1 Arithmetische Grundlagen
|
|
- Guido Vogel
- vor 5 Jahren
- Abrufe
Transkript
1 1 Arithmetische Grundlagen Am 4. Juni 1996 explodierte kurz nach dem Start die erste Ariane 5 Rakete durch einen Softwarefehler. Die Horizontalgeschwindigkeit wurde durch eine Gleitkommazahl v [ , ] {0} [10 308, ] dargestellt. Innerhalb der Rechnung wurde die Zahl versehentlich in eine ganzzahlige Darstellung i {0,1,2,...,32767} konvertiert. Als die Geschwindigkeit v > erreichte, verlor die Software die Geschwindigkeitsinformation und damit schließlich die Orientierung. huckle/bugse.html C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 1
2 1 Arithmetische Grundlagen Am 25. Februar 1991 während des ersten Golfkriegs in Dharan, Saudi Arabien, verfehlte eine amerikanische Patriot Rakete eine anfliegende irakische Scud Rakete durch eine falsche Zeitberechnung. Eine 1/10 Sekunde wurde ungenau dargestellt (durch Rundungsfehler wurde die periodische Dualentwicklung in der Computerdarstellung zu abgeschnitten), so dass nach 100 Stunden Betriebszeit eine Zeitdifferenz von ca. 0.3 Sekunden entstand. Dieser Fehler wurde nicht in allen Teilen des Betriebsprogramms korrigiert. huckle/bugse.html C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 2
3 1 Arithmetische Grundlagen (1.3) a) Eine Gleitkommazahlen zur Basis B {2, 3,...} der Mantissenlänge M und Exponentenlänge E ist die Menge { FL = ± B e M m=1 a m B m : e = e E 1 + k=0 } c k B k, a m,c k {0,1,...,B 1} b) Eine Gleitkommaarithmetik wird durch eine Abbildung fl: R FL mit fl(x) = x für x FL definiert. Sei bestimmt die Rundung: x y = fl(x + y), x y = fl(x y), etc. Die zugehörige Maschinengenauigkeit ist { } x fl(x) eps := sup ; 0 < x < M. x (1.2) a) Ein Problem heißt sachgemäß gestellt, wenn es eindeutig lösbar ist und die Lösung stetig von den Daten abhängt. b) Die Kondition eines Problems ist eine Maß dafür, wie stark die Abhängigkeit der Lösung von den Daten ist. c) Die Stabilität eines numerischen Algorithmus ist eine Maß dafür, wie stark die Daten-Abhängigkeit der numerischen Lösung im Vergeich zu der tatsächlichen Lösung ist. (1.3) Sei f : R N R K eine differenzierbare Funktion und x R N. Dann heißt a) κabs kn = x n f k (x) absolute Konditionszahl. b) κrel kn = x n f k (x) xn f k (x) relative Konditionszahl. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 3
4 1 Arithmetische Grundlagen Sei eine Vektornorm, und sei eine zugeordete Matrixnorm, d. h., Ax A x, x R N, A R M N. Wir verwenden für x R N und A R M N N x 1 = x n x 2 = x T x x = max x n n=1 n=1,...,n Ax und die zugeordnete Operatornorm A p = sup p x 0N x p, d.h. M N A 1 = max a mn, A 2 = ρ(a T A), A = max a mn n=1,...,n m=1 m=1,...,m n=1 mit Spekralradius ρ(a) = max{ λ : λ Eigenwert von A}. (1.4) Sei A R N N invertierbar. Dann heißt κ p (A) = A p A 1 p die Kondition von A. Sei b R N, b 0 N, b R N eine kleine Störung und b = b + b. Sei x R N Lösung von Ax = b, x R N Lösung von A x = b, und x = x x der Fehler. Dann gilt für den relativen Fehler x p x p κ p (A) b p b p. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 4
5 Auslöschung bei Nullstellenberechnung Wir betrachten die Gleichung x 2 2px + q = 0, deren Nullstellen durch x = p ± p 2 q gegeben sind. Diese Berechnungsvorschrift ist aber für p q nicht zu empfehlen, da dann Auslöschung bei der betragsmäßig kleineren Nullstelle auftritt. Wählt man beispielsweise p = 10 8 und q = 1, so berechnet Matlab x 1 = , x 2 = 0. Die Auslöschung bei x 2 kann man umgehen, indem man zuerst die größere Nullstelle durch x 1 = p + sign(p) p 2 q berechnet und dann (mit dem Satz von Vieta) die zweite Nullstelle durch x 2 = q x 1 erhält. Mit dieser Vorschrift berechnet Matlab die bessere Lösung x 1 = , x 2 = C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 5
6 2 Direkte Lösungsverfahren für lineare Gleichungen (2.1) Sei L R N N eine normierte untere Dreiecksmatrix und b R N. Dann ist L invertierbar und das Lineare Gleichungssystem (LGS) Ly = b ist mit O(N 2 ) Operationen lösbar. Entsprechend ist für eine invertierbare obere Dreiecksmatrix R R N N das LGS Rx = y in O(N 2 ) Operationen lösbar. (2.2) Wenn eine Matrix A R N N eine LR-Zerlegung A = LR mit einer normierten untere Dreiecksmatrix L und einer invertierbaren obere Dreiecksmatrix R besitzt, dann ist A invertierbar und das LGS Ax = b ist mit O(N 2 ) Operationen lösbar. (2.3) Eine Matrix A R N N besitzt genau dann eine LR-Zerlegung von A, wenn alle Hauptuntermatrizen A[1 : n, 1 : n] invertierbar sind. Die LR-Zerlegung ist eindeutig und lässt sich mit O(N 3 ) Operationen berechnen. (2.5) Eine Matrix A R N N heißt strikt diagonal-dominant, falls A[n,n] > N A[n, k]. k=1 k n Sie heißt positiv definit, wenn x T Ax > 0 für x R N, x 0. In beiden Fällen existiert eine LR-Zerlegung. (2.6) Sei A R N N symmetrisch und positiv definit. Dann existiert genau eine Cholesky-Zerlegung A = LL T mit einer unteren Dreiecksmatrix L. Software: C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 6
7 2 Direkte Lösungsverfahren für lineare Gleichungen (2.7) a) Eine bijektive Abbildung π : {1,...,N} {1,...,N} heißt Permutation. b) Sie ist eindeutig durch einen Permutationsvektor p R N mit p[n] = π(n) bestimmt. c) Die zugehörige Permutationsmatrix ist P = (e π(1) e π(n) ) R N N. (2.8) Sei A R N N invertierbar. Dann existiert eine Permutationsmatrix P, so dass PA eine LR-Zerlegung PA = LR besitzt, so dass L[m,n] 1 gilt. (2.9) a) Zu v R N und k n mit v[k] 2 + v[n] 2 > 0 existiert eine Givens-Rotation G R N N mit ( ) ( ) G[k,k] G[k,n] c s =, c G[n, k] G[n, n] s c 2 + s 2 = 1, und G[j][j] = 1 für j k,n und G[i][j] = 0 sonst, so dass für w = Gv gilt: w[n] = 0. Für v[n] > v[k] setze τ = v[k] v[n], s = 1+τ 1 v[n], c = sτ, sonst setze τ = 2 v[k], c = 1+τ 1, s = cτ. 2 b) Zu v R N, v 0, existiert eine Householder-Spiegelung H = I N 2 w T w ww T R N N mit w R N, w[1] = 1, sodass Hv = σe 1 mit σ R. Falls v[1] > 0, setze σ = v 2, sonst setze σ = v 2. Dann definierte w = 1 v[1] σ (v σe1 ). Rotationen und Spiegelungen Q sind orthogonale Matrizen, d.h. Q T Q = I N, Q 1 = Q T, Q 2 = 1 und κ 2 (Q) = 1. (2.10)Zu A R K N existiert eine QR-Zerlegung A = QR mit einer orthogonalen Matrix Q R K K und eine oberen Dreiecksmatrixmatrix R R M N. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 7
8 LR-Zerlegung (ohne Vektorisierung) N = size(a,1); for n=1:n-1 % Berechnung der n-ten Spalte von L for m=n+1:n A(m,n) = A(m,n)/A(n,n); % keine Berechnung der n-ten Zeile von R erforderlich % Berechnung der Restmatrix for m=n+1:n for k=n+1:n A(m,k) = A(m,k) - A(m,n) * A(n,k); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 8
9 LR-Zerlegung N = size(a,1); for n=1:n-1 A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n) * A(n,n+1:N); x = b; for n=2:n x(n) = x(n) - A(n,1:n-1) * x(1:n-1); for n=n:-1:1 x(n) = (x(n) - A(n,n+1:N)*x(n+1:N))/A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 9
10 Cholesky-Zerlegung N = size(a,1); for n=1:n A(n:N,n) = A(n:N,n) - A(n:N,1:n-1) * A(n,1:n-1) ; A(n:N,n) = A(n:N,n) / sqrt(a(n,n)); x = b; for n=1:n x(n) = (x(n) - A(n,1:n-1) * x(1:n-1))/ A(n,n); for n=n:-1:1 x(n) = (x(n) - A(n+1:N,n) * x(n+1:n))/ A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 10
11 LR-Zerlegung mit Pivotsuche N = size(a,1); p = (1:N) ; for n = 1:N-1 [r,m] = max(abs(a(n:n,n))); m = m+n-1; if abs(a(m,n))<eps error( *** ERROR *** LR-Zerlegung existiert nicht ); if (m ~= n) A([n m],:) = A([m n],:); p([n m]) = p([m n]); A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n)*A(n,n+1:N); x = b(p); for n=2:n x(n) = x(n) - A(n,1:n-1)*x(1:n-1); for n=n:-1:1 x(n) = (x(n) - A(n,n+1:N)*x(n+1:N))/A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 11
12 Berechnung der Householder-Vektoren function [v,beta] = householder(y) N = length(y); s = y(2:n) * y(2:n); if N == 1 s = 0; v = [1;y(2:N)]; if s == 0 beta = 0; else mu = sqrt(y(1)^2 + s); if y(1) <= 0 v(1) = y(1) - mu; else v(1) = -s/(y(1) + mu); beta = 2*v(1)^2/(s + v(1)^2); v = v / v(1); return; C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 12
13 QR-Zerlegung [M,N] = size(a); for m = 1:min(N,M-1) [v,beta] = householder(a(m:m,m)); if beta ~= 0 w = beta * v * A(m:M,m:N); A(m:M,m:N) = A(m:M,m:N) - v * w; A(m+1:M,m) = v(2:m-m+1); for m = 1:min(N,M-1) v = [1;A(m+1:M,m)]; beta = 2 / (v * v); if beta ~= 2 b(m:m) = b(m:m) - beta*(v *b(m:m)) * v; for n=min(n,m):-1:1 x(n) = (b(n) - A(n,n+1:N) * x(n+1:n)) / A(n,n); C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 13
14 3 Lineare Ausgleichsrechnung (3.1) Sei A R K N und b R K. Dann gilt: x R N minimiert Ax b 2 A T Ax = A T b. (3.2) Zu A R K N mit R = rang(a) existieren Singulärwerte σ 1,...,σ R > 0 und eine Singulärwertzerlegung A = V ΣU T mit V R K K, U R N N orthogonal und Σ R K N mit Σ[r,r] = σ r für r = 1,...,R und Σ[k,n] = 0 sonst. (3.3) A + = UΣ + V T ist die Pseudo-Inverse mit Σ + R N K mit Σ + [r,r] = 1/σ r für r = 1,...,R und Σ + [n,k] = 0 sonst. (3.4) x = A + b löst die Normalengleichung A T Ax = A T b. (3.5) Sei A R K N und b R K. Dann gilt für die Tikhonov-Regularisierung mit α > 0: x R N minimiert Ax b α x 2 2 (A T A + αi N )x = A T b. (3.6) Es gilt lim α 0 (AT A + αi N ) 1 A T b = A + b. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 14
15 Ein schlecht konditioniertes Gleichungssystem Wir betrachten das lineare Gleichungssystem Ax = b mit der Hilbertmatrix ( 1 ) A = m + n + 1 m,n=0,...,n RN+1 N+1 ( und der rechten Seite b = ( 1) n( n log(2) + ( 1) m)) n=0,...,n RN+1. m=1 Die exakte Lösung lautet: N x 0 x 1 x 2 x 3 x 4 x 5 x (Beispiel aus Kress: Numerical Analysis) C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 15
16 Ein schlecht konditioniertes Gleichungssystem Stören wir nun aber die rechte Seite geringfügig, indem wir log(2) nur bis auf 5 Nachkommastellen auswerten, so erhalten wir folgende Lösung: N x 0 x 1 x 2 x 3 x 4 x 5 x Also: Eine geringfügige Störung der Daten führt zu einer großen Störung des Ergebnisses. Der Grund dafür liegt in der schlechten Kondition der Hilbertmatrix. Diese ist in der Spektralnorm: N κ 2 (A) e e e + 07 (Beispiel aus Kress: Numerical Analysis) C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 16
17 Invertierung der Hilbert-Matrix (Matlab) >> H = hilb(3); IH = inv(h); IH(1,1:3) ans = >> H = hilb(5); IH = inv(h); IH(1,1:3) ans = >> H = hilb(7); IH = inv(h); IH(1,1:3) ans = >> H = hilb(9); IH = inv(h); IH(1,1:3) ans = >> H = hilb(11); IH = inv(h); IH(1,1:3) ans = C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 17
18 Ein schlecht konditioniertes Gleichungssystem Wir können die Kondition verbessern, indem wir die Tikhonov-Regularisierung auf die Hilbertmatrix anwenden, d.h. x α = (A T A + αi N ) 1 A T b. Regularisieren wir mit einem Parameter α = 10 10, so erhalten wir N x 0 x 1 x 2 x 3 x 4 x 5 x C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 18
19 4 Eigenwertberechung (4.1) Eine Matrix H R N N heißt Hessenberg-Matrix, wenn H[n + 2 : N,n] = 0 N n 1 für n = 1,...,N 2. (4.2) Sei A R N N. Dann existiert eine orthogonale Matrix Q R N N, so dass H = QAQ T eine Hessenberg-Matrix ist. Die Berechnung benötigt O(N 3 ) Operationen. Wenn A symmetrisch ist, dann ist H eine Tridiagonalmatrix. (4.3) Sei A R N N symmetrisch, tridiagonal, und irreduzibel, d.h. A[n + 2 : N,n] = A[n,n + 2 : N] T = 0 N n 1 und A[n 1,n] = A[n,n 1] 0. Dann hat A paarweise verschiedene reele Eigenwerte λ 1 < λ 2 < < λ N. (4.4) Inverse Iteration mit variablem Shift S0) Wähle z 0 R N, z 0 0 N, ε 0. Setze k = 0. S1) Setze w k = 1 z k 2 z k, µ k = r(a,w k ). S2) Falls Aw k µ k w k 2 ε STOP. S3) Berechne z k+1 = (A µ k I N ) 1 w k. S4) Setze k := k + 1, gehe zu S1). Wenn der Startvektor z 0 hinreichend nahe bei einem Eigenvektor v m mit isoliertem Eigenwert λ = λ m liegt, konvergiert die Iteration kubisch, d.h. µ k λ C µ k λ 3. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 19
20 4 Eigenwertberechnung: QR-Iteration mit Shift Sei A R N N symmetrisch. S0) Berechne A 0 = QAQ T tridiagonal (Hessenberg-Transformation). Wähle ε 0. Setze k = 0. S1) Falls A k [n + 1,n] ε für ein n: getrennte Eigenwertberechnung für A k [1 : n,1 : n] und A k [n + 1 : N,n + 1 : N]. S2) Berechne d k = 1 2 (A k [N 1,N 1] A k [N,N]) und s k = A k [N,N] + d k sgn(d k ) dk 2 + A k [N 1,N] 2. S3) Berechne QR-Zerlegung Q k R k = A k s k I N und setze A k+1 = R k Q k + s k I N. S4) Setze k := k + 1, gehe zu S1). Es gilt A k+1 = Q T k A k Q k. Also haben A k+1 und A k disselben Eigenwerte. Falls der shift s k = A k [N,N] gewählt wird, entspricht die QR-Iteration der Inversen Iteration mit variablem Shift und Startvektor z 0 = e N. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 20
21 Impliziter QR-Algorithmus mit Wilkinson-Shift Für symmetrische Matrizen (o.b.d.a. Hessenbergform) lässt sich der QR-Algorithmus so modifizieren, dass die QR-Zerlegung in jedem Iterationsschritt nur implizit durch N 1 Transformationen mit Givensrotationen durchgeführt werden muss. Durch den Wilkinson-Shift (siehe Golub, van Loan) erhalten wir außerdem kubische Konvergenz, im Gegensatz zur linearen Konvergenz des QR-Algorithmus ohne Shift. Dabei können wir eine Toleranz für die verschwindenden Nebendiagonalelemente vorgeben. Wir betrachten A = tridiag( 1,2, 1) R N N. Für die Toleranz tol = ε braucht der Algorithmus die folgende Anzahl von Iterationen: N Iterationen Das sind im Schnitt weniger als 3 Iterationen pro Eigenwert. Der maximale Fehler bei diesen Berechnungen beträgt zwischen und C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 21
22 5 Iterationsverfahren für lineare Gleichungen (5.1) S0) Wähle x 0 R N und ε > 0. Berechne r 0 = b Ax 0. Setze k = 0. S1) Falls r 0 ε STOP. S2) Berechne w k = Br k 1 x k+1 = x k + w k r k+1 = r k Aw k Setze k := k + 1 und gehe zu S1). Sei A = L + D + R. Dann gilt B = D 1 für das Jacobi-Verfahren und B = ( L + D ) 1 für das Gauß-Seidel-Verfahren. (5.2) Sei A,B R N N mit ρ(i N BA) < 1. Dann ist A invertierbar, und es gilt für alle b R N und alle Startvektoren x 0 R N konvergiert die Iteration x k+1 = x k + B(b Ax k ), k = 0,1,2,... gegen lim k x k = A 1 b. Dann exisitiert eine Vektor-Norm und dazu eine Matrix-Norm mit I N BA < 1. Damit ergibt sich x x k I N BA k x x 0 (lineare Konvergenz). Software: z.b. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 22
23 5 Iterative Lösungsverfahren: Krylov-Verfahren Sei, V ein Skalarprodukt in V = R N. S0) Wähle x 0 R N. Berechne r 0 = b Ax 0, z 1 = Br 0, h 10 = z 1 V und v 1 = 1 h 10 z 1. Setze k = 1. S1) Berechne w k = BAv k z k+1 = w k k h jk v j mit h jk = v j,w k V j=1 v k+1 = 1 h k+1,k z k+1 mit h k+1,k = z k+1 V S2) Setzte k := k + 1 und gehe zu S1). Dann ist v 1,...,v k eine Orthonormalbasis von dem Krylov-Raum V k = span{br 0,BABr 0,...,(BA) k 1 Br 0 } = {Q k y : y R k }, Q k = ( v 1... v k ). Es gilt BAv k = k+1 h jk v j, also BAQ k = Q k+1 H k mit H k = (h jm ) R k+1,k. j=1 GMRES-Verfahren: Wähle v,w V = v T w. cg-verfahren (A,B symmetrisch positiv definit): Wähle v,w V = v T Aw. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 23
24 5 Iterative Lösungsverfahren: GMRES-Verfahren S0) Wähle x 0 R N, ε > 0. Berechne r 0 = b Ax 0, z 1 = Br 0, h 10 = z 1 2 und v 1 = 1 h 10 z 1. Setze k = 1. S1) Berechne w k = BAv k z k+1 = w k k h jk v j mit h jk = (v j ) T w k j=1 v k+1 = 1 h k+1,k z k+1 mit h k+1,k = z k+1 2 S2) Berechne y k R k mit ρ k = H k y k h 10 e 1 2 = min! Dabei ist H k = (h jm ) j=1,...,k+1, m=1,...,k R k+1,k. S3) Wenn ρ k < ε, setze x k = x 0 + k yj k v j j=1 STOP. S4) Setze k := k + 1 und gehe zu S1). (4.4) Es gilt ρ k = min z x 0 +V k B(b Az) 2. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 24
25 5 Iterative Lösungsverfahren: cg-verfahren Seien A,B R N N symmetrisch und positiv definit. S0) Wähle x 0 R N, ε > 0. Berechne r 0 = b Ax 0, w 0 = Br 0, ρ 0 = (w 0 ) T r 0 und d 1 = w 0. Setze k = 0. S1) Falls ρ k ε STOP S2) Setze k := k + 1 und berechne u k = Ad k ρ α k = k 1 (u k ) T d k x k = x k 1 + α k d k r k = r k 1 α k u k w k = Br k ρ k = (w k ) T r k d k+1 = w k + ρ k ρ k 1 d k Gehe zu S1). ( (4.5) Es gilt x k κ(ba) 1 ) k x A 2 x 0 x A. κ(ba) + 1 C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 25
26 6 Iterationsverfahren für nichtlineare Gleichungen Sei F : R N R N differenzierbar. Sei x R N eine Nullstelle von F ( ), d.h. F (x ) = 0. Dann gilt 0 = F (x) + DF (x)(x x) + o(x x). Falls DF(x) invertierbar ist, gilt x = x DF (x) 1 F (x) + o(x x). Falls DF (x ) invertierbar ist, ist x Fixpunkt von Φ F (x) = x DF (x) 1 F (x), d.h. Φ F (x ) = x. Newton-Verfahren: Wähle x 0 R N und definiere x k+1 = Φ F (x k ) für k = 0,1,2,... (6.1) Sei DF (x ) invertierbar. Dann ist das Newton-Verfahren für alle x 0 hinreichend nahe bei x wohldefiniert, und x k konvergiert gegen x. Wenn zusätzlich F ( ) glatt genug ist, ist die Konvergenz quadratisch, d.h. es existiert C > 0 mit x k+1 x C x k x 2. Wenn DF (x) 1 durch B R N N approximiert wird, erhalten wir eine einfache Fixpunktiteration mit Φ F,B (x) = x BF(x). (6.2) Sei ρ(i N B DF(x )) < 1. Dann gilt: Für alle x 0 hinreichend nahe bei x konvergiert die einfache Fixpunkt-Iteration x k+1 = Φ F,B (x k ) linear gegen x. (6.3) Iterationsverfahren für nichtlineare Gleichungen mit Dämpfungsstrategie S0) Wähle x 0 R N, θ (0,1), s max N und ε > 0. Setze k = 0. S1) Falls F (x k ) ε STOP (Konvergenz) S2) Wähle B k DF (x k ) 1 und berechne c k = B k F (x k ). S3) Wähle t k {1,θ,θ 2,...,θ smax } mit F (x k + t k c k ) < F (x k ). Falls F (x k + t k c k ) F (x k ) für t k = θ smax STOP (keine Konvergenz) S4) Setze x k+1 = x k + t k c k, k := k + 1 und gehe zu S1). C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 26
27 7 Polynom-Interpolation (7.1) Lagrange-Interpolation Zu Stützstellen t 0 < t 1 < < t N und Werten f 0,f 1,...,f N R existiert genau ein Polynom P P N mit P(t n ) = f n. N t t Konstruktion: Definiere die Lagrange-Basis L n (t) = k t n t, setze P(t) = N k=0, k n k f n L n (t). n=0 (7.2) Hermite-Interpolation Zu t 0 t 1 t N definiere d n = max{n k : t k = = t n }. Zu Werten f 0,f 1,...,f N R existiert genau ein Polynom P P N mit 1 dn! ( ddt ) dn P(tn ) = f n. Konstruktion: Zu t 0 t 1 t N definiere die Newton-Basis durch ω 0 1, ω 1 (t) = t t 0, ω k (t) = (t t k 1 )ω k 1 (t) P k, k = 1,...,N. Nun definiere f [t n ] = f n und f [t k,...,t n ] = f n falls t k = t k+1 = = t n. Dann berechne rekursiv f [t k,...,t n ] = f [t k+1,...,t n] f [t k,...,t n 1 ] t n t k. Dann ist P(t) = N f [t 0,...,t k ]ω k (t) das Interpolationspolynom. k=0 Neville-Schema: Sei P 0 P n k 1 Interpolation zu f k,...,f n 1 an t k t n 1, und sei P 1 P n k 1 Interpolation zu f k+1,...,f n an t k+1 t n. Dann ist P(t) = t t k t n t P k 1 (t) + tn t t n t P k 0 (t) Interpolation zu f k,...,f n an t k t n. (7.3) Sei f C N+1 (a,b), t,t n (a,b), und f n = 1 d n! ( ddt ) dn f (tn ). Dann gilt für den Interpolationsfehler f (t) P N (t) = 1 (N+1)! ( ddt ) N+1f (τ) ωn+1 (t) mit τ (a,b). C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 27
28 Runge-Phänomen bei Interpolation Wir betrachten das Interpolationsproblem für äquidistant verteilte Stützstellen. Wir würden erwarten, dass für eine genügend glatte Funktion die Folge der Interpolationspolynome, gehörig zu immer kleinerem Stützstellenabstand, in der Maximumsnorm gegen die Funktion konvergiert. Dass dem nicht so ist zeigt zum Beispiel das sogenannte Runge- Phänomen für die Funktion f : [ 5,5] R, f (x) := x 2. Der maximale Fehler wird hier sogar immer größer, je höher der Grad des Interpolationspolynoms ist. Für den Grad 10 ist das zugehörige Interpolationspolynom eingezeichnet. Der Fehler wird offenbar durch die starke Oszillation verursacht, dies verschlimmert sich noch mit steigendem Polynomgrad. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 28
29 Das Neville-Schema Berechnung der Koeffizienten function f = coeff(t,f) N = length(t); for k=1:n-1 for n=n:(-1):k+1 if t(n) ~= t(n-k) f(n) = (f(n) - f(n-1)) / (t(n) - t(n-k)); end end end return function y = eval_newton(t,b,x) N = length(t); y = b(1); p = 1; for n=2:n p = p * (x - t(n-1)); y = y + b(n) * p; end return C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 29
30 Neville-Schema Auswertung des Polynoms function y = eval_neville(t,f,x) N = length(t); for k=1:n-1 for n=n:(-1):k+1 if t(n) ~= t(n-k) f(n) = ((x-t(n-k))*f(n)+(t(n)-x)*f(n-1)) / (t(n)-t(n-k)); end end end y = f(n); return C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 30
31 8 Spline-Interpolation (8.1) a) Zu einer Zerlegung : a = t 0 < t 1 < < t N = b von [a,b] definiere den kubischen Spline-Raum S 3 ( ) = { S C 2 [a,b]: S n := S [tn 1,t n] P 3, n = 1,...,N }. b) S S 3 ( ) heißt interpolierender Spline zu f C 0 [a,b] wenn S(t n ) = f (t n ). (8.2) Es gilt dims 3 ( ) = 3 + N. Mit einer der Randbedingungen (I) Natürliche Randbedingung S (a) = 0 und S (b) = 0 (II) Hermite-Randbedingung zu f C 1 [a,b] S (a) = f (a) und S (b) = f (b) (III) Periodische Randbedingungen S (a) = S (b) und S (a) = S (b) ist die Spline-Interpolation S S 3 ( ) zu f eindeutig lösbar. (8.3) Die Momente M n = S (t n ) von S S 3 ( ) zu f sind eindeutig durch und µ n = µ n M n 1 + M n + λ n M n+1 = 3f [t n 1,t n,t n+1 ] h n 2(h n + h n+1 ), λ h n = n+1 bestimmt und es gilt 2(h n + h n+1 ) S n (t) = M n(t t n 1 ) 3 + M n 1 (t n t) 3 + f (t n) + f (t n 1 ) h2 n 6h n 2 12 (M n + M n 1 ) ( f (tn ) f (t + n 1 ) h )( n h n 6 (M n M n 1 ) t t n + t ) n 1. 2 (8.4) Sei f C 4 [a,b]. Dann gilt für die Spline-Interpolation S f h 4 f. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 31
32 Spline-Interpolation mit Matlab n = 7; x = rand(n,1); y = rand(n,1); plot(x,y,. ) axis([ ]); t = 1:n; ts = 1:1/10:n; xs = spline(t,x,ts); ys = spline(t,y,ts); hold on; plot(xs,ys, r ); hold off; C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 32
33 9 Trigonometrische Interpolation und FFT (9.1) Sei f : R C eine 2π-periodische stetige Funktion und N = 2 P. Sei t n = n 2π N und f n = f (t n ). Dann existiert genau ein trigonometrisches Interpolationspolynom N 1 T N (t) = c n exp(int), n=0 c n C mit T N (t n ) = f n für n = 0,...,N 1. Es gilt c k = 1 N N 1 f n ω kn, n=0 ω = exp(i2π/n). Die Koeffizienten lassen sich rekursiv mit O(N logn) Operationen berechnen: N 1 f n ω kn = n=0 N/2 1 m=0 N/2 1 f 2m ξ km + ω 1 f 2m+1 ξ km, ξ = ω 2. m=0 Für s-mal stetig differenzierbare Funktionen konvergieren die Koeffizienten c n gegen die Fourier-Koeffizienten ˆfk = 1 2π f (t)exp(ikt)dt, 2π 0 und es existiert eine Konstante C s > 0 mit ( d ) ( sf 2π 1/2 f T N L2 (0,2π) C s N s L2(0,2π), g dt L2(0,2π) = g(t) dt) 2. 0 C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 33
34 FFT mit Matlab Fs = 1000; % Sampling frequency T = 1/Fs; % Sample time L = 1000; % Length of signal t = (0:L-1)*T; % Time vector % Sum of a 50 Hz sinusoid and % a 120 Hz sinusoid x = 0.7*sin(2*pi*50*t)+sin(2*pi*120*t); y = x+2*randn(size(t)); % plus noise plot(fs*t(1:50),y(1:50)) title( Signal Corrupted Random Noise ) xlabel( time (milliseconds) ) NFFT = 2^nextpow2(L); % Next power of 2 from length of y Y = fft(y,nfft)/l; f = Fs/2*linspace(0,1,NFFT/2+1); % Plot single-sided amplitude spectrum. plot(f,2*abs(y(1:nfft/2+1))) title( Single-Sided Amplitude Spectrum of y(t) ) xlabel( Frequency (Hz) ) ylabel( Y(f) ) C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 34
35 10 Numerische Integration (10.1)Sei [a,b] R ein Intervall, und sei Ξ [a,b] eine endliche Menge mit #Ξ = N. Dann existiert genau eine Quadratur Q Ξ : C[a,b] R, Q Ξ (f ) = ω ξ f (ξ ) ξ Ξ mit Gewichten ω ξ R zu den Stützstellen ξ Ξ, die für Polynome vom Grad N 1 exakt ist: b Q Ξ (P) = P(t)dt, P P N 1. a t η Konstruktion: Sei L ξ (t) = η Ξ\{ξ } ξ η. Dann gilt ω ξ = b a L ξ (t)dt. (10.2)Es gibt keine Quadratur Q Ξ mit #Ξ = N, die für Polynome P P 2N exakt ist. Es gibt genau eine Quadratur G N mit N Stützstellen, die für Polynome P P 2N 1 exakt ist. Wähle dazu die Nullstellen des Orthogonalpolynoms L N P N bzgl. (f,g) = b a f (t)g(t)dt. (10.3)Sei Q Ξ eine Quadratur, die für Polynome P P K 1 exakt ist. Dann existiert C > 0 mit b ( d ) K Q Ξ (f ) f (t)dt C f a dt (10.4) Für die summierte Trapezregel ( 1 M 1 T M (f ) = h 2 f (a) + f (a + mh) + 1 ) 2 f (b) m=1 gilt TM (f ) b a f (t)dt C h 2 f. mit h = b a M C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 35
36 10 Extropolierte Trapezsummen (Romberg) Die Trapezsummen lassen sich extrapolieren: Setze T k0 = T 2 k M (f ) und definiere rekursiv T ki = T k,i i 1 (T k,i 1 T k 1,i 1 ), i = 1,...,m und k = i,...,m. Dann ist T mk ist für Polynome P P 2k+1 exakt. 1 1 Beispiel: Approximiere t 2 dt = π 4 Neville-Schema zur Extrapolation von T k0 = T 2 k+4 T 00 = T 01 = T 11 = T 02 = T 12 = T 22 = T 03 = T 13 = T 23 = T 33 = Konvergenzabschätzung durch Vergleich von Trapezsummen T 01 T 00 = T 02 T 01 = T 12 T 11 = T 03 T 02 = T 22 T 12 = Fehler T 00 π 4 = T 01 π 4 = T 11 π 4 = e 12 T 02 π 4 = T 12 π 4 = e 13 T 22 π 4 = e 13 T 03 π 4 = T 13 π 4 = e 15 T 23 π 4 = e 15 T 33 π 4 = e 16 C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 36
37 11 Numerische Integration von Differentialgleichungen (11.1)Sei t 0 R und T > 0. Zu einem Anfangswert u 0 R M und f C([t 0,t 0 + T ] R M,R M ) suchen wir eine Lösung u C 1 ([t 0,t 0 + T ],R M ) der Anfangswertaufgabe u(t) = f ( t,u(t) ) für t [t 0,t 0 + T ] und dem Anfangswert u(t 0 ) = u 0. (11.2)Wenn L > 0 existiert mit f (t,w) f (t,z) L w z, dann gilt für zwei Lösungen u(t) = f ( t,u(t) ) und v(t) = f ( t,v(t) ) u(t) v(t) exp(l(t t 0 )) u(t 0 v(t 0 ) für t t 0. Daher ist die Lösung der Anfangswertaufgabe eindeutig. (11.3)Klassisches Runge-Kutta-Verfahren: Sei t n = t 0 + nτ, u 0 = u 0 und setze k 1 = f (t n 1,u n 1 ) k 2 = f (t n 1 + τ 2,un 1 + τ 2 k 1) k 3 = f (t n 1 + τ 2,un 1 + τ 2 k 2) k 4 = f (t n 1 + τ,u n 1 + τk 3 ) u n = u n τ 6 (k 1 + 2k 2 + 2k 3 + k 4 ). Dann gilt u(t n ) u n C exp(l(t n t 0 )τ 4. (11.3)Implizites Euler-Verfahren: In jedem Schritt bestimme u n als Lösung der nichtlinearen Gleichung u n = u n 1 + τf (t n,u n ). Dann gilt u(t n ) u n C exp(l(t n t 0 )τ. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 37
38 11 Simulation: Radioaktiver Zerfall u = λ u N exakt explizites Eulerverfahren implizites Eulerverfahren Mittelpunktsregel u n = u n 1 + τf (u n 1 ) u n = u n 1 + τf (u n ) u n = u n 2 + 2τf (u n 1 ) O(1/N) O(1/N) O(1/N 2 ) Table: Vergleich der Konvergenzordnung c(t n ) c n = O(N β ) = O(h β N ) im Zeitintervall [0,5730]. N = 5 N = 100 Figure: Stabilität der numerischen Approximation. Vergleich im Zeitintervall [0,57300] für N = 5,100. C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 38
39 ODE mit Matlab function vdpode(mu) tspan = [0; max(20,3*mu)]; y0 = [2; 0]; options = odeset( Jacobian,@J); [t,y] = ode15s(@f,tspan,y0,options); figure; plot(t,y(:,1)); title([ Solution of van der Pol Equation, \mu = num2str(mu)]); xlabel( time t ); ylabel( solution y_1 ); axis([tspan(1) tspan(end) ]); function dydt = f(t,y) dydt = [ y(2) MU*(1-y(1)^2)*y(2)-y(1) ]; end function dfdy = J(t,y) dfdy = [ 0 1-2*MU*y(1)*y(2)-1 MU*(1-y(1)^2)]; end end C. Wieners: Einführung in die Numerische Mathematik für Studierende der Fachrichtung Informatik und Ingenieurwissenschaften 39
2 Direkte Lösungsverfahren für lineare Gleichungen
2 Direkte Lösungsverfahren für lineare Gleichungen (2.1) Sei L R N N eine normierte untere Dreiecksmatrix und b R N. Dann ist L invertierbar und das Lineare Gleichungssystem (LGS) Ly = b ist mit O(N 2
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
Mehr1 Arithmetische Grundlagen
Am 4. Juni 1996 explodierte kurz nach dem Start die erste Ariane 5 Rakete durch einen Softwarefehler. Die Horizontalgeschwindigkeit wurde durch eine Gleitkommazahl v [ 10 308, 10 308 ] {0} [10 308,10 308
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrLR-Zerlegung. N = size(a,1); for n=1:n-1 A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n) * A(n,n+1:N); end;
LR-Zerlegung N = size(a,1); for n=1:n-1 A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n) * A(n,n+1:N); x = b; for n=2:n x(n) = x(n) - A(n,1:n-1) * x(1:n-1); for n=n:-1:1 x(n)
Mehr2 Direkte Lösungsverfahren für lineare Gleichungen
(2.1) Sei x = (x n ) n=1,...,n R N, A = (a m,n ) m=1,...,m, n=1,...,n R M,N. a) Sei 1 m n N. Dann ist x[m : n] = (x k ) k=m,...,n R 1+n m Teilvektor von x. b) Seien 1 m 1 m 2 M, 1 n 1 n 2 N. Dann ist A[m
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n N } n=1,...,n.
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben).
Mehreps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrVF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
MehrDiplom VP Numerik 27. August 2007
Diplom VP Numerik 27. August 2007 Multiple-Choice-Test 30 Punkte Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese
MehrD-MAVT NUMERISCHE MATHEMATIK FS 14 K. Nipp, A. Hiltebrand Lösung vom Test 2
D-MAVT NUMERISCHE MATHEMATIK FS 4 K Nipp, A Hiltebrand Lösung vom Test Sei A ( 3 3 ) a) Bestimmen Sie κ(a), die Kondition von A (in der -Norm): κ(a) b) Berechnen Sie den Spektralradius von A: ρ(a) 4 c)
Mehr3 Eigenwertberechnung
3 Eigenwertberechnung (3.) Definition Eine Matrix A R, heißt (obere) Block-Dreiecksmatrix, wenn ein n existiert, sodass A[n + :, : n] = 0 gilt, d.h.: A = ( ) A[ : n, : n] A[ : n,n + : ] 0 A[n + :,n + :
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
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
Mehr8 Polynominterpolation
8 Polynominterpolation Interpolations-Aufgabe: Von einer glatten Kurve seien nur lich viele Punktewerte gegeben. Wähle einen lichdimensionalen Funktionenraum. Konstruiere nun eine Kurve in diesem Funktionenraum
MehrDiplom VP Numerik 28. August 2006
Diplom VP Numerik 8. August 6 Multiple-Choice-Test Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese Aufgabe
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV Aufgabe N1 (LR-Zerlegung mit Pivotisierung) Gegeben seien R 3.
Lösung der Diplom-Vorprüfung Höhere Mathematik III/IV 7.7.6 Aufgabe N (LR-Zerlegung mit Pivotisierung) Gegeben seien 6 8 A = 8 6 R und b = 6 R. a) Berechnen Sie die LR-Zerlegung von A mit Spaltenpivotisierung.
MehrBegleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
MehrBegleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik
MehrKurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)
MehrKLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
MehrEinführung in die Numerik
Institut für Angewandte Mathematik Universität Heidelberg http://www.numerik.uni-hd.de/ lehre/ss10/numerik0/ Zahldarstellung Normalisierte Gleitkommazahl: x = ±[m 1 b 1 + + m r b r ] b ±[es 1bs 1 + +e
Mehr2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik 4 Punkte Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen hinschreiben. Es müssen
MehrKapitel 3. Lineare Ausgleichsrechnung. Problem: Löse A x = b, A R m n, b R m, wobei. Rang(A) < Rang([A;b])
Kapitel 3. Lineare Ausgleichsrechnung Problem: Löse A x = b, A R m n, b R m, wobei Rang(A) < Rang([A;b]) zugelassen ist, d.h. Ax = b ist nur im weitesten Sinne lösbar. 3.1 Lineares Ausgleichsproblem: Zu
MehrVF-3: Gegeben seien die Daten f(x 0 ), f(x 1 ),..., f(x n ) mit x 0,..., x n paarweise verschiedenen und
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Aussagen Diese sind mit wahr bzw falsch zu kennzeichnen (hinschreiben) Es müssen alle Fragen mit wahr
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrMODULPRÜFUNG MODUL MA 1302 Einführung in die Numerik
................ Note Name Vorname 1 I II Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Obige Angaben sind richtig: Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrNumerische Mathematik I für Ingenieure Multiple-Choice Klausuraufgaben Frühjahr 08
Numerische Mathematik I für Ingenieure Multiple-Choice Klausuraufgaen Frühjahr 08 Hier einige Hinweise zu den MC-Aufgaen. Die Lösungen sollten nicht auswendig gelernt werden. Man sollte verstehen, warum
Mehr(c) Gegeben sei der zweidimensionale Raum L mit den Basisfunktionen. [ φ i, φ j ] 3 i,j=1 =
1. (a) i. Wann besitzt A R n n eine eindeutige LR-Zerlegung mit R invertierbar? ii. Definieren Sie die Konditionszahl κ(a) einer Matrix A bzgl. einer Norm.! iii. Welche Eigenschaften benötigt eine Matrix
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
MehrKlausur Numerische Mathematik (für Elektrotechniker), Samstag, 19. August 2017
Verständnisfragen-Teil (5 Punkte) Jeder der 5 Verständnisfragenblöcke besteht aus 5 Verständnisfragen. Werden alle 5 Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block
Mehr2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
Mehr2 Direkte Lösungsverfahren für lineare Gleichungen
2 Direkte Lösungsverfahren für lineare Gleichungen Sei A R invertierbar und b R. Löse Ax = b genau und effizient. Die LR-Zerlegung Wir berechnen eine Zerlegung A = LR mit L, R R und den folgen Eigenschaften:
MehrMusterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
MehrNachklausur am Donnerstag, den 7. August 2008
Nachklausur zur Vorlesung Numerische Mathematik (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Nachklausur am Donnerstag, den 7. August 2008 Bearbeitungszeit:
Mehr19. Januar Universität Erlangen-Nürnberg Department Mathematik PD Dr. Markus Bause. . Danach liefert die Gauss-Elinination. .
Universität Erlangen-Nürnberg Department Mathematik PD Dr Markus Bause Numerik I 9 Januar A Gegeben sei die Matrix A = a Führen Sie eine Zeilenskalierung der Matrix durch Klausur b Bestimmen Sie mit Hilfe
MehrBegleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 55 Studienplanung Bachelor
MehrName: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei die Matrix
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei die Matrix 1 1 1 A = 3 3 3 2 2 2 (a) Bestimmen Sie Rang(A), Kern(A) und Bild(A). Ist A invertierbar? Geben Sie zwei verschiedene rechte Seiten b 1, b 2 an, so
Mehr(x x j ) x [a,b] n! j=0
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (4 Punkte Es gibt zu jeder der 1 Aufgaben vier Aussagen. Diese sind mit bzw. zu kennzeichnen (hinschreiben. Es müssen alle Fragen mit oder gekennzeichnet
MehrLösungen zu Blatt 13 der Übungen zur Vorlesung Numerik, LMU München, Wintersemester 2016/2017
Lösungen zu Blatt 13 der Übungen zur Vorlesung Numerik, LMU München, Wintersemester 01/017 Peter Philip, Sabine Bögli. Januar 017 1. 10 Punkte) a) Betrachten Sie R mit der Maximumsnorm. Berechnen Sie die
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
MehrPS Numerische Mathematik für LAK WS 08/09, LV-Nr.: , HS Übungsblatt (bis )
. Übungsblatt (bis 5.0.2008). Aufgabe. Skizzieren Sie die Einheitskugeln K (0,) im R 2 für die Normen, 2 und. 2. Aufgabe. Beweisen Sie x x 2 n x für alle x R n. 3. Aufgabe. Bestimmen Sie die relative Konditionszahl
MehrAufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung. x = x 2 e x 1.
Name: Matrikel-Nr.: 1 Aufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung R 3 R 2, x 1 f : x 1 + e x2 2 sin(x3 ) x = x 2 e x 1 (1 + x 2 1 + x, 2x 3 )
MehrH.J. Oberle Analysis II SoSe Interpolation
HJ Oberle Analysis II SoSe 2012 7 Interpolation 71 Allgemeine Problemstellung Interpolation ist die Kunst, zwischen den Zeilen einer Tabelle zu lesen (Rutishauser) Von f : R R seien Funktionswerte (x j,
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV 6.8.005 1 Aufgabe N1 Gegeben seien A = 5-10 -5-10 8-10 -5-10 13 R 3 3 und b = a) Überprüfen Sie, ob die Matrix A positiv definit ist. b) Bestimmen
MehrOriginal - d.h. unvertauschte Reihenfolge
NumaMB F6 Verständnisfragen-Teil (3 Punkte) Jeder der 6 Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es dafür 5
MehrNumerisches Rechnen Panikzettel
panikzettel.philworld.de Numerisches Rechnen Panikzettel der Dude, Luca Oeljeklaus, Tobias Polock, Philipp Schröer, Caspar Zecha Version 9 0.03.208 Inhaltsverzeichnis Einleitung 2 2 Fehleranalyse: Kondition,
MehrA 1 A 2 A 3 A 4 A 5 A 6 A 7
Institut für Geometrie und Praktische Mathematik Numerisches Rechnen für Informatiker WS 7/8 Prof. Dr. H. Esser J. Grande, Dr. M. Larin Klausur Numerisches Rechnen für Informatiker Hilfsmittel: keine (außer
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 2016/17
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 6/7 837 Aufgabe Punkte): Gegeben sei das lineare Gleichungssystem Ax = b mit A = 6 3 und
MehrOrthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrZWEITE KLAUSUR zur Numerik I mit Lösungen. Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE FELIX LIEDER DR. GEORG JANSING.9.7 ZWEITE KLAUSUR zur Numerik I mit Lösungen Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
MehrNumerische Mathematik
Numerische Mathematik Von Martin Hermann 2., überarbeitete und erweiterte Auflage Oldenbourg Verlag München Wien Vorwort zur ersten Auflage Vorwort zur zweiten Auflage V VII 1 Wichtige Phänomene des numerischen
MehrKAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
MehrD-ITET, D-MATL. Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn
Name: Wichtige Hinweise D-ITET, D-MATL Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn Prüfungsdauer: 90 Minuten. Nur begründete Resultate werden bewertet. Zugelassene Hilfsmittel: 10 A4-Seiten
MehrBanach scher Fixpunktsatz. 1) D ist abgeschlossen und konvex; 2) f ist selbstabbildend, d.h. f(d) D;
Institut für Geometrie und Praktische Mathematik Höhere Mathematik IV (für Elektrotechniker und Technische Informatiker) - Numerik - SS 2007 Dr. S. Börm, Dr. M. Larin Banach scher Fixpunktsatz Gegeben
MehrLösung Semesterendprüfung
MNUM Mathematik: Numerische Methoden Herbstsemester 17 Dr Christoph Kirsch ZHAW Winterthur Aufgabe 1 : Lösung Semesterendprüfung Wir schreiben zuerst die Gleichungen f(x i ; a, a 1, a y i, i 1,,, 1, als
MehrKapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,...,255}, n = 1,...,N, m = 1,...,M. dig. Camera Realisierung
MehrLernfragen für Numerik für LAK Wintersemester 2009/10
Lernfragen für Numerik für LAK Wintersemester 2009/10 1. Zeige für eine hinreich glatte Funktion u(x), es gilt: u (x) = u(x + h) 2u(x) + u(x h) h 2 + O(h 2 ) 2. Gib ein explizites Beispiel von einem Abbruchsfehler
MehrLineares Gleichungssystem
Lineares Gleichungssystem Ein System von m linearen Gleichungen in n Unbekannten besteht aus einer Menge von algebraischen Relationen der Form n a ij x j = b i, i =,...,m, j= wobei a ij R, i m, j n, die
Mehr7. Nichtlineare Gleichngssysteme. Problem 7: Sei f : R n R n stetig. Löse f(x) = 0.
7. Nichtlineare Gleichngssysteme Problem 7: Sei f : R n R n stetig. Löse f(x) = 0. Das Gleichungssystem f(x) = 0 lässt sich in die Fixpunktgleichung x = φ(x) umschreiben, wobei φ : D R n R n. Beispielsweise
MehrBeispiellösung Serie 7
D-MAVT FS 2014 K. Nipp A. Hiltebrand NUMERISCHE MATHEMATIK Beispiellösung Serie 7 1. a) Exakt: 0.005 1 1 1 0.005 1 ( 1 0 200-199 L = 200 1 Rückwärts einsetzen Lz = b : z 1 = 0.5, z 2 = 1 100 = 99 Rx =
MehrKlausur zu Grundlagen der Computermathematik
Prof. Dr. Klaus Höllig 14. Oktober 2010 Klausur zu Grundlagen der Computermathematik en Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. a Die Folge A
MehrTU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX Übungsaufgaben zum Lehrgebiet Numerische Mathematik - Serie 2 Beweise Sie folgende
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
MehrKlassische Polynom Interpolation.
Klassische Polynom Interpolation. Bestimme ein Polynom (höchstens) n ten Grades p n (x) = a 0 + a 1 x + a 2 x 2 +... + a n x n, das die gegebenen Daten interpoliert, d.h. p n (x i ) = f i, 0 i n. Erster
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 6 Eigenwerte
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
MehrÜbungsblatt 12 Musterlösung
NumLinAlg WS56 Übungsblatt 2 Musterlösung Lösung 44 (QR-Algorithmus mit Wilkinson-Shift und Deflation) a)+b) Die QR-Iteration zur Berechnung aller Eigenwerte einer Matrix A kann wie folgt implementiert
Mehr2 Lineare Gleichungssysteme
Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Lineare Gleichungssysteme Gegeben: A R n n mit det(a) b R n Gesucht: x R n mit Ax = b Zeilenäquilibrierung Möchten zunächst die Kondition des
MehrDiplom VP Informatik/Numerik 9. September 2000 / Seite 1. Aufgabe 1: L-R-Zerlegung, Nachiteration / Ly = b. y = Rx = y.
Diplom VP Informatik/Numerik 9 September 2000 / Seite 1 1 Pivotisierung : 2 L-R-Zerlegung von A: 3 Vorwärtseinsetzen: (pivotisierung) Aufgabe 1: L-R-Zerlegung, Nachiteration A A = 4 2 10 2 6 9 2 1 6 L
MehrKlausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS 25 Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren 22. Juli 25 Sie haben 9 Minuten Zeit zum Bearbeiten der
MehrKlausur zur Numerischen Mathematik im Maschinenbau
Matr. Nr.: Platz Nr.: Klausur zur Numerischen Mathematik im Maschinenbau Zugelassene Hilfsmittel: Prof. Dr. Arnold Reusken Donnerstag 20. August 2015 Institut für Geometrie und Praktische Mathematik Die
MehrUE Numerische Mathematik für LA
06.986 UE Numerische Mathematik für LA Übungsbeispiele zur VO 06.942 Numerische Math für LA G. Schranz-Kirlinger Kapitel : Fehlerbetrachtungen. Berechnen Sie sinx dx mit Hilfe der Trapezregel für verschiedene
MehrInhaltsverzeichnis. 1 Einleitung... 1
Inhaltsverzeichnis 1 Einleitung................................................. 1 2 Fehleranalyse: Kondition, Rundungsfehler, Stabilität...... 11 2.1 Kondition eines Problems................................
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrComputergestützte Mathematik zur Linearen Algebra
Computergestützte Mathematik zur Linearen Algebra Pivotwahl und Gleitkommaarithmetik Achim Schädle 3. und 20. Dezember 208 Achim Schaedle (HHU) CompLinA 3. und 20. Dezember 208 Instabilitäten bei Gauß-Elimination
MehrNumerische Mathematik
».- Numerische Mathematik Von Dr. sc. math. Hans Rudolf Schwarz o. Professor an der Universität Zürich Mit einem Beitrag von Dr. sc. math. Jörg Waldvogel Titularprofessor an der Eidg. Technischen Hochschule
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
MehrMatr. Nr.: Benutzter Taschenrechner (genaue Typenbezeichnung) : Name: Vorname: Unterschrift: VFr: A1: A2: A3: A4: A5: BP: Platz Nr.
Matr. Nr.: Platz Nr.: Klausur zur Numerischen Mathematik (für Elektrotechniker) Prof. Dr. Wolfgang Dahmen Samstag, 19. August 2017 Institut für Geometrie und Praktische Mathematik Hilfsmittel: dokumentenechtes
Mehrf(x) dx soll numerisch approximiert werden durch eine
NumaMB H4 Verständnisfragen-Teil (4 Punkte) Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet ergibt Punkte.
MehrKapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b.
Kapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b. - Polynome, - rationale Funktionen, - trigonometrische Polynome, - Splines. Interpolationsproblem 4: Sei f : [a,b]
MehrKlausur zu Grundlagen der Computermathematik
Prof. Dr. Klaus Höllig. März 11 Klausur zu Grundlagen der Computermathematik en Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. a Die Folge A n x/ A n
MehrKAPITEL 10. Numerische Integration
KAPITEL 10. Numerische Integration 10.1 Einleitung Sei Es gilt I Ĩ = b I = b a a f(x) f(x) dx f(x) dx, Ĩ = b b a f(x) dx. a f(x) f(x) dx (b a) f f. I Ĩ I (b a) f f b a f(x) dx = ba f dx b a f(x) dx f f
MehrMathematische Grundlagen
Mathematische Grundlagen 1 / 16 Vektorraum u R n, u = (u 1,..., u n ), u k R Euklidisches Skalarprodukt Euklidische Vektornorm (u, v) = u k v k u 2 = (u, u) = n u 2 k Vektoren u, v R n heißen orthogonal,
MehrI f AM. 2. Übung zur Numerischen Mathematik I. Hausübung. Hannover, den
Hannover, den 14.10.2002 1. Übung zur Numerischen Mathematik I Aufgabe 1.1 Man nde das Interpolationspolynom p 2 P 2, das die Funktion f(x) = cos(x) in den Punkten x k := π 2 + π k n, h = 1 n, k = 0,...,
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
MehrNumerische Mathematik
Numerische Mathematik Von Prof. Dr. sc. math. Hans Rudolf Schwarz Universität Zürich Mit einem Beitrag von Prof. Dr. sc. math. Jörg Waldvogel Eidg. Technische Hochschule Zürich 4., überarbeitete und erweiterte
Mehr