Lineare Gleichungssysteme
|
|
- Catharina Arnold
- vor 6 Jahren
- Abrufe
Transkript
1 Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der Numerik 66
2 Feder Masse System Bezeichnungen u = (u 1, u 2, u 3 ) = Verschiebungen der Massen y = (y 1, y 2, y 3, y 4 ) = Kräfte in den Federn e = (e 1, e 2, e 3, e 4 ) = Ausdehnungen der Federn f = (f 1, f 2, f 3 ) = Gravitationskräfte Aufstellen der Gesetze Ausdehnung der Feder = Differenz der Verschiebungen Hookesches Gesetz Kräftegleichgewicht Grundlagen der Numerik 67
3 Feder Masse System Ausdehnung der Feder = Differenz der Verschiebungen Erste Feder: e 1 = u 1 da u 0 = 0 Zweite Feder: e 2 = u 2 u 1 Dritte Feder: e 3 = u 3 u 2 Vierte Feder: e 4 = u 3 da u 4 = 0 e 1 e 2 e 3 e 4 = u 1 u 2 u 3 oder kurz e = A u Grundlagen der Numerik 68
4 Feder Masse System Hookesches Gesetz Erste Feder: y 1 = k 1 e 1 Zweite Feder: y 2 = k 2 e 2 Dritte Feder: y 3 = k 3 e 3 Vierte Feder: y 4 = k 4 e 4 y 1 y 2 y 3 y 4 = k k k k 4 e 1 e 2 e 3 e 4 oder kurz y = K e Grundlagen der Numerik 69
5 Feder Masse System Kräftegleichgewicht: äussere Kräfte = innere Kräfte Erste Masse: f 1 = y 1 y 2 = m 1 g Zweite Masse: f 2 = y 2 y 3 = m 2 g Dritte Masse: f 3 = y 3 y 4 = m 3 g f 1 f 2 f 3 = y 1 y 2 y 3 y 4 oder kurz f = A T y Grundlagen der Numerik 70
6 Feder Masse System Berechnung der Verschiebungen e = A u y = K e f = A T y ergibt A T K A u = f also k 1 + k 2 k 2 0 k 2 k 2 + k 3 k 3 u 1 u 2 = f 1 f 2 0 k 3 k 3 + k 4 u 3 f 3 Grundlagen der Numerik 71
7 Numerische Lösung linearer Gleichungssysteme Geg.: Ax = b, A R n,n, b R n, A regulär Ges.: eindeutige Lösung x (= A 1 b) Beobachtung: häufig Teilaufgabe innerhalb umfangreicherer Problemstellungen, z.b. treten sie auf bei der numerischen Behandlung nichtlinearer GS mittels Newton-Verfahren, bei der numerischen Behandlung von Differentialgleichungen usw. Folgerung: Die Bereitstellung von numerischen Methoden für diese Aufgabe ist ein zentrales Anliegen der Numerischen Mathematik. Grundlagen der Numerik 72
8 Beobachtungen: 1. Berechnung von A 1 ist zu aufwendig! 2. Cramersche Regel x i = D i, i = 1,..., n. det A wobei D i Determinanten, die durch Ersetzen der i-ten Spalte von A durch b entstehen zu hoher Aufwand Lösung: 2 Typen von Verfahren Direkte Verfahren: Lösung nach endlich vielen Schritten Iterative Verfahren: Berechnung einer konvergenten Folge Grundlagen der Numerik 73
9 Direkte Verfahren: Gaußscher Algorithmus Idee: Sukzessive Elimination der Unbekannten. Beispiel x 1 x 2 x 3 = A x = b Betrachte die erweiterte Matrix: Grundlagen der Numerik 74
10 Gaußscher Algorithmus Eliminiere x 1 : Zeile Zeile Eliminiere x 2 : Zeile Grundlagen der Numerik 75
11 x 1 x 2 x 3 = R x = z R: Obere Dreiecksmatrix. Sukzessives Einsetzen x Rücksubstitution: x 3 = 7 : 1 = 7 x 2 = ( x 3 ) : ( 3) = 31 3 x 1 = (5 7 x 3 4 x 2 ) : 1 = 8 3 Grundlagen der Numerik 76
12 Gaußsche Eliminationsmethode Jetzt: Betrachten allgemeines reguläres lineares GS Ax = b a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2 ( ). a n1 x 1 + a n2 x a nn x n = b n Ziel: Umformung von ( ) auf obere Dreiecksgestalt, dann Rücksubstitution. Grundlagen der Numerik 77
13 Gaußsche Eliminationsmethode Sei a Dann 1. Gleichung nach x 1 auflösen: x 1 = a 12 a 11 x 2... a 1n a 11 x n + b 1 a 11 Einsetzen in die i-te Zeile führt auf ( a i1 a 12 x 2... a 1n x n + b ) 1 a 11 a 11 a 11 und nach Umordnung auf ( 0 x 1 + a i2 a ) i1a 12 a 11 ( x a in a ) i1a 1n a 11 + a i2 x a in x n = b i x n = b i a i1b 1 a 11 Grundlagen der Numerik 78
14 Gaußsche Eliminationsmethode Damit mit neue i-te Zeile = alte i-te Zeile l i1 alte erste Zeile l i1 = a i1 a 11, i = 2,..., n zugehöriger Eliminationskoeffizient. Bemerkungen: 1. Der Koeffizient bei x 1 wird also in den Zeilen 2 bis n Null, d.h. diese Gleichungen enthalten kein x 1 mehr. 2. Das Element a 11 heißt Pivotelement, die erste Zeile Pivotzeile. ( pivot aus dem engl. Dreh- oder Angelpunkt) Grundlagen der Numerik 79
15 Gaußsche Eliminationsmethode Im ersten Schritt wird das System Ax = b mit A = A (1) = a (1) 11 a (1) 12 a (1) 1n a (1) 21 a (1) 22 a (1) 2n... a (1) n1 a (1) n2 a (1) nn, b = b(1) = b (1) 1 b (1) 2. b (1) n Grundlagen der Numerik 80
16 Gaußsche Eliminationsmethode in das äquivalente System mit A (2) = A (2) x = b (2) a (1) 11 a (1) 12 a (1) 1n 0 a (2) 22 a (2) 2n... 0 a (2) n2 a (2) nn ( ), b(2) = b (1) 1 b (2) 2. b (2) n und a (2) ij = a(1) ij l i1a (1) 1j, b(2) i = b (1) i l i1 b (1) 1, i = 2,..., n überführt. Grundlagen der Numerik 81
17 Das System (**) zerfällt in (i) eine Gleichung für x 1 Gaußsche Eliminationsmethode a (1) 11 x 1 + a (1) 12 x a (1) 1n x n = b (1) 1 (ii) das (n 1)-dimensionale Restsystem a (2) 22 a (2) 2n.. a (2) n2 a (2) nn x 2. x n = b (2) 2. b (2) n in dem nur noch die Unbekannten x 2,..., x n vorkommen. Auf dieses Restsystem wird, unter der Voraussetzung a (2) 22 0, wieder die Eliminationsvorschrift angewendet. Grundlagen der Numerik 82
18 Gaußsche Eliminationsmethode Man erhält so eine Folge von Matrizen A = A (1) A (2)... A (n) =: R der speziellen Gestalt A (k) = a (1) 11 a (1) 1,k 1 a (1) 1k a (1) 1n a (k 1) k 1,k 1 a (k 1) k 1,k a(k 1) k 1,n a (k) kk a (k) kn.. a (k) nk a (k) nn mit einer (n k + 1, n k + 1)- Restmatrix. Grundlagen der Numerik 83
19 Gaußsche Eliminationsmethode Falls a (k) kk 0 können wir den nächsten Eliminationsschritt ausführen. Dieser lautet l ik = a (k) ik /a(k) kk für i = k + 1,..., n a (k+1) ij = a (k) ij l ika (k) kj für i, j = k + 1,..., n b (k+1) i = b (k) i l ik b (k) k für i = k + 1,..., n Grundlagen der Numerik 84
20 LR-Faktorisierung Beobachtung: A (k+1) = L k A (k), b (k+1) = L k b (k) mit Eliminationsmatrix L k = l k+1,k l n,k 1 (k + 1)-te Zeile Grundlagen der Numerik 85
21 LR-Faktorisierung Folgerung: Ax = b Rx = z mit R := A (n) = L n 1 L 1 A, z := b (n) = L n 1 L 1 b (***) L k ist stets regulär, die Inverse ist L 1 k = l k+1,k l n,k 1 Grundlagen der Numerik 86
22 LR-Faktorisierung Aus (***) folgt A = L 1 1 L 1 2 L 1 n 1 R = LR wobei L = L 1 1 L 1 2 L 1 n 1 = 1 l 21 1 l 31 l l n1 l n2... l n,n 1 1 Grundlagen der Numerik 87
23 LR-Faktorisierung DEF.: Die Darstellung A = LR der Matrix A als Produkt einer unipotenten unteren Dreiecksmatrix und einer oberen Dreiecksmatrix heißt LR-Zerlegung (LR-Faktorisierung) oder Gaußsche Dreieckszerlegung von A. Algorithmus: Gauß Elimination 1. A = LR Dreieckszerlegung R obere, L untere Dreiecksmatrix LRx = b 2. Lz = b Vorwärtssubstitution 3. Rx = z Rückwärtssubstitution Grundlagen der Numerik 88
24 LR-Faktorisierung Aufwand: n n2 2 5n 6 (M, A), n n 2 (D) Mit 1 opms := 1 (A,M) ist Aufwand Gauss-Algorithmus ungefähr n 3 /3 opms. Beachte: Die LR-Zerlegung braucht für verschiedene rechte Seiten b nur einmal durchgeführt werden! Grundlagen der Numerik 89
25 Spaltenpivotisierung Beobachtung: In der bisher beschriebenen Form ist der Gaußsche Algorithmus zur Lösung beliebiger regulärer linearen Gleichungssysteme nicht geeignet. Probleme: 1. Sei ( ) 0 1 A =, det A = A regulär, aber a 11 = 0 Dreieckszerlegung versagt. 2. Sei ( ) A =, a (2) = a 22 a 21 a 12 = a 11 computerabhängige Auslöschung falsches Ergebnis Grundlagen der Numerik 90
26 Spaltenpivotisierung Ausweg: Vertauschen von Zeilen Spaltenpivotisierung: (column pivoting) Bei jedem Eliminationsschritt wählt man diejenige Zeile als Pivotzeile, die das betragsmäßig größte Element in der Pivotspalte besitzt. Das garantiert 1. l ij 1 2. Pivotelement 0, falls A regulär Führt auf Gauß-Elimination mit Spaltenpivotisierung Grundlagen der Numerik 91
27 a) Wähle im k-ten Eliminationsschritt ein p {k,..., n}, so daß a (k) pk a(k) jk für j = k,..., n, d.h. die p-te Zeile wird Pivotzeile. A (k) = a (1) 11 a (1) 1,k 1 a (1) 1k a (1) 1n a (k 1) k 1,k 1 a (k 1) k 1,k a(k 1) k 1,n a (k) kk a (k) kn.. a (k) pk a (k) pn.. a (k) nk a (k) nn Grundlagen der Numerik 92
28 b) Vertausche die Zeilen p und k A (k) à (k) mit ã (k) ij = a (k) kj, a (k) pj, a (k) ij, falls i = p falls i = k sonst Dann gilt l ik = ã(k) ik ã (k) kk = ã (k) ik a (k) pk 1 c) Führe den nächsten Eliminationsschritt angewandt auf à (k) aus: à (k) A (k+1) Grundlagen der Numerik 93
29 Cholesky-Verfahren Spezialfall: symmetrische, positiv definite Matrizen DEF.: Eine symmetrische Matrix A = A T R n,n heißt positiv definit, wenn x, Ax = x T Ax > 0 für alle x R n mit x 0 bezeich- Diese Matrizen werden abkürzend als spd-matrizen net. Bemerkung: Eine spd-matrix ist durch die n(n+1) 2 Elemente im unteren Dreieck i j gegenüber n 2 im allg. Fall festgelegt. Grundlagen der Numerik 94
30 Cholesky-Verfahren Frage: Wie kann man feststellen, ob A R n,n eine spd-matrix ist? Antwort: Eine symmetrische Matrix A ist genau dann positiv definit, wenn alle führenden Hauptminoren positiv sind, d.h. es gilt det a 11 a 1i.. > 0 für i = 1,..., n. a i1 a ii Grundlagen der Numerik 95
31 Cholesky-Verfahren SATZ: Für jede spd-matrix A existiert eine Zerlegung der Form A = LL T, (klassische Cholesky-Zerlegung) wobei L eine untere Dreiecksmatrix ist. Die Matrix L = (l ij ) kann aus der folgenden Darstellung berechnet werden: l 11 l 11 l n1 a 11 a n =.. l n1 l nn l nn a n1 a nn Grundlagen der Numerik 96
32 Cholesky-Verfahren Man erhält (betrachten nur unteres Dreieck) i = k : i > k : a kk = l 2 k1 + + l2 k,k 1 + l2 kk a ik = l i1 l k1 + + l i,k 1 l k,k 1 + l ik l kk Die Berechnung der Elemente von L erfolgt dann spaltenweise. Durch Auflösung der beiden Gleichung nach l kk bzw. l ik ergibt sich der folgende Algorithmus: Grundlagen der Numerik 97
33 Algorithmus: Klassisches Cholesky-Verfahren 1. vollsymmetrische Dreieckszerlegung for k := 1 to n l kk := a kk k 1 j=1 l2 kj for i := k + 1 to n do A = LL T LL T x = b 2. Lz = b z 3. L T x = z x l ik := (a ik k 1 j=1 l ijl kj )/l kk Grundlagen der Numerik 98
34 Cholesky-Verfahren Rechenaufwand: 1 6 n3 opms + n Quadratwurzeln Vergleich: Gauß-Verfahren für allgemeine Matrizen: 1 3 n3 opms, d.h. Aufwand reduziert sich auf die Hälfte. Grundlagen der Numerik 99
35 Iterationsverfahren Ax = b, A R n,n, b R n, A regulär Bisher: Direkte Verfahren Gauß-Verfahren = LR-Zerlegung Cholesky-Verfahren für spd-matrizen = LL T -Zerlegung Lösung in endlich vielen Schritten, die Lösung ist in exakter Arithmetik exakt Aufwand ist O(n 3 ) Grundlagen der Numerik 100
36 Iterationsverfahren Beobachtung: Praktische Probleme häufig sehr groß (speziell Diskretisierung von Randwertproblemen partieller Differentialgleichungen) und schwach besetzt. Zur effektiven Lösung derartiger Probleme muß die Struktur ausgenutzt werden. Es gibt zwei Möglichkeiten: 1. Anwendung von sparse-matrix-techniken in direkten Verfahren. Basieren im wesentlichen auf Gauß-Algorithmus. 2. Iterative Verfahren zur Approximation der Lösung großer, strukturierter Systeme. Grundlagen der Numerik 101
37 Theoretische Grundlagen über Eigenwerte 1. Sei A R n,n. λ C ist Eigenwert von A, wenn Ax = λx für x 0. x ist der zugehörige Eigenvektor. Aus der Definition folgt (A λi)x = 0. Wegen x 0 ist das genau dann möglich, wenn det(a λi) = 0 (= charakteristisches Polynom). Charakteristisches Polynom ist vom Grad n, d.h., zu jeder Matrix A R n,n gibt es genau n Eigenwerte, die aber mehrfach und auch komplex sein können. 2. Der Spektralradius ρ der Matrix A ist das Maximum der Beträge der Eigenwerte von A: ρ(a) = max λ i. Grundlagen der Numerik 102
38 Fixpunktverfahren Jetzt: Betrachten Iterationsvorschrift zur Lösung von x k+1 = ϕ(x k ) k = 0, 1,... Ax = b, A R n,n, b R n, A nichtsingulär Ziel: Iterationsfunktion ϕ so konstruieren, daß sie genau einen Fixpunkt x besitzt, d.h. x = ϕ(x ) und dieser gerade die exakte Lösung x = x von Ax = b ist. Grundlagen der Numerik 103
39 Iterationsverfahren Konstruktionsidee: Zerlegung von A in A = B + (A B), B R n,n nichtsingulär Damit gilt Bx + (A B)x = b x = B 1 b B 1 (A B)x = (I B 1 A)x + B 1 b D.h., das LGS Ax = b ist äquivalent zur Fixpunktaufgabe x = (I B 1 A)x + B 1 b =: ϕ(x) Grundlagen der Numerik 104
40 Iterationsverfahren Iterationsverfahren: x 0 R n,n vorgegebener Startvektor x k+1 = (I B 1 A)x k + B 1 b, k = 0, 1,... Zugehörige Iterationsmatrix: I B 1 A Damit gilt es folgende Folge von LGS zu lösen: Bx k+1 = (B A)x k + b, k = 0, 1,... Grundlagen der Numerik 105
41 Iterationsverfahren Bemerkungen: 1. Iterationsverfahren der Form x k+1 = Mx k + v, k = 0, 1,... sind linear (x k+1 hängt linear von x k ab), stationär (M und v sind unabhängig von der Schrittnummer der Iteration) und einstufig (nur der letzte und nicht noch weitere Näherungsvektoren werden verwendet). 2. x k+1 erhält man durch Lösen eines linearen GS mit der Koeffizientenmatrix B. Das ergibt natürlich nur dann einen Vorteil gegenüber der ursprünglichen Aufgabe, wenn das neue System einfacher zu lösen ist B entsprechend wählen. Grundlagen der Numerik 106
42 Iterationsverfahren Ziel: Sei Ax = b. Dann lim x k = x, d.h. x k x 0 für k k SATZ: Das Fixpunktverfahren Bx k+1 = (B A)x k + b, B R n,n nichtsingulär (*) konvergiert genau dann für jeden Startvektor x 0 R n gegen die exakte Lösung x, wenn für den Spektralradius der Iterationsmatrix gilt ρ(i B 1 A) = max i λ i (I B 1 A) < 1 Grundlagen der Numerik 107
43 Iterationsverfahren Bemerkungen: 1. Konvergenzbedingung ρ(i B 1 A) < 1 ist sicher erfüllt, wenn in einer zugeordneten Matrixnorm gilt I B 1 A < 1 da für alle zugeordneten Matrixnormen ρ(m) M ist. hinreichendes Konvergenzkriterium, aber nicht notwendig 2. ρ(i B 1 A) sollte möglichst klein sein, da dadurch die Konvergenzgeschwindigkeit bestimmt wird. Grundlagen der Numerik 108
44 Iterationsverfahren: Richardson-Verfahren Ein erstes Verfahren: Richardson-Verfahren Setze B = I. Dann Eigenschaften: x k+1 = x k Ax k + b 1. Neue Näherung x k+1 ist leicht berechenbar. 2. Notwendiges und hinreichendes Konvergenzkriterium: ρ(b A) = ρ(i A) < 1 starke Einschränkung: Selbst wenn die Matrix A nur relle Eigenwerte besitzt, erfordert es 0 < λ i < 2 für alle Eigenwerte λ i von A. Grundlagen der Numerik 109
45 Spezielle Iterationsverfahren Ziel: Angabe konkreter Zerlegungen einer nichtsingulären Matrix A R n,n und Untersuchung der hieraus resultierenden wichtigsten Iterationsverfahren. Es sei sowie A L = A D = diag(a 11, a 22,..., a nn ), 0 a a 13 a 1n a a 23 a 2n....., A R = a a n1 a n,n 1 0 n 1,n Dann ist A = A L + A D + A R. Grundlagen der Numerik 110
46 Jacobi- oder Gesamtschrittverfahren (GSV) Setze: B = A D Das ergibt die Iterationsmatrix I B 1 A = I A 1 D (A D + A L + A R ) = A 1 D (A L + A R ) =: M GSV Das zugehörige Iterationsverfahren lautet x k+1 = A 1 D (A L + A R )x k + A 1 D b Grundlagen der Numerik 111
47 Jacobi- oder Gesamtschrittverfahren (GSV) Aus [A D x k+1 ] i = [(A L + A R )x k ] i + b i folgt die komponentenweise Iterationsvorschrift x k+1,i = 1 a ii b i n j=1 j i a ij x k,j, i = 1,..., n D.h.: Zur Berechnung der Iterierten x k+1,i einer Komponente des Vektors x k+1 werden alle Komponenten des vorangehenden iterierten Vektors x k benötigt. Das erklärt auch den Namen Gesamtschrittverfahren. Grundlagen der Numerik 112
48 Jacobi- oder Gesamtschrittverfahren (GSV) SATZ: Das GSV konvergiert für jeden Startvektor x 0 R n, wenn A zeilendiagonal-dominant, d.h. n j=1 j i oder spaltendiagonal-dominant, d.h. a ij < a ii, i = 1,..., n, (*) n i=1 i j a ij < a jj, j = 1,..., n, (**) ist. Grundlagen der Numerik 113
49 Jacobi- oder Gesamtschrittverfahren (GSV) Bemerkungen: 1. Hinreichend für die Konvergenz des GSV ist auch das starke Quadratsummenkriterium n n ( aij ) 2 < 1. i=1 j=1 j =i a ii 2. Die obigen Konvergenzkriterien sind nur hinreichend, d.h. Bedingung erfüllt Konvergenz Bedingung nicht erfüllt? Grundlagen der Numerik 114
50 Gauß-Seidel-Verfahren oder Einzelschrittverfahren (ESV) Setze: B = A D + A L Das ergibt die Iterationsmatrix I B 1 A = I (A D + A L ) 1 (A D + A L + A R ) = (A D + A L ) 1 A R =: M ESV Die Iterationsvorschrift lautet x k+1 = (A D + A L ) 1 A R x k + (A D + A L ) 1 b Grundlagen der Numerik 115
51 Gauß-Seidel-Verfahren oder Einzelschrittverfahren (ESV) Aus [(A D + A L )x k+1 ] i = [A R x k ] i + b i erhält man komponentenweise die Iterationsvorschrift x k+1,i = 1 i 1 n b i a ij x k+1,j a ij x k,j, i = 1(1)n a ii j=1 j=i+1 Bemerkung: Im Gegensatz zum GSV werden beim ESV die schon erhaltenen Werte x k+1,1,..., x k+1,i 1 sofort in die Iterationsvorschrift eingesetzt. I.allg. sind diese neuen Werte genauer als die der vorhergehenden Iterierten. Man erhofft dadurch eine schnellere Konvergenz. Grundlagen der Numerik 116
52 Konvergenzverhalten von ESV und GSV Frage: Wann konvergiert das ESV? Vergleich der Konvergenzgeschwindigkeit von ESV und GSV? SATZ: Das ESV ist konvergent, wenn A zeilendiagonal- oder spaltendiagonal-dominant ist. Die Konvergenz ist dann asymptotisch mindestens so schnell wie beim GSV. SATZ: Das ESV konvergiert für jede spd-matrix A. Bemerkung: Es gibt Fälle, in denen das GSV konvergiert und das ESV nicht, und umgekehrt. Grundlagen der Numerik 117
53 Beispiel: Sei Dann gilt M GSV = Man erhält A = und M ESV = ρ(m GSV ) = 0 und ρ(m ESV ) = 2(1 + 2), d.h., das GSV ist konvergent, aber das ESV ist divergent. Grundlagen der Numerik 118
Iterative 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
MehrKapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,...,255}, n = 1,...,N, m = 1,...,M. dig. Camera Realisierung
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrKapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 21 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,,255}, n = 1,,N, m = 1,,M dig Camera Realisierung von B η ist
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 11 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 2010 Prof. Dr. Klaus Höllig
Mehr3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
MehrNumerische Mathematik für Ingenieure (SoSe 2013)
Numerische Mathematik für Ingenieure (SoSe 2013) PD Dr(USA) Maria Charina Auszüge aus Vorlesungsfolien von Prof Joachim Stöckler werden verwendet Für die Bereitstellung dieses Materials und der Tex-Files
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrBegleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik
MehrLineare Gleichungssysteme: direkte Verfahren
Sechste Vorlesung, 24. April 2008, Inhalt Lineare Gleichungssysteme: direkte Verfahren Dreiecksmatrizen Gauß-Elimination LR-Zerlegung Anwendungen: Determinante, Inverse 1 Lösungsverfahren für lineare Gleichungssysteme
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrIn diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen.
Kapitel 4 Lineare Gleichungssysteme 4 Problemstellung und Einführung In diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen Lineares Gleichungssystem: Gesucht ist
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
Mehr5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme Als zweite Hauptanwendung des Banachschen Fixpunktsatzes besprechen wir in diesem Kapitel die iterative Lösung linearer Gleichungssysteme. Die
MehrIterative Lösung Linearer Gleichungssysteme
Iterative Lösung Linearer Gleichungssysteme E. Olszewski, H. Röck, M. Watzl 1. Jänner 00 E. Olszewski, H. Röck, M. Watzl: WAP (WS 01/0) 1 Vorwort C.F.Gauß in einem Brief vom 6.1.18 an Gerling:
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.
MehrBeginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 6. Vorlesung 170004 Numerische Methoden I Clemens Brand 25. März 2010 Nachträge Gliederung Nachträge it Nachträge Wichtige Begriffe Eine Zusammenfassung der Folien 8 16 der letzten
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrNichtlineare Gleichungssysteme
Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei
Mehr2 Lineare Gleichungssysteme
Höhere Ableitungen Interpolationsbedingungen d k Φ dx k (x j) = y (k) j, ( j =,,..., n; k =,,..., c j ) bestimmen das Hermite Interpolationspolynom Φ Π r mit r + = n ( + c j ). j= 2 Lineare Gleichungssysteme
Mehr2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Wir betrachten das lineare Gleichungssystem Ax = b mit der n n-koeffizientenmatrix A und der rechten Seite b R n. Wir leiten zuerst eine Variante des Gauss-Algorithmus (LR-Zerlegung)
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrKapitel 2: Lineare Gleichungssysteme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 2: Lineare Gleichungssysteme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 205 HM: Numerik (SS 205), Kapitel
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
MehrNumerisches Rechnen. (für Informatiker) M. Grepl J. Berger & J.T. Frings. Institut für Geometrie und Praktische Mathematik RWTH Aachen
(für Informatiker) M. Grepl J. Berger & J.T. Frings Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2010/11 Problemstellung Lineare Gleichungssysteme, iterative Verfahren geg.:
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrCramersche Regel. Satz 2.26
ramersche Regel Satz 6 Es sei A R n n eine quadratische Matrix mit det(a) 6= Für das LGS Ax = b sei A j := (a,,a j, b, a j+,,a n ), also die Matrix, die entsteht, wenn in A die j-te Spalte durch den Vektor
MehrLineare Gleichungssysteme, LR-Zerlegung
Prof Thomas Richter 2 Juni 27 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomasrichter@ovgude Material zur Vorlesung Algorithmische Mathematik II am 22627 Lineare Gleichungssysteme,
MehrLineare Iterationsverfahren: Definitionen
Lineare Iterationsverfahren: Definitionen 1. Ein Lösungsverfahren zur Berechnung von Ax = b heißt iterativ, falls ausgehend von einem Startwert x eine Folge x k von Iterierten bestimmt wird. 2. Ein Iterationsverfahren
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 17114 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus Achtung: Durchführbarkeit nur bei nichtverschwindenden
Mehr2. Direkte Verfahren zur Lösung. linearer Gleichungssysteme
2. Direkte Verfahren zur Lösung linearer Gleichungssysteme 1 Einleitung (1) Eine zentrale Rolle bei numerischen Berechnungen spielen lineare Gleichungssysteme Es sind die am häufigsten auftretenden numerischen
MehrKAPITEL 7. Berechnung von Eigenwerten. Av = λv
KAPITEL 7. Berechnung von Eigenwerten Aufgabe: Sei A R n n eine reelle quadratische Matrix. Gesucht λ C und v C n, v 0, die der Eigenwertgleichung Av = λv genügen. Die Zahl λ heißt Eigenwert und der Vektor
MehrKLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
Mehr38 Iterative Verfahren für lineare Gleichungssysteme
38 Iterative Verfahren für lineare Gleichungssysteme 38.1 Motivation Viele praktische Probleme führen auf sehr große lineare Gleichungssysteme, bei denen die Systemmatrix dünn besetzt ist, d. h. nur wenige
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrDirekte Verfahren für Lineare Gleichungssysteme
Kapitel 1 Direkte Verfahren für Lineare Gleichungssysteme 11 Einführung (mündlich) 12 Das Gaußsche Eliminationsverfahren Es sei A IK n n eine invertierbare Matrix und b IK n ein gegebener Vektor Gesucht
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
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!)
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrLR Zerlegung. Michael Sagraloff
LR Zerlegung Michael Sagraloff Beispiel eines linearen Gleichungssystems in der Ökonomie (Input-Output Analyse Wir nehmen an, dass es 3 Güter G, G, und G 3 gibt Dann entspricht der Eintrag a i,j der sogenannten
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
Mehr4 Determinanten. 4.1 Eigenschaften der Determinante. ME Lineare Algebra HT
ME Lineare Algebra HT 2008 86 4 Determinanten 4. Eigenschaften der Determinante Anstatt die Determinante als eine Funktion IC n n IC durch eine explizite Formel zu definieren, bringen wir zunächst eine
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 12 8. Juni 2010 Kapitel 10. Lineare Gleichungssysteme (Fortsetzung) Umformung auf obere Dreiecksgestalt Determinantenberechnung mit dem Gauß-Verfahren
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 5 Lineare
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
MehrOrthogonale Matrix. Definition 4.19
Orthogonale Matrix Ausgleichsprobleme sind häufig schlecht konditioniert. Matrix des Normalengleichungssystems kann nahezu singulär sein. Spezielle Matrixzerlegung für höhere numerische Stabilität: QR-Zerlegung
MehrRückwärts-Einsetzen. Bei einem linearen Gleichungssystem in oberer Dreiecksform, nacheinander bestimmt werden: r n,n x n = b n. = x n = b n /r n,n
Rückwärts-Einsetzen Bei einem linearen Gleichungssystem in oberer Dreiecksform, r 1,1 r 1,n x 1 b 1..... =., } 0 {{ r n,n } x n b n R mit det R = r 1,1 r n,n 0 können die Unbekannten x n,..., x 1 nacheinander
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 +
MehrLineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 3 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt:
MehrEINFÜHRUNG IN DIE NUMERISCHE MATHEMATIK II 1. Numerische Lineare Algebra. Prof. Dr. Hans Babovsky. Institut für Mathematik
EINFÜHRUNG IN DIE NUMERISCHE MATHEMATIK II 1 Numerische Lineare Algebra Prof. Dr. Hans Babovsky Institut für Mathematik Technische Universität Ilmenau 1 Version vom Sommer 2010 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrErweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
Mehr5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit
ME Lineare Algebra HT 2008 99 5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit 5.1 Ein Beispiel zur Motivation Als einfachstes Beispiel eines dynamischen Systems untersuchen wir folgendes Differentialgleichungssystem
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrNumerische Mathematik - Aufgaben Serie 1
Serie. Gesucht sei die Lösung des linearen Gleichungssystems (LGS) Ax = b mit ( ) ( ).78.563.7 A = und b =..93.659.54 Um einfach festzustellen, ob ein Vektor x Lösung des Systems ist, prüft man, ob der
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
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
MehrDeterminanten. I. Permutationen
Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch
MehrNumerische Mathematik für Ingenieure und Physiker
Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin
MehrPraktikumsbeispiele zum Lehrgebiet WR II, Numerische Mathematik und CAS Serie LGS. b 1 b 2... b n. n a ij x j = b i, i = 1, 2,..., n.
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: pb lgs.tex Praktikumsbeispiele zum Lehrgebiet WR II, Numerische Mathematik und CAS Serie
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrNumerische Mathematik
Michael Knorrenschild Mathematik-Studienhilfen Numerische Mathematik Eine beispielorientierte Einführung 5., aktualisierte Auflage Inhaltsverzeichnis 1 Rechnerarithmetik und Gleitpunktzahlen 9 1.1 Grundbegriffe
MehrLinear Systems and Least Squares
Linear Systems and Least Squares Vortragender: Gelin Jiofack Nguedong Betreuer: Prof. Dr. Joachim Weickert Proseminar: Matrixmethoden in Datenanalyse und Mustererkennung Wintersemester 2015/2016 18. November
MehrInstitut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf
Institut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf Praktikum im Sommersemester 2012 Programmierpraktikum numerische Algorithmen (P2E1) (Numerische Lösung der Wärmeleitungsgleichung)
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
MehrMatrizenoperationen mit FORTRAN
Kapitel 2 Matrizenoperationen mit FORTRAN 21 Grundlagen Bei vielen Anwendungen müssen große zusammenhängende Datenmengen gespeichert und verarbeitet werden Deshalb ist es sinnvoll, diese Daten nicht als
Mehr8. Vorlesung, 5. April Numerische Methoden I. Eigenwerte und Eigenvektoren
8. Vorlesung, 5. April 2017 170 004 Numerische Methoden I Eigenwerte und Eigenvektoren 1 Eigenwerte und Eigenvektoren Gegeben ist eine n n-matrix A. Gesucht sind ein vom Nullvektor verschiedener Vektor
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrEigenwertaufgaben. Heinrich Voss. TUHH Heinrich Voss Kapitel / 80.
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation TUHH Heinrich Voss Kapitel 6 2010 1 / 80 Wir betrachten in diesem Kapitel die numerische Behandlung
MehrKAPITEL 5. Nichtlineare Gleichungssysteme
KAPITEL 5. Nichtlineare Gleichungssysteme Beispiel 5.1. Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 mit gegenseitigem Abstand r: F = G m 1m 2 r 2, wobei G = 6.67 10 11 Nm 2 /kg. Gravitationsfeld
Mehr1.4 Stabilität der Gauß-Elimination
KAPIEL 1. LINEARE GLEICHUNGSSYSEME 18 1.4 Stabilität der Gauß-Elimination Bezeichne x die exakte Lösung von Ax = b bzw. ˆx die mit einem (zunächst beliebigen Algorithmus berechnete Näherungslösung (inklusive
Mehr6 Die Schursche Normalform und einige Klassen von Matrizen
ME Lineare Algebra HT 28 111 6 Die Schursche Normalform und einige Klassen von Matrizen 61 Die Schur-Normalform und Hauptvektoren Für nichtdiagonalisierbare Matrizen gibt es andere Normalformen: Jordan-
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
MehrDas Lösen linearer Gleichungssysteme
Das Lösen linearer Gleichungssysteme Lineare Gleichungen Die Gleichung a 1 x 1 + a 2 x 2 +... + a n x n = b ist eine lineare Gleichung in den n Variablen x 1, x 2,..., x n. Die Zahlen a 1, a 2,..., a n
Mehr