Praktikumsbeispiele zum Lehrgebiet WR II, Numerische Mathematik und CAS Serie LGS. b 1 b 2... b n. n a ij x j = b i, i = 1, 2,..., n.
|
|
- Siegfried Schmitt
- vor 6 Jahren
- Abrufe
Transkript
1 TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: pb lgs.tex Praktikumsbeispiele zum Lehrgebiet WR II, Numerische Mathematik und CAS Serie LGS Lineare Gleichungssyteme Ax = b, A(n, n = (a ij n i,j= regulär, a ij, b i R, A = (a ij Inverse, x = A b Lösung a a 2 a n a 2 a 22 a 2n... a n a n2 a nn x x 2... x n = b b 2... b n, n a ij x j = b i, i =, 2,..., n j= Algorithmen für direkte Verfahren. Gauß-Algorithmus ohne Pivotstrategie als Resttableau-Algorithmus bzw. Gauß-Reduktion (am Platz S : Vorwärtselimination k =, 2,..., n p = a kk i = k +, k + 2,..., n s = a ik /p p, s Hilfsgrößen a ij = a ij sa kj, j = k +, k + 2,..., n b i = b i sb k S2 : Rückwärtssubstitution k = n, n,..., h = b k h = h a ki x i, i = k +, k + 2,..., n x k = h/a kk Bemerkungen - Die Strategie der Reduktion ist durchführbar bei a kk 0, k =, 2,..., n. - Das LGS ist lösbar, wenn weiterhin a nn 0 ist. - Falls ein a kk =0 ist, dann ist die Anwendung von Pivotstrategien mit Zeilen- und/oder Spaltenvertauschungen ( Permutationsvektoren erforderlich. - Die Determinante berechnet sich aus det(a = n a kk. - Die Matrix wird systematisch durch die Resttableaus überschrieben. - Die Nullelemente unterhalb der Hauptdiagonalen sind künstlich auf Null zu setzen. - Der Platz unterhalb der Hauptdiagonalen (streng untere Dreiecksmatrix könnte für die Speicherung von Hilfsgrößen, wie z. B. von s genutzt werden. - Die erzeugte obere Dreiecksmatrix U sowie die unterhalb der Hauptdiagonalen gespeicherten Informationen ergänzt durch Einsen auf der Diagonale, die zusammen die untere Dreiecksmatrix L bilden, definieren eine Dreiecksfaktorisierung der Matrix gemäß LU. - Anstelle der Erzeugung der Resttableaus der Dimension n,...,2, ist es möglich, jeweils sukzessiv nur eine Zeile und Spalte zu berechnen Verketteter Gauß-Algorithmus (VGA. k=
2 2. Gauß-Algorithmus mit Spaltenpivotisierung und Zeilenvertauschung als Verketteter Gauß-Algorithmus (Turbo Pascal Prozedur 2 procedure VGA(n:integer; var a:matrix; var b,x:vektor; eps,detmax:float; var det:float; var p:vektor; var t,ind:integer; { Verketteter Gauss-Algorithmus mit Spaltenpivotisierung und Zeilenvertauschung Ax=b.. PAx=-CBx=LUx=Pb.. Bx=c det(a Determinante eps Toleranz fuer Test auf Singularitaet a[i,i]<... detmax Toleranz fuer Test auf det(a>... p Permutationsvektor der Zeilenvertauschung t Indikator : 0..default..Abbruch mit eps 2..Abbruch mit detmax ind Stufe (m,m bei vorzeitigem Abbruch } var i,j,m,index:integer; s,max:float; { Zerlegung und Vorwaertsrechnung, Vorwaertselimination } det:=; t:=0; ind:=0; for i:= to n do p[i]:=i; { Permutationsvektor --> P } for m:= to n do { Pivotsuche } max:=0; index:=m; for i:=m to n do s:=a[i,m]; for j:= to m- do s:=s+a[i,j]*a[j,m]; a[i,m]:=s; if abs(s>abs(max then max:=s; index:=i end { Test auf Singularitaet und grosses det(a } det:=det*max; if abs(max<eps then ind:=m; det:=0; t:=; EXIT if abs(det>detmax then ind:=m; t:=2; EXIT { Zeilenvertauschung } if index>m then det:=-det; for i:= to n do s:=a[m,i]; a[m,i]:=a[index,i]; a[index,i]:=s s:=b[m]; b[m]:=b[index]; b[index]:=s; i:=p[m]; p[m]:=p[index]; p[index]:=i { Bestimmung der Elemente der m-ten Spalte } for i:=m+ to n do a[i,m]:=-a[i,m]/max; { Bestimmung der Elemente der m-ten Zeile mit rechter Seite } for i:=m+ to n do s:=a[m,i]; for j:= to m- do s:=s+a[m,j]*a[j,i]; a[m,i]:=s s:=b[m]; for j:= to m- do s:=s+a[m,j]*b[j]; b[m]:=s { Rueckrechnung, Rueckwaertssubstitution } for i:=n downto do s:=-b[i]; for j:=n downto i+ do s:=s+a[i,j]*x[j]; x[i]:=-s/a[i,i] end
3 3. Gauß-Algorithmus mit impliziter Skalierung als relative Pivotwahl mit Zeilenbetragssummen (relative Kolonnenmaximumstrategie 3 procedure Zerlegung_Gauss_rel_Pivot2(n:integer; var a:matrix; eps,detmax:float; var det:float; var ip:vektor; var t,stufe:integer; { Zerlegung von A =P*A(n,n=L*U auf dem Platz bei relativer Spaltenpivotisierung und Zeilenvertauschung, sowie impliziter Skalierung ( --> Permutationsmatrix P auf der Basis des Permutationsvektors ip det(a Determinante eps Toleranz fuer Test auf Singularitaet n a[i,i] <...,sum a[i,j] <... j=i detmax Toleranz fuer Test auf det(a >... ip t stufe Permutationsvektor der Zeilenvertauschung Indikator : 0..default..Abbruch mit eps 2..Abbruch mit detmax Stufe (m,m bei vorzeitigem Abbruch Lit.: H.R.Schwarz. Numerische Mathematik. B.G.Teubner Stuttgart 988. } var i,j,l,k:integer; q,s,max:float; det:=; stufe:=0; t:=0; for i:= to n do ip[i]:=i; { Permutationsvektor --> P } for k:= to n do { Schritte k=,2,...,n } { relative Pivotwahl mit Kolonnenmaximumstrategie } max:=0; for i:=k to n do s:=0; for j:=k to n do s:=s+abs(a[i,j]; if s<eps then { Matrix A bzw. Teiltableau hat "Fast-Null-Zeile" } stufe:=i; det:=0; t:=; EXIT; q:=abs(a[i,k]/s; if q>max then max:=q; l:=i; { Test auf Singularitaet (Nullspalte und grosses det(a } if max<eps then stufe:=k; det:=0; t:=; EXIT; max:=a[l,k]; det:=det*max; if abs(det>detmax then stufe:=k; t:=2; EXIT; { Zeilenvertauschung } if l>k then det:=-det; for j:= to n do s:=a[k,j]; a[k,j]:=a[l,j]; a[l,j]:=s; j:=ip[k]; ip[k]:=ip[l]; ip[l]:=j; { Bestimmung der Elemente des Resttableaus } for i:=k+ to n do { Zeilen } s:=a[i,k]/max; a[i,k]:=s; for j:=k+ to n do a[i,j]:=a[i,j]-s*a[k,j]; { Spalten }
4 4. Gauß-Algorithmus mit impliziter Skalierung als relative Pivotwahl mit der Zeilennorm 2 (relative Kolonnenmaximumstrategie und Buchhaltervektor 4 procedure Zerlegung_Gauss_rel_Pivot(n:integer; var a:matrix; eps,detmax:float; var det:float; var ip:vektor; var t,stufe:integer; { Zerlegung von A =P*A(n,n=L*U auf dem Platz bei relativer Spaltenpivotisierung und Zeilenvertauschung sowie impliziter Skalierung, Buchhaltervektor ( --> Permutationsmatrix P auf der Basis des Permutationsvektors ip det(a Determinante eps Toleranz fuer Test auf Singularitaet n a[i,i] <...,sum a[i,j]^2<... j= detmax Toleranz fuer Test auf det(a >... ip t stufe Permutationsvektor der Zeilenvertauschung Indikator : 0..default..Abbruch mit eps 2..Abbruch mit detmax Stufe (m,m bei vorzeitigem Abbruch Lit.: N.Koeckler. Numerische Algorithmen in Softwaresystemen. B.G.Teubner Stuttgart 990.} var i,j,l,k:integer; s,max,max:float; ph:vektor; det:=; stufe:=0; t:=0; for i:= to n do ip[i]:=i; { Permutationsvektor --> P } s:=0; for j:= to n do s:=s+sqr(a[i,j]; if s<eps then { Matrix A hat "Fast-Null-Zeile" } stufe:=i; det:=0; t:=; EXIT ph[i]:=/sqrt(s; { Vektor der Kehrwerte der euklidischen Norm der n Zeilenvektoren von A, Buchhaltervektor } for k:= to n do { Schritte k=,2,...,n } { relative Pivotwahl mit Buchhaltervektor } max:=0; max:=0; l:=k; for i:=k to n do s:=a[i,k]; if abs(s*ph[i]>abs(max then max:=s; max:=s*ph[i]; l:=i; end { Test auf Singularitaet und grosses det(a } det:=det*max; if abs(max<eps then stufe:=k; det:=0; t:=; EXIT; if abs(det>detmax then stufe:=k; t:=2; EXIT; { Zeilenvertauschung } if l>k then det:=-det; for j:= to n do s:=a[k,j]; a[k,j]:=a[l,j]; a[l,j]:=s; ph[l]:=ph[k]; j:=ip[k]; ip[k]:=ip[l]; ip[l]:=j; { Bestimmung der Elemente des Resttableaus } for i:=k+ to n do { Zeilen } s:=a[i,k]/max; a[i,k]:=s; for j:=k+ to n do a[i,j]:=a[i,j]-s*a[k,j]; { Spalten }
5 Algorithmen für iterative Verfahren. Gesamtschrittverfahren (GSV, Jacobi-IV (JA Voraussetzung sei a ii 0, i=,..., n, was durch eventuelle Zeilenvertauschungen erreichbar ist. Mit der Zerlegung der Koeffizientenmatrix N P = D (E + F, D, E, F entsprechend Diagonalmatrix, linke Dreiecksmatrix bzw. rechte Dreiecksmatrix, ergeben sich die Matrizen a a 2 a n N = D = 0 a , P = E + F = a 2 0 a 2n a nn a n a n2 0 Komponentenweise Darstellung des GSV x (m+ i = n b i a ij x (m j, i =, 2,..., n, m = 0,, 2,... a ii j =, j i Matrix-Vektor-Form des GSV x (m+ = D [b + (E + Fx (m ] x (m+ H = J = D (E + Fx (m + D b, c = D b = D (D Ax (m + D b = (I D Ax (m + D b = D [b (A Dx (m ] = x (m D (Ax (m b = x (m + D r (m, mit r (m = b Ax (m als Residuum, = I D A Iterationsmatrix, W = D Wichtung, Skalierungsmatrix, D r (m gewichtetes Residuum (weighted residual, Verbesserung (update für x (m. Für reguläres D sind die Darstellungen Ax = b und x = Hx + c mit den Beziehungen für H und c konsistent, d. h. dass die Lösung bzw. der Grenzvektor des konvergenten GSV auch der Normalform genügt. Bei einer Programmierung des Verfahrens ist der Speicheraufwand der für die Matrix A und zweier aufeinander folgender Iterationsvektoren. Konvergenzkriterien Das GSV konvergiert, falls die Matrix A streng diagonaldominant ist, d. h., für ihre Elemente n a ij gilt a ii > a ij, i =, 2,..., n. j =, j i Die Konvergenz des GSV ist gegeben, falls für die Iterationsmatrix H = J mit ihren Elementen h ii = 0, h ij = a ij /a ii, i j, die Ungleichungen n a ij <, i =, 2,..., n, bzw. H < Zeilensummen-Kriterium, oder j = j i n i = i j a ii a ij a ii <, j =, 2,..., n, bzw. H < Spaltensummen-Kriterium, erfüllt sind, wobei im Zeilensummen-Kriterium genau die Diagonaldominanz von A steckt. 5
6 2. Einzelschrittverfahren (ESV, Gauß-Seidel-IV (GS Voraussetzung sei wiederum a ii 0, i =, 2,..., n. Mit der Zerlegung der Koeffizientenmatrix N P = (D E F, D, E, F wie im GSV, ergeben sich die Matrizen N =D E = a a 2 a a 3 a 32 a a n a n2 a n3 a nn, P =F = Komponentenweise Darstellung des ESV x (m+ i = b i a ii i j= a ij x (m+ j Matrix-Vektor-Form des ESV n j=i+ x (m+ = D (b + Ex (m+ + Fx (m (D Ex (m+ = Fx (m + b x (m+ = (D E [(D E Ax (m + b] 0 a 2 a 3 a n 0 0 a 23 a 2n a 3n a ij x (m, i = ; 2,..., n, m = 0,, 2,.... j = (I (D E Ax (m + (D E b, c = (D E b, E = DL = {I [D(I L] A}x (m + [D(I L] b = x (m [D(I L] (Ax (m b x (m+ = x (m + (D E r (m, wobei r (m = b Ax (m, 6 H = H = I [D(I L] I (D E A Iterationsmatrix, W = D(I L = D E Wichtung, Skalierungsmatrix, (D E r (m gewichtetes Residuum, Verbesserung für x (m. Die Verbesserung für den Iterationsvektor x (m ergibt sich somit aus der Lösung des LGS (D E x (m = r (m, x (m = x (m+ x (m, mit dem Residuum auf der rechten Seite, wobei bei vorausgesetzter Konvergenz r (m 0 für wachsendes m gilt. Im Gegensatz zum GSV wird beim ESV eine neu berechnete Komponente des Iterationsvektors x (m+ sofort für die Berechnung der nächsten einbezogen. Somit ist bez. des Speicheraufwands bei der Programmierung neben der Matrix nur ein Vektor zu merken. Konvergenzkriterien Das ESV konvergiert, falls die Matrix A streng diagonaldominant ist, bzw. falls die Elemente h ij der Iterationsmatrix H = H wie beim GSV das Zeilensummen- oder das Spaltensummen- Kriterium erfüllen. Das ESV konvergiert immer, falls A T > 0.
7 Beispiele 7. A streng diagonaldominant, damit regulär x = (, T ( A regulär, schlecht konditioniert x = (, T ( , b = (0.3, 0.3 T, b = 3. A regulär, sehr schlecht konditioniert x = (, T ( ( A T parameterabhängig, ε > 0, ε ( ε ε ( , b = , b = (, 0 T bzw. b = (, 0 T x = ε 2 (ε, T bzw. x = (, ε 2 εt 5. A T parameterabhängig, ε > 0 x = (0, T ( ε 0, b = (, 0 T 6. A streng diagonaldominant, indefinit ( 2 3, b = (3, T x = 7 (0, T 7. A streng diagonaldominant x = (, T ( 2 0 3, b = (3, 3 T 8. A T > 0 streng diagonaldominant ( 2 3, b = (, 2 T x = 5 (, 3T
8 9. A T regulär , b = (3, 6, 0 T 8 x = (,, T 0. A T regulär , b = (, 0, 0 T x = (,, T. A regulär x = (,, T A regulär, schlecht konditioniert x = (5,, T 3. A T > 0 x = (,, T, b = (, 4, 2 T , b = (6, 32, 07 T, b = (6.5, 5.3, 2.9 T 4. A T > 0 tridiagonal, schwach diagonaldominant 4 0 2, b = (3, 0, 3 T 0 4 x = (,, T 5. A T > 0 tridiagonal, streng diagonaldominant 4 0 4, b = (2, 6, 2 T 0 4 x = (, 2, T
9 6. A T regulär, streng diagonaldominant, indefinit 3 3 3, b = (3,, 3 T 9 x = (,, T 7. A T regulär, indefinit x = (,, T A streng diagonaldominant, b = (0,, 3 T , b = (8, 32, 6 T 3 2 x = 2 (660, 4326, 742T = ( , , T 9. A regulär x = (,, T 20. A regulär x = (2,, 2 T 2. A regulär x = (,, T 22. A T > , b = (6, 3, 4 T, b = (4, 0, 0 T, b = ( 3, 5, 2 T, b = (, 2, 3 T x = 0 (, 4, 9T
10 23. A regulär , b = (,, 3 T 0 x = (,, T 24. A regulär x = (,, T /2 /2 25. A regulär, streng diagonaldominant x = (,, T 26. A regulär x = (,,, T 27. A regulär x = (,,, T 28. A regulär x = (, 0,, 2 T 29. A regulär x = (,,, T , b = (/2,, 5/2 T, b = (3, 4, 7 T , b = (6, 6, 6, 5T, b = ( 2, 22, 5, 9T, b = ( 2, 0,, 2T, b = (6, 6, 6, 5T
11 30. A regulär , b = (9, 9, 8, 29T x = (, 3, 2, 2 T 3. A T > 0 x = (2,, 3, 2 T 32. A regulär , b = ( 2, 62, 38, 4T, b = ( 0, 5, 5, 0T x = 0299 (3550, 2800, 5565, 790T = ( , , , T 33. A regulär und untere Dreiecksmatrix x = (,, 0, 0 T 34. A regulär x = (,,, T A regulär mit Bandstruktur x = (,,, T , b = (,,, T, b = (3, 3, 3, 3T, b = (3, 4, 8, T
12 36. A regulär mit Bandstruktur , b = (2, 3, 5, T 2 x = (,,, T 37. A regulär x = (,,,, T 38. A regulär x = ( 5, 2, 4, 3, 2 T 39. A regulär x = ( 209/6, 34, 24, 58/3, 28/3 T 40. A regulär x = (4, 4, 3, 0, 2 T 4. A T > 0 x = (,,, 2, 2, 2 T , b = (2, 3, 2, 0, 5T, b = (6, 4, 9, 33, 67T, b = (7, 0, 7, 5, T , b = (7, 0, 7, 5, T, b = (87, 94, 360, 45, 432, 0 T
13 42. A T > 0 tridiagonal 3 A(7, 7 = tridiag(, 2,, b = (2, 7,, 3, 8, 2, 5 T x = (, 0, 6,, 9, 9, 7 T 43. A T > b = (229, 29, 790, 24, 06, 276, 26, 600 T x = (,,,, 2, 2, 2, 2 T 44. A(n, n = A T > 0 tridiagonal = tridiag(, 2, A = (A T = (a ij, a ij = A = n n + b = (, 0, 0,...,0, T x = (,,..., T (n n + 2 (n n + i(n + j n + (n 2 n + 2 (n 2 n + 3 (n 2 n + > 0, i j n 2 n n n n n + n + 2 n + 3 n +. n n + n n A(n, n = A T > , b = (n, 4, 6,...,2(n, n + 2 T x = (, 2, 3,..., n T
14 46. A(n, n = A T > 0 tridiagonal, parameterabhängig, c 0 4 tridiag(, 2, + ci, I (n n Einheitsmatrix b = ( + c, c,..., c, + c T x = (,,..., T 47. A(n, n = A T parameterabhängig, α reell A(n, n = x = (,,..., T 48. Boothroyd-Dekker-Matrix (a ij n i,j=, a ij = b = (,,..., T x = (,,,,... T A(4, 4 = + α... + α... + α α ( n n + i i + j i, A =, b = (n + α, n + α,..., n + αt ( n n j 49. Zielke-Matrix A T indefinit, parameterabhängig, α reell, A = (a ij a ij = a ij = α + für i = (n, j = (n i, α für i = j = n, α sonst α für i = j =, α für i =, j = n und i = n, j =, α für i = j = n, für i = (n, j = n i, für i = 2(n, j = n i +, 0 sonst N, a ij = ( i+j a ij A(5, 5 = α+ α+ α+ α+ α α+ α+ α+ α α α+ α+ α α α α+ α α α α α α α α α b = (4 + 5α,3 + 5α,2 + 5α, + 5α, + 5α T x = (,,,, T, A = α 0 0 α α α
15 50. Hilbert-Matrix A T > 0, a ij = b = (b, b 2,..., b n T, b i = n x = (,,..., T i + j, a ij = ( i+j i + j γ iγ j, γ i = a ij j= (n + i! (i! 2, i, j =, 2,..., n (n i! 5 5. Matrix A(4, 4 = x = (,, 0 8, T 52. Wilkinson-Matrix A(4, 4 = , b = b = ( , , , T x = (,,, T 53. A regulär mit Blockstruktur ( A B Ax = b, A(4, 4, C A, A (7, 7, B(7, 7, C(7, 7 B, b ij = ã 8 i,j, A = (ã ij A = , C = b = (b, b 2,..., b n T, b i = n x = (,,..., T a ij j= 54. A(n 2, n 2 = A T > 0 mit Blockstruktur B I I B I , B = B(n, n = I I B I = I(n, n Einheitsmatrix, b = (b, b 2,..., b n T, b i = n x = (,,..., T a ij j=
16 55. A(n 2, n 2 = A T > 0 mit Blockstruktur, parameterabhängig, c reell B I 4 I B I 4 c I(n 2, n , B = B(n, n = I I B 4 I = I(n, n, I(n 2, n 2 Einheitsmatrizen b = (b, b 2,..., b n T, b i = n x = (,,..., T a ij j= 56. A T singulär (a ij, a ij = 2 i+j 2, b = (b, b 2,..., b n T, b i = x = (,,..., T n j= a ij A singulär, rang(a = , b = (, 0, 3 T x = (2c, c, T, u. a. (,, T 58. A singulär, rang(a = 2 keine Lösung , b = (5, 4, 7 T
Einführung 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:
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
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
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
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
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
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
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
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
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
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
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
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
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
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
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
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) =
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
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
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
MehrDünn besetzte Matrizen. Unterschiede in Speicherbedarf und Rechenzeit im Vergleich zu voll besetzten Matrizen. Besetzungsmuster mit spy.
170 005 Übungen zu Numerische Methoden I Fünfte Übungseinheit 21. März, 22. und 23. April 2013 Inhalt der fünften Übungseinheit: Dünn besetzte Matrizen. Unterschiede in Speicherbedarf und Rechenzeit im
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,
MehrSchnelle Lösung großer Gleichungssysteme
Schnelle Lösung großer Gleichungssysteme Anton Schüller 1 Ulrich Trottenberg 1,2 Roman Wienands 2 1 Fraunhofer-Institut Algorithmen und Wissenschaftliches Rechnen SCAI 2 Mathematisches Institut der Universität
Mehr7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
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
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
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
Mehr1. Pflicht-Übung Num. Mathematik 2 SFT (SS02)
1. Pflicht-Übung Num. Mathematik 2 SFT (SS02) von Roland Steffen SFT1 "!$#$&%&')(* +-,.*0/123 45#0/6 47 89 00 : $; < Quellcode: /* Löst ein spezielles lineares GLS (A*x=b; tridiagonale Koeffizientenmatrix
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
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
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
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
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
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
MehrLernzettel Mathe Inhaltsverzeichnis
Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
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
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
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:
MehrKurs 1575, Musterlösung zur Winter Klausur 2003/04
Kurs 1575, Musterlösung zur Klausur im Wintersemester 2003/04 1 Kurs 1575, Musterlösung zur Winter Klausur 2003/04 Aufgabe 1: Römische Zahlen Wer kennt das Problem nicht: Sie stehen vor einer Inschrift,
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
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
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 )
MehrNumerisches Programmieren
Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrÜbung 4: Einführung in die Programmierung mit MATLAB
Übung 4: Einführung in die Programmierung mit MATLAB AUFGABE 1 Was bewirkt der Strichpunkt? - Der Strichpunkt (Semikola) unterdrück die Anzeige der (Zwischen-) Resultate. Welche Rolle spielt ans? - Wenn
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.
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
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.
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
MehrPraktische Informatik I Der Imperative Kern Mathematiknachhilfe
Praktische Informatik I Der Imperative Kern Mathematiknachhilfe Prof. Dr. Stefan Edelkamp Institut für Künstliche Intelligenz Technologie-Zentrum für Informatik und Informationstechnik (TZI) Am Fallturm
MehrPraktikum Wissenschaftliches Rechnen 3. Aufgabenblatt
Institut für Wissenschaftliches Rechnen Technische Universität Braunschweig Prof. Hermann G. Matthies, Ph. D. Dipl.-inform. Oliver Kayser-Herold Praktikum Wissenschaftliches Rechnen 3. Aufgabenblatt Wir
MehrSkript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge. Prof. Dr. R. Herzog. gehalten im SS2013 Technische Universität Chemnitz
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge Prof. Dr. R. Herzog gehalten im SS2013 Technische Universität Chemnitz Auszug aus den Studienordnungen zu den Ausbildungszielen der mit dieser
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
MehrWichtige Scilab-Befehle
Wichtige Scilab-Befehle In der Konsole (Hauptfenster) werden Befehle direkt eingegeben oder Programme ausgeführt, unter dem Editor (aufzurufen mittels edit bzw. des entsprechen Buttons in der Menüleiste)
MehrParallele Algorithmen mit OpenCL. Universität Osnabrück, Henning Wenke, 2013-05-08
Parallele Algorithmen mit OpenCL Universität Osnabrück, Henning Wenke, 2013-05-08 Aufräumen Ressourcen in umgekehrter Abhängigkeitsreihenfolge freigeben Objekte haben Reference-Count (RC), initial 1 clrelease
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
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
Mehr5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c)
5.2 Das All-Pairs-Shortest-Paths-Problem (APSP-Problem) Kürzeste Wege zwischen allen Knoten. Eingabe: Gerichteter Graph G =(V, E, c) mit V = {1,...,n} und E {(v, w) 1 apple v, w apple n, v 6= w}. c : E!
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
MehrEinführung in MATLAB
Kapitel 4 Einführung in MATLAB 41 Allgemeines MATLAB ist eine kommerzielle mathematische Software zur Lösung mathematischer Probleme und zur graphischen Darstellung der Ergebnisse Die Verfahren in MATLAB
MehrEDA-Methoden. Versuch 12 im Informationselektronischen Praktikum. Studiengang Elektrotechnik und Informationstechnik
Fakultät für Elektrotehnik und Informationstehnik Institut für Mikro- und Nanoelektronik Fahgebiet Elektronishe Shaltungen und Systeme EDA-Methoden Versuh 12 im Informationselektronishen Praktikum Studiengang
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;.
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)
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
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
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
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrUntersuchung dünnbesetzter QR-Verfahren bei der Berechnung dünnbesetzter approximativer Inverser
Technische Universität München Institut für Informatik Untersuchung dünnbesetzter QR-Verfahren bei der Berechnung dünnbesetzter approximativer Inverser Diplomarbeit im Fach Informatik Andreas Roy Aufgabensteller
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,
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
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
MehrComputer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10
Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination
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
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung Mathematik Klausuraufgaben zur Mathematik - von Wolfgang Langguth Aufgabenstellungen
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
MehrII. Klein Gordon-Gleichung
II. Klein Gordon-Gleichung Dieses Kapitel und die zwei darauf folgenden befassen sich mit relativistischen Wellengleichungen, 1 für Teilchen mit dem Spin 0 (hiernach), 2 (Kap. III) oder 1 (Kap. IV). In
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
Mehr48 3 EXCEL: Mathematik
48 3 EXCEL: Mathematik Mit Hilfe des Dialogfeldes Funktion einfügen des Funktions-Assistenten kann man benötigte EXCEL-Funktionen in Zellen der aktuellen Tabelle eingeben. Diese Vorgehensweise wird empfohlen:
MehrSortieren durch Einfügen. Prof. Dr. W. Kowalk Sortieren durch Einfügen 1
Sortieren durch Einfügen Prof. Dr. W. Kowalk Sortieren durch Einfügen 1 Schon wieder aufräumen Schon wieder Aufräumen, dabei habe ich doch erst neulich man findet alles schneller wieder Bücher auf Regal
Mehr2.1 Codes: einige Grundbegriffe
Gitter und Codes c Rudolf Scharlau 2. Mai 2009 51 2.1 Codes: einige Grundbegriffe Wir stellen die wichtigsten Grundbegriffe für Codes über dem Alphabet F q, also über einem endlichen Körper mit q Elementen
MehrMathematik für ChemikerInnen I
Mathematik für ChemikerInnen I Prof. Dr. Ansgar Jüngel Institut für Mathematik Johannes Gutenberg-Universität Mainz Winter 26 unkorrigiertes Vorlesungsskript Inhaltsverzeichnis Motivation 3 2 Grundbegriffe
MehrProgrammieren ++ Begleitende Übungen zu Veranstaltungen + Umsetzen des Algorithmus in ein lauffähiges Programm
Studienanforderungen Studiengang Maschinenbau Programmieren Begleitende Übungen zu Veranstaltungen Umsetzen des Algorithmus in ein lauffähiges Programm Studiengang Bauingenieurwesen Programmieren Begleitende
MehrGrundlagen der Programmiersprache C für Studierende der Naturwissenschaften
Grundlagen der Programmiersprache C für Studierende der Naturwissenschaften Teil 8: Komplexität und Speicheraufwand Patrick Schreier Abteilung für Angewandte Mathematik Vorlesung vom 23. Juni 2014 Gliederung
MehrMatlab - eine kurze Einführung
Matlab - eine kurze Einführung Helke Karen Hesse, Thomas Dunne helke.hesse@iwr.uni-heidelberg.de, thomas.dunne@iwr.uni-heidelberg.de 13.11.2006 1 / Gliederung Überblick Grundlegende Syntax Variablen Vektoren
MehrDer Golay-Code und das Leech-Gitter
Der Golay-Code und das Leech-Gitter Vortrag zum Seminar Gitter und Codes Nils Malte Pawelzik.5.5 Inhaltsverzeichnis Designs 3. Elementare Eigenschaften eines Designs und die Eindeutigkeit eines - (, 5,
Mehr> Seminar, Erlangen > Achim Basermann 20120605-1 DSC Erlangen Basermann.pptx > 05.06.2012
www.dlr.de Folie 1 Parallele, iterative Löser mit Schur-Komplement- Vorkonditionierung für dünnbesetzte lineare Gleichungssysteme aus der Strömungstechnik Dr.-Ing. Achim Basermann, Melven Zöllner* * www.dlr.de
MehrDarstellung eines VAR(p)-Prozesses als VAR(1)-Prozess
Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess Definiere x t = Y t Y t 1. Y t p+1 Sylvia Frühwirth-Schnatter Econometrics III WS 2012/13 1-84 Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess
MehrLösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 5
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band,.Aufl. Version, Kapitel 5 Bilinear-und Sesquilinearformen Abschnitt.A, Aufg., p. 6.6. : Man bestimme die
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
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
MehrPageRank-Algorithmus
Proseminar Algorithms and Data Structures Gliederung Gliederung 1 Einführung 2 PageRank 3 Eziente Berechnung 4 Zusammenfassung Motivation Motivation Wir wollen eine Suchmaschine bauen, die das Web durchsucht.
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
Mehr