Stabilność liniowych uk ladów sterowania

Wielkość: px
Rozpocząć pokaz od strony:

Download "Stabilność liniowych uk ladów sterowania"

Transkrypt

1 Stabilność liniowych uk ladów sterowania Stabilność uk ladów z czasem ci ag lym W teorii stabilności uk ladów sterowania badamy wrażliwość trajektorii stanu na zaburzenia stanu pocz atkowego. Interesuje nas czy odchylenie rozwi azania równania zaburzonego od rozwi azania równania pierwotnego bȩdzie zanikać z up lywem czasu (w tym przypadku uk lad sterowania określamy jako stabilny asymptotycznie), czy też odchylenie to bȩdzie pozostawać w pewnym otoczeniu rozwi azania równania pierwotnego (w tym przypadku uk lad sterowania określamy jako stabilny lecz nieasymptotycznie), lub też czy odchylenie to bȩdzie nieograniczenie narastać z up lywem czasu (w tym przypadku uk lad sterowania określamy jako niestabilny). Badanie stabilności może dotyczyć wyróżnionej trajektorii stanu o poż adanym przebiegu np. trajektorii sta lej określaj acej tzw. punkt równowagi uk ladu. Dla uk ladów liniowych obowi azuje nastȩpuj aca Definicja: Punkt przestrzeni stanu x r, dla którego Ax r = 0 dla wszystkich chwil t 0, nazywamy punktem równowagi liniowego autonomicznego uk ladu sterowania opisywanego równaniem ẋ(t) = Ax(t), t 0, x(0) = x 0. Jeżeli deta 0, to liniowy uk lad sterowania ma dok ladnie jeden punkt równowagi w pocz atku uk ladu wspó lrzȩdnych tj. zerowy punkt równowagi. Niech x bȩdzie dowoln a (niezerow a) wyróżnion a sta l a trajektori a stanu liniowego uk ladu sterowania zwi azan a z wyróżnionym sta lym sterowaniem ū. Ten wyróżniony rodzaj ruchu uk ladu sterowania spe lnia równanie stanu x = 0 = A x + Bū, x(t 0 ) = x, t [t 0, + ). Analizȩ warunków stabilności uk ladów sterowania można sprowadzić do badania stabilności zerowego punktu równowagi zredukowanego uk ladu sterowania określonego za pomoc a przekszta lcenia ( x(t) = x(t) x) (x(t) = x(t) + x). Równanie stanu wzglȩdem nowych wspó lrzȩdnych stanu przybierze postać x(t) = A( x(t) + x) + Bū, 1

2 czyli x(t) = A x(t). Rozwi azanie zerowe x(t) = 0 ostatniego równania jest równoważne z wyróżnionym rozwi azaniem niezerowym x równania pierwotnego. Rozwi azanie to jest punktem równowagi uk ladu przekszta lconego, gdyż A x(t) = 0 x(t) = 0. Tak wiȩc badanie stabilności dowolnej wyróżnionej trajektorii stanu liniowego stacjonarnego uk ladu sterowania można sprowadzić do badania zerowego punktu równowagi zredukowanego uk ladu sterowania z t a sam a macierz a stanu A. Definicja: Punkt równowagi x r = 0 zredukowanego uk ladu sterowania nazywa siȩ punktem stabilnym, jeżeli dla każdej liczby dodatniej ɛ można dobrać tak a liczbȩ dodatni a η = η(ɛ), że trajektoria rozpoczynaj aca siȩ w punkcie x 0, leż acym wewn atrz kuli o promieniu η, pozostanie wewn atrz kuli o promieniu ɛ dla dowolnej chwili t > 0. Definicja: Punkt równowagi x r = 0 zredukowanego uk ladu sterowania nazywa siȩ punktem asymptotycznie stabilnym, jeżeli punkt ten jest stabilny i ponadto lim t x(t) = 0. Analizuj ac stabilność liniowego stacjonarnego uk ladu sterowania bierzemy pod uwagȩ sk ladow a swobodn a rozwi azania pochodz ac a od zaburzenia stanu pocz atkowego ẋ(t) = Ax(t), x(0) = x r + δx 0, t [0, ) x(t) = e At δx 0, t [0, ). Badanie stabilności asymptotycznej liniowych stacjonarnych uk ladów sterowania sprowadza siȩ do warunku zanikania sk ladowej rozwi azania pochodz acej od zaburzenia stanu pocz atkowego tj. do warunku lim t eat δx 0 = 0 Rozważana sk ladowa przybiera postać e At δx 0 = L 1 {(si A) 1 }δx 0 n = L 1 {( ij (s)δx j0 / (s)) i=1,...,n } = j=1 2

3 L 1 {(X 1 (s, δx 0 ),...X i (s, δx 0 ),..., X n (s, δx 0 )) T } ( ) gdzie ij (s) jest wielomianem zmiennej zespolonej s stopnia <= n jako element macierzy do l aczonej (si A) D, a (s) = det(si A) jest wielomianem zmiennej zespolonej s stopnia n. Do badania wyrażenia ( ) można zastosować metodȩ rozk ladu na u lamki proste. W tym celu wyznaczamy wartości w lasne s 1, s 2,..., s n macierzy stanu A tj. pierwiastki równania det(si A) = 0. W zależności od charakteru tych wartości w lasnych uzyskujemy sk ladowe rozwi azania o różnej postaci. macierzy A s a jednokrotne rzeczy- 1. Wartości w lasne s 1, s 2,..., s n wiste - w tym przypadku X i (s, δx 0 ) = c i1(δx 0 ) s s 1 + c i2(δx 0 ) s s c in(δx 0 ) s s n, gdzie c ij (δx 0 ) s a sta lymi zależnymi od zaburzenia warunku pocz atkowego. W dziedzinie czasowej uzyskujemy x i (t, δx 0 ) = c i1 (δx 0 )e s 1t + c i2 (δx 0 )e s 2t c in (δx 0 )e snt. 2. Wśród wartości w lasnych s 1, s 2,..., s n macierzy stanu A jest r-krotna wartość w lasna rzeczywista - w tym przypadku X i (s, δx 0 ) = c i1(δx 0 ) s s 1 + c i2(δx 0 ) (s s 2 ) c ir(δx 0 ) (s s r ) r c in(δx 0 ) s s n. W dziedzinie czasowej uzyskujemy x i (t, δx 0 ) = c i1 (δx 0 )e s 1t +c i2 (δx 0 )te s 2t +...+c ir (δx 0 )t r 1 e srt +...+c in (δx 0 )e snt. 3. Wśród wartości w lasnych s 1, s 2,..., s n macierzy stanu A jest para wartości zespolonych sprzȩżonych s 1,2 = σ ± jω - w tym przypadku X i (s, δx 0 ) = c i1(δx 0 ) s (σ + jω) + c i2(δx 0 ) s (σ jω) c in(δx 0 ) s s n. W dziedzinie czasowej uzyskujemy x i (t, δx 0 ) = c i1 (δx 0 )e σt cos ωt + c i2 (δx 0 )e σt sin ωt c in (δx 0 )e snt. 4. Wśród wartości w lasnych s 1, s 2,..., s n macierzy stanu A jest para r-krotnych wartości zespolonych sprzȩżonych s 1,2 = σ ± jω - w tym przypadku X i (s, δx 0 ) = c i1(δx 0 ) s (σ + jω) + c i2(δx 0 ) s (σ jω) 3

4 c i1 (δx 0 ) (s (σ + jω)) + c i2 (δx 0 ) r (s (σ jω)) c in(δx 0 ). r s s n W dziedzinie czasowej uzyskujemy x i (t, δx 0 ) = c i1 (δx 0 )e σt cos ωt + c i2 (δx 0 )e σt sin ωt c i,2r 1 (δx 0 )t r 1 e σt cos ωt + c i2r (δx 0 )t r 1 e σt sin ωt Bior ac pod uwagȩ zależność c in (δx 0 )e snt. lim t tp e σt = 0, p = 1, 2,...; σ < 0, wnioskujemy, że we wszystkich czterech przypadkach sk ladowe swobodne rozwi azania równania stanu pochodz ace od zaburzenia warunku pocz atkowego zanikaj a wraz z up lywem czasu t. Oznacza to, że warunkiem koniecznym i wystarczaj acym stabilności liniowych stacjonarnych uk ladów sterowania jest po lożenie wszystkich wartości w lasnych s 1, s 2,..., s n macierzy stanu A w lewej pó lp laszczyźnie zmiennej zespolonej tj. spe lnienie warunku Re(s i ) < 0, i = 1,..., n. s 4

5 Definicja stabilności eksponencjalnej: Punkt równowagi x = 0 zredukowanego uk ladu sterowania nazywa siȩ punktem stabilnym eksponencjalnie, jeżeli istniej a dwie liczby η > 0 i λ < 0 takie, że x(t) η x(0) e λt. Dla stabilnego liniowego uk ladu sterowania o pojedynczych wartościach w lasnych s i, i = 1,..., n uzyskuje siȩ λ = max i=1,...,n Re(s i) tj. szybkość stabilności określona jest w tym przypadku przez maksymaln a czȩść rzeczywist a wartości w lasnych macierzy stanu. Jeśli natomiast uk lad posiada wielokrotne wartości w lasne, to zachodzi oszacowanie λ = max i=1,...,n Re(s i) + ɛ, gdzie ɛ jest dowolnie ma l a liczb a dodatni a - tak wiȩc również w tym przypadu wyk ladnik szybkości stabilności jest w przybliżeniu równy maksymalnej czȩści rzeczywistej wartości w lasnych macierzy stanu. s λ 5

6 W przypadku zamkniȩtego uk ladu sterowania ẋ(t) = Ãx(t), à = A + BKC badanie stabilności asymptotycznej sprowadza siȩ do weryfikacji po lożenia wartości w lasnych macierzy stanu à zamkniȩtego uk ladu sterowania. Ponieważ wartości w lasne macierzy A (lub Ã) s a pierwiastkami równania algebraicznego stopnia n, wiȩc zbadać ich po lożenie na p laszczyźnie s można stosuj ac kryterium Hurwitza. W tym celu (a) porz adkujemy równanie wartości w lasnych do postaci (s) = a n s n + a n 1 s n a 1 s + a 0 = 0, (b) sprawdzamy, czy wszystkie wspó lczynniki a i s a różne od zera i maj a ten sam znak, (c) sprawdzamy, czy wszystkie minory g lówne i macierzy Hurwitza H s a dodatnie, gdzie a 1 a a 3 a 2 a 1 a 0... H = a 5 a 4 a 3 a n n Inna postać macierzy Hurwitza Przyk lad: a n 1 a n a n 3 a n 2 a n 1 a n H = a n 5 a n 4 a n 3 a n Macierz stanu zredukowanego uk ladu sterowania z czasem ci ag lym ma postać 1 α 0 A = β 1 α, 0 β 1 6 n n

7 przy czym α i β s a parametrami uk ladu. Aby zbadać dla jakich parametrów uk lad sterowania jest asymptotycznie stabilny zapisujemy równanie wartości w lasnych macierzy stanu s + 1 α 0 det(si A) = det β s + 1 α = 0. 0 β s + 1 Określamy nastȩpnie wielomian charakterystyczny uk ladu w postaci standardowej (s) = s 3 + 3s 2 + (3 2αβ)s + 1 2αβ = 0 1 2αβ > 0, co oznacza, że a 3 = 1, a 2 = 3, a 1 = 3 2αβ i a 0 = 1 2αβ. Zapisujemy macierz Hurwitza 2 2αβ 1 2αβ 0 A = αβ Kryterium stabilności Hurwitza implikuje warunki a 1 = 3 2αβ > 0 i a 0 = 1 2αβ > 0 (dodatniość wspó lczynników wielomianu charakterystycznego uk ladu), 1 = 3 2αβ > 0, i 2 = 8 4αβ > 0 αβ < 0.5 (dodatniość minorów g lównych macierzy Hurwitza). Tak wiȩc obszar stabilności parametrycznej uk ladu sterowania jest określony przez nierówność αβ <

8 Stabilność liniowych stacjonarnych uk ladów sterowania z czasem dyskretnym Badanie stabilności asymptotycznej liniowych stacjonarnych uk ladów sterowania z czasem dyskretnym sprowadza siȩ do warunku zanikania sk ladowej rozwi azania pochodz acej od zaburzenia stanu pocz atkowego tj. do warunku lim k Ak δx 0 = 0 Rozważana sk ladowa przybiera postać A k δx 0 = Z 1 {(zi A) 1 z}δx 0 n = Z 1 {( ij (z)zδx j0 / (z)) i=1,...,n } = j=1 Z 1 {(X 1 (z, δx 0 ),...X i (z, δx 0 ),..., X n (z, δx 0 )) T } ( ) gdzie ij (z) jest wielomianem zmiennej zespolonej s stopnia <= n jako element macierzy do l aczonej (zi A) D, a (z) = det(zi A) jest wielomianem zmiennej zespolonej z stopnia n. Do badania wyrażenia ( ) można zastosować metodȩ rozk ladu na u lamki proste. W tym celu wyznaczamy wartości w lasne z 1, z 2,..., z n macierzy stanu A uk ladu dyskretnego tj. pierwiastki równania det(zi A) = 0. W zależności od charakteru tych wartości w lasnych uzyskujemy sk ladowe rozwi azania o różnej postaci. macierzy A s a jednokrotne rzeczy- 1. Wartości w lasne z 1, z 2,..., z n wiste - wtedy X i (z, δx 0 ) = c i1(δx 0 )z z z 1 + c i2(δx 0 )z z z c in(δx 0 )z z z n, gdzie c ij (δx 0 s a sta lymi zależnymi od zaburzenia warunku pocz atkowego. W dziedzinie czasowej uzyskujemy x i (k, δx 0 ) = c i1 (δx 0 )z k 1 + c i2 (δx 0 )z k c in (δx 0 )z k n. 2. Wśród wartości w lasnych z 1, z 2,..., z n macierzy stanu A jest r-krotna wartość w lasna rzeczywista - wtedy X i (z, δx 0 ) = c i1(δx 0 )z z z 1 + c i2(δx 0 )z (z z 2 ) c ir(δx 0 )z (z z r ) r c in(δx 0 )z z z n. 8

9 W dziedzinie czasowej uzyskujemy x i (k, δx 0 ) = c i1 (δx 0 )z k 1 +c i2 (δx 0 )kz k c ir (δx 0 )k r 1 z k c in (δx 0 )z k n. 3. Wśród wartości w lasnych z 1, z 2,..., z n macierzy stanu A jest para wartości zespolonych sprzȩżonych z 1,2 = σe ±jω - wtedy X i (z, δx 0 ) = c i1(δx 0 )z z σe jω + c i2(δx 0 ) s σe jω c in(δx 0 )z z z n. W dziedzinie czasowej uzyskujemy x i (k, δx 0 ) = c i1 (δx 0 )σ k cos ωk + c i2 (δx 0 )σ k sin ωk c in (δx 0 )z k n. 4. Wśród wartości w lasnych z 1, z 2,..., z n macierzy stanu A jest para r-krotnych wartości zespolonych sprzȩżonych z 1,2 = σe ±jω - wtedy X i (z, δx 0 ) = c i1(δx 0 ) z σe + c i2(δx 0 ) +... jω z σe jω + c i1(δx 0 ) (z σe jω ) r + c i2(δx 0 ) (z σe jω ) r c in(δx 0 ) z z n. W dziedzinie czasowej uzyskujemy x i (k, δx 0 ) = c i1 (δx 0 )σ k cos ωk + c i2 (δx 0 )σ k sin ωk c i,2r 1 (δx 0 )k r 1 σ k cos ωk + c i2r (δx 0 )k r 1 σ k sin ωk c in (δx 0 )z k n. 9

10 Bior ac pod uwagȩ zależność lim k kp z k = 0, p = 1, 2,...; z < 1, wnioskujemy, że warunkiem koniecznym i wystarczaj acym stabilności liniowych stacjonarnych uk ladów sterowania z czasem dyskretnym jest po lożenie wszystkich wartości w lasnych z 1, z 2,..., z n macierzy stanu A uk ladu dyskretnego wewn atrz okȩgu jednostkowego p laszczyzny zmiennej zespolonej z tj. spe lnienie warunku z i < 1, i = 1,..., n. z 1 Lemat: Transformacja z = (s + 1)/(s 1), s 1 przeprowadza ko lo jednostkowe p laszczyzny z w lew a pó lp laszczyznȩ zmiennej zespolonej s. Dowód: Oznaczmy s = a + j b. Z zależności wynika, że z = (a + j b + 1)/(a + j b 1) < 1 ( (a + 1) 2 + b 2 < (a 1) 2 + b 2) (2a < 2a) (4a < 0) (a = Re(s) < 0). 10

11 Tak wiȩc podstawiaj ac z = (s+1)/(s 1) do równania det(zi A) = 0 sprowadzamy badanie stabilności dyskretnych uk ladów sterowania do kryterium Hurwitza. Przyk lad: Macierz stanu zredukowanego uk ladu sterowania z czasem dyskretnym ma postać A = ( α β 2 ) 1, α przy czym α i β s a parametrami uk ladu. Aby zbadać dla jakich parametrów uk lad sterowania z czasem dyskretnym jest asymptotycznie stabilny zapisujemy równanie wartości w lasnych macierzy stanu det(zi A) = det ( z + α 1 β 2 z + α ) = 0. Określamy nastȩpnie wielomian charakterystyczny uk ladu w postaci standardowej (z) = z 2 + 2αz + α 2 + β 2 = 0. Dokonujemy podstawienia z = (s + 1)/(s 1) uzyskuj ac ( s + 1 s 1 )2 + 2α s + 1 s 1 + α2 + β 2 = 0/ (s 1) 2. Określamy nastȩpnie wielomian charakterystyczny uk ladu wzglȩdem zmiennej s: ( 1 + 2α + α 2 + β 2) s 2 + (2 2(α 2 + β 2 ))s + 1 2α + α 2 + β 2 = 0. co oznacza, że a 2 = 1 + 2α + α 2 + β 2, a 1 = 2 2(α 2 + β 2 ) i a 0 = 1 2α + α 2 + β 2. Ponieważ a 2 = (1 + α) 2 + β 2 i a 0 = (1 α) 2 + β 2, wiȩc kryterium stabilności Hurwitza określa obszar stabilności parametrycznej jako wnȩtrze ko la α 2 + β 2 < 1. Stabilność dyskretnych liniowych uk ladów sterowania w uk ladzie zamkniȩtym sprowadza siȩ do badania, czy wartości w lasne macierzy stanu zamkniȩtego uk ladu dyskretnego à = A + BKC 11

12 leż a wewn atrz ko la jednostkowego na p laszczyźnie z. Zanikanie sk ladowej swobodnej rozwi azania równania stanu liniowego dyskretnego uk ladu sterowania lim k Ak δx 0 = 0 dla dowolnego zaburzenia stanu pocz atkowego implikuje zbieżność do zera elementów macierzy A k. Praktyczne kryterium badania stabilności dyskretnych uk ladów sterowania uzyskujemy obliczaj ac potȩgi macierzy stanu uk ladu dyskretnego podnosz ac je do kwadratu. A, A 2 = AA, A 4 = A 2 A 2, A 8 = A 4 A 4, A 16 = A 8 A 8... Jeśli elementy potȩgowanych macierzy d aż a do zera, to uk lad dyskretny jest asymptotycznie stabilny. Metoda ta nazywana jest metod a szybkiego potȩgowania macierzy. Wyznacza ona ci ag macierzy A, A 2, A 4, A 8,..., A 2k. Oznaczmy elementy ostatniej macierzy jako (a ij ) 2 k. Warunek stopu metody szybkiego potȩgowania macierzy dla badania stabilności liniowych dyskretnych uk ladów sterowania przybiera postać (a ij ) 2 k < 1, i, j = 1, 2,..., n, n gdzie n jest wymiarem kwadratowej macierzy stanu A. Jeśli warunek stopu jest spe lniony, to elementy macierzy A 2k spe lniaj a warunki (a ij ) 2 k (c ij) 2 k, i, j = 1, 2,..., n n dla sta lych (c ij ) 2 k < 1. Spe lniaj a one wiȩc warunek (a ij ) 2 k (c) 2 k, i, j = 1, 2,..., n n dla sta lej (c) 2 k = max ij (c ij ) 2 k < 1. Elementy macierzy A 2k+1 spe lniaj a oszacowania (a ij ) 2 k+1 n (c) 2 (c) k 2 k (c) 2k+1 =, n n n gdzie (c) 2 k+1 = (c) 2 k(c) 2 k < (c) 2 k < 1. Oszacowania te d aż a monotonicznie do zera dla k. 12

13 Przyk lad: Niech jednorodne równanie stanu liniowego dyskretnego uk ladu sterowania ma postać x(k + 1) = x(k) Warunek stopu metody szybkiego potȩgowania macierzy ma w tym przypadku postać (a ij ) 2 k < 1, i, j = 1, 2, 3; (n = 3). 3 Elementy macierzy A (k = 0) nie spe lniaj a warunku stopu metody szybkiego potȩgowania macierzy, gdyż 1 2 > 1 3. Obliczamy A = = Dla k = 1 warunek stopu metody szybkiego potȩgowania macierzy jest spe lniony. Oznacza to, że rozpatrywany liniowy dyskretny uk lad sterowania jest asymptotycznie stabilny. 13

14 Stabilność liniowych okresowych uk ladów sterowania Dla niektórych uk ladów sterowania charakterystyczna jest okresowa (cykliczna) zmienność jego parametrów. Wyróżnion a trajektori a stanu może być w tym przypadku krzywa zamkniȩta zwana także cyklem granicznym. Jednorodny liniowy okresowy uk lad sterowania opisywany jest równaniem stanu ẋ(t) = A(t)x(t), gdzie niestacjonarna macierz stanu A(t) jest macierz a okresow a tj. A(t + τ) = A(t). Lemat: Znormalizowana macierz fundamentalna Φ(t) = Φ(t, 0) liniowego okresowego uk ladu sterowania posiada reprezentacjȩ Φ(t) = Γ (t)e Λt, t [0, + ), gdzie Γ (t) jest nieosobliw a macierz a okresow a, zaś Λ jest macierz a sta l a. Dowód: Macierz Φ(t) spe lnia z definicji równanie Φ(t) = A(t)Φ(t), Φ(0) = I. Z teorii równań różniczkowych wiadomo, że każda macierz fundamentalna Φ(t) może być uzyskana ze znormalizowanej macierzy fundamentalnej Φ(t) za pomoc a nieosobliwego przekszta lcenia liniowego C tj. Φ(t) = Φ(t)C. Ponieważ dla uk ladu okresowego Φ(t + τ) jest jego macierz a fundamentaln a dφ(t + τ) dt = Φ d(t + τ) (t + τ) dt = A(t + τ)φ(t + τ) = A(t)Φ(t + τ), wiȩc Φ(t + τ) = Φ(t)C i Φ(τ) = C (t = 0). Oznacza to, że Φ(t + τ) = Φ(t)Φ(τ). Z teorii macierzy wiadomo, że każda macierz nieosobliwa posiada tzw. reprezentacjȩ logarytmiczn a tj.. Φ(τ) = e Λτ 14

15 Jeśli macierz Φ(τ) posiada jednokrotne wartości w lasne s 1, s 2,..., s n, to reprezentacjȩ tak a można latwo uzyskać stosuj ac nieosobliwe przekszta lcenie diagonalizuj ace P : P 1 Φ(τ)P = diag (s i ). Macierz P jest określona przez wektory w lasne P i, i = 1,..., n macierzy Φ(τ) zwi azane z poszczególnymi wartościami w lasnymi. Wektory te spe lniaj a równania Φ(τ)P i = s i P i, i = 1,..., n i mog a być wyznaczone przez rozwi azanie tych równań. Ponieważ det(s i I Φ(τ)) = 0, wiȩc jedn a wspó lrzȩdn a wektora P i zak ladamy jako dowoln a wartość niezerow a, a pozosta le wspó lrzȩdne tego wektora obliczamy z uk ladu n 1 równań liniowo niezależnych. Wartości w lasne s i przedstawiamy w postaci wyk ladniczej i uzyskujemy zależności s i = e λ iτ, λ i = 1 τ (ln s i + j(arg(s i ) + 2kπ). Φ(τ) = P diag (s i ) P 1 = P diag = P (I + diag (λ i τ) + diag = I + P diag (λ i τ) P ! P diag (e λ iτ ) P 1 ((λ i τ) 2 /2!) +...) P 1 (λ i τ) P 1 P diag (λ i τ) P = e P diag (λ i τ) P 1 = e P diag (λ i ) P 1 τ = e Λτ, Λ = P diag (λ i ) P 1 Z zależności Φ(t) = Φ(t)e Λt e Λt = Γ (t)e Λt, Γ (t) = Φ(t)e Λt, Γ (t + τ) = Φ(t + τ)e Λ(t+τ) = Φ(t)Φ(τ)e Λτ e Λt = Φ(t)e Λt = Γ (t) wynika,że macierz Γ (t) jest macierz a τ-okresow a. Elementy tej macierzy s a jednostajnie ograniczone na osi czasu jako ci ag le funkcje okresowe. 15

16 Definicja: Macierz fundamentalna Φ(τ) liniowego uk ladu okresowego nazywa siȩ macierz a monodromii, a jej wartości w lasne nazywaj a siȩ mnożnikami Floqueta lub multyplikatorami tego uk ladu. Twierdzenie: Liniowy okresowy uk lad sterowania jest stabilny (stabilny asymptotycznie) wtedy i tylko wtedy, gdy wszystkie multyplikatory (wartości w lasne macierzy monodromii Φ(τ)) tego uk ladu leż a w domkniȩtym kole jednostkowym s i 1, i = 1,..., n (leż a wewn atrz ko la jednostkowego s i < 1, i = 1,..., n). Dowód: Sk ladowa rozwi azania liniowego uk ladu okresowego pochodz aca od zaburzenia warunku pocz atkowego ma postać x(t) = Γ (t)e Λt δx 0. Ze wzglȩdu na jednostajn a ograniczoność macierzy Γ (t) na osi czasu zachodzi oszacowanie x(t) c e Λt. Oznacza to, że badany uk lad jest stabilny asymptotycznie wtedy i tylko wtedy, gdy wartości w lasne λ i macierzy Λ leż a w lewej pó lp laszczyźnie zmiennej zespolonej. Warunek ten jest jednak równoważny z po lożeniem wartości w lasnych macierzy Φ(τ) wewn atrz ko la jednostkowego z uwagi na zwi azek s i = e λiτ. Przyk lad: Niech macierz A(t) bȩdzie określona jak nastȩpuje: ( ) ( ) A(t) t [0,π) = Ā = 0 1 a 1 0, A(t) t [π,2π) = Ā = a 2 Mamy wiȩc ( ) ( ) cos t sin t 1 0 Φ(t) = eāt, Φ(π) =, sin t cos t 0 1 ( ) e a 1π 0 Φ(2π) =. 0 e a 2π St ad wynika, że s i = e a iπ i warunek stabilności uk ladu okresowego przybiera postać a i < 0, i = 1,

17 Stabilność uk ladów zlinearyzowanych Warunki stabilności liniowych uk ladów sterowania można stosować do badania stabilności uk ladów nieliniowych w ma lym otoczeniu wyróżnionej trajektorii stanu. Takimi wyróżnionymi trajektoriami stanu mog a być m.in. trajektorie sta le (np. optymalny statyczny punkt pracy uk ladu) lub trajektorie okresowe (np. optymalna cykliczna trajektoria uk ladu). Za lożenie o funkcjonowaniu procesu w ma lym otoczeniu wymienionych trajektorii pozwala uprościć model matematyczny uk ladu rozwijaj ac nieliniowe funkcje w szereg Taylora pierwszego rzȩdu i przejść do modelu zlinearyzowanego wzglȩdem zmiennych przyrostowych czyli ma lych odchyleń od trajektorii wyróżnionej. Niech δx(t), δu(t) i ȳ bȩd a ma lymi odchyleniami stanu,sterowania i wyjścia od statycznego punktu pracy x, ū iȳ uk ladu. uk ladu ẋ(t) = f(x(t), u(t)), y(t) = g(x(t), u(t)) linearyzujemy w punkcie pracy ( x, ū) d dt f( x, ū) ( x+δx(t)) = f( x, ū)+ δx(t)+ x Nieliniowy opis f( x, ū) δu(t)+r f (δx(t), δu(t)), u g( x, ū) g( x, ū) ȳ + δy(t) = g( x, ū) + δx(t) + δu(t) + r g (δx(t), δu(t)), x u gdzie r f (δx(t), δu(t)) i r g (δx(t), δu(t)) s a nieliniowymi cz lonami rozwiniȩć (resztami z rozwiniȩcia w szereg Taylora w szereg pierwszego rzȩdu) spe lniaj acymi warunki r f (δx(t), δu(t)) lim δx 0 δx r f (δx(t), δu(t)) = 0, lim δu 0 δu = 0. Reszty te s a nieskończenie ma lymi rzȩdu wyższego niż odpowiednio δx i δu. Można je pomin ać dla ma lych odchyleń od punktu pracy i przejść do modelu zlinearyzowanego δẋ(t) = δy(t) = f( x, ū) δx(t) + x g( x, ū) δx(t) + x f( x, ū) δu(t), u g( x, ū) δu(t). u 17

18 Podstaw a do badania stabilności uk ladu zlinearyzowanego jest weryfikacja po lożenia wartości w lasnych macierzy Jacobiego A = f( x, ū) x = ( f i ( x, ū) x j ) i,j=1,...,n. W przypadku wyróżnionego cyklicznego sposobu prowadzenia procesu macierz stanu uk ladu zlinearyzowanego przybiera niestacjonarn a postać okresow a A(t) = f( x(t), ũ(t)) x = ( f i ( x(t), ũ(t)) x j ) i,j=1,...,n, gdzie x(t) jest cykliczn a trajektori a stanu, a ũ(t) jest cyklicznym sterowaniem. 18

Sterowalność liniowych uk ladów sterowania

Sterowalność liniowych uk ladów sterowania Sterowalność liniowych uk ladów sterowania W zadaniach sterowania docelowego należy przeprowadzić obiekt opisywany za pomoc a równania stanu z zadanego stanu pocz atkowego ẋ(t) = f(x(t), u(t), t), t [t,

Bardziej szczegółowo

Liniowe uk lady sterowania.

Liniowe uk lady sterowania. Liniowe uk lady sterowania Rozwi azywanie liniowych rownań stanu Uk lady z czasem ci ag lym Liniowe stacjonarne równania stanu Przyk lad: Uk lad sterowania tarcz a obrotow a prȩt sprȩżysty tarcza obrotowa

Bardziej szczegółowo

Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym

Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego

Bardziej szczegółowo

Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina.

Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina. Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina. Podstawowy problem sterowania optymalnego dla uk ladów nieliniowych W podstawowym problemie sterowania optymalnego minimalizacji

Bardziej szczegółowo

Sterowanie minimalnoczasowe dla uk ladów liniowych. Krzywe prze l aczeń.

Sterowanie minimalnoczasowe dla uk ladów liniowych. Krzywe prze l aczeń. Sterowanie minimalnoczasowe dla uk ladów liniowych. Krzywe prze l aczeń. Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania

Bardziej szczegółowo

liniowych uk ladów sterowania

liniowych uk ladów sterowania Sterowalność i obserwowalność liniowych uk ladów sterowania W zadaniach sterowania docelowego należy przeprowadzić obiekt opisywany za pomoc a równania stanu z zadanego stanu pocz atkowego ẋ(t) = f(x(t),

Bardziej szczegółowo

y 1 y 2 = f 2 (t, y 1, y 2,..., y n )... y n = f n (t, y 1, y 2,..., y n ) f 1 (t, y 1, y 2,..., y n ) y = f(t, y),, f(t, y) =

y 1 y 2 = f 2 (t, y 1, y 2,..., y n )... y n = f n (t, y 1, y 2,..., y n ) f 1 (t, y 1, y 2,..., y n ) y = f(t, y),, f(t, y) = Uk lady równań różniczkowych Pojȩcia wsȩpne Uk ladem równań różniczkowych nazywamy uk lad posaci y = f (, y, y 2,, y n ) y 2 = f 2 (, y, y 2,, y n ) y n = f n (, y, y 2,, y n ) () funkcje f j, j =, 2,,

Bardziej szczegółowo

Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym

Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego

Bardziej szczegółowo

Liczby zespolone, liniowa zależność i bazy Javier de Lucas. a d b c. ad bc

Liczby zespolone, liniowa zależność i bazy Javier de Lucas. a d b c. ad bc Liczby zespolone, liniowa zależność i bazy Javier de Lucas Ćwiczenie. Dowieść, że jeśli µ := c d d c, to homografia h(x) = (ax+b)/(cx+d), a, b, c, d C, ad bc, odwzorowuje oś rzeczywist a R C na okr ag

Bardziej szczegółowo

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w

Bardziej szczegółowo

Zagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka

Zagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach

Bardziej szczegółowo

Synteza optymalnego regulatora stanu. Uk lady z czasem ci ag lym.

Synteza optymalnego regulatora stanu. Uk lady z czasem ci ag lym. Synteza optymalnego regulatora stanu. Uk lady z czasem ci ag lym. Po wyznaczeniu optymalnego nominalnego) procesu sterowania x o, u o nasuwa siȩ kwestia podtrzymywania tego procesu w warunkach ma lych

Bardziej szczegółowo

POCHODNA KIERUNKOWA. DEFINICJA Jeśli istnieje granica lim. to granica ta nazywa siȩ pochodn a kierunkow a funkcji f(m) w kierunku osi l i oznaczamy

POCHODNA KIERUNKOWA. DEFINICJA Jeśli istnieje granica lim. to granica ta nazywa siȩ pochodn a kierunkow a funkcji f(m) w kierunku osi l i oznaczamy POCHODNA KIERUNKOWA Pochodne cz astkowe funkcji f(m) = f(x, y, z) wzglȩdem x, wzglȩdem y i wzglȩdem z wyrażaj a prȩdkość zmiany funkcji w kierunku osi wspó lrzȩdnych; np. f x jest prȩdkości a zmiany funkcji

Bardziej szczegółowo

Wyk lad 11 1 Wektory i wartości w lasne

Wyk lad 11 1 Wektory i wartości w lasne Wyk lad 11 Wektory i wartości w lasne 1 Wektory i wartości w lasne Niech V bedzie przestrzenia liniowa nad cia lem K Każde przekszta lcenie liniowe f : V V nazywamy endomorfizmem liniowym przestrzeni V

Bardziej szczegółowo

Wyk lad 9 Przekszta lcenia liniowe i ich zastosowania

Wyk lad 9 Przekszta lcenia liniowe i ich zastosowania Wyk lad 9 Przekszta lcenia liniowe i ich zastosowania 1 Przekszta lcenia liniowe i ich w lasności Definicja 9.1. Niech V i W bed przestrzeniami liniowymi. Przekszta lcenie f : V W spe lniajace warunki:

Bardziej szczegółowo

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych

Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych Zadania do wykładu Jakościowa Teoria Równań Różniczkowych Zwyczajnych [ ] e Zadanie 1 Pokazać, że X(t) = 2t cos t sin t e 2t jest specjalną macierzą fundamentalną w sin t cos t [ 2 cos chwili τ = 0 układu

Bardziej szczegółowo

Pierwsze kolokwium z Matematyki I 4. listopada 2013 r. J. de Lucas

Pierwsze kolokwium z Matematyki I 4. listopada 2013 r. J. de Lucas Pierwsze kolokwium z Matematyki I 4. listopada 03 r. J. de Lucas Uwagi organizacyjne: Każde zadanie rozwi azujemy na osobnej kartce, opatrzonej imieniem i nazwiskiem w lasnym oraz osoby prowadz acej ćwiczenia,

Bardziej szczegółowo

Niesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka

Niesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka Niesimpleksowe metody rozwia zywania zadań PL Seminarium Szkoleniowe Metoda Simplex: wady i zalety Algorytm SIMPLEX jest szeroko znany i stosowany do rozwi azywania zadań programowania liniowego w praktyce.

Bardziej szczegółowo

III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.

III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań. III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań. Analiza stabilności rozwiązań stanowi ważną część jakościowej teorii równań różniczkowych. Jej istotą jest poszukiwanie odpowiedzi

Bardziej szczegółowo

Ekonomia matematyczna i dynamiczna optymalizacja

Ekonomia matematyczna i dynamiczna optymalizacja Ekonomia matematyczna i dynamiczna optymalizacja Ramy wyk ladu i podstawowe narz edzia matematyczne SGH Semestr letni 2012-13 Uk lady dynamiczne Rozwiazanie modelu dynamicznego bardzo czesto można zapisać

Bardziej szczegółowo

Równania różniczkowe cz astkowe rzȩdu pierwszego

Równania różniczkowe cz astkowe rzȩdu pierwszego Równania różniczkowe cz astkowe rzȩd pierwszego 1 Równania liniowe jednorodne Rozważmy równanie a 1 ( 1,..., n ) 1 +... + a n ( 1,..., n ) n = 0, (1) gdzie a i, i = 1,..., n s a dane, a fnkcja = ( 1,...,

Bardziej szczegółowo

Dyskretne modele populacji

Dyskretne modele populacji Dyskretne modele populacji Micha l Machtel Adam Soboczyński 19 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których

Bardziej szczegółowo

Przestrzenie wektorowe, liniowa niezależność Javier de Lucas

Przestrzenie wektorowe, liniowa niezależność Javier de Lucas Przestrzenie wektorowe, liniowa niezależność Javier de Lucas Ćwiczenie 1. W literaturze można znaleźć pojȩcia przestrzeni liniowej i przestrzeni wektorowej. Obie rzeczy maj a tak a sam a znaczenie. Nastȩpuj

Bardziej szczegółowo

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2018 Wstęp Stabilność O układzie możemy mówić, że jest stabilny jeżeli jego odpowiedź na wymuszenie (zakłócenie)

Bardziej szczegółowo

Wyk lad 9 Baza i wymiar przestrzeni liniowej

Wyk lad 9 Baza i wymiar przestrzeni liniowej Wyk lad 9 Baza i wymiar przestrzeni liniowej 1 Operacje elementarne na uk ladach wektorów Niech α 1,..., α n bed dowolnymi wektorami przestrzeni liniowej V nad cia lem K. Wyróżniamy nastepuj ace operacje

Bardziej szczegółowo

Wprowadzenie do teorii sterowania

Wprowadzenie do teorii sterowania Wprowadzenie do teorii sterowania Literatura podstawowa T. Kaczorek i inni, Podstawy teorii sterowania, WNT, Warszawa 2005. T. Kaczorek, Teoria sterowania i systemów, PWN, Warszawa 1996. T. Kaczorek, Teoria

Bardziej szczegółowo

Wyk lad 8 macierzy i twierdzenie Kroneckera-Capellego

Wyk lad 8 macierzy i twierdzenie Kroneckera-Capellego Wyk lad 8 Rzad macierzy i twierdzenie Kroneckera-Capellego 1 Określenie rz edu macierzy Niech A bedzie m n - macierza Wówczas wiersze macierzy A możemy w naturalny sposób traktować jako wektory przestrzeni

Bardziej szczegółowo

Po wprowadzeniu zmiennych uzupe lniaj acych otrzymamy równoważny mu problem w postaci kanonicznej:

Po wprowadzeniu zmiennych uzupe lniaj acych otrzymamy równoważny mu problem w postaci kanonicznej: ROZDZIA L Metoda sympleksowa Motto: Matematyka nie może wype lnić życia ale jej nieznajomość już niejednemu je wype lni la H Steinhaus Tablica sympleksowa Rozważmy ZPL w postaci klasycznej maksymalizować

Bardziej szczegółowo

Dyskretne modele populacji

Dyskretne modele populacji Dyskretne modele populacji Micha l Machtel Adam Soboczyński 17 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których

Bardziej szczegółowo

WYK LAD 5: GEOMETRIA ANALITYCZNA W R 3, PROSTA I P LASZCZYZNA W PRZESTRZENI R 3

WYK LAD 5: GEOMETRIA ANALITYCZNA W R 3, PROSTA I P LASZCZYZNA W PRZESTRZENI R 3 WYK LAD 5: GEOMETRIA ANALITYCZNA W R 3, PROSTA I P LASZCZYZNA W PRZESTRZENI R 3 Definicja 1 Przestrzenia R 3 nazywamy zbiór uporzadkowanych trójek (x, y, z), czyli R 3 = {(x, y, z) : x, y, z R} Przestrzeń

Bardziej szczegółowo

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność - definicja 1 O układzie możemy mówić, że jest stabilny gdy wytrącony ze stanu równowagi

Bardziej szczegółowo

Indeks odwzorowania zmiennej zespolonej wzgl. krzywej zamknietej

Indeks odwzorowania zmiennej zespolonej wzgl. krzywej zamknietej Indeks odwzorowania zmiennej zespolonej wzgl edem krzywej zamkni etej 1. Liczby zespolone - konstrukcja Hamiltona 2. Homotopia odwzorowań na okr egu 3. Indeks odwzorowania ciag lego wzgledem krzywej zamknietej

Bardziej szczegółowo

Asymptota pozioma: oṡ x, gdy y = 0 Asymptota pionowa: oṡ y, gdy x = 0. Hyperbola 1 x

Asymptota pozioma: oṡ x, gdy y = 0 Asymptota pionowa: oṡ y, gdy x = 0. Hyperbola 1 x 1 SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 Asymptota pozioma: oṡ x, gdy y = 0 Asymptota pionowa: oṡ y, gdy x = 0 2 1 0 3 1 2 x Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE

Bardziej szczegółowo

CHEMIA KWANTOWA MONIKA MUSIA L. Ćwiczenia. mm

CHEMIA KWANTOWA MONIKA MUSIA L. Ćwiczenia.   mm CHEMIA KWANTOWA MONIKA MUSIA L Ćwiczenia METODY PRZYBLIŻONE ROZWIA ZYWANIA RÓWNANIA SCHRÖDINGERA METODA WARIACYJNA metoda wariacyjna ĤΨ n = E n Ψ n Ψ n ortonormalne Szukamy rozwi azań dla stanu podstawowego,

Bardziej szczegółowo

SZKO LA PODSTAWOWA HELIANTUS WARSZAWA ul. BAŻANCIA 16. Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE.

SZKO LA PODSTAWOWA HELIANTUS WARSZAWA ul. BAŻANCIA 16. Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE. 1 SZKO LA PODSTAWOWA HELIANTUS 0-89 WARSZAWA ul. BAŻANCIA 16 1 0 3 1 x Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE Prof. dr. Tadeusz STYŠ Warszawa 018 1 1 Projekt dziesi aty Contents

Bardziej szczegółowo

Matematyka A, klasówka, 24 maja zania zadań z kolokwium z matematyki A w nadziei, że pope lni lem wielu b le. rozwia

Matematyka A, klasówka, 24 maja zania zadań z kolokwium z matematyki A w nadziei, że pope lni lem wielu b le. rozwia Matematyka A, klasówka, 4 maja 5 Na prośbe jednej ze studentek podaje zania zadań z kolokwium z matematyki A w nadziei, że pope lni lem wielu b le dów Podać definicje wektora w lasnego i wartości w lasnej

Bardziej szczegółowo

Wyk lad 7 Baza i wymiar przestrzeni liniowej

Wyk lad 7 Baza i wymiar przestrzeni liniowej Wyk lad 7 Baza i wymiar przestrzeni liniowej 1 Baza przestrzeni liniowej Niech V bedzie przestrzenia liniowa. Powiemy, że podzbiór X V jest maksymalnym zbiorem liniowo niezależnym, jeśli X jest zbiorem

Bardziej szczegółowo

Wyk lad 14 Formy kwadratowe I

Wyk lad 14 Formy kwadratowe I Wyk lad 14 Formy kwadratowe I Wielomian n-zmiennych x 1,, x n postaci n a ij x i x j, (1) gdzie a ij R oraz a ij = a ji dla wszystkich i, j = 1,, n nazywamy forma kwadratowa n-zmiennych Forme (1) można

Bardziej szczegółowo

Wprowadzenie do metod sterowania optymalnego

Wprowadzenie do metod sterowania optymalnego Wprowadzenie do metod sterowania optymalnego Pojȩcie procesu sterowania obejmuje zestaw trajektorii stanu i sterowania (x, u) X U, gdzie X jest przestrzeni a trajektorii stanu, a U jest przestrzeni a sterowania.

Bardziej szczegółowo

Niezb. ednik matematyczny. Niezb. ednik matematyczny

Niezb. ednik matematyczny. Niezb. ednik matematyczny Niezb ednik matematyczny Niezb ednik matematyczny Liczby zespolone I Rozważmy zbiór R R (zbiór par liczb rzeczywistych) i wprowadźmy w nim nastepuj ace dzia lania: z 1 + z 2 = (x 1, y 1 ) + (x 2, y 2 )

Bardziej szczegółowo

z n n=1 S n nazywamy sum a szeregu. Szereg, który nie jest zbieżny, nazywamy rozbieżnym. n=1

z n n=1 S n nazywamy sum a szeregu. Szereg, który nie jest zbieżny, nazywamy rozbieżnym. n=1 3 Szeregi zespolone 3. Szeregi liczbowe Mówimy, że szereg o wyrazach zespolonych jest zbieżny, jeżeli ci ag jego sum czȩściowych {S n }, gdzie S n = z + z +... + jest zbieżny do granicy w laściwej. Granicȩ

Bardziej szczegółowo

Zadania o liczbach zespolonych

Zadania o liczbach zespolonych Zadania o liczbach zespolonych Zadanie 1. Znaleźć takie liczby rzeczywiste a i b, aby zachodzi ly równości: a) a( + i) + b(4 i) 6 i, b) a( + i) + b( + i) 8i, c) a(4 i) + b(1 + i) 7 1i, ( ) a d) i + b +i

Bardziej szczegółowo

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki

Podstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność O układzie możemy mówić, że jest stabilny gdy układ ten wytrącony ze stanu równowagi

Bardziej szczegółowo

Funkcje wielu zmiennych

Funkcje wielu zmiennych Funkcje wielu zmiennych 8 Pochodna kierunkowa funkcji Definicja Niech funkcja f określona bȩdzie w otoczeniu punktu P 0 = (x 0, y 0 ) oraz niech v = [v x, v y ] bȩdzie wektorem. Pochodn a kierunkow a funkcji

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Wyznacz transformaty Laplace a poniższych funkcji, korzystając z tabeli transformat: a) 8 3e 3t b) 4 sin 5t 2e 5t + 5 c) e5t e

Bardziej szczegółowo

ANALIZA II 15 marca 2014 Semestr letni. Ćwiczenie 1. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la?

ANALIZA II 15 marca 2014 Semestr letni. Ćwiczenie 1. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la? Ci ag lość i norma Ćwiczenie. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la? f (x, y) = x2 y 2 x 2 + y 2, f 2(x, y) = x2 y x 2 + y 2 f 3 (x, y) = x2 y

Bardziej szczegółowo

Funkcje wielu zmiennych

Funkcje wielu zmiennych Funkcje wielu zmiennych 13 Zbiory w przestrzeni Definicja Przestrzeni a trójwymiarow a (przestrzeni a) nazywamy zbiór wszystkich trójek uporz adkowanych (x y z) gdzie x y z R. Przestrzeń tȩ oznaczamy symbolem

Bardziej szczegółowo

Stabilność II Metody Lapunowa badania stabilności

Stabilność II Metody Lapunowa badania stabilności Metody Lapunowa badania stabilności Interesuje nas w sposób szczególny system: Wprowadzamy dla niego pojęcia: - stabilności wewnętrznej - odnosi się do zachowania się systemu przy zerowym wejściu, czyli

Bardziej szczegółowo

Wyk lad 7 Metoda eliminacji Gaussa. Wzory Cramera

Wyk lad 7 Metoda eliminacji Gaussa. Wzory Cramera Wyk lad 7 Metoda eliminacji Gaussa Wzory Cramera Metoda eliminacji Gaussa Metoda eliminacji Gaussa polega na znalezieniu dla danego uk ladu a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n =

Bardziej szczegółowo

Projektowanie uk ladów sterowania z wykorzystaniem ich postaci kanonicznych

Projektowanie uk ladów sterowania z wykorzystaniem ich postaci kanonicznych Projektowanie uk ladów sterowania z wykorzystaniem ich postaci kanonicznych Niech bȩdzie dany uk lad sterowania taki, że nie wszystkie jego zmienne stanu s a bezpośrednio dostȩpne (mierzalne. Uk lad pozwalaj

Bardziej szczegółowo

Równania różniczkowe. Notatki z wykładu.

Równania różniczkowe. Notatki z wykładu. Równania różniczkowe Notatki z wykładu http://robert.brainusers.net 17.06.2009 Notatki własne z wykładu. Są niekompletne, bez bibliografii oraz mogą zawierać błędy i usterki. Z tego powodu niniejszy dokument

Bardziej szczegółowo

Wyk lad 4 Macierz odwrotna i twierdzenie Cramera

Wyk lad 4 Macierz odwrotna i twierdzenie Cramera Wyk lad 4 Macierz odwrotna i twierdzenie Cramera 1 Odwracanie macierzy I n jest elementem neutralnym mnożenia macierzy w zbiorze M n (R) tzn A I n I n A A dla dowolnej macierzy A M n (R) Ponadto z twierdzenia

Bardziej szczegółowo

Metody kierunków poprawy dla nieliniowych problemów sterowania optymalnego

Metody kierunków poprawy dla nieliniowych problemów sterowania optymalnego Metody kierunków poprawy dla nieliniowych problemów sterowania optymalnego Problem optymalnego sterowania procesem dynamicznym może polegać na polega na minimalizacji wskaźnika jakości obejmuj acego koszty

Bardziej szczegółowo

Elementy analizy funkcjonalnej PRZESTRZENIE LINIOWE

Elementy analizy funkcjonalnej PRZESTRZENIE LINIOWE Elementy analizy funkcjonalnej PRZESTRZENIE LINIOWE Niech K = R lub K = C oraz X - dowolny zbiór. Określmy dwa dzia lania: dodawanie + : X X X i mnożenie przez liczbȩ : K X X, spe lniaj ace nastȩpuj ace

Bardziej szczegółowo

Funkcje wielu zmiennych

Funkcje wielu zmiennych Funkcje wielu zmiennych Zbiory na p laszczyźnie Przestrzeni a dwuwymiarow a (p laszczyzn a) nazywamy zbiór wszystkich par uporz adkowanych (x, y), gdzie x, y R. Przestrzeń tȩ oznaczamy symbolem R 2 : R

Bardziej szczegółowo

Normy wektorów i macierzy

Normy wektorów i macierzy Rozdzia l 3 Normy wektorów i macierzy W tym rozdziale zak ladamy, że K C. 3.1 Ogólna definicja normy Niech ψ : K m,n [0, + ) b edzie przekszta lceniem spe lniaj acym warunki: (i) A K m,n ψ(a) = 0 A = 0,

Bardziej szczegółowo

Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010

Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 R. Rȩbowski 1 WPROWADZENIE Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 1 Wprowadzenie Powszechnie uważa siȩ, że metoda simplex, jako uniwersalny algorytm pozwalaj acyznaleźć rozwi azanie optymalne

Bardziej szczegółowo

VI. Równania różniczkowe liniowe wyższych rzędów

VI. Równania różniczkowe liniowe wyższych rzędów VI. 1. Równanie różniczkowe liniowe n-tego rzędu o zmiennych współczynnikach Niech podobnie jak w poprzednim paragrafie K = C lub K = R. Podobnie jak w dziedzinie rzeczywistej wprowadzamy pochodne wyższych

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE. Marta Zelmańska

RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE. Marta Zelmańska RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE Marta Zelmańska Toruń 009 1 Rozdział 1 Wstęp Definicja 1. Równaniem różniczkowym zwyczajnym rzędu n nazywamy równanie: F (t, x, x, x,..., x (n) ) = 0 (1.1) Rozwiązaniem równania

Bardziej szczegółowo

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y

Bardziej szczegółowo

Wykład z modelowania matematycznego.

Wykład z modelowania matematycznego. Załóżmy, że równanie różniczkowe x (t) = f (t, x) (1) ma rozwiązanie ogólne x(t) = ϕ(t, c). (2) Załóżmy, że równanie różniczkowe x (t) = f (t, x) (1) ma rozwiązanie ogólne x(t) = ϕ(t, c). (2) Rodzina funkcji

Bardziej szczegółowo

Wyk lad 3 Wielomiany i u lamki proste

Wyk lad 3 Wielomiany i u lamki proste Wyk lad 3 Wielomiany i u lamki proste 1 Konstrukcja pierścienia wielomianów Niech P bedzie dowolnym pierścieniem, w którym 0 1. Oznaczmy przez P [x] zbiór wszystkich nieskończonych ciagów o wszystkich

Bardziej szczegółowo

Rozdzia l 2. Najważniejsze typy algebr stosowane w logice

Rozdzia l 2. Najważniejsze typy algebr stosowane w logice Rozdzia l 2. Najważniejsze typy algebr stosowane w logice 1. Algebry Boole a Definicja. Kratȩ dystrybutywn a z zerem i jedynk a, w której dla każdego elementu istnieje jego uzupe lnienie nazywamy algebr

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Procesy wykładniczego wzrostu i spadku (np populacja bakterii, rozpad radioaktywny, wymiana ciepła) można modelować równaniem

Bardziej szczegółowo

Suma i przeciȩcie podprzestrzeń, suma prosta, przestrzeń ilorazowa Javier de Lucas

Suma i przeciȩcie podprzestrzeń, suma prosta, przestrzeń ilorazowa Javier de Lucas Suma i przeciȩcie podprzestrzeń suma prosta przestrzeń ilorazowa Javier de Lucas Ćwiczenie 1 W zależności od wartości parametru p podaj wymiar przestrzeni W = v 1 v v 3 gdzie p 0 v 1 = 1 + p 3 v = 5 3

Bardziej szczegółowo

Pierwiastki arytmetyczne n a

Pierwiastki arytmetyczne n a Chapter 1 Pierwiastki arytmetyczne n a Operacja wyci aganie pierwiastka stopnia n z liczby a jest odwrotn a operacj a do potȩgowania, jeżeli operacja odwrotna jest wykonalna w liczbach rzeczywistych. Zacznijmy

Bardziej szczegółowo

Własności wyznacznika

Własności wyznacznika Własności wyznacznika Rozwinięcie Laplace a względem i-tego wiersza: n det(a) = ( 1) i+j a ij M ij (A), j=1 gdzie M ij (A) to minor (i, j)-ty macierzy A, czyli wyznacznik macierzy uzyskanej z macierzy

Bardziej szczegółowo

Wyk lad 5 W lasności wyznaczników. Macierz odwrotna

Wyk lad 5 W lasności wyznaczników. Macierz odwrotna Wyk lad 5 W lasności wyznaczników Macierz odwrotna 1 Operacje elementarne na macierzach Bardzo ważne znaczenie w algebrze liniowej odgrywaja tzw operacje elementarne na wierszach lub kolumnach macierzy

Bardziej szczegółowo

czastkowych Państwo przyk ladowe zadania z rozwiazaniami: karpinw adres strony www, na której znajda

czastkowych Państwo przyk ladowe zadania z rozwiazaniami:   karpinw adres strony www, na której znajda Zadania z równań różniczkowych czastkowych Za l aczam adres strony www, na której znajda Państwo przyk ladowe zadania z rozwiazaniami: http://math.uni.lodz.pl/ karpinw Zadanie 1. Znaleźć wszystkie rozwiazania

Bardziej szczegółowo

c ze wzoru dwumianowego Newtona obliczyć sumy: a) 3 2 obliczyć wartości wyrazów będa cych liczbami ca lkowitymi,

c ze wzoru dwumianowego Newtona obliczyć sumy: a) 3 2 obliczyć wartości wyrazów będa cych liczbami ca lkowitymi, 3 Korzystaja c ze wzoru dwumianowego Newtona obliczyć sumy: a) n ( n n k) ; b) 4 W rozwinie ciu dwumianowym: ( 4 a) ) 1, 3 2 obliczyć wartości wyrazów będa cych liczbami ca lkowitymi, ( ) b) 3 13, 5 +

Bardziej szczegółowo

Równania różniczkowe liniowe wyższych rzędów o stałych współcz

Równania różniczkowe liniowe wyższych rzędów o stałych współcz Równania różniczkowe liniowe wyższych rzędów o stałych współczynnikach Katedra Matematyki i Ekonomii Matematycznej SGH 12 maja 2016 Równanie liniowe n-tego rzędu Definicja Równaniem różniczkowym liniowym

Bardziej szczegółowo

Niech X bȩdzie dowolnym zbiorem. Dobry porz adek to relacja P X X (bȩdziemy pisać x y zamiast x, y P ) o w lasnościach:

Niech X bȩdzie dowolnym zbiorem. Dobry porz adek to relacja P X X (bȩdziemy pisać x y zamiast x, y P ) o w lasnościach: Teoria miary WPPT IIr semestr zimowy 2009 Wyk lad 4 Liczby kardynalne, indukcja pozaskończona DOBRY PORZA DEK 14/10/09 Niech X bȩdzie dowolnym zbiorem Dobry porz adek to relacja P X X (bȩdziemy pisać x

Bardziej szczegółowo

Trigonometria. Funkcje trygonometryczne

Trigonometria. Funkcje trygonometryczne 1 Trigonometria. Funkcje trygonometryczne Trigonometria to wiedza o zwi azkach miarowych pomiedzy bokami i k atami trójk atów. Takie znaczenie s lowa Trigonometria by lo używane w czasach starożytnych

Bardziej szczegółowo

Zasada optymalności Bellmana. Uogólniony optymalny regulator stanu.

Zasada optymalności Bellmana. Uogólniony optymalny regulator stanu. Zasada optymalności Bellmana. Uogólniony optymalny regulator stanu. Podstawowy problem sterowania optymalnego dla uk ladów nieliniowych z czasem ci ag lym W podstawowym problemie sterowania optymalnego

Bardziej szczegółowo

Cia la i wielomiany Javier de Lucas

Cia la i wielomiany Javier de Lucas Cia la i wielomiany Javier de Lucas Ćwiczenie 1. Za lóż, że (F, +,, 1, 0) jest cia lem i α, β F. w laściwości s a prawd a? Które z nastȩpuj acych 1. 0 α = 0. 2. ( 1) α = α. 3. Każdy element zbioru F ma

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA

STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.

Bardziej szczegółowo

Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera

Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera Określenie podpierścienia Definicja 9.. Podpierścieniem pierścienia (P, +,, 0, ) nazywamy taki podzbiór A P, który jest pierścieniem ze wzgledu

Bardziej szczegółowo

Inżynieria Systemów Dynamicznych (4)

Inżynieria Systemów Dynamicznych (4) Inżynieria Systemów Dynamicznych (4) liniowych (układów) Piotr Jacek Suchomski Katedra Systemów Automatyki WETI, Politechnika Gdańska 2 grudnia 2010 O czym będziemy mówili? 1 2 WE OKREŚLO 3 ASYMPTO 4 DYNAMICZ

Bardziej szczegółowo

g liczb rzeczywistych (a n ) spe lnia warunek

g liczb rzeczywistych (a n ) spe lnia warunek . Czy jest prawda, że a) R y R z R y + yz + = 0 ; b) R y R z R y + yz + 0 ; c) R y R z R y + yz + = 0 ; d) R y R z R y + yz + 0? 2. Czy jest prawdziwa nierówność a) ctg > ; b) tg < cos ; c) cos < sin ;

Bardziej szczegółowo

STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1

STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy

Bardziej szczegółowo

Analiza dla informatyków 2 DANI LI2 Pawe l Domański szkicowe notatki do wyk ladu

Analiza dla informatyków 2 DANI LI2 Pawe l Domański szkicowe notatki do wyk ladu Analiza dla informatyków 2 DANI LI2 Pawe l Domański szkicowe notatki do wyk ladu Wyk lad 5 1. Iloczyn ortogonalny funkcji Wróćmy na chwilȩ do dowodu wzorów Eulera-Fouriera. Kluczow a rolȩ odgrywa l wzór:

Bardziej szczegółowo

gdy wielomian p(x) jest podzielny bez reszty przez trójmian kwadratowy x rx q. W takim przypadku (5.10)

gdy wielomian p(x) jest podzielny bez reszty przez trójmian kwadratowy x rx q. W takim przypadku (5.10) 5.5. Wyznaczanie zer wielomianów 79 gdy wielomian p(x) jest podzielny bez reszty przez trójmian kwadratowy x rx q. W takim przypadku (5.10) gdzie stopieñ wielomianu p 1(x) jest mniejszy lub równy n, przy

Bardziej szczegółowo

Rozdzia l 11. Przestrzenie Euklidesowe Definicja, iloczyn skalarny i norma. iloczynem skalarnym.

Rozdzia l 11. Przestrzenie Euklidesowe Definicja, iloczyn skalarny i norma. iloczynem skalarnym. Rozdzia l 11 Przestrzenie Euklidesowe 11.1 Definicja, iloczyn skalarny i norma Definicja 11.1 Przestrzenia Euklidesowa nazywamy par e { X K,ϕ }, gdzie X K jest przestrzenia liniowa nad K, a ϕ forma dwuliniowa

Bardziej szczegółowo

Grupy i cia la, liczby zespolone

Grupy i cia la, liczby zespolone Rozdzia l 1 Grupy i cia la, liczby zespolone Dla ustalenia uwagi, b edziemy używać nast epuj acych oznaczeń: N = { 1, 2, 3,... } - liczby naturalne, Z = { 0, ±1, ±2,... } - liczby ca lkowite, W = { m n

Bardziej szczegółowo

RACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ

RACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ RACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ RÓŻNICZKOWYCH Tomasz Kochanek 1 Twierdzenie Titchmarsha Symbolem C[, ) oznaczać bedziemy przestrzeń wszystkich zespolonych funkcji ciag

Bardziej szczegółowo

Suma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas

Suma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas Suma i przeciȩcie podprzestrzeni, przestrzeń ilorazowa Javier de Lucas Ćwiczenie 1. Dowieść, że jeśli U i V s a podprzestrzeniami n-wymiarowej przestrzeni wektorowej oraz dim U = r i dim V = s, to max(0,

Bardziej szczegółowo

c n (z z 0 ) n (2) Powiemy, że szereg Laurenta (2) jest zbieżny, jeśli każdy z szeregów zdefiniowanych w (1) jest f(z). Sume

c n (z z 0 ) n (2) Powiemy, że szereg Laurenta (2) jest zbieżny, jeśli każdy z szeregów zdefiniowanych w (1) jest f(z). Sume Szeregi Laurenta, punkty osobliwe izolowane, klasyfikacja funkcji ze wzgl edu na osobliwości Dane s dwa szeregi postaci c n (z z 0 ) n i c n (z z 0 ) n. (1) n=1 1 Pierwszy z tych szeregów jest zbieżny

Bardziej szczegółowo

Wyk lad 12. (ii) najstarszy wspó lczynnik wielomianu f jest elementem odwracalnym w P. Dowód. Niech st(f) = n i niech a bedzie

Wyk lad 12. (ii) najstarszy wspó lczynnik wielomianu f jest elementem odwracalnym w P. Dowód. Niech st(f) = n i niech a bedzie 1 Dzielenie wielomianów Wyk lad 12 Ważne pierścienie Definicja 12.1. Niech P bedzie pierścieniem, który może nie być dziedzina ca lkowitości. Powiemy, że w pierścieniu P [x] jest wykonalne dzielenie z

Bardziej szczegółowo

ci agi i szeregi funkcji Javier de Lucas Ćwiczenie 1. Zbadać zbieżność (punktow a i jednostajn a) ci agu funkcji nx 2 + x

ci agi i szeregi funkcji Javier de Lucas Ćwiczenie 1. Zbadać zbieżność (punktow a i jednostajn a) ci agu funkcji nx 2 + x ci agi i szeregi funkcji Javier de Lucas Ćwiczenie 1 Zbadać zbieżność (punktow a i jednostajn a) ci agu funkcji f n : [, [ x nx + x nx + 1, Rozwi azanie: Mówi siȩ, że ci ag funkcji f n zd aży punktowo

Bardziej szczegółowo

Zadania egzaminacyjne

Zadania egzaminacyjne Rozdział 13 Zadania egzaminacyjne Egzamin z algebry liniowej AiR termin I 03022011 Zadanie 1 Wyznacz sumę rozwiązań równania: (8z + 1 i 2 2 7 iz 4 = 0 Zadanie 2 Niech u 0 = (1, 2, 1 Rozważmy odwzorowanie

Bardziej szczegółowo

SZKO LA PODSTAWOWA HELIANTUS WARSZAWA ul. BAŻANCIA 16. Szeṡcian w uk ladzie wspȯ lrzȩdnych x, y, z GEOMETRIA PRZESTRZENNA STEREOMETRIA

SZKO LA PODSTAWOWA HELIANTUS WARSZAWA ul. BAŻANCIA 16. Szeṡcian w uk ladzie wspȯ lrzȩdnych x, y, z GEOMETRIA PRZESTRZENNA STEREOMETRIA SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 z y 0 x Szeṡcian w uk ladzie wspȯ lrzȩdnych x, y, z GEOMETRIA PRZESTRZENNA STEREOMETRIA Prof. dr. Tadeusz STYŠ Warszawa 2018 1 1 Projekt trzynasty

Bardziej szczegółowo

Zadania z Algebry liniowej 4 Semestr letni 2009

Zadania z Algebry liniowej 4 Semestr letni 2009 Zadania z Algebry liniowej 4 Semestr letni 2009 Ostatnie zmiany 23.05.2009 r. 1. Niech F będzie podciałem ciała K i niech n N. Pokazać, że niepusty liniowo niezależny podzbiór S przestrzeni F n jest także

Bardziej szczegółowo

WYK LAD 2: PODSTAWOWE STRUKTURY ALGEBRAICZNE, PIERWIASTKI WIELOMIANÓW, ROZK LAD FUNKCJI WYMIERNEJ NA U LAMKI PROSTE

WYK LAD 2: PODSTAWOWE STRUKTURY ALGEBRAICZNE, PIERWIASTKI WIELOMIANÓW, ROZK LAD FUNKCJI WYMIERNEJ NA U LAMKI PROSTE WYK LAD 2: PODSTAWOWE STRUKTURY ALGEBRAICZNE, PIERWIASTKI WIELOMIANÓW, ROZK LAD FUNKCJI WYMIERNEJ NA U LAMKI PROSTE Definicja 1 Algebra abstrakcyjna nazywamy teorie, której przedmiotem sa dzia lania na

Bardziej szczegółowo

Tomasz Downarowicz Instytut Matematyki i Informatyki Politechnika Wroc lawska Wroc law Wroc law, kwiecień 2011

Tomasz Downarowicz Instytut Matematyki i Informatyki Politechnika Wroc lawska Wroc law Wroc law, kwiecień 2011 Tomasz Downarowicz Instytut Matematyki i Informatyki Politechnika Wroc lawska 50-370 Wroc law Wroc law, kwiecień 2011 Analiza Funkcjonalna WPPT IIr. Wyk lady 4 i 5: Przestrzenie unitarne i Hilberta (rzeczywiste

Bardziej szczegółowo

Przestrzenie wektorowe

Przestrzenie wektorowe Rozdział 4 Przestrzenie wektorowe Rozważania dotyczące przestrzeni wektorowych rozpoczniemy od kilku prostych przykładów. Przykład 4.1. W przestrzeni R 3 = {(x, y, z) : x, y, z R} wprowadzamy dwa działania:

Bardziej szczegółowo

Metody Numeryczne Wykład 4 Wykład 5. Interpolacja wielomianowa

Metody Numeryczne Wykład 4 Wykład 5. Interpolacja wielomianowa Sformułowanie zadania interpolacji Metody Numeryczne Wykład 4 Wykład 5 Interpolacja wielomianowa Niech D R i niech F bȩdzie pewnym zbiorem funkcji f : D R. Niech x 0, x 1,..., x n bȩdzie ustalonym zbiorem

Bardziej szczegółowo

Wyk lad 9 Baza i wymiar przestrzeni liniowej

Wyk lad 9 Baza i wymiar przestrzeni liniowej Wyk lad 9 Baza i wymiar liniowej Baza liniowej Niech V bedzie nad cia lem K Powiemy, że zbiór wektorów {α,, α n } jest baza V, jeżeli wektory α,, α n sa liniowo niezależne oraz generuja V tzn V = L(α,,

Bardziej szczegółowo

Układy równań i równania wyższych rzędów

Układy równań i równania wyższych rzędów Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem

Bardziej szczegółowo

LOGIKA ALGORYTMICZNA

LOGIKA ALGORYTMICZNA LOGIKA ALGORYTMICZNA 0.0. Relacje. Iloczyn kartezjański: A B := (a, b) : a A i b B} (zak ladamy, że (x, y) i (u, v) s a równe wtedy i tylko wtedy gdy x = u i y = v); A n := (x 1,..., x n ) : x i A}; R

Bardziej szczegółowo

Rys Mo liwe postacie funkcji w metodzie regula falsi

Rys Mo liwe postacie funkcji w metodzie regula falsi 5.3. Regula falsi i metoda siecznych 73 Rys. 5.1. Mo liwe postacie funkcji w metodzie regula falsi Rys. 5.2. Przypadek f (x), f (x) > w metodzie regula falsi 74 V. Równania nieliniowe i uk³ady równañ liniowych

Bardziej szczegółowo