TH Nürnberg Georg Simon Ohm Wintersemester 2020/2021

Prof. Dr. Tim Kröger

Numerische Mathematik 1 für AMP

Übungsblatt 3
Zu bearbeiten bis: 28. Oktober 2020

Aufgabe 33: Führen Sie jeweils zwei Schritte des Jacobi- und des Gauß-Seidel-Verfahrens
auf das System
    
8 2 1 x1 9
2 6 2 x2  = 4 ,
2 1 4 x3 6

durch, jeweils mit dem Startvektor x0 = (1, 1, 1)T .

Aufgabe 34: Zu einem linearen Iterationsverfahren

xk = Sxk−1 + c (∗)

konstruiert man ein abgewandeltes (sogenanntes relaxiertes) Iterationsverfahren

xk = ω(Sxk−1 + c − xk−1 ) + xk−1 , (∗∗)

wobei ω 6= 0 eine feste reelle Zahl sei. (Die Idee ist, von xk−1 aus gesehen in dieselbe
Richtung wie bei (∗) zu gehen, jedoch mit einem kleineren (ω < 1) oder größeren (ω > 1)
Schritt.)
a) Zeigen Sie: Falls (∗) einen eindeutigen Fixpunkt hat, so ist dieser auch eindeutiger
Fixpunkt von (∗∗).

b) Stellen Sie das abgewandelte Iterationsverfahren in der Form

xk = S̃xk−1 + c̃

dar.

c) Angenommen, die Eigenwerte λ1 , . . . , λn von S sind bekannt. Wie lauten dann die
Eigenwerte von S̃?

Übungsblatt 3, Seite 1
Aufgabe 35:
a) Bestimmen Sie rechnerisch (nicht experimentell) die asymptotische Konvergenzrate
des Jacobi-Verfahrens für das Gleichungssystem
    
10 −1 0 x1 2
−1 5 1  x2  =  7  .
0 −2 −5 x3 −19

b) Wie viele Iterationen müsste man demnach durchführen, um den Fehler um den
Faktor 10 000 zu verringern?

Aufgabe 36: Es soll das (abstrakt gegebene) lineare Iterationsverfahren

xk = Sxk−1 + c
mit
   
0.5 0.3 1.6
S= , c=
0.3 0.5 0

getestet werden. Der Fixpunkt ist x∗ = (5, 3)T . Die Eigenvektoren und Eigenwerte von
S sind
   
1 1
λ1 = 0.2, v1 = , λ2 = 0.8, v2 = .
−1 1
Zweck dieser Aufgabe ist, das Verständnis der Konvergenzbetrachtungen aus der Vorle-
sung zu vertiefen.
a) Programmieren Sie das Verfahren (konkret mit den angegebenen Zahlenwerten),
und messen Sie im Programm die Konvergenzrate. Verwenden Sie den Startvektor
x0 = 0. (Zur Berechnung der Konvergenzrate benutzen Sie hier bitte die bekannte
exakte Lösung.)

b) Rechnen Sie ein paar Schritte von Hand und stellen Sie dabei die Fehler
dk = xk − x∗
in jedem Schritt als Linearkombination der Eigenvektoren dar. Was passiert mit
den jeweiligen Koeffizienten? Wieso ist das so? Anhand dieser Rechnung können
Sie eine alternative Erklärung für den Wert der asymptotischen Konvergenzrate
finden.

c) Wiederholen Sie Teil a), diesmal jedoch mit dem Startvektor x0 = (8, 0)T . Wieso
erhalten Sie jetzt eine viel größere asymptotische Konvergenzrate?

Übungsblatt 3, Seite 2
Aufgabe 37: Programmieren Sie das Jacobi- und das Gauß-Seidel-Verfahren für stark
diagonaldominante Matrizen. Dabei soll die Iteration automatisch abbrechen, wenn der
Fehler (in der ∞-Norm) garantiert eine benutzerdefinierte Grenze unterschreitet (A-
posteriori-Fehlerabschätzung). Empfohlene Funktionssignaturen:
function x = jacobi_verfahren(A,b,x,tol)
function x = gauss_seidel_verfahren(A,b,x,tol)
mit folgenden Parametern:
A: Matrix;
b: rechte Seite;
x (Eingabe): Startvektor;
tol: Toleranz für Fehlerabschätzung;
x (Ausgabe): berechnete Lösung.
—

Aufgabe 38: Gegeben ist das lineare Gleichungssystem

    
2 0 −1 x1 2
1 5 −1  x2  =  9  .
2 7 −10 x3 −20

a) Bestimmen Sie kSk∞ für die Iterationsmatrix S des Jacobi-Verfahrens in diesem

Beispiel.

b) Berechnen Sie, ausgehend vom Startvektor x0 = (0, 0, 0)T eine Iteration des Jacobi-
Verfahrens.

c) Benutzen Sie die A-priori-Fehlerabschätzung, um mit den Ergebnissen aus a) und b)

vorherzusagen, nach wie vielen Iterationen der Fehler in jeder Komponente garan-
tiert kleiner als ε = 10−6 ist.

Aufgabe 39: Zu einem gegebenen Iterationsverfahren betrachten wir wieder das relaxierte
Iterationsverfahren wie in Aufgabe 34.
a) Angenommen, alle Eigenwerte von S sind reell und liegen im Intervall [0, 1). Zeigen
Sie, dass das relaxierte Verfahren dann für alle 0 < ω < 2 konvergiert.

b) Angenommen, alle Eigenwerte von S sind bekannt und reell und liegen im Intervall
(−1, 1). Bestimmen Sie dann (in Abhängigkeit von den Eigenwerten) den Parameter
ω so, dass die asymptotische Konvergenzrate des relaxierten Verfahrens so groß wie
möglich wird.

Übungsblatt 3, Seite 3
Aufgabe 40: Diagonaldominanz (stark oder schwach) ist zwar hinreichend für die Konver-
genz des Jacobi- wie auch des Gauß-Seidel-Verfahrens – sie ist aber keineswegs notwendig.
Finden Sie ein Beispiel, das das belegt.

Aufgabe 41 (Themenabschluss Lineare Gleichungssysteme, iterative Verfahren): Er-

stellen Sie ein Poster (DIN A 4 genügt), auf dem die folgenden Begriffe schematisch
miteinander in Beziehung gebracht werden.
1 X • lineares Iterationsverfahren;
• max |aij |;
i |aii |
j6=i
• kSk;
• A-posteriori-Fehlerabschätzung;
• S = −D −1 (L + R);
• A-priori-Fehlerabschätzung;
• S = −(D + L)−1 R;
• Konvergenz;
• Gauß-Seidel-Verfahren; • schwach diagonaldominant;

• Jacobi-Verfahren; • stark diagonaldominant;

Lösungen: 33. Jacobi: x1 = (0.75, 0, 0.75)T, x2 = (1.03125, 0.166667, 1.125)T. Gauß-

Seidel: x1 = (0.75, 0.0833333, 1.10417)T, x2 = (0.966146, −0.0234375, 1.02279)T. 34.b) S̃ =
ωS−(ω−1)En , c̃ = ωc. 34.c) ωλi −(ω−1), i = 1, . . . , n. 35.a) 1/2. 35.b) 8. 36.a) Asympto-
tische Konvergenzrate 0.0969100. 36.c) Asymptotische Konvergenzrate 0.698970. 38.a) 0.9.
38.b) (1, 1.8, 2)T . 38.c) 160. 39.b) 2/(2−λmin −λmax ). 

Übungsblatt 3, Seite 4