Über die Diskretisierung und Regularisierung schlecht gestellter Probleme
|
|
- Andreas Heinrich
- vor 9 Jahren
- Abrufe
Transkript
1 Über die Diskretisierung und Regularisierung sclect gestellter Probleme von Dipl. Mat. Robert Plato Vom Facbereic Matematik der Tecniscen Universität Berlin genemigte Dissertation zur Erlangung des akademiscen Grades Doktor der Naturwissenscaften Berlin 1990 D 83
2 Über die Diskretisierung und Regularisierung sclect gestellter Probleme von Dipl. Mat. Robert Plato Vom Facbereic Matematik der Tecniscen Universität Berlin genemigte Dissertation zur Erlangung des akademiscen Grades Doktor der Naturwissenscaften Promotionsausscuß: Vorsitzender: Prof. Dr. D. Ferus Bericter: Prof. Dr. A. K. Louis Prof. Dr. H. Brakage Tag der wissenscaftlicen Aussprace: Berlin 1990 D 83
3 Abstract Seien X und Y Hilberträume und A : X Y ein bescränkter linearer Operator mit nictabgesclossenem Bildbereic R(A) sowie y R(A). Zur Lösung des Problems (1) Ax = y kann man Projektionsverfaren verwenden. Seien dazu X X und Y Y lineare Unterräume mit endlicer Dimension. Man erält dann die Petrov- Galerkin-Gleicung (2) A x = y. Selbst wenn y in Gleicung (1) genau bekannt ist, muß eine Lösung x von (2) nict eine gute Approximation einer Lösung x von (1) sein. In dieser Arbeit wird für einige Verfaren (etwa die Metode von Tikonov, das Verfaren von Landweber bezieungsweise die Metode der konjugierten Gradienten), die sonst zur Lösung der Gleicung (2) gedact sind, eine geeignete Parameterwal angegeben (bei den beiden Iterationsverfaren ist damit ein Abbruckriterium gemeint), so daß man eine gute Näerung für x erält. Dabei werden auc gestörte Daten auf der recten Seite der Gleicung (1) zugelassen. Für diese, dem Diskrepanzprinzip von Ivanov-Morozov vergleicbare Parameterwal wird Konvergenz bewiesen. Grob formuliert eißt dies, daß bei feinerer Diskretisierung und mit besseren Näerungen an die recte Seite y der Gleicung (1) die angegebenen Verfaren mit dieser Parameterwal bessere Approximationen an x liefern. Mitilfe einiger Resultate über gebrocene Potenzen von nictnegativen selbstadjungierten Operatoren lassen sic scließlic auc Konvergenzraten nacweisen.
4 Inaltsverzeicnis 1. Einleitung Seite 1 2. Lineare Verfaren zur Lösung sclect gestellter Probleme Seite Ein allgemeiner Zugang Seite Beispiele Seite Die Matrixdarstellung der einzelnen Verfaren Seite 7 3. Einige Resultate über gebrocene Potenzen von nictnegativen selbstadjungierten Operatoren Seite Parameterwal bei linearen Verfaren Seite A priori-parameterwal Seite A posteriori-parameterwal Seite Die Metode der konjugierten Gradienten Seite Eine Einfürung Seite Der Beweis des Satzes 5.2 Seite Der Fall A = A 0 Seite Lineare Verfaren Seite Die Metode der konjugierten Gradienten Seite Numerisce Realisierungen Seite Über die Optimalität von Regularisierungsverfaren Seite Eine Einfürung Seite Das Hauptresultat Seite 60 Literaturverzeicnis Seite 65
5 1 Einleitung Seien X und Y Hilberträume über IR. Mit <, > werden wir das Skalarprodukt in X bezieungsweise Y bezeicnen, mit ist je nac Gebrauc die induzierte Norm in den Räumen X, Y oder L s (X, Y ) = {A : X Y : A ist ein bescränkter linearer Operator} gemeint. Sei nun A L s (X, Y ). Wir betracten die Gleicung Ax = y, y R(A). (1.1) Hier ist R(A) = {Ax : x X}. Wir nemen nun an, daß nur eine Näerung y ǫ Y für y bekannt ist mit y y ǫ ǫ, wobei ǫ > 0 eine bekannte Felerscranke ist. Wir sucen nac Verfaren R ǫ : Y X, die für eine gegebene Anfangsnäerung x an X eine gute Approximation R ǫ y ǫ an die Lösung x X von (1.1) liefern, die am näcsten bei x an liegt. Genauer gesagt, wir sucen nac Regularisierungsverfaren im folgenden Sinne. Definition 1.1 Seien A L s (X, Y ), x an X und R ǫ : Y X, ǫ > 0, gegeben. (R ǫ ) ǫ>0 eißt Regularisierungsverfaren für A (bezüglic x an ), falls sup x R ǫ y ǫ 0 (ǫ 0) y ǫ Y, Ax y ǫ ǫ für jedes x X mit x x an N(A) gilt. Für injektives A stimmt diese Definition mit der in Tikonov and Arsenin[37] überein, da es dann in Definition 1.1 nict von x an abängt, ob (R ǫ ) ǫ>0 ein Regularisierungsverfaren ist. Zur Angabe eines Lösungsverfarens muß das Problem zunäcst diskretisiert werden. Wir bescränken uns ierbei auf Projektionsverfaren. Sei dazu für > 0 (damit ist in der Regel die Scrittweite der Diskretisierung gemeint) P bezieungsweise Q eine ortogonale Projektion in X bezieungsweise Y. Im folgenden nemen wir an, daß A(I P ) 0, (I Q )A 0 ( 0). (1.2) 1
6 Hier bezeicnet I die identisce Abbildung in X bezieungsweise Y sowie A den zu A konjugierten Operator. Wir werden diese und die anderen einmal erklärten Bezeicnungen auc im folgenden verwenden. Wenn R(P ) und R(Q ) endlic-dimensional sind (dies ist auc der uns zumeist interessierende Fall), so ist für Bedingung (1.2) notwendig und inreicend, daß (siee Anselone[1], Proposition 1.8) A ein kompakter Operator ist, daß P I ( 0) punktweise auf R(A ) und daß Q I ( 0) punktweise auf R(A). Nun kann man zum Beispiel die Scrittweite ǫ in Abängigkeit von ǫ wälen (das eißt, nict zu fein und nict zu grob diskretisieren) und die Lösung x ǫ R(P ǫ ) der Gleicung Q ǫ Ax ǫ = Q ǫ y ǫ (für den Moment nemen wir an, daß diese existiert und eindeutig bestimmt ist) als Approximation der Lösung x von (1.1) nemen (siee Natterer[24], Hämarik[12], Vainikko und Hämarik[41] oder Louis[21]). Bei geeigneter Wal von ǫ ist dann durc R ǫ y ǫ = x ǫ ein Regularisierungsverfaren (bezüglic x an = 0) definiert. Besser ist es jedoc, eer zu fein zu diskretisieren und Verfaren zu verwenden, die erzeugt werden durc borelmeßbare Funktionen g r : [0, a] IR, (r 0, A 2 a) mit gewissen Eigenscaften (siee Kapitel 2 für die linearen Verfaren und Kapitel 5 für das Verfaren der konjugierten Gradienten). Sei x an X eine Anfangsnäerung für eine Lösung von (1.1) und fest gewält. Mit einer angemessenen Wal von r (siee dazu Kapitel 4 und 5) ist dann x r = (I g r (A A )A A )P x an + g r (A A )A y ǫ (1.3) (ier ist A = Q AP : X Y ) eine Näerung der Lösung x von (1.1), die am näcsten bei x an liegt. Da fest gewält ist, aben wir auf Indizierung von x r mit verzictet. Man siet leict, daß x r X für alle r 0. Wir wollen Verfaren (1.3) noc kurz für den Fall x an = 0 erläutern, one dabei jedoc zu exakt zu werden. Dazu bezeicnen wir 2
7 mit B + die verallgemeinerte Inverse für ein beliebiges B L s (X, Y ), näeres ierzu findet man zum Beispiel in Louis[21]. Gleicung (1.3) wird für x an = 0 zu x r = g r (A A )A y ǫ. Wenn nun g r (A A ) (A A ) + (r ) punktweise (dies wird sic scließlic aus den im folgenden Kapitel angegebenen Bedingungen (2.1) und (2.2) an g r ergeben), so folgt g r (A A )A (A A ) + A = A+ (r ) punktweise. Für große Parameter r wird x r also A + y ǫ approximieren, falls y ǫ im Definitionsbereic von A + liegt (was sicer immer dann der Fall ist, wenn P oder Q eine endlic-dimensionale Projektion ist). Selbst im Fall y = y ǫ kann nun aber A + y ǫ eine sclecte Näerung für die Lösung x der Gleicung (1.1) mit minimaler Norm sein, was dann an der durcgefürten Diskretisierung liegt, siee Seidman[35]. Daer darf im allgemeinen der Parameter r nict zu groß gewält werden. Natürlic aber auc nict zu klein; wie er nun gewält werden soll, darum get es in dieser Arbeit. Wir fassen nun zusammen, was in den einzelnen Kapiteln beandelt wird. In Kapitel 2 werden lineare Verfaren zur Lösung von (1.1) vorgestellt. In Kapitel 3 werden Resultate über gebrocene Potenzen von positiven selbstadjungierten Operatoren geliefert, die für die Beweise von Konvergenz bezieungsweise Konvergenzraten benötigt werden. In Kapitel 4 sclagen wir sowol eine a priori- als auc eine a posteriori-parameterwal für lineare Verfaren vor. Letztere ist vergleicbar mit dem Diskrepanzprinzip von Ivanov-Morozov (Ivanov[13], Morozov[22]): mit einer Konstanten d > 1 und für festes wäle man r so, daß A x r Q y ǫ = dǫ gilt. Wir werden allerdings eine weitere Bedingung an den Parameter r stellen. Für eine vergleicbare Parameterwal beim nictlinearen Verfaren der konjugierten Gradienten (g r in (1.4) ängt von A, x an und y ǫ ab) werden in Kapitel 5 Konvergenzraten bewiesen. Gilt für A L s (X), das eißt, A : X X ist ein bescränkter linearer Operator, außerdem A = A 0, das eißt, A ist nictnegativ und selbstadjungiert, so lassen sic obige Verfaren (mit weniger Aufwand) auf die Gleicung P AP x = P y ǫ anwenden. In Kapitel 6 werden für eine Kapitel 4 und 5 analoge Parameterwal Konvergenz- 3
8 raten angeben, wenn die gesucte Lösung in einem gewissen Sinne glatt ist. Die teoretiscen Ergebnisse werden in Kapitel 7 numerisc illustriert. Scließlic geen wir in Kapitel 8 auf die Optimalität von Verfaren ein und eralten nebenbei auc als Ergebnis, daß das Verfaren der konjugierten Gradienten mit dem in Kapitel 5 angegeben Abbruckriterium bei genügend feiner Diskretisierung zu einem Regularisierungsverfaren wird. Es soll abscließend nict unerwänt bleiben, daß die folgenden Betractungen auc den klassiscen Fall A = A entalten, für den die Ergebnisse der Kapitel 4, 5 und 6 bekannt sind (Vainikko[38], Vainikko und Veretennikov[42], Nemirovskii[25], Louis[21]). Ic möcte Herrn Professor Dr. Louis erzlic danken für den Anstoß zu dieser Arbeit. Weiterin gilt mein Dank Herrn Professor Dr. Vainikko für die Zusammenarbeit wärend seines Aufentaltes in Kaiserslautern Anfang 1989, one die diese Arbeit in dieser Form nict entstanden wäre. 4
9 2 Lineare Verfaren zur Lösung sclect gestellter Probleme 2.1 Ein allgemeiner Zugang Wie in der Einleitung angedeutet wollen wir zur Lösung von (1.1) lineare Verfaren erzeugen durc borelmeßbare Funktionen g r : [0, a] IR, r 0, A 2 a. An diese Funktionen g r stellen wir die folgenden Bedingungen: sup t p 1 tg r (t) γ p r p, r > 0, 0 p p 0, (2.1) 0 t a t gr (t) γ r 1 2, r 0, (2.2) sup 0 t a wobei p 0 > 0, γ p und γ Konstanten sind. Sei x an X eine Anfangsnäerung und x die (eindeutig bestimmte) Lösung von (1.1), welce den geringsten Abstand zu x an at. x ist carakterisiert durc die Bedingung Ax = y, x x an N(A) oder auc durc die Bedingung x = x + P N(A) x an, wobei ier x die Lösung von (1.1) mit minimaler Norm ist. Seien nun für > 0 ortogonale Projektionen P und Q in X bezieungsweise Y gegeben. Wir setzen A = Q AP : X Y und nemen für den Rest dieses Kapitels als fest gewält an. Daer werden in diesem Kapitel neu eingefürte Variablen nict mit indiziert. Weiterin sei y ǫ Y mit Ax y ǫ ǫ fest gewält. Mit einer angemessenen Parameterwal r (siee dazu Kapitel 4 und 5) ist eine Approximation an x gegeben durc x r = (I g r (A A )A A )P x an + g r (A A )A y ǫ, (2.3) Bei festem r ist für P x an 0 also x r nur affin-linear in Abängigkeit von y ǫ. Wir werden trotzdem von linearen Verfaren sprecen. Die Bedingungen (2.1) und (2.2) an g r garantieren die Woldefinierteit von x r. Mer zu den Folgerungen aus den Bedingungen (2.1) und (2.2) in Abscnitt 4. 5
10 2.2 Beispiele 1. Die Metode von Tikonov: Bei diesem auf A. N. Tikonov (siee [36], aber auc Pillips[27]) zurückgeenden Verfaren ist die Lösung x r der Gleicung (A A + r 1 I)x = A y ǫ (2.4) zu bestimmen. Die Metode ist von der Form (2.3) mit x an = 0 und g r (t) = (t+r 1 ) 1, r > 0. Die Bedingungen (2.1) und (2.2) sind erfüllt mit p 0 = 1, γ p = p p (1 p) 1 p (0 < p 1) und γ = 1 2 (Vainikko und Veretennikov[42]). Eine Verallgemeinerung der Metode von Tikonov ist das folgende Verfaren. 2. Die verallgemeinerte Metode von Tikonov: Sei q 1 2. Hier ist im Falle q 0 die Lösung x r der Gleicung ((A A ) q+1 + r q 1 I)x = (A A ) q A y ǫ (2.5) zu bestimmen, im Falle q < 0 ist die Lösung x r der Gleicung (A A + r q 1 (A A ) q )x = A y ǫ zu bestimmen. Die Metode ist von der Form (2.3) mit x an = 0 und g r (t) = t q /(t q+1 +r q 1 ), r > 0. Die Bedingungen (2.1) und (2.2) sind erfüllt mit p 0 = q + 1, γ = q+1/2 (2q+1) q+1 2q+2 und γ p = (p/(q+1)) (p/(q+1)) ((q+1 p)/(q+1)) (q+1 p)/(q+1) (0 < p q+1). 3. Die Metode der sukzessiven Approximation (Explizites Verfaren): Sei 0 < µ < 2 a. Dieser von L. Landweber (siee [20]) stammende Algoritmus ist gegeben durc x 0 = P x an, x r = (I µa A )x r 1 + µa y ǫ, r = 1, 2,... (2.6) Die Metode ist von der Form (2.3) mit g r (t) = 1 t [1 (1 µt)r ], t 0. Die Bedingungen (2.1) und (2.2) sind erfüllt (siee Vainikko und Veretennikov[42]) für jedes p 0 > 0 mit γ = 1 2 und γ p = max{ µp p, a p sup 1 µa r r p } (0 < p). r 1 6
11 4. Implizites Verfaren: Sei 0 < µ konstant. Dieser Algoritmus ist gegeben durc x 0 = P x an, (A A + µi)x r = µx r 1 + A y ǫ, r = 1, 2,... (2.7) Die Metode ist von der Form (2.3) mit g r (t) = 1 t [1 ( µ µ+t )r ], t 0. Die Bedingungen (2.1) und (2.2) sind erfüllt (siee wieder Vainikko und Veretennikov[42]) für jedes p 0 > 0 mit γ = µ 1 2 und γ p = (pµ) p. Andere durc Funktionen (g r ) r 0 erzeugte lineare Verfaren sind in Vainikko[38], Vainikko[39], Vainikko und Veretennikov[42] oder Louis[21] zu finden. Es soll nun die Matrixdarstellung der vier ier vorgestellten Verfaren angegeben werden. 2.3 Die Matrixdarstellung der einzelnen Verfaren Sei die Familie A = (Φ 1, Φ 2,..., Φ n ) von Vektoren aus X eine Basis von R(P ) =: X. Weiter sei die Familie von Vektoren B = (Ψ 1, Ψ 2,..., Ψ m ) aus Y eine Basis von R(Q ) =: Y. Wir definieren G Φ = (< Φ i, Φ j >) i,j=1,...,n, G Ψ = (< Ψ i, Ψ j >) i,j=1,...,m, B = (< Ψ i, AΦ j >) i=1,...,m, j=1,...,n, z = (< Ψ i, y ǫ >) i=1,...,m. (2.8) Es ist dann, wie einige kleinere Recnungen zeigen, G 1 Ψ B die der linearen Abbildung A bezüglic der Basen A und B zugeordnete Matrix, wenn man A als Abbildung von X nac Y auffaßt. Analoges gilt für G 1 Φ BT und A. Dies beides ist im folgenden kommutativen Diagramm dargestellt. Wir definieren dazu die beiden Abbildungen Φ : IR n X, α n k=1 α kφ k und Ψ : IR m Y, α m k=1 α kψ k. 7
12 A A X Y X Φ Ψ Φ IR n IR m IR n G 1 Ψ B G 1 Φ BT Wir betonen, daß die Matrix G 1 Φ BT G 1 Ψ B, die A A repräsentiert, nict notwendigerweise selbstadjungiert ist. Daer mact der Ausdruck g r (G 1 B) im allgemeinen keinen Sinn. Allerdings wird Φ BT G 1 Ψ der Operator p(a A ) durc die Matrix p(g 1 B) repräsentiert für jedes Polynom p und so sind die folgenden Aussagen (g r ist in den ier angegeben Beispielen immer rational) leict einzuseen. Zunäcst betracten wir die Metode von Tikonov. Die Lösung von x r der zugeörigen Gleicung (2.4) kann in der Form Φ BT G 1 Ψ x r = n c j Φ j (2.9) j=1 dargestellt werden. Einige elementare Recnungen zeigen, daß (2.4) und (2.9) äquivalent sind zu dem folgenden Gleicungssystem zur Bestimmung von c = (c j ) j=1,...,n : (B T G 1 Ψ B + r 1 G Φ )c = B T G 1 Ψ z. (2.10) Die auf der linken Seite des letzten Gleicungssystems steende Matrix ist symmetrisc und positiv definit, daer kann man zur Lösung dieses Gleicungssystems das Coleskyverfaren verwenden. Bei der verallgemeinerten Metode von Tikonov entstet mit der nictnegativen ganzen Zal q das lineare Gleicungssystem (B T G 1 Ψ B(G 1 Φ BT G 1 Ψ B)q +r 1 G Φ )c = G Φ (G 1 Φ BT G 1 Ψ B)q G 1 Φ BT G 1 Ψ z. Bei der Metode der sukzessiven Approximation (2.6) und dem impliziten Scema (2.7) kann, da alle Iterierten in X liegen, x r wiederum 8
13 in der Form x r = n c r jφ j (2.11) j=1 dargestellt werden. Einige elementare Recnungen zeigen, daß (2.6) (bezieungsweise (2.7)) und (2.11) äquivalent ist zu dem Iterationsverfaren (2.12) (bezieungsweise (2.13)) zur Bestimmung von c r = (c r j ) j=1,...,n, r = 1, 2,... : c r = c r 1 µ(gφ 1 G 1 Ψ Bcr 1 G 1 Φ BT G 1 Ψ z), (2.12) (B T G 1 Ψ B + µg Φ)c r = µg Φ c r 1 + B T G 1 Ψ z. (2.13) In beiden Fällen ist c 0 = G 1 Φ ((< Φ j, x an >) j=1,...,n ). Wir möcten noc eines betonen: In allen Fällen werden die einzelnen Verfaren auf die Gleicung G 1 Φ BT G 1 Ψ Bc = G 1 Φ BT G 1 Ψ z angewendet werden (dies ist die Matrixversion für die Gleicung A A x = A y ǫ, wenn c die Koordinaten von x sind) und nict auf die äquivalente Gleicung B T Bc = B T z. Diese letzte Gleicung erält man durc Anwendung eines Projektionsverfarens auf Ax = y ǫ und anscließender Normalisierung. Was die Diskretisierung anget, so möcten wir noc zwei Spezialfälle erwänen. Wir betracten zunäcst (wegen des folgenden Begriffs siee Natterer[24]) die Felerquadratmetode. Sei dazu P eine beliebige Ortogonalprojektion in X, so daß R(P ) endlice Dimension at, und sei Q die ortogonale Projektion auf A(R(P )). Weiterin sei (Φ j ) j eine Basis von R(P ) und Ψ j = AΦ j. Wir verlangen ier nict, daß (Ψ j ) j eine Basis von R(Q ) ist. Wegen B = G Ψ lassen sic die Algoritmen ier in einer einfaceren Form darstellen. Im übrigen ätte man wegen A = AP anstelle von Q auc den Eineitsoperator I nemen können, es würden sic die gleicen Matrizen ergeben. Wir werden später jedoc auc den Defekt A x r Q y ǫ berecnen müssen, und da wir daran interessiert sind, daß sic alle Vorgänge in endlicdimensionalen Unterräumen abspielen, aben wir Q so und nict anders gewält. 9
14 Auc bei der dualen Felerquadratmetode lassen sic die Verfaren in einer einfaceren Form darstellen. Hier ist Q eine beliebige Ortogonalprojektion in Y, so daß R(Q ) endlice Dimension at. Sei P die ortogonale Projektion auf A (R(Q )). (Wenn x an = 0, so kann man auc P = I wälen, es läuft auf das Gleice inaus.) Weiterin sei (Ψ j ) j eine Basis von R(Q ). Die einzelnen Gleicungen lassen sic auc ier knapper fassen. Es ist B = G Ψ, wobei in (2.8) Φ j = A Ψ j zu wälen ist. Wir benötigen noc Ergebnisse über gebrocene Potenzen von selbstadjungierten nictnegativen Operatoren, um die ersten Konvergenzresultate für die in diesem Kapitel angegebenen Verfaren beweisen zu können. Diese werden in dem nun folgenden Kapitel bereitgestellt. 10
15 3 Einige Resultate über gebrocene Potenzen von selbstadjungierten nictnegativen Operatoren Die Lemmata in diesem Abscnitt werden in den Kapiteln 4 bis 6 benötigt. Das erste Lemma kann man in änlicer Form in Gfrerer[9] und in King und Neubauer[18] finden, wir liefern ier einen kürzeren Beweis. Dazu benötigen wir die folgende, zum Beispiel in Louis[21] zu findende Interpolationsungleicung: Für x X, p und α positiv gilt A p x A p+α x p p+α x α p+α. (3.1) Hierbei ist A die positive Quadratwurzel von A A, das eißt, es gilt A = (A A) 1 2. Lemma 3.1 Sei p > 0, A L s (X, Y ) und P L s (X) eine ortogonale Projektion. Sei weiter b p = 1 für p 1 und b p = A p 1 für p > 1. Dann gilt P A p b p AP min{p,1}. Beweis. a) Da A und P selbstadjungiert sind, gilt P A = (P A ) = A P = A P = AP. Letzteres folgt, da Ax = A x für alle x X gilt. Für p = 1 ist die Beauptung daer gezeigt. b) Sei nun p > 1. Dann gilt P A p P A A p 1 = A p 1 AP. Also ist die Beauptung auc für p > 1 gezeigt. c) Sei scließlic p < 1: Wegen P A p = A p P folgt mit der Momentenungleicung (3.1) für x X A p Px A Px p Px 1 p = APx p Px 1 p = AP 2 x p Px 1 p AP p Px. Damit ist alles gezeigt. Lemma 3.1 ist nict zu verscärfen (man betracte die Aussage für die triviale ortogonale Projektion P L s (X) mit R(P) = X). 11
16 Lemma 3.2 Seien 0 < p < 2, A L s (X, Y ) und P L s (X) eine ortogonale Projektion. Dann gilt P A p P AP p 4 π A(I P) p. Beweis. Wir benötigen die folgende, in Krasnoselskii et. al.[19] zu findende Integralformel für T L s (X) mit T = T und T 0: Für 0 < α < 1 gilt T α = sin απ π 0 t α 1 (ti + T) 1 T dt. (3.2) Wir wenden diese Formel auf B = A A und B = PA AP an und eralten die Abscätzung B α PB α sin απ P t α 1 (ti +B) 1 B PB(tI +B) 1 P dt. π 0 (3.3) Nun läßt sic der Integrand der recten Seite von (3.3) mit der Gleicung (ti + B) 1 B PB(tI + B) 1 P = (ti + B) 1 P[(tI + B) (ti + B)]B(tI + B) 1 P = (ti + B) 1 PA A(I P)A A(tI + B) 1 P. (3.4) anders darstellen. Um die Norm von (3.4) abzuscätzen, verwenden wir die folgenden Ungleicungen, die man leict mit spektralteoretiscen Metoden zeigen kann: (ti + B) 1 PA 1 2 t 1/2 und A(tI + B) t 1/2, (3.5) (ti + B) 1 B 1 und (ti + B) 1 B 1, (3.6) A(I P)A A(I P) 2. (3.7) (3.5) und (3.7) implizieren (ti + B) 1 B PB(tI + B) 1 P 1 4 A(I P) 2 t 1, (3.8) mit (3.6) folgt (ti + B) 1 B PB(tI + B) 1 P 1. (3.9) 12
17 (Hierbei wurde benutzt, daß für selbstadjungierte nictnegative Operatoren S und T mit S 1 und T 1 gilt S T 1, siee Vainikko und Veretennikov[42]). Verwendet man die Abscätzung (3.9) für 0 < t < A(I P) 2 und die Abscätzung (3.8) für A(I P) 2 t <, so erält man scließlic aus (3.3) und (3.4) B α PB α sin απ P ( 1 π α + 1 ) A(I P) 2α 4(1 α) sin απ = (4 3α) A(I P) 2α 4πα(1 α) sin απ 3 sin(1 α)π = ( ) A(I P) 2α. πα(1 α) 4π(1 α) Da sinαπ πα(1 α) 4 π und sin(1 α)π π(1 α) 0, sind wir fertig. Bemerkung. G.Vainikko (siee Vainikko[38] und Vainikko und Veretennikov[42]) at folgendes bewiesen: Seien p sowie η 0 > 0, es gelte p 1. Weiter sei T : X Y ein stetiger linearer Operator. Dann gibt es ein a p > 0, so daß für alle 0 < η η 0 und alle stetigen linearen T η : X Y mit T T η η gilt T p T η p a p η min{p,1}. Für p = 1 gilt dies nict (siee ierzu Kato[17]). Für p um 1 liefern also die Lemmata 3.1 und 3.2 eine Verscärfung des eben zitierten Ergebnisses, wenn man nur spezielle Störungen zuläßt. Es folgt nämlic mit der biser üblicen Notation A p AP p = O( A AP min{p,1} ). (3.10) Es gibt noc eine weitere Klasse von Operatoren, für die eine Verscärfung des eben zitierten Ergebnisses möglic ist, wie das folgende Lemma zeigt. Dieses kann man im übrigen auc zum Beweis von (3.10) verwenden, indem man es auf A und P A P sowie auf (P A P) 2 und AP 2 anwendet. Einen Beweis dieses folgenden Lemmas findet man in Vainikko und Veretennikov[42]. 13
18 Lemma 3.3 Sei B L s (X), es gelte B = B 0. Weiter seien p > 0 und a > 0. Dann gilt für jedes B L s (X) mit B = B 0, B a, B p B p a p B B min{p,1}. Hier ist a p = 4 π, wenn p 1, und p a p ist bescränkt in (0, p 0 ] für jedes p 0 > 0. Korollar 3.4 Seien A L s (X, Y ) und p > 0. Für jede ortogonale Projektion Q L s (Y ) gilt A p QA p a p 2 (I Q)A min{p,2}. Hier ist a p = 4 π, wenn p 1, und p a p ist bescränkt in (0, p 0 ] für jedes p 0 > 0. Beweis. Dies folgt sofort mit Lemma 3.3 mit B = A A und B = A QA, da B B (I Q)A 2. Lemma 3.5 Seien A L s (X, Y ) und p > 0. Dann gilt für ortogonale Projektionen P L s (X) und Q L s (Y ) P A p QAP p c p ( A(I P) min{p,1} + (I Q)A min{p,2} ). p c p ist bescränkt in (0, p 0 ] für jedes p 0 > 0. Beweis. Es gilt P A p QAP p P A p AP p + AP p QAP p. Die beiden Summanden auf der recten Seite der letzten Gleicung lassen sic leict weiter abscätzen. Zum einen eralten wir mit Korollar 3.4, angewendet auf AP anstelle von A, die Ungleicung AP p QAP p a p (I Q)A min{p,2}. Zum anderen erält man 2 mit den Lemma 3.1 und 3.2 für den Fall p 2 Wenn p > 2, so gilt P A p AP p = O( A(I P) min{p,1} ). P A p AP p = P A ( A p 1 AP p 1 ) + (P A AP ) AP p 1 14
19 und wieder mit Lemma 3.1 und Lemma 3.2 sowie vollständiger Induktion eralten wir eine ausreicende Abscätzung. Mit Lemma 3.1 und Lemma 3.5 erält man das folgende Korollar. Korollar 3.6 Seien A L s (X, Y ) und p > 0. Dann gilt für ortogonale Projektionen P L s (X) und Q L s (Y ) A p QAP p c p ( A(I P) min{p,1} + (I Q)A min{p,2} ). p c p ist bescränkt in (0, p 0 ] für jedes p 0 > 0. 4 Parameterwal für lineare Verfaren In diesem Kapitel werden wir eine Wal des Parameters r in Abängigkeit der Diskretisierung und des Datenfelers für die in Kapitel 2 eingefürten linearen Verfaren angegeben. Die angegebenen Ergebnisse sind teilweise in Plato[29] (dort mit einer anderen Beweistecnik als der in diesem Kapitel verwendeten) und in Plato und Vainikko[30] zu finden. Zunäcst ein paar Vorbemerkungen, die man leict mit spektralteoretiscen Metoden beweisen kann. Ausgeend von den Definitionen und Annamen der Einleitung und unter der Voraussetzung, daß die Funktionen g r die Bedingungen (2.1) und (2.2) erfüllen, definieren wir S,r = I g r (A A )A A, (4.1) R,r = S,r P x an + g r (A A )A. (4.2) Dann ist S,r : X X ein bescränkter linearer Operator mit (siee (2.1)) S,r A p γ p 2 r p 2, 0 < p 2p0, r > 0, (4.3) und R,r : Y X ist der affin-lineare Approximationsoperator. Weiter ist (siee (2.2)) g r (A A )A : Y X ein bescränkter linearer Operator mit g r (A A )A = g r(a A ) A, es gilt g r (A A )A γ r 1 2, r > 0. (4.4) 15
20 Die letzte Ungleicung können wir verwenden, um x R,r y ǫ abzuscätzen. Zunäcst gilt x R,r y ǫ = S,r P (x x an )+g r (A A )A (AP x y ǫ )+(I P )x. (4.5) Wir setzen nun wieder A(I P ) ξ voraus. Mit Ungleicung (4.4) und Gleicung (4.5) folgt dann x R,r y ǫ S,r P (x x an ) + γ r 1 2 (ξ (I P )x + ǫ) + (I P )x. (4.6) Diese Abscätzung ist ganz wesentlic bei dem Beweis der folgenden beiden Sätze. Wir beginnen mit dem Fall der a priori-parameterwal. Zuvor jedoc noc die Definition 4.1 Sei A L s (X, Y ). Wir setzen für p 0 und ρ 0 M p,ρ := { A p z : z X, z ρ}. 4.1 A priori-parameterwal Der erste Teil des folgenden Satzes liefert ein Konvergenzresultat. Im zweiten Teil geben wir Konvergenzraten an für Lösungen des Problems Ax = y, die in einem gewissen Sinne glatt sind. Satz 4.2 Sei A L s (X, Y ), A 2 a. Weiter sei y R(A), x an X und x die Lösung von Ax = y, die am näcsten bei x an liegt. Seien P L s (X) und Q L s (Y ) ortogonale Projektionen und A = Q AP. Es gelte A(I P ) ξ und (I Q )A η. Weiter seien die Bedingungen (2.1) und (2.2) gültig und R,r wie in (4.2) definiert. 1. (Konvergenz) Wenn P I punktweise, ξ 0, η 0 ( 0) und so gilt r 1/2 (,ǫ) ǫ 0, r1/2 (,ǫ) ξ C und r (,ǫ) ( 0, ǫ 0), sup x R,r(,ǫ) y ǫ 0 ( 0, ǫ 0). y ǫ Y, y y ǫ ǫ 16
21 2. (Konvergenzordnung) Wenn 0 < p 2p 0, x x an M p,ρ, x M p,ρ und C 1 (( ǫ ρ ) 1 p+1 + ξ ) r 1/2 C 2 (( ǫ ρ ) 1 p+1 + ξ min{ 1 p,1} ) mit positiven Konstanten C 1, C 2, so folgt x R,r y ǫ e p ((ρǫ p ) 1 min{p,1} p+1 + ρ(ξ + η min{p,2} )). e p ist unabängig von ǫ, und ρ. p e p ist bescränkt in (0, p 1 ] für jedes endlice p 1 > 0. Bemerkung. Mit der Screibweise r (,ǫ) ( 0, ǫ 0) in Satz 4.2 ist folgendes gemeint: Für jede Folge ( n, ǫ n ) n IN mit n 0, ǫ n 0, n + ǫ n 0 (n IN) und n + ǫ n 0 (n ) gilt r (n,ǫ n ) (n ). Genauso sind vergleicbare Screibweisen für Konvergenz im Hilbertraum X zu interpretieren. Beweis von Satz Wegen der Abscätzung (4.6) ist Konvergenz scon bewiesen, wenn S,r(,ǫ) P (x x an ) 0 ( 0, ǫ 0) (4.7) gezeigt ist. Nun, wegen (4.3) ist S,r P γ 0, die Familie (S,r P ),r ist also gleicmäßig bescränkt. Weiter gilt wieder wegen (4.3) und Lemma 3.5 (mit p := min{2p 0, 1}) S,r P A p S,r A p + S,r P ( A p A p ) γ p pr γ0 c p (ξ p + ηp ) 0 (r, 0). Jetzt folgt aber scon (4.7) wegen x x an N(A) = N( A p ) = R( A p ) mit Hilfe des Satzes von Banac-Steinaus. 2. Um die Felerabscätzung zu beweisen, müssen wir (siee wieder Ungleicung (4.6)) wegen r 1 2 ξ C 1 1, r 1 2 ǫ C 1 1 (ρǫp ) 1 (I P )x b p ρξ min{p,1} abscätzen. Nun, mit Lemma 3.5 und (4.3) folgt S,r P (x x an ) S,r P A p ρ p+1 und (Lemma 3.1) nur noc S,r P (x x an ) ( S,r A p + γ 0 P A p A p )ρ (γ p 2 r p 2 + γ0 c p (ξ min{p,1} 17 + η min{p,2} ))ρ. (4.8)
22 Jetzt ist die zweite Aussage des Satzes eine leicte Konsequenz aus der Parameterwal. Bemerkung 1. Liegt der Startvektor x an in N(A) (wenn also zum Beispiel x an = 0), so gilt x N(A), im ersten Teil des Satzes muß dann nur P I punktweise auf N(A) verlangt werden, man muß also nict im Nullraum von A diskretisieren. 2. Es ist durcaus möglic, daß neben (I P )A ξ auc noc (I P )A A ξ 2 gilt. Dann ergibt sic unter den Voraussetzungen des Satzes 4.2 Teil 2 die Felerabscätzung x R,r y ǫ e p ((ρǫ p ) 1 min{p,2} p+1 + ρ(ξ + η min{p,2} )). Dies liegt daran, daß sic unter diesen Voraussetzungen die Lemmata in Kapitel 3 verscärfen lassen. 3. Bei Verwendung der Felerquadratmetode ( ier ist R(Q ) = A(R(P )) ) ergibt sic mit der gleicen Beweistecnik unter den Voraussetzungen des Satzes 4.2 Teil 2 die Felerabscätzung x R,r y ǫ e p ((ρǫ p ) 1 p+1 + ρξ min{p,1} ). Dies liegt an Q AP = AP. 4. Änlices läßt sic bei Verwendung der dualen Felerquadratmetode (R(P ) = A (R(Q ))) sagen. Hier ergibt sic unter den Voraussetzungen des Satzes 4.2 Teil 2 mit der gleicen Beweistecnik die Felerabscätzung x R,r y ǫ e p ((ρǫ p ) 1 p+1 + ρη min{p,2} ). Dies liegt an Q AP = Q A und an (I P )A A η Es ist eine angemessene Diskretisierung in Abängigkeit der bekannten Felerscranke ǫ zu wälen. Ist keine Informationen über die Glatteit von x und x x an bekannt, so ist eine Wal von ǫ, so daß ξ ǫ + η ǫ ǫ gilt, vernünftig. Mit R ǫ = R ǫ,r ǫ eralten wir dann ein Regularisierungsverfaren im Sinne der Definition 1.1. Wenn jedoc die Bedingungen des zweiten Teils von Satz 4.2 erfüllt sind mit bekanntem p und ρ, so sollte man am so wälen, daß ξ min{p,1} + ( ǫ ρ ) p p+1. η min{p,2} 18
23 4.2 A posteriori-parameterwal Wir sclagen die folgenden beiden Diskrepanzprinzipien vor. Dazu nemen wir an, daß die Bedingungen des Satzes 4.2 erfüllt sind. Sei > 0 fest gewält. Regel 1. Sei 1 < d 1 d Wenn A x an Q y ǫ d 2 ǫ, so wäle r = 0, das eißt, man neme P x an als Näerung. 2. Sei nun A x an Q y ǫ > d 2 ǫ. a) Wäle 0 < r ξ 2 =: r max, so daß d 1 ǫ (I A R,r )Q y ǫ, (4.9) d 2 ǫ (I A R,r )Q y ǫ. (4.10) b) Gibt es kein r r max, so daß (4.10) gilt, so wäle r = r max. Wir wollen noc kurz auf die bei der Parameterwal (durc die im übrigen r nict eindeutig festgelegt ist, was aber nicts mact) so wictige Defektfunktion def: IR + IR +, r (I A R,r )Q y ǫ eingeen. Wegen (2.1) gilt def(0) = A x an Q y ǫ. Sei r 1 tg r (t) eine monoton fallende Funktion für alle t 0. Dann ist auc die Defektfunktion eine monoton fallende Funktion in r, was mit spektralteoretiscen Metoden gezeigt werden kann. Ist weiterin r 1 tg r (t) stetig, so ist auc die Defektfunktion eine stetige Funktion. Diese beiden Eigenscaften aben zum Beispiel die zur Metode von Tikonov oder allgemeiner die zur verallgemeinerten Metode von Tikonov geörenden Funktionen (g r ) r 0. Wenn also def(r max ) d 2 ǫ, so gibt es auc wirklic ein r 0, so daß (4.9) und (4.10) gilt. Weiter ist das Veralten von def(r) für r interessant. Dazu eine kleine Vorbemerkung. Mit (2.1) und mit dem Satz von Banac- Steinaus folgt (wie eine änlice Aussage im Beweis von Satz 4.2) für jedes selbstadjungierte nictnegative B L s (Y ) und y Y (I g r (B)B)y P N(B) y, r. 19
24 Mit Lemma 3.1 ergibt sic wegen N(A A ) = N(A ) = R(A ) lim def(r) = lim (I g r(a A )A A )Q y ǫ r r = P N(A A ) Q y ǫ = P R(A ) Q y ǫ = dist(q y ǫ, R(A )) ǫ + c p ξ min{p,1}+1. Damit ist diese Parameterwal praktikabel auc im Fall ξ = 0. (An dieser Stelle sei nocmals an die duale Felerquadratmetode erinnert, die zum Ende des Abscnitts 2.3 vorgestellt wurde.) Für lineare Iterationsverfaren (unter praktiscen Gesictspunkten nict nur für iterative Verfaren, sondern auc für die Metode von Tikonov) ist das folgende Abbruckriterium interessant. Die Parameter r und s können dort eingescränkt sein auf die Menge der nictnegativen ganzen Zalen. Regel 2. Seien 1 < d, 0 < θ < 1 und k > Wenn A x an Q y ǫ dǫ, so wäle r = 0, das eißt, man neme P x an als Näerung. 2. Sei nun A x an Q y ǫ > dǫ. a) Wäle 0 < r ξ 2 := r max so, daß dǫ (I A R,r )Q y ǫ. (4.11) und weiter folgendes gilt: r k oder es gibt ein s [θr, r] mit dǫ (I A R,s )Q y ǫ, (4.12) b) Wenn es kein r r max gibt, so daß (4.11) gilt, so wäle r = r max oder r = [r max ] + 1. Hier bezeicnen wir mit [x] die eindeutig bestimmte ganze Zal mit [x] x < [x] + 1. Die Falluntersceidung r k oder es gibt ein s [θr, r] mit... ist aus folgenden Grunde gemact worden: Es ist bei Iterationsverfaren durcaus möglic, daß der Defekt für die 0-te Iterierte oberalb der Scranke dǫ, der Defekt für die 1-te Iterierte aber scon unteralb dieser Scranke liegt, das eißt, es gilt (I A R,0 )Q y ǫ = A x an 20
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
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
Mehr7 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
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrVorlesung für Schüler
Universität Siegen Facbereic Matematik Vorlesung für Scüler 1.12.2 Emmy-Noeter-Campus Prof. Dr. H. J. Reinardt Computerlösungen dynamiscer Probleme Zusammenfassung Es werden zunäcst einface dynamisce Probleme
Mehr13. 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)
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrHilfe zum neuen Online-Shop
Hilfe zum neuen Online-Sop Hier finden Sie umfassend bescrieben, wie Sie sic in unserem neuen Sop zurectfinden. Wenn Sie Fragen zur Kunden-Nr., Kunden-ID oder zum Passwort aben, rufen Sie uns bitte an:
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
MehrEinführung 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
MehrAbsolute 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
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
MehrTU Dresden Fakultät Mathematik Institut für Numerische Mathematik 1
TU Dresden Fakultät Matematik Institut für Numerisce Matematik Lösung zur Aufgabe 4 (a) des 9. Übungsblattes größtmöglicer Definitionsbereic: Die Funktion ist überall definiert, außer an der Stelle = 3
MehrRekursionen. 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
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrFrohe Weihnachten und ein gutes neues Jahr!
Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrMusterlösungen 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
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrGeometrisch ergibt sich deren Graph als Schnitt von G mit der senkrechten Ebene y = b bzw. x = a:
Fläcen im Raum Grap und Scnittkurven Im ganzen Artikel bezeicnet D eine Teilmenge des R 2 und eine skalarwertige Funktion in zwei Veränderlicen. Der Grap f : D R 2 R : (x, y) z = f(x, y) G = { (x, y, z)
MehrRekursionen (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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrDefinition 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
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 6: Induktives Vorgehen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische
MehrNumerisches Programmieren, Übungen
Tecnisce Universität Müncen SoSe 2013 Institut für Informatik Prof. Dr. Tomas Huckle Dipl.-Inf. Cristop Riesinger Dipl.-Mat. Jürgen Bräckle Numerisces Programmieren, Übungen 2. Übungsblatt: Kondition,
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
Mehr!(0) + o 1("). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen.
Bifurkationen an geschlossenen Orbits 5.4 167 der Schnittabbldung konstruiert. Die Periode T (") der zugehörigen periodischen Lösungen ergibt sich aus =! + o 1 (") beziehungsweise Es ist also t 0 = T (")
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrLösungsvorschlag 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
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrNumerische Simulation in der Luft- und Raumfahrttechnik
Numerisce Simulation in der Luft- und Raumfarttecnik Dr. Felix Jägle, Prof. Dr. Claus-Dieter Munz (IAG) Universität Stuttgart Pfaffenwaldring, 70569 Stuttgart Email: felix.jaegle@iag.uni-stuttgart.de Inalt
Mehrx 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 +
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrHöhere 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 ; : :
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrLösung - Serie 3. D-MAVT/D-MATL Analysis I HS 2017 Dr. Andreas Steiger. 1. MC-Aufgaben (Online-Abgabe)
D-MAVT/D-MATL Analysis I HS 07 Dr. Anreas Steiger Lösung - Serie 3. MC-Aufgaben (Online-Abgabe). Es sei ie Funktion f : [0, ) [0, ) efiniert urc f() = ln( + ), wobei er Logaritmus ln zur Basis e ist. Welce
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrRepetitorium Analysis I für Physiker
Micael Scrapp Ubungsblatt 3 Lösungen Tecnisce Universität Müncen Repetitorium Analysis I für Pysiker Analysis I Aufgabe Wir definieren zunäcst die Funktion g(t) = 2 0 f(t)t 2 dt Die Menge B = g (], 5[)ist
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrZUKUNFT BILDEN. Die Bildungsinitiative der Region. Februar 2015. Journalistische Darstellungsformen. Teil 3
ZUKUNFT Februar 2015 Journalistisce Darstellungsformen Teil 3 Das Projekt zur Bildungsförderung für Auszubildende getragen von starken Partnern Initiatoren: Förderer und Stiftungspartner: INHALT Journalistisce
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
Mehr3.1. 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
Mehr6. Die Exponentialfunktionen (und Logarithmen).
6- Funktionen 6 Die Eponentialfunktionen (und Logaritmen) Eine ganz wictige Klasse von Funktionen f : R R bilden die Eponentialfunktionen f() = c ep( ) = c e, ier sind, c feste reelle Zalen (um Trivialfälle
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
Mehr8. Quadratische Reste. Reziprozitätsgesetz
O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung
MehrNumerik I. Gewöhnliche Differentialgleichungen. Prof.Dr.G.Wittum. Teil I:
Numerik I Prof.Dr.G.Wittum Teil I: Gewönlice Differentialgleicungen Sommersemester 2005 INHALTSVERZEICHNIS 1 Inaltsverzeicnis 1 Numerik gewönlicer Differentialgleicungen 2 1.1 Einleitung....................................
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrAnleitung zur Berechnung von Ableitungsfunktionen
Matematik 11d 7..009 Stefan Krissel Anleitung zur Berecnung von Ableitungsfunktionen Prolog Es gibt nict das Verfaren zur Berecnung der Ableitungsfunktion, genausowenig wie es das Verfaren zum Screiben
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrAlso kann nur A ist roter Südler und B ist grüner Nordler gelten.
Aufgabe 1.1: (4 Punkte) Der Planet Og wird von zwei verschiedenen Rassen bewohnt - dem grünen und dem roten Volk. Desweiteren sind die Leute, die auf der nördlichen Halbkugel geboren wurden von denen auf
MehrEinführung. 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
MehrAnalysis I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 2015/16 Prof. Dr. M. Hinze Dr. P. Kiani Analysis I für Studierende der Ingenieurwissenschaften Lösungshinweise zu Blatt 2 Aufgabe 1: (12 Punkte) a) Beweisen
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrGeometrische Mehrgitterverfahren. Annabell Schlüter
Geometrisce Mergitterverfaren Annabell Sclüter 13.07.2010 Inaltsverzeicnis 1 Einleitung 2 2 Das Mergitterverfaren für lineare Probleme 3 2.1 Dämpfungseigenscaften des Jacobiverfarens............ 3 2.2
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.41 2018/05/08 15:50:54 k Exp $ 1 Analytisce Geometrie und Grundlagen 1.5 Abstände und Winkel Am Ende der letzten Sitzung atten wir eine metrisce Form des Stralensatzes ergeleiten, gegeben
MehrDas RSA-Verschlüsselungsverfahren 1 Christian Vollmer
Das RSA-Verschlüsselungsverfahren 1 Christian Vollmer Allgemein: Das RSA-Verschlüsselungsverfahren ist ein häufig benutztes Verschlüsselungsverfahren, weil es sehr sicher ist. Es gehört zu der Klasse der
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
Mehr1. Kennlinien. 2. Stabilisierung der Emitterschaltung. Schaltungstechnik 2 Übung 4
1. Kennlinien Der Transistor BC550C soll auf den Arbeitspunkt U CE = 4 V und I C = 15 ma eingestellt werden. a) Bestimmen Sie aus den Kennlinien (S. 2) die Werte für I B, B, U BE. b) Woher kommt die Neigung
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrInstitut für Angewandte und Numerische Mathematik Prof. Dr. Christian Wieners, Dipl.-Math. techn. Daniel Maurer
Institut für Angewandte und Numerisce Matematik Prof. Dr. Cristian Wieners, Dipl.-Mat. tecn. Daniel Maurer Numerisce Matematik für die Facrictungen Informatik und Ingenieurwesen Lösungen zur Klausurvorbereitung
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrSkript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!
Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright
MehrStellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrNumerisches Programmieren (IN0019) 9. Symmetrisches Eigenwertproblem. Eigenwert-Problem. Verallgemeinerte Fourier-Reihe
Numerisces Programmieren (IN009) Frank R. Scmidt 9. Symmetrisces Eigenwertproblem Winter Semester 06/07 Verallgemeinerte Fourier-Reie Das Berecnen von Eigenwerten wird bei viele praktisce Anwendungen vorausgesetzt,
MehrInfo zum Zusammenhang von Auflösung und Genauigkeit
Da es oft Nachfragen und Verständnisprobleme mit den oben genannten Begriffen gibt, möchten wir hier versuchen etwas Licht ins Dunkel zu bringen. Nehmen wir mal an, Sie haben ein Stück Wasserrohr mit der
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
MehrANALYSIS Differenzialrechnung Kapitel 1 5
TELEKOLLEG MULTIMEDIAL ANALYSIS Differenzialrecnung Kapitel 5 Ferdinand Weber BRmedia Service GmbH Inaltsverzeicnis Jedes Kapitel beginnt mit der Seitenzal.. Das Tangentenproblem. Steigung einer Geraden
Mehr11. 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
Mehrr 11 r 12 r 13 0 r 22 r r 33 l ik r kj die Gleichungen: k= (II) 2 (I) = 3 2 1
Tecnisce Universität Berlin Wintersemester 004/005 Fakultät II; Institut für Matematik Prof. Dr. G. Bärwolff/C. Mense.0.005 Probeklausur zur LV Numerik für Informatiker en Aufgabe a Berecnen Sie die LU-Zerlegung
Mehru + 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
MehrDefinition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.
Die k/2 - Formel von Renate Vistorin Zentrales Thema dieses Vortrages ist die k/2 - Formel für meromorphe Modulformen als eine Konsequenz des Residuensatzes. Als Folgerungen werden danach einige Eigenschaften
MehrFunktionentheorie A. K. Hulek
Funktionenteorie A K. Hulek 1 Holomorpe Funktionen Die wictigsten Objekte dieser Vorlesung sind die olomorpen Funktionen. Es sei U C offen, f : U C eine Abbildung und z 0 U ein Punkt. Definition (i Die
MehrWas haben Beschleunigungs-Apps mit der Quadratur des Kreises zu tun?
Was aben Bescleunigungs-Apps mit der Quadratur des Kreises zu tun? Teilnemer: Jonatan Geuter Leonard Hackel Paul Hagemann Maximilian Kuc Amber Lucas Tobias Tieme Tobias Tiesse Niko Wolf Gruppenleiter:
Mehr