Numerik für Informatiker, Elektrotechniker und Naturfreunde von Michael Lehn
|
|
- Susanne Koenig
- vor 7 Jahren
- Abrufe
Transkript
1 Numerik für Informatiker, Elektrotechniker und Naturfreunde von Michael Lehn Verfasst von Patrick Schneider Universität Ulm Institut für Numerische Mathematik Sommersemester 28
2 Inhaltsverzeichnis Einleitung 2 1 Rechnen auf digitalen Rechnern Zahlendarstellung Rundung und Maschinengenauigkeit Standardrundung ( normales Runden ) Abbrechen Gleitpunktarithmetik Fehlerverstärkung bei elementaren Rechenoperationen Multiplikation Division Addition Kondition und Stabilität Numerische Lösung linearer Gleichungssysteme Motivation: Das Poisson Problem
3 Einleitung: Was ist Numerik? Die mathematische Umsetzung von Verfahren, Algorithmen und Methoden zur Berechnung bestimmter Größen auf dem Computer, z.b. die Auswertung von Funktionen (z.b. sin(1)) auf Taschenrechner die Lösung von Gleichungen die Näherung (Approximation) von Größen, die man nicht exakt bestimmen kann oder will (z.b. Ableitungen, Integrale,...) bei computerbasierten Simulationen in zahlreichen Gebieten in Forschung und Technik Insbesondere ist man daran interessiert, dass die verwendeten Verfahren schnell (effizient) verlässlich (mit beweisbaren Fehlerschätzen) robust gegenüber Störungen (z.b. Messfehlern) sind. Derartige Fragestellungen werden in der Numerik untersucht, welches ein Oberbegriff ist für z.b. Numerische Analysis Numerische lineare Algebra Numerische Optimierung Das Vorgehen kann man vereinfacht darstellen: Reales Problem Modellierung Mathematisches Problem Konstruktion und Umsetzung von Verfahren Simulation 2
4 Kapitel 1 Rechnen auf digitalen Rechnern Auf einer endlichen Maschine kann man niemals exakt rechnen, d.h. man hat immer Fehler. Beispiel: die Darstellung reeller Zahlen. Diesen Fehler gilt es zu analysieren und zu kontrollieren. 1.1 Zahlendarstellung Grundlage hierfür ist die folgende Aussage aus der Analysis: Bemerkung Sei b N, b > 1 gegeben (b ˆ= Basis), dann gilt: Zu jedem x R existieren eindeutige Zahlen σ { 1, 1} (Vorzeichen) n Z (Potenz) a k N für k Z, k n (Ziffern) mit so dass 1. a n, 2. a k < b k n, 3. a k < b 1 für unendlich viele k. x = σ n k= a k b k Beispiel: x = 5 hat bezüglich b = 2 die Darstellung (b-adische Entwicklung) (11) 2 = = σ mit a 2 = 1, a 1 =, a = 1 und a n = k <, sowie σ = k= a k 2 k
5 Bemerkung (a) Die Zahl b heißt Basis (b) Die Bedingung a k < b 1 für -viele k sichert die Eindeutigkeit: für b = 1 ist für x = 1 also die Darstellung x = nicht zugelassen! Die b-adische Entwicklung wird nun durch eine endliche Entwicklung approximiert. Definition Zu gegebener Basis b ist F(l, n) := {± n a k b k = ±(a n... a. a 1... a l ) b } n= l die Menge der Festpunktzahlen mit n + 1 Vor- und l Nachkommastellen. In der Praxis werden Festpunktzahlen meist nur zur Darstellungen von ganzen Zahlen (Integer) benutzt. Zur Approximation von reellen Zahlen wird statt dessen eine sogenannte Gleitpunktdarstellung benutzt. Definition Die normalisierte Gleitpunktdarstellung einer reellen Zahl x R hat die Form x = f b l, wobei 1. die Mantisse f eine feste Zahl von m Stellen hat und b 1 f < 1, falls x genügt. D.h. f = { ±(. d 1...d m ) b = ± m j=1 d jb j, falls d 1,, falls d 1 =. 2. der Exponent l eine ganze Zahl innerhalb fester Schranken r l R ist, d.h. n l = ±(e 1...e n ) b = ± e j b n j j=1 Die Menge der Maschinenzahlen mit Basis b, m-stelliger Mantisse und n-stelligem Exponenten wird als M(b, m, n) bezeichnet. Beispiel 4
6 a) Für M(1, 4, 2) gilt x = = = ( ) 1. Mantisse Exp. b) Für M(2, 4, 2) gilt x = 3.25 = (11.1) 2 = (.111) 2 2 (1) 2 = ( ) 2 c) Nicht jede reelle Zahl kann als Maschinenzahl dargestellt werden, z. B. gilt bei Basis b = 2:.1 = (.11) Rundung und Maschinengenauigkeit Aufgabe: Approximiere x R durch f l(x) M(b, m, n) (Anmerkung: f l steht für float). Die Funktion fl ist formal eine Abbildung fl : R M(b, m, n) und wird durch geeignete Rundungsstrategien realisiert. Wir betrachten im Folgenden zwei Strategien Standardrundung ( normales Runden ) fl(x; b, m, n) = fl(x) := ± m d j b n j + j=1 {, falls d m+1 < b 2 b n m, falls d m+1 b 2 (1.2.1) Es werden ausserdem folgende Ausnahmebedingungen berücksichtigt: x < x Min := min {M(b, m, n)} fl(x) :=, x > x Max := max {M(b, m, n)} Overflow. Beispiel: Für M(1, 4, 2) gilt a) x = fl(x) = , b) x = fl(x) = Abbrechen m fl(x; m, n) = fl(x) := ± d j b n j (1.2.2) Beispiel: Für M(1, 4, 2) gilt x = fl(x) = j=1 5
7 Definition Es sei f : R R eine Funktion und f : R R eine Approximation. (a) Die Größe f(x) f(x) heißt absoluter Fehler und (b) die Größe heißt relativer Fehler. f(x) f(x) f(x) Lemma Für die Standardrundung gilt für eine gerade Basis b fl(x) x b m 2 bn und fl(x) x x b1 m 2 Beweis-Idee: o.b.d.a. sei x >. Die normalisierte b-adische Entwicklung von x sei dann gilt x = (.d 1 d 2...) b b n = b n d j b j, d 1 x u = (.d 1 d 2...d m ) b b n fl(x) x o := (.d 1...d m ) b b n + b n m und die obere und untere Schranke x u bzw. x sind exakt darstellbar in M(b, m, n). Insbesondere gilt { x u falls d m+1 < b 2 fl(x) = x o falls d m+1 b 2 j=1 Falls b 2 Z (also b gerade ist) gilt dann Außerdem gilt also folgt für den relativen Fehler abs. Fehler = fl(x) x x o x u 2 x x u (.1...) b b n = b n 1 = bn m 2 fl(x) x x fl(x) x x n bn m b1 m = 2bn 1 2. Definition Die Zahl eps := b1 m 2 heißt relative Maschinengenauigkeit. Sie charakterisiert das Auflösungsvermögen eines Rechners. Bemerkung Es gilt eps := inf{δ > : fl(1 + δ) > 1} 2. ε mit ε < eps, so dass fl(x) x x = ε. Es gilt also fl(x) = x(1 + ε) Beweis: folgt aus Lemma
8 1.2.3 Gleitpunktarithmetik Ein Algorithmus entspricht einer Folge von arithmetischen Operationen, mit denen Maschinenzahlen verknüpft werden. Beispiel Betrachte M(1, 3, 3) = }.1 {{ 1} 1 + }.234 {{ 1} = (.1234) 1 1 M(1,3,3) M(1,3,3) / M Man sieht also: das Ergebnis einer arithmetischen Operation auf Maschinenzahlen muss keine Maschinenzahl sein! Für die Fehleranalyse werden Operationen {+,,, } ersetzt mit Gleitpunkt- Operationen x y := fl(x y) wegen fl(x) = x(1+ε) folgt x y = (x y)(1+ε). Also zum Beispiel x y = (x+y)(1+ε) Bemerkung 1. Maschinenzahlen sind nicht assoziativ: Für x, y, z M(1, 3, 3) mit gilt bei exakter Rechnung aber x = 123, y =.4, z =.4 x + y + z = (a) (x y) z = fl(fl(x + y) + z) = fl(fl(123.4) +.4) = fl(123.4) = 123 =123 (b) x (y z) = fl(x + fl(y + z)) = fl(123 + fl(.8) ) = fl(123.8) = 124 =.8 Faustregel: Addition von Maschinenzahlen in aufsteigender Reihenfolge. 2. Das Distributiv-Gesetz gilt ebenso nicht. Beispiel (Auslöschung) Betrachte folgende Subtraktion
9 Bei 3-stelliger Rechnung erhält man also einen absoluten Fehler e abs =.1 =.1 und relativen Fehler e rel =.1.1 = 1 = 1%. Wird 4-stellig gerechnet erhält man also absoluter Fehler e abs =.1.1 =.9 und relativer Fehler e rel =.9.1 = 9 = 9% Beobachtung: Während der absolute Fehler in allen Fällen in der Größenordnung des Rundungsfehlers bzw. der Maschinengenauigkeit bleibt, kann der relative Fehler sehr groß werden. Dieser Effekt heißt Auslöschung. Frage: Wann sind Operationen mit Maschinenzahlen gefährlich? D. h. welche Fehlerverstärkung man man bei verschiedenen Operationen erwarten? Fehlerverstärkung bei elementaren Rechenoperationen In einem Programm (entspricht Implementierung eines Algorithmus) werden viele Rechenoperationen durchgeführt. Frage: Was passiert mit den Fehlern? Wir beschäftigen uns zunächst mit exakten Operationen, d. h. ohne weitere Rundung. Seien x, y die exakten Eingaben, x = fl(x), ỹ = fl(y) die gestörten Eingaben mit relativen Fehlern: x = x (1 + ε x ), ỹ = y (1 + ε y ) Es gelte ferner die Annahme, dass ε x, ε y < eps Multiplikation Es gilt x ỹ = x(1 + ε x ) y(1 + ε y ) = x y (1 + ε x + ε y + ε x ε y ) = x y (1 + ε) mit ε = ε x + ε y + ε x ε y 2 eps + eps 2 bei Vernachlässigung des quadratischen Terms eps 2 eps ist der relative Fehler in der Fehlerordnung von eps, d.h. O(eps): xỹ xy xy = ε 2 eps + eps2 3 eps = O(eps) 8
10 1.2.6 Division Hier gilt x ỹ = x(1 + ε x) y(1 + ε y ) =... = x (1 + ε). y Denn mit Hilfe der geometrischen Reihe gilt also mit ε y = x ỹ ( 1) k ε k y = 1 + k= = x y (1 + ε x)(1 + ( 1) k ε k y k=1 ( 1) k ε k y ) k=1 = x y (1 + ε x + (1 + ε x ) = x (1 + ε) y ε = ε x + (1 + ε x ) k=1 ( 1) k ε k y ) k=1 ( 1) k ε k y Dies kann nun wie folgt abgeschätzt werden ε eps + (1 + eps) eps k = eps + (1 + eps)eps eps k Gilt z.b. eps 1 1+eps, dann gilt 2 1 eps k=1 1 = eps + (1 + eps)eps 1 eps = eps 3 und damit ε 4ε ( eps 1 eps k= = 1 1 eps D.h. wie bei der Multiplikation bleibt bei der Division bleibt der relative Fehler in der Größenordnung der Maschinengenauigkeit: ε = O(eps). ) Addition Es gilt x + ỹ = x(1 + ε x ) + y(1 + ε y ) = (x + y) + (xε x + y ε y ) = (x + y)(1 + x x + y ε x + y x + y ε y 9
11 mit Also ε = x x + y ε x + y x + y ε y. x ε x + y ε y x + x + y ε x y eps ( x + y + y x + y ) x 2 eps max{ x + y, y x + y } Achtung: Dieser relative Fehler kann nicht nach oben abgeschätzt werden! Die Terme x und y können sehr groß werden wenn x y, z.b. x+y x+y } x = (.d 1 d 2... d r d r+1...d m ) b b n y = (.d 1 d 2...d r dr+1... d Die ersten r Ziffern stimmen überein! m ) b b n Der Einfachheit halber sei d r+1 d r+1,..., d m d m, dann gilt x + y = (.... ˆd r+1... ˆd m ) b b n = (. ˆd r+1... ˆd m ) b b n r b n r 1 Daraus folgt unmittelbar x x + y x bn 1 = br 1 bn r bn r d.h. je mehr Ziffern übereinstimmen desto größer ist die Fehlerverstärkung Kondition und Stabilität Bislang: Verknüpfung einzelner Operationen. Jetzt: Verknüpfung dieser Operationen zur Lösung mathematische Probleme f : X Y und Auswertung von f(x) für ein x X. Beispiel: Wir betrachten das mathematische Problem bestimme den Schnittpunkt zweier Geraden. Die Steigungen der Gerade seien bekannt und fest vorgegeben. D.h. wir kennen die exakte Darstellung der Geraden in der Normalenform: G 1 := {(u 1, u 2 ) R 2 : a 11 u 1 + a 12 u 2 = x 1 } G 2 := {(u 1, u 2 ) R 2 : a 21 u 1 + a 22 u 2 = x 2 } Mathematische Formulierung der Problemstellung: Bestimme zu gegebenem x = (x 1, x 2 ) T den Punkt u = (u 1, u 2 ) T, so dass ( ) ( ) ( ) a 11 u 1 + a 12 u 2 = x 1 a11 a 12 u1 x1 =. a 21 u 1 + a 22 u 2 = x 2 a 21 a 22 u 2 x 2 =:A =:u =:x 1
12 D.h. berechne u = A}{{ 1 x} falls A invertiert ist. =:f(x) Hier gilt also X = Y = R 2 und f(x) = A 1 x Frage: Wie sensibel reagiert die exakte Auswertung f(x) auf Störungen in der Eingabe von x? (Solche Störungen können in der Praxis zum Beispiel durch Messfehler entstehen). Bemerkung: Wir rechnen exakt, d.h. wir betrachten das rein mathematische Problem! Eingabe Problem/Prozess Ausgabe x X ỹ = f( x) f Fehler x = x x y = f( x) f(x) Definition (Kondition eines Problems) Seien x, y geeignete Normen auf X und Y und ε x := x x x x, ε y := y y y y die relativen Ein- bzw. Ausgabefehler, dann heißt κ f := ε y ε x (1.2.3) die (relative) Kondition des Problems f(x) mit f : X Y. Ein Problem heißt gut konditioniert, wenn eine kleine Schranke für κ f für ε x existiert. Optimal wäre die Schranke κ f 1. Beispiel: Mathematisches Problem: Berechne 1 x(t) dt. Hier sind die Räume X und Y wie folgt definiert: x X := C([, 1]), y Y := R Sinnvolle Normen für X und Y können wie folgt festgelegt werden: Norm auf X = C([, 1]): d.h. x 1 = x x 1. x 1 := 1 x(t) dt Norm auf Y = R: Die Norm ist also einfach der Betrag. y = y 11
13 Das zu untersuchende mathematische Problem f: Der hier untersuchte Prozess f ordnet jeder stetigen Funktion x X = C([, 1]) eine reelle Zahl y Y = R zu. Formal kann dies also beschrieben werden durch f : X Y, mit x y = 1 x(t) dt Nun kann die Kondition des Problems berechnet werden. Eine um x gestörte Eingabe führt auf die gestörte Ausgabe ỹ = = Für den absoluten Fehler gilt also 1 1 x = x + x (x(t) + x(t)) } {{ } =:y = y + y 1 y = ỹ y = x 1 dt x(t) dt + x(t) dt x(t) dt 1 =: y x(t) dt = x 1 und damit folgt für die Kondition des Problems κ f = y / y = y x 1 / x 1 y x 1 y x 1 = x 1 x 1 y Ist das Problem nun gut oder schlecht konditioniert? 1. Sei x(t) = t 2. Dann gilt x 1 = 1 x(t) dt = 1 t2 dt = 1 und 3 y = 1 x(t) dt = 1. 3 Für die Kondition gilt also κ f Sei x(t) = sin(2πt). Dann gilt 12 x 1 x 1 = 1 x(t) dt 1 x(t) dt
14 x 1 = 1 x(t) dt = 1 sin(2πt) dt und y = 1 x(t) dt 1 = sin(2πt) dt =. Die Kondition kann also beliebig groß werden. Bemerkung: 1. Die Kondition ist Eigenschaft des Problems und nicht einer speziellen Lösungsmethode! 2. Für skalare Probleme, d.h. f : R n R mit glattem f kann man die Kondition leicht abschätzen: f( x) = f(x) + f(x) T ( x x) + O( x x 2 ) falls x x ist kann der quadratische Term x x 2 vernachlässigt werden: f( x). = f(x) + f(x) T ( x x) hierbei deutet. = an, dass dies eine Abschätzung in erster Näherung ist (in der Literatur manchmal auch als in linear Näherung bezeichnet). Mit dieser Abschätzung folgt für den relativen Ausgabefehler f( x) f(x) f(x). = = f(x)( x x) = f(x) n f(x) x j j=1 n j=1 x j f(x) ( x j x j ) x j f(x) x j ( x j x j ) f(x) Fehler in der Eingabe werden also wie folgt verstärkt: f( x) f(x) f(x) = n i=1 f(x) x i x i f(x) x i x i x i rel. Fehler =: ϕ i rel. Fehler der Ausgabe Verstärkungs- der Eingabe -faktoren Beispiel: Betrachte y = f(x) = x n, dann gilt ϕ(x) = f (x) x f(x) = n xn 1 x x n d.h. für den relativen Ausgabefehler gilt ε y. = n εx. = n 13
15 Beispiel: Multiplikation von zwei Zahlen, also f(x) = x 1 x 2 mit x = (x 1 x 2 ) R und f : R 2 R dann gilt f(x) f(x) = x 2, = x 1 x 1 x 2 also ϕ 1 = x 2 x 1 f(x) = x 2 x 1 x 1 x 2 = 1 = ϕ 2 die Multiplikation ist also stets gut Konditioniert. Beispiel: Für die Addition f(x) = x 1 + x 2 gilt: f(x) x 1 = 1, f(x) x 2 = 1 also ϕ 1 = 1 x 1 f(x) = x 1 x 1 + x 2, ϕ 2 = x 2 x 1 + x 2. Diese Terme kennen wir! Die Addition ist kann also schlecht konditioniert sein. Nämlich dann, wenn z.b. x 1 x 2 gilt. Definition (Stabilität von Algorithmen) Ein Algorithmus heißt stabil, wenn die durch die Rechnung erzeugten Fehler in der Größenordung des durch die Kondition des Problems unvermeidbaren Fehler bleibt. Beispiel: Wie betrachten die Funktion f(x) = x n. 1. Wie oben hergeleitet ist die Kondition κ f = n. 2. Die Funktion f soll auch einem Rechner mit folgendem Algorithmus berechnet werden. Dann gilt ỹ = x x x... x ỹ = fl( x... fl( x fl( x x))...) = x n (1 + ε 1 ) (1 + e n 1 ) Sei x = x(1 + ε) dann folgt ỹ = x n (1 + ε) n (1 + ε 1 ) (1 + ε n 1 ). = x n (1 + nε + ε ε n 1 ) und somit für ε, ε 1,..., ε n 1 < eps, dass ỹ y y Der Algorithmus ist also stabil. = ỹ xn < (2n 1) eps. x n 14
16 Kapitel 2 Numerische Lösung linearer Gleichungssysteme 2.1 Motivation: Das Poisson Problem Das ein-dimensionale Poisson-Problem ist eine einfache Randwertaufgabe: { u (x) = f(x) x (, 1) u() = u(1) = (2.1.1) Offensichtlich kann man eine exakte Lösung u bestimmen, falls f zweimal integriert werden kann. Z.B. ist für f(x) = sin(2πx) die exakte Lösung u(x) = 1 sin(2πx). (2π) 2 In höheren Dimensionen und für allgemeine rechte Seiten f ist es im Allgemeinen nicht mehr möglich eine exakte Lösung zu berechnen. Im folgenden soll gezeigt werden, wie eine einfache Näherungslösung berechnet werden kann. Die verwendete Technik kann auch auf höhere Dimensionen übertragen werden. Idee: u(x + h) = u(x) + u (x) h u (x) h u (x)h 3 + O(h 4 ) u(x h) = u(x) u (x) h u (x) h u (x) h 3 + O(h 4 ) Addiert man beide Gleichungen erhält man u(x + h) + u(x h) = 2u(x) + u (x) h2 + O(h 4 ) und somit u u(x + h) 2u(x) + u(x h) (x) = + O(h 2 ). (2.1.2) h 2 Mit (2.1.2) erhält man der zweiten Ableitung also eine Approximation der Ordnung 2. 15
17 Weitere Idee: Wähle N N und approximiere die Gleichung (2.1.2) auf dem Gitter Ω h := {x i = ih : i =,..., N + 1} mit h = 1 N + 1 Dadurch wird eine Näherungslösung durch die Gleichungen sowie ( u(x ) 2u(x 1 ) + u(x 2 ) ) = h 2 f(x 1 ) ( u(x 1 ) 2u(x 2 ) + u(x 3 ) ) = h 2 f(x 2 ) ( u(x N 1 ) 2u(x N ) + u(x N+1 ) ) = h 2 f(x N ) u(x ) = u(x N+1 ) = festgelegt. Mit den Abkürzungen u i := u(x i ) und f i := f(x 1 ) kann dies als lineares Gleichungssystem gesehen werden: A h u h = f h (2.1.3) wobei A h = 1 h , u h = u 1 u 2 u 3. u N 1 u N, f h = f 1 f 2 f 3. f N 1 f N (2.1.4) Allgemeine Bemerkungen: 1. Lineare Gleichungssysteme Ax = b müssen oft für viele verschiedene rechte Seiten gelöst werden. D.h. lösen von Ax = b 1, Ax = b 2,..., Ax = b l sind alle rechten Seiten a priori bekannt, behandelt man AX = B mit B = (b 1,...,b l ) und löst (wenn möglich in einem Rutsch ) für X = (x 1,...,x l ) so dass Ax k = b k, k = 1,...,l sind nicht alle rechten Seiten a priori bekannt können Zwischenergebnisse zum Lösen von Ax 1 = b 1 manchmal zum lösen von Ax 2 = b 2,...,Ax l = b l wiederverwendet werden. 16
18 2. Oft kennt man die Herkunft der Matrix. Z.B. entsteht A h in (2.1.4) aus der Diskretisierung von (2.1.1). Dabei übertragen sich oft mathematische Eigenschaften, die eventuell ausgenutzt werden können. Eigewerte und Eigenvektoren sind für A h z.b. explizit bekannt. 3. Für die Implementierung können oft Struktureigenschaften ausgenutzt werden: A h ist tridiagonal (Speicheraufwand O(N) statt O(N 2 )) symmetrisch (Speicheraufwand Faktor 1 im Vergleich zu nicht-symmetrisch) 2 dünn besetzt (d.h. Anzahl der Nicht-Nulleinträge ist O(N)) 17
bekannt 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
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
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
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
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)
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
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
Mehr1 Fehleranalyse, Kondition, Stabilität
Fehleranalyse, Kondition, Stabilität Fehlerquellen: Modellierungsfehler z.b. Ohmsches Gesetz u = Ri berücksichtigt nicht die Temperaturabhängigkeit des Widerstandes Messfehler z.b. digitaler Temperatursensor
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
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
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
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
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
MehrMathematische Werkzeuge für Computergrafik 2016/17. Gleitkommzahlen
Mathematische Werkzeuge für Computergrafik 2016/17 Gleitkommzahlen 1 Grundlagen 1 Da im Computer nur endliche Ressourcen zur Verfügung stehen, können reelle Zahlen in vielen Fällen nicht exakt dargestellt
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
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
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
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
MehrNumerische Mathematik
Michael Knorrenschild Mathematik-Studienhilfen Numerische Mathematik Eine beispielorientierte Einführung 6., aktualisierte und erweiterte Auflage 1.1 Grundbegriffe und Gleitpunktarithmetik 15 second, also
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
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!)
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
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)
MehrUnter den endlich vielen Maschinenzahlen gibt es zwangsläufig eine größte und eine kleinste:
1.1 Grundbegriffe und Gleitpunktarithmetik 11 Aufgaben 1.4 Bestimmen Sie alle dualen 3-stelligen Gleitpunktzahlen mit einstelligem Exponenten sowie ihren dezimalen Wert. Hinweis: Sie sollten 9 finden.
Mehr1.4 Stabilität der Gauß-Elimination
KAPIEL 1. LINEARE GLEICHUNGSSYSEME 18 1.4 Stabilität der Gauß-Elimination Bezeichne x die exakte Lösung von Ax = b bzw. ˆx die mit einem (zunächst beliebigen Algorithmus berechnete Näherungslösung (inklusive
Mehr8 Dezimalzahlen und Fehlerfortpflanzung
7 Dezimalzahlen und Fehlerfortpflanzung 29 8 Dezimalzahlen und Fehlerfortpflanzung Lernziele: Konzepte: Dezimalzahlen und Runden Methoden: spezielle Umrechungen Kompetenzen: Einschätzen von Fehlerfortpflanzungen
Mehr3.4 Kondition eines Problems
38 KAPITEL 3. FEHLERANALYSE Beispiel 3.18 Betrachte M(10, 5, 1). Dann sind x 4.2832, y 4.2821, z 5.7632 darstellare Zahlen und (x y)z 0.00633952. Das korrekte Ergenis in M ist daher 0.0063395. Der Ausdruck
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
MehrWiederholung: Kondition (Vorlesung vom )
Wiederholung: Kondition (Vorlesung vom 17.11.17) Relative Kondition der Grundrechenarten: Addition, Multiplikation und Division liefern beruhigende Resultate. Die Subtraktion ist hingegen beliebig schlecht
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
MehrNumerische Verfahren
Numerische Verfahren 1. Kapitel: Prof. Dr.-Ing. K. Warendorf Hochschule für Angewandte Wissenschaften München Fakultät 03 WS 13/14 Prof. Dr.-Ing. K. Warendorf (Fakultät 03) Numerische Verfahren WS 13/14
MehrEinführung in die Computerorientierte Mathematik
Einführung in die Computerorientierte Mathematik Wintersemester 2014/15 Thomas Gerstner Institut für Mathematik Goethe-Universität Frankfurt 17. Oktober 2014 Inhaltsverzeichnis Inhaltsverzeichnis ii 1
MehrVektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 18.12.15 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 017 Institut für Informatik Prof Dr Thomas Huckle Michael Obersteiner, Michael Rippl Numerisches Programmieren, Übungen Musterlösung 1 Übungsblatt: Zahlendarstellung,
MehrKapitel 4: Nichtlineare Nullstellenprobleme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 4: Nichtlineare Nullstellenprobleme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik (SS
MehrFehlerfortpflanzung. Fehler bei Fließkomma-Arithmetik. Addition x ` y ` z. Fehlerfortpflanzung. Analyse des Relativen Fehlers
Numerisches Programmieren (IN0019) Frank R. Schmidt. Kondition und Stabilität Winter Semester 016/017 Fließkommazahlen (Wdh.) Eine Fließkommazahl benutzt die folgende Zahlendarstellung Fließkomma-Arithmetik
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
Mehr2 Zahldarstellungen und Fehleranalyse *
5 2 Zahldarstellungen und Fehleranalyse * Im Rahmen der angewandten Mathematik wird, und das sollte nicht wirklich überraschen, der Computer als eines der zentralen Hilfsmittel eingesetzt und ist bei anspruchsvollen
MehrBanach scher Fixpunktsatz. 1) D ist abgeschlossen und konvex; 2) f ist selbstabbildend, d.h. f(d) D;
Institut für Geometrie und Praktische Mathematik Höhere Mathematik IV (für Elektrotechniker und Technische Informatiker) - Numerik - SS 2007 Dr. S. Börm, Dr. M. Larin Banach scher Fixpunktsatz Gegeben
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
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/
MehrErweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
MehrAnalysis für Informatiker
Analysis für Informatiker Wintersemester 2017/2018 Carsten.Schneider@risc.jku.at 1 Bemerkung: Dies ist kein Skript, welches den gesamten Inhalt der Vorlesung abdeckt. Es soll den Studierenden aber während
MehrGleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.
Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
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: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dr.-Ing. Markus Kowarschik Numerisches Programmieren,
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
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik 4 Punkte Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen hinschreiben. Es müssen
MehrKapitel III Ringe und Körper
Kapitel III Ringe und Körper 1. Definitionen und Beispiele Definition 117 Eine Algebra A = S,,, 0, 1 mit zwei zweistelligen Operatoren und heißt ein Ring, falls R1. S,, 0 eine abelsche Gruppe mit neutralem
MehrWerkstatt Multiplikation Posten: Rundung im Quadrat. Informationsblatt für die Lehrkraft. Rundung im Quadrat
Informationsblatt für die Lehrkraft Rundung im Quadrat Informationsblatt für die Lehrkraft Thema: Schultyp: Vorkenntnisse: Bearbeitungsdauer: Numerische Grenzen des Computers Mittelschule, technische Berufsschule,
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrVektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 20.12.13 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
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
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 0 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dr-Ing Markus Kowarschik Numerisches Programmieren, Übungen Musterlösung
Mehr2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
MehrProf. Dr. Elmar Grosse-Klönne Institut für Mathematik
Prof. Dr. Elmar Grosse-Klönne Institut für Mathematik Lineare Algebra Analytische Geometrie I* Übungsaufgaben, Blatt Musterlösungen Aufgabe. Es seien A, B, C Teilmengen einer Menge X. Zeige: i A B C =
Mehr1 Lineare Gleichungssysteme und Matrizen
1 Lineare Gleichungssysteme und Matrizen Das Studium linearer Gleichungssysteme und ihrer Lösungen ist eines der wichtigsten Themen der linearen Algebra. Wir werden zunächst einige grundlegende Begriffe
MehrInhaltsangabe 3.1 Zahlensysteme und Darstellung natürlicher Zahlen Darstellung ganzer Zahlen
3 Zahlendarstellung - Zahlensysteme - b-adische Darstellung natürlicher Zahlen - Komplementbildung - Darstellung ganzer und reeller Zahlen Inhaltsangabe 3.1 Zahlensysteme und Darstellung natürlicher Zahlen......
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
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}
MehrRechnet mein Taschenrechner richtig?
Rechnet mein Taschenrechner richtig? René Lamour Humboldt-Universität zu Berlin Institut für Mathematik Lange Nacht der Wissenschaften 2011 Unser Institutsgebäude c 2010 WISTA-MANAGEMENT GMBH www.adlershof.de
MehrNichtlineare Gleichungssysteme
Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei
MehrMultiplikation langer Zahlen
Multiplikation langer Zahlen Aljoscha Rudawski 20.5.2017 Inhaltsverzeichnis 1 Einleitung 1 2 Multiplikation nach Lehrbuch 1 2.1 Addition langer Zahlen............................. 2 2.2 Multiplikation
MehrComputer-orientierte Mathematik
Computer-orientierte Mathematik 5. Vorlesung - Christof Schuette 25.11.16 Memo: Relative und Absolute Kondition Relative Kondition der Grundrechenarten: Addition, Multiplikation und Division liefern beruhigende
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
MehrD - 2 Gleitkommadarstellung und -arithmetik
Numerik im Überblick Was ist, was will Numerik Numerische Grundaufgaben und ihre Lösbarkeit Warnung Alles wird beliebig viel schwieriger wenn einige Variablen ganzzahlig sein müssen und / oder die Lösung
MehrKAPITEL 5. Nichtlineare Gleichungssysteme
KAPITEL 5. Nichtlineare Gleichungssysteme Beispiel 5.1. Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 mit gegenseitigem Abstand r: F = G m 1m 2 r 2, wobei G = 6.67 10 11 Nm 2 /kg. Gravitationsfeld
MehrLineare Algebra. 10. Übungsstunde. Steven Battilana.
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch November 3, 26 Erinnerung Gram-Schmidt Verfahren Sei V ein euklidischer/unitärer Vektorraum mit dim(v ) n < Gegeben: W span{v,...,
MehrBeispiele 1. Gegeben ist das lineare System. x+4y +3z = 1 2x+5y +9z = 14 x 3y 2z = 5. Die erweiterte Matrix ist
127 Die Schritte des Gauß-Algorithmus sind nun die Folgenden: 1. Wir bestimmen die am weitesten links stehende Spalte, die Einträge 0 enthält. 2. Ist die oberste Zahl der in Schritt 1 gefundenen Spalte
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrMusterlösung zum Weihnahchtsübungsblatt. Teil 1 von Martin Fabricius. Aufgabe 1
Musterlösung zum Weihnahchtsübungsblatt Teil von Martin Fabricius Aufgabe a) Diese Aufgabe kann z. B. durch ausmultiplizieren gelöst werden: (433) 7 = 4 7 3 +3 7 + 7 +3 7 0 = 4 343+3 49+ 7+3 = 37+47+4+3
MehrLineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrInhalt. 1. Einführung in die Informatik. 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele.
1. Einführung in die Informatik Inhalt 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele Peter Sobe 1 Einführende Beispiele 2. Algorithmen Täglich werden Verarbeitungsvorschriften
MehrNebenfach Mathematik im Informatik-Studium. Martin Gugat FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26.
Nebenfach Mathematik im Informatik-Studium Martin Gugat martin.gugat@fau.de FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26. Oktober 2016 Motivation Die rigorose Analyse von Algorithmen erfordert
Mehr1 Lineare Gleichungssysteme
1 Lineare Gleichungssysteme Wenn man in der Schule an den Punkt der lineare Gleichungssysteme kommt, hat man normale Gleichungen und deren Umformungen schon behandelt. Und das nicht ohne Grund, denn die
MehrNebenfach Mathematik im Informatik-Studium. Martin Gugat FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 25.
Nebenfach Mathematik im Informatik-Studium Martin Gugat martin.gugat@fau.de FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 25. Oktober 2017 Motivation Die rigorose Analyse von Algorithmen erfordert
MehrFERIENKURS ZUM PROPÄDEUTIKUM NUMERIK -
FERIENKURS ZUM PROPÄDEUTIKUM NUMERIK - LÖSUNGEN MATTHIAS VESTNER. Grundlagen Aufgae.. Bezeichne z 0 zw. z die kleinste Maschinenzahl einfacher Genauigkeit, die noch größer ist als 0 zw.. Gee für die folgenden
MehrNewton-Verfahren für ein Skalarfunktion
Newton-Verfahren für ein Skalarfunktion Für eine Näherungsberechnung von Nullstellen einer reellen Funktion f(x) : R R benutzt man das Newton-Verfahren: x (n+1) = x (n) f(x (n) )/f (x (n) ). Das Newton-Verfahren
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differentialgleichungssysteme Prof. Dr. Wandinger
MehrDefinition 131 Sei R ein (kommutativer) Ring. Ein Polynom über R in der Variablen x ist eine Funktion p der Form
3. Polynome 3.1 Definition und Grundlagen Definition 131 Sei R ein (kommutativer) Ring. Ein Polynom über R in der Variablen x ist eine Funktion p der Form p(x) = a n x n + a n 1 x n 1 + + a 1 x + a 0,
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
MehrNumerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren
Ergänzungen zu dem Buch Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben von Carl Geiger und Christian Kanzow (Springer Verlag, 1999) Eine kurze Einführung in Quasi Newton Verfahren
MehrVorkurs Mathematik für Informatiker. 1 Potenzen. Michael Bader, Thomas Huckle, Stefan Zimmer Oktober Kap.
1 Potenzen Michael Bader, Thomas Huckle, Stefan Zimmer 1. 9. Oktober 2008 Kap. 1: Potenzen 1 Potenzen Definition Für reelle Zahl x R (Basis) und eine natürliche Zahl n N (Exponent): x n := x x x... x }{{}
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers)
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht: Partielle Differentialgleichungen, Approximation der Lösung, Finite Elemente, lineare und höhere Ansatzfunktionen, Dünn
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
Mehr