9 Numerische Verfahren für Anfangswertaufgaben
|
|
- Martha Holzmann
- vor 6 Jahren
- Abrufe
Transkript
1 Numerik II 63 9 Numerische Verfahren für Anfangswertaufgaben Inhalt 9.1 Einige einfache Verfahren 9.2 Einschrittverfahren Definition und Eigenschaften 9.3 Runge-Kutta-Verfahren 9.4 Lineare Mehrschrittverfahren 9.5 Konvergenz von Einschrittverfahren 9.6 Nullstabilität linearer Mehrschrittverfahren 9.7 Schrittweitensteuerung 9 Numerische Verfahren für Anfangswertaufgaben TU Bergakademie Freiberg, SS 2010
2 Numerik II Einige einfache Verfahren Wir betrachten die AWA y = f (t, y), y(t 0 ) = y 0. (AWA) Unter den Voraussetzungen von Satz 8.1 besitzt es eine eindeutige Lösung, sagen wir über dem Intervall I. Wir wollen diese Lösung y(t) für t [t 0, t end ] I durch das Euler-Verfahren a (auch Euler-Cauchy-Verfahren b oder Polygonzug-Verfahren), den Prototyp eines numerischen Verfahrens zur Lösung von AWAen, approximieren. Wie alle numerischen Methoden, die hier besprochen werden, basiert das Euler-Verfahren auf der Idee der Diskretisierung: Statt (AWA) über [t 0, t end ] zu lösen, geben wir uns damit zufrieden, Näherungswerte für die Lösung auf einer diskreten Teilmenge {t n : n = 0, 1,..., N} zu bestimmen. a LEONHARD EULER ( ) b AUGUSTIN LOUIS CAUCHY ( ) 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
3 Numerik II 65 Wähle N N, h = (t end t 0 )/N und definiere t n := t 0 +nh, n = 0, 1,..., N, d.h. t 0 < t 1 < t N 1 < t N = t end. Die Zahl h > 0 heißt Schrittweite (ausser Bequemlichkeit gibt es vorerst keinen Grund, die Schrittweite h konstant zu wählen). Bezeichnet nun y n einen Näherungswert für y(t n ), n = 0, 1,..., N 1, dann ist (falls y C 2 [t 0, t end ]) y(t n+1 ) = y(t n + h) = y(t n ) + hy (t n ) h2 y (ξ) y(t n ) + hy (t n ) = y(t n ) + hf (t n, y(t n )) y n + hf (t n, y n ). (Explizites) Euler-Verfahren: y 0 gegeben, y n+1 := y n + hf (t n, y n ) (n = 0, 1,..., N 1). 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
4 Numerik II 66 Zur Veranschaulichung einer GDG 1. Ordnung y = f(t, y) wird oft das assoziierte Richtungsfeld herangezogen: In jedem Punkt (t, y) R 2 wird ein Pfeil gezeichnet, der in die Richtung y = f(t, y) weist. Der Graph der Lösung der AWA y = f(t, y), y(t 0 ) = y 0, muss dann einerseits das Richtungsfeld respektieren (d.h. die Tangenten an den Graphen sind Elemente des Richtungsfelds), andererseits den Punkt (t 0, y 0 ) enthalten. Die nächste Abbildung zeigt, wie das Euler-Verfahren die logistische Gleichung y = y(1 y) mit AB y(0) = 1/10 löst. Statt der exakten Trajektorie zu folgen (was natürlich unmöglich ist), produziert das Euler-Verfahren eine stückweise lineare Lösung (einen Polygonzug). An der Stelle t 0 = 0 arbeitet das Euler-Verfahren mit der richtigen Steigung f(t 0, y 0 ) = 9/100, bereits an der Stelle t = 1 ist die Steigung falsch. In späteren Schritten entfernt man sich (potentiell) immer weiter von der exakten Lösung. 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
5 Numerik II Euler Verfahren y =y(1 y), y(0)=1/ Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
6 Numerik II 68 4 Richtungsfeld von y =x(y 2) und Loesungen mit Anfangswerten y(0) = 1:0.5:1 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
7 Numerik II 69 Konvergiert das Euler-Verfahren, d.h. strebt die Näherungslösung für h 0 gegen die exakte Lösung y(t)? Formal: Zu jedem Wert von h > 0 gehört eine Folge von Näherungen y n = y n (h), n = 0, 1,..., N(h) := (t end t 0 )/h. Das Verfahren heißt konvergent (in [t 0, t end ]), wenn gilt lim h 0+ max y n(h) y(t n ) = 0. 0 n N(h) (Konv) Satz 9.1 (Konvergenz des Euler-Verfahrens) Unter den Voraussetzungen von Satz 8.1 konvergiert das Euler-Verfahren, genauer: max y n(h) y(t n ) = O(h) für h 0. 0 n N(h) 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
8 Numerik II 70 exakte Loesung Schrittweite h 0 Schrittweite h 1 Schrittweite h 2 t_0 t 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
9 Numerik II 71 Modifiziertes Euler-Verfahren: y 0 gegeben, y n+1 := y n + hf ( t n h, y n hf (t n, y n ) ) (n = 0, 1,..., N 1). Verbessertes Euler-Verfahren: y 0 gegeben, y n+1 := y n h[f (t n, y n ) + f (t n + h, y n + hf (t n, y n ))] (n = 0, 1,..., N 1). Die Idee dieser beiden Verfahren macht man sich leicht im Richtungsfeld klar. Auch das modifizierte und das verbesserte Euler-Verfahren konvergieren: Eine triviale Modifikation des Beweises von Satz 9.1 zeigt, dass für diese Verfahren sogar max 0 n N(h) y n (h) y(t n ) = O(h 2 ) gilt. 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
10 Numerik II exakte Loesung Euler Verfahren modifiziertes Euler Verf. verbessertes Euler Verf Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
11 Numerik II 73 Implizites Euler-Verfahren: y 0 gegeben, y n+1 := y n + hf (t n + h, y n+1 ) (n = 0, 1,..., N 1). Im Gegensatz zu allen bisher erwähnten Verfahren ist dieses Verfahren implizit, d.h. um y n+1 zu bestimmen, muss in jedem Schritt ein i.allg. nichtlineares Gleichungssystem gelöst werden. Wie in Satz 9.1 zeigt man auch für das implizite Euler-Verfahren max 0 n N(h) y n (h) y(t n ) = O(h) für h Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
12 Numerik II 74 Bisher traten in der Verfahrensgleichung ausschließlich Approximationen an die Lösung an zwei aufeinanderfolgenden Zeitpunkten auf, sog. Einschrittverfahren. Mehrschrittverfahren dagegen beruhen auf mehrere Stellen umfassenden Differenzenformeln, etwa y(t + h) y(t h) 2h 3y(t) 4y(t h) + y(t 2h) 2h = y (t) + h2 6 y (t) + O(h 4 ), = y (t) h2 3 y (t) + O(h 3 ). 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
13 Numerik II 75 Diese Formeln führen, bei t = t n+1 ausgewertet, zur expliziten Mittelpunktsregel: (midpoint-rule, leapfrog method) y 0, y 1 gegeben, y n+1 = y n 1 + 2hf (t n, y n ) (n = 1, 2,..., N 1). (9.1) sowie einem impliziten Verfahren aus der sog. BDF-Familie (Backward Differentiation Methods) Ein BDF-Verfahren: y 0, y 1 gegeben, 3y n+1 4y n + y n 1 = 2hf (t n + h, y n+1 ) (n = 1, 2,..., N 1). Wie man sieht kann hier die Verfahrensgleichung erst dann ausgewertet werden, wenn neben den Anfangswerten y 0 auch eine Approximation y 1 vorliegt. Eine solche Anlaufrechnung erfordern alle Mehrschrittverfahren. 9.1 Einige einfache Verfahren TU Bergakademie Freiberg, SS 2010
14 Numerik II Einschrittverfahren Definition und Eigenschaften Ein Einschrittverfahren (ESV) hat die Form y n+1 = y n + hφ f (y n+1, y n, t n ; h). (ESV) Wir werden ausschließlich Verfahren untersuchen, bei denen die Verfahrensfunktion Φ f die folgenden beiden Eigenschaften besitzt: und Φ f 0 (y n+1, y n, t n ; h) 0 (V 1 ) Φ f (y n+1, y n, t n ; h) Φ f (y n+1, y n, t n ; h) M 1 y n+j yn+j. (V 2 ) j=0 Bei vernünftigen ESV ist (V 2 ) eine Folge der Lipschitz-Stetigkeit von f (vgl. Satz 8.1), die immer vorausgesetzt wird. 9.2 Einschrittverfahren Definition und Eigenschaften TU Bergakademie Freiberg, SS 2010
15 Numerik II 77 Beispiele für etwas kompliziertere ESV: y n+1 y n = 1 4 h(k 1 + 3k 3 ) mit k 1 = f (t n, y n ), k 2 = f (t n h, y n hk 1), k 3 = f (t n h, y n hk 2), (Beispiel 1) ein explizites ESV, das zur Klasse der Runge-Kutta-Verfahren a b (vgl. 9.3) gehört und ein implizites ESV der Runge-Kutta-Klasse, y n+1 y n = 1 2 h(k 1 + k 2 ) mit k 1 = f (t n, y n ), k 2 = f (t n + h, y n hk hk (Beispiel 2) 2). a CARLE DAVID TOLMÉ RUNGE ( ) b MARTIN WILHELM KUTTA ( ) 9.2 Einschrittverfahren Definition und Eigenschaften TU Bergakademie Freiberg, SS 2010
16 Numerik II 78 Das Verfahren (ESV) heißt konvergent, wenn lim h 0 t=t 0 +nh y n = lim h 0 t=t 0 +nh y n (h) = y(t) gilt und zwar für alle AWPe, die den Voraussetzungen von Satz 8.1 genügen (y(t) bezeichnet die Lösung eines solchen AWPs), gleichmäßig für alle t [t 0, t end ], für alle Lösungen {y n (h)} = {y n } von (ESV) mit Anfangswert y 0 (h), der lim h 0 y 0 (h) = y 0 erfüllt. Äquivalent: Der globale Diskretisierungsfehler e n = e n (h) := y(t n ) y n (h) strebt gleichmäßig gegen 0 (für h 0): lim h 0 max e n(h) = lim 0 n N h 0 max y(t n) y n (h) = 0. 0 n N 9.2 Einschrittverfahren Definition und Eigenschaften TU Bergakademie Freiberg, SS 2010
17 Numerik II 79 Wir definieren den lokalen Diskretisierungsfehler (lokaler Abbruchfehler) eines Verfahrens T n = T n (h) im n-ten Schritt als die Differenz von linker Seite und rechter Seite der Verfahrensgleichung (so skaliert, dass für h 0 die Differentialgleichung approximiert wird) wenn anstelle der Näherungslösung die exakte Lösung eingesetzt wird. Ein Verfahren heißt konsistent von der Ordnung p, falls T n (h) = O(h p ) für h 0. Beispiel: Mittelpunktsregel T n = y(t n+1) y(t n 1 ) f(t n, y(t n )) 2h ] = [y (t n ) + h2 6 y (t n ) + O(h 4 ) y (t n ) = h2 6 y (t n ) + O(h 4 ), d.h. konsistent von der Ordnung p = Einschrittverfahren Definition und Eigenschaften TU Bergakademie Freiberg, SS 2010
18 Numerik II 80 In der Literatur wird oft auch eine abweichende Definition des lokalen Diskretisierungsfehlers verwandt, und zwar basierend auf der Verfahrensgleichung in der Form (ESV), was zur Erhöhung um eine h-potenz führt. Motivation: Beschreibung des Fehlers in einem Schritt unter der Lokalisierungsannahme y n = y(t n ). In diesem Fall liefert 1 Schritt von (ESV) im Vgl. zur exakten Lösung ŷ n+1 (h) = y(t n ) + hφ f (ŷ n+1, y(t n ), t n ; h), y(t n+1 ) = y(t n ) + hφ f (y(t n+1 ), y(t n ), t n ; h) + ht n+1 (h). Wir bezeichnen die Differenz S n+1 (h) := y(t n+1 ) ŷ n+1 als Schrittfehler. Es gilt (mit (V 2 )) S n+1 h Φ f (y(t n+1 ), y(t n ), t n ; h) Φ f (ŷ n+1, y(t n ), t n ; h) + h T n+1 hm S n+1 + h T n+1, d.h. wegen (1 hm) S n+1 ht n+1 verhält sich S n für h 0 wie ht n. 9.2 Einschrittverfahren Definition und Eigenschaften TU Bergakademie Freiberg, SS 2010
19 Numerik II 81 Relevanz von S n : Bei der Integration von (AWA) von t 0 bis t end sind (t end t 0 )/h Schritte erforderlich. Wird im n-ten Schritt der Schrittfehler S n begangen, so ergibt sich unter der vereinfachenden Annahme, dass diese Fehler sich nicht gegenseitig beeinflussen insgesamt ein akkumulierter (globaler) Fehler von t end t 0 h S(h) T (h). Die entscheidende Voraussetzung für diese vereinfachende Annahme ist, wie wir sehen werden, die Stabilität des Verfahrens. 9.2 Einschrittverfahren Definition und Eigenschaften TU Bergakademie Freiberg, SS 2010
20 Numerik II Runge-Kutta-Verfahren Herleitung mittels Quadraturverfahren Ausgangspunkt wie immer y(t + h) = y(t) + [y(t + h) y(t)] = y(t) + Substitution: s = t + τh, 0 τ 1 t+h t y (s) ds = y(t) + h 1 0 y (t + τh) dτ. Approximiere durch Quadraturformel 1 0 g(τ) dτ m β j g(γ j ). j=1 ( ) Damit zumindest g 1 exakt integriert wird, fordern wir m j=1 β j = Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
21 Numerik II 83 Daraus folgt y(t + h) y(t) + h = y(t) + h m β j y (t + γ j h) j=1 m β j f (t + γ j h, y(t + γ j h)) j=1 (RK-1) Problem: y(t+γ j h) = y(t)+h γ j 0 y (t+τh) dτ sind unbekannt. Näherungen wieder durch Quadraturformeln, aber mit den alten Knoten γ j (j = 1,..., m) aus ( ) (sonst würden sich neue Unbekannte y(t + Knoten h) ergeben). γj 0 g(τ) dτ m α j,l g(γ l ) (j = 1,..., m). ( ) l=1 Damit zumindest g 1 exakt integriert wird, fordern wir m l=1 α j,l = γ j j = 1,..., m. 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
22 Numerik II 84 Damit ergibt sich y(t + γ j h) y(t) + h m l=1 α j,ly (t + γ l h) = y(t) + h m l=1 α j,lf (t + γ l h, y(t + γ l h)) (RK-2) Abkürzung: kj := f (t + γ j h, y(t + γ j h)) (j = 1,..., m). ( m ) (RK-2): kj f t + γ j h, y(t) + h α j,l kl (j = 1,..., m). (RK-1): y(t + h) y(t) + h l=1 m β j kj. j=1 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
23 Numerik II 85 m-stufiges Runge-Kutta-Verfahren (RKV): y n+1 = y n + h m β j k j mit k j = f ( j=1 t n + γ j h, y n + h ) m α j,l k l (j = 1,..., m). (RKV) l=1 Übliche Darstellung durch Butcher-Tableau a γ 1 α 1,1 α 1,m... γ m α m,1 α m,m a JOHN CHARLES BUTCHER ( 1933) β 1 β m 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
24 Numerik II 86 Beispiele /2 1/2 symbolisiert ein zweistufiges explizites RKV, nämlich das verbesserte Euler-Verfahren: k 1 = f(t n, y n ), k 2 = f(t n + h, y n + hk 1 ), y n+1 = y n + h 2 (k 1 + k 2 ) ( ) = y n + h 2 f(t n, y n ) + f(t n + h, y n + hf(t n, y n )) Beachte: ein RKV ist explizit, wenn α j,l = 0 j l gilt, d.h. wenn die Koeffizienten α j,l eine echte untere Dreiecksmatrix bilden. 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
25 Numerik II /4 1/4 2/3 1/4 5/12 1/4 3/4 symbolisiert ein zweistufiges implizites RKV: k 1 = f ( t n, y n + h( 1 4 k k 2) ), k 2 = f ( t n h, y n + h( 1 4 k k 2) ), ( zwei i.a. nichtlineare Gleichungen für k 1 und k 2 ) y n+1 = y n + h 4 (k 1 + 3k 2 ). (Beispiel 2 aus 9.2 is ein weiteres implizites zweistufiges RKV.) 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
26 Numerik II /2 1/ /6 4/6 1/6 symbolisiert ein dreistufiges explizites RKV Verfahren dritter Ordnung von Kutta: k 1 = f (t n, y n ), k 2 = f ( t n h, y n hk 1), k 3 = f ( t n + h, y n + h( k 1 + 2k 2 ) ), y n+1 = y n h(k 1 + 4k 2 + k 3 ). 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
27 Numerik II /3 1/ /3 0 2/3 0 1/4 0 3/4 symbolisiert ein dreistufiges explizites RKV Verfahren dritter Ordnung von Heun: k 1 = f (t n, y n ), k 2 = f ( t n h, y n hk 1), k 3 = f ( t n h, y n hk 2), y n+1 = y n + h 4 (k 1 + 3k 3 ) (vgl. Beispiel 1 aus 9.2). 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
28 Numerik II /2 1/ /2 0 1/ /6 2/6 2/6 1/6 symbolisiert ein vierstufiges explizites RKV Klassisches Runge-Kutta-Verfahren: k 1 = f (t n, y n ), k 2 = f (t n h, y n hk 1), k 3 = f (t n h, y n hk 2), k 4 = f (t n + h, y n + hk 3 ), y n+1 = y n h(k 1 + 2k 2 + 2k 3 + k 4 ). 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
29 Numerik II 91 Eine alternative Form von (RKV) ist y n+1 = y n + h mit ỹ j = y n + h m β j f (t n + γ j h, ỹ j ) j=1 m α j,l f (t n + γ l h, ỹ l ) (j = 1,..., m) l=1 (RKV ) (setze k j = f (t n + γ j h, ỹ j )). Interpretation: ỹ j : Approximationen an die Lösung y zur Zeit t n + γ j h k j : Approximationen an die Steigungen y (t n + γ j h) 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
30 Numerik II Konsistenzordnung bei Runge-Kutta-Verfahren Jedes RKV hat die Form y n+1 = y n +hφ f (y n+1, y n, t n ; h) mit Φ f (y n+1, y n, t n ; h) = m β j k j. j=1 Ein RKV ist genau dann konsistent (und damit konvergent), wenn m β j = 1. j=1 Um die Konsistenzordnung eines RKVs zu bestimmen (oder um m-stufige RKV mit möglichst hoher Konsistenzordnung zu konstruieren), sind komplizierte Rechnungen erforderlich. 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
31 Numerik II 93 Wir untersuchen als Beispiel explizite dreistufige RKV, γ 2 γ γ 3 γ 3 α 3,2 α 3,2 0, β 1 β 2 β 3 und entwickeln T n+1 (h) = y(t n+1) y(t n ) h = y(t n+1) y(t n ) h Φ f (y(t n ), t n ; h) 3 β j k j j=1 nach Potenzen von h (unter der Voraussetzung, dass y bzw. f genügend oft differenzierbar sind). 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
32 Numerik II 94 Für skalare AWA ergibt sich mit den Abkürzungen F := f t + f y f und G := f tt + 2f ty f + f yy f 2 (alle Ableitungen von f werden an der Stelle (t n, y(t n )) ausgewertet) die Beziehung Anderseits ist y(t n+1 ) y(t n ) h k 1 = f(t n, y(t n )) = f, = f F h (G + f yf )h 2 + O(h 3 ). k 2 = f(t n + hγ 2, y(t n ) + hγ 2 k 1 ) = f + hγ 2 F h2 γ 2 2G + O(h 3 ), k 3 = f(t n + hγ 3, y(t n ) + h(γ 3 α 3,2 )k 1 + hα 3,2 k 2 ) = f + hγ 3 F + h 2 (γ 2 α 3,2 F f y γ2 3G) + O(h 3 ). 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
33 Numerik II 95 Das bedeutet: [ T n+1 (h) = 1 ] 3 j=1 β j Folgerungen: f + [ 1 2 β 2γ 2 β 3 γ 3 ] F h + [ ( 1 3 β 2γ 2 2 β 3 γ 2 3) 1 2 G + ( 1 6 β 3γ 2 α 3,2 )F f y ] h 2 + O(h 3 ) 1. Das Euler-Verfahren ist das einzige einstufige explizite RKV der Ordnung 1 (β 1 = 1). Es gibt kein einstufiges explizites RKV höherer Ordnung. 2. Die zweistufigen expliziten RKV der Ordnung 2 sind durch β 1 + β 2 = 1 und β 2 γ 2 = 1 2 charakterisiert. Beispiele sind das modifizierte (β 1 = 0, β 2 = 1, γ 2 = 1 2 ) und das verbesserte Euler-Verfahren (β 1 = β 2 = 1 2, γ 2 = 1). Kein explizites zweistufiges RKV besitzt die Ordnung Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
34 Numerik II Explizite dreistufige RKV der Ordnung 3 sind durch die vier Gleichungen β 1 + β 2 + β 3 = 1, β 2 γ β 3 γ 2 3 = 1 3, β 2 γ 2 + β 3 γ 3 = 1 2, β 3γ 2 α 3,2 = 1 6 charakterisiert. (Man kann zeigen, dass keine dieser Methoden die Ordnung 4 besitzt.) Beispiele sind das Verfahren von Heun (β 1 = 1 4, β 2 = 0, β 3 = 3 4, γ 2 = 1 3, γ 3 = α 3,2 = 2 3 ) und das Verfahren von Kutta (β 1 = 1 6, β 2 = 2 3, β 3 = 1 6, γ 2 = 1 2, γ 3 = 1, α 3,2 = 2). 4. Ähnliche (kompliziertere) Rechnungen zeigen, dass es eine zweiparametrige Familie expliziter vierstufiger RKV der Ordnung 4 gibt, von denen keines die Ordnung 5 besitzt. Ein Beispiel ist das klassische Runge-Kutta-Verfahren. Weitere Beispiele sind 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
35 Numerik II /3 1/ /3 1/ /8 3/8 3/8 1/8 (3/8-Regel) /5 2/ /5 3/20 3/ /44 15/44 40/ / / /360 55/360 (Formel von Kuntzmann). 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
36 Numerik II 98 Die oben beschriebene Methode, die Ordnung eines RKVs zu bestimmen, wird für Verfahren höherer Ordnung schnell unübersichtlich: Die Koeffizienten eines expliziten Verfahrens der Ordnung 3 müssen 4 Gleichungen erfüllen (s.o.), während bei einem Verfahren der Ordnung 8 bereits 200 nicht-lineare Gleichungen überprüft werden müssen. Die sog. Butcher- Theorie (vgl. J. C. Butcher, The Numerical Analysis of Ordinary Differential Equations. Runge-Kutta and General Linear Methods. John Wiley & Sons, Chichester 1987) erleichtert mit Hilfe graphentheoretischer Bäume die Buchhaltung bei den partiellen Ableitungen von f und erlaubt eine elegante Berechnung der Ordnung eines gegebenen RKVs (sie liefert aber keine Methode, ein Verfahren mit gewünschter Ordnung zu konstruieren). Wir beschränken uns hier darauf, notwendige Ordnungsbedingungen abzuleiten, die sich aus den speziellen AWPen y = y + t l 1, y(0) = 0, (l N) ergeben. 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
37 Numerik II 99 Satz 9.2 (Notwendige Ordnungsbedingungen für RKV) Das durch das Butcher-Tableau c A b definierte RKV besitze die Ordnung p. Dann gelten b A k C l 1 e = (l 1)! (l + k)! = 1 l(l + 1)... (l + k) für l = 1, 2,..., p und k = 0, 1,..., p l. Dabei sind b := [β 1, β 2,..., β m ], A := [α j,ν ] 1 j,ν m, C := diag(γ 1, γ 2,..., γ m ) und e := [1, 1,..., 1] R m. 9.3 Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
38 Numerik II 100 Spezialfälle der notwendigen Bedingungen aus Satz 9.2 sind (für k = 0) b C l 1 e = m j=1 β j γ l 1 j = 1 l für l = 1, 2,..., p sowie (für l = 1 mit k k + 1) b A k 1 e = 1 k! für k = 1, 2,..., p. Bemerkung. Ein explizites m-stufiges RKV besitzt höchstens die Konsistenzordnung m, denn hier ist A m = O (A ist echte untere Dreiecksmatrix). Für die optimale Ordnung p(m) eines expliziten m-stufigen RKVs gilt sogar p(m) m 1 falls m 5, genauer: m p(m) Runge-Kutta-Verfahren TU Bergakademie Freiberg, SS 2010
39 Numerik II Lineare Mehrschrittverfahren Bei Mehrschrittverfahren gehen, im Gegensatz zu den Einschrittverfahren, bei der Berechnung der Näherung y n+1 neben y n noch weiter zurückliegende Näherungen y n 1, y n 2,... mit ein. Die wichtigste Klasse der linearen Mehrschrittverfahren (LMV) besitzt die allgemeine Form r α j y n+j = h j=0 r β j f (t n+j, y n+j ), n = 0, 1, 2,.... (LMV) j=0 mit Konstanten {α j } r j=0 sowie {β j} r j=0. Da diese nur bis auf einen (von Null verschiedenen) Skalierungsfaktor eindeutig sind, wird oft die Normierung α r = 1 vorgenommen. Das Verfahren (LMV) ist explizit falls β r = 0, ansonsten implizit. Wir gehen zunächst auf spezielle Unterfamilien LMV ein. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
40 Numerik II Adams-Verfahren Adams-Verfahren sind von der speziellen Gestalt y n+r y n+r 1 = h r β j f (t n+j, y n+j ), (9.2) j=0 d.h. sie sind charakterisiert durch α r = 1, α r 1 = 1, sowie α 0 = α 1 = = α r 2 = 0. Die Koeffizienten β j ergeben sich aus der Forderung maximaler Ordnung für gegebenes r. Diese beträgt im expliziten Fall r, im impliziten r + 1. Erstere Verfahrensklasse werden als Adams-Bashforth-Verfahren bezeichnet, letztere als Adams-Moulton-Verfahren. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
41 Numerik II 103 Alternative Herleitung der Adams-Verfahren: Aus der Dgl. ergibt sich y(t n+r ) = y(t n+r 1 ) + tn+r tn+r y (τ) dτ = y(t n+r 1 ) + f (τ, y(τ)) dτ. t n+r 1 t n+r 1 Wählt man {β j } r j=0 nun so, dass tn+r t n+r 1 g(τ) dτ h r β j g(t n+j ) j=0 eine interpolatorische Quadraturformel darstellt a., so ergeben sich ebenso die Koeffizienten des jeweiligen (expliziten bzw. impliziten) Adams- Verfahrens. a d.h. man ersetze g durch das Interpolationspolynom durch die Wertepaare {(t n, g(t n )),..., (t n+r 1, g(t n+r 1 ))} vom Grad r 1 (expliziter Fall) bzw. durch {(t n, g(t n )),..., (t n+r, g(t n+r ))} vom Grad r (impliziter Fall) 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
42 Numerik II 104 Für r = 1 bis 4 ergeben sich die expliziten Adams-Bashforth-Verfahren wie folgt: r = 1 : y n+1 = y n + hf (t n, y n ), r = 2 : y n+2 = y n+1 + h 2 ( f (t n, y n ) + 3f (t n+1, y n+1 )), r = 3 : y n+3 = y n+2 + h 12 (5f (t n, y n ) 16f (t n+1, y n+1 ) +23f (t n+2, y n+2 )), r = 4 : y n+4 = y n+3 + h 24 ( 9f (t n, y n ) + 37f (t n+1, y n+1 ) 59f (t n+2, y n+2 ) + 55f (t n+3, y n+3 )). Insbesondere erhalten wir für r = 1 das explizite Euler-Verfahren. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
43 Numerik II 105 Die impliziten Adams-Moulton-Verfahren für r = 1 bis 4 lauten: r = 1 : y n+1 = y n + h 2 (f (t n, y n ) + f (t n+1, y n+1 )), r = 2 : y n+2 = y n+1 + h 12 ( f (t n, y n ) + 8f (t n+1, y n+1 ) +5f (t n+2, y n+2 )), r = 3 : y n+3 = y n+2 + h 24 (f (t n, y n ) 5f (t n+1, y n+1 ) +19f (t n+2, y n+2 + 9f (t n+3, y n+3 ))), r = 4 : y n+4 = y n+3 + h ( 19f (tn, y n ) + 106f (t n+1, y n+1 ) f (t n+2, y n+2 ) + 646f (t n+3, y n+3 ) + 251f (t n+4, y n+4 ) ). Für r = 1 erhalten wir die Trapezregel. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
44 Numerik II Nyström-Verfahren Nyström-Verfahren besitzen die Form y n+r y n+r 2 = h r β j f (t n+j, y n+j ). (9.3) j=0 Als explizites Nyström-Verfahren mit r = 2 erhalten wir die bereits bekannte Mittelpunktsregel (9.1). Als implizites Nyström-Verfahren mit r = 2 ergibt sich die Simpson-Regel y n+2 y n = h 3 ( ) f (t n y n ) + 4f (t n+1, y n+1 ) + f (t n+2, y n+2 ). 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
45 Numerik II BDF-Verfahren Im Gegensatz zu den Runge-Kutta- und Adams-Verfahren, die mit Hilfe von Quadratur hergeleitet wurden, beruht die Idee der BDF-Verfahren (backward differentiation formulas) auf numerischer Differentiation. Zur Konstruktion eines linearen r-schritt-verfahrens seien die Näherungen y n, y n 1,..., y n r+1 bekannt und die nächste Näherung y n+1 zu berechnen. Hierzu wird folgende Konstruktionsidee verwandt: das eindeutig be- (1) Lege durch die r + 1 Wertepaare {(t j, y j )} n+1 j=n r+1 stimmte Interpolationspolynom p P r. (2) Die fehlende Intepolationsvorschrift p(t n+1 ) = y n+1 (y n+1 ist noch zu berechnen) wird ersetzt durch die Vorschrift p (t n+1 ) = f(t n+1, y n+1 ), (9.4) d.h. dass p an der Stelle t n+1 die Differentialgleichung erfüllen soll. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
46 Numerik II 108 Die Newton-Darstellung des gesuchten Interpolationspolynoms ist gegeben durch p(t) =f n+1 + f n+1,n (t t n+1 ) + f n+1,n,n 1 (t t n+1 )(t t n ) + + f n+1,n,...,n r+2,n r+1 (t t n+1 ) (t t n r+2 ) Unter der vereinfachenden Annahme konstanter Schrittweite h erhält man aus des Newton-Darstellung von p p (t n+1 ) = r f n+1,n,...,n+1 j h j 1 (j 1)!. (9.5) j=1 Führt man die Notation der Rückwärtsdifferenzen ein: 0 y n+1 := y n+1 y n+1 := y n+1 y n, j y n+1 := ( j 1 y n+1 ) = j 1 y n+1 j 1 y n, j = 2, 3, Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
47 Numerik II 109 so läßt sich p (t n+1 ) ausdrücken als p (t n+1 ) = 1 h r j=1 j y n+1 j, und zusammen mit der Forderung (9.4) die Verfahrensvorschrift r j=1 1 j j y n+1 = hf(t n+1, y n+1 ) (9.6) des BDF-Verfahrens der Ordnung r, kurz BDFr genannt. Durch die Indexverschiebung n + 1 n + r erhalten wir die BDF-Verfahren in unserer STandardnotation für lineare Mehrschritttverfahren. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
48 Numerik II 110 Die BDF-Verfahren für r = 1 bis 6 lauten: r = 1 : y n+1 y n = hf (t n+1, y n+1 ), r = 2 : 3 2 y n+2 2y n y n = hf (t n+2, y n+2 ) r = 3 : 11 6 y n+3 3y n y n y n = hf (t n+3, y n+3 ), r = 4 : y n+4 4y n+3 + 3y n y n y n = hf (t n+4, y n+4 ), r = 5 : y n+5 5y n+4 + 5y n y n y n u n = hf (t n+5, y n+5 ), r = 6 : y n+6 6y n y n y n y n y n u n = hf (t n+6, y n+6 ). Für r = 1 erhalten wir das implizite Euler-Verfahren. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
49 Numerik II Der lokale Diskretisierungsfehler bei LMV Setzt man in (LMV) die exakte Lösung ein und beachtet, dass diese y (t n ) = f (t n, y(t n )) erfüllt, so erhalten wir (nach Division durch h) T n+r (h) = 1 r r α j y(t n+j ) h β j y (t n+j ). h j=0 Entwickelt man alle Auswertungen von y bzw. y an der Stelle t = t n y(t n+j ) = y(t n ) + jhy (t n ) + (jh)2 2 y (t n+j ) = y (t n ) + jhy (t n ) + (jh)2 2 j=0 y (t n ) + (jh)3 6 y (t n ) + (jh)3 6 y (t n ) +... y (t n ) +..., und sortiert Terme mit gleicher h-potenz, so erhält man die Darstellung Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
50 Numerik II 112 T n+r (h) = 1 r r α j y(t n ) + (jα j β j ) y (t n ) h j=0 j=0 r ( ) + h j 2 2 α j jβ j y (t n ) j=0 r ( ) + + h q j q+1 (q + 1)! α j jq q! β j y (q+1) (t n ) + O(h q+1 ). j=0 Konsistentz des LMV, also T n (h) 0 für h 0, liegt somit vor, sofern r α j = 0 sowie r jα j = r β j. (9.7) j=0 j=0 j=0 Konsistenzordnung p N liegt vor, wenn die ersten p + 1 Terme in eckigen Klammern verschwinden. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
51 Numerik II Charakteristische Polynome Bei der Analyse LMV spielen die mit den Koeffizienten {α j } r j=0 und {β j} r j=0 gebildeten charakteristischen Polynome ρ(ζ) := eine zentrale Rolle. r α j ζ j und σ(ζ) := j=0 r β j ζ j (9.8) j=0 Bei einem r-schrittverfahren gilt ρ P r und, bei impliziten r-schrittverfahren, σ P r. Bei expliziten LMV ist der Grad von σ kleiner als r. Mit Hilfe der charakteristischen Polynome lassen sich die beiden Konsistenzbedingungen (9.7) formulieren als ρ(1) = 0 und ρ (1) = σ(1). (9.9) 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
52 Numerik II 114 Beispiel: Beim Adams-Moulton-Verfahren für r = 2 y n+2 = y n+1 + h ( ) f (t n, y n ) + 8f (t n+1, y n+1 ) + 5f (t n+2, y n+2 ), 12 gilt α 0 = 0, α 1 = 1, α 2 = 1, β 0 = 1 12, β 1 = 8 12, β 2 = 5 12 und man erhält die charakteristischen Polynome ρ(ζ) = ζ 2 ζ, σ(ζ) = 1 12 ( 5ζ 2 + 8ζ 1 ). 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
53 Numerik II 115 Wegen α 0 + α 1 + α 2 = 0, 0 α α α 2 (β 0 + β 1 + β 2 ) = 0, 0 α α α 2 (0 β β β 2 ) = 0, 1 6 (0 α α 1 + 8α 2 ) 1 2 (0 β β β 2 ) = 0, 1 24 (0 α α α 2 ) 1 6 (0 β β β 2 ) = besitzt dieses Verfahren die Konsistenzordnung p = Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
54 Numerik II Anlaufrechnung Bei jedem Start (oder Neutsart) eines r-schrittverfahrens (r > 1) müssen zunächst neben den Anfangswerten y 0 die Approximationen y 1, y 2,..., y r 1 berechnet werden. Um die Ordnung p dieses Verfahrens aufrechtzuerhalten genügt es, die Anfangswerte mit einem Verfahren der Ordnung p 1 zu berechnen. Grund: da dies nur r 1 Mal erfolgt unabhängig von n verliert man im Grenzwert h 0 keine h-potenz durch die Akkumulation der Schrittfehler bei der Anlaufrechnung; somit ist die Konvergenzordnung des ab n = r benutzen Verfahrens ausschlaggebend. Beispiel: Zur Berechnung von y 1 bei der Anlaufrechnung für die Mittelpunktsregel (9.1), welche konsistent ist von der Ordnung p = 2, könnte man ohne Ordnungsverlust das explizite Euler-Verfahren heranziehen. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
55 Numerik II Prädiktor-Korrektor-Verfahren Eine beliebte Technik, das aufwändige Gleichungslösen in jedem Schritt eines impliziten LMV zu umgehen besteht darin, zunächst mittels eines expliziten Verfahrens gleicher Schrittlänge eine Näherung ŷ n+r zu berechnen (Prädiktor) und diesen Wert dann im impliziten Verfahren (Korrektor) anstelle von y n+r einzusetzen. Beispiel: Kombination des Adams-Bashforth-Verfahrens mit r = 1 (explizites Euler-Verfahren) mit dem Adams-Moulton-Verfahren der gleichen Schrittzahl (Trapezregel): ŷ n+1 = y n + hf (t n, y n ), y n+1 = y n + h 2 (f (t n, y n ) + f (t n+1, ŷ n+1 )), (Prädiktorschritt), (Korrektorschritt). Man kann zeigen, dass dieses Verfahren die Konsistenzordnung p = 2 besitzt. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
56 Numerik II Vergleich Ein- und Mehrschrittverfahren Vorteile von Einschrittverfahren: Einschrittverfahren sind selbststartend. Eine Änderung der Schrittweite h ohne Mehraufwand möglich. Integration über Unstetigkeitsstellen der Lösung bei Einschrittverfahren möglich ohne Ordnungsverlust, sofern diese nur Gitterpunkte sind. Vorteil von Mehrschrittverfahren: wenige Auswertungen der rechten Seite bei gleicher Konsistenzordnung. 9.4 Lineare Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
57 Numerik II Konvergenz von Einschrittverfahren Satz 9.3 (Beziehung lokaler-globaler Diskretisierungsfehler) Unter den gebenen Voraussetzungen (vgl. Satz 8.1 sowie (V 2 )) gilt ( ) e n ( e 0 + (t n t 0 ) max T j exp(m(t n t 0 )). 1 j n Insbesondere ist ein ESV genau dann konvergent, wenn es konsistent ist. 9.5 Konvergenz von Einschrittverfahren TU Bergakademie Freiberg, SS 2010
58 Numerik II 120 Satz 9.4 (Gesamtfehler bei expliziten ESV) Das explizite ESV (ESV) werde auf einem Rechner durch ỹ n+1 = ỹ n + hφ f (ỹ n, t n ; h) + ε n+1, ỹ 0 = y 0 + ε 0, realisiert. Ist ε n ε und T n T für alle n = 0, 1,..., so folgt y(t n ) ỹ n ( ε 0 + (t n t 0 )(T + ε h )) exp(m(t n t 0 )). Dilemma: Bei großer Schrittweite h ist (üblicherweise) T groß; wählt man h sehr klein, so ist zwar T klein, aber ε h groß, dh. der Anteil der Rundungsfehler dominiert den Gesamtfehler. Wichtig sind also Verfahren hoher Ordnung, weil dort T schon bei moderater Größe von h klein wird. 9.5 Konvergenz von Einschrittverfahren TU Bergakademie Freiberg, SS 2010
59 Numerik II Nullstabilität linearer Mehrschrittverfahren Konvergenz bei Einschrittverfahren: Beitrag des n-ten Schrittfehlers S n beschränkt durch e M(t end t 0 ) S n, was für h 0 noch gegen Null geht. Diese Eigenschaft nennt man auch Nullstabilität, und sie ist für ESV immer gegeben. Bei LMV ist dies nicht der Fall. Beispiel: Beim LMV y n+2 3y n+1 + 2y n = hf (t n, y n ) beträgt der lokale Diskretisierungsfehler Wir wenden es an auf die AWA T n+2 (h) = h 2 y (t n ) + O(h 2 ). y (t) = 0, y(0) = 0 mit Lösung y(t) 0. (9.10) Mit den Startwerten y 0 = y 1 = 0 liefert es tatsächlich die exakte Lösung. 9.6 Nullstabilität linearer Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
60 Numerik II 122 Setzt man jedoch y 1 = h um einen kleinen Fehler der Ordnung h bei der Approximation von y(t 1 ) zu simulieren, so erhält man für die Approximation der Lösung an der Stelle t = 1 folgende Werte (h = 1/N): N y N Wegen y 1 0 für h 0 sind diese Anfangsdaten zulässig. Wie man sieht konvergiert y N aber nicht gegen y(t N ) = y(1) = 0. Die Approximationen erfüllen die Differenzengleichung mit der Lösung y n+2 3y n+1 + 2y n = 0, n = 0, 1, 2,.... (9.11) y n = (2 n 1)y 1 (2 n 2)y 0 = 2y 0 y n (y 1 y 0 ), n Nullstabilität linearer Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
61 Numerik II Lösung linearer Differenzengleichungen Zur Lösung der homogenen linearen Differenzengleichung der Ordnung r α r y n+r + α r 1 y n+r α 0 y n = r α j y n+j = 0 (9.12) j=0 macht man den Ansatz y n = ζ n. Einsetzen in (9.12) führt nach Division durch ζ n auf die Bedingung r α j ζ j = 0, j=0 d.h. y n = ζ n löst (9.12) falls ζ Nullstelle des ersten charakteristischen Polynoms ρ(ζ) ist (vgl. (9.8)). 9.6 Nullstabilität linearer Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
62 Numerik II 124 Ist nun ρ(ζ) = α r (ζ ζ 1 )(ζ ζ 2 ) (ζ ζ r ) und sind die Nullstellen paarweise verschieden, so stellen {ζ n i }r i=1 insgesamt r linear unabgängige Lösungen von (9.12) dar. Aufgrund der Linearität und Homogenität von (9.12) ist jede Linearkombination y n = c 1 ζ n 1 + c 2 ζ n c r ζ n r, c 1,..., c r beliebig (9.13) ebenfalls Lösung. Zu gegebenen Anfangsbedingungen y 0,..., y r 1 werden die Koeffizienten c j bestimmt als Lösung des LGS c 1 + c c r = y 0, c 1 ζ 1 + c 2 ζ c r ζ r = y 1, c 1 ζ r c 2 ζ r c r ζ r 1 r = y r Nullstabilität linearer Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
63 Numerik II 125 Beispiel: Das charakteristische Polynom der DIfferenzengleichung (9.11) ist ρ(ζ) = ζ 2 3ζ + 2 = (ζ 1)(ζ 2). Fazit: Besitzt ρ(ζ) Nullstellen vom Betrag > 1, so kann das zugehörige LMV nicht konvergent sein. Fallen zwei Nullstellen zusammen, d.h. ζ i = ζ j, so sind ζ n i und ζ n j linear abhängig. Eine weitere linear unabhängige Lösung ist nζ n 1 i. Bei einer dreifachen Nullstelle ζ i ist n 2 ζ n 2 i Beispiel: Das (konsistente) LMV eine weitere etc. y n+2 2y n+1 + y n = h 2 (f (t n+2, y n+2 ) f (t n, y n )). angewandt auf y (t) = 0. Fazit: Besitzt ρ(ζ) mehrfache Nullstellen von Betrag 1, so kann ebenfalls keine Konvergenz vorliegen. 9.6 Nullstabilität linearer Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
64 Numerik II 126 Beispiel: Das konsistente LMV angewandt auf (9.10). y n+3 2y n y n y n = h 4 f(t n, y n ) Fazit: Bei mehrfachen Nullstellen mit Betrag < 1 liegt Konvergenz vor (lineares Wachstum wird übertroffen durch exponentielles Abklingen). Ein LMV heißt nullstabil, falls für die Nullstellen dessen ersten charakteristischen Polynoms ρ(ζ) gilt (a) ζ i 1 für alle i = 1, 2,..., r (b) Ist ζ i mehrfache Nullstelle, so gilt ζ i < 1. Beispiele: Die Adams-Verfahren sind nullstabil. Die BDF-Verfahren sind nullstabil für 1 r Nullstabilität linearer Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
65 Numerik II 127 Unsere Beispiele zeigen, dass Nullstabilität notwendig für die Konvergenz ist. Tatsächlich ist sie auch hinreichend, damit ein konsistentes LMV konvergiert. Satz 9.5 (Dahlquist, 1956) Für LMV angewandt auf (AWA) gilt Konsistenz + Nullstabilität Konvergenz. Bemerkungen 9.6 (a) Ein konsistentes LMV besitzt stets die Nullstelle ζ = 1 (vgl. (9.9)). (b) Wir werden sehen, dass außer Nullstabilität auch andere Stabilitätsbegriffe bei AWAen von Bedeutung sind. (c) Einschrittverfahren sind stets nullstabil. 9.6 Nullstabilität linearer Mehrschrittverfahren TU Bergakademie Freiberg, SS 2010
66 Numerik II Schrittweitensteuerung Kein Verfahren zur Lösung von AWAen arbeitet in der Praxis mit einer konstanten Schrittweite. Man wird vielmehr versuchen, die Schrittweite an das Verhalten der Lösung y anzupassen (ändert sich y in einem Bereich schnell, so ist dort eine kleine Schrittweite angebracht; in Bereichen, in denen y kaum variiert, ist eine größere Schrittweite ausreichend). Wir werden hier eine Schrittweitensteuerung vorstellen, die zum Ziel hat, den lokalen Diskretisierungsfehler T n zu kontrollieren: T n tol, n = 1, 2,..., mit einer vorgebenen Toleranz tol. Bei Systemen von DGen (insbesondere dann, wenn die Lösungskomponenten von unterschiedlicher Größenordnung sind) wird man für jede Komponente eine eigene absolute Fehlertoleranz und global eine relative Fehlertoleranz festsetzen. 9.7 Schrittweitensteuerung TU Bergakademie Freiberg, SS 2010
67 Numerik II 129 Satz 9.3 besagt, dass mit dem lokalen auch der (eigentlich interessierende) globale Diskretisierungsfehler kontrolliert wird. Um den lokalen Diskretisierungsfehler zu schätzen verwendet man zwei Methoden unterschiedlicher Konsistenzordnungen (sagen wir p und q mit p < q), um y n aus y n 1 zu berechnen: y n = y n 1 + hφ f (y n 1, t n 1 ; h) bzw. ŷ n = y n 1 + h Φ f (y n 1, t n 1 ; h) Für die zugehörigen lokalen Diskretisierungsfehler gelten: Daraus folgt T n = y(t n) y(t n 1 ) h T n = y(t n) y(t n 1 ) h Φ f (y(t n 1 ), t n 1 ; h) = O(h p ), Φ f (y(t n 1 ), t n 1 ; h) = O(h q ). T n T n = Φ f (y n 1, t n 1 ; h) Φ f (y n 1, t n 1 ; h) = 1 h (ŷ n y n ). 9.7 Schrittweitensteuerung TU Bergakademie Freiberg, SS 2010
68 Numerik II 130 Wegen T n T n = T n (1 + O(h q p )) T n erhalten wir aus eine (grobe) Schätzung für T n. 1 h y n ŷ n T n Ist 1 h y n ŷ n > tol, so wird die Schrittweite h verworfen und mit ) p ( h = α h tol h y n ŷ n ( ) eine neue Schrittweite h bestimmt. Die Wahl von h motiviert sich folgendermaßen: benutzte Schrittweite h: 1 h y n ŷ n T n = ch p + O(h p+1 ) ch p, erwünschte Schrittweite h: tol = T n = c h p + O( h p+1 ) c h p. (α ist hier ein Sicherheitsfaktor, etwa α = 0.9). 9.7 Schrittweitensteuerung TU Bergakademie Freiberg, SS 2010
69 Numerik II 131 Ausgehend von y n 1 werden jetzt neue Näherungen y n und ŷ n (an der Stelle t n 1 + h) berechnet. Diesen Prozess wiederholt man solange, bis 1 h y n ŷ n tol erfüllt ist. Dann wird ( ) verwendet, um eine neue (größere) Schrittweite für den nächsten Schritt (n n + 1) vorzuschlagen. Um den Aufwand in Grenzen zu halten, verwendet man zur Berechnung von y n und ŷ n zwei RKV (verschiedener Ordnungen), deren Butcher- Tableaus sich nur in b unterscheiden (d.h. A und c sind gleich, so dass die k j nur einmal berechnet werden müssen). Man spricht von eingebetteten RKV und schreibt c A b b z.b /2 1/2. Hier wird das Euler-Verfahren (p = 1) in das verbesserte Euler-Verfahren (p = 2) eingebettet. 9.7 Schrittweitensteuerung TU Bergakademie Freiberg, SS 2010
70 Numerik II 132 Ein populäres Beispiel ist die Fehlberg 4(5)-Formel: Hier werden zwei sechsstufige RKV der Ordnungen 4 bzw. 5 kombiniert Schrittweitensteuerung TU Bergakademie Freiberg, SS 2010
71 Numerik II 133 Ein weiteres Beispiel ist die Dormand-Prince 4(5)-Formel: Hier wird ein sechsstufiges RKV der Ordnung 4 in ein siebenstufiges der Ordnung 5 eingebettet Schrittweitensteuerung TU Bergakademie Freiberg, SS 2010
4 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
Mehr2.4 Adaptive Verfahren mit Schrittweitensteuerung
0 0 0 Euler und RK4 fuer f(t,y) = t 0. Euler RK4 /N 0 0 f(t,y) =. t 0., graduiertes Gitter RK4 /N 4 Fehler bei T = 0 3 0 4 0 5 Fehler bei T = 0 5 0 0 0 6 0 7 0 0 0 0 2 0 3 0 4 0 5 Anzahl Schritte N 0 5
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
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
MehrNumerik gewöhnlicher Differentialgleichungen
Kapitel 3 Numerik gewöhnlicher Differentialgleichungen 3 Inhalt dieses Kapitels ist die numerische Lösung eines Systems gewöhnlicher Differentialgleichungen y (x) = f(x, y(x)) (3.) bzw. ausgeschrieben
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrSkalare Differentialgleichungen
Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrMan kann zeigen (durch Einsetzen: s. Aufgabenblatt, Aufgabe 3a): Die Lösungsgesamtheit von (**) ist also in diesem Fall
4. Lösung einer Differentialgleichung. Ordnung mit konstanten Koeffizienten a) Homogene Differentialgleichungen y'' + a y' + b y = 0 (**) Ansatz: y = e µx, also y' = µ e µx und y'' = µ e µx eingesetzt
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 16 4. Groß-O R. Steuding (HS-RM)
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrMitschrift von Höhere Mathematik 4, Sommer 2013, Prof. Ulbrich
Mitschrift von Höhere Mathematik 4, Sommer 203, Prof. Ulbrich Benedict Simlinger, published by http://latex4ei.de/ July 6, 203 Inhaltsverzeichnis Gewöhnliche DGL 3. nichtlineare DGL erster Ordnung..................
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrNumerische Integration
Numerische Integration Die einfachste Anwendung des Integrals ist wohl die Beantwortung der Frage nach der Fläche zwischen dem Graphen einer Funktion und der Achse über einem gegebenen Intervall ('Quadraturaufgabe').
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrKapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrFB IV Mathematik Universität Trier. Präsentation von Nadja Wecker
FB IV Mathematik Universität Trier Präsentation von Nadja Wecker 1) Einführung Beispiele 2) Mathematische Darstellung 3) Numerischer Fluss für Diffusionsgleichung 4) Konvergenz 5) CFL-Bedingung 6) Zusammenfassung
MehrSerie 13: Online Test
D-ERDW, D-HEST, D-USYS Mathematik I HS 3 Dr. Ana Cannas Serie 3: Online Test Einsendeschluss: 3. Januar 4 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung verwenden.
MehrJOHANNES BONNEKOH. Analysis. Allgemeine Hochschulreife und Fachabitur
JOHANNES BONNEKOH Analysis Allgemeine Hochschulreife und Fachabitur Vorwort Vorwort Mathematik ist eine Sprache, die uns hilft die Natur und allgemeine naturwissenschaftliche Vorgänge zu beschreiben. Johannes
MehrAlgebraische Kurven. Vorlesung 26. Die Schnittmultiplizität
Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht
Mehr6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum
6 ALLGEMEINE THEORIE DES ELEKTROMAGNETISCHEN FELDES IM VAKUUM 25 Vorlesung 060503 6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum 6.1 Grundaufgabe der Elektrodynamik Gegeben: Ladungsdichte
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrEine Kurzanleitung zu Mathematica
MOSES Projekt, GL, Juni 2003 Eine Kurzanleitung zu Mathematica Wir geben im Folgenden eine sehr kurze Einführung in die Möglichkeiten, die das Computer Algebra System Mathematica bietet. Diese Datei selbst
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
MehrHamilton-Formalismus
KAPITEL IV Hamilton-Formalismus Einleitung! IV.1 Hamilton sche Bewegungsgleichungen IV.1.1 Kanonisch konjugierter Impuls Sei ein mechanisches System mit s Freiheitsgraden. Im Rahmen des in Kap. II eingeführten
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrAnalysis. mit dem Computer-Algebra-System des TI-92. Anhang 2: Gedanken zum Lehrplan. Beat Eicke und Edmund Holzherr 11.
ETH EIDGENÖSSISCHE TECHNISCHE HOCHSCHULE ZÜRICH Analysis mit dem Computer-Algebra-System des TI-92 Anhang 2: Gedanken zum Lehrplan Beat Eicke und Edmund Holzherr 11. November 1997 Eidgenössische Technische
Mehr8. Übung zur Vorlesung Mathematisches Modellieren Lösung
Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrVorlesung Analysis I / Lehramt
Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch
MehrEinfache Differentialgleichungen
Differentialgleichungen (DGL) spielen in der Physik eine sehr wichtige Rolle. Im Folgenden behandeln wir die grundlegendsten Fälle 1, jeweils mit einer kurzen Herleitung der Lösung. Dann schliesst eine
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
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
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrMathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrSimulation elektrischer Schaltungen
Simulation elektrischer Schaltungen mittels Modizierter Knotenanalyse Teilnehmer: Artur Stephan Andreas Dietrich Thomas Schoppe Maximilian Gruber Jacob Zschuppe Sven Wittig Gruppenleiter: René Lamour Heinrich-Hertz-Oberschule,
MehrLösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.)
Lösungsmethoden gewöhnlicher Dierentialgleichungen Dgl) Allgemeine und partikuläre Lösung einer gewöhnlichen Dierentialgleichung Eine Dierentialgleichung ist eine Gleichung! Zum Unterschied von den gewöhnlichen
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrDidaktik der Algebra Jürgen Roth Didaktik der Algebra 4.1
Didaktik der Algebra 4.1 Didaktik der Algebra Didaktik der Algebra 4.2 Inhalte Didaktik der Algebra 1 Ziele und Inhalte 2 Terme 3 Funktionen 4 Gleichungen Didaktik der Algebra 4.3 Didaktik der Algebra
MehrEingangstest Mathematik Musterlösungen
Fakultät für Technik Eingangstest Mathematik Musterlösungen 00 Fakultät für Technik DHBW Mannheim . Arithmetik.. (4 Punkte) Vereinfachen Sie folgende Ausdrücke durch Ausklammern, Ausmultiplizieren und
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrSchulmathematik und Algorithmen der Computeralgebra
Schulmathematik und Algorithmen der Computeralgebra Prof. Dr. Wolfram Koepf Universität Kassel http://www.mathematik.uni-kassel.de/~koepf Tag der Mathematik 13. Dezember 2008 Universität Passau Überblick
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrMATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE
Europäische Schulen Büro des Generalsekretärs Abteilung für pädagogische Entwicklung Ref.:2010-D-581-de-2 Orig.: EN MATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE Kurs 4 Stunden/Woche VOM GEMISCHTER PÄDAGOGISCHER
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrOptimierung. Florian Jarre Josef Stoer. Springer
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Florian Jarre Josef Stoer Optimierung Springer Inhaltsverzeichnis
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
Mehrax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
MehrMaple-Skripte. A.1 Einleitung. A.2 Explizite Zweischritt-Runge-Kutta-Verfahren. Bei der Ausführung
A Maple-Skripte A.1 Einleitung Bei der Ausführung mechanischer Rechnungen können Computeralgebra-Programme sehr nützlich werden. Wenn man genau weiß, was eingesetzt, umgeformt, zusammengefaßt oder entwickelt
Mehr1.3 Ein paar Standardaufgaben
1.3 Ein paar Standardaufgaben 15 1.3 Ein paar Standardaufgaben Einerseits betrachten wir eine formale und weitgehend abgeschlossene mathematische Theorie. Sie bildet einen Rahmen, in dem man angewandte
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
Mehr2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also
Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx
Mehr1. Einführung. Umwelt-Campus Birkenfeld Numerische Mathematik
. Einführung Die numerische Mathematik, kur Numerik genannt, beschäftigt sich als Teilgebiet der Mathematik mit der Konstruktion und Analyse von Algorithmen für technisch-naturwissenschaftliche Probleme..
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrNichtlineare Optimierungsprobleme mit Komplexität
Definition eines Nichtlinearen Optimierungsproblemes (NLP) min f (x) bzw. min f (x) s.d. x S x S wobei die zulässige Menge S R n typischerweise definiert ist durch S {x R n : h(x) =, c(x) } für Gleichungs-
Mehr13. Abzählen von Null- und Polstellen
13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
MehrUniversität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik. Seminar Entscheidungsverfahren für logische Theorien. Endliche Modelle.
Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik Seminar Entscheidungsverfahren für logische Theorien Tobias Hebel Koblenz, am 18.02.2005 Inhaltsverzeichnis 1 Einleitung... 3 2 Grundlagen...
MehrArbeiten mit Excel. 1. Allgemeine Hinweise
1. Allgemeine Hinweise Man sollte eine Excel Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte inklusive aller dazugehörigen Einheiten
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 14 Lehren für s Management & das tägliche Leben III: Zins und exponentielles Wachstum Zur Erinnerung: mit grossen n gilt: n! > c n > n c > log n. Aus der Analysis
MehrEine Einführung zum numerischen Programmieren mit Excel
Eine Einführung zum numerischen Programmieren mit Excel Bastian Gross Universität Trier 30. April 2012 Bastian Gross (Universität Trier) Excel/OpenOffice Kurs 2012 1/36 30. April 2012 1 / 36 Inhaltsverzeichnis
Mehr1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de
1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de Man sollte eine Excel-Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte
MehrBlack Jack - Kartenzählen
Black Jack - Kartenzählen Michael Gabler 24.01.2012 Literatur: N. Richard Werthamer: Risk and Reward - The Science of Casino Blackjack, Springer Black Jack - Kartenzählen 1 Wie zähle ich Karten? Historisches
MehrStabilität mittels Ljapunov Funktion
Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt
MehrName: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe B
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl0-Gruppe B. Gegeben ist die Exponentialfunktion y=f x =0.8 2 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
MehrEine Einführung zum numerischen Programmieren mit Excel
Eine Einführung zum numerischen Programmieren mit Excel Bastian Groß Nina Weiand Universität Trier 23. Juni 2014 Groß, Weiand (Universität Trier) Excel/OpenOffice Kurs 2014 1/38 23. Juni 2014 1 / 38 Inhaltsverzeichnis
MehrMusterlösung Arbeitsblatt 2 - Wachstum und Easy ModelWorks
ETH Zürich, FS 2009 Musterlösung Arbeitsblatt 2 - Wachstum und Easy ModelWorks Dieses Arbeitsblatt dient dem näheren Kennenlernen des Modellierungs- und Simulationswerkzeugs Easy ModelWorks. Hierzu dient
MehrMathematik I für Wirtschaftswissenschaftler
1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.
MehrWintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung
Wintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung Ulrich Loup 24.03.2006 Prüfungsstoff: Alegebra I, Analysis IV, Graphentheorie I Prüfer: Prof. Dr. Wilhelm Plesken Protokollant: Dipl.
MehrName: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A 1. Gegeben ist die Exponentialfunktion y=f x = 0,5 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrTerme stehen für Namen von Objekten des Diskursbereichs (Subjekte, Objekte des natürlichsprachlichen Satzes)
Prädikatenlogik Man kann den natürlichsprachlichen Satz Die Sonne scheint. in der Prädikatenlogik beispielsweise als logisches Atom scheint(sonne) darstellen. In der Sprache der Prädikatenlogik werden
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrGrammatiken. Einführung
Einführung Beispiel: Die arithmetischen Ausdrücke über der Variablen a und den Operationen + und können wie folgt definiert werden: a, a + a und a a sind arithmetische Ausdrücke Wenn A und B arithmetische
MehrDie Weierstraßsche Funktion
Die Weierstraßsche Funktion Nicolas Weisskopf 7. September 0 Zusammenfassung In dieser Arbeit führen wir die Weierstraßsche Funktion ein und untersuchen einige ihrer Eigenschaften. Wir zeigen, dass jede
Mehr