Einführung in die numerische Mathematik

Ähnliche Dokumente
Lineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte

4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung

Normalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,

1 Singulärwertzerlegung und Pseudoinverse

Lösungen Serie 6 (Vektorräume, Skalarprodukt)

Vektoren, Vektorräume

4.4 Orthogonalisierungsverfahren und die QR-Zerlegung

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

37 Gauß-Algorithmus und lineare Gleichungssysteme

20 Kapitel 2: Eigenwertprobleme

9 Vektorräume mit Skalarprodukt

13. Funktionen in einer Variablen

Lineare Algebra und Numerische Mathematik für D-BAUG

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:

Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)

Kapitel 15. Lösung linearer Gleichungssysteme

KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

4.2.3 LR-Zerlegung für diagonaldominante Matrizen

Vektor und Matrixnormen Vorlesung vom

Lineare Gleichungssysteme

( ) Lineare Gleichungssysteme

Der CG-Algorithmus (Zusammenfassung)

4 Direkte Verfahren für spezielle Systeme

Lineare Gleichungssysteme - Grundlagen

00. Einiges zum Vektorraum R n

Gliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung

++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1

9.2 Invertierbare Matrizen

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Lineare Algebra I (WS 13/14)

A2.3 Lineare Gleichungssysteme

Kap 5: Rang, Koordinatentransformationen

II. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme

Iterative Lösung großer Gleichungssysteme, UE SS Angaben + Ausarbeitungen zu Übung 1, mit Anmerkungen

Mathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7

6 Eigenwerte und Eigenvektoren

Formale Grundlagen 2008W. Vorlesung im 2008S Institut für Algebra Johannes Kepler Universität Linz

Fragenkatalog Kapitel 1 Fehleranalyse

Definition, Rechenoperationen, Lineares Gleichungssystem

Lösung Semesterendprüfung (Nachprüfung)

3.4 Der Gaußsche Algorithmus

Kapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298

Skalarprodukte (Teschl/Teschl Kap. 13)

6 Gleichungen und Gleichungssysteme

OPERATIONS-RESEARCH (OR)

Numerische Mathematik für Ingenieure und Physiker

2 Lineare Gleichungssysteme

Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle

Lineare Gleichungssysteme

Lineare Gleichungssysteme (Teschl/Teschl 11.1)

Vorkurs: Mathematik für Informatiker

TECHNISCHE UNIVERSITÄT MÜNCHEN

Lineare Gleichungssysteme

Serie 10: Inverse Matrix und Determinante

Quadratische Matrizen Inverse und Determinante

Lineare Algebra 6. Übungsblatt

Iterative Verfahren, Splittingmethoden

Matrizen und Determinanten

1 Zahlentheorie. 1.1 Kongruenzen

Lineare Gleichungssysteme

Lineare Algebra: Theorie und Anwendungen

Übungen zu Einführung in die Lineare Algebra und Geometrie

Mathematische Erfrischungen III - Vektoren und Matrizen

6 Hauptachsentransformation

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

Lineare Gleichungssysteme

V DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren

Besteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)

Zahlen und elementares Rechnen

Vektorgeometrie Layout: Tibor Stolz

Lineare Algebra II 5. Übungsblatt

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya

Vektorräume und Rang einer Matrix

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Lineare Algebra I Zusammenfassung

2 Euklidische Vektorräume

6. Rechnen mit Matrizen.

Kurze Geschichte der linearen Algebra

Quadratische Funktionen und Gleichungen Mathematik Jahrgangsstufe 9 (G8) Bergstadt-Gymnasium Lüdenscheid. Friedrich Hattendorf

Tutorium Mathematik II, M Lösungen

4 Lineare Algebra (Teil 2): Quadratische Matrizen

Einleitung 19. Teil I Einführung 23. Kapitel 1 Motivation 25

3.6 Eigenwerte und Eigenvektoren

Einführung in die Vektor- und Matrizenrechnung. Matrizen

KAPITEL 6. Nichtlineare Ausgleichsrechnung

Copyright, Page 1 of 5 Die Determinante

x LINEARE GLEICHUNGSSYSTEME In diesem Paragraph beginnen wir mit einer elementaren Behandlung linearer Gleichungssysteme Bevor wir versuchen eine allg

entspricht der Länge des Vektorpfeils. Im R 2 : x =

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren

Zahlen und elementares Rechnen (Teil 1)

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra II, Lösungshinweise Blatt 9

Transkript:

Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 204 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis Einführung in die numerische Mathematik Aufgabenblatt 5 - LR-Zerlegung, Residuum, Nachiteration Lösungen Präsenzaufgabe : Cholesky-Zerlegung Bestimmen Sie die Cholesky-Zerlegung der Matrix 2 A = 2 5 2. 2 0 l 0 0 l l 2 l 3 A = l 2 l 22 0 0 l 22 l 32 } l 3 l 32 {{ l 33 }} 0 0 {{ l 33 } L L a = l 2 l = =, a 2 = l 2 l l 2 = 2 = 2, a 22 = l 2 2 + l 22 2 l 22 = 5 4 =, a 3 = l 3 l l 3 = =, a 32 = l 3 l 2 + l 32 l 22 l 32 = 2 2 = 0, a 33 = l 3 2 + l 32 2 + l 33 2 l 33 = 0 = 3. Es gilt also: 0 0 2 A = 2 0 0 0 0 3 0 0 3 Präsenzaufgabe 2: Minimierungszugang für Normalgleichungen Gegeben sei eine Matrix A R m n mit vollem Spaltenrang und ein Vektor b R m. Die Norm r 2 2 des Residuums r := b Ax soll minimiert werden. Dies entspricht der Minimierung der Funktion F : R n R, F (x) := x A Ax 2x A b + b b.

a) Bestimmen Sie eine Verschiebung des Koordinatensystems x = y + u, d.h. einen festen Vektor u R n der nicht von x oder y abhängt, so dass in transformierten Koordinaten gilt F (x) = F (y) = y A Ay + c mit einer Zahl c R die nicht von x oder y abhängt. b) Beweisen Sie, dass y = 0 das eindeutige Minimum der Funktion F aus Teil (a) ist. c) Zeigen Sie, dass das rücktransformierte Minimum x = u eine Lösung der Normalgleichungen ist (falls dies nicht schon direkt aus Teil (a) ersichtlich ist). a) F (y) = (y + u) A A(y + u) 2(y + u) A + b b = y A Ay + 2y A Au + u A Au 2y A b 2u A b + b b Wir erhalten c := u A Au 2u A b + b b falls wir fordern 2y A Au 2y A b = 0 für alle y R n. Diese Forderung ist genau dann erfüllt, wenn A Au = A b, d.h. u = (A A) A b ist die eindeutige Lösung der Normalgleichungen. (A A ist regulär, da A vollen Spaltenrang hat). b) Wir betrachten F (y) in transformierten Koordinaten, es gilt F (0) = c und F (y) = y A Ay + c > c für jedes y 0 wegen der positiven Denitheit der Matrix A A. c) Siehe (a). Hausaufgabe : Zerlegungen bei Tridiagonalmatrizen (0 Punkte) Gegeben sei eine Tridiagonalmatrix, d.h. eine Matrix der Art A = (a ij ) R n n mit a ij = 0 für i j >. Zudem sei die Matrix symmetrisch und positiv denit. Lineare Gleichungssysteme mit dieser Matrix können gelöst werden durch a) Cholesky-Zerlegung (A = ˆLˆL, ˆL untere Dreiecksmatrix), b) LR-Zerlegung ohne Pivotsuche (A = LR, L normierte untere, R obere Dreiecksmatrix). Formulieren Sie den vereinfachten Algorithmus bei Tridiagonalmatrizen für diese beiden Fälle. Bestimmen Sie die Komplexität (Anzahl der Additionen, Multiplikationen, Divisionen, Wurzelbildungen) im jeweiligen Algorithmus und vergleichen Sie diese mit dem Aufwand für eine vollbesetzte Matrix. 2

a) Für Tridiagonalmatrizen reduziert sich die Cholesky-Zerlegung zu: ˆl, := a, /2 for end j = 2 : n ˆlj,j := a j,j /ˆl j,j ( ˆlj,j := a j,j ˆl ) /2 j,j 2 Die Operationen im Algorithmus bestehen aus n Additionen (Subtraktionen), n Multiplikationen (Quadrate), n Divisionen und n mal Wurzelziehen. Der korrespondierende Aufwand beträgt daher O(n) im Gegensatz zu O(n 3 ) Operationen bei einer vollbesetzten Matrix. 3

b) Bei Tridiagonalmatrizen vereinfacht sich die LR-Zerlegung ohne Pivotsuche zu: for j = : n l j+,j := a j+,j /a j,j end a j+,j+ := a j+,j+ l j+,j a j,j+ Die neue rechte obere Dreieckshälfte der Matrix A enthält dann die Elemente von R = (r ij ). Damit hat man im Algorithmus je n Additionen (Subtraktionen), Multiplikationen und Divisionen. Die Komplexität ist wieder O(n) im Gegensatz zu O(n 3 ) bei der Zerlegung einer vollbesetzten Matrix. Da hier kein Wurzelziehen notwendig ist, fällt der Aufwand bei der LR-Zerlegung sogar geringer aus als beim Cholesky-Verfahren aus Aufgabenteil (a). Dies gilt jedoch nur bei Tridiagonalmatrizen. Bei vollbesetzen Matrizen benötigt die Cholesky-Zerlegung nur n 3 /6 Multiplikationen im Gegensatz zu n 3 /3 Multiplikationen in der LR-Zerlegung. Hausaufgabe 2: Entfernungstabelle (0 Punkte) Die folgende Abbildung zeigt die ungefähre Lage der Städte Zürich, Chur, St. Gallen und Genf zueinander. Zwischen diesen Orten verlaufen drei Autobahnstrecken mit den Längen x, x 2, x 3. Bei Autofahrten wurden auf dem Kilometerzähler die folgenden Distanzen grob abgelesen (d.h. sie sind mit Fehlern behaftet): x Zurich x 2 St. Gallen x 3 Chur Zürich Genf 280 km St. Gallen Genf 360 km Genf Chur 390 km Chur St. Gallen 90 km Zürich Chur 20 km Genf Stellen Sie ein lineares Ausgleichsproblem für x, x 2, x 3 auf, das alle fünf Daten der Entfernungstabelle einbezieht. Lösen Sie die Aufgabe über die Normalgleichungen. Verwenden Sie hierbei Gauÿ-Elimination um die Wurzelbildung in der Cholesky-Zerlegung beim Kopfrechnen zu vermeiden. Bemerkung: Vergleichen Sie ihr Ergebnis mit der tatsächlichen Entfernung Zürich St. Gallen, welche ca. 85 km beträgt und in obiger Tabelle nicht auftritt. Als Matrix und rechte Seite des Ausgleichsproblems ergibt sich 0 0 280 0 A = 0 0, b = 360 390 90. 0 0 20 4

In den Normalgleichungen erhalten wir 3 030 A A = 2, A b = 550. 3 700 Die LR-Zerlegung von A A lautet 0 0 3 L = 3 0, R = 5 2 0 3 3. 2 2 3 5 0 0 5 Als Lösung folgt x = 675 6 279, x 2 = 235 3 78, x 3 = 685 6 4. Die Abweichung von x 2 78 zum tatsächlichen Entfernungswert von etwa 85 beträgt ca 8%. 5