vom Die Änderungen treten am Tag nach der Veröffentlichung im Amtlichen Mitteilungsblatt der TU Berlin in Kraft.

Transkript

1 Satzung zur Änderung der Studien- und Prüfungsordnung für den Masterstudiengang Mathematik der Fakultät II - Mathematik und Naturwissenschaften der Technischen Universität Berlin *) vom Der Fakultätsrat der Fakultät II - Mathematik und Naturwissenschaften der Technischen Universität Berlin hat am gemäß 18 Abs. 1 Nr. 1 der Grundordnung der Technischen Universität Berlin, 71 Abs. 1 Nr. 1 des Gesetzes über die Hochschulen im Land Berlin (Berliner Hochschulgesetz BerlHG ) in der Fassung vom 26. Juli 2011 (GVBl. S. 378), zuletzt geändert durch Artikel 4 des Gesetzes vom 9. Mai 2016 (GVBl. S. 226) die folgende Änderung der Studien - und Prüfungsordnung für den Masterstudiengang Mathematik beschlossen: 1. In der Studien- und Prüfungsordnung für den Masterstudiengang Mathematik in der Fassung vom , AMBl. 15/2014 wird die Anlage Modulliste neu gefasst. Sie gilt ab dem Wintersemester 2016/17 in der in der Anlage veröffentlichten Form. 2. Die Änderungen treten am Tag nach der Veröffentlichung im Amtlichen Mitteilungsblatt der TU Berlin in Kraft.

2 :20 Uhr Mathematik - StuPO 2014 Seite 1 von 6 Studiengang Master of Science Mathematik (MSc-Ma) Abschluss: Master of Science Fakultät: Fakultät II Kürzel: MSc-Ma Verantwortlich: Kreusler, Hans-Christian Immatrikulation zum: Winter- und Sommersemester Studiengangsbeschreibung: Masterstudiengang Mathematik Weitere Informationen finden Sie unter: Master of Science Mathematik (MSc-Ma) StuPO 2014 Datum: Punkte: 120 Studien-/Prüfungsordnungsbeschreibung: Weitere Informationen zur Studienordnung finden Sie unter: Weitere Informationen zur Prüfungsordnung finden Sie unter: Die Gewichtungsangabe '1.0' bedeutet, die Note wird nach dem Umfang in LP gewichtet ( 47 Abs. 6 AllgStuPO); '0.0' bedeutet, die Note wird nicht gewichtet; jede andere Zahl ist ein Multiplikationsfaktor für den Umfang in LP. Weitere Hinweise zur Bildung der Gesamtnote sind der geltenden Studien- und Prüfungsordnung zu entnehmen.

3 :20 Uhr Mathematik - StuPO 2014 Seite 2 von 6 Mathematik (MSc) - StuPO 2014 Modulliste WS 2016/17 Vertiefung Mathematik Es sind mindestens 20 LP aus fortgeschrittenen Modulen eines Studienschwerpunktes und mindestens LP aus fortgeschrittenen Modulen eines weiteren Studienschwerpunktes zu wählen. Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Es müssen mindestens 20 Leistungspunkte bestanden werden. Es dürfen höchstens 99 Leistungspunkte bestanden werden. Freie Wahl (Siehe Beschreibung des Studiengangsbereiches) Fortgeschrittene Module - Differentialgleichungen, Funktionalanalysis, Nichtlineare Optimierung, Modellierung Unterbereich von Vertiefung Mathematik Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Es müssen mindestens 20 Leistungspunkte bestanden werden. Es dürfen höchstens 99 Leistungspunkte bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Asymptotische Analysis I 5 ja 1.0 Asymptotische Analysis II 5 ja 1.0 Besov-Räume, Interpolation und Approximation 5 ja 1.0 Differentialgleichungen II A 5 ja 1.0 Differentialgleichungen II B 5 ja 1.0 Differentialgleichungen III ja 1.0 Differentiell-Algebraische Gleichungen ja 1.0 Dynamische Systeme in der Neurowissenschaft 5 ja 1.0 Fortgeschrittene Themen der Differentialgleichungen (LP) ja 1.0 Fortgeschrittene Themen der Differentialgleichungen (5LP) 5 ja 1.0 Fortgeschrittene Themen der Funktionalanalysis (LP) ja 1.0 Fortgeschrittene Themen der Funktionalanalysis (5LP) 5 ja 1.0 Fortgeschrittene Themen der Kontrolltheorie (LP) ja 1.0 Fortgeschrittene Themen der Kontrolltheorie (5LP) 5 ja 1.0 Fortgeschrittene Themen der Modellierung mit Differentialgleichungen (LP) ja 1.0 Fortgeschrittene Themen der Modellierung mit Differentialgleichungen (5LP) 5 ja 1.0 Fortgeschrittene Themen der Nichtlinearen Optimierung (LP) ja 1.0 Fortgeschrittene Themen der Nichtlinearen Optimierung (5LP) 5 ja 1.0 Funktionalanalysis II ja 1.0 Funktionalanalysis III ja 1.0 Geometry of Highdimensional Spaces 5 ja 1.0 Harmonische Analysis 5 ja 1.0 Inverse Probleme ja 1.0 Kontrolltheorie ja 1.0 Mathematical Introduction to Compressed Sensing ja 1.0 Mathematische Kontinuumsmechanik ja 1.0 Mathematische Signal- und Bildverarbeitung ja 1.0 Modellreduktion ja 1.0 Nichtlineare Dynamik und deren Anwendungen I 5 ja 1.0 Nichtlineare Dynamik und deren Anwendungen II 5 ja 1.0 Numerik partieller Differentialgleichungen ja 1.0 Numerik stochastischer partieller Differentialgleichungen ja 1.0 Optimalsteuerung bei partiellen Differentialgleichungen ja 1.0 Sobolew-Räume 5 ja 1.0 Stochastische Partielle Differentialgleichungen 5 ja 1.0 Variationsrechnung und Optimalsteuerung ja 1.0 Vertiefender Kompaktkurs Differentialgleichungen 5 ja 1.0

4 :20 Uhr Mathematik - StuPO 2014 Seite 3 von 6 Fortgeschrittene Module - Diskrete Mathematik und Algebra Unterbereich von Vertiefung Mathematik Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Es müssen mindestens 20 Leistungspunkte bestanden werden. Es dürfen höchstens 99 Leistungspunkte bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Algebra II ja 1.0 Algebraische Geometrie ja 1.0 Algebraische Geometrie II 5 ja 1.0 Algebraische Geometrie III 5 ja 1.0 Algorithmische Algebra 5 ja 1.0 Approximationsalgorithmen (ADM III) ja 1.0 Computational Mixed Integer Programming (ADM III) ja 1.0 Diskrete Geometrie II ja 1.0 Diskrete Geometrie III ja 1.0 Diskrete Optimierung (ADM II) ja 1.0 Diskrete Strukturen II: Graphentheorie ja 1.0 Diskrete Strukturen III ja 1.0 Fortgeschrittene Themen der Algebra (LP) ja 1.0 Fortgeschrittene Themen der Algebra (5LP) 5 ja 1.0 Fortgeschrittene Themen der Algorithmisch Diskreten Mathematik (LP) ja 1.0 Fortgeschrittene Themen der Algorithmisch Diskreten Mathematik (5LP) 5 ja 1.0 Fortgeschrittene Themen der Diskreten Geometrie (LP) ja 1.0 Fortgeschrittene Themen der Diskreten Geometrie (5LP) 5 ja 1.0 Fortgeschrittene Themen der Diskreten Strukturen (LP) ja 1.0 Fortgeschrittene Themen der Diskreten Strukturen (5LP) 5 ja 1.0 Konvexgeometrie I ja 1.0 Konvexgeometrie II ja 1.0 Fortgeschrittene Module - Geometrie und Mathematische Physik Unterbereich von Vertiefung Mathematik Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Es müssen mindestens 20 Leistungspunkte bestanden werden. Es dürfen höchstens 99 Leistungspunkte bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Differentialgeometrie II ja 1.0 Differentialgeometrie III ja 1.0 Diskrete Geometrie II ja 1.0 Diskrete Geometrie III ja 1.0 Fortgeschrittene Themen der Differentialgeometrie (LP) ja 1.0 Fortgeschrittene Themen der Differentialgeometrie (5LP) 5 ja 1.0 Fortgeschrittene Themen der Diskreten Geometrie (LP) ja 1.0 Fortgeschrittene Themen der Diskreten Geometrie (5LP) 5 ja 1.0 Fortgeschrittene Themen der Geometrie (LP) ja 1.0 Fortgeschrittene Themen der Geometrie (5LP) 5 ja 1.0 Fortgeschrittene Themen der Mathematischen Physik (LP) ja 1.0 Fortgeschrittene Themen der Mathematischen Physik (5LP) 5 ja 1.0 Fortgeschrittene Themen der Mathematischen Visualisierung (LP) ja 1.0 Fortgeschrittene Themen der Mathematischen Visualisierung (5LP) 5 ja 1.0 Geometrie II ja 1.0 Geometrie III ja 1.0 Komplexe Analysis II ja 1.0 Mathematische Physik II ja 1.0 Mathematische Physik III ja 1.0 Mathematische Visualisierung I ja 1.0 Mathematische Visualisierung II ja 1.0

5 :20 Uhr Mathematik - StuPO 2014 Seite 4 von 6 Fortgeschrittene Module - Numerische Mathematik Unterbereich von Vertiefung Mathematik Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Es müssen mindestens 20 Leistungspunkte bestanden werden. Es dürfen höchstens 99 Leistungspunkte bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Computational Finance ja 1.0 Differentiell-Algebraische Gleichungen ja 1.0 Fortgeschrittene Themen der Kontrolltheorie (LP) ja 1.0 Fortgeschrittene Themen der Kontrolltheorie (5LP) 5 ja 1.0 Fortgeschrittene Themen der Numerischen Mathematik (LP) ja 1.0 Fortgeschrittene Themen der Numerischen Mathematik (5LP) 5 ja 1.0 Kontrolltheorie ja 1.0 Matrizentheorie 5 ja 1.0 Modellreduktion ja 1.0 Numerik partieller Differentialgleichungen ja 1.0 Numerik stochastischer Prozesse ja 1.0 Numerik stochastischer partieller Differentialgleichungen ja 1.0 Numerische Lineare Algebra I 5 ja 1.0 Numerische Lineare Algebra I+II ja 1.0 Numerische Lineare Algebra II 5 ja 1.0 Numerische Mathematik II ja 1.0 Numerische Mathematik für Ingenieurwissenschaften II ( LP) ja 1.0 Realisierung finiter Elemente 5 ja 1.0 Theory of Krylov subspace methods 5 ja 1.0 Wissenschaftliches Rechnen ja 1.0 Zufallsgeneratoren und Monte - Carlo - Methoden ja 1.0 Fortgeschrittene Module - Stochastik und Finanzmathematik Unterbereich von Vertiefung Mathematik Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Es müssen mindestens 20 Leistungspunkte bestanden werden. Es dürfen höchstens 99 Leistungspunkte bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Computational Finance ja 1.0 Extremwerttheorie und Punktprozesse 5 ja 1.0 Finanzmathematik I ja 1.0 Finanzmathematik II ja 1.0 Fortgeschrittene Themen der Finanzmathematik (LP) ja 1.0 Fortgeschrittene Themen der Finanzmathematik (5LP) 5 ja 1.0 Fortgeschrittene Themen der Stochastik (LP) ja 1.0 Fortgeschrittene Themen der Stochastik (5LP) 5 ja 1.0 Numerik stochastischer partieller Differentialgleichungen ja 1.0 Statistik ja 1.0 Stochastic Processes in Evolution 5 ja 1.0 Stochastik in den Neurowissenschaften ja 1.0 Stochastische Modelle ja 1.0 Stochastische Partielle Differentialgleichungen 5 ja 1.0 Versicherungsmathematik ja 1.0 Wahrscheinlichkeitstheorie III ja 1.0 Wahrscheinlichkeitstheorie IV 5 ja 1.0 Grundlegende Module Unterbereich von Vertiefung Mathematik Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein:

6 :20 Uhr Mathematik - StuPO 2014 Seite 5 von 6 Es müssen mindestens 99 Module bestanden werden. Es dürfen höchstens 99 Module bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Algebra I ja 1.0 Differentialgeometrie I ja 1.0 Differentialgleichungen I ja 1.0 Diskrete Geometrie I ja 1.0 Diskrete Strukturen I: Kombinatorik ja 1.0 Einführung in die Lineare und Kombinatorische Optimierung (ADM I) ja 1.0 Funktionalanalysis I ja 1.0 Geometrie I ja 1.0 Geometrische Grundlagen der Linearen Optimierung I ja 1.0 Komplexe Analysis I ja 1.0 Mathematische Physik I ja 1.0 Maß- und Integrationstheorie ja 1.0 Modellierung mit Differentialgleichungen Portfolioprüfung ja 1.0 Modellierung mit Differentialgleichungen (Variante Vorlesung) ja 1.0 Nichtlineare Optimierung ja 1.0 Topologie ja 1.0 Wahrscheinlichkeitstheorie II ja 1.0 Wahlbereich Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Es müssen mindestens 28 Leistungspunkte bestanden werden. Es dürfen höchstens 28 Leistungspunkte bestanden werden. Mathematische Seminare Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Alle untergeordneten Studiengangsbereiche müssen bestanden werden. Erstes Seminar Unterbereich von Mathematische Seminare Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Alle Module dieses Studiengangsbereiches müssen bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Mathematisches Seminar 6 Portfolioprüfung nein 0.0 Zweites Seminar Unterbereich von Mathematische Seminare Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Alle Module dieses Studiengangsbereiches müssen bestanden werden. Module in diesem Studiengangsbereich: Titel LP Prüfungsform Benotet Gewicht Mathematisches Seminar 6 Portfolioprüfung nein 0.0 Masterarbeit Um diesen Studiengangsbereich zu bestehen, müssen die folgenden Bedingungen erfüllt sein: Alle Module dieses Studiengangsbereiches müssen bestanden werden. Module in diesem Studiengangsbereich:

7 :20 Uhr Mathematik - StuPO 2014 Seite 6 von 6 Titel LP Prüfungsform Benotet Gewicht Masterarbeit Mathematik 30 Abschlussarbeit ja 1.0

8 :20 Uhr #20002/1 Seite 1 von 1 Algebra I Algebra I MA 3-2 Bürgisser, Peter pbuerg@math.tu-berlin.de Beherrschung der Grundlagen der algebraischen Strukturen: Gruppen, Ringe, Körper. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% wünschenswert: Lineare Algebra I&II

9 :20 Uhr #20060/1 Seite 1 von 1 Differentialgleichungen II A Differentialgleichungen II A Differential Equations II A 5 MA 5-3 Emmrich, Etienne emmrich@math.tu-berlin.de 1) Fähigkeit, partielle Differentialgleichungsprobleme identifizieren, mit analytischen Methoden untersuchen, qualitative Aussagen treffen und diese interpretieren zu können. 2) Beherrschung grundlegender Beweistechniken bei partiellen Differentialgleichungen. 3) Fähigkeit zur Analyse und Bearbeitung von Problemstellungen unter Verwendung von weiterführender Literatur. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% - Fortgeschrittene Kenntnisse der Analysis (dringend empfohlen) - Differentialgleichungen I

10 :20 Uhr #20061/1 Seite 1 von 1 Differentialgleichungen II B Differentialgleichungen II B Differential Equations II B 5 MA 5-3 Emmrich, Etienne emmrich@math.tu-berlin.de 1) Fähigkeit, partielle Dierentialgleichungsprobleme identifizieren, mit analytischen Methoden untersuchen, qualitative Aussagen treffen und diese interpretieren zu können. 2) Beherrschung fortgeschrittener Beweistechniken. 3) Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen unter Verwendung von weiterführender Literatur. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% - Fortgeschrittene Kenntnisse der Analysis, Grundkenntnisse der Funktionalanalysis (dringend empfohlen) - Differentialgleichungen I, Differentialgleichungen II A

11 :20 Uhr #20062/1 Seite 1 von 1 Differentialgleichungen III Differentialgleichungen III Differential Equations III MA 5-3 Emmrich, Etienne emmrich@math.tu-berlin.de 1) Fähigkeit, ausgewählte Differentialgleichungsprobleme von hohem Schwierigkeitsgrad mit analytischen Methoden untersuchen, qualitative Aussagen treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 55%, Methodenkompetenz: 30%, Systemkompetenz: %, Sozialkompetenz: 5% Differentialgleichungen I, IIA und IIB

12 :20 Uhr #20063/1 Seite 1 von 1 Differentiell-Algebraische Gleichungen Differentiell-Algebraische Gleichungen Differential Algebraic Equations MA 4-5 Mehrmann, Volker mehrmann@math.tu-berlin.de In der Veranstaltung sollen die Grundlagen der Analysis und der numerischen Lösung differentiell-algebraischer Gleichungen vermittelt werden. Knowledge of the basic theory of the analytical and numerical treatment of differential algebraic equations. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Analysis, Lineare Algebra, Numerische Mathematik I und II, Differentialgleichungen I Prerequisities: Analysis and linear algebra, basic knowledge of numerics and ordinary differential equations.

13 :20 Uhr #20064/1 Seite 1 von 1 Fortgeschrittene Themen der Differentialgleichungen (5LP) Fortgeschrittene Themen der Differentialgleichungen (5LP) Advanced Topics in the Theory of Differential Equations (5LP) 5 MA 5-3 Emmrich, Etienne emmrich@math.tu-berlin.de 1) Fähigkeit, ausgewählte Differentialgleichungsprobleme von hohem Schwierigkeitsgrad mit analytischen Methoden untersuchen, qualitative Aussagen treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Theorie der Differentialgleichungen

14 :20 Uhr #20065/1 Seite 1 von 1 Fortgeschrittene Themen der Differentialgleichungen (LP) Fortgeschrittene Themen der Differentialgleichungen (LP) Advanced Topics in the Theory of Differential Equations (LP) MA 5-3 Emmrich, Etienne emmrich@math.tu-berlin.de 1) Fähigkeit, ausgewählte Differentialgleichungsprobleme von hohem Schwierigkeitsgrad mit analytischen Methoden untersuchen, qualitative Aussagen treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Theorie der Differentialgleichungen

15 :20 Uhr #20066/2 Seite 1 von 1 Fortgeschrittene Themen der Funktionalanalysis (5LP) Fortgeschrittene Themen der Funktionalanalysis (5LP) Advanced Topics in Functional Analysis (5LP) 5 MA 5-4 Kutyniok, Gitta kutyniok@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Funktionalanalysis von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Funktionalanalysis

16 :20 Uhr #20067/2 Seite 1 von 1 Fortgeschrittene Themen der Funktionalanalysis (LP) Fortgeschrittene Themen der Funktionalanalysis (LP) Advanced Topics in Functional Analysis (LP) MA 5-4 Kutyniok, Gitta kutyniok@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Funktionalanalysis von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Funktionalanalysis

17 :20 Uhr #20068/1 Seite 1 von 1 Fortgeschrittene Themen der Kontrolltheorie (5LP) Fortgeschrittene Themen der Kontrolltheorie (5LP) Advanced Topics in Control Theory (5LP) 5 MA 4-5 Mehrmann, Volker mehrmann@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Kontrolltheorie von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Kontrolltheorie

18 :20 Uhr #20069/1 Seite 1 von 1 Fortgeschrittene Themen der Kontrolltheorie (LP) Fortgeschrittene Themen der Kontrolltheorie (LP) Advanced Topics in Control Theory (LP) MA 4-5 Mehrmann, Volker mehrmann@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Kontrolltheorie von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Kontrolltheorie

19 :20 Uhr #20070/1 Seite 1 von 1 Fortgeschrittene Themen der Modellierung mit Differentialgleichungen (5LP) Fortgeschrittene Themen der Modellierung mit Differentialgleichungen (5LP) Advanced Thematics in Modelling of Differential Equations 5 MA 6-4 Unterreiter, Andreas unterreiter@math.tu-berlin.de Die Fähigkeit, implizite Annahmen "para-mathematischer Theorien" zu erkennen und bei Bedarf durch passendere Voraussetzungen zu ersetzen, soll ausgestaltet werden. Mathematische oder numerische Verfahren zur Beurteilung von Modellierunsaspekten sollen getestet oder ausgestaltet oder verfestigt werden. Die Fähigkeit, "para-mathematische Theorien" rigoros zu mathematisieren soll ausgestaltet werden. Fachkompetenz: 45% Methodenkompetenz: 45% Systemkompetenz: 5% Sozialkompetenz: 5% obligatorisch: Erfolgreicher Abschluss der Module Mathematische Modellierung mit Differentialgleichungen und Analysis. dringend empfohlen: Grundkenntnisse Numerische Mathematik. wünschenswert: Interesse an analytischer Wissenschaftstheorie

20 :20 Uhr #20071/3 Seite 1 von 1 Funktionalanalysis I Funktionalanalysis I Functional Analysis I MA 5-4 /Englisch Kutyniok, Gitta Kutyniok, Gitta kutyniok@math.tu-berlin.de In dieser Veranstaltung sollen, aufbauend auf den Grundvorlesungen Lineare Algebra und Analysis, fundamentale Eigenschaften von linearen Abbildungen zwischen im allgemeinen unendlichdimensionalen normierten Räumen erlernt werden. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Analysis und Lineare Algebra. Prerequisites: Analysis and linear algebra

21 :20 Uhr #20072/1 Seite 1 von 1 Fortgeschrittene Themen der Modellierung mit Differentialgleichungen (LP) Fortgeschrittene Themen der Modellierung mit Differentialgleichungen (LP) Advanced Thematics in Modelling of Differential Equations MA 6-4 Unterreiter, Andreas unterreiter@math.tu-berlin.de Die Fähigkeit, implizite Annahmen "para-mathematischer Theorien" zu erkennen und bei Bedarf durch passendere Voraussetzungen zu ersetzen, soll ausgestaltet werden. Mathematische oder numerische Verfahren zur Beurteilung von Modellierunsaspekten sollen getestet oder ausgestaltet oder verfestigt werden. Die Fähigkeit, "para-mathematische Theorien" rigoros zu mathematisieren soll ausgestaltet werden. Fachkompetenz: 45% Methodenkompetenz: 45% Systemkompetenz: 5% Sozialkompetenz: 5% obligatorisch: Erfolgreicher Abschluss der Module Mathematische Modellierung mit Differentialgleichungen und Analysis. dringend empfohlen: Grundkenntnisse Numerische Mathematik. wünschenswert: Interesse an analytischer Wissenschaftstheorie

22 :20 Uhr #20073/3 Seite 1 von 1 Funktionalanalysis II Funktionalanalysis II Functional Analysis II MA 5-4 Englisch Kutyniok, Gitta kutyniok@math.tu-berlin.de Aufbauend auf den Kenntnissen der Veranstaltung Funktionalanalysis I sollen die Studierenden einen weiten Überblick über die weiterführende Funktionalanalysis erhalten. Funktionalanalysis I

23 :20 Uhr #20074/1 Seite 1 von 1 Fortgeschrittene Themen der Nichtlinearen Optimierung (5LP) Fortgeschrittene Themen der Nichtlinearen Optimierung (5LP) Advanced Topics in Nonlinear Optimization (5LP) 5 MA 4-5 Hömberg, Dietmar hoemberg@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Nichtlinearen Optimierung von hohem Schwierigkeitsgrad mit analytischen Methoden untersuchen, qualitative Aussagen treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Nichtlinearen Optimierung

24 :20 Uhr #20075/1 Seite 1 von 1 Fortgeschrittene Themen der Nichtlinearen Optimierung (LP) Fortgeschrittene Themen der Nichtlinearen Optimierung (LP) Advanced Topics in Nonlinear Optimization (LP) MA 4-5 Hömberg, Dietmar hoemberg@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Nichtlinearen Optimierung von hohem Schwierigkeitsgrad mit analytischen Methoden untersuchen, qualitative Aussagen treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Nichtlinearen Optimierung

25 :20 Uhr #20076/1 Seite 1 von 1 Fortgeschrittene Themen der Numerischen Mathematik (5LP) Fortgeschrittene Themen der Numerischen Mathematik (5LP) Advanced Topics in Numerical Mathematics (5LP) 5 MA 4-5 Mehrmann, Volker mehrmann@math.tu-berlin.de 1) Fahigkeit, ausgewahlte Probleme der Numerischen Mathematik von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Numerischen Mathematik

26 :20 Uhr #20077/1 Seite 1 von 1 Fortgeschrittene Themen der Numerischen Mathematik (LP) Fortgeschrittene Themen der Numerischen Mathematik (LP) Advanced Topics in Numerical Mathematics (LP) MA 4-5 Mehrmann, Volker mehrmann@math.tu-berlin.de 1) Fahigkeit, ausgewählte Probleme der Numerischen Mathematik von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Numerischen Mathematik

27 :20 Uhr #20078/3 Seite 1 von 1 Funktionalanalysis III Funktionalanalysis III Functional Analysis III MA 5-4 Kutyniok, Gitta Kutyniok, Gitta kutyniok@math.tu-berlin.de In der Veranstaltung werden sowohl die zentralen Resultate und Beweistechniken als auch ein Verständnis für praktische Anwendungen insbesondere der Angewandten Harmonischen Analysis, aber auch verwandter Gebiete wie z.b. Compressed Sensing und Frame-Theorie, vermittelt. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Funktionalanalysis I, II

28 :20 Uhr #20079/2 Seite 1 von 1 Harmonische Analysis Harmonische Analysis Harmonic Analysis 5 MA 5-4 Vybiral, Jan vybiral@math.tu-berlin.de The students will learn the basic concepts of Harmonic Analysis, including singular integral operators, Khintchine's inequalities, and Littlewood-Paley theory. Furthermore, they will understand the connections to other areas of mathematics, as approximation theory, partial dierential equations, and stochastics. Fachkompetenz: 40% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: % Funktionalanalysis I und II (IIA und IIB)

29 :20 Uhr #20080/1 Seite 1 von 1 Modellreduktion Modellreduktion Model reduction MA 4-5 Mehrmann, Volker mehrmann@math.tu-berlin.de In dieser Veranstaltung sollen die grundlegenden Verfahren der Modellreduktion erlernt werden. Die Studierenden sollen in der Lage sein, große Differentialgleichungssysteme sachgemäß und praktikabel auf kleinere Systeme zu reduzieren und mit der Reduktion das ursprüngliche Problem zu bearbeiten. Knowledge of the basic methods of model reduction. The students can reduce large systems of differential equations to small ones and are able to use this method in order to deal with the original problem. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Numerische Mathematik II, Differentialgleichungen I, Kenntnis einer höheren Programmiersprache Prerequisities: Analysis and numerics of ordinary differential equations, knowledge of some high level computer language.

30 :20 Uhr #20081/1 Seite 1 von 1 Numerik partieller Differentialgleichungen Numerik partieller Differentialgleichungen Numerics of Partial Differential Equations MA 3-3 Yserentant, Heinrich yserenta@math.tu-berlin.de Ziel der Veranstaltung ist, Grundtatsachen über die numerische Lösung einfacher elliptischer und parabolischer Differentialgleichungen mit der Methode der Finiten Elemente zu vermitteln. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Analysis I-II, Lineare Algebra I-II, Numerische Mathematik, - Programmiersprache (z.b. Fortran, C, C++, Java, Matlab) wünschenswert: Analysis III, Numerische Mahtematik II

31 :20 Uhr #20082/1 Seite 1 von 1 Numerische Lineare Algebra I Numerische Lineare Algebra I Numerical Linear Algebra I 5 MA 4-5 Liesen, Jörg liesen@math.tu-berlin.de In dieser Veranstaltung sollen Grundlagen der numerischen Lösung von Problemen der linearen Algebra, die in vielen Anwendungen in den Natur- und Ingenieurwissenschaften auftreten, erlernt werden. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Lineare Algebra I und II, wünschenswert: Analysis I und II,Programmierkenntnisse (insbesondere MATLAB)

32 :20 Uhr #20083/1 Seite 1 von 1 Optimalsteuerung bei partiellen Differentialgleichungen Optimalsteuerung bei partiellen Differentialgleichungen MA 4-5 Tröltzsch, Fredi troeltzsch@math.tu-berlin.de In der Veranstaltung werden Grundkenntnisse der Analysis und Numerik fur die optimale Steuerung elliptischer und parabolischer partieller Dierentialgleichungen vermittelt. Fachkompetenz: 60% Methodenkompetenz: 25% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Analysis I-II, Lineare Algebra I-II wünschenswert: Nichtlineare Optimierung, Theorie oder Numerik partieller Dierentialgleichungen

33 :20 Uhr #20084/1 Seite 1 von 1 Numerische Lineare Algebra II Numerische Lineare Algebra II Numerical Linear Algebra II 5 MA 4-5 Liesen, Jörg liesen@math.tu-berlin.de In dieser Veranstaltung sollen vertiefende Kenntnisse der Lösungsmethoden für Problemstellungen der numerischen linearen Algebra erworben werden. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Numerische Lineare Algebra I, wünschenswert: Programmierkenntnisse (insbesondere MATLAB)

34 :20 Uhr #20085/1 Seite 1 von 1 Wissenschaftliches Rechnen Wissenschaftliches Rechnen Scientific Computing MA 6-4 Schwandt, Hartmut schwandt@math.tu-berlin.de In dieser Veranstaltung sollen die Grundkenntnisse des Wissenschaftlichen Rechnens erlernt und vertieft werden. Dazu gehören: Umsetzung von mathematischen Algorithmen auf Rechnern. Kenntnisse der Parallel- und Vektorrechnernarchitektur. Einsatz von numerischen Basisalgorithmen. Problembezogene Interpretation numerischer Ergebnisse. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% - Numerische Mathematik oder Numerische Mathematik II fur Ingenieure - Programmiersprache (z.b. Fortran, C, C++, Java, Matlab)

35 :20 Uhr #20087/1 Seite 1 von 1 Einführung in die Lineare und Kombinatorische Optimierung (ADM I) Einführung in die Lineare und Kombinatorische Optimierung (ADM I) MA 5-2 Skutella, Martin skutella@math.tu-berlin.de In der Veranstaltung werden algorithmische und strukturelle Grundlagen der Linearen und Kombinatorischen Optimierung vermittelt. Dazu gehören Grundlagen der Graphen- und Polyedertheorie und das Erlernen algorithmischer Denk- und Arbeitsweisen wie Komplexität von Problemklassen, Effizienz von Algorithmen und Approximation am Beispiel von Optimierungsaufgaben in Netzwerken. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Analysis, Lineare Algebra, Kenntnisse in einer höheren Programmiersprache

36 :20 Uhr #20088/1 Seite 1 von 1 Diskrete Optimierung (ADM II) Diskrete Optimierung (ADM II) MA 5-2 Skutella, Martin skutella@math.tu-berlin.de In der Veranstaltung werden algorithmische und strukturelle Methoden der linearen, kombinatorischen und ganzzahligen Optimierung vermittelt und vertieft. Dazu gehort insbesondere die Komplexität linearer Programme, die Behandlung NPschwerer Optimierungsprobleme sowie Theorie und Praxis der Lösung ganzzahliger Optimierungsprobleme. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Analysis, Lineare Algebra, Kenntnisse in einer hoheren Programmiersprache, Einführung in die lineare und kombinatorische Optimierung (ADM I)

37 :20 Uhr #20089/1 Seite 1 von 1 Numerische Mathematik II Numerische Mathematik II MA 4-5 Mehrmann, Volker mehrmann@math.tu-berlin.de In dieser Veranstaltung sollen, aufbauend auf der Vorlesung Numerische Mathematik I, Kenntnisse in der numerischen Behandlung von Differentialgleichungen und Eigenwertaufgaben erlangt und vertieft werden. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Numerische Mathematik I, Kenntnis einer höheren Programmiersprache

38 :20 Uhr #20091/1 Seite 1 von 1 Approximationsalgorithmen (ADM III) Approximationsalgorithmen (ADM III) MA 5-2 Skutella, Martin skutella@math.tu-berlin.de In der Veranstaltung sollen algorithmische und strukturelle Grundlagen der approximativen Lösung kombinatorischer Optimierungsprobleme vermittelt werden. Einen Schwerpunkt bilden Algorithmen und algorithmische Techniken, die (oder deren Analyse) auf linearer Optimierung beruhen. Dazu gehören insbesondere das Primal-Duale Schema und LP-Runden. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Graphen- und Netzwerkalgorithmen (ADM I), Lineare Optimierung (ADM II)

39 :20 Uhr #20092/1 Seite 1 von 1 Computational Mixed Integer Programming (ADM III) Computational Mixed Integer Programming (ADM III) MA 5-2 Skutella, Martin skutella@math.tu-berlin.de In der Veranstaltung wird an den Stand der Technik bei algorithmischen und programmiertechnischen Fragestellungen der rechnerischen Losung gemischt-ganzzahliger Programme herangefuhrt. Die Teilnehmer sollen in die Lage versetzt werden, eine geeignete Kombination von Modell und Algorithmus zu finden oder zu entwickeln, um für komplexe kombinatorische Optimierungsprobleme Optimallösungen oder Lösungen beweisbarer Gute berechnen zu können. Ein unverzichtbarer Schwerpunkt ist dabei die Kenntnis des internen Aufbaus moderner Lösungssoftware. Fachkompetenz: 35% Methodenkompetenz: 50% Systemkompetenz: % Sozialkompetenz: 5% Graphen- und Netzwerkalgorithmen (ADMI), Lineare Optimierung (ADM II)

40 :20 Uhr #20094/1 Seite 1 von 1 Algebra II Algebra II MA 3-2 Bürgisser, Peter pbuerg@math.tu-berlin.de Erwerb eines fundierten Wissens zu Körpererweiterungen und Galoistheorie, Grundwissen zu algebraischen Kurven und Moduln/Gittern. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% wünschenswert: Algebra I

41 :20 Uhr #20095/1 Seite 1 von 1 Fortgeschrittene Themen der Algorithmisch Diskreten Mathematik (5LP) Fortgeschrittene Themen der Algorithmisch Diskreten Mathematik (5LP) 5 MA 5-2 Skutella, Martin skutella@math.tu-berlin.de 1) Fähigkeit, ausgewahlte Probleme der Algorithmischen Diskreten Mathematik von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu konnen. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Algorithmischen Diskreten Mathematik

42 :20 Uhr #20096/1 Seite 1 von 1 Fortgeschrittene Themen der Algorithmisch Diskreten Mathematik (LP) Fortgeschrittene Themen der Algorithmisch Diskreten Mathematik (LP) MA 5-2 Skutella, Martin skutella@math.tu-berlin.de 1) Fähigkeit, ausgewahlte Probleme der Algorithmischen Diskreten Mathematik von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu konnen. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Algorithmischen Diskreten Mathematik

43 :20 Uhr #200/1 Seite 1 von 1 Fortgeschrittene Themen der Diskreten Strukturen (5LP) Fortgeschrittene Themen der Diskreten Strukturen (5LP) 5 MA 6-1 Felsner, Stefan felsner@math.tu-berlin.de 1) Fahigkeit, ausgewählte Probleme der Diskreten Strukturen von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fäahigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Theorie der Diskreten Strukturen

44 :20 Uhr #201/1 Seite 1 von 1 Fortgeschrittene Themen der Diskreten Strukturen (LP) Fortgeschrittene Themen der Diskreten Strukturen (LP) MA 6-1 Felsner, Stefan felsner@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Diskreten Strukturen von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fäahigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Theorie der Diskreten Strukturen

45 :20 Uhr #202/1 Seite 1 von 1 Diskrete Strukturen I: Kombinatorik Diskrete Strukturen I: Kombinatorik Combinatorics MA 6-1 Felsner, Stefan felsner@math.tu-berlin.de In dieser Veranstaltung werden die Grundlagen der Kombinatorik vermittelt. Kennengelernt bzw. eingeübt werden: Typische kombinatorische Fragestellungen. Methoden zur Behandlung kombinatorischer Probleme. Begriffe und Notation. Knowledge of the basic theory of combinatorics, in particular typical combinatorical problems, methods and notations. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Lineare Algebra Prerequisities: Linear algebra

46 :20 Uhr #205/1 Seite 1 von 1 Fortgeschrittene Themen der Stochastik (5LP) Fortgeschrittene Themen der Stochastik (5LP) Advanced Topics in Stochastics (5LP) 5 MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Stochastik von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu köonnen. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Stochastik

47 :20 Uhr #206/1 Seite 1 von 1 Fortgeschrittene Themen der Stochastik (LP) Fortgeschrittene Themen der Stochastik (LP) Advanced Topics in Stochastics (LP) MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de 1) Fähigkeit, ausgewählte Probleme der Stochastik von hohem Schwierigkeitsgrad zu untersuchen, qualitative Aussagen zu treffen und diese interpretieren zu können. 2) Weiterer Ausbau der Fähigkeit zur Analyse und Bearbeitung komplexer Problemstellungen. Fachkompetenz: 45% Methodenkompetenz: 40% Systemkompetenz: % Sozialkompetenz: 5% Fortgeschrittene Kenntnisse der Stochastik

48 :20 Uhr #208/1 Seite 1 von 1 Diskrete Strukturen II: Graphentheorie Diskrete Strukturen II: Graphentheorie Graph theory MA 6-1 Felsner, Stefan felsner@math.tu-berlin.de In dieser Veranstaltung werden die Grundlagen der Graphentheorie vermittelt. Kennengelernt bzw. eingeübt werden: Typische Fragestellungen. Methoden zur Behandlung graphentheoretischer Probleme. Begriffe und Notation. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Lineare Algebra

49 :20 Uhr #209/1 Seite 1 von 1 Finanzmathematik I Finanzmathematik I MA 7-1 Bank, Peter bank@math.tu-berlin.de Vermittlung der Grundlagen und Prinzipien der modernen stochastischen Finanzmathematik. Fachkompetenz: 55%, Methodenkompetenz: 30%, Systemkompetenz: %, Sozialkompetenz: 5% Wahrscheinlichkeitstheorie I, Wahrscheinlichkeitstheire II, Maßtheorie, Funktionalanalysis

50 :20 Uhr #20111/1 Seite 1 von 1 Maß- und Integrationstheorie Maß- und Integrationstheorie MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de In der Veranstaltung sollen die Grundlagen der Maß- und Integrationstheorie vermittelt werden. Die behandelten Techniken spielen eine grundlegende Rolle in Wahrscheinlichkeitstheorie, Finanzmathematik, Statistik und Funktionalanalysis. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Analysis I und II, Lineare Algebra

51 :20 Uhr #20113/2 Seite 1 von 1 Statistik Statistik MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de Diese Veranstaltung ist eine Einführung in die mathematische Statistik. Schwerpunkt wird auf Verständnis der verschiedenen Begrie gelegt; wie Schätztheorie, Kondenzbereiche und statistische Entscheidungstheorie. In den Übungen wird parallel zu der Bearbeitung von theoretischen Aufgaben auch statistische Software benutzt. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Wahrscheinlichkeitstheorie I

52 :20 Uhr #20114/1 Seite 1 von 1 Stochastische Modelle Stochastische Modelle MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de In der Veranstaltung sollen die Grundlagen der Theorie stochastischer Prozesse und ihrer Anwendung auf reale Probleme vermittelt werden. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Wahrscheinlichkeitstheorie I wünschenswert: Wahrscheinlichkeitstheorie II

53 :20 Uhr #20115/1 Seite 1 von 1 Wahrscheinlichkeitstheorie III Wahrscheinlichkeitstheorie III Stochastic Processes II MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de In der Veranstaltung sollen die Kenntnisse in der Wahrscheinlichkeitstheorie weiter vertieft werden. Advanced knowledge of the theory of stochastic processes. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Wahrscheinlichkeitstheorie II wünschenswert: Maßtheorie, Funktionalanalysis. Prerequisities:Wahrscheinlichkeitstheorie II (Stochastic processes I), basic knowledge of measure theory and functional analysis

54 :20 Uhr #20116/1 Seite 1 von 1 Versicherungsmathematik Versicherungsmathematik Scheutzow, Michael ms@math.tu-berlin.de Vermittlung der Grundlagen und Techniken der Versicherungsmathematik und Anwendungen in der Praxis. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Wahrscheinlichkeitstheorie I, Wahrscheinlichkeitstheorie II

55 :20 Uhr #20117/1 Seite 1 von 1 Wahrscheinlichkeitstheorie IV Wahrscheinlichkeitstheorie IV 5 MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de Die Studierenden sollen ihre Kenntnisse in der Wahrscheinlichkeitstheorie bis an den Rand der aktuellen Forschung vertiefen. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Wahrscheinlichkeitstheorie III wünschenswert: Maßtheorie, Funktionalanalysis

56 :20 Uhr #20118/1 Seite 1 von 1 Wahrscheinlichkeitstheorie II Wahrscheinlichkeitstheorie II Stochastic Processes I MA 7-5 Scheutzow, Michael ms@math.tu-berlin.de In der Veranstaltung sollen die Kenntnisse in der Wahrscheinlichkeitstheorie vertieft werden. Die Teilnehmer sollen in die Lage versetzt werden, die erlernten Methoden auf Probleme aus der Praxis anzuwenden und an weiterfuhrenden Lehrveranstaltungen teilzunehmen. Advanced knowledge of probability theory. Students can apply the methods on practical problems and will be prepared for further courses in probability theory. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Dringend empfohlen: Wahrscheinlichkeitstheorie I wünschenswert: Maßtheorie, Funktionalanalysis Prerequisities: Basic knowledge of probability theory, measure theory and functional analysis.

57 :20 Uhr #20120/1 Seite 1 von 1 Modellierung mit Differentialgleichungen (Variante Vorlesung) Modellierung mit Differentialgleichungen (Variante Vorlesung) Nabben, Reinhard reinhard.nabben@tu-berlin.de Kenntnis der grundlegenden Differentialgleichungen. Fähigkeit, problemangepasste Mathematik zu entwickeln, zu überprfüen und aktiv einzusetzen. Kritischer Einsatz standardisierter numerischer Verfahren. Problembezogene Interpretation numerischer Simulationen. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5%

58 :20 Uhr #20123/1 Seite 1 von 1 Diskrete Geometrie I Diskrete Geometrie I Discrete Geometry I MA 6-2 Joswig, Michael joswig@math.tu-berlin.de Die Studierenden kennen grundlegende Strukturen, Konzepte, und Methoden der Diskreten Geometrie. Ferner können die Studierenden geometrische Algorithmen entwerfen und analysieren. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Analysis, Lineare Algebra, Computerorientierte Mathematik

59 :20 Uhr #20124/1 Seite 1 von 1 Diskrete Geometrie II Diskrete Geometrie II Discrete Geometry II Joswig, Michael joswig@math.tu-berlin.de Die Studierenden haben vertiefte Kenntnisse über Strukturen, Konzepte und Methoden der Diskreten Geometrie. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Lineare Algebra, Diskrete Geometrie I, Computerorientierte Mathematik

60 :20 Uhr #20126/2 Seite 1 von 1 Differentialgleichungen I Differentialgleichungen I Differential Equations I MA 5-3 Emmrich, Etienne emmrich@math.tu-berlin.de 1) Fähigkeit, gewöhnliche Differentialgleichungsprobleme identifizieren, mit analytischen Methoden untersuchen, qualitative Aussagen trennen und diese interpretieren zu können. 2) Beherrschung grundlegender Beweistechniken. Fachkompetenz: 55%, Methodenkompetenz: 30%, Systemkompetenz: %, Sozialkompetenz: 5% Grundlegende Kenntnisse der Analysis und der Linearen Algebra

61 :20 Uhr #20144/1 Seite 1 von 1 Algorithmische Algebra Algorithmische Algebra 5 MA 3-2 Bürgisser, Peter pbuerg@math.tu-berlin.de Die Studierenden kennen die algorithmischen Aspekte der grundlegenden Themen der Algebra und die entsprechenden Algorithmen und können diese analysieren. Fachkompetenz: 45%, Methodenkompetenz: 40%, Systemkompetenz: %, Sozialkompetenz: 5% wünschenswert: Algebra I

62 :20 Uhr #20150/1 Seite 1 von 1 Finanzmathematik II Finanzmathematik II MA 7-1 Bank, Peter bank@math.tu-berlin.de Vermittlung der Grundlagen und Prinzipien der modernen stochastischen Finanzmathematik insbesondere mit Blick auf die gängigen zeitstetigen Finanzmarktmodelle und Problemstellungen. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Finanzmathematik I, Wahrscheinlichkeitstheorie II

63 :20 Uhr #20151/1 Seite 1 von 1 Inverse Probleme Inverse Probleme MA 4-5 Laurain, Antoine laurain@math.tu-berlin.de Die Studierenden verfügen über Grundkenntnisse der Analysis und Numerik für Inverse Probleme. Fachkompetenz: 60% Methodenkompetenz: 25% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Analysis I+II, Lineare Algebra I+II wünschenswert: Funktionalanalysis

64 :20 Uhr #20152/2 Seite 1 von 1 Mathematisches Seminar Mathematisches Seminar 6 MA 3-3 Nabben, Reinhard nabben@math.tu-berlin.de In diesem Modul soll erlernt werden, sich mathematische Originalliteratur selbständig zu erarbeiten und darüber vorzutragen. Die Teilnehmenden sollen zudem ihre Fähigkeiten zu selbständigem wissenschaftlichen Arbeiten und zum Formulieren dieser Arbeitsergebnisse entwickeln und nachweisen. Damit soll die Vorbereitung zu einer erfolgreichen Bearbeitung einer Abschlussarbeit gelegt werden. Fachkompetenz: 30% Methodenkompetenz: 30% Systemkompetenz: 30% Sozialkompetenz: % dringend empfohlen: Vertiefende Lehrveranstaltung zum Gebiet des Seminars Portfolioprüfung un Notenschlüssel: Ab 50 Portfoliopunkten bestanden. Prüfungsbeschreibung: Referat sowie schriftliche Ausarbeitung Das Modul ist bestanden, sofern insgesamt mindestens 50 Punkte erreicht werden. Prüfungselement Kategorie Gewicht Dauer Schriftliche Ausarbeitung 50 Vortrag 50

65 :20 Uhr #20154/1 Seite 1 von 1 Sobolew-Räume Sobolew-Räume 5 MA 5-3 Kreusler, Hans-Christian kreusler@math.tu-berlin.de Kenntnis und Verständnis der grundlegenden Techniken und Methoden der Theorie der Sobolew-Räume. Die Teilnehmer sollen die Fähigkeit erwerben, diese auch auerhalb des Rahmens der Vorlesung beispielsweise in der Theorie der partiellen Differentialgleichungen anwenden zu können. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend erforderlich: Analysis I-III

66 :20 Uhr #20155/1 Seite 1 von 1 Mathematische Kontinuumsmechanik Mathematische Kontinuumsmechanik MA 3-3 Yserentant, Heinrich yserenta@math.tu-berlin.de Kenntnis und Verständnis der Gleichungen der Kontinuumsmechanik sowie der Methoden und Techniken ihrer Herleitung aus grundlegenden physikalischen Gesetzmäßigkeiten. Fachkompetenz: 50% Methodenkompetenz: 35% Systemkompetenz: % Sozialkompetenz: 5% Analysis I-III, Lineare Algebra I+II

67 :20 Uhr #20156/1 Seite 1 von 1 Kontrolltheorie Kontrolltheorie Control theory MA 3-3 Mehrmann, Volker mehrmann@math.tu-berlin.de In der Veranstaltung sollen die Grundlagen der mathematischen Kontrolltheorie erlernt und vertieft werden. Knowledge of the basics of mathematical control theory. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Numerische Mathematik I, Differentialgleichungen I, Kenntnisse einer höheren Programmiersprache Prerequisities: Basic knowledge of numerics and ordinary differential equations, knowledge of some high level computer language.

68 :20 Uhr #20157/1 Seite 1 von 1 Matrizentheorie Matrizentheorie Theory of matrices 5 Liesen, Jörg liesen@math.tu-berlin.de In dieser Veranstaltung sollen spezielle Themen der Matrizentheorie erlernt werden. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% Lineare Algebra I+II, Analysis I+II

69 :20 Uhr #20158/1 Seite 1 von 1 Zufallsgeneratoren und Monte - Carlo - Methoden Zufallsgeneratoren und Monte - Carlo - Methoden MA 5-3 Kruse, Raphael kruse@math.tu-berlin.de Die Vorlesung ist eine Einführung in die Theorie und Implementierung von Zufallszahlengeneratoren und Monte Carlo Methoden. Das erste Ziel ist das Verständnis, in welchem Sinne deterministische Algorithmen verwendet werden können, um (Pseudo-)Zufallszahlen zu generieren. Der zweite Teil beschäftigt sich mit (multilevel) Monte Carlo Methoden und Varianzreduktionstechniken, mit dem Ziel diese zu implementieren und Fehler- und Aufwandsabschätzungen durchführen zu können. Diese Vorlesung dient als Startpunkt für eine Spezialisierung im Bereich Numerik stochastischer Prozesse. Fachkompetenz: 55% Methodenkompetenz: 30% Systemkompetenz: % Sozialkompetenz: 5% dringend empfohlen: Analysis, Lineare Algebra, Programmierkenntnisse in Matlab oder Python wünschenswert: Wahrscheinlichkeitstheorie I