NUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK
|
|
- Béla Németh
- 7 évvel ezelőtt
- Látták:
Átírás
1 NUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK Szerkesztette: Balogh Tamás 04. január 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így add tovább! 3.0 Unported Licenc feltételeinek megfelelően szabadon felhasználható.
2 . Definiálja a gép számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját! Az a = ±m k, (m = t i= m i i, m i {0, }, m =, t N, k Z) számot normalizált lebegőpontos számnak nevezzük, ahol m i mantissza, t a mantissza hossza, k i karakterisztika. Jelölése: a = ±[m... m t k] Gépi számok halmaza: { } t M(t, k, k + ) := a = ±m k m = m i i, m i {0, }, m =, k k k + {0}, i= M = M(t, k, k + ). Írja le a gép számhalmaz nevezetes számait! A legnagyobb pozitív szám: M = +[... k + ] = ( ) k+ t A legkisebb pozitív szám: ε 0 = [ k ] = k A számábrázolás relatív pontossága: ε = [ ] [ ] = }{{}}{{} t = t rákövetkezője 3. Definálja az input függvény fogalmát, és írja le a hibájára vonatkozó tételt! Az fl: R x M függvényt input függvénynek nevezzük, ha { 0, ha 0 x < ε 0 fl(x) = az x-hez közelebbi gépi szám a kerekítés szerint, ha ε 0 x M Tétel: Ha x R x, akkor x fl(x) { ε 0, ha 0 x < ε 0 x ε, ha ε 0 x M 4. Adja meg a hibaszámítás alapfogalmait: hiba, abszolút-, relatív hiba és korlátjaik! Legyen A a pontos érték, a pedig közelítő érték. Ekkor Hiba: a = A a Abszolút hiba: a = A a Egy abszolút hibakorlát: a a Relatív hiba: δa = a a Egy relatív hibakorlát: δ a δa 5. Írja le az alapműveletek abszolút hibakorlátjaira vonatkozó képleteket! - a±b = a + b - ab = a b + b a - a b = a b + b a b = a ( a b a + ) b b 6. Írja le az alapműveletek relatív hibakorlátjaira vonatkozó képleteket! - δ a±b = a δ a + b δ b a ± b - δ ab = δ a + δ b - δ a = δ a + δ b b
3 7. Írja le a függvényérték abszolút hibakorlátjára vonatkozó összefüggést! f C (k(a)), k(a) := [a a ; a + a ], ekkor f(a) = M a, ahol M := max{ f (x) : x k(a)} 8. Írja le a függvényérték abszolút- és relatív hibakorlátjára vonatkozó összefüggést (a függvényről kétszer folytonosan deriválhatóságot feltételezve)! f C (k(a)), ekkor f(a) = f (a) a + M a, ahol M := max{ f (x) : x k(a)} 9. Definiálja az f függvény a pontbeli kondíciószámát! A c(f, a) = a f (a) mennyiséget az f függvény a-beli kondiciószámának nevezzük. f(a) 0. Mennyi a Gauss-elimináció illetve a visszahelyettesítés műveletigénye? (x + O(n y )) Gauss elimináció műveletigénye: 3 n3 + O(n ) Visszahelyettesítés műveletigénye: n + O(n), ahol O(n) = 0, így a műveletigény n. Írja fel az L k mátrixot, melyet A (k ) -re alkalmazva a Gauss-elimináció egy lépését kapjuk! A Gauss-elimináció k. lépése felírható L k A (k ) = A (k) alakban, ahol L k L () és L k = 0 k = I l k e k, ahol l k = k n 0 0 l k+,k. l nk, és l ik = a(k ) ik. a (k ) kk. Adjon elégséges feltételt az LU-felbontás létezésére! (Gauss-eliminációval) Ha a Gauss-elimináció elvégezhető sor és oszlop csere nélkül, akkor A = LU alakú felbontás, ahol L L (), U U. 3. Adjon elégséges feltételt az LU-felbontás létezésére és egyértelműségére! (Gausselimináció nélkül) Ha D k = det((a ij ) k i,j=) 0 (k =,..., n ), akkor az A = LU felbontás létezik, és u kk 0 k =,..., n ). Ha det(a) 0, akkor a felbontás egyértelmű. 4. Mennyi az LU-felbontás, illetve egy háromszög mátrixú LER megoldásának műveletigénye? (x + O(n y )) 3 n3 + O(n ). 5. Mikor nevezzük A-t szimmetrikus és pozitív definit mátrixnak? Az A mátrix szimmetrikus mátrix, ha A = A, és pozitív definit, ha Ax, x = x Ax > 0 ( x 0) 3
4 6. Mikor nevezzük A-t a soraira (oszlopaira) nézve szigorúan diagonálisan dominánsnak? A szigorúan diagonálisan domináns a soraira, ha a ii > j=,j i a ij i-re. az oszlopaira, ha a ii > a ji i-re. j=,j i 7. Definiálja A fél sávszélességét! Az A fél sávszélessége s N, ha i, j : i j > s : a ij = 0, és k, l : k l = s : a kl Definiálja A profilját! Az A profilja a k i és l j számok összessége a ij = 0 (j =... k i ) és a i,ki + 0, és a ij = 0 (j =... l j ) és a lj +,j Definiálja az A mátrix A -re vonatkozó Schur-komplementerét! Ha A R k k és invertálható, akkor az [A A ] = A A A A mátrix az A-nak az A -re vonatkozó Schur-komplementere. 0. Mondja ki a a Gauss-elimináció (legalább) 4 tulajdonságának megmaradási tételét! - Ha A szimmetrikus, akkor [A A ] is szimmetrikus. - Ha A pozitív definit, akkor [A A ] is pozitív definit. - Ha A szigorúan diagonálisan domináns, akkor [A A ] is szigorúan diagonálisan domináns. - Ha A fél szávszélessége s, akkor [A A ] fél sávszélessége is legalább s. - [A A ] profilja az A profiljához képest nem csökkenhet. - det(a) 0 det([a A ]) 0.. Definiálja a Cholesky-felbontást! A = LL, ahol L L, A szimmetrikus és l ii > 0 i-re.. Milyen tételt tanult a Cholesky-felbontásról? Ha A szimmetrikus és pozitív definit, akkor! A = LL felbontás. 3. Mennyi a Cholesky-felbontás műveletigénye? (x + O(n y )) 3 n3 + O(n ). 4. Milyen tételt tanult a QR-felbontásról? Ha A oszlopai lineárisan függetlenek, akkor A = QR felbontás. Ha még feltesszük, hogy az r ii > 0 i-re, akkor egyértelmű is. 5. Mennyi a QR-felbontás műveletigénye? n 3 + O(n ). 4
5 6. Definiálja a Householder mátrixot! A H(v) = I vv (v R n, v = ) mátrix a v vektorhoz tartozó Householder mátrix. 7. Írja le a Householder-transzformáció 4 tanult tulajdonságát! - H = H(v) szimmetrikus (H = H). - H ortogonális (H = H = H, H = I). - H(v)v = v. - y v : H(v)y = y. 8. Adja meg azt a Householder mátrixot, melyre az azonos hosszúságú a b vektorok esetén Ha = b! Legyen a b 0, a = b, ekkor v := ± a b -re H(v)a = b. a b 9. Írja le a vektornorma definiáló tulajdonságait! A : R n R függvényt vektornormának nevezzük, ha - x 0 x R n, - x = 0 x = 0, - λx = λ x λ R, x R n, - x + y x + y x, y R n. 30. Írja le a mátrixnorma definiáló tulajdonságait! A : R n n R függvényt mátrixnormának nevezzük, ha - A 0 A R n n, - A = 0 A = 0, - λa = λ A λ R, A R n n, - A + B A + B A, B R n n, - AB A B A, B R n n. mennyiség mátrix- 3. Írja le az indukált mátrixnormáról tanult tételt! Ax v Legyen v tetszőleges vektornorma. Ekkor az A := sup x 0 x v normát definiál, és indukált mátrixnormának nevezzük. 3. Mit jelent az illeszkedés normák esetén? A mátrixnorma és a v vektornorma illeszkedik, ha x R n, A R n n -re Ax v A x v. 33. Írja le az,, és Frobenius mátrixnormát! -es mátrixnorma: A = a ij. -es mátrixnorma: A = n max j= i= ϱ(a A) = (max(λ i (A A))). mátrixnorma: A = n max i= a ij. j= 5
6 Frobenius mátrixnorma: A F = ( i= j= a ij ). 34. Mit nevezünk egy mátrix spektrálsugarának? A ϱ(b) = max λ i (B) mennyiség a B mátrix spektrálsugara. 35. Definiálja a kondíciószámot mátrixok esetén! Mikor értelmezhető? A cond(a) := A (A ) mennyiséget az A kondíciós számának nevezzük. Akkor értelmezhető, ha A-nak létezik inverze. 36. Írja le a LER jobboldalának változásakor érvényes pertubációs tételt! Tfh. b 0 és A invertálható. Ekkor illeszkedő normákra: A A b b x x A A b b 37. Írja le a LER mátrixának változásakor érvényes pertubációs tételt! Tfh A invertálható, b 0, A A < és indukált nomra. Ekkor: x x cond(a) A A A A 38. Írja le a kondíciószám (legalább) 4 tulajdonságát! - c 0( R) esetén cond(ca) = cond(a). - Indukált mátrixnormában: cond(a). - Ha Q ortogonális mátrix, akkor cond (Q) =. - Ha A szimmetrikus, akkor cond (A) = max λ i min λ i. 39. Írja le a kontrakció fogalmát φ : R n R n függvény esetén! A φ függvény kontrakció, ha q : 0 q <, φ(x) φ(y) < q x y x, y R n. 40. Írja le a Banach-féle fixponttételt R n -re! Ha φ kontrakció R n -en, akkor.!x fixpont,. x (0) R n : x (k+) := φ(x (k) ) iterációs sorozat konvergens és lim(x k ) = x, 3. Hibabecslés: x (k) x q k x (0) x, illetve x (k) x qk q x() x (0). 4. Adjon elégséges feltételt az x (k+) = Bx (k) k + c alakú iterációk konvergenciájára! Ha B <, akkor az x (k+) := Bx (k) + c iteráció x (0) R n -re konvergál az Ax = b megoldásához. 4. Írja le az indukált normák és spektrálsugár kapcsolatáról tanult lemmát! ϱ(b) = inf{ B : indukált norma} ( ε > 0 indukált norma: B ϱ(b) + ε). 6
7 43. Adjon szükséges és elégséges feltételt az x (k+) = Bx (k) k + c alakú iterációk konvergenciájára! x (0) -ra az x (k+) = Bx (k) + c ϱ(b) < iteráció konvergál az Ax = b megoldáshoz. 44. Írja le a Jacobi- és a csillapított Jacobi iterációt Jacobi iteráció ( ) x (k+) i = a ij x (k) j b i (i=...n) a ii j=j i Csillapított Jacobi iteráció ( ) x (k+) i = ( ω)x (k) i ω a ij x (k) j b i (i=...n) a ii j=,j i 45. Adjon elégséges feltételt a Jacobi iteráció és a csillapított Jacobi iteráció konvergenciájára! Jacobi iteráció Ha A szigorúan diagonálisan domináns a soraira, akkor B j < (azaz x (0) -ra konvergens a J()). Csillapított Jacobi iteráció Ha J() konvergens x (0) -ra, akkor 0 < ω < -re a J(ω) is konvergens. 46. Írja le a Gauss-Seidel-iterációt(a koordinátás alakot is!)! (L + D + U)x = b (L + D)x = Ux + b x = (L + D) Ux + (L + D) b x (k+) = (L + D) U }{{} B S Koordinátás ( alak x (k+) i = i a ij x (k+) j + (i=...n) a ii x (k+) i (i=,...,n) j= j= j=i+ x (k) + (L + D) b }{{} c S a ij x (k) j b i ) 47. Írja le a Gauss-Seidel relaxációs módszert(a koordinátás alakot is)! x (k+) = (D + ωl) ( (( ω) D ωu) x (k) + ω (D + ωl) b = ω i ) a ij x (k+) j + a ij x (k) j b i + ( ω) x (k) i. a ii j=i+ 48. Milyen szükséges és elégséges feltételt tanult a Gauss-Seidel relaxáció konvergenciájáról? Ha S(ω) konvergens x (0) -ra, akkor az ω (0, ). Ha A szimmetrikus és pozitív definit, ω (0, ), akkor az S(ω) konvergens x (0) -ra. 49. Szigorúan diagonálisan domináns mátrix esetén mit tud mondani a Jacobi- és a Gauss-Seidel-iteráció konvergenciájáról? Ha A tridiagonálisan domináns a soraira, akkor ϱ(b s ) = ϱ(b J ) azaz S() és J() is konvergens. 7
8 50. Milyen tételt tanult szimmetrikus, pozitív definit és tridiagonális mátrixok esetén a J(), S(), S(w) módszerekről? Ha A szimmetrikus, pozitív definit és tridiagonális, akkor J(), S() és S(ω) is konvergens ω (0, )-re, és ω 0 = + az optimális S(ω)-ra, és ϱ(b J ) ha ϱ(b J ) = 0, akkor ϱ(b S(ω) ) = ϱ(b S ) = 0, ha ϱ(b J ) 0, akkor ϱ(b S(ω) ) = ω 0 < ϱ(b S ) = ϱ(b J ). 5. Vezesse le a Richardson-típusú iterációk alakját! x (k+) = (I pa)x (k) + pb 5. Milyen tételt tanult a Richardson-típusú iterációkról? Ha A szimmetrikus, pozitív definit és a sajátértékeire: 0 < m = λ λ n = M, akkor p (0, )-re a R(p) konvergens M x(0) -ra. p 0 = az optimális p és ekkor (M+m) ϱ(b R(p0 )) = (M m). (M+m) 53. Definiálja a J pozíció halmazra illeszkedő részleges LU-felbontást! Legyen J a mátrix elemek pozícióinak olyan halmaza, mely nem tartalmazza a főátlót. Az A mátrix J pozícióhalmazra vonatkozó ILU-felbontásán olyan felbontást értünk, melyre L és U alakja a szokásos, és l ij = 0 és u ij = 0, ha (i, j) J, (A) ij = (LU) ij (i, j) / J 54. Írja le az ILU-felbontás algoritmusát (L, U és Q előállításának felírása)! Ã := A k. lépésben: (.) Szétbontás: Ã k = P k Q k alakú, ahol (P k ) ik = 0 (i, k) J (P k ) kj = 0 (k, j) J (Q k ) ik = ã (k) ik (Q k ) kj = ã (k) kj (i, k) J (k, j) J (.) Elimináció: Ã k+ = L k P k A = P Q alakot állítunk elő. Az ILU felbontással kapott részmátrixokból: U = Ãn, L = L... L n és Q = Q +Q + +Q k, ekkor A = LU Q (P = LU). 55. Adjon elégséges feltételt az ILU-felbontás létezésére és egyértelműségére! Ha A szigorúan diagonálisan domináns a soraira, akkor az ILU-felbontás elvégezhető és egyértelmű. 56. Vezesse le az ILU-algoritmust! A reziduum vektor bevezetésével írja fel a gyakorlatban használt alakot is! x (k+) = P Qx (k) + P b r (0) := b Ax (0) k = 0,... leállásig 8
9 Px (k) = r (k) x (k+) := x (k) + s (k) r (k+) := r (k) + As (k) 57. Írja le a Bolzano-tételt! f C[a, b], f(a)f(b) < 0 x (a, b) : f(x ) = Írja le az intervallum-felezés algoritmusát és hibabecslését! Algoritmus x 0 := a, y 0 := b k. lépésben: s k := x k + y k f(s k )f(x k ) < 0 x k+ := x k, y k+ := s k f(s k )f(x k ) > 0 x k+ := s k, y k+ := y k f(s k )f(x k ) = 0 s k := x k + y k Hibabecslés } x k x y y k x k x k b a k s k x b a. k+ 59. Írja le a Brouwer-féle fixponttételt! φ : [a, b] [a, b] és φ C[a, b] x [a, b] : x = φ(x ) 60. Írja le a fixponttételt az [a, b] intervallumra! 6. Adjon meg elégséges feltételt a kontrakcióra! 6. Definiálja a konvergencia rend fogalmát! 63. Írja le az m-ed rendű konvergenciára vonatkozó tételt! 64. Vezesse le a Newton-módszer képletét! 9
Numerikus módszerek beugró kérdések
1. Definiálja a gépi számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját. (4 pont) Az alakú számot normalizált lebegőpontos számnak nevezik, ha Ahol,,,. Jelöl:
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. Tantárgy kódja: IP-08bNM1E, IP-08bNM1G (2+2) Az elsajátítandó ismeretanyag rövid leírása: A lebegıpontos számábrázolás egy modellje. A hibaszámítás elemei. Lineáris egyenletrendszerek
RészletesebbenNUMERIKUS MÓDSZEREK I. TÉTELEK
NUMERIKUS MÓDSZEREK I. TÉTELEK Szerkesztette: Balogh Tamás 014. január 19. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenTétel: Ha,, akkor az ábrázolt szám hibája:
1. A lebegpontos számábrázolás egy modellje. A normalizált lebegpontos szám fogalma, a legnagyobb, legkisebb pozitív szám, a relatív pontosság az M(t,-k,+k) gépi számhalmazban. Az input függvény (fl) fogalma,
Részletesebbenalakú számot normalizált lebegőpontos számnak nevezik, ha ,, és. ( : mantissza, : mantissza hossza, : karakterisztika) Jelölés: Gépi számhalmaz:
1. A lebegőpontos számábrázolás egy modellje. A normalizált lebegőpontos szám fogalma, a legnagyobb, legkisebb pozitív szám, a relatív pontosság az M(t,-k,+k) gépi számhalmazban. Az input függvény (fl)
RészletesebbenTáblán. Numerikus módszerek 1. előadás (estis), 2017/2018 ősz. Lócsi Levente. Frissült: december 1.
Táblán Numerikus módszerek 1. előadás (estis), 2017/2018 ősz Lócsi Levente Frissült: 2017. december 1. Ebben az írásban a 2017/2018 őszi félév estis Numerikus módszerek 1. előadásának a diasorban nem szereplő,
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások
Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 9. előadás: Paraméteres iterációk, relaxációs módszerek Lócsi Levente ELTE IK Tartalomjegyzék 1 A Richardson-iteráció 2 Relaxált Jacobi-iteráció 3 Relaxált Gauss Seidel-iteráció
RészletesebbenNumerikus matematika vizsga
1. Az a = 2, t = 4, k = 3, k + = 2 számábrázolási jellemzők mellett hány pozitív, normalizált lebegőpontos szám ábrázolható? Adja meg a legnagyobb ábrázolható számot! Mi lesz a 0.8-hoz rendelt lebegőpontos
RészletesebbenNumerikus Analízis. Király Balázs 2014.
Numerikus Analízis Király Balázs 2014. 2 Tartalomjegyzék 1. A hibaszámítás elemei 7 1.1. A matematika modellezés folyamata és a hibaforrások megjelenése.. 7 1.2. Lebegőpontos számábrázolás.......................
RészletesebbenNUMERIKUS MÓDSZEREK PÉLDATÁR
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR NUMERIKUS MÓDSZEREK PÉLDATÁR Bozsik József, Krebsz Anna Budapest, Tartalomjegyzék Előszó................................................ VEKTOR- ÉS MÁTRIXNORMÁK,
RészletesebbenNumerikus matematika. Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, Lebegőpontos számok
Numerikus matematika Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, 2007 Lebegőpontos számok Normák, kondíciószámok Lineáris egyenletrendszerek Legkisebb négyzetes
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. március 17. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
Részletesebben1 Lebegőpontos számábrázolás
Tartalom 1 Lebegőpontos számábrázolás... 2 2 Vektornormák... 4 3 Indukált mátrixnormák és tulajdonságaik... 5 4 A lineáris rendszer jobboldala hibás... 6 5 A kondíciószám és tulajdonságai... 7 6 Perturbációs
RészletesebbenGyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi
Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 10. előadás: Nemlineáris egyenletek numerikus megoldása Lócsi Levente ELTE IK 2013. november 18. Tartalomjegyzék 1 Bolzano-tétel, intervallumfelezés 2 Fixponttételek, egyszerű iterációk
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat, 2009/10. I. félév, A. csoport, MEGOLDÁSOK
Numerikus módszerek I. zárthelyi dolgozat, 9/. I. félév, A. csoport, MEGOLDÁSOK. Feladat. Az a. választás mellett A /( a) értéke.486. Határozzuk meg mi is A értékét egy tizes számrendszerű, hatjegyű mantisszás
RészletesebbenEötvös Loránd Tudományegyetem Természettudományi Kar
Eötvös Loránd Tudományegyetem Természettudományi Kar Alapvető iterációs eljárások lineáris egyenletrendszerek megoldására Szakdolgozat Ruzsics László Matematika B.Sc., elemző szakirány Témavezető: Kurics
RészletesebbenNumerikus módszerek példatár
Numerikus módszerek példatár Faragó István, Fekete Imre, Horváth Róbert 2013. július 5. Tartalomjegyzék Előszó 2 Feladatok 4 1. Előismeretek 4 1.1. Képletek, összefüggések............................ 4
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
RészletesebbenNumerikus Analízis I.
Numerikus Analízis I. Sövegjártó András Jegyzet másodéves programozó és programtervező matematikus szakos hallgatóknak 2003. ,,A sikerhez és tudáshoz vezető út senki előtt sincs zárva, akiben van bátorság
RészletesebbenLineáris algebrai egyenletrendszerek direkt és iterációs megoldási módszerei
Eötvös Loránd Tudományegyetem Természettudományi Kar Lineáris algebrai egyenletrendszerek direkt és iterációs megoldási módszerei BSc Szakdolgozat Készítette: Laki Annamária Matematika BSc Matematikai
RészletesebbenNUMERIKUS MÓDSZEREK PÉLDATÁR
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR NUMERIKUS MÓDSZEREK PÉLDATÁR Bozsik József, Krebsz Anna Budapest, Tartalomjegyzék Előszó................................................ GÉPI SZÁMÁBRÁZOLÁS
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
RészletesebbenMátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 3. előadás: Mátrixok LU-felbontása Lócsi Levente ELTE IK 2013. szeptember 23. Tartalomjegyzék 1 Alsó háromszögmátrixok és Gauss-elimináció 2 Háromszögmátrixokról 3 LU-felbontás Gauss-eliminációval
RészletesebbenMODELLEK ÉS ALGORITMUSOK ELŐADÁS
MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenNUMERIKUS MÓDSZEREK PÉLDATÁR
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR NUMERIKUS MÓDSZEREK PÉLDATÁR Bozsik József, Krebsz Anna Budapest, Tartalomjegyzék Előszó............................................... 6. GÉPI SZÁMÁBRÁZOLÁS
RészletesebbenGauss-eliminációval, Cholesky felbontás, QR felbontás
Közelítő és szimbolikus számítások 4. gyakorlat Mátrix invertálás Gauss-eliminációval, Cholesky felbontás, QR felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei
Részletesebben6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján
Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei
RészletesebbenBevezetés az algebrába 2 Vektor- és mátrixnorma
Bevezetés az algebrába 2 Vektor- és mátrixnorma Wettl Ferenc Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M 2016.
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
RészletesebbenTartalomjegyzék 1 BEVEZETÉS 2
Tartalomjegyzék BEVEZETÉS FELADATOK. Lebegőpontos számok.............................. Normák, kondíciószámok........................... 5. Lineáris egyenletredszerek megoldása, mátrixok felbontása........
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
RészletesebbenNumerikus módszerek példatár
Numerikus módszerek példatár Faragó István, Fekete Imre, Horváth Róbert 2013. június Tartalomjegyzék El szó 5 Feladatok 9 1. El ismeretek 9 1.1. Képletek, összefüggések............................ 9 1.2.
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenLineáris algebra numerikus módszerei
Hermite interpoláció Tegyük fel, hogy az x 0, x 1,..., x k [a, b] különböző alappontok (k n), továbbá m 0, m 1,..., m k N multiplicitások úgy, hogy Legyenek adottak k m i = n + 1. i=0 f (j) (x i ) = y
RészletesebbenA fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
RészletesebbenBoros Zoltán február
Többváltozós függvények differenciál- és integrálszámítása (2 3. előadás) Boros Zoltán 209. február 9 26.. Vektorváltozós függvények differenciálhatósága és iránymenti deriváltjai A továbbiakban D R n
RészletesebbenLNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei
Legkisebb négyzetek módszere, folytonos eset Folytonos eset Legyen f C[a, b]és h(x) = a 1 φ 1 (x) + a 2 φ 2 (x) +... + a n φ n (x). Ekkor tehát az n 2 F (a 1,..., a n ) = f a i φ i = = b a i=1 f (x) 2
RészletesebbenA CSOPORT 4 PONTOS: 1. A
A CSOPORT 4 PONTOS:. A szám: pí= 3,459265, becslése: 3,4626 abszolút hiba: A szám és a becslés özti ülönbség abszolút értée Pl.: 0.000033 Relatív hiba: Az abszolút hiba osztva a szám abszolút értéével
Részletesebben1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba
Hibaforrások Hiba A feladatok megoldása során különféle hibaforrásokkal találkozunk: Modellhiba, amikor a valóságnak egy közelítését használjuk a feladat matematikai alakjának felírásához. (Pl. egy fizikai
RészletesebbenNormák, kondíciószám
Normák, kondíciószám A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris egyenletrendszerek Nagyon sok probléma közvetlenül lineáris egyenletrendszer megoldásával kezelhetı Sok numerikus
RészletesebbenLINEÁRIS ALGEBRAI EGYENLETRENDSZEREK
EÖTVÖS LORÁND TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR LINEÁRIS ALGEBRAI EGYENLETRENDSZEREK DIREKT ÉS ITERATÍV MEGOLDÁSI MÓDSZEREI BSc szakdolgozat Készítette: Várhegyi Bence Matematika BSc Matematikai elemző
RészletesebbenAnalízis. 1. fejezet Normált-, Banach- és Hilbert-terek. 1. Definíció. (K n,, ) vektortér, ha X, Y, Z K n és a, b K esetén
1. fejezet Analízis 1.1. Normált-, Banach- és Hilbert-terek. Zártés teljes ortonormált rendszer. Fourier-sor. Riesz-Fischer tétel Hilbert-térben. Szeparábilis Hilbert terek izomorfiája. 1.1.1. Normált-,
RészletesebbenTárgymutató I Címszavak jegyzéke
9. Tárgymutató I 9.1. Címszavak jegyzéke adaptív integrációs módszer, 350 Aitken-féle eljárás, 350 Aitken Neville-eljárás, 324 alappontok, 250, 334 szabálytalanul elhelyezkedő, 317 algoritmus, 17 abszolút,
RészletesebbenModellek és Algoritmusok - 2.ZH Elmélet
Modellek és Algoritmusok - 2.ZH Elmélet Ha hibát elírást találsz kérlek jelezd: sellei_m@hotmail.com A fríss/javított változat elérhet : people.inf.elte.hu/semsaai/modalg/ 2.ZH Számonkérés: 3.EA-tól(DE-ek)
Részletesebben2. előadás. Lineáris algebra numerikus módszerei. Mátrixok Mátrixműveletek Speciális mátrixok, vektorok Norma
Mátrixok Definíció Az m n típusú (méretű) valós A mátrixon valós a ij számok alábbi táblázatát értjük: a 11 a 12... a 1j... a 1n.......... A = a i1 a i2... a ij... a in........... a m1 a m2... a mj...
RészletesebbenSzinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35
Szinguláris értékek Wettl Ferenc 2016. április 12. Wettl Ferenc Szinguláris értékek 2016. április 12. 1 / 35 Tartalom 1 Szinguláris érték 2 Norma 3 Mátrixnorma 4 Alkalmazások Wettl Ferenc Szinguláris értékek
RészletesebbenÖsszeállította: dr. Leitold Adrien egyetemi docens
Skaláris szorzat az R n vektortérben Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. 1 Vektorok skaláris szorzata Két R n -beli vektor skaláris szorzata: Legyen a = (a 1,a 2,,a n ) és b
Részletesebben1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy
/. Házi feladat. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy mindig igaz. (p (( p) q)) (( p) ( q)). Igazoljuk, hogy minden A, B és C halmazra A \ (B C) = (A \ B) (A \ C) teljesül.
Részletesebben1. Mit jelent az, hogy egy W R n részhalmaz altér?
Az informatikus lineáris algebra dolgozat B részének lehetséges kérdései Az alábbi listában azok a definíciók és állítások, tételek szerepelnek, melyeket a vizsgadolgozat B részében kérdezhetünk. A válaszoknál
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
RészletesebbenProblémás regressziók
Universitas Eotvos Nominata 74 203-4 - II Problémás regressziók A közönséges (OLS) és a súlyozott (WLS) legkisebb négyzetes lineáris regresszió egy p- változós lineáris egyenletrendszer megoldása. Az egyenletrendszer
RészletesebbenDiszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.
1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 11. előadás: A Newton-módszer és társai Lócsi Levente ELTE IK 2013. november 25. Tartalomjegyzék 1 A Newton-módszer és konvergenciatételei 2 Húrmódszer és szelőmódszer 3 Általánosítás
RészletesebbenFeladatok a Gazdasági matematika II. tárgy gyakorlataihoz
Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb
RészletesebbenBevezetés az algebrába 2
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc
RészletesebbenLineáris algebra és mátrixok alkalmazásai
EÖTVÖS LORÁND TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR Lineáris algebra és mátrixok alkalmazásai Szakdolgozat Készítette: Ruzsányi Orsolya Matematika BSc, matematikai elemző szakirány Témavezető: Fialowski
RészletesebbenLineáris algebrai egyenletrendszerek iteratív megoldási módszerei
Eötvös Loránd Tudományegyetem Természettudományi kar Lineáris algebrai egyenletrendszerek iteratív megoldási módszerei Szakdolgozat Készítette: Kis Ágnes Matematika Bsc. Matematikai elemző szakirány Témavezető:
RészletesebbenVektorok, mátrixok, lineáris egyenletrendszerek
a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.
RészletesebbenBevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek
Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenOrtogonalizáció. Wettl Ferenc Wettl Ferenc Ortogonalizáció / 41
Ortogonalizáció Wettl Ferenc 2016-03-22 Wettl Ferenc Ortogonalizáció 2016-03-22 1 / 41 Tartalom 1 Ortonormált bázis 2 Ortogonális mátrix 3 Ortogonalizáció 4 QR-felbontás 5 Komplex skaláris szorzás 6 Diszkrét
RészletesebbenMetrikus terek, többváltozós függvények
Metrikus terek, többváltozós függvények 2003.10.15 Készítette: Dr. Toledo Rodolfo és Dr. Blahota István 1. Metrikus terek, metrika tulajdonságai 1.1. A valós, komplex, racionális, természetes és egész
RészletesebbenKÖZELÍTŐ ÉS SZIMBOLIKUS SZÁMÍTÁSOK FELADATGYŰJTEMÉNY
Írta: MIHÁLYKÓ CSABA VIRÁGH JÁNOS KÖZELÍTŐ ÉS SZIMBOLIKUS SZÁMÍTÁSOK FELADATGYŰJTEMÉNY Egyetemi tananyag 2011 COPYRIGHT: 2011 2016, Dr. Mihálykó Csaba, Pannon Egyetem Műszaki Informatikai Kar Matematika
RészletesebbenNumerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4
Numerikus módszerek II. zárthelyi dolgozat, megoldások, 204/5. I. félév, A. csoport. Feladat. (6p) Alkalmas módon választva egy Givens-forgatást, határozzuk meg az A mátrix QR-felbontását! Oldjuk meg ennek
RészletesebbenA KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek
10. gyakorlat Mátrixok sajátértékei és sajátvektorai Azt mondjuk, hogy az A M n mátrixnak a λ IR szám a sajátértéke, ha létezik olyan x IR n, x 0 vektor, amelyre Ax = λx. Ekkor az x vektort az A mátrix
RészletesebbenSorozatok. 5. előadás. Farkas István. DE ATC Gazdaságelemzési és Statisztikai Tanszék. Sorozatok p. 1/2
Sorozatok 5. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Sorozatok p. 1/2 A sorozat definíciója Definíció. A természetes számok halmazán értelmezett valós értékű a: N R függvényt
RészletesebbenAnalízis I. beugró vizsgakérdések
Analízis I. beugró vizsgakérdések Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v1.7 Forrás: Dr. Weisz Ferenc: Prog. Mat. 2006-2007 definíciók
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
RészletesebbenExplicit hibabecslés Maxwell-egyenletek numerikus megoldásához
Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához Izsák Ferenc 2007. szeptember 17. Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához 1 Vázlat Bevezetés: a vizsgált egyenlet,
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
RészletesebbenGyakorló feladatok I.
Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,
RészletesebbenSzemidenit optimalizálás és az S-lemma
Szemidenit optimalizálás és az S-lemma Pólik Imre SAS Institute, USA BME Optimalizálás szeminárium 2011. október 6. Outline 1 Egyenl tlenségrendszerek megoldhatósága 2 Az S-lemma 3 Szemidenit kapcsolatok
RészletesebbenGauss elimináció, LU felbontás
Közelítő és szimbolikus számítások 3. gyakorlat Gauss elimináció, LU felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 EGYENLETRENDSZEREK 1. Egyenletrendszerek
RészletesebbenANALÍZIS II. TÉTELBIZONYÍTÁSOK ÍRÁSBELI VIZSGÁRA
ANALÍZIS II. TÉTELBIZONYÍTÁSOK ÍRÁSBELI VIZSGÁRA Szerkesztette: Blogh Tmás 2013. jnuár 16. H hibát tlálsz, kérlek jelezd info@bloghtms.hu e-mil címen! Ez Mű Cretive Commons Nevezd meg! - Ne dd el! - Így
RészletesebbenDeterminánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony.
Determinánsok A determináns fogalma olyan algebrai segédeszköz, amellyel jól jellemezhető a mátrixok invertálhatósága, a mátrix rangja. Segítségével lineáris egyenletrendszerek megoldhatósága dönthető
RészletesebbenAnalízis II. Analízis II. Beugrók. Készítette: Szánthó József. kiezafiu kukac gmail.com. 2009/ félév
Analízis II. Analízis II. Beugrók Készítette: Szánthó József kiezafiu kukac gmail.com 2009/20 10 1.félév Analízis II. Beugrók Függvények folytonossága: 1. Mikor nevez egy függvényt egyenletesen folytonosnak?
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
RészletesebbenMérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik
Mérhetőség, σ-algebrák, Lebesgue Stieltjes-integrál, véletlen változók és eloszlásfüggvényeik Az A halmazrendszer σ-algebra az Ω alaphalmazon, ha Ω A; A A A c A; A i A, i N, i N A i A. Az A halmazrendszer
RészletesebbenMATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga
BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR MATE-INFO UBB verseny, 218. március 25. MATEMATIKA írásbeli vizsga FONTOS TUDNIVALÓK: 1 A feleletválasztós feladatok,,a rész esetén
Részletesebben10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak
10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:
RészletesebbenLineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31
Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenFeladat: megoldani az alábbi egyenletrendszert: A x = b,
Gauss Jordan-elimináció Feladat: megoldani az alábbi egyenletrendszert: ahol A négyzetes mátrix. A x = b, A Gauss Jordan-elimináció tulajdonképpen az általános iskolában tanult módszer lineáris egyenletrendszerek
RészletesebbenLineáris algebra numerikus módszerei
Bevezetés Szükségünk van a komplex elemű mátrixok és vektorok bevezetésére. A komplex elemű n-dimenziós oszlopvektorok halmazát C n -el jelöljük. Hasonlóképpen az m n méretű komplex elemű mátrixok halmazát
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RészletesebbenSzalai Eszter. Mátrix felbontások és alkalmazásaik
Eötvös Loránd Tudományegyetem Matematika Intézet Szalai Eszter Mátrix felbontások és alkalmazásaik BSc szakdolgozat Témavezet : Dr. Gergó Lajos ELTE Numerikus Analízis Tanszék Budapest 2016. Köszönetnyilvánítás
Részletesebbeni=1 λ iv i = 0 előállítása, melynél valamelyik λ i
Az informatikus lineáris algebra dolgozat C részének lehetséges kérdései Az alábbi listában azok az állítások, tételek szerepelnek, melyeket a vizsgadolgozat C részében kérdezhetünk. Azok érnek 6 pontot,
Részletesebben9. gyakorlat Lineáris egyenletrendszerek megoldási módszerei folyt. Néhány kiegészítés a Gauss- és a Gauss Jordan-eliminációhoz
9. gyakorlat Lineáris egyenletrendszerek megoldási módszerei folyt. Néhány kiegészítés a Gauss- és a Gauss Jordan-eliminációhoz. Mindkét eliminációs módszer műveletigénye sokkal kisebb, mint a Cramer-szabályé:
Részletesebben10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
Részletesebben