Analyse und Entwurf von Mehrgrößenregelung im Frequenzbreich
|
|
- Sophia Hausler
- vor 6 Jahren
- Abrufe
Transkript
1 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 Dr-Ing habil Dipl Math Klaus Röbenack 8 Dezember 24 Mitschrift von Bolor Khuu
2 Inhaltsverzeichnis Mehrgrößensysteme in Zustandsraumdarstellung 3 Systembeschreibung 3 2 Kalmankriterium und Steuerbarkeitsindizus 3 3 Entwurf einer Zustandsrückführung mittels Regelungsnormalform 6 4 Hautus - Kriterium und Stabilisierbarkeit 2 4 Nullstellen und Smith-Normalform 5 2 Beschreibung linearer Systeme durch Polynommatrizen 2 2 Polynomiale Systemdarstellung 2 2
3 Mehrgrößensysteme in Zustandsraumdarstellung Systembeschreibung Lineare Zustandsraummodelle Typisch: m, r << n oft m = r D = kein Durchgriff ẋ = A x + B u, A R n n, B R n m y = C x + D u, C R r n, D R r m Lösung im Zeitbereich mit Anfangswert x() = x R n x(t) = e At t x + = φ(t)x + t φ(t) = e At = e A(t τ) Bu(τ)dτ φ(t τ)b u(τ)dτ k= (At) k k! Fundamentalmatrix 2 Kalmankriterium und Steuerbarkeitsindizus Definition Ein System heißt vollständig (zustands)-steuerbar, wenn es von jedem Anfangszustand x() in endlicher Zeit T > durch geeignete Wahl des Eingangssignal u : [, T ] R m in einem beliebig vorgegebenen Endzustand x(t) überführt werden kann Mitschrift am
4 Steuerbarkeitskriterien: Kalman Hautus Gilbert Gram Satz(Kalmanische Steuerbarkeitskriterium) Das System ist genau dann zustandssteuerbar, wenn die kalmanische Steuerbarkeitsmatrix Q s = (B, AB,, A n B) den Rang n besitzt (voller Zeilenrang) (Matlab/Octave) :Q s = ctrb(a, B) (SciLab) :Q s = cont_mat(a, B) SI(single-input, m = ): Q s R n n, quadratisch, steuerbar Q s regulär (invertierbar) MI(multi-input, m > ): Q s R n nm, rechteckig, n-zeilen, nm-spalten maximal n-spalten können linear unabhängig sein Definition Die kleinste Zahl q mit rang(b, AB,, A q B) = n heißt Steuerbarkeitsmatrix von (A, B) Umordnung/Auswahl der Spalten der Steuerbarkeitsmatrix ) Q A = (b, Ab,, A k b, b 2, Ab 2,, A k2 b 2,, b m, Ab m,, A km b m R m n Auswahlmatrix mit Rang Q A = n, m k i = n i= Zusammenhang zum Steuerbarkeitsindex q max i m k i (k,, k m ) Pseudosteuerbarkeitsindizes Beispiel A = 2 3, B = 2 } rangb = 2 steuerbar und q = 2 rang(b, AB) = 3 rang(a, AB, A 2 B) = 3 4
5 Ziel möglichst gleichmäßige Aufteilung der Indizes bzw Eingänge Mögliche Steuerbarkeitsindizes (, 3), (, 2), (2, ), (2, ), (3, ) Indizes: Auswahlmatrix Rang (, 3) : (b 2, Ab 2, A 2 b 2 ) = 5 3 (, 2) : (b, b 2, b 2 A) = (2, ) : (b, Ab, b 2 ) = (3, ) : (b, Ab, A 2 b ) = Auswahl der ersten n linear unabhängige Spaltenvektoren der Steuerbarkeitsmatrix (von links nach rechts) Q s = (B, AB, ) = (b,, b m, Ab,, Ab m, ) ggf auch Vertauschung der Eingänge zuläßig Diese Auswahl führt auf die Steuerbarkeitsindizes oder Kronecker Indizes Beispiel (Fortsetzung): Q A = (b, Ab, b 2 ) Steuerbarkeitsindizes (2, ) Vertauschung der Eingänge: n n 2 : ˆB = (b2, b ) = 2 Steuerbarkeitsindizes: (, 2), (2, ) Bemerkung Steuerbarkeitsindizes kann bis auf Vertauschung eindeutig Vertauschung ist nicht immer möglich Es gilt: q = max i m k i 5
6 3 Entwurf einer Zustandsrückführung mittels Regelungsnormalform Transformation des Originalsystems 2 ẋ = Ax + Bu, A R n n, B R n m in die Regelungsnormalform x = Ā x + Bu Rückführung K R m n mit! = Ā B K = Ā k p, p,p Koeffezienten der gewünschten charakteristischen Polynome Transformation: 2 Mitschrift am 2924 x = T x, T R n n x = T ẋ = T (Ax + Bu) = T} AT {{ } x + }{{} T B u Ā B k m k m k mm Frobenius Regelmatrix 6
7 Ansatz für Zustandsrückführung u = k x = }{{} kt x k Transformationsmatrix Ähnlichkeitstransformation T AT = Ā T A = ĀT t T, t T,2 t T,k A = t T, t T,2 t T,k Vergleich liefert t T i,j A = tt i,j+ für Transformationsmatrix noch zu bestimmen Forderung am Eingangsmatrix: i=,,m j=,,k i T = t T, t T, A t, A k t T m, t m, A t T m, Akm t T, =: tt t T m, =: tt m 7
8 Für einen Block R k i e ki = t T i t T i t T i A b i A k i Zeilenweise für i tes Teilsystem: t T i (b i, Ab i,, A k i b i ) = e T k i Simultan für alle in Teilsysteme mit t T t T m (b, Ab,, A k b,, b m, Ab m, A km b m ) } {{ } Q A Auswahlmatrix v = k v 2 = k + k 2 v m = k + + k m = e T v e T v m t T t T m = e T v e T v m Q A Beispiel (Fortsetzung) A = 2 3, B = 2 Steuerbarkeitsmatrix Q s = ( B, AB, A 2 B ) = Auswahlmatrix zu Steuerbarkeitsindizes k = 2, k 2 = : Q A = (b, Ab, b 2 ) = 2 4 Aufstellen der Steuerbarkeitsmatrix Q s 2 Bestimmung der Steuerbarkeitsindizes (Aufstellen Auswahlmatrix Q A ) k = 2 k 2 =, Q A = (b, Ab, b 2 ) = 2 4 8
9 3 Bestimmung der blockweise ersten Zeilenvektoren t T,, tt m der Transformationsmatrix t T t T 2 = ( e T v e T v 2 v = k = 2 v 2 = k + k 2 = 3 ) Q A = Q 5 5 A = 4 Aufstellen der Transformationsmatrix t T, T = t T,2 = t T 2, t T t T A t T 2 = Transformation des Systems Ā = T AT = 2 3 5, B = T B = Problem tritt nur bei verschiedenen Steuerbarkeitsindizes auf Allgemeine Form Zeile v = k B = Zeile v 2 = k + k 2 Zeile v m 5? Zusammenfassen der Zeilen v,, v m t T Ak B =: V R m m t T m A km Korrektur durch Eingangstransformation B := B V = T BV = = (e v,, e vm ) 9
10 2 Variante der Zustandsrückführung u = V K x = V} {{ KT } x k R m n Blockweiser Ansatz für Reglerverstärkung K : k T km T K = T k m, k m,m }{{} = }{{} k k m k T k T m R m n Geschloßener Kreis (Beispiel m = 3) Ā = B K = a T a T m a T 2 a T m2 a T m a T mm k T k T 2 k T m k T 2 k T 22 k T m2 k T m k T 2m k T mm Vorgabe für geschloßenen Kreis Ā B K p T = } {{ p T m } =:P mit i ten Teilsystem R k i k i p T i = p i, p i,ki p T i = ( p i, p i,ki ) charakteristische Polynom CP i (s) = p i, + p i, s + + p i,ki s k i + s k i
11 Entkopplung der Teilsysteme (=Nebendiagonal und Null): a T ij kt ij = T Vorgabe der Wunschdynamik ( Haupdiaganolblöcke) Darstellung in Originalkoordinaten a T ii k T ii! = p T i k T ii = a T ii p T i ẋ = (A BK)x x = T (A BK)T x = (T A }{{} T B V K)T x B } {{ } B Zeile v i (T A B K)T T A B K! = p = pt t T i,k i A k T i }{{} i te Zeile K = p T i T k T i = t T i,k i A p T i T = t T i A k i + p i, t T i p i, t T i A p i,ki t T i Ak i = t T i (p i, I + p i, A + + p i,ki A k i + A k ) = t T i CP i (A) Gesammtverstärkung K = V K = V t T CP (A) t T mcp m (A) Verallgemeinerung der Ackermannformel für Mehrgrößensystem Beispiel Fortsetzung 3 Teilsystem: Eigenwertvorgabe, 2 CP (s) = (s + )(s + 2) = s 2 + 3s + 2 k T = t T CP (A) = (, 5, 5)(2I + 3A + A 2 ) = ( 6, 6, 25) 3 Mitschrift am 524
12 2 Teilsystem: Eigenwert 3, CP 2 (s) = (s + 3) k T 2 = t T 2 CP 2 (A) = (,, )(3I + A) = (,, 3) ( k k T ) = 6, 6, 25 k2 T =,, 3 5 V = Gesammtverstärkung: K = V K = ( 6 6 ) Hautus - Kriterium und Stabilisierbarkeit System: ẋ = Ax + Bu, A R n n B R n m Satz (Hautus - Kriterium) Das System (bzw das Paar (A, B)) ist dann zustandssteuerbar, wenn s C, rang(si A, B) = n Bemerkung: Die Bedingung muss nur für Eigenwerte s, der Matrix A überprüft werden 2 Gilbert-Kriterium (A, B) werden in der Jordan-Normalform (Ã, B) betrachtet (si Ã, B) = s s s s s s 2 s s 3 Rangabfall in der letzten 3 Zeilen für si à für s = s i Der Abfall bei si à für einen Eigenwert s i, muss durch Einträge in B ausgeglichen werden Forderung: Ein System mit k > Jordanblöcken des gleichen Eigenwertes kann m dann steuerbar sein, wenn es mindestens m k Eingänge besitzt Definition: Das Paar (A, B) heißt stabilisierbar, falls s C mit Re(s), Rang(sI A, B) = n Interpretation: Alle instabilen Eigenwerde und steuerbar 2
13 Kalman-Zerlegung nach Steuerbarkeit: Sei q rangq s < n, Dann existiert eine Zustandstransformation ) ( x x = = T x, T R n n, regulär x 2 die das System in ein steuerbares und ein nicht steuerbares Teilsystem zerlegt ) ) x (Ã Ã = 2 ( x B + u x 2 Ã 22 x 2 }{{}}{{} Ã B Ã R q q, B R q m (Ã, B ) ist steuerbar Eigenwerte eig (A) = eig (Ã) = eig (Ã) eig (Ã22) Das System ist dann stabilisierbar, wenn die Matrix Ã22 stabil ist (dh alle Eigenwerte haben negativen Realteil) Zerlegung des Zustandsraumes: Transformationsmatrix R n = im Q s Unterraum der steuerbaren Zustände T = ( ker Q T s Unterraum der unsteuerbaren Zustände ) q Spaltenvektoren die imq s aufspannen (n q) Spalten (Komplement) Seien u,, u m R m die Spalten von u = (u,, u m ) und v,, v n R die Spalten von v = (v,, v n ) Dann : M = usv T = r σ i u i vi T i= }{{} dyad Produkt Spalten u,, u r spannen Bild der Matrix M auf 3
14 Spalten u r+,, u m bilden Komplement (u orthogonal) Transformationsmatrix: Q s Beispiel: u, S, v SVD T = u T = u = orthogonal ut x = T x = u T x x = T ẋ = T (Ax + Bu) = T AT x + T Bu = u} T {{ Au} x + u}{{} T B u à B Inverses Pendel auf Rädern x x x 2 x 3 x 4 = a 42 x 2 x 3 x 4 + b 4 u x 5 x 5 ohne I-Anteil (n = 4) : steuerbar, rangq s = 4 mit I-Anteil (n = 5) : nicht steuerbar, rangq s = 4 < 5 Begründung (Gilbert): doppleter Eigenwert bei 2 2 Block ẋ=3 ẋ 3 =a Block I-Anteil des Reglers Für s = s : Rangabfall 2 (in Hautus-Matrix), aber nur m = Eingang à 22 = nicht stabilisierbar Reglerentwurf für stabilisierbare Systeme: Kalman-Zerlegung nach Steuerbarkeit ) ) x (à à = 2 ( x + x 2 à 22 x 2 2 Zustandsrückführung für steuerbares Teilsystem liefert Verstärkung K B u Matlab/Octave: K = place(ã, B, [ ]) K = ( K ) keine Rückführung für unsteuerbarer Teilsystem 3 Zustandsrückführung in Originalkoordinaten x = T x = u T x Scilab: K = ppol( ) bzw x = u x u = Kx = Ku }{{} x K = K u K = Ku = Ku T Scilab: K = stabil(a, B, [ ]) Eigenwerte für steuerbares Teilsystem 4
15 4 Nullstellen und Smith-Normalform Zustandsraummodell 4 ẋ = Ax + Bu, y = Cx A R n n Hautus-Kriterium: Das System bzw Paar (A, B) ist steuerbar, wenn s C : rang (si A, B) = n Das System bzw das Paar (A, C) heißt beobachtbar, wenn si A s C : rang = n C Definition: Eine Zahl s C heißt Eingangs-Entkopplungsnullstelle (input-decoupling zero), falls rang (s I A, B) < n 2 Ausgangs-Entkopplungsstelle (output-decoupling zero), falls s I A rang < n C 3 Eingangs-Ausgangs Entkopplungsnullstelle (input-output-decoupling zero), wenn sie sowohl Eingangs als auch Ausgangsentkopplungsnullstelle ist Eingangs-Entkopplungsnullstelle = nicht steuerbare Eigenwerte/Modi Ausgangs-Entkopplungsnullstelle = nicht beobachtbare Eigenwerte/Modi Eingangs-Ausgangs-Entkopplungsnullstelle = Eigenwerte, die weder steuerbar noch beobachtbar sind Beispiel: A = 2, B = C = ( ) Eingangs-Entkopplungsnullstelle s = 2 stabilisierbar 2 Ausgangs-Entkopplungsnullstelle s = detektierbar 3 keine 4 Mitschrift am 224 5
16 Gilbert-Kriterium Lösung: t x(t) = e At x() + = e t e 2t e A(t τ) B u(τ)dτ e t nur steuerbare Eigenwerte erscheinen in e At B Ausgang: x() + t y(t) = Cx(t) = Ce At + t e t τ u(τ)dτ e (t τ) C e A(t τ) Bu(τ)dτ = (e t, e 2t, ) x() + nur beobachtbare Eigenwerte erscheinen in Ce At nur steuerbare und beobachtbare Eigenwerte erscheinen in Ce At B Modifizierte Hautus-Bedingung: Das System bzw das Paar (A, B) ist stabilisierbar, wenn e t τ dτ s C mit Re(s) : rang (si A, B) = n Das System bzw das Paar (A, C) heißt detektierbar, wenn si A s C mit Re(s) : rang = n C Normalrang einer Polynommatrix M: System mit in Ein-und Ausgängen max s C rangm(s) ẋ = Ax + Bu, A R n n, B R n m y = Cx, C R m n Rosenbrock-Matrix P (s) = si A B R[s] (n+m) (n+m) C Die Rosenbrock-Matrix habe den Normalrang n+m Eine Zahl s C heißt dann invariante Nullstelle si A B rang < n + m C Berechnung: det P (s)! = 6
17 Beziehung zu Entkopplungs-Nullstellen Aus rang (si A, B) < n folgt rang s I A B < n + m C als si A rang < n folgt rang C s I A B < n + m C Entkopplungsnullstellen sind auch invariante Nullstellen Beziehung zu Übertragungsfunktion G(s) = C(sI A) B Schur-Formel: ( A B det C ) = det (A) det (D C A B) für A regulär det P (s) = det si A B = det (si A) det ( C(sI A) ( B)) C = det (si A) det (C(sI A) B) }{{} G(s) Nullstellen der Übertragungsfunktion sind auch invariante Nullstellen Invarianzeigenschaften der inverianten Nullstellen reguläre Transformation des Eingangsvektors 2 reguläre Transformation des Zustandsvektors 3 Zustandsrückführung x(t) = T x x = T ω(t) = V u(t) (A, B) (A, BV ) u(t) = V ω(t) x (A, B, C) ( T AT, T B, CT ) Ähnlichkeits -transformation u = Kx + w (A, B) (A BK, B) Beweis in 3: Rosenbrock-Matrix des geschloßenen Kreises ( si (A BK) B si A B P (s) = = C C ) In K I m }{{} det Invariante Nullstellen werden durch unimodulare Transformation, die auf die Rosenbrock-Matrix angewendet werden, nicht verändert 7
18 Definition: Eine quadratische Polynommatrix U(s) R[s] n n heißt unimodular, falls det(u) R \ {} (Determinante ist nicht Null und hängt nicht von s ab) Folgerung: Sei U unimodular, dann existiert Inverse U und die Inverse ist wieder eine Polynommatrix Satz: U = adj(u) det }{{ U}}{{} P olynommatrix reelle Zahl Sei M R[s] p m mit Normalrang r Dann existieren unimodulare Matrizen U, V derart, dass mit Diagonalmatrix U(s)M(s)V (s) = (s) Smith-Normalform: = λ (x) λr(s) R[s]p m mit monischen (monic) Polynome λ,, λ r R[s] wobei λ λ 2 λ r monisch höchster Koeffizient ist Anwendung auf Rosenbrock-Matrix 5 Folgerung: P (s) = si A B C det (U(s) P (s) V (s)) = det U(s) det P (s) det P (s) }{{}}{{} konst konst = det = λ (s) λ r (s) =: ρ(s) für Normalrang r = n + m Die invariante Nullstellen sind die Nullstellen von ρ(s) erlaubt allgemeine Definition der invarianten Nullstellen (auch für rechteckige bzw singuläre Rosenbrock- Matrizen) Anwendung auf die Hautus-Matrizen liefert Eingangs-bzw Ausgangs-Entkopplungsnullstellen (A, B) ist genau dann steuerbar, wenn die Hautus-Matrix (si n A, B) die Smith-Normalform (I n, ) besitzt (A, C) ist genau dann beobachtbar, wenn ( si n A) ( C die Smith-Normalform In ) besitzt 5 Mitschrift am
19 Beispiel: A = 2, B = 2 rang Q s = 2 < 3 nicht steuerbar existiert Eingangsentkopplungsnullstelle n rang Q s = Kalman-Zerlegung 2 V AV =, V B = 2ist Eingangsentkopplungsnullstelle Smith-Normalform von (si A, B) = s s + 2 s + 2 ist Berechnung mit Matlab A = [ ]; B = [ ]; s = syms( s ) M = [s eye(size(a)) A, B]; S = maple( smith, M, S); 9
20 2 Beschreibung linearer Systeme durch Polynommatrizen 2 Polynomiale Systemdarstellung Systemgleichung: A d dt x(t) + B( d dt ) u(t) = mit Differentialoperatoren d A = dt d B = dt g i= h j= A i d i dt i B j d j dt j Konstante Matrizen u(t) R m, x(t) R n, u Steuersignale x Systemsignale 2
Zusammenfassung der 4. Vorlesung. ensysteme. Mehrgrößensysteme
Mehrgrößensysteme ensysteme Zusammenfassung der 4. Vorlesung Standardform für ffür r nicht steuerbare Systeme Pole Pole und und Nullstellen von von MIMO-Systemen Pole Pole der der Übertragungsmatrix? Smith-McMillan-Form
MehrErreichbarkeit und Zustandsregler
Übung 5 Erreichbarkeit und Zustandsregler 5. Kriterium für die Erreichbarkeit Betrachtet wird wieder ein zeitkontinuierliches, lineares und zeitinvariantes System (LZI bzw. LTI : Linear Time Invariant)
MehrFormelsammlung. für den Teilbereich Zustandsraumdarstellung der Vorlesung. Einführung in die Regelungstechnik
Formelsammlung für den Teilbereich Zustandsraumdarstellung der Vorlesung Einführung in die Regelungstechnik Diese Formelsammlung ist ein Auszug aus der Formelsammlung zur Systemtheorie-Vorlesung von Matthias
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
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
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
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
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
MehrEntwurf durch Polvorgabe
Grundidee der Zustandsregelung Entwurf durch Polvorgabe Zustandsgröß ößen, innere Informationen aus dem Prozeß,, werden zurückgef ckgeführt. Vorteile: Bei Bei vollständiger Steuerbarkeit ist ist eine eine
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
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
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
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
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
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
MehrLösungsskizze zur Wiederholungsserie
Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation
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.
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
MehrBlockmatrizen. Beispiel 1 Wir berechnen das Produkt von A R 4 6 mit B R 6 4 :
Blockmatrizen Beispiel 1 Wir berechnen das Produkt von A R 4 6 mit B R 6 4 : 2 1 3 1 1 0 1 0 1 0 0 2 1 1 11 1 1 4 0 1 0 1 0 1 4 1 0 2 1 0 1 0 1 0 3 1 2 1 = 2 4 3 5 11 1 1 4 0 1 0 1 0 1 5 1 2 1 2 4 3 5
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
MehrJordan-Form. Eine komplexe quadratische Matrix A lässt sich durch eine Ähnlichkeitstranformation auf die Blockdiagonalform. = Q 1 AQ 0 J k J =
Jordan-Form Eine komplexe quadratische Matrix A lässt sich durch eine Ähnlichkeitstranformation auf die Blockdiagonalform J 1 0 J =... = Q 1 AQ 0 J k transformieren. Jordan-Form 1-1 Jordan-Form Eine komplexe
MehrKlausur: Regelungs- und Systemtechnik 2
4 6 Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger Klausur: Regelungs- und Systemtechnik 2 Kirchhoff-Hörsaal 1 Donnerstag, den 19. 09. 2013 Beginn: 09.30 Uhr Bearbeitungszeit: 120 Minuten
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
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
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
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
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
MehrZusammenfassung der 7. Vorlesung
Zusammenfassung der 7. Vorlesung Steuer- und Erreichbarkeit zeitdiskreter Systeme Bei zeitdiskreten Systemen sind Steuer-und Erreichbarkeit keine äquivalente Eigenschaften. Die Erfüllung des Kalmankriteriums
Mehr3 Matrizen und Lineare Gleichungssysteme
3 Matrizen und LGS Pink: Lineare Algebra HS 2014 Seite 38 3 Matrizen und Lineare Gleichungssysteme 3.1 Definitionen Sei K ein Körper, und seien m,n,l natürliche Zahlen. Definition: Eine Matrix mit m Zeilen
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
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
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
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,
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
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) :=
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
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
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
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
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 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
MehrMathematische Grundlagen
Mathematische Grundlagen 1 / 16 Vektorraum u R n, u = (u 1,..., u n ), u k R Euklidisches Skalarprodukt Euklidische Vektornorm (u, v) = u k v k u 2 = (u, u) = n u 2 k Vektoren u, v R n heißen orthogonal,
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
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
MehrSingulärwert-Zerlegung
Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Singulärwert-Zerlegung 1-1 Singulärwert-Zerlegung Zu jeder
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
Mehr3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform
LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen
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
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
MehrMathematik I. Vorlesung 14. Rang von Matrizen
Prof Dr H Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 14 Rang von Matrizen Definition 141 Es sei K ein Körper und sei M eine m n-matrix über K Dann nennt man die Dimension des von den Spalten
MehrLineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 12. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 14, 2017 1 Erinnerung: Determinanten, Orthogonale/unitäre Matrizen Sei A R 2 2, dann kann die Inverse
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
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,
MehrLineare 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
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)
MehrKAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix
MehrLineare DGL-Systeme 1. Ordnung
Lineare DGL-Systeme 1. Ordnung Eine Reihe von naturwissenschaftlichen Problemstellungen, wie z. B. Feder- Dämpfer-Systeme der Mechanik oder Kirchhoffsche Netzwerke der Elektrotechnik, lassen sich durch
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
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
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
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 206 Bearbeiten Sie bitte
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
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
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
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:
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)
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
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
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrDeterminanten. I. Permutationen
Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
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,
MehrLösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie 18 1. Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
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
MehrSpringer-Lehrbuch. Regelungstechnik 2. Mehrgrößensysteme, Digitale Regelung. von Jan Lunze. Neuausgabe
Springer-Lehrbuch Regelungstechnik 2 Mehrgrößensysteme, Digitale Regelung von Jan Lunze Neuausgabe Regelungstechnik 2 Lunze schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Thematische
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
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
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
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
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
MehrEXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME
EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME In diesem Abschnitt wiederholen wir zunächst grundlegende Definitionen und Eigenschaften im Bereich der Matrizenrechnung, die wahrscheinlich bereits in Ansätzen
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
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
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
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
MehrEcken des Zuordnungsproblems
Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrOrthogonale Matrix. Definition 4.19
Orthogonale Matrix Ausgleichsprobleme sind häufig schlecht konditioniert. Matrix des Normalengleichungssystems kann nahezu singulär sein. Spezielle Matrixzerlegung für höhere numerische Stabilität: QR-Zerlegung
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
Mehr