Approximation, Interpolation, numerische Integration
|
|
|
- Frieda Lorentz
- vor 5 Jahren
- Abrufe
Transkript
1 Approximation, Interpolation, numerische Integration 7. Vorlesung Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 12. Mai 2016
2 Approximation, Interpolation, numerische Integration 1 Polynomiale Regression Aufgabenstellung und Lösungsweg Lineare Regression (klassisch, robust, total) Warnung vor zu hohem Grad 2 Interpolation polynomial Runge-Phänomen Rechenverfahren Spline 3 Numerische Integration Klassisch: Newton-Cotes Weitere Quadraturformeln Clemens Brand und Erika Hausenblas 12. Mai / 40
3 Gliederung 7. Vorlesung 1 Polynomiale Regression Aufgabenstellung und Lösungsweg Lineare Regression (klassisch, robust, total) Warnung vor zu hohem Grad 2 Interpolation polynomial Runge-Phänomen Rechenverfahren Spline 3 Numerische Integration Klassisch: Newton-Cotes Weitere Quadraturformeln Clemens Brand und Erika Hausenblas 12. Mai / 40
4 Polynomiale Regression: Aufgabenstellung Gesucht ist ein Polynom, das die Datenpunkte möglichst gut approximiert Gegeben m + 1 Wertepaare (x i, y i ), i = 0,..., m Gesucht p(x), ein Polynom n-ten Grades, n < m, so dass die Summe der Fehlerquadrate m (p(x i ) y i ) 2 minimal wird. i=0 Clemens Brand und Erika Hausenblas 12. Mai / 40
5 Anpassen eines Polynoms an Datenpunkte Spezifische Wärmekapazität von kohlenstoffarmem Stahl in J/kg K für 20 C T 700, C T c p y = *x *x + 4.6e+002 y = 1.6e 006*x *x *x + 4.4e Datenpunkte quadratisches Pol. kubisches Pol Die Abbildung illustriert polynomiale Regression (quadratisch und kubisch) an die gegebenen Datenpunkte.
6 Polynomiale Regression ist eigentlich ein Spezialfall von linearen Modellen. (Ansatzfunktionen sind nichtlinear, aber die gesuchten Koeffizienten treten nur linear auf!) für die Normalengleichungs-Matrix gibt es eine einfache Formel für Polynome hohen Grades (ab n 15 20) ist der naive Ansatz a 0 + a 1 x + a 2 x 2 + x n völlig ungeeignet. Abhilfe: Orthogonalpolynome. Clemens Brand und Erika Hausenblas 12. Mai / 40
7 Direkter Lösungsweg Ansatz des Polynoms mit unbestimmten Koeffizienten p(x) = a 0 + a 1 x + a 2 x a n 1 x n 1 + a n x n. Einsetzen der gegebenen Wertepaare führt auf ein System von m linearen Gleichungen in den n + 1 unbekannten Koeffizienten a 0, a 1,..., a n. Die Matrix A hat eine spezielle Form (Vandermonde-Matrix): 1 x 0 x0 2 x x n 0 1 x 1 x1 2 x x n 1 A = x m xm 2 xm 3... xm n Standard-Lösung am Rechner durch QR-Zerlegung Bei kleinen Problemen und Rechnung mit Papier und Stift: klassisch nach der Methode der Normalengleichungen. Clemens Brand und Erika Hausenblas 12. Mai / 40
8 Formel für die Normalengleichungen Bei polynomialer Regression haben die Normalengleichungen spezielle Form; man kann die Koeffizienten direkt angeben. s 0 s 1... s n a 0 t 0 s 1 s 2... s n+1... a 1. = t 1. s n s n+1... s 2n a n t n mit s k = m xi k, t k = i=0 m xi k y i i=0 Praktisch nur bei linearer oder vielleicht noch quadratischer Regression sinnvoll. Moderner Lösungsweg: Vandermonde-Matrix aufstellen, QR-Lösung Clemens Brand und Erika Hausenblas 12. Mai / 40
9 Was dabei schiefgehen kann Remember Murphy s Law: If anything can go wrong, it will Normalengleichungen für größere n schlecht konditioniert Abhilfe: Daten skalieren. Anderere Lösungswege (QR-Zerlegung, Singulärwertzerlegung), andere Ansatzfunktionen (Orthogonalpolynome) Methode der kleinsten Quadrate wird durch Ausreißer stark irritiert Abhilfe: Robuste Methoden, Minimierung der Summe der absoluten Fehler (Minimierung in der 1-Norm statt in der 2-Norm) Clemens Brand und Erika Hausenblas 12. Mai / 40
10 Statistische Zusammenhänge Die Methode der kleinsten Quadrate liefert maximum likelihood-schätzung der Parameter wenn die Daten mit unabhängigen, zufälligen, normalverteilten Fehlern mit gleicher Standardabweichung behaftet sind. Ist C = (A T A) 1 die inverse Matrix des Systems der Normalengleichungen, und ist die Varianz der Daten gleich σ 2, so ist σ 2 C die Kovarianzmatrix der Parameter. Clemens Brand und Erika Hausenblas 12. Mai / 40
11 Lineare Regression Gerade anpassen Einfacher Spezialfall der polynomialen Regression Die Ausgleichsgerade nach der Methode der kleinsten Quadrate lässt sich von den wenigen Ausreissern stark ablenken. Robuste Regression: Minimieren der Summe der Fehlerbeträge legt eine wesentlich plausiblere Gerade durch die Daten. Clemens Brand und Erika Hausenblas 12. Mai / 40
12 Lineare Regression Gerade anpassen Einfacher Spezialfall der polynomialen Regression Die Ausgleichsgerade nach der Methode der kleinsten Quadrate lässt sich von den wenigen Ausreissern stark ablenken. Robuste Regression: Minimieren der Summe der Fehlerbeträge legt eine wesentlich plausiblere Gerade durch die Daten. Clemens Brand und Erika Hausenblas 12. Mai / 40
13 Lineare Regression Gerade anpassen Einfacher Spezialfall der polynomialen Regression Die Ausgleichsgerade nach der Methode der kleinsten Quadrate lässt sich von den wenigen Ausreissern stark ablenken. Robuste Regression: Minimieren der Summe der Fehlerbeträge legt eine wesentlich plausiblere Gerade durch die Daten. Clemens Brand und Erika Hausenblas 12. Mai / 40
14 Total Least Squares mit SVD Standardverfahren minimiert Summe der Abstandsquadrate in y-richtung, TLS minimiert Quadratsumme der Normalabstände Bestimme Schwerpunkt [ x, ȳ] der Daten. x = 1 n x i, i=1,n ȳ = 1 n i=1,n y i 0.4 Verschiebe die Daten x i = x i x, y i = y i ȳ Bilde Singulärwertzerlegung x 1 y 1 U S V T =.. x n y n TLS-Gerade geht durch den Schwerpunkt in Richtung des ersten Spaltenvektors von V.
15 Approximation durch polynomiale Regression Datenpunkte sind gegeben. Ein Approximationspolynom vierten Grades modelliert den Verlauf der Daten ganz passabel. Es hängt vom Modell ab, ob es Sinn macht, mehr Parameter (höheren Grad) zu verwenden. Ein Polynom 15. Grades (16 freie Parameter) könnte die Daten exakt modellieren, aber...
16 Datenanpassung mit zu hohem Polynomgrad Kein Fehler an den Datenpunkten, aber dazwischen oszilliert das Polynom heftig. Typisch für Polynome hohen Grades. Sie oszillieren besonders zu den Rändern hin, wenn man Sie durch vorgegebene Datenpunkte zwingt.
17 Woher die Daten kommen Ob eine Approximation ausreichend gut ist, hängt unter anderem auch davon ab, was die Daten beschreiben sollen... In diesem Fall sind es Punkte in einer kurvenreichen Computergraphik:
18 Woher die Daten kommen Ob eine Approximation ausreichend gut ist, hängt unter anderem auch davon ab, was die Daten beschreiben sollen... In diesem Fall sind es Punkte in einer kurvenreichen Computergraphik:
19 Woher die Daten kommen Ob eine Approximation ausreichend gut ist, hängt unter anderem auch davon ab, was die Daten beschreiben sollen... In diesem Fall sind es Konturen in einer kurvenreichen Computergraphik:
20 Gliederung 7. Vorlesung 1 Polynomiale Regression Aufgabenstellung und Lösungsweg Lineare Regression (klassisch, robust, total) Warnung vor zu hohem Grad 2 Interpolation polynomial Runge-Phänomen Rechenverfahren Spline 3 Numerische Integration Klassisch: Newton-Cotes Weitere Quadraturformeln Clemens Brand und Erika Hausenblas 12. Mai / 40
21 Interpolation Definition der Aufgabenstellung Gegeben: Datenpunkte Gesucht: Eine Funktion, die durch die gegebenen Datenpunkte verläuft. Ein Wert zwischen den Datenpunkten Trend über den gegebenen Datenbereich hinaus: Extrapolation Anwendung: Zwischenwerte in Tabellen, glatte Kurven für Graphik... Clemens Brand und Erika Hausenblas 12. Mai / 40
22 Beispiel: Interpolation in Tabellen Spezifische Wärmekapazität von kohlenstoffarmem Stahl in J/kg K für 20 C T 700, C T c p Die Abbildung illustriert stückweise lineare Interpolation zwischen den Stützstellen und Extrapolation bis 900 C.
23 Polynomiale Interpolation Die einfachsten Interpolations-Funktionen sind Polynome... Durch zwei Punkte der xy-ebene geht genau eine Gerade. Durch drei beliebige Punkte lässt sich eindeutig eine Parabel legen. Durch n + 1 Punkte ist ein Polynom n-ten Grades eindeutig bestimmt. Aufgabenstellung: gegeben n + 1 Wertepaare (x i, y i ), i = 0,..., n, gesucht ist das eindeutig bestimmte Polynom n-ten Grades p, das durch die gegebenen Datenpunkte verläuft: p(x i ) = y i für i = 0,..., n. Clemens Brand und Erika Hausenblas 12. Mai / 40
24 Polynomiale Interpolation Die einfachsten Interpolations-Funktionen sind Polynome... Durch zwei Punkte der xy-ebene geht genau eine Gerade. Durch drei beliebige Punkte lässt sich eindeutig eine Parabel legen. Durch n + 1 Punkte ist ein Polynom n-ten Grades eindeutig bestimmt. (Ausnahme, wenn x-werte zusammenfallen) Aufgabenstellung: gegeben n + 1 Wertepaare (x i, y i ), i = 0,..., n, wobei die x i paarweise verschieden sind. gesucht ist das eindeutig bestimmte Polynom n-ten Grades p, das durch die gegebenen Datenpunkte verläuft: p(x i ) = y i für i = 0,..., n. Clemens Brand und Erika Hausenblas 12. Mai / 40
25 Interpolationspolynome hohen Grades sind ungeeignet! Durch die acht Datenpunkte lässt sich ein Polynom siebten Grades exakt durchlegen Datenpunkte Interpolationspolynom
26 Interpolationspolynome hohen Grades sind ungeeignet! Durch die acht Datenpunkte lässt sich ein Polynom siebten Grades exakt durchlegen. Aber: Polynome so hohen Grades neigen zu Oszillationen und zu extrem unrealistischer Extrapolation Datenpunkte Interpolationspolynom
27 Interpolationspolynome hohen Grades sind ungeeignet! Approximation der Funktion f (x) = 1, x [ 5, 5] mit 3, 7, 11 und 17 1+x 2 Stützstellen: 11 Stuetzstellen 11 Stuetzstellen Stuetzstellen 4 11 Stuetzstellen
28 Runge-Phänomen Interpolationspolynome mit äquidistenten Stützstellen konvergieren nicht unbedingt y x
29 Runge-Phänomen Interpolationspolynome mit äquidistenten Stützstellen konvergieren nicht unbedingt y x
30 Runge-Phänomen Interpolationspolynome mit äquidistenten Stützstellen konvergieren nicht unbedingt y x Im mittleren Bereich nähern die Polynome immer besser, in den Randbereichen werden die Fehler immer größer!
31 Tschebysheff-Stützstellen Nicht äquidistant, sondern zu den Rändern hin dichter y x
32 Tschebysheff-Stützstellen Nicht äquidistant, sondern zu den Rändern hin dichter y x
33 Tschebysheff-Stützstellen Nicht äquidistant, sondern zu den Rändern hin dichter y x
34 Optimale Lage der Stützstellen Projektion von n gleichmäßig am Halbkreis verteilten Punkten Bei dieser Wahl der Stützstellen ( Tschebysheff-Stützstellen ) ist die maximale Abweichung Funktion Polynom am kleinsten Lage auf Intervall [ 1; 1] ( ) 2i 1 x i = cos 2n π für i = 1,..., n
35 Rechenverfahren zur polynomialen Interpolation Alle Verfahren für polynomiale Regression liefern für entsprechend hohen Polynomgrad das Interpolationspolynom. Rechenaufwand ist höher als bei den folgenden Methoden. Lagrangesches Interpolationspolynom: Eine Formel, die das Polynom direkt hinschreibt. Newtonsches Interpolationspolynom: besonders rechengünstig. Es gibt noch einige andere Rechenschemen (im Skript: Neville-Verfahren; wir lassen es heuer aus) Trotz unterschiedlicher Namen und Schreibweisen liefern alle Verfahren dasselbe (eindeutig bestimmte) Polynom. Clemens Brand und Erika Hausenblas 12. Mai / 40
36 Rechenverfahren zur polynomialen Interpolation Alle Verfahren für polynomiale Regression liefern für entsprechend hohen Polynomgrad das Interpolationspolynom. Rechenaufwand ist höher als bei den folgenden Methoden. Lagrangesches Interpolationspolynom: Eine Formel, die das Polynom direkt hinschreibt. Newtonsches Interpolationspolynom: besonders rechengünstig. Es gibt noch einige andere Rechenschemen (im Skript: Neville-Verfahren; wir lassen es heuer aus) Trotz unterschiedlicher Namen und Schreibweisen liefern alle Verfahren dasselbe (eindeutig bestimmte) Polynom. Clemens Brand und Erika Hausenblas 12. Mai / 40
37 Lagrangesche Interpolationsformel Das Interpolationspolynom durch die n + 1 Wertepaare (x i, y i ), i = 0,..., n ist gegeben durch wobei p(x) = L 0 (x)y 0 + L 1 (x)y L n (x)y n, L i (x) = (x x 0)(x x 1 )...(x x i 1 )(x x i+1 )...(x x n ) (x i x 0 )(x i x 1 )...(x i x i 1 )(x i x i+1 )...(x i x n ) Es ist für die rechnerische Durchführung nicht ratsam, nach Einsetzen der Datenpunkte die L i (x) durch symbolisches Ausmultiplizieren noch weiter zu vereinfachen. Die x-werte direkt einsetzen! Clemens Brand und Erika Hausenblas 12. Mai / 40
38 Lagrangesche Interpolationsformel Das Interpolationspolynom durch die n + 1 Wertepaare (x i, y i ), i = 0,..., n ist gegeben durch wobei p(x) = L 0 (x)y 0 + L 1 (x)y L n (x)y n, L i (x) = (x x 0)(x x 1 )...(x x i 1 )(x x i+1 )...(x x n ) (x i x 0 )(x i x 1 )...(x i x i 1 )(x i x i+1 )...(x i x n ) Es ist für die rechnerische Durchführung nicht ratsam, nach Einsetzen der Datenpunkte die L i (x) durch symbolisches Ausmultiplizieren noch weiter zu vereinfachen. Die x-werte direkt einsetzen! Clemens Brand und Erika Hausenblas 12. Mai / 40
39 Weitere Interpolationsverfahren Nicht alle Funktionen lassen sich vorteilhaft durch Polynome interpolieren Andere wichtige Verfahren sind Spline-Interpolation (Kubisch, Bezier,...) Stückweise Hermite-Interpolation (MATLAB pchip) Rationale Interpolation Trigonometrische Interpolation Interpolation in zwei oder mehr Dimensionen Clemens Brand und Erika Hausenblas 12. Mai / 40
40 Biegsame Latte als Kurvenlineal Ursprünglich im Schiffsbau verwendet, heißt Straklatte, englisch Spline. Funktionen, die das Verhalten biegsamer Latten nachbilden: Natürliche kubische Spline-Funktionen. Clemens Brand und Erika Hausenblas 12. Mai / 40
41 Natürlicher kubischer Spline Eine dünne, an einzelnen Punkten festgehaltene Latte biegt sich in der Form eines kubischen Splines
42 Natürlicher kubischer Spline Ein kubischer Spline s(x) durch die n + 1 Wertepaare (x i, y i ), i = 0,..., n ist folgendermaßen charakterisiert: In den einzelnen Intervallen (x i 1, x i ) ist s(x) jeweils ein kubisches Polynom An den Intervallgrenzen stimmen die Funktionswerte, die ersten und die zweiten Ableitungen rechts- und linksseitig überein. Zusatzbedingung: zweite Ableitung an den Rändern wird Null gesetzt. Clemens Brand und Erika Hausenblas 12. Mai / 40
43 Interpolation in Matlab: spline und pchip x = -3:3; y = [ ]; t = -3:.01:3; p = pchip(x,y,t); s = spline(x,y,t); plot(x,y, o,t,p, -, t,s, -. ) Daten pchip spline MATLAB bietet verschiedene stückweise kubische Interpolationsverfahren. spline ist für glatte Daten genauer. pchip überschwingt nicht und neigt weniger zu Oszillationen.
44 Beispiel: c p -Daten mit spline und pchip Innerhalb des Datenbereiches stimmen beide Verfahren sichtlich überein blau: Spline grün: PCHIP
45 Beispiel: c p -Daten mit spline und pchip Innerhalb des Datenbereiches stimmen beide Verfahren sichtlich überein. Extrapolation ist ein wesentlich riskanteres Geschäft blau: Spline grün: PCHIP
46 Beispiel: c p -Daten mit spline und pchip Innerhalb des Datenbereiches stimmen beide Verfahren sichtlich überein. Extrapolation ist ein wesentlich riskanteres Geschäft wie man sieht: hier sind weitere Datenpunkte eingetragen. Keine der beiden Methoden extrapoliert den tatsächlichen Verlauf der spez. Wärme korrekt
47 Interpolationsverfahren Übersicht und Zusammenfassung Newton-Polynom: rechengüstig; zusätzliche Datenpunkte lassen sich leicht anfügen Lagrange-Polynom: y-werte lasen sich leicht ändern Polynome mit hohem Grad und äquidistanten Stützstellen: Ungeeignet! (Runge-Phänomen). Tschebysheff-Stützstellen: optimale Approximation Natürliche kubische Splines: meist bessere Anpassung als Polynome. Es gibt viele weitere Spline-Varianten
48 Gliederung 7. Vorlesung 1 Polynomiale Regression Aufgabenstellung und Lösungsweg Lineare Regression (klassisch, robust, total) Warnung vor zu hohem Grad 2 Interpolation polynomial Runge-Phänomen Rechenverfahren Spline 3 Numerische Integration Klassisch: Newton-Cotes Weitere Quadraturformeln Clemens Brand und Erika Hausenblas 12. Mai / 40
49 Numerische Integration Gegeben: eine Funktion f (x) in einem Intervall a x b. Gesucht: deren Integral b a f (x)dx Oft lässt sich das Integral nicht durch elementare Funktionen ausdrücken, oder die Funktion selbst ist nur tabellarisch gegeben. Numerische Verfahren Clemens Brand und Erika Hausenblas 12. Mai / 40
50 Integrationsformeln nach Newton-Cotes Gegeben: Eine Funktion f (x) in einem Intervall (a, b) durch ihre Werte f i an n + 1 äquidistanten Stützstellen, f i = f (a + ih), mit h = b a, i = 0,..., n. n Prinzip: Interpoliere f (x) durch ein Polynom p(x). Nähere das Integral von f durch das Integral von p. Die Näherung ist gegeben als gewichtete Summe der f i, mit fixen Gewichten α i b a f (x)dx (b a) n α i f i i=0 Clemens Brand und Erika Hausenblas 12. Mai / 40
51 Newton-Cotes-Formeln Klassische Beispiele Trapezregel b a f (x)dx = b a 2 mit Fehlertermen (f (a) + f (b)) (b a)3 12 f (ξ) Simpson-Regel b a f (x)dx = b a 6 ( f (a) + 4f ( a + b ) 2 ) + f (b) (b a) f IV (ξ) 3/8-Regel ( pulcherrima ) b a f (x)dx = b a 8 (f (a) + 3f (a + h) + 3f (a + 2h) + f (b)) (b a) f IV (ξ)
52 Newton-Cotes-Formeln Klassische Beispiele Trapezregel b a f (x)dx = b a 2 mit Fehlertermen (f (a) + f (b)) (b a)3 12 f (ξ) Simpson-Regel b a f (x)dx = b a 6 ( f (a) + 4f ( a + b ) 2 ) + f (b) (b a) f IV (ξ) 3/8-Regel ( pulcherrima ) b a f (x)dx = b a 8 (f (a) + 3f (a + h) + 3f (a + 2h) + f (b)) (b a) f IV (ξ)
53 Zusammengesetzte N.-C.-Formeln Wenn feinere Intervallteilung vorliegt Achtung bei Intervallbreite h! Es sind n + 1 Datenpunkte, und um eins weniger Intervalle. n= Anzahl Datenpunkte-1, und h = (b a)/n Zusammengesetzte Trapezregel b a f (x)dx = h 2 (f 0 + 2f 1 + 2f f n 1 + f n ) + E Zusammengesetzte Simpson-Regel b a f (x)dx = h 3 (f 0 + 4f 1 + 2f 2 + 4f f n 2 + 4f n 1 + f n ) + E (Nur für gerades n möglich!) Clemens Brand und Erika Hausenblas 12. Mai / 40
54 Zusammengesetzte N.-C.-Formeln Wenn feinere Intervallteilung vorliegt Achtung bei Intervallbreite h! Es sind n + 1 Datenpunkte, und um eins weniger Intervalle. n= Anzahl Datenpunkte-1, und h = (b a)/n Zusammengesetzte Trapezregel b a f (x)dx = h 2 (f 0 + 2f 1 + 2f f n 1 + f n ) + E Zusammengesetzte Simpson-Regel b a f (x)dx = h 3 (f 0 + 4f 1 + 2f 2 + 4f f n 2 + 4f n 1 + f n ) + E (Nur für gerades n möglich!) Clemens Brand und Erika Hausenblas 12. Mai / 40
55 Weitere Quadraturformeln Gauß-Quadratur, Gauß-Lobatto-Formeln Nicht äquidistante Stützstellen, dafür höhere Genauigkeit. (Typische Anwendung: Finite Elemente) Romberg-Verfahren berechnet mit zusammengesetzter Trapezregel mehrere Werte zu verschiedenen h und extrapoliert auf h = 0. MATLAB bietet zwei Verfahren: quad (adaptive Simpson-Regel) und quadl (trickreichere Gauß-Lobatto Methode) Clemens Brand und Erika Hausenblas 12. Mai / 40
Interpolation, numerische Integration
Interpolation, numerische Integration 8. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 8. Mai 2014 Gliederung 1 Interpolation polynomial Spline 2 Numerische
Regression, Interpolation, numerische. Integration
,, numerische 9. Vorlesung 170004 Methoden I Clemens Brand 20. Mai 2010 Gliederung : Aufgabenstellung Gesucht ist ein Polynom, das die Datenpunkte möglichst gut approximiert Gegeben m+1 Wertepaare (x i,
Interpolation, numerische Integration, Eigenwerte
Neunte Vorlesung, 29. Mai 2008, Inhalt Interpolation, numerische Integration, Eigenwerte Polynomiale Interpolation (Lagrange, Newton, Neville) Splines und weitere Interpolationsverfahren numerische Integration
Datenmodelle, Regression
Achte Vorlesung, 15. Mai 2008, Inhalt Datenmodelle, Regression Anpassen einer Ausgleichsebene Polynomiale Regression rationale Approximation, Minimax-Näherung MATLAB: polyfit, basic fitting tool Regression
Überbestimmte Systeme, Datenmodelle, Polynomiale Regression
Überbestimmte Systeme, Datenmodelle, Polynomiale Regression 6. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 26. April 2018 Überbestimmte Systeme,
Überbestimmte Systeme, Approximation
Überbestimmte Systeme, Approximation 7. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 3. April 2014 Gliederung 1 Überbestimmte Systeme Wiederholung:
6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
d a Den drei Gleichungen entsprechen drei Kreise imr 2. Sie haben keinen gemeinsamen Schnittpunkt
G Siebte Übungseinheit Inhalt der siebten Übungseinheit: Überbestimmte nichtlineare Systeme MATLAB-Werkzeuge zum Anpassen von Funktionen an Daten Alternativen zur Minimierung der Fehlerquadrate: Robuste
Polynom-Interpolation, Aufgabenstellung: Gegeben: n + 1 Wertepaare (x i, y i ), i = 0,...,n, wobei die x i paarweise verschieden
7 Interpolation Sind die Werte einer Funktion f(x) für einen Satz von x-werten gegeben, etwa x 0 < x 2 < x n, aber kein analytischer (formelmäßiger) Ausdruck für f, so kann man versuchen, eine geeignete,
Numerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
Numerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 20 Wiederholung: Fehlerbetrachtung.
H.J. Oberle Analysis II SoSe Interpolation
HJ Oberle Analysis II SoSe 2012 7 Interpolation 71 Allgemeine Problemstellung Interpolation ist die Kunst, zwischen den Zeilen einer Tabelle zu lesen (Rutishauser) Von f : R R seien Funktionswerte (x j,
1/26. Integration. Numerische Mathematik 1 WS 2011/12
1/26 Integration Numerische Mathematik 1 WS 2011/12 Notation 2/26 Die Abbildung I b a : C([a, b]) R gegeben durch Ia b (f ) := beschreibt die Integration. b a f (x)dx, Um das Integral I(f ) zu approximieren
5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
9. Parametrische Kurven und Flächen
9. Parametrische Kurven und Flächen Polylinien bzw. Polygone sind stückweise lineare Approximationen für Kurven bzw. Flächen Nachteile: hohe Zahl von Eckpunkten für genaue Repräsentation erforderlich interaktive
Interpolation und Integration mit Polynomen
Interpolation und Integration mit Polynomen Philipp Andrea Zardo Universität Kassel 23. Februar 2006 / Kassel Outline 1 Einleitung Was ist numerische Mathematik? Die eulersche e-funktion Ein Wurzelalgorithmus
KAPITEL 10. Numerische Integration
KAPITEL 10. Numerische Integration 10.1 Einleitung Sei Es gilt I Ĩ = b I = b a a f(x) f(x) dx f(x) dx, Ĩ = b b a f(x) dx. a f(x) f(x) dx (b a) f f. I Ĩ I (b a) f f b a f(x) dx = ba f dx b a f(x) dx f f
(c) Gegeben sei der zweidimensionale Raum L mit den Basisfunktionen. [ φ i, φ j ] 3 i,j=1 =
![(c) Gegeben sei der zweidimensionale Raum L mit den Basisfunktionen. [ φ i, φ j ] 3 i,j=1 =](/thumbs/88/117470920.jpg "(c) Gegeben sei der zweidimensionale Raum L mit den Basisfunktionen. [ φ i, φ j ] 3 i,j=1 =")
1. (a) i. Wann besitzt A R n n eine eindeutige LR-Zerlegung mit R invertierbar? ii. Definieren Sie die Konditionszahl κ(a) einer Matrix A bzgl. einer Norm.! iii. Welche Eigenschaften benötigt eine Matrix
KAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)
Klassische Polynom Interpolation.
Klassische Polynom Interpolation. Bestimme ein Polynom (höchstens) n ten Grades p n (x) = a 0 + a 1 x + a 2 x 2 +... + a n x n, das die gegebenen Daten interpoliert, d.h. p n (x i ) = f i, 0 i n. Erster
Interpolation und Approximation von Funktionen
Kapitel 6 Interpolation und Approximation von Funktionen Bei ökonomischen Anwendungen tritt oft das Problem auf, dass eine analytisch nicht verwendbare (oder auch unbekannte) Funktion f durch eine numerisch
Kapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b.
Kapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b. - Polynome, - rationale Funktionen, - trigonometrische Polynome, - Splines. Interpolationsproblem 4: Sei f : [a,b]
Analysis II. Michael Hinze (zusammen mit Peywand Kiani) Department Mathematik Schwerpunkt Optimierung und Approximation, Universität Hamburg
Analysis II Michael Hinze (zusammen mit Peywand Kiani) Department Mathematik Schwerpunkt Optimierung und Approximation, Universität Hamburg 2. Juni 2008 Beachtenswertes Die Veranstaltung ist eng angelehnt
GMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida
GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?
(x x j ) R m [x] (3) x x j x k x j. R m [x]. (4)
![(x x j ) R m [x] (3) x x j x k x j. R m [x]. (4)](/thumbs/67/57224748.jpg "(x x j ) R m [x] (3) x x j x k x j. R m [x]. (4)")
33 Interpolation 147 33 Interpolation In vielen praktischen Anwendungen der Mathematik treten Funktionen f auf, deren Werte nur näherungsweise berechnet werden können oder sogar nur auf gewissen endlichen
Übungen mit dem Applet Interpolationspolynome
Interpolationspolynome 1 Übungen mit dem Applet Interpolationspolynome 1 Ziele des Applets... 2 2 Übungen mit dem Applet... 2 2.1 Punkte... 3 2.2 y=sin(x)... 3 2.3 y=exp(x)... 4 2.4 y=x 4 x 3 +2x 2 +x...
VF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
D-MAVT NUMERISCHE MATHEMATIK FS 14 K. Nipp, A. Hiltebrand Lösung vom Test 2
D-MAVT NUMERISCHE MATHEMATIK FS 4 K Nipp, A Hiltebrand Lösung vom Test Sei A ( 3 3 ) a) Bestimmen Sie κ(a), die Kondition von A (in der -Norm): κ(a) b) Berechnen Sie den Spektralradius von A: ρ(a) 4 c)
Musterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan :00-14:00 (120 min)
Lehrstuhl für Angewandte Mathematik Montanuniversität Leoben 70 004 Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan. 207 2:00-4:00 (20 min) Name Matrikelnummer Mündliche Prüfung: Bitte markieren
19. Januar Universität Erlangen-Nürnberg Department Mathematik PD Dr. Markus Bause. . Danach liefert die Gauss-Elinination. .
Universität Erlangen-Nürnberg Department Mathematik PD Dr Markus Bause Numerik I 9 Januar A Gegeben sei die Matrix A = a Führen Sie eine Zeilenskalierung der Matrix durch Klausur b Bestimmen Sie mit Hilfe
6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
Nachklausur am Donnerstag, den 7. August 2008
Nachklausur zur Vorlesung Numerische Mathematik (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Nachklausur am Donnerstag, den 7. August 2008 Bearbeitungszeit:
eps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
D-ITET, D-MATL. Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn
Name: Wichtige Hinweise D-ITET, D-MATL Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn Prüfungsdauer: 90 Minuten. Nur begründete Resultate werden bewertet. Zugelassene Hilfsmittel: 10 A4-Seiten
Numerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 08.04.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren 1 / 68 Übersicht
Diplom VP Numerik 27. August 2007
Diplom VP Numerik 27. August 2007 Multiple-Choice-Test 30 Punkte Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese
Numerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 15.04.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren Numerische
Übungen zu Numerische Methoden I. Achte Übungseinheit 2., 3. und 4. Juni Interpolation in Tabellen. Inhalt der achten Übungseinheit:
70 005 Übungen zu Numerische Methoden I Achte Übungseinheit 2., 3. und 4. Juni 2008 Inhalt der achten Übungseinheit: Interpolation in Tabellen Symbolische und numerische Integration Eigenwertaufgaben 7.
Technische Numerik Numerische Integration
W I S S E N T E C H N I K L E I D E N S C H A F T Technische Numerik Numerische Integration Peter Gangl Institut für Numerische Mathematik, Technische Universität Graz c Alle Rechte vorbehalten. Nachdruck
Interpolation. Heinrich Voss. TUHH Heinrich Voss Kapitel / 49.
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation TUHH Heinrich Voss Kapitel 2 2010 1 / 49 Interpolationsproblem Gegeben seien eine Funktion Φ (x; a 1,...,
Übungen zur Ingenieur-Mathematik II SS 2017 Blatt Aufgabe 13: Betrachten Sie die Funktion. f(x) =
Übungen zur Ingenieur-Mathematik II SS 2017 Blatt 6 2.5.2017 Aufgabe 1: Betrachten Sie die Funktion Lösung: f(x) = 1, x [, 1]. 1 + 25x2 a) Bestimmen Sie die Interpolationspolynome vom Grad m p m (x) =
Numerisches Programmieren, Übungen
Technische Universität München SoSe 20 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 6 Übungsblatt:
Übungen zu Splines Lösungen zu Übung 20
Übungen zu Splines Lösungen zu Übung 20 20.1 Gegeben seien in der (x, y)-ebene die 1 Punkte: x i 6 5 4 2 1 0 1 2 4 5 6 y i 1 1 1 1 1 + 5 1 + 8 4 1 + 8 1 + 5 1 1 1 1 (a) Skizzieren Sie diese Punkte. (b)
Numerische Mathematik
Numerische Mathematik Von Martin Hermann 2., überarbeitete und erweiterte Auflage Oldenbourg Verlag München Wien Vorwort zur ersten Auflage Vorwort zur zweiten Auflage V VII 1 Wichtige Phänomene des numerischen
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben).
Approximation durch Polynome
durch n Anwendungen: zur Vereinfachung einer gegebenen Funktion durch einen Polynomausdruck. Dann sind übliche Rechenoperation +,,, / möglich. zur Interpolation von Daten einer Tabelle n Beispiel Trotz
VF-3: Gegeben seien die Daten f(x 0 ), f(x 1 ),..., f(x n ) mit x 0,..., x n paarweise verschiedenen und
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Aussagen Diese sind mit wahr bzw falsch zu kennzeichnen (hinschreiben) Es müssen alle Fragen mit wahr
Überbestimmte Gleichungssysteme
Siebente Vorlesung, 8. Mai 2008, Inhalt Überbestimmte Gleichungssysteme Kleinste Quadrate: einfaches Beispiel, elementare Herleitung Normalengleichungen Transformation mit QR-Zerlegung und SVD Nichtlineare
Numerik für Ingenieure I Wintersemester 2008
1 / 33 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 16.1.2009 2 / 33 Wiederholung Polynom Interpolation Vandermonde Ansatz Newton Interpolation: Beispiel
Kardinalfunktionen. Florian Badt. 2. Juni Universität des Saarlandes, Saarbrücken
Florian Badt 2. Juni 2015 Gliederung Grundlegende Problemstellung Ausgangspunkt: Lu = f Approximation der unbekannten Funktion: u(x) u N (x) = N n=0 a nφ n Minimierung des Residuums R(x; a 0, a 1,...,
Polynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
Übungsblatt 3 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA4 - SS6 Übungsblatt Musterlösung Sei M,N N und f C M+N+ (B) eine komplexe Funktion, B eine kompakte Menge. Die Padé Approximation PN M (f)(x) ist die rationale
Ausgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
Lineare Gleichungssysteme
Lineare Gleichungssysteme 4. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 17. März 2016 Lineare Gleichungssysteme 1 Wiederholung: Normen, Jacobi-Matrix,
Numerisches Programmieren, Übungen
Technische Universität München WiSe 07 / 08 Institut für Informatik Univ-Prof Dr Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 3 Übungsblatt:
Numerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 21 Quadraturverfahren R. Steuding
5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
Einführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 014 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
Polynominterpolation. Allgemeines Problem: Beispiel 1 (Teil 1):
. Großübung Polynominterpolation Allgemeines Problem: Aufgrund gegebener Messwerte (Paare aus Werten i und Funktionswerten f( i )) soll ein Funktionsverlauf rekonstruiert bzw. zumeist angenähert werden.
Numerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
Numerische Integration
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation TUHH Heinrich Voss Kapitel 3 2010 1 / 87 In vielen Fällen ist es nicht möglich, ein gegebenes Integral
8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.
8 Interpolation 81 Problemstellung Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen x 0 < x 1 < < x n Eingabedaten: (x 0, f 0 ),(x 1, f 1 ),,(x n, f n ) Gegebene Daten (x j, f j ) Analysis
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik 4 Punkte Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen hinschreiben. Es müssen
Finden Sie für diese Daten eine Anpassung der Form. t(d,t 0 ) = a 1 +a 2 d+a 3 T 0 +a 4 dt 0
170 00 Übungen zu Numerische Methoden I Siebente Übungseinheit 16., 17. und 18. Mai 2011 Inhalt der siebten Übungseinheit: Lineare Datenmodelle überbestimmte nichtlineare Systeme Basic Fitting Tool 7.1
(x x j ) x [a,b] n! j=0
![(x x j ) x [a,b] n! j=0](/thumbs/88/115477375.jpg "(x x j ) x [a,b] n! j=0")
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (4 Punkte Es gibt zu jeder der 1 Aufgaben vier Aussagen. Diese sind mit bzw. zu kennzeichnen (hinschreiben. Es müssen alle Fragen mit oder gekennzeichnet
ÜBUNGSAUFGABEN ZUR NUMERIK 1
ÜBUNGSAUFGABEN ZUR NUMERIK 1 MARTIN EHLER, WS 2015/16 Teil 1. Matlab,... Aufgabe 1. Arbeiten Sie die Matlab Einführung von Waltraud Huyer durch, die unter dem Link http://www.mat.univie.ac.at/ huyer/matlab.pdf
5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
Institut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
VF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
5 Interpolation und numerische Approximation
Numerik I 194 5 Interpolation und numerische Approximation 5.1 Polynominterpolation 5.2 Spline-Interpolation 5.3 Diskrete Fourier-Transformation 5.4 Schnelle Fourier-Transformation (FFT) 5.5 Eine Anwendung
Klausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
Einführung in die Numerik
Institut für Angewandte Mathematik Universität Heidelberg http://www.numerik.uni-hd.de/ lehre/ss10/numerik0/ Zahldarstellung Normalisierte Gleitkommazahl: x = ±[m 1 b 1 + + m r b r ] b ±[es 1bs 1 + +e
De Gruyter Studium. Numerische Methoden. Bearbeitet von Hermann Friedrich, Frank Pietschmann
De Gruyter Studium Numerische Methoden Bearbeitet von Hermann Friedrich, Frank Pietschmann 1. Auflage 2010. Buch. 538 S. ISBN 978 3 11 021806 0 Format (B x L): 17 x 24 cm Gewicht: 896 g Weitere Fachgebiete
Klausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren. Juli Sie haben Minuten Zeit zum Bearbeiten der Klausur. Bitte
Fixpunkt-Iterationen
Fixpunkt-Iterationen 2. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 27. Februar 2014 Gliederung Wiederholung: Gleichungstypen, Lösungsverfahren Grundprinzip
3. Lineare Ausgleichsrechnung
3 Lineare Ausgleichsrechnung 1 Ausgleichsrechnung (1) Definition 31 (Ausgleichsproblem) Gegeben sind n Wertepaare (x i,y i ), i = 1,,n mit x i x j für i j Gesucht ist eine stetige Funktion f, die in einem
0.1 Modellierung von Kurven und Flächen mittels B-Splines
Vorlesung vom 28.04.06 Skript erstellt von Antonia Wittmers und Maria Gensel 0.1 Modellierung von Kurven und Flächen mittels B-Splines Das Wort Spline, übersetzt mit längliches, dünnes Stück Holz oder
KLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
![KLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.](/thumbs/71/65292107.jpg "KLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.")
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
Analysis II für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg SoSe 2014 Prof. Dr. Armin Iske Dr. Hanna Peywand Kiani Analysis II für Studierende der Ingenieurwissenschaften Blatt 3, Hausaufgaben Aufgabe 1: a) Es sei
Numerische Integration
Numerische Integration home/lehre/vl-mhs-1/folien/uebung/num_integration/cover_sheet_5a.tex Seite 1 von 12. p.1/12 Inhaltsverzeichnis 1. Einführung 2. Newton-Cotes Formeln Rechteckformel Trapezformel Simpsonsche
Nichtlineare Gleichungen in einer und mehreren Unbekannten
Gleichungen in einer und mehreren Unbekannten 2. Vorlesung 170004 Numerische Methoden I Clemens Brand 26. Februar 2009, Gliederung,, Gleichungen in einer Variablen Was ist... Wie geht... eine lineare (nichtlineare,
Matrixzerlegungen. 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
1. Anhang: Spline-Funktionen
C:\D\DOKU\NUM KURS\SPLINE.TEX C:\UG\.AI 20. Juli 1998 Vorbemerkung: Wenn der Satz stimmt, daß jede Formel eines Textes die Leserzahl halbiert, dann brauche ich bei grob geschätzt 40 Formeln etwa 2 40 =
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Diplom VP Numerik 13. September 004 Aufgabe 1 10 0 40 Gegeben sei die Matrix A = 80 10 10. 10 5 5 (6 Punkte) a) Skalieren (Zeilenäquilibrierung)
UE Numerische Mathematik für LA
06.986 UE Numerische Mathematik für LA Übungsbeispiele zur VO 06.942 Numerische Math für LA G. Schranz-Kirlinger Kapitel : Fehlerbetrachtungen. Berechnen Sie sinx dx mit Hilfe der Trapezregel für verschiedene
Numerische Integration
Numerische Integration Fakultät Grundlagen Januar 0 Fakultät Grundlagen Numerische Integration Übersicht Grundsätzliches Grundsätzliches Trapezregel Simpsonformel 3 Fakultät Grundlagen Numerische Integration
2. Gauß-Integration. Prof. Dr. Wandinger 4. Scheibenelemente FEM 4.2-1
Die analytische Integration der Steifigkeitsmatrix für das Rechteckelement ist recht mühsam. Für Polynome gibt es eine einfachere Methode zur Berechnung von Integralen, ohne dass die Stammfunktion benötigt
KAPITEL 9 Splinefunktionen
KAPITEL 9 Splinefunktionen 9.1 Splineräume und Approximationsgüte Bei der Behandlung von Splines ist es bequemer, statt mit dem Grad von Polynomen, mit der Ordnung k := Grad + 1 zu arbeiten. Für eine Knotenmenge
Walter Gander. Computermathematik. Lösungen der Aufgaben mit TURBO PASCAL- Programmen. Birkhäuser Verlag Basel Boston Stuttgart
Walter Gander Computermathematik Lösungen der Aufgaben mit TURBO PASCAL- Programmen Birkhäuser Verlag Basel Boston Stuttgart Inhaltsverzeichnis Vorwort 9 1 Rechnen mit Computer 13 Aufgaben 1.2-1.4, Endliche
Gisela Engeln-Müllges Klaus Niederdrenk Reinhard Wodicka. Numerik-Algorithmen
Gisela Engeln-Müllges Klaus Niederdrenk Reinhard Wodicka Numerik-Algorithmen Verfahren, Beispiele, Anwendungen Neunte, vollständig überarbeitete und erweiterte Auflage mit zahlreichen Abbildungen und Beispielen
Musterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange.
Angewandte Mathematik Ing.-Wiss., HTWdS Dipl.-Math. Dm. Ovrutskiy Musterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange. Aufgabe 1 Approximieren Sie cos(x) auf [ /, /] an drei Stützstellen
2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
Numerische Mathematik
Numerische Mathematik SS 999 Augabe 6 Punkte Das Integral I ln d soll numerisch bis au eine Genauigkeit von mindestens - approimiert werden. a Wie groß muss die Anzahl N der Teilintervalle sein damit mit