6 Systeme mit mehreren Freiheitsgraden

Größe: px
Ab Seite anzeigen:

Download "6 Systeme mit mehreren Freiheitsgraden"

Transkript

1 6 Systeme mit mehreren Freiheitsgraden 6.. Steifigkeitsformulierung 6. Formulierung der Bewegungsgleichung 6.. Gleichgewichtsformulierung Die Freiheitsgrade sind die horizontalen Verschiebungen und u auf Höhe der Massen m und m Steifigkeitsmatrix K k k ( k k ) k k k k k (6.5) Einheitsverschiebung Einheitsverschiebung u m u c u k f () t c ( u u ) k ( u ) m u c ( u u ) k ( u ) f () t (6.) m u ( c c )u c u ( k k ) k u f () t m u c u c u k k u f () t (6.) m m u u ( c c ) c u c c u ( k k ) k k k u f () t f () t (6.3) Mu Cu Ku f() t (6.4) Alessandro Dazio 9 Alessandro Dazio 3

2 Massenmatrix M M m m Bewegungsgleichung m m u u ( k k ) k k k u (6.6) (6.7) Anhand der Arbeitsgleichung kann die Einsenkung Δ die am Ort d infolge einer Einheitskraft F am Ort a entsteht, berechnet werden. Δαδ (, ) αδα δ F ( ) - 3 mit α -- a d und δ -- (6.9) 6 Die Nachgiebigkeitsmatrix besteht aus folgenden Elementen: u DF (6.) Mu Ku 6..3 Nachgiebigkeitsformulierung (6.8) d d F u d d F (6.) Anhand von Gleichung (6.9) können die Faktoren d ij berechnet werden: d Δ( 3, 3) (6.) d Δ( 3, 3) (6.3) Nachgiebigkeitsmatrix D d Δ( 3, 3) (6.4) d Δ( 3, 3) (6.5) Und die Nachgiebigkeitsmatrix D wird D (6.6) Alessandro Dazio 3 Alessandro Dazio 3

3 Steifigkeitsmatrix K K D (6.7) 6..6 Direct Stiffness Method Steifigkeitsmatrix eines Balkenelements Massenmatrix M m M m Bewegungsgleichung (6.8) Die Steifigkeitsmatrix K eines Balkenelements mit konstanter Biege- und Dehnsteifigkeit ist bekanntlich: m m u u Mu 6..4 Prinzip der virtuellen Arbeit Siehe [Web] 6..5 Energieformulierung Ku Siehe [Web] u (6.9) (6.) F F F F 3 F 4 F 5 F 6 Ku EA EA EA EA u u 5 u 6 (6.) (6.) Wenn die axiale Dehnung des Stabs nicht berücksichtigt wird, vereinfacht sich die Matrix wie folgt: Alessandro Dazio 33 Alessandro Dazio 34

4 Bewegungsgleichung: K 3 Beispiel Kragarm (6.3) m m -- m m -- u u u u (6.5) (6.6) Statische Kondensierung: Zusammenstellen der Steifigkeitsmatrix: F F F 3 F u (6.4) m m -- m tt u u k tt k t k t k 3 u u (6.7) (6.8) mit Alessandro Dazio 35 Alessandro Dazio 36

5 m tt k tt k t u k t k u (6.9) kˆ tt (6.36) Aus der zweiten Zeile von Gleichung (6.9) kann folgender Ausdruck hergeleitet werden: u k kt (6.3) Durch Einsetzen von : kˆ tt (6.37) Durch Einsetzen von Gleichung (6.3) in der ersten Zeile von Gleichung (6.9) bekommt man: m tt m tt k tt k t k und mit : m tt m tt kt ( k tt k t k kt ) k t k tt k t k tkkt ( ) kˆ tt kkt (6.3) (6.3) (6.33) mit kˆ tt k tt k t (6.34) Wobei kˆ tt die kondensierte Steifigkeitsmatrix ist, und in unserem Fall beträgt sie: kˆ tt (6.35) Die endgültige Bewegungsgleichung des Kragarms ist deshalb: m -- m -- 4 Bemerkungen (6.38) Die Direct Stiffness Method wird bei der Finiten Elemente Methode verwenden. Die Herleitung der Steifigkeitsmatrix K eines Balkenelements und Hinweise zur Zusammenstellung der Steifigkeitsmatrix von ragwerken sind in folgender iteratur zu finden: [Prz85] [Bat96] Przemieniecki J.S.: heory of Matrix Structural Analysis. Dover Publications, New York 985. Bathe K-J.: Finite Element Procedures. Prentice Hall, Upper Saddle River, 996. Alessandro Dazio 37 Alessandro Dazio 38

6 6. Freie Schwingungen 6.. Eigenschwingungen Mu Ku ösungsansatz: (6.39) u() t q n ()φ t n wobei q n () t A n cos( ω n B n sin( ω n (6.4) Durch zweimal Ableiten: qn () t ω n[ An cos( ω n B n sin( ω n ] ω nqn () t u () t ω nqn () t φ n (6.4) (6.4) Durch Einsetzen von Gleichungen (6.4) und (6.4) in (6.39): Auch im Fall von Gleichung (6.45) gibt es immer die triviale ösung φ n, die eine Absenz von Bewegung bedeutet. Falls die Matrix A eine Inverse A besitzt, kann Gleichung (6.45) wie folgt umgeformt werden: Aφ A n A und deshalb: φ n (6.46) (6.47) Das bedeutet, wenn die Matrix A eine Inverse A besitzt, hat Gleichung (6.45), bzw. Gleichung (6.44), nur die triviale ösung von Gleichung (6.47). Die Inverse der Matrix A hat die Form: [ ω nmφn Kφ n ]q n () t (6.43) -Â A A (6.48) Gleichung (6.43) ist erfüllt wenn q n () t. Es handelt sich dabei um eine triviale ösung. Dies bedeutet, dass keine Bewegung stattfindet, da u() t q n ()φ t n. Um keine triviale ösung zu bekommen muss deshalb der Klammerausdruck in Gleichung (6.43) Null sein: Oder: [ ω nm K]φn (6.44) Aφ n mit A ω nm K (6.45) Wenn die Determinante A gleich Null ist, dann ist die Matrix singulär und besitzt keine Inverse. Gleichung (6.44) hat deshalb nur eine nicht-triviale ösung wenn: ω nm K (6.49) Die Determinante ergibt ein Polynom N-tes Grads in ω n, die charakteristische Gleichung genannt wird. Die N Nullstellen der charakteristischen Gleichung werden Eigenwerte genannt und daraus können die N Eigenkreisfrequenzen ω n des Systems berechnet werden. Alessandro Dazio 39 Alessandro Dazio 4

7 Wenn die Eigenkreisfrequenzen ω n bekannt sind, können bis auf einer multiplikativen Konstante die Vektoren φ n aus Gleichung (6.44) bestimmt werden. Es gibt N unabhängige Vektoren die auch als Eigenvektoren bezeichnet werden. Zusammenfassung Ein Mehrmassenschwinger mit N -Freiheitsgrade hat N Eigenkreisfrequenzen ω n ( n,, 3,, N ) und N Eigenvektoren. Jeder Eigenvektor hat N Elementen. Die Eigenkreisfrequenzen sind steigend angeordnet ( ω < ω < < ω n ) Eigenkreisfrequenzen und Eigenvektoren sind Eigenschaften des Mehrmassenschwingers und sind nur von seinen Masse- Steifigkeitseigenschaften abhängig. Der Index n bezeichnet die Numerierung der Eigenschwingung und die erste Eigenschwingung ( n ) wird als Grundschwingung bezeichnet. 6.. Beispiel Zweimassenschwinger Es wird jetzt ein regelmässiges Zweimassenschwinger berücksichtigt mit m m m und k k k Die Bewegungsgleichung geht Gleichung (6.7) hervor: m u u k Eigenwerte Die Eigenwerte werden aus der Determinante berechnet: Man erhält eine quadratische Gleichung in u (6.5) (6.5) 4 ( k ω nm) ( k ωnm) ( k) ( k) m ωn 3kmω n k (6.5) und die beide ösungen ergeben die Eigenwerte (6.53) Zu jedem der beiden Eigenwerte lässt sich ein Eigenvektor und eine Eigenkreisfrequenz bestimmen Grundschwingung 3 Mit dem kleineren Eigenwert ω -- 5 k --- erhält man die m k ω K ω nm nm k k k ω nm 3km ± 9k m 4k m 3 ± 5 k ω n m --- m ω n ω n 3 5 k. Eigenkreisfrequenz ω k (6.54) m m --- Alessandro Dazio 4 Alessandro Dazio 4

8 Indem man den Eigenwert in das Gleichungssystem ω 3 k -- 5 k --- m k m φ [ K ω M]φ 3 5 k k k m φ m (6.55) einsetzt, erhält man zwei voneinander abhängige Gleichungen, mit denen die Form des. Eigenvektors φ bestimmt werden kann. Die erste Zeile ergibt die Gleichung: ( 5)k ( 5) φ und (6.56) kφ φ ----φ Durch Einsetzen in der zweiten Zeile: Schwingung Freiheitsgrad Höhere Schwingung Grundschwingung: 3 5 k ω k m m --- φ φ -- 5 φ.68 Es kann wie bei der Grundschwingung vorgegangen werden und es ergeben sich folgende Resultate: kφ ( 5)k ( 5) φ kφ kφ φ φ (6.57) Wie erwartet ist der Eigenvektor bis auf eine multiplikative Konstante bestimmt und kann deshalb beliebig normiert werden und zwar: dass das grösste Element des Eigenvektors gleich Eins ist dass ein gegebenes Element des Eigenvektors gleich Eins ist... Schwingung Freiheitsgrad Höhere Schwingung 3 ω 5 -- k k m m --- φ φ φ Alessandro Dazio 43 Alessandro Dazio 44

9 Freie Schwingung des Zweimassenschwingers Gemäss Gleichung (6.4) ist die freie Schwingung des Zweimassenschwingers: u [ C cos( ω C sin( ω ]φ [ C 3 cos( ω C 4 sin( ω ]φ (6.58) [ C cos( ω C sin( ω ] φ u C 3 φ [ cos( ω C 4 sin( ω ] φ φ (6.59) Fall : u.68, u., v v Verschiebung u [m] Erste Eigenform Zweite Eigenform Gesamtverschiebung Noch unbekannt sind die Konstanten C bis C 4, die anhand der Anfangsbedingungen von Gleichung (6.6) bestimmt werden können: ( ) u u ( ) u Anfangsbedingungen: (6.6) u ( ) v u ( ) v Die Konstanten werden zu: φ u φ u φ C, v φ v C (6.6) φ φ φ φ - ( φ φ φ φ )ω φ u φ u φ C 3, v φ v C (6.6) φ φ φ φ 4 - ( φ φ φ φ )ω Verschiebung u [m] Zeit [s] Erste Eigenform Zweite Eigenform Gesamtverschiebung 5 5 Zeit [s] Alessandro Dazio 45 Alessandro Dazio 46

10 Fall : u., u.68, v v Fall 3: u.68, u., v v Verschiebung u [m] Erste Eigenform Zweite Eigenform Gesamtverschiebung Verschiebung u [m] Erste Eigenform Zweite Eigenform Gesamtverschiebung Zeit [s] Zeit [s] Verschiebung u [m] Erste Eigenform Zweite Eigenform Gesamtverschiebung Verschiebung u [m] Erste Eigenform Zweite Eigenform Gesamtverschiebung Zeit [s] Zeit [s] Alessandro Dazio 47 Alessandro Dazio 48

11 6.3 Modalmatrix und Spektralmatrix Alle N-Eigenwerte und alle N-Eigenvektoren können kompakt mit Matrizen ausgedrückt werden: Modalmatrix Φ [ ] φ jn Spektralmatrix Ω φ ω ω ω N φ φ N φ φ φ N φ N φ N φ NN Gleichung (6.44) kann wie folgt umgeformt werden: Kφ n Mφ n ω n (6.63) (6.64) (6.65) Und es wird sofort ersichtlich, dass die Bestimmungsgleichung für alle Eigenwerte und alle Eigenvektoren anhand der Modalund der Spektralmatrix ausgedrückt werden kann und zwar wie folgt: KΦ MΦΩ (6.66) 6.4 Eigenschaften der Eigenvektoren 6.4. Orthogonalität der Eigenvektoren Die Orthogonalitätsbedingungen der Eigenvektoren lauten: φ n Kφr und φ n Mφr für n r (6.67) und können anhand von Gleichung (6.65) nachgewiesen werden. Gleichung (6.65) soll zuerst für den Vektor n aufgestellt und auf beiden Seiten mit vormultipliziert werden: φ r Kφn ω n φ r Mφn φ r (6.68) Gleichung (6.68) soll transponiert werden und dabei sollen die Eigenschaften der symmetrischen Matrizen K K und M M verwendet werden: φ n Kφr (6.69) Gleichung (6.65) soll jetzt für den Vektor r aufgestellt und auf beiden Seiten mit vormultipliziert werden : φ n Kφr ω n φ n Mφr φ n ω r φ n Mφr (6.7) Gleichung (6.7) kann jetzt von Gleichung (6.69) abgezählt werden zu: ω n ω ( r )φ n Mφr (6.7) Alessandro Dazio 49 Alessandro Dazio 5

12 Falls die Eigenwerte verschieden sind, ist ( ω n ω r ) für n r und der Ausdruck φ n Mφr muss verschwinden. Falls ein Eigenwert mehrfach vorkommt, sind die entsprechenden Eigenvektoren linear unabhängig und können so gewählt werden, dass sie orthogonal sind (Beweis komplizier. Somit wird gezeigt, dass für n r φ n Mφr ist. Der Nachweis, dass für n r φ n Kφr wird, wird unter Berücksichtigung von Gleichung (6.7) erbracht. Wir haben bereits gesehen, dass für n r die rechte Seite von Gleichung (6.7) gleich Null ist, dann soll auch die linke Seite von Gleichung (6.7) Null sein, was den gesuchten Nachweis erbringt. Beispiel Zweimassenschwinger Die Orthogonalität der Eigenvektoren des Zweimassenschwingers von Abschnitt 6.. wird überprüft: Bezüglich der Massenmatrix φ Mφ -- m -- m( 5 5) 5 5 m ( 5).38m (6.7) φ Mφ -- m 5 m 5 -- (6.73) φ Mφ 5 m m (6.74) φ Mφ 5 m m -- m ( ).38m (6.75) Bezüglich der Steifigkeitsmatrix φ Kφ -- k k -- k( 5 5) k k ( 5).58k (6.76) φ Kφ -- 5 k k k k -- 5 (6.77) φ Kφ 5 k k k k (6.78) φ Kφ 5 k k k -- k k 5 -- ( ) 3.68k (6.79) Alessandro Dazio 5 Alessandro Dazio 5

13 6.4. ineare Unabhängigkeit der Eigenvektoren Die Eigenvektoren sind linear unabhängig. Um dies zu beweisen, muss gezeigt werden, dass wenn α φ α φ α n φ n (6.8) alle α i müssen null sein. Wir multiplizieren von links mit φ i M und erhalten φ i M ( α φ α φ α n φ n ) φ i Mφi α i (6.8) Da φ i Mφi, muss α i, deshalb sind die Eigenvektoren linear unabhängig. Die Eigenschaft, dass die Eigenvektoren linear unabhängig sind, ist deshalb wichtig, da sie erlaubt einen beliebigen Verschiebungsvektor u als inearkombination aus den Eigenvektoren zu bilden Entkoppelung der Bewegungsgleichung Die Bewegungsgleichung für freie Schwingungen ist Mu Ku und als ösungsansatz kann der Verschiebungsvektor u() t q i ()φ t i i angenommen werden. Wobei: (6.8) (6.83) φ i q i : linear unabhängige Eingenvektoren des Systems : modale Koordinaten Der Verschiebungsvektor u() t und seine zweifache Ableitung (6.84) können in Gleichung (6.8) eingesetzt werden und diese soll links mit multipliziert werden: (6.85) Wegen der Orthogonalitätsrelationen bleibt von der Summe nur ein erm: wobei: u () t qi()φ t i i φ n φ n M qi ()φ t i φ K n qi ()φ t i i φ n Mφn qn () t φ n Kφn q n () t i (6.86) Modale Masse: m* n φ n Mφn (6.87) Modale Steifigkeit: k* n φ n Kφn (6.88) und Gleichung (6.86) kann wie folgt geschrieben werden: m * n qn () t k n * q n () t (6.89) Wir können für jedes n eine solche Gleichung aufstellen, was zu N entkoppelten Einmassenschwingern führt und die tatsächliche Verschiebung wird zusammengesetzt aus: Alessandro Dazio 53 Alessandro Dazio 54

14 In Matrizenschreibweise: mit N u() t q i ()φ t i n m * Φ MΦ und K * Φ KΦ m* n Beispiel Zweimassenschwinger (6.9) q () t u() t Φq() t mit q (6.9) q N () t M * q M * K * q k * k* n (6.9) (6.93) Die modalen Massen und die modalen Steifigkeiten des Zweimassenschwingers von Abschnitt 6.. wurden bereits während der Kontrolle der Orthogonalität der Eigenvektoren überprüft (siehe Gleichungen (6.7), (6.75), (6.76) und (6.79)) und betragen: m* m( 5 5) φ Mφ ( 5).38m (6.94) k* k( 5 5) φ Kφ -- ( 5).58k k* k φ Kφ -- ( 5 5) 3.68k Erster modaler Einmassenschwinger: m * q () t k * q () t.38mq () t.58kq () t k* ω.58k k.38m m --- m * (6.96) (6.97) (6.98) (6.99) (6.) Die Eigenkreisfrequenz entspricht Gleichung (6.54) dieses Kapitels Zweiter modaler Einmassenschwinger: m * q () t k * q () t.38mq () t 3.68kq () t k* ω 3.68k k.38m m --- m * Die Eigenkreisfrequenz entspricht das Resultat auf Seite 44. (6.) (6.) (6.3) m* m φ Mφ --- ( 5 5).38m (6.95) Alessandro Dazio 55 Alessandro Dazio 56

3.6 Eigenwerte und Eigenvektoren

3.6 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

Mehr

Exkurs: Eigenwertproblem

Exkurs: Eigenwertproblem 1 von 7 29.11.2008 16:09 Exkurs: Eigenwertproblem Bei der Faktorenanalyse tritt das Eigenwertproblem auf. Man spricht von einem Eigenwertproblem wenn das Produkt zwischen einer Matrix und einem Vektor

Mehr

3. Erzwungene Schwingungen

3. Erzwungene Schwingungen 3. Erzwungene Schwingungen 3.1 Grundlagen 3.2 Tilger 3.3 Kragbalken 3.4 Fahrbahnanregung 3.3-1 3.1 Grundlagen Untersucht wird die Antwort des Systems auf eine Anregung mit harmonischem Zeitverlauf. Bewegungsgleichung:

Mehr

Kapitel 7 Generalisierte Koordinaten und dynamische Antwortrechnung

Kapitel 7 Generalisierte Koordinaten und dynamische Antwortrechnung Kapitel 7 Generalisierte Koordinaten und dynamische Antwortrechnung In Kap. 4 wurden am Beispiel von Zwei- und Mehrmassenschwingern dynamische Antwortrechnungen durchgeführt. Dabei zeigte sich, dass bei

Mehr

Eigenwerte und Eigenvektoren

Eigenwerte 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

Mehr

3. Fluid-Struktur-Kopplung

3. Fluid-Struktur-Kopplung 3. Fluid-Struktur-Kopplung Bei einer schwingenden Struktur muss die Normalkomponente der Schallschnelle mit der Normalkomponente der Geschwindigkeit an der Oberfläche der Struktur übereinstimmen. Dadurch

Mehr

eine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.

eine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ. Eigenwert, Eigenvektor In der Regel hat bei einer linearen Abbildung das Bild eines Vektors eine andere Richtung als das Original r. Bei der Untersuchung der geometrischen Eigenschaften von linearen Abbildungen

Mehr

Baudynamik (Master) SS 2017

Baudynamik (Master) SS 2017 Baudynamik (Master) SS 7 3. Schwingungen mit zwei und mehr Freiheitsgraden 3. Einige Prinzipien der Mechanik und Herleitung der Schwingungsgleichungen 3.. Einige Prinzipien der Mechanik 3.. Herleitung

Mehr

Lineare Algebra: Determinanten und Eigenwerte

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

Mehr

Baudynamik (Master) SS 2014

Baudynamik (Master) SS 2014 Baudynamik (Master) SS 14 3. Schwingungen mit zwei und mehr Freiheitsgraden 3.1 Einige Prinzipien der Mechanik und Herleitung der Schwingungsgleichungen 3.1.1 Einige Prinzipien der Mechanik 3.1. Herleitung

Mehr

Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT

Lösungen 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

Mehr

Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT

Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende

Mehr

47 Singulärwertzerlegung

47 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

Mehr

Mathematik II Frühjahrssemester 2013

Mathematik 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

Mehr

Tutorium Mathematik II, M Lösungen

Tutorium 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 +

Mehr

5.1 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

5.1 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

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 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,

Mehr

Diagonalisierbarkeit symmetrischer Matrizen

Diagonalisierbarkeit symmetrischer Matrizen ¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren

Mehr

Musterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen

Musterlösungen 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

Mehr

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1

18 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

Mehr

Lineare Algebra II Lösungen der Klausur

Lineare Algebra II Lösungen der Klausur Prof Dr K Doerk 673 Jens Mandavid Christian Sevenheck Lineare Algebra II Lösungen der Klausur (a Diese Aussage ist richtig, sie stimmt nämlich für k = Sei nämlich n N beliebig und bezeichne N die Menge

Mehr

Mathematik I für MB und ME

Mathematik I für MB und ME Mathematik I für MB und ME Fachbereich Grundlagenwissenschaften Prof Dr Viola Weiÿ Wintersemester 28/29 Übungsaufgaben Serie 4: Lineare Unabhängigkeit, Matrizen, Determinanten, LGS Prüfen Sie, ob die folgenden

Mehr

BC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2

BC 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

Mehr

Mathematik I+II Frühlingsemester 2019 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren

Mathematik I+II Frühlingsemester 2019 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Mathematik I+II Frühlingsemester 219 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 46 8. Lineare Algebra: 5. Eigenwerte und

Mehr

1. Aufgabe: (ca. 14% der Gesamtpunkte)

1. Aufgabe: (ca. 14% der Gesamtpunkte) Institut für Mechanik Prof. Dr.-Ing. habil. P. Betsch Prof. Dr.-Ing. habil. Th. Seelig Prüfung in Baudynamik 23. Juli 2018 1. Aufgabe: (ca. 14% der Gesamtpunkte) a) Geben Sie Amplitude, Frequenz und Phasenverschiebung

Mehr

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren

Mathematik 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/

Mehr

Eigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)

Eigenwerte. 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

Mehr

Baudynamik und Zustandsanalyse

Baudynamik und Zustandsanalyse Baudynamik und Zustandsanalyse Eine Einführung in die Baudynamik mit Mathematica Das vorliegende Skript wurde im Original mit dem Programmsystem MATHEMATICA von WOLFRAM-Research [http://www.wolfram.com]

Mehr

Lösungen der Aufgaben zu Kapitel 11

Lösungen der Aufgaben zu Kapitel 11 Lösungen der Aufgaben zu Kapitel Vorbemerkung: Zur Bestimmung der Eigenwerte (bzw. des charakteristischen Polynoms) einer (, )-Matrix verwenden wir stets die Regel von Sarrus (Satz..) und zur Bestimmung

Mehr

51 Numerische Berechnung von Eigenwerten und Eigenvektoren

51 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,

Mehr

k = 1, 2,..., n (4.44) J k ϕ

k = 1, 2,..., n (4.44) J k ϕ 236 4 Torsionsschwinger und Längsschwinger ( J1 J2) M J M J2/ J1= 02, 10 0,5 8 1 + 6 2 max 4 5 2 10 2 bezogenes Moment 0 Bild 45 1 2 5 10 relatives Spiel ctϕ S/ M10 Maximales Moment infolge Spiel im Antrieb

Mehr

MC-Serie 11: Eigenwerte

MC-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

Mehr

2. Modalanalyse. Die Ermittlung der Eigenschwingungen wird als Modalanalyse bezeichnet. Die Modalanalyse kann experimentell oder rechnerisch erfolgen.

2. Modalanalyse. Die Ermittlung der Eigenschwingungen wird als Modalanalyse bezeichnet. Die Modalanalyse kann experimentell oder rechnerisch erfolgen. 2. Modalanalyse Die Ermittlung der Eigenschwingungen wird als Modalanalyse bezeichnet. Die Modalanalyse kann experimentell oder rechnerisch erfolgen. Die experimentelle Modalanalyse von Flugzeugen erfolgt

Mehr

Mathematik I für MB/ME

Mathematik I für MB/ME Mathematik I für MB/ME Fachbereich Grundlagenwissenschaften Prof Dr Viola Weiÿ Wintersemester 25/26 Übungsaufgaben Serie 4: Lineare Unabhängigkeit, Matrizen, Determinanten, LGS Prüfen Sie, ob die folgenden

Mehr

1 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 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

Mehr

Hilfsblätter Lineare Algebra

Hilfsblätter 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,

Mehr

Lineare 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. 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

Mehr

7.4 Gekoppelte Schwingungen

7.4 Gekoppelte Schwingungen 7.4. GEKOPPELTE SCHWINGUNGEN 333 7.4 Gekoppelte Schwingungen Als Beispiel für 2 gekoppelte Schwingungen betrachten wir das Doppelpendel, das in Abb. 7.19 dargestellt ist. Zunächst vernachlässigen wir die

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte 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.

Mehr

Lineare Algebra und Numerische Mathematik D-BAUG. Winter 2013 Prof. H.-R. Künsch. , a R. det(a) = 0 a = 1.

Lineare Algebra und Numerische Mathematik D-BAUG. Winter 2013 Prof. H.-R. Künsch. , a R. det(a) = 0 a = 1. b Musterlösung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice) Gegeben sei die folgende Matrix Winter 3 Prof. H.-R. Künsch A = a a) deta) = genau dann wenn gilt x a =. a =. ), a R. x

Mehr

Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren

Kapitel 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

Mehr

x y Kenner der Kegelschnitte werden hier eine Ellipse erkennen, deren Hauptachsen aber nicht mit der Richtung der Koordinatenachsen zusammenfallen.

x y Kenner der Kegelschnitte werden hier eine Ellipse erkennen, deren Hauptachsen aber nicht mit der Richtung der Koordinatenachsen zusammenfallen. Matrizen / ensoren - eil ensoren - zweidimensionales Beispiel um das Eigenwertproblem zu verdeutlichen hier als Beispiel ein zweidimensionales Problem die entsprechenden Matrizen und Determinanten haben

Mehr

13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN

13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN 13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix

Mehr

Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie und Erziehungswissenschaften Blatt 2

Mathematik 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

Mehr

T2 Quantenmechanik Lösungen 7

T2 Quantenmechanik Lösungen 7 T2 Quantenmechanik Lösungen 7 LMU München, WS 7/8 7.. Lineare Algebra Prof. D. Lüst / Dr. A. Schmidt-May version: 28.. Gegeben sei ein komplexer Hilbert-Raum H der Dimension d. Sei { n } mit n,..., d eine

Mehr

10. Übung zur Linearen Algebra II -

10. Übung zur Linearen Algebra II - 0. Übung zur Linearen Algebra II - Lösungen Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 7 Der ( linearen ) Abbildung ϕ : R R sei bzgl. der kanonischen Basis die Matrix zugeordnet.

Mehr

1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6

1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6 Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................

Mehr

Systeme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.

Systeme 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

Mehr

Maschinendynamik. Klausur Frühjahr Name: Matrikel-Nr.:

Maschinendynamik. Klausur Frühjahr Name: Matrikel-Nr.: Maschinendynamik Klausur Frühjahr 2009 Name: Matrikel-Nr.: Punkte Aufgabe 1 Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 erreichte Punkte mögliche Punkte 60 Maschinendynamik Klausur Frühjahr 2009

Mehr

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter

Mehr

Eigenwerte (Teschl/Teschl 14.2)

Eigenwerte (Teschl/Teschl 14.2) Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =

Mehr

Mathematik für Naturwissenschaftler II SS 2010

Mathematik für Naturwissenschaftler II SS 2010 Mathematik für Naturwissenschaftler II SS 2010 Lektion 19 8. Juli 2010 Kapitel 14. Gewöhnliche Differentialgleichungen zweiter Ordnung 14.1 Systeme gewöhnlicher linearer Differentialgleichungen erster

Mehr

Übungen zur Vorlesung Lineare Algebra II, SoSe 2016, Blatt 1

Übungen zur Vorlesung Lineare Algebra II, SoSe 2016, Blatt 1 Übungen zur Vorlesung Lineare Algebra II, SoSe 216, Blatt 1 Mündliche Aufgaben Die Aufgaben aus diesem Blatt bestehen zu einem großen Teil aus den Aufgaben von Blatt 13 der LA1. Sie dienen vor allem der

Mehr

Analysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit

Analysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare 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

Mehr

WS 2014/15 FINITE-ELEMENT-METHODE JUN.-PROF. D. JUHRE

WS 2014/15 FINITE-ELEMENT-METHODE JUN.-PROF. D. JUHRE Approximation der äußeren virtuellen Arbeit Die virtuelle Arbeit der äußeren Lasten lässt sich als Funktion der vorgeschriebenen Knotenlasten N i 1 und der vorgeschriebenen Streckenlast p 1 ξ 1 angeben.

Mehr

D-MAVT Lineare Algebra I HS 2018 Prof. Dr. N. Hungerbühler. Lösungen = A 4 3 6

D-MAVT Lineare Algebra I HS 2018 Prof. Dr. N. Hungerbühler. Lösungen = A 4 3 6 D-MAVT Lineare Algebra I HS 28 Prof. Dr. N. Hungerbühler Lösungen. Gegeben seien die Matrizen A := ( 2 3 3 ), B := Welche der folgenden Aussagen sind richtig? (a) (AB) T = A T B T. 5 3 2 6 Die Formel (AB)

Mehr

Fachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen

Fachbereich 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

Mehr

Universität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n

Universität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine

Mehr

Institut für Analysis und Scientific Computing E. Weinmüller WS 2017

Institut für Analysis und Scientific Computing E. Weinmüller WS 2017 Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.

Mehr

Drehachse und Drehwinkel

Drehachse und Drehwinkel Drehachse und Drehwinkel Jede Drehung Q im R 3 besitzt eine Drehachse, d.h. lässt einen Einheitsvektor u invariant, und entspricht einer ebenen Drehung um einen Winkel ϕ in der zu u orthogonalen Ebene.

Mehr

7. Gekoppelte Harmonische Schwingungen

7. Gekoppelte Harmonische Schwingungen 7. Gekoppelte Harmonische Schwingungen Ausgehend von einer allgemeinen Lagrange-Funktion wollen wir in harmonischer Näherung die Eigenrequenzen und Eigenschwingungen eines Systems mit vielen Freiheitsgraden

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Aussagenlogik. 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

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs 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

Mehr

Lösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:

Lösung 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

Mehr

Analysis. Lineare Algebra

Analysis. Lineare Algebra Analysis Ableitung Ableitungsregeln totale und partielle Ableitung Extremwertbestimmung Integrale partielle Integration Substitution der Variablen Koordinatentransformationen Differentialgleichungen Lineare

Mehr

Wirtschaftsmathematik Formelsammlung

Wirtschaftsmathematik Formelsammlung Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2019 (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) = a 2 b 2 Fakultät (Faktorielle) n! = 1 2 3 4 (n 1) n Intervalle

Mehr

Matrizen und Determinanten, Aufgaben

Matrizen und Determinanten, Aufgaben Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen

Mehr

Hauptachsentransformation: Eigenwerte und Eigenvektoren

Hauptachsentransformation: 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

Mehr

4 Funktionenfolgen und normierte Räume

4 Funktionenfolgen und normierte Räume $Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei

Mehr

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)

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) 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)

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013

Aussagenlogik. 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

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019 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

Mehr

Aussagenlogik. 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. 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

Mehr

Mathematik 2 für Naturwissenschaften

Mathematik 2 für Naturwissenschaften Hans Walser Mathematik 2 für Naturwissenschaften Spender A B AB 0 Empfänger A B AB 0 1 0 0 0 1 0 1 1 1 0 0 0 1 1 1 1 1 verträglich 0 unverträglich Modul 210 Koordinatensysteme. Matrizen Lernumgebung Hans

Mehr

Institut für Analysis und Scientific Computing E. Weinmüller WS 2017

Institut für Analysis und Scientific Computing E. Weinmüller WS 2017 Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.

Mehr

Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 7 (7.8.7). Gegeben ist die Matrix A 3 3 3 (a) Bestimmen Sie sämtliche Eigenwerte sowie die zugehörigen Eigenvektoren.

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2

Mehr

(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.

(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

Mehr

Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen

Mathematik 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

Mehr

6 Metrische Klassifikation der Quadriken

6 Metrische Klassifikation der Quadriken 6 Metrische Klassifikation der Quadriken A Wiederholung von Kap V, 5 Sei A = (a ij ) eine symmetrische n n Matrix. n x 1 q(x) := x t Ax = a ij x i x j, x =. i,j=1 ist dann ein quadratisches Polynom in

Mehr

45 Eigenwerte und Eigenvektoren

45 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.

Mehr

Kapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42

Kapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich

Mehr

Blatt 10 Lösungshinweise

Blatt 10 Lösungshinweise Lineare Algebra und Geometrie I SS 05 Akad. Rätin Dr. Cynthia Hog-Angeloni Dr. Anton Malevich Blatt 0 Lösungshinweise 0 0 Aufgabe 0. Es seien die Vektoren u =, v = und w = in R gegeben. a # Finden Sie

Mehr

a 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:

a 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

Mehr

Für das Allgemeine lineare Gleichungssystem mit n linearen Gleichungen und n Unbekannten

Für das Allgemeine lineare Gleichungssystem mit n linearen Gleichungen und n Unbekannten Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 008 6. Januar.009 Kapitel 6 Leontieff Modell, Lineare

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch

Mehr

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014 Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................

Mehr

1 Matrizenrechnung zweiter Teil

1 Matrizenrechnung zweiter Teil MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07032016-11032016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Lineare Abbildungen 2 11 Homomorphismus 2 12 Kern

Mehr

Probeklausur zu Mathematik 2 für Informatik

Probeklausur zu Mathematik 2 für Informatik Gunter Ochs Wintersemester 4/5 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immer ohne Garantie auf Fehlefreiheit. Gegeben sei das Dreieck im R mit den Eckpunkten A a Berechnen Sie die

Mehr

3 Matrizenrechnung. 3. November

3 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

Mehr

Aufgabe Summe Note Punkte

Aufgabe Summe Note Punkte Fachhochschule Südwestfalen - Meschede Prof. Dr. Henrik Schulze Klausur Ingenieurmathematik am. September 5 (mit Lösungen) Name Matr.-Nr. Vorname Unterschrift Aufgabe 3 5 7 Summe Note Punkte Die Klausur

Mehr

3 Lineare Gleichungen

3 Lineare Gleichungen Aufgabe 3. Man löse die lineare Gleichung a 2 x b 2 a a(b ax) b + b2 a = a, a b nach der Unbekannten x auf und diskutiere die möglichen Fälle. a 2 x b 2 a a(b ax) b + b2 a = a a b a 2 bx b 3 a 2 b + a

Mehr

7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?

7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden? Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist

Mehr