Lehrveranstaltung
AM - Angewandte Mathematik
PDF Lehrveranstaltungsverzeichnis English Version: AM
Version: 2 | Letzte Änderung: 12.02.2021 13:24 | Entwurf: 0 | Status: vom verantwortlichen Dozent freigegeben
| Langname | Angewandte Mathematik |
|---|---|
| Anerkennende LModule | AM_BaET |
| Verantwortlich |
Prof. Dr. Beate Rhein
Professor Fakultät IME |
| Niveau | Bachelor |
| Semester im Jahr | Wintersemester |
| Dauer | Semester |
| Stunden im Selbststudium | 96 |
| ECTS | 5 |
| Dozenten |
Prof. Dr. Beate Rhein
Professor Fakultät IME |
| Voraussetzungen | Grundlegende mathematische Kenntnisse, insbesondere Funktionen und Differentialrechnung anwenden Methoden der linearen Algebra anwenden können Grundbegriffe der Programmierung anwenden |
| Unterrichtssprache | deutsch |
| separate Abschlussprüfung | Ja |
Literatur
Knorrenschild: Numerische Mathematik (Fachbuchverlag)
Papula: Mathematik für Ingenieure und Naturwissenschaftler, Band 1+2 (Vieweg)
Papula: Mathematik für Ingenieure und Naturwissenschaftler, Band 1+2 (Vieweg)
Abschlussprüfung
Details
Die theoretischen Grundlagen und die zugehörigen Berechnungsmethoden werden in einer schriftlichen Klausur abgeprüft. Die Programmierkenntnisse, die nötig sind, um einen Algorithmus zu implementieren, werden in einem Programmiertest geprüft.Mindeststandard
Beide Prüfungsteile müssen mindestens mit 4.0 bestanden werden. Die Klausur und Programmiertest gehen anteilig in die Modulnote ein. Die Gewichtung beträgt zur Zeit 70% für die Klausur und 30% für den Programmiertest.Prüfungstyp
Die theoretischen Grundlagen und die zugehörigen Berechnungsmethoden werden in einer schriftlichen Klausur abgeprüft. Die Programmierkenntnisse, die nötig sind, um einen Algorithmus zu implementieren, werden in einem Programmiertest geprüft.Lernziele
Kenntnisse
Rechnerarithmetik
Fehlerrechnung, Kondition einer Matrix
Gaußalgorithmus mit Spaltenpivotisierung
Interpolation
Nullstellenprobleme (Bisektion, Newton, Varianten von Newton, Fixpunktiteration)
Iterationsverfahren für lineare GS
Regressionsanalyse
Wahrscheinlichkeitsrechnung
Fehlerrechnung, Kondition einer Matrix
Gaußalgorithmus mit Spaltenpivotisierung
Interpolation
Nullstellenprobleme (Bisektion, Newton, Varianten von Newton, Fixpunktiteration)
Iterationsverfahren für lineare GS
Regressionsanalyse
Wahrscheinlichkeitsrechnung
Fertigkeiten
Weitergabe von Meßfehlern abschätzen können
numerische Algorithmen anwenden und programmieren können
Trendfunktionen aufstellen können
mit Wahrscheinlichkeiten umgehen können
numerische Algorithmen anwenden und programmieren können
Trendfunktionen aufstellen können
mit Wahrscheinlichkeiten umgehen können
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Vorlesung | 2 |
| Übungen (ganzer Kurs) | 1 |
| Übungen (geteilter Kurs) | 0 |
| Tutorium (freiwillig) | 0 |
Besondere Literatur
keine/none
Besondere Voraussetzungen
keine
Begleitmaterial
Vorlesungsfolien online
Übungsaufgaben online
Lehrvideos online
Anleitungen für Programmierpraktikum online
Übungsaufgaben online
Lehrvideos online
Anleitungen für Programmierpraktikum online
Separate Prüfung
keine
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln