Übungsblatt 12 Musterlösung
|
|
- Fritz Eberhardt
- vor 6 Jahren
- Abrufe
Transkript
1 NumLinAlg WS56 Übungsblatt 2 Musterlösung Lösung 44 (QR-Algorithmus mit Wilkinson-Shift und Deflation) a)+b) Die QR-Iteration zur Berechnung aller Eigenwerte einer Matrix A kann wie folgt implementiert werden: function [V,D] = qr_eig(a,max_iter) 2 % Berechnet die Eigenwerte und Eigenvektoren von A mittels 3 % QR Iteration, wobei A schon in Hessenberg Form ist. 4 % max_iter ist die maximale Anzahl von Iterationen 5 % Rueckgabe: D Diagonalmatrix mit Eigenwerten von A 6 % V Orthonormalbasis mit Eigenvektoren von A 7 8 % QR Schleife mit Givens Rotationen 9 [n, ~] = size(a); 0 Qall = eye(n); for k=:max_iter 2 A_old = A; 3 [Q,R] = qr_givens(a); 4 A = R*Q; 5 Qall = Qall*Q; 6 if(norm(a A_old,'fro')<eps*norm(A,'fro')) 7 break; 8 end 9 end 20 % Eigenwerte stehen auf der Diagonalen von R 2 D = diag(a); 22 % Berechnung der Eigenvektoren der oberen Dreiecksmatrix R. 23 % Nicht noetig wenn R Diagonalmatrix 24 V = qr_eigenvect(a); 25 % Transformation auf die Eigenvektoren von A 26 V = Qall*V; Die Funktion qr_givens(a) ist die selbe Routine aus Aufgabe 23. Die Funktion qr_eigenvect(r) ist wie folgt definiert: function V = qr_eigenvect(r) 2 3 % Berechnet die Eigenvektoren der oberen Dreiecksmatrix R 4 % durch (R lambda*i)v=0 5 6 % Groesse der Matrix R 7 n = size(r,); 8 % Initialisieren der Loesung 9 V = zeros(n,n);
2 0 % Durchfuehrung des Algorithmus for k=:n 2 % Setze untersten Eintrag auf 3 V(k,k) = ; 4 % Berechne die anderen Eintraege 5 for i=k : : 6 V(i,k) = (R(i,i+:k)*V(i+:k,k))/(R(k,k) R(i,i)); 7 end 8 % normiere die Vektoren 9 V(:,k) = V(:,k)/norm(V(:,k)); 20 end Wir generieren die zwei Matrizen mit dem Skript % Maximale Anzahl von Iterationen des QR Algorithmus 2 max_iter = 2000; 3 4 % Definition der D Poisson Matrix 5 v = 2*ones(20,); 6 w = ones(9,); 7 P = diag(v)+diag(w,)+diag(w, ); 8 9 % Definition der Gauss Matrix 0 n = 4; beta = ones(n,); 2 G = zeros(n+,n+); 3 for i=:n 4 beta(i) = 0.5*( (2*i)^( 2))^( 0.5); 5 G(i,i+) = beta(i); 6 G(i+,i) = beta(i); 7 end Wir wenden die QR-Iteration an den zwei angegebenen Matrizen an. % Teil a) und b) 2 [eigvp, eigwp] = eig(p); 3 [eigvg, eigwg] = eig(g); 4 fehler_p = zeros(max_iter/00,); 5 fehler_g = zeros(max_iter/00,); 6 for i=00:00:max_iter 7 [VP,DP] = qr_eig(p,i); 8 fehler_p(i/00) = norm(sort(dp) sort(diag(eigwp)),2); 9 if(fehler_p(i/00)<0^ 3) 0 break end 2 end 3 for i=00:00:max_iter 4 [VG,DG] = qr_eig(g,i); 5 fehler_g(i/00) = norm(sort(dg) sort(diag(eigwg)),2); 6 end 7 for i = :size(dp,) 8 err_p_matlab(i) = norm(p*eigvp(:,i) eigwp(i,i)*eigvp(:,i),2); 9 err_p_qr_eig(i) = norm(p*vp(:,i) DP(i)*VP(:,i),2); 20 end 2 norm(err_p_matlab,inf) 2
3 22 norm(err_p_qr_eig,inf) 23 for i = :size(dg,) 24 err_g_matlab(i) = norm(g*eigvg(:,i) eigwg(i,i)*eigvg(:,i),2); 25 err_g_qr_eig(i) = norm(g*vg(:,i) DG(i)*VG(:,i),2); 26 end 27 norm(err_g_matlab,inf) 28 norm(err_g_qr_eig,inf) % grafische Ausgabe des Fehlers in Abhaengigkeit von n 3 semilogy(00:00:max_iter,fehler_p,00:00:max_iter,fehler_g,'linewidth',3); 32 set(gca,'fontsize',4); 33 legend('poisson Matrix','Gauss Matrix','Location','South'); 34 xlabel('iterationen des QR Alg'); 35 ylabel('fehler'); 36 title('fehler der EW Berechnung mit QR Alg') %% Teil c) und d) 39 % QR Algorithmus mit Rayleigh Shift 40 [VR, DR, fehler_rayleigh] = qr_eig_shift(g,); 4 lr = size(fehler_rayleigh,2); 42 subplot(,2,) 43 semilogy(:lr,fehler_rayleigh,'linewidth',3); 44 set(gca,'fontsize',4); 45 xlabel('iterationen des QR Alg'); 46 ylabel('fehler'); 47 title('fehler der EW Berechnung beim QR Alg mit Rayleigh Shift') 0 5 Fehler der EW-Berechnung mit QR-Alg 0 0 Fehler Poisson Matrix Gauss-Matrix Iterationen des QR-Alg Der QR-Iteration für die Matrix G konvergiert nicht, weil die Eigenwerte von G symmetrisch sind, d.h. falls λ ein Eigenwert von G ist, dann ist λ auch ein Eigenwert. Beispiel dazu: ( ) 0 A = 0 3
4 Die Eigenwerte der Matrix A berechnen sich zu λ = und λ 2 =. Dann folgt mit der QR-Zerlegung A (0) = Q (0) R (0) mit ( ) ( ) 0 0 Q (0) =, R (0) = 0 0 und somit A () = R (0) Q ( (0) )( ) 0 0 = 0 0 ( ) 0 =. 0 Also konvergiert die QR-Iteration auf A nicht. c)+d) Die QR-Iteration mit Shift µ kann wie folgt implementiert werden: function [V,D,fehler] = qr_eig_shift(a,shift) 2 % qr_eig_shift berechnet die Eigenwerte der Matrix A mittels... QR Iteration 3 % mit Shift, wobei A schon in Hessenberg Form ist. 4 % Das Input Parameter shift beziechnet die Wahl des Shiftes: 5 % shift = => Rayleigh Shift 6 % shift!= => Wilkinson Shift 7 % Rueckgabe: D : Diagonalmatrix mit den Eigenwerten von A 8 % V : Orthonormalbasis mit Eigenvektoren von A 9 % fehler: Vektor der Werten a^k_{(n,n)} a^(k )_{(n,n)}. 0 [N,~] = size(a); 2 tol = 0^( 6); % Tolleranz 3 D = zeros(n,); % Initialisierung des Vektors der Eigenwerte 4 k = ; % Iterationszaehler 5 Qall = eye(n); % Initialisierung der orthogonalen Matrix 6 Rall = zeros(n,n); % Initialisierung der oberen Dreiecksmatrix 7 8 for n=n: :2 9 Atemp = A(n,n); 20 while (k<3000 &&... abs(a(n,n ))>tol*(abs(a(n,n))+abs(a(n,n )))) %... Abbruchkriterien 2 if shift == % Rayleigh Shift 22 mu = A(n,n); 23 else % Wilkinson Shift 24 d = (A(n,n ) A(n,n))/2; 25 if (d ~= 0) 26 mu = A(n,n)+d sign(d)*sqrt(d^2+a(n,n)^2); 27 else 28 mu = A(n,n) A(n,n)^2; % Falls d=0, setze sign(0)=+ 29 end 30 end 3 [Q,R] = qr_givens(a mu*eye(n)); % QR Zerlegung 32 A = R*Q+mu*eye(n); % Neue Iterierte A(k+) 33 fehler(k) = abs(a(n,n) Atemp); 4
5 34 k = k+; 35 Qall(:n,:n) = Qall(:n,:n)*Q; 36 Atemp = A(n,n); 37 end 38 D(n) = A(n,n); % Speicher den n ten Eigenwert von A 39 Rall(:n,n) = A(:n,n); 40 A = A(:n,:n ); % Deflation 4 if n==2 % Letzter Fall 42 D()=A(,); 43 Rall()=A(,); 44 end 45 end 46 % Berechnung der Eigenvektoren der oberen Dreiecksmatrix R. 47 % Nicht noetig wenn R Diagonalmatrix 48 V = qr_eigenvect(rall); 49 % Transformation auf die Eigenvektoren von A 50 V = Qall*V; % Teil c) und d) 2 % QR Algorithmus mit Rayleigh Shift 3 [VR, DR, fehler_rayleigh] = qr_eig_shift(g,); 4 lr = size(fehler_rayleigh,2); 5 subplot(,2,) 6 semilogy(:lr,fehler_rayleigh,'linewidth',3); 7 set(gca,'fontsize',4); 8 xlabel('iterationen des QR Alg'); 9 ylabel('fehler'); 0 title('fehler der EW Berechnung beim QR Alg mit Rayleigh Shift') 2 3 % QR Algorithmus mit Wilkinson Shift 4 [VW, DW, fehler_wilkison] = qr_eig_shift(g,2); 5 lw = size(fehler_wilkison,2); 6 subplot(,2,2) 7 semilogy(:lw,fehler_wilkison,'linewidth',3); 8 set(gca,'fontsize',4); 9 xlabel('iterationen des QR Alg'); 20 ylabel('fehler'); 2 title('fehler der EW Berechnung beim QR Alg mit Wilkinson Shift') Lösung 45 (Konvergenz von Iterationsverfahren) a) Für eine aus einer Vektornorm erzeugte Matrixnorm gilt es: M = sup x 0 Mx x λ i für alle Eigenwerte λ i von M. Daraus folgt direkt 0 2 (M) = max i ( λ i ) M. ( ) b) Sei M = 2. Es folgt, dass λ,2 = gilt. Damit gilt auch (M) =. Es gilt: 2 2 Mx M = sup x =0 x = sup Mx. 5
6 Mit = 2 die euklidische Norm folgt M = sup = sup Mx = sup ( 2 x ) +x 2 2 x 2 4 x2 +x x 2 +x x >, wobei wir den Vektor x = (0,) gewählt haben. Damit gilt: Nein, der Umkehrschluss aus Teilaufgabe a) folgt nicht. Die in Teilaufgabe a) gegebene Bedingung zur Konvergenz eines Verfahrens ist nur hinreichend, aber nicht notwendig! 6
QR-Iteration. Ax = λx Q T AQQ T x = λq T x.
Lehrstuhl für Numerische Mathemati QR-Iteration Vorüberlegung: Die Multipliation mit einer orthonormalen Matrix Q heißt Ähnlicheitstransformation. Die Eigenwerte einer Matrix A bleiben unter einer Ähnlicheitstransformation
Mehr3 Eigenwertberechnung
3 Eigenwertberechnung (3.) Definition Eine Matrix A R, heißt (obere) Block-Dreiecksmatrix, wenn ein n existiert, sodass A[n + :, : n] = 0 gilt, d.h.: A = ( ) A[ : n, : n] A[ : n,n + : ] 0 A[n + :,n + :
MehrEinführung Eigenwerte
Einführung Eigenwerte Bei der Modellierung von Stabweren, entstehen folgende Systeme: p = Ax mit A = ENE T, Verschiebungsvetor x und Lastvetor p und Diagonalmatrix N mit den Materialeigenschaften. Betrachtet
MehrEinführung Eigenwerte
Einführung Eigenwerte Bei der Modellierung von Stabweren, entstehen folgende Systeme: p = Ax mit A = ENE T, Verschiebungsvetor x und Lastvetor p und Diagonalmatrix N mit den Materialeigenschaften. Betrachtet
MehrQR Zerlegung mit Householder Transformationen. Numerische Mathematik1 WS 2011/12
QR Zerlegung mit Householder Transformationen Numerische Mathematik1 WS 0/1 Orthogonales Eliminieren /33 Sei x R n ein Vektor x = 0. Ziel: Ein orthogonales H R n;n bestimmen, sodass Hx = kxke 1 ; ein Vielfaches
MehrLR-Zerlegung. N = size(a,1); for n=1:n-1 A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n) * A(n,n+1:N); end;
LR-Zerlegung N = size(a,1); for n=1:n-1 A(n+1:N,n) = A(n+1:N,n)/A(n,n); A(n+1:N,n+1:N) = A(n+1:N,n+1:N) - A(n+1:N,n) * A(n,n+1:N); x = b; for n=2:n x(n) = x(n) - A(n,1:n-1) * x(1:n-1); for n=n:-1:1 x(n)
MehrÜbungsblatt Matlab-Zentralübung Musterlösung
Einführung in die Numerik Sommersemester 2011 Übungsblatt Matlab-Zentralübung Musterlösung Lösung 1 (Givens-Rotationen für Wilkinson Matrix) a) function [Q,R] = qr_givens (A) % [Q,R] = qr_givens(a) berechnet
Mehr4.6 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.
Mehr2 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
MehrLineares Gleichungssystem
Lineares Gleichungssystem Ein System von m linearen Gleichungen in n Unbekannten besteht aus einer Menge von algebraischen Relationen der Form n a ij x j = b i, i =,...,m, j= wobei a ij R, i m, j n, die
MehrAbschnitt 2.5: QR-Verfahren 31
Abschnitt 2.5: QR-Verfahren 31 Bemerkungen 2.5.7 i) Der Aufwand des oben beschriebenen Verfahrens, eine Matrix A R n n in obere Hessenbergform zu überführen, beträgt ungefähr 5 3 n3 Operationen. Hierbei
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 8 Institut für Informatik Prof. Dr. Thomas Huckle Michael Rippl Fabio Gratl Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt: Gaußelimination mit Pivotsuche,
MehrNumerik SS Musterlösung zu Hausaufgabenblatt 1
PROF DR BERND SIMEON CHRISTIAN GOBERT THOMAS MÄRZ Numerik SS 2009 Musterlösung zu Hausaufgabenblatt Aufgabe Links- und Rechtseigenpaare (20 P) Definition: Sei A C n n Ein Vektor 0 = x C n heißt (Rechts-)eigenvektor
MehrNumerische Methoden 4. Übungsblatt
Karlsruher Institut für Technologie (KIT) SS 0 Institut für Analysis Prof. Dr. Michael Plum Dipl.-Math.techn. Rainer Mandel Numerische Methoden 4. Übungsblatt Aufgabe 9: QR-Verfahren (Bearbeitung bis Do,.05.)
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrWoche 20/12 13/01 4. Iterative Lösung linearer Gleichungssysteme 1 / 5
Woche 20/12 13/01 4. Iterative Lösung linearer Gleichungssysteme 1 / 5 Lernziele In diesem Praktikum sollen Sie üben und lernen: Umgang mit der Matlab-Umgebung Schreiben einfacher Skrite und Funktionen
MehrTU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX Übungsaufgaben zum Lehrgebiet Numerische Mathematik - Serie 2 Beweise Sie folgende
Mehr2 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
Mehr2. 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;
MehrKAPITEL 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
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 7 / 8 Institut für Informatik Univ.-Prof. Dr. Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 8. Übungsblatt:
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrMusterlösung. Aufgaben zu Iterative Lösung Linearer Gleichungssysteme. Vordiplomskurs Numerische Methoden Sommer 2008
Musterlösung Aufgaben zu Iterative Lösung Linearer Gleichungssysteme Vordiplomskurs Numerische Methoden Sommer 8. Betrachte das Gleichungssystem Ax b mit ( ( 3 A, b. 6 8 a Konvergiert das Jacobi Verfahren
MehrMusterlösung 11. D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung
D-INFK Lineare Algebra HS 27 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung. Wir bezeichnen die Spalten von A als A (a a 2 a 3 ) und die Spalten des Resultats der QR-Zerlegung mit Q (q q 2 q 3 ), R (r
MehrBegleitmaterial 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
MehrKurze Einführung in Octave
Kurze Einführung in Octave Numerische Mathematik I Wintersemester 2009/2010, Universität Tübingen Starten von Octave in einer Konsole octave eintippen (unter Linux) Octave als Taschenrechner Beispiele:
MehrBegleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 6 Eigenwerte
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Oliver Ernst Professur Numerische Mathematik Wintersemester 2015/16 Inhalt I 1 Einleitung 1.1 Lineare Gleichungssysteme 1.2 Matrixfunktionen 1.3 Modellreduktion 1.4 Eigenwertaufgaben
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrLösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
MehrQR-Zerlegung mit Householder-Transformationen
1/ QR-Zerlegung mit Householder-Transformationen Numerische Mathematik 1 WS 011/1 Orthogonales Eliminieren / Sei x R n ein Vektor x = 0. Ziel: Ein orthogonales H R n;n bestimmen, sodass Hx = kxke 1 ; ein
MehrD-ITET, D-MATL Numerische Methoden FS 2014 Dr. R.Käppeli M. Sprecher. Musterlösung 4
D-ITET, D-MATL Numerische Methoden FS 2014 Dr. R.Käppeli M. Sprecher Musterlösung 4 1. a) function L = cholesky_dec(a); function L = cholesky_dec(a); Purpose: Cholesky-Zerlegung einer symmetrischen positiv
MehrD-INFK Lineare Algebra HS 2016 Özlem Imamoglu Olga Sorkine-Hornung. Musterlösung 8. die gegebene Basis und b = die gesuchte Orthonormalbasis.
D-INFK Lineare Algebra HS 016 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung 8 1. Seien a { 1 0 1 1 1 0 0 0 1 } die gegebene Basis und b { b1, b, b } die gesuchte Orthonormalbasis. b 1 a 1 a 1 1 1 0
MehrLineare Algebra für Ingenieure
TECHNISCHE UNIVERSITÄT BERLIN SS 4 Fakultät II - Mathematik J Liesen/F Lutz/R Seiler Lineare Algebra für Ingenieure Lösungen zur Juli-Klausur Stand: 4 September 4 Rechenteil Aufgabe (8 Punkte Berechnen
MehrKAPITEL 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
MehrBeispiellösung Serie 7
D-MAVT FS 2014 K. Nipp A. Hiltebrand NUMERISCHE MATHEMATIK Beispiellösung Serie 7 1. a) Exakt: 0.005 1 1 1 0.005 1 ( 1 0 200-199 L = 200 1 Rückwärts einsetzen Lz = b : z 1 = 0.5, z 2 = 1 100 = 99 Rx =
Mehr1 Euklidische Approximation
1 Euklidische Approximation Sei V ein reeller euklidischer Vektorraum. Das Skalarprodukt in V wird mit, V und die Norm mit V bezeichnet. V N V sei ein Teilraum der Dimension N < mit Basis {φ n } n=1,...,n.
MehrElastodynamik 2 Lösungsblatt 1. [1 l l N /m N /m 6000 N 3000 N 6000 N 4000 Nm] =0,5m = 3000 N. =0,00060 m = 6000 N
Elastodynamik Lösungsblatt 1 Aufgabe 1: Vorbereitung: Zerlegung der Matrix K Zeile 1: Zeile : Zeile 3: L D L T = K d 1 0 0 0 l 3 ] 1 ] 0 1 l 3 0 0 1 6000 N /m 0 N /m 3000 N =6000 N /m, =0, = 3000 N 0 N
MehrMathematische 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,
MehrLineare 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
MehrEinführung in die Grundlagen der Numerik
Einführung in die Grundlagen der Numerik Institut für Numerische Simulation Rheinische Friedrich-Wilhelms-Universität Bonn Wintersemester 2014/2015 Definition Eigenwertproblem Zu einer Matrix A R n n sind
MehrÜbungsblatt 5 Musterlösung
MSE SS7 Übungsblatt 5 Musterlösung Lösung 6 (Vergleich von direkten und iterativen Verfahren: Teil ) Aufwand Jacobi-Verfahren: Das Jacobi Verfahren lässt sich als x (k+) = x (k) +D (b Ax (k) ) x (k+) =
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrÜbungsblatt
Prof Dr Fabien Morel Lineare Algebra II Dr Anand Sawant Sommersemester 2018 Übungsblatt 11 20062018 Aufgabe 1 (2 Punkte) Berechnen Sie eine Jordan-Basis für die Matrix 3 1 1 M = 2 2 0 M 3 (R) 1 1 3 Wir
MehrMusterlösung für die Klausur vom 31. März. (a) Wir bestimmen zunächst einen Normalenvektor von E 1 :
Musterlösung für die Klausur vom 3. März Aufgabe (a) Wir bestimmen zunächst einen Normalenvektor von E : AB AC 3 2 = 2 =. 2 2 Dieser ist der Richtungsvektor der gesuchten Geraden, also hat diese die Parameterdarstellung
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrKlausur zu Grundlagen der Computermathematik
Prof. Dr. Klaus Höllig 14. Oktober 2010 Klausur zu Grundlagen der Computermathematik en Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. a Die Folge A
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
MehrD-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
MehrD-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 14 Manfred Einsiedler. Musterlösung 8. i=1. w 2, w 2 w 2 =
D-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 14 Manfred Einsiedler Musterlösung 8 1. Wir konstruieren eine Orthogonalbasis aus der Basis (v 1, v 2, v ) mit dem Gram- Schmidt-Verfahren. Wir wenden die Formel
MehrSommer 2017 Musterlösung
Sommer 7 Musterlösung. (5 Punkte) a) Sei V ein Vektorraum über K und sei T End(V ). Geben Sie die Definition eines Eigenwertes von T und zeigen Sie für endlichdimensionales V, dass λ K genau dann ein Eigenwert
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrVorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)
Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 15: Eigenwerte und -vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 5. November 2009) Diagonalisierbarkeit
MehrD-ITET. D-MATL, RW Lineare Algebra HS 2017 Dr. V. Gradinaru T. Welti. Online-Test 2. Einsendeschluss: Sonntag, den
D-ITET. D-MATL, RW Lineare Algebra HS 7 Dr. V. Gradinaru T. Welti Online-Test Einsendeschluss: Sonntag, den..7 : Uhr Dieser Test dient, seriös bearbeitet, als Repetition des bisherigen Vorlesungsstoffes
MehrNumerische Lineare Algebra - Matlab-Blatt 2
Prof. Dr. Stefan Funken Universität Ulm M.Sc. Andreas Bantle Institut für Numerische Mathematik Dipl.-Math. oec. Klaus Stolle Wintersemester 014/015 Numerische Lineare Algebra - Matlab-Blatt Lösung (Besprechung
MehrRechenaufwand 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
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrMusterlösung Serie 21
D-MATH Lineare Algebra II FS 09 Prof. Richard Pink Musterlösung Serie Positiv-Definitheit und Singulärwertzerlegung. Welche der folgenden drei reellen symmetrischen Matrizen sind positiv definit? A : 6
MehrNumerische 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
MehrMathematik für Wirtschaftswissenschaftler, SS 2010 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, SS 00 Musterlösungen zu Aufgabenblatt Aufgabe 77: Die Matrix A R sei darstellbar als A U D U mit 0 0 U, D 0 0. a) Verifizieren Sie, dass U eine orthogonale Matrix
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrD-INFK Lineare Algebra HS 2014 Roman Glebov Marc Pollefeys. Serie 13
D-INFK Lineare Algebra HS 2014 Roman Glebov Marc Pollefeys Serie 13 1. Um einen Tisch sitzen 7 Zwerge. Vor jedem steht ein Becher mit Milch. Einer der Zwerge verteilt seine Milch gleichmässig auf alle
MehrNumerisches 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:
Mehr20 Kapitel 2: Eigenwertprobleme
20 Kapitel 2: Eigenwertprobleme 2.3 POTENZMETHODE Die Potenzmethode oder Vektoriteration ist eine sehr einfache, aber dennoch effektive Methode zur Bestimmung des betragsmäßig größten Eigenwertes. Um die
Mehr8. Vorlesung, 5. April Numerische Methoden I. Eigenwerte und Eigenvektoren
8. Vorlesung, 5. April 2017 170 004 Numerische Methoden I Eigenwerte und Eigenvektoren 1 Eigenwerte und Eigenvektoren Gegeben ist eine n n-matrix A. Gesucht sind ein vom Nullvektor verschiedener Vektor
Mehr3. 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
MehrEINFÜHRUNG IN DIE NUMERIK - ÜBUNGSBLATT 3 Sommersemester 2010
Prof. Dr. O. Junge, P. Koltai, K. Tichmann Zentrum Mathematik - M3 Technische Universität München EINFÜHRUNG IN DIE NUMERIK - ÜBUNGSBLATT 3 Sommersemester 2 Tutorübungen T6 (Schur-Komplement) (a) Es sei
MehrLösung 23: Sylvesters Trägheitssatz & Singulärwertzerlegung
D-MATH Lineare Algebra I/II HS 07/FS 08 Dr Meike Akveld Lösung 3: Sylvesters Trägheitssatz & Singulärwertzerlegung Wir wissen, dass eine Basis B von R n existiert, sodass p [β Q ] B I I q 0 n p q gilt
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrÜbungsblatt 5 Musterlösung
MSE Mathe 4 SS Übungsblatt Musterlösung Lösung (Solution) Siehe MATLAB Codes function [x_new, it, rho] = jacobi (A, x_start, b, TOL, it_max) 3 % Set up all the quantities used during iteration 4 % Diagonal
MehrKlausur Numerische Mathematik (für Elektrotechniker), Samstag, 19. August 2017
Verständnisfragen-Teil (5 Punkte) Jeder der 5 Verständnisfragenblöcke besteht aus 5 Verständnisfragen. Werden alle 5 Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
MehrName: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: b a 2 3a 1
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: 1 1 0 2 b 1 1 2 4 1 1 4 6 x = 1 1. 2 2 2a 2 3a 1 (a) Bringen Sie das lineare Gleichungssystem auf Treppenform. (b) Für welche
MehrMODULPRÜFUNG MODUL MA 1302 Einführung in die Numerik
................ Note Name Vorname 1 I II Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Obige Angaben sind richtig: Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
MehrKlausur zu Grundlagen der Computermathematik
Prof. Dr. Klaus Höllig. März 11 Klausur zu Grundlagen der Computermathematik en Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. a Die Folge A n x/ A n
MehrDiplom VP Numerik 27. August 2007
Diplom VP Numerik 27. August 2007 Multiple-Choice-Test 30 Punkte Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese
MehrLösungen der Aufgaben zu Kapitel 11
Lösungen der Aufgaben zu Kapitel Vorbemerkung: Zur Bestimmung der Eigenwerte (bzw. des charakteristischen Polynoms) einer (, )-Matrix verwenden wir stets die Regel von Sarrus (Satz..) und zur Bestimmung
Mehr2 Lineare Gleichungssysteme
Vorlesungsskript HM-Numerik (SS 4): Kapitel Version: 9 Mai 4 Lineare Gleichungssysteme Gegeben: A R n n mit det(a) b R n Gesucht: x R n mit Ax = b Zeilenäquilibrierung Möchten zunächst die Kondition des
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrKapitel 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
MehrWiederholung 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:
MehrD-ITET, D-MATL Numerische Methoden FS 2013 Prof. Dr. A. Jentzen M. Sprecher. Musterlösung 4
D-ITET, D-MATL Numerische Methoden FS 2013 Prof. Dr. A. Jentzen M. Sprecher Musterlösung 4 1. a) function [ x] = bisect(g,a,b,tol) %bisect finds root of G(x) in the interval [a,b] with tolerance tol Ga=G(a);
Mehr2.2. Übung. Einführung in die Programmierung (MA 8003)
Technische Universität München M2 - Numerische Mathematik Dr. Laura Scarabosio 2.2. Übung. Einführung in die Programmierung (MA 8003) Hinweis: Ab jetzt werden Schleifen benötigt. Aufgabe 2.2.1: Verändern
MehrIngenieurinformatik II Numerik für Ingenieure Teil 2
Hochschule München, FK 03 MB SS 013 Name Vorname Matrikelnummer Sem.Gr. Hörsaal Platz Ingenieurinformatik II Numerik für Ingenieure Teil Bearbeitungszeit : 60 Minuten Aufgabensteller : Dr. Reichl Hilfsmittel
Mehr9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
Mehr10. Übung zur Linearen Algebra II -
0. Übung zur Linearen Algebra II - Lösungen Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 7 Der ( linearen ) Abbildung ϕ : R R sei bzgl. der kanonischen Basis die Matrix zugeordnet.
MehrKlausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg WS 28/29 Institut für Numerische Simulation Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren 3. Februar 29 Sie haben 9 Minuten Zeit zum
MehrNumerische Mathematik II. (a) mit der geschlossenen Formel von Newton-Cotes. k k. (b) mit der Formel von Gau-Legendre fur w(x) = 1
Prof. Dr. C. W. Cryer SS 2 Numerische Mathematik II Ubungsblatt, Abgabe: 2.4., 3. Uhr Aufgabe : (4 Punkte). Berechnen Sie fur n = 2 3 If = Z ; +x 2 dx (a) mit der geschlossenen Formel von Newton-Cotes
MehrProgrammiervorkurs für die Numerik Teil 2/4
line 1 1 0.8 0.6 0.4 0.2 0-0.2-0.4 Programmiervorkurs für die Numerik Teil 2/4 Christian Power Mathematisches Institut Universität Tübingen -8-6 -4-2 0 05.10.2016 2 4 6 8-8 -6-4 -2 0 2 4 6 8 Wiederholung
MehrNumerische Methoden der Elektrotechnik
1 Numerische Methoden der Elektrotechnik Klaus Diepold, LDV 11. Juli 2011 Berechnung von Eigenwerten einer dünn besetzen Matrix Motivation Der PageRank Algorithmus von Google nutzt die Verbindungsstruktur
MehrQR-Algorithmus Praktische Anwendung auf reelle und komplexe Eigenwerte
QR-Algorithmus Praktische Anwendung auf reelle und komplexe Eigenwerte Proseminar - Numerische Mathematik Sommersemester 2005 - Universität Hamburg Fachbereich Mathematik geleitet von Prof. Wolf Hofmann
MehrPraktikum zur Vorlesung: Numerische Mathematik für Lehramt SS Matlab: Fortsetzung. Jan Mayer. 4. Mai 2006
Praktikum zur Vorlesung: Numerische Mathematik für Lehramt SS 2006 Matlab: Fortsetzung Jan Mayer 4. Mai 2006 Manipulation von Matrizen und Vektoren [M,N]=size(A); speichert die Dimension einer Matrix bzw.
Mehr