Übung 7 Beispiel 3 Daniel Herold
|
|
- Katarina Fuchs
- vor 5 Jahren
- Abrufe
Transkript
1 Übung 7 Beispiel 3 Daniel Herold Given an integer J, consider the following uniform partition of (0, ): 0 = y 0 < y < < y J+ =, y j = j J +, j = 0...J + Based on this partition, a domain decomposition may be obtained as follows: Ω = Ω i with Ω i = (y i, y i+ ) Based on these subdomains, the subspaces V i, i =..J are defined by i= V i = {v V : v(x) = 0 x Ω\Ω i } If the number of subdomains J is too large, the above subspaces are not sufficient to produce an optimal algorithm. In regard to this consideration, we introduce a coarse finite element subspace V 0 defined from the aforementioned partition of size h 0 = J+. Lemma For the subspaces V i, i = 0...J we have V = i=0 Furthermore there is a constant C 0 that is independent of h, h 0 or J such that for any v V, there are v i V i that satisfy v = J i=0 v i and v i H C 0 v H i+0 Proof Let I 0 : V V 0 be the nodal value interpolant. Given v V, define v 0 = I 0 v, (v I 0 v)(x) y 0 x < y v = (v I 0v)(x) y x < y 0 y x for j =...J and v j (x) = V i { (v I 0v)(x) y j x y j+ 0 elsewhere 0 y 0 x < y J v J (x) = (v I 0v)(x) y J x < y J (v I 0 v)(x) y J x Obviously v i V satisfying v = J i=0 v i. With the H seminorm we observe that on each Intervall (y j, y j+ ) of length h We get I 0 v = h ( yj+ y j v ) = h (v, ) H h (v, v ) H (, ) H = v ( J ) v i = v 0 + v (0,y) + v i (yi,y + v i+ + v J i+) (yi,y i+) (yj,) i=0 i= J = v 0 + v (0,y) + I 0 v + v I 0 v i= v i I 0 v + v + I 0 v 3 v (yi,y i+) + v J (yj,)
2 Iterative Lösung großer Gleichungssysteme, Übung 7, Aufgabe 4 Lukas Kogler Aufgabe war es, den overlapping Additive Schwarz Preconditioner mit subdomains und coarse grid correction für die D Poisson-Gleichung am Intervall Ω = (0, ) zu implementieren. Dabei wird der ursprüngliche FE-Raum V h, der H 0 (Ω) mit den standard Hutfunktionen und Gitterweite h diskretisiert, in zwei Arten von Räumen zerlegt: Subdomain Spaces: V und V diskretisieren Ω := (0, H/) bzw Ω := (0.5 H/, ) mit Gitterweite h. (Insbesondere ist Ω Ω = H, also generous overlap ) Coarse Space: V 0 diskretisiert, genau wie V h H0 (Ω), allerdings mit fixer Gitterweite H = 0.. Seien E i nun, wie in der Vorlesung, die Matrix-Representationen der Einbettungen von V i in V h. V und V sind dabei einfach zu implementieren, da sie (weil die Basisfunktionen in V h die selben sind wie in V bzw. V ) nur einen kleinen Vektor in den Richtigen Teil eines großen Vektors schreiben müssen (also zb V = [I n 0] T ) Bei V 0 muss man auch den Wechsel der Basisfunktionen berücksichtigen. (Die Implementierung von E 0 ist tatsächlich der umständlichste Teil der ganzen Aufgabe) Mit den auf die Unterräume projizierten Matrizen A i := E T i AE i ist dann der AS-Vorkonditionierer definiert durch: B x = i E i A i Ei T In der VO wurde bewiesen, dass der Vorkonditionierer unabhängig von h optimale Spektrale Äquivalenz aufweist. Falls V 0 und damit die coarse grid corection weggelassen wird, sagt uns die Theorie Spektrale Äquivalenz mit Faktor O(H ) (insbesondere, für fixes H immer noch Unabhängig von h!) vorraus. Dies wird auch durch die numerischen Experimente bestätigt, die in folgender Grafik abzulesen sind (dabei wurde B als Vorkonditionierer für PCG verwendet):
3 (a) without coarse grid (b) with coarse grid für ver- Fig. : oben: Iteration m vs. relative Norm des Residuums rm r 0 schiedene Gitterweiten h. unten: Problemgröße n vs Rechenzeit t Wir können daraus den Schluss ziehen, dass bei fixem H und fixer Anzahl an Subdomains die coarse grid correction nicht Nötig ist. Dabei ist aber zu beachten, dass die Größe der Matrizen A i sehr wohl mit h skaliert. In D kommt dieser Fakt nicht zu tragen, da die Poisson-Matrix tridiagonal ist und die subdomain-probleme leicht zu lösen sind, in D bzw 3D ist man aber der effizienz wegen gezwungen, mit h 0 auch die Anzahl der subdomains zu erhöhen, wodurch die coarse grid correction wieder für optimale Spektrale Äquivalenz Nötig wird.
4 Iteratives Lösen linearer Gleichungssysteme - Übung 6 Tobias Danczul. Juni Besipiel a) Geg.: A R n n mit der Blockstruktur ( ) B C A = C T D Z.z.: A = ( I 0 C T B I ) ( B 0 0 S ) ( ) I B C 0 I wobei S = D C T B C Direktes Ausmultiplizieren der ersten beiden Matrizen liefert ( ) ( ) ( ) B 0 I B C B C C T = S 0 I C T C T B = A C + S wobei das letzte Gleichheitszeichen unmittelbar aus der Definition von S folgt. Z.z.: S ist SPD Symmetrie ist klar. Bezüglich Definitheit verweisen wir auf die Ungleichung in c). b) Z.z.: (x, 0) T A = x B ( x T 0 ) ( ) ( ) B C x C T = x D 0 B Z.z.: x S = inf (x, x ) T A = ( B Cx, x ) T A x ( ) x = ( ) ( ) x x T x T Bx + Cx C T = x T x A + Dx Bx + x T Cx + x T C T x + x T D }{{} x =S+C T B C = x T Bx + x T Cx + x T C T x + x T Sx + x T C T B Cx = x T Sx + (x + B Cx ) T B(x + B Cx ) Dies wird minimiert bezüglich x genau dann wenn der zweite Ausdruck 0 ist, also x = B Cx. Damit folgt min (x, x ) T A = ( B Cx, x ) T A = x S x
5 c) Z.z.: λ min (A) λ min (S) λ max (S) λ max (A) Betrachte also x S = inf x (x, x ) T A (0, x ) T A λ max (A) (0, x ) = λ max (A) x Mittels Division von x folgt mit dem Rayleigh-Koeffizient folgt Und weiters λ max (S) λ max (A) x S = inf (x, x ) T A λ min (A) inf (x, x ) T = λ min (A) x x x Analog zu erstem Fall folgt die Behauptung und ferner noch die positive Definitheit von S. d) (i) Z.z.: K R n n : à ist SPD ( ) B BK à = K T B K T BK + S ist offensichtlich symmetrisch. Um die positive Definitheit einzusehen betrachten wir (ii) (x, x ) T à = x B + x S + x T K T BKx + x T K T Bx + x T BKx = x S + x + Kx B > 0 Ges.: Preconditioner r à r basierend auf Cholesky-Zerlegung für B und S. Da Invertieren die Reihenfolge der Matrizen ändert, betrachten wir die Inverse der linken Matrix zuerst, also ( ) ( ) ( ) I 0 y r K T = I y r und damit y = r y = r K T r Selbiges auf die mittlere Matrix angewandt liefert ( ) ( ) ( ) B 0 z r = 0 S z r K T r und zuletzt noch ( ) ( ) ( ) I K x B = r 0 I x S (r K T r ) Insgesamt erhalten wir x = S (r K T r ) x = B r Kx
6 (iii) Z.z.: (ii) mit K = B C Einsetzen liefert das Gewünschte Ergebnis. x = S (r C T B r ) x = B r B Cx = B (r Cx ) 3
6. Übungsblatt Aufgaben mit Lösungen
6. Übungsblatt Aufgaben mit Lösungen Exercise 6: Find a matrix A R that describes the following linear transformation: a reflection with respect to the subspace E = {x R : x x + x = } followed by a rotation
MehrInstitut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf
Institut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf Praktikum im Sommersemester 2012 Programmierpraktikum numerische Algorithmen (P2E1) (Numerische Lösung der Wärmeleitungsgleichung)
MehrIterative Verfahren für lineare Gleichungssysteme
Iterative Verfahren für lineare Gleichungssysteme Vorlesung Sommersemester 013 Humboldt-Universität zu Berlin Zeiten können noch nach Wunsch vereinbart werden! Kontakt: Dr. Rüdiger Müller Weierstraß-Institut
MehrA Classification of Partial Boolean Clones
A Classification of Partial Boolean Clones DIETLINDE LAU, KARSTEN SCHÖLZEL Universität Rostock, Institut für Mathematik 25th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT,
MehrFinal Exam. Friday June 4, 2008, 12:30, Magnus-HS
Stochastic Processes Summer Semester 2008 Final Exam Friday June 4, 2008, 12:30, Magnus-HS Name: Matrikelnummer: Vorname: Studienrichtung: Whenever appropriate give short arguments for your results. In
MehrAngewandte Umweltsystemanalyse: Finite-Elemente-Methode (FEM) #3
Angewandte Umweltsystemanalyse: Finite-Elemente-Methode (FEM) #3 Prof. Dr.-Ing. habil. Olaf Kolditz 1 Helmholtz Centre for Environmental Research UFZ, Leipzig 2 Technische Universität Dresden TUD, Dresden
MehrLanczos Methoden. Stefan Grell Im Rahmen eines Proseminar zur Numerischen Mathematik unter der Leitung von Prof. Wolf Hofmann. 15.
Lanczos Methoden Stefan Grell Im Rahmen eines Proseminar zur Numerischen Mathematik unter der Leitung von Prof. Wolf Hofmann 15. Juni 2005 Lanczos-Methoden Lanczos-Methoden sind iterative Verfahren zur
MehrFunctional Analysis Final Test, Funktionalanalysis Endklausur,
Spring term 2012 / Sommersemester 2012 Functional Analysis Final Test, 16.07.2012 Funktionalanalysis Endklausur, 16.07.2012 Name:/Name: Matriculation number:/matrikelnr.: Semester:/Fachsemester: Degree
MehrUnit 4. The Extension Principle. Fuzzy Logic I 123
Unit 4 The Extension Principle Fuzzy Logic I 123 Images and Preimages of Functions Let f : X Y be a function and A be a subset of X. Then the image of A w.r.t. f is defined as follows: f(a) = {y Y there
MehrHydrosystemanalyse: Finite-Elemente-Methode (FEM)
Hydrosystemanalyse: Finite-Elemente-Methode (FEM) Prof. Dr.-Ing. habil. Olaf Kolditz 1 Helmholtz Centre for Environmental Research UFZ, Leipzig 2 Technische Universität Dresden TUD, Dresden Dresden, 17.
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
MehrTeil 2.2: Lernen formaler Sprachen: Hypothesenräume
Theorie des Algorithmischen Lernens Sommersemester 2006 Teil 2.2: Lernen formaler Sprachen: Hypothesenräume Version 1.1 Gliederung der LV Teil 1: Motivation 1. Was ist Lernen 2. Das Szenario der Induktiven
MehrIntroduction FEM, 1D-Example
Introduction FEM, D-Example /home/lehre/vl-mhs-/inhalt/cover_sheet.tex. p./22 Table of contents D Example - Finite Element Method. D Setup Geometry 2. Governing equation 3. General Derivation of Finite
MehrD-MATH Algebra II FS 2016 Prof. Richard Pink. Musterlösung 16. einfache und algebraische Erweiterungen
D-MATH Algebra II FS 206 Prof. Richard Pink Musterlösung 6 einfache und algebraische Erweiterungen. Bestimme das Minimalpolynom folgender komplexer Zahlen über Q: (a) 2 + 5. (b) 3 3 3. (c) 4 5 + 4 5i.
MehrGlättung durch iterative Verfahren
Numerische Methoden in der Finanzmathematik II Sommersemester 211 Glättung durch iterative Verfahren Vorlesung Numerische Methoden in der Finanzmathematik II Sommersemester 211 Numerische Methoden in der
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 27 L I N E A R E A L G E B R A F Ü R T P H, U E (.64) 2. Haupttest (FR, 9..28) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrIntroduction FEM, 1D-Example
Introduction FEM, 1D-Example home/lehre/vl-mhs-1-e/folien/vorlesung/3_fem_intro/cover_sheet.tex page 1 of 25. p.1/25 Table of contents 1D Example - Finite Element Method 1. 1D Setup Geometry 2. Governing
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrFinite Difference Method (FDM)
Finite Difference Method (FDM) home/lehre/vl-mhs-1-e/folien/vorlesung/2a_fdm/cover_sheet.tex page 1 of 15. p.1/15 Table of contents 1. Problem 2. Governing Equation 3. Finite Difference-Approximation 4.
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5.1 Kommutierende Matrizen In der Vorlesung und vergangenen
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
MehrWillkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V11, 16.1.2012 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
MehrJohannes Veit. 8. Januar 2016
Finite im Ein Blick über den Tellerrand... mit FreeFem++ 8. Januar 2016 im 1 2 im 3 4 Gliederung 5 im 1 2 im 3 4 Gliederung 5 dem Einheitsquadrat Laplace - Gleichung: im u(x) = 0 Man betrachte das Problem
MehrStirling numbers of the second kind and Bonferroni s inequalities
Eem. Math. 60 (2005) 124 129 0013-6018/05/030124-6 c Swiss Mathematica Society, 2005 Eemente der Mathematik Stiring numbers of the second kind and Bonferroni s inequaities Horst Wegner Horst Wegner studierte
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrÜbungsblatt 6. Analysis 1, HS14
Übungsblatt 6 Analysis, HS4 Ausgabe Donnerstag, 6. Oktober. Abgabe Donnerstag, 23. Oktober. Bitte Lösungen bis spätestens 7 Uhr in den Briefkasten des jeweiligen Übungsleiters am J- oder K-Geschoss von
MehrMatrixzerlegungen. 6. Vorlesung Numerische Methoden I. Clemens Brand. 2. April Nachträge und Wiederholung. Links-Rechts- Zerlegung
Matrixzerlegungen. 6. Vorlesung 170004 Numerische Methoden I Clemens Brand QR- QR- 2. April 2009 Gliederung Elimination faktorisiert A = L R QR- QR- QR- QR- Eine Zusammenfassung der Folien 6 14 der letzten
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
Mehr4. Übungsblatt Aufgaben mit Lösungen
4. Übungsblatt Aufgaben mit Lösungen Aufgabe 16: (a) Find the orthogonal projection of P = (, 11, 3) onto the line G through the points A = (5, 4, 7) and B = (1, 7, 5). Determine the distance between P
MehrD-MATH Algebra I HS 2015 Prof. Richard Pink. Musterlösung 1. Ringe, Polynome, Potenzreihen. x(y z) = x(y + ( z)) = xy + x( z) = xy + ( xz) = xy xz.
D-MATH Algebra I HS 20 Prof. Richard Pink Musterlösung Ringe, Polynome, Potenzreihen. Zeige, dass in jedem Ring R die Distributivregel gilt. Lösung: Für alle x, y, z R gilt x, y, z R : x(y z = xy xz x(y
Mehraus Doktorarbeiten Anna Lena Birkmeyer Oktober 2016
aus Doktorarbeiten Anna Lena Birkmeyer Fachbereich Mathematik TU Kaiserslautern Oktober 2016 In der der Arbeit: The mathematical modeling and optimization of... is a wide field of research [4,15,19,35,61,62,66,76,86]
MehrStochastic Processes SS 2010 Prof. Anton Wakolbinger. Klausur am 16. Juli 2010
Stochastic Processes SS 2010 Prof. Anton Wakolbinger Klausur am 16. Juli 2010 Vor- und Nachname: Matrikelnummer: Studiengang: Tutor(in): In der Klausur können 100 Punkte erreicht werden. Die Gesamtpunktezahl
MehrAnalysis III Serie 13 Musterlösung
Ana-3 Hs 22 Analysis III Serie 3 Musterlösung Abgabe: Freitag, 2.2.22, Uhr, in der Vorlesung * Aufgabe Welche der folgenden Aussagen sind wahr und welche sind falsch? (Mit Begründung) (i) Sei A R 3 3 eine
Mehr4. Bayes Spiele. S i = Strategiemenge für Spieler i, S = S 1... S n. T i = Typmenge für Spieler i, T = T 1... T n
4. Bayes Spiele Definition eines Bayes Spiels G B (n, S 1,..., S n, T 1,..., T n, p, u 1,..., u n ) n Spieler 1,..., n S i Strategiemenge für Spieler i, S S 1... S n T i Typmenge für Spieler i, T T 1...
MehrFunctional Analysis Exam [MA3001]
Functional Analysis Exam [MA3001] Technische Universität München Prof Dr Michael Wolf 04042016, 10:30-12:00 0002001, MI HS 1, Friedrich L Bauer Hörsaal (5602EG001) Score Signature (marker) Please fill
MehrFEM Isoparametric Concept
FEM Isoparametric Concept home/lehre/vl-mhs--e/cover_sheet.tex. p./26 Table of contents. Interpolation Functions for the Finite Elements 2. Finite Element Types 3. Geometry 4. Interpolation Approach Function
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 =
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
MehrDYNAMISCHE GEOMETRIE
DYNAMISCHE GEOMETRIE ÄHNLICHKEITSGEOMETRIE & MODELLIERUNG PAUL LIBBRECHT PH WEINGARTEN WS 2014-2015 CC-BY VON STAUDT KONSTRUKTIONEN Menü Erinnerung: Strahlensatz Längen, Frame Zielartikel Addition, Subtraktion
MehrQR-Zerlegung mit Householder-Transformationen
1/ QR-Zerlegung mit Householder-Transformationen Numerische Mathematik 1 WS 011/1 Orthogonales Eliminieren / Sei x R n ein Vektor x = 0. Ziel: Ein orthogonales H R n;n bestimmen, sodass Hx = kxke 1 ; ein
MehrSeeking for n! Derivatives
Seeking for n! Derivatives $,000$ Reward A remarkable determinant (,0) (,) (0,0) (0,) (,0) (,0) (,) (,) (0,0) (0,) (0,) General definition Δ μ (X, Y ) = det x p i j yq i n j i,j= As a starter... n! dim
MehrMusterlösung 3. D-MATH Algebra I HS 2015 Prof. Richard Pink. Faktorielle Ringe, Grösster gemeinsamer Teiler, Ideale, Faktorringe
D-MATH Algebra I HS 2015 Prof. Richard Pink Musterlösung 3 Faktorielle Ringe, Grösster gemeinsamer Teiler, Ideale, Faktorringe 1. Sei K ein Körper. Zeige, dass K[X 2, X 3 ] K[X] ein Integritätsbereich,
Mehrν = z Hy, S = HPH + R, W = PH S 1 Q 1 = P 1 + H R 1 H. independent of x Interpret N ( z; Hx, R ) N ( x; y, P ) as a joint density: ) ( ) )!
= N ( z; Hy, S independent of x N ( z; Hx, R N ( x; y, P N ( x; y + Wν, P WSW N ( x; Q(P 1 y + H R 1 z, Q ν = z Hy, S = HPH + R, W = PH S 1 Q 1 = P 1 + H R 1 H. Interpret N ( z; Hx, R N ( x; y, P as a
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 9
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 9 Best Before: 24.5/25.5, in den Übungsgruppen (2 wochen) Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
MehrInvertieren von Potenzreihen
Invertieren von Potenzreihen Sei E(x) die Erzeugende Funktion der Reihe, 0, 0, 0,.... E(x) ist neutrales Element der Multiplikation von Potenzreihen. Definition Inverses einer Potenzreihe Sei A(x), B(x)
Mehrc i u i. (10.2) x = i
Kapitel 0 Von Mises Wielandt Verfahren Im Folgenden wollen wir uns ausschließlich auf reelle, symmetrischen Matrizen der Ordnung n beschränken. Wie im letzten Kapitel diskutiert, sind für solche Matrizen
MehrVerfahren für große dünnbesetzte Matrixgleichungen
Verfahren für große dünnbesetzte Matrixgleichungen Jens Saak Seminar: Algebraische Matrixgleichungen WS 09/10 Chemnitz, den 18.01.010 1/17 jens.saak@mathematik.tu-chemnitz.de Jens Saak Verfahren für große
MehrMathematik für Anwender II
Prof Dr H Brenner Osnabrück SS 22 Mathematik für Anwender II Vorlesung Euklidische Vektorräume Im Anschauungsraum kann man nicht nur Vektoren addieren und skalieren, sondern ein Vektor hat auch eine Länge,
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2015
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS L I N E A R E A L G E B R A F Ü R T P H, U E (3.64). Haupttest (MO, 8..6) / Gruppe (mit Lösung ) Ein einfacher Taschenrechner ist
MehrNumerik gewöhnlicher Differentialgleichungen
Numerik gewöhnlicher Differentialgleichungen 4.4 Anfangsrandwertprobleme Die Diskretisierung von zeitabhängigen partiellen Differentialgleichungen mit der Linienmethode führt auf Systeme gewöhnlicher Dgl
MehrBeginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
MehrOn Euler s attempt to compute logarithms by interpolation
Euler p. 1/1 On Euler s attempt to compute logarithms by interpolation Walter Gautschi wxg@cs.purdue.edu Purdue University Leonhard Euler 1707 1783 Euler p. 2/1 Euler p. 3/1 From Euler s letter to Daniel
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;
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
MehrDekohärenz und die Entstehung klassischer Eigenschaften aus der Quantenmechanik
Dekohärenz und die Entstehung klassischer Eigenschaften aus der Quantenmechanik G. Mahler Spezialvorlesung SS 006 7. 4. 006 Einführung und Übersicht Warum und in welchem Sinn ist Kohärenz»untypisch«? 04.
Mehr3. The proof of Theorem
3. The proof of Theorem Objekttyp: Chapter Zeitschrift: L'Enseignement Mathématique Band (Jahr): 31 (195) Heft 1-2: L'ENSEIGNEMENT MATHÉMATIQUE PDF erstellt am: 19.9.217 Nutzungsbedingungen Die ETH-Bibliothek
MehrAlgebra. 1. Geben Sie alle abelschen Gruppen mit 8 und 12 Elementen an. (Ohne Nachweis).
1 Wiederholungsblatt zur Gruppentheorie 18.12.2002 Wiederholen Sie für die Klausur: Algebra WS 2002/03 Dr. Elsholtz Alle Hausaufgaben. Aufgaben, die vor Wochen schwer waren, sind hoffentlich mit Abstand,
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 9 Aufgabe 9 Finden Sie eine Basis des Lösungsraums L R 5 des linearen
MehrNumber of Maximal Partial Clones
Number of Maximal Partial Clones KARSTEN SCHÖLZEL Universität Rostoc, Institut für Mathemati 26th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT, INSTITUT FÜR MATHEMATIK
MehrAttention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. ,and C = [ ].
Page 1 LAST NAME FIRST NAME MATRIKEL-NO. Attention: Give your answers to problem 1 and problem 2 directly below the questions in the exam question sheet. Problem 1 (15 points) a) (1 point) A system description
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 6. Aufgabe 6.1. Dr. V. Gradinaru K. Imeri. Herbstsemester 2018.
Dr. V. Gradinaru K. Imeri Herbstsemester 8 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6. Multiple Choice: Online abzugeben. 6.a) (i) Welche der folgenden
MehrAlgorithm Theory 3 Fast Fourier Transformation Christian Schindelhauer
Algorithm Theory 3 Fast Fourier Transformation Institut für Informatik Wintersemester 2007/08 Chapter 3 Fast Fourier Transformation 2 Polynomials Polynomials p over real numbers with a variable x p(x)
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 4. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 17. März 2016 Lineare Gleichungssysteme 1 Wiederholung: Normen, Jacobi-Matrix,
Mehr3 Lineare Differentialgleichungen
3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
MehrLineare Algebra und analytische Geometrie II
Prof Dr H Brenner Osnabrück SS 26 Lineare Algebra und analytische Geometrie II Vorlesung 2 Orthogonalität Mit dem Skalarprodukt kann man die Eigenschaft zweier Vektoren, aufeinander senkrecht zu stehen,
Mehr5.3.5 Abstiegs & Gradientenverfahren
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme 5.3.5 Abstiegs & Gradientenverfahren Die bisher kennengelernten Iterationsverfahren zur Approximation von linearen Gleichungssystemen haben
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
MehrGeometrie und Bedeutung: Kap 5
: Kap 5 21. November 2011 Übersicht Der Begriff des Vektors Ähnlichkeits Distanzfunktionen für Vektoren Skalarprodukt Eukidische Distanz im R n What are vectors I Domininic: Maryl: Dollar Po Euro Yen 6
MehrAnalysis 2 UE VI) 121, 129, 133, 134, 140, 143
27.04.2009 Analysis 2 UE VI) 2, 29, 33, 34, 40, 43 2) Sei M j = {(x, y) R 2 j x + y < j} (j N)}. Bestimmen Sie das Innere, den Rand und die abgeschlossene Hülle der Menge T (bezüglich der euklidischen
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.
MehrUnit 5. Mathematical Morphology. Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 85
Unit 5 Mathematical Morphology Knowledge-Based Methods in Image Processing and Pattern Recognition; Ulrich Bodenhofer 85 Introduction to Mathematical Morphology Use of algebraic analysis for detecting
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
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).
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
MehrMagic Figures. We note that in the example magic square the numbers 1 9 are used. All three rows (columns) have equal sum, called the magic number.
Magic Figures Introduction: This lesson builds on ideas from Magic Squares. Students are introduced to a wider collection of Magic Figures and consider constraints on the Magic Number associated with such
MehrInformatik für Mathematiker und Physiker Woche 2. David Sommer
Informatik für Mathematiker und Physiker Woche 2 David Sommer David Sommer 25. September 2018 1 Heute: 1. Self-Assessment 2. Feedback C++ Tutorial 3. Modulo Operator 4. Exercise: Last Three Digits 5. Binary
MehrLineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
MehrBISON Instantiating the Whitened Swap-Or-Not Construction September 6th, 2018
BION Instantiating the Whitened wap-or-not Construction eptember 6th, 2018 Horst Görtz Institut für IT icherheit Ruhr-Universität Bochum Virginie Lallemand, Gregor Leander, Patrick Neumann, and Friedrich
MehrBegleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
MehrLineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v
Mehr1 0, x C X (A). = 1 χ A(x).
Aufgabe 1 a) Wir müssen nur zeigen, dass χ A B (x) = χ A (x) χ B (x) für alle x X gilt. (Dass χ A χ B Abbildung von X in {0, 1} ist, ist klar.) Sei also x X beliebig. Fall 1: x A B. Dies bedeutet x A und
MehrGliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung
Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Reguläre Ausdrücke und reguläre Grammatiken Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2016 1 / 20 Regular expressions (1) Let Σ be an alphabet. The
MehrNote: With respect to the basis consisting of the e i e j, ordered lexicographically on the indexes (i.e. e i e j e k e l
Übungen zur Vorlesung Lineare Algebra II (SS ) 7.7. Prof. Dr. Martin Ziegler Dr. Juan Diego Caycedo Blatt Keine Abgabe. Dieses Blatt wird nicht korrigiert oder bewertet. Aufgabe. {e, e, e 3 } bzw. {e,
MehrBegleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
MehrNumerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren
Ergänzungen zu dem Buch Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben von Carl Geiger und Christian Kanzow (Springer Verlag, 1999) Eine kurze Einführung in Quasi Newton Verfahren
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrÜberbestimmte Gleichungssysteme
Siebente Vorlesung, 8. Mai 2008, Inhalt Überbestimmte Gleichungssysteme Kleinste Quadrate: einfaches Beispiel, elementare Herleitung Normalengleichungen Transformation mit QR-Zerlegung und SVD Nichtlineare
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
Mehr1 Eigenschaften von Abbildungen
Technische Universität München Christian Neumann Ferienkurs Lineare Algebra für Physiker Vorlesung Dienstag WS 2008/09 Thema des heutigen Tages sind zuerst Abbildungen, dann spezielle Eigenschaften linearer
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
Mehr4.3 Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen
196 KAPITEL 4. VEKTORRÄUME MIT SKALARPRODUKT 4. Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen In diesem Abschnitt betrachten wir Vektorräume über IR und über C. Ziel ist es, in solchen Vektorräumen
MehrKAPITEL 1. Einleitung
KAPITEL 1 Einleitung Wir beschäftigen uns in dieser Vorlesung mit Verfahren aus der Numerischen linearen Algebra und insbesondere dem sogenannten Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
MehrMODULPRÜFUNG Numerische Methoden (Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik)
Karlsruher Institut für Technologie KIT) Institut für Analysis Dr. S. Wugalter Herbst 7.9.7 MODULPRÜFUNG Numerische Methoden Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik) Aufgabe 4 Punkte)
Mehr3.3 Reduzierte Basen nach Lenstra, Lenstra und Lovász
Gitter und Codes c Rudolf Scharlau 15. Juni 2009 221 3.3 Reduzierte Basen nach Lenstra, Lenstra und Lovász Alternativ zu klassischen Konzepten wie dem von Minkowski gibt es seit gut 25 Jahren den Reduktionsbegriff
Mehr3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
Mehr