KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

Größe: px
Ab Seite anzeigen:

Download "KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:"

Transkript

1 KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand R im Stromkreis Theoretisch: U i = RI i, i = 1,, m Aber Daten sind mit Fehlern behaftet U U i I i I Dahmen-Reusken Kapitel 4 1

2 Man kann hierzu versuchen, die durch eine Wahl von R bedingten Residuen U i RI i zu quadrieren, aufzusummieren und dasjenige R zu suchen, das diesen Ausdruck minimiert: f(r) := m i=1 (RI i U i ) 2 = min Da f eine quadratische Funktion ist, kann nur ein Extremum vorliegen, das durch die Nullstelle der Ableitung gegeben ist: 0 = f (R) = m i=1 ( m 2(RI i U i )I i = 2R Ii 2 i=1 Hier ergibt sich diese Nullstelle R als ) 2 m i=1 U i I i R = ( m i=1 U i I i )/( m Ii 2 i=1 ) Dahmen-Reusken Kapitel 4 2

3 Beispiel 42 In der Fourieranalyse wird eine T-periodische Funktion f durch eine Linearkombination der T-periodischen trigonometrischen Polynome 1, cos(ct), sin(ct), cos(2ct), sin(2ct),, cos(nct), sin(nct) mit c := 2π T in der Form approximiert g N (t) = 1 2 a 0 + N k=1 (a k cos(kct) + b k sin(kct)), Annahme: nicht f, sondern nur eine Reihe von Meßdaten b i f(t i ), 0 t 1 < t 2 < < t m T, ist bekannt, wobei m > 2N + 1 Ansatz zur Bestimmung der Koeffizienten a 0, a 1, b 1, a 2, b 2,, a N, b N : m i=1 (g N (t i ) b i ) 2 = min Dahmen-Reusken Kapitel 4 3

4 Das allgemeine lineare Ausgleichsproblem Das Minimierungsproblem m i=1 (y(t i ; x 1,, x n ) b i ) 2 = m i=1 (a i,1 x a i,n x n b i ) 2 = min wird in Matrixform dargestellt Setzt man A = (a i,j ) m,n i,j=1 Rm n, b R m, nimmt das Minimierungsproblem eine kompakte Form an: Also: Ax b 2 2 = min x R n Zu gegebenem A R m n und b R n, bestimme x R n, für das gilt Ax b 2 = min x R n Ax b 2 Dahmen-Reusken Kapitel 4 4

5 Beispiel 43 Man vermutet, daß die Meßdaten einer Gesetzmäßigkeit der Form t y y = f(t) = α t + β mit noch zu bestimmenden Parametern α, β R gehorchen Das zugehörige lineare Ausgleichsproblem hat die Gestalt (414), mit x = ( ) α, A = β , b = Dahmen-Reusken Kapitel 4 5

6 Normalgleichungen Die Lösung von (414) läßt sich auf die Lösung des linearen Gleichungssystems A T Ax = A T b reduzieren, das häufig als Normalgleichungen bezeichnet wird Beachte: für A R m n ist die Matrix A T A R n n stets quadratisch Kernaussage: Satz 45 x R n ist genau dann Lösung des linearen Ausgleichsproblems (414), wenn x Lösung der Normalgleichungen A T Ax = A T b ist Das System der Normalgleichungen hat stets mindestens eine Lösung Sie ist genau dann eindeutig, wenn Rang(A) = n gilt Dahmen-Reusken Kapitel 4 6

7 Geometrische Interpretation Anschaulich ist klar, daß die Differenz b Ax gerade senkrecht auf dem Bildraum Bild(A) = {Ax x R n } stehen muß, damit der Abstand Ax b 2 minimal ist Also gilt: Ax b 2 = min Ax b Bild(A), R m n b Ax b Ax x R n Bild(A) = {Ax x R n } R n Dahmen-Reusken Kapitel 4 7

8 In Beispiel 332 wurde bereits folgende Tatsache gezeigt: Bemerkung 46 Falls A R m n vollen (Spalten-)Rang n hat, so ist die Matrix A T A R n n symmetrisch positiv definit Annahme: Wir beschränken uns in den Abschnitten 43 und 44 auf den Fall, daß A vollen Spaltenrang hat: Rang(A) = n Der Fall Rang(A) < n wird in Abschnitt 47 diskutiert Dahmen-Reusken Kapitel 4 8

9 Kondition des linearen Ausgleichsproblems κ 2 (A) := max x 0 Ausgleichsproblem mit Störungen: Ax 2 x 2 / min x 0 A x b 2 = min Ax 2 x 2 δb b b Θ Ax A x Satz 47 Für die Kondition des linearen Ausgleichsproblems bezüglich Störungen in b gilt x x 2 x 2 κ 2(A) b b 2 cosθ b 2 Dahmen-Reusken Kapitel 4 9

10 A := Beispiel , b := Man kann einfach nachrechnen, daß κ 2 (A) 262 und ( ) x = (A T A) 1 A T 001 b = 0 gilt Für b = (001,1,001) T erhält man Daraus folgt x = (A T A) 1 A T b = ( ) x x 2 x b b 2 b 2, also eine schlechte Kondition Es gilt cosθ = Ax 2 b 2 = 001 Dahmen-Reusken Kapitel 4 10

11 Kondition des linearen Ausgleichsproblems Satz 49 Für die Kondition des linearen Ausgleichsproblems bezüglich Störungen in A gilt x x 2 x 2 ( κ 2 (A) + κ 2 (A) 2 tanθ ) Ã A 2 A 2 Dahmen-Reusken Kapitel 4 11

12 Numerische Lösung des linearen Ausgleichsproblems Lösung der Normalgleichungen Die Matrix A T A ist symmetrisch positiv definit Folglich ergibt sich die Methode: Berechne A T A, A T b Berechne die Cholesky-Zerlegung von A T A Löse LDL T = A T A Ly = A T b, L T x = D 1 y durch Vorwärts- bzw Rückwärtseinsetzen Dahmen-Reusken Kapitel 4 12

13 Nachteile dieser Vorgehensweise Die Berechnung von A T A ist für große m aufwendig und birgt die Gefahr von Genauigkeitsverlust durch Auslöschungseffekte Die Einträge von A T A sind also mit (möglicherweise erheblichen relativen) Fehlern behaftet Bei der Lösung des Systems A T Ax = A T b über das Cholesky- Verfahren werden die Rundungsfehler in A T A und A T b mit verstärkt Es gilt κ 2 (A T A) κ 2 (A T A) = κ 2 (A) 2 Folglich wird die Rundungsfehlerverstärkung durch κ 2 (A) 2 beschrieben Dahmen-Reusken Kapitel 4 13

14 Beispiel 412 A = 3 3 δ 0 0 δ, b = 2 3 δ, 0 < δ 1 δ Das lineare Ausgleichsproblem Ax b 2 = min hat die Lösung x = (1,1) T (für alle δ > 0) Außerdem gilt Θ = 0 Daher wird die Kondition dieses Problems durch κ 2 (A) beschrieben Man rechnet einfach nach, daß 6 κ 2 (A) δ gilt Ein stabiles Verfahren sollte ein Resultat x liefern, mit x x 2 x 2 κ 2 (A) eps Dahmen-Reusken Kapitel 4 14

15 Die Lösung dieses Problems über die Normalgleichungen und das Cholesky-Verfahren auf einer Maschine mit eps ergibt: δ = 10 4 : x x 2 x κ 2(A) 2 eps δ = 10 6 : x x 2 x κ 2(A) 2 eps Dahmen-Reusken Kapitel 4 15

16 Lösung über QR-Zerlegung Satz 413 Sei A R m n mit Rang(A) = n und b R m Sei Q R m m eine orthogonale Matrix und R R n n eine obere Dreiecksmatrix, so daß QA = R := ) ( R } n } m n Dann ist die Matrix R regulär Schreibt man ( ) b1 } n Qb = b 2 } m n, dann ist x = R 1 b 1 die Lösung des linearen Ausgleichsproblems (414) Die Norm Ax b 2 ist gerade durch b 2 2 gegeben Grundidee: Ax b 2 2 = QAx Qb 2 2 = Rx Qb 2 2 = Rx b b Dahmen-Reusken Kapitel 4 16

17 Aus Satz 413 ergibt sich nun folgende Methode: Bestimme von A die QR-Zerlegung ) ( R QA = ( R R n n ), zb mittels Givens-Rotationen oder Householder-Spiegelungen und berechne Qb = ( b 1 b2 ) Löse mittels Rückwärtseinsetzen Rx = b 1 Die Norm des Residuums min x R n Ax b 2 = Ax b 2 ist gerade durch b 2 2 gegeben Dahmen-Reusken Kapitel 4 17

18 Beispiel 415 Sei A = , b = , dh m = 3, n = 2 Man bestimme die Lösung x R 2 von Ax b 2 = min Annullierung von a 3,1 : A (2) = G 1,3 A = , b (2) = G 1,3 b = 0 5 (In der Praxis werden die Transformationen G 1,3 A und G 1,3 b ausgeführt, ohne daß G 1,3 explizit berechnet wird) Dahmen-Reusken Kapitel 4 18

19 Annullierung von a (2) 3,2 : A (3) = G 2,3 A (2) = Lösung von = ( durch Rückwärtseinsetzen: x = ) ( R, b (3) = G 2,3 b (2) = ) ( x 1 x 2 ) = ( ( , 37 ) T 169 ) Als Norm des Residuums ergibt sich: b 2 2 = Dahmen-Reusken Kapitel 4 19

20 Wegen Satz 341 gilt κ 2 (A) = κ 2 ( R), dh, das Quadrieren der Kondition, das bei den Normalgleichungen auftritt, wird vermieden Außerdem ist die Berechnung der QR-Zerlegung über Givens- oder Householder-Transformationen ein sehr stabiles Verfahren, wobei die Fehlerverstärkung durch κ 2 (A) (und nicht κ 2 (A) 2 ) beschrieben wird Dahmen-Reusken Kapitel 4 20

21 Beispiel 416 Wir nehmen A und b wie in Beispiel 412 Die Methode über die QR- Zerlegung von A, auf einer Maschine mit eps 10 16, ergibt δ = 10 4 : δ = 10 6 : x x 2 x , x x 2 x Wegen der sehr guten Stabilität dieser Methode sind diese Resultate viel besser als die Resultate in Beispiel 412 Dahmen-Reusken Kapitel 4 21

22 45 Zum statistischen Hintergrund - lineare Regression Gegeben seien Daten (t 1, y 1 ),,(t m, y m ) mit t i : feste (deterministische) Meßpunkte, y i : Realisierungen von Zufallsvariablen Y i Lineare Regression basiert auf dem Ansatz Y i = n k=1 a k (t): geeignete Ansatzfunktionen, F i : Meßfehler (Zufallsvariablen) a k (t i )x k + F i, i = 1,, m, Ziel: eine Schätzung ˆx = (ˆx 1,,ˆx n ) T für den unbekannten Parametersatz x = (x 1,, x n ) T R n bestimmen Einen solchen Schätzer liefert die lineare Ausgleichsrechnung Sei nämlich ˆx die Lösung des linearen Ausgleichsproblems Ax y 2 2 min Dann ist ˆx ebenfalls eine Zufallsvariable Dahmen-Reusken Kapitel 4 22

23 ˆx als Best Linear Unbiased Estimator (BLUE) Annahmen: - F i unabhängig, identisch verteilt mit Erwartungswert E(F i ) = 0 - Varianz-Kovarianzmatrix Dann gilt V (F) := E(FF T ) = ( E(F i F j ) ) m i,j=1 = σ2 I E(ˆx) = x, V (ˆx) = E ( (ˆx x)(ˆx x) T ) = σ 2 (A T A) 1 Der Schätzer ist erwartungstreu und hat minimale Varianz Man spricht von einem Best Linear Unbiased Estimator (BLUE) Dahmen-Reusken Kapitel 4 23

24 ˆx als Maximum-Likelihood-Schätzer Annahmen: - F i unabhängig, identisch verteilt mit Erwartungswert 0 - Varianz-Kovarianzmatrix V (F) = σ 2 I - F i normalverteilt : Y i normalverteilt, E(Y ) = Ax, V (Y ) = σ 2 I Dichtefunktion von Y i : ( z (Ax)i σ f i (z) = 1 σ 1 2π e 2 Für die Meßreihe y 1,, y m ist die Likelihood-Funktion definiert durch L(x; y 1,, y m ) := m i=1 f i (y i ) = ) 2 ( )m e 2πσ 2 2σ 2 y Ax 22 Ein Parameterwert x heißt Maximum-Likelihood-Schätzwert, wenn L( x; y 1,, y m ) L(x; y 1,, y m ) für alle x R n Der Maximum-Likelihood-Schätzer ist gerade der Schätzer ˆx aus dem linearen Ausgleichsproblem, weil y A x 2 = min x R n y Ax 2 Dahmen-Reusken Kapitel 4 24

25 46 Orthogonale Projektion auf einem Teilraum Gegeben: ein Vektorraum V über R mit einem Skalarprodukt, Durch v := v, v 1 2 wird eine Norm auf V definiert Aufgabe Sei U V ein n-dimensionaler Teilraum von V Zu v V bestimme u U, für das gilt u v = min u U u v Im Falle des linearen Ausgleichsproblems ist U = Bild(A), A R m n, V = R m, u, v = m j=1 u j v j, Dh = 2 Bemerkung 418 Weil U ein endlich-dimensionaler Teilraum ist, existiert ein Element in U mit minimalem Abstand zu v, dh es existiert u U, für das u v = min u U u v gilt Dahmen-Reusken Kapitel 4 25

26 Satz 420 Unter den Bedingungen von Aufgabe 417 existiert ein eindeutiges u U, das u v = min u v u U erfüllt Ferner gilt das genau dann, wenn u v, u = 0 u U, dh, u v senkrecht (bzgl, ) zu U ist u ist somit die orthogonale Projektion (bzgl, ) von v auf U Die Lösung der Aufgabe 417 ist also die orthogonale Projektion (bzgl, ) von v auf den Unterraum U v U u Dahmen-Reusken Kapitel 4 26

27 Eigenschaften der Projektion Zu v V existiert ein eindeutiges P U (v) U, so daß v P U (v) U, dh, v P U (v), u = 0 u U Mit P U : V U ist also eine wohldefinierte Abbildung gegeben (i) Die Abbildung P U : V U ist linear (ii) P U ist ein Projektor, dh P U (u) = u für alle u U (P 2 U = P U) (iii) Die Abbildung P U ist symmetrisch, dh P U (v), w = v, P U (w), v, w V (iv) P U is beschränkt und zwar gilt P U = sup v =1 P U (v) = 1 Dahmen-Reusken Kapitel 4 27

28 Wie kann man P U (v) berechnen? Sei {φ 1,, φ n } eine Basis für U Dann hat û = P U (v) eine eindeutige Darstellung P U (v) = n j=1 c j φ j mit gewissen Koeffizienten c j = c j (v) Es gilt 0 = v P U (v), φ k = v, φ k n j=1 Definiert man die Gram-Matrix G := ( φ k, φ j ) n c j φ j, φ k, k = 1,, n j,k=1 c = (c 1,, c n ) T, v = ( v, φ 1,, v, φ n ) T so ergibt sich Gc = v und die Vektoren Die Berechnung einer orthogonalen Projektion läuft also im allgemeinen auf die Lösung eines symmetrisch positiv definiten Gleichungssystems hinaus Dahmen-Reusken Kapitel 4 28

29 47 Singulärwertzerlegung (SVD) und Pseudoinverse Wir definieren die Lösungsmenge L(b) := {x R n x ist Lösung des linearen Ausgleichproblems} Lemma 424 Die Lösungsmenge L(b) hat folgende Eigenschaften: (i) Es existiert ein eindeutiges x R n, so daß x = L(b) Kern(A), wobei Kern(A) := {z R n y T z = 0, y Kern(A)} (ii) Für alle x L(b) \ {x } gilt x 2 > x 2, dh, x hat die kleinste Euklidische Norm in L(b) Folgerung 425 Sei b R m, A R m n Die Aufgabe bestimme x mit minimaler Euklidischer Norm, für das Ax b 2 = min x R n Ax b 2 gilt, hat eine eindeutige Lösung Dahmen-Reusken Kapitel 4 29

30 Singulärwertzerlegung Satz 427 Zu jeder Matrix A R m n existieren orthogonale Matrizen U R m m, V R n n und eine Diagonalmatrix mit so daß Σ := diag(σ 1,, σ p ) R m n, p = min{m, n}, σ 1 σ 2 σ p 0, U T AV = Σ Die σ i heißen Singulärwerte von A (singular values) Die Spalten der Matrizen U, V nennt man die Links- bzwrechtssingulärvektoren Dahmen-Reusken Kapitel 4 30

31 Pseudoinverse Satz 428 Sei U T AV = Σ eine Singulärwertzerlegung von A R m n mit Singulärwerten σ 1 σ r > σ r+1 = = σ p = 0, p = min{m, n} Definiere A + R n m durch A + = V Σ + U T mit Σ + = diag(σ 1 1,, σ 1 r,0,,0) R n m Dann ist A + b = x die Lösung des allgemeinen linearen Ausgleichproblems A + heißt Pseudoinverse von A Dahmen-Reusken Kapitel 4 31

32 Lemma 429 Sei U T AV = Σ eine Singulärwertzerlegung von A mit Singulärwerten σ 1 σ r > σ r+1 = = σ p = 0, p = min{m, n} Die Spalten der Matrizen U und V werden mit u i bzw v i notiert Dann gilt: (i) Av i = σ i u i, A T u i = σ i v i, i = 1,, p (ii) Rang(A) = r (iii) Bild(A) = span{u 1,, u r }, Kern(A) = span{v r+1,, v n } (iv) A 2 = σ 1 (v) Sei κ 2 (A) := A 2 A + 2 = σ 1 σ r Falls Rang(A) = n m, so gilt (vi) { σ i i = 1,, r} = { κ 2 (A) = κ 2(A) = max x 2 =1 Ax 2 min x 2 =1 Ax 2 λ i (A T A) i = 1,, n } \ {0} Dahmen-Reusken Kapitel 4 32

33 Abb 46 Orthogonale Basis in R n und R m span{v r+1,, v n } = Kern(A) R n span{v 1,, v r } 0 = Bild(A T ) A R m span{u r+1,, u m } = Kern(A T ) A T 0 span{u 1,, u r } = Bild(A) Dahmen-Reusken Kapitel 4 33

34 Abb 47 Geometrische Interpretation der Singulärwertzerlegung v i R n x v T i x vj Tx v j A σ i v T i x u i R m Ax σ j vj Tx u j Dahmen-Reusken Kapitel 4 34

35 471 Berechnung von Singulärwerten Lemma 430 Sei A R m n, und seien Q 1 R m m, Q 2 R n n orthogonale Matrizen Dann haben A und Q 1 AQ 2 die gleichen Singulärwerte Transformation auf Bidiagonalgestalt; Beispiel: Eine Householder-Transformation Q 1, so daß Q 1 A = ( v T = 1 ) Dahmen-Reusken Kapitel 4 35

36 Sei Q 1 R 3 3 eine Householder-Transformation, so daß Q 1 v 1 = ( 0 0) T Mit ˆQ 1 := ( v T Q 1 AˆQ 1 = 1 ( 1 Q 1 ) ( 1 ) Q 1 ) erhält man = Auf ähnliche Weise können Nulleinträge erzeugt werden in der 2 Spalte, 2 Zeile, 3 Spalte und 4 Spalte: Q 1 AˆQ 1 Q 2 Q 1 AˆQ 1 = Q 2Q 1 AˆQ 1 ˆQ 2 = Q 3 Q 2 Q 1 AˆQ 1 ˆQ 2 = Q 4Q 3 Q 2 Q 1 AˆQ 1 ˆQ 2 = Dahmen-Reusken Kapitel 4 36

37 Bemerkung 431 Der Aufwand zur Berechnung der oberen Bidiagonalmatrix B in 465 beträgt mn 2 + O(mn) Operationen Die Matrix A und die sich ergebende Bidiagonalmatrix B haben die gleichen Singulärwerte Die Singulärwerte der Matrix A sind die Wurzeln der Eigenwerte der Tridiagonalmatrix B T B Für die Berechnung der Eigenwerte dieser Matrix werden im allgemeinen sehr viel weniger arithmetische Operationen benötigt als für die Berechnung der Eigenwerte der (vollbesetzten) Matrix A T A Dahmen-Reusken Kapitel 4 37

38 472 Rangbestimmung Lemma 432 Sei U T AV = Σ eine Singulärwertzerlegung von A mit Singulärwerten σ 1 σ r > σ r+1 = = σ p = 0, p = min{m, n} Für 0 k p 1 gilt: min{ A B 2 B R m n, Rang(B) k } = σ k+1 Folgerung 433 Für A und à = A + A R m n mit Singulärwerten σ 1 σ p bzw σ 1 σ p, p = min{m, n}, gilt σ k σ k σ 1 A 2 A 2, für k = 1,, p In diesem Sinne ist das Problem der Singulärwertbestimmung gut konditioniert Dahmen-Reusken Kapitel 4 38

39 Der Numerische Rang Sei à = (ã i,j ) eine mit Rundungsfehlern behaftete Annäherung von A, wobei ã i,j = a i,j (1 + ǫ i,j ) mit ǫ i,j eps Mit E := (a i,j ǫ i,j ) R m n ergibt sich A à 2 = E 2 m E m A eps mn A 2 eps Deswegen definieren wir: BÃ(eps) := { C R m n à C 2 à 2 mn eps } Der numerische Rang Rang num (Ã) der Matrix à ist: Rang num (Ã) := min{rang(b) B BÃ(eps) } Dieser numerische Rang hängt von der Maschinengenauigkeit eps ab Dahmen-Reusken Kapitel 4 39

40 Bestimmung des numerischen Ranges: Seien σ 1 σ p die Singulärwerte der Matrix à Es gilt min Rang(B) k à B 2 à 2 = σ k+1 σ 1, 1 k < p Die Umgebung BÃ(eps) enthält also eine Matrix B mit Rang(B) = k genau dann, wenn σ k+1 / σ 1 mn eps Der numerische Rang der Matrix à ist deshalb: Rang num (Ã) = min{1 k p σ k+1 σ 1 mn eps } Dahmen-Reusken Kapitel 4 40

41 434 Beispiel Wir betrachten die Matrizen A 1 = , A 2 = A eps ( ), wobei eps Es gilt Rang(A 1 ) = 2, Rang(A 2 ) = 3 Die berechneten Singulärwerte dieser Matrizen sind 7776, 1082, bzw 7776, 1082, In beiden Fällen sind die drei berechneten Singulärwerte strikt positiv, jedoch gilt Rang num (A 1 ) = Rang num (A 2 ) = 2 In der Praxis würde man hieraus schließen, daß beide Matrizen den Rang 2 haben Dahmen-Reusken Kapitel 4 41

Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen

Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R

Mehr

Lineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte

Lineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren

KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 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.

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

2 Lineare Gleichungssysteme

2 Lineare Gleichungssysteme Beispiel.5: Funktion von Runge (V) Beispiel Martin-Luther-Universität Halle-Wittenberg, NWF III, Institut für Mathematik Martin Arnold: Grundkurs Numerische Mathematik (WiS 27/8) Abbildung.3: Interpolation

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

Lineare Gleichungssysteme

Lineare 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

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass

Mehr

Kapitel 6. Lösung linearer Gleichungssysteme II (nicht-reguläre Systeme)

Kapitel 6. Lösung linearer Gleichungssysteme II (nicht-reguläre Systeme) Kapitel 6. Lösung linearer Gleichungssysteme II (nicht-reguläre Systeme) Inhalt: 6.1 Nicht-reguläre Systeme 6.2 Lösung mit der QR-Zerlegung 6.3 Lösung mit der Singulärwertzerlegung 6.4 Konditionierung

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik 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

Mehr

4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung

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

Mehr

Kevin Caldwell. 18.April 2012

Kevin 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

Mehr

Lösung des Kleinste-Quadrate-Problems

Lösung des Kleinste-Quadrate-Problems Lösung des Kleinste-Quadrate-Problems Computergestützte Statistik Lisakowski, Christof 15.05.2009 Lisakowski, Christof ()Lösung des Kleinste-Quadrate-Problems 15.05.2009 1 / 34 Themen 1 Problemstellung

Mehr

1 Singulärwertzerlegung und Pseudoinverse

1 Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010 Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und

Mehr

A Matrix-Algebra. A.1 Definition und elementare Operationen

A Matrix-Algebra. A.1 Definition und elementare Operationen A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne

Mehr

6 Hauptachsentransformation

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

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. 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

Mehr

Euklidische und unitäre Vektorräume

Euklidische und unitäre Vektorräume Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Gliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung

Gliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,

Mehr

Fachschaft 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 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

Mehr

6 Eigenwerte und Eigenvektoren

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,

Mehr

Der CG-Algorithmus (Zusammenfassung)

Der CG-Algorithmus (Zusammenfassung) Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9

Mehr

Normalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,

Normalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen 1-1 Normalengleichungen Für eine beliebige

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare 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

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte 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

Mehr

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? 1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

Der Kern einer Matrix

Der Kern einer Matrix Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis

Mehr

Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012

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

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare Algebra II, Lösungshinweise Blatt 9 Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

u + 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.

u + 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

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte und Diagonalisierung Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende

Mehr

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14. Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten

Mehr

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,

Mehr

Berechnung von Eigenwerten und Eigenvektoren

Berechnung von Eigenwerten und Eigenvektoren Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.

Mehr

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

5 Eigenwerte und die Jordansche Normalform

5 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

Mehr

Skalarprodukte (Teschl/Teschl Kap. 13)

Skalarprodukte (Teschl/Teschl Kap. 13) Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +

Mehr

Lineare Abbildungen und Darstellungsmatrizen

Lineare Abbildungen und Darstellungsmatrizen KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung

Mehr

Numerische Behandlung des Eigenwertproblems

Numerische Behandlung des Eigenwertproblems Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)

Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden Lineare Algebra: Determinanten Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv

Mehr

4 Das Overlap-Konzept

4 Das Overlap-Konzept 4 Das Overlap-Konzept Das Overlap-Konzept wurde in [31] ausführlich beschrieben. Im folgenden werden wir die Aspekte darlegen, die nötig sind, um das Konzept zu implementieren, und werden uns dabei eng

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern

Mehr

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft: Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein

Mehr

II. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme

II. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme 52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 Lineare Algebra (Teil 2): Quadratische Matrizen 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,

Mehr

Division 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 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

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare Algebra und Numerische Mathematik für D-BAUG P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen

Mehr

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D. Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

35 Stetige lineare Abbildungen

35 Stetige lineare Abbildungen 171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

( ) Lineare Gleichungssysteme

( ) Lineare Gleichungssysteme 102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv

Mehr

Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle

Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle 2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen 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.

Mehr

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:

Mehr

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. 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

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- 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:

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016 Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert

Mehr

Kap 5: Rang, Koordinatentransformationen

Kap 5: Rang, Koordinatentransformationen Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv

Mehr

Kapitel 11. Bilinearformen über beliebigen Bilinearformen

Kapitel 11. Bilinearformen über beliebigen Bilinearformen Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt

Mehr

QR-Zerlegung Allgemeines. Householder-Spiegelung. Givens-Rotation. Gram-Schmidt-Orthogonalisierung. Fazit. QR-Zerlegung.

QR-Zerlegung Allgemeines. Householder-Spiegelung. Givens-Rotation. Gram-Schmidt-Orthogonalisierung. Fazit. QR-Zerlegung. 20.0.2011 Inhaltsverzeichnis 1 2 3 4 1 2 3 4 der Matrix A R mxn, m n A = Q R Matrix Q: Q R nxn orthogonale Matrix (Spalten paarweise orthogonal) Q Q T = E Matrix R: R R mxn obere Dreiecksmatrix r 11 r

Mehr

9 Vektorräume mit Skalarprodukt

9 Vektorräume mit Skalarprodukt 9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden

Mehr

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11 Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)

Mehr

Vektor und Matrixnormen Vorlesung vom

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

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

2.2 Kern und Bild; Basiswechsel

2.2 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

Mehr

Risikomessung und Value at Risk Wintersemester 2013/14

Risikomessung und Value at Risk Wintersemester 2013/14 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung

Mehr

7 Die Determinante einer Matrix

7 Die Determinante einer Matrix 7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =

Mehr

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w = 1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition

Mehr

Kapitel IR:III (Fortsetzung)

Kapitel IR:III (Fortsetzung) Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches

Mehr

Lineare Algebra und analytische Geometrie II (Unterrichtsfach)

Lineare Algebra und analytische Geometrie II (Unterrichtsfach) MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00

Mehr

4.4 Orthogonalisierungsverfahren und die QR-Zerlegung

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,

Mehr

Quadratische Formen und Definitheit

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

Mehr

Lösungen zu den Hausaufgaben zur Analysis II

Lösungen zu den Hausaufgaben zur Analysis II Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin

Mehr

6.1 Definition der multivariaten Normalverteilung

6.1 Definition der multivariaten Normalverteilung Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer

Mehr

Vektorräume und Rang einer Matrix

Vektorräume und Rang einer Matrix Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung

Mehr

Die Lineare Algebra-Methode. Mahir Kilic

Die Lineare Algebra-Methode. Mahir Kilic Die Lineare Algebra-Methode Mahir Kilic 23. Juni 2004 1 Einführung 1.1 Überblick Im Allgemein benutzt man die Lineare Algebra-Methode in der Kombinatorik wie folgt: Für die Bestimmung einer Obergrenze

Mehr