Inhaltsverzeichnis Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik

Größe: px
Ab Seite anzeigen:

Download "Inhaltsverzeichnis 12.01.2015. 1. Grundbegriffe. 2. Einführung in die statistische Mechanik. 3. Normalmoden. 4. Molekulardynamik"

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

Monte Carlo Simulationen

Monte 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

Mehr

COMPUTERSIMULATIONEN. Ein Überblick

COMPUTERSIMULATIONEN. Ein Überblick COMPUTERSIMULATIONEN Ein Überblick Ziel: Vorhersage der makroskopischen Eigenschaften eines Systems. Geht das? Newton: Ja: F=m a gibt an, wie sich das System mit der Zeit entwickelt Laplace: Im Prinzip

Mehr

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen

Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Die Monte-Carlo-Methode mit Pseudo- und Quasi-Zufallszahlen Marco A. Harrendorf Hauptseminar Methoden der experimentellen Teilchenphysik WS 2011/2012 Karlsruhe Institut für Technologie (KIT) 25.11.2011

Mehr

Molekularfeldtheorie (MFT)

Molekularfeldtheorie (MFT) 29.06.2006 Motivation Anwendungen der MFT MFT-Herleitung mittels Variationsansatz und Anwendung Grenzen der Anwendung der MFT Motivation Meisten Probleme nur unter Berücksichtigung von Wechselwirkungen

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Monte Carlo Simulation (Grundlagen)

Monte Carlo Simulation (Grundlagen) Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen

Mehr

38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner?

38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner? 38. Algorithmus der Woche Zufallszahlen Wie kommt der Zufall in den Rechner? Autor Tim Jonischkat, Universität Duisburg-Essen Bruno Müller-Clostermann, Universität Duisburg-Essen Algorithmen sind clevere

Mehr

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner

ZUFALLSZAHLEN. WPG Informatik / Mathematik. BG/BRG Bad Ischl. A. Lindner ZUFALLSZAHLEN WPG Informatik / Mathematik BG/BRG Bad Ischl A. Lindner 1 BEDEUTUNG VON ZUFALLSZAHLEN Beispiel: Computertip für Lotto in einer Trafik. Wie kann ein (elektronisches) Gerät, das nach einem

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

11 Monte-Carlo (MC) Simulation

11 Monte-Carlo (MC) Simulation 11 Monte-Carlo (MC) Simulation Literatur zu diesem Teil: neben MD die andere wichtige Simulationsmethode für klassische Vielteilchensysteme. Sehr zu empfehlen ist Frenkel [1], aber auch Landau und Binder

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536 fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung

Mehr

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie

Mehr

Seminar Finanzmathematik

Seminar 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

Mehr

Bewertung von Forwards, Futures und Optionen

Bewertung von Forwards, Futures und Optionen Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches

Mehr

3 Elektrische Leitung

3 Elektrische Leitung 3.1 Strom und Ladungserhaltung 3 Elektrische Leitung 3.1 Strom und Ladungserhaltung Elektrischer Strom wird durch die Bewegung von Ladungsträgern hervorgerufen. Er ist definiert über die Änderung der Ladung

Mehr

Phasenumwandlungen und Quanteneffekte in Modell-Kolloiden und Nanostrukturen. Peter Nielaba Universität Konstanz

Phasenumwandlungen und Quanteneffekte in Modell-Kolloiden und Nanostrukturen. Peter Nielaba Universität Konstanz Phasenumwandlungen und Quanteneffekte in Modell-Kolloiden und Nanostrukturen Peter Nielaba Universität Konstanz 1 nano-meter = 1/1 000 000 000 m In a Europe of the size of a water droplet humans have

Mehr

Einführung in die Physik I. Wärme 2 Kinetische Gastheorie

Einführung 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

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

Gase, Flüssigkeiten, Feststoffe

Gase, 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.

Mehr

5.1. Kinetische Gastheorie. Ziel: Der Gasdruck: Kolben ohne Reibung, Gasatome im Volumen V Wie groß ist F auf den Kolben?

5.1. 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

Mehr

Monte-Carlo Simulation

Monte-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

Mehr

Markovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015

Markovketten. 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

Mehr

Multiple-Choice Test. Alle Fragen können mit Hilfe der Versuchsanleitung richtig gelöst werden.

Multiple-Choice Test. Alle Fragen können mit Hilfe der Versuchsanleitung richtig gelöst werden. PCG-Grundpraktikum Versuch 8- Reale Gas Multiple-Choice Test Zu jedem Versuch im PCG wird ein Vorgespräch durchgeführt. Für den Versuch Reale Gas wird dieses Vorgespräch durch einen Multiple-Choice Test

Mehr

Thermische Isolierung mit Hilfe von Vakuum. 9.1.2013 Thermische Isolierung 1

Thermische Isolierung mit Hilfe von Vakuum. 9.1.2013 Thermische Isolierung 1 Thermische Isolierung mit Hilfe von Vakuum 9.1.2013 Thermische Isolierung 1 Einleitung Wieso nutzt man Isolierkannen / Dewargefäße, wenn man ein Getränk über eine möglichst lange Zeit heiß (oder auch kalt)

Mehr

Informatik für Schüler, Foliensatz 12 Pseudo-Zufallszahlen

Informatik 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

Mehr

Computerviren, Waldbrände und Seuchen - ein stochastisches Modell für die Reichweite einer Epidemie

Computerviren, Waldbrände und Seuchen - ein stochastisches Modell für die Reichweite einer Epidemie Computerviren, Waldbrände und Seuchen - ein stochastisches für die Reichweite einer Epidemie Universität Hildesheim Schüler-Universität der Universität Hildesheim, 21.06.2012 Warum Mathematik? Fragen zum

Mehr

Hochdisperse Metalle

Hochdisperse Metalle Hochdisperse Metalle von Prof. Dr. rer. nat. habil. Wladyslaw Romanowski Wroclaw Bearbeitet und herausgegeben von Prof. Dr. rer. nat. habil. Siegfried Engels Merseburg Mit 36 Abbildungen und 7 Tabellen

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. 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

Mehr

Das Black-Scholes Marktmodell

Das 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

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners 1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man

Mehr

Metropolis Monte-Carlo Simulation einer binären Mischung im Ising-Modell

Metropolis Monte-Carlo Simulation einer binären Mischung im Ising-Modell Praktikum Materialwissenschaft III Metropolis Monte-Carlo Simulation einer binären Mischung im Ising-Modell Manuel Diehm (mdiehm@mm.tu-darmstadt.de), L1 08 (CSI), R212 Péter Ágoston (agoston@mm.tu-darmstadt.de),

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

5. Arbeit und Energie

5. 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

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse

Mehr

Thermodynamik: Definition von System und Prozess

Thermodynamik: Definition von System und Prozess Thermodynamik: Definition von System und Prozess Unter dem System verstehen wir den Teil der elt, an dem wir interessiert sind. Den Rest bezeichnen wir als Umgebung. Ein System ist: abgeschlossen oder

Mehr

5 Gase...2. 5.1 Das ideale Gasgesetz...2. 5.2 Kinetische Gastheorie...3. 5.2.1 Geschwindigkeit der Gasteilchen:...5. 5.2.2 Diffusion...

5 Gase...2. 5.1 Das ideale Gasgesetz...2. 5.2 Kinetische Gastheorie...3. 5.2.1 Geschwindigkeit der Gasteilchen:...5. 5.2.2 Diffusion... 5 Gase...2 5.1 Das ideale Gasgesetz...2 5.2 Kinetische Gastheorie...3 5.2.1 Geschwindigkeit der Gasteilchen:...5 5.2.2 Diffusion...5 5.2.3 Zusammenstöße...6 5.2.4 Geschwindigkeitsverteilung...6 5.2.5 Partialdruck...7

Mehr

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik Probeklausur März 2014 Teil-1-Aufgaben Beurteilung Jede Aufgabe in Teil 1 wird mit 0 oder 1 Punkt bewertet, jede Teilaufgabe in

Mehr

6. Transporteigenschaften von Metallen

6. Transporteigenschaften von Metallen 6. Transporteigenschaften von Metallen 6. llgemeine Transportgleichung a) elektrische Leitung b) Wärmeleitung c) Diffusion llgemeine Transportgleichung: j C Φ j : C : Φ : Stromdichte Proportionalitätskonstante

Mehr

Aufabe 7: Baum-Welch Algorithmus

Aufabe 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,

Mehr

Non-Deterministische CFD Simulationen in FINE /Turbo

Non-Deterministische CFD Simulationen in FINE /Turbo Non-Deterministische CFD Simulationen in FINE /Turbo Dipl.-Ing. (FH) Peter Thiel Dr.-Ing. Thomas Hildebrandt NUMECA Ingenieurbüro NUMECA, a New Wave in Fluid Dynamics Überblick 1. Motivation: Warum non-deterministische

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

11. Ideale Gasgleichung

11. Ideale Gasgleichung . Ideale Gasgleichung.Ideale Gasgleichung Definition eines idealen Gases: Gasmoleküle sind harte punktförmige eilchen, die nur elastische Stöße ausführen und kein Eigenvolumen besitzen. iele Gase zeigen

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation

Simulationsverfahren. Schwerpunkt: Monte Carlo Simulation Simulationsverfahren Schwerpunkt: Monte Carlo Simulation Agenda 1. Was ist eine Simulation? 2. Verschiedene Arten von Simulation 3. Einsatzgebiete von Simulationen 4. Geschichte der MC Simulation 5. Warum

Mehr

Was können Schüler anhand von Primzahltests über Mathematik lernen?

Was 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.

Mehr

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)

Mehr

1 Grundwissen Energie. 2 Grundwissen mechanische Energie

1 Grundwissen Energie. 2 Grundwissen mechanische Energie 1 Grundwissen Energie Die physikalische Größe Energie E ist so festgelegt, dass Energieerhaltung gilt. Energie kann weder erzeugt noch vernichtet werden. Sie kann nur von einer Form in andere Formen umgewandelt

Mehr

1 Arbeit und Energie. ~ F d~r: (1) W 1!2 = ~ F ~s = Beispiel für die Berechnung eines Wegintegrals:

1 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

Mehr

Arbeit und Energie. Brückenkurs, 4. Tag

Arbeit und Energie. Brückenkurs, 4. Tag Arbeit und Energie Brückenkurs, 4. Tag Worum geht s? Tricks für einfachere Problemlösung Arbeit Skalarprodukt von Vektoren Leistung Kinetische Energie Potentielle Energie 24.09.2014 Brückenkurs Physik:

Mehr

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?

Mehr

Arbeit und Leistung. 2mgs/2 = mgs. m g. m g. mgs = const. m g. 2m g. .. nmgs/n = mgs

Arbeit und Leistung. 2mgs/2 = mgs. m g. m g. mgs = const. m g. 2m g. .. nmgs/n = mgs Arbeit und Leistung s s m g m g mgs = mgs s/2 mgs = const. s 2m g m g 2mgs/2 = mgs.. nmgs/n = mgs Arbeit und Leistung Arbeit ist Kraft mal Weg Gotthardstraße Treppe und Lift Feder Bergsteiger/Wanderer

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

Füllmenge. 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

Füllmenge. 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

Mehr

Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die

Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Rückwärtsgleichung P (t) = QP (t), P (0) = E eine minimale nicht negative Lösung (P (t) : t 0). Die Lösung bildet eine Matrix Halbgruppe, d.h. P (s)p

Mehr

Das Higgs-Boson wie wir danach suchen

Das Higgs-Boson wie wir danach suchen Das Higgs-Boson wie wir danach suchen Beschleuniger und Detektoren Anja Vest Wie erzeugt man das Higgs? Teilchenbeschleuniger Erzeugung massereicher Teilchen Masse ist eine Form von Energie! Masse und

Mehr

Einführung in die Physik

Einführung in die Physik Einführung in die Physik für Pharmazeuten und Biologen (PPh) Mechanik, Elektrizitätslehre, Optik Klausur: Montag, 11.02. 2008 um 13 16 Uhr (90 min) Willstätter-HS Buchner-HS Nachklausur: Freitag, 18.04.

Mehr

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.

Bei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses. XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------

Mehr

Technische Universität München Lehrstuhl I für Technische Chemie

Technische Universität München Lehrstuhl I für Technische Chemie Technische Universität München Lehrstuhl I für Technische Chemie Klausur WS 2012/2013 zur Vorlesung Grenzflächenprozesse Prof. Dr.-Ing. K.-O. Hinrichsen, Dr. T. Michel Frage 1: Es ist stets nur eine Antwort

Mehr

Stochastic Sampling als Messprinzip

Stochastic Sampling als Messprinzip Stochastic Sampling als Messprinzip Ehrenkolloquium Frau Prof. Dr.-Ing. habil. Erika Müller 21.09.2012, Universität Rostock Holger Nobach Max-Planck-Institut für Dynamik und Selbstorganisation Göttingen

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Physikalische Grundlagen der Hygrometrie

Physikalische Grundlagen der Hygrometrie Den Druck der durch die verdampfenden Teilchen entsteht, nennt man auch Dampfdru Dampfdruck einen gewissen Wert, so können keine weiteren Teilchen aus der Flüssigk Physikalische Grundlagen der Hygrometrie

Mehr

Codierung, Codes (variabler Länge)

Codierung, Codes (variabler Länge) Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls

Mehr

TU Bergakademie Freiberg Institut für Werkstofftechnik Schülerlabor science meets school Werkstoffe und Technologien in Freiberg

TU Bergakademie Freiberg Institut für Werkstofftechnik Schülerlabor science meets school Werkstoffe und Technologien in Freiberg TU Bergakademie Freiberg Institut für Werkstofftechnik Schülerlabor science meets school Werkstoffe und Technologien in Freiberg PROTOKOLL Modul: Versuch: Physikalische Eigenschaften I. VERSUCHSZIEL Die

Mehr

8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht

8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht 8.2 Thermodynamische Gleichgewichte, insbesondere Gleichgewichte in Mehrkomponentensystemen Mechanisches und thermisches Gleichgewicht 8.2-1 Stoffliches Gleichgewicht Beispiel Stickstoff Sauerstoff: Desweiteren

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

300 Arbeit, Energie und Potential 310 Arbeit und Leistung 320 Felder und Potentiale

300 Arbeit, Energie und Potential 310 Arbeit und Leistung 320 Felder und Potentiale 300 Arbeit, Energie und Potential 30 Arbeit und Leistung 30 Felder und Potentiale um was geht es? Arten on (mechanischer) Energie Potentialbegriff Beschreibung on Systemen mittels Energie 3 potentielle

Mehr

1 Ein Beispiel: Das Berechnen eines Schulzeugnisses

1 Ein Beispiel: Das Berechnen eines Schulzeugnisses Funktionen in Excel 1 Ein Beispiel: Das Berechnen eines Schulzeugnisses Jim hat die folgenden Noten im 1. Trimester: Fach Prüfung 1 Prüfung 2 Prüfung 3 Englisch 35 38 43 Deutsch 44 42 48 Französisch 28

Mehr

Elektrischer Widerstand als Funktion der Temperatur

Elektrischer Widerstand als Funktion der Temperatur V10 Elektrischer Widerstand als Funktion der Temperatur 1. Aufgabenstellung 1.1 Messung Sie den elektrischen Widerstand vorgegebener Materialien als Funktion der Temperatur bei tiefen Temperaturen. 1.2

Mehr

A Vortex Particle Method for Smoke, Fire, and Explosions

A Vortex Particle Method for Smoke, Fire, and Explosions Hauptseminar WS 05/06 Graphische Datenverarbeitung A Vortex Particle Method for Smoke, Fire, and Explosions ( Ein Wirbel-Partikel Ansatz für Rauch, Feuer und Explosionen ) Martin Petrasch Inhalt 1. Überblick

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 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.

Mehr

Bilanzgleichung der i-ten Komponente eines Systems mit r Reaktionen

Bilanzgleichung der i-ten Komponente eines Systems mit r Reaktionen 3.5 Die chemische Produktionsdichte Bilanzgleichung der i-ten Komponente eines Systems mit r Reaktionen und mit folgt Die rechte Seite der Gleichung wird als chemische Produktionsdichte bezeichnet: Sie

Mehr

Fotios Filis. Monte-Carlo-Simulation

Fotios Filis. Monte-Carlo-Simulation Fotios Filis Monte-Carlo-Simulation Monte-Carlo-Methoden??? Spielcasino gibt Namen Monte Carlo war namensgebend für diese Art von Verfahren: Erste Tabellen mit Zufallszahlen wurden durch Roulette-Spiel-Ergebnisse

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

Warteschlangentheorie und Callcenter

Warteschlangentheorie und Callcenter Warteschlangentheorie und Callcenter Vortrag im Rahmen der Lehrerfortbildung,,Stochastik und Matrizen: von Markov-Ketten bis zu Callcentern 23. September 2009 Dr. Alexander Herzog, Institut für Mathematik,

Mehr

Warteschlangentheorie und Callcenter

Warteschlangentheorie und Callcenter Warteschlangentheorie und Callcenter Vortrag im Rahmen der Lehrerfortbildung Stochastik und Matrizen: von Markov-Ketten bis zu Callcentern 23 September 2009, Wo treten Warteschlangen auf und warum? Kunden,

Mehr

CPM: A Deformable Model for Shape Recovery and Segmentation Based on Charged Particles. Stefan Fleischer, Adolf Hille

CPM: A Deformable Model for Shape Recovery and Segmentation Based on Charged Particles. Stefan Fleischer, Adolf Hille CPM: A Deformable Model for Shape Recovery and Segmentation Based on Charged Particles Stefan Fleischer, Adolf Hille Gliederung des Vortrags Motivation Physikalische Modellgrundlagen CPM im Einzelnen Resultate

Mehr

Zelluläre Automaten als einfache selbstorganisierende Systeme

Zelluläre Automaten als einfache selbstorganisierende Systeme Zelluläre Automaten als einfache selbstorganisierende Systeme René Schlossus Sebastian Walther Dezember 2006 Zusammenfassung Dieser Artikel gibt einen Überblick über die Theorie der zellulären Automaten,

Mehr

Elektrische Leitung. Strom

Elektrische Leitung. Strom lektrische Leitung 1. Leitungsmechanismen Bändermodell 2. Ladungstransport in Festkörpern i) Temperaturabhängigkeit Leiter ii) igen- und Fremdleitung in Halbleitern iii) Stromtransport in Isolatoren iv)

Mehr

Vordiplomsklausur Physik

Vordiplomsklausur Physik Institut für Physik und Physikalische Technologien der TU-Clausthal; Prof. Dr. W. Schade Vordiplomsklausur Physik 14.Februar 2006, 9:00-11:00 Uhr für den Studiengang: Maschinenbau intensiv (bitte deutlich

Mehr

Physikalisches Anfängerpraktikum Universität Hannover Sommersemester 2009 Kais Abdelkhalek - Vitali Müller. Versuch: D10 - Radioaktivität Auswertung

Physikalisches Anfängerpraktikum Universität Hannover Sommersemester 2009 Kais Abdelkhalek - Vitali Müller. Versuch: D10 - Radioaktivität Auswertung Physikalisches Anfängerpraktikum Universität Hannover Sommersemester 2009 Kais Abdelkhalek - Vitali Müller Versuch: D0 - Radioaktivität Auswertung Radioaktivität beschreibt die Eigenschaft von Substanzen

Mehr

Optimale Strategien beim Spiel Rot und Schwarz

Optimale Strategien beim Spiel Rot und Schwarz Fachbereich 6-Mathematik Seminar Spieltheorie und Glücksspiele Sommersemester 09 Optimale Strategien beim Spiel Rot und Schwarz Verfasser Tatiana Wandraj 29. August 2009 Betreuer Prof. Dr. Alfred Müller

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern

Algorithmen und Software für moderne Finanzmathematik. Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Algorithmen und Software für moderne Finanzmathematik Ralf Korn Technische Universität Kaiserslautern Fraunhofer ITWM Kaiserslautern Gliederung: Was ist Finanzmathematik? Wie wird man reich? Portfolio-Optimierung

Mehr

Physik und Chemie der Minerale

Physik und Chemie der Minerale Physik und Chemie der Minerale Phasendiagramme Mehrere Komponenten Segregation, konstitutionelle Unterkühlung Keimbildung Kinetik des Kristallwachstums Kristallzüchtung Literaturauswahl D.T.J Hurle (Hrsg.):

Mehr

Monte Carlo Methoden

Monte Carlo Methoden Monte Carlo Methoden im Verstärkungslernen [Spink] Bryan Spink 2003 Ketill Gunnarsson [ ketill@inf.fu-berlin.de ], Seminar zum Verstärkungslernen, Freie Universität Berlin [ www.inf.fu-berlin.de ] Einleitung

Mehr

i 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

i 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

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

Elektronen in Festkörpern

Elektronen in Festkörpern 6 Elektronen in Festkörpern Anhand des Modells des fast freien Elektronengases kann eine Anzahl wichtiger physikalischer Eigenschaften von Metallen erklärt werden. Nach diesem Modell bewegen sich die am

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

Nichtlebenversicherungsmathematik Aus welchen Teilen besteht eine Prämie Zufallsrisiko, Parameterrisiko, Risikokapital Risikomasse (VaR, ES) Definition von Kohärenz Zusammengesetze Poisson: S(i) CP, was

Mehr

Grundlagen der Programmierung 2. Parallele Verarbeitung

Grundlagen der Programmierung 2. Parallele Verarbeitung Grundlagen der Programmierung 2 Parallele Verarbeitung Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 27. Mai 2009 Parallele Algorithmen und Ressourcenbedarf Themen: Nebenläufigkeit,

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- 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:

Mehr

Praktikum Radioaktivität und Dosimetrie Radioaktiver Zerfall

Praktikum Radioaktivität und Dosimetrie Radioaktiver Zerfall Praktikum Radioaktivität und Dosimetrie Radioaktiver Zerfall 1. ufgabenstellung Bestimmen Sie die Halbwertszeit und die Zerfallskonstante von Radon 220. 2. Theoretische Grundlagen Stichworte zur Vorbereitung:

Mehr

Arbeit, Energie, Leistung. 8 Arbeit, Energie, Leistung 2009 1

Arbeit, Energie, Leistung. 8 Arbeit, Energie, Leistung 2009 1 Arbeit, Energie, Leistung 8 Arbeit, Energie, Leistung 2009 1 Begriffe Arbeit, Energie, Leistung von Joule, Mayer und Lord Kelvin erst im 19. Jahrhundert eingeführt! (100 Jahre nach Newton s Bewegungsgesetzen)

Mehr

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler Netzwerkmodelle Seminar Netzwerkanalyse Sommersemester 2005 Jasmine Metzler 1 Grundlegende Modelle Das Graph Modell (G n,p ) Definition Verschiedene Modelle Small World Modell Lokale Suche Power Law Modelle

Mehr

Einführung in die Bayessche Bildanalyse

Einführung in die Bayessche Bildanalyse Seminar: Bayessche Ansätze in der Bildanalyse Fakultät für Mathematik und Wirtschaftswissenschaften Universität Ulm 8.Mai 2006 1 Motivation Beispielbilder 2 Computergrafiken Bildarten 3 Bayes sches Paradigma

Mehr

Lösungen zum Niedersachsen Physik Abitur 2012-Grundlegendes Anforderungsniveau Aufgabe II Experimente mit Elektronen

Lösungen zum Niedersachsen Physik Abitur 2012-Grundlegendes Anforderungsniveau Aufgabe II Experimente mit Elektronen 1 Lösungen zum Niedersachsen Physik Abitur 2012-Grundlegendes Anforderungsniveau Aufgabe II xperimente mit lektronen 1 1.1 U dient zum rwärmen der Glühkathode in der Vakuumröhre. Durch den glühelektrischen

Mehr