Lineares Gleichungssystem
|
|
- Alexa Schmitt
- vor 5 Jahren
- Abrufe
Transkript
1 Lineares Gleichungssystem Ein System von m linearen Gleichungen in n Unbekannten besteht aus einer Menge von algebraischen Relationen der Form n a ij x j = b i, i =,...,m, j= wobei a ij R, i m, j n, die vorgegebenen Koeffizienten dessystemssindundb i, i m, diekomponentenderrechtenseite. Die x j, i n, stellen die gesuchten Unbekannten dar. Ein solches System kann in Matrixform beschrieben werden als: Ax = b, mit A = (a ij ) R m n Koeffizientenmatrix, b = (b i ) R m rechte Seite x = (x j ) R n Lösungsvektor. Typeset by FoilTEX
2 Existenz und Eindeutigkeit der Lösung Falls A R n n und b R n n, d.h. m = n, so sind folgende Eigenschaften äquivalent: Es existert genau eine Lösung x R n zum linearen Gleichungssystem Ax = b, A ist invertierbar A hat vollen Rang Alle Eigenwerte von A sind ungleich Null. Das homogene System Ax = hat nur die triviale Lösung. Typeset by FoilTEX
3 Wie löst man ein lineares Gleichungssystem? Betrachte das lineare Gleichungssystem Ax = b. Die dazu verwendeten Lösungsverfahren lassen sich grob in zwei Klassen einteilen: Ein direktes Verfahren zur Lösung von Ax = b ist ein Algorithmus, der (bei Vernachläßigung von Rundungsfehlern) in endlich vielen Schritten die Lösung x liefert; Ein iteratives Verfahren zur Lösung von Ax = b erzeugt im Gegensatz dazu eine Folge von Vektoren (x (m) ) m N, die im Limes für m immer bessere Approximationen der Lösung x liefern (im Fall der Konvergenz). Typeset by FoilTEX 3
4 Besonderes leicht lösbare Systeme: Dreiecksmatrizen Sei U R n n eine nicht-singuläre obere Dreiecksmatrix:, d.h., u ii u u u 3 u n u u 3 u n U = u 33 u 3n... u nn Dann kann das System U x = b mit der sogenannten Rückwärtssubstitution direkt gelöst werden: x n = b n u nn x i = u ii ( Aufwand: O(n )-Operationen. b i n j=i+ u ij x j ), i = n,...,. Typeset by FoilTEX 4
5 Verschiedene direkte Löser: MATLAB Aus der Matlab Dokumentation: Direkte Löser Typeset by FoilTEX 5
6 Gauß-Algorithmus () Grundidee: Reduziere das System Ax = b auf ein äquivalentes System der Form Ux = b, wobei U eine obere Dreiecksmatrix ist und b eine modifizierte rechte Seite. Die Umformungen werden durch geschickte Zeilenmodifikationen in n Schritten erhalten. Startend mit A () := A wird im k.-ten Schritt eine modifizierte Matrix A (k+) erzeugt. Sei a (k) kk das Pivotelement im k.-ten Schritt. Definiere den Skalierungsfaktor m ik und setze m ik = a(k) ik a (k+) ij b (k+) i a (k) kk, i = k +,...,n = a (k) ij m ik a (k), i,j = k +,...,n kj = b (k) i m ik b (k) k, i = k +,...,n Bemerkung: Das Verfahren schlägt fehl, falls ein Pivotelement gleich Null ist. Typeset by FoilTEX 6
7 Gauß-Algorithmus () Die im letzten Schritt erhaltene Matrix A (n) ist jetzt eine obere Dreiecksmatrix und das lineare Gleichungssystem lautet: a () n a () a () n a nn (n) a () a () x x.. x n = b () b ().. b (n) n Aufwand: O(n 3 )-Operationen bei einer vollbesetzten Matrix. Die Struktur von Bandmatrizen kann ausgenutzt werden und reduziert den Aufwand. Innerhalb der Bandstrucktur kann es zum Fill-in kommen. Die Nulleinträge ausserhalb bleiben erhalten. Problematik: Eine Pivotsuche, z.b. Spaltenpivotsuche, umgeht das Problem, dass einzelne Pivotelemente Null sein können. Dadurch wird nicht nur ein möglicher Abbruch verhindert, sondern auch der Einfluss von Rundungsfehlern reduziert. Bei bestimmten Klassen von Matrizen, z.b. symmetrische positiv definite Matrizen, ist keine Pivotsuche erforderlich. Typeset by FoilTEX 7
8 Beispiel : Elektrischer Schaltkreis R R R R R I I I U I I 3 Gegeben: Klemmspannung U, Widerstände R,...,R 5 Gesucht: Ströme I,...,I 5 Typeset by FoilTEX 8
9 Elektrischer Schaltkreis lin. Gleichungssystem Kirchhoffsche Gesetze, Ohmsches Gesetz führen auf Ax = b mit A = R R 4 R 5, x = R R R 3 I I I 3 I 4 I 5, b = U. Typeset by FoilTEX 9
10 Elektrischer Schaltkreis Gauß Algorithmus A = A () = R R 4 R 5 R R R 3 A () = R R 4 R 5 R +R R 3 R Typeset by FoilTEX
11 A () = R R 4 R +R 5 R +R +R 3 R R +R A (3) = R R 4 R +R 5 R R 4 (+ R R + R 3 R ) R 3 R 5 (+ R R + R 3 R ) A (4) = R R 4 R +R 5 R R 3 (R 4 +R 5 )(+ R R + R 3 R ) Typeset by FoilTEX
12 Elektrischer Schaltkreis, Gauß Algorithmus A = LU mit L = R R R +R + R R + R 3 R R R 4 (+ R R + R 3 R ) und U = A (4) = R R 4 R +R 5 R R 3 (R 4 +R 5 )(+ R R + R 3 R ) Typeset by FoilTEX
13 Einfluss von Rundungsfehlern Beispiel: Löse das LGS Ax = b mit Gauß Elimination (Rechengenauigkeit fünf Dezimalstellen) A := ( ) , b := ( ) Richtige Lösung x := Gauß Elimination ohne Pivotsuche: A := ( ) ( ) ( ) x op := ( ) Typeset by FoilTEX 3
14 Gauß Elimination mit Pivotsuche: ( ) ( ) x op x = ( ).5353 x mp :=.7864 ( ).36, x. mp x = ( ).. Verfahren mit Pivotsuche genauer! Typeset by FoilTEX 4
15 LU-Zerlegung: Einführung Löse das LGS Ax = b mit A R n n nicht singulär. Der Gauß-Algorithmus kann als LU-Zerlegung (auch LR-Zerlegung genannt) interpretiert werden. Dies ist eine Zerlegung der nicht-singulären Matrix A in das Produkt einer linken unteren Dreiecksmatrix L und einer rechten oberen Dreiecksmatrix U, d.h. A = LU, wobei U = A (n). Die Lösung x zum LGS kann schnell durch Lösung der folgenden linearen Dreiecks- Gleichungsysteme Ly= b, (Vorwärtssubstitution) berechnet werden. U x= y, (Rückwärtssubstitution) Typeset by FoilTEX 5
16 LU-Zerlegung: Algorithmus Gesucht sind die Matrizen L,U R n n, so dass a ij = n l ik u kj, k= i,j =,...,n, mit L = (l ij ) untere Dreiecksmatrix und U = (u ij ) obere Dreiecksmatrix. Setze l ii = für alle i =,...,n. Definiere: ( l ij = a ij u jj u ij = a ij i k= j k= l ik u kj, l ik u kj ), i =,...,n, j =,...,i, i =,...,n, j = i,...,n. Typeset by FoilTEX 6
17 LU-Decomposition Visualizer () X A () = A () L A () = A () = A * = * = L X = L X f () = f () * = * 5 = 7 9 Typeset by FoilTEX 7
18 LU-Decomposition Visualizer () X A () = A (3) L 3 A (3) = A * = * = L X = L 3 X f () = f (3) * = * = 9 8 Typeset by FoilTEX 8
19 Einfluss der Bandstruktur auf Fill-In Permutationsmatrizen P erlauben die Vertauschung der Zeilen (bei Multiplikation von links) und der Spalten (bei Multiplikation von rechts) einer Matrix A. Für diese gelten P = P. Ax = b (PA)x = Pb, AP Px = b (AP )ˆx = b mit ˆx = Px. Die Bandstruktur der Matrix A bleibt bei der LU-Zerlegung erhalten, d.h. außerhalb der Bandstruktur treten keine weiteren Einträge auf, jedoch können die Nulleinträge innerhalb der Bandstruktur verschwinden (Fill-In). Ziel: Finden von geeigneten Permutationen der Matrix A, so dass möglichst geringe Bandbreite entsteht. Hierzu gibt es Minimierungsalgorithmen z.b. von Cuthill-McKee. Typeset by FoilTEX 9
20 LU-Zerlegung und Fill-In 3 4 D-Poisson Matrix spy(p) LU-Zerlegung der Poisson Matrix spy(l P ) spy(u P ) nz = nz = 99 Matrix A spy(a) LU-Zerlegung der Matrix A spy(l A ) nz = nz = 74 Typeset by FoilTEX
21 LU-Zerlegung Pivotsuche Löse das LGS Ax = b mit ( ) ε A :=, b := ( ). Gauß Elimination ohne Pivotsuche: ( )( ) ε A = L U = ε. ε Gauß Elimination mit Pivotsuche: ( )( ) PA = L U =. ε ε κ(u i ) in Abhängigkeit von ε 4 κ(u ) ohne PS κ(u ) mit PS Kondition wird durch Pivotsuche verbessert Typeset by FoilTEX
22 LU-Zerlegung, Pivotsuche Vergleich mit Lösung auf 4 signifikante Stellen: ε x ( exakt ) x (ohne PS) x (mit PS) ohne PS mit PS 8 rel. Residuum := A x b 6 b Verfahren ohne Pivotsuche kann komplett falsche Ergebnisse liefern (Fehler > %) Typeset by FoilTEX
23 Cholesky-Zerlegung: Einführung Definition: Eine Matrix A R n n heißt positiv definit, wenn x Ax >, x R n \{}. Satz: Sei A R n n symmetrisch und positiv definit. Dann existiert genau eine untere Dreiecksmatrix L = R n n, so dass A = LL T. Rechenaufwand: O(n 3 ) und ist etwa halb so viel wie die LR-Zerlegung. Typeset by FoilTEX 3
24 Cholesky-Zerlegung: Algorithmus Gesucht ist die Matrix L R n n, so dass a ij = i l ik l kj, k= i,j =,...,n, mit L = (l ij ) untere Dreiecksmatrix. Setze l = a /. Rechne: l ii = ( a ii i k= ( l ji = a ij l ii l ik) /, i =,...,n, i k= l ik l jk ), i < j n. Typeset by FoilTEX 4
25 Gegeben sei Cholesky-Zerlegung: Beispiel A = 5 Dann ist die Cholesky-Zerlegung von A gegen durch A = 3 3 Bemerkung: Das Produkt LL T ist immer symmetrisch und positiv definit, obwohl die Matrix L nur eine Nährung an den exakten Cholesky-Faktor ist. Wird hingegen die LU-Zerlegung einer symmetrischen, positiv definiten Matrix berechnet, dann ist aufgrund der Rundungsfehler nicht gewährleistet, dass das Produkt LR wieder symmetrisch und positiv definit ist. Typeset by FoilTEX 5
26 QR-Zerlegung: Einführung Definition: Eine Matrix Q R n n heißt orthogonal, wenn QQ T = I. Satz: Sei A R n n invertierbar. Dann besitzt A genau eine QR-Zerlegung, wobei Q R n n ist orthonormal; R R n n ist eine invertierbare obere Dreiecksmatrix. Berechnung: Es gibt mehrere Möglichkeiten, wie z.b. durch den Gram-Schmidt Orthogonalizationsverfahren; durch Givens-Rotationen; durch Housholder-Transformationen. Typeset by FoilTEX 6
27 QR-Zerlegung mit Givens-Rotationen Zerlegung einer Matrix A R n m in A = QR mit orthonormaler Matrix Q R n n, d.h. Q Q = I, und oberer Rechtecksmatrix R R n m. Q T = Q n Q Q, Q k = G (k,k+) k G (k+,k+) k G (n,n) k. Für die Rotation G (j,j) k, j > k, gilt G (j,j) k.... a k... a j a j... = Typeset by FoilTEX 7
28 Givens-Rotation G (l,m) G (l,m).. x ṃ. x l = Id l m c s Id s c.. x ṃ Id. x l =. l.. c = cos(ϕ) = s = sin(ϕ) = x l x m +x l x m x m +x l = x l r, = x m r. Givens Rotation entspricht Drehung auf die Richtung (,...,,,,...,) Typeset by FoilTEX 8
29 Q Id QR-Zerlegung mit Givens (Algorithmus) for k=,...,m- { for i=m,...,k+ { Bestimme G (i,i) k, so dass A G (i,i) k A Q G (i,i) k Q } } Q Q ( G (i,i) k ) A i,k = Typeset by FoilTEX 9
30 QR-Zerlegung mit Householder Zerlegung einer Matrix A R n m in A = QR mit orthonormaler Matrix Q R n n, d.h. Q Q = I, und oberer Rechtecksmatrix R R n m. Q = Q n Q n Q Q Für den k-ten Schritt gilt Q k.... a a n k = Typeset by FoilTEX 3
31 Householder-Transformation a = (.8,.5).5 β = a + a sign(a )e v = ( ) a+ a sign(a )e β a H = (.6) Q = Id ( vv ) v v ( ) = Qa = (.7, ) v Qa Householder-Transformation entspricht Spiegelung an Hyperebene Typeset by FoilTEX 3
32 Householder-Transformation (Algorithmus) function [A] = qr house(a) % [Q,R] = qr house(a) berechnet die QR Zerlegung einer 3 % quadratischen Matrix A mittels Householder Transformationen. 4 % Die Vektoren vk, die die Householder Transformationen generieren, sind in 5 % dem unteren Teil der Matrix A gespeichert (mit der ersten Eintrag gleich 6 % ) und die obere Dreiecksmatrix R ist in dem oberen Teil gespeichert. 7 8 for k = :n 9 % Definition des ersten Einheitsvektors mit Laenge n+ k e = zeros(n+ k,); e() = ; % Householder Vektor so, dass v()= v = A(k:n,k)+sign(A(k,k))*norm(A(k:n,k),).*e; 3 v = v./v(); 4 % a = A(k:n,j) fuer alle j=k,...,n 5 % Qk(v)a = [I /(v'v)*(vv')]a = a v*[(v'*a)/(v'*v)] 6 % Schleife ueber die Spalten von A 7 for j=k:n 8 A(k:n,j) = A(k:n,j) *((v'*a(k:n,j))/(v'*v))*v; 9 end % Speichern des Vektors v in die k te Spalte von A A(k+:n,k) = v(:end,); end Typeset by FoilTEX 3
33 Vergleich LU mit QR Zerlegung Die Wilkinson-Matrix Löse das LGS Wx = b, W R n n, mit W := , b := ṇ. n n, mit LU Zerlegung und mit QR Zerlegung. (Exakte Lösung: x = ( n,..., n, n )T ) Typeset by FoilTEX 33
34 Vergleich LU mit QR Zerlegung Konditionszahl und Residuum 5 κ(w) κ(u) 5 4 κ(u) nn κ(w) Residuum LU 5 Fehler LU Residuum QR Fehler QR rel. Residuum := W x b b Schlechte Kondition der Rückwärtssubstitution (κ(w) κ(u)); QR robuster Typeset by FoilTEX 34
35 Vergleich LU mit QR Zerlegung Nachiteration LU-Zerlegung: Die Rundungsfehler führen zu großen Abweichungen der Lösung. Ausweg: LGS Wx = b 5 Fehler LU mit Nach It. x mittels LU Zerlegung berechnete Lösung Löse W x = b Ax (mit derselben LU-Zerlegung) 6 Fehler QR x := x + x Nachiteration verbessert die Robustheit der LU-Zerlegung als Löser. Typeset by FoilTEX 35
Elektrischer Schaltkreis lin. Gleichungssystem
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) Beispiel : Elektrischer Schaltkreis I R
MehrInhalt Kapitel II: Lineare Gleichungssysteme
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II1 Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) 1 Beispiel 1: Elektrischer Schaltkreis
MehrIII. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische lineare Iterationsverfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische lineare Iterationsverfahren Typeset by FoilTEX 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung einer linearen
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrKapitel 2: Lineare Gleichungssysteme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 2: Lineare Gleichungssysteme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 205 HM: Numerik (SS 205), Kapitel
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 8 Institut für Informatik Prof. Dr. Thomas Huckle Michael Rippl Fabio Gratl Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt: Gaußelimination mit Pivotsuche,
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 3 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt:
MehrNumerik für Informatiker und Bioinformatiker. Daniel Weiß
Numerik für Informatiker und Bioinformatiker Daniel Weiß SS 202 Folgende Literatur bildet die Grundlage dieser Vorlesung: P Deuflhard, A Hohmann, Numerische Mathematik, Eine algorithmisch orientierte Einführung,
Mehr3 Lineare Gleichungssysteme
Lineare Gleichungssysteme Wir wissen bereits, dass ein lineares Gleichungssystem genau dann eindeutig lösbar ist, wenn die zugehörige Matrix regulär ist. In diesem Kapitel lernen wir unterschiedliche Verfahren
Mehr4. Großübung. Lösung linearer Gleichungssysteme
4. Großübung Lösung linearer Gleichungssysteme Gesucht x, x, x 3, x 4 R, sodass gilt. mit A R 4 4, x R 4, b R 4 x x + 3x 3 + x 4 = 5 6x 3x 7x x 4 = 5 4x + 4x + 5x 3 5x 4 = 3 8x + x + x 3 + x 4 = 8 3 x
MehrLineare Gleichungssysteme: direkte Verfahren
Sechste Vorlesung, 24. April 2008, Inhalt Lineare Gleichungssysteme: direkte Verfahren Dreiecksmatrizen Gauß-Elimination LR-Zerlegung Anwendungen: Determinante, Inverse 1 Lösungsverfahren für lineare Gleichungssysteme
Mehr2 Lineare Gleichungssysteme
Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Lineare Gleichungssysteme Gegeben: A R n n mit det(a) b R n Gesucht: x R n mit Ax = b Zeilenäquilibrierung Möchten zunächst die Kondition des
MehrIII. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische Iterationsverfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische Iterationsverfahren Kapitel III (0) 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung einer linearen PDGL 2. Ordnung
MehrIn diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen.
Kapitel 4 Lineare Gleichungssysteme 4 Problemstellung und Einführung In diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen Lineares Gleichungssystem: Gesucht ist
MehrIII. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische Iterationsverfahren. III.3 GMRES und CG-Verfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische Iterationsverfahren III.3 GMRES und CG-Verfahren Kapitel III (0) 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung
MehrMatrixzerlegungen. 6. Vorlesung Numerische Methoden I. Clemens Brand. 2. April Nachträge und Wiederholung. Links-Rechts- Zerlegung
Matrixzerlegungen. 6. Vorlesung 170004 Numerische Methoden I Clemens Brand QR- QR- 2. April 2009 Gliederung Elimination faktorisiert A = L R QR- QR- QR- QR- Eine Zusammenfassung der Folien 6 14 der letzten
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
Mehr2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrOrthogonale Matrix. Definition 4.19
Orthogonale Matrix Ausgleichsprobleme sind häufig schlecht konditioniert. Matrix des Normalengleichungssystems kann nahezu singulär sein. Spezielle Matrixzerlegung für höhere numerische Stabilität: QR-Zerlegung
MehrNumerisches Programmieren
Informatics V - Scientific Computing Numerisches Programmieren Tutorübung 3 Jürgen Bräckle, Christoph Riesinger 16. Mai 2013 Tutorübung 3, 16. Mai 2013 1 Gauß-Elimination und Pivotsuche LR-Zerlegung QR-Zerlegung
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrGliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung
Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 7 / 8 Institut für Informatik Univ.-Prof. Dr. Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 8. Übungsblatt:
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 17114 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus Achtung: Durchführbarkeit nur bei nichtverschwindenden
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 15.1.16 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus. Achtung: Durchführbarkeit nur bei
MehrLineare Ausgleichsprobleme
Kapitel Lineare Ausgleichsprobleme Einführung Bemerkung Aufgabenstellung, Motivation Bei linearen Ausgleichsproblemen handeltes sichebenfalls um Bestapproximations Probleme Allerdingsist hier keine Funktion
MehrComputergestützte Mathematik zur Linearen Algebra
Computergestützte Mathematik zur Linearen Algebra Pivotwahl und Gleitkommaarithmetik Achim Schädle 3. und 20. Dezember 208 Achim Schaedle (HHU) CompLinA 3. und 20. Dezember 208 Instabilitäten bei Gauß-Elimination
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
Mehr2 Direkte Lösungsverfahren für lineare Gleichungen
2 Direkte Lösungsverfahren für lineare Gleichungen (2.1) Sei L R N N eine normierte untere Dreiecksmatrix und b R N. Dann ist L invertierbar und das Lineare Gleichungssystem (LGS) Ly = b ist mit O(N 2
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrSerie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 2017 Dr. Meike Akveld Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung 1. In dieser Aufgabe beweisen wir die Existenz der LR-Zerlegung einer quadratischen
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
MehrDirekte Verfahren für Lineare Gleichungssysteme
Kapitel 1 Direkte Verfahren für Lineare Gleichungssysteme 11 Einführung (mündlich) 12 Das Gaußsche Eliminationsverfahren Es sei A IK n n eine invertierbare Matrix und b IK n ein gegebener Vektor Gesucht
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrLineare Algebra. 10. Übungsstunde. Steven Battilana.
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch November 3, 26 Erinnerung Gram-Schmidt Verfahren Sei V ein euklidischer/unitärer Vektorraum mit dim(v ) n < Gegeben: W span{v,...,
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
MehrCramersche Regel. Satz 2.26
ramersche Regel Satz 6 Es sei A R n n eine quadratische Matrix mit det(a) 6= Für das LGS Ax = b sei A j := (a,,a j, b, a j+,,a n ), also die Matrix, die entsteht, wenn in A die j-te Spalte durch den Vektor
MehrKondition linearer Gleichungssysteme Vorlesung vom
Kondition linearer Gleichungssysteme Vorlesung vom 8.1.16 Konvergenz in normierten Räumen Definition: x (ν) x x x (ν) 0, für ν Satz: Die Konvergenz in R n und R n,n ist äquivalent zur komponentenweise
MehrErweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
Mehra ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y 1 = a 11 x 1 + a 12 x 2 + a 13 x3 y 2 = a 21 x 1 + a 22 x 2 + a 23 x3... Koeffizienten a ij i - te Gleichung
MehrLineare Algebra. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 6, 017 1 Erinnerung: Lineare Gleichungssysteme LGS Der allgemeine Fall hat m lineare Gleichungen, n
MehrLineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v
Mehr3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
MehrLösung Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 06 Dr. Meike Akveld Lösung Serie : Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung. Um zu zeigen, dass es sich bei den gegebenen Vektoren um Basen handelt,
Mehr2 Lineare Gleichungssysteme
Höhere Ableitungen Interpolationsbedingungen d k Φ dx k (x j) = y (k) j, ( j =,,..., n; k =,,..., c j ) bestimmen das Hermite Interpolationspolynom Φ Π r mit r + = n ( + c j ). j= 2 Lineare Gleichungssysteme
Mehr2. Direkte Verfahren zur Lösung. linearer Gleichungssysteme
2. Direkte Verfahren zur Lösung linearer Gleichungssysteme 1 Einleitung (1) Eine zentrale Rolle bei numerischen Berechnungen spielen lineare Gleichungssysteme Es sind die am häufigsten auftretenden numerischen
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 19.1.18 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus. Achtung: Durchführbarkeit nur bei
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 +
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrSerie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 06 Dr. Meike Akveld Serie : Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung. Gegeben seien die folgenden geordneten Basen B = (v, v, v, v ) und C = (w, w,
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrNumerik I. Universität zu Köln SS 2009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva,
Universität zu Köln SS 009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva, mselva@math.uni-koeln.de Numerik I Musterlösung 1. praktische Aufgabe, Bandmatrizen Bei der Diskretisierung von
MehrLR Zerlegung. Michael Sagraloff
LR Zerlegung Michael Sagraloff Beispiel eines linearen Gleichungssystems in der Ökonomie (Input-Output Analyse Wir nehmen an, dass es 3 Güter G, G, und G 3 gibt Dann entspricht der Eintrag a i,j der sogenannten
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
MehrLineare Algebra und Numerische Mathematik D-BAUG. Winter 2013 Prof. H.-R. Künsch. , a R. det(a) = 0 a = 1.
b Musterlösung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice) Gegeben sei die folgende Matrix Winter 3 Prof. H.-R. Künsch A = a a) deta) = genau dann wenn gilt x a =. a =. ), a R. x
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrLinear Systems and Least Squares
Linear Systems and Least Squares Vortragender: Gelin Jiofack Nguedong Betreuer: Prof. Dr. Joachim Weickert Proseminar: Matrixmethoden in Datenanalyse und Mustererkennung Wintersemester 2015/2016 18. November
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrKlausur Numerische Mathematik (für Elektrotechniker), Samstag, 19. August 2017
Verständnisfragen-Teil (5 Punkte) Jeder der 5 Verständnisfragenblöcke besteht aus 5 Verständnisfragen. Werden alle 5 Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block
MehrKapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,...,255}, n = 1,...,N, m = 1,...,M. dig. Camera Realisierung
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der
MehrLineare Gleichungssysteme, LR-Zerlegung
Prof Thomas Richter 2 Juni 27 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomasrichter@ovgude Material zur Vorlesung Algorithmische Mathematik II am 22627 Lineare Gleichungssysteme,
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 204 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
MehrSerie 8: Online-Test
D-MAVT Lineare Algebra I HS 017 Prof Dr N Hungerbühler Serie 8: Online-Test Einsendeschluss: Freitag, der 4 November um 14:00 Uhr Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. Wir betrachten das überbestimmte Gleichungssystem Ax = y mit 1 1 1 1 A := 1 1 0 1 0 1, y := 2 3 0 0 1 4 Berechnen Sie die
MehrÜberbestimmte Gleichungssysteme
Siebente Vorlesung, 8. Mai 2008, Inhalt Überbestimmte Gleichungssysteme Kleinste Quadrate: einfaches Beispiel, elementare Herleitung Normalengleichungen Transformation mit QR-Zerlegung und SVD Nichtlineare
MehrQR Zerlegung mit Householder Transformationen. Numerische Mathematik1 WS 2011/12
QR Zerlegung mit Householder Transformationen Numerische Mathematik1 WS 0/1 Orthogonales Eliminieren /33 Sei x R n ein Vektor x = 0. Ziel: Ein orthogonales H R n;n bestimmen, sodass Hx = kxke 1 ; ein Vielfaches
Mehr2 Direkte Lösungsverfahren für lineare Gleichungen
(2.1) Sei x = (x n ) n=1,...,n R N, A = (a m,n ) m=1,...,m, n=1,...,n R M,N. a) Sei 1 m n N. Dann ist x[m : n] = (x k ) k=m,...,n R 1+n m Teilvektor von x. b) Seien 1 m 1 m 2 M, 1 n 1 n 2 N. Dann ist A[m
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrLineare Gleichungssysteme: eine Ergänzung
Lineare Gleichungssysteme: eine Ergänzung Ein lineares Gleichungssystem, bei dem alle Einträge auf der rechten Seite gleich sind heiÿt homogenes lineares Gleichungssystem: a x + a 2 x 2 +... + a n x n
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 + x 2 =
MehrKapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 21 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,,255}, n = 1,,N, m = 1,,M dig Camera Realisierung von B η ist
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung: Woche vom (Lin.Alg.
Übungsaufgaben 12. Übung: Woche vom 16. 1.-20. 1. 2017 (Lin.Alg. I): Heft Ü 3: 2.1.11; 2.1.8; 2.1.17; 2.2.1; 2.2.3; 1.1.1; 1.1.4; Hinweis 1: 3. Test (Integration, analyt. Geom.) ist seit 9.1. freigeschalten
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 1 Einführung Lineare Gleichungen Definition
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
Mehr3 Matrizen und Lineare Gleichungssysteme
3 Matrizen und LGS Pink: Lineare Algebra HS 2014 Seite 38 3 Matrizen und Lineare Gleichungssysteme 3.1 Definitionen Sei K ein Körper, und seien m,n,l natürliche Zahlen. Definition: Eine Matrix mit m Zeilen
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
MehrD-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung. Musterlösung 5
D-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung 5 1. a) 1 0 0 1 3 5 LR = 0 1 0 2 6 7 0 0 1 3 10 10 1 0 0 1 3 5 = 2 1 0 0 0 3 3 0 1 0 1 5 1 0 0 1 3 5 1 0 0 = 3 1 0 0 1 5,
Mehr3 Lineare Gleichungssysteme
3 Lineare Gleichungssysteme 3 Fortsetzung des Matrizenkalküls Als erstes beweisen wir einen einfachen Satz über den Rang von Matrizenprodukten Satz 3 (a) Für Matrizen A : Ã l m, B : Ã m n gilt rang AB
MehrDiplom VP Informatik / Numerik 2. September 2002
Diplom VP Informatik / Numerik. September 00 Aufgabe Gegeben sei das lineare Gleichungssystem A x = b mit 0 4 0 0 0 0 A = 4 0 0 0 0 0 0 0 0 und b = 4 4 8 5. Punkte a Berechnen Sie die Cholesky Zerlegung
MehrNumerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 03.06.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren Lineare Ausgleichsprobleme
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2 Olga Holtz MA 378 Sprechstunde Fr 4-6 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 2-4 und nv jokar@mathtu-berlinde Kapitel 4 Der
Mehr1.4 Stabilität der Gauß-Elimination
KAPIEL 1. LINEARE GLEICHUNGSSYSEME 18 1.4 Stabilität der Gauß-Elimination Bezeichne x die exakte Lösung von Ax = b bzw. ˆx die mit einem (zunächst beliebigen Algorithmus berechnete Näherungslösung (inklusive
Mehr1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 9. Aufgabe 9.1. Herbstsemester Dr. V. Gradinaru D. Devaud A.
Dr V Gradinaru D Devaud A Hiltebrand Herbstsemester 2014 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 9 Aufgabe 91 91a) Sei A eine n n-matrix Das Gleichungssystem Ax
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV Aufgabe N1 (LR-Zerlegung mit Pivotisierung) Gegeben seien R 3.
Lösung der Diplom-Vorprüfung Höhere Mathematik III/IV 7.7.6 Aufgabe N (LR-Zerlegung mit Pivotisierung) Gegeben seien 6 8 A = 8 6 R und b = 6 R. a) Berechnen Sie die LR-Zerlegung von A mit Spaltenpivotisierung.
MehrKapitel 3. Lineare Ausgleichsrechnung. Problem: Löse A x = b, A R m n, b R m, wobei. Rang(A) < Rang([A;b])
Kapitel 3. Lineare Ausgleichsrechnung Problem: Löse A x = b, A R m n, b R m, wobei Rang(A) < Rang([A;b]) zugelassen ist, d.h. Ax = b ist nur im weitesten Sinne lösbar. 3.1 Lineares Ausgleichsproblem: Zu
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
Mehr