Übungen für Angewandte Numerik I Sommersemester eines Polynoms nten Grades: p(x) =
|
|
- Günther Christian Fleischer
- vor 6 Jahren
- Abrufe
Transkript
1 Übungen für Angewandte Numerik I Sommersemester Gegeben seien die Koeffizienten{a k } n k=0 eines Polynoms nten Grades: p(x) = n a k x k k=0 Schreibe einen Matlab-Code zur Auswertung des Polynoms (a) Mittels des Horner Algorithmus und (b) durch eine gewichtete Summe der Potenzen Vergleiche die Ergebnisse Wie kann die Genauigkeit für den einen oder den anderen Code bestätigt werden? (Gelöst von Herrn Hofstadler) 2 Finde eine IEEE Fließkommazahl Darstellung der Zahl( ) 10 mit einfacher Genauigkeit (Gelöst von Herrn Hattenberger) 3 Die Nullstelle einer unbekannten Funktion f soll gefunden werden, und man hat Zugang zu den Werten vonf nur durch ein Computerprogramm Das Computerprogramm berechnetf(x) = arctan[4(x ˆx)], ˆx = , in doppelter Genauigkeit Ein iteratives Verfahren wird zur Bestimmung der Nullstelle verwendet, und man speichert die Approximationx k ˆx in derkten Iteration mit einfacher Genauigkeit Finde die kleinsten Toleranzen ε,δ undη, die für die Abbruchskriterien x k x k 1 < ε x k, x k x k 1 < δ, f(x k ) < η zuverlässig verwendet werden können Welches Abbruchskriterium verlangt kein Vorwissen von der Funktion? (Gelöst von Herrn Ramsauer) 4 Angenommen gilt lim x x0 F(x)/G(x) < Zeigen Sie, es gibt K,δ > 0 sodass F(x) K G(x), x (x 0 δ,x 0 +δ) (Gelöst von Herrn Ramsauer) 5 Das Gebiet Ω = (0,1) R 1 sei mit einem Gitter {x i } N i=0 Ω diskretisiert, wobei die Gitterpunkte so definiert sind: x i = ih, 0 i N, h = 1/N Für eine Funktion u C 3 ( Ω) (weitere Glattheit ist nicht garantiert) seien die Werte{u(x i )} N i=0 gegeben Zeige: max u (x i ) u(x i+1) 2u(x i )+u(x i 1 ) = O(h) 1 i N 1 (Gelöst von Herrn Hofstadler) 6 Gegeben seien die Werte u(x i ), 0 i N, auf dem oben definierten Gitter {x i } N i=0 Unter welchen Bedingungen der Funktionugilt die Konvergenz: Erkläre (Gelöst von Herrn Hofstadler) h N i=0 h 2 u(x i ) h 0 u(x)dx Ω 7 Gegeben seien die Werte v(x i ), 0 i N, auf dem oben definierten Gitter {x i } N i=0 Schreibe eine ApproximationJ h (u) für J(u) = (u v) 2 dx+µ u 2 +ε 2 dx Ω Ω und leite die Optimalitätsbedingung J h (u) = 0 her (Gelöst von Herrn Keeling) 8 Schreibe einen Pseudo-Code für Vorwärts Substitution und berechne und die Anzahl der gesamten Operationen 1
2 9 Betrachte den Matlab-Code zur Implementierung der Methode der Konjugierten Gradienten für die Lösung des linearen GleichungssystemsAx = b nach x R n wobei b R n unda R n n : function x = cg(a,b,kmax) x = b; r = b - A*x; rho1 = sum(rˆ2); for k=1:kmax if (k == 1) p = r; else end beta = rho1/rho0; p = r + beta*p; end w = A*p; alpha = rho1/(p *w); x = x + alpha*p; r = r - alpha*w; rho0 = rho1; rho1 = sum(rˆ2); Welcher Wert soll man für kmax nehmen, damit der Code die Lösung des linearen Gleichungssystems genau (mit exakter Arithmetik) berechnet? Schreibe für jede Zeile nur die Großenordnung der Fließkomma- Operationen (flops) die durchgeführt werden, zb O(n), O(n 2 ), usw Ist die Großenordnung der gesamten flops für diesen Code vergleichbar mit der für Gaußsche Elimination? 10 Die folgende Matrix sei gegeben: a 1,1 a 1,q A = a p+1,1 0 0 R n n a n q,n 0 0 a n,n p a n,n Bemerke: a i,j = 0 wennp < i j oder j i > q Die Bandbreite vonaisp+q+1, die kleinste Anzahl der benachbarten Diagonalen, zu denen die nicht trivialen Elemente eingeschränkt sind (a) Schreibe einen Pseudo-Code zur Implementierung des Gauß Algorithmus für A mit möglichst wenig arithmetischen Operationen (b) Um Speicherplatz zu reduzieren, wirdaals Liste der Diagonalen gespeichert: a p+1,1 a 1,1 0 0 B = a n,n p 0 R n (p+q+1) 0 a1,q a n,n a n q,n 2
3 Bemerke: Die nicht trivialen Elemente von A = {a i,j } lassen sich bezüglich der Elemente von B = {b k,l } so darstellen: b k,l = a p+k l+1,k a i,j = b j,p+j i+1 Schreibe den Pseudo-Code vom Teil (a) bezüglich der Elemente von B um (Gelöst teilweise von Herrn Hofstadler und teilweise von Herrn Keeling) 11 Die Matrix A R n n ist eine Bandmatrix mit Bandbreite p + q + 1, wobei p die linke und q die rechte Halbbandbreiten sind, dh die Anzahl der streng unteren Diagonalen ist p, und die Anzahl der streng oberen Diagonalen ist q Für b R n soll eine Lösung x R n des linearen Gleichungssystems Ax = b durch Gaußshe Elimination berechnet werden, und zwar mit möglichst wenig arithmetischen Operationen Leite eine Funktion G(n, p, q) her, wobei die Größenordnung der Anzahl der Operationen für die Lösung durcho(g(n,p,q)) gegeben ist Hinweis: Für eine obere Schranke kann man im obigen Code die Schleifengrenzen min(n,k+p) und min(n,k+q) for k=1,,n-1 for i=k+1,,min(n,k+p) for j=k+1,,min(n,k+q) % Pivot-Index % Bis zur linken Grenze % Bis zur rechten Grenze mit k+p beziehungsweise k+q ersetzen Für eine untere Schranke kann man die Schleifegrenze n-1 für das Pivot-Index mit min(n-p,n-q) = n - max(p,q) ersetzen, und dann gelten min(n,k+p) = k+p und min(n,k+q) = k+q 12 Für die obige Bandmatrix A soll die LU-Zerlegung berechnet werden Zeige, L hat die linke Halbbandbreite p und die rechte Halbbandbreite 0, und U hat die linke Halbbandbreite 0 und die rechte Halbbandbreiteq 13 Für die Matrix A = führe Gaußsche Elimination mit einer geeigneten Pivotsuche durch, um eine Permutationsmatrix P, eine untere Dreiecksmatrix L und eine obere Dreiecksmatrix U zu bestimmen, sodass P A = LU gilt (Gelöst von Herrn Ramsauer) 14 Die Vektoren u k R N sollen durch die Lösung des folgenden Systems bestimmt werden: (I + ta)u k+1 = u k, k = 0,1,2, wobei für x, t,d,f,c > 0, R N N A = d x f x ci Leite eine Bedingung für die Parameter d,f,c, t, x her, sodass keine Pivot-Suche verwendet werden muss Schätze die Eigenwerte der Matrix (I + ta) und anschliessend der Matrix (I + ta) 1 ab (Gelöst von Herrn Keeling) 3
4 15 Zeige, für eine reguläre schwach diagonal dominante Matrix A R n n ist der Gauß Algorithmus ohne Pivotsuche immer anwendbar 16 Die exakte Lösung des folgenden Systems, [ ][ x1 x 2 ] = [ ] istx 1 = 1000,x 2 = 1000 Das System soll aber mit 4-Dezimalzifferiger Arithmetik bei jeder Rechnung gelöst werden Verwende eine geeignete Pivot-Strategie, um eine ziemlich genaue Approximation der Lösung zu berechnen 17 Für die Lösung eines tridiagonalen Systems gibt es den Thomas Algorithmus, b 1 c 1 a 2 b 2 c 2 a n 1 b n 1 c n 1 a n b n c i = { c1 /b 1, i = 1 c i /(b i c i 1 a i), i = 2,,n 1 d i = { d1 /b 1, i = 1 (d i d i 1 a i)/(b i c i 1 a i) i = 2,,n x n = d n x i = d i c i x i+1,i = n 1,,1 Zeige, der Thomas Algorithmus kosteto(n) flops 18 Zum Entrauschen der verrauschten Daten v wird das Randwertproblem { µu +u = v, in Ω = (0,1) u = 0, auf Ω wie folgt auf dem Gitter x i = ih,i = 0,,N,h = 1/N, diskretisiert: [ µ u(x i ) u i v(x i ) v i ]u h 2D +I = v, D = wobei D R (N+1) (N+1) und µ > 0 steuert, wie geglättet die Lösung u wird Verwende den Thomas Algorithmus, um dieses System für eine verrauschte Treppenfunktion v zu lösen Stelle v und u für verschiedene Werte vonµgrafisch dar 19 Zum Entrauchen der verrauschten Datenv wird das Randwertproblem { µ(uxx +u yy )+u = v, inω = (0,1) 2 u n = 0, auf Ω 4
5 wie folgt auf dem Gitter (x i,y j ) = h(i,j), i,j = 0,,N,h = 1/N, diskretisiert: [ µ ] h 2D +I u = u u = v 11,,u N1,,u 1N,,u NN T u(x i,y j ) u ij v = v 11,,v N1,,v 1N,,v NN T v(x i,y j ) v ij D 0 = I, D 1 = [ µ ] h 2D +I = µ h D 1 D 0 D 0 D 2 D 0 D 0 D 2 D D 0 D 2 D 0 D 0 D 2 D 0 D 0 D 1, D 2 = +I wobei D 0,D 1,D 2 R (N+1) (N+1) und µ > 0 steuert, wie geglättet die Lösung u wird Schreibe die Koeffizeitenmatrix mit sparse format und löse das System für eine verrauschte Treppenfunktionv mit (a) der Jacobi Methode (b) der (Symmetrisch) Gauß-Seidel Methode (c) der Methode der Konjugierten Gradienten Stellev undufür verschiedene Werte von µ grafisch dar (Hinweise: Ein nützliches Code-Stück: NN = N*N; Dxdiag = -ones(n,n); Dxdiag(N,:) = 0; Dxsup = ones(n,n); Dxsup(1,:) = 0; Dx = spdiags(dxdiag(:),0,nn,nn) + spdiags(dxsup(:),1,nn,nn); Dydiag = -ones(n,n); Dydiag(:,N) = 0; Dysup = ones(n,n); Dysup(:,1) = 0; Dy = spdiags(dydiag(:),0,nn,nn) + spdiags(dysup(:),n,nn,nn); D = Dx *Dx + Dy *Dy; Der imagesc-befehl in MATLAB ist geeignet für die grafische Darstellung von Bildern) 20 Zeige Äquivalenz der Normen 1 und 2 21 Die gemessenen ph-werte einer chemischen Lösung sind f = a,b,,b R n+1 Für e = 1,,1 zeige a+nb 1+n = argmin c R f ce 2 2 während b = argmin c R f ce 1 22 Zeige für eine gegeben Vektornorm V über R n, die folgende Funktion ist eine Matrixnorm über R n n Ax V A M = sup x R n x V 5
6 23 Zeige für eine Matrix{A ij } = A R n n, die Frobenius Matrixnorm, ist mit der Vektornorm x 2 kompatibel A F = n A ij 2 i,j=1 24 Finde die IterationsmatrixT SGS für die Symmetrische Gauß-Seidel Methode 25 Leite die Approximierte InverseM SGS für die Symmetrische Gauß-Seidel Methode her 26 Zeige, wennasymmetrisch ist, istm SGS symmetrisch, währendm GS im allgemeinen nicht symmetrisch ist 27 Schreibe einen Matlab-Code zur Implementierung der Vektoriteration zur Bestimmung des dominanten Eigensystems einer gegebenen Matrix A R n n, die die Voraussetzungen der Konvergenz erfüllt Wie könnte man den Code anschliessend verwenden, um die nächsten Eigensysteme zu bestimmen? 28 Zeige für den folgenden Algorithmus, es gilt θ = 1 2 u 2 2 v = x/ x θ = τu 1 τ = sign(v 1 ) v 2 σ = τ x u = v +τê (1) P = I u T u, Px = σê (1) 29 Schreibe einen Matlab-Code, der für eine gegebene Matrix A R n n eine orthogonale Matrix P bestimmt, diepa = U erfüllt, wobei U eine obere Dreiecksmatrix ist Für die orthogonale Transformation c s G = s c und x = a b sollen durch das Produkt Gx nur die Elementeaundb 0 inxgeändert werden, wobeibvernüllt wird Bestimme die Parameter c,sundr, die erfüllen: [ ][ ] [ ] c s a r = s c b 0 Zeige, unter der Bedingung r > 0 ist die Lösung(c,s,r) so eindeutig bestimmt: r = a 2 +b 2, c = a/r, s = b/r 6
7 31 Implementiere die in der Vorlesung gegebenen Pseudo-Codes, um den QR-Algorithmus zur Bestimmung der Eigensysteme einer gegebenen SPD Matrix A R n n durchzuführen Dh A = PÃPT soll zuerst mittels Householder Transformationen auf tridiagonale Form à A(1) transformiert werden Anschliessend sollen QR-Zerlegungen R (k 1) Q (k 1) =: A (k) = Q (k) R (k) für tridiagonale Matrizen A (k) mittels Givens Transformationen durchgeführt werden, bisa (k) ausreichend diagonal ist 32 Zeige, wenn die Werte {x i } m 1 i=0 verschieden sind, ist die Vandermonde Matrix V T V SPD, wobei V = [e,x,,x n 1 ] die Vandermonde Matrix ist 33 Zeige, für lineare Regression m 1 E(a,b) = [y i (a+bx i )] 2 ist die minimierende Lösung explizit und eindeutig so gegeben: i=0 a = ȳ b x, b xy = xȳ x 2 x 2 wobei zb xy = 1 m 1 x i y i m i=0 wenn die Werte {x i } m 1 i=0 verschieden sind 34 Konstruiere die Hermite Basis Funktionen {φ i } N i=0, {ψ i} N i=0 für ein regelmäßiges Gitter, wobei φ i und ψ i den Träger in[x i 1,x i+1 ] haben 35 Sei ein nicht notwendigerweise regelmäßiges Gitter {x i } N i=0 gegeben Die spline Basis-Funktion s i,k(x) S k (x) hat den Träger in [x i,x i+k+1 ] Basierend auf Glattheitsbedingungen schreibe das Gleichungssystem für die Koeffizienten von s i,k (x) fürk = 1, 2 und 3 36 Gegeben seien zu interpolierende Daten{(x i,f i )} N i=0 Schreibe einen Matlab-Code für die Interpolation, (a) mit linearen Splines, (b) mit kubischen Splines durch die Randbedingung s (x) = 0 eingeschränkt, (c) mit kubischen Splines durch die Randbedingung s (x) = 0 eingeschränkt, und (d) mit der Hermite Basis (Hinweise: f (x i ) kann mit den Werten{f i } approximiert werden) 37 Seig C 1 ([a,b]) mit g([a,b]) [a,b] Angenommen γ g (x) γ < 1, x (a,b) Zeige wobei x der eindeutige Fixpunkt in [a,b] ist x x k γk 1 γ x 1 x 0, k 1 38 Definiereg(x) = xe r(1 x),r 1,f(x) = x g(x) Für r = 1, findeǫ 0 ǫ (0,ǫ 0 ) (a) g(b(1,ǫ)) B(1,ǫ) und (b) γ (0,1) g (x) γ, x B(1,ǫ) Erkläre die Konsequenzen für die Fixpunkt-Iterationx k+1 = g(x k ) 39 Seif(x) eine Funktion mit Nullstelle der Multiplizitätm 1 Zeige asymptotisch quadratische Konvergenz für die Fixpunkt-Funktion g m (x) = x mf(x)/f (x) 40 Für das Abstiegsverfahren mit der Fixpunkt-Funktion, G A (u) = (1 α)u+αg(u), G(u) = v µ h 2D(u)u, 7
8 D(u) = D 1 D 1 D 1 D 1 +D 2 D 2 D N 1 D N 1 +D N D N D N D N [ (ui u i 1, D i = h ) 2 +ǫ 2 ] 1 2 zeige fürα (0,1), es giltg A (D) D fürd = B (v, 2µ h ) und G A (u) 1 α+ 4αµ ǫh 2, u D 41 Für die implizite Fixpunkt Iteration mit der Fixpunkt-Funktion, G I (u) = [ I + µ h 2D(u) ] 1v zeige es gilt G I (D) D für D = B 2 (0, v 2 ) und G I (u) 2 16µ (ǫ 3 h 4 ) v 2 2, u D 42 Leite ein5 5 System für die Koeffizienten{a 2,,a 2 } her, f (x) = um die Genauigkeit r = 4 zu erreichen 2 k= 2 43 Leite die Zusammengesetzte Trapez-Regel her: b a f(x)dx = h f(a)+2 2 wobei x j = a+jh, j = 0,,m,h = (b a)/m a k f(x+kh)+o(h r ) m 1 j=1 f(x j )+f(b) +O(h 2 ) 44 Zeige, die Genauigkeitsordnung vom Crank-Nicholson Verfahren ist n = 2 45 Das Sturm-Liouville Randwertproblem { (pu ) +qu = f, x Ω αu+ωu = g, x Ω Ω = (0,1) wird mit linearen Splines S 1 (x) auf dem Gitter x = {x i }, x i = a + hi, i = 0,,N und h = 1/N approximiert (a) Für die Dirichlet Randbedingung, u = g, leite ein lineares Gleichungssystem, Aa = b, u(x) = n i=0 a is i (x), mit den Daten her p = q = f = 1,g = g i in[x i 1,x i ),i = 1,,N (b) Für die Neumann Randbedingung, u = 0, leite ein lineares Gleichungssystem, Aa = b, u(x) = n i=0 a is i (x), mit den Daten her p = p i,q = q i,f = f i in[x i 1,x i ),i = 1,,N 8
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
KLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)
Begleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik
3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
VF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
III. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische lineare Iterationsverfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische lineare Iterationsverfahren Typeset by FoilTEX 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung einer linearen
4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
Vektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 20.12.13 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
LR Zerlegung. Michael Sagraloff
LR Zerlegung Michael Sagraloff Beispiel eines linearen Gleichungssystems in der Ökonomie (Input-Output Analyse Wir nehmen an, dass es 3 Güter G, G, und G 3 gibt Dann entspricht der Eintrag a i,j der sogenannten
Lineare Gleichungssysteme
Lineare Gleichungssysteme 6. Vorlesung 170004 Numerische Methoden I Clemens Brand 25. März 2010 Nachträge Gliederung Nachträge it Nachträge Wichtige Begriffe Eine Zusammenfassung der Folien 8 16 der letzten
Lineare Gleichungssysteme Hierarchische Matrizen
Kompaktkurs Lineare Gleichungssysteme Hierarchische Matrizen M. Bebendorf, O. Steinbach O. Steinbach Lineare Gleichungssysteme SIMNET Kurs 24. 27.4.26 / 6 Numerische Simulation stationäre und instationäre
KAPITEL 1. Einleitung
KAPITEL 1 Einleitung Wir beschäftigen uns in dieser Vorlesung mit Verfahren aus der Numerischen linearen Algebra und insbesondere dem sogenannten Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
KAPITEL 5. Nichtlineare Gleichungssysteme
KAPITEL 5. Nichtlineare Gleichungssysteme Beispiel 5.1. Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 mit gegenseitigem Abstand r: F = G m 1m 2 r 2, wobei G = 6.67 10 11 Nm 2 /kg. Gravitationsfeld
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 8 Partielle
Multiplikationen und Divisionen Hauptarbeit des Algorithmus liegt somit in der Berechnung der LR-Zerlegung. (n 1)n(2n 1) 6. = n3 3 n2.
KAPITEL LINEARE GLEICHUNGSSYSTEME 7 Rechenaufwand der LR-Zerlegung: A A : n Divisionen, n 2 Multiplikationen und Additionen A L, R: Also insgesamt n j= j2 + j = n3 3 n 3 Multiplikationen und Divisionen
Lineare Gleichungssysteme
Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der
Kapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,...,255}, n = 1,...,N, m = 1,...,M. dig. Camera Realisierung
3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
Vektor und Matrixnormen Vorlesung vom
Vektor und Matrixnormen Vorlesung vom 18.12.15 Grundlagen: Matrix Vektor und Matrixprodukt. Lineare Räume. Beispiele. Problem: Berechne die Lösung x von Ax = b zu gegebenem A R n,n und b R n. Ziele: Konditionsanalyse
Numerik I. Universität zu Köln SS 2009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva,
Universität zu Köln SS 009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva, mselva@math.uni-koeln.de Numerik I Musterlösung 1. praktische Aufgabe, Bandmatrizen Bei der Diskretisierung von
Numerisches Programmieren, Übungen
Technische Universität München SoSe 3 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt:
KAPITEL 7. Berechnung von Eigenwerten. Av = λv
KAPITEL 7. Berechnung von Eigenwerten Aufgabe: Sei A R n n eine reelle quadratische Matrix. Gesucht λ C und v C n, v 0, die der Eigenwertgleichung Av = λv genügen. Die Zahl λ heißt Eigenwert und der Vektor
1 Grundlagen der Numerik
1 Grundlagen der Numerik 1.1 Gleitpunkt-Arithmetik Es gibt nur endlich viele Zahlen auf dem Computer. Gleitpunktzahl: x = σmb E σ: Vorzeichen B: Basis (feste Zahl >1); M: Mantisse E: Exponent B = 2 : Dualzahl
2 Direkte Lösungsverfahren für lineare Gleichungen
2 Direkte Lösungsverfahren für lineare Gleichungen (2.1) Sei L R N N eine normierte untere Dreiecksmatrix und b R N. Dann ist L invertierbar und das Lineare Gleichungssystem (LGS) Ly = b ist mit O(N 2
Lineare Gleichungssysteme: direkte Verfahren
Sechste Vorlesung, 24. April 2008, Inhalt Lineare Gleichungssysteme: direkte Verfahren Dreiecksmatrizen Gauß-Elimination LR-Zerlegung Anwendungen: Determinante, Inverse 1 Lösungsverfahren für lineare Gleichungssysteme
I f AM. 2. Übung zur Numerischen Mathematik I. Hausübung. Hannover, den
Hannover, den 14.10.2002 1. Übung zur Numerischen Mathematik I Aufgabe 1.1 Man nde das Interpolationspolynom p 2 P 2, das die Funktion f(x) = cos(x) in den Punkten x k := π 2 + π k n, h = 1 n, k = 0,...,
Lineare Gleichungssysteme, LR-Zerlegung
Prof Thomas Richter 2 Juni 27 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomasrichter@ovgude Material zur Vorlesung Algorithmische Mathematik II am 22627 Lineare Gleichungssysteme,
Finite Elemente. Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 2015
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 5 Aufgabe 8 (Speichertechniken) Finite Elemente Übung 5 a) Stellen Sie die Matrix
Numerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 11 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 2010 Prof. Dr. Klaus Höllig
2 Direkte Lösungsverfahren für lineare Gleichungen
(2.1) Sei x = (x n ) n=1,...,n R N, A = (a m,n ) m=1,...,m, n=1,...,n R M,N. a) Sei 1 m n N. Dann ist x[m : n] = (x k ) k=m,...,n R 1+n m Teilvektor von x. b) Seien 1 m 1 m 2 M, 1 n 1 n 2 N. Dann ist A[m
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
Numerische Mathematik
Numerische Mathematik Von Martin Hermann 2., überarbeitete und erweiterte Auflage Oldenbourg Verlag München Wien Vorwort zur ersten Auflage Vorwort zur zweiten Auflage V VII 1 Wichtige Phänomene des numerischen
Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
KAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
Inexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
Erweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
Numerische Verfahren zur Lösung der Monge-Ampère-Gleichung, Teil II
für zur Lösung der Monge-Ampère-Gleichung, Teil II Andreas Platen Institut für Geometrie und Praktische Mathematik RWTH Aachen Seminar zur Approximationstheorie im Wintersemester 2009/2010 1 / 27 Gliederung
8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.
8 Interpolation 81 Problemstellung Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen x 0 < x 1 < < x n Eingabedaten: (x 0, f 0 ),(x 1, f 1 ),,(x n, f n ) Gegebene Daten (x j, f j ) Analysis
2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Wir betrachten das lineare Gleichungssystem Ax = b mit der n n-koeffizientenmatrix A und der rechten Seite b R n. Wir leiten zuerst eine Variante des Gauss-Algorithmus (LR-Zerlegung)
6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
Kapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 21 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,,255}, n = 1,,N, m = 1,,M dig Camera Realisierung von B η ist
8 Polynominterpolation
8 Polynominterpolation Interpolations-Aufgabe: Von einer glatten Kurve seien nur lich viele Punktewerte gegeben. Wähle einen lichdimensionalen Funktionenraum. Konstruiere nun eine Kurve in diesem Funktionenraum
6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
Elektrischer Schaltkreis lin. Gleichungssystem
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) Beispiel : Elektrischer Schaltkreis I R
Eigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
Iterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
Inhalt Kapitel II: Lineare Gleichungssysteme
Inhalt Kapitel II: Lineare Gleichungssysteme II Lineare Gleichungssysteme II1 Gestaffelte Systeme II2 LU-Zerlegung II3 QR-Algorithmen Kapitel II (UebersichtKapI) 1 Beispiel 1: Elektrischer Schaltkreis
Glättung durch iterative Verfahren
Numerische Methoden in der Finanzmathematik II Sommersemester 211 Glättung durch iterative Verfahren Vorlesung Numerische Methoden in der Finanzmathematik II Sommersemester 211 Numerische Methoden in der
Klausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS 25 Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren 22. Juli 25 Sie haben 9 Minuten Zeit zum Bearbeiten der
1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
KLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
bekannt Analog reduzieren wir die Randwerte im 2d-System. Man erhält dann eine Blocktridia-
3.. Jetzt: Eliminiere 1. und 2. wie folgt u 2 + 2u 1 = h 2 f 1 + α }{{} bekannt Nun: Au = b mit A R n,n, b R n, u R n und A hat die Gestalt 2 1 1 2 1 A =......... =: tridiag( 1, 2, 1)...... 1 1 2 Analog
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)
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
(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
Lineare Algebra und Numerische Mathematik für D-BAUG. Sommer 2016
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Name a a Note Vorname Leginummer Datum 19.08.2016 1 2 3 4 5 6 Total 7P 11P 10P 11P
Inhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Diplom VP Numerik 13. September 004 Aufgabe 1 10 0 40 Gegeben sei die Matrix A = 80 10 10. 10 5 5 (6 Punkte) a) Skalieren (Zeilenäquilibrierung)
III. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische Iterationsverfahren. III.3 GMRES und CG-Verfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische Iterationsverfahren III.3 GMRES und CG-Verfahren Kapitel III (0) 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung
2 Lineare Gleichungssysteme
Höhere Ableitungen Interpolationsbedingungen d k Φ dx k (x j) = y (k) j, ( j =,,..., n; k =,,..., c j ) bestimmen das Hermite Interpolationspolynom Φ Π r mit r + = n ( + c j ). j= 2 Lineare Gleichungssysteme
Übungen zu Grundlagen der Mathematik 2 Lösungen Blatt 12 SS 14. Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion.
Übungen zu Grundlagen der Mathematik Lösungen Blatt 1 SS 14 Prof. Dr. W. Decker Dr. M. Pleger Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion f : U R, (x, y) x y x + y, im Punkt (1, 1) bis einschließlich.
5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
Bildverarbeitung: Kontinuierliche Energieminimierung. D. Schlesinger BV: () Kontinuierliche Energieminimierung 1 / 9
Bildverarbeitung: Kontinuierliche Energieminimierung D. Schlesinger BV: () Kontinuierliche Energieminimierung 1 / 9 Idee Statt zu sagen, wie die Lösung geändert werden muss (explizite Algorithmus, Diffusion),
Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
Zusammenfassung zu Numerische Mathematik I
Sara Adams Zusammenfassung zu Numerik I - WS 003/04 Inhaltsverzeichnis Zusammenfassung zu Numerische Mathematik I Sara Adams 11. August 004 Diese Zusammenfassung basiert auf der Vorlesung Numerische Mathematik
Wiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
Modulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
Mathematische Grundlagen
Mathematische Grundlagen 1 / 16 Vektorraum u R n, u = (u 1,..., u n ), u k R Euklidisches Skalarprodukt Euklidische Vektornorm (u, v) = u k v k u 2 = (u, u) = n u 2 k Vektoren u, v R n heißen orthogonal,
9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Implizite Funktionen. Ist für eine stetig differenzierbare Funktion f : R n R m R n. so lässt sich das Gleichungssystem
Implizite Funktionen Ist für eine stetig differenzierbare Funktion f : R n R m R n f (x, y ) = (0,..., 0) t, det f x (x, y ) 0, so lässt sich das Gleichungssystem f k (x 1,..., x n, y 1,..., y m ) = 0,
1.4 Stabilität der Gauß-Elimination
KAPIEL 1. LINEARE GLEICHUNGSSYSEME 18 1.4 Stabilität der Gauß-Elimination Bezeichne x die exakte Lösung von Ax = b bzw. ˆx die mit einem (zunächst beliebigen Algorithmus berechnete Näherungslösung (inklusive
Matrizenoperationen mit FORTRAN
Kapitel 2 Matrizenoperationen mit FORTRAN 21 Grundlagen Bei vielen Anwendungen müssen große zusammenhängende Datenmengen gespeichert und verarbeitet werden Deshalb ist es sinnvoll, diese Daten nicht als
Kapitel 2: Lineare Gleichungssysteme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 2: Lineare Gleichungssysteme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 205 HM: Numerik (SS 205), Kapitel
Banach scher Fixpunktsatz. 1) D ist abgeschlossen und konvex; 2) f ist selbstabbildend, d.h. f(d) D;
Institut für Geometrie und Praktische Mathematik Höhere Mathematik IV (für Elektrotechniker und Technische Informatiker) - Numerik - SS 2007 Dr. S. Börm, Dr. M. Larin Banach scher Fixpunktsatz Gegeben
Rechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
Lösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
Numerische Mathematik für Ingenieure (SoSe 2013)
Numerische Mathematik für Ingenieure (SoSe 2013) PD Dr(USA) Maria Charina Auszüge aus Vorlesungsfolien von Prof Joachim Stöckler werden verwendet Für die Bereitstellung dieses Materials und der Tex-Files
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
1.Übung Mathematik I
1Übung Mathematik I 1) Ist folgende Aussage eine Implikation? ( Begründung!) (( A B) -> ( A C) ) = > (C A) 2 Onkel Dagobert wurde Geld aus seinem Geldspeicher gestohlen Er hat drei Tatverdächtige: Die
Numerische Mathematik I für Ingenieure Multiple-Choice Klausuraufgaben Frühjahr 08
Numerische Mathematik I für Ingenieure Multiple-Choice Klausuraufgaen Frühjahr 08 Hier einige Hinweise zu den MC-Aufgaen. Die Lösungen sollten nicht auswendig gelernt werden. Man sollte verstehen, warum
Lineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. Wir betrachten das überbestimmte Gleichungssystem Ax = y mit 1 1 1 1 A := 1 1 0 1 0 1, y := 2 3 0 0 1 4 Berechnen Sie die
Überbestimmte Gleichungssysteme
Siebente Vorlesung, 8. Mai 2008, Inhalt Überbestimmte Gleichungssysteme Kleinste Quadrate: einfaches Beispiel, elementare Herleitung Normalengleichungen Transformation mit QR-Zerlegung und SVD Nichtlineare
Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
3 Lineare Gleichungssysteme
Lineare Gleichungssysteme Wir wissen bereits, dass ein lineares Gleichungssystem genau dann eindeutig lösbar ist, wenn die zugehörige Matrix regulär ist. In diesem Kapitel lernen wir unterschiedliche Verfahren
Spezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
Lösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie 18 1. Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung
, r [0, 2], ϕ [0,π/2], ϑ [0,π/6]. x 3. x 2 2 x 2 1. F(x) = x 2 3
Prof. Dr. Eck Höhere Mathematik 3 9.3.9 Aufgabe ( Punkte) Gegeben ist der Körper K mit der Parametrisierung x r cos ϕ cos ϑ K : x = Φ(r,ϕ,ϑ) = r sin ϕ cos ϑ, r [, ], ϕ [,π/], ϑ [,π/6]. x 3 r sin ϑ a) Berechnen
1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
Klausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS 7 Institut für Numerische Simulation Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren 7. Juli 7 Sie haben 9 Minuten Zeit zum Bearbeiten
Gliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung
Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,
Klausurvorbereitungsblatt Lineare Algebra
Klausurvorbereitungsblatt Lineare Algebra Sommersemester 25 Aufgabe 2 2 Sei A 3 3 8 2 4 3 R4 5. 5 2 a) Bestimmen Sie die Lösungsmenge des linearen Gleichungssystems Ax b) Ist Ax b mit b lösbar? (Begründen
Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion