Konvergenz der diskreten Lösungen und Fehlerabschätzung
|
|
- Joachim Krause
- vor 6 Jahren
- Abrufe
Transkript
1 Konvergenz der diskreten Lösungen und Fehlerabschätzung Michael de Mourgues LMU München Bruck am Ziller, Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 1/14
2 Das Problem und dessen Diskretisierung Poissongleichung: u = f in G, u = g auf G bzw. Tu = b mit Tu = ( u, u G ), b = (f, g) T T h D Y h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 2/14
3 Das Problem und dessen Diskretisierung Poissongleichung: u = f in G, u = g auf G bzw. Tu = b mit Tu = ( u, u G ), b = (f, g) Diskretisierung: ordne Tu h = b h zu, löse nach u h. h 0 Ziel: u u h X 0 X T Y X h T h Y h D Y h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 2/14
4 Das Problem und dessen Diskretisierung Poissongleichung: u = f in G, u = g auf G bzw. Tu = b mit Tu = ( u, u G ), b = (f, g) Diskretisierung: ordne Tu h = b h zu, löse nach u h. h 0 Ziel: u u h X 0 X T Y X h T h Y h D Y h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 2/14
5 Das Problem und dessen Diskretisierung Poissongleichung: u = f in G, u = g auf G bzw. Tu = b mit Tu = ( u, u G ), b = (f, g) Diskretisierung: ordne Tu h = b h zu, löse nach u h. h 0 Ziel: u u h X 0 X T Y X h T h Y h D Y h Verfahren: Differenzenverfahren, Ritz-Galerkin-Verfahren,... Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 2/14
6 Das Problem und dessen Diskretisierung Poissongleichung: u = f in G, u = g auf G bzw. Tu = b mit Tu = ( u, u G ), b = (f, g) Diskretisierung: ordne Tu h = b h zu, löse nach u h. h 0 Ziel: u u h X 0 X T Y X h T h Y h D Y h Verfahren: Differenzenverfahren, Ritz-Galerkin-Verfahren,... Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 2/14
7 Diskretisierung mit Ritz-Galerkin-Verfahren Kontinuierliches Problem: Lösung u der Poissongleichung minimiert I mit I (v) = 1 2 G v 2 f (v) für v H 1 H 1 (G) H 1 (G) Xh Xh Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 3/14
8 Diskretisierung mit Ritz-Galerkin-Verfahren Kontinuierliches Problem: Lösung u der Poissongleichung minimiert I mit I (v) = 1 2 G v 2 f (v) für v H 1 I (u) = inf v H 1 I (v) G u ϕ = f (ϕ) ϕ H 1 (G) H 1 (G) H 1 (G) Xh X h Xh X h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 3/14
9 Diskretisierung mit Ritz-Galerkin-Verfahren Kontinuierliches Problem: Lösung u der Poissongleichung minimiert I mit I (v) = 1 2 G v 2 f (v) für v H 1 I (u) = inf v H 1 I (v) G u ϕ = f (ϕ) ϕ H 1 (G) Mit = G u ϕ haben wir ( u)(ϕ) = f (ϕ) H 1 (G) H 1 (G) Xh X h Xh X h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 3/14
10 Diskretisierung mit Ritz-Galerkin-Verfahren Kontinuierliches Problem: Lösung u der Poissongleichung minimiert I mit I (v) = 1 2 G v 2 f (v) für v H 1 I (u) = inf v H 1 I (v) G u ϕ = f (ϕ) ϕ H 1 (G) Mit = G u ϕ haben wir ( u)(ϕ) = f (ϕ) H 1 (G) H 1 (G) Xh X h Xh X h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 3/14
11 Diskretisierung mit Ritz-Galerkin-Verfahren Diskretes Problem: Lösung u h minimiert I mit I (v) = 1 2 für v X h H 1 (G), endlichdimensional G v 2 f (v) Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 4/14
12 Diskretisierung mit Ritz-Galerkin-Verfahren Diskretes Problem: Lösung u h minimiert I mit I (v) = 1 2 für v X h H 1 (G), endlichdimensional G v 2 f (v) X h = span{ψ 1,..., ψ N }, u h = N j=1 u jψ j Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 4/14
13 Diskretisierung mit Ritz-Galerkin-Verfahren Diskretes Problem: Lösung u h minimiert I mit I (v) = 1 2 für v X h H 1 (G), endlichdimensional G v 2 f (v) X h = span{ψ 1,..., ψ N }, u h = N j=1 u jψ j G u h ϕ h = f (ϕ h ) G u h ψ i = f (ψ i ) 1 i N Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 4/14
14 Diskretisierung mit Ritz-Galerkin-Verfahren Diskretes Problem: Lösung u h minimiert I mit I (v) = 1 2 für v X h H 1 (G), endlichdimensional G v 2 f (v) X h = span{ψ 1,..., ψ N }, u h = N j=1 u jψ j G u h ϕ h = f (ϕ h ) G u h ψ i = f (ψ i ) 1 i N N j=1 u j ψ j ψ i = f (ψ i ) 1 i N Sū = G f }{{} =S ij Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 4/14
15 Diskretisierung mit Ritz-Galerkin-Verfahren Diskretes Problem: Lösung u h minimiert I mit I (v) = 1 2 für v X h H 1 (G), endlichdimensional G v 2 f (v) X h = span{ψ 1,..., ψ N }, u h = N j=1 u jψ j G u h ϕ h = f (ϕ h ) G u h ψ i = f (ψ i ) 1 i N N j=1 u j Ziel: u u h H 1 (G) ψ j ψ i = f (ψ i ) 1 i N Sū = G f }{{} =S ij h 0 0 Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 4/14
16 Bestapproximation: Céas Lemma Mit den Variationsproblemen für u, u h folgt diskret ϕ h X h G u h ϕ h = f (ϕ h ) G kontinuierlich ϕ H 1 (G) u ϕ = f (ϕ) Leite Abschätzung für u u h H 1 (G) her: Da X h H 1 (G) gilt insbesondere ϕ h X h : (u u h ) ϕ h = 0 G Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 5/14
17 und für (u u h ) 2 L 2 (G) = G (u u h ) u (u u h ) u h G deshalb mit u h X h = (u u h ) (u ϕ h ) (u u h ) L 2 (G) (u ϕ h ) L 2 (G) G sodass folgt Satz Für schwache Lösung u, diskrete Lösung u h X h H 1 (G) : (u u h ) L 2 (G) = inf ϕ h X h (u ϕ h ) L 2 (G) Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 6/14
18 und für (u u h ) 2 L 2 (G) = G (u u h ) u (u u h ) u h G deshalb mit u h X h = (u u h ) (u ϕ h ) (u u h ) L 2 (G) (u ϕ h ) L 2 (G) G sodass folgt Satz Für schwache Lösung u, diskrete Lösung u h X h H 1 (G) : (u u h ) L 2 (G) = inf ϕ h X h (u ϕ h ) L 2 (G) Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 6/14
19 Geeignete X h : Simpliziale Lagrange-Elemente FEM: Simpliziale Lagrange-Elemente 1. Zerlege G in Simplizes T i, (h = max T T h(t )) 2. Stückweise polynomiale Funktionen P k (T i ) 3. X h = {v h C 0 (G) u h T P k (T ), T T } H 1 X h : endlichdimensional, H 1 u h eindeutig über Sū=f bestimmt, (u u h ) L 2 (G) u u h H 1 (G) u ϕ h H 1 (G) möglich. Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 7/14
20 Geeignete X h : Simpliziale Lagrange-Elemente FEM: Simpliziale Lagrange-Elemente 1. Zerlege G in Simplizes T i, (h = max T T h(t )) 2. Stückweise polynomiale Funktionen P k (T i ) 3. X h = {v h C 0 (G) u h T P k (T ), T T } H 1 X h : endlichdimensional, H 1 u h eindeutig über Sū=f bestimmt, (u u h ) L 2 (G) u u h H 1 (G) u ϕ h H 1 (G) möglich. Ziel: u u h H 1 (G) ch α : Konvergenz & Abschätzung von RG für X h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 7/14
21 Konvergenz und Abschätzung per Interpolation Konstruiere Operator I mit Iu X h, sodass u Iu H 1 (G) ch α 1. Einführung von Interpolationsoperatoren 2. Abschätzung Norm mit Halbnorm 3. Transformation mit Halbnormen 4. Transformation und Gitterweite Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 8/14
22 Konvergenz und Abschätzung per Interpolation Konstruiere Operator I mit Iu X h, sodass u Iu H 1 (G) ch α 1. Einführung von Interpolationsoperatoren Lagrangeinterpolator, Scott-Zhang-Interpolator, Abschätzung Norm mit Halbnorm 3. Transformation mit Halbnormen 4. Transformation und Gitterweite Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 8/14
23 Konvergenz und Abschätzung per Interpolation Konstruiere Operator I mit Iu X h, sodass u Iu H 1 (G) ch α 1. Einführung von Interpolationsoperatoren 2. Abschätzung Norm mit Halbnorm u Iu H 1 (G) ( I + E ) u Iu H k+1 (G) 3. Transformation mit Halbnormen 4. Transformation und Gitterweite Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 8/14
24 Poincaré-Ungleichungen Nur höchste Ableitungen beste Potenzen von h Satz Für G R n konvex und beschränkt gibt es für u H 1,p, G u = 0 ein c P 0, sodass u L p (G) u L p (G) H l,p(g) enthält nur höchste Ableitungen Folgerung Sei u H l,p D α u = 0 ( α = 1,..., l 1) u H l,p (G) c u H l,p (G) G Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 8/14
25 Konvergenz und Abschätzung per Interpolation Konstruiere Operator I mit Iu X h, sodass u Iu H 1 (G) ch α 1. Einführung von Interpolationsoperatoren 2. Abschätzung Norm mit Halbnorm 3. Transformation mit Halbnormen u h H m (T 0 ) c A m det A 1/2 u h H m (T ) 4. Transformation und Gitterweite Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 9/14
26 Konvergenz und Abschätzung per Interpolation Konstruiere Operator I mit Iu X h, sodass u Iu H 1 (G) ch α 1. Einführung von Interpolationsoperatoren 2. Abschätzung Norm mit Halbnorm 3. Transformation mit Halbnormen 4. Transformation und Gitterweite c A m det A l u h H m (T ) σ(t )h(t ) m l u h H m (T ) Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 9/14
27 Konvergenz- und Abschätzungsbeweis Sei G R n, σ(t ) σ 0, T zulässig triangulisiert, X h = {v h C 0 (G) u h T P k (T ), T T } H 1, u die schwache und u h die diskrete Lösung. Mit Céa s Lemma und der Wahl ϕ h = Iu folgt u u h H 1 (G) u Iu H 1 (G) 1. I =Lagrangeinterpolator, k s Lemma H s+1 H 1 n 3 u Iu H 1 (T ) cσ(t )h(t ) k u H k+1 (T ) σ σ 0 u u h H 1 (G) ch s u H s+1 (G), für ein 1 s k Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 10/14
28 Konvergenz- und Abschätzungsbeweis Sei G R n, σ(t ) σ 0, T zulässig triangulisiert, X h = {v h C 0 (G) u h T P k (T ), T T } H 1, u die schwache und u h die diskrete Lösung. Mit Céa s Lemma und der Wahl ϕ h = Iu folgt u u h H 1 (G) u Iu H 1 (G) 2. I =Scott-Zhang-Interpolator Lemma u Iu H 1 (T ) cσ(t )h(t ) k u H k+1 (T ) σ σ 0 u u h H 1 (G) ch s u H s+1 (G), für ein 1 s k Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 10/14
29 Beispiel mit Abschätzung Sei auf G = (0, 1) 2 Funktion u(x 1, x 2 ) = 1 4 e 5x2 1 +x2 2 kontinuierliche Lösung. verwende FEM (linear) für diskrete Lösung schätze Fehler ab bez. L 2, H 1,2 für Gitterweite h. Beobachte auch eoc = log E(h 1) E(h 2 ) (log h 1 h 2 ) 1 Idee: E(h) = ch eoc Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 11/14
30 Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 12/14
31 Rückblick zum Vorgehen Idee der Diskretisierung Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
32 Rückblick zum Vorgehen Idee der Diskretisierung Aufbau eines Verfahrens Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
33 Rückblick zum Vorgehen Idee der Diskretisierung Aufbau eines Verfahrens Wahl des Verfahrens: Ritz-Galerkin Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
34 Rückblick zum Vorgehen Idee der Diskretisierung Aufbau eines Verfahrens Wahl des Verfahrens: Ritz-Galerkin Verwende dafür Lagrangeelemente auf Simplizes Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
35 Rückblick zum Vorgehen Idee der Diskretisierung Aufbau eines Verfahrens Wahl des Verfahrens: Ritz-Galerkin Verwende dafür Lagrangeelemente auf Simplizes Bestätigung des Verfahrens Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
36 Rückblick zum Vorgehen Idee der Diskretisierung Aufbau eines Verfahrens Wahl des Verfahrens: Ritz-Galerkin Verwende dafür Lagrangeelemente auf Simplizes Bestätigung des Verfahrens diskrete Lösung approximiert optimal von Funktionen in X h Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
37 Rückblick zum Vorgehen Idee der Diskretisierung Aufbau eines Verfahrens Wahl des Verfahrens: Ritz-Galerkin Verwende dafür Lagrangeelemente auf Simplizes Bestätigung des Verfahrens diskrete Lösung approximiert optimal von Funktionen in X h Schon nicht optimale Funktionen Iu X h approximieren gut h α Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
38 Rückblick zum Vorgehen Idee der Diskretisierung Aufbau eines Verfahrens Wahl des Verfahrens: Ritz-Galerkin Verwende dafür Lagrangeelemente auf Simplizes Bestätigung des Verfahrens diskrete Lösung approximiert optimal von Funktionen in X h Schon nicht optimale Funktionen Iu X h approximieren gut h α diskrete Lösung aus Verfahren konvergiert gegen schwache Lösung Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 13/14
39 Konvergenz der diskreten Lösungen und Fehlerabschätzung Michael de Mourgues LMU München Bruck am Ziller, Michael de Mourgues Konvergenz der diskreten Lösungen und Fehlerabschätzung 14/14
Übungen 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)
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
MehrDie Methode der Finiten Elemente
KAPITEL 2 Die Methode der Finiten Elemente 1. Theoretische Grundlagen Wir bezeichnen im Folgenden mit H m (Ω) L 2 (Ω), Ω R n offen, den Sobolevraum aller Funktionen mit schwachen Ableitungen α u in L 2
MehrThemen Lagrange-Interpolation Hermite-Interpolation. Splines. Bézier-Kurven. 5 Interpolation. Interpolation Die Lagrangesche Interpolationsaufgabe
5 Themen Lagrange- Bézier-Kurven saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad n. saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad
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)
MehrApproximation. E(N) N. Beachte: Der Wert für N = 32 ist vernachlässigt, da er in der Grössenordnung der Rechengenauigkeit liegt.
Approximation Ziel: Approximation der Funktion f(x) = x mit Polynomen (global und stückweise) Experiment: Abhängigkeit des Approximationsfehlers E(N) (in der Maximumnorm) von der Anzahl der Freiheitsgrade
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
Mehr10 Die Methode der finiten Elemente für ein parabolisches Problem
1 Die Methode der finiten Elemente für ein parabolisches Problem In diesem Kapitel untersuchen wir die Approximation von Lösungen der Modell-Wärmeleitungsgleichung in zwei räumlichen Dimensionen mithilfe
MehrVektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 18.12.15 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
Mehr3.5 Glattheit von Funktionen und asymptotisches Verhalten der Fourierkoeffizienten
Folgerung 3.33 Es sei f : T C in einem Punkt x T Hölder stetig, d.h. es gibt ein C > und ein < α 1 so, dass f(x) f(x ) C x x α für alle x T. Dann gilt lim N S N f(x ) = f(x ). Folgerung 3.34 Es f : T C
MehrNumerik II Finite Elemente. R. Verfürth
Numerik II Finite lemente Vorlesungsskriptum Sommersemester 16 R Verfürth Fakultät für Mathematik, Ruhr-Universität Bochum Inhaltsverzeichnis Motivation 5 apitel I Analytische Grundlagen 15 I1 Abstrakte
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
Mehralso ist Sx m eine Cauchyfolge und somit konvergent. Zusammen sagen die Sätze 11.1 und 11.2, dass B (X) ein abgeschlossenes zweiseitiges
11. Kompakte Operatoren Seien X, Y Banachräume, und sei T : X Y ein linearer Operator. Definition 11.1. T heißt kompakt, enn T (B) eine kompakte Teilmenge von Y ist für alle beschränkten Mengen B X. Wir
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS/ / Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung 6Das Newton-Verfahren
Mehrϕ k (t)ψ j (s) 2 ds)dt < folgt ϕ k (t)ψ j (s) δ j1,j 2 und daher handelt es sich um ein Orthonormalsystem in L 2 (Ω 1 Ω 2 ).
1) a) Wir wollen zeigen, dass {ϕ k (t)ψ j (s)} j,k N0 eine Orthonormalbasis ist. Beachte dabei zunächst, dass (t, s) ϕ k (t)ψ j (s) für alle j, k N 0 messbare Abbildungen auf Ω 1 Ω 2 sind und da Ω 1 ϕ
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
MehrKapitel 3 Finite Element Methode
Kapitel 3 Finite Element Methode. Grundlagen der Methode der Finiten Elemente (FEM) Dir erste Methode bei der Grundzüge der FEM zu finden sind, wurde vor mehr als 5 Jahre von Schellbach beschrieben um
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrNUMERISCHE MATHEMATIK I
D-MATH ETH Zürich, 22. August 2011 Prof. Ch. Schwab NUMERISCHE MATHEMATIK I 1. Interpolation und Quadratur (25 P.) a) Sei [a, b] R 1 mit a < b ein beschränktes Intervall, und f C 2 ([a, b]). Zeigen Sie,
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
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
MehrNumerik partieller Differentialgleichungen
Numerik partieller Differentialgleichungen Oliver Ernst Professur Numerische Mathematik Sommersemester 2015 Inhalt I Oliver Ernst (Numerische Mathematik) Numerik partieller Differentialgleichungen Sommersemester
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrHarmonische und Holomorphe Funktionen
Harmonische und Holomorphe Funktionen Jonathan Bischoff LMU München illertal am 14.12.2014 Jonathan Bischoff Harmonische und Holomorphe Funktionen 1/14 Definition harmonische Funktion Sei G R 2 ein Gebiet.
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
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Analysis I für Studierende der Ingenieurwissenschaften Ingenuin Gasser Department Mathematik Universität Hamburg Technische Universität Hamburg Harburg Wintersemester 2008/2009 3.2 Konvergenzkriterien
Mehr2 Allgemeine Integrationstheorie
2 Allgemeine Integrationstheorie In diesem Abschnitt ist (,S,µ) ein Maßraum, und wir betrachten R immer mit der σ Algebra B(R). Ziel ist es, messbare Funktionen f : R zu integrieren. Das Maß µ wird uns
MehrNumerische Simulation mit finiten Elementen
Institut für Numerische Mathematik und Optimierung Numerische Simulation mit finiten Elementen Antje Franke-Börner Übung im gleichnamigen Modul Hörerkreis: 2. MNC, 2. MGPHY, 4. BGIP, 6. BEC-II, 2. MGIN
MehrTheorie und Numerik von Variationsungleichungen
Theorie und Numerik von Variationsungleichungen Mitschrift von M. Dücker unter Mitarbeit von C. Fasel, J. Frohne und I. Cherlenyak zu einer Vorlesung von Prof. F.-T. Suttmeier Fachbereich 6 - Mathematik
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
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
MehrGalerkin-Diskretisierung von Eigenwertproblemen für partielle Differentialgleichungen
Galerkin-Diskretisierung von Eigenwertproblemen für partielle Differentialgleichungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science an der Technischen Universität Berlin Verfasser:
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
MehrNumerische Integration
Numerische Integration home/lehre/vl-mhs-1/folien/uebung/num_integration/cover_sheet_5a.tex Seite 1 von 12. p.1/12 Inhaltsverzeichnis 1. Einführung 2. Newton-Cotes Formeln Rechteckformel Trapezformel Simpsonsche
MehrEinführung in die Analysis
Ergänzungen zur Vorlesung Einführung in die Analysis Christian Schmeiser 1 Vorwort In dieser Vorlesung werden Grundbegriffe der Analysis wie Folgen und Reihen, Konvergenz und Vollständigkeit am Beispiel
MehrEigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
MehrOrlicz-Räume. Toni Scharle. Zillertal / LMU München. Motivation N-Funktionen Orlicz-Räume Ausblick
Orlicz-Räume Toni Scharle LMU München Zillertal / 12.12.2013 15.12.2013 Toni Scharle Orlicz-Räume 1/14 Motivation Erinnerung: u L p () = u(x) p dx A ( u(x) ) dx < mit A : R + 0 R+ 0 t t p Mögliche Verallgemeinerung:
MehrSatz von Taylor Taylorreihen
Satz von Taylor Taylorreihen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de Tangente als Näherung Weil sich anschaulich die Tangente anschmiegt, ist die Tangentenfunktion
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrKonvergenz interpolierender Polynome
Technische Universität Berlin Institut für Mathematik Konvergenz interpolierender Polynome Seminar Differentialgleichungen im Sommersemester 2012 bei Prof. Dr. Etienne Emmrich vorgelegt von David Breiter
MehrDifferentialformen Äußere Ableitung Abbildungen Konverse Poincaré Lemma. Die Äußere Ableitung. Felix Retter
25.06.2008 Inhaltsangabe Differentialformen Äußere Ableitung Abbildungen Konverse Poincaré Lemma Die p-form Sei P ein Punkt in E n. Der n-dimensionale lineare Raum L = L p wird dann gebildet von n a i
Mehr2 Lineare Operatoren. T(αx + βy) = αtx + βty x,y X, α, β K. (b) Ist T linear, so heißt
2 Linere Opertoren Im Folgenden seien X,Y, Z stets normierte Räumen über dem selben Körper K = C oder K = R. 2.1. Definition. () Eine Abbildung T : X Y heißt liner, flls T(αx + βy) = αtx + βty x,y X, α,
MehrIn der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y
Approximationen In der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y y = f (x) x Um das Arbeiten mit einer komplizierten Funktion zu vermeiden, können wir versuchen, diese Funktion
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
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
MehrNumerik partieller Differentialgleichungen I
Numerik partieller Differentialgleichungen I Bernd Simeon Skriptum zur Vorlesung im Sommersemester 2015 TU Kaiserslautern, Fachbereich Mathematik 1. Beispiele und Typeinteilung 2. Finite Differenzen für
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
MehrKAPITEL 2. Folgen und Reihen
KAPITEL 2 Folgen und Reihen 1. Konvergenz und Divergenz Definition 2.1 (Folgen). Eine Abbildung a : N R (bzw. a : N 0 R) nennt man Folge. Statt a : N R schreibt man meist (a n ) n N und a n statt a(n).
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
Mehr17 Nichtparametrische Schätzer
17 Nichtparametrische Schätzer In diesem Paragraphen werden kurz einige Möglichkeiten skizziert, auch in nichtparametrischen Modellenzu Schätzern fürinteressierende statistische Größenzugelangen. a Empirische
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.
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
MehrKapitel 4. Interpolation. 4.1 Allgemeines Normen von Funktionen
Kapitel 4 Interpolation 4 Allgemeines Nähere Funktion/Daten durch einfache Funktionen (eg Polynome) an Brauchbar für: - Integration - Differentiation [zb f(x) sei durch Polynom p(x) approximiert, F(x)
MehrKLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)
Mathematisches Institut WS 2012/13 der Heinrich-Heine-Universität 7.02.2013 Düsseldorf Prof. Dr. Achim Schädle KLAUSUR zu Einführung in die Optimierung Bitte folgende Angaben ergänzen und DEUTLICH LESBAR
MehrNormen zur Charakterisierung der schwach*- Konvergenz beschränkter Folgen
Math. Semesterber. 48, 247 260 (2002) c Springer-Verlag 2002 Folkmar Bornemann Normen zur Charakterisierung der schwach*- Konvergenz beschränkter Folgen Eingegangen am 16. Februar 2001 / Angenommen am
MehrEine divergenzfreie Rekonstruktion für eine nicht-konforme Diskretisierung der inkompressiblen Stokes-Gleichungen
Eine divergenzfreie Rekonstruktion für eine nicht-konforme Diskretisierung der inkompressiblen Stokes-Gleichungen von Christian Brennecke Bachelorarbeit in Mathematik vorgelegt der Fakultät für Mathematik
MehrNUMERISCHE MATHEMATIK II 1. (Studiengang Mathematik) Prof. Dr. Hans Babovsky. Institut für Mathematik. Technische Universität Ilmenau WS 2001/2002
NUMERISCHE MATHEMATIK II 1 (Studiengang Mathematik) Prof Dr Hans Babovsky Institut für Mathematik Technische Universität Ilmenau WS 2001/2002 1 Korrekturen, Kommentare und Verbesserungsvorschläge bitte
MehrSchnelle Berechnung von Randintegraloperatoren auf der Grafikkarte
Schnelle Berechnung von Randintegraloperatoren auf der Grafikkarte Christian-Albrechts-Universität zu Kiel Technische Fakultät Institut für Informatik Diplomarbeit von Sven Christophersen geboren am 10.07.1986
MehrUniversität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
MehrDefinition und Eigenschaften Finiter Elemente
Definition und Eigenschaften Finiter Elemente 1 Das letzte Mal Im letzten Vortrag haben wir zum Schluss das Lemma von Lax Milgram präsentiert bekommen, dass ich hier nocheinmal in Erinnerung rufen möchte:
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 zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
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
MehrÜbungen zur Vorlesung Diskrete Strukturen
Abt. Reine Mathematik SS 06 Blatt 1 Di., 02.05.2006 um 14:15 Uhr vor Beginn der Vorlesung 1. Beweisen Sie: Ist n N mit n > 4 keine Primzahl, so gilt (n 1)! 0 mod n. 2. Berechnen Sie den größten gemeinsamen
MehrSatz 2.3. Jeder lineare normierte Raum wird durch Einführung einer Metrik
Kapitel Lineare normierte Räume.1 Allgemeiner Überblick Definition.1. Eine Menge X, in der über einem Zahlenkörper K (K = R oder K = C) die Addition und λ-multiplikation mit den üblichen Verbindungsaxiomen
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:
MehrSpiele für den. Christian Dax. Betreuer: Dr. Martin Lange. Wiederholung Spiele für VAL und SAT ν-line Automaten Entscheidungsverfahren
Spiele für den Linearzeit µ-kalkül Christian Dax Betreuer: Dr. Martin Lange 1 Kurzer Rückblick 2 Linearzeit µ-kalkül Definition (µtl) ϕ ::= a X ϕ ϕ ϕ ϕ Oϕ µx.ϕ νx.ϕ Example νx.a OOX (an jd. 2. Stelle gilt
MehrLösungsvorschläge Blatt 4
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt 4 Zürich, 21. Oktober 2016 Lösung zu Aufgabe 10 (a) Wir zeigen mit
Mehr9 Folgen und Reihen von Funktionen
9 Folgen und Reihen von Funktionen In diesem Abschnitt betrachten wir verschiedene Arten der Konvergenz einer Funktionenfolge Besonders interessiert uns die Frage, ob sich Eigenschaften der einzelnen Glieder
MehrLösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 1, 3.Aufl. (Version 2010), Kapitel 4
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band, 3.Aufl. (Version 00), Kapitel 4 0 Stetige Funktionen Abschnitt 0.B, Aufg. a), p. 49 (.8.00) : x Man berechne
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
MehrNumerische Ableitung
Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:
MehrRegulär variierende Funktionen
KAPITEL 4 Regulär variierende Funktionen Unser nächstes Ziel ist es, die Max-Anziehungsbereiche der Extremwertverteilungen zu beschreiben. Dies wird im nächsten Kapitel geschehen. Wir haben bereits gesehen,
Mehr6.8 Newton Verfahren und Varianten
6. Numerische Optimierung 6.8 Newton Verfahren und Varianten In den vorherigen Kapiteln haben wir grundlegende Gradienten-basierte Verfahren kennen gelernt, die man zur numerischen Optimierung von (unbeschränkten)
Mehrl p h (x) δw(x) dx für alle δw(x).
1.3 Potentielle Energie 5 In der modernen Statik benutzen wir statt dessen einen schwächeren Gleichheitsbegriff. Wir verlangen nur, dass die beiden Streckenlasten bei jeder virtuellen Verrückung dieselbe
MehrHöhere Mathematik für Naturwissenschaftler Studienjahr 2016/17
1/37 0. Organisatorisches 2/37 Übung Höhere Mathematik für Naturwissenschaftler Studienjahr 2016/17 Dr. Udo Lorz TU Bergakademie Freiberg Fakultät für Mathematik und Informatik Links zur Vorlesung Website
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
Mehr2 Stetigkeit und Differenzierbarkeit
2.1) Sei D R. a) x 0 R heißt Häufungspunkt von D, wenn eine Folge x n ) n N existiert mit x n D,x n x 0 und lim n x n = x 0. D sei die Menge der Häufungspunkte von D. b) x 0 D heißt innerer Punkt von D,
MehrGesucht ist eine holomorphe oder meromorphe Funktion, die die Fakultäten interpoliert. z z + m 1 f(z +m+1) = ( 1)m 1
23 3 Die Γ-Funktion Gesucht ist eine holomorphe oder meromorphe Funktion, die die Fakultäten interpoliert. f(n) = (n )! für n N. Das wird durch die Funktionalgleichung erreicht. Bemerkungen. f(z + ) =
MehrBeispiel. Gegeben sei die Folge (a n ) n N mit. a n := n 2 + 5n + 1 n. Es gilt. (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n n, woraus folgt
Beispiel. Gegeben sei die Folge (a n ) n N mit a n := n 2 + 5n + 1 n Es gilt ( ( ) (n 2 + 5n + 1) n 2 = n2 + 5n + 1 n) n2 + 5n + 1 + n, woraus folgt a n = (n2 + 5n + 1) n 2 n2 + 5n + 1 + n = 5n + 1 n2
MehrMathematik I Herbstsemester 2014
Mathematik I Herbstsemester 2014 www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 32 1 Stetigkeit Grenzwert einer
Mehr4 Die Hauptsätze über holomorphe Funktionen
$Id: holo.tex,v 1.7 2012/06/08 07:55:28 hk Exp hk $ 4 Die Hauptsätze über holomorphe Funktionen 4.2 Identitätssatz und erste Folgerungen Am Ende der letzten Sitzung hatten wir eine der wichtigsten Eigenschaften
MehrZweidimensionale Exploration mittels Gravimetrie
Zweidimensionale Exploration mittels Gravimetrie Dipl. Math. Sandra Möhringer TU Kaiserslautern Fraunhofer ITWM Geothermiekongress 2012 Karlsruhe 13. November 2012 Sicht der Mathematik: Kaiserslauterer
MehrMonotone Approximationen durch die Stirlingsche Formel. Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings
Monotone Approximationen durch die Stirlingsche Formel Wir beginnen mit einem einfachen Beweis einer schwachen Form von Stirlings Formel für n!: e n n e n n! e n n+/2 e n Genauer zeigen wir, dass die Folge
MehrDer Primzahlsatz. Es gibt eine Konstante A, so daß f(x) g(x) Ah(x) für alle genügend großen x.
Der Primzahlsatz Zusammenfassung Im Jahr 896 wurde von Hadamard und de la Vallée Poussin der Primzahlsatz bewiesen: Die Anzahl der Primzahlen kleiner gleich verhält sich asymptotisch wie / log. Für ihren
MehrLösungshinweise zu den Hausaufgaben:
P. Engel, T. Pfrommer S. Poppitz, Dr. I. Rybak 14. Gruppenübung zur Vorlesung Höhere Mathematik 1 Sommersemester 009 Prof. Dr. M. Stroppel Prof. Dr. N. Knarr Lösungshinweise zu den Hausaufgaben: Aufgabe
MehrIterative Verfahren zur Lösung von Linearen Gleichungssystemen
Kapitel 4 Iterative Verfahren zur Lösung von Linearen Gleichungssystemen Situation: A C n n schwach besetzt, n groß, b C n. Ziel: Bestimme x C n mit Ax = b. 4.1 Spliting-Methoden Die Grundidee ist hier
MehrKapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen
Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N
MehrΓ = {(x, f(x)) : x R} R 2
Numerik I. Version: 29.5.8 46 4 Interpolation 4.1 Einführung Nehmen wir an, dass eine Funktion f : R R eine physikalische Größe beschreibt und wir ihre Werte an n+1 verschiedenen Punkten x, x 1,...,x n
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
MehrHumboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen,T.
Humboldt-Universität zu Berlin Institut für Mathematik Prof. A. Griewank Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jansen,T. Streubel Lösungsalternativen für die Übungsaufgaben zur Vorlesung
MehrMusterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2012/13
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Musterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 22/3 Vorname Nachname Matrikelnummer
Mehr4.7 Der Taylorsche Satz
288 4 Differenziation 4.7 Der Taylorsche Satz Die Differenzierbarkeit, also die Existenz der ersten Ableitung einer Funktion, erlaubt bekanntlich, diese Funktion lokal durch eine affine Funktion näherungsweise
MehrElliptische Regularitätstheorie partieller Differentialgleichungen
Diplomarbeit Elliptische Regularitätstheorie partieller Differentialgleichungen vorgelegt von Markus Zmora Betreuer: Prof.László Erdös Ph.D Eingereicht am: 22.Juni 2009 Selbstständigkeitserklärung Hiermit
MehrStetigkeit von Funktionen
Stetigkeit von Funktionen Definition. Es sei D ein Intervall oder D = R, x D, und f : D R eine Funktion. Wir sagen f ist stetig wenn für alle Folgen (x n ) n in D mit Grenzwert x auch die Folge der Funktionswerte
Mehr