Kap. 6: Iterative Lösung von Gleichungssystemen

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Kap. 6: Iterative Lösung von Gleichungssystemen"

Transkript

1 Kap. 6: Iterative Lösung von Gleichungssystemen 6.1 Einleitung In vielen Anwendungen sind Gleichungssysteme zu lösen, in denen die Unbekannten nichtlinear auftreten. Beispiel: Der Betrag der Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 (in kg) mit dem Abstand r (in m) ist nach dem Newtonschen Gesetz F = G m 1m 2 r 2 mit G = Nm 2 /kg. Wir betrachten ein ebenes Gravitationsfeld mit drei festen Punktmassen m i in den Koordinaten (x 1,y 1 ) = (x 1,0), (x 2,y 2 ) = (x 2,0), (x 3,y 3 ) = (0,y 3 ). Gesucht ist der Punkt (x,y), so dass für jede Punktmasse m an der Stelle (x,y) die Gravitationskräfte F i zwischen m und m i (i = 1,2,3) im Gleichgewicht sind, also die Gleichung F 1 + F 2 + F 3 = 0 (6.1) gilt. Die vektorwertige Funktion F i hat die zwei Koordinatenfunktionen F i,x (x,y) = F i(x i x) r i, F i,y (x,y) = F i(y i y) r i mit r i = (x x i ) 2 +(y y i ) 2 und F i = G m im r 2 i. Die Gleichung (6.1) beschreibt ein nichtlineares Gleichungssystem mit zwei Unbekannten x und y.

2 6.2 Fixpunktiteration wichtigstes Verfahren zur Lösung nichtlinearer Gleichungssysteme fußt auf dem Banach schen Fixpunktsatz sehr leicht zu programmieren explizite Fehlerabschätzungen Definition: Fixpunkt Die Menge D R n sei nichtleer. Ein Element x D heißt Fixpunkt der Funktion φ : D R n, falls x = φ(x ) gilt.

3 6.2.2 Die Iterationsfolge: Jedes Gleichungssystem f(x) = 0 zu gegebener Funktion f : R n R n lässt sich in vielfältiger Weise umwandeln in die Form x = φ(x), wobei φ : R n R n mit f zusammenhängt über f(x) = 0 x = φ(x). Zu einem Startwert x 0 R n bildet man rekursiv x k+1 = φ(x k ), k = 0,1,2,... Ob die Folge (x k ) k 0 gegen einen Fixpunkt von φ konvergiert, hängt von den Eigenschaften von φ ab. Mögliche Szenarien für φ : R R werden im matlab-file fp bsp.m dargestellt.

4 6.2.3 Kontraktionsbedingung: Definition: Es sei D R n. Eine Funktion φ : D R n heißt Lipschitz-beschränkt mit der Lipschitzkonstanten L 0, falls für alle x,y D φ(x) φ(y) L x y gilt. Man nennt φ kontrahierend, falls φ Lipschitz-beschränkt mit einer Lipschitzkonstanten (Kontraktionszahl) L < 1 ist. Bemerkung: Die Lipschitz-Beschränktheit gilt unabhängig von der gewählten Norm. Die Konstante L (und damit die Kontraktionseigenschaft) hängt aber von der gewählten Norm ab.

5 6.2.4 Berechnung von Lipschitz-Konstanten: Satz: Die Menge D R n sei konvex und φ : D R n sei stetig differenzierbar. Mit φ (x) bezeichnen wir die Jacobimatrix von φ. Falls L := sup φ (x) < x D gilt, so ist L eine Lipschitzkonstante von φ. Die hierbei verwendete Matrixnorm. muss mit der auf R n verwendeten Norm verträglich sein, d.h. es gilt Ax A x für alle x R n.

6 Bemerkung: Verträgliche Matrixnormen für A R n n : für x = max k x k : Zeilensummennorm A := max j n a jk. k=1 für x 1 = k x k : Spaltensummennorm A 1 := max k n a jk. für x 2 = ( k x k 2 ) 1/2 : Spektralnorm und Frobeniusnorm A 2 := ρ(a T A), A F := j=1 n j,k=1 a 2 jk 1/2 = Spur(A T A).

7 In der Analysis wurde bereits der folgende Satz bewiesen Banachscher Fixpunktsatz Sei D R n eine nichtleere abgeschlossene Teilmenge und φ : D D eine kontrahierende Selbstabbildung mit der Kontraktionskonstante 0 L < 1. Dann hat φ genau einen Fixpunkt x D. Für jeden Startwert x 0 D liefert das allgemeine Iterationsverfahren x k+1 = φ(x k ), k 0, eine konvergente Folge (x k ) k 0, die gegen den Fixpunkt x D konvergiert. Es gelten die folgenden Fehlerabschätzungen für k 1: x k x L x k 1 x (monotone Abnahme) x k x x k x L 1 L x k x k 1 L k 1 L x 1 x 0 (a posteriori) (a priori)

8 6.2.6: Prüfung des Wertebereichs Wichtig ist die Voraussetzung an den Wertebereich von φ, also φ(d) D, damit die Iterationsfolge gebildet werden kann. a) Für eine Funktion φ : [a,b] R prüft man dies mit den üblichen Methoden zur Kurvendiskussion (Monotoniebereiche). b) Einschränkung von φ: Für φ : D R n wählt man ein ξ 0 D und r > 0 sowie 0 L < 1 mit den folgenden Eigenschaften: (1) K r(ξ 0) = {x R n x ξ 0 r} D. (2) Für alle u,v K r(ξ 0) gilt φ(u) φ(v) L u v. (3) Es gilt die Kugelbedingung φ(ξ 0) ξ 0 r(1 L). Dann bildet φ die Menge K r (ξ 0 ) in sich ab, ist also auf dieser Menge eine kontrahierende Selbstabbildung.

9 6.3 Newton-Verfahren Ziel: Löse das (nichtlineare) Gleichungssystem f(x) = 0, wobei f : D R n R n mindestens einmal stetig differenzierbar ist Das Newton-Verfahren im R n Eine mögliche Fixpunktform der Gleichung lautet f(x) = 0 x = x [f (x)] 1 f(x), f 1 x 1 (x) falls die Jacobi-Matrix f (x) =. f n x 1 (x) invertierbar ist. Das hierzu passende allgemeine Iterationsverfahren heißt Newton-Verfahren. f 1 x n (x). für alle x D f n x n (x) x (k+1) = x (k) [f (x (k) )] 1 f(x (k) ), k 0,

10 Bemerkung: Für n = 1 ist x k+1 = x k f(x k) f (x k ) die Nullstelle der Tangente an den Grafen von f im Punkt (x k,f(x k )).

11 6.3.2 Beispiel: Die Funktion f : R R, f(x) = x 6 x 1, besitzt eine positive Nullstelle im Intervall [0,2], und zwar x Wir verwenden 1. die Fixpunktiteration φ 1 (x) = (1+x) 1/6 mit Startwert x 0 = 2, 2. das Newtonverfahren, also φ 2 (x) = x x6 x 1 6x 5 1. φ 1 φ

12 6.3.3 Lokale Konvergenz im skalaren Fall: Wir betrachten die Gleichung f(x) = 0 für f : D R R. Die Iterationsfunktion des Newton-Verfahrens lautet φ(x) = x f(x) f (x). f sei zweimal stetig differenzierbar in einer Umgebung (a,b) von x und es gelte f(x ) = 0, f (x ) 0. Dann ist φ stetig differenzierbar in einer Umgebung von x, ( φ (x) = 1 1 f(x)f ) (x) (f (x)) 2 = f(x)f (x) (f (x)) 2. Insbesondere ist φ (x ) = 0. Also gibt es ein δ > 0 so, dass φ im Intervall K δ (x ) = [x δ,x +δ] kontrahierend ist. Mit ξ 0 = x in 6.2.5(b) ist die Kugelbedingung ebenfalls erfüllt. Eine etwas genauere Untersuchung ergibt:

13 Satz: Lokale Konvergenz des Newton-Verfahrens im skalaren Fall Die Funktion f : [a,b] R sei zweimal stetig differenzierbar und besitze eine Nullstelle x (a,b) mit f (x ) 0. Weiter gelte m := min x [a,b] f (x) > 0. M := max x [a,b] f (x) <. Wir wählen 0 < r < r 0 = 2m M mit K r(x ) [a,b]. Dann ist die Iterationsfunktion φ(x) = x f(x) f (x) des Newtonverfahrens eine kontrahierende Selbstabbildung des Intervalls K r (x ) mit der Kontraktionskonstante L = Mr 2m < 1. Also konvergiert die Folge (x k ) des Newton-Verfahrens für jeden Startwert x 0 K r (x ) gegen x.

14 Es gelten die a-priori Fehlerabschätzung x k x M 2m x k 1 x 2 2m ) M L(2k und die a-posteriori Fehlerabschätzungen x k x 1 m f(x k) M 2m x k x k 1 2. Die Folge (x k ) konvergiert also lokal quadratisch.

15 Wesentliche Beweisschritte: 1. Wegen m > 0 gibt es keine weitere Nullstelle in [a,b] (Satz von Rolle). 2. Für beliebige x,y [a,b], x y, folgt aus dem Mittelwertsatz x y 1 m f(x) f(y). Damit ist die erste a-posteriori Fehlerabschätzung gezeigt. 3. Die Taylorentwicklung um die Stelle x [a,b] ergibt x 0 = f(x ) = f(x)+(x x)f (x)+ f (ξ)(x ξ)dξ. x Daraus erhalten wir f(x) (x x )f (x) M 2 (x x ) 2 und weiter φ(x) x = (x x ) f(x) f (x) M 2m (x x ) Wegen r < 2m M folgt für alle x Kr(x ) φ(x) x M 2m (x x ) 2 x x r, also ist φ eine Selbstabbildung von K r(x ): Alle Folgenglieder x k (bei beliebigem x 0 K r(x )) liegen in K r(x ).

16 5. Wir führen die Bezeichnung ǫ k = M 2m x k x ein. Aus 3. folgt auch Wegen ǫ k ǫ 2 k 1 ǫ(2k ) 0. ǫ 0 = M 2m x 0 x Mr 2m = L < 1 folgen die Konvergenz ǫ k 0, also x k x und die a-priori Fehlerabschätzung. 6. Zum Beweis der zweiten a-posteriori Abschätzung erhalten wir wie in 3. (Taylorentwicklung um die Stelle x k 1 ) f(x k ) f(x k 1 ) (x k x k 1 )f (x k 1 ) M 2 (x k x k 1 ) 2. Als Nullstelle der Tangente erfüllt x k die Beziehung f(x k 1 )+(x k x k 1 )f (x k 1 ) = 0, also haben wir f(x k ) M 2 (x k x k 1 ) 2. Damit ergibt sich die zweite a-posteriori Abschätzung.

17 6.3.4 Bemerkung Die in gewählte Umgebung K r(x ) einer einfachen Nullstelle x der Funktion f ist ein Einzugsbereich dieser Nullstelle: für einen Startwert x 0 in dieser Umgebung erfolgt sehr rasche Konvergenz. Z.B. für L = 1/2 erzielt man mit 5 bzw. 10 Iterationsschritten bereits x 5 x 2m M m M 10 10, x 10 x 2m M m M Die wirkliche Schwierigkeit besteht häufig darin, mit dem Startwert überhaupt eine solche Umgebung zu treffen, da der Radius r sehr klein sein kann. Oft kann man zunächst eine langsame (lineare) Annäherung der Zahlen x 0,x 1,...,x n an die Nullstelle beobachten, bevor die schnelle quadratische Konvergenz einsetzt. Dies liegt daran, dass erst das Folgenglied x n im Einzugsbereich K r(x ) liegt. Sehr oft wird man gar keine Konvergenz erzielen, wenn x 0 nicht nahe genug bei x gewählt wird. Bestimmte Ausnahmen werden in der Übung behandelt.

18 6.3.5 Lokale Konvergenz im mehrdimensionalen Fall Verallgemeinerungen aus dem skalaren Fall: f : Ω R n R n ist stetig differenzierbar, Ω ist konvex und offen. f besitzt eine Nullstelle x Ω und die Jacobimatrix f (x ) ist invertierbar (also detf (x ) 0). f ist auf Ω Lipschitz-beschränkt mit einer Konstanten M > 0, d.h. f (x) f (y) M x y, x,y Ω. Für jedes x Ω ist f (x) invertierbar und 1 m := sup [f (x)] 1 <. x Ω Satz: Lokale Konvergenz des Newton-Verfahrens (mehrdimensional) Unter den obigen Voraussetzungen wählen wir 0 < r < r 0 = 2m M so, dass K r (x ) Ω gilt. Dann ist die Iterationsfunktion φ(x) = x [f (x)] 1 f(x) des Newtonverfahrens eine kontrahierende Selbstabbildung von K r (x ) mit der Kontraktionskonstante L = Mr 2m < 1.

19 Also konvergiert die Folge (x k ) des Newton-Verfahrens für jeden Startwert x 0 K r (x ) gegen x. Es gilt die a-priori Fehlerabschätzung x k x 2m M L(2k). Die Folge (x k ) konvergiert also lokal quadratisch Beispiel: a) Einzugsgebiet: Flugbahn der US-Raumsonde Voyager 2 ( ), siehe www-aix.gsi.de/ giese/swr b) Einführungsbeispiel: (s. auch Dahmen, Reusken, S )

20 6.4 Ergänzungen zum Newton-Verfahren Skalarer Fall: mehrfache Nullstelle Gegeben: f : [a,b] R mit doppelter Nullstelle x und f (x ) 0. Falls f dreimal stetig differenzierbar ist, gilt für jedes x mit f (x) 0 (x x ) f f(x) (x ) f (x) = f (x )(x x )+ In einer Umgebung von x gilt Also erhalten wir x x f (ξ) x (x ξ)2 2 x f (ξ) (x ξ) 2 dξ x x x f (ξ)(x ξ)dξ dξ = O( x x 3 ), x f (ξ)(x ξ)dξ = O( x x 2 ). x x f(x) f (x) = 2 +O( x x 2 ) 1+O( x x ) = x x 2 2 +O( x x 2 ).

21 Der modifizierte Ansatz zum Newtonverfahren x k+1 = x k 2 f(x k) f (x k ) führt also wieder zur lokal quadratischen Konvergenz: x k+1 x = x k x 2 f(x k) f (x k ) = O( x k x 2 ). Definition: modifiziertes Newton-Verfahren Bei p-facher Nullstelle x von f, also f(x ) = f (x ) = = f (p 1) (x ) = 0, f (p) (x ) 0 (p 2), lautet das modifizierte Newtonverfahren x k+1 = x k p f(x k) f (x k ).

22 6.4.2 Vereinfachtes Newton-Verfahren Das Newton-Verfahren im R n wird meist so programmiert: Gegeben: Startwert x 0. Für k = 0,1,2,...: 1. Berechne f(x k ), A k := f (x k ), 2. löse das lineare Gleichungssystem A k s k = f(x k ), 3. Setze x k+1 := x k +s k, bis k k max oder A 1 k f(x k+1) tol. In jedem Schritt ist also ein lineares Gleichungssystem zu lösen, in dem die Newton-Korrektur s k berechnet wird. Die Abbruchbedingung ist in Anlehnung an die erste a-posteriori Fehlerabschätzung im skalaren Fall gewählt. Beim vereinfachten Newton-Verfahren hält man die Matrix dieses Gleichungssystems für mehrere Schritte fest, also z.b. 2. löse das lineare Gleichungssystem As k = f(x k ), 3. Setze x k+1 = x k +s k.

23 Das vereinfachte Newton-Verfahren entspricht der Fixpunkt-Iteration x k+1 = x k A 1 f(x k ), mit festem A. Bei geeigneter Wahl von A liegt lineare Konvergenz gegen die Nullstelle x von f vor (z.b. falls A eine gute Näherung der Jacobi-Matrizen von f in einer Umgebung der Nullstelle x ist und der Startwert x 0 nahe genug bei x gewählt wird).

24 6.4.3 Gedämpftes Newton-Verfahren Zur Globalisierung der Konvergenz verwendet man die Newton-Korrektur s k = [f (x k )] 1 f(x k ) als Suchrichtung, entlang der die Norm des Funktionswerts f(x k +λs k ) verringert werden soll: Gegeben: Startwert x 0. Für k = 0,1,2,... : 1. Berechne f(x k ), A k := f (x k ). 2. Löse das lineare Gleichungssystem A k s k = f(x k ), 2.a Setze λ = 1. 2.b Dämpfung: Setze x := x k +λs k ; C λ := 1 λ/4; Falls A 1 k f(x) C λ A 1 k f(x k), gehe zu 3. Sonst: Setze λ := λ/2. Falls λ λ min, gehe zu 2.b. Sonst ABBRUCH: keine Konvergenz. 3. Setze x k+1 := x, bis k k max oder A 1 k f(x k+1) tol.

25 Der Algorithmus hat zwei ineinander geschachtelte Schleifen, die durch die Parameter λ min und k max begrenzt werden. Die Voraussetzungen an den Startwert x 0 für die Konvergenz gegen die Nullstelle x sind wesentlich schwächer als beim Newton-Verfahren Daher liegt oft Konvergenz vor, auch wenn x 0 eine grobe Näherung an x ist.

26 6.5 Newton-ähnliche Verfahren zur Nullstellenberechnung in R Sekantenverfahren: Ersetze die Ableitung durch den Differenzenquotienten der zwei letzten Folgenglieder: x k+1 = x k x k x k 1 f(x k ) f(x k 1 ) f(x k) = x k f(x k) f[x k 1,x k ]. Hierbei werden zwei Startwerte x 0,x 1 benötigt. Die Iteration kann durchgeführt werden, wenn f streng monoton ist, weil dann f[x k 1,x k ] 0 gilt. Die Konvergenzuntersuchung ist ähnlich zum Newton-Verfahren (Satz 6.3.3). Wir benötigen die Folge der Fibonacci-Zahlen F 0 = 1, F 1 = 1, F k+1 = F k +F k 1 für k 1.

27 6.5.2 Satz: Lokale Konvergenz des Sekanten-Verfahrens Die Funktion f : [a,b] R sei zweimal stetig differenzierbar und besitze eine Nullstelle x (a,b) mit f (x ) 0. Weiter gelte m := min x [a,b] f (x) > 0, M := max x [a,b] f (x) <. Wir wählen 0 < r < r 0 = 2m M mit K r(x ) [a,b]. Dann liegen die Iterierten x k des Sekantenverfahrens bei beliebigen Startwerten x 0,x 1 K r (x ), x 0 x 1, ebenfalls in K r (x ), die Folge (x k ) konvergiert gegen x.

28 Mit L = Mr 2m < 1 gelten die a-priori Fehlerabschätzung x k x M 2m x k 1 x x k 2 x 2m M LF k und die a-posteriori Fehlerabschätzungen x k x 1 m f(x k) M 2m x k x k 1 x k x k 2.

29 Der Beweis verläuft analog wie in 6.3.3, siehe auch [Rannacher: Satz 6.3.1]. Die Fibonacci-Zahlen kommen ins Spiel, indem wir wie in setzen und die Abschätzung ǫ k = M 2m x k x ǫ k ǫ k 1 ǫ k 2 rekursiv auf ǫ j = M 2m x j x L, j = 1,2 zurückführen: ǫ k ǫ F 1 k 1 ǫf 0 k 2 ǫf 2 k 2 ǫf 1 k 3 ǫf 3 k 3 ǫf 2 k 4 ǫf k 1 1 ǫ F k 2 0 L F k. Bemerkung: Aus der Formel für die Fibonacci-Zahlen F k = 1 ( λ k+1 1 λ k+1 ) 2, λ1,2 = 1± 5, 5 2 erhalten wir F k λ1 5 λ k k < 2 k. Die a-priori Fehlerabschätzung für das Sekantenverfahren deutet also auf eine langsamere Konvergenz gegenüber dem Newton-Verfahren hin. Da aber in jedem Schritt nur 1 Auswertung von f erforderlich ist (beim Newton-Verfahren je eine Auswertung von f und f ), kann das Sekantenverfahren trotzdem vorteilhaft sein.

30 6.5.3 Regula falsi: Mischung des Sekantenverfahrens mit der Bisektion: man schließt eine Nullstelle ein, indem man den Vorzeichenwechsel von f zwischen x k 1 und x k fordert. Als Startwerte sind x 0,x 1 zu wählen mit f(x 0 )f(x 1 ) < 0 (Vorzeichenwechsel von f). Der neue Wert x k+1 wird genau wie beim Sekantenverfahren berechnet: x k+1 = x k x k x k 1 f(x k ) f(x k 1 ) f(x k) = x k f(x k) f[x k 1,x k ]. Dann wird entschieden, ob der vorletzte Wert x k beibehalten wird (nämlich wenn f(x k )f(x k+1 ) < 0 gilt), oder ob x k durch den vorvorletzten Wert x k 1 ersetzt wird. Hierdurch wird der Unterschied zum Sekantenverfahren deutlich: Wählt man bei beiden Verfahren die gleichen Startwerte x 0 und x 1, so ist auch x 2 bei beiden Verfahren gleich. Die Werte von x 3 unterscheiden sich aber, falls nach dem ersten Schritt der Regula falsi x 1 durch x 0 ersetzt wurde, weil f(x 2 ) und f(x 1 ) das gleiche Vorzeichen haben. Durch die Einschließungseigenschaft ist die Regula falsi sehr stabil. Meistens ist die Konvergenz etwas besser als beim Bisektionsverfahren, aber immer noch linear.

31 6.6 Allgemeine Aussagen zur Konvergenzordnung Definition: Konvergenzordnung Eine konvergente Folge (x k ) k 0 im R n mit Grenzwert x hat die Konvergenzordnung p 1, falls es k 0 N und c > 0 (mit c < 1 im Fall p = 1) gibt, so dass für alle k k 0 gilt. x k+1 x c x k x p Im Fall p = 1 spricht man von linearer Konvergenz. Für k k 0 gelten die a-priori und a-posteriori Fehlerabschätzungen (mit L := c) des Banachschen Fixpunktsatzes: x k x ck k0 1 c x k 0+1 x k0, x k x c 1 c x k x k 1.

32 Im Fall p = 2 spricht man von quadratischer Konvergenz, siehe Newton-Verfahren. Dann gilt für k k 0 Gilt im Fall p = 1 die Beziehung x k x 1 c x k 0 x 2k k 0. x k+1 x lim k x k x = 0, so spricht man von superlinearer Konvergenz. Einige Quasi-Newton -Verfahren sind superlinear, haben aber keine Konvergenzordnung p > 1.

33 6.6.2 Satz: Konvergenzordnung der Fixpunkt-Iteration in R Es sei p N, p 2. Die Funktion φ : [a,b] [a,b] sei p-mal stetig differenzierbar und kontrahierend. Für den eindeutig bestimmten Fixpunkt x gelte φ (x ) = = φ (p 1) (x ) = 0. Dann hat die Folge der Iterierten (x k ) des allgemeinen Iterationsverfahrens die Konvergenzordnung p. x 0 [a,b], x k+1 = φ(x k ), k 0, Beweisidee: Man zeigt mit der Taylorformel x φ(x) x = φ (p) (x ξ)p 1 (ξ) dξ x (p 1)! M p p! x x p mit M p = sup x [a,b] φ (p) (x).

Kapitel 5. Lösung nichtlinearer Gleichungen

Kapitel 5. Lösung nichtlinearer Gleichungen Kapitel 5. Lösung nichtlinearer Gleichungen 5.1 Nullstellen reeller Funktionen, Newton-Verfahren 5.2 Das Konvergenzverhalten iterativer Verfahren 5.3 Methode der sukzessiven Approximation 5.4 Das Newton-Verfahren

Mehr

Nichtlineare Gleichungssysteme

Nichtlineare Gleichungssysteme Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei

Mehr

KAPITEL 5. Nichtlineare Gleichungssysteme

KAPITEL 5. Nichtlineare Gleichungssysteme KAPITEL 5. Nichtlineare Gleichungssysteme Beispiel 5.1. Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 mit gegenseitigem Abstand r: F = G m 1m 2 r 2, wobei G = 6.67 10 11 Nm 2 /kg. Gravitationsfeld

Mehr

6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme

6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6.1 Nullstellen reeller Funktionen Bemerkung 6.1 (Problemstellung) geg.: f C[a, b] ges.: x [a, b] mit f(x ) = 0 Lösungstheorie f linear

Mehr

6. Iterationsverfahren. Fixpunktiteration. 6.Iterationsverfahren: Fixpunktiteration Numerisches Programmieren, Jürgen Bräckle page 1 of 16

6. Iterationsverfahren. Fixpunktiteration. 6.Iterationsverfahren: Fixpunktiteration Numerisches Programmieren, Jürgen Bräckle page 1 of 16 6. Iterationsverfahren Fixpunktiteration Numerisches Programmieren, Jürgen Bräckle page 1 of 16 Beispiel: Ausbreitung eines Grippevirus in einem Kindergarten Zeitpunkt t 0 t 1 t 2 t 3 t 4 t 5 Anteil kranker

Mehr

Nichtlineare Gleichungen

Nichtlineare Gleichungen Nichtlineare Gleichungen Ein wichtiges Problem in der Praxis ist die Bestimmung einer Lösung ξ der Gleichung f(x) =, () d.h. das Aufsuchen einer Nullstelle ξ einer (nicht notwendig linearen) Funktion f.

Mehr

3 Nichtlineare Gleichungssysteme

3 Nichtlineare Gleichungssysteme 3 Nichtlineare Gleichungsssteme 3.1 Eine Gleichung in einer Unbekannten Problemstellung: Gegeben sei die stetige Funktion f(). Gesucht ist die Lösung der Gleichung f() = 0. f() f() a) f ( ) 0 b) f ( )

Mehr

Nichtlineare Gleichungssysteme

Nichtlineare Gleichungssysteme Kapitel 5 Nichtlineare Gleichungssysteme Nichtlineare Gleichungen oder Gleichungssysteme müssen in vielen Anwendungen der Mathematik gelöst werden. Typischerweise werden die Lösungen nichtlinearer Gleichungen

Mehr

5 Numerische Iterationsverfahren

5 Numerische Iterationsverfahren In diesem Kapitel besprechen wir numerische Iterationsverfahren (insbesondere Fixpunktverfahren) als eine weitere Lösungsmethode zur Lösung von linearen Gleichungssystemen (Kapitel 4) sowie zur Lösung

Mehr

Numerisches Lösen von Gleichungen

Numerisches Lösen von Gleichungen Numerisches Gesucht ist eine Lösung der Gleichung f(x) = 0. Das sverfahren ist eine numerische Methode zur Bestimmung einer Nullstelle. Es basiert auf dem Zwischenwertsatz: Satz (1.1.1) Zwischenwertsatz:

Mehr

Newton-Verfahren für ein Skalarfunktion

Newton-Verfahren für ein Skalarfunktion Newton-Verfahren für ein Skalarfunktion Für eine Näherungsberechnung von Nullstellen einer reellen Funktion f(x) : R R benutzt man das Newton-Verfahren: x (n+1) = x (n) f(x (n) )/f (x (n) ). Das Newton-Verfahren

Mehr

Nichtlineare Gleichungssysteme

Nichtlineare Gleichungssysteme Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung

Mehr

Ziel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0.

Ziel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0. 6.4 Fixpunkt-Iteration Ziel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0. Möglichkeiten: Bisektionsverfahren (Intervallhalbierung) Newton-Verfahren, x k+1 = x k f(x k) f (x k ) für k = 0, 1,

Mehr

Näherungsverfahren zur Bestimmung der Nullstelle α sind iterativ, d.h. sie liefern eine Folge {x (k) } k=0 mit α = lim x (k). (3.0.

Näherungsverfahren zur Bestimmung der Nullstelle α sind iterativ, d.h. sie liefern eine Folge {x (k) } k=0 mit α = lim x (k). (3.0. 3 Nullstellenbestimmung von Funktionen Sei x f(x) eine reellwertige Funktion, definiert auf einem Intervall I = [a, b] R. suchen Nullstellen der Funktion f, d.h. Wir finde α R so, das f(α) = 0. (3.0.1)

Mehr

Algebra. Roger Burkhardt Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft

Algebra. Roger Burkhardt Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft Algebra Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft FS 2010 Roger Burkhardt roger.burkhardt@fhnw.ch Algebra

Mehr

Numerische Ableitung

Numerische Ableitung Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:

Mehr

Kapitel 4: Nichtlineare Nullstellenprobleme

Kapitel 4: Nichtlineare Nullstellenprobleme Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 4: Nichtlineare Nullstellenprobleme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik (SS

Mehr

KAPITEL 6. Nichtlineare Ausgleichsrechnung

KAPITEL 6. Nichtlineare Ausgleichsrechnung KAPITEL 6 Nichtlineare Ausgleichsrechnung Beispiel 61 Gedämpfte Schwingung: u + b m u + D m u = 0, Lösungen haben die Form: u(t) = u 0 e δt sin(ω d t + ϕ 0 ) Modell einer gedämpften Schwingung y(t; x 1,

Mehr

Fixpunkt-Iterationen

Fixpunkt-Iterationen Fixpunkt-Iterationen 2. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 27. Februar 2014 Gliederung Wiederholung: Gleichungstypen, Lösungsverfahren Grundprinzip

Mehr

Nichtlineare Gleichungssysteme

Nichtlineare Gleichungssysteme Kapitel 2 Nichtlineare Gleichungssysteme Problem: Für vorgegebene Abbildung f : D R n R n finde R n mit oder ausführlicher f() = 0 (21) f 1 ( 1,, n ) = 0, f n ( 1,, n ) = 0 Einerseits führt die mathematische

Mehr

(d) das zu Grunde liegende Problem gut konditioniert ist.

(d) das zu Grunde liegende Problem gut konditioniert ist. Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt

Mehr

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es

Mehr

Nullstellenberechnung von nichtlinearen Funktionen

Nullstellenberechnung von nichtlinearen Funktionen Kapitel 3 Nullstellenberechnung von nichtlinearen Funktionen In dieser Vorlesung wird nur die Nullstellenberechnung reeller Funktionen einer reellen Variablen f : R R betrachtet. Man nennt die Nullstellen

Mehr

18.4 Das Newton-Verfahren

18.4 Das Newton-Verfahren 18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift

Mehr

Inhalt Kapitel I: Nichtlineare Gleichungssysteme

Inhalt Kapitel I: Nichtlineare Gleichungssysteme Inhalt Kapitel I: Nichtlineare Gleichungssysteme I Nichtlineare Gleichungssysteme I. Nullstellenbestimmung von Funktionen einer Veränderlichen I.2 I.3 Newton-Verfahren Kapitel I (UebersichtKapI) 3 Bisektionsverfahren

Mehr

2 Nullstellenbestimmung

2 Nullstellenbestimmung 2.1 Motivation und Einordnung Das Lösen von nichtlinearen Gleichungen spielt eine grundlegende Rolle in der Mathematik. Oft werden solche Aufgabenstellungen als Nullstellenproblem formuliert. Die Nullstellenbestimmung

Mehr

2 Stetigkeit und Differenzierbarkeit

2 Stetigkeit und Differenzierbarkeit 2.1) Sei D R. a) x 0 R heißt Häufungspunkt von D, wenn eine Folge x n ) n N existiert mit x n D,x n x 0 und lim n x n = x 0. D sei die Menge der Häufungspunkte von D. b) x 0 D heißt innerer Punkt von D,

Mehr

Numerische Mathematik für Ingenieure (SoSe 2013)

Numerische Mathematik für Ingenieure (SoSe 2013) Numerische Mathematik für Ingenieure (SoSe 2013) PD Dr(USA) Maria Charina Auszüge aus Vorlesungsfolien von Prof Joachim Stöckler werden verwendet Für die Bereitstellung dieses Materials und der Tex-Files

Mehr

Iterative Lösung von nichtlinearen Gleichungen und Gleichungssystemen

Iterative Lösung von nichtlinearen Gleichungen und Gleichungssystemen Kapitel 5 Iterative Lösung von nichtlinearen Gleichungen und Gleichungssstemen 5.1 Iterationsverfahren zur Lösung einer reellen nichtlinearen Gleichung Es sei g() eine im Intervall I definierte reellwertige

Mehr

Näherungsverfahren zur Berechnung von Nullstellen. Das Newtonsche Iterationsverahren

Näherungsverfahren zur Berechnung von Nullstellen. Das Newtonsche Iterationsverahren Näherungsverfahren zur Berechnung von Nullstellen Das Newtonsche Iterationsverahren. Dieses Verfahren der Nullstellenanäherung macht von der Tatsache Gebrauch, dass der Funktionsgraph einer differenzierbaren

Mehr

Mathematik II. Vorlesung 49. Der Banachsche Fixpunktsatz

Mathematik II. Vorlesung 49. Der Banachsche Fixpunktsatz Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 49 Der Banachsche Fixpunktsatz Satz 49.1. Es sei M ein nicht-leerer vollständiger metrischer Raum und f :M M eine stark kontrahierende Abbildung.

Mehr

5 Numerische Mathematik

5 Numerische Mathematik 6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul

Mehr

Modulprüfung Numerische Mathematik 1

Modulprüfung Numerische Mathematik 1 Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel

Mehr

Numerische Verfahren zur Lösung nichtlinearer Gleichungen

Numerische Verfahren zur Lösung nichtlinearer Gleichungen Kapitel 2 Numerische Verfahren zur Lösung nichtlinearer Gleichungen 21 Aufgabenstellung und Motivation Ist f eine in einem abgeschlossenen Intervall I = [a, b] stetige und reellwertige Funktion, so heißt

Mehr

Kapitel 3. Konvergenz von Folgen und Reihen

Kapitel 3. Konvergenz von Folgen und Reihen Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden

Mehr

Gleichungen, GS und Nullstellen

Gleichungen, GS und Nullstellen TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG5.TEX Übungsaufgaben zum Lehrgebiet Numerische Mathematik - Serie 5 Gleichungen, GS

Mehr

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.

Stetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f. Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen

Mehr

Umkehrfunktion. g (y) = f (x) 1, x = g(y), Umkehrfunktion 1-1

Umkehrfunktion. g (y) = f (x) 1, x = g(y), Umkehrfunktion 1-1 Umkehrfunktion Ist für eine stetig differenzierbare n-variate Funktion f : D R n die Jacobi-Matrix f (x ) für einen Punkt x im Innern des Definitionsbereiches D R n nicht singulär, so ist f lokal invertierbar,

Mehr

GMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida

GMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?

Mehr

Analysis II. Prof. Dr. H. Brenner Osnabrück SS 2014

Analysis II. Prof. Dr. H. Brenner Osnabrück SS 2014 Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 51 Für eine stetig differenzierbare Funktion ϕ: R R mit ϕ (P) > 0 in einem Punkt P R gibt es ein offenes Intervall P I =]P δ,p +δ, auf dem ϕ

Mehr

Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn

Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum

Mehr

( ) Dann gilt f(x) g(x) in der Nähe von x 0, das heisst. Für den Fehler r(h) dieser Näherung erhält man unter Verwendung von ( )

( ) Dann gilt f(x) g(x) in der Nähe von x 0, das heisst. Für den Fehler r(h) dieser Näherung erhält man unter Verwendung von ( ) 64 Die Tangente in x 0 eignet sich also als lokale (lineare) Näherung der Funktion in der Nähe des Punktes P. Oder gibt es eine noch besser approximierende Gerade? Satz 4.9 Unter allen Geraden durch den

Mehr

i j m f(y )h i h j h m

i j m f(y )h i h j h m 10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem

Mehr

Nichtlineare Gleichungen in einer und mehreren Unbekannten

Nichtlineare Gleichungen in einer und mehreren Unbekannten Nichtlineare Gleichungen in einer und mehreren Unbekannten 2. Vorlesung 170004 Numerische Methoden I Clemens Brand 25. Februar 2010 Newton- Gliederung Newton-, ng Newton- , Fragenliste Nichtlineare Gleichungen

Mehr

6.2 Die Regeln von de l Hospital. Ausgangsfrage: Wie berechnet man den Grenzwert. Beispiel: Sei f(x) = x 2 und g(x) = x. Dann gilt. lim.

6.2 Die Regeln von de l Hospital. Ausgangsfrage: Wie berechnet man den Grenzwert. Beispiel: Sei f(x) = x 2 und g(x) = x. Dann gilt. lim. 6.2 Die Regeln von de l Hospital Ausgangsfrage: Wie berechnet man den Grenzwert falls g(x), beide Funktionen gegen Null konvergieren, d.h. = g(x) = 0 beide Funktionen gegen Unendlich konvergieren, d.h.

Mehr

LAF Mathematik. Näherungsweises Berechnen von Nullstellen von Funktionen

LAF Mathematik. Näherungsweises Berechnen von Nullstellen von Funktionen LAF Mathematik Näherungsweises Berechnen von Nullstellen von Funktionen von Holger Langlotz Jahrgangsstufe 12, 2002/2003 Halbjahr 12.1 Fachlehrer: Endres Inhalt 1. Vorkenntnisse 1.1 Nicht abbrechende Dezimalzahlen;

Mehr

18.2 Implizit definierte Funktionen

18.2 Implizit definierte Funktionen 18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir

Mehr

Nichtlineare Gleichungen, mehrere Unbekannte

Nichtlineare Gleichungen, mehrere Unbekannte Dritte Vorlesung, 6. März 2008, Inhalt Aufarbeiten von Themen der letzten Vorlesung, und Nichtlineare Gleichungen, mehrere Unbekannte Systeme nichtlinearer Gleichungen Vektor- und Matrixnormen Fixpunkt-Iteration,

Mehr

Höhere Mathematik für Physiker II

Höhere Mathematik für Physiker II Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei

Mehr

Rückblick auf die letzte Vorlesung. Bemerkung

Rückblick auf die letzte Vorlesung. Bemerkung Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D

Mehr

2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p

2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.

Mehr

Nullstellen von algebraischen Gleichungen

Nullstellen von algebraischen Gleichungen Kapitel 2 Nullstellen von algebraischen Gleichungen 2.1 Vorbemerkungen Suche Lösung der Gleichung f(x) = 0 (2.1) Dies ist die Standardform für eine Dimension. - typisch nichtlineare Gleichung, sonst elementar

Mehr

Lineare Algebra II 5. Übungsblatt

Lineare Algebra II 5. Übungsblatt Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,

Mehr

Wiederholung von Linearer Algebra und Differentialrechnung im R n

Wiederholung von Linearer Algebra und Differentialrechnung im R n Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:

Mehr

Rechenoperationen mit Folgen. Rekursion und Iteration.

Rechenoperationen mit Folgen. Rekursion und Iteration. Rechenoperationen mit Folgen. Die Menge aller Folgen in V bildet einen Vektorraum, V N, für den die Addition und skalare Multiplikation wie folgt definiert sind. (a n ) n N + (b n ) n N := (a n + b n )

Mehr

8.3 Lösen von Gleichungen mit dem Newton-Verfahren

8.3 Lösen von Gleichungen mit dem Newton-Verfahren 09.2.202 8.3 Lösen von Gleichungen mit dem Newton-Verfahren Beispiel: + 2 e Diese Gleichung kann nicht nach aufgelöst werden, da die beiden nicht zusammengefasst werden können. e - - 2 0 Die gesuchten

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Anwendungen der Differentialrechnung

Anwendungen der Differentialrechnung KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle

Mehr

Numerisches Programmieren, Übungen

Numerisches Programmieren, Übungen Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus

Mehr

Kapitel 2. Zahlenbereiche

Kapitel 2. Zahlenbereiche Kapitel 2. Zahlenbereiche 2.3. Reelle Zahlen Erweiterung des Zahlenbereichs der natürlichen Zahlen Ganze Zahlen Z := {..., 3, 2, 1, 0, 1, 2, 3,... } = N {0} N. Rationale Zahlen Q := { m n m Z, n N }. Beachte:

Mehr

Begleitmaterial zur Vorlesung Numerik I

Begleitmaterial zur Vorlesung Numerik I Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik

Mehr

Anwendungen der Differentialrechnung

Anwendungen der Differentialrechnung KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................

Mehr

3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba.

3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba. Die Eindeutigkeit nach Satz 3 ergibt schließlich (5). (6) folgt aus (2) und () wegen Aussage (7) ergibt sich aus () und (6). 0 = log b = log b ( a a) = log b a +log ba. 3 Reihen 3. Konvergenz und Divergenz

Mehr

Lösen einer Gleichung

Lösen einer Gleichung Zum Lösen von Gleichungen benötigen wir: mindestens einen Term eine Definition der in Frage kommenden Lösungen (Grundmenge) Die Grundmenge G enthält all jene Zahlen, die als Lösung für eine Gleichung in

Mehr

Konvergenz von Folgen

Konvergenz von Folgen 6 Konvergenz von Folgen Definition 6.1 Eine Folge in C (oder R) ist eine Abbildung f : N C (oder R). Schreibweise: (a n ) n N, (a n ), a 1, a 2... wobei a n = f(n). Beispiele: 1) (1 + 2 n ) n N, 3 2, 5

Mehr

Approximation von Nullstellen mit Hilfe der Ableitung Mit Tangenten geht es oft einfacher und schneller als mit Sehnen oder Sekanten

Approximation von Nullstellen mit Hilfe der Ableitung Mit Tangenten geht es oft einfacher und schneller als mit Sehnen oder Sekanten Gegeben ist die Funktion f mit f(x :' x 4 & 2@x 3 & 3@x 2 % 3@x % 2 Man erkennt leicht, dass es durch die Dominanz des vierten Potenzterms ( x 4 genügt, die Funktion über dem Intervall [ -3 ; 3 ] zu betrachten,

Mehr

Funktionen mehrerer Variabler

Funktionen mehrerer Variabler Vektoranalysis Funktionen mehrerer Variabler Wir untersuchen allgemein vektorwertige Funktionen von vektoriellen Argumenten, wobei zunächst nur reelle Vektoren zugelassen seien. Speziell betrachten wir:

Mehr

GFS im Fach Mathematik. Florian Rieger Kl.12

GFS im Fach Mathematik. Florian Rieger Kl.12 file:///d /Refs/_To%20Do/12_09_04/NewtonVerfahren(1).html 27.02.2003 GFS im Fach Mathematik Florian Rieger Kl.12 1. Problemstellung NewtonApproximation Schon bei Polynomen dritter Ordnung versagen alle

Mehr

2.6 Stetigkeit und Grenzwerte

2.6 Stetigkeit und Grenzwerte 2.6 Stetigkeit und Grenzwerte Anschaulich gesprochen ist eine Funktion stetig, wenn ihr Graph sich zeichnen lässt, ohne den Stift abzusetzen. Das ist natürlich keine präzise mathematische Definition und

Mehr

Eigenwerte und Eigenvektoren

Eigenwerte und Eigenvektoren Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen

Mehr

Kapitel 16 : Differentialrechnung

Kapitel 16 : Differentialrechnung Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen

Mehr

Iterative Verfahren, Splittingmethoden

Iterative Verfahren, Splittingmethoden Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem

Mehr

Kapitel 2. Zahlenbereiche

Kapitel 2. Zahlenbereiche Kapitel 2. Zahlenbereiche 2.3. Reelle Zahlen Erweiterung des Zahlenbereichs der natürlichen Zahlen Ganze Zahlen Z := {..., 3, 2, 1, 0, 1, 2, 3,...} = N {0} N. Rationale Zahlen Q := { m } n m Z, n N. Beachte:

Mehr

Inexakte Newton Verfahren

Inexakte Newton Verfahren Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n

Mehr

Analysis II. 8. Klausur mit Lösungen

Analysis II. 8. Klausur mit Lösungen Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis II 8. Klausur mit en 1 2 Aufgabe 1. Definiere die folgenden kursiv gedruckten) Begriffe. 1) Eine Metrik auf einer Menge M. 2) Die Kurvenlänge

Mehr

Kapitel 2. Nichtlineare Gleichungen. Bisektion Newton Fixpunktiterationen Algebraische Polynome

Kapitel 2. Nichtlineare Gleichungen. Bisektion Newton Fixpunktiterationen Algebraische Polynome Kapitel 2 Nichtlineare Gleichungen Prof. R. Leithner, E. Zander Einführung in numerische Methoden für Ingenieure 2/2 Nullstellen Häufiges Problem im Wissenschaftlichen Rechnen: Berechnen der Nullstellen

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

8 Iterationsverfahren zur Lösung von Gleichungssystemen

8 Iterationsverfahren zur Lösung von Gleichungssystemen Numerische Mathematik 378 8 Iterationsverfahren zur Lösung von Gleichungssystemen Nichtlineare Gleichungssysteme (sogar eine nichtlineare Gleichung in einer Unbekannten) müssen fast immer iterativ gelöst

Mehr

Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.

Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x

Mehr

Dierentialrechnung mit einer Veränderlichen

Dierentialrechnung mit einer Veränderlichen Dierentialrechnung mit einer Veränderlichen Beispiel: Sei s(t) die zum Zeitpunkt t zurückgelegte Wegstrecke. Dann ist die durchschnittliche Geschwindigkeit zwischen zwei Zeitpunkten t 1 und t 2 gegeben

Mehr

Ausgleichsproblem. Definition (1.0.3)

Ausgleichsproblem. Definition (1.0.3) Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst

Mehr

Näherungsmethoden zum Lösen von Gleichungen

Näherungsmethoden zum Lösen von Gleichungen Mag. Gabriele Bleier Näherungsmethoden zum Lösen von Gleichungen Themenbereich Gleichungen, Differentialrechnung Inhalte Näherungsweises Lösen von Gleichungen Untersuchen von Funktionen, insbesondere Ermitteln

Mehr

Matrizennorm. 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. 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

Mehr

Jacobi- und Gauß-Seidel-Verfahren, Jacobi-Relaxationsverfahren

Jacobi- und Gauß-Seidel-Verfahren, Jacobi-Relaxationsverfahren Universität Hamburg SS 2005 Proseminar Numerik Leitung: Prof. W. Hofmann Vortrag von Markus Stürzekarn zum Thema: Jacobi- und Gauß-Seidel-Verfahren, Jacobi-Relaxationsverfahren Gegeben sei ein lineares

Mehr

Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2

Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2 Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die

Mehr

Numerische Mathematik für Ingenieure und Physiker

Numerische Mathematik für Ingenieure und Physiker Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin

Mehr

Modul Grundbildung Analysis WiSe 10/11. A.: Wurde in diesem Kapitel behandelt. C.: Weitere Fragen (Nicht nur für die Klausur interessant)

Modul Grundbildung Analysis WiSe 10/11. A.: Wurde in diesem Kapitel behandelt. C.: Weitere Fragen (Nicht nur für die Klausur interessant) Modul Grundbildung Analysis WiSe 10/11 Im Folgenden bedeutet A: Wurde in diesem Kapitel behandelt B: Interessante Aufgaben C: Weitere Fragen (Nicht nur für die Klausur interessant) V1 Konvergenz, Grenzwert

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 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als

Mehr

Rekursionen (Teschl/Teschl 8.1/8.2)

Rekursionen (Teschl/Teschl 8.1/8.2) Rekursionen (Teschl/Teschl 8.1/8.2) treten in vielen Algorithmen auf: Eine Rekursion ist eine Folge von Zahlen a 0, a 1, a 2,.., bei der jedes a n aus seinen Vorgängern berechnet wird: Beispiele a n =

Mehr

Serie 4 2 = 10. ) ist). Dann gilt für alle n n 0

Serie 4 2 = 10. ) ist). Dann gilt für alle n n 0 Serie 4. Aufgabe 336 Punkte) Gegeben seien zwei reelle Zahlenfolgen durch a n : 0 n, n N b n : n n, n N Bestimmen Sie die Grenzwerte a bzw. b der Folgen a n ) n N bzw. b n ) n N. Geben Sie jeweils zu gegebenem

Mehr

Folgen und Grenzwerte

Folgen und Grenzwerte Wintersemester 2015/201 Folgen und Grenzwerte von Sven Grützmacher Dieser Vortrag wurde für den (von der Fachschaft organisierten) Vorkurs für die Studienanfänger an der Fakultät für Mathematik und Informatik

Mehr

Multivariate Analysis

Multivariate Analysis Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle

Mehr

www.mathe-aufgaben.com

www.mathe-aufgaben.com Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit f(x) = x sin( x + ) Aufgabe : ( VP) Berechnen Sie das Integral

Mehr

Das Trust-Region-Verfahren

Das Trust-Region-Verfahren Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein

Mehr

f : x y = mx + t Der Graph einer linearen Funktion ist eine Gerade, welche die y-achse im Punkt S schneidet. = m 2 x 2 m x 1

f : x y = mx + t Der Graph einer linearen Funktion ist eine Gerade, welche die y-achse im Punkt S schneidet. = m 2 x 2 m x 1 III. Funktionen und Gleichungen ================================================================== 3.1. Lineare Funktionen Eine Funktion mit der Zuordnungvorschrift f : x y = mx + t und m, t R heißt lineare

Mehr

Regula Falsi Die folgende Abbildung beschreibt das Näherungsverfahren regula falsi zur Berechnung von Nullstellen:

Regula Falsi Die folgende Abbildung beschreibt das Näherungsverfahren regula falsi zur Berechnung von Nullstellen: BspNr: J0010 Themenbereich Näherungsverfahren zur Nullstellenberechnung (Regula falsi) Ziele Probleme, die bei der näherungsweisen Nullstellenberechnung auftreten können, erkennen. Analoge Aufgabenstellungen

Mehr

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene

Mehr

V.1 Konvergenz, Grenzwert und Häufungspunkte

V.1 Konvergenz, Grenzwert und Häufungspunkte V.1 Konvergenz, Grenzwert und Häufungspunkte S. 108 110 A. Bereits bekannt: Folge Extrem wichtig: Grenzwert bzw. Konvergenz: a n a oder lim n a n = a : ε R, ε > 0 n 0 N : a n a < ε n n 0 Begriffe: Fast

Mehr

Kapitel 6 Folgen und Stetigkeit

Kapitel 6 Folgen und Stetigkeit Kapitel 6 Folgen und Stetigkeit Mathematischer Vorkurs TU Dortmund Seite 76 / 226 Definition 6. (Zahlenfolgen) Eine Zahlenfolge (oder kurz: Folge) ist eine Funktion f : 0!. Statt f(n) schreiben wir x n

Mehr