-
- Dozent
-
Prof. Dr. Christian Rohde
- Assistenz
- Zeit und Ort
-
Vorlesung:
Mi & Fr: 08:00 – 09:30, PWR57-7.122
Übung:
Fr: 09:45 – 11:15, PWR57-7.122
-
- Inhalt
-
In dieser Vorlesung werden verschiedene numerische Methoden zur Approximation von Lösungen zu stochastischen partiellen Differentialgleichungen behandelt. Die Lösung einer solchen Gleichung ist in jedem (Zeit- und) Ortspunkt nicht durch eine reelle Größe sondern eine Verteilung gegeben. Deshalb muss bei einer stochastischen Differentialgleichung neben Zeit- und Ortsparametern auch die Verteilung der Lösung approximiert werden. In den meisten Fällen bedeutet das, die Approximation eines hochdimensionalen Integrals zu berechnen. Neben allgemein anwendbaren Monte-Carlo-Methoden werden Polynomielle-Chaos-Approximationen (Stochastische Galerkin-Methoden, stochastische Kollokation) behandelt. Zur Approximation von höheren Momenten werden Monte-Carlo-Methoden mit ``sparse tensor''-Approximationen kombiniert. Zur Veranschaulichung werden elliptische Gleichungen mit stochastischen Operatoren herangezogen. Anhand der Approximation der Lösung zu dieser Gleichung können die verschiedenen Methoden, zu einem gewissen Grad, miteinander verglichen werden.
- Lernziele
-
Theoretische und praktische Lösungsstrategien für stochastische Probleme aus verschiedenen naturwissenschaftlichen Bereichen.
- Vorkenntnisse
-
Grundlagen in Numerischen Methoden für PDEs und in Wahrscheinlichkeitsrechnung
- Literatur
-
- Wird in der Vorlesung bekannt gegeben.
- Curricula
-
M.Sc. Mathematik, LA Mathematik, M.Sc. SimTech
- Leistungspunkte
-
9