Höhere Ingenieursmathematik
Master Elektrotechnik 2020
PDF Studiengangsverzeichnis Studienverlaufspläne Master Elektrotechnik
Version: 1 | Letzte Änderung: 01.03.2021 11:40 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Knospe
Anerkannte Lehrveranstaltungen | HIM_Knospe |
---|---|
Gültig ab | Wintersemester 2020/21 |
Fachsemester | 1 |
Dauer | 1 Semester |
ECTS | 5 |
Zeugnistext (de) | Höhere Ingenieurmathematik |
Zeugnistext (en) | Advanced Mathematics for Engineers |
Unterrichtssprache | deutsch oder englisch |
abschließende Modulprüfung | Ja |
Forschung: Von der Grundlagenforschung bis hin zur Industrieforschung und der Qualifikation für ein Promotionsstudium. Entwicklung: Algorithmen, Software, Verfahren , Geräte, Komponenten und Anlagen. |
Benotet | Ja | |
---|---|---|
Konzept | Schrifftliche Prüfung (Klausur) | |
Frequenz | Jedes Semester | |
ID | Learning Outcome | |
---|---|---|
LO1 |
Was: Das Modul vermittelt grundlegende Konzepte und Methoden der Mathematik, die in den Ingenieurwissenschaften benötigt werden (K. 5). Die Abstraktion und mathematische Formalisierung von Problemen soll erlernt und angewendet werde. Die Studierenden lernen die Anwendung anerkannter mathematischer Methoden. Die Studierenden sollen insbesondere die Anwendung statistischer Verfahren und die Begründung wissenschaftlicher Aussagen erlernen (K. 15). Womit: Der Dozent/die Dozentin vermittelt Wissen und Basisfertigkeiten in der Vorlesung. In der Übung bearbeiten die Studierenden unter Anleitung Aufgaben. Die Übung wird durch Hausaufgaben und Online-Aufgaben (E-Learning) ergänzt. Wozu: Fortgeschrittene Mathematik-Kenntnisse (beispielweise in Vetoranalysis, Statistik und Optimierung) werden in mehreren Moduln des Studiengangs benötigt. Mathematische Methoden sind eine essentielle Voraussetzung für Ingenieure, die komplexe technische Systeme abstrahieren und entwickeln (K. 1, K. 8). |
Kompetenz | Ausprägung |
---|---|
MINT Fachwissen erweitern und vertiefen | diese Kompetenz wird vermittelt |
Komplexe Systeme abstrahieren | Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt |
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen | diese Kompetenz wird vermittelt |
Komplexe technische Systeme entwickeln | Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt |
Forschung: Von der Grundlagenforschung bis hin zur Industrieforschung und der Qualifikation für ein Promotionsstudium. Entwicklung: Algorithmen, Software, Verfahren , Geräte, Komponenten und Anlagen. |
ID | Learning Outcome | |
---|---|---|
LO1 |
Was: Das Modul vermittelt grundlegende Konzepte und Methoden der Mathematik, die in den Ingenieurwissenschaften benötigt werden (K. 5). Die Abstraktion und mathematische Formalisierung von Problemen soll erlernt und angewendet werde. Die Studierenden lernen die Anwendung anerkannter mathematischer Methoden. Die Studierenden sollen insbesondere die Anwendung statistischer Verfahren und die Begründung wissenschaftlicher Aussagen erlernen (K. 15). Womit: Der Dozent/die Dozentin vermittelt Wissen und Basisfertigkeiten in der Vorlesung. In der Übung bearbeiten die Studierenden unter Anleitung Aufgaben. Die Übung wird durch Hausaufgaben und Online-Aufgaben (E-Learning) ergänzt. Wozu: Fortgeschrittene Mathematik-Kenntnisse (beispielweise in Vetoranalysis, Statistik und Optimierung) werden in mehreren Moduln des Studiengangs benötigt. Mathematische Methoden sind eine essentielle Voraussetzung für Ingenieure, die komplexe technische Systeme abstrahieren und entwickeln (K. 1, K. 8). |
Kompetenz | Ausprägung |
---|---|
MINT Fachwissen erweitern und vertiefen | diese Kompetenz wird vermittelt |
Komplexe Systeme abstrahieren | Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt |
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen | diese Kompetenz wird vermittelt |
Komplexe technische Systeme entwickeln | Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt |
Typ | Vorlesung / Übungen | |
---|---|---|
Separate Prüfung | Nein | |
Exemplarische inhaltliche Operationalisierung | Eine Kombination von Themen aus folgenden Bereichen: - Vektoranalysis - Wahrscheinlichkeitstheorie, Statistik und Multivariate Statistik - Stochastische Prozesse - Optimierung Vector Analysis - Vector Spaces - Scalar and Vector Functions - Differential Operators - Line Integrals - Double Integrals - Triple Integrals - Change of Variables - Surface Integrals - Divergence Theorem - Theorem of Stokes - Maxwell Equations Probability and Statistics - Descriptive Statistics - Two-dimensional Data - Simple Linear Regression - Probability Spaces - Random Variables - Expectation, Variance, Moments - Jointly Distributed Random Variables - Independent Random Variables - Covariance - Binomial Random Variable - Poisson Random Variable - Uniform Random Variable - Normal Random Variable - Chi-Square Distribution - t-Distribution - Central Limit Theorem - Distributions of Sampling Statistics - Confidence Intervals - Hypothesis Testing - t-Test, f-Test, Chi-Square Test - Overview of various Tests Multivariate Statistics - Analysis of multidimensional data - Multivariate Random Variables - Matrix decompositions, Singular Value Decomposition (SVD) - Factor analysis, Principal Component Analysis (PCA) - Multiple Linear Regression Stochastic Processes - Discrete and continuous time processes - Random walk - Markov chain - Poisson process - Queuing theory Optimization - Linear Programming - Unconstrained Optimization: Gradient method, Newton's method, Trust Region method - Constrained Optimization: Karush–Kuhn–Tucker (KKT) conditions, Lagrange multipliers, Penalty and Barrier functions - Special optimization problems: Mixed Integer Nonlinear Programming, Nonlinear Stochastic Optimization |
© 2022 Technische Hochschule Köln