y (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
|
|
- Melanie Winkler
- vor 6 Jahren
- Abrufe
Transkript
1 9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten soll. Führe m n Versuche durch, y = f(z, x), f : Ê m Ê n Ê, y k = f(z k, x) =: f k (x), k = 1,...,m. Aufgrund von Messfehlern gilt aber nur y k f k (x),. so dass i.a. m > n Versuche durchgeführt werden. Bestimme nun x aus den y k. Beispiel 9.1 Ein chemischer Prozess wird modelliert durch y + a 1 y + a 0 y = 0, Mit dem Ansatz y(z) = e ωz folgt dann y (k) (0) = y (k) 0 mit k = 0, 1 bekannt. ω + a 1 ω + a 0 = 0. Aus dem nichtoszillatorischen Verhalten der Lösung weiß man, dass diese Gleichung zwei reelle Nullstellen α, β besitzt. Die allgemeine Lösung der Differentialgleichung ist dann Gesucht sind nun die Reaktionszeiten α und β. Aus y(0) = y 0 erhalten wir und aus y (0) = y 0 y(z) = c 1 e αz + c e βz. c 1 + c = y 0 αc 1 + βc = y 0, was nicht ausgenutzt werden kann, weil die Unbekannten α, β darin vorkommen. Daher ist y(z) = c 1 e αz + (y 0 c 1 )e βz = f(z, c 1, α, β), wobei c 1, α, β gesucht sind. Führe also für Zeiten z 1,...,z m, m 3, Messungen durch, y k = f(z k, c 1, α, β). Dies ist ein schwieriges und häufiges Problem, nämlich die Exponentialapproximation. Kehren wir zum allgemeinen Problem zurück, ein x Ê n zu finden mit y k f k (x), k = 1,...,m. Die mathematisch einfachste Möglichkeit besteht nun darin, ein Minimum der Funktion m F(x) = y k f k (x) k=1 über x Ê n zu finden (=Methode der kleinsten Quadrate). Schwieriger und daher von uns nicht behandelt, ist es, die Funktion F(x) = max k=1,...,m y k f k (x) zu minimieren (=diskretes Tschebyscheff-Problem). Ein wichtiger Spezialfall ist ein lineares f(x) = Ax mit einer (m n)-matrix A. In der Methode der kleinsten Quadrate ist dann das Funktional (9.1) F(x) = Ax y, y Ê m, zu minimieren, was man als lineares Ausgleichsproblem bezeichnet. Die notwenige Bedingung für eine Lösung x dieses Problems ist grad x y Ax = A T Ax A T y = 0. Das System A T Ax = A T y heißt Normalgleichungen zu (9.1). 99
2 9. Das lineare Ausgleichsproblem Satz 9. Sei A Ê m n. Die Probleme Ax y Min in x Ê n, A T Ax = A T y, sind äquivalent: Jede Lösung des einen Problems ist auch eine Lösung des anderen Problems. Für je zwei Lösungen x 1, x gilt Ax 1 = Ax und für das Residuuum r = y Ax einer jeden Lösung x haben wir A T r = 0. Beweis: Sei L = Bild(A) Ê m. Dann ist L L = Ê m und für y Ê m gilt dann die eindeutige Zerlegung y = s + r, s L, r L. Da s Bild(A) gibt es ein x 0 Ê n mit Ax 0 = s. Aus r Ax x Ê n folgt Daher womit x 0 die Normalgleichungen erfüllt. 0 = (r, Ax 0 ) = (A T r, x 0 ) A T r = 0. A T y = A T s = A T Ax 0, Für eine Lösung x 0 der Normalgleichungen gilt mit der gleichen Zerlegung y = r + s wie im vorigen Beweisteil 0 = (A T (Ax 0 y), z) = (Ax 0 y, Az) Ax 0 y L Ax 0 = s wegen Ax 0 L. Für x Ê n setze Mit z L und r L folgt (r, z) = 0 und daher Damit ist x 0 ein Minimum von F. z = Ax Ax 0, r = y Ax 0. y Ax = r z = r + z r = y Ax 0. Wenn m n und ranga = n, so ist A T A symmetrisch positiv definit und die Gleichung A T Ax = A T y kann mit dem Cholesky-Verfahren gelöst werden. Da A T A aber oft schlecht konditioniert ist, verwendet man besser das im nächsten Abschnitt dargestellte Verfahren. 9.3 Orthogonalisierungsverfahren Wir wollen y Ax Min mit A Ê m n, m n, bestimmen. Dazu eliminieren wir die erste Spalte von A mit einer (m m)-householder-matrix P 1 und erhalten mit A (0) = A A (1) = P 1 A (0) 0 =
3 Der Householder-Algorithmus verläuft daher genauso wie bei quadratischen Matrizen. Nach n Schritten gilt mit einer unitären Matrix P Ê m m R A (n) = PA =, 0 wobei R Ê n n eine rechte obere Dreiecksmatrix ist. Da rang A = n, besitzt R nichtverschwindende Elemente auf der Hauptdiagonalen. Für die rechte Seite gilt analog ) h = Py = mit h 1 Ê n und h Ê m n. Da P unitär folgt Pz = z und daher ( ) y Ax = P(y Ax) h1 Rx = = h 1 Rx + h. Die Lösung von Rx = h 1 ist damit auch die eindeutige Lösung des Minimierungsproblems F(x) Min. ( h1 h h 9.4 Die Pseudoinverse einer Matrix Zu A Ê m n wollen wir eine Pseudoinverse A + Ê n m definieren, deren Eigenschaften wir an Hand des linearen Gleichungssystems Ax = b für b Ê m festlegen wollen. Da wir keinerlei Voraussetzungen an A stellen, kann das Gleichungssystem unlösbar oder mehrdeutig lösbar sein. Die Lösung x = A + b wird nach folgenden Kriterien festgelegt: Zuerst wird y aus dem Bild von A bestimmt, das den Fehler y b minimiert. Anschließend wird unter allen x mit Ax = y dasjenige ausgewählt, dessen Norm x minimal wird. Wie immer seien Bild(A) m das Bild von A und Kern(A) n der Nullraum von A. Wir definieren die orthogonalen Projektionen P n n : n Kern(A), P m m : m Bild(A). Zu x n gibt es eindeutige x 0 Kern(A) und x Kern(A) mit x = x 0 + x. Dann ist Px = x. Offenbar gilt P = P und wegen (Px, y) = (x, y) = (x, y ) = (x, Py) = (x, Py) = (P H x, y) ist P = P H. Die Projektion P besitzt die gleichen Eigenschaften. Zu jedem y Bild(A) gibt es genau ein x Kern(A) mit Ax = y. Demnach gibt es eine lineare Abbildung f : Bild(A) n mit Af(y) = y, f(y) Kern(A). Ist x eine Lösung von Ax = y, so ist mit x = x 0 + x, x 0 Kern(A), x Kern(A), y = Ax = A(x 0 + x ) = Ax = APx. Wegen x = x 0 + x x ist x = Px die Lösung mit minimaler Norm. Es gilt also f(y) = Px, wobei x eine beliebige Lösung von Ax = y ist. Es ist f P : m n. Die Darstellung von f P durch eine (n m)-matrix ist dann die gesuchte Pseudo-Inverse A +. Denn es wird das nächstgelegene ỹ Bild(A) zu y bestimmt und anschließend die Lösung von Ax = ỹ mit minimaler Norm. 101
4 Beispiele 9.3 (i) Mit A = (1 ) löse Ax = y Ê, x Ê. In diesem Fall ist BildA = Ê. Wir müssen daher nur unter allen Lösungen diejenige mit minimaler Norm finden. Der Lösungsraum ist L = { ( ) ( ) y } + t : t Ê. 0 1 Da L ein affiner Raum ist, ist die Lösung mit minimaler Norm eindeutig bestimmt. Wir können diese mit Hessescher Normalenform bestimmen. Um auch Matrizen A Ê 1 n zu behandeln, lösen wir das Optimierungsproblem direkt, F(t) = ( ) y + t 0 ( ) Min. 1 Es ist F (t) = (y t)( ) + t! = 0 t 0 = 5 y. und damit ist die gesuchte Pseudoinverse (ii) Hier sei A + y = A = Wir müssen y auf Bild(A) projezieren: ( ) ( ) y + t = 1 ( ) 1, Ax =! ( y1 y ( ) 1 5 y. 5 ). F(x) = Ax y Min. Die notwendige Bedingung ist, wie bereits mehrfach hergeleitet, die Normalgleichungen A T Ax = A T y. Das gleiche Ergebnis bekommen wir, wenn wir die notwendige Bedingung für ein Minimum aufstellen F (x) = (x y 1 ) + (x y )( )! = 0 x = 1 5 y y. Damit ist die gesuchte Pseudoinverse. A + = ( ) Satz 9.4 Die Pseudoinverse A + hat die folgenden Eigenschaften: (a) A + A = P, AA + = P, (b) (i) A + A = (A + A) H, (ii) AA + = (AA + ) H, (iii) AA + A = A, (iv) A + AA + = A +. (c) Wenn Z n m die Eigenschaften (b) (i)-(iv) besitzt (an Stelle von A + ), so ist Z = A +. (d) A ++ = A, (A + ) H = (A H ) +. Beweis: (a) Es gilt A + Ax = f(p(ax)) = f(ax) = Px, weil P = Id auf BildA und f(ax) die minimale Lösung von Ax = Ax ist und dies ist Px. 10
5 Weiter ist denn Ax = Py für jede Lösung dieser Gleichung. AA + y = A(f(Py)) = Py, (b) Wegen A + A = P, AA + = P und P = P H, P = P H folgen (i) und (ii). (iii) erhält man aus und (iv) aus (c) Es gilt Z (AA + )Ax = PAx = Ax A + (AA + )y = A + Py = A + y. (iii) für Z (iii) für A = ZAZ = ZAA + Az (iv) für A = Z(AA + A)A + (AA + A)Z = (ZA)(A + A)A + (AA + )(AZ) (i),(ii) für A,Z = (A H Z H )(A H (A + ) H )A + ((A + ) H A H )(Z H A H ) =(A H Z H A H )(A + ) H A + (A + ) H (A H Z H A H ) (iii) für Z = A H (A + ) H A + (A + ) H A H (i) = A + AA + AA + (iv) = A + AA + = A +. (d) Setze in (c) A + statt A. Die Matrix Z = A erfüllt dann (i)-(iv). Genauso argumentiert man bei (A + ) H = (A H ) +. Korollar Das Ausgleichsproblem Ax y Min wird durch x = A + y gelöst. Unter allen Lösungen besitzt A + y die kleinste Norm. Beweis: Es gilt min Ax y = min ỹ y, ỹ Bild (A) also ỹ = Py. Wenn Ax = ỹ, x Kern(A), so folgt für beliebiges x Kern(A) A(x + x) = ỹ, x + x = x + x. Also besitzt x unter allen Lösungen von Ax = ỹ die kleinste Norm. A + kann mit der Singulärwertzerlegung bestimmt werden. Wenn A = UΣV H mit U m m, V n n unitär und Σ m n mit D 0 Σ =, D = diag (σ 1,...,σ r ), σ r > 0, so setze Dann gilt D Σ = n m, A + = V Σ + U H n m. A + A = V Σ + U H UΣV H Ir 0 = V m }{{ m } V H, 103
6 also (A + A) H = A + A. Analog zeigt man AA + = (AA + ) H sowie AA + A = UΣV H Ir 0 V V H = A. Damit sind die Bedingungen (b) (i)-(iv) des vorletzten Satzes alle erfüllt. 9.5 Das nichtlineare Ausgleichsproblem Sei m n und f : Ê n Ê m stetig differenzierbar. Zu y Ê n soll ein x Ê n bestimmt werden mit y f(x) Min. Wir leiten ein Verfahren für dieses Problem durch Linearisierung her. Sei x eine Näherung. Aus der Differenzierbarkeit von f folgt Wir bestimmen daher die Lösung von f(x) = f(x) + f x (x)(x x) + o( x x ). (9.) min z Ê n y f(x) f x(x)(z x). Dies ist ein lineares Ausgleichsproblem, das als Analogon zum Newton-Verfahren zur Lösung nichtlinearer Gleichungen angesehen werden kann. Ähnlich wie beim Newton-Verfahren können wir zeigen, dass die Suchrichtung eine Abstiegsrichtung für das zu minimierende Funktional ist: Lemma Sei rangf x (x) = n, z = x sei die eindeutig bestimmte Lösung von (9.) und s = x x die zugehörige Richtung. Wenn s 0, so gibt es ein λ 0 > 0, so dass in [0, λ 0 ] streng monoton fallend ist. φ(τ) = y f(x + τs) Beweis: Fast genauso wie im analogen Satz für das gewöhnliche Newton-Verfahren erhalten wir φ (0) = d dτ (y f(x + τs)t (y f(x + τs) τ=0 = (f x (x)s) T (y f(x)) (y f(x) T (f x (x)s) = (f x (x)s) T (y f(x)) = (f x (x)s) T r(x), r(x) = y f(x). Nach (9.) ist s = x x die Lösung von also f x (x) T f x (x)s = f x (x) T r(x), φ (0) = s T f x (x) T r(x) = s T f x (x)f x (x)s = f x (x)s < 0 falls rangf x (x) = n und s 0. Wir erhalten damit den Gauß-Newton Algorithmus: 0) Sei x (0) Ê n ein Startvektor. Sei x (i) bereits definiert. 1) Bestimme s (i) durch min s Ê r(x(i) ) f x (x (i) )s, r(x (i) ) = y f(x (i) ). n 104
7 ) Sei φ(τ) = y f(x (i) + τs (i) ). Bestimme die kleinste Zahl k Æ 0 mit φ( k ) < φ(0) oder alternativ φ(τ) Min für τ > 0 durch ein Line-Search-Verfahren. Setze x (i+1) = x (i) + k s (i) oder alternativ = x (i) + τs (i). Beispiel 9.5 Für Probleme der Art n y i = e α jx i, j=1 i = 1,...,m sind die Funktionalmatrizen meist sehr schlecht konditioniert. Für m = n = erhalten wir beispielsweise x1 e α 1x 1 x 1 e α x 1 f α (α) = x e α 1x x e α x mit ( det f α (α) = x 1 x e α 1 x 1 +α x e α 1x +α x 1 ) 0 falls α1 α oder x 1 x. Die Normalgleichungen dürfen daher nicht mit einem Verfahren für fα T f α gelöst werden. 105
KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
MehrLineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
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
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
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
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
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.
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
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:
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
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
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
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
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
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
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
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
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.
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)
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
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
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
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 ; : :
MehrDr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1
.1 Dr. Jürgen Roth Fachbereich 6: Abteilung Didaktik der Mathematik Elemente der Algebra . Inhaltsverzeichnis Elemente der Algebra & Argumentationsgrundlagen, Gleichungen und Gleichungssysteme Quadratische
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
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) =
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
MehrGleichungen Aufgaben und Lösungen
Gleichungen Aufgaben und Lösungen http://www.fersch.de Klemens Fersch 6. Januar 3 Inhaltsverzeichnis Lineare Gleichung. a x + b = c....................................................... Aufgaben....................................................
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrBeispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
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
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
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
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrComputer Vision SS 2011. Skript
Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
MehrÜbungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester
MehrLösung des Kleinste-Quadrate-Problems
Lösung des Kleinste-Quadrate-Problems Computergestützte Statistik Lisakowski, Christof 15.05.2009 Lisakowski, Christof ()Lösung des Kleinste-Quadrate-Problems 15.05.2009 1 / 34 Themen 1 Problemstellung
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:
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
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.
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
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)
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
MehrEntwurf robuster Regelungen
Entwurf robuster Regelungen Kai Müller Hochschule Bremerhaven Institut für Automatisierungs- und Elektrotechnik z P v K Juni 25 76 5 OPTIMALE ZUSTANDSREGELUNG 5 Optimale Zustandsregelung Ein optimaler
MehrÜbungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.
Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Computerbasierte Mathematische Modellierung für Mathematiker, Wirtschaftsmathematiker, Informatiker im Wintersemester
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
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrBerechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
MehrMathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz
Mathematik für Bioinformatik und Systembiologie - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz WS 2009/10 Universität Freiburg Dieses Vorlesungsskript ist auf der Basis von Vorlesungen
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.
MehrZ = 60! 29!31! 1,1 1017.
Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der
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
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
Mehr3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper
32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrGeometrische Mannigfaltigkeiten
Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach)
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
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
Mehr7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
MehrLernzettel Mathe Inhaltsverzeichnis
Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrUngewöhnliche Gleichungssysteme bei der Mathematik- Olympiade
Eric Müller Ungewöhnliche Gleichungssysteme bei der Mathematik- Olympiade Unter den in den vier Runden der Mathematik-Olympiade (MO) gestellten Aufgaben finden sich immer wieder Systeme von Gleichungen
Mehr1. Mathematik-Schularbeit 6. Klasse AHS
. Mathematik-Schularbeit 6. Klasse AHS Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: (Un-)Gleichungen und Gleichungssysteme: AG. Einfache Terme und Formeln aufstellen, umformen und
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
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
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
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
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.
Mehr4 Runge-Kutta-Verfahren
Numerik gewöhnlicher Differentialgleichungen 43 4 Runge-Kutta-Verfahren 4. Konstruktion Ausgangspunkt wie immer (Substitution: s = t + τh, 0 τ ) y(t + h) = y(t) + [y(t + h) y(t)] = y(t) + = y(t) + h 0
MehrOptimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen
Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes
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
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
MehrGeometrische Maße oder,... wie kann man quantitative Aussagen über geometrische Objekte erhalten?
In der euklidischen Geometrie der Mittelstufe ging es zumeist um geometrische Konstruktionen und um qualitative Aussagen über geometrische Objekte in Bezug zueinander. Möchte man, insbesondere im dreidimensionalen
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Dr. Nico Düvelmeyer Freitag, 8. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 NLP Aufgabe KKT 2 Nachtrag
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrLösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung
Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Ausarbeitung zum Vortrag im Seminar Stochastische Dynamische Optimierung vom 18.01.2008 Datum : 18.01.2008 Verfasser: Martin Schymalla
MehrFunktionen (linear, quadratisch)
Funktionen (linear, quadratisch) 1. Definitionsbereich Bestimme den Definitionsbereich der Funktion f(x) = 16 x 2 2x + 4 2. Umkehrfunktionen Wie lauten die Umkehrfunktionen der folgenden Funktionen? (a)
MehrDas Optimierungsverfahren mit Lagrange-Multiplikatoren. Robert Koschig (www.massmatics.de), 09/2012
Das Optimierungsverfahren mit Lagrange-Multiplikatoren Robert Koschig www.massmatics.de, 9/ Inhaltsverzeichnis Motivation. Wo taucht so etwas auf?...................................... Was ist das Problem?......................................
MehrNumerische Verfahren zur Lösung nichtlinearer Gleichungen
Kapitel 2 Numerische Verfahren zur Lösung nichtlinearer Gleichungen 21 Aufgabenstellung und Motivation Ist f eine in einem abgeschlossenen Intervall I = [a, b] stetige und reellwertige Funktion, so heißt
Mehr