Formelsammlung für die Klausur Numerische Methoden

Algorithmus 1.20 (Cholesky-Verfahren)

Für i “ 1, . . . , m
1. Für k “ 1, . . . , i ´ 1 berechne ˜ ¸
k´1
1 ÿ
lik :“ aik ´ liµ lkµ .
lkk µ“1

2. Berechne g
f i´1
ÿ 2
f
lii :“ eaii ´ |liµ | .
µ“1

Algorithmus 2.2 (Von-Mises Iteration)

Sei A eine diagonalisierbare m ˆ m-Matrix; wähle einen Startvektor x0 P Cm .
Iteration: Für k “ 1, 2, . . . bilde die Vektoren
zk
z k :“ Axk´1 und xk :“ ,
pz k qik

wobei der Index ik so gewählt ist, dass ˇ` ˘ ˇ

ˇ k ˇ ˇ` ˘ ˇ
ˇ z ik ˇ “ max ˇ z k i ˇ
i“1,...,m
` ˘
gilt. (Hier bezeichnet z i die ite Komponente des Vektors z k )
k

Resultat 2.3 (Konvergenz der von-Mises Iteration)

Ist λ1 der eindeutige betragsmäßig größte Eigenwert von der Matrix A P Cmˆm mit zugehörigem Eigenvektor
u1 P Cm zt0u, gilt:
` ˘
1. lim z k`1 i “ λ1 .
kÑ8 k

” ı
u1
2. lim xk ´ pu1 qi “ 0.
kÑ8 k

Algorithmus 2.4 (Inverse Iteration von Wielandt)

Sei A eine diagonalisierbare reguläre m ˆ m-Matrix. Wähle einen Startvektor y 0 P Cm .
Iteration: Für k “ 1, 2, . . . bilde die Vektoren
wk
wk :“ A´1 y k´1 und y k :“ ,
pwk qik

wobei der Index ik so gewählt ist, dass ˇ` ˘ ˇ

ˇ k ˇ ˇ` ˘ ˇ
ˇ w ik ˇ “ max ˇ wk i ˇ
i“1,...,m

gilt.
Inverse einer 2 ˆ 2 Matrix ˆ ˙´1 ˆ ˙
a b 1 d ´b
“ .
c d ad ´ bc ´c a
Resultat 2.5 (Konvergenz der inversen Iteration)
Ist λm der eindeutige betragsmäßig kleinste Eigenwert von A P Cmˆm mit zugehörigem Eigenvektor um P Cm zt0u,
dann gilt:
` ˘
1. lim wk`1 i “ λ1m .
kÑ8 k

” ı
um
2. lim y k ´ pum qi “ 0.
kÑ8 k

Definition 3.2 und 3.4 (Standardmodell und Normalform)

Ein Standardmodell ist ein lineares Optimierungsproblem, bei dem das Maximum der Zielfunktion
n
ÿ
zpxq “ ck xk
k“1

gesucht wird, wobei die m Nebenbedingungen

n
ÿ
aik xk ď bi für i “ 1, . . . , m,
k“1

1
sowie xk ě 0 für k “ 1, . . . , n erfüllt sein müssen. Gilt zusätzlich bi ě 0 für alle i “ 1, . . . , m, so ist das Standardmodell
in Normalform gegeben.
Resultat 4.9 (Abschätzung des relativen Fehlers von x)
Seien }¨} eine Vektornorm in Cm und N p¨q eine mit der Norm }¨} verträgliche Matrixnorm (d.h. }Av} ď N pAq }v} für
alle Matrizen A P Cmˆm und allen Vektoren v P Cm ) mit der Eigenschaft ` ˘ N pABq ď N pAqN pBq für alle Matrizen
A, B P Cmˆm . Ist A P Cmˆm eine invertierbare Matrix und gilt N A´1 N p∆Aq ă 1, so lässt sich der relative Fehler
der Lösung des gestörten linearen Gleichungssystems pA ` ∆Aq px ` ∆xq “ b ` ∆b, wie folgt abschätzen:
ˆ ˙
}∆x} N pIm q condN p¨q pAq N p∆Aq }∆b}
ď `
}x} 1 ´ condN p¨q pAq NNp∆Aq
pAq
N pAq }b}
ˆ ˙
N pIm q condN p¨q pAq N p∆Aq }∆b}
“ `
1 ´ N pA´1 q N p∆Aq N pAq }b}
` ´1 ˘
mit condN p¨q pAq “ N pAqN A und der Einheitsmatrix Im P Cmˆm .
Satz 5.1 Konvergenz des Newtonschen Verfahrens
Sei F : rx˚ ´ δ1 , x˚ ` δ2 s Ñ R zweimal stetig differenzierbare Funktion mit F px˚ q “ 0. Sind α, β P R so gewählt, dass
|F 1 pxq| ě α ą 0 und |F 2 pxq| ď β ist für alle x P rx˚ ´ δ1 , x˚ ` δ2 s, so gilt:
ˇ ˇ β ˇˇ ˚ ˇ2
xk P rx˚ ´ δ1 , x˚ ` δ2 s ñ ˇx˚ ´ xk`1 ˇ ď x ´ xk ˇ ,
2α
wobei xk die Folge
ˇ ˚des Newtonschen
ˇ 2α Verfahrens zum` Startwert
˘ x0 ist. Falls zusätzlich xk P rx˚ ´ δ1 , x˚ ` δ2 s für alle
0ˇ k
k P N Y t0u, und x ´ x ă β gilt, so konvergiert x kPN0 gegen x˚ für k Ñ 8.
ˇ
Bemerkung: Dieses Theorem gilt auch, wenn wir das Intervall rx˚ ´ δ1 , x˚ ` δ2 s überall durch px˚ ´ δ1 , x˚ ` δ2 q
ersetzen.
Satz 6.1 (Fehler der Trapezregel) Ist f eine zweimal stetig differenzierbare Funktion auf ra, bs, so gilt die
Fehlerdarstellung der Trapezregel
pb ´ aq3 ˇ ˇ
|Rpf q| ď max ˇf 2 pxqˇ .
12 xPra,bs
şb b´a
` ` a`b ˘ ˘ pb´aq5
ˇ ˇ
Simpsonregel f pxqdx « 6 f paq ` 4f 2 ` f pbq mit Fehler |Rpf q| ď 2880 max ˇf p4q pxqˇ.
a xPra,bs
Einschrittverfahren für
# #
y 1 pxq “ f px, ypxqq , xn “ x0 ` nh,
mit Schrittweite h :
y px0 q “ y0 yn “ yn´1 ` hΦ pxn´1 , yn´1 , hq

hat den lokalen Diskretisierungsfehler Θ px0 , y0 , hq :“ ∆ px0 , y0 , hq ´ Φ px0 , y0 , hq mit

#
ypx0 `hq´ypx0 q
h , h‰0
∆ px0 , y0 , hq “
f px0 , y0 q , h “ 0.

Das Einschrittverfahren hat die Konsistenzordnung p, falls für den lokalen Diskretisierungsfehler gilt

Θ px0 , y0 , hq “ O php q

für h Ñ 0 für alle px0 , y0 q P G und für alle f P C p .

Eulersches (Konsistenzordnung 1) und Runge-Kutta-Verfahren der Konsistenzordnung 2
ˆ ˙
h h
Φβ px, y, hq “ p1 ´ βq f px, yq ` βf x ` ,y ` f px, yq , β ą 0.
2β 2β
1
Halbschrittverfahren: β “ 1 Heun-Verfahren β “ 2 Eulersches Verfahren β “ 0
8
ř f pnq px0 q n
Taylorreihe von f : R Ñ R um x0 : n! px ´ x0 q .
n“0
ypx`hq´2ypxq`ypx´hq ` ˘
Approximation der zweiten Abbleitung für C 4 -Funktionen y 2 pxq “ h2 ` O h2 .
Matrixnormen
m
ř
1. }A}1 “ max |aij | (”Spaltensummennorm”)
j“1,...,m i“1
a
2. }A}2 “ λmax pAH Aq (”Spektralnorm”)
m
ř
3. }A}8 “ max |aij | (”Zeilensummennorm”)
i“1,...,m j“1