6 Interpolation und numerische Approximation
|
|
- Jürgen Holzmann
- vor 6 Jahren
- Abrufe
Transkript
1 Numerik Interpolation und numerische Approximation 6.1 Polynominterpolation 6.2 Spline-Interpolation 6.3 Bestapproximation in Innenprodukträumen 6.4 Trigonometrische Interpolation 6.5 Schnelle Fourier-Transformation (FFT) 6.6 Anwendungen der FFT 6.7 Mustererkennung und Rekonstruktion von Signalen 6 Interpolation und numerische Approximation TU Bergakademie Freiberg, WS 2011/12
2 Numerik Polynominterpolation Das (allgemeine) Interpolationsproblem: Zu gegebener Funktion f : [a, b] C und gegebenen Stützstellen (Knoten) a x 0 < x 1 < x 2 < < x n b soll eine einfache Funktion p : [a, b] C konstruiert werden, die die Interpolationsbedingungen p(x i ) = f(x i ) (i = 0, 1,..., n) erf llt. Wozu? f ist nur an diskreten Punkten bekannt (Messwerte), aber eine geschlossene Formel für f ist auf ganz [a, b] erwünscht (z.b. um f an Zwischenstellen x [a, b] \ {x 0, x 1,..., x n } auszuwerten), f ist kompliziert und soll durch eine einfache Funktion angenähert werden (z.b. um die Ableitung f (x), x [a, b], oder das Integral b a f(x)dx näherungsweise zu bestimmen). 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
3 Numerik 257 Das polynomiale Interpolationsproblem: Zu gegebenen (paarweise verschiedenen) Knoten a x 0 < x 1 < x 2 < < x n b und gegebenen Funktionswerten f 0, f 1,..., f n C soll ein Interpolationspolynom p(x) = π n x n + π n 1 x n π 1 x + π 0 P n (mit komplexen Koeffizienten π 0, π 1,..., π n, d.h. n + 1 Freiheitsgrade) vom Grad n konstruiert werden, das die n + 1 Interpolationsbedingungen erfüllt. p(x i ) = f i (i = 0, 1,..., n) 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
4 Numerik 258 Satz 6.1. Die polynomiale Interpolationsaufgabe ist eindeutig lösbar. Mit den Lagrange-Grundpolynomen ([JOSEPH LOUIS LAGRANGE ( )]) l i (x) := n j=0 j i x x j x i x j P n (beachte l i (x i ) = 1 und l i (x j ) = 0 für j i) lässt sich das Interpolationspolynom in der Lagrange-Form p(x) = n f i l i (x) i=0 darstellen. 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
5 Numerik 259 Beispiel 1. Daten: (x 0, f 0 ) = ( 1, 1), (x 1, f 1 ) = (0, 1), (x 2, f 2 ) = (2, 2). Lagrange- Grundpolynome: l 0 (x) = x(x 2)/3, l 1 (x) = (x + 1)(x 2)/( 2), l 2 (x) = (x + 1)x/6. Interpolationspolynom: p(x) = l 0 (x) l 1 (x) + 2l 2 (x) = x 2 /2 + x/ L 0 L 1 L P 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
6 Numerik 260 Die Auswertung der Lagrange-Formel ist aufwendig, wenn ein neues Datenpaar hinzukommt. Eine rekursive Berechnung ist ökonomischer: Lemma 6.2. Für eine beliebige Indexmenge 0 i 0 < i 1 < < i k n bezeichne p i0,i 1,...,i k das (nach Satz 6.1 eindeutig bestimmte) Polynom vom Grad k, das die Bedingungen p i0,i 1,...,i k (x ij ) = f ij (j = 0, 1,..., k) erfüllt. Dann gilt die Rekursionsformel p i (x) = f i, p i0,i 1,...,i k (x) = (x x i 0 )p i1,i 2,...,i k (x) (x x ik )p i0,i 1,...,i k 1 (x) x ik x i Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
7 Numerik 261 Rechenschema (Algorithmus von Neville-Aitken, [CHARLES WILLIAM NEVILLE ( 1941)]; [ALEXANDER CRAIG AITKEN ( )] ): x i k = 0 k = 1 k = 2 k = 3 k = 4 x 0 p 0 (x) = f 0 p 0,1(x) x 1 p 1 (x) = f 1 p 0,1,2 (x) p 1,2 (x) p 0,1,2,3 (x) x 2 p 2 (x) = f 2 p 1,2,3 (x) p 0,1,2,3,4 (x) p 2,3 (x) p 1,2,3,4 (x) x 3 p 3 (x) = f 3 p 2,3,4 (x) p 3,4 (x) x 4 p 4 (x) = f 4 (Berechnungsreihenfolge : p 0 p 1 p 0,1 p 2 p 1,2 p 0,1,2 ) 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
8 Numerik 262 Beispiel 2 (vgl. Beispiel 1). x i k = 0 k = 1 k = (x ( 1))( 1) (x 0)( 1) 0 ( 1) = 1 (x ( 1))(3x/2 1) (x 2)( 1) 2 ( 1) (x 0)2 (x 2)( 1) 2 0 = 3 2 x 1 = 1 2 x x 1 Aufwand des Neville-Aitken Schemas (für Auswertung des Interpolationspolynoms vom Grad n an einer Stelle x): 5 2 n n + 1 Gleitpunktoperationen (falls die Differenzen x x i (0 i n) vorab bestimmt werden). 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
9 Numerik 263 Tableau der dividierten Differenzen von f (vgl. 4.4): x i k = 0 k = 1 k = 2 k = 3 k = 4 x 0 f 0 f 0,1 x 1 f 1 f 0,1,2 f 1,2 f 0,1,2,3 x 2 f 2 f 1,2,3 f 0,1,2,3,4 f 2,3 f 1,2,3,4 x 3 f 3 f 2,3,4 x 4 f 4 f 3,4 mit f i0,i 1,...,i k := f i 1,i 2,...,i k f i0,i 1,...,i k 1 x ik x i0 (k 1). 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
10 Numerik 264 Satz 6.3. (vgl. Satz 4.7 in 4.4) Mit Hilfe der dividierten Differenzen lässt sich das (nach Satz 6.1 eindeutig bestimmte) Interpolationspolynom p in Newton-Form darstellen. Rechenaufwand: p(x) = f 0 + f 0,1 (x x 0 ) + f 0,1,2 (x x 0 )(x x 1 ) + + f 0,1,...,n (x x 0 )(x x 1 ) (x x n 1 ) Zur Bestimmung der Differenzentafel: 3 2 (n2 + n) Gleitpunktoperationen. Zur Auswertung des Newtonschen Interpolationspolynoms mit dem Horner-Schema ([WILLIAM GEORGE HORNER ( )]): 3n Gleitpunktoperationen (pro Auswertungspunkt). 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
11 Numerik 265 Beispiel 3 (vgl. Beispiele 1 und 2). Dividierte Differenzen: x i k = 0 k = 1 k = f 0,1 = ( 1) ( 1) 0 ( 1) = f 0,1,2 = 3/2 0 2 ( 1) = Das bedeutet: f 1,2 = 2 ( 1) 2 0 = 3 2 p(x) = ( 1) + 0 (x ( 1)) (x ( 1))(x 0) = 1 2 x x Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
12 Numerik 266 Baryzentrische Interpolationsformeln. Das zu den (paarweise verschiedenen) Interpolationsknoten {x 0, x 1,..., x n } gehörende Knotenpolynom sei definiert durch ω n+1 (x) := (x x 0 )(x x 1 ) (x x n ) P n+1. Definiert man die baryzentrischen Gewichte {w j } n j=0 durch w j := nk=0 k j 1 (x j x k ) = 1 ω n+1 (x, j = 0,..., n, (6.1) j) so gilt für die Lagrange Grundpolynome w j l j (x) = ω n+1 (x), j = 0,..., n, x x j und hiermit lässt sich das Interpolationspolynom darstellen durch die Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
13 Numerik 267 erste baryzentrische Formel p(x) = ω n+1 (x) n j=0 f j w j x x j. Da die konstante Funktion f 1 exakt interpoliert wird gilt 1 = ω n+1 (x) n j=0 w j x x j, und somit nach Quotientenbildung und Kürzen die zweite baryzentrische Formel n p(x) = j=0 n f j w j x x j w j. j=0 x x j 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
14 Numerik 268 Aufdatierung. Bei Hinzunahme von x n+1 w neu j := w alt j x j x n+1, j = 0,..., n, (2n + 2 Flops). w n+1 aus (6.1), n + 1 weitere Flops, falls x j x n+1 gemerkt werden. Aufwand. Berechnung von {w j } n j=0 erfordert n j=1 3j = 3 2n(n + 1) Flops. Bei gegebenen Gewichten {w j } n j=0 5n + 4 = O(n) Flops. Weitere Vorteile. jede Auswertung von p in weiteren w j hängen nicht von den Daten f j ab, d.h. bei gegebenen Gewichten können beliebige Funktionen f in O(n) Flops interpoliert werden. w j unabhängig von Knotennummerierung (vgl. dividierte Differenzen). 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
15 Numerik 269 Beispiel. Interpolation an äquidistanten Knoten in [a, b] führt auf ( ) n w j = ( 1) j j = 0, 1,..., n j (modulo des gemeinsamen Faktors ( 1)n n! ( n). n b a) 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
16 Numerik 270 Satz 6.4 (Fehler der Polynominterpolation). Die Funktion f C n+1 [a, b] werde durch das Polynom p P n interpoliert an den paarweise verschiedenen Knoten {x 0, x 1,..., x n } [a, b]. Dann gibt es zu jedem x [a, b] ein ξ = ξ(x) (a, b) mit f(x) p(x) = ω n+1(x) (n + 1)! f (n+1) (ξ). Mit M n+1 := max a t b f (n+1) (t) gilt für alle x [a, b] die Fehlerabschätzung f(x) p(x) M n+1 (n + 1)! max ω n+1(t). (6.2) a t b 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
17 Numerik 271 Korollar 6.5. Die Funktion f C [a, b] mit f (n) (x) M x [a, b], n N, (6.3) werde für jedes n N durch das Polynom p n P n an der beliebigen Knotenfolge {x (n) j } n j=0 [a, b] interpoliert. Dann gilt max f(x) p n(x) 0 für n. x [a,b] Die sehr starke Forderung (6.3) ist erfüllt z.b. für e x, sin x, cos x und (natürlich) für Polynome. Bereits für die rationale Funktion f(x) = 1/x mit f (n) (x) = ±n!/x n+1 gilt (6.3) etwa auf dem Intervall [1, 2] schon nicht mehr. 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
18 Numerik 272 Optimale Knoten: Idee (motiviert durch Fehlerabschätzung): Wähle Knoten a x 0 < x 1 < < x n b so, dass max ω n+1(t) = max a t b a t b n t x i i=0 so klein wie möglich wird. Lösung: Tschebyscheff-Knoten ([PAFNUTIĬ L VOVICH TSCHEBYSCHEFF ( )]) x (T) i = b a 2 ( 2(n i) + 1 cos 2n + 2 ) π + a + b 2 (i = 0, 1,..., n) mit max a t b n i=0 t x (T) i = 2 ( b a für jede andere Wahl x 0,..., x n der Knoten. 4 ) n < max a t b n t x i i=0 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
19 Numerik 273 Knotenpolynome mit äquidistanten und Tschebyscheff-Knoten: 0.8 aequidistante Knoten Tschebyscheff Knoten Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
20 Numerik 274 Beispiel 4.(Runge a -Phänomen b ) Interpoliere an n + 1 äquidistanten Stützstellen f(x) = x 2 ( 5 x 5) (Runge-Funktion) 8 n=10 8 n= a [CARL DAVID TOLMÉ RUNGE ( )]. b C. Runge. Über emprirische Funktionen und die Interpolation zwischen äquidistanten Ordinaten. Zeitschrift für Mathematik und Physik 46 (1901) pp Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
21 Numerik 275 Beispiel 5. Interpoliere an n + 1 Tschebyscheff-Knoten f(x) = x 2 ( 5 x 5). 8 n=10 8 n= Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
22 Numerik 276 Fazit. Durch eine geeignete Knotenwahl (Tschebyscheff-Knoten) lässt sich auch die Runge-Funktion durch Interpolationspolynome beliebig genau annähern. Prinzipiell ist eine Approximation durch Interpolationspolynome aber nur dann ratsam, wenn man mit wenigen Knoten (d.h. mit Polynomen niedrigen Grades) ausreichend gute Ergebnisse erzielen kann. Das ist i.a. nur bei extrem glatten Funktionen (wie etwa bei der Exponentialfunktion) gewährleistet. (Die Runge-Funktion ist zwar in ganz R beliebig oft differenzierbar, besitzt aber Pole in ± 1. Wie gut eine Funktion durch reelle Interpolationspolynome genähert werden kann, hängt auch von der Lage ihrer komplexen Singularitäten ab!) Polynome hohen Grades neigen zu Oszillationen und sind daher zur Approximation oft unbrauchbar. 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
23 Numerik 277 Für äquidistante Knoten in [ 5, 5] gilt lim n ω n+1 (z) n+1 = G(z), { } 1 G(z) = exp Re [(z + 5) log(z + 5) (z 5) log(z 5)] i Im 0 x c x c 1 i Re Höhenlinien von G(z), rot gekennzeichnet ist das Niveau von G(±i), welches in ±x c ± die reelle Achse schneidet. 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
24 Numerik 278 Satz 6.6 (Runge, 1901). Besitzt die Funktion f keine Singularität im Gebiet D ρ := {z C : G(z) G(ρ)}, ρ > 0, so gilt p n (x) f(x) für n gleichmäßig für x [ ρ, ρ]. 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
25 Numerik 279 Eine Anwendung: Numerische Differentiation. Naheliegende Idee, um die n-te Ableitung einer komplizierten Funktion f anzunähern: (1) Bestimme ein Interpolationspolynom p vom Grad n für f. (2) Differenziere p n-mal: p (n) (x) = n! f 0,1,...,n. Beispiele: (a) Knoten: x 0 und x 1 = x 0 + h, d.h. f (x 0 ) p (x 0 ) = 1! f 0,1 = f(x 0 + h) f(x 0 ). h (b) Knoten: x 0 = x 1 h, x 1 und x 2 = x 1 + h, d.h. f (x 1 ) p (x 1 ) = 2! f 0,1,2 = f(x 1 + h) 2f(x 1 ) + f(x 1 h) h Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
26 Numerik 280 Problematik: Numerische Auslöschung. Für f(x) = sinh(x) = 1 2 (ex e x ) approximiere = f(0.6) = f (0.6) für h = 10 e, e = 1, 2,..., im IEEE-double-Format (Maschinengenauigkeit: eps = ). f(0.6 h) 2f(0.6) + f(0.6 + h) h 2 e f (0.6) e f (0.6) Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
27 Numerik 281 Diskretisierungsfehler 1 12 f (4) (0.6) h e, Rundungsfehler 4h 2 eps = 4 eps 10 2e Rundungsfehler optimale Schrittweite 10 5 Fehler Diskretisierungsfehler Schrittweite 6.1 Polynominterpolation TU Bergakademie Freiberg, WS 2011/12
28 Numerik Spline-Interpolation Splines sind stückweise Polynome. (Wörtlich: Spezielle biegsame Kurvenlineale, die durch Halterungen gezwungen werden, auf dem Zeichenpapier gegebene Punkte zu verbinden; wurden im Schiffsbau verwendet.) Idee: Um die Güte der Approximation zu verbesseren, wird hier nicht der Polynomgrad erhöht, sondern die Unterteilung des Intervalls verfeinert. Seien n + 1 Knoten in [a, b] gegeben: a = x 0 < x 1 < < x n 1 < x n = b. Mit T := [x 0, x 1 ] [x 1, x 2 ] [x n 1, x n ] bezeichnen wir die zugehörige Zerlegung des Intervalls [a, b]. Ein Spline vom Grad k bez. T ist eine Funktion s C k 1 [a, b], die auf jedem Teilintervall von T mit einem Polynom vom Grad k übereinstimmt: s [xi 1, x i ] P k für i = 1, 2,..., n. Satz 6.7. Die Menge ST k aller Splines vom Grad k bez. T ist ein (n + k)- dimensionaler linearer Raum. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
29 Numerik 283 Im Runge-Beispiel: 1 Runge Funktion Knoten linearer Spline kubischer Spline Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
30 Numerik Lineare Spline-Interpolation Einfachster Fall: k = 1. Ein Spline s vom Grad 1 (linearer Spline) ist charakterisiert durch die beiden Eigenschaften: 1. Auf jedem Teilintervall [x i 1, x i ] von T ist s linear: s(x) = α i + β i x für alle x [x i 1, x i ] und i = 1, 2,..., n. 2. Auf ganz [a, b] ist s stetig, d.h. für i = 1, 2,..., n 1 lim s(x) = α i + β i x i = α i+1 + β i+1 x i = x x i lim s(x). x x i + Interpolationsaufgabe: Zu vorgebener Zerlegung T = [x 0, x 1 ] [x 1, x 2 ] [x n 1, x n ] von [a, b] und zu vorgegebenen Werten f 0, f 1,..., f n bestimme man einen linearen Spline s ST 1 mit s(x i ) = f i für alle i = 0, 1,..., n. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
31 Numerik 285 Offensichtlich: Diese Aufgabe ist eindeutig lösbar: s(x) = f i 1 + f i f i 1 x i x i 1 (x x i 1 ) für x [x i 1, x i ] linearer Interpolationsspline x 0 x 1 x 2 x 3 x Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
32 Numerik 286 Fehler des linearen Interpolationssplines: (f C 2 [a, b]) Lokal, d.h. für x [x i 1, x i ]: f(x) s(x) = 1 2 f (ζ) (x x i 1 )(x x i ) 1 8 M 2,i h 2 i mit M 2,i = max xi 1 ζ x i f (ζ) und h i = x i x i 1. Global, d.h. für x [x 0, x n ]: f(x) s(x) 1 8 M 2 h 2 max mit M 2 = max 1 i n M 2,i = max x0 ζ x n f (ζ) und h max = max 1 i n h i. Adaptive Knotenwahl. Stategie: Fehler etwa gleich auf jedem Teilintervall. D.h.: Wähle h i invers proportional zu M 2,i (viele Knoten dort, wo die Krümmung von f groß ist). 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
33 Numerik 287 Zur Implementierung. Gegeben: x 0, x 1,..., x n und f 0, f 1,..., f n. Gesucht: Wert s(x) des linearen Interpolationssplines an der Stelle x. Bestimme g i 1 = (f i f i 1 )/(x i x i 1 ) für i = 1, 2,..., n. Falls x [x i 1, x i ], dann s(x) = f i 1 + g i 1 (x x i 1 ). Problem: Gegeben x, in welchem Teilintervall [x i 1, x i ] liegt x? Einfach, falls h i = h (äquidistante Knoten): { x x0 i = := min k N : k x x } 0. h h Schwieriger bei beliebigen Knoten: Binäres Suchen ergibt Komplexität von log 2 n. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
34 Numerik Kubische Spline-Interpolation Gesucht ist ein interpolierender kubischer Spline s S 3 T. Charakteristische Eigenschaften: 1. Auf jedem Teilintervall [x i 1, x i ] von T ist s kubisch: s(x) = p i (x) = α i + β i (x x i 1 ) + γ i (x x i 1 ) 2 + δ i (x x i 1 ) Auf ganz [a, b] ist s zweimal stetig differenzierbar, d.h.: p i (x i ) = p i+1 (x i ), p i(x i ) = p i+1(x i ), p i (x i ) = p i+1(x i ) für i = 1, 2,..., n Interpolationsbedingungen: s(x i ) = f i (i = 0, 1,..., n). Fazit: 3(n 1) + (n + 1) = 4n 2 Bedingungen, aber 4n Freiheitsgrade. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
35 Numerik 289 Drei Möglichkeiten für die erforderlichen zwei Zusatzbedingungen. Natürlicher Spline: s (x 0 ) = s (x n ) = 0 (N) Hermitescher oder vollständiger Spline ([CHARLES HERMITE ( )]): s (x 0 ) = f 0 und s (x n ) = f n mit f 0, f n R. (H) Periodischer Spline: Falls s(x 0 ) = s(x n ), s (x 0 ) = s (x n ) und s (x 0 ) = s (x n ). (P) 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
36 Numerik 290 Berechnung des kubischen Interpolationssplines. Auf jedem Teilintervall [x i 1, x i ] hat der kubische Spline die Form s(x) = p i (x) = α i + β i (x x i 1 ) + γ i (x x i 1 ) 2 + δ i (x x i 1 ) 3. Die Koeffizienten lassen sich durch die Momente µ i Funktionswerte f i (i = 0, 1,..., n) darstellen: := s (x i ) und die α i = f i 1, γ i = 1 2 µ i 1, β i = f i f i 1 h i δ i = µ i µ i 1 6h i, h i 6 (µ i + 2µ i 1 ), wobei h i := x i x i 1. M. a. W.: Ein kubischer Spline ist durch die Funktionswerte f i und die Momente µ i (i = 0, 1,..., n) eindeutig bestimmt. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
37 Numerik 291 Die (n + 1) Momente µ i erfüllen die (n 1) linearen Gleichungen h i 6 µ i 1 + h i + h i+1 µ i + h i µ i+1 = f i+1 f i h i+1 (i = 1, 2,..., n 1) und zwei Zusatzgleichungen: f i f i 1 h i (N) µ 0 = 0, µ n = 0, (H) h 1 3 µ 0 + h 1 6 µ 1 = f 1 f 0 f h 0, 1 h n 6 µ n 1 + h n 3 µ n = f n f n f n 1, h n (P) µ 0 = µ n, h 1 6 µ 1 + h 1 6 µ n 1 + h 1 + h n µ n = f 1 f n 3 h 1 f n f n 1 h n. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
38 Numerik 292 Wir definieren allgemein H k = H k (a, b) := { f : [a, b] R :f, f,..., f (k 1) absolutstetig, f (k) ex. f.ü, f (k) L 2 (a, b) } und setzen für f H k, f 2 := ( b a f (x) 2 dx) 1/2. Lemma 6.8. Für f H 2 und s S 3 T gilt f s 2 2 = f 2 2 s 2 2 { n 2 [f (x) s (x)]s (x) b a i=1 [f(x) s(x)]s (x) x i x i 1 + }. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
39 Numerik 293 Satz 6.9 (Minimierungseigenschaft kubischer Splines). Ist f H 2 und s ST 3 ein zugehöriger kubischer Interpolationsspline, der eine der drei Zusatzbedingungungen (N), (H) oder (P) erfüllt, dann folgt ( ) s 2 2 f 2 2 = b a f (x) 2 dx. Interpretation von Satz 6.9. Unter allen Funktionen f H 2 mit f(x i ) = f i, i = 0, 1,..., n minimiert der interpolierende kubische Spline mit einer der Zusatzbedingungen (H), (N) oder (P) näherungsweise die Biegeenergie E B (f) := b a f (x) 2 dx (1 + f (x) 2 ) 3/2 b a f (x) 2 dx. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
40 Numerik 294 Im Folgenden werden nur vollständige kubische Splines (Bedingung (H)) betrachtet, analoge Aussagen gelten unter den Bedingungen (N) bzw. (P). Die Momente des vollständigen kubischen Splines erfüllen das LGS (s.o.) h 1 h h 1 h 1 +h h h n 1 6 h n 1 +h n 3 h n6 h n6 h n3 µ 0 µ 1. µ n 1 µ n = d 0 d 1. d n 1 d n (6.4) mit d 0 = f 1 f 0 h 1 f 0, d j = f j+1 f j h j+1 f j f j 1 h j (1 j n), und d n = f n f n f n 1 h n. 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
41 Numerik 295 Lemma F r jede Wahl der Knoten a = x 0 < x 1 < < x n = b ist das Gleichungssystem (6.4) eindeutig lösbar. D.h.: Zu jeder Knotenwahl gibt es genau einen vollständigen kubischen Interpolationsspline f r f. Satz 6.11 (Fehler bei kubischer Spline-Interpolation). Ist f C 4 [a, b] und s ST 3 der vollständige kubische Interpolationsspline für f, dann gelten 5 max f(x) s(x) x [a,b] 384 M 4 h 4 max, max f (x) s (x) 1 x [a,b] 24 M 4 h 3 max, max f (x) s (x) x [a,b] 3 8 M 4 h 2 max mit M 4 := max a x b f (4) (x) und h max := max 1 i n h i = max 1 i n (x i x i 1 ). 6.2 Spline-Interpolation TU Bergakademie Freiberg, WS 2011/12
42 Numerik Bestapproximation in Innenprodukträumen Sei V ein Vektorraum über R oder C mit Innenprodukt (, ). Dann wird durch v := (v, v) 1/2 (v V ) eine Norm auf V definiert. Ist V bez. dieser Norm vollständig, so heisst (V, (, )) ein Hilbert-Raum. Beispiele: 1.) R n (C n ) mit Innenprodukt (x, y) = y x ((x, y) = y H x ) ist ein Hilbert- Raum. (Die vom Innenprodukt induzierte Norm ist die Euklid-Norm.) 2.) l 2 := { x = {x j } j N C : j=0 x i 2 < } mit dem Innenprodukt (x, y) = j=1 x jy j ist ein Hilbert-Raum. 3.) C := { x = {x j } j N l 2 : x j = 0 bis auf endlich viele j } mit dem Innenprodukt (x, y) = j=1 x jy j ist kein Hilbert-Raum. 4.) C n n mit dem Innenprodukt (A, B) = tr(b H A) ist ein Hilbert-Raum. (Die vom Innenprodukt induzierte Norm ist die Frobenius-Norm.) 5.) L 2 (a, b) = {f : [a, b] C : b a f(x) 2 dx < } mit dem Innenprodukt (f, g) = b f(x)g(x)dx ist ein Hilbert-Raum. a 6.3 Bestapproximation in Innenprodukträumen TU Bergakademie Freiberg, WS 2011/12
43 Numerik 297 Approximationsaufgabe: Sei U ein endlich-dimensionaler Teilraum des Innenproduktraums V und v V. Bestimme u = u (v) U mit u v < u v für alle u U, u u. u heißt die Bestapproximation an v aus U. Erinnerung. Sei U ein endlich-dimensionaler Teilraum des Innenproduktraums V. Dann ist die Orthogonalprojektion auf U P : V U definiert durch { v v U, P v = 0 v U. Ist {u 1, u 2,..., u n } eine Orthonormalbasis von U, so gilt P v = (v, u 1 )u 1 + (v, u 2 )u (v, u n )u n für alle v V. 6.3 Bestapproximation in Innenprodukträumen TU Bergakademie Freiberg, WS 2011/12
44 Numerik 298 Satz Sei U ein endlich-dimensionaler Teilraum des Innenproduktraums V, P die Orthogonalprojektion auf U und v V. Dann ist die Bestapproximation u aus U an v gegeben durch u = P v. Die Bestapproximation ist eindeutig bestimmt und charakterisiert durch u v U. Ist {u 1, u 2,..., u n } eine Orthonormalbasis von U, so gelten u = n (v, u j )u j und u = j=1 ( n ) 1/2 (v, u j ) 2 v j=1 sowie u v 2 = v 2 u Bestapproximation in Innenprodukträumen TU Bergakademie Freiberg, WS 2011/12
45 Numerik 299 Beispiel. Die Bestapproximation an A R n n aus dem Unterraum der symmetrischen Matrizen (bez. der Frobenius-Norm) ist A S := 1 2 (A + A ) (der symmetrische Anteil von A). Beispiel. Der Raum T n der trigonometrischen Polynome vom Grad n definiert durch T n := span{e ikt : k = 0, ±1,..., ±n} L 2 (0, 2π), (Bezeichnung: i 2 = 1) besitzt die Dimension 2n + 1. Die Funktionen { 1 2π e ikt } n k= n bilden eine ON-Basis von T n. Die Bestapproximation an f L 2 (0, 2π) aus T n ist also u n(t) = n k= n a k e ikt mit a k = 1 2π 2π 0 f(t)e ikt dt. 6.3 Bestapproximation in Innenprodukträumen TU Bergakademie Freiberg, WS 2011/12
46 Numerik 300 Bemerkung. Im Fall von a k = a k, k = 0, 1,..., n, (z.b. wenn f reellwertig ist) folgt mit α 0 = 2a 0, α k = 2 Re(a k ), β k = 2 Im(a k ) (k = 1, 2,..., n). Dies folgt aus u n(t) = u n(t) = α n [ αk cos(kt) + β k sin(kt) ] n k= n = a 0 + k=1 a k e ikt = a 0 + n a k e ikt + k=1 n a k e ikt k=1 n ( ak [cos(kt) + i sin(kt)] + a k [cos(kt) i sin(kt)] ) k=1 = a }{{} 0 + =: α 0 2 n [ 2 Re(ak ) cos(kt) 2 Im(a k ) }{{}}{{} =:α k k=1 =:β k ] sin(kt). 6.3 Bestapproximation in Innenprodukträumen TU Bergakademie Freiberg, WS 2011/12
47 Numerik Trigonometrische Interpolation Seien f 0, f 1,..., f m 1 R und x j := 2πj/m (j = 0, 1,..., m 1), d.h. x 0 < x 1 < < x m 1 sind äquidistante Knoten aus [0, 2π). Gesucht ist ein reelles trigonometrisches Polynom vom Grad n, t n (x) = α n [ αk cos(kx) + β k sin(kx) ], k=1 das die m Interpolationsbedingungen t n (x j ) = f j (j = 0, 1,..., m 1) (6.5) erfüllt. Hierbei ist n = { m 2 falls m gerade, m 1 2 falls m ungerade. 6.4 Trigonometrische Interpolation TU Bergakademie Freiberg, WS 2011/12
48 Numerik 302 Transformation auf den (komplexen) Einheitskreis: φ : [0, 2π) T := {z C : z = 1}, x z = e ix = cos x + i sin x. Die Knoten x j gehen ber in die m-ten Einheitswurzeln: φ(x j ) = e 2πij/m = [e 2πi/m ] j = ωm j (j = 0, 1,..., m 1) mit ω m := e 2πi/m = cos 2π m + i sin 2π m. Setzt man β 0 = 0 und für k = 0, 1,..., n [ ] [ 1 C 2 ak 2 := (α ] k iβ k ) 1 a k 2 (α = 1 k + iβ k ) 2 [ ] [ ] 1 i αk 1 i β k, d.h. 6.4 Trigonometrische Interpolation TU Bergakademie Freiberg, WS 2011/12
49 Numerik 303 ] ] ] ] R 2 [ αk β k = i [ 1 1 i ] [ ak a k = [ ak + a k i(a k a k ) = [ 2 Re(ak ) 2 Im(a k ), so folgt t n (x) = n a k e ikx = n a k z k = z n n a k z k+n = z n p 2n (z) k= n k= n k= n mit p 2n (z) = n k= n a kz k+n = 2n j=0 a j nz j P 2n. Wegen p 2n (ω j m) = ω jn m t n (x j ) ist die trigonometrische Interpolationsaufgabe hiermit zurückgeführt auf eine (gewohnliche) Interpolationsaufgabe für (algebraische) Polynome. 6.4 Trigonometrische Interpolation TU Bergakademie Freiberg, WS 2011/12
50 Numerik 304 Satz Zu beliebig vorgegebenen paarweise verschiedenen Knoten x 0, x 1,..., x 2n [0, 2π) und zu beliebigen Funktionswerten f 0, f 1,..., f 2n R gibt es genau ein reelles trigonometrisches Polynom t n T n mit t n (x j ) = f j (j = 0, 1,..., 2n). Lemma Für die m-ten Einheitswurzeln ω k m (k Z, m N) gelten: a) [ω k m] j = ω kj m = [ω j m] k (j Z), b) ω kl ml = ωk m (l Z, l 0), c) ω k m = ω k d) m 1 j=0 m, ω kj m = { m, falls k = 0 (mod m), 0, falls k 0 (mod m). 6.4 Trigonometrische Interpolation TU Bergakademie Freiberg, WS 2011/12
51 Numerik 305 Satz Das komplexe (algebraische) Interpolationspolynom p m 1 (z) = m 1 k=0 c k z k P m 1 mit p m 1 (ω j m) = f j C c k = 1 m m 1 j=0 (j = 0, 1,..., m 1) besitzt die Koeffizienten f j ω kj m, k = 0, 1,..., m 1. (6.6) In Matrix-Vektor-Schreibweise c 0 c 1. c m 1 = 1 m F m f 0 f 1. f m Trigonometrische Interpolation TU Bergakademie Freiberg, WS 2011/12
52 Numerik 306 mit der Fourier-Matrix F m := [ ωm kj ] 0 k,j m 1 = ωm 1 ω m+1 m ωm m+1 ωm (m 1)2 Bemerkung. Mit den Bezeichnungen aus Satz 6.15 minimiert das abgeschnittene Interpolationspolynom p m,d (z) := c 0 + c 1 z + + c d z d, 0 d m 1, unter allen Polynomen q P d die Fehlerquadratsumme zur Interpolationsvorschrift: m 1 j=0 f j p m,d (ω j m) 2 < m 1 j=0 f j q(ω j m) 2 für alle q P d, q p m,d. 6.4 Trigonometrische Interpolation TU Bergakademie Freiberg, WS 2011/12
53 Numerik 307 Satz Für m = 2n oder m = 2n + 1 gibt es zu beliebigen f 0, f 1,..., f m 1 R ein reelles trigonometrisches Interpolationspolynom t n (x) = α n [ αk cos(kx) + β k sin(kx) ] T n k=1 vom Grad n, das die m Bedingungen t n (2πj/m) = f j (j = 0, 1,..., m 1) erfüllt. Seine Koeffizienten sind gegeben durch α k = 2 m m 1 j=0 f j cos 2πjk m bzw. β k = 2 m m 1 j=0 f j sin 2πjk m, (k = 0, 1,..., n). Im Fall m = 2n muss β n = 0 gesetzt und α n halbiert werden. 6.4 Trigonometrische Interpolation TU Bergakademie Freiberg, WS 2011/12
54 Numerik Schnelle Fourier-Transformation (FFT) Seien {ω j m} m 1 j=0 die m-ten Einheitswurzeln, (ω m := e 2πi/m ). Wir unterscheiden zwei grundlegende Aufgabenstellungen: Diskrete Fourier-Analyse: Bestimme zu vorgegebenen Funktionswerten f 0,..., f m 1 C die Koeffizienten c 0,..., c m 1 des Interpolationspolynoms p(z) = m 1 j=0 c j z j mit p(ω j m) = f j (j = 0,..., m 1). Wir wissen: Mit der Fourier-Matrix F m := [ωm kj ] 0 k,j m 1 C m m gilt c 0 c 1. = 1 m F m f 0 f 1.. c m 1 f m Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
55 Numerik 309 Diskrete Fourier-Synthese (inverse Aufgabe): Bestimme zu vorgebenen Koeffizienten c 0,..., c m 1 C die Funktionswerte f 0,..., f m 1 des Polynoms p(z) = m 1 j=0 c jz j an den m-ten Einheitswurzeln ωm, 0... ωm m 1. Offensichtlich: f 0 f 1. = W m c 0 c 1. f m 1 c m 1 mit der Matrix W m := [ω kj m ] 0 k,j m 1 = F H m (= F m ) C m m. 6.5 Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
56 Numerik 310 Lemma Für die Fourier-Matrix F m gelten: = [ω kj m ] 0 k,j m 1 C m m (a) F m = F m (aber F H m F m für m > 2!), (b) F H m F m = mi m, d.h. die Spalten von F m sind orthogonal und besitzen alle die Euklid-Norm m. (c) F 1 m = 1 m F H m = 1 m F m. Diskrete Fourier-Transformationen (d.h. diskrete Fourier-Analysen und Synthesen) müssen in der Praxis oft berechnet werden (Signalverarbeitung, Lösung der Poisson-Gleichung etc.). Die naive Berechnung einer Fourier-Transformation (Matrix-Vektor Produkt mit F m /m bzw. W m ) erfordert offenbar O(m 2 ) komplexe Multiplikationen. Bei Anwendung der schnellen Fourier-Transformation (FFT) reduziert sich dieser Aufwand auf O(m log m) a a James William Cooley( 1926) and John Wilder Tukey ( ): An algorithm for the machine calculation of complex Fourier series, Math. Comp. 19, (1965). 6.5 Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
57 Numerik 311 Diese Verbesserung kann nicht überbewertet werden: It [the FFT] has changed the face of science and engineering so much that it is not an exaggeration to say that life as we know it would be very different without the FFT. [Charles Van Loan, Computational Frameworks for the Fast Fourier Transform, SIAM, Philadelphia 1992, p. ix] Wir setzen (aus schreibtechnischen Gründen) im Folgenden ( ) ( ) 2π 2π ζ m := ω m = e 2πi/m = cos i sin, m m so dass F m = [ζ kj m ] 0 k,j m 1. Außerdem sei m gerade. 6.5 Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
58 Numerik 312 Die Idee der FFT (für m = 8): Mit ζ := ζ 8 ist ζ ζ 2 ζ 3 ζ 4 ζ 5 ζ 6 ζ 7 1 ζ 2 ζ 4 ζ 6 ζ 8 ζ 10 ζ 12 ζ 14 1 ζ 3 ζ 6 ζ 9 ζ 12 ζ 15 ζ 18 ζ 21 F 8 =. 1 ζ 4 ζ 8 ζ 12 ζ 16 ζ 20 ζ 24 ζ 28 1 ζ 5 ζ 10 ζ 15 ζ 20 ζ 25 ζ 30 ζ 35 1 ζ 6 ζ 12 ζ 18 ζ 24 ζ 30 ζ 36 ζ 42 1 ζ 7 ζ 14 ζ 21 ζ 28 ζ 35 ζ 42 ζ Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
59 Numerik 313 Wegen ζ 8 = 1, d.h. ζ j = ζ k, wenn j k (ohne Rest) durch 8 teilbar ist, folgt ζ ζ 2 ζ 3 ζ 4 ζ 5 ζ 6 ζ 7 1 ζ 2 ζ 4 ζ 6 1 ζ 2 ζ 4 ζ 6 1 ζ 3 ζ 6 ζ ζ 4 ζ 7 ζ 2 ζ 5 F 8 =. 1 ζ 4 1 ζ 4 1 ζ 4 1 ζ 4 1 ζ 5 ζ 2 ζ 7 ζ 4 ζ ζ 6 ζ 3 1 ζ 6 ζ 4 ζ 2 1 ζ 6 ζ 4 ζ 2 1 ζ 7 ζ 6 ζ 5 ζ 4 ζ 3 ζ 2 ζ Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
60 Numerik 314 Jetzt nummerieren wir die Zeilen von F 8 um: zuerst werden die mit geradem (0,2,4,6), danach die mit ungeradem Index (1,3,5,7) gezählt. Die zugehörige Pemutationsmatrix wird mit P bezeichnet ζ 2 ζ 4 ζ 6 1 ζ 2 ζ 4 ζ 6 1 ζ 4 1 ζ 4 1 ζ 4 1 ζ 4 [ ] 1 ζ 6 ζ 4 ζ 2 1 ζ 6 ζ 4 ζ 2 B1,1 B 1,2 P F 8 = =: 1 ζ ζ 2 ζ 3 ζ 4 ζ 5 ζ 6 ζ 7 B 2,1 B 2,2 1 ζ 3 ζ 6 ζ ζ 4 ζ 7 ζ 2 ζ 5 1 ζ 5 ζ 2 ζ 7 ζ 4 ζ ζ 6 ζ 3 1 ζ 7 ζ 6 ζ 5 ζ 4 ζ 3 ζ 2 ζ Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
61 Numerik 315 Wir untersuchen die einzelnen Blöcke: Wegen ζ = ζ 8 ist ζ 2 = ζ 4, d.h B 1,1 = B 1,2 = 1 ζ 4 ζ4 2 ζ ζ4 2 ζ4 4 ζ4 6 = F 4. 1 ζ4 3 ζ4 6 ζ4 9 Aus den Spalten 0,1,2 bzw. 3 von B 2,1 klammern wir ζ0, ζ 1, ζ 2 bzw. ζ 3 aus : B 2,1 = 1 ζ 2 ζ 4 ζ 6 0 ζ ζ 4 1 ζ ζ 2 0 = F 4D 4. 1 ζ 6 ζ 4 ζ ζ Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
62 Numerik 316 Analog: B 2,2 = ζ ζ 2 ζ 4 ζ 6 0 ζ ζ 4 1 ζ ζ 6 0 = F 4(ζ 4 D 4 ) = F 4 D 4. 1 ζ 6 ζ 4 ζ ζ 7 Insgesamt erhalten wir [ ] F4 F 4 P F 8 = F 4 D 4 F 4 D 4 = [ ] [ ] F4 O I4 I 4. O F 4 D 4 D Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
63 Numerik 317 Satz Seien m gerade, σ die folgende (even/odd) Permutation σ = [0, 2..., m 2, 1, 3,..., m 1] und P = P σ die zugehörige Permutationsmatrix. Dann besitzt die zeilenpermutierte Fourier-Matrix F m die Zerlegung [ ] [ ] [ ] F m/2 F m/2 Fm/2 O Im/2 I m/2 P F m = =. F m/2 D m/2 F m/2 D m/2 O F m/2 D m/2 D m/2 Dabei bezeichnet D m/2 die Diagonalmatrix ( ) D m/2 = diag ζm, 0 ζm, 1..., ζm m/2 1 C (m/2) (m/2) mit ζ m = ω m = e 2πi/m. 6.5 Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
64 Numerik 318 Berechne jetzt y = F m x für ein x C m (m gerade). Gemäß der Zerlegung von F m aus Satz 6.18 unterteilen wir dies in zwei Schritte: 1. Reduktionsschritt: Berechne [ ] Im/2 I m/2 z = x. D m/2 D m/2 Im Fall m = 8 ergibt sich: z 0 = x 0 + x 4, z 1 = x 1 + x 5, z 2 = x 2 + x 6, z 3 = x 3 + x 7 z 4 = (x 0 x 4 ), z 5 = (x 1 x 5 )ζ m, z 6 = (x 2 x 6 )ζ 2 m, z 7 = (x 3 x 7 )ζ 3 m (m/2 komplexe Multiplikationen und m komplexe Additionen). 2. Teilprobleme: Berechne F m/2 z (0 : m/2 1) und F m/2 z (m/2 : m 1) (zwei Fourier-Transformationen der Dimension m/2). 6.5 Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
65 Numerik 319 Ist m = 2 p eine Zweierpotenz, so ist m/2 ebenfalls gerade und die beiden Fourier-Transformationen der Dimension m/2 können auf vier Fourier- Transformationen der Dimension m/4 reduziert werden. Der Aufwand zur Reduktion beträgt 2 m/4 = m/2 komplexe Multiplikationen (und 2 m/2 = m komplexe Additionen). Diese Prozess wird solange fortgesetzt bis man eine Multiplikation mit F m auf m Multiplikationen mit F 1 = [1] reduziert hat (eine Multiplikation mit F 1 erfordert offenbar keinen Aufwand). Dieses Reduktionsverfahren heißt schnelle Fourier-Transformation (FFT = Fast Fourier Transform). Satz Zur Durchführung einer schnellen Fourier-Transformation der Ordnung m = 2 p sind m 2 p = m 2 log 2(m) komplexe Multiplikationen und m log 2 (m) komplexe Additionen erforderlich. 6.5 Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
66 Numerik 320 Die naive Berechnung einer Fourier-Transformation der Länge m = 2 p durch F m x erfordert also 2 p+1 /p-mal mehr Multiplikationen als ihre Berechnung durch FFT. Wenn z.b. für p = 20 die FFT-Version eine Sekunde benötigt, so benötigt F m x etwa 29 Stunden. Verbleibendes Problem: Bestimmt man y = F m x durch FFT, so erhält man zunächst eine permutierte Version ỹ = Qy von y mit einer Permutationsmatrix Q R m m. Es gilt: Besitzt für m = 2 p der Index i {0, 1,..., m 1} die Binärdarstellung i = b p 1 2 p b b b 0 =: [b p 1... b 2 b 1 b 0 ] 2, und ist r(i) := [b 0 b 1 b 2... b p 1 ] 2 = b 0 2 p 1 + b 1 2 p 2 + b 2 2 p b p 1 (bit reversal), dann gelten y i = ỹ r(i) und ỹ i = y r(i). 6.5 Schnelle Fourier-Transformation (FFT) TU Bergakademie Freiberg, WS 2011/12
67 Numerik Anwendungen der FFT Schnelle Berechnung einer Faltung: Sei S m := { x = {..., x 0, x 1,..., x m 1,...} : x j C } der Raum der doppelseitigen m-periodischen Folgen. S m ist isomorph zum C m. Auf S m sind zwei Multiplikationen definiert: Hadamard-Produkt: [x y] k = x k y k, Faltung oder Cauchy-Produkt: [x y] k = Lemma 6.20 (Faltungssatz). Für x, y S m gelten F m (x y) = (F m x ) (F m y), m F m (x y) = (F m x ) (F m y). m 1 j=0 x j y k j. 6.6 Anwendungen der FFT TU Bergakademie Freiberg, WS 2011/12
68 Numerik 322 Ist m = 2 p, so kann die Faltung wegen x y = F 1 m [(F m x ) (F m y)] = 1 m F m [(F m x ) (F m y)] durch drei FFT s, also mit m(1.5 log 2 (m) + 1) komplexen Multiplikationen, bestimmt werden (konventionelle Berechnung erfordert m 2 Multiplikationen). Dies wird zur Multiplikation großer ganzer Zahlen und zur Multiplikation von Polynomen eingesetzt. 6.6 Anwendungen der FFT TU Bergakademie Freiberg, WS 2011/12
69 Numerik 323 Eine Matrix A C m m heißt zirkulant, wenn sie die Form A = circul(a 0,..., a m 1 ) = besitzt. a 0 a 1 a m 2 a m 1 a m 1 a 0 a m 3 a m a 2 a 3 a 0 a 1 a 1 a 2 a m 1 a Anwendungen der FFT TU Bergakademie Freiberg, WS 2011/12
70 Numerik 324 Lemma Mit Hilfe der (zirkulanten) Shiftmatrix S m := circul(0, 1, 0..., 0) C m m kann jede zirkulante Matrix A = circul(a 0, a 1,..., a m 1 ) in der Form A = p(s m ) = a 0 I m + a 1 S m + a 2 S 2 m + a m 1 S m 1 m, d.h. als Polynom in S m, geschrieben werden. Die Eigenwerte λ j von A sind deshalb durch gegeben. λ j = p ( ω j m) = p (exp (2πij/m)) (j = 0, 1,..., m 1) v j = ist ein zugehöriger Eigenvektor. [ ] ωm, 0 ωm, j ωm 2j,..., ω m (m 1)j 6.6 Anwendungen der FFT TU Bergakademie Freiberg, WS 2011/12
71 Numerik 325 Lemma Seien a = [a 0, a 1,..., a m 1 ] C m, A = circul(a) und x C m. Dann ist A x = a x. Satz Seien a, b C m und A = circul(a). Dann gelten: (a) det(a) 0 alle Komponenten von F m a sind von 0 verschieden. (b) Das LGS A x = b ist genau dann lösbar, wenn [F m a] j = 0 stets [F m b] j = 0 impliziert (j = 0, 1,..., m 1). (c) Ist A x = b lösbar, so gilt für jede Lösung x : [F m x ] j = [F m b] j /[F m a] j für alle j {0, 1,..., m 1} mit [F m a] j 0. Ist [F m a] j = 0 (und folglich [F m b] j = 0), so kann [F m x ] j beliebig gewählt werden. 6.6 Anwendungen der FFT TU Bergakademie Freiberg, WS 2011/12
72 Numerik 326 Mit Hilfe der FFT kann das Produkt einer zirkulanten Matrix der Dimension m mit einem Vektor also in nur m(1.5 log 2 (m) + 1) komplexen Multiplikationen berechnet werden (vgl. Lemma 6.22). Darüberhinaus kann ein m-dimensionales lineares Gleichungssystem A x = b mit einer zirkulanten Koeffizientenmatrix A, A = circul(a), i.w. durch 3 FFT s (in ebenfalls m(1.5 log 2 (m) + 1) komplexen Multiplikationen) gelöst werden (vgl. Satz 6.23): Ist A invertierbar, so gilt A b = 1 m F m ((F m b)./ (F m a)), wobei./ komponentenweise Division bezeichnet. 6.6 Anwendungen der FFT TU Bergakademie Freiberg, WS 2011/12
73 Numerik Mustererkennung und Rekonstruktion von Signalen Interpretiere die m Ecken eines Polygons, (x 0, y 0 ),..., (x m 1, y m 1 ), als komplexe Zahlen: f 0 = x 0 + iy 0,..., f m 1 = x m 1 + iy m 1 (i 2 = 1). Das Ergebnis einer diskreten Fourier-Analyse dieser Zahlen [c 0, c 1,..., c m 1 ] = 1 m F m[f 0, f 1,..., f m 1 ] nennt man diskretes komplexes Spektrum des Polygons. Es spiegelt geometrische Eigenschaften des Polygons wider und kann daher zur Klassifikation von Formen (Mustererkennung) verwendet werden. Lage- und größenunabhängig ist das normierte Amplitudenspektrum a k = c k+2 /c 1 (k = 0,..., m 3). 6.7 Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
74 Numerik a 1 < a 2, a 2 > a 3 ; a 1 > a 2, a 2 > a 3 ; a 1 > a 2, a 2 < a 3 ; 6.7 Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
75 Numerik Polygon E F H Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
76 Numerik Polygon E F H Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
77 Numerik Polygon E F H Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
78 Numerik 332 Gegeben: Signal f (Dimension m = 1024), k = 8 (16, 32). Aufgabe: Unterlege f mit Rauschen, bestimme die k groessten Fourier-Koeffizienten und rekonstruiere aus diesen das Signal. f_rausch = f +.1*randn(size(f)); c = fft(f_rausch); [ignore,j] = sort(abs(c)); ind = [m-k+1:m]; c_compr = zeros(size(c)); c_compr(j(ind)) = c(j(ind)); recon = ifft(c_compr); 6.7 Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
79 Numerik Signal 10 Signal (verrauscht) Rekonstruktion mit 8 Fourier Koeffizienten 10 4 Fehler Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
80 Numerik Signal 10 Signal (verrauscht) Rekonstruktion mit 16 Fourier Koeffizienten Fehler Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
81 Numerik Signal 10 Signal (verrauscht) Rekonstruktion mit 32 Fourier Koeffizienten Fehler Mustererkennung und Rekonstruktion von Signalen TU Bergakademie Freiberg, WS 2011/12
Mathematik II/2 Numerik
Mathematik II/2 Numerik Oliver Ernst Professur Numerische Mathematik Sommersemester 2013 Inhalt 1 Einleitung 2 Computer-Arithmetik und Fehleranalyse 2.1 Ein Beispiel 2.2 Gleitpunktzahlen 2.3 Rundung 2.4
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
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!)
Mehr3.6 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
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
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,
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
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
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.
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)
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
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) +...
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
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 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
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
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
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
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
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
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.
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
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.
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
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
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrDiskrete und Schnelle Fourier Transformation. Patrick Arenz
Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen
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.:
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
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
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
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
MehrBestimmen Sie die Lösung des Anfangswertproblems. y (x) 4y (x) 5y(x) = 6e x. y(0) = y (0) = 0.
Aufgabe Bestimmen Sie die Lösung des Anfangswertproblems y (x) 4y (x) 5y(x) = 6e x y(0) = y (0) = 0. Zunächst bestimmen wir die Lösung der homogenen DGL. Das charakteristische Polynom der DGL ist λ 2 4λ
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 4. Differentialrechnung Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
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
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
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
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
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
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
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
Mehr9. Übung zur Linearen Algebra II -
9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrAnalytische Zahlentheorie
4. April 005. Übungsblatt Aufgabe (4 Punkte Sei k N. Beweisen Sie, dass f : N C mit f(n := n k streng multiplikativ ist. Sei τ die Funktion, die der natürlichen Zahl n die Anzahl der Teiler von n zuordnet
MehrSkalarprodukt. Das gewöhnliche Skalarprodukt ist für reelle n-tupel folgendermaßen erklärt: Sind. und v := reelle n-tupel, dann ist
Orthogonalität p. 1 Skalarprodukt Das gewöhnliche Skalarprodukt ist für reelle n-tupel folgendermaßen erklärt: Sind u := u 1 u 2. u n reelle n-tupel, dann ist und v := v 1 v 2. v n u v := u 1 v 1 + u 2
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. 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
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
Mehry = A(x) y + b(x). (1) y = A(x) y (2)
73 5.2 Lineare Systeme Sei weiterhin IK = C oder IK = IR. Seien = I IR ein offenes Intervall, x 0 I, y 0 IK n, A: I IK n n und b: I IK n stetige matrix- bzw vektorwertige Funktionen. Wir betrachten komplexe
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
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
MehrInterpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression
Interpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at
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
Mehrcos(kx) sin(nx)dx =?
3.5 Fourierreihen 3.5.1 Vorbemerkungen cos(kx) sin(nx)dx =? cos gerade Funktion x cos(kx) gerade Funktion sin ungerade Funktion x sin(nx) ungerade Funktion x cos(kx) sin(nx) ungerade Funktion Weil [, π]
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
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
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
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
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
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
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
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
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
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:
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
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
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
MehrAufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).
Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
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
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
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
Mehrf(t) = a 2 + darstellen lasst Periodische Funktionen.
7. Fourier-Reihen Viele Prozesse der Ingenieur- und Naturwissenschaften verlaufen periodisch oder annahernd periodisch, wie die Schwingungen einer Saite, Spannungs- und Stromverlaufe in Wechselstromkreisen
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
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
Mehr2.9 Die komplexen Zahlen
LinAlg II Version 1 3. April 2006 c Rudolf Scharlau 121 2.9 Die komplexen Zahlen Die komplexen Zahlen sind unverzichtbar für nahezu jede Art von höherer Mathematik. Systematisch gehören sie zum einen in
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
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:
Mehr4 Direkte Verfahren für spezielle Systeme
Numerische Mathematik 150 4 Direkte Verfahren für spezielle Systeme 4.1 Die Cholesky-Zerlegung Satz 4.1 Es sei A = [a i,j ] R n n [C n n ] symmetrisch [Hermitesch]. Dann sind die folgenden Aussagen äquivalent:
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrLineare Differenzengleichungen
Lineare Differenzengleichungen Die Fibonacci-Zahlen F n sind definiert durch F 0 = 0 F 1 = 1 F n = F n 1 +F n 2 für n >= 2 Die letzte Zeile ist ein Beispiel für eine homogene lineare Differenzengleichung
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
Mehr7 Numerische Integration
Numerik 337 7 Numerische Integration Ziel numerischer Integration (Quadratur): Näherungswerte für b a f(t) dt. Wozu? Ein Beispiel: Eine Apparatur liefere Messwerte x i = x i + ε i. Angenommen, die Messfehler
MehrKAPITEL 1: ENDLICHE KÖRPER 1 ALLGEMEINES 2 GLEICHUNGEN ÜBER EINEM ENDLICHEN KÖRPER
RUPRECHT-KARLS-UNIVERSITÄT HEIDELBERG MATHEMATISCHES INSTITUT SEMINAR: QUADRATISCHE FORMEN ÜBER DEN RATIONALEN ZAHLEN SOMMERSEMESTER 2007 DOZENT: PROF. DR. KAY WINGBERG ASSISTENT: JOHANNES BARTELS KAPITEL
MehrAnalysis II für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg SoSe 2014 Prof. Dr. Armin Iske Dr. Hanna Peywand Kiani Analysis II für Studierende der Ingenieurwissenschaften Blatt 3, Hausaufgaben Aufgabe 1: a) Es sei
MehrKlausurlösung Einführung in Numerische Methoden und FEM Universität Siegen, Department Maschinenbau,
Universität Siegen, Department Maschinenbau, 7.7. Aufgabe y 3 l 3 3 F l l x Das dargestellte Fachwerk soll statisch mit Hilfe der FEM untersucht werden. Die Knoten und Elemente sind in der Abbildung nummeriert.
MehrPractical Numerical Training UKNum
Practical Numerical Training UKNum 2: Interpolation, Extrapolation, Splines Dr. C. Mordasini Max Planck Institute for Astronomy, Heidelberg Program: 1) Einführung 2) Direkte Methode 3) Dividierte Differenzmethode
MehrLineare Algebra I 8. Übungsblatt - Weihnachtszettel - Lösungen
Prof. Dr. Duco van Straten Blatt 8 - Lösungen Oliver Labs 8. Dezember 2003 Konrad Möhring Lineare Algebra I 8. Übungsblatt - Weihnachtszettel - Lösungen. Skizzieren Sie die folgenden Teilmengen der GAUSSschen
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
MehrB Lösungen. Aufgabe 1 (Begriffe zur Differenziation) Sei (x, y) R 2 Berechnen Sie zur Abbildung. f(x, y) := x sin(xy) f : R 2 R,
B en Aufgabe 1 (Begriffe zur Differenziation) Sei (x, y) R Berechnen Sie zur Abbildung f : R R, f(x, y) : x sin(xy) das totale Differenzial f df, die Jacobi-Matrix J f (x, y) und den Gradienten ( f)(x,
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
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
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
Mehr