Lineare Differenzialgleichungssysteme
|
|
- Claus Auttenberg
- vor 6 Jahren
- Abrufe
Transkript
1 16 Lineare Differenzialgleichungssysteme Eine lineare Differenzialgleichung auf dem R n ist von der Form ẋ = Ax mit einer reellen n n-matrix A. Ausgeschrieben handelt es sich um ein System von n gekoppelten linearen Differenzialgleichungen für die Koordianten x 1,.., x n von der Gestalt ẋ 1 = a 11 x a 1n x n : ẋ n = a n1 x a nn x n mit konstanten reellen Koeffizienten a ij. Unter einer Lösung dieser Gleichung versteht man jede Abbildung ϕ : I R n, ϕ(t) = (ϕ 1 (t),.., ϕ n (t)) eines Intervalls I in den R n mit differenzierbaren Komponenten ϕ j, so dass ϕ(t) = ( ϕ 1 (t),.., ϕ n (t)) = Aϕ(t), t I. Geometrisch betrachtet handelt es sich bei ϕ um eine differenzierbare Kurve im R n mit dem Geschwindigkeits- oder Tangentialvektor ϕ im jeweiligen Kurvenpunkt ϕ, zwischen denen der durch die Differenzialgleichung bestimmte lineare Zusammenhang besteht. Um das entsprechende Anfangswertproblem ẋ = Ax, x(0) = x 0 zu lösen, muss die Kurve außerdem zum Zeitpunkt t = 0 durch den Punkt x 0 verlaufen. (c)-machobs: 16.1
2 Lineare Differenzialgleichungssysteme Abb 1 ϕ(t) Eine Lösungskurve ϕ(t) ϕ(0) 16-a Fundamentalsatz Zunächst stellen wir fest, dass jedes solche Awp immer eine für alle Zeiten definierte Lösung besitzt, die sich im Prinzip auch vollständig angeben lässt. 1 Fundamentalsatz Das Anfangswertproblem ẋ = Ax, x(0) = x 0 besitzt für jedes x 0 die eindeutige Lösung ϕ : R R n, ϕ(t) = e At x 0, wobei e At = k 0 (At) k k! = E + At A2 t (1) Beweisskizze Zunächst bemerken wir, dass die Exponenzialreihe (1) wohldefiniert ist. Für n n-matrizen sind Summen und Produkte wohldefiniert, also auch das k-fache Produkt, welches wie im Reellen erklärt ist durch A 0 = E, A k = AA k 1, k 1. Man kann dann zeigen, dass diese Reihe auf jedem beschränkten t-intervall gleichmäßig konvergiert. Sie ist daher differenzierbar in t, und man erhält ihre Ableitung durch gliedweises Differenzieren. Somit gilt ( (At) k ). = ( A k ). k! k! tk = A k (k 1)! tk 1 k 0 k 1 k 0 = A k 1 ( = A k 0 A k 1 (k 1)! tk 1 (At) k k! ) (c)-machobs: ~15:49
3 Fundamentalsatz 16-a 331 Damit gilt auch ( (At) k ). ϕ(t) = x 0 = Ae At x 0 = Aϕ(t), t R. k! k 0 Außerdem ist ϕ(0) = e 0 x 0 = Ex 0 = x 0. Bemerkung Die entsprechende Lösung zum Anfangswert x(t 0 ) = x 0 ist ψ(t) = e A(t t0) x 0 = ϕ(t t 0 ). Es genügt daher, den Fall t 0 = 0 zu betrachten. Wichtig Für die Matrizen-Exponenzialfunktion gilt die Funktionalgleichung e A+B = e A e B nur, wenn A und B kommutieren, also AB = BA gilt. Nur in diesem Fall gilt für alle n 1 die binomische Formel n n (A + B) n = A n k B k, k k=0 aus der diese Funktionalgleichung folgt. Dies ist zunächst einmal eine mathematische Lösung, denn für eine allgemeine Matrix A ist die Exponenzialreihe nicht leicht zu berechnen. In einigen Fällen ist dies jedoch kein Problem. Beispiele a. Jede lineare Differenzialgleichung besitzt die triviale Lösung ϕ 0. Dies ist somit die eindeutige Lösung zum Anfangswert x 0 = 0. Interpretiert man die Koordinaten x als Beschreibung einer Konfiguration aus Massepunkten oder ähnlichem, so beschreibt diese Lösung eine für alle Zeiten gleichbleibende Konfiguration. Man spricht daher auch von einer Gleichgewichtslösung. Aus dem Fundamentalsatz folgt übrigens, dass jede andere Lösung nicht durch den Nullpunkt verlaufen kann. Denn in diesem Fall wäre sie eine Lösung zum Anfangswert 0 und müsste demnach konstant 0 sein. Sie kann aber dem Nullpunkt beliebig nahe kommen, wie wir noch sehen werden. b. Für eine Diagonalmatrix A = diag(λ 1,.., λ n ) gilt e At = diag(e λ1t,.., e λnt ). Also beispielsweise ( 1 e A =, e At t = 2 e 2t ). (c)-machobs: ~15:
4 Lineare Differenzialgleichungssysteme Denn es ist ja A k = diag(λ 1,.., λ n ) k = diag(λ k 1,.., λk n), also (At) k = diag(λ k 1 tk,.., λ k nt k ). Somit ist die Exponenzialreihe e At wieder eine Diagonalmatrix mit Diagonalelementen k 0 λ k i tk k! = e λ it, 1 i n. Noch ein Beispiel Betrachte den Differenzialoperator D : P d P d, p Dp = p auf dem Raum P d der reellen Polynome vom Grad kleiner als d. Dies ist eine lineare Abbildung auf einem endlich-dimensionalen reellen Vektorraum. Das Exponenzial hiervon ist der Translationsoperator e Dt = H t : P d P d, H t p = p( + t). Denn nach der Formel von Taylor gilt ja (H t p)(x) = p(x + t) = k 0 und es ist ferner Also ist p (k) (x) t k, k! p (k) (x)t k = D k p(x)t k = (Dt) k p(x). (H t p)(x) = (Dt) k p(x) = (e Dt p)(x). k! k 0 Diese Rechnung benötigt keine Matrixdarstellung für D. Wählt man aber e k = xk, 0 k < d, k! als Basis von P d, so wird De k = e k 1 für k 1 und De 0 = 0. Damit erhält D die Matrixdarstellung D = (c)-machobs:
5 Fundamentallösung 16-b b Fundamentallösung Wie löst man eine lineare Differenzialgleichung nun konkret? Dazu zwei einfache Beobachtungen. 2 Lemma Es gilt das Superpositionsprinzip: Sind ϕ und ψ Lösungen von ẋ = Ax, so ist auch jede Linearkombination aus ϕ und ψ eine Lösung. Das folgt aus der Linearität der Differenzialgleichung, also (αϕ + βψ). = α ϕ + β ψ = αaϕ + βaψ = A(αψ + βψ). 3 Lemma Sind die Lösungen ϕ 1,.., ϕ m von ẋ = Ax zu irgendeinem Zeitpunkt t 0 linear unabhängig, so sind sie es auch zu jedem anderen Zeitpunkt t. Sind ϕ 1,.., ϕ m zu einem Zeitpunkt t 0 linear abhängig, so verschwindet dort eine nichttriviale Linearkombination aus ihnen. Aufgrund des Superpositionsprinzips ist dies eine Lösung von ẋ = Ax mit Anfangswert 0 bei t 0. Aus Eindeutigkeitsgründen muss dies die Nulllösung sein. Das bedeutet aber, das ϕ 1,.., ϕ m für jedes t linear abhängig sind. Definition und Satz Jedes System ϕ 1,.., ϕ n von n linear unabhängigen Lösungen von ẋ = Ax heißt eine Fundamentallösung dieser Differenzialgleichung. Jede Lösung von ẋ = Ax ist dann eine Linearkombination aus dieser Fundamentallösung. Jede Lösung ϕ ist eindeutig surch ihren Anfangswert bei t = 0 bestimmt. Dieser lässt sich als Linearkombination aus ϕ 1 (0),.., ϕ n (0) darstellen: ϕ(0) = c 1 ϕ 1 (0) c n ϕ n (0). Aus Eindeutigkeitsgründen gilt dann auch ϕ(t) = c 1 ϕ 1 (t) c n ϕ n (t) zu jedem anderen Zeitpunkt. Wie findet man nun solche Lösungen? Auch hier spielen wieder Eigenvektoren und deren Eigenwerte die zentrale Rolle. 4 Lemma Ist v ein Eigenvektor von A mit Eigenwert λ, so ist ϕ(t) = e λt v eine Lösung von ẋ = Ax. (c)-machobs: 16.5
6 Lineare Differenzialgleichungssysteme Abb 2 Eigenvektor-Lösung mit λ < 0 e λt v v sowie Da die Skalare λ und e λt v mit A und v vertauschen, gilt ϕ(t) = (e λt ). v = e λt λv Aϕ(t) = Ae λt v = e λt Av = e λt λv. Also ist ϕ(t) = Aϕ(t). Der Eigenvektor v wird also lediglich mit dem positiven Skalar e λt multipliziert. Für λ 0 ist die gesamte Lösung eine Halbgerade, die für λt gegen den Nullpunkt konvergiert siehe Abbildung 2. Besitzt eine Matrix A also n linear unabhängige Eigenvektoren b 1,.., b n mit Eigenwerten λ 1,.., λ n, so bilden die jeweiligen Lösungen ϕ i (t) = e λ it b i, 1 i n, zusammen ein Fundamentalsystem von ẋ = Ax. Jede beliebige Lösung ist eine Linearkombination aus diesen, es gilt also ϕ(t) = n c i e λit b i. (2) i=1 Die Koeffizienten c i werden dabei durch einen allfälligen Anfangswert bestimmt. 5 Beispiel Betrachte das lineare Differenzialgleichungssystem ẋ 1 = 3x 1 + 2x 2, ẋ 2 = 3x 1 2x 2, ẋ 3 = 3x 1 3x 2 + x 3. Dies ist von der Form ẋ = Ax mit x R 3 und A = (c)-machobs:
7 Koordinatentransformationen 16-c 335 Diese Matrix hat die Eigenwerte 0, 1, 1 mit den respektiven Eigenvektoren b 1 = 3, b 2 = 1, b 3 = 0, (3) wie man sofort verifiziert. Die allgemeine Lösung hat daher die Gestalt x(t) = c 1 b 1 + c 2 e t b 2 + c 3 e t b 3, (4) denn e 0t = 1. In Koordinaten: x 1 (t) = 2c 1 c 2 e t, x 2 (t) = 3c 1 + c 2 e t, x 3 (t) = 3c 1 + c 3 e t. Ist noch ein Anfangswert x(0) = x vorgegeben, ist das entsprechende Lgs für die Koeffizienten c 1,.., c 3 zu lösen, also 2c 1 c 2 = x 1, 3c 1 + c 2 = x 2, 3c 1 + c 3 = x 3. Man erhält 16-c Koordinatentransformationen Gegeben sei ẋ = Ax. Führen wir neue Koordinaten y ein, indem wir x = By mit einer invertierbaren Matrix B schreiben, so gilt einerseits ẋ = Ax = ABy und andererseits ẋ = Bẏ. Multiplizieren wir von links mit B 1, so erhalten wir folgendes Ergebnis. 6 Satz Die lineare Differenzialgleichung ẋ = Ax geht unter der linearen Koordinatentransformation x = By über in ẏ = A y, A = B 1 AB. (c)-machobs: 16.7
8 Lineare Differenzialgleichungssysteme Die allgemeine Lösung der transformierten Gleichung ist aufgrund des Fundamentalsatzes y(t) = e A t y 0. Somit ist x(t) = By(t) = Be A t y 0 die allgemeine Lösung der ursprünglichen Gleichung. Schreibt man jetzt noch y 0 = B 1 x 0 und bemerkt mithilfe der Exponenzialreihe, dass Be A t B 1 = e BA B 1t = e At, so erhält man wieder x(t) = e At x 0. Nützlich sind natürlich solche Koordinatentransformationen, die die Matrix A vereinfachen. Angenommen, A = B 1 AB = diag(λ 1,.., λ n ) = D hat Diagonalgestalt. Aus AB = BD folgt dann einerseits, dass die Spalten von B = (b 1,.., b n ) Eigenvektoren von A mit Eigenwerten λ 1,.., λ n respektive sind. Andererseits erhalten wir damit die allgemeine Lösung x(t) = Be Dt c, c R 3 (5) von ẋ = Ax. Hierbei ist e λ1t Be Dt. = (b 1,.., b n ).. e λnt = (e λ1t b 1,.., e λnt b n ). Somit stellt (5) genau dieselbe Lösung dar wie (3). 7 Satz Besitzt die Matrix A genau n linear unabhängige Eigenvektoren b 1,.., b n mit Eigenwerten λ 1,.., λ n, so hat die allgemeine Lösung von ẋ = Ax die Gestalt ϕ(t) = n c j e λjt b j j=1 mit reellen Koeffizienten c 1,.., c n. Beispiel Mit den Eigenvektoren (3) aus Beispiel 5 wird B = (b 1,.., b 3 ) = (c)-machobs:
9 Zweidimensionale lineare Systeme 16-d 337 und 0 D = B 1 AB = diag(λ 1,.., λ 3 ) = 1 = D. 1 Es ist e Dt = diag(1, e t, e t ) und Be Dt = (b 1,.., b 3 ) diag(1, e t, e t ) = (b 1, e t b 2, e t b 3 ). Die allgemeine Lößung lautet damit x(t) = Be Dt c = c 1 b 1 + c 2 e t b 2 + c 3 e t b 3 genau wie in (4). Der letzte Satz gilt auch für komplexe Eigenwerte mit komplexen Eigenvektoren. Wie man hieraus reelle Lösungen gewinnt, zeigen wie im folgenden Abschnitt anhand zweidimensionaler Systeme. 16-d Zweidimensionale lineare Systeme Die Struktur der Lösungen eines linearen Differenzialgleichungssystems ẋ = Ax wird fast ausschließlich durch die Eigenwerte von A bestimmt. Im Fall eines zweidimensionalen Systems gibt es dabei für die beiden Eigenwerte folgende Möglichkeiten: (i) reell und einfach, (ii) reell und doppelt, oder (iii) komplex konjugiert. Im Fall doppelter Eigenwerte ist noch zu unterscheiden, ob A diagonalisierbar ist oder nicht. Der Nullpunkt ist immer ein Gleichgewichtspunkt jeder linearen Differenzialgleichung. Uns interessiert außerdem noch die Frage, welche anderen Lösungen für t oder t gegen diesen Gleichgewichtspunkt konvergieren. Einfache reelle Eigenwerte In diesem Fall ist A diagonalisierbar. In geeigneten Koordinaten ist somit λ 0 A = 0 µ (c)-machobs: 16.9
10 Lineare Differenzialgleichungssysteme Abb 3 Sattelpunkt in angepassten und allgemeinen Koordinaten Abb 4 Stabiler Knoten in angepassten und allgemeinen Koordinaten mit den beiden Eigenwerten λ und µ. Die allgemeine Lösung von ẋ = Ax lautet e λt 0 a ae λt 0 x(t) = 0 e µt = b 0 be µt, a, b R. (6) Das Phasenportrait also die Gesamtheit aller Lösungen hängt nun von der Lage der Eigenwerte auf der reellen Achse ab. Gilt λµ < 0, so spricht man von einem Sattel. Es gibt je eine Richtung, die Abszisse und die Ordinate, in denen die Lösungen für t respektive t gegen den Gleichgewichtspunkt 0 konvergieren. Alle anderen Lösungen sind unbeschränkt. Gehen wir durch eine lineare Transformation zu beliebigen Koordinaten über, so lässt sich das resultierende Phasenportrait wie folgt beschreiben. 8 Sattel Hat A die reellen Eigenwerte µ < 0 < λ, so konvergieren die Lösungen im µ-eigenraum für t und im λ-eigenraum für t gegen den Gleichgewichtspunkt 0. Alle anderen Lösungen sind für t ± unbeschränkt (c)-machobs:
11 Zweidimensionale lineare Systeme 16-d 339 Abb 5 Eigenwerte µ < 0 = λ Sind beide Eigenwerte negativ, so spricht man von einem stabilen Knoten. Alle Lösungen konvergieren für t + gegen den Gleichgewichtspunkt 0, wobei für µ < λ < 0 alle Lösungen außerhalb des µ-eigenraumes tangential zum λ-eigenraum gegen den Gleichgewichtspunkt konvergieren. Dies ist auch das Bild in allgemeinen Koordinaten. 9 Stabiler Knoten Hat A die reellen Eigenwerte µ < λ < 0, so konvergieren alle Lösungen für t gegen den Gleichgewichtspunkt 0, wobei außerhalb des µ-eigenraumes alle Lösungen tangential zum λ-eigenraum konvergieren. Sind beide Eigenwerte positiv, so spricht man von einem instabilen Knoten. Es gelten analoge Konvergenzaussagen, wenn man t statt t betrachtet. Der Fall µ < 0 = λ ist in Abbildung 5 skizziert. Doppelte Eigenwerte Diesen Fall nennt man entartet. Man sieht dem Operator sofort an, ob er diagonalisierbar ist oder nicht. 10 Lemma Sei A ein zweidimensionaler Operator mit doppelten Eigenwert. Ist A diagonalisierbar, so hat A in jeder Basis Diagonalgestalt. In diesem Fall existiert ein B mit B 1 AB = diag(λ, λ) = λi. Dann ist aber auch A = BλIB 1 = λbb 1 = λi. Mit anderen Worten, A ist ein Vielfaches der Identität, und diese hat Diagonalgestalt in jeder Basis. A ist diagonalisierbar Für λ < 0 spricht man von einem entarteten stabilen Knoten. Alle Lösungen konvergieren gegen den Gleichgewichtspunkt 0, und sämtliche Lösungskurven sind Geraden siehe Abbildung 6. Entsprechendes gilt für λ > 0, dem entarteten instabilen Knoten. (c)-machobs: 16.11
12 Lineare Differenzialgleichungssysteme A ist nicht diagonalisierbar Dreiecksgestalt λ A = = λi + N, N =, 0 λ 0 0 Dann kann man A lediglich auf die obere bringen, die man auch einen Jordanblock nennt. Da I und N kommutieren und N 2 verschwindet, erhält man 1 t e At = e λit e Nt = e λt (I + Nt) = e λt. 0 1 Die allgemeine Lösung ist damit a + bt x(t) = e λt, b a, b R. (7) Alle Lösungskurven sind dabei im Gleichgewichtspunkt tangential an die Abszisse, also den eindimensionalen Eigenraum des doppelten Eigenwerts λ. Man spricht ebenfalls von einem entarteten Knoten siehe Abbildung Entarteter stabiler Knoten Hat A den doppelten reellen Eigenwerte λ < 0 und Diagonalgestalt, so konvergieren alle Lösungen für t aus allen Richtungen geradlinig gegen den Gleichgewichtspunkt 0. Hat A dagegen keine Diagonalgestalt, so konvergieren diese tangential zum eindimensionalen λ-eigenraum gegen den Gleichgewichtspunkt 0. Für λ > 0 gilt Entsprechendes für t. Der Fall eines nichtdiagonalisierbaren Operators mit doppeltem Eigenwert 0 ist in Abbildung 8 skizziert. Die verschiedenen Knoten kann man somit geometrisch anhand der Anzahl der asymptotischen Richtungen ihrer Lösungskurven unterscheiden. Diese ist Abb 6 Entarteter stabiler Knoten, diagonalisierbar (c)-machobs:
13 Zweidimensionale lineare Systeme 16-d 341 Abb 7 Entarteter stabiler Knoten, nicht diagonalisierbar Abb 8 Entarteter Knoten mit Eigenwert 0 2 für λ µ, für λ = µ, A = λi, 1 für λ = µ, A λi. Die Anzahl 2 gilt im Prinzip auch für den Sattel, nur dass hier fast alle Lösungen weder für t noch für t konvergieren. Komplexe Eigenwerte Ein zweidimensionaler reeller Operator mit nicht-reellen Eigenwerten kann in folgende reelle Normalform gebracht werden. 12 Lemma Hat der zweidimensionale Operator A komplexe Eigenwerte α ± iω mit ω 0, so ist in geeigneten Koordinaten α ω 0 1 A = = αi + ωj, J =. ω α 1 0 (c)-machobs: 16.13
14 Lineare Differenzialgleichungssysteme Abb 9 Stabiler Strudel in angepassten und allgemeinen Koordinaten Zum Eigenwert α + iω existiert ein komplexer Eigenvektor u + iv. Es gilt also A(u + iv) = (α + iω)(u + iv) = (αu ωv) + i(ωu + αv). Somit gilt Av = αv + ωu, Au = ωv + αu. In der reellen Basis (v, u) in dieser Reihenfolge erhält A damit die angegebene Gestalt. Da I und J kommutieren, gilt in diesen Koordinaten e At = e αit+ωjt = e αit e ωjt. Eine kleine Auswertung der Exponenzialreihe zusammen mit J 2 = I, und J 4 = I ergibt cos t sin t e Jt =. sin t cos t J 3 = J Also gilt insgesamt ( cos ωt e At = e αt sin ωt ) sin ωt. cos ωt Diese Abbildung beschreibt eine Streckung um den Faktor e αt und eine Drehung um den Winkel ωt im mathematischen Sinn also gegen den Uhrzeigersinn für ωt > 0. Es handelt sich also um eine Drehstreckung. Da diese beiden Operationen kommutieren, kommt es auf deren Reihenfolge nicht an. 13 Strudel und Zentrum Hat A die nichtreellen Eigenwerte α ± iω, so bildet e At eine Familie von Drehstreckungen mit dem Faktor e αt und dem Winkel ωt. Man spricht von einem Zentrum, falls α = 0, einem stabilen Strudel, falls α < 0, und einem instabilen Strudel sonst (c)-machobs:
15 Beispiele 16-e 343 Abb 10 Zentrum in angepassten und allgemeinen Koordinaten In einem stabilen Strudel konvergieren alle Lösungen gegen den Gleichgewichtspunkt, ohne eine asymptotische Richtung anzustreben. Dies unterscheidet ihn vom stabilen Knoten. Das Zentrum ist unter den zweidimensionalen linearen Systemen das einzige mit nichttrivialen periodischen Lösungen. Außerdem haben alle Lösungen dieselbe Periode T = 2π ω. Dies ist charakteristisch für lineare Systeme. In nichtlinearen Systemen wie dem mathematischen Pendel variiert dagegen in einer Familie periodischer Lösungen die Periode mit deren Amplitude. 16-e Beispiele Harmonischer Oszillator mit Dämpfung Der harmonische Oszillator mit Dämpfung wird beschrieben durch die skalare Differenzialgleichung ü = ω 2 u ρ u. Hierbei ist u die Auslenkung aus der Ruhelage, ω > 0 die Frequenz des ungedämpften Oszillators und ρ 0 der Reibungskoeffizient der Dämpfung. Diese ist proportional zur Geschwindigkeit u und wirkt dieser entgegengesetzt. Setzen wir x 1 = u, x 2 = u, (c)-machobs: 16.15
16 Lineare Differenzialgleichungssysteme Abb 11 Stark gedämpfter Oszillator: stabiler und entarteter Knoten u u u u so ist die Gleichung äquivalent zum linearen System ( ) ẋ1 u x x1 = = ẋ 2 ü ω 2 = x 1 ρx 2 ω 2. ρ x 2 Also kurz ẋ = Ax, A = ( 0 1 ω 2 ρ ). Das charakteristische Polynom ist χ(λ) = λ 2 + ρλ + ω 2, die Eigenwerte sind somit λ ± = ρ ± ρ 2 4ω 2. 2 Wir betrachten die Frequenz ω als fest und den Reibungskoeffizienten ρ als Parameter. Dabei treten fier Fälle auf. ρ > 2ω: Stabiler Knoten Fast alle Lösungen konvergieren gegen die Gleichgewichtslage in der Richtung des Eigenraumes des größeren der beiden negativen Eigenwerte, wobei sie höchstens einmal die Richtung wechseln siehe Abbildung 11 links. ρ = 2ω: Entarteter stabiler Knoten Da A kein Diagonaloperator ist, konvergieren alle Lösungen in der Richtung des eindimensionalen Eigenraumes von A gegen 0. Dieser wird von dem Vektor (1, 1) aufgespannt siehe Abbildung 11 rechts. 0 < ρ < 2ω: Stabiler Strudel Man spricht von gedämpften Schwingungen. Der Oszillator schwingt mit immer kleineren Ausschlägen unendlich oft um die Gleichgewichtslage. Abbildung 12 zeigt Lösungen für verschiedene ρ. ρ = 0: Zentrum Man spricht von ungedämpften Schwingungen. Alle Lösungen sind periodisch mit Frequenz ω und Periode T = 2π/ω (c)-machobs:
17 Beispiele 16-e 345 Abb 12 Gedämpfte und ungedämpfte Schwingungen: Strudel und Zentrum u u u u Im Fall der gedämpften Schwingung sind die Eigenwerte α ± iµ mit α = ρ 2, µ = 1 4ω 2 ρ 2. 2 Eine Fundamentallösung besteht zum beispiel aus cos µt sin µt ϕ 1 (t) = e αt, ϕ 2 (t) = e αt. sin µt cos µt Für die Auslenkung u des Oszillators erhält man somit u(t) = ae αt cos µt + be αt sin µt, a, b R. Mit r 2 = a 2 + b 2 und trigonometrischen Identitäten erhält dies die Form u(t) = r e αt cos(µt + τ) mit der Amplitude r und der Phase τ als Parameter. Man nennt µ die reduzierte Frequenz des gedämpften Oszillators. Für die zugehörige Periode gilt T = 2π, ρ 2ω, µ 2π ω, ρ 0. Homogene lineare Differenzialgleichung zweiter Ordnung Mit dem Beispiel des gedämpften harmonischen Oszillators haben wir zugleich die allgemeine homogene lineare Differenzialgleichung zweiter Ordnung für eine skalare Funktion diskutiert. 14 Satz Jede Lösung der skalaren Differenzialgleichung ü + 2α u + β 2 u = 0 (c)-machobs: 16.17
18 Lineare Differenzialgleichungssysteme ist von der Form ae α+t + be α t, α > β, u(t) = (a + bt)e αt, α = β, r e αt cos(ωt + τ), α < β, mit reellen Parametern a, b, r, τ und α ± = α ± α 2 β 2, ω = β 2 α 2. Die Differenzialgleichung ist äquivalent zum System 0 1 ẋ = Ax, A = β 2. 2α Seine Eigenwerte sind α ± = α ± α 2 β 2. Die Behauptungen ergeben sich damit aus der Diskussion des gedämpften harmonischen Oszillators. Dreidimensionale Systeme Besitzt eine n n-matrix A einen einfachen komplexen Eigenwert λ = α+iω mit komplexen Eigenvektor u + iv, so ist der zweidimensionale Unterraum E = span(u, v) invariant unter A, und die Einschränkung von A auf E besitzt in der Basis (v, u) die Matrixdarstellung A α ω E =. ω α Die lineare Differenzialgleichung ẋ = Ax besitzt dann insbesondere die beiden Lösungen ϕ 1 (t) = e αt (v cos ωt + u sin ωt), ϕ 2 (t) = e αt (v sin ωt u cos ωt). Im Fall n = 3 kann es nur noch einen weiteren reellen Eigenwert µ mit reellen Eigenvektor w geben. Dann ist ϕ 3 (t) = e µt v eine weitere Lösung, und zusammen bilden ϕ 1,.., ϕ 3 ein Fundamentalsystem. In der Basis (w, v, u) erhält A übrigens die Gestalt µ A = α ω. ω α (c)-machobs:
19 Beispiele 16-e 347 Skalare Differenzialgleichung n-ter Ordnung Wir betrachten noch u (n) = a 1 u (n 1) a n 1 u + a n u. (8) Mit x 1 = u ist dies äquivalent zu dem linearen System ẋ 1 = u = x 2, ẋ 2 = ü = x 3,. ẋ n 1 = u (n 1) = x n, ẋ n = u (n) = a n x 1 + a n 1 x a 2 x n 1 + a 1 x n. Mit x = (x 1,..., x n ) ist dies wiederum äquivalent mit ẋ = Ax, A = 0 1 a n a 2 a 1 (9) 15 Lemma λ ist Eigenwert von A genau dann, wenn λ die charakteristische Gleichung λ n = a 1 λ n 1 + a n 1 λ + a n (10) erfüllt. Jeder Eigenwert hat dabei geometrische Vielfachheit 1. Die erste Behauptung ergibt sich aus Av = λv ϕ(t) = e λt v ist Lösung von (9) u(t) = e λt v 1 ist Lösung von (8) λ n e λt = a 1 λ n 1 e λt + + a n e λt λ n = a 1 λ n a n. Außerdem folgt aus Av = λv und (10), dass v i = λv i 1, 1 < i n. Somit sind alle Komponenten eines Eigenvektors bereits durch die erste Komponente bestimmt, und der jeweilige Eigenraum kann nur eindimensional sein. (c)-machobs: 16.19
20 Lineare Differenzialgleichungssysteme Ist λ also ein Eigenwert mit algebraischer Vielfachheit k > 1, so gibt es nicht entsprechend viele unabhäñgige Lösungen der Gestalt e λt v. Vielmehr lösen hier ohne Beweis die k Quasipolynome e λt, te λt,.., t k 1 e λt (11) die Gleichung (8). Ist λ = α ± iω komplex, so ergeben sich daraus die reellen Lösungen t l e αt cos ωt, t l e αt sin ωt, 0 l < k. (12) 16 Satz Ist λ eine k-fache Lösung der charakterischen Gleichung λ n = a 1 λ n 1 + a n 1 λ + a n, so lösen die Funktionen (11) respektive (12) die skalare Differenzialgleichung u (n) = a 1 u (n 1) a n 1 u + a n u. Deren Gesamtheit über alle Lösungen λ bildet ein Fundamentalsystem dieser Gleichung. Im Fall n = 2 erhalten wir wieder die Lösungen von Satz (c)-machobs:
Jürgen Pöschel. dynamische 2009/10
Jürgen Pöschel dynamische s y s t e m e 2009/10 Inhaltsverzeichnis Inhaltsverzeichnis 3 1 Lineare Differenzialgleichungen 1-a Exponentiale linearer Operatoren 6 1-b Die Differenzialgleichung ẋ = Ax 11
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:
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
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.
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
MehrHomogene Systeme in höheren Dimensionen
56 4 Systeme von Differenzialgleichungen gefunden, so sind deren ilder, ' = T, Lösungen in den y-koordinaten. llerdings ist das uffinden einer geeigneten Transformation T gleichbedeutend mit der estimmung
Mehr11.4. Lineare Differentialgleichungen höherer Ordnung
4 Lineare Differentialgleichungen höherer Ordnung Bei vielen geometrischen, physikalischen und technischen Problemen hat man nicht nur eine Funktion (in einer Variablen) und ihre Ableitung zueinander in
MehrDifferentialgleichungen für Ingenieure WS 06/07
Differentialgleichungen für Ingenieure WS 06/07 5. Vorlesung, korrigierte Fassung Michael Karow Themen heute:. Gewöhnliche Lineare Differentialgleichungen. Ordnung mit konstanten Koeffizienten (a) Die
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
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
MehrStabilität linearer Differentialgleichungssysteme 1-1
Stabilität linearer Differentialgleichungssysteme Ein lineares homogenes Differentialgleichungssystem mit konstanten Koeffizienten u = Au, u = (u 1,..., u n ) t, ist Stabilität linearer Differentialgleichungssysteme
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
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,
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
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
Mehr5. Vorlesung Wintersemester
5. Vorlesung Wintersemester 1 Bewegung mit Stokes scher Reibung Ein dritter Weg, die Bewegungsgleichung bei Stokes scher Reibung zu lösen, ist die 1.1 Separation der Variablen m v = αv (1) Diese Methode
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
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrWir wollen Systeme von linearen Differentialgleichungen 1. Ordnung über einem offenen Intervall I R untersuchen:
23 23 Lineare Systeme Wir wollen Systeme von linearen Differentialgleichungen Ordnung über einem offenen Intervall I R untersuchen: y = y A(t + b(t, mit stetigen Abbildungen A : I M n,n (R und b : I R
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
MehrKapitel 11 Eigenwerte und Eigenvektoren
Kapitel Eigenwerte und Eigenvektoren. Problem der Diagonalisierbarkeit Es sei wieder K gleich R oder. Eine n n)-matrix A mit Koeffizienten aus K wird als diagonalisierbar bezeichnet, wenn es eine invertierbare
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,
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
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:
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.
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
Mehr9 Lineare Differentialgleichungen
Mathematik für Ingenieure III, WS 29/2 Mittwoch.2 $Id: linear.tex,v.4 2/2/ :7:45 hk Exp hk $ 9 Lineare Differentialgleichungen 9.3 Differentialgleichungen mionstanten Koeffizienten Während sich allgemeine
MehrAlle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie-
1 Vorbemerkungen Alle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie- benen Vektoren. Wird die Matrix A = ( a 1,..., a n ) mit dem Vektor c = c 1. c n multipliziert,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
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
MehrKlassifikation planarer Systeme
Klassifikation planarer Systeme Dieser Vortrag thematisiert die Klassifikation planarer Systeme. Man klassifiziert planare Systeme um einen besseren Überblick über die verschiedenen Verhaltensweisen von
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
MehrVorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)
Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 15: Eigenwerte und -vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 5. November 2009) Diagonalisierbarkeit
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/
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
MehrDifferentialgleichungen 2. Ordnung
Differentialgleichungen 2. Ordnung 1-E1 1-E2 Einführendes Beispiel Freier Fall Viele Geschichten ranken sich um den schiefen Turm von Pisa: Der Legende nach hat der aus Pisa stammende Galileo Galilei bei
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
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
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
MehrSerie 13. Analysis D-BAUG Dr. Cornelia Busch FS 2016
Analysis D-BAUG Dr. Cornelia Busch FS 2016 Serie 13 1. Prüfungsaufgabe 4, Winter 2014. Bestimmen Sie die Funktion, für die gilt: An jeder Stelle des Definitionsbereichs ist die Steigung des Graphen der
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
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
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,
MehrAllgemeine Mechanik Musterlo sung 5.
Allgemeine Mechanik Musterlo sung 5 U bung HS 203 Prof R Renner Gekoppelte Pendel Wir betrachten ein System aus zwei gleichen mathematischen Pendeln der La nge l = l2 = l mit Massen m = m2 = m im Schwerefeld
Mehrx 2 y + xp(x)y + q(x)y = 0, (1) wobei p(x) = Satz: Falls ρ 1, ρ 2 R, mit ρ 1 ρ 2 so gibt es für 0 < x < R ein Fundamentalsystem von (1) der Gestalt
Kurze Zusammenfassung der Vorlesung 6 Am Anfang werden wir einbisschen mehr den Potenzreihenansatz besprechen. Abgewandelter Potenzreihenansatz In Verallgemeinerung der Eulerschen Differentialgleichung
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
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
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
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
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
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
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
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehrm 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x
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
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
MehrAnalysis 2, Woche 3. Differentialgleichungen I. 3.1 Eine Einleitung
Analysis, Woche 3 Differentialgleichungen I 3 Eine Einleitung Eine Differentialgleichung beschreibt eine Beziehung zwischen Ableitungen einer Funktion oder Vektorfunktion und dieser Funktion selbst Die
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) :=
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
Mehr45 Homogene lineare Differentialgleichungssysteme 1.Ordnung mit konstanten Koeffizienten
45 Homogene lineare Differentialgleichungssysteme.Ordnung mit konstanten Koeffizienten 45. Eigenwerte von A führen zu Lösungen von y = Ay 45.2 Fundamentalmatrix von y = Ay für diagonalisierbares A 45.7
MehrGeometrie kubischer Kurven
Geometrie kubischer Kurven Werner Hoffmann Wir wollen die Theorie nur soweit entwickeln, wie es zum Verständnis der Gruppenoperation auf einer irreduziblen kubischen Kurve nötig ist. Satz 1 In der affinen
Mehr2.2 Eigenwerte und Eigenvektoren
2.2. Eigenwerte und Eigenvektoren 39 2.2 Eigenwerte und Eigenvektoren Lineare Abbildungen werden je nach Basiswahl durch unterschiedliche Matrizen beschrieben. Besonders einfach ist die Diagonalform. Wir
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 =
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)
MehrLineare Differentialgleichungen
Kapitel 3 Lineare Differentialgleichungen 31 Jordansche Normalform In diesem kurzen Abschnitt wiederholen wir einige Begriffe der linearen Algebra Sei A : n n eine lineare Abbildung mit zugehöriger Matrix
Mehr9 Lineare Algebra 2 (SS 2009)
9 Lineare Algebra 2 (SS 2009) Vorbemerkung: Das Einsetzen von quadratischen Matrizen in Polynome. Im folgenden sei R ein kommutativer Ring und R[T] der Polynomring mit Koeffizienten in R (dies ist wieder
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
Mehr1.5 Lineare Differentialgleichungen zweiter Ordnung
16 Kapitel 1. Differentialgleichungen 1.5 Lineare Differentialgleichungen zweiter Ordnung Eine lineare Differentialgleichung zweiter Ordnung hat die Form y +a 1 (x)y +a 0 (x)y = b(x), wobei a 1,a 0,b:I
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
MehrLineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik
Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum
MehrEigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung
Zurück Stand 4.. 6 Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung Im Allgemeinen werden Vektoren durch Multiplikation mit einer Matrix gestreckt und um einen bestimmten Winkel gedreht. Es gibt jedoch
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrKLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008
KLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008 MUSTERLÖSUNG Name: Studiengang: Aufgabe 1 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter die Aufgabenstellung
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
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen (Teschl/Teschl.3,.2 Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
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
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 +
Mehr9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
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
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
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
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
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
MehrLineare Algebra für Physiker 11. Übungsblatt
Lineare Algebra für Physiker 11. Übungsblatt Fachbereich Mathematik SS 01 Prof. Dr. Matthias Schneider./. Juli 01 Dr. Silke Horn Dipl.-Math. Dominik Kremer Gruppenübung Aufgabe G1 (Minitest) (a) Welche
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07.03.2016-11.03.2016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Darstellungsmatrizen 2 2 Diagonalisierbarkeit
MehrEigenwerttheorie. Martin Gubisch Lineare Algebra I WS 2007/2008
Eigenwerttheorie Martin Gubisch Lineare Algebra I WS 27/28 Motivation Gegeben seien ein K-Vektorraum V der Dimension n < und eine K-lineare Abbildung f : V V Wir suchen eine Basis V = v 1,, v n von V,
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrLösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
MehrLineare Differenzialgleichungen n-ter Ordnung mit konstanten Koeffizienten
Lineare Differenzialgleichungen n-ter Ordnung mit konstanten Koeffizienten Wir betrachten nun Lu = u (n) + a n 1 u (n 1) +... + a 1 u + a 0 u = b(t) wobei a 0, a 1,..., a n 1 R. Um ein FS für die homogene
MehrKapitel 5 (Ebene autonome Systeme) Abschnitt 5.1 (Reduktion auf skalare Di.gleichungen)
Abschnitt 5.1 Reduktion auf skalare Differenzialgleichungen 33 Kapitel 5 Ebene autonome Systeme Abschnitt 5.1 Reduktion auf skalare Di.gleichungen Aufgabe 1, Seite 190 Das gegebene System besitzt oensichtlich
MehrEigenwerte und Eigenvektoren
Vortrag Gmnasium Birkenfeld Von der mathematischen Spielerei zur technischen Anwendung Vortrag Gmnasium Birkenfeld. Vektoren und Matrizen Wir betrachten einen Punkt P (, ) in der Ebene eines rechtwinklig
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
Mehr