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