Begleitmaterial zur Vorlesung Numerik I
|
|
- Justus Lang
- vor 6 Jahren
- Abrufe
Transkript
1 Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49
2 Inhalte der Numerik I und Numerik II Numerik I 1 Grundlagen der linearen Algebra 2 Lineare Gleichungssysteme 3 Interpolation Numerik II 1 Numerische Integration 2 Nichtlineare Gleichungen 3 Lineare Ausgleichsprobleme 4 Eigenwertprobleme Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 2 / 49
3 Inhalte der Numerik I und Numerik II Numerik I 1 Grundlagen der linearen Algebra 2 Lineare Gleichungssysteme 3 Interpolation Numerik II 1 Numerische Integration 2 Nichtlineare Gleichungen 3 Lineare Ausgleichsprobleme 4 Eigenwertprobleme Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 2 / 49
4 Grundlagen der linearen Algebra Definition 1.2: Sei X ein komplexer beziehungsweise reeller linearer Raum. Eine Abbildung. : X R mit den Eigenschaften (N1) x 0 (Positivität) (N2) x = 0 x = 0 (Definitheit) (N3) α x = α x x X, α C (bzw. R) (Homogenität) (N4) x + y x + y x, y X (Dreiecksungleichung) nennt man eine Norm auf X. Ein linearer Raum X mit einer Norm heißt normierter Raum und wird mit (X,. ) bezeichnet. Falls X = C n beziehungsweise X = R n gilt, so wird die Norm auch als Vektornorm bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 3 / 49
5 Grundlagen der linearen Algebra Definition 1.4: Eine Folge {x n } n N von Elementen aus einem normierten Raum X heißt konvergent mit dem Grenzelement x X, wenn zu jedem ε > 0 eine natürliche Zahl N = N(ε) existiert, so dass x n x < ε n N gilt. Eine Folge, die nicht konvergiert, heißt divergent. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 49
6 Grundlagen der linearen Algebra Definition 1.6: Zwei Normen. a und. b auf einem linearen Raum X heißen äquivalent, wenn es reelle Zahlen α, β > 0 gibt, so dass α x b x a β x b x X (1.1.1) gilt. Die größte derartige Zahl α und die kleinste derartige Zahl β werden als Äquivalenzkonstanten bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 5 / 49
7 Grundlagen der linearen Algebra Bemerkung 1.9: Der Satz 1.8 ist für die Konvergenzuntersuchungen bei Iterationsverfahren sehr hilfreich. Sind wir in der Lage zu zeigen, dass ein Iterationsverfahren eine Vektorfolge {x m } m N aus dem R n oder dem C n erzeugt, die in einer beliebigen Norm konvergiert, dann besagt der Satz, dass die Folge und somit das Verfahren in jeder Norm konvergiert und Korollar 1.7 liefert anschließend die Übereinstimmung der Grenzwerte. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 6 / 49
8 Grundlagen der linearen Algebra Definition 1.10 Sei X ein normierter Raum. Eine Folge {x n } n N aus X heißt Cauchy-Folge, wenn es zu jedem ε > 0 ein N = N(ε) N derart gibt, dass x n x m < ε n, m N gilt. Definition 1.12 Eine Teilmenge V eines normierten Raumes X heißt vollständig, wenn jede Cauchy-Folge aus V gegen ein Grenzelement aus V konvergiert. Ein vollständiger normierter Raum heißt Banach-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 7 / 49
9 Grundlagen der linearen Algebra Definition 1.10 Sei X ein normierter Raum. Eine Folge {x n } n N aus X heißt Cauchy-Folge, wenn es zu jedem ε > 0 ein N = N(ε) N derart gibt, dass x n x m < ε n, m N gilt. Definition 1.12 Eine Teilmenge V eines normierten Raumes X heißt vollständig, wenn jede Cauchy-Folge aus V gegen ein Grenzelement aus V konvergiert. Ein vollständiger normierter Raum heißt Banach-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 7 / 49
10 Grundlagen der linearen Algebra Definition 1.14 Sei X ein komplexer oder reeller linearer Raum. Eine Abbildung (.,.) : X X C mit den Eigenschaften (H1) (x, x) R + 0 x X (Positivität) (H2) (x, x) = 0 x = 0 (Definitheit) (H3) (x, y) = (y, x) x, y X (Symmetrie) (H4) (αx + βy, z) = α(x, z) + β(y, z) x, y, z X α, β C (Linearität) heißt Skalarprodukt oder inneres Produkt auf X. Ein linearer Raum X versehen mit einem Skalarprodukt heißt Prä-Hilbert-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 8 / 49
11 Grundlagen der linearen Algebra Definition 1.17 Seien X, Y normierte Räume mit den Normen. X beziehungsweise. Y. Ein Operator A : X Y heißt 1 stetig an der Stelle x X, falls für alle Folgen {x n } n N aus X mit x n folgt.. X x für n Ax n. Y Ax für n 2 stetig, falls A an allen Stellen x X stetig ist. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 9 / 49
12 Grundlagen der linearen Algebra Definition 1.17 (Fortsetzung) Seien X, Y normierte Räume mit den Normen. X beziehungsweise. Y. Ein Operator A : X Y heißt 1 linear, falls gilt. A(αx + βy) = αax + βay x, y X α, β C 2 beschränkt, wenn A linear ist und ein C 0 existiert, so dass Ax Y C x X x X gilt. Jede Zahl C mit dieser Eigenschaft heißt Schranke von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 10 / 49
13 Grundlagen der linearen Algebra Definition 1.20: Zu einer gegebenen Matrix a a 1n A =..... R m n a m1... a mn heißt die zu A transponierte Matrix. a a m1 A T =..... R n m a 1n... a mn Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 11 / 49
14 Grundlagen der linearen Algebra Definition 1.22: Zu gegebener Matrix a a 1n A =..... C m n a m1... a mn heißt die zu A adjungierte Matrix. a a m1 A =..... C n m a 1n... a mn Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 12 / 49
15 Grundlagen der linearen Algebra Definition 1.23: Eine Matrix A C n n heißt 1 hermitesch, falls A = A gilt, 2 unitär, falls A A = I gilt, 3 normal, falls A A = AA gilt, 4 ähnlich zur Matrix B C n n, falls eine reguläre Matrix C C n n mit B = C 1 AC existiert, 5 linke untere Dreiecksmatrix, falls a ij = 0 j > i gilt, 6 rechte obere Dreiecksmatrix, falls a ij = 0 j < i gilt, 7 Diagonalmatrix, falls a ij = 0 j i gilt. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 13 / 49
16 Grundlagen der linearen Algebra Definition 1.26: Sei X = R n beziehungsweise C n. Eine Matrix A : X X heißt 1 positiv semidefinit, falls (Ax, x) 0 für alle x X gilt, 2 positiv definit, falls (Ax, x) > 0 für alle x X\{0} gilt, 3 negativ semidefinit, falls A positiv semidefinit ist, 4 negativ definit, falls A positiv definit ist. Definition 1.27: Ist A C n n und. a : C n R eine Norm, dann bezeichnet man A a := sup Ax a (1.2.3) x a=1 als die von der Vektornorm induzierte Matrixnorm. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 14 / 49
17 Grundlagen der linearen Algebra Definition 1.26: Sei X = R n beziehungsweise C n. Eine Matrix A : X X heißt 1 positiv semidefinit, falls (Ax, x) 0 für alle x X gilt, 2 positiv definit, falls (Ax, x) > 0 für alle x X\{0} gilt, 3 negativ semidefinit, falls A positiv semidefinit ist, 4 negativ definit, falls A positiv definit ist. Definition 1.27: Ist A C n n und. a : C n R eine Norm, dann bezeichnet man A a := sup Ax a (1.2.3) x a=1 als die von der Vektornorm induzierte Matrixnorm. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 14 / 49
18 Grundlagen der linearen Algebra Definition 1.30: Eine komplexe Zahl λ C heißt Eigenwert der Matrix A C n n, falls ein Vektor x C n \ {0} mit Ax = λx existiert. Der Vektor x heißt Eigenvektor zum Eigenwert λ. Die Menge σ (A) = { λ λ ist Eigenwert von A } wird als Spektrum von A bezeichnet. Die Zahl ρ(a) = max { λ λ σ (A) } heißt Spektralradius von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 15 / 49
19 Grundlagen der linearen Algebra Korollar 1.32: Sei A C n n (R n n ) hermitesch (symmetrisch), dann existiert eine unitäre (orthogonale) Matrix U C n n (R n n ), derart, dass U AU = diag{λ 1,..., λ n } R n n gilt. Hierbei stellt für i = 1,..., n jeweils λ i R den Eigenwert der Matrix A mit der i-ten Spalte von U als zugehörigen Eigenvektor dar. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 16 / 49
20 Grundlagen der linearen Algebra Definition 1.36: Sei A C n n regulär, dann heißt cond a (A) := A a A 1 a die Konditionszahl der Matrix A bezüglich der induzierten Matrixnorm. a. Satz 1.38: Seien A regulär, x die Lösung des Gleichungssystems Ax = b und x + x die Lösung von A(x + x) = b + b, dann gilt x x cond(a) b b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 17 / 49
21 Grundlagen der linearen Algebra Definition 1.36: Sei A C n n regulär, dann heißt cond a (A) := A a A 1 a die Konditionszahl der Matrix A bezüglich der induzierten Matrixnorm. a. Satz 1.38: Seien A regulär, x die Lösung des Gleichungssystems Ax = b und x + x die Lösung von A(x + x) = b + b, dann gilt x x cond(a) b b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 17 / 49
22 Grundlagen der linearen Algebra Definition 1.40: Ein Element x einer Menge D X heißt Fixpunkt eines Operators F : D X X, falls F(x) = x gilt. Definition 1.41 Sei X ein normierter Raum. Ein Operator F : D X X heißt kontrahierend, wenn eine Zahl 0 q < 1 mit F (x) F(y) q x y x, y D existiert. Die Zahl q heißt Kontraktionszahl des Operators F. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 18 / 49
23 Grundlagen der linearen Algebra Definition 1.40: Ein Element x einer Menge D X heißt Fixpunkt eines Operators F : D X X, falls F(x) = x gilt. Definition 1.41 Sei X ein normierter Raum. Ein Operator F : D X X heißt kontrahierend, wenn eine Zahl 0 q < 1 mit F (x) F(y) q x y x, y D existiert. Die Zahl q heißt Kontraktionszahl des Operators F. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 18 / 49
24 wobei Andreas Meister q die (Universität Kontraktionszahl Kassel) des Begleitmaterial Operators repräsentiert. Numerik I 19 / 49 Grundlagen der linearen Algebra Banachscher Fixpunktsatz 1.43: Sei D eine vollständige Teilmenge eines normierten Raumes X und F : D D ein kontrahierender Operator, dann existiert genau ein Fixpunkt x D von F, und die durch x n+1 = F(x n ) für n = 0, 1, 2... gegebene Folge konvergiert für jeden Startwert x 0 D gegen x. Es gelten zudem die a priori Fehlerabschätzung x n x und die a posteriori Fehlerabschätzung x n x qn 1 q x 1 x 0 q 1 q x n x n 1,
25 Lösung linearer Gleichungssysteme Definition 2.1: Ein Iterationsverfahren ist gegeben durch eine Abbildung φ : C n C n C n und heißt linear, falls Matrizen M, N C n n derart existieren, dass φ(x, b) = Mx + Nb gilt. Die Matrix M wird als Iterationsmatrix der Iteration φ bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 20 / 49
26 Lösung linearer Gleichungssysteme Beispiel 2.3: Triviales Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 21 / 49
27 Lösung linearer Gleichungssysteme Beispiel 2.3: Abbildung: Konvergenzverlauf log 10 ε m des trivialen Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 22 / 49
28 Lösung linearer Gleichungssysteme Definition 2.4: Einen Vektor x C n bezeichnen wir als Fixpunkt des Iterationsverfahrens φ : C n C n C n zu b C n, falls gilt. x = φ( x, b) Definition 2.5: Ein Iterationsverfahren φ heißt konsistent zur Matrix A, wenn für alle b C n die Lösung A 1 b ein Fixpunkt von φ zu b ist, das heißt gilt. A 1 b = φ(a 1 b, b) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 23 / 49
29 Lösung linearer Gleichungssysteme Definition 2.4: Einen Vektor x C n bezeichnen wir als Fixpunkt des Iterationsverfahrens φ : C n C n C n zu b C n, falls gilt. x = φ( x, b) Definition 2.5: Ein Iterationsverfahren φ heißt konsistent zur Matrix A, wenn für alle b C n die Lösung A 1 b ein Fixpunkt von φ zu b ist, das heißt gilt. A 1 b = φ(a 1 b, b) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 23 / 49
30 Lösung linearer Gleichungssysteme Definition 2.8: Ein Iterationsverfahren φ heißt konvergent, wenn für alle b C n und alle Startwerte x 0 C n ein vom Startwert unabhängiger Grenzwert existiert. Satz 2.10 x = lim m x m = lim m φ(x m 1, b) Sei φ ein konvergentes und zur Matrix A konsistentes lineares Iterationsverfahren, dann erfüllt das Grenzelement x der Folge x m = φ(x m 1, b) für m = 1, 2,... für jedes x 0 C n das Gleichungssystem Ax = b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 24 / 49
31 Lösung linearer Gleichungssysteme Definition 2.8: Ein Iterationsverfahren φ heißt konvergent, wenn für alle b C n und alle Startwerte x 0 C n ein vom Startwert unabhängiger Grenzwert existiert. Satz 2.10 x = lim m x m = lim m φ(x m 1, b) Sei φ ein konvergentes und zur Matrix A konsistentes lineares Iterationsverfahren, dann erfüllt das Grenzelement x der Folge x m = φ(x m 1, b) für m = 1, 2,... für jedes x 0 C n das Gleichungssystem Ax = b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 24 / 49
32 Lösung linearer Gleichungssysteme Satz 2.13: Erfüllt die reguläre Matrix A C n n mit a ii 0, i = 1,..., n das starke Zeilensummenkriterium n a ik q := max i=1,...,n a ii < 1 k=1 k i oder das starke Spaltensummenkriterium n q 1 := max k=1,...,n oder das Quadratsummenkriterium n q 2 := i,k=1 i k i=1 i k ( aik a ii a ik a ii < 1 ) 2 < 1, dann konvergiert das Jacobi-Verfahren bei beliebigem Startvektor x 0 C n und für beliebige rechte Seite b C n gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 25 / 49
33 Lösung linearer Gleichungssysteme Beispiel 2.14: Jacobi Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 26 / 49
34 Lösung linearer Gleichungssysteme Beispiel 2.14: Abbildung: Konvergenzverlauf log 10 ε m des Jacobi-Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 27 / 49
35 Lösung linearer Gleichungssysteme Definition 2.16: Eine Matrix A C n n heißt reduzibel oder zerlegbar, falls eine Permutationsmatrix P R n n derart existiert, dass ( ) PAP T Ã11 Ã = 12 0 Ã 22 mit Ãii C n i n i, n i > 0, i = 1, 2, n 1 + n 2 = n gilt. Andernfalls heißt A irreduzibel oder unzerlegbar. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 28 / 49
36 Lösung linearer Gleichungssysteme Satz 2.18: Sei die reguläre Matrix A C n n irreduzibel und diagonaldominant, das heißt, es gilt max i=1,...,n n j=1 j i und es existiere ein k {1,..., n} mit n j=1 j k a ij 1, (2.1.8) a ii a kj < 1, (2.1.9) a kk dann konvergiert das Jacobi-Verfahren bei beliebigem Startvektor x 0 C n und für jede beliebige rechte Seite b C n gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 29 / 49
37 Lösung linearer Gleichungssysteme Satz 2.20: Sei die reguläre Matrix A C n n mit a ii 0 für i = 1,..., n gegeben. Erfüllen die durch p i = i 1 j=1 a ij a ii p j + n j=i+1 a ij für i = 1, 2,..., n a ii rekursiv definierten Zahlen p 1,..., p n die Bedingung p := max i=1,...,n p i < 1, dann konvergiert das Gauß-Seidel-Verfahren bei beliebigem Startvektor x 0 und für jede beliebige rechte Seite b gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 30 / 49
38 Lösung linearer Gleichungssysteme Beispiel 2.21: Gauß-Seidel-Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 31 / 49
39 Lösung linearer Gleichungssysteme Beispiel 2.21: Abbildung: Konvergenzverlauf log 10 ε m des Gauß-Seidel-Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 32 / 49
40 Lösung linearer Gleichungssysteme Definition 2.30: Die Zerlegung einer Matrix A R n n in ein Produkt A = LR aus einer linken unteren Dreiecksmatrix L R n n und einer rechten oberen Dreiecksmatrix R R n n heißt LR-Zerlegung. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 33 / 49
41 Lösung linearer Gleichungssysteme Algorithmus Gauß-Elimination I A (1) := A Für k = 1,..., n 1 Wähle aus der k-ten Spalte von A (k) ein beliebiges Element a (k) jk 0 mit j k. Definiere P kj mit obigem j und k gemäß (2.2.4). à (k) := P kj A (k) Definiere L k gemäß (2.2.5) mit l ik = ã (k) ik A (k+1) := L k à (k) /ã(k) kk, i = k + 1,..., n. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 34 / 49
42 Lösung linearer Gleichungssysteme Lemma 2.32: Seien l i = (0,..., 0, l i+1,i,..., l n,i ) T R n und e i R n der i-te Einheitsvektor, dann gilt für L i = I l i e T i R n n 1 L 1 i = I + l i e T i. 2 L 1 1 L L 1 k = I + k l i e T i für k = 1,..., n 1. i=1 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 35 / 49
43 Lösung linearer Gleichungssysteme Definition 2.35: Sei A R n n gegeben, dann heißt a a 1k A[k] :=..... Rk k für k {1,..., n} a k1... a kk die führende k k-hauptabschnittsmatrix von A und det A[k] die führende k k-hauptabschnittsdeterminante von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 36 / 49
44 Lösung linearer Gleichungssysteme Definition 2.40: Die Zerlegung einer Matrix A C n n in ein Produkt A = QR aus einer unitären Matrix Q und einer rechten oberen Dreiecksmatrix R heißt QR-Zerlegung. Satz 2.41 (Existenz der QR-Zerlegung): Sei A C n n (R n n ) eine reguläre Matrix, dann existieren eine unitäre (orthogonale) Matrix Q C n n (R n n ) und eine rechte obere Dreiecksmatrix R C n n (R n n ) derart, dass gilt. A = QR Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 37 / 49
45 Lösung linearer Gleichungssysteme Definition 2.40: Die Zerlegung einer Matrix A C n n in ein Produkt A = QR aus einer unitären Matrix Q und einer rechten oberen Dreiecksmatrix R heißt QR-Zerlegung. Satz 2.41 (Existenz der QR-Zerlegung): Sei A C n n (R n n ) eine reguläre Matrix, dann existieren eine unitäre (orthogonale) Matrix Q C n n (R n n ) und eine rechte obere Dreiecksmatrix R C n n (R n n ) derart, dass gilt. A = QR Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 37 / 49
46 Lösung linearer Gleichungssysteme QR-Zerlegung nach Gram-Schmidt Für k = 1,..., n Für i = 1,..., k 1 r ik = (a k, q i ) q k = a k k 1 i=1 r ikq i r kk = q k 2 q k = q k /r kk Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 38 / 49
47 Lösung linearer Gleichungssysteme Satz 2.43: Sei A C n n regulär, dann existiert zu je zwei QR-Zerlegungen Q 1 R 1 = A = Q 2 R 2 (2.2.15) eine unitäre Diagonalmatrix D C n n mit Korollar 2.44: Q 1 = Q 2 D und R 2 = DR 1. Sei A C n n regulär, dann existiert genau eine QR-Zerlegung der Matrix A derart, dass die Diagonalelemente der Matrix R reell und positiv sind. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 39 / 49
48 Lösung linearer Gleichungssysteme Satz 2.43: Sei A C n n regulär, dann existiert zu je zwei QR-Zerlegungen Q 1 R 1 = A = Q 2 R 2 (2.2.15) eine unitäre Diagonalmatrix D C n n mit Korollar 2.44: Q 1 = Q 2 D und R 2 = DR 1. Sei A C n n regulär, dann existiert genau eine QR-Zerlegung der Matrix A derart, dass die Diagonalelemente der Matrix R reell und positiv sind. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 39 / 49
49 Interpolation Interpolationsproblem Gegeben: n + 1 Stützpunkte (x 0, f 0 ),..., (x n, f n ) R 2 an paarweise verschiedenen Stützstellen x 0,..., x n R Gesucht: p Π n := {p(x) = a 0 + a 1 x + a 2 x , a n x n } mit p(x k ) = f k, k = 0, 1,..., n (3.1.2) Ein Polynom, das das Interpolationsproblem löst, wird als Interpolationspolynom oder interpolierendes Polynom bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 40 / 49
50 Interpolation Theoretische Fragestellungen (A1) Existenz interpolierender Polynome (A2) Eindeutigkeit interpolierender Polynome Algorithmische Fragestellungen (B1) Die Berechnung und Auswertung des Interpolationspolynoms sollen stabil gegenüber auftretenden Rundungsfehlern sein. (B2) Die nachträgliche Integration weiterer Stützpunkte soll effizient bezüglich des Rechenaufwandes sein. (B3) Die Berechnung des Interpolationspolynoms soll O(n 2 ) arithmetische Operationen aufweisen. (B4) Die Auswertung des Interpolationspolynoms an einer beliebigen Stelle soll O(n) Operationen benötigen. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 41 / 49
51 Interpolation Theoretische Fragestellungen (A1) Existenz interpolierender Polynome (A2) Eindeutigkeit interpolierender Polynome Algorithmische Fragestellungen (B1) Die Berechnung und Auswertung des Interpolationspolynoms sollen stabil gegenüber auftretenden Rundungsfehlern sein. (B2) Die nachträgliche Integration weiterer Stützpunkte soll effizient bezüglich des Rechenaufwandes sein. (B3) Die Berechnung des Interpolationspolynoms soll O(n 2 ) arithmetische Operationen aufweisen. (B4) Die Auswertung des Interpolationspolynoms an einer beliebigen Stelle soll O(n) Operationen benötigen. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 41 / 49
52 Interpolation Definition 3.4: Zu gegebenen n + 1 paarweise verschiedenen Sützstellen x 0,..., x n R heißen die durch L j (x) = n s=0 s j x x s x j x s (3.1.9) für j = 0,..., n definierten Polynome L j Π n Lagrangesche Basispolynome. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 42 / 49
53 Interpolation Satz 3.6: (Lagrange Interpolationsformel) Zu beliebigen n + 1 Stützpunkten (x 0, f 0 ),...,(x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R besitzt die eindeutig bestimmte Lösung des Interpolationsproblems (3.1.2) die Darstellung p(x) = n f j L j (x) (3.1.11) j=0 mit L j Π n laut Definition 3.4. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 43 / 49
54 Interpolation Definition 3.10: Seien j, m N 0, dann bezeichne p j,j+1,...,j+m Π m das zu den Stützpunkten (x j, f j ),..., (x j+m, f j+m ) mit paarweise verschiedenen Stützstellen x j,..., x j+m gehörende, eindeutig bestimmte Polynom mit p j,j+1,...,j+m (x k ) = f k, k = j, j + 1,..., j + m. (3.1.15) Satz 3.11: Seien (x 0, f 0 ),..., (x n, f n ) vorgegebene Stützpunkte zu paarweise verschiedenen Stützstellen x 0,..., x n, dann gilt mit j, m N 0, j + m n und m 1 für die Interpolationspolynome gemäß Definition 3.4 der Zusammenhang p j,j+1,...,j+m (x) = (x x j)p j+1,...,j+m (x) (x x j+m )p j,...,j+m 1 (x) x j+m x j.(3.1.16) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 44 / 49
55 Interpolation Definition 3.10: Seien j, m N 0, dann bezeichne p j,j+1,...,j+m Π m das zu den Stützpunkten (x j, f j ),..., (x j+m, f j+m ) mit paarweise verschiedenen Stützstellen x j,..., x j+m gehörende, eindeutig bestimmte Polynom mit p j,j+1,...,j+m (x k ) = f k, k = j, j + 1,..., j + m. (3.1.15) Satz 3.11: Seien (x 0, f 0 ),..., (x n, f n ) vorgegebene Stützpunkte zu paarweise verschiedenen Stützstellen x 0,..., x n, dann gilt mit j, m N 0, j + m n und m 1 für die Interpolationspolynome gemäß Definition 3.4 der Zusammenhang p j,j+1,...,j+m (x) = (x x j)p j+1,...,j+m (x) (x x j+m )p j,...,j+m 1 (x) x j+m x j.(3.1.16) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 44 / 49
56 Interpolation Schematische Darstellung des Neville-Schemas (3.1.17): f 0 = p 0 (x) f 1 = p 1 (x) p 0,1 (x) f 2 = p 2 (x) p 1,2 (x) p 0,1,2 (x).. f n 1 = p n 1 (x) p n 2,n 1 (x) p 0,...,n 1 (x) f n = p n (x) p n 1,n (x) p n 2,...,n (x) p 1,...,n (x) p 0,...,n (x)... Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 45 / 49
57 Interpolation Definition 3.13: Zu gegebenen Stützpunkten (x 0, f 0 ),..., (x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R sind die dividierten Differenzen rekursiv durch für j = 0,..., n und f [x j ] = f j (3.1.20) f [x j,..., x j+m ] = f [x j+1,..., x j+m ] f [x j,..., x j+m 1 ] x j+m x j (3.1.21) für j = 0,..., n 1 mit m N und j + m n definiert. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 46 / 49
58 Interpolation Schematische Darstellung der dividierten Differenzen (3.1.22): f 0 = f [x 0 ] f 1 = f [x 1 ] f [x 0, x 1 ] f 2 = f [x 2 ] f [x 1, x 2 ] f [x 0, x 1, x 2 ].. f n 1 = f [x n 1 ] f [x n 2, x n 1 ] f [x 0,..., x n 1 ] f n = f [x n] f [x n 1, x n] f [x n 2, x n 1, x n] f [x 1,..., x n] f [x 0,..., x n]... Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 47 / 49
59 Interpolation Satz 3.14: (Newtonsche Interpolationsformel) Zu gegebenen Stützpunkten (x 0, f 0 ),..., (x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R besitzt das Interpolationspolynom p Π n die Darstellung p(x) = f [x 0 ]+f [x 0, x 1 ](x x 0 )+...+f [x 0,..., x n ](x x 0 )... (x x n 1 ), wobei f [x 0,..., x j ], j = 0,..., n, die dividierten Differenzen laut Definition 3.13 repräsentieren. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 48 / 49
60 Interpolation Satz 3.16: Sei f : [a, b] R eine (n + 1)-mal stetig differenzierbare Funktion und x 0,..., x n [a, b] paarweise verschiedene Stützstellen. Für das Interpolationspolynom p Π n mit p(x k ) = f (x k ), k = 0,..., n gilt für jede Stelle x [a, b] die Fehlerdarstellung f (x) p(x) = w(x)f (n+1) (ξ) (n + 1)! (3.1.28) mit einer Zwischenstelle ξ = ξ(x) [a, b] und w(x) = (x x 0 )... (x x n ). Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 49 / 49
3.3 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.
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:
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
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
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
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.
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
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
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
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
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
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
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.
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.
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
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
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
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
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
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
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
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
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
MehrLineare 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
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,
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
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
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
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
MehrFakultät für Mathematik und Informatik. Seminar über angewandte Analysis. Sommersemester 2007. Der Kreissatz von Gerschgorin
Fakultät für Mathematik und Informatik Lehrgebiet angewandte Mathematik Prof. Dr. H. Linden Dipl.-Math. H.-J. Schäfer Seminar über angewandte Analysis Sommersemester 2007 Der Kreissatz von Gerschgorin
MehrGrundlagen der Numerischen Mathematik. Heinrich Voß
Grundlagen der Numerischen Mathematik Heinrich Voß Technische Universität Hamburg Harburg Arbeitsbereich Mathematik 2004 2 Inhaltsverzeichnis 1 Einleitung 1 1.1 Zahlendarstellung............................
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
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
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
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
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
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
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
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) =
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
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:
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
MehrGNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor
GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen
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
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
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
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
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
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
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
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
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrNumerische Verfahren zur Lösung nichtlinearer Gleichungen
Kapitel 2 Numerische Verfahren zur Lösung nichtlinearer Gleichungen 21 Aufgabenstellung und Motivation Ist f eine in einem abgeschlossenen Intervall I = [a, b] stetige und reellwertige Funktion, so heißt
MehrInduktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010
Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
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
Mehr4 Runge-Kutta-Verfahren
Numerik gewöhnlicher Differentialgleichungen 43 4 Runge-Kutta-Verfahren 4. Konstruktion Ausgangspunkt wie immer (Substitution: s = t + τh, 0 τ ) y(t + h) = y(t) + [y(t + h) y(t)] = y(t) + = y(t) + h 0
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
Mehr7. Numerik mit MATLAB
Start Inhalt Numerik mit MATLAB 1(24) 7. Numerik mit MATLAB 7.1 Lineare Algebra Normen. Matrixzerlegungen. Gleichungssysteme. 7.2 Lineare Ausgleichsrechnung qr, svd, pinv, \. 7.3 Interpolation interp1,
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
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
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,
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrMathematische Ökologie
Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen
MehrComputer Vision SS 2011. Skript
Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie
MehrEinführung in die Numerische Mathematik
Einführung in die Numerische Mathematik Steffen Börm Stand 7. Februar 2016 Alle Rechte beim Autor. Inhaltsverzeichnis 1 Einleitung 5 2 Kondition, Maschinenzahlen und Stabilität 7 2.1 Kondition....................................
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
MehrMathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz
Mathematik für Bioinformatik und Systembiologie - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz WS 2009/10 Universität Freiburg Dieses Vorlesungsskript ist auf der Basis von Vorlesungen
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)
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 (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
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
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
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrNumerische Mathematik. Studierende der Mathematik und Technomathematik
Numerische Mathematik für Studierende der Mathematik und Technomathematik SS 2004 WS 2004/05 W. Hofmann Universität Hamburg Vorbemerkung Dieses Numerik Skript will, kann und soll kein Lehrbuch ersetzen.
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrModern Methods in Nonlinear Optimization
Modern Methods in Nonlinear Optimization Regularisierung Inverser Probleme Prof. Dr. Bastian von Harrach Technische Universität München, Fakultät für Mathematik - M1 Wintersemester 2010/2011 http://www-m1.ma.tum.de/bin/view/lehrstuhl/harrach_ws1011_modernmethods
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
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
MehrVorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter
Vorwort Günter M. Gramlich Lineare Algebra Eine Einführung ISBN: 978-3-446-43035-8 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-43035-8 sowie im Buchhandel. Carl Hanser
MehrReelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen
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
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
MehrÜbungen aus den numerischen Methoden der Astronomie SS 2011
Übungen aus den numerischen Methoden der Astronomie SS 2011 1. Fermat Teil I : Berechnen Sie die Fläche eines rechtwinkeligen Dreiecks mit Hilfe des pythagoräischen Lehrsatzes. Die beiden Katheten sollen
MehrUrbild Angriff auf Inkrementelle Hashfunktionen
Urbild Angriff auf Inkrementelle Hashfunktionen AdHash Konstruktion: (Bellare, Micciancio 1997) Hashe Nachricht x = (x 1,..., x k ) als H(x) = k i=1 h(i, x i) mod M. Inkrementell: Block x i kann leicht
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
MehrGF(2 2 ) Beispiel eines Erweiterungskörpers (1)
GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrEntwurf robuster Regelungen
Entwurf robuster Regelungen Kai Müller Hochschule Bremerhaven Institut für Automatisierungs- und Elektrotechnik z P v K Juni 25 76 5 OPTIMALE ZUSTANDSREGELUNG 5 Optimale Zustandsregelung Ein optimaler
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
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
MehrInstitut für Informatik. Rheinische Friedrich-Wilhelms-Universität Bonn
Institut für Informatik Rheinische Friedrich-Wilhelms-Universität Bonn Hauptseminar: Schnelle Parallele Algorithmen Leitung: Prof. Dr. M. Karpinksi, P. Wegner, M. Hauptmann Sommersemester 2000 Ausarbeitung
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
Mehr