4. Nichtlineare Gleichungssysteme
|
|
- Anke Peters
- vor 6 Jahren
- Abrufe
Transkript
1 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: (i) GHxL = e -x Plot@8x, Exp@ xd<, 8x, 0, <D Graphics (ii) F(x) = x 5-23 x 2 + 9
2 2 numerik4.nb x 5 23 x 2 + 9, 8x,, 3<D Graphics (iii) F( x, y ) = i j k x 2 + y 2 Hx 3L 2 + Hy L 2 0 y z (Nullstellen von F: Schnitt zweier Kreise ) { w = Sqrt@0D; ParametricPlot@88Sin@tD, Cos@tD<, 8w Sin@tD + 3, w Cos@tD + <<, 8t, 0, 2 Pi<, AspectRatio > AutomaticD Graphics
3 numerik4.nb 3 Probleme: (i) Existenz von Fixpunkten (bzw. Nullstellen) (ii) Eindeutigkeit (iii) Lösungsverfahren (zur näherungsweisen Berechnung) Beispiele zu (i) und (ii): = 0.4 H xl x Sin@6 xd; Plot@8x, 8x, 0, <, Frame > TrueD Graphics G hat genau ein Fixpunkt in [0, ].
4 4 numerik4.nb G = E x H Sin@6 xdl; Plot@8x, G 8x, 0, <, Frame > TrueD Graphics G 2 hat fünf Fixpunkte in [0, ]. G = 0. x + E x H H xl Sin@6 xdl; Plot@8, x, G 8x, 0, <, Frame > TrueD Graphics G 3 hat keinen Fixpunkt in [0, ], aber G 3 ( [0, ] ) liegt nicht mehr ganz in [0, ].
5 numerik4.nb 5 G = If@x 0.4, 0. x + E x H H xl Sin@6 xdl, Hx 0.4L E x H H xl Sin@6 xdld; Plot@8x, G 8x, 0, <, Frame > TrueD Graphics G 4 hat keinen Fixpunkt in [0, ], aber G 4 ist unstetig, Sprung bei 0.4. Um die Existenz von Fixpunkten zu sichern, braucht man also mindestens Stetigkeit. Weiter muss der Fall G 3 ausgeschlossen werden. Eindeutig bestimmt ist der Fixpunkt dann noch nicht, wie G 2 zeigt. 4. Fixpunktsätze / Sukzessive Substitution Satz 4. ( Brouwerscher Fixpunktsatz, 90 ) Voraussetzungen: D Õ Ñ n nichtleer, konvex und kompakt, G : D ô D stetig. Behauptung: G besitzt (mindestens) einen Fixpunkt x èè Œ D : G(x èè ) = x èè. Beweis: n=: D konvex und kompakt ï D abgeschlossenes Intervall, D = [a, b]. G ( D ) Œ D ï G(a) a, G(b) b ï Für F(x) := G(x) - x gilt F(a) 0 und F(b) 0 ï (Zwischenwertsatz) $ êê x œ [a, b] : F(x êê ) = 0 ï G(x êê ) = êê x. n>: Literatur.
6 6 numerik4.nb Um Eindeutigkeit zu sichern, braucht man, dass die Funktion nicht zu sehr wackelt: präziser: Definition 4. Sei G : D Õ Ñ n ô Ñ n, M Õ D. (i) G heißt Lipschitz-stetig auf M : ñ $ L M 0 : G(x) - G(y) L M x - y " x,y Œ M. L M heißt Lipschitz-Konstante von G bezüglich M und.. (ii) G heißt kontrahierend auf M bezüglich. :ñ G Lipschitz-stetig auf M und L M <. ( Abstand der Bilder k l e i n e r als Abstand der Urbilder ). L M heißt dann auch Kontraktionskonstante von G. Bemerkungen: (i) Die Lipschitz-Konstante ist i.a. normabhängig. Daher ist die Kontraktionseigenschaft einer Abbildung ebenfalls normabhängig. Wegen der Normäquivalenz (Satz 2.) impliziert jedoch Lipschitz-Stetigkeit bezüglich einer Norm auch die in jeder anderen. (ii) è!!. ist auf [0, ] stetig aber nicht Lipschitz-stetig, auf [ 0.3, ] jedoch kontrahierend. Lemma 4. Voraussetzungen: G : D Õ Ñ n ô Ñ n, M Õ D, M nichtleer, konvex und kompakt,. eine Norm auf dem Ñ n, G Œ C ( M, Ñ n ). Behauptung: G ist Lipschitz-stetig auf M mit der Lipschitz-Konstanten L M = sup zœm G (z). Beweis:......
7 numerik4.nb 7 Satz 4.2 ( Banachscher Fixpunktsatz ) ( Existenz, Eindeutigkeit und Verfahren) Voraussetzungen:. eine Norm auf dem Ñ n, G : D Õ Ñ n ô Ñ n und (i) M Õ D nichtleer und abgeschlossen (ii) G : M ô M (iii) G Kontraktion auf M bezüglich. mit der Kontraktionskonstanten q (<). Behauptungen: (i) G besitzt genau einen Fixpunkt x èè Œ M : G(x èè ) = x èè. (ii) Für jeden Startwert x 0 Œ M konvergiert die durch (4.) x m+ := GHx m L, m = 0,, 2, definierte Folge 8x m < mœí gegen x èè. 'GLOBALE KONVERGENZ'. (iii) Fehlerabschätzungen: (4.2)»» x èè - x m»» qm-k ÄÄÄÄÄÄÄÄÄÄÄÄÄÄ -q»» x k+ - x k»», k = 0 HL m -, m Œ Í. Bemerkungen: (i) Das Verfahren H4.L mit Startwert x 0 heißt sukzessive Substitution oder auch sukzessive Approximation, funktionale Iteration, Picard-Iteration. (ii) Die Fehlerabschätzung (4.2) heißt für k=0 : a priori Abschätzung : (4.2a)»» x èè - x m»» qm ÄÄÄÄÄÄÄÄÄÄ -q»» x - x 0»» Man braucht nur x auszurechnen, um dann schon vorher abschätzen zu können, wieviele Iterationsschritte durchzuführen sind, um eine vorgegebene Genauigkeit zu erreichen.
8 8 numerik4.nb k=m- : a posteriori Abschätzung : (4.2b)»» x èè - x m»» q ÄÄÄÄÄÄÄÄÄÄ -q»» x m - x m-»» Beweis:... Hier hat man bereits x m ausgerechnet und kann nun abschätzen, wie gut es den Fixpunkt approximiert. (iii) Der Satz gilt auch, wenn M ein beliebiger vollständiger metrischer Raum ist und. -. durch die Metrik ersetzt wird.... Beispiel: G(x) := ÅÅÅÅ 2 + ÅÅÅÅÅ 0 x3, M := [0, ]
9 numerik4.nb 9 PlotA 90,, x, x3 =, 8x, 0, <, Frame > TrueE Graphics G ist Abbildung von M in sich: G(0) = /2, G() = 3/5 und G ist monoton wachsend. G ist Kontraktion auf M: G(x) -G(y) = x 3 - y 3 /0 = x - y x 2 + xy + y 2 /0 ÅÅÅÅÅ 3 0 x - y für alle x,y œ M ï q:= 3 ÅÅÅÅÅ 0. bzw.: sup xœm G (x) = sup xœm 3 ÅÅÅÅÅ 0 x2 = 3 ÅÅÅÅÅ 0 = q. Verfahren (4.) mit z.b. x 0 =/2 ï x = GHx 0 ) = 4/80,... Iteration im Graphen: G@x_D = x 3 ; m = 8; T = Table@0, 8i, m<d; T@@DD = 0.5; Do@T@@i + DD = G@T@@iDDD, 8i, m <D; U = Table@80, 0<, 8i, 2 m <D; U@@DD = 8T@@DD, 0<; Do@ U@@2 idd = 8T@@iDD, T@@i + DD<, 8i, m <D; Do@ U@@2 i + DD = 8T@@i + DD, T@@i + DD<, 8i, m <D; Graph = ListPlot@U, PlotJoined > TrueD; Graph2 = Plot@8x, G@xD<, 8x, 0.5, 0.52<D; Show@GraphicsArray@8Graph, Graph2<DD
10 0 numerik4.nb GraphicsArray x 0, x,..., x 7 : N@T, 0D 80.5, 0.525, , , , , , < Fehlerabschätzungen: (a) Wie gut ist die Näherung x 2? A posteriori Abschätzung (4.2b) mit m=2 und q=3/0 : x êê - x 2 3ê0 ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ -3ê0 x 2 - x º
11 numerik4.nb (b) Wieviele Iterationen muss man durchführen, damit» x êê - x m» 0-8 wird? A priori Abschätzung (4.2a) : x êê - x m H3ê0Lm ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ -3ê0 x - x 0 = I 3 ÅÅÅÅÅ 0 Mm ÅÅÅÅÅ 56 ï» x êê - x m» 0-8, falls I 3 ÅÅÅÅÅ 0 Mm ÅÅÅÅÅ , d.h. m log( 3/0 ) log( ) also m log( ) / log( 0.3 ) º.96, d.h. nach 2 Schritten (exakter!) Rechnung ist der Fixpunkt bis auf mindestens acht Stellen genau approximiert. Lemma 4.2 Voraussetzungen: G : D Õ Ñ n ô Ñ n, x 0 Œ D, 0 k < und M := { x Œ Ñ n : x - x 0 ÄÄÄÄÄÄÄÄ -k GHx 0) - x 0 } Õ D (!). G auf M kontrahierend mit Kontraktionskonstanter q k. Behauptung: G erfüllt auf M die Voraussetzungen des Banachschen Fixpunktsatzes. Beweis: Satz 4.3 ( Lokale Konvergenz ) Voraussetzungen: (i) G :@a, bd ô Ñ besitzt einen Fixpunkt x èè Œ (a, b). (ii) G ist in einer Umgebung von x èè stetig differenzierbar.
12 2 numerik4.nb (iii) G (x èè ) <. Behauptung: $ > 0 : " Startwerte x 0 Œ [ x èè -, x èè + ] konvergiert die durch x m+ := GHx m L definierte Folge 8x m < mœí gegen x èè. Beweis: Probleme: (i) Existenz eines Fixpunktes vorausgesetzt. (ii) G (x êê ) < überprüfen, ohne den Fixpunkt zu kennen. (Tatsächlich kein Problem, da man sogar G (x êê ) = 0 erreichen kann, ohne den Fixpunkt zu kennen!) (iii) existiert, aber wie groß/klein ist es, wo liegt daher x 0? LOKALES VERHALTEN der sukzessiven Substitution: G@x_D = Exp@ xd; m = 0; T = Table@0, 8i, m<d; T@@DD = 0.4; Do@T@@i + DD = G@T@@iDDD, 8i, m <D; U = Table@80, 0<, 8i, 2 m <D; U@@DD = 8T@@DD, 0<; Do@ U@@2 idd = 8T@@iDD, T@@i + DD<, 8i, m <D; Do@ U@@2 i + DD = 8T@@i + DD, T@@i + DD<, 8i, m <D; Graph = ListPlot@U, PlotJoined > TrueD; Graph2 = Plot@8x, G@xD<, 8x, 0.4, 0.7<D; Show@GraphicsArray@8Graph, Graph2<DD
13 numerik4.nb GraphicsArray - < G (x èè ) < 0, anziehender Fixpunkt.
14 4 numerik4.nb = D 0.8; m = 8; T = Table@0, 8i, m<d; T@@DD = 0.3; Do@T@@i + DD = G@T@@iDDD, 8i, m <D; U = Table@80, 0<, 8i, 2 m<d; U@@DD = 8T@@DD, 0<; Do@ U@@2 idd = 8T@@iDD, T@@i + DD<, 8i, m <D; Do@ U@@2 i + DD = 8T@@i + DD, T@@i + DD<, 8i, m <D; U@@2 mdd = 8T@@mDD, 0<; Graph = ListPlot@U, PlotJoined > TrueD; Graph2 = Plot@8x, G@xD<, 8x, 0.3, 0.5<D; Show@GraphicsArray@8Graph, Graph2<DD
15 numerik4.nb GraphicsArray 0 < G (x èè ) <, anziehender Fixpunkt. G@x_D = Cos@ xdêhx 3 + L ; m = 6; T = Table@0, 8i, m<d; T@@DD = 0.6; Do@T@@i + DD = G@T@@iDDD, 8i, m <D; U = Table@80, 0<, 8i, 2 m<d; U@@DD = 8T@@DD, 0<; Do@ U@@2 idd = 8T@@iDD, T@@i + DD<, 8i, m <D; Do@ U@@2 i + DD = 8T@@i + DD, T@@i + DD<, 8i, m <D; U@@2 mdd = 8T@@mDD, 0<; Graph = ListPlot@U, PlotJoined > TrueD; Graph2 = Plot@8x, G@xD<, 8x, 0.6, 0.8<D; Show@GraphicsArray@8Graph, Graph2<DD
16 6 numerik4.nb GraphicsArray G (x èè ) >, abstoßender Fixpunkt. a = 3.8 ; G@x_D = a x H xl ; m = 30; T = Table@0, 8i, m<d; T@@DD = 0.6; Do@T@@i + DD = G@T@@iDDD, 8i, m <D; U = Table@80, 0<, 8i, 2 m<d; U@@DD = 8T@@DD, 0<; Do@ U@@2 idd = 8T@@iDD, T@@i + DD<, 8i, m <D; Do@ U@@2 i + DD = 8T@@i + DD, T@@i + DD<, 8i, m <D; U@@2 mdd = 8T@@mDD, 0<; Graph = ListPlot@U, PlotJoined > TrueD; Graph2 = Plot@8x, G@xD, G@G@xDD, G@G@G@xDDD<, 8x, 0, <D; Show@GraphicsArray@8Graph, Graph2<DD
17 numerik4.nb GraphicsArray 'Chaos' bei Iteration mit G(x) = a x(-x), a=3.8 ( zusätzliche Fixpunkte bei G(G(...G(x)...)) ) Lemma 4.3 Voraussetzungen: T Œ Ñ n,n und ( T ) < (Spektralradius ( T ) T für jede Norm) Behauptung: Es existiert eine Norm im Ñ n, so dass für die
18 8 numerik4.nb zugehörige Operatornorm gilt: T <. Beweis: Satz 4.4 ( Lokale Konvergenz im Ñ n ) Voraussetzungen: (i) G : D Õ Ñ n ô Ñ n besitzt einen Fixpunkt x èè Œ int ( D ). (ii) G ist in einer Umgebung von x èè stetig differenzierbar. (iii) ( G (x èè ) ) <. Behauptung: Bei hinreichend guter Startnäherung konvergiert die sukzessive Substitution gegen x èè. Beweis: Mit der Norm aus Lemma 4.3 analog zum Beweis von Satz 4.3. Bemerkungen: (i) ( G (x êê ) ) < ï $ Norm, so dass G lokal Kontraktion bezüglich dieser Norm ist. Lokale Konvergenz der sukzessiven Substitution, anziehender Fixpunkt. (ii) ( G (x êê ) ) > : abstoßender Fixpunkt. (iii) ( G (x êê ) ) = : 'alles' möglich. à Wenn ( G (x èè ) ) < ist, so konvergiert also die sukzessive Substitution zumindest lokal.
19 numerik4.nb 9 FRAGE jetzt: Wie schnell konvergiert dann x m - x èè gegen Null? Definition 4.2 Sei 8a m < mœí eine nichtnegative Nullfolge ( =` x m - x èè ). (i) p Œ [, ) heißt Mindestkonvergenzordnung der Folge 8a m < mœí :ñ p = : $ C Œ (0, ) und m 0 Œ Í : a m+ C a m " m m 0. p > : $ C > 0 und m 0 Œ Í : a m+ C a m p " m m 0. Bei p= sagt man: Die Folge ist mindestens linear konvergent. Bei p=2 sagt man: Die Folge ist mindestens quadratisch konvergent.... (ii) Q p := lim sup a m+ mô ÄÄÄÄÄÄÄÄÄÄÄÄÄÄ p heißt dann Konvergenzrate der Folge ( a m < mœí. a m Ist Q p = 0, so sagt man bei p= : Die Folge ist mindestens superlinear konvergent, bei p=2 : Die Folge ist mindestens superquadratisch konvergent.... (iii) Hat eine Folge die Mindestkonvergenzordnung p und ist Q p π 0, so hat sie die Konvergenzordnung p. Ist Q p π 0, so sagt man bei p= : Die Folge ist linear konvergent, bei p=2 : Die Folge ist quadratisch konvergent....
20 20 numerik4.nb BEISPIELE: mll 5 D, 8m, 6<D , , , , , < Table@N@Hê2L 5 m D, 8m, 6<D , , , , , < TableANAHê2L m5 E, 8m, 6<E 80.5, , , , , < TableANAHê2L 5m E, 8m, 6<E , , , , , < (i) r > 0, a m := I ÄÄÄÄÄ m Mr î a m+ = I ÅÅÅÅÅÅÅÅÅÅ m+ Mr b I ÅÅÅÅÅ m Mr = a m aber kein C œ (0, ) kann dazwischengeschaltet werden, da a m+ ê a m ö für m ö. ï Die Folge ist langsamer als linear konvergent. (ii) a m := q rm î a m+ = q r a m 0 < q r < ï Die Folge ist linear konvergent, Q = q r. ( q r ï keine Nullfolge ). (iii) a m := q m r î a m+ = q mr q Hm+Lr - m r = a m q r x m r- mit x m œ (m, m+). 0 < q < < r ï a m ö 0 und a m+ ê a m ö 0 ï Die Folge ist superlinear konvergent. (iv) a m := q rm î a m+ = a m r. 0 < q < < r ï a m ö 0 und die Folge konvergiert mit der Ordnung r, Q r =.
21 numerik4.nb 2 Definition 4.2 (iv) Ein Iterationsverfahren x 0, x m+ = GHx m L, m=0,,... hat die Mindestkonvergenzordnung p :ñ alle Folgen { x m - x èè } mœí mit x 0 so nahe bei x _, dass x m ô x èè, haben die Mindestkonvergenzordnung p. Bemerkung: Je größer die Konvergenzordnung ist, desto schneller ist die Konvergenz. Bei gleicher Konvergenzordnung gilt: Je kleiner Q p ist, desto schneller konvergiert die Folge. Folgerung: Unter den Voraussetzungen des Banachschen Fixpunktsatzes (bzw. von Satz 4.4) konvergiert die sukzessive Substitution (lokal) mindestens linear. Beweis:»» x m+ - x êê»» ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ»» xm - x êê»» =»» GHxm L - GH êê xl»» ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ»» xm - êê x»» q <. à Wann konvergiert die sukzessive Substitution schneller ( in Ñ )? Lemma 4.4 Voraussetzungen: G Œ C p [a, b], p 2, $ x èè Œ [a, b] mit G(x èè ) = x èè, G H jl (x èè ) = 0, j=()p-, G HpL (x èè ) π 0 bzw. im Falle p= soll G (x èè ) < gelten. Behauptungen: Das von G erzeugte Iterationsverfahren hat lokal die Konvergenzordnung p und die Konvergenzrate Q p = ÄÄÄÄÄ G HpL (x èè ). p!
22 22 numerik4.nb Beweis: G Hx êê L : (also sogar G Hx êê L > erlaubt!) G è (x) := x - T(x)( G(x) - x ), wobei T(x) 0 ï G è (x) = x ó G(x) = x und G è (x) = - T (x)( G(x) - x ) - T(x)( G (x) - ) ï G è (x êê ) = - T(x êê )( G (x êê ) - ). ï G è (x êê ) = 0, wenn T(x) = ( G (x) - L -, was zumindest in einer Umgebung ï von x êê wohldefiniert ist. lokale Konvergenz und mindestens superlineare Konvergenz von G é. Ohne Kenntnis von êê x ist bei der neuen Iterationsfunktion G è jetzt G è (x êê ) = 0 ïïïïïïï
23 numerik4.nb NEWTON - VERFAHREN und Varianten davon F@x_D = Cos@ xdêhx 3 +.0L x ; H F HxL = G HxL x mit für G abstoßenden Fixpunkt L H vgl. vorherigen Abschnitt L m = 6; T = Table@0, 8i, m<d; T@@DD = 0; Do@T@@i + DD = T@@iDD F@T@@iDDDêF'@T@@iDDD, 8i, m <D; U = Table@80, 0<, 8i, 2 m <D; U@@DD = 8T@@DD, 0<; Do@ U@@2 idd = 8T@@iDD, F@T@@iDDD<, 8i, m <D; Do@ U@@2 i + DD = 8T@@i + DD, 0<, 8i, m <D; Graph = ListPlot@U, PlotJoined > TrueD; Graph2 = Plot@F@xD, 8x, 0, <D; Show@GraphicsArray@8Graph, Graph2<DD
24 24 numerik4.nb GraphicsArray 0.75,.5, Hx + F@T@@iDDD<, 8x, 0, <D, 8i,, 4, <D
25 numerik4.nb Graphics, Graphics, Graphics, Graphics < N@T, 5D 80,., , , , <
26 26 numerik4.nb à Gegeben: F Œ C [a, b] Gesucht : x èè Œ [a, b] : F(x èè ) = 0 Das Newton-Verfahren berechnet nicht die Nullstelle x èè von F direkt (i.a. auch nicht möglich), sondern zu einer Näherung x m für x èè eine neue Näherung x m+, die die Nullstelle der Tangente T m (lineares Problem!) von F in x m ist: T m (x) = FHx m ) + F Hx m )( x - x m ) Nullstelle von T m sei x m+ î FHx m ) = F Hx m )( x m - x m+ ) î (4.3) x 0 Œ [a, b] x m+ := x m - FHx ml ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ F HxmL, m=0,,... ( falls F Hx m ) π 0 ) Newton - Verfahren Iterationsfunktion : GHxL := x - FHxL ÄÄÄÄÄÄÄÄÄÄÄÄ F HxL Verschiedene Herleitungsmöglichkeiten für das Newton-Verfahren: (i) Nullstelle der Tangente. (ii) Taylorentwicklung um eine Nullstelle êê x : (iia) 0 = F(x êê ) = FHx m ) + F Hx m )( êê x - x m ) +... Entwicklung hier Æ abbrechen und dann êê x durch x m+ ersetzen. (iib) 0 = F(x êê ) = FHx m ) + F Hx m + thx êê - x m LL H êê x - x m L t 0 Das Integral durch die Rechteckregel und êê x durch x m+ ersetzen ï 0 = FHx m ) + F Hx m )( x m+ - x m ). (iii) -Punkt Hermite-Interpolation: T m Hx m ) = FHx m ), T m Hx m ) = F Hx m ) und T m (x) = FHx m ) + F Hx m )( x - x m ) ï ( mit (3.7) ) F(x) - T m (x) = F@x m, x m, x]( x - x m L 2. Folgerung aus Satz 4.3: Hat F Œ C 2 [a, b] eine Nullstelle in (a, b) und ist F (x) π 0 " x Œ [a, b],
27 numerik4.nb 27 so konvergiert das Newton-Verfahren lokal und zwar mindestens quadratisch gegen eine Nullstelle. Beweis: G HxL = FHxL F HxL ê H F HxLL 2 ï G Hx èè L = 0. x m+ - x êê = { Hx m - x êê L F Hx m L - FHx m ) }/ F Hx m ) = xm - êê x ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ F { HxmL F Hx m ) - FHx ml - FHx êê L ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ xm - x êê } = xm - x êê ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ F HxmL { F@ x m, x m ] - F@ x m, x êê ]} = H xm - êê xl ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ 2 F@ x m, x m, êê x ] F HxmL ï x m+ - x êê ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ H x m - êê xl 2 ö F Hx êê L ÅÅÅÅÅÅÅÅÅÅÅÅÅÅ 2 F Hx êê L für x m ö x êê. Folgerung: Ist (zufällig auch) F Hx êê L = 0, so konvergiert das Newton-Verfahren sogar mindestens superquadratisch, andernfalls genau quadratisch mit Q 2 = F Hx êê L ÅÅÅÅÅÅÅÅÅÅÅÅÅÅ 2 F Hx êê L. Bemerkung: Auch wenn F lediglich einmal stetig differenzierbar ist, konvergiert unter den restlichen obigen Voraussetzungen das Newton-Verfahren lokal und zwar mindestens superlinear. Beweis: x m+ - x êê = { Hx m - x êê L F Hx m L - FHx m ) }/ F Hx m ) = x m - êê x ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ F { Hx m L F Hx m ) - FHx ml - FHx êê L ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ Å x m - x êê } = F Hx m L - F Hx m + J m Hx êê - x m LL ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ ( x m - êê x ). F Hx m L Ist nun x m hinreichend nahe bei êê x, so folgt F Hx m L - F Hx m + J m Hx êê - x m LL ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ q <, F HxmL da F keinen Vorzeichenwechsel hat ï x m - x êê ö 0 wie q m für m ö. Vergleich zwischen sukzessiver Substitution mit G, G (x èè ) ª 0.47, und Newton-Verfahren mit F(x) := G(x) -x : F@x_D = Exp@x D 0.8 x; m = 5; y = 0.3; Do@8yn = y F@yDêF'@yD, y = yn<, 8i, m <D; Print@ "Näherung: ", N@y, 5DD Näherung:
28 28 numerik4.nb = D 0.8; m = 0; TG = Table@0, 8i, m<d; TG@@DD = 0; Do@TG@@i + DD = G@TG@@iDDD, 8i, m <D; F@x_D = Exp@x D 0.8 x; m = 0; TF = Table@0, 8i, m<d; TF@@DD = 0; Do@TF@@i + DD = TF@@iDD F@TF@@iDDDêF'@TF@@iDDD, 8i, m <D; Fehler bei Iteration mit G: N@TG y, 3D , 0.77, , , 0.06, , , , , < Fehler bei Newton-Iteration: N@TF y, 3D , , , , , , , , , < Newton-Iteration, die nicht gegen eine Nullstelle konvergiert: F@x_D = x x 2 + ; m = 0; T = Table@0, 8i, m<d; T@@DD =.25; Do@T@@i + DD = T@@iDD F@T@@iDDDêF'@T@@iDDD, 8i, m <D; U = Table@80, 0<, 8i, 2 m <D; U@@DD = 8T@@DD, 0<; Do@ U@@2 idd = 8T@@iDD, F@T@@iDDD<, 8i, m <D; Do@ U@@2 i + DD = 8T@@i + DD, 0<, 8i, m <D; Graph = ListPlot@U, PlotJoined > TrueD; Graph2 = Plot@F@xD, 8x, 3, 3<D; Show@GraphicsArray@8Graph, Graph2<DD
29 numerik4.nb GraphicsArray Table@ Plot@8F@xD, Hx T@@iDDL F'@T@@iDDD + F@T@@iDDD<, 8x, 3, 3<D, 8i,, 4, <D
30 30 numerik4.nb
31 numerik4.nb Graphics, Graphics, Graphics, Graphics < T 8.25,.245,.23383,.20923,.672,.09094,.02668,.0028,.0000,.< Die Iterationsfolge hat die Häufungspunkte + und -, die keine Nullstellen sind. Bei einem Startwert in der Nähe von ± "#################### è!!! 5 konvergiert die Iteration natürlich.
32 32 numerik4.nb à Problem bei lediglich lokaler Konvergenz: Wahl des Startwertes x 0 Wie groß ist das Lokal, in dem Konvergenz stattfindet, wie kommt man hinein? Lösung ( in Ñ ) : BISEKTIONSVERFAHREN F Œ C[a, b], F(a) F(b) < 0 ( î F hat Nullstelle in (a, b) ) (4.4) a 0 := a ; b 0 := b ; a m+ := 9 a m +b m ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ 2 a m, falls FHa m L FI ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ a m+b m M 0 2 sonst b m+ := 9 am+bm ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ 2 b m, falls FHa m L FI a m+bm ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄM 0 2 sonst m=0,,... Abbruch, falls b m+ = a m+. Das Bisektionsverfahren bricht nach endlich vielen Schritten ab, oder es konvergiert linear mit der Konvergenzrate ê 2.
33 numerik4.nb x 2 + 2, 8x,, 8<D Graphics Verfahren: Zuerst die Nullstelle mit dem Bisektionsverfahren einschließen k, b k ], k 0. Dann erst das Newton-Verfahren starten. Falls nun eine Näherung außerhalb k, b k ] liegt, so muss die Bisektion fortgesetzt werden. Andernfalls wird das Newton-Verfahren solange fortgesetzt, bis (i) FHx m ) hinreichend klein (falls dies das Problem schon löst) oder (ii) x m - x m- ( + x m ), d.h. die Newton-Korrektur ist hinreichend klein. Satz 4.5 ( Globale und monotone Konvergenz des Newton-Verfahrens ) Voraussetzungen: F Œ C [a, b], F monoton wachsend (oder monoton fallend), x 0 und x = x 0 - FHx 0 LêF Hx 0 L Œ [a, b], es existiert x èè Œ [a, b] : F(x èè ) = 0. Behauptungen: Das Newton-Verfahren konvergiert monoton gegen eine Nullstelle von F. Weiter gilt x x 2... x` oder x x 2... x``, wobei F( x` ) = F( x`` ) = 0. Beweis: O.B.d.A. F monoton wachsend:
34 34 numerik4.nb Hx 2L 2 2, 8x, 0, 4<, Frame > TrueD Graphics BEISPIELE: (i) Berechnung der k-ten Wurzel: Gesucht: p êk, p 0, k œ Í. F(x) := x k - p ï F (x) = k x k- monoton wachsend für x 0. Newton-Verfahren: x m+ = I - ÅÅÅÅ k M x m + konvergent für alle x 0 > 0. p ÅÅÅÅ k x m -k, m=0,,... k=2: Babylonisches Wurzelziehen x m+ = ÅÅÅÅ J x 2 m + ÄÄÄÄÄÄÄ p N, m=0,,... xm
35 numerik4.nb 35 H p=3 Heron von Alexandria 2. Jhd.v.Chr. L x = 3; Do@x = 0.5 Hx + 3êxL, 8i, 5<D x Sqrt@3D (ii) Division ohne zu dividieren: Gesucht: ÅÅÅÅ a, a >0. F(x) := ÅÅÅÅ x - a ï x m+ = x m H 2 - a x m L, m=0,,... Satz 4.6 ( Newton-Verfahren bei mehrfachen Nullstellen ) Voraussetzungen: F Œ C p [a, b], F(x èè ) = F (x èè ) =... = F Hp-L Hx èè ) = 0, F HpL Hx èè ) π 0 mit p > und x èè Œ (a, b). ( x èè p-fache Nullstelle von F ) Behauptung: Das Newton-Verfahren konvergiert lokal linear gegen x èè mit Konvergenzrate Q = - ÄÄÄÄ p. Beweis: Satz 4.7 ( Modifiziertes Newton-Verfahren bei mehrfachen Nullstellen )
36 36 numerik4.nb Voraussetzungen: Wie in Satz 4.6 aber F Œ C p+ [a, b]. Behauptung: Das modifizierte Newton-Verfahren (4.5) x m+ := x m - p FHx ml ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ F HxmL, m=0,,... konvergiert lokal mindestens quadratisch gegen x èè mit Konvergenzrate Q 2 = ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ php+l F Hp+L Hx èè L ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ F HpL Hx èè L. Beweis: Bemerkung: F œ C p [a, b] liefert i.a. lediglich superlineare Konvergenz des modifizierten Newton-Verfahrens. à Berechnung von Polynomnullstellen mit dem Newton-Verfahren: p 0 Œ K, x 0 Œ Â, x m+ = x m - p 0 Hx m Lê p 0 Hx m L, m=0,,... p 0 Hx m L und p 0 Hx m L können effizient mit zweimaliger Durchführung des Hornerschemas (3.8) berechnet werden. Ist dann êê x eine Nullstelle von p 0, so berechnet man p HxL := p 0 HxL/( x - êê x ) wiederum mit dem Hornerschema ( Abspalten einer Nullstelle ) und wendet das Newton-Verfahren auf p an etc. Vorteile dieser Strategie: (i) Der Grad der zu behandelnden Polynome verringert sich. (ii) Bereits gefundene Nullstellen werden nicht noch einmal berechnet. Probleme: Statt exakter Nullstelle x êê hat man nur eine Näherung x êê è, daher ist auch p nicht exakt : Fehlerfortpflanzung.
37 numerik4.nb 37 Satz von BARNA: Newton-Verfahren bei einem Polynom p mit reellen Koeffizienten: (i) Hat p konjugiert komplexe Nullstellen, so sind Divergenzintervalle möglich. Vgl. obiges Beispiel mit F(x)= x x 2 + und x 0 œ [-5/4, -3/4] [3/4, 5/4]. (ii) Hat p nur reelle Nullstellen, so sind ebenfalls überabzählbar viele Divergenzpunkte möglich, aber das Lebesgue-Maß der Divergenzmenge ist Null. Satz 4.8 ( Newton-Verfahren bei Polynomen mit reellen Nullstellen ) Voraussetzung: p Œ K \HTraditionalForm \ \Lhat die K reellen Nullstellen z z 2... z K Behauptung: Für alle Startwerte 9 x 0 z x 0 z K konvergiert das fallend Newton-Verfahren monoton 9 wachsend gegen 9 z z K. Beweis: Bemerkungen: (i) z braucht keine einfache Nullstelle zu sein. Dies beeinflusst allerdings die Konvergenzgeschwindigkeit. (ii) p K Hx 0 L ÅÅÅÅÅÅÅÅÅÅÅÅÅ = phx 0 L i= ÅÅÅÅÅÅÅÅÅÅÅÅÅ x 0 -z i K / min { x 0 - z i : i=()k } impliziert: " x 0 œ  $ Nullstelle x êê von p : x 0 - x êê K phx 0 L ÅÅÅÅÅÅÅÅÅÅÅÅÅ p Hx 0 L. Dies liefert folgendes Abbruchkriterium: STOP, falls K phx ml ÅÅÅÅÅÅÅÅÅÅÅÅÅÅ p HxmL. Akzeptiere x m als Näherung.
38 38 numerik4.nb à Varianten des Newton-Verfahrens: (A) Newton-Verfahren mit konstanter Ableitung (4.6) x 0, F Hx 0 L π 0 x m+ := x m - FHx ml ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ F Hx 0 L, m=0,,... Iterationsfunktion: G(x) = x - FHxLêF Hx 0 L, G (x) = - F (x) / F Hx 0 L ï lokal lineare Konvergenz, wenn 0 < F (x êê ) / F Hx 0 L < 2, lokal superlineare Konvergenz, wenn F (x êê ) = F Hx 0 L. Praktische Durchführung: Nach M > Schritten mit (4.6) ersetzt man F Hx 0 L durch F Hx M L. (B) Sekantenverfahren (4.7) Startwerte x 0 und x x m+ := x m - FHx m L FHxmL - FHx m- L ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ ÄÄÄÄÄÄÄÄ ÄÄÄÄÄ ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ, m=,2,... xm - x m- Vorteil: In jedem Schritt ist nur ein neuer Funktionswert zu berechnen. Hinweis: Bei einfacher Nullstelle und zweimal stetig differenzierbarem F konvergiert das Sekantenverfahren lokal mit der Ordnung # Goldener Schnitt, Fibonacci-Zahlen... ÅÅÅÅ (+è!!! 5 ) º.62 2 (C - Z)... verfahren sowie Verfahren von...
39 numerik4.nb Das Newton-Verfahren für Systeme nichtlinearer Gleichungen à Gegeben: D Õ Ñ n, F Œ C ( D, Ñ n ) ( F (x) = i k j F i ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ HxL y z x j { i, j= HL n ) Gesucht: x èè Œ D : F(x èè ) = 0. D konvex, x H0L œ D ï F(x êê ) = 0 = FHx H0L L + 0 F H x H0L + th x êê - x H0L LLH x êê - x H0L L t U FHx H0L L + F H x H0L LH x êê - x H0L L (Rechteckregel) ï Näherung x HL als Lösung des linearen Gleichungssystems 0 = FHx H0L L + F H x H0L LH x HL - x H0L L bzw. F H x H0L L d H0L = - FHx H0L L ï d H0L, die Newton Korrektur, und x HL = x H0L + d H0L usw. Formal analog zum -dimensionalen Fall: x H0L œ D Œ Ñ n, x Hm+L := x HmL - [ F H x HmL L D - FHx HmL L, m=0,,... NEWTON-VERFAHREN. Bemerkungen: (i) Ist F H x HmL L singulär, so ist obige Iteration nicht definiert, Abbruch. (ii) Bei der praktischen Durchführung wird nicht [ F H x HmL L D - berechnet ( Aufwand: n 3 Operationen ). Das Verfahren wird vielmehr so durchgeführt: NEWTON-VERFAHREN: x H0L Œ D Õ Ñ n, Berechne für m=0,,... die Newton-Korrektur d HmL als Lösung des linearen Gleichungssystems
40 40 numerik4.nb (4.8) F H x HmL L d HmL = - FHx HmL L ( z.b. mit Gauß-Elimination, Aufwand: n 3 /3 Operationen ). Setze dann x Hm+L := x HmL + d HmL Hinweis: Auch dieses Verfahren ist lokal mindestens quadratisch konvergent, sofern in einer Kugel um x êê»» F HxL - gleichmäßig beschränkt und F gleichmäßig Lipschitz-stetig ist. EXISTENZ einer Nullstelle, Konvergenz des Newton-Verfahrens und Fehlerabschätzungen liefert der Newton-Kantorowitsch-Satz. Beispiel: F(x) := i j sinhx L - x 2 y z, F (x) = i j coshx L - y z ï Newton-Verfahren: kx - coshx 2 L{ k sinhx 2 L{ icosix HmL M - yi j k sinix HmL 2 M zj { k HmL d HmL d 2 y z = i x HmL 2 - sinix HmL My j { kcosix HmL HmL 2 M - x z, { x Hm+L := x HmL + d HmL, m=0,,... Startwerte z.b. x H0L = ÅÅÅÅÅ p i j y z, êê x º i j y z. 4 k{ k { Plot@8Cos@Sin@xDD x, Sin@Cos@xDD x<, 8x, 0, 4<D Graphics
41 numerik4.nb 4 à Varianten: (A) Newton-Verfahren mit konstanter Ableitung x 0 Œ D Õ Ñ n, F Hx 0 L regulär (4.9) F H x H0L L d HmL = - F Hx HmL L, x Hm+L := x HmL + d HmL, m=0,,... Vorteil: Nur einmal ist die LR-Zerlegung von F H x H0L L zu berechnen, da das Gleichungssystem (4.9) eine von m unabhängige Matrix hat. Nachteil: I.a ist das Verfahren nur noch lokal linear konvergent. (B) Gedämpftes Newton-Verfahren: x H0L Œ D Õ Ñ n, F H x HmL L d HmL = - FHx HmL L (4.0) x Hm+L := x HmL + t m d HmL, m=0,,..., dabei ist t m > 0 und i.a. t m so zu wählen, dass z.b. FHx Hm+L L < FHx HmL L»». Man führt einen vollen Newton-Schritt Ht m = L nur dann durch, wenn dadurch auch tatsächlich Abstieg im Sinne der Norm erreicht wird. Andernfalls wird lediglich mit der verkleinerten Schrittweite t m in Richtung d HmL weitergegangen # nichtlineare Optimierung
Nichtlineare Gleichungen
Nichtlineare Gleichungen Ein wichtiges Problem in der Praxis ist die Bestimmung einer Lösung ξ der Gleichung f(x) =, () d.h. das Aufsuchen einer Nullstelle ξ einer (nicht notwendig linearen) Funktion f.
MehrKapitel 5. Lösung nichtlinearer Gleichungen
Kapitel 5. Lösung nichtlinearer Gleichungen 5.1 Nullstellen reeller Funktionen, Newton-Verfahren 5.2 Das Konvergenzverhalten iterativer Verfahren 5.3 Methode der sukzessiven Approximation 5.4 Das Newton-Verfahren
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 ( )
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
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
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
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
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
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
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
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
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
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
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.
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
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
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
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
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
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.
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
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
MehrKap. 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
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
MehrVorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)
1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 5: Konvergenz Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Dezember 2011) Folgen Eine Folge x 0, x 1,
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
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
Mehrn=1 a n mit reellen Zahlen a n einen
4 Unendliche Reihen 4. Definition und Beispiele Ein altes Problem der Analysis ist es, einer Reihe mit reellen Zahlen einen Wert zuzuordnen. Ein typisches Beispiel ist die unendliche Reihe + +..., die
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.
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
MehrStetigkeit. Definitionen. Beispiele
Stetigkeit Definitionen Stetigkeit Sei f : D mit D eine Funktion. f heißt stetig in a D, falls für jede Folge x n in D (d.h. x n D für alle n ) mit lim x n a gilt: lim f x n f a. Die Funktion f : D heißt
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
Mehr2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0!
Klausur 25.02.2004 Aufgabe 5 Gegeben ist die Funktion f(x) = 2004, x 0 (e 2x + x) x 1, x > 0. Untersuchen Sie die Funktion auf Stetigkeit an der Stelle x 0 = 0! Klausur 06.08.2003 Aufgabe 5 Gegeben ist
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
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
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
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
MehrÜbungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Lösungsvorschlag Serie 12
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen Übungsaufgaben zur Vorlesung ANALYSIS I (WS 2/3) Lösungsvorschlag
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
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
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
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
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
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
MehrThema 4 Limiten und Stetigkeit von Funktionen
Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.
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
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
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrStetigkeit von Funktionen
Stetigkeit von Funktionen Definition. Es sei D ein Intervall oder D = R, x D, und f : D R eine Funktion. Wir sagen f ist stetig wenn für alle Folgen (x n ) n in D mit Grenzwert x auch die Folge der Funktionswerte
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
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.
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
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
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
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
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
MehrKapitel 5. Stetige Funktionen 5.1. Stetigkeit
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit Reelle Zahlen sind ideale Objekte, die es uns ermöglichen, eine transparente und leistungsfähige Theorie aufzubauen. Ein Computer kann jedoch nur mit Approximationen
Mehr1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrIV. Stetige Funktionen. Grenzwerte von Funktionen
IV. Stetige Funktionen. Grenzwerte von Funktionen Definition. Seien X und Y metrische Räume und E X sowie f : X Y eine Abbildung und p ein Häufungspunkt von E. Wir schreiben lim f(x) = q, x p falls es
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
MehrÜbungen zu Splines Lösungen zu Übung 20
Übungen zu Splines Lösungen zu Übung 20 20.1 Gegeben seien in der (x, y)-ebene die 1 Punkte: x i 6 5 4 2 1 0 1 2 4 5 6 y i 1 1 1 1 1 + 5 1 + 8 4 1 + 8 1 + 5 1 1 1 1 (a) Skizzieren Sie diese Punkte. (b)
MehrÜbungen zur Vorlesung Differential und Integralrechnung I Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr. E. Schörner WS 203/4 Blatt 20.0.204 Übungen zur Vorlesung Differential und Integralrechnung I Lösungsvorschlag 4. a) Für a R betrachten wir die Funktion
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,
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:
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
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 4
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 4 Hausaufgaben Aufgabe 4. Gegeben sei die Funktion f : D R mit f(x) :=
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
MehrMathematik für Bauingenieure
Mathematik für Bauingenieure von Kerstin Rjasanowa 1. Auflage Mathematik für Bauingenieure Rjasanowa schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Hanser München 2006 Verlag C.H.
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
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
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!)
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
MehrMathematik n 1
Prof. Dr. Matthias Gerdts Dr. Sven-Joachim Kimmerle Wintertrimester 0 Mathematik + Übung 6 Besprechung der Aufgaben ) - ) des Übungsblatts am jeweils ersten Übungstermin zwischen Montag, 7..0 und Donnerstag,
MehrHöhere Mathematik 1 Übung 9
Aufgaben, die in der Präsenzübung nicht besprochen wurden, können in der darauf folgenden übung beim jeweiligen übungsleiter bzw. bei der jeweiligen übungsleiterin abgegeben werden. Diese Abgabe ist freiwillig
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
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
Mehr13 Stetige Funktionen
$Id: stetig.tex,v.4 2009/02/06 3:47:42 hk Exp $ 3 Stetige Funktionen 3.2 Stetige Funktionen In anderen Worten bedeutet die Stetigkeit einer Funktion f : I R also f(x n) = f( x n ) n n für jede in I konvergente
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
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
MehrLeitfaden a tx t
Leitfaden -0.7. Potenz-Reihen. Definition: Es sei (a 0, a, a 2,...) eine Folge reeller Zahlen (wir beginnen hier mit dem Index t 0). Ist x R, so kann man die Folge (a 0, a x, a 2 x 2, a 3 x 3,...) und
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
MehrTechnische Universität Berlin. Klausur Analysis I
SS 2008 Prof. Dr. John M. Sullivan Kerstin Günther Technische Universität Berlin Fakultät II Institut für Mathematik Klausur Analysis I 4.07.2008 Name: Vorname: Matr.-Nr.: Studiengang: Mit der Veröffentlichung
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
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
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
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
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
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrVorlesung Mathematik 2 für Ingenieure (Sommersemester 2016)
1 Vorlesung Mathematik 2 für Ingenieure (Sommersemester 216) Kapitel 11: Potenzreihen und Fourier-Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
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
Mehr