Anhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen

Ähnliche Dokumente
7 Zufallszahlen, Simulation

Wahrscheinlichkeitsverteilungen und ihre Implementierung in Root. Eric Volkmann

Zufallszahlenerzeugung

15 Grundlagen der Simulation

Nr. 4: Pseudo-Zufallszahlengeneratoren

Statistik, Datenanalyse und Simulation

Zufallszahlen erzeugen

Der Weg eines Betrunkenen

Zufallszahlen. Diskrete Simulation. Zufallszahlengeneratoren - Zufallszahlen

Grundlagen der Monte-Carlo-Simulation

Einführung (1) In der Praxis finden Sie viele Anwendungsfelder für Zufallszahlen. Beispiele

UE Algorithmen und Datenstrukturen 1 UE Praktische Informatik 1. Übung 8. Zufallszahlen Generatoren Anwendungen

Erzeugung von Pseudozufallszahlen mit Computern

1 Zufallszahlen jede Zahl gleichen Wahrscheinlichkeit Zufallszahlenfolge unabhängiger, identisch ver- teilter

Lineare Schieberegisterfolgen

Monte Carlo-Simulation

Zufallszahlen in AntBrain

Informationssicherheit III

Einführung in die Simulation. Dr. Christoph Laroque Wintersemester 11/12. Dresden,

Zufallszahlen Mathematik zum Nachbilden von Zufälligkeit SommerUni 2013 Bergische Universität Wuppertal Autor: Prof. Dr.

Statistics, Data Analysis, and Simulation SS 2015

Wahrscheinlichkeitsrechnung und Statistik

Rechnernutzung in der Physik Teil 3 Statistische Methoden der Datenanalyse

Statistics, Data Analysis, and Simulation SS 2017

Statistische Methoden der Datenanalyse

Übungsblatt 14. Lineare Algebra II, Prof. Dr. Plesken, WS 2008/09

15 Über Zufallsgeneratoren (fakultativ)

Simulation mit der Monte Carlo-Methode

Anleitung: Standardabweichung

Lineare Kongruenzgeneratoren und Quicksort

Vorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen

Programmiertechnik II

Pseudozufallsgeneratoren

Statistik I für Betriebswirte Vorlesung 4

Wahrscheinlichkeitsrechnung und schließende Statistik

Prinzipien zur Erzeugung von Zufallszahlen in der Informatik

Outline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie

Stochastik-Praktikum

Realisierung einer MC-basierten Optionspreisberechnung mit FloPoCo

Inhaltsverzeichnis. A Analysis... 9

Practical Numerical Training UKNum

Lösungshinweise Aufgabenblatt 5

Statistik für Ingenieure Vorlesung 6

Messprotokoll: Aufnahme der Quantenzufallszahl

Inhaltsverzeichnis. Vorwort zur fünften Auflage. Liste der Beispiele. Häufig benutzte Symbole und Bezeichnungen

Quantifizierung der Unsicherheit von Netzmessungen in einer Venturi-Düse bei unsicheren Zuströmbedingungen

Statistik mit MATHCAD und MATLAB

Lösung der Zusatzaufgabe

Datenanalyse für Naturwissenschaftler und Ingenieure

Elementare Stochastik

Lineare Algebra für Physiker. und skalare Vielfachbildung komponentenweise erklärt?

Modellierung- und Simulation Mathis Plewa ( )

Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken

Verteilungen mehrerer Variablen

Wahrscheinlichkeitsrechnung und schließende Statistik

Statistischer Ansatz zur Berücksichtigung von Fertigungstoleranzen in der Axialspaltauslegung von Turboverdichtern

1 Verteilungsfunktionen, Zufallsvariable etc.

Einfache Modelle für komplexe Biomembranen

Wahrscheinlichkeitsrechnung und Statistik

Statistik, Datenanalyse und Simulation

Die Persistenzlänge ist sequenzabhängig, für Poly-Serin etwa 5 AS. Der entfaltete Zustand ist Gegenstand intensiver Untersuchungen

Monte-Carlo-Methode. mit Pseudo- und Quasizufallszahlen

Wahrscheinlichkeitsrechnung und Statistik

Wirtschaftsstatistik für Studienanfänger

Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de

Einführung in die mathematische Logik

Pollards Rho-Methode zur Faktorisierung

13. Physikochemische Untersuchungen

Erzeugung von Pseudozufallszahlen

Elementare Wahrscheinlichkeitsrechnung

Einführung in die Statistik

Untersuchen Sie, ob die folgenden Abbildungen linear oder nicht linear sind. x y

Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp

Übungen mit dem Applet Zentraler Grenzwertsatz

Kapitel 2: Zufallszahlen

RRL GO- KMK EPA Mathematik. Ulf-Hermann KRÜGER Fachberater für Mathematik bei der Landesschulbehörde, Abteilung Hannover

IT-Security. Teil 15: Zufall

Experimentelle Methoden der Teilchenphysik Sommersemester 2011/2012 Albert-Ludwigs-Universität Freiburg

Lineare Transformationen und Determinanten. 10-E Ma 1 Lubov Vassilevskaya

Lösungshinweise zum Übungsblatt 10: Programmieren in C (WS 2018/19)

Motivation. Benötigtes Schulwissen. Wirtschaftswissenschaftliches Zentrum 6 Universität Basel. Statistik

Versuch P2: Irrflug und Zufallszahlengeneratoren

Statistische Datenanalyse

Spezielle Verteilungen einer Variablen

Inhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...

Pocket Cards (Winning Probabilities) 6.1 Anzahl der Kombinationen Monte Carlo Simulation Ergebnisse 6

Inhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98

Didaktisches Seminar über Stochastik. Themen: ffl Korrelation von zwei Zufallsvariablen

Operations Research Kurs 00859: Stochastische Simulation

eine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.

Transkript:

Anhang 1: Lamellare Strukturen in Systemen mit Bolaamphiphilen Charakteristische Konfigurationen von Systemen aus 1848 6-segmentigen Bolaamphiphilen (10 Vol%) im Bereich stabiler Schichtphasen. Dunkle Punkte kennzeichnen die hydrophilen Kopfsegmente. Die Angabe rechts neben den Abbildungen A-N bezeichnet die reduzierte Temperatur T *. 0.925 (A) 0.9875 (E) 1.0 (F) 1.045 (J) 1.05 (K) 0.95 (B) 1.0125 (G) 1.0625 (L) 0.9625 (C) 1.025 (H) 1.0675 (M) 0.975 (D) 1.0375 (I) 1.075 (N) 107

Anhang 2: Nichtlamellare Strukturen in Systemen mit Bolaamphiphilen Charakteristische Konfigurationen von Systemen aus 1848 6-segmentigen Bolaamphiphilen (10 Vol%) im Bereich der nichtlamellaren Phasen. Dunkle Punkte kennzeichnen die hydrophilen Kopfsegmente. Die Angabe rechts neben den Abbildungen A-N bezeichnet die reduzierte Temperatur T *. 1.08 (A) 1.15 (E) 1.2 (F) 1.25 (J) 1.3 (K) 1.09 (B) 1.2125 (G) 1.35 (L) 1.1 (C) 1.225 (H) 1.4 (M) 1.125 (D) 1.2375 (I) 1.45 (N) 108

Anhang 3: Metastabilitätseffekte in Systemen mit Bolaamphiphilen (A) Links: Konfiguration (vgl. Anhang 1-N) bei T * =1.075 (nach 8x10 6 MCS) wird nach Erhitzen auf T * =1.09 weitere 8x10 6 MCS (Mitte) untersucht. Rechts sind zwei Schnitte bei unterschiedlichen Koordinaten durch die nicht zerstörte Schicht abgebildet. (B) Links: Konfiguration (vgl. Anhang 2-A) bei T * =1.08 (7x10 6 MCS) wird nach Abkühlen auf T * =1.0675 weitere 8x10 6 MCS (Mitte) untersucht. Rechts: Querschnitt durch das entstandene Aggregat. (C) Links: Konfiguration (vgl. Anhang 2-A) bei T * =1.08 (7x10 6 MCS) wird nach Abkühlen auf T * =1.05 weitere 8x10 6 MCS (Mitte) untersucht. Rechts: Querschnitt durch das entstandene Aggregat. (D) Links: Konfiguration (vgl. Anhang 2-B) bei T * =1.09 (4x10 6 MCS) wird nach Abkühlen auf T * =1.0625 weitere 8x10 6 MCS (Mitte) untersucht. Rechts: Querschnitt durch das entstandene Aggregates. 109

Anhang 4: Mischungen aus Amphiphilen und Bolaamphiphilen Typische Aggregate aus Mischungen von 3-segmentigen Amphiphilen (hell) mit 6-segmentigen Bolaamphiphilen (dunkel) in Wasser. Die línke Spalte bezeichnet den Anteil 3-segmentiger Amphiphiler. X 3SEG T*=0.9875 T*=1.025 T*=1.050 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 110

Anhang 5: Lamellare Strukturen aus 6-segmentigen Amphiphilen Auftreten von Dichtefluktuationen (bei allen 3 Temperaturen) in der Ebene der Membranen aus 6- segmentigen Amphiphilen, out of plane-deformation ( g, h bei T*=1.250) sowie Bischichtdurchbrüche ( j, k bei T*=1.30). Die Spalten stellen jeweils eine Serie von 4 Schnappschüssen im Abstand von 10 5 Monte-Carlo-Schritten dar. Die dunklen Punkte sind hydrophile Kopfsegmente (H), die hellen Punkte stellen hydrophobe Schwanzsegmente (S) dar. Die Moleküle sind lineare Ketten der Struktur H-H-S-S-S-S. T*=1.100 T*=1.250 T*=1.300 (a) (e) (i) (b) (f) (j) (c) (g) (k) (d) (h) (l) 111

Anhang 6: Untersuchung von Korrelationen ausgewählter Zufallszahlengeneratoren Die Qualität des verwendeten Zufallszahlengenerators zur Erzeugung von Pseudo-Zufallszahlen ist eine wesentliche Voraussetzung für die korrekte Erfassung der Konfigurationsraums bei Monte-Carlo-Simulationen. Einige Generatoren liefern n-tupel, die auf einer endlichen Anzahl von Hyperebenen (n-1) liegen. Zum Test der statistischen Eigenschaften von geeigneten Zufallszahlengeneratoren wurde eine Sequenz von 1.2 x 10 11 Zahlen mit verschiedenen Generatoren erzeugt und auf Triplett- bzw. höhere Korrelationen untersucht. Für einen n-tupel-korrelationstest wird die Zahlensequenz so interpretiert, als würde sie aus aufeinanderfolgenden Koordinaten im n-dimensionalen Raum bestehen. Wenn die höchste Zufallszahl des Generators bekannt ist, können die einzelnen Werte normiert werden. Die normierten Werte wurden komponentenweise aufsummiert und die Summen in Abhängigkeit von der Anzahl in den Diagrammen A6-1 bis A6-3 dargestellt. Bei idealer Gleichverteilung der Zufallszahlen müssen die Summen der in das Intervall [-0.5... 0.5] transformierten Komponenten x i gleich Null werden. Für die in dieser Arbeit durchgeführten Monte-Carlo-Simulationen fand ein subtraktiver Generator (ran3, beschrieben in /45/) nach Knuth Verwendung, eine Beispielsequenz von 5- Tupeln zeigt Abb. A6-1. Dieser Generator ist portabel, ausreichend effizient. Bei Monte-Carlo-Simulationen häufig verwendete Generatoren beruhen auf der R250-Routine /150/. Die guten statistischen Eigenschaften dieser Methode führten zu ihrer Verbreitung, sie hängen jedoch stark von den Startparametern ab. Die 5-Tupel-Analyse einer Sequenz von 1.2x10 11 mit diesem Generator erzeugten Zahlen ist in Abb. A6-2 gezeigt. Als weiteres Beispiel ist ein einfacher multiplikativer Generator untersucht worden. Dieser Generator erzeugt eine Sequenz von Zufallszahlen im wesentlichen nach der Vorschrift wie beispielsweise xi+ 1 = xi 1812433253+ 314159265, wobei bei der Implementation das höchstwertigste Bit der Zahlenrepräsentation im Falle eines Überlaufs abgeschnitten werden muß. Damit ist klar, daß sich die erzeugte Zahlenfolge auf einer Architektur mit k-bits jedesmal nach 2 k-1 Iterationen wiederholt. Das ergibt auf 32-Bit-Systemen eine Periodenlänge von nur 2.1 x 10 9 Zahlen. Eine 5-Tupel-Analyse ist in Abb. A6-3 gezeigt. Hier wird sofort deutlich, daß nur eine begrenzte Menge von Zahlen erzeugt wird. Aus dem letzten Beispiel wird deutlich, wie wichtig die Untersuchung der Eigenschaften des verwendeten Zufallszahlengenerators ist. 0.002 Abweichung x(i) vom Erwartungswert 0.001 0.000-0.001 x(1) x(2) x(3) x(4) x(5) Anzahl von erzeugten Zufallstzahlen -0.002 0 1E+10 2E+10 3E+10 4E+10 5E+10 6E+10 7E+10 8E+10 9E+10 1E+11 1.1E+11 1.2E+11 Abb. A6-1: Test auf 5-Tupel-Korrelation beim Knuth-ran3-Generator, Aufgetragen sind die laufenden Summen der x(i)-komponenten (1.2 x 10 11 Zahlen), transformiert in das Intervall [-0.5... 0.5]. 112

Abweichung x(i) vom Erwartungswert 0.002 0.001 0-0.001 x(1) x(2) x(3) x(4) x(5) Anzahl von erzeugten Zufallszahlen -0.002 0.0E+00 2.0E+10 4.0E+10 6.0E+10 8.0E+10 1.0E+11 1.2E+11 Abb. A6-2: Test auf 5-Tupel-Korrelation beim R250-Generator, Aufgetragen sind die laufenden Summen der x(i)-komponenten (1.2 x 10 11 Zahlen). Abweichung vom Erwartungswert 0.0005 0.0004 0.0003 0.0002 0.0001 0-0.0001 x(1) x(2) x(3) x(4) x(5) -0.0002-0.0003-0.0004 Anzahl von erzeugten Zufallszahlen -0.0005 0.0E+00 2.0E+10 4.0E+10 6.0E+10 8.0E+10 1.0E+11 1.2E+11 Abb. A6-3: Test auf 5-Tupel-Korrelation beim multiplikativen Generator. 113