Orthogonale Matrix. Definition 4.19
|
|
- Henriette Reuter
- vor 6 Jahren
- Abrufe
Transkript
1 Orthogonale Matrix Ausgleichsprobleme sind häufig schlecht konditioniert. Matrix des Normalengleichungssystems kann nahezu singulär sein. Spezielle Matrixzerlegung für höhere numerische Stabilität: QR-Zerlegung Definition 4.19 Es sei Q R n n eine quadratische Matrix. Gilt dann heißt Q orthogonal. Q 1 = Q T, Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
2 Beispiele orthogonaler Matrizen Beispiel 4.20 (i) Die Matrix Q = ( ist orthogonal. Sie beschreibt als lineare Abbildung eine Drehung um (ii) Die Verallgemeinerung der Matrix aus (i) ist ( ) cos α sin α R = sin α cos α Sie beschreibt eine Drehung um den Winkel α. (iii) Permutationsmatrizen sind orthogonal. ) Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
3 Eigenschaften orthogonaler Matrizen Satz 4.21 Es sei Q R n n eine orthogonale Matrix. Dann gilt: (i) Die Spaltenvektoren q (1), q (2),..., q (n) bilden eine orthonormale Basis des R n, d. h. die Vektoren q (1),..., q (n) sind linear unabhängig, Span(q (1),..., q (n) ) = R n, q (i) = 1 für i = 1,..., n und q (i), q (j) = 0 für i j. (ii) Q T ist auch orthogonal. (iii) Q entspricht einer längentreuen linearen Abbildung, d. h. Qx = x für alle x R n. (iv) det(q) = ±1 (v) Das Produkt Q R zweier orthogonaler Matrizen Q und R ist wieder orthogonal. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
4 QR-Zerlegung Definition 4.22 Es sei A R n m. Gilt A = QR (i) für eine Matrix Q R n m mit orthonormierten Spalten und eine obere Dreiecksmatrix R R m m, dann heißt diese Zerlegung reduzierte QR-Zerlegung. (ii) für eine Orthogonalmatrix Q R n n und eine Matrix R R n m mit oberer Dreiecksgestalt, dann heißt diese Zerlegung volle QR-Zerlegung. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
5 Bemerkungen zu Definition 4.22: (i) Q hat orthonormierte Spalten heißt { q (i), q (j) 1 für i = j = 0 für i j und 1 i, j m und q (i), q (j) R n. (ii) Obere Dreiecksgestalt bedeutet r i,j = 0 für i > j R =.... R n m Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
6 Eindeutigkeit der reduzierten QR-Zerlegung Satz 4.23 Sei A R n m mit r(a) = m n und seien Q 1 R 1 = A = Q 2 R 2 zwei reduzierte QR-Zerlegungen von A. Dann existiert eine Diagonalmatrix D R m m mit d ii ± 1 für alle i = 1,..., m, so dass gilt: Folgerung 4.24 Q 1 = Q 2 D und R 2 = DR 1 Es existiert genau eine QR-Zerlegung mit r ii > 0 für alle i = 1,..., m. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
7 QR-Zerlegung und Normalgleichungssystem Die Lösung eines linearen Ausgleichsproblems ergibt sich durch Lösung des Normalengleichungssystems A T Aλ = A T y. Sei nun A = QR eine reduzierte QR-Zerlegung. Wegen Q T Q = E folgt R T Rλ = R T Q T QRλ = A T Aλ = A T y = R T Q T y. Da R und damit auch R T regulär ist, ergibt sich Rλ = Q T y. Dieses Gleichungssystem können wir durch Rückwärtssubstitution lösen. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
8 Lösung von Aλ y mittels QR-Zerlegung Algorithmus Bestimme eine reduzierte QR-Zerlegung A = QR. 2 Setze c := Q T y. 3 Löse Rλ = c durch Rückwärtssubstitution. Bemerkung: Für n = m besteht kein Unterschied zwischen einer reduzierten und einer vollen QR-Zerlegung. In diesem Fall können wir eine QR-Zerlegung auch zur Lösung eines LGS verwenden. Dies wird aus Gründen der numerischen Stabilität auch verwendet. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
9 Gram-Schmidt-Orthogonalisierung Wir schauen uns A = QR näher an. a (1) a (2) a (m) = q (1) q (2) q (m) r 1,1 r 1,2 r 1,m r 2,2 r 2,m r m,m Dies ist äquivalent zu: a (1) = r 1,1 q (1) a (2) = r 1,2 q (1) + r 2,2 q (2). a (m) = r 1,m q (1) + r 2,m q (2) + + r m,m q (m) Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
10 In Kurzform: a (j) = j r i,j q (i) Hieraus können wir nun die q (j) und die r i,j induktiv herleiten. Für j = 1 ergibt sich: i=1 r 1,1 = ± a (1) und q (1) = 1 r 1,1 a (1) Sei nun j 2, sowie q (1),..., q (j 1) ein orthonormiertes System von Vektoren, so dass die ersten j 1 Gleichungen mit bekannten Zahlen r i,k, 1 i k j 1 erfüllt sind. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
11 Wir machen den Ansatz: Ausgleichsrechnung q (j) = 1 r j,j ( ) j 1 a (j) r i,j q (i) i=1 Da q (j) normiert sein soll, folgt j 1 r j,j = a(j) r i,j q (i) Die noch unbekannten r i,j für i < j ergeben sich aus der geforderdeten Orthogonalität: 0 = q (i), q (j) = 1 ( q (i), a (j) ) r i,j r j,j i=1 für alle i = 1,..., j 1. Damit folgt r i,j = q (i), a (j) Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
12 Gram-Schmidt-Verfahren Algorithmus 4.26 r 1,1 := a (1) q (1) := 1 r 1,1 a (1) for j := 2 to m do end q (j) := a (j) for i := 1 to j 1 do r i,j := q (i), a (j) end q (j) := q (j) r i,j q (i) r j,j := q (j) q (j) := 1 r j,j q (j) Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
13 Existenz der QR-Zerlegung In Folgerung 4.24 können wir aus Satz 4.23 nur die Eindeutigkeit der QR-Zerlegung herleiten, aber nicht deren Existenz. Das Gram-Schmidt-Verfahren liefert aber eine Konstruktion für eine QR-Zerlegung. Wenn wir zeigen können, dass dieser Algorithmus immer durchführbar ist, haben wir auch den Existenzbeweis. Das Gram-Schmidt-Verfahren kann nur durch r j,j = 0 scheitern. Wäre aber r j,j = 0, dann würde gelten. a (j) Span{q (1),..., q (j 1) } = Span{a (1),..., a (j 1) } Dies ist ein Widerspruch zur linearen Unabhängigkeit der Spaltenvektoren von A R n m, denn n. V. gilt r(a) = m. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
14 Modifiziertes Gram-Schmidt-Verfahren Wenn die Spalten von A nahezu linear abhängig sind, ist das Gram-Schmidt-Verfahren immer noch numerisch instabil. Die berechneten Vektoren q (j) sind also nicht orthogonal. Besser wird die Stabilität, wenn wir die Berechnung der r i,j ersetzen durch r i,j = q (i), q (j). Diese zum klassischen Gram-Schmidt-Verfahren äquivalente Methode heißt modifiziertes Gram-Schmidt-Verfahren. Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
15 Algorithmus 4.27 r 1,1 := a (1) q (1) := 1 r 1,1 a (1) for j := 2 to m do end q (j) := a (j) for i := 1 to j 1 do r i,j := q (i), q (j) end q (j) := q (j) r i,j q (i) r j,j := q (j) q (j) := 1 r j,j q (j) Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
16 Beispiel 4.28 Ausgleichsrechnung Wir lösen Beispiel 4.1 mittels Algorithmus Schritt 1: Wir berechnen eine QR-Zerlegung mit dem Gram-Schmidt-Verfahren. Es gilt A = und damit a (1) = 55 = r 1,1, sowie q (1) = Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
17 Fortsetzung Beispiel. Daraus ergibt sich Ausgleichsrechnung r 1,2 = q (1), a (2) = und für den Vektor q (2) vor der Normierung q (2) = a (2) r 1,2q (1) = Die Normierung von q (2) liefert r 2,2 = und 11 q (2) = Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384.
18 Fortsetzung Beispiel. Ausgleichsrechnung Schritt 2: Wir berechnen c = Q T y. ( q (1), y c = Q T y = q (2), y ) = ( ) Schritt 3: Wir lösen Rλ = c. ( ) ( λ1 λ 2 ) = ( ) Daraus ergibt sich λ 2 = λ 1 = λ 2 55 = = Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
19 Zusammenfasung Zusammenfassung Lineares Ausgleichsproblem: Finde eine Linearkombination f = m j=1 λ jf j von Funktionen, so dass das Fehlerfunktional E(f ) = n (y i f (x i )) 2 i=1 minimiert wird. Interpolation liefert i. d. R. keine befriedigende Lösung. Lösung des Ausgleichsproblems auf Basis des Normalgleichungssystems mittels Cholesky-Zerlegung. Numerisch stabiler: QR-Zerlegung Berechnung einer QR-Zerlegung mit dem (modifizierten) Gram-Schmidt-Verfahren Lösung für andere Fehlerfunktionale mittels linearer Programmierung Peter Becker (H-BRS) Big Data Mathematik Sommersemester / 384
Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
Mehr2 Lineare Gleichungssysteme
Beispiel.5: Funktion von Runge (V) Beispiel Martin-Luther-Universität Halle-Wittenberg, NWF III, Institut für Mathematik Martin Arnold: Grundkurs Numerische Mathematik (WiS 27/8) Abbildung.3: Interpolation
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrKAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren
KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrLösung des Kleinste-Quadrate-Problems
Lösung des Kleinste-Quadrate-Problems Computergestützte Statistik Lisakowski, Christof 15.05.2009 Lisakowski, Christof ()Lösung des Kleinste-Quadrate-Problems 15.05.2009 1 / 34 Themen 1 Problemstellung
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrGleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.
Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrHans Walser, [20090509a] Wurzeln aus Matrizen
Hans Walser, [0090509a] Wurzeln aus Matrizen 1 Worum es geht Zu einer gegebenen,-matri A suchen wir,-matrizen B mit der Eigenschaft: BB = B = A. Wir suchen also Quadratwurzeln der Matri A. Quadrieren Wenn
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
Mehr6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
MehrBerechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
MehrStabilität mittels Ljapunov Funktion
Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
MehrSO(2) und SO(3) Martin Schlederer. 06. Dezember 2012
SO(2) und SO(3) Martin Schlederer 06. Dezember 2012 Inhaltsverzeichnis 1 Motivation 2 2 Wiederholung 2 2.1 Spezielle Orthogonale Gruppe SO(n)..................... 2 2.2 Erzeuger.....................................
MehrAufgabe 1 (Excel) Anwendungssoftware 1 / 11 Semesterschlussprüfung 21.06.2004
Anwendungssoftware 1 / 11 Dauer der Prüfung: 90 Minuten. Es sind alle fünf Aufgaben mit allen Teilaufgaben zu lösen. Versuchen Sie, Ihre Lösungen soweit wie möglich direkt auf diese Aufgabenblätter zu
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach)
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00
MehrWortproblem für kontextfreie Grammatiken
Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrBeispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
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
MehrFotografie * Informatik * Mathematik * Computer-Algebra * Handreichung für Lehrer
BIKUBISCHE INTERPOLATION AM BEISPIEL DER DIGITALEN BILDBEARBEITUNG - AUFGABENSTELLUNG FÜR SCHÜLER Problem Bei Veränderung der Größe eines Digitalbildes sind entweder zuviel Pixel (Verkleinerung) oder zuwenig
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrSkript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge. Prof. Dr. R. Herzog. gehalten im SS2013 Technische Universität Chemnitz
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge Prof. Dr. R. Herzog gehalten im SS2013 Technische Universität Chemnitz Auszug aus den Studienordnungen zu den Ausbildungszielen der mit dieser
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
MehrHöhere Mathematik für Ingenieure IV. Volker John
Höhere Mathematik für Ingenieure IV Volker John Sommersemester 2007 Inhaltsverzeichnis I Weiterführende Integralrechung 2 1 Kurvenintegrale 3 11 Kurven 3 12 Skalares Kurvenintegral 4 13 Vektorielles Kurvenintegral
Mehr4. Kapitel 3D Engine Geometry
15.11.2007 Mathematics for 3D Game Programming & Computer Graphics 4. Kapitel 3D Engine Geometry Anne Adams & Katharina Schmitt Universität Trier Fachbereich IV Proseminar Numerik Wintersemester 2007/08
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrNumerisches Programmieren
Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches
MehrUntersuchung dünnbesetzter QR-Verfahren bei der Berechnung dünnbesetzter approximativer Inverser
Technische Universität München Institut für Informatik Untersuchung dünnbesetzter QR-Verfahren bei der Berechnung dünnbesetzter approximativer Inverser Diplomarbeit im Fach Informatik Andreas Roy Aufgabensteller
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrGitterherstellung und Polarisation
Versuch 1: Gitterherstellung und Polarisation Bei diesem Versuch wollen wir untersuchen wie man durch Überlagerung von zwei ebenen Wellen Gttterstrukturen erzeugen kann. Im zweiten Teil wird die Sichtbarkeit
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrGeometric Algebra Computing
Geometric Algebra Computing 3..22 Dr. Dietmar Hildenbrand Technische Universität Darmstadt Organisatorisches Mündliche Prüfung am Ende des Semesters Im Seminar-Raum Cocoon Wann wären gute Termine? Bonus
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrH2 1862 mm. H1 1861 mm
1747 mm 4157 mm H2 1862 mm H1 1861 mm L1 4418 mm L2 4818 mm H2 2280-2389 mm H1 1922-2020 mm L1 4972 mm L2 5339 mm H3 2670-2789 mm H2 2477-2550 mm L2 5531 mm L3 5981 mm L4 6704 mm H1 2176-2219 mm L1 5205
MehrModellierung, Simulation, Optimierung Diskretisierung 1
Modellierung, Simulation, Optimierung Diskretisierung Prof. Michael Resch Dr. Martin Bernreuther, Dr. Natalia Currle-Linde, Dr. Martin Hecht, Uwe Küster, Dr. Oliver Mangold, Melanie Mochmann, Christoph
MehrLineare Gleichungssysteme. Lineare Gleichungssysteme. LR Zerlegung ohne Pivotsuche. Zerlegung regulärer Matrizen
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation Betrachte ein lineares Gleichungssystem Ax = b (1) Es sei A C n n eine gegebene regulär Matrix. Dann
MehrMATTHIAS GERDTS NUMERISCHE MATHEMATIK I. Universität Würzburg WiSe 2009/2010
MATTHIAS GERDTS NUMERISCHE MATHEMATIK I Universität Würzburg WiSe 2009/2010 Addresse des Authors: Matthias Gerdts Institut für Mathematik Universität Würzburg Am Hubland 97074 Würzburg E-Mail: gerdts@mathematik.uni-wuerzburg.de
MehrBrückenkurs Mathematik Mathe: Das 1x1 der Ingenieurwissenschaften
Brückenkurs Mathematik Mathe: Das x der Ingenieurwissenschaften Gewöhnliche Differentialgleichungen, lineare Algebra oder Integralrechnung vertiefte Kenntnisse der Mathematik sind Voraussetzung für den
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten
MehrMathematik III für Ingenieure
Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
MehrSudoku-Informatik oder wie man als Informatiker Logikrätsel löst
Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Kurzvorlesung am Studieninformationstag, 13.05.2009
MehrLineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung
Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen
MehrDefinition und Eigenschaften Finiter Elemente
Definition und Eigenschaften Finiter Elemente 1 Das letzte Mal Im letzten Vortrag haben wir zum Schluss das Lemma von Lax Milgram präsentiert bekommen, dass ich hier nocheinmal in Erinnerung rufen möchte:
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrOrthogonale Funktionenräume
Orthogonale Funktionenräume Richard Küng February 27, 24 Contents Vektorräume mit Skalarprodukt 2 2 Lineare Abbildungen: Matrizen und Operatoren 8 2. Matrizen................................ 8 2.. Diagonalisieren
MehrEine Kurzanleitung zu Mathematica
MOSES Projekt, GL, Juni 2003 Eine Kurzanleitung zu Mathematica Wir geben im Folgenden eine sehr kurze Einführung in die Möglichkeiten, die das Computer Algebra System Mathematica bietet. Diese Datei selbst
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrSemidiskretisierung der PDA-Systeme
Kapitel 4 Semidisretisierung der PDA-Systeme Eine Möglicheit zur numerischen Behandlung von Anfangsrandwertproblemen partieller Differentialgleichungen ist die Linienmethode method of lines, MOL, vgl.
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung Mathematik Klausuraufgaben zur Mathematik - von Wolfgang Langguth Aufgabenstellungen
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrOPTIMIERUNG I. Christian Clason. Fakultät für Mathematik Universität Duisburg-Essen
OPTIMIERUNG I Vorlesungsskript, Sommersemester 2014 Christian Clason Stand vom 1. Juli 2014 Fakultät für Mathematik Universität Duisburg-Essen INHALTSVERZEICHNIS I GRUNDLAGEN 1 theorie der linearen ungleichungen
MehrAusgleichungsrechnung I
Ausgleichungsrechnung I oder Die Anwendung statistischer Methoden in Vermessungswesen und GIS Gerhard Navratil mit Beiträgen von Martin Staudinger Institute for Geoinformation Technical University Vienna
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrÜbung 3: Einfache Graphiken und Näherungen durch Regression
Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung
MehrInvariantentheorie. Vorlesung 5. Invariantenringe zu Untergruppen
Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invariantentheorie Vorlesung 5 Invariantenringe zu Untergruppen Proposition 5.1. Es sei R G R eine Operation einer Gruppe G auf einem kommutativen Ring durch
MehrZur Numerik linearer Gleichungssysteme. Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau
Zur Numerik linearer Gleichungssysteme Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau Ilmenau, den 1.11.2004 1 Direkte Verfahren für lineare Gleichungssysteme
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrÜbungsaufgaben mit Lösungsvorschlägen
Otto-Friedrich-Universität Bamberg Lehrstuhl für Medieninformatik Prof. Dr. Andreas Henrich Dipl. Wirtsch.Inf. Daniel Blank Einführung in das Information Retrieval, 8. Mai 2008 Veranstaltung für die Berufsakademie
MehrZur Numerik großdimensionaler Eigenwertprobleme. Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau
Zur Numerik großdimensionaler Eigenwertprobleme Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau Ilmenau, den 8.11.2004 1 Einführung 1 Zusammenfassung Der
MehrKleiner Satz von Fermat
Kleiner Satz von Fermat Satz Kleiner Satz von Fermat Sei p P. Dann gilt a p a mo p für alle a Z. Wir führen zunächst eine Inuktion für a 0 urch. IA a = 0: 0 p 0 mo p. IS a a+1: Nach vorigem Lemma gilt
Mehr