Stefan Funken, Dirk Lebiedz, Karsten Urban. Numerik II. (Einführung in die Numerische Analysis)
|
|
- Agnes Bretz
- vor 8 Jahren
- Abrufe
Transkript
1 Stefan Funken, Dirk Lebiedz, Karsten Urban Numerik II (Einführung in die Numerische Analysis) SKRIPT, UNIVERSITÄT ULM, SOMMERSEMESTER 213
2
3 i Vorwort. Dieses Manuskript ist entstanden aus Mitschriften und Skripten verschiedener Vorlesungen, die wir seit 22 an der Universität Ulm gehalten haben. Es ist der Sinn des vorliegenden Dokumentes, den Studierenden unserer Vorlesungen einen einheitlichen Stoffumfang für die Vorlesung Numerik II zu geben, unabhänging davon, wer von uns tatsächlich die Vorlesung hält. In diesem Sinne bietet das vorliegende Manuskript einen Rahmen für die Nachbearbeitung der Vorlesungen und der Vorbereitung auf Prüfungen. Dieses Manuskript kann keinesfalls das Studium von Lehrbüchern ersetzen. Eine entsprechende Liste von Lehrbüchern findet sich im Literaturverzeichnis und auf der Internet Seite der Vorlesung. Jedes Manuskript weist Fehler auf, sicher auch dieses. Wenn Sie Fehler, Druckfehler, sprachliche Unzulänglichkeiten oder inhaltliche Flüchtigkeiten finden, würden wir uns über einen entsprechenden Hinweis per freuen. Sie helfen damit zukünftigen Studierenden. Vielen Dank im Voraus. Danksagung. Einige Vorgängerversionen dieses Manuskriptes wurden aus Mitteln der Studiengebühren finanziert. Eine Reihe von Personen haben bei der Erstellung geholfen. Wir danken Theresa und Julia Springer, Markus Bantle und Judith Rommel für zahlreiche Hinweise. Frau Kristin Kirchner und Herrn Moritz Reinhard sind wir für das sorgfältige Lesen des Manuskripts zu besonderem Dank verpflichtet. Ihre zahlreichen Kommentare, Vorschläge, Korrekturen und Hinweise haben die Qualität des Textes wesentlich verbessert. Ganz besonderer Dank gebührt auch Frau Petra Hildebrand, die unsere handschriftlichen Aufzeichnungen in L A TEX umgesetzt und zahlreiche Grafiken erstellt hat. Die hier vorliegende Version des Manuskripts wurde von Frau Katharina Becker-Steinberger grundlegend überarbeitet, vereinheitlicht und inhaltlich ergänzt, dafür danken wir ganz herzlich. Ihre umsichtigen Anmerkungen und Korrekturen haben wesentlich dazu beigetragen das aktuell Manuskript zu erstellen. Copyright. Alle Rechte, insbesondere das Recht auf Vervielfältigung und Verbreitung sowie der Übersetzung, vorbehalten. Kein Teil des Werkes darf in irgendeiner Form ohne schriftliche Genehmigung des Autors reproduziert oder unter Verwendung elektronischer Systeme oder auf anderen Wegen verarbeitet, vervielfältigt oder verbreitet werden. Stand. Ulm, Juni 213. Stefan Funken, Dirk Lebiedz, Karsten Urban
4 ii
5 Inhaltsverzeichnis 1 Nichtlineare Gleichungen Problemstellung und Beispiele Notation Grundlegende Begriffe: Konvergenzgeschwindigkeit Skalare Nichtlineare Gleichungen Bisektionsmethode Regula-Falsi Die Sekantenmethode Fixpunkt-Iteration Das Verfahren von Newton Effizienz Nullstellen von Polynomen Globale Konvergenz des Newton Verfahrens Berechnung weiterer Nullstellen und Mackey Trick Nichtlineare Gleichungssysteme Fixpunkt Iteration Newton Verfahren für Systeme Schnelle lokale Konvergenz des Newton Verfahrens Hinweise zur Durchführbarkeit des Newton-Verfahrens und Varianten des Verfahrens Beispiele: Das Newton-Verfahren für Optimierungsprobleme Das Broyden-Verfahren Gauß-Newton Verfahren für nichtlineare Ausgleichsprobleme 39 2 Interpolation Das allgemeine Interpolationsproblem Polynominterpolation Lagrange-Interpolation Lagrange-Darstellung Monomiale Basis Darstellung Hermite-Interpolation Auswertung von Polynomen Schema von Aitken und Neville Newton-Darstellung und dividierte Differenzen Interpolationsgüte Interpolationsfehler Tschebyscheff -Interpolation Rationale Interpolation Padé-Approximation 62
6 iv INHALTSVERZEICHNIS 3 Numerische Integration und orthogonale Polynome Quadraturformeln Einfache Beispiele Konstruktion und Definition von Quadraturformeln Exaktheitsgrad und Quadraturfehler Konvergenz einer Quadraturformel Klassische interpolatorische Quadraturformeln Newton-Cotes-Formeln Zusammengesetzte Newton-Cotes-Formeln Extrapolation und Romberg-Integration Idee der Extrapolation Beispiele für Knotenfolgen Romberg-Folge Bulirsch-Folge Gauß-Quadratur Orthogonale Polynome Tschebyscheff -Polynome Legendre-Polynome Jacobi-Polynome Konstruktion von Gauß-Quadraturen Berechnung der Knoten und Gewichte Schwierigkeiten bei der Quadratur Unstetige Integranden Singuläre Integrale Numerische Quadratur von stark oszillierenden Integranden 11 4 Splines Kubische Spline-Interpolation Berechnung kubischer Splines Berücksichtigung natürlicher und vollständiger Randbedingungen Berücksichtigung periodischer Randbedingungen Punktauswertung kubischer Splines Sequentielle Suche Binäre Suche Suche mit korrelierten Daten Bézier-Technik Parametrisierte Kurven und Flächen Bernstein-Polynome Bézierkurven Der de Casteljau-Algorithmus Bézierflächen Grundlegende Algorithmen 139
7 INHALTSVERZEICHNIS v 4.4 B-Splines Rekursive Definition der B-Splines-Basisfunktionen Effiziente Auswertung der B-Spline-Basisfunktionen Berechnung der B-Splines Ableitung der B-Splines Rationale B-Splines 16 A Lineare Differenzengleichung 163 A.1 Inhomogene lineare Differenzengleichungen 166 Literaturverzeichnis 168 Stichwortverzeichnis 17
8
9 1 NICHTLINEARE GLEICHUNGEN Nachdem wir uns in der Vorlesung Numerik I mit dem Lösen linearer Gleichungssysteme beschäftigt haben, wenden wir uns nun nichtlinearen Gleichungen (in einer oder mehreren Variablen) zu. Diese Gleichungen treten häufig als Teilaufgabe bei der Behandlung komplexerer Probleme auf. g pos f pos g neg g pos g = f pos g = f pos Nullstellen g = g pos g neg Abb. 1.1: Lösung von zwei Gleichungen in zwei Unbekannten. Die durchgezogenen Linien sind Niveaulinien zu f(x,y) =, die gestrichelten Linien zu g(x,y) =. Die gesuchten Lösungen sind die Schnittpunkte der völlig unabhängigen Nulllinien. Die Anzahl der Nullstellen ist im Allgemeinen a-priori nicht bekannt. 1.1 PROBLEMSTELLUNG UND BEISPIELE In der Numerik 1 haben wir lineare Gleichungssysteme Ax = b, A R n n,b R n betrachtet, d.h. in diesem Fall hatten wir ein lineare Funktion A : R n R n. Ist nun allgemein ein System von n nichtlinearen Gleichungen in n Unbekannten gegeben, d.h. mit einer stetigen, nichtlinearen Funktion F : R n R n, so können wir das gegebene Problem F(x) = b in eine Nullstellenaufgabe transformieren, so dass Lösungen x R n der Gleichung F(x) := F(x) b = (1.1) zu bestimmen sind. Noch allgemeiner: F : Ω W mit Mengen Ω,W R n. Wir beschränken uns aber in dieser Vorlesung auf den Fall W = R n. Für n = 1 spricht man von einer skalaren Gleichung, für n > 1 von einem System. Zur Motivation stellen wir zunächst mehrere Modellbeispiele, bei denen nichtlineare Gleichungen auftreten, vor.
10 2 Kapitel 1: Nichtlineare Gleichungen Beispiel (Erste einfache Beispiele) Wir beginnen mit einigen einfachen Beispielen, die aber bereits einen Eindruck von der Vielfalt nichtlinearer Gleichungssysteme vermitteln. (a) Löse f(x) = für f(x) = x 2 2px + q mit p,q R. Bekanntermaßen gibt es zwei Lösungen x 1,2 = p ± p 2 q. Falls p 2 q < gibt es keine reelle Lösung. An diesem ganz einfachen Beispiel sieht man bereits, dass Existenz und Eindeutigkeit im nichtlinearen Fall nicht trivial sind. (b) Es müssen aber nicht immer Zahlen (oder Vektoren) die gesuchten Lösungen sein. Als Beispiel betrachte man nichtlineare Differentialgleichungen, z.b. die Transportgleichung ( Burgers Gleichung ): d d u(t,x) + u(t,x) dt dx u(t,x) =, (kurz: u t + uu x = ) wobei u(t, x) die Geschwindigkeit eines Teilchens zur Zeit t am Ort x ist. Die Unbekannte ist also eine Funktion, man sucht in einem unendlich-dimensionalen Raum (den Raum aller in t und x stetig differenzierbareb Funktionen). Anwendungen sind z.b. Simulationen des Straßenverkehrs oder Informationsausbreitung im Internet. (c) Numerische Transformation von Wahrscheinlichkeits Verteilungsfunktionen und die Berechnung von Quantilen. Aus der Wahrscheinlichkeitsrechnung kennen Sie Tabellen von Quantilen z.b. der Standardnormalverteilung. Diese können nicht exakt berechnet werden, sondern ergeben sich als Lösung eines nichtlinearen Problems. (d) Fast alle realen Phänomene sind nichtlinear werden oft zur Vereinfachung linearisiert. Wie man schon an obigem Beispiel sieht, hat man hier keine handlichen Kriterien für Existenz und Eindeutigkeit. Dies hat natürlich auch Konsequenzen für die numerischen Lösungsverfahren. Im Folgenden zeigen wir weitere Beispiele. Beispiel (Zinssatz bei einem Kredit) Wie hoch darf der Zinssatz sein, wenn man einen Kredit über 1. Euro in 1 Jahren abzahlen möchte und man höchstens 25 Euro monatlich aufbringen kann? Oder allgemeiner eine Kreditsumme K in n Jahren mit monatlichen Raten R getilgt haben möchte? Der Einfachheit halber rechnen wir den jährlichen Zinssatz p in einen monatlichen Zinssatz m um, d.h. verzinst man monatlich mit einem Prozentsatz m oder jährlich mit p, so erhält man am Ende des Jahres jeweils das Gleiche. Die Beziehung zwischen p und m ist also (1 + m) 12 = 1 + p. Für den Restbetrag K i des Kredits nach i N Monaten gilt: K i = K i 1 (1 + m) R, K i+1 = K i (1 + m) R = [K i 1 (1 + m) R] (1 + m) R, = K i 1 (1 + m) 2 R [(1 + m) + 1],. K n = K (1 + m) n R [ (1 + m) n (1 + m) + 1 ], = K (1 + m) n R [(1 + m) n 1] /m, = (K R/m)(1 + m) n + R/m. Zu gegebener Kreditsumme K, monatlichem Zinssatz m und Tilgungsdauer (n Monate) berechnet sich die Rate R, um den Kredit vollständig zu tilgen, indem wir K n = setzen, d.h. R = K m (1 + m) n /[(1 + m) n 1].
11 Abschnitt 1.1: Problemstellung und Beispiele 3 Auch die Tilgungsdauer lässt sich analytisch darstellen n = log (R/(R m K )) log(1 + m) (Wie ist hier das Ergebnis zu interpretieren, falls n nicht ganzzahlig ist?) Wie gewinnt man jedoch m zu gegebenen K >, n N, K > R > K /n aus der Gleichung (m K R)(1 + m) n + R =? Es ist offensichtlich, dass < m < 1 gilt und f(m) := (m K R)(1 + m) n + R nur eine Nullstelle in (, 1) hat. Aber wie kann man diese einfach, schnell und numerisch stabil bestimmen? f(m) 5 f(m) m m Abb. 1.2: Der Graph von f(m) := (m K R)(1 + m) n + R (links, y-achse linear skaliert, x [,.2]) bzw. f(m) (rechts, logarithmisch-skaliert, x [,.1]) für K = 1, R = 25 und n = 48. Die Funktion f hat eine Nullstelle bei und bei.8. Beispiel (Nullstellen von Orthogonalpolynomen) Sei P n der Vektorraum der Polynome vom Grad kleiner gleich n. Die Legendre-Polynome P n P n (n =,1,2,...) erfüllen die Drei-Term-Rekursion P (x) = 1, P 1 (x) = x, (n + 1)P n+1 (x) = (2n + 1)xP n (x) np n 1 (x), n N. Die ersten Legendre-Polynome lauten P = 1, P 3 = 1 2 (5x3 3x), P 1 = x, P 4 = 1 8 (35x4 3x 2 + 3), P 2 = 1 2 (3x2 1), P 5 = 1 8 (63x5 7x x). Die Nullstellen der Legendre-Polynome liegen in ( 1,1) und die Nullstellen von P n trennen die Nullstellen von P n+1 (n N). Mit Hilfe dieser Eigenschaft lassen sich sukzessive Intervalle finden, in denen Nullstellen liegen, z.b. hat P 1 die Nullstelle ξ (1) 1 = und somit liegen die Nullstellen ξ (2) 1, ξ(2) 2 von P 2 in ( 1,) und (,1), die Nullstellen ξ (3) 1, ξ(3) 2, ξ(3) 3 von P 3 in ( 1,ξ (2) 1 ), (ξ (2) 1,ξ(2) 2 ) und (ξ(2) 2,1). Diese Eigenschaft der Legendre-Polynome gilt auch für weitere Orthogonalpolynome (siehe Satz?? in Kapitel 3). Die Berechnung der Nullstellen ist u.a. wichtig im Zusammenhang mit Gauß-Quadraturformeln.
12 4 Kapitel 1: Nichtlineare Gleichungen Beispiel (Extremalstellen von skalaren Funktionen) Die mehrdimensionale Erweiterung der Rosenbrock 1 -Funktion f : R n R mit n 1 [ f(x) = (1 xi ) 2 + 1(x i+1 x 2 i )2], x R n i=1 hat für n 4 mindestens ein lokales Minimum in der Umgebung von (x 1,x 2,...,x n ) T = ( 1,1,...,1) T neben dem globalen Minimum (x 1,...,x n ) T = (1,...,1) T. Diese Extremalstellen erfüllen notwendigerweise die Gleichung f =. Wie kann man nun für n 4 ein solches lokales Minimum bestimmen? Dies bedeutet, ein x R n \ {(1,...,1) T } ist zu bestimmen mit g(x) = (g 1 (x),...,g n (x)) T =, g 1 (x) := f = 2(1 x 1 ) 4x 1 (x 2 x 2 1 x ), 1 g i (x) := f = 2(1 x i ) 4x i (x i+1 x 2 i x ) + 2(x i x 2 i 1 ), i i = 2,...,n 1, g n (x) := f = 2(x n x 2 x n 1). n Notation Sei X der zugrunde liegende Banach-Raum. Außerdem bezeichnen wir mit eine beliebige Norm auf X. Wir betrachten hier die Fälle X = R X = R n. versehen mit der Betrags-Norm und Vektoren x R n werden hier grundsätzlich als Spaltenvektoren verstanden. Mit x T bezeichnen wir den durch Transposition entstehenden Zeilenvektor. Wenn nicht explizit anders erwähnt, verwenden wir auf X = R n die Euklidische Norm 2 mit: x 2 = ( n 1/2 x T x = xi) 2, x R n. Weitere nützliche p-normen sind hier die Betragssummennorm und die Maxiumsnorm i=1 x 1 := n x i i=1 x = max 1 i n x i. Sei ǫ > und x R n, dann bezeichnen wir die offene ǫ-umgebung um x mit K ǫ (x ): K ǫ (x ) := {x R n : x x < ǫ}. Ist die skalarwertige Funktion f : R n R stetig differenzierbar, dann wird f x 1 (x) 1 Rosenbrock, Howard Harry (192-21) f(x) =. f x n (x) R n
13 Abschnitt 1.1: Problemstellung und Beispiele 5 der Gradient von f im Punkt x genannt. Ist f zweimal stetig differenzierbar, dann nennt man 2 f x 1 x 1 (x)... 2 f x 1 x n (x) 2 f(x) = die Hesse-Matrix von f im Punkt x.. 2 f x n x 1 (x) f x n x n (x) Rn n Ist F : R n R n stetig differenzierbar, dann ist J F (x) = F 1 (x) T. F n (x) T die Jacobi-Matrix von F im Punkt x. = F 1 x 1 (x).... F n x 1 (x)... F 1 x n (x). F n x n (x) R n n Grundlegende Begriffe: Konvergenzgeschwindigkeit Wir betrachten stets eine Folge als ein iteratives Verfahren zur Approximation einer Unbekannten x, z.b. der Lösung von F(x) =. Also möchten wir natürlich, dass x (k) x, k möglichst schnell konvergiert. Oder, anders ausgedrückt, bei vorgegebenen ǫ > (einer Toleranz) möchten wir möglichst wenige Schritte unternehmen, also x (k) x ǫ mit einem möglichst kleinen n = n(ǫ) N. Dies führt auf den Begriff der Konvergenzordnung, die ein Maß für die Konvergenzgeschwindigkeit ist. Definition (Konvergenzgeschwindigkeit) Sei (x (k) ) k N eine konvergente Folge mit x (k) R n und Grenzwert x R n. 1. Man bezeichnet (x (k) ) k N als (mindestens) linear konvergent (oder Q-linear konvergent), wenn es ein < ρ < 1 gibt mit x (k+1) x ρ x (k) x, k =,1,.... Die Zahl ρ wird Konvergenzfaktor (oder auch Kontraktionsrate) genannt. 2. Gibt es eine gegen Null konvergente Folge (ρ k ) k N mit x (k+1) x ρ k x (k) x, k =,1,..., so heißt (x (k) ) k N (mindestens) superlinear konvergent (oder Q-superlinear konvergent). 3. Gibt es ein ρ > und ein 1 < q R mit x (k+1) x ρ x (k) x q, k =,1,..., so heißt (x k ) k N konvergent mit (mindestens) Konvergenzordnung q. Für q = 2 spricht man auch von (mindestens) quadratischer Konvergenz (oder Q-quadratischer Konvergenz).
14 6 Kapitel 1: Nichtlineare Gleichungen 4. Man nennt (x k ) k N R-linear konvergent mit Rate < γ < 1 gegen x, falls es eine Folge (α k ) k N (, ) gibt, die Q-linear mit Rate γ gegen konvergiert, so dass gilt: x (k) x α k für k. 5. Die Folge (x k ) k N heißt R-superlinear konvergent mit Rate < γ < 1 gegen x, falls es eine Folge (α k ) k N (, ) gibt, die Q-superlinear mit Rate γ gegen konvergiert, so dass gilt: x (k) x α k für k. 6. Die Folge (x k ) k N heißt R-quadratisch konvergent gegen x, falls es eine Nullfolge (α k ) k N (, ) gibt, die Q-quadratisch gegen konvergiert, so dass gilt: x (k) x α k für k. Bemerkung (Charakterisierung der Q-Konvergenz via Landau scher-symbolik) Mit der o- und O-Notation kann man die Definitionen auch wie folgt schreiben: Eine Folge (x (k) ) k N mit x (k) x heißt (mindestens) Q-superlinear konvergent, falls x (k+1) x = o( x (k) x ), für k, die Folge heißt (mindestens) Q-quadratisch konvergent, falls x (k+1) x = O( x (k) x 2 ), für k. Bemerkung (Charakterisierung der Q-Konvergenz über Brüche) Eine Folge (x (k) ) k N mit x (k) x wird auch als Q-superlinear konvergent bezeichnet, falls gilt und als Q-quadratisch konvergent, falls x (k+1) x lim k x (k) x = lim sup k x (k+1) x x (k) x <. Diese Charakterisierungen sind allerdings nur möglich, wenn x (k) x für alle k N gilt. Motiviert durch diese Beschreibung definiert man Definition (Q-und R-Faktor) 1. Q-Konvergenz: (a) Für eine Folge (x (k) ) k N mit x (k) x und p [1, ) wird x lim sup (k+1) x k, falls x (k) x für alle k N, Q q (x (k) x (k) x q ) :=, falls x (k) = x für alle k k, +, sonst. der Quotienten-Konvergenzfaktor (Q-Faktor) von (x (k) ) k N genannt. (b) Die Größe O Q (x (k) ) := inf{p [1,+ ) Q p (x (k) ) = } heißt Q-Konvergenzordnung der Folge (x (k) ) k N.
15 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 7 2. R-Konvergenz: (a) Für eine Folge (x (k) ) k N mit x (k) x und p [1, ) wird { R p (x (k) lim sup ) := k x (k) x 1/k, falls p = 1, lim sup k x (k) x 1/pk, falls p > 1, der Wurzel-Konvergenzfaktor (R-Faktor, engl. root-factor) von (x (k) ) k N genannt. (b) Die Größe R p (x (k) ) := inf{p [1,+ ) R p (x (k) ) = 1} heißt R-Konvergenzordnung der Folge (x (k) ) k N. Bemerkung Die Definition Q-Konvergenz basiert somit auf dem Quotientenkriterium für Reihen, während die R-Konvergenz auf dem Wurzelkriterium für Reihen basiert. Offenbar impliziert Q-Konvergenz die entsprechende R-Konvergenz. Bemerkung Für p = 1 und p = 2 gilt Q 1 (x (k) ) = Q-superlineare Konvergenz < Q 1 (x (k) ) < 1 Q-lineare Konvergenz < Q 2 (x (k) ) < + Q-quadratische Konvergenz 1.2 SKALARE NICHTLINEARE GLEICHUNGEN Betrachten wir zunächst die Situation in einer Raumdimension. Mit anderen Worten, in diesem Abschnitt beschäftigen wir uns zunächst mit Verfahren zur Lösung einer skalaren nichlinearer Gleichung f(x) =. wobei I := [a,b] R und f : I R eine stetige Funktion Bisektionsmethode Die Bisektionsmethode ist ein sehr einfaches robustes Verfahren, das jedoch nur für skalare Gleichungen geeignet ist. Herleitung des Algorithmus: Diese Methode, motiviert durch Überlegungen aus der reellen eindimensionalen Analysis (siehe Intervallschachtelung), löst (1.1) dadurch, dass sie die Lösung durch systematisch kleiner werdende Intervalle einschließt. Man geht von der Annahme aus, es sei ein Intervall I := [a,b] bekannt mit f(a) f(b) <. Da wir f stetig vorrausgesetzt haben können wir den Zwischenwertsatz anwenden. Mit anderen Worten, die Annahme f(a) f(b) < liefert die Existenz eine Nullstelle x (a,b), d.h. die Existenz eines x im Inneren von I mit f(x ) =. Zunächst wird in den Mittelpunkt m = 1 2 (a + b) des Intervalls I der Funktionswert f(m) bestimmt. Ist f(m) entscheidet nun das Vorzeichen, in welchem der Teilintervalle [a, m],[m, b] die gesuchte Lösung x liegt. Nun passt man die Intervallgrenzen entsprechend an, so dass x im neuen halbierten Intervall liegt und beginnt von vorne.
16 8 Kapitel 1: Nichtlineare Gleichungen Etwas mathematischer: Wir bezeichnen die Grenzen des Ausgangsintervalls I mit a := a und b := b wählen als Startwert den Mittelwert x () := 1 2 (a + b ). Führen einen Vorzeichentest durch, um zu prüfen, auf welcher Seite des Mittelpunkts die Nullstelle liegt. Falls f(x () )f(a ) < ist wählen wir das linke Teilintervall als neues Intervall und setzen a 1 := a,b 1 := x (), ansonsten, wählen wir das rechte Teilintervall und setzen a 1 := x (),b 1 := b. Von dem neuen Teilintervall bestimmen wir unsere nächste Iterierte wiederum als Mittelpunkt x (1) = 1 2 (a 1 + b 1 ). Wir erhalten damit folgenden Algorithmus: Algorithmus (Bisektionsmethode) Seien I := [a, b] mit f(a)f(b) <, ǫ > gegeben und setze a := a,b := b. Für k =,1,2... : 1) Berechne x (k) = 1 2 (a k + b k ) und f(x (k) ). 2) Falls f(x (k) ) ǫ, STOPP. 3) Falls f(x (k) )f(a k ) <, setze a k+1 := a k, b k+1 := x (k), sonst a k+1 := x (k), b k+1 := b k. Bemerkung (Abbruchbedingungen) Sei ǫ > eine gegebene Toleranz. Man könnte an die folgenden zwei Abbruchbedingungen für das Bisektionsverfahren denken: Einerseits das in Algorithmus Schritt 2 verwendete Abbruchkriterium, bei dem gefordert wird, dass der Funktionswert in der aktuellen Näherung betragsmäßig sehr klein wird: f(x (k) ) ǫ. Und andererseits, das im nachfolgenden Matlab-Programm verwendete Abbruchkriterium, bei dem der Algorithmus abbricht, wenn das Intervall sehr klein wird: a k b k ǫ. MATLAB-Funktion: BisektionsMethode.m 1 function Nullstelle = BisektionsMethode(a,b,func,epsilon) 2 % Initialisierung 3 temp=[] 4 fa = func(a); fb = func(b); 5 while abs(a-b) > epsilon 6 m = (a+b)/2; 7 fm = func(m); 8 if fm == 9 Nullstelle = m; 1 return 11 elseif fa*fm < 12 b = m; 13 fb = fm; 14 else 15 a = m; 16 fa = fm;
17 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 9 17 end 18 temp = [temp;m]; 19 end 2 % Lösung 21 Nullstelle = m; Testen wir nun die Bisektionsmethode anhand von Bsp Wie hoch darf der Zinssatz sein, wenn man einen Kredit über 1. Euro in 48 Monaten zurückzahlen möchte, aber nur 25 Euro monatlich aufbringen kann? MATLAB-Beispiel: >> n = 48; >> K = 1; >> R = 25; >> f (m*k-r)*(1+m)ˆn+r; >> m = Bisektionsmethode(eps,1,f,1e-7) m = >> p = 1 * ((1+m)ˆ12-1) p = Nach der Umrechnung in den jährlichen Zinssatz sehen wir, dass wir uns den Kredit nur erlauben könnten, wenn der Zinssatz niedriger als 9.65% ist. Offenbar wird die Intervalllänge in jeder Iteration halbiert. Die Methode konvergiert somit. Gleichzeitig erhalten wir eine a-priori Fehlerabschätzung. Dies halten wir in der folgenden Bemerkung fest. Bemerkung (Konvergenz des Bisektionsverfahrens) Betrachten wir den Mittelpunkt x (k) des Intervalls nach der k-ten Intervallhalbierung als Näherung an x, so gilt die a-priori Fehlerabschätzung x (k) x b a 2 k, k =,1,2,.... Da die Fehlerschranke wie eine geometrische Folge abnimmt, liest man manchmal, dass die Konvergenzordnung 1 sei (also lineare Konvergenz vorliege). Nach Definition ist das Bisektionsverfahren nicht Q-linear konvergent, da auf der rechten Seite der Abschätzung nicht x (k 1) x steht, man also keine monotone Reduktion des Fehlers hat. Es gibt Beispiele, bei denen der Fehler springt, vgl. [QSS1, 6.2]. Allerdings ist das Bisektionsverfahren R-linear konvergent, denn die Folge der Beträge der absoluten Fehler e (k) := x (k) x, d.h. (β k ) k N, mit β k := e (k), wird durch die linear konvergente Folge (α k ) k N, mit α k := b a/2 k majorisiert Regula-Falsi 1 Herleitung des Algorithmus: Wiederum gehen wir davon aus, dass ein Intervall I := [a, b] mit f(a) f(b) < bekannt sei. Anstatt nun I durch Hinzufügen eines Mittelpunkts in zwei Intervalle zu zerlegen, wählen wir eine zusätzliche Stelle ξ, die Nullstelle der Geraden durch (a, f(a)) und (b,f(b)), d.h. b a af(b) bf(a) ξ = a f(a) = f(b) f(a) f(b) f(a). (1.2) Mit den beiden Intervallen [a, ξ], [ξ, b] verfahren wir nun analog zur Methode der Intervallhalbierung. D.h. durch einen Vorzeichentest prüfen wir wieder, in welchem der beiden Teilintervalle 1 lat.: Regel des falschen Ansatzes
18 1 Kapitel 1: Nichtlineare Gleichungen die Nullstelle liegt, und nehmen das entsprechende Intervall als neues Intervall. Als Algorithmus y y = f(x) a = x (1) x (2) b= x () x ergibt sich somit: Abb. 1.3: Die geometrische Interpretation der Regula-Falsi-Methode. Algorithmus (Regula-Falsi) Seien I := [a, b] mit f(a)f(b) <, ǫ > gegeben und setze a := a,b := b. Für k =,1,2... : 1) Berechne x (k) = a kf(b k ) b k f(a k ) f(b k ) f(a k ) und f(x (k) ). 2) Falls f(x (k) ) ǫ, STOPP. 3) Falls f(a k )f(x (k) ) <, setze sonst a k+1 := a k, b k+1 := x (k), a k+1 := x (k), b k+1 := b k. Satz (Konvergenzordnung Regula-Falsi-Methode) Es sei x einzige Nullstelle von f in I := [a,b], f C 3 (I) und f (x ) f (x ). Dann beträgt die Konvergenzordnung der Regula-Falsi-Methode p = 1. Beweis. Es bezeichne (x (k) ) k N die sich aus aus obigem Algorithmus ergebende Folge von Mittelpunkten, d.h. x(k) (a k,b k ) (k N). Es seien ε a k := a k x, ε b k := b k x. Aus (1.2) und der Voraussetzung f(x ) = folgt ε k := x (k) x = (a k x )f(b k ) (b k x )f(a k ) f(b k ) f(a k ) = εa k f(x + ε b k ) εb k f(x + ε a k ) f(x + ε b k ) f(x + ε a k ).
19 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 11 Da f C 3 (I) nach Voraussetzung gilt, liefert die Taylor 2 -Entwicklung: ε k = εa k {εb k f (x ) (εb k )2 f (x ) +...} ε b k {εa k f (x ) (εa k )2 f (x ) +...} {ε b k f (x ) (εb k )2 f (x ) +...} {ε a k f (x ) (εa k )2 f (x ) +...} = = 1 2 εa k εb k (εb k εa k )f (x ) +... (ε b k εa k ){f (x ) (εb k + εa k )f (x ) +...} 1 2 εa k εb k f (x ) +... f (x ) +... Nach der Herleitung des Algorithmus gilt a k < x < b k. Demzufolge besitzen ε a k und εb k entgegengesetztes Vorzeichen und es gilt weiter ε b k εa k >. Für hinreichend kleine εa k und εb k folgt damit ε k f (x ) 2f (x ) εa k εb k. (1.3) Mit f (x ) gilt aber weiterhin, dass f in einer hinreichend kleinen Umgebung von x konvex oder konkav ist, und folglich bleibt ein Intervallende fest und wird im Verfahren nur umbenannt. Deshalb ist ε k nur direkt proportional zu einem der beiden vorhergehenden ε a k oder εb k. Die asymptotische Fehlerkonstante C ist für eine konkave Funktion gegeben durch C = f (x ) 2f (x ) εa k, εa k = εa k 1 =... = εa 1 = x 1 x, und damit konvergiert die Folge (x (k) ) k N linear. Analoges gilt für konvexe Funktionen mit ε b k anstatt ε a k. MATLAB-Funktion: RegulaFalsi.m 1 function Nullstelle = RegulaFalsi(a,b,func,epsilon) 2 fa = func(a); fb = func(b); % Initialisierung 3 m = (a*fb-b*fa)/(fb-fa); fm = func(m); 4 while abs(fm) > epsilon 5 if fa*fm < 6 b = m; 7 fb = fm; 8 else 9 a = m; 1 fa = fm; 11 end 12 m = (a*fb-b*fa)/(fb-fa); 13 fm = func(m); 14 end 15 Nullstelle = m; % Lösung 2 Taylor, Brook ( )
20 12 Kapitel 1: Nichtlineare Gleichungen Testen wir nun das Regula-Falsi- Verfahren anhand Bsp mit K = 1, n = 48 und R = 25. MATLAB-Beispiel: >> n = 48; >> K = 1; >> R = 25; >> f (m*k-r)*(1+m)ˆn+r; >> m = RegulaFalsi(1e-5,.1,f,1e-7) m = Bei einem genaueren Vergleich mit dem Bisektionsverfahren stellt man bei diesem Beispiel eine langsamere Konvergenz des Regula-Falsi-Verfahrens fest. Bemerkung (Abbruchbedingung für Verfahren 1. Ordnung) Wir hatten bereits über denkbare Abbruchbedingungen im Rahmen des Bisektionsverfahrens nachgedacht. Allgemeiner formuliert könnte man zu einer gewünschter Zielgenauigkeit ǫ > einerseits an die Bedingung x (k) x ǫ und andererseit an die bereits angesprochene Bedingung f(x (k) ) ǫ denken. Allerdings enthällt erster Abbruchbedingung die unbekannte Nullstelle x. Für Verfahren 1. Ordnung gilt mit der Dreichecksungleichung: ( ) 1 x (k) x (k+1) x (k) x x (k+1) x C 1 x (k+1) x also x (k+1) x C 1 C x(k) x (k+1). Auf der rechten Seite dieser Ungleichung kommt x nicht mehr vor! Oftmals verwendet man daher für Verfahren 1. Ordnung auch als Abbruchbedingung Die Sekantenmethode x (k) x (k+1) x (k) Als Modifikation des Regula-Falsi-Verfahrens verzichtet man bei der Sekantenmethode darauf, die Lösung durch zwei Näherungswerte einzuschließen. Herleitung des Algorithmus: Zu zwei vorgegebenen Näherungswerten x () und x (1), welche die Lösung nicht notwendigerweise einzuschließen brauchen, bestimmt man x (2) als Nullstelle der Sekante β = f(x(1) ) f(x () ) x (1) x () zu (x (),f(x () )) und (x (1),f(x (1) )). Ungeachtet der Vorzeichen bestimmt man aus x (1),x (2) eine nächste Näherung x (3). ǫ Die Iterationsvorschrift der Sekantenmethode ergibt sich damit zu x (k+1) = x (k) f(x (k) x (k) x (k 1) ) f(x (k) ) f(x (k 1), k = 1,2,.... (1.4) ) Als Algorithmus ergibt sich somit:
21 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 13 Algorithmus (Sekantenverfahren) Wähle x (),x (1) R, ǫ. Für k = 1,2... : 1) Berechne x (k+1) = x (k) f(x (k) x (k) x (k 1) ) f(x (k) ) f(x (k 1) ). 2) Falls f(x (k+1) ) ǫ, STOPP. y y = f(x) x (2) x (3) x (1) x () x Abb. 1.4: Die geometrische Interpretation der Sekantenmethode. Bemerkung Man beachte, dass das Sekantenverfahren im Gegensatz zu den vorangegangen Verfahren ein zweistufiges Verfahren ist. Satz (Konvergenzordnung Sekantenverfahren) Falls f (x ) f (x ) gilt, ist die Konvergenzordnung der Sekantenmethode p = 1 2 (1 + 5). Beweis. Wir betrachten die Sekantenmethode als Modifikation des Regula-Falsi-Verfahrens. Für hinreichend kleine Fehler ε k 1 und ε k bleibt (1.3) für die Sekantenmethode gültig, bzw. geht über in ε k+1 f (x ) 2f (x ) ε kε k 1. (1.5) Es besteht jedoch der Unterschied, dass bei Erhöhung von k sich beide Werte ε k 1 und ε k ändern. Mit der Konstanten C := f (x )/(2f (x )) gilt für hinreichend großes k ε k+1 C ε k ε k 1. Nach unserer Definition der Konvergenzordnung versuchen wir nun diese Differenzengleichung mit dem Ansatz ε k = ρ ε k 1 p, ρ >, p 1 zu lösen. Einsetzen ergibt ( ε k+1 =) ρ ε k p = ρ ρ p ε k 1 p2! = C ρ ε k 1 p+1 (= C ε k ε k 1 ). Diese letzte Gleichung kann aber für alle (hinreichend großen) k nur dann gelten, falls ρ p = C und p 2 = p + 1
22 14 Kapitel 1: Nichtlineare Gleichungen erfüllt sind. Die positive Lösung p = 1 2 (1 + 5) der quadratischen Gleichung ist deshalb die Konvergenzordnung der Sekantenmethode. Die asymptotische Fehlerkonstante ist ρ = C 1/p = C.618. MATLAB-Funktion: SekantenMethode.m 1 function x1 = SekantenMethode(x,x1,func,epsilon) 2 % Initialisierung 3 fx = func(x); fx1 = func(x1); 4 while abs(fx1) > epsilon && abs(fx-fx1) > epsilon 5 tmp = x1; 6 x1 = x1 - fx1 *(x1-x)/(fx1-fx); 7 x = tmp; 8 fx = fx1; 9 fx1 = func(x1); 1 end MATLAB-Beispiel: Testen wir nun abschließend die Sekantenmethode an Bsp mit >> K = 1; >> n = 48; K = 1, n = 48 und R = 25. >> R = 25; >> f (m*k-r)*(1+m)ˆn+r; >> m = SekantenMethode(1e-2,.1,f,1e-7) m = Im Vergleich zu den oben gemachten Tests ist hier das Startintervall kleiner zu wählen Fixpunkt-Iteration Idee: Wie schon bei klassischen Iterationsverfahren zur Lösung linearer Gleichungssysteme besteht die einfache Idee darin, das Nullstellen Problem f(x) =, in ein Fixpunkt Problem umzuschreiben. Wir werden schnell sehen, dass diese Idee auch für Systeme von nichtlinearen Gleichungen verwendet werden kann. Die Fixpunkt Funktion lautet dann φ(x) := x f(x). Offensichtlich gilt f(x ) = genau dann, wenn x = φ(x ), also wenn x Fixpunkt von φ ist. Nun sind auch andere Definitionen für φ denkbar, so dass wir eine ganze Klasse von Verfahren erhalten. Die Konvergenz von Fixpunkt Iterationen wird durch den Banach schen 3 Fixpunktsatz geklärt. Wir formulieren und beweisen diesen hier in einem etwas allgemeineren Rahmen als er aus der Analysis bekannt sein dürfte. Insbesondere kann der Satz in dieser Formulierung auch im nächsten Abschnitt über nichtlineare Gleichungssysteme angewandt werden. 3 Banach, Stefan ( )
23 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 15 Satz (Banach scher Fixpunktsatz) X sei ein linear normierter Raum mit Norm, E X sei eine vollständige Teilmenge von X. Die Abbildung Φ : X X erfülle folgende Bedingungen: (i) Selbstabbildung: Φ(E) E, also Φ : E E. (ii) Kontraktion: Es gelte Φ(x) Φ(y) L x y einer Konstanten L < 1. x,y E (Lipschitz 4 Stetigkeit) mit Dann gilt: (a) Es existiert genau ein Fixpunkt x von Φ in E. (b) Die Iteration x (k+1) := Φ(x (k) ), k =,1,2,... (1.6) konvergiert für jedes x () E gegen den Fixpunkt x. (c) A-priori-Fehlerabschätzung: x (k) x (d) A-posteriori-Fehlerabschätzung: x (k) x Lk 1 L x(1) x (). (1.7) L 1 L x(k) x (k 1). (1.8) Beweis. 1) Zeige, dass (x (k) ) k N eine Cauchy Folge ist: Mit einer Teleskopsumme und der Dreiecks Ungleichung gilt x (k+m) x (k) = x (k+m) x (k+m 1) + x (k+m 1) +... x (k+1) + x (k+1) x (k) x (k+m) x (k+m 1) x (k+1) x (k) sowie aufgrund der Kontraktivität: x (k+1) x (k) = Φ(x (k) ) Φ(x (k 1) ) L x (k) x (k 1)... L k x (1) x (), (1.9) also wegen L < 1 und der (endlichen) geometrischen Reihe x (k+m) x (k) (L k+m L k ) x (1) x () = L k 1 Lm 1 L x(1) x () L k 1 L x(1) x () k. Also ist (x (k) ) k N eine Cauchy Folge. Da E vollständig ist, existiert ein Grenzwert x, d.h. 4 Lipschitz, Rudolf ( ) x (k) x k.
24 16 Kapitel 1: Nichtlineare Gleichungen 2) Zeige, dass x ein Fixpunkt ist: Mit der Dreiecks Ungleichung und der Iterationsvorschrift gilt x Φ(x ) = x x (k) + x (k) Φ(x ) x x (k) + Φ(x (k 1) ) Φ(x ) x x (k) +L x (k 1) x k, } {{ } } {{ } k k also x = Φ(x ), da k N beliebig war. 3) Eindeutigkeit: Seien x und x zwei Fixpunkte, d.h. Dann gilt für x x x = Φ(x ) und x = Φ(x ). Φ(x ) Φ(x ) L x x = L Φ(x ) Φ(x ) < Φ(x ) Φ(x ), da L < 1. Dies ist ein Widerspruch zu x x, also folgt x = x. 4) Fehlerabschätzung: Für jedes m > gilt wie in 1) x (k) x x (k) x (k+1) + x (k+1) x (k+2) x (k+m) x = Φ(x (k 1) ) Φ(x (k) ) + Φ(x (k) ) Φ(x (k+1) ) Φ(x (k+m 1) ) Φ(x ) (L + L L m ) x (k 1) x (k) + L x (k+m 1) x ( ) 1 L m = L x (k 1) x (k) + x (k+m 1) x } 1 {{ L } {{ } } m m 1 1 L also (d) und mit (1.9) folgt dann (c). Bemerkung Für X = R, (Betrag) und E = [a,b] oder E = R erhält man den Satz für skalare Gleichungen. In diesem Fall bezeichnen wir die Fixpunkt-Funktion mit φ. 2. Man beachte, dass der Satz insbesondere auch für unendlich-dimensionale Räume, wie z.b. Funktionenräume gilt. Es stellt sich nun die Frage, wie man die Vorraussetzungen des Banach schen Fixpunktsatzes nachprüfen bzw. nachrechnen kann. Die nachfolgende Folgerung aus dem Banach schen Fixpunktsatz beantwortet dies. Folgerung Sei φ C 1 (R) mit φ : [a,b] [a,b] mit max x [a,b] φ (x) =: L < 1, (1.1) dann besitzt φ genau einen Fixpunkt und Satz gilt für.
25 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 17 Beweis. Mit dem Mittelwertsatz gilt also ist φ eine Kontraktion. φ(x) φ(y) = φ (ξ)(x y) x y max ξ (a,b) φ (ξ) = L x y, Für Fixpunkt-Iterationen kann man ein einfach zu handhabendes Kriterium herleiten, um die Konvergenzordnung zu bestimmen. Lemma (Konvergenzordnungskriterium für die Fixpunkt-Iteration) Sei φ : R R (p + 1)-mal stetig differenzierbar in einer Umgebung von x = φ(x ) und es gelte φ (j) (x ) =, j = 1,...,p 1, φ (p) (x ), dann konvergiert x (k+1) := φ(x (k) ) lokal genau von der Ordnung p. Bemerkung (Lokale Konvergenz) Lokal heißt wiederum für alle Startwerte x () R, die nahe genug bei x liegen! Zur Illustration des Begriffs lokal betrachten wir als Übung das Beispiel f(x) = arctan(x) = und löse dies mit dem lokalen Newton-Verfahren, welches im nächsten Abschnitt behandelt wird. Beweis. Für p = 1 folgt die Behauptung aus Satz (Banach scher Fixpunktsatz). Sei also p > 1: Wir entwickeln φ(x) um x und erhalten mit einem ξ k (x (k),x ) x (k+1) = φ(x (k) ) = φ(x ) } {{ } =x + p (x (k) x ) j j=1 also mit der Dreiecksungleichung somit folgt die Behauptung. j! φ (j) (x ) } {{ } =, j=1,...,p 1 + (x(k) x ) p+1 φ (p+1) (ξ k ) (p + 1)! x (k+1) x x (k) x p 1 p! φ(p) (x ) + x(k) x φ (p+1) (ξ k ), (p + 1)! } {{ } k Beispiel (Einfluss der Formulierung der Fixpunkt-Funktion) Die Eigenschaften von φ (vor allem die Größe der Konstanten L) beeinflussen die Iteration maßgebich. Daher ist u.u. eine Umformung sinnvoll: f(x) := 2x tan x, φ 1 (x) := 1 2 tan x, φ 2 (x) := arctan(2x). Beachte: φ 1 ist weder Selbstabbildung auf I = [, π 2 ] noch Kontraktion! Man untersuche dies für φ 2.
26 18 Kapitel 1: Nichtlineare Gleichungen f x* x 2 x 1 x x Abb. 1.5: Die geometrische Interpretation des Newton-Verfahrens Das Verfahren von Newton Einerseits, da man das Sekantenverfahren aus dem vorangegangenen Unterabschitt aber auch als Vereinfachung des nun folgenden Newton 5 -Verfahren für skalare Funktionen betrachten kann, greifen wir hier schon mal vor und betrachten der Vollständigkeit halber zum Abschluss dieses Abschnitts über skalare nichtlineare Gleichungen noch das Newton-Verfahren im Eindimensionalen. Im nächsten Anschnitt wird dieses Verfahren, welches sich auch sehr gut zur Lösung nichtlinearer Gleichungssysteme eignet genauer behandelt. Andererseits werden wir sehen, dass die Methode von Newton zur Klasse der Fixpunkt-Iterationen gehört. Herleitung des Algorithmus: Ist die gegebene Funktion f(x) der zu lösenden Gleichung f(x) = stetig differenzierbar, so wird im Verfahren von Newton die Funktion f(x) im Näherungswert x (k) linearisiert und der iterierte Wert x (k+1) als Nullstelle der Tangente in x (k) definiert (vgl. Abbildung 1.5). Mit anderen Worten, kann man das Newton-Verfahren für skalare Gleichungen geometrisch motivieren: der Schnittpunkt der Tangente mit der x-achse ist die neue Näherung x (k+1). Aus der Tangentengleichung ergibt sich die Iterationsvorschrift Somit erhalten wir den Algorithmus T(x) = f(x (k) ) + (x x (k) )f (x (k) ) Algorithmus (Newton-Verfahren) Wähle x () R, ǫ. Für k =,1,2... : 1) Falls f(x (k) ) ǫ, STOPP. x (k+1) = x (k) f(x(k) ) f (x (k) ). (1.11) 2) Berechne x (k+1) = x (k) f(x(k) ) f (x (k) ). (1.12) 5 Newton, Isaac ( )
27 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 19 Im nun folgenden Satz verwenden wir, dass die Methode von Newton zur Klasse der Fixpunkt- Iterationen mit der Funktion φ(x) := x f(x) f (x) mit φ(x ) = x. (1.13) gehört, um die lokale quadratische Konvergenz des Newton-Verfahrens zu zeigen. Satz (Lokale Konvergenz des Newton-Verfahrens für skalare Probleme) Es sei I := [a,b] ein echtes Intervall mit a < x < b und f C 3 (I) mit f (x ), d.h. x ist eine einfache Nullstelle von f(x). Dann existiert ein Intervall I δ = [x δ,x + δ] mit δ >, für welches die Fixpunkt-Funktion φ : I δ I δ definiert gemäß (1.13) eine Kontraktion darstellt. Ferner ist für jeden Startwert x () I δ die Konvergenz der Folge (x k ) k N des Newton-Verfahrens mindestens von quadratischer Ordnung. Beweis. Für die erste Ableitung von φ erhalten wir φ (x) = 1 f (x) 2 f(x)f (x) f (x) 2 = f(x)f (x) f (x) 2. Da f(x ) =, f (x ) und f C 2 (I) vorausgesetzt sind, gilt auch φ (x ) =. Aus Stetigkeitsgründen existiert dann ein δ > derart, dass φ (x) < 1 für alle x [x δ,x + δ] =: I δ gilt. Somit ist φ eine Kontraktion in I δ. Weiterhin sind für I δ die Voraussetzungen des Banach schen Fixpunktsatzes erfüllt und damit ist die Konvergenz von (x k ) k N gezeigt. Zum Beweis der Konvergenzordnung definieren wir e (k+1) := x (k+1) x. Eine Taylor- Entwicklung von φ um x und φ (x ) = liefert e (k+1) = x (k+1) x = φ(x (k) ) φ(x ) = φ(x + e (k) ) φ(x ) = φ(x ) + e (k) φ (x ) + (e(k) ) 2 φ (x + θ k e (k) ) φ(x ) mit θ k (,1) 2 = 1 2 (e(k) ) 2 φ (x + θ k e (k) ). Damit gilt also Da aber auch x (k+1) x x (k) x sup φ (x + θ k e (k) ) =: M k. <θ k <1 φ (x) = f (x) 2 f (x) + f(x)f (x)f (3) (x) 2f(x)f (x) 2 f (x) 3 gilt und f C 3 (I) vorausgesetzt wurde, existiert ein C R mit M k C, für k =,1,2,... und somit ist das Newton-Verfahren quadratisch konvergent.
28 2 Kapitel 1: Nichtlineare Gleichungen MATLAB-Funktion: NewtonSimple.m 1 function [x,nit] = NewtonSimple(x,f,Df,tol,maxit,param) 2 nit = ; 3 fx = f(x,param); 4 while norm(fx) > tol && nit <= maxit 5 nit = nit+1; 6 x = x-df(x,param)\fx; 7 fx = f(x,param); 8 end 9 nit Beispiel Vergleichen wir nun die Bisektionsmethode, das Sekantenverfahren und das Newton-Verfahren angewandt auf das Problem aus Bsp mit K = 1, n = 48 und R = 25 sowie Anfangsbedingungen a = eps, b = 1 für die Bisektionsmethode, x () = 1/2, x (1) = 1 für das Sekantenverfahren und x () =.1 für das Newton-Verfahren, so erhalten wir die in Abb dargestellte Konvergenz Fehler Sekanten Bisektion Newton Anzahl Iterationen Abb. 1.6: Konvergenz von Bisektions-, Sekanten- und Newton-Verfahren angewandt auf f(m) = (m K R) (1 + m) n + R aus Bsp mit K = 1, n = 48 und R = Effizienz Was nutzt eine hohe Konvergenzordnung, wenn man diese mit vielen Operationen erkauft? Ein solches Verfahren wäre ineffizient. Die teuersten Operationen sind i.d.r. bei der Auswertung der Funktion f versteckt. Dies könnte ja z.b. die Lösung einer partiellen Differentialgleichung bedeuten. Daher verwendet man die Anzahl der Funktionsauswertungen als Synonym für den Aufwand bzw. die Anzahl der Operationen. Definition (Effizenzindex) Sei m die Anzahl von Funktionsauswertungen pro Iterationsschritt. Damit definiert man den Effizienzindex ind := p 1 m, (1.14)
29 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 21 wobei p die Konvergenzordnung des Verfahrens angibt. Beispiel Wir fassen p und m für die oben vorgestellten Verfahren zusammen. Verfahren p m ind Fixpunkt-Iteration Newton Sekanten (> 2)! Regula Falsi Unter der Annahme, dass die Auswertung von f in etwa so aufwendig ist wie die von f. Bemerkung Bislang haben wir neben der Stetigkeit von f außer entsprechenden Differenzierbarkeit bei Newton keine Eigenschaften von f vorausgesetzt. Für speziellere Funktionen kann man durch Ausnutzung der zusätzlichen Informationen effizientere Verfahren konstruieren. Eine Klasse spezieller Funktionen sind Polynome Nullstellen von Polynomen Auf den ersten Blick könnte man meinen, dass die Nullstellenbestimmung von Polynomen eine eher akademische Fragestellung wäre. Dem ist nicht so. Es gibt ganz konkrete Anwendungen z.b. bei der Bestimmung von Eigenwerten als Nullstelle des charakterisitschen Polynoms oder in der Computergraphik z.b. bei der Darstellung von Flächen und Bestimmung von Durchstosspunkten. Es stellt sich heraus, dass man für Polynome Varianten des Newton-Verfahrens konstruieren kann, die global konvergieren Globale Konvergenz des Newton Verfahrens Für Polynome kann man unter bestimmten Voraussetzungen die globale Konvergenz des Newton- Verfahrens für Polynome beweisen. Grundlage ist der folgende Satz. Satz Falls für P P n, p(x ) =, P(x) >, P (x) >, P (x) x > x, (1.15) gilt, dann liefert das Newton-Verfahren für alle Startwerte x () > x eine monoton fallende Folge, die gegen x konvergiert. Beweis. Der Beweis ist klar, wenn man z.b. die folgende Zeichnung betrachtet.
30 22 Kapitel 1: Nichtlineare Gleichungen Bemerkung Aus Satz bekommt man Schranken für x mit Hilfe der Koeffizienten von P. Folgerung Sei P P n und x sei die betragsgrößte Nullstelle, a n = 1. Dann gilt: Das Newton Verfahren konvergiert für alle x () mit x () > x und sgn (x () ) = sgn (x ). Definition (Begleitmatrix) Sei P(x) := n a j x j P n, a n = 1, dann heißt die Matrix Begleitmatrix von p. Bemerkung Es gilt j= A := R n n (1.16) 1 a a n 2 a n 1 P A (λ) = det(λi A) = P(λ) = P A T (λ), also ist p das charakteristische Polynom von A. Insbesondere sind also die Eigenwerte von A die Nullstellen von P. Dies können wir nun benutzen, um die gesuchten Schranken herzuleiten. Sei eine Norm auf dem R n und die induzierte Matrix Norm, also Ax A = sup x = x. Für einen Eigenwert λ von A zum Eigenvektor x gilt auf Grund der Submultiplikativität von λ x = λ x = Ax A x, d.h. wegen ist die Matrix-Norm eine obere Schranke. λ A (1.17) Beispiel (a) Für die Zeilensummennorm gilt also n 1 λ max 1, a j. (1.18) j= (b) Für die Spaltensummennorm 1 gilt analog λ max{ a,1 + a 1,...,1 + a n 1 }. (1.19) Diese Abschätzung kann man weiter verbessern, denn Eigenwerte sind invariant unter Ähnlichkeits Transformationen: DAD 1. Wähle dazu speziell a 1... D := an 1, 1
31 Abschnitt 1.2: Skalare Nichtlineare Gleichungen 23 also DAD 1 = a 1 /a an 2 /a n a n 1 a /a a n 2 /a n 1 a n 1. (1.2) Mit 1 (Spaltensummennorm) erhält man also { } λ a max,2 a 1,...,2 a n 2,2 a n 1 a 1 a 2 a n 1 (1.21) und mit (Zeilensummennorm) λ a + a a n 2 + a n 1. (1.22) a 1 a 2 a n Berechnung weiterer Nullstellen und Mackey Trick Mit dem obigen Verfahren kann man die betragsgrößte Nullstelle berechnen. Was macht man, wenn man z.b. alle Nullstellen benötigt? Sei t 1 die betragsgrößte Nullstelle von P, dann gilt P(x) = (x t 1 )P 1 (x) mit P 1 P n 1, da P entsprechend faktorisiert werden kann. Man könnte nun P 1 berechnen, die betragsgrößte Nullstelle von P 1 bestimmen und dieses Vorgehen iterieren. Dies führt allerdings auf erhebliche Probleme: Rundungsfehler verstärken sich durch die Faktorisierung enorm. Man kann dann die Approximationen (t 1,...,t n ) als Starwerte für eine neue Iteration ( Nachiteration ) verwenden, der Aufwand ist aber groß. Man muss die Abspaltung explizit berechnen (die Polynomdivision führt zu einem hohen Aufwand). Es gibt aber einen einfachen, aber sehr wirksamen Ausweg, den Mackey Trick: Seien t 1,...,t r die r betragsgrößten Nullstellen von P, dann gilt: 1 r P r (x) = P(x) (x t j ) für x t j. Für das Newton-Verfahren brauchen wir P r (x). Hierfür gilt mit der Kettenregel: j=1 r P r (x) = P (x) (x t j ) = j=1 1 + P(x) r j=1 1 r (x t j ) P (x) P(x) j=1 Also gilt für x t j für den benötigten Quotienten: P r (x) P r (x) = ( 1) (x t j ) 2 j=1 r (x t i ) 1 i=1 i j r 1 x t j, x t j. P(x) P (x) P(x) r, (1.23) (x t j ) 1 j=1
32 24 Kapitel 1: Nichtlineare Gleichungen d.h., die Newton Korrektur x (k+1) = x (k) P r(x (k) ) P r (x(k) ) kann leicht berechnet werden, ohne P r oder P r explizit zu berechnen! Allerdings: Das Auslöschungs Problem hat man immer noch. Ein Ausweg sind sogenannte Sturm sche Ketten (Übung). 1.3 NICHTLINEARE GLEICHUNGSSYSTEME In diesem Abschnitt beschäftigen wir uns mit dem Lösen nichtlinearer Gleichungssysteme F(x) =, wobei Ω R n und F : Ω R n eine stetige Funktion ist Fixpunkt Iteration Analog zum eindimensionalen Fall wandeln wir das Nullstellen-Problem F(x) = in ein Fixpunkt-Problem mit Fixpunkt-Funktion um. Φ(x) := x F(x) Folgerung Sei Ω R n abgeschlossen und konvex, Φ : Ω R n stetig differenzierbar mit Φ : Ω Ω. Falls für eine beliebige Vektornorm auf R n und die zugehörige Matrixnorm max J Φ(x) = L < 1 (1.24) x Ω gilt (J Φ ist die Jacobi Matrix von Φ), dann gelten die Aussagen von Satz Bemerkung (Erzielen einer gewünschte Genauigkeit via a priori Fehlerabschätzung) Der Banach sche Fixpunktsatz sagt auch aus, wie viele Iterationen man machen muss, um eine gewünschte Genauigkeit zu erzielen. Ziel: x (k) x ε mit einer Toleranz ε >. Wegen der a priori Fehlerabschätzung (c) ist dies erfüllt, falls L k 1 L x(1) x () ε, also wegen L < 1 und damit k log ( L k x(1) x (), ε(1 L) ) / x (1) x () log(l 1 ). (1.25) ε(1 L)
33 Abschnitt 1.3: Nichtlineare Gleichungssysteme 25 Beispiel Betrachte das System 6x = cos x + 2y, 8y = xy 2 + siny (1.26) auf Ω = [,1] [,1]. Gesucht sind also x,y [,1] mit (1.26). Definiere also die Fixpunkt- Funktion Φ : R 2 R 2 durch ( 1 Φ(x,y) := 6 cos x y ) 1 8 xy sin y. Für diese Funktion untersuchen wir die Voraussetzungen des Banach schen Fixpunktsatzes. Selbstabbildung: Wegen cos x 1, sin x 1 x,y [,1] (1 < π 2 ) gilt also 1 6 cos x y = 1 2 < xy siny = 1 4 < 1 Also gilt Φ : Ω Ω, Φ ist also eine Selbstabbildung. Kontraktion: Wähle (die induzierte Matrixnorm ist die Zeilensummennorm). Wegen ( 1 J Φ (x,y) = 6 sin x ) y2 1 4 xy cos y gilt { 1 J Φ = max 6 sin x + 1, 1 } {{ 3} 8 y xy + 1 } 8 cos y 1 =: L. } {{ } Somit erfüllt die Fixpunkt-Funktion die Vorraussetzungen des Banach schen Fixpunktsatzes und wir können diesen anwenden. Wähle z.b. (x,y ) = (,). Angenommen, wir wollten die Lösung bis auf einen Fehler von ε =.1 bestimmen: (x 1,y 1 ) = Φ(x,y ) = ( 1 6,) ( ) 1 (x 2,y 2 ) = Φ(x 1,y 1 ) = Φ = ( 1 6 cos ( 1 6 6, ).=,) (.164,). Mit der Abschätzung (1.25) gilt mit ε =.1, L = 1 2 und (x 1,y 1 ) (x,y ) = 1 6 ( 1 ) 6 log 1 log 3. n log /log(2) = = 1,74, log 2 2 } {{ } = 2 6 =1 3 also reichen obige zwei Schritte aus, um die gewünschte Genauigkeit zu erzielen Newton Verfahren für Systeme Wir wollen nun analog zum eindimensionalen Fall das Nullstellen-Problem für Funktionen F(x) = F : R n R n,n > 1, F C 2 (R n ) (1.27)
34 26 Kapitel 1: Nichtlineare Gleichungen mit dem Newton Verfahren lösen. Man beachte, dass die erste Ableitung der vektorwertigen Abbildung F hier eine Matrix ist. Die Jacobi Matrix oder Funktionalmatrix ist gegeben durch J F (x) := ( ) n Fi (x) = x j i,j=1 Also macht ein Ausdruck der Form keinen Sinn! F 1 x 1 (x).... F n x 1 (x)... F(x) J F (x) F 1 x n (x). F n x n (x) R n n. Herleitung des Algorithmus: Die Iterierte x (k) sei bereits berechnet. Die Idee ist es, F(x) durch Taylor-Entwicklung am Entwicklungspunkt x (k) linear zu approximieren. Mit dem Satz von Taylor gilt F(x) = F(x (k) ) + J F (x (k) )(x x (k) ) + O( x x (k) 2 2 ). Wie in Abschnitt bestimmt man in der k-ten Iteration also anstelle der Nullstelle von F die Nullstelle x (k+1) des Taylorpolynoms ersten Grades T(x) = F(x (k) ) + J F (x (k) )(x x (k) ). Falls die Matrix J F in x (k) regulär (invertierbar) ist, folgt T(x (k+1) ) = x (k+1) = x (k) (J F (x (k) )) 1 F(x (k) ). Formal müssten wir also die inverse Matrix (J F (x k )) 1 berechnen, was natürlich numerisch völlig unbrauchbar ist. Man kann dies aber leicht umgehen. Wir müssen in der k-ten Iteration ein lineares (n n)-gleichungssystem der Form J F (x (k) )x (k+1) = J F (x (k) )x (k) F(x (k) ) mit Koeffizientenmatrix J F (x (k) ) lösen. Da dies aufwendiger ist als eine einfache Fixpunkt- Iteration, reduziert man den Aufwand um eine Matrix-Vektor-Multiplikation durch eine Newton- Korrektur-Iteration Somit erhalten wir den Algorithmus: J F (x (k) )s (k) = F(x (k) ), x (k+1) = x (k) + s (k). Algorithmus (Newton Iteration) Sei x () R n ein geeigneter Starwert. Für k =,1,2,...: 1) Bestimme einen Newton-Schritt s (k) R n durch 2) Newton Korrektur: x (k+1) = x (k) + s (k) J F (x (k) )s (k) = F(x (k) ) (1.28) Bemerkung In 1.) hat man also ein lineares Gleichungssystem zu lösen! Wir haben somit die numerische Lösung eines nichtlinearen Gleichungssystems auf die numerische Lösung einer Folge von linearen Gleichungssystemen übertragen. Je nach Größe von n macht man dies iterativ oder mittels LR/QR-Zerlegung (vgl. Numerik 1).
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrDie reellen Lösungen der kubischen Gleichung
Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
Mehra n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n
Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrUniversität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW
Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrMathematik I für Wirtschaftswissenschaftler
1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrDas Mathematik-Abitur im Saarland
Informationen zum Abitur Das Mathematik-Abitur im Saarland Sie können Mathematik im Abitur entweder als grundlegenden Kurs (G-Kurs) oder als erhöhten Kurs (E-Kurs) wählen. Die Bearbeitungszeit für die
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
Mehr8. Quadratische Reste. Reziprozitätsgesetz
O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHISCHE UIVERSITÄT MÜCHE Zentrum Mathematik PRF. R.R. JÜRGE RICHTER-GEBERT, VAESSA KRUMMECK, MICHAEL PRÄHFER Höhere Mathematik für Informatiker I (Wintersemester 003/004) Aufgabenblatt 1 (4. ktober 003)
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
MehrLösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.)
Lösungsmethoden gewöhnlicher Dierentialgleichungen Dgl) Allgemeine und partikuläre Lösung einer gewöhnlichen Dierentialgleichung Eine Dierentialgleichung ist eine Gleichung! Zum Unterschied von den gewöhnlichen
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrFrohe Weihnachten und ein gutes neues Jahr!
Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]
Mehr( ) als den Punkt mit der gleichen x-koordinate wie A und der
ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
MehrÜ b u n g s b l a t t 11
Mathe für Physiker I Wintersemester 0/04 Walter Oevel 8. 1. 004 Ü b u n g s b l a t t 11 Abgabe von Aufgaben am 15.1.004 in der Übung. Aufgabe 91*: (Differentialgleichungen, Separation. 10 Bonuspunkte
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrLineare Differentialgleichungen erster Ordnung erkennen
Lineare Differentialgleichungen erster Ordnung In diesem Kapitel... Erkennen, wie Differentialgleichungen erster Ordnung aussehen en für Differentialgleichungen erster Ordnung und ohne -Terme finden Die
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
Mehr1 Konvexe Funktionen. 1.1 Definition. 1.2 Bedingung 1.Ordnung. Konvexität und Operationen, die die Konvexität bewahren Seite 1
Konvexität und Operationen, die die Konvexität bewahren Seite 1 1 Konvexe Funktionen 1.1 Definition Eine Funktion f heißt konvex, wenn domf eine konvexe Menge ist und x,y domf und 0 θ 1: f(θx + (1 θ)y)
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
Mehr!(0) + o 1("). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen.
Bifurkationen an geschlossenen Orbits 5.4 167 der Schnittabbldung konstruiert. Die Periode T (") der zugehörigen periodischen Lösungen ergibt sich aus =! + o 1 (") beziehungsweise Es ist also t 0 = T (")
MehrKlausur Mathematik 2
Mathematik für Ökonomen WS 2014/15 Campus Duisburg PD Dr. V. Krätschmer, Fakultät für Mathematik Klausur Mathematik 2 17.02.2015, 12:30-14:30 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
Mehr6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum
6 ALLGEMEINE THEORIE DES ELEKTROMAGNETISCHEN FELDES IM VAKUUM 25 Vorlesung 060503 6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum 6.1 Grundaufgabe der Elektrodynamik Gegeben: Ladungsdichte
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrNichtlineare Gleichungssysteme
Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrSkript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!
Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright
MehrBetragsgleichungen und die Methode der Fallunterscheidungen
mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at
MehrMathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
MehrZ = 60! 29!31! 1,1 1017.
Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der
MehrLösung. Prüfungsteil 1: Aufgabe 1
Zentrale Prüfung 01 Lösung Diese Lösung wurde erstellt von Cornelia Sanzenbacher. Sie ist keine offizielle Lösung des Ministeriums für Schule und Weiterbildung des Landes. Prüfungsteil 1: Aufgabe 1 a)
MehrVorlesung Analysis I / Lehramt
Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch
Mehr14 Schmiegeparabel und Freunde, Taylor-Reihe
14 Schmiegeparabel und Freunde, Taylor-Reihe Jörn Loviscach Versionsstand: 20. März 2012, 16:01 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.j3l7h.de/videos.html
Mehr