Sie sind auf Seite 1von 7

TH Nürnberg Georg Simon Ohm Wintersemester 2020/2021

Prof. Dr. Tim Kröger

Numerische Mathematik 1 für AMP

Übungsblatt 2
Zu bearbeiten bis: 18. Oktober 2020

Aufgabe 12:
a) Sei k·k eine Vektornorm und c > 0 eine Zahl. Ist dann das durch die Festlegung

|||x||| = c · kxk

definierte Funktional |||·||| wiederum eine Vektornorm?

b) Sei k·k eine Matrixnorm und c > 0 eine Zahl. Ist dann das durch die Festlegung

|||A||| = c · kAk

definierte Funktional |||·||| wiederum eine Matrixnorm?

Aufgabe 13:
a) Beweisen Sie, dass für jede Matrixnorm kEn k ≥ 1 ist (wobei En die n × n-
Einheitsmatrix ist).

b) Beweisen Sie, dass für jede Matrixnorm, die einer Vektornorm zugeordnet ist,
kEn k = 1 ist.

Aufgabe 14: Ist durch die Vorschrift

kAk = max|aij |
i,j

eine Matrixnorm gegeben?

Übungsblatt 2, Seite 1
Aufgabe 15: Ist das durch

|||A||| = kAT k1

definierte Funktional |||·||| eine eine Matrixnorm? Ist |||A||| dasselbe wie kAk1 ? Wenn nicht,
stimmt |||A||| dann vielleicht mit irgendeiner anderen bekannten Matrixnorm überein?

Aufgabe 16: Es seien x ∈ Rn und A ∈ Rn×n .


a) Beweisen Sie mit Hilfe der Cauchy-Schwarzschen Ungleichung, dass für jedes i die
Abschätzung
v
n
u n 2
X uX
aij xj ≤ t aij · kxk2
j=1 j=1

gilt.

b) Beweisen Sie, dass die Frobenius-Norm mit der 2-Vektornorm verträglich ist.

c) Beweisen Sie, dass auch die Gesamtnorm mit der 2-Vektornorm verträglich ist.
Hinweis: Beweisen Sie kAkF ≤ kAkG .

Aufgabe 17: Beweisen Sie, dass die Frobenius-Norm (für n > 1) keiner Vektornorm
zugeordnet ist. Hinweis: Aufgabe 13.

Aufgabe 18: Gegeben sind


   
1 2 3 2
A = 2 0 −1 , x =  5 .
3 4 2 −3

Gehen Sie davon aus, die Einträge von x Messdaten sind, die einem absoluten Fehler von
jeweils maximal 0.1 unterliegen. Bestimmen Sie den maximal zu erwartenden absoluten
Fehler in dem Produkt

y =A·x

in der ∞-Norm.

Übungsblatt 2, Seite 2
Aufgabe 19: Beweisen Sie, dass für die Konditionszahlen von quadratischen regulären
Matrizen (bezüglich einer beliebigen Matrixnorm) die Abschätzung

κ(AB) ≤ κ(A) · κ(B)

gilt.

Aufgabe 20: Gegeben sind


   
2 0 −1 3
A = 1 3 1 , b =  4 .
2 −5 2 −1

Gehen Sie davon aus, dass b aus Messwerten besteht und mit einem relativen Fehler von
maximal 0.06 in der 1-Norm behaftet ist. Mit welchem relativen Fehler in der 1-Norm ist
dann bei der Lösung x des linearen Gleichungssystems

Ax = b

zu rechnen? Hinweis: Benutzen Sie ohne Rechnung, dass kA−1 k1 = 2/3 ist.

Aufgabe 21: Sei A eine quadratische Matrix. Zeigen Sie, dass A und AT dieselben Ei-
genwerte haben.

Aufgabe 22: Sei A eine quadratische Matrix (mit möglicherweise auch komplexen Ein-
trägen).
a) Beweisen Sie kAk2 = kA∗ k2 . (Hierbei bezeichnet A∗ die transponierte, konjugiert-
komplexe Matrix zu A. Im reellen Fall ist A∗ = AT .)

b) Beweisen Sie κ2 (A) = κ2 (A∗ ).

Aufgabe 23: Finden Sie eine reelle Matrix, für die die Spektralnorm nicht mit dem
Spektralradius übereinstimmt.

Aufgabe 24 (Themenabschluss Matrixnormen, Kondition von Matrizen): Erstellen Sie


ein Poster (DIN A 4 genügt), auf dem die folgenden Begriffe schematisch miteinander in
Beziehung gebracht werden.

Übungsblatt 2, Seite 3
• 1-Vektornorm; • Kondition einer Matrix;

• 2-Vektornorm; • Matrixnorm;
• ∞-Vektornorm; • relative Kondition;
• absolute Kondition; • Spaltensummennorm;
• Frobenius-Norm; • Spektralnorm;
• Gesamtnorm; • Spektralradius;
• Kondition der Multiplikation mit ei- • verträgliche Matrixnorm;
ner Matrix;
• Zeilensummennorm;
• Kondition des Lösens eines linearen
Gleichungssystems; • zugeordnete Matrixnorm.

Aufgabe 25:
a) Berechnen Sie die LR-Zerlegung (ohne Pivotsuche) der Matrix
 
2 3 4 1
 6 6 16 12
A= −10 −21 −10 14 .

4 6 2 3

b) Berechnen Sie mit Hilfe der LR-Zerlegung die Lösung des Systems Ax = b mit

b = (34, 90, −185, 29)T .

c) Berechnen Sie mit Hilfe der LR-Zerlegung die Determinante von A.

Anmerkung: Für der Bestimmung von Rechenaufwänden soll generell so gezählt werden,
wie in der Vorlesung besprochen, das heißt:

• Jede Axpy-Operation zählt als eine Operation.

• Bei Verfahrensteilen, die nicht über Axpy-Operationen darstellbar sind, zählt jede
Grundrechenoperation als eine Operation.

Übungsblatt 2, Seite 4
Aufgabe 26: Geben Sie eine quadratische Matrix A an, bei der das Gauß-Verfahren ohne
Pivotsuche nicht durchführbar ist, obwohl
• A regulär ist und
• A keine Nulleinträge besitzt.
Hinweis: Überlegen Sie zunächst, wie groß diese Matrix mindestens sein muss.

Aufgabe 27: Die Inverse A−1 einer n × n-Matrix kann als Lösung X des matrixwertigen
linearen Gleichungssystems
A · X = En
aufgefasst werden. Die Berechnung kann also über eine LR-Zerlegung und mehrfaches
Vorwärts- und Rückwärtseinsetzen erfolgen. Wie groß ist der Rechenaufwand hierfür zu
führender Ordnung?

Aufgabe 28:
a) Wie viele Rechenoperationen benötigt die Berechnung des Matrixprodukts
A · B, A ∈ Rn×m , B ∈ Rm×p ?

b) Wie viele Rechenoperationen benötigt die Berechnung des Matrix-Vektor-Produkts


A · x, A ∈ Rn×n , x ∈ Rn ?


Aufgabe 29: In einer Anwendung muss ein Ausdruck der Form
B · A−1
berechnet werden, wobei A eine reguläre n × n-Matrix und B jedoch eine (rechteckige)
m × n-Matrix (mit m ≪ n) ist. Der naheliegende Algorithmus über die Berechnung
der Inversen und der anschließenden Matrixmultiplikation erfordert gemäß Aufgaben 27
und 28.a) (zu führender Ordnung in n und m)
4 3
n + mn2 Rechenoperationen.
3
Schlagen Sie einen alternativen, schnelleren Algorithmus vor, und berechnen Sie dessen
Rechenaufwand zu führender Ordnung. Hinweis: Transponieren Sie den zu berechnenden
Ausdruck. Der Rechenaufwand zum Transponieren einer Matrix kann als vernachlässig-
bar angesehen werden.

Übungsblatt 2, Seite 5
Aufgabe 30: Programmieren Sie die LR-Zerlegung
a) ohne Pivotsuche,

b) mit Spaltenpivotsuche.
Verwenden Sie die speichersparende Implementierung, wie in der Vorlesung erläutert.
Empfohlene Funktionssignaturen:
function [A,m] = lr_zerlegung(A)
function [A,m] = lr_zerlegung_spaltenpivot(A)
mit folgenden Parametern:
A (Eingabe): Matrix;
A (Ausgabe): zerlegte Matrix;
m (Ausgabe): Merkvektor für Zeilentausch.
Programmieren Sie dazu die passende Methode, um mittels der Zerlegung ein lineares
Gleichungssystem zu lösen. Empfohlene Funktionssignatur:
function x = loese_lgls(A,m,b)
mit folgenden Parametern:
A, m: Ausgabe eines der obigen Programme;
b: rechte Seite des linearen Gleichungssystems;
x: Lösung des linearen Gleichungssystems.
Vergleichen Sie dann die beiden Methoden experimentell miteinander. Versuchen Sie
insbesondere, Beispiele zu finden, bei denen der Algorithmus ohne Pivotsuche zu einem
unbrauchbaren Ergebnis führt.

Aufgabe 31:
a) Berechnen Sie die LR-Zerlegung mit Spaltenpivotsuche für die Matrix
 
2 −4 −6
A = −2 4 5 .
1 −1 3
Geben Sie auch die Permutationsmatrix P an.

b) Berechnen Sie mit Hilfe der Zerlegung die Lösung des Systems Ax = b mit
b = (−2, 0, 10)T .

c) Berechnen Sie mit Hilfe der Zerlegung die Determinante von A.


Übungsblatt 2, Seite 6
Aufgabe 32 (Themenabschluss Lineare Gleichungssysteme, direkte Verfahren): Er-
stellen Sie ein Poster (DIN A 4 genügt), auf dem die folgenden Begriffe schematisch
miteinander in Beziehung gebracht werden.

• Äquilibrierung; • Residuum;

• Fehler; • Spaltenpivotsuche;

• Gauß-Verfahren; • Stabilität;

• totale Pivotsuche;
• LR-Zerlegung;
• Vorwärtseinsetzen, Rückwärtseinset-
• Nachiteration; zen;

• Rechenaufwand; • Zeilenpivotsuche.

Lösungen: 12.a) Ja. 12.b)


 Nein. (Aber für c≥ 1 ja.) 14.
 Nein. 15. |||A||| = kAk∞ . 18. 0.9.
1 0 0 0 2 3 41

3 1 0 0
20. 0.32. 25.a) L = −5 2 1 0 , R = 0
0
−3 4 9 .
0 21 25.b) (2, 3, 6, −3)T . 25.c) −48.
2 0 −3 1 0 0 04
27. (4/3)n3 . 28.a) nmp. 28.b) n2 . 29. (1/3)n3 + mn2
Rechenoperationen. 31.a) L =
 1 0 0  2 −4 −6  1 0 0
1/2 1 0 , R = 0 1 6 , P = 0 0 1 . 31.b) (3, −1, 2)T . 31.c) 2. 
−1 0 1 0 0 −1 010

Übungsblatt 2, Seite 7