4. Leistungs- und Kreuzleistungsdichtespektren
|
|
- Walther Buchholz
- vor 5 Jahren
- Abrufe
Transkript
1 4. Leistungs- und Kreuzleistungsdichtespektren Die bereits in Kapitel 1.2 einführten Leistungsdichtespektren werden nun genauer untersucht. Zudem werden Kreuzleistungsdichtespektren eingeführt. Aus Leistungs- und Kreuzleistungsdichtespektren der Lasten können die Leistungsdichtespektren der Antworten berechnet werden. Aus den Leistungsdichtespektren der Antworten lassen sich weitere Größen zur Bewertung der Antwort und des Strukturverhaltens berechnen
2 4. Leistungs- und Kreuzleistungsdichtespektren Leistungsdichtespektren 4.2 Kreuzleistungsdichtespektren 4.3 Leistungsdichtespektrum der Antwort 4.4 Auswertung 2.4-2
3 4.1 Leistungsdichtespektren In Kapitel wurden Leistungsdichtespektren über den quadratischen Mittelwert gefilterter Zeitsignale eingeführt. Auf diese Weise können Leistungsdichtespektren analog ermittelt werden. Jetzt werden zwei weitere Definitionen angegeben, die für theoretische Untersuchungen und die digitale Ermittlung von Leistungsdichtespektren mit Hilfe der schnellen Fourier-ransformation (FF) geeigneter sind. Aus diesen Definitionen folgen außerdem eine Reihe von wichtigen Eigenschaften von Leistungsdichtespektren
4 4.1 Leistungsdichtespektren Endliche Fourier-ransformation: Gemessene Realisierungen von stochastischen Prozessen sind immer von endlicher Dauer. Die endliche Fourier-ransformation einer solchen Realisierung x k (t) ist definiert durch X k ( f, )= x k (t )e 2 π i f t dt Die endliche Fourier-ransformation hängt außer von der Frequenz f auch von der Zeitdauer ab
5 4.1 Leistungsdichtespektren Leistungsdichtespektrum und endliche Fourier-ransformation: Für eine Realisierung x k (t) eines stochastischen Prozesses wird definiert: x k (t, )={ x (t ) k für t sonst Für die Fourier-ransformation gilt: x k (t, )e 2 π i f t dt= x k (t )e 2 π i f t dt =X k ( f, ) 2.4-5
6 4.1 Leistungsdichtespektren Mit der Parsevalschen Gleichung x k 2 (t, )dt= X k ( f, ) 2 df folgt: x k 2 (t )dt= x k 2 (t, ) dt= X k ( f, ) 2 df Mit X k ( f, ) = X k ( f, ) = X k ( f, ) folgt daraus: x 2 k (t )dt=2 X k ( f, ) 2 df 2.4-6
7 4.1 Leistungsdichtespektren Mit der Übertragungsfunktion H ( f )={ 1 für f c Δ f /2 f f c +Δ f /2 sonst eines Filters mit Mittenfrequenz f c und Bandbreite Δf lautet die Fourier-ransformation des Filterausgangs: X k ( f,, f c,δ f )=H ( f ) X k ( f, ) x k 2 (t, f c,δ f )dt= =2 x k 2 (t,, f c,δ f ) dt X k ( f,, f c, Δ f ) 2 2 df=2 H ( f ) X k ( f, ) 2 df 2.4-7
8 4.1 Leistungsdichtespektren Für die Abschätzung des Leistungsdichtespektrums folgt: ^G xx ( f c )= 1 Δ f = 2 Δ f x 2 k (t, f c,δ f )dt= 2 Δ f f c +Δ f / 2 f c Δ f /2 X k ( f, ) 2 df H ( f ) 2 X k ( f, ) 2 df Mit lim Δ f 1 Δ f f c +Δ f /2 f c Δ f / 2 X k ( f, ) 2 df = X k ( f c, ) 2 folgt: G xx ( f c )=lim lim E [ ^G xx ( f c )]=2 lim Δ f 1 E [ X k ( f c, ) 2 ] 2.4-8
9 4.1 Leistungsdichtespektren Mit f anstelle von f c gilt für das Leistungsdichtespektrum: G xx ( f )=2 lim 1 E [ X k ( f, ) 2 ] Mit dieser Formel kann das Leistungsdichtespektrum mithilfe der schnellen Fourier-ransformation (FF) abgeschätzt werden
10 4.1 Leistungsdichtespektren Leistungsdichtespektrum und Autokorrelation: Für das Quadrat des Betrags der endlichen Fourier-ransformation einer Realisierung gilt: X k ( f, ) 2 =X k ( f, ) X k ( f, ) = = x k (t 1 )e 2 π i f t 1 dt 1 ( x k (t 2 )e 2π i f t 2 dt 2 x k (t 1 ) x k (t 2 )e 2 π i f (t 1 t 2 ) dt 2) dt
11 4.1 Leistungsdichtespektrum Die Substitution τ = t 1 t 2 t 1 = τ+t t = t 2 t 2 = t ergibt: = dt 2 dt (t 2, t 1 ) 1 (t, τ) dt d τ= 1 1 dt d τ=dt d τ 1 ransformation des Integrationsgebiets: t 2 t t 1 τ
12 4.1 Leistungsdichtespektren Damit gilt: X k ( f, t ) 2 = + ( τ ( τ x k (t + τ) x k (t )e 2 π i f τ dt ) d τ x k (t +τ) x k (t 2 )e 2 π i f τ dt ) d τ Mit E [ x k (t 2 + τ) x k (t 2 )]=R xx (τ) folgt: E [ X k ( f, ) 2 ]= ( τ + ( τ R xx ( τ)e 2 π i f τ dt ) d τ R xx (τ)e 2 π i f τ dt ) d τ
13 4.1 Leistungsdichtespektren Da der Integrand der inneren Integrale nicht von t abhängt, folgt weiter: E [ X k ( f, ) 2 ]= + = ( + τ ) R xx (τ)e 2 π i f τ d τ ( τ ) R xx (τ)e 2π i f τ d τ ( τ ) R xx ( τ)e 2 π i f τ d τ Damit gilt: 1 E [ X k ( f, ) 2 ]= ( 1 τ ) R xx( τ)e 2 π i f τ d τ
14 4.1 Leistunsdichtespektren Die folgende Untersuchung des verbleibenden Integrals orientiert sich an Lin, Kap Wird R xx (τ) d τ< vorausgesetzt, dann existiert die Fourier-ransformierte der Autokorrelation. Außerdem gibt es zu jedem ε ein τ, so dass gilt: R xx( τ) d τ< ε τ
15 4.1 Leistungsdichtespektren Wegen R xx ( τ)=r xx (τ) gilt zunächst: τ R xx(τ)e 2 π i f τ d τ 2 τ R xx (τ) d τ Für > τ folgt für die rechte Seite: τ R xx (τ) d τ= 1 τ τ τ R xx( τ) d τ+ τ τ R xx( τ) d τ 1 τ R xx( τ) d τ+ R xx(τ) d τ τ τ τ R xx(τ) d τ+ ε 4 <
16 4.1 Leistungsdichtespektren Für > = 4 τ ε τ R xx( τ) d τ folgt: τ R xx (τ) d τ< ε 4 + ε 4 = ε 2 Zu jedem ε gibt es also ein, so dass gilt: τ R xx(τ)e 2 π i f τ d τ <2 ε 2 =ε für > Daraus folgt: lim τ R xx( τ)e 2 π i f τ d τ=
17 4.1 Leistungsdichtespektren Damit ist gezeigt (Wiener-Chintschin-heorem): G xx ( f )=2 lim 1 E [ X k ( f, ) 2 ]=2 R xx (τ)e 2 π i f τ d τ Da das Leistungsdichtespektrum G xx (f) nur für positive Frequenzen definiert ist, wird es als einseitiges Leistungsdichtespektrum bezeichnet. Das einseitige Leistungsdichtespektrum ist gleich dem Zweifachen der Fourier-ransformation der Autokorrelation
18 4.1 Leistungsdichtespektren Zweiseitiges Leistungsdichtespektrum: Das zweiseitige Leistungsdichtespektrum ist gleich der Fourier-ransformierten der Autokorrelation: S xx ( f )= R xx ( τ)e 2 π i f τ d τ Es ist auch für negative Frequenzen definiert. Für positive Frequenzen gilt: G xx ( f )=2 S xx ( f ) für f >
19 4.1 Leistungsdichtespektren Eigenschaften: Aus der Definition mithilfe der endlichen Fourier-ransformation folgt sofort, dass sowohl das einseitige als auch das zweiseitige Leistungsdichtespektrum reell und positiv sind. Damit gilt: S xx ( f )= R xx ( τ)cos (2 π f τ ) d τ S xx ( f )=S xx ( f )=S xx ( f ) Mit R xx ( τ)=r xx (τ) folgt außerdem: S xx ( f )=2 R xx (τ)cos(2 π f τ)d τ G xx ( f )=4 R xx ( τ)cos(2 π f τ)d τ für f >
20 4.1 Leistungsdichtespektren Die inverse Fourier-ransformation ergibt: R xx ( τ)= = S xx ( f )e 2 π i f τ df =2 G xx ( f )cos (2 π f τ ) df S xx ( f )cos (2 π f τ ) df Daraus folgt für den quadratischen Mittelwert: ψ x 2 =R xx ()= S xx ( f ) df=2 S xx ( f )df = G xx ( f )df 2.4-2
21 4.2 Kreuzleistungsdichtespektren Definition: Das zweiseitige Kreuzleistungsdichtespektrum ist die Fourier-ransformierte der Kreuzkorrelation: S xy ( f )= R xy ( τ)e 2 π i f τ d τ Die inverse Fourier-ransformation des zweiseitigen Kreuzleistungsdichtespektrums ergibt die Kreuzkorrelation: R xy (τ)= S xy ( f )e 2 π i f τ df
22 4.2 Kreuzleistungsdichtespektren Für das einseitige Kreuzleistungsspektrum gilt: Wie für das Leistungsdichtespektrum lässt sich zeigen: G xy ( f )=lim S xy ( f )=lim G xy ( f )=2 S xy ( f ) für f > 2 E [ X k( f, )Ȳ k ( f, )] für f > 1 E [X ( f, )Ȳ k k ( f, )]
23 4.2 Kreuzleistungsdichtespektren Eigenschaften: Das Kreuzleistungsdichtespektrum ist eine komplexe Funktion der Frequenz. Mit R xy ( τ)=r yx (τ) folgt: S xy ( f)= S xy ( f)=s yx ( f) Ḡ xy ( f)=g yx ( f) Es lässt sich zeigen, dass die folgende Ungleichung gilt: G xy ( f) 2 G xx ( f)g yy ( f)
24 4.2 Kreuzleistungsdichtespektren Kohärenz: Die Kohärenz ist definiert durch γ 2 xy ( f )= G xy ( f ) 2 G xx ( f )G yy ( f ) = S ( f ) xy 2 S xx ( f ) S yy ( f ) Die Kohärenz ist eine reelle Funktion der Frequenz, für die gilt: γ 2 xy ( f )
25 4.2 Kreuzleistungsdichtespektren Spektraldichtematrix: Gegeben seien N stochastische Prozesse {x nk (t)}. Die zugehörigen endlichen Fourier-ransformierten X nk (f, ) lassen sich in einer Spaltenmatrix zusammenfassen: ]=[ X 1 k [X k X Nk] Die Spektraldichtematrix ist definiert durch [G x ]=lim mit. [X k ] H =[ X k ] 2 E [ [ X k ] [X k ] H ] Die Spektraldichtematrix ist eine hermitesche Matrix, d. h. es gilt: [G x ] H =[G x ]
26 4.2 Kreuzleistungsdichtespektren Die Diagonalelemente der Spektraldichtematrix sind die reellen Leistungsdichtespektren der einzelnen stochastischen Prozesse. Die Außerdiagonalelemente sind die komplexen Kreuzleistungsdichtespektren zwischen den einzelnen stochastischen Prozessen
27 4.3 Leistungsdichtespektrum der Antwort Aufgabenstellung: Betrachtet wird ein lineares dynamisches System, das durch stationäre stochastische Prozesse belastet wird. Zu berechnen ist das Leistungsdichtespektrum der Antwort aus den Leistungs- und Kreuzleistungsdichtespektren der Lasten. Belastung durch eine einzige Last: Die Struktur wird durch einen einzigen stationären stochastischen Prozess {x k (t)} belastet, dessen Leistungsdichtespektrum G xx (f) gegeben ist
28 4.3 Leistungsdichtespektrum der Antwort Mit der Übertragungsfunktion H yx (f) gilt für die endliche Fourier-ransformation einer Realisierung y k (t) der Antwort: Für das Leistungsdichtespektrum der Antwort folgt: G yy ( f )=lim Y k ( f, )=H yx ( f ) X k ( f, ) 2 E [ Y k ( f, ) 2 ] = H yx ( f ) 2 lim 2 E [ X k ( f, ) 2 ]= H yx ( f ) 2 G xx ( f )
29 4.3 Leistungsdichtespektrum der Antwort Das Kreuzleistungsdichtespektrum zwischen Last und Antwort berechnet sich zu G xy ( f )=lim Ergebnis: 2 E [X k( f, )Ȳ k ( f, )] = H yx ( f ) lim 2 E [ X k ( f, ) X k ( f, )]= H yx ( f )G xx ( f ) G yy ( f )= H yx ( f ) 2 G xx ( f ), G xy ( f )= H yx ( f )G xx ( f )
30 4.3 Leistungsdichtespektrum der Antwort Für die Kohärenz zwischen Last und Antwort folgt: γ 2 xy ( f )= H yx ( f ) 2 G 2 xx ( f ) G xx ( f ) H yx ( f ) 2 G xx ( f ) =1 Für die aus der gemessenen Last und der gemessenen Antwort berechnete Kohärenz gilt in der Regel: γ 2 xy <1 Die Gründe dafür sind: Den Messwerten y(t) ist ein Fremdgeräusch überlagert. Das Strukturverhalten ist nichtlinear. Zusätzlich zur betrachteten Last x(t) greifen weitere Lasten an der Struktur an
31 4.3 Leistungsdichtespektrum der Antwort Belastung durch mehrere Lasten: Die Struktur wird durch mehrere stationäre stochastische Prozesse {x nk (t)}, n = 1,, N belastet. Gegeben sind die Leistungsdichtespektren G nn (f) und alle Kreuzleistungsdichtespektren G mn (f). Mit den Übertragungsfunktionen H yn (f) gilt für die endliche Fourier-ransformation einer Realisierung y k (t) der Antwort: N Y k ( f, )= n=1 H yn ( f ) X nk ( f, )
32 4.3 Leistungsdichtespektrum der Antwort Mit der Übertragungsmatrix [ H yx ( f )]=[H y1 ( f ) H yn ( f )] gilt: Mit Y k ( f, )=[H yx ( f )] [X k ( f, )] Y k ( f, ) 2 =Y k ( f, )Ȳ k ( f, ) =[H yx ( f )] [ X k ( f, )] [X k ( f, )] H [ H yx ( f )] H folgt: G yy ( f )=[ H yx ( f )] [G x ( f )] [H yx ( f )] H
33 4.4 Auswertung Aus dem Leistungsdichtespektrum lassen sich viele weitere Größen zur Bewertung eines stochastischen Prozesses und seiner Auswirkungen berechnen. Quadratischer Mittelwert: Für den quadratischen Mittelwert gilt: Für einen stationären stochastischen Prozess, dessen Mittelwert null ist, stimmt der quadratische Mittelwert mit der Varianz überein. Daraus folgt für die Standardabweichung: σ x = ψ x 2 ψ 2 = x G xx ( f )df
34 4.4 Auswertung Für einen ergodischen Gaußschen stochastischen Prozess gilt zu jedem Zeitpunkt für die Wahrscheinlichkeitsdichte von x(t): p(x )= 1 2 π σ x exp( x2 ) 2 2 σ x Gewichteter quadratischer Mittelwert: Der gewichtete quadratische Mittelwert ist definiert durch ψ 2 = Wx W ( f )G xx ( f )df
35 4.4 Auswertung Die Gewichtung W(f) berücksichtigt, dass die Beiträge der einzelnen Frequenzen unterschiedlich starke Auswirkungen haben. Beispiele: Die A-, B- C- und D-Bewertungen für das Leistungsdichtespektrum des Schalldrucks berücksichtigen die unterschiedliche Empfindlichkeit des menschlichen Ohrs (DIN EN 6651, ISO 1996). Komfortkennzahlen sind gewichtete quadratische Mittelwerte des Leistungsdichtespektrums der Beschleunigungen, die zur Bewertung des Fahrkomforts verwendet werden (VDI 257, ISO )
36 4.4 Auswertung Anzahl der Nulldurchgänge pro Zeiteinheit: Für einen Gaußschen stochastischen Prozess, dessen Mittelwert null ist, gilt für die Anzahl der Nulldurchgänge pro Zeit: N = 1 σ v ( π σ = 1 4 π 2 f 2 )1/2 G xx ( f )df x π G xx ( f )df =2( f 2 )1/2 G xx ( f )df G xx ( f )df Für die Anzahl der Durchgänge durch die Gerade x = α pro Zeit gilt: N α =N exp ) α2 2 ( 2σ x
37 4.4 Auswertung Lebensdauerabschätzung: Es gibt eine Reihe von Methoden, mit denen sich die Lebensdauer anhand von Leistungsdichtespektren der Spannungen abschätzen lässt, z. B. Dirlik Wirsching-Light Gao-Moan Zhao-Baker ovo-benasciutti Petrucci-Zuccarello
3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
Mehr2. Fourier-Transformation
2. Fourier-Transformation Die Fourier-Transformation ist ein wichtiges Hilfsmittel für die dynamische Analyse linearer Systeme: Die Fourier-Transformierte der Antwort ist gleich dem Produkt der Fourier-Transformierten
MehrWird der zeitliche Verlauf einer stochastischen Last mehrfach gemessen, so ergeben sich unterschiedliche zeitliche Verläufe.
2. Stochastische Lasten Wird der zeitliche Verlauf einer stochastischen Last mehrfach gemessen, so ergeben sich unterschiedliche zeitliche Verläufe. Jede Messung liefert eine Realisierung des stochastischen
MehrKapitel 8: Zeitdiskrete Zufallssignale
ZHAW, DSV2, 2007, Rumc, 8-1 Kapitel 8: Zeitdiskrete Zufallssignale Inhaltsverzeichnis 1. STOCHASTISCHER PROZESS...1 2. STATISTISCHE EIGENSCHAFTEN EINER ZUFALLSVARIABLEN...2 3. STATISTISCHE EIGENSCHAFTEN
Mehr8 Das Leistungsdichtespektrum
8 Das Leistungsdichtespektrum X (X(t), t T ) sei ein stationärer Prozess mit konstanter Mittelwertfunktion EX(t) m X und Autokorrelationsfunktion R X (t) EX(s + t)x (s). Wir nehmen für dieses und die folgenden
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
MehrDynamische Lasten. 1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Allgemeine zeitabhängige Lasten 2.2 Periodische Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
Mehr1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Periodische Lasten 2.2 Allgemeine zeitabhängige Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
MehrA. Grundlagen der Stochastik
A. Grundlagen der Stochastik Satz A.1 (Axiome der Wahrscheinlichkeit). Folgende Axiome der Wahrscheinlichkeit können definiert werden: (1) Die Wahrscheinlichkeit P(A) eines Ergebnisses A bei einem Experiment
MehrA. Grundlagen der Stochastik
A. Grundlagen der Stochastik Satz A.1 (Axiome der Wahrscheinlichkeit). Folgende Axiome der Wahrscheinlichkeit können definiert werden: (1) Die Wahrscheinlichkeit P(A) eines Ergebnisses A bei einem Experiment
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrProf. Dr. Stefan Weinzierl Aufgabe: Amplitudenstatistik analoger Audiosignale. Abb. 1: WDF eines Audiosignals. p X.
Audiotechnik II 1.Übungstermin Prof. Dr. Stefan Weinzierl 21.1.21 1. Aufgabe: Amplitudenstatistik analoger Audiosignale a. Ein Signal x(t) hat die durch Abb. 1 gegebene Wahrscheinlichkeitsdichtefunktion
Mehr3. Übertragungsfunktionen
Definitionen: Die Fourier-Transformierte der Impulsantwortfunktion heißt Übertragungsfunktion: H ( f )= h(t )e 2 π i f t dt Mithilfe der Übertragungsfunktion kann die Fourier-Transformierte der Antwort
MehrStatistische Kennwerte und -funktionen. Dr.-Ing. habil. H. Nobach
Statistische Kennwerte und -funktionen Dr.-Ing. habil. H. Nobach 1. Einführung Statistische Kennwerte und -funktionen, wie Mittelwert Varianz Wahrscheinlichkeitsdichte Autokorrelation spektrale Leistungsdichte
MehrSignale und Systeme II
TECHNISCHE FAKULTÄT DER CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITALE SIGNALVERARBEITUNG UND SYSTEMTHEORIE DSS Wintersemester 204/205 Signale und Systeme II Übungsaufgaben Übung Datum Themen Aufgaben
MehrSpektralanalyse
4. Spektralanalyse Die Spektralanalyse ermittelt, welche Beiträge die einzelnen Frequenzen zu einem Signal liefern. Je nach Art des Zeitsignals wird der Frequenzgehalt durch die Fourier-Transformation,
MehrKlausurlösung Einführung in Numerische Methoden und FEM Universität Siegen, Department Maschinenbau,
Universität Siegen, Department Maschinenbau, 7.7. Aufgabe y 3 l 3 3 F l l x Das dargestellte Fachwerk soll statisch mit Hilfe der FEM untersucht werden. Die Knoten und Elemente sind in der Abbildung nummeriert.
Mehr53 Die Parsevalsche Gleichung
53 Die Parsevalsche Gleichung 53 Die Parsevalsche Gleichung 5 53. Skalarprodukte auf Räumen quadratintegrierbarer Funktionen. a) Die Orthogonalitätsrelationen (5.5) legen die Interpretation des Ausdrucks
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
MehrÜbungsaufgaben zu den mathematischen Grundlagen von KM
TUM, Institut für Informatik WS 2003/2004 Prof Dr Thomas Huckle Andreas Krahnke, MSc Dipl-Inf Markus Pögl Übungsaufgaben zu den mathematischen Grundlagen von KM 1 Bestimmen Sie die Darstellung von 1 4
MehrAllpass-Transformation
Grundidee: Allpass-Transformation Entwurf eines IIR-Filters H p (z) mit bekanntem Verfahren Abbildung des Frequenzgangs durch Transformation der Frequenzvariablen Transformation durch Substitution ζ =
MehrDas magische Quadrat für stochastische Prozesse
. Geodätische Woche Das magische Quadrat für stochastische Prozesse 1 Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie - Universität Bonn Ina Krasbutter, Boris Kargoll, Wolf-Dieter
MehrLösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, Januar D BIOL, D CHAB Lösungen zu Mathematik I/II. ( Punkte) a) Wir benutzen L Hôpital lim x ln(x) L Hôpital x 3 = lim 3x + x L Hôpital = lim x ln(x) x 3x 3 = lim ln(x) x 3 x
MehrDie komplexen Zahlen
Die komplexen Zahlen Dr. Bommhardt. Das Vervielfältigen dieses Arbeitsmaterials zu nicht kommerziellen Zwecken ist gestattet. www.bommi2000.de 1 Die nicht lösbaren quadratischen Gleichungen Seite 1 2 Das
MehrErrata zu Goebbels, Ritter: Mathematik verstehen und anwenden
Errata zu Goebbels, Ritter: Mathematik verstehen und anwenden Stand 20. Februar 203 Wir danken allen Lesern, die uns auf Fehler hingewiesen haben. Seite Position gedruckt korrekt 36 Beispiel.26 = 0,22+
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
Mehr4. Gleichungen im Frequenzbereich
Stationäre Geräusche: In der technischen Akustik werden überwiegend stationäre Geräusche untersucht. Stationäre Geräusche sind zusammengesetzt aus harmonischen Schallfeldern p x,t = p x cos t x Im Folgenden
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
MehrFouriertransformation und Unschärfeprinzip
Information, Codierung, Komplexität 2 SS 2007 24. April 2007 Das berühmte von Heisenberg in der Quantentheorie beruht, rein mathematisch betrachtet, auf einer grundlegenden Eigenschaft der der Dichtefunktionen
MehrBerechnen Sie für die folgenden Funktionen die Fourier-Reihe in komplexer Darstellung.
0. Übung zur Höheren Mathematik 3 Abgabe: KW 41 Aufgabe 3-0a: Berechnen Sie für die folgenden Funktionen die Fourier-Reihe in kompleer Darstellung. c) Aufgabe 3-0b: Berechnen Sie die Fourier-ransformierte
MehrBemerkung Als Folge von Satz 6.2 kann man jede ganze Funktion schreiben als Potenzreihe. α m z m. f(z) = m=0. 2πi. re it t [0,2π] 2πi
Funktionentheorie, Woche 7 Eigenschaften holomorpher Funktionen 7.1 Ganze Funktionen Definition 7.1 Eine Funktion f : C C, die holomorph ist auf C, nennt man eine ganze Funktion. Bemerkung 7.1.1 Als Folge
MehrNachklausur Analysis 2
Nachklausur Analysis 2. a) Wie ist der Grenzwert einer Folge in einem metrischen Raum definiert? Antwort: Se (a n ) n N eine Folge in dem metrischen Raum (M, d). Diese Folge besitzt den Grenzwert g M,
Mehr,Faltung. Heavisidefunktion σ (t), Diracimpuls δ (t) Anwendungen. 1) Rechteckimpuls. 2) Sprungfunktionen. 3) Schaltvorgänge
Heavisidefunktion σ (t), Diracimpuls δ (t),faltung Definition Heavisidefunktion, t > 0 σ ( t) = 0, t < 0 Anwendungen ) Rechteckimpuls, t < T r( t) = = σ ( t + T ) σ ( t T ) 0, t > T 2) Sprungfunktionen,
MehrProbeklausur zu Mathematik 3 für Informatik Lösungshinweise (ohne Garantie auf Fehlefreiheit)
Gunter Ochs 9. Juni 05 Probeklausur zu Mathematik für Informatik Lösungshinweise ohne Garantie auf Fehlefreiheit. Sei fx x x. a Bestimmen Sie den Grenzwert lim x fx. Da an der Stelle x Zähler Nenner Null
MehrGrundzüge der Vektoranalysis
KAPITEL 7 Grundzüge der Vektoranalysis 7. Satz von Green................................... 2 7.2 Satz von Stokes................................... 22 7.2. Zirkulation und Wirbelstärke..........................
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrLinearer und quadratischer Mittelwert
Linearer und quadratischer ittelwert Erwartungswerte (auch Schar- oder Ensemblemittelwerte) betrachtet wird zunächst eine große Anzahl von Zufallssignalen; dabei ist x k (t) die k-te von insgesamt Realisierungen
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 x 1, x 2,..., x n ) x 2... f 2 x 1, x 2,..., x n )... x n f m x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man: f
MehrFachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen
Fachbereich Mathematik/Informatik 6. Juni 0 Prof. Dr. H. Brenner Mathematik für Anwender II Testklausur mit Lösungen Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Ein Skalarprodukt
MehrY und Z sind zwei mittelwertfreie, voneinander unabhängige Zufallsgrössen mit
AUFGABEN STOCHASTISCHE SIGNALE Augabe Ein stationäres Zuallssignal Xt) besitzt den Gleichanteil mx. Der Wechselanteil des Signals ist somit gegeben durch XACt) Xt) mx. a) Zeigen Sie, dass olgende Beziehung
MehrSerie 4: Gradient und Linearisierung
D-ERDW, D-HEST, D-USYS Mathematik II FS 5 Dr. Ana Cannas Serie 4: Gradient und Linearisierung Bemerkungen: Die Aufgaben der Serie 4 bilden den Fokus der Übungsgruppen vom 7./9. März.. Wir betrachten die
MehrGrundlagen der Statistischen Nachrichtentheorie
- Prof. Dr.-Ing. Thomas Sikora - Name:............................ Vorname:......................... Matr.Nr:........................... Ich bin mit der Veröffentlichung des Klausurergebnisses unter meiner
MehrPeriodische Funktionen, Fourier Reihen
Kapitel 1: Periodische Funktionen, Fourier Reihen 1.1 Grundlegende Begriffe Periodische Funktionen Definition: Eine Funktion f : R R oder f : R C) heißt periodisch mit der Periode T, falls für alle t R
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrLösung zur Klausur zur Analysis II
Otto von Guericke Universität Magdeburg 9.7.4 Fakultät für Mathematik Lösung zur Klausur zur Analysis II Vorlesung von Prof. L. Tobiska, Sommersemester 4 Bitte benutzen Sie für jede Aufgabe ein eigenes
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
Mehrtun, sondern nur mit der Reaktion auf verschiedene Anfangswerte.
2.3 Stabilität Eine wichtige Rolle spielt das Stabilitätsverhalten dynamischer Systeme. Wie üblich sei Φ die Fundamentalmatrix des linearen Systems ẋ = A(t)x + u. Im weiteren sei t fixiert, später wird
MehrCauchys Integralsatz und Cauchys Integralformel
Kapitel 23 Cauchys Integralsatz und Cauchys Integralformel 23. Der Cauchysche Integralsatz (einfach zusammenhängend; einfache geschlossene Kurven; Fresnelsche Integrale) Wird die Voraussetzung f habe eine
MehrInverse Fourier Transformation
ETH Zürich HS 27 Departement Mathematik Seminararbeit Inverse Fourier Transformation Patricia Hinder Sandra König Oktober 27 Prof. M. Struwe Im Vortrag der letzten Woche haben wir gesehen, dass die Faltung
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrHöhere Mathematik für Ingenieure 2
Höhere Mathematik für Ingenieure 2 Prof. Dr. Swanhild Bernstein Sommersemester 218 Institut für Angewandte Analysis Kurven- und Parameterintegrale Parameterintegrale Typische Beispiele für Parameterintegrale
MehrDie Fourier-Transformation
Die Fourier-ransformation Im Vorerigem wurde sic intensiv mit der Fourier-Reie zur Approximation periodiscer Funktionen bescäftigt. In diesem Kapitel wird die kontinuierlice Erweiterung dieser Gedanken
MehrPearson- Korrelationskoeffizienten höherer Grade
Pearson- Korrelationskoeffizienten höherer Grade Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 13. März 2014 Letzte Revision: 16. März 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Der Lineare Korrelationskoeffizient
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
MehrVorlesung 12 Differentialgeometrie: Grundlagen 49. Definition 4.25 Die Zweite Fundamentalform ordnet jedem Punkt die Bilinearform
Vorlesung 2 Differentialgeometrie: Grundlagen 49 Wir werden jetzt κ(v) durch Untersuchung von d p N bestimmen. Dazu beobachten wir zunächst, das aus dn(v) N folgt, dass es zu jedem v T p U ein w T p U
MehrKlausurenkurs zum Staatsexamen (SS 2012): Differential und Integralrechnung 8
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2012): Differential und Integralrechnung 8 8.1 (Herbst 2002, Thema 1, Aufgabe 6) y = 3y +2x x 8.2 (Frühjahr 2005, Thema 1, Aufgabe 6) (x > 0) y(1)
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 23 (5.8.23). Gegeben seien die Matrizen A = 2 3 3 und B = 5 2 5 (a) Bestimmen Sie die Eigenwerte von A und B sowie die
MehrInverse und implizite Funktionen
Kapitel 8 Inverse und implizite Funktionen Josef Leydold Mathematik für VW WS 2017/18 8 Inverse und implizite Funktionen 1 / 21 Inverse Funktion Sei f : D f R n W f R m, x y f(x). Eine Funktion f 1 : W
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrÜbung 3: Fouriertransformation
ZHAW, SiSy HS202, Rumc, Übung 3: Fouriertransformation Aufgabe Fouriertransformation Dirac-Impuls. a) Bestimmen Sie die Fouriertransformierte S(f) des Dirac-Impulses s(t) = δ(t) und interpretieren Sie
MehrGrundlagen der Statistischen Nachrichtentheorie
Grundlagen der Statistischen Nachrichtentheorie - Prof. Dr.-Ing. Thomas Sikora - Name:............................ Vorname:......................... Matr.Nr:........................... Ich bin mit der
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 2. Juli 2018 1/1 Wir geben einige wesentliche Sätze über bestimmte Integrale an, deren Beweise man in den Standardlehrbüchern der Analysis findet.
MehrD-MAVT/D-MATL FS 2018 Dr. Andreas Steiger Analysis IILösung - Serie16. y(u, v) = 2u
-MAVT/-MATL FS 28 r. Andreas Steiger Analysis IILösung - Serie6. ie Koordinatentransformation xu, v = 2v, yu, v = 2u bildet Kreise auf Kreise ab. a Wahr. b Falsch. ie Transformation entspricht einer Stauchung
MehrGrundlagen der Fourier Analysis
KAPITEL A Grundlagen der Fourier Analysis Wir definieren wie üblich die L p -Räume { ( } 1/p L p (R) = f : R C f(x) dx) p =: f p < 1. Fourier Transformation in L 1 (R) Definition A.1. (Fourier Transformation,
MehrSeite 1. sin 2 x dx. b) Berechnen Sie das Integral. e (t s)2 ds. (Nur Leibniz-Formel) c) Differenzieren Sie die Funktion f(t) = t. d dx ln(x + x3 ) dx
Seite Aufgabe : a Berechnen Sie das Integral b Berechnen Sie das Integral +x x+x dx. π sin x dx. c Differenzieren Sie die Funktion ft = t e t s ds. Nur Leibniz-Formel a + x x + x dx = d dx lnx + x dx =
MehrETH Zürich Musterlösungen Basisprüfung Sommer 2014 D-MAVT & D-MATL Analysis I & II Prof. Dr. Urs Lang
ETH Zürich Musterlösungen asisprüfung Sommer 14 D-MAVT & D-MATL Analysis I & II Prof. Dr. Urs Lang 1. a I. I n 1 1 e r dr e r 1 e 1. 1 r n e r dr r n e r 1 n r n 1 e r dr e ni n 1, für n 1. b Wegen der
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrMathematik. für das Ingenieurstudium. 10 Funktionen mit mehreren Variablen. Jürgen Koch Martin Stämpfle.
10 Funktionen mit mehreren Variablen www.mathematik-fuer-ingenieure.de 2010 und, Esslingen Dieses Werk ist urheberrechtlich geschützt. Alle Rechte, auch die der Übersetzung, des Nachdruckes und der Vervielfältigung
MehrMATHEMATIK I für Bauingenieure (Fernstudium)
TU DRESDEN Dresden, 2. Februar 2004 Fachrichtung Mathematik / Institut für Analysis Doz.Dr.rer.nat.habil. N. Koksch Prüfungs-Klausur MATHEMATIK I für Bauingenieure (Fernstudium) Name: Vorname: Matrikel-Nr.:
MehrA. Die Laplace-Transformation
A. Die Laplace-Transformation Die Laplace-Transformation ist eine im Wesentlichen eineindeutige Zuordnung von Funktionen der Zeit t zu Funktionen einer komplexen Variablen s. Im Rahmen der einseitigen)
MehrDie Fakultät. Thomas Peters Thomas Mathe-Seiten 13. September 2003
Die Fakultät Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de 3. September 2003 Dieser Artikel gibt die Definition der klassischen Fakultät und führt von dort aus zunächst zu der Anwendung in Taylor-Reihen
Mehr1 Fourier-Reihen und Fourier-Transformation
Fourier-Reihen und Fourier-ransformation Fourier-Reihen und Fourier-ransformation J.B.J. de Fourier beobachtete um 8, dass sich jede periodische Funktion durch Überlagerung von sin(t) und cos(t) darstellen
MehrMathematik II für Inf und WInf
Gruppenübung Mathematik II für Inf und WInf 8. Übung Lösungsvorschlag G 28 (Partiell aber nicht total differenzierbar) Gegeben sei die Funktion f : R 2 R mit f(x, ) := x. Zeige: f ist stetig und partiell
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrStationäre Zeitreihenmodelle
Exemplarisch für parametrische Zeitreihenmodelle werden in diesem Kapitel autoregressive Prozesse und ARCH-Prozesse vorgestellt. Der autoregressive Prozess ist einer der einfachsten stationären Prozesse.
MehrStatistische Physik - Theorie der Wärme (PD Dr. M. Falcke)
Freie Universität Berlin WS 6/7 Fachbereich Physik 5..6 Statistische Physik - Theorie der Wärme (PD Dr. M. Falcke Übungsblatt : Bayesche Formel, charakteristische Funktionen und statistische Unabhängigkeit
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrAufgaben für die 14. Übung zur Vorlesung Mathematik 2 für Informatiker: Analysis Sommersemester 2010
Aufgaben für die 4. Übung zur Vorlesung Mathematik für Informatiker: Analysis Sommersemester 4. Bestimmen Sie den Flächeninhalt der dreiblättrigen Kleeblattkurve γ für ein Kleeblatt. Die Polarkoordinaten-
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
MehrZusatzmaterial zu Kapitel 6
ZU KAPITEL 62: METHODEN ZUR STABILITÄTSPRÜFUNG Zusatzmaterial zu Kapitel 6 Zu Kapitel 62: Methoden zur Stabilitätsprüfung Einleitung Bei der Feststellung der asymptotischen Stabilität (siehe Kapitel 63)
MehrNumerische Mathematik für die Fachrichtung Informatik und für Ingenieurwesen SS 2005
UNIVERSITÄT KARLSRUHE TH Institut für Praktische Mathematik Prof. Dr. Rudolf Scherer Dil.-Math. Heike Stoll Numerische Mathematik für die Fachrichtung Informatik und für Ingenieurwesen SS 5 Lösung zum
MehrLösung 09 Klassische Theoretische Physik I WS 15/16. G(t t ) = Θ(t t )e α(t t ). (1)
Karlsruher Institut für Technologie Institut für theoretische Festkörperphysik www.tfp.kit.edu Lösung 09 Klassische Theoretische Physik I WS 5/6 Prof. Dr. G. Schön 0 Punkte Sebastian Zanker, Daniel Mendler
MehrAllgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression
1 Einführung Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression Datenauswertung In einem naturwissenschaftlichen Experiment werden Sie meist
MehrLösungen zur Übungsserie 9
Analysis 1 Herbstsemester 2018 Prof. Peter Jossen Montag,? November Lösungen zur Übungsserie 9 Aufgaben 1,2,3,5,6,8,9,11 Aufgabe 1. Sei a R. Berechnen Sie die folgenden Grenzwerte, falls sie existieren.
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
MehrSystemtheorie Teil B
d + d z + c d z + c uk d + + yk z d + c d z + c Systemtheorie eil B - Zeitdiskrete Signale und Systeme - Musterlösungen Manfred Strohrmann Urban Brunner Inhalt Musterlösungen - Signalabtastung und Rekonstruktion...
Mehri j m f(y )h i h j h m
10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem
MehrLaplacetransformation
Laplacetransformation Fakultät Grundlagen Februar 206 Fakultät Grundlagen Laplacetransformation Übersicht Transformationen Transformationen Bezugssysteme Definition der Laplacetransformation Beispiele
MehrVIII. Fourier - Reihen
VIII. Fourier - Reihen Dieses Kapitel enthält eine kurze Einführung in die mathematische Beschreibung von Schwingungen. Übersicht über den Inhalt von Kapitel VIII: 5. Der Satz von Fejér 53. Die Parsevalsche
Mehr72 Orthonormalbasen und Konvergenz im quadratischen Mittel
72 Orthonormalbasen und Konvergenz im quadratischen Mittel 30 72 Orthonormalbasen und Konvergenz im quadratischen Mittel Wir untersuchen nun die Konvergenz von Fourier-Reihen im quadratischen Mittel in
MehrVerfahren zur Datenanalyse gemessener Signale
Verfahren zur Datenanalyse gemessener Signale Dr. rer. nat. Axel Hutt Vorlesung 4 zum Übungsblatt Aufgabe 1: sin( (f 3Hz)5s) sin( (f +3Hz)5s) X T (f) 1 i f 3Hz f +3Hz Nullstellen: T=5s: T=1s: f=3hz+2/5s,
Mehr