Computerorientierte Mathematik II - Cheatsheet.pdf

Computerorientierte Mathematik II - Cheatsheet
Computerorientierte Mathematik II - Cheatsheet Numerische Integration und Differentiation Definition: Numerische Methoden zur Integration und Differentiation approximieren analytische Verfahren, wenn eine exakte Lösung schwer oder unmöglich ist. Details: Numerische Integrationstechniken umfassen Rechteck-, Trapez- und Simpson-Regeln. Rechteckregel: \[ \text{I} \approx \sum_{i=0}^{n-1} f(x_i) \Delt...

© StudySmarter 2024, all rights reserved.

Computerorientierte Mathematik II - Cheatsheet

Numerische Integration und Differentiation

Definition:

Numerische Methoden zur Integration und Differentiation approximieren analytische Verfahren, wenn eine exakte Lösung schwer oder unmöglich ist.

Details:

  • Numerische Integrationstechniken umfassen Rechteck-, Trapez- und Simpson-Regeln.
  • Rechteckregel: \[ \text{I} \approx \sum_{i=0}^{n-1} f(x_i) \Delta x \]
  • Trapezregel: \[ \text{I} \approx \frac{\text{b} - \text{a}}{2n} [f(x_0) + 2 \sum_{i=1}^{n-1} f(x_i) + f(x_n)] \]
  • Simpson-Regel: \[ \text{I} \approx \frac{\text{b} - \text{a}}{3n} [f(x_0) + 4 \sum_{i=1, \text{odd}}^{n-1} f(x_i) + 2 \sum_{i=2, \text{even}}^{n-2} f(x_i) + f(x_n)] \]
  • Numerische Differentiationsmethoden umfassen Vorwärts-, Rückwärts- und Zentrale Differenzen.
  • Vorwärtsdifferenz (erste Ableitung): \[ f'(x) \approx \frac{f(x+h) - f(x)}{h} \]
  • Rückwärtsdifferenz (erste Ableitung): \[ f'(x) \approx \frac{f(x) - f(x-h)}{h} \]
  • Zentrale Differenz (erste Ableitung): \[ f'(x) \approx \frac{f(x+h) - f(x-h)}{2h} \]
  • Anwendung bei Funktionskurven und Differentialgleichungen.

Lösungsmethoden für nichtlineare Gleichungen

Definition:

Methoden zur Bestimmung von Lösungen für Gleichungen der Form \(f(x) = 0\), wobei \(f\) eine nichtlineare Funktion ist.

Details:

  • Iteration: Wiederholte Anwendung einer Vorschrift zur Annäherung an die Lösung.
  • Newton-Verfahren: Iteratives Verfahren, basierend auf der Taylorreihe, \(x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}\).
  • Fixpunktiteration: Forme die Gleichung um zu \(x = g(x)\) und iteriere \(x_{n+1} = g(x_n)\).
  • Bisektion: Halbiert den Intervall, in dem die Lösung liegt, und wählt das neue Intervall gemäß dem Vorzeichen von \(f\).
  • Regula Falsi: Kombination von Sekanten- und Bisektionsverfahren, um die Nullstelle zu finden.
  • Konvergenz: Überprüfung der Konvergenzkriterien und -geschwindigkeit für die Methoden.

Matrixoperationen und deren Implementierung

Definition:

Operationen auf Matrizen und ihre Implementierung in numerischer Software.

Details:

  • Matrixaddition: \[ (A + B)_{ij} = A_{ij} + B_{ij} \]
  • Matrixmultiplikation: \[ (AB)_{ij} = \sum_{k} A_{ik} B_{kj} \]
  • Transponierte Matrix: \[ (A^T)_{ij} = A_{ji} \]
  • Inverse Matrix: \[ A^{-1} \text{ s.t. } A A^{-1} = I \]
  • Determinante: \[ \text{det}(A) \]
  • Implementation in Python: z.B. mit NumPy-Bibliothek: \[ \text{import numpy as np} \]

Numerische Verfahren zur Lösung von Differentialgleichungen

Definition:

Numerische Verfahren sind Techniken zur Approximation der Lösungen von Differentialgleichungen, wenn keine analytischen Lösungen verfügbar sind oder diese zu komplex sind.

Details:

  • Euler-Verfahren: Explizites Verfahren; einfache Implementierung, aber geringe Genauigkeit.
  • Runge-Kutta-Verfahren: Verbesserungen der Euler-Verfahren; bessere Genauigkeit bei ähnlicher Komplexität.
  • Fehlberg-Verfahren: Adaptive Runge-Kutta-Methoden mit automatischer Schrittweitenkontrolle.
  • Mehrschrittverfahren (z.B. Adams-Bashforth, Adams-Moulton): Verwenden mehrere vorherige Schritte, um aktuelle Werte zu berechnen.
  • Finite-Differenzen-Methode: Diskretisierung der Differentialgleichung auf einem Gitter.
  • Stabilität und Konvergenz: Wichtige Kriterien zur Bewertung der Verfahren.
  • Ablehnungsgründe: Stabilitätsprobleme, numerische Diffusion oder Dispersion können auftreten.

Fehleranalyse und Stabilität von Algorithmen

Definition:

Untersuchung der Fehler, die bei numerischen Berechnungen auftreten, und Beurteilung, wie kleine Störungen der Eingangsdaten die Ergebnisse beeinflussen.

Details:

  • Runde- und Abschneidefehler: Fehler bei der Begrenzung der Dezimalstellen.
  • Gaußsches Eliminationsverfahren: Anfällig für Rundungsfehler ohne Pivotisierung.
  • Bedingungszahl \(\kappa(A)\): Maß für die Empfindlichkeit gegenüber Störungen in den Eingangsdaten.
  • Vorwärts- und Rückwärtsfehler: Unterschied in den Ergebnissen und den Eingangsdaten.
  • Stabilität: Algorithmen stabil, wenn kleiner Fehler im Algorithmus keinen großen Fehler im Resultat erzeugt.
  • Absolute und relative Fehler: Absolut \(\Delta x = x_{approx} - x\), Relativ \(\delta x = \frac{\Delta x}{x}\).
  • Fehlerfortpflanzung: Untersuchung, wie Eingabefehler sich auf das Endergebnis auswirken.

Fourier-Reihen und -Transformationen

Definition:

Fourier-Reihen analysieren periodische Funktionen durch Zerlegung in Sinus- und Kosinusfunktionen. Fourier-Transformationen erweitern dies auf nicht-periodische Funktionen, indem sie diese in Frequenzraumdarstellungen umwandeln.

Details:

  • Eine periodische Funktion kann mit der Fourier-Reihe als Summe von Sinus- und Kosinusfunktionen dargestellt werden: \[ f(x) = a_0 + \sum_{n=1}^{\infty} \, \left( a_n \cos(nx) + b_n \sin(nx) \right) \]
  • Für die Koeffizienten gilt: \[ a_n = \frac{2}{T} \int_{0}^{T} f(x) \cos\left(\frac{2n\pi}{T} x\right) \, dx \] \[ b_n = \frac{2}{T} \int_{0}^{T} f(x) \sin\left(\frac{2n\pi}{T} x\right) \, dx \]
  • Die Fourier-Transformation einer Funktion \( f(t) \) wird durch \[ F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-i\omega t} \, dt \] dargestellt.
  • Die inverse Fourier-Transformation erfolgt durch \[ f(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} F(\omega) e^{i\omega t} \, d\omega \]
  • Wichtig für Signalanalyse und Lösungsfindung von Differentialgleichungen.

Projektarbeit mit numerischen Methoden

Definition:

Anwendung numerischer Methoden zur Lösung mathematischer Probleme in Projekten.

Details:

  • Anwendungsorientiert, oft mit Implementierung in Programmiersprachen (z.B. Python, MATLAB)
  • Typische Aufgaben: Numerische Integration, Lösung von Differentialgleichungen, Optimierungsprobleme
  • Wichtige Methoden: Iterationsverfahren, Splines, Finite-Differenzen-Methoden
  • Ziel: Vermittlung praktischer Fähigkeiten im Umgang mit numerischen Algorithmen und Tools
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden