Angewandte Mathematik Numerik

Angewandte Mathematik
Numerik
Prof. Dr. Daniel Gembris
BA Dresden
Numerische Mathematik (Numerik)
• Zentrales Thema: Näherungsweise (approximative) Berechnung von Lösungen mit Hilfe von
Computern
• Gründe für Numerik:
– Keine explizite Lösungsdarstellung vorhanden (z.B. Integral von exp(-x²))
– Lösungsdarstellung existiert, eignet sich aber nicht für schnelle Berechnungen und/oder Rechenfehler
machen sich zu stark bemerkbar (z.B. beim Gaußschen Eliminationsverfahren)
• Anfänge: Berechnung der Kreiszahl  (durch Archimedes) und Wurzelberechnungen (Babylon –
früherer Stadtstaat im heutigen Irak – 1800 bis 100 v.Chr.); 1930er Jahre: Automatisierung von
Berechnungen im Bauwesen durch Konrad Zuse
• ‚Bibel‘ der Numerik: „Numerical Recipes in C“
(www: numerical.recipes, https://de.wikipedia.org/
wiki/Numerical_Recipes)
• Bindeglied zwischen der Analysis und Analysis einerseits technischen/wissenschaftlichen
Anwendungen andererseits
D. Gembris, BA Dresden 2
Numerische Simulation
• Unterteilbar in folgende Schritte
Auswertung
Modellierung Parametrisierung Berechnung und
Darstellung
(Optimierung der Simulation)
Mathematische Anpassungen an Eigentliche Visualisierung

Gleichungen konkrete Numerik; Start und
aufstellen Aufgabenstellung eines „Lösers“ Statistik
Neuerer Begriff für realistische Computermodelle: „Virtueller Zwilling“ (virtual twin),

z.B. in der Medizin oder Logistik
Viele Computersimulationen basieren
auf partiellen Differentialgleichungen:
• Wettervorhersage
• Klimarechenmodelle
• Automobilindustrie: Navier-Stokes-
Modellkette des Deutschen
Strömungssimulation Gleichungen Wetterdienstes (DWD);
• Virtuelle Realität: Wasserwellen nur Deutschland wird mit dem
feinsten Gitter modelliert
• Automobilindustrie: Crashtest
• Virtuelle Realität: Schallwellen
Optional: Video der Max-Planck-Gesellschaft „Klimamodelle - die Welt im Computer“;
https://www.youtube.com/watch?v=ouPRMLirt5k
Simulationsergebnisse: https://www.dwd.de/DE/klimaumwelt/klimaatlas/klimaatlas_node.html
Aktuelle Anwendung:
Simulation von Aerosol-
Ausbreitung für
Abschätzung des Risikos
einer SARS-CoV-2-Infektion
Rechts: Ausbreitung der

Aerosole in einem
Supermarkt (freies Husten,
Belüftungsanlage aktiv)
Quelle: https://youtu.be/EuBZxaShrKU
Optional: https://youtu.be/WdjxUxj7kn0 (ebenfalls Simulation: am Tisch sitzen, im Chor singen)
Optional: https://www.youtube.com/watch?v=DNeYfUTA11s (Hochgeschwindigkeitsaufnahmen)
Risiko-Berechnung: https://www.zeit.de/wissen/gesundheit/2020-11/coronavirus-aerosole-ansteckungsgefahr-infektion-hotspot-innenraeume
Numerische Mathematik
• Überblick
• Gleitkommazahlen, Fehler numerischer Rechnungen
• Nullstellenberechnung
• Interpolation
• Numerisch differenzieren
• Numerisch integrieren
• Lineare Gleichungssysteme
• Lösen von Differentialgleichungen
• Numerische Bibliotheken: NAG, IMSL, LAPACK
https://de.wikipedia.org/wiki/Kategorie:Freie_numerische_Software
https://de.wikipedia.org/wiki/Liste_numerischer_Verfahren
Gleitkomma-Zahlenformat
• Jede Zahl lässt sich in der Form z = mbe darstellen mit m: Mantisse, b: Basis, e:
Exponent
• Beispiel: Die Zahl 784 lässt sich als 7,84 · 102 schreiben mit 7,84 als Mantisse, 10
als Basis und 2 als Exponent.
• Fehlende Eindeutigkeit: 4,25 = 42510-2 = 0,425101. Dies erklärt den Begriff
„Gleitkomma“.
• Eindeutigkeit durch Normalisierung: Eine Gleitkommazahl heißt normalisiert,
wenn die Mantisse in einem festgelegten Bereich liegt
• Naheliegende Festlegungen für diesen Bereich:
(die erste Ziffer  0 steht direkt nach dem Komma)
ODER
(die erste Ziffer  0 steht direkt vor dem Komma)

• Beim hier vorgestellten Standard IEEE 754 gilt die zweite Bedingung; mit b = 2
(Binärsystem) folgt:
• Einfach genaue Zahlen (32 Bit): ca. 7 Dezimalstellen, doppelt genaue Zahlen (64
Bit): ca. 16 Dezimalstellen
• Standard: IEEE 754 (s. z.B.: https://de.wikipedia.org/wiki/IEEE_754)
• Beispiel: 4,25: ganzzahliger Teil = 410 = 0100, gebrochener Teil = 0,25
= 0*2-1 +1*2-2 ; 4,25 = 0100,01002 = 1,0001*22; Exponent: e = 210; Charakteristik:
C = e + bias = 210 + 12710 = 12910 = 1000 00012
0 (positive Zahl) 100 0000 1000 1000 0000 0000 0000 0000 (32 Bit-Binärzahl)
• Online-Rechner: z.B.: https://www.h-schmidt.net/FloatConverter/IEEE754.html
ANSI/IEEE 754-1985 (single precision)*
• Für 32-Bit-Gleitkommazahlen
(für die Basis 2)
*) IEEE: Institute of Electrical and Electronics Engineers

Fehler von numerischen Lösungen
„Modellfehler“: (bei der Behandlung von „Numerische Fehler“:
Problemen aus der Praxis) - Diskretisierungsfehler
- Idealisierungsfehler: Modell ignoriert Beispiel: Bestimmtes Integral („Fläche unter
oder vereinfacht (z.B. durch der Kurve“) durch Summe über eine endliche
Linearisierung) Abhängigkeiten Zahl von Rechtecken ersetzen
- Datenfehler: Die für das Aufstellen von - Abbruchfehler:
Modellen erforderlichen Daten (z.B. Berechnung wird nach endlich vielen Schritten
Parameter, Anfangs- und beendet, obwohl für ein exaktes Ergebnis
Randbedingungen) stammen aus unendlich viele notwendig wären
Messungen, die nur eine endliche (z.B. Nachkommastellen von  berechnen)
Genauigkeit haben (begrenzte - Rundungsfehler:
Stellenzahl, Rauschen) Computer verfügen nur über eine endliche
Rechengenauigkeit
Später: Stabilität/Güte numerischer Lösungen
abhängig vom Problem und Lösungsverfahren
• In verketteten Berechnungen können sich Rundungsfehler mit
jeder Rechnung verstärken und anwachsen.
• Reduktion von Rundungsfehlern: Bei der Addition mehrerer,
um Zehnerpotenzen unterschiedlicher Zahlen kann eine
vorherige Sortierung der Zahlen sinnvoll sein.
• Fließkommazahlen nie direkt auf null prüfen, sondern z.B. so:
richtig: if(fabs(value)<1E-5) printf(„value equals zero“);
falsch: if(value==0) printf(„value equals zero“)
• Noch besser: Präprozessor-Konstante verwenden (aus float.h)
if(fabs(value)<FLT_EPSILON) printf(„value equals zero“);
FLT_EPSILON (1E-5) kleinste Zahl x für die gilt 1.0 + x ≠ 1.0
Quelle für FLT_EPSILON: https://de.wikibooks.org/wiki/C-Programmierung:_float.h
• Demonstration der Probleme beim direkten Vergleich von Fließkommazahlen
void main() {
float a = 69.82; Die Variablen a und b haben leicht
float b = 69.2 + 0.62; unterschiedliche Werte. Ein Überprüfung
bool bEqual = (a == b); auf Gleichzeit fällt daher negativ aus.
printf("a: %.20f\n", a); a: 69.81999999999999300000

printf("b: %.20f\n", b); b: 69.82000000000000700000
if (bEqual)
printf("gleich\n\n");
Richtig wäre:
else bool bEqual = (fabs((a-b)<FLT_EPSILON));
printf("ungleich\n\n"); (Überprüfung auf Gleichheit im Rahmen der
Maschinengenauigkeit)
• Auslöschung: Die Subtraktion von etwa gleich großen Zahlen führt zu einem großen relativen
Fehler (daher, wenn möglich, vermeiden)
• Beispiel: a = 2,345678; b = 2,346789; b – a = 0,001111
• Angenommen, nur die ersten vier Stellen sind korrekt:
2,345 - 2,346 = 0,001; relativer Fehler: (0,001111-0,001)/0,001  10%
• Regel: Die Subtraktion von zwei p-stelligen Zahlen(hier p=7), die in den ersten k Stellen
übereinstimmen (hier k=3), reduziert die Zahl der effektiven Stellen von p auf p-k (hier: 4).
• Unterscheiden sich die Zahlen in den letzten p-k Stellen nur um Rundungsfehler, ist der 1
Unterschied nicht bedeutungsvoll (im Beispiel nur eine relevante Stelle) 𝑦 =𝑎+
𝑎
• In Berechnungen kann ggf. durch Termumformung die Subtraktion gleich großer Zahlen 1
𝑧 =𝑎−
durch einen besser zu berechnenden Ausdruck ersetzt werden 𝑎
Beispiel: ; „Trick“:
• Überblick
• Interpolation
Nullstellenberechnung
(engl.: root finding)
• Eine der wichtigsten Aufgaben der Numerik
• Es lassen sich damit Gleichungen lösen: Diese so umformen, dass f(x) = 0 ;
bei einer Unbekannten nur für nicht lineare Gleichungen sinnvoll, z.B.
• Beispiel Nullstellen von Polynomen: Exakte Lösungen für Grad 2 p-q-Formel,

(deutlich kompliziertere) Formeln für Grad 3 und 4 (Cardanische Formeln), ab
Grad 5 im Allgemeinen numerische (Näherungs-)Methoden erforderlich (Galois-
Theorie)
• Eine unabhängige Variable, eine Gleichung: 1D-Problem
• N unabhängige Variablen, N Gleichungen: N-dimensionales Problem
• Iterative Lösung. Grundprinzip: Ausgehend von einer vorgegebenen
geschätzten Lösung wird x schrittweise neu berechnet bis |f(x)|
kleiner als ein geforderter Wert nahe null ist (Konvergenzkriterium für
den Funktionswert)
• Verschiedene Verfahren:
- Bisektion
- Regula Falsi
- Sekanten
- Newton-Raphson, kurz: Newton
Optional: Wie man 2D Gleichungen mit Farbe löst von 3blue1brown

https://www.youtube.com/watch?v=b7FxPsqfkOY
• Grundlage ist der
Nullstellensatz von Bolzano:
Eine reelle, stetige Funktion
f(x) hat mindestens eine
Nullstelle zwischen xl und xu,
wenn ein Vorzeichenwechsel
im Intervall vorliegt, d.h.
f(xl)  f(xu)<0
(Spezialfall des
Zwischenwertsatzes) Zwischenwertsatz: Eine auf
einem Intervall [a,b] reelle,
stetige Funktion f nimmt jeden
Wert zwischen f(a) und f(b) an.
Newton-Verfahren Sekantenverfahren: Sekante

(Tangente) durch zwei Punkte  Schnittpunkt
mit x-Achse  Neuer Punkt (ersetzt
den ältesten)
Kombination aus
Sekanten- und
Bisektions- m
verfahren
Regula Falsi Bisektion (=Intervallhalbierung)
Vorteil: keine Ableitung
erforderlich) m = (a+b)/2
Bisektion
• Im Intervall [a,b] sollen die Nullstellen der Funktion f(x) gesucht werden; f(a) und f(b) haben
unterschiedliches Vorzeichen; damit muss mindestens eine Nullstelle existieren
• Unterteilung des Intervalls [a,b] in zwei Teilintervalle; wähle ein Teilintervall, das ebenfalls einen
Vorzeichenwechsel aufweist; weitere Unterteilung bis Lösung hinreichend genau
x1 := a; x2 := b;
while abs(x2 - x1) > eps do
m := (x1 + x2) / 2;
if f(m) * f(x1) >= 0 then
x1 := m;
else
Pseudocode (eps: Fehlerschranke;
x2 := m;
end;
Lösung auf eps/2 genau):
end;
return (x1 + x2)/2;
Quelle: Wikipedia, Ralf Pfeifer
Newton-Verfahren
• Iterative Rechenvorschrift:
• Herleitung über Steigungsdreieck: Linearisierung von Funktionen

(Spezialfall der Taylor-
Reihenentwicklung):


• Anwendung z.B. Wurzelberechnung:
37 berechnet mit x³-7 = 0
Sekantenverfahren
• Sekante zu zwei Startpunkten (x1,f(x1)) und (x2, f(x2))
• x-Koordinate des dritten Punktes
(x3) aus Schnittpunkt der
Sekante mit der x-Achse
• x3 ersetzt x1
• Animation zur Illustration
Quelle: Wikipedia, Ralf Pfeifer

Regula-falsi Kombination aus Sekanten- und Bisektionsverfahren
(lateinisch regula falsi ‚Regel

des Falschen‘; Berechnung
ausgehend von ‚falschen‘
Testwerten
Konvergenz-Vergleich
a) Newton-Raphson: Wenn hinreichend nah an der Nullstelle,
quadratische Konvergenz (Fehler wird quadriert), d.h. Verdopplung der
richtigen Dezimalstellen mit jeder Iteration
b) Sekantenverfahren: Berechnung des Schnittpunktes der Sekante mit der x-

Achse; kommt ohne Ableitung aus, kann instabil sein
c) Regula falsi: Wie Bisektionsverfahren, aber nicht Intervallhalbierung, sondern

Unterteilung am Schnittpunkt der Sekante mit der x-Achse
d) Bisektionsverfahren (Intervallhalbierung): nur lineare Konvergenz

Videos von Prof. Loviscach „15.6 Iterative Lösung, Nullstellensuche, Newton-Verfahren“
https://www.youtube.com/watch?v=wxUlGcZFB50 „15.7.1 Konvergenz des Newton-Verfahrens“,
https://www.youtube.com/watch?v=zM99XMSjuJc
Newton-Verfahren: Konvergenz
f x 
• Mehrfache Iteration
• Betrachte xneu als Funktion von x; xneu
es lässt sich zeigen, dass die
Ableitung an der
gesuchten Nullstelle null wird
• Damit verläuft die x0
Funktion (xneu)
in der Nähe der
Nullstelle quadratisch x0 xalt
quadratische Konvergenz
• Zahl der richtigen Stellen
verdoppelt sich. Warum?
Abweichung von exakter Nullstelle z.B. = 0.001 (3. Stelle quasi sicher);
Quadrieren: 0.000001 (6. Stelle quasi sicher)
Videos von Prof. Loviscach „15.7.2 Konvergenz des Newton-Verfahrens“, https://www.youtube.com/watch?v=UPNpcpmOFh8
„15.7.3 Konvergenz des Newton-Verfahrens“, https://www.youtube.com/watch?v=uAtWWhU8sgk
Newton-Verfahren: Quadratische Konvergenz
• Welche Steigung hat in der Nähe von ?
xneu
→
wegen f(x)0 für xx0
• Die 1. Ableitung von xneu(x)
verschwindet, also muss der für Schnittstelle: x0
Verlauf von xneu(x) mindestens f‘(x)0
quadratisch sein. x0 xalt
Optional: Mehrdimensionales
Newton-Verfahren
• Bestimmung der Nullstellen mehr-dimensionaler Funktionen z.B. für nicht lineare Optimierung
(mit dem Gauß-Newton-Verfahren)
𝑓: ℝ → ℝ
• Ausgangspunkt: Taylorentwicklung der Funktion
𝑓 𝒙+𝒉 =𝑓 𝒙 +𝑱 𝒙 𝒉+𝑂 𝒉 , für 𝒙, 𝒉 ∈ ℝ
𝜕𝑓 𝜕𝑓 𝜕𝑓
mit der Jacobi-Matrix J: 𝜕𝑥 𝜕𝑥
⋯
𝜕𝑥
• Nicht Nullstellen der 𝜕𝑓 𝜕𝑓 𝜕𝑓 𝜕𝑓
Funktion f suchen, sondern 𝑱 𝒙 ≔ 𝒙 = ⋯
𝜕𝑥 𝜕𝑥 𝜕𝑥 𝜕𝑥
von ihrer Linearisierung. ⋮ ⋮ ⋱ ⋮
! 𝜕𝑓 𝜕𝑓 𝜕𝑓
⋯
𝜕𝑥 𝜕𝑥 𝜕𝑥
Gesucht: h; Bestimmung von h
entspricht dem Lösen eines linearen Gleichungssystems
Finden der Intervallgrenzen
• „mindestens eine Nullstelle“: Gibt es mehrere in einem Intervall, lässt sich
schwer vorhersagen, welche gefunden wird
http://www.mpia.de/~mordasini/UKNUM/Lecture_03.pdf
Finden der Intervallgrenzen
• Nullstellen können „übersehen“ werden, besonders dann,
wenn Funktionswerte an den Intervallgrenzen das selbe
Vorzeichen haben
• Nullstelle nur in einem Punkt
(Berührpunkt), oder
Vorzeichenwechsel nur
in einem sehr kleinen Intervall
http://www.mpia.de/~mordasini/UKNUM/Lecture_03.pdf
• Unstetigkeitsstellen oder andere Pathologien im gewählten Intervall,
z.B. f(x)=sin(1/x)
• Überblick
• Interpolation
Interpolation, Extrapolation, Regression
- Geraden zwischen den
Punkten: stückweise
lineare Interpolation
- Lange schwarze Gerade:
Regressionsgerade
(Ausgleichsgerade)
- Roter Punkt:
Extrapolation
(eine von unendlich
vielen möglichen)
Interpolation
• Zu gegebenen diskreten Daten (z.B. Messwerten) soll eine stetige Funktion
gefunden werden, mit der Zwischenwerte berechnet werden können
• Zu unterscheiden von Regression (z.B. Ausgleichsgerade):
Interpolationsfunktionen verlaufen exakt durch die gegebenen Punkte;
Regressionsfunktionen nähern sich den gegebenen Punkten meistens nur an
• Extrapolation: Berechnung von Funktionswerten außerhalb des durch die
gegebenen Messwerte gegebenen Intervalls
 die einfachste Art: linear
 sublinear: ein 4-Jähriger ist 1 m groß, als 8-Jähriger aber nicht 2 m!
 superlinear: Oklahoma City hat 1,2 Millionen Einwohner und ein BIP von 60 Milliarden Dollar,
Los Angeles 12 Millionen Einwohner, aber ein BIP von mehr als 700 Milliarden Dollar
(dahinter steckt eine Systematik); umfasst u.a.: Potenz- und Exponentialfunktionen
Interpolation
• Verwendung von Polynomen. Nachteil: ‚Wilde‘ Oszillationen des
Polynoms.
• Spline-Interpolation (spline, engl.: biegsames Lineal). Datenpunkte
werden stückweise durch Polynome beschrieben. Anforderung:
„Glatter“ Verlauf, d.h. an den Nahtstellen müssen die Funktionswerte
sowie die 1. und 2. Ableitungen übereinstimmen.
• Aus diesen Forderungen ergibt sich ein lineares Gleichungssystem für
die Polynom-Koeffizienten.
Interpolation
Gegebene
Punkte
Interpolationspolynom
7. Grades
Stückweise lineare Interpolation
Weitere Interpolationsart: Bézierkurven
(parametrische Kurven)
https://mathepedia.de/Bezierkurven.html
Kubische Spline-Interpolation
Spline-Interpolation:
http://siegert.f2.htw-berlin.de/Buero/Arblaetter/arblSPLINE.html
http://www.arndt-bruenner.de/mathe/scripts/kubspline.htm https://de.wikipedia.org/wiki/Interpolation_(Mathematik)
Interpolation mit Polynomen
• ‚Naiver‘ Ansatz: Drei Punkte gegeben, Interpolation durch eine quadratische
Gleichung bzw. Parabel:
•
• Bestimmung der Koeffizienten a, b und c durch lineares Gleichungssystem:

𝑥 𝑥 1 𝑎 𝑦
𝑏 = 𝑦
Lässt sich dieses Gleichungssystem und
𝑥 𝑥 1
𝑥 𝑥 1 𝑐 𝑦 auch die Berechnung der Zwischenwerte
durch einen anderen Ansatz vereinfachen?
Newton-Interpolation
• Newton-Basisfunktionen:
• Ausgeschrieben:
• Newtonformel für das gesuchte Interpolationspolynom:
• Koeffizienten bestimmen durch Lösen eines linearen Gleichungssystems (mit unterer

Dreiecksmatrix, daher leicht zu lösen)
• Effiziente Berechnung des Polynoms mit dem Hornerschema:
(x - x0) etc. ausklammern
Newton-Interpolation
• Beispiel für drei Stützpunkte:
Gegeben: Die Koordinatenwerte x0, y0, x1, y1, x2, y2;
Gesucht: Die Vorfaktoren c0, c1 und c2
Beachte: In den Linearfaktoren treten nur n-1 der
insgesamt n x-Koordinatenwerte auf
Aus dem Koeffizienten c0 den Koeffizienten c1

bestimmen, aus den beiden dann den
Koeffizienten c2.
Nach ci aufgelöste Gleichungen
Horner-Schema
• Umformungsmethode für Polynome, um die Berechnung von Funktionswerten zu vereinfachen
(weniger Rechenoperationen)
• Zu einem Polynom 𝑝 𝑥 = 𝑏 𝑥 +. . +𝑏 𝑥 + 𝑏 𝑥+ 𝑏
vom Grade n lautet das Horner-Schema: 𝑝 𝑥 = … 𝑏 𝑥+𝑏 𝑥+⋯ 𝑥+𝑏
• Beispiel: (z.B. Term für x=2 berechnen,
Ergebnis in ; Kopfzeile: Koeffizienten)
7 5 -4 8 -7
x βx x x
7= x+5=β βx-4= x+8= x-7=
7 5 -4 8 -7
7·2 19·2 34·2 76·2
7= 14+5=β 38-4= 68+8= 152-7= 𝜀 = 145
Video von Prof. Loviscach „11.05 Horner Schema“, https://www.youtube.com/watch?v=HA-bHM3R9cw
• Überblick
• Interpolation
Numerisch differenzieren
• Bekannter Differenzenquotient:
• Zentraler Differenzenquotient:
(exakt für y=ax²+bx+c)
• Zentraler Differenzenquotient für die 2. Ableitung (exakt für

Polynome bis zum Grad 3)
Video von Prof. Loviscach „20B.2 zentrale Differenzformeln; Ableitung numerisch“, https://www.youtube.com/watch?v=F0elmdI1pfk
Zweite Ableitung
• Zentraler Differenzenquotient der zweiten Ableitung:
• Rückführung auf Näherung für erste Ableitung:
( )
• Überblick
• Interpolation
Numerische Integration
• Bestimmtes Integral über den Hauptsatz der Integralrechnung
bestimmen; es lässt sich aber nicht immer analytisch berechnen, d.h.
eine aus elementaren Funktionen bestehende Stammfunktion
aufstellen, z.B. für die Gaussfunktion exp(-x²)
• Von der zu integrierenden Funktion sind evtl. nur endlich viele
Funktionswerte (in Form von Messwerten) bekannt.
Video von Prof. Loviscach „V23.04 Numerische Integration, Trapezregel, Simpson-Regel“,

https://www.youtube.com/watch?v=cvHUpXNZmlM
Numerische Integration
• So nicht: Zu integrierende Funktion durch Treppenstufen ersetzen
h: Schrittweite
N: Anzahl der
Treppenstufen
Numerische Integration:
Trapez-Verfahren
• Trapez: Ein Viereck mit zwei parallel zueinander liegenden Seiten
• Summe der Trapez-
flächeninhalte
berechnen
y +y
Fläche = ⋅ℎ
2
y1 y2
Trapez-Verfahren
• Näherungsformel für das Integral:
Fehler der Trapez-Regel
• Abweichung zwischen exaktem Ergebnis und Näherungswert?
Gesucht: Schätzung (für exakte Abweichung müsste
das Integral exakt bekannt sein)
• Betrachte Beispiel, danach Ergebnis verallgemeinern
Trapezregel auf einen Streifen anwenden

Schrittweite h = 2
-1 1
• Anwendung der Trapez-Regel: „Fehler“: Wenn möglich, in Form

von Ableitungen und Integralen
Wie kann das Ergebnis der Trapezregel

Video von Prof. Loviscach: „Fehler der Trapezregel für numerische Integration“;
https://www.youtube.com/watch?v=JwPlWzP-K1A anders ausgedrückt werden?
• Idee: ; das Minuszeichen passt noch nicht
• Neue Idee: 𝑥𝑓 𝑥 = 1 𝑓 1 − −1 𝑓 −1 = 𝑓 1 + 𝑓 −1 (Ergebnis der
d
• Zurück zum Integral: 𝑥𝑓 𝑥 =
d𝑥
𝑥 𝑓 𝑥 d𝑥 Trapez-Regel)
d
• Integral auswerten: d𝑥
𝑥 𝑓 𝑥 d𝑥 = 𝑓 𝑥 d𝑥 + 𝑥𝑓′ 𝑥 d𝑥
 | Wenn f‘(x)=konst wäre: Fehler = 0

Annahme: f‘(x) näherungsweise konstant
Video von Prof. Loviscach: „Fehler der Trapezregel für numerische Integration“; https://www.youtube.com/watch?v=JwPlWzP-K1A
Fehler der Trapez-Regel: Fehlerabschätzung

gesucht: konservative Schätzung für den Betrag des Fehlers (VZ nicht
relevant); tatsächlicher Fehler auf jeden Fall kleiner als Schätzwert;
Also für N = 1, h = 2:
 Fehler für N = 1, aber h beliebig? „Trick“ anwenden
Einheit der linken Seite? Einheit der rechten Seite?
Einheit von f∙ h Einheit der Einheit von f/h²
ℎ
 Faktor h3 auf der rechten Seite; Betrag soll sich nicht ändern (h=2): 2
Video von Prof. Loviscach: „Fehler der Trapezregel für numerische Integration“;
https://www.youtube.com/watch?v=JwPlWzP-K1A
Fortsetzung:
 für N, h beliebig:
Ergebnis plausibel: Wenn f‘‘=0 ist auch der Fehler null

Simpson-Verfahren
• Annäherung des Integral durch das Integral der Interpolationsparabel
• Lege eine Parabel durch zwei benachbarte Streifen (drei Punkte)
𝑏−𝑎 𝑎+𝑏
𝑆 𝑓 = ⋅ 𝑓 𝑎 + 4𝑓 +𝑓 𝑏
6 2
Wie kommen die Vorfaktoren zustande? –

siehe Herleitung
ℎ 𝑥 +𝑥
𝑆( ) 𝑓 = ⋅ 𝑓 𝑥 +2 𝑓 𝑥 +𝑓 𝑥 +4 𝑓
6 2
Newton-Cotes Formeln: Interpolation einer Funktion durch ein Polynom;

Polynomfunktion integrieren
Herleitung in Kurzform
• Funktion f(x) im Intervall [a,b] durch das Polynom
approximieren
• Aus den drei Bedingungen
die Koeffizienten a0, a1 und a2 bestimmen
𝑎+𝑏
𝑎 𝑓 𝑏 + 𝑎𝑏𝑓 𝑎 + 𝑎𝑏𝑓 𝑏 − 4𝑎𝑏𝑓 2 +𝑏 𝑓 𝑎
𝑎 =
𝑎−𝑏
𝑎+𝑏 𝑎+𝑏
𝑎𝑓 𝑎 + 3𝑎𝑓 𝑏 − 4𝑎𝑓 𝑚 + 3𝑏𝑓 𝑎 + 𝑏𝑓 𝑏 − 4𝑏𝑓 2 𝑓 𝑎 + 𝑓 𝑏 − 2𝑓 2
2
𝑎 =− ; 𝑎 =
𝑎−𝑏 𝑎−𝑏
• Polynom integrieren,
Grenzen und Koeffizienten 𝑓 𝑥 d𝑥 ≈ 𝑝 𝑥 d𝑥 =
einsetzen, vereinfachen
1 1
𝑎 𝑥 + 𝑎 𝑥 + 𝑎 d𝑥 = 𝑎 𝑥 + 𝑎 𝑥 +𝑎 𝑥
3 2
Romberg-Integration
• Anwendung einer universellen Methoden, der Richardson-
Extrapolation
• Diese berechnet aus zwei Näherungswerten, die für zwei
verschiedene Schrittweiten h1 und h2 berechnet wurden, eine neue,
genauere Näherung
• Ein Spezialfall der Richardson-Extrapolation: Romberg-Integration;
Mehrfache Anwendung des Trapezverfahrens mit unterschiedlicher
Schrittweite h; dann Extrapolation der Ergebnisse für h = 0
Romberg-Integration - Fehler
Beispiel: Integration der Sinus-Funktion mittels Trapez-Methode; Integral
lässt sich exakt berechnen; Begründung für h²-Abhängigkeit über Einheiten
x-Achse: Schrittweite h, y-Achse: Näherungswert

Video von Prof. Loviscach: „23A.3 numerische Integration, Trapezverfahren, Fehlerschätzung, Romberg, Richardson“,
https://www.youtube.com/watch?v=wXdOZz2hx3g
• Integral-Näherung:
= Summe der Trapezflächen + Fehler
• Angenommen, die Funktion f hat einen stückweisen linearen Verlauf; für das
Trapezverfahren beträgt die Abweichung vom exakten Ergebnis null.
• Hat f einen anderen Verlauf, ist der Fehler ǂ 0; dieser hängt mindestens von der zweiten
Ableitung f‘‘(x) ab, da bei einem linearen Verlauf f‘‘(x)=0
Video von Prof. Loviscach: „23A.3 numerische Integration, Trapezverfahren, Fehlerschätzung, Romberg, Richardson“,
https://www.youtube.com/watch?v=wXdOZz2hx3g
• Beispiel: f(x) habe die Einheit Watt (W), x die Einheit Sekunde (s); das Integral hat
dann die Einheit Ws (Arbeit) und f‘‘(x) die Einheit W/s²
• Begründung mit zentralem Differenzenquotient:
• Der Fehler, ebenfalls mit der Einheit Ws, enthält die 2. Ableitung f‘‘(x); Vorfaktor
vor f‘‘(x) muss die Einheit s³ haben. In diesen geht die Intervallbreite b-a ein
(Einheit: s). Bleibt s² (Schrittweite im Quadrat) -> Vorfaktor enthält h². [dazu ein
Proportionalitätsfaktor]
Fehler hängt also quadratisch von der Schrittweite ab
• Überblick
• Interpolation
Lineare Gleichungssysteme
• Menge linearer Gleichungen mit einer oder mehreren Unbekannten, die alle
gleichzeitig erfüllt sein sollen
• Beispiele:
• Unterscheidung: homogene/inhomogene
lineare Gleichungssysteme
• Inhomogen: Nicht, eindeutig oder mehrdeutig lösbar
• Homogen: Triviale Lösung (0) oder mehrdeutig lösbar
Lineare Gleichungssysteme:
Lösungsmethoden
• Cramersche Regel (Berechnung von Determinanten)
• Gaußsches Eliminationsverfahren
(für nicht zu große Gleichungssysteme; max. 1.000-10.000 Unbekannte)
• Multiplikation mit inverser (Koeffizienten-)Matrix, z.B. mit Excel
• Für sehr große Gleichungssysteme: Iterative Verfahren (schrittweise Näherung); Vorteil:
Geschwindigkeit bei begrenzten Anforderungen an die Genauigkeit; Beispiel: Jacobi-Verfahren
„Affengriff“ für Matrixoperationen:

- Zielbereich markieren
- Eingabe in erster Zeile mit „Strg +
Umschalt + Enter“
bestätigen
Cramersche Regel
• Direktes Lösen von lin.GS mit üblicherweise zwei, drei oder maximal vier
Unbekannten
• Erklärung anhand eines Beispiels:
• Erweiterte Koeffizientenmatrix
3 2
det 𝐴 det
𝑥 = = 6 5 = 3
det 𝐴 1 2 −3
• Lösung: det
4 5
= −1
1 3
det 𝐴 det
𝑥 = = 4 6 = −6 = 2
det 𝐴 1 2 −3
det
4 5
Gaußsches Eliminationsverfahren
• Beispiel lin. GS mit drei Unbekannten
• Berechnung von x1, x2 und x3 in zwei Schritten:

1) Vorwärtselimination (wichtig: Diagonalelemente  0) 2) Rückwärtseinsetzen (Substitution)
Obere Dreiecksmatrix bei quad.
Matrizen, sonst Stufenform
• Anzahl der notwendigen Rechenoperationen O(n3) Ausführlichere Erläuterungen:

https://mathepedia.de/Gauszsches_Eliminationsverfahren.html
• Speicherbedarf primär durch die Koeffizientenmatrix bestimmt 06.2 Gaußsches Eliminationsverfahren, Loviscach:
https://www.youtube.com/watch?v=Vba_UYJJMco
(n = 1000  8 MB Speicher für doppelte Genauigkeit)
Lin GS mit maximal 26 Variablen in Javascript
https://www.arndt-bruenner.de/mathe/scripts/gleichungssysteme.htm
Jacobi-Verfahren
• Anwendbar, bei diagonaldominanten Gleichungssystemen
Es wird vorausgesetzt, dass
die Werte auf der
Hauptdiagonale größer sind
als die übrigen Werte.
Auf der rechten Seite

x,y,z=0 setzen.
Dies liefert die
Startwerte:
Video von Prof. Loviscach „06.3 Jacobi-Verfahren, iterative Lösung“: https://www.youtube.com/watch?v=cQELGYMBWNQ
Jacobi-Verfahren
• 1. Iterationsschritt
2 1 1 1 3
𝑥 = −− −
10 10 8 10 20
1 1 2 1 3
𝑦 = − +
8 8 10 8 20
3 1 2 1 1
𝑧 = − − −
20 20 10 20 8
−−−−−−−−−−−−−−− −
1 1 3
𝑥 = − − − Ergebnis wieder einsetzen usw.
5 80 200
1 1 3
𝑦 = − +
8 40 160
3 1 1
𝑧 = − − −
20 100 160
Korrekturterm
Iterative Verfahren
• Das Jacobi-Verfahren verwendet für den m+1-ten Iterationsschritt nur die Werte
aus dem m-ten Iterationsschritt
• Das Gauß-Seidel-Verfahren hingegen verwendet für den aktuellen
Iterationsschritt die bereits neu berechneten Werte
• Verallgemeinerung des Gauß-Seidel-Verfahrens: SOR
für „Successive Over-Relaxation“ mit einem frei wählbaren Parameter ω
• Effizientes Verfahren für die Praxis:
CG-Verfahren (Verfahren der konjugierten Gradienten)
Lineare Gleichungssysteme
• Grundidee hinter der Methode der Konjugierten Gradienten: Gradientenabstieg
(Richtung des steilsten Abstiegs; auch für nicht-lineare Gleichungssysteme)
• Beispiel: Betrachte die Funktion
f(x,y) = 0,2(x+y-2)²+0,1((x-y)-2)²+2
• Gradient aus den partiellen Ableitungen:
𝜕𝑓
= 0,4 𝑥 + 𝑦 − 2 + 0,2 𝑥 − 𝑦 − 2 = 0,6𝑥 + 0,2𝑦 − 1,2
𝜕𝑥
𝜕𝑓
= 0,4 𝑥 + 𝑦 − 2 + 0,2 𝑥 − 𝑦 − 2 ⋅ −1 = 0,2𝑥 + 0,6𝑦 − 0,4
𝜕𝑦
• Notwendiges Kriterium für

lokales Minimum: Beide
partielle Ableitungen ergeben 0 (lineares Gleichungssystem)
Exkurs: Neuronale Netze
• Eine sehr wichtige Anwendung von Gradienten-Berechnungen
• Beschreibung der Grundlagen in diesen Videos:
 3blue1brown series: Aber was *ist* nun ein neuronales Netzwerk? | Teil 1,
Deep Learning; https://www.youtube.com/watch?v=aircAruvnKk
 3blue1brown series: Gradient descent, how neural networks learn | Chapter
2, Deep learning; https://www.youtube.com/watch?v=IHZwWFHWa-w
 3blue1brown series: Was macht Backpropagation wirklich? | Kapitel 3, "Deep
Learning"; https://www.youtube.com/watch?v=Ilg3gGewQ5U
 3blue1brown series: Backpropagation Infinitesimalrechnung | Deep Learning,
Kapitel 4; https://www.youtube.com/watch?v=tIeHLnjs5U8
• Überblick
• Interpolation
Differentialgleichungen:
kurze Wiederholung
• Gleichungen, die einen Zusammenhang zwischen Funktionen und ihren Ableitungen
herstellen.
• Einfaches Beispiel: y‘=y; Lösung y=exp(x)
(exponentielles Wachstum)
• Anwendungsbereiche von gewöhnlichen Differentialgleichungen: Schwingungs-,
Dämpfungs- bzw. Reibungsvorgänge; radioaktiver Zerfall; Bevölkerungsentwicklung;
Ausbreitung von Innovationen
• Für gewöhnliche, lineare Differentialgleichungen mit konstanten Koeffizienten existieren
geschlossene Lösungsformeln; numerische Näherungsverfahren sind für diese also nicht
erforderlich/sinnvoll.
Differentialgleichungen:
kurze Wiederholung
• Richtungsfeld zu
Video von Prof.

Loviscach „08.4
Vektorfelder,
Lösungskurven im
Phasenraum“:
https://www.youtube.c
om/watch?v=EhTyUrv2
P4k
(GeoGebra: Richtungsfeld[3*y+x^2])
Lösen von Differentialgleichungen: Explizites
Eulerverfahren
!
• Gegeben:
Gesucht: y(x) für alle x0 ; hier y: Position, x: Zeit,
h: kleiner (Zeit-)schritt (problemabhängig)
• x y
x0 y0
x0+h y0+hf(y0,x0)=y1
y‘ = f: z.B. aktuelle Geschwindigkeit eines x0+2h y1+hf(y1,x1)=y2
Autos, die während h konstant bleibt
• „Explizit“: Kein Auflösen einer Gleichung erforderlich, um den nächsten Wert zu

erhalten.
• Excel-Beispiel:
Videos von Prof. Loviscach „12.02.1 Explizites Euler-Verfahren“, https://www.youtube.com/watch?v=czLwT4cLKK4
„12.02.2 Explizites Euler-Verfahren“, https://www.youtube.com/watch?v=L4HyIh9_2Nw
Implizites Eulerverfahren
• Ziel: Genauere Berechnung ohne die Schrittweite h zu reduzieren, was mit mehr
Rechenaufwand verbunden ist
• „Trick“: Verwende die zukünftige, nicht die aktuelle Geschwindigkeit
(Funktionswert von f)
• Erfordert das Auflösen einer Gleichung
x y
• Ganze Klassen von Lösungs-
verfahren; implizite Verfahren x0 y0
stabiler als explizite Verfahren, x0+h y0+hf(y1,x1)=y1
neigen aber zu „Energieverlust“
(abklingende Lösungen) x0+2h y1+hf(y2,x2)
Beachte: „Implizit“ und „explizit“ bezieht sich hier nicht auf den Typ der Differentialgleichung!
Videos von Prof. Loviscach „12.02.3 Implizites Euler-Verfahren“, https://www.youtube.com/watch?v=R2W9gW3dP48
„12.02.4 Implizites Euler-Verfahren“, https://www.youtube.com/watch?v=8_z30wbqN3g
Symplektisches Euler-Verfahren
• Gut geeignet für die klassische Mechanik
(beweisbar kein Energieverlust)
Impuls p = mv
Kraft F als Fkt. von x und t
• Federpendel:
(r: Reibung)
Videos von Prof. Loviscach „12.03.1 Symplektisches Euler-Verfahren“, https://www.youtube.com/watch?v=Qlxq07anEK8

„12.03.2 Symplektisches Euler-Verfahren“, https://www.youtube.com/watch?v=Qa9vPDxZT20
Symplektisches Euler-Verfahren
• Explizites Eulerverfahren:
• Lösung divergiert mit der Zeit! („Energiezunahme“) Symplektisches

Verfahren (neues x einsetzen):
p0 (p = mv) entfällt bei Vernachlässigung

von Reibung (oft als proportional
zu v oder v² modelliert)
Videos von Prof. Loviscach „12.03.1 Symplektisches Euler-Verfahren“, https://www.youtube.com/watch?v=Qlxq07anEK8
„12.03.2 Symplektisches Euler-Verfahren“, https://www.youtube.com/watch?v=Qa9vPDxZT20
Klassisches Runge-Kutta-Verfahren
• Anfangswert-Problem:
• Näherung: ui+1  y(ti+1)
• Berechnungsformel (spezielles explizites 4-stufiges Runge-
Kutta-Verfahren)
Runge-Kutta-Verfahren im Vergleich
y‘=sin(t)^2*y
Heun: ähnlich dem expliziten Eulerverfahren, aber Näherung mit Trapez statt Rechteck
Rundungsfehler
• Aufgrund von Rundungsfehlern führt eine immer kleinere
Schrittweite nicht immer zu besseren Ergebnissen
Beispiel:
gedämpfter
harmonischer
Oszillator
http://articles.beltoforion.
ADB: de/article.php?a=runge-
Adams-Bashforth kutta_vs_euler&hl=de
Mehrschrittverfahren
Stabilität numerischer Lösungen
• Beschreibung durch folgende Größen
 Kondition: Schwankung der Ausgabewerte bei einer Störung in den
Eingabewerten (für die exakte Lösung)
 Stabilität: Schwankung der Ausgabewerte bei einer Störung in den

Eingabewerten (für die numerische Lösung)
 Konsistenz: Unterschiede zwischen exakter und numerischer Lösung für

exakte Eingabewerte
(in der Regel)
 Konvergenz: Unterschiede zwischen den numerischen Werten für gestörte
Eingabewerte und exakter Lösung für exakte Eingabewerte
Partielle Differentialgleichungen
• Differentialgleichungen mit Ableitung nach zwei oder mehr Variablen
• Häufig treten nur Ableitungen nach der Zeit und räumlichen Koordinaten auf
• In der praktischen Anwendung sind nur wenige Differentialgleichungen analytisch
lösbar, z.B. die lineare Transportgleichung
u(x,t): z.B. eine Teilchenkonzentration an einem bestimmten Ort und zu einem

bestimmten Zeitpunkt. Lösung: räumlich verschobenes Konzentrationsprofil
Typen partieller Differentialgleichungen
• Die Wellengleichung gehört zu den hyperbolischen partiellen

Differentialgleichungen
• Diffusionsgleichung für konstante Diffusion
(beschreibt auch die Wärmeausbreitung):
(parabolische partielle Differentialgleichung)
• Laplace-Gleichung: zeitlich konstantes Temperaturgefälle
(Beispiel für eine elliptische partielle Differentialgleichung)
• Maxwellgleichungen in der Elektrotechnik
• Quantenmechanik (Schrödinger-Gleichung)
• Fluiddynamik: Navier-Stokes-Gleichungen, Potentialgleichungen
Randbedingungen
• Dirichlet-Randbedingung: Vorgabe von Werten, die auf dem Rand des
Definitionsbereichs (Ω) von Funktionen angenommen werden
• Neumann-Randbedingung (nach Carl Gottfried Neumann): Vorgabe
von Werten, die für die Normalableitung auf dem Rand des
Definitionsbereichs von Funktionen angenommen werden
• Alleinige Dirichlet- und Neumann-Randbedingung nur bei elliptischen

Dgl.; ansonsten zusätzlich Spezifikation von Anfangswerten
Partielle Differentialgleichungen
• Wenn nur Zeit und Ort als unabhängige Variablen auftreten: (bei praktischen
Problemen fast immer) Lösung mit Finite-Elemente-Methode (FEM)
• Auch für komplexe Geometrien geeignet:
Unterteilung des Berechnungsgebiet
in Teilgebiete mit einfacherer Geometrie
(z.B. Tetraeder)
• Kommerzielle Lösung,
z.B. mit COMSOL Multiphysics
• Liste mit freier und kommerzieller Software:
https://en.wikipedia.org/wiki/
List_of_finite_element_software_packages
Wärmeverteilung in einem Pumpengehäuse
https://de.wikipedia.org/wiki/Finite-Elemente-Methode
Beispiel: Maxwellsche Gleichungen
(Vorsicht! Giftige Schwermetalle!)

Computersimulation:
- ANSYS Maxwell: Low Frequency
Electromagnetic Fields
https://www.ansys.com/de-
de/products/electronics/ansys-
maxwell
- ANSYS HFSS: High Frequency
Electromagnetic Field Simulation
https://www.ansys.com/de-
de/products/electronics/ansys-hfss
Optional: Fourier-Approximation
• Bei der Fourier-Approximation werden Funktionen mit
periodischem Verhalten durch eine Summe von Sinus- und
Kosinus-Funktionen (Harmonische) approximiert.
• Numerische Anwendung: Ansatz zum Lösen von
Differentialgleichungen
Ausführliche Behandlung
von Fourier-Reihen und
der Fouriertransformation
in der IT-Vorlesung
Signale&Systeme
Video von Prof. Loviscach „16B.1 Beispiel Fourier-Reihe; Bedeutung“, https://www.youtube.com/watch?v=krAnK4EDXSs
Beispiel: Fouriersynthese einer
Rechteckschwingung
Rechteck: nur ungerade

D. Gembris, BA Dresden Koeffizienten 87
Fourier-Reihe
• Eine Darstellung von Fourier-Reihen (ohne komplexe Zahlen):
mit den Fourier-Koeffizienten
Videos von Prof. Loviscach: „01.04.1 Überblick: Fourier-

Reihe“, https://www.youtube.com/watch?v=g5Y25jsliFk;
: „01.04.2 Überblick: Fourier-Transformation“,
https://www.youtube.com/watch?v=ug9Co75tQuo;
„17C.3 Kurzfassung Fourier-Reihe, reell und komplex“,
https://www.youtube.com/watch?v=UoqLjdyACTQ
(Herleitung)
Fourier-Transformation
• Verallgemeinerung der Fourierreihe auf nicht periodische Funktionen:
Fouriertransformation
• Effiziente Berechnungsmethode: Fast Fourier Transform (FFT)
• Anwendungen: Verlustbehaftete Datenkompression (Rekonstruktion
der ursprünglichen Daten aus den Fourierkoeffizienten);
Signalverarbeitung (Filterung im Frequenzbereich)

Angewandte Mathematik Numerik

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Angewandte Mathematik Numerik

Hochgeladen von

Copyright:

Verfügbare Formate

Angewandte Mathematik

Mathematische Anpassungen an Eigentliche Visualisierung

Neuerer Begriff für realistische Computermodelle: „Virtueller Zwilling“ (virtual twin),

Rechts: Ausbreitung der

(die erste Ziffer  0 steht direkt vor dem Komma)

(für die Basis 2)

*) IEEE: Institute of Electrical and Electronics Engineers

Quelle für FLT_EPSILON: https://de.wikibooks.org/wiki/C-Programmierung:_float.h

printf("a: %.20f\n", a); a: 69.81999999999999300000

• Beispiel Nullstellen von Polynomen: Exakte Lösungen für Grad 2 p-q-Formel,

Optional: Wie man 2D Gleichungen mit Farbe löst von 3blue1brown

Newton-Verfahren Sekantenverfahren: Sekante

• Herleitung über Steigungsdreieck: Linearisierung von Funktionen

Quelle: Wikipedia, Ralf Pfeifer

(lateinisch regula falsi ‚Regel

b) Sekantenverfahren: Berechnung des Schnittpunktes der Sekante mit der x-

c) Regula falsi: Wie Bisektionsverfahren, aber nicht Intervallhalbierung, sondern

d) Bisektionsverfahren (Intervallhalbierung): nur lineare Konvergenz

• Bestimmung der Koeffizienten a, b und c durch lineares Gleichungssystem:

• Newtonformel für das gesuchte Interpolationspolynom:

• Koeffizienten bestimmen durch Lösen eines linearen Gleichungssystems (mit unterer

Aus dem Koeffizienten c0 den Koeffizienten c1

Nach ci aufgelöste Gleichungen

• Zentraler Differenzenquotient für die 2. Ableitung (exakt für

• Rückführung auf Näherung für erste Ableitung:

Video von Prof. Loviscach „V23.04 Numerische Integration, Trapezregel, Simpson-Regel“,

Trapezregel auf einen Streifen anwenden

• Anwendung der Trapez-Regel: „Fehler“: Wenn möglich, in Form

Wie kann das Ergebnis der Trapezregel

 | Wenn f‘(x)=konst wäre: Fehler = 0

Ergebnis plausibel: Wenn f‘‘=0 ist auch der Fehler null

Wie kommen die Vorfaktoren zustande? –

Newton-Cotes Formeln: Interpolation einer Funktion durch ein Polynom;

x-Achse: Schrittweite h, y-Achse: Näherungswert

„Affengriff“ für Matrixoperationen:

• Berechnung von x1, x2 und x3 in zwei Schritten:

• Anzahl der notwendigen Rechenoperationen O(n3) Ausführlichere Erläuterungen:

Auf der rechten Seite

Video von Prof. Loviscach „06.3 Jacobi-Verfahren, iterative Lösung“: https://www.youtube.com/watch?v=cQELGYMBWNQ

• Notwendiges Kriterium für

Video von Prof.

• „Explizit“: Kein Auflösen einer Gleichung erforderlich, um den nächsten Wert zu

Videos von Prof. Loviscach „12.03.1 Symplektisches Euler-Verfahren“, https://www.youtube.com/watch?v=Qlxq07anEK8

• Lösung divergiert mit der Zeit! („Energiezunahme“) Symplektisches

p0 (p = mv) entfällt bei Vernachlässigung

 Stabilität: Schwankung der Ausgabewerte bei einer Störung in den

 Konsistenz: Unterschiede zwischen exakter und numerischer Lösung für

u(x,t): z.B. eine Teilchenkonzentration an einem bestimmten Ort und zu einem

• Die Wellengleichung gehört zu den hyperbolischen partiellen

• Alleinige Dirichlet- und Neumann-Randbedingung nur bei elliptischen

(Vorsicht! Giftige Schwermetalle!)

Video von Prof. Loviscach „16B.1 Beispiel Fourier-Reihe; Bedeutung“, https://www.youtube.com/watch?v=krAnK4EDXSs

Rechteck: nur ungerade

mit den Fourier-Koeffizienten

Videos von Prof. Loviscach: „01.04.1 Überblick: Fourier-

Das könnte Ihnen auch gefallen