Skript
Skript
Skript
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Kapitel 2<br />
Grundlagen<br />
Wie wir in den Beispielen in Kapitel 1 gesehen haben, hängt bei bei vielen inversen<br />
Problemen die Lösung nicht stetig von den Daten ab. Wir präzisieren<br />
dies durch folgende Definition nach Hadamard, cf. [4, Kapitel 2],<br />
Definition 2.0.2. Seien X, Y Banach- oder Hilberträume und sei A : X → Y ,<br />
y ∈ Y . Das Problem Ax = y heißt gut gestellt (properly/well posed), wenn<br />
folgende drei Eigenschaften erfüllt sind:<br />
• Ax = y ist lösbar für alle y ∈ Y .<br />
• Die Lösung x ist eindeutig.<br />
• Die Lösung hängt stetig von den Daten ab, d.h. aus y n → y folgt x n → x,<br />
wobei Ax n = y n für alle n (oder äquivalent: A −1 ist stetig).<br />
Ist eine der drei Eigenschaften nicht erfüllt, so heißt das Problem schlecht gestellt<br />
(ill-posed).<br />
Bemerkung 2.0.3. Der letzte Punkt in der obigen Definition hängt natürlich von<br />
der Norm ab, in dem die Stetigkeit des Operators gemessen wird. Um dies zu<br />
verdeutlichen betrachten wir zwei Beispielen<br />
• Betrachten wir wieder den Operater D, der einer Funktion ihre Ableitung<br />
zuordnet, also Df := f ′ . Wenn wir als Norm die H 1 -Norm verwenden,<br />
also<br />
‖f‖ H 1 := ‖f‖ L 2 + ‖f ′ ‖ L 2,<br />
so gilt natürlich<br />
‖Df‖ L 2 = ‖f ′ ‖ L 2 ≤ ‖f‖ H 1,<br />
der Operator Df ist also stetig in dieser Norm.<br />
• Verallgemeinern wird das obige Beispiel: Sei A : X → Y mit den normierten<br />
Räumen (X, ‖ · ‖ X ) und (Y, ‖ · ‖ Y ). Definieren wir nun die Norm<br />
|‖x‖| := ‖x‖ X + ‖Ax‖ Y ,<br />
14