Die Interpolationsaufgabe besteht darin, eine (einfache) Funktion u n U n zu finden,
|
|
- Ida Hofmeister
- vor 7 Jahren
- Abrufe
Transkript
1 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 darin, eine (einfache) Funktion u n U n zu finden, so dass u n (x i ) = f(x i ), i = 0,n, (32) ist Dabei ist U n C([a,b]) eine Folge von Räumen Natürlich gibt es unendlich viele Funktionen, welche die Interpolationsaufgabe erfüllen Deshalb muss man die Klasse der Funktionen festlegen, in der man die Interpolierende u n (x) sucht Man unterscheidet zum Beispiel: u n (x) ist ein Polynom Polynominterpolation, u n (x) = a 0 +a 1 e ix ++a n e inx trigonometrische Interpolation (i = 1), u n (x) ist stückweise ein Polynom Spline Interpolation, u n (x) ist eine rationale Funktion rationale Interpolation In diesem Kapitel wird auf die Interpolation mit Polynomen und mit Splines eingegangen Definition 32 Stützstellen, Stützwerte Man bezeichnet {x i } als die Menge der Stützstellen und die Menge {f(x i )} als die Menge der Stützwerte Man sagt, dassdiefunktionu n (x)diestützwerte{f(x i )}andenstützstellen{x i }interpoliert Bemerkung 33 Wichtige Fragestellungen Natürlich sind die Untersuchung der Existenz und Eindeutigkeit einer Lösung von (32) von Bedeutung Die Interpolationsaufgabe (32) ist auch eine Art Bestapproximations Aufgabe, nämlich gerade für die Stützstellen {x i } n i=0 Es ist aber auch wichtig zu wissen, wie sich die Interpolierende u n (x) und die interpolierte Funktion f(x) in den Intervallen zwischen den Stützstellen unterscheiden, zum Beispiel ob lim f u n n = 0 (33) Falls dies der Fall ist, interessiert man sich auch für die Konvergenzgeschwindigkeit Dazu versucht man Fehlerabschätzungen der Gestalt f u n Cn q (34) 33
2 mit einer von n unabhängigen Konstanten C > 0 und einer möglichst großen positiven Konstanten q zu beweisen Hat man eine Abschätzung der Gestalt (34) bewiesen, so erhält man damit auch eine Abschätzung für die L 2 Norm ( ) 1/2 b f u n L 2 = (f u n ) 2 (x) dx a ( b f u n dx = b a f u n Cn q, a ) 1/2 wobei C jetzt eine andere Konstante bezeichnet Eine Umkehrung dieser Vorgehensweise gilt nicht Aus dem Fehler in der L 2 Norm kann man nicht auf den Fehler in der Maximumsnorm schließen Für die Praxis sind schließlich auch effiziente und robuste Verfahren zur Berechnung der Interpolierenden wichtig 32 Polynominterpolation 321 Wiederholung Bemerkung 34 Aufgabenstellung Sei U n = P n Die allgemeine Interpolations Aufgabe (32) hat in diesem Fall die Gestalt: Finde u n = p n P n, so dass p n (x i ) = f(x i ), i = 0,n, (35) unter der Voraussetzung (31) Diese Aufgabe wurde bereits in CoMa 2 untersucht Die gewonnenen Ergebnisse werden hier zusammengefasst Definition 35 Dividierte Differenz Seien (x i,f(x i )) R R, i = 0,,n, paarweise verschiedene Stützstellen Die k te dividierte Differenz wird rekursiv definiert durch f[x i,x i+1,,x i+k ] f[x i ] = f(x i ) für i = 0,,n, f[x i,x i+1,,x i+k ] = f[x i+1,x i+2,,x i+k ] f[x i,x i+1,,x i+k 1 ] x i+k x i Satz 36 Zur Polynominterpolation Die Interpolations Aufgabe (35) besitzt eine eindeutige Lösung Diese hat die Lagrange 1 Darstellung p n (x) = wobei L k (x) das Lagrange Polynom L k (x) = 1 Joseph Louis Lagrange ( ) n L k (x)f(x k ), (36) k=0 n j=0,j k x x j x k x j (37) 34
3 ist Die Newton 2 sche Darstellung des Interpolationspolynoms lautet p n (x) = n ω k (x)f[x 0,x 1,,x k ] mit ω k (x) = k=0 k 1 j=0 (x x j ) (38) Sei f C n+1 ([a,b]) Dann gibt es zu jedem x [a,b] ein ξ(x) (a,b), so dass für den Fehler f(x) p n (x) = f(n+1) (ξ) (n+1)! ω n+1(x) (39) gilt Daraus folgt f p n 1 f (n+1) ω n+1 (n+1)! (310) Bemerkung 37 Interpretation der Aussage des Satzes Die Aussage von Satz 36 impliziert nicht, dass (33) gilt Man kann Funktionen und zugehörige Mengen von Stützstellen so finden, zum Beispiel mit gleichem Abstand, dass es Teilintervalle von [a,b] gibt, in denen p n (x) f(x) für alle Argumente x aus diesen Teilintervallen Beispiel 38 Beispiel von Runge 3 Betrachte f : [ 5,5] R mit f(x) = 1/(1+ x 2 ) Es gilt f C ([ 5,5]) Bei der Nutzung äquidistanter Stützstellen erhält man die in Abbildung 31 zu sehenden Interpolationspolyome für n {2,5,10} Mansieht,dassinsbesonderedieInterpolationspolynomehöherenGradeszumRand hin stark von der zu interpolierenden Funktion abweichen Die Interpolationsfehler werden immer größer Abbildung 31: Beipiel 38, Interpolationspolyome für n {2,5,10}, äqudistante Stützstellen 322 Hermite Interpolation Bemerkung 39 Aufgabenstellung Die Interpolationsaufgabe (35) kann man dahingehend verallgemeinern, dass man nicht nur Funktionswerte vorgibt, sondern auch Werte von Ableitungen Diese Aufgabe nennt man Hermite 4 Interpolation Seien Paare (x i,f (k) (x i )) mit i = 0,,n, k = 0,,m i, m i N, gegeben, wobei 2 Isaac Newton ( ) 3 Carl David Tolmé Runge ( ) 4 Charles Hermite ( ) 35
4 die Bedingung (31) an das Gitter erfüllt sei Setze N = n i=0 (m i+1) Die Aufgabe der Hermite Interpolation lautet: Finde p N P N, so dass p (k) N (x i) = f (k) (x i ), i = 0,,n, k = 0,,m i (311) In diesem Abschnitt wird im Wesentlichen ein Spezialfall der Hermite Interpolation betrachtet Für den allgemeinen Fall, sei auf die Literatur verwiesen Bemerkung 310 Zusammenhang mit Taylor 5 scher FormelSeienf C m+1 ([a,b]) undx 0 (a,b)dannbesitztdietaylorscheformelmitdemrestgliedvonlagrange die Gestalt f(x) = m k=0 f (k) (x 0 ) (x x 0 ) k + f(m+1) (ξ) k! (m+1)! (x x 0) m+1 mit ξ = x 0 +θ(x x 0 ), θ (0,1) Das Taylor Polynom p n = m k=0 f (k) (x 0 ) (x x 0 ) k k! löst offenbar die Hermite Interpolationsaufgabe für n = 0 und m 0 = m Die Gestalt des Fehlers f (m+1) (ξ) (m+1)! (x x 0) m+1 erinnert an den Fehler (39) der Polynominterpolation ohne Ableitungen Bemerkung 311 Spezielle Hermite Interpolationsaufgabe In der Vorlesung wird sich auf folgenden Spezialfall beschränkt Seien f C 1 ([a,b]) und seien die Bedingungen f(x i ) = f i f (x i ) = f i, i = 0,,n, (312) gegeben Das sind (2n+2) Bedingungen Gesucht ist also ein Polynom p P 2n+1, welches die Bedingungen (312) erfüllt Beispiel 312 Zur speziellen Hermite Interpolationsaufgabe Gesucht ist das Polynom p 3 (x) dritten Grades, welches durch die Bedingungen bestimmt ist Mit dem Ansatz p 3 ( 1) = 1, p 3( 1) = 2, p 3 (1) = 3,p 3(1) = 4, p 3 (x) = a 0 +a 1 x+a 2 x 2 +a 3 x 3 = p 3(x) = a 1 +2a 2 x+3a 3 x 2 erhält man das Gleichungssystem a 0 a 1 a 2 a 3 1 = Dieses System kann man durch geschicktes Addieren und Subtrahieren von Zeilen lösen Man erhält a 0 a 1 a 2 a = 0 1 Das gesuchte Polynom besitzt also die Gestalt p 3 (x) = x2 +x 3 5 Brook Taylor ( )
5 Satz 313 Existenz und Eindeutigkeit des Hermite Interpolationspolynoms zur Aufgabe (312) Das Hermite Interpolationspolynom p P 2n+1 zur Aufgabe (312) existiert und es ist eindeutig bestimmt Beweis: Existenz Ein Hermite Interpolationspolynom wird konstruiert Dazu verwendet man den Ansatz n n p(x) = f iϕ i(x)+ f iψ i(x) (313) i=0 mit ϕ i,ψ i P 2n+1, i = 0,,n Diese Polynome sollen folgende Bedingungen erfüllen i=0 ϕ i(x j) = δ ij, ϕ i(x j) = 0, ψ i(x j) = 0, ψ i(x j) = δ ij, i,j = 0,,n (314) Findet man solche Polynome, dann löst das Polynom (313) die Hermite Interpolationsaufgabe (312) Setze ϕ i(x) = ( 1 2L i(x i)(x x i) ) L 2 i(x), (315) ψ i(x) = (x x i)l 2 i(x), (316) wobei L i(x) das in (37) definierte Lagrange Polynom ist Es gelten, wegen L i(x j) = δ ij, ϕ i(x i) = L 2 i(x i) = 1, ϕ i(x j) = ( 1 2L i(x j)(x j x i) ) L 2 i(x j) = 0, ψ i(x i) = (x i x i)l 2 i(x i) = 0, ψ i(x j) = (x j x i)l 2 i(x j) = 0, ϕ i(x i) = 2L i(x i)l 2 i(x i)+2l i(x i)l i(x i) = 2L i(x i)+2l i(x i) = 0, ϕ i(x j) = 2L i(x i)l 2 i(x j)+2 ( 1 2L i(x i)(x j x i) ) L i(x j)l i(x j) = 0, ψ i(x i) = L 2 i(x i)+2(x i x i)l i(x i)l i(x i) = L 2 i(x i) = 1, ψ i(x j) = L 2 i(x j)+2(x k x i)l i(x j)l i(x j) = 0 Damit erfüllt p aus (313) mit (315), (316) die Hermite Interpolationsaufgabe (312) Eindeutigkeit Angenommen, es gibt ein weiteres Polynom p, welches die Hermite Interpolationsaufgabe (312) löst Dann gilt p p P 2n+1 und p p besitzt die (n + 1) doppelten Nullstellen x 0,,x n Nach dem Fundamentalsatz der Algebra muss dann aber p p 0 gelten Satz 314 Interpolationsfehler in Aufgabe (312) Sei f C 2n+2 ([a,b]), sei (31) erfüllt und sei p das Hermite Interpolationspolynom (313) mit (315), (316) Dann gibt es zu jedem x [a,b] ein ξ (a,b) mit mit ω n+1 (x) aus (38) f(x) p(x) = f(2n+2) (ξ) (2n+2)! ω2 n+1(x) (317) Beweis: Für x = x i sind der Fehler und die rechte Seite von (317) beide Null Sei x (a,b), x x i für alle i, beliebig aber fest Betrachte die Funktion h(z) = (f(x) p(x))ω 2 n+1(z) (f(z) p(z))ω 2 n+1(x) Dann besitzt h(z) in z = x i eine doppelte Nullstelle, weil ω n+1(x i) = 0 und dieser Faktor quadratisch vorkommt Für z = x besitzt h(z) eine einfache Nullstelle Betrachte h (z) Dann besitzt h (z) Nullstellen in x i, i = 0,,n Nach dem Satz von Rolle 6 besitzt 6 Michel Rolle ( ) 37
6 h (z) (n + 1) weitere Nullstellen, die nicht x i oder x sind Insgesamt besitzt h (z) also 2n+2 Nullstellen Fortgesetzte Anwendung des Satzes von Rolle liefert, dass h (2n+2) eine Nullstelle ξ (a,b) besitzt Es ist p ein Polynom vom Grad (2n+1) und ω n+1 ein Polynom vom Grad n mit dem Faktor Eins vor der höchsten Potenz Deshalb gilt h (2n+2) (z) = (2n+2)!(f(x) p(x)) f (2n+2) (z)ω 2 n+1(x) Nun folgt für z = ξ die Behauptung (317) 323 Zusammenhang zwischen Interpolations und Bestapproximationsfehler Bemerkung 315 Ziel Die Bestapproximation und die Interpolation durch gegebene Stützstellen sind zwei Möglichkeiten, eine Funktion durch eine einfachere Funktion zu approximieren In diesem Abschnitt werden diese beiden Möglichkeiten miteinander verglichen Satz 316 Kondition der Polynominterpolation Der Interpolationsoperator φ : C([a,b]) P n, f φ(f) = p n, ist eine Projektion Das heißt, φ ist linear und es gilt φ 2 = φ Für die Kondition der Polynominterpolation gilt mit der Lebesgue Konstanten n Λ n = L k mit L k (x) definiert in (37) φ(f) φ = sup = Λ n f C([a,b]) f k=0 = max x [a,b] k=0 Beweis: Dieses Resultat findet man im CoMa Skript n L k (318) Satz 317 Zusammenhang zwischen Interpolations und Bestapproximationsfehler Sei f C([a,b]) and sei sei ˆp n P n die Lösung der Tschebyscheffschen Bestapproximations Aufgabe (114) mit dem Approximationsfehler E n (f) = f ˆp n Sei p n P n die Lösung der Interpolationsaufgabe (35) Dann gilt mit Λ n definiert in (318) f p n (1+Λ n )E n (f) f C([a,b]) (319) Beweis: Der Beweis erfolgt durch Anwendung der Dreiecksungleichung, Nutzung der Eigenschaften von φ und Nutzung der Definition der Lebesgue Konstanten f p n f ˆp n + ˆp n p n = f ˆp n + ˆp n φ(f) = f ˆp n + φ(ˆp n f) f ˆp n + φ ˆp n f = (1+Λ n) f ˆp n 38
7 Bemerkung 318 Interpretation von Satz 317 Abschätzung (319) besagt, dass der Interpolationsfehler um den Faktor (1+Λ n ) schlechter ist, als der Bestapproximationsfehler Um genaue Interpolanten zu erhalten, ist ein kleines Λ n nötig Bemerkung 319 Zum Bestapproximationsfehler Aus der Analysis Grundvorlesung ist bekannt, dass sich jede stetige Funktion beliebig genau durch Polynome approximieren lässt, Satz von Weierstraß Das bedeutet, es gilt lim E n(f) = 0 (320) n Bemerkung 320 Zur Lebesgue KonstantenDieLebesgue Konstanteverhältsich leider nicht besonders erfreulich So bewies Faber 7 im Jahre 1914: Zu jeder Folge von Stützstellen gibt es eine Funktion f C([a,b]), so dass gilt liminf n f p n > 0 Der Interpolationsfehler geht also nicht gegen Null Gemeinsam mit (320) bedeutet dies, dass Λ n für n Im Jahre 1978 zeigten Brutman, de Boor und Pinkus eine untere Schranke für die Lebesgue Konstante Für jede Folge von Stützstellen gilt Hierbei ist 2 π ln(n+1)+ 2 π γ = lim n ( n i=1 ( γ +ln ( )) 4 Λ n π ) 1 i ln(n) die Euler 8 Mascheroni 9 Konstante Das heißt, selbst für die bestmögliche Wahl von Stützstellen wächst Λ n mindestens logarithmisch an Das Wachstumsverhalten kann aber noch viel schlimmer sein So bewies Turetskii 10 (1940) Für die Folge äquidistanter Stützstellen x j = a + jh, j = 0,,n, mit der Schrittweite h = (b a)/n gilt 1 2n+1 Λ n e nln(n) Die Lebesgue Konstante wächst exponentiell! Das bedeutet, äquidistante Stützstellen sollten vermieden werden Bemerkung 321 Geschickte Wahl der Stützstellen Für eine geschickte Wahl der StützstellenkannmansichanderFehlerdarstellung(310)orientierenVernachlässigt man den Einfluss von f(x), dann erhält man einen kleinen Fehler, wenn n ω n+1 = (x x j ) (321) 7 Georg Faber ( ) 8 Leonhard Euler ( ) 9 Lorenzo Mascheroni ( ) 10 AH Turetskii j=0 39
8 möglichst klein ist Das Polynom ω n+1 (x) ist vom Grad n und der Koeffizient vor dem Term höchsten Grades ist gleich Eins Die Koeffizienten vor den anderen Termen kann man noch wählen Damit lautet eine äquivalente Formulierung der die Aufgabe (321) zu minimieren, ein Polynom n ten Grades zu finden, welches x n+1 in der Norm am besten approximiert Die Lösung dieser Aufgabe im Fall [a,b] = [ 1,1] ist aus Beispiel 137 bekannt Man erhält die Tschebyscheff Polynome 1 Art ω n+1 (x) = 1 2 nt n+1(x) Die resultierenden Stützstellen sind gerade die Nullstellen von T n+1 (x) ( ) 2(n j)+1 x j = cos π 2(n+1) Im Fall [a,b] [ 1,1] kann man die Tschebyscheff Stützstellen durch Transformation bestimmen Im Jahre 1974 zeigte Rivlin 11 Für die Tschebyscheff Stützstellen gilt 2 π ln(n+1)+ 2 π ( γ +ln ( 8 π )) Λ n 2 π ln(n+1)+1 In diesem Fall hat man wirklich nur das logarithmische Wachstum der Lebesgue Konstanten Der konstante Term auf der linken Seite hat ungefähr den Wert Beispiel 322 Beispiel von Runge Es wird die gleiche Funktion wie in Beispiel 38 betrachtet Nimmt man als Stützstellen die Tschebyscheff Stützstellen, so erhält man die in Abbildung 32 dargestellten Interpolationen Man erhält selbst für n = 100 eine gute Interpolation Abbildung 32: Beipiel 322, Interpolationspolyome für n {2,10,100}, Tschebyscheff Stützstellen 33 Spline Interpolation Bemerkung 323 Motivation, AufgabenstellungDiePolynominterpolationbesitzt zwei sehr negative Eigenschaften: 11 Theodore J Rivlin 40
9 für große n, das heißt viele Stützstellen, kann sie instabil werden, insbesondere bei äquidistanten Stützstellen, für nichtglatte Funktionen kann der Interpolationsfehler zwischen den Stützstellen beliebig groß werden Diese beiden Situationen (viele äquidistante Stützstellen oder nichtglatte Funktionen) treten in den Anwendung jedoch häufig auf In diesen Fällen muss man eine anderere Interpolation als die Polynom Interpolation verwenden Eine oft genutzte Herangehensweise ist die Spline Interpolation: spline (engl) längliches, dünnes Stück Holz oder Metall Definition 324 Spline Seien x 0,,x n [a,b] paarweise verschiedene Punkte mit a = x 0 < x 1 < < x n = b Die Funktion s k (x) : [a,b] R wird Spline vom Grad k bezüglich der Stützstellen {x j } genannt, falls s k (x) [xj,x j+1] P k, j = 0,,n 1, s k (x) C k 1 ([a,b]) (322) Bemerkung 325 Anzahl der gegebenen Bedingungen Definition 324 bedeutet: Ein Spline vom Grad k ist eine stückweise polynomiale Funktion, in jedem Teilintervall ein Polynom vom Grad k, im Gesamtintervall noch (k 1) mal differenzierbar In jedem Teilintervall kann man den Spline als s k,j (x) = k s ij (x x j ) i, x [x j,x j+1 ], j = 0,,n 1, i=0 darstellen Man hat also n(k +1) unbekannte Koeffizienten s ij Aus (322) folgt s (m) k,j 1 (x j) = s (m) k,j (x j), j = 1,,n 1, m = 0,,k 1 Das sind k(n 1) Bedingungen an die Koeffizienten Im Allgemeinen soll der Spline eine Funktion f(x) approximieren, deren Werte in den Stützstellen berechnet werden können Damit hat man weitere (n + 1) Bedingungen: s k (x j ) = f(x j ), j = 0,,n Es fehlen noch (k 1) Bedingungen Beispiel 326 Linearer SplineEinlinearerSpline,dasheißtk = 1,istnichtsweiter als ein Polygonzug Ein solcher Polygonzug gehört zum Raum S n, siehe Definition 18 Für lineare Splines fehlen keine Bedingungen Die Voraussetzungen der Interpolationsaufgabe seien wie in Bemerkung 31 Dann lautet die Interpolationsaufgabe für lineare Splines: Finde u n S n, so dass Die Lösung dieser Aufgabe ist u n (x i ) = f(x i ), i = 0,n u n (x) = n f(x i )ϕ i (x), i=0 wobei {ϕ i (x)} n i=0 die in (116) definierte Knotenbasis ist 41
10 Satz 327 Fehlerabschätzung für lineare Spline Interpolation Seien a = x 0, b = x n und f C 2 ([a,b]) Dann gilt für die lineare Spline Interpolierte u n (x) die Fehlerabschätzung mit f u n h 2 f 8 h = max j=1,,n h j, h j = x j x j 1 Beweis: Man wendet die Fehlerabschätzung der Polynominterpolation (39) auf jedes Teilintervall an, da man dort mit einem linearen Polynom interpoliert Damit ergibt sich für j = 1,,n, ξ [x j 1,x j], max f(x) un(x) = max x [x j 1,x j ] x [x j 1,x j ] f (ξ) ω 2(x) 2! = max x [x j 1,x j ] f (x) (x x j 1)(x x j) 2 max x [x j 1,x j ] f (x) 2 max (x x j 1)(x x j) x [x j 1,x j ] = h2 j 8 max x [x j 1,x j ] f (x), da der größte Wert des Produktes für den Mittelpunkt x = (x j 1 + x j)/2 angenommen wird Damit folgt ( ) f u n = max max f(x) u j=1,,n n(x) h2 x [x j 1,x j ] 8 max f (x) x [a,b] Bemerkung 328 Kubische Splines Lineare Splines sind einfach zu handhaben, jedoch relativ ungenau und die Interpolation besitzt Ecken, siehe unten in Abbildung 33 In der Praxis möchte man glattere Übergänge und dafür nutzt man oft kubische Splines, das heißt k = 3 Ein kubischer Spline ist zweimal stetig bis zum Rand differenzierbar, insbesondere ist seine Krümmung wohldefiniert Für die zwei fehlenden Bedingungen setzt man zum Beispiel die Randwerte s 3(a) = s 3(b) = 0 (323) Diese Randbedingung nennt man natürliche Randbedingung Die Randbedingung s (a) = f (a), s (b) = f (b) (324) heißt vollständige Randbedingung Betrachten wird nun eine Funktion f(x), die durch einen kubischen Spline interpoliert werden soll Wir verwenden die Bezeichnungen f i = s 3 (x i ), m i = s 3(x i ), M i = s 3(x i ), i = 0,,n Die zweite Ableitung s 3(x) ist eine stetige, stückweise lineare Funktion (Polygonzug) Mit den obigen Bezeichnungen gilt s 3(x) = M i 1 x i x x i x i 1 +M i x x i 1 x i x i 1, x [x i 1,x i ] Die Stetigkeit von s 3(x) überprüft man durch Einsetzen der Intervallgrenzen Zweimaliges integrieren liefert eine Darstellung des Splines in [x i 1,x i ] s 3 (x) = M i 1 6 (x i x) 3 + M i (x x i 1 ) 3 +c i 1 (x x i 1 )+d i 1 (325) x i x i 1 6 x i x i 1 42
11 Einsetzen der Endpunkte des Teilintervalls ergibt die Konstanten: und f i c i 1 f i 1 d i 1 = s 3 (x i 1 ) = M i 1 (x i x i 1 ) 2 +d i 1, = 6 = f i 1 M i 1 (x i x i 1 ) 2, (326) 6 = s 3 (x i ) = M i 6 (x i x i 1 ) 2 +c i 1 (x i x i 1 )+d i 1 = = f i f i 1 x i x i 1 (M i M i 1 ) (327) x i x i 1 6 Man rechnet schnell nach, dass mit diesen Konstanten die Stetigkeit von s 3 (x) in den Stützstellen gewährleistet ist Aus der Stetigkeitsbedingung für die erste Ableitung erhält man weitere Gleichungen für M 0,,M n Es gilt für x [x i 1,x i ] s 3(x) = M i 1 2 Für den rechten Randpunkt erhält man (x i x) 2 + M i (x x i 1 ) 2 +c i 1 x i x i 1 2 x i x i 1 s 3(x i 0 ) = M i 2 (x i x i 1 )+ f i f i 1 x i x i 1 (M i M i 1 ) x i x i 1 6 ( Mi 1 = + M ) i (x i x i 1 )+ f i f i x i x i 1 Betrachtet man nun den linken Endpunkt des Intervalls [x i,x i+1 ], so erhält man auf die gleiche Weise s 3(x i+0 ) = M i 2 (x i+1 x i )+ f i+1 f i x i+1 x i (M i+1 M i ) x i+1 x i 6 ( = M i 3 M ) i+1 (x i+1 x i )+ f i+1 f i 6 x i+1 x i SetztmandieseBedingungengleich,soerhältman(n 1)GleichungenfürM 0,,M n Für die zwei fehlenden Gleichungen setzt man 2M 0 +λ 0 M 1 = g 0, µ n M n 1 +2M n = g n mit vorgegebenen Koeffizienten λ 0,µ n [0,1] und g 0,g n Zur Erfüllung von (323) setzt man alle diese Koeffizienten gleich Null Zur Berechnung der Koeffizienten M 0,,M n hat man damit folgendes lineares Gleichungssystem zu lösen λ 2 2 λ 0 µ 1 2 λ 1 µ 2 2 Die Koeffizienten sind x i x i 1 µ i =, x i+1 x i 1 λ i = g i = µ n 1 2 λ n 1 µ n 2 M 0 M 1 M 2 M n 1 M n = g 0 g 1 g 2 g n 1 g n x i+1 x i, x i+1 x i 1 ( 6 fi+1 f i f ) i f i 1, i = 1,,n 1 x i+1 x i 1 x i+1 x i x i x i 1 43
12 Nach der Lösung dieses Systems erhält man mit (326), (327) durch Einsetzen in (325) die Darstellung des kubischen Splines Beispiel 329 Beispiel von Runge Dieses Beispiel wurde in Beispiel 38 zur Illustration der Nachteile der Polynominterpolation verwendet Betrachte wieder f : [ 5,5] R mit f(x) = 1/(1 + x 2 ) Man erhält mit Spline Interpolation und n {2,5,10} die in Abbildung 33 dargestellten Ergebnisse Für den kubischen Spline wurden als zusätzliche Randbedingungen s ( 5) = s (5) = 0 verwendet Abbildung 33: Beispiel 329 Interpolation mit Splines Satz 330 Interpolationsfehlerabschätzung Seien f C 4 ([a,b]), h max = max i=0,,n 1 (x i+1 x i ), h min = min i=0,,n 1 (x i+1 x i ), β = h max h min 1 Dann gilt für die kubische Spline Interpolation mit vollständiger Randbedingung (324) max f (r) (x) s (r) 3 (x) Cr hmax 4 r max f (4) (x) x [a,b] x [a,b] mit C 0 = 5/384, C 1 = 1/24, C 2 = 3/8 und C 3 = 1 2 (β +1/β) Beweis: Siehe Literatur Bemerkung 331 Interpretation der Aussage des Satzes Die Aussage von Satz 330 bedeutet, dass für h max 0 der kubische Spline samt seinen ersten beiden Ableitungen punktweise gegen f(x) beziehungsweise gegen die entsprechenden Ableitungen von f(x) konvergiert Innerhalb der Intervalle konvergiert auch noch die dritte Ableitung des kubischen Splines, an den Stützstellen konvergiert der Mittelwert der beiden einseitigen dritten Ableitungen 44
5 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
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
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
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
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
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}
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)
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
MehrNumerische 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
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,
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
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
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) +...
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
MehrApproximationstheorie und Approximationspraxis
Approximationstheorie und Approximationspraxis Martin Wagner Bergische Universität Wuppertal Fachbereich C - Mathematik und Naturwissenschaften AG Optmierung und Approximation 3. Februar 2010 1 / 20 Motivation
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
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
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 214 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
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
MehrInterpolationsproblem. Interpolation. Interpolationsproblem. Interpolationsproblem. Gegeben seien eine Funktion. Φ (x; a 1,...
sproblem Heinrich Voss voss@tu-harburg.de 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
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
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
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
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 4. Differentialrechnung Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
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
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)
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
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
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
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!)
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
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
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
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
MehrPolynomiale Approximation. und. Taylor-Reihen
Polynomiale Approximation und Taylor-Reihen Heute gehts um die Approximation von glatten (d.h. beliebig oft differenzierbaren) Funktionen f nicht nur durch Gerade (sprich Polynome vom Grade 1) und Polynome
MehrLösungen der Übungsaufgaben von Kapitel 3
Analysis I Ein Lernbuch für den sanften Wechsel von der Schule zur Uni 1 Lösungen der Übungsaufgaben von Kapitel 3 zu 3.1 3.1.1 Bestimmen Sie den Abschluss, den offenen Kern und den Rand folgender Teilmengen
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
Mehr[5], [0] v 4 = + λ 3
Aufgabe 9. Basen von Untervektorräumen. Bestimmen Sie Basen von den folgenden Untervektorräumen U K des K :. K = R und U R = span,,,,,.. K = C und U C = span + i, 6, i. i i + 0. K = Z/7Z und U Z/7Z = span
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
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
Mehr42 Orthogonalität Motivation Definition: Orthogonalität Beispiel
4 Orthogonalität 4. Motivation Im euklidischen Raum ist das euklidische Produkt zweier Vektoren u, v IR n gleich, wenn die Vektoren orthogonal zueinander sind. Für beliebige Vektoren lässt sich sogar 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
Mehr6 Weiterer Ausbau der Differentialrechnung
6 Weiterer Ausbau der Differentialrechnung 6.1 Mittelwertsätze, Extremwerte, Satz von Taylor Motivation: Wie wählt man Höhe und Durchmesser einer Konservendose, so dass bei festem Volumen V möglichst wenig
MehrFinite Elemente I Konvergenzaussagen
Finite Elemente I 195 5 onvergenzaussagen 5 onvergenzaussagen TU Bergakademie Freiberg, SoS 2006 Finite Elemente I 196 5.1 Interpolation in Sobolev-Räumen Wesentlicher Baustein der FE-onvergenzanalyse
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
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
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
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
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
MehrÜbungen zu Einführung in die Numerische Mathematik (V2E2) Sommersemester 2016
Übungen zu Einführung in die Numerische Mathematik (VE) Sommersemester 6 Prof. Dr. Martin Rumpf Pascal Huber Sascha Tölkes Übungsblatt 8 Abgabe:.6.6 Aufgabe 5 (Elliptisches Randwertproblem auf einem Ring)
MehrProbeklausur zu Funktionentheorie, Lebesguetheorie und gewöhnlichen Differentialgleichungen
MATHEMATISCHES INSTITUT SoSe 24 DER UNIVERSITÄT MÜNCHEN Probeklausur zu Funktionentheorie, Lebesguetheorie und gewöhnlichen Differentialgleichungen Musterlösung Prof. Dr. P. Pickl Aufgabe Zeigen Sie, dass
MehrMathematik IV für Elektrotechnik Mathematik III für Informatik
Mathematik IV für Elektrotechnik Mathematik III für Informatik Vorlesungsskriptum Stefan Ulbrich Fachbereich Mathematik Technische Universität Darmstadt Sommersemester 2011 Inhaltsverzeichnis 1 Einführung
MehrKonvergenz interpolierender Polynome
Technische Universität Berlin Institut für Mathematik Konvergenz interpolierender Polynome Seminar Differentialgleichungen im Sommersemester 2012 bei Prof. Dr. Etienne Emmrich vorgelegt von David Breiter
Mehr8. Tschebyscheff-Approximation: Theorie
HJ Oberle Approximation WS 2013/14 8 Tschebyscheff-Approximation: Theorie Im Folgenden untersuchen wir Bestapproximationen bezüglich der Maximumsnorm Die Wurzeln dieser Theorie gehen auf Pafnuti Lwowitsch
MehrInterpolation. Nadine Losert. Ausarbeitung zum Vortrag im Proseminar Analysis (Wintersemester 2008/09, Leitung PD Dr.
Interpolation Nadine Losert Ausarbeitung zum Vortrag im Proseminar Analysis (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: Nachdem wir in den vorherigen Vorträgen verschiedene
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
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrExplizite Formeln für rekursiv definierte Folgen
Schweizer Mathematik-Olympiade Explizite Formeln für rekursiv definierte Folgen Aktualisiert: 6 Juni 014 In diesem Skript wird erklärt, wie man explizite Formeln für rekursiv definierte Folgen findet Als
MehrLeitfaden a tx t
Leitfaden -0.7. Potenz-Reihen. Definition: Es sei (a 0, a, a 2,...) eine Folge reeller Zahlen (wir beginnen hier mit dem Index t 0). Ist x R, so kann man die Folge (a 0, a x, a 2 x 2, a 3 x 3,...) und
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
MehrZiel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0.
6.4 Fixpunkt-Iteration Ziel: Iterative Lösung der (nichtlinearen) Gleichung f(x) = 0. Möglichkeiten: Bisektionsverfahren (Intervallhalbierung) Newton-Verfahren, x k+1 = x k f(x k) f (x k ) für k = 0, 1,
MehrAnalysis I. 1. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I. Beispielklausur mit en Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Das Bild einer Abbildung F: L M. (2) Eine Cauchy-Folge
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 1. Holomorphe Funktionen
Kapitel 1 Holomorphe Funktionen Zur Erinnerung: I IR sei ein offenes Intervall, und sei z 0 I. Eine Funktion f : I IR heißt differenzierbar in z 0, falls der Limes fz fz 0 lim =: f z 0 z z 0 z z 0 existiert.
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
MehrINGENIEURMATHEMATIK. 8. Reihen. Sommersemester Prof. Dr. Gunar Matthies
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik INGENIEURMATHEMATIK 8. Reihen Prof. Dr. Gunar Matthies Sommersemester 2016 G. Matthies Ingenieurmathematik
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
MehrP n (1) P j (1) + ε 2, j=0. P(1) P j (1) + ε 2 < ε. log(1+x) =
Zu ε > 0 gibt es ein N N mit P n (1) P j (1) < ε/2 für j,n > N, also gilt Es folgt (1 x) n 1 j=n+1 und schließlich mit n x j P n (1) P j (1) (1 x) ε 2 P n (1) P n (x) (1 x) P(1) P(x) (1 x) für x hinreichend
MehrMathematik für Bauingenieure
Mathematik für Bauingenieure von Kerstin Rjasanowa 1. Auflage Mathematik für Bauingenieure Rjasanowa schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Hanser München 2006 Verlag C.H.
MehrLösung zu Serie [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren.
Lineare Algebra D-MATH, HS 2014 Prof. Richard Pink Lösung zu Serie 8 1. [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren. a 1 A 1 a 2 A 2 a 3
Mehr49 Differenzierbarkeit, Richtungsableitung und partielle Differenzierbarkeit
49 Differenzierbarkeit, Richtungsableitung und partielle Differenzierbarkeit 49.1 Differenzierbarkeit 49.2 Eindeutigkeit des Differentials; Unabhängigkeit der Differenzierbarkeit von den gewählten Normen
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
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
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
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
Mehr4 Anwendungen des Cauchyschen Integralsatzes
4 Anwendungen des Cauchyschen Integralsatzes Satz 4. (Cauchysche Integralformel) Es sei f : U C komplex differenzierbar und a {z C; z z 0 r} U. Dann gilt f(a) = z z 0 =r z a dz. a z 0 9 Beweis. Aus dem
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrKarteikarten, Analysis 2, Sätze und Definitionen nach der Vorlesung von PD Hanke
Karteikarten, Analysis 2, Sätze und en nach der Vorlesung von PD Hanke Felix Müller, felix.b.mueller@physik.lmu.de Diese Karteikärtchen sollten alle en und Sätze der Vorlesung Analysis 2 bei Herrn PD Hanke
MehrSatz von Taylor Taylorreihen
Satz von Taylor Taylorreihen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de Tangente als Näherung Weil sich anschaulich die Tangente anschmiegt, ist die Tangentenfunktion
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 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.
MehrNewton-Verfahren für ein Skalarfunktion
Newton-Verfahren für ein Skalarfunktion Für eine Näherungsberechnung von Nullstellen einer reellen Funktion f(x) : R R benutzt man das Newton-Verfahren: x (n+1) = x (n) f(x (n) )/f (x (n) ). Das Newton-Verfahren
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
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
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.
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
MehrDer Fundamentalsatz der Algebra. 1 Motivation
Vortrag im Rahmen des Proseminars zur Analysis, 24. April 2006 Micha Bittner Motivation Den ersten des Fundamentalsatzes der Algebra erbrachte C.F. Gauss im Jahr 799 im Rahmen seiner Dissertation. Heute
MehrGMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida
GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?
MehrTaylor-Entwicklungen und Taylor-Polynome.
Taylor-Entwicklungen und Taylor-Polynome. Ausgangsfrage: Wie kann manf(x) in der Nähe vonx 0 approximieren? 0. Antwort:f(x) f(x 0 ) fürx x 0. 1. Antwort: Ist f differenzierbar, so gilt f(x) = f(x 0 )+f
Mehr6.1 Holomorphe Funktionen und Potenzreihen. n=0 α n (z z 0 ) n mit Konvergenzradius größer oder gleich r existiert und
Funktionentheorie, Woche 6 Analytische Funktionen 6. Holomorphe Funktionen und Potenzreihen Definition 6. Eine Funktion f : U C C nennt man analytisch in z 0 U, wenn es r > 0 gibt mit B r (z 0 ) U derart,
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
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
Mehr