94 Kapitel 2. Finite-Elemente-Verfahren. 13 Aspekte der Implementierung
|
|
- Justus Baumann
- vor 6 Jahren
- Abrufe
Transkript
1 94 apitel 2. Finite-Elemente-Verfahren 3 Aspekte der Implementierung Die Lösung einer (linearen) PDE mit der FEM gliedert sich in folgende Unterpunkte: () Modellierung des Gebietes (z. B. mit CAD) und Erzeugung eines Gitters (mit einem Gittergenerator) (2) Entscheidung für einen FE-Typ (3) Entscheidung für die Äquivalenzrelation unter den Freiheitsgraden (4) Organisation der globalen Freiheitsgrade (5) Assemblierung der Steifigkeitsmatrix und des Lastvektors (6) Einarbeiten von Dirichlet-Randbedingungen und evtl. weiterer Bedingungen (z. B. aus der Behandlung von hängenden Freiheitsgraden) 02 (7) Lösen des linearen Gleichungssystems (8) Abschätzung des Fehlers (9) ggf. Gitterverfeinerung und zurück zu (4) (0) Postprocessing und Darstellung der Lösung Verschiedene FE-Bibliotheken setzen diese Schritte sehr unterschiedlich um. Manchmal sind z. B. (2) und (3) untrennbar verbunden, etwa bei Auswahl von Lagrange- Elementen P k oder Q k immer die Standard-P k -Räume bzw. Standard-Q k -Räume verwendet werden, also H -konforme (stetige) globale Basisfunktionen, vgl. Beispiel 2.2. Bei nichtlinearen Aufgaben (PDEs) sind die Schritte (5) (7) noch in eine Newton-Schleife eingeschlossen. Es liege aus Schritt () (4) bereits ein (nicht notwendig konformes) Gitter T und (für die Vereinfachung der folgenden Beschreibung) eine affine Familie {(, P, Σ )} T von Elementen auf Simplex-Zellen vor (z. B. P k -Elemente). Es sei V h ein FE-Raum wie in Definition 2. unter Beachtung von (MAX). 3. Assemblierung der schwachen Form Wir betrachten nun Punkt (5) genauer. Im Fall der Poisson-Gleichung lautet die Steifigkeitsmatrix (vgl. 0) (A) ij = a[ϕ j, ϕ i ] = ϕ j ϕ i dx = ϕ j ϕ i dx, Ω T wobei {ϕ i } M i= die globalen Formfunktionen (Basisfunktionen von V h ) sind. Nach Lemma 2.3 stimmt ϕ i auf jeder Zelle mit genau einer der lokalen Formfunktion p,,..., p,s überein oder ist dort null. Umgekehrt trägt jede lokale Formfunktion p,,..., p,s auf zu genau einer globalen Formfunktion ϕ i bei. Zu welcher, das 02 Dieser Schritt kann auch durch spezielle Vorkehrungen im iterativen Gleichungssystemlöser realisiert werden.
2 3. Aspekte der Implementierung 95 Abbildung 3.. typische Datenstrukturen in FE-Bibliotheken ist in der sogenannten Connectivity-Matrix C der Zelle festgehalten, die in Unterpunkt (4) aufgestellt wird: 03 Es gilt C {0, } M s und C (n global_dof, n dof ) = der lokale Freiheitsgrad/die lokale Formfkt. mit der Nummer n dof auf der Zelle ist der globale Freiheitsgrad/die globale Formfkt. der Nummer n global_dof ϕ nglobal_dof = p ndof. Jede Matrix C hat insgesamt s Einsen und wegen (MAX) in jeder Zeile höchstens eine. Die restlichen Einträge sind null. Beachte: C realisiert die Zuordnung der Freiheitsgrade lokal global, C dagegen global lokal für die Zelle. Es gilt (in Matlab-Notation) σ,i = C (:, i) σ, i =,..., s, }{{} i-te Spalte von C wobei σ [V h ]M der Vektor der globalen Freiheitsgrade ist, und außerdem C C = I R s s C C = diag(d) R M M, 03 Beispiele dazu in der Übung
3 96 apitel 2. Finite-Elemente-Verfahren mit d nglobal_dof = {, falls n global_dof auf der Zelle vertreten ist 0 sonst. Die Wahl anderer Einträge als eins in C ermöglicht eine Skalierung. Bei der Assemblierung berechnet man die lokale Steifigkeitsmatrix oder Elementsteifigkeitsmatrix A auf jeder Zelle A = (a k,l ) s k,l= = p l p k dx (3.) und addiert das Ergebnis zur globalen Steifigkeitsmatrix: 04 A = T C A C. (3.2) Analog gilt für den lokalen Lastvektor (Elementlastvektor) F F = (f k ) s k= = f p k dx, (3.3) den man zum globalen Lastvektor addiert: F = C F. (3.4) T Bemerkung 3. (Alternative Form der Connectivity-Matrix) Eine alternative Form der Organisation der Freiheitsgrade verwendet nur eine einzige Connectivity-Matrix Ĉ Ns N cells für das gesamte Gitter: der lokale Freiheitsgrad/die lokale Formfkt. Ĉ(n dof, n cell ) = i mit der Nummer n dof auf der Zelle n cell ist der globale Freiheitsgrad/die globale Formfkt. der Nummer i ϕ i ncell = p ncell,n dof. (3.5) Die Matrix Ĉ ist vollbesetzt. Die elementweisen Beiträge auf der Zelle = n cell werden in diesem Fall wie folgt zur globalen Steifigkeitsmatrix bzw. zum globalen Lastvektor addiert: AĈ(k,ncell ),Ĉ(l,n cell) := A Ĉ(k,n cell ),Ĉ(l,n cell) + a k,l, k, l =,..., s FĈ(k,ncell ) := F Ĉ(k,n cell ) + f k, k =,..., s. Frage: Wie berechnet man die elementweisen Beiträge (3.) und (3.3)? Es sei T : x B x + b wieder eine bijektive affine Abbildung. Aufgrund der Substitutionsregel gilt g(x) dx = g(t ( x)) det T ( x) d x = det B g(t ( x)) d x (3.6) 04 Dies kann in Matlab elegant mit dem sparse-befehl realisiert werden. Es gilt weiterhin: diag(a) = T C diag(a ) C.
4 3. Aspekte der Implementierung 97 für integrierbare Funktionen g. Die Anwendung auf (3.) ergibt 05 p l (x) p k (x) dx = ( p l T )(x) ( p k T )(x) dx onstruktion der p k [ = B p l (T (x))] [B p k (T (x))] dx ettenregel [ = det B B p l ( x) ] [B p k ( x) ] d x Substitutionsregel. Der besseren Unterscheidung wegen bezeichnen wir den Gradienten einer Funktion auf der Referenzzelle mit. Die Transformationsmatrix B auf das Einheitssimplex wird für jede (Simplex-)Zelle wie folgt bestimmt: Ist = conv{a 0, a,..., a d } R d, a i R d dann gilt B = [ a a 0, a 2 a 0,..., a d a 0 ] R d d, b = a 0 R d. Aufgrund der (häufig anzutreffenden) Polynomeigenschaft von p k kann das obige Integral exakt berechnet werden. Bei Operatoren mit nicht-konstanten oeffizienten, etwa a[u, v] = v(x) A(x) u(x) dx, ( ) Ω ist das aber i. d. R. nicht möglich. Deshalb setzt man eine Quadraturformel (Q- Formel) q ĝ( x) d x ω,m ĝ(ξ,m ) m= auf ein mit Gewichten ω,m und Stützstellen ξ,m. Die Ordnung r N der Formel ist der maximale Grad, sodass für alle Polynome ĝ P r ( ) Gleichheit gilt (analog für Randintegrale). 05 Beachte: Die Ableitung (Jacobimatrix) ist J( p k T )(x) = J( p k)(t (x)) B. Der Gradient ist die Transposition davon.
5 98 apitel 2. Finite-Elemente-Verfahren Die Anwendung auf ( ) ergibt: p l (x) A(x) p k (x) dx = [ = det B B det B q m= p l ( x) ] A(T ( x)) [ B p k ( x) ] d x [ ω,m B p l (ξ,m ) ] A(T (ξ,m )) [ B p k (ξ,m ) ]. schwache Form lokale Beiträge der Zelle q [ ϕ j A(x) ϕ i dx det(b ) ω,m B p l (ξ,m ) ] A(T (ξ,m )) [ B p k (ξ,m ) ] Ω Ω Ω Ω ϕ j β(x) ϕ i dx det(b ) ϕ j c 0 (x) ϕ i dx det(b ) f(x) ϕ i dx det(b ) Beachte: Es gilt m= q m= ω,m [ B p l (ξ,m ) ] β(t (ξ,m )) p k (ξ,m ) q ω,m p l (ξ,m ) c 0 (T (ξ,m )) p k (ξ,m ) m= q ω,m f(t (ξ,m )) p k (ξ,m ) m= det(b ) =, denn dx = Folgende Daten können tabelliert (vorberechnet) werden: det(b ) d x. (3.7) Transformationsmatrix B und Vektor b für jede Zelle sowie B und evtl. det B (gehören zum Gitter) Speicheraufwand: N cells (2d + ) Vektoren des R d Rd d die Funktionswerte p k (ξ,m ) und p k (ξ,m ) der lokalen Formfunktionen auf der Referenzzelle, k =,..., s und m =,..., q (gehört zum FE bzw. zur Q-Formel) Speicheraufwand: q s Skalare und q s Vektoren des R d Beachte: Es bietet sich nicht an, B p k (ξ,m ) zu speichern, denn dies sind N cells q s Vektoren des R d! (Ersparnisse ergeben sich nur, wenn viele Zellen nur Translate voneinander sind.) Die Randintegrale in der schwachen Formulierung werden analog berechnet. Wir betrachten als Beispiel ϕ j (s) α(s) ϕ i (s) ds = ϕ j (s) α(s) ϕ i (s) ds. Γ T Γ
6 3. Aspekte der Implementierung 99 r q oordinaten Anzahl Gewichte ( 3, 3, 3 ) 2 3 ( 2, 2, 0) ( 3, 3, 3 ) ( 2, 2, 0) (, 0, 0) Tabelle 3.. Quadraturformeln auf Dreiecken mit baryzentrischen oordinaten. Bei Anzahlen > ergeben sich die oordinaten der weiteren Quadraturpunkte durch zyklische Vertauschung. r q oordinaten Anzahl Gewichte ( 2, 2, 0) F j 3 2 ( , 2 6 3, 0) ( 2 6 3, , 0) F 2 j F 2 j 5 3 ( ( 2 2 3, , , 0) 5 3, 0) 5 ( 2, 2, 0) 5 F 8 j 5 F 8 j 8 F 8 j Tabelle 3.2. Quadraturformeln auf Dreieckskanten mit baryzentrischen oordinaten. Formeln für die anderen anten entstehen jeweils durch zyklisches Vertauschen der oordinaten. Man berechnet wieder die lokalen Beiträge auf der Zelle 06 (a k,l ) s k,l= = p l (s) α(s) p k (s) ds. Γ 06 Man könnte hier auch facettenweise vorgehen.
7 00 apitel 2. Finite-Elemente-Verfahren Beachte: Γ ist entweder oder besteht aus einer (oder mehreren) Facetten F j von. Dies muss ebenfalls in einer zum Gitter gehörenden Datenstruktur festgehalten werden. Man transformiert das Integral (z. B. mittels T ) auf eine Facette des Referenzelements und setzt eine Q-Formel 07 ein: p l (s) α(s) p k (s) ds = F j F j F p l (ŝ) α(t (ŝ)) p k (ŝ) dŝ j F j F j F j q m= ω Fj,m p l(ξ Fj,m ) α(t (ξ Fj,m )) p k(ξ Fj,m ), wobei F j bzw. F j die (d )-dimensionalen Volumina der Facetten bezeichnen. schwache Form ϕ j α(s) ϕ i ds Γ g(s) ϕ i ds Γ lokale Beiträge der Zelle F j F j F j F j q m= q m= ω Fj,m p l(ξ Fj,m ) α(t (s)) p k (ξ Fj,m ) ω Fj,m g(t (s)) p k (ξ Fj,m ) Wie bereits in 0 gesehen, führt die Assemblierung auf ein LGS 08 mit A u = F (3.8) A = ( a[ϕ j, ϕ i ] ) M, i,j= F = F (ϕi ) M ohne Q-Fehler i= A = ( a h [ϕ j, ϕ i ] ) M, i,j= F = Fh (ϕ i ) M mit Q-Fehler. i= 3.2 Behandlung von Dirichlet-Randbedingungen Wir betrachten nun Punkt (6) genauer. Zur Behandlung der Aufgabe mit gemischten RB u + c 0 u = f in Ω n u + α u = g bestehen folgende Möglichkeiten: u = u D auf Γ N auf Γ D = Γ \ Γ N 07 Man benötigt mehrere Q-Formeln pro Zelle, für jede Facette eine. 08 Implementation für P - und P 2 -Elemente mit verschiedenen Q-Formeln in der Übung
8 3. Aspekte der Implementierung 0 (a) Approximation der Dirichlet-Randbedingungen durch Robin-Randbedingungen n u + α u = α u D auf Γ D mit einem großen α > 0. Man spricht auch von Stiff-Spring- oder Penalty-Randbedingungen. Diese Bezeichnung ist dadurch motiviert, dass sich diese Gleichung im Fall einer symmetrischen Bilinearform ergibt, wenn man die Bedingung u = u D nicht strikt fordert, sondern sie in der Energieminimierungsaufgabe (8.7) durch Anfügen des Terms α u u D 2 ds 2 Γ d quadratisch penalisiert. Vorteile: Es treten nur natürliche Randbedingungen im Problem auf. Nachteile: große onditionszahl der Steifigkeitsmatrix für große α zusätzlicher onsistenz- und damit Diskretisierungsfehler (b) Es sei A u = F das LGS, das man bei Assemblierung über alle globalen Freiheitsgrade erhält. 09 Es sei D {,..., M} die Indexmenge derjenigen globalen Freiheitsgrade, die auf Γ D liegen ( Dirichlet-Freiheitsgrade ) und N = {,..., M} \ D. Beachte: Das System A u = F enthält falsche Gleichungen, denn als Raum der Testfunktionen ist nur H Γ D = {u H (Ω) : u ΓD = 0} zugelassen bzw. in der diskreten Aufgabe H Γ D V h, was durch {ϕ i } i N realisiert wird. Es sei u D hinreichend glatt, sodass alle σ i, i D, auf u D anwendbar sind. Die bisherigen Gleichungen, die durch Testfunktionen ϕ i, i D erzeugt wurden, sollen durch σ i (u) }{{} = σ i (u D ), i D (3.9) =u i ersetzt werden. Aus algorithmischer Sicht gibt es dazu mehrere äquivalente Möglichkeiten: 0 (i) Ersetzen der Zeilen i D von A durch den i-ten Einheitsvektor und der rechten Seite F i durch σ i (u D ). Nachteil: unsymmetrisches LGS selbst bei symmetrischer Bilinearform (ii) Zusätzlich Ersetzen der Spalten j D von A durch den j-ten Einheitsvektor und entsprechende Anpassung der rechten Seite. Nachteil: Zeilen- und Spaltenmanipulation notwendig 09 Dazu muss man die Randdaten α und g z. B. durch null auf Γ D fortsetzen. 0 Die vier Varianten werden in der Übung getestet. schwierig bei sparser Speichertechnik; jedoch muss man beim iterativen Lösen die Matrix nicht tatsächlich manipulieren, siehe Übung
9 02 apitel 2. Finite-Elemente-Verfahren (iii) Reduktion des LGS auf die Nicht-Dirichlet-Freiheitsgrade: A ij σ j (u D ), i N (3.0) j N A ij u j = F i j D und anschließendes Setzen von u j = σ j (u D ) für j D. (iv) Aufnahme der Gleichungen (3.9) und zusätzlicher Variablen λ R D ins LGS: ( ) ( ( ) A χ D u F χ D 0 λ) = σ i (u D ) (3.) i D Hierbei besteht χ D {0, } D M aus denjenigen Zeilen der Einheitsmatrix, deren Indizes zu D gehören. Eine Aufgabe der Gestalt (3.) bzw. allgemeiner (A B B 0 ) ( u λ) = ( ) f g (3.2) heißt ein Sattelpunktproblem. Es ist symmetrisch, wenn A = A ist. Beachte: Die beim iterativen Lösen von (i) (iv) benötigten Matrix-Vektor-Produkte können durch einfache Manipulationen der Matrix-Vektor-Produkte mit A erzeugt werden. 2 Frage: Was motiviert (3.) bzw. (3.2)? Bemerkung 3.2 (Zum Sattelpunktproblem) (a) Das System A u = F enthält falsche Gleichungen. Wir haben in (3.) zunächst die fehlenden m = D Gleichungen χ D u = σ i (u D ) i D hinzugefügt und dann die falschen Gleichungen [A u = F ] i D durch Hinzunahme der Variablen λ annulliert. Dies geschieht durch den Term χ D λ. (b) Falls A symmetrisch und positiv semidefinit ist, dann sind (3.2) gerade die notwendigen und hinreichenden Optimalitätsbedingungen der Aufgabe Minimiere unter 2 u A u f u B u = g. Dies entspricht einer Diskretisierung der Aufgabe (8.7) mit zusätzlichen Gleichungsnebenbedingungen. 3 Die Variablen λ können als Lagrange-Multiplikatoren verstanden werden. Die lineare Unabhängigkeit von Zeilen von B entspricht der LICQ (Linear Independence Constraint Qualification). Neben Dirichlet-RB kann man auf dieselbe Art und Weise auch hängende Freiheitsgrade behandeln, die etwa bei Gitterverfeinerung oder Verwendung ungleicher Polynomgrade 4 entstehen können. 2 siehe Übung 3 Suche in einem affinen Unterraum von V h 4 bei sogenannten hp-methoden
10 3. Aspekte der Implementierung 03 nicht-konformes Gitter (hängender noten) keine affine Familie (ungleiche Polynomgrade) Außerdem kann man die Sattelpunktidee auch benutzen, um Defekte aufgrund nichtkoerziver Bilinearformen a[, ] auszugleichen, etwa beim Poisson-Problem mit reinen Neumannbedingungen (8.3), wie das folgende Lemma zeigt. Lemma 3.3 (Sattelpunktlemma 5 ) Es sei A R n n, A = A 0 und B R m n mit m n. Es sei ( ) A B =. B 0 Dann gilt: (a) ist invertierbar { rank(b) = m (voller Zeilenrang) und ker(a) ker(b) = {0}. (b) Es sei rank(b) = m. Dann ist BB symmetrisch positiv definit und u 0 = B (BB ) g eine Lösung von B u = g, und zwar die in ker(b) eindeutige. (c) Es seien die Voraussetzungen von (a) erfüllt. Es sei Z R n (n m) eine Matrix, deren Spalten eine Basis von ker(b) bilden. 6 Dann ist Z AZ symmetrisch positiv definit. Weiter sei u 0 irgendeine Lösung von B u = g. Dann gilt: ( ) ( A B u B 0 λ) = ( ) f g Z AZ v = Z ( f A u 0 ) u = u 0 + Z v (3.3) BB λ = B( f A u) 5 Wir beschränken uns hier der Einfachheit halber auf den Fall A = A 0 und verweisen auf [Benzi et al., 2005, Theorem 3.4] und [Gansterer et al., 2003, Theorem 3.] für den allgemeinen Fall. 6 Im Fall von Dirichlet-RB sind die Gleichungen B u = g von sehr einfacher Gestalt, sie stehen schon oben (3.). B hat in jeder Zeile genau eine eins. Deshalb können wir Z (eine spaltenweise Basis des Nullraumes) direkt angeben: Z besteht aus den Einheitsvektoren, die gerade zu den Nicht-Dirichlet-Freiheitsgraden N gehören, somit v aus den oeffizienten ( u j ) j N. Auch eine Partikulärlösung von B u = g lässt sich leicht angeben: Einfach die oeffizienten u D richtig setzen, die restlichen auf null. Damit besteht die Matrix im reduzierten System Z AZ v = Z ( f A u 0 ) gerade aus den Zeilen und Spalten von A, die zu den N-Freiheitsgraden gehören, und wir bekommen dasselbe wie bei (3.0)!
11 04 apitel 2. Finite-Elemente-Verfahren Beweis: (a): : Es seien die Voraussetzungen rechts erfüllt. Wir betrachten die Matrix ( ) A B :=, B 0 die genau dann invertierbar ist, wenn es ist. Es sei ( u, λ) ein Vektor im ern von : ( ) ( ( ) A B u 0 B 0 λ) = ( u 0 ) ( ) ( λ A B u B 0 λ) = u A u = 0. Wegen x A x 0 für alle x R n muss u ker(a) liegen (benutze z. B. die Singulärwertzerlegung A = UΣU von A). Wegen der zweiten Gleichung liegt außerdem u ker(b), nach Voraussetzung ist also u = 0. Daraus folgt B λ = 0, also λ = 0, denn B hat vollen Spaltenrang. Somit ist ker( ) = {0}, also sind und invertierbar. : Es sei eine der Voraussetzungen rechts nicht erfüllt. Falls B nicht vollen Zeilenrang hat, dann existiert λ 0 mit B λ = 0, also auch ( ) ( ) ( ) A B 0 0 B 0 =, λ 0 d. h., ist nicht invertierbar. Falls ker(a) ker(b) {0} ist, dann existiert u 0 mit ( ) ( ( ) A B u 0 B 0 0) =, 0 d. h., ist wiederum nicht invertierbar. Beachte: Für wurde A = A 0 nicht gebraucht. (b): BB 0 ist klar. Es sei w ein Vektor im ern von BB. Es folgt 0 = w BB w = B w 2 und damit w = 0, denn B hat vollen Spaltenrang. Also hat BB nur positive Eigenwerte. Jeder Vektor u R n kann eindeutig zerlegt werden in Mit dieser Zerlegung gilt u = u + }{{} ker(b) ker(b) =range(b ) {}}{ u 2 = u + B w. B u = g =0 {}}{ B u +B u 2 = g BB w = g. Also ist u 0 = B w = B (BB ) g die in ker(b) eindeutige Lösung von B u = g. Die allgemeine Lösung ist u 0 + ker(b). (c): Z AZ 0 ist klar. Es sei v beliebig und betrachte v Z AZ v. Wie bei (a) folgt Z v ker(a). Jedoch liegt Z v auch in ker(b), d. h., Z v = 0 und damit v = 0, denn die Spalten von Z sind linear unabhängig. Also hat Z AZ nur positive Eigenwerte.
12 3. Aspekte der Implementierung 05 : Nach (b) haben die Lösungen von B u = g die Darstellung u = u 0 + Z v v R n m beliebig. Einsetzen in die erste Gleichung ergibt A u + B λ = f AZ v + B λ = f A u0 Z AZ v = B ( f A u 0 ) }{{} ker(b) Aus der ersten Gleichung folgt jetzt noch B λ = f A u, also BB λ = B( f A u). : Beide Systeme sind eindeutig lösbar. Wir haben bereits gezeigt, dass die Lösung des linken System in (3.3) notwendig auch das rechte löst. Wegen der Eindeutigkeit müssen beide Lösungen gleich sein. 3.3 Speichertechnik Aufgrund der lokalen Träger der globalen Basisfunktionen {ϕ} M i= ist die Steifigkeitsmatrix A dünn besetzt (sparse 7 ). Zur Speicherung solcher Matrizen stehen verschiedene Formate zur Verfügung, die wir am Beispiel A = erläutern. Im Wesentlichen werden die Nicht-Null-Einträge der Matrix und ihre Positionen gespeichert. Compressed Sparse Column (CSC): Die Nicht-Null-Einträge stehen spaltenweise in einem Vektor a, der Vektor i enthält die dazugehörigen Zeilenindizes und der Vektor j die Indizes in a, an denen eine neue Spalte beginnt. a Einträge i Zeilen j Index in a Compressed Sparse Row (CSR): Dieses Format ist analog zu CSC, jedoch zeilenorientiert. a Einträge j Spalten i Index in a Modified Sparse Row (MSR): Beim MSR stehen zunächst die Diagonaleinträge der Matrix (i. d. R. keine Nullen) in a und dann zeilenweise die restlichen Nicht-Null-Einträge. Die ersten Indizes in i 7 Die Matlab-Befehle für dünn besetzte Matrizen erhält man mit doc sparfun. mit
13 06 apitel 2. Finite-Elemente-Verfahren geben an, an welcher Stelle in a eine neue Zeile beginnt. Die späteren Indizes sind die Spaltenindizes der zugehörigen Einträge in a wie bei CSR. a Einträge i Index in a
37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrBeginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
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
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
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.
MehrMusterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
MehrÜbungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehr4 Affine Koordinatensysteme
4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner
MehrAnwendungen der Linearen Algebra
Anwendungen der Linearen Algebra mit MATLAB Bearbeitet von Günter M. Gramlich 1. Auflage 4. Buch. 179 S. Hardcover ISBN 978 3 446 22655 5 Format (B x L): 14,5 x 21 cm Gewicht: 265 g Weitere Fachgebiete
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrRegularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
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
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
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
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
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
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
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
MehrQuadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
MehrLineare Algebra I: Eine Landkarte
Bild F Algebra I: Eine Landkarte Faser Versuch einer Übersicht der Themen und Zusammenhänge der n Algebra 1. 1 Algebra I: Bild F Faser Sei B Basis von V. Jedes v V läßt sich eindeutig aus den Basisvektoren
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
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrLineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrWirtschaftsmathematik Formelsammlung
Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2015 (a + b) 2 = a 2 +2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) =a 2 b 2 Fakultät (Faktorielle) n! =1 2 3 4 (n 1) n Intervalle Notation
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrEinführung. Vita Rutka. Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009
Einführung Vita Rutka Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009 Was ist FEM? Die Finite-Elemente-Methode (FEM) ist ein numerisches Verfahren zur näherungsweisen Lösung,
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
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
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrInhaltsverzeichnis INHALTSVERZEICHNIS 1
INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Die Parabel 2 1.1 Definition................................ 2 1.2 Bemerkung............................... 3 1.3 Tangenten................................ 3 1.4
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrÜbungen zur Analysis II Blatt 27 - Lösungen
Prof. Dr. Torsten Wedhorn SoSe 22 Daniel Wortmann Übungen zur Analysis II Blatt 27 - Lösungen Aufgabe 5: 6+6+6* Punkte Bestimme alle lokalen Extrema der folgenden Funktionen: a b c* f : R 3 R g : R 2 R
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrLineare Algebra I Klausur. Klausur - Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
MehrSymmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome
Proseminar Lineare Algebra SS10 Symmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome Natalja Shesterina Heinrich-Heine-Universität ASymmetrische Polynome Definition 1 Sei n
MehrFachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)
Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen
Mehry = A(x) y + b(x). (1) y = A(x) y (2)
73 5.2 Lineare Systeme Sei weiterhin IK = C oder IK = IR. Seien = I IR ein offenes Intervall, x 0 I, y 0 IK n, A: I IK n n und b: I IK n stetige matrix- bzw vektorwertige Funktionen. Wir betrachten komplexe
MehrModellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
Mehr