Numerikus Analízis I.
|
|
- Júlia Siposné
- 5 évvel ezelőtt
- Látták:
Átírás
1 Numerikus Analízis I. Sövegjártó András Jegyzet másodéves programozó és programtervező matematikus szakos hallgatóknak 2003.
2 ,,A sikerhez és tudáshoz vezető út senki előtt sincs zárva, akiben van bátorság és elszántság, hogy változzék, nyitottság, hogy mások tapasztalataiból tanuljon és állhatatosság, hogy gyakorlással elsajátítsa a sikeres cselekvés technikáját. ELŐSZÓ A numerikus analízis 1. az úgynevezett konstruktív matematika nagy fejezete, 2. a matematikai modellezés folyamatának fontos része. 1. Az alkalmazott matematikában leggyakrabban nem elégszünk meg azzal, hogy tudjuk (belátjuk, a vizsgált problémának létezik megoldása, hanem meg is akarjuk annak számszerű értékét határozni, ez pedig kétféle módon lehetséges: vagy véges sok lépésben elvileg a pontos megoldást (számítási, kerekítési hibáktól eltekintve, vagy egy általunk előre megadott pontossággal, úgynevezett közelítő megoldások (elvileg végtelen sorozatával. 2. A matematikai modellezés egy több lépésből álló (körfolyamat. A valóság egy részét vizsgálva, igyekezvén a jelenséget matematikailag leírni, elkészítjük annak egy lehetséges matematikai modelljét. Ez egyenletek és úgynevezett bemenő adatok (paraméterek rendszere. (A numerikus analízisben mi már kész, adott matematikai modelleket vizsgálunk. Sajnos, leggyakrabban a modellnek a pontos megoldása nem állítható elő úgynevezett analitikai eszközökkel véges sok lépésben. Ilyenkor numerikus módszerekre van szükség. (Egyszerű példa a 2 kiszámítása. A numerikus módszer kidolgozása után annak programozása és a programkód tesztelése következik, majd a konkrét számítások elvégzése. A két utolsó lépése a matematikai modellezésnek a számítások, eredmények analízise, és az eredményeknek másokkal könnyen közölhető formában való megjelenítése (esetleg vizualizálása rajzok, képek formájában. Tengernyi számadatból a megoldást értelmezni kell tudni. Gyakran, az eredmények analízise során kiderül, hogy a kapott eredmény nem felel meg a valóságnak (pl. a kísérleti eredményeknek, vagy annak, ami várható lett volna. Ilyenkor a modellezést újra elölről kell kezdeni. A modell finomításával, a jelenség pontosabb leírásával a lépéseket újra meg kell ismételni. Ebben a (körfolyamatban a numerikus analízis feladata numerikus módszerek kidolgozása és tanulmányozása. A számítógépek megjelenésével olyan feladatok megoldása is lehetővé vált, amelyekre korábban gondolni sem lehetett. Ilyenek például az időjárás előrejelzése, űrkutatási és komplex műszaki feladatok megoldása stb. Ha nyomon követjük a matematika fejlődésének történetét, azt láthatjuk, hogy a nagy matematikusok, természettudósok szinte mindegyike foglalkozott numerikus módszerek kidolgozásával is, hogy konkrét számítási eredményeket is kapjanak. Nevezetes példa erre Newton, akinek a fizikában, matematikában és numerikus módszerek területén elért eredményei is csodálatra méltóak! De megemlíthetnénk hasonló okból Gausst is.
3 2020-ra a számítógépek műveleti sebessége elérheti az emberi agy műveleti sebességét, azaz húsz millió milliárd ops-ot ( művelet per sec-ot. Ez a tény a numerikus módszerek kidolgozásának és alkalmazásainak kérdését is új megvilágításba helyezi és újabb problémákat is vet fel a kutatásban a hatékony algoritmusokkal kapcsoaltban. De ez már a jövő és a fiatal nemzedék feladata lesz. A numerikus módszerekkel való ismerkedés első lépéseként ajánljuk a jegyzet anyagát a másodéves programozó és programtervező matematikus hallgatóknak, és nem utolsósorban mindazoknak, akiket a tárgy érdekel. Kívánjuk, hogy a matematikával való foglalatosság nagy örömet nyújtson (és az sem baj, ha hasznot is! Ezúton szeretnék köszönetet mondani Sipos Boglárkának, aki a jegyzet megírásának fáradtságos munkáját vállalta. Nélküle, lelkes hozzáállása és munkája nélkül az anyag nem készült volna el. Budapest, szeptember 1. Sövegjártó András E kötet a programtervező matematikus szak nappali tagozatán a 2002/2003-as tanévben elhangzott I. félévi, Dr. Sövegjártó András egyetemi docens által tartott numerikus analízis előadássorozat alapján készült, kiegészítésekkel, Donald E. Knuth TEX szövegszedő rendszerével. Eötvös Loránd Tudományegyetem Informatikai Kar, 2003.
4 Tartalomjegyzék 1. HIBÁK A MATEMATIKAI MODELLEZÉS FOLYAMATÁBAN SZÁMÁBRÁZOLÁS TETSZŐLEGES B BÁZISBAN Fixpontos ábrázolás : Lebegőpontos ábrázolás : LEBEGŐPONTOS ARITMETIKA MŰVELETEK HIBÁI Összeg abszolút és relatív hibája, hibakorlátja Különbség abszolút és relatív hibája, hibakorlátja Szorzat abszolút és relatív hibája, hibakorlátja Hányados abszolút és relatív hibája, hibakorlátja LINEÁRIS EGYENLETRENDSZEREK DIREKT MEGOLDÁSI MÓDSZEREI GAUSS - ELIMINÁCIÓ A Gauss - elimináció műveletigénye GAUSS - JORDAN ELIMINÁCIÓ A Gauss - Jordan elimináció műveletigénye LU - FELBONTÁS (TRIANGULÁRIS FELBONTÁS Az LU - felbontás műveletigénye SÁVMÁTRIXOK, TRIDIAGONÁLIS MÁTRIXOK SCHUR - KOMPLEMENTER PASSAGE (PROGONKA MÓDSZER VAGY RÖVIDÍTETT GAUSS - ALGORIT- MUS TRIDIAGONÁLIS MÁTRIXÚ EGYENLETRENDSZERRE Az algoritmus stabilitása SZIMMETRIKUS POZITÍV DEFINIT MÁTRIXOK CHOLESKY FELBONTÁSA Az L n mátrix l ij elemeinek meghatározása Egyenletrendszer megoldása Cholesky felbontással szimmetrikus mátrixra HOUSEHOLDER (QR FELBONTÁS A Householder - algoritmus A Householder - algoritmus alkalmazása A Householder - algoritmus műveletigénye A = A 0 szimmetrikus mátrix tridiagonális alakra való transzformációja Householder módszerével VEKTORNORMÁK, MÁTRIXNORMÁK VEKTORNORMÁK MÁTRIXNORMÁK Korlátok a normákra LINEÁRIS EGYENLETRENDSZEREK PERTURBÁCIÓJA A JOBB OLDAL HIBÁJÁNAK (PERTURBÁCIÓJÁNAK HATÁSA AZ A MÁTRIX PERTURBÁCIÓJÁNAK HATÁSA LINEÁRIS EGYENLETRENDSZEREK ITERÁCIÓS MEGOLDÁSI MÓDSZEREI KONVERGENCIA HIBABECSLÉS JACOBI ITERÁCIÓ Konvergencia kritérium GAUSS - SEIDEL ITERÁCIÓ Konvergencia kritérium
5 5.5. RELAXÁCIÓS MÓDSZEREK Jacobi relaxáció Gauss - Seidel relaxáció KÉTRÉTEGŰ ITERÁCIÓS ELJÁRÁSOK Tompított Jacobi módszer A kerekítési hibák hatása az iterációs eljárásokra NEMLINEÁRIS EGYENLETEK ITERÁCIÓS MEGOLDÁSI MÓDSZEREI KONVERGENCIA HIBABECSLÉS Az egyszerű iteráció konvergenciasebessége NEWTON - MÓDSZER (ITERÁCIÓ SZELŐ MÓDSZER MÓDOSÍTOTT NEWTON - MÓDSZER KONVERGENCIAGYORSÍTÁS : AITKEN TRANSZFORMÁCIÓ (AITKEN 2 MÓDSZERE AITKEN - STEFFENSEN TRANSZFORMÁCIÓ BECSLÉS POLINOM GYÖKEINEK ELHELYEZKEDÉSÉRE NEWTON - MÓDSZER POLINOMOKRA NEMLINEÁRIS EGYENLETRENDSZEREK ITERÁCIÓS MEGOLDÁSI MÓDSZEREI NEWTON - MÓDSZER MÓDOSÍTOTT NEWTON - MÓDSZER SAJÁTÉRTÉKFELADATOK SAJÁTÉRTÉKEK LOKALIZÁCIÓJA HATVÁNY - MÓDSZER LEGNAGYOBB ABSZOLÚTÉRTÉKŰ SAJÁTÉRTÉK MEGHATÁROZÁSÁRA JACOBI MÓDSZERE SZIMMETRIKUS (VALÓS MÁTRIX SAJÁTÉRTÉKEINEK, SAJÁTVEKTORAINAK MEGHATÁROZÁSÁRA SZIMMETRIKUS TRIDIAGONÁLIS MÁTRIX SAJÁTÉRTÉKÉNEK MEGHATÁROZÁSA RANGSZÁMCSÖKKENTÉS
6 numerikus analízis i HIBÁK A MATEMATIKAI MODELLEZÉS FOLYAMATÁBAN I. Öröklött hibák 1. A matematikai modell hibája 2. A bemenő adatok hibája } Ezek a további számításokból nem kiküszöbölhetők, öröklődnek. II. Numerikus módszer hibája 1. Diszkretizációs hiba 2. Approximációs hiba 3. Képlet hiba III. Számítási hiba 1. Kerekítési hiba 2. Emberi, gépi tévedés Természetes követelmény, hogy az előző hibák összemérhetők legyenek az utolsóval (kerekítési hibával. Definíció : Numerikus algoritmus: Aritmetikai és logikai műveletek sorozata. Definíció : Numerikus matematika: Numerikus módszerek és algoritmusok elmélete. A numerikus módszer, algoritmus közelítő megoldást ad! Természetes követelmény, hogy az algoritmus adott ε pontosságot véges sok lépésben rövid idő alatt érjen el. Stabil az algoritmus, ha a bemenő adatok kis változtatása a megoldásban is csak kis változtatást okoz, azaz, ha a számolás során a számítási hibák nem nőnek jelentősen. Példák instabil algoritmusokra: (1 b 0 = 1, b 1 = 5 1 2, b n+1 = b n 1 b n (2 I 0 = ln 6 5, I n = 5 I n n
7 numerikus analízis i SZÁMÁBRÁZOLÁS TETSZŐLEGES B BÁZISBAN Tétel Legyen 2 B Z, 0 x R. Ekkor x mindig előállítható a következő alakban: ( x = σb k x n B n n=1 ahol σ { 1, 1 }, k N és x n { 0, 1,..., B 1 }. Ez az előállítás egyértelmű is, ha x 1 0 (úgy is mondjuk, hogy az x 1 számjegy normált és ha N N - re n N úgy, hogy ( x n B 1. Megjegyzés : 1. Tehát a B bázisban az x szám alakja: x = σb k 0.x 1 x 2 x Általában: B = 2, 8, 10, 16. Mivel a számítógépen ábrázolható számok halmaza véges, így alakjuk ( helyett a következő lesz: t (1 x = σb k x n B n n=1 ahol t N fix t m := x n B n neve: mantissza, n=1 t : a mantissza hossza, σ : az x szám előjele és k : az x szám kitevője (exponense, karakterisztikája.
8 numerikus analízis i Fixpontos ábrázolás : ( - ban k rögzített és x 1 = 0 is megengedett. Példa : k = 0 esetén ( a 0 x 1 számokat adja. k = t esetén azon x egészeket kapjuk, amelyekre x B t 1. Ez tudományos számításokra nem alkalmas a fizikai állandók nagyságrendjének nagy különbözősége miatt. (Pl.: m el = g, c = cm/sec Lebegőpontos ábrázolás : ( - ban a t > 0 mantissza hossza fix, és az exponensre alsó és felső korlát adott: k k k + (k, k + Z, k < 0, k + > 0 Az így ábrázolható számok halmaza: B k 1 x < B k +. Ha x < B k 1, akkor nullával veszi a számítógép. A B k + - nál nagyobb számok nem kezelhetők: exponenciális túlcsordulás. ε 0 := B k 1 a nullához legközelebbi szám. (Ugyanis (1 - ben x 1 = 1. Megjegyzés : Legtöbb számítógépen a B bázis 2 hatvány. B = 2 bináris rendszer. Hátránya, hogy nagy k, k + számokat kell választani kellően nagy számhalmaz ábrázolásához. B = 8, 16 oktális, hexadecimális rendszerek. Ezeknél minden x n jegy bináris ábrázolására 3 illetve 4 bit szükséges.
9 numerikus analízis i. 9 Decimális számrendszer esetén : t = 8 t = 16 egyszeres pontosság, dupla pontosság mellett. Az (1 számok tárolása számítógépen: [ ±, k, x 1,..., x t ] A géptől és a pontosságtól függően az m := (x 1,..., x t mantissza tárolására 4, 8, 16 byte adott. Ezzel párhuzamosan nő k értékkészlete. Mivel k k k +, a legnagyobb ábrázolható szám : a legkisebb : M := B k+ M. t n=1 B 1 B n = B k + ( 1 B t, TEHÁT : A lebegőpontos számok a [ M, M ] intervallumbeli racionális számok diszkrét halmaza, ami a nullára szimmetrikus. Így a nullán kívül ( ε 0, ε 0 intervallumban nincs más lebegőpontos szám. A 0 ábrázolása: [ +, 0, 0,..., 0 ]. Az ε 0 - hoz legközelebbi pozitív lebegőpontos szám: ( 1 B k B + 1 B t = ε 0 + B k t ( = ε B 1 t és ε 0 B 1 t ε 0 Az 1 mindig lebegőpontos szám, ugyanis 1 = [ +, 1, 1, 0,..., 0 ]. Az 1 utáni lebegőpontos szám: [ +, 1, 1, 0,..., 1 ] = 1 + ε 1, ahol ε 1 := B 1 t. ε 1 a gép relatív pontossága; gépi epszilon.
10 numerikus analízis i. 10 Példa : Legyen B = 16 = 2 4. Egyszeres pontosságú lebegőpontos számok ábrázolására 32 bit = 4 byte hozzáférhető. 1 bit az úgynevezett előjelbit, 7 bit van az exponens számára. E 7 biten tárolódik a k exponens, amire k = 64, k + = 63. Így 0 k = számok tároltak. A fennmaradó 3 byte-on t = 6 db hexadecimális jegy tárolható. Legyen x = = = 16 2 ( ami a következő módon tárolódik: A dupla pontosságú lebegőpontos számábrázolásra 8 byte áll rendelkezésre. 7 byte a mantissza t = LEBEGŐPONTOS ARITMETIKA Minden x valós számot gépen x véges előállításával reprezentálunk. Ezt a folyamatot kerekítésnek nevezzük, ami hibát okoz. Definíció : Legyen x, x R, ahol x az x approximáltja. Az x x különbséget abszolút hibának nevezzük, jele: x. Ha x 0, az x x x hányadost relatív hibának nevezzük, jele: δx. Tegyük fel, hogy minden számra és a számításokban teljesül a k k k + feltétel, azaz nincs túlcsordulás.
11 numerikus analízis i. 11 Megjegyzés : Tudományos számításoknál a megoldás nagyságrendje nagy mértékben változhat, a relatív hiba érdekes, mivel skálafüggetlen, azaz x αx, x α x,,skálázás a relatív hibát nem változtatja meg. KEREKÍTÉSI SZABÁLY : Legyen B 2 páros egész, t Z +, x R \ {0} és x ( előállítású. Ekkor az Rd t (x := t σb k x n B n ha x t+1 < B 2 n=1 ( t σb k x n B n + B t ha x t+1 B 2 n=1 számot az x t - jegyre kerekített értékének nevezzük. Megjegyzés : B = 10 bázisban ez a szokásos kerekítési szabály. Tétel t 1. Érvényes a következő előállítás: Rd t (x = σb k x nb n. n=1 2. Az abszolút hibára teljesül, hogy: Rd t (x x Bk t A relatív hibára érvényes, hogy: Rd t (x x x B t Az is igaz, hogy: Rd t (x x Rd t (x B t+1 2 (relatív hiba a kerekített értékre vonatkozóan.
12 numerikus analízis i. 12 Definíció : A τ := B t+1 2 számot a t - jegyű lebegőpontos aritmetika relatív pontosságának nevezzük. Példa : τ = < Így nincs sok értelme a bemenő és kijövő adatokat több, mint 7 jeggyel a mantisszában megadni. Duplapontos aritmetikában: τ = < KIEGYSZERŰSÖDÉS : Két közel egyenlő szám különbségének képzésekor lép fel a lebegőpontos aritmetikában. Először ugyanis az exponens azonos, de a mantissza kezdőjegyei nullává válnak. Az ezt követő normalizálásnál fontos jegyek elvesznek. (A mantissza jegyei balra tolódnak, az exponens csökken. Példa : a = = , ugyanis: 9876 = = Normalizálva : a = és itt a mantissza végén álló négy nulla értelmetlen. Példa : ax 2 + bx + c = 0 (a 0, ( x 1,2 = b ± b 2 4ac 2a Ha b 2 4ac = b 2 4ac b és így ( képlet egyik előjelre súlyos kiegyszerűsödésre vezet. Ezért először a nagyobb abszolútértékű gyököt számoljuk a következő módon: x 1 = [ b + sign (b ] b 2 4ac 2a, majd = x 1 x 2 = c a = x 2 = c ax 1. Ha b 2 4ac, akkor átrendezéssel sem kerülhető el a kiegyszerűsödés!
13 numerikus analízis i MŰVELETEK HIBÁI Legyen x, y pontos érték, a, b az x, y közelítő értékei. Definíció : Az a közelítő érték hibája: A b közelítő érték hibája: a := x a b := y b Definíció : Az a közelítő érték abszolút hibája: a = x a A b közelítő érték abszolút hibája: b = y b Definíció : Az a közelítő érték abszolút hibakorlátja minden olyan a szám, amelyre teljesül, hogy a a. Hasonlóan: b b Definíció : Az a közelítő érték relatív hibája: A b közelítő érték relatív hibája: δa := a x δb := b y a a b b Definíció : Az a közelítő érték relatív hibakorlátja minden olyan δ a szám, amelyre teljesül, hogy Hasonlóan: b b δ b a a δ a Összeg abszolút és relatív hibája, hibakorlátja (a + b hibája: (a + b = (x + y (a + b = (x a + (y b = a + b = (a + b a + b a + b ( y b = b = y = b + b Összeg abszolút hibakorlátja: (a+b = a + b Összeg relatív hibakorlátja: (a + b a + b a + b a + b = a δ a + b δ b a + b ( δ a = a a
14 numerikus analízis i Különbség abszolút és relatív hibája, hibakorlátja (a b hibája: (a b = (x y (a b = (x a (y b = a b = (a b a + b a + b Különbség abszolút hibakorlátja: (a b = a + b Különbség relatív hibakorlátja: (a b a b a + b a b = a δ a + b δ b a b Közeli számok kivonását kerülni kell! Szorzat abszolút és relatív hibája, hibakorlátja (a b hibája: (a b = xy ab = xy ay + ay ab = y(x a + a(y b = y a + a b = (b + b a + a b = = b a + a b + a b }{{} elhanyagolható = (a b b a + a b b a + a b Szorzat abszolút hibakorlátja: ab = b a + a b Szorzat relatív hibakorlátja: (a b a b b a + a b a b = a b δ a + a b δ b a b = δ a + δ b Hányados abszolút és relatív hibája, hibakorlátja ( a hibája: b ( a = x b y a b = a ( xb b ya 1 = a ( xb ya = a ( xb ab + ab ya = a ( b(x a a(y b = b ya b ya b ya = a b = a b ( b a a b a(b + b b b = a ( b 2 a b a b b b b a(b 2 2 ab b + a 2 b b a(b 2 2 a ( b 2 a b b ab 2 ab b ab 2 = ( a a b b = ( a a b b Hányados abszolút hibakorlátja: Hányados relatív hibakorlátja: a b ( a a ( a b a b = a b + b b ( a a + b b a b ( a a b a + b b a b ( a a + b b = a a + b b = δ a + δ b
15 numerikus analízis i LINEÁRIS EGYENLETRENDSZEREK DIREKT MEGOLDÁSI MÓDSZEREI Legyen (1 Ax = b Ahol A nem túl nagy rendű úgynevezett telemátrix (együttható mátrix, A R N N, ismeretlen vektor, b R N ismert vektor. x R N Tétel Cramer - szabály Ha det A 0, akkor (1 -nek! megoldása, amit a következő módon kapunk meg: x k = k Ahol det A =. Csak kis rendű mátrixok esetén célszerű alkalmazni. műveletet jelent. Nagy környezethibára vezethet. k = 1, 2,..., N. (N+1 mátrixot kell kiszámítani (N! rendű Tétel Az Ax = 0 egyenletnek x 0 megoldása det A = 0. Következmény det A 0 esetén csak triviális megodás létezik. [ Az (1 megoldása ekkor x = A 1 b ] Tétel Az (1 egyenletrendszernek! megoldása det A 0. Alapkövetelmény a megoldási módszerrel szemben: Minél kevesebb művelettel legyen meghatározható adott ε > 0 pontosságú közelítő megoldás. (Numerikus módszer hatékonysága. Definíció : Direkt módszer: Pontos adatokat feltételezve, a számításokat pontosan végezve, véges sok művelettel a pontos eredmény meghatározható (A, b - pontos bemenő adatok. Természetesen a megoldás itt is pontatlan, függ a környezethibától, azaz a géptől és a megoldási módszer numerikus stabilitásától.
16 numerikus analízis i GAUSS - ELIMINÁCIÓ Legyen (1 Ax = b det A 0, b 0 (! megoldás, ahol A - kitöltött N N - es mátrix. Legyen b i := a i, N+1. (1 a 11 x 1 + a 12 x 2 + a 13 x a 1N x N = a 1, N+1 a 21 x 1 + a 22 x 2 + a 23 x a 2N x N = a 2, N+1. a N1 x 1 + a N2 x 2 + a N3 x a NN x N = a N, N+1 Az algoritmus: 1. Tegyük fel, hogy a Adjuk (1 i - edik egyenletéhez az első egyenlet ( a i1 - szeresét = a 11 a 11 x 1 + a 12 x 2 + a 13 x a 1N x N = a 1, N+1 (1 a 22 x 2 + a (1 23 x a (1 2N x N = (1 a 2, N+1. (1 a N2 x 2 + a (1 N3 x a (1 NN x N = (1 a N, N+1 ahol: (1 a ij = a ij a i1 a 11 a 1j ( i = 2, 3,..., N j = 2, 3,..., N + 1 Ha a 11 = 0, akkor sorcserét alkalmazunk!
17 numerikus analízis i Tegyük fel, hogy (1 a Adjuk a második egyenlet (i = 3, 4,..., N = (1 a i2 - szeresét az i - edik egyenletéhez (1 a 22 a 11 x 1 + a 12 x 2 + a 13 x a 1N x N = a 1, N+1 (1 a 22 x 2 + a (1 23 x a (1 2N x N = (2 a 33 x a (2 3N x N = (1 a 2, N+1 (2 a 3, N+1. (2 a N3 x a (2 NN x N = (2 a N, N+1 ahol: (2 a ij = (1 a ij (1 a i2 (1 a 22 (1 a 2j ( i = 3, 4,..., N j = 3, 4,..., N Végül az (N edik lépés után: (N 1 a NN x N = a N 1 N,N+1. Legyen: a ij = (0 a ij ( i = 1, 2,..., N j = 1, 2,..., N + 1. Ekkor a k - adik lépésben a megváltozott együtthatók kiszámítása a következő módon történik: (2 (k a ij = (k 1 a ij (k 1 a ik (k 1 a kj (k 1 a kk k = 1,..., N 1 i = k + 1,..., N j = k + 1,..., N + 1 Így felső trianguláris mátrixot kapunk, ahol visszahelyettesítéssel az ismeretlenek kiszámolhatók: (3 x i = 1 a (i 1 i,n+1 (i 1 a ii N j=i+1 (i 1 a ij x j ( i = N, N 1,..., 1
18 numerikus analízis i A Gauss - elimináció műveletigénye A (2 - ből következik, hogy k - ra (N k osztást és (N k(n k + 1 szorzást kell végeznünk, míg a visszahelyettesítésnél i - re (3 - ból = 1 osztás és (N i szorzást kell végezni. Így a műveletigény: M G = N 1 k=1 [ ] N [ ] (N k + (N k (N k (N i M G = 1 3 N 3 + O(N 2 A visszahelyettesítés műveletigénye elhanyagolható az eliminációnál! i=1 M G = N 1 k=1 N 1 (N k k=1 (N k + N [ 1 + (N i ] = i=1 (N 1 N (2N N (N N + N (N 1 2 = 2N 3 + 3N 2 5N 6 + N 2 + N 2 = N 3 + 3N 2 N 3 = 1 3 N 3 + O(N 2 Tétel A Gauss - elimináció elvégezhető, azaz (k 1 a kk 0, k = 1,... N 1 az egyenlet mátrixának főminorai determinánsa nem nulla (bal felső sarokaldeterminánsok 0. a 11 a 1k det.. 0 a k1 a kk k = 1,..., N Bizonyítás Teljes indukcióval. Hogy a folyamat ne akadjon el, kell, hogy (k 1 a kk 0. Az első lépésben (k = 1 : [ ] a11 a (1 a 22 = a 22 a 21 a 12 = a det 12 22a 11 a 12 a 21 a 21 a 22 =, ha det [a 11 ] 0 a 11 a 11 det [a 11 ] [ ] a11 a Sőt, hogy az eljárás folytatható legyen, kell, hogy det a 21 a 22
19 numerikus analízis i. 19 Mivel sorok lineáris kombinációja a determináns értékét nem változtatja meg, azért: [ ] [ ] a11 a a11 det 12 a 12 = det a 21 a 22 0 (1 a 22 ( 0 Tegyük fel, hogy a módszer a (k 2 - edik lépésig elvégezhető, azaz (k 1 - edrendig a főminorok nem nullák (det A k 1 0. Belátjuk, hogy a (k 1 - edik lépésben (k 1 a kk 0 det A k 0. Tehát: a a 11 a 11 a 1k 1k (1 (1 a 21 a 2k det A k = det.. = det 0 a 22 a 2k =. a k1 a (k 1 kk 0 0 a kk k i=1 (i 1 a ii = (k 1 k 1 a kk Az indukciós feltétel miatt det A k 1 0, ezért (k 1 a kk 0 det A k 0. i=1 (i 1 a ii = (k 1 a kk det A k GAUSS - JORDAN ELIMINÁCIÓ Két fő dologban különbözik a Gauss - eliminációtól: 1. Minden lépésben először leosztjuk az egyenletet a megfelelő (k 1 a kk 2. Nem csak a főátló alatt, hanem felette is eliminálunk. N lépés után: együtthatóval. x 1 = x 2 =. x n = (N a 1,N+1 (N a 2,N+1 (N a N,N+1 A k - adik lépésben kapott együtthatók: (1 (k a ij = (k 1 a ij (k 1 a ik (k 1 a kk (k 1 a kj k = 1,..., N i = 1,..., N, i k j = 1,..., N + 1 Visszahelyettesíteni nem kell!
20 numerikus analízis i A Gauss - Jordan elimináció műveletigénye (1 = k - ra (N k + 1 osztás és (N k + 1(N 1 szorzás kell. Így : M = N [ ] N (N + 1 N (N k + 1+(N k + 1 (N 1 = N (N k + 1 = N 2 k=1 k=1 = 1 2 N 3 +O(N 2, ami mintegy 50%- kal több a Gauss - eliminációénál. Ezért lineáris egyenletrendszerek megoldására ezt nem célszerű használni. DE: Programozási szempontból mátrix invertálásra előnyös. Alkalmazások 1. Gauss - elimináció: egyenletrendszer megoldására telemátrix és kis rendszer (max esetén. 2. Gauss - elimináció: determináns értékének kiszámítására, ahol l - a sor- és oszlopcserék száma. det A = ( 1 l (0 a 11 (1 a (N 1 a NN 3. Gauss - Jordan elimináció: mátrix inverzének kiszámítására, Ax = e 1. Ax = e N ahol e i az i - edik egységvektor. Ax = I = x = A 1 Belátható, hogy a Gauss - elimináció alkalmazásával kapott felső mátrix alkalmas mátrix-szorzásokkal is megkapható.
21 numerikus analízis i. 21 Legyen (A b = a 11 a 1N b 1... a N1 a NN b N Ekkor a Gauss - elimináció lépései: 1. Azon r 1 index megkeresése, amelyre a r1 1 0, r 1 {1,..., N}. Az első sor cseréje az r 1 - edik sorral az (A b mátrixban. Az eredménymátrix legyen (Â b. 2. i = 2,..., N - re vonjuk ki az első sor l i1 = âi1 â 11 (Â b - ban. - szeresét az i - edik sorból Az eredménymátrix legyen (A b, azaz a 11 a 12 a 1N b 1 0 a 22 a 2N b 2 (A b = a N2 a NN b N Az (A b = (Â b = (A b transzformációk leírhatók mátrixok szorzásával is a következő módon: Az 1. - beli sorcsere az (A b mátrixnak egy permutáció mátrixszal való szorzásnak felel meg.
22 numerikus analízis i. 22 Definíció : Permutáció mátrix (N N - es : P ij := i - edik sor j - edik sor A permutáció mátrix felcseréli az i - edik és j - edik sort. P ij nem szinguláris, és belátható, hogy P 1 ij = P ij. Definíció : Frobenius mátrix (N N - es : i - edik oszlop L i := l i+1, i l N, i A Frobenius mátrix az I - től csak egy oszlopban különbözik. L i nem szinguláris. Így a Gauss - elimináció 1. lépése a következő módon írható: (A b = L 1 (Â b = L 1 P r1 1(A b
23 numerikus analízis i. 23 Állítás L 1 i = l i+1, i l N, i Bizonyítás L i - t írjuk a következő alakban: L i = I m (i ( e (i T, ahol m (i := [ 0,..., 0, l i+1 i,..., l Ni ] T (m (i oszlopvektor, e (i az i - edik egységvektor. = L i ( I + m (i e (i T = ( I m (i e (i T (I + m (i e (i T = I +m (i e (i T m (i e (i T m (i e (i T m (i e (i T = I A stabilitás miatt célszerű r 1 - et úgy választani, hogy: a r1 1 := max 1 i N a i1 A k - adik lépés után a következő mátrixot kapjuk: (A (k b (k = A (k 11 A (k 12 b (k 1 0 A (k 22 b (k 2 ahol A (k 11 Rk k egy felső mátrix. A (k edik lépésben: ( A (k+1 b (k+1 ( = L k+1 P rk k+1 A (k b (k ( és most csak az A (k 22 b(k 2 mátrix fog változni. (N 1 lépés után egy felső mátrixot R R N N és egy c R N vektort kapunk, ahol (R c = L N 1 P N 1 L N 2 P N 1... L 1 P 1 (A b
24 numerikus analízis i LU - FELBONTÁS (TRIANGULÁRIS FELBONTÁS Legyen (1 Ax = b, A R N N, det A 0 Bontsuk fel az A mátrixot két háromszögmátrix szorzatára! A = L U, ahol L = l l N 1 l N N 1 1 u 1 1 u 1 2 u 1 N U = 0 u un 1 N 0 0 u N N Ekkor (1 megoldása: LU x = b Ezt két lépésben végezhetjük: Tehát: A = L U legyen! L Ux = b }{{} y 1. Ly = b 2. Ux = y Számítsuk ki L és U elemeit! i - edik sor j - edik oszlop a 1 1 a 1 N.... a i i a ij. =... a N 1 } {{ a N N } A u 1 1 u 1 2 u 1j u 1 N l u = l i 1 l i i u i i u ij u in N... l N u N 1 N 1 u N 1 N l N 1 l N N u }{{} N N }{{} L U
25 numerikus analízis i. 25 (2 a ij = l i1 u 1j + l i2 u 2j + + l i i 1 u i 1 j + u ij, ha i j (3 a ij = l i1 u 1j + l i2 u 2j + + l i i 1 u j 1 j + l ij u jj, ha i > j Ahonnan: i = 1 - re: a 1j = u 1j j = 1,..., N, j = 1 - re: a i1 = l i1 u 11 i = 2,..., N, és amikből u 1j, l i1 elemek számolhatók, ha u i = 2 - re: a 2j = l 21 u 1j + u 2j j = 2,..., N, j = 2 - re: a i2 = l i1 u 12 + l i2 u 22 i = 3,..., N, amikből u 2j és l i2 elemek számolhatók, ha u Általánosan : i 1 (2 = u ij = a ij l ik u kj i j (j = i,..., N k=1 [ (3 = l ij = 1 a ij u jj ] j 1 l ik u kj k=1 i > j (i = j + 1,..., N Most L és U ismeretében 1. és 2. egyenletrendszer megoldása következik, az alábbi formulák alapján: Ly = b megoldása: i 1 y i = b i l ik y k (i = 1...., N k=1 majd Ux = y megoldása: [ x i = 1 y i u ii N k=i+1 u ik x k ] (i = N,..., 1
26 numerikus analízis i. 26 Tétel det A 0 LU = A felbontás } =! az LU felbontás Bizonyítás Indirekt. A = L 1 U 1 = L 2 U 2 / L 1 1 U 1 = L 1 1 L 2 U 2 / U2 1 U 1 U2 1 = L 1 1 L 2 bal oldalon felső mátrix jobb oldalon alsó mátrix Ez csak az egységmátrix lehet, azaz L 1 = L 2 és U 1 = U 2. Tétel Jelölje A k (k = 1,..., N az A mátrix k - adrendű főminorait. Ha det A k 0, k = 1,..., N, akkor! A = L U felbontás, ahol: L = l l N 1 l N N 1 1 u 1 1 u 1 2 u 1 N alsó mátrix, és U = 0 u u N 1 N 0 0 u N N felső mátrix. Bizonyítás Teljes indukcióval k - ra. k = 1 - re A = [a 11 ] = L = [ 1 ], U = [u 11 ], u 11 = a 11 Tegyük fel, hogy (k 1 - re a tétel érvényes =! felbontás, azaz A k 1 = L k 1 U k 1 Bizonyítjuk k - ra, hogy! A k = L k U k felbontás. Ehhez tekintsük az A k - t!
27 numerikus analízis i. 27 ( A k = A k 1 c T b L k 1 0, L k =, U k = m T 1 a kk U k 1 0 u kk u, ahol b, c, u, m vektorok (k 1 komponensűek. b, c ismert. A ( felírást figyelembe véve a következőknek kell teljesülniük: α. L k 1 U k 1 = A k 1 γ. m T U k 1 = c T β. L k 1 u = b δ. m T u + u kk = a kk Az indukciós feltevés miatt L k 1, U k 1 egyértelműen meghatározottak (α. det L k 1 det U k 1 = det A k 1 0 a feltevés miatt = det L k 1 0, det U k 1 0, tehát β, γ - ból u és m ugyancsak egyértelműen meghatározhatók. Végül δ - ból u kk egyértelműen meghatározható Az LU - felbontás műveletigénye U elemeinek kiszámítása alapján i 1 u ij = a ij l ik u kj i j (j = i,..., N k=1 ( N j (i 1 = j=1 i=1 N j=1 j (j 1 2 = 1 6 N 3 + O ( N 2 L elemeinek kiszámítása alapján [ l ij = 1 a ij u jj N j=1 ] j 1 l ik u kj k=1 N i=j+1 j = i > j (i = j + 1,..., N N j (n j = 1 6 N 3 + O ( N 2 j=1
28 numerikus analízis i. 28 Így a műveletigény : M LU = 1 3 N 3 + O ( N SÁVMÁTRIXOK, TRIDIAGONÁLIS MÁTRIXOK Közönséges és parciális differenciálegyenletek diszkretizációval történő numerikus megoldása gyakran olyan lineáris egyenletrendszerre vezet, melynek mátrixa a fődiagonális egy sávján kívül csupa 0 - kat tartalmaz. Definíció : Az A R n n mátrixot (m, k sávmátrixnak vagy szalagmátrixnak nevezzük, ha a ij = 0, j i > k és i j > m esetén. Az (1, 1 sávmátrixot tridiagonális mátrixnak nevezzük. Ha egy (m, k szalagmátrixnak trianguláris felbontása, A = LU, akkor L (m, 0 sávú és U (0, k sávú mátrix lesz, ha sorcserére nincs szükség. Tegyük fel, hogy meg akarjuk oldani az Ax = d, A C n n, d C n egyenletrendszert, ahol A tridiagonális és a 1 c b 2 a 2 c 2. (1 A = b n 1 a n 1 c n b n a n = tridiag (b i, a i, c i Tétel Felbontási tétel tridiagonális mátrixokra Tegyük fel, hogy az (1 mátrix elemeire teljesülnek a következő egyenlőtlenségek: ( a 1 > c 1 > 0, a i b i + c i, b i 0, c i 0, 2 i n 1 a n b n > 0.
29 numerikus analízis i. 29 Ekkor : i. α 1 := a 1, γ 1 := c 1 α 1 1, α i := α i b i γ i 1 (2 i n, γ i := c i α 1 i (2 i n 1 és teljesül, hogy: γ i < 1, (1 i n 1, 0 < a i b i < α i < a i + b i, (2 i n ii. A - nak A = LU felbontása, ahol: L := tridiag (b i, α i, 0, R := tridiag (0, 1, γ i iii. A nem szinguláris. Bizonyítás i. A ( - ból azonnal következik, hogy: γ q = c 1 a Most legyen: γ j < 1, j = 1,..., i 1 Ekkor: γ i = c i a i b i γ i 1 c i ai b i γ i 1 < c i a i b i 1 Továbbá: a i + b i > a i + b i γ i 1 α i a i b i γ i 1 > a i b i c i > 0
30 numerikus analízis i. 30 ii. Közvetlenül ellenőrizhető, hogy: A = tridiag (b i, α i, 0 tridiag (0, 1, γ i érvényes, sor - oszlop szorzással: ( a i i+1 = α i γ i = α i ci αi 1 = ci, a i i = b i γ i 1 + α i = b i γ i 1 + (α i b i γ i 1 = a i, a i+1 i = b i+1, a 11 = α 1 = a 1. 1 < i < n 1, 2 i n, 1 i n 1, iii. Az A mátrix reguláris, mivel: n det A = det L det U = α i 0 i=1 Definíció : A ( tulajdonságú tridiagonális mátrixokat irreducibilisen diagonálisan domináns mátrixoknak nevezzük. A fenti tétel tehát úgy is megfogalmazható, hogy egy irreducibilisen diagonálisan domináns A mátrixnak A = LU felbontása, ahol L (1, 0 - sávú, U (0, 1 - sávú (szalagmátrix és ahol U fődiagonálisában 1 - esek állnak SCHUR - KOMPLEMENTER A Gauss - algoritmusnál az 1. oszlop nullázása még a következő módon is leírható: Ax = b L 1 Ax = L 1 b, ahol: l (1 L 1 := = l 0 1 l N I N 1 l 1 = 1 a 11 a 1, a 1 = [a 21,..., a N1 ] T, a 1 = [a 12,..., a 1N ] a 11 a 1, A = a 1 A N 1 N 1, ahol:
31 numerikus analízis i. 31 Így : a 11 a 1 a u 1 (2 L 1 A = = 0 A (1 0 A (1 0 I N 1 Ilyen szorzatalakra bontható, ahol u 1 := 1 a 11 a 1, és A (1 a jobb alsó (N 1 (N 1 - es mátrix az 1. oszlop nullázása után. Ha A N 1,N 1 az eredeti A mátrix jobb alsó sarka, akkor: (1 = A (1 = A N 1,N 1 l 1 a 1 = A N 1,N 1 1 a 11 a 1 a 1 (2 = tudva, hogy L 1 reguláris mátrix és inverze: L 1 1 = 1 0 (3 = A = l 1 I N 1 a u 1 0 A (1 0 I N l l N Az A mátrix e felbontása három mátrix szorzatára tükrözi a Gauss - elimináció első lépését. A k - adik lépésben (N k (N k méretű A (k mátrixot, és u k, l k vektorokat állítunk elő. Állítás Az L i Frobenius mátrix inverze: L 1 i = l i+1, i l N, i Ugyanis ha L i = I m (i e (i T = = m := (0,..., l i+1 i,..., l N i T (I m (i e (i T (I + m (i e (i T = I Most (elimináljuk nullázzuk ki az első két oszlopot az első lépésben.
32 numerikus analízis i. 32 Legyen A 11 A 12 A =, b = A 21 A 22 b 1 b 2 a 11 a 12, és A 11 =, a 21 a 22 és ahol A 22 (N 2 (N 2 - es mátrix. Általánosítva a fenti eljárást: I 2 0 Ax = b - t szorozzuk balról az L 2 = l 2 I N 2 alsó blokkmátrixszal. Tegyük fel, hogy A 11 reguláris mátrix. Ekkor: I 2 0 ( L 2 Ax = l 2 I N 2 A 11 A 12 x = x = 0 A (2 b 1 b 2 (= L 2 b ahonnan l 2 = A 21 A 1 11 (N es mátrix, továbbá: (4 A (2 = A 22 A 21 A 1 11 A 12 ugyanis: l 2 A 12 + I N 2 A 22 = A (2 b 2 = A 21 A 1 11 b 1 + b 2 ugyanis: L 2 [ b1 b 2 ] = [ b1 b 2 ] Megjegyzés : A 1 11 létezhet akkor is, ha a 11 = 0, tehát ha a korábbi elimináció nem működik (csak sorcserével. Így a ( - beli A (2 - vel kapcsolatos egyenletrendszerrel kell tovább foglalkozni, ugyanis ha ennek megoldása: y := [x 3,..., x N ] T, akkor: [ ] x1 (5 A 11 x 2 ( = b 1 A 12 y egyenlet megoldása adja a hiányzó x 1, x 2 - t. A ( - beli L 2 A felső blokkmátrix, mint (2 - nél, szorzattá bontható. A 11 A 12 A 11 0 I 2 U 2 (6 L 2 A = =, 0 A (2 0 A (2 0 I N 2 ahol U 2 = A 1 11 A 12, ha A 11 reguláris.
33 numerikus analízis i. 33 Belátható közvetlenül, hogy L 1 2 = I 2 0 (7 A = l 2 I N 2 I 2 0 l 2 I N 2 A 11 0 I 2 U 2 0 A (2 0 I N 2, ezért (6 = Ennek és a (3 felbontásnak az általánosítása a következő: (8 A 11 A 12 I k 0 = A = A 21 A 22 L k I N k D k 0 I k U k, 0 D N k 0 I N k ahol: A 11, D k R k k, A 21, L k R (N k k, A 12, U k R k (N k A 22, D N k R (N k (N k 1 k N 1. Állítás Ha det A 11 0, akkor a (8 blokkfelbontás létezik. Bizonyítás D k A (8 jobb oldalát kiszámítva = A = L k D k D k U k D N k + L k D k U k Innen = A 11 = D k, A 12 = D k U k, A 21 = L k D k, A 22 = D N k + L k D k U k Mivel det A 0, azért D k, U k, L k és D N k egyértelműen meghatározottak, és D k = A 11, U k = A 1 11 A 12, L k = A 21 A 1 11, D N k = A 22 A 21 A 1 11 A 12 D N k az az almátrix, amely esetleg még további feldolgozásra vár. Így a Gauss - elimináció 1. lépése után: D N k = A (1, illetve a blokklépés (x 1, x 2 egyidejű eliminációja után: D N k = A (2.
34 numerikus analízis i. 34 Definíció : A D N k mátrixot a (8 alakú blokkmátrix A 11 blokkja Schur - komplementerének nevezzük. Jele: D N k = A 22 A 21 A 1 11 A 12 =: [A/A 11 ] (A létezését beláttuk, ha det A PASSAGE (PROGONKA MÓDSZER VAGY RÖVIDÍTETT GAUSS - AL- GORITMUS TRIDIAGONÁLIS MÁTRIXÚ EGYENLETRENDSZERRE Tekintsük a következő egyenleterndszert: (1 Ax = f, A R n n, x, f R n, ahol a 1 c b 2 a 2 c 2. A = b n 1 a n 1 c n b n a n = tridiag ( b i, a i, c i (2 b i, a i, c i > 0, i - re a i b i + c i, i - re és j index, amelyre a j > b j + c j Továbbá b 1 := 0, c n := 0. Az LU felbontásban a sávszélesség megmarad, így mindkét mátrixnak csak két (nem zérus átlója van. Így az (1 megoldását a következő alakban kereshetjük, ami a visszahelyettesítésnek felel meg: (3 x i 1 = α i x i + β i, i = n,..., 2, ahol az α i, β i együtthatókat az (1 i - edik sorából határozhatjuk meg: b i x i 1 + a i x i c i x i+1 = f i b i (α i x i + β i + a i x i c i x i+1 = f i azaz: x i (a i b i α i = c i x i+1 + f i + b i β i Tegyük fel, hogy (a i b i α i 0.
35 numerikus analízis i. 35 Ekkor: ( x i = c i a i b i α i x i+1 + f i + b i β i a i b i α i, ahol (4 α i+1 := c i a i b i α i és β i+1 := f i + b i β i a i b i α i i = 1,..., n 1 α 1, β 1 kezdőértékek meghatározásához írjuk fel (1 első egyenletét: a i x i c i x 2 = f 1 = a 1 x 1 = c 1 x 2 + f 1 ( alakra rendezve x 1 = c 1 a 1 x 2 + f 1 a 1 azt mutatja, hogy: (5 α 1 = 0, β 1 = 0 választható. A (4 és (5 - ből minden α i és β i megkapható. A (3 kiszámításához szükség van az x n,,kezdőértékre. Ehhez tekintsük az (1 utolsó egyenletét: b n x n 1 + a n x n = f n (3 = b n (α n x n + β n = f n + b n β n (6 = x n = f n + b n β n a n b n α n =: β n+1 Ebből indítva a visszahelyettesítési menetet, (3 alapján x n 1,..., x 1 megkapható. A (3 - (6 algoritmust rövidített Gauss - eliminációnak vagy tridiagonális algoritmusnak is nevezik. (Progonka vagy passage módszer Az algoritmus stabilitása Tétel A passage algoritmus (3 - (6 formulái jól definiáltak a (2 feltételek esetén, azaz a i b i α i 0 i = 1,..., n 1 és stabilak abban az értelemben, hogy 0 α i 1, i = 1,..., n.
36 numerikus analízis i. 36 Bizonyítás Teljes indukcióval i - re. Tudjuk, hogy i = 1 - re α i = 0 = a 1 b 1 α 1 > 0 Továbbá: 0 α 2 = c 1 a 1 b 1 α 1 1 Most legyen 0 α i 1 rögzített i - re. Ekkor: (2 = a i b i α i (1 α i b i + c i > 0, és így 0 < α i+1 = c i a i b i α i 1 a i b i c i, 1 1 = 1 c i c i a i b i a i b i c i a i b i α i Tehát 0 α i 1 i - re. Most még esetleg β n+1 - et nem tudnánk kiszámolni, ha α n = 1 a n = b n lenne. De (2 alapján létezik j index, amelyre a j > b j + c j, ami miatt i = j + 1,..., n - re teljesül, hogy 0 < α i < 1. Tehát α n = 1 nem állhat fenn SZIMMETRIKUS POZITÍV DEFINIT MÁTRIXOK CHOLESKY FELBONTÁSA Legyen R n euklideszi térben a skaláris szorzat: ( x, y := x i y i, x, y R n ( x, y = x T y i=1 Állítás A R n n = ( Ax, y = ( x, A T y
37 numerikus analízis i. 37 Definíció : Az A mátrix szimmetrikus, ha A = A T, azaz, ha a ij = a j i i, j - re. Megjegyzés : A szimmetrikus ( Ax, y = ( x, Ay Ha A szimmetrikus = A sajátértékei valós számok. Definíció : Az A szimmetrikus mátrix pozitív definit, ha (Ax, x > 0, x 0. Az A szimmetrikus mátrix pozitív szemidefinit, ha (Ax, x 0, x 0. Tétel Ha A pozitív definit = det A 0, sőt: det A > 0. Bizonyítás Indirekt. Tegyük fel, hogy det A = 0 = x 0, amelyre Ax = 0 = (Ax, x = (0, x = 0 lenne x 0 vektorra, ami ellentmond annak, hogy A pozitív definit. Állítás Ha A pozitív definit = A 1, ez is pozitív definit, sőt A főminora pozitív definit, és a ii > 0. Tétel Kritériumok A pozitív definitségére Az A mátrix pozitív definit ha valamelyik az alábbiak közül teljesül: 1. (Ax, x 0, x 0, 2. Az A mátrix sajátértékei pozitívak, 3. det A k > 0, ahol A k főminora A - nak, k = 1,..., n.
38 numerikus analízis i. 38 Tétel Ha A = W W T alakban írható = A szimmetrikus mátrix és pozitív definit. Bizonyítás Szimmetria : A T = ( W W T T ( = W T T W T = W W T = A Pozitív definit : (Ax, x = ( W W T x, x = ( W T x, W T x = W T x 2 > 0, ha x 0 Fontos kérdés : Milyen feltételek mellett létezik egy A mátrixnak A = W W T felbontása? Definíció : Az A = W W T felbontást, ahol W nem szinguláris mátrix, Cholesky felbontásnak nevezzük. Belátjuk, hogy ha A szimmetrikus és pozitív definit mátrix, akkor a Cholesky felbontása létezik és a W trianguláris mátrix lehet. Tétel Legyen A R n n szimmetrikus pozitív definit mátrix. Ekkor! A = L L T felbontás, ahol L alsó mátrix, nem szinguláris és l ii > 0 (i = 1,..., n. Bizonyítás Teljes indukcióval n - re. n = 1 - re A = (a 11, a 11 > 0, így L = L T = a 11 Legyen A R n n szimmetrikus pozitív definit és tegyük fel, hogy (n 1 - re igaz az állítás, tehát A n 1 R (n 1 (n 1 - re! A n 1 = L n 1 L T n 1.
39 numerikus analízis i. 39 Tekintsük A n - t: A n = A n 1 b T b L n 1 0 és keressük L n - t a következő alakban: L n =, c T α a nn ahol A n 1 főminor pozitív definit, a nn > 0, b, c R n 1, α > 0, és l ii > 0 i = 1,..., n 1 (ezek L n 1 főátlójának elemei. Ezt figyelembe véve: A n 1 b T b L n 1 0 = A n = c T α a nn c = 0 α L T n 1 = A n 1 = L n 1 L T n 1 L n 1 c = b b T = c T L T n 1 a nn = c T c + α 2 Az indukciós feltétel miatt L n 1 alsó mátrix. = det L n 1 0 =! c megoldás. Mivel 0 < det A n = det L n det L T n = α (det L n 1 α ( det L T n 1 = α 2 (det L n 1 2 = = α 2 > 0 és α 2 R Így α 2 = a nn c T c = α = a nn c T c = α > 0 és α R Az L n mátrix l ij elemeinek meghatározása A = L L T - ból oszloponként haladva elég i j - re az L - beli elemeket meghatározni. j i j a ij = l ik l jk = k=1 ( j j 1 = i = j a jj = ljk 2 = ( l jj = a jj k=1 k=1 l 2 jk 1 2 > 0 ( ( i > j l ij = 1 a ij l jj j 1 l ik l jk k=1
40 numerikus analízis i. 40 A műveletigény : 1 6 n3 + O(n 2. Állítás Ha A szimmetrikus de nem pozitív definit, a Cholesky felbontás nem mindig lehetséges. Viszont, ha létezik a Cholesky felbontás, akkor az L mátrix nem lehet valós, ugyanis valós, nem szinguláris L esetén, ha A = L L T = A pozitív definit Egyenletrendszer megoldása Cholesky felbontással szimmetrikus mátrixra (1 Ax = b, A szimmetrikus LL T x = b, azaz (2 Ly = b, majd (3 L T x = y. A (2 j - edik egyenlete a visszahelyettesítés után: ( (4 y j = 1 a j n+1 l jj j 1 l jk y k k=1 ( j = 1,..., N, ahol a j n+1 := b j (j = 1,..., n. Majd bevezetve az y j := l j n+1, (4 a következő alakú lesz: ( L j n+1 = 1 a j n+1 l jj j 1 l kj l k n+1 k=1 j = 1,... n, ami éppen a ( képletnek az i = n nek megfelelő speciális esete. A (3 - at most már a szokásos visszahelyettesítéssel adjuk meg: ( x i = 1 y i l ii N k=i+1 l ki x k ( i = N,..., 1.
41 numerikus analízis i. 41 A műveletigény : 1 6 N 3 + O(N 2. Fele, mint az LU felbontásnál, de N darab gyökvonás is kell. Megjegyzés : A ( formulából = j k=1 l 2 jk max 1 j N a jj, 1 j N - re. Így az L mátrix minden eleme korlátos, a max a jj korláttal, tehát nem nőhetnek túlságosan 1 j N gyorsan. Ez a tulajdonság biztosítja a módszer (algoritmus stabilitását. Az l jk számok az alatt a korlát alatt maradnak, amit a kiindulási adatok (az A mátrix elemei meghatároznak! 2.8. HOUSEHOLDER (QR FELBONTÁS (1 Ax = b A R n n Az A mátrixot felbontjuk A = QR alakra, ahol Q ortogonális mátrix, R felső mátrix. Definíció : Q mátrtix ortogonális, ha QQ T = I Q tulajdonságai: Q T = Q 1 det Q = ±1 Ha Q 1, Q 2 ortogonális = Q 1 Q 2 is ortogonális Láttuk már, hogy például a Gauss - eliminációnál a mátrixot felső mátrixra lehet transzformálni,,elemi mátrixok (Frobenius, permutáció szorzásával. Most is a Q ortogonális mátrixot úgynevezett Householder - mátrixok szorzásával állítjuk elő. Ha A = QR (1 = QRx = b ezt balról Q 1 - gyel szorozva = = Rx = Q T b felső mátrixú rendszer.
42 numerikus analízis i. 42 Definíció : Householder - mátrix : H R k k, H = I 2 h h T, ahol h R k, h := [0,..., 0, h i,..., h k ] T, h 2 = 1, ( h T, h = 1 H alakja : I H = = 0 1 2h 2 0 I 2h h T i 2h i h i+1 2h i h k.. 2h i h i+1 1 2h 2 i+1 2h i+1 h k h i h k 2h i+1 h k 1 2h 2 k H tulajdonságai : 1. H szimmetrikus: H = H T, 2. H idempotens: H 2 = I, ugyanis: H 2 = ( I 2 h h T 2 = I 4 h h T +4 h h T h h T = I, 3. H ortogonális: I = H H = H H 1 = H = H 1 = H T H geometriai jelentése : A H mátrtixszal való szorzás az R k térnek a tükrözését jelenti a H h, 0 := { z R k : h T z = 0 } hipersíkra (a h vektorra merőleges hipersík. Hz = ( I 2 h h T z = z 2 h ( h T z Alapfeladat : Adott x R k, x 0 vektorhoz adjuk meg azt a H R k k Householder mátrixot (azaz a h R k, h 2 = 1 vektort, amely az x vektort az e 1 egységvektor számszorosába transzformálja. Vagyis adott x R k vektorhoz meg kell adni a H mátrixot meghatározó h R k vektort, amelyre teljesül, hogy: Hx = ( I 2 h h T x = σe 1 Mivel H ortogonális = x 2 = Hx 2 = σ = σ = x 2, Továbbá Hx = σe 1, Hx7 ( I 2 h h T x = x 2 h h T x = x 2 ( h T x h = σe 1 = = 2 ( h T x h = x σe 1
43 numerikus analízis i. 43 Innen az következik, hogy a h vektor az (x σe 1 vektor számszorosa kell legyen. De mivel a h egységvektor ( h 2 = 1, azért x σe 1 - et osztva a normájával, megkapjuk a keresett h egységvektort. h = x σe 1 x σe 1 2 ahol σ R és σ = x 2 Minden feltételt kihasználtunk, de σ előjele határozatlan maradt. Az algoritmus stabilitására és a hibafelhalmozódás elkerülésére válasszuk σ előjelét a következő módon: σ := sign(x 1 x 2 és legyen sign (x 1 = 1, ha x 1 = 0 h kiszámításához kell: x σe = x + sign(x 1 x 2 e = k x1 + x x i 2 = = x x 1 x 2 + x 2 2 = 2 x 2 ( x 2 + x 1 i=1 [sign (x 1 ( x 1 + x 2, x2,..., x k ] T = h = [ 2 x 2 ( x1 + x 2 ] 1 2 Így a következő H mátrix megoldja az alapfeladatot: i. H = I β u u T, ii. β := iii. u := [ x 2 ( x1 + x 2 ] 1, [ sign (x 1 ( x 1 + x 2, x2,..., x k ] T A Householder - algoritmus Legyen A (n n - es tetszőleges mátrix, továbbá A (0 := A. Az A mátrixot minden lépésben szorozzuk H (i R n n Householder - mátrixszal. H n 1... H 2 H 1 A = R H i - k ortogonálisak = A = ( H n 1... H 2 H 1 1 ( R = H 1 1 (... H n 1 1 R A = H (1 H (2... H (n 1 R = Q := H (1... H (n 1.
44 numerikus analízis i. 44 i. Legyen A (0 := A. Az első lépésben A (0 - t szorozzuk olyan H (1 Householder - mátrixszal, amelyre teljesül, hogy H (1 (a = σe 1, ahol a az A mátrix első oszlopvektora. ii. (i 1 - edik lépésben H (i 1 A (i 2 = A (i 1, ahol A (i 1 = B (i 1 C (i 1 0 Ã (i 1 felső mátrix, ahol B (i 1 R (i 1 (i 1, Ã (i 1 R (n i+1 (n i+1, C (i 1 R (i 1 (n i+1 iii. Az i - edik lépésben megkeressük azt a H (i R (n i+1 (n i+1 - es Householder - mátrixot, amelyre teljesül, hogy H (i a (i 1 = σe 1, e 1 R (n i+1 Így kiegészítve H (i - ot (n n - esre a következő módon I i 1 0 H (i =, 0 H(i H (i R n n Ez is szimmetrikus és ortogonális, és ezzel szorozzuk A (i 1 - t = H (i A (i 1 = A (i iv. (n 1 - edik lépésben: H (n 1... H (2 H (1 A = A (n 1 = R, A = ( H n 1... H 2 H 1 1 ( R = H 1 1 (... H n 1 1 R = H (1 H (2... H (n 1 R Így megkapjuk az A (n 1 = R felső mátrixot és a Q ortogonális, szimmetrikus mátrixot, amelyekkel A = Q R
45 numerikus analízis i. 45 Tétel Tetszőleges A R n n - es mátrix felbontható A = Q R alakban, ahol Q ortogonális, R felső mátrix. Megjegyzés : Ez, az úgynevezett QR felbontási tétel könnyen kiterjeszthető mind komplex -, illetve téglalap - mátrixokra is A Householder - algoritmus alkalmazása Alkalmazás : Ax = b egyenletrendszer megoldására. Input: n N C = [ A b ] = [c ij ] R n (n i+1 1. Értékadás: i := 1 2. Eliminációs lépés: s := a. ( k=i c 2 ki 1 2 Ha s = 0, stop, egyébként: β := [s ( c ii + s] 1, u := [ 0,..., 0, c ii + sign (c ii s, c i+1 i,..., c nn ] T, sign(c ii = 1, ha c ii = 0, H (i := I β u u T b. C := H (i C =: (c ij 3. Ellenőrzés: ha i + 1 n 1, akkor i := i + 1 és go to stop 2., egyébként stop. Majd jön a visszahelyettesítés.
46 numerikus analízis i A Householder - algoritmus műveletigénye Az algoritmus műveletigénye : 4 3 n3 + O ( n 2 összesen. R Q előállítása: előállítása: 2 3 n3 + O ( n 2, 2 3 n3 + O ( n 2, de Q T b szorzat kiszámításához elég O ( n 2 művelet plusz (n 1 darab gyökvonás. Tehát Ax = b = Rx = Q T b a műveletigény: kétszer annyi, mint a Gauss - eliminációnál. 2 3 n3 + O ( n 2, Megjegyzés : A Householder - transzformáció alkalmazható mátrixok sajátértékeinek kiszámítására is (és sajátvektorok meghatározására. Numerikusan rendkívül stabil! A = A 0 szimmetrikus mátrix tridiagonális alakra való transzformációja Householder módszerével Egyszerre egy egész sort és oszlopot teszünk zérussá, kivéve a tridiagonális elemeket. Az eljárás (n 2 lépésből áll. r - edikben kapjuk a 0 - kat az r - edik sorban és oszlopban. A korábbi 0 - k nem változnak. Legyen az r - edik lépés előtt a mátrix: x x x x x A r 1 = x x x x x x x x x x x x x x x x x r n r = C r b T r b r 1 B r ahol b r 1 vektornak (n r komponense van, C r 1 r - edrendű tridiagonális mátrix, B r 1 (n r - edrendű mátrix.
47 numerikus analízis i. 47 A transzformáció P r (n n - es mátrixát következő módon adjuk meg: P r = I 0 0 Q r = I 0 0 I 2 v r v T r r n r ahol v r (n r komponensű és v = 1. Egyszerű számolással = C r (1 A r = P r A r 1 P r = c T r c r Q r B r 1 Q r 0 0 r n r ahol c r = Q r b r 1. Ha v r - t úgy választjuk, hogy c r komponensei az első kivételével mind eltűnjenek, akkor A r első (r + 1 sorában és oszlopában tridiagonális lesz. (1 = triviális, hogy hasonlósági transzformáció, és A 0, A 1,..., A n 2 sajátértékei megegyeznek. Kényelmesebb, ha a P r mátrixot a következő módon választjuk meg: P r = I 2 w r w T r, ahol w r n komponensű, első r ebből 0, w 2 = 1. Ekkor: (2 P r = I 2 w r w T r = I U r U T r 2K 2 r, ahol
48 numerikus analízis i. 48 u ir = 0, i = 1,..., r, ( u r+1 r = a r+1 r S r, u ir = a ir, i = r + 2,..., n, S r = ( i=r+1 a 2 ir 1 2 2K 2 r = S 2 r a r+1 r S r = S r u r+1 r, Itt a ik az A r 1 mátrix (i, k elemét jelöli (az r indexet elhagytuk. ( - ban S r előjelét abból a feltételből határozzuk meg, hogy u r+1 r = a r+1 r + S r, = S r u r+1 r értéke a le- mivel akkor kapjuk a legnagyobb pontosságot, ha (2 - beli nevező, 2Kr 2 hető legnagyobb. E triangularizációs eljárás műveletigénye: és emellett (n 2 darab négyzetgyökvonás is kell! 2 3 n3 + O ( n 2, Tétel Legyen A (n n - es nem szinguláris mátrix. Ekkor az A mátrix QR - felbontása egyértelmű az R mátrix diagonális elemeinek az előjelétől eltekintve. Bizonyítás Indirekt. Tegyük fel, hogy: ( A = Q 1 R 1 = Q 2 R 2, ahol Q 1, Q 2 ortogonális, R 1, R 2 felső mátrixok. Mivel det A = det Q i det R i = det R i, i = 1, 2 azért = R i (i = 1, 2 nem szinguláris mátrixok. ( = Q T 2 Q 1 = R 2 R 1 1 = V, ahol V szintén felső mátrix.
49 numerikus analízis i. 49 Itt Q T 2 Q 1 ortogonális mátrixok, ezért V T V = Q T 1 Q 2 Q T 2 Q 1 = I Tehát V = D = diag (d ii, ahol d ii = ±1. Mivel V = R 2 R 1 1 is teljesül, az állítás bizonyított. 3. VEKTORNORMÁK, MÁTRIXNORMÁK 3.1. VEKTORNORMÁK Definíció : Vektornorma : Legyen X n - dimenziós vektortér K := R vagy C test felett. A norma egy. : X R, x x leképezés a következő tulajdonságokkal: x, y X, λ C : 1. x 0, x = 0 x = 0, 2. λx = λ x, 3. x + y x + y egyenlőtlenség. Következmény ( x y x y, x, y X Az (X,. párt normált vektortérnek nevezzük. Leggyakoribb vektornormák : Euklideszi norma: x p := x := max i=1,...,n x i ( i=1 x i p 1 p, x X, 1 p <, Az 1, 2, normákat használjuk leggyakrabban.
50 numerikus analízis i. 50 Tétel x X, dim X = n. Az x vektornorma az x vektor x 1,..., x n koordinátáinak folytonos függvénye. Bizonyítás Ezt x R n - re és. normára bizonyítjuk. x := max 1 i n x i, x := (x 1,..., x n Legyen z := (z 1,..., z n és tekintsük x + z, x X vektort. ( = x + z x (x + z x = z = max 1 i n z i f (x n f (y, ha x n y Tehát, ha z 0 akkor max 1 i n z i 0. Mivel végesdimenziós vektortérben bármely két vektornorma ekvivalens egymással (lásd később, ezért tetszőleges normára a folytonosság igaz. Definíció : Az X komplex vektorteret a C test felett komplex Euklideszi térnek nevezzük, ha létezik X - en (x, y : X C leképezés tetszőleges x, y X - re, amit az x, y elemek skaláris szorzatának nevezünk és amelyre teljesül, hogy x, y X, λ C : 1. (x, x 0 valós szám, (x, x = 0 x = 0, ( x, y = ( y, x, ( λx, y = λ ( x, y első tényezőre nézve homogén, 4. ( x1 + x 2, y = ( x 1, y + ( x 2, y első tényezőre nézve disztributív. Következmény a. b. ( ( x, λy = λ x, y, (x, y 1 + y 2 = (x, y 1 + (x, y 2 második tényezőre nézve disztributív.
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 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
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
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
RészletesebbenNUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK
NUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK Szerkesztette: Balogh Tamás 04. január 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el!
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)
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
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
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
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,
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
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
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.
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
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:
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.
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. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
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
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
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
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
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:
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
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,
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,
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:
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 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
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
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
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA MATEmATIkA I 6 VI KOmPLEX SZÁmOk 1 A komplex SZÁmOk HALmAZA A komplex számok olyan halmazt alkotnak amelyekben elvégezhető az összeadás és a szorzás azaz két komplex szám összege és szorzata
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
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
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
Részletesebben1. Determinánsok. Oldjuk meg az alábbi kétismeretlenes, két egyenletet tartalmaz lineáris egyenletrendszert:
1 Determinánsok 1 Bevezet definíció Oldjuk meg az alábbi kétismeretlenes, két egyenletet tartalmaz lineáris egyenletrendszert: a 11 x 1 +a 12 x 2 = b 1 a 21 x 1 +a 22 x 2 = b 2 Szorozzuk meg az első egyenletet
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
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
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
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,
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
RészletesebbenLineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek
Lineáris algebra 2 Filip Ferdinánd filipferdinand@bgkuni-obudahu sivabankihu/jegyzetek 2015 december 7 Filip Ferdinánd 2016 februar 9 Lineáris algebra 2 1 / 37 Az el adás vázlata Determináns Determináns
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
Részletesebben3. el adás: Determinánsok
3. el adás: Determinánsok Wettl Ferenc 2015. február 27. Wettl Ferenc 3. el adás: Determinánsok 2015. február 27. 1 / 19 Tartalom 1 Motiváció 2 A determináns mint sorvektorainak függvénye 3 A determináns
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
Részletesebben3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek
3. Előadás Megyesi László: Lineáris algebra, 47. 50. oldal. Gondolkodnivalók Determinánsok 1. Gondolkodnivaló Determinánselméleti tételek segítségével határozzuk meg a következő n n-es determinánst: 1
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...
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
Részletesebben1. feladatsor Komplex számok
. feladatsor Komplex számok.. Feladat. Kanonikus alakban számolva határozzuk meg az alábbi műveletek eredményét. (a) i 0 ; i 8 ; (b) + 4i; 3 i (c) ( + 5i)( 6i); (d) i 3+i ; (e) 3i ; (f) ( +3i)(8+i) ( 4
Részletesebbendifferenciálegyenletek
Állandó együtthatójú lineáris homogén differenciálegyenletek L[y] = y (n) + a 1y (n 1) + + a ny = 0 a i R (1) a valós, állandó együtthatójú lineáris homogén n-ed rendű differenciálegyenlet Megoldását y
RészletesebbenLineáris algebra. =0 iє{1,,n}
Matek A2 (Lineáris algebra) Felhasználtam a Szilágyi Brigittás órai jegyzeteket, néhol a Thomas féle Kalkulus III könyvet. A hibákért felelosséget nem vállalok. Hiányosságok vannak(1. órai lin algebrai
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
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. Az euklideszi terek geometriája
1. Az euklideszi terek geometriája Bázishoz tartozó skaláris szorzat Emékeztető Az R n vektortérbeli v = λ 2... és w = λ 1 λ n µ 1 µ 2... µ n λ 1 µ 1 +λ 2 µ 2 +...+λ n µ n. Jele v,w. v,w = v T u, azaz
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
Részletesebben1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak
1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ
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
RészletesebbenMatematika elméleti összefoglaló
1 Matematika elméleti összefoglaló 2 Tartalomjegyzék Tartalomjegyzék... 2 1. Sorozatok jellemzése, határértéke... 3 2. Függvények határértéke és folytonossága... 5 3. Deriválás... 6 4. Függvényvizsgálat...
Részletesebben3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
3. Fuzzy aritmetika Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Intervallum-aritmetika 2 Fuzzy intervallumok és fuzzy számok Fuzzy intervallumok LR fuzzy intervallumok
RészletesebbenXI A MÁTRIX INVERZE 1 Az inverzmátrix definíciója Determinánsok szorzástétele Az egységmátrix definíciója: 1 0 0 0 0 1 0 0 E n = 0 0 1 0 0 0 0 1 n-edrenű (azaz n n típusú) mátrix E n -nel bármely mátrixot
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
Részletesebben1. zárthelyi,
1. zárthelyi, 2009.10.20. 1. Írjuk fel a tér P = (0,2,4) és Q = (6, 2,2) pontjait összekötő szakasz felezőmerőleges síkjának egyenletét. 2. Tekintsük az x + 2y + 3z = 14, a 2x + 6y + 10z = 24 és a 4x+2y
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 leképezések. 2. Lineáris-e az f : R 2 R 2 f(x, y) = (x + y, x 2 )
Lineáris leképezések 1 Lineáris-e az f : R 2 R 2 f(x, y = (3x + 2y, x y leképezés? A linearitáshoz ellen riznünk kell, hogy a leképzés additív és homogén Legyen x = (x 1, R 2, y = (y 1, y 2 R 2, c R Ekkor
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
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
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
RészletesebbenLineáris egyenletrendszerek
Lineáris egyenletrendszerek Lineáris egyenletrendszernek nevezzük az a 11 x 1 + a 12 x 2 +... +a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... +a 2n x n = b 2.. a k1 x 1 + a k2 x 2 +... +a kn x n = b k n ismeretlenes,
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenLINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
Részletesebben9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Tegyük fel, hogy egy elemi bázistranszformáció kezdetekor a sor- és oszlopindexek sorban helyezkednek
RészletesebbenNUMERIKUS MÓDSZEREK PÉLDATÁR
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR NUMERIKUS MÓDSZEREK PÉLDATÁR Bozsik József, Krebsz Anna Budapest, Tartalomjegyzék Előszó................................................ GÉPI SZÁMÁBRÁZOLÁS
RészletesebbenBevezetés az algebrába 1
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 1 BMETE92AX23 Determinánsok H406 2017-11-27 Wettl Ferenc ALGEBRA
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)
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
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:
RészletesebbenMűveletek mátrixokkal. Kalkulus. 2018/2019 ősz
2018/2019 ősz Elérhetőségek Előadó: (safaro@math.bme.hu) Fogadóóra: hétfő 9-10 (H épület 3. emelet 310-es ajtó) A pontos tárgykövetelmények a www.math.bme.hu/~safaro/kalkulus oldalon találhatóak. A mátrix
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. november 23. 1. Diszkrét matematika 2. 9. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. november 23. Diszkrét matematika
Részletesebben1.1. Alapfogalmak. Vektor: R 2 beli elemek vektorok. Pl.: (2, 3) egy olyan vektor aminek a kezdo pontja a (0, 0) pont és a végpontja a
1. 1. hét 1.1. Alapfogalmak Vektor: R 2 beli elemek vektorok. Pl.: (2, 3) egy olyan vektor aminek a kezdo pontja a (0, 0) pont és a végpontja a (2, 3) Egyenes normál vektora egy pontban: egy olyan vektor
RészletesebbenDIFFERENCIÁLEGYENLETEK. BSc. Matematika II. BGRMA2HNND, BGRMA2HNNC
BSC MATEMATIKA II. MÁSODRENDŰ LINEÁRIS DIFFERENCIÁLEGYENLETEK BSc. Matematika II. BGRMAHNND, BGRMAHNNC MÁSODRENDŰ DIFFERENCIÁLEGYENLETEK Egy explicit közönséges másodrendű differenciálegyenlet általános
Részletesebben9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35
9. Előadás (9. előadás) Lineáris egyr.(3.), Sajátérték 2019. április 24. 1 / 35 Portfólió-analízis Tegyük fel, hogy egy bank 4 különböző eszközbe fektet be (réz, búza, arany és kakaó). Az ügyfeleinek ezen
RészletesebbenVEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok
VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER 2004. október 15. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják
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
RészletesebbenLineáris algebra Gyakorló feladatok
Lineáris algebra Gyakorló feladatok. október.. Feladat: Határozzuk meg a, 4b, c és a b c vektorokat, ha a = (; ; ; ; b = (; ; ; ; c = ( ; ; ; ;.. Feladat: Határozzuk meg a, 4b, a, c és a b; c + b kifejezések
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 8. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Elemi számelmélet Diszkrét matematika I. középszint
RészletesebbenLineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla
Lineáris leképezések (előadásvázlat, 2012. szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Ennek az előadásnak a megértéséhez a következő fogalmakat kell tudni: homogén lineáris egyenletrendszer és
RészletesebbenNUMERIKUS MÓDSZEREK PÉLDATÁR
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR NUMERIKUS MÓDSZEREK PÉLDATÁR Bozsik József, Krebsz Anna Budapest, Tartalomjegyzék Előszó............................................... 6. GÉPI SZÁMÁBRÁZOLÁS
Részletesebben1. Mátrixösszeadás és skalárral szorzás
1 Mátrixösszeadás és skalárral szorzás Mátrixok tömör jelölése T test Az M = a i j T n m azt az n sorból és m oszlopból álló mátrixot jelöli, amelyben az i-edik sor j-edik eleme a i j T Példák [ ] Ha M
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 016. ősz 1. Diszkrét matematika 1. középszint 1. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
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
RészletesebbenVIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja
VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag 2019. március 21. Mátrix rangja 1. Számítsuk ki az alábbi mátrixok rangját! (d) 1 1 2 2 4 5 1 1 1 1 1 1 1 1 2 1 2 1 1 0 1 1 2 1 0 1 1 1 1 2 3 1 3
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2018. ősz 1. Diszkrét matematika 3. estis képzés 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenKeresztmetszet másodrendű nyomatékainak meghatározása
BUDAPEST MŰSZAK ÉS GAZDASÁGTUDOMÁNY EGYETEM Keresztmetszet másodrendű nyomatékainak meghatározása Segédlet a Szilárdságtan c tárgy házi feladatához Készítette: Lehotzky Dávid Budapest, 205 február 28 ábra
RészletesebbenNUMERIKUS MÓDSZEREK PÉLDATÁR
EÖTVÖS LORÁND TUDOMÁNYEGYETEM INFORMATIKAI KAR NUMERIKUS MÓDSZEREK PÉLDATÁR Bozsik József, Krebsz Anna Budapest, Tartalomjegyzék Előszó................................................ VEKTOR- ÉS MÁTRIXNORMÁK,
RészletesebbenGPK M1 (BME) Interpoláció / 16
Interpoláció Matematika M1 gépészmérnököknek 2017. március 13. GPK M1 (BME) Interpoláció 2017 1 / 16 Az interpoláció alapfeladata - Példa Tegyük fel, hogy egy ipari termék - pl. autó - előzetes konstrukciójának
RészletesebbenLin.Alg.Zh.1 feladatok
Lin.Alg.Zh. feladatok 0.. d vektorok Adott három vektor ā (0 b ( c (0 az R Euklideszi vektortérben egy ortonormált bázisban.. Mennyi az ā b skalárszorzat? ā b 0 + + 8. Mennyi az n ā b vektoriális szorzat?
RészletesebbenDiszkrét matematika II., 8. előadás. Vektorterek
1 Diszkrét matematika II., 8. előadás Vektorterek Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2007.??? Vektorterek Legyen T egy test (pl. R, Q, F p ). Definíció.
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
Részletesebbenkarakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja
Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja 1.Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus
RészletesebbenTestek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2.
Vektorok. Melyek egyenlőek az alábbi vektorok közül? (a) (, 2, 0), (b) az (, 0, ) pontból a (2, 2, ) pontba mutató vektor, (c) ( 2,, ) ( 2,, 2), (d) [ 2 0 ], (e) 2. 0 2. Írjuk fel az x + y + 2z = 0 és
Részletesebben