Formelsammlung. für den Teilbereich Zustandsraumdarstellung der Vorlesung. Einführung in die Regelungstechnik
|
|
- Marielies Beck
- vor 7 Jahren
- Abrufe
Transkript
1 Formelsammlung für den Teilbereich Zustandsraumdarstellung der Vorlesung Einführung in die Regelungstechnik Diese Formelsammlung ist ein Auszug aus der Formelsammlung zur Systemtheorie-Vorlesung von Matthias Weber Andreas Rauh SS 2005 zuletzt überarbeitet von Michael Buchholz am 29 April 2008 Alle Angaben ohne Gewähr Bei Fehlern, Kritik, Anregungen und Lob: c Matthias Weber, Ulm
2 MATHEMATISCHE GRUNDLAGEN Hinweis: In dieser Formelsammlung werden skalare Größen nicht unterstrichen (zum Beispiel u(t)) Vektorielle Größen (Zeilen- oder Spaltenvektoren) werden mit kleinen, unterstrichenen Buchstaben (zum Beispiel b), Matrizen mit großen, unterstrichenen Buchstaben (zum Beispiel A) bezeichnet Zeilenvektoren werden in dieser Formelsammlung grundsätzlich mit einem Transpositionszeichen versehen (zum Beispiel c T ), während Spaltenvektoren grundsätzlich ohne Transpositionszeichen notiert werden (zum Beispiel b) Mathematische Grundlagen Determinantenberechnung Determinanten können nur für n n-matrizen berechnet werden für 2 2-Matrizen [ a a det 2 a 2 a 22 a a 2 a 2 a 22 a a 22 a 2 a 2 () 2 für 3 3-Matrizen a a 2 a 3 det a 2 a 22 a 23 a a 22 a 33 + a 2 a 23 a 3 + a 2 a 32 a 3 (2) a a 3 a 32 a 3 a 22 a 3 a a 32 a 23 a 2 a 2 a für n n-matrizen Entwicklung nach der µ-ten Zeile a a 2 a n a 2 a 22 a 2n det a n a n2 a nn n ν ( ) µ+ν a µν det(a µν ) (3) wobei A µν die Untermatrix ist, die durch Streichung der µ-ten Zeile und ν-ten Spalte entsteht Entwicklung nach der ν-ten Spalte a a 2 a n a 2 a 22 a 2n det a n a n2 a nn n µ ( ) µ+ν a µν det(a µν ) (4) wobei A µν die Untermatrix ist, die durch Streichung der µ-ten Zeile und ν-ten Spalte entsteht 4 Rechenregeln für Determinanten det(r S) det(r) det(s) (5) [ A 0 det det(a 0 A ) det(a 2 ) 2 (6)
3 2 MATHEMATISCHE GRUNDLAGEN 2 Lineare Abhängigkeit und Unabhängigkeit von Vektoren n Vektoren v,, v n sind genau dann linear unabhängig, wenn die Determinante der aus ihnen gebildeten Matrix V [v v n (7) ungleich 0 ist det(v ) det [v vn 0 linear unabhängig (8) det(v ) det [v v n 0 linear abhängig (9) Dieses Verfahren ist nur dann möglich, wenn die Vektoren v,, v n die Dimension n haben Andernfalls ist zu prüfen, ob das lineare Gleichungssystem n α i v i 0 (0) i eine nicht triviale Lösung α i 0 für mindestens ein i mit v i 0 besitzt Ist dies der Fall, sind die Vektoren linear abhängig 3 Inverse einer Matrix Es können nur von n n-matrizen die Inversen gebildet werden 3 für 2 2-Matrizen [ A a a 2 a 2 a für 3 3-Matrizen [ det(a) a22 a 2 a 2 a () A a a 2 a 3 a 2 a 22 a 23 a 3 a 32 a 33 det(a) a 22a 33 a 23 a 32 a 3 a 32 a 2 a 33 a 2 a 23 a 3 a 22 a 23 a 3 a 2 a 33 a a 33 a 3 a 3 a 3 a 2 a a 23 a 2 a 32 a 22 a 3 a 2 a 3 a a 32 a a 22 a 2 a 2 (2) 33 für n n-matrizen Die Inverse einer nxn-matrix A berechnet sich wie folgt A [ T ( ) µ+ν det(a det A µν ) nxn wobei A µν die Untermatrix ist, die durch Streichung der µ-ten Zeile und ν-ten Spalte entsteht 34 Rechenregeln für Inverse und Transposition (3) (A B) B A (4) (A B) T B T A T (5) ( A T ) ( A ) T (6)
4 MATHEMATISCHE GRUNDLAGEN 3 4 Eigenwerte einer Matrix Die Eigenwerte einer Matrix ergeben sich durch Lösung der charakteristischen Gleichung 5 Eigenvektoren einer Matrix 5 Rechtsseitige Eigenvektoren p(λ) det(a λi)! 0 (7) Zu jedem Eigenwert λ i ergibt sich der zugehörige rechtsseitige Eigenvektor v i aus dem Gleichungssystem (A λ i I) v i 0 mit v i 0 (8) 52 Linksseitige Eigenvektoren Zu jedem Eigenwert λ i ergibt sich der zugehörige linksseitige Eigenvektor w i aus dem Gleichungssystem w T i (A λ i I) 0 T mit w i 0 (9) 6 Transformation einer Matrix auf Diagonalform Eine Matrix A wird folgendermaßen auf Diagonalform transformiert: mit der Transformationsmatrix T, Ã T A T (20) T die sich aus den linksseitigen Eigenvektoren der Matrix A zusammensetzt und der invertierten Transformationsmatrix T, T [v v 2 v n (22) die sich aus den rechtsseitigen Eigenvektoren der Matrix A zusammensetzt Das Ergebnis ist eine Diagonalmatrix mit den Eigenwerten von A als Einträge der Diagonale w T w T 2 w T n (2) Rücktransformation: A T Ã T (23) 7 Rang einer Matrix Der Rang einer Matrix ist die Anzahl der linear unabhängigen Zeilen oder Spalten 8 Definitheit von Matrizen Kriterien für die Definitheit von symmetrischen Matrizen A A T : Eine Matrix ist positiv definit, wenn alle EW > 0 und reell sind Eine Matrix ist negativ definit, wenn alle EW < 0 und reell sind Eine Matrix ist positiv semidefinit, wenn alle EW 0 und reell sind Eine Matrix ist negativ semidefinit, wenn alle EW 0 und reell sind Liegt keiner dieser Fälle vor, ist die Matrix indefinit
5 4 2 BEZEICHNUNGEN 2 Bezeichnungen n Systemordnung p Anzahl der Eingänge des Systems q Anzahl der Ausgänge des Systems x(t) x Zustandsvektor, [n -Vektor u(t) u Eingangsvektor, [p -Vektor y(t) y Ausgangsvektor, [q -Vektor w(t) w Führungsvektor, [q -Vektor z(t) z Störvektor, [r -Vektor A Systemmatrix, [n n-matrix B Eingangsmatrix, bzw Stelleingriffsmatrix, [n p-matrix b Stelleingriffsvektor (nur bei SISO-Systemen), [n -Vektor C Ausgangsmatrix, [q n-matrix c T Ausgangsvektor (nur bei SISO-Systemen), [ n-vektor D Durchgangsmatrix, [q p-matrix S Vorfiltermatrix, [p q-matrix S Vorfilterwert (nur bei SISO-Systemen), [Skalar K Reglermatrix, [p n-matrix k T Reglervektor (nur bei SISO-Systemen), [ n-vektor H Beobachtermatrix, [n q-matrix h Beobachtervektor (nur bei SISO-Systemen), [n -Vektor H Beobachtermatrix des reduzierten Beobachters, [(n q) q-matrix h Beobachtervektor des red B (nur bei SISO-Systemen), [(n q) -Vektor E Störeingangsmatrix, [n r-matrix Achtung! Die meisten Formeln dieser Formelsammlung sind allgemein für MIMO-Systeme angegeben Werden diese Formeln für SISO-Systeme verwendet, muss auf die richtige Ersetzung der Matrizen durch Vektoren geachtet werden: SISO anstatt MIMO b anstatt B c T anstatt C k T anstatt K h anstatt H
6 3 DYNAMISCHE SYSTEME IM ZUSTANDSRAUM 5 3 Dynamische Systeme im Zustandsraum 3 Zustandsraumdarstellung In der Systemtheorie werden Systeme durch die Zustandsraumdarstellung (ZRD) beschrieben Diese ist im Allgemeinen gegeben durch ẋ(t) A x(t) + B u(t) Zustandsgleichung (24) y(t) C x(t) + D u(t) Ausgangsgleichung (25) Oft (in der ST-Vorlesung hauptsächlich) werden sogenannte SISO-Systeme betrachtet, die nur je eine Eingangs- und Ausgangsgröße haben Hier vereinfacht sich die ZRD zu: ẋ(t) A x(t) + b u(t) Zustandsgleichung (26) y(t) c T x(t) (+d u(t)) Ausgangsgleichung (27) Im Folgenden wird in der Regel d 0 angenommen 3 Übertragungsfunktion Zustandsraumdarstellung (SISO) Bei SISO-Systemen kann jede beliebige ZRD folgendermaßen in die aus der Vorlesung RT bekannte Form einer Übertragungsfunktion überführt werden G(s) c T (si A) b (28) Liegt die Zustandsraumdarstellung in einer speziellen Form vor, kann die Übertragungsfunktion G(s) ohne Rechnung aus den Einträgen der Matrix A und den Vektoren b, c T aufgestellt werden (vgl 563) 32 Übertragungsfunktion Zustandsraumdarstellung (MIMO) Bei MIMO-Systemen können lediglich Teil-Übertragungsfunktionen G ij (s) Y i(s) U j (s) (29) aufgestellt werden Diese berechnen sich nach G ij (S) c T i (si A) b j (30) mit C c T B [b b p (3) c T q 32 Lösung der Zustandsgleichung t x(t) Φ(t t 0 )x 0 + mit der Matrixexponentialfunktion (Transitionsmatrix) t 0 Φ(t τ)b u(τ)dτ (32) Φ(t) e At (33)
7 6 3 DYNAMISCHE SYSTEME IM ZUSTANDSRAUM 33 Berechnung der Matrixexponentialfunktion (Transitionsmatrix) 33 Direkte Berechnung Φ(t) e At 332 Berechnung über Diagonalform k0 A k t k k! (34) Berechnung der diagonalisierten Systemmatrix à nach Kapitel 6 λ 0 0 à 0 λ λ n (35) 2 Berechnung von eãt für einfache Eigenwerte (mehrfache Eigenwerte siehe Abschnitt 233 im Vorlesungsskript) e λt 0 0 eãt 0 e λ2t (36) e λnt 3 Rücktransformation nach Kapitel Berechnung nach Cayley-Hamilton e At T eãt T (37) e At α 0 (t)i + α (t)a + + α n (t)a n (38) mit den Bestimmungsgleichungen für α 0 (t),, α n (t) n e λit α l (t)λ l i i,, n (39) l0 wobei λ i die Eigenwerte und n die Anzahl der Eigenwerte der Matrix A darstellt Spezialfall: Cayley-Hamilton bei Eigenwerten mit Vielfachheit > Besitzen ein oder mehrere Eigenwerte eine Vielfachheit >, liefert das normale Cayley-Hamilton- Verfahren zu wenig Bestimmungsgleichungen für α 0 (t),, α n (t) In diesem Fall werden die fehlenden Gleichungen durch die Ableitungen der Bestimmungsgleichung ersetzt Vorgehen: Der mehrfache Eigenwert λ i habe die Vielfachheit p i Die p i Bestimmungsgleichungen dieses Eigenwerts ergeben sich aus ( k n λ k (eλt ) k λ k α l (t)λ l) k 0,, p i (40) λλi l0 λλi
8 4 EIGENSCHAFTEN LINEARER SYSTEME IM ZUSTANDSRAUM 7 4 Eigenschaften linearer Systeme im Zustandsraum 4 Stabilität 4 Defintion Ein System ist asymptotisch stabil, wenn seine Zustände bei endlicher Anfangsauslenkung für t gegen 0 streben Es ist grenzstabil, wenn es bei endlicher Anfangsauslenkung für t einen bestimmten Maximalwert nicht überschreitet oder gegen einen endlichen Grenzwert strebt Ein Beispiel hierfür ist eine Dauerschwingung mit beschränkter Amplitude Es ist instabil, wenn mindestens einer seiner Zustände bei endlicher Anfangsauslenkung für t über alle Grenzen wächst 42 Stabilitätskriterien Ein lineares System ist genau dann asymptotisch stabil, wenn alle EW der Systemmatrix A in der linken s-halbebene liegen, dh Re{λ i } < 0 für alle i,, n (4) 43 Anmerkungen zur EW-Lage und Zeitverhalten Das charakteristische Polynom hat die Lösungen λ,, λ n Das Zeitverhalten des Systems y(t) ergibt sich damit zu λ n + a n λ n + + a λ + a 0 0 (42) y(t) c y + + c n y n + a 0 0 (43) mit den Funktionen y,, y n die sich aus den EW wie folgt ergeben: Lösungen der charakt Gleichung zugehörige Funktion y i λ a + ib λ a ib λ a + ib λ a ib λ -fach reell y e λt λ k-fach reell y e λt, te λt,, t k e λt } } -fach komplex konjugiert k-fach komplex konjugiert λ i reell y(t) hat monotones Zeitverhalten λ i komplex konjugiert y(t) hat oszillatorische Anteile y e at cos bt y e at sin bt y e at cos bt,, t k e at cos bt y e at sin bt,, t k e at sin bt
9 8 4 EIGENSCHAFTEN LINEARER SYSTEME IM ZUSTANDSRAUM 42 Steuerbarkeit 42 Defintion Ein System ẋ A x + b u heißt vollständig steuerbar, wenn durch geeignete Wahl von u(t) der beliebige Anfangszustand x(t 0 ) in endlicher Zeit in den Zustand x(t ) 0 überführt werden kann 422 Steuerbarkeitskriterien 422 Steuerbarkeitskriterium nach Kalman Ein System ist genau dann vollständig steuerbar, wenn die Steuerbarkeitsmatrix [ Q S b A b A 2 b A n b (44) den Rang n hat Bei SISO-Systemen ist das erfüllt, wenn gilt: 43 Beobachtbarkeit 43 Defintion det(q S ) 0 (45) Ein System ẋ A x + b u mit der Messgleichung y c T x + d u heißt vollständig beobachtbar, wenn man bei bekannten u(t) im Zeitintervall t 0 t t den beliebigen Anfangszustand x(t 0 ) aus den Messvektoren y(t) eindeutig ermitteln kann 432 Beobachtbarkeitskriterien 432 Beobachtbarkeitskriterium nach Kalman Ein System ist genau dann vollständig beobachtbar, wenn die Beobachtbarkeitsmatrix Q B c T c T A c T A 2 c T A n (46) den Rang n hat Bei SISO-Systemen ist das erfüllt, wenn gilt: det(q B ) 0 (47)
10 5 NORMALFORMEN 9 5 Normalformen 5 Allgemeines Jede Zustandsraumdarstellung (ZRD) ẋ A x + B u (48) y C x (49) kann mit Hilfe einer Transformationsmatrix T in eine neue Zustandsraumdarstellung überführt werden ẋ A x + B u (50) y C x (5) Normalformen sind Zustandsraumdarstellungen mit speziellen, vorgegebenen Eigenschaften Die EW von A ändern sich durch die Transformation nicht! 5 Transformationsgleichungen Die einzelnen Komponenten einer ZRD werden folgendermaßen transformiert: A T A T (52) B T B (53) C C T (54) x T x (55) 52 Rücktransformation A T A T (56) B T B (57) C C T (58) x T x (59) 52 Jordan-Normalform Die Jordan-Normalform ist bereits aus 6 bekannt A hat in der Jordan-Normalform Diagonalgestalt: λ 0 0 Ã 0 λ 2 (60) λ n mit den einfachen Eigenwerten λ,, λ n der Matrix A Für mehrfache Eigenwerte siehe Abschnitt 233 im Vorlesungsskript Bestimmung der Transformationsmatrix T und ihrer Inversen T über die links- und rechtsseitigen Eigenvektoren der Matrix A (siehe Kapitel 6)
11 0 5 NORMALFORMEN 53 Beobachtungsnormalform (BNF) Art Die Transformationsmatrix ist gleich der Beobachtbarkeitsmatrix: C C A T Q B C A 2 C A n Die transformierten Matrizen haben folgende Form:  0 0 a 0 a a n B C B C A B C A 2 B C A n B Ĉ 0 0 (6) (62) (63) 54 Beobachtungsnormalform (BNF) 2 Art 54 Transformation BNF BNF 2 Die transformierten Matrizen  und Ĉ haben folgende Form: 0 0 a 0 a  ÂT a n 0 Ĉ 0 (64) Daraus ergibt sich die Transformationsmatrix T 2, die ein System von BNF auf BNF 2 transformiert: Ĉ Ĉ  T 2 Q 2 B Ĉ  (65) Ĉ  n Die transformierte Matrix B ergibt sich schließlich zu B T 2 B b 0 b b n (66)
12 5 NORMALFORMEN 542 Direkte Trafo auf BNF 2 Die direkte Transformation auf BNF 2 erfolgt über T ges T 2 T Q Q B B (67) 543 Zusammenhang mit der Übertragungsfunktion Bei SISO-Systemen beziehen sich die oben verwendeten Koeffizienten auf die Übertragungsfunktion des Systems G(s) b 0 + b s + + b n s n a 0 + a s + + a n s n + s n mit a n! (68) Ist G(s) nicht bekannt, können die Koeffizienten a 0,, a n aus gewonnen werden det(si A) a 0 + a s + + a n s n + s n (69) 544 Eigenschaften Vorteile: Aus der Übertragungsfunktion kann sofort die BNF 2 aufgestellt werden (bzw andersrum) (siehe 543) BNF 2 ist immer beobachtbar Nachteile: Die Zustandsvariablen haben keine physikalische Bedeutung 55 Steuerungsnormalform (SNF) Art Die Transformationsmatrix ist gleich der Inversen der Steuerbarkeitsmatrix: T Q S [ B A B A 2 B A n B (70) Die transformierten Matrizen haben folgende Form: B 0 0 a 0 a A a n 0 0 C C B C A B C A 2 B C A n B (7) (72)
13 2 5 NORMALFORMEN 56 Steuerungsnormalform (SNF) 2 Art (Regelungsnormalform) 56 Transformation SNF SNF 2 Die transformierten Matrizen A und B haben folgende Form: 0 0 A A T a 0 a a n 0 B 0 Daraus ergibt sich die Transformationsmatrix T 2, die ein System von SNF auf SNF 2 transformiert: [ T 2 Q S B A B A 2 B A n B (74) (73) Die transformierte Matrix C ergibt sich schließlich zu C ( C T ) T 2 b 0 b (75) b n 562 Direkte Trafo auf SNF 2 Die direkte Transformation auf SNF 2 erfolgt über T ges T 2 T Q S Q S (76) 563 Zusammenhang mit der Übertragungsfunktion Bei SISO-Systemen beziehen sich die oben verwendeten Koeffizienten auf die Übertragungsfunktion des Systems G(s) b 0 + b s + + b n s n a 0 + a s + + a n s n + s n mit a n! (77) Ist G(s) nicht bekannt, können die Koeffizienten a 0,, a n aus gewonnen werden 564 Eigenschaften Vorteile: det(si A) a 0 + a s + + a n s n + s n (78) Aus der Übertragungsfunktion kann sofort die SNF 2 aufgestellt werden (bzw andersrum) (siehe 563) SNF 2 ist immer steuerbar Nachteile: Die Zustandsvariablen haben keine physikalische Bedeutung
Lineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
Mehr(b) In der zweiten Vorlesung vom wurde die Matrix-Exponentialfunktion exp(x) =
Priv-Doz G Reißig, Dipl-Math A Weber Universität der Bundeswehr München Institut für Steuer- und Regelungstechnik RT-5 Email: AWeber@unibwde Mehrgrößenregelungssysteme, HT 22 Übung 2 - ösung Aufgabe a
MehrZusammenfassung der 7. Vorlesung
Zusammenfassung der 7. Vorlesung Beschreibung und Analyse dynamischer Systeme im Zustandsraum Methoden zur Berechnung der Transitionsmatrix Φ(t) = e At Numerische Integration Reihenentwicklung Mit Hilfe
MehrInstitut für Elektrotechnik und Informationstechnik. Aufgabensammlung zur. Systemtheorie
Institut für Elektrotechnik und Informationstechnik Aufgabensammlung zur Systemtheorie Prof. Dr. techn. F. Gausch Dipl.-Ing. C. Balewski Dipl.-Ing. R. Besrat 05.04.2013 Übungsaufgaben zur Systemtheorie
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrAnleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / Dr Hanna Peywand Kiani 722 Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Lineare Differentialgleichungssysteme,
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrSYNTHESE LINEARER REGELUNGEN
Synthese Linearer Regelungen - Formelsammlung von 8 SYNTHESE LINEARER REGELUNGEN FORMELSAMMLUNG UND MERKZETTEL INHALT 2 Grundlagen... 2 2. Mathematische Grundlagen... 2 2.2 Bewegungsgleichungen... 2 2.3
Mehre At = e λt e (A λi)t.
Priv.-Doz. G. Reißig, F. Goßmann M.Sc Universität der Bundeswehr München Institut für Steuer- und Regelungstechnik (LR-15) Email: felix.gossmann@unibw.de Moderne Methoden der Regelungstechnik, H 2016 Übung
MehrZeigen sie, dass das gegebene Zustandssystem steuerbar ist. Die Anwendbarkeit der beiden Kriterien wird im Folgenden an dem gegebenen System gezeigt.
Priv.-Doz. G. Reißig, F. Goßmann M.Sc Universität der Bundeswehr München Institut für Steuer- und Regelungstechnik (LRT-5) Email: felix.gossmann@unibw.de Moderne Methoden der Regelungstechnik, HT 26 Übung
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrÜbungsskript Regelungstechnik 2
Seite 1 von 11 Universität Ulm, Institut für Mess-, Regel- und Mikrotechnik Prof. Dr.-Ing. Klaus Dietmayer / Seite 2 von 11 Aufgabe 1 : In dieser Aufgabe sollen zeitdiskrete Systeme untersucht werden.
MehrL7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrLösung zum Übungsblatt - Steuerbarkeit und Beobachtbarkeit
Prof. Dr.-Ing. Jörg Raisch Dr.-Ing. Thomas Seel Fachgebiet Regelungssysteme Fakultät IV Elektrotechnik und Informatik Technische Universität Berlin Integrierte Veranstaltung Mehrgrößenregelsysteme Aufgabe
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehr18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive
Mehr5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit
ME Lineare Algebra HT 2008 99 5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit 5.1 Ein Beispiel zur Motivation Als einfachstes Beispiel eines dynamischen Systems untersuchen wir folgendes Differentialgleichungssystem
MehrRegelungstechnik I (WS 12/13) Klausur ( )
Regelungstechnik I (WS 12/13) Klausur (05.03.2013) Prof. Dr. Ing. habil. Thomas Meurer Lehrstuhl für Regelungstechnik Name: Matrikelnummer: Bitte beachten Sie: a) Diese Klausur enthält 4 Aufgaben auf den
Mehr1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von
1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von Wachstumsraten Bestimmung von Maximal- und Minimalwerten von
MehrEigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( )
Eigenwertprobleme 5. Oktober Autoren:. Herrmann, Hannes (45969). Kraus, Michael (9). Krückemeier, Paul (899) 4. Niedzielski, Björn (7) Eigenwertprobleme tauchen in der mathematischen Physik an Stellen
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
Mehr29.2 Lineare Differentialgleichungssysteme mit konstanten Koeffizienten Wir betrachten das homogene System. y = A y, t R, (1)
292 Lineare Differentialgleichungssysteme mit konstanten Koeffizienten Wir betrachten das homogene System y = A y, t R, ( wobei A C n n, und wollen ein Fundamentalsystem bestimmen Grundlegende Beobachtung:
MehrLineare Systeme 1. Ordnung mit konstanten Koeffizienten
Lineare Systeme. Ordnung mit konstanten Koeffizienten Wir betrachten ẋ = Ax + b(t) () mit A R n n und b( ) C (I, R n ) und die dazugehörige homogene Gleichung Ansatz: ẋ = Ax. () x(t) = ce λt mit c C n,
MehrLösungsskizzen zur Nachklausur
sskizzen zur Nachklausur Mathematik II für die Fachrichtungen Biologie und Chemie Sommersemester 22 Aufgabe Es seien die folgenden Vektoren 2 v = 2, v 2 = und v 3 = 2 im R 3 gegeben. (a) Zeigen Sie, dass
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrExponentialabbildung für Matrizen und Systeme von Differentialgleichungen
Proseminar Lineare Algebra SS10 Exponentialabbildung für Matrizen und Systeme von Differentialgleichungen Simon Strahlegger Heinrich-Heine-Universität Betreuung: Prof. Dr. Oleg Bogopolski Inhaltsverzeichnis:
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
MehrSerie 12: Eigenwerte und Eigenvektoren
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie : Eigenwerte und Eigenvektoren Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom 7 und 9 Dezember Finden Sie für folgende
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Darstellungsmatrizen. Bestimme die Darstellungsmatrix M B,B (f ) für die lineare Abbildung f : 3, die durch f (x, y, z) = (4x + y z, y + z) definiert
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Eigenvektoren
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrDifferentialgleichungen für Ingenieure WS 06/07
Differentialgleichungen für Ingenieure WS 06/07 6. Vorlesung Michael Karow Themen heute: 1. Die geschlossene Lösungsformel für lineare DGL mit konstanten Koeffizienten. 2. Die Matrixexponentialfunktion
MehrDeterminanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.
Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls
MehrJordansche Normalform - Beispielrechnung. 1 Beispielrechnung an einer komplexen Matrix
Jordansche Normalform - Beispielrechnung Dieses kurze Skript soll die jordansche Normalform erklären die auch oft als Trigonalisierung von Matrizen bezeichnet wird da man die Matrix auf eine bestimmte
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
Mehr1 Die Jordansche Normalform
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 4/5 A Die Jordansche Normalform Vierter Tag (9.03.205) Im Zusammenhang mit der Lösung komplexer Differentialgleichungssysteme
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
Mehr4.7 Lineare Systeme 1. Ordnung
3. Die allgemeine Lösung der inhomogenen Differentialgleichung lautet damit yx = y hom x + y inh x = c x + c 2 x + 8 x + 4 xlnx2 4 xlnx = C x + C 2 x + 4 xlnx2 4 xlnx. Wir haben c 2 + 8 zu C 2 zusammengefasst.
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrLineare Gleichungssysteme: eine Ergänzung
Lineare Gleichungssysteme: eine Ergänzung Ein lineares Gleichungssystem, bei dem alle Einträge auf der rechten Seite gleich sind heiÿt homogenes lineares Gleichungssystem: a x + a 2 x 2 +... + a n x n
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrMathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie und Erziehungswissenschaften Blatt 2
Fakultät Mathematik WS 27/8 Institut für Mathematische Stochastik / Institut für Analysis Dr. W. Kuhlisch, Dr. F. Morherr Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
Mehr36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr(1) In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt.
() In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt. a) Es seien A und B beliebige n n-matrizen mit Einträgen in einem Körper K.
MehrMusterlösung der Klausur zur linearen Algebra II
David Blottière SS 7 Patrick Schützdeller Universität Paderborn Julia Sauter Musterlösung der Klausur zur linearen Algebra II Aufgabe 1 Bestimmen Sie Jordan-Normalformen der folgenden Matrizen, und schreiben
MehrEigenwerte und Eigenvektoren
KAPITEL Eigenwerte und Eigenvektoren Eigenwerte 4 2 Algebraische Vielfachheit 5 3 Eigenvektoren 6 4 Invarianten 4 5 Diagonalisierung 5 6 Positiv definite Matrizen 2 In der folgenden Übersicht sind einige
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Betrachtet wird eine (n,n)-matrix A. Eine Zahl λ heißt Eigenwert von A, wenn ein Vektor v existiert, der nicht der Nullvektor ist und für den gilt: A v = λ v.
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrL5.6 Symmetrische, hermitesche, orthogonale und unitäre Matrizen (Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen)
L5.6 Symmetrische, heresche, orthogonale und unitäre Matrizen (Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen) In diesem Kapitel kommen Matrizen in Zusammenhang Skalarprodukt vor.
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
MehrAbbildung 5.1: stabile und instabile Ruhelagen
Kapitel 5 Stabilität Eine intuitive Vorstellung vom Konzept der Stabilität vermitteln die in Abb. 5.1 dargestellten Situationen. Eine Kugel rollt unter dem Einfluss von Gravitation und Reibung auf einer
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
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
MehrIn allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.
Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:
Mehrsie ist also eine Lösung der Differenzialgleichung y 0 = Ay. Bei x = 0 sind diese n Spalten auch linear unabhängig, da ja
Lineare Systeme mit konstanten Koeffizienten 44 63 Zusammenhang mit Fundamentalsystemen Für die Matrix-Exponenzialfunkton e Ax gilt (e Ax ) = Ae Ax Für jede Spalte '(x) der Matrix e Ax Matrixmultpiplikation
MehrPrüfung Lineare Algebra , B := ( ), C := 1 1 0
1. Es seien 1 0 2 0 0 1 3 0 A :=, B := ( 1 2 3 4 ), C := 1 1 0 0 1 0. 0 0 0 1 0 0 1 0 0 0 0 Welche der folgenden Aussagen ist richtig? A. A und C haben Stufenform, B nicht. B. A und B haben Stufenform,
MehrFAQ und Formelsammlung
FAQ und Formelsammlung Dieses Dokument ist eine Sammlung von Rezepten zur Lösung der Übungsaufgaben der Veranstaltung Analytische Übungen zur VL Regelungstechnik II (0339 L 132) mit einem Minimum an theoretischem
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Ingenieure II, SS 9 Freitag 6 $Id: jordantex,v 7 9/6/ :8:5 hk Exp $ 5 Eigenwerte und die Jordansche Normalform 5 Die Jordansche Normalform Nachdem wir bisher das Vorgehen zur Berechnung
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
MehrAnalyse und Entwurf von Mehrgrößenregelung im Frequenzbreich
Fakultät Elektrotechnik und Informationstechnik Institut für Regelungs - und Steuerungstheorie Prof Dr-Ing habil Dipl Math Klaus Röbenack Analyse und Entwurf von Mehrgrößenregelung im Frequenzbreich Prof
MehrProbeklausur Lineare Algebra für Physiker
Fachbereich Mathematik Prof. Dr. K. Grosse-Brauckmann D. Frisch Probeklausur Lineare Algebra für Physiker SS 8 26./27.6.27 Name:..................................... Vorname:.................................
MehrZustandsraum: Historische Einordnung
Zustandsraum: Historische Einordnung Die Grundlagen der Zustandsraummethoden wurden im Zeitraum 1955 1965 von Kalman und seinen Kollegen in dem Research Institute for Advanced Studies in Baltimore entwickelt.
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrLineare Algebra II 11. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross 9 / Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest (Bearbeitung innerhalb von Minuten und ohne Benutzung des
MehrBericht zur Mathematischen Zulassungsprüfung im Mai 2010
Bericht zur Mathematischen Zulassungsprüfung im Mai 2 Heinz-Willi Goelden, Wolfgang Lauf, Martin Pohl Am 5. Mai 2 fand die Mathematische Zulassungsprüfung statt. Die Prüfung bestand aus einer 9-minütigen
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
Mehr