Dynamik von infektiösen Krankheiten: Epidemiemodelle und AIDS - Teil 4
|
|
- Günter Richter
- vor 6 Jahren
- Abrufe
Transkript
1 Dynamik von infektiösen Krankheiten: Epidemiemodelle und AIDS - Teil 4 Patrick Klein Quelle: J. D. Murray: Mathematical Biology: I. An Introduction, Third Edition, Springer
2 Gliederung 1 Rindertuberkulose - Infektionen bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 2 Modellierung von Kontrollstrategien für RT bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 3 Fazit
3 Titel 1 Rindertuberkulose - Infektionen bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 2 Modellierung von Kontrollstrategien für RT bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 3 Fazit
4 Rindertuberkulose Heimtückische Krankheit (z.b. Dachse, Rinder, Schweine) Wegen ihrer Populationsdichte sind Dachse in Süd-Westen Englands ein bedeutender Grund der Verbreitung der Krankheit (gemeinsamer Lebensraum mit Rindern) Übertragung der Krankheit zwischen Dachsen und Rindern ist möglich (durch Ausscheidungen, offene Wunden, Salzsteine, Wasserstellen,usw.) Bakterien werden nicht immer sofort vom Sonnenlicht abgetötet; sie können einige Wochen lang überleben
5 Titel 1 Rindertuberkulose - Infektionen bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 2 Modellierung von Kontrollstrategien für RT bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 3 Fazit
6 Mathematisches Modell Kreuzraster-Modell für Rindertuberkulose Ausgangspunkt: 2 getrennte Populationen (Dachse und Rinder), eine Krankheit (RT) Ziel: Modellierung des Ansteckuckungsverhalten der Krankheit bezüglich der beiden Populationen Wir verwenden ein SI-Typ Modell mit Berücksichtigung der Altersstrucktur (S=Susceptible, I=Infectious)
7 Annahmen: Mathematisches Modell die Sterberaten beider Populationen sind konstant infizierte Tiere sterben oder erholen sich (keine Immunität) Tod durch RT ist im Vergleich zum natürlichen Tod vernachlässigbar (Cheeseman et al. 1988) Wir legen folgende Variablen fest: U = anfällige Dachse W = infizierte Dachse r = Genesungsrate Dachse β 1 = Ansteckungsrate der Dachse untereinander β 2 = Ansteckungsrate Dachse-Rinder µ = Sterberate Dachse γ = Geburtenrate Dachse Bei Rindern: Ũ, W, r,...
8 Mathematisches Modell Quelle: J. D. Murray (2002): Mathematical Biology: I. An Introduction, Third Edition, Springer
9 Mathematisches Modell U t W t Ũ t W t Ansteckungsgefahr: + U a = λ 1U + rw µu + W a = λ 1U rw µw + Ũ a = λ 1 Ũ + r W µũ + W a = λ 1 Ũ r W µũ (D) (R) λ 1 (t) = β 1 W (t, a)da + β 2 W (t, a)da 0 λ1 (t) = β 1 W (t, a)da + β 2 W (t, a)da 0 0 0
10 Mathematisches Modell Anfängliche Altersstruktur für t = 0 U(0, a) = U 0 (a), W (0, a) = W 0 (a), Ũ(0, a) = Ũ0(a), W (0, a) = W0 (a) mit weiteren Randbedingungen N(t, 0) = γ Ñ(t, 0) = γ 0 0 N(t, a)da = γn(t), t > 0 Ñ(t, a)da = γn(t), t > 0
11 Mathematisches Modell Wenn wir annehmen, dass die Geburtenraten den Sterberaten entsprechen und alle Neugeborenen anfällig für RT sind, dann sind U(t, 0) = N(t, 0) = γn(t), W (t, 0) = 0, Ũ(t, 0) = Ñ(t, 0) = γñ(t), W (t, 0) = 0 unsere neuen Randbedingungen. (γn(t) = Geburten) Für alle t erhalten wir die Altersstruktur N(t, a) = γn(t) exp( a 0 µ(s)ds) = γn(t)m(a), a Ñ(t, a) = γñ(t) exp( µ(s)ds) = γñ(t) m(a) Wobei die Funktionen m(a) und m(a) die Überlebenswahrscheinlichkeiten bis zum Alter a darstellen. 0
12 Mathematisches Modell Wir wollen das System nun entdimensionalisieren, indem wir u(t, a) = ũ(t, a) = U(t, a) W (t, a), w(t, a) = N(t, a) N(t, a) Ũ(t, a) Ñ(t, a), w(t, a) = W (t, a) Ñ(t, a) setzten. Wir passen nun u(t, a), w(t, a), ũ(t, a) und w(t, a) gerichtet nach ihren max. Werten an und setzten τ = rt und α = ra, dann erhalten wir das dimensionslose System u τ + u α = 1 r λ 1u + w w τ + w α = 1 r λ 1u w ũ τ + ũ α = 1 r λ 1 ũ + w w τ + w α = 1 r λ 1 ũ w
13 Mathematisches Modell Die Randbedingungen sind dann u(τ, 0) = 1, w(τ, 0) = 0, ũ(τ, 0) = 1, w(τ, 0) = 0 und die Anfangsbedingungen sind u(0, α) = u 0 (α), ũ(0, α) = ũ 0 (α), w(0, α) = w 0 (α), w(0, α) = w 0 (α).
14 Mathematisches Modell Die Ansteckungsgefahr ist gegeben durch (D) λ 1 (τ) = β 1 r (R) λ 1 (τ) = β 1 r 0 0 w(τ, α)n(τ, α)dα + β 2 r w(τ, α)ñ(τ, α)dα + β 2 r 0 0 w(τ, α)ñ(τ, α)dα w(τ, α)n(τ, α)dα Die Stärke der Ansteckungsgefahr ist ausschlaggebend ob eine Epidemie ausbricht. Die Einschätzung der λ s spielt also eine wichtige Rolle. Einfach formuliert kann man sagen: Ist λ > 1, dann wird mehr als ein anfälliges Tier von einem infizierten Tier angesteckt.
15 Mathematisches Modell Um Lösungen für unser Problem zu finden betrachten wir den Zustand eines Gleichgewichts (nach einer gewissen Zeit erreicht): Alle / τ = 0 da τ, m.h. der Randbedingungen berechnen wir die Ansteckungsgefahr des Gleichgewichtszustandes (D) λ 2 = β 1λ 2 γn r(λ 2 + r) β 2 λ 2 γñ r( λ 2 + r) (R) λ2 = β 1 λ2 γñ r( λ 2 + r) 0 0 β 2 λ 2 γn r(λ 2 + r) 0 m(α)[1 exp( λ 2 r )α]dα + 0 m(α)[1 exp( λ 2 r )α]dα m(α)[1 exp( λ 2 r )α]dα + m(α)[1 exp( λ 2 r )α]dα
16 Mathematisches Modell Wir nehmen an µ(a) und µ(a) sind Konstanten, dann ist m(α) = e µa und m(α) = e µa Zur Veranschaulichung nehmen wir an β 1 = 0 (d.h. die Ansteckungsgefahr innerhalb einer Population ist vernachlässigbar) und die Sterberaten sind konstant, dann erhalten wir (D) (R) λ 2 = β 2 λ 2 γñ λ 2 + r [ 1 µ (1 e µl ) 1 λ 2 + r + µ (1 e ( λ+ r+ µ)l )] λ 2 = β 2 λ 2 γn λ 2 + r [ 1 µ (1 1 e µl ) λ 2 + r + µ (1 e (λ2+r+µ)l )] Dabei stellt L die Lebenserwartung dar.
17 Mathematisches Modell Für große L gilt λ 2 λ 2 = β 2 γñ µ( λ 2 + r + µ), λ 2 λ 2 = β 2 γn µ(λ + rµ) und 1 = β 2 β 2 γ γnñ µ µ(λ 2 + r + µ)( λ 2 + r + µ) oder β 2 N µ(λ 2 + r + µ) = [ β 2 γñ µ( λ 2 + r + µ) ] 1 Um die Resultate interpretieren zu können müssen wir nun geeignete Parameterwerte finden.
18 Parametereinschätzung Parameterwerte werden benötigt um zuverlässige Aussagen über die Übertragungsraten der Krankheit machen zu können Es ist schwierig Felddaten zu erlangen Die LPS Methode (Logical Parameter Search Method) von Bentil und Murray (1993) ist ein Online-Suchverfahren bei dem Wertebereiche gesucht und überprüft werden um aus diesen sinnvolle Parameterwerte zusammenzustellen
19 Quelle: J. D. Murray (2002): Mathematical Biology: I. An Introduction, Third Edition, Springer Parameterschätzung
20 Parameterschätzung Mit diesen Werten kann man die zeitabhängige Ansteckungsgefahr graphisch darstellen: Quelle: J. D. Murray (2002): Mathematical Biology: I. An Introduction, Third Edition, Springer
21 Resultate und Vorhersagen Bisherige Ergebnisse: Das Verhältnis der beiden Ansteckungskräfte von Dachsen und Rindern ist umgekehrt proportional Kann man also die Verbreitung der Krankheit bei beiden Populationen durch Beobachtung von nur einer dieser vorhersagen? Antwort: Nein, da die Variation des Grades der Kontaktaufnahme zu groß ist (D. wandern gelegentlich), des Weiteren haben wir nur Infizierung durch Wunden, Luft usw. betrachtet, nicht z.b. Mutter-Kind-Infizierungen
22 Quelle: J. D. Murray (2002): Mathematical Biology: I. An Introduction, Third Edition, Springer Parameterschätzung
23 Titel 1 Rindertuberkulose - Infektionen bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 2 Modellierung von Kontrollstrategien für RT bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 3 Fazit
24 Biologische Grundlagen Vorbemerkungen: Ausrottung der Krankheit wurde versucht durch Test- und Schlachtprogramme bei Rindern (von 5 % auf 0,03 % in den USA) Ausrottung von Dachs-Gruppierungen in England durch Vergasungen (kein Erfolg und nicht zu duldende Methode) Murray und Bentil entwickelten eine alternative Methode Modellieren von speziellen Impfkampagnen mit dem Ziel der Minimierung der Ansteckungsgefahr von Dachsen und Rindern untereinander
25 Titel 1 Rindertuberkulose - Infektionen bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 2 Modellierung von Kontrollstrategien für RT bei Dachsen und Rindern Biologische Grundlagen Mathematisches Modell 3 Fazit
26 Mathematisches Model Die altersspezifischen Impfraten definieren wir als c(a) bzw. c(a). Unser vorheriges Modell wird also ergänzt zu U t W t Z t Ũ t W t Z t + U a = [λ 1 + c(a)]u + rw µu + W a = λ 1U rw µw + Z a = c(a)u µz + Ũ a = [ λ 1 + c(a)]ũ + r W µũ + W a = λ 1 Ũ r W µ W + Z a = c(a)ũ µ Z
27 Mathematisches Model Seien Z und Z die immunen Klassen, dann ist die anfängliche Altersstruktur U(0, a) = U 0 (a), W (0, a) = W 0 (a), Z (0, a) = Z 0 (a), Ũ(0, a) = Ũ0(a) W (0, a) = W0 (a) Z (0, a) = Z0 (a) mit den Randbedingungen U(t, 0) = N(t, 0) = γn(t), W (t, 0) = Z (t, 0) = 0 Ũ(t, 0) = Ñ(t, 0) = γñ(t), W (t, 0) = Z (t, 0) = 0 wobei γn(t) = Anzahl der Geburten und die Altersstruktur ist die unseres ersten Modells.
28 Mathematisches Model Wir skalieren wieder um u(t, a) = ũ(t, a) = U(t, a) W (t, a) Z (t, a), w(t, a) =, z(t, a) = N(t, a) N(t, a) N(t, a) Ũ(t, a) Ñ(t, a), w(t, a) = W (t, a) Ñ(t, a), z(t, a) = Z (t, a) Ñ(t, a) und weiter: τ = rt, α = ra (Dachse) bzw. α = ra (Rinder)
29 Mathematisches Model Das dimensionslose System lautet: u τ + u α = 1 r (λ 1 + c)u + w w τ + w α = 1 r λ 1u w z τ + z α = 1 r cu ũ τ + ũ α = 1 r λ 1 ũ + w w τ + w α = 1 r ( λ 1 + c)ũ w z τ + z = c α 1 r
30 Mathematisches Model Mit der Impfung werden nun Anteile f, g, f und g zum Alter T 1 und T 2 T 1 immun. Die Bedingungen beim Alter T 1 bzw T 2 sind dann u(t 1 + 0) = (1 f )u(t 1 0); u(t 2 + 0) = (1 g)u(t 2 0) ũ(t 1 + 0) = (1 f )ũ(t 1 0); ũ(t 2 + 0) = (1 g)ũ(t 2 0) Die Ansteckungsgefahr λ 2 bzw. λ 2 ist die des Gleichgewichtzustandes (D) λ 2 = β 1 r (R) λ2 = β 1 r 0 0 w(α)n(α)dα + β 2 r w(α)ñ(α)dα + β 2 r 0 0 w(α)ñ(α)dα w(α)n(α)dα
31 Mathematisches Model Mit den bisherigen Lösungen bekommen wir u(α) = 1 λ 2 +r (1 f ) λ 2 +r (Bei den Rindern) [ ] r + λ 2 exp( λ 2 r 1)α [ ] r + λ 2 exp( λ 2 r 1)α [ ] (1 f )(1 g) λ 2 +r r + λ 2 exp( λ 2 r 1)α für 0 α < rt 1 für rt 1 α < rt 2 rt 2 α Beim Gleichgewichtszustand ist das Verhältnis der Quote der Neuerkrankungen ρ 0 zum Anteil der anfälligen Tiere u e ρ 0 u e = 1
32 Mathematisches Model In dem Zusammenhang kann die Gleichgewichtszahl an Neuerkrankungen mit bzw. falls µ eine Konstante ist ρ 0 γ r 2 ρ 0 u(a)n(a)da = u(α)e (µ/r)α dα = 1 integriert werden und mit unserem u(α) erhalten wir ρ 0 γ r [ ] 1 fe µt 1 (1 f )ge µt 2 λ 2 + r µ λ ] 2 + [1 fe (λ 2+r+µ)T 1 (1 f )ge (λ 2+r+µ)T 2 = 1 λ 2 + r + µ
33 Mathematisches Model Angenommen es existiert nur eine Impfung im Alter T 1, also g = 0 erhalten wir { } ρ 0 γ r λ 2 + r µ [1 fe µt 1 λ 2 ] + λ 2 + r + µ [1 fe (λ 2+r+µ)T 1 ] = 1 und { ρ 0 γ r λ 2 + r µ [1 f e µt 1 ] + für Dachse und Rinder. } λ 2 λ 2 + r + µ [1 f e ( λ 2 + r+ µ)t 1 ] = 1
34 Mathematisches Model M.H. der letzten beiden Gleichungen können die λ 2 bestimmt werden, indem man die ρ 0 anhand von Daten abschätzt und dann die λ 2 bezüglich f und T 1 ausrechnet. Die effektive Rate der Neuerkrankungen ρ verhält sich zu ρ 0 wie folgt: ρ = ρ 0 u e = ρ 0 (1 f ) wobei u e der Anteil der anfälligen Tiere und f der Anteil zeitweise immuner Tiere ist.
35 Mathematisches Model Um eine Krankheit mit Schutzimpfungen auszulöschen, ist es wichtig, den Zustand einer Herdenimmunität zu erreichen. Herdenimmunität bedeutet, dass der Anteil der anfälligen Tiere einer Herde klein genug ist, sodass bei der Infizierung eines Tieres bzw. durch das Hinzustoßen eines infizierten Tieres die Krankheit nicht ausbricht. Es wird als indirekter Schutz angesehen, bei dem ein großer Teil der Tiere geimpft wird, ohne jedoch alle impfen zu müssen.
36 Mathematisches Model Ziel ist also λ 2 0 und λ 2 0, dh. jedes infizierte Tier steckt weniger als ein anderes Tier an. ρ 0 [1 f exp( µt 1 )] 1 Wir benötigen also einen gewissen Anteil an immunen Dachsen bzw. Rindern, um einen kritischen Wert zu überschreiten: f c = (1 1 ρ 0 ) exp( T 1 L ); fc = (1 1 ρ 0 ) exp( T 1 L ) d.h. ein Anteil, der größer ist als f c bzw. f c, sollte immun sein. Diesbezüglich existieren unterschiedliche Faktoren, die diese Schutzmaßnahmen beeinflussen, wie z.b. Geburtsraten, Sterberaten,...
37 Kontrollprogramme und ihre Durchführung Wir machen folgende Annahmen: (i) Die Infizierung mit RT bei Dachsen und Rindern ist ein endogener Prozess. (ii) Die schützende Wirkung einer Impfung lässt mit einer Quote von 5% pro Jahr nach und bietet 66% Schutz. Durchführung einer Impfung durch: speziell verabreichte Nahrung über die Atemwege nur effektiv bei Rindern
38 Kontrollprogramme und ihre Durchführung 3 unterschiedliche Impfmethoden: 66% Impfung (66 % im Alter von 1 Jahr; wirkt 5 Jahre) 66%+66% Impfung (eine Impfung mit einem Jahr, nächste mit 5 Jahren; wirkt 9 Jahre) Methode der bevorzugten Impfung (Preferred Vaccination Policy) von Frerichs und Prawda (1975)
39 Methode der bevorzugten Impfung Ein Gebiet wird in Teilgebiete aufgeteilt und diese werden nach der potenziellen Gefahr des Ausbrechens der Krankheit geordnet. Impfteams werden dann zur jeweils am höchsten eingestuften Teilregion beordert. Dieses Risiko kann für jedes Teilgebiet wie folgt berechnet werden: R i,t = C i U i,t j=1 C i(j)u i(j),t R i,t = Risiko für die Teilregion i zum Zeitpunkt t C i = Anteil der D. bzw R. aus Region i im Verhältnis zu den benachbarten Regionen U i,t = Anzahl der anfälligen D. bzw R. in Region i zum Zeitpunkt t i(j) bezeichnet benachbarte Regionen j
40 Ein Zellulärer Automat als Modell für die praktische Anwendung Definition: Zelluläre oder auch zellulare Automaten dienen der Modellierung räumlich diskreter dynamischer Systeme. hier: Konkrete Umsetzung einer PVP Wir legen folgende Größen fest: Populationsdichte Dachse (Rinder)= 0,6 (0,4) Dauer der Krankheit= 3 Monate Ansteckungswahrscheinlichkeiten: R-R = 0,25; R-D = 0,1; D-R = 0,75 t = 0,20,40 und 60
41 Simulation einer Infektionsverbreitung ohne Impfungen Quelle: J. D. Murray (2002): Mathematical Biology: I. An Introduction, Third Edition, Springer
42 Simulation einer Infektionsverbreitung m.h. einer PVP Quelle: J. D. Murray (2002): Mathematical Biology: I. An Introduction, Third Edition, Springer
43 Quelle: J. D. Murray (2002): Mathematical Biology: I. An Introduction, Third Edition, Springer Mögliches Szenario
44 Fazit Der Ausbruch einer Epidemie kann mit Hilfe eines mathematischen Modells vorrausgesagt werden Kontrollprogramme, basierend auf mathematischen Modellen, können den Ausbruch einer Epidemie verhindern Aber: Es können keine 100-prozentigen Aussagen getroffen werden, da oft zuverlässige Parameterwerte fehlen und die mathematischen Modelle sehr allgemein sind und nicht auf alle Faktoren eingehen können Modellierung dient sowohl Epidemiologen als auch Umweltforschern (trotz unterschiedlicher Zielsetzungen)
Temperaturabhängige Geschlechtsbestimmung (TSD) bei Krokodilen
1 / 45 Temperaturabhängige Geschlechtsbestimmung (TSD) bei Krokodilen J. D. Murray: Mathematical Biology: I. An Introduction, Third Edition, Springer Ina Förster 13. November 2012 2 / 45 Sitzungsablauf
MehrRäuber-Beute-Modelle, Auslese/Schwellensatz
Räuber-Beute-Modelle, Auslese/Schwellensatz Mareike Franz und Brigitte Steinhauser 15. Dezember 2008 1 / 37 1 Räuber-Beute-Modelle 2 Prinzip der Auslese durch Wettbewerb 3 Schwellensatz der Epidemiologie
MehrEin Einfaches AIDS Modell
Ein Einfaches AIDS Modell Martin Bauer: 990395 Guntram Rümmele: 99008 Das SIR - Modell Die Modellierung von epidemischen Modellen hat schon lange Tradition. Man hat schon immer versucht Erklärungen für
MehrBeispiel: Evolution infizierter Individuen
Differentialgleichungen sind sehr nützlich in der Modellierung biologischer Prozesse, denn: damit kann man auch sehr komplizierte Systeme beschreiben die Mathematik liefert mit der gut entwickelten Theorie
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrPopulations Modelle Das Lotka-Volterra Model. Robin Gwinner Seminarleiterin: Dr. Iryna Rybak
Populations Modelle Das Lotka-Volterra Model Robin Gwinner Seminarleiterin: Dr. Iryna Rybak 04.05.2016 Motivation Rote Liste: Motivation Rote Liste: Motivation Rote Liste: Motivation Motivation Motivation
Mehr3. Prozesse mit kontinuierlicher Zeit
3. Prozesse mit kontinuierlicher Zeit 3.1 Einführung Wir betrachten nun Markov-Ketten (X(t)) t R +. 0 Wie beim Übergang von der geometrischen zur Exponentialverteilung können wir uns auch hier einen Grenzprozess
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrDie Dynamik von Infektionskrankheiten: Epidemien und AIDS
KAPITEL 3 Die Dynamik von Infektionskrankheiten: Epidemien und AIDS Wir beginnen das dritte Kapitel mit einigen historischen Bemerkungen zu Epidemien: Während der Jahre 1347 135 hat der Ausbruch der Pest
MehrRegularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
MehrWellen und wandernde Wellen Ähnlichkeitslösungen. Crashkurs PDG anhand von Beispielen. Wellen
Wellen Crashkurs PDG anhand von Beispielen Eine Welle ist ein erkennbares Signal, welches innerhalb eines Mediums von einer Seite zur anderen übertragen wird, mit einer erkennbaren Ausbreitungsgeschwindigkeit.
MehrModelle von Epidemieverläufen
Modelle von Epidemieverläufen Kermak und McKendrick, 1927 Grundlegendes und einfaches Modell zur Ausbreitung einer nfektionskrankheit in einer Population. Es werden folgende Gruppen von ndividuen unterschieden:
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrDynamische Systeme in der Mikrobiologie
Dynamische Systeme in der Mikrobiologie Gruppe G Mi: Severine Hurni, Esther Marty, Giulia Ranieri, Matthias Engesser, Nicole Konrad Betreuer: Roman Kälin 1. Einleitung Ein dynamisches System ist ein System,
MehrKatharina Kausel, April 2012
Mathematische Modelle in der Biologie Seminar Biomathematik Seminar Biomathematik Katharina Kausel, April 2012 Mutualismus Was ist Mutualismus? SYMBIOSE Unterschied: eine Art ist ohne die andere LEBENSUNFÄHIG
MehrEinführung in einige Teilbereiche der Wirtschaftsmathematik für Studierende des Wirtschaftsingenieurwesens
in einige Teilbereiche der für Studierende des Wirtschaftsingenieurwesens Sommersemester 2013 Hochschule Augsburg : Gliederung 1 Finanzmathematik 2 Lineare Programme 3 Differentialgleichungen 4 Statistik:
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrGewöhnliche Differentialgleichungen Aufgaben, Teil 1
Gewöhnliche Differentialgleichungen Aufgaben, Teil 1 4-E1 4-E2 4-E3 Gewöhnliche Differentialgleichung: Aufgaben Bestimmen Sie allgemeine und spezielle Lösungen der folgenden Differentialgleichungen Aufgabe
Mehr55 Lokale Extrema unter Nebenbedingungen
55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :
MehrAusbreitung von Infektionskrankheiten 1 Einleitung
Ausbreitung von Infektionskrankheiten 1 Einleitung In der mathematischen Biologie wird die Ausbreitung von Epidemien auf der Basis von Modellen untersucht. In diesem Vortrag will ich einerseits einige
MehrAlgebra I. Also sind die vier angebenen Gruppen paarweise nicht isomorph.
WS 05/06 Priv.-Doz. Dr. S. Wewers Andreas Martin Algebra I 2. Übungsblatt Aufgabe 1: (3 P) Die folgenden vier Gruppen haben alle 12 Elemente: G 1 := Z/Z 12, G 2 := Z/Z 6 Z/Z 2, G 3 := D 6 (siehe 1. Übungsblatt,
MehrBachelorarbeit. Deterministische Modelle zur Beschreibung der Ausbreitung von Krankheiten
Technische Universität Berlin Institut für Mathematik Bachelorarbeit Im Studiengang Technomathematik Deterministische Modelle zur Beschreibung der Ausbreitung von Krankheiten Marcel Merkle Betreut von
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 10 Epidemienmodelle - Outbreak Wir werden in diesem Kapitel auch ein paar philosophische Fragen, Einwände und dazugehörige Gegenargumente zur Modellierung behandeln.
MehrDifferenzengleichungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Differenzengleichungen Dr. Thomas Zehrt Inhalt: 1. Einführungsbeispiele 2. Definition 3. Lineare Differenzengleichungen 1. Ordnung (Wiederholung)
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrHöhere Mathematik III für die Fachrichtung Elektrotechnik und Informationstechnik
Karlsruher Institut für Technologie Institut für Analysis Priv.-Doz. Dr. P. C. Kunstmann Dipl.-Math. Sebastian Schwarz SS 6.4.6 Höhere Mathematik III für die Fachrichtung Elektrotechnik und Informationstechnik
MehrGrippe-Pandemie. Was Sie über eine Grippe-Pandemie (Weltgrippe) wissen sollten.
Grippe-Pandemie Was Sie über eine Grippe-Pandemie (Weltgrippe) wissen sollten. Was finden Sie in dieser Broschüre? Diese Broschüre enthält Informationen über eine Pandemiegefahr (Weltgrippe). Sie gibt
MehrNeoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel
Neoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel Dieses Skript ist die allgemeine Basis eines Modells zur Simulation der ökonomischen Folgen technischer
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
Mehr8. Übungsblatt Aufgaben mit Lösungen
8 Übungsblatt Aufgaben mit Lösungen Aufgabe 6: Matrix Bestimmen Sie die allgemeine reelle Lösung des Differentialgleichungssystems u x = Aux für die A =, 9 indem Sie das System auf eine einzelne gewöhnliche
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrTheoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
MehrDie Exponentialfunktion und ihre Anwendung in der Biologie
Die Exponentialfunktion und ihre Anwendung in der Biologie Escheria coli (kurz E. coli) sind Bakterien, die im Darm von Säugetieren und Menschen leben. Ein junges E. coli Bakterium wächst mit einer konstanten
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrDifferentialgleichungen sind überall!
Differentialgleichungen sind überall! Helmut Abels Fakultät für Mathematik Universität Regensburg Folien und Co.: http://www.uni-r.de/fakultaeten/nat Fak I/abels/Aktuelles.html Tag der Mathematik am Albrecht-Altdorfer-Gymnasium
Mehr7 Die Hamilton-Jacobi-Theorie
7 Die Hamilton-Jacobi-Theorie Ausgearbeitet von Rolf Horn und Bernhard Schmitz 7.1 Einleitung Um die Hamilton schen Bewegungsgleichungen q k = H(q, p) p k ṗ k = H(p, q) q k zu vereinfachen, führten wir
MehrAppendix A: Grundlagen der Populationsbiologie
701-245-00L Pop - & Evol biol - A.1 - App. A: Grundlagen der Populationsbiologie Appendix A: Grundlagen der Populationsbiologie Einige grundlegende Prinzipien der Populationsbiologie sind wichtig zum Verständnis
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
MehrZur Berechnung ganzer Punkte auf Mordellkurven über globalen Körpern
Zur Berechnung ganzer Punkte auf Mordellkurven über globalen Körpern Michael E. Pohst Institut für Mathematik Technische Universität Berlin 4. Februar, 2015 Mordells Gleichung ist y 2 = x 3 + κ mit einer
MehrHauptprüfung Abiturprüfung 2015 (ohne CAS) Baden-Württemberg
Hauptprüfung Abiturprüfung 2015 (ohne CAS) Baden-Württemberg Wahlteil Analysis 2 Hilfsmittel: GTR und Formelsammlung allgemeinbildende Gymnasien Alexander Schwarz www.mathe-aufgaben.com März 2015 1 Aufgabe
Mehr9. Primitivwurzeln. O. Forster: Einführung in die Zahlentheorie
9. Primitivwurzeln 9.1. Satz. Sei G eine zyklische Gruppe der Ordnung m und g G ein erzeugendes Element. Das Element a := g k, k Z, ist genau dann ein erzeugendes Element von G, wenn k zu m teilerfremd
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrUNTERRICHTSPROJEKT UND AUFGABENSAMMLUNG ZUR EPIDEMIOLOGIE. Lisa Preschitz
UNTERRICHTSPROJEKT UND AUFGABENSAMMLUNG ZUR EPIDEMIOLOGIE Lisa Preschitz Aufgabe 1 Wir betrachten eine Krankheit, die direkt über die Luft von Mensch zu Mensch übertragen werden kann. Diskutiert zunächst
MehrSeminar zur Zahlentheorie Spezialfälle des Satzes von Fermat
Seminar zur Zahlentheorie Spezialfälle des Satzes von Fermat Vortrag von Kristina Rupp und Benjamin Letschert am 29.01.2008 Inhaltsverzeichnis 13 Speziallfälle des Satzes von Fermat 1 13.1 Der Große Satz
MehrÜbung 4.1: Dynamische Systeme
Übung 4.1: Dynamische Systeme c M. Schlup, 18. Mai 16 Aufgabe 1 RC-Schaltung Zur Zeitpunkt t = wird der Schalter in der Schaltung nach Abb. 1 geschlossen. Vor dem Schliessen des Schalters, betrage die
MehrProbeklausur STATISTISCHE PHYSIK PLUS
DEPARTMENT FÜR PHYSIK, LMU Statistische Physik für Bachelor Plus WS 2011/12 Probeklausur STATISTISCHE PHYSIK PLUS NAME:... MATRIKEL NR.:... Bitte beachten: Schreiben Sie Ihren Namen auf jedes Blatt; Schreiben
MehrSubstitutionsverfahren vs. Lagrange-Methode
Substitutionsverfahren vs. Lagrange-Methode 1 Motivation Substitutionsverfahren und Lagrange-Methode sind Verfahren, die es ermöglichen, Optimierungen unter Nebenbedingungen durchzuführen. Die folgende
MehrVektorgeometrie. Inhaltsverzeichnis. Fragen und Antworten. (bitte nur für den Eigengebrauch verwenden)
fua3673 Fragen und Antworten Vektorgeometrie (bitte nur für den Eigengebrauch verwenden) Inhaltsverzeichnis Vektorgeometrie im Raum. Fragen................................................. Allgemeines..........................................
MehrMitschrift zu Wärmetransportphänomene bei Prof. Polifke SoSe 2010
Inhalt 1. Einführung... 3 2. Grundbegriffe der Wärmeleitung... 3 2.1. Fourier sches Gesetz... 3 2.2. Fourier sche DGL... 3 3. Stationäre Wärmeleitung... 4 3.1. Wärmeleitung in einfachen Geometrien... 4
MehrKopplung von Neuronen
Katharina Ritter, Friedrich Bach, Felix Tabbert, Walter Tewes, Matthias Walther 12.06.2012 Inhalt Einführung Lighthouse-Modell Numerische Ergebnisse Schlussbemerkungen Unterschiede zum 1 Neuronenmodell
MehrMathematische Epidemie-Modelle
Mathematische Epidemie-Modelle Niklas Kolbe Seminararbeit im Rahmen des Hauptseminares Mathematische Biologie im Wintersemester 211/212 bei Prof. Dr. M. Lukacova an der Johannes Gutenberg-Universität Mainz
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrStatistische Physik - Theorie der Wärme (PD Dr. M. Falcke) Übungsblatt 12: Ferromagnet
Freie Universität Berlin WS 2006/2007 Fachbereich Physik 26.01.2007 Statistische Physik - heorie der Wärme PD Dr. M. Falcke) Übungsblatt 12: Ferromagnet Aufgabe 1 6 Punkte) Ein ferromagnetisches System
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
MehrKapitel 4. Thermodynamisches Gleichgewicht zwischen zwei Systemen. 4.1 Systeme im thermischen Kontakt 1; E 1 =? 2; E 2 =?
Kapitel 4 hermodynamisches Gleichgewicht zwischen zwei Systemen Im letzten Abschnitt haben wir am Beispiel des idealen Gases die Entropie (S(E)) bestimmt, und zwar im Rahmen des mikrokanonischen Ensembles
MehrL-Lysin. Informationen für den Katzenhalter. Katzenschnupfen und Felines Herpesvirus (FHV-1) bei der Katze
L-Lysin Informationen für den Katzenhalter Katzenschnupfen und Felines Herpesvirus (FHV-1) bei der Katze Katzenschnupfenkomplex Katzenschnupfenkomplex Katzenschnupfen ist eine Sammelbezeichnung für einen
MehrBeurteilende Statistik
Beurteilende Statistik Wahrscheinlichkeitsrechnung und Beurteilende Statistik was ist der Unterschied zwischen den beiden Bereichen? In der Wahrscheinlichkeitstheorie werden aus gegebenen Wahrscheinlichkeiten
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrTheoretische Physik 1 Mechanik
Technische Universität München Fakultät für Physik Ferienkurs Theoretische Physik 1 Mechanik Skript zu Vorlesung 2: konservative Kräfte, Vielteilchensysteme und ausgedehnte Körper gehalten von: Markus
MehrWurdest du schon einmal geimpft?
Wurdest du schon einmal geimpft? Unsere Immunabwehr ist ein ausgeklügeltes System, das sich darauf versteht, verschiedenste Arten von Erregern zu eliminieren. Wenn gefährliche Bakterien oder Viren unseren
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrVergleich von experimentellen Ergebnissen mit realen Konfigurationen
Ähnlichkeitstheorie Vergleich von experimentellen Ergebnissen mit realen Konfigurationen Verringerung der Anzahl der physikalischen Größen ( Anzahl der Experimente) Experimentelle Ergebnisse sind unabhängig
MehrLabortests für Ihre Gesundheit. Vorsorge-Impfungen bei Kindern 29
Labortests für Ihre Gesundheit Vorsorge-Impfungen bei Kindern 29 01IPF Labortests für Ihre Gesundheit Vorsorge-Impfungen bei Kindern Schutz von Anfang an Kinder: Wenn sie das Licht der Welt erblicken,
MehrCaputo fraktionale Differentialgleichungen. 1 Riemann Liouville fraktionale Differentialgleichungen
Seminar Fraktionale Differentialgleichungen Prof. Dr. P.E. Kloeden, WS1000/2001 Caputo fraktionale Differentialgleichungen Lars Grüne, 25.1.2001 Basierend auf Fractional Differential Equations, Theory
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 8 Impuls-Antwort-Funktionen Interpretation eines VAR-Prozesses 2 Fall eines bivariaten Var(p)-Prozess mit 2 Variablen und ohne Konstante 1 1 p p 1,t α11 α 12 1,t-1 α11 α 12
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrWärmeleitungsgleichung,
Fachbereich Mathematik der Universität Hamburg SoSe 2015 Dr. Hanna Peywand Kiani Wärmeleitungsgleichung, 05.06.2015 Die ins Netz gestellten Kopien der Anleitungsfolien sollen nur die Mitarbeit während
MehrVeranschaulichen Sie die de Morgan schen Regeln anhand von Venn-Diagrammen:
Formalisierungspropädeutikum Aufgabensammlung Prof. Dr. Th. Augustin, Dr. R. Poellinger, C. Jansen, J. Plaß, G. Schollmeyer Oktober 2016 Aufgabe 1 (de Morgan sche Regeln) Veranschaulichen Sie die de Morgan
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen
MehrSymmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome
Proseminar Lineare Algebra SS10 Symmetrische Polynome,Diskriminante und Resultante, Fermatscher Satz für Polynome Natalja Shesterina Heinrich-Heine-Universität ASymmetrische Polynome Definition 1 Sei n
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrAufgabe1 EStrich ist Lennard Jones Potential mit Exponentialfunktion
Aufgabe EStrich ist Lennard Jones Potential mit Exponentialfunktion Ansatz: Exponentialfunktion mit 3 Variablen einführen: a: Amplitude b:stauchung c:verschiebung_entlang_x_achse EStrich r_, ro_, _ : a
Mehr8. Vorlesung Spieltheorie in der Nachrichtentechnik
8. Vorlesung Spieltheorie in der Nachrichtentechnik Vorlesung: Eduard Jorswieck Übung: Rami Mochaourab Sommersemester 2010 Kooperative Spieltheorie Kooperative Spiele haben die Möglichkeit verbindlicher
MehrThermodynamik. Christian Britz
Hauptsätze der Klassische nanoskaliger Systeme 04.02.2013 Inhalt Einleitung Hauptsätze der Klassische nanoskaliger Systeme 1 Einleitung 2 Hauptsätze der 3 4 Klassische 5 6 7 nanoskaliger Systeme 8 Hauptsätze
MehrKrankheiten gibt es überall Ein Impfratgeber für Hundebesitzer
Krankheiten gibt es überall Ein Impfratgeber für Hundebesitzer www.intervet.de Impfen Ist das wirklich notwendig? Die Antwort ist ein klares JA. Noch immer sterben Hunde an vermeidbaren Infektionskrankheiten
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrRelative Atommassen. Stefan Pudritzki Göttingen. 8. September 2007
Relative Atommassen Stefan Pudritzki Göttingen 8. September 2007 Berechnung der relativen Atommassen Nach dem derzeitigen Kenntnisstand können die relativen Atommassen der chemischen Elemente mit einem
MehrMartingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut
Martingal-Maße Manuel Müller 29.04.2016 Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Seite 2 Martingal-Maße 29.04.2016 Inhaltsverzeichnis
MehrLineare Differenzengleichungen
Lineare Differenzengleichungen Die Fibonacci-Zahlen F n sind definiert durch F 0 = 0 F 1 = 1 F n = F n 1 +F n 2 für n >= 2 Die letzte Zeile ist ein Beispiel für eine homogene lineare Differenzengleichung
MehrVersuchsanleitung zum Astrophysikalischen Praktikum Standardkerzen: Entfernungsbestimmung von M100
Versuchsanleitung zum Astrophysikalischen Praktikum Standardkerzen: Entfernungsbestimmung von M100 In dieser Aufgabe bestimmen Sie anhand gegebener Lichtkurven von Cepheiden in der Spiralgalaxie M100 im
Mehrx 3 Genau dann liegt ein Punkt X mit dem Ortsvektor x auf g, wenn es ein λ R gib,t so dass
V. Geradengleichungen in Parameterform 5. Definition ---------------------------------------------------------------------------------------------------------------- x 3 v a x x x Definition und Satz :
Mehr13. Der diskrete Logarithmus
13. Der diskrete Logarithmus 13.1. Definition. Sei p eine Primzahl. Wie wir in 9 bewiesen haben, ist die multiplikative Gruppe F p des Körpers F p = Z/p zyklisch. Sei g ein erzeugendes Element von F p
MehrSimulationsmethoden in der Bayes-Statistik
Simulationsmethoden in der Bayes-Statistik Hansruedi Künsch Seminar für Statistik, ETH Zürich 6. Juni 2012 Inhalt Warum Simulation? Modellspezifikation Markovketten Monte Carlo Simulation im Raum der Sprungfunktionen
MehrKursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Sommmersemester Aufgabe Punkte
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Sommmersemester 2014 29.07.2014 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt: Aufgabe 1 2 3 4
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrKlausur Mathematik I
Technische Universität Dresden 15. August 2008 Institut für Numerische Mathematik Dr. K. Eppler Klausur Mathematik I für Studierende der Fakultät Maschinenwesen (mit Lösungshinweisen) Name: Matrikelnummer.:
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
MehrKlausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 14/15 Dr. Hanna Peywand Kiani 27.01.2015 Klausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften Die ins Netz gestellten
MehrKapitel 4: Irreduzible und aperiodische Markov Ketten 1
Matrielnummer: 1152750 Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrTechnische Universität Wien Institut für Automatisierungs- und Regelungstechnik. SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am
Technische Universität Wien Institut für Automatisierungs- und Regelungstechnik SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am 8.6.13 Arbeitszeit: 1 min Name: Vorname(n): Matrikelnummer: Note: Aufgabe
Mehr1. Hygienetag HVO. Impfungen. Matthias Schlegel Infektiologie/Spitalhygiene, KSSG ; 1.
1. Hygienetag HVO Impfungen Matthias Schlegel Infektiologie/Spitalhygiene, KSSG Impfung Vorbeugende Massnahme Verhindert Infektionskrankheiten und gefährliche Auswirkungen Imitiert eine natürliche Infektion:
MehrHaushaltsmodelle. Tobias Bluhmki, Steen Selker 30. Mai 2011
Haushaltsmodelle Tobias Bluhmki, Steen Selker 30. Mai 2011 Inhaltsverzeichnis 1 Einleitung Haushaltsmodelle 2 1.1 Allgemein........................................ 2 1.2 Mathematisch......................................
Mehr