Simulation und Wissenschaftliches Rechnen 1 - Cheatsheet.pdf

Simulation und Wissenschaftliches Rechnen 1 - Cheatsheet
Simulation und Wissenschaftliches Rechnen 1 - Cheatsheet Grundlagen und Definitionen von Simulation Definition: Simulation: Nachbildung eines Systems/einer realen Umgebung zu Analysezwecken. Details: Verwendung: Untersuchung komplexer Systeme/Prozesse Basis: Mathematische Modelle und Algorithmen Typen: Stochastisch (zufallsbasiert) und deterministisch (festgelegte Regeln) Ziel: Prognose, Optimieru...

© StudySmarter 2024, all rights reserved.

Simulation und Wissenschaftliches Rechnen 1 - Cheatsheet

Grundlagen und Definitionen von Simulation

Definition:

Simulation: Nachbildung eines Systems/einer realen Umgebung zu Analysezwecken.

Details:

  • Verwendung: Untersuchung komplexer Systeme/Prozesse
  • Basis: Mathematische Modelle und Algorithmen
  • Typen: Stochastisch (zufallsbasiert) und deterministisch (festgelegte Regeln)
  • Ziel: Prognose, Optimierung, Validierung
  • Beispiele: Wettervorhersage, Verkehrssimulation, Produktionsplanung

Fehleranalyse und numerische Stabilität

Definition:

Fehleranalyse untersucht, wie Rundungsfehler, Abschneidefehler und Modellierungsfehler die Genauigkeit von numerischen Berechnungen beeinflussen. Numerische Stabilität hingegen beschreibt, wie sensibel ein Algorithmus auf kleine Änderungen in den Eingabewerten reagiert.

Details:

  • Rundungsfehler: Fehler durch begrenzte Präzision im Computer
  • Abschneidefehler: Fehler durch die Approximation von unendlichen Reihen oder Integralen
  • Modellierungsfehler: Diskrepanz zwischen realem Problem und dessen numerischem Modell
  • Absolute Fehler: \(|x - \tilde{x}|\)
  • Relative Fehler: \(\frac{|x - \tilde{x}|}{|x|}\)
  • Voraussetzung für Stabilität: Algorithmus bleibt für kleine Eingangsänderungen robust
  • Vorwärtsfehleranalyse: Untersucht, wie Fehler in den Eingabewerten das Ergebnis beeinflussen
  • Rückwärtsfehleranalyse: Untersucht, wie Eingabewerte geändert werden müssten, um das exakte Ergebnis zu erhalten

Numerische Integration und Differenzierung

Definition:

Numerische Methoden zur Approximation von Integralen und Ableitungen diskreter Daten.

Details:

  • Numerische Integration: Approximierung von Integralen einer Funktion.
  • Trapezregel: \( \frac{b-a}{2} [f(a) + f(b)] \)
  • Simpson-Regel: \( \frac{b-a}{6} [f(a) + 4f(\frac{a+b}{2}) + f(b)] \)
  • Numerische Differenzierung: Approximierung der Ableitung einer Funktion.
  • Vorwärtsdifferenzenquotient: \( f'(x) \approx \frac{f(x+h)-f(x)}{h} \)
  • Zentraldifferenzenquotient: \( f'(x) \approx \frac{f(x+h)-f(x-h)}{2h} \)

Lösungsverfahren für lineare und nichtlineare Gleichungssysteme

Definition:

Methoden zur Lösung von Gleichungssystemen in Simulation und wissenschaftlichem Rechnen.

Details:

  • Lineare Gleichungssysteme: Ax = b
  • Methoden: Direkte Verfahren (z.B. Gauss, LU-Zerlegung) und Iterative Verfahren (z.B. Jacobi, Gauss-Seidel, Conjugate Gradient)
  • Nichtlineare Gleichungssysteme: f(x) = 0
  • Methoden: Newton-Verfahren, Modifizierte Newton-Verfahren, und Broyden-Verfahren
  • Konditionierung und Stabilität beachten
  • Bedeutung der Konvergenzgeschwindigkeit
  • Anwendung in Simulationen und wissenschaftlicher Berechnung

Validierung und Verifikation von Modellen

Definition:

Validierung prüft, ob Modell realistisches Verhalten zeigt; Verifikation prüft, ob Modell korrekt implementiert ist.

Details:

  • Validierung: Modellvergleich mit realen Daten
  • Verifikation: Fehlerfreiheit des Programmcodes
  • Validierungsmethoden: Sensitivitätsanalyse, Vergleich mit experimentellen Daten
  • Verifikationsmethoden: Code-Reviews, Unittests

Monte-Carlo-Methoden und Simulation

Definition:

Monte-Carlo-Methoden verwenden zufällige Probenahme zur numerischen Approximation komplexer mathematischer Probleme.

Details:

  • Verwendung in Integration, Optimierung und Wahrscheinlichkeitssimulation.
  • Zufallszahlengenerator erforderlich.
  • Konvergenzrate typischerweise proportional zu \( \frac{1}{\sqrt{N}} \), wobei \( N \) die Anzahl der Proben ist.
  • Beispiele: Monte-Carlo-Integration, Monte-Carlo-Pi-Berechnung.

Dynamische Systeme und Differentialgleichungen

Definition:

Dynamische Systeme beschreiben die zeitliche Entwicklung von Zuständen eines Systems. Differentialgleichungen sind Werkzeuge zur Modellierung dieser Systeme durch mathematische Gleichungen.

Details:

  • Typischerweise erste Ordnung: \( \dot{x}(t) = f(x(t), t) \)
  • Anfangsbedingungen bestimmen die Lösung eindeutig.
  • Stabilité dans le temps: Stabil, instabil, asymptotisch stabil.
  • Diskret (Iteration) vs. kontinuierlich (Differentialgleichungen).
  • Numerische Verfahren: Euler, Runge-Kutta.

Einführung in Tools wie MATLAB und Python

Definition:

Einführung in die Nutzung von MATLAB und Python für wissenschaftliches Rechnen und Simulation.

Details:

  • MATLAB: Leistungsstarke Umgebung für numerische Berechnungen und Visualisierungen.
  • Python: Vielseitige Sprache mit Bibliotheken wie NumPy und SciPy für wissenschaftliches Rechnen.
  • Vektor- und Matrizenoperationen: In beiden Tools zentral für numerische Analysen.
  • Skripte und Funktionen: Ermöglichen Automatisierung und Wiederverwendung von Code.
  • Plotten und Visualisierung: MATLAB (plot, surf), Python (matplotlib, seaborn).
  • Bibliotheken: MATLAB (Toolboxen), Python (pandas, matplotlib, scipy).
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