Lineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
|
|
- Heidi Huber
- vor 7 Jahren
- Abrufe
Transkript
1 Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a) = n Frage: Was ist ein vernünftiger Lösungsbegriff? Grundlagen der Numerik 153
2 Gaußsche Methode der kleinsten Fehlerquadrate Beispiel: Eine typische Problemstellung Geg.: m Meßpunkte: (t i, b i ) R 2, i = 1,..., m Annahme: Messungen liegt Gesetzmäßigkeit der Gestalt b(t) = ϕ(t; x 1,..., x n ) mit einer Modellfunktion ϕ und n unbekannten Parametern x i zugrunde. Um unvermeidliche Meßfehler auszugleichen, wird m > n gewählt. ( mehr Messungen als Parameter!) Grundlagen der Numerik 154
3 Gaußsche Methode der kleinsten Fehlerquadrate Folgerung: Das Gleichungssystem b i := b(t i ) = ϕ(t i ; x 1,..., x n ), i = 1,..., m, (LAP1) ist dann überbestimmt und wird i.allg. keine Lösung besitzen. Allgemeines Ausgleichsproblem: Minimierung der Fehlerquadratsumme m i=1 (b i ϕ(t i ; x 1,..., x n )) 2 min x 1,...,x n (LAP2) Grundlagen der Numerik 155
4 Gaußsche Methode der kleinsten Fehlerquadrate Spezialfall: Modellfunktion ϕ ist linear in den Komponenten von x = (x 1,..., x n ) T : ϕ(t; x 1,..., x n ) = a 1 (t)x 1 + a 2 (t)x a n (t)x n mit bekannten Funktionen a 1 (t),..., a n (t). Damit a 1 (t 1 )x 1 + a 2 (t 1 )x a n (t 1 )x n = b 1 a 1 (t 2 )x 1 + a 2 (t 2 )x a n (t 2 )x n = b 2. a 1 (t m )x 1 + a 2 (t m )x a n (t m )x n = b m Grundlagen der Numerik 156
5 Gaußsche Methode der kleinsten Fehlerquadrate oder kurz Ax = b, A R m,n, a ij = a j (t i ), b R m Lineares Ausgleichsproblem (LAP): Gegeben A R m,n und b R m mit m n. Finde x R n derart, dass Ax b 2 min x R n (LAP 3) Grundlagen der Numerik 157
6 Gaußsche Methode der kleinsten Fehlerquadrate Bemerkungen: 1. (LAP3) heißt auch lineares Quadratmittelproblem (engl. linear least squares problem) und wird kurz mit Ax = b geschrieben. 2. Die Auswahl der Quadrate bei der Minimierung stammt von Gauß aufgrund wahrscheinlichkeitstheoretischer Überlegungen. Von Gauß stammt auch die im folgenden beschriebene Methode, die er 1821 für die Berechnung der Bahn des Planetoiden Ceres entwickelt hat. 3. Ersetzt man die Euklidische Norm durch die Maximumnorm, so erhält man das Problem der sogenannten Tschebyscheffschen Ausgleichsrechnung. Grundlagen der Numerik 158
7 Gaußsche Methode der kleinsten Fehlerquadrate Beispiel: Ohmsches Gesetz: U = IR, U Spannung, I Stromstärke, R Ohmscher Widerstand. Vorgehen: Durch mehrere Messungen von I und U soll R bestimmt werden. Mit U i := U(I i ) = ϕ(i i ; R) = I i R, i = 1,..., m, berechnet sich R aus m i=1 (U i I i R) 2 min R R Grundlagen der Numerik 159
8 Gaußsche Methode der kleinsten Fehlerquadrate Interpretation: Gerade durch den Nullpunkt legen, die dem Verlauf der Messungen möglichst nahekommt. U I 1 I 2 I 3 I 4 I Grundlagen der Numerik 160
9 Normalgleichungen SATZ: Sei A R m,n, b R m, m n. Dann gilt 1. ξ R n ist genau dann eine Lösung von (LAP3), wenn ξ den sogenannten Normalgleichungen A T Aξ = A T b (LAP4) genügt. 2. (LAP3) besitzt genau dann eine eindeutige Lösung, wenn die Matrix A Vollrang besitzt, d.h. rg A = n. 3. Unter allen Lösungen von (LAP3) gibt es genau eine mit minimaler Euklidischer Norm. Grundlagen der Numerik 161
10 Normalgleichungen Bemerkung: Geometrisch besagen die Normalgleichungen gerade, daß Ax b eine Normale auf R(A) R m (R(A) - Bildraum von A) ist. Es gilt nämlich für alle w R n : Ax b, Aw = A T (Ax b), w = 0. R m b Ax Ax b R(A) Grundlagen der Numerik 162
11 Numerische Lösung der Normalgleichungen Voraussetzung: LAP eindeutig lösbar, d.h. rg(a) = n. Beobachtung: Normalgleichungsmatrix G = A T A ist symmetrisch und positiv definit: 1. G T = (A T A) T = A T A = G 2. x T Gx = x T A T Ax = (Ax) T (Ax) 0 x R n, 3. x T Gx = 0 Ax = 0 x = 0 (rg(a) = n) Zur Lösung der Normalgleichungen bietet sich daher das Cholesky-Verfahren an. Grundlagen der Numerik 163
12 Numerische Lösung der Normalgleichungen Cholesky-Faktorisierung zur Lösung der Normalgleichungen: S1: G = A T A, h = A T b (Normalgleichungen Gx = h) S2: G = LL T (Cholesky-Faktorisierung) S3: Lc = h, L T x = c (Vor /Rückwärtseinsetzen) Aufwand: 1 2 n2 m opms für G = A T A (Symmetrie!) 1 6 n3 opms für G = LL T Grundlagen der Numerik 164
13 Numerische Lösung der Normalgleichungen Beobachtung: Die Anwendung des Normalgleichungsverfahrens mittels Cholesky-Faktorisierung wird beeinträchtigt durch z.t. schlechte Stabilität. Ursachen: 1. Berechnung der Skalarprodukte bei Matrizenmultiplikation 2. Schlechte Kondition von A T A. Die Matrix A T A ist i.allg. wesentlich schlechter konditioniert als A. Da bei praktischen Problemen der Ausgleichsrechnung i.allg. schon A sehr schlecht konditioniert ist, kann diese weitere Verschlechterung nicht ohne weiteres hingenommen werden. Frage: Gibt es Verfahren, die diese Nachteile nicht besitzen? Grundlagen der Numerik 165
14 Orthogonalisierungsverfahren Wiederholung: Q R m,m orthogonal: Q T Q = QQ T = I. Wichtige Eigenschaften: 1. Q 2 = λ max (Q T Q) = λ max (I) = 1 2. Qx 2 2 = xt Q T Qx = x T x = x 2 2 Norminvarianz orthogonaler Transformationen. Wichtigste Verfahrensklasse zur Lösung von Quadratmittelproblemen beruht auf einer QR-Faktorisierung von A. Grundlagen der Numerik 166
15 Orthogonalisierungsverfahren DEF.: Sei A R m,n mit m n. Exstieren eine orthogonale Matrix Q R m,m und eine Matrix R = R 1 R m,n, 0 wobei R 1 R n,n eine obere Dreiecksmatrix ist, so daß A = QR gilt, so nennt man diese Darstellung A = QR eine QR- Faktorisierung von A. Bemerkung: QR-Faktorisierung besitzt große praktische Bedeutung wegen ihrer sehr guten Stabilitätseigenschaften. Grundlagen der Numerik 167
16 Orthogonalisierungsverfahren Annahme: Die Matrix A R m,n, m n, sei mit einer orthogonalen Matrix Q R m,m auf Dreiecksgestalt.... R 1 Q T A = = 0 0 mit oberer Dreiecksmatrix R 1 gebracht. Als Alternative zur Lösung der Normalgleichungen kann dann die Lösung des LAP wie folgt bestimmt werden: Grundlagen der Numerik 168
17 Orthogonalisierungsverfahren Ax b 2 2 = (Ax b)t (Ax b) = (Ax b) T QQ T (Ax b) = [Q T (Ax b)] T [Q T (Ax b)] = Q T (Ax b) 2 2 = ( R1 x b 1 b 2 = R 1 x b b ) 2 Die zweite Norm hängt nicht von x ab. Das Minimum wird also genau dann angenommen, wenn die erste Norm minimal wird. Wegen rg(r 1 ) = rg(a) = n ist R 1 invertierbar und damit wird die erste Norm für x = R 1 1 b Null. Die zweite Norm verschwindet i.allg. nicht, es gilt also Ax b 2 = b Grundlagen der Numerik 169
18 Orthogonalisierungsverfahren SATZ: Sei A R m,n, m n, rg(a) = n, b R m. Sei Q R m,m eine orthogonale Matrix mit Q T A = R = R 1 und Q T b = 0 b 1, mit b 1 R n, b 2 R m n und R 1 R n,n eine obere (invertierbare) Dreiecksmatrix. Dann ist die Lösung des LAP gegeben durch b 2 x = R 1 1 b 1. Grundlagen der Numerik 170
19 Householder-Orthogonalisierung Frage: Wie findet man die QR Zerlegung? Dazu werden vor allem zwei Methoden genutzt die Householder Orthogonalisierung und die Givens Faktorisierung. Hier: Householder Orthogonalisierung Jetzt: Orthogonale Matrix Q als Produkt elementarer orthogonaler Transformationsmatrizen (Householder-Matrizen) konstruieren. Q = Q 1 Q 2 Q p Grundlagen der Numerik 171
20 Householder-Orthogonalisierung DEF.: Eine Matrix Q R m,m der Gestalt bzw. Q = I 2 vvt v T v, v Rm, v 0 Q = I 2ww T, w R m mit w 2 = 1 heißt Householder-Matrix (Householder-Spiegelung). Grundlagen der Numerik 172
21 Householder-Orthogonalisierung Eigenschaften: 1. Q T = I 2(vv T ) T / v 2 2 QT = Q, d.h. Q ist symmetrisch. 2. Q T Q = Q 2 = (I 2ww T )(I 2ww T ) = I 4ww T + 4w(w T w)w T = I, d.h., Q ist orthogonal und involutorisch (Q 2 = I). DEF.: Die Signum Funktion ist wie folgt definiert: sign(x) = { 1, x 0 1, x < 0. Grundlagen der Numerik 173
22 Householder-Orthogonalisierung LEMMA: Sei x = (x 1,..., x m ) T R m \ {0}, v := x ρe 1 mit ρ = sign(x 1 ) x 2. Dann ist durch Q = I 2 vvt v T v = I vvt γ mit γ = vt v 2 eine Householdermatrix gegeben mit Qx = ρe 1 = (ρ, 0,..., 0) T, d.h., der Vektor x wird auf ein Vielfaches des ersten Einheitsvektors transformiert. Grundlagen der Numerik 174
23 Householder-Orthogonalisierung Ziel: Analog zu Gauß Verfahren A schrittweise (spaltenweise) auf obere Dreiecksgestalt bringen. Bezeichnung: A (1) := A, a (1) k k-te Spalte von A(1) Voraussetzung: rg(a) = n a (1) 1 0 Grundlagen der Numerik 175
24 Householder-Orthogonalisierung 1. Schritt: Transformation der ersten Spalte a (1) 1 von A (1) in ein Vielfaches von e 1. Mit v (1) = a (1) 1 ρ (1) e 1 ρ (1) = sign(a (1) 11 ) a(1) 1 2 γ (1) = v(1)t v (1) 2 und Q 1 = I v(1) v (1)T γ (1) erhalten wir Grundlagen der Numerik 176
25 Householder-Orthogonalisierung A (2) = Q 1 A (1) = a (2) 11 a (2) 12 a (2) 1n 0 a (2) 22 a (2) 2n... 0 a (2) m2 a (2) mn mit a (2) 11 = ρ(1). Die Spalten a (2) j, j = 2,..., n, von A(2) ergeben sich nach a (2) j = Q 1 a (1) j = (I v(1) v (1)T )a (1) γ (1) j =: a (1) j β (1) j v(1) Beachte: Q 1 wird nicht explizit gebildet, es wird nur mit v (1) gearbeitet. Grundlagen der Numerik 177
26 2. Schritt: Die Restmatrix a (2) 22 a (2) 2n.. a (2) m2 a (2) mn wird jetzt analog weitertransformiert. Festlegung: v (2) 1 = 0, wobei v (2) = (v (2) 1,..., v(2) m )T. Dann ändert die Anwendung von Q 2 = I v(2) v (2)T γ (2) auf A (2) die erste Zeile und Spalte nicht mehr. Grundlagen der Numerik 178
27 Householder-Orthogonalisierung Nach dem k-ten Schritt ist die Ausgangsmatrix A bis auf eine Restmatrix T (k+1) R m k,n k auf obere Dreiecksgestalt gebracht: A (k+1) = T (k+1) 0 Der Gesamtprozeß für k = 1, 2,..., p = min(m 1, n) wird als Householder-Faktorisierung von A bezeichnet. Grundlagen der Numerik 179
28 Householder-Orthogonalisierung Damit gilt Mit R = A (p+1) = Q p A (p) = Q p Q p 1 Q 2 Q 1 A. Q T = Q p Q p 1 Q 2 Q 1 bzw Q = Q 1 Q 2 Q p 1 Q p erhalten wir unsere angestrebte Faktorisierung A = QR. Grundlagen der Numerik 180
29 Householder-Orthogonalisierung Zusammenfassung: Lösung eines LAP mittels Householder Faktorisierung 1. A = QR, QR-Zerlegung mit Householder-Spiegelungen 2. Transformation von b: Q T b = (b 1, b 2 ) T mit b 1 R n, b 2 R m n 3. Auflösung des gestaffelten Systems R 1 x = b 1 Grundlagen der Numerik 181
30 Householder-Orthogonalisierung Aufwand: n 2 m opms falls m n 2 3 n3 opms falls m n Vergleich mit Cholesky-Verfahren für A T Ax = A T b n 2 m/2 opms falls m n 2 3 n3 opms falls m n Für m n ist Aufwand vergleichbar, für m n bei Householder ungefähr doppelter Aufwand, dafür aber Stabilitätsvorteile. Grundlagen der Numerik 182
Gaußsche Ausgleichsrechnung
Kapitel 6 Gaußsche Ausgleichsrechnung 6. Gaußsche Methode der kleinsten Fehlerquadrate Die Gaußsche Methode der kleinsten Fehlerquadrate wurde 89 von C.F. Gauß in dem Aufsatz Theorie der Bewegung der Himmelkörper
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
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,
Mehrd) Produkte orthogonaler Matrizen sind wieder orthogonal.
Die orthogonale Matrizen Definition: Eine Matrix Q R n n heißt orthogonal, falls QQ T = Q T Q = I gilt. Die Eigenschaften orthogonaler Matrizen: a) det(q) = ±1; b) Qx 2 = x 2 für alle x R n, also Q 2 =
MehrKapitel 2: Lineare Gleichungssysteme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 2: Lineare Gleichungssysteme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 205 HM: Numerik (SS 205), Kapitel
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)
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
MehrNumerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 03.06.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren Lineare Ausgleichsprobleme
MehrAusgleichsrechnung: Methode der kleinsten Quadrate
kleinsten Quadrate Historische Bemerkung In der Neujahrsnacht 1801 entdeckte Giuseppe Piazzi den Zwergplaneten Ceres in der Lücke zwischen Mars und Jupiter. Allerdings verlor man Ceres danach wieder aus
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
Mehr2 Lineare Gleichungssysteme
Höhere Ableitungen Interpolationsbedingungen d k Φ dx k (x j) = y (k) j, ( j =,,..., n; k =,,..., c j ) bestimmen das Hermite Interpolationspolynom Φ Π r mit r + = n ( + c j ). j= 2 Lineare Gleichungssysteme
MehrLineare Algebra. 10. Übungsstunde. Steven Battilana.
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch November 3, 26 Erinnerung Gram-Schmidt Verfahren Sei V ein euklidischer/unitärer Vektorraum mit dim(v ) n < Gegeben: W span{v,...,
MehrNichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
Mehr4 Lineare Ausgleichsrechnung
Numerik I 15 4 Lineare Ausgleichsrechnung Die folgende Tabelle zeigt die Bevölkerungsentwicklung in den U.S.A. 19 191 192 193 194 75.995 91.972 15.711 123.23 131.669 195 196 197 198 199 15.697 179.323
MehrQR Zerlegung mit Householder Transformationen. Numerische Mathematik1 WS 2011/12
QR Zerlegung mit Householder Transformationen Numerische Mathematik1 WS 0/1 Orthogonales Eliminieren /33 Sei x R n ein Vektor x = 0. Ziel: Ein orthogonales H R n;n bestimmen, sodass Hx = kxke 1 ; ein Vielfaches
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
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
MehrLineare Ausgleichsproblems
Lineare Ausgleichsproblems Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Department of Mathematics Lineare Ausgleichsproblems p. /7 Lineare Ausgleichsprobleme In (fast) allen Wissenschaftsbereichen
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
MehrLINEARE AUSGLEICHSPROBLEME
5 LINEARE AUSGLEICHSPROBLEME Beispiel 51 Bestiung eines unbekannten Widerstands x aus Messungen für die Strostärke t und die Spannung b Angenoen,esliegen Messungen (b i,t i, i =1,,,it 1, t b x Abb 51:
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
Mehr2 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
Mehr5 Lineare Ausgleichsrechnung
Numerische Mathematik 195 5 Lineare Ausgleichsrechnung 5.1 Die Normalgleichungen Das lineare Ausgleichsproblem (Kleinste-Quadrate-Problem): Gegeben sind A R m n und b R m. Gesucht ist ein Vektor x R n
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
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
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
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
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
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
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
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
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
Mehr6. Groÿübung. 1 QR-Zerlegung. 2 Givens-Rotationen. Grundaufgabe
6. Groÿüung 1 QR-Zerlegung Als QR-Zerlegung wird die Zerlegung A QR der Matrix A R m n in die rechte oere Dreiecksmatrix R R m n und die orthogonale Matrix Q R m m ezeichnet. Die Lösung des Gleichungssystems
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
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.
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
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
Mehr7. Großübung. Ax =QRx = b Rx =Q 1 b = Q T b. Wir behandeln im Folgenden zwei Verfahren zur Erzeugung der QR-Zerlegung:
7. Großüung 1 QR-Zerlegung Als QR-Zerlegung wird die Zerlegung A QR der Matrix A R m n in die rechte oere Dreiecksmatrix R R m n und die orthogonale Matrix Q R m m ezeichnet. Die Lösung des Gleichungssystems
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
Mehr3 Lineare Gleichungssysteme
Lineare Gleichungssysteme Wir wissen bereits, dass ein lineares Gleichungssystem genau dann eindeutig lösbar ist, wenn die zugehörige Matrix regulär ist. In diesem Kapitel lernen wir unterschiedliche Verfahren
Mehr6.1 Motivation: Gauss sche Methode der kleinsten Quadrate
6 Ausgleichsrechnung Bisher untersuchten wir Verfahren für Lösung linearer Gleichungssteme Ax b mit quadratischer Matrix A In vielen Anwendungen tritt das Problem auf, lineare Gleichungssysteme zu lösen,
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
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
MehrLernbuch Lineare Algebra und Analytische Geometrie, 2. Auflage 2012
Lernbuch Lineare Algebra und Analytische Geometrie, 2 Auflage 22 Korrekturen 8 statt y M lies y N 2 statt m + n = m +(n )=m +(n ) lies m + n = m +(n ) 2 statt #P(M) lies #P (M) 4 7 statt Beispiel c) lies
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:
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8
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
MehrLineare Ausgleichsprobleme
Kapitel Lineare Ausgleichsprobleme Einführung Bemerkung Aufgabenstellung, Motivation Bei linearen Ausgleichsproblemen handeltes sichebenfalls um Bestapproximations Probleme Allerdingsist hier keine Funktion
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der
MehrLineare Abbildungen. Heinrich Voss. Hamburg University of Technology Department of Mathematics. Lineare Abbildungen p.
Lineare Abbildungen Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Department of Mathematics Lineare Abbildungen p. /95 Basiswechsel Es seien V, W endlichdimensionale Vektorräume und
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
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
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 9. Aufgabe 9.1. Herbstsemester Dr. V. Gradinaru D. Devaud A.
Dr V Gradinaru D Devaud A Hiltebrand Herbstsemester 2014 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 9 Aufgabe 91 91a) Sei A eine n n-matrix Das Gleichungssystem Ax
Mehr1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................
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
Mehr5 Lineare Ausgleichsrechnung
Numerik 199 5 Lineare Ausgleichsrechnung 5.1 Die Normalgleichungen 5.2 Singulärwertzerlegung 5.3 Pseudoinverse 5.4 Orthogonale Matrizen und QR-Zerlegung 5.5 Kondition des Ausgleichsproblems 5.6 Ausgleichspolynome
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 12 8. Juni 2010 Kapitel 10. Lineare Gleichungssysteme (Fortsetzung) Umformung auf obere Dreiecksgestalt Determinantenberechnung mit dem Gauß-Verfahren
MehrÜber- und unterbestimmte Systeme
Über- und unterbestimmte Systeme Über- und unterbestimmte Systeme (verallgemeinerte Lösungen) Ax = b ist genau dann für alle b R m eindeutig lösbar, wenn m = n und rk A = n. Falls m n oder rk A < min{m,
MehrLinear Systems and Least Squares
Linear Systems and Least Squares Vortragender: Gelin Jiofack Nguedong Betreuer: Prof. Dr. Joachim Weickert Proseminar: Matrixmethoden in Datenanalyse und Mustererkennung Wintersemester 2015/2016 18. November
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
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
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.
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
MehrDiplom VP Informatik / Numerik 2. September 2002
Diplom VP Informatik / Numerik. September 00 Aufgabe Gegeben sei das lineare Gleichungssystem A x = b mit 0 4 0 0 0 0 A = 4 0 0 0 0 0 0 0 0 und b = 4 4 8 5. Punkte a Berechnen Sie die Cholesky Zerlegung
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 204 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
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
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
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
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
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
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
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
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.
MehrKapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation;
Kapitel 1 Matrizen und lineare Gleichungssysteme 11 Matrizenkalkül (Vektorraum M(n,m; Matrixmultiplikation; Transposition; Spalten- und Zeilenvektoren Matrizen sind im Prinzip schon bei der schematischen
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
Mehr36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
Mehra ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y 1 = a 11 x 1 + a 12 x 2 + a 13 x3 y 2 = a 21 x 1 + a 22 x 2 + a 23 x3... Koeffizienten a ij i - te Gleichung
Mehr4. Großübung. Lösung linearer Gleichungssysteme
4. Großübung Lösung linearer Gleichungssysteme Gesucht x, x, x 3, x 4 R, sodass gilt. mit A R 4 4, x R 4, b R 4 x x + 3x 3 + x 4 = 5 6x 3x 7x x 4 = 5 4x + 4x + 5x 3 5x 4 = 3 8x + x + x 3 + x 4 = 8 3 x
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
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.
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
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.
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
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
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):
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
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
MehrCramersche Regel. Satz 2.26
ramersche Regel Satz 6 Es sei A R n n eine quadratische Matrix mit det(a) 6= Für das LGS Ax = b sei A j := (a,,a j, b, a j+,,a n ), also die Matrix, die entsteht, wenn in A die j-te Spalte durch den Vektor
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 11 1. Juni 2010 Rechenregeln für Determinanten Satz 62. (Determinanten von Dreiecksmatrizen) Es sei A eine obere oder untere n n-dreiecksmatrix.
Mehrm 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x
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;
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
Mehr