Interpolationsproblem. Interpolation. Interpolationsproblem. Interpolationsproblem. Gegeben seien eine Funktion. Φ (x; a 1,...
|
|
- Krista Kästner
- vor 7 Jahren
- Abrufe
Transkript
1 sproblem Heinrich Voss Hamburg University of Technology Institute for Numerical Simulation Gegeben seien eine Funktion Φ (x; a 1,..., a n ) : R I R, die auf einem Intervall I erklärt ist und von n Parametern a 1,..., a n abhängt, paarweise verschiedene Knoten (oder Stützstellen) x 1,..., x m I, m Vielfachheiten r 1,..., r m N mit r i = n und Werte y ij R, i = 1,..., m, j = 0,..., r i 1. i=1 Bestimme die Parameter a 1,..., a n so, dass die sbedingungen erfüllt sind: Φ (j) (x i ; a 1,..., a n ) = y ij, i = 1,..., m, j = 0,..., r i 1. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 sproblem sproblem Ist Φ linear in den Parametern a i, d.h. Φ (x; a 1,..., a n ) = so heißt das sproblem linear. n a i φ i (x), i=1 1. Polynominterpolation Φ (x; a 0,..., a n ) = n a j x j j=0 Gilt r j = 1 für alle j, so spricht man von Lagrange, andernfalls von Hermite. Bemerkung: Bei der Lagrange werden nur Funktionswerte, aber keine Ableitungen vorgeschrieben. Man beachte, dass bei der Hermite alle Ableitungen der Ordnung 0,..., r i 1 vorgeschrieben werden. Lässt man Lücken bei den vorgeschriebenen Ableitungen zu, so spricht man von einem Hermite Birkhoff sproblem. 2. trigonometrische n Φ (x; a 0,..., a 2n ) = a 0 + (a 2j 1 sin(jx) + a 2j cos(jx)) j=1 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
2 sproblem sproblem 3. rationale 4. Spline Φ (x; a 0,..., a n, b 0,... b p ) = Φ (x; a 1,..., a n ) = n i=0 a ix i p j=0 b jx j. n a i φ i (x), wobei die φ i auf Teilintervallen von I mit Polynomen übereinstimmen. i=1 Wir werden uns nur mit der Polynominterpolation und der mit Splines beschäftigen. Die trigonometrische und die rationale werden ausführlich in den Büchern von Braess, Stoer und Schwarz behandelt. Man benötigt die zur 1 Bestimmung von Zwischenwerten aus Funktionstafeln (was seit der Verbreitung von elektronischen Taschenrechnern an Bedeutung verloren hat), 2 Herleitung von Formeln zur numerischen Integration, 3 Konvergenzbeschleunigung durch Extrapolation, 4 Numerische Behandlung von gewöhnlichen Differentialgleichungen. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Polynominterpolation Wir betrachten in diesem Abschnitt die mit Polynomen. Dabei behandeln wir vor allem das Lagrangesche sproblem. Gegeben seien n + 1 verschiedene Knoten x j R, j = 0,..., n, und n + 1 nicht notwendig verschiedene Werte y j R. Gesucht ist ein Polynom p vom Höchstgrade n, so dass gilt p(x j ) = y j für j = 0,..., n. Lagrangesche sformel Satz 2.4 [Existenz und Eindeutigkeit] Zu beliebigen n + 1 Daten (x j, y j ) R 2, j = 0,..., n, mit x j x k für j k gibt es genau ein Polynom p Π n mit p(x j ) = y j, j = 0,..., n. (1) Die Beweise werden zeigen, dass die Existenz- und Eindeutigkeitsresultate und die Algorithmen zur Berechnung des spolynoms ohne Änderungen für komplexe Knoten x j und komplexe Daten y j richtig bleiben. Nur die Fehlerabschätzungen beziehen sich auschließlich auf reelle Probleme. Beweis Eindeutigkeit: Angenommen es gibt zwei Polynome p 1, p 2 Π n mit p k (x j ) = y j, j = 0,..., n, k = 1, 2. Dann besitzt das Polynom p := p 1 p 2 Π n die n + 1 Nullstellen x 0,..., x n, und daher folgt aus dem Fundamentalsatz der Algebra p 0. Wir bezeichnen mit Π n die Menge der Polynome von Höchstgrad n (mit reellen oder komplexen Koeffizienten). Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
3 Lagrangesche sformel Existenz: Die Existenz zeigen wir konstruktiv. Es sei / n n l j (x) = (x x i ) (x j x i ), j = 0,..., n. (2) i=0 i j i=0 i j Lagrangesche sformel spolynom: (0,1), (1, 0.5), (2,0), (3, 0.5), (4,0) Dann gilt l j Π n und l j (x k ) = δ jk für j, k = 0,..., n, und daher erfüllt 0.5 p(x) := n y j l j (x) Π n (3) j=0 0 die sbedingungen (1). Definition Die Darstellung (2), (3) des spolynoms heißt Lagrangesche sformel Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Lagrangesche sformel Software 1.2 Basisfunktionen Lagrange : (0,1), (1, 0.5), (2,0), (3, 0.5), (4,0) l 0 l l 1 l 2 l 3 MATLAB stellt die Funktionen p=polyfit(x,y,n) zur Verfügung, durch die die Koeffizienten p des Ausgleichspolynoms vom Grad n zu den Daten (x, y) bestimmt werden. 0.4 Ist dim x = n + 1, so erhält man das spolynom Mit y=polyval(p,x) kann man das Polynom dann an der Stelle x (oder den Stellen x(j), falls x ein Vektor ist) auswerten Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
4 Newtonsche sformel Wir werden nun eine Form des spolynoms herleiten, bei der 1.5n(n + 1) flops zur Vorbereitung benötigt werden, die Auswertung an einer festen Stelle dann aber nur noch 3n flops erfordert. Wir behandeln dazu zunächst die folgende Frage: Das Polynom p n (x) Π n interpoliere die Daten (x j, y j ) R 2, j = 0,..., n. Wir nehmen ein weiteres Zahlenpaar (x n+1, y n+1 ) R 2, x n+1 x j, j = 0,..., n, hinzu. Kann man dann das spolynom p n+1 (x) Π n+1 zu den Daten (x j, y j ), j = 0,..., n + 1, schreiben als p n+1 (x) = p n (x) + f (x) Newtonsche sformel Wegen p n (x) Π n, p n+1 (x) Π n+1 gilt f (x) = p n+1 (x) p n (x) Π n+1, und wegen y j = p n+1 (x j ) = p n (x j ) + f (x j ) = y j + f (x j ), j = 0,..., n, gilt f (x j ) = 0, j = 0,..., n. Daher hat f (x) mit einem a R die Gestalt n f (x) = a (x x j ). j=0 a kann man aus der sbedingung y n+1 = p n+1 (x n+1 ) = p n (x n+1 ) + a n (x n+1 x j ) j=0 mit einer leicht berechenbaren Funktion f (x)? ermitteln: a = y n+1 p n (x n+1 ) (x n+1 x 0 ) (x n+1 x n ). Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Satz 2.10 (Aitken Lemma) Rekursionsformel Es sei zu (x j, y j ) R 2, j = 0,..., n, x i x j für i j, das spolynom gesucht. Seien p [0] Π n 1 durch die sbedingungen p [0] (x j ) = y j, j = 0,..., n 1, festgelegt, und sei p [n] Π n 1 definiert durch p [n] (x j ) = y j, j = 1,..., n. Dann gilt p(x) = p [0](x)(x x n ) p [n] (x)(x x 0 ) x 0 x n. Für 0 i j n sei nun p ij Π j i das spolynom, das p ij (x k ) = y k, k = i,..., j, erfüllt. Dann folgt aus dem Aitken Lemma, dass die p ij rekursiv berechnet werden können durch p ij (x) = p i,j 1(x)(x x j ) p i+1,j (x)(x x i ) x i x j (4) = p i+1,j (x) + (p i+1,j (x) p i,j 1 (x)) x x j x j x i Beweis Das angegebene Polynom erfüllt offenbar die sbedingungen p(x j ) = y j, j = 0,..., n. Diese Rekursionsformel kann verwendet werden, um den Wert des spolynoms an einer festen Stelle x (nicht das Polynom selbst) zu berechnen: Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
5 Algorithmus von Neville und Aitken for j = 0 : n do t(j) = y(j); xj = x - x(j); if j > 0 then for i = j-1 : -1 : 0 do t(i) = t(i+1) + (t(i+1) - t(i))*xj /(x(j) - x(i)); end for end if end for p = t(0) Bemerkung Mit dem Algorithmus von Neville und Aitken wird das linke Tableau aufgestellt, das die Werte P ij der interpolierenden Polynome p ij an der festen Stelle x enthält. Das rechte Tableau enthält die Reihenfolge, in der die P ij berechnet werden. x 0 y 0 = P 00 x 1 y 1 = P 11 x 2 y 2 = P 22 x 3 y 3 = P 33 x 4 y 4 = P 44 P 01 P 12 P 23 P 34 P 02 P P P P P 04 = p(x) Zur Auswertung des spolynoms p an einer festen Stelle benötigt man mit dem Algorithmus von Neville und Aitken offenbar 5 2 n2 + O(n) flops. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Bemerkung Newtonsche sformel Natürlich erhält man für jede Anordnung der Knoten x i (bei rundungsfehlerfreier Rechnung) dasselbe spolynom p n (x). Will man p n (x) nur an einer Stelle x (oder in deren Nähe ) auswerten, so kann man den Rundungsfehlereinfluss klein halten, indem man die Knoten so numeriert, dass gilt x x i x x i+1, i = 0,..., n 1. Die folgende Rekursionsformel wurde hergeleitet p 0n (x) = p 1,n(x)(x x 0 ) p 0,n 1 (x)(x x n ) x n x 0, wobei p 0,n 1 bzw. p 1,n die Daten (x 0, y 0 ),..., (x n 1, y n 1 ) bzw. (x 1, y 1 ),..., (x n, y n ) interpoliert. Da a der Koeffizient bei der hoechsten Potenz x n in p 0n ist, folgt Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
6 Satz 2.13 Newtonsche sformel Das spolynom p Π n aus hat die Gestalt p(x) = j 1 n [x 0,..., x j ] (x x k ), j=0 wobei die dividierten Differenzen [x 0,..., x j ] rekursiv definiert sind durch [x j ] := y j, k=0 [x k,..., x j ] := [x k+1,..., x j ] [x k,..., x j 1 ] x j x k, j > k 0. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Dividierte Differenzen Die dividierten Differenzen c j := [x 0,..., x j ] kann man mit folgendem Algorithmus aus den Wertepaaren (x j, y j ) berechnen: for k = 0 : n do t(k) = y(k); if k > 0 then for i = k-1 : -1 : 0 do t(i) = (t(i+1) - t(i)) / (x(k) - x(i)); end for end if c(k) = t(0); end for Danach kann man das spolynom an jeder gewünschten Stelle x0 mit einem Horner-ähnlichen Schema auswerten: p = c(n); for i = n-1 : -1 : 0 do p = p * (x0 - x(i)) + c(i); end for Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Aufwand Fehlerbetrachtung Man benötigt (wie für die Berechnung der Stützkoeffizienten bei der Lagrangeschen sformel) 3 2 n (n + 1) flops zur Berechnung aller c j, zur Auswertung von p an einer festen Stelle ˆx zusätzlich 3n flops. Die Newtonsche sformel liefert also die effizienteste Methode zur Auswertung des spolynoms. Selbst wenn man nur an einem Funktionswert interessiert ist, ist der Aufwand geringer als mit dem Algorithmus von Neville und Aitken. Wegen seiner einfachen Gestalt wird der Algorithmus von Neville und Aitken dennoch in der Praxis verwendet. Wir behandeln nun die Frage, wie gut eine gegebene, auf einem reellen Intervall definierte Funktion f durch das spolynom zu vorgegebenen Knoten x i in I approximiert wird (es sei also y i = f (x i )). Beispiel 2.20 Gegeben sei auf dem Intervall I = [ 1, 1] f (x) = sin πx und p 8 (x) Π 8, das spolynom zu den Knoten x i = 1 + i 0.25, i = 0,..., 8. Dann erhält man die Fehlerkurve der folgenden Abbildung. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
7 Fehlerkurve Fehlerbetrachtung x Das spolynom liefert also am Rande des Intervalls eine ziemlich schlechte Approximation für f, obwohl f sehr gutartig ist (beliebig oft differenzierbar). 0 Das gezeichnete Verhalten ist typisch für die Polynominterpolation mit äquidistanten Knoten bei größerem n. 0.5 Eine gewisse Erklärung hierfür gibt der folgende Satz Fehlerkurve (äquidistante Knoten) Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Satz 2.21 Sei f C n+1 [a, b], seien x j [a, b], j = 0,..., n, paarweise verschiedene Knoten, und sei p Π n das durch p(x j ) = f (x j ), j = 0,..., n, bestimmte spolynom. Dann gilt: Für x = x j, j = 0,..., n, ist die Aussage trivial. Für festes x x j betrachten wir die Funktion Beweis Zu jedem x [a, b] existiert ξ = ξ(x) aus dem kleinsten Intervall I (x, x 0,..., x n ), das alle x j und x enthält, so dass gilt mit f (x) p(x) = ω(x) = ω(x) (n + 1)! f (n+1) (ξ), (5) n (x x i ). (6) i=0 F (z) := f (z) p(z) αω(z) (7) und bestimmen α R so, dass F(x) = 0 gilt. Dann besitzt F in I (x, x 0,..., x n ) wenigstens n + 2 Nullstellen. Nach dem Satz von Rolle besitzt F dort wenigstens n + 1 Nullstellen, F wenigstens n Nullstellen,... Schließlich hat F (n+1) mindestens eine Nullstelle ξ I (x, x 0,..., x n ). Wegen p Π n erhält man aus (7) Bemerkung 2.22 ω hat für äquidistante Knoten x j die Gestalt von f p 8 der Skizze aus Abbildung 1. F (n+1) (ξ) = f (n+1) (ξ) 0 α (n + 1)! = 0. Hiermit folgt wegen F(x) = 0 aus (7) die Behauptung. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
8 Satz von Faber Aus Satz 2.21 erhält man die folgende Abschätzung für die Güte der Approximation einer Funktion durch das spolynom wobei f p := max f (x) p(x) K (f ) x [a,b] (n + 1)! ω, (8) K (f ) = f (n+1). Zu jeder Folge von Zerlegungen von [a, b] mit n : a x n 0 < x n 1 <... < x n n b ( max x n i xi 1) n 0 für n i=1,...,n gibt es ein f C[a, b], so dass die Folge der zugehörigen spolynome p n Π n, die f an den Knoten xj n interpolieren, nicht gleichmäßig gegen f konvergiert. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Spline Die in den vorhergehenden Abschnitten behandelte Polynominterpolation ist zwar leicht durchführbar, hat aber den Nachteil, dass bei Verfeinerung der Zerlegung keine Konvergenz zu erwarten ist. Bessere Konvergenzeigenschaften haben die nun zu besprechenden Spline-Funktionen. Sei : a = x 0 < x 1 <... < x n =: b eine Zerlegung des Intervalls [a, b]. Dann bezeichnen wir mit S(, p, q), p, q N 0, 0 q < p, die Menge aller Funktionen s C q [a, b], die auf jedem Teilintervall [x i 1, x i ], i = 1,..., n, mit einem Polynom vom Höchstgrad p übereinstimmen. Spline Am häufigsten treten in den Anwendungen (auf Randwertaufgaben) die Räume S(, 3, 2) (kubische Splines) und S(, 3, 1) (kubische Hermite Splines) auf. Daneben untersucht man für spezielle Aufgabenstellungen, bei denen Pole oder verschiedenes Wachstum in verschiedenen Teilen des Intervalls erwartet wird (Grenzschichtprobleme), nichtlineare Splines (rationale oder exponentielle Splines). Wir behandeln nur S(, 3, 2). Jedes s S(, p, q) heißt (Polynom-)Spline vom Grade p der Differenzierbarkeitsklasse q zur Zerlegung. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
9 Kubische Splines Vorbetrachtung s S(, 3, 2) ist in jedem Teilintervall [x i 1, x i ] ein Polynom dritten Grades, also ist s durch 4n Parameter bestimmt. Durch die Forderung s C 2 [a, b] werden in jedem inneren Knoten x i, i = 1,..., n 1, drei Bedingungen gegeben: zusammen also 3(n 1). s (j) (x i 0) = s (j) (x i + 0), j = 0, 1, 2, Daher besitzt ein kubischer Spline noch (wenigstens) n + 3 Freiheitsgrade, und wir können nicht erwarten, dass s durch die n + 1 sbedingungen s(x i ) = y i, i = 0,..., n, festgelegt ist, sondern es müssen noch 2 Randbedingungen hinzugenommen werden. Dies kann (je nach Aufgabenstellung) auf verschiedene Weise geschehen. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Satz 2.32 Es sei eine Zerlegung von [a,b], und es seien y 0,..., y n R gegeben. Dann gibt es für jede der vier folgenden Randbedingungen genau einen interpolierenden kubischen Spline s S(, 3, 2) mit s(x j ) = y j, j = 0,..., n. (i) s (x 0 ) = y 0, s (x n ) = y n (y 0, y n R gegeben) (ii) s (x 0 ) = s (x n ), s (x 0 ) = s (x n ). (iii) s (x 0 ) = s (x n ) = 0. (iv) s (x 0 ) = y 0, s (x n ) = y n (y 0, y n R gegeben) Bemerkung Wird die mit kubischen Splines verwendet, um eine Funktion f : [a, b] R zu approximieren, so wird man die Randbedingungen (i) verwenden, wenn die Ableitung von f in den Randpunkten a und b des Intervalls bekannt sind, die Randbedingung (ii), wenn die Funktion f periodisch mit der Periode b a ist, und die Randbedingung (iv), wenn zusätzlich zu den Lagrangeschen sdaten am Rand des Intervalls die zweiten Ableitungen bekannt sind. Erfüllt s S(, 3, 2) die Randbedingung (iii), so kann man s auf {x : x < x 0 } bzw. {x : x > x n } zweimal stetig differenzierbar als lineare Funktion fortsetzen. Kubische Splines, die man auf diese Weise erhält, heißen natürliche Splines. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
10 Bemerkung Beweis von Satz 2.32 Im Buch von de Boor werden vier weitere Randbedingungen diskutiert, unter denen die Existenz und Eindeutigkeit des interpolierenden Splines gesichert ist. Unter ihnen besonders wichtig ist die sog. not-a-knot Bedingung. Diese wird verwendet, wenn nichts über das Verhalten der interpolierenden Funktion an den Rändern des Intervalls (außer den Funktionswerten) bekannt ist. Man wählt dann als Knoten für den Spline die Punkte x 0 < x 2 < < x n 2 < x n. Ein Spline zu diesen n 2 Intervallen hat n + 1 Freiheitsgrade und ist durch die n + 1 sbedingungen s(x j ) = y j, j = 0,..., n eindeutig bestimmt. Der Beweis ist konstruktiv, er liefert also ein Verfahren zur Berechnung der jeweiligen interpolierenden Splines. Sei h j+1 := x j+1 x j, j = 0,..., n 1, und m j := s (x j ), j = 0,..., n, die zweite Ableitung der gesuchten Splinefunktion an der Stelle x j. Wir wollen zeigen, dass der Vektor m := (m 0,..., m n ) T für jede der vier Randbedingungen eindeutige Lösung eines linearen Gleichungssystems ist und dass man aus den m j den Spline s(x) an jeder Stelle x [a, b] leicht errechnen kann. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Beweis von Satz 2.32 ctn. s ist in jedem Teilintervall [x j, x j+1 ] ein kubisches Polynom. Also ist s stückweise linear, und man kann s mit Hilfe der m j so beschreiben. s (x) = 1 h j+1 (m j (x j+1 x) + m j+1 (x x j )), x [x j, x j+1 ]. Durch Integration erhält man für x [x j, x j+1 ], j = 0,..., n 1, Beweis von Satz 2.32 ctn. Die Integrationskonstanten α j und β j erhält man aus den sbedingungen s(x j ) = m j h 2 j β j = y j s(x j+1 ) = m j+1 h 2 j α jh j+1 + β j = y j+1, und s (x j+1 x) 2 (x x j ) 2 (x) = m j + m j+1 + α j (1) 2h j+1 2h j+1 d.h. β j = y j m j h 2 j+1 6 α j = y j+1 y j h j+1 h j+1 6 (m j+1 m j ). (3) s(x) = m j (x j+1 x) 3 6h j+1 + m j+1 (x x j ) 3 6h j+1 + α j (x x j ) + β j. (2) Setzt man α j und β j aus (3) in (2) ein, so erhält man die gewünschte Darstellung von s in Abhängigkeit von den m j. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
11 Beweis von Satz 2.32 ctn. n 1 Bestimmungsgleichungen für die m j erhält man, indem man die Stetigkeit von s ausnutzt: Setzt man α j aus (3) in (1) ein, so erhält man s (x) = m j (x j+1 x) 2 2h j+1 + m j+1 (x x j ) 2 2h j+1 + y j+1 y j h j+1 h j+1 6 (m j+1 m j ), x [x j, x j+1 ]. (4) Also liefert die Forderung s (x j 0) = s (x j + 0) y j y j 1 h j d.h. für j = 1,..., n 1 h j + h j 3 m j + h j 6 m j 1 = y j+1 y j h j+1 h j+1 3 m j h j+1 6 m j+1, 6 m j 1 + h j + h j+1 m j + h j m j+1 = y j+1 y j h j+1 y j y j 1 h j. (5) Beweis von Satz 2.32 ctn. Die restlichen beiden Bedingungen für die m j erhält man aus den Randbedingungen (i), (ii), (iii) oder (iv). Für die natürlichen Splines hat man in (5) s (a) = m 0 = 0 = m n = s (b) zu setzen, im Fall (iv) die inhomogenen Gleichungen m 0 = y 0 und m n = y n. Im Fall (i) hat man wegen (4) das System (5) zu ergänzen durch h 1 3 m 0 + h 1 6 m 1 = y 1 y 0 h 1 y 0, h n 6 m n 1 + hn 3 m n = y n yn y n 1 h n. (6) Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Beweis von Satz 2.32 ctn. Im Falle periodischer Randbedingungen gilt m 0 = m n, und wegen s (a) = s (b) erhält man aus (4) h 1 6 m 1 + h n 6 m n 1 + h n + h 1 3 m 0 = y 1 y 0 h 1 y n y n 1 h n. (7) In jedem Fall ergeben sich also die m j als Lösung eines linearen Gleichungssystems Ax = b, (8) wobei für alle Zeilen der Matrix A gilt: Konvergenzsatz 2.37 Sei f C 3 [a, b] und sei s S(, 3, 2) der interpolierende Spline, der eine der Randbedingungen (i) oder (ii) oder s (a) = f (a), s (b) = f (b) erfüllt. Dann gilt mit den Konstanten C 0 = 9 8 und C 1 = C 2 = 9 4 wobei s (ν) f (ν) C ν 3 ν ω(f, ), ν = 0, 1, 2, (9) ω(g, h) := sup { g(x) g(y) : x, y [a, b], x y h} den Stetigkeitsmodul von g bezeichnet. a ii > j i a ij. Genügt f einer Lipschitzbedingung f (x) f (y) L x y für alle x, y [a, b], Die Koeffizientenmatrix ist also strikt diagonaldominant. Nach dem Satz von Gerschgorin ist sie dann regulär, und daher ist das Gleichungssystem (8) für jede rechte Seite b eindeutig lösbar. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 so gilt s (ν) f (ν) L C ν 4 ν, ν = 0, 1, 2. (10) Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
12 Bemerkung Satz 2.37 zeigt, dass Spline en geeignet sind, um Ableitungen von Funktionen, von denen nur diskrete Werte bekannt sind, zu approximieren. Lokale Basis Der Raum der kubischen Splines S(, 3, 2) besitzt eine lokale Basis. Seien x 3 < x 2 < x 1 < a und b < x n+1 < x n+2 < x n+3 zusätzliche Knoten. Dann überzeugt man sich leicht (aber mit Hilfe einer längeren Rechnung), dass die Funktionen φ i (x) = (x x i 2 ) 3 + i+2 j=i 1 (x j x i 2 ) + (x i+2 x) 3 + i+1 j=i 2 (x i+2 x j ) + (x x 3 i 1) + (x j=i 2 j x i 1 ) j i 1 (x 3 i+1 x) + i+2 i+2 eine Basis von S(, 3, 2) bilden. j=i 2 j i+1 (x i+1 x j ), x x i Dabei bezeichnet (x) + die Funktion { x für x 0 (x) + := 0 für x 0., x x i, i = 1,..., n + 1 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 φ i φ i+1 φ i+2 Fehlerkurve φ i+3 B-Splines Jeder B-Spline ist auf 4 Teilintervallen nichttrivial. Man kann zeigen, dass es keine Basis von S(, 3, 2) mit kleinerem Träger gibt. Man kann mit diesen φ i den Ansatz s(x) = n+1 i= 1 c i φ i (x) machen, und zur Lösung des sproblems das lineare Gleichungssystem s(x i ) = y i + Randbedingungen behandeln. Dieses besitzt ähnlich wie das für die m i wieder eine tridiagonale, diagonaldominante Koeffizientenmatrix, ist also problemlos lösbar. x i 2 x i 1 x i x i+1 x i+2 x i+3 x i+4 x i+5 Die Basisfunktionen φ j heißen B-Splines. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49 Nicht benutzen sollte man jedoch für numerische Zwecke die folgende Basis von S(, 3, 2), die bisweilen in Büchern angegeben ist: 1, x, x 2, x 3, (x x i ) 3 +, i = 1,..., n 1, wegen der schlechten Kondition des entstehenden linearen Heinrich Gleichungssystems. Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
13 MATLAB MATLAB stellt die Funktion yy=spline(x,y,xx) zur Verfügung. Besitzen die Vektoren x und y gleiche Länge, so wird der interpolierende kubische Spline mit not-a-knot Randbedingungen bestimmt. Ist die Länge von y um 2 größer als die Länge n von x, so werden die erste und letzte Komponente von y als Steigungen von s in x(1) und x(n) gedeutet. Der Vektor yy enthält in der j-ten Komponente yy(j) = s(xx(j)). Zusätzlich wird von MATLAB die Toolbox SPLINES angeboten, in der auch andere Randbedingungen für S(, p, p 1), Glättung von Daten durch Ausgleich mit Splines und Tensorprodukte von Splines zur Darstellung von Flächen realisiert sind. Im Rechenzentrum ist eine Lizenz der Toolbox verfügbar. Heinrich Voss (Hamburg University of TechnologyInstitute for Numerical Simulation) Kapitel / 49
Numerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 08.04.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren 1 / 68 Übersicht
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrThemen Lagrange-Interpolation Hermite-Interpolation. Splines. Bézier-Kurven. 5 Interpolation. Interpolation Die Lagrangesche Interpolationsaufgabe
5 Themen Lagrange- Bézier-Kurven saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad n. saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad
Mehr8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.
8 Interpolation 81 Problemstellung Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen x 0 < x 1 < < x n Eingabedaten: (x 0, f 0 ),(x 1, f 1 ),,(x n, f n ) Gegebene Daten (x j, f j ) Analysis
MehrKAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
MehrNumerische Verfahren
Numerische Verfahren (für Studierende des Studienganges Bauingieurwesen und Umwelttechnik) Jens-Peter M. Zemke Technische Universität Hamburg Harburg Institut für Numerische Simulation 27 Version vom 6.
MehrNumerische Methoden. Heinrich Voss Technische Universität Hamburg Harburg Institut für Numerische Simulation 2010
Numerische Methoden Heinrich Voss Technische Universität Hamburg Harburg Institut für Numerische Simulation 2 2. Oktober 2 Inhaltsverzeichnis Einleitung 5. Fehlertypen................................
Mehr1 2 x x x x x x2 + 83
Polynominterpolation Aufgabe 1 Gegeben sei die Wertetabelle i 0 1 2 3 x i 0 1 2 4 f i 3 1 2 7 a) Bestimmen Sie das Interpolationspolynom von Lagrange durch die obigen Wertepaare. b) Interpolieren Sie die
MehrÜbungen zu Splines Lösungen zu Übung 20
Übungen zu Splines Lösungen zu Übung 20 20.1 Gegeben seien in der (x, y)-ebene die 1 Punkte: x i 6 5 4 2 1 0 1 2 4 5 6 y i 1 1 1 1 1 + 5 1 + 8 4 1 + 8 1 + 5 1 1 1 1 (a) Skizzieren Sie diese Punkte. (b)
MehrPolynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
Mehr6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
MehrPolynominterpolation mit Matlab.
Polynominterpolation mit Matlab. Die Matlab-Funktion polyfit a = polyfit(x,f,n-1); berechnet die Koeffizienten a = (a(1),a(2),...,a(n)); des Interpolationspolynoms p(x) = a(1)*x^(n-1) + a(2)*x^(n-2) +...
MehrApproximation durch Polynome
durch n Anwendungen: zur Vereinfachung einer gegebenen Funktion durch einen Polynomausdruck. Dann sind übliche Rechenoperation +,,, / möglich. zur Interpolation von Daten einer Tabelle n Beispiel Trotz
Mehr(x x j ) R m [x] (3) x x j x k x j. R m [x]. (4)
33 Interpolation 147 33 Interpolation In vielen praktischen Anwendungen der Mathematik treten Funktionen f auf, deren Werte nur näherungsweise berechnet werden können oder sogar nur auf gewissen endlichen
MehrDie Interpolationsaufgabe besteht darin, eine (einfache) Funktion u n U n zu finden,
Kapitel 3 Interpolation 31 Einführung Bemerkung 31 Motivation, Aufgabenstellung Gegeben seien eine Funktion f C([a,b]) und x i [a,b], i = 0,n, mit a x 0 < x 1 < < x n b (31) Die Interpolationsaufgabe besteht
MehrInhalt Kapitel IV: Interpolation
Inhalt Kapitel IV: Interpolation IV Interpolation IV. Polynom-Interpolation IV. Spline-Interpolation Kapitel IV (InhaltIV) Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten
MehrSpline-Interpolation
Spline-Interpolation Tim Schmölzer 20 November 2009 Tim Schmölzer Spline-Interpolation 20 November 2009 1 / 38 Übersicht 1 Vorbemerkungen 2 Lösbarkeit des Interpolationsproblems 3 Stabilität der Interpolation
MehrKLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
MehrSpline-Räume - B-Spline-Basen
Spline-Räume - B-Spline-Basen René Janssens 4. November 2009 René Janssens () Spline-Räume - B-Spline-Basen 4. November 2009 1 / 56 Übersicht 1 Erster Abschnitt: Räume von Splinefunktionen Grundlegende
MehrDie Interpolationsformel von Lagrange
Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten (x i,f i ), i =,...,n mit paarweise verschiedenen Stützstellen x i x j, für i j, gibt es genau ein Polynom π n P n
MehrT n (1) = 1 T n (cos π n )= 1. deg T n q n 1.
KAPITEL 3. INTERPOLATION UND APPROXIMATION 47 Beweis: Wir nehmen an qx) für alle x [, ] und führen diese Annahme zu einem Widerspruch. Es gilt nach Folgerung ii) T n ) T n cos π n ). Wir betrachten die
MehrNumerische Integration und Differentiation
Einführung Grundlagen Bemerkung (Numerische Mathematik) a) Im engeren Sinn: zahlenmäßige Auswertung mathematischer Zusammenhänge z B Lösung von linearen und nichtlinearen Gleichungssystemen Numerische
MehrInterpolation. Kapitel 3
Kapitel 3 Interpolation Die Interpolation von Funktionen oder Daten ist ein häufig auftretendes Problem sowohl in der Mathematik als auch in vielen Anwendungen Das allgemeine Problem, die sogenannte Dateninterpolation,
MehrNachklausur am Donnerstag, den 7. August 2008
Nachklausur zur Vorlesung Numerische Mathematik (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Nachklausur am Donnerstag, den 7. August 2008 Bearbeitungszeit:
MehrMusterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange.
Angewandte Mathematik Ing.-Wiss., HTWdS Dipl.-Math. Dm. Ovrutskiy Musterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange. Aufgabe 1 Approximieren Sie cos(x) auf [ /, /] an drei Stützstellen
Mehr8 Polynominterpolation
8 Polynominterpolation Interpolations-Aufgabe: Von einer glatten Kurve seien nur lich viele Punktewerte gegeben. Wähle einen lichdimensionalen Funktionenraum. Konstruiere nun eine Kurve in diesem Funktionenraum
MehrNUMERISCHE MATHEMATIK II 1. (Studiengang Mathematik) Prof. Dr. Hans Babovsky. Institut für Mathematik. Technische Universität Ilmenau WS 2001/2002
NUMERISCHE MATHEMATIK II 1 (Studiengang Mathematik) Prof Dr Hans Babovsky Institut für Mathematik Technische Universität Ilmenau WS 2001/2002 1 Korrekturen, Kommentare und Verbesserungsvorschläge bitte
MehrGitterfreie Methoden. Florian Hewener. 29. Oktober 2013
Gitterfreie Methoden 1D 2D Florian Hewener 29. Oktober 2013 Gliederung 1 Interpolationsprobleme Problemstellung Haar-Räume 2 Mehrdimensionale Polynominterpolation 3 Splines Kubische Splines und natürliche
Mehr5 Interpolation und numerische Approximation
Numerik I 194 5 Interpolation und numerische Approximation 5.1 Polynominterpolation 5.2 Spline-Interpolation 5.3 Diskrete Fourier-Transformation 5.4 Schnelle Fourier-Transformation (FFT) 5.5 Eine Anwendung
Mehr42.3 Der Fundamentalsatz der Algebra
42 Der Fundamentalsatz der Algebra 42.2 Die Argandsche Ungleichung 42.3 Der Fundamentalsatz der Algebra 42.4 Faktorisierung komplexer olynome 42.5 Faktorisierung reeller olynome 42.6 artialbruchzerlegung
Mehr5 Randwertprobleme. y = f(t, y, y ) für t J, (5.2a) y(t 0 ) = y 0, y(t) = y T (5.2b) zu gegebener Funktion f und Werten y 0, y T.
5 Randwertprobleme Bei den bisher betrachteten Problemen handelte es sich um Anfangswertprobleme. In der Praxis treten, insbesondere bei Differentialgleichungen höherer Ordnung, auch Randwertprobleme auf.
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
MehrHTL Kapfenberg SPLINE Interpolation Seite 1 von 7.
HTL Kapfenberg SPLINE Interpolation Seite von 7 Roland Pichler roland.pichler@htl-kapfenberg.ac.at SPLINE Interpolation Mathematische / Fachliche Inhalte in Stichworten: Polynome, Gleichungssysteme, Differenzialrechnung
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
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 33 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 16.1.2009 2 / 33 Wiederholung Polynom Interpolation Vandermonde Ansatz Newton Interpolation: Beispiel
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
MehrNichtlineare Gleichungssysteme
Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
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
Mehr3.6 Approximationstheorie
3.6 Approximationstheorie Bisher haben wir uns im Wesentlichen mit der Interpolation beschäftigt. Die Approximation ist weiter gefasst: wir suchen eine einfache Funktion p P (dabei ist der Funktionenraum
MehrGrundlagen der Numerischen Mathematik. Heinrich Voß
Grundlagen der Numerischen Mathematik Heinrich Voß Technische Universität Hamburg Harburg Arbeitsbereich Mathematik 2004 2 Inhaltsverzeichnis 1 Einleitung 1 1.1 Zahlendarstellung............................
MehrAlgorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Rekonstruktion kontinuierlicher Daten Interpolation multivariater Daten Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester
MehrKAPITEL 10. Numerische Integration
KAPITEL 10. Numerische Integration 10.1 Einleitung Sei Es gilt I Ĩ = b I = b a a f(x) f(x) dx f(x) dx, Ĩ = b b a f(x) dx. a f(x) f(x) dx (b a) f f. I Ĩ I (b a) f f b a f(x) dx = ba f dx b a f(x) dx f f
MehrKapitel 6 Grenzwerte von Funktionen und Stetigkeit
Kapitel 6 Grenzwerte von Funktionen und Stetigkeit 225 Relle Funktionen Im Folgenden betrachten wir reelle Funktionen f : D R, mit D R. Wir suchen eine formale Definition für den folgenden Sachverhalt.
MehrKapitel 4. Interpolation. 4.1 Allgemeines Normen von Funktionen
Kapitel 4 Interpolation 4 Allgemeines Nähere Funktion/Daten durch einfache Funktionen (eg Polynome) an Brauchbar für: - Integration - Differentiation [zb f(x) sei durch Polynom p(x) approximiert, F(x)
MehrMathematik. für das Ingenieurstudium. 10 Funktionen mit mehreren Variablen. Jürgen Koch Martin Stämpfle.
10 Funktionen mit mehreren Variablen www.mathematik-fuer-ingenieure.de 2010 und, Esslingen Dieses Werk ist urheberrechtlich geschützt. Alle Rechte, auch die der Übersetzung, des Nachdruckes und der Vervielfältigung
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrKAPITEL 5. Nichtlineare Gleichungssysteme
KAPITEL 5. Nichtlineare Gleichungssysteme Beispiel 5.1. Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 mit gegenseitigem Abstand r: F = G m 1m 2 r 2, wobei G = 6.67 10 11 Nm 2 /kg. Gravitationsfeld
Mehr3 Interpolation und Approximation
In dem ersten großen Kapitel beschäftigen wir uns mit der Frage, wie eine Reihe von Daten (z.b. aus physikalischen Messungen, experimentelle Beobachtungen, Börse, etc.) durch eine möglichst einfache Funktion
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
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
MehrDierentialrechnung mit einer Veränderlichen
Dierentialrechnung mit einer Veränderlichen Beispiel: Sei s(t) die zum Zeitpunkt t zurückgelegte Wegstrecke. Dann ist die durchschnittliche Geschwindigkeit zwischen zwei Zeitpunkten t 1 und t 2 gegeben
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.
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrInterpolation und Integration mit Polynomen
Interpolation und Integration mit Polynomen Philipp Andrea Zardo Universität Kassel 23. Februar 2006 / Kassel Outline 1 Einleitung Was ist numerische Mathematik? Die eulersche e-funktion Ein Wurzelalgorithmus
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
MehrNumerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 15.04.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren Numerische
MehrKlausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren. Juli Sie haben Minuten Zeit zum Bearbeiten der Klausur. Bitte
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!)
MehrNumerische Verfahren
Numerische Verfahren (für Studierende des Studienganges Bauingieurwesen und Umwelttechnik) Jens-Peter M. Zemke Technische Universität Hamburg Harburg Arbeitsbereich Mathematik 25 Skript p + c 2 23 Heinrich
MehrDefinition 131 Sei R ein (kommutativer) Ring. Ein Polynom über R in der Variablen x ist eine Funktion p der Form
3. Polynome 3.1 Definition und Grundlagen Definition 131 Sei R ein (kommutativer) Ring. Ein Polynom über R in der Variablen x ist eine Funktion p der Form p(x) = a n x n + a n 1 x n 1 + + a 1 x + a 0,
Mehr15 Integration (gebrochen) rationaler Funktionen
5 Integration (gebrochen) rationaler Funktionen Wir werden im folgenden sehen, daß sich die Integration gebrochen rationaler Funktionen auf die folgenden drei einfachen Fälle zurückführen läßt (für komplexe
MehrRegression, Interpolation, numerische. Integration
,, numerische 9. Vorlesung 170004 Methoden I Clemens Brand 20. Mai 2010 Gliederung : Aufgabenstellung Gesucht ist ein Polynom, das die Datenpunkte möglichst gut approximiert Gegeben m+1 Wertepaare (x i,
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Diplom VP Numerik 13. September 004 Aufgabe 1 10 0 40 Gegeben sei die Matrix A = 80 10 10. 10 5 5 (6 Punkte) a) Skalieren (Zeilenäquilibrierung)
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
MehrA 1 A 2 A 3 A 4 A 5 A 6 A 7
Institut für Geometrie und Praktische Mathematik Numerisches Rechnen für Informatiker WS 7/8 Prof. Dr. H. Esser J. Grande, Dr. M. Larin Klausur Numerisches Rechnen für Informatiker Hilfsmittel: keine (außer
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
Mehr6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme
6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6.1 Nullstellen reeller Funktionen Bemerkung 6.1 (Problemstellung) geg.: f C[a, b] ges.: x [a, b] mit f(x ) = 0 Lösungstheorie f linear
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
Mehr2 Polynome und rationale Funktionen
Gleichungen spielen auch in der Ingenieurmathematik eine große Rolle. Sie beschreiben zum Beispiel Bedingungen, unter denen Vorgänge ablaufen, Gleichgewichtszustände, Punktmengen. Gleichungen für eine
MehrApproximation von Funktionen
von Funktionen Fakultät Grundlagen Februar 6 Fakultät Grundlagen von Funktionen Übersicht Problemstellung Taylorpolynom Taylorenreihe Zusammenhang von e-funktion und trigonometrischen Funktionen 3 Fakultät
MehrLösungen der Aufgaben zu Kapitel 9
Lösungen der Aufgaben zu Kapitel 9 Abschnitt 9. Aufgabe a) Wir bestimmen die ersten Ableitungen von f, die uns dann das Aussehen der k-ten Ableitung erkennen lassen: fx) = x + e x xe x, f x) = e x e x
Mehr9. Parametrische Kurven und Flächen
9. Parametrische Kurven und Flächen Polylinien bzw. Polygone sind stückweise lineare Approximationen für Kurven bzw. Flächen Nachteile: hohe Zahl von Eckpunkten für genaue Repräsentation erforderlich interaktive
Mehr1/26. Integration. Numerische Mathematik 1 WS 2011/12
1/26 Integration Numerische Mathematik 1 WS 2011/12 Notation 2/26 Die Abbildung I b a : C([a, b]) R gegeben durch Ia b (f ) := beschreibt die Integration. b a f (x)dx, Um das Integral I(f ) zu approximieren
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 8 Partielle
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrKapitel 4: Nichtlineare Nullstellenprobleme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 4: Nichtlineare Nullstellenprobleme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik (SS
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
MehrKlausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS 25 Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren 22. Juli 25 Sie haben 9 Minuten Zeit zum Bearbeiten der
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Gewöhnliche Differentialgleichungen Prof.
Mehr2.5 Lineare Differentialgleichungen n-ter Ordnung
2.5 Lineare Differentialgleichungen n-ter Ordnung Eine Dgl der Gestalt a n (x)y (n) +a n 1 (x)y (n 1) +...+a 2 (x)y +a 1 (x)y +a 0 (x)y = b(x) heißt lineare Dgl n-ter Ordnung. ( ) Dabei sind a 0, a 1,...,
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
Mehr( ) Dann gilt f(x) g(x) in der Nähe von x 0, das heisst. Für den Fehler r(h) dieser Näherung erhält man unter Verwendung von ( )
64 Die Tangente in x 0 eignet sich also als lokale (lineare) Näherung der Funktion in der Nähe des Punktes P. Oder gibt es eine noch besser approximierende Gerade? Satz 4.9 Unter allen Geraden durch den
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrPartialbruchzerlegung
Partialbruchzerlegung Eine rationale Funktion r mit n verschiedenen Polstellen z j der Ordnung m j, r = p q, lässt sich in der Form r(z) = f (z) + n j=1 q(z) = c(z z 1) m1 (z z n ) mn r j (z), r j (z)
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 4. Differentialrechnung Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
MehrPolynome und ihre Nullstellen
Polynome und ihre Nullstellen 29. Juli 2017 Inhaltsverzeichnis 1 Einleitung 2 2 Explizite Berechnung der Nullstellen 2.1 Polynome vom Grad 0............................. 2.2 Polynome vom Grad 1.............................
MehrAnalytische Lösung algebraischer Gleichungen dritten und vierten Grades
Analytische Lösung algebraischer Gleichungen dritten und vierten Grades Inhaltsverzeichnis 1 Einführung 1 2 Gleichungen dritten Grades 3 3 Gleichungen vierten Grades 7 1 Einführung In diesem Skript werden
MehrVorlesung Mathematik 2 für Ingenieure (Sommersemester 2016)
1 Vorlesung Mathematik 2 für Ingenieure (Sommersemester 216) Kapitel 11: Potenzreihen und Fourier-Reihen Prof. Miles Simon Nach Folienvorlage von Prof. Dr. Volker Kaibel Otto-von-Guericke Universität Magdeburg.
Mehr