Begleitmaterial zur Vorlesung Numerik I
|
|
|
- Karin Schmitz
- vor 7 Jahren
- Abrufe
Transkript
1 Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 55
2 Studienplanung Bachelor Angewandte Mathematik, Version A Numerik I (2/1) 3. Sem. Numerik II (2/1) 4. Sem. 3 Numerik von Dgln (4/2) Vertiefungsseminar (2) 5. Sem. Berufspraktische Studien Februar/März Bachelorarbeit 6. Sem. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 2 / 55
3 Studienplanung Bachelor Angewandte Mathematik, Version B Numerik I (2/1) 3. Sem. Numerik II (2/1) 4. Sem. 3 Berufspraktische Studien August/September Numerik von Dgln (4/2) Vertiefungsseminar (2) 5. Sem. Bachelorarbeit 6. Sem. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 3 / 55
4 Inhalte der Numerik I und Numerik II Partial Differential Equations Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
5 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
6 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
7 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
8 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Interpolation Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
9 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
10 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Linear Equations Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
11 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
12 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Direct Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
13 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Direct Methods Iterative Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
14 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Newton-Type Schemes Direct Methods Iterative Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
15 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Newton-Type Schemes Direct Methods Iterative Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
16 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Newton-Type Schemes Direct Methods Iterative Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
17 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Newton-Type Schemes Direct Methods Iterative Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
18 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Newton-Type Schemes Direct Methods Iterative Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
19 Inhalte der Numerik I und Numerik II Partial Differential Equations Ordinary Differential Equations Numerical Methods for ODEs Runge-Kutta Methods Numerical Integration Large Systems of Algebraic Equations Interpolation Systems of Nonlinear Equations Systems of Linear Equations Newton-Type Schemes Direct Methods Iterative Methods Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 55
20 Inhalte der Numerik I und Numerik II Numerik I 1 Grundlagen der linearen Algebra 2 Lineare Gleichungssysteme 3 Interpolation Numerik II 1 Numerische Integration 2 Nichtlineare Gleichungen 3 Lineare Ausgleichsprobleme 4 Eigenwertprobleme Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 5 / 55
21 Inhalte der Numerik I und Numerik II Numerik I 1 Grundlagen der linearen Algebra 2 Lineare Gleichungssysteme 3 Interpolation Numerik II 1 Numerische Integration 2 Nichtlineare Gleichungen 3 Lineare Ausgleichsprobleme 4 Eigenwertprobleme Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 5 / 55
22 Grundlagen der linearen Algebra Definition 1.2: Sei X ein komplexer beziehungsweise reeller linearer Raum. Eine Abbildung. : X R mit den Eigenschaften (N1) x 0 (Positivität) (N2) x = 0 x = 0 (Definitheit) (N3) α x = α x x X, α C (bzw. R) (Homogenität) (N4) x + y x + y x, y X (Dreiecksungleichung) nennt man eine Norm auf X. Ein linearer Raum X mit einer Norm heißt normierter Raum und wird mit (X,. ) bezeichnet. Falls X = C n beziehungsweise X = R n gilt, so wird die Norm auch als Vektornorm bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 6 / 55
23 Grundlagen der linearen Algebra Definition 1.4: Eine Folge {x n } n N von Elementen aus einem normierten Raum X heißt konvergent mit dem Grenzelement x X, wenn zu jedem ε > 0 eine natürliche Zahl N = N(ε) existiert, so dass x n x < ε n N gilt. Eine Folge, die nicht konvergiert, heißt divergent. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 7 / 55
24 Grundlagen der linearen Algebra Definition 1.6: Zwei Normen. a und. b auf einem linearen Raum X heißen äquivalent, wenn es reelle Zahlen α, β > 0 gibt, so dass α x b x a β x b x X (1.1.1) gilt. Die größte derartige Zahl α und die kleinste derartige Zahl β werden als Äquivalenzkonstanten bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 8 / 55
25 Grundlagen der linearen Algebra Bemerkung 1.9: Der Satz 1.8 ist für die Konvergenzuntersuchungen bei Iterationsverfahren sehr hilfreich. Sind wir in der Lage zu zeigen, dass ein Iterationsverfahren eine Vektorfolge {x m } m N aus dem R n oder dem C n erzeugt, die in einer beliebigen Norm konvergiert, dann besagt der Satz, dass die Folge und somit das Verfahren in jeder Norm konvergiert und Korollar 1.7 liefert anschließend die Übereinstimmung der Grenzwerte. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 9 / 55
26 Grundlagen der linearen Algebra Definition 1.10 Sei X ein normierter Raum. Eine Folge {x n } n N aus X heißt Cauchy-Folge, wenn es zu jedem ε > 0 ein N = N(ε) N derart gibt, dass x n x m < ε n, m N gilt. Definition 1.12 Eine Teilmenge V eines normierten Raumes X heißt vollständig, wenn jede Cauchy-Folge aus V gegen ein Grenzelement aus V konvergiert. Ein vollständiger normierter Raum heißt Banach-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 10 / 55
27 Grundlagen der linearen Algebra Definition 1.10 Sei X ein normierter Raum. Eine Folge {x n } n N aus X heißt Cauchy-Folge, wenn es zu jedem ε > 0 ein N = N(ε) N derart gibt, dass x n x m < ε n, m N gilt. Definition 1.12 Eine Teilmenge V eines normierten Raumes X heißt vollständig, wenn jede Cauchy-Folge aus V gegen ein Grenzelement aus V konvergiert. Ein vollständiger normierter Raum heißt Banach-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 10 / 55
28 Grundlagen der linearen Algebra Definition 1.14 Sei X ein komplexer oder reeller linearer Raum. Eine Abbildung (.,.) : X X C mit den Eigenschaften (H1) (x, x) R + 0 x X (Positivität) (H2) (x, x) = 0 x = 0 (Definitheit) (H3) (x, y) = (y, x) x, y X (Symmetrie) (H4) (αx + βy, z) = α(x, z) + β(y, z) x, y, z X α, β C (Linearität) heißt Skalarprodukt oder inneres Produkt auf X. Ein linearer Raum X versehen mit einem Skalarprodukt heißt Prä-Hilbert-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 11 / 55
29 Grundlagen der linearen Algebra Definition 1.17 Seien X, Y normierte Räume mit den Normen. X beziehungsweise. Y. Ein Operator A : X Y heißt 1 stetig an der Stelle x X, falls für alle Folgen {x n } n N aus X mit x n folgt.. X x für n Ax n. Y Ax für n 2 stetig, falls A an allen Stellen x X stetig ist. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 12 / 55
30 Grundlagen der linearen Algebra Definition 1.17 (Fortsetzung) Seien X, Y normierte Räume mit den Normen. X beziehungsweise. Y. Ein Operator A : X Y heißt 1 linear, falls gilt. A(αx + βy) = αax + βay x, y X α, β C 2 beschränkt, wenn A linear ist und ein C 0 existiert, so dass Ax Y C x X x X gilt. Jede Zahl C mit dieser Eigenschaft heißt Schranke von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 13 / 55
31 Grundlagen der linearen Algebra Definition 1.20: Zu einer gegebenen Matrix a a 1n A =..... R m n a m1... a mn heißt die zu A transponierte Matrix. a a m1 A T =..... R n m a 1n... a mn Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 14 / 55
32 Grundlagen der linearen Algebra Definition 1.22: Zu gegebener Matrix a a 1n A =..... C m n a m1... a mn heißt die zu A adjungierte Matrix. a a m1 A =..... C n m a 1n... a mn Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 15 / 55
33 Grundlagen der linearen Algebra Definition 1.23: Eine Matrix A C n n heißt 1 hermitesch, falls A = A gilt, 2 unitär, falls A A = I gilt, 3 normal, falls A A = AA gilt, 4 ähnlich zur Matrix B C n n, falls eine reguläre Matrix C C n n mit B = C 1 AC existiert, 5 linke untere Dreiecksmatrix, falls a ij = 0 j > i gilt, 6 rechte obere Dreiecksmatrix, falls a ij = 0 j < i gilt, 7 Diagonalmatrix, falls a ij = 0 j i gilt. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 16 / 55
34 Grundlagen der linearen Algebra Definition 1.26: Sei X = R n beziehungsweise C n. Eine Matrix A : X X heißt 1 positiv semidefinit, falls (Ax, x) 0 für alle x X gilt, 2 positiv definit, falls (Ax, x) > 0 für alle x X\{0} gilt, 3 negativ semidefinit, falls A positiv semidefinit ist, 4 negativ definit, falls A positiv definit ist. Definition 1.27: Ist A C n n und. a : C n R eine Norm, dann bezeichnet man A a := sup Ax a (1.2.3) x a=1 als die von der Vektornorm induzierte Matrixnorm. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 17 / 55
35 Grundlagen der linearen Algebra Definition 1.26: Sei X = R n beziehungsweise C n. Eine Matrix A : X X heißt 1 positiv semidefinit, falls (Ax, x) 0 für alle x X gilt, 2 positiv definit, falls (Ax, x) > 0 für alle x X\{0} gilt, 3 negativ semidefinit, falls A positiv semidefinit ist, 4 negativ definit, falls A positiv definit ist. Definition 1.27: Ist A C n n und. a : C n R eine Norm, dann bezeichnet man A a := sup Ax a (1.2.3) x a=1 als die von der Vektornorm induzierte Matrixnorm. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 17 / 55
36 Grundlagen der linearen Algebra Definition 1.30: Eine komplexe Zahl λ C heißt Eigenwert der Matrix A C n n, falls ein Vektor x C n \ {0} mit Ax = λx existiert. Der Vektor x heißt Eigenvektor zum Eigenwert λ. Die Menge σ (A) = { λ λ ist Eigenwert von A } wird als Spektrum von A bezeichnet. Die Zahl ρ(a) = max { λ λ σ (A) } heißt Spektralradius von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 18 / 55
37 Grundlagen der linearen Algebra Korollar 1.32: Sei A C n n (R n n ) hermitesch (symmetrisch), dann existiert eine unitäre (orthogonale) Matrix U C n n (R n n ), derart, dass U AU = diag{λ 1,..., λ n } R n n gilt. Hierbei stellt für i = 1,..., n jeweils λ i R den Eigenwert der Matrix A mit der i-ten Spalte von U als zugehörigen Eigenvektor dar. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 19 / 55
38 Grundlagen der linearen Algebra Definition 1.36: Sei A C n n regulär, dann heißt cond a (A) := A a A 1 a die Konditionszahl der Matrix A bezüglich der induzierten Matrixnorm. a. Satz 1.38: Seien A regulär, x die Lösung des Gleichungssystems Ax = b und x + x die Lösung von A(x + x) = b + b, dann gilt x x cond(a) b b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 20 / 55
39 Grundlagen der linearen Algebra Definition 1.36: Sei A C n n regulär, dann heißt cond a (A) := A a A 1 a die Konditionszahl der Matrix A bezüglich der induzierten Matrixnorm. a. Satz 1.38: Seien A regulär, x die Lösung des Gleichungssystems Ax = b und x + x die Lösung von A(x + x) = b + b, dann gilt x x cond(a) b b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 20 / 55
40 Grundlagen der linearen Algebra Definition 1.40: Ein Element x einer Menge D X heißt Fixpunkt eines Operators F : D X X, falls F(x) = x gilt. Definition 1.41 Sei X ein normierter Raum. Ein Operator F : D X X heißt kontrahierend, wenn eine Zahl 0 q < 1 mit F (x) F(y) q x y x, y D existiert. Die Zahl q heißt Kontraktionszahl des Operators F. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 21 / 55
41 Grundlagen der linearen Algebra Definition 1.40: Ein Element x einer Menge D X heißt Fixpunkt eines Operators F : D X X, falls F(x) = x gilt. Definition 1.41 Sei X ein normierter Raum. Ein Operator F : D X X heißt kontrahierend, wenn eine Zahl 0 q < 1 mit F (x) F(y) q x y x, y D existiert. Die Zahl q heißt Kontraktionszahl des Operators F. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 21 / 55
42 wobei Andreas Meister q die (Universität Kontraktionszahl Kassel) des Begleitmaterial Operators repräsentiert. Numerik I 22 / 55 Grundlagen der linearen Algebra Banachscher Fixpunktsatz 1.43: Sei D eine vollständige Teilmenge eines normierten Raumes X und F : D D ein kontrahierender Operator, dann existiert genau ein Fixpunkt x D von F, und die durch x n+1 = F(x n ) für n = 0, 1, 2... gegebene Folge konvergiert für jeden Startwert x 0 D gegen x. Es gelten zudem die a priori Fehlerabschätzung x n x und die a posteriori Fehlerabschätzung x n x qn 1 q x 1 x 0 q 1 q x n x n 1,
43 Lösung linearer Gleichungssysteme Definition 2.1: Ein Iterationsverfahren ist gegeben durch eine Abbildung φ : C n C n C n und heißt linear, falls Matrizen M, N C n n derart existieren, dass φ(x, b) = Mx + Nb gilt. Die Matrix M wird als Iterationsmatrix der Iteration φ bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 23 / 55
44 Lösung linearer Gleichungssysteme Beispiel 2.3: Triviales Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 24 / 55
45 Lösung linearer Gleichungssysteme Beispiel 2.3: Abbildung: Konvergenzverlauf log 10 ε m des trivialen Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 25 / 55
46 Lösung linearer Gleichungssysteme Definition 2.4: Einen Vektor x C n bezeichnen wir als Fixpunkt des Iterationsverfahrens φ : C n C n C n zu b C n, falls gilt. x = φ( x, b) Definition 2.5: Ein Iterationsverfahren φ heißt konsistent zur Matrix A, wenn für alle b C n die Lösung A 1 b ein Fixpunkt von φ zu b ist, das heißt gilt. A 1 b = φ(a 1 b, b) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 26 / 55
47 Lösung linearer Gleichungssysteme Definition 2.4: Einen Vektor x C n bezeichnen wir als Fixpunkt des Iterationsverfahrens φ : C n C n C n zu b C n, falls gilt. x = φ( x, b) Definition 2.5: Ein Iterationsverfahren φ heißt konsistent zur Matrix A, wenn für alle b C n die Lösung A 1 b ein Fixpunkt von φ zu b ist, das heißt gilt. A 1 b = φ(a 1 b, b) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 26 / 55
48 Lösung linearer Gleichungssysteme Definition 2.8: Ein Iterationsverfahren φ heißt konvergent, wenn für alle b C n und alle Startwerte x 0 C n ein vom Startwert unabhängiger Grenzwert existiert. Satz 2.10 x = lim m x m = lim m φ(x m 1, b) Sei φ ein konvergentes und zur Matrix A konsistentes lineares Iterationsverfahren, dann erfüllt das Grenzelement x der Folge x m = φ(x m 1, b) für m = 1, 2,... für jedes x 0 C n das Gleichungssystem Ax = b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 27 / 55
49 Lösung linearer Gleichungssysteme Definition 2.8: Ein Iterationsverfahren φ heißt konvergent, wenn für alle b C n und alle Startwerte x 0 C n ein vom Startwert unabhängiger Grenzwert existiert. Satz 2.10 x = lim m x m = lim m φ(x m 1, b) Sei φ ein konvergentes und zur Matrix A konsistentes lineares Iterationsverfahren, dann erfüllt das Grenzelement x der Folge x m = φ(x m 1, b) für m = 1, 2,... für jedes x 0 C n das Gleichungssystem Ax = b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 27 / 55
50 Lösung linearer Gleichungssysteme Satz 2.13: Erfüllt die reguläre Matrix A C n n mit a ii 0, i = 1,..., n das starke Zeilensummenkriterium n a ik q := max i=1,...,n a ii < 1 k=1 k i oder das starke Spaltensummenkriterium n q 1 := max k=1,...,n oder das Quadratsummenkriterium n q 2 := i,k=1 i k i=1 i k ( aik a ii a ik a ii < 1 ) 2 < 1, dann konvergiert das Jacobi-Verfahren bei beliebigem Startvektor x 0 C n und für beliebige rechte Seite b C n gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 28 / 55
51 Lösung linearer Gleichungssysteme Beispiel 2.14: Jacobi Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 29 / 55
52 Lösung linearer Gleichungssysteme Beispiel 2.14: Abbildung: Konvergenzverlauf log 10 ε m des Jacobi-Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 30 / 55
53 Lösung linearer Gleichungssysteme Definition 2.16: Eine Matrix A C n n heißt reduzibel oder zerlegbar, falls eine Permutationsmatrix P R n n derart existiert, dass ( ) PAP T Ã11 Ã = 12 0 Ã 22 mit Ãii C n i n i, n i > 0, i = 1, 2, n 1 + n 2 = n gilt. Andernfalls heißt A irreduzibel oder unzerlegbar. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 31 / 55
54 Lösung linearer Gleichungssysteme Satz 2.18: Sei die reguläre Matrix A C n n irreduzibel und diagonaldominant, das heißt, es gilt max i=1,...,n n j=1 j i und es existiere ein k {1,..., n} mit n j=1 j k a ij 1, (2.1.8) a ii a kj < 1, (2.1.9) a kk dann konvergiert das Jacobi-Verfahren bei beliebigem Startvektor x 0 C n und für jede beliebige rechte Seite b C n gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 32 / 55
55 Lösung linearer Gleichungssysteme Satz 2.20: Sei die reguläre Matrix A C n n mit a ii 0 für i = 1,..., n gegeben. Erfüllen die durch p i = i 1 j=1 a ij a ii p j + n j=i+1 a ij für i = 1, 2,..., n a ii rekursiv definierten Zahlen p 1,..., p n die Bedingung p := max i=1,...,n p i < 1, dann konvergiert das Gauß-Seidel-Verfahren bei beliebigem Startvektor x 0 und für jede beliebige rechte Seite b gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 33 / 55
56 Lösung linearer Gleichungssysteme Beispiel 2.21: Gauß-Seidel-Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 34 / 55
57 Lösung linearer Gleichungssysteme Beispiel 2.21: Abbildung: Konvergenzverlauf log 10 ε m des Gauß-Seidel-Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 35 / 55
58 Lösung linearer Gleichungssysteme Definition 2.30: Die Zerlegung einer Matrix A R n n in ein Produkt A = LR aus einer linken unteren Dreiecksmatrix L R n n und einer rechten oberen Dreiecksmatrix R R n n heißt LR-Zerlegung. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 36 / 55
59 Lösung linearer Gleichungssysteme Algorithmus Gauß-Elimination I A (1) := A Für k = 1,..., n 1 Wähle aus der k-ten Spalte von A (k) ein beliebiges Element a (k) jk 0 mit j k. Definiere P kj mit obigem j und k gemäß (2.2.4). à (k) := P kj A (k) Definiere L k gemäß (2.2.5) mit l ik = ã (k) ik A (k+1) := L k à (k) /ã(k) kk, i = k + 1,..., n. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 37 / 55
60 Lösung linearer Gleichungssysteme Lemma 2.32: Seien l i = (0,..., 0, l i+1,i,..., l n,i ) T R n und e i R n der i-te Einheitsvektor, dann gilt für L i = I l i e T i R n n 1 L 1 i = I + l i e T i. 2 L 1 1 L L 1 k = I + k l i e T i für k = 1,..., n 1. i=1 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 38 / 55
61 Lösung linearer Gleichungssysteme Definition 2.35: Sei A R n n gegeben, dann heißt a a 1k A[k] :=..... Rk k für k {1,..., n} a k1... a kk die führende k k-hauptabschnittsmatrix von A und det A[k] die führende k k-hauptabschnittsdeterminante von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 39 / 55
62 Lösung linearer Gleichungssysteme Definition 2.40: Die Zerlegung einer Matrix A C n n in ein Produkt A = QR aus einer unitären Matrix Q und einer rechten oberen Dreiecksmatrix R heißt QR-Zerlegung. Satz 2.41 (Existenz der QR-Zerlegung): Sei A C n n (R n n ) eine reguläre Matrix, dann existieren eine unitäre (orthogonale) Matrix Q C n n (R n n ) und eine rechte obere Dreiecksmatrix R C n n (R n n ) derart, dass gilt. A = QR Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 40 / 55
63 Lösung linearer Gleichungssysteme Definition 2.40: Die Zerlegung einer Matrix A C n n in ein Produkt A = QR aus einer unitären Matrix Q und einer rechten oberen Dreiecksmatrix R heißt QR-Zerlegung. Satz 2.41 (Existenz der QR-Zerlegung): Sei A C n n (R n n ) eine reguläre Matrix, dann existieren eine unitäre (orthogonale) Matrix Q C n n (R n n ) und eine rechte obere Dreiecksmatrix R C n n (R n n ) derart, dass gilt. A = QR Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 40 / 55
64 Lösung linearer Gleichungssysteme QR-Zerlegung nach Gram-Schmidt Für k = 1,..., n Für i = 1,..., k 1 r ik = (a k, q i ) q k = a k k 1 i=1 r ikq i r kk = q k 2 q k = q k /r kk Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 41 / 55
65 Lösung linearer Gleichungssysteme Satz 2.43: Sei A C n n regulär, dann existiert zu je zwei QR-Zerlegungen Q 1 R 1 = A = Q 2 R 2 (2.2.15) eine unitäre Diagonalmatrix D C n n mit Korollar 2.44: Q 1 = Q 2 D und R 2 = DR 1. Sei A C n n regulär, dann existiert genau eine QR-Zerlegung der Matrix A derart, dass die Diagonalelemente der Matrix R reell und positiv sind. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 42 / 55
66 Lösung linearer Gleichungssysteme Satz 2.43: Sei A C n n regulär, dann existiert zu je zwei QR-Zerlegungen Q 1 R 1 = A = Q 2 R 2 (2.2.15) eine unitäre Diagonalmatrix D C n n mit Korollar 2.44: Q 1 = Q 2 D und R 2 = DR 1. Sei A C n n regulär, dann existiert genau eine QR-Zerlegung der Matrix A derart, dass die Diagonalelemente der Matrix R reell und positiv sind. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 42 / 55
67 Interpolation Grundproblem Aus einer Menge M n von Funktionen bestimme man eine Funktion, die durch gegbene Punkte (x 0, f 0 ),..., (x n, f n ) R 2 verläuft. f 3 f 4 f 1 f 2 f 0 x 0 x 1 x 2 x 3 x 4 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 43 / 55
68 Interpolation Anwendungsprobleme Interpolation von zeit- oder ortsabhängigen Messwerten zur näherungsweisen Ermittlung von Daten für Zeiten und Orte zu denen keine Messungen vorliegen Konstruktion von Schiffsrümpfen, Schienenwegen, etc. Hierbei sollen gewisse Oberflächenpunkte angenommen werden und gute Glattheitseigenschaften der Oberfläche erzielt werden Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 44 / 55
69 Interpolation Anwendungsprobleme Zur Lösung von Differentialgleichungen y (t) = f (t, y(t)) nutzt man häufig numerische Integrationsverfahren, im folgenden Rahmen 1 Integration der Differentialgleichung y(t + t) y(t) = t+ t t f (t, y(t)) dt 2 Approximation von f durch ein Interpolationspolynom p 3 Exakte Integration von p Insgesamt t+ t y(t + t) y(t) + p(t) dt t Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 45 / 55
70 Interpolation Interpolationsproblem Gegeben: n + 1 Stützpunkte (x 0, f 0 ),..., (x n, f n ) R 2 an paarweise verschiedenen Stützstellen x 0,..., x n R Gesucht: p Π n := {p(x) = a 0 + a 1 x + a 2 x , a n x n } mit p(x k ) = f k, k = 0, 1,..., n (3.1.2) Ein Polynom, das das Interpolationsproblem löst, wird als Interpolationspolynom oder interpolierendes Polynom bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 46 / 55
71 Interpolation Theoretische Fragestellungen (A1) Existenz interpolierender Polynome (A2) Eindeutigkeit interpolierender Polynome Algorithmische Fragestellungen (B1) Die Berechnung und Auswertung des Interpolationspolynoms sollen stabil gegenüber auftretenden Rundungsfehlern sein. (B2) Die nachträgliche Integration weiterer Stützpunkte soll effizient bezüglich des Rechenaufwandes sein. (B3) Die Berechnung des Interpolationspolynoms soll O(n 2 ) arithmetische Operationen aufweisen. (B4) Die Auswertung des Interpolationspolynoms an einer beliebigen Stelle soll O(n) Operationen benötigen. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 47 / 55
72 Interpolation Theoretische Fragestellungen (A1) Existenz interpolierender Polynome (A2) Eindeutigkeit interpolierender Polynome Algorithmische Fragestellungen (B1) Die Berechnung und Auswertung des Interpolationspolynoms sollen stabil gegenüber auftretenden Rundungsfehlern sein. (B2) Die nachträgliche Integration weiterer Stützpunkte soll effizient bezüglich des Rechenaufwandes sein. (B3) Die Berechnung des Interpolationspolynoms soll O(n 2 ) arithmetische Operationen aufweisen. (B4) Die Auswertung des Interpolationspolynoms an einer beliebigen Stelle soll O(n) Operationen benötigen. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 47 / 55
73 Interpolation Definition 3.4: Zu gegebenen n + 1 paarweise verschiedenen Sützstellen x 0,..., x n R heißen die durch L j (x) = n s=0 s j x x s x j x s (3.1.9) für j = 0,..., n definierten Polynome L j Π n Lagrangesche Basispolynome. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 48 / 55
74 Interpolation Satz 3.6: (Lagrange Interpolationsformel) Zu beliebigen n + 1 Stützpunkten (x 0, f 0 ),...,(x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R besitzt die eindeutig bestimmte Lösung des Interpolationsproblems (3.1.2) die Darstellung p(x) = n f j L j (x) (3.1.11) j=0 mit L j Π n laut Definition 3.4. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 49 / 55
75 Interpolation Definition 3.10: Seien j, m N 0, dann bezeichne p j,j+1,...,j+m Π m das zu den Stützpunkten (x j, f j ),..., (x j+m, f j+m ) mit paarweise verschiedenen Stützstellen x j,..., x j+m gehörende, eindeutig bestimmte Polynom mit p j,j+1,...,j+m (x k ) = f k, k = j, j + 1,..., j + m. (3.1.15) Satz 3.11: Seien (x 0, f 0 ),..., (x n, f n ) vorgegebene Stützpunkte zu paarweise verschiedenen Stützstellen x 0,..., x n, dann gilt mit j, m N 0, j + m n und m 1 für die Interpolationspolynome gemäß Definition 3.4 der Zusammenhang p j,j+1,...,j+m (x) = (x x j)p j+1,...,j+m (x) (x x j+m )p j,...,j+m 1 (x) x j+m x j.(3.1.16) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 50 / 55
76 Interpolation Definition 3.10: Seien j, m N 0, dann bezeichne p j,j+1,...,j+m Π m das zu den Stützpunkten (x j, f j ),..., (x j+m, f j+m ) mit paarweise verschiedenen Stützstellen x j,..., x j+m gehörende, eindeutig bestimmte Polynom mit p j,j+1,...,j+m (x k ) = f k, k = j, j + 1,..., j + m. (3.1.15) Satz 3.11: Seien (x 0, f 0 ),..., (x n, f n ) vorgegebene Stützpunkte zu paarweise verschiedenen Stützstellen x 0,..., x n, dann gilt mit j, m N 0, j + m n und m 1 für die Interpolationspolynome gemäß Definition 3.4 der Zusammenhang p j,j+1,...,j+m (x) = (x x j)p j+1,...,j+m (x) (x x j+m )p j,...,j+m 1 (x) x j+m x j.(3.1.16) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 50 / 55
77 Interpolation Schematische Darstellung des Neville-Schemas (3.1.17): f 0 = p 0 (x) f 1 = p 1 (x) p 0,1 (x) f 2 = p 2 (x) p 1,2 (x) p 0,1,2 (x).. f n 1 = p n 1 (x) p n 2,n 1 (x) p 0,...,n 1 (x) f n = p n (x) p n 1,n (x) p n 2,...,n (x) p 1,...,n (x) p 0,...,n (x)... Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 51 / 55
78 Interpolation Definition 3.13: Zu gegebenen Stützpunkten (x 0, f 0 ),..., (x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R sind die dividierten Differenzen rekursiv durch für j = 0,..., n und f [x j ] = f j (3.1.20) f [x j,..., x j+m ] = f [x j+1,..., x j+m ] f [x j,..., x j+m 1 ] x j+m x j (3.1.21) für j = 0,..., n 1 mit m N und j + m n definiert. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 52 / 55
79 Interpolation Schematische Darstellung der dividierten Differenzen (3.1.22): f 0 = f [x 0 ] f 1 = f [x 1 ] f [x 0, x 1 ] f 2 = f [x 2 ] f [x 1, x 2 ] f [x 0, x 1, x 2 ].. f n 1 = f [x n 1 ] f [x n 2, x n 1 ] f [x 0,..., x n 1 ] f n = f [x n] f [x n 1, x n] f [x n 2, x n 1, x n] f [x 1,..., x n] f [x 0,..., x n]... Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 53 / 55
80 Interpolation Satz 3.14: (Newtonsche Interpolationsformel) Zu gegebenen Stützpunkten (x 0, f 0 ),..., (x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R besitzt das Interpolationspolynom p Π n die Darstellung p(x) = f [x 0 ]+f [x 0, x 1 ](x x 0 )+...+f [x 0,..., x n ](x x 0 )... (x x n 1 ), wobei f [x 0,..., x j ], j = 0,..., n, die dividierten Differenzen laut Definition 3.13 repräsentieren. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 54 / 55
81 Interpolation Satz 3.16: Sei f : [a, b] R eine (n + 1)-mal stetig differenzierbare Funktion und x 0,..., x n [a, b] paarweise verschiedene Stützstellen. Für das Interpolationspolynom p Π n mit p(x k ) = f (x k ), k = 0,..., n gilt für jede Stelle x [a, b] die Fehlerdarstellung f (x) p(x) = w(x)f (n+1) (ξ) (n + 1)! (3.1.28) mit einer Zwischenstelle ξ = ξ(x) [a, b] und w(x) = (x x 0 )... (x x n ). Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 55 / 55
Begleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik
Begleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 55 Studienplanung Bachelor
Begleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
Iterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX Übungsaufgaben zum Lehrgebiet Numerische Mathematik - Serie 2 Beweise Sie folgende
Jacobi- und Gauß-Seidel-Verfahren, Jacobi-Relaxationsverfahren
Universität Hamburg SS 2005 Proseminar Numerik Leitung: Prof. W. Hofmann Vortrag von Markus Stürzekarn zum Thema: Jacobi- und Gauß-Seidel-Verfahren, Jacobi-Relaxationsverfahren Gegeben sei ein lineares
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
KAPITEL 1. Einleitung
KAPITEL 1 Einleitung Wir beschäftigen uns in dieser Vorlesung mit Verfahren aus der Numerischen linearen Algebra und insbesondere dem sogenannten Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
Lösung 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.
Erweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
KLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
![KLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.](/thumbs/71/65292107.jpg "KLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.")
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
VF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
Diplom VP Numerik 28. August 2006
Diplom VP Numerik 8. August 6 Multiple-Choice-Test Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese Aufgabe
Wiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
Klausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben).
eps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
Institut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
5 Iterationsverfahren für lineare Gleichungssysteme
5 Iterationsverfahren für lineare Gleichungssysteme Klassische Iterationsverfahren Sei A R N N und b R N. Wir wollen nun das LGS Ax = b iterativ lösen. Dazu betrachten wir die Komponenten m = 1,...,N:
Numerische Mathematik für Ingenieure (SoSe 2013)
Numerische Mathematik für Ingenieure (SoSe 2013) PD Dr(USA) Maria Charina Auszüge aus Vorlesungsfolien von Prof Joachim Stöckler werden verwendet Für die Bereitstellung dieses Materials und der Tex-Files
Diplom VP Numerik 27. August 2007
Diplom VP Numerik 27. August 2007 Multiple-Choice-Test 30 Punkte Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
Name: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: b a 2 3a 1
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: 1 1 0 2 b 1 1 2 4 1 1 4 6 x = 1 1. 2 2 2a 2 3a 1 (a) Bringen Sie das lineare Gleichungssystem auf Treppenform. (b) Für welche
(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
Musterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)
Vektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
Lineare Algebra II 9. Übungsblatt
Lineare Algebra II 9. Übungsblatt Fachbereich Mathematik SS Prof. Dr. Kollross 5./6. Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest: ohne Benutzung des Skripts und innerhalb von Minuten!)
2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
Aufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung. x = x 2 e x 1.
Name: Matrikel-Nr.: 1 Aufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung R 3 R 2, x 1 f : x 1 + e x2 2 sin(x3 ) x = x 2 e x 1 (1 + x 2 1 + x, 2x 3 )
Kapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,...,255}, n = 1,...,N, m = 1,...,M. dig. Camera Realisierung
Klausur Numerische Mathematik (für Elektrotechniker), Samstag, 19. August 2017
Verständnisfragen-Teil (5 Punkte) Jeder der 5 Verständnisfragenblöcke besteht aus 5 Verständnisfragen. Werden alle 5 Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block
MODULPRÜFUNG MODUL MA 1302 Einführung in die Numerik
................ Note Name Vorname 1 I II Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Obige Angaben sind richtig: Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT
Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
Analysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 1 Definition: Sei M R, alsom
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme Als zweite Hauptanwendung des Banachschen Fixpunktsatzes besprechen wir in diesem Kapitel die iterative Lösung linearer Gleichungssysteme. Die
Analysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
Polynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
Kapitel 8. Lineare Gleichungssysteme III: iterative Verfahren
Kapitel 8. Lineare Gleichungssysteme III: iterative Verfahren Inhalt: 8.1 Fixpunkt-Iteration 8.2 Verfahren der konjugierten Gradienten 8.3 Anwendungsbeispiel Numerische Mathematik I 323 Kap. 8: Lineare
VF-3: Gegeben seien die Daten f(x 0 ), f(x 1 ),..., f(x n ) mit x 0,..., x n paarweise verschiedenen und
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Aussagen Diese sind mit wahr bzw falsch zu kennzeichnen (hinschreiben) Es müssen alle Fragen mit wahr
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik 4 Punkte Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen hinschreiben. Es müssen
bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
7. Nichtlineare Gleichngssysteme. Problem 7: Sei f : R n R n stetig. Löse f(x) = 0.
7. Nichtlineare Gleichngssysteme Problem 7: Sei f : R n R n stetig. Löse f(x) = 0. Das Gleichungssystem f(x) = 0 lässt sich in die Fixpunktgleichung x = φ(x) umschreiben, wobei φ : D R n R n. Beispielsweise
2 Rationale und reelle Zahlen
2 reelle Es gibt Mathematik mit Grenzwert (Analysis) und Mathematik ohne Grenzwert (z.b Algebra). Grenzwerte existieren sicher nur dann, wenn der Zahlbereich vollständig ist, also keine Lücken aufweist
5 Numerische Iterationsverfahren
In diesem Kapitel besprechen wir numerische Iterationsverfahren (insbesondere Fixpunktverfahren) als eine weitere Lösungsmethode zur Lösung von linearen Gleichungssystemen (Kapitel 4) sowie zur Lösung
4.4 Orthogonalisierungsverfahren und die QR-Zerlegung
4.4 Orthogonalisierungsverfahren und die QR-Zerlegung Die Zerlegung einer regulären Matrix A R n n in die beiden Dreiecksmatrizen L und R basiert auf der Elimination mit Frobeniusmatrizen, d.h. R = FA,
Kapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
Übungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.
Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1
Kap. 6: Iterative Lösung von Gleichungssystemen
Kap. 6: Iterative Lösung von Gleichungssystemen 6.1 Einleitung In vielen Anwendungen sind Gleichungssysteme zu lösen, in denen die Unbekannten nichtlinear auftreten. Beispiel: Der Betrag der Gravitationskraft
Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Banach scher Fixpunktsatz. 1) D ist abgeschlossen und konvex; 2) f ist selbstabbildend, d.h. f(d) D;
Institut für Geometrie und Praktische Mathematik Höhere Mathematik IV (für Elektrotechniker und Technische Informatiker) - Numerik - SS 2007 Dr. S. Börm, Dr. M. Larin Banach scher Fixpunktsatz Gegeben
Lineare Gleichungssysteme
Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der
Numerik für Informatiker und Bioinformatiker. Daniel Weiß
Numerik für Informatiker und Bioinformatiker Daniel Weiß SS 202 Folgende Literatur bildet die Grundlage dieser Vorlesung: P Deuflhard, A Hohmann, Numerische Mathematik, Eine algorithmisch orientierte Einführung,
6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
Numerische Mathematik für Ingenieure und Physiker
Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin
Lineare Algebra II 5. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,
Lineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v
Quadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
Lösung der Diplom-Vorprüfung Höhere Mathematik III/IV 6.8.005 1 Aufgabe N1 Gegeben seien A = 5-10 -5-10 8-10 -5-10 13 R 3 3 und b = a) Überprüfen Sie, ob die Matrix A positiv definit ist. b) Bestimmen
3 Lineare Gleichungssysteme
Lineare Gleichungssysteme Wir wissen bereits, dass ein lineares Gleichungssystem genau dann eindeutig lösbar ist, wenn die zugehörige Matrix regulär ist. In diesem Kapitel lernen wir unterschiedliche Verfahren
Vektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 20.12.13 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
Kapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 21 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,,255}, n = 1,,N, m = 1,,M dig Camera Realisierung von B η ist
Kapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan :00-14:00 (120 min)
Lehrstuhl für Angewandte Mathematik Montanuniversität Leoben 70 004 Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan. 207 2:00-4:00 (20 min) Name Matrikelnummer Mündliche Prüfung: Bitte markieren
Klassische Polynom Interpolation.
Klassische Polynom Interpolation. Bestimme ein Polynom (höchstens) n ten Grades p n (x) = a 0 + a 1 x + a 2 x 2 +... + a n x n, das die gegebenen Daten interpoliert, d.h. p n (x i ) = f i, 0 i n. Erster
Lineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
8 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
Kapitel 3. Lineare Ausgleichsrechnung. Problem: Löse A x = b, A R m n, b R m, wobei. Rang(A) < Rang([A;b])
![Kapitel 3. Lineare Ausgleichsrechnung. Problem: Löse A x = b, A R m n, b R m, wobei. Rang(A) < Rang([A;b])](/thumbs/79/79294993.jpg "Kapitel 3. Lineare Ausgleichsrechnung. Problem: Löse A x = b, A R m n, b R m, wobei. Rang(A) < Rang([A;b])")
Kapitel 3. Lineare Ausgleichsrechnung Problem: Löse A x = b, A R m n, b R m, wobei Rang(A) < Rang([A;b]) zugelassen ist, d.h. Ax = b ist nur im weitesten Sinne lösbar. 3.1 Lineares Ausgleichsproblem: Zu
KAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
Analysis II. Vorlesung 48. Die Hesse-Form
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 48 Die Hesse-Form Wir sind natürlich auch an hinreichenden Kriterien für das Vorliegen von lokalen Extrema interessiert. Wie schon im eindimensionalen
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 6 Eigenwerte
VF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
D-MAVT Lineare Algebra I HS 2018 Prof. Dr. N. Hungerbühler. Lösungen = A 4 3 6
D-MAVT Lineare Algebra I HS 28 Prof. Dr. N. Hungerbühler Lösungen. Gegeben seien die Matrizen A := ( 2 3 3 ), B := Welche der folgenden Aussagen sind richtig? (a) (AB) T = A T B T. 5 3 2 6 Die Formel (AB)
Lösungsvorschlag zur Nachklausur zur Analysis
Prof Dr H Garcke, D Depner SS 09 NWF I - Mathematik 080009 Universität Regensburg Lösungsvorschlag zur Nachklausur zur Analysis Aufgabe Untersuchen Sie folgende Reihen auf Konvergenz und berechnen Sie
(x x j ) x [a,b] n! j=0
![(x x j ) x [a,b] n! j=0](/thumbs/88/115477375.jpg "(x x j ) x [a,b] n! j=0")
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (4 Punkte Es gibt zu jeder der 1 Aufgaben vier Aussagen. Diese sind mit bzw. zu kennzeichnen (hinschreiben. Es müssen alle Fragen mit oder gekennzeichnet
6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
2. Klausur zu,,algorithmische Mathematik II
IAM/INS Sommersemester 2017 Andreas Eberle, André Uschmajew 2. Klausur zu,,algorithmische Mathematik II Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang: Wichtige Hinweise:
Teil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr 14-16 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 12-14 und nv jokar@mathtu-berlinde Kapitel
Einführung in die Numerik
Institut für Angewandte Mathematik Universität Heidelberg http://www.numerik.uni-hd.de/ lehre/ss10/numerik0/ Zahldarstellung Normalisierte Gleitkommazahl: x = ±[m 1 b 1 + + m r b r ] b ±[es 1bs 1 + +e
Nichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme Nichtlineare Gleichungen oder Gleichungssysteme müssen in vielen Anwendungen der Mathematik gelöst werden. Typischerweise werden die Lösungen nichtlinearer Gleichungen
3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
Lineare Gleichungssysteme, Teil 2
Lineare Gleichungssysteme, Teil 2 11. Vorlesung 27.1.12 Lineare Gleichungssysteme Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse dieses Problems Stabilitätsanalyse
Orthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
ZWEITE KLAUSUR zur Numerik I mit Lösungen. Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE FELIX LIEDER DR. GEORG JANSING.9.7 ZWEITE KLAUSUR zur Numerik I mit Lösungen Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
Vektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 18.12.15 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. Wir betrachten das überbestimmte Gleichungssystem Ax = y mit 1 1 1 1 A := 1 1 0 1 0 1, y := 2 3 0 0 1 4 Berechnen Sie die
Musterlösung 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