Nummeriske Metoder. 1 Indledning. 2 Davidson metoden. Bo Thomsen, juni 2009
|
|
- Frederik Skov
- 7 år siden
- Visninger:
Transkript
1 Nummeriske Metoder Bo Thomsen, juni Indledning I denne opgave søges løsninger på et relativt stort egenværdiproblem. I mit tilfælde er dette fremkommet ved at konstruere hamilton matricen for vibrational conguration interaction(vci) egenværdiproblemet for molekylet HSiF. De tilstande som udgør basis for dette problem er beregnet ved vibrational selfconsistent eld(vscf) teori. Selve egenværdi ligningen ser således ud Hvor H matricen er deneret som HC = E i C (1.1) H µν = µ H ν (1.2) µ og ν er her VSCF modals. H matricen og VSCF beregningen er beregnet med MIDAS, der endvidere udfører en VCI beregning som resultaterne fra algoritmerne kan benchmarkes imod. Derefter er de mindste elementer fra H matricen blevet sorteret fra for at fjerne elementer som er så små at de reelt ingen betydning for det endelige resultat, i vores tilfælde alle indgange der har nummerisk værdi under Dette resulterer i at H bliver en sparse matrix, hvilket dog kun udnyttes i Davidson algoritmen. 2 Davidson metoden Davidson metoden benytter sig af projektion for at reducerer dimmensionerne af egenværdiproblemet. Ved at udføre en orthogonal projektion af H matricen bevares egenværdierne approximativt, og egenvektorene for det reducerede problem kan projekteres ved hjælp af samme projektion til at blive egenvektorene for H matricen selv. Måden den orthogonale projektion konstrures på er; der vælges først et antal orthogonale vektorer. I dette tilfælde vælges der 25 orthogonale vektorer der alle svarer til de 25 laveste VSCF tilstande, da det er rimeligt at antage at disse 25 tilstande højst sandsynligt allerede er meget tæt på de ønskede 20 VCI tilstande. Projektionen V T HV = T j udføres nu og egenværdier og egenvektorer for T j ndes, her tæller j op over søjler, det vil sige vektorer i projektionen, i V. Efter at egenvektorerne og egenværdierne for T j er fundet, bliver disse undersøgt med hensyn til H. r i = AV y i λ i V y i (2.3) 1
2 I det tilfælde hvor r i er mindre end en given tærskel accepteres V y i som egenvektor og λ i som egenværdi. Hvis dette ikke er tilfældet kan r enten orthogonaliseres og inkluderes som den er i V, eller en passende preconditioner kan vælges. I dette tilfælde vælges en relativ simpel preconditioner der er deneret som M = (Diag(H) λ i I) 1 (2.4) Operationen r = M r udføres og r orthogonaliseres herefter og indsættes i V. Ved at benytte en preconditioner stiger hastigheden hvorved algoritmen konvergerer. Selve algoritmen bliver således til følgende pseudokode: (1) Lav et start gæt på et antal approximative egenvektorer eller vælg tilfældige vektorer. Orthogonaliser disse og indsæt dem i V (2) Indtil konvergens( r i < tolerance i){ (3) Udfør projektionen V T HV = T j (4) Find egenværdier(λ i ) og vektorer(y i ) for T j (5) Beregn residual vektor (2.3) (6) Test residual vektors længde, hvis > tolerance{ (7) Brug preconditioner, r=m r (8) Orthogonaliser r iforhold til V (9) Indsæt r i V (10) } (11) } (12) Udskriv egenværdier og egenvektorer/ udfør andre operationer på dem som nødvendigt for problemet Det eneste problem der nu står tilbage er at nde egenværdierne og egenvektorerne for T j, til dette benyttes invers power iteration. 3 Invers power iteration for mere end en egenværdi Vores problem er nu reduceret til at nde egenværdier i en relativ lille matrix, og til dette formål vil jeg i dette tilfælde benytte invers power ( iteration. ) Denne algoritme konvergerer n λmin+1 mod den rigtige egenvektor og egenværdi med hvor n er antallet af iterationer. Det eneste problem med denne metode er hvis der er degenerede egenværdier vil metoden konvergere meget langsomt. Dog ved jeg at de første 20 egenværdier ikke er degenerede, men dette er dog ikke altid tilfældet. Envidere kan næsten degenerede egenværdier også skabe problemer, men igen indeholder problemet jeg ser på ikke disse. Derfor antager jeg at for de egenværdier jeg er intereseret i gælder λ min Algorimen i sig selv er i psedukode: (1) Indtil konvergeret(y k 1 = y k ){ (2) y k 1 = T 1 j y k (y k ndes ved at løse T j y k = y k 1 ) (3) θ k = y k 1 y k (4) y k = y k y k λ min < λ 2 <... < λ max (3.5) 2
3 (5) } (6) λ i = θ k, e i = y k Dette nder dog kun den laveste egenværdi, for at få de m laveste egenværdier bliver egenværdierne skiftet op som de ndes. For at være sikker på at de er skiftet tilstrækkeligt op bliver alle egenværdierne skiftet op med den højeste egenværdi som ndes med en lignende algoritme hvor (2) i den ovenstående er erstatet af (2) y j = T j y j 1 Selve skiftet af egenværdien følger følgende formel A = A + λ max e 1 e T 1 e T 1 e 1 (3.6) Der resulterer i at egenværdien tilhørende den før fundne egenvektor, e min, bliver λ ny = λ min + λ max, som vist nedenfor, hvor det antages at e 1 er normaliseret. A e 1 = ( A + λ max e 1 e T 1 ) e1 = A e 1 + λ max e 1 = λ 1 e 1 + λ max e 1 = (λ 1 + λ max ) e 1 (3.7) Denne procedure gentages indtil det ønskede antal egenværdier er fundet. Dog skal man dog overveje numerisk stabilitet under denne operation, især hvis λ min << λ max, da dette kan lede til ustabilitet på de sidst fundne egenværdier på grund af tab af decimaler på matrix indgangene når skiftet adderes til den oprindelige matrix. Alt i alt skal denne metode bruges med meget forsigtighed, men givet min viden om problemet skulle denne metode virke. En ting som ikke vil blive behandlet i denne opgave er måden løsningerne ndes for ligningssystemerne, dette gøres ved hjælp af QR decomposition af matricen og backsubstitution. Denne algoritme er specielt god fordi den kan paralleliseres og derved gøre beregningerne hurtigere, det er dog ikke gjort her og derfor kan algoritmen være et problem hvis T j bliver for stor. 4 Lanczos algoritmen Lanczos algoritmen er ikke så anvendt som Davidson af mange grunde, et af de store problemer er at den kan være numerisk ustabil hvilket jeg vil komme tilbage til senere. Denne algoritme er dog også undersøgt for problemet, for at se hvor god denne algoritme er i forhold til Davidson. Algoritmen ligner Davidson da denne også søger at reducere matricen til en mindre matrix der har de samme egenværdier som den store matrix har. Dog vil den mindre matrix have en hessenberg form for en reel matrix, og som i mit tilfælde med en hermitisk matrix en tridiagonal form. Denne tridiagonale form giver mange fordele med hensyn til beregningen af egenværdierne som vil blive diskuteret senere. Lanczos algoritmen er som udgangspunkt deneret for at nde de største egenværdier, jeg vil dog benytte invers iteration og i stedet for at lave et Krylow rum for H vil jeg konstrurere det for H 1, Krylov rummet der er deneret som Span (v, Av, A 2 v,..., A n v). Invers iteration er ikke så udforsket for Lanczos metoden endnu, men metoden skal benyttes for at nde de mindste egenværdier i H, der er dem jeg er interresseret i at nde. Projektionen som vil bringe H 1 på tridiagonal form er Krylov rummets orthogonormale form. Da matrix multiplication er en n 3 operation vil projektionen dog ikke blive 3
4 udført, istedet vil den reducerede matrix T blive konstruret samtidigt med Krylov rummet, hvor jeg dog ikke udnytter at T er tridiagonal da orthogonaliten på Krylow rummet kan blive tabt over ere iterationer hvilket gør hele metoden ustabil. For at konstrurere T benyttes Arnoldi iteration, hvilket omsat til pseudokode er: (1) QR faktoriser H (2) Konstrurer tilfældig startvektor, eller et godt gæt på den første egenvektor, V ={q 0 } (3) for k = 1 til k = n{ (4) Løs Aq k = q k 1 ved hjælp at backsubstitution (5) Orthogonaliser q k på alle vektorer i V, og gem q i q k i T i,k 1 (6) Normaliser q k og gem q k i T k,k 1, dog ikke for k'te vektor (7) Indsæt q k i V (8) } Denne algoritme konstrurer kun T og checker ikke for konvergens og udvider som nødvendigt. Dette vender jeg tilbage til senere. Jeg vil nu se på at nde egenværdier for T, der i dette tilfælde er egenværdier for H 1 hvilket betyder at de er en over egenværdierne i H. 5 Omvendt QR iteration Metoden der benyttes til at nde egenværdierne for T er Omvendt QR iteration, der går ud på at QR faktorisere T og derefter gange R og Q sammen. Produktet vil have mere dominante diagonale elementer, og hvis man bliver ved med at QR faktorisere og gange sammen, vil resultatet konvergere mod en diagonal matrix stabilt, men langsomt. Dog er der den fordel at matricen bliver diagonal skridtvist med den højste egenværdi i de øverste venstre hjørne og derved kan den største egenværdi tages ud, og selve matricen kan reduceres med en søjle og række, hvilket gør de næste egenværdier hurtigere at nde. Så Pseudo koden for denne metode bliver: (1) Indtil ønsket antal egenværdier er fundet{ (2) Check om øverste egenværdi er konvegeret, er elementet ved siden af og under diagonalen under tolerancen{ (3) Hvis dette er tilfældet, gem egenværdien og reducer T (4) } (5) QR faktoriser T (6) Sæt T lig R Q (7) } Som nævnt tidligere kan QR faktoriseringen paralleliseres for at gøre beregningstiden mindre, hvilket dog ikke er gjort her. Jeg har dog lavet QR algoritmen så den kun behandler de elementer som skal behandles på grund af matricens specielle form. 6 Resultater Resultaterne for de to metoder er meget mere forskellige end ventet. Davidson ligger sig pænt op ad resultatet fra MIDAS, der netop benytter Davidson algoritmen til at nde 4
5 egenværdierne. I dette tilfælde benyttes en basis af over 2500 VSCF funktioner, men problemet løses ved at løse egenværdiproblemet for en 97x97 matrix med poweriteration således at længden i anden af residual vektoren er under Resultatet fra Lanczos er dog ikke lig med resultatet der kommer fra MIDAS's algoritme. Det skal her bemærkes at lanczos dog langt fra er sat op til at virke optimalt på grund af en række faktorer. For det første er der problemet med tab af orthogonalitet som T konstrurers. Endvidere kan der ikke itereres over Krylov rummet, da det viser sig at enten er der en egenværdi der er lig nul der ødelægger QR faktoriseringen af T eller at Krylov rummet for matricen ikke er så veldeneret som det kunne håbes. Derfor bliver Lanczos algoritmen kørt på en måde hvor at Krylov rummet bliver lavet med 53 vektorer der orthonormaliseres i hver iteration. Dette betyder at T bliver 53x53, og kan få dens egenværdier fundet ved omvendt QR iteration. En større T matrix kan desværre ikke løses med QR iteration, som vist i outputlen lanczos_text/overstep/overstep.txt. Endvidere vises det at metoden virker i lanczos_test/mat10/test.txt. Lanczos MIDAS Davidson MIDAS Som det ses fra den ovenstående tabel giver Davidson algoritmen næsten det samme resultat som MIDAS, hvor imod resultatet som ventet er noget mere usikkert fra Lanczos. Det skal dog bemærkes at Lanczos slet ikke får lov til at konvergere ligesom Davidson som beskrevet ovenfor. Og resultatet er bemærkelsesværdigt præcist nå man tager de dårligere forhold for Lanczos i betragtning. De ting der kunne ændres med implamentationen af Lanczos er den enedelige egenværdi metode, hvor der desværre bliver nødt til at tages en anden metode i brug for at sikre konvergens. Dette er beklageligt idet styrken ved Lanczos netop er at de operationer der skal udføres er meget hurtige, med undtagelse af den indledende QR faktorisering, der 5
6 dog kan implamenteres mere eektivt en jeg har gjort med blandt andet parellelisering. Grunden til at der er to forskellige værdier fra MIDAS udregningerne er at beregningen for Lanczos algoritmen er udført i en mindre VSCF basis hvor selve H matricen er 729x729 i stedet for over omkring 2500x2500. Dette er begrundet med at den nuværende implamentation af QR faktoriseringen simpelthen er for langsom til at det vil give nogen mening at teste den på så stort et egenproblem af andre grunde en fordi det er muligt. Endvidere er det tydeligt at hvis de to resultater for MIDAS beregningerne sammenlignes at den større basis næsten ikke betyder noget for egenværdierne jeg er interresseret i. 7 Konklusion Konklusionen på arbejdet med disse to nummeriske metoder til beregninger af egenværdier for store matricer, er at begge metoder er andvenddelige til hurtigt og nemt at nde egenværdierne for disse. Dog lider Lanczos under en række problemer som tab af orthogonalitet og at QR algoritmen ikke er helt stabil for den matrix jeg undersøger. Det burde dog være muligt med preconditioning og andre numeriske metoder at kunne konvergere Lanczos algoritmen hårdere. Forbedringer på Lanczos algoritmen vil helt klart kunne gøre at den ville vinde over Davidson, om ikke på nøjagtighed så på hastighed. Davidson algoritmen har det problem at den rent faktisk ganger matricer at samme størrelse som selve H matricen sammen, hvor imod Lanczos holder sig til matrix-vektor produkter hvilket er meget mere tidsbesparende. Alt i alt har begge metoder deres fordele og ulemper, men de burde begge kunne anvendes til at løse egenværdiproblemer på størrelse men dem der er betragtet i denne opgave og endda endnu større problemer hvis de håndteres rigtigt, og nogle optimeringer til parallelisering og måske også med hensyn til ram forbrug bliver indført. 6
LiA 5 Side 0. Lineær algebra Kursusgang 5
LiA 5 Side 0 Lineær algebra Kursusgang 5 LiA 5 Side 1 Ved bestemmelse af mindste kvadraters løsning til (store) ligningssystemer vil man gerne anvende en metode der opfylder to krav: antallet af regneoperationer
Læs mereBesvarelser til Lineær Algebra Ordinær Eksamen - 5. Januar 2018
Besvarelser til Lineær Algebra Ordinær Eksamen - 5. Januar 08 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
Læs mereChapter 3. Modulpakke 3: Egenværdier. 3.1 Indledning
Chapter 3 Modulpakke 3: Egenværdier 3.1 Indledning En vektor v har som bekendt både størrelse og retning. Hvis man ganger vektoren fra højre på en kvadratisk matrix A bliver resultatet en ny vektor. Hvis
Læs mereDiagonalisering. Definition (diagonaliserbar)
1 Diagonalisering 2 Definition (diagonaliserbar) Lad A være en n n-matrix. A siges at være diagonaliserbar hvis A er similær med en diagonal matrix, dvs. A = PDP 1, hvor D er en n n diagonal matrix og
Læs mereBesvarelser til Lineær Algebra Ordinær eksamen - 6. Juni 2016
Besvarelser til Lineær Algebra Ordinær eksamen - 6. Juni 2016 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
Læs mereBesvarelser til Lineær Algebra Ordinær Eksamen Juni 2017
Besvarelser til Lineær Algebra Ordinær Eksamen - 12. Juni 2017 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
Læs mereBesvarelser til Lineær Algebra Reeksamen August 2016
Besvarelser til Lineær Algebra Reeksamen - 9. August 26 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
Læs mereDesignMat. Preben Alsholm. September Egenværdier og Egenvektorer. Preben Alsholm. Egenværdier og Egenvektorer
DesignMat September 2008 fortsat Eksempel : et Eksempel 4 () af I II uden I Lad V være et vektorrum over L (enten R eller C). fortsat Eksempel : et Eksempel 4 () af I II uden I Lad V være et vektorrum
Læs mereEgenværdier og egenvektorer
1 Egenværdier og egenvektorer 2 Definition Lad A være en n n matrix. En vektor v R n, v 0, kaldes en egenvektor for A, hvis der findes en skalar λ således Av = λv Skalaren λ kaldes en tilhørende egenværdi.
Læs mereLinAlgDat 2014/2015 Google s page rank
LinAlgDat 4/5 Google s page rank Resumé Vi viser hvordan lineære ligninger naturligt optræder i forbindelse med en simpel udgave af Google s algoritme for at vise de mest interessante links først i en
Læs mereBesvarelser til Lineær Algebra Ordinær Eksamen Juni 2018
Besvarelser til Lineær Algebra Ordinær Eksamen - 5. Juni 28 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
Læs mereBesvarelse af Eksamensopgaver Juni 2005 i Matematik H1
Besvarelse af Eksamensopgaver Juni 5 i Matematik H Opgave De fire vektorer stilles op i en matrix som reduceres: 4 4 4 8 4 4 (a) Der er ledende et-taller så dim U =. Som basis kan f.eks. bruges a a jfr.
Læs mereMatricer og lineære ligningssystemer
Matricer og lineære ligningssystemer Grete Ridder Ebbesen Virum Gymnasium Indhold 1 Matricer 11 Grundlæggende begreber 1 Regning med matricer 3 13 Kvadratiske matricer og determinant 9 14 Invers matrix
Læs mereOversigt [LA] 1, 2, 3, [S] 9.1-3
Oversigt [LA], 2, 3, [S] 9.-3 Nøgleord og begreber Koordinatvektorer, talpar, taltripler og n-tupler Linearkombination Underrum og Span Test linearkombination Lineær uafhængighed Standard vektorer Basis
Læs mereOversigt [LA] 10, 11; [S] 9.3
Oversigt [LA] 1, 11; [S] 9.3 Nøgleord og begreber Repetition: enhedsvektor og identitetsmatrix Diagonalmatricer Diagonalisering og egenvektorer Matrixpotens August 22, opgave 2 Skalarprodukt Længde Calculus
Læs mereSymmetriske og ortogonale matricer Uge 7
Symmetriske og ortogonale matricer Uge 7 Preben Alsholm Efterår 2009 1 Symmetriske og ortogonale matricer 1.1 Definitioner Definitioner En kvadratisk matrix A = [ a ij kaldes symmetrisk, hvis aij = a ji
Læs mereDesignMat Uge 1 Gensyn med forårets stof
DesignMat Uge 1 Gensyn med forårets stof Preben Alsholm Efterår 2010 1 Hovedpunkter fra forårets pensum 11 Taylorpolynomium Taylorpolynomium Det n te Taylorpolynomium for f med udviklingspunkt x 0 : P
Læs mereBesvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 2016
Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 206 Mikkel Findinge http://findinge.com/ Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan.
Læs mereModulpakke 3: Lineære Ligningssystemer
Chapter 4 Modulpakke 3: Lineære Ligningssystemer 4. Homogene systemer I teknikken møder man meget ofte modeller der leder til systemer af koblede differentialligninger. Et eksempel på et sådant system
Læs mereDet Ingeniør-, Natur- og Sundhedsvidenskabelige basisår Matematik 2A, Forår 2007, Hold 4 Opgave A Kommenteret version
Det Ingeniør-, Natur- og Sundhedsvidenskabelige basisår Matematik 2A, Forår 2007, Hold 4 Opgave A Kommenteret version Opgaven består af et antal delopgaver Disse er af varierende omfang Der er også en
Læs mereSkriftlig eksamen Vejledende besvarelse MATEMATIK B (MM02)
SYDDANSK UNIVERSITET ODENSE UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Vejledende besvarelse MATEMATIK B (MM2) Fredag d. 2. januar 22 kl. 9. 3. 4 timer med alle sædvanlige skriftlige
Læs mereEksempel på 2-timersprøve 2 Løsninger
Eksempel på -timersprøve Løsninger Preben lsholm Februar 4 Opgave Maplekommandoerne expand( (z-*exp(i*pi/))*(z-*exp(-i*pi/))*(z-exp(i*pi/))*(z-exp(-i*pi/))): sort(%); resulterer i polynomiet z 4 z + z
Læs mereMatematisk modellering og numeriske metoder. Lektion 13
Matematisk modellering og numeriske metoder Lektion 3 Morten Grud Rasmussen 3. november 206 Numerisk metode til Laplace- og Poisson-ligningerne. Finite difference-formulering af problemet I det følgende
Læs mereLineær algebra: Egenværdier, egenvektorer, diagonalisering
Lineær algebra: Egenværdier, egenvektorer, diagonalisering Institut for Matematiske Fag Aalborg Universitet 2011 Egenvektorer og egenværdier Mål: Forståelse af afbildningen x Ax fra R n R n for en n n-matrix
Læs mereBesvarelser til Calculus og Lineær Algebra Globale Forretningssystemer Eksamen - 8. Juni 2015
Besvarelser til Calculus og Lineær Algebra Globale Forretningssystemer Eksamen - 8. Juni 05 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en
Læs mereSymmetriske og ortogonale matricer Uge 6
Symmetriske og ortogonale matricer Uge 6 Preben Alsholm Efterår 2010 1 Symmetriske og ortogonale matricer 1.1 Skalarprodukt og Cauchy-Schwarz ulighed Skalarprodukt og Cauchy-Schwarz ulighed Det sædvanlige
Læs mereOversigt [LA] 1, 2, 3, [S] 9.1-3
Oversigt [LA] 1, 2, 3, [S] 9.1-3 Nøgleord og begreber Koordinatvektorer, talpar, taltripler og n-tupler Linearkombination Underrum og Span Test linearkombination Lineær uafhængighed Standard vektorer Basis
Læs mereDifferentialligninger Hvad beskriver en differentialligning? Hvordan noget ændrer sig (oftest over tid). Tangenthældninger langs en kurve.
Differentialligninger Hvad beskriver en differentialligning? Hvordan noget ændrer sig (oftest over tid) Tangenthældninger langs en kurve x Retningsfelter x x(t) sin(π t) + x / π cos(π t) Jeppe Revall Frisvad
Læs mereNewton-Raphsons metode
Newton-Raphsons metode af John V. Petersen Indhold Indledning: Numerisk analyse og Newton-Raphsons metode... 2 Udlede Newtons iterations formel... 2 Sætning 1 Newtons metode... 4 Eksempel 1 konvergens...
Læs mereNøgleord og begreber. Definition 15.1 Den lineære 1. ordens differentialligning er
Oversigt [S] 7.3, 7.4, 7.5, 7.6; [LA] 15, 16, 17 Nøgleord og begreber 1. ordens lineær ligning Løsningsmetode August 2002, opgave 7 1. ordens lineært system Løsning ved egenvektor Lille opgave Stor opgave
Læs mereOversigt [S] 7.3, 7.4, 7.5, 7.6; [LA] 15, 16, 17
Oversigt [S] 7.3, 7.4, 7.5, 7.6; [LA] 15, 16, 17 Nøgleord og begreber 1. ordens lineær ligning Løsningsmetode August 2002, opgave 7 1. ordens lineært system Løsning ved egenvektor Lille opgave Stor opgave
Læs mereSymmetriske matricer
Symmetriske matricer Preben Alsholm 17. november 008 1 Symmetriske matricer 1.1 Definitioner Definitioner En kvadratisk matrix A = a ij kaldes symmetrisk, hvis aij = a ji for alle i og j. Altså hvis A
Læs mereMatrx-vektor produkt Mikkel H. Brynildsen Lineær Algebra
Matrx-vektor produkt [ ] 1 2 3 1 0 2 1 10 4 Rotationsmatrix Sæt A θ = [ ] cosθ sinθ sinθ cosθ At gange vektor v R 2 med A θ svarer til at rotere vektor v med vinkelen θ til vektor w: [ ][ ] [ ] [ ] cosθ
Læs mereEksamen i Lineær Algebra
Eksamen i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet 6. juni, 26. Kl. 9-3. Nærværende eksamenssæt består af nummererede sider med ialt 5 opgaver. Alle opgaver er multiple
Læs mereLineær algebra Kursusgang 6
Lineær algebra Kursusgang 6 Mindste kvadraters metode og Cholesky dekomposition Vi ønsker at finde en mindste kvadraters løsning til det (inkonsistente) ligningssystem hvor A er en m n matrix. Ax = b,
Læs mereVejledende besvarelse på august 2009-sættet 2. december 2009
Vejledende besvarelse på august 29-sættet 2. december 29 Det følgende er en vejledende besvarelse på eksamenssættet i kurset Calculus, som det så ud i august 29. Den tjener primært til illustration af,
Læs merePolynomier. Indhold. Georg Mohr-Konkurrencen. 1 Polynomier 2. 2 Polynomiumsdivision 4. 3 Algebraens fundamentalsætning og rødder 6
Indhold 1 Polynomier 2 Polynomier 2 Polynomiumsdivision 4 3 Algebraens fundamentalsætning og rødder 6 4 Koefficienter 8 5 Polynomier med heltallige koefficienter 9 6 Mere om polynomier med heltallige koefficienter
Læs mereEKSAMENSOPGAVELØSNINGER CALCULUS 2 (2005) JANUAR 2006 AARHUS UNIVERSITET.. Beregn den retningsafledede D u f(0, 0).
EKSAMENSOPGAVELØSNINGER CALCULUS 2 (2005) JANUAR 2006 AARHUS UNIVERSITET H.A. NIELSEN & H.A. SALOMONSEN Opgave. Lad f betegne funktionen f(x, y) = x cos(y) + y sin(x). ) Angiv gradienten f. 2) Lad u betegne
Læs mere13.1 Matrixpotenser og den spektrale radius
SEKTION 3 MATRIXPOTENSER OG DEN SPEKTRALE RADIUS 3 Matrixpotenser og den spektrale radius Cayley-Hamilton-sætningen kan anvendes til at beregne matrixpotenser: Proposition 3 (Lasalles algoritme) Lad A
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale. Digital eksamensopgave med adgang til internettet
Matematik A Studentereksamen Digital eksamensopgave med adgang til internettet Forberedelsesmateriale frs-matn/a-270420 Onsdag den 27. april 20 Forberedelsesmateriale til stx-a-net MATEMATIK Der skal afsættes
Læs mereDefinition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.
Oversigt [LA] 3, 4, 5 Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers
Læs mereNøgleord og begreber. Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.
Oversigt [LA] 3, 4, 5 Matrix multiplikation Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse
Læs mereLINALG JULENØD 2013 SUNE PRECHT REEH
LINALG JULENØD 203 SUNE PRECHT REEH Resumé I denne julenød skal vi se på lineær algebra for heltallene Z Hvad går stadig godt? og hvad går galt? I de reelle tal R kan vi for ethvert a 0 altid finde R som
Læs mereUge 11 Lille Dag. Opgaver til OPGAVER 1. Det ortogonale komplement
OPGAVER 1 Opgaver til Uge 11 Lille Dag Opgave 1 Det ortogonale komplement a) I R 2 er der givet vektoren (3, 7). Angiv en basis for det ortogonale komplement. b) Find i R 3 en basis for det ortogonale
Læs mereKursusgang 3 Matrixalgebra fortsat
Kursusgang 3 fortsat - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12. september 2008 1/31 Nødvendige betingelser En nødvendig betingelse
Læs mereOversigt [LA] 3, 4, 5
Oversigt [LA] 3, 4, 5 Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers
Læs mereLineær Algebra eksamen, noter
Lineær Algebra eksamen, noter Stig Døssing, 20094584 June 6, 2011 1 Emne 1: Løsninger og least squares - Løsning, ligningssystem RREF (ERO) løsninger Bevis at RREF matrix findes Løsninger til system (0,
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereLokalt ekstremum DiploMat 01905
Lokalt ekstremum DiploMat 0905 Preben Alsholm Institut for Matematik, DTU 6. oktober 00 De nition Et stationært punkt for en funktion af ere variable f vil i disse noter blive kaldt et egentligt saddelpunkt,
Læs mereOm første og anden fundamentalform
Geometri, foråret 2005 Jørgen Larsen 9. marts 2005 Om første og anden fundamentalform 1 Tangentrummet; første fundamentalform Vi betragter en flade S parametriseret med σ. Lad P = σu 0, v 0 være et punkt
Læs mereMatematik for økonomer 3. semester
Matematik for økonomer 3. semester cand.oecon. studiet, 3. semester Planchesæt 2 - Forelæsning 3 Esben Høg Aalborg Universitet 10. september 2009 Institut for Matematiske Fag Aalborg Universitet Esben
Læs mereKursusgang 3 Matrixalgebra Repetition
Kursusgang 3 Repetition - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 16. september 2008 1/19 Betingelser for nonsingularitet af en Matrix
Læs mere2010 Matematik 2A hold 4 : Prøveeksamen juni 2010
1 of 7 31-05-2010 13:18 2010 Matematik 2A hold 4 : Prøveeksamen juni 2010 Welcome Jens Mohr Mortensen [ My Profile ] View Details View Grade Help Quit & Save Feedback: Details Report [PRINT] 2010 Matematik
Læs mereLineære 1. ordens differentialligningssystemer
enote 7 enote 7 Lineære ordens differentialligningssystemer Denne enote beskriver ordens differentialligningssystemer og viser, hvordan de kan løses Der bruges egenværdier og egenvektorer i løsningsproceduren,
Læs mereEksamen i Lineær Algebra
To find the English version of the exam, please read from the other end! Se venligst bort fra den engelske tekst på bagsiden, hvis du følger den danske version af prøven. Eksamen i Lineær Algebra Første
Læs mereUgeseddel 12(10.12 14.12)
Ugeseddel (..) Matematisk Programmering Niels Lauritzen..7 FORELÆSNINGER I ugen. 7. gennemgik vi algoritmer til løsning af heltalsprogrammer ved hjælp af simplex algoritmen. Dette er heltalsprogrammeringsugesedlen
Læs mereFejlkorligerende køder Fejlkorrigerende koder
Fejlkorligerende køder Fejlkorrigerende koder Olav Geil Skal man sende en fødselsdagsgave til fætter Børge, så pakker man den godt ind i håb om, at kun indpakningen er beskadiget ved modtagelsen. Noget
Læs mereTidligere Eksamensopgaver MM505 Lineær Algebra
Institut for Matematik og Datalogi Syddansk Universitet Tidligere Eksamensopgaver MM55 Lineær Algebra Indhold Typisk forside.................. 2 Juni 27.................... 3 Oktober 27..................
Læs mereEkstremum for funktion af flere variable
Ekstremum for funktion af flere variable Preben Alsholm 28. april 2008 1 Ekstremum for funktion af flere variable 1.1 Hessematricen I Hessematricen I Et stationært punkt for en funktion af flere variable
Læs mere12.1 Cayley-Hamilton-Sætningen
SEKTION 12.1 CAYLEY-HAMILTON-SÆTNINGEN 12.1 Cayley-Hamilton-Sætningen Sætning 12.1.1 (Cayley-Hamilton) Lad A Mat n,n (C). Så gælder p A (A) =. Sætningen gælder faktisk over et vilkårligt legeme, men vi
Læs mereKursusgang 3 Matrixalgebra Repetition
Kursusgang 3 Repetition - froberg@mathaaudk http://peoplemathaaudk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12 september 2008 1/12 Lineære ligningssystemer Et lineært ligningssystem
Læs mereOversigt Matematik Alfa 1, August 2002
Oversigt [S], [LA] Nøgleord og begreber Egenvektorer, egenværdier og diagonalisering Dobbelt integral og polært koordinatskift Ortogonal projektion og mindste afstand Retningsafledt og gradient Maksimum/minimums
Læs mereKøbenhavns Universitet, Det naturvidenskabelige Fakultet. DATALOGI V - Introduktion til Scientific Computing. Ugeseddel 3
Københavns Universitet, Det naturvidenskabelige Fakultet DATALOGI V - Introduktion til Scientific Computing Ugeseddel 3 Meddelelser: Bemærk venligst, at jeg den 23/2 starter med at forelæse over ca. 25
Læs merex 2 + y 2 dx dy. f(x, y) = ln(x 2 + y 2 ) + 2 1) Angiv en ligning for tangentplanen til fladen z = f(x, y) i punktet
Eksamensopgaver fra Matematik Alfa 1 Naturvidenskabelig Kandidateksamen August 1999. Matematik Alfa 1 Opgave 1. Udregn integralet 1 1 y 2 (Vink: skift til polære koordinater.) Opgave 2. Betragt funktionen
Læs mereBiologisk model: Epidemi
C1.2 C.7 Se forklaring i Appendiks A 1, si. 9 Biologisk model: Epidemi af John V. Petersen 1. Biologisk model: Epidemi... si. 1 A. Appendiks A 1. Ligninger si. 1, forklaring... si. 9 A 2. Egenvektorer
Læs mereReaktionskinetik - 1 Baggrund. lineære og ikke-lineære differentialligninger. Køreplan
Reaktionskinetik - lineære og ikke-lineære differentialligninger Køreplan 1 Baggrund På 2. eller 4. semester møder kemi/bioteknologi studerende faget Indledende Fysisk Kemi (26201/26202). Her behandles
Læs mereLineære 1. ordens differentialligningssystemer
enote enote Lineære ordens differentialligningssystemer Denne enote beskriver ordens differentialligningssystemer og viser, hvordan de kan løses enoten er i forlængelse af enote, der beskriver lineære
Læs mereMatematisk modellering og numeriske metoder. Lektion 5
Matematisk modellering og numeriske metoder Lektion 5 Morten Grud Rasmussen 19. september, 2013 1 Euler-Cauchy-ligninger [Bogens afsnit 2.5, side 71] 1.1 De tre typer af Euler-Cauchy-ligninger Efter at
Læs mereReeksamen i Lineær Algebra. Første Studieår ved Det Tekniske Fakultet for IT og Design samt Det Ingeniør- og Naturvidenskabelige Fakultet
Reeksamen i Lineær Algebra Første Studieår ved Det Tekniske Fakultet for IT og Design samt Det Ingeniør- og Naturvidenskabelige Fakultet. februar 9 kl. 9:-: Dette eksamenssæt består af 8 nummererede sider
Læs mereEt generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Ideen er simpel:
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Ideen er simpel: Opbyg løsningen skridt for skridt ved hele tiden af vælge lige
Læs mereMat10 eksamensspørgsmål
Mat10 eksamensspørgsmål Martin Geisler 9. januar 2002 Resumé Dette dokument er en gennemgang af de eksamensspørgsmål der blev stillet til den mundtlige eksamen i Mat10, januar 2002
Læs mereEgenværdier og egenvektorer
enote 9 enote 9 Egenværdier og egenvektorer Denne note indfører begreberne egenværdier og egenvektorer for lineære afbildninger i vilkårlige generelle vektorrum og går derefter i dybden med egenværdier
Læs mereOversigt [LA] 1, 2, 3, [S] 9.1-3
Oversigt [LA] 1, 2, 3, [S] 9.1-3 Nøgleord og begreber Talpar, taltripler og n-tupler Linearkombination og span Test linearkombination Hvad er en matrix Matrix multiplikation Test matrix multiplikation
Læs mereReeksamen i Lineær Algebra
Reeksamen i Lineær Algebra Første Studieår ved Det Tekniske Fakultet for IT og Design samt Det Ingeniør- og Naturvidenskabelige Fakultet. februar 8 Dette eksamenssæt består af 9 nummererede sider med afkrydsningsopgaver.
Læs mereLiA 2 Side 0. Lineær algebra 3. kursusgang
LiA 2 Side 0 Lineær algebra 3. kursusgang LiA 2 Side 1 Højdeforskelle. D C 0.7 0.7 0.8 E LiA 2 Side 2 Vi har tre punkter C, D og E. Højderne er h C, h D, h E. (I det følgende benævnes disse også x, y,
Læs mereDesignMat Uge 5 Systemer af lineære differentialligninger II
DesignMat Uge 5 Systemer af lineære differentialligninger II Preben Alsholm Efterår 21 1 Lineære differentialligningssystemer 11 Lineært differentialligningssystem af første orden Lineært differentialligningssystem
Læs mereTo find the English version of the exam, please read from the other end! Eksamen i Lineær Algebra
To find the English version of the exam, please read from the other end! Se venligst bort fra den engelske version på modsatte side hvis du følger denne danske version af prøven. Eksamen i Lineær Algebra
Læs mereEksamen i Lineær Algebra. Første Studieår ved Det Tekniske Fakultet for IT og Design samt Det Ingeniør- og Naturvidenskabelige Fakultet
Eksamen i Lineær Algebra Første Studieår ved Det Tekniske Fakultet for IT og Design samt Det Ingeniør- og Naturvidenskabelige Fakultet 4. januar 9 kl. 9:-: Dette eksamenssæt består af 8 nummererede sider
Læs mereDesignMat Uge 4 Systemer af lineære differentialligninger I
DesignMat Uge Systemer af lineære differentialligninger I Preben Alsholm Efterår 008 1 Lineære differentialligningssystemer 11 Lineært differentialligningssystem af første orden I Lineært differentialligningssystem
Læs mereCalculus Uge
Oversigt [S], [LA] Nøgleord og begreber Egenvektorer, egenværdier og diagonalisering Dobbelt integral og polært koordinatskift Ortogonal projektion og mindste afstand Retningsafledt og gradient Maksimum/minimums
Læs mereNøgleord og begreber
Oversigt [LA] 9 Nøgleord og begreber Helt simple determinanter Determinant defineret Effektive regneregler Genkend determinant nul Test determinant nul Produktreglen Inversreglen Test inversregel og produktregel
Læs mereMatematisk modellering og numeriske metoder. Lektion 17
Matematisk modellering og numeriske metoder Lektion 1 Morten Grud Rasmussen. december 16 1 Numerisk integration og differentiation 1.1 Simpsons regel Antag, at vi har en funktion f på intervallet I = [a,
Læs mereOperationsanalyse, Ordinær Eksamen 2017I Rettevejledning
Operationsanalyse, Ordinær Eksamen 207I Rettevejledning Opgave A Ifølge de givne oplysninger skal der ialt udbringes 000 kg gødning i årets løb. Det fremgår videre af teksten, at der ønskes udbragt en
Læs mereKvadratrodsberegning ved hjælp af de fire regningsarter
Kvadratrodsberegning ved hjælp af de fire regningsarter Tidligt i historien opstod et behov for at beregne kvadratrødder med stor nøjagtighed. Kvadratrødder optræder i forbindelse med retvinklede trekanter,
Læs mereDe fire elementers kostbare spejl
Projekt.6 Lineær algebra moderne og klassisk kinesisk De fire elementers kostbare spejl "Som bekendt anses matematikken for at være en meget vigtig videnskab. Denne bog om matematik vil derfor være af
Læs mereLigningssystemer - nogle konklusioner efter miniprojektet
Ligningssystemer - nogle konklusioner efter miniprojektet Ligningssystemet Ax = 0 har mere end en løsning (uendelig mange) hvis og kun hvis nullity(a) 0 Løsningerne til et konsistent ligningssystem Ax
Læs mereGrådige algoritmer. Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer.
Grådige algoritmer Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Grådige algoritmer Et generelt algoritme-konstruktionsprincip ( paradigme ) for
Læs mereAffine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2
Affine rum I denne note behandles kun rum over R. Alt kan imidlertid gennemføres på samme måde over C eller ethvert andet legeme. Et underrum U R n er karakteriseret ved at det er en delmængde som er lukket
Læs mereAflevering 4: Mindste kvadraters metode
Aflevering 4: Mindste kvadraters metode Daniel Østergaard Andreasen December 2, 2011 Abstract Da meget få havde løst afleveringsopgave 4, giver jeg har en mulig (men meget udførlig) løsning af opgaven.
Læs mereMichael Jokil 11-05-2012
HTX, RTG Det skrå kast Informationsteknologi B Michael Jokil 11-05-2012 Indholdsfortegnelse Indledning... 3 Teori... 3 Kravspecifikationer... 4 Design... 4 Funktionalitet... 4 Brugerflade... 4 Implementering...
Læs mereBesvarelser til Calculus Ordinær Eksamen Juni 2019
Besvarelser til Calculus Ordinær Eksamen - 14. Juni 2019 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
Læs mereLineære ligningssystemer og Gauss-elimination
Lineære ligningssystemer og Gauss-elimination Preben Alsholm 18 februar 008 1 Lineære ligningssystemer og Gauss-elimination 11 Et eksempel Et eksempel 100g mælk Komælk Fåremælk Gedemælk Protein g 6g 8g
Læs mereSortering. Eksempel: De n tal i sorteret orden
Sortering 1 / 34 Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden 6, 2, 9, 4, 5, 1, 4, 3 1, 2, 3, 4, 4, 5, 9 2 / 34 Sortering Input: Output: Eksempel: n tal De n tal i sorteret orden
Læs mereBesvarelser til Calculus og Lineær Algebra Globale Forretningssystemer Eksamen - 3. Juni 2014
Besvarelser til Calculus og Lineær Algebra Globale Forretningssystemer Eksamen - 3. Juni 204 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over
Læs mereAlgebra - Teori og problemløsning
Algebra - Teori og problemløsning, januar 05, Kirsten Rosenkilde. Algebra - Teori og problemløsning Kapitel -3 giver en grundlæggende introduktion til at omskrive udtryk, faktorisere og løse ligningssystemer.
Læs mereKøbenhavns Universitet, Det naturvidenskabelige Fakultet. Afleveringsopgave 4
Københavns Universitet, Det naturvidenskabelige Fakultet Lineær Algebra LinAlg Afleveringsopgave 4 Eventuelle besvarelser laves i grupper af 2-3 personer og afleveres i to eksemplarer med 3 udfyldte forsider
Læs mereNote om interior point metoder
MØK 2016, Operationsanalyse Interior point algoritmer, side 1 Note om interior point metoder Som det er nævnt i bogen, var simplex-metoden til løsning af LP-algoritmer nærmest enerådende i de første 50
Læs mereEksamen i Lineær Algebra
Eksamen i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet & Det Sundhedsvidenskabelige Fakultet Onsdag den. januar,. Kl. 9-3. Nærværende eksamenssæt består af 8 nummererede
Læs mereF i l o s o f i e n o g m at e m at i k k e n b ag G o o g l e. M e d fo k u s på Pag e R a n k.
F i l o s o f i e n o g m at e m at i k k e n b ag G o o g l e M e d fo k u s på Pag e R a n k. J a ko b L i n d b l a d B l a ava n d I n s t i t u t fo r M at e m at i s k e Fag A a r h u s U n i v e
Læs mere9.1 Egenværdier og egenvektorer
SEKTION 9.1 EGENVÆRDIER OG EGENVEKTORER 9.1 Egenværdier og egenvektorer Definition 9.1.1 1. Lad V være et F-vektorrum; og lad T : V V være en lineær transformation. λ F er en egenværdi for T, hvis der
Læs mere