Vorlesung: Simulation Mechanischer Verfahrenstechnik Seminar - Siebkinetik
|
|
- Christel Tiedeman
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesung: Simulation Mechanischer Verfahrenstechnik Seminar - Siebkinetik Aufgabe 1: Siebkinetik mit Monte Carlo Methode Ein Sandhaufen (Sandkörner als sphärisch approximiert) mit der Feststoffdichte ρ = 1450 kk m3 wird gesiebt. Die Maschenweite der Sieböffnungen ist gleichverteilt und streut um den Mittelwert w = 100 µm mit einer Standardabweichung von σ w = 0,08 w. Die Partikelgröße streut (normalverteilt) ebenfalls um den Wert d = 100 µm mit einer Standardabweichung von σ d = 0,2 d. Berechnen Sie den Trennkorndurchmesser d T, die Trennschärfe κ nach 50 Siebdurchgängen (Zeit) und stellen Sie die Partikelgrößenverteilung Q 3 (d), die Partikelgrößenverteilungsdichte q 3 (d), die Trennfunktion T i sowie den zeitlichen Verlauf der Massenbilanz zwischen Grob- und Feingut dar. Nehmen Sie dazu an, dass Partikel durch Sieböffnungen gesiebt werden sollen. Teilen Sie die Partikel in 30 Partikelgrößenklassen ein. Lehrstuhl für Mechanische Verfahrenstechnik 1
2 Wiederholung: (siehe Seminar Trennfunktion, Vorlesung MVT) Gesamtmassenbilanz m A = m G + m F (1) Komponentenbilanz m A μ A,i = m G μ G,i + m F μ F,i (2) m A Massenstrom des Aufgabegutes m G Massenstrom des Grobgutes m F Massenstrom des Feingutes μ A,i Massenanteil der Klasse i im Aufgabengut μ G,i Massenanteil der Klasse i im Grobgut μ F,i Massenanteil der Klasse i im Feingut Massenausbringen ( Prozesswirkungsgrad) R m,g + R m,f = 1 (3) R m,g = m G m A (4) R m,g Masseausbringen des Grobgutes R m,f Masseausbringen des Feingutes Trennfunktion (auf Grobgut bezogen) T i = R m,g μ G,i μ A,i = 1 R m,f μ F,i μ A,i (5) Trennschärfe κ = d 25(T i ) d 75 (T i ) (6) Bewertung der Trennschärfe 0,8 < κ < 0,9 sehr gut 0,6 < κ < 0,8 gut 0,3 < κ < 0,6 befriedig Partikelgrößenverteilung n Q 3,j (d) = μ j,i i=1 (7) Partikelgrößenverteilungsdichte q 3,j (d) = dq 3,j(d) d(d) μ j,i d i (8) Lehrstuhl für Mechanische Verfahrenstechnik 2
3 Lösung Die Bearbeitung der Aufgabe erfolgt vollständig mittels MATLAB. Sowohl für die Partikel als auch für die Maschenweite wird die Monte Carlo Methode angewandt, um Normalverteilungen zu erhalten. In Abb. 1 ist die Änderung der Masse des Grob- sowie des Feinguts über 50 Zeitschritte zu erkennen. Zunächst gibt es einen linearen Verlauf, da es zu Beginn mehr Partikel als Sieböffnungen gibt. Somit kommen einige Partikel erst in einem späteren Zeitschritt mit einer Sieböffnung in Kontakt. Währ eines Zeitschritts wird ermittelt, ob das zufällig ausgewählte Partikel die zufällig ausgewählte Sieböffnung passieren kann (d < w), oder auf dem Sieb liegen bleibt (d > w). Bei einem folgen Zeitschritt werden die Partikel und die Sieböffnungen wieder durchmischt. Dieser Vorgang ist mit einer Vibration des Siebes vergleichbar. Abb. 1: Massenänderung über 100 Zeitschritte In Abb. 2 sind die Partikelgrößenverteilungen der einzelnen Fraktionen dargestellt. Das Grobgut sich nach 100 Zeitschritten auf dem Sieb, währ das Feingut die Sieböffnung passieren konnte. In Kontrast dazu sind in Abb. 3 die Partikelgrößenverteilungsdichten dargestellt. Die Linien des Grob- bzw. Feinguts wurden mit dem jeweiligen Prozesswirkungsgrad (R m,g, R m,f ) multipliziert. Lehrstuhl für Mechanische Verfahrenstechnik 3
4 Abb. 2: Partikelgrößenverteilungen Abb. 3: Partikelgrößenverteilungsdichten; Grob- und Feingut sind mit dem jeweiligen Masseausbringen multipliziert Lehrstuhl für Mechanische Verfahrenstechnik 4
5 Die Trennfunktion ist in Abb. 4 dargestellt und ausgewertet. Aufgrund der hohen Trennschärfe, kann die Siebung nach 100 Zeitschritten als "sehr gut" bezeichnet werden. Der Trennkorndurchmesser liegt mit d T = 107,04 µm etwas über dem mittleren Partikeldurchmesser. Dies kann daran liegen, dass auch größere Partikel eine Sieböffnung passieren können, da die Maschenweiten durch die Normalverteilung größer ausfallen können. Abb. 4: Trennfunktion nach der Siebung; die Trennschärfe κ beträgt 0,96 und kann damit als sehr gute Trennung klassifiziert werden. Lehrstuhl für Mechanische Verfahrenstechnik 5
6 Quelltext: % % Siebklassierung % function main clc close all clear n = 50; % Siebdurchgänge Nw = 10000; % Anzahl Maschenweiten Nd = ; % Anzahl Partikel rho = 1450; % Dichte Sand in kg/m^3 dt = 100*10^-6; % Trennkorndurchmesser in m s_dt = 0.2 * dt; % Standardabweichung Trennkorndurchmesser d(:,1) = randn(nd,1) * s_dt + dt; % Zufälliger Partikeldurchmesser d_hist = d; % Speichern der Durchmesser für das Histogramm d(:,2) = 1; % 1 Partikel im Grobgut, 0 Partikel im Feingut s_w = 0.08 * dt; % Standardabweichung Maschenweite w = (2 * s_w * rand(nw,1)) + (dt - s_w);% Zufällige Maschenweiten (gleichverteilt) % Klasseneinteilung dd = max(d(:,1)); % Durchmesser Bereich nk = 30; % Anzahl der Klassen (class beinhaltet immer d_o) dk = dd / (nk-1); % Klassengröße for i=1:nk if i==1 class(i) = dk; class_m(i) = class(i)/2; else class(i) = class(i-1) + dk; class_m(i) = class_m(i-1) + dk; % Aufgabengut Berechnungen ma = sum(rho * pi * d(:,1).^3 *1/6); [m_class]=klassen(class,d,rho); ma_class(1,:) = m_class; % Masse Aufgabegut in kg % Aufgabengut in Klassen einteilen % Simulation for j=1:n % Siebdurchgänge for i=1:nw % Siebmaschen if d(i,1) <= w(i) d(i,2) = 0; % Wenn d(j) < w(i) dann fällt Partikel ins Feingut vergl=(d(:,2)==0); % Bestimmung der Position, bei der Partikel ins Feingut fällt if j == 1 df = d(vergl); % Überführung von feinen Partikeln ins Feingut df Lehrstuhl für Mechanische Verfahrenstechnik 6
7 else df = [df; d(vergl)];% Feingutvektor erweitern d(vergl,:)=[]; % löschen der Feinenpartikel aus dem Grobgut d(:,1) = d(randperm(length(d))); % Mischen der Groben Partikel % Massenbilanzen mg(j) = sum(rho * pi * d(:,1).^3 *1/6); % Grobgut in kg mf(j) = sum(rho * pi * df(:,1).^3 *1/6); % Feingut in kg [m_class]=klassen(class,df,rho); mf_class(j,:) = m_class; [m_class]=klassen(class,d,rho); mg_class(j,:) = m_class; % Auswertung my_ai = ma_class(1,:)./ma; my_gi = mg_class(,:)./mg(); my_fi = mf_class(,:)./mf(); RMG = mg()/ma; Ti = RMG * my_gi./my_ai; for i=1:length(my_ai) Q3_A(i) = sum(my_ai(1:i)); Q3_F(i) = sum(my_fi(1:i)); Q3_G(i) = sum(my_gi(1:i)); % Massenanteile des Aufgabenguts % Massenanteile des Grobguts % Massenanteile des Feinguts % Masseausbringen des Grobguts % Trennfunktion % Partikelgrößenverteilung Aufgabengut % Partikelgrößenverteilung Feingut % Partikelgrößenverteilung Grobgut % Partikelgrößenverteilungsdichte Auf- % Partikelgrößenverteilungsdichte Fein- % Partikelgrößenverteilungsdichte Grob- q3_a(i) = my_ai(i); gabengut q3_f(i) = (1-RMG) * my_fi(i); gut in Bezug zu RMF q3_g(i) = RMG * my_gi(i); gut in Bezug zu RMG % Trennschärfe xx1=[0:s_dt/1000:max(class_m)]; % X-Werte für Interpolation vorgeben T=interp1(class_m,Ti,xx1,'PCHIP'); % interpolieren der Trennfunktion Ti_d(1)=T(find(T>=0.75,1)); % T vom d75 Durchmesser Ti_d(2)=T(find(T>=0.50,1)); % T vom d50 Durchmesser Ti_d(3)=T(find(T>=0.25,1)); % T vom d25 Durchmesser D(1)=xx1(find(T>=0.75,1)); % d75 Durchmesser D(2)=xx1(find(T>=0.50,1)); % d50 Durchmesser D(3)=xx1(find(T>=0.25,1)); % d25 Durchmesser T_d=[D(:) Ti_d(:)]; kappa=d(3)/d(1); if kappa < 0.6 fprintf('schlechte Trennung'); if (kappa >= 0.6) && (kappa < 0.8) fprintf('gute Trennung'); if kappa >= 0.8 fprintf('sehr gute Trennung'); % % Trennschärfe % Bewertung der Trennschärfe Lehrstuhl für Mechanische Verfahrenstechnik 7
8 figure(1) % Trennfunktion plot(class_m,ti,'-',xx1,t,'--','linewidth',2) hold on plot(d,ti_d,'or','linewidth',2) ylim([0 1]); xlabel('partikeldurchmesser \it d \rm in m') ylabel('trennfunktion \it T_{i} \rm ') leg('trennfunktion','interpolierte Trennfunktion','\it d_{25} d_{50} d_{75} \rm','location','nw'); text(d(2)+d(2)*0.1,0.1,['\it \kappa \rm = ' num2str(sprintf('%.2f',kappa))],'fontname','arial','fontsize',12) text(d(2)-d(2)*0.025,ti_d(2),['\it d_{t} \rm = ' num2str(sprintf('%.2f',d(2)*10^6)) ' in µm \rightarrow'],'horizontalalignment','right','fontname','arial','fontsize',1 2) figure(2) % Massenänderung plot((0:n),[ma mg],(0:n),[0 mf],'linewidth',2) ylabel('masse \it m \rm in g') xlabel('zeitschritt \it t \rm') leg('grobgut','feingut','location','ne') figure(3) % Partikelgrößenverteilung plot([0 class(1:-1)],q3_a,[0 class(1:-1)],q3_g,[0 class(1:- 1)],Q3_F,'linewidth',2) ylabel('partikelgrößenverteilung \it Q_3 \rm ') xlabel('partikeldurchmesser \it d \rm in m') ylim([0 1]); leg('aufgabegut','grobgut','feingut','location','nw') figure(4) % Partikelgrößenverteilungsdichte plot([0 class(1:-1)],q3_a,[0 class(1:-1)],q3_g,[0 class(1:- 1)],q3_F,'linewidth',2) leg('aufgabegut','grobgut','feingut','location','nw') ylabel('partikelgrößenverteilungsdichte \it q_3 \rm in 1/m') xlabel('partikeldurchmesser \it d \rm in m') figure(5) % Histogramm Partikelanzahl über Durchmesser hist(d_hist,30) ylabel('anzahl der Partikel') xlabel('partikeldurchmesser \it d \rm in m') % Speichern der Diagramme File = 'Trennfunktion'; print(1,'-dpng','-r300',strcat(file)); File = 'Masse'; print(2,'-dpng','-r300',strcat(file)); File = 'Partikelgrößenverteilung'; print(3,'-dpng','-r300',strcat(file)); File = 'Partikelgrößenverteilungsdichte'; print(4,'-dpng','-r300',strcat(file)); File = 'Partikelhistogramm'; print(5,'-dpng','-r300',strcat(file)); Lehrstuhl für Mechanische Verfahrenstechnik 8
9 function [m_class]=klassen(class,d,rho) n = length(class); % Anzahl der Klassen for i=1:n % Partikel in Klassen einsortieren d_sort =sort(d(:,1)); % Sortieren der Partikelgröße if i == 1 % Nur für die erste Klasse wert_1 = 1; % Position 1. Partikel für Klasse wert_2 = find(d_sort(:)<class(i),1,'last'); % Position letztes Partikel für Klasse else wert_1 = find(d_sort(:)>=class(i-1),1,'first'); % Position 1. Partikel für Klasse wert_2 = find(d_sort(:)<class(i),1,'last'); % Position letztes Partikel für Klasse m_class(i) = sum(rho * pi * d_sort(wert_1:wert_2).^3 *1/6); % Masse der Klasse Lehrstuhl für Mechanische Verfahrenstechnik 9
Vorlesung: Mechanische Verfahrenstechnik Seminar - Trennfunktion
Vorlesung: Mechanische Verfahrenstechnik Seminar - Trennfunktion Aufgabe 1: Trennung in einer Siebmaschine Aufgabenstellung: Eine Siebmaschine mit einer Maschenweite von 3 Millimeter wird mit 140 Tonnen
MehrVorlesung: Mechanische Verfahrenstechnik Seminar - Siebklassierung
Vorlesung: Mechanische Verfahrenstechnik Seminar - Siebklassierung Aufgabe 1: Auslegung eines Kreiswuchtschwingsiebes Aufgabenstellung: Für die Klassierung eines trockenen Kieses der Schüttgutdichte ρ
MehrTechnische Universität München
Technische Universität München Lehrstuhl I für Technische Chemie Lehrstuhl für Energiesysteme Prüfung Mechanische Verfahrenstechnik I (Verfahrenstechnische Grundlagen für Baustoffingenieure) Prof. Dr.-Ing.
MehrMusterlösung: Stromklassierung im Hydrozyklon
Musterlösung: Stromklassierung im Hydrozyklon 22. Februar 2016 Aufgabenstellung Eine Rohkaolinsuspension mit einer Temperatur von T 20 C und einem Feststoffgehalt von c si 250 kg/m 3 soll bei einer Trennkorngröße
MehrVorlesung: Mechanische Verfahrenstechnik. Seminar: Siebklassierung
Vorlesung: Mechanische Verfahrenstechnik Seminar: Siebklassierung Aufgabe: Auslegung eines Kreiswuchtschwingsiebes Aufgabenstellung: Für die Klassierung eines trockenen Kieses der Schüttgutdichte ρ b =
MehrVorlesung: Simulation Mechanischer Verfahrenstechnik Seminar - Zerkleinerung
Vorlesung: Simulation Mechanischer Verfahrenstechnik Seminar - Zerkleinerung Aufgabe 1: Einführung Monte-Carlo-Methode Kreiszahl Pi Bestimmen Sie durch Implementierung der Monte Carlo Methode in einen
MehrTechnische Universität München
Technische Universität München Lehrstuhl I für Technische Chemie Lehrstuhl für Energiesysteme Diplomhauptprüfung Mechanische Verfahrenstechnik I (Verfahrenstechnische Grundlagen für Baustoffingenieure)
MehrAufgabe 1: n (2) n (1)
Aufgabe 1: In er mechanischen Verfahrenstechnik weren häufig analytische Funktionen, wie ie RRSB- Verteilung (Rosin-Rammler-Sperling-Bennett) benutzt, um Partikelgrößenverteilungen zu beschreiben. Sin
MehrSimulation Mechanischer Prozesse Übung Kontaktmodelle
Übungsaufgabe: Aufgabe : Bestimmung des kritischen Zeitschritts einer Simulation Der kritische Zeitschritt einer Simulation bestimmt die Stabilität der Lösung Die Zeitschrittweite orientiert sich dabei
MehrPraktikumsanleitung. Versuch. Klassierung eines Kunststoffgemisches
Praktikumsanleitung Versuch Klassierung eines Kunststoffgemisches Zielstellung: Das im Ausgang einer Shredderanlage zur Zerkleinerung kohlefaserverstärkter Kunststoffe anfallende Gut ist mittels nachgeschalteter
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrTechnische Universität München
Technische Universität München Lehrstuhl I für Technische Chemie Lehrstuhl für Energiesysteme Diplomhauptprüfung Mechanische Verfahrenstechnik I (Verfahrenstechnische Grundlagen für Baustoffingenieure)
Mehr1 Messung eines konstanten Volumenstroms mit konstanter Dichte
INHALTE I Inhalte 1 Konstanter Volumenstrom 1 1.1 Auswertung der Messwerte........................ 1 1.2 Berechnung des Volumenstroms...................... 1 1.3 Fehlerbetrachtung.............................
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
MehrHausaufgabe Modellierung und Simulation 1
Hausaufgabe Modellierung und Simulation 1 Die Pareto Verteilung Die Pareto-Verteilung ist eine stetige Wahrscheinlichkeitsverteilung in einem rechtsseitig unendlichen Intervall zwischen x min und. Die
MehrTests für Erwartungswert & Median
Mathematik II für Biologen 26. Juni 2015 Prolog Varianz des Mittelwerts Beispiel: Waage z-test t-test Vorzeichentest Wilcoxon-Rangsummentest Varianz des Mittelwerts Beispiel: Waage Zufallsvariable X 1,...,X
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrStatistische Methoden für Bauingenieure WS 13/14
Statistische Methoden für Bauingenieure WS 13/14 Einheit 6: Simulation und probabilistische Bemessung/ Zuverlässigkeit Univ.Prof. Dr. Christian Bucher Typische Problemstellung Auslegung des Turmschafts
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr( n ) 1 6 ( 6 ) 5 = ( 5 6 ) ( 6 ) ( 6 ) ( ) n 5. ( 6 ) 5n
Hans Walser Mathematik 2 für Naturwissenschaften Frühjahrssemester 204 Übung 4 24. - 27. März 204 Aufgabe 4. Würfelwürfe a) Xanthippe wirft 6 Würfel gleichzeitig. Mit welcher Wahrscheinlichkeit erhält
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
MehrDer Weg eines Betrunkenen
Der Weg eines Betrunkenen 2 Hätte es damals schon Computer gegeben, wäre es für unseren Mathematiker um einiges leichter gewesen, den Weg des Betrunkenen zu bestimmen. Er hätte nicht nur eine beliebige
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrVorbetrachtungen zum Mobilfunkkanal
Vorbetrachtungen zum Mobilfunkkanal Übungsaufgabe 3 Walter Tiessen(10039111) Studiengang: Master-Elektrotechnik Modul: Modellierung und Simulation1 Eingereicht bei: Prof. Dr. rer. nat. Henrik Schulze Datum:
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrKlausur Stochastik. ME/SD/RE (Ma) (nicht zutreffendes bitte streichen)
Ernst-Abbe-Hochschule Jena FB Grundlagenwissenschaften Klausur Stochastik Tag der Prüfung: Bearbeitungszeit: Studiengang: 90 min ME/SD/RE (Ma) (nicht zutreffendes bitte streichen) Name: Matrikel-Nr.: Bitte
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrMatlab Zufall / Programmieren mit Matlab. Dr. Hermann Lehner Departement Informatik, ETH Zürich
Matlab Zufall / Programmieren mit Matlab Dr. Hermann Lehner Departement Informatik, ETH Zürich Dr. Hermann Lehner 20.11.2017 1 Zufall ist ein Wort ohne Sinn; nichts kann ohne Ursache existieren -- Voltaire?
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrDie neue Norm ISO The New air filtration standard
Die neue Norm ISO 16890 The New air filtration standard ISO 16890 Warum gibt es einen neuen Standard? Was sind die wesentlichen Unterschiede zur EN 779? Wann erfolgt die Umstellung auf die ISO 16890? Wie
MehrPhsyiklaborpraktikum. Siebanalyse
Siebanalyse Inhalt: 1. Grundlagen 2. Ermittlung des Volumens und der Gesamtmasse des Haufenwerks der Probe 2. Siebung des Haufwerks 4. Bestimmung der Massenrückstände auf den einzelnen Siebböden durch
Mehr1 Wahrscheinlichkeitsdichtefunktion
1 Wahrscheinlichkeitsdichtefunktion Es wird zunächst der Begriff der Wahrscheinlichkeitsdichtefunktion vorgestellt, die zur statistischen Beschreibung von zufälligen Prozessen oder zufälligen Signalen
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
MehrÜbungen zur Ingenieur-Mathematik II SS 2017 Blatt Aufgabe 13: Betrachten Sie die Funktion. f(x) =
Übungen zur Ingenieur-Mathematik II SS 2017 Blatt 6 2.5.2017 Aufgabe 1: Betrachten Sie die Funktion Lösung: f(x) = 1, x [, 1]. 1 + 25x2 a) Bestimmen Sie die Interpolationspolynome vom Grad m p m (x) =
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
MehrDie Varianz (Streuung) Definition
Die (Streuung) Definition Diskrete Stetige Ang., die betrachteten e existieren. var(x) = E(X EX) 2 heißt der Zufallsvariable X. σ = Var(X) heißt Standardabweichung der X. Bez.: var(x), Var(X), varx, σ
MehrPraktikum zur Vorlesung Einführung in die Geophysik
Praktikum zur Vorlesung Einführung in die Geophysik Hinweise zum Praktikum: Messunsicherheit und Fehlerrechnung Stefan Wenk, Prof. Thomas Bohlen TU Bergakademie Freiberg Institut für Geophysik www.geophysik.tufreiberg.de/pages/studenten/praktika/nebenfaechlerpraktikum.htm
MehrVorlesung: Mechanische Verfahrenstechnik Seminar - Zerkleinerung
Vorlesung: Mechanische Verfahrenstechnik Seminar - Zerkleinerung Aufgabe 1: Berechnung des Arbeitsindexes nach Bond In einer Nass-Austragskammer-Kugelmühle (Mahlraum-Durchmesser D = 3100 mm, Länge L =
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
MehrModellierung von Unsicherheit in Systemen
Modellierung von Unsicherheit in Systemen Motivation Systeme Zeitdiskrete, lineare und nicht-lineare Systeme, Beispiele Wahrscheinlichkeiten Zufallsvariablen, Wahrscheinlichkeitsdichten, mehrdimensionale
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrGoethe-Center for Scientific Computing (G-CSC) Goethe-Universität Frankfurt am Main. Neurobioinformatik
Goethe-Center for Scientific Computing (G-CSC) Goethe-Universität Frankfurt am Main Neurobioinformatik (Übung NBI, WS 2018/19) M. Huymayer, J. Wang, Dr. A. Nägel, Dr. M. Hoffer Aufgabenblatt 9 Abgabe Montag,
MehrMusterlösung: 23. Oktober 2014, 16:42
Audiotechnik II Digitale Audiotechnik:. Übung Prof. Dr. Stefan Weinzierl 3..4 Musterlösung: 3. Oktober 4, 6:4 Amplitudenstatistik analoger Signale a) Ein Signal (t) hat die durch die Abbildung gegebene
MehrUE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe
UE Statistische Mustererkennung WS 2018 Angaben zur 2ten Aufgabengruppe 1 Aufgabe UE-II.1 Generieren Sie je 1000 Stichproben (samples) mit Umfang 5/30/100/500 für die Normalverteilung N(µ, σ 2 ) = N(4,
MehrBasisprüfung B. Sc. FS 2011
Basisprüfung B. Sc. Statistik und Wahrscheinlichkeitsrechnung FS 2011 Dr. Jochen Köhler ETH Zürich Mittwoch, 17. August 2011 9:00 11:00 Vorname:... Name:... Stud. Nr.:... Studienrichtung:... Aufgabe Beschreibung
MehrNumerische Lineare Algebra - Matlab-Blatt 2
Prof. Dr. Stefan Funken Universität Ulm M.Sc. Andreas Bantle Institut für Numerische Mathematik Dipl.-Math. oec. Klaus Stolle Wintersemester 014/015 Numerische Lineare Algebra - Matlab-Blatt Lösung (Besprechung
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrTechnische Universität München
Technische Universität München Lehrstuhl I für Technische Chemie Lehrstuhl für Energiesysteme Prüfung Mechanische Verfahrenstechnik I (Verfahrenstechnische Grundlagen für Baustoffingenieure) Prof. Dr.-Ing.
MehrAuswertung und Lösung
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrMND Projekt 2. Zur Veranschaulichung werden die einzelnen Phis graphisch dargestellt.
AUFGABENSTELLUNG MND Projekt 2 Das Ziel dieses Projekts war es ein Anfangswertproblem mit Hilfe des klassischen Runge-Kutta Verfahrens und dem Levenberg-Marquardt-Verfahren zu lösen. AUFGABE 1 In der Ersten
MehrMusterlösung: Partikelbewegung im Fluid
Musterlösung: Partikelbewegung im Fluid 0. Januar 016 Wiederholung Ein Ausschnitt notwendiger Grundlagen für die Berechnung stationärer Sinkgeschwindigkeiten von Partikeln im Fluid. Annahmen: Partikel
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
MehrÜbungsaufgabe Parameter und Verteilungsschätzung
Übungsaufgabe Parameter und Verteilungsschätzung Prof. Dr. rer. nat. Lüders Datum: 21.01.2019 Autor: Marius Schulte Matr.-Nr.: 10049060 FH Südwestfalen Aufgabenstellung Analysiert werden sollen die Verteilungen
MehrWahrscheinlichkeit und die Normalverteilung. Jonathan Harrington
Wahrscheinlichkeit und die Normalverteilung Jonathan Harrington Der Populations-Mittelwert 100 Stück Papier nummeriert 0, 1, 2, 99 Ich ziehe 10 davon und berechne den Mittelwert. Was ist der Mittelwert
MehrÜbungen mit dem Applet
Übungen mit dem Applet 1. Visualisierung der Verteilungsform... 1.1. Normalverteilung... 1.. t-verteilung... 1.3. χ -Verteilung... 1.4. F-Verteilung...3. Berechnung von Wahrscheinlichkeiten...3.1. Visualisierung
MehrBeispiel 4 (Einige weitere Aufgaben)
1 Beispiel 4 (Einige weitere Aufgaben) Aufgabe 1 Bestimmen Sie für die folgenden Zweierstichproben, d. h. Stichproben, die jeweils aus zwei Beobachtungen bestehen, a) den Durchschnitt x b) die mittlere
MehrFoto: Fritsch. Übung 3: Bestimmung der gesättigten hydraulischen Leitfähigkeit (k f -Wert) - Ermittlung aus der Kornverteilungskurve -
Übung 3 Hydrogeologie I: Bestimmung der gesättigten hydraulischen Leitfähigkeit Dipl.-Geoökol. M. Schipek TU Bergakademie Freiberg, Institut für Geologie Lehrstuhl für Hydrogeologie Foto: Fritsch Kenngrößen
MehrStochastik-Praktikum
Stochastik-Praktikum Zufallszahlen und Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 17. Oktober 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 17. Oktober 2017 1 / 23
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrVorlesung: Mechanische Verfahrenstechnik Seminar - Zerkleinerung
Vorlesung: Mechanische Verfahrenstechnik Seminar - Zerkleinerung Aufgabe 1: Berechnung des Arbeitsindexes nach Bond In einer Nass-Austragskammer-Kugelmühle (Mahlraum-Durchmesser D = 3100 mm, Länge L =
MehrProf. Dr. Christoph Karg Hochschule Aalen. Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik. Sommersemester 2018
Prof. Dr. Christoph Karg 9.7.2018 Hochschule Aalen Klausur zur Vorlesung Wahrscheinlichkeitstheorie und Statistik Sommersemester 2018 Unterschrift: Klausurergebnis Aufgabe 1 (15 Punkte) Aufgabe 3 (10 Punkte)
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrEinführung in die Fehlerrechnung und Messdatenauswertung
Grundpraktikum der Physik Einführung in die Fehlerrechnung und Messdatenauswertung Wolfgang Limmer Institut für Halbleiterphysik 1 Fehlerrechnung 1.1 Motivation Bei einem Experiment soll der Wert einer
MehrGrundlagen der empirischen Sozialforschung
Grundlagen der empirischen Sozialforschung Sitzung 10 - Datenanalyseverfahren Jan Finsel Lehrstuhl für empirische Sozialforschung Prof. Dr. Petra Stein 22. Dezember 2008 1 / 21 Online-Materialien Die Materialien
MehrMatlab: Grundlagen und Hilfen
1 Matlab: Grundlagen und Hilfen Jan Marc Stockschläder Fachbereich Physik TU Kaiserslautern 16.08.2012 2 Gliederung 1 Grundlagen Hilfreiche Funktionen Grundrechenarten Matrizen Graphen Statistik Funktionen
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrMachine Learning. von Nico Hezel
Machine Learning von Nico Hezel GNU ähnlich wie MATLAB Kostenlos Linux/BSD/Mac OSX/Windows Interactive shell (read eval print loop REPL) https://www.gnu.org/software/octave/ 2 Prototyping zum lösen von
MehrHochschule Darmstadt FB Mathematik und Naturwissenschaften. Statistik. für Wirtschaftsingenieure (B.Sc.) Sommersemester 2017
für Wirtschaftsingenieure (B.Sc.) Sommersemester 017 Dr. rer. nat. habil. E-mail: adam-georg.balogh@h-da.de 1 Hochschule Darmstadt, Fachbereich MN Sommersemester 017 Testklausur zur Vorlesung Wirtschaftsstatistik
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
MehrWeiterentwicklung eines nassmechanischen Aufbereitungsverfahrens für Altkunststofffraktionen. Recy & DepoTech 2016 Leoben,
Weiterentwicklung eines nassmechanischen Aufbereitungsverfahrens für Altkunststofffraktionen Recy & DepoTech 2016 Leoben, 10.11.2016 Mitwirkende Lehrstuhl für Aufbereitung und Veredlung Prof. Helmut Flachberger
MehrPraktikumsanleitung. Versuch: Stofftrennung durch Schwimm-Sink-Sortierung
Brandenburgische Technische Universität Cottbus Lehrstuhl Aufbereitungstechnik Prof. Dr.-Ing. habil. P. Ay Praktikusanleitung Versuch: Stofftrennung durch Schwi-Sink-Sortierung Zielstellung Wertstoffrückgewinnung
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.11. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler 2009 war genau 33.7%. Wie groß ist die Wahrscheinlichkeit, in einer Zufallsstichprobe von 1000 Personen genau
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
MehrAbbildung 1: Dieses Quiz soll Ihnen helfen, die Residuenplots besser zu verstehen. Am Schluss kommen noch vermischte Aufgaben zur Wiederholung.
Residuals vs Fitted Normal Q Q Residuals 2 1 0 1 2 16 18 30 Standardized residuals 2 1 0 1 2 18 30 16 5 10 15 20 25 30 Fitted values 2 1 0 1 2 Theoretical Quantiles Abbildung 1: Dieses Quiz soll Ihnen
MehrSeminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken
Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken 25. Juni 2015 1 / 37 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen Teil II Evolutionsfenster durch Mutation und sexuelle Rekombination Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Evolutionäre Algorithmen
MehrB D I S P E R S E S T O F F S Y S T E M E. 1 Begriffserklärung. B Disperse Stoffsysteme
-I B.1- B D I S P E R S E S T O F F S Y S T E M E Wichtige Aufgabenbereiche der Verfahrenstechnik sind zunächst das Aufbereiten (Zerkleinern, Mischen oder Vereinigen) von Stoffen. Diese werden anschließend
MehrAuswertung von Messungen Teil II
Auswertung von Messungen Teil II 1. Grundgesamtheit und Stichprobe. Modellverteilungen.1 Normalverteilung. Binominalverteilung.3 Poissonverteilung.4 Näherungen von Binominal- und Poissonverteilung 3. Zentraler
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differenzialgleichungssysteme 5.1-1 1.1 Grundlagen
MehrMethodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
MehrMC1.3 Physikalische Chemie
MC1.3 Physikalische Chemie Spezielle Kinetik Serie 1 Aufgabe 1 Die beigefügte Datei enthält die Konzentrationsverläufe eines Reaktanden für verschiedene Temperaturen.Benutzen Sie Matlab oder Mathematica
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differentialgleichungssysteme Prof. Dr. Wandinger
MehrEvaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle
MehrCreditMetrics. Portfoliokreditrisiko Seminar. 10. Oktober Sebastian Sandner. Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim
CreditMetrics Portfoliokreditrisiko Seminar 10. Oktober 2007 Sebastian Sandner Statistik Seminar bei PD Dr. Rafael Weißbach Universität Mannheim Gliederung Page 1. Einführung in Credit Metrics 4 2. Durchführung
MehrÜbungen mit dem Applet Wahrscheinlichkeitsnetz
Wahrscheinlichkeitsnetz 1 Übungen mit dem Applet Wahrscheinlichkeitsnetz 1 Statistischer Hintergrund... 1.1 Verteilungen... 1. Darstellung von Daten im Wahrscheinlichkeitsnetz...4 1.3 Kurzbeschreibung
MehrProtokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten
Protokoll Grundpraktikum: F0: Auswertung und Präsentation von Messdaten Sebastian Pfitzner 19. Februar 013 Durchführung: Sebastian Pfitzner (553983), Jannis Schürmer (5589) Betreuer: N. Haug Versuchsdatum:
MehrVermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Bauingenieure und Geodäten Übung 5: statistische Auswertung gleichgenauer Messungen Milo Hirsch Hendrik Hellmers Florian Schill Institut für Geodäsie Fachbereich 3 Inhaltsverzeichnis
MehrPraktikum zur Vorlesung Aufbereitungstechnik 2 - Modulnummer 440603. Praktikumsanleitung
Praktikum zur Vorlesung Aufbereitungstechnik 2 - Modulnummer 440603 Praktikumsanleitung Versuch: Trennung im Windsichter Aufgabenstellung: Es ist der Trennerfolg eines Aufgabegutes unterschiedlicher Zusammensetzung
MehrTechnische Universität München
Technische Universität München Lehrstuhl I für Technische Chemie Lehrstuhl für Energiesysteme Prüfung Mechanische Verfahrenstechnik I (Verfahrenstechnische Grundlagen für Baustoffingenieure) Prof. Dr.-Ing.
Mehr