MM843: Numerisk lineær algebra

Det Naturvidenskabelige Studienævn

Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N310036102
Censur: Intern prøve, to eller flere bedømmere
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Forår
Niveau: Kandidat

STADS ID (UVA): N310036101
ECTS-point: 5

Godkendelsesdato: 01-11-2022


Varighed: 1 semester

Version: Godkendt - aktiv

Kommentar

Kurset samlæses med kursus MM559.

Indgangskrav

Ingen

Faglige forudsætninger

Studerende, der følger kurset, forventes at:
  • Have kendskab til MM536
  • Have kendskab til MM540, MM505 eller MM568
  • Have kendskab til MM533

Formål

Kurset har til formål at formidle kundskab til iterative løsningsmetoder for lineære ligningssystemer og sætte den studerende i stand til:
  • at analysere, anvende og modificere denne metode ved at benytte matematisk og numerisk analyse
  • at formulere problemer (inklusive beviser) i et korrekt matematisk sprog
  • at implementere algoritmer som computer programmer og beregne numeriske approksimationer til store spredte lineære ligningssystemer
Kurset bygger oven på den viden, der er erhvervet i kurserne MM536: Calculus for Matematik, MM505: Lineær algebra eller MM540: Matematiske metoder for økonomi, MM533: Matematiske og numeriske analyse.
Kurset har forbindelse med MM546: Partielle differentialligninger: teori, modellering og beregning og giver et fagligt grundlag for at studere emnerne i anvendt matematik generelt og mere specifikt, for bachelor og specialeemner. 

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:
  • Give kompetence til at analysere en matematisk models kvalitative og kvantitative egenskaber
  • Give færdigheder i formulere algoritmer og opstille og gennemføre større beregninger på computer for via modellen at opnå indsigt i det oprindelige problem
  • Give viden om begrunde og vælge mellem relevante analyse- og løsningsmodeller

Målbeskrivelse

Læringsmålet for kurset, at den studerende demonstrerer evnen til at:
  • Forstå grundlæggende begreber for iterative løsningsmetoder
  • Forstå og arbejde med matrix normer, spredte matricer, underrummene, projektioner
  • Sammenligne og sammenholde metoderne som er gennemgået i kurset
  • Forstå kvantitative og kvalitative aspekter af konvergens
  • Bruge undervisningsindholdet på nye problemstillinger
  • Skabe og tilpasse algoritmer til beslægtet applikationer
  • Overveje overordnet mønster for metoderne

Indhold

Kurset indeholder følgende faglige hovedområder:
  • Vektor- og matrix-normer
  • Spredte matricer
  • Underrumer og projektioner
  • Kanoniske former af matricer
  • Perturbationsteori
  • Iterative løsningsmetoder, bl.a: Orthomin og steepest descent, Conjugate gradients (CG) og Minimum residual method (MINRES og generalized minimum residual method (GMRES)
  • Fejlanalyse

Litteratur

Se itslearning for pensumlister og yderligere litteraturhenvisninger.

Eksamensbestemmelser

Eksamenselement a)

Tidsmæssig placering

Forår og juni

Udprøvninger

Obligatoriske opgaver og mundtlig eksamen

EKA

N310036102

Censur

Intern prøve, to eller flere bedømmere

Bedømmelse

7-trinsskala

Identifikation

Fulde navn og SDU brugernavn

Sprog

Følger, som udgangspunkt, undervisningssprog

Hjælpemidler

Oplyses på kurset 

ECTS-point

5

Vejledende antal undervisningstimer

42 timer per semester

Undervisningsform

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

  • Introfase: 28 timer
  • Træningsfase: 14 timer, heraf: eksaminatorie: 14 timer

Undervisningens omdrejningspunkter er interaktion og dialog. I introfasen introduceres og perspektiveres koncepter, teorier og modeller. I træningsfasen træner de studerende færdigheder og trænger dybere ned i det stof. I studiefasen får de studerende faglige, personlige og sociale erfaringer, der sætter dem i stand til at befæste og videreudvikle deres videnskabelige kompetencer. Der er fokus på fordybelse, forståelse og udvikling af samarbejdskompetencer.

Aktiviteter i studiefasen 

  • Læsning af foreslået litteratur
  • Udarbejdelse af øvelser i studiegrupper
  • At bidrage til online læring aktiviteter i forbindelse med kurset

Ansvarlig underviser

Navn E-mail Institut
Ralf Zimmermann zimmermann@imada.sdu.dk Computational Science

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (matematik)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

Anbefalede studieforløb

Profil Uddannelse Semester Udbuds periode

Overgangsordninger

Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.
Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.