Modelle mit Differentialgleichungen
|
|
- Mina Krüger
- vor 7 Jahren
- Abrufe
Transkript
1 Skript zur Vorlesung Einführung in die Medizinische Informatik und Bioinformatik Modelle mit Differentialgleichungen Institut für Medizinische Informatik, Statistik und Epidemiologie D.Barthel
2 Bearbeitung Version : Stefan Höhme Version: 18. April
3 Inhaltsverzeichnis 1 Pharmakokinetik Applikation eines Pharmakons Dosierung Beispiel nach Dost: Eliminationskinetik von Penicillin im menschlichen Körper Das 1-Kompartiment-Modell mit linearer Eliminationskinetik 1.Ordnung ModelMaker, ein Modell-Simulationsprogramm mit einfacher Handhabung Elimination eines Pharmakons nach einmaliger intravasaler Gabe Elimination eines Pharmakons bei periodischer Gabe gleicher Dosen Ein klinisches Beispiel aus der Literatur Ein 1-Kompartimentmodell mit anderer Eliminationskinetik Modelle von Epidemieverläufen Das klassische SIR - Modell Erweitertes SIR-Modell Wachstum von Populationen Eine einzige Population, exponentielles Wachstum. Das Gesetz von Malthus Eine einzige Population, logistisches Wachstum. Das Gesetz von Verhulst-Pearl Zwei konkurrierende Arten Räuber - Beute -Gesellschaften
4 1 PHARMAKOKINETIK 3 1 Pharmakokinetik Die Pharmakokinetik untersucht die Gesetzmäßigkeiten bei Aufnahme eines Arzneistoffs (Pharmakon) in den Organismus, das Verweilen im Organismus und die Elimination aus dem Organismus. 1.1 Applikation eines Pharmakons Intravasal Injektion intravenös (i.v.) Dauerinfusion Extravasal Injektion subkutan Injektion intramuskulär Oral Tablette Tropfen Rektal Zäpfchen Die Verteilung im Organismus erfolgt durch den Blutkreislauf. Voraussetzung für Wirksamkeit Der Blutspiegel des Pharmakons (genauer: die Konzentration im Serum, oder die Konzentration im Plasma) muß im therapeutischem Bereich liegen: c min c c max Darunter: keine oder zu schwache Wirkung Darüber: Schädigung möglich Dosierung nach medizinisch erprobten Vorschriften. Trotzdem besteht, besonders bei schmalem therapeutischen Bereich, die Gefahr einer Über- oder Unterdosierung. Applikation Verteilung: Blut (Elimination) Gewebe,Organe Elimination - Stoffwechsel: Abbau (Leber) - Niere: Urin Unvermutete Abweichungen bei Verteilung und bei Elimination (Geschwindigkeit) könnte zu unerwarteten Konzentrationen im Blut führen.
5 1 PHARMAKOKINETIK 4 Applikationshäufigkeit - einmalige Gabe - wiederholte Gabe - kontinuierliche Zufuhr Zeitliche Änderung des Blutspiegels (schematisch): mehrmalige Gaben: komplizierter. Aus einer kürzlich erschienen Arbeit: (H.Plagge, Therapeutisches Drug Monitoring, Deutsche Apotheker Zeitung, 136.Jg., Nr.43, S Tabellen und Abbildungen aus dieser Arbeit entnommen) Die Arbeit bezieht sich auf eine retrospektive Untersuchung an einem Städtischen Krankenhaus über 3 Jahre ( ). Die Patienten wurden behandelt mit: Digoxin : (679) Behandlung von Herzinsuffizienz Gentamicin : (495) Antibiotikum, bei Infektionen (Intensivstation) Theophyllin : (201) bei Asthma, Lungenerkrankung Alle drei Medikamente weisen eine geringe therapeutische Breite auf. a) Digoxin
6 1 PHARMAKOKINETIK 5 Therapeutischer Bereich: 0,8... 2,0 µg/l - 30% der Patienten unterhalb - 18% der Patienten oberhalb - Nur 52% im therapeutischen Bereich Mögliche Ursachen sind: b) Gentamicin - die Interaktion mit anderen Arzneistoffen - die falsche oder unzuverlässige Einnahme durch den Patienten Periodisch 1-3 täglich Kurzinfusion. Hohe Spitzen des Blutspiegels treten kurz nach der Applikation, ein tiefes Tal kurz vor der nächsten auf. Eine Überdosierung kann Nierenschäden auslösen. Die Ausscheidung erfolgt fast nur über die Nieren. Die therapeutische Wirkung entfaltet sich vor allem während der Spitzen. Therapeutischer Bereich für die Spitzen mg/l (bei Sepsis oder Lungenentzündung: mg/l) Kommentar : Bei mindestens 26% der Patienten war der Spitzenspiegel zu niedrig, bei 3% zu hoch. Mögliche Ursachen sind : starke interindividuelle Schwankungen die Halbwertszeit der Elimination nimmt mit steigendem Alter zu die Halbwertszeit ist bei eingeschränkter Nierenfunktion stark erhöht
7 1 PHARMAKOKINETIK 6 c) Theophyllin Theophyllin wird in der Leber in ein interaktives Stoffwechselprodukt umgewandelt. Dieses wird mit dem Urin ausgeschieden. Therapeutischer Bereich: 8, ,0 mg/l - darüber kommt es zu toxischen Nebenwirkungen - über 35 mg/l sind epileptische Anfälle, sowie Herz- und Atmungsstillstand möglich Kommentar: Bei 29% der Patienten war der Serumspiegel zu niedrig, bei 10% zu hoch.
8 1 PHARMAKOKINETIK 7 Mögliche Ursachen: Interaktion mit anderen Arzneistoffen Erkrankungen der Leber u.a. können die Halbwertszeit erhöhen bei starken Rauchern ist die Halbwertszeit verringert Die Beipiele illustrieren die Bedeutung einer intelligenten Überwachung des Blutspiegels eines applizierten Medikaments (Therapeutisches Drug Monitoring) Daran könnte auch ein Medizininformatiker beteiligt sein. 1.2 Beispiel nach Dost: Eliminationskinetik von Penicillin im menschlichen Körper Ablauf einer experimentellen Untersuchung. t = 0: Injektion einer Dosis=10000 I.E. Penicillin in Armvene Periodische Blutentnahme in Abständen von 15 Minuten Ende der Blutentnahme nach 2 Stunden Danach wird der Serumspiegel bestimmt. (Konzentration des Pharmakons im Serum) Graphische Darstellung der Meßergebnisse:
9 1 PHARMAKOKINETIK 8 Interpolation mit Geradenstücken: Interpolation mit Splines (Abschnitte kubischer Parabeln, ohne Knicke aneinandergefügt) :
10 1 PHARMAKOKINETIK 9 Logarithmische Darstellung (ln c über t) Berechnung und Einfügen der Regressionsgeraden Gleichung der Regressionsgeraden: lnc = lnc 0 k t lnc o = 0, 0572 k = 1, 335h 1 Die (fiktive) Anfangskonzentration beträgt aber c 0 = 0, 944 I.E. ml
11 1 PHARMAKOKINETIK 10 Rücktransformation Gleichung der Ausgleichskurve c = c 0 e kt c 0 = 0, 944I.E./ml, extrapolierte fiktive Serumkonzentration am Anfang (t = 0) Interpretation der vorgenommenen logarithmischen Transformation Definition einer Hilfsgröße l = ln(c). Weil sich c im Laufe der Zeit ändert, hängt auch l von der Zeit ab. dl dt = 1 c dc dt (Kettenregel) Kleine Zeitspanne t: l = c c c : absolute Änderung der Konzentration l : relative Änderung der Konzentration, bezogen auf Momentanwert c = c(t) c nimmt mit wachsendem t ab: dl dt ist die relative Eliminationsrate. Interpretation des experimentellen Befunds: dl dt = k = const d.h. die relative Eliminationsrate ist zeitlich konstant. k heißt Eliminationskonstante Anschaulicher ist eine daraus abgeleitete Größe, die Halbwertzeit t 1, definiert durch 2 c(t 1 2 ) = 1 2 c 0
12 1 PHARMAKOKINETIK 11 Durch Einsetzen in die Gleichung der Ausgangskurve und Logarithmieren erhält man ln( c0 2 ) = lnc 0 k t 1 2 Aufgelöst: t 1 = ln2 2 k Für das ermittelte k gilt: t 1 = 0, 52h 2 Neben der intensiven Größe Konzentration (c) ist auch die extensive Größe Menge des Pharmakons im Körper (m) von Bedeutung: Bei t = 0 werde einmalig eine Menge D (Dosis, gemessen in kg, mol, I.E.,etc.) verabreicht. D = m(0) Wäre der menschliche Körper ein (gut umgerührtes) Gefäß vom Volumen V, das mit Flüssigkeit gefüllt ist, in der die Pharmakonmenge D schnell aufgelöst wird, wäre darin die Anfangskonzentration: c 0 = m(0) V = D V Sie kann gemessen werden durch Entnahme einer Probe mit der Menge m und dem Meßvolumen V : c 0 = m V Die Verhältnisse sind allerdings komplizierter: 1. Der Organismus ist hochstrukturiert. Selbst das Blut ist keine Flüssigkeit. 2. Die Konzentration c 0 wurde nicht gemessen, sondern durch Extrapolation gewonnen. Daher liefert die Beziehung V = D c 0 nur ein fiktives Volumen, das Verteilungsvolumen. Für das untersuchte Beipiel ist V = ml = 10, 6l Damit kann man V = m(t) c(t) = const für alle Zeitpunkte t anzunehmen. Es ist plausibel, Proportionalität zwischen Menge m und Konzentration für alle Zeitpunkte t anzunehmen: m(t) = V c(t) für alle t 0 Eine solche Annahme müßte allerdings durch Sachüberlegungen gestützt werden. Unter Voraussetzung ihrer Gültigkeit erfüllen c und m die Beziehungen dc dt = k c dm dt = k m Jede dieser Beziehungen ist eine lineare Differentialgleichung (DG) erster Ordnung. Eine solche verknüpft eine Funktion (c;m) einer unabhängigen Variablen (t) mit der ersten Ableitung nach der unabhängigen Variablen ( dc dt ; dm dt ). Jede Funktion der unabhängigen Variablen, die die DG identisch erfüllt, ist eine Lösung der DG. Durch Einsetzen prüft man leicht, daß m(t) = D e kt
13 1 PHARMAKOKINETIK 12 eine Lösung der DG für m ist. Entsprechend ist c(t) = c 0 e kt mit c 0 = D V eine Lösung der DG für c. 1.3 Das 1-Kompartiment-Modell mit linearer Eliminationskinetik 1.Ordnung (Kompartiment dt., compartment engl.) Das Kompartiment ist ein Modellbaustein, der vielfach als ganzes Modell genügt. Ein Kompartiment ist ein räumlich oder auch nur funktionell abgegrenztes Gebilde, dem ein Gehalt (z.b. eine Stoffmenge) m sowie eine einheitliche Kinetik zugeordnet ist. dm dt = f(m[...]) gilt spe- Beim Kompartiment mit linearer Eliminationskinetik 1. Ordnung ziell dm dt = k m wobei k=const, k>0 = F dm dt Für ein Modell, das nur ein einziges Kompartiment enthält, ergibt sich folgendes Schema: F : Fluß aus dem Kompartiment, F = k m Der Fluß F verringert die Menge m: Das Modell wird durch die Differentialgleichung dm dt = k m (Modellgleichung) beschrieben. Beispiel: Siehe 1.2 Ein spezieller Vorgang wird festgelegt durch eine Vorgabe m(0) = D für m zur Zeit t=0 (Anfangsbedingung) Die Modellgleichung hat unendlich viele Lösungen m(t) = a e kt a reell, sonst beliebig Man kann zeigen, daß es keine weiteren Lösungen gibt.
14 1 PHARMAKOKINETIK 13 Zur Anfangsbedingung m(0) = D passt aber nur eine einzige Lösung, nämlich m = D e kt und zur Berechnung der Werte von m(t) für beliebige Zeiten t genügt ein Taschenrechner. Für kompliziertere Situationen (z.b. mehrfache Gaben D zu verschiedenen Zeiten t = 0, τ, 2τ,... Anstücken von Teil-Lösungen) ist die Benutzung eines Simulationsprogrammes bequemer als der Taschenrechner. Für vernetzte Kompartimente wird die analytische Behandlung unpraktikabel ModelMaker, ein Modell-Simulationsprogramm mit einfacher Handhabung Entwickelt: Cherwell, U.K. Versionen: ab Version 3 läuft der Model Maker stabil unter Windows95, 98, NT Arbeitsgrundlage: Verfahren der numerischen Mathematik (z.b. Runge-Kutta- Verfahren zur Lösung von Systemen von Differentialgleichungen) Man kann mit ModelMaker: Modelle formulieren (mittels graphischer Benutzeroberfläche) Modelle durchrechnen Zeitverläufe graphisch darstellen Parameter anpassen (Fit von experimentellen Daten) Die nachstehenden Bildausdrucke wurden mit Version 2 erzeugt. Anwendung auf das Beispiel 1.2: Elimination eines Pharmakons nach einmaliger intravasaler Gabe Es sei angenommen, daß die Werte der Modellparameter (k, V ) bereits bekannt seien. Nun soll geprüft werden, ob das Modell mit beobachteten Daten verträglich ist. Die Daten bestehen aus einer Folge von Konzentrationen c(t i ), gemessen zu den Zeiten t i. Deshalb muß im Modelmaker das oben beschriebene Modell neben den Kompartments m und OUT noch 2 Variable c = m V und lc = ln(c) enthalten. Mit den im Abschnitt 1.2. ermittelten Parametern für Penizillin erhält man folgende Verläufe: (vgl. Modelldateien aufg01.mod, aufg02.mod)
15 1 PHARMAKOKINETIK 14 Falls die Parameter nicht bekannt sind müssen sie in geeigneter Weise grob geschätzt werden. Durch sukzessive Änderung der Werte kann man versuchen, Meßdaten und Modellvoraussetzungen in Übereinstimmung zu bringen. Außerdem kann man die Möglichkeiten von ModelMaker (Optimieren) nutzen Elimination eines Pharmakons bei periodischer Gabe gleicher Dosen Dosis D zur Zeit t = 0,τ,2τ,... (τ : Zeitintervall) Bei erster Gabe (t = 0) ist die Anfangsmenge die soeben verabreichte Dosis D. Bei späteren Gaben ist noch ein Rest vorhanden, zu dem sich die neue Dosis addiert. Deshalb ist der neue Startwert größer als D. Bei Kinetik erster Ordnung ist der Abstrom proportial zur vorhandenen Menge. Zunahme der Menge Zunahme des Abstroms Nach etlichen Wiederholungen erfolgt der Übergang zu einem periodischen Ablauf (Sägezahnprofil). Dann ist der mittlere Fluss durch das Kompartiment F 1 = D τ Bei gegebenem mittlerem Fluss sind Schwankungen der Blutkonzentration um einen mittleren Wert c = F V 1 k bei oftmaligen kleinen Dosen klein, bei seltenen großen Dosen groß! Für beides gibt es Indikationen und Kontraindikationen
16 1 PHARMAKOKINETIK 15 Die periodische Applikation wird im ModelMaker mit einem Independent Event vgl. Modelldateien aufg03.mod, aufg03b.mod Für die Parameterwerte k = 1.37h 1, V = 10l erhält man bei stündlicher Gabe (τ = 1h) einer Dosis D = 10000I.E. den rechts oben skizzierten Verlauf der Serumkonzentration. Gibt man stattdessen nur ein Viertel dieser Dosis, dafür aber in Zeitabständen von nur einer Viertelstunde. erhält man bei gleicher mittlerer Konzentration einen Zeitverlauf mit erheblich geringeren Schwankungen (rechts unten). Jedoch bleiben der mittlere Fluss F 1 = I.E. h und die mittlere Konzentration c = 0, 73 I.E. ml ungeändert.
17 1 PHARMAKOKINETIK Ein klinisches Beispiel aus der Literatur Einer Patientin wurde über mehrere Wochen hinweg täglich früh 8:00 Uhr eine Dosis von 200µg Digoxin verabreicht. Klinische Beobachtung deutete aus einen erhöhten Digoxinspiegel hin. Am 40. Tage um 14:00 Uhr wurde eine Konzentration von 3, 42 µg l festgestellt - weit außerhalb des therapeutischen Bereichs. Bei Annahme eines Verteilungsvolumens von 363 l ergibt sich eine Eliminationskonstante von 6, h 1 (entspricht einer Eliminationshalbwertzeit von 99 h, unerwartet lang). Aussetzen für 4 Tage und nachfolgende Halbierung der täglichen Dosis führte zu einem akzeptablen weiteren Verlauf. Vgl. Modelldateien aufg04.mod und aufg05.mod Therapeutisches Drug Monitoring (Digoxin) 1.4 Ein 1-Kompartimentmodell mit anderer Eliminationskinetik Problem: Elimination von Äthylalkohol aus dem menschlichen Organismus Alkohol, ein Pharmakon im weitesten Sinne Er wird prinzipiell extravasal verabreicht. A) Realistisches Modell:
18 1 PHARMAKOKINETIK 17 Übergang m 1 (Magen/Darm) nach m 2 (Blut) Kinetik 1. Ordnung: F 1 = k 1 m 1 Beobachtbar ist der Blutalkoholspiegel. Besonderheit: Gemessen in Promille: 1 o / oo = 1gAlkohol 1000gBlut = 1gAlkohol 1lBlut Zeitverlauf: Das Zeitprofil widerspricht grundsätzlich einer Eliminationskinetik 1. Ordnung für m 2. Mit dem linearen Endstück ist allerdings folgende Annahme verträglich: dc dt = β = const Bedeutung für den Abstrom F2: In gleichen Zeiten dt Abtransport gleicher Mengen dm, solange noch etwas da ist. B) Vereinfachtes Modell: Die konsumierte Alkoholmenge D wird sofort vollständig ins Blut überführt. (d.h. k 1 sehr gross) dm 2 Bilanz: dt = { F 2 B, falls m2 > 0 (B = const, B > 0) Abstrom: F 2 = 0, sonst Anfangsbedingung: m 2 (0) = D { D B t, falls 0 t D Lösung : m 2 = B 0, sonst Übergang zum Blutalkoholspiegel c: Ansatz: Alkoholspiegel: c = m2 r w wobei w: Körpergewicht r: individueller Faktor Anfangsteil: c(t) = D r w B r w t
19 1 PHARMAKOKINETIK 18 Alkoholbelastungsversuch: Daten für t > 1h näherungsweise zu beschreiben durch c = c 0 β t c 0,β an Ausgleichsgerade abgelesen (siehe Abbildung). Entsprechungen Modell und Ausgleichgerade: r = (unabhängig von D!) D c 0 w, β = Auswertung: Schätzung der Modellparameter r und B durch r = Erfahrung der Pharmakologen und Gerichtmediziner: β ist relativ einheitlich B r w 0,150 0 / 00 (Promille) h 1 bei Männern s rel 20% 0,156 0 / 00 (Promille) h 1 bei Frauen Der Faktor r ist individuell verschieden. D c 0 w, B = β r w Alkoholbestimmung nach Widmark Delinquent, Blutentnahme zur Zeit t nach Alkoholkonsum, Blutspiegel c t. Alkoholbelastungstest wird angeordnet und durchgeführt. r und β werden auf den Blutspiegel c t, der zum Delikt führte, angewandt: Eine Gerade in der t-c Ebene, die durch den Punkt [t,c t ] mit dem Gefälle β geht, schneidet die c-achse beim Wert c 0. Rückschluss auf die Dosis, die zum Delikt führte: D = r w c 0 C) Modell mit endlichen Wert von k 1 Kompart.1 Kompart.2 Bilanz: dm 1 dt = F 1 dm 2 dt = F 1 F 2 Flüsse: F 1 = k 1 m 1 F 2 = { β r w, falls m 2 > 0 0, sonst Anfangsbedingung: m 1 (0) = D m 2 (0) = 0 1. Beispiel: Ein Mann trinkt in grossen Zügen ein grosses Bier aus: D = 20g (reiner Alkohol) Anfluten des Alkohols im Blut wird bestimmt durch k 1 = 2.0h 1
20 1 PHARMAKOKINETIK 19 Körpergewicht: w = 60 kg Indiv. Faktor: r = 0,833 Zeitlicher Verlauf des Blutalkoholspiegels (vgl. Modelldatei aufg06.mod) : Mann, Blutalkohol nach 20g Alkohol 2. Beispiel: Die Zeche Periodische Gabe von D in regelmäßigen Zeitabständen τ. Im ModelMaker realisiert durch periodisches Event: Schluck: m 1 := m 1 + D, Periode τ Voreinstellung in aufg7.mod D = 20g τ = 1h β,r,w wie beim 6. Problem D, τ sollen variiert werden. Bei Übernahme der Werte für D, k 1, β, r, w vom ersten Beispiel und Annahme von τ = 1h (1 Glas Bier pro Stunde) erhält man den Zeitverlauf der nächsten Abbildung (vgl. auch Modelldatei aufg07.mod) Kann man durch passende Wahl von D und τ erreichen, daß der Spiegel um ein mittleres, möglichst angenehm empfundenes Niveau pendelt?
21 1 PHARMAKOKINETIK 20 Blutalkoholspiegel eines Zechers
22 2 MODELLE VON EPIDEMIEVERLÄUFEN 21 2 Modelle von Epidemieverläufen 1780, Bernoulli: Einfluß der Kuhpockenimpfung auf Ausbreitung der Pocken. 2.1 Das klassische SIR - Modell Kermack und McKendrick, 1927 Ausbreitung einer Infektionskrankheit in einer Population, in der alle Individuen untereinander Kontakt haben können. 3 Gruppen: Susceptibles Infectives Anzahl S Gesund, können angesteckt werden Anzahl I Krank, können Suszeptible anstecken Removals (auch: Recovered) Anzahl R Verschiedene Auslegungen: Kompartiment-Modell krank gewesen, nun immun krank gewesen, gestorben noch krank, aber isoliert... Kompartiment S: - Bei Ansteckung Übergang von Individuen in Komp. I (Fluß F1) - Ansteckung setzt Kontakt Suszeptibler mit Infektiösen voraus. Hängt ab von der jeweiligen Anzahl (S,I). ds dt = F 1 F 1 = β S I (2.1) ds dt = β S I β > 0,const,infection rate
23 2 MODELLE VON EPIDEMIEVERLÄUFEN 22 Kompartiment I - Zustrom (F1) infolge Ansteckung - Abstrom (F2) infolge Genesung / Isolierung / Tod..., proportional Anzahl I di dt = F 1 F 2 F 2 = α I (2.2) di dt = β S I α I α > 0, const, removal rate Kompartiment R: - Zustrom (F2) - kein Abstrom infolge Modellannahme (permanente Immunisierung,...) dr dt = F 2 dr dt = α I (2.3) Anfangsbedingungen: S(0) = S 0 > 0 I(0) = I 0 > 0 R(0) = R 0 0 (bevorzugt : R 0 = 0) S 0 + I 0 + R 0 = N wobei N = Gesamtanzahl der Individuen. Beachte: Laut Modellannahme ändert sich die Anzahl der Individuen nicht. Formal: Addition der 3 Modell - DG: ( ) d dt (S + I + R) = 0 oder: S + I + R = N für beliebige t. Wegen der konstanten Gesamtanzahl N kann der Zustand der Population bereits durch 2 Modellgrößen beschrieben werden, z.b. durch S und I: ds dt = β S I di dt = β S I α I Anfangsbed.: S(0) = S 0, I(0) = I 0 R erhält man durch einfache Substitution: R = N (S + I) Modellparameter sind: α, β, N
24 2 MODELLE VON EPIDEMIEVERLÄUFEN 23 Graphische Darstellungen: Falls wir die Lösung S = S(t), I = I(t) gefunden haben, können wir, wie gewohnt, Zeitdarstellungen anfertigen: S bzw. I über t: Nützliche Alternative: Graphische Darstellung in der Phasenebene mit den Koordinadenachsen S und I (2 dimensionaler Phasenraum): Weil S, I und R weder negativ und größer als N sein können liegt jeder momentane Zustand: Punkt [S,I] im Innern oder auf dem Rand des rechtwinkligen Dreiecks Im Zustand [S,I] schreiben die Modell-DG eine Zustandsänderung vor. Jedem Punkt [S,I] ist ein Vektor V mit den Komponenten V S = β S I V I = β S I α I zugeordnet. Er beschreibt die Richtung und Geschwindigkeit der Zustandsänderung Graphische Repräsentation der Vektoren durch Pfeile ergibt das
25 2 MODELLE VON EPIDEMIEVERLÄUFEN 24 Phasenporträt. Beispiel (Grippeepidemie in einem englischen Knabeninternat) Je länger der Pfeil, desto schneller ändert sich der Zustand. Diskussion: - S-Achse: I=0 ds dt = 0, di dt = 0 stationär - Hypotenuse des Dreiecks, d.h., Gerade S + I = N : (R = 0): wenn am Anfang noch keine removals, liegt Anfangszustand auf dieser Geraden. Abgeleiteter Parameter ρ = α β relative removal rate Eingezeichnet wurde vertikale Gerade s = ρ (gestrichelt) dabei wurde angenommen ρ < N Anfangszustand rechts von dieser Geraden (S 0 > ρ) : Pfeile zeigen schräg nach oben, I nimmt zu. Interpretation: Epidemie bricht aus. Anfangszustand links von dieser Geraden (S 0 < ρ) : Pfeile zeigen schräg nach unten, I nimmt gleich ab. Interpretation: Keine Epidemie. (Vgl. folgende Skizze)
26 2 MODELLE VON EPIDEMIEVERLÄUFEN 25 Punkte im Inneren des Dreiecks: Gegen-Annahme: ρ > N : Dann liegt die Gerade S = ρ außerhalb des Dreiecks und enthält keine zulässigen Zustände. Eine Epidemie kann nicht ausbrechen. Wirkung einer Schutzimpfung Es sei ρ < N, durch Impfung wird ein Teil der Population immunisiert. (Anzahl R 0 ) Anfangszustand liegt dann auf der Geraden S + I = N R 0 (Hypotenuse parallelverschoben nach links) Falls R 0 > N ρ, liegt kein möglicher Anfangszustand rechts von der Geraden S = ρ und es breitet sich keine Epidemie aus. Verfolgt man viele Anfangszustände, erhält man eine Kurvenschar.
27 2 MODELLE VON EPIDEMIEVERLÄUFEN 26 Beispiel Grippeepidemie in einem englischen Internat für Jungen N = 763 Jungen, davon schleppte ein einziger die Krankheit ein. Die Epidemie dauerte ungefähr 2 Wochen und erfaßte die meisten Jungen. t I Daten: Wertetabelle t(t age), I Vgl. Datei Aufg10.txt Anfangsbedingungen: S 0 = 762, I 0 = 1, R 0 = 0. Parameteranpassung liefert Werte für α und β. Zusatzfrage: Wieviele Kinder hätten vorbeugend gegen Grippe geimpft werden müssen, um einen Ausbruch der Epidemie zu verhindern? Zeitverlauf mit geratenen Parametern α = 0, 9d 1 β = 0, 0027d 1 (Vgl. auch Modelldatei aufg10.mod)
28 2 MODELLE VON EPIDEMIEVERLÄUFEN 27 Die Parameterwerte passen offensichtlich nicht zu den Daten. Ausnutzung der Parameteranpassungsroutinen des ModelMaker (Levenberg- Marquardt-Algoritmus) liefert die Parameterwerte: α = 0, 4425d 1 β = 0, d 1 Zeitverläufe: Siehe nächste Abbildung (Vgl. auch Modelldatei aufg10a.mod) 2.2 Erweitertes SIR-Modell Kleine Abänderungen des Modells führen unter Umständen zu ganz anderem Verhalten. Beispiel: Zeitlich begrenztes Immunisieren - Removals seien Lebende, die gegen die Erkrankung immun geworden sind - Die Immunisierung kann aber wieder verlorengehen. Rückfluß ins Kompartiment der Suszeptiblen. Modellgleichungen für S, I, R. ds dt = β S I + γ R
29 2 MODELLE VON EPIDEMIEVERLÄUFEN 28 di dt = β S I α I dr dt = α I γ R Anfangszustand : S(0) = S 0 I(0) = I 0 R(0) = R 0 S 0 + I 0 + R 0 = N Wie beim ursprünglichen Modell ist S(t) + I(R) + R(t) = N = const und das Modell läßt sich beschreiben durch 2 Variable, z.b. S und I : ds dt di = β S I + γ (N S I) dt = β S I α I Das geänderte Modell hat die Eigenschaft der Äquifinalität : Für beliebige Anfangsbedingungen [S 0, I 0 ] geht das System für t gegen den gleichen Endzustand [S, I ]. Das war beim ursprünglichen Modell nicht so! Dort verteilen sich die Endzustände über ein Gebiet auf der S-Achse. Hier: S-Achse (I = 0) ist nicht mehr durchgehend stationär: = 0 + γ R = γ (N S 0) > 0 für S < N ds dt Fallunterscheidung 1. ) ρ = α β > N 2. ) ρ < N Große relative removal rate: Stabiler Endzustand S = N, I = 0 Krankheit verschwindet. Kleine relative removal rate: - Wegen Wiederansteckung stellt sich ein endemisches Gleichgewicht ein : S = ρ I = N ρ 1+ α γ Dabei kann es sich sowohl um stationäre Knoten, oder um einen stabilen Focus (Strudelpunkt) handeln. Dagegen ist der Zustand S = N, I = 0 instabil (Sattelpunkt) Die folgenden Abbildungen zeigen ausgewählte Trajektorien in der Phasenebene und Zeitverläufe für drei Parameterkonstellationen: - relative removal rate groß - relative removal rate klein, endemisches Gleichgewicht: stabiler Knoten - relative removal rate klein, endemisches Gleichgewicht: stabiler Focus Man beachte, daß die Abbildungen für normierte Größen
30 2 MODELLE VON EPIDEMIEVERLÄUFEN 29 S = S N, I = I N, β = β N berechnet wurden. Je nach weiteren Unterscheidungsbedingungen handelt es sich um einen stabilen Knoten oder einen stabilen Fokus (Strudelpunkt). Dagegen ist für ρ < N die Gleichgewichtspunkt S = N, I = 0 instabil (Sattelpunkt). 1. Fall: Relative removal rate groß
31 2 MODELLE VON EPIDEMIEVERLÄUFEN 30
32 2 MODELLE VON EPIDEMIEVERLÄUFEN Fall: Relative removal rate klein. Stabiler Knoten.
33 2 MODELLE VON EPIDEMIEVERLÄUFEN Fall: Relative removal rate klein. Stabiler Focus.
34 3 WACHSTUM VON POPULATIONEN 33 3 Wachstum von Populationen Population von Einzellern, Tieren, Pflanzen, Menschen,... Beschreibung der Größe von Populationen: - Zahl der Individuen, N - ZahlderIndividuen V olumen - Biomasse m : Dichte, X Populationsgröße ist im allgemeinen zeitabhängig. Zunahme wird als Wachstum bezeichnet. Abnahme kann zum Aussterben führen (muß nicht). Komplizierte Verhältnisse durch Wechselwirkung zwischen Populationen. 3.1 Eine einzige Population, exponentielles Wachstum. Das Gesetz von Malthus Die Zahl der Individuen, N ändert sich in der Zeit: N = N(t) Die relative Wachstumsrate (relative growth rate) ist definiert durch: 1 N dn dt Modellannahme: Die relative Wachstumsrate ist konstant: 1 N dn dt = r r > 0, konstant. Dimension: reziproke Zeit. Anfangsbedingung: N(0) = N 0 N(t) = N 0 e rt exponentielles Wachstum, auch Gesetz von Malthus Ist die Modellannahme realistisch? Beobachtungen an Einzellern, Zellkulturen zeigen: Zutreffend für Anfangteil von Wachstumskurven.
35 3 WACHSTUM VON POPULATIONEN 34 Mit zunehmender Populationsgröße schwächt sich jedoch Wachstum ab. Beispiel: Wachstum einer Hefekultur (Carlsson, 1913) (vgl. auch ModelMaker Dateien aufg11.mod, aufg11a.mod) 3.2 Eine einzige Population, logistisches Wachstum. Das Gesetz von Verhulst-Pearl Mehr oder weniger deskriptiv: Man postuliert eine Abnahme der relativen Wachstumsrate mit zunehmender Populationsgröße, ohne nähere Begründung: 1 N dn dt = r (1 N K ) N(0) = 0 Parameter: r > 0, intrinsische relative Wachstumsrate (intrinsic growth rate) K > 0, Kapazität (carrying capacity) Relative Wachstumsrate nimmt linear mit N ab. Absolute Wachstumsrate: dn dt = r N (1 N K ) durchläuft Parabel Wachstumsrate ist beschrieben durch logistische Funktion: N(t) = N 0 e rt 1+ N 0 K (ert 1) Verhulst : Pearl : 1920: Bevölkerungswachstum der USA
36 3 WACHSTUM VON POPULATIONEN 35
37 3 WACHSTUM VON POPULATIONEN Zwei konkurrierende Arten Konkurrenz um gemeinsame Ressourcen (z.b. Nahrung, Revier) Ansatz geht zurück auf Lotka und Volterra. Relative Wachstumsrate einer Art nimmt linear ab mit zunehmender Größe der eigenen Population (siehe Verhulst- Pearl) nimmt nimmt wegen der Konkurenz außerdem ab mit der Größe der Population des Konkurrenten dn 1 dt dn 2 dt = r 1 N 1 (1 N1+α12 N2 K 1 ) N 1 (0) = N 1,0 = r 2 N 2 (1 N2+α21 N1 K 2 ) N 2 (0) = N 2,0 Parameter: Zu den vom logistischen Wachstum bekannten Parametern r und K, die separat für jede Art vorhanden sind, kommen noch die Kompetitionskoeffizienten, die die Wechselwirkungen zwischen den Arten beschreiben. α 12 : Kompetitionskoeffizient (2 auf 1) α 21 : Kompetitionskoeffizient (1 auf 2) Der Ansatz von Lotka-Voltera führt auf den Spezialfall α 12 = 1 α 21.
38 3 WACHSTUM VON POPULATIONEN 37 Analytische Lösung: Ziemlich hoffnungslos. Selbst das Phasenporträt hängt entscheidend ab von der Wahl der 6 Modellparameter r i, k i, α 12, α 21 (i=1,2) Bewährtes Hilfsmittel: Null-Isoklinen (nullclines) Sind Kurven in der Phasenebene, die von allen durchgehenden Trajektorien in der gleichen Richtung geschnitten werden, und zwar: die N 1 - Isoklinen: dn1 dt die N 2 - Isoklinen: dn2 dt = 0 : vertikal, = 0 : horizontal Ein Schnittpunkt einer N 1 - und einer N 2 - Isokline ist ein Gleichgewichtspunkt (stationärer Zustand). Das Gleichgewicht kann stabil, labil oder indifferent sein. N 1 Isoklinen: * N 1 = 0 (N 2 - Achse) * N1 K 1 + N2 1 α 12 K 1 = 1 (Gerade mit Achsenabschnitten N 1 = K 1, N 2 = 1 α 12 K 1 ) N 2 Isoklinen: * N 2 = 0 (N 1 -Achse) * Stationäre Zustände: N N2 α K 2 K 2 = 1 21 * (entspechend) (Gerade nit Achsenabschnitten N 1 = 1 α 21 K 2, N 2 = K 2 ) 1. N 1 = K 1, N 2 = 0 (Verhulst-Pearl für Population 1 allein) 2. N 2 = 0, N 2 = K 2 (Verhulst-Pearl für Population 2 allein) 3. Falls die beiden Geraden sich im 1.Quadranten schneiden, ein weiterer Zustand [N 1,N 2 ]. In welchen Endzustand geht das System, das sich zunächst in einem Zustand [N 1,N 2 ] befand, für t über? Stabilitätsuntersuchung: Es ist zweckmäßig, den kompetitiven Effekt einer Art auf die andere zu charakterisieren: 1 K 1 : Effekt Art 1 auf sich selbst, α21 K 2 Effekt Art 1 auf Art 2 α 21 K 2 < 1 K 1 : Schwacher kompetitiver Effekt Art 1 auf Art 2 α 21 K 2 > 1 K 1 : Starker kompetitiver Effekt Art 1 auf Art 2 Für Art 2 entsprechendes.
39 3 WACHSTUM VON POPULATIONEN 38 Kombination der verschiedenen Möglichkeiten: eine Art stark, die andere schwach: - Die Geraden schneiden sich nicht im Innern des 1.Quadranten. - Die starke Art überlebt, die schwache stirbt aus beide Arten schwach - Schnittpunkt im ersten Quadranten existiert und ist stabil - Zustand der Koexistenz beide Arten stark - Zwar schneiden sich die Geraden im 1.Quadranten, aber der Gleichgewichtszustand ist instabil. - Nur eine Art überlebt. - Welche das aber ist, hängt von den Anfangsbedingungen ab (Startchancen) Viel zitiert als Stütze des Modells: Messungen von Gause an Einzellern.
40 3 WACHSTUM VON POPULATIONEN Paramecium (Pantoffeltierchen) - Art 1: Paramecium caudatum - Art 2: Paramecium aurelia (vgl. auch ModelMaker Datei aufg.12)
41 3 WACHSTUM VON POPULATIONEN Hefe - Art 1: Saccearomyces cerevisia - Art 2: Schizosaccharomyces kephir (vgl. auch ModelMaker Datei aufg13.mod) Durch Kurvenanpassung bestimmte Parameterwerte: r 1 = 0, 218h 1 K 1 = 13, 0 α 12 = 3, 15 r 2 = 0, 061h 1 K 2 = 5, 8 α 21 = 0, 439 Art 1 wächst viel schneller (intrinsisch) als 2, auch höhere Kapazität Aber: Art 2 hat viel stärkeren kompetitiven Einfluß auf Art 1 als umgekehrt: α 12 K 1 = 0, 2420 > 1 K 2 = 0, 1720 starker Effekt 2 auf 1 α 21 K 2 = 0, 0757 < 1 K 1 = 0, 0769 schwacher Effekt 1 auf 2 Anpassungskurve für Art 1: Leicht abwärts am Ende Extrapolation Art 1 wäre nach 190 h verschwunden (gewesen) Es wurde aber nur 50 h gemessen.
42 3 WACHSTUM VON POPULATIONEN Räuber - Beute -Gesellschaften Klassisches Modell: - Lotka und Volterra, 1925/26 (Fische der Adria) Beute (Populationsgröße X) : dx dt = x (r x a y) Räuber (Populationsgröße Y): Parameter: dy dt = y ( r y b x) r x, r y, a, b : Sämtlich positiv, konstant, reziproke Zeiten Anfangszustand: x(0) = x 0 y(0) = y 0 Erste Überlegungen: Beute ohne Räuber: Exponentielles Wachstum: x = x 0 e rx t Räuber ohne Beute: Exponentielles Aussterben: y = y 0 e ry t Null-Isoklinen dx dt = 0 : Horizontale Gerade: y = rx a dy dt = 0 : Vertikale Gerade: x = ry b Schneiden sich im Gleichgewichtspunkt S = [ ry b, rx a ]
43 3 WACHSTUM VON POPULATIONEN 42 Trajektorien sind geschlossene Kurven, die den stationären Punkt S im Gegenuhrzeigersinn umlaufen. x(t), y(t) sind periodische Zeitfunktionen. x-maxima (Beute) liegen früher als y-maxima (Räuber) Man kann am Modell auch Eingriffe ins System diskutieren: (3. Volterasches Gesetz): 1. Vertilgt man Räuber wie Beute proportional zur jeweiligen Populationsgröße (Beute: r x verkleinern, Räuber: r y vergrößern), verschiebt sich der stationäre Punkt in Richtung größere Beute-,aber kleinere Räuberpopulation. 2. Vermehrter Schutz der Beute (a und b verkleinern) läßt Beute und Räuber zunehmen. S ist ein Zentrum (neutrales bzw. indifferentes Gleichgewicht) Kurzzeitige Störung System läuft auf neuer geschlossener Kurve um S, kehrt nicht auf die ursprüngliche Trajektorie zurück. Quantitative Beobachtungen: Referenzbeispiel ist die Statistik der Hudson Bay Company, die für die Jahre die Zahl der erbeuteten Felle von Schneeschuhhase und Luchs registriert, nicht die Populationsgrößen. Die Oszillationen sind deutlich zu erkennen.
44 3 WACHSTUM VON POPULATIONEN 43
45 3 WACHSTUM VON POPULATIONEN 44 Die Zeit fällt aber aus dem Rahmen: Maximum der Luchse erscheint früher, als das der Hasen. Deutlich in vergrößerter Darstellung des Ausschnitts: In der Phasenebene: Uhrzeigersinn Das löste eine Diskussion, um die provozierende Frage: aus. Fressen Hasen Luchse?
46 3 WACHSTUM VON POPULATIONEN 45 Es gibt darauf fragwürdige (z.b. eine Krankheit) und ernsthafte Antworten: Fangzahlen und Populationsgrößen müssen nicht proportional sein, weil die Jäger vor allem durch große Luchszahlen zur Jagd motiviert sein könnten. Das neutrale Gleichgewicht bei S sieht man als ein Kunstprodukt an, das nur durch den ganz speziellen Ansatz zu erklären ist. (Strukturelle Instabilität) Die unendlich große Kapazität der Beute ist unrealistisch. Die Modell - Differentialgleichungen legen nahe, daß ein einzelner Räuber desto mehr Beutetiere frißt, je mehr es davon gibt. Das hat seine Grenzen. Es gibt inzwischen auch andere Modelle
Modelle von Epidemieverläufen
Modelle von Epidemieverläufen Kermak und McKendrick, 1927 Grundlegendes und einfaches Modell zur Ausbreitung einer nfektionskrankheit in einer Population. Es werden folgende Gruppen von ndividuen unterschieden:
MehrPharmakokinetik. Modelle mit Differentialgleichungen
Modelle mit Differentialgleihungen Pharmakokinetik IMISE, Universität Leipzig Pharmakokinetik Populationsdynamik Epidemieverläufe Die Pharmakokinetik untersuht die Gesetzmäßigkeiten bei der Aufnahme eines
MehrTeil 1 - Epidemische Modelle
Teil 1 - Epidemische Modelle 15. Januar 2013 Literatur: J.D.Murray: Mathematical Biology: I. An Introduction, Third Edition, Springer Gliederung 1 2 3 4 5 Ziele meines Vortrags Ein grlegen Modell () zur
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
MehrDifferentialgleichungen
Kapitel 14 Differentialgleichungen Josef Leydold Mathematik für VW WS 2017/18 14 Differentialgleichungen 1 / 41 Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen:
MehrDynamische Systeme. Mathematik für Biologen, Biotechnologen und Biochemiker. Angela Holtmann
Mathematik für Biologen, Biotechnologen und Biochemiker 16.7.2008 Das Räuber-Beute-Modell Das Räuber-Beute-Modell Es gibt zwei Arten, wobei die eine Art die andere frisst. 1925: Volterra (Italiener) und
MehrDifferenzialgleichungen
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 2. Februar 2015 : Luftdruck Definition e: Populationsdynamik Satz von Picard und Lindelöf Folgerungen/Bemerkungen...von DGLn höherer Ordnung
MehrDifferenzialgleichungen
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 30. Januar 2008 (System von) Differenzialgleichung(en) Schwingungsgleichung Newtonsche Mechanik Populationsdynamik...DGLn höherer Ordnung auf
MehrEinführung in einige Teilbereiche der Wirtschaftsmathematik für Studierende des Wirtschaftsingenieurwesens
in einige Teilbereiche der für Studierende des Wirtschaftsingenieurwesens Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Finanzmathematik 2 Lineare Programme 3 Differentialgleichungen 4 Statistik:
Mehrexponentielle Wachstumsphase Abbildung 1: Wachstumskurve einer Bakterienkultur
Bakterienwachstum Mathematische Schwerpunkte: Teil 1: Folgen; vollständige Induktion; rekursiv definierte Folgen Teil 2: Exponentialfunktionen Teil 3: Extremwertbestimmung; Integration einer rationalen
MehrWirtschaftsmathematik
in einige Teilbereiche der Wintersemester 2016 Prof. Dr. Stefan Etschberger HSA : Table of Contents 1 Finanzmathematik 2 Lineare Programme 3 Differentialgleichungen 4 Statistik: 5 Deskriptive Statistik
Mehr11 Allgemeine Theorie, Lineare Differentialgleichungen Lösungsmethoden
FH-Studiengang Biotechnologie, WS 007/08 Übungsaufgaben zur Angewanen Mathematik 3 11 Allgemeine Theorie, Lineare Differentialgleichungen Lösungsmethoden 101. Wir betrachten einen Schadstoff, der in ein
MehrZusätzliche Aufgabe 5:
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas Zusätzliche Aufgabe 5: Populationsmodelle Um die Entwicklung einer Population zu modellieren, gibt es diskrete Modelle, wobei die Zeit t bei diskreten
Mehr1 Nicht-lineare dynamische Systeme
1 Nicht-lineare dynamische Systeme 1.1 Charakteristika linerarer Systeme Superpositionsprinzip: Sind x 1 und x Lösungen eines linearen Systems, dann ist auch α 1 x 1 + α x eine Lösung. Berühmte Beispiele:
Mehr( ) Diskretes dynamisches Chaos. 1. Einleitung: Diskrete dynamische Systeme
Diskretes dynamisches Chaos. Einleitung: Diskrete dynamische Systeme Verschiedene Problemstellungen können zu zeitlich diskreten Systemen (Differenzengleichungen) führen: Zinseszinsrechnung: x(n+) = x(n)
MehrNichtlineare Dynamik in biologischen Systemen
Universität Leipzig Fakultät für Physik und Geowissenschaften Bereich Didaktik der Physik 29. August 2006 11 Nichtlineare Dynamik in biologischen Systemen Erster Gutachter: Prof. Dr. Wolfgang Oehme, Universität
MehrModellbildung und Simulation, Kap (S ) 10 Zwei-Spezies-Modelle
Erratum zu Modellbildung und Simulation, Kap. 1.3 (S. 256 261) 1 Zwei-Spezies-Modelle Interessanter als einzelne Populationen sind Modelle mit mehreren Arten, die miteinander in Wechselwirkung stehen,
MehrKatharina Kausel, April 2012
Mathematische Modelle in der Biologie Seminar Biomathematik Seminar Biomathematik Katharina Kausel, April 2012 Mutualismus Was ist Mutualismus? SYMBIOSE Unterschied: eine Art ist ohne die andere LEBENSUNFÄHIG
Mehr9. Dynamische Systeme.
Leitfaden 12 91 Das Räuber-Beute-Modell 9 Dnamische Ssteme Gegen Ende des ersten Weltkriegs, als der Fischfang im Mittelmeer fast vollständig zum Erliegen gekommen war, stellten Fischer fest, daß der Anteil
MehrDynamische Systeme in der Mikrobiologie
Dynamische Systeme in der Mikrobiologie Gruppe G Mi: Severine Hurni, Esther Marty, Giulia Ranieri, Matthias Engesser, Nicole Konrad Betreuer: Roman Kälin 1. Einleitung Ein dynamisches System ist ein System,
MehrMathematik 1 für Naturwissenschaften
Hans Walser Mathematik 1 für Naturwissenschaften Modul 111 Systeme von Differenzialgleichungen Luchs und Hase Hans Walser: Modul 111, Systeme von Differenzialgleichungen. Luchs und Hase ii Inhalt 1 Lineare
MehrSYSTEMANALYSE 2 Kapitel 7: Zeitdiskrete Modelle
Universität Koblenz-Landau Fachbereich 7: Natur-und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) SYSTEMANALYSE 2 Kapitel 7: Zeitdiskrete Modelle 1. Zeitdiskrete
MehrBeispiel: Evolution infizierter Individuen
Differentialgleichungen sind sehr nützlich in der Modellierung biologischer Prozesse, denn: damit kann man auch sehr komplizierte Systeme beschreiben die Mathematik liefert mit der gut entwickelten Theorie
MehrRäuber-Beute-Modelle, Auslese/Schwellensatz
Räuber-Beute-Modelle, Auslese/Schwellensatz Mareike Franz und Brigitte Steinhauser 15. Dezember 2008 1 / 37 1 Räuber-Beute-Modelle 2 Prinzip der Auslese durch Wettbewerb 3 Schwellensatz der Epidemiologie
MehrWettbewerbs- und Symbiose-Modelle Von Jakob Foss
Wettbewerbs- und Symbiose-Modelle Von Jakob Foss Wettbewerbsmodell Das einfachste Wettbewerbsmodell für zwei Spezies lässt sich aus dem Lotka- Volterra Modell ableiten und sieht folgendermaßen aus: dn1
MehrLösungen 10 (Kinetik)
Chemie I WS 2003/2004 Lösungen 10 (Kinetik) Aufgabe 1 Verschiedenes 1.1 Als Reaktionsgeschwindigkeit v c wird die Ableitung der Konzentration eines Reaktanden A nach der Zeit t, dividiert durch dessen
MehrPROBEPRÜFUNG MATHEMATIK I UND II
PROBEPRÜFUNG MATHEMATIK I UND II für die Studiengänge Agrar-, Erd-, Lebensmittelund Umweltnaturwissenschaften Für diese Probeprüfung sind ca 4 Stunden vorgesehen. Die eigentliche Prüfung wird signifikant
Mehr6 Differentialgleichungen
93 6 Differentialgleichungen Eine Differentialgleichung ist eine Gleichung, in der eine unbekannte Funktion y = y(x) und Ableitungen (die erste oder auch höhere) von y vorkommen. Lösungen einer Differentialgleichung
MehrTheorie und Numerik von Differentialgleichungen mit MATLAB und SIMULINK. K. Taubert Universität Hamburg SS08
Theorie und Numerik von Differentialgleichungen mit MATLAB und SIMULINK K. Taubert Universität Hamburg SS8 Linearisierung 2 LINEARISIERUNG und das VERHALTEN VON LÖSUNGEN NICHTLINEARER DIFFERENTIALGLEICHUNGEN
MehrMuPAD Computeralgebrapraktikum: Modelle mit Differentialgleichungen. Prof. Dr. Wolfram Koepf Prof. Dr. Werner Seiler Thomas Wassong SS 2008
MuPAD Computeralgebrapraktikum: Modelle mit Differentialgleichungen Prof. Dr. Wolfram Koepf Prof. Dr. Werner Seiler Thomas Wassong SS 2008 Frühstudium Alle Teilnehmer dieses Praktikums können sich zum
MehrStetige Populationsmodelle
Stetige Populationsmodelle Christof Straßer Autor: J.D.Murray Titel: Mathematical Biology 31.01.01 James Dickson Murray Geb.: 0.01.1931 Professor Emeritus Oxford u. Washington Bereich biologische und biomedizinische
Mehr3 Zweidimensionale dynamische Systeme Oszillationen
3 Zweidimensionale dynamische Systeme Oszillationen Lineare Systeme Ein Beispiel für ein zweidimensionales dynamisches System ist die Gleichung ẍ + ω 2 sin x = 0 für ebene Schwingungen eines reibungsfreien
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes 6. Nichtlineare Modelle 6.1 Nichtlineare Modelle
Mehr6 Differentialgleichungen
88 6 Differentialgleichungen Eine Differentialgleichung ist eine Gleichung, in der eine unbekannte Funktion y = y(x) und Ableitungen (die erste oder auch höhere) von y vorkommen. Lösungen einer Differentialgleichung
Mehr1 Relaxationskinetik der Neutralisationsreaktion in Wasser
Physikalische Chemie II Lösung 6 28. Oktober 206 Relaxationskinetik der Neutralisationsreaktion in Wasser. Für die Reaktion A + B definiert man die Auslenkungsvariable x so, dass gilt k a kb 2P [A] = [A]
MehrNach der Theorie der Partialbruchzerlegung kann der Bruch auf der linken Seite in Teilbrüche zerlegt werden: = + =
ist ( 6.4 Logistisches Wachstum Ein Nachteil des Modells vom beschränkten Wachstum besteht darin, dass für kleine t die Funktion ungefähr linear statt exponentiell wächst. Diese chwäche wird durch das
MehrVorwissen Lineare Modelle zweier Bevölkerungen
Reiser Stephan 1 Ablauf Vorwissen Lineare Modelle zweier Bevölkerungen Das Konkurrenzmodell von Volterra Ein allgemeineres Konkurrenzmodell Periodische Bahnen für die allgemeine Volterra-Lotka- Gleichung
MehrAusgehend vom Lotka-Volterra Modell der Populationsdynamik sind für die Testaufgabe zwei Teilaufgaben
Praxis 2 - Tabellenkalkulation 9 Fig. 3 Teil C: Testaufgabe 1. Einführung Populationsdynamik bei Tieren in einem Lebensraum Wenn Tiere verschiedener Arten den gleichen Lebensraum besiedeln, können sie
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) 7. Zeitdiskrete Modelle 7.1
MehrMedizinische Biophysik. Stephan Scheidegger ZHAW School of Engineering
Medizinische Biophysik Stephan Scheidegger ZHAW School of Engineering Modelle in der medizinischen Biophysik Inhalt ROETGETECHIK Teil A Systembiophysik (Kapitel 1-4) Teil B Strahlenbiophysik (Kapitel 5-8)
Mehr5.4 Uneigentliche Integrale
89 Wir dividieren die Potenzreihe von sin(t) gliedweise durch t und erhalten sint t = t (t t3 3! + t5 5! + ) = t2 3! + t4 5! +. Diese Reihe ist konvergent für alle t R. Nun integrieren wir gliedweise.
MehrEinfache Modelle der Populationsdynamik
Vorlesung 4. Einfache Modelle der Populationsdynamik Wintersemester 215/16 1.11.215 M. Zaks allgemeine vorbemerkungen In kleinen Populationen schwanken die Bevolkerungszahlen stochastisch: Geburt/Tod von
MehrPharmakokinetik-Grundlagen, Teil 2
Pharmakokinetik-Grundlagen, Teil 2 Thomas Schnider 29. März 2016 1 Bisherige Betrachtung: Ein Kompartiment Modell. Ein Kompartiment Modell: Annahmen well stirred Ein Input Eine Elimination (-skonstante)
MehrUniversität Koblenz-Landau Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften
Universität Koblenz-Landau Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes (Lehrbeauftragter) Systemanalyse 2 Kapitel 6: Nichtlineare Modelle Nichtlineare
MehrKonstante Zu- und Abflüsse (Veränderungen)
Konstante Zu- und Abflüsse (Veränderungen) Unser erstes Modell: Ein (großer) Eimer wird unter einen Wasserhahn gestellt. Der Wasserhahn wird geöffnet und ein konstanter Wasserstrom von 2 Litern pro Minute
Mehr11.3. Variablentrennung, Ähnlichkeit und Trajektorien
3 Variablentrennung, Ähnlichkeit und Trajektorien Trennung der Veränderlichen (TdV) Es seien zwei stetige Funktionen a (der Variablen ) und b (der Variablen ) gegeben Die Dgl a( ) b( ) b( ) d d läßt sich
MehrModul 1 Dynamik multidsziplinär
Dynamik multidisziplinär Diese Lerneinheit befasst sich mit den Grundlagen der Kinetik am Beispiel des enzymatischen Abbaus von Alkohol Zum Verständnis für die Abbaukinetik pseudo-nullter Ordnung! Zur
MehrDYNAMISCHE SYSTEME IN DER MIKROBIOLOGIE
DYNAMISCHE SYSTEME IN DER MIKROBIOLOGIE Verfasser: Kathrin Bacher, Mirjam Barrueto, Roman Kessler, Mischa Schönenberger, Dominique Grimm Betreuer: Roman Kälin Hilfsmittel: BBOM, Kapitel: 6.1, 6.3-6.6,
MehrGleichgewichte von Differentialgleichungen
Gleichgewichte von Differentialgleichungen Gleichgewichte von Differentialgleichungen Teil 1 Zur Erinnerung: Zur Erinnerung: Wir hatten lineare Differentialgleichungen betrachtet: in R 1 : Zur Erinnerung:
MehrÜbungen PC - Kinetik - Seite 1 (von 5)
Übungsaufgaben PC: Kinetik 1) Für die Umlagerung von cis- in trans-dichlorethylen wurde die Halbwertszeit 245 min gefunden; die Reaktion gehorcht einem Geschwindigkeitsgesetz erster Ordnung. Wie viel g
MehrBayern Teil 1. Aufgabe 1. Abitur Mathematik: Musterlösung. Der Term unter der Wurzel darf nicht negativ werden. Es muss also gelten:
Abitur Mathematik: Bayern 2013 Teil 1 Aufgabe 1 a) 1. SCHRITT: DEFINITIONSMENGE BESTIMMEN Der Term unter der Wurzel darf nicht negativ werden. Es muss also gelten: 3x + 9 0 x 3 2. SCHRITT: NULLSTELLEN
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrGRUNDLEGENDE MODELLE. Caroline Herbek
GRUNDLEGENDE MODELLE Caroline Herbek Lineares Wachstum Charakteristikum: konstante absolute Zunahme d einer Größe N t in einem Zeitschritt Differenzengleichung: N t -N t-1 =d => N t = N t-1 +d (Rekursion)
MehrSpezielle Kinetik MC 1.3. Prof. Dr. B. Dietzek. Friedrich-Schiller-Universität Jena, Institut für Physikalische Chemie. Wintersemester 2016/2017
Spezielle Kinetik MC 1.3 Prof. Dr. B. Dietzek Friedrich-Schiller-Universität Jena, Institut für Physikalische Chemie Wintersemester 2016/2017 B. Dietzek/D. Bender Spezielle Kinetik 1 Physikalische Chemie//Master
Mehr1 Lambert-Beersches Gesetz
Physikalische Chemie II Lösung 6 23. Oktober 205 Lambert-Beersches Gesetz Anhand des idealen Gasgesetzes lässt sich die Teilchenkonzentration C wie folgt ausrechnen: C = N V = n N A V pv =nrt = N A p R
MehrGewöhnliche Differentialgleichungen Aufgaben, Teil 1
Gewöhnliche Differentialgleichungen Aufgaben, Teil 1 4-E1 4-E2 4-E3 Gewöhnliche Differentialgleichung: Aufgaben Bestimmen Sie allgemeine und spezielle Lösungen der folgenden Differentialgleichungen Aufgabe
MehrTherapeutisches Drug Monitoring bei Antiepileptika
Therapeutisches Drug Monitoring bei Antiepileptika Prof. Dr. med. Gerd Mikus Abteilung Innere Medizin VI Klinische Pharmakologie und Pharmakoepidemiologie Universitätsklinikum Heidelberg gerd.mikus@med.uni-heidelberg.de
MehrAbbildung 1: Diffusionsverbreiterung im zeitlichen Verlauf eines Sedimentationsgeschwindigkeitsexperiments
Diffusion Einführung Zusätzlich zu den Sedimentations-, Auftriebs- und Reibungskräften unterliegt ein Partikel im Zentrifugalfeld der ungerichteten und der gerichteten (wechselseitigen) Diffusion. Dabei
MehrFraktale und Beispiele aus der Physik
Fraktale und Beispiele aus der Physik Anschauung Warum beschäftigen Fraktale (auch) Naturwissenschaftler? kurze Wiederholung Konkretes Beispiel: Magnetpendel Das Experiment Mathematische Beschreibung Trajektorien
Mehr4. Differentialgleichungen
4. Differentialgleichungen Prof. Dr. Erich Walter Farkas 10.11.2011 Seite 1 Einleitung Viele in der Natur stattfindende Vorgänge können durch sogenannte Differentialgleichungen beschrieben werden. Unter
Mehr) (1 BE) 1 2 ln 2. und somit
1 Aufgaben aus dem Aufgabenpool 1 1.1 Analysis A1_1 Eine Funktion f ist durch 1 x f(x) e 1, x IR, gegeben. Ermitteln Sie die Nullstelle der Funktion f. ( ) b) Die Tangente an den Graphen von f im Punkt
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) 10.1 Systemdefinition Eine
Mehrdurch Ratengleichungen der Form t t = F 2 N 1 t, N 2 t d N 1 t
5. Wechselwirkungen zwischen verschiedenen Spezies Allgemein kann man die zeitliche Entwicklung zweier Spezies N 1 und N 2 durch Ratengleichungen der Form d N 1 t d N 2 t = F 1 N 1 t, N 2 t, t = F 2 N
MehrDynamisches Chaos. 1. Einleitung: Determinismus und Chaos
Dynamisches Chaos 1. Einleitung: Determinismus und Chaos In der üblichen Betrachtungsweise ist der Zufall nur auf dem Mikroniveau erlaubt: - das Boltzmannsche molekulare Chaos; - die quantenmechanischen
MehrInhaltsverzeichnis. Universität Basel 7 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden. Mathematik 1
Universität Basel 7 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Produktionsfunktionen Inhaltsverzeichnis 1 Homogene Funktionen 2 1.1 Definition und
MehrPharmakokinetik und Bioverfügbarkeit. Quantitative Auseinandersetzung des Organismus mit einem einverleibten Pharmakon
Pharmakokinetik und Bioverfügbarkeit Quantitative Auseinandersetzung des Organismus mit einem einverleibten Pharmakon 1 Warum ist die Voraussage der ADME Parameter so wichtig? Gründe die zum Fehlschlag
MehrPrüfung zur Vorlesung Mathematik I/II
Dr. A. Caspar ETH Zürich, August 2011 D BIOL, D CHAB Prüfung zur Vorlesung Mathematik I/II Bitte ausfüllen! Name: Vorname: Legi-Nr.: Nicht ausfüllen! Aufgabe Punkte Kontrolle 1 2 3 4 5 6 Total Vollständigkeit
MehrÄnderungsmaße. möglich. Die nachstehende Abbildung zeigt den Graphen der Funktion f mit der Gleichung f(x) = 0,1x ².
Änderungsmaße Typ 1 S Aufgabennummer: 1_004 Prüfungsteil: Aufgabenformat: Multiple Choice ( aus 5) Grundkompetenz: AN 1.3 keine Hilfsmittel S erforderlich Hilfsmittel S gewohnte möglich Typ Technologie
MehrGrundlagen der Kinetik
Kapitel 1 Grundlagen der Kinetik In diesem Kapitel werden die folgenden Themen kurz wiederholt: Die differenziellen und integralen Geschwindigkeitsgesetze von irreversiblen Reaktionen., 1., und. Ordnung
MehrProjekt Bakterienkultur
1 Einleitung Projekt Bakterienkultur Mathematische Modellierung I Sommersemster 2010 Anna Aichmayr, Georg Rief, Patrica Walker 1.1 Physikalische Grenzen Dienstag, Juli 13, 2010 Der zu untersuchende Bereich
MehrLösung zur Übung 19 SS 2012
Lösung zur Übung 19 SS 01 69) Beim radioaktiven Zerfall ist die Anzahl der pro Zeiteinheit zerfallenden Kerne dn/dt direkt proportional zur momentanen Anzahl der Kerne N(t). a) Formulieren Sie dazu die
Mehr16. EINIGE LÖSUNGSMETHODEN
134 Dieses Skript ist ein Auszug mit Lücken aus Einführung in die mathematische Behandlung der Naturwissenschaften I von Hans Heiner Storrer, Birkhäuser Skripten. Als StudentIn sollten Sie das Buch auch
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) Systemanalyse 1 Teil 1 1.
Mehr254 15. ORDNUNG UND UNORDNUNG
54 15. ORDNUNG UND UNORDNUNG 15.4 Ordnungsdomänen Da die verschiedenen Untergitter im llgemeinen gleichwertig sind, können die - oder B-tome bei einer an verschiedenen Stellen beginnenden Keimbildung das
MehrR. Brinkmann Seite Anwendungen der Exponentialfunktion
R. Brinkmann http://brinkmann-du.de Seite 6..2 Aufstellen der Funktionsgleichung : Anwendungen der Eponentialfunktion Coli Bakterien verrichten ihre Arbeit im menschlichen Darm. Sie vermehren sich durch
MehrAnalysis und Lineare Algebra mit MuPAD
Analysis und Lineare Algebra mit MuPAD Dehling/Kubach Mögliche Themen für Abschlussprojekte 1 Fourier-Reihen Zu einer integrierbaren Funktion f : [0,2π] R definieren wir die Fourier-Reihe wobei a 0 = 1
MehrKapitel 1: Pharmakokinetische Modelle 1
VII Kapitel 1: Pharmakokinetische Modelle 1 1.1 Einleitung... 1 1.2 Pharmakokinetische Modelle... 1 1.2.1 Kompartiment-Modell... 1 1.2.2 Statistisches Modell... 3 1.2.3 Physiologisches Modell... 3 1.3
Mehr10 Zeit in Milliarden Jahren
a) Der radioaktive Zerfall von bestimmten Uran-Atomen lässt sich näherungsweise durch eine Exponentialfunktion N beschreiben (siehe nachstehende Abbildung). 100 Masse in mg 90 80 70 60 50 N 40 30 20 10
MehrÖkologische Gleichungen für zwei Spezies
Ökologische Gleichungen für zwei Spezies Florian Kern 06.Dezember 2011 Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics, Cambridge, Kapitel 4 Inhaltsverzeichnis 1 Satz von der
MehrTEIL I: KINEMATIK. 1 Eindimensionale Bewegung. 1.1 Bewegungsfunktion und s-t-diagramm
TEIL I: KINEMATIK Unter Kinematik versteht man die pure Beschreibung der Bewegung eines Körpers (oder eines Systems aus mehreren Körpern), ohne nach den Ursachen dieser Bewegung zu fragen. Letzteres wird
MehrFixpunkte und Stabilitätsanalyse
Fixpunkte und Stabilitätsanalyse 1 Themenüberblick Motivation 1D-Probleme Bifurkationen 2D-Probleme Fixpunkttypen Lotka-Volterra-Modelle 2 Motivation Bisher: Lineare Dynamik Jetzt: Nichtlineare Systeme
MehrAbitur 2017 Mathematik Infinitesimalrechnung I
Seite 1 http://www.abiturloesung.de/ Seite 2 Abitur 217 Mathematik Infinitesimalrechnung I Gegeben ist die Funktion g : x 2 4 + x 1 mit maximaler Definitionsmenge D g. Der Graph von g wird mit G g bezeichnet.
MehrSystemtheorie. Vorlesung 6: Lösung linearer Differentialgleichungen. Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann
Systemtheorie Vorlesung 6: Lösung linearer Differentialgleichungen Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann Einführung Viele technischen Anwendungen lassen sich zumindest näherungsweise
MehrDeterministisches Chaos
Deterministisches Chaos Um 1900 Henri Poincaré: Bewegung von zwei Planeten um die Sonne kann zu sehr komplizierten Bahnen führen. (chaotische Bahnen) Seit ca. 1970 Entwicklung der Chaostheorie basierend
MehrK2 - Klausur Nr. 2. Wachstumsvorgänge modellieren mit der Exponentialfunktion. keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
K2 - Klausur Nr. 2 Wachstumsvorgänge modellieren mit der Exponentialfunktion Pflichtteil keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere
Mehr(c) Nach wievielen Wochen ist etwa die Hälfte aller Einwohner erkrankt?
Mathematik I für Naturwissenschaften Dr. Christine Zehrt 15.11.18 Übung 9 (für Pharma/Geo/Bio) Uni Basel Besprechung der Lösungen: 19. November 018 in den Übungsstunden Aufgabe 1 In einer Stadt breitet
MehrMathematische Grundlagen der dynamischen Simulation
Mathematische Grundlagen der dynamischen Simulation Dynamische Systeme sind Systeme, die sich verändern. Es geht dabei um eine zeitliche Entwicklung und wie immer in der Informatik betrachten wir dabei
Mehr10.3 Flussquantisierung durch Supraleitung
Bemerkung : Die Londonsche Eindringtiefe ist über die Dichte der Cooperpaare temperaturabhängig Sie divergiert bei Annäherung an die kritische Temperatur Experimentell bestätigt ist das folgende Verhalten
MehrMathematik für Wirtschaftswissenschaftler
Mathematik für Wirtschaftswissenschaftler Yves Schneider Universität Luzern Frühjahr 2016 Repetition Kapitel 1 bis 3 2 / 54 Repetition Kapitel 1 bis 3 Ausgewählte Themen Kapitel 1 Ausgewählte Themen Kapitel
MehrEpidemien Das SIR-Modell
Epidemien Das SIR-Modell Breiling Camillo, Elshazli Sherif, Eisner David, Köck Matthias 28. Juni 2013 Vortrags-Guideline 1 Geschichte der Epidemien 2 Das SIR-Modell 3 Anwendungen und Ausblick Historischer
MehrKapitel 5 (Ebene autonome Systeme) Abschnitt 5.1 (Reduktion auf skalare Di.gleichungen)
Abschnitt 5.1 Reduktion auf skalare Differenzialgleichungen 33 Kapitel 5 Ebene autonome Systeme Abschnitt 5.1 Reduktion auf skalare Di.gleichungen Aufgabe 1, Seite 190 Das gegebene System besitzt oensichtlich
MehrSchriftlich Reifeprüfung aus Mathematik
. Analytische Geometrie Schriftlich Reifeprüfung aus Mathematik Berechne jene(n) Punkt(e) der Ellipse 3x² + 8y² = 0, in dem die Leitstrecken aufeinander normal stehen. Berechne weiters die Winkel, die
Mehr= und t ( 2) = f (2) = ergibt sich die Tangentengleichung
Lösungen Nr. a b c d e f '( = x x f ''( = x 8 6 8 f '( = 0... x = 0 x = 4 Damit ergeben sich wegen ''(0) = < 0 8 f ''(4) = > 0 ein Tiefpunkt T ( 4 0). 8 f ''( = x = 0 x = 6 8 Wegen f '''( = ist f '''()
MehrDiskrete Populationsmodelle für Einzelspezies - Teil 2
Diskrete Populationsmodelle für Einzelspezies - Teil 2 Laura Gemmel 30.10.2012 Literatur, die verwendet wurde: J.D. Murray Mathematical Biology: I. An Introduction, Third Edition Springer Inhaltsverzeichnis
MehrLyapunov-Exponenten. Analyse des Langzeitverhaltens ( t ) eines physikalischen Systems:
Analyse des Langzeitverhaltens ( t ) eines physikalischen Systems: - t tritt bei konkreten beobachteten Systemen nicht auf t >> τ (τ: charakteristische Systemzeit) - t: Dauer der Beobachtung, Prognosezeitraum,...
MehrNatürliche Exponential- und Logarithmusfunktion. Kapitel 5
Natürliche Eponential- und Logarithmusfunktion Kapitel . Die natürliche Eponentialfunktion und ihre Ableitung 48 Arbeitsaufträge. Individuelle Lösungen Jahr 908 90 90 930 90 960 970 990 000 00 in Sekunden
Mehr