Numerik partieller Differenzialgleichungen
|
|
- Friederike Dressler
- vor 6 Jahren
- Abrufe
Transkript
1 Skript zur Vorlesung Numerik partieller Differenzialgleicungen gelesen von Prof Dr M Junk Martin Gubisc Konstanz, Wintersemester 008/009
2 Inaltsverzeicnis 6 Überblick über approximative Lösungsmetoden 3 6 Die Advektionsgleicung 3 6 Finite Differenzen Metode (FDM) 4 63 Linienmetode 5 64 Finite Volumenmetode 6 65 Ansatzverfaren 7 7 Finite Differenzen Metode 9 7 Interpolationsansatz 9 7 Finite Differenzen Metode für elliptisce Gleicungen 73 Finite Differenzen Metode für parabolisce Gleicungen 7 74 Finite Differenzen Metode für yperbolisce Gleicung 8 Finite Elemente Metode 9 8 Finite Elemente Metode für elliptisce Gleicungen 9 8 Finite Elemente Metode für parabolisce Gleicungen 34 Übungsaufgaben 35
3 6 Überblick über approximative Lösungsmetoden 6 Die Advektionsgleicung 6 Überblick über approximative Lösungsmetoden 6 Die Advektionsgleicung Beispiel 6 (Advektionsgleicung) Wir betracten die skalare, yperbolisce Differenzialgleicung erster Ordnung u t + u x = 0 ((t, x) u(t, x) R) t + x tritt als Differenzialoperator im einfacen Populationsmodell auf: u t + u x = σu (t, x) (0, ) u(0, x) = ϕ(x) x [0, ) u(t, 0) = β(x)u(t, x) dx t (0, ) 0 Dabei bezeicne A A u(t, x) dx die Anzal der Individuen mit Alter zwiscen A und A, σ = σ(x) die altersabängige Sterberate, β = β(x) die altersabängige Sterberate (beide zeitunabängig) und ϕ = ϕ(x) die Alterspyramide zum Startzeitpunkt t = 0 Herleitung der partiellen Differenzialgleicung: σ(x) ist die relative Zal an Todesfällen in der Altersgruppe x pro Jar, zb σ(60) = %/Jar Genauer: σ(a) := lim lim a 0 t 0 t Zal der Todesfälle in der Zeit [t, t + t] in der Altersgruppe [a, a + a] ; Zal der Individuen in [a, a + a] zur Zeit t momentane Sterberate ˆ= Grenzwert der durcscnittlicen Sterberate Also ( a+ a σ(a) = lim lim u(t, x) dx ) a+ a+ t u(t, t, x) dx a a+ t a 0 t 0 t a+ a u(t, x) dx a Ist u inreicend glatt, dann g(s) := a+ a+s a+s u(t + s, x) dx Zäler = t 0 (g(0) g( t)) g (0) t Also: d ds a+ a+s a+s u(t + s, x) dx s=0 x s + x = Param Int = Insgesamt ergibt sic die partielle Differenzialgleicung = d ds a+ a a a+ a a a+ a a d ds u(t + s, x + s) dx s=0 u(t + s, x + s) dx s=0 (u t + u x )(t, x) dx σ(a) = lim a a 0 a+ a a a (u t u x )(t, x) dx a+ a u(t, x) dx a = (u t + u x )(t, a) u(t, a) Martin Gubisc 3 WS 008/009
4 6 Überblick über approximative Lösungsmetoden 6 Finite Differenzen Metode (FDM) 6 Finite Differenzen Metode (FDM) Bemerkung 6 (Finite Differenzen Metode) Definiere ein (x, t)-gitter x i := i x (i = 0,, M), t n := n t (n = 0,, N) zu fest gewälten Scrittweiten t, x und suce die approximative Lösung u n i u(t n, x i ) nur an den Gitterpunkten (t n, x i ) Ersetze dazu die partielle Ableitungen durc Differenzenquotienten Dies liefert die Differenzengleicung u t (t n, x i ) u(t n+, x i ) u(t n, x i ) t u x (t n, x i ) u(t n, x i ) u(t n, x i ) x (Vorwärtsdifferenz); (Rückwärtsdifferenz) t (un+ i u n i ) + x (un i u n i ) = σ(x i )u n i, i =,, M, n = 0,, N Die Anfangs- und Randbedingungen sind dann gegeben durc M u 0 i = ϕ(x i ) (i = 0,, M), u n 0 = β(x i )u n i x i= (n =,, N) Wir eralten also ein inomogenes, lineares Gleicungssystem: u n+ i = u n i t x (un i u n i ) tσ(x i )u n i (i =,, M, n = 0,, N ) Mit Anfangs- und Randbedingungen: u 0 i = ϕ(x) (i = 0,, M), u (n+) 0 = M β(x i )u n i x (n = 0,, N ) Setze b n+ := 0 (n = 0,, N ), dann lässt sic das Problem als LGS mit Koeffizientenmatrix B screiben: 0 β(x ) x β(x ) x β(x M ) x t x ( t x σ(x )) t 0 0 u n+ = t 0 x ( t x σ(x u n + b n+ )) t 0 i= 0 0 t x Damit ist { u n+ + Bu n = b n+ u 0 = b 0 ( t x σ(x M )) t Löst man die N + Systeme, so entsprict das dem Vorwärtsauflösen von Au = b: I 0 0 u 0 b 0 B I u 0 = b 0 B I u N b N Beacte: A ist eine dünn besetzte Dreiecksmatrix! Eine lineare (Integro-)PDE lässt sic also in ein LGS für Funktionswerte an Gitterpunkten umwandeln mit oer Dimension (bei feiner Diskretisierung), aber dünner Besetzung (Lokalität der partiellen Ableitungen) Martin Gubisc 4 WS 008/009
5 6 Überblick über approximative Lösungsmetoden 63 Linienmetode 63 Linienmetode Bemerkung 63 (Linienmetode) Wir wollen eine PDE, zum Beispiel u t (t, x) = u x (t, x) σu(t, x), (t, x) (0, ) auf eine ODE zurückfüren Dies funktioniert, falls eine Variable der Lösung u ausgezeicnet ist (in der Regel (t, x) (0, ) R n mit Zeitvariable t > 0 und Ortsvariable x R n ) Wir diskretisieren ier (n = ) die räumlice partielle Ableitung: u t = u x σu v t = L v mit Differenzialoperator L := x σ und v : (0, ) R, t u(t, ) Wir eralten also eine ODE auf einem Funktionenraum, eine sog Evolutionsgleicung Bemerkung 64 (Umsetzung in Numerik) Statt v(t) : x v(t)(x) betracte v (t) R M+ mit (v (t)) i v(t)(x i ) und 0 β(x ) x β(x ) x β(x M ) x x x σ(x ) 0 0 L L := 0 x x σ(x ) x x σ(x M ) Dies liefert die lineare ODE Diese Gleicung lässt sic nun numerisc lösen v (t) = L v (t) Martin Gubisc 5 WS 008/009
6 6 Überblick über approximative Lösungsmetoden 64 Finite Volumenmetode 64 Finite Volumenmetode Bemerkung 65 (Finite Volumenmetode) Haben die Anfangsdaten einen Sprung, so ist der klassisce Differenziationskalkül nict anwendbar Die Bilanzidee bleibt allerdings weiterin sinnvoll, wir geen daer über zur scwacen Formulierung des Problems Äquidistante Zerlegung des Definitionsbereics in kleine Quader: Sei C n i := [x i, x i ] [t n, t n ], 0 = x 0 < x < < x M, 0 = t 0 < t < < t N, x i = x i + x, t n = t n + t Bezeicne u n i die räumlicen Zellenmittelwerte der Partitionierung: u n i := x xi dann ergibt Integration der Bilanzgleicung über Ci n 0 = u t + u x + σu d(x, t) Hauptsatz = Ci n xi x i u(t n, x) dx, tn tn xi = u t (t, x) dt dx + u x (t, x) dt dx + σu(t, x) d(t, x) x i t n t n x i Ci n xi tn u(t n, x) u(t n, x) dx + u(t, x i ) u(t, x i ) dt + σu(t, x) d(t, x) x i t n Ci ( n ( ) = x u n i tn un i + t u(t, x i ) dt ) tn u(t, x i ) dt t t n t t n + t x σu(t, x) d(t, x) t x C n i Formuliere nun approximative Bedingung an die Zellenmittelwerte u n i, etwa t t x C n i tn t n u(t, x i ) dt F ( ) u n i+, un i σu(t, x) d(t, x) σ(x i )u n i (Numerisce Flussfunktion); und eralte u n i = un i t ( ( ) ( )) F u n i+ x, un i F u n i, u n i tσ(x i )u n i Dieses Verfaren verallgemeiner die Finiten Differenzen Metode: Dort ist F (a, b) := b Beispiel 66 (Laplace-Gleicung) Bekanntlic ist die Form einer Seifenlamelle in einem Ramen derart, dass sie eine möglicst kleine Oberfläce at Werde eine solce Fläce bescrieben durc eine Funktion u : (0, ) R, d die gesucte Fläce wird parametrisiert durc (x, y, u(x, y)) für eine noc unbekannte Funktion u Da die Oberfläce minimiert wird, wenn die Krümmung konstant 0 ist, ist u auf Ω = (0, ) implizit gegeben durc { u(x, y) = 0 u Ω = g, wobei g : Ω R die vorgebene Form des Ramens bescreibt, zb g(x, 0) = g(x, ) = x( x), g(, y) = g(0, y) = y( y) In diesem speziellen Fall können wir die Lösung erraten: u(x, y) = x( y) y( x) Martin Gubisc 6 WS 008/009
7 6 Überblick über approximative Lösungsmetoden 65 Ansatzverfaren 65 Ansatzverfaren Bemerkung 67 (Ansatzverfaren) Sei Ω ein Gebiet, etwa Ω = (0, ) Wir betracten den Differenzialoperator L := und den Randoperator B := ( ) Ω, das eißt, unser Problem lautet { L u = 0 Bu = g für vorgegebenes g, aber noc unbekanntes u : Ω R Grundidee der Diskretisierung: Wir macen einen Ansatz n u n (x) := α k ϕ k (x) k= mit linear unabängigen, inreicend glatten ϕ k (den Ansatzfunktionen) und sucen die Koeffizienten α k u n ist dann unsere approximative Lösung Bestimme die α k also so, dass die Gleicung möglicst gut approximiert wird Bemerkung 68 (Kollokationsmetode) Wir fordern L u n = 0 und Bu n = g an endlic vielen Punkten aus Ω, den Kollokationspunkten Seien also Ω := {x (),, x (p) } Ω und Γ := {x (p+),, x n } Ω, so dass L u n (x) = 0 für alle x Ω und Bu n (x) = g(x) für alle x Γ Im Beispiel: n (L ϕ k )(x (j) )α k = 0 j =,, p n (Bϕ k )(x (j) )α k = g(x (j) ) j = p +,, n k= k= liefert (L ϕ )(x () ) (L ϕ )(x () ) (L ϕ n )(x () ) Aα := (L ϕ )(x (p) ) (L ϕ )(x (p) ) (L ϕ n )(x (p) ) (L ϕ )(x (p+) ) (L ϕ )(x (p+) ) (L ϕ n )(x (p+) ) (L ϕ )(x (n) ) (L ϕ )(x (n) ) (L ϕ n )(x (n) ) Das Problem ist also wieder äquivalent zu Finde α mit Aα = b Beim Pseudospektralverfaren wälen wir Polynome als Ansatzfunktionen: Sei M N fest, n := (M + ), := M und α α p α p+ α n! = 0 0 g(x (p+) ) =: b g(x (n) ) ϕ k : (x, x ) x m + x m (0 m, m M), x (j) := (q, q ) (0 q, q M) Dann ist A eine voll belegte Matrix der Größe n n Beim Spektralverfaren wält man trigonometrisce Funktionen ϕ k als Ansatzfunktionen Bemerkung 69 (Ansatz der kleinsten Quadrate) Wir geen wie beim Kollokationsverfaren vor, wälen aber mer Kollokationspunkte Dann ist das Gleicungssystem Aα = b überbestimmt und damit im Allgemeinen nict mer lösbar Wir sucen daer nict nac einer exakten Lösung, sondern minimieren die Differenz zur Lösung: min α Aα b Wir können dieses Verfaren auc kontinierlic, d mit unendelic vielen Kollokationspunkten, anwenden: ( ) min [(L u )(x)] dx + [(Bu )(x) g(x)] dx α Ω Ω Martin Gubisc 7 WS 008/009
8 6 Überblick über approximative Lösungsmetoden 65 Ansatzverfaren Bemerkung 60 (Finite Elemente Metode (FEM)) Wir diskretisieren die scwace Formulierung des Problems: { u = 0 in Ω u Ω = g mit g = G Ω Umwandlung in omogene Randwerte: Definiere v := u G, dann mit f := G: { v = f v Ω = 0 Multipliziere diese Gleicung mit einer Testfunktion ϕ und integriere über Ω, dann ϕ( v) dx = fϕ dx Mit div(ϕ v) = ϕ( v) + ( ϕ)( v) ergibt sic ϕ v ν dx ( ϕ)( v) dx Gauß = Ω Ω Ω Ω Ω fϕ dx Wir sucen ein solces v nun im Sobolev-Raum H0(Ω), d es soll gelten n, v L (Ω) und v Ω = 0 im H0-Sinne, so dass für alle ϕ H 0 (Ω) gilt a(v, ϕ) := ( ϕ)( v) dx = fϕ dx =: Λ(ϕ) Ω Dann sind a eine Bilinearform auf H 0(Ω) H 0(Ω) und Λ eine Linearform auf H 0(Ω) Diskretisierung: Wäle einen endlic dimensionalen Teilraum V von H0(Ω) und löse das Problem Suce v in V, so dass a(v, ϕ) = Λ(ϕ) für alle ϕ V Sei also (ϕ,, ϕ n ) eine Basis von V, dann ist v = n k= α kϕ k mit gesucten Koeffizienten α k Statt a(v, ϕ) = Λ(ϕ) für alle ϕ V braucen wir dies nur für die Basiselemente ϕ k zu fordern, denn sei ϕ V beliebig, etwa ϕ = n k= β kϕ k, dann ( ) n n n a(v, ϕ) = a v, β k ϕ k = β k a(v, ϕ k ) = β k Λ(ϕ k ) = Λ(ϕ) k= k= Ω k= Damit ergibt sic n n n b k := Λ(ϕ k ) = a α j ϕ j, ϕ k = α j a(ϕ j, ϕ k ) =: α j A kj, j= j= j= wir sucen also wieder Mal ein α R n mit Aα = b Spezielle Klasse von Basen: Finite Elemente Im einfacten Fall triangulieren wir Ω, partitionieren den Definitionsbereic also in Dreiecke, und wälen die ϕ k linear auf jedem Dreieck stetig auf Ω mit ϕ k (x k ) = und ϕ k (x j ) = 0 für alle j k, was zu einem möglicst kleinen Träger der ϕ k fürt A kj = a(ϕ j, ϕ k ) ist damit meist 0, d A dünn besetzt Die Aufstellung von A und b erfordert dabei (analytisce oder numerisce) Integration Bemerkung 6 (Zusammenfassung) () Aus einer (Nict)-Linearen PDE wird durc Diskretisierung ein (Nict)-Lineares LGS für Punktwerte, Mittelwerte oder Ansatzkoeffizienten () Wir müssen dieses LGS untersucen auf Lösbarkeit, Konvergenz der LGS-Lösung bei feiner Diskretisierung gegen die PDE-Lösung und Eraltung qualitativer Eigenscaften der PDE-Lösung Martin Gubisc 8 WS 008/009
9 7 Finite Differenzen Metode 7 Interpolationsansatz 7 Finite Differenzen Metode 7 Interpolationsansatz Vorbemerkung 7 () Lösungsapproximation wird auf endlic vielen Punkten (Gitterpunkten) im Definitionsbereic gesuct () Differenzialoperatoren werden durc Differenzenoperatoren approximiert Da die Differenzialoperatoren aus partiellen Ableitungen aufgebaut sind, genügt es, Approximationen für D-Ableitungen ( d dx )r zu sucen Bemerkung 7 (Interpolation) Bestimme interpolierende (oder sonstwie approximierende), glatte Funktion und nimm ( d dx )r dieser Funktion in den Gitterpunkten x i Mit Lagrange-Interpolation: Sei S := { L,,, 0,,, R} Setze S i := i + S und interpoliere die Paare (x k, u k ) von Stützstellen und Funktionswerten, k S i Lagrange-Grundpolynome: Interpolationspolynom: l k (x) := j S i\{k} x x j x k x j (k S i ) P (x) := k S i u k l k (x) Approximation der r-ten Ableitung in x i : ( ) r d (P )(x) = ( ) r d u k (l k )(x) dx dx k S i x=xi Linearkombination benacbarter Funktionswerte Beispiel 73 Seien S = {, 0, } und x i = i, > 0, dann x=xi =: k S i a (r) (k)u k Erste Ableitungen: l i (x) = l i (x) = l i+ (x) = x x i x x i+ x i x i x i x i+ = (x xi)(x xi+) x x i x x i+ x i x i x i x i+ = (x xi )(x xi+) x x i+ x x i x i+ x i x i+ x i = (x xi )(x xi) l i l i l i+ Damit eralten wir die zentrale Differenz (x) = (x xi)+(x xi+) a () (i ) = (x) = (x xi )+(x xi+) a () (i) = 0 (x xi )+(x xi) (x) = a () (i + ) = u (x i ) u(x i+) u(x i ) Zweite Ableitungen: l i (x) = = a () (i ) l i (x) = = a () (i) l i+ (x) = = a () (i + ), damit eralten wir die kanonisce diskrete zweite Ableitung u (x i ) u(x i ) u(x i ) + u(x i+ ) Martin Gubisc 9 WS 008/009
10 7 Finite Differenzen Metode 7 Interpolationsansatz Bemerkung 74 (Genauigkeit der Approximation) Abzuscätzen ist der Feler Mit dem Satz von Taylor gilt Damit ist e i := u (x i ) u(x i ) u(x i ) + u(x i+ ) u(x i ) = u(x i ) u (x i ) + u (x i ) 3 6 u (x i ) u (x i ) u(x i+ ) = u(x i ) + u (x i ) + u (x i ) u (x i ) u (x i ) + d die Approximation ist von zweiter Ordnung e i = u (x i ) + O( 3 ) = O( ) für kleine, Genauer: Sei u C 4, dann liefert Taylor-Entwicklung Restglieder der Form Also gilt für den Feler e i der Approximation Bemerkung 75 (Allgemeiner Fall) u (±ξ) 4 ξ [x i, x i ], ξ + [x i, x i+ ] 4 e i u Seien u C N+, wobei N = L + R, und r N Approximation der r-ten Ableitung in x i : k S i a (r) (k)u(x k ) Taylor um x i = N m=0 u (m) (x i ) m! a (r) (k)(x k x i ) m k S i }{{} =( d dx )r (x k x i) m l k (x) x=xi k S i + a (r) (k) u(n+) (ξ k ) (x k x i ) N+ (N + )! k S i für ξ k zwiscen x i und x k Da das Interpolationspolynom von x (x x i ) m für m N gleic x (x x i ) m ist, gilt ( ) r d ( r (x k x i ) m l k (x) d dx = (x x i ) k S x=xi dx) m { 0 r m = m! r = m i x=x i Also ist k S i a (r) (k)u(x k ) = u (r) (x i ) + Rest Wir benötigen zur Abscätzung des Restterms noc eine für a (r) (k) Es gilt l k (x) = j S i\{k} x x j l x k x k(x) = j j S i\{k} l k (x) x x j = l k (x) j S i\{k} x x j (x / X Si\{k}), wobei X Si\{k} := {x j j S i \{k}} Menge ebbarer Singularitäten Per Induktion folgt (r N) l (r) k (x) = l k(x) j (S i\{k}) r j n paarw versc (x x j ) (x x jr ) (x / X Si\{k}) mit ebbaren Singularitäten Martin Gubisc 0 WS 008/009
11 7 Finite Differenzen Metode 7 Interpolationsansatz Damit eralten wir auf dem kleinsten Intervall I, das alle x k aus X Si entält: a (r) (k) C m r S i mit m Si := min{ x k x j k, j S i, k j}, dem kleinsten Nacbarabstand Definiere analog den größten Nacbarabstand M Si := diam(x Si ), dann gilt für den Restterm Rest C u (N+) M N+ S i m r S i Speziell bei äquidistanter Stützstellenwal sind M Si = N und m Si =, d Rest c N+ r Die Approximation ist also von der Ordnung O((m Si ) N+ r ) Das Gleice gilt bei einer beliebigen Stützstellenwal mit M Si = αm Si für α α 0 < für 0 Beispiel 76 () Die zentrale Differenz u (x i ) u(x i+) u(x i ) at Genauigkeitsordnung O() = O(N r + ) (u C 3 ) () In Spezialfällen kann die Approximation von öerer Ordnung sein: Die kanonisce diskrete zweite Ableitung u (x i ) u(x i ) u(x i ) + u(x i+ ) at Genauigkeitsordnung O() für u C 4, aber N r + = (dafür O() für alle u C 3 ) (3) Gemiscte Ableitungen können iterativ aufgebaut werden: ( )(u(z)) = (( )(u(z))) zentr Diff ( u(z + e ) u(z e )) ( zentr Diff (u(z + e + e ) u(z + e e )) ) (u(z e + e ) u(z e e )) (4) Welce benacbarten Elemente eines Gitters zu einem Finite Differenzen Verfaren (zb Zentraldifferenz) benötigt werden, gibt der Differenzenstern an Für den Laplace-Operator = + : x x bei obiger gemiscter Ableitung: ( ) ( ) ( ) + = 4 ; Martin Gubisc WS 008/009
12 7 Finite Differenzen Metode 7 Finite Differenzen Metode für elliptisce Gleicungen 7 Finite Differenzen Metode für elliptisce Gleicungen Beispiel 77 (Diricletsce Randwertaufgabe für den Laplace-Operator) Sei Ω = (0, ) Finde u C (Ω) C 0 (Ω) mit { ( u)(x) = g(x) x Ω u(x) = γ(x) x Ω ( ) Wäle Gitter Ω = Ω Z mit = M (M N) und x ij = (i, j) ( i, j M ); sucen u ij u(x ij ) Differenzengleicung an der Stelle x ij ( i, j M ): { (u i,j u i,j + u i+,j + u i,j u i,j + u i,j+ ) = g(x i,j ) x ij Ω u(x ij ) = γ(x ij ) x ij Ω In Matrix-Vektor-Form: Nummeriere (willkürlic) die Gitterpunkte, etwa zeilenweise jede Zeile entält M Unbestimmte und es gibt M Zeilen: u k := u,k u M,k R M u := u u M R (M ) Bestimmung der Matrixstruktur: 0 C B C 0 u u u 3 u 4 u M u M = b b b 3 b 4 b M b M Dabei entält der erste Block C die Verknüpfung mit der oberen Zeile, das B die Verknüpfungen inneralb der Zeile und das zweite C die Verknüpfung mit der unteren Zeile; b entält die Auswertungen von g, γ: B = 4 C = Recte Seite: b = b = b M = g(x ) + γ(x 0 ) + γ(x 0 ) g(x ) + γ(x 0 ) g(x M, ) + γ(x M,0 ) g(x M, ) + γ(x M,0 ) + γ(x M, ) g(x ) + γ(x 0 ) g(x M, ) + γ(x M ) g(x,m ) + γ(x M ) + γ(x 0,M ) g(x,m ) + γ(x M ) g(x M,M ) + γ(x M,M ) g(x M,M ) + γ(x M,M ) + γ(x M,M ) Martin Gubisc WS 008/009
13 7 Finite Differenzen Metode 7 Finite Differenzen Metode für elliptisce Gleicungen Die Finite Differenzen Metode liefert das LGS Au = b mit A R (M ) (M ) Zur Überprüfung der eindeutigen Lösbarkeit (d A invertierbar) berecne Kern(A), d finde alle Funktionen u R (M ) mit Au = 0 Sei u eine Lösung des omogenen Problems Au = 0, d der Disktretisierung von { v = 0 auf Ω v = 0 auf Ω Sei ũ die zugeörige, auf den Rand erweiterte Lösung: { u ũ ij := ij i, j M γ(x ij ) x ij Ω Nac dem diskreten Maximumsprinzip ist ũ ij max{ũ kl x kl Ω} = 0 und zugleic A( u) = Au = 0, d ũ ij 0, also insgesamt ũ ij = 0 für alle i, j {,, M } Also ist Kern(A) = {0} und A damit invertierbar, d das Problem Au = b ist eindeutig lösbar Satz 78 (diskretes Maximumsprinzip) Sei ũ ij eine auf den Rand erweiterte Lösung von Au = 0, d von der Diskretesierung von { v = 0 auf Ω v = 0 auf Ω Dann nimmt (i, j) ũ ij sein Maximum auf dem Rand an Beweis ũ erfüllt die Mittelwerteigenscaft (ũ i,j + ũ i+,j + ũ i,j + ũ i,j+ 4ũ ij ) = 0, d wir aben ũ ij = 4 (ũ i,j + ũ i+,j + ũ i,j + ũ i,j+ ) Habe ũ ein inneres Maximum, d es gibt (i 0, j 0 ) {,, M } derart, dass ũ i0,j0 maximal, dann aben die vier Nacbarn von ũ i0,j0 den gleicen Wert, d ũ ij = ũ i0,j0 für alle i, j {0,, M} Satz 79 (Konsistenz) Definiere E(u) := Au b Dann ist das Finite Differenzen Verfaren konsistent, d für jede exakte C 4 -Lösung w von ( ) gilt lim E(v) = 0 0 (v Diskretisierung von w) Beweis Sei w eine exakte Lösung von ( ) Setze v ij := w(x ij ) und dazu ṽ ij die auf den Rand erweiterte Lösung, d ṽ ij = w(x ij ), 0 i, j M Dann ist (E(v)) ij = (Av b) ij MWE = (4v i,j v i,j v i+,j v i,j v i,j+ g(x ij )) w C 4 = ( w)(x ij ) + O( ) g(x ij ) = O( ), also E(v) C für eine -unabängige Konstante C Lemma 70 Sei Au = b mit b 0 (komponentenweise), dann ist auc u 0 Martin Gubisc 3 WS 008/009
14 7 Finite Differenzen Metode 7 Finite Differenzen Metode für elliptisce Gleicungen Beweis Setze u auf Ω zu ũ fort durc ũ ij := 0 für x ij Ω, dann ũ ij = 4 (ũ i,j + ũ i+,j + ũ i,j + ũ i,j+ ) + b ij für i, j M Sei ũ maximal in x i0,j0 Ist x i0,j0 Ω, dann ũ i0,j0 = 0; andernfalls b i0,j0 = 0 und ũ i0+,j0 = ũ i0+,j0 = = ũ M,j0 = 0 Die FDM-Matrix A ist also invers-monoton, d A existiert und c 0 : u := A c 0 Lemma 7 Seien B R n n nict-negativ (monoton) (in Zeicen: B 0), d k, l {,, n} : B kl 0, und e = (,, ) T, dann gilt B = Be für die durc induzierte Matrixnorm Beweis Klar ist Be B e = B Sei umgekert x 0 beliebig, dann n n n Bx = max i n B ij x i max B ij x i max B ij x = Be x, i n i n j= Bx also auc B = sup x Be x 0 j= j= Lemma 7 Die Inverse E von E ist Lipscitz-stetig mit einer von unabängigen Lipscitz-Konstante Beweis Es ist E (y) = A (y + b) (y R (M ) ), d für alle y, z R (M ) gilt E (y) E (z) = A (y z) A y z Wir müssen zeigen, dass A gleicmäßig in bescränkt ist Sei dazu x, y R : w(x, y) := (x( x) + y( y)), 4 dann ist w Lösung des Problems { w = in Ω w 0 auf Ω Da Polynome zweiten Grades durc den Differenzenstern exakt differenzier werden, gilt für p ij := w(x ij ), dass Ap = e + r mit r 0 Vektor der Randwerte von w mit Faktor, d Ap e Da A monoton, folgt p = A (Ae) A e und damit A (7) = A e max p ij i,j 8 Wir nennen das Verfaren dann stabil (bzgl ) ( = max(p) in (, )) Martin Gubisc 4 WS 008/009
15 7 Finite Differenzen Metode 7 Finite Differenzen Metode für elliptisce Gleicungen Satz 73 (Stabilität) Seien w C 4 (Ω) Lösung der Diricletscen Randwertaufgabe { ( w)(x) = g(x) x Ω w(x) = γ(x) x Ω ( ) und u die Lösung der diskretisierten Gleicung Dann existiert ein C > 0, so dass max w(x ij) u ij C i,j {,,M } ( = M, M ) Wir sagen, das Verfaren konvergiert mit Konvergenzordnung Beweis Sei v ij = w(x ij ) ( i, j M ), dann ist v u = E (E(u)) E (E(v)) (7) C E(u) E(v) = C E(v) (79) C Bemerkung 74 Das diskrete Maximumsprinzip bekommen wir ier nict immer: Wäle etwa Diskretisierung vierter Ordnung dann gelten weder die diskrete Mittelwerteigenscaft noc das diskrete Maximumsprinzip, Definition 75 B R n n eißt L 0 -Matrix, falls B ij 0 für alle i, j n, i j B eißt M-Matrix, falls B invers-monotone L 0 -Matrix Bemerkung 76 (Carakterisierung von M-Matrizen) Genau dann ist eine L 0 -Matrix B R n n eine M-Matrix, wenn ein Vektor p 0 (d alle Komponenten > 0) existiert mit Ap 0 Korollar 77 (Stabilitätsabscätzung) Seien B R n n eine M-Matrix und p 0, so dass Bp 0 Dann gilt: y R n : B y C y mit C := max(p i) min(bp) i Beweis Es ist Bp min(bp) i e; da B invers-monoton, folgt d B e p min(bp) j und damit p = A (Bp) B min j (Bp) j e, B = B e = max(p i) min(bp) i Martin Gubisc 5 WS 008/009
16 7 Finite Differenzen Metode 7 Finite Differenzen Metode für elliptisce Gleicungen Bemerkung 78 () Diskretisierung bei krummlinigen Gebieten: Der Differenzenstern beim nict-äquidistanten Fall liefert O(), also auc zunäcst nur O()-Konvergenz von E(v) Damit das Residium von Ordnung O( ) wird, multipliziere die Gleicungen zu randnaen Punkten mit Die resultierende Matrix A ist eine L 0 -Matrix Wäle Intervall I := [a, b] [c, d] mit Ω I und setze p ij := w(x ij ) mit w(x, y) := (x a)(b x) + (y c)(d y) Der Vektor p erfüllt dann für inreicend kleines, dass p 0 und Ap 0, d A ist sogar eine M-Matrix, also liegt doc auc ier Konvergenz von Ordnung O( ) vor () Nacteil der Feler-/Konvergenzabscätzung bei FDM: Wir benötigen eine oe Regularität der Lösung, das Verfaren ist zb nict (one Weiteres) anwendbar auf { u = in (0, ), u = 0 auf Ω da u / C ([0, ] ) (weil u = 0 auf Ω) Martin Gubisc 6 WS 008/009
17 7 Finite Differenzen Metode 73 Finite Differenzen Metode für parabolisce Gleicungen 73 Finite Differenzen Metode für parabolisce Gleicungen Beispiel 79 (Black-Scoles-Gleicung) Wir betracten den Preisverlauf einer (europäiscen) Option V (s, t) := Wert der Option zur Zeit t bei zugeörigem Produktpreis s erfüllt die partielle Differenzialgleicung t V + σ s s V + rs s V rv = 0 mit σ Scwankungsmaß für Produktkurs und r Rendite eines fest verzinsten Papiers ( Bond ) Endbedingung (zum Ablauf der Option ist der Wert bekannt): V (s, T ) = C(s) (s (0, )) Randbedingung (extreme Situationen): V (0, t) = Optionspreis bei totalem Wertverfall des Produkts; lim V (s, t) = Optionspreis bei -oem Wert des Produkts s Für spezielle C ist die Lösung analytisc bekannt (Black-Scoles-Formel), etwa bei C(s) := (s K) + ( Kaufoption ) Für allgemeine C, etwa den European capped symmetric power call ist sie nict bekannt Durc geeignete Transformation ( V (s, t) = k exp C(s) := min{l, ((s K) + ) p } (L, p > 0), ( s ) ln k ( + k) σ T t ) ( ( s ) u ln σ, T t ) ( k = sr ) 4 k σ kann gezeigt werden: Genau dann erfüllt u die Black-Scoles-Gleicung, wenn u auc die Diffusionsgleicung t u = xu mit entsprecenden Anfangs- und Randwerten bei t = 0 bzw x = ± Lösungsbereic wird R (in der ersten Variablen); der (explizit gegebene) Vorfaktor ist preis- und zeitabängig Bemerkung 70 (Diskretisierung mit Linienmetode und FDM) () Ersetze Gebiet Ω = R [0, T ] durc Ω := [ A, A] [0, T ] (für A inreicend groß) () Diskretisierung der x-ableitung mit FDM: := A M+, Gitterpunkte x i = i, i = M,, M (M N), dann x u(x i, t) = u(x i, t) u(x i, t) + u(x i+, t) + O( ) (falls u(t, ) C 4 ) Unsere Randwerte sind u( A, t) := u (t) und u(a, t) := u (t) bei x = ± und unsere Startwerte sind u(x i, 0) mit i = M,, M Wir eralten mit u(x, t) Au(t) + b(t) x u M (t) 0 u (t) u M+ (t) u(t) :=, A := u M (t), b(t) := 0 0 u M (t) u (t) Martin Gubisc 7 WS 008/009
18 7 Finite Differenzen Metode 73 Finite Differenzen Metode für parabolisce Gleicungen (wie üblic u i (t) u(x i, t)) und daraus ein lineares System gewönlicer Differenzialgleicungen: { u(x M, 0) u(t) = Au(t) + b(t) mit u := u(0) = u u(x M, 0) Zur Wal eines Lösungsverfarens (zb ein Runge-Kutta-Verfaren) benötigen wir, dass das Spektrum σ( t A) im zugeörigen Stabilitätsgebiet liegt Beacte: Bei expliziten Verfaren ist das Stabilitätsgebiet stets bescränkt! (3) Diskretisiere die Zeitvariable der ODE Das Spektrum von A sollte eine Approximation des Spektrums des zugeörigen Operators ( x + Diriclet-Randbedingungen) sein Aus der Teorie ist bekannt: ( + Diriclet-Randbedingungen) ist negativ definit und symmetrisc mit unbescränktem Spektrum Satz 7 (Gerscgorin) Sei A R n n mit zugeörigem Grap (V, E A ), d E A := {(i, j) i j, a ij 0} gerictete Kanten und V = {,, n} Knoten Bezeicne K i := {z C z a ii a ij }, i n den i-ten Gerscgorin-Kreis j i Dann gelten: () σ(a) n i= K i; () Entält (V, E A ) zu jedem Knotenpaar aus V einen gericteten Weg (d eine Folge von Kanten e (),, e (m) mit e (i) = e (i+) ), dann ist σ(a) G = n i= K i Beispiel 7 Im Fall n = 5 at der Grap die Wegeigenscaft und für die Gerscgorin-Kreise gilt ( ) ( ) Damit ist K = K 5 = B und G = G 3 = G 4 = B G = B ( ) ; da A symmetrisc, ist σ(a) R G Wegen n i= K i = ist auc σ(a) G =, d σ(a) ( 4, 0) Also ist A negativ definit (und nict nur negativ semidefinit) Beweis (des Satzes) () Sei Ax = λx mit x = Dann gibt es ein i mit x i = Betractung der i-ten Komponente: λ a ii x i = (λ a ii )x i = }{{} a ij x j j i a ij x j, }{{} i j = also λ K i G () Sei nun λ σ(a) G Wäre λ a ii < a ij, dann λ K i G, Widerspruc zu λ G j i Also gilt nac () Gleiceit: a ij x j i j = λ a ii = a ij ; i j im Fall a ij 0 muss also stets x j = ± sein für alle j Sei nun (i, k) E A, d k ein Nacbar von i, dann ist a ik 0, d x k = und damit λ K k Wiederole diese Argumentation, bis alle Knoten erreict sind, dann λ K j Martin Gubisc 8 WS 008/009
19 7 Finite Differenzen Metode 73 Finite Differenzen Metode für parabolisce Gleicungen Bemerkung 73 Für kleines ist das Spektrum möglicerweise weit auseinander gezogen (dies reflektiert die Tatsace, dass der Operator ( x + Diriclet) unbescränkt ist) Es ist also ein steifes Veralten der Differenzialgleicung zu erwarten, d explizite Standard-Verfaren unterliegen einer starke Zeitscrittbescränkung Beispiel 74 Beim expliziten Euler-Caucy-Verfaren eralten wir aus der Stabilitätsbedingung σ( ta) S, dass 4 t, d t (teuer) Es ist also eine ser kleine Scrittweite erforderlic Nutze also statt dessen ein A-stabiles, implizites Verfaren (d mit Stabilitätsbereic (, 0)) Bemerkung 75 Das Spektrum von A ist in der Tat weit auseinander gezogen, denn mit x := e (i) ist Ax, x =, x = λ Ax, x min = min x 0 x, wir eralten also einen betragsmäßig großen negativen Eigenwert, und zugleic mit x = e (i) = (,, ): Ax, x =, x = n, n λ max = max x 0 Ax, x x Bemerkung 76 (θ-verfaren für u(t) = F (t, u(t))) Betracte die Iteration u n+ = u n + t(θf (t n+, u n+ ) + ( θ)f (t n, u n )) Im Fall θ = 0 eralten wir das explizite Euler-Verfaren; bei θ = das implizite Für θ = vom Crank-Nicolson-Verfaren Ist F (t, u) = Au + b(t), dann (I tθa) u n+ = (I + ( θ) ta) u n + t(θb(t n+ ) + ( θ)b(t n )) }{{}}{{}}{{} =:B =:E =:d n sprict man Dies liefert das Problem { Bu n+ = Eu n + d n n = 0,, N u 0 = u N t = T max () Existenz der diskreten Lösung ( Durcfürbarkeit der Iteration): Ist B invertierbar? tθa ist negativ definit, d B = I tθa positiv definit Dann ist 0 / σ(a), d B invertierbar Die diskrete Lösung existiert also und es ist σ(b) [, ) (genauer: σ(b) = {} für θ = 0 und sonst σ(b) (, )) () Felerabscätzung/Konvergenzuntersucung: Sei v die exakte Lösung der Differenzialgleicung Definiere wi n := v(t n, x i ) und den Feler e := w u Differenz der exakten und der diskreten Lösung Dann erfüllt w nac Taylor die Gleicung Bw n+ = Ew n + d n + r n (r das Residuum) und r n lässt sic abscätzen durc C t( t γ + ) mit γ = { θ θ =, sofern v genügend glatt ist e erfüllt also die Iteration Be n+ = Ee n + r n ; rekursiv eingesetzt: e n+ = B Ee n + B r n = B E(B Ee n + B r n ) + B r n = n = (B E) n+ e 0 + (B E) k B r n k k= }{{} lokaler akkumulierter Diskretisierungsfeler Martin Gubisc 9 WS 008/009
20 7 Finite Differenzen Metode 73 Finite Differenzen Metode für parabolisce Gleicungen Mit w 0 i = v(0, x i) = u 0 (x i ) = u i = u 0 i können wir für den Anfangsfeler e0 setzen e 0 = 0 In p-norm p (mit zugeöriger Matrixnorm ): n e n p (B E) n e 0 p + (B E) k B r n k p ; beim Maximumsprinzip (vgl elliptiscer Fall) nutze -Norm, bei Eigenwertabscätzung die - Norm Wir benötigen eine Matrixnormabscätzung Da für symmetrisce Matrizen C gilt C = ρ(c) (ρ der Spektralradius, d betragsmäßig größte Eigenwert), ist mit α := t : σ(a) ( 4 ), 0 σ(b) [, + tθ 4 ) ( ] σ(b ) + 4αθ,, d B Beacte: also für θ 0: k=0 θe = θi + ( θ) tθa = θi + ( θ)i ( θ) (I tθa), }{{}}{{} =I =B E = θ I θ θ B B E = θ B θ I, θ d für das Spektrum von B E gilt ( σ(b E) θ + 4αθ θ, θ θ θ ] ( = 4α ] θ + 4αθ,, also auc B E, falls 4α +4αθ α( θ) θ oder (θ <, α 4θ ) In dem Fall ist auc (B E) k B E k und (B E) k B, also bzw in der Norm z, := n e n e 0 + r n k max 0 n N zn : e, e 0 + N r, e 0 +C }{{}} N t {{} ( t γ + ) =0 =T max Insgesamt ergibt sic k=0 Satz 77 Seien θ oder (0 θ < und t 4θ ) Sei weiter die exakte Lösung der Diffusionsgleicung in C 4 ([0, T max ] [ A, A]) Dann gilt für den Approximationsfeler mit γ =, falls θ =, und γ = sonst e, C( t γ + ) Bemerkung 78 Zu zeigen bleibt noc die Spektralüberlegung, d dass für symmetrisce Matrizen C gilt ρ(c) = C Wir betracten dazu allgemein Martin Gubisc 0 WS 008/009
21 7 Finite Differenzen Metode 73 Finite Differenzen Metode für parabolisce Gleicungen Lemma 79 Sei A R n n Dann gilt in der Matrixnorm zu auf R n : A = ρ(aa T ), wobei ρ den Spektralradius bezeicnet und A T die zu A transponierte Matrix Beweis AA T ist symmetrisc Nac dem Spektralsatz gibt es ortogonales U R n n (d UU T = I), so dass Damit gilt für beliebiges x R n die Abscätzung d A T AU = UΛ (Λ Diagonalmatrix zu AA T ) Ax = Ax, Ax = A T Ax, x = UΛU T x, x = ΛU T x, U T x = λi (U T x) i ρ(a T A) U T x A ort = ρ(a T A) x, Ax A = sup ρ(a x 0 x T A) Umgekert gilt natürlic für den zu λ max = ρ(a T A) geörigen Eigenvektor x: d A ρ(a T A) Ax = A T Ax, x = λ max x, x = ρ(a T A) x, Korollar 730 Sei A R n n symmetrisc Dann ist A = ρ(a) Beweis Es gilt A = ρ(a T A) = ρ(a ) = ρ(a) = ρ(a) Martin Gubisc WS 008/009
22 7 Finite Differenzen Metode 74 Finite Differenzen Metode für yperbolisce Gleicung 74 Finite Differenzen Metode für yperbolisce Gleicung Bemerkung 73 (Bilanzgleicungen) Wir betracten folgendes System von Bilanzgleicungen: t u + div x ϕ [u] = q t u m + div x ϕ m [u] = q m Dabei bescreiben die u Dicten (zb Massendicten ), die ϕ sind Flussfunktionen ( Massenfluss ) und die q Massenquellen (bei q 0: Eraltungsgleicung ) Mit [u] meinen wir eine Abängigkeit vom u und eventuell Ableitungen von u Der Begriff Eraltungsgleicung wird motiviert mit dem Satz von Gauß: d Gauß u dx = ϕ[u] n ds dt Ω Ω }{{}}{{} Massenänderung nur durc Massenfluss über Ω zeitl Änderungsrate der Masse in Ω Interpretation: In einem Gebiet, wo nicts durc den Rand fließt (d ϕ[u] Ω = 0), bleibt die Gesamtmasse eralten Ist ϕ[u] n < 0, dann ϕ[u] n ds > 0, d die Masse in Ω nimmt zu; ist ϕ[u] groß, dann liegt ein Ω starker Fluss in Rictung ϕ[u] ϕ[u] vor Beispiel 73 (Diffusionsgleicung) Im Fall m =, ϕ[u] := x u, q 0 eralten wir die Diffusionsgleicung (bzw Wärmeleitungsgleicung) t u = div( u) = u Beispiel 733 (Wellengleicung) Wir betracten die lineare Wellengleicung im R n : t v = v Umwandlung auf ein System erster Ordnung liefert u v u n := n v tu n+ = t v = v = u n+ t v Definiere weiter ϕ [u] (u n+, 0,, 0) ϕ n [u] := (0,, 0, u n+ ), ϕ n+ [u] (u,, u n ) dann ist die Wellengleicung äquivalent zum System t u + div(ϕ [u]) = 0 t u n+ + div(ϕ n+ [u]) = 0 n i u i Hier: ϕ ij [u](x) = F ij (u(x)), d keine Abängigkeit von den Ableitungen von u Mit der Kettenregel eralten wir t u = 0 0 u n u =: A (u) u + + A n (u) n u Martin Gubisc WS 008/009 i=
23 7 Finite Differenzen Metode 74 Finite Differenzen Metode für yperbolisce Gleicung Jacobi-Matrix der Spalte j: A j = F ij (u) Das System eißt yperbolisc, wenn n i= ξ ia i (u) diagonalisierbar mit reellen Eigenwerten für alle ξ R n und jeden zulässigen Vektor u Bei der Wellengleicung: 0 ξ ξ n ξ i A i = ξ ξ n ξ ξ ξ n 0 symmetrisc für alle ξ, also insbesondere über R diagonalisierbar i= Beispiel 734 (Advektionsgleicung) Einfacer Fall: m =, F (u) = ϕ[u] = au, q 0, dann t u + x (au) = 0 Wegen A(u) = (a) ist die Advektionsgleicung trivialerweise reell diagonalisierbar Beispiel 735 (Burgers-Gleicung) Betracte den nict-linearen Fall ϕ[u] = F (z) = u (m =, q 0), dann gilt für t u + u x u = 0 A(u) = F (u) = (u) reell diagonalisierbar ξ (Burgers-Gleicung) Bemerkung 736 (Disktretisierung der Advektionsgleicung) Betracte das System { ut + au x = q in (0, T ] (0, ) u(0, x) = u 0 (x) für x (0, ) zusammen mit periodiscen Randbedingungen Genauer: Betracte Differenzialoperatoren auf R/Z: w : R/Z R eißt differenzierbar, wenn w (x) := lim 0 w(x + ) w(x) für alle x R/Z existiert Beacte: Das + im Differenzenquotienten bezeicnet die Addition mod Die links- und rectsseitigen Ableitungen am Rand müssen also existieren und übereinstimmen Die Lösung im Fall q 0 ist eine wandernde Welle : u(t, x) = u 0 (x at) Diskretisiere [0, ] {x 0,, x N } mit x i = i (i = 0,, N ), = N und beacte: 0 = x 0 = x N = in R/Z, d die Funktionswerte auf den Randpunkten müssen identisc sein Approximiere dann wie üblic u i (t) = u(t, x i ) und q i (t) = q(t, x i ); mit Differenzenstern [ 0 ] ergibt sic x u(t, x i ) (u(t, x i + ) u(t, x i )), speziell beim Rand x 0 = 0: x i + = = x, x i = = = x N in R/Z Dies liefert das Liniensystem { u(t) = Au(t) + q(t) mit der Matrix u(0) = u 0 0 A = a Martin Gubisc 3 WS 008/009
24 7 Finite Differenzen Metode 74 Finite Differenzen Metode für yperbolisce Gleicung Die Eigenvektoren der Diskretisierungsmatrix sind (bei äquidistamtem Gitter) gegeben durc e (k) j = e πikxj (k, j = 0,, N ), denn setze λ k := a i sin(πk) (k = 0,, N ), dann (Ae (k) ) j = a ( e πikx j+ e πikxj ) = a ( e πik e πik( )) e (k) j = λ k e (k) j Das explizite Euler-Verfaren wird also für keine noc so kleine Scrittweite t stabil sein: Das Spektrum σ(a) i( a, a ) ir liegt stets außeralb des Stabilitätsbereics des Euler-Verfarens Der Stabilitätsbereic des klassiscen Runge-Kutta-Verfarens (RK4) umfasst für t a < c mit inreicend kleinem c dagegen das Spektrum von A c eißt die Courant-Zal und t a < c die CFL-Bedingung (nac Courant-Friedrics-Lax) Bemerkung 737 (Diskretisierung via Rückwärts-/Vorwärtsdifferenz) Wäle als Differenzenstern ( 0) (Rückwärtsdifferenz), dann A = a, dann ist das Spektrum von A σ(a) = a ( cos(πk)) + a }{{} i sin(πk) k = 0,, N, 0 d σ(a) C a 0 Im Fall a < 0 ist das Liniensystem also immer instabil! Begründung: Der Informationstransport bei der exakten Lösung fließt von rects nac links (für a < 0); bei der Diskretisierung mit Rückwärtsdifferenz aber von links nac rects: Informationstransportrictung im Verfaren passt also nict zur Bewegungsrictung der Welle Entsprecend mit (0 ) (Vorwärtsdifferenz): A = a d es gilt σ(a) C a < 0: a σ(a) = ( cos(πk)) a }{{} i sin(πk) k = 0,, N 0 Beacte also: Bei yperboliscen Gleicungen muss der Differenzenstern mit der Wellenbewegungsrictung kompatibel sein Bemerkung 738 (Allgemeine skalare D-Eraltungsgleicung), Betracte das Problem { t u + x F (u) = 0 in (0, T ] R/Z u(0, x) = u 0 (x) x R/Z Nac expliziter Diskretisierung sei das Verfaren von 3-Punkte-Form (analog für 5, 7, ) u n+ i = H(u n i, u n i, u n i+) (i = 0,, N ), (3P) wobei u n i u(t n, x i ) und t n = n t, x i = i Martin Gubisc 4 WS 008/009
25 7 Finite Differenzen Metode 74 Finite Differenzen Metode für yperbolisce Gleicung Die exakte Lösung erfüllt die Eraltungseigenscaft 0 u(t, x) dx = const, denn wegen t (0, T ] : F (u(t, )) = F (u(t, 0)) = 0 in R/Z ist Satz 739 d dt t 0 u(t, x) dx = t 0 F (t(t, x)) dx = F (u(t, )) F (u(t, 0)) = 0 x Ein explizites 3-Punkte-Verfaren der Form (3P) abe die (diskrete) Eraltungseigenscaft, d n d für jeden Vektor u = (u 0,, u N ) gelte N i=0 Dann ist das Verfaren von der Form u n+ i N i=0 u n i = const H(u i, u i, u i+ ) = N i=0 u i = u n i t (f(un i, u n i+) f(u n i, u n i )) Dabei ist die numerisce Flussfunktion f bis auf eine Konstante eindeutig durc das Verfaren definiert Beweis Definiere G(a, b, c) := t (H(a, b, c) b), dann gilt Dann folgt für N i=0 u = (0,, 0) : G(0, 0, 0) = 0; G(u i, u i, u i+ ) Er = 0 u = (0, x, y, 0,, 0) : G(0, 0, x) + G(0, x, y) + G(x, y, 0) + G(y, 0, 0) = 0; }{{}}{{} =:f(x,y) = f(x,y) u = (0, x, y, z, 0,, 0) : G(0, 0, x) + G(0, x, y) +G(x, y, z) + G(y, z, 0) + G(z, 0, 0) = 0; }{{}}{{} =f(x,y) = f(y,z) d G(x, y, z) = f(y, z) f(x, y) und damit H(a, b, c) = b t (f(b, c) f(a, b)) Zur Eindeutigkeit: Seien f, f zwei numerisce Flussfunktionen mit u n := u := (0, x, y, z, 0,, 0), dann damit: Setze x = y = 0, dann und damit für nur x = 0: u n+ = u n t (f(y, z) f(x, y)) = un t ( f(y, z) f(x, y)); f(y, z) f(x, y) = f(y, z) f(x, y) f(0, z) = f(0, z) + f(0, 0) f(0, 0) =: f(0, z) + f(y, z) = f(y, z) + f(0, y) f(0, y) = f(y, z) + = f(y, z) + const Martin Gubisc 5 WS 008/009
26 7 Finite Differenzen Metode 74 Finite Differenzen Metode für yperbolisce Gleicung Bemerkung 740 (Zusammenang zwiscen numeriscer und exakter Flussfunktion) Bei der prinzipiellen Felerabscätzung muss der Abstand zwiscen numeriscer und exakter Lösung (bei Stabilität) kontrolliert werden durc das Residuum, d durc den Rest, den die exakte Lösung in der diskreten Gleicung interlässt Sei also v die exakte Lösung, vi n := v(t n, x i ) Berecne das Residuum Res = vn+ i vi n ( ) + t f(vn i, vi+) n f(vi ) n Mit Taylor-Entwicklung gilt v n+ i = v(t n + t, x i ) = v(t n, x i ) + t t v(t n, x i ) + O( ) = v n i + t v n i + O( ), wobei t v n i = x F (v(t n, x)) x=xi =: x F n i und Das Residuum lässt sic also darstellen als mit x F (v n i ) = F (v n i ) xv n i Es muss also gelten ( + )f n i Beacte: es muss also gelten f(vi n, vi+) n = f(vi n, vi n ) + f(vi n, vi n ) (vi+ n vi n ) + }{{} nocmal Taylor = f n i + v n i x v n i + O( ); f(v n i, v n i ) = f n i + f n i ( ) x v n i + O( ) Res = (( + )f n i F (v n i )) x v n i + O( t + ) F (vi n ) = 0, damit das Residuum für, t 0 klein wird ( + )f(v, v) v=v n i = d dv f(v, v) v=v n i, 0 = d dv (f(v, v) F (v)) v=v n i f(v, v) = F (v) + c Beispiele 74 (konsistente numerisce Flussfunktionen) F (u) + F (v) Lax-Friedrics : f(u, v) = min F (w) w [u,v] Godunor : f(u, v) = v u λ λ := t u v falls F monoton min F (w) v u = w [v,u] { F (u) F > 0 F (v) F < 0 Murman-Roe : f(u, v) = Engquist-Oser : f(u, v) = F (u) + F (v) a(u, v) (v a) ( F (u) + F (v) v u ) F (ξ) dξ a(u, v) := { F (u) F (v) u v F (u) u v u = v Lax-Wendroff : f(u, v) = Bemerkung 74 Für das 3-Punkte-Verfaren gilt also: F (u) + F (v) λa(u, v) F (v) F (u) u n+ i = H(u n i, u n i, u n i+) (i = 0,, N ), (3P) () (3P) at die Eraltungseigenscaft H(a, b, c) = b λ(f(b, c) f(a, b)) und () (3P) ist konsistent f(u, u) = F (u) + c Martin Gubisc 6 WS 008/009
27 7 Finite Differenzen Metode 74 Finite Differenzen Metode für yperbolisce Gleicung Bemerkung 743 Wictige Eigenscaften für die Konvergenz: () L -Stabilität: () total variation diminiscing (TVD): TV(u (n+) ) TV(u n ) max i,n un i C unabängig von t, ; TV(u) := N j=0 u j+ u j Dies sind Konsequenzen der Monotonie von H und liefert die Kompakteit der Approximationsfolge in L loc Definition 744 Das durc H definierte Verfaren eißt monoton, wenn H in jedem Argument monoton ist Beispiel 745 (Lax-Friedrics-Verfaren für differenzierbares F ) Setze wieder λ := t und betracte f(u, v) := (F (u) + F (v)) (v u) λ Dann gilt für die partiellen Ableitungen von H ( H(u, v, w) = λ f(u, v) = λ F (u) + ) 0 λf (u) ; λ ( F (v) H(u, v, w) = λ( f(v, w) f(u, v)) = λ + λ F (v) + ) = 0; λ ( F (w) 3 H(u, v, w) = λ f(v, w) = λ ) 0 λf λ Das Lax-Friedrics-Verfaren ist also monoton unter der CLF-Bedingung λ max F (u) Bemerkung 746 (L -Stabilität) Sei max u i C Wenn u n i C für alle i, dann 0 i N u n+ i = H(u n i, u n i, u n i+) Mon H(C, C, C) Er = C, also und mit u := (C,, C): NH(C, C, C) = N i=0 H(C, C, C) = N i=0 C = NC Also ist das Verfaren L -stabil Bemerkung 747 (TVD-Eigenscaft) C = H( C, C, C) Mon H(u n i, u n i, u n i+) = u n+ i Setze H(u) i := H(u i, u i, u i+ ) (i = 0,, N ), dann folgt: Ist H monoton und eraltend, so gelten H(u)i = u i und (komponentenweise) H(u) H(v), falls u v Martin Gubisc 7 WS 008/009
28 7 Finite Differenzen Metode 74 Finite Differenzen Metode für yperbolisce Gleicung Damit eralten wir H(u) i H(v) i u i v i : H(u)i H(v) i = (H(u) i H(v) i ) + + (H(v i ) H(u) i ) + = max{h(u) i, H(v) i H(u) i } + max{h(v) i, H(u) i H(v) i } Wegen u, v max{u, v} folgt mit der Monotonie, dass H(u), H(v) H(max{u, v}), d (H(u)i H(v) i ) + H(max{u, v}) i H(v) i Er = max{u, v} i v i = (u i v i ) + Analog eralten wir also insgesamt (H(v)i H(u) i ) + (v i u i ) +, H(u)i H(v) i u i v i Wäle nun speziell u := u n i und v := u n+ i, dann folgt die TVD-Eigenscaft Bemerkung 748 Allgemein folgt aus dass H(u) = u u v H(u) H(v) Integrierbarkeitsbed H(u) H(v) u v, Bemerkung 749 () Die Lösung einer nict-linearen Bilanz-/Eraltungsgleicung kann Regularität in den Anfangsdaten verlieren (zum Beispiel Sprünge nac endlicer Zeit) scwace Lösungsteorie erforderlic () Verfaren mit oer Konvergenzordnung sind kompliziert (da Lösungen ia nict glatt, d keine Taylor-Entwicklung zur Abscätzung des Residuums möglic) (3) Die Eindeutigkeit der scwacen Lösung ist nict trivial ( Entropiebedingung ) Martin Gubisc 8 WS 008/009
29 8 Finite Elemente Metode 8 Finite Elemente Metode für elliptisce Gleicungen 8 Finite Elemente Metode 8 Finite Elemente Metode für elliptisce Gleicungen Beispiel 8 (Modellproblem zur Erläuterung des metodiscen Vorgeens) Betracte das Problem { ü(x) + αu(x) = g(x) in (0, ) u(x) = 0 in {0, } Erster Scritt: Übergang zur scwacen Formulierung: (a) Multiplikation mit Testfunktion v mit v(0) = 0 = v(); (b) partielle Integration (Verteilung der Ableitungen); (c) Wal eines Funktionenraumes V, der benötigte Operationen zulässt Finde u H 0(0, ), so dass für alle v H 0(0, ) gilt a(u, v) := 0 u v + αuv dx = 0 gv dx =: b(v) Dies ist sinnvoll für alle α R, g L (0, ) und b [H 0(0, )], dem Dual von H 0(0, ) Entsceidend für die Lösbarkeit von (S) ist die Stetigkeit und Elliptizität von a, d a : V V R muss erfüllen a(u, v) C u V v V ; a(u, u) C u V Ist dann b eine stetige Linearform auf V, so zeigt der Satz von Lax-Milgram, dass genau ein u V existiert mit a(u, v) = b(v) für alle v V Hier: V = H0(0, ) mit Norm u V := 0 u + u dx (u V) Zur Stetigkeit: Seien u, v V, dann a(u, v) u v + α u v dx Caucy-Scwarz u L v L + α u L v L ( + α )( u L v L + u L v L ) Caucy-Scwarz ( + α ) u V v V Zur Elliptizität: Für u C 0 (0, ) (beacte: H 0(0, ) = C 0 (0, )V ) gilt u (x) Hauptsatz = u (0) + x u L = u(x) dx u L u L ; 0 0 u(x) u(x) dx da C 0 (0, ) dict in V, gilt die Ungleicung auc für alle u V Für α 4 (Œ α ) ist 0 u(x) u(x) dx CS u L u L (S) also insgesamt a(u, v) = u L + α u L β 0 = ( β) u L + β u L + α u L ( ) β ( β) u L α u L β = 4 5 ( α) = ( ) 5 α u V, a(u, u) min {, } α u V Martin Gubisc 9 WS 008/009
30 8 Finite Elemente Metode 8 Finite Elemente Metode für elliptisce Gleicungen Zweiter Scritt: Diskretisierung (d) Ersetze V durc einen endlic dimensionalen Teilraum V V; (e) Arbeite mit fast-ortogonaler Basis, um eine dünne Matrixbesetzung zu erreicen Mit äquidistanter Zerlegung x i = i, = N+, i =,, N und Linearen Finiten Elementen ϕ,, ϕ N, d alle ϕ j stetig, linear auf [x j, x j+ ] und 0 sonst (also in allen Gitterpunkten ϕ j (x i ) = δ ij und ϕ j ϕ i für alle i / {j, j, j + }): V = span(ϕ,, ϕ N ) Raum der Polygonzüge mit Stützstellen x 0,, x N+ Wollen zeigen: V V, d v V : v L und v L (im scwacen Sinne) Klar: alle ϕ,, ϕ N liegen in L Berecnung von ϕ i : Sei ψ C 0, dann xi ϕ i ψ = x i = (x x i )ψ(x) part Int = ψ(x i ) + ψ(x i ) + d ϕ i = (I (x i,x i)(x) I (xi,x i+)) L xi+ (x x i )ψ (x) dx + x i xi + x i x i 0 x i (x x i+)ψ (x) dx ψ(x) dx + (x x i+)ψ(x) (I (x i,x i)(x) I xi,x i+ (x))ψ(x) dx, Es gelten also ϕ H (0, ) und ϕ i (0) = 0 = ϕ i () für alle i, d ϕ i H 0(0, ) = V, also V V Dritter Scritt: Diskretes Problem x i+ x i xi+ ψ(x) dx x i (f) Finde u = (u,, u N ) R N, so dass u := N i= u iϕ i die Bedingung a(u, v ) = b(v ) für alle v V erfüllt Da v linear, ist a(u, ϕ i ) = b(ϕ i ) für alle i {,, N}, und da u linear, folgt N a(ϕ j, ϕ i ) }{{} u j = b(ϕ i ) }{{} i =,, N, =:A ij =:d i j= Wir sucen also ein u R N mit Au = d: 0 0 u u u N u N = d d d N d N Das Problem ist eindeutig lösbar, denn Kern(A) = {0}: Sei u R N, dann Au = 0 N a(ϕ j, ϕ i )u j = 0 für alle i =,, N j= a(u, ϕ i ) = 0 für i =,, N, u = u i ϕ i a(u, u ) = 0 0 = a(u, u ) ellipt c u V u V = 0 u = 0 u = 0 Beacte: Symmetrie und Definiteit von a übertragen sic auf A Martin Gubisc 30 WS 008/009
31 8 Finite Elemente Metode 8 Finite Elemente Metode für elliptisce Gleicungen Lemma 8 (Cea) Seien V ein Hilbert-Raum, V V ein abgesclossener Teilraum von V, a : V V R eine stetige, elliptisce Bilinearform mit Konstanten C, c und b V Seien u V und u V Lösungen von { a(u, v) = b(v) für alle v V a(u, v ) = b(v ) für alle v V Dann gilt u u V C c inf v V u v V Beweis Benutze die Galerkin-Ortogonalität: a(u, v ) = b(v ) = a(u, v ) a(u u, v ) = 0 Dann eralten wir c u u V ellipt a(u u, u u ) =0 nac Galerkin {}}{ = a(u u, u v ) + a(u u, v u ) C u u V u v V, also u u C c u v V für alle v V Bemerkung 83 (Konvergenz) Güte der Approximation ängt von der Struktur von V und der Regularität von u ab Mit Linearen Finiten Elementen: Nutze H0(0, ) = C 0 (0, Zu ɛ > 0 gibt es dann ein w C )H 0 u w H < ɛ Definiere w (x) := N i= w(x i)ϕ i (x), dann mit w (x) = w(x i ) + (w(x i+) w(x i ))(x x i ) für x [x i, x i ], also w(x) w (x) C und ẇ(x) ẇ (x) < C, wobei C nac Taylor von ẅ abängt Damit gilt w w V K, d für klein genug ist w w V < ɛ und nac Dreiecksungleicung also u w V < ɛ für w V beliebig Es folgt die Konvergenz der approximativen Lösung gegen die exakte: Sei klein genug, dann u u V Cea C c inf u v V C v V c u w V < C c ɛ Aber: Wir eralten keine Abscätzung für die Konvergenzgescwindigkeit Teorem 84 (Version des Satzes von Bramble-Hilbert) Seien Ω R n offen, bescränkt und zusammenängend mit Lipscitz-Rand Seien µ,, µ k bescränkte Seminormen auf H m (Ω) (m N), so dass für alle Polynome p mit deg(p) m gilt µ i (p) = 0 p = 0 Dann definiert µ eine zu H m äquivalente Norm: µ := ( k H + µ m i ( ) i= ) α ( ) L α =m =: H m Martin Gubisc 3 WS 008/009
32 8 Finite Elemente Metode 8 Finite Elemente Metode für elliptisce Gleicungen Bemerkung 85 (Konvergenzrate der numeriscen Lösung) Definiere affine Transformationen T i : H (x i, x i+ ) H (0, ) durc (T i u)(s) := u(x i + s) (s [0, ]) Dann (T i u) (m) (s) = m u (m) dy = ds (x i + s) T }{{} i u H m (0,) = m u H m (x i,x i+) =:y Für < gilt also T i u H m (0,) m u H m (x i,x i+) Definiere weiter den Interpolationsoperator I lin : H (0, ) H (0, ) durc u N i= u(x i)ϕ i Wegen H (0, ) C b (0, ) ist u u(x i ) ein stetiges Funktional auf H (0, ), d u(x i ) u C u H (0,) nac Sobolevscem Einbettungssatz Wir fordern nun für die Lösung u zusätzlic zu u H 0(0, ) die Regularität u H (0, ) (dies ist beispielsweise erfüllt, wenn g L (0, )) Seien m {0, } und δ := u I lin u, dann δ H m (0,) = Bramble-Hilbert N δ H (x i,x i+) i=0 m m D m N T i δ H m (0,) i=0 N T i δ H (0,) i=0 N T i δ µ i=0 mit µ 0 (u) := u(0) ; µ (u) := u(), d µ, sind Seminormen auf H, nac Sobolev H -bescränkt: Sobolev µ, (u) u C u H C u H und erfüllen µ(p) = 0 p = 0 für alle linearen Polynome p Dabei gilt T i δ µ = T i δ H (0,) + µ 0(δ) + µ (δ) = T i δ H (0,), da µ 0 (T i δ) = T i δ(0) = δ(x i ) + 0 = u(x i ) (I lin u)(x i ) = 0 und analog µ (T i δ) = 0 Außerdem ist ( ) T i δ H (0,) = d (T i δ)(x) dx also insgesamt und wir eralten Dies liefert Satz 86 0 dx lin Interpol = 0 ( ) d (T i u)(x) dx T i δ µ = T i u H (0,) = u H (x i,x i+), u I lin u H m (0,) D( m) N i=0 u H (x i,x i+) = D( m) u H (0,) u I lin u H m (0,) C m u H (0,) dx = T i u H (0,), Seien u H (0, ) Lösung der scwacen Formulierung (S) und u V die approximative Lösung, dann gilt u u H (0,) C u H (0,) Martin Gubisc 3 WS 008/009
33 8 Finite Elemente Metode 8 Finite Elemente Metode für elliptisce Gleicungen Beweis Kombiniere Cea-Lemma mit Interpolationsabscätzung: u u H (0,) Bemerkung 87 Cea C c Ist g sogar eine L (0, )-Funktion, dann gilt inf u v H (0,) C v V c u I }{{} linu V H (0,) u u H (0,) C u H (0,) K g L Interpol K u H (0,) Bemerkung 88 (Nitsce-Trick) Es gilt V := H0(0, ) L (0, ) =: W mit v L v H (0,) Betracte das Problem Finde u V mit a(u, v) = v, g W für alle v V, (S) wobei a : V V R V-elliptisc und stetig (und natürlic b stetig nac Caucy-Scwarzscen Ungleicung: v, g W v W g W C g W v V ) Das zu (S) geörige duale Problem ist gegegen durc wobei a (u, v) := a(v, u) Finde ϕ γ V mit a (ϕ γ, v) = v, γ W für alle v V, (S ) Außerdem formulieren wir für V V abgesclossener Teilraum von V: Finde u V mit a(u, v ) = v, g W für alle v V, (S ) Satz 89 Es gilt ϕ γ v V u u W C u u V sup inf v V γ W γ 0 Beweis u u Nac Riesz gilt u u W = sup,γ W γ W γ 0 also u u W C u u V Bemerkung 80 Im Beispiel gilt also sup inf ϕ γ v V γ 0 v V und u u, γ = a (ϕ γ, u u ) GalOrt = a (ϕ γ, u u ) a(u, v ) + a(u, v ) = a(u u, ϕ γ v ) C u u V ϕ γ v V, inf ϕ γ v V v V (86) inf ϕ γ v V ϕ γ I lin ϕ γ V C ϕ γ H (0,) C γ L, v V γ W C und wegen u u V g L folgt u u K g L Martin Gubisc 33 WS 008/009
34 8 Finite Elemente Metode 8 Finite Elemente Metode für parabolisce Gleicungen 8 Finite Elemente Metode für parabolisce Gleicungen Beispiel 8 (Wärmeleitung) Betracten ein recteckiges Gebiet Ω mit Rand Γ = Γ D Γ N, wobei auf dem unteren Rand Γ D ein Temperaturprofil θ = g (Diricletsce Randbedingung) vorgegeben sei und der Rest Γ N des Randes θ isoliert sei, d n = 0 (Neumannsce Randbedingung) Weiter sei eine Anfangsbedingung θ t=0 = θ 0 vorgegeben Die Wärmeleitung werde modelliert durc θ t = θ Unser Anfangsrandwertproblem lautet dann t θ = θ in (0, T ] Ω PDE θ = g auf Γ D Diricletsce RB θ n = 0 auf Γ N Neumannsce RB θ = θ 0 für t = 0 Anfangsbedingung Ansatz: Linienmetode mit FEM-Diskretisierung der räumlicen Operatoren wir braucen dazu die scwace Formulierung des Problems Dazu: Umwandlung in omogene Diriclet-Bedingungen auf Γ D : Sei G H (Ω) mit G Γ D = g Betracte das Problem für u θ G = d dt u,v L = Γ N v G n ds t u = u + G t G u Γ D = 0 u n Γ N = G n Γ N u t=0 = θ 0 G t=0 Multiplikation mit (zeitunab) Testfunktion v, die v Γ D = 0 erfüllt, und partielle Integration (Gauß): u t v dx = v u n ds u v dx + v G n ds + G v dx G t v dx Ω } {{ } Ω } {{ } Ω } {{ } Ω } {{ } } Ω {{ Ω } =:b(u,v) =:b(v) = Γ N v G n ds Wir sucen also eine Funktion u : [0, T ] V := {w H (Ω) w Γ D = 0}, so dass für alle v V gilt { d dt u, v L = a(u, v) + b(v) in (0, T ] u(0) = u 0 := θ 0 G t=0 (Für eine präzisere Formulierung wird die Teorie der Bocner-Räume benötigt) FEM-Diskretisierung: Ersetze V durc endlic dimensionalen Teilraum V V mit fast-ortogonaler Basis ϕ,, ϕ N Wir sucen wieder ein u = (u,, u n ), so dass u := N i= u iϕ i die Gleicung N N ϕ j, ϕ i L u j = a(ϕ j, ϕ i ) u j + b(ϕ i ) }{{}}{{}}{{} j= j= =:M ij =:A ij =:d i für alle i =,, N erfüllt Wegen der fast-ortogonalität ist die Massenmatrix M dünn besetzt; die Matrix A ei0t Steifigkeitsmatrix (Namensgebung aus der Elastizitätsteorie) Startwert: P V u 0 =: u = N j= u jϕ j Projektion auf V (zb L -Projektion oder H -Projektion) Dies ergibt die ODE { M u = Au + d u(0) = u Bleibt also noc, eine geeignete Basis (ϕ,, ϕ N ) zu wälen Trigonalisiere etwa Ω, d wäle ϕ i linear auf jedem, stetig auf Ω mit ϕ i (x j ) = δ ij für alle i, j (d ϕ i von der Gestalt a i + b i x + c i y) (ϕ i ) bildet dann eine Basis von V Bei Recteckpartionierung: Wäle ϕ i bilinear auf jedem Recteck (d von der Form a i +b i x+c i y+d i xy), also ϕ i linear auf den Kanten, ϕ i stetig auf Ω und wiederum ϕ i (x i ) = δ ij In 3D: Nutze Tetraeder mit Ansatzfunktionen ϕ i = a i + b i x + c i y + d i z (vier Freieitsgrade) Konstruktion von G H (Ω) mit G Γ D = g: Wäle zum Beispiel G := g(x k )ϕ k ; da alle ϕ k H, auc G H und G Γ D g (mit großem Gradienten bei feinem Gitter) Martin Gubisc 34 WS 008/009
Geometrisch ergibt sich deren Graph als Schnitt von G mit der senkrechten Ebene y = b bzw. x = a:
Fläcen im Raum Grap und Scnittkurven Im ganzen Artikel bezeicnet D eine Teilmenge des R 2 und eine skalarwertige Funktion in zwei Veränderlicen. Der Grap f : D R 2 R : (x, y) z = f(x, y) G = { (x, y, z)
MehrMusterlösung zu Übungsblatt 1
Prof. R. Pandaripande J. Scmitt, C. Scießl Funktionenteorie 23. September 16 HS 2016 Musterlösung zu Übungsblatt 1 Aufgabe 1. Sei F ein Körper, der R als einen Unterkörper entält. Das eisst R ist eine
MehrGeometrische Mehrgitterverfahren. Annabell Schlüter
Geometrisce Mergitterverfaren Annabell Sclüter 13.07.2010 Inaltsverzeicnis 1 Einleitung 2 2 Das Mergitterverfaren für lineare Probleme 3 2.1 Dämpfungseigenscaften des Jacobiverfarens............ 3 2.2
MehrNumerische Simulation von Differential-Gleichungen der Himmelsmechanik
Numerisce Simulation von Differential-Gleicungen der Himmelsmecanik Teilnemer: Max Dubiel (Andreas-Oberscule) Frank Essenberger (Herder-Oberscule) Constantin Krüger (Andreas-Oberscule) Gabriel Preuß (Heinric-Hertz-Oberscule)
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Mehr2 Ein Beispiel und der Haken an der Sache
Numerik I. Version: 9.02.08 2 Ein Beispiel und der Haken an der Sace In lineare Algebra I-II wurde gezeigt, wie durc das Gaußsce Verfaren lineare Gleicungssysteme gelöst werden. Das folgende einface Beispiel
MehrFinite Elemente I 2. 1 Variationstheorie
Finite Elemente I 2 1 Variationstheorie 1 Variationstheorie TU Bergakademie Freiberg, SoS 2007 Finite Elemente I 3 1.1 Bilinearformen Definition 1.1 Sei V ein reeller normierter Vektorraum. Eine Bilinearform
MehrRegularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
Mehr122 KAPITEL 7. POTENZREIHEN
Kapitel 7 Potenzreien 7.1 Der Konvergenzradius Definition 7.1: (Komplexe Potenzreien) Eine Potenzreie um den Punt z 0 C ist eine Reie der Form a (z z 0 ), a, z, z 0 C. Dort, wo die Reie onvergiert, definiert
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
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
MehrÜber Formen des konvektiven Terms in Finite-Elemente-Diskretisierungen der inkompressiblen Navier-Stokes-Gleichungen
Über Formen des konvektiven Terms in Finite-Elemente-Diskretisierungen der inkompressiblen Navier-Stokes-Gleicungen Diplomarbeit zur Erlangung des akademiscen Grades Diplom-Matematikerin Freie-Universität
Mehr7.2. Ableitungen und lineare Approximation
7.. Ableitungen und lineare Approximation Eindimensionale Ableitungen und Differentialquotienten einer Funktion bekommt man bekanntlic als Limes von Differenzenquotienten f ( a) = f ( a + ) f( a ) = x
MehrDas Mehrgitterverfahren
KAPITEL 3 Das Mergitterverfaren Mergitterverfaren kombinieren ein iteratives Lösungsverfaren mit einer Hierarcie untersciedlicer Diskretisierungsgitter. Ausgeend von einer Näerungslösung auf einem feinen
Mehr6. Die Exponentialfunktionen (und Logarithmen).
6- Funktionen 6 Die Eponentialfunktionen (und Logaritmen) Eine ganz wictige Klasse von Funktionen f : R R bilden die Eponentialfunktionen f() = c ep( ) = c e, ier sind, c feste reelle Zalen (um Trivialfälle
MehrKurze Einführung in die Finite-Elemente-Methode
Kurze Einführung in die Finite-Elemente-Methode Stefan Girke Wissenschaftliches Rechnen 23 Die Finite-Elemente-Methode In diesem Skript soll eine kurze Einführung in die Finite-Elemente-Methode gegeben
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
MehrMathematik 1 für Studierende der Biologie Teil II: Limes & Konvergenz
Matematik 1 für Studierende der Biologie Teil II: Limes & Konvergenz Cristian Leibold 7. Oktober 2014 Folgen Allgemeines zu Folgen Monotonie und Bescränkteit Grenzwerte und Konvergenz Summen und Reien
MehrKurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren
Kurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren Was sind typische qualitative Aussagen bei gewöhnlichen Differentialgleichungen der Form x (t) = f(t, x)? (1) 1. Andere
MehrDie Interpolationsaufgabe besteht darin, eine (einfache) Funktion u n U n zu finden,
Kapitel 3 Interpolation 31 Einführung Bemerkung 31 Motivation, Aufgabenstellung Gegeben seien eine Funktion f C([a,b]) und x i [a,b], i = 0,n, mit a x 0 < x 1 < < x n b (31) Die Interpolationsaufgabe besteht
MehrNumerische Simulation in der Luft- und Raumfahrttechnik
Numerisce Simulation in der Luft- und Raumfarttecnik Dr. Felix Jägle, Prof. Dr. Claus-Dieter Munz (IAG) Universität Stuttgart Pfaffenwaldring, 70569 Stuttgart Email: felix.jaegle@iag.uni-stuttgart.de Inalt
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
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!)
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 5: Differentialrechnung im R n Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 17. Juni 2009 1 / 31 5.1 Erinnerung Kapitel
Mehr3.2 Polarkoordinaten und exponentielle Darstellung
42 3.2 Polarkoordinaten und exponentielle Darstellung Ein Punkt z = a + bi der Gaußscen Zalenebene ist durc seine kartesiscen Koordinaten a und b eindeutig festgelegt. Man kann jedoc auc zwei andere Grössen
MehrÁ 4. Differenzierbarkeit, Stetigkeit
Á 4. Differenzierbarkeit, Stetigkeit Historisc ist der Begriff der Differenzierbarkeit lange vor dem der Stetigkeit entwickelt worden. Untersciedlice Definitionen der Differenzierbarkeit werden von Gottfried
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
MehrÜbungsaufgaben zur Kursarbeit
Übungsaufgaben zur Kursarbeit I) Tema Funktionen. Gib jeweils die maximale Definitionsmenge der Funktion an f(x) = (x ) D f = R (x) = x D = {x R /x } g(x) = (x ) D = {x R /x } g k(x) = x D = {x R /x >
Mehr3.2 Spline Interpolation
3.2 Spline Interpolation 3.2 Spline Interpolation Ein wesentlicer Defekt der globalen Interpolation aus dem vorerigen Abscnitt ist, dass die interpolierenden Polynome starke Oszillationen zwiscen den Stützstellen
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
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,
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
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
MehrProduktregel (Ableitung von f g)
Produktregel (Ableitung von f g) f f g 0 f 0 g g 0 Wir aben die Hoffnung, dass die Ableitung von f g mit Hilfe der Ableitungen von f und g ermittelt werden kann. f ( 0 ) = lim 0 f( 0 +) f( 0 ) g ( 0 )
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
MehrLinear. Halbkreis. Parabel
Vom Parabolspiegel zur Ableitungsfunktion Im Folgenden get es darum erauszufinden, was ein Parabolspiegel ist und wie er funktioniert. Das fürt uns auf wictige Fragen eines Teilgebietes der Matematik,
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
Mehr1 Einführung, Terminologie und Einteilung
Zusammenfassung Kapitel V: Differentialgleichungen 1 Einführung, Terminologie und Einteilung Eine gewöhnliche Differentialgleichungen ist eine Bestimmungsgleichung um eine Funktion u(t) einer unabhängigen
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
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.
MehrRudolphs Schlitten. Aufgabe. Autor: Jochen Ricker
Rudolps Sclitten Autor: Jocen Ricker Aufgabe Endlic ist es wieder soweit: Weinacten stet vor der Tür! Diesmal at der Weinactsmann sic ein ganz besonderes Gescenk für seine Rentiere einfallen lassen. Sie
MehrCharaktere. 1 Wiederholung. 2 Charaktere verschiedener Darstellungen. 1.1 Zerlegung von Darstellungen. 1.2 Schursches Lemma
Caraktere 1 Wiederolung 1.1 Zerlegung von Darstellungen Jede Darstellung läßt sic Zelegen in V = V a1 1 V a Wobei die V i irreduzible Darstellungen von G sind und a i N. Die Sätze der Carakterteorie liefern
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
MehrWas haben Beschleunigungs-Apps mit der Quadratur des Kreises zu tun?
Was aben Bescleunigungs-Apps mit der Quadratur des Kreises zu tun? Teilnemer: Jonatan Geuter Leonard Hackel Paul Hagemann Maximilian Kuc Amber Lucas Tobias Tieme Tobias Tiesse Niko Wolf Gruppenleiter:
MehrStochastische FEM mit elementaren Zufallselementen
Stochastische FEM mit elementaren Zufallselementen Hans-Jörg Starkloff Westsächsische Hochschule Zwickau 13. Südostdeutsches Kolloquium zur Numerischen Mathematik 2007 Freiberg, 27. April 2007 Einführung
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
MehrÜbungsaufgaben zu Analysis 2 Lösungen von Blatt V vom 07.05.15. f(x, y) = 2(x + y) + xy + 3x 2, g(x, y) = xy + e xy.
Prof. Dr. Moritz Kaßmann Fakultät für Matematik Sommersemester 015 Universität Bielefeld Übungsaufgaben zu Analysis Lösungen von Blatt V vom 07.05.15 Aufgabe V.1 + Punkte) Gegeben seien die Funktionen
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.
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
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrDas Delta-Potential. Gruppe PLANCK. Anton Hörl Thomas Kloiber Bernd Kollmann Miriam Mutici Jakob Schwarz. Quantenmechanik Projekt 2
Das Delta-Potential Quantenmecanik Projekt Gruppe PLANCK Anton Hörl Tomas Kloiber Bernd Kollmann Miriam Mutici Jakob Scwarz Max Planck (1858 1947) 4.4 Delta-Potential Ist die räumlice Ausdenung eines Potentials
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrD-MAVT NUMERISCHE MATHEMATIK FS 14 K. Nipp, A. Hiltebrand Lösung vom Test 1
D-MAVT NUMERISCHE MATHEMATIK FS 4 K. Nipp, A. Hiltebrand Lösung vom Test. Sei eps die Maschinengenauigkeit in Matlab. Dann gilt: eps/4 = Richtig / Falsch + eps/2 = Richtig / Falsch 8 + eps = 8 Richtig
MehrThema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema
Thema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema In diesem Kapitel befassen wir uns mit der Ableitung von Funktionen f : R m R n. Allein die Schreibweise
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
Mehry = A(x) y + b(x). (1) y = A(x) y (2)
73 5.2 Lineare Systeme Sei weiterhin IK = C oder IK = IR. Seien = I IR ein offenes Intervall, x 0 I, y 0 IK n, A: I IK n n und b: I IK n stetige matrix- bzw vektorwertige Funktionen. Wir betrachten komplexe
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
MehrDas heißt, Γ ist der Graph einer Funktion von d 1 Veränderlichen.
Kapitel 2 Der Gaußsche Satz Partielle Differentialgleichung sind typischerweise auf beschränkten Gebieten des R d, d 1, zu lösen. Dabei sind die Eigenschaften dieser Gebiete von Bedeutung, insbesondere
MehrÜbersicht. Einführung Universelles Hashing Perfektes Hashing
Hasing Übersict Einfürung Universelles Hasing Perfektes Hasing 2 Das Wörterbuc-Problem Gegeben: Universum U = [0 N-1], wobei N eine natürlice Zal ist. Ziel: Verwalte Menge S U mit folgenden Operationen.
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
MehrEinführung in die Differentialrechnung
Einfürung in die Differentialrecnung J. Sperling Uni-Rostock, WS 2015/2016 Inaltsverzeicnis 1 Differentialrecnung 3 1.1 Zur Gescicte.......................................... 3 1.2 Notation und Definition.....................................
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
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
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..................................
Mehr3.6 Approximationstheorie
3.6 Approximationstheorie Bisher haben wir uns im Wesentlichen mit der Interpolation beschäftigt. Die Approximation ist weiter gefasst: wir suchen eine einfache Funktion p P (dabei ist der Funktionenraum
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrSchwache Formulierung der Poisson-Gleichung Finite Elemente Methoden Fouriermethoden für Wärmeleitungsgleichung
Department Mathematik der Universität Hamburg SoSe 29 Dr. Hanna Peywand Kiani Schwache Formulierung der Poisson-Gleichung Finite Elemente Methoden Fouriermethoden für Wärmeleitungsgleichung Die ins Netz
MehrAnhang B: Quadratische Irrationalzahlen 1 Reel-quadratische Zahlkörper
Anhang B: Quadratische Irrationalzahlen 1 Reel-quadratische Zahlkörper Eine reelle Zahl x Q heißt quadratische Irrationalzahl, wenn sie Lösung einer quadratischen Gleichung (1) ax bx c 0, a 0 mit rationalen
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
Mehr5. Die eindimensionale Wellengleichung
H.J. Oberle Differentialgleichungen II SoSe 2013 5. Die eindimensionale Wellengleichung Wir suchen Lösungen u(x, t) der eindimensionale Wellengleichung u t t c 2 u xx = 0, x R, t 0, (5.1) wobei die Wellengeschwindigkeit
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
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:
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 9
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 9 Best Before: 24.5/25.5, in den Übungsgruppen (2 wochen) Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
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)
MehrDifferenzierbare Funktionen
Kapitel 5 Differenzierbare Funktionen In diesem Kapitel widmen wir uns dem Begriff der Differenzierbarkeit und entwickeln die Eigenscaften differenzierbarer Funktionen. Darüberinaus wollen wir auc unsere
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
Mehr10 Die Methode der finiten Elemente für ein parabolisches Problem
1 Die Methode der finiten Elemente für ein parabolisches Problem In diesem Kapitel untersuchen wir die Approximation von Lösungen der Modell-Wärmeleitungsgleichung in zwei räumlichen Dimensionen mithilfe
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrModellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
MehrZentrale schriftliche Abiturprüfungen im Fach Mathematik
Aufgabe 2 Wetterstation Aufgabe aus der scriftlicen Abiturprüfung Hamburg 05. In einer Wetterstation wird die Aufzeicnung eines Niedersclagmessgeräts vom Vortag (im Zeitraum von 0 Ur bis Ur) ausgewertet.
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrÜbungen für Partielle Differentialgleichungen Wintersemester 2007/08
Übungen für Partielle Differentialgleichungen Wintersemester 27/8 1. Leite eine bekannte partielle Differentialgleichung von physikalischen Prinzipien her. 2. Berechne die variationelle Ableitung des folgenden
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 6 (WS 2010/2011) Abgabetermin: Donnerstag, 27. November
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 6 (WS 2010/2011) Abgabetermin: Donnerstag, 27. November http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzugen zur Vorlesung: Der Vollständigkeit
MehrÜbungen zum Mathematik-Abitur. Geometrie 1
Geometrie Übungen zum atematik-abitur -7/8 Übungen zum atematik-abitur Geometrie Gegeben sind die Punkte ( 4 ) und ( 5 6 4) P und die Gerade 7 4 g: x= + r 4 Aufgabe : Die Ebene E entält g und Bestimmen
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
MehrWellen und wandernde Wellen Ähnlichkeitslösungen. Crashkurs PDG anhand von Beispielen. Wellen
Wellen Crashkurs PDG anhand von Beispielen Eine Welle ist ein erkennbares Signal, welches innerhalb eines Mediums von einer Seite zur anderen übertragen wird, mit einer erkennbaren Ausbreitungsgeschwindigkeit.
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
MehrLebesgue-Integral und L p -Räume
Lebesgue-Integral und L p -Räume Seminar Integraltransformationen, WS 2012/13 1 Treppenfunktionen Grundlage jedes Integralbegriffs ist das geometrisch definierte Integral von Treppenfunktionen. Für A R
MehrHöhere Mathematik II für die Fachrichtung Informatik. Lösungsvorschläge zum 3. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Cristop Scmoeger Heiko Hoffmann SS 24 Höere Matematik II für die Facrictung Informatik Lösungsvorscläge zum 3. Übungsblatt Aufgabe 9 a) Bestimmen
Mehr15 Differentialrechnung in R n
36 15 Differentialrechnung in R n 15.1 Lineare Abbilungen Eine Abbilung A : R n R m heißt linear falls A(αx + βy) = αa(x) + βa(y) für alle x, y R n un alle α, β R. Man schreibt oft Ax statt A(x) un spricht
Mehr[5], [0] v 4 = + λ 3
Aufgabe 9. Basen von Untervektorräumen. Bestimmen Sie Basen von den folgenden Untervektorräumen U K des K :. K = R und U R = span,,,,,.. K = C und U C = span + i, 6, i. i i + 0. K = Z/7Z und U Z/7Z = span
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
MehrNUMERISCHE MATHEMATIK I
D-MATH ETH Zürich, 22. August 2011 Prof. Ch. Schwab NUMERISCHE MATHEMATIK I 1. Interpolation und Quadratur (25 P.) a) Sei [a, b] R 1 mit a < b ein beschränktes Intervall, und f C 2 ([a, b]). Zeigen Sie,
Mehr