aboutsummaryrefslogtreecommitdiffstats
path: root/buch/chapters/40-eigenwerte
diff options
context:
space:
mode:
Diffstat (limited to 'buch/chapters/40-eigenwerte')
-rw-r--r--buch/chapters/40-eigenwerte/chapter.tex100
-rw-r--r--buch/chapters/40-eigenwerte/images/Makefile88
-rw-r--r--buch/chapters/40-eigenwerte/images/minmax.tex268
-rw-r--r--buch/chapters/40-eigenwerte/spektraltheorie.tex1604
4 files changed, 1030 insertions, 1030 deletions
diff --git a/buch/chapters/40-eigenwerte/chapter.tex b/buch/chapters/40-eigenwerte/chapter.tex
index 242a5e5..34c2444 100644
--- a/buch/chapters/40-eigenwerte/chapter.tex
+++ b/buch/chapters/40-eigenwerte/chapter.tex
@@ -1,50 +1,50 @@
-%
-% chapter.tex -- Kapitel über Eigenwerte und Eigenvektoren
-%
-% (c) 2021 Prof Dr Andreas Müller, OST Ostschweizer Fachhochschule
-%
-\chapter{Eigenwerte und Eigenvektoren
-\label{buch:chapter:eigenwerte-und-eigenvektoren}}
-\lhead{Eigenwerte und Eigenvektoren}
-\rhead{}
-Die algebraischen Eigenschaften einer Matrix $A$ sind eng mit der
-Frage nach linearen Beziehungen unter den Potenzen von $A^k$ verbunden.
-Im Allgemeinen ist die Berechnung dieser Potenzen eher unübersichtlich,
-es sei denn, die Matrix hat eine spezielle Form.
-Die Potenzen einer Diagonalmatrix erhält man, indem man die Diagonalelemente
-potenziert.
-Auch für Dreiecksmatrizen ist mindestens die Berechnung der Diagonalelemente
-von $A^k$ einfach.
-Die Theorie der Eigenwerte und Eigenvektoren ermöglicht, Matrizen in
-eine solche besonders einfache Form zu bringen.
-
-In Abschnitt~\ref{buch:section:grundlagen} werden die grundlegenden
-Definitionen der Eigenwerttheorie in Erinnerung gerufen.
-Damit kann dann in Abschnitt~\ref{buch:section:normalformen}
-gezeigt werden, wie Matrizen in besonders einfache Form gebracht
-werden können.
-Die Eigenwerte bestimmen auch die Eigenschaften von numerischen
-Algorithmen, wie in den Abschnitten~\ref{buch:section:spektralradius}
-und \ref{buch:section:numerisch} dargestellt wird.
-Für viele Funktionen kann man auch den Wert $f(A)$ berechnen, unter
-geeigneten Voraussetzungen an den Spektralradius.
-Dies wird in Abschnitt~\ref{buch:section:spektraltheorie} beschrieben.
-
-
-\input{chapters/40-eigenwerte/grundlagen.tex}
-\input{chapters/40-eigenwerte/normalformen.tex}
-\input{chapters/40-eigenwerte/spektralradius.tex}
-\input{chapters/40-eigenwerte/spektraltheorie.tex}
-%\input{chapters/40-eigenwerte/numerisch.tex}
-
-\section*{Übungsaufgaben}
-\rhead{Übungsaufgaben}
-\aufgabetoplevel{chapters/40-eigenwerte/uebungsaufgaben}
-\begin{uebungsaufgaben}
-\uebungsaufgabe{4001}
-\uebungsaufgabe{4002}
-\uebungsaufgabe{4003}
-\uebungsaufgabe{4004}
-\uebungsaufgabe{4005}
-\end{uebungsaufgaben}
-
+%
+% chapter.tex -- Kapitel über Eigenwerte und Eigenvektoren
+%
+% (c) 2021 Prof Dr Andreas Müller, OST Ostschweizer Fachhochschule
+%
+\chapter{Eigenwerte und Eigenvektoren
+\label{buch:chapter:eigenwerte-und-eigenvektoren}}
+\lhead{Eigenwerte und Eigenvektoren}
+\rhead{}
+Die algebraischen Eigenschaften einer Matrix $A$ sind eng mit der
+Frage nach linearen Beziehungen unter den Potenzen von $A^k$ verbunden.
+Im Allgemeinen ist die Berechnung dieser Potenzen eher unübersichtlich,
+es sei denn, die Matrix hat eine spezielle Form.
+Die Potenzen einer Diagonalmatrix erhält man, indem man die Diagonalelemente
+potenziert.
+Auch für Dreiecksmatrizen ist mindestens die Berechnung der Diagonalelemente
+von $A^k$ einfach.
+Die Theorie der Eigenwerte und Eigenvektoren ermöglicht, Matrizen in
+eine solche besonders einfache Form zu bringen.
+
+In Abschnitt~\ref{buch:section:grundlagen} werden die grundlegenden
+Definitionen der Eigenwerttheorie in Erinnerung gerufen.
+Damit kann dann in Abschnitt~\ref{buch:section:normalformen}
+gezeigt werden, wie Matrizen in besonders einfache Form gebracht
+werden können.
+Die Eigenwerte bestimmen auch die Eigenschaften von numerischen
+Algorithmen, wie in den Abschnitten~\ref{buch:section:spektralradius}
+und \ref{buch:section:numerisch} dargestellt wird.
+Für viele Funktionen kann man auch den Wert $f(A)$ berechnen, unter
+geeigneten Voraussetzungen an den Spektralradius.
+Dies wird in Abschnitt~\ref{buch:section:spektraltheorie} beschrieben.
+
+
+\input{chapters/40-eigenwerte/grundlagen.tex}
+\input{chapters/40-eigenwerte/normalformen.tex}
+\input{chapters/40-eigenwerte/spektralradius.tex}
+\input{chapters/40-eigenwerte/spektraltheorie.tex}
+%\input{chapters/40-eigenwerte/numerisch.tex}
+
+\section*{Übungsaufgaben}
+\rhead{Übungsaufgaben}
+\aufgabetoplevel{chapters/40-eigenwerte/uebungsaufgaben}
+\begin{uebungsaufgaben}
+\uebungsaufgabe{4001}
+\uebungsaufgabe{4002}
+\uebungsaufgabe{4003}
+\uebungsaufgabe{4004}
+\uebungsaufgabe{4005}
+\end{uebungsaufgaben}
+
diff --git a/buch/chapters/40-eigenwerte/images/Makefile b/buch/chapters/40-eigenwerte/images/Makefile
index 54b36d5..4d882f0 100644
--- a/buch/chapters/40-eigenwerte/images/Makefile
+++ b/buch/chapters/40-eigenwerte/images/Makefile
@@ -1,44 +1,44 @@
-#
-# Makefile
-#
-# (c) 2020 Prof Dr Andreas Müller, Hochschule Rappersil
-#
-all: sp.pdf nilpotent.pdf kernbild.pdf kombiniert.pdf \
- wurzelapprox.pdf wurzel.pdf dimjk.pdf jknilp.pdf \
- normalform.pdf minmax.pdf
-
-sp.pdf: sp.tex sppaths.tex
- pdflatex sp.tex
-
-sppaths.tex: spbeispiel.m
- octave spbeispiel.m
-
-nilpotent.pdf: nilpotent.tex
- pdflatex nilpotent.tex
-
-kernbild.pdf: kernbild.tex bild2.jpg kern2.jpg
- pdflatex kernbild.tex
-
-kombiniert.pdf: kombiniert.tex kombiniert.jpg
- pdflatex kombiniert.tex
-
-wurzelapprox.pdf: wurzelapprox.tex wa.tex
- pdflatex wurzelapprox.tex
-
-wa.tex: wa.m
- octave wa.m
-
-wurzel.pdf: wurzel.tex
- pdflatex wurzel.tex
-
-dimjk.pdf: dimjk.tex
- pdflatex dimjk.tex
-
-jknilp.pdf: jknilp.tex
- pdflatex jknilp.tex
-
-normalform.pdf: normalform.tex
- pdflatex normalform.tex
-
-minmax.pdf: minmax.tex
- pdflatex minmax.tex
+#
+# Makefile
+#
+# (c) 2020 Prof Dr Andreas Müller, Hochschule Rappersil
+#
+all: sp.pdf nilpotent.pdf kernbild.pdf kombiniert.pdf \
+ wurzelapprox.pdf wurzel.pdf dimjk.pdf jknilp.pdf \
+ normalform.pdf minmax.pdf
+
+sp.pdf: sp.tex sppaths.tex
+ pdflatex sp.tex
+
+sppaths.tex: spbeispiel.m
+ octave spbeispiel.m
+
+nilpotent.pdf: nilpotent.tex
+ pdflatex nilpotent.tex
+
+kernbild.pdf: kernbild.tex bild2.jpg kern2.jpg
+ pdflatex kernbild.tex
+
+kombiniert.pdf: kombiniert.tex kombiniert.jpg
+ pdflatex kombiniert.tex
+
+wurzelapprox.pdf: wurzelapprox.tex wa.tex
+ pdflatex wurzelapprox.tex
+
+wa.tex: wa.m
+ octave wa.m
+
+wurzel.pdf: wurzel.tex
+ pdflatex wurzel.tex
+
+dimjk.pdf: dimjk.tex
+ pdflatex dimjk.tex
+
+jknilp.pdf: jknilp.tex
+ pdflatex jknilp.tex
+
+normalform.pdf: normalform.tex
+ pdflatex normalform.tex
+
+minmax.pdf: minmax.tex
+ pdflatex minmax.tex
diff --git a/buch/chapters/40-eigenwerte/images/minmax.tex b/buch/chapters/40-eigenwerte/images/minmax.tex
index f661d5b..cf81834 100644
--- a/buch/chapters/40-eigenwerte/images/minmax.tex
+++ b/buch/chapters/40-eigenwerte/images/minmax.tex
@@ -1,134 +1,134 @@
-%
-% minmax.tex -- minimum und maximum
-%
-% (c) 2021 Prof Dr Andreas Müller, OST Ostschweizer Fachhochschule
-%
-\documentclass[tikz]{standalone}
-\usepackage{amsmath}
-\usepackage{times}
-\usepackage{txfonts}
-\usepackage{pgfplots}
-\usepackage{csvsimple}
-\usetikzlibrary{arrows,intersections,math}
-\begin{document}
-\def\skala{1}
-\begin{tikzpicture}[>=latex,thick,scale=\skala]
-
-\definecolor{darkgreen}{rgb}{0,0.5,0}
-
-\def\mittellinie{
- plot[domain=0:6.2832,samples=400]
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159))})
-}
-
-\begin{scope}
- \fill[color=darkgreen!20]
- plot[domain=0:6.2832,samples=360]
- ({\x},{sin(180*\x/3.1415)})
- --
- plot[domain=6.2832:0,samples=360]
- ({\x},{cos(180*\x/3.1415)})
- -- cycle;
- \foreach \x in {0.5,1,...,6}{
- \draw[color=darkgreen]
- ({\x},{sin(180*\x/3.1415)})
- --
- ({\x},{cos(180*\x/3.1415)});
- }
-
- \node[color=darkgreen] at (2,-0.8) [left] {$|f(x)-g(x)|$};
- \draw[color=darkgreen,line width=0.3pt] (2,-0.8) -- (2.5,-0.7);
-
- \draw[color=blue,line width=1.4pt] plot[domain=0:6.29,samples=360]
- ({\x},{sin(180*\x/3.1415)});
- \draw[color=red,line width=1.4pt] plot[domain=0:6.29,samples=360]
- ({\x},{cos(180*\x/3.1415)});
- \draw[color=purple!50,line width=1.4pt] \mittellinie;
- \node[color=purple!50] at (6.2832,0.5) [right] {$\frac12(f(x)+g(x))$};
-
- \draw[->] (-0.1,0) -- (6.5,0) coordinate[label={below:$x$}];
- \draw[->] (0,-1.1) -- (0,1.3) coordinate[label={right:$y$}];
-
-
- \xdef\x{2}
- \node[color=blue] at (\x,{sin(180*\x/3.1415)}) [above right] {$f(x)$};
- \pgfmathparse{2.5*3.14159-\x}
- \xdef\x{\pgfmathresult}
- \node[color=red] at (\x,{cos(180*\x/3.1415)}) [above left] {$g(x)$};
-
-\end{scope}
-
-\draw[->,line width=4pt,color=gray!40] ({3.1415-1},-1.3) -- ({3.1415-2.3},-3);
-\draw[->,line width=4pt,color=gray!40] ({3.1415+1},-1.3) -- ({3.1415+2.3},-3);
-
-\node at ({3.1415-1.75},-2.15) [left] {$\frac12(f(x)+g(x))+\frac12|f(x)-g(x)|$};
-\node at ({3.1415+1.75},-2.15) [right] {$\frac12(f(x)+g(x))-\frac12|f(x)-g(x)|$};
-
-\def\s{(-0.1)}
-
-\begin{scope}[xshift=-3.4cm,yshift=-4.6cm]
- \fill[color=darkgreen!20]
- \mittellinie
- --
- plot[domain=6.2832:0,samples=400]
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)+abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
- -- cycle;
- \foreach \x in {0.5,1,...,6}{
- \draw[color=darkgreen]
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)+abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
- --
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159))});
- }
- \draw[color=darkgreen,line width=1.4pt]
- plot[domain=6.2832:0,samples=400]
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)+abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))});
-
- \node[color=darkgreen] at (2,-0.3) [left] {$|f(x)-g(x)|$};
- \draw[color=darkgreen,line width=0.3pt] (2,-0.3) -- (2.5,0.2);
-
- \draw[color=purple!50,line width=1.4pt] \mittellinie;
- \pgfmathparse{0.75*3.1415+\s}
- \xdef\x{\pgfmathresult}
- \node[color=darkgreen] at (\x,{sin(180*\x/3.1415)}) [above right]
- {$\max(f(x),g(x))$};
- \node[color=purple!50] at ({1.25*3.1415},-0.7) [below]
- {$\frac12(f(x)+g(x))$};
- \draw[->] (-0.1,0) -- (6.5,0) coordinate[label={$x$}];
- \draw[->] (0,-1.1) -- (0,1.3) coordinate[label={right:$y$}];
-\end{scope}
-
-
-\begin{scope}[xshift=+3.4cm,yshift=-4.6cm]
- \fill[color=darkgreen!20]
- \mittellinie
- --
- plot[domain=6.2832:0,samples=400]
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)-abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
- -- cycle;
- \foreach \x in {0.5,1,...,6}{
- \draw[color=darkgreen]
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)-abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
- --
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159))});
- }
- \draw[color=darkgreen,line width=1.4pt]
- plot[domain=6.2832:0,samples=400]
- ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)-abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))});
-
- \node[color=darkgreen] at (3,0.3) [right] {$|f(x)-g(x)|$};
- \draw[color=darkgreen,line width=0.3pt] (3,0.3) -- (2.5,-0.4);
-
- \draw[color=purple!50,line width=1.4pt] \mittellinie;
- \pgfmathparse{0.75*3.1415-\s}
- \xdef\x{\pgfmathresult}
- \node[color=darkgreen] at (\x,{cos(180*\x/3.1415)}) [below left]
- {$\min(f(x),g(x))$};
- \node[color=purple!50] at ({0.25*3.1415},0.7) [above right]
- {$\frac12(f(x)+g(x))$};
- \draw[->] (-0.1,0) -- (6.5,0) coordinate[label={$x$}];
- \draw[->] (0,-1.1) -- (0,1.3) coordinate[label={right:$y$}];
-\end{scope}
-
-\end{tikzpicture}
-\end{document}
-
+%
+% minmax.tex -- minimum und maximum
+%
+% (c) 2021 Prof Dr Andreas Müller, OST Ostschweizer Fachhochschule
+%
+\documentclass[tikz]{standalone}
+\usepackage{amsmath}
+\usepackage{times}
+\usepackage{txfonts}
+\usepackage{pgfplots}
+\usepackage{csvsimple}
+\usetikzlibrary{arrows,intersections,math}
+\begin{document}
+\def\skala{1}
+\begin{tikzpicture}[>=latex,thick,scale=\skala]
+
+\definecolor{darkgreen}{rgb}{0,0.5,0}
+
+\def\mittellinie{
+ plot[domain=0:6.2832,samples=400]
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159))})
+}
+
+\begin{scope}
+ \fill[color=darkgreen!20]
+ plot[domain=0:6.2832,samples=360]
+ ({\x},{sin(180*\x/3.1415)})
+ --
+ plot[domain=6.2832:0,samples=360]
+ ({\x},{cos(180*\x/3.1415)})
+ -- cycle;
+ \foreach \x in {0.5,1,...,6}{
+ \draw[color=darkgreen]
+ ({\x},{sin(180*\x/3.1415)})
+ --
+ ({\x},{cos(180*\x/3.1415)});
+ }
+
+ \node[color=darkgreen] at (2,-0.8) [left] {$|f(x)-g(x)|$};
+ \draw[color=darkgreen,line width=0.3pt] (2,-0.8) -- (2.5,-0.7);
+
+ \draw[color=blue,line width=1.4pt] plot[domain=0:6.29,samples=360]
+ ({\x},{sin(180*\x/3.1415)});
+ \draw[color=red,line width=1.4pt] plot[domain=0:6.29,samples=360]
+ ({\x},{cos(180*\x/3.1415)});
+ \draw[color=purple!50,line width=1.4pt] \mittellinie;
+ \node[color=purple!50] at (6.2832,0.5) [right] {$\frac12(f(x)+g(x))$};
+
+ \draw[->] (-0.1,0) -- (6.5,0) coordinate[label={below:$x$}];
+ \draw[->] (0,-1.1) -- (0,1.3) coordinate[label={right:$y$}];
+
+
+ \xdef\x{2}
+ \node[color=blue] at (\x,{sin(180*\x/3.1415)}) [above right] {$f(x)$};
+ \pgfmathparse{2.5*3.14159-\x}
+ \xdef\x{\pgfmathresult}
+ \node[color=red] at (\x,{cos(180*\x/3.1415)}) [above left] {$g(x)$};
+
+\end{scope}
+
+\draw[->,line width=4pt,color=gray!40] ({3.1415-1},-1.3) -- ({3.1415-2.3},-3);
+\draw[->,line width=4pt,color=gray!40] ({3.1415+1},-1.3) -- ({3.1415+2.3},-3);
+
+\node at ({3.1415-1.75},-2.15) [left] {$\frac12(f(x)+g(x))+\frac12|f(x)-g(x)|$};
+\node at ({3.1415+1.75},-2.15) [right] {$\frac12(f(x)+g(x))-\frac12|f(x)-g(x)|$};
+
+\def\s{(-0.1)}
+
+\begin{scope}[xshift=-3.4cm,yshift=-4.6cm]
+ \fill[color=darkgreen!20]
+ \mittellinie
+ --
+ plot[domain=6.2832:0,samples=400]
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)+abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
+ -- cycle;
+ \foreach \x in {0.5,1,...,6}{
+ \draw[color=darkgreen]
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)+abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
+ --
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159))});
+ }
+ \draw[color=darkgreen,line width=1.4pt]
+ plot[domain=6.2832:0,samples=400]
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)+abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))});
+
+ \node[color=darkgreen] at (2,-0.3) [left] {$|f(x)-g(x)|$};
+ \draw[color=darkgreen,line width=0.3pt] (2,-0.3) -- (2.5,0.2);
+
+ \draw[color=purple!50,line width=1.4pt] \mittellinie;
+ \pgfmathparse{0.75*3.1415+\s}
+ \xdef\x{\pgfmathresult}
+ \node[color=darkgreen] at (\x,{sin(180*\x/3.1415)}) [above right]
+ {$\max(f(x),g(x))$};
+ \node[color=purple!50] at ({1.25*3.1415},-0.7) [below]
+ {$\frac12(f(x)+g(x))$};
+ \draw[->] (-0.1,0) -- (6.5,0) coordinate[label={$x$}];
+ \draw[->] (0,-1.1) -- (0,1.3) coordinate[label={right:$y$}];
+\end{scope}
+
+
+\begin{scope}[xshift=+3.4cm,yshift=-4.6cm]
+ \fill[color=darkgreen!20]
+ \mittellinie
+ --
+ plot[domain=6.2832:0,samples=400]
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)-abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
+ -- cycle;
+ \foreach \x in {0.5,1,...,6}{
+ \draw[color=darkgreen]
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)-abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))})
+ --
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159))});
+ }
+ \draw[color=darkgreen,line width=1.4pt]
+ plot[domain=6.2832:0,samples=400]
+ ({\x},{0.5*(sin(180*\x/3.14159)+cos(180*\x/3.14159)-abs(sin(180*\x/3.14159)-cos(180*\x/3.14159)))});
+
+ \node[color=darkgreen] at (3,0.3) [right] {$|f(x)-g(x)|$};
+ \draw[color=darkgreen,line width=0.3pt] (3,0.3) -- (2.5,-0.4);
+
+ \draw[color=purple!50,line width=1.4pt] \mittellinie;
+ \pgfmathparse{0.75*3.1415-\s}
+ \xdef\x{\pgfmathresult}
+ \node[color=darkgreen] at (\x,{cos(180*\x/3.1415)}) [below left]
+ {$\min(f(x),g(x))$};
+ \node[color=purple!50] at ({0.25*3.1415},0.7) [above right]
+ {$\frac12(f(x)+g(x))$};
+ \draw[->] (-0.1,0) -- (6.5,0) coordinate[label={$x$}];
+ \draw[->] (0,-1.1) -- (0,1.3) coordinate[label={right:$y$}];
+\end{scope}
+
+\end{tikzpicture}
+\end{document}
+
diff --git a/buch/chapters/40-eigenwerte/spektraltheorie.tex b/buch/chapters/40-eigenwerte/spektraltheorie.tex
index 466b99e..367a4c9 100644
--- a/buch/chapters/40-eigenwerte/spektraltheorie.tex
+++ b/buch/chapters/40-eigenwerte/spektraltheorie.tex
@@ -1,802 +1,802 @@
-%
-% spektraltheorie.tex
-%
-% (c) 2020 Prof Dr Andreas Müller, Hochschule Rapperswil
-%
-\section{Spektraltheorie
-\label{buch:section:spektraltheorie}}
-Aufgabe der Spektraltheorie ist, Bedingungen an eine Matrix $A$ und eine
-Funktion $f(z)$ zu finden, unter denen es möglich ist, $f(A)$ auf
-konsistente Art und Weise zu definieren.
-Weiter müssen Methoden entwickelt werden, mit denen $f(A)$ berechnet
-werden kann.
-Für ein Polynom $p(z)$ ist $p(A)$ durch einsetzen definiert.
-Für Funktionen, die sich nicht durch ein Polynom darstellen lassen,
-muss eine Approximation der Funktion durch Polynome verwendet werden.
-Sei also $p_n(z)$ eine Folge von Polynomen, die als Approximation der
-Funktion $f(z)$ verwendet werden soll.
-Das Ziel ist, $f(A)$ als den Grenzwert der Matrixfolge $p_n(A)$
-zu definieren.
-
-Zunächst ist nicht klar, wie eine solche Folge gewählt werden muss.
-Es muss eine Teilmenge von $K\subset\mathbb{C}$ spezifiziert werden,
-auf der die Funktionenfolge $p_n(z)$ konvergieren muss,
-damit auch die Konvergenz der Matrizenfolge $p_n(A)$ garantiert ist.
-Auch die Art der Konvergenz von $p_n(z)$ auf der Menge $K$ ist noch
-unklar.
-Da der Abstand zweier Matrizen $A$ und $B$ in der Operatornorm
-mit der grössten Abweichung $\|(A-B)v\|$ für Einheitsvektoren $v$
-gemessen wird, ist es einigermassen plausibel, dass
-die grösse Abweichung zwischen zwei Polynomen $|p(z) - q(z)|$ auf
-der Menge $K$ kleine sein muss, wenn $\|p(A)-q(A)\|$ klein
-sein soll.
-Da die Differenz $p(z)-q(z)$ für beliebige Polynome, die sich nicht
-nur um eine Konstante unterscheiden, mit $z$ über alle Grenzen wächst,
-muss $K$ beschränkt sein.
-Gesucht ist also eine kompakte Menge $K\subset\mathbb{C}$ und eine
-Folge $p_n(z)$ von Polynomen, die auf $K$ gleichmässig gegen $f(z)$
-konvergieren.
-Die Wahl von $K$ muss sicherstellen, dass für jede gleichmässig
-konvergente Folge von Polynomen $p_n(z)$ auch die Matrizenfolge
-$p_n(A)$ konvergiert.
-
-Es wird sich zeigen, dass die Menge $K$ das Spektrum von $A$ ist,
-also eine endliche Teilmenge von $\mathbb{C}$.
-Jede Funktion kann auf so einer Menge durch Polynome exakt wiedergegeben
-werden.
-Es gibt insbesondere Folgen von Polynomen, die eingeschränkt
-auf das Spektrum gleich sind, also $p_n(z)=p_m(z)$ für alle $z\in K$,
-die aber ausserhalb des Spektrums alle verschieden sind.
-Als Beispiel kann die Matrix
-\[
-N=\begin{pmatrix}0&1\\0&0\end{pmatrix}
-\]
-herangezogen werden.
-Ihr Spektrum ist $\operatorname{Sp}(N)=\{0\}\subset\mathbb{C}$.
-Zwei Polynome stimmen genau dann auf $\operatorname{Sp}(N)$ überein,
-wenn der konstante Koeffizient gleich ist.
-Die Polynome $p(z)=z$ und $q(z)=z^2$ stimmen daher auf dem Spektrum
-überein.
-Für die Matrizen gilt aber $p(N)=N$ und $q(N)=N^2=0$, die Matrizen
-stimmen also nicht überein.
-Es braucht also zusätzliche Bedingungen an die Matrix $A$, die
-sicherstellen, dass $p(A)=0$ ist, wann immer $p(z)=0$ für
-$z\in\operatorname{Sp}(A)$ gilt.
-
-In diesem Abschnitt sollen diese Fragen untersucht werden.
-In Abschnitt~\ref{buch:subsection:approximation-durch-polynome}
-wird gezeigt, wie sich Funktionen durch Polynome approximieren
-lassen, woraus sich dann Approximationen von $f(A)$ für diagonalisierbare
-Matrizen mit reellen Eigenwerten ergeben.
-
-Der Satz von Stone-Weierstrass, der in
-Abschnitt~\ref{buch:subsetion:stone-weierstrass} dargestellt wird,
-ist ein sehr allgemeines Approximationsresultat, welches nicht nur
-zeigt, dass die Approximation unter sehr natürlichen Voraussetzungen
-beliebig genau möglich ist, sondern uns im komplexen Fall auch
-weitere Einsicht dafür geben kann, welche Voraussetzungen an eine
-komplexe Matrix gestellt werden müssen, damit man damit rechnen kann,
-dass die Approximation zu einer konsistenten Definition von $f(A)$ führt.
-
-%
-% Approximation
-%
-\subsection{Approximation durch Polynome
-\label{buch:subsection:approximation-durch-polynome}}
-Die der Berechnung von $f(A)$ für eine beleibige stetige Funktion,
-die sich nicht als Potenzreihe schreiben lässt, verwendet Approximationen
-von Polynomen.
-Die numerische Mathematik hat eine grosse Menge von solchen
-Approximationsverfahren entwickelt, wovon zwei kurz (ohne Beweise)
-vorgestellt werden sollen.
-
-\subsubsection{Das Legendre-Interpolationspolynom}
-Zu vorgegebenen, verschiedenen Zahlen $z_i\in\mathbb{C}$, $0\le i\le n$,
-die auch die {\em Stützstellen} genannt werden,
-gibt es immer ein Polynom vom Grade $n$, welches in den $z_i$ vorgegebene
-Werte $f(z_i)$ annimmt.
-Ein solches Polynom lässt sich im Prinzip mit Hilfe eines linearen
-Gleichungssystems finden, man kann aber auch direkt eine Lösung
-konstruieren.
-Dazu bildet man erst die Polynome
-\begin{align*}
-l(z) &= (z-z_0)(z-z_1)\dots (z-z_n) \qquad\text{und}
-\\
-l_i(z) &= (z-z_0)\dots \widehat{(z-z_i)}\dots (z-z_n).
-\end{align*}
-Darin bedeutet der Hut, dass dieser Term weggelassen werden soll.
-Für $z\ne z_i$ ist $l_i(z)=l(z)/(z-z_i)$.
-Die Polynome
-\[
-k_i(z)
-=
-\frac{l_i(z)}{l_i(z_i)}
-=
-\frac{(z-z_0)\dots \widehat{(z-z_i)}\dots (z-z_n)}{(z_i-z_0)\dots \widehat{(z_i-z_i)}\dots (z_i-z_n)}
-\]
-haben die Eigenschaft
-$k_i(z_j)=\delta_{ij}$.
-Damit lässt sich jetzt ein Polynom
-\[
-p(z) = \sum_{j=0}^n f(z_j) \frac{l_j(z)}{l_j(z_j)}
-\]
-vom Grad $n$ konstruieren, welches die Werte
-\[
-p(z_i)
-=
-\sum_{j=0}^n f(z_j) \frac{l_j(z_i)}{l_j(z_j)}
-=
-\sum_{j=0}^n f(z_j) \delta_{ij}
-=
-f_(z_i)
-\]
-annimmt.
-Das Polynom $p(z)$ heisst das {\em Legendre-Interpolationspolynom}.
-
-Zwar lässt sich also für eine endliche Menge von komplexen Zahlen immer
-ein Polynom finden, welches vorgeschriebene Wert in allen diesen Zahlen
-annimmt, doch ist die Stabilität für grosse $n$ eher beschränkt.
-
-
-\subsubsection{Gleichmassige Approximation mit Bernstein-Polynomen}
-Das Legendre-Interpolationspolynom nimmt in den Stützstellen die
-verlangten Werte an, aber ausserhalb der Stützstellen ist nicht
-garantiert, dass man eine gute Approximation einer Funktion $f(z)$
-erhält.
-
-Für die Approximation auf einem reellen Interval $[a,b]$ hat
-Sergei Natanowitsch Bernstein ein
-Dazu werden zuerst die reellen Bernsteinpolynome vom Grad $n$
-durch
-\begin{align*}
-B_{i,n}(t) = \binom{n}{i} t^i(1-t)^{n-i}.
-\end{align*}
-definiert.
-Als Approximationspolynom für die auf dem Interval
-$[0,1]$ definierte, stetige Funktion $f(t)$ kann man dann
-\[
-B_n(f)(t)
-=
-\sum_{i=0}^n B_{i,n}(t) f\biggl(\frac{i}{n}\biggr)
-\]
-verwenden.
-Die Polynome $B_n(f)(t)$ konvergieren gleichmässig auf $[0,1]$
-gegen die Funktion $f(t)$.
-Über die Konvergenz ausserhalb des reellen Intervalls wird nichts
-ausgesagt.
-Die Approximation mit Bernstein-Polynomen ist daher nur sinnvoll,
-wenn man weiss, dass die Eigenwerte der Matrix reell sind, was im
-wesentlichen auf diagonalisierbare Matrizen führt.
-
-Für ein anderes Interval $[a,b]$ kann man ein Approximationspolynom
-erhalten, indem man die affine Transformation
-$s\mapsto (s-a)/(b-a)$
-von $[a,b]$ auf $[0,1]$
-verwendet.
-
-%
-% Der Satz von Stone-Weierstrass
-%
-\subsection{Der Satz von Stone-Weierstrasss
-\label{buch:subsetion:stone-weierstrass}}
-Der Satz von Stone-Weierstrass behandelt im Gegensatz zu den in
-Abschnitt~\ref{buch:subsection:approximation-durch-polynome}
-besprochenen Approximationsmethoden nicht nur Funktionen von
-reellen Variablen durch Polynome.
-Vielmehr kann das Definitionsgebiet irgend eine abgeschlossene
-und beschränkte Teilmenge eines reellen oder komplexen Vektorraumes
-sein und die Funktionen können Polynome aber auch viel allgemeinere
-Funktionen verwendet werden, wie zum Beispiel die Funktionen
-$x\mapsto \cos nx$ und $x\mapsto \sin nx$ definiert auf dem
-Intervall $[0,2\pi]$.
-In diesem Fall liefert der Satz von Stone-Weierstrass die Aussage,
-dass sich jede stetige periodische Funktion gleichmässig durch
-trigonometrische Polynome approximieren lässt.
-
-Die Aussage des Satz von Stone-Weierstrass über reelle Funktionen
-lässt sich nicht auf komplexe Funktionen erweitern.
-Von besonderem Interesse ist jedoch, dass der Beweis des Satz
-zeigt, warum solche Aussagen für komplexe Funktionen nicht mehr
-zutreffen.
-Im Falle der Approximation von komplexen Funktionen $f(z)$ durch Polynome
-zwecks Definition von $f(A)$ werden sich daraus Bedingungen an die
-Matrix ableiten lassen, die eine konsistente Definition überhaupt
-erst ermöglichen werden.
-
-\subsubsection{Punkte trennen}
-Aus den konstanten Funktionen lassen sich durch algebraische
-Operationen nur weitere konstante Funktionen erzeugen.
-Die konstanten Funktionen sind also nur dann eine genügend
-reichhaltige Menge, wenn die Menge $K$ nur einen einzigen Punkt
-enthält.
-Damit sich Funktionen approximieren lassen, die in zwei Punkten
-verschiedene Werte haben, muss es auch unter den zur Approximation
-zur Verfügung stehenden Funktionen solche haben, deren Werte sich
-in diesen Punkten unterscheiden.
-Diese Bedingung wird in der folgenden Definition formalisiert.
-
-\begin{definition}
-Sei $K$ eine beliebige Menge und $A$ eine Menge von Funktionen
-$K\to \mathbb{C}$.
-Man sagt, $A$ {\em trennt die Punkte von $K$}, wenn es für jedes Paar
-\index{Punkte trennen}%
-von Punkten $x,y\in K$ eine Funktion $f\in A$ gibt derart, dass
-$f(x)\ne f(y)$.
-\end{definition}
-
-Man kann sich die Funktionen $f$, die gemäss dieser Definition die Punkte
-von $K$ trennen, als eine Art Koordinaten der Punkte in $K$ vorstellen.
-Die Punkte der Teilmenge $K\subset \mathbb{R}^n$ werden zum Beispiel
-von den Koordinatenfunktionen $x\mapsto x_i$ getrennt.
-Wir schreiben für die $i$-Koordinate daher auch als Funktion $x_i(x)=x_i$.
-Zwei verschiedene Punkte $x,y\in K$ unterscheiden sich in mindestens
-einer Koordinate.
-Für diese Koordinate sind dann die Werte der zugehörigen
-Koordinatenfunktion $x_i=x_i(x)\ne x_i(y)=y_i$ verschieden, die
-Funktionen $x_1(x)$ bis $x_n(x)$ trennen also die Punkte.
-
-\begin{beispiel}
-Wir betrachten einen Kreis in der Ebene, also die Menge
-\[
-S^1
-=
-\{(x_1,x_2)\;|\; x_1^2 + x_2^2=1\}
-\]
-$S^1$ ist eine abgeschlossene und beschränkte Menge in $\mathbb{R}^2$.
-Die Funktion $x\mapsto x_1$ trennt die Punkte nicht, denn zu jedem
-Punkt $(x_1,x_2)\in S^2$ gibt es den an der ersten Achse
-gespiegelten Punkt $\sigma(x)=(x_1,-x_2)$, dessen erste Koordinate
-den gleichen Wert hat.
-Ebenso trennt die Koordinatenfunktion $x\mapsto x_2$ die Punkte nicht.
-Die Menge $A=\{ x_1(x), x_2(x)\}$ bestehend aus den beiden
-Koordinatenfunktionen trennt dagegen die Punkte von $S^1$, da die Punkte
-sich immer in mindestens einem Punkt unterscheiden.
-
-Man könnte auch versuchen, den Kreis in Polarkoordinaten zu beschreiben.
-Die Funktion $\varphi(x)$, die jedem Punkt $x\in S^1$ den Polarwinkel
-zuordnet, trennt sicher die Punkte des Kreises.
-Zwei verschiedene Punkte auf dem Kreis haben verschieden Polarwinkel.
-Die Menge $\{\varphi\}$ trennt also die Punkte von $S^1$.
-Allerdings ist die Funktion nicht stetig, was zwar der Definition
-nicht widerspricht aber ein Hindernis für spätere Anwendungen ist.
-\end{beispiel}
-
-
-\subsubsection{Der Satz von Stone-Weierstrass für reelle Funktionen}
-Die Beispiele von Abschnitt~\ref{buch:subsection:approximation-durch-polynome}
-haben bezeigt, dass sich reellwertige Funktionen einer reellen
-Variable durch Polynome beliebig genau approximieren lassen.
-Es wurde sogar eine Methode vorgestellt, die eine auf einem Intervall
-gleichmässig konvergente Polynomefolge produziert.
-Die Variable $x\in[a,b]$ trennt natürlich die Punkte, die Algebra der
-Polynome in der Variablen $x$ enthält also sicher Funktionen, die in
-verschiedenen Punkten des Intervalls auch verschiedene Werte annehmen.
-Nicht ganz so selbstverständlich ist aber, dass sich daraus bereits
-ergibt, dass jede beliebige Funktion sich als Polynome in $x$
-approximieren lässt.
-Dies ist der Inhalt des folgenden Satzes von Stone-Weierstrass.
-
-\begin{figure}
-\centering
-\includegraphics{chapters/40-eigenwerte/images/wurzel.pdf}
-\caption{Konstruktion einer monoton wachsenden Approximationsfolge für
-$\sqrt{a}$
-\label{buch:eigenwerte:fig:wurzelverfahren}}
-\end{figure}
-
-\begin{figure}
-\centering
-\includegraphics[width=\textwidth]{chapters/40-eigenwerte/images/wurzelapprox.pdf}
-\caption{Monoton wachsende Approximation der Funktion $t\mapsto\sqrt{t}$ mit
-Polynomen $u_n(t)$ nach
-\eqref{buch:eigenwerte:eqn:wurzelapproximation}
-(links) und der Fehler der Approximation
-(rechts).
-\label{buch:eigenwerte:fig:wurzelapproximation}}
-\end{figure}
-
-\begin{satz}[Stone-Weierstrass]
-\label{buch:satz:stone-weierstrass}
-Enthält eine $\mathbb{R}$-Algebra $A$ von stetigen, rellen Funktionen
-auf einer kompakten Menge $K$ die konstanten Funktionen und trennt sie
-Punkte, d.~h.~für zwei verschiedene Punkte $x,y\in K$ gibt es
-immer eine Funktion $f\in A$ mit $f(x)\ne f(y)$, dann ist jede stetige,
-reelle Funktion auf $K$ gleichmässig approximierbar durch Funktionen
-in $A$.
-\end{satz}
-
-Für den Beweis des Satzes wird ein Hilfsresultat benötigt, welches wir
-zunächst ableiten.
-Es besagt, dass sich die Wurzelfunktion $t\mapsto\sqrt{t}$
-auf dem Interval $[0,1]$ gleichmässig
-von unten durch Polynome approximieren lässt, die in
-Abbildung~\ref{buch:eigenwerte:fig:wurzelapproximation} dargestellt
-sind.
-
-\begin{satz}
-Die rekursiv definierte Folge von Polynomen
-\begin{equation}
-u_{n+1}(t)
-=
-u_n(t) + \frac12(t-u_n(t)^2),
-\qquad
-u_0(t)=0
-\label{buch:eigenwerte:eqn:wurzelapproximation}
-\end{equation}
-ist monoton wachsend und approximiert die Wurzelfunktion $t\mapsto\sqrt{t}$
-gleichmässig auf dem Intervall $[0,1]$.
-\end{satz}
-
-\begin{figure}
-\centering
-\includegraphics{chapters/40-eigenwerte/images/minmax.pdf}
-\caption{Graphische Erklärung der
-Identitäten~\eqref{buch:eigenwerte:eqn:minmax} für
-$\max(f(x),g(x))$ und $\min(f(x),g(x))$.
-Die purpurrote Kurve stellt den Mittelwert von $f(x)$ und $g(x)$ dar,
-die vertikalen grünen Linien haben die Länge der Differenz $|f(x)-g(x)|$.
-Das Maximum erhält man, indem man den halben Betrag der Differenz zum
-Mittelwert hinzuaddiert, das Minimum erhält man durch Subtraktion
-der selben Grösse.
-\label{buch:eigenwerte:fig:minmax}}
-\end{figure}
-
-\begin{proof}[Beweis]
-Wer konstruieren zunächst das in
-Abbildung~\ref{buch:eigenwerte:fig:wurzelverfahren}
-visualierte Verfahren, mit dem für jede Zahl $a\in[0,1]$
-die Wurzel $\sqrt{a}$ berechnet werden kann.
-Sei $u < \sqrt{a}$ eine Approximation der Wurzel.
-Die Approximation ist der exakte Wert der Lösung, wenn $a-u^2=0$.
-In jedem anderen Fall muss $u$ um einen Betrag $d$ vergrössert werden.
-Natürlich muss immer noch $u+d<\sqrt{a}$ sein.
-Man kann die maximal zulässige Korrektur $d$ geometrisch abschätzen,
-wie dies in Abbildung~\ref{buch:eigenwerte:fig:wurzelverfahren}
-skizziert ist.
-Die maximale Steigung des Graphen der Funktion $u\mapsto u^2$ ist $2$,
-daher darf man $u$ maximal um die Hälfte der Differenz $a-u^2$ (grün)
-vergrössern, also $d=\frac12(a-u^2)$.
-Die Rekursionsformel
-\[
-u_{n+1} = u_n + d = u_n + \frac12(a-u_n^2)
-\]
-mit dem Startwert $u_0=0$ liefert daher eine
-Folge, die gegen $\sqrt{a}$ konvergiert.
-\end{proof}
-
-\begin{proof}[Beweis des Satzes von Stone-Weierstrass]
-Da $A$ eine Algebra ist, ist mit jeder Funktion $f\in A$ für jedes Polynome
-$p\in\mathbb{R}[X]$ auch $p(f)$ eine Funktion in $A$.
-\begin{enumerate}
-\item Schritt: Für jede Funktion $f\in A$ lässt sich auch $|f|$ durch
-Funktionen in $A$ beliebig genau durch eine monoton wachsende Folge
-von Funktionen approximieren.
-
-Da $A$ eine Algebra ist, ist $f^2\in A$.
-Sei ausserdem $m^2=\sup \{f(x)^2\;|\;x\in K\}$, so dass $f^2/m^2$ eine Funktion
-mit Werten im Intervall $[0,1]$ ist.
-Die Funktionen $f_n(x)=mu_n(f(x)^2/m^2)$ sind ebenfalls in $A$ und
-approximieren gleichmässig $\sqrt{f(x)^2}=|f(x)|$.
-\item Schritt: Für zwei Funktionen $f,g\in A$ gibt es eine monoton wachsende
-Folge, die $\max(f,g)$ gleichmässig beliebig genau approximiert
-und eine monoton fallende Folge, die $\min(f,g)$ gleichmässig beliebig
-genau approximiert.
-
-
-Diese Folgen können aus der Approximationsfolge für den Betrag einer
-Funktion und den Identitäten
-\begin{equation}
-\begin{aligned}
-\max(f,g) &= \frac12(f+g+|f-g|) \\
-\min(f,g) &= \frac12(f+g-|f-g|)
-\end{aligned}
-\label{buch:eigenwerte:eqn:minmax}
-\end{equation}
-gefunden werden, die in Abbildung~\ref{buch:eigenwerte:fig:minmax}
-graphisch erklärt werden.
-\item Schritt: Zu zwei beliebigen Punkten $x,y\in K$ und Werten
-$\alpha,\beta\in\mathbb{R}$ gibt es immer eine Funktion in $A$,
-die in den Punkten $x,y$ die vorgegebenen Werte $\alpha$ bzw.~$\beta$
-annimmt.
-Da $A$ die Punkte trennt, gibt es eine Funktion $f_0$ mit $f_0(x)\ne f_0(y)$.
-Dann ist die Funktion
-\[
-f(t)
-=
-\beta + \frac{f_0(t)-f_0(y)}{f_0(x)-f_0(y)}(\alpha-\beta)
-\]
-wohldefiniert und nimmt die verlangten Werte an.
-\item Schritt: Zu jeder stetigen Funktion $f\colon K\to\mathbb{R}$, jedem
-Punkt $x\in K$ und jedem $\varepsilon>0$ gibt es eine Funktion $g\in A$ derart,
-dass $g(x)=f(x)$ und $g(y) \le f(y)+\varepsilon$ für alle $y\in K$.
-
-Zu jedem $z\in K$ gibt es eine Funktion in $A$ mit
-$h_z(x)=f(x)$ und $h_z(z) \le f(z)+\frac12\varepsilon$.
-Wegen der Stetigkeit von $h_z$ gibt es eine Umgebung $V_z$ von $z$, in der
-immer noch gilt $h_z(y)\le f(y)+\varepsilon$ für $y\in V_z$.
-Wegen der Kompaktheit von $K$ kann man endlich viele Punkte $z_i$ wählen
-derart, dass die $V_{z_i}$ immer noch $K$ überdecken.
-Dann erfüllt die Funktion
-\(
-g(z) = \inf h_{z_i}
-\)
-die Bedingungen $g(x) = f(x)$ und für $z\in V_{z_i}$
-\[
-g(z) = \inf_{j} h_{z_j}(z) \le h_{z_i}(z) \le f(z)+\varepsilon.
-\]
-Ausserdem ist $g(z)$ nach dem zweiten Schritt beliebig genau durch
-Funktionen in $A$ approximierbar.
-\item Schritt: Jede stetige Funktion $f\colon K\to\mathbb{R}$ kann
-beliebig genau durch Funktionen in $A$ approximiert werden.
-Sei $\varepsilon > 0$.
-
-Nach dem vierten Schritt gibt es für jedes $y\in K$ eine Funktion $g_y$
-derart, dass $g_y(y)=f(y)$ und $g_y(x) \le f(x) + \varepsilon$ für
-$x\in K$.
-Da $g_y$ stetig ist, gilt ausserdem $g_y(x) \ge f(x) -\varepsilon$ in
-einer Umgebung $U_y$ von $y$.
-Da $K$ kompakt ist, kann man endlich viele $y_i$ derart, dass die $U_{y_i}$
-immer noch ganz $K$ überdecken.
-Die Funktion $g=\sup g_{y_i}$ erfüllt dann überall $g(x) \le f(x)+\varepsilon$,
-weil jede der Funktionen $g_y$ diese Ungleichung erfüllt.
-Ausserdem gilt für $x\in V_{x_j}$
-\[
-g(x) = \sup_i g_{x_i}(x) \ge g_{x_j}(x) \ge f(x)-\varepsilon.
-\]
-Somit ist
-\[
-|f(x)-g(x)| \le \varepsilon.
-\]
-Damit ist $f(x)$ beliebig nahe an der Funktion $g(x)$, die sich
-beliebig genau durch Funktionen aus $A$ approximieren lässt.
-\qedhere
-\end{enumerate}
-\end{proof}
-
-Im ersten Schritt des Beweises ist ganz entscheidend, dass man die
-Betragsfunktion konstruieren kann.
-Daraus leiten sich dann alle folgenden Konstruktionen ab.
-
-\subsubsection{Anwendung auf symmetrische und hermitesche Matrizen}
-Für symmetrische und hermitesche Matrizen $A$ ist bekannt, dass die
-Eigenwerte reell sind, also das Spektrum $\operatorname{A}\subset\mathbb{R}$
-ist.
-Für eine Funktion $\mathbb{R}\to \mathbb{R}$ lässt sich nach dem
-Satz~\ref{buch:satz:stone-weierstrass} immer eine Folge $p_n$ von
-approximierenden Polynomen in $x$ finden, die auf $\operatorname{Sp}(A)$
-gleichmässig konvergiert.
-Die Matrix $f(A)$ kann dann definiert werden also der Grenzwert
-\[
-f(A) = \lim_{n\to\infty} p_n(A).
-\]
-Da diese Matrizen auch diagonalisierbar sind, kann man eine Basis
-aus Eigenvektoren verwenden.
-Die Wirkung von $p_n(A)$ auf einem Eigenvektor $v$ zum Eigenwert $\lambda$
-ist
-\[
-p_n(A)v
-=
-(a_kA^k + a_{k-1}A^{k-1}+\dots +a_2A^2+a_1A+a_0I)v
-=
-(a_k\lambda^k + a_{k-1}\lambda^{k-1}+\dots + a_2\lambda^2 + a_1\lambda + a_0)v
-=
-p_n(\lambda)v.
-\]
-Im Grenzwert wirkt $f(A)$ daher durch Multiplikation eines Eigenvektors
-mit $f(\lambda)$, die Matrix $f(A)$ hat in der genannten Basis die
-Diagonalform
-\[
-A=\begin{pmatrix}
-\lambda_1& & & \\
- &\lambda_2& & \\
- & &\ddots& \\
- & & &\lambda_n
-\end{pmatrix}
-\qquad\Rightarrow\qquad
-f(A)=\begin{pmatrix}
-f(\lambda_1)& & & \\
- &f(\lambda_2)& & \\
- & &\ddots& \\
- & & &f(\lambda_n)
-\end{pmatrix}.
-\]
-
-\begin{satz}
-\label{buch:eigenwerte:satz:spektralsatz}
-Ist $A$ symmetrische oder selbstadjungiert Matrix und $f$ eine Funktion
-auf dem Spektrum $\operatorname{Sp}(A)$ von $A$.
-Dann gibt es genau eine Matrix $f(A)$, die Grenzwert jeder beliebigen
-Folge $p_n(A)$ für Polynomfolgen, die $\operatorname{Sp}(A)$ gleichmässig
-gegen $f$ konvergieren.
-\end{satz}
-
-\subsubsection{Unmöglichkeit der Approximation von $z\mapsto \overline{z}$
-in $\mathbb{C}[z]$}
-Der Satz~\ref{buch:satz:stone-weierstrass} von Stone-Weierstrass für
-reelle Funktionen gilt nicht für komplexe Funktionen.
-In diesem Abschnitt zeigen wir, dass sich die Funktion $z\mapsto\overline{z}$
-auf der Einheitskreisscheibe $K=\{z\in\mathbb{C}\;|\; |z|\le 1\}$ nicht
-gleichmässig durch Polynome $p(z)$ mit komplexen Koeffizienten approximieren
-lässt.
-
-Wäre eine solche Approximation möglich, dann könnte man $\overline{z}$
-auch durch eine Potenzreihe
-\[
-\overline{z}
-=
-\sum_{k=0}^\infty a_kz^k
-\]
-darstellen.
-Das Wegintegral beider Seiten über den Pfad $\gamma(t) = e^{it}$
-in der komplexen Ebene ist
-\begin{align*}
-\oint_\gamma z^k\,dz
-&=
-\int_0^{2\pi} e^{ikt} ie^{it}\,dt
-=
-i\int_0^{2\pi} e^{it(k+1)}\,dt
-=
-i\biggl[ \frac{1}{i(k+1)} e^{it(k+1)}\biggr]_0^{2\pi}
-=
-0
-\\
-\oint_\gamma
-\sum_{k=0}^\infty a_kz^k
-\,dz
-&=
-\sum_{k=0}^\infty a_k \oint_\gamma z^k\,dz
-=
-\sum_{k=0}^\infty a_k\cdot 0
-=
-0
-\\
-\oint_\gamma \overline{z}\,dz
-&=
-\int_0^{2\pi} e^{it} ie^{it}\,dt
-=
-i\int_0^{2\pi} \,dt = 2\pi i,
-\end{align*}
-dabei wurde $\overline{\gamma}(t)=e^{-it}$ verwendet.
-Insbesondere widersprechen sich die beiden Integrale.
-Die ursprüngliche Annahmen, $\overline{z}$ lasse sich durch Polynome
-gleichmässig approximieren, muss daher verworfen werden.
-
-\subsubsection{Der Satz von Stone-Weierstrass für komplexe Funktionen}
-Der Satz von Stone-Weierstrass kann nach dem vorangegangene Abschnitt
-also nicht gelten.
-Um den Beweis des Satzes~\ref{buch:satz:stone-weierstrass}
-auf komplexe Zahlen zu übertragen, muss im ersten Schritt ein Weg
-gefunden werden, den Betrag einer Funktion zu approximieren.
-
-Im reellen Fall geschah dies, indem zunächst eine Polynom-Approximation
-für die Quadratwurzel konstruiert wurde, die dann auf das Quadrat einer
-Funktion angewendet wurde.
-Der Betrag einer komplexen Zahl $z$ ist aber nicht allein aus $z$
-berechenbar, man braucht in irgend einer Form Zugang zu Real-
-und Imaginärteil.
-Zum Beispiel kann man Real- und Imaginärteil als
-$\Re z= \frac12(z+\overline{z})$ und $\Im z = \frac12(z-\overline{z})$
-bestimmen.
-Kenntnis von Real- und Imaginärteil ist als gleichbedeutend mit
-der Kenntnis der komplex Konjugierten $\overline{z}$.
-Der Betrag lässt sich daraus als $|z|^2 = z\overline{z}$ finden.
-Beide Beispiele zeigen, dass man den im Beweis benötigten Betrag
-nur dann bestimmen kann, wenn mit jeder Funktion aus $A$ auch die
-komplex konjugierte Funktion zur Verfügung steht.
-
-\begin{satz}[Stone-Weierstrass]
-Enthält eine $\mathbb{C}$-Algebra $A$ von stetigen, komplexwertigen
-Funktionen auf einer kompakten Menge $K$ die konstanten Funktionen,
-trennt sie Punkte und ist ausserdem mit jeder Funktion $f\in A$ auch
-die komplex konjugiert Funktion $\overline{f}\in A$,
-dann lässt sich jede stetige, komplexwertige Funktion
-auf $K$ gleichmässig durch Funktionen aus $A$ approximieren.
-\end{satz}
-
-Mit Hilfe der konjugiert komplexen Funktion lässt sich immer eine
-Approximation für die Betragsfunktion finden, so dass sich der
-Beweis des reellen Satzes von Stone-Weierstrass übertragen lässt.
-
-%
-% Normale Matrizen
-%
-\subsection{Normale Matrizen
-\label{buch:subsection:normale-matrizen}}
-Aus dem Satz von Stone-Weierstrass für komplexe Matrizen kann man
-jetzt einen Spektralsätze für eine etwas grössere Klasse von Matrizen
-ableiten, als im Satz~\ref{buch:eigenwerte:satz:spektralsatz}
-möglich war.
-Der Satz besagt, dass für eine beliebige Funktion $f$ auf dem Spektrum
-$\operatorname{Sp}(A)$ eine Folge von auf $\operatorname{Sp}(A)$
-gleichmässig konvergenten, approximierenden Polynomen
-$p_n(z,\overline{z})$ gefunden werden kann.
-Doch wie soll jetzt aus dieser Polynomfolge ein Kandidat von $f(A)$
-gefunden werden?
-
-Zunächst stellt sich die Frage, was für die Variable $\overline{z}$
-eingesetzt werden soll.
-$1\times 1$-Matrizen sind notwendigerweise diagonal, also muss
-man in diesem Fall die Matrix $\overline{A}$ für die Variable
-$\overline{z}$ eingesetzt werden.
-Dies erklärt aber noch nicht, wie für $n\times n$-Matrizen
-vorzugehen ist, wenn $n>1$ ist.
-
-Die Notwendigkeit, die Variable $\overline{z}$ hinzuzunehmen
-ergab sich aus der Anforderung, dass der Betrag aus $|z|^2=z\overline{z}$
-konstruiert werden können muss.
-Insbesondere muss beim Einsetzen eine Matrix entstehen, die nur
-positive Eigenwerte hat.
-Für eine beliebige komplexe $n\times n$-Matrix $A$ ist aber
-$A\overline{A}$ nicht notwendigerweise positiv, wie das Beispiel
-\[
-A
-=
-\begin{pmatrix}0&i\\i&0\end{pmatrix}
-\qquad
-\Rightarrow
-\qquad
-A\overline{A}
-=
-\begin{pmatrix}0&i\\-i&0\end{pmatrix}
-\begin{pmatrix}0&-i\\i&0\end{pmatrix}
-=
-\begin{pmatrix}
--1&0\\
- 0&-1
-\end{pmatrix}
-=
--I
-\]
-zeigt.
-Eine positive Matrix entsteht dagegen immer, wenn man statt
-$A$ die Adjungierte $A^*=\overline{A}^t$ verwendet.
-
-Die Substitution von $A$ für $z$ und $A^*$ für $\overline{z}$
-in einem Polynom $p(z,\overline{z})$ ist nicht unbedingt eindeutig.
-Schon das Polynom $p(z,\overline{z})=z\overline{z}$ kann man auch
-als $\overline{z}z$ schreiben.
-Damit die Substition eindeutig wird, muss man also fordern, dass
-$AA^* = A^*A$ ist.
-
-\begin{definition}
-Eine Matrix $A\in M_n(\mathbb{C})$ heisst {\em normal}, wenn $AA^*=A^*A$ gilt.
-\end{definition}
-
-\subsubsection{Beispiele normaler Matrizen}
-
-\begin{enumerate}
-\item
-Hermitesche und Antihermitesche Matrizen sind normal, denn solche
-Matrizen erfüllen $A^*=\pm A$ und damit
-\(
-AA^* = \pm A^2 = A^*A.
-\)
-\item
-Symmetrische und antisymmetrische Matrizen sind normal,
-denn aus $A=A^t$ folgt $A^*=\overline{A}^t$ und damit
-\begin{align*}
-AA^* &= A\overline{A}^t =
-\\
-A^*A &=
-\end{align*}
-\item
-Unitäre Matrizen $U$ sind normal, das $UU^*=I=U^*U$ gilt.
-\item
-Orthogonale Matrizen sind normal wegen $O(n) = U(n) \cap M_n(\mathbb{R})$.
-\end{enumerate}
-
-Jede Matrix lässt sich durch Wahl einer geeigneten Basis in Jordansche
-Normalform bringen.
-Allerdings sind Jordan-Blöcke keine normalen Matrizen, wie der folgende
-Satz zeigt.
-
-\begin{satz}
-Eine Dreiecksmatrix ist genau dann normal, wenn sie diagonal ist.
-\end{satz}
-
-\begin{proof}[Beweis]
-Sei $A$ eine obere Dreiecksmatrix, das Argument für eine untere Dreiecksmatrix
-funktioniert gleich.
-Wir berechnen ein Diagonalelement für beide Produkte $AA^*$ und $A^*A$.
-Dazu brauchen wir die Matrixelemente von $A$ und $A^*$.
-Bezeichnen wir die Matrixelemente von $A$ mit $a_{ij}$, dann hat $A^*$
-die Matrixelemente $(A^*)_{ij}=\overline{a}_{ji}$.
-Damit kann man die Diagonalelemente der Produkte als
-\begin{align*}
-(AA^*)_{ii}
-&=
-\sum_{j=1}^n a_{ij}\overline{a}_{ij}
-=
-\sum_{j=i}^n |a_{ij}|^2
-\\
-(A^*A)_{ii}
-&=
-\sum_{j=1}^n \overline{a}_{ji}a_{ji}
-=
-\sum_{j=1}^i |a_{ji}|^2
-\end{align*}
-ausrechnen.
-Der obere Ausdruck ist die quadrierte Länge der Zeile $i$ der Matrix $A$,
-der untere ist die quadrierte Länge der Spalte $i$.
-Da die Matrix eine obere Dreiecksmatrix ist, hat die erste Spalte höchstens
-ein einziges von $0$ verschiedenes Element.
-Daher kann auch die erste Zeile höchstens dieses eine Elemente haben.
-Die Matrix hat daher Blockstruktur mit einem $1\times 1$-Block in der
-linken obere Ecke und einem $n-1$-dimensionalen Block für den Rest.
-Durch Wiederholen des Arguments für den $(n-1)\times (n-1)$-Block
-kann man so schrittweise schliessen, dass die Matrix $A$ diagonal sein muss.
-\end{proof}
-
-
-\begin{satz}
-Sind $A$ und $B$ normale Matrizen und $AB^*=B^*A$, dann sind auch $A+B$
-und $AB$ normal.
-\end{satz}
-
-\begin{proof}[Beweis]
-Zunächst folgt aus $AB^*=B^*A$ auch
-$A^*B = (B^*A)^* = (AB^*)^* = BA^*$.
-Der Beweis erfolgt durch Nachrechnen:
-\begin{align*}
-(A+B)(A+B)^*
-&=
-AA^* + AB^* + BA^*+BB^*
-\\
-(A+B)^*(A+B)
-&=
-A^*A + A^*B + B^*A + B^*B
-\end{align*}
-Die ersten und letzten Terme auf der rechten Seite stimmen überein, weil
-$A$ und $B$ normal sind.
-Die gemischten Terme stimmen überein wegen der Vertauschbarkeit von
-$A$ und $B^*$.
-
-Für das Produkt rechnet man
-\begin{align*}
-(AB)(AB)^*
-&= ABB^*A^* = AB^*BA^*
-= B^*AA^*B
-=
-B^*A^*AB
-=
-(AB)^*(AB),
-\end{align*}
-was zeigt, dass auch $AB$ normal ist.
-\end{proof}
-
-\subsubsection{Äquivalente Bedingungen}
-Es gibt eine grosse Zahl äquivalenter Eigenschaften für normale Matrizen.
-Die folgenden Eigenschaften sind äquivalent:
-\begin{enumerate}
-\item
-Die Matrix $A$ ist mit einer unitären Matrix diagonalisierbar
-\item
-Es gibt eine orthonormale Basis von Eigenvektoren von $A$ für $\mathbb{C}^n$
-\item
-Für jeden Vektor $x\in\mathbb{C}^n$ gilt $\|Ax\|=\|A^*x\|$
-\item
-Die Forbenius-Norm der Matrix $A$ kann mit den Eigenwerten $\lambda_i$
-von $A$ berechnet werden:
-$\operatorname{Spur}(A^*A) = \sum_{i=1}^n |\lambda_i|^2$
-\item
-Der hermitesche Teil $\frac12(A+A^*)$ und der antihermitesche Teil
-$\frac12(A-A^*)$ von $A$ vertauschen.
-\item
-$A^*$ ist ein Polynom vom Grad $n-1$ in $A$.
-\item
-Es gibt eine unitäre Matrix $U$ derart, dass $A^*=AU$
-\item
-Es gibt eine Polarzerlegugn $A=UP$ mit einer unitären Matrix $U$ und
-einer postiv semidefiniten Matrix $P$, die untereinander vertauschen.
-\item
-Es gibt eine Matrix $N$ mit verschiedenen Eigenwerten, mit denen $A$
-vertauscht.
-\item
-Wenn $A$ die (absteigend geordneten) singulärwerte $\sigma_i$ und
-die absteigend geordneten Eigenwerte $\lambda_i$ hat,
-dann it $\sigma_i=|\lambda_i|$.
-\end{enumerate}
-
-
-
-
+%
+% spektraltheorie.tex
+%
+% (c) 2020 Prof Dr Andreas Müller, Hochschule Rapperswil
+%
+\section{Spektraltheorie
+\label{buch:section:spektraltheorie}}
+Aufgabe der Spektraltheorie ist, Bedingungen an eine Matrix $A$ und eine
+Funktion $f(z)$ zu finden, unter denen es möglich ist, $f(A)$ auf
+konsistente Art und Weise zu definieren.
+Weiter müssen Methoden entwickelt werden, mit denen $f(A)$ berechnet
+werden kann.
+Für ein Polynom $p(z)$ ist $p(A)$ durch einsetzen definiert.
+Für Funktionen, die sich nicht durch ein Polynom darstellen lassen,
+muss eine Approximation der Funktion durch Polynome verwendet werden.
+Sei also $p_n(z)$ eine Folge von Polynomen, die als Approximation der
+Funktion $f(z)$ verwendet werden soll.
+Das Ziel ist, $f(A)$ als den Grenzwert der Matrixfolge $p_n(A)$
+zu definieren.
+
+Zunächst ist nicht klar, wie eine solche Folge gewählt werden muss.
+Es muss eine Teilmenge von $K\subset\mathbb{C}$ spezifiziert werden,
+auf der die Funktionenfolge $p_n(z)$ konvergieren muss,
+damit auch die Konvergenz der Matrizenfolge $p_n(A)$ garantiert ist.
+Auch die Art der Konvergenz von $p_n(z)$ auf der Menge $K$ ist noch
+unklar.
+Da der Abstand zweier Matrizen $A$ und $B$ in der Operatornorm
+mit der grössten Abweichung $\|(A-B)v\|$ für Einheitsvektoren $v$
+gemessen wird, ist es einigermassen plausibel, dass
+die grösse Abweichung zwischen zwei Polynomen $|p(z) - q(z)|$ auf
+der Menge $K$ kleine sein muss, wenn $\|p(A)-q(A)\|$ klein
+sein soll.
+Da die Differenz $p(z)-q(z)$ für beliebige Polynome, die sich nicht
+nur um eine Konstante unterscheiden, mit $z$ über alle Grenzen wächst,
+muss $K$ beschränkt sein.
+Gesucht ist also eine kompakte Menge $K\subset\mathbb{C}$ und eine
+Folge $p_n(z)$ von Polynomen, die auf $K$ gleichmässig gegen $f(z)$
+konvergieren.
+Die Wahl von $K$ muss sicherstellen, dass für jede gleichmässig
+konvergente Folge von Polynomen $p_n(z)$ auch die Matrizenfolge
+$p_n(A)$ konvergiert.
+
+Es wird sich zeigen, dass die Menge $K$ das Spektrum von $A$ ist,
+also eine endliche Teilmenge von $\mathbb{C}$.
+Jede Funktion kann auf so einer Menge durch Polynome exakt wiedergegeben
+werden.
+Es gibt insbesondere Folgen von Polynomen, die eingeschränkt
+auf das Spektrum gleich sind, also $p_n(z)=p_m(z)$ für alle $z\in K$,
+die aber ausserhalb des Spektrums alle verschieden sind.
+Als Beispiel kann die Matrix
+\[
+N=\begin{pmatrix}0&1\\0&0\end{pmatrix}
+\]
+herangezogen werden.
+Ihr Spektrum ist $\operatorname{Sp}(N)=\{0\}\subset\mathbb{C}$.
+Zwei Polynome stimmen genau dann auf $\operatorname{Sp}(N)$ überein,
+wenn der konstante Koeffizient gleich ist.
+Die Polynome $p(z)=z$ und $q(z)=z^2$ stimmen daher auf dem Spektrum
+überein.
+Für die Matrizen gilt aber $p(N)=N$ und $q(N)=N^2=0$, die Matrizen
+stimmen also nicht überein.
+Es braucht also zusätzliche Bedingungen an die Matrix $A$, die
+sicherstellen, dass $p(A)=0$ ist, wann immer $p(z)=0$ für
+$z\in\operatorname{Sp}(A)$ gilt.
+
+In diesem Abschnitt sollen diese Fragen untersucht werden.
+In Abschnitt~\ref{buch:subsection:approximation-durch-polynome}
+wird gezeigt, wie sich Funktionen durch Polynome approximieren
+lassen, woraus sich dann Approximationen von $f(A)$ für diagonalisierbare
+Matrizen mit reellen Eigenwerten ergeben.
+
+Der Satz von Stone-Weierstrass, der in
+Abschnitt~\ref{buch:subsetion:stone-weierstrass} dargestellt wird,
+ist ein sehr allgemeines Approximationsresultat, welches nicht nur
+zeigt, dass die Approximation unter sehr natürlichen Voraussetzungen
+beliebig genau möglich ist, sondern uns im komplexen Fall auch
+weitere Einsicht dafür geben kann, welche Voraussetzungen an eine
+komplexe Matrix gestellt werden müssen, damit man damit rechnen kann,
+dass die Approximation zu einer konsistenten Definition von $f(A)$ führt.
+
+%
+% Approximation
+%
+\subsection{Approximation durch Polynome
+\label{buch:subsection:approximation-durch-polynome}}
+Die der Berechnung von $f(A)$ für eine beleibige stetige Funktion,
+die sich nicht als Potenzreihe schreiben lässt, verwendet Approximationen
+von Polynomen.
+Die numerische Mathematik hat eine grosse Menge von solchen
+Approximationsverfahren entwickelt, wovon zwei kurz (ohne Beweise)
+vorgestellt werden sollen.
+
+\subsubsection{Das Legendre-Interpolationspolynom}
+Zu vorgegebenen, verschiedenen Zahlen $z_i\in\mathbb{C}$, $0\le i\le n$,
+die auch die {\em Stützstellen} genannt werden,
+gibt es immer ein Polynom vom Grade $n$, welches in den $z_i$ vorgegebene
+Werte $f(z_i)$ annimmt.
+Ein solches Polynom lässt sich im Prinzip mit Hilfe eines linearen
+Gleichungssystems finden, man kann aber auch direkt eine Lösung
+konstruieren.
+Dazu bildet man erst die Polynome
+\begin{align*}
+l(z) &= (z-z_0)(z-z_1)\dots (z-z_n) \qquad\text{und}
+\\
+l_i(z) &= (z-z_0)\dots \widehat{(z-z_i)}\dots (z-z_n).
+\end{align*}
+Darin bedeutet der Hut, dass dieser Term weggelassen werden soll.
+Für $z\ne z_i$ ist $l_i(z)=l(z)/(z-z_i)$.
+Die Polynome
+\[
+k_i(z)
+=
+\frac{l_i(z)}{l_i(z_i)}
+=
+\frac{(z-z_0)\dots \widehat{(z-z_i)}\dots (z-z_n)}{(z_i-z_0)\dots \widehat{(z_i-z_i)}\dots (z_i-z_n)}
+\]
+haben die Eigenschaft
+$k_i(z_j)=\delta_{ij}$.
+Damit lässt sich jetzt ein Polynom
+\[
+p(z) = \sum_{j=0}^n f(z_j) \frac{l_j(z)}{l_j(z_j)}
+\]
+vom Grad $n$ konstruieren, welches die Werte
+\[
+p(z_i)
+=
+\sum_{j=0}^n f(z_j) \frac{l_j(z_i)}{l_j(z_j)}
+=
+\sum_{j=0}^n f(z_j) \delta_{ij}
+=
+f_(z_i)
+\]
+annimmt.
+Das Polynom $p(z)$ heisst das {\em Legendre-Interpolationspolynom}.
+
+Zwar lässt sich also für eine endliche Menge von komplexen Zahlen immer
+ein Polynom finden, welches vorgeschriebene Wert in allen diesen Zahlen
+annimmt, doch ist die Stabilität für grosse $n$ eher beschränkt.
+
+
+\subsubsection{Gleichmassige Approximation mit Bernstein-Polynomen}
+Das Legendre-Interpolationspolynom nimmt in den Stützstellen die
+verlangten Werte an, aber ausserhalb der Stützstellen ist nicht
+garantiert, dass man eine gute Approximation einer Funktion $f(z)$
+erhält.
+
+Für die Approximation auf einem reellen Interval $[a,b]$ hat
+Sergei Natanowitsch Bernstein ein
+Dazu werden zuerst die reellen Bernsteinpolynome vom Grad $n$
+durch
+\begin{align*}
+B_{i,n}(t) = \binom{n}{i} t^i(1-t)^{n-i}.
+\end{align*}
+definiert.
+Als Approximationspolynom für die auf dem Interval
+$[0,1]$ definierte, stetige Funktion $f(t)$ kann man dann
+\[
+B_n(f)(t)
+=
+\sum_{i=0}^n B_{i,n}(t) f\biggl(\frac{i}{n}\biggr)
+\]
+verwenden.
+Die Polynome $B_n(f)(t)$ konvergieren gleichmässig auf $[0,1]$
+gegen die Funktion $f(t)$.
+Über die Konvergenz ausserhalb des reellen Intervalls wird nichts
+ausgesagt.
+Die Approximation mit Bernstein-Polynomen ist daher nur sinnvoll,
+wenn man weiss, dass die Eigenwerte der Matrix reell sind, was im
+wesentlichen auf diagonalisierbare Matrizen führt.
+
+Für ein anderes Interval $[a,b]$ kann man ein Approximationspolynom
+erhalten, indem man die affine Transformation
+$s\mapsto (s-a)/(b-a)$
+von $[a,b]$ auf $[0,1]$
+verwendet.
+
+%
+% Der Satz von Stone-Weierstrass
+%
+\subsection{Der Satz von Stone-Weierstrasss
+\label{buch:subsetion:stone-weierstrass}}
+Der Satz von Stone-Weierstrass behandelt im Gegensatz zu den in
+Abschnitt~\ref{buch:subsection:approximation-durch-polynome}
+besprochenen Approximationsmethoden nicht nur Funktionen von
+reellen Variablen durch Polynome.
+Vielmehr kann das Definitionsgebiet irgend eine abgeschlossene
+und beschränkte Teilmenge eines reellen oder komplexen Vektorraumes
+sein und die Funktionen können Polynome aber auch viel allgemeinere
+Funktionen verwendet werden, wie zum Beispiel die Funktionen
+$x\mapsto \cos nx$ und $x\mapsto \sin nx$ definiert auf dem
+Intervall $[0,2\pi]$.
+In diesem Fall liefert der Satz von Stone-Weierstrass die Aussage,
+dass sich jede stetige periodische Funktion gleichmässig durch
+trigonometrische Polynome approximieren lässt.
+
+Die Aussage des Satz von Stone-Weierstrass über reelle Funktionen
+lässt sich nicht auf komplexe Funktionen erweitern.
+Von besonderem Interesse ist jedoch, dass der Beweis des Satz
+zeigt, warum solche Aussagen für komplexe Funktionen nicht mehr
+zutreffen.
+Im Falle der Approximation von komplexen Funktionen $f(z)$ durch Polynome
+zwecks Definition von $f(A)$ werden sich daraus Bedingungen an die
+Matrix ableiten lassen, die eine konsistente Definition überhaupt
+erst ermöglichen werden.
+
+\subsubsection{Punkte trennen}
+Aus den konstanten Funktionen lassen sich durch algebraische
+Operationen nur weitere konstante Funktionen erzeugen.
+Die konstanten Funktionen sind also nur dann eine genügend
+reichhaltige Menge, wenn die Menge $K$ nur einen einzigen Punkt
+enthält.
+Damit sich Funktionen approximieren lassen, die in zwei Punkten
+verschiedene Werte haben, muss es auch unter den zur Approximation
+zur Verfügung stehenden Funktionen solche haben, deren Werte sich
+in diesen Punkten unterscheiden.
+Diese Bedingung wird in der folgenden Definition formalisiert.
+
+\begin{definition}
+Sei $K$ eine beliebige Menge und $A$ eine Menge von Funktionen
+$K\to \mathbb{C}$.
+Man sagt, $A$ {\em trennt die Punkte von $K$}, wenn es für jedes Paar
+\index{Punkte trennen}%
+von Punkten $x,y\in K$ eine Funktion $f\in A$ gibt derart, dass
+$f(x)\ne f(y)$.
+\end{definition}
+
+Man kann sich die Funktionen $f$, die gemäss dieser Definition die Punkte
+von $K$ trennen, als eine Art Koordinaten der Punkte in $K$ vorstellen.
+Die Punkte der Teilmenge $K\subset \mathbb{R}^n$ werden zum Beispiel
+von den Koordinatenfunktionen $x\mapsto x_i$ getrennt.
+Wir schreiben für die $i$-Koordinate daher auch als Funktion $x_i(x)=x_i$.
+Zwei verschiedene Punkte $x,y\in K$ unterscheiden sich in mindestens
+einer Koordinate.
+Für diese Koordinate sind dann die Werte der zugehörigen
+Koordinatenfunktion $x_i=x_i(x)\ne x_i(y)=y_i$ verschieden, die
+Funktionen $x_1(x)$ bis $x_n(x)$ trennen also die Punkte.
+
+\begin{beispiel}
+Wir betrachten einen Kreis in der Ebene, also die Menge
+\[
+S^1
+=
+\{(x_1,x_2)\;|\; x_1^2 + x_2^2=1\}
+\]
+$S^1$ ist eine abgeschlossene und beschränkte Menge in $\mathbb{R}^2$.
+Die Funktion $x\mapsto x_1$ trennt die Punkte nicht, denn zu jedem
+Punkt $(x_1,x_2)\in S^2$ gibt es den an der ersten Achse
+gespiegelten Punkt $\sigma(x)=(x_1,-x_2)$, dessen erste Koordinate
+den gleichen Wert hat.
+Ebenso trennt die Koordinatenfunktion $x\mapsto x_2$ die Punkte nicht.
+Die Menge $A=\{ x_1(x), x_2(x)\}$ bestehend aus den beiden
+Koordinatenfunktionen trennt dagegen die Punkte von $S^1$, da die Punkte
+sich immer in mindestens einem Punkt unterscheiden.
+
+Man könnte auch versuchen, den Kreis in Polarkoordinaten zu beschreiben.
+Die Funktion $\varphi(x)$, die jedem Punkt $x\in S^1$ den Polarwinkel
+zuordnet, trennt sicher die Punkte des Kreises.
+Zwei verschiedene Punkte auf dem Kreis haben verschieden Polarwinkel.
+Die Menge $\{\varphi\}$ trennt also die Punkte von $S^1$.
+Allerdings ist die Funktion nicht stetig, was zwar der Definition
+nicht widerspricht aber ein Hindernis für spätere Anwendungen ist.
+\end{beispiel}
+
+
+\subsubsection{Der Satz von Stone-Weierstrass für reelle Funktionen}
+Die Beispiele von Abschnitt~\ref{buch:subsection:approximation-durch-polynome}
+haben bezeigt, dass sich reellwertige Funktionen einer reellen
+Variable durch Polynome beliebig genau approximieren lassen.
+Es wurde sogar eine Methode vorgestellt, die eine auf einem Intervall
+gleichmässig konvergente Polynomefolge produziert.
+Die Variable $x\in[a,b]$ trennt natürlich die Punkte, die Algebra der
+Polynome in der Variablen $x$ enthält also sicher Funktionen, die in
+verschiedenen Punkten des Intervalls auch verschiedene Werte annehmen.
+Nicht ganz so selbstverständlich ist aber, dass sich daraus bereits
+ergibt, dass jede beliebige Funktion sich als Polynome in $x$
+approximieren lässt.
+Dies ist der Inhalt des folgenden Satzes von Stone-Weierstrass.
+
+\begin{figure}
+\centering
+\includegraphics{chapters/40-eigenwerte/images/wurzel.pdf}
+\caption{Konstruktion einer monoton wachsenden Approximationsfolge für
+$\sqrt{a}$
+\label{buch:eigenwerte:fig:wurzelverfahren}}
+\end{figure}
+
+\begin{figure}
+\centering
+\includegraphics[width=\textwidth]{chapters/40-eigenwerte/images/wurzelapprox.pdf}
+\caption{Monoton wachsende Approximation der Funktion $t\mapsto\sqrt{t}$ mit
+Polynomen $u_n(t)$ nach
+\eqref{buch:eigenwerte:eqn:wurzelapproximation}
+(links) und der Fehler der Approximation
+(rechts).
+\label{buch:eigenwerte:fig:wurzelapproximation}}
+\end{figure}
+
+\begin{satz}[Stone-Weierstrass]
+\label{buch:satz:stone-weierstrass}
+Enthält eine $\mathbb{R}$-Algebra $A$ von stetigen, rellen Funktionen
+auf einer kompakten Menge $K$ die konstanten Funktionen und trennt sie
+Punkte, d.~h.~für zwei verschiedene Punkte $x,y\in K$ gibt es
+immer eine Funktion $f\in A$ mit $f(x)\ne f(y)$, dann ist jede stetige,
+reelle Funktion auf $K$ gleichmässig approximierbar durch Funktionen
+in $A$.
+\end{satz}
+
+Für den Beweis des Satzes wird ein Hilfsresultat benötigt, welches wir
+zunächst ableiten.
+Es besagt, dass sich die Wurzelfunktion $t\mapsto\sqrt{t}$
+auf dem Interval $[0,1]$ gleichmässig
+von unten durch Polynome approximieren lässt, die in
+Abbildung~\ref{buch:eigenwerte:fig:wurzelapproximation} dargestellt
+sind.
+
+\begin{satz}
+Die rekursiv definierte Folge von Polynomen
+\begin{equation}
+u_{n+1}(t)
+=
+u_n(t) + \frac12(t-u_n(t)^2),
+\qquad
+u_0(t)=0
+\label{buch:eigenwerte:eqn:wurzelapproximation}
+\end{equation}
+ist monoton wachsend und approximiert die Wurzelfunktion $t\mapsto\sqrt{t}$
+gleichmässig auf dem Intervall $[0,1]$.
+\end{satz}
+
+\begin{figure}
+\centering
+\includegraphics{chapters/40-eigenwerte/images/minmax.pdf}
+\caption{Graphische Erklärung der
+Identitäten~\eqref{buch:eigenwerte:eqn:minmax} für
+$\max(f(x),g(x))$ und $\min(f(x),g(x))$.
+Die purpurrote Kurve stellt den Mittelwert von $f(x)$ und $g(x)$ dar,
+die vertikalen grünen Linien haben die Länge der Differenz $|f(x)-g(x)|$.
+Das Maximum erhält man, indem man den halben Betrag der Differenz zum
+Mittelwert hinzuaddiert, das Minimum erhält man durch Subtraktion
+der selben Grösse.
+\label{buch:eigenwerte:fig:minmax}}
+\end{figure}
+
+\begin{proof}[Beweis]
+Wer konstruieren zunächst das in
+Abbildung~\ref{buch:eigenwerte:fig:wurzelverfahren}
+visualierte Verfahren, mit dem für jede Zahl $a\in[0,1]$
+die Wurzel $\sqrt{a}$ berechnet werden kann.
+Sei $u < \sqrt{a}$ eine Approximation der Wurzel.
+Die Approximation ist der exakte Wert der Lösung, wenn $a-u^2=0$.
+In jedem anderen Fall muss $u$ um einen Betrag $d$ vergrössert werden.
+Natürlich muss immer noch $u+d<\sqrt{a}$ sein.
+Man kann die maximal zulässige Korrektur $d$ geometrisch abschätzen,
+wie dies in Abbildung~\ref{buch:eigenwerte:fig:wurzelverfahren}
+skizziert ist.
+Die maximale Steigung des Graphen der Funktion $u\mapsto u^2$ ist $2$,
+daher darf man $u$ maximal um die Hälfte der Differenz $a-u^2$ (grün)
+vergrössern, also $d=\frac12(a-u^2)$.
+Die Rekursionsformel
+\[
+u_{n+1} = u_n + d = u_n + \frac12(a-u_n^2)
+\]
+mit dem Startwert $u_0=0$ liefert daher eine
+Folge, die gegen $\sqrt{a}$ konvergiert.
+\end{proof}
+
+\begin{proof}[Beweis des Satzes von Stone-Weierstrass]
+Da $A$ eine Algebra ist, ist mit jeder Funktion $f\in A$ für jedes Polynome
+$p\in\mathbb{R}[X]$ auch $p(f)$ eine Funktion in $A$.
+\begin{enumerate}
+\item Schritt: Für jede Funktion $f\in A$ lässt sich auch $|f|$ durch
+Funktionen in $A$ beliebig genau durch eine monoton wachsende Folge
+von Funktionen approximieren.
+
+Da $A$ eine Algebra ist, ist $f^2\in A$.
+Sei ausserdem $m^2=\sup \{f(x)^2\;|\;x\in K\}$, so dass $f^2/m^2$ eine Funktion
+mit Werten im Intervall $[0,1]$ ist.
+Die Funktionen $f_n(x)=mu_n(f(x)^2/m^2)$ sind ebenfalls in $A$ und
+approximieren gleichmässig $\sqrt{f(x)^2}=|f(x)|$.
+\item Schritt: Für zwei Funktionen $f,g\in A$ gibt es eine monoton wachsende
+Folge, die $\max(f,g)$ gleichmässig beliebig genau approximiert
+und eine monoton fallende Folge, die $\min(f,g)$ gleichmässig beliebig
+genau approximiert.
+
+
+Diese Folgen können aus der Approximationsfolge für den Betrag einer
+Funktion und den Identitäten
+\begin{equation}
+\begin{aligned}
+\max(f,g) &= \frac12(f+g+|f-g|) \\
+\min(f,g) &= \frac12(f+g-|f-g|)
+\end{aligned}
+\label{buch:eigenwerte:eqn:minmax}
+\end{equation}
+gefunden werden, die in Abbildung~\ref{buch:eigenwerte:fig:minmax}
+graphisch erklärt werden.
+\item Schritt: Zu zwei beliebigen Punkten $x,y\in K$ und Werten
+$\alpha,\beta\in\mathbb{R}$ gibt es immer eine Funktion in $A$,
+die in den Punkten $x,y$ die vorgegebenen Werte $\alpha$ bzw.~$\beta$
+annimmt.
+Da $A$ die Punkte trennt, gibt es eine Funktion $f_0$ mit $f_0(x)\ne f_0(y)$.
+Dann ist die Funktion
+\[
+f(t)
+=
+\beta + \frac{f_0(t)-f_0(y)}{f_0(x)-f_0(y)}(\alpha-\beta)
+\]
+wohldefiniert und nimmt die verlangten Werte an.
+\item Schritt: Zu jeder stetigen Funktion $f\colon K\to\mathbb{R}$, jedem
+Punkt $x\in K$ und jedem $\varepsilon>0$ gibt es eine Funktion $g\in A$ derart,
+dass $g(x)=f(x)$ und $g(y) \le f(y)+\varepsilon$ für alle $y\in K$.
+
+Zu jedem $z\in K$ gibt es eine Funktion in $A$ mit
+$h_z(x)=f(x)$ und $h_z(z) \le f(z)+\frac12\varepsilon$.
+Wegen der Stetigkeit von $h_z$ gibt es eine Umgebung $V_z$ von $z$, in der
+immer noch gilt $h_z(y)\le f(y)+\varepsilon$ für $y\in V_z$.
+Wegen der Kompaktheit von $K$ kann man endlich viele Punkte $z_i$ wählen
+derart, dass die $V_{z_i}$ immer noch $K$ überdecken.
+Dann erfüllt die Funktion
+\(
+g(z) = \inf h_{z_i}
+\)
+die Bedingungen $g(x) = f(x)$ und für $z\in V_{z_i}$
+\[
+g(z) = \inf_{j} h_{z_j}(z) \le h_{z_i}(z) \le f(z)+\varepsilon.
+\]
+Ausserdem ist $g(z)$ nach dem zweiten Schritt beliebig genau durch
+Funktionen in $A$ approximierbar.
+\item Schritt: Jede stetige Funktion $f\colon K\to\mathbb{R}$ kann
+beliebig genau durch Funktionen in $A$ approximiert werden.
+Sei $\varepsilon > 0$.
+
+Nach dem vierten Schritt gibt es für jedes $y\in K$ eine Funktion $g_y$
+derart, dass $g_y(y)=f(y)$ und $g_y(x) \le f(x) + \varepsilon$ für
+$x\in K$.
+Da $g_y$ stetig ist, gilt ausserdem $g_y(x) \ge f(x) -\varepsilon$ in
+einer Umgebung $U_y$ von $y$.
+Da $K$ kompakt ist, kann man endlich viele $y_i$ derart, dass die $U_{y_i}$
+immer noch ganz $K$ überdecken.
+Die Funktion $g=\sup g_{y_i}$ erfüllt dann überall $g(x) \le f(x)+\varepsilon$,
+weil jede der Funktionen $g_y$ diese Ungleichung erfüllt.
+Ausserdem gilt für $x\in V_{x_j}$
+\[
+g(x) = \sup_i g_{x_i}(x) \ge g_{x_j}(x) \ge f(x)-\varepsilon.
+\]
+Somit ist
+\[
+|f(x)-g(x)| \le \varepsilon.
+\]
+Damit ist $f(x)$ beliebig nahe an der Funktion $g(x)$, die sich
+beliebig genau durch Funktionen aus $A$ approximieren lässt.
+\qedhere
+\end{enumerate}
+\end{proof}
+
+Im ersten Schritt des Beweises ist ganz entscheidend, dass man die
+Betragsfunktion konstruieren kann.
+Daraus leiten sich dann alle folgenden Konstruktionen ab.
+
+\subsubsection{Anwendung auf symmetrische und hermitesche Matrizen}
+Für symmetrische und hermitesche Matrizen $A$ ist bekannt, dass die
+Eigenwerte reell sind, also das Spektrum $\operatorname{A}\subset\mathbb{R}$
+ist.
+Für eine Funktion $\mathbb{R}\to \mathbb{R}$ lässt sich nach dem
+Satz~\ref{buch:satz:stone-weierstrass} immer eine Folge $p_n$ von
+approximierenden Polynomen in $x$ finden, die auf $\operatorname{Sp}(A)$
+gleichmässig konvergiert.
+Die Matrix $f(A)$ kann dann definiert werden also der Grenzwert
+\[
+f(A) = \lim_{n\to\infty} p_n(A).
+\]
+Da diese Matrizen auch diagonalisierbar sind, kann man eine Basis
+aus Eigenvektoren verwenden.
+Die Wirkung von $p_n(A)$ auf einem Eigenvektor $v$ zum Eigenwert $\lambda$
+ist
+\[
+p_n(A)v
+=
+(a_kA^k + a_{k-1}A^{k-1}+\dots +a_2A^2+a_1A+a_0I)v
+=
+(a_k\lambda^k + a_{k-1}\lambda^{k-1}+\dots + a_2\lambda^2 + a_1\lambda + a_0)v
+=
+p_n(\lambda)v.
+\]
+Im Grenzwert wirkt $f(A)$ daher durch Multiplikation eines Eigenvektors
+mit $f(\lambda)$, die Matrix $f(A)$ hat in der genannten Basis die
+Diagonalform
+\[
+A=\begin{pmatrix}
+\lambda_1& & & \\
+ &\lambda_2& & \\
+ & &\ddots& \\
+ & & &\lambda_n
+\end{pmatrix}
+\qquad\Rightarrow\qquad
+f(A)=\begin{pmatrix}
+f(\lambda_1)& & & \\
+ &f(\lambda_2)& & \\
+ & &\ddots& \\
+ & & &f(\lambda_n)
+\end{pmatrix}.
+\]
+
+\begin{satz}
+\label{buch:eigenwerte:satz:spektralsatz}
+Ist $A$ symmetrische oder selbstadjungiert Matrix und $f$ eine Funktion
+auf dem Spektrum $\operatorname{Sp}(A)$ von $A$.
+Dann gibt es genau eine Matrix $f(A)$, die Grenzwert jeder beliebigen
+Folge $p_n(A)$ für Polynomfolgen, die $\operatorname{Sp}(A)$ gleichmässig
+gegen $f$ konvergieren.
+\end{satz}
+
+\subsubsection{Unmöglichkeit der Approximation von $z\mapsto \overline{z}$
+in $\mathbb{C}[z]$}
+Der Satz~\ref{buch:satz:stone-weierstrass} von Stone-Weierstrass für
+reelle Funktionen gilt nicht für komplexe Funktionen.
+In diesem Abschnitt zeigen wir, dass sich die Funktion $z\mapsto\overline{z}$
+auf der Einheitskreisscheibe $K=\{z\in\mathbb{C}\;|\; |z|\le 1\}$ nicht
+gleichmässig durch Polynome $p(z)$ mit komplexen Koeffizienten approximieren
+lässt.
+
+Wäre eine solche Approximation möglich, dann könnte man $\overline{z}$
+auch durch eine Potenzreihe
+\[
+\overline{z}
+=
+\sum_{k=0}^\infty a_kz^k
+\]
+darstellen.
+Das Wegintegral beider Seiten über den Pfad $\gamma(t) = e^{it}$
+in der komplexen Ebene ist
+\begin{align*}
+\oint_\gamma z^k\,dz
+&=
+\int_0^{2\pi} e^{ikt} ie^{it}\,dt
+=
+i\int_0^{2\pi} e^{it(k+1)}\,dt
+=
+i\biggl[ \frac{1}{i(k+1)} e^{it(k+1)}\biggr]_0^{2\pi}
+=
+0
+\\
+\oint_\gamma
+\sum_{k=0}^\infty a_kz^k
+\,dz
+&=
+\sum_{k=0}^\infty a_k \oint_\gamma z^k\,dz
+=
+\sum_{k=0}^\infty a_k\cdot 0
+=
+0
+\\
+\oint_\gamma \overline{z}\,dz
+&=
+\int_0^{2\pi} e^{it} ie^{it}\,dt
+=
+i\int_0^{2\pi} \,dt = 2\pi i,
+\end{align*}
+dabei wurde $\overline{\gamma}(t)=e^{-it}$ verwendet.
+Insbesondere widersprechen sich die beiden Integrale.
+Die ursprüngliche Annahmen, $\overline{z}$ lasse sich durch Polynome
+gleichmässig approximieren, muss daher verworfen werden.
+
+\subsubsection{Der Satz von Stone-Weierstrass für komplexe Funktionen}
+Der Satz von Stone-Weierstrass kann nach dem vorangegangene Abschnitt
+also nicht gelten.
+Um den Beweis des Satzes~\ref{buch:satz:stone-weierstrass}
+auf komplexe Zahlen zu übertragen, muss im ersten Schritt ein Weg
+gefunden werden, den Betrag einer Funktion zu approximieren.
+
+Im reellen Fall geschah dies, indem zunächst eine Polynom-Approximation
+für die Quadratwurzel konstruiert wurde, die dann auf das Quadrat einer
+Funktion angewendet wurde.
+Der Betrag einer komplexen Zahl $z$ ist aber nicht allein aus $z$
+berechenbar, man braucht in irgend einer Form Zugang zu Real-
+und Imaginärteil.
+Zum Beispiel kann man Real- und Imaginärteil als
+$\Re z= \frac12(z+\overline{z})$ und $\Im z = \frac12(z-\overline{z})$
+bestimmen.
+Kenntnis von Real- und Imaginärteil ist als gleichbedeutend mit
+der Kenntnis der komplex Konjugierten $\overline{z}$.
+Der Betrag lässt sich daraus als $|z|^2 = z\overline{z}$ finden.
+Beide Beispiele zeigen, dass man den im Beweis benötigten Betrag
+nur dann bestimmen kann, wenn mit jeder Funktion aus $A$ auch die
+komplex konjugierte Funktion zur Verfügung steht.
+
+\begin{satz}[Stone-Weierstrass]
+Enthält eine $\mathbb{C}$-Algebra $A$ von stetigen, komplexwertigen
+Funktionen auf einer kompakten Menge $K$ die konstanten Funktionen,
+trennt sie Punkte und ist ausserdem mit jeder Funktion $f\in A$ auch
+die komplex konjugiert Funktion $\overline{f}\in A$,
+dann lässt sich jede stetige, komplexwertige Funktion
+auf $K$ gleichmässig durch Funktionen aus $A$ approximieren.
+\end{satz}
+
+Mit Hilfe der konjugiert komplexen Funktion lässt sich immer eine
+Approximation für die Betragsfunktion finden, so dass sich der
+Beweis des reellen Satzes von Stone-Weierstrass übertragen lässt.
+
+%
+% Normale Matrizen
+%
+\subsection{Normale Matrizen
+\label{buch:subsection:normale-matrizen}}
+Aus dem Satz von Stone-Weierstrass für komplexe Matrizen kann man
+jetzt einen Spektralsätze für eine etwas grössere Klasse von Matrizen
+ableiten, als im Satz~\ref{buch:eigenwerte:satz:spektralsatz}
+möglich war.
+Der Satz besagt, dass für eine beliebige Funktion $f$ auf dem Spektrum
+$\operatorname{Sp}(A)$ eine Folge von auf $\operatorname{Sp}(A)$
+gleichmässig konvergenten, approximierenden Polynomen
+$p_n(z,\overline{z})$ gefunden werden kann.
+Doch wie soll jetzt aus dieser Polynomfolge ein Kandidat von $f(A)$
+gefunden werden?
+
+Zunächst stellt sich die Frage, was für die Variable $\overline{z}$
+eingesetzt werden soll.
+$1\times 1$-Matrizen sind notwendigerweise diagonal, also muss
+man in diesem Fall die Matrix $\overline{A}$ für die Variable
+$\overline{z}$ eingesetzt werden.
+Dies erklärt aber noch nicht, wie für $n\times n$-Matrizen
+vorzugehen ist, wenn $n>1$ ist.
+
+Die Notwendigkeit, die Variable $\overline{z}$ hinzuzunehmen
+ergab sich aus der Anforderung, dass der Betrag aus $|z|^2=z\overline{z}$
+konstruiert werden können muss.
+Insbesondere muss beim Einsetzen eine Matrix entstehen, die nur
+positive Eigenwerte hat.
+Für eine beliebige komplexe $n\times n$-Matrix $A$ ist aber
+$A\overline{A}$ nicht notwendigerweise positiv, wie das Beispiel
+\[
+A
+=
+\begin{pmatrix}0&i\\i&0\end{pmatrix}
+\qquad
+\Rightarrow
+\qquad
+A\overline{A}
+=
+\begin{pmatrix}0&i\\-i&0\end{pmatrix}
+\begin{pmatrix}0&-i\\i&0\end{pmatrix}
+=
+\begin{pmatrix}
+-1&0\\
+ 0&-1
+\end{pmatrix}
+=
+-I
+\]
+zeigt.
+Eine positive Matrix entsteht dagegen immer, wenn man statt
+$A$ die Adjungierte $A^*=\overline{A}^t$ verwendet.
+
+Die Substitution von $A$ für $z$ und $A^*$ für $\overline{z}$
+in einem Polynom $p(z,\overline{z})$ ist nicht unbedingt eindeutig.
+Schon das Polynom $p(z,\overline{z})=z\overline{z}$ kann man auch
+als $\overline{z}z$ schreiben.
+Damit die Substition eindeutig wird, muss man also fordern, dass
+$AA^* = A^*A$ ist.
+
+\begin{definition}
+Eine Matrix $A\in M_n(\mathbb{C})$ heisst {\em normal}, wenn $AA^*=A^*A$ gilt.
+\end{definition}
+
+\subsubsection{Beispiele normaler Matrizen}
+
+\begin{enumerate}
+\item
+Hermitesche und Antihermitesche Matrizen sind normal, denn solche
+Matrizen erfüllen $A^*=\pm A$ und damit
+\(
+AA^* = \pm A^2 = A^*A.
+\)
+\item
+Symmetrische und antisymmetrische Matrizen sind normal,
+denn aus $A=A^t$ folgt $A^*=\overline{A}^t$ und damit
+\begin{align*}
+AA^* &= A\overline{A}^t =
+\\
+A^*A &=
+\end{align*}
+\item
+Unitäre Matrizen $U$ sind normal, das $UU^*=I=U^*U$ gilt.
+\item
+Orthogonale Matrizen sind normal wegen $O(n) = U(n) \cap M_n(\mathbb{R})$.
+\end{enumerate}
+
+Jede Matrix lässt sich durch Wahl einer geeigneten Basis in Jordansche
+Normalform bringen.
+Allerdings sind Jordan-Blöcke keine normalen Matrizen, wie der folgende
+Satz zeigt.
+
+\begin{satz}
+Eine Dreiecksmatrix ist genau dann normal, wenn sie diagonal ist.
+\end{satz}
+
+\begin{proof}[Beweis]
+Sei $A$ eine obere Dreiecksmatrix, das Argument für eine untere Dreiecksmatrix
+funktioniert gleich.
+Wir berechnen ein Diagonalelement für beide Produkte $AA^*$ und $A^*A$.
+Dazu brauchen wir die Matrixelemente von $A$ und $A^*$.
+Bezeichnen wir die Matrixelemente von $A$ mit $a_{ij}$, dann hat $A^*$
+die Matrixelemente $(A^*)_{ij}=\overline{a}_{ji}$.
+Damit kann man die Diagonalelemente der Produkte als
+\begin{align*}
+(AA^*)_{ii}
+&=
+\sum_{j=1}^n a_{ij}\overline{a}_{ij}
+=
+\sum_{j=i}^n |a_{ij}|^2
+\\
+(A^*A)_{ii}
+&=
+\sum_{j=1}^n \overline{a}_{ji}a_{ji}
+=
+\sum_{j=1}^i |a_{ji}|^2
+\end{align*}
+ausrechnen.
+Der obere Ausdruck ist die quadrierte Länge der Zeile $i$ der Matrix $A$,
+der untere ist die quadrierte Länge der Spalte $i$.
+Da die Matrix eine obere Dreiecksmatrix ist, hat die erste Spalte höchstens
+ein einziges von $0$ verschiedenes Element.
+Daher kann auch die erste Zeile höchstens dieses eine Elemente haben.
+Die Matrix hat daher Blockstruktur mit einem $1\times 1$-Block in der
+linken obere Ecke und einem $n-1$-dimensionalen Block für den Rest.
+Durch Wiederholen des Arguments für den $(n-1)\times (n-1)$-Block
+kann man so schrittweise schliessen, dass die Matrix $A$ diagonal sein muss.
+\end{proof}
+
+
+\begin{satz}
+Sind $A$ und $B$ normale Matrizen und $AB^*=B^*A$, dann sind auch $A+B$
+und $AB$ normal.
+\end{satz}
+
+\begin{proof}[Beweis]
+Zunächst folgt aus $AB^*=B^*A$ auch
+$A^*B = (B^*A)^* = (AB^*)^* = BA^*$.
+Der Beweis erfolgt durch Nachrechnen:
+\begin{align*}
+(A+B)(A+B)^*
+&=
+AA^* + AB^* + BA^*+BB^*
+\\
+(A+B)^*(A+B)
+&=
+A^*A + A^*B + B^*A + B^*B
+\end{align*}
+Die ersten und letzten Terme auf der rechten Seite stimmen überein, weil
+$A$ und $B$ normal sind.
+Die gemischten Terme stimmen überein wegen der Vertauschbarkeit von
+$A$ und $B^*$.
+
+Für das Produkt rechnet man
+\begin{align*}
+(AB)(AB)^*
+&= ABB^*A^* = AB^*BA^*
+= B^*AA^*B
+=
+B^*A^*AB
+=
+(AB)^*(AB),
+\end{align*}
+was zeigt, dass auch $AB$ normal ist.
+\end{proof}
+
+\subsubsection{Äquivalente Bedingungen}
+Es gibt eine grosse Zahl äquivalenter Eigenschaften für normale Matrizen.
+Die folgenden Eigenschaften sind äquivalent:
+\begin{enumerate}
+\item
+Die Matrix $A$ ist mit einer unitären Matrix diagonalisierbar
+\item
+Es gibt eine orthonormale Basis von Eigenvektoren von $A$ für $\mathbb{C}^n$
+\item
+Für jeden Vektor $x\in\mathbb{C}^n$ gilt $\|Ax\|=\|A^*x\|$
+\item
+Die Forbenius-Norm der Matrix $A$ kann mit den Eigenwerten $\lambda_i$
+von $A$ berechnet werden:
+$\operatorname{Spur}(A^*A) = \sum_{i=1}^n |\lambda_i|^2$
+\item
+Der hermitesche Teil $\frac12(A+A^*)$ und der antihermitesche Teil
+$\frac12(A-A^*)$ von $A$ vertauschen.
+\item
+$A^*$ ist ein Polynom vom Grad $n-1$ in $A$.
+\item
+Es gibt eine unitäre Matrix $U$ derart, dass $A^*=AU$
+\item
+Es gibt eine Polarzerlegugn $A=UP$ mit einer unitären Matrix $U$ und
+einer postiv semidefiniten Matrix $P$, die untereinander vertauschen.
+\item
+Es gibt eine Matrix $N$ mit verschiedenen Eigenwerten, mit denen $A$
+vertauscht.
+\item
+Wenn $A$ die (absteigend geordneten) singulärwerte $\sigma_i$ und
+die absteigend geordneten Eigenwerte $\lambda_i$ hat,
+dann it $\sigma_i=|\lambda_i|$.
+\end{enumerate}
+
+
+
+