Numerik III trifft inverse Probleme
|
|
- Miriam Steinmann
- vor 6 Jahren
- Abrufe
Transkript
1 Numerik III trifft inverse Probleme Michael Hönig Heinrich-Heine-Universität Düsseldorf Bad Neuenahr-Ahrweiler, Juli 2009
2 Inverse Probleme Schließen von einer beobachteten Wirkung auf deren Ursache
3 Beispiel: Computertomographie gemessen: Abminderung von Röntgenstrahlung (Wirkung) gesucht: Dichteverteilung im Körper (Ursache)
4 Impedanztomographie gemessen: Spannungsverteilung an der Oberfläche (Wirkung) gesucht: elektrischer Widerstand der Organe (Ursache)
5 Mathematisches Modell der EIT div (σ u) = 0, σ u n = j, ind auf D direktes Problem bestimme u für gegebenes j, σ inverses Problem bestimme σ auf D für j und u gegeben auf D
6 Lineare, schlecht gestellte Probleme X, Y Hilbert-Räume A : X Y linear, kompakt und stetig gesucht: kleinste Quadrate-Lösung von Ax = y also x + = A + y, A + Pseudoinverse, x + Lösung der Normalengleichung A Ax = A y Singulärwertzerlegung Ax = σ j x, v j X u j, A + y = j=1 j=1 σ 1 j y, u j Y v j, für y D(A + )
7 Regularisierung linearer Probleme statt Ax = y mit y R(A) hat man nur verrauschte Daten Au = y δ, y y δ Y δ Lösung u = A + y δ = j=1 σ 1 j y δ, u j Y v j, Fehler in Richtung u j werden mit Faktor σ 1 j Regularisierung notwendig verstärkt
8 Regularisierungsverfahren Definition {R t } t>0 Familie stetiger Operatoren R t : Y X α : (0, ) Y (0, ) stetig Gilt im Grenzübergang δ 0 sup { x + R α(δ,y δ )y δ X : y δ Y, y y δ Y δ } 0, dann heißt ({R t } t>0, α) Regularisierungsverfahren α Regularisierungsparameter
9 Konvergenz für δ 0 Satz Es gibt keine Funktion h mit h(δ) 0, δ 0, so dass sup { x + R α(δ,y δ )y δ X : y δ Y, y y δ Y δ } h(δ) Konvergenzraten nur unter gewissen Voraussetzungen möglich
10 Konvergenz für δ 0 Satz Es gibt keine Funktion h mit h(δ) 0, δ 0, so dass sup { x + R α(δ,y δ )y δ X : y δ Y, y y δ Y δ } h(δ) Konvergenzraten nur unter gewissen Voraussetzungen möglich
11 Schlimmster Fehler Teilmenge M X E(δ, M, R) := sup { A + y Ry δ X : y δ Y, y y δ Y δ, A + y M } ein Verfahren R opt mit E(δ, M, R opt ) = E(δ, M) := inf E(δ, M, R) R heißt optimal und es gilt die untere Schranke E(δ, M) sup { x X : x M, Ax Y δ } =: e(δ, M)
12 Schlimmster Fehler Teilmenge M X E(δ, M, R) := sup { A + y Ry δ X : y δ Y, y y δ Y δ, A + y M } ein Verfahren R opt mit E(δ, M, R opt ) = E(δ, M) := inf E(δ, M, R) R heißt optimal und es gilt die untere Schranke E(δ, M) sup { x X : x M, Ax Y δ } =: e(δ, M)
13 Schlimmster Fehler Teilmenge M X E(δ, M, R) := sup { A + y Ry δ X : y δ Y, y y δ Y δ, A + y M } ein Verfahren R opt mit E(δ, M, R opt ) = E(δ, M) := inf E(δ, M, R) R heißt optimal und es gilt die untere Schranke E(δ, M) sup { x X : x M, Ax Y δ } =: e(δ, M)
14 Was kann man erreichen? Betrachte dann gilt M = X γ,ρ = { (A A) γ z : z X ρ } e(δ, X γ,ρ ) δ 2γ 2γ+1 ρ 1 2γ+1 und ein Verfahren heißt optimal, falls E(δ, X γ,ρ ) C γ δ 2γ 2γ+1 ρ 1 2γ+1 Ziel Verfahren konstruieren, die mit optimaler Rate konvergieren
15 Was kann man erreichen? Betrachte dann gilt M = X γ,ρ = { (A A) γ z : z X ρ } e(δ, X γ,ρ ) δ 2γ 2γ+1 ρ 1 2γ+1 und ein Verfahren heißt optimal, falls E(δ, X γ,ρ ) C γ δ 2γ 2γ+1 ρ 1 2γ+1 Ziel Verfahren konstruieren, die mit optimaler Rate konvergieren
16 Gängige Verfahren abgeschnittene Singulärwertzerlegung Landweber-Verfahren u n+1 = u n + A (y δ Au n ), für n = 0, 1, 2,.... Tikhonov-Phillips-Regularisierung Ax y δ 2 Y + t x 2 X asymptotische Regularisierung! = min d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0.
17 Gängige Verfahren abgeschnittene Singulärwertzerlegung Landweber-Verfahren u n+1 = u n + A (y δ Au n ), für n = 0, 1, 2,.... Tikhonov-Phillips-Regularisierung Ax y δ 2 Y + t x 2 X asymptotische Regularisierung! = min d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0.
18 Gängige Verfahren abgeschnittene Singulärwertzerlegung Landweber-Verfahren u n+1 = u n + A (y δ Au n ), für n = 0, 1, 2,.... Tikhonov-Phillips-Regularisierung Ax y δ 2 Y + t x 2 X asymptotische Regularisierung! = min d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0.
19 Gängige Verfahren abgeschnittene Singulärwertzerlegung Landweber-Verfahren u n+1 = u n + A (y δ Au n ), für n = 0, 1, 2,.... Tikhonov-Phillips-Regularisierung Ax y δ 2 Y + t x 2 X asymptotische Regularisierung! = min d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0.
20 Allgemeiner Ansatz Definition Gilt für alle λ (0, A 2 ] G t : [0, A 2 ] R Familie stückweise stetiger Funktionen λg t (λ) C lim t G t (λ) = 1 λ Dann heißt {G t } t>0 regularisierender Filter (für A).
21 Gängige Filter abgeschnittene Singulärwertzerlegung { 1/λ, λ 1 G t (λ) = t, 0, λ < 1 t. relaxiertes Landweber-Verfahren 1 (1 ωλ)m G m (λ) = λ Tikhonov-Phillips-Regularisierung G t (λ) = asymptotische Regularisierung t 1 + λt. G t (λ) = tϕ( λt).
22 Gängige Filter abgeschnittene Singulärwertzerlegung { 1/λ, λ 1 G t (λ) = t, 0, λ < 1 t. relaxiertes Landweber-Verfahren 1 (1 ωλ)m G m (λ) = λ Tikhonov-Phillips-Regularisierung G t (λ) = asymptotische Regularisierung t 1 + λt. G t (λ) = tϕ( λt).
23 Gängige Filter abgeschnittene Singulärwertzerlegung { 1/λ, λ 1 G t (λ) = t, 0, λ < 1 t. relaxiertes Landweber-Verfahren 1 (1 ωλ)m G m (λ) = λ Tikhonov-Phillips-Regularisierung G t (λ) = asymptotische Regularisierung t 1 + λt. G t (λ) = tϕ( λt).
24 Gängige Filter abgeschnittene Singulärwertzerlegung { 1/λ, λ 1 G t (λ) = t, 0, λ < 1 t. relaxiertes Landweber-Verfahren 1 (1 ωλ)m G m (λ) = λ Tikhonov-Phillips-Regularisierung G t (λ) = asymptotische Regularisierung t 1 + λt. G t (λ) = tϕ( λt).
25 Parameterwahl Definition {t k } k N monoton wachsend, t k τ > 1 Bestimme k so, dass AR tk y δ y δ Y τδ < AR ti y δ y δ Y für i = 1,..., k 1. Die Parameterwahl α(δ, y δ ) = α(δ, y δ, τ) := t k heißt Diskrepanzprinzip (von Morozov).
26 Konvergenz im linearen Fall Satz {G t } t>0 regularisierender Filter mit Qualifikation µ 0 > 1/2 G t (λ) Ct für t Parameterwahl laut Diskrepanzprinzip τ > S p := sup { 1 λg t (λ) : t > 0, 0 λ A 2} 1. Dann ist ( {R t }, α ) mit R t = G t (A A)A ein ordnungsoptimales Regularisierungsverfahren für A + bzgl. X µ,ϱ für alle µ ]0, µ 0 1/2].
27 Filter vs. Integrator asymptotische Regularisierung d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0. expliziter Euler impliziter Euler exponentieller Euler
28 Filter vs. Integrator asymptotische Regularisierung d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0. expliziter Euler u n+1 = u n + h n A (y δ Au n ) impliziter Euler exponentieller Euler
29 Filter vs. Integrator asymptotische Regularisierung d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0. expliziter Euler Landweber u n+1 = u n + h n A (y δ Au n ) impliziter Euler exponentieller Euler
30 Filter vs. Integrator asymptotische Regularisierung d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0. expliziter Euler Landweber impliziter Euler u n+1 = u n + h n A (y δ Au n+1 ) exponentieller Euler
31 Filter vs. Integrator asymptotische Regularisierung d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0. expliziter Euler Landweber impliziter Euler (iteriertes) Tikhonov-Phillips (I + h n A A)u n+1 = u n + h n A y δ exponentieller Euler
32 Filter vs. Integrator asymptotische Regularisierung d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0. expliziter Euler Landweber impliziter Euler (iteriertes) Tikhonov-Phillips exponentieller Euler u n+1 = u n + h n ϕ( h n A A)A (y δ Au n )
33 Filter vs. Integrator asymptotische Regularisierung d dt u(t) = A ( y δ Au(t) ), für t > 0, u(0) = 0. expliziter Euler Landweber impliziter Euler (iteriertes) Tikhonov-Phillips exponentieller Euler asympt. Regu.
34 Nichtlineare Probleme F : D(F ) X Y stetig und Fréchet-differenzierbar F(x) = y 1. Problem schlecht gestellt Lösung nicht lokal eindeutig Lösung hängt nicht stetig von den Daten ab 2. gesucht: x 0 -Minumum-Norm Lösung x + 3. nur gestörte Daten y δ Y, y y δ Y δ verfügbar Regularisierung notwendig
35 Nichtlineare Probleme F : D(F ) X Y stetig und Fréchet-differenzierbar F(x) = y 1. Problem schlecht gestellt Lösung nicht lokal eindeutig Lösung hängt nicht stetig von den Daten ab 2. gesucht: x 0 -Minumum-Norm Lösung x + 3. nur gestörte Daten y δ Y, y y δ Y δ verfügbar Regularisierung notwendig
36 Konvergenz bekannter Verfahren u n+1 = u n + A ( n y δ F (u n ) ) Landweber: Hanke, Neubauer, Scherzer 1995, Konvergenz + Ordnungsoptimalität Levenberg-Marquardt: Hanke 1997, Konvergenz (inexakte) Newton-Verfahren: Rieder 1999 Konvergenz + fast Ordnungsoptimalität iterativ regularisierte Verfahren: Jin, Tautenhahn 2008 Konvergenz + Ordnungsoptimalität asymptotische Regularisierung: Tautenhahn 1994 Konvergenz + Ordnungsoptimalität A n = F (u n ), J n = A na n
37 Konvergenz bekannter Verfahren u n+1 = u n + h n (I + h n J n ) 1 A ( n y δ F (u n ) ) Landweber: Hanke, Neubauer, Scherzer 1995, Konvergenz + Ordnungsoptimalität Levenberg-Marquardt: Hanke 1997, Konvergenz (inexakte) Newton-Verfahren: Rieder 1999 Konvergenz + fast Ordnungsoptimalität iterativ regularisierte Verfahren: Jin, Tautenhahn 2008 Konvergenz + Ordnungsoptimalität asymptotische Regularisierung: Tautenhahn 1994 Konvergenz + Ordnungsoptimalität A n = F (u n ), J n = A na n
38 Konvergenz bekannter Verfahren u n+1 = u n + h n ϕ( h n J n )A ( n y δ F(u n ) ) Landweber: Hanke, Neubauer, Scherzer 1995, Konvergenz + Ordnungsoptimalität Levenberg-Marquardt: Hanke 1997, Konvergenz (inexakte) Newton-Verfahren: Rieder 1999 Konvergenz + fast Ordnungsoptimalität iterativ regularisierte Verfahren: Jin, Tautenhahn 2008 Konvergenz + Ordnungsoptimalität asymptotische Regularisierung: Tautenhahn 1994 Konvergenz + Ordnungsoptimalität A n = F (u n ), J n = A na n
39 Konvergenz bekannter Verfahren u n+1 = u 0 + h n ϕ( h n J n )A ( n y δ F(u n ) + A n (u n u 0 ) ) Landweber: Hanke, Neubauer, Scherzer 1995, Konvergenz + Ordnungsoptimalität Levenberg-Marquardt: Hanke 1997, Konvergenz (inexakte) Newton-Verfahren: Rieder 1999 Konvergenz + fast Ordnungsoptimalität iterativ regularisierte Verfahren: Jin, Tautenhahn 2008 Konvergenz + Ordnungsoptimalität asymptotische Regularisierung: Tautenhahn 1994 Konvergenz + Ordnungsoptimalität A n = F (u n ), J n = A na n
40 Konvergenz bekannter Verfahren u(t) = F (u(t)) ( y δ F(u(t)) ) Landweber: Hanke, Neubauer, Scherzer 1995, Konvergenz + Ordnungsoptimalität Levenberg-Marquardt: Hanke 1997, Konvergenz (inexakte) Newton-Verfahren: Rieder 1999 Konvergenz + fast Ordnungsoptimalität iterativ regularisierte Verfahren: Jin, Tautenhahn 2008 Konvergenz + Ordnungsoptimalität asymptotische Regularisierung: Tautenhahn 1994 Konvergenz + Ordnungsoptimalität A n = F (u n ), J n = A na n
41 Showalter-Regularisierung nichtlineares Problem (exakt gestört) F (x) = y, F (u) = y δ, y y δ Y δ Dgl. für u = u(t) = u δ (t) u = F (u) ( y δ F (u) ) =: G(u) Zeitintegrator Regularisierungsverfahren u n+1 = u n + h n ϕ( h n J n )G(u n ) u(t n+1 ), t n+1 = t n + h n J n = F (u n ) F (u n ) G (u n ) ϕ geeignete Funktion (Filter), heute: ϕ(x) = (1 x) 1 h n Schrittweite, t n Regularisierungsparameter
42 Parameterwahl Diskrepanzprinzip Wähle τ > 1. stetiger Fall (Tautenhahn) F (u(t )) y δ Y τδ < F (u(t)) y δ Y für 0 t < t diskreter Fall F (u n ) y δ Y τδ < F (un ) y δ Y für alle n < n.
43 Konvergenzraten Annahmen (1) Quellbedingung: es existieren γ (0, 1/2] und w mit x 0 x + = J γ + w, w X ρ, J + := F (x + ) F (x + ) (2) Forderung an die Ableitung F (x) = R(x, x)f ( x) R(x, x) I C+ x x X, x, x B r (x + ) (3) o.b.d.a. F (x) 1, x B r (x 0 ) vgl. Hanke, Neubauer, Scherzer 1995; Tautenhahn 1994
44 Konvergenzraten stetiger Fall Satz (Tautenhahn 1994) Es existiert eine Konstante c = c(γ, τ, η) so, dass der Fehler e(t ) = u(t ) x + für ρ klein genug Beweisskizze e(t ) cρ 1/(2γ+1) δ 2γ/(2γ+1) VdK Formel für die exakte Lösung: t e(t) = e tj+ e(0) t 0 e (t s)j+ A +(y δ y)ds e (t s)j+ r(s)ds
45 Fortsetzung Beweisskizze Notation: ε(t) = e(t) X, α(t) = A + e(t) Y Zeige ρ ε(t) (1 + t) γ + t/2δ + c 1 α(t) Schließe daraus ρ (1 + t) γ+1/2 + δ + c 1 t 0 t 0 ε(s)α(s) 1 + t s ds, ε(s)α(s) (1 + t s) ds. ρ ε(t) c (1 + t) γ, α(t) c ρ (1 + t) γ+1/2.
46 Konvergenzraten diskreter Fall Satz Erfüllen die Schrittweiten h 0 c 0 h j c h t j dann existiert eine Konstante c so, dass u n x + X cρ 1/(2γ+1) δ 2γ/(2γ+1)
47 Abklingverhalten Satz Für genügend kleines ρ existiert eine Konstante C = C (τ, η, C R, c 0, c h, γ, r), so dass für n < n ρ e n C (1 + t n ) γ, ρ A + e n C (1 + t n ) γ+1/2.
48 Diskrete VdK-Formel Lemma Es gilt mit e n+1 = Φ n,+ e n + h n A + Φ n,+ (r n + y δ y) r n = F + F (u n ) + A + e n + Ferner existiert eine Konstante C 1, so dass (R n I + ( R n R n) Φ n h n K n ) F δ n. r n C 1 e n A + e n. A + = F (x + ), K n = A n A n, Φ n = (I + h n K n ) 1
49 Beweis der Konvergenzraten Diskrete VdK-Formel für e n = u n x + e n = n 1 j=0 n 1 A + e n = A + j=0 n 1 Φ j,+ e 0 + h j A + j=0 n 1 Φ j,+ e 0 + j=0 n 1 k=j n 1 h j K + k=j Φ k,+ (r j + y δ y) Φ k,+ (r j + y δ y) A + = F (x + ), K + = A + A +
50 Zeige n 1 ρ e n (1 + t n ) γ + 2 ej A+ e j t n δ + c 1 h j 1 + tn t j j=0 n 1 ρ A + e n (1 + t n ) γ+1/2 + δ + c ej A+ e j 2 h j 1 + t n t j Schließe mit Induktion daraus j=0 ρ e n X c (1 + t n ) γ, A ρ +e n Y c (1 + t n ) γ+1/2.
51 Abschätzung der (Riemann-)Summen f tn f tn t 0 t n t
52 Parameteridentifikation in einer PDGl Rekonstruktion von x aus bei verrauschten Daten y δ. Exakte Lösung: y + xy = f in Ω = [0, 1] 2, y = g auf Ω x + (ξ, η) = 1.5 sin(2πξ) sin(3πη)+3 ( (ξ 0.5) 2 + (η 0.5) 2) +2 x 0 so gewählt, dass Quellbedingung mit γ = 1 2 erfüllt ist. Rieder 1999
53 Parameteridentifikation in einer PDGl Exakter Koeffizient x + (links) und Rekonstruktion u n durch das exponentielle Euler-Verfahren. Rauschpegel: δ = 10 3, Relativer Fehler: 3%
54 Relative Fehler / Rechenzeit als Fktn. von δ δ exponentielles Euler-Verfahren, Newton-CGNE iterative Regularisierung mit exponentiellem Euler iterativ regularisiertes Gauss-Newton-Verfahren
55 Beispiel II: Grundwasserhydrologie Rekonstruktion von x aus div(x grad y) = f in Ω = [0, 6] 2, y = g auf Ω mit gemischten Dirichlet-Neumann-Randbedingungen: y(ξ, 0) = 100, y ξ (6, η) = 0, (xy ξ )(0, η) = 500, y η (ξ, 6) = 0. Hanke 1997
56 Ergebnisse (exponentieller Euler) exakter Koeffizient x + (links) Rekonstruktion u n Rauschpegel: δ = 10 3/2 Relativer Fehler: 39%.
57 Relative Fehler / Rechenzeit als Fktn. von δ exponentielles Euler-Verfahren Newton-CGNE
58 Literatur M. Hochbruck, M. Hönig und A. Ostermann. Regularization of nonlinear ill-posed problems by exponential integrators. M2NA, M. Hochbruck, M. Hönig und A. Ostermann. A convergence analysis of the exponential Euler iteration for nonlinear ill-posed problems. Inverse Problems, M. Hochbruck und M. Hönig. On the convergence of a regularizing Levenberg-Marquardt scheme for nonlinear ill-posed problems. Numerische Mathematik, eingereicht 2009.
59 Fazit Vielen Dank für ein erfolgreiches Kompaktseminar
Beispiele. Grundlagen. Kompakte Operatoren. Regularisierungsoperatoren
Beispiele Grundlagen Kompakte Operatoren Regularisierungsoperatoren Transportgleichung Dierenzieren ( nx ) (f δ n ) (x) = f (x) + n cos, x [0, 1], δ Regularisierung!! Inverse Wärmeleitung Durc f (f δ n
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
MehrKapitel 4: Nichtlineare Nullstellenprobleme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 4: Nichtlineare Nullstellenprobleme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik (SS
Mehr4.2 Grenzwerte und Stetigkeit reeller Funktionen
4. Grenzwerte und Stetigkeit reeller Funktionen 73 4. Grenzwerte und Stetigkeit reeller Funktionen Definition 4.. Gegeben sei eine Funktion y = mit D(f). (i) Sei D(f). heißt stetig in, falls es für alle
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
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
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
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
Mehr18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
MehrRechenoperationen mit Folgen. Rekursion und Iteration.
Rechenoperationen mit Folgen. Die Menge aller Folgen in V bildet einen Vektorraum, V N, für den die Addition und skalare Multiplikation wie folgt definiert sind. (a n ) n N + (b n ) n N := (a n + b n )
MehrAbschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung
Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung Karl Worthmann Mathematisches Institut, Universität Bayreuth in Zusammenarbeit mit Lars Grüne gefördert vom DFG Schwerpunktprogramm
Mehr6. Iterationsverfahren. Fixpunktiteration. 6.Iterationsverfahren: Fixpunktiteration Numerisches Programmieren, Jürgen Bräckle page 1 of 16
6. Iterationsverfahren Fixpunktiteration Numerisches Programmieren, Jürgen Bräckle page 1 of 16 Beispiel: Ausbreitung eines Grippevirus in einem Kindergarten Zeitpunkt t 0 t 1 t 2 t 3 t 4 t 5 Anteil kranker
Mehr6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme
6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6.1 Nullstellen reeller Funktionen Bemerkung 6.1 (Problemstellung) geg.: f C[a, b] ges.: x [a, b] mit f(x ) = 0 Lösungstheorie f linear
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
Mehr6.8 Newton Verfahren und Varianten
6. Numerische Optimierung 6.8 Newton Verfahren und Varianten In den vorherigen Kapiteln haben wir grundlegende Gradienten-basierte Verfahren kennen gelernt, die man zur numerischen Optimierung von (unbeschränkten)
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.
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
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,
MehrEin neuer numerischer Ansatz zur L p -Regularisierung
Ein neuer numerischer Ansatz zur L p -Regularisierung Diplomarbeit vorgelegt von Frank Werner aus Hofgeismar angefertigt am Institut für Numerische und Angewandte Mathematik der Georg-August-Universität
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
Mehr12 Der Gaußsche Integralsatz
12. Der Gaußsche Integralsatz 1 12 Der Gaußsche Integralsatz Das Ziel dieses Abschnitts ist die folgende zentrale Aussage der mehrdimensionalen Analysis und der Theorie der partiellen Differentialgleichungen:
Mehr2. Vorlesung Partielle Differentialgleichungen
2. Vorlesung Partielle Differentialgleichungen Wolfgang Reichel Karlsruhe, 22. Oktober 204 Institut für Analysis KIT University of the State of Baden-Wuerttemberg and National Research Center of the Helmholtz
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
Mehr30 Die Gammafunktion und die Stirlingsche Formel
3 Die Gammafunktion und die Stirlingsche Formel 35 Charakterisierung der Gammafunktion 36 Darstellung der Gammafunktion 38 Beziehung zwischen der Gammafunktion und der Zetafunktion 3 Stirlingsche Formel
Mehr4.1 Motivation von Variationsmethoden Variationsmethoden im Sobolevraum Motivation von Variationsmethoden
Kapitel 4 Das Dirichlet Prinzip Bevor wir uns der Lösung von Randwertproblemen mithilfe der eben entwickelten Techniken zuwenden, wollen wir uns einer Idee zur Lösung widmen, die einige Elemente dieser
Mehr116 KAPITEL 15. INTEGRALSÄTZE
116 APITEL 15. INTEGRALSÄTZE Aufgabe 15.1.3 (Verschwinden des Integrales über eine partielle Ableitung) Es sei U R n offen, ϕ C 0 (U; R). Dann ist für j = 1,..., n U ϕ x j dλ n = 0. Wir erinnern an die
Mehr2. Numerische Verfahren für AWPe 2.1 Das Euler-Verfahren
2.1 Das Euler-Verfahren Wir betrachten das AWP y = f (t, y), y(t 0 ) = y 0. (AWP) Unter den Voraussetzungen von Satz 1.1 besitzt es eine eindeutige Lösung, sagen wir über dem Intervall I. Wir wollen diese
MehrFunktionsgrenzwerte, Stetigkeit
Funktionsgrenzwerte, Stetigkeit Häufig tauchen in der Mathematik Ausdrücke der Form lim f(x) auf. x x0 Derartigen Ausdrücken wollen wir jetzt eine präzise Bedeutung zuweisen. Definition. b = lim f(x) wenn
MehrZerstörungsfreie Materialprüfung
Zerstörungsfreie Materialprüfung Projekt 3 Andreas Neubauer Institut für Industriemathematik Johannes Kepler Universität Linz Teilnehmer: Bianca Brandl, Stefanie Hartl, Tobias Hermann, Jannik Hildebrandt,
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:
MehrDifferentialgleichungen und Hilberträume Sommersemester 2014 Übungsblatt 11
Institut für Analysis Prof. Dr. Wolfgang Reichel Dipl.-Math. Anton Verbitsky Aufgabe 1 Differentialgleichungen und Hilberträume Sommersemester 14 Übungsblatt 11 5 Punkte In dieser Aufgabe geht es um die
Mehr5 Numerische Iterationsverfahren
In diesem Kapitel besprechen wir numerische Iterationsverfahren (insbesondere Fixpunktverfahren) als eine weitere Lösungsmethode zur Lösung von linearen Gleichungssystemen (Kapitel 4) sowie zur Lösung
Mehr5 Die Picardschen Sätze
03 5 Die Picardschen Sätze Für eine zweimal stetig differenzierbare reell- oder komplexwertige Funktion f auf einem Gebiet G C ist der Laplace-Operator definiert durch Behauptung: = 4 Beweis: Daraus folgt:
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
MehrMusterlösung. TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Probeklausur Mathematik 4 für Physik (Analysis 3) I...
................ Note I II Name Vorname Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 3 Unterschrift der Kandidatin/des Kandidaten 4 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
Mehrµ( k= U j,k \K j,k ) µ(u j,k \K j,k ) < 2 j ε. µ(u\k j ) < ε.
3.5. LUSIN, TITZE-URYSOHN UND RIESZ 7 3.5. Lusin, Titze-Urysohn und Riesz. Theorem 3.5. (Lusin). Sei f : X R messbar. Zu U X offen mit µ(u) < und ε > 0 gibt es ein kompaktes K U, so dass gilt: () f K stetig,
MehrNun zeigen wir: wie kann man durch eine Liftung eine neue Unterlösung konstruieren.
56 SS2016 Definition 6.17 (Unterlösung,Oberlösung). Ω R n seieingebietleinelliptischeroperator wie in Bedingung 6.1. Seien a i j, b i c stetig mit c 0 in Ω. Sei f stetig in Ω. Eine Funktion u C(Ω) heißt
MehrGlobale Newton Verfahren
Betrachten: System von n nichtlinearen Gleichungen: F : D R n, F C 1 D Gesucht: x D, sodass F x =0. Vorher: Bedingungen für Startwert wie z.b. x x 0 2 / garantieren die Konvergenz des lokalen Newton-Verfahrens
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
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
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,
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
MehrVF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
Mehr4.4 Umkehrfunktion 77. Sei o.b.d.a. f(a) > 0 und f(b) < 0, setzen M = {y [a, b] mit f(x) > 0 für alle x [a, y]}
. Umkehrfunktion 77 B e w e i s : Sei o.b.d.a. fa) > und fb) für alle [a, y] M a M), M beschränkt y b) Aiom V ξ [a, b] : ξ sup M fa) f) n.z.z. : i) fξ) ii) ξ a, b) zu i):
Mehr39 Differenzierbare Funktionen und Kettenregel
192 VI. Differentialrechnung in mehreren Veränderlichen 39 Differenzierbare Funktionen und Kettenregel Lernziele: Konzepte: totale Ableitungen, Gradienten, Richtungsableitungen, Tangentenvektoren Resultate:
MehrLösungsvorschlag Klausur MA9802
Lehrstuhl für Numerische Mathematik Garching, den 3.8.22 Prof. Dr. Herbert Egger Dr. Matthias Schlottbom Lösungsvorschlag Klausur MA982 Aufgabe [3 + 3 Punkte] Berechnen Sie, falls existent, die folgenden
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
MehrFinite Elemente. bzw. F + E K = 1. (1)
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 25 Finite Elemente Übung 2 Aufgabe 6 (Eulerscher Polyedersatz für Triangulierung)
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
Mehr10 Aus der Analysis. Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit
10 Aus der Analysis Themen: Konvergenz von Zahlenfolgen Unendliche Reihen Stetigkeit Differenzierbarkeit Zahlenfolgen Ein unendliche Folge reeller Zahlen heißt Zahlenfolge. Im Beispiel 2, 3, 2, 2 2, 2
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik 4 Punkte Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen hinschreiben. Es müssen
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehr2.10 Lokale Funktionsanalyse
2.1 Lokale Funktionsanalyse Aufgabe Gegeben sei die Abbildung g : R 2 R 2 mit g(x, y) : (x 3 yx, y). Man bestimme alle Mengen M k : {(ξ, η) R 2 g 1 (ξ, η) hat genau k Elemente}. Wie verhält g sich in der
MehrLösungsvorschlag zur Übungsklausur zur Analysis I
Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 13.1.016 Zwischenwertsatz und klassische Funktionen In diesem Abschnitt haben wir es mit Funktionen zu tun, die auf einem Intervall definiert sind. Eine Menge I R ist genau dann ein
Mehr2. Vorlesung Partielle Differentialgleichungen
2. Vorlesung Partielle Differentialgleichungen Wolfgang Reichel 2.Transatlantische Vorlesung aus Oaxaca, Mexiko, 20. Oktober 2010 Institut für Analysis KIT University of the State of Baden-Wuerttemberg
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrPartielle Differentialgleichungen
Partielle Differentialgleichungen Definition. Eine partielle Differentialgleichung ist eine Dgl., in der partielle Ableitungen einer gesuchten Funktion z = z(x 1, x 2,..., x n ) mehrerer unabhängiger Variabler
Mehr9 Höhere partielle Ableitungen und die Taylorformel
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 9 Höhere partielle Ableitungen und die Talorformel Definition 91 Sei U R n offen, f : U R m eine Funktion Dann heißt f 2-mal partiell differenzierbar,
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrNumerische Verfahren zur Lösung der Monge-Ampère-Gleichung
Verfahren zur Lösung der Monge-Ampère-Gleichung Yasemin Hafizogullari Institut für Geometrie und Praktische Mathematik RWTH Aachen Seminar zu aktuellen Themen der Numerik im Wintersemester 2010/2011 1
MehrRegularisierung in Bildrekonstruktion und Bildrestaurierung
Regularisierung in Bildrekonstruktion und Bildrestaurierung Ulli Wölfel 15. Februar 2002 1 Einleitung Gegeben seien Daten g(x, y), die Störungen enthalten. Gesucht ist das (unbekannte) Originalbild ohne
Mehr7. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof. Dr. Streicher Dr. Sergiy Nesenenko Pavol Safarik SS 2010 27.-31.05.10 7. Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G24 (Grundlegende Definitionen) Betrachten
MehrRegularisierung inverser Probleme
Moderne Methoden der Optimierung: Regularisierung inverser Probleme Prof. Dr. Bastian von Harrach Universität Stuttgart, Fachbereich Mathematik - IMNG Lehrstuhl für Optimierung und inverse Probleme Sommersemester
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
Mehrd(x, z) = z x = y x + z y y x + z y = d(x, y) + d(y, z). d(x, y) = 0, falls x = y.
Metrische Räume K bezeichnet entweder den Körper R oder den Körper C. Genauer bedeutet dies: K wird in denjenigen Situationen verwendet, in denen die Ersetzung von K sowohl durch R als auch durch C einen
MehrÜbungsaufgaben zur Vorlesung p-adische Differentialgleichungen SS 04 P. Schneider Blatt 1
P. Schneider Blatt 1 Aufgabe 1: Für ε 1 ist B ε (a) Nebenklasse eines Ideals in 0 zum Nebenklassenvertreter a. Aufgabe 2: Führe aus, weshalb in den Beispielen (A), (B), (C) der Vorlesung tatsächlich nichtarchimedische
MehrZiel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0.
6.4 Fixpunkt-Iteration Ziel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0. Möglichkeiten: Bisektionsverfahren (Intervallhalbierung) Newton-Verfahren, x k+1 = x k f(x k) f (x k ) für k = 0, 1,
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 8 Partielle
MehrDas Subgradientenverfahren
Das Subgradientenverfahren Seminar Optimierung WS 05/06 Betreuer: Prof. F. Jarre von Jalo Liljo Das Subgradientenverfahren Das Ziel dieses Vortrags ist die Berechnung einer Lösung des unrestringierten
Mehrbekannt Analog reduzieren wir die Randwerte im 2d-System. Man erhält dann eine Blocktridia-
3.. Jetzt: Eliminiere 1. und 2. wie folgt u 2 + 2u 1 = h 2 f 1 + α }{{} bekannt Nun: Au = b mit A R n,n, b R n, u R n und A hat die Gestalt 2 1 1 2 1 A =......... =: tridiag( 1, 2, 1)...... 1 1 2 Analog
MehrUniversität Ulm Abgabe: Mittwoch,
Universität Ulm Abgabe: Mittwoch, 8.5.23 Prof. Dr. W. Arendt Jochen Glück Sommersemester 23 Punktzahl: 36+4* Lösungen Halbgruppen und Evolutionsgleichungen: Blatt 2. Sei X ein Banachraum und (T (t)) t
Mehr1, 0 < y < x 2 0, sonst f besitzt alle Richtungsableitungen in (0, 0), ist aber unstetig dort
ANALYSIS II Lösung der. Klausur vom /7 (von D. Reding Aufgabe (a Richtig sind die Aussagen (iii, (iv und (vii. (b Gegenbeispiel zu (i: f: R R, (x, y x ist stetig, aber nicht partiell differenzierbar nach
MehrTheorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0.
Theorem 19 Sei (X 1,X 2 ) T ein normalverteilter Zufallsvektor. Dann gilt: λ U (X 1,X 2 ) = λ L (X 1,X 2 ) = 0. Korollar 2 Sei (X 1,X 2 ) T ein Zufallsvektor mit stetigen Randverteilungen und einer Gauss
Mehr10 Der Integralsatz von Gauß
10 Der Integralsatz von Gauß In diesem Abschnitt beweisen wir den Integralsatz von Gauß, die mehrdimensionale Verallgemeinerung des Hauptsatzes der Differential- und Integralrechnung. Aussage des Satzes
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
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..................................
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!)
MehrInverse Fourier Transformation
ETH Zürich HS 27 Departement Mathematik Seminararbeit Inverse Fourier Transformation Patricia Hinder Sandra König Oktober 27 Prof. M. Struwe Im Vortrag der letzten Woche haben wir gesehen, dass die Faltung
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
Mehr1. Zeta-Funktion und Euler-Produkt
. Zeta-Funktion und Euler-Produkt. Zeta-Funktion und Euler-Produkt.. Die Riemannsche Zeta-Funktion ist für s C mit Re s > definiert durch ζ(s) := n= n s. Traditionell schreibt man s = σ + it mit σ, t R.
MehrDas Trust-Region-Verfahren
Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein
Mehr6 Nichtlineare Ausgleichsrechnung
6 Nichtlineare Ausgleichsrechnung 6.1 Problemstellung Wie im Abschnitt 4.1 betrachten wir wieder die Aufgabe, aus gegebenen Daten (Messungen) b i, i =1,...,m, m>n, auf eine von gewissen unbekannten Parametern
MehrProseminar Mathematik. Ungleichungen I Betreuung: Natalia Grinberg. Karlsruher Institut für Technologie
Proseminar Mathematik Ungleichungen I 12.6.215 Betreuung: Natalia Grinberg Karlsruher Institut für Technologie Inhaltsverzeichnis 1 Young-Ungleichung 2 2 Hölder-Ungleichung 4 3 Minkowski-Ungleichung 5
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrFormelsammlung zum Starterstudium Mathematik
Formelsammlung zum Starterstudium Mathematik Universität des Saarlandes ¼ Version.3 Inhaltsverzeichnis. Potenzgesetze. Vollständige Induktion 3. Betragsgleichungen, Betragsungleichungen 4 4. Folgen und
MehrDIFFERENTIATION PARAMETERABHÄNGIGER INTEGRALE
DIFFERENTIATION PARAMETERABHÄNGIGER INTEGRALE Zusammenfassung. Ergänzend zur Übung vom 06.06.203 soll hier die Leibnizregel für die Differentiation parameterabhängiger Integrale formuliert und bewiesen
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
Mehr