Numerisches Programmieren (IN0019)
|
|
- Alfred Brodbeck
- vor 5 Jahren
- Abrufe
Transkript
1 Numerisches Programmieren (IN0019) Frank R. Schmidt Winter Semester 2016/ Interpolation Interpolation 3 Motivation Bildinterpolation (Beispiel) Funktionen-Vektorraum Allgemeine Problemstellung Polynome 8 Polynome Polynominterpolation Lagrange-Polynome Online-Berechnung Rekursive Berechnung Neville-Tableau Polynominterpolation (Lagrange) Polynominterpolation (Neville) Lagrangepolynome (Beispiel) Neville-Polynome (Beispiel)
2 Fehleranalyse 19 Fehler bei Polynominterpolation Fehler bei Polynominterpolation Fehleranalyse Optimale Stützstellen Tschebyscheff-Polynome Tschebyscheff-Rekursion Interpolation (Beispiel) Zusammenfassung Splines 28 Hermite-Interpolation Hermite-Interpolation Spline-Interpolation Spline-Interpolationsproblem Bernstein-Polynome Kubische Interpolation (Bernstein-Polynome) Bernstein-Polynome (Beispiel) Modellierung von Kurven 36 Bézier-Kurve Bézier-Kurven (Beispiel) B-Splines Zusammenfassung
3 5. Interpolation 2 / 40 Interpolation 3 / 40 Motivation Bis jetzt sind wir immer davon ausgegangen, dass eine Funktion f: R Ñ R bekannt ist und dass wir lediglich die Berechnung von fpxq durchführen wollen. Im Folgenden wollen wir fpxq berechnen, ohne f komplett zu kennen. Stattdessen sind für gewisse Stützstellen x 0 ă... ă x n die Funktionswerte y i fpx i q bekannt. Sind die Stützstellen und Funktionswerte gegeben, so nennt man die Schätzung von fpxq Interpolation, wenn x P rx 0 ;x n s Extrapolation, wenn x R rx 0 ;x n s Dieses Szenario ist sehr realistisch in Situationen in denen Sensoren benutzt werden und wir daher nur wenige Messwerte haben. IN Numerisches Programmieren 5. Interpolation 4 / 40 3
4 Bildinterpolation (Beispiel) Stückweise Konstant Glatte Interpolation IN Numerisches Programmieren 5. Interpolation 5 / 40 4
5 Funktionen-Vektorraum Die Menge AbbpR,Rq der Funktionen f: R Ñ R bildet einen R-Vektorraum, zusammen mit den Operationen pf `gq pxq fpxq `gpxq pλ fq pxq λ fpxq (Addition) (Skalar-Multiplikation) Um Interpolationen durchzuführen, definieren wir linear unabhängige Basisfunktionen g 0,...,g n. Das Interpolationspoblem besteht dann darin, Parameter λ 0,...λ n P R zu finden, so dass für g ř n j 0 λ j g j die Interpolationsbedingungen erfüllt sind gpx i q fpx i q y i für i 0,...,n Wir müssen also n ` 1 Gleichungen mit n ` 1 Unbekannten lösen. IN Numerisches Programmieren 5. Interpolation 6 / 40 Allgemeine Problemstellung Gegeben seien Punktepaare px i,y i q für i 0,...,n, wobei die Stützstellen x i paarweise verschieden sind. Darüber hinaus sind n `1 linear unabhängige Funktionen g 0,...,g n P AbbpR,Rq gegeben. Gesucht sind Koeffizienten λ j für j 0,...,n, so dass g 0 px 0 q... g n px 0 q λ 0 y loooooooooooooomoooooooooooooon g 0 px n q... g n px n q λ n y n A Insgesamt muss also ein Gleichungssystem mit n ` 1 Variablen und n ` 1 Gleichungen gelöst werden. Insbesondere muss also detpaq 0 gelten. 5
6 IN Numerisches Programmieren 5. Interpolation 7 / 40 6
7 Polynome 8 / 40 Polynome Besonders einfache Funktionen in einer Variablen sind die Polynome: ppxq a n x n `... `a 1 x`a 0 a n 0 Wir bezeichnen mit n : degppq den Grad von p. Der Grad der Nullfunktion wird mit 8 definiert und es gilt degpp qq degppq `degpqq. Wir bezeichnen mit Π n : tp: R Ñ R p ist Polynom ^degppq ď nu den Menge aller Polynome, die einen Grad von maximal n haben. Π n ist ein Untervektorraum von AbbpR,Rq und besitzt die Dimension n `1. Eine Basis von Π n ist die Menge der Monome t1,x,x 2,...,x n u. IN Numerisches Programmieren 5. Interpolation 9 / 40 7
8 Polynominterpolation Benutzen wir Polynome zur Interpolation, müssen wir zeigen, dass die Vandermonde-Matrix 1 x 0... x n 0 V n :... 1 x n... x n n invertierbar ist. Da man zeigen kann, dass detpv n q ź px j x i q, 0ďiăjďn können wir sehen, dass Polynominterpolationen immer eindeutig lösbar sind, wenn die Stützstellen paarweise verschieden sind. IN Numerisches Programmieren 5. Interpolation 10 / 40 8
9 Lagrange-Polynome Da das Invertieren von Matrizen mit Opn 3 q recht zeitaufwendig ist, reicht es, solche Polynome L j P Π n zu definieren, die Folgendes erfüllen: # 1, wenn i j L j px i q 0, wenn i j Diese Polynome sind eindeutig durch die Stützstellen bestimmt L j pxq : und heißen Lagrange-Polynome. Das Interpolationsproblem wird dann durch folgendes Polynom eindeutig gelöst ppxq nź i 0 i j x x i x j x i P Π n nÿ y j L j pxq j 0 IN Numerisches Programmieren 5. Interpolation 11 / 40 Online-Berechnung Die explizite Berechnung ist sehr teuer und kann wegen der Opn 2 q wiederholten Differenzen numerisch instabil werden. Wenn wir das interpolierende Polynom nur an wenigen Stellen berechnen wollen, bietet es sich an, interpolierende Polynome induktiv zu berechnen, die immer mehr Stützstellen berücksichtigen. Definiere hierzu p i,l pxq P Π l als das Polynom vom Grad l, das genau an den Stellen x i,...,x i`l die Interpolations-Bedingungen erfüllt. Zur Berechnung von p i,l benutzen wir p i,l 1 und p i`1,l 1, d.h. wir können ppxq rekursiv bestimmen. 9
10 IN Numerisches Programmieren 5. Interpolation 12 / 40 10
11 Rekursive Berechnung Wir können folgende rekursive Berechnungsformel benutzen p i,0 pxq y i Die Interpolationsbedingungen sind für p i,0 offensichtlich erfüllt. Für den Rekursionsschritt gilt p i,l pxq px x iqp i`1,l 1 pxq px x i`l qp i,l 1 pxq x i`l x i p i,l px i q p i,l 1 px i q y i p i,l px i`l q p i`1,l 1 px i`l q y i`l p i,l px i`j q px i`j x i qy i`j px i`j x i`l qy i`j x i`l x i y i`j IN Numerisches Programmieren 5. Interpolation 13 / 40 Neville-Tableau Wegen der Eindeutigkeit des interpolierenden Polynoms ist jedes der Polynome p i,l die eindeutige Lösung des jeweiligen Interpolationsproblems. Wir können nun ppxq mit Hilfe des Neville-Tableaus berechnen: Grad x 0 p 0,0 pxq y 0 p 0,1 pxq x 1 p 1,0 pxq y 1 p 0,2 pxq ppxq p 1,1 pxq x 2 p 2,0 pxq y 2 Ein Vorteil des Neville-Tableaus ist, dass es einfach ist, ppxq zu aktualisieren, wenn weitere Stützstellen bekannt werden. 11
12 IN Numerisches Programmieren 5. Interpolation 14 / 40 12
13 Polynominterpolation (Lagrange) Betrachten wir folgendes Interpolationsproblem: px 0,y 0 q p0,1q px 1,y 1 q p1,3q px 2,y 2 q p3,7q Unter Benutzung der Lagrangepolynome lässt sich ppxq wie folgt berechnen px 1qpx 3q L 0 pxq p0 1qp0 3q 1 3 px2 4x `3q px 0qpx 3q L 1 pxq p1 0qp1 3q 1 2 px2 3xq px 0qpx 1q L 2 pxq p3 0qp3 1q 1 6 px2 xq ppxq 1 3 px2 4x `3q 3 2 px2 3xq ` 7 6 px2 xq 2x `1 IN Numerisches Programmieren 5. Interpolation 15 / 40 13
14 Polynominterpolation (Neville) Betrachten wir folgendes Interpolationsproblem: px 0,y 0 q p0,1q px 1,y 1 q p1,3q px 2,y 2 q p3,7q Die Berechnun des Neville-Tableaus erfolgt mit der Rekursionsvorschrift p i,l pxq px x iqp i`1,l 1 pxq px x i`l qp i,l 1 pxq x i`l x i Grad x 0 0 p 0,0 pxq y 0 1 p 0,1 pxq2x ` 1 x 1 1 p 1,0 pxq y 1 3 x 2 3 p 2,0 pxq y 2 7 p 1,1 pxq2x ` 1 p 0,2 pxq2x ` 1 IN Numerisches Programmieren 5. Interpolation 16 / 40 14
15 Lagrangepolynome (Beispiel) y L 2 L 0 x 0 x 1 x 2 x L 1 Lagrangepolynome sind immer vom maximalen Grad. Falls eine Funktion von niedrigerem Grad interpoliert werden soll, kann es zu Auslöschungen kommen. IN Numerisches Programmieren 5. Interpolation 17 / 40 15
16 Neville-Polynome (Beispiel) y p 1,1 pxq y p 0,2 pxq p 0,1 pxq x x Das Neville-Tableau verbessert die Interpolation in jedem Schritt. Man kann die Berechnung früher abbrechen, wenn man nur an Funktionen interesiert ist, die stückweise linear, quadratischen, etc. sind. Dies wird (im Wesentlichen) bei der Interpolation von Bildern benutzt. IN Numerisches Programmieren 5. Interpolation 18 / 40 16
17 Fehleranalyse 19 / 40 Fehler bei Polynominterpolation Lemma 1. Gegeben n `1 Stützstellen x 0 ă... ă x n und f P C n`1 prq, d.h. f: R Ñ R, so dass die ersten n `1 Ableitungen existieren und stetig sind. Weiter sei p P Π n das bzgl. der Stützstelle eindeutige Interpolationspolynom. Dann gilt für jedes x P R für ein ξ P rminpx,x 0 q;maxpx n,xqs. fpxq ppxq f pn`1q pξq pn `1q! px x 0q... px x n q, Beweis. Für x P tx 0,...,x n u ist nicht zu zeigen. Sei also x R tx 0,...,x n u. Wählen wird K : fpxq ppxq ś n i 0 x x i mindestens n `2 Nullstellen und zwar bei x und x 0,...,x n. gpxq fpxq ppxq K nź x x i i 0 so hat die Funktion IN Numerisches Programmieren 5. Interpolation 20 / 40 17
18 Fehler bei Polynominterpolation Beweis (Fort.) Nach dem Satz von Rolle hat die i-te Ableitung mindestens n `2 i Nullstellen. Damit gilt für ein ξ P rminpx,x 0 q;maxpx n,xqs gerade 0 g pn`1q pξq f pn`1q pξq p pn`1q pξq K f pn`1q pξq Kpn `1q! ˆ d n`1 nź x dx i 0x i ˇˇˇˇˇx ξ Für das Interpolationsproblem bedeutet das Lemma gerade fpxq ppxq ď M pn `1q! nź x x i, ˇ wobei M : max xprx0,x ns ˇf pn`1q pxqˇˇ den maximalen Absolutwert der pn `1q-ten Ableitung beschreibt. IN Numerisches Programmieren 5. Interpolation 21 / 40 i 0 18
19 Fehleranalyse Wir haben also insgesamt den folgenden Fehler fpxq ppxq ď M pn `1q! nź px x ˇ i qˇ ˇ, i 0 Auf pn `1q! haben wir keinen Einfluß, da es sich um eine Konstante handelt. Auf M haben wir keinen Einfluß, da es sich bei gegebenem f um eine Konstante handelt. Auf w n pxq : ś n i 0 px x iq können wir Einfluß nehmen, indem wir die Stützstellen x i geschickt wählen. IN Numerisches Programmieren 5. Interpolation 22 / 40 Optimale Stützstellen Wir suchen ein Polynom T n P Π n mit führendem Koeffizienten a n 1, so dass max T npxq xpra,bs minimal ist. Die optimalen Stützstellen sind dann die n Nullstellen dieses Polynoms. Ohne Einschränkung können wir davon ausgehen, dass a b gilt. Den allgemeinen Fall erhalten wir dann durch Verschieben des Polynoms T n pxq T n px q und der Nullstellen x i x i `. Ohne Einschränkung können wir davon ausgehen, dass r b,bs r 1,1s gilt. Den allgemeinen Fall erhalten wir dann durch Skalierung des Polynoms T n pxq T n `x b und der Nullstellen xi x i b. IN Numerisches Programmieren 5. Interpolation 23 / 40 19
20 Tschebyscheff-Polynome Wir sind also auf der Suche nach Polynomen T n P Π n mit führendem Koeffizienten a n 1, so dass minimal ist. Diese Polynome sind die normierten Tschebyscheff-Polynome. max T npxq xpr 1,1s Für T 1 pxq x `a gilt max x `a maxp 1 `a, a 1 q xpr 1,1s # 1 ` a a ą 0 1 ` a a ă 0 Somit ist also a 0 und T 1 pxq x. Es stellt sich heraus, dass im Allgemeinen Folgendes gilt T n pxq 1 2 n 1 cos `n cos 1 ą 0 IN Numerisches Programmieren 5. Interpolation 24 / 40 20
21 Tschebyscheff-Rekursion Für die normierten Tschebyscheff-Polynome T n gilt die Rekursionsvorschrift T 0 pxq 1 T 1 pxq x T 2 pxq x T n`1 pxq xt n pxq 1 4 T n 1pxq Daher kann man sehen, dass T n P Π n ist und a n 1 gilt. Für die optimalen Stützstellen gilt also ˆ2i `1 x i cos 2n `2 π i 0,...,n und wir haben für das Interpolationsproblem auf dem Intervall r 1,1s gerade fpxq ppxq ď M 2 n pn `1q! IN Numerisches Programmieren 5. Interpolation 25 / 40 21
22 Interpolation (Beispiel) Äquidistante Stützstellen y Tschebyscheff-Stützstellen y y x y x x x IN Numerisches Programmieren 5. Interpolation 26 / 40 Zusammenfassung Man sollte äquidistante Stützstellen vermeiden, da sie zu großen Fehlern am Rand führen können. Stattdessen sollte man mehr Stützstellen am Rand benutzen, um diesen Effekt zu minimieren. Ein Beispiel hierfür sind die Tschebyscheff-Stützstellen. Tschebyscheff-Stützstellen haben den Vorteil, dass sie die obere Schranke des möglichen Interpolationsfehler minimieren. 22
23 IN Numerisches Programmieren 5. Interpolation 27 / 40 23
24 Splines 28 / 40 Hermite-Interpolation Um Oszillationen zu vermeiden, kann man neben den Funktionswerten auch die Ableitungen an den Stützstellen vorgeben. Im einfachsten Fall definiert man also px i,y i,yi 1q für i 0,...,n und sucht ein Polynom p P Π 2n`1 mit ppx i q y i p 1 px i q yi 1 i 0,...,n Dies führt zu einem Gleichungssystem 1 x 0 x x 2n` x n x 2 n... xn 2n` x 0... p2n `1qx 2n x n... p2n `1qx 2n n λ 0. λ 2n`1 y 0. y n y0 1. y 1 n IN Numerisches Programmieren 5. Interpolation 29 / 40 24
25 Hermite-Interpolation Um zu sehen, dass dieses Gleichungssystem immer eindeutig lösbar ist, müssen wir nur zeigen, dass y y 1 0 nur die Lösung λ 0 zulässt. Falls y y 1 0 ist, muss jedes x i eine doppelte Nullstelle sein und das Interpolationspolynom muss durch teilbar sein. Das einzige Polynom p P Π 2n`1, das dies erfüllt, ist p 0. nź px x i q 2 P Π 2n`2 Analog kann man zeigen, dass auch höhere Ableitungen ohne Probleme in ein Interpolationsproblem integriert werden können. i 0 Allerdings gibt es für eine Verallgemeinerung von Lagrange-Polynomen keine geschlosssenen Lösungen. Daher sind diese Probleme üblicherweise schwerer als das klassische Interpolationsproblem. IN Numerisches Programmieren 5. Interpolation 30 / 40 25
26 Spline-Interpolation Eine andere Möglichkeit, um Oszillationen zu verhindern, besteht darin, eine Funktion zu benutzen, die stückweise aus Polynomen niedrigen Grades besteht, d.h. zu den Stützstellen x 0 ă... ă x n gilt S P C k 1 ppx 0,x n q,rq S rx i,x i`1 s P Π k Solche Funktionen nennen wir Splines. y y y x 0 x 1 x 2 x x 3 x 0 x 1 x 2 x x 3 x 0 x 1 x 2 x x 3 k 0 k 1 k 2 IN Numerisches Programmieren 5. Interpolation 31 / 40 Spline-Interpolationsproblem Gegeben n `1 Stützstelle x 0 ă... ă x n besteht das Spline-Interpolationsproblem darin n Polynome vom Grad k ą 0 zu finden (n pk `1q Parameter), so dass Folgendes gilt Spx i q y i (2n Nebenbedingungen) S pκq px i q y pκq i 0 ă κ ă k (pn 1qpk 1q Nebenbedingungen) Insgesamt haben wir also npk `1q ` p1 kq Nebenbedingungen. Um eine eindeutige Lösung zu erhalten, benötigen wir k 1 weitere Nebenbedingungen: Für lineare Splines werden keine weiteren Nebenbedingungen benötigt. Durch Forderung von Periodizität (S pκq px 0 q S pκq px n q) erhalten wir genau k 1 Nebenbedingungen. Man kann k 1 weitere Nebenbedingunen (z.b. Ableitungen bei x 0 und/oder x n ) einführen. 26
27 IN Numerisches Programmieren 5. Interpolation 32 / 40 27
28 Bernstein-Polynome Das Lösen des oben beschriebene Interpolationsproblem ist recht aufwändig. Eine Alternative besteht darin, k `1 linear unabhängige Polynome B i,k P Π n zu wählen, die man als Basisfunktionen benutzen kann. Hierfür eignen sich die Bernsteinpolynome B i,k : r0;1s Ñr0;1s ˆk t ÞÑ t i p1 tq k i i Bernsteinplynome nehmen nur Werte zwischen 0 und 1 an, was Oszillationen vermeidet. Außerdem gilt für ppxq ř k i 0 λ ib i,k pxq gerade pp0q λ 0 pp1q λ k IN Numerisches Programmieren 5. Interpolation 33 / 40 28
29 Kubische Interpolation (Bernstein-Polynome) Für die Ableitung von Bernstein-Polynomen gilt gerade Folgendes B 1 i,k ptq k pb i 1,k 1 B i,k 1 q Das heißt wir können uns folgende Funktion ansehen pptq x 0 B 0,3 ` ˆ x 0 ` 1 ˆ 3 y 0 B 1,3 ` x y 1 B 2,3 `x 1 B 3,3 p 1 ptq y 0 B 0,2 ` p3px 1 x 0 q ` py 0 `y 1 qqb 1,2 `y 1 B 2,2 Dies löst gerade das Iterpolationsproblem pp0q x 0 pp1q x 1 p 1 p0q y 0 p 1 p1q y 1 IN Numerisches Programmieren 5. Interpolation 34 / 40 29
30 Bernstein-Polynome (Beispiel) y y B 0,3 B 3,3 B 1,3 B 2,3 t t 4 pptq t Wir wollen das Monom t 4 durch ein kubisches Bernsteinpolynom annähern: Insgesamt gilt also pptq 1 3 B 2,3 `B 3,3. pp0q 0 pp1q 1 p 1 p0q 0 p 1 p1q 4 IN Numerisches Programmieren 5. Interpolation 35 / 40 30
31 Modellierung von Kurven 36 / 40 Bézier-Kurve Eine natürliche Erweiterung von Funktioninterpolationen sind Interpolationen von Kurven c: r0;1s Ñ R k Hier kann man die Projektion von c auf ihre Komponenten c 1,...,c k : r0;1s Ñ R als Funktionen auffassen. Eine Bézier-Kurve C: r0;1s Ñ R k vom Grad n hat die folgende Darstellung Cptq nÿ P i B i,n ptq, wobei B i,n die Bernsteinpolynome vom Grad n sind. P i P R k heißen Kontrollpunkte, da sie nicht notwendigerweise Interpolationspunkte sind, aber die Funktionswerte (und Ableitungen) von C kontrollieren. i 0 IN Numerisches Programmieren 5. Interpolation 37 / 40 31
32 Bézier-Kurven (Beispiel) P n P 1 P 2 P n P n P 0 P n Eine Bézier-Kurve ist eine gewichtete Summe von Vektoren, die bei P 0 beginnt und bei P n endet. Dabei überwiegt in einem Teilbereich von r0;1s jeweils eines der Bernsteinpolynome B i,n die anderen, und sorgt dafür, dass die Kurve zu dem entsprechenden Kontrollpunkt P i gezogen wird. IN Numerisches Programmieren 5. Interpolation 38 / 40 B-Splines Anstelle von Bernsteinpolynomen kann man andere Basisfunktionen wählen, die nicht auf dem gesamten Intervall p0;1q positiv sind. Damit verändert sich die Kurve nur lokal, wenn einer der Kontrollpunkte verändert wird. Ein Beipiel hierfür sind B-Splines. Gegeben n Knoten 0 ď t 0 ă... ă t n ď 1, definiert man die linear unabhängige Splines N i,k vom Grad k, die folgende Eigenschafen erfüllen 0 ď N i ptq ď 1 t P r0;1s (beschränkt) N i ptq 0 t R rt i k ;t i`k s (lokal) ÿ N i 1 (Partition der Eins) i B-Splines und Erweiterungen davon werden in den meisten CAD-Systemen benutzt. (CAD=Computer Aided Design) 32
33 IN Numerisches Programmieren 5. Interpolation 39 / 40 33
34 Zusammenfassung Polynom-Interpolation berechnet für n Paare px i,y i q das Polynom p P Π n, so dass ppx i q y i. Hermite-Interpolation berechnet für n Trippel px i,y i,y 1 i q das Polynom p P Π 2n`1, so dass ppx i q y i und p 1 px i q y 1 i. Spline-Interpolation berechnet p P C k 1, das stückweise aus Polynome vom Grad k besteht, so dass die Interpolationsbedingungen erfüllt sind. Bézier-Kurve pptq ř n i 0 P jb j ptq wird durch die P j kontrolliert. Es handelt sich nicht um eine Interpolation. B-Splines pptq ř n i 0 P jn j ptq nutzen Basisfunktionen, so dass Kontrollpunkte die resultierende Kurve nur lokal beeinflussen. IN Numerisches Programmieren 5. Interpolation 40 / 40 34
loooooooooooooomoooooooooooooon
ÁÒØ ÖÔÓÐ Ø ÓÒ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º
Mehr8 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
MehrH.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,
MehrKlassische 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
MehrKAPITEL 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
Mehr6 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}
MehrNumerisches 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:
Mehr5 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)
Mehr8 Polynominterpolation
8 Polynominterpolation Interpolations-Aufgabe: Von einer glatten Kurve seien nur lich viele Punktewerte gegeben. Wähle einen lichdimensionalen Funktionenraum. Konstruiere nun eine Kurve in diesem Funktionenraum
MehrPolynominterpolation
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
MehrKapitel 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]
MehrInterpolation. Kapitel 3
Kapitel 3 Interpolation Die Interpolation von Funktionen oder Daten ist ein häufig auftretendes Problem sowohl in der Mathematik als auch in vielen Anwendungen Das allgemeine Problem, die sogenannte Dateninterpolation,
Mehr6. 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
Mehr(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
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
MehrMusterlösung Serie 12
D-MATH Lineare Algebra I HS 208 Prof Richard Pink Musterlösung Serie 2 Determinante und Ähnlichkeit Berechnen Sie die Determinanten der folgenden Matrizen: A : 0 0 0 2 0 2 3 0 4 2 C :, B : 2 3 5 4 2 3
MehrÜbungsblatt 1 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA234 - SS6 Übungsblatt Musterlösung Aufgabe (Interpolationspolynom) a) Bestimmen Sie die Hilfspolynome L i, i =,,2, für x =, x = 2 und x 2 = 3 nach der Formel
MehrKAPITEL 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
Mehr1 2 x x x x x x2 + 83
Polynominterpolation Aufgabe 1 Gegeben sei die Wertetabelle i 0 1 2 3 x i 0 1 2 4 f i 3 1 2 7 a) Bestimmen Sie das Interpolationspolynom von Lagrange durch die obigen Wertepaare. b) Interpolieren Sie die
MehrT n (1) = 1 T n (cos π n )= 1. deg T n q n 1.
KAPITEL 3. INTERPOLATION UND APPROXIMATION 47 Beweis: Wir nehmen an qx) für alle x [, ] und führen diese Annahme zu einem Widerspruch. Es gilt nach Folgerung ii) T n ) T n cos π n ). Wir betrachten die
MehrSpline-Interpolation
Spline-Interpolation Tim Schmölzer 20 November 2009 Tim Schmölzer Spline-Interpolation 20 November 2009 1 / 38 Übersicht 1 Vorbemerkungen 2 Lösbarkeit des Interpolationsproblems 3 Stabilität der Interpolation
MehrNumerisches Programmieren (IN0019)
Numerisches Programmieren (IN0019) Frank R. Schmidt Winter Semester 2016/2017 9. Symmetrisches Eigenwertproblem.................................................................................... 2 Eigenwert-Problem
MehrDie Interpolationsaufgabe besteht darin, eine (einfache) Funktion u n U n zu finden,
Kapitel 3 Interpolation 31 Einführung Bemerkung 31 Motivation, Aufgabenstellung Gegeben seien eine Funktion f C([a,b]) und x i [a,b], i = 0,n, mit a x 0 < x 1 < < x n b (31) Die Interpolationsaufgabe besteht
MehrNumerik 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
MehrNumerisches Programmieren (IN0019) 5. Interpolation. Interpolation. Polynome. Motivation. Funktionen-Vektorraum. Bildinterpolation (Beispiel)
Numersches Programmeren (IN9) Frank R Schmdt 5 Interpolaton Wnter Semester 26/27 Motvaton Bs jetzt snd wr mmer davon ausgegangen, dass ene Funkton f : R Ñ R bekannt st und dass wr ledglch de Berechnung
MehrNumerische Mathematik
Numerische Mathematik Oliver Ernst Professur Numerische Mathematik Sommersemester 2015 Inhalt I 1 Einführung und Begriffe 1.1 Mathematische Modellbildung und numerische Simulation am Beispiel eines Wasserkreislaufs
MehrGitterfreie Methoden. Florian Hewener. 29. Oktober 2013
Gitterfreie Methoden 1D 2D Florian Hewener 29. Oktober 2013 Gliederung 1 Interpolationsprobleme Problemstellung Haar-Räume 2 Mehrdimensionale Polynominterpolation 3 Splines Kubische Splines und natürliche
MehrÜbungen 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)
MehrInterpolation. 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,...,
MehrPolynominterpolation. 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.
Mehr5 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
MehrNUMERISCHE MATHEMATIK II 1. (Studiengang Mathematik) Prof. Dr. Hans Babovsky. Institut für Mathematik. Technische Universität Ilmenau WS 2001/2002
NUMERISCHE MATHEMATIK II 1 (Studiengang Mathematik) Prof Dr Hans Babovsky Institut für Mathematik Technische Universität Ilmenau WS 2001/2002 1 Korrekturen, Kommentare und Verbesserungsvorschläge bitte
MehrNachklausur 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:
MehrDie Interpolationsformel von Lagrange
Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten (x i,f i ), i =,...,n mit paarweise verschiedenen Stützstellen x i x j, für i j, gibt es genau ein Polynom π n P n
MehrKLAUSUR 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
MehrNumerisches 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:
MehrNumerisches Programmieren (IN0019)
Numerisches Programmieren (IN0019) Frank R. Schmidt Winter Semester 2016/2017 11. Gewöhnliche Differenzialgleichungen................................................................................. 2
MehrInhalt Kapitel IV: Interpolation
Inhalt Kapitel IV: Interpolation IV Interpolation IV. Polynom-Interpolation IV. Spline-Interpolation Kapitel IV (InhaltIV) Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten
MehrInterpolation 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
MehrThemen Lagrange-Interpolation Hermite-Interpolation. Splines. Bézier-Kurven. 5 Interpolation. Interpolation Die Lagrangesche Interpolationsaufgabe
5 Themen Lagrange- Bézier-Kurven saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad n. saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad
MehrNumerische 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
MehrMusterlösung Serie 21
D-MATH Lineare Algebra II FS 09 Prof. Richard Pink Musterlösung Serie Positiv-Definitheit und Singulärwertzerlegung. Welche der folgenden drei reellen symmetrischen Matrizen sind positiv definit? A : 6
MehrNumerische 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.
Mehr9. 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
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 06 / 07 Institut für Informatik Prof. Dr. Daniel Cremers Dr. Frank Schmidt Nikola Tchipev Michael Rippl Numerisches Programmieren, Übungen Musterlösung 5. Übungsblatt:
MehrKapitel 7. Interpolation und Approximation II. Inhalt: 7.1 Spline-Interpolation 7.2 Trigonometrische Interpolation 7.3 Tschebyscheff-Approximation
Kapitel 7. Interpolation und Approximation II Inhalt: 7.1 Spline-Interpolation 7.2 Trigonometrische Interpolation 7.3 Tschebyscheff-Approximation Numerische Mathematik I 275 Interpolation als lineares
Mehr0.1 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
MehrPolynominterpolation mit Matlab.
Polynominterpolation mit Matlab. Die Matlab-Funktion polyfit a = polyfit(x,f,n-1); berechnet die Koeffizienten a = (a(1),a(2),...,a(n)); des Interpolationspolynoms p(x) = a(1)*x^(n-1) + a(2)*x^(n-2) +...
Mehr3 Interpolation und Approximation
In dem ersten großen Kapitel beschäftigen wir uns mit der Frage, wie eine Reihe von Daten (z.b. aus physikalischen Messungen, experimentelle Beobachtungen, Börse, etc.) durch eine möglichst einfache Funktion
MehrApproximation 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
Mehr(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
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
MehrKlausur 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.
MehrKlausur,,Algorithmische Mathematik II
Institut für angewandte Mathematik Sommersemester 017 Andreas Eberle, Matthias Erbar / Behrend Heeren Klausur,,Algorithmische Mathematik II Musterlösung 1 (Unabhängige Zufallsvariablen) a) Wir bezeichnen
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
MehrNumerisches Programmieren (IN0019)
Numerisches Programmieren (IN0019) Frank R. Schmidt Winter Semester 2016/2017 7. Fourier Transformation........................................................................................... 2 C-Vektorräume
MehrPartialbruchzerlegung
Partialbruchzerlegung Eine rationale Funktion r mit n verschiedenen Polstellen z j der Ordnung m j, r = p q, lässt sich in der Form r(z) = f (z) + n j=1 q(z) = c(z z 1) m1 (z z n ) mn r j (z), r j (z)
MehrD-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)
MehrKapitel 4. Interpolation. 4.1 Allgemeines Normen von Funktionen
Kapitel 4 Interpolation 4 Allgemeines Nähere Funktion/Daten durch einfache Funktionen (eg Polynome) an Brauchbar für: - Integration - Differentiation [zb f(x) sei durch Polynom p(x) approximiert, F(x)
MehrMusterlösung Serie 20
D-MATH Lineare Algebra II FS 9 Prof. Richard Pink Musterlösung Serie Orthogonale Gruppe, Adjungierte Abbildung und Spektralsatz. Berechne eine Zerlegung A QR der Matrix A in eine orthogonale Matrix Q und
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
Mehr[5], [0] v 4 = + λ 3
Aufgabe 9. Basen von Untervektorräumen. Bestimmen Sie Basen von den folgenden Untervektorräumen U K des K :. K = R und U R = span,,,,,.. K = C und U C = span + i, 6, i. i i + 0. K = Z/7Z und U Z/7Z = span
MehrSpline-Räume - B-Spline-Basen
Spline-Räume - B-Spline-Basen René Janssens 4. November 2009 René Janssens () Spline-Räume - B-Spline-Basen 4. November 2009 1 / 56 Übersicht 1 Erster Abschnitt: Räume von Splinefunktionen Grundlegende
MehrVF-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
MehrInterpolation, 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
MehrPolynomiale Gleichungen
Vorlesung 5 Polynomiale Gleichungen Definition 5.0.3. Ein polynomiale Funktion p(x) in der Variablen x R ist eine endliche Summe von Potenzen von x, die Exponenten sind hierbei natürliche Zahlen. Wir haben
MehrNumerisches Programmieren (IN0019)
Numerisches Programmieren (IN0019) Frank R. Schmidt Winter Semester 2016/2017 10. Minimieren von Funktionen....................................................................................... 2 Gradienten-Abstieg
Mehr2 Polynome und rationale Funktionen
Gleichungen spielen auch in der Ingenieurmathematik eine große Rolle. Sie beschreiben zum Beispiel Bedingungen, unter denen Vorgänge ablaufen, Gleichgewichtszustände, Punktmengen. Gleichungen für eine
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.
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 214 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrÜbungsblatt 10 Musterlösung
Übungsblatt 0 Musterlösung Numerik gewöhnlicher Differentialgleichungen MA2304 - SS6 Aufgabe 45 Fehlerkonstante von MSV Betrachten Sie ein allgemeines lineares q Schrittverfahren α q j y i+ j = h β q j
MehrInterpolation 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
Mehrc) Realisierung des Gauß Algorithmus in Gleitpunktarithmetik: Fehlerschranke hängt linear ab von max i,k l ik. 8n 3 max i,j,k a (k) ij ε.
Matrix unverändert: A = QR cond 2 (R) = cond 2 (A). c) Realisierung des Gauß Algorithmus in Gleitpunktarithmetik: Fehlerschranke hängt linear ab von max i,k l ik. Spaltenpivotisierung: l ik 1 kleine Fehlerschranke
MehrMusterlösung 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
MehrDarstellung von Kurven und Flächen
Darstellung von Kurven und Flächen Technische Universität Dresden Fakultät Informatik Institut für Software- und Multimediatechnik Dozent: Dr. Mascolous Referent: Gliederung / Einleitung 1 / 25 1. Kurven
MehrUE Zahlentheorie. Markus Fulmek
UE Zahlentheorie (Modul: Elementare Algebra (EAL)) Markus Fulmek Sommersemester 2015 Aufgabe 1: Betrachte folgende Partition der Menge r9s t1, 2, 3, 4, 5, 6, 7, 8, 9u Ă N: r9s t1, 4, 7u 9Y t2, 5, 8u 9Y
Mehr8. Polynome. Mathias Schacht Mathematik I für Informatiker WiSe 2016/17 8. Polynome / 1
8. Polynome Mathias Schacht Mathematik I für Informatiker WiSe 2016/17 8. Polynome / 1 Polynome über Körpern Definition (Polynome) Sei K ein Körper und X ein Unbekannte/Variable. Ein Ausdruck der Form
MehrGMA. 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,?
MehrAlgorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Rekonstruktion kontinuierlicher Daten Interpolation multivariater Daten Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
MehrNumerisches Programmieren (IN0019) 11. Gewöhnliche Differenzialgleichungen. Differenzialgleichungen. Differenzialgleichungen (Physik)
umerisches Programmieren (I19) Frank R. Schmidt 11. Gewöhnliche Differenzialgleichungen Winter Semester 16/17 Differenzialgleichungen (Phsik) Differenzialgleichungen Phsikalische Prozesse lassen sich mit
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 5. April 2018 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr11. Darstellung von Kurven und Flächen
H.J. Oberle Approximation WS 23/4. Darstellung von Kurven und Flächen Bézier Kurven. Unser Ziel ist es, polynomiale Kurven auf dem Rechner möglichst effizient darzustellen. Hierzu nutzen wir die Basisdarstellung
MehrÜbungsblatt 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
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrNumerische Mathematik
Numerische Mathematik Oliver Ernst Professur Numerische Mathematik Sommersemester 2015 Inhalt I 1 Einführung und Begriffe 1.1 Mathematische Modellbildung und numerische Simulation am Beispiel eines Wasserkreislaufs
MehrInterpolation, numerische Integration, Eigenwerte
Neunte Vorlesung, 29. Mai 2008, Inhalt Interpolation, numerische Integration, Eigenwerte Polynomiale Interpolation (Lagrange, Newton, Neville) Splines und weitere Interpolationsverfahren numerische Integration
MehrTeil 2: Kurven und Flächen. Kurven und Flächen. Kurven. Parametrische Objekte. Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven
Parametrische Objekte Kurven und Flächen Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven Kurven Welche Form der Darstellung? Beispiel: 2D-Linie Explizit: y = k x + d x = (x, y) T Implzit:
MehrTeil 2: Kurven und Flächen
Parametrische Objekte Kurven und Flächen Kurven: 1D-Objekte Flächen: 2D-Objekte, basierend auf Kurven Kurven Welche Form der Darstellung? Beispiel: 2D-Linie Explizit: y = k x + d x = (x, y) T Implzit:
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 2. Juli 2018 1/1 Wir geben einige wesentliche Sätze über bestimmte Integrale an, deren Beweise man in den Standardlehrbüchern der Analysis findet.
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
Mehr3.6 Approximationstheorie
3.6 Approximationstheorie Bisher haben wir uns im Wesentlichen mit der Interpolation beschäftigt. Die Approximation ist weiter gefasst: wir suchen eine einfache Funktion p P (dabei ist der Funktionenraum
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrDefinition 131 Sei R ein (kommutativer) Ring. Ein Polynom über R in der Variablen x ist eine Funktion p der Form
3. Polynome 3.1 Definition und Grundlagen Definition 131 Sei R ein (kommutativer) Ring. Ein Polynom über R in der Variablen x ist eine Funktion p der Form p(x) = a n x n + a n 1 x n 1 + + a 1 x + a 0,
MehrPolynome im Einsatz: Bézier-Kurven im CAD
Polynome im Einsatz: Bézier-Kurven im CAD Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 25 Kurven im Raum Eine Kurve im
Mehrpiiq oder p 8, aq, p 8, as, pa, `8q, ra, `8q mit einer reellen Zahl a; piiiq oder p 8, `8q R. [6 Punkte] Achtung: Denken Sie auch an den Fall I!
Analysis I Wintersemester 2015/16 9. Übungsblatt, Lösungsbeispiele Jun. Prof. Dr. Christian Reiher, Pascal Gollin Alexander Block, Hendrik Niehaus, Jakob Kneip, Jakob Schnitzer Aufgabe 5 Es sei I Ď R eine
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2015/16 21. Januar 2016 Definition 8.1 Eine Menge R zusammen mit zwei binären Operationen
Mehr