Tétel: Ha,, akkor az ábrázolt szám hibája:

Hasonló dokumentumok
alakú számot normalizált lebegőpontos számnak nevezik, ha ,, és. ( : mantissza, : mantissza hossza, : karakterisztika) Jelölés: Gépi számhalmaz:

Numerikus módszerek beugró kérdések

Numerikus módszerek 1.

NUMERIKUS MÓDSZEREK I. BEUGRÓ KÉRDÉSEK

NUMERIKUS MÓDSZEREK I. TÉTELEK

1 Lebegőpontos számábrázolás

Numerikus matematika vizsga

Numerikus módszerek 1.

Numerikus Analízis. Király Balázs 2014.

Numerikus matematika. Irodalom: Stoyan Gisbert, Numerikus matematika mérnököknek és programozóknak, Typotex, Lebegőpontos számok

Gyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi

Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások

Gauss-Seidel iteráció

Táblán. Numerikus módszerek 1. előadás (estis), 2017/2018 ősz. Lócsi Levente. Frissült: december 1.

Numerikus módszerek 1.

NUMERIKUS MÓDSZEREK PÉLDATÁR

Numerikus módszerek 1.

Numerikus módszerek 1.

Numerikus módszerek 1.

Norma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei

NUMERIKUS MÓDSZEREK PÉLDATÁR

NUMERIKUS MÓDSZEREK PÉLDATÁR

A fontosabb definíciók

Gauss-eliminációval, Cholesky felbontás, QR felbontás

Matematika A2 vizsga mgeoldása június 4.

Normák, kondíciószám

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk

MATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei

Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján

Megoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1

Analízis I. Vizsgatételsor

Lineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31

Analízis II. Analízis II. Beugrók. Készítette: Szánthó József. kiezafiu kukac gmail.com. 2009/ félév

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla

2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján

Numerikus Analízis I.

Szinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28

1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba

Bevezetés az algebrába 2

Gauss elimináció, LU felbontás

ANALÍZIS III. ELMÉLETI KÉRDÉSEK

Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35

9. gyakorlat Lineáris egyenletrendszerek megoldási módszerei folyt. Néhány kiegészítés a Gauss- és a Gauss Jordan-eliminációhoz

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak

Matematika A1a Analízis

A Matematika I. előadás részletes tematikája

Vektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27

Matematika (mesterképzés)

Analízis I. beugró vizsgakérdések

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40

NUMERIKUS MÓDSZEREK FARAGÓ ISTVÁN HORVÁTH RÓBERT. Ismertet Tartalomjegyzék Pályázati támogatás Gondozó

Funkcionálanalízis. n=1. n=1. x n y n. n=1

Halmazelméleti alapfogalmak

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)

Saj at ert ek-probl em ak febru ar 26.

2. előadás. Lineáris algebra numerikus módszerei. Mátrixok Mátrixműveletek Speciális mátrixok, vektorok Norma

Numerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.

11. Előadás. 11. előadás Bevezetés a lineáris programozásba

12. Mikor nevezünk egy részhalmazt nyíltnak, illetve zártnak a valós számok körében?

Numerikus módszerek példatár

Bevezetés az algebrába 2 Vektor- és mátrixnorma

Numerikus módszerek I. zárthelyi dolgozat, 2009/10. I. félév, A. csoport, MEGOLDÁSOK

Vektorok, mátrixok, lineáris egyenletrendszerek

Lineáris algebra és mátrixok alkalmazásai

1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

Tárgymutató I Címszavak jegyzéke

Feladat: megoldani az alábbi egyenletrendszert: A x = b,

KÖZELÍTŐ ÉS SZIMBOLIKUS SZÁMÍTÁSOK FELADATGYŰJTEMÉNY

Ortogonalizáció. Wettl Ferenc Wettl Ferenc Ortogonalizáció / 41

Matematika B/1. Tartalomjegyzék. 1. Célkit zések. 2. Általános követelmények. Biró Zsolt. 1. Célkit zések Általános követelmények 1

Legkisebb négyzetek módszere, Spline interpoláció

Gazdasági matematika II. tanmenet

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények

minden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.

Szalai Eszter. Mátrix felbontások és alkalmazásaik

A CSOPORT 4 PONTOS: 1. A

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Polinomok, Lagrange interpoláció

Lin.Alg.Zh.1 feladatok

A derivált alkalmazásai

Differenciálegyenletek numerikus megoldása

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja

FELVÉTELI VIZSGA, szeptember 12.

15. LINEÁRIS EGYENLETRENDSZEREK

Explicit hibabecslés Maxwell-egyenletek numerikus megoldásához

Függvények július 13. Határozza meg a következ határértékeket! 1. Feladat: x 0 7x 15 x ) = lim. x 7 x 15 x ) = (2 + 0) = lim.

Haladó lineáris algebra

f(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

Konjugált gradiens módszer

Tartalomjegyzék 1 BEVEZETÉS 2

Lineáris algebra numerikus módszerei

Összeállította: dr. Leitold Adrien egyetemi docens

1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy

Lineáris algebra Gyakorló feladatok

0-49 pont: elégtelen, pont: elégséges, pont: közepes, pont: jó, pont: jeles

Átírás:

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, tétel az ábrázolt szám hibájáról. Példák a véges számábrázolás miatt elforduló furcsaságokra. Definíció: Az =±2 alakú számot normalizált lebegpontos számnak nevezik, ha, {0,1}, =1 és. (: mantissza, : mantissza hossza, : karakterisztika) Jelölés: =±[ ] = m 2 Gépi számhalmaz: = (,, ) = { adef. szerint, } {0} Gépi számhalmaz tulajdonságai: 1) <1 2) a 0-ra szimmetrikus 3) A legnagyobb pozitív szám: =+[111 1 ] = 2 4) A legkisebb pozitív szám: =+[10 0 ]= 2 5) Relatív hibakorlát: az 1-et követ gépi szám 1 =+[10 01 1] [10 0 1] = 1 2 2 =2 Gépi szám megfeleltetése valós számnak: Definíció: Az függvényt input függvénynek nevezzük, ha () = 0 Tétel: Ha,, akkor az ábrázolt szám hibája: Következmény: () 1 2 =2 () ha ha ha < ha 1 2 =2 ha Azaz az ábrázolt szám relatív hibakorlátja 2, vagyis csak -tl függ. az -hez legközelebbi gépi szám a kerekítés szabályai szerint ha ha 1

-ben elforduló furcsaságok 1) ( + ) = (), ahol 0 Pl. = [1100 1] [1100 1] = [1000 4] + [0001 1] [1100 1] 2) Asszociativitás nem teljesül: ( + ) + + ( + ) Pl. = [10011 4] [10011 4] = [10000 1] + [00000 4] bal oldal: ( + ) + [10011 4] [10011 4] + [00000 4] + [00000 4] [10011 4] [10011 4] jobb oldal: ( + ) + [10000 1] [10011 4] + [10000 1] + [00001 4] [100000 1] [10000 0] [10100 4] [10011 4] [10100 4] 3) Kivonási jegyveszteség a. [1100 1] = [1001 1] = [0011 1] [1100 1] b. átalakítás a pontosabb számításért: 1 +1= +1+ c. másodfokú egyenlet gyökei d. részeredmény nem ábrázolható, de a végeredmény igen: + = + max{, } 2

2. A hibaszámítás elemei. Az abszolút és relatív hiba ill. hibakorlát fogalma. Tétel az alapmveletek abszolút és relatív hibájáról. A függvényérték abszolút és relatív hibája. A függvény pontbeli kondíciószámának fogalma. Definíció: : pontos érték, : közelít érték = : közelít érték (pontos) hibája : közelít érték abszolút hibája : közelít érték egy abszolút hibakorlátja = (gyakorlatban): közelít érték relatív hibája = : közelít érték relatív hibakorlátja Következmény: = = Tétel: Az alapmveletek hibakorlátai = + = = + ± = ± = + = + problémás mveletek: kis számmal osztás, közeli számok kivonása Bizonyítás: Összeadás: Tegyük fel, hogy és azonos eljel. ( + ) = ( + ) ( + ) = ( ) + ( ) Abszolút értéket véve, felülrl becsülve és az abszolút hibakorlát fogalmát felhasználva: ( + ) = +, tehát Összeg relatív hibakorlátja: ( + ) ( + ) = + = + + + + = + + + + Kivonás: Tegyük fel, hogy és azonos eljel. ( ) = ( ) ( ) = ( ) ( ) Abszolút értéket véve, felülrl becsülve és az abszolút hibakorlát fogalmát felhasználva: ( ) = +, tehát 3

Különbség relatív hibakorlátja: ( ) + ( ) = = + = + + Szorzás: ( ) = = + = ( ) + ( ) ( )+=++ + ugyanis Numerikus módszerek tételek Tehát + Szorzat relatív hibakorlátja: ( ) + ( ) = = Osztás: Tegyük fel, hogy és azonos nagyságrend. = + = = = ()() () = Hányados abszolút hibakorlátja: = + = + = = + = + Hányados relatív hibakorlátja: = = = + = + + + + ( ) + ( ) = = ( ) = () = = + + = + 4

A függvényérték hibája: Tétel: (), ekkor () =, ahol () = [, ] és = max () () Bizonyítás: Lagrange-tétellel: () () = () () = () ( ) () = () () Tétel: (), ekkor () = () + = max () (), ahol Bizonyítás: Taylor-formulával: () (: középpont) () () + () ( ) = () ( ) 2! () () = () ( ) + () ( ) 2! () () + () 2 Jó közelítés, ha kicsi. Következmény: () () ha kicsi. () + 2 () ( 0) () () = () () = () Definíció: A cond(, ) () mennyiséget az függvény -beli kondíciószámának nevezzük. () 5

3. Lineáris egyenletrendszerek (LER) megoldása Gauss-eliminációval. Az elimináció és a visszahelyettesítés veletigénye. A sor-, illetve oszlopcsere szükségessége. A részleges és teljes felemkiválasztás. = =?,, Gauss-elimináció Jelölések: () (eredeti) 1. lépés: 1. egyenlet változatlan új. egyenlet =. egyenlet () () () 1. egyenlet ( = 2,,) //ha 0 () () () = () () =1,, = 1,,,+1 Egyenletek: () () () () + + = () () () + = () () () + =. lépés:. egyenlet változatlan új. egyenlet =. egyenlet () (). egyenlet ( = +1,,) //ha 0 () () () = () () 1. lépés után: felsháromszög alak Visszahelyetteítés: = () () = 1,,1 =+1,, = +1,,,+1 () () () () + + = () () () + = () () () () + + = () () = = 1 () () veletigény 1) Gauss-elimináció () ( = 1,,1) 6

. lépés: osztás ( ) ( +1) szorzás ( ) ( +1) összeadás, kivonás ( ) [ ()+3] ()[()+3] = (2 +3) =2 +3 =2 (1)(21) 6 +3 (1) 2 = 2 3 +( ) ( ): olyan függvény, melyet -tel osztva korlátos függvényt kapunk. 2) Visszahelyettesítés 1 osztás meghatározása: 1 osztás szorzás összeadás, kivonás ()+1 [()+1] +1= (2 +1) +1=2+ ( 1)+ 1 = =2 (1) 2 += () Megjegyzések: () 1) Ha =0, akkor sort vagy oszlopot kell cserélni. Sorcsere nem változtatja a megoldást, oszlopcsere esetén a megoldás komponensei felcseréldnek. 2) A lineáris egyenletrendszer megoldhatósága menet közben kiderül. = 0 sok megoldás 0 0 nincs megoldás 3) Számítógépes megvalósítások a. Részleges felemkiválasztás () () () A. lépésben az,,, elemek közül a maximális abszolút érték sorát felcseréljük a. sorral. A megoldás nem változik. sor: [1,2,,] vektor Ebben cserélünk. Minden hivatkozás ezen keresztül történik. b. Teljes felemkiválasztás A. lépésben a. sorok,. oszlopok által meghatározott mátrix részben a maximális abszolút értékt keressük. Sorát a. sorral, oszlopát a. oszloppal cseréljük. A megoldás változik. sor: [1,2,,], oszlop: [1,2,, ] vektorok Ezekben cserélünk, (), () hivatkozások. 7

4. A GE alkalmazásai: determináns számítása, azonos mátrixú lineáris egyenletrendszerek megoldása, mátrix inverz számítás. A GE felírása speciális mátrix szorzásokkal. Kapcsolata az LU felbontással. A Gauss-elimináció alkalmazásai: 1) Determináns számítása felsháromszög alakból () () () det() = (1) : a sor- és oszlopcserék inverzióinak együttes száma 2) Azonos mátrixú lineáris egyenletrendszerek megoldása =, =, = (Gauss-elimináció végrehajtása) 3) Mátrix inverzének meghatározása = = =,,,, =,,, = = = = mátrixegyenletet kell megoldani. Ez darab mátrixú lineáris egyenletrendszer megoldását jelenti. Ha a jobboldalakat egymás mellé rakjuk, a 2) pont alapján csak egyszer kell eliminálni, tehát az kiegészített táblázatra alkalmazott Gauss-eliminációval meghatározhatjuk az inverzet. Gauss-elimináció felírása speciális mátrix szorzásokkal 1 1 0 1 0, 1 0, 1 0 0 0 0 0 1 0 0 = () () jelentése: 1) Az. oszlopa változatlan 2) Az új. sor =. sor. sor ( = +1,,) 3) A Gauss-elimináció. lépése: () = () Következmény: A felemkiválasztás nélküli Gauss-elimináció felírható a következ alakban: = = = Ahol alsóháromszög mátrix a fátlóban 1-esekkel és felsháromszög mátrix. Állítás: = + Bizonyítás: = + = + = 8 0

Állítás: = + + Bizonyítás: Teljes indukció = + ( =1) Tfh -ra igaz, bizonyítsuk +1-re ( < 1) = + + + = = + + + + + = + + Megjegyzés: -t összepakoljuk,, nem 0 elemeibl. 1. Gausseliminációs lépés után () 2. GE lépés után az eredeti oszlopot -gyel végigosztjuk (1) 2 (1) 22 Egy mátrixban van és. 9

5. Az LU felbontás, tétel az!-rl. A fminorok és az LU felbontás kapcsolata. és elemeinek meghatározásának menete, sorrendek az elemek kifejezésére. Mveletigénye. Definíció: LU felbontás =, ahol alsóháromszög mátrix fátlóban 1-esekkel és felsháromszög mátrix. = = 1) = 2) = Numerikus módszerek tételek Az LU felbontás ismeretében két háromszögmátrixú egyenletrendszer megoldásával (visszahelyettesítéssel) megoldható a lineáris egyenletrendszer. Tétel: Az LU felbontás GE végrehajtható sor- és oszlopcsere nélkül. () Bizonyítás: Ha a Gauss-elimináció nem akad el =0 miatt (tehát nincs szükség sor- vagy oszlopcserére), akkor a. lépés felírható alsóháromszög mátrixszal történ szorzással. Az elimináció végén kapott = és = mátrixok a felbontásban szerepl mátrixok. Tétel: Jelöljük =, -val a. fminort. Ha det( ) 0(= 1,,1), akkor! = felbontás és 0(= 1,,1) Bizonyítás: teljes indukcióval = ( ) =1 0 Tfh! = felbontás és 0(=1,,1). Készítsük el felbontását! = = 0 1 0 1) = 2) =! 3) = = 4) = +1 = det( ) = det( ) det( ) = = 1 0 és elemeinek meghatározása az szorzásból (,) = : = + = > : = + = 1 Fontos a jó sorrend: sorfolytonos, oszlopfolytonos vagy parketta-szer. veletigény: 2 / 3 n 3 * (n 2 ) 10

6. Fogalmak: A szimmetrikus, pozitív definit, szigorúan diagonálisan domináns a sorokra ill. oszlopokra, fél sávszélesség, profil, Schur-komplementer. A GE (LU felbontás) megmaradási tételei. Definíció: 1) szimmentrikus, ha =. 2) pozitív definit, ha, = > 0, 0. >0det( )>0(=1,,) 3) soraira nézve szigorúan diagonálisan domináns, ha > ( = 1,,) oszlopaira nézve szigorúan diagonálisan domináns, ha > ( = 1,,) 4) fél sávszélessége, ha, > =0, de, : = 0. 5) profilja a (,, ) (sorra) és (,, ) (oszlopra) számok, ha rögzített, =0(= 1,, ), de, 0 és rögzített, =0= 1,,, de, 0. 6) Tfh és invertálható. Ekkor az [ ] az mátrix -re vonatkozó Schur-komplementere. Megmaradási tételek: Tétel: A GE során (LU felbontás) a következ tulajdonságok nem változnak: 1) A szimmetrikus => [A A 11 ] is szimmetrikus 2) Det(A) 0 => det ([A A 11 ]) 0 3) A poz. def => [A A 11 ] is poz. def. 4) A félsévszélessége > [A A 11 ] félsévszélessége 5) [A A 11 ]-ben az l i, k j értékek nem csökkennek 11

7. Az LDU felbontás és a Cholesky-féle felbontás, kapcsolatuk az LU felbontással. Tétel a Cholesky-féle felbontásról. LDU felbontás: A = L * D * U, ahol L fels háromszög, egyes diagonálissal; U alsó, 1-es diagonálissal; D diagonális. Visszavezetjük az LU felbontásra: A = L * U ~ = L * D <=> D -1 * U ~ = U; D diag(u ~ 11,, u ~ nn) Áll.: A szimmetrikus => A = L * D * U-ban U = L T Biz.: L -1 *\ A = L * D * U /* (L -1 ) T L -1 * A * (L -1 ) T = D * U * (L T ) -1 Szimmetrikus [ 0 \ 0 ] [ 0 1 1 - - - ] => U * (L T ) -1 = I => U = L T LL T (Cholesky-féle) felbontás: A szimmetrikus; A = L * L T, ahol L teljes fels háromszög, és l ii > 0. Tétel: Ha A szimmetrikus és poz def, akkor! A = L * L T felbontás. Biz.: : A = L *D * L T felbontásból A poz def => det(a k ) > 0 => u kk > 0 => d kk > 0 D diag(d 11,, d nn ) A = (L * D) * (D * L T ) L ~ L ~T Megj.: LU-ból ugyanígy!: Indirekt TFH L 1 L 2 : A = L 1 * L T 1 = L 2 * L T 2 ; D i = diag(l (i) 11,, l (i) nn ) (L 1 * D -1 1 ) * (D 1 * L T 1 ) = (L 2 * D -1 2 ) * (D 2 * L T 2 ) 1 0 0 1 1 0 \ 1 0 \ Mivel az LU felbontás egyértelm, => D 1 * L T 1 = D 2 * L T 2 <=> D 2 1 = D 2 2 (mivel d ii > 0) D 1 = D 2 => L T 1 = L T 2 ELLENTMONDÁS! 12

8. QR felbontás Gram-Schmidt ortogonalizációval. Tétel a létezésrl, egyértelmségrl. QR felbontás Gram-Schmidt ortogonalizációval: [,,,, ] = [,,,, ] Numerikus módszerek tételek = 1, = TFH q 1,, q k-1 ismert = + = 1 /, =, + +,, =, = = ( =2,,) Tétel: Ha A oszlopai lineárisan függetlenek, akkor A = Q * R felbontás. Ha feltesszük, hogy r kk > 0 k-ra, akkor egyértelm is. Biz.: : lásd levezetés.!: Indirekt: TFH két különböz QR felbontás A = Q 1 * R 1 = Q 2 * R 2 Q Q 2 T * Q 1 = R 2 * R 1-1 =: R Q * Q T = (Q 2 T * Q 1 ) * (Q 2 T * Q 1 ) T = Q 2 T * (Q 1 * Q 1 T ) * Q 2 = I I I = Q T * Q = R T * R 1. :1= =1>0 0= = 0 2. :1= + => R = I <=> R 2 * R 1-1 = I => R 2 = R 1 ELLENTMONDÁS. =1>0 13

9. QR felbontás Householder transzformációval. A transzformáció tulajdonságai, alkalmazása LER megoldására: A=QR ahol Q ortogonális mátrix ( = = ), R fels háromszögmátrix. A H(v) = I 2vv T mátrixot Householder mátrixnak nevezzük. v, =1 (vv T =1) A H(v)-vel való szorzást Householder transzformációnak hívjuk A transzformáció tulajdonságai: 1) = 2)()á( = = ) H2 =I 3) v-re merleges tükrözés (n-1)dim mátrixa 4) : = Bizonyítás: 1) = =( ) 2) = 2 2 =4 +4 = 3) = 2 =2 4) = 2 =2 QR felbontás Householder transzformációval: = =( ), =, =, = soronkéntalkalmazva LER megoldása Householder transzformációval: = = 0 = éá1. ( veletigény fels háromszögmátrixra: 4 3 + ( ) 14

10. A vektor- és mátrix norma fogalma, példák. Normák ekvivalenciája. Az indukált mátrix norma konstrukciója, az illeszkedés fogalma. Az 1-es,, Frobenius mátrix norma. A 2-es mátrix norma és kapcsolata a spektrálsugárral. Vektornormák: A. : függvényt vektornormának nevezzük, ha 1) 0 2) =0 =0 3) =, Példák: 4) + + = = = max Ekvivalencia: A. é. vektornormák ekvivalensek, ha, : -en bármely két vektornorma ekvivalens. Mátrixnormák: A. : függvényt mátrixnormának nevezzük, ha 1) 0 2) =0 =0 3) =, 4) + +, 5), Indukált mátrixnorma: Legyen. egy tetszleges vektornorma. Ekkor = mennyiség mátrixnormát definiál. Bizonyítás: 1-4. tulajdonság a vektornormákra is igaz ezért teljesül mátrixnormákra is. 5) =0 0= =0 0= 0 =0 = ( = ) = = Bizonyítás: = = 15

Illeszkedés: A. mátrixnorma és a. vektornorma illeszkedik ha: (, ) Az indukált mátrixnorma mindig illeszkedik az t generáló vektornormához. Bizonyítás: = 0: 0 0: szuprémumdefinícióból Az 1,2 és vektornormát a következ mátrixnormákat indukálják: = = (oszloponkéntiösszegekmaximuma) (soronkéntiösszegekmaximuma) =(( )) =( ( )) = ()) Frobenius mátrixnorma: A Frobenius mátrixnorma nem indukált norma. (Indukált normában =1) 2-es norma kapcsolata a spektrál sugárral: spektrálsugár: () = inf{:. indukáltnorma} =(( )) =( ( )) = 16

11. A lineáris egyenletrendszer érzékenységére vonatkozó tételek. A kondíciószám fogalma és tulajdonságai. A lineáris egyenletrendszer érzékenysége: = helyett: Változhat a jobb oldal: = Változhat a bal oldal: ( = A jobb oldal változása permutációs tétel: Ha A invertálható és b0, akkor: 1 () í á á í á () í á Bizonyítás: fels becslés: alsó becslés: = = = = (illeszkednormák) = = =A = (illeszkednormák) = Permutációs lemma: Ha <1, akkor ( + ) és ( + ) = 1 Bizonyítás: () () <1 (+)= ()+10(( + ) = (1+ ) ( + ) ( + ) = ( + ) = [( + ) ]( + ) = ( + ) ( + ) = ( + ) + ( + ) + ( + ) ( + ) ( + ) ( ) 1 (1) (+) 1 () A bal oldal (mátrix) változása permutációs tétel: Ha A invertálható és b0 és <1, ekkor 17

á í á () Bizonyítás: ( )= = á í á =0 () ( + ) = -ra alkalmazzuk a lemmát: = <1 (+ )é( + ) 1 (+ ) ( + ) 1 1 () = () Kondíciószám: A () = mennyiséget A kondíciószámának nevezzük. Csak invertálható mátrixon definiáljuk. Értéke függ a használt normától. A kondíciószám tulajdonságai: 1) (A invertálható) () 1 2) : () = () 3) Q ortogonális (unitér) mátrix: () =1 4) A szimmetrikus és pozitív definit: () = () () 5) A szimmetrikus: () = () () 6) A invertálható: () () () Bizonyítás: 1) 1== Numerikus módszerek tételek 2) = ( ) = () = () = = 3) = ( ) = () =1 5) = () = () = ( ) = 1 () 6) () () ( 1 ) () = () () 18

12. A LER megoldásának iterációs módszerei. Banach-féle fixpont tétel -re. Elégséges feltétel a konvergenciára. Szükséges és elégséges feltétel a konvergenciára. A = lineáris egyenletrendszer = + (nem egyértelm) = + fixpont egyenlet = fixpont Kontrakció: kontrakció, ha 1 kontrakciós együttható. () = Banach-féle fixpont tétel -re: Ha kontrakció akkor: 1)! : = ( ) egyértelm fixpont 2) () kezdvektorra: () = ( () )iterációs sorozat konvergens és lim ( () )= 3) Hibabecslés: i. () () () ii. () () ) Bizonyítás: a) folytonos, egyenletesen folytonos > 0, = < < = b) () Cauchy-sorozat () () = () ( () ) () () () () () () = ( () () )++( () () ) () () + () () + () () = = ( + 1) () () < () () 0 () () c) = lim () = lim (() ) = lim () = () = (), áóá = : d) Egyértelmség indirekt Tegyük fel, hogy fixpontja nek: = () ( ) (1) 0 19

e) Hibabecslés i., öí, íá, : ii. Numerikus módszerek tételek () () () () () () = () ( ) () () Elégséges feltétel a konvergenciára: Ha <1, akkor () -ra az () = () + iteráció konvergál az = megoldáshoz. Bizonyítás: teljesülnek a fixponttétel feltételei: = + + =, -re igaz, = kontrakciós együtthatóval a fixponttétel állításai teljesülnek Lemma: () = inf{:. á} áá > 0:. : () + Szükséges és elégséges feltétel a konvergenciára: () kezdvektorra az () = () + konvergál az = megoldáshoz () <1 (B spektrálsugara <1) Bizonyítás: : <1 ez elégséges feltétel a konvergenciára : indirekt tegyük fel, hogy () 1 1, 0: = : () : () = () = () = () + + = () = () = = = () ()á( () )á 20

13. Speciális iterációs módszerek: Jacobi-iteráció, a koordinátákra felírt alakja és konvergencia tétele. A szigorúan diagonálisan domináns (sorokra ill. oszlopokra) mátrix fogalma. A csillapított Jacobi-iteráció, a koordinátákra felírt alakja és konvergencia tétele. Speciális iterációs módszerekhez: A=L+D+U = ( > ) L alsó háromszög mátrix = 0 D diagonális mátrix = ( < ) U fels háromszög mátrix Jakobi iteráció: ( + + ) = ( + ) + ( + ) + = + iteráció: () ( + ) + = + ( + ) = Koordinátás alak: () 1 () Konvergencia tétele: ( = 1 ), = 0, Ha A szigorúan diagonálisan domináns a soraira (oszlopaira), akkor <1 <1, azaz J(1) iteráció konvergens () -ra. Bizonyítás: = = <1 <1 óá < 21 úáá: > úáá: > Csillapított Jakobi-iteráció: () ( + + ) = ( + ) + = ()+ = [() ( + )] + () ()

iteráció: () = () + + Koordinátás alak: () = () () () Konvergencia tétele: Ha J(1) konvergens akkor 0 <<1-re () is konvergens. Bizonyítás: () = ()+ () (1) konvergens () <1 : <1 = () =()+ () = ()+ = () + = [ )+ ] < ( )+1=1 = + + () <1()0 <<1 22

14. A Gauss-Seidel-iteráció, a koordinátákra felírt alakja. A Gauss-Seidel relaxáció, a koordinátákra felírt alakja és a konvergencia tételei speciális mátrix osztályokra. Gauss-Seidel-iteráció: ( + + ) = ( + ) + (+) + ( + ) ( + áóá:á0) Iteráció: () (+) + ( + ) Koordinátás alak: ( + ) () + + () () () + () [ () + ] () 1 Konvergencia tétele: () () + áó é ú á Ha A szigorúan diagonálisan domináns a soraira (oszlopaira), akkor <1 < 1, azaz a Gauss-Seidel-iteráció is konvergens () -ra és legalább olyan gyors mint a Jacobi-iteráció. Gauss-Seidel reláció: ( + ) + =D() + ( + ) = () + (+) = ( + ) [( )] + ( + ) Iteráció: () = ( + ) [( )] () + ( + ) Koordinátás alak: A koordinántánkénti számoláshoz alakítsuk át a formulát, hogy ne kelljen inverzt számolni: ( + ) () = ( ) () () + () () () () + + ( ) () () () + () + ( ) () () () () () + +(1) áó é ú á Konvergencia tétel: Ha a relaxációs módszer konvergens akkor 0 <<2 Bizonyítás: konvergens () <1 <1 <1det () <1 det () = det( + ) det() = 1 det() () det() =(1) <1 <10<<2 23

Ha A szimmetrikus, pozitív definit és 0 <<2, akkor a relációs módszer és a Gauss-Seidel is konvergens. Ha A tridiagonális, akkor ( ) =( ), azaz a Jacobi és a Gauss-Seidel iteráció egyszerre konvergens és divergens és a Gauss-Seidel 2szer gyorsabb a Jacobinál. Ha A szimmetrikus, pozitív definit és tridiagonális, akkor (1), ()é() (0,2)-re konvergens és az optimális paraméter: = ( ) Ha 0, akkor ( ) = 1<( )=( ) Ha =0, akkor = 1, ( ) =, ( ) =( ) =0 24

15. A Richardson-típusú iteráció, konvergencia tétele. Kerekítési hibák hatása az iterációkra. Richardson-iteráció:) 0 0 + = ( ) Iteráció: ) = ( ) ) Reziduum vektorral: ) ) reziduum (maradék) vektor ) ) () () ) ) () () () ) Agoritmus: () () = 1 : ) ) () ) ) () Konvergencia tétel: A szimmetrikus, pozitív definit, sajátértékeit sorba rendezve 0 < () Ha (0, ) konvergens, és az optimális paraméter = = Bizonyítás: sajátértékei: () = 1 ) = 1,. () = 1 ) = 1 <1(0, 2 ) () ) -ra optimális ha: () = ) metszéspont (1 ) ()=2 2 = ) = ( ) = 2 = = = Kerekítési hibák hatása az iterációra: Tegyük fel, hogy ) ) pontos, konvergens iteráció helyett ) ) ), () Hibasorozat: ) ) ) a hibasorozat k. eleme () () () () () () () () () = () () () 25

() = () () () + () = () () + ( () ++ 1) Numerikus módszerek tételek () + = () + + = () konvergens.:<1 () () ++1< lim () = tehát konvergens () iteráció esetén a fenti kerekítési hibák a () hibasorozatra a következ becslést adja: lim () = 26

16. A részleges LU felbontás algoritmusa és az ILU algoritmus. Részleges LU felbontás: Legyen J a mátrix elemek pozíciójának egy részhalmaza, mely a fátlót nem tartalmazza: ((, ) Az A mátrixnak a J pozícióhalmazra illeszked részleges LU felbontása alatt olyan felbontást értünk, melyre L és U alakja a szokásos (L alsó háromszög mátrix, a diagonálisban 1-esekkel, U fels háromszög mátrix) és =0,(, =0,(, =() (, ILU felbontás Gauss-eliminációval: = alak 1. lépés: = k. lépés: 1) = -ban a (, és (, elemeket nullázzuk -ban () (),,(, () (),,(, 2) = -n elvégezzük a k. Gauss-eliminációs lépést n-1 lépésben fels háromszög mátrix alakra hozzuk -t. = = = = Bizonyítás: = = = + = ( + + ) = ( + ) = Ha A szigorúan diagonálisan domináns, akkor az ILU felbontás egyértelmen létezik. Bizonyítás: a szétbontással -ban nem változik a szig.diag. dominancia, (J nem tartalmazza a fátlót) a Gauss eliminációs lépés sem változtatja meg azt. ILU algoritmus iterációs módszerrel: = alakból, = = ( ) = + = + + = + = = legyen P az A-hoz közeli kicsi gyors iteráció () = () + () = () + könny számolni, ha P-vel könny LER-t megoldani Iteráció reziduum vektorral: () = () () = ( ) () + = () + () () () = () () () = () () : () = () + () ( () = () () = () ) () = () = () + () = () + () Algoritmus: () = () 27

= 0 : () = () lineáris egyenletrendszer megoldása () = () + () () = () + () Általánosítva: () () + () = Minden tanult iteráció felírható így. Általános kétréteg iterációs módszerek: = (1) = () = + (1) = + () = () = 28

17. Nemlineáris egyenletek megoldása. Bolzano tétel, intervallum-felezés. A konvergencia rend fogalma. Brouwer-féle fixpont tétel, Banach-féle fixpont tétel -en. Elégséges feltételek a kontrakcióra. Az m-edrend konvergenciára vonatkozó tétel. Nem lineáris egyenletek megoldása: () = 0 () az f gyöke/zérushelye, fixpontja Bolzano tétel gyök létezéséhez: []() ()< 0() []( ) = 0 Bizonyítás: intervallumfelezés módszerével ellentétes eljelek k. lépés: ( 2 ) > 0 ) =, 2 ( 2 ) < 0 ), = 2 ( 2 ) = 0) = 2 Az intervallum hibabecslése: = 2 2 2 Konvergencia rend: Az ( ) konvergens sorozat(lim )= ) p-ed rendben konvergens, ha lim határérték Brouwer-féle fixponttétel: : [] [][] [] ( ) Bizonyítás: Bolzano tétellel: () () ] ()() [] ()0 ()0 1)() =0 2)() =0 3)() <0,()> 0 ()( )= 0 ( ) Banach-féle fixponttétel: [a,b]-re: : [] [] kontrakció 1) [] ( ) 29

2) [, ]: = ( )fixpontiterációkonvergensés = lim ( ) 3) hibabecslés: Bizonyítás: a) folytonos, egyenletesen folytonos > 0, = < < = b) () Cauchy-sorozat () () = () ( () ) () () () () () () = ( () () )++( () () ) () () + () () + () () = = ( + 1) () () < () () 0 () () c) = lim () = lim (() ) = lim () = () = (), áóá = : d) Egyértelmség indirekt Tegyük fel, hogy fixpontja nek: = () ( ) (1) 0 e) Hibabecslés i., öí, íá, : ii. () () () () () () = () ( ) () () Elégséges feltételek a kontrakcióra: [, ]é () <1[,]ó[, ] é = max [,] () Bizonyítás Lagrange-középértéktétellel:,, [, ], () () = () max [,] () <1 ()() max [,] () ó. [, ]é [, ]é0< : () <1, [, + ] Ha :0< () ( ), : [, + ] [, + ]éó[, + ] 30

Bizonyítás: () = () () + () () () + () + ( ) + ( )= Numerikus módszerek tételek Az m-edrend konvergenciára vonatkozó tétel: Tegyük fel, hogy az ( ) sorozat konvergens, = ( ) és ( ) = ( ) = () ( ) =0 de () ( 0. Ekkor az ( ) sorozat m-ed rendben konvergens és hibabecslése! ( = max [,] () Bizonyítás Taylor formulával középponttal: () = ( ) + ( )( ) + ( ) ( ) + ( ) 2! ( 1)! ( ) + ( ) ( )! = ( ) = ( ) + ( ) ( )! = ( ) ( )!! ( ) konvergencia rendje m ( ) lim = lim = ( ) = 0!! 31

18. A Newton-módszer és konvergencia tételei (monoton, lokális). f(x) = 0-ra, x 0 tetszleges kezdérték A k. lépésben az (x k, f(x k )) ponton átmen érintvel közelítjük az f-et. X k+1 az érintnek az x tengellyel vett metszéspontja. Globális vagy monoton konvergencia tétel: TFH f C 2 [a,b] és 1) x* [a,b] : f(x*) = 0 2) f és f állandó eljel 3) x 0 [a,b] : f(x 0 ) * f (x 0 ) > 0 Ekkor x 0 -ból indított Newton módszer konvergens x*-hoz. Biz.: Spec. Eset: f, f > 0 (a többi ugyan így megy) Taylor-formula alkalmazása: x k kp. (x; x k ) v. (x k ; x) x x k+1 : Érint: y - f(x k ) = f (x k ) * (x x k ) m X tengellyel vett metszéspont: -f(x k ) = f (x k ) * (x k+1 - x k ) -f(x k )/f (x k ) = x k+1 x k x k+1 x kf(x k )/f (x k ) () ( ) ( )( )+ () 2 ) ( ) ( ) ( )( ) => f(x k+1 ) > 0 k-ra f(x 0 ) > 0 3. feltétel => f(x k ) > 0 k + ( ) 2 ) ( ) ( ) => ( ) ó 0=( )( )=>, >0=>=>( ). Tehát(x kkonv.: lim ( ) Lokáliskonvergenciatétele: =>()= lim ( ) = ( ) lim ( 2 ) =0. =>, 32

TFH f C 2 [a,b] és 1) x* [a,b] : f(x*) = 0 2) f állandó eljel 3) 0 < m 1 f (x), x [a,b] 4) f (x) M 2, x [a,b] M M 2 /2*m 1 5) X 0 [a,b] mi n { 1 ; ; } Ekkor az x 0 -ból indított Newton-módszer másodrendben konvergens, és hibabecslése: Biz.: Taylor-formula alkalmazása: x k kp., x x * hely. 0=( )( ) ( )( )+ ( ) 2 ( ) ( ) + ( ) ( ) ( ) ( ) ( ) = ( ) ( ) ( ) ( ), ( ). ( ) Becslés: Belátjuk teljes indukcióval, hogy az x k k r (x * ): x 0 x * < r. OK 5. feltétel TFH x k x * < r k => Vizsgáljuk: =() Hibabecslésbl folytatjuk a konvergencia bizonyítását: k+1 M * k 2 /*M M * k+1 (M * k ) 2 d k+1 d k 2 d k+1 d k 2 (d k-1 2 ) 2 (d 0 ) 2^k+1 M * k+1 (M * 0 ) 2^k+1 k+1 1/M * (M * 0 ) 2^k+1 0 k+1 hiba <1 konvergencia rend bizonyítása: -ból x k x * (k) ( ). ( )=>, ( ) = lim lim () () 2 ( ) = ) 33

19. Húrmódszer, szelmódszer, többváltozós Newton-módszer. Húrmódszer: f(x) = 0-ra, x 0 a, x 1 b, és f(a)*f(b) < 0. A k. lépésben az (x k ;f(x k )) és (x s ;f(x s )) pontokon átmen egyenes közelíti f-et, ahol x s : a legnagyobb index pont, melyre f(x k )*f(x s ) < 0 x k+1 : az egyenes metszéspontja x tengellyel. ( ) ( )( ) ( )( ) ( )( ) Tétel: TFH f C 2 [a,b] és f(a) * g(b) < 0 M M 2 /2*m 1 (mint a Newton-módszernél) M * (b-a) < 1 Ekkor az x 0 -ból indított húrmódszer konvergens, és x k+1 x * 1/M * (M * x 0 x * ) 2 NEM BIZ! Szelmódszer: Húrmódszerbl származtatható, úgy, hogy i k+1, és nincs eljel feltétel. ( )( ), ( ) ( ) Tétel: Ha teljesülnek a Newton-módszer lokális konvergencia tételének feltételei, akkor a szelmódszer konvergens = NEM BIZ! rendben, és Többváltozós Newton-módszer: F-nek az elsfokú Taylor-polinómja: () () () x (k+1) : Taylor-poli = 0 0 () () () () () () () () () () () Végrehajtása: () () () () = ) = ) )= ) ) 34

20. A Horner algoritmus polinom és deriváltja helyettesítési értékeinek gyors számolására. Becslés a polinom gyökeinek elhelyezkedésére. Horner algoritmus: Polinomok helyettesítése értékeinek, és derivált értékeinek számolására Algoritmus: () = + + = + + + () : () () : : () () () = 1,,0: + () () = () Állítás: () = + ( () () ) + () + = () é () () = () = Biz.: üó: =? () üó: =? () () () () > = + üó: =? () () () () > = + (. ) () =1 ()+() () ()= ()+0= () : (),, () éü Állítás: () = () + () ( ) + () ( ) + NEM BIZ! Polinomok gyökeinek becslése: () = () ()! ( ) () öüú ( )() () = + +, (= 1,,), 0, 0 Tétel: A P(x) polinom bármely x k gyökére < <, =1+ max 1, = 1+ max Biz.: a)tfh x R belátjuk, hogy P(x) > 0 => x nem gyök () + + ( + + ) 35,

max ( + +1) >! max 1 = max 0 1 b) x1/y hely () = 1 = 1 + 1 + = 1 ( + + ) 0=( )= 1 = 1 ( ) ( )> ( ) = 0, 1 = <1+max = 1 < () 36