Eine Verallgemeinerung des Pontryaginschen Maximumprinzips für dynamische Evolutions-Spiele zwischen Verwandten

Größe: px
Ab Seite anzeigen:

Download "Eine Verallgemeinerung des Pontryaginschen Maximumprinzips für dynamische Evolutions-Spiele zwischen Verwandten"

Transkript

1 Eine Verallgemeinerung des Pontryaginschen Maximumprinzips für dynamische Evolutions-Spiele zwischen Verwanen Andreas Sommer Im Juli 2004 Ausarbeitung zur Veröffentlichung A Generalization of Pontryagin s Maximum Principle for Dynamic Evolutionary Games among Relatives von Troy Day und Peter D. Taylor, Queen s University, Kingston in Therotical Population Biology 57, (2000) im Rahmen des Seminars Differentialspiele, Sommersemester 2004, Universität Trier 1

2 Inhaltsverzeichnis 1 Ein motivierendes Beispiel 2 2 Genetische Modellierung Die Hardy/Weinberg-Gleichungen Modellierung Erweiterung des Pontryaginschen Maximumprinzips Das Pontryaginsche Maximumprinzip Paarweise Interaktion und Patch-Strukturen Spiele in Patch-Struktur Paarweise Interaktion Anwendung am Beispiel Vorbereitungen Ein spezifisches Beispiel Glossar und Literaturverzeichnis Glossar Literaturverzeichnis Ein motivierendes Beispiel Wir untersuchen das in Abbildung 1 dargestellte orange Springkraut (impatiens capensis). Diese Pflanze ist beispielhaft für einjährige Pflanzen, die in einer einzigen Saison (der Dauer T ) wachsen, sich fortpflanzen und absterben. Ihr Gedeih hängt von dem Verhalten anderer Pflanzen in unmittelbarer Umgebung ab (Kelly, 1997). Starkes Wachsen der umliegenden Pflanzen zwingt das Springkraut, mehr Energie für die eigene Entwicklung aufzubringen, um nicht überwuchert zu werden. Wir betrachten im Folgenden eine Pflanzenpopulation, die aus einer großen Zahl von Pflanzengruppen (Patches) mit jeweils n Individuen besteht. Wettstreit findet nur zwischen Individuen innerhalb eines Patches statt, nicht zwischen den Gruppen selbst. Individuen eines Patches sind wegen geringer Verstreuung genetisch miteinander verwan. Wir betrachten nun ein einzelnes Individuum, bezeichnen mit y(t) seine Größe zum Zeitpunkt t und mit ȳ(t) die durchschnittliche Pflanzengröße innerhalb des Patches. Jede Pflanze verfügt über bestimmte Ressourcen, bspw. durch Photosynthese. Diese können für Wachstum oder Fortpflanzung eingesetzt werden. Wir bezeichnen mit u(t) den Anteil, der zum Zeitpunkt t für Wachstum aufgewendet wird (0 u(t) 1). In die Reproduktion investiert die Pflanze dementsprechend 1 u(t). Der durch Photosyntese geschaffene Ressourcenvorrat b(y, ȳ) ist abhängig von eigener Größe y(t) und der Durchschnittsgröße des Patches ȳ(t). Es erscheint sinnvoll, dass die Ressourcen-Produktion steigt, wenn die Pflanze wächst (die zur Photosynthese fähige Oberfläche wird vergrößert), was wir durch b/ y > 0 ausdrücken. Umgekehrt wird die Produktion mit steigender Durchschnittsgröße des Patches abnehmen, bspw. durch Überwucherung, so dass wir b/ ȳ < 0 annehmen können. 2

3 Abbildung 1: Impatiens capensis - Oranges Springkraut Als Wachstum bezeichnen wir die Veränderung der Pflanzengröße in der Zeit, also: dy = u(t) b(y(t), ȳ(t)) y(0) = y 0 Dementsprechend investiert die Pflanze zum Zeitpunkt t (1 u(t)) b(y(t), ȳ(t)) in die Fortpflanzung, und somit können wir den von der Pflanze aufgebrachten Gesamtaufwand für die Reproduktion mit W = T 0 (1 u(t)) b(y(t), ȳ(t)) angeben. Dabei soll die Steuerung u so gewählt sein, dass das Integral maximiert wird. W benutzen wir als Maß für Fitness und bezeichnen es ebenso. Hinge b nicht von ȳ ab, so könnten wir das Problem mit dem Pontryaginschen Maximumprinzip angehen. Diese Interaktion zwischen den Pflanzen eines Patches und deren genetische Verwanschaft (Stichwort: Hamilton s Gesetz 1 ) verhindert jedoch seine Anwendung. In Abschnitt 3 werden wir das Pontryaginsche Maximumprinzip wiederholen und eine für unsere Zwecke hinreichende Verallgemeinerung formulieren. 1 Hamilton s Gesetz beschreibt das in der Natur häufig vorkommende altruistische Verhalten zwischen Verwanen. Vereinfachend beschreibt man es durch die Formel rb c > 0, wobei r den Verwanschaftskoeffizient (eineiige Zwillinge: r = 1; Vollgeschwister: r = 1/2; Halbgeschwister: r = 1/4; Cousin 1. Grades: r = 1/8), b den Nutzen des Empfängers und c die Kosten des Gebers angibt. Der schottische Physiologe und Vertreter des Neovitalismus John B. Scott Haldane formulierte dies so: I would risk my life for two brothers or eight cousins. 3

4 2 Genetische Modellierung Wir benötigen zunächst einige Grundzüge aus der Vererbungslehre. 2.1 Die Hardy/Weinberg-Gleichungen 1908 entwickelten Hardy, Weinberg und Tschetverikov unabhängig voneinander Theorien zur Häufigkeit eines Allels in den Filialgenerationen. Tschetverikov wurde bei der Namensgebung von den Biologen schlicht vergessen. Man unterscheidet zwischen den Hardy/Weinberg-Gleichungen ohne und mit Inzucht, wobei ersterer als Spezialfall des zweiten aufgefasst werden kann. Beide benötigen die gleichen Voraussetzungen. Voraussetzungen: Wir betrachten einen diploiden Organismus, bei dem das zu untersuchende Gen zwei Allele haben soll, die wir mit A bzw. a bezeichnen. Die relative Häufigkeit der Vererbung von A sei p, die von a sei q = 1 p. Eine mögliche Herleitung der Hardy/Weinberg-Gleichungen führt über die Vererbungstabelle (Punnett-Quadrat). Jedes Individuum der Population entstand aus der Vereinigung zweier Gameten, die jeweils mit einem bestimmten Allel bestückt waren (mit den Wahrscheinlichkeiten p bzw. q). A a A AA Aa a Aa aa Für die Wahrscheinlichkeiten in der ersten Filialgeneration gilt demnach: p(a) q(a) p(a) p 2 (AA) pq(aa) q(a) pq(aa) q 2 (aa) Da sich die Wahrscheinlichkeiten zu 1 addieren, gilt folgender Satz: 2.1 Satz (Hardy/Weinberg-Gleichung ohne Inzucht) Bezeichnet p die relative Häufigkeit der Vererbung des Allels A und ist q = 1 p die relative Häufigkeit des Allels a, so gilt für die Genotyp-Häufigkeit in der Population: 1 = p 2 (AA) + 2pq(Aa) + q 2 (aa) 2.2 Definition (Wright s Inzuchtskoeffizient) Mit dem Inzuchtskoeffizienten F bezeichnet man die Wahrscheinlichkeit, dass zwei Gene an einem Ort (Genlocus) identisch durch Vererbung sind; d.h. diese Gene stammen von einem gemeinsamen Vorfahren der mütterlichen und der väterlichen Linie ab. (Siehe Abbildung 2) 2.3 Satz (Hardy/Weinberg-Gleichungen) Die Wahrscheinlichkeiten der Genotypen innerhalb einer Population entsprechen folgender Tabelle. wobei F Wright s Inzuchtskoeffizient ist. Genotyp ohne Inzucht mit Inzucht AA p 2 p 2 + pqf Aa 2pq 2pq 2pqF aa q 2 q 2 + pqf 4

5 Abbildung 2: Wrights Inzuchtskoeffizient: Wahrscheinlichkeit, dass zwei Gene durch Vererbung identisch sind. Beachte: Die Inzucht beeinflusst zwar die Häufigkeiten bestimmter Genotypen, nicht aber die der Allele innerhalb der Population 2.2 Modellierung Wir betrachten ein Single-Locus-Modell (d.h. ein einziger Gen-Ort) für einen diploiden Organismus. Das Gen habe zwei mögliche Ausprägungen (Allele). Innerhalb der Population sei ein Allel vorherrschend (der Resident, a) und eins rar (der Mutant, A). Wir nehmen an, dass das Allel a des Residenten eine Strategie (Steuerung) û(t), das Allel A des Mutanten eine Strategie u(t) bestimmt. Da wir einen diploiden Organismus betrachten, hat jedes Individuum 0, 1 oder 2 Kopien des Mutanten-Allels A (aa, aa, AA). Bezeichne ḡ die relative Häufigkeit des Mutanten-Allels A in der Population. Da wir Inzucht erlauben, ergeben sich die relativen Häufigkeiten der drei möglichen Genotypen aa, aa und AA aus: AA : (1 F )ḡ 2 + F ḡ Aa : 2(1 F )ḡ(1 ḡ) aa : (1 F )(1 ḡ) 2 + F (1 ḡ) Dies folgt aus den Hardy/Weinberg-Gleichungen mit Inzucht (F : Wright s Inzuchtskoeffizient), denn setzt man p = ḡ und q = 1 ḡ, so erhält man: AA : p 2 + pqf = ḡ 2 + ḡ(1 ḡ)f = ḡ 2 + F ḡ F ḡ 2 = (1 F )ḡ 2 + F ḡ Aa : 2pq 2pqF = 2ḡ(1 ḡ)(1 F ) aa : q 2 + pqf = (1 ḡ) 2 + ḡ(1 ḡ)f = (1 ḡ) 2 + (1 (1 ḡ))(1 ḡ)f = (1 ḡ) 2 + F (1 ḡ) F (1 ḡ) 2 = (1 F )(1 ḡ) 2 + F (1 ḡ) Wir bezeichnen im Folgenden mit W AA (u, û), W Aa (u, û) die Durchschnitts-Fitness der homozygoten (AA) bzw. heterozygoten (Aa) Mutanten und mit W aa (û) die der homozygoten Residenten. 5

6 Weiter nehmen wir an, dass die Einflüsse der Allele additiv sind, d.h.: W Aa (u, û) = W AA ( u + û, û) 2 und W aa (û) = W AA (û, û) Die die Veränderungen in den Allel-Häufigkeiten beschreibende Gleichung lautet (Crow & Kimura, 1970): ḡ ḡ = 1 W (W A W ) wobei W die Durchschnitts-Fitness der Gesamtpopulation und W A die marginale Fitness des Mutanten Allels A bezeichnet: ( ) ( ) W A = (1 F )ḡ + F W AA (u, û) + (1 F )(1 ḡ) W Aa (u, û) Da wir annehmen, dass das Mutanten-Allel A selten ist, betrachten wir ḡ 0. Dann gilt W W aa und Einsetzen liefert: ḡ ḡ = 1 ( ) W aa (û) F W AA (u, û) + (1 F ) W Aa (u, û) W aa (û) Um fortfahren zu können, müssten nun W AA (u, û), W Aa (u, û) und W aa (û) genauer spezifiziert werden. Da die einzelnen Individuen interagieren, werden diese Fitness von der Verteilung des Mutanten- Allels A in der Population abhängen. (Beispiel: Es reicht nicht zu wissen, dass ein Individuum den Genotyp AA hat, um seine Fitness zu bestimmen. Dazu muss auch der Genotyp der umliegenden Individuen bekannt sein). Es ist sogar zu erwarten, dass die Fitness auch von der Wahl der Mutanten-Strategie u und der Residenten-Strategie û abhängt. Um allgemein zu bleiben, spezifizieren wir diese Abhängigkeiten nicht weiter. Stattdessen nehmen wir an, dass, wenn das Mutanten-Allel erstmals in der Population auftaucht (z.b. durch Mutation), die Wahrscheinlichkeit für Interaktionen zwischen zwei Heterozygoten (Aa) ein Quasi-Gleichgewicht annimmt, das Allel A aber (in der Gesamtpopulation) selten bleibt. Mittels diesem Gleichgewicht können wir die diversen Durchschnittsfitness bestimmen. (Es sei angemerkt, dass, falls ein solches Gleichgewicht existiert, die Mutation nur geringe Auswirkung auf den Organismus hat, da sich sonst die Häufigkeiten stark ändern würden, bevor das Gleichgewicht erreicht ist). 2.4 Definition Eine Strategie u ist eine evolutionär stabile Strategie (ESS), falls F W AA (u, u ) + (1 F ) W Aa (u, u ) (1) in u = u sein Maximum annimmt. [ d.h., wenn die marginale Fitness der (seltenen) Mutanten-Strategie maximiert wird für u = u ] 2.5 Beispiel Um den Sinn der Definition der ESS zu verdeutlichen, betrachten wir eine Population, in der die Residenten die evolutionär stabile Strategie u anwenden. Wählen die Mutanten eine Strategie 6

7 u u, so gilt wegen der Additivität der Fitnessfunktionen: ḡ ḡ = = < 0 1 ( ) W aa (u F W AA u, u ) + (1 F ) W Aa (u, u ) W aa (u ) ) 1 W AA (u, u ) ( W AA (u, u ) W AA ( u + u, u ) + W AA ( u + ) u, u ) W AA (u, u ) } {{ 2 } } 2 {{ } <0 da u opt. für. Resident <0 d.h., die relative Häufigkeit des Mutantenallels A nimmt ab, der Mutant stirbt also aus. 7

8 3 Erweiterung des Pontryaginschen Maximumprinzips Wir werden zunächst das PMP in seiner bekannten Form wiederholen, um nach Aufbau eines genetischen Modells eine allgemeinere Form herzuleiten. Bezeichnungen und Übereinkünfte: Wir bezeichnen die zeitabhängige Funktion u(t) als Steuerung. Mit y(t) bezeichnen wir den p-dimensionalen Zustandsvektor eines Individuums (y(t) R p ). Weitere im Folgenden auftretende Funktionen werden, wenn nicht anders angegeben, als stetig differenzierbar vorausgesetzt. 3.1 Das Pontryaginsche Maximumprinzip W (, y( ); u) bezeichne die Fitness eines Individuums, abhängig von der Wahl seiner Strategie u. Dabei nehmen wir an, dass W in der Form W (, y( ); u) = f(t, y(t), u(t)) + Φ(y(t 1 )) (2) gegeben ist (Kamien and Schwartz, 1991). Im Sinne eines Differentialspiels kann die Fitness als Payoff interpretiert werden. Das Integral bezeichnet die während des Spiels akkumulierte Fitness, Φ(y(t 1 )) die Endauszahlung beim Endzustand y(t 1 ). Dabei ist f : (R 1 R p R 1 ) R 1 und Φ : R p R 1. Wir nehmen an, dass der Zustandsvektor y(t) = (y 1 (t),..., y s (t)) T einem System von Differentialgleichungen der Form dy s = g s(t, y(t), u(t)) y s ( ) = y s0 (3) gehorcht, wobei s = 1,..., p und g s : (R 1 R p R 1 ) R 1. Die Hamilton-Funktion definieren wir als H(t, y, u, λ) = f(t, y, u) + λ(t) T g(t, y, u) (4) wobei λ(t) der p-dimensionale Vektor der adjungierten Variablen ist. 3.1 Definition Wir sagen, u(t) ist eine zulässige Steuerung, falls u(t) stückweise stetig ist und innerhalb eines geschlossenen Intervalls U = [a 0, a 1 ] liegt. (a 0 u(t) a 1 t [, t 1 ]) 3.2 Definition Als optimale Steuerung bezeichnen wir eine zulässige Steuerung u (t), falls sie unter allen zulässigen Steuerungen das Zielfunktional maximiert. 8

9 3.3 Beispiel Sei die in (2) gegebene Fitness das Zielfunktional. Dann gilt: u (t) optimale Steuerung W (, y( ), u) W (, y( ), u ) u 3.4 Definition η(t) heißt zulässige (Optimalitäts-)Abweichung, wenn u (t)+hη(t) für alle 0 h 1 eine zulässige Steuerung ist. 3.5 Definition Eine zulässige Steuerung u (t) heißt schwache optimale Steuerung, falls gilt: d dh W (, y( ); u (t) + hη(t)) h=0 0 Die Definition gilt analog für andere Zielfunktionale als unsere in (2) gegebene Fitness. Man beachte dabei, dass W von h einmal direkt durch den Integranden f, als auch indirekt durch die Beziehung (3) abhängt. Die Existenz einer schwachen optimalen Steuerung ist gegeben, falls f und g, wie eingangs gefordert, hinreichend glatt sind. Dann stellt die direkte Abhängigkeit durch f kein Problem dar, und y(t) wird nach h differenzierbar sein. (Beweis mittels Gronwall-Lemma und der Methode sukzessiver Approximation, vgl. Perko, 1991, Theorem 2, Section 2.3, Seite 83) 3.6 Theorem (Pontryaginsches Maximumsprinzip, PMP) Betrachte das durch (2), (3) und (4) gegebene Problem max u W (, y( ); u) = f(t, y(t), u(t)) + Φ(y(t 1 )) Ist u eine optimale Steuerung, dann existiert ein λ(t) 0, stetig, mit: a) dλ s = H y s b) λ s (t 1 ) = Φ y s (t 1 ) s = 1,..., p und es gilt c) max u H(t, y, u, λ) = H(t, y, u, λ) d) a 0 < u < a 1 = H u u=u = 0 e) u = a 0 = H u u=u 0 f) u = a 1 = H u u=u 0 Beweis: Den vollständige Beweis findet man u.a. in Pinch, Aufgrund seiner Länge (32 Seiten) lassen wir ihn hier aus. 9

10 3.7 Bemerkung Das Pontryaginsche Maximumprinzip führt eine zusäzliche skalare adjungierte Variable λ 0 ein, die mit der Funktion f in der Hamilton-Funktion H multipliziert wird. Da λ 0 0 gelten muss, wird es meist skaliert zu λ 0 = 0 oder λ 0 = 1. Der Grund für das Auftauchen von λ 0 ist, dass für den Fall p 1 es passieren kann, dass die optimale Steuerung bereits ohne Betrachtung des Zielfunktionals definiert ist. In unserem biologischen Kontext ist dies aber uninteressant und das Problem wäre dann schlecht gestellt. Daher können wir λ 0 = 1 annehmen. 3.8 Theorem (Pontryagin für schwache optimale Steuerungen) λ(t) R p, so dass die Bedin- Es gelten die Voraussetzungen von Theorem 1.6. Ist u eine schwache optimale Steuerung, so gibt es ein λ(t) 0, gungen a), b), d), e) und f) aus Theorem 1.6 erfüllt sind. Beachte: Bedingung c) ist i.a. nicht mehr erfüllt! Beweis: Nach Kamien und Schwartz (1991, Part II, Sections 2 & 10) muss die totale Ableitung des Zielfunktionals δw (, y( ); u (t) + hη(t)) an der Stelle h = 0 ausgewertet nichtpositiv sein. Es gilt: δw = = s=1 + s=1 = H ys { }} { [ p ( f p + y s i=1 p λ s (t 1 ) y s (t 1 ) + [ p s=1 g i λ i + dλ s y s p s=1 ) δy s + Φ y s (t 1 )δs y (t 1 ) ( H + dλ ) s δy s + H ] y s u δu p ( Φ ) (t 1 ) λ s (t 1 ) δy s (t 1 ) y s s=1 = H u { }} { ( f p u + i=1 λ i g i u δu ) ] [Beachte: δy s bzw. δu bezeichnen die Veränderungen von y s bzw. u in h] Nach dem Pontryaginschen Maximumprinzip können wir λ s (t) so wählen, dass gilt: dλ s = H y s und λ s (t 1 ) = Φ y s (t 1 ) s = 1,.., p Einsetzen liefert: δw = Da wir fordern, dass dw dh 0, so folgt δw 0 H δu u Es lässt sich zeigen (Kamien und Schwartz, 1991), dass daraus die Bedingungen d), e) und f) folgen. 10

11 3.9 Lemma Es gilt: u optimale Steuerung u schwache optimale Steuerung. Beweis: Ergibt sich aus den vorangegangenen zwei Theoremen. 3.2 Paarweise Interaktion und Patch-Strukturen Wir entwickeln in diesem Abschnitt zwei Differentialspiele für eine paarweise Interaktion zwischen zwei einzelnen Individuen bzw. Interaktionen zwischen einem Individuum und der Gesamtpopulation. Beides können wir als Zwei-Personen-Spiele auffassen. Die Fitness eines Individuums hänge ab von eigenem Zustand y(t) Zustand des Gegenspielers ỹ(t) eigener Strategie u(t) Strategie des Gegenspielers ũ(t) Betrachtet man das Spiel zwischen einem Individuum und der Gesamtpopulation, so wird die Gesamtpopulation als Gegenspieler aufgefasst, und ihr Zustand ergibt sich als Durchschnitt über alle Zustände der Individuen, ihre Strategie als Durchschnitt aller Strategien der Individuen (beachte: auch die des ersten Spielers). Die Fitness W eines Individuums soll ausgedrückt sein in der Form W (, y( ), ỹ( ), u, ũ) = f(t, y, ỹ, u, ũ) + Φ(y(t 1 ), ỹ(t 2 )) (5) Wieder setzen wir voraus, dass die Strategien u und ũ stückweise stetig sind und innerhalb eines geschlossenen Intervalls U = [a 0, a 1 ] liegen: Spiele in Patch-Struktur a 0 u(t) a 1, a 0 ũ(t) a 1 t [, t 1 ] Wir nehmen an, die Zustandsvariablen eines jeden Individuums i der Population gehorchen der gleichen Differentialgleichung: dy i = g(t, y i(t), ȳ(t), u i (t), ū(t)) y i ( ) = y 0 (6) wobei ȳ = 1 n N i=1 y i und ū = 1 n N i=1 u i die Mittel aller Zustände bzw. Strategien sind und N die Gesamtzahl Pflanzen in der Population angibt. Wir definieren die Hamilton-Funktion zu H patch (t, y, ȳ, u, ū, λ y, λȳ) := f(t, y, ȳ, u, ū) + λ y g(t, y, ȳ, u, ū) + λȳ g(t, ȳ, ȳ, ū, ū) (7) wobei λ y die adjungierte Variable zum Zustand y, und λȳ die adjungierte Variable zum Durchschnitt aller Zustände ȳ ist. 11

12 Erhöht Spieler 1 seine Kontrollvariable (Steuerung) von der aktuellen Residenten-Strategie û(t) zum Zeitpunkt t auf û + h η (h, η > 0), so hat dies eine Auswirkung auf die Fitness. Diese Auswirkung bezeichnen wir als Inclusive-Fitness-Effekt 2, W incl (t) und es ist sinnvoll anzunehmen (Day & Taylor, 1997), dass: W incl (t) û := [ Hpatch u + r H ] patch (8) ȳ y=ȳ=y, u=ū=u wobei r die Verwanschaft zwischen Spieler 1 und einem zufällig ausgewählten Individuum der Population angibt. y bezeichnet die adjungierte Variable, die durch die ESS u generiert wird, wenn man eine monomorphe Population betrachtet, in der die Individuen der Differentialgleichung gehorchen. dy = g(t, y (t), y (t), u (t), u (t)) y ( ) = y Theorem (Erweiterter Pontryagin für Patch-Strukturen) Der untersuchte Organismus sei diploid; die Allel-Einflüsse additiv. Die Funktionen f und g seien stetig und haben stetige Ableitungen in t, y, ȳ, u und ū. Weiter sei Φ stetig mit stetigen Ableitungen in y und ȳ. Die Hamilton-Funktion sei gegeben durch H patch, die Veränderung der Inclusive-Fitness durch W incl (t) û wie in (8). Ist u (t) eine ESS, dann gibt es stetige, von null verschiedene adjungierte Variablen λ y (t) und λỹ(t), die die folgenden Bedingungen erfüllen: a) dλ y = H y = H ȳ λ y (t 1 ) = Φ y (t 1) (9) b) dλ ȳ λȳ(t 1 ) = Φ ȳ (t 1) (10) c) a 0 < u < a 1 W incl (t) û = 0 (11) d) u = a 0 W incl (t) û 0 (12) e) u = a 1 W incl (t) û 0 (13) Beweis: Wir wählen zufällig ein Mutanten-Allel aus. In (1) haben wir die erwartete Fitness eines zufällig ausgewählen Mutanten-Allels gegeben. Mit Wahrscheinlichkeit F wird das gewählte Allel in einem homozygoten Mutanten sein und mit Wahrscheinlichkeit 1 F in einem heterozygoten Mutanten liegen. Dem entspricht eine Fitness W AA (u, û) bzw. W Aa (u, û), weswegen wir für weitere Untersuchungen erst diese beiden Größen spezifizieren müssen. Im Folgenden bezeichnen wir das Individuum, das unser zufällig ausgewähltes Allel trägt, als Träger. Angenommen, der Träger ist ein Homozygot (AA). Dieser wird in einem Patch eines bestimmten Typs leben, wobei sich Typ auf die Gesamtzahl heterozygoter und homozygoter Mutanten bezieht. Es gibt eine endliche Anzahl von Patch-Typen für diesen 2 Der Inclusive-Fitness-Effekt W incl ist definiert als die gewichtete Summe aller Auswirkungen auf die Fitness aller Individuen, wenn Spieler 1 leicht von û auf û+hη (h, η > 0) erhöht. Als Gewicht wird dabei die Verwanschaft des jeweiligen Individuums zu Spieler 1 verwendet. Spieler 1 wird seine Fitness sowohl durch Veränderung seiner eigenen Strategie û, als auch durch die dadurch hervorgerufene Veränderung der Durchschnittsstrategie ū ändern; die Summe dieser Veränderungen ist ( W/ û) + (1/n)( W/ ū), wobei n die Größe des Patches angibt. Die Fitness jedes anderen Individuums i der Population ändert sich durch ū, und gewichtet mit der Verwanschaft r i zu Spieler 1 ergibt sich als Fitness- Effekt: ( W/ ū))(1/n) i Spieler 1 r i. Durch Addition der beiden angegebenen Terme erhält man die den Inclusive- Fitness-Effekt. 12

13 Träger; diese Anzahl bezeichnen wir mit, und wir nummerieren diese Patches mit k = 1,...,. Ähnliche Überlegungen greifen, wenn der Träger ein Heterozygot (Aa) ist. Es gibt dann ω Aa Patch-Typen die wir mit k = + 1,..., ωaa + ωaa nummerieren. Die Individuen innerhalb eines k-patches nummerieren wir mit i = 1,.., n auf konsistente Art und Weise, so dass Individuen mit der Bezeichnung ik genetisch identisch sind. Mit P k und p k bezeichnen wir nun die Wahrscheinlichkeit, dass der (homozygote oder heterozygote) Träger im k-patch liegt. Bezeichnen wir den Träger mit Ik und betrachten wir die in (5) angegebene Fitness eines Individuums, so erhalten wir: W AA (u, û) = W Aa (u, û) = ω AA ( t 1 ) P k f(t, y Ik, ȳ k, u, ū k ) + Φ(y Ik, ȳ k ) k= +1 ( t 1 p k f(t, y Ik, ȳ, u + û ), ū k ) + Φ(y Ik, ȳ k ) 2 wobei mit ū k = 1 n n i=1 u ik die Durchschnitts-Steuerung und ȳ k = 1 n n i=1 y ik der Durchschnitts-Zustand angegeben ist. u ik bezeichnet die Steuerung von Individuum ik. Es gilt: u falls ik homozygoter Mutant (AA) u+û u ik = 2 falls ik heterozygoter Mutant (Aa) û falls ik homozygoter Resident (aa) Man beachte, dass y Ik mit einem der y ik identisch ist, weil der Träger in die Durchschnittsberechnung mit eingeht. Gleiches gilt für seine Steuerung. P k, p k sowie der Inzucht-Koeffizient F sind abhängig von der Verteilung der Mutanten- Allele in der Population. Im Allgemeinen sind sie abhängig von u und û während des ganzen Intervalls [, t 1 ]. Sie können also dargestellt werden als Integral der Form: mit Funktionen ξ 1, ξ 2 und ξ 3. P k = p k = F = ξ 1 (u(t), û(t)) ξ 2 (u(t), û(t)) ξ 3 (u(t), û(t)) Setzen wir nun die obigen Fitness-Gleichungen in (1) ein, so erhalten wir nach Umsortierung für die Fitness: W := [ ω AA F P k f(t, y Ik, ȳ k, u, ū k ) +(1 F ) p k f(t, y Ik, ȳ, u + û ], ū k ) 2 k= +1 ω AA +F P k Φ(y Ik, ȳ k ) + (1 F ) p k Φ(y Ik, ȳ k ) k= +1 Weiter gehorcht die Zustandsvariable jedes Individuums ik den Differentialgleichungen (14) (15) dy ik = g(t, y ik (t), ȳ k (t), u ik (t), ū k (t)) y ik ( ) = y 0 13

14 Um mehr Übersicht zu erhalten, definieren wir: σ k (u, û) := F P k + (1 F ) p k (man beachte hierbei die ausdrücklich angegebene Abhängigkeit von u und û), wobei { { 0 k = 1,..., P k k = 1,..., p k := P k := p k sonst 0 sonst Weiter definieren wir { u k = 1,..., v k := u+û 2 sonst v k stimmt mit der Steuerung des Trägers überein, falls dieser in einem Patch des Typs k vorkommt. Damit können wir die Fitness schreiben als: W = σ k (u, û)f(t, y Ik, ȳ k, v k, ū k ) + σ k (u, û)φ(y Ik, ȳ) (16) Nehmen wir nun an, die Residenten verwenden eine ESS, also û(t) = u (t), dann muss obige Fitness ihr Maximum (bzgl u(t)) annehmen an u(t) = u (t), wie wir in der Erläuterung der Definition von ESS gesehen haben. Um das Pontryaginsche Maximumprinzip anwenden zu können, formulieren wir aber ein Ersatz-Problem: W 0 = ˆσ k f(t, y Ik, ȳ k, v k, ū k ) + ˆσ k Φ(y Ik, ȳ) (17) wobei ˆσ k := σ k (u, û) u=û=u. Damit haben wir die Form eines dynamischen Standard- Optimierungsproblems und können nun das Pontryaginsche Maximumprinzip für schwache optimale Steuerungen anwenden. Dank dieser Vorabeit müssen wir, um den Pontryagin für Patch-Strukturen zu beweisen, folgende Implikationen zeigen: 1. u ist ESS = u ist opt. Steuerung für W 2. u ist opt. Steuerung für W = u ist schw. opt. Steuerung für W 3. u ist schw. opt. Steuerung für W = u ist schw. opt. Steuerung für W 0 4. u ist schw. opt. Steuerung für W 0 = u erfüllt die Bedingungen des Theorems Die Implikation 1) ist klar nach den Definitionen von optimaler Steuerung und ESS; genauso folgt 2) direkt aus den Definitionen für optimale und schwache optimale Steuerungen. Ist u eine schwache optimale Steuerung, so können wir auf sie das Pontryaginsche Maximumprinzip für optimale Steuerungen anwenden, mit dessen Ergebnisse die Implikation 4 erfüllt ist. Wir zeigen also nur noch Implikation 3. Wir müssen zeigen (vgl. die Definition von schwache optimale Steuerung), dass dw/dh h=0 = dw 0 /dh h=0 gilt. In W 0 ist σ k (u, û, f(t, y Ik, ȳ k, v k, ū k ) sowie Φ(y Ik, ȳ k ) durch u direkt vom Parameter h aus Definition 3.5 (schw. opt. Steuerung) abhängig und indirekt durch die die Zustandsvariablen beschreibenden Differentialgleichungen, wie bereits früher erwähnt. Wir benötigen an dieser Stelle jedoch nur die Differenzierbarkeit von W 0 nach h an der Stelle h = 0. Aus diesem Grund vereinfachen wir die Notation, um die Abhängigkeit von h darzustellen, indem wir σ k [h], f k [h] und Φ k [h] notieren. 14

15 Die Fitness können wir also ausdrücken als: und W = W 0 = σ k [h]f k [h] + σ k [0]f k [h] + σ k [h]φ k [h] σ k [0]Φ k [h] wobei σ k [0] bedeutet, dass σ k nicht von h abhängt (analog für Φ k [0] und f k [0]). Bevor wir die Ableitung dw/dh berechnen, noch eine kleine Zwischenüberlegung. Da k σ k[h] = 1 (Summe der Wahrscheinlichkeiten), ist dσ k [0] k dh = 0. Da f k [0] und Φ k [0] von h unabhängig sind, folgt: dw dh h=0 = = + = dw 0 dh h= Paarweise Interaktion ( dσk [0] dh ( dσk [0] dh ( f k[0] + σ k [0] df ) k[0] dh Φ k[0] + σ k [0] dφ ) k[0] dh σ k [0] df k[0] dh ) + σ k [0] dφ k[0] dh Um ein Spiel zwischen zwei Individuen zu beschreiben, nehmen wir an, die Zustandsvariable y(t) von Spieler 1 gehorche dem Differentialgleichungssystem und analog für ỹ(t) von Spieler 2: dy = g(t, y, ỹ, u, ũ) y() = y 0 (18) dỹ = g(t, ỹ, y, ũ, u) ỹ() = ỹ 0 (19) Man beachte die vertauschten Rollen von y und ỹ sowie u und ũ bei gleicher Funktion g. Wir definieren die Hamilton-Funktionen für paarweise Interaktionen (H 2 ) als: H 2 (t, y, ỹ, u, ũ, λ y, λỹ) := f(t, y, ỹ, u, ũ) + λ y g(t, y, ỹ, u, ũ) + λỹ g(t, ỹ, y, ũ, u) (20) Man beachte dabei den Unterschied im letzten Term von (20) im Vergleich zu der Definition von H patch in (7). Den Inclusive-Fitness-Effekt, W incl (t), geben wir wie vorhin an mit: W incl (t) û := [ H2 u + r H ] 2 (21) ỹ y=ỹ=y, u=ũ=u wobei r die Verwanschaft zwischen Spieler 1 und Spieler 2 angibt. y bezeichnet die adjungierte Variable, die durch die von den Differentialgleichungen (19) bestimmte ESS u generiert wird. 15

16 3.11 Theorem (Erweiterter Pontryagin für paarweise Interaktionen) Der untersuchte Organismus sei diploid; die Allel-Einflüsse additiv. Die Funktionen f und g seien stetig und haben stetige Ableitungen in t, y, ỹ, u und ũ. Weiter sei Φ stetig mit stetigen Ableitungen in y und ỹ. Die Hamilton-Funktion sei gegeben durch H 2, die Veränderung der Inclusive-Fitness durch W incl (t) û wie in (21). Ist u (t) eine ESS, dann gibt es stetige, von null verschiedene adjungierte Variablen λ y (t) und λỹ(t), die die folgenden Bedingungen erfüllen: a) dλ y = H y = H ỹ λ y (t 1 ) = Φ y (t 1) (22) b) dλ ỹ λỹ(t 1 ) = Φ ỹ (t 1) (23) c) a 0 < u < a 1 W incl (t) û = 0 (24) d) u = a 0 W incl (t) û 0 (25) e) u = a 1 W incl (t) û 0 (26) wobei (22) und (23) an der Stelle u = ũ = u und y = ỹ = y ausgewertet werden. Das bedeutet, dass λ y, λỹ, y und ỹ die adjungierten und Zustands-Variablen bezüglich einer monomorphen Population der ESS u sind. Beweis: Der Beweis ist analog zum Erweiterten Pontryagin für Patch-Strukturen. 16

17 4 Anwendung am Beispiel Abschließend möchten wir eine Anwendung des erweiterten Pontryaginschen Maximumprinzips zeigen und betrachten einen patch-strukturierten Organismus, dessen evolutionär stabile Strategie wir bestimmen möchten. 4.1 Vorbereitungen Wir wiederholen zunächst einiges aus der Einführung in Kapitel 1 und erweitern. Wir betrachten eine Saison, d.h. t [0, T ]. Die Pflanze investiert einen Ressourcenanteil von u(t) in Wachstum und 1 u(t) in Reproduktion. Wir bezeichnen die Größe eines Individuums zum Zeitpunkt t durch y(t); die durchschnittliche Pflanzengröße im Patch ist wieder ȳ(t). Mit b(y, ȳ) geben wir die Ressourcen-Produktions-Funktion eines Individuums an. Für sie treffen wir folgende Annahmen: Je größer die Pflanze, desto mehr produziert sie: b y > 0 (27) Je größer die Pflanzen im Schnitt, desto weniger produziert sie: b ȳ < 0 (28) Es findet stets Ressourcenproduktion statt: b > 0 (29) Daraus ergibt sich: Wachstumsrate Individuum: Wachstumsrate Patch: Reproduktionsrate Individuum: dy dȳ = u(t) b(y(t), ȳ(t)) = ū(t) b(ȳ, ȳ) (1 u(t)) b(y(t), ȳ(t)) ( ( ( ) = g(t, y, ȳ, u, ū) ) = g(t, ȳ, ȳ, ū, ū) ) = f(t, y, ȳ, u, ū) (30) (31) (32) Die Fitness W sei wieder als Gesamtressourcenaufwand für Reproduktion gegeben, also als Integral über die Reproduktionsrate: Fitness: W = T Analog wie in Kapitel 3 lautet die Hamilton-Funktion: 0 (1 u(t)) b(y(t), ȳ(t)) (33) H(y, ȳ, u, ū, λ y, λȳ) = f(t, y, ȳ, u, ū) + λ y g(t, y, ȳ, u, ū) + λȳg(t, ȳ, ȳ, ū, ū) (34) = (1 u)b(y, ȳ) + λ y ub(y, ȳ) + λȳūb(ȳ, ȳ) (35) Um die Notation aus Kapitel 3 vollständig beizubehalten sei erwähnt, dass Φ(y, ȳ) = 0 ist. Wir möchten eine evolutionär stabile Strategie (ESS) bestimmen. Sei also u (t) eine ESS. Durch Anwendung des Pontryaginschen Maximumprinzip für Patch-Strukturen (Theorem 3.10) wissen wir, dass für die ESS u gelten muss: dλ y = H y = H ȳ = (1 u ) b y + λ yu b λ y (T ) = Φ (T ) = 0 (36) y y = (1 u ) b ȳ + λ yu b ȳ + λ ȳu ( b y + b ) λȳ(t ) = 0 (37) ȳ dλ ȳ 0 < u < 1 = W incl (t) u = 0 (38) 0 = u = W incl (t) u 0 (39) u = 1 = W incl (t) u 0 (40) 17

18 Nach Definition des Inclusive-Fitness-Effekts gilt: W incl (t) u = = [ H H ] + r u ū [ ] b(y, ȳ) + λ y b(y, ȳ) + rλȳb(ȳ, ȳ) y=ȳ=y, u=ū=u (41) y=ȳ=y, u=ū=u (42) = b(y, y ) (λ y + rλȳ 1) (43) wobei wieder y der von der ESS u in einer monomorphen Population erzeugte Zustandsvektor ist und r die Verwanschaft zu einem zufällig ausgewähltem Populationsmitglied angibt. Um u zu bestimmen, arbeiten wir uns rückwärts durch die Zeit von t = T nach t = 0. Da λ y (T ) = 0 und λȳ(t ) = 0, wegen (36) und (37), folgt: W incl (T ) u = b(y, y )(λ y (T ) + rλȳ(t ) 1) < 0 (44) Und wegen u (t) > 0 = (38)&(40) W incl(t ) 0 gilt somit u (T ) = 0 (45) Da λ y und λȳ stetig sind und damit auch W incl (T ) u stetig ist, gibt es ein t [0, T ), so dass: W incl (t) u < 0 t (t, T ] (46) W incl (t ) u = 0 (47) (Es könnte auch passieren, dass die Ungleichung erfüllt ist für alle t [0, T ]. Dieser Fall ist aber uninteressant, da dann u 0 wäre, was hieße, dass die Pflanzen niemals wachsen. Dieser Fall sei also ausgeschlossen.) Daraus können wir folgern, dass u (t) = 0 t (t, T ] (48) Im Folgenden betrachten wir das Intervall (t, T ]. Setzen wir nun (43) in (47) ein, so erhalten wir: und damit gilt: 0 = W incl (t ) u = b(y, y ) (λ y + rλȳ 1) (49) } {{ } >0 λ y + rλȳ 1 = 0 (50) Da nach (48) u (t) = 0 t (t, T ], und weil die Wachstumsrate einer in einer ESS anwendenden Population lebenden Pflanze der Differentialgleichung dy / = u (t) b(y (t), y (t)), y (0) = y 0 genügt, folgt, dass y (t) const t (t, T ] (51) und damit ist sowohl b(y (t), y (t)) const als auch die Ableitungen von b für alle t (t, T ]. Die Differentialgleichung (36) lautet damit dλ y = H y = (1 }{{} u ) =0 = b y b y }{{} const +λ y }{{} u b y =0 18

19 mit analytischer Lösung λ y (t) = b (T t) (52) y wie man durch Differenzieren leicht überprüft. Analoge Überlegungen für die Differentialgleichung (37) liefert: λȳ(t) = b (T t) (53) ȳ Beachte: Diese Lösungen gelten nur im aktuellen Intervall, also für t (t, T ]. Nach unseren Vorraussetzungen (27)-(29) an die Ressourcen-Produktions-Funktion b(y, ȳ) der Pflanze folgt λ y (t) > 0 t (t, T ] λȳ(t) < 0 t (t, T ] was wir einsetzen in (50). Mit der Substitution γ := b/ y und γ := b/ ȳ erhalten wir somit: λ y (t ) + rλȳ(t ) 1 = 0 = b y (T t ) + r b ȳ (T t ) 1 = 0 = γ(t t ) + r γ(t t ) 1 = 0 = γt + r γt = γt + r γt 1 = t = T 1 γ + r γ Damit t zulässig ist, muss γ + r γ > 0 sein für alle 0 < r q, weil sonst t [0, T ]. Insbesondere muss also gelten: b y + b ȳ > 0 (55) Das Intervall (t, T ] ist damit hinreichend untersucht. Wir betrachten nun den Zeitraum vor t. Bisher haben wir gesehen: W incl (t) u < 0 t (t, T ] W incl (t ) u = 0 Nehmen wir nun an, dass ein t (0, t ) existiert, so dass W incl (t) u = 0 ist die Ableitung nach der Zeit identisch 0, auch am rechten Rand. Es gilt: [ d ] 0 = W incl(t) u t=t [ d = b(y, y ) (λ y + rλȳ 1)] = db(y, y ) t=t (λ y + rλȳ 1) +b(y, y ) } {{ } =0 nach (50) ( dλy + r dλ ) ȳ (54) t [t, t ]. Dann und damit muss gelten: dλ y + r dλ ȳ = 0 (56) 19

20 Weiter gilt wegen (50) λ y = 1 rλȳ (57) weil W incl (t) u = 0 zum gerade untersuchten Zeitpunkt gilt. Benutzen wir dies und setzen die Differentialgleichungen (36) und (37) in (56) ein, so erhalten wir mit den Substitutionen γ := b/ y und γ = b/ ȳ : 0 = (1 u ) b y λ yu b [ y r (1 u ) b ȳ + λ yu b ȳ + λ ȳu ( b y + b )] ȳ = γ + u γ u γ + rγ rλȳu r γ + ru γ ru γ + rλȳu γ rλȳu γ rλȳu γ = γ + r 2 γλȳu r γ rλȳγu und daraus folgt und damit nach Rücksubstitution γ + r γ = r 2 γλȳu rλȳγu u = = u r( rγλȳ γλȳ) = u r(γλȳ ( r 1)) >0 für t = t { }} { b b + r y ȳ r b y λ ȳ( r 1) } {{ } <0 was nicht sein kann. Also ist unsere Annahme für W incl (t) falsch gewesen und für ein t < t gilt stattdessen W incl (t) u > 0 t [t, t ], woraus sofort folgt: < 0 Fassen wir unsere bisherigen Ergebnisse für u zusammen: { u 1 t [t, t ) (t) = 0 t (t, T ] u = 1 t [t, t ) (58) Wir zeigen im Folgenden, dass W incl (t) u > 0 für alle t [0, t ) gilt, und damit u (t) = 1 in diesem Intervall. Da W incl (t) u = b(y, y ) (λ y + rλȳ 1), reicht es zu zeigen, dass λ y + rλȳ 1 > 0 für alle t [0, t ), da b > 0 nach Voraussetzung gilt. Wir haben eben gesehen, dass u = 1 in [t, t ) ist. Dies können wir in den Differentialgleichungen (36) und (37) verwenden und erhalten: dλ y dλ ȳ b = 0 + λ y y, λ y(t ) > 0 (59) b ( b = 0 + λ y ȳ + λ ȳ y + b ), λȳ(t ) < 0 (60) ȳ für alle t [t, t ). Dabei ist λ y (t ) > 0 und λȳ(t ) < 0 wieder eine Folgerung aus den Voraussetzungen der Ressourcen-Produktions-Funktion b und dem bisher bekannten Verhalten von u. Mit der obigen Erkenntnis über die Ableitungen von λ y und λȳ ist es nun offensichtlich, dass d (λ y + rλȳ 1) < 0 (61) 20

Vererbungsgesetze, Modell

Vererbungsgesetze, Modell R Vererbungsgesetze, Modell 65564.00 Betriebsanleitung Das Model besteht aus einem Satz von 204 Symbolkarten und 3 Kreuzungs- und Nachkommenslinien. 81 der Symbolkarten zeigen Erscheinungsbilder (Phänotypen),

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

Skalare Differentialgleichungen

Skalare Differentialgleichungen Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen

Mehr

6 Conways Chequerboard-Armee

6 Conways Chequerboard-Armee 6 Conways Chequerboard-Armee Spiele gehören zu den interessantesten Schöpfungen des menschlichen Geistes und die Analyse ihrer Struktur ist voller Abenteuer und Überraschungen. James R. Newman Es ist sehr

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Begleittext zum Foliensatz Erbgänge beim Menschen

Begleittext zum Foliensatz Erbgänge beim Menschen Für ein besseres Verständnis der Folien werden vorab einige Begriffe definiert: Gen Genom Allel Ein Gen ist die physikalische und funktionelle Einheit der Vererbung. Biochemisch ist es eine geordnete Abfolge

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Kreuzung zweier Pflanzen, einer gelbsamigen und einer grünsamigen Erbsenrasse

Kreuzung zweier Pflanzen, einer gelbsamigen und einer grünsamigen Erbsenrasse Arbeitsblatt 1 Kreuzung zweier Pflanzen, einer gelbsamigen und einer grünsamigen Erbsenrasse P = Parentalgeneration (Elterngeneration), F 1 = 1. Filialgeneration (1. Tochtergeneration) 1. Beschreibe die

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Kapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie

Kapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie Übersicht : Evolutionäre Spieltheorie Einleitung Evolutionäre Biologie Evolutionäre Spieltheorie: Idee Gefangenendilemma (Beispiel) Evolutionäre Stabilität Beispiele Wiederholtes Gefangenendilemma Chicken-Spiel

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Genotyp und Phänotyp. In der Genetik steht der Ausdruck Genotyp (auch Erbbild ) für die Gesamtheit der

Genotyp und Phänotyp. In der Genetik steht der Ausdruck Genotyp (auch Erbbild ) für die Gesamtheit der Genotyp und Phänotyp In der Genetik steht der Ausdruck Genotyp (auch Erbbild ) für die Gesamtheit der chromosomengebundenen Erbanlagen in der Zelle eines Organismus, seine Gene. Der Ausdruck Phänotyp (auch

Mehr

Grundlagen und Basisalgorithmus

Grundlagen und Basisalgorithmus Grundlagen und Basisalgorithmus Proseminar -Genetische Programmierung- Dezember 2001 David König Quelle: Kinnebrock W.: Optimierung mit genetischen und selektiven Algorithmen. München, Wien: Oldenbourg

Mehr

Grundlagen der Vererbungslehre

Grundlagen der Vererbungslehre Grundlagen der Vererbungslehre Zucht und Fortpflanzung Unter Zucht verstehen wir die planvolle Verpaarung von Elterntieren, die sich in ihren Rassemerkmalen und Nutzleistungen ergänzen zur Verbesserung

Mehr

2. Übung: Chromosomentheorie

2. Übung: Chromosomentheorie Konzepte: 2. Übung: Chromosomentheorie Mitose/Meiose Geschlechtschromosomale Vererbung Chromosomentheorie Zellzyklus G 1 Phase: postmitotische Phase oder Präsynthesephase Zelle beginnt wieder zu wachsen

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56 5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten

Mehr

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel

Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

13. Abzählen von Null- und Polstellen

13. Abzählen von Null- und Polstellen 13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Hamilton-Formalismus

Hamilton-Formalismus KAPITEL IV Hamilton-Formalismus Einleitung! IV.1 Hamilton sche Bewegungsgleichungen IV.1.1 Kanonisch konjugierter Impuls Sei ein mechanisches System mit s Freiheitsgraden. Im Rahmen des in Kap. II eingeführten

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr

Black Jack - Kartenzählen

Black Jack - Kartenzählen Black Jack - Kartenzählen Michael Gabler 24.01.2012 Literatur: N. Richard Werthamer: Risk and Reward - The Science of Casino Blackjack, Springer Black Jack - Kartenzählen 1 Wie zähle ich Karten? Historisches

Mehr

Bin Packing oder Wie bekomme ich die Klamotten in die Kisten?

Bin Packing oder Wie bekomme ich die Klamotten in die Kisten? Bin Packing oder Wie bekomme ich die Klamotten in die Kisten? Ich habe diesen Sommer mein Abi gemacht und möchte zum Herbst mit dem Studium beginnen Informatik natürlich! Da es in meinem kleinen Ort keine

Mehr

2. Übung: Chromosomentheorie

2. Übung: Chromosomentheorie Konzepte: 2. Übung: Chromosomentheorie Mitose/Meiose Geschlechtschromosomale Vererbung Chromosomentheorie Regeln zur Vererbung Autosomal rezessiv: - Merkmal tritt auf in Nachkommen nicht betroffener Eltern

Mehr

12. Vorlesung Spieltheorie in der Nachrichtentechnik

12. Vorlesung Spieltheorie in der Nachrichtentechnik 12. Vorlesung Spieltheorie in der Nachrichtentechnik Vorlesung: Eduard Jorswieck Übung: Rami Mochaourab Sommersemester 2010 Evolutionäre Spieltheorie Hines (1987): Game theory s greatest success to date

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

Musterlösung Arbeitsblatt 2 - Wachstum und Easy ModelWorks

Musterlösung Arbeitsblatt 2 - Wachstum und Easy ModelWorks ETH Zürich, FS 2009 Musterlösung Arbeitsblatt 2 - Wachstum und Easy ModelWorks Dieses Arbeitsblatt dient dem näheren Kennenlernen des Modellierungs- und Simulationswerkzeugs Easy ModelWorks. Hierzu dient

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

Kursmaterial: Geld und Kredit

Kursmaterial: Geld und Kredit Handout : Die Entstehung von Geld in einer Tauschwirtschaft Prof. Dr. Thomas Lux Lehrstuhl für Geld, Währung und Internationale Finanzmärkte Institut für Volkswirtschaftslehre Universität Kiel Kursmaterial:

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit KAPITEL 4 KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Entwurf robuster Regelungen

Entwurf robuster Regelungen Entwurf robuster Regelungen Kai Müller Hochschule Bremerhaven Institut für Automatisierungs- und Elektrotechnik z P v K Juni 25 76 5 OPTIMALE ZUSTANDSREGELUNG 5 Optimale Zustandsregelung Ein optimaler

Mehr

Lösungen zu den Übungsaufgaben aus Kapitel 3

Lösungen zu den Übungsaufgaben aus Kapitel 3 Lösungen zu den Übungsaufgaben aus Kapitel 3 Ü3.1: a) Die Start-Buchungslimits betragen b 1 = 25, b 2 = 20 und b 3 = 10. In der folgenden Tabelle sind jeweils die Annahmen ( ) und Ablehnungen ( ) der Anfragen

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

Spieltheorie Kapitel 7, 8 Evolutionary Game Theory Modelling Network Traffic using Game Theory

Spieltheorie Kapitel 7, 8 Evolutionary Game Theory Modelling Network Traffic using Game Theory Spieltheorie Kapitel 7, 8 Evolutionary Game Theory Modelling Network Traffic using Game Theory 01.12.2010 Arno Mittelbach 1 Spieltheorie Einführung Evolutionary Game Theory Spieltheorie in Netzwerken Erstens

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

Mehr

Proseminarvortrag. Markov-Ketten in der Biologie (Anwendungen)

Proseminarvortrag. Markov-Ketten in der Biologie (Anwendungen) Proseminarvortrag Markov-Ketten in der Biologie (Anwendungen) von Peter Drössler 20.01.2010 2 Markov-Ketten in der Biologie (Peter Drössler, KIT 2010) Inhalt 1. Das Wright-Fisher Modell... 3 1.1. Notwendige

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Inhalt des Vortrags. o genetische Grundlagen. o Wie findet man Erbfehler? o Zusammenfassung. Was ist ein Haplotyp?

Inhalt des Vortrags. o genetische Grundlagen. o Wie findet man Erbfehler? o Zusammenfassung. Was ist ein Haplotyp? Inhalt des Vortrags o genetische Grundlagen Was ist ein Haplotyp? o Wie findet man Erbfehler? basierend auf Phänotypen: Zwergwuchs basierend auf Genotypen: Braunvieh Haplotyp II o Zusammenfassung einige

Mehr

Genetik und Farbvererbung

Genetik und Farbvererbung Genetik und Farbvererbung Grundbegriffe der Genetik - Lebewesen sind aus vielen Zellen aufgebaut im Zellkern: DNA (Träger der Erbinformation) - Gen = Erbanlage, DNA-Abschnitt der bestimmte Funktion eines

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

In ein quadratisches Blech werden Löcher gestanzt. Insgesamt sind es 85 Löcher. Wie viele Löcher sind in der untersten Reihe?

In ein quadratisches Blech werden Löcher gestanzt. Insgesamt sind es 85 Löcher. Wie viele Löcher sind in der untersten Reihe? Aufgabe 1: Das Stanzblech: Löcher In ein quadratisches Blech werden Löcher gestanzt. Insgesamt sind es 85 Löcher. Wie viele Löcher sind in der untersten Reihe? Bei dieser Aufgabe kann rückwärts gearbeitet

Mehr

Lösungen zu den Übungsaufgaben aus Kapitel 5

Lösungen zu den Übungsaufgaben aus Kapitel 5 Lösungen zu den Übungsaufgaben aus Kapitel 5 Ü5.1: Die entsprechende Bellman sche Funktionalgleichung kann angegeben werden als: Vct (, ) = max qt D { r rt t ( min{ q t, c} ) min{ q t, c} Vc ( min{ q t,

Mehr

Ausarbeitung des Seminarvortrags zum Thema

Ausarbeitung des Seminarvortrags zum Thema Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung

Mehr

Einfache Differentialgleichungen

Einfache Differentialgleichungen Differentialgleichungen (DGL) spielen in der Physik eine sehr wichtige Rolle. Im Folgenden behandeln wir die grundlegendsten Fälle 1, jeweils mit einer kurzen Herleitung der Lösung. Dann schliesst eine

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

Algebra. Patrik Hubschmid. 8. Oktober 2013

Algebra. Patrik Hubschmid. 8. Oktober 2013 Algebra Patrik Hubschmid 8. Oktober 2013 Inhaltsverzeichnis 1 Fortführung der Gruppentheorie 7 1.1 Sylowsätze.................................... 7 3 Vorwort Dieses Skript zur Vorlesung Algebra im Wintersemester

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

JOHANNES BONNEKOH. Analysis. Allgemeine Hochschulreife und Fachabitur

JOHANNES BONNEKOH. Analysis. Allgemeine Hochschulreife und Fachabitur JOHANNES BONNEKOH Analysis Allgemeine Hochschulreife und Fachabitur Vorwort Vorwort Mathematik ist eine Sprache, die uns hilft die Natur und allgemeine naturwissenschaftliche Vorgänge zu beschreiben. Johannes

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de

Mehr

Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen

Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term

Mehr

1. Gruppen. 1. Gruppen 7

1. Gruppen. 1. Gruppen 7 1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS MALUS SYSTEME UND MARKOV KETTEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

-Generation sehen alle gleich aus (Uniformitätsregel). In der F 2. -Generation treten unterschiedliche Phänotypen auf (Spaltungsregel).

-Generation sehen alle gleich aus (Uniformitätsregel). In der F 2. -Generation treten unterschiedliche Phänotypen auf (Spaltungsregel). Mendelsche Regeln 1 + 2 (1) Merkmale wie die Blütenfarbe können dominant-rezessiv oder intermediär vererbt werden. Bei einem intermediären Erbgang wird die Merkmalsausprägung von beiden Allelen (z. B.

Mehr

8 Extremwerte reellwertiger Funktionen

8 Extremwerte reellwertiger Funktionen 8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R

Mehr

Die Duration von Standard-Anleihen. - Berechnungsverfahren und Einflussgrößen -

Die Duration von Standard-Anleihen. - Berechnungsverfahren und Einflussgrößen - Die Duration von Standard-Anleihen - Berechnungsverfahren und Einflussgrößen - Gliederung Einleitendes Herleitung einer Berechnungsvorschrift Berechnungsvorschriften für Standardfälle Einflussgrößen und

Mehr

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.) 3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten

Mehr

Grundlagen der Vererbung beim Hund

Grundlagen der Vererbung beim Hund Grundlagen der Vererbung beim Hund Züchterstammtisch: 10. August 2013 Referentin: Diana Ringpfeil Tätigkeit: Tierärztin Mail: Ringpfeil@arcor.de Referent: Kay Rostalski Diana Ringpfeil, Tierärztin, Kay

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft: Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 17 Crash Course Brownsche Bewegung (stetige Zeit, stetiger Zustandsraum); Pricing & Hedging von Optionen in stetiger Zeit Literatur Kapitel 17 * Uszczapowski:

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.

Mehr

FB IV Mathematik Universität Trier. Präsentation von Nadja Wecker

FB IV Mathematik Universität Trier. Präsentation von Nadja Wecker FB IV Mathematik Universität Trier Präsentation von Nadja Wecker 1) Einführung Beispiele 2) Mathematische Darstellung 3) Numerischer Fluss für Diffusionsgleichung 4) Konvergenz 5) CFL-Bedingung 6) Zusammenfassung

Mehr

Kapitel 3 Mathematik. Kapitel 3.3. Algebra Gleichungen

Kapitel 3 Mathematik. Kapitel 3.3. Algebra Gleichungen TG TECHNOLOGISCHE GRUNDLAGEN Kapitel 3 Mathematik Kapitel 3.3 Algebra Gleichungen Verfasser: Hans-Rudolf Niederberger Elektroingenieur FH/HTL Vordergut 1, 877 Nidfurn 055-654 1 87 Ausgabe: Februar 009

Mehr

13.5 Der zentrale Grenzwertsatz

13.5 Der zentrale Grenzwertsatz 13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle

Mehr

3 Quellencodierung. 3.1 Einleitung

3 Quellencodierung. 3.1 Einleitung Source coding is what Alice uses to save money on her telephone bills. It is usually used for data compression, in other words, to make messages shorter. John Gordon 3 Quellencodierung 3. Einleitung Im

Mehr

Übungsaufgaben zum Kapitel Klassische Genetik mit Hilfe des Lernprogramms Mendler

Übungsaufgaben zum Kapitel Klassische Genetik mit Hilfe des Lernprogramms Mendler 1. Durchführung: In der Parentalgeneration wird eine Erbsenpflanze mit roten Blüten mit einer Erbsenpflanze mit weißen Blüten gekreuzt. Beobachtung: Alle daraus resultierenden Nachkommen besitzen in der

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,

Mehr

Aufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:

Aufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt: Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an

Mehr

Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen

Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.

I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie und, oder, nicht, wenn... dann zwischen atomaren und komplexen Sätzen. I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten

Mehr

B H 0 H definieren, die somit die Antwort des Ordnungsparameters auf eine Variation der dazu konjugierten

B H 0 H definieren, die somit die Antwort des Ordnungsparameters auf eine Variation der dazu konjugierten In Anwesenheit eines äußeren magnetischen Felds B entsteht in der paramagnetischen Phase eine induzierte Magnetisierung M. In der ferromagnetischen Phase führt B zu einer Verschiebung der Magnetisierung

Mehr

Lösungen zur Vorrundenprüfung 2006

Lösungen zur Vorrundenprüfung 2006 Lösungen zur Vorrundenprüfung 2006 Zuerst einige Bemerkungen zum Punkteschema. Eine vollständige und korrekte Lösung einer Aufgabe ist jeweils 7 Punkte wert. Für komplette Lösungen mit kleineren Fehlern

Mehr

Für die Parameter t und ϕ sind das im angegebenen Bereich Funktionen, d.h. zu jedem Parameterwert gehört genau ein Punkt.

Für die Parameter t und ϕ sind das im angegebenen Bereich Funktionen, d.h. zu jedem Parameterwert gehört genau ein Punkt. PARAMETERFUNKTIONEN Zwei Beispiele: gsave currentpoint translate 21 4 div setlin 1 1 x = 2t 2 1 y = t < t

Mehr

4. Wässrige Lösungen schwacher Säuren und Basen

4. Wässrige Lösungen schwacher Säuren und Basen 4. Wässrige Lösungen schwacher Säuren und Basen Ziel dieses Kapitels ist es, das Vorgehenskonzept zur Berechnung von ph-werten weiter zu entwickeln und ph-werte von wässrigen Lösungen einprotoniger, schwacher

Mehr

Dr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1

Dr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1 .1 Dr. Jürgen Roth Fachbereich 6: Abteilung Didaktik der Mathematik Elemente der Algebra . Inhaltsverzeichnis Elemente der Algebra & Argumentationsgrundlagen, Gleichungen und Gleichungssysteme Quadratische

Mehr