Beruflich Dokumente
Kultur Dokumente
Daniel Petrovic
15.Dezember 2017
1 Einführung
In dieser Arbeit wird das Minimax-Prinzip kurz vorgestellt und seine An-
wendung am einfachen Beispiel der elastischen Schwingungen demonstriert.
Zuerst werden in den Grundlagen einige wichtige Begriffe eingeführt. Da-
nach werden die Spektralsätze und das Minimax-Prinzip eingeführt. Zum
Schluss wird die Anwendung an Eigenfrequenzen eines Schwingungssystems
vorgestellt.
2 Grundlagen
Hier werden einige Definitionen und Sätze ohne Beweise festgelegt die im
weiteren Text verwendet werden. Die einzelnen Beweise können der Literatur
aus dem Anhang entnommen werden.
Lemma 2.1. Sei A ∈ Mnn (R) eine reelle quadratische Matrix. Dann gilt:
• (AB)T = B T AT
hv, wi = v T w
Definition 2.3. Sei (V, h, i) ein Euklidischer oder unitärer Vektorraum. Zwei
Vektoren u, v ∈ V heißen orthogonal wenn hu, vi = 0 ist.
1
Definition 2.5. Eine Matrix A ∈ Mnn (R) heißt orthogonal, wenn A in-
vertierbar ist und wenn A−1 = AT ist.
Definition 2.6. Eine Matrix A ∈ Mnn (R) heißt positiv definit, wenn für
alle x ∈ Rn mit x 6= 0 gilt: xT Ax > 0.
hx, Axi
RA (x) = .
hx, xi
Die folgende Lemma wird ohne Beweis aufgeführt. Der Beweis findet sich
z.B. in [1].
Lemma 2.8. Zu einer Matrix A ∈ Mnn (C) gibt es genau dann einen Eigen-
vektor zum Eigenwert λ, wenn λ die Nullstelle des charakteristischen Poly-
noms χA ist.
Lemma 2.9. Sei A ∈ Mnn (C). Dann hat A genau n komplexe Eigenwerte
(mitgezählt Vielfältigkeiten).
Beweis. Sei A ∈ Mnn (C). Ferner sei χA das charakteristische Polynom von
A. Es ist Grad(χA ) = n. Nach dem Fundamentalsatz der Algebra besitzt
χA genau n komplexen Nullstellen (mitgezählt Vielfältigkeiten). Nach (2.8)
entspricht dann jeder dieser Nullstellen einem Eigenwert von A.
Lemma 2.10. Sei A ∈ Mnn (R) eine reelle symmetrische Matrix. Sei ferner
λ ein Eigenwert von A. Dann ist λ reell, also λ ∈ R.
Beweis. Nach (2.9) hat A genau n komplexe Eigenwerte. Da A reell ist gilt
Av = Av. Sei λ ein Eigenwert zum Eigenvektor v von A. Es gilt nach (2.9)
λ ∈ C. Ferner gilt:
λhv, vi = hλv, vi = hAv, vi = hv, Avi = hv, Avi = hv, λvi = λhv, vi.
Der folgende Satz für die Dimensionsformel für Summe und Durschnitt
der Unterräume eines Vektorraumes wird ohne Beweis aufgeführt. Der Beweis
findet sich z.B. in [2]:
2
Satz 2.11. Sei V ein Vektorraum, und seien U und W endlichdimensionale
Unterräume von V. Dann gilt:
dim(U + W ) = dim(U ) + dim(W ) − dim(U ∩ W ).
Der folgende Satz beschreibt die Zerlegung einer positiv definiten Matrix
in Produkt zweier Dreiecksmatrizen. Der Beweis findet sich z.B. in [4].
3 Spektralsatz
Spektralsatz beschreibt die Zerlegung einer (in diesem Fall) symmetrischen
reellen Matrix A als Produkt einer orthogonalen Matrix und einer diagonalen
Matrix bestehend aus Eigenwerten von A. Die folgenden zwei Sätze werden
ohne Beweis aufgeführt. Die Beweise finden sich z.B. in [1] oder [4].
3.1 Spektralsatz
Satz 3.1. Ist K ∈ Mnn (R) eine reelle symmetrische n × n Matrix, dann
existiert eine orthogonale Matrix U ∈ Mnn (R), so dass gilt
K = U diag(λ1 , . . . , λn ) U T (1)
λ1 ··· 0
= U ... ... .. U T (2)
.
0 ··· λn
Satz 3.2. Ist K ∈ Mnn (R) eine reelle symmetrische n × n Matrix, dann
existiert eine orthonormale Basis u1 , · · · , un von Rn , so dass gilt
Kuj = λj uj
3
3.2 Erweiterter Spektralsatz
Satz 3.3. Sind K,M ∈ Mnn (R) reelle symmetrische n × n Matrizen, mit M
positiv definit, dann existiert eine Matrix F ∈ Mnn (R), so dass gilt
F T KF = diag(λ1 , . . . , λn ) (3)
λ1 ··· 0
= ... .. .. (4)
. .
0 ··· λn
mit F T M F = In .
Beweis. Da die Matrix K symmetrisch ist, gilt nach der Definition (2.4)
K = KT .
Da Matrix M reell symmetrisch und positiv definit ist, gibt es nach dem
Satz (2.12) eine Cholesky-Zerlegung
Nach dem Satz (3.1) existiert dann für K 0 eine Orthogonale Matrix U ∈
Mnn (R) sodass gilt:
Durch die Multiplikation der oberen Gleichung mit U −1 von links und U
von rechts (unter Beachtung, dass U = (U −1 )−1 = (U T )−1 da U orthogonal
ist und deswegen U −1 = U T ) ergibt sich:
4
Dann gilt F T = U T L−1 = U −1 L−1 , da U orthogonal ist. Die obige Glei-
chung kann also geschrieben werden als:
F T KF = diag(λ1 , . . . , λn )
und es gilt:
F T M F = (U −1 L−1 )(LLT )((L−1 )T U )
= U −1 (L−1 L)(LT (LT )−1 )U
= U −1 U = In .
was zu beweisen war.
4 Minimaxprinzip
4.1 Minimax-Satz
Satz 4.1. Ist K ∈ Mnn (R) eine reelle symmetrische n × n Matrix, λ1 , · · · , λn
die nichtfallend geordnete Eigenwerte von K (die Vielfachheiten mitgezählt)
und Sj die Menge aller j-dimensionalen Teilräume von Rn , (j ≤ n), dann
gilt
xT K x
λj = min max
Sj x ∈ Sj xT x
mit
k11 ··· k1n x1
.. .. .. ..
(x1 · · · xn ) . . . .
xT K x kn1 ··· knn xn
= .
xT x (x21 + · · · + x2n )
Entsprechend den Definitionen für das Rayleigh-Quotient (2.7) und das
Skalarprodukt (2.2) kann der Satz (4.1) auch geschrieben werden als:
λj = min max RK (x)
Sj x ∈ Sj
5
1. Schritt Sei Uj ∈ Sj ein j-dimensionaler Unterraum von Rn . Sei Wjn
der Unterraum von Rn gespannt durch die Eigenvektoren uj , . . . , un von K
entsprechend den Eigenwerten λj ≤ · · · ≤ λn .
Nach Satz (2.11) gilt:
6
Da minSj maxx∈Sj RK (x) ≤ λj ≤ minSj maxx∈Sj RK (x) muss gelten:
xT K x
λj = min max T
Sj x ∈ Sj x M x
mit
k11 ··· k1n x1
.. .. .. ..
(x1 · · · xn ) . . . .
xT K x kn1 ··· knn xn
=
xT M x m11 ··· m1n x1
.. .. .. ..
(x1 · · · xn ) . . . .
mn1 ··· mnn xn
7
Wie im Beweis vom Satz (3.1) gezeigt wurde, ist die Matrix K 0 symme-
trisch. Da die Matrizen K und K 0 die gleichen Eigenwerte haben, gilt nach
Satz (4.1):
yT K 0 y xT K x
λj = min max = min max
Sj y ∈ Sj yT y Sj x ∈ Sj xT M x
4.3 Monotonieeigenschaften
Definition 4.3. Seien K, K 0 ∈ Mnn (R) reelle symmetrische n × n Matrizen.
Dann wird zwischen K und K 0 eine Ordnungsrelation wie folgt definiert:
K ≤ K 0 ⇐⇒ xT K x ≤ xT K 0 x für alle x ∈ Rn .
K ≤ K 0 =⇒ λj ≤ λ0j , j = 1, . . . , n
Beweis. Sei K ≤ K 0 .
Nach der Definition (4.3) gilt dann für alle x ∈ Rn : xT Kx ≤ xT K 0 x.
Sei Sj ein j-dimensionaler Unterraum von Rn . Dann gilt für alle x ∈ Sj :
T
x Kx T 0
xT x
≤ x xTKx x und damit auch
xT Kx xT Kx
max T ≤ max T (∗)
x∈Sj x x x∈Sj x x
Seien λj und λ0j die j-te Eigenwerte von K bzw. K 0 . Nach dem Satz (4.1)
und mit (*) gilt:
xT Kx xT K 0 x
λj = min max ≤ min max = λ0j .
Sj x∈Sj xT x Sj x∈Sj xT x
(K, M ) ≤ (K 0 , M 0 ) ⇐⇒ K ≤ K 0 , M 0 ≤ M
8
Satz 4.6. Sind K, K 0 , M, M 0 ∈ Mnn (R) reelle symmetrische positiv definite
n × n Matrizen und λ1 , · · · , λn und λ01 , · · · , λ0n die nichtfallend geordnete
Eigenwerte von K bzw. K 0 , dann gilt:
(K, M ) ≤ (K 0 , M 0 ) =⇒ λj ≤ λ0j , j = 1, . . . , n
xT Kx ≤ xT K 0 x und xT M 0 x ≤ xT M x (∗∗)
Sei Sj ein j-dimensionaler Unterraum von Rn . Mit (**) gilt für alle x ∈ Sj
:
xT Kx xT K 0 x xT K 0 x
≤ ≤
xT M x xT M x xT M 0 x
da nach Voraussetzung K, K 0 , M, M 0 positiv definit sind.
Daraus ergibt sich:
xT Kx xT K 0 x
max ≤ max
x∈Sj xT M x x∈Sj xT M 0 x
xT Kx xT K 0 x
λj = min max ≤ min max = λ0j .
Sj x∈Sj xT M x Sj x∈Sj xT M 0 x
5 Elastische Schwingungen
Das Minimax-Prinzip wird jetzt auf ein Beispiel aus der Theorie der elasti-
schen Schwingungen angewendet.
Ein Teilchen der Masse m kann sich auf einer Feder entlang der senkrech-
ten y-Achse nach unten bewegen.
9
Abbildung 1: Einzelmassenschwinger
y = mg/k
Fy = may = my 00 = mg − ky
Der sin/cos Ansatz dieser DGL ergibt als Lösung:
10
Nachprüfung:
ω ist die Frequenz der Schwingung und wird umso größer je kleiner die
Teilchenmasse und je größer die Federsteifigkeit ist.
Abbildung 2: Mehrmassenschwinger
Auf das erste und das letzte Teilchen wirkt nur je eine Federkraft. Auf
alle anderen Teilchen wirken zwei Federkräfte. Die Dehnung der Feder j ist
gleich yj − yj−1 wobei yj die Position des j-ten Teilchens bedeutet.
11
Für diesen n-Teilchenschwinger gilt für j = 1, . . . , n − 1 und mit y0 = 0:
M y 00 + Ky = f (5)
Die einzelnen Matrixelemente ergeben sich aus dem direkten Vergleich
mit obigen Gleichungen zu:
m1 ... 0
M = diag(m1 , . . . , mn ) = ... ...
0
0 ... mn
k1 + k2 −k2 0 ... 0
−k2 k2 + k3 −k3
.. . . . . . .
K= .
. . .
0 ... −kn−1 kn−1 + kn −kn
0 ... −kn kn
m1 g
f (t) = ...
mn g
y1 (t)
y = y(t) = ... ∈ Rn , t ∈ R
yn (t)
Für die Ruhelage ergibt sich eine Konstante Lösung (y 00 = 0):
y(t) = yr = K −1 f
12
Einsetzen von (6) in (5) ergibt:
Kx = ω 2 M x (7)
In der Gleichung (7) ist x der Eigenvektor und ω 2 der Eigenwert des
Matrizenpaares (K,M). ω wird auch Eigenfrequenz des Systems benannt und
spielt eine wichtige Rolle für die Stabilität des Systems.
Um den Einfluss der Teilchenmassen und Federsteifigkeit auf die Eigen-
frequenz zu bestätigen, wird zum Schluss noch der folgende Satz bewiesen:
Satz 5.1. Seien K, M, ∈ Mnn (R) die oben definierten n × n Matrizen. Dann
gilt:
13
Dann gilt:
3
X n
X
T T
x Kx = x Ki x = kj (xj − xj−1 )2 > 0, für x 6= 0, ( da kj > 0)
i=1 j=2
n
X n
X
T
x Kx = kj (xj − xj−1 ) ≤2
kj0 (xj − xj−1 )2 = xT K 0 x
j=2 j=2
14
Literatur
[1] Luise Unger. Lineare Algebra. Fernuniversität in Hagen.
15