2. Direkte Verfahren zur Lösung. linearer Gleichungssysteme
|
|
- Käte Waldfogel
- vor 6 Jahren
- Abrufe
Transkript
1 2. Direkte Verfahren zur Lösung linearer Gleichungssysteme 1
2 Einleitung (1) Eine zentrale Rolle bei numerischen Berechnungen spielen lineare Gleichungssysteme Es sind die am häufigsten auftretenden numerischen Probleme Anwendungsgebiete sind z.b. * fast alle naturwissenschaftlich-technischen Problemstellungen vom Wetterbericht bis zur Wärmeentwicklung auf einer Kochplatte oder der Planung der Leiterbahnen auf Mikrochips, * Bildverarbeitung oder z.b Beleuchtungsprobleme in der Computergrafik, * wirtschaftlichen Fragestellungen wie Versicherungskosten oder Börsenkursvorhersage. 2
3 Einleitung (2) Lösungsverfahren Die direkten Verfahren liefern eine mit Rundungsfehlern behaftete Lösung nach endlich vielen Schritten. Die iterativen Verfahren beginnen mit einer Anfangsnäherung und produzieren eine verbesserte Näherungslösung nach endlich vielen Schritten. Falls möglich wird das Problem mit einem direkten Verfahren berechnet und anschließend werden die Rundungsfehler mit einem iterativen Verfahren verringert. 3
4 Einleitung (3) Problemstellung: Berechne den Vektor x = (x 1,x 2,...x n ) aus a 1,1 x 1 +a 1,2 x 2 + a 1,n x n = b 1 a 2,1 x 1 +a 2,2 x 2 + a 2,n x n = b 2 a n,1 x 1 +a n,2 x 2 + a n,n x n = b n oder in Matrix-Schreibweise Ax = b Bemerkung: Vektoren werden hier ohne Vektorpfeil geschrieben 4
5 Einleitung (4) Es existieren entweder keine, eine oder unendlich viele Lösungen. Das Gleichungssystem hat eine Lösung, wenn die Inverse Matrix A 1 zu A existiert. Die Lösung kann mit Hilfe von A 1 : A 1 Ax = A 1 b = x. Dieses ist der Fall, wenn die Matrix nicht singulär ist, d.h. die Determinante ungleich Null ist (Leibniz-Formel) deta = π S n (sign π )a 1,π(1) a 2,π(2)...a n,π(n). * π(1),...π(n) bedeutet eine Permutation der Zahlen 1 bis n. * sign π ist der Vorzeichen der Permutation * π S n bedeutet die Summe über alle Permutationen Es wird im folgenden vorausgesetzt, dass die Matrizen nicht singulär sind. 5
6 Gauß-Verfahren (1) Das Gauß-Eliminationsverfahren ist bekannt aus der Mathematikvorlesung Dieses direkte Lösungsverfahren bringt das Gleichungssystem in Dreiecksform und berechnet den Lösungsvektor. Schulbeispiel E 1 : x 1 + x 2 + 3x 4 = 4 E 2 : x 2 x 3 5x 4 = 7 E 3 : 4x 2 x 3 7x 4 = 15 E 4 : 3x 2 + 3x 3 + 2x 4 = 8 6
7 Gauß-Verfahren (2) Matrix A: A = , Determinante: deta = a 1,1 a 2,2 a 3,3 a 4,4 a 1,1 a 2,2 a 3,4 a 4,3 a 1,1 a 2,3 a 3,2 a 4,4 +a 1,1 a 2,3 a 3,4 a 4,2 + a 1,1 a 2,4 a 3,2 a 4,3 a 1,1 a 2,4 a 3,3 a 4,2 = = 39 7
8 Gauß-Verfahren (3) Erlaubte Transformationen zur Lösung des Gleichungssystems Multiplizieren einer Zeile (Gleichung) mit einer Zahl verschieden von Null Addieren eines Vielfachen einer Zeile zu einer anderen Zeile Vertauschen von Zeilen (Gleichungen) bzw. Spalten (Unbekannten, entspricht Umnummerierung) Mit Hilfe der Transformationen reduziere Gleichungssystem auf ein Dreieckssystem. 8
9 Gauß-Verfahren (4) Durchlaufe alle Zeilen. Bei jeder Zeile j unterhalb der aktuellen Zeile i ersetzt die Elementen durch Zeile j Zeile j - Zeile i (a j,i /a i,i ) Ersetze b j ebenfalls durch b j b j b i a j,i /a i,i Dieser Schritt ändert den Lösungsvektor nicht! Es führt dazu, dass alle Elemente der i-ten Spalte unterhalb der i-ten Zeile zu Null werden. a j,i = a j,i a i,i (a j,i /a i,i ) = 0 für j > i 9
10 Gauß-Verfahren (5) Reihe i Reihe j 0 a j,i Spalte i 10
11 Gauß-Verfahren (6) Zweite Spalte des Schulbeispiels: x 1 x 2 x 3 x 4 = a 3,i = a 3,i a 3,2 /a 2,2 a 2,i b 3 = b 3 a 3,2 /a 2,2 b 2 a 4,i = a 4,i a 4,2 /a 2,2 a 2,i b 4 = b 4 a 4,2 /a 2,2 b 2 11
12 Gauß-Verfahren (7) Allgemein: 1. Die Matrix A ändert sich mit jedem Eliminationsschritt 2. Starte mit der Ursprungsmatrix A (1) = A 3. Führe die nachfolgenden Schritte für alle Zeilen k = 1,...,n 1 zur Berechnung einer veränderten Matrix A (k+1) aus A (k) durch, die in der Spalte unter dem Diagonalelement a k,k nur Nullen stehen hat 4. Berechnet die Zahlen l i,k aus dem Quotienten der Elemente a (k) i,k und a (k) k,k nach l i,k = a(k) i,k a (k) k,k, i = k +1,...,n 12
13 Gauß-Verfahren (8) 5. Bestimme die veränderte Matrizen A (k+1) = a (k+1) i,j, die sich aus dem k-ten Schritt des Gauß-Verfahrens ergibt durch a (k+1) i,j = a (k) i,j l i,ka (k) a (k) i,j k,j, i = k +1,...,n; j = k,...,n sonst 6. Verändere die Vektor b (k) unverändert bleibt, gemäß b (k+1) i = i b (k) i b (k) i zu b (k+1) i, so dass der Ergebnisvektor l i,k b (k) k, i = k +1,...,n sonst 13
14 Gauß-Verfahren (9) C-Code // for each row "k" except the last for (k=0; k<n-1; k++) { // step through subsequent rows "i" for (i=k+1; i<n; i++) l[i][k] = a[i][k]/a[k][k]; // step through subsequent rows "i" for (i=k+1; i<n; i++) { // step through subsequents cols "j" of "i" for (j=k; j<n; j++) // modified n-k-1 elements of row "i" a[i][j] = a[i][j] - l[i][k]*a[k][j]; // modify right side b[i] = b[i] - l[i][k]*b[k];}} Für j = k gilt a[i][k] = a[i][k] - (a[i][k]/a[k][k]) * a[k][k] = 0; d.h. die Spalte a[i][k] mit i>k wird auf 0 gesetzt. 14
15 Gauß-Verfahren (10) Schulbeispiel wird zu oder allgemein E 1 : x 1 + x 2 + 3x 4 = 4 E 2 : x 2 x 3 5x 4 = 7 E 3 : 3x x 4 = 13 E 4 : 13x 4 = 13 a 1,1 a 1,2 a 1,n a 2,2 a 2,n.... a n,n x 1 x 2. x n = b 1 b 2. b n 15
16 Gauß-Verfahren (11) Ein Dreieckssystem ist leicht zu lösen. Aus E 4 : x 4 = 1 x 4 einsetzten in E 3 : 3x = 13 x 3 = 0 x 3,x 4 einsetzten in E 2 : x 2 5 = 7 x 2 = 2 x 2,x 3,x 4 einsetzten in E 1 : x = 4 x 1 = 1 16
17 Gauß-Verfahren (12) Allgemein: Ausgehend von einer Dreiecksmatrix A gilt bzw. x n = 1 a n,n b n x n 1 = für k = n,...,1. x k = 1 a k,k 1 ( ) b n 1 a n 1,n x n, a n 1,n 1 b k n j=k+1 a k,j x j Wichtig: Die Diagonalelemente a kk, die Pivotelemente müssen 0 sein bzw. det(a) = a 11 a a nn 0. 17
18 Gauß-Verfahren (13) Ordnung des Gauß-Algorithmus Eliminationsschritt: Es müssen für k = n,,1 neue Werte für k 2 Matrixeinträge berechnet werden, insgesamt n k=1 k 2 = n(n+1)(2n+1)/6 n 3 /3 Lösung des Dreiecks-Gleichungssystem: Es müssen zur Berechnung der k-ten Unbekannten k Terme zusammengefasst werden, insgesamt n k=1 Ordnung insgesamt O(n 3 ). k = n(n+1)/2 n 2 /2 18
19 Pivotsuche (1) Problem: 1. Die Pivotelemente a (k) k,k sein. können in jedem Schritt gleich Null 2. Ist das Pivotelemente a (k) k,k viel kleiner als a(k) i,k, wird l i,k = a(k) i,k sehr groß und Rundungsfehler zerstören die Lösung a (k) k,k Beispiel: Berechne mit 4-stelliger Gleitpunktarithmetik x 1 = x
20 Pivotsuche (2) Lösung mit Gauß-Algorithmus: mit der Lösung x = (0,1) Berechne das gleiche System mit vorheriger Vertauschung der Zeilen 1 und 2: mit der Lösung x = ( 0.5,1) Exakte Lösung: x = ( , ) 20
21 Pivotsuche (3) Ausweg aus beiden Problemen: 1. Spaltenpivotsuche: Bestimme das betragsmäßig größte Element a (k) r,k,k r n und vertausche Zeile r mit Zeile k und b (k) r mit b (k) k, falls r k. 2. Zeilenpivotsuche: Bestimme das betragsmäßig größte Element a (k) k,r,k r n und vertausche Spalte r mit Spalte k, falls r k. Dies entspricht einer Umnummerierung des Lösungsvektors. 3. Totalpivotsuche: Das ist die Kombination aus Zeilen- und Spaltenpivotsuche. 21
22 Pivotsuche (4) Algorithmus für Spaltenpivotsuche: for k = 1 to n 1 do bestimme s mit a s,k = max{ a i,k,i = k,...,n} vertausche Zeilen s und k von A. Praxis: Die Zeilen werden nicht vertauscht, sondern über einen Indexvektor angesprochen oder die Zeiger auf die Zeilen umgehängt, um Speicherzugriffe und eventuell Kommunikation zu sparen. 22
23 Pivotsuche (5) Algorithmus mit Indexvektor: Indexvektor ind(i) = i,i = 1,...,n for k = 1 to n 1 do bestimme s mit a ind(s),k = max{ a ind(i),k,i = k,...,n} vertausche ind(s) mit ind(k) for i = k +1 to n do for j = k to n do a ind(i),j = a ind(i),j l ind(i),k a ind(k),j In C einfach a[k] a[s] Es gibt viele Lösungen im Netz, z.b. unter 23
24 Kondition einer Matrix (1) Der Einfachheit halber sei A exakt gegeben Ungenaue Eingabe in B: b Ungenaue Ausgabe in x: x Zu berechnen: x / x Aus Ax = b folgt A(x+ x) = b+ b oder A x = b und aus x = A 1 b A 1 b b = Ax A x folgt x x A 1 A b b κ(a) = A 1 A muss klein sein. Was ist unter A zu verstehen? 24
25 Kondition einer Matrix (2) Vektornorm: Unterschiedliche Definitionen von Normen sind möglich. 1-Norm: x 1 = n i=1 x i 2-Norm oder euklidische Norm: x 2 = n x 2 i i=1 -Norm: x = max i=1,...n x i Analog für Matrizen, über Spaltensumme, Spektralradius bzw. Zeilensumme. Diese Größen sollten vor der Lösung des Systems berechnet werden. 25
26 Kondition einer Matrix (3) Analog ohne Beweise: 1-Norm, Spaltennorm: A 1 = max j=1,...n n i=1 a i,j 2-Norm, Spektralnorm: A 2 = max x 0 Ax x -Norm, Zeilensummennorm: = ρ(a T A) A = max i=1,...n n j=1 a i,j Gauß-Elimination mit Pivotsuche gilt als numerisch stabil! 26
27 LU (LR)-Zerlegung (1) Die Matrix A lässt sich als Produkt zweier Dreiecksmatrizen schreiben: A = LU Das Verfahren wird als LU-Zerlegung bezeichnet und entspricht der Gauß-Elimination. Es gilt L = l 2, l 3,1 l 3, l n,1 l n,2 l n,3 1 U = a (n) 1,1 a(n) 1,2 a(n) 1,3 0 a (n) 2,2 a(n) 2,3 a(n) 1,n a(n) 2,n 0 0 a (n) 2,3 a(n) 2,n a (n) n,n 27
28 LU-Zerlegung (2) Ohne Beweis: Die Matrixeinträge l i,j von L sind die Gewichte der Gauß-Elimination und Einsen auf der Diagonalen. Unser Schulbeispiel: =
29 LU-Zerlegung (3) Vorteil: Ist A einmal zerlegt, lässt sich das System Ax = b für alle b schnell lösen, ohne das noch einmal eine Gauß-Elimination durchgeführt werden muss. Ax = LUx = b Löse zuerst Ly = b und anschließend Ux = y. Beides sind Probleme mit Dreiecksmatrizen und damit von der Ordnung O(n 2 ). 29
30 HPL Der HPL-Benchmark der TOP500 Liste für die weltweit leistungsfähigsten Rechner ist Lösung eines linearen Gleichungssystems über eine LU-Zerlegung mit Spaltenpivotsuche. 1. Das Programm ist mit MPI (siehe Masterveranstaltung Parallel Computing) geschrieben. 2. Es fasst zur Beschleunigung, d.h. zur Optimierung des Speicherzugriffs mehrere Spalten in Blöcken zusammen. 3. Es verwendet BLAS Bibliotheksfunktionen (Basic Linear Algebra Subprograms). 30
31 Cholesky-Zerlegung Für sogenannte symmetrische und positiv definite Matrizen, also Matrizen, für die gilt A T = A und x T Ax > 0 gibt es eine rechts-obere Dreiecksmatrix R mit r ii < 0 und A = R T R Der zugehörige Algorithmus ist ca. doppelt so schnell wie die Gauß- Elimination. Solche Matrizen kommen in der Praxis sehr häufig vor, z.b. bei im Bereich der Computergraphik. 31
32 QR-Zerlegung (1) Bei der QR-Zerlegung A = QR handelt es sich um eine Zerlegung in 2 Matrizen, von denen eine eine sogenannte orthogonale Matrix ist, also Q 1 = Q T und die andere eine rechts-obere Dreiecksmatrix R Vorteil: Die Gauß-Elimination bzw. LR-Zerlegung kann die Kondition der Matrix stark ändern, so dass es trotz Pivot-Suche zu hohen Rundungsfehlern kommen kann. Die QR-Zerlegung kann auch auf nicht-quadratische Matrizen angewandt werden, so wie sie bei Ausgleichsrechnungen vorkommen. Es lassen sich über die QR-Zerlegung die Eigenwerte der Matrix berechnen. 32
33 QR-Zerlegung (1) Nachteil: Das Verfahren ist aufwändiger als die LR-Zerlegung Ist das System einmal zerlegt Ax = QRx = b, dann löse zuerst Qy = b über y = Q 1 b = Q T b und anschließend Rx = y. Beides sind Probleme von der Ordnung O(n 2 ). 33
34 Beispiel einer großen Matrix: Das Radiosity-Verfahren (1) Globales Beleuchtungsmodell Berechnung der diffus abgestrahlten Energie zwischen Objekten einer Szene Energieerhaltung: Summen der abgestrahlten und aufgenommenen Energien sind gleich Lichtquellen sind auch Objekte der Szene Das entstehende Gleichungssystem wird aus Zeitgründen meist iterativ und nicht mit dem Gauß-Verfahren gelöst. siehe 34
35 Beispiel: Radiosity-Verfahren (2) N Objekte in einer Szene Größe Bedeutung A i Oberfläche von Objekt i B i Von i abgestrahlte Leistung/Oberfläche F i,j Formfaktor: Anteil, der von B i auf A j trifft E i von i erzeugte Strahlungsleistung/Fläche Reflektionskoeffizient von i R i Gesamte Strahlungsleistung von Objekt j, die das Objekt i trifft ist damit B j A j F j,i Gesamte abgestrahlte Energie pro Oberfläche ist die Summe aus der erzeugten und der reflektierten Energie. 35
36 Beispiel: Radiosity-Verfahren (3) Energiebilanz: B i = E i + n j=1,j i R i (B j A j F j,i )/A i Der Lichtweg ist umkehrbar F j,i A j = F i,j A i Es findet keine Absorption statt F i,i = 0 Energiebilanz: B i = E i + n j=1 R i (B j A j F j,i )/A i Gleichungssystem: E i = n j=1 (δ i,j R i F i,j )B j oder Matrix: A i,j = δ i,j R i F i,j 36
37 Ergänzung: Eigenwerte (1) Ein Gleichungssystem hat eine eindeutige Lösung, wenn die Matrix A nicht singulär ist, d.h. A 1 existiert. Dies ist der Fall, wenn die Determinante ungleich Null oder alle Eigenwerte der Matrix ungleich Null sind. Eine n n Matrix A führt bei Multiplikation mit einem Vektor x diesen in einen Vektor y über. Sind x und y parallel ist x ein Eigenvektor von A zum Eigenwert λ Ax = y = λx 37
38 Eigenwerte (2) Die Eigenwerte können bestimmt werden über das charakteristische Polynom, da (A λi)x = 0 P(λ) = det(a λi) = det a 1,1 λ a 1,2 a 1,n a 2,1 a 2,2 λ a 2,n..... a n,1 a n,n λ = 0, wobei I die Einheitsmatrix ist. x ist nur bis auf eine Konstante definiert Die Eigenwerte können komplex sein Die Matrix (A λi) ist singulär 38
39 Eigenwerte (3) Eigenwerte und Eigenvektoren haben vielfältige Anwendungen in z.b. Physik (Schwingungen, Drehungen, Quantenmechanik) Maschinenbau (Festigkeitslehre und Knicklasten), Biologie und Wirtschaftswissenschaften (Entwicklung eines biologischen bzw. wirtschaftlichen Systems über Wahrscheinlichkeitsmatrizen bzw. Markov-Ketten), Bildbearbeitung, z.b. Objektausrichtung PageRank einer Homepage als Eigenvektor der Google-Matrix Regelungstechnik und vielem mehr, denn sie beschreiben die wesentlichen Eigenschaften eines Systems. 39
40 Eigenwerte (4) Drei einfache Lösungsansätze: Bei kleinen Systemen kann die Eigenwertgleichung direkt berechnet werden. Große Systeme sind meist symmetrisch, d.h. A = A T. Dann existieren verschiedene schnelle Verfahren zur Berechnung der Eigenwerte über die QR-Zerlegung. Wird nur eine wesentliche Eigenschaft benötigt, z.b. der größte Eigenwert, kann dieser leicht durch die Potenzmethode bestimmt werden. 40
41 Eigenwerte (5) Potenzmethode: Voraussetzung (normalerweise gültig): Alle Eigenvektoren sind linear unabhängig. Dann lässt sich ein beliebiger Vektor x schreiben als x = n j=1 a j v (j) Annahme: Die Eigenvektoren v (j) gehören zu den der Größe nach sortierten Eigenwerten λ 1 > λ 2... λ j... λ n 0 und der größte Eigenwert kommt nur einmal vor. Dann gilt Ax = n j=1 a j Av (j) = n j=1 a j λ j v (j) 41
42 Eigenwerte (6) Dieser Ausdruck wird nun immer wieder mit A multipliziert: A 2 x = A k x = n j=1 n = λ k 1 j=1 n a j A 2 v (j) = a j A k v (j) = j=1 λ k j a j λ k v (j) 1 lim k Ak x = lim λ k 1 a k 1v (1) n j=1 n j=1 a j λ 2 j v(j) a j λ k j v(j) Daraus kann der größte Eigenwert mit dem zugehörigen Eigenvektor gewonnen werden. 42
1 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
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
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
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrBeginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrGliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung
Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
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 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
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
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
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
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/
MehrDeterminanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird,
Determinanten Wir entwickeln eine Lösungsformel für Gleichungssysteme mit zwei Variablen. ax + cy = e b bx + y = f a } abx bcy = be + abx + ay = af ya bc = af be Man schreibt y = af be a bc = a e b f analog
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrKapitel 5. LU Zerlegung. 5.1 L- und U-Matrizen
Kapitel 5 LU Zerlegung In vielen Fällen interessiert uns die inverse Matrix A 1 gar nicht. Stattdessen suchen wir die Lösung der Matrixgleichung Ax = b bzw. x = A 1 b 5.1) für einen oder wenige Vektoren
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrKAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren
KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
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
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrGleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.
Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
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
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme.2 Determinanten 3 iii 2 LINEARE GLEIHUNGSSYSTEME UND DETERMINANTEN KAPITEL
MehrNumerische Lösung linearer Gleichungssysteme
Kapitel 2 Numerische Lösung linearer Gleichungssysteme Dieses Kapitel behandelt numerische Verfahren zur Lösung linearer Gleichungssysteme der Gestalt Ax = b, A R n n, x, b R n (21) mit a 11 a 1n A = a
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
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
MehrLineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen
KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema
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
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrQuadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
Mehr20 Kapitel 2: Eigenwertprobleme
20 Kapitel 2: Eigenwertprobleme 2.3 POTENZMETHODE Die Potenzmethode oder Vektoriteration ist eine sehr einfache, aber dennoch effektive Methode zur Bestimmung des betragsmäßig größten Eigenwertes. Um die
MehrVektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 18.12.15 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
Mehr6 Numerische Verfahren zur Lösung linearer Gleichungssysteme
Numerische Mathematik für ingenieurwissenschaftliche Studiengänge 208 6 Numerische Verfahren zur Lösung linearer Gleichungssysteme The simplest model in applied mathematics is a system of linear equations.
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
Mehr2 Direkte Lösungsverfahren für lineare Gleichungen
2 Direkte Lösungsverfahren für lineare Gleichungen Sei A R invertierbar und b R. Löse Ax = b genau und effizient. Die LR-Zerlegung Wir berechnen eine Zerlegung A = LR mit L, R R und den folgen Eigenschaften:
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
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
MehrQuadratische Matrizen Inverse und Determinante
Kapitel 2 Quadratische Matrizen Inverse und Determinante In diesem Abschnitt sei A M(n, n) stets eine quadratische n n Matrix. Für nicht-quadratische Matrizen ergeben die folgenden Betrachtungen keinen
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
Mehr6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
MehrEigenwerte und Eigenvektoren
Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen
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
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
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
Mehr2. Spezielle anwendungsrelevante Funktionen
2. Spezielle anwendungsrelevante Funktionen (1) Affin-lineare Funktionen Eine Funktion f : R R heißt konstant, wenn ein c R mit f (x) = c für alle x R existiert linear, wenn es ein a R mit f (x) = ax für
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
MehrCorinne Schenka Vorkurs Mathematik WiSe 2012/13
4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 Roger Burkhardt roger.burkhardt@fhnw.ch
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrLineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
Mehr2 Lineare Gleichungssysteme
Beispiel.5: Funktion von Runge (V) Beispiel Martin-Luther-Universität Halle-Wittenberg, NWF III, Institut für Mathematik Martin Arnold: Grundkurs Numerische Mathematik (WiS 27/8) Abbildung.3: Interpolation
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
MehrMathematische Formeln für Wirtschaftswissenschaftler
Mathematische Formeln für Wirtschaftswissenschaftler Fred Böker Institut für Statistik und Ökonometrie Georg-August-Universität Göttingen Platz der Göttinger Sieben 5 D-37073 Göttingen Tel 0551-394604
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
MehrPer Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER
Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER BERGISCHE UNIVERSITÄT WUPPERTAL THEORETISCHE CHEMIE Juli 2008 Inhaltsverzeichnis 1 Komplexe Zahlen............................. 5 1.1 Einführung............................
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
MehrIterative Lösung Linearer Gleichungssysteme
Iterative Lösung Linearer Gleichungssysteme E. Olszewski, H. Röck, M. Watzl 1. Jänner 00 E. Olszewski, H. Röck, M. Watzl: WAP (WS 01/0) 1 Vorwort C.F.Gauß in einem Brief vom 6.1.18 an Gerling:
MehrV DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren
SKRIPTUM { LINEARE ALGEBRA II JB COOPER Inhaltsverzeichnis: x Determinanten x Eigenwerte x Euklidische Raume x8 Dualitat, Tensorprodukte, Alternierende Formen Anhang: ) Mengen, Abbildungen ) Gruppen )
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
Mehr4.4 Orthogonalisierungsverfahren und die QR-Zerlegung
4.4 Orthogonalisierungsverfahren und die QR-Zerlegung Die Zerlegung einer regulären Matrix A R n n in die beiden Dreiecksmatrizen L und R basiert auf der Elimination mit Frobeniusmatrizen, d.h. R = FA,
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
Mehr1 Geometrie - Lösungen von linearen Gleichungen
Übungsmaterial Geometrie - Lösungen von linearen Gleichungen Lineare Gleichungen sind von der Form y = f(x) = 3x + oder y = g(x) = x + 3. Zwei oder mehr Gleichungen bilden ein Gleichungssystem. Ein Gleichungssystem
MehrNumerische Mathematik I
Numerische Mathematik I Lars Grüne Mathematisches Institut Fakultät für Mathematik und Physik Universität Bayreuth 95440 Bayreuth larsgruene@uni-bayreuthde wwwuni-bayreuthde/departments/math/ lgruene/
Mehr