Mathematik II/2 Numerik
|
|
- Alexandra Hofer
- vor 7 Jahren
- Abrufe
Transkript
1 Mathematik II/2 Numerik Oliver Ernst Professur Numerische Mathematik Sommersemester 2013
2 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
3 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
4 Numerik Begriffliches Numerik, numerische Mathematik, numerical analysis Teilgebiet der angewandten Mathematik Aufgabe der Numerik ist die Konstruktion und Analyse von Algorithmen zur Lösung mathematischer Probleme. Diese Probleme stammen ursprünglich aus Technik, Naturwissenschaften, Sozial- oder Wirtschaftswissenschaften, liegen aber in mathematischer Form, z.b. als Gleichungssystem, Differentialgleichung oder Optimierungsproblem vor. In den kommenden 3 Vorlesungen: drei Beispiele für numerische Verfahren für mathematische Grundaufgaben. Zuvor: Versuch einer Definition... the theory of constructive methods of mathematical analysis. Peter Henrici, Elements of Numerical Analysis Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
5 Numerik Trefethen s Essay Essay von L. N. Trefethen (Oxford University) Computer spielen wichtige Rolle, aber keine bloße Formelauswertung. Algorithmen: Berechnungsmethoden zur Lösung mathematischer Aufgaben. Endlich vielen Schritte lineare Gleichungssysteme lineare Programmierung Problem des Handlungsreisenden Unendlich viele Schritte, in jedem Schritt genauer Eigenwerte einer Matrix Minimierung multivariater Funktionen Bestimmtes Integral Lösung von Differentialgleichungen Fehleranalyse erforderlich, macht aber (entgegen landläufige Vorurteile) geringen Teil der Numerik aus. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
6 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
7 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
8 Einführendes Beispiel Berechnung von π π = Umfang eines Kreises mit Radius r = 1 2, U n = Umfang eines einbeschriebenen regelmäßigen n-ecks = n sin(π/n). y (cos(2π/n)/2, sin(2π/n)/2) x 1/2 Klar: lim U n = lim n sin π n n n = π (unbrauchbar!) Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
9 Einführendes Beispiel Berechnung von π: Ein Algorithmus Setze Dann gelten: A n := U 2 n (Umfang des regelmäßigen 2 n -Ecks). ( A 2 = U 4 = ( 2) ) = 2 2, [ ] 2 A n+1 = 2 n An 2 1 1, n = 2, 3,..., d.h. wir können A n+1 aus A n rekursiv berechnen. 2 n [Archimedes von Syrakus, v. Chr.]: A 3 = , A 4 = , A 5 = Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
10 Einführendes Beispiel Berechnung von π: Eine Fehlerabschätzung Zunächst gilt für h > 0: sin(h) h h3 6 (Taylorformel). Setze h = π/n (und multipliziere mit N): D.h. (mit N = 2 n ): N sin(π/n) π π3 6 N 2. A n π π3 6 4 n (< für n 18). Auf zum Rechner... Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
11 Einführendes Beispiel Berechnung von π: Ernüchterung Fehler A n π Fehlerschranke π 3 /(6 x (4 n+1 )) Die berechnete Folge {A n } verhält sich völlig anders als die wirkliche Folge {A n }! Wie ist das möglich? Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
12 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
13 Gleitpunktzahlen Gleitpunktzahlen sind rationale Zahlen der Form ±. d 1 d 2 d 3... d t b e, wobei b N (b > 1) Basis,. d 1 d 2 d 3... d t Mantisse (zur Basis b) und t N Mantissenlänge genannt werden. Die Ziffern d 1, d 2, d 3,..., d t sind ganze Zahlen, die zwischen 0 und b 1 liegen. Der Exponent e ist eine ganze Zahl, die zwischen m und M liegt. Z.B. ist x = eine Gleitpunktzahl zur Basis 2 mit dem Wert ( ) 2 1 = = Gebräuchliche Basiswerte sind b = 2 (fast alle Computer), b = 10 (die Standardbasis des täglichen Lebens ) und b = 16 (IBM-Mainframes). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
14 Gleitpunktzahlen IEEE Formate Der IEEE-Standard (IEEE = Institute of Electrical and Electronics Engineers), der auf fast allen Maschinen realisiert ist, rechnet mit der Basis b = 2 und erlaubt i.w. zwei Datenformate: Single (FORTRAN: REAL*4, C: float) = 1 Wort = 32 bits, ± Exp. Mantisse also 1 bit für das Vorzeichen der Mantisse, 8 bits für den Exponenten, der zwischen = 127 und 2 7 = 128 liegt, und 23 bits für die Mantisse (ohne Vorzeichen). Die Potenzen 2 e decken also den Bereich von bis ab. Der kleinste positive Wert der Mantisse ist Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
15 Gleitpunktzahlen IEEE Formate Double (FORTRAN: REAL*8, C: double) = 2 Worte = 64 bits, ± exp. man- tisse bit für das Vorzeichen der Mantisse, 11 bits für den Exponenten und 52 bits für die Mantisse. Die Potenzen 2 e bewegen sich folglich zwischen und Der kleinste positive Mantissenwert ist Drei weitere IEEE- Zahlen : NAN (not a number), z.b. 1/0 = INF, 1/0 = INF ± INF (± ), z.b. 0/0 = NAN. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
16 Gleitpunktzahlen Beispielsystem Normalisierte Gleitpunktzahl = erste Ziffer der Mantisse ungleich 0. Beispiel: Basis = 2, Mantissenlänge = 4, Exponentenlänge = 3. Das bedeutet: Acht Exponenten: -3, -2, -1, 0, 1, 2, 3, 4. Acht (normalisierte) Mantissen: ˆ= 0.5, ˆ= , ˆ= , ˆ= , ˆ= , ˆ= , ˆ= , ˆ= Damit enthält unser System = 129 normalisierte Gleitpunktzahlen. Die kleinste positive ist = , die größte ist = 15. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
17 Gleitpunktzahlen Beispielsystem Natürlich sind diese Gleitpunktzahlen nicht gleichmäßig verteilt: so liegen etwa die 16 kleinsten, d.h. ein Viertel der positiven Gleitpunktzahlen, im Inyervall (0, ], während die größten 16, also wieder ein Viertel aller positiven Gleitpunktzahlen, das etwa vierzigmal längere Intervall [4,15] überdecken Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
18 Gleitpunktzahlen Über- und Unterlauf Es gibt nur endlich viele zulässige Exponenten, was zu Under- und Overflow (Exponentenunterlauf bzw. -überlauf) führen kann. Overflow (im Beispiel: ( )( )) bedeutet i.a. Abbruch des Programms mit einer Fehlermeldung (IEEE-Arithmetik: +INF, INF oder auch NAN). Beim Underflow (im Beispiel: ( )( )) wird das Ergebnis normalerweise auf Null gesetzt und ohne Fehlermeldung weitergerechnet. Overflow kann durch geeignete Skalierung oft auf Kosten eines harmlosen Underflows vermieden werden. c = a 2 + b 2 mit a = und b = 1 (Rechnung mit vier Dezimalstellen in Mantisse und zwei Dezimalstellen im Exponent). Standardauswertung verursacht Overflow. Besser: c = s (a/s) 2 + (b/s) 2 mit s = max ( a, b ). Im weiteren: Over- und Underflow werden vernachlässigt, d.h. der Exponent darf beliebige (ganzzahlige) Werte annehmen. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
19 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
20 Rundung Rundung zur nächstgelegenen Maschinenzahl M = Menge der Maschinenzahlen. Runden zur nächstgelegenen Maschinenzahl rd : R M, x rd (x), wird wie folgt realisiert: Schreibe x = ±.d 1 d 2... d t 1 d t d t e mit möglicherweise unendlich langer Mantisse (der Einfachheit halber arbeiten wir mit der Basis 10) und setze { ±.d1 d rd (x) := 2... d t 1 d t 10 e, falls d t+1 4, ±.d 1 d 2... d t 1 (d t + 1) 10 e, falls d t+1 5. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
21 Rundung Rundung zur nächstgelegenen Maschinenzahl Ist d t = 9, so entsteht ein Übertrag und d t 1, möglicherweise auch d t 2,... sowie e, müssen modifiziert werden. Für t = 4 gilt etwa rd ( ) = und rd ( ) = Relativer Fehler der Rundung von x = ±a 10 e R \ {0} (0.1 a < 1): rd(x) x x ( t )10 e a 10 e 5 10 t =: eps, eps heißt Maschinengenauigkeit. Anders formuliert rd (x) = (1 + ε)x mit ε eps. Frage: Was ist die größte reelle Zahl, die auf 0 gerundet wird? Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
22 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
23 Gleitpunktarithmetik Die Machinenzahlen M sind bez. der Grundrechenarten (Addition, Subtraktion, Multiplikation und Division) nicht abgeschlossen (selbst wenn wir für die Exponenten beliebige Werte erlauben). Z.B. ist x = eine Gleitpunktzahl zur Basis 10 mit Mantissenlänge 2, während eine dreistellige Mantisse besitzt. x x = Für jede der Operationen {+,,, /} wird für die Implementierung der entsprechenden Gleitpunktoperation gefordert, dass fl (x y) := rd (x y), x, y M. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
24 Gleitpunktarithmetik Für alle x, y M gilt somit, falls weder Unter- noch Überlauf auftritt, fl (x y) = (1 + ε)(x y) mit ε eps. Das Hauptproblem dieser Semantik ist, dass die neuen Operationen den klassischen Gesetzen der Arithmetik (wie etwa den Kommutativ-, Assoziativ- und Distributivgesetzen) nicht mehr genügen. Z.B. in vierstelliger Gleitpunktarithmetik zur Basis 10: x = M, y = M, x + y = , d.h. fl (x + y) = , was fl (x + y) = x bedeutet, obwohl rd (y) 0. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
25 Gleitpunktarithmetik Frage: Welchen Wert x liefert das Programm x = 1; while 1+x ~= 1, x=x/2; end while output x in t-stelliger Gleitpunktarithmetik (zur Basis 2)? Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
26 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
27 Numerische Stabilität und Fehleranalyse Vorwärts- und Rückwärtsfehler Es sei ŷ = fl(f(x)) das in Gleitpunktarithmetik berechnete Ergebnis einer Funktion y = f(x). Wie beurteilt man die Qualität von ŷ? (Relativer) Vorwärtsfehler: (y ŷ)/y. (Relativer) Rückwärtsfehler: (x ˆx)/x, dabei ist ˆx das (ein) Eingabedatum, das bei rundungsfreier Rechnung zu ŷ führt: f(ˆx) = ŷ (Rundungsfehler werden als Datenfehler interpretiert). Mit Störungstheorie kann man Vorwärtsfehler durch Rückwärtsfehler abschätzen. Faustregel: Vorwärtsfehler Konditionszahl Rückwärtsfehler. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
28 Numerische Stabilität und Fehleranalyse Vorwärts- und Rückwärtsfehler exakt y x (absoluter) Rückwärtsfehler ˆx berechnet (absoluter) Vorwärtsfehler ŷ exakt Daten Ergebnisse Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
29 Numerische Stabilität und Fehleranalyse Vorwärts- und Rückwärtsstabilität Ein Algorihmus heißt vorwärtsstabil, wenn der Vorwärtsfehler klein ist, rückwärtsstabil, wenn der Rückwärtsfehler klein ist. Was klein bedeutet, hängt vom Problem und der Maschinengenauigkeit ab. Die Kondition(szahl) eines Problems (hat nichts mit Gleitpunktarithmetik zu tun!!) ist ein Maß dafür, wie empfindlich das Ergebnis auf Störungen der Daten reagiert. Ein Problem ist gut (schlecht) konditioniert, wenn seine Konditionszahl klein (groß) ist. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
30 Numerische Stabilität und Fehleranalyse Vorwärts- und Rückwärtsstabilität Bestimme Störung der Daten: x y = f(x). ŷ = f(x + x) = f(x) + f (x) x f (ξ)( x) 2. x klein: ŷ = f(x + x) f(x) + f (x) x = y + f (x) x oder f(x + x) f(x) f(x) = ŷ y y xf (x) x f(x) x. (Relative) Konditionszahl von f an der Stelle x: c f (x) = xf (x) f(x). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
31 Numerische Stabilität und Fehleranalyse Kondition von f(x) = log x Beispiel. f(x) = log(x), d.h.: c f (x) = x/x log(x) = 1 log(x) moderat für sehr kleine und sehr große (positive) x, riesig für x 1. x 1 = 0.01: c f (x 1 ) = , x 2 = 0.99: c f (x 2 ) = , x 3 = 100.: c f (x 3 ) = Wie wirkt sich eine relative Störung von ε x = ( x)/x = aus? Prognose: f(x k x k ) f(x k ) f(x k ) c f (x k ) = log(x k ). k rel. Fehler Prognose Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
32 Numerische Stabilität und Fehleranalyse Kondition multivariater Funktionsauswertung Allgemeiner: y = f(x 1, x 2,..., x n ). Absolute Störungen der Daten, x k (k = 1, 2,..., n), verursachen absoluten Fehler im Ergebnis: y = f(x 1 + x 1,..., x n + x n ) f(x 1,..., x n ) d k = f(x 1, x 2,..., x n ) x k n d k x k, k=1 (absolute Konditionszahlen von f). Relative Störungen der Daten, ε k = x k /x k (k = 1, 2,..., n), verursachen relativen Fehler im Ergebnis: ε y = f(x 1 + x 1,..., x n + x n ) f(x 1,..., x n ) f(x 1,..., x n ) c k = ((relative) Konditionszahlen von f). x k f(x 1, x 2,..., x n ) f(x 1, x 2,..., x n ) x k n c k ε k, Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90 k=1
33 Numerische Stabilität und Fehleranalyse Kondition der Grundrechenarten Beispiele. (Grundoperationen) y = f(x 1, x 2 ) = x 1 x 2. D.h. c 1 = 1 und c 2 = 1 (unproblematisch). y = f(x 1, x 2 ) = x 1 /x 2. D.h. c 1 = 1 und c 2 = 1 (unproblematisch). y = f(x 1, x 2 ) = x 1 + x 2. D.h. c 1 = x 1 /(x 1 + x 2 ) und c 2 = x 2 /(x 1 + x 2 ). y = f(x 1, x 2 ) = x 1 x 2. D.h. c 1 = x 1 /(x 1 x 2 ) und c 2 = x 2 /(x 1 x 2 ). Bei den Operationen ± können die Konditionszahlen riesig werden: x 1 x 2 x 1 x 2 : Addition schlecht konditioniert. : Subtraktion schlecht konditioniert. Man spricht hier von Auslöschung. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
34 Numerische Stabilität und Fehleranalyse Auslöschung bei Grundrechenarten Etwa: Dann ist x 1 = , x 1 = 10 5, d.h. ε , x 2 = , x 2 = , d.h. ε y = x 1 x 2 = (Auslöschung führender Ziffern). Prognose: (x 1 + x 1 ) (x 2 + x 2 ) = , also ε y = c 1 = , c 2 = , ε y c c = Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
35 Numerische Stabilität und Fehleranalyse Beispiel Die quadratische Gleichung besitzt die Lösungen Für x 2 bx + c = 0 x 1/2 = b ± b 2 4c. 2 b = und c = erhält man nach Rechnung mit fünfstelliger Dezimalmantisse Wiseo? x 1 = (rel. Fehler: ), x 2 = (rel. Fehler: ). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
36 Numerische Stabilität und Fehleranalyse Beispiel Schritt Ergebnis rel. Fehler 1. b c b 2 4c b 2 4c b b 2 4c (b b 2 4c)/ b + b 2 4c (b + b 2 4c)/ x 2 = c/x Beachte: Nach dem Vietaschen Wurzelsatz ist x 1 x 2 = c. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
37 Einführendes Beispiel Berechnung von π Beispiel aus der Einleitung dieses Kapitels: A n+1 = 2 n [2 (1 ) 1 (A n /2 n ) 2 ] 1/2. } {{ } Auslöschung! Setze R n := (A n /2 n ) 2, d.h. A n+1 = 2 n R n. 2 Beachte: R n = 4Z n und Z n ist (die kleinere) Lösung von X 2 X (A n/2 n ) 2 = X 2 X + (A n /2 n+1 ) 2 = 0. Stabile Berechnung der kleineren Lösung (wie oben): 2(A n /2 n+1 ) 2 Z n = (A n /2 n ), R 2 n = 4Z n, A n+1 = 2 n R n. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
38 Einführendes Beispiel Berechnung von π 10 0 Fehler A n π Fehlerschranke π 3 /(6 x (4 n+1 )) Maschinengenauigkeit Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
39 Einführendes Beispiel Berechnung von π Schneller, weiter, höher? Zur Berechnung von π gibt Verfahren, die noch schneller konvergieren und dabei beliebig viele (Millionen!) korrekte Nachkommastellen liefern. Wer darüber mehr erfahren oder mit solchen Verfahren in Matlab experimentieren möchte, dem sei dieser kleine Artikel des Vaters von Matlab empfohlen. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
40 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
41 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
42 Die schnelle Fourier-Transformation Relevanz The FFT is one of the truly great computational developments of [the 20th] century. It has changed the face of science and engineering so much that it is not an exaggeration to say that life as we know it would be very different without the FFT. Charles van Loan, Computational Frameworks of the FFT, 1992 The Fast Fourier Transform the most valuable numerical algorithm in our lifetime. Gil Strang, Introduction to Linear Algebra, 2003 FFT voted one of the top 10 algorithms of the 20th century.. IEEE Computing in Science & Engineering, 1-2/2000 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
43 Die diskrete Fourier-Transformation Geschichtliches Fourier-Reihen: Lagrange (1759), Fourier (1807) Problem der schwingenden Saite, Bewegung von Himmelskörpern Trigonometrische Interpolation, Gauss (1805) Harmonische Analysis: Clairaut, Bernoulli, d Alembert,... Cooley & Tukey, 1965 Anwendungen in digitaler Signalverarbeitung, Bildverarbeitung, Numerik partieller Differentialgleichungen, inverse Probleme. Weiterentwicklung: Wavelets Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
44 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
45 Kontinuierliche Fourier-Transformation Für eine Funktion u : R R ist die Fourier-Transformierte û : R R definiert durch û(ω) := 1 u(x)e iωx dx. 2π Die inverse Fourier-Transformation u(x) = 1 û(ω)e iωx dω 2π R stellt die ursprüngliche Funktion u dar als Überlagerung von Wellen e iωx der Amplitude û(ω). Bekannt: (Paley-Wiener Theorem) Abklingen von û(ω) für ω umso stärker, je glatter die Funktion u. Beispiel: u(x) = { e x, x 0, 0, x < 0, R û(ω) = 1 2π iω. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
46 Kontinuierliche Fourier-Transformation Beispiele u(x) û(ω) 1.5 u(x) û(ω) u, û 0.5 u, û x, ω Die Funktion u(x) = e x und ihre Fourier-Transformierte x, ω u(x) = e αx2, α = 1/4, û(ω) = 1 e ω2 /4α 2α Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
47 Kontinuierliche Fourier-Transformation Beispiele u, û u(x) û(ω) u(x) = rect(αx), α = 1/4, û(ω) = 1 sinc ω 2α 2 2α, 0, x > 1 2, 1 rect(x) = 2, x = 1 2, 1, x < 1 2, x, ω sinc(x) = sin(πx) πx. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
48 Fourier-Reihen Für eine periodische Funktion f : [0, 2π] R ist ihre Fourier-Reihe gegeben durch f(x) = k= c k e ikx = a [a k cos(kx) + b k sin(kx)] k=1 mit komplexen bzw. reellen Fourier-Koeffizienten a 0 = 1 π a j = 1 π c k = 1 2π 2π 0 2π 0 2π 0 f(x) dx, f(x) cos(kx) dx, b j = 1 π f(x)e ikx dx, k Z. 2π 0 f(x) sin(kx) dx, k N, Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
49 Fourier-Reihen Beispiele Beispiel 1: f(x) = cos 2 x, x [0, 2π]. Wegen cos 2 x = 1 2 (1 + cos(2x)) und der Eindeutigkeit der Fourier-Koeffizienten folgt a 0 = 1, a 2 = 1 2 und alle übrigen Koeffizienten sind Null. Beispiel 2: Für die (ungerade) Funktion f(x) = x, x [ π, π] ergibt sich a k = 0 für alle k sowie b k = ( 1) k+1 2/k, d.h. x = 2 (sin(x) 12 sin(2x) + 13 ) sin(3x) Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
50 Fourier-Reihen Beispiele fn N=1 N=2 N=3 N=4 N=5 N=10 N= x Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
51 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
52 Die diskrete Fourier-Transformation (DFT) Komplex: Gegeben f = {f j } N 1 j=0 CN, gesucht sind die Fourier-Koeffizienten c = {c k } N 1 k=0 CN mit f j = N 1 k=0 c k e 2πikj/N, d.h. c k = 1 N N 1 j=0 f j e 2πijk/N. Reell: Gegeben f = {f j } N 1 j=0 RN, gesucht sind die Fourier-Koeffizienten {a k } {b k } sodass f j = a M [ a k cos jkπ M + b k sin jkπ ] + ( 1)j a M, M 2 k=1 k = 0,..., N 1, (N = 2M). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
53 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
54 Interpolation Die allgemeine Interpolationsaufgabe Zu gegebener Funktion f : [a, b] C und gegebenen Stützstellen (Knoten) a x 0 < x 1 < x 2 < < x n b soll eine einfache Funktion p : [a, b] C konstruiert werden, die die Interpolationsbedingungen erfüllt. Wozu? p(x i ) = f(x i ), i = 0, 1,..., n, f nur an diskreten Punkten bekannt (Messwerte), aber geschlossene Formel für f auf ganz [a, b] erwünscht (z.b. um f an Zwischenstellen x [a, b] \ {x 0, x 1,..., x n } auszuwerten), f kompliziert und soll durch einfache Funktion angenähert werden (z.b. um die Ableitung f (x), x [a, b], oder das Integral b a f(x)dx näherungsweise zu bestimmen). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
55 Interpolation Die polynomiale Interpolationsaufgabe Zu gegebenen (paarweise verschiedenen) Knoten a x 0 < x 1 < x 2 < < x n b und gegebenen Funktionswerten f 0, f 1,..., f n C soll ein Interpolationspolynom p(x) = a n x n + a n 1 x n a 1 x + a 0 P n (mit komplexen Koeffizienten a 0, a 1,..., a n, d.h. n + 1 Freiheitsgrade) vom Grad n konstruiert werden, das die n + 1 Interpolationsbedingungen erfüllt. p(x i ) = f i, i = 0, 1,..., n, Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
56 Polynominterpolation Existenz, Eindeutigkeit Satz 1 Die polynomiale Interpolationsaufgabe ist eindeutig lösbar. Mit den Lagrange-Grundpolynomen [ Joseph Louis Lagrange, ] l i (x) := n j=0 j i x x j x i x j P n (beachte l i (x i ) = 1 und l i (x j ) = 0 für j i) lässt sich das Interpolationspolynom in der Lagrange-Form darstellen: p(x) = n f i l i (x). i=0 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
57 Polynominterpolation Beispiel Daten: (x 0, f 0 ) = ( 1, 1), (x 1, f 1 ) = (0, 1), (x 2, f 2 ) = (2, 2). Lagrange-Grundpolynome: l 0 (x) = x(x 2)/3, l 1 (x) = (x + 1)(x 2)/( 2), L 0 L 1 L 2 P l 2 (x) = (x + 1)x/6. Interpolationspolynom: p(x) = l 0 (x) l 1 (x) + 2l 2 (x) = x2 2 + x 2 1. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
58 Polynominterpolation Rekursive Berechnung Die Auswertung der Lagrange-Formel ist aufwendig, wenn ein neues Datenpaar hinzukommt. Eine rekursive Berechnung ist ökonomischer: Lemma 2 Für eine beliebige Indexmenge 0 i 0 < i 1 < < i k n bezeichne p i0,i 1,...,i k das (nach Satz 1 eindeutig bestimmte) Polynom vom Grad k, das die Bedingungen p i0,i 1,...,i k (x ij ) = f ij, j = 0, 1,..., k, erfüllt. Dann gilt die Rekursionsformel p i (x) = f i, p i0,i 1,...,i k (x) = (x x i 0 )p i1,i 2,...,i k (x) (x x ik )p i0,i 1,...,i k 1 (x) x ik x i0. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
59 Polynominterpolation Neville-Aitken-Schema Rechenschema Algorithmus von Neville-Aitken, [Charles William Neville, 1941]; [Alexander Craig Aitken, ] : x i k = 0 k = 1 k = 2 k = 3 k = 4 x 0 p 0 (x) = f 0 p 0,1 (x) x 1 p 1 (x) = f 1 p 0,1,2 (x) p 1,2 (x) p 0,1,2,3 (x) x 2 p 2 (x) = f 2 p 1,2,3 (x) p 0,1,2,3,4 (x) p 2,3 (x) p 1,2,3,4 (x) x 3 p 3 (x) = f 3 p 2,3,4 (x) p 3,4 (x) x 4 p 4 (x) = f 4 (Berechnungsreihenfolge : p 0 p 1 p 0,1 p 2 p 1,2 p 0,1,2 ) Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
60 Polynominterpolation Beispiel Beispiel 2 (vgl. Beispiel 1). x i k = 0 k = 1 k = (x ( 1))( 1) (x 0)( 1) 0 ( 1) = 1 (x ( 1))(3x/2 1) (x 2)( 1) 2 ( 1) (x 0)2 (x 2)( 1) 2 0 = 3 2 x 1 = 1 2 x x 1 Aufwand des Neville-Aitken Schemas (für Auswertung des Interpolationspolynoms vom Grad n an einer Stelle x): 5 2 n n + 1 Gleitpunktoperationen (falls die Differenzen x x i (0 i n) vorab bestimmt werden). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
61 Polynominterpolation Dividierte Differenzen Tableau der dividierten Differenzen von f: x i k = 0 k = 1 k = 2 k = 3 k = 4 x 0 f 0 f 0,1 x 1 f 1 f 0,1,2 f 1,2 f 0,1,2,3 x 2 f 2 f 1,2,3 f 0,1,2,3,4 f 2,3 f 1,2,3,4 x 3 f 3 f 2,3,4 f 3,4 x 4 f 4 mit f i0,i 1,...,i k := f i 1,i 2,...,i k f i0,i 1,...,i k 1 x ik x i0 (k 1). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
62 Polynominterpolation Newton-Darstellung Satz 3 Mit Hilfe der dividierten Differenzen lässt sich das (nach Satz 1 eindeutig bestimmte) Interpolationspolynom p in Newton-Form darstellen. p(x) = f 0 + f 0,1 (x x 0 ) + f 0,1,2 (x x 0 )(x x 1 ) + + f 0,1,...,n (x x 0 )(x x 1 ) (x x n 1 ) Rechenaufwand: Zur Bestimmung der Differenzentafel: 3 2 (n2 + n) Gleitpunktoperationen. Zur Auswertung des Newtonschen Interpolationspolynoms mit dem Horner-Schema [William George Horner, ]: 3n Gleitpunktoperationen (pro Auswertungspunkt). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
63 Polynominterpolation Beispiel Beispiel 3 (vgl. Beispiele 1 und 2). Dividierte Differenzen: x i k = 0 k = 1 k = 2 1 Das bedeutet: 1 f 0,1 = ( 1) ( 1) 0 ( 1) = f 0,1,2 = 3/2 0 2 ( 1) = 1 2 f 1,2 = 2 ( 1) 2 0 = p(x) = ( 1) + 0 (x ( 1)) (x ( 1))(x 0) = 1 2 x x 1. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
64 Polynominterpolation Interpolationsfehler Satz 4 (Fehler der Polynominterpolation) Die Funktion f C n+1 [a, b] werde durch das Polynom p P n interpoliert an den paarweise verschiedenen Knoten {x 0, x 1,..., x n } [a, b]. Dann gibt es zu jedem x [a, b] ein ξ = ξ(x) (a, b) mit f(x) p(x) = ω n+1(x) (n + 1)! f (n+1) (ξ). Mit M n+1 := max a t b f (n+1) (t) gilt für alle x [a, b] die Fehlerabschätzung f(x) p(x) M n+1 (n + 1)! max ω n+1(t). (1) a t b Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
65 Polynominterpolation Optimale Knoten Optimale Knoten: Idee (motiviert durch Fehlerabschätzung): Wähle Knoten a x 0 < x 1 < < x n b so, dass max ω n+1(t) = max a t b a t b n t x i so klein wie möglich wird. Lösung: Tschebyscheff-Knoten [Pafnutĭi L vovich Tschebyscheff, ] x (T) i = b a ( ) 2(n i) + 1 cos π + a + b (i = 0, 1,..., n) 2 2n mit max a t b n i=0 t x (T) i = 2 ( b a für jede andere Wahl x 0,..., x n der Knoten. 4 i=0 ) n < max a t b n t x i Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90 i=0
66 Polynominterpolation Äquidistante und Tschebyscheff-Knoten Knotenpolynome mit äquidistanten und Tschebyscheff-Knoten: aequidistante Knoten Tschebyscheff Knoten Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
67 Polynominterpolation Runge-Phänomen Beispiel 4.(Runge-Phänomen 1 ) Interpoliere an n + 1 äquidistanten Stützstellen f(x) = 1, 5 x 5, (Runge-Funktion) 1 + x2 8 n=10 8 n= C. Runge. Über emprirische Funktionen und die Interpolation zwischen äquidistanten Ordinaten. Zeitschrift für Mathematik und Physik 46 (1901) pp Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
68 Polynominterpolation Runge-Phänomen Beispiel 5. Interpoliere an n + 1 Tschebyscheff-Knoten f(x) = 1, 5 x x2 8 n=10 8 n= Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
69 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
70 Trigonometrische Interpolation Aufgabenstellung Seien f 0, f 1,..., f m 1 R und x j := 2πj/m (j = 0, 1,..., m 1), d.h. x 0 < x 1 < < x m 1 sind äquidistante Knoten aus [0, 2π). Gesucht ist ein reelles trigonometrisches Polynom vom Grad n, t n (x) = α n [ αk cos(kx) + β k sin(kx) ], k=1 das die m Interpolationsbedingungen erfüllt. Hierbei ist t n (x j ) = f j, j = 0, 1,..., m 1, (2) { m n = 2 falls m gerade, m 1 2 falls m ungerade. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
71 Trigonometrische Interpolation Transformation auf den (komplexen) Einheitskreis φ : [0, 2π) T := {z C : z = 1}, x z = e ix = cos x + i sin x. Die Knoten x j gehen über in die m-ten Einheitswurzeln: φ(x j ) = e 2πij/m = [e 2πi/m ] j = ωm j j = 0, 1,..., m 1, mit ω m := e 2πi/m = cos 2π m + i sin 2π m. Setzt man β 0 = 0 und für k = 0, 1,..., n [ ] 1 C 2 ak 2 := (α k iβ k ) = 1 a k 1 2 (α k + iβ k ) 2 [ 1 i 1 i ] [ ] αk β k, d.h. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
72 Trigonometrische Interpolation Transformation auf den (komplexen) Einheitskreis R 2 so folgt t n (x) = [ αk β k ] [ ] [ ] 1 1 ak = = i i n k= n a k e ikx = a k n k= n [ ] ak + a k = i(a k a k ) a k z k = z n n k= n mit p 2n (z) = n k= n a kz k+n = 2n j=0 a j nz j P 2n. Wegen p 2n (ωm) j = ωm jn t n (x j ) [ ] 2 Re(ak ), 2 Im(a k ) a k z k+n = z n p 2n (z) ist die trigonometrische Interpolationsaufgabe hiermit zurückgeführt auf eine (gewöhnliche) Interpolationsaufgabe für (algebraische) Polynome. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
73 Trigonometrische Interpolation Eigenschaften der Einheitswurzeln Lemma 5 Für die m-ten Einheitswurzeln ω k m (k Z, m N) gelten: (a) [ω k m] j = ω kj m = [ω j m] k (j Z), (b) ω kl ml = ωk m (l Z, l 0), (c) ω k m = ω k (d) m 1 j=0 m, ω kj m = { m, falls k = 0 (mod m), 0, falls k 0 (mod m). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
74 Komplexes algebraisches Interpolationspolynom Satz 6 Das komplexe (algebraische) Interpolationspolynom p m 1 (z) = m 1 k=0 c k z k P m 1 mit p m 1 (ω j m) = f j C (j = 0, 1,..., m 1) besitzt die Koeffizienten c k = 1 m m 1 j=0 f j ω kj m, k = 0, 1,..., m 1. (3) Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
75 Komplexes algebraisches Interpolationspolynom In Matrix-Vektor-Schreibweise c 0 c 1. c m 1 = 1 m F m f 0 f 1. f m 1 mit der Fourier-Matrix [ F m := ω kj m ] 0 k,j m 1 = ωm 1 ω m+1 m ωm m+1 ωm (m 1)2 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
76 Trigonometrisches Interpolationspolynom Theorem 7 Für m = 2n oder m = 2n + 1 gibt es zu beliebigen f 0, f 1,..., f m 1 R ein reelles trigonometrisches Interpolationspolynom t n (x) = α n [ αk cos(kx) + β k sin(kx) ] T n k=1 vom Grad n, das die m Bedingungen t n (2πj/m) = f j (j = 0, 1,..., m 1) erfüllt. Seine Koeffizienten sind gegeben durch α k = 2 m m 1 j=0 f j cos 2πjk m bzw. β k = 2 m 1 m j=0 f j sin 2πjk m, (k = 0, 1,..., n). Im Fall m = 2n muss β n = 0 gesetzt und α n halbiert werden. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
77 Schnelle Fourier-Transformation Seien {ω j m} m 1 j=0 die m-ten Einheitswurzeln, (ω m := e 2πi/m ). Wir unterscheiden zwei grundlegende Aufgabenstellungen: Diskrete Fourier-Analyse: Bestimme zu vorgegebenen Funktionswerten f 0,..., f m 1 C die Koeffizienten c 0,..., c m 1 des Interpolationspolynoms p(z) = m 1 j=0 c j z j mit p(ω j m) = f j (j = 0,..., m 1). Wir wissen: Mit der Fourier-Matrix F m := [ωm kj ] 0 k,j m 1 C m m gilt c 0 f 0 c 1. = 1 m F f 1 m.. c m 1 f m 1 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
78 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
79 Schnelle Fourier-Transformation Diskrete Fourier-Synthese (inverse Aufgabe): Bestimme zu vorgebenen Koeffizienten c 0,..., c m 1 C die Funktionswerte f 0,..., f m 1 des Polynoms p(z) = m 1 j=0 c jz j an den m-ten Einheitswurzeln ωm, 0... ω m 1 Offensichtlich: f 0 f 1. f m 1 = W m c 0 c 1. c m 1 mit der Matrix W m := [ω kj m ] 0 k,j m 1 = F H m (= F m ) C m m. m. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
80 Schnelle Fourier-Transformation Lemma 8 Für die Fourier-Matrix F m = [ωm kj ] 0 k,j m 1 C m m gelten: (a) Fm = F m (aber Fm H F m für m > 2!), (b) F H m F m = mi m, d.h. die Spalten von F m sind orthogonal und besitzen alle die Euklid-Norm m. (c) F 1 m = 1 m F H m = 1 m F m. Die naive Berechnung einer Fourier-Transformation (Matrix-Vektor Produkt mit F m /m bzw. W m ) erfordert offenbar O(m 2 ) komplexe Multiplikationen. Bei Anwendung der schnellen Fourier-Transformation (FFT) reduziert sich dieser Aufwand auf O(m log m) 2 2 James William Cooley( 1926) and John Wilder Tukey ( ): An algorithm for the machine calculation of complex Fourier series, Math. Comp. 19, (1965). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
81 Schnelle Fourier-Transformation Wir setzen (aus schreibtechnischen Gründen) im Folgenden ( ) ( ) 2π 2π ζ m := ω m = e 2πi/m = cos i sin, m m so dass F m = [ζ kj m ] 0 k,j m 1. Außerdem sei m gerade. Die Idee der FFT (für m = 8): Mit ζ := ζ 8 ist ζ ζ 2 ζ 3 ζ 4 ζ 5 ζ 6 ζ 7 1 ζ 2 ζ 4 ζ 6 ζ 8 ζ 10 ζ 12 ζ 14 F 8 = 1 ζ 3 ζ 6 ζ 9 ζ 12 ζ 15 ζ 18 ζ 21 1 ζ 4 ζ 8 ζ 12 ζ 16 ζ 20 ζ 24 ζ ζ 5 ζ 10 ζ 15 ζ 20 ζ 25 ζ 30 ζ 35 1 ζ 6 ζ 12 ζ 18 ζ 24 ζ 30 ζ 36 ζ 42 1 ζ 7 ζ 14 ζ 21 ζ 28 ζ 35 ζ 42 ζ 49 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
82 Schnelle Fourier-Transformation Wegen ζ 8 = 1, d.h. ζ j = ζ k, wenn j k (ohne Rest) durch 8 teilbar ist, folgt ζ ζ 2 ζ 3 ζ 4 ζ 5 ζ 6 ζ 7 1 ζ 2 ζ 4 ζ 6 1 ζ 2 ζ 4 ζ 6 F 8 = 1 ζ 3 ζ 6 ζ ζ 4 ζ 7 ζ 2 ζ 5 1 ζ 4 1 ζ 4 1 ζ 4 1 ζ 4. 1 ζ 5 ζ 2 ζ 7 ζ 4 ζ ζ 6 ζ 3 1 ζ 6 ζ 4 ζ 2 1 ζ 6 ζ 4 ζ 2 1 ζ 7 ζ 6 ζ 5 ζ 4 ζ 3 ζ 2 ζ 1 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
83 Schnelle Fourier-Transformation Jetzt nummerieren wir die Zeilen von F 8 um: zuerst werden die mit geradem (0,2,4,6), danach die mit ungeradem Index (1,3,5,7) gezählt. Die zugehörige Pemutationsmatrix wird mit P bezeichnet. P F 8 = ζ 2 ζ 4 ζ 6 1 ζ 2 ζ 4 ζ 6 1 ζ 4 1 ζ 4 1 ζ 4 1 ζ 4 1 ζ 6 ζ 4 ζ 2 1 ζ 6 ζ 4 ζ 2 1 ζ ζ 2 ζ 3 ζ 4 ζ 5 ζ 6 ζ 7 1 ζ 3 ζ 6 ζ ζ 4 ζ 7 ζ 2 ζ 5 1 ζ 5 ζ 2 ζ 7 ζ 4 ζ ζ 6 ζ 3 1 ζ 7 ζ 6 ζ 5 ζ 4 ζ 3 ζ 2 ζ 1 [ ] B1,1 B =: 1,2 B 2,1 B 2,2 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
84 Schnelle Fourier-Transformation Wir untersuchen die einzelnen Blöcke: Wegen ζ = ζ 8 ist ζ 2 = ζ 4, d.h B 1,1 = B 1,2 = 1 ζ 4 ζ4 2 ζ4 3 1 ζ4 2 ζ4 4 ζ4 6 = F 4. 1 ζ4 3 ζ4 6 ζ4 9 Aus den Spalten 0,1,2 bzw. 3 von B 2,1 klammern wir ζ 0, ζ 1, ζ 2 bzw. ζ 3 aus : B 2,1 = 1 ζ 2 ζ 4 ζ 6 0 ζ ζ 4 1 ζ ζ 2 0 = F 4D 4. 1 ζ 6 ζ 4 ζ ζ 3 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
85 Schnelle Fourier-Transformation Analog: ζ B 2,2 = 1 ζ 2 ζ 4 ζ 6 0 ζ ζ 4 1 ζ ζ 6 0 = F 4(ζ 4 D 4 ) = F 4 D 4. 1 ζ 6 ζ 4 ζ ζ 7 Insgesamt erhalten wir [ ] [ ] [ ] F4 F P F 8 = 4 F4 O I4 I = 4. F 4 D 4 F 4 D 4 O F 4 D 4 D 4 Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
86 Schnelle Fourier-Transformation Satz 9 Seien m gerade, σ die folgende (even/odd) Permutation σ = [0, 2..., m 2, 1, 3,..., m 1] und P = P σ die zugehörige Permutationsmatrix. Dann besitzt die zeilenpermutierte Fourier-Matrix F m die Zerlegung [ ] [ ] [ ] F P F m = m/2 F m/2 Fm/2 O Im/2 I = m/2. F m/2 D m/2 F m/2 D m/2 O F m/2 D m/2 D m/2 Dabei bezeichnet D m/2 die Diagonalmatrix mit ζ m = ω m = e 2πi/m. ( ) D m/2 = diag ζm, 0 ζm, 1..., ζm m/2 1 C (m/2) (m/2) Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
87 Schnelle Fourier-Transformation Berechne jetzt y = F m x für ein x C m (m gerade). Gemäß der Zerlegung von F m aus Satz 9 unterteilen wir dies in zwei Schritte: 1. Reduktionsschritt: Berechne [ ] Im/2 I z = m/2 x. D m/2 D m/2 Im Fall m = 8 ergibt sich: z 0 = x 0 + x 4, z 1 = x 1 + x 5, z 2 = x 2 + x 6, z 3 = x 3 + x 7 z 4 = (x 0 x 4 ), z 5 = (x 1 x 5 )ζ m, z 6 = (x 2 x 6 )ζm, 2 z 7 = (x 3 x 7 )ζm 3 (m/2 komplexe Multiplikationen und m komplexe Additionen). 2. Teilprobleme: Berechne F m/2 z (0 : m/2 1) und F m/2 z (m/2 : m 1) (zwei Fourier-Transformationen der Dimension m/2). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
88 Schnelle Fourier-Transformation Ist m = 2 p eine Zweierpotenz, so ist m/2 ebenfalls gerade und die beiden DFT der Dimension m/2 können auf vier DFT der Dimension m/4 reduziert werden. Der Aufwand zur Reduktion beträgt 2 m/4 = m/2 komplexe Multiplikationen (und 2 m/2 = m komplexe Additionen). Dieser Prozess wird solange fortgesetzt bis man eine Multiplikation mit F m auf m Multiplikationen mit F 1 = [1] reduziert hat (eine Multiplikation mit F 1 erfordert offenbar keinen Aufwand). Dieses Reduktionsverfahren heißt schnelle Fourier-Transformation (FFT = Fast Fourier Transform). Theorem 10 Zur Durchführung einer schnellen Fourier-Transformation der Ordnung m = 2 p sind m 2 p = m 2 log 2(m) komplexe Multiplikationen und m log 2 (m) komplexe Additionen erforderlich. Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
89 Schnelle Fourier-Transformation Die naive Berechnung einer Fourier-Transformation der Länge m = 2 p durch F m x erfordert also 2 p+1 /p-mal mehr Multiplikationen als ihre Berechnung durch FFT. Wenn z.b. für p = 20 die FFT-Version eine Sekunde benötigt, so benötigt F m x etwa 29 Stunden. Verbleibendes Problem: Bestimmt man y = F m x durch FFT, so erhält man zunächst eine permutierte Version ỹ = Qy von y mit einer Permutationsmatrix Q R m m. Es gilt: Besitzt für m = 2 p der Index i {0, 1,..., m 1} die Binärdarstellung i = b p 1 2 p b b b 0 =: [b p 1... b 2 b 1 b 0 ] 2, und ist r(i) := [b 0 b 1 b 2... b p 1 ] 2 = b 0 2 p 1 + b 1 2 p 2 + b 2 2 p b p 1 (bit reversal), dann gelten y i = ỹ r(i) und ỹ i = y r(i). Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
90 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4 Gleitpunktarithmetik 2.5 Numerische Stabilität und Fehleranalyse 3 Schnelle Fourier-Transformation 3.1 Vorbemerkungen 3.2 Überblick Fourier-Analyse 3.3 Die diskrete Fourier-Transformation 3.4 Interpolation 3.5 Trigonometrische Interpolation 3.6 Die FFT 4 Abschließende Bemerkungen Oliver Ernst (Numerische Mathematik) Mathematik II/2: Numerik Sommersemester / 90
5 Interpolation und numerische Approximation
Numerik I 194 5 Interpolation und numerische Approximation 5.1 Polynominterpolation 5.2 Spline-Interpolation 5.3 Diskrete Fourier-Transformation 5.4 Schnelle Fourier-Transformation (FFT) 5.5 Eine Anwendung
Mehr6 Interpolation und numerische Approximation
Numerische Mathematik 248 6 Interpolation und numerische Approximation 6.1 Polynominterpolation Das (allgemeine) Interpolationsproblem: Zu gegebener Funktion f : [a, b] C und gegebenen Stützstellen (Knoten)
Mehr6 Interpolation und numerische Approximation
Numerik 255 6 Interpolation und numerische Approximation 6.1 Polynominterpolation 6.2 Spline-Interpolation 6.3 Bestapproximation in Innenprodukträumen 6.4 Trigonometrische Interpolation 6.5 Schnelle Fourier-Transformation
Mehr2 Gleitpunktarithmetik und Fehleranalyse
Numerische Mathematik 47 2 Gleitpunktarithmetik und Fehleranalyse 2.1 Ein einführendes Beispiel Berechnung von π. π = Umfang eines Kreises mit Radius r = 1 2, U n = Umfang eines einbeschriebenen regelmäßigen
Mehr8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.
8 Interpolation 81 Problemstellung Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen x 0 < x 1 < < x n Eingabedaten: (x 0, f 0 ),(x 1, f 1 ),,(x n, f n ) Gegebene Daten (x j, f j ) Analysis
Mehr1 2 x x x x x x2 + 83
Polynominterpolation Aufgabe 1 Gegeben sei die Wertetabelle i 0 1 2 3 x i 0 1 2 4 f i 3 1 2 7 a) Bestimmen Sie das Interpolationspolynom von Lagrange durch die obigen Wertepaare. b) Interpolieren Sie die
Mehr(x x j ) R m [x] (3) x x j x k x j. R m [x]. (4)
33 Interpolation 147 33 Interpolation In vielen praktischen Anwendungen der Mathematik treten Funktionen f auf, deren Werte nur näherungsweise berechnet werden können oder sogar nur auf gewissen endlichen
MehrBeispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) = sin(πx) und geben die folgenden Stützstellen und Stützwerte vor:
5 Splineinterpolation Beispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) sin(πx) und geben die folgenden Stützstellen und Stützwerte vor: x i 3 f i Damit ist n 5, h Forderung
MehrKAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
MehrComputergestützte Mathematik zur Linearen Algebra
Computergestützte Mathematik zur Linearen Algebra Pivotwahl und Gleitkommaarithmetik Achim Schädle 3. und 20. Dezember 208 Achim Schaedle (HHU) CompLinA 3. und 20. Dezember 208 Instabilitäten bei Gauß-Elimination
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 34 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 7.1.2009 2 / 34 Technisches Vorlesungswebsite: http://www.am.uni-erlangen.de/am3/de/lehre/ws08/numing1/
MehrKlassische Polynom Interpolation.
Klassische Polynom Interpolation. Bestimme ein Polynom (höchstens) n ten Grades p n (x) = a 0 + a 1 x + a 2 x 2 +... + a n x n, das die gegebenen Daten interpoliert, d.h. p n (x i ) = f i, 0 i n. Erster
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 1 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 2010 Prof. Dr. Klaus Höllig (IMNG)
Mehr6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
MehrH.J. Oberle Analysis II SoSe Interpolation
HJ Oberle Analysis II SoSe 2012 7 Interpolation 71 Allgemeine Problemstellung Interpolation ist die Kunst, zwischen den Zeilen einer Tabelle zu lesen (Rutishauser) Von f : R R seien Funktionswerte (x j,
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrKurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)
MehrPolynominterpolation. Allgemeines Problem: Beispiel 1 (Teil 1):
. Großübung Polynominterpolation Allgemeines Problem: Aufgrund gegebener Messwerte (Paare aus Werten i und Funktionswerten f( i )) soll ein Funktionsverlauf rekonstruiert bzw. zumeist angenähert werden.
MehrKapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b.
Kapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b. - Polynome, - rationale Funktionen, - trigonometrische Polynome, - Splines. Interpolationsproblem 4: Sei f : [a,b]
MehrNumerik für Informatiker, Elektrotechniker und Naturfreunde von Michael Lehn
Numerik für Informatiker, Elektrotechniker und Naturfreunde von Michael Lehn Verfasst von Patrick Schneider E-Mail: Patrick.Schneider@uni-ulm.de Universität Ulm Institut für Numerische Mathematik Sommersemester
Mehr1 Grundlagen der Numerik
1 Grundlagen der Numerik 1.1 Gleitpunkt-Arithmetik Es gibt nur endlich viele Zahlen auf dem Computer. Gleitpunktzahl: x = σmb E σ: Vorzeichen B: Basis (feste Zahl >1); M: Mantisse E: Exponent B = 2 : Dualzahl
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrT n (1) = 1 T n (cos π n )= 1. deg T n q n 1.
KAPITEL 3. INTERPOLATION UND APPROXIMATION 47 Beweis: Wir nehmen an qx) für alle x [, ] und führen diese Annahme zu einem Widerspruch. Es gilt nach Folgerung ii) T n ) T n cos π n ). Wir betrachten die
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrNumerische Mathematik
Numerische Mathematik Oliver Ernst Professur Numerische Mathematik Sommersemester 2015 Inhalt I 1 Einführung und Begriffe 1.1 Mathematische Modellbildung und numerische Simulation am Beispiel eines Wasserkreislaufs
MehrRundungsfehler-Problematik bei Gleitpunktzahlen
Rundungsfehler-Problematik bei Gleitpunktzahlen 1 Rechnerzahlen 2 Die Rundung 3 Fehlerverstärkung bei der Addition Rundungsfehler-Problematik 1 1. Rechnerzahlen allgemeine Zahlendarstellung zur Basis b
Mehr1. Rechnerzahlen, Kondition, Stabilität
1. Rechnerzahlen, Kondition, Stabilität 1 1.1. Rechnerzahlen 2 1.2. Kondition 3 1.3. Stabilität 1. Rechnerzahlen, Kondition, Stabilität 1 / 18 1.1. Rechnerzahlen allgemeine Zahlendarstellung zur Basis
MehrÜbungsblatt 1 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA234 - SS6 Übungsblatt Musterlösung Aufgabe (Interpolationspolynom) a) Bestimmen Sie die Hilfspolynome L i, i =,,2, für x =, x = 2 und x 2 = 3 nach der Formel
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
Mehrbekannt Analog reduzieren wir die Randwerte im 2d-System. Man erhält dann eine Blocktridia-
3.. Jetzt: Eliminiere 1. und 2. wie folgt u 2 + 2u 1 = h 2 f 1 + α }{{} bekannt Nun: Au = b mit A R n,n, b R n, u R n und A hat die Gestalt 2 1 1 2 1 A =......... =: tridiag( 1, 2, 1)...... 1 1 2 Analog
MehrNumerische Integration und Differentiation
Einführung Grundlagen Bemerkung (Numerische Mathematik) a) Im engeren Sinn: zahlenmäßige Auswertung mathematischer Zusammenhänge z B Lösung von linearen und nichtlinearen Gleichungssystemen Numerische
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 20 Wiederholung: Fehlerbetrachtung.
MehrComputer-orientierte Mathematik
Computer-orientierte Mathematik 3. Vorlesung - Christof Schuette 11.11.16 Memo: Rationale und reelle Zahlen Rationale Zahlen: Rationale Zahlen als Brüche ganzer Zahlen. q-adische Brüche, periodische q-adische
MehrKapitel 1: Fehleranalyse, Kondition, Stabilität
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 1: Fehleranalyse, Kondition, Stabilität Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben).
MehrMultiplikationen und Divisionen Hauptarbeit des Algorithmus liegt somit in der Berechnung der LR-Zerlegung. (n 1)n(2n 1) 6. = n3 3 n2.
KAPITEL LINEARE GLEICHUNGSSYSTEME 7 Rechenaufwand der LR-Zerlegung: A A : n Divisionen, n 2 Multiplikationen und Additionen A L, R: Also insgesamt n j= j2 + j = n3 3 n 3 Multiplikationen und Divisionen
Mehr3 Numerisches Rechnen
E Luik: Numerisches Rechnen 65 3 Numerisches Rechnen 31 Zahlen und ihre Darstellung Grundlage der Analysis bilden die reellen Zahlen Wir sind heute daran gewöhnt, eine reelle Zahl im Dezimalsystem als
MehrTechnische Numerik Einführung
W I S S E N T E C H N I K L E I D E N S C H A F T Technische Numerik Einführung Peter Gangl Institut für Angewandte Mathematik, Technische Universität Graz c Alle Rechte vorbehalten. Nachdruck und Weitergabe
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 19 Fehlerbetrachtung R. Steuding
MehrNumerische Mathematik
Michael Knorrenschild Mathematik-Studienhilfen Numerische Mathematik Eine beispielorientierte Einführung 6., aktualisierte und erweiterte Auflage 1.1 Grundbegriffe und Gleitpunktarithmetik 15 second, also
MehrKLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
MehrVF-3: Gegeben seien die Daten f(x 0 ), f(x 1 ),..., f(x n ) mit x 0,..., x n paarweise verschiedenen und
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Aussagen Diese sind mit wahr bzw falsch zu kennzeichnen (hinschreiben) Es müssen alle Fragen mit wahr
MehrNumerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 08.04.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren 1 / 68 Übersicht
MehrDarstellung rationaler und reeller Zahlen Vorlesung vom
Darstellung rationaler und reeller Zahlen Vorlesung vom 30.10.15 Rationale Zahlen: Rationale Zahlen als Brüche ganzer Zahlen. q-adische Brüche, periodische q-adische Brüche. Beispiele. Satz: Jede rationale
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 07 / 08 Institut für Informatik Univ-Prof Dr Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 3 Übungsblatt:
MehrNumerik für Informatiker
Numerik für Informatiker Lars Grüne Lehrstuhl für Angewandte Mathematik Mathematisches Institut Universität Bayreuth 95440 Bayreuth lars.gruene@uni-bayreuth.de www.math.uni-bayreuth.de/ lgruene/ Karl Worthmann
MehrDivision mit Schulmethode
Division mit Schulmethode Satz Division mit Rest von Polynomen Seien a(x), b(x) Q[x] mit b(x) 0. Dann gibt es eindeutige q(x), r(x) Q[x] mit a(x) = q(x) b(x) + r(x) und grad(r) < grad(b). Beweis: Sei grad(a)
Mehr5 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
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Diplom VP Numerik 13. September 004 Aufgabe 1 10 0 40 Gegeben sei die Matrix A = 80 10 10. 10 5 5 (6 Punkte) a) Skalieren (Zeilenäquilibrierung)
MehrInterpolation. Heinrich Voss. TUHH Heinrich Voss Kapitel / 49.
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation TUHH Heinrich Voss Kapitel 2 2010 1 / 49 Interpolationsproblem Gegeben seien eine Funktion Φ (x; a 1,...,
Mehr3 Rechnerarithmetik und Rundungsfehler
Neuronales Netz (Ein Schicht Modell, linear) Verhalten des Netzes bestimmt durch Gewichte w 1,..., w n Training des Netzes Wähle w 1,..., w n so, dass eine große Zahl von Tests mit vorgegebenen Eingangsdaten
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
Mehrc) Realisierung des Gauß Algorithmus in Gleitpunktarithmetik: Fehlerschranke hängt linear ab von max i,k l ik. 8n 3 max i,j,k a (k) ij ε.
Matrix unverändert: A = QR cond 2 (R) = cond 2 (A). c) Realisierung des Gauß Algorithmus in Gleitpunktarithmetik: Fehlerschranke hängt linear ab von max i,k l ik. Spaltenpivotisierung: l ik 1 kleine Fehlerschranke
MehrMusterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange.
Angewandte Mathematik Ing.-Wiss., HTWdS Dipl.-Math. Dm. Ovrutskiy Musterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange. Aufgabe 1 Approximieren Sie cos(x) auf [ /, /] an drei Stützstellen
MehrKardinalfunktionen. Florian Badt. 2. Juni Universität des Saarlandes, Saarbrücken
Florian Badt 2. Juni 2015 Gliederung Grundlegende Problemstellung Ausgangspunkt: Lu = f Approximation der unbekannten Funktion: u(x) u N (x) = N n=0 a nφ n Minimierung des Residuums R(x; a 0, a 1,...,
Mehr3 Rechnerarithmetik und Rundungsfehler
3. Rechnerarithmetik und Rundungsfehler Beispiel Zahlendarstellung in Matlab >> format long e % Datenausgabe mit vielen Dezimalstellen >> 1 % Exakte Darstellung ganzer Zahlen ans = 1 >> 1 1 % Exakte Arithmetik
MehrApproximation durch Polynome
durch n Anwendungen: zur Vereinfachung einer gegebenen Funktion durch einen Polynomausdruck. Dann sind übliche Rechenoperation +,,, / möglich. zur Interpolation von Daten einer Tabelle n Beispiel Trotz
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV Aufgabe N1 (LR-Zerlegung mit Pivotisierung) Gegeben seien R 3.
Lösung der Diplom-Vorprüfung Höhere Mathematik III/IV 7.7.6 Aufgabe N (LR-Zerlegung mit Pivotisierung) Gegeben seien 6 8 A = 8 6 R und b = 6 R. a) Berechnen Sie die LR-Zerlegung von A mit Spaltenpivotisierung.
Mehr8 Polynominterpolation
8 Polynominterpolation Interpolations-Aufgabe: Von einer glatten Kurve seien nur lich viele Punktewerte gegeben. Wähle einen lichdimensionalen Funktionenraum. Konstruiere nun eine Kurve in diesem Funktionenraum
MehrDiplom VP Numerik 27. August 2007
Diplom VP Numerik 27. August 2007 Multiple-Choice-Test 30 Punkte Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese
Mehr(x x j ) x [a,b] n! j=0
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (4 Punkte Es gibt zu jeder der 1 Aufgaben vier Aussagen. Diese sind mit bzw. zu kennzeichnen (hinschreiben. Es müssen alle Fragen mit oder gekennzeichnet
MehrBegleitmaterial 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
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
MehrDiskrete Fourier-Transformation Stefanie Dourvos Institut für Informatik FU Berlin
Diskrete Fourier-Transformation Stefanie Dourvos Institut für Informatik FU Berlin 28.04.09 Übersicht Einleitung Problem: polynomiale Multiplikation Crashkurs Diskrete Fourier-Transformation DFT mit FFT
MehrNumerische Mathematik I: Grundlagen
Numerische Mathematik I: Grundlagen 09.10.2017 Inhalt der Lehrveranstaltung Inhaltlich sollen Sie in der Lehrveranstaltung Numerische Mathematik I insbesondere vertraut gemacht werden mit der Numerik linearer
MehrKAPITEL 2. Fehleranalyse: Kondition, Rundungsfehler, Stabilität. Datenfehler. Dahmen-Reusken Kapitel 2 1
KAPITEL 2 Fehleranalyse: Kondition, Rundungsfehler, Stabilität Datenfehler Fehler im Algorithmus Fehler im Resultat Dahmen-Reusken Kapitel 2 1 Kondition eines Problems Analyse der Fehlerverstärkung bei
Mehr19. Januar Universität Erlangen-Nürnberg Department Mathematik PD Dr. Markus Bause. . Danach liefert die Gauss-Elinination. .
Universität Erlangen-Nürnberg Department Mathematik PD Dr Markus Bause Numerik I 9 Januar A Gegeben sei die Matrix A = a Führen Sie eine Zeilenskalierung der Matrix durch Klausur b Bestimmen Sie mit Hilfe
MehrComputer-orientierte Mathematik
Computer-orientierte Mathematik 6. Vorlesung - Christof Schuette 30.11.18 Memo: Relative und Absolute Kondition Relative Kondition der Grundrechenarten: Addition, Multiplikation und Division liefern beruhigende
MehrD-MAVT NUMERISCHE MATHEMATIK FS 14 K. Nipp, A. Hiltebrand Lösung vom Test 2
D-MAVT NUMERISCHE MATHEMATIK FS 4 K Nipp, A Hiltebrand Lösung vom Test Sei A ( 3 3 ) a) Bestimmen Sie κ(a), die Kondition von A (in der -Norm): κ(a) b) Berechnen Sie den Spektralradius von A: ρ(a) 4 c)
MehrApproximation von Funktionen
von Funktionen Fakultät Grundlagen Februar 6 Fakultät Grundlagen von Funktionen Übersicht Problemstellung Taylorpolynom Taylorenreihe Zusammenhang von e-funktion und trigonometrischen Funktionen 3 Fakultät
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 214 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrBegleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
MehrOrthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
MehrDie Interpolationsformel von Lagrange
Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten (x i,f i ), i =,...,n mit paarweise verschiedenen Stützstellen x i x j, für i j, gibt es genau ein Polynom π n P n
MehrInhalt Kapitel IV: Interpolation
Inhalt Kapitel IV: Interpolation IV Interpolation IV. Polynom-Interpolation IV. Spline-Interpolation Kapitel IV (InhaltIV) Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten
Mehreps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
MehrDie Interpolationsaufgabe besteht darin, eine (einfache) Funktion u n U n zu finden,
Kapitel 3 Interpolation 31 Einführung Bemerkung 31 Motivation, Aufgabenstellung Gegeben seien eine Funktion f C([a,b]) und x i [a,b], i = 0,n, mit a x 0 < x 1 < < x n b (31) Die Interpolationsaufgabe besteht
MehrInterpolation und Integration mit Polynomen
Interpolation und Integration mit Polynomen Philipp Andrea Zardo Universität Kassel 23. Februar 2006 / Kassel Outline 1 Einleitung Was ist numerische Mathematik? Die eulersche e-funktion Ein Wurzelalgorithmus
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV 6.8.005 1 Aufgabe N1 Gegeben seien A = 5-10 -5-10 8-10 -5-10 13 R 3 3 und b = a) Überprüfen Sie, ob die Matrix A positiv definit ist. b) Bestimmen
MehrNumerische Methoden. Thomas Huckle Stefan Schneider. Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker.
Thomas Huckle Stefan Schneider Numerische Methoden Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker 2. Auflage Mit 103 Abbildungen und 9 Tabellen 4Q Springer Inhaltsverzeichnis
MehrOriginal - d.h. unvertauschte Reihenfolge
NumaMB F6 Verständnisfragen-Teil (3 Punkte) Jeder der 6 Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es dafür 5
MehrPolynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
Mehr1. Rechnerarithmetik und. Rundungsfehler
1. Rechnerarithmetik und Rundungsfehler 1 Rundung (1) Die natürlichen Zahlen hat der liebe Gott gemacht, alles andere ist Menschenwerk, L. Kronecker Ohne Zahlendarstellung auf einem Rechner wiederholen
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
MehrEinführung in die Numerik
Institut für Angewandte Mathematik Universität Heidelberg http://www.numerik.uni-hd.de/ lehre/ss10/numerik0/ Zahldarstellung Normalisierte Gleitkommazahl: x = ±[m 1 b 1 + + m r b r ] b ±[es 1bs 1 + +e
MehrDiskrete und Schnelle Fourier Transformation. Patrick Arenz
Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen
MehrMODULPRÜFUNG MODUL MA 1302 Einführung in die Numerik
................ Note Name Vorname 1 I II Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Obige Angaben sind richtig: Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT
MehrKarteikarten, Analysis 2, Sätze und Definitionen nach der Vorlesung von PD Hanke
Karteikarten, Analysis 2, Sätze und en nach der Vorlesung von PD Hanke Felix Müller, felix.b.mueller@physik.lmu.de Diese Karteikärtchen sollten alle en und Sätze der Vorlesung Analysis 2 bei Herrn PD Hanke
MehrBesonderheiten des Numerischen Rechnens
Kapitel 2 Besonderheiten des Numerischen Rechnens 2.1 Zahlendarstellung Jede reelle Zahl x 0 lässt sich folgendermaßen darstellen: x = ± ( α m 10 m + α m 1 10 m 1 + α m 2 10 m 2 +... ) mit m Z, α i {0,
MehrZWEITE KLAUSUR zur Numerik I mit Lösungen. Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE FELIX LIEDER DR. GEORG JANSING.9.7 ZWEITE KLAUSUR zur Numerik I mit Lösungen Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
MehrPanorama der Mathematik und Informatik
Panorama der Mathematik und Informatik 20: Algorithmen V: Schnelle Multiplikation Dirk Frettlöh Technische Fakultät / Richtig Einsteigen 18.6.2015 Eine weitere Anwendung der schnellen Fouriertransformation:
MehrKlausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS 25 Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren 22. Juli 25 Sie haben 9 Minuten Zeit zum Bearbeiten der
Mehr3.5 Schnelle Fouriertransformation (FFT, DFT)
3.5 Schnelle Fouriertransformation (FFT, DFT) 3.5.1 Grundlagen Ein Polynom P = i a ix i C[x] vom Grad n ist eindeutig durch seine Koeffizienten a i bestimmt, d.h. man hat eine Bijektion {Polynome C[x]
MehrInterpolationsproblem. Interpolation. Interpolationsproblem. Interpolationsproblem. Gegeben seien eine Funktion. Φ (x; a 1,...
sproblem Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation Gegeben seien eine Funktion Φ (x; a 1,..., a n ) : R I R, die auf einem Intervall I erklärt
Mehr