Grober Vorlesungsüberblick
|
|
- Stephan Geier
- vor 5 Jahren
- Abrufe
Transkript
1 Grober Vorlesungsüberblick Einleitung/Grundbegriffe Systemökologische Fallbeispiele: Motto - 1,2,3 vom einfachen zum komplexen Einschub: Simulationstechnisches Werkzeug «Easy ModelWorks» Systemtheoretische Grundtechniken: Modellierung, Systemdarstellungen, Stabilitätsanalyse, Simulation Ökosystemmodelle aus aktueller Forschung: Agroökosysteme, Klima und Wälder usw Feb.2010
2 3.) Verbales Modell Entwurf eines verbalen Modells auf qualitativer Stufe... 19
3 Relationgraph Entwerfen G S=(X,R) R X Folie 20
4 Systemelemente e s n p o l R r d i g E605 (Insektizid mit Parathion als Wirkstoff) Schadinsekten Nützlinge (Insekten) Parathion im Agroökosystem (ausserhalb Fruchtfleisch, s. r) Paraoxon (Abbauprodukt von Parathion) Windverfrachtung Regen Parathionrückstand im Fruchtfleisch (Johanisbeeren) Diethylthiophosphorsäure (Abbauprodukt von Parathion) p-nitrophenol (Abbauprodukt von Parathion) Glucuronid (Abbauprodukt von Parathion) m Rückstandsmessungen (Parathion) T w Lufttemperatur Wirtspflanzen (Johanisbeersträucher) 21
5 Systemelemente (Forts.) l o i g d e p r m R s T w n 22
6 Systemelemente (Forts.) 23
7 Systemelemente (Forts.) Einfaches autonomes System: 1 Zustandsvariable 1 Ausgangsvariable 24
8 4.) Mathematische Modellierung Entwurf eines mathematischen Modells auf symbolischer Stufe... dr(t)/dt = -γ r(t) 25
9 Systemgleichungen Entwerfen Dynamikgleichung r(t) / t = -γ r(t) Ausgangsgleichung: m(t) = r(t) + ε(t) Wobei: r(t) Zustandsvariable: Pestizidrückstand im Fruchtfleisch (mg Parathion/kg Johannisbeerfruchtfleisch) γ Modellparameter: Mittlere Abbaurate von r(t) pro Tag (konstant, d.h. zeitunabhängig) m(t)ausgangsvariable: Gemessener Pestizidrückstand (gleiche Einheit wie r ) durch zufällige Messfehler (ε) r(t) 26
10 5.) Kalibrierung Das mathematische Modell, rein auf symbolischer Stufe entworfen, hat noch keinen Bezug zur konkreten Wirklichkeit. Oft ist es erforderlich Skalen, z.b. Einheit der Zeit, Anfangswerte, Eichungen von Modellparametern vorzunehmen. Diesen Arbeitsschritt nennt man Kalibrierung des mathematischen Modells. In unserem Beispiel geht es um ein Anfangswertproblem. Und wir wollen die spezifische Antwort auf unsere Frage, die nur für unseren Vorversuch, dafür hier genau, gelten soll. Wir wollen nicht für alle erdenklichen Johannisbeerkulturen od. jeglichen Pestizidabbau eine Lösung. Wir wollen eine für unseren Fall. Als Zeiteinheit wählen wir z.b. einen Tag (d), als Anfangswert die erste Messung. 27
11 Es gilt: Kalibrierung - Unbekannter Modellparamter γ r(t) = r(t 0 ) exp (-γ (t t 0 )) demnach muss zum Zeitpunkt t 1 der ersten Messung gelten r(t 1 ) = r(t 0 ) exp (-γ (t 1 t 0 )) oder 0.9 = 1.2 exp (-γ (4 0)) ln 0.9 = ln 1.2-4γ Erste Schätzung des unbekannten Modellparameters γ: => γ 01 = (ln1.2 - ln 0.9)/4 γ γ 01 = (/d) 28
12 Kalibrierung - Unbekannter Modellparamter γ (Forts.) Analog muss gelten: 0.45 = 0.9 exp (-γ 12 (7 4)) oder auch 0.45 = 1.2 exp (-γ 02 (7 0)) d.h. => γ 12 = (ln ln 0.45)/3 => γ 02 = (ln1.2 - ln 0.45)/7 Widersprüchliche Schätzungen von γ: γ 01 = (/d) γ 12 = (/d) γ 02 = (/d) 29
13 Was nun, wenn je nach Ansatz, wir für γ ganz verschiedene Werte bekommen? Sind die wirklich von Bedeutung... Vielleicht hilft uns ein pragmatisches Weiterfahren eher weiter, indem wir mit den bisherigen Schätzwerten versuchen weiterzuarbeiten 30
14 6.) Simulationsmodell Implementieren Entwurf eines Simulationsmodells auf numerischer Stufe mittels 31
15 Das mathematische Modell soll exakt in ein möglichst gleichwertiges Simulationsmodell übersetzt werden dr(t)/dt = -γ r(t) 32
16 Erstellung des Simulationsmodells: Schritt 1 - Bezeichner Übersetzen Math. Symbol Bezeichner im Simulationsmodell Wertbereich Einheit t t [t 0.. t*] d r x1dot 1 mg/kg/d? r(t) x1 [0..1.2] mg/kg r(t 0 ) x mg/kg γ gamma /d Bezeichner günstig wählen, d.h. für uns gemäss der Syntax der EMSL - Easy ModelWorks Simulation Language 33
17 Erstellung des Simulationsmodells: Schritt 2 - Implementation 34
18 Erstellung des Simulationsmodells: Schritt 3 - Forts. Implementation 35
19 7.) Bestimmung der Anfangswerte, Rand- und Rahmenbedingungen Anfangswerte aller Zustandsvariablen, z.b. r(0) 1.2 Randbedingungen, z.b. keine Rahmenbedingungen, z.b. Intervall Simulationszeit t 0 =0.0, t end = 45.0 Tage (d) 36
20 Implementation: Anfangswert Menubefehl Edit model... 37
21 Implementation: Rahmenbedingung Menubefehl Simulation Set time... 38
22 8.) Simulation oder die Durchführung von Modellexperimenten Wir experimentieren am Simulationsmodell Lösung des Anfangswertproblems Numerische Integration 39
23 40
24 9.) Interpretation der Simulationsresultate Was können wir aus den Simulationsresultaten lernen? 41
25 Die wichtigsten Simulationsergebnisse: Abbau so langsam, dass t* s > 20 d γ=0.072 /d (t: 0-4) Abbau so rasch, dass t* s < 20 d γ=0.231 /d (t: 5-7) r* s t* s 20 d t* s 42
26 Wir lernen aus den Simulationsergebnissen Der genaue Wert des Modellparameters γ spielt offensichtlich eine grosse Rolle Wir müssen einen Weg finden, um diesen Parameter möglichst geschickt zu bestimmen Wir sollten hierbei möglichst alle uns zur Verfügung stehenden Daten, d.h. alle 3 Messungen, ausnutzen 43
27 10.) Modell- und Parameteridentifikation Möglichst genaue Identifikation der Modellparameter, um damit das Modell exakt festzulegen 44
28 Identifikation Modellparameter durch Ausgleichsrechnung Analytische Lösung der Modellgleichung Lineare Regression der logarithmierten Messwerte r =r 0 e -γt kann durch Logarithmieren linearisiert werden: Achsenabschnitt ~ ln r 0 Steigung ~ γ ln r = ln r 0 - γt 45
29 Identifikation Modellparameter durch Ausgleichsrechnung γ = ± /d => 0 /d /d r(t 0 ) = mg/kg wobei r min (t 0 ) = bzw. r max (t 0 ) = % Vertrauensintervall 46
30 11.) Modelllvalidierung Vergleich eines Simulationsergebnisses, d.h. einer Projektion, mit neuen Messergebnissen 47
31 Neue Ergebnisse Pilotversuch Es sind noch folgende Messergebnisse aus unserem Pilotversuch neu dazugekommen: t Tage (d) r(t) ~ m(t) Rückstand Parathion (mg/kg) Sie kommen natürlich für die Voraussage zu spät, doch kommen sie für die Modellvalidation wie gerufen, denn sie wurden NICHT für die Modellidentifikation verwendet. 48
32 Modellvalidierung Übereinstimmung zwischen simulierter Projektion und neuen Messungen ist ziemlich gut 49
33 12.) Modellanwendung 50
34 Wir kommen zurück zu unserer eingangs gestellten Frage Ist der Zeitpunkt t* S bei dem der Para-thionrückstand r in den Johannisbeeren den Toleranzwert r* S erreicht kleiner als 20 Tage? Wobei: t* S Zeitpunkt bei dem r den Toleranzwert r* S erreicht r* S Toleranzwert Säuglingsnahrung = r* E /10 = 0.5/10 (mg/kg) 51
35 Gesund oder ungesund? 52
36 Modellanwendung zur Beantwortung der Frage Zeitpunkte Erreichung Toleranzwerte: t* E 7 d t* S = 23 d 53
37 Modellanwendung zur Beantwortung der Frage in Logarithmischer Darstellung t* E 7 d Zeitpunkte Erreichung Toleranzwerte: t* S = 23 d 54
38 Beantwortung der eingangs gestellten Frage: Pestizideinsatz und Säuglingsnahrung vertragen sich nicht, da t* S = 23 d Früchteverzehr durch Erwachsene ist laut eidgen. Verordnung für Fremdund Inhaltsstoffe FIV verantwortbar, da t* E 7 d 55
Vorlesung. Systemökologie. Andreas Fischlin 1, Heike Lischke 2. Bitte besuchen Sie auch.
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérale de Zurich Politecnico federale di Zurigo Swiss Federal Institute of Technology Zurich Vorlesung Systemökologie Andreas Fischlin
4. Schritt: Mathematisches Modell
4. Schritt: Mathematisches Modell 7 03/09/2010 Lotka-Volterra Modell! Systemgleichungen: 2 nichtlin. Differentialgleichungen δx 1!!= a x 1 - b x 2 - c x1 x 2 δt!! δx 2!!= cʻ x1 x 2 - d x 2! δt! y 1 = x
Fallstudie 3. Grenzen des Wachstums oder Weltmodell 2. Andreas Fischlin, ETH Zurich
Fallstudie 3 Grenzen des Wachstums oder Weltmodell 2 Was Sie lernen werden: Systemanalyse eines hoch-komplexen Systems (Grenzen des Wachstums) Modellkonstruktion à la System Dynamics Vermaschte Regelkreise
Musterlösung Arbeitsblatt 3 - Lärchenwickler
Systemökologie: Prinzipien und Modellierung ETH Zürich, FS 2009 Musterlösung Arbeitsblatt 3 - Lärchenwickler Der zugrunde liegende Modellansatz wurde bewusst so einfach wie möglich gewählt. Dadurch kann
Statistik 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
Musterlösung Arbeitsblatt 2 - Wachstum und Easy ModelWorks
ETH Zürich, FS 2009 Musterlösung Arbeitsblatt 2 - Wachstum und Easy ModelWorks Dieses Arbeitsblatt dient dem näheren Kennenlernen des Modellierungs- und Simulationswerkzeugs Easy ModelWorks. Hierzu dient
Fehler- und Ausgleichsrechnung
Fehler- und Ausgleichsrechnung Daniel Gerth Daniel Gerth (JKU) Fehler- und Ausgleichsrechnung 1 / 12 Überblick Fehler- und Ausgleichsrechnung Dieses Kapitel erklärt: Wie man Ausgleichsrechnung betreibt
Numerische Integration
A1 Numerische Integration Einführendes Beispiel In einem Raum mit der Umgebungstemperatur T u = 21.7 C befindet sich eine Tasse heissen Kaffees mit der anfänglichen Temperatur T 0 80 C. Wie kühlt sich
Höhere Mathematik III
Universität Stuttgart Fachbereich Mathematik Prof. Dr. J. Pöschel Dr. D. Zimmermann Dipl.-Math. K. Sanei Kashani Blatt 5 Höhere Mathematik III el, kb, mecha, phs Vortragsübungen (Musterlösungen) 7..4 Aufgabe
2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
1 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
Differenzialgleichungen
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
Mixed Effects Models: Wachstumskurven
Mixed Effects Models: Wachstumskurven Markus Kalisch 07.10.2014 1 Überblick Wiederholte Messungen (z.b. Wachstumskurven): Korrelierte Beobachtungen Random Intercept Model (RI) Random Intercept and Random
Logarithmische Skalen
Logarithmische Skalen Arbeitsblatt Logarithmische Skalen ermöglichen dir eine übersichtlichere Darstellung von Kurvenverläufen vor allem dann, wenn sie sich über sehr große Zahlenbereiche erstrecken. 1
Einige Worte zu Messungen und Messfehlern. Sehr schöne Behandlung bei Walcher!
Einige Worte zu Messungen und Messfehlern Sehr schöne Behandlung bei Walcher! Was ist eine Messung? Messung = Vergleich einer physikalischen Größe mit Einheit dieser Größe Bsp.: Längenmessung durch Vgl.
1 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]
Nichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
PP Physikalisches Pendel
PP Physikalisches Pendel Blockpraktikum Frühjahr 2007 (Gruppe 2) 25. April 2007 Inhaltsverzeichnis 1 Einführung 2 2 Theoretische Grundlagen 2 2.1 Ungedämpftes physikalisches Pendel.......... 2 2.2 Dämpfung
= T 2. Lösungsmenge ist die Menge aller Elemente des Definitionsbereiches D G, die die Gleichung zu einer Wahre Aussage machen.
Gleichungen Eine Gleichung ist eine Aussage, in der die Gleichheit zweier Terme durch Mathematische Symbol ausgedrückt wird. Dies wird durch das Gleichheitssymbol = symbolisiert G : = T 2 Definitionsmenge
Konzepte der Statistik für die Messdatenanalyse
Konzepte der Statistik für die Messdatenanalyse Modelle Beispiel: optische Abbildung im Fernfeld (Fraunhoferbeugung) indirekte Messgröße: Abstand der beiden Spalte D Modell inverses Problem direkte Messgrößen:
D-MATH Numerische Methoden FS 2018 Dr. Vasile Gradinaru Kjetil Olsen Lye. Serie 6
D-MATH Numerische Methoden FS 08 Dr. Vasile Gradinaru Kjetil Olsen Lye Serie 6 Abgabedatum: Di. 08.0 / Mi. 09.0, in den Übungsgruppen, oder im HG J 68. Koordinatoren: Kjetil Olsen Lye, HG G 6. kjetil.lye@sam.math.ethz.ch
Einführungsseminar S1 Elemente der Fehlerrechnung. Physikalisches Praktikum der Fakultät für Physik und Astronomie Ruhr-Universität Bochum
Einführungsseminar S1 Elemente der Fehlerrechnung Physikalisches Praktikum der Fakultät für Physik und Astronomie Ruhr-Universität Bochum Literatur Wolfgang Kamke Der Umgang mit experimentellen Daten,
Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression
1 Einführung Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression Datenauswertung In einem naturwissenschaftlichen Experiment werden Sie meist
Die Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
Differentialgleichungen
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
Differentialgleichungen
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:
Differenzialgleichung
Differenzialgleichung Die Differenzialgleichung ist die kontinuierliche Variante der Differenzengleichung, die wir schon bei den Folgen und Reihen als rekursive Form ( n+1 = n + 5) kennengelernt haben.
Protokoll 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:
Statistische Methoden
Modeling of Data / Maximum Likelyhood methods Institut für Experimentelle und Angewandte Physik Christian-Albrechts-Universität zu Kiel 22.05.2006 Datenmodellierung Messung vs Modell Optimierungsproblem:
Systemwissenschaften, Mathematik und Statistik
Systemwissenschaften, Mathematik und Statistik Systemwissenschaften: 1 WS: Systemwissenschaften 1, VO 2std 2 SS: Systemwissenschaften 2, VO 2std Übung zu Systemwissenschaften, UE 2std 3 WS: Systemwissenschaften
Diskret oder kontinuierlich modellieren?
Diskret oder kontinuierlich modellieren? Franz Pauer, Florian Stampfer Institut für Fachdidaktik und Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2017 21. April 2017
8. Übungsblatt Aufgaben mit Lösungen
8 Übungsblatt Aufgaben mit Lösungen Aufgabe 6: Matrix Bestimmen Sie die allgemeine reelle Lösung des Differentialgleichungssystems u x = Aux für die A =, 9 indem Sie das System auf eine einzelne gewöhnliche
Skalare Differenzialgleichungen
3 Skalare Differenzialgleichungen Differenzialgleichungen stellen eine Beziehung her zwischen einer oder mehreren Funktionen und ihren Ableitungen. Da Ableitungen Veränderungen beschreiben, modellieren
Klausurenkurs zum Staatsexamen (SS 2015): Differential und Integralrechnung 8
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2015): Differential und Integralrechnung 8 8.1 (Herbst 2012, Thema 2, Aufgabe 5) Bestimmen Sie die allgemeine Lösung der Differentialgleichung ( y
S. Marin, T. Fröhlich. Institut für Prozessmess- und Sensortechnik Technische Universität Ilmenau, Deutschland. Metrologie für virtuelle Messgeräte
VERGLEICH VON SIMULATIONS- UND MESSERGEBNISSEN UNTER BERÜCKSICHTIGUNG IHRER UNSICHERHEITEN anhand des Modells einer Fixpunktzelle für die Kalibrierung von Berührungsthermometern, T. Fröhlich Technische
Begleitmaterial zur Vorlesung. Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen
Institut für Technische Thermodynamik und Kältetechnik Leiter: Prof. Dr.-Ing. K. Schaber Begleitmaterial zur Vorlesung Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen Verfasst von Dr.
Höhere Mathematik III für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Ioannis Anapolitanos Dipl.-Math. Sebastian Schwarz WS 5/6 6..5 Höhere Mathematik III für die Fachrichtung Physik Lösungsvorschläge zum. Übungsblatt
Einführung in die Laplace Transformation
Einführung in die aplace Transformation Peter Riegler 17. Oktober 2 Zusammenfassung Dieser Text gibt Ihnen eine kurze Einführung in das Werkzeug der aplace Transformation. Es zeigt Ihnen, wo und warum
Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse (PHY31) Herbstsemester 015 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung und
Prüfer: Dr. M. Lenz, Prof. Dr. M. Rumpf. Klausurdauer: 180 Minuten. Bitte Namen, Vornamen und Matrikel-Nr. einsetzen. Name:... Vorname:...
Klausur zum Modul Ingenieurmathematik II (B22) 20. März 2014 für den Bachelorstudiengang Geodäsie und Geoinformation In der Klausur können 10 Punkte pro Aufgabe, also insgesamt 100 Punkte erreicht werden.
Klausurenkurs zum Staatsexamen (WS 2015/16): Differential und Integralrechnung 8
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 2015/16): Differential und Integralrechnung 8 8.1 (Herbst 2012, Thema 2, Aufgabe 5) Bestimmen Sie die allgemeine Lösung der Differentialgleichung (
Modulprüfung Mathematik IV Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik, Wirtschaftsinformatik SS
Fakultät für Mathematik Institut für Algebra und Geometrie Prof. Dr. Martin Henk, Dr. Michael Höding Modulprüfung Mathematik IV Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik,
5 Randwertprobleme. y = f(t, y, y ) für t J, (5.2a) y(t 0 ) = y 0, y(t) = y T (5.2b) zu gegebener Funktion f und Werten y 0, y T.
5 Randwertprobleme Bei den bisher betrachteten Problemen handelte es sich um Anfangswertprobleme. In der Praxis treten, insbesondere bei Differentialgleichungen höherer Ordnung, auch Randwertprobleme auf.
Hausaufgabe 2: Differenzialgleichungen n-ter Ordnung
Höhere Mathematik II für den Studiengang BAP Hausaufgabe 2 04.11.2008 1 Hausaufgabe 2: Differenzialgleichungen n-ter Ordnung Lösungen 1. Geben Sie die allgemeine Lösung der folgenden Differenzialgleichungen
Mehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
Notgepäck Genauigkeit
Notgepäck Genauigkeit Beat Hulliger Dienst Statistische Methoden, Bundesamt für Statistik 20.4.2006 1 Was ist Genauigkeit genau? Um zu beschreiben, was Genauigkeit in der Statistik ist, müssen wir untersuchen,
Klausurenkurs zum Staatsexamen (WS 2016/17): Differential und Integralrechnung 8
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 2016/17): Differential und Integralrechnung 8 8.1 (Herbst 2012, Thema 2, Aufgabe 5) Bestimmen Sie die allgemeine Lösung der Differentialgleichung (
Entwicklung einer netzbasierten Methodik zur Modellierung von Prozessen der Verdunstungskühlung
Institut für Energietechnik - Professur für Technische Thermodynamik Entwicklung einer netzbasierten Methodik zur Modellierung von Prozessen der Verdunstungskühlung Tobias Schulze 13.11.2012, DBFZ Leipzig
Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2.
Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) Geschwindigkeit:
Fachbereich Mathematik und Informatik Wintersemester 2013/14 der Universität Marburg Dr. Helga Lohöfer
Fachbereich Mathematik und nformatik Wintersemester 23/4 der Universität Marburg Dr. Helga Lohöfer Grundlagen der Mathematik für Biologen - Blatt - Abgabe: Montag, den 2..23, vor der Vorlesung, spätestens4:5
Übungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
Mathematische 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
Lineare Funktionen. Die lineare Funktion
1 Die lineare Funktion Für alle m, t, aus der Zahlenmenge Q heißt die Funktion f: x m x + t lineare Funktion. Die Definitionsmenge ist Q (oder je nach Zusammenhang ein Teil davon). Der Graph der linearen
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 05. Dezember 2012 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel Bleibelastung 3 Regression
1. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Sei I R ein Intervall. Geben Sie Beispiele für Differentialgleichungen für Funktionen y = y in I mit den folgenden Eigenschaften an: Beispiel separabel, nicht
Motivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit
Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.
Praktikumsprotokoll Physikalisch-Chemisches Anfängerpraktikum
Praktikumsprotokoll Physikalisch-Chemisches Anfängerpraktikum Tobias Schabel Datum des Praktikumstags: 02.12.2005 Matthias Ernst Protokoll-Datum: 12/20/2005 Gruppe A-11 11. Versuch: Schmelzdiagramm Assistent:
Institut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
Das (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
Lösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, Januar D BIOL, D CHAB Lösungen zu Mathematik I/II. ( Punkte) a) Wir benutzen L Hôpital lim x ln(x) L Hôpital x 3 = lim 3x + x L Hôpital = lim x ln(x) x 3x 3 = lim ln(x) x 3 x
Fehlerrechnung. Bei physikalisch-technischen Messungen können systematische und zufällige Fehler auftreten.
Seite 1 / 6 H.C. iehuus Fehlerrechnung Bei physikalisch-technischen Messungen können systematische und zufällige Fehler auftreten. Systematische Fehler erzeugen systematische Effekte. Falsch kalibrierte
Überbestimmte lineare Gleichungssysteme
Überbestimmte lineare Gleichungssysteme Fakultät Grundlagen September 2009 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme Übersicht 1 2 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme
Praktikum Physik Radioaktivität 13GE RADIOAKTIVITÄT VERSUCHSAUSWERTUNG
RADIOAKIVIÄ VERSUCHSAUSWERUNG I. VERSUCHSZIEL Die Zerfallskurve einer radioaktiven Substanz soll aufgenommen werden. Aus dieser Zerfallskurve soll das Gesetz des radioaktiven Zerfalls hergeleitet werden.
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Oktober 2010 1 Datenpaare Korrelation Lineare Regression Regression im exponentiellen Modell Datenpaare Häufig
Das Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler
Das Doppelstern-Modell Vorgehen beim Bestimmen der Modellparameter und ihrer Fehler Udo Backhaus 29. November 2013 1 Hintergrund Das Doppelstern-Modell [1] beschreibt die Helligkeit y(t) zweier sich gegenseitig
Lösungen 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
Differenzialgleichungen
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 30. Januar 2008 (System von) Differenzialgleichung(en) Schwingungsgleichung Newtonsche Mechanik Populationsdynamik...DGLn höherer Ordnung auf
Optimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 10. Dezember 2014 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel
Modellschularbeit. Mathematik. März Teil-2-Aufgaben. Korrekturheft
Modellschularbeit Mathematik März 2014 Teil-2-Aufgaben Korrekturheft Aufgabe 1 Druckmessung in einem Behälter a) Lösungserwartung: Momentane Änderungsrate zum Zeitpunkt t = 12: p(t) = 1 64 t 3 3 16 t 2
Höhenregelung eines schwebenden Magneten
Technische Universität Berlin MRT M R T Prof. Dr.-Ing. R. King Fakultät III Institut für Prozess- und Anlagentechnik Fachgebiet Mess- und Regelungstechnik TU Berlin. Sekretariat. P2-1. Mess- und Regelungstechnik
Klausur-Übungen Gewöhnliche Differentialgleichungen - Analysis 2. x (t) = tx(t), t R
Tutor: Martin Friesen, martin.friesen@gm.de Klausur-Übungen Gewöhnliche Differentialgleichungen - Analysis 1. Man berechne alle Lösungen der Differentialgleichung: (t) = t(t), t R Wir benutzten hier den
Kapitel L. Gewöhnliche Differentialgleichungen
Kapitel L Gewöhnliche Differentialgleichungen Inhalt dieses Kapitels L000 1 Erste Beispiele von Differentialgleichungen 2 Exakte Differentialgleichungen 3 Fazit: Existenz, Eindeutigkeit, Lösungsmethoden
Workshop (Statistische) Power Analysen [im Rahmen von Open Science]
Workshop (Statistische) Power Analysen [im Rahmen von Open Science] FernUniversität in Hagen / Horst Pierdolla Workshop (Statistische) Power Analysen Grundlagen Was ist statistische Power und wozu brauchen
Systemtheorie 1. Einführung Systemtheorie 1 Formale Systeme 1 # WS 2006/2007 Armin Biere JKU Linz Revision: 1.4
Einführung intro 1 Grobklassifizierung r Methoden in der Informatik intro 2 Systemtheorie 1 Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof.
2. Elementare Lösungsmethoden
H.J. Oberle Differentialgleichungen I WiSe 2012/13 2. Elementare Lösungsmethoden A. Separierbare Differentialgleichungen. Eine DGL der Form y (t) = f(t) g(y(t)) (2.1) mit stetigen Funktionen f : R D f
TE Thermische Emission
TE Thermische Emission Blockpraktikum Herbst 2007 (Gruppe 2b) 24. Oktober 2007 Inhaltsverzeichnis 1 Grundlagen 2 1.1 Kennlinie einer Glühdiode............................. 2 2 Versuch und Auswertung 4
Systemanalyse 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.
Übungsaufgabe Numerische Lösung DGL
Kallenrode, www.sotere.uos.de Übungsaufgabe Numerische Lösung DGL 1. Bestimmen Sie die Lösung der DGL ẋ = (t 2) 2 + t x mit x(0) = 1 im Bereich von t = 0 bis t = 5 mit Hilfe des Euler schen Streckenzugverfahrens,
6.2 Die Varianzanalyse und das lineare Modell
6.2 Die Varianzanalyse und das lineare Modell Man ann die Varianzanalyse auch in einem linearen Modell darstellen. Im univariaten einfatoriellen Fall lautet die Gleichung des linearen Modells in Komponentenschreibweise:
Systemtheorie 1. Formale Systeme 1 # WS 2006/2007 Johannes Kepler Universität Linz, Österreich
Einführung 1 Systemtheorie 1 Formale Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof. Dr. Armin Biere Institut für Formale Modelle und Verifikation
Wahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
Datenblatt Lineare Systemanalyse
Datenblatt Lineare Systemanalyse Übersicht Die Lineare Systemanalyse bietet vielfältige Möglichkeiten, das Verhalten verschiedenster Systeme zu untersuchen. Dabei wird das im Allgemeinen nichtlineare Simulationsmodell
Einführung 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
Chemie Protokoll. Versuch 2 3 (RKV) Reaktionskinetik Esterverseifung. Stuttgart, Sommersemester 2012
Chemie Protokoll Versuch 2 3 (RKV) Reaktionskinetik Esterverseifung Stuttgart, Sommersemester 202 Gruppe 0 Jan Schnabel Maximilian Möckel Henri Menke Assistent: Durmus 20. Mai 202 Inhaltsverzeichnis Theorie
2. Übungsblatt zur Mathematik III für MB/MPE, LaB/WFM, VI, WI/MB
Fachbereich Mathematik Prof. Dr. J. Lang Dipl.-Math. C. Schönberger Dipl.-Math. L. Kamenski WS 007/08 6.Oktober 007. Übungsblatt zur Mathematik III für MB/MPE, LaB/WFM, VI, WI/MB Gruppenübung Aufgabe G4
1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
Praktikum Physikalische Chemie I 30. Januar Aktivierungsenergie. Guido Petri Anastasiya Knoch PC111/112, Gruppe 11
Praktikum Physikalische Chemie I 30. Januar 2016 Aktivierungsenergie Guido Petri Anastasiya Knoch PC111/112, Gruppe 11 1 Aufgabenstellung Für die Reaktion von Saccharose mit Wasser zu Glucose und Fructose
Varianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
Dierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann. 8. Übungsblatt zur Vorlesung Ökonometrie
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann 8. Übungsblatt zur Vorlesung Ökonometrie Aufgabe 1: In der Vorlesung haben wir das lineare Regressionsproblem als statistisches Problem formuliert:
C7 Differentgleichungen (DG) C7.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: Ort: Geschwindigkeit:
C7 Differentgleichungen (DG) C7.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) [Stoffgliederung im Skript für Kapitel
A= A 1 A 2. A i. A= i
2. Versuch Durchführung siehe Seite F - 3 Aufbau eines zweistufigen Verstärkers Prof. Dr. R Schulz Für die Verstärkung 'A' eines zwei stufigen Verstärkers gilt: oder allgemein: A= A 1 A 2 A= i A i A i