Lösung Übungsblatt 6
|
|
- Jutta Wagner
- vor 5 Jahren
- Abrufe
Transkript
1 Aufgabe 1: Konvergenz a) Zu zegen: Lösung Übungsblatt 6 M < 1 st für ene belebge Matrxnorm ene hnrechende Bedngung für de Konvergenz des Iteratonsverfahrens Begründung: x (+1) = Mx + b (1.1) Banachscher Fxpunktsatz: Se G R N und G : G kontraherend, dann konvergert x +1 := G (x ), N 0 gegen enen Fxpunkt x. G heßt kontraherend wenn glt: G (x) G (y) L x y x, y G und L < 1 (1.2) De Abbldung G se defnert durch G (x) := Mx + b mt M R N N und x, b R N. G st lnear und folglch stetg und selbstabbldend auf R N. Für belebge Vektoren x, y R N glt allgemen: G (x) G (y) = M (x y) M x y Der Verglech mt (1.2) zegt, dass M de Lpschtz-Konstante L darstellt. Somt st G garantert kontraherend, wenn M < 1 st. Dann st aber der Banachsche Fxpunktsatz erfüllt, das Iteratonsverfahren folglch konvergent. Dese Bedngung st hnrechend, aber ncht notwendg, da de Kontraktonsbedngung von der verwendeten Matrxnorm abhängt. So st bespelswese für ( ) M = de Zelensummennorm M = 1, 3 > 1, während de Spektralnorm hngegen M < 1 st. bobbysteels@gmx.tm Sete 1 von 13 S. Flaschlen
2 b) Gegeben seen folgende Matrzen: M 1 = , M 2 = , M 3 = Das Iteratonsverfahren (1.1) konvergert für jede der gegebenen Matrzen, denn es st stets M < 1 für ene geegnete Matrxnorm. Bewes: M 1 = max{0.9, 0.8, 0.9} = 0.9 < 1 M 2 S = max{0.9, 0.8, 0.9} = 0.9 < 1 M 3 F = ( ) 1 2 = < 1 bobbysteels@gmx.tm Sete 2 von 13 S. Flaschlen
3 Aufgabe 2: Relaxatonsverfahren Im Folgenden wrd das JOR-Verfahren behandelt, en Relaxatonsverfahren welches aus dem Jacob-Verfahren zur teratven Lösung von lnearen Glechungssystemen abgeletet werden kann. De Iteratonsvorschrft lautet: x (k+1) = (1 ω)x (k) a) Für den Spezalfall ω = 1 wrd (2.1) zu: x (k+1) Des st das Jacob-Verfahren. + ω N a b j=1 j = = 1 N a b j=1 j = a j x (k) j a j x (k) j (2.1) b) Das JOR-Verfahren (2.1) st en Iteratonsverfahren zur Lösung der Glechung Ax = b. De Matrx A kann als Summe dreer Matrzen dargestellt werden: A := D + L + U Dabe st D ene Dagonalmatrx mt D := dag(a 11, a 22,..., a nn ) R N N, L ene untere Dreecksmatrx mt L := a j, > j und U ene obere Dreecksmatrx mt U := a j, < j. Aus (2.1) folgt: a x (k+1) = a (1 ω)x (k) + ω b N j=1 j = a j x (k) j Dx (k+1) = D(1 ω)x (k) + ωb ω(l + U)x (k) x (k+1) = 1 (1 ω)x (k) + ωd 1 b ωd 1 (L + U)x (k) = [ (1 ω)1 ωd 1 (L + U) ] } {{ } M Jω = M Jω x (k) + c Jω x (k) + ωd 1 b }{{} c Jω bobbysteels@gmx.tm Sete 3 von 13 S. Flaschlen
4 c) Zu zegen: Des ergbt sch so: M Jω = ω M J + 1 ω (2.2) M Jω = ω 1 N max 1 ω δ j + a j + a j a j=1 j=+1 = 1 1 N max 1 ω δ j + ω max a j + a j a j=1 j=+1 = ω M J + 1 ω Aufgrund der vorausgesetzten dagonalen Domnanz st 0 M J < 1. Gnuplot-Skrpt für 0 ω 2 mt q := M J : set term postscrpt color set out b6a2c.ps set xlabel w set ylabel q splot [w = 0:2][q = 0:1] abs(q * w) + abs(1 - w), 1 unset out abs(q * w) + abs(1 - w) w q Abbldung 1.1: Konvergenzverhalten des JOR-Verfahrens. Das Mnmum von M Jω wrd für ω = 1 angenommen. bobbysteels@gmx.tm Sete 4 von 13 S. Flaschlen
5 d) und e) C++ Quellcode: 1 /* 2 M4 Numerk fuer Physker Sommersemester Uebungsblatt 6 - A Ttel : Relaxatonsverfahren 6 Date : relax. cpp 7 Erstellt : Autor : Stefan Flaschlen 9 */ # nclude <cmath > 12 # nclude <ostream > 13 # nclude <omanp > 14 # nclude <fstream > usng namespace std ; // Funktonen deklareren : 19 vod jacob (nt, double **, double *, double *, nt ); 20 vod Jacob_Relax ( double **, double *, double *, nt, nt, 21 double ); 22 vod GaussSedel_Relax ( double **, double *, double *, nt, nt, 23 double ); 24 bool Load_Matrx ( char *, double **&, double *&, nt &); 25 bool Load_Vector ( char *, double *&, nt ); 26 double * sub_vector ( double *, double *, nt ); 27 double abs_vector ( double *, nt ); 28 vod Delete_Matrx ( double **, nt ); 29 vod Delete_Vector ( double *); 30 vod Dsplay_Matrx ( double **, nt, char ); 31 vod Dsplay_Vector ( double *, nt, char *); 32 vod Dsplay_Specals ( nt ); // Hauptfunkton : 35 nt man () { double ** A; // Koeffzentenmatrx 38 double * b; // De rechte Sete des LGS 39 double * x; // der Loesungsvektor 40 double * x_w ; // de " wahre " Loesung nt N; 43 nt teratons = 30; char * dfle = " relax. res "; // Output - Stream oeffnen um de Ergebnsse 48 // n ene Date zu schreben : 49 ofstream out ( dfle ); // Ttel ausgeben : 52 Dsplay_Specals (0) ; // Matrx und Vektor b enlesen : 55 f (! Load_Matrx (" matrx2. dat ", A, b, N)) goto ErrHandler ; bobbysteels@gmx.tm Sete 5 von 13 S. Flaschlen
6 56 57 // Vektor x dmensoneren : 58 x = new double [ N]; // Matrx A, Vektor b und de Anzahl der Iteratonen 61 // ausgeben : 62 Dsplay_Matrx (A, N, A ); 63 Dsplay_Vector (b, N, " b"); 64 cout << "\ niteratonsschrtte : " << teratons << "\ n"; // Jacob - Iteraton : 67 jacob (N, A, b, x, teratons ); cout << "\ n\ nloesungsvektor nach dem Jacob - Verfahren \ n"; 70 Dsplay_Specals (1) ; 71 Dsplay_Vector (x, N, " x"); // Relaxerte Jacob - Iteraton : 74 Jacob_Relax (A, b, x, N, teratons, 1.11) ; cout << "\ n\ nloesungsvektor nach dem relaxerten " 77 << " Jacob - Verfahren mt w = 1.11\ n"; Dsplay_Specals (1) ; 80 Dsplay_Vector (x, N, " x"); // Relaxerte Gauss - Sedel - Iteraton : 83 GaussSedel_Relax (A, b, x, N, teratons, 1.2) ; cout << "\ n\ nloesungsvektor nach dem relaxerten " 86 << " Gauss - Sedel - Verfahren mt w = 1.20\ n"; Dsplay_Specals (1) ; 89 Dsplay_Vector (x, N, " x"); cout << "\ n\ nfehlerberechnung \ n"; 93 Dsplay_Specals (1) ; // " Wahre " Loesung n Vektor laden : 96 f (! Load_Vector (" soluton. dat ", x_w, N)) goto ErrHandler ; Dsplay_Vector (x_w, N, "x*"); for ( double w = 0.8; w <= 1.2; w += 0.005) { // Loesungsvektor bestmmen : 103 Jacob_Relax (A, b, x, N, teratons, w); // Fehler berechnen : 106 double tval = abs_vector ( sub_vector (x, x_w, N), N); out << setw (4) << fxed << setprecson (3) << w << " " 109 << setprecson (16) << scentfc << tval << "\ n"; } cout << "\n- > De Tabelle wurde n der Date \"" << dfle 114 << "\" gespechert.\n"; 115 bobbysteels@gmx.tm Sete 6 von 13 S. Flaschlen
7 116 ErrHandler :; // Specher fregeben 119 Delete_Matrx (A, N); 120 Delete_Vector ( b); 121 Delete_Vector ( x); 122 Delete_Vector ( x_w ); // Date schlessen : 125 out. close (); } // Funkton : Jacob - Verfahren vod jacob ( nt N, double ** A, double * b, double * x, 131 nt teratons ) { // Jacob Verfahren zur Loesung von Ax=b 134 // N: Dmenson von Matrx und Vektoren A, x, b 135 // teraton : Anzahl der Iteratonsschrtte nt, j; 138 double * xo; 139 xo = new double [ N]; // Hlfsvarabel, // Intalserung xo = b; 142 for ( =0; <N; ++) xo[ ]=b[ ]; // de Iteratonsschlefe 145 for ( nt ter =0; ter < teratons ; ++ ter ){ 146 for ( =0; <N; ++){ 147 double sum =0.0; 148 for ( j =0; j<n; ++j) { 149 f (j!=) sum +=A[][j]* xo[j]; 150 } 151 x[] = 1./ A[][]*( b[]- sum ); 152 } 153 for ( =0; <N; ++) xo[ ]=x[ ]; 154 } delete [] xo; 157 } // Funkton : Relaxertes Gauss - Sedel - Verfahren vod GaussSedel_Relax ( double ** A, double * b, double * x, nt N, 161 nt teratons, double w) { /* 164 Engabe : Dmenson N der Matrx, de Matrx A, der Vektor b, 165 der Loesungsvektor x sowe de Relaxatonszahl w. 166 Funkton : Itteratves loesen der Glechung Ax = b mt dem 167 relaxerten Gauss - Sedel - Verfahren. 168 */ double sum ; 171 double tmp_w = (1 - w); // Als Startwert den rechtsetgen Vektor benutzen : 174 for ( nt = 0; < N; ++) x[ ] = b[ ]; 175 bobbysteels@gmx.tm Sete 7 von 13 S. Flaschlen
8 176 // Iteraton : 177 for ( nt ter = 0; ter < teratons ; ter ++) { 178 for ( nt = 0; < N; ++) { 179 sum = -A[ ][ ] * x[ ]; 180 for ( nt j = 0; j < N; j ++) { 181 sum += A[ ][ j] * x[ j]; 182 } 183 x[] = tmp_w * x[] + w / A[][] * (b[] - sum ); 184 } 185 } 186 } // Funkton : Relaxertes Jacob - Verfahren vod Jacob_Relax ( double ** A, double * b, double * x, nt N, 190 nt teratons, double w) { /* 193 Engabe : Dmenson N der Matrx, de Matrx A, der Vektor b, 194 der Loesungsvektor x sowe de Relaxatonszahl w. 195 Funkton : Itteratves loesen der Glechung Ax = b mt dem 196 relaxerten Jacob - Verfahren. 197 */ nt ; 200 double sum ; 201 double tmp_w = (1 - w); double * tmpvector = new double [ N]; // Als Startwert den rechtsetgen Vektor benutzen : 206 for ( = 0; < N; ++) tmpvector [ ] = b[ ]; // Iteraton : 209 for ( nt ter = 0; ter < teratons ; ter ++) { 210 for ( = 0; < N; ++) { 211 sum = -A[ ][ ] * tmpvector [ ]; 212 for ( nt j = 0; j < N; j ++) { 213 sum += A[ ][ j] * tmpvector [ j]; 214 } 215 x[ ] = tmp_w * tmpvector [ ] + w / A[ ][ ] * ( b[ ] - sum ); 216 } 217 for ( = 0; < N; ++) tmpvector [ ] = x[ ]; 218 } delete [] tmpvector ; 221 } // Hlfsfunkton : Erweterte Matrx aus Date laden bool Load_Matrx ( char * sfle, double **& dmatrx, double *& v_b, 225 nt & N) { /* 228 Engabe : Datename, Matrx und de Dmenson. 229 Funkton : Werte ener Matrx, dessen Dmenson sowe den 230 rechts angehaengten Vektor aus ener Date laden. 231 */ N = 0; fstream n( sfle ); bobbysteels@gmx.tm Sete 8 von 13 S. Flaschlen
9 f (! n) { 238 cerr << "\ nde Quelldate exstert ncht!\ n\ n"; 239 return false ; 240 } n >> N; dmatrx = new double *[ N]; 245 v_b = new double [ N]; for ( nt = 0; < N; ++) { 248 dmatrx [ ] = new double [ N]; 249 for ( nt j = 0; j < N; j ++) { 250 n >> dmatrx [ ][ j]; 251 } 252 n >> v_b []; 253 } n. close (); return true ; 258 } // Hlfsfunkton : Vektor aus Date laden bool Load_Vector ( char * sfle, double *& d_v, nt N) { /* 264 Engabe : Datename, Vektor und dessen Dmenson. 265 Funkton : Lest de Komponenten enes Vektors aus ener 266 Date en. 267 */ fstream n( sfle ); f (! n) { 273 cerr << "\ nde Quelldate exstert ncht!\ n\ n"; 274 return false ; 275 } d_v = new double [ N]; for ( nt = 0; < N; ++) { 280 n >> d_v []; 281 } n. close (); return true ; 286 } // Hlfsfunkton : Subtrahert zwe Vektoren double * sub_vector ( double * sv1, double * sv2, nt N) { double * d_v = new double [ N]; for ( nt = 0; < N; ++) { 294 d_v [] = sv1 [] - sv2 []; 295 } bobbysteels@gmx.tm Sete 9 von 13 S. Flaschlen
10 return d_v ; 298 } // Hlfsfunkton : Eukldsche Norm enes Vektors double abs_vector ( double * sv, nt N) { double erg = 0; for ( nt = 0; < N; ++) { 306 erg += sv[ ] * sv[ ]; 307 } return sqrt ( erg ); 310 } // Hlfsfunkton : Matrx loeschen vod Delete_Matrx ( double ** sa, nt N) { for ( nt = 0; < N; ++) { 316 Delete_Vector ( sa[ ]); 317 delete [] sa; 318 } 319 } // Hlfsfunkton : Vektor loeschen vod Delete_Vector ( double * sv) { delete [] sv; 325 } // Hlfsfunkton : Matrx ausgeben vod Dsplay_Matrx ( double ** sa, nt N, char mttle ) { cout << " Matrx " << mttle << ": " << "\ n"; for ( nt = 0; < N; ++) { 333 cout << setw (12) << "[" 334 << setprecson (3) << setw (2) << sa[ ][0]; 335 for ( nt j = 1; j < N; j ++) { 336 cout << " " << setprecson (3) << setw (2) << sa[ ][ j]; 337 } 338 cout << "]" << "\n"; 339 } 340 cout << "\n"; 341 } // Hlfsfunkton : Vektor ausgeben vod Dsplay_Vector ( double * sv, nt N, char * vttle ) { /* 347 Engabe : Vektor sv und Zechen vttle 348 Funkton : Ausgabe des Vektors. 349 */ cout << " Vektor " << vttle << ": [" 353 << setprecson (5) << sv [0]; for ( nt = 1; < N; ++) { bobbysteels@gmx.tm Sete 10 von 13 S. Flaschlen
11 356 cout << ", " << setprecson (5) << sv[ ]; 357 } cout << "]" << "\n"; 360 } // Hlfsfunkton : Ttel, Lnen vod Dsplay_Specals ( nt ntype ) { nt cwdth = 73; swtch ( ntype ) { 368 case 0: 369 cout << setfll ( - ) << setw ( cwdth ) << "\n" << setfll ( ) 370 << setw (46) << " Relaxatonsverfahren " << "\ n" 371 << setfll ( - ) << setw ( cwdth + 1) << "\n\n" 372 << " Loesung von Ax = b mt dem relaxerten Jacob - Verfahren." 373 << "\n\n\n" << " Engabe " << "\n" 374 << setfll ( - ) << setw ( cwdth ) << "\n" << setfll ( ); 375 break ; 376 case 1: 377 cout << setfll ( - ) << setw ( cwdth ) << "\n" << setfll ( ); 378 break ; 379 } 380 } Ausgabe: Relaxatonsverfahren Loesung von Ax = b mt dem relaxerten Jacob-Verfahren. Engabe Matrx A: [ ] [ ] [ ] [ ] [ ] [ ] Vektor b: [1, 1, 1, 1, 1, 1] Iteratonsschrtte: 30 Loesungsvektor nach dem Jacob-Verfahren Vektor x: [ , , , 0.47, , ] Loesungsvektor nach dem relaxerten Jacob-Verfahren mt w = 1.11 Vektor x: [ , , , , , ] bobbysteels@gmx.tm Sete 11 von 13 S. Flaschlen
12 Loesungsvektor nach dem relaxerten Gauss-Sedel-Verfahren mt w = 1.20 Vektor x: [0.2329, , , , , ] Fehlerberechnung Vektor x*: [0.2329, , , , , ] -> De Tabelle wurde n der Date "relax.res" gespechert. Gnuplot-Skrpt: set term postscrpt color set out b6a2e.ps set ttle Relaxertes Jacob-Verfahren set xlabel Relaxatonsparameter w set ylabel Fehler set logscale y plot relax.res unset out bobbysteels@gmx.tm Sete 12 von 13 S. Flaschlen
13 0.1 Relaxertes Jacob-Verfahren relax.res 0.01 Fehler Relaxatonsparameter w Abbldung 1.2: Fehler des JOR-Verfahrens n Abhänggket von ω. Man erkennt, dass das Verfahren auf jeden Fall für ω [0.8, 1.2] konvergert. De optmale Konvergenzgeschwndgket legt be ω 1.11, d.h. das relaxerte Jacob- Verfahren konvergert be geegneter Wahl von ω schneller als das herkömlche Jacob-Verfahren (mt ω = 1). Des schent m Wderspruch zur Untersuchung n Aufgabentel c) zu stehen, zegte sch doch en optmaler Relaxatonsparameter von ω = 1. Des hängt mt der verwendeten Matrxnorm zusammen. De n Aufgabentel c) verwendete Zelensummennorm dent nur als Abschätzung des Konvergenzbereches (Sehe Aufgabe 1), lässt aber kene genaueren Schlüsse zu. Tatsächlch würde de Spektralnorm das n der emprschen Untersuchung ermttelte ω lefern. bobbysteels@gmx.tm Sete 13 von 13 S. Flaschlen
5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 Aufgabe 1: Positive Definitheit Zu zeigen: Beweis: Eine symmetrische Matrix A R N N ist genau dann positiv definit, wenn alle Eigenwerte von A positiv sind. A heißt positiv definit,
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
MehrTeil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München
Tel XIV Lösung lnearer Glechungssysteme IN8008, Wntersemester 010/011 89 Gauss Algorthmus Zwe Schrtte: Vorwärtselmnaton und Rückwärtssubsttuton Vorwärtselmnaton Erzeugen ener Stufenform Zelen dürfen mt
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrLösung Übungsblatt 7
M4 Numerik für Physiker Lösung Übungsblatt 7 SoSe 008 Lösung Übungsblatt 7 Aufgabe 1: Lineare Ausgleichsrechnung Ein mehrdimensionales, lineares Ausgleichungsproblem lässt sich folgendermaßen darstellen:
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrDas zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
MehrLösung Übungsblatt 11
Lösung Übungsblatt 11 Aufgabe 1: Quadraturformeln von Newton und Cotes Gegeben ist folgendes Integral: I = 1 0 e x2 dx I wird nach der zusammengesetzten Simpson-Regel berechnet und das Ergebnis als Ĩ bezeichnet.
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrHydrosystemanalyse: Finite-Elemente-Methode (FEM)
Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf
MehrModellierung von Hydrosystemen Numerische und daten-basierte Methoden 2018 Finite-Elemente-Methode Selke-Modell
Modellerung von Hydrosystemen Numersche und daten-baserte Methoden BHYWI-22-21 @ 2018 Fnte-Elemente-Methode Selke-Modell Olaf Koldtz *Helmholtz Centre for Envronmental Research UFZ 1 Technsche Unverstät
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrLineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrLineare Gleichungen treten sehr oft in den Naturwissenschaften auf, siehe auch Kap. Interpolation. Die Schreibweise für n Gleichungen lautet.
Kaptel 6 Lneare Glechungen 6.1 Grundlagen Lneare Glechungen treten sehr oft n den Naturwssenschaften auf, sehe auch Kap. Interpolaton. De Schrebwese für n Glechungen lautet. a 11 + a 12... a 1n = b 1 a
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrDie Dreieckschaltung
De Dreeckschaltung Handrechung zur Präsentaton Raphael Denert 5. Oktober 2016 Inhaltsverzechns 1 Wederholung: Knoten- und Maschenregel 1 1.1 Maschenregel.............................. 1 1.1.1 Bespel Maschenregel.....................
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
MehrMi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13
M. 3. 5-4. 45, Dr. Ackermann 6..4 Übungsaufgaben Gewöhnlche Dfferentalglechungen Sere 3.) Bestmmung ener homogenen Dfferentalglechung zu gegebenen Funktonen y (partkuläre Lösungen) enes Fundamentalsystems.
Mehrf s, x(s) ds max f s, x(s) f s, y(s) ds exp L s t0 L t t 0 ) ds
8 1 Fxpunktsätze 2. Nach Defnton von M glt xt p 0 X b für alle t [t 0 c, t 0 + c], d.h. xt Q für alle t [t 0 c, t 0 + c]. Also lefern 1.18 1 und de Egenschaften des Integrals cf. Folgerung??.?? T p0 x
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrLineare Algebra IIa Vorlesung - Prof. Dr. Daniel Roggenkamp & Sven Balnojan
Lneare Algebra IIa - 04 orlesung - Pro Dr Danel Roggenkamp & Sen Balnojan 93 Untäre ektorräume hermtesche Form au enem C ektorraum sesqulnear (ant-lnear m ersten lnear m zweten Argument (, w (w, (, 2 R
Mehr16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrProf. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie
Prof. Dr. Jürgen Dassow Otto-von-Guercke-Unverstät Magdeburg Fakultät für Informatk Coderungstheore und Kryptographe Sommersemester 2005 1 2 Inhaltsverzechns 1 Defnton und Charakterserung von Codes 5 1.1
MehrWir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
Mehr22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrÜber die asymptotische Konvergenzgeschwindigkeit des allgemeinen Relaxationsverfahrens bei nichtnegativen Matrizenl. . Von. G. Alefeld, Karlsruhe
Computng 3, 258-267 (1968) Über de asymptotsche Konvergenzgeschwndgket des allgemenen Relaxatonsverfahrens be nchtnegatven Matrzenl. Von G. Alefeld, Karlsruhe (Engegangen am 22. Januar 1968) Zusammenfassung.
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrDiplomvorprüfung DI H 04 VD : 1
Dplomvorprüfung DI H 04 VD : Aufgabe : Bewesen Se (zum Bespel mt Hlfe der Dfferentalrechnung) de folgende Glechung: ln(snh(x) + cosh(x)) + ln(cosh(x) snh(x)) 0, für alle x R. Es gbt (mnd.) 2 Möglchketen:.
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
Mehr6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)
6. Hlbertraum und lneare Operatoren (mathematsche Grundlagen QM) 6.1 Hlbertraum Raum = mathematsches Konstrukt: Vektorraum a) Der lneare komplexe Raum st de Menge von mathematschen Objekten mt folgenden
MehrAsymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.
Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrSchriftliche Prüfung aus Signaltransformationen Teil: Dourdoumas am
TU Graz, Insttut für Regelungs- und Automatserungstechnk 1 Schrftlche Prüfung aus Sgnaltransformatonen Tel: Dourdoumas am 1. 10. 01 Name / Vorname(n): Kennzahl / Matrkel-Nummer: 1 errechbare Punkte 4 errechte
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
MehrGrundlagen der numerischen Strömungsmechanik, WS 2011/12
Lehrstuhl für Aerodynamk und Strömungsmechank Prof H-J Kaltenbach Assstenz: E Lauer Grundlagen der numerschen Strömungsmechank, WS / Lösung zu Übung 5 Aufgabe : Fnte-Elemente-Verfahren De Dfferentalglechung
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
Mehr2 Matrizen (A + B) + C = A + (B + C) (A + B)C = AC + BC. Seien A R m n und B = (b (1)... b (p) ) R n p zwei Matrizen. Dann gilt
Lneare Algebra Wel Gao September Gauss sches Elmnatonsverfahren a x + a x + + a n x n = b a x + a x + + a n x n = b a m x + a m x + + a mnx n = b m Das LGS mt m Glechungen und n Unbekannten n ene erweterte
Mehr1 Differentialrechnung in mehreren Variablen
1 Dfferentalrechnung n mehreren Varablen 1.1 De Geometre eukldscher Räume Zur Ernnerung De Elemente des R n schreben wr normalerwese als Zelenvektoren: x = (x 1,..., x n ). Kommen Matrzen ns Spel, so st
MehrLineare Optimierung Einführung
Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrÜbungsblatt 7 Lösungsvorschläge
Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrSchriftliche Prüfung aus Systemtechnik am
U Graz, Insttt Regelngs- nd Atomatserngstechnk Schrftlche Prüfng as Sstemtechnk am 3.. Name / Vorname(n): Matrkel-Nmmer: Bonspnkte as den MALAB-Übngen: O ja O nen 3 4 errechbare Pnkte 5 6 6 4 errechte
MehrVorlesung Programmieren II
Hashng Vorlesung Prograeren II Mchael Bergau Fortsetzung der Stoffenhet Hashng Hashng 2 Was st Hashng? Hashng st ene Methode zur dynaschen Verwaltung von Daten, wobe de Daten durch enen Schlüssel (key)
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
Mehr2 Lineare Iterationsverfahren
2 Lneare Iteratonsverfahren 2.1 Herletung und Konvergenz lnearer Iteratonsverfahren Um das Glechungssystem Ax = b teratv zu lösen, kann man en lneares Iteratonsverfahren (2.1) x k+1 = Mx k +c k 0, x 0
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
MehrEine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
MehrExperimentalphysik II (Kip SS 2007)
permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
MehrAufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen
Technsche Unverstät Chemntz 0. Oktober 009 Fakultät für Mathematk Höhere Mathematk I.1 Aufgabenkomplex : Umrechung von Enheten, Unglechungen, Komplexe Zahlen Letzter Abgabetermn: 19. November 009 n Übung
MehrSchriftliche Prüfung aus Systemtechnik am
U Graz, Insttut egelungs- und Automatserungstechnk Schrftlche Prüfung aus Systemtechnk am 4.. 5 Name / Vorname(n): Kenn-Matr.Nr.: Bonuspunkte: 4 errechbare Punkte 4 5 7 5 errechte Punkte U Graz, Insttut
MehrMathematik für Ökonomen Kompakter Einstieg für Bachelorstudierende Lösungen der Aufgaben aus Kapitel 12 Version 1.0 (11.
Mathematk für Ökonomen Kompakter Ensteg für Bachelorstuderende Lösungen der Aufgaben aus Kaptel Verson.. September 5) E. Cramer, U. Kamps, M. Kater, M. Burkschat 5 Cramer, Kamps, Kater, Burkschat Lösungen
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
MehrBeschreibung von Vorgängen durch Funktionen
Beschrebung von Vorgängen durch Funktonen.. Splnes (Sete 6) a +b c Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Mehr