Vorbetrachtungen zum Mobilfunkkanal
|
|
- Justus Hertz
- vor 5 Jahren
- Abrufe
Transkript
1 Vorbetrachtungen zum Mobilfunkkanal Übungsaufgabe 3 Walter Tiessen( ) Studiengang: Master-Elektrotechnik Modul: Modellierung und Simulation1 Eingereicht bei: Prof. Dr. rer. nat. Henrik Schulze Datum:
2 Inhalt 1 Aufgabenstellung Leistungsperzentile im Mobilfunkkanal (Kap. 2.3, S.11) Rayleigh-Verteilung (Kap. 2.5, S.16) Doppler Spektrum (Kap. 2.5, S.17) Lösung Leistungsperzentile im Mobilfunkkanal MATLAB Code Ausgabe Rayleigh-Verteilung MATLAB Code Histogramm Distribution Fitter Berechnung Doppler Specktrum MATLAB Code Histogramm Berechnung Literaturverzeichnis
3 1 Aufgabenstellung 1.1 Leistungsperzentile im Mobilfunkkanal (Kap. 2.3, S.11) Unter bestimmten Voraussetzungen können die Perzentile für die Empfangsleistung eines Signals im Mobilfunkkanal in guter Näherung durch die Exponentialverteilung beschrieben werden. Wenn man die mittlere Empfangsleistung auf Eins normiert, gilt also für die Leistung x 0: p(x) = e x bzw. P (x) = 1 e x Erzeugen Sie sehr viele (z.b. N = 10 5 ) exponentiell verteilte Zufallszahlen und tragen Sie deren empirisch ermittelte Verteilungsfunktion logarithmisch in Abhängigkeit vom Empfangspegel (in Dezibel) auf (insgesamt ist das also ein doppelt logarithmischer Plot). 1.2 Rayleigh-Verteilung (Kap. 2.5, S.16) Betrachte Zufallsvariable X nach der Exponentialverteilung und ziehe daraus die Wurzel: Y = X. Wie sieht die Wahrscheinlichkeitsverteilung für Y aus? Gehen Sie erst einmal empirisch vor, indem Sie ein Histogramm erstellen! 1.3 Doppler Spektrum (Kap. 2.5, S.17) Ein Fahrzeug fährt mit der Geschwindigkeit v durch den Wald und empfängt ein Funksignal der Frequenz f0 nur über die Reflexionen von den Bäumen. Wir interessieren uns für die Dopplerverschiebungen des Signals, die gegeben sind durch ν(α) = νmax cos α, wobei α der Einfallswinkel ist und νmax = (v/c) f0 die maximale Dopplerfrequenz. Wir nehmen an, dass aus allen Richtungen gleich viel Signal kommt (d.h. α ist gleichverteilt über [0, 2π]). Wie sieht die Wahrscheinlichkeitsverteilung für ν aus? Gehen Sie erst einmal empirisch vor, indem Sie ein Histogramm erstellen! 2
4 2 Lösung 2.1 Leistungsperzentile im Mobilfunkkanal MATLAB Code % Experimentelle Ermittlung der Perzentile für die % Empfangsleistung eines Mobilfunkkanals (Näherung: Exponentialverteilung) close all; clear; clc; %-----Deklaration N=1e5; %-----Berechnung x=exprnd(1,n,1); p=(1:n)/n; x=sort(x); %N Zufallszahlen zwischen 0 und 1 exponentialverteilt %Datenfeld mit N Werte zwischen 0 und 1 in 1/N Stufen % Sortieren anstelle einer kommulierten Summe %-----Ausgabe semilogy(10*log10(x),p); %plotten mit logarithmischer y-achse grid on; ylabel('perzentil'); xlabel('empfangspegel [db]'); title('perzentile der Empfangsleistung'); Ausgabe Abbildung 1: Perzentile der Empfangsleistung 3
5 2.2 Rayleigh-Verteilung MATLAB Code % Experimentelle Ermittlung der Perzentile für die % Empfangsleistung eines Mobilfunkkanals (Näherung: Exponentialverteilung) close all; clear; clc; %-----Deklaration N=1e5; %-----Berechnung x=exprnd(1,n,1); p=(1:n)/n; x=sort(x); y=sqrt(x); %N Zufallszahlen zwischen 0 und 1 exponentialverteilt %Datenfeld mit N Werte zwischen 0 und 1 in 1/N Stufen % Sortieren anstelle einer kommulierten Summe %-----Ausgabe hist(y,90); title('histogramm der Wurzel aus der Summe von exponential verteilten Zufallszahlen'); ylabel('anzahl'); xlabel('wurzel(x)'); %-----Berechnung des Mittelwertes und der Varianz zur Kontrolle mit den %Werten im Distribution Fitter mean= mean(y) variance= var(y) 4
6 2.2.2 Histogramm Abbildung 2: Histogramm Rayleigh Die Abbildung 2 zeigt das Histogramm der Berechnung von Y = X. Der Verlauf lässt eine Rayleigh- Verteilung vermuten. 5
7 2.2.3 Distribution Fitter Um die Vermutung zu überprüfen wird der Distribution Fitter in MATLAB verwendet. Das Ergebnis ist in Abbildung 3 dargestellt. Die Rayleigh-Kurve von dem Distribution-Fitter passt sehr gut mit dem Verlauf des Histogramms überein. Zur Kontrolle werden noch der Mittelwert und die Varianz ermittelt. Diese sind auch annähernd gleich. Abbildung 3: Distribution Fitter Vergleich Rayleigh Abbildung 4: Programmausgabe Mittelwert, Varianz 6
8 2.2.4 Berechnung X exponentialverteilt p x (x) = e x Y = X p x (x)dx = p y (y)dy dy dx = 1 2 X dx dy = 1 = 2 X dy dx p y (y) = p x (x) dx = 2 X e x dy mit X = Y 2 p y (y) = 2y e y2 Rayleighverteilung 7
9 2.3 Doppler Specktrum MATLAB Code % Doppler Spektrum close all; clear; clc; %-----Deklaration N=10e5; c=3*10e8; f_null= 4*10e9; v=3; alpha=2*pi*rand(n,1); %Anzahl der Zufallszahlen %Ausbreitungsgeschwindigkeit [m/s] %Frequenz [Hz] %Geschwindigkeit [m/s] %alpha; gleichverteilt zwischen 0 und 2pi %-----Berechnung v_max=(v/c)*f_null; v_alpha=v_max*cos(alpha); da=0.01; edges=-50:da:50; %bincounts für Histogramm (Skalierung für x-achse) value=histc(v_alpha,edges); %-----Ausgabe bar(edges,value/sum(value)/da, 'histc'); title ('Wahrscheinlichkeitsverteilung (Dopplerspektrum)'); xlabel('v(\alpha)'); ylabel('p(v(\alpha))'); Histogramm Abbildung 5: Wahrscheinlichkeitsverteilung Dopplerspektrum 8
10 2.3.3 Berechnung X gleichverteilt zwischen 0 und 2π (entspricht α) p x (x) = 1 2π 2 p x (x)dx = p y (y)dy Intervall von π bis π Cosinus symmetrisch, daraus folgt: o Es werden nur noch Winkel von 0 bis π betrachtet o p x (x) muss mit 2 multipliziert werden, sodass Winkel nun auch zwischen 0 und π o p y (y) erhält neg. Vorzeichen, da der Cosinus von 0 bis π monoton fallend ist Y = c cos(x) für 0 x π (vgl. v(α)) dy dx = c sin(x) dx dy = 1 c sin (x) 2 p y (y) = p x (x) c sin(x) mit x = arccos ( y c ) p y (y) = 2 2π 1 c sin (arccos ( y c )) = 1 π 1 c 1 ( y c )2 9
11 3 Literaturverzeichnis [1] H. Schulze, Modellierung und Simulation: Seminarunterlagen, Meschede, [2] D. Erhard, Aufgabe 3: Übungsaufgabe: Vorbetrachtungen zum Mobilfunkkanal,
Hausaufgabe Modellierung und Simulation 1
Hausaufgabe Modellierung und Simulation 1 Die Pareto Verteilung Die Pareto-Verteilung ist eine stetige Wahrscheinlichkeitsverteilung in einem rechtsseitig unendlichen Intervall zwischen x min und. Die
MehrÜbungsaufgabe Parameter und Verteilungsschätzung
Übungsaufgabe Parameter und Verteilungsschätzung Prof. Dr. rer. nat. Lüders Datum: 21.01.2019 Autor: Marius Schulte Matr.-Nr.: 10049060 FH Südwestfalen Aufgabenstellung Analysiert werden sollen die Verteilungen
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrModellierung- und Simulation Mathis Plewa ( )
Inhaltsverzeichnis Abbildungsverzeichnis... 1 Übungsaufgabe: Zufallsgeneratoren und Histogramme... 2 Standard Gleichverteilung... 2 Gaußverteilung... 3 Exponentialverteilung... 4 Übungsaufgabe: Geometrische
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrStetige Verteilungen Rechteckverteilung
Stetige Verteilungen Rechteckverteilung Die Längenabweichungen X produzierter Werkstücke von der Norm seien gleichmäßig verteilt zwischen a = mm und b = 4mm. Die Dichtefunktion lautet also f(x) = für a
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr10 Transformation von Zufallsvariablen
10 Transformation von Zufallsvariablen Sei X : Ω R eine Zufallsvariable mit Verteilungsfunktion F X (x) = P(X < x). Wir betrachten eine Funktion g: R R und sei Zufallsvariable Y : Ω R mit Y = g(x). Y :
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Mehr4.2 Moment und Varianz
4.2 Moment und Varianz Def. 2.10 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: EX p
MehrWahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrMusterlösung: 23. Oktober 2014, 16:42
Audiotechnik II Digitale Audiotechnik:. Übung Prof. Dr. Stefan Weinzierl 3..4 Musterlösung: 3. Oktober 4, 6:4 Amplitudenstatistik analoger Signale a) Ein Signal (t) hat die durch die Abbildung gegebene
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrModellierung und Simulation: Seminarunterlagen
Modellierung und Simulation: Seminarunterlagen Henrik Schulze 3. Februar 218 1 Einleitung (kommt noch) 2 Grundbegriffe der Wahrscheinlichkeitsrechnung 2.1 Zufallsvariablen, Wahrscheinlichkeiten und Ereignisse
Mehr1. Definition der trigonometrischen Funktionen für beliebige Winkel
1 Trigonometrie 2 1. Definition der trigonometrischen Funktionen für beliebige Winkel In einem Kreis mit Mittelpunkt M(0,0) und Radius r ist der zunächst spitze Winkel α gezeichnet. α legt auf dem Kreis
MehrZufallszahlen in Testbetten und Simulationen
Zufall Wofür brauchen wir Zufallszahlen? Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen, die wir nicht genau beschreiben wollen Zufall Wofür brauchen wir Zufallszahlen? Simulation von Dingen,
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
Mehrf(f 1 (w)) = w f 1 (f(z)) = z Abbildung 21: Eine Funktion und ihre Umkehrfunktion
Mathematik für Naturwissenschaftler I 2.8 2.8 Umkehrfunktionen 2.8. Definition Sei f eine Funktion. Eine Funktion f heißt Umkehrfunktion, wenn f (w) = z für w = f(z). f darf nicht mit f(z) = (f(z)) verwechselt
MehrÜbungen zum Ferienkurs Analysis II
Übungen zum Ferienkurs Analysis II Implizite Funktionen und Differentialgleichungen 4.1 Umkehrbarkeit Man betrachte die durch g(s, t) = (e s cos(t), e s sin(t)) gegebene Funktion g : R 2 R 2. Zeigen Sie,
Mehr0 für t < für 1 t < für 2 t < für 3 t < für 4 t < 5 1 für t 5
4 Verteilungen und ihre Kennzahlen 1 Kapitel 4: Verteilungen und ihre Kennzahlen A: Beispiele Beispiel 1: Eine diskrete Zufallsvariable X, die nur die Werte 1,, 3, 4, 5 mit positiver Wahrscheinlichkeit
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 20. April 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 18.
MehrAufgabe 1. Signal Processing and Speech Communication Lab. Graz University of Technology
Signal Processing and Speech Communication Lab. Graz University of Technology Aufgabe 1 Senden Sie die Hausübung bis spätestens 26.4.2017 per Email an hw1.spsc@tugraz.at. Verwenden Sie MatrikelNummer1
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehrf Z (z) = 0 sonst = 1
Lösungsvorschläge zu Blatt 8) Da das Teilchen sich mit konstanter Winkelgeschwindigkeit bewegt und zufällig gestoppt wird und da Z und Z + kπ, k Z, das gleiche X liefern, kann Z als eine auf [ π, π] gleichverteilte
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrLösungsvorschläge zu Blatt 1 1) ZV X := Produkt der Augenzahlen bei einem Wurf mit 2 Würfeln. des Produktes Wurfergebnis P (X = k) 1 (1, 1) 1/36
Lösungsvorschläge zu Blatt ) ZV X := Produkt der Augenzahlen bei einem Wurf mit Würfeln Mögl. Werte k des Produktes Wurfergebnis P X = k), ) /6, ),, ) /6, ),, ) /6, ),, ),, ) /6 5, 5), 5, ) /6 6, 6),,
MehrLösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, Januar D BIOL, D CHAB Lösungen zu Mathematik I/II. ( Punkte) a) Wir benutzen L Hôpital lim x ln(x) L Hôpital x 3 = lim 3x + x L Hôpital = lim x ln(x) x 3x 3 = lim ln(x) x 3 x
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrVerallgemeinerung von Sin, Cos, Tan mit GeoGebra
Verallgemeinerung von Sin, Cos, Tan mit GeoGebra 1. Einheitskreis Es sollen am Einheitskreis Sinnus, Cosinus und Tangens von einem Winkel α [0; 360) dargestellt werden. gehe dazu wie folgt vor! a) Erstelle
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrStandardisierte kompetenzorientierte schriftliche Reifeprüfung AHS. 16. Jänner Mathematik. Teil-2-Aufgaben. Korrekturheft
Standardisierte kompetenzorientierte schriftliche Reifeprüfung AHS 16. Jänner 2018 Mathematik Teil-2-Aufgaben Korrekturheft Aufgabe 1 Funktion a) Lösungserwartung: Mögliche Vorgehensweise: f (x) = 2 a
MehrKOMPETENZHEFT ZU STAMMFUNKTIONEN
KOMPETENZHEFT ZU STAMMFUNKTIONEN 1. Aufgabenstellungen Aufgabe 1.1. Finde eine Funktion F (x), die F (x) = f(x) erfüllt. a) f(x) = 5 x 2 2 x + 8 e) f(x) = 1 + x x 2 b) f(x) = 1 x4 10 f) f(x) = e x + 2
MehrReduSoft Ltd. Kurzbeschreibungen zu einigen Modulen, die im Programm
ReduSoft Ltd. www.redusoft.de Kurzbeschreibungen zu einigen Modulen, die im Programm MathProf 5.0 unter dem Themenbereich Stochastik implementiert sind. Urnenmodell Das Modul Urnenmodell ermöglicht die
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 3
Mathematischer Vorkurs Lösungen zum Übungsblatt 3 Prof. Dr. Norbert Pietralla/Sommersemester c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe : Berechnen Sie die bestimmten Integrale: π/ 3 cos(x)
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Marcel Thoms Mathematik Online Herbst 211 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrÜbungen mit dem Applet Kurven in Parameterform
Kurven in Parameterform 1 Übungen mit dem Applet Kurven in Parameterform 1 Ziele des Applets... Wie entsteht eine Kurve in Parameterform?... 3 Kurvenverlauf für ausgewählte x(t) und y(t)... 3 3.1 x(t)
MehrÜbungsaufgaben zu Kapitel 1 bis 4 (Studiengang Produktionstechnik)
Hochschule für Technik und Wirtschaft Dresden Wintersemester 8/9 Fakultät Informatik/Mathematik Prof. Dr. B. Jung Übungsaufgaben zu Kapitel bis 4 (Studiengang Produktionstechnik) Aufgabe : Vereinfachen
MehrApl. Prof. Dr. N. Knarr Musterlösung , 120min
Apl. Prof. Dr. N. Knarr Musterlösung 4.3.25, 2min Aufgabe ( Punkte) Es sei S := {(x, y, z) R 3 z = x 2 + y 2, z 2}. (a) (6 Punkte) Berechnen Sie den Flächeninhalt von S. (b) (4 Punkte) Berechnen Sie die
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Aufgabe 1 Ein Fahrzeugpark enthält 6 Fahrzeuge. Jedes Fahrzeug hat die Wahrscheinlichkeit p = 0.1 (bzw. p = 0.3), dass es kaputt geht. Pro Tag kann nur
MehrAnalysis1-Klausuren in den ET-Studiengängen (Ba) ab 2007
Analysis-Klausuren in den ET-Studiengängen (Ba) ab 7 Im Folgenden finden Sie die Aufgabenstellungen der bisherigen Klausuren Analysis im Bachelorstudium der ET-Studiengänge sowie knapp gehaltene Ergebnisangaben.
MehrÜbungen mit dem Applet Rangwerte
Rangwerte 1 Übungen mit dem Applet Rangwerte 1 Statistischer Hintergrund... 2 1.1 Verteilung der Einzelwerte und der Rangwerte...2 1.2 Kurzbeschreibung des Applets...2 1.3 Ziel des Applets...4 2 Visualisierungen
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrWiederholung Analysis
Wiederholung Analysis F( x) sei Stammfunktion zu f( x) f( x) dx = F( x) F ( x) = f( x) Bestimmtes Integral b a f ( x) dx = F( b) F( a) Uneigentliche Integrale x x x f() t 0 F( x) = f() t dt ist monoton
MehrErwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 26. Juni 2009 Stetige Verteilungen, & ZGS Wiederholung Stetige Zufallsvariable Definition Eigenschaften, Standardisierung Zusammenhang von Poisson-
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrLösungen zu Übungsaufgaben Blatt 9
Diskrete Zufallsgrößen Zu Aufgabe Die zufällige Anzahl X von Ausfällen eines Servers pro Jahr genüge folgender Verteilung: ai 0 3 4 5 6 >6 pi /0 /0 3/0 /0 /0 /0 /0 0 Ein Ausfall des Servers verursacht
MehrKapitel VI - Lage- und Streuungsparameter
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VI - Lage- und Streuungsparameter Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrTrignonometrische Funktionen 6a
Schuljahr 2015/16 andreas.kucher@uni-graz.at Institute for Mathematics and Scientific Computing Karl-Franzens-Universität Graz Graz, November 23, 2015 Winkelmaße Winkelmaß bis 6. Klasse: Grad (0 360 )
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrStetige Verteilungen, Unabhängigkeit & ZGS
Mathematik II für Biologen Stetige Verteilungen, & ZGS 19. Juni 2015 Stetige Verteilungen, & ZGS Stetige Zufallsvariable Dichte & Verteilungsfunktion Eigenschaften & Kennzahlen Definition Eigenschaften,
MehrStrukturdynamik Prof. Dr. Wandinger. 1.2 Stochastische Lasten. Lösungen. Aus der Definition des Erwartungswerts folgt durch elementare Rechnung:
Strukturdynamik 1.-1 Prof. Dr. Wandinger Aufgabe 1 1. Stochastische Lasten Lösungen Aus der Definition des Erwartungswerts folgt durch elementare Rechnung: Aufgabe E [a g( x)+b h(y)]= =a =a =a ( ( p(x,
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrEinführung in die Grundlagen von Matlab. Ralph Neubecker
Einführung in die Grundlagen von Matlab Ralph Neubecker Fingerübung 1 2 Starten Sie Matlab Ändern Sie das Arbeitsverzeichnis auf Ihr lokales Verzeichnis Schließen Sie die Command-History und Current-Folder
MehrAbiturprüfung Mathematik 2005 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis Gruppe I, Aufgabe A
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis Gruppe I, Aufgabe A Für jedes a > ist eine Funktion f a definiert durch fa (x) = x (x a) mit x R a Das Schaubild von f
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrAufgabenkomplex 3: Integralrechnung, Kurven im Raum
Technische Universität Chemnitz. Mai 9 Fakultät für Mathematik Höhere Mathematik I. Aufgabenkomplex : Integralrechnung, Kurven im Raum Letzter Abgabetermin: 6. Mai 9 (in Übung oder Briefkasten bei Zimmer
MehrPartielle Integration
Partielle Integration 1 Motivation Eine der wichtigsten Methoden der Integralrechnung ist die partielle Integration. Mit ihr lassen sich Funktionen integrieren, die ein Produkt zweier Funktionen sind.
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
MehrDefinition von Sinus und Cosinus
Definition von Sinus und Cosinus Definition 3.16 Es sei P(x y) der Punkt auf dem Einheitskreis, für den der Winkel von der positiven reellen Halbachse aus (im Bogenmaß) gerade ϕ beträgt (Winkel math. positiv,
MehrSpektrale Analysen in EMU-R: eine Einführung. Jonathan Harrington
Spektrale Analysen in EMU-R: eine Einführung Jonathan Harrington 1. Ein digitales Sinusoid 2. Fourier-Analyse 3. Ein Spektrum 4. Frequenz- und Zeitauflösung 5. Berechnung von Spektra mit Emu 1. Ein digitales
MehrFolie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse
Folie zur Vorlesung Wahrscheinlichkeitsrechnung und Stoch. Prozesse Die Gamma-Verteilung 13.12.212 Diese Verteilung dient häufig zur Modellierung der Lebensdauer von langlebigen Industriegüstern. Die Dichte
MehrExponentialverteilung
Exponentialverteilung Dauer von kontinuierlichen Vorgängen (Wartezeiten; Funktionszeiten technischer Geräte) Grenzübergang von der geometrischen Verteilung Pro Zeiteinheit sei die Eintrittswahrscheinlichkeit
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrStetige Standardverteilungen
Universität Basel Wirtschaftswissenschaftliches Zentrum Stetige Standardverteilungen Dr. Thomas Zehrt Inhalt: 1. Die stetige Gleichverteilung 2. Die Normalverteilung (a) Einstimmung (b) Standardisierung
MehrStatistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
MehrVorlesung Stetige Verteilungen / Mathematische Behandlung
B E A C D Z Faultät Verehrswissenschaften Friedrich List Professur für Verehrsströmungslehre Verehrssystemtheorie I+II (V.-Wirtschaft) Vorlesung..0 Stetige Verteilungen / Mathematische Behandlung Neufert,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 5 29.03.2011 1 Inhalt der heutigen Übung Vorrechnen der Hausübung D.3 Gemeinsames Lösen der Übungsaufgaben D.4: Zufallsvektoren D.5: Multivariate Wahrscheinlichkeiten
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrStochastik-Praktikum
Stochastik-Praktikum Zufallszahlen und Monte Carlo Peter Frentrup Humboldt-Universität zu Berlin 17. Oktober 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 17. Oktober 2017 1 / 23
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrDefinition Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) :=
Definition 2.34. Sei X eine stetige Z.V. mit Verteilungsfunktion F und Dichte f. Dann heißt E(X) := x f(x)dx der Erwartungswert von X, sofern dieses Integral existiert. Entsprechend wird die Varianz V(X)
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrEinführung des Integrals Stammfunktionen Hauptsatz Flächen Mittelwerte Rotationsvolumen
14 Integralrechnung Einführung des Integrals Stammfunktionen Hauptsatz Flächen Mittelwerte Rotationsvolumen E-Mail: klaus_messner@web.de, Internet: www.elearning-freiburg.de Einführung des Integrals 15
MehrAnwendungen der Differentialrechnung
KAPITEL 7 Anwendungen der Differentialrechnung 7.1 Maxima und Minima einer Funktion................. 141 7.2 Mittelwertsatz............................ 144 7.3 Kurvendiskussion..........................
MehrLineare Algebra II. Bonusaufgabe B. 1. Betrachten Sie das Standard-Skalarprodukt im R 3 : R 3 R 3 R
Bonusaufgabe B 1. Betrachten Sie das Standard-Skalarprodukt im R 3 : R 3 R 3 R a 1 a 2, b 1 3 b 2 := a i b i = a 1 b 1 + a 2 b 2 + a 3 b 3. a 3 b 3 i=1 Rufen Sie sich die folgenden Zusammenhänge in Erinnerung:
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
Mehr