Kapitel 5: Lineare Gleichungssysteme
|
|
- Ingelore Morgenstern
- vor 5 Jahren
- Abrufe
Transkript
1 Kaptel 5: Lneare Glechungssysteme Umwandlung von Dfferentaloperator-Glechungen n lneare Glechungssysteme Chemsche Reaktonen A + B C + D können als Streuprozeß beschreben werden: In der Reaktanden-Asymptote (Entfernung A-B und Zet t ) snd de Zustände des Systems A und B durch enen Hamltonoperator Ĥ 0 beschrebbar. Be vorwärtslaufender Zet t treffen Telchen A und B zur Zet t = 0 aufenander und reageren mt ener gewssen Wahrschenlchket zu C und D. Dabe st der reagerende Komplex durch enen Hamltonoperator Ĥ gegeben. Be t snd de Produkte C und D weder unendlch wet vonenander entfernt. Im Experment kann man typscherwese n der Asymptote t de Reaktanden mt ener gewssen Vertelung über wenge Quantenzustände kontrollert präpareren und dann n der Asymptote t de Vertelung über de Produkt-Quantenzustände detekteren, hat aber kenen drekten Zugang zum Reaktonsgeschehen um t = 0. In der Streutheore betrachten wr daher de zu lösende Schrödngerglechung ĤΨ = EΨ (1) für de Gesamtstuaton, sowe ene berets gelöste Schrödngerglechung für de Eduktasymptote t. Dabe se Ensetzen von Gl. 3 n Gl. 1 lefert Unter Verwendung von Gl. 2 wrd daraus: Ĥ 0 Ψ 0 = EΨ 0 (2) Ĥ = Ĥ0 + V, Ψ = Ψ 0 + χ (3) (Ĥ0 + V )(Ψ 0 + χ) = E(Ψ 0 + χ) (4) (Ĥ Eˆ1)χ = V Ψ 0 (5) Für ene gegebene Streu-Gesamtenerge E st der Operator auf der lnken Sete bekannt; aufgrund der Lösung von Gl. 2 st de rechte Sete auch bekannt. Gesucht st der Wellenfunktonsantel χ, der den egentlchen Streuvorgang m Wechselwrkungsgebet wedergbt und desen Berech mt den Edukt- und Produktasymptoten verbndet. Aus dessen Projekton auf de Produktzustände kann man de Reaktonswahrschenlchketen enzelner Eduktzustände n enzelne Produktzustände berechnen, und daraus weder durch geegnete Summatonen/Integratonen de Reaktonsgeschwndgketskonstante k(t). Gl. 5 kann abgekürzt geschreben werden als Âχ = V Ψ 0 (6) Verwenden wr enen geegneten Satz von Bassfunktonen {φ }, können wr sowohl Ψ 0 als auch χ n dese Bass entwckeln χ = x φ, Ψ 0 = a φ (7) 1
2 und dese Entwcklungen n Gl. 6 ensetzen: x Âφ = a V φ (8) Multplkaton deser Glechung von lnks mt φ j lefert x φ j  φ = a φ j V φ (9) Alle Integrale können berechnet werden und lefern jewels ene Zahl für jede Indexkombnaton und j. Im Gegensatz zur lnken Sete snd aber auf der rechten Sete de Entwcklungskoeffzenten {a } bekannt, also kann dort de Summe über ausgeführt werden und wr erhalten: A j x = b j (10) Des st de j-te Zele der folgenden Matrx-Vektor-Glechung A x = b (11) Dabe st de Matrx A auf der lnken Sete und der Vektor b auf der rechten Sete bekannt; gesucht wrd der Vektor x. Es handelt sch um en lneares Glechungssystem. 2
3 Allgemene Formala Grundlegendes En lneares Glechungssystem besteht aus M Glechungen mt lnearen Termen aus N Unbekannten und N M Koeffzenten. Enzelne Terme ohne Unbekannte kann man auf der rechten Sete zusammenfassen: a 11 x 1 + a 12 x a 1N x N = b 1 (12) a 21 x 1 + a 22 x a 2N x N = b 2 (13). (14) a M1 x 1 + a M2 x a MN x N = b M (15) a 11 a 12 a 1N x 1 b 1 a 21 a 22 a 2N x = b 2 (16). a M1 a M2 a MN x N b M Auch möglch snd: A x = b (17) mehrere rechte Seten b be glecher Matrx A: A x = b 1, A x = b 2,... (18) Z.B. en Streuproblem mt mehreren Anfangsbedngungen. Wenn dese b de Spalten der Enhetsmatrx 1 snd, dann snd wegen AA 1 = 1 de zu jedem gehörenden Lösungsvektoren x de Spalten von A 1. Matrxnverson Generelle Lösungstaktken: Formal würde Multplkaton von Gl. 17 von lnks mt A 1 lefern: A 1 A x = A 1 b x = A 1 b (19) Des wrd n der numerschen Praxs ne so gemacht, wel de Matrxnverson nach obgem Schema so aufwendg st we ene N-malge Lösung des Glechungssystems Gl. 17 und nach anderen Schemata de numersch ungünstge Berechnung von Determnanten benötgt. enfacheres Verfahren: Gauß-Jordan Vertauschung und Lnearkombnaton enzelner Glechungen ( = Zelen; n A und b smultan, wobe sch b zu c verändert), bs A = 1 errecht st. Wegen 1 x = c st dann c drekt der Lösungsvektor. Varante: Gauß-Elmnaton Bem Vertauschen und Lnearkombneren von Zelen wrd de Matrx A ledglch auf Dreecksform gebracht. Dann snd de enzelnen Elemente des Lösungsvektors sukzessve aus den enzelnen Zelen konstruerbar. 3
4 Klenes Matrx-Nomenklatur-Lexkon quadratsch: M = N rechteckg: M N dagonal,trdagonal,band-dagonal,block-dagonal Dreecksmatrx symmetrsch (hermtesch): A = A T (A = A H ) alle Egenwerte reell Egenvektoren blden vollständges Orthonormalsystem postv defnt: symmetrsche (hermtesche) Matrzen mt postven Egenwerten haben mmer en Inverses orthogonal (untär): A T = A 1 de Spaltenvektoren blden en Orthonormalsystem be A v blebt de Länge von v erhalten normal: AA H = A H A de Egenvektoren blden en vollständges Orthonormalsystem; be reellen Matrzen snd alle symmetrschen und alle orthogonalen Matrzen normal sngulär: lnear abhängge Zelen (oder Spalten) (entsprcht ener ganzen Zele oder Spalten von Nullen) Lösbarket nhomogene Systeme: b 0 M = N endeutge Lösung, wenn A ncht sngulär: det(a) 0. Wenn det(a) = 0, dann kene Lösung, oder en- oder mehrfach unendlche Lösungsmanngfaltgket, d.h. ene oder mehrere Unbekannte x bleben unbestmmt. M < N: unterbestmmt (effektv auch der Fall, wenn det(a) = 0) Sngulartäten von A analyserbar und Lösungsmanngfaltgket bestmmbar mt Snguläre-Werte-Zerlegung (sngular value decomposton, SVD) M > N: überbestmmt möglche Lösung durch lneare Regresson fnden (Mnmerung der Fehler mt least squares); ggf. auch weder mt SVD machbar. 4
5 Gauß-Jordan-Verfahren mt Telpvotsuche Grunddeen am Bespel Gegeben se das Glechungssystem 4x + 3y + z = 13 (20) 2x y z = 3 (21) 7x + y 3z = 0 (22) De wesentlchen Informatonen daraus können verkürzt als sogenanntes erwetertes Koeffzentenschema notert werden: (23) Zel: De Operatonen Vertauschung von Zelen Multplkaton von Zelen mt Konstanten Lnearkombnaton von Zelen snd für Glechungen erlaubte Operatonen; dadurch ändert sch also der Lösungsvektor ncht. Mt desen Operatonen kann jedoch der lnke Tel (her: 3 3-Matrx) zu ener Enhetsmatrx gemacht werden. Dann steht n der rechten Spalte der Lösungsvektor. Um Dvsonen durch Null zu vermeden und Rundungsfehler zu mnmeren, empfehlt es sch, durch Vertauschung von Zelen zu errechen, daß de zentralen Elemente (Pvots) der folgenden Operatonen de jewels größten hrer Spalte snd (Telpvotsuche). Schrtt 1: Größtes Element n 1. Spalte st her 7 brnge es auf de Dagonale vertausche 1. und 3. Zele: (24) Dvdere 1. Zele durch deses Dagonalelement (her 7) Dagonalelement wrd 1: 1 1/7 3/ (25) Brnge restlche Elemente der 1. Spalte auf Null, durch Lnearkombnatonen: (2. Zele) - 2 (1. Zele) (3. Zele) - 4 (1. Zele) 5
6 1 1/7 3/ /7 1/ /7 19/7 13 (26) Schrtt 2: Vertausche 2. und 3. Zele (Telpvotsuche) und dvdere 2. Zele durch 17/7: 1 1/7 3/ /17 91/17 (27) 0 9/7 1/7 3 Brnge durch Lnearkombnatonen de Außerdagonalelemente der 2. Spalte auf Null: (1. Zele) - 1/7 (2. Zele) (3. Zele) + 9/7 (2. Zele) /17 13/ /17 91/ /17 66/17 (28) Schrtt 3: Dvdere 3. Zele durch 22/17: /17 13/ /17 91/17 (29) Brnge de Außerdagonalelemente der 3. Spalte auf Null: (1. Zele) + 10/17 (3. Zele) (2. Zele) - 19/17 (3. Zele) Also lautet der Lösungsvektor: (Bemerkungen zur Pvotsuche: x = (30) (31) Pvotelement = größtes Element st egentlch nur bedngt rchtg; aber her gbt es kene ganz exakten Bewese egentlch müste man n jedem Schrtt mt ener Totalpvotsuche auf das Dagonalelement a das größte Element rechts der Spalte 1 und unterhalb der Zele 1 brngen. Dazu braucht man jedoch.a. ncht nur Vertauschungen von Zelen sondern auch von Spalten. Letztere brngen aber de Rehenfolge der b-elemente durchenander, was man am Ende des Verfahrens weder rückgängg machen muß. Für unsere Zwecke recht ene Telpvotsuche nach dem betragsmäßg größten Element.) 6
7 Realserung m Programm Durchgängg doppelte Genaugket verwenden und am Ende unbedngt testen, ob en mt der ursprünglchen Matrx A berechnetes A x mt dem vorgegebenen Lösungsvektor b nnerhalb der üblchen Genaugket überenstmmt. Engabe von n n Matrxelementen und n Elementen des Rechte-Seten-Vektors; nach Geschmack n en Rechteck-Feld n (n + 1) oder n ene Matrx A und enen Vektor b Hauptschlefe =1,n (läuft über de Dagonalelemente, bzw. über Zelen und Spalten!) suche Pvotelement (betrags(!)mäßg größtes a j ) mt Schlefe j=,n über Zelen wenn Pvotelement < 10 8 stop: Matrx numersch sngulär tausche aktuelle Zele und Pvotelement-Zele normere neue aktuelle Zele auf Pvotelement=1, mt Schlefe über alle + 1 Elemente auf und rechts von der Dagonalen (nkl. des Rechte-Seten-Elements!) blde a(j,k) = a(j,k) - a(j,)*a(,k) n ener Schlefe über alle Zelen j=1,n außer der aktuellen Zele (j.ne.) und ener Schlefe über alle Spalten k (nkl. des Rechte-Seten-Elements!) 7
8 LU- bzw. LR-Zerlegung Nachtel von Gauß-Jordan bzw. Gauß-Elmnerung: Für mehrere Rechte-Seten-Vektoren muß der komplette Algorthmus jewels von Neuem wederholt werden. Alternatve: Jede quadratsche, ncht-snguläre Matrx A kann (evtl. erst nach geegneter Zelenvertauschung) n ene lnke und ene rechte ( = upper and lower) Dreecksmatrx zerlegt werden: A = LR = LU (32) Dann kann man de ursprünglche Matrx-Vektor-Glechung umformen zu und das Problem n zwe Schrtten lösen: A x = (LU) x = L(U x) = b (33) L y = b forward substtuton (34) U x = y back substtuton (35) Bede Schrtte entsprechen der Lösung enes lnearen Glechungssystems mt ener Dreecksmatrx (we bem 2. Schrtt der Gauß-Elmnaton) und snd daher trval. Wenn de Zerlegung A = LU enmal ermttelt wurde, kann se danach für belebg vele rechte Seten verwendet werden, de noch ncht enmal vorher bekannt sen müssen. (36) Bblotheksroutnen We auch bem Egenwertproblem können her de n der Praxs auftretenden Matrzen bzw. Glechungssysteme sehr groß werden. Dann st es entschedend, erkennen zu können, ob de vorlegende Matrx bestmmte Symmetren und Egenschaften hat, und demgemäß de spezalserteste Routne aus enem größeren Angebot auszusuchen (des st dann n der Regel de deutlch effzenteste Wahl): vgl. de lange Lste von Routnen m LAPACK- Kaptel zu lnearen Glechungssystemen! Zusätzlch exstert de Varante ScaLAPACK für Parallelcomputer. SLATEC betet außerdem spezelle Routnen für große, dünn besetzte Matrzen (sparse) und teratve Verfahren, de auch dann noch anwendbar snd, wenn de Matrx als kompletter, zwedmensonaler array ncht mehr n den Hauptspecher des Computers paßt. 8
9 sngular value decomposton (SVD) Jede(!) M N-Matrx A kann zerlegt werden nach M N A = (37) M N U w 1 w w 3... w N N N V T orthog.spalten orthogonal Zahlreche nützlche Egenschaften: st en oder mehrere w = 0, st A sngulär st en oder mehrere w 0, st A benahe sngulär und damt numersch schlecht kondtonert Probleme be Gauss-Algorthmen und LU-Zerlegung de Spalten j von U mt w j 0 spannen den Lösungsraum von A auf de Spalten von V mt w = 0 spannen den sogenannten Nullraum auf (der leer st, wenn A ncht sngulär st) de Vektoren x = V[dag 1 w ](U T b) (38) lefern vernünftge Lösungen für snguläre und benahe snguläre Matrzen A, wenn man für w 0 ensetzt 1 w = 0 für M < N Informatonen über den Lösungsraum für N < M ene least-squares-lösungsmethode. De Programmerung der SVD-Zerlegung st jedoch ncht-trval... 9
22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Teil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München
Tel XIV Lösung lnearer Glechungssysteme IN8008, Wntersemester 010/011 89 Gauss Algorthmus Zwe Schrtte: Vorwärtselmnaton und Rückwärtssubsttuton Vorwärtselmnaton Erzeugen ener Stufenform Zelen dürfen mt
Kapitel 7: Matrixeigenwertproblem
Kaptel 7: Matrxegenwertproblem Umwandlung von Dfferentaloperator-Egenwertglechungen n Matrx- Egenwertglechungen: (A) Fnte Dfferenzen: De Schrödngerglechung für de Bewegung enes Telchens der Masse m n ener
6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
Lineare Gleichungen treten sehr oft in den Naturwissenschaften auf, siehe auch Kap. Interpolation. Die Schreibweise für n Gleichungen lautet.
Kaptel 6 Lneare Glechungen 6.1 Grundlagen Lneare Glechungen treten sehr oft n den Naturwssenschaften auf, sehe auch Kap. Interpolaton. De Schrebwese für n Glechungen lautet. a 11 + a 12... a 1n = b 1 a
Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
Definition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13
M. 3. 5-4. 45, Dr. Ackermann 6..4 Übungsaufgaben Gewöhnlche Dfferentalglechungen Sere 3.) Bestmmung ener homogenen Dfferentalglechung zu gegebenen Funktonen y (partkuläre Lösungen) enes Fundamentalsystems.
Grundlagen der numerischen Strömungsmechanik, WS 2011/12
Lehrstuhl für Aerodynamk und Strömungsmechank Prof H-J Kaltenbach Assstenz: E Lauer Grundlagen der numerschen Strömungsmechank, WS / Lösung zu Übung 5 Aufgabe : Fnte-Elemente-Verfahren De Dfferentalglechung
6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)
6. Hlbertraum und lneare Operatoren (mathematsche Grundlagen QM) 6.1 Hlbertraum Raum = mathematsches Konstrukt: Vektorraum a) Der lneare komplexe Raum st de Menge von mathematschen Objekten mt folgenden
Dynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
2 Matrizen (A + B) + C = A + (B + C) (A + B)C = AC + BC. Seien A R m n und B = (b (1)... b (p) ) R n p zwei Matrizen. Dann gilt
Lneare Algebra Wel Gao September Gauss sches Elmnatonsverfahren a x + a x + + a n x n = b a x + a x + + a n x n = b a m x + a m x + + a mnx n = b m Das LGS mt m Glechungen und n Unbekannten n ene erweterte
3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
Invariantentheorie. Vorlesung 3. Lineare Operationen
Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invarantentheore Vorlesung 3 Lneare Operatonen Ene Operaton ener Gruppe G auf ener (geometrschen) Menge M st das gleche we en Gruppenhomomorphsmus der Gruppe
Die mathematischen Grundlagen der Wellenmechanik
De mathematschen Grundlagen der Wellenmechank Zustände und deren Darstellung En physkalsches System wrd durch enen Zustand u charaktersert, ndem es durch ene bestmmte expermentelle Präparaton gebracht
50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
Die Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
Beschreibung von Vorgängen durch Funktionen
Beschrebung von Vorgängen durch Funktonen.. Splnes (Sete 6) a +b c Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende
6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
1. Lineare Gleichungssysteme I
1. Lneare Glechungssysteme I 1.1 Problemstellung (1.1) Gegeben : A e Ñ m,n und b eñ m Gesucht : 8 x e Ñ n» Ax = b < (1.1) st en lneares Glechungssystem mt m Glechungen und n Unbekannten Beechnungen: ()
Rückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
Eine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Algorithmen und Datenstrukturen SS09. Foliensatz 13. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Folensatz Mchael Brnkmeer Technsche Unverstät Ilmenau Insttut für Theoretsche Informatk Sommersemester 009 TU Ilmenau Sete / Sorteren TU Ilmenau Sete / Das Sorterproblem Das Sorterproblem Daten: ene total
1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
Lineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem
1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.
Elemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
Lösungen aller Aufgaben und Lernkontrollen
Oft gbt es be den Aufgaben mehr als nur enen rchtgen Lösungsweg. Es st jedoch mest nur ene Lösung dargestellt. Aufgaben u Kaptel Lösung u Aufgabe a) nach Defnton von. b) 4 ( ) ( ). c) 5 4. d) ( ) (( )
Stochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
Kapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
Diskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
Zweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper
Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht
Kapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
Experimentalphysik II (Kip SS 2007)
permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche
Grundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
Weitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
7 Schrödingergleichung
36 7 Schrödngerglechung 7 Schrödngerglechung De Schrödngerglechung spelt n der Quantenmechank ene zentrale Rolle. Mt hr wrd de Wellenfunkton des Systems berechnet. Der erste Bestandtel der Schrödngerglechung
Der Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
Nullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
Rotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
Übungsblatt 7 Lösungsvorschläge
Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante
nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
Die Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
8 Numerik von Eigenwertproblemen
8 Numerk von Egenwertproblemen 8 Das Lanczos-Verfahren Mt dem Lanczos-Verfahren bestmmt man für ene hermtesche Matrx A n n ene untäre Matrx U mt U H AU = T, wobe T ene reelle symmetrsche Trdagonalmatrx
8 Numerik von Eigenwertproblemen
8 Numerk von Egenwertproblemen 8 Das Lanczos-Verfahren Mt dem Lanczos-Verfahren bestmmt man für ene hermtesche Matrx A n n ene untäre Matrx U mt U H AU = T, wobe T ene reelle symmetrsche Trdagonalmatrx
Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.
Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle
Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
Gruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
Statistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
Stochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
n y j l j (x) È n. j=0 n (x x j ). f(x) = a y n+1 p n (x n+1 ) (x n+1 x 0 )...(x n+1 x n ).
5 Interpolaton 5.1 De Lagrangesche Interpolatonsaufgabe Mt È n bezechnen wr den Raum der reellen Polynome vom Grad n. Gegeben seen n+1 verschedene Stützstellen x j Ê, j = 0,...,n, und n + 1 ncht notwendg
Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
Statistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
Standardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
3 Das Lanczos Verfahren
Computatonal Physcs III, SS 2014, c Burkhard Bunk, HU Berln 13 3 Das Lanczos Verfahren 3.1 Idee Ausgehend von enem (normerten) Startvektor v 0 soll durch wederholtes Anwenden der (hermteschen) Matrx A
Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Spiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
e dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
5 Quantenmechanische Berechnung von Eigenschaften
4 5 Quantenmechansche Berechnung von Egenschaften 5 Quantenmechansche Berechnung von Egenschaften De Quantentheore ermöglcht es prnzpell, physkalsche Egenschaften vorherzusagen, also das Resultat enes
=, grad Z(s) = m n = grad N(s).
4 7... Stabltätsprüfung anhand der Übertragungsfunkton (.9) leferte den Zusammenhang zwschen der Gewchtsfunkton g(t) und der Übertragungsfunkton G(s) enes lnearen zetnvaranten Systems G (s) { g ( t)}.
Algorithmen und ihre Programmierung -Teil 3-
Veranstaltung Pr.-Nr.: Algorthmen und hre Programmerung -Tel - Veronka Waue WS / Veronka Waue: Grundstudum Wrtschaftsnformatk WS/ Übung Ersetzen Se n folgendem Bespel de For schlefe durch ene WhleWend-Schlefe
5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Hauptprüfung Abturprüfung 2014 (ohne CAS) Baden-Württemberg Lneare Optmerung Hlfsmttel: GTR, Formelsammlung beruflche Gymnasen (AG, BTG, EG, SG, TG, WG) Alexander Schwarz www.mathe-aufgaben.com Oktober
Lineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Einführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung
Die Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
Lösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
Sortieren. Thomas Röfer. Permutationen Naives Sortieren Sortieren durch Einfügen, Auswählen, Vertauschen, Mischen QuickSort Comparator
Unverstät Bremen Sorteren Thomas Röfer Permutatonen Naves Sorteren Sorteren durch Enfügen, Auswählen, Vertauschen, Mschen QuckSort Comparator Unverstät Bremen Rückblck Suchen Identtät/Flache/Tefe Glechhet