Kapitel 5. Lösung nichtlinearer Gleichungen
|
|
- Ursula Keller
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 5. Lösung nichtlinearer Gleichungen 5.1 Nullstellen reeller Funktionen, Newton-Verfahren 5.2 Das Konvergenzverhalten iterativer Verfahren 5.3 Methode der sukzessiven Approximation 5.4 Das Newton-Verfahren im R n Numerische Mathematik I 197
2 Nullstellen reeller Funktionen, Newton-Verfahren 5.1 Nullstellen reeller Funktionen, Newton-Verfahren Aufgabe: Bestimmung einer Nullstelle der stetigen Funktion f[a, b] R Numerische Verfahren: Typ 1: Einschließungsverfahren (z.b. Bisektion, Regula falsi): berechne eine Folge von Intervallen [x k,y k ] [a,b], k 0, mit f(x k )f(y k ) 0, lim x k = z Nullstelle von f. k Nach dem Zwischenwertsatz enthält jedes Intervall [x k,y k ] eine Nullstelle von f. Typ 2: Iterationsverfahren (z.b. Sekantenverfahren, Newton-Verfahren): berechne eine Iterationsfolge (x k ) k N0 mit lim k x k = z Nullstelle von f Numerische Mathematik I 198
3 Nullstellen reeller Funktionen, Newton-Verfahren Einschließungsverfahren: Bisektion und Regula falsi Einschließungsverfahren: Bisektion und Regula falsi Es sei f C[a,b]. 1. Wähle zwei Startwerte x 0,y 0 [a,b] mit f(x 0 )f(y 0 ) < 0. Dann besitzt f eine Nullstelle im Intervall I 0 = [x 0,y 0 ] bzw. I 0 = [y 0,x 0 ]. 2. Berechne für k = 1,2,... x k+1 x k+1 = x k +y k 2 x k y k = x k f(x k ) f(y k ) f(x k) und setze y k+1 = beim Bisektionsverfahren, oder bei der Regula Falsi, { x k, falls f(x k+1 )f(x k ) 0, y k, falls f(x k+1 )f(y k ) < 0. Dann besitzt f eine Nullstelle im Intervall I k+1 = [x k+1,y k+1 ] bzw. I k+1 = [y k+1,x k+1 ]. 3. Beende das Verfahren, wenn f(x k+1 ) 0 oder y k+1 x k+1 die geforderte Genauigkeit ǫ unterschreitet. Numerische Mathematik I 199
4 Nullstellen reeller Funktionen, Newton-Verfahren Konvergenzbetrachtung Konvergenzbetrachtung a) Bisektionsverfahren: es gilt x k y k = 2 k x 0 y 0, k 0. Also gilt für eine Nullstelle z von f die a priori Abschätzung x k z 2 k x 0 y 0, k 0. b) Regula falsi: die Folge (x k ) k 0 (der neu berechneten Werte) konvergiert gegen eine Nullstelle z von f. Beachte: In den meisten Fällen gilt für das Intervallende y k bei der Regula falsi y k = y 1 für alle k 1; deshalb konvergiert die Intervall-Länge y k x k oft nicht gegen Null. Numerische Mathematik I 200
5 Nullstellen reeller Funktionen, Newton-Verfahren Iterationsverfahren: Sekanten- und Newton-Verfahren Iterationsverfahren: Sekanten- und Newton-Verfahren Es sei f C 1 [a,b] und es gelte f (x) 0 für alle x (a,b); f besitze eine Nullstelle z [a,b]. Sekantenverfahren: Wähle zwei Startwerte x 0 x 1 in [a,b] und berechne für k = 1,2,... x k x k 1 x k+1 = x k f(x k ) f(x k 1 ) f(x k). Newton-Verfahren: Wähle einen Startwert x 0 in [a,b] und berechne für k = 1,2,... x k+1 = x k f(x k) f (x k ). Beende das Verfahren, wenn f(x k+1 ) 0 oder durch eine Fehlerabschätzung x k+1 z ǫ garantiert ist (siehe weitere Aussagen). Numerische Mathematik I 201
6 Nullstellen reeller Funktionen, Newton-Verfahren Iterationsverfahren: Sekanten- und Newton-Verfahren Satz: Lokale Konvergenz des Newton-Verfahrens im skalaren Fall Die Funktion f : [a,b] R sei zweimal stetig differenzierbar und besitze eine Nullstelle z (a,b) mit f (z) 0. Weiter gelte m := min x [a,b] f (x) > 0. M := max x [a,b] f (x) <. Wir wählen 0 < r < r 0 = 2m M so, dass K r(z) = [z r,z +r] [a,b] gilt. Dann konvergiert die Folge (x k ) des Newton-Verfahrens für jeden Startwert x 0 K r (z) gegen z. Numerische Mathematik I 202
7 Nullstellen reeller Funktionen, Newton-Verfahren Iterationsverfahren: Sekanten- und Newton-Verfahren Es gelten die a-priori Fehlerabschätzung und die a-posteriori Fehlerabschätzungen x k z M 2m x k 1 z 2 2m M L(2k ) x k z 1 m f(x k) M 2m x k x k 1 2. Die Folge (x k ) konvergiert also lokal quadratisch. Hierbei ist L = Mr 2m < 1. Numerische Mathematik I 203
8 Nullstellen reeller Funktionen, Newton-Verfahren Iterationsverfahren: Sekanten- und Newton-Verfahren Wesentliche Beweisschritte: 1. Wegen m > 0 gibt es keine weitere Nullstelle in [a,b] (Satz von Rolle). 2. Für beliebige x,y [a,b], x y, folgt aus dem Mittelwertsatz x y 1 m f(x) f(y). Damit ist die erste a-posteriori Fehlerabschätzung gezeigt. 3. Die Taylorentwicklung um die Stelle x [a,b] ergibt z 0 = f(z) = f(x)+(z x)f (x)+ f (ξ)(z ξ)dξ. x Daraus erhalten wir f(x) (x z)f (x) M (x z)2 2 und weiter mit der Iterationsfunktion φ(x) = x f(x) f (x) φ(x) z = f(x) (x z) f (x) M 2m (x z)2. 4. Wegen r < 2m M folgt für alle x Kr(z) φ(x) z M 2m (x z)2 Mr x z < r, 2m }{{} <1 also bildet φ das Intervall K r(z) in sich ab: Alle Folgenglieder x k (bei beliebigem x 0 K r(z)) liegen in K r(z). Numerische Mathematik I 204
9 Nullstellen reeller Funktionen, Newton-Verfahren Iterationsverfahren: Sekanten- und Newton-Verfahren 5. Wir führen die Bezeichnung ǫ k = M 2m x k z ein. Aus 3. folgt auch Wegen ǫ k ǫ 2 k 1 ǫ(2k ) 0. ǫ 0 = M 2m x 0 z Mr 2m = L < 1 folgen die Konvergenz ǫ k 0, also x k z und die a-priori Fehlerabschätzung. 6. Zum Beweis der zweiten a-posteriori Abschätzung erhalten wir wie in 3. (Taylorentwicklung um die Stelle x k 1 ) f(x k ) f(x k 1 ) (x k x k 1 )f (x k 1 ) M 2 (x k x k 1 ) 2. Als Nullstelle der Tangente erfüllt x k die Beziehung f(x k 1 )+(x k x k 1 )f (x k 1 ) = 0, also haben wir f(x k ) M 2 (x k x k 1 ) 2. Damit ergibt sich die zweite a-posteriori Abschätzung. Numerische Mathematik I 205
10 Nullstellen reeller Funktionen, Newton-Verfahren Bemerkung: Bemerkung: Die gewählte Umgebung K r(z) der einfachen Nullstelle z der Funktion f ist ein Einzugsbereich dieser Nullstelle: für einen Startwert x 0 in dieser Umgebung erfolgt sehr rasche Konvergenz. Z.B. für L = 1/2 erzielt man mit 5 bzw. 10 Iterationsschritten bereits x 5 z 2m M m M 10 10, x 10 z 2m M m M Die wirkliche Schwierigkeit besteht häufig darin, mit dem Startwert überhaupt eine solche Umgebung zu treffen, da der Radius r sehr klein sein kann. Oft kann man zunächst eine langsame (lineare) Annäherung der Zahlen x 0,x 1,...,x n an die Nullstelle beobachten, bevor die schnelle quadratische Konvergenz einsetzt. Dies liegt daran, dass erst das Folgenglied x n im Einzugsbereich K r(z) liegt. Oft wird man gar keine Konvergenz erzielen, wenn der Startwert x 0 nicht nahe genug bei z gewählt wird. In bestimmten Situationen (siehe Übung) ist das Verfahren aber robust, d.h. Konvergenz wird auch bei weit entferntem Startwert erzielt. Numerische Mathematik I 206
11 Nullstellen reeller Funktionen, Newton-Verfahren Bemerkung: Newton-Verfahren für Polynome Bemerkung: Newton-Verfahren für Polynome Für Polynome erfolgt die Auswertung von f und f mit Hilfe des Hornerschemas: zum Beispiel für f(x) = x 3 x 2 x 1 (Achtung: f (1) = 0 vermeiden!) Koeffizienten von f x 0 = x Zahl links unterhalb Summe = f(2) x 0 = x Zahl links unterhalb Summe = f (2) Also: zu x 0 = 2 liefert das Newton-Verfahren x 1 = Numerische Mathematik I 207
12 Nullstellen reeller Funktionen, Newton-Verfahren Satz: hinreichende Voraussetzungen für Konvergenz des Newton-Verfahrens Satz: hinreichende Voraussetzungen für Konvergenz des Newton-Verfahrens f : [a,b] R sei zweimal stetig differenzierbar und es gelte f(a)f(b) < 0, f (x) 0 und f (x) 0 für alle x [a,b]. Weiterhin gelte für der Startwert x 0 [a,b] des Newton-Verfahrens f(x 0 )f (x 0 ) > 0. Dann hat f genau eine Nullstelle z (a,b), die Iterierten x k des Newton-Verfahrens zum Startwert x 0 liegen in [a,b], und die Folge (x k ) k 0 konvergiert monoton gegen die Nullstelle z. Beweis: Spezialfall f > 0 und f > 0 als Übungsaufgabe. Numerische Mathematik I 208
13 Nullstellen reeller Funktionen, Newton-Verfahren Ergänzung: modifiziertes Newton-Verfahren bei mehrfacher Nullstelle Ergänzung: modifiziertes Newton-Verfahren bei mehrfacher Nullstelle Es sei p N, p 2. Die Funktion f C p+1 [a,b] besitze eine p-fache Nullstelle z (a,b), d.h. f(z) = f (z) = = f (p 1) (z) = 0, f (p) (z) 0. Dann liefert modifizierte Newtonverfahren x k+1 = x k p f(x k) f (x k ), k = 0,1,2,... lokal quadratische Konvergenz bei geeigneter Wahl des Startwerts x 0, d.h. x k+1 z C( x k z 2 ), k 0. Numerische Mathematik I 209
14 Nullstellen reeller Funktionen, Newton-Verfahren Ergänzung: modifiziertes Newton-Verfahren bei mehrfacher Nullstelle Begründung für p = 2: Es sei f C 3 [a,b] mit doppelter Nullstelle z. Für x [a,b] mit f (x) 0 benutzen wir die Taylor-Entwicklung von f und von f um z und erhalten f(x) f (x) = x f (z) (x z)2 + f (ξ) (x ξ)2 dξ 2 2 z x f (z)(x z)+ f (ξ)(x ξ)dξ z In einer Umgebung von z gilt x f (x ξ)2 (ξ) dξ = O( x z 3 ), z 2 x f (ξ)(x ξ)dξ = O( x z 2 ). z Also erhalten wir x z f(x) f (x) = +O( x z 2 ) 2 1+O( x z ) = x z 2 +O( x z 2 ). Numerische Mathematik I 210
15 Nullstellen reeller Funktionen, Newton-Verfahren Satz: Lokale Konvergenz des Sekanten-Verfahrens Satz: Lokale Konvergenz des Sekanten-Verfahrens Die Funktion f : [a,b] R sei zweimal stetig differenzierbar und besitze eine Nullstelle z (a,b) mit f (z) 0. Weiter gelte m := min x [a,b] f (x) > 0. M := max x [a,b] f (x) <. Wir wählen 0 < r < r 0 = 2m M so, dass K r(z) = [z r,z +r] [a,b] gilt. Dann konvergiert die Folge (x k ) des Sekanten-Verfahrens für jede Wahl der Startwerte x 0,x 1 K r (z) (mit x 0 x 1 ) gegen z. Numerische Mathematik I 211
16 Nullstellen reeller Funktionen, Newton-Verfahren Satz: Lokale Konvergenz des Sekanten-Verfahrens Es gelten die a-priori Fehlerabschätzung x k z 2m M LF k mit L = Mr 2m < 1, wobei F 0 = F 1 = 1, F k +1 = F k +F k 1 die Folge der Fibonacci-Zahlen bezeichnet, und die a-posteriori Fehlerabschätzungen x k z 1 m f(x k) M 2m x k x k 1 x k x k 2. Numerische Mathematik I 212
17 Nullstellen reeller Funktionen, Newton-Verfahren Beispiel: Beispiel: Die Funktion f : R R mit f(x) = e x x 2 3x hat eine Nullstelle z = Wir wählen x 0 = 0 für das Newton-Verfahren, x 0 = 0 und x 1 = 1 für das Sekantenverfahren und Regula falsi. Newton: k x k f(x k ) f (x k ) Sekantenverfahren: k x k f(x k ) f(x k ) f(x k 1 ) x k x k Regula falsi: mit a k = min{x k,y k } und b k = max{x k,y k } für das Intervall I k : k a k x k+1 b k f(x k+1 ) f(b k ) f(a k ) b k a k Numerische Mathematik I 213
18 Das Konvergenzverhalten iterativer Verfahren 5.2 Das Konvergenzverhalten iterativer Verfahren Fragestellung: Lässt sich die Qualität bzw. Geschwindigkeit der Konvergenz einer Folge lim k x k = x beschreiben? Numerische Mathematik I 214
19 Das Konvergenzverhalten iterativer Verfahren Definition: Konvergenzordnung Definition: Konvergenzordnung Es sei V ein normierter Raum. Eine konvergente Folge (x k ) k 0 mit Gliedern x k V und Grenzwert lim k x k = x V in einem normierten Raum R n ) mit Grenzwert hat die Konvergenzordnung p R, p 1, falls es k 0 N und c > 0 (mit c < 1 im Fall p = 1) gibt, so dass x k+1 x c x k x p für alle k k 0. p = 1: Man spricht von linearer Konvergenz. Für k k 0 gelten die a-priori und a-posteriori Fehlerabschätzungen des Banachschen Fixpunktsatzes in Abschnitt 5.3: x k x ck k0 1 c x k 0+1 x k0, x k x c 1 c x k x k 1. Numerische Mathematik I 215
20 Das Konvergenzverhalten iterativer Verfahren Definition: Konvergenzordnung p = 2: Man spricht von quadratischer Konvergenz, wie z.b. beim Newton-Verfahren. Dann gilt für die reelle Nullfolge ǫ k = c x k x ǫ k ǫ 2k k 0 k 0 für alle k k 0, also sehr schnelle Konvergenz gegen Null, falls einmal ǫ k0 < 1 erreicht ist. Gilt im Fall p = 1 die Beziehung x k+1 x lim k x k x = 0, so spricht man von superlinearer Konvergenz. Einige Quasi-Newton -Verfahren sind superlinear, haben aber keine Konvergenzordnung p > 1. Das Sekantenverfahren hat die Konvergenzordnung p = Ein konvergentes Verfahren mit x k+1 x c x k x x k 1 x x k 2 x hat die Konvergenzordnung p 1.84, siehe Übungsblatt 10. Numerische Mathematik I 216
21 Das Konvergenzverhalten iterativer Verfahren Definition: Fixpunktverfahren Definition: Fixpunktverfahren Es sei V ein normierter Vektorraum, M V und φ : M M eine Abbildung. Ein Iterationsverfahren der Form x k+1 = φ(x k ), k = 0,1,2,... mit Startwert x 0 M heißt Fixpunktverfahren oder Verfahren der sukzessiven Approximation, φ heißt Iterationsfunktion des Verfahrens. Beachte: φ ist eine Selbstabbildung der Teilmenge M in sich, damit das Verfahren durchführbar ist. Numerische Mathematik I 217
22 Das Konvergenzverhalten iterativer Verfahren Satz: Konvergenzordnung der Fixpunkt-Iteration in R Satz: Konvergenzordnung der Fixpunkt-Iteration in R Es sei p N, p 2. Die Funktion φ : [a,b] [a,b] sei p-mal stetig differenzierbar, die Folge (x k ) k 0 des Fixpunktverfahrens x k+1 = φ(x k ) besitze einen Grenzwert x, und es gelte φ (x ) = = φ (p 1) (x ) = 0. Dann ist x Fixpunkt von φ, und die Folge (x k ) hat mindestens die Konvergenzordnung p. Beweisidee: Man zeigt mit der Taylorformel x φ(x) x = φ (p) (x ξ)p 1 (ξ) dξ x (p 1)! M p p! x x p mit M p = sup x [a,b] φ (p) (x). Numerische Mathematik I 218
23 Methode der sukzessiven Approximation Beispiel: 5.3 Methode der sukzessiven Approximation In vielen Anwendungen sind Gleichungssysteme zu lösen, in denen die Unbekannten nichtlinear auftreten Beispiel: Der Betrag der Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 (in kg) mit dem Abstand r = ( x 1 x 2 y 1 y 2 ) (in Meter) ist nach dem Newtonschen Gesetz F = G m 1m 2 r 2 mit G = Nm 2 /kg, der Kraftvektor F hat die Koordinatenform F = ±G m ( ) 1m 2 x1 x 2. r y 1 y 2 Wir betrachten ein ebenes Gravitationsfeld mit drei festen Punktmassen m k in den Punkten P 1 = (x 1,0), P 2 = (x 2,0), P 3 = (0,y 3 ). Auf eine weitere Punktmasse m im Punkt P = (x,y) R 2 wirken die drei Kräfte F k (x,y) = G mm ( ) k xk x, k = 1,2,3. r k y k y Das Gleichgewicht wird durch die Gleichung F 1 (x,y)+f 2 (x,y)+f 3 (x,y) = 0 (5.3.1) beschrieben. Dies ist ein nichtlineares Gleichungssystem mit zwei Unbekannten x und y (die Masse m wird herausgekürzt). Numerische Mathematik I 219
24 Methode der sukzessiven Approximation Definition: Fixpunkt, Fixpunktverfahren im R n Definition: Fixpunkt, Fixpunktverfahren im R n Es sei D R n nichtleer und φ : D R n eine stetige Funktion. a) Ein Element x D mit x = φ(x ) heißt Fixpunkt von φ. b) Falls φ(x) D für alle x D gilt, so nennt man φ eine Selbstabbildung der Menge D. c) Für eine Selbstabbildung φ : D D kann zu einem Startwert x (0) D die Folge x (k+1) = φ(x (k) ), k = 0,1,2,... gebildet werden. Diese Iterationsvorschrift nennt man Fixpunktverfahren oder Methode der sukzessiven Approximation. Numerische Mathematik I 220
25 Methode der sukzessiven Approximation Satz Satz Es sei φ : D D eine stetige Selbstabbildung und (x (k) ) k 0 die zum Startwert x (0) D gebildete Folge des Fixpunktverfahrens. Falls diese Folge einen Grenzwert x D besitzt, so ist x Fixpunkt von φ. Beweis: Stetigkeit ausnutzen in x = lim k x(k+1) = lim k φ(x(k) ) = φ ( lim x(k)) = φ(x ). k Numerische Mathematik I 221
26 Methode der sukzessiven Approximation Definition: kontrahierende Abbildung Auf R n legen wir eine Norm fest, z.b. die euklidische Norm Definition: kontrahierende Abbildung Es sei D R n und φ : D R n eine Funktion. a) φ heißt Lipschitz-stetig mit der Lipschitzkonstanten L 0, falls φ(x) φ(y) L x y für alle x,y D. b) φ heißt kontrahierend (bzgl. der gegebenen Norm), falls φ Lipschitz-stetig mit einer Lipschitzkonstanten L < 1 ist. In diesem Fall nennt man L auch Kontraktionszahl von φ. Bemerkung: Die Lipschitz-Stetigkeit von φ ist unabhängig von der gegebenen Norm; sie impliziert die Stetigkeit von φ. Jedoch hängt die Konstante L von der gegebenen Norm ab: die Kontraktionseigenschaft kann bzgl. einer Norm erfüllt sein und bezüglich einer anderen Norm verletzt sein. Numerische Mathematik I 222
27 Methode der sukzessiven Approximation Satz: Lipschitz-Konstanten differenzierbarer Funktionen Satz: Lipschitz-Konstanten differenzierbarer Funktionen Die Menge D R n sei konvex und φ : D R n sei stetig differenzierbar. Wir bezeichnen mit φ j die Komponenten von φ, mit Dφ(x) = φ 1(x) x 1. φ n(x) x 1 φ 1(x) x n. φ n(x) x n die Jacobimatrix von φ und verwenden die natürliche Matrixnorm Dφ(x) zur gegebenen Norm auf R n. Falls gilt, ist L eine Lipschitzkonstante von φ. L := sup Dφ(x) < x D Numerische Mathematik I 223
28 Methode der sukzessiven Approximation Banachscher Fixpunktsatz In der Analysis wurde bereits der folgende Satz bewiesen Banachscher Fixpunktsatz Sei D R n eine nichtleere abgeschlossene Menge und φ : D D eine kontrahierende Selbstabbildung mit der Kontraktionskonstante 0 L < 1. Dann hat φ genau einen Fixpunkt x D. Für jeden Startwert x (0) D konvergiert die Folge (x (k) ) k 0 der Methode der sukzessiven Approximation gegen den Fixpunkt x von φ. Für k 1 gilt: x (k) x L x (k 1) x (mindestens lineare Konvergenz) x (k) x x (k) x L k 1 L x(1) x (0) L 1 L x(k) x (k 1) (a priori Fehlerabschätzung) (a posteriori Fehlerabschätzung) Numerische Mathematik I 224
29 Methode der sukzessiven Approximation Bemerkung: Prüfung des Wertebereichs Bemerkung: Prüfung des Wertebereichs Auf die Voraussetzung an den Wertebereich von φ, also φ(d) D, darf nicht verzichtet werden! Diese Voraussetzung ermöglicht, dass die Iterationsfolge gebildet werden kann. a) Für eine Funktion φ : [a,b] R prüft man mit den üblichen Methoden der Kurvendiskussion (Monotoniebereiche), ob φ eine Selbstabbildung des Intervalls [a, b] ist. Falls ja, erkennt man auch ohne die Kontraktionseigenschaft, dass φ einen Fixpunkt hat: denn die stetige Funktion g : [a,b] R mit g(x) = x φ(x) hat mindestens eine Nullstelle, weil g(a) = a φ(a) 0 b φ(b) = g(b). b) Jede stetige Funktion φ : D D mit konvexer kompakter Menge D R n besitzt mindestens einen Fixpunkt! (Brouwersche Fixpunktsatz, ) c) Für φ : D R n erhält man die Kontraktions- und die Selbstabbildungs-Eigenschaft oft erst durch geschickte Einschränkung des Definitionsbereichs auf eine Teilmenge D D. Eine allgemeine Methode wird im folgenden Punkt beschrieben. Numerische Mathematik I 225
30 Methode der sukzessiven Approximation Methode: Kugelbedingung Methode: Kugelbedingung Es sei φ : D R n stetig. Weiter seien ξ 0 D, r > 0 sowie 0 L < 1 mit den folgenden Eigenschaften gegeben: (1) K r (ξ 0 ) = {x R n x ξ 0 r} D. (2) Es gilt die Kontraktionsbedingung φ(x) φ(y) L x y für alle x,y K r (ξ 0 ). (3) Es gilt die Kugelbedingung φ(ξ 0 ) ξ 0 r(1 L). Dann bildet φ die Menge K r (ξ 0 ) in sich ab, d.h. die Einschränkung φ Kr(ξ 0) ist eine kontrahierende Selbstabbildung. Beweis: Mit der Dreiecksungleichung, Kontraktions- und Kugelbedingung folgt φ(x) ξ 0 φ(x) φ(ξ 0 ) + φ(ξ 0 ) ξ 0 L x ξ 0 +(1 L)r r. Numerische Mathematik I 226
31 Methode der sukzessiven Approximation Bemerkung: Fixpunktverfahren in R Bemerkung: Fixpunktverfahren in R x sei Fixpunkt der stetig differenzierbaren Funktion φ : [a,b] [a,b]. Mögliche Szenarien für die Iterationsfolge (x (k) ) werden durch das matlab-file fixpointplot.m dargestellt. Dabei werden die Bedingungen (i) φ (x ) > 1: abstoßender Fixpunkt von g(x) = cosh(x)/2 bei x 2.1 (ii) 0 < φ (x ) < 1: anziehender Fixpunkt von g(x) = cosh(x)/2 bei x 0.6 mit Monotonie der Folge (iii) 1 < φ (x ) < 0: anziehender Fixpunkt von g(x) = cosx bei x 0.7 mit Alternierung der Folge unterschieden. Numerische Mathematik I 227
32 Methode der sukzessiven Approximation Bemerkung: Fixpunktverfahren in R (i) abstossender Fixpunkt mit g (x * )> (ii) anziehender Fixpunkt mit 0<g (x * )<1 2 (iii) anziehender Fixpunkt mit 1<g (x * )< Numerische Mathematik I 228
33 Methode der sukzessiven Approximation Bemerkung: Nullstelle vs. Fixpunkt Bemerkung: Nullstelle vs. Fixpunkt Ein Gleichungssystem f(x) = 0 zu gegebener Funktion f : R n R n lässt sich in vielfältiger Weise umwandeln in die Fixpunkt-Form φ(x) = x, wobei φ : R n R n mit f zusammenhängt über f(x) = 0 x = φ(x). Beispeilsweise wählt man φ(x) = x +Cf(x) mit einer invertierbaren Matrix C R n n. Numerische Mathematik I 229
34 Methode der sukzessiven Approximation Beispiel in R: Beispiel in R: Die Gleichung f(x) = x 6 x 1 = 0 besitzt eine positive Lösung im Intervall [0,2], und zwar x Die Fixpunktiteration φ 1 (x) = (1 +x) 1/6 mit Startwert x 0 = 2 konvergiert linear, 2. die Fixpunktiteration φ 2 (x) = x x6 x 1 6x 5 (Newton-Verfahren) mit Startwert x 1 0 = 2 beginnt mit linearer Konvergenz (bis x 4 ), ist dann im Einzugsbereich und schaltet um auf quadratische Konvergenz (Verdopplung genauer Stellen pro Schritt). Die unterschiedliche Konvergenzordnung erkennt man anhand von φ 1 (x ) = 1 6(x ) 5 0 und φ 2 (x ) = 0. φ 1 φ Numerische Mathematik I 230
35 Das Newton-Verfahren im R n Newton-Verfahren im R n 5.4 Das Newton-Verfahren im R n (und zwei Varianten) Ziel: Löse das (nichtlineare) Gleichungssystem f(x) = 0, wobei f : D R n mindestens einmal stetig differenzierbar ist in D R n Newton-Verfahren im R n Es sei D R n, f : D R n sei stetig differenzierbar. Zur Lösung des Gleichungssystems f(x) = 0 wählt man einen Startwert x 0 D und berechnet x (k+1) = x (k) [Df(x (k) )] 1 f(x (k) ), k 0. Falls die Jacobi-Matrix Df(x (k) ) nicht invertierbar ist, bricht das Verfahren mit einer Fehlermeldung ab. Numerische Mathematik I 231
36 Das Newton-Verfahren im R n Algorithmus: Newton-Verfahren im R n Algorithmus: Newton-Verfahren im R n Das Newton-Verfahren im R n wird meist so programmiert: Gegeben: Startwert x (0) D. Für k = 0,1,2,...: 1. Berechne f(x (k) ), A (k) := Df(x (k) ), (z.b. durch Aufruf von Funktionen f und Df) 2. löse das lineare Gleichungssystem A (k) s (k) = f(x (k) ), (z.b. mittels LR-Zerlegung von A (k) ) 3. Setze x (k+1) := x (k) +s (k), bis k k max oder (A (k) ) 1 f(x (k+1) ) tol. In jedem Schritt ist also ein lineares Gleichungssystem zu lösen, in dem die Newton-Korrektur s (k) berechnet wird. Die Abbruchbedingung ist in Anlehnung an die erste a-posteriori Fehlerabschätzung im skalaren Fall gewählt. Numerische Mathematik I 232
37 Das Newton-Verfahren im R n Satz: Lokale Konvergenz des Newton-Verfahrens (mehrdimensionaler Fall) Voraussetzungen: f : Ω R n ist stetig differenzierbar, Ω R n ist konvex und offen. f besitzt eine Nullstelle z Ω und die Jacobimatrix Df(z) ist invertierbar. Df ist auf Ω Lipschitz-stetig mit einer Konstanten M > 0, d.h. Df(x) Df(y) M x y, x,y Ω. Für jedes x Ω ist Df(x) invertierbar und 1 m := sup [Df(x)] 1 <. x Ω Satz: Lokale Konvergenz des Newton-Verfahrens (mehrdimensionaler Fall) Unter den obigen Voraussetzungen wählen wir 0 < r < r 0 = 2m M so, dass K r (z) Ω gilt. Dann ist die Iterationsfunktion φ(x) = x [Df(x)] 1 f(x) des Newtonverfahrens eine kontrahierende Selbstabbildung von K r (z) mit der Kontraktionskonstante L = Mr 2m < 1. Numerische Mathematik I 233
38 Das Newton-Verfahren im R n Satz: Lokale Konvergenz des Newton-Verfahrens (mehrdimensionaler Fall) Also konvergiert die Folge (x (k) ) k 0 des Newton-Verfahrens für jeden Startwert x (0) K r (z) gegen z. Es gilt die a-priori Fehlerabschätzung x (k) z 2m M L(2k). Die Folge (x (k) ) k 0 konvergiert also lokal quadratisch. Numerische Mathematik I 234
39 Das Newton-Verfahren im R n Beispiele: Beispiele: a) Einzugsgebiet: Flugbahn der US-Raumsonde Voyager 2 ( ), siehe www-aix.gsi.de/~giese/swr b) Einführungsbeispiel: (s. auch Dahmen, Reusken, S ) Numerische Mathematik I 235
40 Das Newton-Verfahren im R n Variante: Vereinfachtes Newton-Verfahren Variante: Vereinfachtes Newton-Verfahren Beim Newton-Verfahren im R n kostet in jedem Schritt sowohl das Aufstellen der Jacobi-Matrix A (k) = Df(x (k) ) als auch das Lösen des linearen Gleichungssystems A (k) s (k) = f(x (k) ) die meiste Zeit. Beim vereinfachten Newton-Verfahren hält man die Matrix dieses Gleichungssystems für l Schritte fest. D.h., man rechnet A (0) s (k) = f(x (k) ), x (k+1) = x (k) +s (k) mit A (0) = Df(x (0) ) für k = 0,1,2,...,l 1, und stellt dazu nur die LR-Zerlegung A (0) her. Erst dann wird A (0) durch A (l) = Df(x (l) ) ersetzt und für die nächsten l Schritte verwendet, A (l) s (k) = f(x (k) ), x (k+1) = x (k) +s (k) mit A (l) = Df(x (l) ) für k = l,l+1,...,2l 1, usw. Gegenüber dem herkömmlichen Verfahren wird also nur A (0), A (l), A (2l) etc. benötigt. Numerische Mathematik I 236
41 Das Newton-Verfahren im R n Variante: Gedämpftes Newton-Verfahren Variante: Gedämpftes Newton-Verfahren Zur Globalisierung der Konvergenz (d.h. auch bei grob gewähltem Startwert x (0) ) verwendet man die Newton-Korrektur s (k) = [Df(x (k) )] 1 f(x (k) ) nur als Suchrichtung, variiert aber ihre Länge so, dass f(x (k) ) tatsächlich verkleinert wird. Der folgende Algorithmus erzielt mindestens lineare Konvergenz mit Konstante L = 1 λ min /4 < 1 oder bricht ab. Gegeben: Startwert x (0). Für k = 0,1,2,... : 1. Berechne f(x (k) ), A (k) := Df(x (k) ). 2. Löse das lineare Gleichungssystem A (k) s (k) = f(x (k) ), 2.a Setze λ = 1. 2.b Dämpfung: Setze x := x (k) +λs (k) ; C λ := 1 λ/4; Falls (A (k) ) 1 f(x) C λ (A (k) ) 1 f(x (k) ), gehe zu 3. Sonst: Setze λ := λ/2. Falls λ λ min, gehe zu 2.b. Sonst ABBRUCH: keine Konvergenz. 3. Setze x (k+1) := x, bis k k max oder (A (k) ) 1 f(x (k+1) ) tol. Numerische Mathematik I 237
42 Das Newton-Verfahren im R n Variante: Gedämpftes Newton-Verfahren Der Algorithmus hat zwei ineinander geschachtelte Schleifen, die durch die Parameter λ min und k max begrenzt werden. Die Voraussetzungen an den Startwert x (0) für die Konvergenz gegen die Nullstelle x sind wesentlich schwächer als beim Newton-Verfahren. Daher liegt oft Konvergenz vor, auch wenn x (0) eine grobe Näherung an x ist. Die anfängliche lineare Konvergenz führt in den Einzugsbereich der Nullstelle, ab dann wird in 2.b die Bedingung für λ = 1 erfüllt sein und die quadratische Konvergenz setzt ein. Numerische Mathematik I 238
Kap. 6: Iterative Lösung von Gleichungssystemen
Kap. 6: Iterative Lösung von Gleichungssystemen 6.1 Einleitung In vielen Anwendungen sind Gleichungssysteme zu lösen, in denen die Unbekannten nichtlinear auftreten. Beispiel: Der Betrag der Gravitationskraft
MehrNichtlineare Gleichungen
Nichtlineare Gleichungen Ein wichtiges Problem in der Praxis ist die Bestimmung einer Lösung ξ der Gleichung f(x) =, () d.h. das Aufsuchen einer Nullstelle ξ einer (nicht notwendig linearen) Funktion f.
Mehr6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme
6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6.1 Nullstellen reeller Funktionen Bemerkung 6.1 (Problemstellung) geg.: f C[a, b] ges.: x [a, b] mit f(x ) = 0 Lösungstheorie f linear
Mehr3 Nichtlineare Gleichungssysteme
3 Nichtlineare Gleichungsssteme 3.1 Eine Gleichung in einer Unbekannten Problemstellung: Gegeben sei die stetige Funktion f(). Gesucht ist die Lösung der Gleichung f() = 0. f() f() a) f ( ) 0 b) f ( )
Mehr18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
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
MehrInhalt Kapitel I: Nichtlineare Gleichungssysteme
Inhalt Kapitel I: Nichtlineare Gleichungssysteme I Nichtlineare Gleichungssysteme I. Nullstellenbestimmung von Funktionen einer Veränderlichen I.2 I.3 Newton-Verfahren Kapitel I (UebersichtKapI) 3 Bisektionsverfahren
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
MehrNichtlineare Gleichungen, mehrere Unbekannte
Dritte Vorlesung, 6. März 2008, Inhalt Aufarbeiten von Themen der letzten Vorlesung, und Nichtlineare Gleichungen, mehrere Unbekannte Systeme nichtlinearer Gleichungen Vektor- und Matrixnormen Fixpunkt-Iteration,
MehrNullstellenberechnung von nichtlinearen Funktionen
Kapitel 3 Nullstellenberechnung von nichtlinearen Funktionen In dieser Vorlesung wird nur die Nullstellenberechnung reeller Funktionen einer reellen Variablen f : R R betrachtet. Man nennt die Nullstellen
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrIterative Lösung von nichtlinearen Gleichungen und Gleichungssystemen
Kapitel 5 Iterative Lösung von nichtlinearen Gleichungen und Gleichungssstemen 5.1 Iterationsverfahren zur Lösung einer reellen nichtlinearen Gleichung Es sei g() eine im Intervall I definierte reellwertige
MehrNichtlineare Gleichungssysteme
Kapitel 2 Nichtlineare Gleichungssysteme Problem: Für vorgegebene Abbildung f : D R n R n finde R n mit oder ausführlicher f() = 0 (21) f 1 ( 1,, n ) = 0, f n ( 1,, n ) = 0 Einerseits führt die mathematische
Mehr2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
Mehr8 Allgemeine Iterationsverfahren
Numerik I. Version: 24.06.08 215 8 Allgemeine Iterationsverfahren Vor der Diskussion der konkreten Verfahren für lineare Gleichungssysteme, präsentieren wir die Grundidee der Iterationsverfahren. 8.1 Die
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
Mehr8 Iterationsverfahren zur Lösung von Gleichungssystemen
Numerische Mathematik 378 8 Iterationsverfahren zur Lösung von Gleichungssystemen Nichtlineare Gleichungssysteme (sogar eine nichtlineare Gleichung in einer Unbekannten) müssen fast immer iterativ gelöst
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus
MehrTaylor-Entwicklung der Exponentialfunktion.
Taylor-Entwicklung der Exponentialfunktion. Betrachte die Exponentialfunktion f(x) = exp(x). Zunächst gilt: f (x) = d dx exp(x) = exp(x). Mit dem Satz von Taylor gilt um den Entwicklungspunkt x 0 = 0 die
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
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
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme Nichtlineare Gleichungen oder Gleichungssysteme müssen in vielen Anwendungen der Mathematik gelöst werden. Typischerweise werden die Lösungen nichtlinearer Gleichungen
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
Mehr4. Nichtlineare Gleichungssysteme
4. Nichtlineare Gleichungssysteme (4.) Gegeben : F : D Õ Ñ n ô Ñ n oder G : D Õ Ñ n ô Ñ n Gesucht : x èè Œ D mit F Hx èè L = 0 (Nullstellenproblem) oder èè èè èè x Œ D mit G (x) = x (Fixpunktproblem) Beispiele:
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
MehrDas Newton Verfahren.
Das Newton Verfahren. Ziel: Bestimme eine Nullstelle einer differenzierbaren Funktion f :[a, b] R. Verwende die Newton Iteration: x n+1 := x n f x n) f x n ) für f x n ) 0 mit Startwert x 0. Das Verfahren
MehrNumerische Ableitung
Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:
Mehr4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrFunktionen mehrerer Variabler
Vektoranalysis Funktionen mehrerer Variabler Wir untersuchen allgemein vektorwertige Funktionen von vektoriellen Argumenten, wobei zunächst nur reelle Vektoren zugelassen seien. Speziell betrachten wir:
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
MehrNumerisches Lösen von Gleichungen
Numerisches Gesucht ist eine Lösung der Gleichung f(x) = 0. Das sverfahren ist eine numerische Methode zur Bestimmung einer Nullstelle. Es basiert auf dem Zwischenwertsatz: Satz (1.1.1) Zwischenwertsatz:
MehrSS 2016 Höhere Mathematik für s Studium der Physik 21. Juli Probeklausur. Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert.
SS 6 Höhere Mathematik für s Studium der Physik. Juli 6 Probeklausur Die Antworten zu den jeweiligen Fragen sind in blauer Farbe notiert. Fragen Sei (X, d) ein metrischer Raum. Beantworten Sie die nachfolgenden
Mehr2 Nullstellenbestimmung
2.1 Motivation und Einordnung Das Lösen von nichtlinearen Gleichungen spielt eine grundlegende Rolle in der Mathematik. Oft werden solche Aufgabenstellungen als Nullstellenproblem formuliert. Die Nullstellenbestimmung
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
MehrWir untersuchen in diesem Abschnitt das (lokale) Newton Verfahren zur Lösung eines nichtlinearen Gleichungssystems
Kapitel 2 Newton Verfahren 2.1 Das lokale Newton Verfahren Wir untersuchen in diesem Abschnitt das (lokale) Newton Verfahren zur Lösung eines nichtlinearen Gleichungssystems F (x) = 0 (2.1) mit einer zumindest
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrMathematik II. Vorlesung 49. Der Banachsche Fixpunktsatz
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 49 Der Banachsche Fixpunktsatz Satz 49.1. Es sei M ein nicht-leerer vollständiger metrischer Raum und f :M M eine stark kontrahierende Abbildung.
MehrNumerische Mathematik für Physiker
Numerische Mathematik für Physiker Daniel Scholz und Lothar Nannen im Sommer 2008 Überarbeitete Version vom 23. Januar 2009. Inhaltsverzeichnis Einleitung 5. Bezeichnungen.......................... 9 2
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Wintersemester 2008/2009 Übung 11 Einleitung Es wird eine 15-minütige Mikroklausur geschrieben. i) Sei D R oderd C. Wann heißt
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrMathematik I. Vorlesung 7. Folgen in einem angeordneten Körper
Prof. Dr. H. Brenner Osnabrück WS 009/010 Mathematik I Vorlesung 7 Folgen in einem angeordneten Körper Wir beginnen mit einem motivierenden Beispiel. Beispiel 7.1. Wir wollen die Quadratwurzel einer natürlichen
MehrNumerische Mathematik für Ingenieure und Physiker
Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin
Mehr8.3 Lösen von Gleichungen mit dem Newton-Verfahren
09.2.202 8.3 Lösen von Gleichungen mit dem Newton-Verfahren Beispiel: + 2 e Diese Gleichung kann nicht nach aufgelöst werden, da die beiden nicht zusammengefasst werden können. e - - 2 0 Die gesuchten
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
MehrNumerik I. Universität Siegen Wintersemester 2004/05 Prof. Dr. Franz-Jürgen Delvos Prof. Dr. Hans-Jürgen Reinhardt
Numerik I Universität Siegen Wintersemester 4/5 Prof Dr Franz-Jürgen Delvos Prof Dr Hans-Jürgen Reinhardt Überarbeitet, ergänzt und in L A TEX gesetzt von Uwe Nowak und Christian Schneider Version: Juli
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS/ / Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung 6Das Newton-Verfahren
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrNumerische Verfahren zur Lösung nichtlinearer Gleichungen
Kapitel 2 Numerische Verfahren zur Lösung nichtlinearer Gleichungen 21 Aufgabenstellung und Motivation Ist f eine in einem abgeschlossenen Intervall I = [a, b] stetige und reellwertige Funktion, so heißt
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
Mehr2 Polynome und rationale Funktionen
Gleichungen spielen auch in der Ingenieurmathematik eine große Rolle. Sie beschreiben zum Beispiel Bedingungen, unter denen Vorgänge ablaufen, Gleichgewichtszustände, Punktmengen. Gleichungen für eine
Mehr10 Aus der Analysis. Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit
10 Aus der Analysis Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit Zahlenfolgen Ein unendliche Folge reeller Zahlen heißt Zahlenfolge. Im Beispiel 2, 3, 2, 2 2, 2
MehrProf. Dr. H. Brenner Osnabrück SS Analysis II. Vorlesung 50. Hinreichende Kriterien für lokale Extrema
Prof. Dr. H. Brenner Osnabrück SS 205 Analysis II Vorlesung 50 Hinreichende Kriterien für lokale Extrema Wir kommen jetzt zu hinreichenden Kriterien für die Existenz von lokalen Extrema einer Funktion
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
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
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrV.1 Konvergenz, Grenzwert und Häufungspunkte
V.1 Konvergenz, Grenzwert und Häufungspunkte S. 108 110 A. Bereits bekannt: Folge Extrem wichtig: Grenzwert bzw. Konvergenz: a n a oder lim n a n = a : ε R, ε > 0 n 0 N : a n a < ε n n 0 Begriffe: Fast
Mehr3 Lineare Differentialgleichungen
3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, ϱ) metrische Räume und f : X Y eine Abbildung. D(f) X sei der Definitionsbereich von f.
Stetige Funktionen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume), spielen eine zentrale Rolle in der Mathematik. In der Analysis sind Abbildungen
Mehr13. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 3. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 00/ 07.0.-.0. Aufgabe G Stetigkeit) a) Gegeben
MehrKapitel 6 Folgen und Stetigkeit
Kapitel 6 Folgen und Stetigkeit Mathematischer Vorkurs TU Dortmund Seite 76 / 226 Definition 6. (Zahlenfolgen) Eine Zahlenfolge (oder kurz: Folge) ist eine Funktion f : 0!. Statt f(n) schreiben wir x n
MehrAnalysis II WS 11/12 Serie 9 Musterlösung
Analysis II WS / Serie 9 Musterlösung Aufgabe Bestimmen Sie die kritischen Punkte und die lokalen Extrema der folgenden Funktionen f : R R: a fx, y = x + y xy b fx, y = cos x cos y Entscheiden Sie bei
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
MehrNICHTLINEARE GLEICHUNGSSYSTEME
NICHTLINEARE GLEICHUNGSSYSTEME Christian Kanzow Julius Maximilians Universität Würzburg Institut für Mathematik Am Hubland 97074 Würzburg e-mail: kanzow@mathematik.uni-wuerzburg.de URL: http://www.mathematik.uni-wuerzburg.de/
Mehr6.8 Newton Verfahren und Varianten
6. Numerische Optimierung 6.8 Newton Verfahren und Varianten In den vorherigen Kapiteln haben wir grundlegende Gradienten-basierte Verfahren kennen gelernt, die man zur numerischen Optimierung von (unbeschränkten)
MehrAnalysis II. Prof. Dr. H. Brenner Osnabrück SS 2014
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 51 Für eine stetig differenzierbare Funktion ϕ: R R mit ϕ (P) > 0 in einem Punkt P R gibt es ein offenes Intervall P I =]P δ,p +δ, auf dem ϕ
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
Mehr3 Konvergenz von Folgen und Reihen
3 KONVERGENZ VON FOLGEN UND REIHEN 3 Konvergenz von Folgen und Reihen 3.1 Normierte Vektorräume Definition: SeiV ein normierter Vektorraum überr. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrMusterlösung zu Blatt 11, Aufgabe 1
Musterlösung zu Blatt 11, Aufgabe 1 I Aufgabenstellung Es sei I =[a, b] ein kompaktes Intervall. (a) Zeigen Sie, daß eine stetige Funktion f : I R genau dann injektiv ist, wenn sie strikt monoton ist.
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
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!)
MehrApril (Voll-) Klausur Analysis I für Ingenieure. Rechenteil
April (Voll-) Klausur Analysis I für Ingenieure en Rechenteil Aufgabe 7 Punkte (a) Skizzieren Sie die 4-periodische Funktion mit f() = für und f() = für (b) Berechnen Sie für diese Funktion die Fourierkoeffizienten
MehrMathematik III. Vorlesung 74. Folgerungen aus dem Satz von Fubini. (( 1 3 x3 1 2 x2 y +2y 3 x) 1 2)dy. ( y +2y y +4y3 )dy
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 74 Folgerungen aus dem Satz von Fubini Beispiel 74.1. Wir wollen das Integral der Funktion f :R 2 R, (x,y) x 2 xy +2y 3, über dem Rechteck
MehrKleine Formelsammlung zu Mathematik für Ingenieure IIA
Kleine Formelsammlung zu Mathematik für Ingenieure IIA Florian Franzmann 5. Oktober 004 Inhaltsverzeichnis Additionstheoreme Reihen und Folgen 3. Reihen...................................... 3. Potenzreihen..................................
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
MehrÜbungen Ingenieurmathematik
Übungen Ingenieurmathematik 1. Übungsblatt: Komplexe Zahlen Aufgabe 1 Bestimmen Sie Real- und Imaginärteil der folgenden komplexen Zahlen: a) z =(3+i)+(5 7i), b) z =(3 i)(5 7i), c) z =( 3+i)( 3+ 3 i),
MehrFolgen, Reihen, Grenzwerte u. Stetigkeit
Folgen, Reihen, Grenzwerte u. Stetigkeit Josef F. Bürgler Abt. Informatik HTA Luzern, FH Zentralschweiz HTA.MA+INF Josef F. Bürgler (HTA Luzern) Einf. Infinitesimalrechnung HTA.MA+INF 1 / 33 Inhalt 1 Folgen
Mehr1 Reihen von Zahlen. Inhalt:
5 Kapitel 3 Reihen Reihen von Zahlen Inhalt: Konvergenz und Divergenz von Reihen reeller oder komplexer Zahlen, geometrische Reihe, harmonische Reihe, alternierende Reihen. Cauchy-Kriterium, absolute Konvergenz,
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
Mehrvon Intervallen, wie sie als Definitionsmengen von Funktionen auftreten können. 1 x Q f : R R ; x
18 Stetigkeit Den Begriff der Funktion oder Abbildung haben wir bereits im ersten Semester kennengelernt und er hat uns stets begleitet. In der Analysis untersucht man reelle Funktionen f : D R mit Definitionsbereich
MehrETH Zürich Analysis I Zwischenprüfung Winter 2014 D-BAUG Musterlösungen Dr. Meike Akveld
ETH Zürich Analysis I Zwischenprüfung Winter 2014 D-BAUG Musterlösungen Dr. Meike Akveld Bitte wenden! 1. Die unten stehende Figur wird beschrieben durch... (a) { (x, y) R 2 x + y 1 }. Richtig! (b) { (x,
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Aufgabe 45. Polynome sind stets stetig. Höhere Mathematik für Informatiker II (Sommersemester
MehrZusammenfassung zur Konvergenz von Folgen
Zusammenfassung zur Konvergenz von Folgen. Definition des Konvergenzbegriffs Eine Folge reeller Zahlen a n n heißt konvergent gegen a in Zeichen a n = a, falls gilt > 0 n 0 n n 0 : an a < Hinweise: Bei
Mehr