Kapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
|
|
- Luisa Schubert
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 2: Lineare Gleichungssysteme 21 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,,255}, n = 1,,N, m = 1,,M dig Camera Realisierung von B η ist additives (weißes) Rauschen Realisierung von B B = Blur(B)+η Ziel: Umkehrung von Blur und Bildentrauschen
2 Linearisiertes Wiener-Filter (h W ): Bestimme eine Matrix h W R K K, K << min{n, M}, so dass ( E B B B h W 2) min Berechnung der Extrema führt zum linearen Gleichungssystem für h W Realisierungen: B B B = Blur(B)+η B B h W B
3 21 Motivation: Elektrische Netzwerke Gegeben: Widerstände R j, j = 1,,5, und Spannung U Gesucht: Ströme I j, j = 1,,6 U R1 C R2 I 1 R6 I 2 A R3 I 3 B I 4 I 6 I 5 R4 D R5 Gesetze von Kirchhoff und Ohm ergeben das Gleichungssystem I 1 I 3 + I 4 = 0, I 2 + I 3 I 5 = 0, I 1 + I 2 + I 6 = 0, I 4 + I 5 I 6 = 0 R 1 I 1 R 4 I 4 + R 6 I 6 = U R 2 I 2 R 5 I 5 R 6 I 6 = 0 R 3 I 3 + R 4 I 4 + R 5 I 5 = 0 R 1 I 1 + R 2 I 2 + R 3 I 3 = U
4 Problem 2: Seien A R n n regulär und b R n Löse Ax = b 22 Konditionierung des Problems 2 Sei eine Vektornorm bzw die zugehörige natürliche Matrixnorm 221 Hilfsatz: Sei B R n n mit B < 1 Dann ist die Matrix I + B regulär, und es gilt (I + B) B 222 Störungssatz: Die Matrix A R n n sei regulär, und es sei A à < 1 A 1 Dann ist die Matrix à Rn n regulär und es gilt x x x cond(a) 1 cond(a) A à A ( b b ) + A à b A mit der Konditionszahl cond(a) = A A 1 von A
5 Bemerkungen: (i) Ist cond(a) A A << 1, so wird x x x cond(a) ( b b ) + A Ã, b A dh cond(a) ist der Verstärkungsfaktor, mit dem sich die relativen Eingabefehler auf den relativen unvermeidbaren Problemfehler auswirken (ii) Die Abschätzung im Satz 222 ist scharf 23 Direkte Eliminationsverfahren Um Ax = b mit der Cramerschen Regel zu lösen, brauchen die Rechner mit 10 8 Gleitkommaoperationen pro Sekunde n Rechenzeit 04 s 1 min 36 Stunden 41 Tage 38 Jahre Jahre
6 231 Dreiecksmatrizen, Rückwärtseinsetzen Sei A R n n eine reguläre obere Dreiecksmatrix a 11 x 1 + a 12 x a 1n x n = b 1 a Ax = b 22 x a 2n x n = b 2 a nn x n = b n Die Lösung durch Rückwärtseinsetzen: n2 2 Rechenoperationen x n = b n ; x j = 1 n b j a jk x k, j = n 1,,1 a nn a jj k=j+1 }{{} n j Mult/Add 232 Gauß-Elimination mit Pivotierung, LR Zerlegungvon A Idee: Ax = b CAx = Cb, det(c) 0, CA obere Dreiecksmatrix
7 Definitionen+Eigenschaften: Seien e 1,,e n R n die standard Einheitsvektoren (i) Frobeniusmatrizen 1 G k := 1 g k+1,k 1 g n,k 1 = I 0 g k+1,k g n,k e k T, k = 1,,n 1 sind regulär (ii) Permutationsmatrizen P ij = I (e i e j )(e i e j ) T, 1 i j n, sind symmetrisch und unitär, dh P 2 i,j = I (iii) G 1 G 2 G n 1 und P ij G k P ij, 1 k < i j n sind untere Dreiecksmatrizen
8 Algorithmus: (Gauß-Elimination mit Pivotierung) Gegeben: A R n n regulär, b R n Initialisierung: [A (0) ; b (0) ] = [A; b] Für i = 1,,n 1: end Pivotsuche: a (i 1) ji = max a (i 1) k,i i k n, j i Pivotierung: [Ã(i 1) ; b (i 1) ] = P ij [A (i 1) ; b (i 1) ] Gauß-Elimination: mit g k,i = ã (i 1) k,i [A (i) ; b (i) ] = G i [Ã(i 1) ; b (i 1) ] /ã (i 1) i,i, i + 1 k n Ausgabe: obere Dreiecksmatrix A (n 1) und b (n 1)
9 Bemerkungen: (i) Man braucht a priori nicht zu wissen, ob A regulär ist Ist a (i 1) ji = 0 für ein i = 1,,n 1, dann ist A singulär und der Algorithmus muss abgebrochen werden ( 0 1 (ii) Man kommt ohne Pivotierung nicht aus, zb bei A = 1 1 Satz:(LR-Zerlegung von A) Zu jeder regulären A R n n existiert eine Permutationsmatrix P, eine eindeutige untere Dreiecksmatrix L = (l ij ), l ii = 1, i = 1,,n, und eine eindeutige obere Dreiecksmatrix R, so dass P A = L R ) Bemerkung: Läßt sich die Gauß-Elimination ohne Pivotierung durchführen, so gilt A = L R, R := A (n 1), L := (G n 1 G 1 ) 1
10 Bemerkungen: (i) Rechenaufwand der Gauß-Elimination mit Pivotierung ist n3 3 + O(n2 ) (ii) Sei A R n n regulär Dann gilt Ax = b LRx = Pb Ly = Pb, Rx = y (iii) Bei Verwendung von Gleitkommaarithmetik erhält man die Matrizen L und R mit F := PA L R 0, wobei F 2 a eps 1 eps n 1, a 2 n 1 max a i,j i,j=1,,n
11 (iv) Nachiteration (Variante der Gauß-Elimination): Wird Ax = b mit stark verfälschter (zb durch Abspeichern von L und R in kurzem Zahlenformat und späteres Einlesen) LR-Zerlegung PA L R gelöst, so gilt für L R x = Pb A A = ǫ 1 >> 1, A = PA L R, x x x k A ǫ 1, k A := cond(a) 1 cond(a) A A Die verbesserte Lösung x (1) = x +δ (1), L Rδ (1) = P(b A x), erfüllt x x (1) x ka 2 ǫ2 1 (Verdopplung der exakten Dezimalstellen) Weitere Schritte der Nachiteration liefern Verbesserung bis zur Maschinengenauigkeit eps In der Praxis genügen 1-3 Schritte
12 233 Cholesky-Zerlegung Definition: Eine symmetrische Matrix A R n n heißt positiv definit, falls x T Ax > 0, x R n \{0} Satz (Cholesky-Zerlegung): Eine symmetrische Matrix A R n n ist positiv definit genau dann, wenn es eine untere Dreiecksmatrix G = (g j,k ) 1 j,k n R n n gibt, so dass A = G G T und g j,j > 0, j = 1,,n Bemerkung: Der Rechenaufwand der Cholesky-Zerlegung ist n O( n 2)
13 Algorithmus (Cholesky-Zerlegung): Eingabe: A R n n positiv definit Für j = 1,,n j 1 Berechne g j,j = aj,j i=1 g 2 j,i Für k = j + 1,,n berechne g k,j = 1 g j,j end ( ) j 1 a k,j g k,i g j,i Bemerkungen: (i) Man kommt bei der Cholesky-Zerlegung ohne Pivotierung aus, da alle Elemente auf der Hauptdiagonale von A (j), j = 0,,n 1, positiv sind (ii) Gleichzeitig stellt die Cholesky-Zerlegung einen Test dar, ob eine gegebene symmetrische Matrix positiv definit ist Ist sie nicht positiv definit, dann ist einer der Einträge g j,j 0 In diesem Fall bricht der Algorithmus ab i=1
14 24 Iterationsverfahren Das Gaußsche Eliminationsverfahren erfordert bei Bandmatrizen mit der Bandbreite M den Aufwand 1 3 nm2 Für große Matrizen (n > 10 6, M > 10 2 ) sind dies bereits Rechenoperationen Bei vielen Aufgaben für zwei- und dreidimensionale Modelle treten Matrizen mit sehr vielen Nullen in den Matrixeinträgen auf, die keine echte Bandstruktur aufweisen Das Gaußsche Eliminationsverfahren würde zum Auffüllen vieler dieser Stellen führen Iterationsverfahren bestimmen die Lösung x näherungsweise und nutzen dabei die Struktur der Matrix A aus, indem sie nur auf die von Null verschiedenen Einträge der Matrix A zugreifen Dies ermöglicht eine kompakte Speicherung dünn besetzter Matrizen (matlab sparse ) und spart Rechenoperationen Gute iterative Verfahren benötigen nm Rechenoperationene zum Lösen von Ax = b, wobei m die durchschnittliche Anzahl der von Null verschiedenen Einträge pro Zeile der Matrix ist
15 Mit einer beliebigen invertierbaren Matrix C R n n gilt die Äquivalenz Ax = b Cx = Cx Ax + b x = (I C 1 A)x + C 1 b Man versucht C so zu wählen, dass zu gegebenem Vektor x [k], k 0, der neue Vektor x (k+1) = (I C 1 A)x (k) + C 1 b mit wenig Aufwand zu berechnen ist, die Folge (x (k+1) ) k N gegen die Lösung von Ax = b konvergiert Zuerst betrachten wir zwei Verfahren, die wenig Aufwand zur Berechnung von x (k+1) erfordern
16 241 Gesamtschritt- und Einzelschrittverfahren Gesamtschrittverfahren (Jacobi-Verfahren 1845) Die Matrix A habe Diagonalelemente a ii 0 1 Wähle beliebigen Startvektor x (0) R n, zb x (0) i = b i a ii 2 Für k = 0, 1, 2, für i = 1, 2,,n: ( löse die i-te Gleichung nach x i ) x (k+1) i = 1 n a ii b i a ij x (k) j j=1 j i
17 Einzelschrittverfahren (Gauß-Seidel-Verfahren 1820) Die Matrix A habe Diagonalelemente a ii 0 1 Wähle beliebigen Startvektor x (0) R n, zb x [0] i = b i a ii 2 Für k = 0, 1, 2, für i = 1, 2,,n: ( löse die i-te Gleichung nach x i ) x [(k+1) i = 1 i 1 n b i a ij x (k+1) j a ij x (k) j a ii j=1 j=i+1
18 Beispiel: Zur numerischen Lösung des Randwertproblems 2 Ordnung u (x) = f(x), x [0, 1], mit u(0) = u(1) = 0 führt man die übliche Diskretisierung u (x k ) 2u(x k) u(x k 1 ) u(x k+1 ), h = 1 h 2 n+1, x k = kh, 0 k n+1, durch und löst das lineare Gleichungssystem Au = b mit der Tridiagonalmatrix A = R n n zur rechten Seite b k = h 2 f(x k ), 1 k n Für spätere Zwecke halten wir fest: die Eigenwerte von A sind ( λ k = 2 1 cos kπ ), 1 k n, n+1 und zugehörige Eigenvektoren sind ( v k = sin jkπ ) n+1 1 j n
19 Zu f(x) 1 sowie n = 4 ist die exakte Lösung u = (2, 3, 3, 2) T Gesamt- und Einzelschrittverfahren liefern die Werte der folgenden Tabellen Tabelle: GSV zum 1-dim Modellproblem, h = 1 5 x (0) x (1) x (2) x (3) x (4) x (5) x (6) x (7) x (20) Tabelle: ESV zum 1-dim Modellproblem, h = 1 5 x (0) x (1) x (2) x (3) x (4) x (5) x (6) x (7) x (20)
20 Die Matrix A = (a ij ) wird zerlegt in 0 0 a a 12 a 1n L = a 21, D = 0 0, R = an 1,n a n1 a n,n a nn 0 0 (i) Die Iterationsfunktion des Gesamtschrittverfahrens lautet φ GSV(x) = (I D 1 A)x + D 1 b = D 1 (L+R)x + D 1 b (ii) Die Iterationsfunktion des Einzelschrittverfahrens lautet φ ESV(x) = (I (L+D) 1 A)x+(L+D) 1 b = (L+D) 1 Rx+(L+D) 1 b Verglichen mit der allgemeinen Form φ(x) = (I C 1 A)x + C 1 b = Bx + c, werden hier also die folgenden Iterationsmatrizen verwendet: B = D 1 (L+R), B = (L+D) 1 R, (Gesamtschrittverfahren) (Einzelschrittverfahren)
21 Die Konvergenz der Fixpunktiteration x (k+1) = (I C 1 A)x (k) + C 1 b = Bx [k] + c (F) bei beliebigem Startwert x (0) R n : Satz: Die Matrizen A und C seien reguär Dann sind die folgenden Aussagen äquivalent: (i) Die Fixpunktiteration (F) konvergiert bei beliebigem Startvektor x [0] R n gegen die Lösung x des linearen Gleichungssystems Ax = b (ii) Die Iterationsmatrix B = I C 1 A hat den Spektralradius ρ(b) = max{ λ : λ Eigenwert von B} < 1 (iii) Es gibt eine natürliche Matrixnorm auf R n n mit B < 1 Bemerkung: Matrixnormen p, p = 1, 2, sind natürliche Matrixnormen
22 Äquivalenz von (ii) und (iii) folgt aus Hilfssatz: Gegeben sei die Matrix B R n n (i) Für jede natürliche Matrixnorm : R n n R gilt ρ(b) B (ii) Zur Matrix B R n n und beliebigem ǫ > 0 existiert eine natürliche Matrixnorm : R n n R so, dass für den Spektralradius ρ(b) gilt B ρ(b)+ǫ Bemerkungen: (i) Für hermitesche Matrizen B C n n stimmen der Spektralradius und die Spektralnorm überein: ρ(a) = A 2 (ii) Der Satz liefert die fundamentale Beziehung ( ρ(b) = lim sup B k ) 1/k, k wobei eine beliebige Matrixnorm ist
23 Satz: lineare Konvergenz der Fixpunktiteration Falls die Fixpunktiteration (F) bei beliebigem Startwert x [0] gegen die Lösung x von Ax = b konvergiert, so gilt lim sup k ( x [k] x ) 1/k ρ(b) x [0] x Bemerkung: Selbst wenn B 1, aber q = ρ(b) < 1 gilt, so wird nach einigen Schritten die lineare Konvergenz x [k] x 0 mit der Geschwindigkeit q k k 0 sichtbar
24 Definition und Satz: Eine Matrix A R n n heißt stark diagonaldominant, wenn a ii > n a ij für alle 1 i n gilt Falls A stark diagonaldominant ist, so gilt j=1 j i ρ( D 1 (L+R)) D 1 (L+R) < 1, ρ( (L+D) 1 R) (L+D) 1 R < 1 Satz: Falls A positiv definit ist, so konvergiert das Einzelschrittverfahren
25 Um die Konvergenz beim ESV zu beschleunigen, wird in jedem Berechnungsschritt (innere Schleife des ESV) eine Verlängerung der Korrektur vorgenommen: 242 SOR (=successive over-relaxation)-verfahren Die Matrix A habe Diagonalelemente a ii 0 Weiter sei ω R (ω wird Relaxationsparameter genannt) 1 Wähle beliebigen Startvektor x [0] R n, zb x [0] i 2 Für k = 0, 1, 2, für i = 1, 2,,n x [k+1] i = 1 i 1 b i a ij x [k+1] j a ii j=1 = b i a ii n a ij x [k] j=i+1 j x [k+1] i = ω x [k+1] i +(1 ω)x [k] i
26 Beispiel: Tabelle: SOR zum 1-dim Modellproblem, h = 1 5, ω = 12 x [0] x [1] x [2] x [3] x [4] x [5] x [6] x [7] x [13] Tabelle: SOR zum 1-dim Modellproblem, h = 1 5, ω = 13 x [0] x [1] x [2] x [3] x [4] x [5] x [6] x [7] x [9]
27 Iterationsfunktion des SOR-Verfahrens Mit A = L + D + R lautet die Iterationsfunktion des SOR-Verfahrens φ SOR (x) = H ω x +ω(d +ωl) 1 b, ω RR, mit der Iterationsmatrix H ω = (D +ωl) 1 ((1 ω)d ωr) Herleitung: i 1 a ii x [k+1] i +ω a ij x [k+1] j j=1 = ωb i ω n j=i+1 a ij x [k] j +(1 ω)a ii x [k] i Dies lautet (D +ωl)x [k+1] = ωb+((1 ω)d ωr)x [k] Bemerkung: Für ω = 1 ist φ SOR = φ ESV
28 Satz: (i) von Kahan: Für beliebiges A mit Diagonalelementen a ii 0 und beliebiges ω R ist ρ(h ω ) ω 1 Die Konvergenz des SOR-Verfahrens kann also höchstens für ω (0, 2) eintreten (ii) von Reich und Ostrowski: Für jede positiv definite Matrix A und jedes ω (0, 2) gilt ρ(h ω ) < 1, also ist das SOR-Verfahren konvergent
29 243 CG-Verfahren (konjugierte Gradienten) Problem 2 : Seien A R n n positiv definit und b R n Löse Ax = b Bemerkung: Problem 2 ist äquivalent zur Minimierungsaufgabe für die konvexe Funktion Φ : R n R Φ(x) = 1 2 x T Ax x T b min! Denn der Gradient Φ(x) = Ax b = 0 genau dann, wenn x das Problem 2 löst, und die Hessematrix A positiv definit ist Definition: Zwei Vektoren v, w R n \{0} heißen konjugiert bzgl A, falls (v, w) A = v T Aw = 0
30 Algorithmus: CG-Verfahren Die Matrix A R n n sei positiv definit und b R n Wähle beliebigen Startvektor x (0) R n 1 r (0) = A x (0) b, d (0) = r (0) 2 Für k = 0, 1, 2, x (k+1) = x (k) +α k d (k), α k = r(k) 2 2 (d (k),d (k) ) A r (k+1) = r (k) +α k A d (k) d (k+1) = r (k+1) +β k d (k), β k = r(k+1) 2 2 r (k) 2 2 Konvergenzgeschwindigkeit ist linear ( k x (k) cond2 (A) 1 x A 2 x cond2 (A)+1) (0) x A, y A := y T Ay
KAPITEL 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
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
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.
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
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
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:
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) =
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
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
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
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
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
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
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
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
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
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.
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
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
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
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
MehrNumerisches Programmieren
Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches
MehrUntersuchung dünnbesetzter QR-Verfahren bei der Berechnung dünnbesetzter approximativer Inverser
Technische Universität München Institut für Informatik Untersuchung dünnbesetzter QR-Verfahren bei der Berechnung dünnbesetzter approximativer Inverser Diplomarbeit im Fach Informatik Andreas Roy Aufgabensteller
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
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.
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
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
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
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
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
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
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
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
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 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
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
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
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
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
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
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
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 )
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
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.
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
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
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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
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
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:
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
MehrTechnische Universität Dortmund Fakultät für Mathematik Lehrstuhl für angewandte Mathematik und Numerik Prof. Dr. Stefan Turek Dr.
Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl für angewandte Mathematik und Numerik Prof. Dr. Stefan Turek Dr. Thomas Hübner Ausarbeitung zum WiMa-Praktikum WS 2013/14 Thema: Finite-Dierenzen
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
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
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
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
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.
MehrMathematische Grundlagen
Kapitel 2 Mathematische Grundlagen In diesem Kapitel werden für die nachfolgenden Untersuchungen wesentliche Grundlagen bereitgestellt. 2.1 Differentiell-algebraische Gleichungssysteme 2.1.1 Einführung
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
MehrEinführung in die finite Elemente Methode
Einführung in die finite Elemente Methode Andreas Stahel Juni 24 Zusammenfassung In einem ersten Abschnitt werden die Grundideen der Methode der Finiten Elemente an einem einfachen System von Stäben illustriert.
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrSerie 13: Online Test
D-ERDW, D-HEST, D-USYS Mathematik I HS 3 Dr. Ana Cannas Serie 3: Online Test Einsendeschluss: 3. Januar 4 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung verwenden.
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
MehrNumerik von PDEs - Bepreisung von amerikanischen Optionen. Andreas Peterseil
Numerik von PDEs - Bepreisung von amerikanischen Optionen Andreas Peterseil 9. Februar 01 Inhaltsverzeichnis 1 Black-Scholes-Gleichung 3 1.1 Begriffsbildungen und Sätze...................................
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
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
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
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
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.
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Dr. Nico Düvelmeyer Freitag, 8. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 NLP Aufgabe KKT 2 Nachtrag
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
MehrFinite Differenzen und Elemente
Dietrich Marsal Finite Differenzen und Elemente Numerische Lösung von Variationsproblemen und partiellen Differentialgleichungen Mit 64 Abbildungen Springer-Verlag Berlin Heidelberg NewYork London Paris
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
MehrAplikace matematiky. Miroslav Šisler Über ein mehrparametriges Iterationsverfahren für lineare algebraische Gleichungssysteme
Aplikace matematiky Miroslav Šisler Über ein mehrparametriges Iterationsverfahren für lineare algebraische Gleichungssysteme Aplikace matematiky, Vol. 35 (1990), No. 5, 337--349 Persistent URL: http://dml.cz/dmlcz/104415
Mehrhttp://www.mathematik.uni-kl.de/ gramlich
Vorwort MATLAB ist inzwischen in vielen Hochschulen, Universitäten und Fachhochschulen gleichermaßen ein etabliertes Programmsystem, das sowohl im Fach Mathematik selbst als auch in noch stärkerem Maße
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
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Computerbasierte Mathematische Modellierung für Mathematiker, Wirtschaftsmathematiker, Informatiker im Wintersemester
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
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,
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
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:
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
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:
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;.
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
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
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
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)
MehrNichtlineare Optimierungsprobleme mit Komplexität
Definition eines Nichtlinearen Optimierungsproblemes (NLP) min f (x) bzw. min f (x) s.d. x S x S wobei die zulässige Menge S R n typischerweise definiert ist durch S {x R n : h(x) =, c(x) } für Gleichungs-
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten
MehrStabilität mittels Ljapunov Funktion
Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt
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
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
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
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
Mehr