Vektor und Matrixnormen Vorlesung vom
|
|
- Elmar Giese
- vor 7 Jahren
- Abrufe
Transkript
1 Vektor und Matrixnormen Vorlesung vom Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse dieses Problems, Stabilitätsanalyse des Gaußschen Algorithmus. Normen auf linearen Räumen: Motivation: Erweiterung des Betrags von R auf R n und R n,n. Definition: Axiomatisierung des Längenbegriffs. Beispiele: p, 1 p, auf R n. Zu einer gegebenen Vektornorm gehörige Matrixnorm: A M = sup x R n x 0 Ax x, A Rn,n. Beispiel: Zur Maximumsnorm gehört die Zeilensummenorm.
2 Normen Definition 8.1 Es sei V ein linearer Raum über R. Eine Abbildung : V R heißt Norm, falls für alle x,y V und α R gilt x 0, x = 0 x = 0, (1) αx = α x (Homogenität), (2) x + y x + y (Dreiecksungleichung). (3) Das Paar (V, ) heißt normierter Raum.
3 Beispiele: Vektornormen x = (x i ) n i=1 V = Rn ( n ) 1/2 Euklidische Norm: x 2 = i=1 x 2 i p Norm: x p = ( n ) 1/p x i p i=1, 1 p < Maximumsnorm ( Norm): x = max i=1,...,n x i
4 Matrixnormen A = (a ij ) n i,j=1 V = Rn,n, Matrizen mit n Zeilen und n Spalten jede Vektornorm auf R n2 induziert eine Matrixnorm auf R n,n (interpretiere A R n,n als Vektor im R n2 ) Verträglichkeit der Matrixnorm M mit Matrix Vektor Multiplikation: Ax A M x A M ist eine obere Schranke für die Längenänderung!
5 Matrixnormen A = (a ij ) n i,j=1 V = Rn,n, Matrizen mit n Zeilen und n Spalten jede Vektornorm auf R n2 induziert Matrixnorm auf R n,n (interpretiere A R n,n als Vektor im R n2 ) Verträglichkeit der Matrixnorm M mit Matrix Vektor Multiplikation: Ax A M x A M ist eine obere Schranke für die Längenänderung.
6 Die von einer Vektornorm induzierte Matrixnorm Definition 8.8 Es sei eine Vektornorm auf R n. Dann ist durch Ax A M = sup x R n x, A Rn,n, x 0 die zugehörige Matrixnorm M definiert. Bemerkung: Für zugehörige Matrixnormen gilt M ist eine Norm. Ax A M x AB M A M B M A,B R n,n, (Submultiplikativität) Die Norm der Einheitsmatrix I ist I M = 1.
7 Die von einer Vektornorm induzierte Matrixnorm Definition 8.8 Es sei eine Vektornorm auf R n. Dann ist durch Ax A M = sup x R n x, A Rn,n, x 0 die zugehörige Matrixnorm M definiert. Bemerkung: Für zugehörige Matrixnormen gilt M ist eine Norm. Ax A M x AB M A M B M A,B R n,n, (Submultiplikativität) Die Norm der Einheitsmatrix I ist I M = 1.
8 Die von der Maximumsnorm induzierte Matrixnorm Satz 8.10 (Zeilensummennorm) Die Matrixnorm A = max i=1,...,n n a ij, A = (a ij ) n i,j=1 R n,n, j=1 gehört zur Maximumsnorm auf R n. Bemerkung: Es sei eine beliebige Vektornorm und M die zugehörige Matrixnorm. Dann existiert ein x R n mit x = 1 und Ax = A M.
9 Die von der Maximumsnorm induzierte Matrixnorm Satz 8.10 (Zeilensummennorm) Die Matrixnorm A = max i=1,...,n n a ij, A = (a ij ) n i,j=1 R n,n, j=1 gehört zur Maximumsnorm auf R n. Bemerkung: Es sei eine beliebige Vektornorm und M die zugehörige Matrixnorm. Dann existiert ein x R n mit x = 1 und Ax = A M.
10 Konvergenz in normierten Räumen Definition 8.4 Es sei (V, ) ein normierter Raum und ( x (ν)) ν N V eine Folge. Die Folge heißt konvergent gegen x V, also x (ν) x, ν, falls x x (ν) 0, ν. Beispiel: V = R n, Maximumsnorm ( x (ν) ) ν N Rn x R n x (ν) i x i, i = 1,...,n
11 Konvergenz in normierten Räumen Definition 8.4 Es sei (V, ) ein normierter Raum und ( x (ν)) ν N V eine Folge. Die Folge heißt konvergent gegen x V, also x (ν) x, ν, falls x x (ν) 0, ν. Beispiel: V = R n, Maximumsnorm ( x (ν) ) ν N Rn x R n x (ν) i x i, i = 1,...,n
12 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x <
13 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x <
14 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm und = x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x <
15 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm und = x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x <
16 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm und = x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x <
17 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm und = x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x sup x 0 x R n C c Ax x = C c A <
18 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm und = x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x sup x 0 x R n C c Ax x = C c A <
19 Äquivalenz von Normen auf endl.-dim. Räumen Satz 8.5 Es sei V ein endlichdimensionaler linearer Raum und und Normen auf V. Dann existieren c,c R, so daß c x x C x x V. Beweis: Satz von Heine-Borel: Kompaktheit der Einheitskugel in endl-dim. Räumen. Folgerungen: V = R n mit beliebiger Norm und = x (ν) x x (ν) x 0 x (ν) x 0 x (ν) i x i, i = 1,...,n sup x 0 x R n Ax x sup x 0 x R n C c Ax x = C c A <
20 Lineare Gleichungssysteme n = 3 lineare Gleichungen für n = 3 Unbekannte: x 1 + 4x 2 + 7x 3 = 5 2x 1 + 5x 2 + 8x 3 = 1 3x 1 + 6x x 3 = 0 Matrixschreibweise: x 1 = x 2 x A x = b
21 Kondition Problem: Berechne x R n aus Ax = b zu gegebenen Daten A R n,n, b R n Auswirkung von Eingabefehlern à A, b b auf das Ergebnis x Algorithmus: Gaußscher Algorithmus Auswirkung von Auswertungsfehlern Aufwand und mögliche Aufwandsreduktion (Stabilität) (Effizienz)
22 Existenz und Eindeutigkeit Satz 9.1 Die Koeffizientenmatrix A R n,n heißt regulär, falls Ax 0 x R n, x 0, andernfalls singulär. Ist A regulär, so existiert eine eindeutig bestimmte Inverse A 1 R n,n von A mit der Eigenschaft AA 1 = A 1 A = I, und das lineare Gleichungssystem Ax = b hatfür jederechteseite b R n eine eindeutigbestimmtelösung x = A 1 b.
23 Kondition Problem: Berechne x R n aus Ax = b zu gegebenen Daten A R n,n, b R n Funktionsauswertung: Auswertung von x = f(a,b) = A 1 b R n für A R n,n, b R n Lösungsoperator: f(a,b) = A 1 b nicht explizit gegeben Auswirkung von Eingabefehlern à A, b b auf das Ergebnis x
24 Fehlermaß normweiser absoluter Fehler: x x, x, x R n Beispiel: x = (0.5,123) T, x = (1,100) T, x x = max{0.5, 23} = 23 normweiser relativer Fehler: x x x, x, x R n, x 0 Beispiel: x = (0.5,123) T, x = (1,100) T, x x x = max{0.5, 23}
25 Fehlermaß normweiser absoluter Fehler: x x, x, x R n Beispiel: x = (0.5,123) T, x = (1,100) T, x x = max{0.5, 23} = 23 normweiser relativer Fehler: x x x, x, x R n, x 0 Beispiel: x = (0.5,123) T, x = (1,100) T, x x x = max{0.5, 23}
26 Die Kondition einer Matrix Definition 9.2 Sei A R n,n. Ist A eine reguläre Matrix, so heißt κ(a) = A A 1 Kondition von A. Ist A singulär, so wird κ(a) = gesetzt. Bemerkung: Es gilt κ(a) 1 und κ(i) = 1 κ(ab) κ(a)κ(b)
27 Beispiel: Differenzenverfahren für ein Randwertproblem U i 1 +2U i U i+1 = h 2 f(x i ), i = 1,...,n, h = 1/(n+1) 6 x 105 Steifigkeitsmatrix A n = Rn,n Kondition n Kondition: κ (A n ) = A n A 1 n
28 Beispiel: Massenmatrix (Bestapproximation) M n = Rn,n Kondition Massenmatrix n Kondition: κ (M n ) = M n M 1 n
29 Auswirkungen von Störungen der rechten Seite b Satz 9.4 Sei x die Lösung von Ax = b, b 0, und x die Lösung des gestörten Systems A x = b mit beliebigem b R n. Dann gilt x x x κ(a) b b b. EsexistierenrechteSeitenb, b R n,sodaßindieserabschätzunggleichheit vorliegt.
30 Numerisches Beispiel: Störung von b exaktes System: Ax = b A = b = x = gfgfgfgfg fsfssdfg
31 Numerisches Beispiel: Störung von b exaktes System: Ax = b A = b = x = auf 3 Stellen gerundete rechte Seite: A x = b gg b = gggggg 3000
32 Numerisches Beispiel: Störung von b exaktes System: Ax = b A = b = x = auf 3 Stellen gerundete rechte Seite: A x = b gg b = x =
33 Störungen der Koeffizientenmatrix A gestörtes System: Ã x = b, Ã R n,n Existiert eine eindeutig bestimmte Lösung x? Beispiel (schleifender Schnitt): reguläre Matrix A: A = ( ) ε x 2 x 2 = x 1 x 2 = 1 1+ε x 1 Runden im Falle ε < eps: Ã = rd(a) = ( ) singulär! x 1
34 Kleine Störungen erhalten die Regularität Lemma 9.5 Es sei C R n,n und C < 1. Dann ist I C regulär, und es gilt (I C) 1 = I + k=1 C k (Neumannsche Reihe). Folgerung: A Ã A < 1 κ(a) A Ã < A 1 1 = Ã regulär!
35 Kleine Störungen erhalten die Regularität Lemma 9.5 Es sei C R n,n und C < 1. Dann ist I C regulär, und es gilt (I C) 1 = I + k=1 C k (Neumannsche Reihe). Folgerung: A Ã A < 1 κ(a) A Ã A 1 < 1 = Ã regulär!
36 Auswirkungen von Störungen der Koeffizientenmatrix A Satz 9.6 Sei x die Lösung von Ax = b, b 0, und x die Lösung des gestörten Systems à x = b mit à Rn,n und A à A 1 < 1. Dann gilt x x x κ(a) A à A +o( A à ). Es existieren Koeffizientenmatrizen A, à R n,n, so daß in dieser Abschätzung Gleichheit vorliegt. Beweis: Skript
37 Auswirkungen von Störungen der Koeffizientenmatrix A Satz 9.6 Sei x die Lösung von Ax = b, b 0, und x die Lösung des gestörten Systems à x = b mit à Rn,n und A à A 1 < 1. Dann gilt x x x κ(a) A à A +o( A à ). Es existieren Koeffizientenmatrizen A, à R n,n, so daß in dieser Abschätzung Gleichheit vorliegt. Beweis: Skript
38 Numerisches Beispiel: Störung von A exaktes System: Ax = b A = b = x = gfgfgfgfg fsfssdfg
39 Numerisches Beispiel: Störung von A exaktes System: Ax = b A = b = x = gerundete Koeffizientenmatrix: Ã x = b, A 1 A Ã = Ã = jkdkljjdjdj
40 Numerisches Beispiel: Störung von A exaktes System: Ax = b A = b = x = gerundete Koeffizientenmatrix: Ã x = b, A 1 A Ã = Ã = x =
41 Auswirkungen von Störungen von A und b Satz 9.7 Sei x die Lösung von Ax = b, b 0, und x die Lösung des gestörten Systems à x = b mit à Rn,n und A à < A 1 1 sowie b R n. Dann gilt x x x κ(a) ( A à A ) + b b b +o( A à + b b ). Es existieren rechte Seiten b, b R n und Koeffizientenmatrizen A, à R n,n, so daß in dieser Abschätzung Gleichheit vorliegt. Beweis: Übung
42 Auswirkungen von Störungen von A und b Satz 9.7 Sei x die Lösung von Ax = b, b 0, und x die Lösung des gestörten Systems à x = b mit à Rn,n und A à < A 1 1 sowie b R n. Dann gilt x x x κ(a) ( A à A ) + b b b +o( A à + b b ). Es existieren rechte Seiten b, b R n und Koeffizientenmatrizen A, à R n,n, so daß in dieser Abschätzung Gleichheit vorliegt. Beweis: Übung
43 Numerisches Beispiel: Störung von A und b exaktes System: Ax = b A = b = x = gerundetes System: à x = b à = b = x =
44 Numerisches Beispiel: Störung von A und b exaktes System: Ax = b A = b = x = gerundetes System: à x = b à = b = x =
Vektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 20.12.13 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
MehrLineare Gleichungssysteme, Teil 2
Lineare Gleichungssysteme, Teil 2 11. Vorlesung 27.1.12 Lineare Gleichungssysteme Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse dieses Problems Stabilitätsanalyse
MehrAufwand und Komplexität Vorlesung vom Komplexität und Effizienz
Aufwand und Komplexität Vorlesung vom 15.12.17 Komplexität und Effizienz Aufwand: Anzahl dominanter Operationen (worst-case). Beispiel. Landau-Symbol O(n). Beispiel. Definition: Aufwand eines Algorithmus.
MehrKondition linearer Gleichungssysteme Vorlesung vom
Kondition linearer Gleichungssysteme Vorlesung vom 8.1.16 Konvergenz in normierten Räumen Definition: x (ν) x x x (ν) 0, für ν Satz: Die Konvergenz in R n und R n,n ist äquivalent zur komponentenweise
MehrStabilitätsanalyse des Gaußsche Algorithmus Vorlesung vom
Stabilitätsanalyse des Gaußsche Algorithmus Vorlesung vom 26.1.18 Auswirkung von Auswertungsfehlern: Beispiel und Definition der Stabilität. Stabilitätsanalyse in drei verschiedenen Auflösungen. Einfachster
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
MehrStabilitätsanalyse des Gaußsche Algorithmus Vorlesung vom
Stabilitätsanalyse des Gaußsche Algorithmus Vorlesung vom 22.1.16 Auswirkung von Auswertungsfehlern: Beispiel und Definition der Stabilität. Stabilitätsanalyse in drei verschiedenen Auflösungen. Einfachster
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 15.1.16 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus. Achtung: Durchführbarkeit nur bei
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 17114 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus Achtung: Durchführbarkeit nur bei nichtverschwindenden
MehrDer Gaußsche Algorithmus und Varianten Vorlesung vom
Der Gaußsche Algorithmus und Varianten Vorlesung vom 19.1.18 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus. Achtung: Durchführbarkeit nur bei
MehrComputerorientierte Mathematik II
Computerorientierte Mathematik II Vorlesungen: Christoph Wehmeyer, Frank Noé Übungszettel: Christoph Wehmeyer Tutorien: Anna Dittus, Felix Mann, Dominik Otto 1. Anmeldung im KVV und im Campus Management!
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;
Mehr4.2.5 Das Cholesky-Verfahren
S. Ulbrich: Mathematik IV für Elektrotechnik, Mathematik III für Informatik 34 4.2.5 Das Cholesky-Verfahren Für allgemeine invertierbare Matrizen kann das Gauß-Verfahren ohne Pivotsuche zusammenbrechen
MehrMultiplikationen und Divisionen Hauptarbeit des Algorithmus liegt somit in der Berechnung der LR-Zerlegung. (n 1)n(2n 1) 6. = n3 3 n2.
KAPITEL LINEARE GLEICHUNGSSYSTEME 7 Rechenaufwand der LR-Zerlegung: A A : n Divisionen, n 2 Multiplikationen und Additionen A L, R: Also insgesamt n j= j2 + j = n3 3 n 3 Multiplikationen und Divisionen
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
MehrKapitel 1: Fehleranalyse, Kondition, Stabilität
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 1: Fehleranalyse, Kondition, Stabilität Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Bernhard Hanke Universität Augsburg 17.10.2012 Bernhard Hanke 1 / 9 Wir beschreiben den folgenden Algorithmus zur Lösung linearer Gleichungssysteme, das sogenannte Gaußsche
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Matrizen und Vektoren, LGS, Gruppen, Vektorräume 1.1 Multiplikation von Matrizen Gegeben seien die Matrizen A := 1 1 2 0 5 1 8 7 Berechnen Sie alle möglichen
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:
MehrComputer-orientierte Mathematik
Computer-orientierte Mathematik 6. Vorlesung - Christof Schuette 30.11.18 Memo: Relative und Absolute Kondition Relative Kondition der Grundrechenarten: Addition, Multiplikation und Division liefern beruhigende
Mehrbekannt Analog reduzieren wir die Randwerte im 2d-System. Man erhält dann eine Blocktridia-
3.. Jetzt: Eliminiere 1. und 2. wie folgt u 2 + 2u 1 = h 2 f 1 + α }{{} bekannt Nun: Au = b mit A R n,n, b R n, u R n und A hat die Gestalt 2 1 1 2 1 A =......... =: tridiag( 1, 2, 1)...... 1 1 2 Analog
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.
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
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
MehrWiederholung: Kondition (Vorlesung vom )
Wiederholung: Kondition (Vorlesung vom 17.11.17) Relative Kondition der Grundrechenarten: Addition, Multiplikation und Division liefern beruhigende Resultate. Die Subtraktion ist hingegen beliebig schlecht
Mehr1 Fehleranalyse, Kondition, Stabilität
Fehleranalyse, Kondition, Stabilität Fehlerquellen: Modellierungsfehler z.b. Ohmsches Gesetz u = Ri berücksichtigt nicht die Temperaturabhängigkeit des Widerstandes Messfehler z.b. digitaler Temperatursensor
MehrNumerik I. Aufgaben und Lösungen
Universität zu Köln SS 2009 Mathematisches Institut Prof Dr C Tischendorf Dr M Selva, mselva@mathuni-koelnde Numerik I Musterlösung Übungsblatt 4, Kondition (5 Punkte) Aufgaben Lösungen (4 Punkte) Zeigen
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung: Woche vom (Lin.Alg.
Übungsaufgaben 12. Übung: Woche vom 16. 1.-20. 1. 2017 (Lin.Alg. I): Heft Ü 3: 2.1.11; 2.1.8; 2.1.17; 2.2.1; 2.2.3; 1.1.1; 1.1.4; Hinweis 1: 3. Test (Integration, analyt. Geom.) ist seit 9.1. freigeschalten
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R. Käppeli L. Herrmann W. Wu Herbstsemester 2016 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6.1 Berechnen Sie die Determinanten der beiden
MehrEinleitung Grundlagen Einordnung. Normen. Thomas Gerstner. Institut für Mathematik Goethe-Universität Frankfurt am Main
Institut für Mathematik Goethe-Universität Frankfurt am Main Einführungsvortrag Proseminar 25. Januar 2013 Outline 1 Einleitung Motivation Anwendungsbereiche 2 3 Wichtige Outline Einleitung Motivation
MehrWiederholung: Kondition Vorlesung vom
Wiederholung: Kondition Vorlesung vom 13.11.15 Relative Kondition der Grundrechenarten: Addition, Multiplikation und Division liefern beruhigende Resultate. Die Subtraktion ist hingegen beliebig schlecht
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
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 +
Mehr5 Numerische Iterationsverfahren
In diesem Kapitel besprechen wir numerische Iterationsverfahren (insbesondere Fixpunktverfahren) als eine weitere Lösungsmethode zur Lösung von linearen Gleichungssystemen (Kapitel 4) sowie zur Lösung
Mehra ij x j max a ik = x 1 max max a ij x 0. a ij = e k 1 max
2.1 a) Sei x R n fest, aber beliebig gewählt. Sei i 0 {1,...,n} ein Index mit Dann gilt zunächst x i0 = max,...,n x i. x = max x i = x i0 = ( x i0 p) ( ) 1/p 1/p x i p = x p,...,n für alle p 1. Umgekehrt
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
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.
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
Mehr35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
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!)
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
Mehr2 Vektorräume und Gleichungssysteme
2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum 2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum Definition 21 Seien K = (K, +, ) ein Körper, V eine Menge und
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die Konvergenz
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2018 Lineare Algebra und analytische Geometrie II Vorlesung 52 Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die
MehrComputergestützte Mathematik zur Linearen Algebra
Computergestützte Mathematik zur Linearen Algebra Singulärwertzerlegung Achim Schädle Übungsleiter: Lennart Jansen Tutoren: Marina Fischer, Kerstin Ignatzy, Narin Konar Pascal Kuhn, Nils Sänger, Tran Dinh
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
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 2 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Mittsemesterprüfung HS, Typ A Name a a Note Vorname Leginummer Datum 29..2 2 4 6 Total
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
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
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 18.10.2012 Alexander Lytchak 1 / 12 Lineare Gleichungssysteme Wir untersuchen nun allgemeiner Gleichungssysteme der
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr1.4 Stabilität der Gauß-Elimination
KAPIEL 1. LINEARE GLEICHUNGSSYSEME 18 1.4 Stabilität der Gauß-Elimination Bezeichne x die exakte Lösung von Ax = b bzw. ˆx die mit einem (zunächst beliebigen Algorithmus berechnete Näherungslösung (inklusive
MehrNumerische Verfahren
Numerische Verfahren 1. Kapitel: Prof. Dr.-Ing. K. Warendorf Hochschule für Angewandte Wissenschaften München Fakultät 03 WS 13/14 Prof. Dr.-Ing. K. Warendorf (Fakultät 03) Numerische Verfahren WS 13/14
MehrFormelsammlung Numerik
Formelsammlung Numerik Fachbereich Design und Informatik Fachhochschule Trier University of Applied Sciences - 1-1 Grundlagen 1. Festlegungen: x - exakter Wert x - Näherungswert 2. Wahrer Fehler: 3. Absoluter
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
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
Mehr1 Einführung Gleichungen und 2 Unbekannte Gleichungen und 3 Unbekannte... 4
Wirtschaftswissenschaftliches Zentrum 3 Universität Basel Mathematik 2 Dr Thomas Zehrt Lineare Gleichungssysteme Inhaltsverzeichnis Einführung 2 2 Gleichungen und 2 Unbekannte 2 2 3 Gleichungen und 3 Unbekannte
MehrLineare Gleichungssysteme
Kapitel 2 Lineare Gleichungssysteme 21 Lineare Gleichungssysteme und Matrizen Lernziele 2 Lineare Gleichungssysteme definieren Matrizen, Matrizen definieren lineare Abbildungen, Lösen von linearen Gleichungssystemen
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 + x 2 =
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
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix: Beispiel 0 2 3 0 Um die inverse der Matrix A mit Gauß-Jordan-Algorithmus zu bestimmen, wird eine Folge von elementaren Zeilenoperationen durchgeführt.
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
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
MehrComputer-orientierte Mathematik
Computer-orientierte Mathematik 5. Vorlesung - Christof Schuette 25.11.16 Memo: Relative und Absolute Kondition Relative Kondition der Grundrechenarten: Addition, Multiplikation und Division liefern beruhigende
MehrOrthogonale Matrix. Definition 4.19
Orthogonale Matrix Ausgleichsprobleme sind häufig schlecht konditioniert. Matrix des Normalengleichungssystems kann nahezu singulär sein. Spezielle Matrixzerlegung für höhere numerische Stabilität: QR-Zerlegung
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Lineare Gleichungssysteme Das System 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 mn x n = b m heißt lineares Gleichungssystem
MehrLösung Semesterendprüfung
MLAE Mathematik: Lineare Algebra für Ingenieure Herbstsemester Dr. Christoph Kirsch ZHAW Winterthur Lösung Semesterendprüfung Aufgabe : a Mit dem Distributivgesetz multiplizieren wir aus: und lösen nach
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
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
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,
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
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrHauptsatz der Zahlentheorie.
Hauptsatz der Zahlentheorie. Satz: Jede natürliche Zahl n N läßt sich als Produkt von Primzahlpotenzen schreiben, n = p r 1 1 p r 2 2... p r k k, wobei p j Primzahl und r j N 0 für 1 j k. Beweis: durch
MehrHM II Tutorium 1. Lucas Kunz. 24. April 2018
HM II Tutorium 1 Lucas Kunz 24. April 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Körper...................................... 2 1.2 Gruppen..................................... 2 1.3 Vektorraum...................................
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
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
Mehrbzw. eine obere Dreiecksmatrix die Gestalt (U: upper)
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper) U = u 11 u 12 u 1n 1 u nn 0 u 22 u 2n 1 u 2n 0......... 0 0 u n 1n 1 u n 1n 0 0 0 u nn Eine nicht notwendig quadratische Matrix A = (a ij ) heißt obere
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrixgleichungen Eine lineare Gleichung mit einer Variablen x hat bei Zahlen a, b, x die Form ax = b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0, kann eindeutig
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrSeminar: Integralgleichungen (WS 06/07)
Seminar: Integralgleichungen (WS 06/07) Numerische Behandlung der Fredholmschen Integralgleichung - Teil 1 Melanie Seifried Erik Ivar Fredholm (1866-1927) Schwedischer Mathematiker, der große Beiträge
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 207/8 2 Matrixalgebra / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrMatrixalgebra. Kapitel 2. Ein sehr einfaches Leontief-Modell. Matrix. Ein sehr einfaches Leontief-Modell. Vektor. Spezielle Matrizen I
Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS Kapitel 2 Matrixalgebra Technologiematrix und wöchentliche Nachfrage (in Werteinheiten):
Mehr