2 Lineare Gleichungssysteme
|
|
- Beate Brahms
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Lineare Gleichungssysteme Gegeben: A R n n mit det(a) b R n Gesucht: x R n mit Ax = b Zeilenäquilibrierung Möchten zunächst die Kondition des Problems verbessern Idee: Finde D R n n so dass κ(da) < κ(a) Nicht immer möglich (beachte: κ(da) κ(d) κ(a)) d Hier D = d, dh D ist Zeilenskalierung und wir suchen nun Lösung von DAx = Db dn Definition (Zeilenäquilibrierung) Diagonalmatrix D heißt Zeilenäquilibrierung : n d i a ij = i =, n j= DA = n d i := a ij j= i =,,n Fakt: Für = gilt κ(da) κ(a) und DA hat kleinste Kondition unter allen möglichen Zeilenskalierung triviales Beispiel: κ (), = 6, aber κ ([ ]) = Gauß-Elimination und LR-Zerlegung Fakt: Subtraktion einer Zeile von einer anderen ändert Ergebnis nicht, formal: Ax = b Ãx = b wobei à = L ij A, b = L ij b und L ij subtrahiert i-te Zeile von j-ter: L ij = - j-te Zeile i-te Spalte Stephan Trenn, TU Kaiserslautern /
2 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Etwas allgemeiner (Vielfaches von Zeile i von Zeile j abziehen): L γ ij = -γ Ziel: Erzeuge Nullen in A durch richtige L γ ij so dass à besonders einfache Struktur hat Konkret möchten wir: à = Dann lässt sich Ãx = b sehr einfach von unten nach oben lösen Beispiel 3 à = b = x 4 = x 4 = x 3 + x 4 = x 3 = + x 4 = x x 3 + x 4 = x = + x 3 x 4 = x + x + 3x 3 x 4 = x = x 3 x 3 + x 4 = Diese Dreiecksstruktur erhält man mit der Gauß-Elimination, Beispiel und Algorithmus Folie Abstrakte Darstellung der Gauß-Elimination: A b L l L l 3 3 L l 4 4 A b L l 3 3 L l 4 4 A L l A 3 Allgemein: A = L l 4 4 Ll 3 3 Ll A b = L b L A = L l 4 4 Ll 3 3 A L A 3 = L l A L 3 b = L b b 3 = L 3 b R = = A n = L n L n L A bzw A = (L n L n L ) R L Stephan Trenn, TU Kaiserslautern /
3 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Beobachtung: L l 4 4 Ll 3 3 Ll = -l -l 3 = L -l 4 Allgemein: L k = -l k+,k -l k+,k -l n,k und sogar (Übungsaufgabe): l (L n L n L ) = l 3 l 3 = L l n l n l n,n- Satz Falls der Gauß-Eliminationsalgorithmus nicht vorzeitig abbricht, dann findet er eine ein LR- Zerlegung von A, dh A = L R für eine untere Dreiecksmatrix L (mit Einsen auf der Diagonale) und eine obere Dreiecksmatrix R Problem: Algorithmus bricht zb ab bei A = oder ist numerisch instabil: Beispiel Exakte Lösung: Gauß-Elimination ( x x,7 A = ) ( ) 4,89 =,89,7,7 b = ( ) mit vierstelliger Genauigkeit ergibt sich, ,7 ) ( ) ( x 3,57 Lösung: = x,8 dh x stimmt überhaupt nicht obwohl κ(a) 4 bzgl = Stephan Trenn, TU Kaiserslautern 3/
4 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Zeilentausch (Pivotisierung) Gauß-Elimination,7,7 +,7 wieder mit vierstelliger Genauigkeit ) ( x Lösung: = x ( ) 4,6,6,9997, Definition (Gauß-Elimination mit Pivotisierung) Im j-ten Schritt der Gauß-Elimination tausche zunächst diejenige Zeile an die j-te Stelle, welche den betragsmäßig größten ersten Eintrag hat a jj wobei a i j = max a ij i=j,,n a i j a nj Zeilentausch entspricht Multiplikation (von links) mit einfacher Permutationsmatrix j P ij = i Satz Sei A R n n invertierbar Dann liefert Gauß-Elimination mit Pivotisierung immer Zerlegung P A = LR wobei P ein Produkt von einfachen Permutationsmatrizen ist, L =, R = Außerdem sind alle Einträge von L betragsmäßig kleiner oder gleich und insgesamt ergibt sich ein stabiler Algorithmus Stephan Trenn, TU Kaiserslautern 4/
5 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Rechenaufwand durch Pivotisierung: Spalte: n zusätzliche Vergleiche Spalte: n zusätzliche Vergleiche Insgesamt also (n )(n ) = n 3 n + zusätzliche Vergleiche vernachlässigbar gegenüber 3 n3 + Anwendungen der LR-Zerlegung ) Lösen von Ax = b Ax = b P Ax = P b LRx = P b Ly = P b und Rx = y Rechenaufwand jeweils in der Größenordnung n n 3 ) Berechnung der inversen Matrix A Löse Ax = e i i =,,n i-ter Einheitsvektor i-te Zeile Dann ist A = [x,,x n ] denn A A = I, dh 3) Berechnung der Determinante Ly i = P e i und Rx i = y i sind zu lösen für i =,,n det(p ) det(a) = det(p A) = det(lr) = det(l) det(r) = n det(a) = r ii det(p ) i= =( ) # Zeilentäusche Rechenaufwand n 3 n! für Berechnung nach Laplacschen Entwicklungssatz zb für n =,ms vs 6 Jahre auf gängigem Rechner 3 Cholesky-Zerlegung Annahme: A symmetrisch, dh A = A, A positiv definit, dh x Ax > x R n \ {} kurz: A ist spd Satz 3 Zu jeder spd Matrix existiert eine Cholesky-Zerlegung mit L = und D = d A = LDL d n mit d i > i =,,n und der auf der Folie vorgestellte Algorithmus ist stabil Stephan Trenn, TU Kaiserslautern 5/
6 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Cholesky-Zerlegung ist spezielle LR-Zerlegung, die Symmetrie von A ausnutzt Beispiel + Algorithmus Folie ACHTUNG: Auch stabile Verfahren können schlechte Ergebnisse liefern, wenn Kondition sehr schlecht: Beispiel 3 (Hilbertmatrix) / /3 /n / /3 /4 /n+ A = /3 /4 /5 /n+ /n /n+ /n+ /n ist spd, mit b = ( /n, /n+,, /n ) ergibt sich als Lösung von Ax = b x = (,,,) Für n = und Maschinengenauigkeit eps = 6 ergibt sich aber nach Cholesky-Zerlegung x mit Ursache: κ(a) 6 für n = x x x,, 4 QR-Zerlegung [ Ziel: A = QR mit Q orthogonal und R = Zunächst Vergleich mit LR-Zerlegung ] Pro: QR Zerlegung ist ia stabiler als LR-Zerlegung Contra: Rechenaufwand für QR-Zerlegung ist etwas höher als für LR-Zerlegung Definition 3 Q R n n heißt orthogonal : Q Q = I i j : q i q j (dh = q i,q j = q i q j) und i : = q i = q i, q i = q i q i, wobei Q = [q,q,,q n ] Satz 4 (Eigenschaften orthogonaler Matrizen) Sei Q R n n orthogonal, dann gilt: Q = Q ist selbst orthogonal Qx = x x R n, insbesondere Q = κ(q) = bezüglich und κ(qa) = κ(aq) = κ(a) A R n n Q Q ist orthogonal Q orthogonal Für QR-Zerlegung A = QR gilt also κ(a) = κ(r) und Ax = b R x = Q b Wichtige orthogonale Matrizen: Permutationen (Produkt von einfachen Permutationen wie in Abschnitt ) Stephan Trenn, TU Kaiserslautern 6/
7 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Drehungen Q ϕ x ϕ x cos ϕ sin ϕ Q ϕ = sin ϕ cos ϕ im R bzw im R n Q ϕ = cos ϕ sin ϕ sin ϕ cos ϕ Spiegelungen Q v x H v x Q v = I v v v v im R n wobei v der Normalenvektor der Spiegel-Hyperebene ist Givens-Rotation Idee: Finde Rotation Q ϕ = cos ϕ sin ϕ sin ϕ cos ϕ im R so dass ( ) a Q ϕ = b ( ) r Stephan Trenn, TU Kaiserslautern 7/
8 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 dann gilt cos ϕ sin ϕ sin ϕ cos ϕ a r = b dh mit einer solchen Rotation kann man eine Null in Matrix an beliebiger Stelle unter der Diagonale erzeugen ( ) a Gegeben: R b \ {} cos ϕ sin ϕ Gesucht: ϕ [,π) mit sin ϕ cos ϕ Givens-Matrix Fakt: c,s R [ c s ( ) a = b ( ) r ] cos ϕ sin ϕ ϕ [,π) : = s c sin ϕ cos ϕ Lösung für gesuchte Givens-Matrix c s s c : r := ± a + b für ein r c + s = c := a r s := b r Probe: c + s = a r + b r = a + b a + b = ( ) a c s a = r + b r s c b ba r + ab = r Bemerkung: Wir brauchen an keiner Stelle den Winkel ϕ Givens-Rotation Beispiel Folie Allgemein: r r = ( ) r Durch geeignete G ik werden nacheinander Nullen erzeugt bis G in k N G in k N G i k A = Stephan Trenn, TU Kaiserslautern 8/
9 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 wobei i > k und G ik = c ik s ik s ik c ik k i Wegen s ik = ± c ik genügt eine Zahl um G ik zu charakterisieren (wichtig bei Implementierung und Speicherverwaltung) Householder-Reflexion Idee: Zu y R n finde Hyperebene ) H v (durch Normalenvektor v R n gegeben) so dass y gespiegelt an H v ein Vielfaches von e = ( Q v y = ergibt, dh (I v ) v v y =! γe v γ R Wegen Q v y = y und γe = γ e = γ muss γ = ± y gelten Dann ließe sich A in obere Dreiecksform wie folgt überführen: a Q v A = =: a A, wobei Q v = Rn a n a A = =: A a 3, wobei Q Q v v = Rn a n a 33 A = =: A 3 a 43, wobei Q v3 Q v3 = Rn a n3 Stephan Trenn, TU Kaiserslautern 9/
10 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Wie wählt man v in Q v = I v v v v? Qvy = γe y v v v v y = γe v v y v = y γe }{{ v } α Es gilt Q αv = Q v α R \ {}, also kann der skalare Faktor α ignoriert werden: y ± y y v = y γe = y ± y e = y n Um Auslöschung zu vermeiden setzt man Beispiel Folie 4 Zusammenfassung v = y + sign(y ) y e sign(x) = {, x, x < Ax = b Anwendungen von Zeilenoperationen Z,Z,,Z N : Z N Z N Z A x = Z N Z b R= LR-Zerlegung (Gauß-Eliminationen) Z i = -l i+,i -l n,i + Permutationen Resultat: P A = L R Cholesky-Zerlegung für spd-matrizen A = LDL mit L = D = d d n Stephan Trenn, TU Kaiserslautern /
11 Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Givens-Rotation Z i = c i s i s i c i Resultat: A= Q R orthogonal Householder-Reflexion Resultat: A= Q R Z i = I v v v v orthogonal Stephan Trenn, TU Kaiserslautern /
Kapitel 2: Lineare Gleichungssysteme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 2: Lineare Gleichungssysteme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 205 HM: Numerik (SS 205), Kapitel
Mehr4. Großübung. Lösung linearer Gleichungssysteme
4. Großübung Lösung linearer Gleichungssysteme Gesucht x, x, x 3, x 4 R, sodass gilt. mit A R 4 4, x R 4, b R 4 x x + 3x 3 + x 4 = 5 6x 3x 7x x 4 = 5 4x + 4x + 5x 3 5x 4 = 3 8x + x + x 3 + x 4 = 8 3 x
MehrDrehungen und Spiegelungen in R 2
Drehungen und Spiegelungen in R 2 Ist A eine orthogonale 2 2-Matrix, so ist A von der Form ( ) cos α sin α A = Drehung um den Winkel α sin α cos α oder ( ) cos α sin α A = Spiegelung an Achse mit Steigung
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrDrehungen und Spiegelungen in R 2
Drehungen und Spiegelungen in R 2 Ist A eine orthogonale 2 2-Matrix, so ist A von der Form ( ) cos α sin α A = Drehung um den Winkel α sin α cos α oder ( ) cos α sin α A = Spiegelung an Achse mit Steigung
MehrNumerik für Informatiker und Bioinformatiker. Daniel Weiß
Numerik für Informatiker und Bioinformatiker Daniel Weiß SS 202 Folgende Literatur bildet die Grundlage dieser Vorlesung: P Deuflhard, A Hohmann, Numerische Mathematik, Eine algorithmisch orientierte Einführung,
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
Mehr3 Lineare Gleichungssysteme
Lineare Gleichungssysteme Wir wissen bereits, dass ein lineares Gleichungssystem genau dann eindeutig lösbar ist, wenn die zugehörige Matrix regulär ist. In diesem Kapitel lernen wir unterschiedliche Verfahren
MehrLR Zerlegung. Michael Sagraloff
LR Zerlegung Michael Sagraloff Beispiel eines linearen Gleichungssystems in der Ökonomie (Input-Output Analyse Wir nehmen an, dass es 3 Güter G, G, und G 3 gibt Dann entspricht der Eintrag a i,j der sogenannten
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
MehrLineare Gleichungssysteme: direkte Verfahren
Sechste Vorlesung, 24. April 2008, Inhalt Lineare Gleichungssysteme: direkte Verfahren Dreiecksmatrizen Gauß-Elimination LR-Zerlegung Anwendungen: Determinante, Inverse 1 Lösungsverfahren für lineare Gleichungssysteme
MehrDiplom VP Numerik 27. August 2007
Diplom VP Numerik 27. August 2007 Multiple-Choice-Test 30 Punkte Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese
Mehr2 Direkte Lösungsverfahren für lineare Gleichungen
(2.1) Sei x = (x n ) n=1,...,n R N, A = (a m,n ) m=1,...,m, n=1,...,n R M,N. a) Sei 1 m n N. Dann ist x[m : n] = (x k ) k=m,...,n R 1+n m Teilvektor von x. b) Seien 1 m 1 m 2 M, 1 n 1 n 2 N. Dann ist A[m
MehrDiplom VP Numerik 28. August 2006
Diplom VP Numerik 8. August 6 Multiple-Choice-Test Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese Aufgabe
Mehr4 Determinanten. 4.1 Eigenschaften der Determinante. ME Lineare Algebra HT
ME Lineare Algebra HT 2008 86 4 Determinanten 4. Eigenschaften der Determinante Anstatt die Determinante als eine Funktion IC n n IC durch eine explizite Formel zu definieren, bringen wir zunächst eine
MehrKlausur Numerische Mathematik (für Elektrotechniker), Samstag, 19. August 2017
Verständnisfragen-Teil (5 Punkte) Jeder der 5 Verständnisfragenblöcke besteht aus 5 Verständnisfragen. Werden alle 5 Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block
Mehr2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
MehrLineares Gleichungssystem
Lineares Gleichungssystem Ein System von m linearen Gleichungen in n Unbekannten besteht aus einer Menge von algebraischen Relationen der Form n a ij x j = b i, i =,...,m, j= wobei a ij R, i m, j n, die
MehrComputergestützte Mathematik zur Linearen Algebra
Computergestützte Mathematik zur Linearen Algebra Pivotwahl und Gleitkommaarithmetik Achim Schädle 3. und 20. Dezember 208 Achim Schaedle (HHU) CompLinA 3. und 20. Dezember 208 Instabilitäten bei Gauß-Elimination
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R. Käppeli L. Herrmann W. Wu Herbstsemester 2016 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6.1 Berechnen Sie die Determinanten der beiden
MehrGaußsche Ausgleichsrechnung
Kapitel 6 Gaußsche Ausgleichsrechnung 6. Gaußsche Methode der kleinsten Fehlerquadrate Die Gaußsche Methode der kleinsten Fehlerquadrate wurde 89 von C.F. Gauß in dem Aufsatz Theorie der Bewegung der Himmelkörper
MehrLineare Gleichungssysteme, LR-Zerlegung
Prof Thomas Richter 2 Juni 27 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomasrichter@ovgude Material zur Vorlesung Algorithmische Mathematik II am 22627 Lineare Gleichungssysteme,
Mehr6. Groÿübung. 1 QR-Zerlegung. 2 Givens-Rotationen. Grundaufgabe
6. Groÿüung 1 QR-Zerlegung Als QR-Zerlegung wird die Zerlegung A QR der Matrix A R m n in die rechte oere Dreiecksmatrix R R m n und die orthogonale Matrix Q R m m ezeichnet. Die Lösung des Gleichungssystems
MehrMultiplikationen und Divisionen Hauptarbeit des Algorithmus liegt somit in der Berechnung der LR-Zerlegung. (n 1)n(2n 1) 6. = n3 3 n2.
KAPITEL LINEARE GLEICHUNGSSYSTEME 7 Rechenaufwand der LR-Zerlegung: A A : n Divisionen, n 2 Multiplikationen und Additionen A L, R: Also insgesamt n j= j2 + j = n3 3 n 3 Multiplikationen und Divisionen
MehrMatrixzerlegungen. 6. Vorlesung Numerische Methoden I. Clemens Brand. 2. April Nachträge und Wiederholung. Links-Rechts- Zerlegung
Matrixzerlegungen. 6. Vorlesung 170004 Numerische Methoden I Clemens Brand QR- QR- 2. April 2009 Gliederung Elimination faktorisiert A = L R QR- QR- QR- QR- Eine Zusammenfassung der Folien 6 14 der letzten
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben).
MehrErweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
MehrVF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
MehrLineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 3 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt:
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 17114 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus Achtung: Durchführbarkeit nur bei nichtverschwindenden
MehrCramersche Regel. Satz 2.26
ramersche Regel Satz 6 Es sei A R n n eine quadratische Matrix mit det(a) 6= Für das LGS Ax = b sei A j := (a,,a j, b, a j+,,a n ), also die Matrix, die entsteht, wenn in A die j-te Spalte durch den Vektor
MehrZusammenfassung Numerische Mathematik für Elektrotechniker
Zusammenfassung Numerische Mathematik für Elektrotechniker RWTH Aachen, SS 2006, Prof. Dr. W. Dahmen c 2006 by Sebastian Strache, Ralf Wilke Korrekturen bitte an Ralf.Wilke@rwth-aachen.de 27. August 2006
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 15.1.16 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus. Achtung: Durchführbarkeit nur bei
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
Mehr2 Direkte Lösungsverfahren für lineare Gleichungen
2 Direkte Lösungsverfahren für lineare Gleichungen (2.1) Sei L R N N eine normierte untere Dreiecksmatrix und b R N. Dann ist L invertierbar und das Lineare Gleichungssystem (LGS) Ly = b ist mit O(N 2
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
MehrNumerisches Programmieren
Informatics V - Scientific Computing Numerisches Programmieren Tutorübung 3 Jürgen Bräckle, Christoph Riesinger 16. Mai 2013 Tutorübung 3, 16. Mai 2013 1 Gauß-Elimination und Pivotsuche LR-Zerlegung QR-Zerlegung
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 0 Olga Holtz MA 378 Sprechstunde Fr 4-6 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do -4 und nv jokar@mathtu-berlinde Kapitel Die Determinante
Mehr7. Großübung. Ax =QRx = b Rx =Q 1 b = Q T b. Wir behandeln im Folgenden zwei Verfahren zur Erzeugung der QR-Zerlegung:
7. Großüung 1 QR-Zerlegung Als QR-Zerlegung wird die Zerlegung A QR der Matrix A R m n in die rechte oere Dreiecksmatrix R R m n und die orthogonale Matrix Q R m m ezeichnet. Die Lösung des Gleichungssystems
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
MehrSerie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 06 Dr. Meike Akveld Serie : Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung. Gegeben seien die folgenden geordneten Basen B = (v, v, v, v ) und C = (w, w,
MehrDiplom VP Informatik / Numerik 2. September 2002
Diplom VP Informatik / Numerik. September 00 Aufgabe Gegeben sei das lineare Gleichungssystem A x = b mit 0 4 0 0 0 0 A = 4 0 0 0 0 0 0 0 0 und b = 4 4 8 5. Punkte a Berechnen Sie die Cholesky Zerlegung
Mehreps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrHerbstsemester a b 1. c d. e 0 f B = (iii) e = 0 (iv) ) 2 + ( 1. Das Skalarprodukt des ersten und zweiten Spaltenvektors muss null ergeben:
Dr V Gradinaru D Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5 Multiple Choice: Online abzugeben Gegeben sei die orthogonale Matrix
MehrSerie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 2017 Dr. Meike Akveld Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung 1. In dieser Aufgabe beweisen wir die Existenz der LR-Zerlegung einer quadratischen
MehrOriginal - d.h. unvertauschte Reihenfolge
NumaMB F6 Verständnisfragen-Teil (3 Punkte) Jeder der 6 Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es dafür 5
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 19.1.18 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus. Achtung: Durchführbarkeit nur bei
MehrKapitel 1: Fehleranalyse, Kondition, Stabilität
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 1: Fehleranalyse, Kondition, Stabilität Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik
MehrDirekte Verfahren für Lineare Gleichungssysteme
Kapitel 1 Direkte Verfahren für Lineare Gleichungssysteme 11 Einführung (mündlich) 12 Das Gaußsche Eliminationsverfahren Es sei A IK n n eine invertierbare Matrix und b IK n ein gegebener Vektor Gesucht
MehrOrthogonale Matrix. Definition 4.19
Orthogonale Matrix Ausgleichsprobleme sind häufig schlecht konditioniert. Matrix des Normalengleichungssystems kann nahezu singulär sein. Spezielle Matrixzerlegung für höhere numerische Stabilität: QR-Zerlegung
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
MehrB - 8 Gauß - Elimination (1850) Lineare Systeme in zwei Variablen
B - 8 Die Grundlage dieses Verfahrens ist die Beobachtung, daß für zwei Funktionen f (x) und g(x) eines Vektors x und jeden beliebigen Skalar λ gilt: f (x) = 0 f (x) = 0 g(x) = 0 g(x) λf (x) = 0 } {{ }
MehrLösung Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 06 Dr. Meike Akveld Lösung Serie : Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung. Um zu zeigen, dass es sich bei den gegebenen Vektoren um Basen handelt,
MehrD-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung. Musterlösung 5
D-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung 5 1. a) 1 0 0 1 3 5 LR = 0 1 0 2 6 7 0 0 1 3 10 10 1 0 0 1 3 5 = 2 1 0 0 0 3 3 0 1 0 1 5 1 0 0 1 3 5 1 0 0 = 3 1 0 0 1 5,
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik 4 Punkte Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen hinschreiben. Es müssen
MehrElektrischer Schaltkreis lin. Gleichungssystem
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) Beispiel : Elektrischer Schaltkreis I R
MehrInhalt Kapitel II: Lineare Gleichungssysteme
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II1 Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) 1 Beispiel 1: Elektrischer Schaltkreis
MehrHerbstsemester ist es.
Dr V Gradinaru K Imeri Herbstsemester 8 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 4 Aufgabe 4 Multiple Choice: Online abzugeben 4a) Gegeben seien: Dann gilt: (i)
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
MehrIn diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen.
Kapitel 4 Lineare Gleichungssysteme 4 Problemstellung und Einführung In diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen Lineares Gleichungssystem: Gesucht ist
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8
MehrMODULPRÜFUNG Numerische Methoden (Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik)
Karlsruher Institut für Technologie KIT) Institut für Analysis Dr. S. Wugalter Herbst 7.9.7 MODULPRÜFUNG Numerische Methoden Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik) Aufgabe 4 Punkte)
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV 6.8.005 1 Aufgabe N1 Gegeben seien A = 5-10 -5-10 8-10 -5-10 13 R 3 3 und b = a) Überprüfen Sie, ob die Matrix A positiv definit ist. b) Bestimmen
Mehr6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66
6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66 6 Determinanten 6.1 Symmetrische Gruppe Definition: Eine bijektive Abbildung von einer Menge X auf sich selbst heisst eine Permutation von X. Satz-Definition:
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
Mehr2 Lineare Gleichungssysteme
Höhere Ableitungen Interpolationsbedingungen d k Φ dx k (x j) = y (k) j, ( j =,,..., n; k =,,..., c j ) bestimmen das Hermite Interpolationspolynom Φ Π r mit r + = n ( + c j ). j= 2 Lineare Gleichungssysteme
MehrSerie 5. Lineare Algebra D-MATH, HS Prof. Richard Pink. 1. [Aufgabe] Invertieren Sie folgende Matrizen über Q:
Lineare Algebra D-MATH, HS 214 Prof Richard Pink Serie 5 1 [Aufgabe] Invertieren Sie folgende Matrizen über Q: 1 a) 1 1 1 1 1 2 1 1 1 b) 1 2 1 1 1 1 2 1 1 1 1 2 1 2 3 1 c) 1 3 3 2 2 1 5 3 1 2 6 1 [Lösung]
Mehr6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
MehrKapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24
Kapitel 4 Determinante Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Was ist eine Determinante? Wir wollen messen, ob n Vektoren im R n linear abhängig sind bzw. wie weit sie davon entfernt
Mehr4 Lineare Ausgleichsrechnung
Numerik I 15 4 Lineare Ausgleichsrechnung Die folgende Tabelle zeigt die Bevölkerungsentwicklung in den U.S.A. 19 191 192 193 194 75.995 91.972 15.711 123.23 131.669 195 196 197 198 199 15.697 179.323
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
Mehr4. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof Dr Streicher Dr Sergiy Nesenenko Pavol Safarik SS 010 11 15 Mai 4 Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G13 (Basistransformation) ( ) 15 05 Die lineare
Mehr13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
MehrLineare Algebra I. 2. Ist n = 4k für ein k N, so ist die
Universität Konstanz Wintersemester 009/010 Fachbereich Mathematik und Statistik Lösungsblatt 1 Prof Dr Markus Schweighofer 100010 Aaron Kunert / Sven Wagner Lineare Algebra I Lösung 11: Voraussetzung:
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr 14-16 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 12-14 und nv jokar@mathtu-berlinde Kapitel
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrMODULPRÜFUNG MODUL MA 1302 Einführung in die Numerik
................ Note Name Vorname 1 I II Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Obige Angaben sind richtig: Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
MehrInverse der Verwandtschaftsmatrix
Qualitas AG Inverse der Verwandtschaftsmatrix Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 November 5, 2015 2 / 26 Inverse einer Matrix Definition Gegeben eine quadratische Matrix A
MehrLineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri
Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 8 Institut für Informatik Prof. Dr. Thomas Huckle Michael Rippl Fabio Gratl Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt: Gaußelimination mit Pivotsuche,
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV Aufgabe N1 (LR-Zerlegung mit Pivotisierung) Gegeben seien R 3.
Lösung der Diplom-Vorprüfung Höhere Mathematik III/IV 7.7.6 Aufgabe N (LR-Zerlegung mit Pivotisierung) Gegeben seien 6 8 A = 8 6 R und b = 6 R. a) Berechnen Sie die LR-Zerlegung von A mit Spaltenpivotisierung.
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
Mehr