KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
|
|
- Dirk Wagner
- vor 8 Jahren
- Abrufe
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
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.
MehrBasis 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
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrKapitel 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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrEinführung 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:
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
Mehrx 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 +
Mehrklar. 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
MehrKapitel 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
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrÜbungen 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(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
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrÜbungen 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.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
Mehr7 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) =
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrErinnerung/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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrGleitkommaarithmetik 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
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
Mehr1.9 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..
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrDefinition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.
Die k/2 - Formel von Renate Vistorin Zentrales Thema dieses Vortrages ist die k/2 - Formel für meromorphe Modulformen als eine Konsequenz des Residuensatzes. Als Folgerungen werden danach einige Eigenschaften
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrOptimale 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
MehrKlausur 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
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrLineare 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
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrHans Walser, [20090509a] Wurzeln aus Matrizen
Hans Walser, [0090509a] Wurzeln aus Matrizen 1 Worum es geht Zu einer gegebenen,-matri A suchen wir,-matrizen B mit der Eigenschaft: BB = B = A. Wir suchen also Quadratwurzeln der Matri A. Quadrieren Wenn
MehrProgrammiersprachen und Übersetzer
Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch
Mehr6.2 Perfekte Sicherheit
04 6.2 Perfekte Sicherheit Beweis. H(B AC) + H(A C) = H(ABC) H(AC) + H(AC) H(C) Wegen gilt Einsetzen in die Definition gibt = H(AB C). H(A BC) = H(AB C) H(B C). I(A; B C) = H(A C) H(AB C) + H(B C). Da
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr4 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
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrLineare 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
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrGrammatiken. Einführung
Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische
MehrLineare Algebra. 10. Übungsstunde. Steven Battilana.
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch November 3, 26 Erinnerung Gram-Schmidt Verfahren Sei V ein euklidischer/unitärer Vektorraum mit dim(v ) n < Gegeben: W span{v,...,
Mehr1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.
1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrFormelsammlung zur Kreisgleichung
zur Kreisgleichung Julia Wolters 6. Oktober 2008 Inhaltsverzeichnis 1 Allgemeine Kreisgleichung 2 1.1 Berechnung des Mittelpunktes und Radius am Beispiel..... 3 2 Kreis und Gerade 4 2.1 Sekanten, Tangenten,
MehrCodierungstheorie 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
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrÜbungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.
Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines
MehrFunktionen (linear, quadratisch)
Funktionen (linear, quadratisch) 1. Definitionsbereich Bestimme den Definitionsbereich der Funktion f(x) = 16 x 2 2x + 4 2. Umkehrfunktionen Wie lauten die Umkehrfunktionen der folgenden Funktionen? (a)
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrVergleichsklausur 12.1 Mathematik vom 20.12.2005
Vergleichsklausur 12.1 Mathematik vom 20.12.2005 Mit CAS S./5 Aufgabe Alternative: Ganzrationale Funktionen Berliner Bogen Das Gebäude in den Abbildungen heißt Berliner Bogen und steht in Hamburg. Ein
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrElemente 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