Numerische Mathematik II
|
|
- Bernd Sachs
- vor 6 Jahren
- Abrufe
Transkript
1 Numerische Mathematik II Günter Bärwolff 15. März 2010 Skript, geschrieben parallel zur Vorlesung Numerische Mathematik im WS2009/10 an der TU Berlin, Stand nach Berücksichtigung der Korrekturhinweise von K. Peisert und A. Heydt i
2 Inhaltsverzeichnis 0 Vorwort 1 1 Numerische Lösung von AWPs gewöhnlicher Dgln Methoden zur geschlossenen Lösung von Dgln Trennung der Veränderlichen Variation der Konstanten Homogene Systeme mit konstanten Koeffizienten Existenz- und Eindeutigkeitsaussagen Theorie der Einschrittverfahren Spezielle Einschrittverfahren Euler-Verfahren Einschrittverfahren der Konsistenzordnung p = Verfahren höherer Ordnung Mehrstufige Runge-Kutta-Verfahren Einige konkrete Runge-Kutta-Verfahren und deren Butcher-Tabellen Asymptotische Entwicklungen Schrittweitensteuerung Einbettungsverfahren Schrittweitensteuerung durch Extrapolation Mehrschrittverfahren Technische Hilfsmittel zur Konstruktionvon linearen Mehrschrittverfahren Adams-Verfahren Konsistenzordnung linearer Mehrschrittverfahren Stabilität von Lösungsverfahren BDF-Verfahren Steife Differentialgleichungen Weitere klassische lineare Mehrschrittverfahren Zweipunkt-Randwertaufgaben Theoretische Grundlagen Einführendes Beispiel und Definitionen ii
3 2.1.2 Lösbarkeit des 1. RWP im symmetrischen Fall Maximum-Prinzip für lineare RWP Finite- Differenzen- Verfahren Definition der klassischen FDM Lösung des diskreten Problems Stabilitäts- und Konvergenzanalyse Ritz-Galerkin-Verfahren für RWP Variationsgleichungen Verallgemeinerte Ableitungen Ritz-Galerkin-Verfahren Finite-Element-Methode für Zweipunkt-RWP Weitere mögliche Basisfunktionen Kollokationsverfahren Schießverfahren Das einfache Schießverfahren für skalare Gleichungen Schießverfahren für Dgl.-Systeme Schießverfahren für lineare Randwertaufgaben Mehrzielverfahren (linearer Fall) Mehrzielverfahren (allgemeiner Fall) Partielle Differentialgleichungen und deren numerische Lösung Beispiele partieller Differentialgleichungen der math. Physik Numerische Lösungsmethoden für part. Dgln Finite-Differenzen-Methoden Finite-Volumen-Methode Matrix-Eigenwertprobleme Problembeschreibung und algebraische Grundlagen Abschätzungen und Lokalisierung von Eigenwerten Numerische Methoden zur Eigenwertberechnung Transformation auf Hessenberg- bzw. Tridiagonalform Newton-Verfahren zur Berechnung von Eigenwerten von Hessenberg-Matrizen Das Newtonverfahren für tridiagonale Matrizen Jacobi-Verfahren zur Eigenwertberechnung Von-Mises-Vektoriteration QR-Verfahren iii
4 Kapitel 0 Vorwort Diese Skript entsteht parallel zur Vorlesung im Wintersemester 2009/10 und enthält die wesentlichen Inhalte wie z.b. alle Definitionen und Sätze, wobei bei den Beweisen in der Regel nur Verweise auf Textbücher oder Beweisskizzen angegeben werden. Als Lehrbücher seien z.b. Robert Plato: Numerische Mathematik kompakt. Grundlagenwissen für Studium und Praxis Stoer/Bulirsch: Numerische Mathematik 1/2 Deuflhard/Hohmann/Bornemann: Numerische Mathematik 1/2 Hans R. Schwarz, Norbert Köckler: Numerische Mathematik Günter Bärwollf: Numerik für Ingenieure, Physiker und Informatiker Walter Oevel: Einführung in die numerische Mathematik empfohlen. 1
5 Kapitel 1 Numerische Lösung von AWPs gewöhnlicher Dgln. Im Ergebnis mathematischer Modellierungen entstehen oft Differentialgleichungen, die nicht geschlossen lösbar sind. Z.B. erhält man Dgln. der Form ẋ = αx βxy ẏ = γxy δy (1.1) 1. Vorlesung am wobei x(t) z.b. eine Beutepopulation und y(t) eine Räuberpopulation beschreiben (α, β, γ, δ > 0, reelle Konstanten). Mit vorgegebenen Anfangswerten, z.b. x(0) = x 0, y(0) = y 0 (1.2) hat man mit (1.1), (1.2) ein Anfangswertproblem mit einem System von Dgln. 1. Ordnung gegeben, dass nur numerisch lösbar ist. Als weitere Beispiele von AWP seien hier mathematische Modelle für den radioaktiven Zerfall dm dt = k(t)m, m(t 0) = m 0 R, wobei k(t) eine positive vorgegebene Funktion ist, bzw. das Modell für die Abkühlung eines idealen Körpers dt dt = k(t T u), T(t 0 ) = T 0 R, mit einer positiven reellen Konstanten k und der Umgebungstemperatur T u genannt. 2
6 1.1 Methoden zur geschlossenen Lösung von Dgln. Bevor man numerische Methoden zur Lösung von Dgln. bemüht, sollte man gegebenenfalls prüfen, ob eine Lösung auf analytischem Weg bestimmt werden kann. Im Folgenden sollen einige wichtige Methoden der geschlossenen Lösung von gewöhnlichen Dgln. kurz dargestellt werden Trennung der Veränderlichen Hat man eine homogene Dgl. der Form y = g(y)h(t) (1.3) zu lösen, dann kann man unter der Voraussetzung, dass g(y) 0 ist, unter Nutzung der Substitutionsregel den folgenden Lösungsweg beschreiben: y dy = h(t) = g(y) g(y) = h(t)dt = G(y) = H(t) + c, wobei hier davon ausgegangen wurde, dass mit G(y) und H(t) Stammfunktionen von 1 und h(t) vorliegen. Vorausgesetzt, dass der Teil des Definitionsbereiches von G(y), auf dem G injektiv ist, nichtleer ist, kann man g(y) mit y(t) = G 1 [H(t) + c] die allgemeine Lösung der Differentialgleichung bestimmen. c ist hierbei eine freie Konstante, die man bei Vorgabe einer Anfangsbedingung y(t 0 ) = y 0 durch c = G(y 0 ) H(t 0 ) bestimmen kann. Als Beispiel betrachten wir das AWP y = 2ty t 2 + 1, y(0) = 1. Nach Trennung der Veränderlichen y und t erhält man y y = 2t dy t = y = 2t t dt = ln y = ln(1 + t2 ) + c, und nach Integration erhält man y(t) = ± exp(c)(1 + t 2 ) =: c (1 + t 2 ) und die Berücksichtigung des AWs ergibt mit c = 1 die Lösung des AWPs y(t) = 1 + t 2. 3
7 1.1.2 Variation der Konstanten Hat man es mit einer linearen Differentialgleichung der Form y + a(t)y = f(t) (1.4) zu tun, dann gehen wir nun davon aus, dass man mit der Methode der Trennung der Veränderlichen die allgemeine Lösung y h (t) der zugehörigen homogenen Dgl. y + a(t)y = 0 bestimmt hat. Mit y h ist auch c y h eine Lösung der homogenen Dgl. y + a(t)y = 0 und durch den Ansatz der Variation der Konstanten y p (t) = c(t)y h (t) kann nun eine partikuläre Lösung y p der Dgl. (1.4) bestimmt werden. Mit erhält man durch Einsetzen in (1.4) y p(t) = c (t)y h (t) + c(t)y h(t) c (t)y h (t) + c(t)y h(t) + a(t)c(t)y h (t) = c (t)y h (t) + c(t)[y h(t) + a(t)y h (t)] = c (t)y h (t) = f(t), da y h Lösung der homogenen Dgl. ist. Unter der Voraussetzung, dass y h 0 gilt, erhält man mit f(t) c(t) = y h (t) dt die variierte Konstante und erhält schließlich mit y(t) = c 0 y h (t) + y p (t), c 0 R, die allgemeine Lösung der Dgl. (1.4). Die freie Konstante c 0 erlaubt die Erfüllung einer Anfangsbedingung. Hat man die mit y h (t) = c 1 y 1 (t) + + c n y n (t) die allgemeine Lösung des linearen homogenen Dgl.-Systems 1. Ordnung y = A(t)y, (1.5) wobei A(t) eine (n n)-matrix stetiger Koeffizientenfunktionen ist, gegeben, dann kann man für das lineare inhomogene Dgl.-System y = A(t)y + f(t) 4
8 ebenfalls durch Variation der Konstanten eine partikuläre Lösung bestimmen. Der Ansatz ergibt nach Differentiation y p (t) = c 1 (t)y 1 (t) + + c n (t)y n (t) =: W(t)c(t) y p(t) = W (t)c(t) + W(t)c (t) = A(t)W(t) + f(t) = W(t)c (t) = f(t), da die Spalten y k der Matrix W(t) Lösungen des homogenen Systems sind. Bilden y k, k = 1,...,n, eine Lösungsbasis, handelt es sich bei der Matrix W um die Wronski-Matrix und man erhält nach Integration c(t) = W 1 (t)f(t)dt mit y(t) = c 1 y 1 (t) + + c n y n (t) + W(t)c(t) die allgemeine Lösung des linearen inhomogenen Dgl.-Systems (1.5) (W 1 (t) existiert, da y k, k = 1,...,n, eine Lösungsbasis ist) Homogene Systeme mit konstanten Koeffizienten Im vorigen Abschnitt wurde von einer allgemeinen Lösung eines homogenen Dgl.-Systems 1. Ordnung ausgegangen. Im Allg. ist die Bestimmung einer solchen allgemeinen Lösung nicht ohne Weiteres möglich. Recht einfach wird es jedoch im Fall eines Systems mit konstanten Koeffizienten, d.h. Systemen der Form y = Ay, (1.6) mit einer konstanten (n n)-matrix. Besonders einfach wird es, wenn die Matrix A diagonalisierbar ist, d.h. in der Form A = BΛB 1 mit einer Diagonalmatrix Λ darstellbar ist. Die Spalten von B bestehen dabei aus den Eigenvektoren von A und die Diagonalmatrix Λ enthält die Eigenwerte λ k, wobei auch mehrfache EW möglich sind, bei denen allerdings die algebraische und geometrische Vielfachheit im Falle der Diagonalisierbarkeit übereinstimmt. Mit der Hilfsfunktion z = B 1 y erhält man aus (1.5) y = BΛB 1 y = z = Λz 5
9 mit den Lösungen z k (t) = c k e λ k t, k = 1,...,n, c k R, für die einzelnen Komponenten von z. Für die allgemeine Lösung von (1.5) erhält man schließlich y(t) = c 1 e λ 1 t b c n e λn t b n. Die Lösung von (1.5) ist also gleichbedeutend mit der Lösung des Eigenwertproblems für die Matrix A. Etwas komplizierter ist der allgemeine Fall einer Matrix A, die nicht diagonalisierbar ist. Hier wird die Jordansche Normalform benötigt, d.h. eine reguläre Matrix B und eine Matrix D (Jordansche Normalform) D = J 1... J k, J i = mit den (n i n i )-Jordan-Kästchen J i, so dass λ i 1 λ i 1 A = BDB 1 B 1 AB = D λ i, gilt. Wie oben führen wir die Hilfsfunktion z = B 1 y ein, wobei z(t) = (z (1) (t),...,z (k) (t)) T mit z (i) (t) R n i partitioniert ist. Das Gleichungssystem (1.6) lässt sich zerlegen in die separaten Systeme [z (i) (t)] = J i z (i) (t), 1 i k. Es ist nun leicht festzustellen, dass das Gleichungssystem λ 1 w λ 1 = Jw, J = Rs s, λ also w 1 = λw 1 + w 2. w s 1 w s = λw s 1 + w s = λw s 6
10 die allgemeine Lösung w s (t) = c s e λt w s 1 (t) = (c s 1 + c s t)e λt. (1.7) w 1 (t) = (c 1 + c 2 t + + c st s 1 (s 1)! eλt hat. Die allgemeine Gestalt von z (i) entnimmt man jeweils aus (1.7) für λ = λ i und s = n i. Mit y = Bz erhält man schließlich die allgemeine Lösung des ursprünglichen Problems. Alles in allem lässt sich die Lösung eines linearen homogenen Dgl.-Systems mit konstanten Koeffizienten auf die Lösung eines EW-Problems der Koeffizientenmatrix oder allgemeiner auf die Bestimmung der Jordanschen Normalform der Koeffizientenmatrix A zurückführen (die Bestimmung der Jordanschen Normalform fällt mit der Diagonalisierung zusammen, wenn bei allen EW von A die algebraische mit der geometrischen Vielfachheit übereinstimmt) Existenz- und Eindeutigkeitsaussagen Wenn man Lösungen nicht wie in den diskutierten Fällen ausrechnen kann, dann sollte vor einer evtl. numerischen Lösung klar sein, ob überhaupt eine Lösung existiert, und wenn ja, ob es die einzige ist. Im Folgenden werden die wichtigsten Aussagen zur Existenz und Einzigkeit der Lösung von Anfangswertproblemen der Form 2. Vorlesung am Die wichtigsten Anforderungen an die Funktion y = f(t,y), y(t 0 ) = y 0, (1.8) f : [t 0,T] R n R n sollen an Beispielen herausgearbeitet werden. Betrachtet man die Dgl. y = sgn(t), d.h. man hat als rechte Seite eine unstetige Funktion, dann gibt es in jedem Intervall, das Null enthält, keine Lösung, denn für t > 0 hätte man mit y(t) = t und für t < 0 mit y(t) = t eine Lösung, und das ergibt eine Funktion, die an der Stelle t = 0 nicht diff bar ist, was aber für eine Lösung einer Dgl. zutreffen sollte. Damit ist die Stetigkeit zumindest eine notwendige Voraussetzung für die Existenz einer Lösung. Diesen Sachverhalt beschreibt der 7
11 Satz 1.1 (Peano). Für das AWP (1.8) sei f : Z a,b R n stetig auf Z a,b := [t 0 a,t 0 + a] Ūn b (y 0 ) (mit Ūn b (y 0) = {y R n y y 0 b}, a,b > 0). Dann existiert mindestens eine Lösung des AWPs (1.8) auf dem Intervall [t 0 α,t 0 + α], wobei α := min{a, b M }, M := max{ f(t,y) (t,y) Z a,b}. Dieser Satz wird auch Existenzsatz von Peano genannt. Der Beweis wird unter Zuhilfenahme von Euler-Polygonen, die uns spaeter bei der numerischen Lösung von AWPs begegnen werden, unter wesentlicher Nutzung der Stetigkeitsvoraussetzung geführt. Aber nicht hier. Zum Nachlesen sei z.b. auf das Buch von B. Aulbach Gew. Dgln. verwiesen. Nach dem Satz von Peano existiert also bei Stetigkeit der rechten Seite ein Lösung. Wir werden aber mit dem folgenden Beispiel sehen, dass die Stetigkeit keine Eindeutigkeit garantiert. Wir betrachten das Beispiel y = 3 y 2, y(0) = 0. Mit der Trennung der Veränderlichen findet man die allgemeine Lösung der Form y(t) = 1 (t c)3 27 mit c R. Als Lösungen des AWPs findet man mit 1 (t 27 α)3, t α y α,β (t) = 0, t = 0 1 (t 27 β)3, t β wobei α 0 β beliebige reelle Zahlen sind. Man findet damit unendlich viele Lösungen des AWPs. Die rechte Seite f(t,y) = 3 y 2 ist offensichtlich stetig. Allerdings ist die rechte Seite in der Nähe von y = 0 nicht Lipschitzstetig. Grob gesprochen liegt das daran, dass die Ableitung f y (t,y) = 2 3y 1/3 für kleine y groß wird, d.h. man findet keine Lipschitz-Konstante L, so dass f(t,y 1 ) f(t,y 2 ) L y 1 y 2 für alle t und y 1,y 2 R gilt. Im folgenden Satz von Picard-Lindelöf wird gezeigt, dass im Falle der Lipschitz-Stetigkeit von f bezügl. y die Eindeutigkeit einer Lösung gesichert ist. 8,
12 Satz 1.2 (Picard-Lindelöf). Für das AWP (1.8) sei f : Z a,b R n stetig auf Z a,b := [t 0 a,t 0 + a] Ūn b (y 0 ) (mit Ūn b (y 0) = {y R n y y 0 b}, a,b > 0). Außerdem gebe es eine Konstante L 0 mit der Eigenschaft f(t,y) f(t,z) L y z für alle (t,y), (t,z) Z a,b. (1.9) Dann existiert genau eine Lösung des AWPs (1.8) auf dem Intervall [t 0 α,t 0 + α], wobei α := min{a, b M }, M := max{ f(t,y) (t,y) Z a,b}. Beweis. Im folgenden werden die wesentlichen Beweis-Schritte skizziert. Schritt 1: Auf [t 0 α,t 0 + α] wird die Folge der Picard-Iterierten λ 0 (t) := y 0 λ k+1 (t) := y 0 + t konstruiert, wobei mit dem Nachweis der Ungleichung t 0 f(s,λ k (s))ds, k N (1.10) λ k (t) y 0 b und damit (s,λ k (s)) Z a,b, also im Def.-Bereich von f, die Konstruktion gerechtfertigt wird. 2. Schritt: Mit vollst. Induktion wird für alle t [t 0 α,t 0 + α] und alle k N die Ungleichung λ k+1 (t) λ k (t) ML k t t 0 k+1 (k + 1)! gezeigt, wobei wesentlich die Voraussetzung (1.9) benutzt wird. 3. Schritt: Es wird die gleichmäßige Konvergenz der Funktionenfolge (λ k (t)) k N auf dem Intervall [t 0 α,t 0 + α] gezeigt. Die Grenzfunktion wird mit λ (t) bezeichnet. 4. Schritt: Es wird gezeigt, dass die Grenzfunktion λ (t) Lösung des AWP ist, d.h. dass λ (t) = y 0 + t t 0 f(s,λ (s))ds gilt. Dazu wird gezeigt, dass mit (λ k (t)) k N auch f(t,λ k (t)) k N gleichmäßig auf [t 0 α,t 0 + α] konvergiert. 9
13 5. Schritt: Die Eindeutigkeit wird gezeigt, indem man annimmt, dass mit µ(t) eine weitere Lösung des AWP existiert. Durch vollst. Induktion zeigt man, dass λ k (t) µ(t) ML k t t 0 k+1 (k + 1)! gilt, und damit mit dem Grenzübergang k die Gleichheit von λ (t) und µ(t) gezeigt wird. Aus dem Satz 1.2 folgt für jedes n N die folgende Fehlerabschätzung für die Picard-Iterierten λ k (t) λ (t) ML k α k+1 (k + 1)! (1.11) für alle t [t 0 α,t 0 + α]. Mit dem Satz von Picard-Lindelöf liegt somit nicht nur ein qualitatives Ergebnis vor, sondern mit den Picard-Iterierten (1.10) ein Algorithmus zur Konstruktion von Näherungslösungen sowie mit (1.11) eine Fehlerabschätzung (vorausgesetzt, man kann M und L quantifizieren). 1.2 Theorie der Einschrittverfahren Definition 1.3. Unter dem Richtungsfeld der Differentialgleichung y = f(t,y) 3. Vorlesung am versteht man das Vektorfeld r(t,y) = 1 1+f 2 (t,y) f(t,y) 1+f 2 (t,y) d.h. das Vektorfeld der normierten Steigungen Betrachtet man um einen beliebigen Punkt (t 0,y 0 ) der (t,y)- Ebene, kann man Lösungskurven y(t) durch diesen Punkt annähern: Beispiel. y = y 2 + t 2, r(t,y) = 1 1+(y 2 +t 2 ) 2 y 2 +t 2 1+(y 2 +t 2 ) 2 10
14 (I) y (t 0 ) = y t 2 0, (t 0 = a entspricht Start in Anfangspunkt (a,y 0 )) t-achse wird durch t k = t 0 + hk äquidistant unterteilt (II) mit dem Schritt von Punkt (t 0,y 0 ) zu (t 0 + h,y 0 + hy (t 0 )) =: (t 1,y 1 ) bzw. allgemein vom Punkt (t k,y k ) zu (t k + h,y k + hf(t k,y k )) =: (t k+1,y k+1 ) erhält man mit h = b a N nach m Schritten mit y 0,y 1,...,y N unter günstigen Umständen eine Approximation der Lösung y(t) an den Stellen a = t 0,t 1,...,t N = b (III) D.h. man fährt das Richtungsfeld geeignet ab, um eine numerische Lösung y k,k = 0, 1,...,N zu erhalten Die Polygonzüge, die man beim durchlaufen des Richtungsfeldes erzeugt, nennt man auch Eulerpolygone. Diese Polygonzüge finden z.b. Verwendung bei dem Beweis des Existenzsatzes von Peano. Im Folgenden werden wir sie aber auch bei den numerischen Lösungsverfahren für Anfangswertprobleme (1.8) verwenden. Definition 1.4. Ein Einschrittverfahren zur näherungsweisen Bestimmung einer Lösung des AWP (1.8) hat die Form y k+1 = y k + h k Φ(t k,y k,y k+1,h k ), k = 0, 1,...,N 1 (1.12) mit einer Verfahrensfunktion Φ : [a,b] R R R + R und einem (noch nicht näher spezifizierten) Gitter bzw. Schrittweiten = {a = t 0 < t 1 <... < t N b}, h k := t k+1 t k, k = 0, 1,...,N 1 (1.13) Bemerkung. Hängt die Verfahrensfunktion nicht von y k+1 ab, ist die Berechnungsvorschrift (1.12) eine explizite Formel zur Berechnung von y k+1 und man spricht von einem expliziten Einschrittverfahren. 11
15 Zur Klassifizierung und Bewertung von numerischen Lösungsverfahren für AWP benötigen wir im Folgenden einige Begriffe (y(t) bezeichnet hier die exakte Lösung). Definition 1.5. Unter dem lokalen Diskretisierungsfehler an der Stelle t k+1 des Verfahrens (1.12) versteht man den Wert d k+1 := y(t k+1 ) y(t k ) h k Φ(t k,y(t k ),y(t k+1 ),h k ) (1.14) Bemerkung 1.6. Benutzt man die Darstellung y k+1 = y(t k ) + h k Φ(t k,y(t k ),y(t k+1 ),h k ) für die an der Stelle t = t k+1 berechnete Näherung mit einem Einschrittverfahren mit der Verfahrensfunktion Φ, dann kann man den lokalen Diskretisierungsfehler auch in der Form d k+1 := y(t k+1 ) y k+1 (1.15) darstellen. Da man t k+1 beliebig aus [a,b] durch die Wahl eines geeigneten h wählen kann, kann man den lokalen Diskretisierungsfehler an der Stelle t auch in der Form aufschreiben. τ(t,h) = y(t + h) y(t) hφ(t,y(t),y(t + h),h) Definition 1.7. Unter dem globalen Diskretisierungsfehler g k an der Stelle t k versteht man den Wert g k := y(t k ) y k Definition 1.8. Ein Einschrittverfahren (1.12) besitzt die Fehlerordnung p, falls für seinen lokalen Diskretisierungsfehler d k die Abschätzungen d k Ch p+1 k, k = 1,...,N max d k D = Ch p+1 max = O(h p+1 max) (1.16) 1 k N mit einer Konstanten C >= und h max = max k=0,...,n 1 t k+1 t k gilt. (Statt Fehlerordnung verwendet man auch den Begriff Konsistenzordnung.) Ist p 1, dann heißt das Verfahren konsistent. 12
16 Die Bedingungen Φ(t,u 1,u 2,h) Φ(t,v 1,u 2,h) L 1 u 1 v 1 Φ(t,u 1,u 2,h) Φ(t,u 1,v 2,h) L 2 u 2 v 2 (1.17) für t [a,b], 0 < h b t,u j,v j R, mit positiven Konstanten L 1,L 2 sind für die folgenden Konvergenzuntersuchungen von Einschrittverfahren von Bedeutung Satz 1.9. Ein Einschrittverfahren (1.12) zur Lösung des AWP (1.8) besitze die Konsistenzordnung p 1 und die Verfahrensfunktion erfülle die Bedinung (1.17). Dann liegt die Konvergenzordnung p vor, d.h. es gilt max k=0,...,n y k y(t k ) Kh p max Mit einer Konstanten K, die vom Intervall [a,b], Konstanten C aus der Abschätzung (1.16) und L 1,L 1 aus (1.17) herrührt. Bewiesen werden soll der Satz 1.9 für ein explizites Einschrittverfahren (Beweise von allgemeinen Einschrittverfahren in Bärwolff oder Schwarz). Benötigt wird das Lemma Für Zahlen L > 0,a k 0,h k 0 und b 0 sei a k+1 (1 + h k L)a k + h k b, k = 0, 1,...,N 1 erfüllt. Dann gelten die Abschätzungen a k elt k 1 k 1 b + e Lt k a 0 mit t k := L j=0 h j (k = 0,...,N) Beweis. (vollständige Induktion) Induktionsanfang ist für k = 0 offensichtlich gewährleistet. Der Schritt k k + 1 ergibt sich wie folgt: ( e Lt k ) 1 a k+1 (1 + h k L) b + e Lt k a 0 + h k b L ( e L(t k +h k ) ) 1 h k L + h k b + e L(t k+h k ) a 0 L = elt k+1 1 b + e Lt k+1 a 0 L 13
17 Beweis von Satz 1.9. Mit den Festlegungen e k = y k y(t k ), k = 0, 1,...,N gilt für k = 0, 1,...,N 1 und damit bzw. y(t k+1 ) = y(t k ) + h k Φ(t k,y(t k ),h k ) d k+1 y k+1 = y k + h k Φ(t k,y k,h k ) e k+1 = e k + h k (Φ(t k,y k,h k ) Φ(t k,y(t k ),h k )) + d k+1 e k+1 e k + h k Φ(t k,y k,h k ) Φ(t k,y(t k ),h k ) + d k+1 (1 + h k L 1 ) e k + h k Ch p max Die Abschätzung des Lemmas 1.10 liefert wegen e 0 = 0 die Behauptung des Satzes Spezielle Einschrittverfahren Euler-Verfahren Mit der Verfahrensfunktion erhält man mit Φ(t,y,h k ) = f(t,y) y k+1 = y k + h k f(t k,y k ), k = 0,...,N 1 (1.18) das Euler-Verfahren. Für eine stetig partiell diff bare Funktion f : [a,b] R R besitzt das Euler- Verfahren die Konsistenzordnung p = 1, denn mit der Taylorentwicklung erhält man bzw. y(t + h) = y(t) + y (t)h + h2 2 y (ξ), ξ [a,b] d k+1 = y(t k+1 ) y(t k ) h k f(t k,y(t k )) = h2 k 2 y (ξ) d k+1 Ch 2 k mit C = 1 2 max ξ [a,b] y (ξ) 14
18 1.3.2 Einschrittverfahren der Konsistenzordnung p = 2 Um ein explizites Einschrittverfahren der Konsistenzordnung p = 2 zu erhalten, machen wir den Ansatz Φ(t,y,h) = a 1 f(t,y)+a 2 f(t+b 1 h,y+b 2 hf(t,y)), t [a,b], h [0,b t], y R (1.19) mit noch festzulegenden Konstanten a j,b j R. Es gilt nun der Satz Ein Einschrittverfahren (1.12) mit einer Verfahrensfunktion der Form (1.19) ist konsistent mit der Ordnung p = 2, falls f : [a,b] R R zweimal stetig partiell diff bar ist und für die Koeffizienten a 1 + a 2 = 1, a 2 b 1 = 1 2, a 2b 2 = 1 2 (1.20) gilt. Beweis. Taylorentwicklung von Φ(t,y(t), ) im Punkt h = 0 und von der Lösung y in t ergeben Φ(t,y(t),h) = Φ(t,y(t), 0) + h dφ dh (t,y(t), 0) + O(h2 ) ( f = (a 1 + a 2 )f(t,y(t)) + h a 2 b 1 t (t,y(t)) +a 2 b 2 f(t,y(t)) f ) y (t,y(t)) + O(h 2 ) und damit folgt also p = 2 = f(t,y(t)) + h 2 f t (t,y(t)) + h 2 f(t,y(t)) f y (t,y(t)) + O(h2 ) y(t + h) = y(t) + hy (t) + h2 2 y (t) + O(h 3 ) [ = y(t) + h f(t,y(t)) + h ] 2 y (t) + O(h 3 ) [ = y(t) + h f(t,y(t)) + h { f 2 t (t,y(t)) +f(t,y(t)) f }] y (t,y(t)) + O(h 3 ) = y(t) + hφ(t,y(t),h) + O(h 3 ) d k+1 = y(t k+1 ) y(t k ) h k Φ(t k,y(t k ),h k ) = O(h 3 k) 15
19 Mit der konkreten Wahl a 1 = 0,a 2 = 1,b 1 = b 2 = 1 erhält man mit 2 ( y k+1 = y k + h k f t k + h k 2,y k + h ) k 2 f(t k,y k ), k = 0,...,N 1 (1.21) das modifizierte Euler-Verfahren (verbesserte Polygonzugmethode) mit der Konsistenzordnung p = 2 Mit der Wahl a 1 = a 2 = 1 2,b 1 = b 2 = 1 erhält man mit y k+1 = y k + h k 2 [f(t k,y k ) + f(t k + h k,y k + h k f(t k,y k ))], k = 0,...,N 1 das Verfahren von Heun mit der Konsistenzordnung p = Verfahren höherer Ordnung Mehrstufige Runge-Kutta-Verfahren (1.22) Die bisher besprochenen Methoden (Euler, Heun) haben wir weitestgehend intuitiv ermittelt. Um systematisch Einschrittverfahren höherer Ordnung zu konstruieren, betrachten wir die zum AWP y = f(t,y),y(a) = y 0 äquivalente Gleichung (nach Integration) y(t) = y 0 + t bzw. für eine Diskretisierung des Intervalls [a,b] y(t k+1 ) = y(t k ) + a f(s, y(s))ds (1.23) tk+1 t k f(s,y(s))ds (1.24) Das letzte Integral aus (1.24) approximieren wir durch eine Quadraturformel tk+1 t k f(s,y(s))ds (1.25) wobei die s l zu einer Zerlegung von [t k,t k+1 ] gehören. (1.24) und (1.25) ergeben m y(t k+1 ) y(t k ) + h k γ l f(s l,y(s l )) (1.26) wobei wir die Werte y(s l ) nicht kennen. Sie müssen näherungsweise aus y(t k ) bestimmt werden, damit (1.26) als Integrationsverfahren benutzt werden kann. 16 l=1
20 Wählt man z.b. m = 2 und γ 1 = γ 2 = 1 2 sowie s 1 = t k und s 2 = t k+1, dann bedeutet (1.26) y(t k+1 ) y(t k ) + h k 2 [f(t k,y(t k )) + f(t k+1,y(t k+1 ))] und mit der Approximation ergibt sich mit y(t k+1 ) y(t k ) + h k f(t k,y(t k )) y(t k+1 ) y(t k ) + h k 2 [f(t k,y(t k )) + f(t k+1,y(t k ) + h k f(t k,y(t k )))] die Grundlage für das Verfahren von Heun. Im Weiteren wollen wir mit y k die Verfahrenswerte zur Näherung der exakten Werte y(t k ) bezeichnen und als Näherungen von f(s l,y(s l )) f(s l,y(s l )) k l (t j,y j ) verwenden. Mit l 1 s l = t k + α l h k, α l = werden die k l rekursiv definiert: r=1 β lr 4. Vorlesung am k 1 (t k,y k ) = f(t k,y k ) k 2 (t k,y k ) = f(t k + α 2 h k,y k + h k β 21 k 1 (t k,y k )) k 3 (t k,y k ) = f(t k + α 3 h k,y k + h k (β 31 k 1 + β 32 k 2 )) (1.27). k m (t k,y k ) = f(t k + α m h k,y k + h k (β m1 k β mm 1 k m 1 )) Ausgehend von (1.26) und (1.27) wird durch y k+1 = y k + h k (γ 1 k 1 (t k,y k ) + + γ m k m (t k,y k )) (1.28) ein explizites numerisches Verfahren zu Lösung des AWP y = f(t,y),y(a) = y 0 definiert. Definition Das Verfahren (1.28) heißt m-stufiges Runge-Kutta- Verfahren mit k l aus (1.27) und die k l heißen Stufenwerte. 17
21 Bemerkung. Wir haben oben schon festgestellt, dass im Fall m = 2 mit γ 1 = γ 2 = 1 2,α 2 = 1,β 21 = 1 (1.28) gerade das Heun-Verfahren ergibt, also ein Verfahren mit der Konsistenzordnung p = 2. Wir werden nun Bedingungen für die freien Parameter im Verfahren (1.28) formulieren, sodass einmal ein konsistentes Verfahren (p 1) entsteht und andererseits eine möglichst große Konsistenzordnung erhalten wird. Aus der Verwendung der Quadraturformel m h k γ l f(s l,y(s l )) l=1 folgt die sinnvolle Forderung tk+1 t k f(s,y(s))ds 1 = γ 1 + γ γ m (1.29) also haben die γ l die Funktion von Gewichten. Fordert man vom Verfahren (1.28), dass die Dgl y integriert wird, ergibt sich die Bedingung = 1 (y linear) exakt α l = β l1 + + β ll 1 (1.30) Es ist nämlich f(t,y) 1 und damit k l 1 für alle l. Ausgangspunkt war und k l (t k,y k ) f(s l,y(s l )) k l f(t k + α l h k,y(t k ) + h k (β l1 k β ll 1 k l 1 )) Also steht das y-argument für y(s l ) = y(t k + α l h k ). Wir fordern, dass dies bei f 1 exakt ist, also y(s l ) = y(t k ) + h k (β l1 + + β ll 1 ) (1.31) da alle k r = 1 sind. Andererseits ist y als exakte Lösung linear, d.h. und aus dem Vergleich von (1.31),(1.32) folgt y(s l ) = y(t k ) + α l h k (1.32) α l = β l1 + + β ll 1 18
22 Definition Die Tabelle mit den Koeffizienten α l,β lr,γ r in der Form 0 α 2 β 21 α 3 β 31 β α m β m1 β m2... β mm 1 γ 1 γ 2... γ m 1 γ m (1.33) heißt Butcher-Tabelle und beschreibt das Verfahren (1.28). α 1 ist hier gleich 0, weil explizite Verfahren betrachtet werden. Satz Ein explizites Runge-Kutta-Verfahren (1.28), dessen Koeffizienten die Bedingungen (1.29) und (1.30) erfüllen, ist konsistent. Beweis. Es ist zu zeigen, dass der lokale Diskretisierungsfehler die Ordnung ) mit p 1 hat. Wir setzen h k =: h, da k jetzt fixiert ist. O(h p+1 k d k+1 = y(t k+1 ) y(t k ) hφ(t k,y(t k ),h) m = y(t k+1) y(t k ) h γ r k r (t k,y(t k )) r=1 (1.29) m = y(t k+1) y(t k ) hf(t k,y(t k )) h γ r (k r (t k,y(t k )) f(t k,y(t k ))) r=1 y(t k+1 ) y(t k ) hy m (t k ) +h γ }{{} r (k r (t k,y(t k )) f(t k,y(t k ))) }{{} O(h 2 ) r=1 O(h) (1.30) also d k+1 Ch 2 Bemerkung. Butcher hat bewiesen, wie groß die maximale Ordnung ist, welche mit einem m-stufigen Runge-Kutta-Verfahren erreichbar ist, was in der folgenden Tabelle notiert ist: m für m 9 p p < m 2 19
23 1.5 Einige konkrete Runge-Kutta-Verfahren und deren Butcher-Tabellen (i) Euler-Verfahren 0 m = 1,γ 1 1 = 1 y k+1 = y k + h k f(t k,y k ), p = 1 (ii) Modifiziertes Euler-Verfahren m = 2,γ 1 = 0,γ 2 = 1,α 2 = 1 2,β 21 = 1 2 k 1 = f(t k,y k ) k 2 = f(t k h k,y k h kk 1 ) y k+1 = y k + h k k 2, p = 2 (iii) Verfahren von Runge von 3. Ordnung m = 3,γ 1 = γ 2 = 0,γ 3 = 1,α 2 = 1 2,α 3 = 1,β 21 = 1 2,β 31 = 0,β 32 = 1 k 1 = f(t k,y k ) k 2 = f(t k h k,y k h kk 1 ) k 3 = f(t k + h k,y k + h k k 2 ) y k+1 = y k + h k k 3, p = 3 (iv) Klassisches Runge-Kutta-Verfahren 4. Ordnung
24 k 1 = f(t k,y k ) k 2 = f(t k h k,y k h kk 1 ) k 3 = f(t k h k,y k h kk 2 ) k 4 = f(t k + h k,y k + h k k 3 ) y k+1 = y k + h k ( 1 6 k k k k 4 ), p = 4 Bemerkung. Die Ordnung eines konkreten Runge-Kutta-Verfahrens kann mit Hilfe von Taylor-Entwicklungen ermittelt werden, wobei man dabei von einer geeigneten Glattheit von f(t,y) ausgeht. Im Folgenden soll die Ordnung eines 3-stufigen expliziten Runge-Kutta-Verfahrens bestimmt werden. Satz Sei f dreimal stetig partiell diff bar und gelte für die Parameter sowie α 2 = β 21 α 3 = β 31 + β 32 γ 1 + γ 2 + γ 3 = 1 α 2 γ 2 + α 3 γ 3 = 1 2 α 2 γ 3 β 32 = 1 6 α 2 2γ 2 + α 2 3γ 3 = 1 3 Dann hat das Runge-Kutta-Verfahren (explizit, 3-stufig) die Fehlerordnung p = 3 Beweis. Grundlage für den Beweis ist die Taylor-Approximation ( f f(t + t,y + y) = f(t,y) + (t,y) ) ( ) t t f (t,y) y t ( f 2 ( t, y) (t,y) 2 f (t,y) ) ( ) t 2 t y t 2 f (t,y) 2 f + O( 3 ) (t,y) y y t y 2 (1.34) 21
25 der Funktion f, wobei 2 f t y = 2 f y t aufgrund der Glattheit von f gilt. Mit k 1 = f(t k,y(t k )) k 2 = f(t k + α 2 h,y(t k ) + α 2 h k 1 ) k 3 = f(t k + α 3 h,y(t k ) + h(β 31 k1 + β 32 k2 )) gilt es, den lokalen Diskretisierungsfehler d k+1 = y(t k+1 ) y(t k ) h(γ 1 k1 + γ 2 k2 + γ 3 k3 ) abzuschätzen, wobei schon α 2 = β 21 verwendet wurde (h = h k ). Mit t = α 2 h und y = α 2 hf(t k,y(t k )) ergibt (1.34) für k 2 k 2 = f(t k + t,y(t k ) + y) = f + α 2 hf t + α 2 hff y α2 2h 2 f tt + α 2 2h 2 ff ty α2 2h 2 f 2 f yy + O(h 3 ) =: f + α 2 hf α2 2h 2 G + O(h 3 ) (1.35) f,f t,...,f yy sind dabei die Funktions- bzw. Ableitunswerte an der Stelle (t k,y(t k )). Für k 3 erhält man unter Nutzung von (1.35) und (1.34) k 3 = f(t k + α 3 h,y(t k ) + h(β 31 k1 + β 32 k2 )) = f + α 3 hf t + h(β 31 k1 + β 32 k2 )f y α2 3h 2 f tt + α 3 (β 31 k1 + β 32 k2 )h 2 f ty (β 31 k 1 + β 32 k2 ) 2 h 2 f yy + O(h 3 ) = f + h(α 3 f t + [β 31 + β 32 ]ff y ) + h 2 (α 2 β 32 Ff y α2 3f tt + α 3 [β 31 + β 32 ]ff ty (β 31 + β 32 )f 2 f yy ) + O(h 3 ) = f + α 3 hf + h 2 (α 2 β 32 Ff y α2 3G) + O(h 3 ) (1.36) Mit (1.35) und (1.36) folgt für den lokalen Diskretisierungsfehler ( ) 1 d k+1 = h(1 γ 1 γ 2 γ 3 )f + h 2 2 α 2γ 2 α 3 γ 3 F ([ [ 1 1 +h 3 6 α 2γ 3 β 32 ]Ff y α2 2γ 2 1 ] ) 2 α2 3γ 3 G + O(h 4 ) (1.37) Aufgrund der Voraussetzungen werden die Klammerausdrücke gleich Null und es gilt d k+1 = O(h 4 ) also hat das Verfahren die Fehlerordnung p = 3 22
26 1.6 Asymptotische Entwicklungen Um zu einer Methode mit einer Fehlerordnung größer als 1 zu gelangen, nehmen wir an, mit dem expliziten Eulerverfahren seien bis zu einer gegebenen Stelle t = t k+1 zwei Integrationen durchgeführt worden, zuerst mit der Schrittweite h [0] = h und dann mit der Schrittweite h [1] = h. Für die 2 erhaltenen Werte y h[0] und y h[1] nach k bzw. 2k Integrationsschritten gilt näherungsweise (wird weiter unten erläutert) 5. Vorlesung am y h[0] = y(t) + c 1 h [0] + O(h 2 ) y h[1] = y(t) + c 1 h [1] + O(h 2 ). (1.38) Durch Linearkombination der beiden Beziehungen erhält man nach der so genannten Richardson-Extrapolation den extrapolierten Wert ỹ = 2y h[1] y h[0] = y(t) + O(h 2 ), (1.39) dessen Fehler gegenüber y(t) von zweiter Ordnung in h ist. Anstatt eine Differentialgleichung nach der Euler-Methode zweimal mit unterschiedlichen Schrittweiten parallel zu integrieren, ist es besser, die Extrapolation direkt auf die Werte anzuwenden, die einmal von einem Integrationsschritt mit der Schrittweite h [1] und andererseits von einem Doppelschritt mit halber Schrittweite h [2] stammen. In beiden Fällen startet man vom Näherungspunkt (t k,y h (t k )). Der Normalschritt mit der Euler-Methode mit der Schrittweite h [0] ergibt y h[0] = y h (t k ) + h [0] f(t k,y h (t k )). (1.40) Ein Doppelschritt mit der Schrittweite h [2] ergibt sukzessive die Werte y k+ 1 2 = y h (t k ) + h [1] f(t k,y h (t k )), y h[1] = y k h [1] f(t k + h [1],y k+ 1). (1.41) 2 Die Richardson-Extrapolation, angewandt auf y h[1] und y h[0], ergibt mit h[0] = h,h[1] = h/2 y k+1 = 2y h(1) y h(0) = 2y k+ 1 + hf(t k + h 2 2,y k+ 1 ) y k hf(t k,y k ) 2 = 2y k + hf(t k,y k ) + hf(t k + h 2,y k+ 1 2) y k hf(t k,y k ) = y k + hf(t k + h 2,y k + h 2 f(t k,y k )). (1.42) 23
27 Wir fassen das Ergebnis (1.42) algorithmisch zusammen k 1 = f(t k,y k ) k 2 = f(t k + h 2,y k + h 2 k 1) (1.43) y k+1 = y k + h k 2 und nennen die Rechenvorschrift (1.43) verbesserte Polygonzugmethode von Euler. Für die Funktion Φ ergibt sich im Falle der verbesserten Polygonzugmethode Φ(t k,y k,y k+1,h) = f(t k + h 2,y k + h 2 f(t k,y k )). k 1 stellt die Steigung des Richtungsfeldes im Punkt (x k,y k ) dar, mit der der Hilfspunkt (t k + h 2,y k + h 2 k 1) und die dazugehörige Steigung k 2 berechnet wird. Schließlich wird y k+1 mit der Steigung k 2 berechnet. Die geometrische Interpretation eines Verfahrensschrittes ist in Abb. 1.1 dargestellt. Per Konstruktion hat diese Methode die Ordnung p = 2. Die eben beschriebene y y(t) k 1 k 2 y k y k+1/2 y k+1 t k t k +h/2 t k+1 t Abbildung 1.1: Verbesserte Polygonzug-Methode Methode kann man natürlich sukzessiv fortsetzen, indem man z.b. 4 Schritte des Eulerverfahrens mit der Schrittweite h[2] = h/4 mit dem Ergebnis y (3) k+1 durchführt. Man geht dann von der näherungsweisen Gültigkeit der Entwicklungen y h[0] y(t) + c 1 h + c 2 h 2 + O(h 3 ) h y h[1] y(t) + c c h O(h3 ) (1.44) h y h[2] y(t) + c c h O(h3 ) 24
28 aus. Und mit der Richardson-Extrapolation erhält man ausgehend von den Werten y h[2], y h[1] und y h[0] eine Approximation y k+1 = 1 3 [y h[0] 6y h[1] + 8y h[2]) ] (1.45) des Lösungswertes y(t k+1 ). Das entstehende 3-stufige Einschrittverfahren hat dann die Ordnung p = 3. Für eine folgende allgemeine Darstellung der Extrapolationsverfahren geben wir die Schrittweitenabhängigkeit der Approximationen eines Einschrittverfahrens wie folgt explizit an: y h (t k+1 ) := y h (t k ) + hφ(t k,y h (t k ),h), k = 0, 1,...,N 1, y h (a) = y 0, (1.46) wobei der Einfachheit halber ein äquidistantes Gitter mit h > 0 und t k = a+k h für k =, 1,...,N, mit 0 < N b a verwendet wird. Grundlage für die h eben skizzierte Methode zur Konstruktion von Verfahren höherer Ordnung sind asymptotische Entwicklungen (1.38), (1.44) von Diskretisierungsfehlern von Einschrittverfahren. Es gilt der Satz 1.16 (Gragg). Es sei y h die von einem Einschrittverfahren der Ordnung p gelieferte Näherungslösung der Lösung y(t) des AWPs y = f(t,y), y(a) = y 0, mit der Schrittweite h, wobei f und die Verfahrensfunktion des Einschrittverfahrens Φ als p + r mal stetig partiell differenzierbar vorausgesetzt wurde. Dann besitzt y h eine asymptotische Entwicklung der Form y h (t) = y(t)+c p (t)h p +c p+1 (t)h p+1 + +c p+r 1 (t)h p+r 1 +O(h p+r ), (1.47) mit c p+j (a) = 0 und c p+j C r+1 j ([a,b], R) für alle j = 0,...,r 1, und h = h i = t a, i = 1, 2,..., wobei die angegebenen Konvergenzraten gleichmäßig i in t auftreten. Auf den Beweis des Satzes 1.16 kommen wir etwas später noch einmal zurück (s.auch Plato oder Deuflhard/Bornemann). Die Ergebnisse (1.42) und (1.44) kann man auch durch folgende Überlegung erhalten. Wir definieren H t = { t a, m = 1, 2,...}, m so dass man nach m Schritten eines Einschrittverfahrens mit der Schrittweite h H t eine Näherung y h (t) des Lösungswertes y(t) erreicht. Bei einem Verfahren der Ordnung p gilt y h (t) = y(t) + O(h p ) für h 0, h H t. 25
29 Unter Nutzung der asymptotischen Entwicklung (1.47) betrachtet man zur Approximation von y(t) für die feste Stelle t [a,b] Schrittweiten h [0] > h [1] > h [2] >... aus H t und eine Zahl 0 m r (für den Fall (1.44) wären das h [0] = h,h [1] = h/2,h [2] = h/4 und r = 2) das Polynom P 0,...,m (h) = d 0 + d p h p + d p+1 h p d p+m 1 h p+m 1, h R (1.48) mit Koeffizienten d 0,d p,d p+1,...,d p+m 1, wobei diese m + 1 Koeffizienten so zu bestimmen sind, dass die m + 1 Interpolationsbedingungen P 0,...,m (h [k] ) = u h[k] (t) für k = 0,...,m, (1.49) erfüllt sind. Für die Wahl der Schrittweiten gilt bezüglich einer Grundschrittweite h H t h [k] = h/n k für k = 0, 1,..., mit 1 n 0 n (1.50) Als Näherung für y(t) wird schließlich P 0,...,m (0) herangezogen, d.h. man extrapoliert von h [0] > h [1] > h [2] >... auf 0. Durch diese Extrapolation nach h 0 erhält man ein Verfahren der Ordnung m + p, es gilt P 0,...,m (0) = y(t) + O(h m+p ). Die Berechnung von P 0,...,m (0) erfolgt mit dem Schema von Neville/Aitken zur Polynomwertberechnung an der Stelle 0. h [0] u h[0] = P 0 h [1] u h[1] = P 0 P 0,1 h [2] u h[2] = P 0 P 0,1 P 0,1,2. h [m] u h[m] = P 0 P 0,1 P 0,1,2... P 0,...,m Dabei ist das Tableau so zu verstehen, dass z.b. in der dritten Spalte und der dritten Zeile mit P 0,1 der Wert des Polynoms 1. Grades zu verstehen ist, das die Werte (h [1],u h[1] ) und (h [2],u h[2] ) interpoliert. Entscheidend ist das letzte Element der letzten Zeile, wo mit P 0,...,m der gewünschte Wert P 0,...,m (0) steht. Für den Fall (1.44) erhalten wir konkret das Schema y h[0] y h[1] y h[2] (0 h [0] )y h[1] (0 h [1] )y h[0] h [1] h [0] = 2y h[1] y h[0] (0 h [1] )y h[2] (0 h [2] )y h[1] h [2] h [1] = 2y h[2] y h[1] (0 h [0] )[2y h[1] y h[0] ] (0 h [2] )[2y h[2] y h[1] ] h [2] h [0] 26
30 und mit (0 h [0] )[2y h[1] y h[0] ] (0 h [2] )[2y h[2] y h[1] ] = 8y h 6y [2] h + y [1] h [0] h [2] h [0] 3 erhält man das obige Resultat (1.45). Ist h [k] eine streng monoton fallende Nullfolge, so konvergiert die erste Spalte des obigen Neville/Aitken-Schemas wie h [k] gegen y(t), die zweite Spalte wie h 2 [k] gegen y(t) und die dritte Spalte wie h 3 [k] gegen y(t). Mittels Extrapolation hat man damit ein Verfahren der Ordnung p + m = = 3 konstruiert. Bei den besprochenen Extrapolationsverfahren haben wir pro Extrapolationsschritt aufgrund von (1.47) die Ordnung um eins erhöht. Besonders vorteilhaft ist jedoch die Situation, wenn man für ein Verfahren statt (1.47) eine asymptotische Entwicklung der Form y h (t) = y(t)+c p (t)z p +c p+1 (t)z p+1 + +c p+r 1 (t)z p+r 1 +O(z p+r ), (1.51) mit z = h γ mit γ N, γ 2 vorzuliegen hat. Dann wird pro Extrapolationsschritt die Ordnung des zugrunde liegenden Verfahrens um γ erhöht. Bemerkung Eine solche Situation liegt z.b. dem Rombergverfahren zugrunde, denn für die summierte Trapezregel T(h) = h( 1 n 1 2 (f(a) + f(b)) + f(a + i h)), h = (b a)/n, (1.52) i=1 zur näherungsweisen Berechnung des Integrals b f(x)dx gibt es eine asymptotische Entwicklung der a Form mit τ 0 = T(h) = τ 0 + τ 1 h 2 + τ 2 h τ m h 2m + R m+1 (h) (1.53) b a f(x)dx, τ k = B 2k (2k)! [f(2k 1) (b) f (2k 1) (a)], wobei B 2k die Bernoullizahlen sind, und für das Restglied R m+1 (h) = O(h 2m+2 ) für h 0 gilt (außerdem muss f die Glattheitsforderung f C (2m+2) ([a,b]) erfüllen). Man berechnet nun T(h k ) nach (1.52) für h [0] > h [1] >... (z.b. h [k] = (b a)/n k, n k = 1, 2,...) und legt ein Polynom P m (z), z = h 2, durch die Punkte (h 2 [0],T(h [0])), (h 2 [1],T(h [1])),...,(h 2 [m],t(h [m])) und findet mit P m (0) eine Näherung von τ 0 = b f(x)dx vor, wobei a P m (0) = τ 0 + O(h 2m+2 ) gilt. Man erhöht damit pro Extrapolationsschritt die Ordnung von q auf q+2. 27
31 Im Folgenden sollen die Grundlagen für den Nachweis der Existenz der asymptotischen Entwicklung (1.47) diskutiert werden. Wir betrachten ein Einschrittverfahren der Form (1.46), also y h (t k+1 ) := y h (t k ) + hφ(t k,y h (t k ),h), k = 0, 1,...,N 1, y h (a) = y 0. Zuerst soll eine spezielle Darstellung des lokalen Verfahrensfehlers eines Einschrittverfahrens gezeigt werden. Lemma f und die Verfahrensfunktion Ψ eines Einschrittverfahrens der Ordnung p seien p + r-mal stetig partiell differenzierbar (wie in Satz 1.16). Dann gilt für den lokalen Diskretisierungsfehler eines Verfahrens mit der Ordnung p die Entwicklung y(t+h) y(t) hφ(t,y(t),h) = d p+1 (t)h p+1 +O(h p+2 ) für h 0, (1.54) mit einer Funktion d p+1 C r ([a,b]), wobei die angegebenen Konvergenzraten gleichmäßig in t sind. Beweis. Eine Taylorentwicklung der Hilfsfunktion g(h) = y(t + h) y(t) hφ(t,y(t),h) in h = 0 ergibt p+1 y(t+h) y(t) hφ(t, y(t), h) = d l (t)h l +O(h p+2 ) = d p+1 (t)h p+1 +O(h p+2 ) l=0 da wegen der vorliegenden Konsistenzordnung p notwendigerweise d 0 (t) = = d p (t) = 0 gilt, womit das Lemma bewiesen ist. Für die Funktion d p+1 (t) gilt die Darstellung d p+1 (t) = y(p+1) (t) (p + 1)! 1 p Φ (t,y(t), 0). p! hp Es gilt nun der folgende Satz Das Einschrittverfahren (1.46) habe die Konvergenzordnung p, d.h. es gilt y(t k+1 ) y(t k ) hφ(t k,y(t k ),h) = d p+1 (t k )h p+1 + O(h p+2 ). (1.55) f und Φ seien p + 2-mal stetig partiell differenzierbar. Sei c p die Lösung des linearen, inhomogenen AWPs c p(t) = f y (t,y(t))c p(t) + d p+1 (t) (1.56) c p (a) = 0. 28
32 Dann ist y h(t k ) = y h (t k ) + c p (t k )h p (1.57) Lösung eines Einschrittverfahrens mit der Verfahrensfunktion Φ (t,y,h) = Φ(t,y c p (t)h p,h) + (c p (t + h) c p (t))h p 1 (1.58) mit der Konsistenzordnung p + 1. Beweis. Offensichtlich gilt y h (a) = y h(a) = y 0 und man erhält induktiv für t = a + h,a + 2h,... y h(t + h) = y h(t) + hφ (t,y h(t),h) = y h (t) + h p c p (t) + hφ(t,y h (t),h) + [c p (t + h) c p (t)]h p = y h (t) + hφ(t,y h (t),h) +c }{{} p (t + h)h p. =y h (t+h) Für den lokalen Diskretisierungsfehler (damit es keine Konfusion mit (1.56) gibt, bezeichnen wir ihn mit τ) gilt nun τ k+1 = y(t k+1 ) y(t k ) hφ (t k,y(t k ),h) = y(t k+1 ) y(t k ) hφ(t k,y(t k ) c p (t k )h p,h) (c p (t k+1 ) c p (t k ))h p = y(t k+1 ) y(t k ) hφ(t k,y(t k ),h) [c p (t k+1 ) c p (t k )]h p +h[φ(t k,y(t k ),h) Φ(t k,y(t k ) c p (t k )h p,h)], wegen (1.55) und der Glattheitsvoraussetzungen an f und Φ gilt [c p (t k+1 ) c p (t k )] = hc p(t k ) + O(h 2 ) und [Φ(t k,y(t k ),h) Φ(t k,y(t k ) c p (t k )h p,h)] = c p (t k )h p Φ y (t k,y(t k ),h)+o(h 2 ), so dass sich für τk+1 unter Nutzung von (1.54) τ k+1 = (d p+1 (t k ) + Φ y (t k,y(t k ),h)c p (t) c p(t))h p+1 + O(h p+2 ) ergibt. Da die Konsistenzordnung p vorliegt, gilt auch so dass sich letztendlich Φ y (t k,y(t k ),h) f y (t k,y(t k )) = O(h), τ k+1 = {d p+1 (t k ) + f y (t k,y(t k ))c p (t k ) c p(t k )}h p+1 + O(h p+2 ) ergibt, und da der Klammerausdruck wegen (1.56) verschwindet, ergibt sich als Ordnung p
33 Die rekursive Anwendung des Satzes 1.19 ermöglicht durch die beschriebene Veränderung der Verfahrensfunktion eine sukzessive Erhöhung der Verfahrensordnung und ergibt schließlich unter Nutzung des Lemma 1.18 auch eine asymptotische Entwicklung des lokalen Diskretisierungsfehlers. Bezeichnet man y 0,h = y h und die durch Rekursion mit der Verfahrensfunktion (1.58) ausgehend von y l,h (Verfahren der Ordnung p + l) konstruierte Lösung y l+1,h (Verfahren der Ordnung p + l + 1, Lösung im Satz 1.19 mit y h bezeichnet), so erhält man 6. Vorlesung am beziehungsweise y l+1,h (t) = y l,h + c p+l (t)h p+l, l = 0,...,r 1, y r,h (t) = y h (t) + c p (t)h p + c p+1 (t)h p c p+r 1 (t)h p+r 1. (1.59) Das rekursiv definierte Verfahren mit der Lösung y r,h (t) besitzt nun gemäß Satz 1.19 die Konvergenzordnung p + r, d.h. es gilt y r,h (t) y(t) = O(h p+r ). (1.60) Aus (1.59) und (1.60) folgt direkt die asymptotische Entwicklung (1.47) und damit der Beweis des Satzes Bemerkung Die rekursive Anwendung des Satzes 1.19, speziell die mittels (1.56) sukzessiv konstruierten Verfahren mit wachsender Ordnung, hat nur eine theoretische beweistechnische Bedeutung für den Nachweis der Existenz der asymptotischen Entwicklung (1.47), und keine praktische Bedeutung für die numerische Lösung eines AWPs. Im Folgenden soll aus der Existenz einer asymptotischen Entwicklung (1.47) für den globalen Diskretisierungsfehler auf die Existenz einer asymptotischen Entwicklung für den lokalen Diskretisierungsfehler geschlossen werden. Satz f und die Verfahrensfunktion Ψ eines Einschrittverfahrens der Ordnung p seien p + r-mal stetig partiell differenzierbar. Dann gilt für jede fixierte Zahl l N die folgende Entwicklung für den lokalen Diskretisierungssfehler: y h (a + lh) y(a + lh) = b p+1 h p b p+r 1 h p+r 1 + O(h p+r ) (1.61) für h > 0, mit gewissen von l abhängigen Koeffizienten b p+1,...,b p+r 1 R. 30
34 Beweis. Aus Satz 1.16 erhält man unter Verwendung der Taylorentwicklungen c p+j (a + lh) = r j 1 k=0 unter Berücksichtigung von c p (a) = 0 mit c (k) p+j (a)(lh)k k! + O(h r j ) r 1 y h (a + lh) = y(a + lh) + c p+j (a + lh)h p+j + O(h p+r ) = die Aussage des Satzes. [ r 1 r j 1 j=1 k=0 j=0 c (k) p+s k (a)lk k! ] } {{ } =:b p+s h p+s + O(h p+r ) Korollar Unter den Bedingungen des Satzes 1.16 über die Asymptotik des globalen Verfahrensfehlers und mit jeder Zahl l N gilt für den lokalen Extrapolationsfehler P 0,...,m (0) y(a + lh) = p+r 1 j=p+m+1 b j h j + O(h p+r ) (1.62) mit gewissen von l abhängigen Koeffizienten b p+m+1,...,b p+r 1 R. Insbesondere gilt für r m+1 die Darstellung P 0,...,m (0) y(a+lh) = O(h p+r+1 ). Der Beweis erfolgt analog zum Beweis von Satz Wir haben schon darauf hingewiesen, dass man mit Entwicklung der Form (1.51) mit γ 2 durch Extrapolation die Verfahrensordnung nicht nur um 1 sondern um γ erhöhen kann. Es ist also sinnvoll nach Verfahren zu suchen, für die eine asymptotische Entwicklung der Form (1.51) mit γ 2 existiert. Dazu benötigen wir einige Begriffe. Definition 1.23 (Adjungiertes Verfahren). Sei mit y h (t k+1 ) = y h (t k ) + hφ(t k,y h (t k ),y h (t k+1 ),h) (1.63) ein Einschrittverfahren gegeben, dann wird durch y h (t k ) = y h (t k+1 ) hφ(t k+1,y h (t k+1 ),y h (t k ), h) 31
35 oder umgeschrieben y h (t k+1 ) = y h (t k ) + hφ(t k+1,y h (t k+1 ),y h (t k ), h) (1.64) gespiegelt. Die Gleichung (1.64) wird als eine implizite Gleichung zur Bestimmung von y h (t k+1 ) betrachtet, die für kleine Schrittweiten h nach dem Satz über implizite Funktionen auch (lokal eindeutig) auflösbar ist. Wir schreiben dann für die Lösung y h (t k+1 ) = y h (t k ) + hφ (t k,y h (t k ), h) und bezeichnen mit Φ die Verfahrensfunktion des gespiegelten oder adjungierten Einschrittverfahrens von Φ. In der Definition beschränken wir uns nicht auf explizite Verfahren, sondern betrachten mit der Verfahrensfunktion Φ(t k,y h (t k ),y h (t k+1 ),h) auch implizite Einschrittverfahren. Beispiel Betrachten wir das explizite Eulerverfahren y h (t k+1 ) = y h (t k ) + hf(t k,y h (t k )), die Spiegelung ergibt im ersten Schritt durch die Ersetzung von h durch h y h (t k 1 = y h (t k ) hf(t k,y h (t k )), und die Ersetzung von t durch t + h das gespiegelte Verfahren das umgeschrieben die Form y h (t k ) = y h (t k+1 ) hf(t k+1,y h (t k+1 )), y h (t k+1 ) = y h (t k ) + hf(t k+1,y h (t k+1 )) hat. Darin erkennen wir das implizite Eulerverfahren. Definition Ein Einschrittverfahren (1.63) heißt symmetrisch, falls Φ = Φ ist. Wir erkennen am Beispiel, dass das Eulerverfahren offensichtlich nicht symmetrisch ist. Bemerkung Das explizite Eulerverfahren ist leider kein Einzelfall. Man kann zeigen, dass es kein explizites Einschrittverfahren gibt, das symmetrisch ist. Nur unter den impliziten Verfahren findet man symmetrische Verfahren. 32
36 Beispiel Sowohl die implizite Mittelpunktsregel y h (t k+1 ) = y h (t k ) + hf(t k+1/2, 1 2 [y h(t k ) + y h (t k+1 )]) (1.65) als auch die implizite Trapezregel y h (t k+1 ) = y h (t k ) + h 2 [f(t k,y h (t k )) + f(t k+1,y h (t k+1 ))] (1.66) sind symmetrische Verfahren. Bei den symmetrischen Verfahren ergibt sich für den Schritt (t k,y h (t k )) zu (t k+1,y h (t k+1 )), dass man mit dem adjungierten Verfahren ausgehend von (t k+1,y h (t k+1 )) durch einen Schritt mit der Schrittweite h, also einen Rückschritt (t k,y h (t k )) erhält. Der Wert von symmetrischen Einschrittverfahren besteht darin, dass sie die oben angesprochenen quadratischen asymptotischen Entwicklungen (1.51) mit z = γ, γ = 2 besitzen. Es gilt der Satz Der globale Diskretisierungsfehler von symmetrischen Einschrittverfahren mit der Fehlerordnung p 1 besitzt unter den Vorausetzungen des Satzes 1.16 eine quadratische asymptotische Entwicklung der Form y h (t) y(t) = c p (t)z p + c p+1 (t)z p c p+r 1 (t)z p+r 1 + O(z p+r ) mit z = h 2. Beweis. Beweis als Übung. 1.7 Schrittweitensteuerung Einbettungsverfahren Bisher wurde die Schrittweite h = t k+1 t k in der Regel äquidistant vorgegeben. Lässt man hier eine Variabilität zu, hat man die Möglichkeit, den lokalen Diskretisierungsfehler d k+1 durch die Wahl einer geeigneten Schrittweite h k+1 = t k+1 t k betragsmäßig zu beschränken. Man spricht hier von Schrittweitensteuerung. Das Prinzip soll am Beispiel des Heun-Verfahrens (1.22) der Ordnung p = 2 k 1 = f(t k,y k ), k 2 = f(t k + h,y k + h k 1 ), y k+1 = y k + h 2 [k 1 + k 2 ] 33
37 erläutert werden. Als lokaler Diskretisierungsfehler ergibt sich d (H) k+1 = y(t k+1) y(t k ) h 2 [ k 1 + k 2 ], wobei k1, k 2 aus k 1,k 2 dadurch hervorgehen, dass y k durch y(t k ) ersetzt wird. Nun sucht man ein Verfahren höherer, also mindestens dritter Ordnung, dessen Steigungen k 1 und k 2 mit den Steigungen des Heun-Verfahrens übereinstimmen. Solch ein Runge-Kutta-Verfahren 3. Ordnung soll nun konstruiert werden. Die Forderung der Gleichheit der Steigungen k 1 und k 2 mit den Steigungen des Heun-Verfahrens bedeutet α 2 = β 21 = 1. Die weiteren Parameter ergeben sich aus dem Gleichungssystem aus dem Satz 1.15 bei der Wahl von α 3 = 1 2 γ 3 = 2 3, γ 2 = 1 6, γ 1 = 1 6, β 32 = 1 4, β 31 = α 3 β 32 = 1 4, so dass sich das Runge-Kutta-Verfahren 3. Ordnung (auch Heun-Verfahren 3. Ordnung genannt) k 1 = f(t k,y k ), k 2 = f(t k + h,y k + h k 1 ), k 3 = f(t k h,y k + h 4 (k 1 + k 2 )) y k+1 = y k + h 6 [k 1 + k 2 + 4k 3 ] (1.67) ergibt. Für den lokalen Diskretisierungsfehler des Verfahrens (1.67) ergibt sich d (RK) k+1 = y(t k+1 ) y(t k ) h 6 [ k 1 + k k 3 ]. Damit kann man den lokalen Diskretisierungsfehler des Heun-Verfahrens in der Form d (H) k+1 = h 6 [ k 1 + k k 3 ] h 2 [ k 1 + k 2 ] + d (RK) k+1 darstellen. Berücksichtigt man d (RK) k+1 = O(h 4 ), so erhält man d (H) k+1 = h 6 [ k 1 + k k 3 ] h 2 [ k 1 + k 2 ] + O(h 4 ) = h 3 [2 k 3 k 1 k 2 ] + O(h 4 ) und benutzt man (unter Voraussetzung genügender Glattheit von f) so erhält man schließlich h 3 [2 k 3 k 1 k 2 ] h 3 [2k 3 k 1 k 2 ] = O(h 4 ), d (H) k+1 = h 3 [2k 3 k 1 k 2 ] + O(h 4 ) 34
2.3.1 Explizite Runge-Kutta-Verfahren
Somit ist y(t + h) = y + hf(t, y ) + h (f t (t, y ) + f y (t, y )f(t, y )) + O(h 3 ) Setzen wir Φ(t, y, h) := f(t, y) + h (f t(t, y) + f y (t, y)f(t, y)), so erhalten wir ein Verfahren mit der Konsistenzordnung
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:
Mehr1 Einführung, Terminologie und Einteilung
Zusammenfassung Kapitel V: Differentialgleichungen 1 Einführung, Terminologie und Einteilung Eine gewöhnliche Differentialgleichungen ist eine Bestimmungsgleichung um eine Funktion u(t) einer unabhängigen
MehrKurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren
Kurze Einführung zu Stabilität bei Differentialgleichungen und Einschrittverfahren Was sind typische qualitative Aussagen bei gewöhnlichen Differentialgleichungen der Form x (t) = f(t, x)? (1) 1. Andere
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 7 Gewöhnliche
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
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
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
Mehr2 Einschrittverfahren 2.1 Einführung
Einschrittverfahren. Einführung Im folgenden werden wir uns bei der Beschreibung und Analyse von numerischen Verfahren für Anfangswertprobleme auf den Fall n = beschränken. Dies wird nur gemacht, um die
MehrAnleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / Dr Hanna Peywand Kiani 722 Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Lineare Differentialgleichungssysteme,
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
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
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
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,
MehrLösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik II für biw/ciw/mach/mage/vt
Karlsruher Institut für Technologie Institut für Algebra und Geometrie PD Dr. F. Hettlich Dr. S. Schmitt Dipl.-Math. J. Kusch Karlsruhe, den 09.06.20 Lösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik
Mehr5 Gewöhnliche Differentialgleichungen
5 Gewöhnliche Differentialgleichungen 5.1 Einleitung & Begriffsbildung Slide 223 Natürliches Wachstum Eine Population bestehe zur Zeit t aus N(t) Individuen. Die Population habe konstante Geburts- und
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
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
MehrMathematik 2, SS 2015 Prof. F. Brock Zusammenfassung. Permutationen, Inversionen. Explizite Formel für die Determinante einer n n-
I. Lineare Algebra Mathematik 2, SS 2015 Prof. F. Brock Zusammenfassung 1. Determinanten (siehe Fischer/Kaul I, S.329-339) Matrix. Determinanten von 2 2- und 3 3-Matrizen. Alternierende Multilinearformen
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
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
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
Mehr5. Vorlesung Wintersemester
5. Vorlesung Wintersemester 1 Bewegung mit Stokes scher Reibung Ein dritter Weg, die Bewegungsgleichung bei Stokes scher Reibung zu lösen, ist die 1.1 Separation der Variablen m v = αv (1) Diese Methode
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrNumerische Verfahren
Numerische Verfahren Numerische Methoden von gewöhnlichen Differentialgleichungen (AWP) Prof. Dr.-Ing. K. Warendorf, Prof. Dr.-Ing. P. Wolfsteiner Hochschule für Angewandte Wissenschaften München Fakultät
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
MehrMAA = MAB + B AA = B CA + CAA BA A Nun sehen wir mit Proposition 10.7 aus dem Skript, dass A M AB gelten muss.
1. Konvexität in der absoluten Ebene In einem Dreieck in der Euklidischen Ebene hat die Strecke zwischen zwei Seitenmittelpunkten die halbe Länge der dritten Seite. In der absoluten Ebene hat man eine
MehrKlausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 14/15 Dr. Hanna Peywand Kiani 06.07.2015 Klausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften Die ins Netz gestellten
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
Mehr4 Runge-Kutta-Verfahren
Numerik gewöhnlicher Differentialgleichungen 43 4 Runge-Kutta-Verfahren 4. Konstruktion Ausgangspunkt wie immer (Substitution: s = t + τh, 0 τ ) y(t + h) = y(t) + [y(t + h) y(t)] = y(t) + = y(t) + h 0
MehrAngewandte Mathematik und Programmierung
Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens WS 2012/13 DGL Grundlage Klassifikation Anwendung von lin. Ggln. M. konst.
MehrKlausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 14/15 Dr. Hanna Peywand Kiani 27.01.2015 Klausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften Die ins Netz gestellten
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
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrKapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2.
Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) Geschwindigkeit:
MehrNumerik und Simulation in der Geoökologie
1/49 Rekapitulation Das Euler-Verfahren für ODE-IVP Eigenschaften von Einschrittverfahren Numerik und Simulation in der Geoökologie Sylvia Moenickes VL 2 WS 2007/2008 2/49 Rekapitulation Das Euler-Verfahren
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
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
Mehr8 Polynominterpolation
8 Polynominterpolation Interpolations-Aufgabe: Von einer glatten Kurve seien nur lich viele Punktewerte gegeben. Wähle einen lichdimensionalen Funktionenraum. Konstruiere nun eine Kurve in diesem Funktionenraum
MehrNebenfach Mathematik im Informatik-Studium. Martin Gugat FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26.
Nebenfach Mathematik im Informatik-Studium Martin Gugat martin.gugat@fau.de FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26. Oktober 2016 Motivation Die rigorose Analyse von Algorithmen erfordert
MehrNumerische Mathematik für Ingenieure und Physiker
Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin
MehrMATHEMATISCHE METHODEN DER PHYSIK 1
MATHEMATISCHE METHODEN DER PHYSIK 1 Helmuth Hüffel Fakultät für Physik der Universität Wien Vorlesungsskriptum Sommersemester 2012 Version vom 08-03-2012 Inhaltsverzeichnis 1 Lineare gewöhnliche Differentialgleichungen
Mehr18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
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 (...)
MehrWir untersuchen in diesem Abschnitt das (lokale) Newton Verfahren zur Lösung eines nichtlinearen Gleichungssystems
Kapitel 2 Newton Verfahren 2.1 Das lokale Newton Verfahren Wir untersuchen in diesem Abschnitt das (lokale) Newton Verfahren zur Lösung eines nichtlinearen Gleichungssystems F (x) = 0 (2.1) mit einer zumindest
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
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)
MehrProf. Dr. H. Brenner Osnabrück SS Analysis II. Vorlesung 50. Hinreichende Kriterien für lokale Extrema
Prof. Dr. H. Brenner Osnabrück SS 205 Analysis II Vorlesung 50 Hinreichende Kriterien für lokale Extrema Wir kommen jetzt zu hinreichenden Kriterien für die Existenz von lokalen Extrema einer Funktion
MehrKleine Formelsammlung zu Mathematik für Ingenieure IIA
Kleine Formelsammlung zu Mathematik für Ingenieure IIA Florian Franzmann 5. Oktober 004 Inhaltsverzeichnis Additionstheoreme Reihen und Folgen 3. Reihen...................................... 3. Potenzreihen..................................
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!)
MehrVorlesung, 26. Mai 2011, Inhalt. Eigenwerte und Eigenvektoren. Gewöhnliche Differentialgleichungen
Vorlesung, 26. Mai 2011, Inhalt Eigenwerte und Eigenvektoren Gewöhnliche Differentialgleichungen 1 Eigenwerte und Eigenvektoren Es sei A eine n n-matrix, x ein vom Nullvektor verschiedener Vektor und λ
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
MehrAnalysis I. 4. Beispielklausur mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Analysis I 4. Beispielklausur mit en Aufgabe 1. Definiere die folgenden (kursiv gedruckten) Begriffe. (1) Eine bijektive Abbildung f: M N. () Ein
MehrNUMERISCHE MATHEMATIK FÜR MATHEMATIKER III 1 (Numerik gewöhnlicher Differentialgleichungen) Prof. Dr. Hans Babovsky. Institut für Mathematik
NUMERISCHE MATHEMATIK FÜR MATHEMATIKER III 1 (Numerik gewöhnlicher Differentialgleichungen) Prof. Dr. Hans Babovsky Institut für Mathematik Technische Universität Ilmenau WS 2003/04 1 Korrekturen, Kommentare
Mehr14 Lineare Differenzengleichungen
308 14 Lineare Differenzengleichungen 14.1 Definitionen In Abschnitt 6.3 haben wir bereits eine Differenzengleichung kennengelernt, nämlich die Gleichung K n+1 = K n q m + R, die die Kapitalveränderung
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.:
MehrEingebettete Runge Kutta Verfahren DOPRI5(4) Verfahren: FSAL Verfahren
Eingebettete Runge Kutta Verfahren DOPRI5(4) Verfahren: FSAL Verfahren 0 1 5 3 10 4 5 8 9 1 5 3 9 40 40 44 45 56 15 19372 6561 25360 2187 9017 1 3168 355 33 1 35 348 0 500 1113 35 500 p = 5 348 0 1113
MehrNumerische Integration
Numerische Integration Fakultät Grundlagen Januar 0 Fakultät Grundlagen Numerische Integration Übersicht Grundsätzliches Grundsätzliches Trapezregel Simpsonformel 3 Fakultät Grundlagen Numerische Integration
MehrHöhere Mathematik III für die Fachrichtung Elektrotechnik und Informationstechnik
Karlsruher Institut für Technologie Institut für Analysis Priv.-Doz. Dr. P. C. Kunstmann Dipl.-Math. Sebastian Schwarz SS 6.4.6 Höhere Mathematik III für die Fachrichtung Elektrotechnik und Informationstechnik
Mehr4.7 Der Taylorsche Satz
288 4 Differenziation 4.7 Der Taylorsche Satz Die Differenzierbarkeit, also die Existenz der ersten Ableitung einer Funktion, erlaubt bekanntlich, diese Funktion lokal durch eine affine Funktion näherungsweise
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
Mehr6 Komplexe Integration
6 Komplexe Integration Ziel: Berechne für komplexe Funktion f : D W C Integral der Form f(z)dz =? wobei D C ein Weg im Definitionsbereich von f. Fragen: Wie ist ein solches komplexes Integral sinnvollerweise
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
MehrMathematik III. Vorlesung 74. Folgerungen aus dem Satz von Fubini. (( 1 3 x3 1 2 x2 y +2y 3 x) 1 2)dy. ( y +2y y +4y3 )dy
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 74 Folgerungen aus dem Satz von Fubini Beispiel 74.1. Wir wollen das Integral der Funktion f :R 2 R, (x,y) x 2 xy +2y 3, über dem Rechteck
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.
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
MehrMathematik für Anwender I
Prof. Dr. H. Brenner Osnabrück WS 20/202 Mathematik für Anwender I Vorlesung 30 Gewöhnliche Differentialgleichungen mit getrennten Variablen Definition 30.. Eine Differentialgleichung der Form y = g(t)
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
MehrNumerische Integration von Differential-Gleichungen Das klassische Runge-Kutta-Verfahren
Numerische Integration von Differential-Gleichungen Das klassische Runge-Kutta-Verfahren Gegeben sei ein Anfangswertproblem erster Ordnung: y = f (x;y y(x 0 = y 0 Wie schon erörtert, beschreibt eine DGl
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
MehrEinfache Differentialgleichungen (algebraische Lösung)
Einfache Differentialgleichungen (algebraische Lösung) 0. Definition, Einschränkung Definition: Sei die Funktion mit Gleichung = f() n-mal differenzierbar. Gilt F(,,,,, (n) ) = 0 (für alle ), so erfüllt
Mehr2. Übungsblatt zur Mathematik III für MB/MPE, LaB/WFM, VI, WI/MB
Fachbereich Mathematik Prof. Dr. J. Lang Dipl.-Math. C. Schönberger Dipl.-Math. L. Kamenski WS 007/08 6.Oktober 007. Übungsblatt zur Mathematik III für MB/MPE, LaB/WFM, VI, WI/MB Gruppenübung Aufgabe G4
Mehr9.4 Lineare gewöhnliche DGL
9.4 Lineare gewöhnliche DGL Allgemeinste Form einer gewöhnlichen DGL: Falls linear in ist, sprechen wir von einer "linearen" DGL: und eine Matrix zeitabhängigen Komponenten ein zeitabhängiger Vektor In
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:
Mehr6 Gewöhnliche Differentialgleichungen
6 Gewöhnliche Differentialgleichungen Differentialgleichungen sind Gleichungen in denen nicht nur eine Funktion selbst sondern auch ihre Ableitungen vorkommen. Im einfachsten Fall gibt es eine unabhängige
MehrLineare Differenzen- und Differenzialgleichungen
Lineare Differenzen- und Differenzialgleichungen Fakultät Grundlagen April 2011 Fakultät Grundlagen Lineare Differenzen- und Differenzialgleichungen Übersicht 1 Beispiele Anwendung auf Fragen der dynamischen
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
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
MehrLösung zur Übung 19 SS 2012
Lösung zur Übung 19 SS 01 69) Beim radioaktiven Zerfall ist die Anzahl der pro Zeiteinheit zerfallenden Kerne dn/dt direkt proportional zur momentanen Anzahl der Kerne N(t). a) Formulieren Sie dazu die
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 53 Norm von Endomorphismen und Matrizen Definition 53.1. Es seien V und W endlichdimensionale normierte K-
MehrDifferentialgleichungen
Differentialgleichungen Viele physikalische Probleme können mathematisch als gewöhnliche Differentialgleichungen formuliert werden nur eine unabhängige Variable (meist t), z.b. Bewegungsgleichungen: gleichmäßig
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrKapitel 5 (Ebene autonome Systeme) Abschnitt 5.1 (Reduktion auf skalare Di.gleichungen)
Abschnitt 5.1 Reduktion auf skalare Differenzialgleichungen 33 Kapitel 5 Ebene autonome Systeme Abschnitt 5.1 Reduktion auf skalare Di.gleichungen Aufgabe 1, Seite 190 Das gegebene System besitzt oensichtlich
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
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
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
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
Mehr11 Logarithmus und allgemeine Potenzen
Logarithmus und allgemeine Potenzen Bevor wir uns mit den Eigenschaften von Umkehrfunktionen, und insbesondere mit der Umkehrfunktion der Eponentialfunktion ep : R R + beschäftigen, erinnern wir an den
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.
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/
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
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. Die eindimensionale Wellengleichung
H.J. Oberle Differentialgleichungen II SoSe 2013 5. Die eindimensionale Wellengleichung Wir suchen Lösungen u(x, t) der eindimensionale Wellengleichung u t t c 2 u xx = 0, x R, t 0, (5.1) wobei die Wellengeschwindigkeit
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
MehrHomogene Systeme in höheren Dimensionen
56 4 Systeme von Differenzialgleichungen gefunden, so sind deren ilder, ' = T, Lösungen in den y-koordinaten. llerdings ist das uffinden einer geeigneten Transformation T gleichbedeutend mit der estimmung
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
Mehr