2
0
Fork 0
mirror of https://github.com/MartinThoma/LaTeX-examples.git synced 2025-04-26 06:48:04 +02:00
This commit is contained in:
Martin Thoma 2013-09-20 18:24:17 +02:00
parent 5141c6c087
commit 14b3575baf
14 changed files with 41 additions and 25 deletions

View file

@ -10,7 +10,7 @@ zweiten Spalte nach $y$.
\subsection*{Lösungsvorschlag 1 (Numerische Lösung)}
Eine Iteration des Newton-Verfahren ist durch
\begin{align}
x_{k+1}&=x_{k}-f'(x_k)^{-1}\cdot f(x_k)
x_{k+1}&=x_{k}\underbrace{-f'(x_k)^{-1}\cdot f(x_k)}_{\Delta x}
\end{align}
gegeben (vgl. Skript, S. 35).
@ -167,12 +167,3 @@ also ausführlich:
\end{pmatrix}\\
P &= I_2
\end{align}
TODO: Eigentlich sollten sich ab hier die Lösungsvorschläge gleichen\dots
Es folgt:
\begin{align}
-f ( \nicefrac{-1}{3}, 0) &= \begin{pmatrix} -2\\ -\frac{26}{27}\end{pmatrix}\\
c &= \begin{pmatrix} 2\\ \nicefrac{82}{27} \end{pmatrix}\\ %TODO: Was ist c?
(x_1, y_1) &= \begin{pmatrix} \nicefrac{5}{3}\\ \nicefrac{82}{27}\end{pmatrix}
\end{align}

View file

@ -1,7 +1,7 @@
\section*{Aufgabe 2}
\subsection*{Teilaufgabe a)}
\begin{align}
r_{ij} = a_{ij} - \sum_{k=1}^{i-1} l_{ik} \cdot r_{kj} \\
r_{ij} = a_{ij} - \sum_{k=1}^{i-1} l_{ik} \cdot r_{kj} \\ %TODO: Korrektheit überprüfen
l_{ij} = \frac{a_{ij} - \sum_{k=1}^{j-1} l_{ik} \cdot r_{kj}}{r_{jj}}
\end{align}
@ -9,8 +9,8 @@
\begin{algorithm}
\begin{algorithmic}
\For{$d \in \Set{1, \dots n}$}
\State berechne d-te Zeile von R
\State berechne d-te Spalte von L
\State berechne d-te Zeile von $R$
\State berechne d-te Spalte von $L$
\EndFor
\end{algorithmic}
\end{algorithm}

View file

@ -3,11 +3,11 @@
\begin{enumerate}
\item Selbstabbildung: \\
Sei $x \in D := [1.75 , 2]$.
Sei $x \in D := [1.75 , 2] = [\frac{7}{4}, \frac{8}{4}]$.
Dann:
\begin{align}
F(x) = 1 + \frac{1}{x} + \frac{1}{x^2} \le 1 + \frac{1}{1.75} + \frac{1}{1.75^2} = 1 + \frac{44}{49} \le 2
F(x) = 1 + \frac{1}{x} + \frac{1}{x^2} \le 1 + \frac{1}{1.75} + \frac{1}{1.75^2} = 1 + \frac{44}{49} \le 2 %TODO: schöner formulieren
\end{align}
und: \\
\begin{align}
@ -19,6 +19,7 @@
%\textbf{Behauptung:} $F(x)$ ist auf $A$ eine Kontraktion.
%\textbf{Beweis:}
%z.Z.: $\exists L \in [0, 1): \forall x,y \in A: || F(x) - F(y) || \leq L \cdot || x - y||$
Hier ist der Mittelwertsatz der Differentialrechnung von Nutzen.\\
$F$ ist Lipschitz-stetig auf $D$ und für alle $x \in D$ gilt: \\
\begin{align}
|F'(x)| = |-\frac{1}{x^2}-2 \cdot \frac{1}{x^3}| \le \frac{240}{343} =: \theta < 1

View file

@ -1,5 +1,8 @@
\section*{Aufgabe 4}
\begin{align*}
I = \int_0^1 \frac{1}{1+4x} dx = \int_0^{0.5} \frac{1}{1+4x} dx +\int_{0.5}^{1} \frac{1}{1+4x} dx = \\ (0.5 - 0) * \frac{f(0) + f(0.5)}{2} + (1 - 0.5) * \frac{f(1) + f(0.5)}{2} = \frac{7}{15}
I &= \int_0^1 \frac{1}{1+4x} dx\\
&= \int_0^{0.5} \frac{1}{1+4x} dx +\int_{0.5}^{1} \frac{1}{1+4x} dx\\
&= (0.5 - 0) * \frac{f(0) + f(0.5)}{2} + (1 - 0.5) * \frac{f(1) + f(0.5)}{2} \\
&= \frac{7}{15}
\end{align*}

View file

@ -14,4 +14,8 @@ Für die ersten 3. Ordnungsbedingungen gilt:
\end{align*}
\subsection*{Teilaufgabe c}
Da die Ordnung 4 gewünscht ist müssen nach VL die Knoten der QF symmetrisch sein. Damit folgt sofort $c_2 = \frac{1}{2}$. Sind die Knoten gewählt, so sind die Gewichte eindeutig bestimmt. Die Berechnung erfolgt mit den Lagrangepolynomen. Es gilt $b_0 = b_2 = \frac{1}{6}, b_1 = \frac{4}{6}$. Entweder man setzt alles in die 4. Ordnungsbedingung ein oder aber argumentiert, dass es sich hierbei um die Simpson-Regel handelt und diese die Ordnung 4 hat.
Wähle die Simpson-Regel, also $c_1=0, c_2 = \frac{1}{2}, c_3 = 1$ und
$b_1 = b_3 = \frac{1}{6}$ und $b_2 = \frac{4}{6}$.
Überprüfe nun Ordnungsbedingungen 1-4 $\Rightarrow$ Simpson-Regel hat Ordnung 4
Überprüfe Ordnungsbedingung 5 $\Rightarrow$ Simpson-Regel hat nicht Ordnung 5. %TODO ausführlicher

View file

@ -1,5 +1,5 @@
\section*{Aufgabe 2}
Die \emph{Kondition} eines Problems ist die Frage, wie sich Störungen
Die \emph{Kondition} eines Problems ist die Frage, wie sich kleine Störungen
der Eingabegrößen unabhängig vom gewählten Algorithmus auf die
Lösung des Problems auswirken.
@ -11,4 +11,4 @@ zu beziehen und beschäftigt sich mit der Frage, wie sich Rundungsfehler,
welche während der Durchführung des Algorithmus entstehen, auf
die Lösung auswirken.
Die Stabilität eines Algorithmus bezeichnet, wie stark der Algorithmus das Ergebnis verfälschen kann. Man kann also die Stabilität der Gauß-Elimination angeben. Man kann allerdings nicht von einer Stabilität des Problems $A \cdot x = b$ sprechen.
Die Stabilität eines Algorithmus bezeichnet, wie stark der Algorithmus das Ergebnis verfälschen kann. Man kann also die Stabilität der Gauß-Elimination angeben. Man kann allerdings nicht von einer Stabilität des Problems $A \cdot x = b$ sprechen.

View file

@ -1,2 +1,6 @@
\section*{Aufgabe 2}
TODO
Zeige die Aussage für $2\times2$ Matrizen durch Gauß-en mit
Spaltenpivotwahl.
Begründe, warum sich die Situation für größere Matrizen nicht ändert.
TODO: Ausfürhlicher beschreiben!

View file

@ -42,9 +42,10 @@ Nullstelle von $f$ übereinstimmt. Da es nur in $[0,1]$ eine Nullstelle
gibt (vgl. Teilaufgabe i), ist die Einschränkung von $x$ auf $\mathbb{R}^+$
irrelevant.
TODO: Ich vermute, man soll die Kontraktionszahlen ermitteln.
Die Funktion mit der niedrigern Kontraktionszahl ist besser, da man
bessere Abschätzungen machen kann.
Man sollte $F_1$ zur Fixpunktiteration verwenden, da $\ln(x)$ nur für
$x>0$ definiert ist. Bei der Iteration kommt man aber schnell in
einen Bereich, der nicht erlaubt ist (das erlaubte Intervall ist klein;
Rechenungenauigkeit)
$F_1$ ist auf $[0,1]$ eine Kontraktion mit Kontraktionszahl $\theta = \frac{1}{2}$:
\begin{align}
@ -56,7 +57,8 @@ $F_1$ ist auf $[0,1]$ eine Kontraktion mit Kontraktionszahl $\theta = \frac{1}{2
\Leftrightarrow \underbrace{e^{-(x+y)}}_{\leq 1} \cdot \|e^{x} - e^{y}\| &\leq \|x-y\|
\end{align}
TODO: Beweis ist noch nicht fertig
TODO: Beweis ist noch nicht fertig. Mittelwertsatz der Differentialrechnung
anwenden.
$F_2$ ist auf $(0,1]$ eine Kontraktion mit Kontraktionszahl $\theta$:
\begin{align}

View file

@ -1,4 +1,4 @@
from math import exp, log
"""from math import exp, log
def iterate(x):
#return x - (2.0*x - exp(-x))/(2.0+exp(-x)) #Newton
@ -9,3 +9,14 @@ x = 0.9
for i in range(10):
print (i, x)
x = iterate(x)
"""
from math import log
f = lambda x: -log(2*x)
x = 0.35173371124919582602
#x = 0.3517337112491958260249093009299510651715
for i in range(200):
print("x 0.35173371124919582602")
print("x 0.3517337112491958260249093009299510651715")
print("%i %.30f" % (i, x))
x = f(x)