Berechnung von Eigenwerten und Eigenvektoren

Größe: px
Ab Seite anzeigen:

Download "Berechnung von Eigenwerten und Eigenvektoren"

Transkript

1 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. Bestimme λ C und v C n, v 0, so dass Av = λv 5.1) gilt. Hierbei heißt λ Eigenwert und v Eigenvektor zum Eigenwert λ. In der Vorlesung wird vor allem der Fall betrachtet, dass A eine symmetrische Matrix ist. Dann sind alle Eigenwerte und alle Eigenvektoren reell. Beispiel 5. Spektralnorm und Spektralkondition einer symmetrischen Matrix.Für eine symmetrische invertierbare Matrix A gelten A = λ max A) und A 1 = λ min A) 1. Damit muss man für die Berechnung der Spektralnorm von A den betragsmäßig größten Eigenwert bestimmen und zur Berechnung der Spektralkondition noch zusätzlich den betragsmäßig kleinsten Eigenwert. Es ist jedoch nicht nötig, alle Eigenwerte zu berechnen. Beispiel 5.3 Modellierung von Schwingungsabläufen, Sturm 1 Liouville Problem. Die gedämpfte Schwingung einer Feder wird durch die Differentialgleichung u x)+λrx)ux) = 0, x 0,1), 5.) mit den Randbedingungen u0) = u1) = 0 modelliert. In 5.) ist die Funktion r C[0,1]) mit rx) > 0 gegeben und die Funktion ux) sowie die Zahlen λ sind gesucht. Die Funktion rx) beschreibt die Dichte der Feder im Punkt x. Im Fall rx) 1 rechnet man direkt nach, dass λ = kπ) und ux) = sinkπx), k = 0,1,,... Lösungen von 5.) sind. Ist rx) nicht konstant, dann gibt es aber im Allgemeinen keine geschlossene Formel, um die Lösungen darzustellen. Man muss die Lösungen numerisch approximieren. Dazu kann man [0,1] in ein äquidistantes Gitter mit n Intervallen und der Schrittweite h = 1/n zerlegen. Nun werden die Funktionen rx) und ux) in 5.) in den Gitterpunkten x i, i = 0,...,n, betrachtet und die zweite Ableitung in den inneren Gitterpunkten wird durch einen Differenzenquotienten approximiert u x i ) ux i +h) ux i )+ux i h) h, i = 1,...,n ) 1 Jacques Charles Francois Sturm ) Joseph Liouville ) 60

2 Mit Taylor Entwicklung kann man nachrechnen, dass diese Approximation genau bis auf Terme der Ordnung h ist, wenn ux) glatt genug ist. In den Randpunkten braucht man die zweite Ableitung nicht, da dort die Lösung gegeben ist. Bezeichne u i die approximierte Lösung im Gitterpunkt x i, i = 0,...,n. Dann wird in der Praxis in 5.3) ux i ) durch u i usw. ersetzt. Einsetzen der Approximationen in 5.) ergibt für die Knoten u 0 = 0, u i+1 u i +u i 1 h +λrx i )u i = 0, i = 1,...,n 1, u n = 0. Die Randwerte kann man in die Gleichung für i = 1 beziehungsweise i = n 1 einsetzen und man erhält letztlich ein Gleichungssystem mit n 1) Gleichungen für die n 1) Unbekannten u T = u 1,...,u n 1 ) der Gestalt Bu+λDu = 0 mit 1 rx 1 ). B = h , D = rx ) rx n 1 ) Da nach Voraussetzung rx i ) > 0 für alle i ist, kann man bilden. Damit erhält man D 1/ = diag rx 1 ),..., rx n 1 )) Bu = λdu = λd 1/ D 1/ u D 1/ Bu = λd 1/ u. Setzt man v = D 1/ u, so ergibt sich ein Eigenwertproblem der Gestalt 5.1) Da A symmetrisch A T = Av = D 1/ BD 1/ v = λv. D 1/ BD 1/) T = D T/ B T D T/ = D 1/ BD 1/ = A und positiv definit ist, sind alle Eigenwerte reell und positiv. In dieser Aufgabe sind alle Eigenwerte und alle Eigenvektoren gesucht. 5. Zur Theorie des Eigenwertproblems Bemerkung 5.4 Inhalt. Dieser Abschnitt stellt einige Aussagen zur Theorie des Eigenwertproblems 5.1) zusammen, die zum Teil schon aus der linearen Algebra bekannt sind. Bemerkung 5.5 Das charakteristische Polynom. Die Zahl λ C ist genau dann Eigenwert von A R n n, wenn pλ) = deta λi) = 0. 61

3 Man nennt pλ) P n das charakteristische Polynom der MatrixA. Seine Nullstellen sind die Eigenwerte von A. Die Verwendung des charakteristischen Polynoms zur Berechnung der Eigenwerte von A besitzt jedoch in der Praxis entscheidende Nachteile. Zuerst müssen die Koeffizienten des Polynoms berechnet werden. Das ist für große n aufwändig. Des Weiteren hängen die Nullstellen oft sensibel von den Koeffizienten des charakteristischen Polynoms ab. Das Problem ist also schlecht konditioniert, insbesondere wenn die Matrix mehrfache Eigenwerte besitzt. Insgesamt ist das charakteristische Polynom zur numerischen Berechnung von Eigenwerten einer Matrix nicht brauchbar. Übungsaufgabe) Bemerkung 5.6 Weitere bekannte Aussagen, Begriffe. Das charakteristische Polynom pλ) besitzt nach dem Fundamentalsatz der Algebra genau n mit entsprechender Vielfachheit gezählte) reelle oder komplexe Nullstellen,...,λ n. Der Eigenwert λ i heißt einfacher Eigenwert, wenn die entsprechende Nullstelle des charakteristischen Polynoms einfach ist. Die Menge aller Eigenwerte von A heißt Spektrum von A. σa) = {,...,λ n } Zwei Matrizen A,B R n n heißen ähnlich über dem Körper der reellen Zahlen), wenn es eine invertierbare Matrix T R n n gibt mit der Eigenschaft B = T 1 AT. Ähnliche Matrizen besitzen das gleiche Spektrum σa) = σt 1 AT) für eine beliebige invertierbare Matrix T R n n. Die Matrix A R n n heißt diagonalisierbar, wenn A zu einer Diagonalmatrix ähnlich ist. Die Matrix A ist genau dann diagonalisierbar, wenn sie n linear unabhängige Eigenvektoren hat. Besitzt A R n n n verschiedene Eigenwerte, so ist A diagonalisierbar. Lemma 5.7 Reelle Schur 3 Faktorisierungen. Zu jeder Matrix A R n n gibt es eine orthogonale Matrix Q R n n, so dass R Q T AQ =... = R. 5.4) 0... Rmm Dabei ist für jedes i {1,...,m} entweder R ii R oder R ii R. Im letzteren Fall hat R ii ein Paar von konjugiert komplexen Eigenwerten. Die Menge aller Eigenwerte der R ii, i = 1,...,m, bilden das Spektrum von A. Die Zerlegung ist nicht eindeutig. 3 Issai Schur ) 6

4 Beweis: Für einen Beweis sei auf die Literatur verwiesen, zum Beispiel Golub and Van Loan, 1996, S. 341). Folgerung 5.8 Diagonalisierbarkeit symmetrischer Matrizen. Jede symmetrische Matrix A R n n lässt sich mittels einer orthogonalen Matrix Q R n n durch eine Ähnlichkeitstransformation auf Diagonalgestalt bringen Q 1 AQ = D = diag,...,λ n ). Die Matrix A besitzt somit nur reelle Eigenwerte und n linear unabhängige, zueinander orthogonale Eigenvektoren, nämlich die Spalten von Q Beweis: Die Symmetrie von R folgt direkt aus 5.4) und der Symmetrie von A R T = Q 1 AQ ) T = Q T A T Q T = Q 1 AQ = R. Auf Grund der speziellen Gestalt von R, siehe 5.4), ist der mit markierte Block ein Nullblock. Es können nun noch symmetrische Blöcke R ii auftreten. Man rechnet aber direkt nach, dass symmetrische Matrizen immer reelle Eigenwerte besitzen, da die Diskriminante des charakteristischen Polynoms nichtnegativ ist. Somit widerspricht das Auftreten von symmetrischen Blöcken den Aussagen von Lemma 5.7 und R muss eine Diagonalmatrix sein. 5.3 Kondition des Eigenwertproblems Bemerkung 5.9 Inhalt. In diesem Abschnitt wird untersucht, wie stark sich Eigenwerte und Eigenvektoren bei Störungen in A verändern. Satz 5.10 Absolute Kondition des Eigenwertproblems. Sei A R n n diagonalisierbar, das heißt es existiert eine Matrix T R n n mit T 1 AT = diag,...,λ n ). Sei A R n n eine Störung von A und sei µ ein Eigenwert der gestörten Matrix A+ A. Dann gilt für alle p [1, ]. min λ i µ T 1 i n p T 1 p A p 5.5) Beweis: Auch hier sei für den Beweis wieder auf die Literatur, zum Beispiel Golub and Van Loan 1996) oder Stoer and Bulirsch 005). Bemerkung 5.11 Interpretation von Satz Die absolute Kondition des Eigenwertproblems min 1 i n λ i µ sup A A p hängt von κ p T) = T T 1 p p und nicht von κ p A) ab. Da die Spalten von T gerade die Eigenvektoren von A sind, bedeutet 5.5) gerade, dass für eine diagonalisierbare Matrix die Kondition der Eigenvektorbasis eine große Rolle bei der Empfindlichkeit der Eigenwerte von A bezüglich Störungen spielt. 63

5 Beispiel 5.1 Kondition eines Eigenwertproblems. Betrachte ) 0 1 A = 0 0 und die gestörte Matrix A+ A = ) 0 1 δ 0 mit δ > 0. Die Eigenwerte von A sind = λ = 0 und die von A + A sind, = ± δ. Für die Kondition des Eigenwertproblems ergibt sich somit κ = A+ A A δ δ = 1 δ für δ 0. Offenbar kann das Eigenwertproblem für beliebige Matrizen beliebig schlecht konditioniert sein. Folgerung 5.13 Kondition des Eigenwertproblems für symmetrische Matrizen. Sei A R n n symmetrisch und sei µ ein Eigenwert der gestörten Matrix A+ A. Dann gilt min 1 i n λ i µ A. Das Eigenwertproblem für symmetrische Matrizen ist also gut konditioniert. Beweis: Nach Folgerung 5.8 lässt sich A mittels einer Orthogonalmatrix Q diagonalisieren. Da für Orthogonalmatrizen κ Q) = 1 gilt, folgt die Behauptung direkt aus 5.5). 5.4 Abschätzungen für Eigenwerte Bemerkung 5.14 Inhalt. In diesem Abschnitt werden Abschätzungen für Eigenwerte angegeben, welche man aus direkt zugänglichen Informationen, zum Beispiel den Einträgen der Matrix, erhält, ohne dass man die Eigenwerte explizit berechnen muss. Lemma 5.15 Eigenschaften von Eigenwerten und des Spektrums. Seien A,B R n n. Dann gelten die folgenden Aussagen. i) Falls deta) 0 und λ ein Eigenwert von A ist, so ist λ 1 ein Eigenwert von A 1. ii) Ist λ σa), dann ist αλ σαa) für beliebiges α C. iii) Ist λ σa), dann ist λ α) σa αi). Man nennt α Spektralverschiebung oder Shift. iv) Ist λ σa), dann ist λ σa). v) Es gilt σa) = σa T ). vi) Es gilt σab) = σba). Beweis: Alle Aussagen sind aus der Linearen Algebra bekannt. Lemma 5.16 Abschätzung von Eigenwerten mit Matrixnormen. Es gilt λ A für jedes λ σa) und jede Matrixnorm. 64

6 Beweis: Sei λ σa) und sei v ein zugehöriger Eigenvektor mit v = 1, wobei die Vektornorm zur Matrixnorm verträglich ist. Dann gilt mit einer Normeigenschaft, der Eigenwertaufgabe und der Verträglichkeit der Normen λ = λ v = λv = Av A v = A. Bemerkung 5.17 Zur Abschätzung von Eigenwerten mit Matrixnormen. Der Spektralradius einer Matrix A R n n ist definiert durch ρa) = max{ λ : λ σa)}. Aus Lemma 5.16 folgt sofort, dass ρa) A für jede Matrixnorm. Man kann zeigen, dass es zu jedem ε > 0 eine Matrixnorm gibt, so dass die Ungleichung A ρa)+ε gilt. Satz 5.18 Kreissatz von Gerschgorin 4. Sei A R n n und seien K i = z C : z a ii a ij die Gerschgorin Kreise. Dann gilt σa) i=1,i j n K i. 5.6) Das heißt, alle Eigenwerte liegen in der Vereinigung der Gerschgorin Kreise. Beweis:SeiλeinEigenwertvonAmitEigenvektorx.FüreinenIndexigilt x i x j für alle j i. Da x ein Eigenvektor ist, gilt insbesondere x i > 0. Die i te Gleichung des Eigenwertproblems hat die Gestalt j=1,j i Mit Dreiecksungleichung folgt λ a ii x i = i=1 a ijx j +a ii λ)x i = 0. j=1,j i a ijx j Nun ergibt Division mit x i > 0 und x i x j λ a ii = j=1,j i j=1,j i a ij xj x i n j=1,j i a ij x j. a ij. Also liegt λ in einem der Gerschgorin Kreise und damit erst recht in der Vereinigung aller Gerschgorin Kreise. Folgerung 5.19 Weitere Einschränkungen des Bereiches der Eigenwerte. Sei A R n n mit den Gerschgorin Kreisen K i und seien Ki T die Gerschgorin Kreise von A T. Dann gilt n n ) σa) K i ). i=1 4 Semjon Aronowitsch Gerschgorin ) i=1 K T i 65

7 Falls A symmetrisch ist gilt σa) n K i R). i=1 Beweis: Aus Lemma 5.15 v) und dem Kreissatz von Gerschgorin für A T folgt σa) = σa T ) n Ki T. Zusammen mit 5.6) folgt damit die erste Aussage. Die zweite Aussage folgt daraus, dass alle Eigenwerte einer symmetrischen Matrix reell sind. Beispiel 5.0 Anwendung des Kreissatzes von Gerschgorin. Betrachte die Matrix A = DieEigenwertevonAsindmitMATLABberechnet) =.3,λ,3 = ± i. Zunächst kann man den Betrag der Eigenwerte mit Normen von A abschätzen. Man erhält A 1 = 5, A F = , A = 5. Damit ergibt sich λ i 5, i = 1,,3. Die Gerschgorin Kreise von A und A T sind K 1 = {z : z 4 1}, K T 1 = {z : z 4 1}, K = {z : z + 1}, K T = {z : z + }, K 3 = {z : z 3 }, K T 3 = {z : z 3 1}. Betrachtet man nun den Schnitt gemäß Folgerung 5.19, so erhält man mit i=1 σa) K 1 K K 3 K 1 = {z : z 4 1}, K = {z : z + 1}, K1 = {z : z 3 1}. 5.5 Die Potenzmethode oder Vektoriteration Bemerkung 5.1 Grundidee.DiePotenzmethodeoderVektoriterationisteinVerfahren zur Berechnung des betragsgrößten Eigenwertes und eines zugehörigen Eigenvektors einer Matrix A. Dieses Verfahren geht auf von Mises 5 zurück. Es liefert das Grundkonzept für die Entwicklung weiterer Verfahren zur Berechnung von Eigenwerten und vektoren. Der Einfachheit halber werden für die Konvergenzanalyse einige Annahmen gemacht. Die Matrix A R n n sei diagonalisierbar. Weiter gelte für die Eigenwerte 5 Richard von Mises ) > λ... λ n, 66

8 dasheißt,derbetragsgrößteeigenwertsolleinfachsein.insbesonderesinddamitalle Eigenwerte reell, alle Eigenvektoren v j, j = 1,...,n, reell und die Eigenvektoren spannen R n auf. Für die Potenzmethode benötigt man einen Startvektor x 0) R n. Dieser lässt sich als Linearkombination der Eigenvektoren darstellen x 0) = c j v j. j=1 Sei x 0) so gewählt, dass c 1 0 gilt. Multipliziert man die Darstellung von x 0) mit der k ten Potenz A k von, so erhält man Damit gilt A k x 0) = x k) := A k x 0) = λ k 1 c 1 v 1 + Wegen λ j / < 1 folgt c j A k v j = j=1 j= lim k rk) = lim k c j λ k jv j. j=1 ) k λj c j v j =: λ k 1 c 1 v 1 +r k)). 5.7) j= ) k λj c j v j = 0. Das bedeutet, für große k dominiert in 5.7) der Beitrag vom ersten Eigenwert und Eigenvektor. Satz 5. Konvergenz der Vektoriteration. Sei A R n n und erfülle A die Voraussetzungen aus Bemerkung 5.1. Sei x k) R n die k te Iterierte der Potenzmethode und sei ) x k) T ) Ax k) x k) T x k+1) λ k) = x k) = x k). Dann gilt λ k) λ k) = O. Beweis: Man betrachtet den Abstand zwischen dem Unterraum S k) := {αx k) : α R} und dem Eigenvektor v 1 ) d S k),v 1 := min x v 1 = minαx k) v 1. x S k) α R Nun formt man 5.7) äquivalent um λ k 1c 1 ) 1x k) = v 1 +c 1 1 r k). 5.8) ) Wählt man in d S k),v 1 den Wert α = α k := ) 1, λ k 1c 1 so erhält man damit und der Definition von r k) ) d S k),v 1 α k x k) v 1 = c 1 k) r = O 1 λ k). 5.9) 67

9 Damit ist α k x k) eine Approximation an v 1, also Aα k x k) α k x k) = Ax k) x k). ) T Durch Multiplikation dieser Beziehung von links mit x k) folgt, dass λ k) = x k) ) T Ax k) x k) = x k) ) T x k+1) x k) eine Approximation an ist. Analog ist α k+1 x k+1) mit α k+1 = ) λ k c 1 = αk / eine Approximation von v 1. Jetzt muss man noch die Güte dieser Approximation untersuchen. Man erhält mit 5.8), 5.9) und v 1 = 1 ) T ) ) T ) α k x α k) k x α k+1) k x α k) k+1 x k+1) λ k) = α k x k) = α k x k) ) T ) v 1 +c 1 1 rk) v 1 +c 1 1 rk+1) = v 1 +c 1 1 rk) v 1 +O )) λ k T v )) λ 1 +O k+1 = ) v1 +O λ k ) λ 1+O k λ 1 = 1+O λ 1+O ) = k λ1 λ k)). Die Gültigkeit des letzten Schrittes sieht man aus 1+O k)) k)) 1+O = 1+O λ λ = 1+O λ λ k) +O k), vergleiche Definition des Landau 6 Symbols. Durch Umstellen folgt λ k) λ k) = O. λ ) k Bemerkung 5.3 Symmetrische Matrizen. Falls A eine symmetrische Matrix ist, kann man sogar λ k) λ = O zeigen. k). Bemerkung 5.4 Skalierung der Iterierten. Wendet man das bisherige Verfahren an, so gelten x k) falls > 1, x k) 0 falls < 1. 6 Edmund Georg Hermann Landau ) 68

10 Aus diesen Gründen ist es zweckmäßig, die Iterierten zu skalieren. Damit werden starke Änderungen in der Größenordnung vermieden. Die Konvergenzaussagen ändern sich durch Skalierung auch nicht, da weder der Unterraum S k) noch die Iterierte λ k) von einer Skalierung von x k) abhängen. Algorithmus 5.5 Potenzmethode, Vektoriteration. Seien A R n n und y 0) 0 mit y 0) = 1 gegeben. Für k = 0,1,... berechne ỹ k+1) = Ay k) λ k) = ỹ k+1)) T y k) y k+1) = ỹ k+1) ỹ k+1). Bemerkung 5.6 Zu Algorithmus 5.5. Wählt man y 0) = x 0), so weist man mit vollständiger Induktion nach, dass y k) = xk) x k) = Ak x 0) A k x 0). Also liefert Algorithmus 5.5, bis auf Skalierung in x k), die oben analysierten Folgen {x k) } und {λ k) }. Die Konvergenzgeschwindigkeit der Potenzmethode hängt wesentlich vom Verhältnis von und λ ab. Beispiel 5.7 Sturm Liouville Problem. Betrachte das in Beispiel 5.3 hergeleitete Eigenwerproblem Av = λv. Sei rx) 1, dann sind die Eigenwerte von A bekannt λ n j = 4 ) jπh h sin, j = 1,...,n 1, h = 1 n. Es ist > λ >... > λ n 1. Dann erhält man mit h = 1/n, einem Additionstheorem für die Sinusfunktion, Taylorentwicklung und Polynomdivision λ sin ) n )πh = sin ) = sin π πh) n 1)πh sin π ) πh = cos πh) cos ) πh ) 1 πh) 1 πh/) ) = 1 π h + π 1 π h 4 h π4 h π h. Man erkennt, dass man im Fall h 1 mit einer sehr langsamen Konvergenz λ k) rechnen muss. Bemerkung 5.8 Fazit.FallsAdiagonalisierbaristund eineinfachereigenwert ist, dann konvergiert Algorithmus 5.5. Die Konvergenz kann aber sehr langsam sein. Bemerkung 5.9 Berechnung anderer Eigenwerte, inverse Vektoriteration, Spektralverschiebung. Sei A R n n nichtsingulär und diagonalisierbar. Die Eigenwertgleichung Av i = λ i v i, i = 1,...,n, ist äquivalent zu 1 λ i v i = A 1 v i. 69

11 Damit würde die Vektoriteration angewandt mit A 1 unter der Annahme λ... λ n 1 > λ n den betragsmäßig größten Eigenwert λ n von A 1 berechnen, das heißt den betragsmäßig kleinsten Eigenwert von A. Nach Lemma 5.15, iii), ist λ i ein Eigenwert von A genau dann, wenn λ i µ ein Eigenwert von A µi ist. Angenommen, man hätte eine Schätzung µ λ i eines beliebigen einfachen reellen Eigenwertes von A, so dass λ i µ < λ j µ, für alle i j. 5.10) Dann ist λ i µ) 1 der betragsmäßig größte Eigenwert von A µi) 1. Zur Berechnung dieses Eigenwertes kann man die Vektoriteration anwenden. Algorithmus 5.30 Inverse Vektoriteration mit Spektralverschiebung. Gesucht ist der einfache reelle Eigenwert λ i von A R n n. Wähle µ so, dass 5.10) gilt und wähle einen Startvektor y 0) 0 mit y 0) = 1. Für k = 0,1,... berechne A µi)ỹ k+1) = y k) 5.11) λ k) 1 = ỹk+1) ) T +µ y k) y k+1) = ỹ k+1) ỹ k+1). Bemerkung 5.31 Zu Algorithmus In5.11)mussmaneinlinearesGleichungssystemmitderMatrixA µi)lösen. Dafür berechnet man einmal eine LU oder QR Zerlegung von A µi). Die Vektoriteration, Algorithmus 5.5, strebt gegen λ i µ) 1. Das bedeutet für die Iterierten aus Algorithmus 5.30, dass λ k) = 1 ỹk+1) ) T y k) +µ λ i µ+µ = λ i für k. Die Konvergenzgeschwindigkeit von Algorithmus 5.30 hängt wie bei der Vektoriteration von Verhältnis der betragsgrößten Eigenwerte ab. Das ist hier max j i λ j µ 1 λ i µ 1 = min 1 j i λ j µ ) λ i µ λ i µ 1 = min j i λ j µ. Hat man also eine gute Schätzung µ von λ i, dann gilt λ i µ min j i λ j µ 1 und das Verfahren konvergiert sehr schnell. In der Praxis ist allerdings im Allgemeinen nicht klar, wie man µ wählen sollte. Die Konvergenzgeschwindigkeit kann verbessert werden, wenn man während der Iteration den Parameter µ geeignet anpasst, zum Beispiel mit der aktuellen Iterierten µ = λ k). Nach jeder Anpassung muss man allerdings die Matrix A µi) neu faktorisieren, so dass die Kosten dieses Iterationsschrittes sehr hoch sind. 70

12 5.6 Das QR Verfahren Bemerkung 5.3 Inhalt. Sei A R n n eine symmetrische Matrix. Aus Folgerung 5.13 ist bekannt, dass das Eigenwertproblem für A gut konditioniert ist. Dieser Abschnitt stellt ein Verfahren zur Berechnung aller Eigenwerte und Eigenvektoren von A vor. Bemerkung 5.33 Transformationen von A durch Orthogonaltransformationen. Aus Folgerung 5.8 ist bekannt, dass alle Eigenwerte von A reell sind, A diagonlisierbar ist und eine Orthonormalbasis aus Eigenvektoren {v 1,...,v n } existiert, so dass Q 1 AQ = diag,...,λ n ) mit Q = [v 1,...,v n ]. Im Allgemeinen ist es jedoch nicht möglich, Q in endlich vielen Schritten zu bestimmen. Damit wäre auch ein endliches Verfahren zur Bestimmung aller Nullstellen eines Polynoms n ten Grades gefunden. Ein solches Verfahren, basierend auf elementaren Rechenoperation und der Quadratwurzel, kann es aber nach dem Satz von Abel 7 nicht geben. Es ist auch nicht möglich, A mit Orthogonaltransformationen, zum Beispiel mit Housholder Spiegelungen auf Diagonalgestalt zu bringen. Mit einer ersten Housholder Spiegelung kann man die Elemente der ersten Spalte unterhalb der Diagonalen zu Null machen. Wendet man dann eine Housholder Spiegelung auf die erste Zeile an, dann wird die erste Spalte wieder gefüllt A = Q Q. Man verliert auch die Symmetrie der Matrix. Es ist jedoch möglich, A mit orthogonalen Transformationen auf Tridiagonalgestalt zu bringen. Verwendet man eine orthogonale Matrix deren erste Zeile der erste Einheitsvektor ist und deren Spalten durch eine Housholder Spiegelung so konstruiert sind, dass die Elemente der ersten Spalte unter a 1 verschwinden, so erhält man A = Q Q T Die Anwendung von Q T 1 hat keine Auswirkungen auf die erste Spalte. Auf diese Art und Weise fährt man fort bis man eine Tridiagonalmatrix erhält. Lemma 5.34 Transformationen auf Tridiagonalgestalt. Sei A R n n symmetrisch. Dann existiert eine orthogonale Matrix Q R n n, die das Produkt von n ) Householder Spiegelungen ist, so dass QAQ T eine symmetrische Tridiagonalmatrix ist. 7 Niels Henrik Abel ) 71

13 Beweis: Die Fortsetzung des in Bemerkung 5.33 beschriebenen Prozesses und die Eigenschaften der Householder Matrizen Q 1,...,Q n liefern QAQ T = Q n...q 1AQ T 1...Q T n = Bemerkung 5.35 Reduktion des Eigenwertproblems. Die Matrizen A und QAQ T sind ähnlich und sie besitzen gemäß Bemerkung 5.6 dieselben Eigenwerte. Damit hat man also das Problem der Bestimmung der Eigenwerte einer symmetrischen Matrix auf das Problem der Bestimmung der Eigenwerte einer symmetrischen Tridiagonalmatrix reduziert. Bemerkung 5.36 Iteration mit Tridiagonalmatrizen. Die Berechnung der Eigenwerte einer Tridiagonalmatrix wird iterativ erfolgen. Die grundlegende Idee wurde in Rutishauser 1958) vorgestellt. Sei B = B 1 = Dann kann man eine Faktorisierung von B bestimmen, wobei in Rutishauser 1958) die LU Zerlegung vorgeschlagen wurde. Für Tridiagonalmatrizen erhält man ein Produkt aus zwei Bidiagonalmatrizen B = B 1 = LU = Nun vertauscht man die Faktoren B = UL = und wiederholt das Verfahren mit B. In den Arbeiten Francis 1961/196) und Kublanovskaja1961)wurdedasVerfahrenmodifiziert,indemstattderLU Zerlegung die stabile QR Zerlegung verwendet wurde. Mit diesem Verfahren erhält man eine Folge von Matrizen {B k } k N. Lemma 5.37 Eigenschaften der Matrizen {B k } k N. Die Matrizen {B k } k N seien mit dem Verfahren aus Bemerkung 5.36 definiert, wobei die Faktorisierung mittels einer QR Zerlegung vorgenommen wurde B k = Q k R k, B k+1 = R k Q k. Dann gelten: i) B k ist ähnlich zu B, k 1. ii) Falls B symmetrisch ist, so ist auch B k symmetrisch, k 1. 7

14 iii) Falls B symmetrisch und tridiagonal ist, so ist auch B k symmetrisch und tridiagonal, k 1. Beweis: i). Die Aussage ist bewiesen, wenn man gezeigt hat, dass B k und B k+1 für beliebiges k 1 ähnlich sind. Nach Konstruktion der Matrizen {B k } k N und einer Eigenschaft von Orthogonalmatrizen, Lemma.14, gilt Q k B k+1 Q T k = Q k R k Q k Q T k = Q k R k = B k. Das ist genau die Ähnlichkeit der beiden Matrizen. ii). Diese Aussage wird durch vollständige Induktion nach k gezeigt. Der Induktionsanfang, die Symmetrie von B 1 = B ist klar. Gelte also die Symmetrie für B k. Dann folgt B T k+1 = B T k+1q T kq k = Q k B k+1 ) T Q k = Q k R k Q k ) T Q k = B k Q k ) T Q k = Q T kb T k Q k = Q T kb k Q k = Q T kq k R k Q k = R k Q k = B k+1. iii). Der Beweis wird mit vollständiger Induktion nach k erbracht. Der Induktionsanfang ist wieder klar. Sei nun B k eine Tridiagonalmatrix. Dann kann man mit n 1) Givens Drehungen G i,k die Einträge der unteren Hauptnebendiagonalen zu Null machen und erhält eine Dreiecksmatrix R k mit dem Besetzheitsmuster B k = Q k R k = G 1,k...G n 1,k R k = G 1,k...G n 1,k Beispielsweise im ersten Schritt, bei der Givens Drehung G 1,k, wird ein Vielfaches der zweiten Zeile von B k zur ersten Zeile addiert. Da B k tridiagonal ist, also b j = 0 für j > 3, bleiben alle Elemente der ersten Zeile der resultierenden Matrix mit einem Spaltenindex größer als Drei Null. Nun ist B k+1 = R k Q k = R k G 1,k...G n 1,k = G,k...G n 1,k = G 3,k...G n 11,k =... = da G 1,k nur die ersten beiden Zeilen beeinflusst, G,k nur die zweite und dritte und so weiter. Nach Teil ii) ist B k+1 aber auch symmetrisch. Das bedeutet, dass der ganze Fill in im oberen Dreieck über der oberen Hauptnebendiagonalen verschwindet. Damit ist B k+1 tridiagonal. Satz 5.38 Iteration zur Approximation der Eigenwerte. Sei A R n n symmetrisch mit Eigenwerten,...,λ n, welche die Eigenschaft > λ >... > λ n > 0 haben mögen. Weiter seien die Matrizenfolgen {A k } k N, {Q k } k N und {R k } k N durch A 1 = A, A k = Q k R k, A k+1 ) = R k Q k definiert. Dann gibt es Vorzeichen ) Matrizen S k = diag σ k) 1,...,σk) n mit σ k) = 1 so dass lim S k 1Q k S k = I k i, 73

15 und lim S kr k S k 1 = lim S k 1A k S k = diag,...,λ n ) = D. k k Es gilt also insbesondere, da aus der Existenz des Grenzwertes S k 1 = S k ab einem gewissen Index folgt, dass lim k ak) jj = λ j, j = 1,...,n, wobei a k) jj das j te Diagonalelement von A k ist. Beweis: Der Beweis ist recht umfangreich und deshalb wird auf die Literatur verwiesen, zum Beispiel auf Wilkinson 1965). Bemerkung 5.39 Zu Satz Satz 5.38 bietet einen Algorithmus zur Konstruktion einer Schur Faktorisierung von A gemäß 5.4). Der Algorithmus aus Satz 5.38 lässt sich als Verallgemeinerung der Vektoriteration auffassen. Er entspricht der Projektion auf die Unterräume, die von den Spalten von A k aufgespannt werden, siehe Stoer and Bulirsch, 005, S. 58). Algorithmus 5.40 QR Verfahren zur Eigenwertberechnung. Sei die symmetrische matrix A R n n gegeben. 1. Transformiere A mit Hilfe von Householder Spiegelungen auf Tridiagonalgestalt B = Q T AQ.. Wende auf B den Algorithmus aus Satz 5.38 mit Givens Drehungen an, womit GBG T D und G das Produkt aller Givens Matrizen ist. Die Diagonale von GBG T approximiert die Eigenwerte von A und die Spalten von GQ T die zugehörigen Eigenvektoren. Bemerkung 5.41 Zum QR Verfahren. Der Aufwand des ersten Schrittes beträgt O 3 n3) Multiplikationen/Divisionen. Jede Iteration im. Schritt benötigt O n ) Multiplikationen/Divisionen. Man kann zeigen, dass die Konvergenzgeschwindigkeit des QR Verfahrens von den Faktoren λ j+1 /λ j für j = 1,...,n 1, abhängt. Liegt dieser Wert für einen oder mehrere Indizes nahe bei Eins, dann ist die Effizienz des Verfahrens schlecht. Abhilfe kann man auch hier mit einer Spektralverschiebung schaffen, vergleiche Algorithmus Mit einigen Modifikationen lässt sich das Verfahren auch auf nichtsymmetrische Matrizen anwenden, siehe beispielsweise Stoer and Bulirsch 005). 74

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. 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

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Kevin Caldwell. 18.April 2012

Kevin 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

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte 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

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit 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

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Division 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 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

Mehr

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01 Kapitel Komplexe Zahlen Motivation: die Gleichung x = hat offensichtlich keine reellen Lösungen, da x 0 für jedes reelle x gilt Um auch diese Gleichung lösen zu können, muß man neue Zahlen einführen: die

Mehr

Bestimmung einer ersten

Bestimmung 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,

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE 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

Mehr

Lineare Algebra - alles was man wissen muß

Lineare 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

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(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

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. 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

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare 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

Mehr

Das QZ-Verfahren. vorgelegt von Janina Gnutzmann. Erstgutachter: Prof. Dr. Steffen Börm Zweitgutachter: Dipl.-Math.

Das QZ-Verfahren. vorgelegt von Janina Gnutzmann. Erstgutachter: Prof. Dr. Steffen Börm Zweitgutachter: Dipl.-Math. Das QZ-Verfahren Bachelor-Arbeit im 1-Fach Bachelorstudiengang Mathematik der Mathematisch-Naturwissenschaftlichen Fakultät der Christian-Albrechts-Universität zu Kiel vorgelegt von Janina Gnutzmann Erstgutachter:

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden 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

Mehr

MC-Serie 11: Eigenwerte

MC-Serie 11: Eigenwerte D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung

Mehr

Numerische Behandlung des Eigenwertproblems

Numerische 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

Mehr

Optimalitätskriterien

Optimalitätskriterien 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

Mehr

A Matrix-Algebra. A.1 Definition und elementare Operationen

A 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

Mehr

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

KAPITEL 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

Mehr

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel

Vorlesung 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

Mehr

Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen

Lineare 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

Mehr

Übungen 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 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.

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

Elemente der Analysis II

Elemente 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

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen 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.

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen 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)

Mehr

7 Die Determinante einer Matrix

7 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) =

Mehr

KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren

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

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte 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.

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

Ergänzungen zur Analysis I

Ergänzungen 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.

Mehr

1 Lineare Gleichungssysteme

1 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

Mehr

Lineare Gleichungssysteme

Lineare 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

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

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:

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik 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

Mehr

Mathematik III für Ingenieure

Mathematik 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

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.

Gleitkommaarithmetik 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

Mehr

Fakultät für Mathematik und Informatik. Seminar über angewandte Analysis. Sommersemester 2007. Der Kreissatz von Gerschgorin

Fakultät 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

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Die Top 10 der Algorithmen Der QR-Algorithmus

Die Top 10 der Algorithmen Der QR-Algorithmus Die Top 10 der Algorithmen Der QR-Algorithmus Hans Hansen TU Chemnitz WS 04/05 17. Januar 2005 1 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Geschichte 3 2 Die Grundidee 3 3 Ähnlichkeitstransformationen

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

Teil II. Nichtlineare Optimierung

Teil 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

Mehr

4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung

4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung 4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 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;.

Mehr

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-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

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 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

Mehr

Lineare Algebra II 5. Übungsblatt

Lineare Algebra II 5. Übungsblatt Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,

Mehr

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung

Mehr

Matrizennorm. 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. 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

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- 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:

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

Klausur zur Vordiplom-Prüfung

Klausur zur Vordiplom-Prüfung Technische Universität Hamburg-Harburg SS 25 Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren 22. Juli 25 Sie haben 9 Minuten Zeit zum Bearbeiten der

Mehr

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33

Mehr

Gleichungen - Aufgabenstellung und Lösungsstrategien

Gleichungen - Aufgabenstellung und Lösungsstrategien Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung

Mehr

1. Methode der Finiten Elemente

1. Methode der Finiten Elemente 1. Methode der Finiten Elemente 1.1 Innenraumprobleme 1.2 Außenraumprobleme 1.3 Analysen 1.4 Bewertung Prof. Dr. Wandinger 5. Numerische Methoden Akustik 5.1-1 1.1 Innenraumprobleme 1.1.1 Schwache Formulierung

Mehr

Rekursionen (Teschl/Teschl 8.1-8.2)

Rekursionen (Teschl/Teschl 8.1-8.2) Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 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

Mehr

Definition. Fibonacci-Zahlen als Beispiel Für f = (f n ) n 0 = (0, 1, 1, 2, 3, 5, 8, 13, 21, 34,...) gilt Rekursion. Matrix-Formulierung. c 2.

Definition. Fibonacci-Zahlen als Beispiel Für f = (f n ) n 0 = (0, 1, 1, 2, 3, 5, 8, 13, 21, 34,...) gilt Rekursion. Matrix-Formulierung. c 2. Fibonacci-Zahlen als Beispiel Für f = (f n ) = (0,,, 2, 3, 5, 8, 3, 2, 34,...) gilt Rekursion erzeugende Funktion f n2 = f n f n (n 0), f 0 = 0, f = f(z) = f n z n = z z z 2 Partialbruchzerlegung mit φ

Mehr

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.

Mathematik 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

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

3.1. Die komplexen Zahlen

3.1. Die komplexen Zahlen 3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen

Mehr

13. Abzählen von Null- und Polstellen

13. Abzählen von Null- und Polstellen 13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 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 )

Mehr

Vektorräume und Rang einer Matrix

Vektorräume und Rang einer Matrix Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung

Mehr

Zur 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 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

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

ε δ Definition der Stetigkeit.

ε δ Definition der Stetigkeit. ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x

Mehr

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen

Optimierung 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

Mehr

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene

Mehr

4.4 Orthogonalisierungsverfahren und die QR-Zerlegung

4.4 Orthogonalisierungsverfahren und die QR-Zerlegung 4.4 Orthogonalisierungsverfahren und die QR-Zerlegung Die Zerlegung einer regulären Matrix A R n n in die beiden Dreiecksmatrizen L und R basiert auf der Elimination mit Frobeniusmatrizen, d.h. R = FA,

Mehr

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)

Mehr

Bildverarbeitung Herbstsemester 2012. Kanten und Ecken

Bildverarbeitung 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

Mehr

Lineare Abhängigkeit

Lineare Abhängigkeit Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur 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

Mehr

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,

Mehr

Wortproblem für kontextfreie Grammatiken

Wortproblem für kontextfreie Grammatiken Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?

Mehr

6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte

6 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

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen 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

Mehr

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html

Mehr

Kap 5: Rang, Koordinatentransformationen

Kap 5: Rang, Koordinatentransformationen Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv

Mehr

Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012

Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012 Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes

Mehr

3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen

3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

Vorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)

Vorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null) Algebra und Zahlentheorie Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper 32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr

Analytische Methoden und die Black-Scholes Modelle

Analytische Methoden und die Black-Scholes Modelle Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik 20.01.2011 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4 Problem

Mehr