Mathematische Modellierung Praxis - Cheatsheet
Lineare und nichtlineare Modelle in der mathematischen Modellierung
Definition:
Lineare Modelle: Gleichungen, deren Variablen in linearer Form auftreten. Nichtlineare Modelle: Gleichungen mit nichtlinearen Termen (z.B. Quadrate, Produkte von Variablen).
Details:
- Lineares Modell: \(y = ax + b\)
- Nichtlineares Modell: \(y = ax^2 + bx + c\)
- Lineare Modelle einfacher zu lösen und zu analysieren.
- Nichtlineare Modelle flexibler, können komplexere Beziehungen darstellen.
- Linearisierung: Nichtlineares Problem in ein lineares umwandeln (z.B. Taylor-Approximation).
- Anwendung abhängig von der Problemstellung (z.B. Regressionsanalyse, Differentialgleichungen).
Dynamische Systeme und deren Anwendungen
Definition:
Studium von Systemen, deren Zustand sich im Laufe der Zeit ändert; Anwendungen in der Modellierung von physikalischen, biologischen und wirtschaftlichen Prozessen.
Details:
- Beschreibung durch Differentialgleichungen oder Differenzengleichungen
- Wichtige Konzepte: Stabilität, Attraktor, Phasenraum
- Beispiele: Wettervorhersage, Populationsdynamik, Regelungstechnik, Finanzmarktmodelle
- Analysemethoden: Numerische Simulation, Linearisierung, Lyapunov-Methoden
Stochastische Modelle und Wahrscheinlichkeitsrechnung
Definition:
Stochastische Modelle und Wahrscheinlichkeitsrechnung sind Methoden zur Analyse und Beschreibung von Zufallsprozessen und Ungewissheit.
Details:
- Wahrscheinlichkeit eines Ereignisses: \( P(A) \)
- Gesetz der großen Zahlen: Langfristige Tendenz von Zufallsereignissen.
- Zentrale Grenzwertsatz: Verteilung von Mittelwerten großer Stichproben ist normalverteilt.
- Erwartungswert: \( E(X) = \sum x \, P(X=x) \)
- Varianz: \( Var(X) = E[(X - E(X))^2] \)
- Kovarianz: Maß für die Abhängigkeit zweier Zufallsvariablen.
- Markov-Ketten: Zustandsübergänge mit Gedächtnislosigkeitseigenschaft.
- Bayessche Statistik: Update von Wahrscheinlichkeiten basierend auf neuen Daten.
Algorithmische Modellierung und Simulationstechniken
Definition:
Algorithmische Modellierung und Simulationstechniken sind Methoden, um komplexe Systeme mittels mathematischer Modelle und numerischen Algorithmen zu analysieren und vorherzusagen.
Details:
- Mathematische Modelle: Differentialgleichungen, diskrete Systeme
- Numerische Algorithmen: Euler-Verfahren, Runge-Kutta-Verfahren
- Simulationstechniken: Monte-Carlo-Simulation, Agentenbasierte Modelle
- Verifizierung und Validierung der Modelle
- Softwaretools: MATLAB, Simulink, R, Python (SciPy)
Optimierungsprobleme: Methoden und Lösungsansätze
Definition:
Optimierungsprobleme: Suche nach dem Optimum einer Zielfunktion unter gegebenen Randbedingungen.
Details:
- Mathematisches Modell: \( \text{min} / \text{max} \, f(x) \ \text{unter Nebenbedingungen} \ g_i(x) \leq 0, \ i \in I \ und \ h_j(x) = 0, \ j \in J \ )
- Lineare Optimierung: Simplexverfahren
- Nichtlineare Optimierung: Gradientenverfahren, Newton-Verfahren
- Ganzzahlige und kombinatorische Optimierung: Branch and Bound, Dynamische Programmierung
- Heuristiken: Genetische Algorithmen, Simulierte Abkühlung
Software-Tools und Programme für die Modellierung (z.B., MATLAB, R, Python)
Definition:
Details:
- MATLAB: Interagiere mit einer benutzerfreundlichen Umgebung für numerische Berechnungen, Datenvisualisierungen und Algorithmenentwicklung. Nutze integrierte Funktionen für mathematische Modellierung und Simulation.
- R: Ideal für statistische Analysen und Datenvisualisierung. Verfügbar als freie Software mit zahlreichen Paketen für spezialisierte statistische Methoden.
- Python: Vielseitige Programmiersprache, die durch Bibliotheken wie NumPy, SciPy und Matplotlib für wissenschaftliches Rechnen und Datenanalyse erweitert wird. Pandas ermöglicht umfangreiche Datenmanipulation.
Fallstudien: Verkehrsflussmodelle und Umweltmodellierung
Definition:
Fallstudien zu Verkehrsflussmodellen und Umweltmodellierung analysieren die mathematische Beschreibung und Simulation von Verkehrsdynamiken und deren Umweltauswirkungen.
Details:
- Verkehrsflussmodelle: Untersuchung der Dynamik von Fahrzeugen auf Straßen und deren Interaktionen.
- Grundlegende Modelle: z. B. Lighthill-Whitham-Richards Modell (LWR) mit der Erhaltungsgleichung \[ \frac{\text{d}\rho}{\text{d}t} + \frac{\text{d}(\rho v)}{\text{d}x} = 0 \] \rho = Verkehrsdichte, v = Geschwindigkeit
- Umweltmodellierung: Auswirkungen von Verkehrsfluss auf Emissionen und Luftqualität.
- Emissionsmodelle: Berechnung der freigesetzten Schadstoffe abhängig von Verkehrsparametern.
- Optimierungsansätze: Verbesserung des Verkehrsflusses zur Reduktion von Emissionen.
Projektarbeit: Modellentwicklung, Implementierung und Präsentation
Definition:
Projektarbeit in der Vorlesung Mathematische Modellierung: Erstellung eines mathematischen Modells, Implementierung dieses Modells und anschließende Präsentation der Ergebnisse.
Details:
- Modellentwicklung: Formulierung eines Problems, Annahmen treffen, mathematische Gleichungen aufstellen.
- Implementierung: Modell mittels Software umsetzen, z.B. in Python, MATLAB.
- Präsentation: Darstellung der Ergebnisse, Visualisierungen, Diskussion der Resultate.
- Arbeitsaufteilung: Teamarbeit, Klärung von Aufgaben und Verantwortlichkeiten.
- Dokumentation: Schriftliche Aufbereitung der Projektarbeit, inkl. Code und Analyse.