Academic literature on the topic 'Zufällige Differentialgleichung'

ZusammenfassungDie Zustandsgrößen zahlreicher ingenieurtechnischer Prozesse sind sowohl raum- als auch zeitabhängig. Solche Prozesse werden mit parabolischen partiellen Differentialgleichungen beschrieben. Die meisten praktischen Anwendungen sind mit Unsicherheiten versehen, die durch ungenaue Modellparameter und zufällige Störungen charakterisiert sind. Die Optimierung unsicherer parabolischer PDE-Systeme mit Zustandsbeschränkungen stellte eine große Herausforderung dar. In diesem Beitrag werden diese als wahrscheinlichkeitsbeschränkte Nebenbedingungen modelliert. Das dadurch formulierte stochastische Optimierungsproblem wird mit der Methode der inneren und äußeren Approximation gelöst. Die Wirksamkeit und Effizienz der vorgeschlagenen Lösungsmethode werden durch die Temperaturregelung eines Stabes mit einem unsicheren Wärmeübertragungskoeffizienten demonstriert.

Es sollen aus der deterministischen Lösung einer eindimensionalen instationären Wärmeleitgleichung Eigenschaften der Lösung erarbeitet werden für den Fall, dass sich der Wärmeleitkoeffizient als Zufallsgröße darstellt. Dabei werden Zugänge über die Störungsrechnung sowie über die Monte-Carlo-Simulation betrachtet.

In dieser Arbeit werden parabolische Randanfangswertprobleme mit zufälliger Anfangs- und Neumann-Randbedingung betrachtet. Die zufälligen Einflußgrößen werden dabei als epsilon-korrelierte, zufällige Felder modelliert. Das Hauptinteresse liegt auf der Berechnung stochastischer Kenngrößen der auf Basis der Finite-Elemente Methode erhaltenen Lösung des Randanfangswertproblems. Für die Korrelationsfunktion der Lösung wird eine Entwicklung nach der Korrelationslänge sowie eine explizite Berechnung für spezielle Typen der Vernetzung vorgestellt. Anhand von numerischen Beispielen werden abschließend die auf den verschiedenen Wegen erhaltenen Varianzen mit der einer simulierten Lösung verglichen.

Die vorliegende Arbeit beschäftigt sich mit asymptotischen Entwicklungen höherer Ordnung für zweite Momente von Zufallsvariablen bzw. Zufallsfunktionen, die als lineare Integralfunktionale über schwach abhängige oder schwach korrelierte Zufallsfunktionen definiert sind. Unter bestimmten Glattheits- und Integrabilitätsbedingungen an die Kernfunktionen und Regularitätsbedingungen an die Zufallsfunktionen werden entsprechende asymptotische Entwicklungen angegeben, außerdem wird auf Abschätzungen der Genauigkeit eingegangen. Die auftretenden Zufallsfunktionen sind dabei stationäre reell- oder vektorwertige Zufallsprozesse, bestimmte Klassen nichtstationärer Zufallsprozesse und homogene Zufallsfelder. Die Anwendungsmöglichkeit wird an einer Reihe von Beispielen aufgezeigt.

In dieser Arbeit werden stochastische Charakteristiken der Lösung parabolischer Differentialgleichungen mit zufälligen Neumann-Randbedingungen mit Hilfe der Finite-Elemente-Methode angegeben. Dabei wird der Berechnung der Korrelations- bzw. Varianzfunktion besondere Bedeutung beigemessen. Das stochastische Randanfangswertproblem wird durch Anwendung von FEM-Techniken durch ein System gewöhnlicher Differentialgleichungen mit stochastischen inhomogenen Termen approximiert. Die Modellierung der stochastischen Eingangsparameter durch epsilon-korrelierte Felder gestattet Entwicklungen der Lösungscharakteristiken nach der Korrelationslänge. Numerische Beispiele enthalten den Vergleich zwischen analytischen Ergebnissen und Simulationsresultaten.

Für zufällige dynamische Systeme mit stetiger Zeit existieren zwei wichtige Klassen von Generatoren: Zum einen stationäre zufällige ifferentialgleichungen, i.e. gewöhnliche Differentialgleichungen, die von einem stationärer zufälligen Vektorfeld getrieben werden, und zum anderen stochastische Stratonovichdifferentialgleichungen mit weißem Rauschen. Während die erste Klasse sich gut in den ergodentheoretischen Rahmen der Theorie der zufälligen dynamischen Systeme einfügt, widersetzte sich die zweite Klasse lange Zeit der dynamischen Untersuchung aufgrund des "Konflikts zwischen Ergodentheorie und stochastischer Analysis". In dieser Arbeit wird gezeigt, daß beide Klassen von zufälligen dynamischen Systemen nicht wesentlich verschieden sind, genauer: Zu jeder stochastischen Stratonovichdifferentialgleichung mit weißem Rauschen (unter den üblichen Regularitätsforderungen an die Vektorfelder, die die Existenz von Flüssen garantieren) existiert eine stationäre zufällige Differentialgleichung derart, daß die erzeugten zufälligen dynamischen Systeme konjugiert sind. Als Anwendung wird eine Version des lokalen Linearisierungssatzes von Hartman/Grobman für stochastische Stratonovichdifferentialgleichungen bewiesen.
For continuous time random dynamical systems there exist two important classes of generators: on the one hand stationary random differential quations, i.e. ordinary differential equations driven by a stationary random vector field, and on the other hand stochastic Stratonovich differential equations with white noise. While the first class fits well into the framework of the theory of random dynamical systems, the second class resisted for a long time the dynamical investigation due to the "conflict between ergodic theory and stochastic analysis". The main result of this thesis is that both classes of random dynamical systems are not essentially distinct, more precisely: For each stochastic Stratonovich differential equation with white noise (under usual regularity assumptions) there exists a stationary random differential equation such that the corresponding random dynamical systems are conjugate. As an application a version of the local Hartman/Grobman theorem for stochastic differential equations is proved.

Bayesian inference occurs when prior knowledge about uncertain parameters in mathematical models is merged with new observational data related to the model outcome. In this thesis we focus on models given by partial differential equations where the uncertain parameters are coefficient functions belonging to infinite dimensional function spaces. The result of the Bayesian inference is then a well-defined posterior probability measure on a function space describing the updated knowledge about the uncertain coefficient. For decision making and post-processing it is often required to sample or integrate wit resprect to the posterior measure. This calls for sampling or numerical methods which are suitable for infinite dimensional spaces. In this work we focus on Kalman filter techniques based on ensembles or polynomial chaos expansions as well as Markov chain Monte Carlo methods. We analyze the Kalman filters by proving convergence and discussing their applicability in the context of Bayesian inference. Moreover, we develop and study an improved dimension-independent Metropolis-Hastings algorithm. Here, we show geometric ergodicity of the new method by a spectral gap approach using a novel comparison result for spectral gaps. Besides that, we observe and further analyze the robustness of the proposed algorithm with respect to decreasing observational noise. This robustness is another desirable property of numerical methods for Bayesian inference. The work concludes with the application of the discussed methods to a real-world groundwater flow problem illustrating, in particular, the Bayesian approach for uncertainty quantification in practice
Bayessche Inferenz besteht daraus, vorhandenes a-priori Wissen über unsichere Parameter in mathematischen Modellen mit neuen Beobachtungen messbarer Modellgrößen zusammenzuführen. In dieser Dissertation beschäftigen wir uns mit Modellen, die durch partielle Differentialgleichungen beschrieben sind. Die unbekannten Parameter sind dabei Koeffizientenfunktionen, die aus einem unendlich dimensionalen Funktionenraum kommen. Das Resultat der Bayesschen Inferenz ist dann eine wohldefinierte a-posteriori Wahrscheinlichkeitsverteilung auf diesem Funktionenraum, welche das aktualisierte Wissen über den unsicheren Koeffizienten beschreibt. Für Entscheidungsverfahren oder Postprocessing ist es oft notwendig die a-posteriori Verteilung zu simulieren oder bzgl. dieser zu integrieren. Dies verlangt nach numerischen Verfahren, welche sich zur Simulation in unendlich dimensionalen Räumen eignen. In dieser Arbeit betrachten wir Kalmanfiltertechniken, die auf Ensembles oder polynomiellen Chaosentwicklungen basieren, sowie Markowketten-Monte-Carlo-Methoden. Wir analysieren die erwähnte Kalmanfilter, indem wir deren Konvergenz zeigen und ihre Anwendbarkeit im Kontext Bayesscher Inferenz diskutieren. Weiterhin entwickeln und studieren wir einen verbesserten dimensionsunabhängigen Metropolis-Hastings-Algorithmus. Hierbei weisen wir geometrische Ergodizität mit Hilfe eines neuen Resultates zum Vergleich der Spektrallücken von Markowketten nach. Zusätzlich beobachten und analysieren wir die Robustheit der neuen Methode bzgl. eines fallenden Beobachtungsfehlers. Diese Robustheit ist eine weitere wünschenswerte Eigenschaft numerischer Methoden für Bayessche Inferenz. Den Abschluss der Arbeit bildet die Anwendung der diskutierten Methoden auf ein reales Grundwasserproblem, was insbesondere den Bayesschen Zugang zur Unsicherheitsquantifizierung in der Praxis illustriert

Untersucht werden instationäre Wärmeleitprobleme mit gemischen Randbedingungen 2. und 3. Art. Die Probleme weisen als stochastische Einflussgröße einen zufälligen Wärmeleitkoeffizienten auf. Aus einer Ortsdiskretisierung nach dem Vorbild der Methode der finiten Elemente (FEM) geht ein System gewöhnlicher Differentialgleichungen mit zufälliger Systemmatrix hervor. Unter der Annahme kleiner stochastischer Schwankungen lässt sich die Lösung der zugehörigen Anfangswertaufgabe als Entwicklung bezüglich eines Störungsparameters darstellen. Dies ermöglicht die genäherte Berechnung von Erwartungswert- und Korrelationsfunktion der approximativen Lösung des ursprünglichen Randanfangswertproblems. Konkrete Berechnungen werden für ein eindimesionales Wärmeleitproblem angegeben, wobei der Wärmeleitkoeffizient als zufällige Funktion sowie als Zufallsgröße modelliert wird.

Die vorliegende Arbeit beschäftigt sich mit dem Problem der zufälligen Wärmeausbreitung in beschränkten Gebieten. Dieses Phänomen wird dabei durch eine lineare parabolische Randanfangswertaufabe beschrieben, wobei die Anfangsbedingung und die Neumannrandbedingung als zufällige Felder mit gegebener Wahrscheinlichkeitsverteilung angenommen werden. Des Weiteren werden die zufälligen Felder als homogen und epsilon-korreliert mit einer kleinen Korrelationslänge epsilon > 0 vorausgesetzt und sollen glatte Realisierungen besitzen. Zur Lösung der Randanfangswertaufgabe werden sowohl die klassische Formulierung als auch die Variationsformulierung herangezogen und in diesem Zusammenhang die Fourier Methode sowie die Finite-Elemente Methode betrachtet. Die Finite-Elemente Methode und die Fourier-Methode führen auf einen expliziten funktionalen Zusammenhang zwischen der zufälligen Lösung der betrachteten Randanfangswertaufgabe und den Einflussgrößen, so dass Momentenfunktionen davon abgeleitet werden können. Das Hauptinteresse dieser Arbeit liegt auf der Berechnung dieser Momentenfunktionen, welche durch die gewählten Eigenschaften der stochastischen Einflußgrößen bestimmt werden. Basierend auf dem Finite-Elemente Ansatz bzw. dem Fourier Ansatz werden verschiedene Approximationsmöglichkeiten insbesondere für die Korrelationsfunktion erörtert. Des Weiteren wird die Möglichkeit der Simulation des zufälligen Randanfangswertproblems betrachtet. Hierzu wird zur Simulation der zufälligen Einflussgrößen auf die Theorie von Moving Average Feldern zurückgegriffen. Der letzte Teil der Arbeit widmet sich dem Vergleich der erhaltenen analytischen Resultate anhand konkreter numerischer Beispiele.

Bayesian inference occurs when prior knowledge about uncertain parameters in mathematical models is merged with new observational data related to the model outcome. In this thesis we focus on models given by partial differential equations where the uncertain parameters are coefficient functions belonging to infinite dimensional function spaces. The result of the Bayesian inference is then a well-defined posterior probability measure on a function space describing the updated knowledge about the uncertain coefficient. For decision making and post-processing it is often required to sample or integrate wit resprect to the posterior measure. This calls for sampling or numerical methods which are suitable for infinite dimensional spaces. In this work we focus on Kalman filter techniques based on ensembles or polynomial chaos expansions as well as Markov chain Monte Carlo methods. We analyze the Kalman filters by proving convergence and discussing their applicability in the context of Bayesian inference. Moreover, we develop and study an improved dimension-independent Metropolis-Hastings algorithm. Here, we show geometric ergodicity of the new method by a spectral gap approach using a novel comparison result for spectral gaps. Besides that, we observe and further analyze the robustness of the proposed algorithm with respect to decreasing observational noise. This robustness is another desirable property of numerical methods for Bayesian inference. The work concludes with the application of the discussed methods to a real-world groundwater flow problem illustrating, in particular, the Bayesian approach for uncertainty quantification in practice.
Bayessche Inferenz besteht daraus, vorhandenes a-priori Wissen über unsichere Parameter in mathematischen Modellen mit neuen Beobachtungen messbarer Modellgrößen zusammenzuführen. In dieser Dissertation beschäftigen wir uns mit Modellen, die durch partielle Differentialgleichungen beschrieben sind. Die unbekannten Parameter sind dabei Koeffizientenfunktionen, die aus einem unendlich dimensionalen Funktionenraum kommen. Das Resultat der Bayesschen Inferenz ist dann eine wohldefinierte a-posteriori Wahrscheinlichkeitsverteilung auf diesem Funktionenraum, welche das aktualisierte Wissen über den unsicheren Koeffizienten beschreibt. Für Entscheidungsverfahren oder Postprocessing ist es oft notwendig die a-posteriori Verteilung zu simulieren oder bzgl. dieser zu integrieren. Dies verlangt nach numerischen Verfahren, welche sich zur Simulation in unendlich dimensionalen Räumen eignen. In dieser Arbeit betrachten wir Kalmanfiltertechniken, die auf Ensembles oder polynomiellen Chaosentwicklungen basieren, sowie Markowketten-Monte-Carlo-Methoden. Wir analysieren die erwähnte Kalmanfilter, indem wir deren Konvergenz zeigen und ihre Anwendbarkeit im Kontext Bayesscher Inferenz diskutieren. Weiterhin entwickeln und studieren wir einen verbesserten dimensionsunabhängigen Metropolis-Hastings-Algorithmus. Hierbei weisen wir geometrische Ergodizität mit Hilfe eines neuen Resultates zum Vergleich der Spektrallücken von Markowketten nach. Zusätzlich beobachten und analysieren wir die Robustheit der neuen Methode bzgl. eines fallenden Beobachtungsfehlers. Diese Robustheit ist eine weitere wünschenswerte Eigenschaft numerischer Methoden für Bayessche Inferenz. Den Abschluss der Arbeit bildet die Anwendung der diskutierten Methoden auf ein reales Grundwasserproblem, was insbesondere den Bayesschen Zugang zur Unsicherheitsquantifizierung in der Praxis illustriert.

In this thesis the Lyapunov exponents of random dynamical systems are presented and investigated. The main results are: 1. In the space of all unbounded linear cocycles satisfying a certain integrability condition, we construct an open set of linear cocycles have simple Lyapunov spectrum and no exponential separation. Thus, unlike the bounded case, the exponential separation property is nongeneric in the space of unbounded cocycles. 2. The multiplicative ergodic theorem is established for random difference equations as well as random differential equations with random delay. 3. We provide a computational method for computing an invariant measure for infinite iterated functions systems as well as the Lyapunov exponents of products of random matrices
In den vorliegenden Arbeit werden Lyapunov-Exponented für zufällige dynamische Systeme untersucht. Die Hauptresultate sind: 1. Im Raum aller unbeschränkten linearen Kozyklen, die eine gewisse Integrabilitätsbedingung erfüllen, konstruieren wir eine offene Menge linearer Kyzyklen, die einfaches Lyapunov-Spektrum besitzen und nicht exponentiell separiert sind. Im Gegensatz zum beschränkten Fall ist die Eingenschaft der exponentiellen Separiertheit nicht generisch in Raum der unbeschränkten Kozyklen. 2. Sowohl für zufällige Differenzengleichungen, als auch für zufällige Differentialgleichungen, mit zufälligem Delay wird ein multiplikatives Ergodentheorem bewiesen. 3.Eine algorithmisch implementierbare Methode wird entwickelt zur Berechnung von invarianten Maßen für unendliche iterierte Funktionensysteme und zur Berechnung von Lyapunov-Exponenten für Produkte von zufälligen Matrizen