D-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 5
|
|
- Katja Geier
- vor 6 Jahren
- Abrufe
Transkript
1 D-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz Serie 5 Best Before: Di./ Mi. 28.3/29.3, in den Übungsgruppen oder im J 68 Koordinatoren: Luc Grosheintz, luc.grosheintz@sam.math.ethz.ch Webpage: 1. Gauss-Legendre Quadratur und Golub-Welsch Algorithmus a) Leiten Sie die Drei-Term-Rekursion her, welche die Legendre Polynome P n (x) beschreibt. Das Skalarprodukt ist in diesem Fall gegeben als: p, q := und es gilt P 0 (x) = 1 und P 1 (x) = x. 1 1 p(x)q(x)dx Solution: Aus der Vorlesung wissen wir, dass die Legendre Polynome einerseits durch Orthogonalisierung mittels Gram-Schmidt gefunden werden können und andererseits einer 3-Term Rekursion: P n+1 (x) = (x β n+1 ) P n (x) γ 2 n+1p n 1 (x) genügen. Es ist zu zeigen, dass die 3-Term Rekursion aus dem Gram-Schmidt Verfahren folgt. Wir definieren rekursif Q n+1 (x) = xp n (x) und P n+1 (x) = Q n+1 (x) n k=0 Q n+1, P k P k, P k P k. Dies ist genau das Gram-Schmidt Verfahren (angewandt auf Q n+1 ), daher sind {P k } n+1 k=0 orthogonal zueinander. Wir definieren Für k < n gilt a n+1,k = Q n+1, P k P k, P k. Q n+1, P k = xp n, P k = P n, xp k = P n, Q k+1 = P n, P k+1 + l k a k+1,l P l = P n, P k+1 + l k a k+1,l P n, P l. Bitte wenden!
2 Wir nutzen nun Orthogonalität aus: Q n+1, P k = { 0 k + 1 < n P n, P n k = n 1, und erhalten eine Drei-Term Rekursion: ( P n+1 (x) = x xp ) n, P n P n (x) P n, P n P n, P n P n 1, P n 1 P n 1(x). Wir vergleichen dies mit der Bonnet Rekursion P n+1 (x) = 2n + 1 n + 1 xp n(x) n n + 1 P n 1(x). und bemerken, dass die nur mit unserer 3-Term Rekursion überein stimmen kann, falls xp n, P n = 0. Noch ist unklar weshalb dies gelten sollte. Deswegen schreiben wir die ersten drei Polynome auf: ( ) x1, 1 P 1 (x) = x 1 = x 1, 1 ( ) xx, x x, x P 2 (x) = x x x, x 1, 1 1 = x2 1 3 P 3 (x) = ( x xp 2, P 2 P 2, P 2 ) P 2 P 2, P 2 P 1, P 1 P 1 = x x Die Vermutung ist, dass P 2n nur gerade und P 2n+1 nur ungerade Exponenten hat. Wir beweisen dies per Induktion und nehmen an, dass die Aussage bereits für 2n 1 beweisen wurde. xp 2n 1, P 2n 1 = 1 2n 1 1 k=0 α k x 2k+1 = 0. Also hat P 2n nur gerade Exponenten. Genau gleich beweist man den ungeraden Fall. Also gilt xp n, P n = 0 für alle n. Hier sind α k die Koeffizienten des Polynoms (P 2n 1 ) 2. Die 3-Term Rekursion ist also P n+1 (x) = xp n (x) P n, P n P n 1, P n 1 P n 1(x). Diese Rekursion liefert monische Polynome, der Koeffizient des Monoms x k von P k ist 1. Die Integrale enthalten alle nur Polynome und sind somit problemlos exakt lösbar. Schlussendlich stellt man fest, dass gilt β k+1 = 0 { γk k = 0 = 1 4 k k 1 2 Siehe nächstes Blatt!
3 Normiert man nun diese Polynome so, dass P m, P n = 1 1 P m (x)p n (x)dx = dann erhält man die übliche Rekursion { 2 2 2n + 1 δ m,n = 2n+1 m = n 0 m n P n+1 (x) = 2n + 1 n + 1 xp n(x) n n + 1 P n 1(x). b) Begründen Sie die Wahl der Einträge in der Jacobi-Matrix J im Algorithmus von Golub- Welsch. (Siehe Code im Skript.) Solution: Für eine Drei-Term-Rekursion P k (x) = (a k x + b k )P k 1 (x) c k P k 2 (x) mit P 0 = 1 und P 1 = x stellen wir im Golub-Welsch Algorithmus folgende Matrix M auf: b1 1 a 1 a c 2. a M = 2 b2.. a a n Diese Matrix ist nicht symmetrisch. Durch eine Ähnlichkeitstransformation kann man eine symmetrische Tridiagonalmatrix J bekommen α 1 β J = β 1 α βn β n 1 α n wobei c n a n bn a n α k := b k ck+1 β k :=. a k a k a k+1 Die Eigenwerte dieser Matrix lassen sich effizient und numerisch stabil berechnen. Im Fall der Legendre Polynome P n (x) gilt und daher und somit P k (x) = 2k 1 k a k = 2k 1 k α k = 0 β k = xp k 1 (x) k 1 k P k 2(x) b k = 0 c k = k 1 k 2k 1 k was genau den Faktoren im Code entspricht. c) Verwenden Sie folgende Quadraturregeln k+1 1 k+1 2(k+1) 1 k+1 = k 4k2 1 Bitte wenden!
4 (bereits erledigt in Serie 4) zusammengesetzte Trapezregel (bereits erledigt in Serie 4) zusammengesetzte Simpsonregel Gauss-Legendre Quadratur zusammengesetzte Gauss-Legendre Quadratur um das Integral I = 1 0 f i (x)dx von f i (x) auf N Teilintervallen oder mit n Funktionsauswertungen zu berechnen. (Die genauen Werte von N und n stehen im Template.) Die beiden Funktionen sind gebeben durch 1 f 1 (x) := 1 + 5x 2 f 2 (x) := x. Berechnen Sie den Fehler und plotten Sie die Konvergenzraten. Welche Methode verwendet man sinnvollerweise? Hinweis: Verwenden Sie das Template quadrature.py. Solution: Die Gauss-Legendre Quadratur hat die beste Konvergenz. Allerdings kann 1 die Berechnung der Knoten und Gewichte aufwendig sein für hohe Ordnung. Die zusammengesetzte Version kann als Kompromiss verstanden werden. Quadraturfehler für f1(x) = x Absoluter Fehler Trapez Simpson Gauss-Legendre Zusammengesetzte Gauss Legende n 1.5 n 2 n Anzahl Auswertungen von f Abbildung 1 Konvergenzen der Methoden für die Funktion f 1 gemessen gegen die Anzahl Auswertungen. Solution: # -*- coding: utf-8 -*- import numpy as np 1 Für hohe Ordnung ist der Golub-Welsch Ansatz nicht effizient, es gibt aber geeignete Algorithmen zur Berechnung der Knoten und Gewichte auch für sehr grosse n. Siehe nächstes Blatt!
5 Quadraturfehler für f2(x) = x Absoluter Fehler Trapez Simpson Gauss-Legendre Zusammengesetzte Gauss Legende n 1.5 n 2 n Anzahl Auswertungen von f Abbildung 2 Konvergenzen der Methoden für die Funktion f 2 gemessen gegen die Anzahl Auswertungen. import matplotlib.pyplot as plt def trapezoid(f, a, b, N): Approximiert das Integral von `f` mit der Trapezregel. Input: f : Funktion f(x) welche integiert werden soll. a, b : untere/obere Grenze des Integrals. N : Anzahl Teilintervalle in der zusammengesetzten Trapezregel. x, h = np.linspace(a, b, N+1, retstep=true) # Für geschlossene Quadraturformeln kann man mit einem # Trick die Anzahlfunktionsaufrufe reduzieren. # Die Beobachtung ist, dass zwei benachbarte Teilintervalle einen # gemeinsamen Knoten haben. Anstatt, `f` zweimal für diesen Knoten # auszurechnen, summiert man einfach die Gewichte: I = h * (np.sum(f(x[1:-1])) * (f(x[0]) + f(x[-1]))) return I def simpson(f, a, b, N): Approximiert das Integral von `f` mit der Simpsonregel. Input: f : Funktion f(x) welche integiert werden soll. a, b : untere/obere Grenze des Integrals. N : Anzahl Teilintervalle in der zusammengesetzten Simpsonregel. Bitte wenden!
6 x, h = np.linspace(a, b, N+1, retstep=true) xm = 0.5*(x[1:] + x[:-1]) I = h/6.0 * (4.0*np.sum(f(xm)) + 2.0*np.sum(f(x[1:-1])) + f(x[0]) + f(x[-1])) return I def golub_welsch(n): Berechnet die Knoten und Gewichte für Gauss-Legendre Quadratur. i = np.arange(n-1) b = (i+1.0) / np.sqrt(4.0*(i+1)**2-1.0) J = np.diag(b, -1) + np.diag(b, 1) x, ev = np.linalg.eigh(j) w = 2 * ev[0,:]**2 return x, w def gauss_legendre(f, a, b, n): Gauss-Legendre Quadratur (nicht zusammengesetzt). f: Funktion f(x) a, b: Obere und untere Grenze des Intervalls. n: Anzahl Quadraturpunkte. x_ref, w_ref = golub_welsch(n) x = a + (x_ref + 1.0)*(b - a)*0.5 w = 0.5*(b - a)*w_ref return np.sum(w*f(x)) def composite_legendre(f, a, b, N, n): Zusammengesetzte Gauss-Legendre Quadratur. f: Funktion f(x) a, b: Obere und untere Grenze des Intervalls. N: Anzahl Teilintervalle. n: Anzahl Quadraturpunkte pro Teilintervall. I = 0.0 dx = (b - a)/n for i in range(n): I += gauss_legendre(f, a + i*dx, a + (i+1)*dx, n) return I def quadrature_error(quadrature_rule, f, exact): Berechnet den Fehler und die Konvergenzrate. Siehe nächstes Blatt!
7 Input: quadrature_rule : Quadraturformel für welche verwendet werden soll. Die Funktion hat die gleiche Signature wie `simpson` und `trapezoid`. f : Funktion welche integriert werden soll. In der Aufgabe heissen sie `f1` und `f2`. exact : Exakte Referenzlösung des Integrals. Output: errors : Fehler der Quadraturformel mit `n_chunks` Teilintervallen. n_chunks : Anzahl Teilintervalle. n_chunks = np.arange(1, 100) errors = np.empty(n_chunks.shape) # Vorsicht, n_chunks.dtype ist ein Array # voller `int`. Deswegen kein `empty_like`. for i, N in enumerate(n_chunks): approx = quadrature_rule(f, 0.0, 1.0, N) errors[i] = np.abs(approx - exact) return errors, n_chunks def legendre_error(f, exact): return quadrature_error(gauss_legendre, f, exact) def composite_legendre_error(f, exact): n = 4 rule = lambda f, a, b, N: composite_legendre(f, a, b, N, n) errors, n_chunks = quadrature_error(rule, f, exact) return errors, n*n_chunks def plot_convergence(n_evals, errors, labels, title): Plottet einen Konvergenzplot in einem neuen Fenster. Der Vergleich zwischen Simpson- und Trapezregel soll 'fair' sein. Die Simpsonregel wertet `f` fast 2x öfter aus. Plotten Sie deswegen den Fehler gegen die Anzahl Funktionsaufrufe. Trendlinien der Ordnung 1.5, 2 und 4 werden ebenfalls geplottet. Input: n_evals : list of array Anzahl Funktionsaufrufe pro Regel pro Auflösung. errors : list of array Fehler pro Quadraturregel pro Auflösung. Bitte wenden!
8 labels : list. Text der in der Legende erscheint. title : Titel des Plots. plt.figure(figsize=(12,8)) for k, n_eval in enumerate(n_evals): plt.loglog(n_eval, errors[k], "-o", label=labels[k]) # Trendlinien plt.loglog(n_evals[0], (1.0*n_evals[0])**-1.5, ":k", label=r"$n^{-1.5}$") plt.loglog(n_evals[0], (1.0*n_evals[0])**-2, "-k", label=r"$n^{-2}$") plt.loglog(n_evals[0], (1.0*n_evals[0])**-4, "-.k", label=r"$n^{-4}$") plt.grid(true) plt.xlabel("anzahl Auswertungen von $f$") plt.ylabel("absoluter Fehler") plt.legend(loc="lower left") plt.title(title) def f1(x): return 1.0 / ( *x**2) def f2(x): return np.sqrt(x) def convergence_experiment(f, exact, title, filename): errors_tr, n_chunks = quadrature_error(trapezoid, f, exact) n_tr = n_chunks + 1 errors_si, n_chunks = quadrature_error(simpson, f, exact) n_si = 2*n_chunks + 1 errors_gl, n_gl = legendre_error(f, exact) errors_cg, n_cg = composite_legendre_error(f, exact) n_evals = [n_tr, n_si, n_gl, n_cg] errors = [errors_tr, errors_si, errors_gl, errors_cg] labels = ["Trapez", "Simpson", "Gauss-Legendre", "Zusammengesetzte Gauss Legende"] plot_convergence(n_evals, errors, labels, title) plt.savefig(filename + ".png") plt.savefig(filename + ".pdf") def ex1_c(): # Konvergenzplot für `f1`. I1ex = np.arctan(np.sqrt(5.0)) / np.sqrt(5.0) title = r"quadraturfehler für $f_1(x) = \frac{1}{1 + 5x^2}$" convergence_experiment(f1, I1ex, title, "img/convergence_f1") Siehe nächstes Blatt!
9 # Konvergenzplot für `f2`. I2ex = 2.0 / 3.0 title = r"quadraturfehler für $f_2(x) = \sqrt{x}$" convergence_experiment(f2, I2ex, title, "img/convergence_f2") if name == " main ": ex1_c() plt.show() Bitte wenden!
10 2. Kernaufgabe: Die Airy-Gleichung Es soll die so genannte Airy Gleichung ü(t) t u(t) = 0 numerisch gelöst werden wobei folgende Anfangswerte zum Zeitpunkt T start = 0 gegeben sind u(0) = Γ( 2 3 ) u(0) = Γ( 1 3 ) und rückwärts in der Zeit integriert wird bis zu T end = 40. Dieses Anfangswertproblem definiert die Airy-Funktion Ai(t) welche in der Physik eine grosse Bedeutung hat. 1. Schreiben Sie die Gleichung um in ein System erster Ordnung für y(t) und leiten Sie daraus die rechte Seite her. Implementieren Sie die rechte Seite in der Funktion rhs welche t und y(t) als Argumente hat. Hinweis: Verwenden Sie das Template airy.py Solution: Geschrieben als ein System lautet die Airy Gleichung ẏ 0 (t) = y 1 (t) ẏ 1 (t) = t y 0 (t) mit der rechten Seite f(t, y(t)) = [ ] y1 (t). t y 0 (t) 2. Implementieren Sie das explizite und das implizite Eulerverfahren, die explizite und die implizite Mittelpunktsregel. Die Argumente dieser Funktionen sind: der Anfangswert y(0), Anfangszeit T start, Endzeit T end und die Anzahl Schritte N. Lösen Sie das Anfangswertproblem und plotten Sie die Lösung. Hinweis: Benutzen Sie die Funktion fsolve aus scipy.optimize. Solution: 3. Implementieren Sie die 4 entsprechenden Runge-Kutta Methoden mit allgemeinem Butcher Schema in der Funktion RK. Bekommen Sie dieselbe Ergebnisse wie beim Punkt 2? Solution: Mit dem Butcher Schema lässt sich das s stufige explizite Verfahren einfach implementieren. Für A, b, c ergibt sich mit (t τ, u τ ) und i = 1,..., s k i := f t τ + c i h, u τ + h s A i,j k j (1) j=1 und dann s u τ+dτ = u τ + h b i k i (2) i=1 Siehe nächstes Blatt!
11 Abbildung 3 Airy Gleichung mit explizitem Euler Verfahren gelöst. 4. Lösen Sie das gegebene Anfangswertproblem mit einer Runge-Kutta 3/8 Zeitintegration. Implementieren Sie dafür die Funktion RK 38 und plotten Sie die Lösung. Hinweis: Das Butcher Schema der Runge-Kutta 3/8 Regel lautet 0 1/3 1/3 2/3 1/ /8 3/8 3/8 1/8 Das 3/8 Butcher Schema in dem Programm ist repräsentiert wie eine Matrix /3 1/ B = 2/3 1/ /8 3/8 3/8 1/8 Solution: Solution: #!/usr/bin/env python from numpy import * Bitte wenden!
12 Abbildung 4 Airy Gleichung mit implizitem Euler Verfahren gelöst. from scipy.special import airy from scipy.optimize import fsolve from matplotlib.pyplot import * # Anfangswerte iv = array([ , ]) # Exakte Loesung exact = lambda t: row_stack(airy(t)[:2]) # Intervall T = ################### # Teilaufgabe 1 # ################### # Airy rechte Seite rhs = lambda t, y: array([ y[1], t*y[0]]) #################### # Teilaufgabe 2 # Siehe nächstes Blatt!
13 Abbildung 5 Airy Gleichung mit explizitem Mittelpunkt Verfahren gelöst. #################### def integrate_ee(y0, tstart, tend, N): rintegrate ODE with explicit Euler method Input: y0... initial condition tstart... start t tend... end t N... number of steps Output: t... variable y... solution y = zeros((2,n+1)) t = zeros((n+1,)) t[0] = tstart y[:,0] = y0 h = (tend - tstart) / float(n) for n in range(n): t[n+1] = t[n] + h y[:,n+1] = y[:,n] + h*rhs(t[n], y[:,n]) return t, y def integrate_ie(y0, tstart, tend, N): Bitte wenden!
14 Abbildung 6 Airy Gleichung mit implizitem Mittelpunkt Verfahren gelöst. rintegrate ODE with implicit Euler method Input: y0... initial condition tstart... start t tend... end t N... number of steps Output: t... variable y... solution y = zeros((2,n+1)) t = zeros((n+1,)) t[0] = tstart y[:,0] = y0 h = (tend - tstart) / float(n) for n in range(n): t[n+1] = t[n] + h F = lambda yt: yt - y[:,n] - h*rhs(t[n+1], yt) guess = y[:,n] + h*rhs(t[n], y[:,n]) y[:,n+1] = fsolve(f, guess) return t, y def integrate_em(y0, tstart, tend, N): rintegrate ODE with explicit midpoint method Siehe nächstes Blatt!
15 Abbildung 7 Airy Gleichung mit der Runge-Kutta 3/8 Regel gelöst. Input: y0... initial condition tstart... start t tend... end t N... number of steps Output: t... variable y... solution y = zeros((2,n+1)) t = zeros((n+1,)) t[0] = tstart y[:,0] = y0 h = (tend - tstart) / float(n) for n in range(n): t[n+1] = t[n] + h y[:,n+1] = y[:,n] + h*rhs( t[n] +.5*h, y[:,n] +.5*h*rhs(t[n], y[:,n])) return t, y def integrate_im(y0, tstart, tend, N): rintegrate ODE with implicit midpoint method Input: y0... initial condition Bitte wenden!
16 tstart... start t tend... end t N... number of steps Output: t... variable y... solution y = zeros((2,n+1)) t = zeros((n+1,)) t[0] = tstart y[:,0] = y0 h = (tend - tstart) / float(n) for n in range(n): t[n+1] = t[n] + h F = lambda yt: yt - y[:,n] - h*rhs(t[n] +.5*h,.5*(yt + y[:,n])) guess = y[:,n] + h*rhs(t[n], y[:,n]) y[:,n+1] = fsolve(f, guess) return t, y N = 10**3 t, y = integrate_ee(iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") savefig("img/ai_expl_euler.png") t, y = integrate_ie(iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") savefig("img/ai_impl_euler.png") t, y = integrate_em(iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") Siehe nächstes Blatt!
17 savefig("img/ai_expl_midpoint.png") t, y = integrate_im(iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") savefig("img/ai_impl_midpoint.png") #################### # Teilaufgabe 3 # #################### def RK_step(B, t, y, h): r Makes a single Runge-Kutta step of size h. B: Butcher Schema t: Current time t_i y: Current solution y_i h: Timestep size tnew = t ynew = y s = B.shape[0] - 1 b = B[s][1:] c = B[:,0][:-1] A = B[:-1,1:] k = zeros((2, s)) if allclose(triu(a), zeros_like(a)): # explicit method for i in range(s): k[:,i] = rhs(t + c[i]*h, y + h*dot(a[i,:].t, k.t)) else: # implicit method def F(x): # we will have to flatten and reshape many times our # arrays, complicating the code for a rather simple # algorithm; this is caused by fsolve, which accepts only # scalars or 1-dim arrays z = x.reshape((2, s)) temp = zeros((2, s)) for i in range(s): temp[:,i] = rhs(t + c[i]*h, y + h * dot(a[i,:].t, z.t)) return temp.ravel() k = fsolve(lambda x : x-f(x), zeros(2*s)).reshape((2, s)) tnew = t + h Bitte wenden!
18 ynew = y + h*squeeze(dot(k, b)) return tnew, ynew def RK(B, y0, tstart, tend, N): r Integrate the equation with a Runge-Kutta rule. Input: B... Butcher Schema y0... initial condition tstart... start t tend... end t N... number of steps Output: t... variable y... solution y = zeros((2,n+1)) t = zeros((n+1,)) t[0] = tstart y[:,0] = y0 h = (tend - tstart) / float(n) for n in range(n): t[n+1], y[:,n+1] = RK_step(B, t[n], y[:,n], h) return t, y B = array([[0, 0], [0, 1]]) t, y = RK(B, iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") savefig("img/ai_rk_expl_euler.png") B = array([[1, 1], [0, 1]]) t, y = RK(B, iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") Siehe nächstes Blatt!
19 ylabel("ai(t)") savefig("img/ai_rk_impl_euler.png") B = array([[ 0, 0, 0], [.5,.5, 0], [ 0, 0, 1]]) t, y = RK(B, iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") savefig("img/ai_rk_expl_midpoint.png") B = array([[.5,.5], [ 0, 1]]) t, y = RK(B, iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") savefig("img/ai_rk_impl_midpoint.png") #################### # Teilaufgabe 4 # #################### def RK_38(y0, tstart, tend, N): r Integrate the equation with the 3/8 Runge-Kutta rule. Input: y0... initial condition tstart... start t tend... end t N... number of steps Output: t... variable y... solution B = array( [array([0, 0, 0, 0, 0]), array([1, 1, 0, 0, 0])/3., Bitte wenden!
20 array([2,-1, 3, 0, 0])/3., array([1, 1,-1, 1, 0]), array([0, 1, 3, 3, 1])/8.]) return RK(B, y0, tstart, tend, N) t, y = RK_38(iv, 0.0, T, N) figure() plot(t, exact(t)[0], "r") plot(t, y[0,:], "b") #plot(t, y[1,:], "g") grid(true) xlabel("t") ylabel("ai(t)") savefig("img/ai_rk_38.png")
D-MATH Numerische Methoden FS 2018 Dr. Vasile Gradinaru Kjetil Olsen Lye. Serie 2. 1 f i (x)dx
D-MATH Numerische Methoden FS 2018 Dr. Vasile Gradinaru Kjetil Olsen Lye Serie 2 Abgabedatum: Di./Mi. 13.3/14.3 in den Übungsgruppen oder im HG J68 Koordinatoren: Kjetil Olsen Lye, HG G 53.1, jetil.lye@sam.math.ethz.ch
MehrD-MATH Numerische Methoden FS 2018 Dr. Vasile Gradinaru Kjetil Olsen Lye. Serie 6
D-MATH Numerische Methoden FS 08 Dr. Vasile Gradinaru Kjetil Olsen Lye Serie 6 Abgabedatum: Di. 08.0 / Mi. 09.0, in den Übungsgruppen, oder im HG J 68. Koordinatoren: Kjetil Olsen Lye, HG G 6. kjetil.lye@sam.math.ethz.ch
MehrSerie 2. D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Luc Grosheintz
D-MATH Numerische Methoden FS 206 Dr. Vasile Gradinaru Luc Grosheintz Serie 2 Abgabedatum: Di. 4.3 / Mi. 5.3 oder früher, in den Übungsgruppen Koordinatoren: Luc Grosheintz, HG J 46, luc.grosheintz@sam.math.ethz.ch
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 4. 1 f i (x)dx
D-MATH Numerische Methoden FS 217 Dr. Vasile Gradinaru Luc Grosheintz Serie 4 Abgabedatum: Di./Mi. 2.3/21.3 in den Übungsgruppen oder im HG J68 Koordinatoren: Luc Grosheintz, HG J 46, luc.grosheintz@sam.ethz.ch
MehrÜbungsblatt 4 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA2304 - SS6 Übungsblatt 4 Musterlösung Aufgabe 7 (Nullstellen als Eigenwerte) Die Polynome {S n } n=0,,2,, S n P n, mit führem Koeffizienten eins, heißen Orthogonalpolynome
MehrETHZ, D-MATH. Numerische Methoden D-PHYS, WS 2015/16 Dr. V. Gradinaru
ETHZ, D-MATH Prüfung Numerische Methoden D-PHYS, WS 5/6 Dr. V. Gradinaru..6 Prüfungsdauer: 8 Minuten Maximal erreichbare Punktzahl: 6. Der van-der-pol Oszillator ( Punkte) Der van-der-pol Oszillator kann
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 10
D-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz Serie 10 Abgabedatum: 23.5/24.5, in den Übungsgruppen Koordinatoren: Luc Grosheintz, HG G 46, luc.grosheintz@sam.math.ethz.ch Webpage:
MehrDr. R. Käppeli D-ITET, D-MATL Winter Numerische Methoden Punkte
Dr. R. Käppeli D-ITET, D-MATL Winter 2018 Prüfung Numerische Methoden Wichtige Hinweise Die Prüfung dauert 90 Minuten. Erlaubte Hilfsmittel: 5 A4-Blätter doppelseitig (=10 Seiten) eigenhändig und handschriftlich
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 1
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 1 Best before: Di. 8.3 / Mi. 9.3, in den Übungsgruppen Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
MehrKLAUSUR 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
MehrD-ITET, D-MATL Numerische Methoden FS 2018 Dr. R. Käppeli P. Bansal. Lösung 3. j j + 1 P j 1(x), j 1. 2(1 x 2 k ) 2. ((j + 1)P j (x k ))
D-ITET, D-MATL umerische Methoden FS 2018 Dr. R. Käppeli P. Bansal Lösung 3 1. 3-Punkte Gauss Quadraturregel a) Um das Polynom P 3 (x) zu berechnen, benutzen wir die Formel P j+1 (x) 2j + 1 j + 1 xp j(x)
MehrNumerik gewöhnlicher Differentialgleichungen (MA2304) Modulprüfung F. Bornemann, C. Ludwig 14. August 2017
Numerik gewöhnlicher Differentialgleichungen (MA234) Modulprüfung F. Bornemann, C. Ludwig 4. August 27 Aufgabe ( min) (a) Implementiere in Julia mit den Eingaben a, b, f und n die summatorische Trapez-Regel
MehrNumerische Analysis - Matlab-Blatt 5
Prof. Dr. Stefan Funken Universität Ulm M.Sc. Andreas Bantle Institut für Numerische Mathematik Dipl.-Math. oec. Klaus Stolle Sommersemester 05 Numerische Analysis - Matlab-Blatt 5 Lösung (Besprechung
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 3
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 3 Best before: bis Ende März Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch Webpage:
MehrD-MATH Numerische Methoden FS 2018 Dr. Vasile Gradinaru Kjetil Olsen Lye. Serie 8
D-MATH Numerische Methoden FS 2018 Dr. Vasile Gradinaru Kjetil Olsen Lye Serie 8 Abgabedatum: Di. 22.05 / Mi. 23.05, in den Übungsgruppen, oder im HG J 68. Koordinatoren: Kjetil Olsen Lye, HG G 56.1 kjetil.lye@sam.math.ethz.ch
MehrPVK Numerische Methoden Tag 1
PVK Numerische Methoden Tag 1 Lucas Böttcher ETH Zürich Institut für Baustoffe Wolfgang-Pauli-Str. 27 HIT G 23.8 8093 Zürich lucasb@ethz.ch June 19, 2017 Lucas Böttcher (ETH Zürich) PVK Numerik June 19,
MehrLösungsvorschlag 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
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 3
y D-MATH Numerische Methoden FS 17 Dr. Vasile Gradinaru Luc Grosheintz Serie 3 Abgabedatum: Di. 13.3 / Mi. 14.3, in den Übungsgruppen, oder im HG J 68. Koordinatoren: Luc Grosheintz, HG J 46, luc.grosheintz@sam.math.ethz.ch
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 6
D-MATH Numerische Methoden FS 17 Dr. Vasile Gradinaru Luc Grosheintz Serie Best Before: Di./Mi../5., in den Übungsgruppen Koordinatoren: Luc Grosheintz, HG G J, luc.grosheintz@sam.math.ethz.ch Webpage:
MehrPVK Probeprüfung FS 2017
PVK Probeprüfung FS 07 Lucas Böttcher Numerische Methoden ETH Zürich June 3, 07. Radioaktiver Zerfall Gegeben sind zwei radioaktive Substanzen, welche mit den Raten λ = 0.5 und λ = 0. zerfallen: A λ B
MehrD-ITET, D-MATL. Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn
Name: Wichtige Hinweise D-ITET, D-MATL Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn Prüfungsdauer: 90 Minuten. Nur begründete Resultate werden bewertet. Zugelassene Hilfsmittel: 10 A4-Seiten
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 2
y D-MATH Numerische Methoden FS 16 Dr. Vasile Gradinaru Alexander Dabrowski Serie Best before: Di. 15.3 / Mi. 16.3, in den Übungsgruppen Koordinatoren: Alexander Dabrowski, HG G 5.1, alexander.dabrowski@sam.math.ethz.ch
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 014 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrDr. R. Käppeli D-ITET, D-MATL Sommer Numerische Methoden Punkte
Dr. R. Käppeli D-ITET, D-MATL Sommer 217 Prüfung Numerische Methoden Wichtige Hinweise Die Prüfung dauert 9 Minuten. Erlaubte Hilfsmittel: 5 A4-Blätter doppelseitig (=1 Seiten) eigenhändig und handschriftlich
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 9
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 9 Best Before: 24.5/25.5, in den Übungsgruppen (2 wochen) Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
MehrTechnische Numerik Numerische Integration
W I S S E N T E C H N I K L E I D E N S C H A F T Technische Numerik Numerische Integration Peter Gangl Institut für Numerische Mathematik, Technische Universität Graz c Alle Rechte vorbehalten. Nachdruck
MehrDiplom VP Informatik / Numerik 2. September 2002
Diplom VP Informatik / Numerik. September 00 Aufgabe Gegeben sei das lineare Gleichungssystem A x = b mit 0 4 0 0 0 0 A = 4 0 0 0 0 0 0 0 0 und b = 4 4 8 5. Punkte a Berechnen Sie die Cholesky Zerlegung
Mehr2.3.1 Explizite Runge-Kutta-Verfahren
Somit ist y(t + h) = y + hf(t, y ) + h (f t (t, y ) + f y (t, y )f(t, y )) + O(h 3 ) Setzen wir Φ(t, y, h) := f(t, y) + h (f t(t, y) + f y (t, y)f(t, y)), so erhalten wir ein Verfahren mit der Konsistenzordnung
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
MehrBeispiellösung Serie 2
D-MAVT FS 14 K. Nipp A. Hiltebrand NUMERISCHE MATHEMATIK Beispiellösung Serie 1. a) Trapezmethode gemäss Skript S. 93: h = 1, s = 1 (f() + f(1)) =.68394, T = s h =.68394 h 1 = 1/, s 1 = s + f(1/) = 1.467,
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
MehrETHZ, D-MATH. Numerische Methoden D-PHYS, WS 2016/17 Dr. V. Gradinaru
ETHZ, D-MATH Prüfung Numerische Methoden D-PHYS, WS 206/7 Dr. V. Gradinaru 02.02.207 Aufgabe: 6 Punkte Die Lösung des nicht-linearen Gleichungssystems x = 4 (cos(x ) sin(x 2 )) x 2 = 4 (cos(x ) 3 sin(x
MehrDr. S. May D-ITET, D-MATL Sommer Numerische Methoden Bonuspunkte Punkte
Dr. S. May D-ITET, D-MATL Sommer 216 Prüfung Numerische Methoden Wichtige Hinweise Die Prüfung dauert 9 Minuten. Erlaubte Hilfsmittel: 5 A4-Blätter doppelseitig (=1 Seiten) eigenhändig und handschriftlich
MehrLokaler Fehler y = y 2, y(0.2) = 5/9, Lösung: y = 1 Fehler nach dem 1. Schritt
Lokaler Fehler y = y, y(.) = /9, Lösung: y = Fehler nach dem. Schritt ( t) 4 Fehler 6 8 4 (I) Euler explizit (II) Euler implizit (IIIa) Crank Nicolson (IIIb) Heun (IVa) Euler modifiziert (IVb) Euler mod.
MehrÜbungsblatt 3 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA4 - SS6 Übungsblatt Musterlösung Sei M,N N und f C M+N+ (B) eine komplexe Funktion, B eine kompakte Menge. Die Padé Approximation PN M (f)(x) ist die rationale
MehrMATLAB Einführung. Numerische Methoden für ITET und MATL Dr. S. May, D. Devaud. ETH Zürich, Seminar for Applied Mathematics
Numerische Methoden für ITET und MATL 2016 ETH Zürich, Seminar for Applied Mathematics Dr. S. May, D. Devaud Frame 2 MATLAB Auf ETH Computer vorinstalliert Auf Heim PC: von www.ides.ethz.ch herunterladen
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
Mehreps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrNumerik stochastischer Differentialgleichungen. Frühjahrsemester 2014 Prof. Dr. H. Harbrecht, M. Peters, M. Siebenmorgen
Numerik stochastischer Differentialgleichungen Frühjahrsemester 2014 Prof. Dr. H. Harbrecht, M. Peters, M. Siebenmorgen Projekt Abgabe bis 15.8.2014 1 1 1 0.5 0.5 0.5 0 0 0 0.5 0.5 0.5 1 1 0.5 0 0.5 1
MehrVF-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
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differenzialgleichungssysteme 5.1-1 1.1 Grundlagen
MehrGültigkeitsbereich. T. Neckel Einführung in die wissenschaftliche Programmierung IN8008 Wintersemester 2016/
Gültigkeitsbereich Funktionen Erinnerung: Python ist eine interpretierte Sprache! Funktionen müssen definiert sein, bevor sie aufgerufen werden können. T. Neckel Einführung in die wissenschaftliche Programmierung
MehrMusterlösung Prüfung Numerische Methoden, Sommer 2012 Dr. Lars Kielhorn
D-ITET, D-MATL Musterlösung Prüfung umerische Methoden, Sommer 01 Dr. Lars Kielhorn 1. a) z = exp(iϕ) = dz = i exp(iϕ) dϕ = c n [f] = 1 π f(exp(iϕ)) exp( iϕn) dϕ π 0 b) Allgemeine zusammengesetzte Trapezregel
MehrMusterlösung. Modulprüfung MA2302. Numerik. 8. Oktober Prüfer: Prof. Dr. Bernd Simeon. Aufgabe 1 (ca. 12 P.) Sei f C (R). Das bestimmte Integral
Modulprüfung MA2302 Numerik 8. Oktober 2009 Musterlösung Prüfer: Prof. Dr. Bernd Simeon Aufgabe 1 (ca. 12 P.) Sei f C (R). Das bestimmte Integral soll durch die Quadraturformel approximiert werden. I n
MehrZweite Prüfung zur Vorlesung
Prof O Scherzer P Elbau, L Mindrinos Numerische Mathematik Fakultät für Mathematik Universität Wien 4 Oktober 23 Zweite Prüfung zur Vorlesung Numerische Mathematik Erlaubte Hilfsmittel: Schriftliche Unterlagen
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differentialgleichungssysteme Prof. Dr. Wandinger
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrKAPITEL 10. Numerische Integration
KAPITEL 10. Numerische Integration 10.1 Einleitung Sei Es gilt I Ĩ = b I = b a a f(x) f(x) dx f(x) dx, Ĩ = b b a f(x) dx. a f(x) f(x) dx (b a) f f. I Ĩ I (b a) f f b a f(x) dx = ba f dx b a f(x) dx f f
MehrD-MAVT NUMERISCHE MATHEMATIK FS 14 K. Nipp, A. Hiltebrand Lösung vom Test 2
D-MAVT NUMERISCHE MATHEMATIK FS 4 K Nipp, A Hiltebrand Lösung vom Test Sei A ( 3 3 ) a) Bestimmen Sie κ(a), die Kondition von A (in der -Norm): κ(a) b) Berechnen Sie den Spektralradius von A: ρ(a) 4 c)
MehrÜbungsblatt 13 Ausgabe: 11. Juli 2018
Universität Stuttgart 1. Institut für Theoretische Physik Prof. Dr. Jörg Main Übungen zur Vorlesung Physik auf dem Computer Sommersemester 218 Übungsgruppenleiter: Robin Bardakcioglu rhb@itp1.uni-stuttgart.de;
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
MehrÜbungen zur Ingenieur-Mathematik II SS 2017 Blatt Aufgabe 13: Betrachten Sie die Funktion. f(x) =
Übungen zur Ingenieur-Mathematik II SS 2017 Blatt 6 2.5.2017 Aufgabe 1: Betrachten Sie die Funktion Lösung: f(x) = 1, x [, 1]. 1 + 25x2 a) Bestimmen Sie die Interpolationspolynome vom Grad m p m (x) =
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben).
MehrNUMERISCHE MATHEMATIK I
D-MATH ETH Zürich, 22. August 2011 Prof. Ch. Schwab NUMERISCHE MATHEMATIK I 1. Interpolation und Quadratur (25 P.) a) Sei [a, b] R 1 mit a < b ein beschränktes Intervall, und f C 2 ([a, b]). Zeigen Sie,
Mehr1/26. Integration. Numerische Mathematik 1 WS 2011/12
1/26 Integration Numerische Mathematik 1 WS 2011/12 Notation 2/26 Die Abbildung I b a : C([a, b]) R gegeben durch Ia b (f ) := beschreibt die Integration. b a f (x)dx, Um das Integral I(f ) zu approximieren
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 2016/17
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 6/7 837 Aufgabe Punkte): Gegeben sei das lineare Gleichungssystem Ax = b mit A = 6 3 und
MehrNumerik SS Übungsblatt 3
PROF. DR. BERND SIMEON CHRISTIAN GOBERT THOMAS MÄRZ Numerik SS 9 Übungsblatt 3 Aufgabe 1 Clenshaw-Curtis-Quadratur Wie bereits bei der Polynominterpolation bietet es sich auch zur Quadratur an Tschebysheff-
Mehr1 10. Vorlesung: Die QR Zerlegung
#!/usr/bin/env python3 # -*- coding: utf-8 -*- # """ # Created on Mon Dec 11 17:44:18 2017 # # @author: christianehelzel # """ 1 10. Vorlesung: Die QR Zerlegung Ziel: Finde eine Zerlegung der Matrix A
MehrLineare 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
MehrVF-3: Gegeben seien die Daten f(x 0 ), f(x 1 ),..., f(x n ) mit x 0,..., x n paarweise verschiedenen und
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Aussagen Diese sind mit wahr bzw falsch zu kennzeichnen (hinschreiben) Es müssen alle Fragen mit wahr
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
Mehr(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
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
MehrVerfahren von Gram-Schmidt
Verfahren von Gram-Schmidt Aus einer Basis b 1,..., b n kann wie folgt eine orthogonale Basis u 1,..., u n konstruiert werden. Man definiert sukzessive u j = b j k
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
MehrD-MAVT NUMERISCHE MATHEMATIK FS 14 K. Nipp, A. Hiltebrand Lösung vom Test 1
D-MAVT NUMERISCHE MATHEMATIK FS 4 K. Nipp, A. Hiltebrand Lösung vom Test. Sei eps die Maschinengenauigkeit in Matlab. Dann gilt: eps/4 = Richtig / Falsch + eps/2 = Richtig / Falsch 8 + eps = 8 Richtig
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 9. Aufgabe 9.1. Herbstsemester Dr. V. Gradinaru D. Devaud A.
Dr V Gradinaru D Devaud A Hiltebrand Herbstsemester 2014 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 9 Aufgabe 91 91a) Sei A eine n n-matrix Das Gleichungssystem Ax
MehrZuname: Vorname: KennNr: Matr.Nr: PRÜFUNG AUS MATHEMATIK 3. 1)(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation.
(8 P.) Lösen Sie das folgende AWP mit Hilfe der Laplacetransformation. y 7y + 10y = sin(2x), y(0) = 1, y (0) = 3. x ( ) Bemerkung: Für festes a gilt L(e ax ) = 1 und L sin(ax) = arctan a. s a x s Die auftretenden
MehrLegendre Polynome. 1 2 n n! d n (( P n (x) P m (x)dx = 0 für m n.
Legendre Polynome Sei R[X] der Raum der Polynomfunktionen. Die Legendre Polynome P n R[X] sind definiert durch P n (x) = 1 d n (( x 2 1 ) n). dx n (a) P n hat genau n paarweise verschiedene Nullstellen
MehrName: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei die Matrix
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei die Matrix 1 1 1 A = 3 3 3 2 2 2 (a) Bestimmen Sie Rang(A), Kern(A) und Bild(A). Ist A invertierbar? Geben Sie zwei verschiedene rechte Seiten b 1, b 2 an, so
MehrKLAUSUR. Mathematik IV Wolfram Koepf. Name: Vorname: Matr. Nr.:
KLAUSUR Mathematik IV 5. 3. 2007 Wolfram Koepf Name: Vorname: Matr. Nr.: Bitte lassen Sie genügend Platz zwischen den Aufgaben und beschreiben Sie nur die Vorderseite der Blätter! Zum Bestehen der Klausur
MehrLösungen zu Blatt 13 der Übungen zur Vorlesung Numerik, LMU München, Wintersemester 2016/2017
Lösungen zu Blatt 13 der Übungen zur Vorlesung Numerik, LMU München, Wintersemester 01/017 Peter Philip, Sabine Bögli. Januar 017 1. 10 Punkte) a) Betrachten Sie R mit der Maximumsnorm. Berechnen Sie die
Mehr1 Berechnung von Summen (ca = 10 Punkte)
Einführung in die wissenschaftliche Programmierung Klausur 26.02.2013 Seite 1/8 Name, Vorname, Unterschrift: Matrikelnummer: 1 Berechnung von Summen (ca. 5 + 4 + 1 = 10 Punkte) Gegeben sind natürliche
MehrFerienkurs Numerik Lösungsskizze. 1 Iterative Verfahren für lineare Gleichungssysteme
Technische Universität München SoSe 1 Zentrum Mathematik Ferienkurse Dipl.-Math. Konrad Waldherr Ferienkurs Numerik Lösungsskizze 1 Iterative Verfahren für lineare Gleichungssysteme 1. Wir erhalten folgende
Mehra) Die Householder-Transformation, welche den ersten Spaltenvektor a 1 = der Matrix A auf , a 1 αe A = QR, A k =: Q k R k, A k+1 := R k Q k.
Karlsruher Institut für Technologie (KIT) Institut für Analysis Prof. Dr. W. Reichel Sommersemester 00 7.07.00 MODULPRÜFUNG Numerische Methoden (Höhere Mathematik IV für die Fachrichtung Meteorologie bzw.
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester 26 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 2 Aufgabe 2 Welche der folgenden Aussagen sind korrekt? (i) Jedes
MehrIII Das Symmetrische Eigenwertproblem (SEP)
III Das Symmetrische Eigenwertproblem (SEP) III3 Algorithmen für symmetrische tridiagonale Eigenwertprobleme Sei im folgenden a b A = b a b b n a n b n b n a n R n n, zb nach Householder- oder Lanczos(im
MehrZWEITE KLAUSUR zur Numerik I mit Lösungen. Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE FELIX LIEDER DR. GEORG JANSING.9.7 ZWEITE KLAUSUR zur Numerik I mit Lösungen Bitte folgende Angaben ergänzen und DEUTLICH LESBAR in Druckbuchstaben schreiben:
MehrOrthogonalpolynome Einführung, Eigenschaften und Anwendungen
Anna Weller Orthogonalpolynome Einführung, Eigenschaften und Anwendungen 1 Orthogonalpolynome Einführung, Eigenschaften und Anwendungen Anna Weller Seminar zur Numerik im SS 2018, Universität zu Köln 10.
MehrNachklausur am Donnerstag, den 7. August 2008
Nachklausur zur Vorlesung Numerische Mathematik (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Nachklausur am Donnerstag, den 7. August 2008 Bearbeitungszeit:
Mehr1 Eine Einführung in die objektorientierte Programmierung
#!/usr/bin/env python3 # -*- coding: utf-8 -*- # """ # Created on Fri Jan 12 09:34:34 2018 # # @author: christianehelzel # """ import matplotlib.pyplot as plt 1 Eine Einführung in die objektorientierte
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2018
to to May 2018 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrKurztest 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!)
MehrODE-Solver. Inhalt. Einleitung. grundlegende Algorithmen. weiterführende Algorithmen
Martin Reinhardt angewandte Mathematik 8. Semester Matrikel: 50108 ODE-Solver 11. Mai 2011 Inhalt Einleitung grundlegende Algorithmen weiterführende Algorithmen Martin Reinhardt (TUBAF) 1 Orientierung
MehrNumerische Methoden 7. Übungsblatt
Karlsruher Institut für Technologie (KIT) SS 01 Institut für Analysis Prof Dr Michael Plum Dipl-Mathtechn Rainer Mandel Numerische Methoden 7 Übungsblatt Aufgabe 17: Quadratur II Die Menge aller Polynome
MehrDifferenzialgleichungen
Differenzialgleichungen Fakultät Grundlagen April 2011 Fakultät Grundlagen Differenzialgleichungen Übersicht Grundsätzliches 1 Grundsätzliches Problemstellung Richtungsfeld Beispiel 2 Eulerverfahren Heunverfahren
MehrSeminar: Numerik gewöhnlicher Differentinalgleichungen Diagonal implizite Runge-Kutta Verfahren
Seminar: Numerik gewöhnlicher Differentinalgleichungen Diagonal implizite Runge-Kutta Verfahren Manuel Hofmann 4..00 Einleitung Ziel dieser Arbeit ist es den Begriff der S-Stabilität einzuführen und im.
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
MehrÜber Kurven, Anfangswertaufgaben und Numerik
Über Kurven, Anfangswertaufgaben und Numerik Manfred Ries 8. Juli 23 Inhaltsverzeichnis Abbildungsverzeichnis 2 Kurve in R 2 2. Kreis......................................... 2.. Bogenlänge.................................
MehrKapitel 4. Numerische Differentiation und Integration
Kapitel 4 Numerische Differentiation und Integration Prof. R. Leithner, E. Zander Einführung in numerische Methoden für Ingenieure 4/2 Integration und Differentiation Probleme bei der Integration und Differentiation
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 4 Numerische
Mehr- Numerik in der Physik - Simulationen, DGL und Co. Max Menzel
- Numerik in der Physik - Simulationen, DGL und Co. Max Menzel 4.1.2011 1 Übersicht Differenzialgleichungen? Was ist das? Wo gibt es das? Lösen von Differenzialgleichungen Analytisch Numerisch Anwendungen
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz SS 5 4.5.5 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt
MehrMusterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
MehrMA 2302: Numerik. Technische Universität München, SS Vorlesung: Caroline Lasser Tutorien: Ilja Klebanov, Thomas Satzger, David Sattlegger
MA 2302: Numerik Technische Universität München, SS 2011 Vorlesung: Caroline Lasser Tutorien: Ilja Klebanov, Thomas Satzger, David Sattlegger (aktualisiert am 22. Juli 2011) Inhaltsverzeichnis 1 Symmetrische
Mehr3 Das Programm 3. 4 Dateien 4. 5 Aufgaben 4. 6 Ausblick 5
Contents 1 Ziele dieser Uebung 1 2 Finite-Differenzen-Methode 1 3 Das Programm 3 4 Dateien 4 5 Aufgaben 4 6 Ausblick 5 1 Ziele dieser Uebung 1.1 Einleitung Wir erweitern das Problem aus der letzten Uebung
MehrNUMERIK 1. Sommersemester 2016
NUMERIK 1 Soerseester 2016 KLAUSUR LÖSUNGSVORSCHLAG Aufgabe 1 (Multiple Choice) (ca. 20 Minuten, 8 Punkte) Kreuzen Sie korrekte Aussagen an. Es können ehrere Antworten richtig sein, indestens eine ist
MehrLösung Übungsblatt 11
Lösung Übungsblatt 11 Aufgabe 1: Quadraturformeln von Newton und Cotes Gegeben ist folgendes Integral: I = 1 0 e x2 dx I wird nach der zusammengesetzten Simpson-Regel berechnet und das Ergebnis als Ĩ bezeichnet.
Mehrmit Dämpfung : mit :sin(α)=tan(α)=x/l m g x=0bzw : l oder x r m v l bzw : v= g l
Pendel in linearer Näherung Wir linearisieren die Rückstellkraft, da nur dann die DGL analytisch lösbar ist. Nachdem das Programm für die lineare DGL korrekte Ergbnisse liefert, könnte man die nichtlineare
MehrÜbungsblatt 6 Musterlösung
MSE SS6 Übungsblatt 6 Musterlösung Lösung (Fourierkoeffizienten) Eine Möglichkeit die Koeffizienten den Funktionen zuzuordnen, besteht darin, die Koeffizienten der Funktionen u i, i {,,3} zu berechnen
Mehr