Blatt 6
Blatt 6
Blatt 6
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Übung zu “Mathematische Rechenmethoden 2”<br />
SS 2013 Übung 6<br />
Ausgabe: 28.05.2013 Besprechung: Mo, 10.06. / Mi, 12.06. / Do, 13.06. / Fr, 14.06.2013<br />
Aufgabe 20: Kugelkoordinaten (4 Punkte)<br />
Gegeben sei ein Potential<br />
Φ (⃗r) = Q P 2 (cosΘ)<br />
r 3<br />
in Kugelkoordinaten, das ein Quadrupolfeld beschreibt. Dabei ist P 2 (x) = 1 2<br />
Legendre-Polynom.<br />
a) Berechnen Sie aus ⃗ E = −∇Φ das elektrische Feld in Kugelkoordinaten.<br />
(1 Punkt)<br />
b) Zeigen Sie, dass rot ⃗ E = 0.<br />
(1 Punkt)<br />
(<br />
3x 2 − 1 ) das dritte<br />
c) Es gilt für die Ladungsdichte ∆Φ = −4πρ mit dem Laplace-Operator ∆. Bestimmen Sie ρ.<br />
(2 Punkte)<br />
Aufgabe 21: Gradient, Divergenz, Rotation (2 Punkte)<br />
Beweisen Sie, dass folgende Aussagen allgemein gelten. Zeigen Sie dazu, mit Hilfe des total antisymmetrischen<br />
Tensors dritter Stufe, die Richtigkeit der Aussagen komponentenweise! Die Felder seien<br />
hinreichend oft stetig differenzierbar.<br />
a) Gradientenfelder sind rotationsfrei.<br />
(1 Punkt)<br />
b) Rotationsfelder sind quellenfrei, d.h.<br />
(1 Punkt)<br />
⃗A = ∇ × ⃗ B ⇒ ∇ · ⃗A = 0 für alle Vektorfelder ⃗ A(x, y, z) , ⃗ B(x, y, z) ∈ R 3 .<br />
Aufgabe 22: Produktregeln für Feldableitung (2 Punkte)<br />
Gegeben sind die zwei Skalarfelder φ(x, y, z) und ψ(x, y, z) sowie das Vektorfeld ⃗ A(x, y, z) ∈ R 3 . Beweisen<br />
Sie folgende Aussagen:<br />
a) ∇ · (φ ⃗ A) = ⃗ A · ∇φ + φ∇ · ⃗A<br />
(1 Punkt)<br />
b) ∇ × (φ ⃗ A) = (∇φ) × ⃗ A + φ∇ × ⃗ A<br />
(1 Punkt)
Aufgabe 23: Netzwerke (8 Punkte)<br />
⎛<br />
1 1<br />
⎞<br />
⎛<br />
⎞<br />
0<br />
2 3<br />
1 1<br />
1 1 1 1 1<br />
1 1<br />
2<br />
0<br />
3<br />
0 0<br />
P =<br />
1<br />
⎜0 2<br />
0 0 0<br />
⎟ P ′ = (1 − d) P + d 1 1 1 1 1<br />
⎝ 1<br />
0 0<br />
3<br />
0 0⎠<br />
5 ⎜1 1 1 1 1<br />
⎟<br />
⎝1 1 1 1 1⎠<br />
1<br />
2<br />
0 0 0 0<br />
1 1 1 1 1<br />
Methoden aus der linearen Algebra finden in den verschiedensten Bereichen Anwendung. So auch in<br />
der Netzwerktheorie, einem interdisziplinären Gebiet zwischen Physik, Mathematik und Informatik.<br />
Betrachten Sie folgendes, aus fünf Knoten bestehendes, gerichtetes, Netzwerk.<br />
4<br />
3<br />
1<br />
5<br />
2<br />
Die Knoten beschreiben die Mikrozustände, in denen sich ein System befinden kann. Der Gesamtzustand<br />
des Netzwerks lässt sich zu jedem Zeitpunkt t durch einen Vektor ⃗p t angeben. Hierbei gibt p t,i<br />
die Wahrscheinlichkeit an, dass sich das System im Zustand i befindet.<br />
Die Pfeile geben an, welche Übergänge möglich sind. Der Einfachheit halber seien alle erlaubten<br />
Übergänge gleich wahrscheinlich. Die Matrixelemente P ij geben an, mit welcher Wahrscheinlichkeit<br />
ein Wechsel in den Zustand i stattfindet, falls sich das System im Zustand j befindet. Eine solche<br />
Matrix, in der die Spaltensummen 1 ergeben heißt (spalten-)stochastische Matrix.<br />
Hieraus ergibt sich folgende Gleichung für die Zeitentwicklung der Aufenthaltswahrscheinlichkeiten<br />
des Gesamtsystems in den möglichen Zuständen:<br />
⃗p t+1 = P ⃗p t<br />
a) Zeigen Sie: Jeder Vektor ⃗p 0 mit ∑ i p 0,i = 1 wird durch eine spaltenstochastische Matrix auf einen<br />
Vektor ⃗p 1 abgebildet, für den ebenfalls gilt ∑ i p 1,i = 1. (1 Punkt)<br />
b) Angenommen, das System befindet sich anfangs im Zustand 2. Mit welcher Wahrscheinlichkeit<br />
befindet es sich: (i) Nach einem Zeitschritt im Zustand 3? (ii) Nach zwei Zeitschritten im Zustand<br />
1? (iii) Wie sieht die Wahrscheinlichkeitsverteilung des Gesamtsystems nach drei Zeitschritten aus?<br />
(2 Punkte)<br />
c) Berechnen Sie die stationäre Wahrscheinlichkeitsverteilung, d.h. das ⃗p stat , das unter Anwendung<br />
von P invariant bleibt. Die Existenz eines solchen ⃗p stat kann vorausgesetzt werden! (2 Punkte)<br />
d) Nimmt man an, dass die Knoten Internetseiten beschreiben und die Pfeile Links zwischen diesen<br />
angeben, so beschreibt P das Verhalten eines Surfers, der zufällig den Verlinkungen folgt. Die Aufenthaltswahrscheinlichkeit<br />
eines solchen ’Random-Surfers’ kann als Maß für die Relevanz einer Seite<br />
aufgefasst werden. Probleme bereitet dabei die Tatsache, dass es Seiten geben kann, auf die zwar<br />
verlinkt wird, die aber selbst nicht auf andere Webpages verweisen. Um zu vermeiden, dass diesen<br />
eine zu hohe Relevanz zugeordnet wird, kann man einen zusätzlichen Term einführen. Mit einer Wahrscheinlichkeit<br />
d soll der Surfer, statt den Links weiter zu folgen, zufällig zu einer beliebigen Seite<br />
springen (formal realisiert durch die Matrix P ′ ). Das ist das Prinzip des PageRank-Algorithmus, der<br />
ursprünglich von der Suchmaschine Google verwendet wurde.<br />
Auf der Website zur Vorlesung finden Sie das Mathematica-File 1 PageRank.nb. Mit diesem soll nun<br />
ein etwas größeres Netzwerk untersucht werden. Ermitteln Sie für d = {0., 0.01, 0.1, 0.2, 0.9} die Aufenthaltswahrscheinlichkeit<br />
eines Random-Surfers für die Knoten 1, 12 und 17 des Netzwerks. Die<br />
Verteilung der Aufenthaltswahrscheinlichkeit ist durch den Eigenvektor zum größten Eigenwert gegeben,<br />
wobei die Summe der Einträge auf eins normiert wird! (3 Punkte)<br />
1 Mathematica ist z.B. verfügbar im CIP-Pool. Start über die Konsole mit dem Befehl ’mathematica’.