4 ei* kann Spuren von Katzen enthalten nicht für Humorallergiker geeignet alle Angaben ohne Gewehr *
Mathematik 4
1. N¨ utzliches Wissen e
ix= cos(x) + i · sin(x)
1.1. Sinus, Cosinus
sin2(x)+cos2(x) = 1x 0 π/6 π/4 π/3 12π π 112π 2π ϕ 0◦ 30◦ 45◦ 60◦ 90◦ 180◦ 270◦ 360◦ sin 0 12 √1
2
√3
2 1 0 −1 0
cos 1
√ 3 2 √1
2 1
2 0 −1 0 1
tan 0
√ 3
3 1 √
3 ±∞ 0 ∓∞ 0
Additionstheoreme Stammfunktionen cos(x−π
2) = sinx ´
xcos(x) dx= cos(x) +xsin(x) sin(x+π2) = cosx ´
xsin(x) dx= sin(x)−xcos(x) sin 2x= 2 sinxcosx ´
sin2(x) dx=12 x−sin(x) cos(x) cos 2x= 2 cos2x−1 ´
cos2(x) dx=12 x+ sin(x) cos(x) sin(x) = tan(x) cos(x) ´
cos(x) sin(x) =−12cos2(x) Sinus/Cosinus Hyperbolicussinh,cosh
sinhx=12(ex−e−x) =−i sin(ix) cosh2x−sinh2x= 1 coshx=12(ex+e−x) = cos(ix) coshx+ sinhx=ex Kardinalsinussi(x) =sin(x)x genormt:sinc(x) =sin(πx)πx
1.2. Integrale
´exdx=ex= (ex)0 Partielle I:´
uw0=uw−´
u0w=w(b)u(b)−w(a)u(a)−´b au0w Substitution:´
f(g(x))g0(x) dx=´ f(t) dt
F(x) f(x) f0(x)
[
0.1em]1q+ 1xq+1 xq qxq−1 [
0.1em]2√ ax33
√ax 0[.1em]a2√ ax
xln(ax)−x ln(ax) ax
1
a2eax(ax−1) x·eax eax(ax+ 1) ax
ln(a) ax axln(a)
−cos(x) sin(x) cos(x)
cosh(x) sinh(x) cosh(x)
−ln|cos(x)| tan(x) 0[.1em]1cos2(x)
´eatsin(bt) dt=eat asin(bt)+ba2 +b2cos(bt)
´ √dt at+b= 2
√at+b a
´t2eatdt=(ax−1)2 +1 a3 eat
´teatdt=at−1
a2 eat ´
xeax2dx=2a1eax2
1.3. Wichtige Formeln
Dreiecksungleichung:
|x| − |y|
≤ |x±y| ≤ |x|+|y|
Cauchy-Schwarz-Ungleichung:
x>·y
≤ kxk · kyk Bernoulli-Ungleichung: (1 +x)n≥1 +nx Aritmetrische Summenformel
n P k=1
k= n(n+1)2 Geometrische Summenformel
n P k=0
qk= 1−qn1−q+1
Binomialkoeffizient n
k
= n n−k
=k!·(n−k)!n!
i =√
−1 |z|2=zz∗=x2+y2
r=p
x2+y2, ϕ=tan−1(yx), x=rcos(ϕ), y=rsin(ϕ)
1.4. Determinante von
A∈Kn×n:
det(A) =|A|det A e
0 C e
e D f
!
= det A e
B 0 e e
D f
!
= det(A e
)·det(D f ) HatA
e
2 linear abh¨ang. Zeilen/Spalten⇒ |A e
|= 0 Entwicklung. n.iter Zeile:|A
e
|= n P i=1
(−1)i+j·aij· |A e
ij|
Inverse2×2:
"
a b
c d
#−1
= ad−bc1
"
d −b
−c a
#
1.5. Exponentialfunktion und Logarithmus
e0=ei2π= 1 ax=exlna logax= lnxlna lnx≤x−1 ln(xa) =aln(x) ln(xa) = lnx−lna log(1) = 01.6. Reihen
∞ P n=1
1 n→ ∞ Harmonische Reihe
∞ P n=0
qn|q|<1= 1−q1 Geometrische Reihe
∞ P n=0
zn n! =ez Exponentialreihe
2. Grundlagen der Numerik
Begriffe:
Numerik liefert zahlenm¨aßige L¨osung eines Prob. mit Algo Kondition Ein Maß wie stark sich Eingabefehler auf die Ausgabe
auswirken.κ=kδfkkδxk→ |f0(x)|
f(x) Mathematisches Problemfmit exakter Eingabex f(˜˜x) Numerischer Algorithmusf˜mit gerundeter Eingabex˜
2.1. Zahlen und Arithmetik im Rechner
Gleitkommazahlen nach IEEE 754: W ert= (−1)s·2e−127·1.f s∈
−1; 1 : Vorzeichen,e∈Z: Exponent,f∈N: Mantisse Anzahl der Maschinenzahlen|M|= 2a(b−1)bt−1+ 1 Maschinengenauigkeit (Abstand von 1 zur n¨achst gr¨oßeren Zahl) In MATLAB: 64bit :eps≈2∗10−16 32bit:eps≈1∗10−7var=1;
while 1+var>1; var=var/2; end; maschgen=var*2
2.2. Kondition:
κabs(x) = f0(x)
κrel(x) = f0(x)
·|x|
|f(x)| κ(A) = A−1
· kAk Nichtlin. Gl.:f(¯x) = 0∩f∈C1→κabs=
(f0(¯x))−1 Fallsκrel100: gute Konditionierung. Pr¨ufe noch obdet(A
e )6= 0!
Verkettungh=g(f(x)) κhabs(x) =κgabs(f(x))κfabs(x)
2.3. Fehler
Absolut:
f(x)˜ −f(x)
Relativ:
f(x)−f(x)˜ kf(x)k
2.4. Stabilit¨ at
∀x∈X ∧ x˜:kx−˜kxkxk=O(b,t) Vorw¨artsstabil:
f(x)−f( ˜˜ x)
kf(x)k =O(b,t) R¨uckw¨artsstabil:∀x∈X: ˜f(x) =f(˜x)
Horna-Schema f¨ur Polynome:(...((an)x+an−1)x+...+a1)x+a0
3. Matrix Zerlegung
3.1. LR-Zerlegung von Matrizen (Lower and Upper)
Geeignetes L¨osungsverfahren f¨urAe
x=b, fallsn <500 A
e
=L e
·R e
mitR e
ist obere Dreiecksmatrix Gaußverfahren durch Matrixmultiplikaiton
•Zerlegen des ProblemsA e
x=bin das ProblemL e
(R e
x) =bmit A
e
=L e R
e bzw.L
e y=P
e
b(mit Pivotisierung)
•Zerlegungsmatrix (f¨ur2×2):
A e
=
"
a b
c d
#
→
"
a b
c
a d−acb
#
=A e
∗mit den Eliminations-
faktorenlik= aik akk
z.B.= ca
•F¨ur jede Spalte der unteren Dreiecksmatrix wiederholen.
F¨ur eine3×3Matrix br¨auchte man 2 Durchl¨aufe, da 3 Spalten Elimationsfaktoren bestimmt werden m¨ussen.
•R e
=triu(A e
∗)
(obere Dreiecksmatrix vonA e
∗, inkl. Diagonalelemente)
•L e
=tril(A e
∗,−1) +1
(untere Dreiecksmatrix mite 1en auf der Diagonale.
•Vorw¨artseinsetzen:L e
y=bbzw.L e
y=P e
b(mit Pivotisierung) (L¨ose nachy)
•R¨uckw¨artseinsetzen:R e
x=y (L¨ose nachx) 3.1.1 Pivotisierung (Spaltenpivotsuche) PermutationsmatrixP
e
>=P e
−1vertauscht Zeilen, damit LR Zerlegung bei 0 Eintr¨agen m¨oglich ist. Tausche so, dass man durch die betragsm¨aßig gr¨oßte Zahl dividiert (Pivoelement)
3.2. QR-Zerlegung
Ae
=Q e R
e mitQ
e
−1=Q e
>
Verfahren: Housholder (numerisch stabil) , Gram-Schmidt, Givens Rotati- on.
A e
−EZF−−−→H f A
e
−EZF−−−→H˜ f H f A e
=R e
⇒A e
=H f
>H˜ f
>R Aufgabe: Finde Vektorvder Senkrecht aufH e
f steht.
Q/R Zerlegung f¨urA e
∈Rm×n
•Setzea=s1(erste Spalte) undv=a+ sgn(a1)kake1
•Konstruiere dieHouseholderTransformationsmatrix mit H
f v=E
e m− 2
v>vvv>
•Erhalte die MatrixH f
vA e
die in der ersten Spalte bis auf das Element a11nur Nullen enth¨alt
•SetzeQ e
1=H f v
•Wende den gleichen Algorithmus auf die UntermatrixA e
∗(H f
vA ohne erste Zeile und Spalte) an. e
•Setze anschließendQ e
2=H f
vund f¨ulle mit erweitere mitEm(d.h.
erste Zeile und Spalte die vonEm)
•Nachp= min
m−1, n Schritten:H f
vA e
∗ist obere Dreiecks- matrix→Disco, disco, party, party; )
•Somit ist mitQ e
=Q e
1· · ·Q e
pistQ e
>A e
=R
•R e e
=Q e
p· · ·Q e
1∗A e Anwendungen
L¨osen von LGSen mit der QR Zerlegung Bestimme x durch R¨uckw¨artssubsitution ausR
e x=Q
e
>b
Anwendung in der linearen Ausgleichsrechnung (Minimierung d. Re- stes)
L¨osen der NormalengleichungA e
>A e
x=A e
>b
•Bestimme eine reduzierte QR-Zerlegung A
e
= ˜Q e R˜ e
mitQ˜ e
∈Rm×n,R˜ e
∈Rn×n
•L¨oseR˜ e
x= ˜Q e
>b
b−A
e x
2= Q
e
>(b−A e x)
2=
˜b−R˜ e x
2+kck2≥ c2
4. Fixpunktiteration
Nullstellenproblemf(x) = 0
Fixpunktproblemϕ(x) =x mitϕ(x) =g(x)f(x) +x Rekursive L¨osung: xi+1=ϕ(x)
MATLAB:x=s; for k=1:n; x=phi(x); end
4.1. Konvergenz von Iterationsverfahren
Falls(xk)kmitx0=sundxk+1=ϕ(xk)dann ist der Grenzwert von (xk)kein Fixpunkt vonϕ, dennx= lim
k→∞ϕ(xk) =ϕ( lim k→∞xk) = ϕ(x)
Fehlerek=|xk−x∗|
Libschitzstetig:∃L <∞:kf(a)−f(b)k ≤Lka−bk Stabiler Fixpunkt bei:|ϕ0|<1
Globaler Konvergenzsatz von Banach f¨urϕ:D→Rn Falls
• D⊆Rnist abgeschlossen (Bspl: beiD∈[0,1])
• f(D)⊆D(Selbstabbildung)
• ∃L= sup x∈D
ϕ0(x)
<1 (Kontraktion)
Dann konvergiertϕ∀x0∈Deindeutig gegenx∗und es gilt folgende Fehlerabsch¨atzung:
• A-Priori:kxk−x∗k ≤1−LLk kx1−x0k ≤ε
• A-posteriori:kxk−x∗k ≤1−LL
xk−xk−1
• F¨ur Genauigkeitε:k≥ln ε(1−L)
kx1−x0k
/ln(L) Lokale Konvergenz:ϕ([a, b])⊆[a, b] ∧
ϕ0([a, b]) <1 Lokale Konvergenz ohne Norm:Fallsmaxλi<1mitλiis EW vonJ
e ϕ
5. Iterative N¨ aherungsverfahren
Problemstellung
SchreibeAe
x=bin ein Fixpunktproblem um:
FindeA e
=M f
−N f
mitM f
ist invertierbar. ⇒(M f
−N f
)x=b φ(x) =M
f
−1N f
x+M f
−1b=T e
x+C e F¨ur jedesx0∈Rnkonvergent, falls Spektralradiusρ(M
f
−1N f
)<1 Je kleiner der Spektralradius vonM
f
−1N f
desto bessere Konvergenz.
A e
=M f
−N f
Systemmatrix D
f
Diagonalmatrixdiag(diag(A e )) L
e
negative linke untere Dreiecksmatrix R
e
negative rechte obere Dreiecksmatrix
Wichtige Begriffe
Diagonaldominante Matrix:Diagonalelemente sind gr¨oßer als die restli- chen Elemente der selben Zeile:|aii|>P
j|aij|mitj6=i Spektralradiusρ(A
e
)einer MatrixA e
:Betragsm¨aßig gr¨oßter Eigenwert.
Konvergenzbeweis aller Verfahren: Gershgorinkreise um die Null mitr≤ 1
5.1. Jacobiverfahren
Konvergiert∀x0∈Rn, fallsAe
strikt diagonaldominant.
x0=s∈Rn A e
=D f
−(L e
+R e ))
xk+1=φ(xk) =D f
−1·(b+ (L e
+R e
)·xk) Komponentenweise:xk+1= (a−1ii (bi− P
j=1,j6=i aijxk,j)i
f u n c t i o n R = c h o l e s k y ( A )% O : 1 / 3 * n ^ 3 + 1 / 2 * n ^ 2 + 1 / 6 * n [ m , n ]=s i z e( A ) ;
if m ~= n , e r r o r(’ A m u s s q u a d r a t i s c h s e i n . ’) ; end R =z e r o s( n ) ; R (1 ,1) =s q r t( A (1 ,1) ) ;
if n ==1 r e t u r n;end R (1 ,2: n ) = A (1 ,2: n ) / R (1 ,1) ; R (2: n←- ,2: n ) = c h o l e s k y ( A (2: n ,2: n ) - R (1 ,2: n ) ’* R←- (1 ,2: n ) ) ;
end
Homepage: www.latex4ei.de – Fehler bittesofortmelden. von LaTeX4EI - Mail:info@latex4ei.de Stand: 14. Juli 2014 um 12:01 Uhr 1
5.2. Gauß-Seidel Verfahren
Unterschied zu Jacobi: Komponentenweise Berechnung vonxmit bereits iterierten Werten. (K¨urzere Iterationszyklen)
Konvergenz:A e
ist strikt diagonaldominantoderA e
ist positiv definint.
Komponentenweise Darstellung:
x(k+1)i =a−1ii
bi− i−1 X j=1
aijx(k+1)j − n X j=i+1
aijx(k)j
Matrixdarstellung:
x(k+1)= (D f
−L e
)−1· R e
x(k)+b MitA
e
= (D f
−L e
)−R xneu=N f
b+M f
xalt
5.3. SOR (Successive Over-Relaxation) Verfahren
Konvergenz:f¨ur0< ω <2und positiv definitesAe x(neu)k+1 =ωx(alt)k+1 + (1−ω)xk
Bestimmeωso, dass die Konvergenz besser wird:ωopt= 2−λ2 1−λ2 Matrixdarstellung:
xk+1= (1 e
n−ωD f
−1L e
)−1((1−ω)1 e
n+ωD f
−1R e
)xk+ω(1n− ωD
f
−1L e
)−1D f
−1b A
e
= (ω1D f
−L e
)− (ω1 −1)D
f +R
e Komponentendarstellung:
xk+1i =ωa−1ii bi− i−1
P j=1
aijx(k+1)j − Pn j=i+1
aijx(k)j
! + (1−
ω)x(k)i
6. Nichtlineare Gleichungen
Problemstellung
Gegeben nichtlineare, stetige Funktion f: [a0, b0]→R, f(a0)·f(b0)<0
6.1. Bisektionsverfahren
Globale, lineare Konvergenz mit|x∗−xk| ≤ 1 2k(b0−a0) Bisektionsverfahren
• xk=12(ak+bk)
• ak+1=ak, bk+1=xk , fallsf(ak)f(xk)<0 ak+1=xk, bk+1=bk , sonst
• Abbruch falls|bk−ak|< εoder maxiter erreicht
6.2. Newton-Raphson-Verfahren
Funktion durch Gerade ann¨ahern und Nullstelle bestimmen. An dieser Stelle den Vorgang wiederholen. Nur geeignet f¨ur einfache Nullstellen.
∃UmgebungUmitf0(x)6= 0∀x∈U xk+1=xk− f(xk)
f0(xk) xk+1=xk−J
e
−1
f (xk)f(xk) MATLAB:
x=x−J e
f\f Abbruchkriterium:
xk−x∗
≤ k∆xk+c xk−x∗
Konvergenz: Startwerte in Bereiche von FP und 0-Stellen einteilen, Grenzen testen, Ableitung sagt zu welcher Grenze es Konvergiert.
6.2.1 Vereinfachtes Newtonverfahren
Man benutzt die Jacobimatrix ¨uber mehrer Iterationen.
Bemerkungen: Es gibt keine Existenz und Eindeutigkeitsaussage zur L¨osbarkeit des Nullstellenproblems
J e
f(x) =
∂f1
∂x1
∂f1
∂x2
∂f2
∂x1
∂f2
∂x2
7. Optimierung
Problemstellung
f:Zielfunktion X
Zul¨assigkeitsbereich⊆Rd→R gesucht:minf= max−f
∇f(x∗) = 0undH f
f(x∗)pos. definit. (Numerische Katastrophe)
7.1. Abstiegsverfahren / Gradientenverfahren
Konvergenz: linear
Abstiegsverfahren
•Bestimme Abstiegsrichtungvk:∇f(xk)vk<0 Gradientenverfahren:vk=−∇f(xk)
•Bestimme Schrittweitehk:f(xk+hkvk)< f(xk) Armijo:maxhk∈
1,12,14,18, ...
f(xk+hkvk)< f(xk) +hkγ∇f(xk)>vk γ∈]0,1[
•Setzexk+1=xk+hkvk
•Abbruch, fallsxkapproximativ station¨ar ist.
7.2. Das lokale Newton-Optimierungsverfahren
Geg:f∈ C2, Ges:x∗:∇f(x∗) = 0lokales Newton-Optimierungsverfahren
•W¨ahle Startpunktx0∈Rd
•Falls∇f(xk) = 0→Stop: Ergebnisxk
•Bestimmevkdurch l¨osen vonH f
f(xk)vk=−∇f(xk)
•Setzexk+1=xk+vk
7.3. Das globale Newton-Optimierungsverfahren
Geg:f∈ C2, Ges:x∗:∇f(x∗) = 0globales Newton-Optimierungsverfahren
•Bestimmevkdurch l¨osen vonH f
f(xk)vk=−∇f(xk) Falls∇f(xk)>vk0→Newtonschritt
Falls∇f(xk)>vk60→Gradientenverfahren mit Armijo
•Setzexk+1=xk+vk
•Abbruch, fallsxkapproximativ station¨ar ist.
8. Funktionentheorie (Komplexe Funktionen)
8.1. analytische (holomorphe, regul¨ are) Funktionen
f Eine Funktionfistanalytisch/holomorph fallsfinGkomplex differenzierbar ist.
ganz fallsfin ganzCkomplex differenzierbar ist.
konform falls Kurven Winkel- und Orientierungstreu bleiben.
fist genau dann holomorph, fallsf(x+yi) =u(x, y) + iv(x, y)und
•u, vsind stetig partiell diffbar
•Cauchy-Riemann DGLs sind erf¨ullt (mitf(z) =f1(z) +if2(z)):
∂1f1(z) =∂2f2(z) ∂1f2(z) =−∂2f1(z) Holomorph:exp,sin,cosh, Polynome,f±g,f g,fg,f(g)
f u n c t i o n[ x , n ]= b i s e k t i o n ( f , a , b , TOL ) fa =f e v a l( f , a ) ; fb =f e v a l( f , b ) ;
n =0;
if fa = = 0 ; x = a ; r e t u r n;end if fb = = 0 ; x = b ; r e t u r n;end
if fa * fb >0; e r r o r(’ sgn ( f ( a ) ) == sgn ( f ( b ) ) ’) ;end if a > b ; e r r o r(’a > b , l e e r e s I n t e r v a l l ’) ;end w h i l e b - a > TOL
x = a + 0 . 5 * ( b - a ) ; fm =f e v a l( f , x ) ; if fm = = 0 ; b r e a k; end if fa * fm >0 , a = x ; fa = fm ;else, b = x ; fb = fm ;end n = n +1;
end
8.2. harmonische Funktionen
u, v ubzw.vsind harmonisch, falls gilt:∆u=∂xxu+∂yyu= 0 ∆v=∂xxv+∂yyv= 0 oder fallsf(z) =u+ ivholomorph ist; denn mit Satz von Schwarz:
∆u=∂yxv−∂xyv= 0 ∆v=−∂yxu+∂xyu= 0 Bestimmung der harmonischen Konjugierten
•geg: harm. Fkt.u:G→R,(x, y)→u(x, y)
•ges: harm. Fkt. v : G → R,(x, y) → v(x, y) so, dass f:G→V, f(z) =u(x, y) + iv(x, y)
•v(x, y) =´
uxdymit Integrationskonstanteg(x)
•vx=−uy⇒g0(x)
•g(x) =´
g0(x) dx⇒vbis auf KonstanteCbestimmt
•zugeh¨orige holomorphe Fkt.f(z) =u(x, y) + iv(x, y)
8.3. M¨ obiustransformation
Cˆ=C∪∞
Einzige bijektive, holomorphe, konforme Abbildung vonˆCauf sich selbst.
f:C\−d
c →C\−d
c ,f(z) =az+bcz+d ad−bc6= 0 f−1(w) =−cw+adw−b
8.4. Komplexes Kurvenintegral
f¨urD⊂CGebiet,f :D→Cstetig,γ: [t1, t2]→stetig diffbar orientierte Kurve.
So brechnet man ein komplexes Kurvenintegral
•Bestimme Parametrisierung vonγ=γ1+. . .
•Stelle Inegrale auf
´
γif(z) dz=bi´ ai
f γi(t)
·. γi(t) dt
Fallsfholomorph:´
γf(z) dz=F γ(b)
−F γ(a)
•Berechne die Integrale und addiere:
´ γ
f(z)dz= Ph i=1
´
γif(z) dz
8.5. Cauchy-Integralformel
(falls Unstetigkeitsstelle auf GebietG) Fallsγgeschl. doppelpunktfreie Kurve in einfach zsh. GebietGmit holomorphen Fkt.f, gilt f¨ur jedes z0∈G
f(z0) = 1 2πi
ˆ γ
f(z) z−z0dz f(k)(z0) =2πik! ¸
γ f(z) (z−z0 )k+1dz
8.6. Integralsatz von Cauchy
Falls keine Unstetigkeitsstelle innerhalb der Kurveγ
f:G→Ckomplex diffbar auf offenem, einfach zusammenh¨angendem GebietG⊂C.γsei einfach geschlossene Kurve inG(keine Doppel- punkte).¸
γ
f(z) dz= 0
8.7. Singularit¨ aten
Isolierte Singularit¨atz0: f:G\
z0 →C (einzelne Punkte) Hebbare Sing., fallsfauf punktierter Umgebung beschr¨ankt ist.
Polmter Ordnung:(z−zo)mf(z)ist hebbar inz0 Wesentliche Singularit¨at: Sonst.
% O : 2* n ^2 im k - ten Schritt , f a l l s A v o l l b e s e t z t f u n c t i o n[ x , N ] = g a u s s _ s e i d e l ( A , b , d e l t a ) x = b ; N =0;
for i = 1 : 2 0 0
x =t r i l( A ) \( b -t r i u( A ,1) * x ) ; N = N +1;
if n o r m( b - A * x ) < d e l t a r e t u r n; end end
e r r o r(’ K e i n e K o n v e r g . n a c h 200 I t e r a t i o n e n ’) ; end
8.8. Taylorreihe und Laurentreihe
Taylorreihe:fallsfholomorph:f(z) =
∞ X k=0
f(k)z0 k! (z−z0)k Laurentreihe:Fallsfnicht holomorph ist.
∞ X k=−∞
ck(z−z0)k
zerf¨allt in P∞ k=1
dkwkmitdk=c−kundw=z−z1
0 (Hauptteil) und
∞ P k=0
ck(z−z0)k(Nebenteil)
Konvergenz falls Hauptteil und Nebenteil konvergiert.
Konvergenzradien:R= lim
ck ck+1
∈[0,∞]
Resiudensatz:Resz0f=c−1=2πi1 ¸ f(z) dz Allgemeiner Residuensatz GGebiet:f :G\
z1, . . . , zn →C hol.
∀ doppelpunktfrei, geschlossene und pos. orientierte Kurven γ mit z1, . . . znliegen im Inneren vonγ:
¸
γf(z) dz= 2πiPn
k=1Reszkf Resz0
g h= hg(z0(z0 )
0 ) Resz0 g(z) (z−z0 )m =g
(m−1) (z0 ) (m−1)!
Resz0ghh0 =mg(z0) m:Ordnung der Polstelle
9. MATLAB
% A u f w a n d : 2* n ^2( m - n /3) = O ( n ^3)
% A n w e n d u n g : [ Q , R ] = qr ( A ) ; x = R \( Q ’* b ) ; f u n c t i o n A = Q R h o u s e h o l d e r ( A )
[ m , n ] =s i z e( A ) ; for k = 1:min( m -1 , n )
v = A ( k :end, k ) ; na = n o r m( v ) ; if v (1) >= 0 , s = 1;
else, s = -1; end;
v (1) = v (1) + s * na ; v = [1; v (2:end) / v (1) ];
A ( k :end, k +1:end) = A ( k :end, k +1:end) - ( 2 / ( v ’* v ) * v ) *( v ’* A ( k :end, k +1:end) ) ; A ( k , k ) = - s * na ;
A ( k +1:end, k ) = v (2:end) ; end
% A u f w a n d : 2 / 3 * n ^3 + 1 / 2 * n ^2 - 1 / 6 * n
% A n w e n d u n g ( i n t e g r i e r t ) : [ L , R , P ] = lu ( A ) ; f u n c t i o n A = LR ( A ) [ n ,~] = s i z e( A ) ;
if ~all(s i z e( A ) == n ) , e r r o r(’ A m u s s q u a d r a t i s c h ←- s e i n . ’) ; end
for k = 1: n I = k +1: n ;
A ( I , k ) = A ( I , k ) / A ( k , k ) ; A ( I , I ) = A ( I , I ) - A ( I , k ) * A ( k , I ) ; end
f u n c t i o n [ x , k ] = n e w t o n ( f , Df , x , maxit , TOL ) for k =1: m a x i t
x _ a l t = x ; x = x - f ( x ) / Df ( x ) ; f p r i n t f(’ % 1 . 1 5 e \ n ’, x )
if n o r m( x - x _ a l t ) < TOL , b r e a k; end end
f u n c t i o n [ A , p ] = L R _ p i v o t ( A ) [ n , m ] =s i z e( A ) ; p = 1: n ;
if m ~= n , e r r o r(’ A m u s s q u a d r a t i s c h s e i n . ’) ; end for k = 1: n
[~ , j ] = max(abs( A ( p ( k : n ) , k ) ) ) ; j = j + ( k -1) ; p ([ k , j ]) = p ([ j , k ]) ;
I = k +1: n ;
A ( p ( I ) , k ) = A ( p ( I ) , k ) / A ( p ( k ) , k ) ;
A ( p ( I ) , I ) = A ( p ( I ) , I ) - A ( p ( I ) , k ) * A ( p ( k ) , I ) ; end
Homepage: www.latex4ei.de – Fehler bittesofortmelden. von LaTeX4EI - Mail:info@latex4ei.de Stand: 14. Juli 2014 um 12:01 Uhr 2