Grundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
|
|
- Liese Pfaff
- vor 6 Jahren
- Abrufe
Transkript
1 Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen 1
2 Heute Themen: Dahmen & Reusken Kap. 2.1 Grundlagen: Normen und Taylorreihen eines Problems Was Sie heute mitnehmen sollten: Was ist die (relative) eines Problems? Wie wird sie berechnet? Wie sind die elementaren Rechenoperationen konditioniert? IGPM, RWTH Aachen Numerisches Rechnen 50
3 Taylorreihe Normierte Räume Definition Sei V ein Vektorraum. Eine Abbildung : V R heißt Norm auf V, falls v V gilt: v 0, und v = 0 nur wenn v = 0. Für alle α R gilt α v = α v Für alle v, w V gilt die Dreiecksungleichung v + w v + w Wenn eine Norm auf V definiert ist, nennt man V oft einen linearen normierten Raum. IGPM, RWTH Aachen Numerisches Rechnen 51
4 Taylorreihe Beispiel: Sei V = R n, x = (x 1,..., x n ) R n. Für jedes p mit 1 p definiert ( n ) 1 x p = x i p p i=1 eine Norm. Speziell: 1-Norm: x 1 = n x i i=1 -Norm: x = max x i i=1,...,n ( n ) Norm: x 2 = x 2 i i=1 2-Norm wird durch ein Skalarprodukt induziert. (Euklidische Norm) IGPM, RWTH Aachen Numerisches Rechnen 52
5 Taylorreihe Einheitskreise in R 2 (m = 2): {x R 2 : x 1} Trefethen & Bau IGPM, RWTH Aachen Numerisches Rechnen 53
6 Taylorreihe Auf einem endlich-dimensionalen Vektorraum V sind alle Normen äquivalent, d.h. zu je zwei Normen und existieren beschränkte, positive Konstanten c und C, so dass c v v C v, für alle v V Beispiel: Sei V = R n, dann gilt und x x 2 x 1 x 2 n x x 1 n x 2 x 1 n x IGPM, RWTH Aachen Numerisches Rechnen 54
7 Taylorreihe "Endlich-dimensionaler Vektorraum" beinhaltet nicht nur R n. Beispiel: Die Menge Π m := { m a i x i a i R } i=0 ist ein R-Vektorraum der Dimension m + 1. Die Monome m i (x) := x i, i = 0,..., m dienen als Basis. Sei V = C 0 (I), I = [a, b] R, dann ist ( b f p = f(x) p dx a ) 1 p. IGPM, RWTH Aachen Numerisches Rechnen 55
8 Taylorreihe Die induzierte Matrixnorm A einer Matrix A R n n ist die kleinste Zahl C, so dass die Ungleichung für alle x R n erfüllt ist. Definition Ax C x Sei A R n n und eine Norm auf R n, dann ist durch Ax A = sup x 0 x = sup Ax x =1 eine dazugehörige Matrixnorm definiert Beachte: Definition gilt entsprechend auch für A R m n. IGPM, RWTH Aachen Numerisches Rechnen 56
9 Taylorreihe Definition Sei A R n n und eine Norm auf R n, dann ist durch Ax A = sup x 0 x = sup Ax x =1 eine dazugehörige Matrixnorm definiert Es gilt: A 0, und A = 0 nur wenn A = 0. Für alle α R gilt α A = α A Für alle A, B R m n gilt die Dreiecksungleichung A + B A + B IGPM, RWTH Aachen Numerisches Rechnen 57
10 Taylorreihe Definition Sei A R n n und eine Norm auf R n, dann ist durch Ax A = sup x 0 x = sup Ax x =1 eine dazugehörige Matrixnorm definiert und: Ax A x Es gibt ein x R n mit Ax = A x AB A B I = 1 IGPM, RWTH Aachen Numerisches Rechnen 57
11 Taylorreihe Einheitskreise in R 2 und Bildbereich für A = [ ] Trefethen & Bau IGPM, RWTH Aachen Numerisches Rechnen 58
12 Taylorreihe Aus der Definition ergeben sich folgende Formeln: 1-Norm: A 1 = -Norm: A = max j=1,...,n i=1 max i=1,...,n j=1 (max. Spaltensumme) n a ij n a ij (max. Zeilensumme) 2-Norm: (Spektralnorm) A 2 = λ max (A T A) wobei λ max (A T A) der größte Eigenwert von A T A ist. IGPM, RWTH Aachen Numerisches Rechnen 59
13 Taylorreihe Beispiel: Für A = [ ] 2 3 ergibt sich: 1 1 A 1 = 4, A = 5. Die Eigenwerte der Matrix A T A = [ ] 5 5 kann man über 5 10 det(a T A λi) = 0 (5 λ)(10 λ) 25 = 0 bestimmen. Also λ 1 = 1 2 (15 5 5), λ 2 = 1 2 ( ) 1 und damit A 2 = 2 ( ). IGPM, RWTH Aachen Numerisches Rechnen 60
14 Taylorreihe Skalare Funktionen Taylorentwicklung (von f um x) Für hinreichend oft differenzierbares f : R R gilt f( x) = f(x) + f (x) ( x x) + f (2) (x) ( x x) f (k 1) (x) (k 1)! ( x x)k 1 + f (k) (ξ) ( x x) k, k! wobei ξ eine Zahl zwischen x und x ist. Hier steht f (n) (x) für die n-te Ableitung von f nach x, d.h. usw. f (2) (x) = f (x) = d2 f(x) dx 2, IGPM, RWTH Aachen Numerisches Rechnen 61
15 Taylorreihe Skalare Funktionen Taylorpolynom vom Grad k 1 in x p k 1 ( x) = f(x) + f (x) ( x x) + f (2) (x) ( x x) f (k 1) (x) (k 1)! ( x x)k 1. Für k = 1 erhält man als Spezialfall den Mittelwertsatz f( x) f(x) = f (ξ), x x wobei ξ eine Zahl zwischen x und x ist. Oft wird die Darstellung f( x) = p k 1 ( x) + O( x x k ) ( x x) verwendet. IGPM, RWTH Aachen Numerisches Rechnen 62
16 Taylorreihe Skalare Funktionen Taylorreihenentwicklung und 2. Ordnung um x = 0 von f(x) = 0.1x x 3 0.5x x Chapra & Canale IGPM, RWTH Aachen Numerisches Rechnen 63
17 Taylorreihe Skalare Funktionen 6 f(x) = e x Taylorpolynom 5. Grades in 0: p 5 (x) = 1 + x + x2 2! + x3 3! + x4 4! + x5 5! IGPM, RWTH Aachen Numerisches Rechnen 64
18 Taylorreihe Skalare Funktionen 3 f(x) = sin(x) Taylorpolynom 7. Grades in 0: p 7 (x) = x x3 3! + x5 5! x7 7! IGPM, RWTH Aachen Numerisches Rechnen 65
19 Taylorreihe Vektorwertige Funktionen Taylorentwicklung (von f um x) Für hinreichend oft differenzierbares f : R n R gilt n f(x) f( x) = f(x) + ( x j x j ) x j + n i,j=1 j=1 1 2 f(x) ( x i x i )( x j x j ) + O( x x x i x ). j ( f(x) Gradient: f(x) =,..., f(x) x 1 x n ( 2 ) n Hesse-Matrix: f f(x) (x) = x i x j i,j=1 ) T IGPM, RWTH Aachen Numerisches Rechnen 66
20 Taylorreihe Vektorwertige Funktionen Taylorentwicklung in kompakter Schreibweise oder f( x) = f(x) + ( f(x)) T ( x x) ( x x)t f (x)( x x) + O( x x 3 2 ). f( x) = f(x) + ( f(x)) T ( x x) + O( x x 2 2 ). Falls x x klein ist, kann man Terme zweiter Ordnung vernachlässigen und schreibt f( x). = f(x) + ( f(x)) T ( x x). = : Übereinstimmung nur in Anteilen 0. und 1. Ordnung. IGPM, RWTH Aachen Numerisches Rechnen 67
21 Fehlerquellen Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Fehler im Resultat auf Grund von Datenfehlern (oder Eingabefehlern) können häufig nicht vermieden werden eines Problems Fehler im Algorithmus (Verfahrensfehler, Rundungsfehler) Einfluss durch Anpassung des Verfahrens Stabilität eines Algorithmus IGPM, RWTH Aachen Numerisches Rechnen 68
22 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Ziel: Analyse der Fehlerverstärkung bei Datenfehlern Konzept der eines Problems Beachte: ist unabhängig von einem speziellen Lösungweg (Algorithmus) gibt an, welche Genauigkeit man bestenfalls (bei exakter Rechnung) bei gestörten Eingangsdaten erwarten kann. Für eine präzisere Beschreibung fassen wir den mathematischen Prozeß oder das Problem als Aufgabe auf, eine gegebene Funktion f : X Y an einer Stelle x X auszuwerten. IGPM, RWTH Aachen Numerisches Rechnen 69
23 Elementare Beispiele Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Die Berechnung der Multiplikation von x 1 und x 2 : f(x 1, x 2 ) = x 1 x 2 und X = R 2, Y = R. Die Berechnung der Summe von x 1 und x 2 : f(x 1, x 2 ) = x 1 + x 2 und X = R 2, Y = R. Man bestimme die kleinere Nullstelle der Gleichung y 2 2 x 1 y + x 2 = 0, mit x 2 1 > x 2. Die Lösung y ist y = f(x 1, x 2 ) = x 1 x 2 1 x 2. In diesem Fall gilt X = {(x 1, x 2 ) R 2 x 2 1 > x 2}, Y = R. IGPM, RWTH Aachen Numerisches Rechnen 70
24 Elementare Beispiele Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Bestimmung des Schnittpunktes zweier Geraden: G 1 = {(y 1, y 2 ) R 2 a 1,1 y 1 + a 1,2 y 2 = x 1 } G 2 = {(y 1, y 2 ) R 2 a 2,1 y 1 + a 2,2 y 2 = x 2 } wobei (x 1, x 2 ) T R 2 und a i,j gegeben seien. Mit [ ] a1,1 a A = 1,2 a 2,1 a 2,2 ergibt sich Ay = x. Annahme: det(a) 0, dann ist y durch y = A 1 x gegeben. Also Auswertung der Funktion f(x) = A 1 x, d.h. X = Y = R 2. IGPM, RWTH Aachen Numerisches Rechnen 71
25 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Begriff der Ungestörtes Problem }{{} x X Eingabedaten Gestörtes Problem x = x + x X }{{} Eingabedaten Problem, Prozeß f mit Eingabefehler x = x x Problem, Prozeß f Ausgabefehler y = ỹ y = f( x) f(x) y = f(x) Y }{{} Ausgabedaten ỹ = f( x) Y }{{} Ausgabedaten Ziel: Verhältnis Ausgabefehler y zu Eingabefehler x. IGPM, RWTH Aachen Numerisches Rechnen 72
26 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Begriff der : skalare Funktion f(x) ỹ = f( x) y = f(x) y x x x x Allgemein: absoluter Eingabefehler: x X absoluter Ausgabefehler: y Y IGPM, RWTH Aachen Numerisches Rechnen 73
27 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Begriff der : skalare Funktion f(x) ỹ = f( x) y = f(x) y x x x x Allgemein: relativer Eingabefehler: δ x = x X x X relativer Ausgabefehler: δ y = y Y y Y IGPM, RWTH Aachen Numerisches Rechnen 73
28 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Relative und Absolute Definition Mit der relativen eines (durch f beschriebenen) Problems bezeichnet man das Verhältnis δ y δ x des relativen Ausgabefehlers zum relativen Eingabefehler, d.h. die Sensitivität des Problems unter Störungen der Eingabedaten. Absolute : Verhältnis y Y x X Mit wird meistens die relative gemeint. Ein Problem ist umso besser konditioniert, je kleinere Schranken für δ y /δ x (mit δ x 0) existieren. IGPM, RWTH Aachen Numerisches Rechnen 74
29 Taylorentwicklung 1. Ordnung f(x) eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme ỹ = f( x) y y = f(x) x x x x : Verhältnis δ y δ x bzw. y Y x X. IGPM, RWTH Aachen Numerisches Rechnen 75
30 Taylorentwicklung 1. Ordnung f(x) eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme ỹ = f( x) y y = f(x) x x x x : Verhältnis δ y δ x bzw. y Y x X. IGPM, RWTH Aachen Numerisches Rechnen 76
31 Taylorentwicklung 1. Ordnung f(x) eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme ỹ = f( x) y = f(x) y f (x) x x x x x : Verhältnis δ y δ x bzw. y Y x X. IGPM, RWTH Aachen Numerisches Rechnen 77
32 : f : R R Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Taylorreihenentwicklung 1. Ordnung von f(x) um x f( x). = f(x) + f (x) ( x x) wobei ". =" andeutet, dass beide Seiten nur in den Anteilen nullter und erster Ordnung übereinstimmen. Daraus erhält man die für f : R R (Eingabe: Skalar, Ausgabe: Skalar) f( x) f(x). f(x) = κ rel (x) x x x mit κ rel (x) =. f x (x) f(x). IGPM, RWTH Aachen Numerisches Rechnen 78
33 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Für f : R n R lautet die Taylorreihenentwicklung 1. Ordnung f( x). = f(x) + ( f(x)) T ( x x) mit x = (x 1,..., x n ) T R n. Hieraus folgt f( x) f(x). n ( f(x) = f(x) x j=1 j. Mit den Verstärkungsfaktoren φ j (x) = f(x) x j erhält man x j f(x) x j f(x) ) xj x j x j f( x) f(x) f(x) }{{} rel. Fehler der Ausgabe. = n j=1 φ j (x) }{{} Fehlerverstärkung x j x j x j }{{} rel. Fehler der Eingabe IGPM, RWTH Aachen Numerisches Rechnen 79
34 f : R n R Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Damit erhält man die für f : R n R (Eingabe: Vektor, Ausgabe: Skalar) f( x) f(x) f(x) κ rel (x) n x j x j j=1 mit κ rel (x) = κ rel (x) = max φ j (x) und den j Verstärkungsfaktoren φ j (x) = f(x) x j x j f(x). x j IGPM, RWTH Aachen Numerisches Rechnen 80
35 Beispiel 2.12 Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Gegeben sei die Funktion f : R R, f(x) = e 3x2. Für die relative szahl erhält man κ rel (x) = f x (x) f(x) = 6 x2. Daraus folgt, dass diese Funktion für x klein gut konditioniert und für x groß schlecht konditioniert ist. Beispiel: x = 0.1, x = : κ rel (0.1) = x x = 10 4 = x f(x) f( x) f(x) x = 4, x = : κ rel (4) = 96 = 10 4 f(x) f( x) = x x x f(x) IGPM, RWTH Aachen Numerisches Rechnen 81
36 Elementare Rechenoperationen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme bei Multiplikation: x = (x 1, x 2 ) T, f(x) = x 1 x 2 κ rel (x) = 1 (von x unabhängig!) Multiplikation für alle Eingangsdaten gut konditioniert. Ein ähnliches Resultat gilt für die Division. Addition: x = (x 1, x 2 ) T, f(x) = x 1 + x 2 { } x 1 κ rel (x) = max x 1 + x, x 2 2 x 1 + x 2 Bei zwei Zahlen mit gleichem Vorzeichen: κ rel 1. ABER: κ rel (x) 1 wenn x 1 x 2. IGPM, RWTH Aachen Numerisches Rechnen 82
37 Beispiel 2.15 (Nullstelle) Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Bestimmung der kleineren Nullstelle y von y 2 2x 1 y + x 2 = 0: x = (x 1, x 2 ) T, y = f(x) = x 1 x 2 1 x 2 Partielle Ableitungen f(x) x 1 = f(x) x 2 = x 2 1 x 2 x 1 x 2 1 x 2 = y x 2 1 x x 2 1 x 2 Verstärkungsfaktoren φ j (x) = f(x) x j x j f(x) IGPM, RWTH Aachen Numerisches Rechnen 83
38 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Beispiel 2.15 (Nullstelle) Verstärkungsfaktoren φ 1 (x) = φ 2 (x) = y x 2 1 x 2 x 1 y = x 1 x 2 1 x x 2 1 x 2 x 2 y = φ 1(x) : κ rel (x) = max φ j (x) j hängt stark von der Stelle (x 1, x 2 ) ab: Wenn x 2 < 0: φ 1 (x) 1 und κ rel (x) 1 Wenn x 2 x 2 1 : φ 1(x) 1 und κ rel (x) 1 IGPM, RWTH Aachen Numerisches Rechnen 84
39 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme : f : R n R n Wir haben y = f(x) = A 1 x bzw. für gestörte Daten ỹ = f( x) = A 1 x Damit erhält man die für f : R n R n (Eingabe: Vektor, Ausgabe: Vektor) wobei f( x) f(x) f(x) A A 1 }{{} κ(a) κ(a) A A 1 die szahl der Matrix A ist. x x x IGPM, RWTH Aachen Numerisches Rechnen 85
40 Beispiel 2.28 Grundlagen eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Die Bestimmung des Schnittpunkts der Geraden 3 u u 2 = u u 2 = (fast parallel!) ergibt das Problem u = A 1 b mit ( ) ( ) A =, b = Die Lösung ist u = (1, 1) T. Wir berechnen den Effekt einer Störung in b: ( ) b =, ũ = A 4 1 b. Man rechnet einfach nach, dass A 1 = 1 ( ) ( ) , ũ = IGPM, RWTH Aachen Numerisches Rechnen 86
41 eines Problems Skalarwertige Probleme Beispiele Vektorwertige Probleme Beispiel 2.28 Als Norm wird die Maximumnorm genommen: x = x = max i x i. Es gilt Störung der Daten b b b = Änderung des Resultats ũ u u = Schlechte wird quantifiziert durch A A 1 = IGPM, RWTH Aachen Numerisches Rechnen 87
42 TU München: Mathe Vital URL Numerische Mathematik (im Aufbau) IGPM, RWTH Aachen Numerisches Rechnen 88
43 Zusammenfassung ist unabhängig von einem speziellen Lösungweg (Algorithmus) gibt an, welche Genauigkeit man bestenfalls (bei exakter Rechnung) bei gestörten Eingangsdaten erwarten kann. Was ist die (relative) eines Problems? Die relative eines Problems bezeichnet das Verhältnis des relativen Ausgabefehlers zum relativen Eingabefehler, d.h. die Sensitivität des Problems unter Störungen der Eingabedaten. IGPM, RWTH Aachen Numerisches Rechnen 89
44 Zusammenfassung Wie wird die berechnet? Wir haben folgende Fälle betrachtet f : R R (Eingabe: Skalar, Ausgabe: Skalar) f : R n R (Eingabe: Vektor, Ausgabe: Skalar) f : R n R n (Eingabe: Vektor, Ausgabe: Vektor) Fall f : R n R n nur für f linear Wie sind die elementaren Rechenoperationen konditioniert? Multiplikation und Division sind für alle Eingangsdaten gut konditioniert. Addition (bzw. Subtraktion) ist gut konditioniert, wenn beide Zahlen das gleiche (bzw. unterschiedliches) Vorzeichen haben; sehr schlecht konditioniert, wenn x 1 x 2 (bzw. x 1 x 2 ). IGPM, RWTH Aachen Numerisches Rechnen 90
Numerische Verfahren
Numerische Verfahren 1. Kapitel: Prof. Dr.-Ing. K. Warendorf Hochschule für Angewandte Wissenschaften München Fakultät 03 WS 13/14 Prof. Dr.-Ing. K. Warendorf (Fakultät 03) Numerische Verfahren WS 13/14
Mehr1 Grundlagen der Numerik
1 Grundlagen der Numerik 1.1 Gleitpunkt-Arithmetik Es gibt nur endlich viele Zahlen auf dem Computer. Gleitpunktzahl: x = σmb E σ: Vorzeichen B: Basis (feste Zahl >1); M: Mantisse E: Exponent B = 2 : Dualzahl
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 19 Fehlerbetrachtung R. Steuding
MehrNumerik für Informatiker, Elektrotechniker und Naturfreunde von Michael Lehn
Numerik für Informatiker, Elektrotechniker und Naturfreunde von Michael Lehn Verfasst von Patrick Schneider E-Mail: Patrick.Schneider@uni-ulm.de Universität Ulm Institut für Numerische Mathematik Sommersemester
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!)
Mehr3.4 Kondition eines Problems
38 KAPITEL 3. FEHLERANALYSE Beispiel 3.18 Betrachte M(10, 5, 1). Dann sind x 4.2832, y 4.2821, z 5.7632 darstellare Zahlen und (x y)z 0.00633952. Das korrekte Ergenis in M ist daher 0.0063395. Der Ausdruck
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
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
MehrVektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 18.12.15 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrDynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.2/29
Dynamische Systeme und Zeitreihenanalyse Komplexe Zahlen Kapitel 3 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.0/29 Motivation Für die
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
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrHöhere Mathematik für Physiker II
Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
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
Mehr3 Numerisches Rechnen
E Luik: Numerisches Rechnen 65 3 Numerisches Rechnen 31 Zahlen und ihre Darstellung Grundlage der Analysis bilden die reellen Zahlen Wir sind heute daran gewöhnt, eine reelle Zahl im Dezimalsystem als
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
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
MehrKlausur zur Höheren Mathematik IV
Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehr1 ALLGEMEINE HINWEISE Das Fach Mathematik für Wirtschaftswissenschaftler Bisheriger Aufbau der Klausur...
Grundlagen Mathe V Inhaltsverzeichnis 1 ALLGEMEINE HINWEISE... 1-1 1.1 Das Fach Mathematik für Wirtschaftswissenschaftler... 1-1 1.2 Bisheriger Aufbau der Klausur... 1-1 1.3 Zugelassene Hilfsmittel und
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrB Vektor- und Matrixnormen
XXXI B Vektor- und Matrixnormen Um die Länge von Vektoren aus einem Vektorraum V über K {R, C} (und damit den Abstand zweier Vektoren) zu messen, definieren wir Normen, das sind Abbildungen : V R + 0,
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrKlausur zur Mathematik für Maschinentechniker
SS 04. 09. 004 Klausur zur Mathematik für Maschinentechniker Apl. Prof. Dr. G. Herbort Aufgabe. Es sei f die folgende Funktion f(x) = 4x 4x 9x 6 x (i) Was ist der Definitionsbereich von f? Woistf differenzierbar,
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
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrAufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen
Aufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen 1. Bestimmen Sie für die folgenden Funktionen zunächst die kritischen Stellen und entscheiden
Mehrr i w i (siehe (3.7)). r i v, w i = 0.
Orthogonales Komplement und Orthogonalprojektion Wir betrachten weiterhin einen euklidischen Vektorraum V,,. (6.13) Def.: Ist M V, so heißt das orthogonale Komplement von M. (6.14) Fakt. (i) M ist Untervektorraum
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
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
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrDie Taylorreihe einer Funktion
Kapitel 6 Die Taylorreihe einer Funktion Dieser Abschnitt beschäftigt sich mit Taylorreihen, Taylorpolynomen und der Restgliedabschätzung für Taylorpolynome. Die Taylorreihe einer reellen Funktion ist
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 1 Hausaufgaben Aufgabe 1.1 Sei f : R R gegeben durch f(x 1, x ) = x 3
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
MehrKlausur HM I H 2005 HM I : 1
Klausur HM I H 5 HM I : 1 Aufgabe 1 4 Punkte): Zeigen Sie mit Hilfe der vollständigen Induktion: n 1 1 + 1 ) k nn k n! für n. Lösung: Beweis mittels Induktion nach n: Induktionsanfang: n : 1 ) 1 + 1 k
Mehr3 Lineare Differentialgleichungen
3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
MehrVektorräume und lineare Abbildungen
Kapitel 11. Vektorräume und lineare Abbildungen 1 11.1 Vektorräume Sei K ein Körper. Definition. Ein Vektorraum über K (K-Vektorraum) ist eine Menge V zusammen mit einer binären Operation + einem ausgezeichneten
Mehry hom (x) = C e p(x) dx
Gewöhnliche Differentialgleichungen F (x, y, y,..., y n ) = 0 Gleichung, die die Veränderliche x sowie die Funktion y = y(x) und ihre Ableitungen y,..., y n beinhaltet. Klassifiaktion: implizit F (...)
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
MehrNichtlineare Gleichungen
Nichtlineare Gleichungen Ein wichtiges Problem in der Praxis ist die Bestimmung einer Lösung ξ der Gleichung f(x) =, () d.h. das Aufsuchen einer Nullstelle ξ einer (nicht notwendig linearen) Funktion f.
MehrAbbildung 5.1: stabile und instabile Ruhelagen
Kapitel 5 Stabilität Eine intuitive Vorstellung vom Konzept der Stabilität vermitteln die in Abb. 5.1 dargestellten Situationen. Eine Kugel rollt unter dem Einfluss von Gravitation und Reibung auf einer
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Symmetrische
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
Mehr4 Affine Koordinatensysteme
4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner
Mehr5.6 Potential eines Gradientenfelds.
die Zirkulation des Feldes v längs aufintegriert. 5.6 Potential eines Gradientenfelds. Die Ableitung einer skalaren Funktion ist der Gradient, ein Vektor bzw. vektorwertige Funktion (Vektorfeld). Wir untersuchen
Mehr7.2.1 Zweite partielle Ableitungen
72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,
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,
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
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
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
MehrLUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 13. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Andreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.de Department Biologie II Telefon: 89-8-748 Großhadernerstr. Fax:
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrNichtlineare Gleichungen, mehrere Unbekannte
Dritte Vorlesung, 6. März 2008, Inhalt Aufarbeiten von Themen der letzten Vorlesung, und Nichtlineare Gleichungen, mehrere Unbekannte Systeme nichtlinearer Gleichungen Vektor- und Matrixnormen Fixpunkt-Iteration,
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrTaylorentwicklung von Funktionen einer Veränderlichen
Taylorentwicklung von Funktionen einer Veränderlichen 17. Januar 2013 KAPITEL 1. MATHEMATISCHE GRUNDLAGEN 1 Kapitel 1 Mathematische Grundlagen 1.1 Stetigkeit, Differenzierbarkeit und C n -Funktionen Der
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
MehrPrüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
MehrLineare Algebra 2 (SS 13) Blatt 13: Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,
MehrKlausur Mathematik I
Technische Universität Dresden 15. August 2008 Institut für Numerische Mathematik Dr. K. Eppler Klausur Mathematik I für Studierende der Fakultät Maschinenwesen (mit Lösungshinweisen) Name: Matrikelnummer.:
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrGroßes Lehrbuch der Mathematik für Ökonomen
Großes Lehrbuch der Mathematik für Ökonomen Von Professor Dr. Karl Bosch o. Professor für angewandte Mathematik und Statistik an der Universität Stuttgart-Hohenheim und Professor Dr. Uwe Jensen R. Oldenbourg
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
MehrKlausurenkurs zum Staatsexamen (WS 2014/15): Differential und Integralrechnung 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 204/5): Differential und Integralrechnung 6 6. (Frühjahr 2009, Thema, Aufgabe 3) Sei r > 0. Berechnen Sie die Punkte auf der Parabel y = x 2 mit dem
Mehr