 ) = 0.
Satz 4.4.1 liefert ein notwendiges Kriterium für eine lokale Extremstelle:
f 0 (x0 ) = 0.

Definition Ein kritischer Punkt einer differenzierbaren Funktion f ist eine

Zahl x0 , so dass
f 0 (x0 ) = 0.
Der Funktionswert f (x0 ) an einem kritischen Punkt x0 heißt ein kritischer
Wert von f .
Bei der Extremwertbestimmung geht man also wie folgt vor. Es sei f
eine Funktion, die auf [a, b] definiert und auf (a, b) differenzierbar ist. Um
die Maxima und Minima von f zu finden, müssen zwei Arten von Punkten
betrachtet werden:
(1) die kritischen Punkte von f auf (a, b),
(2) die Randpunkte a und b des Intervalls.

Beispiel 4.4.1 Wir betrachten die Aufgabe, die Extremwerte der Funktion
f (x) = x3 − x auf dem Intervall [−1, 2]
zu bestimmen. Es gilt
f 0 (x) = 3x2 − 1,
q q
die kritischen Punkte sind also 13 und − 13 . Beide Punkte liegen in (−1, 2),
also haben wir als Kandidaten für mögliche Extremstellen
4.4 Extremwerte und Mittelwertsatz 85

q q
(1) − 13 , 13 ,

(2) −1, 2.
Es gilt
r r
r r
1 1 2 1 2 1
f (− )= , f( )=− , f (−1) = 0, f (2) = 6.
3 3 3 3 3 3
q q
2
Also nimmt f das Minimum − 3 3 in 13 und das Maximum 6 in 2 an.
1

Wir behandeln nun grundlegende Sätze über differenzierbare Funktionen.

Satz 4.4.2 (Mittelwertsatz) Es sei a < b, f : [a, b] → R stetig und f :

(a, b) → R differenzierbar. Dann gibt es (mindestens) ein x0 ∈ (a, b), so dass
f (b) − f (a)
f 0 (x0 ) = .
b−a
Anschaulich: Für mindestens ein x0 ∈ (a, b) ist die Tangente in x0 parallel
zur Sekante durch die Punkte A = (a, f (a)) und B = (b, f (b)).

Physikalische Deutung: Bei der durch s(t) beschriebenen geradlinigen Be-

wegung wird zu mindestens einem Zeitpunkt t0 im Zeitintervall [a, b] die
durchschnittliche Geschwindigkeit
s(b) − s(a)
v=
b−a
·
tatsächlich erreicht: v(t0 ) =s (t0 ) = v.

Wir stellen nun Anwendungen des Mittelwertsatzes zur Kurvendiskussion

zusammen.

Satz 4.4.3 Es sei I ⊆ R ein Intervall, f : I → R eine differenzierbare

Funktion. Dann gilt
(a) f 0 (x) > 0 (bzw. f 0 (x) < 0) für alle x ∈ I
⇒ f ist auf I streng monoton wachsend (bzw. fallend).

(b) f 0 (x) ≥ 0 (bzw. f 0 (x) ≤ 0) für alle x ∈ I

⇔ f ist auf I monoton wachsend (bzw. fallend).

(c) f 0 (x) = 0 für alle x ∈ I ⇔ f ist auf I konstant.

86 Kapitel 4. Differentiation

Satz 4.4.4 (1. Extremwerttest) Es sei f : (a, b) → R eine differenzierba-

re Funktion und x0 ∈ (a, b) ein Punkt mit f 0 (x0 ) = 0. Außerdem gebe es ein
ε > 0, so dass (x0 − ε, x0 + ε) ⊆ (a, b) und

f 0 (x) > 0 für x0 − ε < x < x0 ,

f 0 (x) < 0 für x0 < x < x0 + ε.

Dann hat f in x0 ein lokales Maximum.

Entsprechend ist der umgekehrte Vorzeichenwechsel von f 0 hinreichend
für ein lokales Minimum.

Satz 4.4.5 (2. Extremwerttest) Es sei f : (a, b) → R zweimal stetig dif-

ferenzierbar und x0 ∈ (a, b) mit f 0 (x0 ) = 0. Dann gilt
 
00 <0 Maximum
f (x0 ) ⇒ f hat in x0 ein lokales
>0 Minimum
Satz 4.4.6 (Krümmungstest) Es sei f : I → R zweimal stetig differen-
zierbar. Dann gilt
 
00 >0 konvex (Linkskrümmung)
f ⇒ Die Kurve y = f (x) ist
<0 konkav (Rechtskrümmung)
Definition Ein Wendepunkt von f ist ein Punkt x0 ∈ I, bei dem y =
f (x) von einer Linkskrümmung in eine Rechtskrümmung oder umgekehrt
übergeht.

Satz 4.4.7 (Wendepunkttest)

f 00 (x0 ) = 0, f 000 (x0 ) 6= 0 ⇒ f hat in x0 einen Wendepunkt.

4.5 Elementare Funktionen

Wir wollen nun den Kreis der Funktionen, die wir bisher betrachtet haben,
erweitern.

Die Exponentialfunktion
In §3.2 hatten wir gesehen, dass die Reihe
∞
X xk
k=0
k!

für jedes x ∈ R absolut konvergiert. Wir definieren nun

4.5 Elementare Funktionen 87

Definition (Exponentialfunktion)
∞
x
X xk  x n
e := exp(x) := = lim 1+ (e-Funktion)
k=0
k! n→∞ n

Eigenschaften der e-Funktion

(1) Positivität: e0 = 1, ex > 0 für alle x ∈ R.

(2) Funktionalgleichung der e-Funktion:

ex+y = ex ey (x, y ∈ R)
e−x = e1x (x ∈ R)

(3) Ableitung: Die e-Funktion ist überall differenzierbar und es gilt:

d x
e = ex (x ∈ R)
dx

(4) Verhalten für x → ∞ und x → −∞:

lim ex = ∞, lim ex = 0
x→∞ x→−∞

Definition (Logarithmus) Die e-Funktion ist auf R streng monoton wach-

send und es gilt exp(R) = (0, ∞). Die Umkehrfunktion ist der natürliche
Logarithmus:
ln : (0, ∞) → R, y = ln x ⇔ ey = x.
88 Kapitel 4. Differentiation

Eigenschaften von ln
(1) ln(ex ) = x für alle x ∈ R, eln x = x für alle x > 0.

(2) ln 1 = 0,
ln x < 0, falls 0 < x < 1,
ln x > 0, falls x > 1.

(3) Funktionalgleichung der ln-Funktion:

x
ln xy = ln x + ln y, ln = ln x − ln y (x, y > 0)
y

(4) Ableitung: Die ln-Funktion ist auf ihrem Definitionsbereich (0, ∞) dif-
ferenzierbar und es gilt:

1
ln0 x = (x > 0)
x

(4) Verhalten für x → ∞ und x → 0:

lim ln x = ∞, lim ln x = −∞
x→∞ x→0+

Allgemeine Potenz
Es sei a > 0, x = ln a. Es gilt für r ∈ Q
x=ln a
(ex )r = erx ⇒ ar = er ln a .

Deswegen definiert man

Definition (Allgemeine Potenz zur Basis a) Für a > 0 und x ∈ R

definieren wir
ax := ex ln a (a > 0)
Die Funktion f (x) = ax (x ∈ R) nennt man auch die Exponentialfunktion
zur Basis a.

Eigenschaften von ax (x, y ∈ R, a, b > 0)

(1) ax ay = ax+y ,
(ab)x = ax bx ,
(ax )y = axy
4.5 Elementare Funktionen 89

(2) ln(ax ) = x ln a.
d x
(3) dx
a = ax ln a.

Damit ist nun auch die Potenzfunktion f (x) = xα = eα ln x (x > 0) für alle
α ∈ R definiert. Es gilt

d α
x = αxα−1 (x > 0)
dx

Allgemeiner Logarithmus
Die Exponentialfunktion f (x) = ax = ex ln a zu einer Basis a > 0 ist über R
umkehrbar: Für y ∈ f (R) = (0, ∞) gilt:
ln y
y = ex ln a ⇔ x = .
ln a
Definition (Allgemeiner Logarithmus zur Basis a) Für a > 0 und x ∈
(0, ∞) ist der Logarithmus zur Basis a definiert durch

ln x
loga x = , x ∈ (0, ∞)
ln a

Rechenregeln
(1) loga xy = loga x + loga y.

(2) log0a x = 1
x ln a
.

Kreisfunktionen
Die Funktionen sin und cos haben wir schon eingeführt.
1
sin
cos
−2π − 3π
2
−π − π2 π
2
π 3π
2
2π
−1

Eigenschaften von sin und cos

(1) −1 ≤ cos x ≤ 1, −1 ≤ sin x ≤ 1.

(2) cos(−x) = cos x, cos ist gerade,

sin(−x) = − sin x, sin ist ungerade.
90 Kapitel 4. Differentiation

(3) (cos x)2 + (sin x)2 = 1.

(4) cos(x + 2kπ) = cos x, sin(x + 2kπ) = sin x,
cos und sin sind periodisch von der Periode 2π.
(5) sin x = 0 ⇔ x = kπ, k ∈ Z,
cos x = 0 ⇔ x = π2 + kπ, k ∈ Z.
(6) cos(x ± y) = cos x cos y ∓ sin x sin y,
sin(x ± y) = sin x cos y ± cos x sin y.
(7) sin(x + π2 ) = cos x, cos(x − π2 ) = sin x.
(8) sin x ± sin y = 2 sin x±y
2
cos x∓y
2
,
x+y x−y
cos x + cos y = 2 cos 2 cos 2 ,
cos x − cos y = −2 sin x+y2
sin x−y
2
.
(9) cos(2x) = cos2 x − sin2 x = 2 cos2 x − 1,
sin(2x) = 2 sin x cos x,
1 + cos x = 2 cos2 x2 ,
1 − cos x = 2 sin2 x2 .
(10) sin0 x = cos x, cos0 x = − sin x.
Definition (Tangens- und Cotangens)
sin x π
tan x := , x 6= + kπ, k ∈ Z,
cos x 2
cos x
cot x := , x 6= kπ, k ∈ Z.
sin x
Wertetabelle:
π π π π
x 0 √
6 4 √3 2
1
tan 0 3√
3 1 √3 n.d. n.d. = nicht definiert
1
cot n.d. 3 1 3
3 0

Eigenschaften von tan und cot

(1) tan(−x) = − tan x, cot(−x) = − cot x, tan und cot sind ungerade.
(2) tan(x + π) = tan x, cot(x + π) = cot x,
tan und cot sind periodisch von der Periode π.
(3)
tan x + tan y
tan(x + y) = , x, y, x + y ∈ D.
1 − tan x tan y
4.5 Elementare Funktionen 91

(4)
1 π
tan0 x = (x 6
= + kπ, k ∈ Z),
(cos x)2 2
1
cot0 x = − 6 kπ, k ∈ Z)
(x =
(sin x)2
Arcusfunktionen
Wir betrachten nun die Umkehrfunktionen der Kreisfunktionen. Sie sind
nicht global umkehrbar, aber über gewissen Teilintervallen, auf denen sie
streng monoton sind.

Definition (Arcussinus) Die Funktion sin ist auf dem Intervall [− π2 , π2 ]

streng monoton wachsend. Umkehrfunktion:
h π πi
arcsin : [−1, 1] → − ,
2 2
π π
y = arcsin x ⇔ sin y = x und − ≤ y ≤ .
2 2
Der Graph ist in Abbildung 4.2 dargestellt. Ableitung:
1
arcsin0 x = √ für − 1 < x < 1.
1 − x2

sin arcsin

Abbildung 4.2: Die Funktionen sin und arcsin

Definition (Arcuscosinus) Die Funktion cos ist auf dem Intervall [0, π]
streng monoton fallend. Umkehrfunktion:
arccos : [−1, 1] → [0, π]
y = arccos x ⇔ sin y = x und 0 ≤ y ≤ π.
92 Kapitel 4. Differentiation

Der Graph ist in Abbildung 4.3 dargestellt. Ableitung:

1
arccos0 x = − √ für − 1 < x < 1.
1 − x2

cos arccos

Abbildung 4.3: Die Funktionen cos und arccos

Definition (Arcustangens) Die Funktion tan ist auf dem Intervall (− π2 , π2 )

streng monoton wachsend. Umkehrfunktion:
 π π
arctan : R → − ,
2 2
π π
y = arctan x ⇔ tan y = x und − < y < .
2 2
Der Graph ist in Abbildung 4.4 dargestellt. Ableitung:
1
arctan0 x = für x ∈ R.
1 + x2

Definition (Arcuscotangens) Die Funktion cot ist auf dem Intervall (0, π)
streng monoton fallend. Umkehrfunktion:
arccot : R → (0, π)
y = arccot x ⇔ cot y = x und 0 < y < π.
Der Graph ist in Abbildung 4.5 dargestellt. Ableitung:
1
arccot0 x = − für x ∈ R.
1 + x2
4.5 Elementare Funktionen 93

tan

arctan

Abbildung 4.4: Die Funktionen tan und arctan

cot

arccot

Abbildung 4.5: Die Funktionen cot und arccot

Hyperbelfunktionen
Definition Für alle x ∈ R definiere

ex − e−x
sinh x := (”sinus hyperbolicus”)
2
ex + e−x
cosh x := (”cosinus hyperbolicus”)
2

Bemerkung 4.5.1 Aus der Eulerschen Formel eix = cos x + i sin x folgt

eix − e−ix
sin x = ,
2i
eix + e−ix
cos x = .
2
94 Kapitel 4. Differentiation

cosh

sinh
x

Abbildung 4.6: Die Hyperbelfunktionen sinh und cosh

Rechenregeln
(1) sinh(−x) = − sinh x, cosh(−x) = cosh x.

(2) sinh(x + y) = sinh x cosh y + cosh x sinh y,

cosh(x + y) = cosh x cosh y + sinh x sinh y.

(3) cosh2 x − sinh2 x = 1.

((x, y) = (cosh t, sinh t) liegt auf der Hyperbel x2 − y 2 = 1, daher der
Zusatz ”hyperbolicus”.)

(4) sinh0 x = cosh x, cosh0 x = sinh x.

Umkehrfunktionen

arsinh : R → R (area sinus hyperbolicus)

√
arsinh x = ln(x + x2 + 1), x ∈ R.

arcosh : [1, ∞) → [0, ∞) (area cosinus hyperbolicus)

√
arcosh x = ln(x + x2 − 1), 1 ≤ x < ∞.

4.6 Die Regel von de L’Hospital

Wir geben nun eine wichtige Regel zur Grenzwertbestimmung an.
4.6 Die Regel von de L’Hospital 95

Satz 4.6.1 (Regel von de L’Hospital) Es seien f, g : (a, b) → R diffe-

renzierbar, g 0 (x) 6= 0 für alle x ∈ (a, b). Es gelte

(a) f (x) → 0, g(x) → 0 oder f (x) → ∞, g(x) → ∞ für x → b− .

f 0 (x)
(b) limx→b− g 0 (x)
existiert (∞, −∞ zugelassen).

Dann gilt
f (x) f 0 (x)
lim− = lim− 0
x→b g(x) x→b g (x)

Entsprechend für x → a+ , x → ∞, x → −∞.

Kurzgefasst: Ist

f (x) 0 ∞
lim− von der Form bzw. ,
x→b g(x) 0 ∞

so ist

f (x) f 0 (x)
lim− = lim− 0 , falls der letzte Grenzwert existiert.
x→b g(x) x→b g (x)

0 ∞
Ist der letzte Grenzwert wieder von der Form 0
oder ∞
, so ist die Regel
erneut anzuwenden.

Beispiel 4.6.1

sin x cos x
(1) lim = lim = 1.
x→0 x x→0 1

1 √
ln x x x 2
(2) lim √ = lim 1 √1 = lim 2 = lim √ = 0.
x→∞ x x→∞ 2 x
x→∞ x x→∞ x

ex ex
(3) lim = lim = ∞.
x→∞ x x→∞ 1
ex ex ex
lim n = lim = · · · = lim = ∞.
x→∞ x x→∞ nxn−1 x→∞ n!
96 Kapitel 4. Differentiation

4.7 Nullstellen und Fixpunkte

In vielen Fällen ist es nötig, die Nullstellen einer differenzierbaren Funktion
f : [a, b] → R zu bestimmen. Dies ist oft nur näherungsweise möglich, d.h.
man bestimmt eine Folge (xn )n∈N von reellen Zahlen, die gegen eine Nullstelle
konvergiert. Die Nullstellenbestimmung kann man auch als Fixpunktproblem
interpretieren:

Definition Eine Zahl x∗ ∈ [a, b] heißt Fixpunkt von f : [a, b] → R, wenn

f (x∗ ) = x∗ gilt.
Jede Nullstelle x∗ von f ist Fixpunkt der Funktion

g : [a, b] → R, g(x) = f (x) + x,

denn es gilt
f (x∗ ) = 0 ⇔ g(x∗ ) = f (x∗ ) + x∗ = x∗ .
Jeder Fixpunkt x∗ von f ist Nullstelle der Funktion

h : [a, b] → R, h(x) = f (x) − x,

denn es gilt
f (x∗ ) = x∗ ⇔ h(x∗ ) = f (x∗ ) − x∗ = 0.

Satz 4.7.1 (Fixpunktsatz) Es sei f : [a, b] → R eine stetig differenzierba-

re Funktion mit folgenden Eigenschaften:

(a) a ≤ f (x) ≤ b für alle x ∈ [a, b].

(b) Es gibt eine Konstante 0 ≤ K < 1 mit |f 0 (x)| ≤ K für alle x ∈ [a, b].

Dann gilt:
1. Existenz. Es gibt genau einen Fixpunkt x∗ ∈ [a, b], d.h. genau ein x∗ ∈
[a, b] mit f (x∗ ) = x∗ .
2. Berechnung. Es sei x0 ∈ [a, b] ein beliebiger Startwert. Dann konvergiert
die rekursiv definierte Folge

xn+1 := f (xn ), n = 0, 1, 2, . . . ,

gegen den Fixpunkt x∗ .

3. Fehlerabschätzung. Es gilt
K
|xn − x∗ | ≤ |xn − xn−1 | (n = 1, 2, 3, . . .).
1−K
4.7 Nullstellen und Fixpunkte 97

Abbildung 4.7: Fixpunkt-Iteration

Es sei f : [a, b] → R eine zweimal stetig differenzierbare Funktion, f (x∗ ) =

0, f 0 (x∗ ) 6= 0. Wir betrachten einen Punkt x0 nahe x∗ . Die Tangente im Punkt
(x0 , f (x0 )) hat die Gleichung
y = f 0 (x0 )(x − x0 ) + f (x0 ).
Sie schneidet die x-Achse im Punkt
f (x0 )
x1 = x0 − .
f 0 (x0 )
Wenn x0 nahe genug an x∗ gewählt ist, so liegt der Punkt x1 näher an der
Nullstelle als x0 (siehe Abbildung 4.8). Darauf basiert das Newton-Verfahren:

Satz 4.7.2 (Newton-Verfahren) Es sei f : [a, b] → R eine zweimal stetig

differenzierbare Funktion, f (x∗ ) = 0, f 0 (x∗ ) 6= 0. Dann gibt es ein Intervall
I ⊆ [a, b] mit x∗ ∈ I, für das gilt:
1. Berechnung. Für einen beliebigen Startwert x0 ∈ I konvergiert die re-
kursiv definierte Folge
f (xn )
xn+1 := xn − , n = 0, 1, 2, . . . ,
f 0 (xn )
98 Kapitel 4. Differentiation

5 Iterations of Newton’s Method Applied to

f(x) = x^2!1
with Initial Point x = 2

3,0

2,5

2,0

1,5

1,0

0,5

0,0
1,0 1,25 1,5 1,75 2,0
x

f(x)
Tangent lines

Abbildung 4.8: Das Newton-Verfahren (Beispiel mit Maple)

gegen die Nullstelle x∗ von f .

2. Fehlerabschätzung. Es liegt quadratische Konvergenz vor, d.h. es gilt

Max von |f 00 (x)| auf I

|xn+1 − x∗ | ≤ M |xn − x∗ |2 für M := .
Min von |f 0 (x)| auf I
Kapitel 5

Integration

5.1 Das bestimmte Integral

Wir wollen nun den Integralbegriff einführen. Zweck des Integrals ist es,
Flächen auszumessen.
Wir gehen aus von einer Funktion f : [a, b] → R (a < b). Wir nehmen für
den Moment f (x) ≥ 0 für alle x ∈ [a, b] an. Es interessiert uns die Fläche

A = {(x, y) | x ∈ [a, b], 0 ≤ y ≤ f (x)}

unter dem Graphen von f :

Welchen Inhalt hat diese Fläche? Man kann versuchen, den Flächeninhalt zu
bestimmen, indem man A durch Rechtecke approximiert.
Wir nehmen an, dass f auf [a, b] beschränkt und stetig bis auf höchstens
endlich viele Stellen ist (f ist stückweise stetig).
Wähle n − 1 Teilpunkte

a = x0 < x1 < . . . < xn−1 < xn = b

99
100 Kapitel 5. Integration

von [a, b]. Eine solche endliche Folge von Teilpunkten nennt man eine Ein-
teilung En von [a, b]. Dadurch wird [a, b] in n Teilintervalle [xi−1 , xi ] zerlegt.
a b
x1 x2 x3 x4 x5 x6 x7

Die maximale Intervalllänge dieser Teilintervalle

ϕ(En ) := max (xi − xi−1 )

i=1,...,n

nennt man den Feinheitsgrad der Einteilung En .

In [xi−1 , xi ] wähle Zwischenpunkt ξi mit xi−1 ≤ ξi ≤ xi . Die Zahl
n
X
Zn := f (ξi )(xi − xi−1 )
i=1

nennt man eine zur Einteilung En gehörige Zwischensumme oder Riemann-

sche Summe von f .

Anschaulich: Zn ist eine Summe von Rechteckflächen, die den Flächeninhalt

von A approximiert. Je feiner die Einteilung ist, desto genauer ist die Appro-
ximation.

Die Riemannsche Summe hängt also von der Einteilung En und der Wahl
der Zwischenpunkte ξi ab.

Spezialfälle, wenn f stetig ist:

(a) Riemannsche Untersumme von f zur Einteilung En :
n
X
sn := mi (xi − xi−1 ),
i=1

wobei mi := Minimum von f auf [xi−1 , xi ] (wird wegen der Stetigkeit

von f an einer Stelle ξi ∈ [xi−1 , xi ] angenommen).

(b) Riemannsche Obersumme von f zur Einteilung En :

n
X
Sn := Mi (xi − xi−1 ),
i=1

wobei Mi := Maximum von f auf [xi−1 , xi ].

5.1 Das bestimmte Integral 101

Satz 5.1.1 Es sei f : [a, b] → R eine beschränkte stückweise stetige Funktion

und (En )n∈N eine Folge von Einteilungen von [a, b] mit limn→∞ ϕ(En ) = 0.
Zn sei eine Riemannsche Summe zu En .
Dann existiert limn→∞ Zn und ist unabhängig von der Wahl der Teilpunk-
te und Zwischenpunkte.

Definition (Bestimmtes Integral) Bestimmtes Integral von f über [a, b]:

Z b n
X
f (x)dx := lim Zn = lim f (ξi )(xi − xi−1 )
a n→∞ n→∞
i=1

Es sei nun f : [a, b] → R stetig, f (x) ≥ 0 für alle x ∈ [a, b]. Dann ist der
Flächeninhalt I(A) der Fläche A unter dem Graphen von f :
Z b
I(A) = f (x)dx.
a

Gilt f (x) ≤ 0 für alle x ∈ [a, b], dann gilt für den entsprechenden Flächeninhalt
oberhalb des Graphen
Z b Z b
I(A) = (−f )(x)dx = − f (x)dx.
a a

Begrenzt der RGraph von f Flächenstücke oberhalb und unterhalb der x-

b
Achse, so ist a f (x)dx die Summe der mit einem Vorzeichen versehenen
Flächeninhalte.
Wir treffen noch folgende

Vereinbarung
Z a
f (x)dx := 0,
a
Z a Z b
f (x)dx := − f (x)dx (a < b).
b a

Beispiel 5.1.1
Z b
(1) cdx = c(b − a).
a
Z b
1 a+b
(2) xdx = (b2 − a2 ) = (b − a).
a 2 2
102 Kapitel 5. Integration

Elementare Integrationsregeln
(f, g : [a, b] → R stückweise stetig)
Rb Rb Rb
(1) a [αf (x) + βg(x)]dx = α a f (x)dx + β a g(x)dx (α, β ∈ R).
Rb Rc Rb
(2) a f (x)dx = a f (x)dx + c f (x)dx (a ≤ c ≤ b).
Rb Rb
(3) f (x) ≤ g(x) für alle x ∈ [a, b] ⇒ a f (x)dx ≤ a g(x)dx.
Rb
(4) m ≤ f (x) ≤ M für alle x ∈ [a, b] ⇒ m(b − a) ≤ a f (x)dx ≤ M (b − a).
Rb Rb
(5) a
f (x)dx ≤ a
|f (x)|dx.

Satz 5.1.2 (Mittelwertsatz der Integralrechnung) Sind die Funktionen

f, g : [a, b] → R stetig, g(x) ≥ 0 für alle x ∈ [a, b], dann gibt es mindestens
eine Stelle ξ ∈ [a, b] mit
Z b Z b
f (x)g(x)dx = f (ξ) g(x)dx.
a a

Spezialfall: g(x) = 1
Z b
f (x)dx = f (ξ)(b − a) mit geeignetem ξ ∈ [a, b].
a

5.2 Der Hauptsatz der Differential- und In-

tegralrechnung
Definition Es sei f : I → R, I ⊆ R Intervall, eine Funktion. Eine differen-
zierbare Funktion F : I → R heißt Stammfunktion von f , wenn F 0 (x) = f (x)
für alle x ∈ I gilt.

Satz 5.2.1 (Hauptsatz der Differential- und Integralrechnung) Es sei

I ⊆ R ein Intervall, f : I → R eine stetige Funktion, a, b ∈ I. Dann gilt
(a) Die durch Z x
Fa (x) := f (t)dt für x ∈ I
a
definierte Funktion ist eine Stammfunktion von f , d.h.
Z x 
d
f (t)dt = f (x)
dx a
5.3 Integrationsregeln 103

Jede andere Stammfunktion von f hat die Form F (x) = Fa (x) + c mit
einer Konstanten c ∈ R.

(b) Für eine beliebige Stammfunktion F von f gilt

Z b
f (x)dx = F (b) − F (a)
a

Notation
b
F (x) a := [F (x)]ba := F (b) − F (a).

Definition Eine Stammfunktion F von f nennt man auch unbestimmtes

Integral und schreibt dafür Z
f (x)dx.

Mit dem Hauptsatz

Rb haben wir nun ein Mittel in der Hand, um ein be-
stimmtes Integral a f (x)dx bequem zu berechnen:

Rb
Berechnung von a
f (x)dx
1. Schritt: Stammfunktion F von f ermitteln (Probe: F 0 = f ).
Rb
2. Schritt: Berechne a f (x)dx = F (b) − F (a).

Aus jeder Ableitungsformel F 0 = f ergibt sich eine entspechende Aussage

über unbestimmte Integrale.

Beispiel 5.2.1
b
|b|
Z
1
dx = ln |b| − ln |a| = ln (0 6∈ [a, b]),
a x |a|

insbesondere
Z x
dt
ln x = (x > 0) (Integraldarstellung von ln)
1 t

5.3 Integrationsregeln
Aufgrund des Hauptsatzes lassen sich die drei Differentiationsregeln Linea-
rität, Produktregel und Kettenregel zu Regeln zur Berechnung unbestimmter
Integrale übertragen.
104 Kapitel 5. Integration

1) Linearität
Z Z Z
[αf (x) + βg(x)]dx = α f (x)dx + β g(x)dx, (α, β ∈ R)

2) Partielle Integration
Es sei I ein Intervall, u, v : I → R differenzierbare Funktionen. Die Produkt-
regel besagt:

(uv)0 = u0 v + uv 0
⇒ uv istZStammfunktion von u0 v + uv 0
⇒ uv = (u0 (x)v(x) + u(x)v 0 (x))dx

Daraus folgt
Z Z
0
u (x)v(x)dx = u(x)v(x) − u(x)v 0 (x)dx

oder
Z b Z b
0
u (x)v(x)dx = u(x)v(x) b
a − u(x)v 0 (x)dx
a a

Beispiel 5.3.1 (1)

Z Z
x
e dx = xe − ex dx = (x − 1)ex + c.
x |{z}
|{z}
x

v(x) u0 (x)

(2)
Z Z
2 2
x sin
|{z} x dx = −x cos x + 2
|{z} x cos
|{z} | {zx} dx
v(x) u0 (x) v(x) u0 (x)
Z
2
= −x cos x + 2x sin x − 2 sin xdx

= −x2 cos x + 2x sin x + 2 cos x + c.

(3)
Z Z Z
x
ln xdx = 1 dx = x ln x −
ln x |{z} dx = x ln x − x + c.
|{z} x
v(x) u0 (x)
5.3 Integrationsregeln 105

(4)
Z π Z π
2 2
2
cos xdx = | {zx} cos
cos | {zx} dx
0 0
v(x) u0 (x)
Z π
π 2
= [cos x sin x]0 − (− sin x) sin xdx
2

0
Z π Z π
2 2
2
= sin xdx = (1 − cos2 x)dx
0 0
Z π Z π
2 2
= dx − cos2 xdx.
0 0

Was haben wir damit gewonnen? Auflösen nach dem gesuchten Integral liefert
Z π
2 π
cos2 xdx = .
0 4

3) Substitutionsregel
Die Kettenregel besagt

d
F (g(x)) = F 0 (g(x))g 0 (x).
dx
Mit F 0 = f folgt daraus
Z
f (g(x))g 0 (x)dx = F (g(x)) + c
Z b Z g(b)
0
⇒ f (g(x))g (x)dx = F (g(b)) − F (g(a)) = f (t)dt.
a g(a)

Damit erhält man die Substitutionsregel

Z b Z g(b)
0
f (g(x))g (x)dx = f (t)dt
a g(a)

Es gibt zwei Versionen der Anwendung dieser Regel:

Rb
1. Version: Berechnung von a f (g(x))g 0 (x)dx

1. Schritt: Substitution g(x) = t, g 0 (x)dx = dt.

R g(b)
2. Schritt: Berechnung des Integrals g(a) f (t)dt.
106 Kapitel 5. Integration

Beispiel 5.3.2
Z b
(ln x)2 1
(1) dx Substitution: ln x = t, dx = dt
a x x
Z ln b ln b
1 1 1
= t dt = t3
2
= (ln b)3 − (ln a)3 .
ln a 3 ln a 3 3

Z b
(2) (px + q)n dx Substitution: px + q = t, pdx = dt
a
pb+q pb+q
1 tn+1
Z
1
= tn dt = .
p pa+q p n+1 pa+q

Z b
1
(3) sin(kx + ϕ)dx Substitution: kx + ϕ = t, dx = dt(k 6= 0)
a k
Z kb+ϕ kb+ϕ
1 1
= sin tdt = − cos t .
k ka+ϕ k ka+ϕ

Für jede ganze Zahl k 6= 0 folgt daraus

Z 2π
sin(kx + ϕ)dx = 0.
0

Für ϕ = 0 und ϕ = −π erhalten wir damit

Z 2π Z 2π
sin(kx)dx = 0, cos(kx)dx = 0 (k ∈ Z, k 6= 0).
0 0

Daraus leitet man die Orthogonalitätsrelationen von sin und cos ab: Für ganze
Zahlen m, n ≥ 0 gilt

Z 2π  0 falls m = n = 0,
sin mx sin nxdx = 0 falls m 6= n,
0 
π falls m = n 6= 0.

Z 2π  2π falls m = n = 0,
cos mx cos nxdx = 0 falls m 6= n,
0 
π falls m = n 6= 0.
Z 2π
sin mx cos nxdx = 0.
0
5.4 Uneigentliche Integrale 107

Rβ
2. Version: Berechnung von α
f (x)dx
Rβ
1. Schritt: Umbenennung x = t, dx = dt, α f (t)dt.
2. Schritt: Substitution t = g(x), dt = g 0 (x)dx mit einer geeigneten um-
kehrbaren Funktion g.
R g−1 (β)
3. Schritt: Berechnung des Integrals g−1 (α) f (g(x))g 0 (x)dx.

Beispiel 5.3.3
β β
ex et
Z Z
1
(1) dx = dt (Substitution: t = ln x, dt = dx)
α e2x + 1 2t
α e +1 x
Z eβ Z eβ
x 1 1 β
= 2
dx = 2
dx = arctan x|eeα .
eα x + 1 x eα x + 1

Z 1 √
(2) 1 − x2 dx = (Fläche eines Viertelkreises mit Radius 1)
0
Z 1 √
= 1 − t2 dt Substitution: t = sin x, dt = cos xdx
0
Z arcsin 1 p Z π
2 π
= 2
1 − sin x cos xdx = cos2 xdx = .
arcsin 0 0 4

Z 1 Z 1
dx dt 1
(3) = (Substitution: t = tan x, dt = dx)
0 (1 + x2 )2 2
0 (1 + t )
2 cos2 x
Z π/4 Z π/4
dx
=  2 = cos2 xdx
2
sin x
0 cos2 x 1 + cos 0
2x

π/4
1 π 1
= (x + sin x cos x) = + .
2 0 8 4

5.4 Uneigentliche Integrale

Wir wollen den Integralbegriff erweitern auf

(a) Integranden, die in der Umgebung eines Punktes nicht beschränkt sind,

(b) unbeschränkte Integrationsintervalle.

108 Kapitel 5. Integration

Definition Es sei f : [a, b) → R eine stetige Funktion, b ∈ R ∪ {∞}. Wir

definieren
Z b Z c
f (x)dx := lim− f (x)dx falls b ∈ R,
a c→b a
Z ∞ Z c
f (x)dx := lim f (x)dx.
a c→∞ a

Diese Integrale nennt man uneigentlich. Entsprechend definieren wir für f :

(a, b] → R, a ∈ R ∪ {−∞}:
Z b Z b
f (x)dx := lim+ f (x)dx falls a ∈ R,
a c→a c
Z b Z b
f (x)dx := lim f (x)dx.
−∞ c→−∞ c

Man sagt, ein uneigentliches Integral konvergiert (bzw. divergiert), wenn der
zugehörige Grenzwert existiert und endlich ist (bzw. nicht existiert oder ∞
ist).

Beispiel 5.4.1 (1)

Z ∞ Z c
dx dx
= lim = lim ln c = ∞.
x c→∞ 1 x c→∞
Z1 1 Z 1
dx dx
= lim+ = lim+ (− ln c) = ∞.
0 x c→0 c x c→0

Beide uneigentlichen Integrale divergieren.

(2) Es sei α ∈ R, α 6= 1.
Z ∞ Z c  c
dx dx 1 1
= lim = lim −
1 xα c→∞ 1 xα c→∞ α − 1 xα−1 1
 
1 1
= lim 1 − α−1
c→∞ α − 1 c
 1
α−1
, falls α > 1 (konvergiert),
=
∞, falls α < 1 (divergiert).

Z 1  
dx 1 1
= lim −1
0 xα c→0+ α − 1 cα−1

∞, falls α > 1 (divergiert),
= 1
− α−1 , falls α < 1 (konvergiert).
5.4 Uneigentliche Integrale 109

Aus (1) und (2) ergibt sich

Z ∞  1
dx α−1
, falls α > 1
=
Z1 1
xα  ∞, falls α < 1
dx ∞, falls α > 1
= 1
0 x α − α−1 , falls α < 1
1
Man kann die Funktion f (x) = xα
(α > 0 fest) als Vergleichsfunktion ver-
wenden:

Satz 5.4.1 (Vergleichskriterium) Es seien f : [a, ∞) → R, g : (0, b] → R

stetige Funktionen, α, K ∈ R. Dann gilt:
Z ∞
1
(a) |f (x)| ≤ K α , a ≤ x < ∞, 1 < α ⇒ f (x)dx konvergiert.
x a
Z b
1
(b) |g(x)| ≤ K α , 0 < x ≤ b, 0 < α < 1 ⇒ g(x)dx konvergiert.
x 0

Beispiel 5.4.2
Z ∞ Z 1 Z ∞
sin x sin x sin x
dx = dx + dx
0 x 0 x 1 x
R1
Das Integral 0 sinx x dx ist eigentlich, da sinx x durch den Wert 1 stetig nach 0
fortgesetzt werden kann. Mit partieller Integration folgt:
Z c c Z c
1 1 cos x
sin xdx = − cos x − dx.
1 x x 1 1 x2
Es gilt
c
1
lim − cos x = cos 1.
c→∞ x 1
Rc x
Das Integral 1 cos
x2
dx konvergiert Rnach dem Vergleichskriterium. Also kon-
∞
vergiert das uneigentliche Integral 0 sinx x dx. Nicht berechnen, nur verraten
können wir: Z ∞
sin x π
dx = .
0 x 2
Definition Ein an beiden Grenzen uneigentliches Integral:
Z b Z c Z b
f (x)dx := f (x)dx + f (x)dx (a < c < b)
a a c
Z c Z v
= lim+ f (x)dx + lim− f (x)dx
u→a u v→b c
110 Kapitel 5. Integration

Z ∞ Z c Z ∞
f (x)dx := f (x)dx + f (x)dx (−∞ < c < ∞)
−∞ −∞ c
Z c Z v
= lim f (x)dx + lim f (x)dx
u→−∞ u v→∞ c

Warnung Die Grenzwerte sind unabhängig voneinander zu bestimmen!

Beispiel 5.4.3 (1)

Z ∞ Z 0 Z ∞ Z ∞
dx dx dx dx
2
= 2
+ 2
=2
−∞ 1+x −∞ 1 + x 0 1+x 0 1 + x2
= 2 lim arctan v = π.
v→∞

(2) Die Gamma-Funktion:

Z ∞
Γ : (0, ∞) → R, Γ(x) := e−t tx−1 dt.
0

R1
(a) 0
e−t tx−1 dt ist uneigentlich für 0 < x < 1. Es gilt

1
e−t tx−1 ≤ tx−1 = , α := 1 − x < 1.
tα
Damit
R ∞folgt die Konvergenz aus dem Vergleichskriterium.
−t x−1
(b) 1 e t dt konvergiert ebenfalls nach dem Vergleichskriterium,
denn es gilt:

et tx−1 1
lim 2 x−1
= ∞ ⇒ t
≤ 2 für großes t.
t→∞ t t e t
Funktionalgleichung:
Γ(x + 1) = xΓ(x).
(Beweis: Partielle Integration) Es gilt
Z ∞ c
e−t dt = lim −e−t 0 = 1.

Γ(1) =
0 c→∞

Daraus folgt

Γ(n + 1) = nΓ(n) = . . . = n!Γ(1) = n! (n ∈ N).

5.5 Partialbruchzerlegung 111

5.5 Partialbruchzerlegung
Eine wichtige Methode zur Bestimmung eines Integrals über eine rationale
Funktion ist die Partialbruchzerlegung.
Wir betrachten eine rationale Funktion
p(x)
f (x) =
q(x)
mit Polynomen p(x), q(x) ohne gemeinsamen Teiler und Grad p(x) < Grad q(x).

1. Schritt: Produktdarstellung von q(x)

q(x) = c(x − α1 )k1 (x − α2 )k2 · · · (x − αr )kr q1 (x)`1 · · · qs (x)`s ,
αi ∈ R, αi 6= αj , qi (x) quadratische Polynome mit Leitkoeffizient 1, qi (x) 6=
qj (x), qi (x) hat keine Nullstelle in R.

2. Schritt: Der Partialbruchansatz

p(x) A11 A1k1
= + ... + +
q(x) x − α1 (x − α1 )k1
...
Ar1 Arkr
+ + ... +
x − αr (x − αr )kr
B11 x + C11 B12 x + C12 B1`1 x + C1`1
+ + 2
+ ... + +
q1 (x) q1 (x) q1 (x)`1
...
Bs1 x + Cs1 Bs2 x + Cs2 Bs`s x + Cs`s
+ + 2
+ ... +
qs (x) qs (x) qs (x)`s
mit Unbekannten Aij , Bij , Cij ∈ R.

3. Schritt: Koeffizientenberechnung (Einsetzmethode, Koeffizientenvergleich)

Multipliziere Gleichung mit q(x) und mache anschließend Koeffizientenver-
gleich oder setze spezielle Werte für x ein, um die Unbekannten Aij , Bij , Cij ∈
R zu ermitteln.

Beispiel 5.5.1
x2 + x + 1
f (x) = .
(x − 1)3 (x − 2)
Partialbruchansatz:
x2 + x + 1 A1 A2 A3 B
3
= + 2
+ 3
+ · (x − 1)3 (x − 2)
(x − 1) (x − 2) x − 1 (x − 1) (x − 1) x−2
2 2
x + x + 1 = A1 (x − 1) (x − 2) + A2 (x − 1)(x − 2) + A3 (x − 2)
+ B(x − 1)3 .
112 Kapitel 5. Integration

Einsetzmethode:
x=1 ⇒ 3 = −A3
x=2 ⇒ 7=B
x=3 ⇒ 13 = 4A1 + 2A2 + A3 + 8B
x=0 ⇒ 1 = −2A1 + 2A2 − 2A3 − B
Koeffizientenvergleich: Aus
x2 + x + 1 = (A1 + B)x3 + (−4A1 + A2 − 3B)x2 +
+ (5A1 − 3A2 + A3 + 3B)x + (−2A1 + 2A2 − 2A3 − B)
folgt
0 = A1 + B
1 = −4A1 + A2 − 3B
1 = 5A1 − 3A2 + A3 + 3B
1 = −2A1 + 2A2 − 2A3 − B
Ergebnis:
A1 = −7, A2 = −6, A3 = −3, B = 7,
also
x2 + x + 1 7 6 3 7
= − − − + .
(x − 1)3 (x − 2) x − 1 (x − 1)2 (x − 1)3 x − 2
Die Integration einer rationalen Funktion R(x) geschieht nun in folgenden
Schritten:

1. Schritt: Polynomdivision
p(x)
R(x) = g(x) + ,
(q(x)
p(x), q(x) teilerfremd, Grad p(x) < Grad q(x).
p(x)
2. Schritt: Partialbruchzerlegung von q(x)
(falls p(x) 6≡ 0).

3. Schritt: Integration von g(x) und der Partialbrüche mittels der folgenden
Formeln:
Z
dx
= ln |x − α| + c,
x−α
Z
dx 1 1
k
= − + c (k > 1)
(x − α) k − 1 (x − α)k−1
Z
ax + b
dx = siehe Tabellen in [2].
(x + px + q)k
2
5.5 Partialbruchzerlegung 113

4. Schritt: Teilintegrale aufsummieren

Beispiel 5.5.2
1
R(x) =
1 − x2
1. Schritt: entfällt.
2. Schritt:
1 A B
= + · (1 − x2 )
1 − x2 1−x 1+x
⇔ 1 = A(1 + x) + B(1 − x)
⇔ 1 = (A − B)x + (A + B)

Daraus folgt A = B = 21 , also

1 1 1 1 1
= + .
1 − x2 21−x 21+x
3. Schritt: Z
1
dx = ln |x ± 1| + c.
x±1
4. Schritt:
Z Z Z 
1 1 1 1
dx = dx + dx
1 − x2 2 1−x 1+x
Z Z 
1 1 1
= dx − dx
2 x+1 x−1
1
= (ln |x + 1| − ln |x − 1|) + c
2
1 x+1
= ln + c.
2 x−1

Durch Substitution kann man einige Integraltypen auf das Integral über
eine rationale Funktion zurückführen:

Beispiel 5.5.3 Es sei R eine rationale Funktion.

Z Z
x
R(e )dx = R(et )dt
1
(Substitution t = ln x, dt = dx)
Z x
1
= R(x) · dx.
x
114 Kapitel 5. Integration

Z.B.
1 + et
Z Z Z Z
1+x dx 2dx
dt = dx = +
1 − et (1 − x)x x 1−x
t t
= ln e − 2 ln |1 − e | + c.

Beispiel 5.5.4 Wir bezeichnen mit R(x, y) eine rationale Funktion in den
Variablen x und y. Der Ausdruck R(x, f (x)) bedeutet, das in R(x, y) die
Variable y durch f (x) ersetzt wird. Ein Integral der Form
Z  r 
px + q
R x, k
dx (ps − qr 6= 0)
rx + s)

wird durch die

stk − q
r
px + q ps − qr
Substitution: t = k
,x = k
, dx = ktk−1
rx + s) p − rt (p − rtk )2

zu einem Integral über eine rationale Funktion in t. Z.B.

√
1− x √
Z
√ dx (Substitution: t = x, x = t2 , dx = 2tdt)
x+ x
Z 
1−t 1−t
Z Z Z
2
= 2tdt = 2 dt = 2 (−1)dt + dt
t2 + t 1+t t+1
√ √
= 4 ln( x + 1) − 2 x + c.
R
Beispiel 5.5.5 Wir betrachten ein Integral der Form R(sin x, cos x)dx.
Wir wenden die Substitutionsregel in der 2. Version an: Wir benennen die
Variablen um und betrachten das Integral
Z
R(sin t, cos t)dt.

Wir machen die Substitution

2
t = 2 arctan x, dt = dx.
1 + x2
Es gilt

t sin 2t 1 − cos t
t = 2 arctan x ⇔ tan =x⇔ t = x ⇔ = x2
2 cos 2 1 + cos t
1 − x2 2x
⇔ cos t = , sin t = ,
1 + x2 1 + x2
5.5 Partialbruchzerlegung 115

also
2x 1 − x2
Z Z  
2
R(sin t, cos t)dt = R , dx.
1 + x2 1 + x2 1 + x2
Z.B.
1 + x2 2 1 + tan 2t
Z Z Z
dt 2
= dx = dx = ln +c
cos t 1 − x2 1 + x2 1 − x2 1 − tan 2t

(vgl. Beispiel 5.5.2).

Beispiel 5.5.6
Z √
R(t, t2 + 1)dt Substitution: t = sinh x, dt = cosh xdx
√
t2 + 1 = cosh x
Z √
R(t, t2 − 1)dt Substitution: t = cosh x, dt = sinh xdx
√
t2 − 1 = sinh x

Durch diese Substitutionen werden die Integrale auf Integrale des in Bei-
spiel 5.5.3 behandelten Typs zurückgeführt.
Z √ √
R(t, 1 − t2 )dt Substitution: t = sin x, 1 − t2 = cos x, dt = cos xdx

Durch diese Substitution erhalten wir ein Integral vom Typ wie in Bei-
spiel 5.5.5.
116 Kapitel 5. Integration
Kapitel 6

Potenzreihen

6.1 Gleichmäßige Konvergenz

Es sei I ⊆ R ein Intervall. Für jedes n ∈ N sei eine Funktion

fn : I → R

gegeben; dann nennen wir die Folge (fn )n∈N eine in I erklärte Funktionenfol-
ge.
Für festes x ∈ I entsteht aus der Funktionenfolge (fn ) durch Einsetzen
von x die Zahlenfolge (fn (x)).

Definition (a) Die Funktionenfolge (fn ) heißt punktweise konvergent gegen

die Grenzfunktion f , wenn für jedes x ∈ I die Zahlenfolge (fn (x)) gegen den
Grenzwert f (x) konvergiert.
(b) Die Funktionenfolge (fn ) heißt gleichmäßig konvergent gegen die Grenz-
funktion f , wenn sich zu jeder beliebig vorgegebenen kleinen Fehlerschranke
ε > 0 ein für alle x ∈ I gemeinsamer Index N , der nur von ε abhängt, finden
lässt, so dass gilt

n ≥ N ⇒ |fn (x) − f (x)| < ε für alle x ∈ I.

Anschaulich: Für n ≥ N liegen alle Graphen y = fn (x) im ”ε-Schlauch” um

den Graphen der Grenzfunktion y = f (x).

Beispiel 6.1.1 Es sei I = [0, 1] und fn (x) = xn . Die Funktionenfolge (fn ) ist
punktweise, aber nicht gleichmäßig konvergent gegen die Funktion f wobei

0 für 0 ≤ x < 1,
f (x) =
1 für x = 1.

117
118 Kapitel 6. Potenzreihen

0 1

Satz 6.1.1 (Stetigkeit der Grenzfunktion) Die Funktionenfolge (fn ) kon-

vergiere gleichmäßig gegen f und alle fn seien stetig auf dem Intervall I.
Dann ist auch die Grenzfunktion f auf I stetig.

Warnung Das obige Beispiel zeigt, dass die punktweise Konvergenz für die
Stetigkeit der Grenzfunktion nicht ausreicht.

Satz 6.1.2 (Integration der Grenzfunktion) Die Funktionenfolge (fn ) kon-

vergiere gleichmäßig gegen f und alle fn seien stetig auf dem Intervall I.
Dann gilt für alle a, b ∈ I
Z b Z b Z b
( lim fn (x))dx = f (x)dx = lim fn (x)dx.
a n→∞ a n→∞ a

Warnung Satz 6.1.2 gilt nicht für punktweise Konvergenz: Für n ≥ 2 sei
fn : [0, 1] → R definiert durch

1

fn (x) := max n − n2 · x − n
,0

1 2
0 n n
1

Die Funktionenfolge (fn ) konvergiert punktweise gegen die Nullfunktion auf

[0, 1]. Es gilt Z 1
fn (x) dx = 1 für alle n ≥ 2,
0
6.1 Gleichmäßige Konvergenz 119

aber Z 1
0 dx = 0.
0

Satz 6.1.3 (Differentiation der Grenzfunktion) Die Funktionenfolge (fn )

konvergiere punktweise gegen f , alle fn seien stetig differenzierbar auf dem
Intervall I und zusätzlich sei die Folge der Ableitungen (fn0 ) auf I gleichmäßig
konvergent. Dann ist auch die Grenzfunktion f differenzierbar und es gilt

f 0 (x) = ( lim fn (x))0 = lim fn0 (x).

n→∞ n→∞

Warnung Auch in Satz 6.1.3 sind alle Voraussetzungen wichtig!

Man kann nun auch Funktionenreihen ∞
P
k=0 fk betrachten.
P∞
Definition Eine Funktionenreihe k=0 fk heißt gleichmäßig konvergent,
wenn die Folge ihrer Partialsummen sn := f0 + f1 + . . . + fn gleichmäßig
konvergent ist.
Die Sätze 6.1.1, 6.1.2 und 6.1.3 übertragen sich auf Funktionenreihen:

Satz 6.1.4 Konvergiert die Reihe ∞

P
k=0 fk stetiger Funktionen fk auf I gleich-
mäßig gegen f , dann ist die Grenzfunktion ebenfalls stetig.

Satz 6.1.5 Konvergiert die Reihe ∞

P
k=0 fk stetiger Funktionen fk auf I gleich-
mäßig gegen f , dann gilt für alle a, b ∈ I
∞
Z b X ! Z b ∞ Z b 
X
fk (x) dx = f (x)dx = fk (x)dx .
a k=0 a k=0 a

Satz 6.1.6 Konvergiert die Reihe ∞

P
k=0 fk stetig differenzierbarer Funktio-
nen fk auf I punktweise gegen f und ist die Reihe der Ableitungen ∞ 0
P
k=0 fk
auf I gleichmäßig konvergent, dann gilt
∞
!0 ∞
X X
0
f (x) = fk (x) = fk0 (x).
k=0 k=0

Satz 6.1.7 (M-Test) Gegeben seien Funktionen fk : I → R, k ∈ N. Gilt

für jede der Funktionen fk (k ∈ N) eine Abschätzung

|fk (x)| ≤ Mk (konst.) für alle x ∈ I

P∞
und konvergiert die Zahlenreihe k=0 Mk , dann konvergiert die Funktionen-
reihe ∞
P
f
k=0 k auf I gleichmäßig und absolut.
120 Kapitel 6. Potenzreihen

Beispiel 6.1.2 Die Reihe

∞
X cos kx
k=1
k2
konvergiert gleichmäßig (und absolut) auf R, denn es gilt
∞
cos kx 1 X 1
≤ für alle x ∈ R und ist konvergent.
k2 k2 k=1
k 2

6.2 Konvergenzradius
In §3.2 haben wir Reihen studiert. Wir wollen nun Potenzreihen betrachten.

Definition Eine Potenzreihe ist eine unendliche Reihe der Form

∞
X
ak x k
k=0

mit x ∈ R (das als variabel aufgefasst wird) und ak ∈ R (konstant). Die

Zahlen ak (k ≥ 0) heißen Koeffizienten der Potenzreihe.
Eine Potenzreihe ist eine Funktionenreihe ∞ k
P
k=0 fk mit fk (x) = ak x .

Beispiel 6.2.1 (1) Die geometrische Reihe

∞
X
xk = 1 + x + x2 + . . . .
k=0

Koeffizienten: ak = 1 (k ≥ 0).
(2) Die Exponentialreihe
∞
X xk x2 x3 x4
=1+x+ + + + ....
k=0
k! 2! 3! 4!

1
Koeffizienten: ak = k!
(k ≥ 0).
Die wichtigste Frage ist zunächst, für welche
P x eine kPotenzreihe kon-
vergiert. Wir nehmen an, dass die Potenzreihe ∞ k=0 ak x für x = x1 6= 0
konvergiert. Dann bilden die Glieder eine Nullfolge, sind also insbesondere
beschränkt. Es gibt also eine Konstante C > 0, so dass für alle k ≥ 0 gilt:

ak xk1 ≤ C.
6.2 Konvergenzradius 121

Es folgt dann für alle k

k k
x x
ak xk = |ak ||x1 |k ≤C· .
x1 x1
Es sei x ∈ R mit |x| < |x1 |. Dann setze
x
q := < 1.
x1

Dann ist die geometrische Reihe ∞ k

P
k=0 C · q eine konvergente Majorante für
P ∞ k
k=0 |ak x |. Aus dem Majorantenkriterium folgt daher:

Satz 6.2.1 Wenn die Potenzreihe ∞ k

P
k=0 ak x für x = x1 6= 0 konvergiert, so
konvergiert sie für jedes x mit |x| < |x1 | sogar absolut.

Definition Eine Teilmenge S ⊆ R heißt nach oben beschränkt, wenn es ein

b ∈ R gibt mit S ⊆ (−∞, b]. Ein solches b heißt obere Schranke von S.
S ⊆ R heißt nach unten beschränkt, wenn es ein a ∈ R gibt mit S ⊆
[a, ∞). Ein solches a heißt untere Schranke von S.
S ⊆ R heißt beschränkt, wenn S eine untere Schranke a und eine obere
Schranke b besitzt, d.h. es existieren a, b ∈ R mit S ⊆ [a, b].
Es sei S ⊆ R nach oben beschränkt. Das Supremum von S, in Zeichen
sup S, ist die kleinste obere Schranke von S.

Warnung Das Supremum einer Menge S braucht nicht zu der Menge S zu

gehören: z.B. sup[a, b) = b. Aber zu jedem noch so kleinen ε > 0 gibt es ein
x ∈ S mit s − ε < x. (Denn sonst x ≤ s − ε für alle x ∈ S und s − ε wäre
kleinere obere Schranke.)

Beispiel
 6.2.2 (1) sup[a, b] = b, sup[a, b) = b.
1
(2) sup 1 − n | n ∈ N \ {0}} = 1.
√
(3) sup{x ∈ Q | x2 < 2} = 2.
Es ist nicht selbstverständlich, dass es unter den oberen Schranken einer
nach oben beschränkten Menge eine kleinste obere Schranke gibt. Z.B. hat
die Menge {x ∈ Q | x2 < 2} in Q keine kleinste obere Schranke. Eine der
Grundeigenschaften der reellen Zahlen ist:
Vollständigkeitsaxiom. Jede nicht leere nach oben beschränkte Menge re-
eller Zahlen besitzt ein Supremum.

Definition Es sei S ⊆ R nach unten beschränkt. Das Infimum von S, in

Zeichen inf S, ist die größte untere Schranke von S.
122 Kapitel 6. Potenzreihen

Es gilt
inf S = − sup{−x | x ∈ S}.
Damit besitzt auch jede nicht leere nach unten beschränkte Menge S ⊆ R
ein Infimum.

Beispiel 6.2.3 inf n1 | n ∈ N \ {0}} = 0.



P∞
Definition Es sei ak xk eine Potenzreihe. Setze
k=0
( ∞
)
X
M := x ∈ R ak xk konvergiert .
k=0

Dann heißt die Zahl


sup{|x| | x ∈ M }, falls M beschränkt,
R :=
∞, falls M unbeschränkt,

der Konvergenzradius der Potenzreihe.

Es gibt die drei Möglichkeiten

R = 0, 0 < R < ∞, R = ∞.

Beispiel 6.2.4 (1) Die Reihe ∞ k

P
k=0 k!x hat den Konvergenzradius R = 0:
Sie konvergiert nur für x = 0, denn für x 6= 0 ist k!xk keine Nullfolge.
Also ist M = {0}.

(2) Für die geometrische Reihe ∞ k

P
k=0 x gilt M = {x | |x| < 1} = (−1, 1),
R = 1.

(3) Die Exponentialreihe ∞ xk

P
k=0 k! konvergiert nach §3.2 für alle x ∈ R, also
M = R, R = ∞.

Satz P
6.2.2 (Konvergenzverhalten von Potenzreihen) Für eine Potenz-
reihe ∞ k
k=0 ak x mit dem Konvergenzradius R gilt:

(a) R = 0 ⇔ Die Reihe konvergiert nur für x = 0.

R > 0 und x ∈ R mit |x| < R, d.h. x ∈ (−R, R), so ist die Rei-
(b) Ist P
he ∞ k
k=0 ak x absolut konvergent. Auf jedem
P∞abgeschlossenen Intervall
k
[−ρ, ρ] (0 < ρ < R) konvergiert die Reihe k=0 ak x gleichmäßig.

(c) Für alle x mit |x| > R ist die Reihe ∞ k

P
k=0 ak x divergent.
6.2 Konvergenzradius 123

Aufgrund von Satz 6.2.2 gibt es für die Konvergenzmenge M für R 6= 0, ∞

die folgenden Möglichkeiten:
M = (−R, R), M = [−R, R), M = (−R, R], M = [−R, R],
denn über x = ±R werden keine Aussagen gemacht. Man nennt M das
Konvergenzintervall der Potenzreihe. In den Randpunkten x = −R und x =
R ist sowohl Divergenz als auch Konvergenz möglich, dies ist von Fall zu Fall
zu entscheiden.
∞
X
Beispiel 6.2.5 (1) Geometrische Reihe xk : M = (−1, 1), Divergenz
k=0
an beiden Randpunkten des Konvergenzintervalls.
∞
X xk
(2) (−1)k : M = (−1, 1]. Die Reihe konvergiert für x = 1 nach dem
k=1
k
Leibnizkriterium, aber nicht für x = −1 (harmonische Reihe).
∞
X xk
(3) : M = [−1, 1].
k=1
k2
Wie kann man den Konvergenzradius einer Potenzreihe berechnen? Z.B.
mit dem folgenden Satz:
ak
Satz 6.2.3 Gilt ak 6= 0 für k ≥ k0 und limk→∞ ak+1
existiert oder ist ∞,
dann gilt
ak
R = lim .
k→∞ ak+1

Beweis. Anwendung des Quotientenkriteriums:

ak+1 xk+1 ak
lim k
< 1 ⇔ |x| < lim .
k→∞ ak x k→∞ ak+1

2
Untersuchung der Beispiele

1
(1) R = lim = 1.
k→∞ 1
k+1
(2) R = lim − = 1.
k→∞ k
(k + 1)2
(3) R = lim = 1.
k→∞ k2
124 Kapitel 6. Potenzreihen

6.3 Reihenentwicklung der elementaren Funk-

tionen
Wir wollen P
nun die Differentiation und Integration einer Potenzreihe betrach-
ten. Es sei ∞ k
k=0 ak x eine Potenzreihe mit Konvergenzradius R > 0 und

∞
X
f (x) := ak xk falls |x| < R.
k=0

Man sagt, die Funktion f wird auf (−R, R) durch die Potenzreihe dargestellt.

Satz 6.3.1 (Differentiation von Potenzreihen) Eine durch eine Potenz-

reihe dargestellte Funktion f ist im offenen Konvergenzintervall (−R, R)
(R > 0) beliebig oft differenzierbar. Die Ableitungen erhält man durch glied-
weises Differenzieren:
∞
X
0
f (x) = kak xk−1 = a1 + 2a2 x + 3a3 x2 + . . . ,
k=1
∞
X
f 00 (x) = k(k − 1)ak xk−2 = 2a2 + 2 · 3a3 x + 3 · 4a4 x2 + . . . ,
k=2
etc.

Die abgeleiteten Reihen ∞

P k−1
P∞ k−2
k=1 kak x , k=2 k(k − 1)ak x , . . . haben auch
den Konvergenzradius R.

Beispiel 6.3.1 Geometrische Reihe:

∞
X 1
f (x) = xk = (|x| < 1),
k=0
1−x
∞
X 1
f 0 (x) = kxk−1 = (|x| < 1),
k=1
(1 − x)2
∞
X 1
f 00 (x) = k(k − 1)xk−2 = 2 (|x| < 1).
k=2
(1 − x)3
P∞ k
Satz 6.3.2 (Integration von Potenzreihen) Es sei f (x) = k=0 ak x
eine Potenzreihe mit dem Konvergenzradius R > 0. Für alle a, b ∈ (−R, R)
gilt
Z b ∞ Z b ∞
X
k
X ak
f (x)dx = ak x dx = (bk+1 − ak+1 )
a k=0 a k=0
k + 1
6.3 Reihenentwicklung der elementaren Funktionen 125

(gliedweises Integrieren). Insbesondere ist (mit a = 0, b = x) die Funktion

∞
X ak k+1
F (x) := x
k=0
k + 1
eine Stammfunktion von f auf dem Intervall (−R, R), der Konvergenzradius
dieser Reihe ist ebenfalls R.
Mit Hilfe der obigen Sätze können wir nun die Potenzreihendarstellung
einiger Funktionen ermitteln.
Satz 6.3.3 (Reihenentwicklung einiger elementarer Funktionen)
∞
x
X 1 k x2 x3
(a) e = x =1+x+ + + . . ., x ∈ R,
k=0
k! 2! 3!
∞
X (−1)k 2k+1 x3 x5 x7
(b) sin x = x =x− + − ± . . ., x ∈ R,
k=0
(2k + 1)! 3! 5! 7!
∞
X (−1)k 2k x2 x4 x6
(c) cos x = x =1− + − ± . . ., x ∈ R,
k=0
(2k)! 2! 4! 6!
∞
X (−1)k k+1 x2 x3 x 4
(d) ln(1 + x) = x =x− + − ± . . ., |x| < 1,
k=0
k + 1 2 3 4
∞
X (−1)k 2k+1 x3 x5 x7
(e) arctan x = x =x− + − ± . . ., |x| < 1.
k=0
2k + 1 3 5 7

Beweis. (a) nach Definition.

(b), (c):
(ix)2 (ix)3 (ix)4 (ix)5 (ix)6 (ix)7
eix = 1 + (ix) + + + + + + + ...
2! 3!  4!  5! 6! 7! 
x2 x4 x6 x3 x5 x7

= 1− + − ± ... + i x − + − ± ...
2! 4! 6! 3! 5! 7!
= cos x + i sin x.
∞
1 X
(d) Integration von = (−x)k , |x| < 1.
1 + x k=0
∞
1 X
(e) Integration von = (−x2 )k , |x| < 1. 2
1 + x2 k=0

Eine weitere wichtige Reihe ist die Binomialreihe. Wir erinnern an die
binomische Formel
n  
n
X n k n(n − 1) 2
(1 + x) = x = 1 + nx + x + . . . + xn , n ∈ N.
k=0
k 2!
126 Kapitel 6. Potenzreihen

Eine Verallgemeinerung:

Definition (Binomialreihe) Für α ∈ R

∞  
X α α(α − 1) 2 α(α − 1)(α − 2) 3
α
(1 + x) = xk = 1 + αx + x + x + ...
k=0
k 2! 3!
 
α α(α − 1)(α − 2) · · · (α − k + 1)
wobei := , |x| < 1.
k k!

Spezialfälle:
(1) α = n ∈ N:
   
α n n(n − 1) · · · (n − k + 1)
= = =0
k k k!

für k > n, da der Zähler den Faktor (n − n) = 0 enthält. Damit erhält man
die binomische Formel.
(2) α = −1: Wegen
 
−1 (−1)(−1 − 1) · · · (−1 − k + 1)
= = (−1)k
k k!

ergibt sich
∞
1 X
= (−1)k xk für |x| < 1.
1 + x k=0
Die geometrische Reihe ist also ein Spezialfall der binomischen Reihe.
(3) α = 12 :
1 1
1 1 1

2 2
1 2 2 2
−1 1
= 1, = , = =− ,
0 1 2 2 2! 8
1 1
1
1
1


− 1 2 − 2 ··· 2 − k + 1
2 = 2 2
k k!
1 1 · 3 · 5 · · · (2k − 3)
= (−1)k−1 · k ·
2 k!
1 · 3 · 5 · · · (2k − 3)
= (−1)k−1 (k ≥ 2)
2 · 4 · 6 · · · (2k)

Also
√ 1 1 1 5 4
1 + x = 1 + x − x2 + x3 − x ± ... (|x| < 1).
2 8 16 128
6.3 Reihenentwicklung der elementaren Funktionen 127

(4) α = − 12 :
 1  1
−2 −2 1 · 3 · 5 · · · (2k − 1)
= 1, = (−1)k (k ≥ 1)
0 k 2 · 4 · 6 · · · (2k)
1 1 3 5 35 4
√ = 1− x + x2 − x3 + x ± . . . (|x| < 1).
1+x 2 8 16 128
Übungsaufgabe 6.3.1 Ermittle daraus durch Integrieren die Potenzreihen-
darstellung von arcsin!
Lösung:
Z Z
dx 1 3 5 35 8
arcsin x = √ = (1 + x2 + x4 + x6 + x + . . .)dx
1 − x2 2 8 16 128
1 3 5 7 35
= x + x3 + x 5 + x + x9 + . . .
6 40 112 9 · 128
Die Potenzreihen, die wir bisher betrachtet haben, sind Potenzreihen mit
dem Entwicklungspunkt 0. Allgemeiner definiert man

Definition Eine unendliche Reihe der Form

∞
X
ak (x − a)k
k=0

heißt Potenzreihe mit dem Entwicklungspunkt (oder Zentrum) a. Die Zahlen

ak heißen die Koeffizienten dieser Potenzreihe.
Bisher hatten wir den Fall a = 0 betrachtet; diesen Fall erreicht man durch
die Substitution z := x − a:
X∞
ak z k .
k=0
Als Konvergenzradius einer Potenzreihe mit dem Entwicklungspunkt a be-
zeichnet man den Konvergenzradius R der entsprechenden Reihe mit Zen-
trum 0. Für das Konvergenzintervall M gilt
(a − R, a + R) ⊆ M ⊆ [a − R, a + R].
Das Konvergenzverhalten von Potenzreihen mit Entwicklungspunkt 0 überträgt
sich entsprechend auf Potenzreihen mit beliebigem Entwicklungspunkt.

Beispiel 6.3.2 Die Darstellung der e-Funktion als Potenzreihe mit Entwick-
lungspunkt a folgt aus ex = ea ex−a :
∞
X ea
ex = (x − a)k , x ∈ R.
k=0
k!
128 Kapitel 6. Potenzreihen

6.4 Taylorreihen
Die Funktion f sei über (a − R, a + R) (R > 0) als Potenzreihe
∞
X
f (x) = ak (x − a)k
k=0

mit Entwicklungspunkt a darstellbar. Dann kann man die Koeffizienten ak

wie folgt berechnen. Es gilt nach Satz 6.3.1:
∞
X
f (n) (x) = k(k − 1) · · · (k − n + 1)ak (x − a)k−n
k=n
= n(n − 1) · · · 1an + (n + 1)n · · · 2an+1 (x − a) + . . . .

Setzen wir nun x = a, so erhalten wir f (n) (a) = n!an oder umgeformt

f (n) (a)
an = .
n!
Damit erhalten wir

Satz 6.4.1 (Koeffizientenvergleich) Aus

∞
X ∞
X
k
f (x) = ak (x − a) = bk (x − a)k
k=0 k=0

für alle x ∈ (a − R, a + R) (R > 0) folgt

f (k) (a)
ak = b k = (k = 0, 1, 2, . . .).
k!
Wir versuchen nun, eine beliebig oft differenzierbare Funktion f über
einem Intervall (a−R, a+R) (R > 0) als Potenzreihe darzustellen. Satz 6.4.1
besagt: Wenn eine solche Darstellung überhaupt möglich ist, dann nur in der
Form ∞
X f (k) (a)
f (x) = (x − a)k .
k=0
k!
Eine solche Reihe nennt man Taylor-Reihe zu der Funktion f um den Punkt
a (oder mit Entwicklungspunkt a). Gilt
∞
X f (k) (a)
f (x) = (x − a)k für a − R < x < a + R,
k=0
k!
6.4 Taylorreihen 129

so sagt man: f lässt sich um a als Taylor-Reihe darstellen bzw. f lässt sich
um a in eine Taylor-Reihe entwickeln.
Um zu untersuchen, unter welchen Bedingungen sich eine gegebene Funk-
tion f um einen Punkt a als Taylor-Reihe darstellen lässt, betrachten wir die
Approximation von f durch Taylor-Polynome.

Definition Das Polynom

n
X f (k) (a)
Tn (x, a) := (x − a)k
k=0
k!

heißt das n-te Taylor-Polynom von f um a.

Satz 6.4.2 (Taylor-Formel) Es sei I ⊆ R eine offenes Intervall, f : I →

R eine (n + 1)-mal stetig differenzierbare Funktion, a, x ∈ I. Dann gilt

f 0 (a) f (n) (a)

f (x) = f (a) + (x − a) + . . . + (x − a)n +Rn+1 (x, a)
| 1! {z n! }
Tn (x,a)

mit dem Restglied

Z x
1
Rn+1 (x, a) = (x − t)n f (n+1) (t)dt (Cauchy)
n! a

bzw.

f (n+1) (ξ)
Rn+1 (x, a) = (x − a)n+1 mit ξ zwischen x und a (Lagrange)
(n + 1)!

Beweis.
Z x
f (x) = f (a) + f 0 (t)dt (Hauptsatz)
a
Z x
0
= f (a) + f (a)(x − a) + (x − t)f 00 (t)dt (Partielle Integration)
a
f 00 (a) 1 x
Z
0
= f (a) + f (a)(x − a) + (x − a) + 2
(x − t)2 f 000 (t)dt
2! 2! a
= usw.

Die Lagrangesche Form des Restglieds ergibt sich durch den Mittelwertsatz
der Integralrechnung. 2
130 Kapitel 6. Potenzreihen

Deutung der Taylor-Formel

Durch f (a), f 0 (a), . . . , f (n) (a) wird ein Polynom

0 f (n) (a)
p(x) = Tn (x, a) = f (a) + f (a)(x − a) + . . . + (x − a)n
n!
bestimmt, das f in einer Umgebung des Punktes x = a gut approximiert:

p(k) (a) = f (k) (a) für 0 ≤ k ≤ n.

Das Restglied
Rn+1 (x, a) = f (x) − Tn (x, a)
ist der Fehler, der hierbei gemacht wird.
Durch Kenntnis des Restglieds kann man diesen Fehler abschätzen:

Beispiel 6.4.1
x2 xn eξ
ex = 1 + x + + ... + + xn+1 (a = 0).
2! n! (n + 1)!
Für |x| ≤ 1 ergibt sich die Abschätzung

xn eξ e
ex − 1 − x − . . . − = |x|n+1 ≤ |x|n+1
n! (n + 1)! (n + 1)!
(ξ zwischen 0 und x!)

Übungsaufgabe 6.4.1 Bei vorgebener Fehlertoleranz ±ε ist n (in Abhängig-

keit von x) so zu bestimmen, dass |Rn+1 (x, a)| ≤ ε gilt.
e
Lösung für ε = 10−7 , x = 10
1
: n = 5 ( 10−6 < 10−7 ).
6!
e
−7
Lösung für ε = 10 , x = 1: n = 10 ( < 10−7 ).
11!
Beispiel 6.4.2
x3 x5 x7 sin ξ 8
sin x = x − + − + x (a = 0).
3! 5! 7! 8!
Für alle x ∈ R ergibt sich die Abschätzung
x3 x5 x7 sin ξ 8 1
sin x − x + − + = x ≤ |x|8 .
3! 5! 7! 8! 8!
Je weiter wir von 0 weggehen, desto größer wird der Fehler!
6.4 Taylorreihen 131

Folgerungen aus der Taylor-Formel

Übungsaufgabe 6.4.2 Es sei I eine offenes Intervall, f : I → R eine (n+1)-
mal stetig differenzierbare Funktion mit f (n+1) (x) = 0 für alle x ∈ I. Welche
Gestalt hat f ?
Lösung f ist ein Polynom vom Grad ≤ n. Denn für das Lagrangesche Rest-
glied folgt Rn+1 (x, a) = 0, also f (x) = Tn (x, a) für a ∈ I.

Satz 6.4.3 (3. Extremwerttest) Es sei f : I → R n-mal stetig differen-

zierbar, a ∈ I, und es gelte

f 0 (a) = f 00 (a) = . . . = f (n−1) (a) = 0, f (n) (a) 6= 0.

Dann gilt

(a) a Extremstelle ⇔ n gerade.

   
(n) <0 Maximalstelle
(b) n gerade, f (a) ⇒ a lokale .
>0 Minimalstelle

Beweis. Die Taylor-Formel lautet in diesem Fall:

f (n) (ξ)
f (x) = f (a) + (x − a)n .
n!
Daraus liest man die Behauptungen des Satzes ab. 2
Es sei nun f eine auf dem offenen Intervall I ⊆ R beliebig oft differenzier-
bare Funktion, a ∈ I. Dann kann man zu f die Taylor-Reihe um a bilden:
∞
X f (k) (a)
(x − a)k .
k=0
k!

Zwei Fragen müssen geklärt werden:

1. Für welche x konvergiert die Taylor-Reihe?

2. Wenn die Taylor-Reihe für ein x ∈ I konvergiert, konvergiert sie dann

gegen f (x)?

Warnung Es ist möglich, dass die Taylor-Reihe nur für für x = a konver-
giert. Es ist auch möglich, dass die Taylor-Reihe eine von f (x) verschiedene
Summe besitzt.
132 Kapitel 6. Potenzreihen

Beispiel 6.4.3 Man betrachte die Funktion

1
e− x2

falls x 6= 0,
f (x) :=
0 falls x = 0.

Wegen f (k) (0) = 0 für alle k ≥ 0 ist dieTaylor-Reihe von f um 0 die Nullreihe,
aber f (x) 6= 0 für x 6= 0.
Durch die Taylor-Formel erhalten wir eine notwendige und hinreichende
Bedingung dafür, dass f durch die zugehörige Taylor-Reihe dargestellt wird:
Die Taylor-Formel lautet:

f (x) = Tn (x, a) + Rn+1 (x, a).

Also gilt
f (x) = lim Tn (x, a) ⇔ lim Rn (x, a) = 0.
n→∞ n→∞

Also erhalten wir:

Satz 6.4.4 (Taylor-Entwicklung) Es sei f : I → R beliebig oft differen-

zierbar, a ∈ I. Dann konvergiert die Taylor-Reihe von f um a genau für
diejenigen x ∈ I gegen f (x), d.h. es gilt
∞
X f (k) (a)
f (x) = (x − a)k ,
k=0
k!

für die das Restglied

f (n) (ξ)
Rn (x, a) = (x − a)n
n!
mit n → ∞ gegen 0 strebt.

Bemerkung 6.4.1 Eine hinreichende Bedingung für limn→∞ Rn (x, a) = 0

ist: Es gibt Konstanten A, B, so dass für alle x ∈ I und alle n ∈ N

|f (n) (x)| ≤ AB n

Bn
gilt. (Denn dann gilt: |Rn (x, a)| ≤ A (x − a)n → 0 für n → ∞.)
n!
Frage. Wie sieht die Taylor-Reihe eines Polynoms p(x) = a0 +a1 x+. . .+an xn
aus?
6.4 Taylorreihen 133

Anwort. p(x) lässt sich um jeden Punkt a ∈ R in die Taylor-Reihe

p(n) (a)
p(x) = p(a) + p0 (a)(x − a) + . . . + (x − a)n
n!

entwickeln. (Denn: p(n+1) (x) = 0 ⇒ Rn+1 (x, a) = 0 ⇒ p(x) = Tn (x, a) für

alle x.)
Wie findet man nun Reihenentwicklungen?

(a) Mit der Taylor-Formel und dem Nachweis Rn (x, a) → 0. Im Allgemei-

nen ungeschickt.

(b) Bekannte Reihen differenzieren oder integrieren. Beispiele haben wir

schon gesehen, vgl. Übungsaufgabe 6.3.1.

(c) Als Summe oder Produkt von Funktionen mit bekannter Reihenent-
wicklung darstellen.

Beispiel 6.4.4

1 x
cosh x = (e + e−x )
2
x2 x3 x 2 x3

1
= 1+x+ + ... + 1 − x + − ± ...
2 2! 3! 2! 3!
x2 x4 x6
= 1+ + + + . . . (x ∈ R).
2! 4! 6!
Entsprechend

x3 x5 x7
sinh x = x + + + + ... (x ∈ R).
3! 5! 7!
Zum Abschluss wollen wir noch zwei Anwendungsbeispiele darstellen.

Grenzwertberechnungen

x3 x5 x7
sin x x−
+ − ± ...
lim = lim 3! 5! 7!
x→0 x x→0 x
x2 x4 x6
 
= lim 1 − + − ± . . . = 1.
x→0 3! 5! 7!
134 Kapitel 6. Potenzreihen

Integration
Wir betrachten das elliptische Integral
Z ϕ
dt
F (ϕ, k) = p (0 ≤ k 2 < 1).
0 1 − k 2 sin2 t
Der Integrand besitzt keine Stammfunktion unter den elementaren Funktio-
nen. Wir behelfen uns dadurch, dass wir das Integral näherungsweise berech-
nen. Dazu stellen wir den Integrand als Potenzreihe dar und integrieren dann
gliedweise. Mit x = −k 2 sin2 t ergibt die binomische Reihe mit α = − 12 :

1 1 3 5
p = 1 + k 2 sin2 t + k 4 sin4 t + k 6 sin6 t + . . .
1 − k 2 sin2 t 2 8 16
Z ϕ Z ϕ
5 6 ϕ 6
Z
1 2 2 3 4 4
⇒ F (ϕ, k) = ϕ + k sin tdt + k sin tdt + k sin tdt + . . .
2 0 8 0 16 0

Speziell für ϕ = π2 :
π  
π 1 2 9 4 25 6
K(k) := F ,k = 1+ k + k + k + ... , |k| < 1.
2 2 4 64 256
Inhaltsverzeichnis

1 Lineare Algebra I 3
1.1 Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Der Vektorraum Rn . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Das Skalarprodukt im Rn . . . . . . . . . . . . . . . . . . . . 6
1.4 Das Vektorprodukt im R3 . . . . . . . . . . . . . . . . . . . . 13
1.5 Geraden und Ebenen . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Komplexe Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.7 Lineare Gleichungssysteme . . . . . . . . . . . . . . . . . . . . 23
1.8 Basis und Dimension . . . . . . . . . . . . . . . . . . . . . . . 30
1.9 Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.10 Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2 Lineare Algebra II 45
2.1 Lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . 45
2.2 Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . 47
2.3 Koordinatentransformation . . . . . . . . . . . . . . . . . . . . 50

3 Funktionen 55
3.1 Polynome und rationale Funktionen . . . . . . . . . . . . . . . 55
3.2 Folgen und Reihen . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3 Grenzwerte von Funktionen . . . . . . . . . . . . . . . . . . . 71
3.4 Stetigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4 Differentiation 77
4.1 Differenzierbarkeit . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Rechenregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.3 Umkehrfunktionen . . . . . . . . . . . . . . . . . . . . . . . . 81
4.4 Extremwerte und Mittelwertsatz . . . . . . . . . . . . . . . . . 83
4.5 Elementare Funktionen . . . . . . . . . . . . . . . . . . . . . . 86
4.6 Die Regel von de L’Hospital . . . . . . . . . . . . . . . . . . . 94
4.7 Nullstellen und Fixpunkte . . . . . . . . . . . . . . . . . . . . 96

135
136 INHALTSVERZEICHNIS

5 Integration 99
5.1 Das bestimmte Integral . . . . . . . . . . . . . . . . . . . . . . 99
5.2 Der Hauptsatz der Differential- und Integralrechnung . . . . . 102
5.3 Integrationsregeln . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4 Uneigentliche Integrale . . . . . . . . . . . . . . . . . . . . . . 107
5.5 Partialbruchzerlegung . . . . . . . . . . . . . . . . . . . . . . . 111

6 Potenzreihen 117
6.1 Gleichmäßige Konvergenz . . . . . . . . . . . . . . . . . . . . 117
6.2 Konvergenzradius . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.3 Reihenentwicklung der elementaren Funktionen . . . . . . . . 124
6.4 Taylorreihen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128