Inhaltsverzeichnis Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik
|
|
- Hartmut Gerhardt
- vor 8 Jahren
- Abrufe
Transkript
1 Inhaltsverzeichnis 1. Grundbegriffe 2. Einführung in die statistische Mechanik 3. ormalmoden 4. Molekulardynamik 5. Monte -Carlo Simulationen 6. Finite-Elemente Methode 1 Casino in Monte Carlo, Monaco 2 1
2 Ursprung des amens Simulation von stochastischen Prozessen mit Hilfe von (quasi) Zufallszahlen - Monte-Carlo Casino Roulette Zufall - Zuerst verwendet 1949 bei Metropolis und Ulam MC wird im Allgemeinen verwendet, um - Thermodynamische Eigenschaften: Ensemblemittelwerte zu berechnen (keine Zeitmittelwerte, keine Dynamik) - Simulieren von dynamischen Prozessen mit Zeitskalen, die über diejenigen der MD hinausreichen (kinetic MC) Warum kmc: Eine deterministische Beschreibung von komplexen Vielteilchensystemen über lange Zeiten ist nicht durchführbar - Typische MD Simulationszeitskalen < 10-6 sec - Relevante Zeitskalen bei vielen Werkstoffprozessen: 10-3 bis 10 5 sec Übergang zu einer probabilistischen Beschreibung - Berücksichtigung von nur wenigen relevanten Freiheitsgraden, z. B. von Leerstellen - Alle übrigen Freiheitsgrade thermisches Rauschen, z.b Gitterschwingungen 3 Typische Anwendungen von MC Strahlungstransport in Festkörpern - z. B. eutronentransport (, Absorption, Kernreaktionen) Wechselwirkung von geladenen Teilchen mit Festkörpern - Ionenimplantation Simulation von Wachstumsprozessen - Ballistische und diffusionskontrollierte Aggregationsprozesse Transportprozesse in Festkörpern - sprozesse Kritische Phänomene, Phasenübergänge - Perkolation - Ordnungs-Unordnungsübergänge - Magnetische Phasenübergänge (Verhalten am kritischen Punkt) 4 2
3 Crystal Growth by Molecular Beam Epitaxy 5 Zufallsbewegung (Random walk) auf dem Gitter Übergangswahrscheinlichkeiten sind von vorhergehenden Sprüngen unabhängig z. B. Leerstellediffusion im Festkörper Wenn der walker zum Zeitpunkt t=0 sich bei x=0 befand, welche wird seine Position zum Zeitpunkt t=t? FALSCHE FRAGE Was ist die Wahrscheinlichkeit, dass zum Zeitpunkt t=t der Wanderer sich im Abstand X vom Ursprung befindet? 6 3
4 Das 1D Random Walk Was ist der mittlere Abstand, dass der Wanderer nach Schritten zurückgelegt hat? Definiere l n =±l als die Verschiebung des Wanderers beim n-ten Schritt. Das Hüpfen nach rechts (links ) geschieht mit Wahrscheinlichkeit p (q), p+q=1 ach Schritten, der vom Wanderer zurückgelegte Abstand beträgt: x l n n1 x l ( pq) l ( pq) l n n1 n n n j ( 1)( ) n1 n j ( ) ~ x l l l l p q l x x x 7 Beispiele von Wahrscheinlichkeitsverteilungen Gauss sche ormalverteilung 1 ( x ) exp X 2, X 2 X 2 Poisson-Verteilung: Seltene Ereignisse (Telefonanrufe, die in einem Call Center ankommen, Zerfall radioaktiver Kernen, Blitzhäufigkeit ) k e, k! Binomialverteilung (random walk) n k p (1 p) k nk Stetige Gleichverteilung 1/( b a) 0 X if x [ a, b] otherwise X 2 X 2 8 4
5 Quasi-Zufallszahlen Als Zufallszahlengenerator bezeichnet man ein Verfahren, das eine Folge von Zufallszahlen erzeugt. Man unterscheidet grundsätzlich zwischen nicht-deterministischen und deterministischen Zufallszahlengeneratoren. icht-deterministische ZZG liefern bei gleichen Ausgangsbedingungen unterschiedliche Werte. Ein deterministischer Zufallszahlengenerator liefert bei gleichen Ausgangsbedingungen dagegen immer die gleiche Folge von Zahlen. Die Implementierung einer Software-Prozedur arbeitet immer deterministisch. 9 Quasi-Zufallszahlen quasi-random numbers generator = deterministischer Algorithmus, der Sequenzen von Zufallszahlen R i generiert. (erwünschte) Eigenschaften - Maximal verteilte (pseudo-)zufallszahlen - lange Periodizität - schnell - ubertragbar auf verschiedene Softwares - reproduzierbar Beispiel: linearer Kongruenzgenerator R i 1 ( ar i b) (modulo ) 0a 1,0b 1 R0 [0, 1]... Ganze Zahlen Ri ri [0,1) Ri a5, b1, 8, R 2 0 2, 3, 0, 1, 6, 7, 4, 5, 2, 3, 0, 1 schlechte Wahl! 10 5
6 Alternative Abschätzung einer deterministischen Grösse (Integral) durch den Mittelwert einer stochastischen Grösse Beispiel: Fläche eines Kreises (Berechnung von π) y Zufällige Verteilung von Punkten auf einem Quadrat mit der Seitenlänge 1. Aufzählung der Punkte, die innerhalb des Einheitskreises liegen. Dann gilt A (2 R) circle 2 oncircle total x Algorithmus für mehrdimensionale Integrale dx dx... dx f ( x, x,... x ) 1 2 d 1 2 1/ 2 Relativer Fehler MC method 1/, 2/ d Simpson rule 1/, A dr d pa( r, p ) f( r, p ) i d d 4, d - Dimension 3 3 i i i i i i i... Anzahl der Versuche... Gesamtzahl der Stützstellen i=1,,10 3-5!! 11 Erinnerung: Das makroskopische Verhalten von einem komplexen Vielteilchensystem kann im thermodynamischen Gleichgewicht durch Mittelwerte charakterisiert werden A( r i, pi ) Molekulardynamik Zeitmittelwerte max tmax 1 A lim A( ri( t), pi( t) ) dt t tmax t t min tmin Remember: Vorlesungen 3-4 A L AW j j1 j Monte Carlo Ensemblemittelwerte A dr dpa( r, p ) f( r, p ) i 3 3 i i i i i i i 12 6
7 MC-Methode im thermodynamischen Gleichgewicht Der Zustand des Systems sei durch einen Vektor X im Phasenraum beschrieben Beispiele: System von Punktmassen X Ortsvektoren und Impulse( rj, pj) Spinsysteme X Binäre Legierungen X AAABBABBBBBAA Die Gesamtenergie des Systems (Hamilton-Funktion) hängt von X ab Die Verteilungsfunktion (bei konstanter Temperatur, d.h. im kanonischen Ensemble), die angibt, mit welcher Wahrscheinlichkeit die Konfiguration X auftreten wird, ist gegeben durch: 1 H( X) H( X) Weq ( X) exp, Z exp Z kt allx kt Summe/Integration über alle Zustände Für grosse Systeme ( Teilchen) ist die Berechnung der Zustandssumme Z, selbst auf einem Supercomputer technisch unmöglich! Zustandssumme 13 MC-Methode im thermodynamischen Gleichgewicht "Simple Sampling" ( ) ( A W ) eq X A X allx Der Mittelwert (über das kanonische Ensemble) einer physikalischen Grösse is definiert als Um (*) zu berechnen kann man einen Zufallsweg (random walk) erzeugen, d.h. verschiedene Zustände werden mit gewissen Wahrscheinlichkeiten ausgewählt. Erzeuge eine Konfiguration X und akzeptiere sie mit Wahrscheinlichkeit W eq (X), z.b. Austausch zweier Atome auf einem Gitter (*) A( X ) SEHR IEFFIZIET Abschätzung der Summe in Gleichung. (*) durch Generierung von Zufallskonfigurationen, wobei i.a. viel kleiner als die Gesamtzahl von möglichen Konfigurationen ist A A W ( X ) A( X ) eq k k k
8 MC-Methode im thermodynamischen Gleichgewicht Problem: Bei einer rein zufälligen Auswahl der Zustände, werden sehr oft Konfigurationen mit hoher Energie gewählt ihre Wahrscheinlichkeit ist sehr gering infolge der exp-abhängigkeit der Zustandssumme H ( X ) Weq( X)~exp kt Beispiel: Abschätzung der Gesamtzahl der relevanten Konfiguration (Mikrozustände) im Ising- Model Mögliche Zustände eines einzelnen magnetischen Moments: +1/2, -1/2 (up, down) Quadratisches Gitter Gesamtzahl: 4x4 Gitter: 100x100 Gitter: Ergo: Wegen begrenzter Rechenpower kann in grossen Systemen nur einen sehr kleinen Anteil der relevanten Zustände erreicht werden. "Simple Sampling" kann daher am besten bei hohen Temperaturen effizient sein, wo man mit höherer Wahrscheinlichkeit Zustände mit hoher Energie antreffen kann. Alternative: "Importance Sampling" 15 Importance Sampling - 1 Beispiel: Berechne das Integral Die Funktion g(x) ist nur von ull verschieden in [0,1] Mögliche Auswahl: Uniform(0,1) and Uniform(0,5) Stetige Gleichverteilung Über die Intervalle [0,1] und [0,5] Uniform(0,5) zu nehmen wäre nicht sinnvoll Kluge Wahl der zugrundeliegenden Wahrscheinlichkeitsverteilung ist wichtig 16 8
9 Importance Sampling Um thermodynamische Mittelwerte effizient zu berechnen, ist es wichtig, die Zustände nicht nach gleicher a priori Wahrscheinlichkeit auszuwählen, sondern mit geeigneten statistischen Gewichten Wenn wir die möglichen Zustände X aus der Verteilung W eq (X) auswählen, dann kann man die Mittelwerte folgendermaßen berechnen A A A( X ) 1 k 1 k D.h. die X-Zustände sind nicht mehr völlig zufällig ausgewählt, Kann man eine Prozedur angeben, nach der wir einen Satz von Zuständen erzeugen können, die den grössten Beitrag zum Mittelwert liefern? Ja Metropolis Algorithmus 17 Der Metropolisalgorithmus: Erzeuge die relevanten Zustände nach einer spezifischen Wahrscheinlichkeitsverteilung (Boltzmann-Verteilung) 1. Starte mit beliebiger Konfiguration (Zustand) X 0 2. Führe eine Zustandsänderung durch (bewege ein Atom, flip ein magnetisches Moment, usw.) icholas Metropolis 3. Berechne H H( X ) H( X ) i1 4. Berechne die Übergangswahrscheinlichkeit i H / kt B 1 min i i 1, e Wenn H 0 akzeptiere die neue Konfiguration mit Wahrscheinlichkeit 1 W Wenn H 0 akzeptiere die neue Konfiguration mit Wahrscheinlichkeit Wi i 1 Go to 2 Berechne die entsprechenden MIttelwerte M 1 A A A( Xn) M M Die ersten M 0 Schritte dienen der Equilibrierung des Systems 0 n M
10 Zusammenfassung Man vergleiche eine Trajektorie bei einer thermodynamischen MC-Simulation mit der Trajektorie der MD. Beide Methoden erzeugen diskrete Trajektorien (entweder eine diskrete Zustandskette oder eine in der Zeit diskretisierte MD Trajektorie) Allerdings ist die Zustandskette stochastisch und nicht deterministisch wie die MD-Trajektorie Die MC-Trajektorie ist keine dynamische Trajektorie sondern dient nur zum Abtasten des Phasenraums Geschwindigkeiten spielen keine Rolle bei einer Zustandskette, nur Konfigurationen des gesamten Systems. (Der Beitrag der kinetischen Energie zu der Zustandssumme kann immer analytisch berechnet werden, da er immer quadratisch in den Impulsen ist, und liefert nur einen Vorfaktor) 19 = Simulation kinetischer Prozesse im ichtgleichgewicht Herausforderung: Zeitentwicklung des Systems Beachte: a priori hat die MC-Zeit nichts zu tun mit der reallen physikalischen Zeit Auswahl der elementaren Prozesse (events) Plannung einer kmc Simulation: Charakteristische Zeitskalen E.g.: - Gitterschwingungen char sec Sie werden als thermisches Rauschen berücksichtigt - Leerstellendiffusion im Festkörpern wait 0 exp( E m / kt ) Wartezeiten stark temperaturabhängig sec, E m 1eV...Migrationsenergie wait sec bei 1000 C wait 0.3sec bei 100 C kmc nutzt die Tatsache aus, dass die Langzeitdynamik typischerweise aus diffusiven Hüpfen von Zustand zu Zustand besteht. Statt die Dynamik des Systems über Zeiten in der Grössenordnung einer typischen Schwingungsperiode zu verfolgen, werden nur Zustandsübergänge betrachtet 20 10
11 Hüpfen von Zustand zu Zustand Was ist Hüpfen (hopping)? Was ist ein Zustand? W AB E pot ({R n }) E A ({R A n},{p A n}) E B ({R B n},{p B n}) Einfachster Fall: thermischaktivierter Prozess W AB EB EA ~exp kt 21 Hüpfen findet auf einer hochdimensionalen Hyperfläche statt! Man muss die Gesamtheit der Übergangsraten W ij berechnen! Trennung der Zeitskalen t dwell >>t hop Kein Gedächtnis wenn t dwell >>t vibr Raten W ij hängen nur von i und j ab und nicht von i-1, i-2, usw. Markov-Kette! 22 11
12 R j t R i t D* 1 2d t 1 i1 R i t 2 25 Wähle ein Atom (zufällig) Wähle eine Hüpfrichtung (zufällig) 26 12
13 Wähle ein Atom (zufällig) Wähle eine Hüpfrichtung (zufällig) Berechneexp E b k B T 27 Wähle ein Atom (zufällig) Wähle eine Hüpfrichtung (zufällig) Berechne expe b k B T Min (1, expe b k B T ) Metropolis 28 13
14
15
16
17
18 Für jeden Übergang (Hüpfen) Berechne die Übergangsrate W i * exp E i k B T 37 Für jeden Übergang (Hüpfen) Berechne die Übergangsrate W i * exp E i k B T Wähle zufällig einen Übergang k mit Wahrscheinlichkeit W k 38 18
19 Für jeden Übergang (Hüpfen) Berechne die Übergangsrate W i * exp E i k B T Wähle zufällig einen Übergang k mit Wahrscheinlichkeit W k 1 = Zufallszahl 39 Für jeden Übergang (Hüpfen) Berechne die Übergangsrate W i * exp E i k B T Wähle zufällig einen Übergang k mit Wahrscheinlichkeit W k 1 = Zufallszahl hops k1 k W i 1 W W i W W i i1 i 0 i
20 .wähle zufällig einen Übergang k, mit Wahrscheinlichkeit W k 1 = Zufallszahl S k 1 k k 1 Wi W Wi S W 1 k W i i1 i0 i1 S 1 S 6 S 2 S 3 S 4 S 5 1 W 41 Zeit achdem Übergang k ausgewählt wurde, muss die Zeit aktualisiert werden 2 = Zufallszahl 1 t log 2 W Bemerkung: Zeitschritt hängt nur von der gesamten Übergangsrate W ab 42 20
21 Ziehen eines Zufallszahls t draw aus einer Exponentialverteilung (Poisson) tot pt () e W t Ziehe eine Zufallszahl r aus dem Intervall (0,1), und berechne ln r t W r Diese Zahl ist representativ einer Übergangszeit (escape time) mit Übergangsrate gegeben durch W tot 43 Kinetisches Monte-Carlo oder wo ist die physikalische Zeit? Typischer kmc Ablauf 1. Beginn bei t = 0 2. Berechne die Übergangsraten W ij 3. Ordne sie in einer linearen Reihe, wobei die Länge von jedem Segment proportional zu der entsprechenden Übergangsrate sein soll 4. Ziehe eine Zufallszahl aus ϵ [0, 1] und berechne 1 W 5. Wähle den Übergang wo fällt 1 W 6. Aktualisiere die Übergangsraten W ij 7. Ziehe eine Zufallszahl aus ϵ [0, 1] 8. ln2 Aktualisiere den Zeitschritt t = t + t,,mit t W 9. Gehe zu 2 1 W 44 21
22 Clusterbildung und Ostwaldreifung substrate fast deposition of atoms on a substrate Migrations of atoms at surfaces Cluster formation Cluster dissociation Cluster growth 45 sbegrenztes Wachstum (diffusion-limited aggregation DLA) Lichtenberg Figuren Lichtenberg-Figuren sind baum-, farn- oder sternförmige Muster, die als Resultat elektrischer Hochspannungsentladungen auf oder in isolierenden Materialien (Dielektrikum) entstehen. Kupfersulfat Cluster 46 22
23 sbegrenztes Wachstum: Atomare auf einer Oberfläche. eue Teilchen lagern sich mit größerer Wahrscheinlichkeit an den schon bestehenden Spitzen des Clusters an. Die dabei entstehenden stark verästelten Strukturen ( brownsche Bäume ) sind im Grenzfall unendlich kleiner Teilchen Fraktale. 47 Sintering in Amorphous Systems 48 23
24 Layer-by-Layer Thin Film deposition 49 Selbstassemblierung von Stäben (organische Ketten) in einem Lösungsmittel, das geladene Gruppen (Phosphate) enthält Einfaches Modell: ur Stick-Wahrscheinlichkeiten für die verschiedenen Komponenten definiert. Diese Simulationen sind wichtig um Bildungsmuster (pattern formation) beschreiben in Biosystemen zu 50 24
Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin
Mathematik des Hybriden Monte-Carlo Marcus Weber Zuse Institute Berlin Statistische Thermodynamik Ziel: Am Computer ein Ensemble samplen. Messung im Gleichgewicht (zeitunabhängige Verteilung π der Systemzustände
MehrGrundlagen der Monte Carlo Simulation
Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
MehrMonte-Carlo-Simulation
Modellierung und Simulation Monte-Carlo-Simulation Universität Hamburg Johannes Schlundt 7. Januar 2013 Monte-Carlo-Simulation Johannes S. 1/31 Inhalt Motivation Geschichtliche Entwicklung Monte-Carlo-Simulation
MehrStatistische 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
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrUnterrichtsmaterialien 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
MehrAufgaben zur Flächenberechnung mit der Integralrechung
ufgaben zur Flächenberechnung mit der Integralrechung ) Geben ist die Funktion f(x) = -x + x. a) Wie groß ist die Fläche, die die Kurve von f mit der x-chse einschließt? b) Welche Fläche schließt der Graph
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrAnhand 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
Mehr5.1. Kinetische Gastheorie. Ziel: Der Gasdruck: Kolben ohne Reibung, Gasatome im Volumen V Wie groß ist F auf den Kolben?
5.1. Kinetische Gastheorie z.b: He-Gas : 3 10 Atome/cm diese wechselwirken über die elektrische Kraft: Materie besteht aus sehr vielen Atomen: gehorchen den Gesetzen der Mechanik Ziel: Verständnis der
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrDiana Lange. GENERATIVE GESTALTUNG Arten des Zufalls
Diana Lange GENERATIVE GESTALTUNG Arten des Zufalls RANDOM int index = 0; while (index < 200) { float x = random(0, width); float y = random(0, height); float d = random(40, 100); ellipse(x, y, d, d);
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrInformatik für Schüler, Foliensatz 12 Pseudo-Zufallszahlen
rof. G. Kemnitz Institut für Informatik, Technische Universität Clausthal 14. April 2010 1/14 Informatik für Schüler, Foliensatz 12 Pseudo-Zufallszahlen Prof. G. Kemnitz Institut für Informatik, Technische
MehrFC1 - Monte Carlo Simulationen
FC1 - Monte Carlo Simulationen 16. Oktober 2007 Universität Paderborn - Theoretische Physik Autor: Simone Sanna, Stephan Blankenburg Datum: 16. Oktober 2007 FC1 - Monte Carlo Simulationen 3 1 Das Monte
MehrGüte 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
MehrHauptseminar. Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit. Robert John 2.11.2011
Hauptseminar Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit Robert John 1 Inhalt Herkunft Stochastische Schätzung Monte-Carlo-Methode Varianzreduktion Zufallszahlen Anwendungsgebiete
MehrGase, Flüssigkeiten, Feststoffe
Gase, Flüssigkeiten, Feststoffe Charakteristische Eigenschaften der Aggregatzustände Gas: Flüssigkeit: Feststoff: Nimmt das Volumen und die Form seines Behälters an. Ist komprimierbar. Fliesst leicht.
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
Mehr1. 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:
MehrMonte-Carlo- Simulation. Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA
Monte-Carlo- Simulation Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA Übersicht Einleitung Simulation mit Geant4 generierte Daten Zusammenfassung 2 Simulation Mathematische Modellierung
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie
Mehrerster Hauptsatz der Thermodynamik,
1.2 Erster Hautsatz der hermodynamik Wir betrachten ein thermodynamisches System, dem wir eine beliebige Wärmemenge δq zuführen, und an dem wir eine Arbeit da leisten wollen. Werden umgekehrt dem System
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
MehrKapitel 3: Etwas Informationstheorie
Stefan Lucks 3: Informationstheorie 28 orlesung Kryptographie (SS06) Kapitel 3: Etwas Informationstheorie Komplexitätstheoretische Sicherheit: Der schnellste Algorithmus, K zu knacken erfordert mindestens
Mehr8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht
8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht 8.2-1 Stoffliches Gleichgewicht Beispiel Stickstoff Sauerstoff: Desweiteren
MehrHamilton-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
Mehr50. 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
MehrDas Black-Scholes Marktmodell
Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt
MehrEinführung in die Physik I. Wärme 2 Kinetische Gastheorie
Einführung in die Physik I Wärme Kinetische Gastheorie O. von der Lühe und U. Landgraf Kinetische Gastheorie - Gasdruck Der Druck in einem mit einem Gas gefüllten Behälter entsteht durch Impulsübertragung
MehrThermodynamik. Basics. Dietmar Pflumm: KSR/MSE. April 2008
Thermodynamik Basics Dietmar Pflumm: KSR/MSE Thermodynamik Definition Die Thermodynamik... ist eine allgemeine Energielehre als Teilgebiet der Chemie befasst sie sich mit den Gesetzmässigkeiten der Umwandlungsvorgänge
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrAdministratives BSL PB
Administratives Die folgenden Seiten sind ausschliesslich als Ergänzung zum Unterricht für die Schüler der BSL gedacht (intern) und dürfen weder teilweise noch vollständig kopiert oder verbreitet werden.
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Dolga Olena Otto-von-Guericke-Universität Fakultät für Informatik Seminar-Das virtuelle Labor Inhaltsverzeichnis Überblick Geschichte Anwendung -Bereiche -Spezielle Methoden Mathematische
MehrPhysik 4, Übung 8, Prof. Förster
Physik 4, Übung 8, Prof. Förster Christoph Hansen Emailkontakt Dieser Text ist unter dieser Creative Commons Lizenz veröffentlicht. Ich erhebe keinen Anspruch auf Vollständigkeit oder Richtigkeit. Falls
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
Mehr2.8 Grenzflächeneffekte
- 86-2.8 Grenzflächeneffekte 2.8.1 Oberflächenspannung An Grenzflächen treten besondere Effekte auf, welche im Volumen nicht beobachtbar sind. Die molekulare Grundlage dafür sind Kohäsionskräfte, d.h.
MehrWas können Schüler anhand von Primzahltests über Mathematik lernen?
Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.
Mehr1 Arbeit und Energie. ~ F d~r: (1) W 1!2 = ~ F ~s = Beispiel für die Berechnung eines Wegintegrals:
1 Arbeit und Energie Von Arbeit sprechen wir, wenn eine Kraft ~ F auf einen Körper entlang eines Weges ~s einwirkt und dadurch der "Energieinhalt" des Körpers verändert wird. Die Arbeit ist de niert als
MehrA Lösungen zu Einführungsaufgaben zu QueueTraffic
A Lösungen zu Einführungsaufgaben zu QueueTraffic 1. Selber Phasen einstellen a) Wo im Alltag: Baustelle, vor einem Zebrastreifen, Unfall... 2. Ankunftsrate und Verteilungen a) poissonverteilt: b) konstant:
MehrMATHEMATIK 3 STUNDEN. DATUM: 8. Juni 2009
EUROPÄISCHES ABITUR 2009 MATHEMATIK 3 STUNDEN DATUM: 8. Juni 2009 DAUER DES EXAMENS : 3 Stunden (180 Minuten) ZUGELASSENE HILFSMITTEL : Europäische Formelsammlung Nicht graphischer und nicht programmierbarer
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrSeminar Finanzmathematik
Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrInformatik Aufgaben. 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100.
Informatik Aufgaben 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100. 2. Erstelle ein Programm, das die ersten 20 (z.b.) ungeraden Zahlen 1, 3, 5,... ausgibt und deren
MehrModellbildungssysteme: Pädagogische und didaktische Ziele
Modellbildungssysteme: Pädagogische und didaktische Ziele Was hat Modellbildung mit der Schule zu tun? Der Bildungsplan 1994 formuliert: "Die schnelle Zunahme des Wissens, die hohe Differenzierung und
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr11. Rent-Seeking 117
117 Definitionen Gewinnstreben: Vorhandene Ressourcen werden so eingesetzt, dass Einkommen entsteht und die Differenz aus Einkommen und Kosten maximal wird. Rent-Seeking: Vorhandene Ressourcen werden eingesetzt,
MehrKlausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 09
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrLösung. Prüfungsteil 1: Aufgabe 1
Zentrale Prüfung 01 Lösung Diese Lösung wurde erstellt von Cornelia Sanzenbacher. Sie ist keine offizielle Lösung des Ministeriums für Schule und Weiterbildung des Landes. Prüfungsteil 1: Aufgabe 1 a)
Mehr1.3 Ein paar Standardaufgaben
1.3 Ein paar Standardaufgaben 15 1.3 Ein paar Standardaufgaben Einerseits betrachten wir eine formale und weitgehend abgeschlossene mathematische Theorie. Sie bildet einen Rahmen, in dem man angewandte
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrKlausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS 2010
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Stochastische Modelle in Produktion und Logistik im SS
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrFibonacci Retracements und Extensions im Trading
Fibonacci Retracements und Extensions im Trading Einführung Im 12. Jahrhundert wurde von dem italienischem Mathematiker Leonardo da Pisa die Fibonacci Zahlenfolge entdeckt. Diese Zahlenreihe bestimmt ein
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
Mehr(1) Problemstellung. (2) Kalman Filter
Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrÜbungsklausur. 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
MehrWachstum 2. Michael Dröttboom 1 LernWerkstatt-Selm.de
1. Herr Meier bekommt nach 3 Jahren Geldanlage 25.000. Er hatte 22.500 angelegt. Wie hoch war der Zinssatz? 2. Herr Meiers Vorfahren haben bei der Gründung Roms (753. V. Chr.) 1 Sesterze auf die Bank gebracht
MehrDokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz
Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz Andreas Aigner email: andreasa@sbox.tu-graz.ac.at. Januar 00 Inhaltsverzeichnis Theorie. Stromfunktion...........................
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
MehrMechanismus Design Auktionen
Mechanismus Design Auktionen Universität Hohenheim Alexander Staus Mechanismus Design Universität Hohenheim 1/25 Welche Auktionen kennen Sie? traditionelle Auktionshäuser ebay Immobilien Fahrräder Blumen
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
MehrAnimation ist das Erzeugen von Filmen mit Hilfe der Computergrafik. Objekte bewegen sich hierbei oder Beleuchtung, Augpunkt, Form,... ändern sich.
Kapitel 1 Animation (Belebung) Animation ist das Erzeugen von Filmen mit Hilfe der Computergrafik. Objekte bewegen sich hierbei oder Beleuchtung, Augpunkt, Form,... ändern sich. Anwendungen findet die
Mehr5. Arbeit und Energie
Inhalt 5.1 Arbeit 5.2 Konservative Kräfte 5.3 Potentielle Energie 5.4 Kinetische Energie 5.1 Arbeit 5.1 Arbeit Konzept der Arbeit führt zur Energieerhaltung. 5.1 Arbeit Wird Masse m mit einer Kraft F von
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrAusarbeitung 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
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrJedes Umfeld hat seinen perfekten Antrieb. Individuelle Antriebslösungen für Windenergieanlagen.
Jedes Umfeld hat seinen perfekten Antrieb. Individuelle Antriebslösungen für Windenergieanlagen. 1 2 3 3 4 1 2 3 4 Generator Elektromechanische Bremse Azimutantriebe Rotorlock-Antrieb (im Bild nicht sichtbar)
MehrWir arbeiten mit Zufallszahlen
Abb. 1: Bei Kartenspielen müssen zu Beginn die Karten zufällig ausgeteilt werden. Wir arbeiten mit Zufallszahlen Jedesmal wenn ein neues Patience-Spiel gestartet wird, muss das Computerprogramm die Karten
MehrBewertung von Barriere Optionen im CRR-Modell
Bewertung von Barriere Optionen im CRR-Modell Seminararbeit von Susanna Wankmueller. April 00 Barriere Optionen sind eine Sonderform von Optionen und gehören zu den exotischen Optionen. Sie dienen dazu,
MehrMulticheck Schülerumfrage 2013
Multicheck Schülerumfrage 2013 Die gemeinsame Studie von Multicheck und Forschungsinstitut gfs-zürich Sonderauswertung ICT Berufsbildung Schweiz Auswertung der Fragen der ICT Berufsbildung Schweiz Wir
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrKursthemen 12. Sitzung. Spezielle Verteilungen: Warteprozesse. Spezielle Verteilungen: Warteprozesse
Kursthemen 12. Sitzung Folie I - 12-1 Spezielle Verteilungen: Warteprozesse Spezielle Verteilungen: Warteprozesse A) Die Geometrische Verteilung (Folien 2 bis 7) A) Die Geometrische Verteilung (Folien
MehrDie innere Energie eines geschlossenen Systems ist konstant
Rückblick auf vorherige Vorlesung Grundsätzlich sind alle möglichen Formen von Arbeit denkbar hier diskutiert: Mechanische Arbeit: Arbeit, die nötig ist um einen Massepunkt von A nach B zu bewegen Konservative
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
Mehr8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht
8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht 8.2-1 Stoffliches Gleichgewicht Beispiel Stickstoff Sauerstoff: Desweiteren
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
Mehr( ) als den Punkt mit der gleichen x-koordinate wie A und der
ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der
MehrAbituraufgabe zur Analysis, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Analysis, Hessen 2009, Grundkurs (TR) Gegeben ist die trigonometrische Funktion f mit f(x) = 2 sin(2x) 1 (vgl. Material 1). 1.) Geben Sie für die Funktion f den Schnittpunkt mit der y
MehrPhysikalisches Praktikum
Inhaltsverzeichnis Physikalisches Praktikum Versuchsbericht M4 Stoßgesetze in einer Dimension Dozent: Prof. Dr. Hans-Ilja Rückmann email: irueckm@uni-bremen.de http: // www. praktikum. physik. uni-bremen.
MehrElektrische Energie, Arbeit und Leistung
Elektrische Energie, Arbeit und Leistung Wenn in einem Draht ein elektrischer Strom fließt, so erwärmt er sich. Diese Wärme kann so groß sein, dass der Draht sogar schmilzt. Aus der Thermodynamik wissen
MehrVektoren mit GeoGebra
Vektoren mit GeoGebra Eine Kurzanleitung mit Beispielen Markus Hohenwarter, 2005 In GeoGebra kann mit Vektoren und Punkten konstruiert und gerechnet werden. Diese Kurzanleitung gibt einen Überblick über
Mehr