Mathematische Modellierung Theorie - Cheatsheet.pdf

Mathematische Modellierung Theorie - Cheatsheet
Mathematische Modellierung Theorie - Cheatsheet Einführung in lineare Gleichungssysteme Definition: Systeme aus mehreren linearen Gleichungen, die simultan gelöst werden müssen. Details: Allgemeine Form: \[ Ax = b \] \( A \): Koeffizientenmatrix \( x \): Vektor der Variablen \( b \): Ergebnisvektor Methoden zur Lösung: Gaussian Elimination, Cramersche Regel, Matrixinversion Lösungsmöglichkeiten: e...

© StudySmarter 2024, all rights reserved.

Mathematische Modellierung Theorie - Cheatsheet

Einführung in lineare Gleichungssysteme

Definition:

Systeme aus mehreren linearen Gleichungen, die simultan gelöst werden müssen.

Details:

  • Allgemeine Form: \[ Ax = b \]
  • \( A \): Koeffizientenmatrix
  • \( x \): Vektor der Variablen
  • \( b \): Ergebnisvektor
  • Methoden zur Lösung: Gaussian Elimination, Cramersche Regel, Matrixinversion
  • Lösungsmöglichkeiten: eindeutig, unendlich viele, keine
  • Erweiterte Koeffizientenmatrix für Gaussian Elimination: \[ [A|b] \]

Regression und lineare Schätzung

Definition:

Berechnung einer Linie, die die Beziehung zwischen unabhängigen und abhängigen Variablen beschreibt.

Details:

  • Lineares Modell: \( y = \beta_0 + \beta_1 x + \epsilon \)
  • Ziel: Minimierung der Summe der quadrierten Abweichungen (Fehler) \( \sum (y_i - (\beta_0 + \beta_1 x_i))^2 \)
  • Schätzer für \(\beta_0\) und \(\beta_1\) mittels Kleinste-Quadrate-Methode: \( \hat{\beta_1} = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2} \)
  • \( \hat{\beta_0} = \bar{y} - \hat{\beta_1} \bar{x} \)

Numerische Methoden zur Lösung nichtlinearer Gleichungen

Definition:

Numerische Methoden zur Lösung nichtlinearer Gleichungen befassen sich mit der Bestimmung der Nullstellen von Funktionen, die nicht-linear sind.

Details:

  • Einfachste Methode: Bisektionsmethode (Intervallhalbierungsverfahren)
  • Schnellere Konvergenz: Newton-Verfahren (benötigt Ableitung)
  • Sekantenverfahren: Keine Ableitungen erforderlich
  • Fixpunktiteration: für Funktionen umgestellt auf Fixpunktform
  • Konvergenz: Abhängig von Wahl des Startwerts und Eigenschaften der Funktion
  • Kombinationen und Adaptationen: Brent's Methode, Hybridverfahren

Bifurkationstheorie und Chaos

Definition:

Untersucht das Verhalten dynamischer Systeme, wenn ein Parameter geändert wird, und das Auftreten von Chaos.

Details:

  • Bifurkation: Qualitative Änderung des Systemverhaltens bei Parameteränderung.
  • Beispiele: Sattel-Knoten, Pitchfork, Hopf-Bifurkationen.
  • Chaos: Sensible Abhängigkeit von Anfangsbedingungen, deterministisches System mit scheinbar zufälligem Verhalten.
  • Beispiel: Lorenz-Attraktor.
  • Mathematisch: Lösung analysiert durch Differentialgleichungen \(\dot{x} = f(x, \mu)\)
  • Bifurkationsdiagramme zur Visualisierung.

Grundlagen der Differentialgleichungen

Definition:

Grundlegende Konzepte und Methoden zur Lösung von Differentialgleichungen, die in Informatik und mathematischer Modellierung verwendet werden.

Details:

  • Differentialgleichung: Gleichung mit Unbekannten und deren Ableitungen
  • Ordnung: höchste auftretende Ableitung
  • Partikuläre Lösung: spezifische Lösung einer inhomogenen Differentialgleichung
  • Homogene Lösung: Lösung der zugehörigen homogenen Differentialgleichung
  • Lineare Differentialgleichung: Linearkombination der Funktion und ihrer Ableitungen
  • Lösungsmethoden: Trennung der Variablen, Integrationsfaktor, Variation der Konstanten, Laplace-Transformation
  • Rand- und Anfangsbedingungen: zusätzliche Bedingungen zur eindeutigen Bestimmung der Lösung

Markov-Ketten und zufällige Prozesse

Definition:

Stochastischer Prozess, bei dem der nächste Zustand nur vom aktuellen Zustand abhängt und nicht von den vorherigen Zuständen.

Details:

  • Ein Markov-Prozess ist durch die Übergangswahrscheinlichkeiten definiert.
  • Markov-Kette: diskrete Zustände und Zeitpunkte.
  • Übergangsmatrix: \(P = (p_{ij})\) mit \(p_{ij} = P(X_{n+1} = j \mid X_n = i)\).
  • Absorbing states: Zustände, die einmal erreicht, nicht verlassen werden.
  • Stationäre Verteilung: \(\pi P = \pi\) und \(\sum_{i} \pi_i = 1\).
  • Eigenschaft für Zeit-Homogenität: Übergangswahrscheinlichkeiten sind zeitinvariant.

Stochastische Differentialgleichungen

Definition:

SDEs beschreiben Systeme, die zufällige Einflüsse berücksichtigen. Typisch verwendet für Modellierung in Finanzmathematik, Naturwissenschaften, Ingenieurwesen.

Details:

  • Allgemeine Form: \ dX_t = \mu(X_t, t) \ dt + \sigma(X_t, t) \ dW_t
  • X_t: stochastischer Prozess
  • \mu(X_t, t): Drift-Term
  • \sigma(X_t, t): Diffusion-Term
  • dW_t: Wiener-Prozess (Brown'sche Bewegung)
  • Lösungsmethoden: explizite, implizite Verfahren; Euler-Maruyama, Milstein-Schema
  • Anwendungen: Finanzmodelle (z.B. Black-Scholes), physikalische Prozesse (z.B. Brownsche Bewegung), maschinelles Lernen
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden