|
|
- Gerd Esser
- vor 7 Jahren
- Abrufe
Transkript
1 Aufgabe 4: a) Schreiben Sie in Python ein Programm, um die Approximationseigenschaften der Interpolationspolynome am Beispiel der Runge-Funktion mit den Funktionswerten im Intervall und zu überprüfen. Berechnen Sie dazu den absoluten Fehler der Interpolationspolynome vom Grad jeweils mit äquidistanten Stützstellen bzw. Tschebyschewabszissen an äqudistanten Stellen in. Plotten Sie die Funktionen und absoluten Fehler! Was beobachten Sie? b) Berechnen Sie numerisch die Lebesgue-Konstanten jeweils für äquidistante und Tschebyscheff-Abszissen. Beobachtung? Zunächst definieren wir Funktionen, die für ein Intervall zu gegebenem Listen von äquidistanten bzw. Tschebyscheff-Stützstellen bereitstellen. In [1]: def make_stuetz_aeq(n, a, b): return [a+i*(b-a)/n for i in range(n+1)] def make_stuetz_t(n, a, b): from math import cos, pi return [a*(1-cos((2*i+1)*pi/2/(n+1)))/2+b*(1+cos((2*i+1)*pi/2/(n+1)))/2 for i in range(n+1)] Aus diesen Listen generieren wir nun mit Unterprogrammen, die wir so ähnlich bereits in den Aufgaben 3.3 und 4.2 verwendet haben, Listen der Koeffizienten der Interpolationspolynome. In [2]: def runge_kutta(x): return 1.0/( *x*x) def Newton_Polynom(grad, stuetz, f): import numpy as np # Felder initialisieren a=np.zeros([grad+1,2]) koeffs=[] for i in range(grad+1): a[i,0]=stuetz[i] a[i,1]=f(a[i,0]) # Schema füllen for j in range(2,grad+2): for i in range(grad-j+2): a[grad-i,1]=(a[grad-i,1]-a[grad-i-1,1])/(a[grad-i,0]-a[grad-i-j+1,0] ) for j in range(grad+1): koeffs.append(a[j,1]) return koeffs Schließlich benötigen wir noch das Unterprogramm, dass zu einer gegebenen Abszisse den Funktionswert des entsprechenden Newtonpolynoms berechnet. Dieses haben wir bereits in den Aufgaben 3.3 und 4.2 verwendet. 1 von :20
2 2 von :20 In [3]: def Newton_Polynom_Wert(x, grad, stuetz, koeffs): import numpy as np # Felder initialisieren a=np.zeros([2,grad+1]) for i in range(grad+1): a[0,i]=x-stuetz[grad-i] a[1,i]=koeffs[grad-i] # Wert berechnen wert=a[1,0] for i in range(1,grad+1): wert = a[0,i]*wert+a[1,i] return wert Jetzt kann es losgehen. Vorher sichern wir noch ab, dass innerhalb des Notebooks geplottet werden kann. In [4]: import matplotlib.pyplot as plt %matplotlib notebook Lösung zu Aufgabe 4.4.a) Wir tabellieren in jedem der beiden Intervalle und für jedes die Runge-Kutta- Funktion und deren Interpolationpolynome mit äquidistanten und Tschebyscheff-Stützstellen sowie die Fehler und plotten dann alle 5 Funktionen in ein Bild.
3 3 von :20 In [5]: from math import fabs for m in [1,2]: a, b = 0.0, 0.5*m for n in [2,5,10,20,40,60]: #n=2*(k+1) stuetz_a = make_stuetz_aeq(n,a,b) stuetz_t = make_stuetz_t(n,a,b) koeffs_a = Newton_Polynom(n,stuetz_a,runge_kutta) koeffs_t = Newton_Polynom(n,stuetz_t,runge_kutta) my_absz = make_stuetz_aeq(10*n,a,b) my_ords = [runge_kutta(x) for x in my_absz] my_ords_a = [Newton_Polynom_Wert(x,n,stuetz_a,koeffs_a) for x in my_absz ] my_ords_t = [Newton_Polynom_Wert(x,n,stuetz_t,koeffs_t) for x in my_absz ] my_errs_a =[fabs(my_ords[i]-my_ords_a[i]) for i in range(len(my_absz))] my_errs_t =[fabs(my_ords[i]-my_ords_t[i]) for i in range(len(my_absz))] fig1 = plt.figure() subplot1 = fig1.add_subplot(211) subplot2 = fig1.add_subplot(212) subplot1.plot(my_absz, my_ords, label = "Runge-Kutta-Funktion") #subplot2.plot(my_absz, my_ords, label = "Runge-Kutta-Funktion") subplot1.plot(my_absz, my_ords_a, label = 'Newton äquidistant') subplot1.plot(my_absz, my_ords_t, label = 'Newton Tschebyscheff') subplot2.plot(my_absz, my_errs_a, label = 'Fehler äquidistant') subplot2.plot(my_absz, my_errs_t, label = 'Fehler Tschebyscheff') subplot1.legend(loc = 'upper right') subplot2.legend(loc = 'upper right') subplot1.set_title("interpolationsfunktionen für n = {:2d}".format(n)) subplot2.set_title("interpolationsfehler für n = {:2d}".format(n)) fig1.show()
4 4 von :20
5 5 von :20
6 6 von :20
7 7 von :20
8 8 von :20
9 9 von :20 Wir beobachten, dass bei den äquidistanten Stützstellen die Fehler in den einmzelnen Teilintervallen unterschiedlich groß sind, insbesondere am Rand. Bei Tschebyscheff-Abszissen sind die Fehler über dem gesamten Intervall nahezu gleich groß, insgesamt aber deutlich kleiner als die maximalen Fehler bei äquididtanten Stützstellen.
10 10 von :20 Lösung zu 4.4 b): Es ist wobei die gerade die Lagrange-Basis zu den gegebenen Stützstellen darstellt. Wir schreiben also zunächst ein Unterprogramm, dass die Funktionswerte der berechnen kann und eines, dass an einer Stelle berechnet. In [6]: def lagrange(x,n,k,stuetz): l=1.0 ilist=list(range(n+1)) ilist.remove(k) xk=stuetz[k] for i in ilist: l=l*(x-stuetz[i])/(xk-stuetz[i]) return l def lambda_n(x,n,stuetz): from math import fabs s=0.0 for m in range(n+1): s += fabs(lagrange(x,n,m,stuetz)) return s Schließlich schreiben wir zwei Programme, die für ein gegebenes Intervall und eine gegebene Anzahl von Stützstellen das oben genannte Maximum für äquidistante bzw. Tschebyscheff-Stützstellen berechnet. Dabei wählen wir wieder die zehnfache Anzahl von Testpunkten. In [7]: def maxlambda_a(a,b,n): stuetz_a = make_stuetz_aeq(n,a,b) tests = make_stuetz_aeq(10*n,a,b) mymax=0 for x in tests: wert=lambda_n(x,n,stuetz_a) if wert>mymax: mymax=wert return mymax def maxlambda_t(a,b,n): stuetz_t = make_stuetz_t(n,a,b) tests = make_stuetz_aeq(10*n,a,b) mymax=0 for x in tests: wert=lambda_n(x,n,stuetz_t) if wert>mymax: mymax=wert return mymax Jetzt haben wir alle notwendigen Werkzeuge beisammen, um die Lebesque-Konstanten für die angebenen Stützstellenmangen zu tabellieren. Wir benutzen das Intervall.
11 11 von :20 In [8]: print("n L_n_a L_n_t") ns, las, lts = [], [],[] for n in range(1,11): ns.append(5*n) las.append(maxlambda_a(0,1,5*n)) lts.append(maxlambda_t(0,1,5*n)) print("{:2d}".format(ns[n-1]), "{:25.5f}".format(las[n-1]), "{:15.5f}".forma t(lts[n-1])) fig2 = plt.figure() subplot1 = fig2.add_subplot(211) subplot2 = fig2.add_subplot(212) subplot1.plot(ns, las, label = "Lebesque Konstanten bei äquidistanten Stürtzstel len") subplot2.plot(ns, lts, label = "Lebesque Konstanten bei Tschebyscheff-Stürtzstel len") subplot1.legend(loc = 'upper right') subplot2.legend(loc = 'upper right') fig2.show() n L_n_a L_n_t Wir beobachten exponetielles-wachstum der Lesbesque-Konstanten bei äquididstanten Stützstellen gegenüber logarithmischem Wachstum bei Tschebyscheff-Stützstellen.
Damit die von Matplotlib erzeugten Bilder gleich im Notebook erscheinen, braucht man das folgende "magic command":
Matplotlib In [1]: import numpy as np import matplotlib.pyplot as plt Damit die von Matplotlib erzeugten Bilder gleich im Notebook erscheinen, braucht man das folgende "magic command": In [2]: %matplotlib
MehrWaermeleitungsgleichung
Waermeleitungsgleichung October 26, 2018 1 Ausführliche Diskussion des Wärmeleitungsgleichungs-Beispiels der Vorlesung Wir betrachten die folgende Aufgabe: Ein Stab der Länge π (auf dem Zahlenstrahl von
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
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
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
MehrSFZPy Sj. 17/18. Python Jupyter / Spyder. SFZ 16/17 W.Seyboldt
SFZPy Sj. 17/18 Python Jupyter / Spyder 1 Python Python ist eine Skriptsprache, man muss den Pythoncode nicht zuerst kompilieren, sondern kann den Code sofort ausführen (falls er richtig ist!). Entweder
Mehr1 6. Vorlesung. 1.1 Matplotlib: Graphische Darstellung, Methode der kleinsten Quadrate. Ein kleines Beispiel
#!/usr/bin/env python3 # -*- coding: utf-8 -*- #Created on Tue Nov 14 14:22:01 2017 # #@author: christianehelzel 1 6. Vorlesung 1.1 Matplotlib: Graphische Darstellung, Methode der kleinsten Quadrate Ein
MehrKomplexe Analysis D-ITET. Serie 6
Prof. Dr. P. S. Jossen M. Wellershoff Frühlingssemester 208 Komplexe Analysis D-ITET Serie 6 ETH Zürich D-MATH Aufgabe 6. (6.a) um 0 = 0. Der Konvergenradius der Taylorreihe Berechnen Sie die ersten drei
Mehrlektion5 November 15, 2018
lektion5 November 15, 2018 1 Computergestützte Mathematik Vorlesung vom 15.11.2018 R. Braun In [35]: #%matplotlib notebook # %matplotlib notebook muss vor dem Import von pyplot stattfinden import numpy
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
MehrKomplexe Analysis D-ITET. Serie 4
Prof. Dr. P. S. Jossen M. Wellershoff Frühlingssemester 08 Komplexe Analysis D-ITET Serie 4 ETH Zürich D-MATH Aufgabe 4. Benutzen Sie Ihre Lieblingsprogrammiersprache, um die folgenden Vektorfelder zu
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
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
Mehr1 Eine Einführung in die objektorientierte Programmierung
#!/usr/bin/env python3 # -*- coding: utf-8 -*- # """ # Created on Fri Jan 12 09:34:34 2018 # # @author: christianehelzel # """ import matplotlib.pyplot as plt 1 Eine Einführung in die objektorientierte
Mehr1/26. Integration. Numerische Mathematik 1 WS 2011/12
1/26 Integration Numerische Mathematik 1 WS 2011/12 Notation 2/26 Die Abbildung I b a : C([a, b]) R gegeben durch Ia b (f ) := beschreibt die Integration. b a f (x)dx, Um das Integral I(f ) zu approximieren
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)
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,
MehrBeispiellösung zu Aufgabe 10.3c)
Beispiellösung zu In waren mittels zweier verschiedener Verfahren standardnormalverteilte Zufallsvariablen jeweils 100.000 mal zu simulieren. Methode aus 5.3b) (Inversionsmethode): Es wird eine gleichverteilte
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
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
MehrDas Eulerverfahren zum numerischen Lösen von DGLen
Das Eulerverfahren zum numerischen Lösen von DGLen Thomas Wassong FB17 Mathematik Universität Kassel 06.05.2008 Numerische Verfahren zur Berechnung von Differentialgleichungen Das Eulerverfahren: Programmierung
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
MehrDie Programmieraufgaben
Praktikum zur Vorlesung: Numerische Mathematik für Lehramt SS 2006 Die Programmieraufgaben Jan Mayer 18. Mai 2006 Lösung zur ersten Aufgabe Tschebyscheff Stuetzstellen.m function xs = Tschebyscheff Stuetzstellen(n);
MehrProgrammieraufgaben zur Vorlesung Numerik (Lehramt) Sommersemester
Programmieraufgaben zur Vorlesung Numerik (Lehramt) Sommersemester 2018 1 Aufgabe 1 Ein überaus beliebter Mathematikprofessor bietet vier Studenten eine zusätzliche Konsultation zur Numerik an. Leider
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
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)
MehrEinführung in numerische Simulation mit Python
Einführung in numerische Simulation mit Python Alexander Schlemmer, Jan Schumann-Bischoff, Tariq Baig Max-Planck-Institut für Dynamik und Selbstorganisation, Biomedizinische Physik Nichtlineare Dynamik
MehrComputergrafik 2: Übung 1. Eclipse, PyDev, NumPy, Matplotlib
Computergrafik 2: Übung 1 Eclipse, PyDev, NumPy, Matplotlib Überblick 1. Einrichten der Entwicklungsumgebung 2. Python-Techniken 3. Bildverarbeitung Numpy und Matplotlib Übung Computergrafik 2 SS2012 2
MehrPraktikum zur Vorlesung: Numerische Mathematik für Lehramt SS Matlab: Fortsetzung. Jan Mayer. 4. Mai 2006
Praktikum zur Vorlesung: Numerische Mathematik für Lehramt SS 2006 Matlab: Fortsetzung Jan Mayer 4. Mai 2006 Manipulation von Matrizen und Vektoren [M,N]=size(A); speichert die Dimension einer Matrix bzw.
MehrApproximationstheorie und Approximationspraxis
Approximationstheorie und Approximationspraxis Martin Wagner Bergische Universität Wuppertal Fachbereich C - Mathematik und Naturwissenschaften AG Optmierung und Approximation 3. Februar 2010 1 / 20 Motivation
MehrEinführung in Python/Matplotlib
Einführung in Python/Matplotlib AP/FP-Softwarekurse Markus Ühlein Fachschaft Physik TU Kaiserslautern 19. Februar 2019 Übersicht Grundlagen Plotten Fitten Weiteres 2 / 20 Python starten Konsole Konsole
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.
MehrÜbungsblatt 3 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA4 - SS6 Übungsblatt Musterlösung Sei M,N N und f C M+N+ (B) eine komplexe Funktion, B eine kompakte Menge. Die Padé Approximation PN M (f)(x) ist die rationale
MehrMusterlösung Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn
D-ITET, D-MATL Musterlösung Prüfung umerische Methoden, Sommer 01 Dr. Lars Kielhorn 1. a) z = exp(iϕ) = dz = i exp(iϕ) dϕ = c n [f] = 1 π f(exp(iϕ)) exp( iϕn) dϕ π 0 b) Allgemeine zusammengesetzte Trapezregel
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
MehrLösung 2 : Logarithmen, Wurzeln & Komplexe Funktionen
D-ITET FS 09 Meike Akveld Komplexe Analysis Lösung : Logarithmen, Wureln & Komplexe Funktionen Aufgabe..a) Berechnen Sie die folgenden Terme in der algebraischen Form. i) e i, ii) e i, iii) Log + i), i)
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}
MehrKomplexe Analysis D-ITET. Serie 5
Prof. Dr. P. S. Jossen M. Wellershoff Frühlingssemester 8 Komplexe Analysis D-ITET Serie 5 ETH Zürich D-MATH Aufgabe 5. Anwendung des Satzes von Cauchy I Sei die Parametrisierung entgegen des Uhrzeigersinns
MehrD-ITET, D-MATL. Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn
Name: Wichtige Hinweise D-ITET, D-MATL Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn Prüfungsdauer: 90 Minuten. Nur begründete Resultate werden bewertet. Zugelassene Hilfsmittel: 10 A4-Seiten
MehrSerie 2. D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Luc Grosheintz
D-MATH Numerische Methoden FS 206 Dr. Vasile Gradinaru Luc Grosheintz Serie 2 Abgabedatum: Di. 4.3 / Mi. 5.3 oder früher, in den Übungsgruppen Koordinatoren: Luc Grosheintz, HG J 46, luc.grosheintz@sam.math.ethz.ch
Mehr1 12. Vorlesung: Singulärwertzerlegung,
#!/usr/bin/env python3 # -*- coding: utf-8 -*- # """ # Created on Fri Jan 5 23:57:22 2018 # # @author: christianehelzel # """ 1 12. Vorlesung: Singulärwertzerlegung, 1.1 Teil 2 Datenkompression in der
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
MehrMinimaleinführung in Python 3
Minimaleinführung in Python 3 Python ist eine einfach zu lernende, aber mächtige Programmiersprache mit effizienten abstrakten Datenstrukturen und einem einfachen, aber effektiven Ansatz zur objektorientierten
MehrNachklausur am Donnerstag, den 7. August 2008
Nachklausur zur Vorlesung Numerische Mathematik (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Nachklausur am Donnerstag, den 7. August 2008 Bearbeitungszeit:
Mehr2D - Plotten / Visualisierung
Fakultät Maschinenwesen Institut für Verarbeitungsmaschinen und mobile Arbeitsmaschinen 2D - Plotten / Visualisierung mit numpy und matplotlib 06.06.2011 Sebastian Voigt Wie was wo warum? Visualisierung
MehrComputerphysik II. Python Einführung. S. Gerlach. WiSe S. Gerlach Computerphysik II
Computerphysik II Python Einführung S. Gerlach WiSe 2016 Programmiersprachen In der Wissenschaft: Programmiersprachen - Einteilung Eigenschaften: Skriptsprachen: Shell, Python, Perl,... Kompilierte Sprachen:
MehrKomplexe Analysis D-ITET. Serie 2
Prof. Dr. P. S. Jossen M. Wellershoff Frühlingssemester 018 Komplexe Analysis D-ITET Serie ETH Zürich D-MATH Hinweis: Auf diesem Aufgabenblatt gibt es ein paar Aufgaben, welche etwas schwieriger sind als
Mehrimport matplotlib.pyplot as plt from numpy import sin, exp, linspace, arange, pi macht das Gleiche wie
1 Matplotlib Allgemeines Matplotlib braucht NumPy 2 Schichten für GUI: Renderer: erledigt das Zeichnen Standard: AGG lib = Anti-Grain Geometry Canvas: hierauf wird gezeichnet bei Matplotlib gibt es ein
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2018
to to May 2018 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
Mehr1 10. Vorlesung: Die QR Zerlegung
#!/usr/bin/env python3 # -*- coding: utf-8 -*- # """ # Created on Mon Dec 11 17:44:18 2017 # # @author: christianehelzel # """ 1 10. Vorlesung: Die QR Zerlegung Ziel: Finde eine Zerlegung der Matrix A
Mehr(c) Gegeben sei der zweidimensionale Raum L mit den Basisfunktionen. [ φ i, φ j ] 3 i,j=1 =
1. (a) i. Wann besitzt A R n n eine eindeutige LR-Zerlegung mit R invertierbar? ii. Definieren Sie die Konditionszahl κ(a) einer Matrix A bzgl. einer Norm.! iii. Welche Eigenschaften benötigt eine Matrix
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]
MehrZuname: Vorname: KennNr: Matr.Nr: PRÜFUNG AUS MATHEMATIK 3. 1)(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation.
(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation. y 7y + 10y = sin(2x), y(0) = 1, y (0) = 3. x ( ) Bemerkung: Für festes a gilt L(e ax ) = 1 und L sin(ax) = arctan a. s a x s Die auftretenden
MehrPYTHON. 04 Funktionen II, Module
PYTHON 04 Funktionen II, Module Funktionen Funktionen enthalten Programm-Teile können später im Programm aufgerufen werden können beliebig oft aufgerufen werden (und man muss nur die Funktion aufrufen,
MehrGültigkeitsbereich. T. Neckel Einführung in die wissenschaftliche Programmierung IN8008 Wintersemester 2016/
Gültigkeitsbereich Funktionen Erinnerung: Python ist eine interpretierte Sprache! Funktionen müssen definiert sein, bevor sie aufgerufen werden können. T. Neckel Einführung in die wissenschaftliche Programmierung
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 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.
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
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
MehrETHZ, D-MATH. Numerische Methoden D-PHYS, WS 2015/16 Dr. V. Gradinaru
ETHZ, D-MATH Prüfung Numerische Methoden D-PHYS, WS 5/6 Dr. V. Gradinaru..6 Prüfungsdauer: 8 Minuten Maximal erreichbare Punktzahl: 6. Der van-der-pol Oszillator ( Punkte) Der van-der-pol Oszillator kann
Mehr4.3 Hierarchisches Clustering
4.3 Hierarchisches Clustering k-means teilt Daten in disjunkte flache Cluster auf, die in keiner Beziehung zueinander stehen Hierarchische Clusteranalyse erzeugt eine Folge C 1,...,C n von Clusterings,
MehrKLAUSUR ZUM BACHELORMODUL PROBEKLAUSUR COMPUTERLINGUISTISCHE ANWENDUNGEN PROBEKLAUSUR, DR. BENJAMIN ROTH KLAUSUR AM
KLAUSUR ZUM BACHELORMODUL PROBEKLAUSUR COMPUTERLINGUISTISCHE ANWENDUNGEN PROBEKLAUSUR, DR. BENJAMIN ROTH KLAUSUR AM VOR NACH MATRIKELNUMMER: STUDIENGANG: B.Sc. Computerlinguistik, B.Sc. Informatik, Magister
MehrPython Einführung. Monica Selva Soto. 24 März Mathematisches Institut
Mathematisches Institut mselva@math.uni-koeln.de 24 März 2009 Übungen zur Numerik 1 Vorlesung Übungen praktische Aufgaben Webseite: (Anmeldung, Übungsblätter) http://www.mi.uni-koeln.de/~mselva/numerik1.php
MehrDatenanalyse der Sonnenflecken mit FFT
Analysis II (Sommer 2017) Datenanalyse der Sonnenflecken mit FFT Jörn Behrens (http://www.clisap.de/behrens) (joern.behrens@uni-hamburg.de) (mailto:joern.behrens@uni-hamburg.de) Dieses Beispiel demonstiert
MehrA 1 A 2 A 3 A 4 A 5 A 6 A 7
Institut für Geometrie und Praktische Mathematik Numerisches Rechnen für Informatiker WS 7/8 Prof. Dr. H. Esser J. Grande, Dr. M. Larin Klausur Numerisches Rechnen für Informatiker Hilfsmittel: keine (außer
MehrNumerische Analysis - Matlab-Blatt 5
Prof. Dr. Stefan Funken Universität Ulm M.Sc. Andreas Bantle Institut für Numerische Mathematik Dipl.-Math. oec. Klaus Stolle Sommersemester 05 Numerische Analysis - Matlab-Blatt 5 Lösung (Besprechung
MehrEinführung in Python Teil II Bibliotheken für wissenschaftliches Rechnen
Einführung in Python Teil II Bibliotheken für wissenschaftliches Rechnen Valentin Flunkert Institut für Theoretische Physik Technische Universität Berlin Fr. 28.5.2010 Nichtlineare Dynamik und Kontrolle
MehrBER-Basisband. October 12, 2017
BER-Basisband October 12, 2017 1 Bitübertragung - Basis- und Breitbandverfahren Wir betrachten hier die Übertragung von Daten mit unterschiedlichen Modulationstechniken und die sich dabei einstellenden
MehrMusterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
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
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:
MehrMultimedia Programmierung mit Python
Multimedia Programmierung mit Python Nils Werner Stefan Balke 12. August, 2015 Grundlagen Hallo Welt print("hallo Welt") $ python hallo.py 3 Einfache Variablen a = 1 b = 1.5 s = "Hallo" # Ganzzahl # Dezimalzahl
MehrPVK Probeprüfung FS 2017
PVK Probeprüfung FS 07 Lucas Böttcher Numerische Methoden ETH Zürich June 3, 07. Radioaktiver Zerfall Gegeben sind zwei radioaktive Substanzen, welche mit den Raten λ = 0.5 und λ = 0. zerfallen: A λ B
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
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 5
D-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz Serie 5 Best Before: Di./ Mi. 28.3/29.3, in den Übungsgruppen oder im J 68 Koordinatoren: Luc Grosheintz, luc.grosheintz@sam.math.ethz.ch
Mehrfile:///home/fran/tmp/matze/dkfz/projects/python-lecture_tmp/lecture09/lecture09.html?print-pdf 1 of :27
VORLESUNG 9: MODULE MATTHIAS BIEG 1 of 35 24.11.2015 12:27 MODULE: INTRO 2 of 35 24.11.2015 12:27 WAS SIND MODULE Module bieten die Möglichkeit Python Code logisch zu organisieren Wenn Code zu einem grossen
MehrInterpolation, numerische Integration
Interpolation, numerische Integration 8. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 8. Mai 2014 Gliederung 1 Interpolation polynomial Spline 2 Numerische
MehrAnalysis II für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg SoSe 2014 Prof. Dr. Armin Iske Dr. Hanna Peywand Kiani Analysis II für Studierende der Ingenieurwissenschaften Blatt 3, Hausaufgaben Aufgabe 1: a) Es sei
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
MehrDiplom VP Informatik/Numerik 9. September 2000 / Seite 1. Aufgabe 1: L-R-Zerlegung, Nachiteration / Ly = b. y = Rx = y.
Diplom VP Informatik/Numerik 9 September 2000 / Seite 1 1 Pivotisierung : 2 L-R-Zerlegung von A: 3 Vorwärtseinsetzen: (pivotisierung) Aufgabe 1: L-R-Zerlegung, Nachiteration A A = 4 2 10 2 6 9 2 1 6 L
MehrKapitel 4. Interpolation. 4.1 Allgemeines Normen von Funktionen
Kapitel 4 Interpolation 4 Allgemeines Nähere Funktion/Daten durch einfache Funktionen (eg Polynome) an Brauchbar für: - Integration - Differentiation [zb f(x) sei durch Polynom p(x) approximiert, F(x)
MehrLösungen zu Aufgabe 3 Mathematik
Lösungen zu Aufgabe 3 Mathematik David Ploog, Frithjof Schulze Aufgabe 1. Die Dreieckszahlen kleiner als 100 sind 1, 3, 6, 10, 15, 1, 8, 36, 45, 55, 66, 78, 91. Diese Zahlen folgen der Vorschrift d n =
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 20 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 6 Übungsblatt:
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 4. Differentialrechnung Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
MehrNumerische Verfahren Übungen und Lösungen, Blatt 1
Technische Universität Hamburg-Harburg Institut für Numerische Simulation, E-0 Dr. Jens-Peter M. Zemke Sommersemester 2008 Numerische Verfahren Übungen und Lösungen, Blatt Aufgabe : (Thema: relativer und
MehrFourier. October 12, 2017
Fourier October 12, 2017 1 Baseband bit transmission and Fourier transforms In this assignment, we will look at how signals propagate over a bandlimited channel and what that does to bitshapes. We start
MehrComputerphysik II. Python Einführung. S. Gerlach. WiSe S. Gerlach Computerphysik II
Computerphysik II Python Einführung S. Gerlach WiSe 2017 Programmiersprachen In der Wissenschaft: Programmiersprachen - Einteilung Eigenschaften: Skriptsprachen: Shell, Python, Perl,... Kompilierte Sprachen:
MehrÜbungsaufgaben zur Kurvendiskussion
SZ Neustadt Mathematik Torsten Warncke FOS 12c 30.01.2008 Übungsaufgaben zur Kurvendiskussion 1. Gegeben ist die Funktion f(x) = x(x 3) 2. (a) Untersuchen Sie die Funktion auf Symmetrie. (b) Bestimmen
MehrLösungsblatt Aufgabe 1.32
Aufgabenstellung: Die Geschwindigkeit eines Körpers ist für t 1 durch v t = 10 10 gegeben. t 1. Schätze die Länge des im Zeitintervall [1 4] zurückgelegten Weges durch Ober- und Untersumme ab, wobei das
MehrFunktionen. Theorie. Inhaltsverzeichnis. Programmieren mit Python Modul 4. 1 Modulübersicht 3
Programmieren mit Python Modul 4 Funktionen Theorie Inhaltsverzeichnis 1 Modulübersicht 3 2 Funktionen 3 2.1 Funktionen ohne Rückgabewert (Prozeduren)............... 3 2.2 Funktionen mit Parametern.........................
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
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,...,
Mehr- Numerik in der Physik - Simulationen, DGL und Co. Max Menzel
- Numerik in der Physik - Simulationen, DGL und Co. Max Menzel 4.1.2011 1 Übersicht Differenzialgleichungen? Was ist das? Wo gibt es das? Lösen von Differenzialgleichungen Analytisch Numerisch Anwendungen
MehrÜbungen zur Ingenieur-Mathematik II SS 2017 Blatt Aufgabe 13: Betrachten Sie die Funktion. f(x) =
Übungen zur Ingenieur-Mathematik II SS 2017 Blatt 6 2.5.2017 Aufgabe 1: Betrachten Sie die Funktion Lösung: f(x) = 1, x [, 1]. 1 + 25x2 a) Bestimmen Sie die Interpolationspolynome vom Grad m p m (x) =
MehrÜbungsblatt 4 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA2304 - SS6 Übungsblatt 4 Musterlösung Aufgabe 7 (Nullstellen als Eigenwerte) Die Polynome {S n } n=0,,2,, S n P n, mit führem Koeffizienten eins, heißen Orthogonalpolynome
Mehrpandas ist ein Modul, das Datencontainer anbietet, ähnlich den DataFrames in R Die wich gsten Datencontainer sind: pandas.
Lecture 9. Modules - pandas Matthias Bieg pandas: Intro Was ist pandas pandas ist ein Modul, das Datencontainer anbietet, ähnlich den DataFrames in R Die wich gsten Datencontainer sind: pandas.series,
Mehrimage.png Die Dokumentation von Python, welche ich so sehr empfehle, findet ihr hier: https://py-tutorialde.readthedocs.io/de/python-3.
Einführung in Python Relevante Links Mit dem Paket "Anaconda" habt ihr sofort das wissenschaftliche Notebook "Jupyter" dabei. Hier der Downloadlink: https://www.continuum.io/downloads (https://www.continuum.io/downloads)
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
MehrNUMERISCHE MATHEMATIK II 1. (Studiengang Mathematik) Prof. Dr. Hans Babovsky. Institut für Mathematik. Technische Universität Ilmenau WS 2001/2002
NUMERISCHE MATHEMATIK II 1 (Studiengang Mathematik) Prof Dr Hans Babovsky Institut für Mathematik Technische Universität Ilmenau WS 2001/2002 1 Korrekturen, Kommentare und Verbesserungsvorschläge bitte
Mehr